14 Loi normale, ation im st e , n o ti a tu c lu f e d e intervall b. Ouverture Réponse à la question La loi de probabilité suivie par la variable Xn est la loi binomiale de paramètres n et p. Vérifier ses acquis Ê Ë 1 a. X suit la loi binomiale Á15 ; 1ˆ . 37˜¯ Ê 1ˆ b.X suit la loi binomiale Á30 ; ˜ . 2¯ Ë c. X est mal définie. d.X ne suit pas une loi binomiale, car le fait qu’un professeur soit choisi pour l’un des autres voyages exclut qu’il soit à nouveau choisi pour ce même voyage (tirage sans remise). 3 1.Soit X une variable aléatoire de loi binomiale (5 ; 0, 2). a. P(X 2) 10 ¥ 0, 22 ¥ 0, 83 0, 2048 . b. P(X 2) 0, 85 5 ¥ 0, 2 ¥ 0, 84 10 ¥ 0, 22 ¥ 0, 83 0, 9421. c. L’espérance de X vaut : E(X) 5 ¥ 0, 2 1. 2.Soit X une variable aléatoire de loi binomiale (100 ; 0,1). L’espérance de X vaut : E(X) 100 ¥ 0,1 10. 3.Soit X une variable aléatoire de loi binomiale (10 ; p) de variance V(X) = 1,6. 10p (1 – p) = 1,6 d’où : p (1 – p) = 0,16 soit : p = 0,8 ou bien p = 0,2 4.Soit X une variable aléatoire de loi binomiale (60 ; 0, 5). a. P(X 23) P(X 37) 0, 0462. b. 0,12 0,10 0,08 0,06 0,04 0,02 0,00 1 5 10 15 20 25 30 35 40 45 50 55 60 Le diagramme est symétrique par rapport à l’axe d’équation x = 30. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 325 © éditions Belin, 2012. 2 a. 4 a. X est distribuée (n ; p). È b.L’intervalle In Íp Î valle de fluctuation de selon la loi binomiale 1 1˘ ;p ˙ est l’intern n˚ X la variable aléatoire n rencontré en classe de seconde dont on peut affirmer que : ÊX ˆ P Á Œ In˜ 0, 95, pour n suffisamment grand. Ën ¯ c. a est le plus grand des entiers tel que : P(X a) 0, 025, et b le plus petit des entiers tels que : P(X b) 0, 975. P(a X b) P(X b) - P(X a) ≥ 0,975 – 0,025 = 0,95. Jn [a ; b] est un intervalle de fluctuation de la X variable aléatoire dont on peut affirmer que : n ÊX ˆ P Á Œ [a ; b]˜ 0, 95. Ën ¯ 5 a. X est distribuée selon la loi binomiale 120 ; 0, 85 . b.On note b le plus grand entier tel que : P X b 0, 05. k P(X = k) P(X < = k) 160 0,01155 0,03355 161 0,01626 0,04980 162 0,02218 0,07198 Règle de décision : • si X 161, on ne peut se permettre de rejeter l’hypothèse du laboratoire pharmaceutique au seuil de 5 % ; • si X 160, on rejette l’hypothèse du laboratoire pharmaceutique au seuil de 5 %. c.Au vu de l’échantillon des 200 malades, on rejette au seuil de 5 % l’hypothèse du laboratoire pharmaceutique. Remarque : On la rejetterait également au seuil de 1 pour 10 000 000. 6 a. an1 - an n1 n1 Ún e-2x dx 0 ; 1 Ún 1 x2 dx 0 ; n 2 1 cn1 - cn Ú dx 0. n1 x2 bn1 - bn Les suites (an), (bn) et (cn) sont donc croissantes. 1 n b.an (1 - e-2n) et cn . 2 n1 1 1 n 1 1 dx dx c. bn1 0 1 x2 1 1 x2 1 1 1 1 dx bn 1 dx 0 1 x2 0 1 x2 Les suites (an) et (cn) tendent respectivement vers 1 et 1. 2 La suite (bn) croissante et majorée est donc convergente. Ú Ú Ú Ú Activités d’introduction Activité 1 Une variable naturellement centrée Partie 1 1 Les valeurs possibles du couple (R(w), L(w)) où R(w) est le nombre de pas vers la droite et L(w) le nombre de pas vers la gauche sont les couples (i, j) où i + j = 16 pour lesquels X (w) prend la valeur : i ¥ 0, 25 - j ¥ 0, 25 (2i - 16) ¥ 0, 25 . Les valeurs possibles de la variable aléatoire X sont celles de l’ensemble 7 5 3 X(W) Ì-4, - , - 3, - , - 2, - , - 1, 2 2 2 Ó 5 7 ¸ 1 1 3 - , 0, , 1, , 2,, , 3, , 4˝ 2 2 ˛ 2 2 2 Ê ˆ Ë 2¯ 16 2 a. P(X 4) P(R 16) Á 1˜ ; 16 326 n Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. Ê 1ˆ P(X -4) P(R 0) Á ˜ . Ë 2¯ b. k 0 1 2 3 4 5 6 7 8 xk –4,0 –3,5 –3,0 –2,5 –2,0 –1,5 –1,0 –0,5 0,0 P(X = xk) 0,0000 0,0002 0,0018 0,0085 0,0278 0,0667 0,1222 0,1746 0,1964 k 9 10 11 12 13 14 15 16 xk 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 P(X = xk) 0,1746 0,1222 0,0667 0,0278 0,0085 0,0018 0,0002 0,0000 3 Comme cela a été observé dans la question 1. : 1 R a. X (R - L) b. R L 16 d’où c. X - 4 2 4 4 a. R est distribuée selon la loi binomiale Ê 1ˆ Á16 ; ˜ dont l’espérance vaut E(R) = 8 et la 2¯ Ë variance vaut V(R) = 4. b.Il en résulte : Ê1 ˆ 1 E(X) E Á R - 4˜ E(R) - 4 0 et Ë2 ¯ 2 Ê1 ˆ 1 V(X) V Á R - 4˜ V(R) 1 Ë2 ¯ 4 c. La loi de X a déjà été donnée à la question b. d.Il suffit d’ajouter une ligne au tableau précédent. k 0 1 2 3 4 5 6 7 8 xk –4,0 –3,5 –3,0 –2,5 –2,0 –1,5 –1,0 –0,5 0,0 P(X = xk) 0,0000 0,0002 0,0018 0,0085 0,0278 0,0667 0,1222 0,1746 0,1964 P(X ≤ xk) 0,0000 0,0003 0,0021 0,0106 0,0384 0,1051 0,2272 0,4018 0,5982 k 9 10 11 12 13 14 15 16 xk 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 P(X = xk) 0,1746 0,1222 0,0667 0,0278 0,0085 0,0018 0,0002 0,0000 P(X ≤ xk) 0,7728 0,8949 0,9616 0,9894 0,9979 0,9997 1,0000 1,0000 e. Courbe représentative de la fonction : F : x a P(X x) 1,0 0,8 0,6 Partie 2 1 • Pour N = 16, l’escalier compte 16 marches dont la plus haute est la 8e de hauteur 0,1964. • Pour N = 64, l’escalier compte 64 marches dont la plus haute est la 32e de hauteur 0,0993. • Pour N = 256, l’escalier compte 256 marches dont la plus haute est la 128e de hauteur 0,0498. 0,4 1,2 0,2 1,0 0,8 –4,0 –3,0 –2,0 –1,0 0,0 1,0 2,0 3,0 4,0 5,0 0,6 0,4 0,2 –4 –3 –2 –1 0 1 2 3 4 Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 327 © éditions Belin, 2012. 0,0 Activité 2 Loi normale centrée réduite 1,2 1,0 0,8 0,6 0,4 0,2 –3 –2 –1 0 1 2 3 4 c. d. On note que 1 a. La variable Xn est susceptible de prendre toute valeur entière comprise entre 0 et n. u b.Le quotient k 1 vaut : uk Ê n ˆ k 1 p (1 - p)n- k -1 uk 1 ÁË k 1 ˜¯ n- k Ê p ˆ ¥ Ê nˆ k uk k 1 ÁË1 - p˜¯ n- k ( 1 ) p p ÁË k ˜¯ uk 1 1 € k np - q uk n p np – q np Ent(np) P(X=ENT(np)–1) P(X=ENT(np)) P(X=ENT(np)+1) P(X=ENT(np)+2) 10 0,46 4,06 4,6 4 0,156390749 0,233138061 0,238318907 0,169177002 20 0,46 8,66 9,2 9 0,155258327 0,176342791 0,165239726 0,127963424 30 0,46 13,26 13,8 13 0,11834877 0,139590857 0,1443916 0,131200269 40 0,46 17,86 18,4 18 0,114821109 0,124980179 0,123274796 0,110262457 50 0,46 22,46 23 23 0,108608804 0,112631352 0,107938379 0,095625408 60 0,46 27,06 27,6 27 0,094947312 0,101850203 0,102254371 0,096116497 e.On désigne par [np] la partie entière du produit np. On constate dans chacune des situations que : uk 1 u 1 pour k [np] et k 1 1 pour k [np] 1 uk uk pour p = 0,46 fixé et n = 10, 20, 30. Dans chacune de ces situations, la valeur de Xn la plus probable est le nombre noté np Ce nombre np est l’un des deux entiers les plus proches de np. f. • Le résultat énoncé dans ces trois situations est assez simple à démontrer • si k [np], alors k [np] - 1 donc k np - q d’où uk uk 1 • si k [np], alors k np 1 donc k np - q d’où uk uk 1 np est donc l’un des deux nombres [np] ou bien [np] + 1. 328 n 2 On fixe p = 0,46 et q = 1 – p. On se propose de construire pour n = 10, 20, 30, 40, 50, 60 les diagrammes en bâtons des variables Xn dans un repère choisi de sorte que les diagrammes occupent au mieux l’espace disponible, à savoir 10 cm sur l’axe des abscisses et 5 cm sur l’axe des ordonnées. a. On note que np = 4,6. Les deux valeurs les plus élevées de la suite (uk) sont : u4 0, 23314 et u5 0, 23832 b.Les valeurs de k telles que M uk 10 0, 0023832 sont : 1, 2, 3, 4, 5, 6, 7, 8, 9. 100 On représentera donc le diagramme dans le cadre [0 ; 10] × [0 ; 0,23832]. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. –4 b. c. Ci-dessus les fonctions obtenues pour N = 64 et N = 256. La hauteur des marches est faible ; il semble que les trois courbes en escalier évoluent au fur et à mesure que N augmente vers une courbe limite « continue » admettant pour centre de symétrie le point (0 ; 0,5). La question 3 a été supprimée dans l’exemplaire de l’élève. Dans l’exemplaire élève l’énoncé a été modifié comme suit : 1. e. Quelle semble être la relation entre la valeur la plus probable de Mn et np l’un des deux entiers les plus proches de np ? 2. b. Dans le tableur, en colonne 3, on a Uk > U5/100. On considère une suite de variables X n distribuées selon la loi (n ; p) où p est un réel strictement compris entre 0 et 1. 3 a. Les valeurs demandées sont : n Mn a b ETUDE SUR AMPLITUDE 10 0,23832 1 9 [0 ; 10] 8 20 0,17634 3 15 [2 ; 16] 12 30 0,14439 6 22 [5 ; 23] 16 40 0,12498 9 27 [8 ; 28] 18 50 0,11263 13 33 [14 ; 34] 20 60 0,10225 17 39 [15 ; 35] 22 b.Les amplitudes de l’intervalle [a, b] augmentent, mais de moins en moins. c. d. n p np-q np Ent(np) Mn Mn*RACINE(npq) LIMITE ERREUR 10 0,46 4,06 4,6 4 0,23832 0,37561 0,3989 –5,85 % 20 0,46 8,66 9,2 9 0,17634 0,39305 0,3989 –1,48 % 30 0,46 13,26 13,8 13 0,14439 0,39417 0,3989 –1,20 % 40 0,46 17,86 18,4 18 0,12498 0,39396 0,3989 –1,25 % 50 0,46 22,46 23 23 0,11263 0,39694 0,3989 –0,50 % 60 0,46 27,06 27,6 27 0,10225 0,39476 0,3989 –1,05 % 800 0,46 367,46 368 368 0,02829 0,39882 0,3989 –0,03 % 0,5 0,4 0,3 0,2 0,1 –2,8090032 –2,4077171 –2,0064309 –1,6051447 –1,2038585 –0,8025724 –0,4012862 0 0,40128618 0,80257235 1,20385853 1,60514471 2,00643088 2,40771706 2,80900324 3,21028942 d.On constate que le nombre de bâtons d’abscisse comprise entre –3 et 3 est de plus en plus grand et que P ( Zk zk ) zk Úz k @ zk Úz k 1 2 npq 1 npq ¥ uk dx 2 npq 1 2 npq 1 2 npq 1 2p e 1 - x2 2 dx comme le suggère le schéma suivant : Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 329 © éditions Belin, 2012. 4 Pour pouvoir suivre l’évolution des diagrammes, on va : • centrer les variables Xn, c’est-à-dire retrancher leur espérance np : cela pour éviter que les valeurs les plus probables sortent du cadre ; • réduire ces variables, c’est-à-dire les diviser par leur écart type npq, cela pour que les intervalles In ne sortent du cadre. X - np On pose donc : Zn n npq Pour éviter que les diagrammes ne s’affaissent, on multiplie chaque probabilité par npq a.Les valeurs susceptibles d’être prises par la variable Zn sont : k - np zk où k varie de 0 à n npq On représente à l’aide d’un diagramme en bâtons la fonction zk a npq ¥ P(Zk zk) npq ¥ uk b. c. On considère le cas n = 100, p = 0,46 et q = 1 – p. 53 58 –∞ + 20 –1 0 0 – 1, P(40 X100 50) pour p = 0,46. a. P ( 40 X100 50) Ê ˆ 40 - 46 50 - 46 PÁ Z100 ˜ Ë n ¥ 0, 46 ¥ 0, 54 n ¥ 0, 46 ¥ 0, 54 ¯ En sommant les uk P(X k) P(Zk zk) pour k variant de 40 à 60, on obtient : P(40 X100 50) 0,72117. b 1 Ê 1 ˆ b. exp Á- x2˜ dx où a 2p Ë 2 ¯ 39, 5 - 46 a et 100 ¥ 0, 46 ¥ 0, 54 50, 5 - 46 b . 100 ¥ 0, 46 ¥ 0, 54 b 1 Ê 1 ˆ exp Á- x2˜ dx @ 0,720623. On obtient : a 2p Ë 2 ¯ c.On constate que les nombres calculés en a. et b. sont très proches. L’explication réside dans le schéma réalisé précédemment qui conduit à écrire : Ú P ( X 40) @ Ú 100 ¥ 0,46 ¥ 0,54 41,5 - 46 Ú P ( X 41) @ 100 ¥ 0,46 ¥ 0,54 40,5 - 46 100 ¥ 0,46 ¥ 0,54 1 2p 1 2p 1 - x2 2 dx, puis 1 - x2 2 dx e e et ainsi de suite jusqu’à : 50,5 - 46 P ( X 50) @ Ú 100 ¥ 0,46 ¥ 0,54 49,5 - 46 100 ¥ 0,46 ¥ 0,54 1 2p e 1 - x2 2 dx . En ajoutant ces 11 valeurs de probabilité, on justifie l’approximation obtenue. Activité 3 Fonction densité de la loi normale centrée réduite 1 On étudie la fonction : j : x a a. La fonction j est définie sur R. 330 n 1 2p 1 - x2 e 2 0 2pe j¢ 0 -1 0 2pe 1 2p j 0 0 f. Courbe représentative de ϕ 0,4 0,3 Ú 40,5 - 46 + 1 5 On considère la probabilité de l’événement : 100 ¥ 0,46 ¥ 0,54 39,5 - 46 +∞ 1 0 0,2 0,1 –4 –3 –2 –1 0 1 2 2 On considère la suite a : n a an Ú n 1 3 4 n Ú0 j(t) dt j(t) dt 0 . a. an1 - an n b.La suite (an) est donc croissante. c. Grâce à l’indication : « pour n 1, 1 n n1 - x 1 an j(t) dt j(t) dt 2 ¥ e 2 dt 1 2 0 0 Ú Ú Ú 1 Ú j(t) dt 2 », 0 1 on sait que 2 Ú j(t) dt est un majorant de la 0 suite (an). d.Croissante et majorée, la suite (an) est donc convergente. 3 a.b. c. On obtient des valeurs approchées de a100, a1 000, a10 000 égales à 0,5, ce qu’on vérifie avec la calculatrice. On peut donc conjecturer n 1 que : lim j(t) dt 2 nÆ 0 4 La fonction j est positive et, compte tenu de la parité de j et de la conjecture, on a : Ú lim Ú 0 nÆ - n j(t) dt lim Ú n nÆ 0 j(t) dt 1 La fonction j est bien une fonction de densité sous réserve de validation de la conjecture. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. 35 x j¢¢(x) 38 72 25 80 0, 0, 40 12 86 0 18 b.On note que : j¢(x) -xj(x) et j¢¢(x) -xj¢(x) - j(x) (1 - x2)j(x) c. ϕ est strictement croissante sur R– et strictement décroissante sur R+ d.ϕ est positive sur R. e. Tableau des variations de j et j′ Travaux pratiques 100 billes 1TP Algorithmique 1 La planche de Galton 1 Dans l’exemplaire élève l’énoncé a été modifié : 1. Algorithme, entrée 45, ligne 2-3 : … (NB[NBS+1]-1)/(NBSIMUL/25)… entrée 45 ligne 4 : (NB[NBS+1])… b. Répéter la simulation avec 10, 100 et 1 000 billes. a. b. Si l’on veut répéter la simulation avec 10, 100, ou 1 000 billes, il faut remplacer la ligne 12 par : NBSIMUL PREND_LA_VALEUR 10 (100 ou 1 000) Lors d’une de ces simulations, on obtient les résultats suivants avec respectivement 10, 100 et 1 000 billes : Xmin : 240 Xmax : 260 Ymin : 0 Ymax : 21 1 000 billes 10 billes Xmin : 240 Xmax : 260 GradX : 1 GradY : 1 Ymin : 0 Ymax : 21 Xmin : 240 Xmax : 260 GradX : 1 GradY : 1 Ymin : 0 Ymax : 21 GradX : 1 GradY : 1 On remarque que les extrémités des bâtons sont d’autant plus proches de la courbe que le nombre d’expériences réalisées est grand. Dans le cas de 1 000 billes on observe également que : • les hauteurs des bâtons d’abscisse k sont égales à 25 fois les fréquences des événements [X = k] (voir la ligne 45) ; • l’ordonnée du point d’abscisse k de la courbe vaut 25 ¥ 1 2 2p ¥ 1Ê k - 250ˆ - Á ˜ 2 e Ë 2 ¯ 2 (voir ligne 50) La fréquence d’un événement observée sur un échantillon de taille 1 000 donne une idée assez juste de la probabilité de cet événement. On peut conclure que : P ( X k ) @ 1 2 2p ¥ 1Ê k - 250ˆ - Á ˜ e 2Ë 2 ¯ 2 . c. Le nombre NBS de déviations à droite suit la Ê 1ˆ loi binomiale ÁN ; ˜ . 2¯ Ë d.L’espérance de NBS vaut N = 8 et sa variance 1 1 vaut : N ¥ ¥ 4. 2 2 e. X m NBS ¥ D - (N - NBS) ¥ D m (2 NBS - N) ¥ D. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 331 © éditions Belin, 2012. . f. La variance de X vaut : V(X) (2D)2 ¥ V(NBS) ND2. L’écart type de X vaut : D N 0, 5 ¥ 4 2. g.La probabilité de [248 X 252] vaut :  P(X k) 252 Remarque :  P(248 X 252) k 6 10 Ê Ê 1ˆ ˆ  ÁË 16k ˜¯ ¥ ÁË 2˜¯ k Ê 1ˆ ¥Á ˜ Ë 2¯ 16 - k 25883 0,78989. 32768 252  f(k) @ 0, 79351. k 248 L’approximation suggérée plus haut est déjà pertinente pour N = 16. à 2 pour D 0, 25. b.Notons que : 2D ¥ P ( X k ) @ N x-m 2 2D La probabilité de [248 X 252] vaut : P(248 X 252). ÊN 2ˆ N X - 250 N 2 PÁ ˜ 2 2D 2 2D¯ Ë 2 2D ˆ Ê 1ˆ k 28 k Ê 1ˆ ¥Á ˜ Ë 2¯ P(248 X 252) @ 0,73956. 3 a. Dans le cas N = 256 et D 0,125 N 2 120 et 2 2D 332 n @ 36 Ê N 2 136 . 2 2D k  1024 - k 1Ê k - 250ˆ - Á ˜ e 2Ë 2 ¯ 2 32  P(X 248 k ¥ 0,125) k 0 N 2 36 on a : 2 2D  ÁË 64k ˜¯ ¥ ÁË 2˜¯ P(NBS k) Ê 1ˆ Ê 1024 ˆ Ê 1ˆ ÁË k ˜¯ ¥ ËÁ 2˜¯ ¥ ÁË 2˜¯ k 496 1 P(248 X 252)  P(NBS k) k 28 36  k 496 528 ¥ 2 2p Dans le cas N = 1 024 et D 0, 0625 , m (2 NBS - N) ¥ D x € NBS N 2 28 et 2 2D 528 256 - k P(248 X 252) @ 0,697 758. b.Attention : dans la partie 1, les bâtons coïncident avec la courbe car les bâtons sont espacés de 1 unité. Dans le cas général, les bâtons sont espacés de 2D unités, ce qui conduirait à une approximation analogue seulement corrigée par le facteur multiplicatif 2D. 2 a. L’écart type de X vaut : D N D ¥ 8, égal k Ê256ˆ Ê 1ˆ Ê 1ˆ ÁË K ˜¯ ¥ ÁË 2˜¯ ¥ ÁË 2˜¯ k 120   P(NBS k) P(X k) @ P(248 X 252) P(NBS k)  P(NBS k 8) k -2 10 k 248 Comme  k 120 136 P(248 X 252) @ 0,71201 1. Dans le cas N = 1 024 et D 0, 0625 N 2 N 2 496 et 528 . 2 2D 2 2D k 248 2 k 6 P(248 X 252) 136 64 - k P(248 X 252) @ 32 1 f(248 k ¥ 0,125) 0,125 k 0  252 Ú248 f(x) dx. C’est ce qu’il faut vérifier par le calcul dans cette dernière question en considérant la variable aléatoire de loi normale (250 ; s2 4) Ê ˆ Z - 250 P(248 Z 252) P Á1 1˜ 2 F(1) - 1 2 Ë ¯ d’où : P(248 Z 252) @ 2 ¥ 0, 8413 - 1 0, 6826. Remarque : P(248 - 0, 0625 Z 252 0, 0625) @ 2 ¥ F(1, 03125) - 1 2 ¥ 0, 8488 - 1 0, 6976 En pratiquant « cette correction de continuité », on peut constater pour N = 1 024 que P(248 X 252) @ P(248 - D Z 252 D) où Z ⥹ (250 ; s2 = 4) Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. P(248 X 252) 252 P(248 X 252) 2TP Tice 1 Étudier l’inégalité P(Fn Œ In) ≥ 1 – a en fonction de n L’objet de l’étude est l’intervalle È È p 1- p p 1- p ˘ 1 1˘ ;p In Íp - ua ; p ua ˙ et l’intervalle Jn Íp ˙ n n˚ n n ˙˚ ÍÎ Î 1 a.b. Étude de deux cas particuliers 2 a. Pour p = 0,5, à partir de n = 30, les conditions usuelles de précision sont vérifiées. b.Quelle que soit la valeur de N, il existe toujours des valeurs de n telles que : n N et P(Fn Œ In) 0, 95. c. Interprétation : lim un 0, 95 où un P(Fn Œ In) nÆ La suite (un) tend vers 0,95 mais elle ne tend pas vers 0,95 par valeur supérieure à 0,95. Le tableau complet des valeurs dont un extrait est donné ici suggère que la plus petite valeur de n à partir de laquelle P(Fn Œ Jn) 0, 95 est n = 529. b.Lorsque l’on compare les cas 2 et 3, pour n assez grand (taille des sondages habituels de l’ordre de 1 000 individus) : • la probabilité P(Fn Œ In) vaut sensiblement 1- a sans nécessairement dépasser 1- a ; • la probabilité P(Fn Œ Jn) dépasse 0,95 tout en restant de l’ordre de 0,95. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 333 © éditions Belin, 2012. 3 a. En observant le schéma, on voit qu’à partir de n = 600, toutes les valeurs de P(Fn Œ Jn) dépassent 0,95. 3TP TICE 2 Intervalles de fluctuation et intervalles de confiance 1 a. Nombre de naissances Nombre de garcons a b Fn Fn dans In 770 945 394 297 0,49888387 0,50111613 0,51144634 NON 761 630 389 981 0,49887707 0,50112293 0,51203472 NON 761 464 389 349 0,49887694 0,50112306 0,51131636 NON 767 816 393 477 0,4988816 0,5011184 0,51246262 NON 774 355 396 346 0,49888633 0,50111367 0,51184018 NON 796 896 407 846 0,49890219 0,50109781 0,51179326 NON 785 985 402 297 0,4988946 0,5011054 0,51183801 NON 796 044 406 784 0,49890161 0,50109839 0,51100693 NON 793 420 405 902 0,49889979 0,50110021 0,51158529 NON 802 224 410 140 0,49890585 0,50109415 0,51125371 NON b.Aucune des 10 fréquences observées n’appartient à l’intervalle de fluctuation. c. Les exigences de précision sont remplies bien au-delà de la précision habituelle. d.Sous l’hypothèse p = 0,5, la probabilité que 10 fréquences observées échappent à l’intervalle de fluctuation In vaut sensiblement (1 – 0,95)10 de l’ordre de 10–14. Au vu de ces 10 observations, on peut donc exclure avec un risque inférieur à 10–14 l’hypothèse p = 0,5. 2 Intervalles de confiance de p È 1 1˘ Jn ÍFn ; Fn ˙ n n˚ Î Nombre de naissances Nombre de garcons 770 945 394 297 [0,51030743 761 630 389 981 761 464 Fn Fn dans Jn 0,51258525] 0,51144634 OUI [0,51088886 0,51318057] 0,51203472 OUI 389 349 [0,51017038 0,51246233] 0,51131636 OUI 767 816 393 477 [0,5113214 0,51360385] 0,51246262 OUI 774 355 396 346 [0,51070378 0,51297657] 0,51184018 OUI 796 896 407 846 [0,51067305 0,51291347] 0,51179326 OUI 785 985 402 297 [0,51071005 0,51296597] 0,51183801 OUI 796 044 406 784 [0,50988612 0,51212774] 0,51100693 OUI 793 420 405 902 [0,51046263 0,51270795] 0,51158529 OUI 802 224 410 140 [0,51013723 0,5123702] 0,51125371 OUI Les nombres de l’intervalle [0,50988612 ; 0,51212774] appartiennent à tous ces intervalles et 0,5 n’appartient à aucun d’eux. 334 n c. Il vaut mieux regrouper dans un même échantillon toutes les naissances et proposer alors comme intervalle de confiance : Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. È 1 1˘ ; Fn a.b. On pose Jn ÍFn ˙ n n˚ Î d.On trouve dans les livres de biologie 105 p ª 0, 512 qui fait partie des 10 inter100 105 valles de confiance et qui est à la limite de l’intervalle de confiance global. En fait, cette estimation globale vaut p̂ 0,51165434331198, ce qui conduirait à dire : « Il naît 104,77 garçons pour 100 filles ». 4TP Algorithmique 2 Comportement d’un intervalle de fluctuation en fonction de n 1 L’algorithme permet de trouver : • le plus petit entier a tel que : P(X a) 0, 025 ; • le plus petit entier b tel que : P(X b) 0, 975 ; Alors P(X < a) < 0,025, d’où : – P(X < a) > –0,025. Par conséquent : P(a X b) P(X b) - P(X a) 0, 975 - 0, 025 0, 95. Les calculs sont faits directement à l’aide de la loi binomiale sans approximation. 2 a. Le programme donne a = 0 et b = 7. L’intervalle de fluctuation de la variable fréquence È0 7˘ est : Í ; ˙. Î69 69˚ b.9 ne faisant pas partie de l’intervalle [0 ; 7], nous sommes amenés à refuser au seuil de 5 % l’hypothèse p = 0,05 autrement dit à remettre en cause le réglage de la machine. L’intervalle de fluctuation de la variable fréquence È0 7˘ est : Í ; ˙. Î69 69˚ c.Algobox ne permet pas le calcul avec des valeurs de n > 70. On peut donc faire le calcul avec un tableur. k P(X < = k) P(X = k) 0 0,005920529 0,005920529 1 0,037081209 0,03116068 2 0,118262981 0,081181772 3 0,257838659 0,139575678 4 0,435981301 0,178142642 5 0,615999128 0,180017827 6 0,766013984 0,150014856 7 0,872039521 0,106025537 8 0,936910409 0,064870888 9 0,971811706 0,034901296 10 0,98852759 0,016715884 13 succès sur 100 : ce score est encore trop important au regard de l’hypothèse p = 0,05 puisque l’intervalle de fluctuation de la fréquence È 1 10 ˘ ; aléatoire (seuil 5 %) est Í ˙ Î100 100˚ Ê È 1 10 ˘ ˆ En fait P Á F100 œ Í ; ˙ ˜ 0,01739 Ë Î100 100˚ ¯ d.Pour n = 1 000, • l’intervalle de fluctuation vu en classe de seconde est È 1 1 ˘ È18, 38 81, 62˘ ; 0, 05 ; Í0, 05 ˙;Í ˙ 1000 1000 ˚ Î 1000 1000 ˚ Î et l’on peut vérifier qu’il contient Fn avec la probabilité 0,99999 ; • l’intervalle de fluctuation obtenu à l’aide du théorème de Moivre-Laplace est È 0, 05 ¥ 0, 95 0, 05 ¥ 0, 95 ˘ ; 0, 05 1, 96 Í0, 05 - 1, 96 ˙ 1000 1000 Î ˚ È36, 49 63, 51˘ ;Í ; ˙ , et l’on peut vérifier qu’il contient Î 1000 1000 ˚ Fn avec la probabilité 0,95042 ; • l’intervalle de fluctuation [a, b] obtenu directeÈ 37 64 ˘ ; ment avec tableur est : Í ˙ et l’on peut 1000 1000 Î ˚ vérifier qu’il contient Fn avec la probabilité 0,9581. Lorsque n est suffisamment grand, l’intervalle asymptotique est très proche de celui obtenu à 1 l’aide de la loi binomiale P(X 0) P(X 0) 2 et peut lui être substitué sans problème. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 335 © éditions Belin, 2012. È 1 ; Jn Í0,51165434331198 7 810 779 ÍÎ ˘ 1 0,51165434331198+ ˙ 7 810 779 ˙˚ soit : Jn [0,511296533022752 ; 0,512012153601207] Maîtriser le cours 1 Soit X une variable aléatoire de loi (0 ; 1) a.Vrai. X peut prendre toute valeur réelle. b.Faux. L’espérance de X vaut 0. 1 c.Vrai. P(X 0) P(X 0) 2 1 1 - x2 d.Vrai. La fonction j : x a e 2 est une 2p densité de X. e. Faux. Sa variance vaut 1. f. Faux. Il existe un seul nombre t tel que P(X t) 0, 3 et ce nombre est négatif. g.Vrai. La courbe représentative de j est symétrique par rapport à l’axe des ordonnées. 2 Soit X une variable aléatoire de loi (0 ; 1) a.Vrai. P(-1 X 1) 2P(0 X 1) . b.Faux. P(-1 X 1) P(0 X 2). c.Vrai. P(0 X 2) F(2) - 0, 5 @ 0, 4772. d.Faux. e.Vrai. P(-1 X 1) @ 0, 6826 3 Soit X une variable aléatoire de loi (µ ; σ²) a. Vrai. X peut prendre toute valeur réelle. X-m b.Vrai. suit la loi (0 ; 1). s Ê X-m 1ˆ c.Faux. suit la loi Á0 ; ˜ . Ë s2¯ s2 X-m d.Vrai. a pour espérance 0. s e.Vrai. µ est l’espérance de X. f.Faux. s est l’écart type de X. g.Faux. Sauf si µ = 0. 4 Soit X une variable aléatoire de loi (1 500 ; 100) a. Faux. L’espérance de X vaut 1 500. X - 10 b.Faux. La variable aléatoire suit la loi 100 Ê ˆ 1 Á14, 9 ; . 100˜¯ Ë X - 1500 c. Faux. La variable aléatoire suit la loi 100 Ê 1 ˆ Á0 ; . Ë 100˜¯ X - 1500 d.Vrai. suit la loi (0 ; 1). 10 e.Faux. f.Vrai. P(1200 X 1800) @ 1 g.Faux. P(1400 X 1600) @ 1. 336 n 6 Soit X n une variable aléatoire de loi binomiale (n ; p). a.Faux. b. Vrai. c. Faux : la probabilité est supérieure à 0,95. Pour n = 20 et p = 0,4, Ê 1 1ˆ @ 0, 963. P Áp Fn p n n ˜¯ Ë d.Faux : la probabilité est supérieure à 0,95. Pour n = 40 et p = 0,3, Ê 1 1ˆ P Áp Fn p ˜ @ 0, 977. n n Ë ¯ 8 a. P(0, 85 X 1,56) ; 0,1383 et P(-2, 2 X 0, 52) ; 0, 6846 . b.P(0, 85 X 1, 56) F(1, 56) - F(0, 85) et P(-2, 2 X 0, 52) F(0, 52) - F(-2, 2) donc P(-2, 2 X 0, 52) F(0, 52) F(2, 2) - 1. 9 a. P(-1 X 1) ; 0, 6827 ; P(-2 X 2) ; 0, 9545 ; P(-3 X 3) ; 0, 9973. b.P(-1 X 1) F(1) - F(–1) 2F(1) - 1 ; P(-2 X 2) F(2) - F(-2) 2F(2) - 1 ; P(-3 X 3) F(3) - F(-3) 2F(3) - 1. 10 a. P(-1,96 X 1,96) ; 0,95 ; P(0 X 1, 96) ; 0, 475. b.P(-1, 96 X 1, 96) F(1, 96) - F(-1, 96) 2F(1, 96) - 1 ; P(0 X 1, 96) F(1, 96) - F(0) F(1, 96) - 0, 5. 11 a. P(-2,57 X 2,57) ; 0,9898 ; P(0 X 2, 57) ; 0, 4949. b.P(-2, 57 X 2, 57) F(2, 57) - F(-2, 57) 2F(2, 57) - 1 ; P(0 X 2, 57) F(2, 57) - F(0) F(2, 57) - 0, 5. 13 a. P(-ua X ua) 2F(ua) - 1. On cherche donc u tel que : 2F(ua) - 1 0, 97 soit F(ua) 0, 985. On trouve : ua ; 2,17. b.À l’aide de la calculatrice, on a : ua ; 2,1701. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. Exercices 5 Soit X n une variable aléatoire de loi binomiale (n ; p) et ua l’unique réel positif tel que : P(-ua X ua) @ 1 - a où X ⥹ (0 ; 1) et a Œ]0 ; 1[. a.Faux. b. Faux. c. Faux d. Faux. e. Vrai. ÊX È p 1- p p 1- p ˘ˆ P Á n Œ Íp - ua ; p ua ˙˜ ª 1- a n n ÍÎ ˙˚ ¯ Ë n pour n suffisamment grand. On trouve : 1, 64 va 1, 65 . b.À l’aide de la calculatrice, on a : va ; 1, 645. 15 a. On cherche v tel que : F(va) 0, 99. On trouve : 2, 32 va 2, 33 . b.À l’aide de la calculatrice, on a : va ; 2, 326 . 17 a. À l’aide de la calculatrice, on a : P(75 X 85) ; 0, 682 7 et P(70 X 90) ; 0, 954 5. b.X suit la loi normale (80 ; 25) donc X - 80 suit la loi normale centrée réduite. X* 5 On a ainsi : P(75 X 85) P(-1 X* 1) 2F(1) - 1 ; 0, 682 6 et P(70 X 90) P(-2 X* 2) 2F(2) - 1 ; 0, 954 4 c.On constate un écart de 0,000 1 (à 10-4 près) avec l’utilisation de la table de la loi normale centrée réduite car les images F(x) sont arrondies à 10-4. 18 a. À l’aide de la calculatrice, on a : P(21, 7 X 23,12) ; 0,138 3 et P(18, 96 X 24, 4) ; 0, 684 6. X - 20 2 suit la loi normale centrée réduite. On a ainsi : P(21, 7 X 23,12) P(0, 85 X* 1, 56) F(1, 56) - F(0, 85) ; 0,138 3 et P(18, 96 X 24, 4) P(-0, 52 X* 2, 2) F(2, 2) - F(-0, 52) F(2, 2) F(0, 52) - 1 b.X suit la loi normale (20 ; 4) donc X* ; 0, 684 6. 19 a. À l’aide de la calculatrice, on a : P(16 X 24) ; 0, 954 5 et P(14 X 26) ; 0, 997 3. X - 20 2 suit la loi normale centrée réduite. On a ainsi : P(16 X 24) P(-2 X* 2) b.X suit la loi normale (20 ; 4) donc X* 2F(2) - 1 ; 0, 954 4 P(14 X 26) P(-3 X* 3) 2F(3) - 1 ; 0, 997 4. 20 a. P(X 28) ; 0,999 8 . b.P(X 28) ; 0, 000 2 . c. P(X 12) ; 0, 999 8. d.P(X 12) ; 0, 000 2. e. P(12 X 28) ; 0, 999 7 . 21 a. X suit la loi normale (250 ; 100) donc X - 250 suit la loi normale centrée réduite. 10 Ê b - 250ˆ On a ainsi : P(X b) P Á X* . 10 ˜¯ Ë Ê b - 250ˆ On cherche donc b tel que : F Á 0, 95 Ë 10 ˜¯ Ê b - 250ˆ d’où F Á ª F(1, 65). On a donc : Ë 10 ˜¯ b - 250 ; 1, 65 d’où b ; 266, 5. 10 b.À l’aide de la calculatrice, on a : b ; 266, 448 . X* 22 a. X suit la loi normale (250 ; 10) donc X - 250 suit la loi normale centrée réduite. 10 Ê -v v ˆ On a : P(-va X - 250 va) P Á a X* a ˜ 10¯ Ë 10 X* Êv ˆ 2F Á a ˜ - 1 Ë10¯ Êv ˆ On cherche donc v tel que : 2F Á a ˜ - 1 0, 99 Ë10¯ Êv ˆ soit : F Á a ˜ 0, 995 . Ë10¯ Or : F(2, 58) ; 0, 995 donc va ; 25, 8. b.On a : P(X 250 va) 0, 995. À l’aide de la calculatrice, on a : 250 va ; 275, 758 3 donc : va ; 25, 758 3. 24 1.La loi suivie par la variable Xn est la loi binomiale de paramètres n = 150 et p = 0,87. 2. a. L’intervalle In de fluctuation au seuil de 92 % est : È p(1 - p) ˘ p(1 - p) ; p u0,08 In Íp - u0,08 ˙. n n ˚ Î avec u0,08 ≈ 1,75 et p = 0,87. I150 = [0,82 ; 0,92]. Les conditions n ≥ 30 ; np ≥ 5 ; n(p – 1) ≥ 5 sont satisfaites. b.La règle de décision permettant de rejeter l’hypothèse p = 0,87 est : si la fréquence observée appartient à I150 , alors l’hypothèse est acceptable sinon elle est à rejeter. c.La fréquence des femmes satisfaites est F = 0,7. F n’appartient pas à I150. On peut rejeter l’hypothèse de la firme au seuil de 8 %. d.Pour n = 50, les conditions n ≥ 30 ; np ≥ 5 ; n(1 – p) ≥ 5 sont satisfaites et I50 = [0,78 ; 0,95]. Dans ce cas, l’hypothèse est acceptable. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 337 © éditions Belin, 2012. 14 a. On cherche v tel que : F(va) 0, 95. 0, 09(1 1 - 0, 09) ˘ ˙ 200 ˚ = [0,05 ; 0,129] b.L’approximation peut être pratiquée dès que : n ≥ 30 ; n ≥ 5/p ; soit n ≥ 56 n ≥ 5/(1 – p) soit n ≥ 6. Par conséquent, l’approximation peut être pratiquée dès que : n ≥ 56. 3.L’hypothèse « dans la ville il y a des facteurs de risques pouvant expliquer une proportion d’allergies alimentaires élevée » correspond à l’hypothèse « la fréquence observée est supérieure à la proportion nationale p ». La règle de décision permettant de rejeter cette hypothèse est : si la fréquence observée appartient à I200 , alors l’hypothèse est à rejeter sinon elle est à accepter. Le risque de se tromper en rejetant cette hypothèse est de 5 %. 4.La fréquence d’allergies observée est égale à 0,1. Elle appartient à I200 , l’hypothèse est à rejeter. 0, 09 1, 96 26 1.La loi suivie par la variable Xn est une binomiale de paramètres n = 400 et p = 0,51. È p(1 - p) ˘ p(1 - p) ; p u0,02 2. a. In Íp - u0,02 ˙ n n ˚ Î avec u0,02 ≈ 2,326. I400 = [0,45 ; 0,57]. b.L’approximation peut être pratiquée dès que : n ≥ 30 ; n ≥ 5/0,51 ≈ 9,8 ; n ≥ 5/4,9 ≈ 1,02. Par conséquent dès que n ≥ 30. 3.La règle de décision permettant de rejeter l’hypothèse « l’échantillon choisi représente bien la proportion de garçon dans la ville » est : si la fréquence observée appartient à I400 , alors l’hypothèse est à accepter sinon elle est à rejeter. Le risque de se tromper en rejetant cette hypothèse est de 2 %. 4.La fréquence de garçon dans l’échantillon est égale à 0,49. Elle appartient à I400, l’hypothèse est à accepter. 28 a. Les fréquences sont respectivement F(1) = 5/35 = 1/7 et F(2) = 8/35. b.1/ 35 environ égal à 0,169 ; I(1) = [0 ; 0,312 ] ; I(2) = [0,059 ; 0,398 ] c. Les proportions de gobelets rouges sont respectivement p(1) = 30/200 = 0,15 et p(2) = 32/200 = 0,16. Ces résultats sont compatibles avec les estimations établies en b. 30 1. Pour tout réel x, on a : ϕ(–x) = ϕ(x). Par conséquent, f : x → ϕ(–x) est une fonction de densité pour x ∈ R. 338 n 2. a. À partir de la représentation graphique de Φ, on peut démontrer que : Φ(–x) = 1 − Φ(x). Cette propriété correspond à la symétrie par rapport au point de coordonnées (0 ; 0,5) de la courbe représentative de Φ. 31 Dans l’exemplaire élève l’énoncé a été modifié comme suit : erf et erfc sont définies telles e- t2 x e - t2 dt que : erf(x) = 2 dt et erf(x) = 2 0 x p p pour x ≥ 0. x e - t2 a. Pour x ≥ 0, erf(x) = 2 dt 0 p e- t2 e- t2 2 dt - 2 dt 1 - erfc( x ) 0 x p p Ú Ú Ú Ú Ú b.Pour x ≥ 0, Φ(x) = Ú x¢ 2 - 2 e- t ¢ p dt ¢ 0 Ú - x Ú - e 1 - t2 2 2p 2 e- t ¢ p dt ¢ dt x¢ Ú0 2 2 e- t ¢ p dt ¢ Ê x ˆˆ 1 1 Ê x ˆ 1Ê erf Á ˜ Á1 erf Á ˜˜ Ë 2 ¯¯ 2 2 Ë 2¯ 2 Ë Ê x ˆˆ 1Ê Par conséquent, Φ(x) = Á1 1 - erfc Á ˜˜ Ë 2 ¯¯ 2Ë Ê xˆ 1 1 - erfc Á ˜ Ë 2¯ 2 c. Pour x < 0, Φ(x) = 1 − Φ(–x) = Ê - xˆ Ê - x ˆˆ 1 1Ê 1 - erf Á ˜˜ erfc Á ˜ Á Ë 2¯ Ë ¯ Ë ¯ 2 2 2 32 1. 2. Pour calculer P(X ≤ b), on utilise la fonction du tableur LOI.NORMALE(b ; 0 ; 1 ; vrai). Pour calculer P(a ≤ X ≤ b), avec 0 ≤ a ≤ b, on peut aussi utiliser la fonction du tableur ERF(c ; d). En effet, P(a ≤ X ≤ b) = Φ(b) – Φ(a) = 1 Ê b aˆ erf ; . 2 ÁË 2 2 ˜¯ Pour calculer P(–a ≤ X ≤ a) avec a ≥ 0, on peut aussi utiliser la fonction ERF(c). Ê aˆ En effet, P(–a ≤ X ≤ a) = 2Φ(a) – 1 = erf Á ˜ . Ë 2¯ Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. 25 1.La loi suivie par la variable Xn est une binomiale de paramètres n = 200 et p = 0,09. È 0, 09(1 - 0, 09) 2. a. I200 Í0, 09 - 1, 96 ; 200 Î a. P(X ≤ 0,8) ≈ 0,788 1 b.P(X ≤ –0,8) ≈ 0,211 8 c. P(0,85 ≤ X ≤ 1,56) ≈ 0,138 3 d.P(–2,2 ≤ X ≤ 0,52) ≈ 0,684 6 e. P(–1 ≤ X ≤ 1) ≈ 0,682 7 f.P(–1,96 ≤ X ≤ 1,96) ≈ 0,950 0 g.P(–3 ≤ X ≤ 3) ≈ 0,997 3 h.P(–2,57 ≤ X ≤ 2,57) ≈ 0,989 8 –15 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 –10 –5 –4 34 a. f ( m - x ) 5 10 Série 2 b. 15 Série 3 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 –15 –10 –5 –4 10 Série 2 –2 Série 1 1 2 4 6 Série 2 1Ê - x ˆ - Á ˜ e 2Ë s ¯ 2 1 1Ê x ˆ - Á ˜ e 2 Ë s¯ 2 s 2p s 2p f ( m x) b.L’égalité démontrée en a. correspond à la symétrie de f par rapport à l’axe d’équation x = µ. 1 Ê x - mˆ c. f(x) = j Á s Ë s ˜¯ Ê -mˆ m 35 σ = 0,1 ; F(0) = F Á ˜ = 0,5478 ; ≈ –0,12 ; s Ës¯ µ = –0,012 37 P(15 ≤ X ≤ 25) = 5 15 Série 3 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 –6 0 36 Dans l’exemplaire élève l’énoncé a été modifié : l’espérance de X vaut −10. Ê -mˆ m µ = –10 ; F(0) = F Á ˜ = 0,5478 ; ≈ –0,12 ; s Ës¯ 10 D’où : s ≈ 83,33. 0,12 0 Série 1 c. –2 Série 1 0 Série 1 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 Ê 25 - mˆ Ê15 - mˆ FÁ = 0,788 8 ; - FÁ Ë s ¯˜ Ë s ¯˜ Ê 25 - mˆ 25 - m 1, 25 ; P(X ≤ 25) = F Á = 0,894 4 ; s Ë s ¯˜ Ê15 - mˆ FÁ = 0,894 4 – 0,788 8 = 0,105 6 ; Ë s ˜¯ 15 - m -1, 25. s D’où : µ = 20 ; σ = 4. 38 P(25 ≤ X ≤ 40) = 0 2 Série 2 4 6 Série 3 8 Ê 40 - mˆ Ê 25 - mˆ FÁ - FÁ 0, 099 4 Ë s ˜¯ Ë s ˜¯ Ê 25 - mˆ P(X ≥ 25) = 1 – P(X ≤ 25) = 1 – F Á = 0,894 4 ; Ë s ˜¯ Ê 25 - mˆ 25 - m -1, 25 FÁ = 0,105 6 ; s Ë s ˜¯ Ê 40 - mˆ 40 - m -0, 823 9 FÁ – 0,105 6 = 0,099 4 ; s Ë s ˜¯ D’où : µ = 69 ; σ ≈ 35,2. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 339 © éditions Belin, 2012. 33 a. d. 40 Le nombre d’œufs pondus est une variable aléatoire discrète dont la loi est approchée par la loi normale de paramètres µ = 250 ; σ = 5. Ê 220 - 250ˆ 1. a. P(X ≤ 220) = F Á ˜¯ = Φ(–6) ≈ 1 5 Ë b.P(240 ≤ X ≤ 260) = Ê 260 - 250ˆ Ê 240 - 250ˆ FÁ ˜¯ - F ÁË ˜¯ 5 5 Ë = Φ(2) – 1 + Φ(2) = 2Φ(2) –1 = 0,95 à 10–2 près. c. P(X ≥ 280) = 1 – P(X ≤ 280) Ê 280 - 250ˆ = 1 – F Á ˜¯ = 1 – Φ(6) ≈ 0 5 Ë Êp - 250ˆ 2. a. P(X ≤ pmax) = 0,3 ; F Á max ˜¯ 0, 3 ; 5 Ë pmax - 250 ª -0, 5244 d’où : 5 pmax = E(247,37) = 247 Ê p - 250ˆ b.P(X ≥ pmin) = 0,2 ; 1 - F Á min ˜¯ 0, 2 ; 5 Ë pmin - 250 ª 0, 8416 d’où : pmin = E(254,2) = 254 5 41 a. µ = 400, σ = 5. Le pourcentage de pièces défectueuses dans la production est donnée par : 1 – P(392,5 ≤ X ≤ 407,5) = Ê 407, 5 - 400ˆ Ê 392, 5 - 400ˆ 1- F Á ˜¯ F ÁË ˜¯ 5 5 Ë 1 – Φ(1,5) + Φ(–1,5) = 2(1– Φ(1,5)) ≈ 0,1336. On peut donc considérer qu’environ 13 % des pièces sont défectueuses. b.1 – P(392,5 ≤ X ≤ 407,5) ≤ 0,1 ; Ê Ê 7, 5ˆˆ Ê 7, 5ˆ 2 Á1 - F Á ˜˜ 0,1 ; F Á ˜ 1 - 0, 05 ; Ë s ¯¯ Ë s ¯ Ë 7, 5 1, 644 8 . D’où : σ ≤ 4,56. s 340 n 42 Le nombre de composants électriques produits est une variable aléatoire discrète dont la loi est approchée par la loi normale de paramètres µ et σ. a. On sait que : P(X < 15 000) = 0,1 ; P(X > 25 000) = 0,2. Par conséquent : P(X ≤ 15 000) = Ê15 000 - mˆ FÁ ˜¯ 0,1 et s Ë Ê 25 000 - mˆ 1 – P(X ≤ 25 000) = 1 - F Á ˜¯ 0, 2. s Ë On obtient les deux équations : 15 000 - m 25 000 - m -1, 28155 et 0, 84162 s s –2 dont la solution à 10 près est : σ = 4 709,94 et µ = 21 036,02. On peut considérer σ = 4 710 et µ = 21 036. b.On pose : Y = 10X – 175 000. La probabilité cherchée est : P(Y ≥ 0) = P(10X – 175 000 ≥ 0) = P(X ≥ 17 500) = 1 – P(X ≤ 17 500) = Ê17 500 - mˆ 1- F Á ˜¯ = 1 – Φ(–0,75) = Φ(0,75) ≈ 0,77. s Ë c. P(Y > 25 000) = P(10X – 175 000 > 25 000) = P(10X – 175 000 > 25 000) = P(X > 20 000) = 1 – P(X ≤ 20 000) = Ê 20 000 - mˆ 1- F Á ˜¯ 1 – Φ(–0,219 9) = Φ(0,219 9) ≈ s Ë 0,587. 43 µb = 1 000, sb = 12,5 ≈ 3,536. a. 1 – P(995 ≤ X ≤ 1 005) = Ê1005 - 1000ˆ Ê 995 - 1000ˆ 1- F Á FÁ 3, 536 ˜¯ Ë Ë 3, 536 ˜¯ = 2(1– Φ(1,414)) ≈ 0,157. b.1 – P(1 000 – h ≤ X ≤ 1 000 + h) = 0,01 ; Ê Ê h ˆˆ Ê h ˆ 2 Á1 - F Á = 0,01 ; F Á 1 - 0, 005 Ë 3, 536˜¯˜¯ Ë 3, 536˜¯ Ë h 2, 575 8. D’où : h = 9,1 à 10–1 près. 3, 536 44 a. On sait que : P(15 ≤ X ≤ 25) = 0,75 et P(X ≤ 15) = 0,05. Ê 25 - mˆ Ê15 - mˆ P(15 ≤ X ≤ 25) = F Á = 0,75 ; - FÁ ˜ s Ë ¯ Ë s ˜¯ Ê15 - mˆ P(X ≤ 15) = F Á = 0,05. Cela donne : Ë s ˜¯ 15 - m -1, 644 8. s Ê 25 - mˆ Par ailleurs : F Á = 0,75 + 0,05, ce qui Ë s ˜¯ 25 - m 0, 84. donne : s Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. 39 µ = 60 ; σ = 4. 1.P(X > 55) = 1 – P(X ≤ 55) = Ê 55 - mˆ Ê -5ˆ 1 - F Á ˜ = Φ(1,25) = 0,894 4 1 – F Á Ë s ˜¯ Ë 4¯ à 10–4 près. 2.P(54 ≤ X ≤ 63) = Ê 63 - 60ˆ Ê 54 - 60ˆ FÁ = Φ(0,75) – Φ(–1,5) - FÁ Ë 4 ˜¯ Ë 4 ˜¯ = Φ(0,75) –1 + Φ(1,5) = 0,706 6 à 10–4 près. Ê m - 60ˆ 3.P(X ≤ mmin) = 0,05 ; F Á min ˜¯ 0, 05 ; 4 Ë Ê mmin - 60ˆ ÁË ˜¯ ª -1, 644 8 d’où : mmin ≈ 53,42 4 La solution du système de deux équations donne : σ ≈ 4 et µ ≈ 17,6. Ê 30 - 17, 6ˆ Ê 25 - 17, 6ˆ b.P(25 ≤ X ≤ 30) = F Á - FÁ ˜ ˜¯ 4 4 Ë ¯ Ë = Φ(3,1) – Φ(1,85) ≈ 0,031 45 On sait que : σ = 0,65. Ê 50 - mˆ a. P(X ≤ 50) < 0,001; F Á < 0,001 ; Ë 0, 65 ˜¯ 50 - m -2, 326 3 ; µ ≥ 52,015 0, 65 b.P(X > 53) = 1 – P(X ≤ 53) Ê 53 - 52, 015ˆ = 1 - F Á ˜¯ = 0,065 0, 65 Ë c. P(X > 53) = 1 – P(X ≤ 53) Ê 53 - mˆ = 1 - F Á < 0,01 ; Ë 0, 65 ˜¯ Ê 53 - mˆ FÁ 0, 99 Ë 0, 65 ˜¯ 53 - m 2, 326 3 ; µ ≈ 51,49 Cela implique : 0, 65 Ê 50 - 51, 49ˆ d.P(X ≤ 50) = F Á = Φ(–2,292 3) ≈ 0,011. Ë 0, 65 ˜¯ 46 On peut considérer que la proportion d’enfants obèses de 5 à 6 ans est p = 0,031. La fréquence observée sur l’échantillon de 1 335 mères est f = 54/1 335 environ égale à 0,04. L’intervalle de fluctuation asymptotique au seuil de 95 % est : È 0, 031(1 - 0, 031) I1335 Í0, 031 - 1, 96 ; 1335 Î 0, 031 1, 96 0, 031(1 - 0, 031) ˘ ˙ 1335 ˚ il existe un unique réel aβ ∈] 0 ; +∞[, tel que : F(aβ) = β. Lorsque β = 0,9, F(aβ) = 0,9 ; F(aβ) = 2Φ(aβ) – 1 = 0,9 ; Φ(aβ) = 0,95 ; a0,9 = 1,645. Il existe une valeur a minimale telle que [–a ; a] soit un intervalle de fluctuation au seuil de 90 % de X. 48 1. p = 0,13 ; f = 0,19. È 0,13 ¥ 0, 87 I100 Í0,13 - 1, 96 ; 100 Î 0,13 ¥ 0, 87 ˘ 0,13 1, 96 ˙ 100 ˚ [0, 0641 ; 0,1959] Normalement, il n’y aura pas d’enquête. 0,13 ¥ 0, 87 2. a. Il faut que 0,13 1, 96 0,19 n 0,13 ¥ 0, 87 soit : n . 2 0, 06 1, 96 donc il faut une taille minimale de 121 veaux. b. 2 200 2 000 1 800 1 600 1 400 1 200 1 000 800 600 400 200 0 0,14 0,15 0,16 0,17 0,18 0,19 0,2 49 Algorithmique [0, 0217 ; 0, 040 3] La fréquence observée n’appartient pas à l’intervalle même si elle est très proche de la borne supérieure. On peut se poser la question du risque de surpoids dû à la cigarette pendant la grossesse. 47 a. Avec une calculatrice ou un tableur on calcule : P(X ≤ 1,31) ≈ 0,904 9 > 0,9 ; P(–2,67 ≤ X ≤ 1,32) ≈ 0,902 7 > 0,9 b.On considère la fonction F définie sur ]0 ; +∞[ par : F(a) = P(–a ≤ X ≤ a) = On a : F(0) = 0 et a Ú- a j(t) dt . lim F(a) 1. La fonction ϕ aÆ b Úa 2 j(t) dt > 0. D’après le théorème généralisé des valeurs intermédiaires pour une fonction strictement monotone, pour tout réel β ∈] 0 ; 1[, Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 341 © éditions Belin, 2012. étant strictement positive sur R, F est strictement croissante sur R, car pour 0 ≤ a < b, F(a) – F(b) = 50 1. a. b. Une estimation ponctuelle du nombre de femmes satisfaites par ce produit est environ égale à 68 %. Une estimation, par intervalle de confiance à 95 %, de cette même proportion est : [0,53 ; 0,84] 2. a. La taille minimale de l’échantillon, n0, pour que la longueur de l’intervalle de confiance soit Ê 4ˆ 2 égale à l est telle que : l , soit : n0 E Á ˜ . Ë l2¯ n0 de précision étant remplies, l’intervalle de fluctuation asymptotique de fluctuation au seuil de 0,975 est : È p(1 - p) ˘ p(1 - p) ; p u0,025 In Íp - u0,025 ˙, n n ˚ Î avec u0,025 = 2,241 4. È 1200˘ b.Si In à Í0 ; ˙, alors n ˚ Î Ê È 1200˘ˆ P(Fn ŒIn) P ÁFn Œ Í0 ; ˙ n ˚˜¯ Ë Î D’où : P(Fn ∉ In) ≥ P(Fn > 1 200). Par définition d’intervalle de fluctuation, on sait que : P(Fn ∉ In) ≈ 0,025, donc : P(Fn > 1 200) ≤ 0,025. È 1200˘ 3. a. Si In à Í0 ; ˙ , alors : n ˚ Î p(1 - p) 1200 , donc : n n np 2, 24 n p(1 - p) - 1200 0 p 2, 24 b.f(x) xp 2, 24 x p(1 - p) - 1200 0, avec b. -2, 24 p(1 - p) 2, 242p(1 - p) 4 800p 2p L’entier cherché est : n0 = E(x0) où x0 = y02. c. 700 f(x) ; p = 0,75 Exercices guidés BAC exercice a été modifié : 2. a. È p(1 - p) ˘ p(1 - p) ; p u0,025 In Íp - u0,025 ˙ n n ˚ Î È 1200˘ 2. b. On considère B = « Fn ∈ Í0 ; ˙ ». n ˚ Î 1.La loi suivie par la variable Xn est une binomiale de paramètres n et p. E(Xn) = np et V(Xn) = np(1 – p). 2. a. On a : p ∈ [0,75 ; 0,95] et n > 1 200, par conséquent np > 5 et np(1 – p) > 5. Les exigences usuelles n 2 000 f(x) ; p = 0,85 f(x) ; p = 0,95 d.Les valeurs de n0 sont les suivantes : p n0 0,75 1 549 0,85 1 376 0,95 1 245 57 La fréquence d’as est : f = 0. La probabilité de 8 1 . 104 13 Les conditions de précision usuelles ne sont pas satisfaites. On utilise donc l’intervalle de tirer un as est p Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. 56 Dans l’exemplaire élève le guide pour cet 1 900 Préparer le BAC 1 800 0,12 1 700 0,1 1 600 0,02 0,04 0,06 0,08 1 500 0 600 500 400 300 200 100 0 –100 –200 –300 1 400 y0 n0 = 4/I2 342 x (ce qui implique : y 1200), on a : y 2p 2, 24y p(1- p) - 1200 0 dont la seule solution telle que y 1200 est : 1 300 60 000 40 000 20 000 0 x ≥ 1 200. En posant y n0 en fonction de la précision 160 000 140 000 120 000 100 000 80 000 QCM – Vrai ou faux BAC 58 1. b. En effet : P(–1,97 ≤ U ≤ 1,97) = 2Φ(1,97) – 1 = 0,951 2.d. En effet : P(0 ≤ U ≤ 1,96) = Φ(1,96) – Φ(0) = 0,475 3.c. En effet : P(U ≥ –1) = 1 – P(U ≤ –1) = Φ(1) = 0,8413 59 1. d. En effet : 1 – P(–2 ≤ X ≤ 2) = 2(1– Φ(2)) = 0,045 5 P(-2 X -1) 2. P(-2 X 2)(-2 X -1) P(-2 X 2) F(-1) - F(-2) F(2) - F(-2) F(2) - F(1) ª 0,142 4 2F(2) - 1 1 60 1.a. La probabilité d’obtenir un 6 est p = . 6 È1 1/ 6 ¥ 5 / 6 1 1 / 6 ¥ 5 / 6˘ I100 Í - 1, 96 ; 1, 96 ˙ 6 100 6 100 Î ˚ I100 = [0,09 ; 0,24]. b.La fréquence observée est f = 0,21. Elle appartient à l’intervalle, par conséquent on ne peut pas prétendre que le dé est truqué. 2. Pour n = 400, l’intervalle est : È1 16¥5 6 1 1 6 ¥ 5 6˘ I400 Í - 1, 96 ; 1, 96 ˙ 400 6 400 ˚ Î6 I400 = [0,13 ; 0,203]. La fréquence observée, f = 0,21, n’appartient pas à l’intervalle. On peut donc prétendre que le dé est truqué. Exercice BAC 61 1.a. Soit Y la variable aléatoire correspondant au diamètre d’une cerise suivant la loi normale de paramètre µ = 22, σ = 1,6. P(21 ≤ Y ≤ 23) = Φ(0,625) – Φ(–0,625) = 2Φ(0,625) – 1 ≈ 0,4680. b.P(Y ≥ 23) = 1 – P(Y ≤ 23) = 1 – Φ(0,625) ≈ 0,266. c. P(Y ≤ 21) = Φ(–0,625) ≈ 0,266 2. a. P(Y ≥ ymin) = 0,1 implique P(Y ≤ ymin) = 0,9. Êy - 22ˆ F Á min 0, 9 correspond à Ë 1, 6 ˜¯ ymin – 22 ≈ 1,6 × 1,28, soit : ymin ≈ 24,05. b.] –∞ ; 21] ; ]23 ; 24,05 [. c. ymax = 24,05. 3. a. Le nombre de cerises est une variable aléatoire discrète dont la loi est approchée par une loi normale de paramètres µ et σ. On sait que : P(X ≤ 11 000) = 0,1 et P(X ≥ 21 000) = 1 – P(X ≤ 21 000) = 0,2. Les deux conditions qui en découlent sont : Ê11000 - mˆ Ê 21000 - mˆ FÁ ˜¯ 0,1 et F ÁË ˜¯ 0, 8. s s Ë D’où : 11 000 – µ = –1,28σ et 21 000 – µ = 0,84s Par conséquent : µ = 17 036 ; σ = 4 709,93 à 10–2 près. b.P(12X – 190 000 ≥ 0) = P(12X ≥ 190 000) Ê 47 500 / 3 - mˆ 47 500 = P(X ≥ ) = 1 - F Á ≈ 0,60. s 3 Ë ¯˜ c. P(12X – 190 000 ≥ 30 000) = P(X ≥ Ê 55 000 / 3 - mˆ = 1 - F Á ˜¯ ≈ 0,39. s Ë 55 000 ) 3 Pour aller plus loin 62 a.La loi suivie par la variable Xn est une binomiale de paramètres n et p. E(Xn) = np et V(Xn) = np(1 – p) avec p = 0,9 et n > 1 200. b.Suivant le théorème de Moivre-Laplace, si Xn suit une binomiale de paramètres n et p alors la X n - np variable aléatoire Zn suit la loi nornp(1 - p) male centrée réduite lorsque n tend vers l’infini. La condition P(Xn ≤ 1 200) ≥ 0,975, correspond Ê 1200 - np ˆ donc à la condition : P Á Zn ˜ 0, 975 Ë np(1 - p) ¯ 1200 - np d’où : 1, 96 soit : np(1 - p) 0, 9n 0, 588 n - 1200 0. c. On pose : X n . La plus grande racine du -0, 588 D polynôme 0, 9X 2 0, 588X - 1200 est 2 ¥ 0, 9 avec D 0, 5882 - 4 ¥ 0, 9 ¥ (-1200) @ 4 320, 35 -0, 588 D On doit avoir : n soit : 2 ¥ 0, 9 2 Ê -0, 588 D ˆ nÁ ˜ . Ë 2 ¥ 0, 9 ¯ On en déduit que : nmax = E(1 309,68) = 1 309 Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 343 © éditions Belin, 2012. È a b˘ fluctuation Í ; ˙ défini à partir de la loi binoÎ n n˚ miale de paramètres n = 30 et p, où a est le plus petit entier tel que P(X ≤ a) > 0,025 et b est le plus petit entier tel que P(X ≤ b) < 0,975. À l’aide d’une calculatrice, on peut calculer : a = 0 ; 1 b = 5. L’intervalle de fluctuation est : [0 ; ]. 6 La fréquence appartient à l’intervalle. On ne peut pas remettre en cause la proportion d’as dans les 104 cartes. 63 Le tableau des 9 000 valeurs occupera le champ de cellules : $A$1:$I$1000 (1 000 lignes ; 9 colonnes). Chacune des 9 000 cellules contient la formule = LOI.NORMALE.INVERSE(ALEA();80;5) Il convient de recopier les 9 000 valeurs obtenues dans le champ $A$1:$I$1000 d’une nouvelle feuille afin que ces valeurs ne soient pas sans cesse modifiées. 1. a. Pour obtenir la moyenne des 9 000 individus, on saisit dans la cellule I1001 « = MOYENNE($A$1:$I$1000) » Pour obtenir l’écart type de la population des 9 000 individus, on saisit dans la cellule I1002 « = ECARTYPEP($A$1:$I$1000) » b.On calcule dans les 1 000 premières lignes de la colonne J les moyennes des 9 nombres de cette ligne. Par exemple : « = MOYENNE(A977:I977) » pour la ligne 977. Pour obtenir la moyenne de la population de ces 1 000 moyennes, on saisit dans la cellule J1001 « = MOYENNE($J$1:$J$1000) » Pour obtenir l’écart type de la population de ces 1 000 moyennes, on saisit dans la cellule J1002 « = ECARTYPEP($J$1:$J$1000) » Les résultats observés sur l’une de ces simulations (extrait du tableau) sont les suivants : 2.On constate que la population mère et la population des moyennes d’échantillons ont la même moyenne, de l’ordre de 80. On constate que la population des moyennes est moins dispersée que la population mère puisque leurs écarts type valent respectivement 5,06 et 1,66. 344 n Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. 64 a. Les résultats obtenus pour les différentes simulations sont : Un des tableaux obtenus est donc 5 10 15 20 25 100 2,2988872 1,5734811 1,2810477 1,0967194 1,0279922 0,4967109 b. On remarque que lorsque la taille d’échantillon est multipliée par 4, l’écart type de la population des moyennes d’échantillon est divisée par 2. On vérifie alors que s obs - moy est très proche de s avec dans ce cas s 5. n 65 Dans l’exemplaire élève l’énoncé a été modifié comme suit : Modèle : on suppose les variables X1, X2, …Xn indépendantes, de même que les variables Xn+1, Xn+2, … X2n. 5. Considérer le cas n = 1022, x = 10. a. Évaluer R(10) en utilisant la table de f en page V des annexes. b. Que peut-on en déduire au sujet des proportions d’oxygène et d’azote dans la partie gauche du récipient ? 1. a. On considère Sn n  Xi , somme de n variables i 1 de Bernoulli indépendantes avec une probabilité d’être dans la partie gauche égale à 0,5. Sn est donc distribuée suivant la loi binomiale B(n ; 0, 5). n n On a donc : E(Sn) et V(Sn) . 2 4 b.Tn 2n  i n1 Xi est également somme de n variables de Bernoulli indépendantes avec une probabilité d’être dans la partie gauche égale à 0,5. Tn est donc distribuée suivant la loi binomiale n n B(n ; 0, 5). On a donc : E(Tn) et V(Tn) . 2 4 2.D’après le théorème de Moivre-Laplace, la n Sn 2 variable converge en loi vers la loi normale n 4 centrée réduite. Ainsi, pour tout x 0, on a : ˆ Ê n Sn ˜ Á 2 x˜ P ( - x Z x ) où Z lim P Á- x nÆ Á n ˜ ˜¯ ÁË 2 suit la loi (0 ; 1). On peut donc considérer que, pour n suffisamment grand, on a : Ên n n nˆ PÁ - x Sn x ª 2F(x) - 1. 2 2 2 ˜¯ Ë2 b.Le raisonnement est totalement similaire. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 345 © éditions Belin, 2012. n s obs - moy 346 n En outre, 10 est grand par rapport à 3,9 et F(3, 9) ; 1, 000 0 donc 1 - 4R(10) est « très voisin » de 1. Avec la calculatrice, on peut vérifier que : R(7) 10-10 donc R(10) 10-10. È n - x n n x n ˘ È1 - 10-10 1 10-10 ˘ b. Í ; ; ˙. ˙Í Î n x n n - x n ˚ ÍÎ1 10-10 1 - 10-10 ˙˚ Or : (1 h)(1 - 2h) 1 - h - 2h2 1 - h donc : 1- h 1 - 2h et 1 h (1 - h)(1 3h) 1 2h - 3h2 1 h pour 1 h ˘ 1È h Œ ˙ 0 ; Í donc : 1 3h. 1- h 3 ˚ Î En posant h 10-10 , on obtient : È1- 10-10 1 10-10 ˘ ; Í ˙ à ÈÎ1- 2 ¥ 10-10 ; 1 3 ¥ 10-10˘˚. -10 1- 10-10 ˙ ÎÍ1 10 ˚ En utilisant ce qui précède, on peut conclure Ê ˆ T que : P Á1 - 2 ¥ 10-10 n 1 3 ¥ 10-10˜ est très S Ë ¯ n proche de 1. On peut préciser que : Ê ˆ T P Á1 - 2 ¥ 10-10 n 1 3 ¥ 10-10˜ 1 - 10-11. Sn Ë ¯ On peut donc conclure que, pour n 1022 et Ên - x n T n x nˆ x 10, l’évènement Á n ˜ S Ë n x n n - x n¯ n est presque certain. Par conséquent, lorsqu’on considère 1022 molécules d’azote et 1022 molécules d’oxygène, les proportions d’azote et d’oxygène dans la partie gauche du récipient sont sensiblement égales. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. 3. On suppose que : n - x n 0. On a : Ên n n nˆ Sn x Á -x ˜ 2 2 2¯ Ë2 Ê 2 1 2 ˆ Á ˜. Sn Ën x n n - x n¯ n n n n Il s’avère que : si Tn x et -x 2 2 2 2 2 1 2 alors, par produit, on Sn n x n n- x n T n- x n n x n n a : . Sn n x n n- x n On a donc bien : A « B à C . 4. On considère que P(A) P(B) 2F(x) - 1. On a : P( A » B) P(A) P(B) - P( A « B) donc P( A » B) P(A) P(B) . Or : P(A) P(B) 1 - [2F(x) - 1] 2[1 - F(x)] donc P( A » B) 4[1 - F(x)]. En posant R(x) 1 - F(x), on obtient : P( A » B) 4R(x). De plus, A « B à C donc P(A « B) P(C). Enfin, comme A » B est l’évènement contraire de A « B , on a : P(A « B) 1 - P( A » B). On peut donc en déduire que : P(C) 1- P( A » B) avec P( A » B) 4R(x) donc P(C) 1 - 4R(x). 5. a. n 1022 est suffisamment grand pour considérer que : Ên - x n T n x nˆ PÁ n ˜ 1 - 4 R( x ). Sn Ën x n n - x n¯ Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 347 © éditions Belin, 2012. 66 Dans l’exemplaire élève, la machine génère n variables aléatoires suivant la loi (m ; 5292) Dans cet exercice, on utilise le résultat suivant déjà présenté dans l’exercice 64 : Si X1, X2, L , X n est une suite d’aléas indépendants distribués selon la loi normale d’espérance m et d’écart type s alors la variable aléatoire X1 X2 L X n est distribuée selon la loi n s normale d’espérance m et d’écart type n X 348 n La règle de décision du joueur raisonnable est la suivante : 1789 1515 • si X 1652, le joueur propose 2 1 789 ; 1789 1515 • si X 1652, le joueur propose 2 1 515. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. Exemple d’utilisation La variable aléatoire est distribuée selon la loi Ê sˆ normale Ám ; ˜ Ë n¯ • Pour m 1 515, la probabilité de perdre est : ˆ Ê Á X - 1 515 1 652 - 1 515˜ ˜ P ( X 1 652) P Á s s ˜ Á ˜¯ ÁË n n Ê 137 n ˆ P Á Z ˜ Z ⥹ (0 ; 1) s ¯ Ë • Pour m 1 789, la probabilité de perdre est : ˆ Ê Á X - 1 789 1 652 - 1 789˜ ˜ P ( X 1 652) P Á s s ˜ Á ˜¯ ÁË n n Ê ˆ 137 n P Á Z ˜ Z ⥹ (0 ; 1) s ¯ Ë Premier résultat : Ê137 n ˆ La probabilité de perdre vaut : a n 1 - F Á ˜ Ë s ¯ où F est la fonction de répartition de la loi normale centrée réduite. Second résultat L’espérance de gain G vaut alors : Ê nˆ E(G) a n Á-20 - ˜ (1 - a n) ¥ 10 2¯ Ë a. b. c. d. Ci-dessous, quelques probabilités de perdre et quelques espérances de gain pour différentes valeurs de l’écart type de X. Accompagnement personnalisé AP 1 1. La copie correcte est la copie n° 2. 2.La copie correcte est la copie n° 1. AP3 a. Soit p1 la probabilité de survenue d’une otite sous antibiotiques et p2 la probabilité de survenue d’une otite sous placebo. Intervalle de confiance de p1 : È 21 1 21 1 ˘ ; Í ˙ = [0,089 ; 0,276] 115 115 115 ˚ Î115 Intervalle de confiance de p2 : È 21 1 21 1 ˘ ; Í ˙ = [0,124 ; 0,311] 115 115 115 ˚ Î115 Ces niveaux de confiance sont au moins de 95 %. Remarque : En calculant les intervalles de confiance directement avec la loi binomiale, on obtient [0,117 ; 0,265] pour p1, et [0,146 ; 0,303] pour p2. b.Une règle pour prendre une décision lors de la comparaison de deux proportions est la suivante : • si les deux intervalles de confiance ne se recoupent pas, on peut conclure à une différence entre les deux situations ; • si les intervalles se recoupent, il existe d’autres méthodes plus puissantes qui permettent de remettre en cause l’hypothèse p1 = p2 selon le degré de recouvrement des intervalles (méthodes hors programme pouvant faire l’objet d’une recherche). Dans le cadre de l’exercice, les deux intervalles se recoupent (largement), on ne peut donc pas conclure que les deux traitements sont différents. Remarque : les deux intervalles se recoupent (largement), les méthodes statistiques classiques, mais hors programme, dévolues à ce type d’étude n’auraient pas non plus permis de conclure au seuil de 5 % à une différence entre les deux situations. Remarque : Pour rendre le jeu intéressant pour le joueur et lucratif pour l’organisateur, il faudrait sans doute en modifier légèrement les règles en pénalisant un peu plus la demande de renseignement lorsque n augmente de façon à maintenir l’espérance de gain dans chaque cas très faiblement négative. Dans l’exemplaire élève l’énoncé a été modifié comme suit : a. Déterminer un intervalle de confiance au seuil de 95 % de la proportion de la survenue des infections postopératoires. b. Peut-on conclure au seuil de 95 % que le traitement par céfuroxime générique n’est pas équivalent au traitement par céfuroxime originale ? Chapitre 14 n Loi normale, intervalle de fluctuation, estimation n 349 © éditions Belin, 2012. AP 4 a. Sous oCFX Sous gCFX È 8 1 8 1 ˘ Infections ; ˙ = [0 ; 0,082] postopératoires ÍÎ313 313 313 313 ˚ b.Une règle pour prendre une décision lors de la comparaison de deux proportions est la suivante : • si les deux intervalles de confiance ne se recoupent pas, on peut conclure à une différence entre les deux situations ; • si les intervalles se recoupent, Il existe d’autres méthodes plus puissantes qui permettent de remettre en cause l’hypothèse p1 = p2 selon le degré de recouvrement des intervalles. Ces méthodes hors programme peuvent faire l’objet d’une recherche. 350 n È 39 1 39 1 ˘ ; Í ˙ = [0,071 ; 0,185] 305 305 305 305 Î ˚ Les intervalles se recoupent même si sur des longueurs réduites. On peut affiner l’analyse en calculant les intervalles de confiance à partir de la loi binomiale : Pathologies Sous oCFX Sous gCFX Infections postopératoires [0,012 ; 0,049] [0,093 ; 0,170] Dans ce cas, les deux intervalles ne se recoupent pas, on peut donc conclure au risque de 5 % que les deux traitements ne sont pas équivalents. Chapitre 14 n Loi normale, intervalle de fluctuation, estimation © éditions Belin, 2012. Pathologies