IGEN 2024

Séminaire de Formation des professeurs scientifiques

Module
Probabilité & Statistique

 Lois de Probabilité Continue

 Echantillonnage et Estimation

Réalisé par les inspecteurs

Mohamed Elhacen Bellal Bah Sidaty
Ely Cheikh Kherchev Mohamed Salem Jeyid
Diop Daouda Mohamed Hawe
Md Moustapha Md Abdellahi Mohamed Val Zeiad
Mohamed Salem Bou Mohamed Bechir Sidaty
Yahfdhou Sid’Ahmed Mohamed Yahya Md Abdellahi
Dah Boubacar Mohamed Abderrahmane Ledib
Mohamed Abdellahi Na Niouma Bathily
Sommaire
Sommaire ......................................................................................................................................................................... 2
A. Lois de probabilité continue ...................................................................................................................................... 3
1. Introduction ............................................................................................................................................................. 3
a) Savoir ................................................................................................................................................................... 3
b) Savoir-faire .......................................................................................................................................................... 3
2. Loi de probabilité à densité .................................................................................................................................... 3
a) Variable aléatoire continue ................................................................................................................................ 3
b) Densité et loi de probabilité ............................................................................................................................... 3
c) Espérance ............................................................................................................................................................. 4
d) Variance .............................................................................................................................................................. 4
3. Loi uniforme ............................................................................................................................................................ 4
a) Exemple introductif ............................................................................................................................................ 4
b) Définition et propriété ........................................................................................................................................ 5
4. Loi exponentielle ..................................................................................................................................................... 5
a) Définition et propriétés....................................................................................................................................... 5
b) Espérance mathématique et variance : ............................................................................................................. 6
c) Durée de vie sans vieillissement ......................................................................................................................... 6
5. Exercices corrigés.................................................................................................................................................... 7
6. Exercices non corrigés ............................................................................................................................................ 8
B. Echantillonnage et estimation ................................................................................................................................... 9
Programme .................................................................................................................................................................. 9
A) Savoir : ................................................................................................................................................................ 9
B) Savoir-faire : ....................................................................................................................................................... 9
Introduction ................................................................................................................................................................. 9
Echantillon ................................................................................................................................................................... 9
1. Intervalle de fluctuation et échantillonnage ....................................................................................................... 10
2. Intervalle de confiance et estimation ................................................................................................................... 11
3. Intervalle de fluctuation asymptotique ............................................................................................................... 12
Exercices corrigés : ................................................................................................................................................... 14

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 2 / 14
A. Lois de probabilité continue
1. Introduction
Les variables aléatoires discrètes, sont des variables dont l'ensemble des états est fini ou infini dénombrable. Il
existe cependant des variables dont l'ensemble des états possibles est infini non dénombrable. On peut citer
par exemple l'heure d'arrivée d'un train à une gare donnée ou encore la durée de vie d'une ampoule
électrique. Ce module propose une introduction à l’étude de ces variables.
a) Savoir
• Densité
• Loi uniforme
• Loi exponentielle
b) Savoir-faire
• Se familiariser avec les notations utilisant l’intégrale en probabilité continue
• Connaître une variable à densité
• Savoir utiliser une variable à densité
• Connaître la fonction de densité d’une loi uniforme sur un intervalle
• Calculer une probabilité dont la densité est une loi uniforme
• Calculer l’espérance d’une variable aléatoire suivant une loi uniforme
• Calculer la variance d’une variable aléatoire suivant une loi uniforme
• Connaître la fonction de densité d’une loi exponentielle
• Calculer une probabilité dans le cas d’une loi exponentielle
• Calculer l’espérance d’une variable aléatoire suivant une loi exponentielle
• Interpréter la loi exponentielle comme loi modélisant la durée d’un phénomène sans mémoire
• Calculer la variance d’une variable aléatoire suivant une loi exponentielle

2. Loi de probabilité à densité

a) Variable aléatoire continue

Exemple introductif
Une entreprise fabrique des ampoules. On définit une variable aléatoire qui, à chaque ampoule, associe sa
durée de vie en heures. Cette durée n'est pas nécessairement un nombre entier et peut prendre toutes les
valeurs de l'intervalle [ 0;+∞
+∞[ Une telle variable aléatoire est dite continue. Cela revient à dire qu'une telle
variable peut prendre toutes les valeurs d'un intervalle réel.

b) Densité et loi de probabilité

Définition : Soit I un intervalle de ℝ . On appelle densité de probabilité sur I toute fonction f continue et
positive sur I telle que : 
.f (x).dx = 1
I

Remarque : La notation 
I
désigne l’intégrale sur l’intervalle I .

b
−  I

Si I = [ a;b] alors : f (x)dx = f (x)dx
a
x
− Si I est non bornée d’un coté alors (par exemple I = [ a; +∞[ ) : 
I
f (x)dx = lim
x →+∞  f (x)dx
a
0 x
− 
Si I = ℝ alors : f (x)dx = lim
I
x →−∞  f (x)dx + lim  f (x)dx
x
x →+∞
0
Exemple :
Soit f (x) = 2x définie sur [ 0;1] . La fonction f est continue sur ℝ en particulier sur [ 0;1] ; f est positive sur
1 1

[ 0;1] 
0

f (x)dx = 2xdx = 1 . La fonction f est une densité de probabilité sur I .
0

Définition : Soit I un intervalle et f une densité de probabilité sur I . L’application P qui, à tout sous-
b


intervalle [ a;b ] de I associe la quantité P ( [ a;b ] ) = f (x)dx appelé loi de probabilité sur I .
a

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 3 / 14
Définition : Soit P une loi de probabilité sur un intervalle I de f .
On dit qu’une variable aléatoire continue X , à valeurs dans I , suit la loi de probabilité P lorsque pour tout
b b


intervalle [ a;b ] de I on a : P ( a ≤ X ≤ b ) = f (x)dx on note aussi : P ( X ∈ [ a;b ] ) = f (x)dx
a

a

Remarque :
• La probabilité que X prenne une valeur comprise entre a et b c’est-à-dire P ( a ≤ X ≤ b ) correspond à
l'aire sous la courbe de f sur [ a;b ]
• P(X ≥ a) + P(X ≤ a) = 1 ⇔ P(X ≥ a) = 1 − P(X ≤ a)
a
• P(a ≤ X ≤ b) = P(X ≤ b) − P(X ≤ a) P(X ≤ a) = P(X < a) car P(X = a) = f (x)dx = 0 
a
c) Espérance
Définition : Soit X une variable aléatoire continue de fonction de densité f sur un intervalle I
L'espérance mathématique de X est le réel : E(X) = x.f (x).dx . 
I

d) Variance
Définition : Soit X une variable aléatoire continue, de fonction de densité f sur un intervalle [ a;b] .
b


2
La variance mathématique de X est le réel : V(X) = E(X 2 ) − [ E(X)] avec E(X 2 ) = x 2f (x)dt La variance est
a
l’écart entre la moyenne des carrés et le carré de la moyenne.

Méthode : Utiliser une loi de densité

Dans un pays, la durée de vie d’un individu est une variable aléatoire continue X , dont la densité de
probabilité f est donnée par : f (t ) = αt 2 (100 − t)2 avec t ∈ [ 0;100]
1. Déterminer α pour que f soit effectivement une densité de probabilité.
2. Calculer l’espérance mathématique de la durée de vie d’un individu, puis sa variance
3. Déterminer la probabilité pour qu’un individu meure entre 30 et 60 ans.
Solution :
100
1. Si f est effectivement une densité de probabilité, alors on doit avoir 
0
f (t)dt = 1 .
100 100 100
Or  0
f (t)dt =  0
αt 2 (100 − t)2 dt = 0
104 αt 2 − 200αt 3 + αt 4 .
100
100  104 αt 3 200αt 4 αt 5  9
 1 1 1  10 α 109 α
0
f (t)dt = 
 3
−
4
+
5

0
= 1010 α  − +  =
 3 2 5  3
. On a :
3
= 1 , soit α = 3 × 10 −9 .

2. Espérance mathématique :
100
100 100  104 t 4 200t 5 t 6 
 
−9 3 2 −9
E(X) = tf (t)dt = 3 × 10 t (100 − t) dt = 3 × 10  − + 
0 0
 4 5 6 0
3
 1 2 1  3 × 10
E(X) = 3 × 10−9 × 1012  − +  = = 50 ans.
 4 5 6 60
Calcul de la variance : On a : V(X) = E(X2 ) − E(X)2 V(X) ≈ 357,14 .
3. La probabilité pour qu'un individu meure entre 30 et 60 ans est :
60 60
P(30 X 60) = 30
tf (t)dt = 3 × 10−9 
30
t 2 (100 − t)2 dt ≈ 0,52
3. Loi uniforme
a) Exemple introductif
Suite à un problème de réseau, un client contacte le service après-vente de son opérateur. Un conseiller
l’informe qu'un technicien le contactera pour une intervention à distance entre 14h et 15h. Sachant que ce
technicien appelle de manière aléatoire sur le créneau donné, on souhaite calculer la probabilité que le client
patiente entre 15 et 40 minutes. On désigne par T la variable aléatoire continue qui donne le temps d’attente
en minutes.

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 4 / 14
 40 − 15 25 5
On a donc : P (15 ≤ T ≤ 40) = = =
60 60 12
La probabilité P (15 ≤ T ≤ 40) est l'aire sous la courbe représentative de la fonction de densité et les droites
1
d'équations x == 15 et x = 40 . La fonction de densité est la fonction f définie par f (x) = .
60
40 − 15 25 5
On retrouve ainsi : P(15 ≤ T ≤ 40) = = = .
60 60 12
b) Définition et propriété

Définition : Soit a et b deux réels tels que a < b .

( )
La loi uniforme sur [ a;b] , notée U [ a;b] , est la loi ayant pour densité de probabilité la fonction constante f
1
définie sur [ a;b] par : f (x) =
b−a
Remarque La loi uniforme modélise le tirage au hasard d’un nombre dans [ a;b ] .
Propriété : Si X est une variable aléatoire qui suit une loi uniforme U [ a;b] alors : ( )
x−a
pour tout x de [ a;b ] , on a : P(a ≤ X ≤ x) =
b−a
x
dt 1 x−a
 b − a = b − a [t]
x
Démonstration : P(a ≤ X ≤ x) = a
=
a
b−a
Espérance mathématique et variance
Propriété : Soit X une variable aléatoire qui suit une loi uniforme U [ a;b] alors : ( )
2
a+b (b − a)
E(X) = et V(X) =
2 12
Démonstration :
b
t 1 1 2
b
1 b 2 a2 b 2 − a2 (b − a) (b + a) a + b
E(X) = 
a
b−a
dt =  t  = (
b − a  2 a b − a 2
−
2
) =
2(b − a)
=
2(b − a)
=
2
On a : V(X) = E(X 2 ) − E(X)2
Calcul de E(X 2 ) :
b b
t2  t3  b3 a3 b 3 − a 3 (b − a)(b 2 − ab + a 2 ) b 2 − ab + a 2

2
E(X ) = dt =   = − = = =
a
b−a  3(b − a)  a 3(b − a) 3(b − a) 3(b − a) 3(b − a) 3
2 2
b 2 − ab + a 2  b + a  b 2 − 2ab + a2 (b − a)
Calcul de V(X) : V(X) = E(X2 ) − E(X)2 = −  = =
3  2  12 12
0 + 60
Exemple : Dans l’exemple précédent, T suit une loi uniforme U ( [ 0;60] ) . Ainsi : E(T) = = 30 .
2
Sur un grand nombre d’appels au service, un client peut espérer attendre 30 min.
2
60 3600
Variance : V(T) = = = 300
12 12

4. Loi exponentielle
a) Définition et propriétés
Définition : Soit λ un réel strictement positif. La loi exponentielle de paramètre λ est la loi ayant pour densité
de probabilité la fonction f définie sur [ 0;+∞
+∞[ par : f (x) = λe−λx .

Contextes d'utilisation :
Durée de vie de composants électroniques, désintégration d'un noyau radioactif etc.
Propriété : Soit X une variable aléatoire qui suit une loi exponentielle de paramètre λ alors : pour tout x de
[ 0;+∞
+∞[ , on a : P(X ≤ x) = 1 − e−λx .

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 5 / 14
 x
x

Démonstration : P(X ≤ x) = λe −λt dt =  − e −λt  = − e −λx + e −λ×0 = 1 − e −λx
0
0

Exemple : X est une variable aléatoire qui suit une loi exponentielle de paramètre λ = 0,1 .
P(1 ≤ X ≤ 3) = P(X ≤ 3) − P(X < 1) = 1 − e −0,1×3 − 1 − e −0,1×1 = e −0,1 − e −0,3 ≈ 0,164 ( )
b) Espérance mathématique et variance :
Propriété : Soit X une variable aléatoire qui suit une loi exponentielle de paramètre λ .
1 1
Alors : E(X) = et V(X) = 2
λ λ
Démonstration : f désigne la densité de la loi exponentielle de paramètre λ .
La fonction g : t ֏ tf (t) est continue sur tout intervalle [ 0;x ] , avec x > 0 , donc elle admet des primitives sur
cet intervalle. Comme, pour tout réel t positif, on a : (te−λt )' = e−λt − λte−λt soit : tλe−λt = e−λt − (te−λt )'
x x
x x x  e −λt  x 1 e −λx
Ainsi : 
0
g(t)dt = 0
tλe −λt dt = 
0
e −λt dt − 0
(te −λt )'dt =  −
 λ

0
−  te −λt  = −
0 λ λ
− xe −λx

x
 1 e −λx  1
Donc E(X) = lim
x →+∞
0

g(t)dt = lim  −
x →+∞ λ
 λ
− xe −λx  =
 λ
x x x x 2
Calcul de E(X2 ) : On a: 0
t 2 f (t)dt = 0
t 2 λ e −λt dt =  − t 2 e −λt  −
0 
0
−2te −λt dt = − x 2 e −λx +
λ
E(X) et E(X 2 ) =
2
x  2  2 2 1 1 1
lim 
x →+∞ 0
t 2 f (t)dt = lim  − x 2 e −λx + E(X)  = . Calcul de V(X) : V(X) = E(X2 ) − E(X)2 =
x →+∞  λ  λ
−  = 2
λ λ λ λ
1
Exemple : Une variable aléatoire X suit une loi exponentielle de paramètre λ = 0,04 alors : E(X) = = 25
0, 04
1 1
et V(X) = 2 = = 625
λ 0,04 2
c) Durée de vie sans vieillissement
Propriété : Soit X une variable aléatoire qui suit une loi exponentielle de paramètre λ .
Alors, pour tout réel t et h positifs, on a : PX≥ t (X ≥ t + h) = P(X ≥ h) .
Démonstration :
P ( { X ≥ t + h} ∩ { X ≥ t} ) P ( X ≥ t + h) 1 − P ( X < t + h)
PX≥ t (X ≥ t + h) = = =
P(X ≥ t) P(X ≥ t) 1 − P(X < t)

Donc : PX≥ t (X ≥ t + h) =
(
1 − 1 − e− λ (
− λ t +h)
) =
e ( )
−λ t + h

( )
= e −λh = 1 − 1 − e −λh = 1 − P(X < h) = P(X ≥ h)
(
1 − 1 − e −λt ) e −λt
Remarque :
• Cette propriété porte le nom de « durée de vie sans vieillissement » car elle montre que la durée de vie sur
une période h ne dépend pas de l'âge t à partir duquel on considère cet événement.
• La loi exponentielle modélise une durée de vie sans vieillissement.
• Une loi exponentielle ne peut pas se « deviner «, elle sera toujours donnée dans l’énoncé d’un exercice.

Méthode : Utiliser la durée de vie sans vieillissement

La durée de vie, exprimée en heures, d'un petit composant électronique d'une carte d'anniversaire musicale
est une variable aléatoire qui suit une loi exponentielle de paramètre λ = 0,0035 .
Sachant qu'un composant testé a fonctionné plus de 200 heures, calculer la probabilité qu'il tombe en panne
avant 300 heures.
Solution : PX≥ 200 ( X ≤ 300 ) = 1 − PX≥ 200 ( X > 300 ) = 1 − PX≥ 200 ( X > 200 + 100 ) Donc d'après la loi de durée de
vie sans vieillissement, on a : PX≥ 200 ( X ≤ 300 ) = 1 − P ( X > 100 ) = P ( X ≤ 100 ) = 1 − e−0,0035×100 ≈ 0, 3

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 6 / 14
5. Exercices corrigés
Exercice 1 :
A partir de 7 heures du matin, les bus passent toutes les quinze minutes à un arrêt précis.
Un usager se présente à cet arrêt entre 7h et 7h 30. On fait l'hypothèse que l'heure exacte de son arrivée,
représentée par le nombre de minutes après 7h, est une variable aléatoire uniformément répartie sur
l'intervalle [0,30].
a) Quelle est la probabilité que l'usager attende moins de cinq minutes le prochain bus ?
b) Qu'il l'attende plus de dix minutes ?
Exercice 2 :
A l’un des carrefours de Nouakchott, un panneau de feux tricolores de circulation est doté d’un compteur : le
signal est rouge pendant 45 secondes puis vert pendant 33 secondes et ensuite jaune pendant 2s.
A 12 h 0 min 0 s, le feu rouge est déclenché. Une voiture arrive à ce panneau 12 h 0 min 0 s et 12 h 1 min 20 s.
1. Le temps d’arrivée de la voiture suit une loi uniforme sur [ 0;80] . Déterminer la probabilité de chacun des
événements suivants :
A : La voiture trouve le feu vert B : La voiture trouve le feu rouge
C : La voiture trouve le feu rouge sachant que son moment d’arrivée est dans l’intervalle [ 20;70]
2. La durée de vie de l’une des ampoules utilisées dans le feu tricolore est une variable aléatoire X qui suit
une loi exponentielle de paramètre λ = 0,00002 .
a) Quelle est la probabilité que l’ampoule dure plus de 30000 heures.
b) Quelle est la probabilité que l’ampoule dure plus de 30000 heures, sachant qu’elle a déjà duré 20000
heures.
Exercice 3 :
Soit I l'intervalle [1;10[ et fλ la fonction définie sur I par : fλ (t) = λt −2 .
1) Déterminer le réel λ pour lequel f λ est une densité de probabilité.
2) Même question avec I = [1; +∞[
Exercice 4 :
Une variable T soit une loi exponentielle de paramètre λ > 0
Trouvez le paramètre de cette loi sachant que P(T ≤ 70) = 0, 05 . Déduisez-en P(T > 30)
Exercice 5:
Le temps, mesuré en heures, nécessaire pour réparer une certaine machine suit la loi exponentielle de
1
paramètre λ = .
2
1) Quelle est la probabilité que le temps de réparation excède deux heures ?
2) Quelle est la probabilité qu'une réparation prenne au moins dix heures, étant donné que sa durée a déjà
dépassé neuf heures ?
Exercice 6:
Partie A : On suppose connu le résultat suivant : Si X est une variable aléatoire qui suit une loi exponentielle
t
 λe
−λx
de paramètre strictement positif λ alors, pour t réel positif, P(X ≤ t) = dx
0

1. Démontrer l'égalité P(X ≥ t) = e−λt

2. En déduire que pour s et t réels positifs, l'égalité suivante est vraie : P(X> t) (X > s + t) = p(X > s) (loi de
durée sans vieillissement), P(X> t) (X > s + t) désignant la probabilité de l'événement (X > s + t) sachant que
(X > t) est réalisé.
Partie B : La durée d'attente exprimée en minutes à chaque caisse d'un supermarché peut être modélisée par
une variable aléatoire T qui suit une loi exponentielle de paramètre strictement positif λ
1) a) Déterminer une expression exacte de λ sachant que P(T ≤ 10) = 0,7
On prendra pour la suite de l'exercice, la valeur 0,12 comme valeur approchée de λ .
b) Donner une expression exacte de la probabilité conditionnelle P(T>10) (T > 15)
c) Sachant qu'un client a déjà attendu 10 minutes à une caisse, déterminer la probabilité que son attente totale
ne dépasse pas 15 minutes. On donnera une expression exacte, puis une valeur approchée à 0,01 près de la
réponse

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 7 / 14
Exercice 7:
La durée de vie d'un ordinateur (c'est-à dire la durée de fonctionnement avant la première panne), est une
variable aléatoire X qui suit une loi exponentielle de paramètre λ avec λ > 0
Ainsi, pour tout réel positif t , la probabilité qu'un ordinateur ait une durée de vie inférieure à t années, notée
t
 λe
−λx
P(X ≤ T) , est donnée par P(X ≤ T) = dx .
0
1) Déterminer λ sachant que p(X > 5) = 0,4 2) Dans cette question, on prendra λ = 0,18 .
Sachant qu'un ordinateur n'a pas eu de panne au cours des 3 premières années, quelle est, à 10 −3 près, la
probabilité qu’il ait une durée de vie supérieure à 5 ans ?
3) Dans cette question, on admet que la durée de vie d'un ordinateur est indépendante de celle des autres et
que P(X > 5) = 0, 4 .
a) On considère un lot de 10 ordinateurs. Quelle est la probabilité que, dans ce lot, l'un au moins des
ordinateurs ait une durée de vie supérieure à 5 ans ? On donnera une valeur arrondie au millième de cette
probabilité
b) Quel nombre minimal d'ordinateurs doit-on choisir pour que la probabilité de l'événement «L'un au moins
d'entre eux a une durée de vie supérieure à 5 ans» soit supérieure à 0,999 ?

6. Exercices non corrigés

Exercice 1 :
Le temps d’attente exprimé en minutes au guichet d’une assurance est une variable aléatoire T suivant la loi
exponentielle de paramètre . On sait que la probabilité qu’un client attende moins de 10 minutes est égale à
0,8. Calculer une valeur approchée à 0,0001 de . Calculer la probabilité qu’un client attende entre 15 et 20
minutes
Exercice 2 :
Une variable aléatoire X suit une loi exponentielle de paramètre λ>0.
Déterminer λ sachant que P(3⩽ ⩽X⩽ ⩽5)=0,4.
Exercice 3 :
La durée de vie en siècles d’un composant radioactif est une variable aléatoire qui suit la loi exponentielle de
paramètre λ=0.008. Calculer :
P(T < 100) ; P(100 < T < 160) et P(T > 180)
Calculer la probabilité que ce composant ne soit pas désintégré au bout de 30 000 ans sachant qu’il n’a pas été
désintégré au bout de 20 000 ans. Calculer la durée de vie moyenne de ces composants.
Exercice 4 :
Deux moteurs identiques A et B sont montés en parallèles sur une machine.
La durée de vie, en jours, de chaque moteur est une variable aléatoire qui suit une loi exponentielle de
paramètre λ=0.0004.
La machine tombe en panne dès lors que les deux composants cessent de fonctionner. Les durées de vie de A et
B sont indépendantes. Déterminer la probabilité que la machine fonctionne encore après 80 jours.
Exercice 5 :
Une variable aléatoire X suit une loi exponentielle de paramètre λ > 0.
(un) est une suite arithmétique de premier terme a ≥ 0 et de raison r > 0.
On pose pour tout n entier, pn = P (X > un)
Démontrer que la suite (pn) est une suite géométrique dont on précisera le premier terme et la raison
Etudier la variation est la limite de (pn)
Exercice 6 :
Soit X une variable aléatoire de paramètre λ > 0.
Déterminer τ tel que P(X < τ) = 0,5
Exercice 7 :
Les ampoules électriques d’un tunnel routier sont allumées 24 heures sur 24 et la durée de vie de chaque
ampoule suit une loi exponentielle d’espérance 5000 heures. Il y a 200 ampoules dans le tunnel et à l’instant t =
0, on installe des ampoules neuves.
Au bout de combien de temps, la probabilité qu’au moins une ampoule soit en panne dépasse-t-elle 99 % ?

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 8 / 14
B. Echantillonnage et estimation
Programme
A) Savoir :
 Intervalle de fluctuation et échantillonnage
 Conditions d’utilisation
 Intervalle de fluctuation asymptotique
 Prise de décision
 Intervalle de confiance et estimation
B) Savoir-faire :
 Identifier les paramètres dans un échantillonnage
 Déterminer un intervalle de fluctuation au seuil de 95% du type : = − ; +
√ √
 Vérifier les conditions d’utilisation d’un intervalle de fluctuation
 Estimer par intervalle une proportion inconnue
 Utiliser un intervalle de fluctuation pour savoir si un échantillon est représentatif d’une population
 Utiliser un intervalle de fluctuation au seuil de 95% pour vérifier une proportion théorique
 Utiliser un intervalle de fluctuation au seuil de 95% pour estimer une proportion d’un caractère dans une
population
Prendre une décision à l'aide d'un intervalle de fluctuation
Déterminer un intervalle de confiance au seuil de 95% du type : = − ; +
√ √
Vérifier les conditions d’utilisation d’un intervalle de confiance
Calculer la taille minimale d’un échantillon pour avoir une précision donnée d’ une proportion
Déterminer un intervalle de fluctuation asymptotique au seuil de 95% du type :
= − , ; + ,
√ √
 Déterminer un intervalle de fluctuation asymptotique à un seuil donné
 Utiliser un intervalle de fluctuation asymptotique pour savoir si un échantillon est représentatif d’ une
population
 Utiliser un intervalle de fluctuation asymptotique au seuil de 95% pour vérifier une proportion théorique
 Utiliser un intervalle de fluctuation asymptotique au seuil de 95% pour estimer une proportion d’ un
caractère dans une population
 Déterminer une taille d'échantillon suffisante pour obtenir une estimation d'une proportion
 Estimer par intervalle une proportion inconnue

Introduction
Ce module, s’intéresse uniquement à l’échantillonnage simple (lié à la probabilité), il consiste à choisir
un échantillon à partir d’une population déterminée en reposant sur le principe du choix au hasard.
Toutefois, comme les unités de la population sont sélectionnés au hasard et elles possèdent la même
probabilité d’inclusion dans l’échantillon, on peut grâce à l’échantillonnage, faire des sondages, produire
des estimations, confirmer des hypothèses ou prendre des décisions.

Echantillon
Le principe : On considère par exemple l'expérience suivante consistant à lancer plusieurs fois un dé et à noter
si la face supérieure affichée est 4 ou un autre nombre. La valeur théorique de la probabilité d'obtenir un 4 est
1
. La mise en défaut ou non de cette expérience, nous permettra d'affirmer s'il est raisonnable de penser que
6
le dé est pipé ou ne l'est pas. En réalisant l'expérience un certain nombre de fois (échantillon), on mesure la
fréquence d'apparition du 4. Si la fréquence et la valeur théorique sont trop "éloignées" (dépassent un seuil
fixé) alors on peut rejeter la valeur théorique et considérer que le dé est pipé. Dans le cas contraire, on
considère qu'il ne l'est pas.
Notion d’échantillon :
Exemple : Si, sur l’ensemble des cartes à puce produites par une entreprise en une semaine, on en prélève 200,
on dit que cet ensemble de 200 cartes à puce constitue un échantillon de taille 200 de la population de toutes les
cartes à puce produites en une semaine.
Définition : Un échantillon de taille n est constitué des résultats de n répétitions indépendantes de la même
expérience sur l’ensemble des personnes ou objets sur lesquels porte l’étude statistique (la population). Un
échantillon issu d’une population est donc l’ensemble de quelques éléments de cette population.
La probabilité théorique (proportion) : c’est la probabilité d’une issue dans une expérience aléatoire.
La fréquence observée : c’est la probabilité d’une issue dans un échantillon.

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 9 / 14
1. Intervalle de fluctuation et échantillonnage

Exemple : 22% des cartes à puce produites par une entreprise donnée sont défectueuses. On prélève un
échantillon de taille 400 parmi cette production et on constate que 80 puces de cet échantillon sont défectueuses.
Dans ce cas, la fréquence observée f est = = 0,2. Pour cet échantillon, l’intervalle de fluctuation de la
fréquence théorique p = 0, 22 des cartes à puce défectueuses au seuil de 95 %, est
 1 1 
I f =  0, 22 − ;0, 22 +  c’est à dire I f = [ 0,17;0, 27]
 400 400 
Définition :
L’intervalle de fluctuation noté au seuil de 95% d’une fréquence f d’un échantillon de taille n est l’intervalle
centré autour de la proportion théorique p tel que la fréquence observée f se trouve dans cet intervalle avec une
probabilité de 95%.
Propriété :
Si p est compris entre 0,2 et 0,8 et si n est supérieur ou égal à 25, alors = − ; + . Dans environ
√ √
95% des cas, f appartient à l’intervalle , au seuil de 95 % (ou au risque de 5 %).

Prise de décision
À l’aide d’un échantillon de taille , on souhaite vérifier si on peut raisonnablement penser que la proportion de
la population est bien celle annoncée. Pour cela, on effectue la procédure suivante :
Test :
 On détermine l’intervalle de fluctuation de la fréquence au seuil de 95%.
 On calcule la fréquence réelle dans l’échantillon.
 On conclut :
o Si est dans l’intervalle alors on accepte l’hypothèse : il y a effectivement 22% de pièces défectueuses
o Si n’est pas dans l’intervalle alors l’hypothèse est rejetée.

Exercice1 :
Deux entreprises A et B recrutent dans un bassin d'emploi où il y a autant de femmes que d'hommes, avec la
contrainte du respect de la parité. Dans l'entreprise A, il y a 100 employés dont 43 femmes (soit 43 %). Dans
l'entreprise B, il y a 2500 employés dont 1150 femmes (soit 46 %).
Choisir l’entreprise qui respecte mieux la parité ?

Solution :
La proportion théorique p est égale à 0,5 (50% de femmes).
Pour l’entreprise A :
La taille de l’échantillon n est égale à 100. La fréquence observée f est égale à 0,43.
Pour l’entreprise B :
La taille de l’échantillon n est égale à 2500. La fréquence observée f est égale à 0,46.
Pour chaque entreprise, peut-on affirmer que la fréquence de femmes respecte la parité ?
Pour y répondre, on va vérifier dans chaque cas si la fréquence observée f se situe dans l’intervalle de
fluctuation au seuil de 95%.
Pour l’entreprise A :
L’intervalle de fluctuation au seuil de 95% de p = 0,5 est :
= , − ; , + = [ 0,4;0,6] , donc f = 0,43 ∈ .
√ √
Pour l’entreprise B :
L’intervalle de fluctuation au seuil de 95% de p = 0,5 est :
= , − ; , + = [ 0,48;0,52] , donc f = 0,46 ∉
√" √"
Pour l’entreprise A, la valeur 43% est dans l’intervalle de fluctuation alors que pour B la valeur 46% n’est pas
dans l’intervalle de fluctuation correspondant.
La proportion de 46% s’observe donc dans moins de 5% des échantillons de taille 2500. On peut alors rejeter
l’hypothèse que l’entreprise B respecte la parité. Par contre, pour l’entreprise A, on peut accepter cette
hypothèse.

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 10 / 14
Utiliser un intervalle de fluctuation au seuil de 95% pour vérifier une proportion théorique
Exercice 2 :
En reprenant l’exemple précédent, l’intervalle de fluctuation est I f = [ 0,17;0, 27 ] et comme la fréquence
observée (0.2) est dans cet intervalle alors l’hypothèse est acceptée.

Déterminer la taille d’échantillon suffisante pour obtenir une estimation d’une proportion :

Exercice 3
On observe un caractère de proportion p dans une population.
Quelle est la taille d’échantillon minimale, suffisante pour que l'intervalle de fluctuation correspondant à un
caractère donné ait une amplitude inférieure à 0,01 ?
 1 1   1   1  2
Solution : L'amplitude de l'intervalle If = p − ;p +  est de  p +  − p − =
 n n  n  n n
2
2  2 
Donc ≤ 0,01  0,01 n ≥ 2  n ≥    n ≥ 40000 . La taille d’échantillon minimale, suffisante pour
n  0,01 
que l'intervalle de fluctuation correspondant au caractère ait une amplitude inférieure à 0,01 est de 40 000.

Exercice 4
Déterminer une taille d’échantillon suffisante pour obtenir, avec une précision d'amplitude a inférieure à 0,06,
une estimation d’une proportion au niveau de confiance 0,95.
2 4 4
Solution : En effet, a ≤ 0,06 ⇔ 0, 06 ⇔ 0, 0036 ⇔ n ⇔ n 1111,11 .
n n 0, 0036
Conclusion :
Pour obtenir une estimation d’une proportion au niveau de confiance 0,95 avec une précision d'amplitude
inférieure ou égale à 6%, il faut prélever un échantillon d'une taille d'au moins 1112 individus.

Utiliser un intervalle de fluctuation pour savoir si un échantillon est représentatif d’une population

Afin de déterminer si un échantillon est représentatif d'une population, on calcule l'intervalle I de fluctuation
au seuil de 95% ainsi que la fréquence f dans l'échantillon. Si f ∈ I, alors l'échantillon est représentatif de la
population.

Exercice 5 :
Dans une classe de 37 élèves, un délégué de classe a été élu avec 60% des voix. Parmi les 17 filles, 11 d’entre
elles ont voté pour ce délégué. Les filles sont-elles représentatives des résultats des élections de délégués ?
Solution : On a n=37>25 , p=0,6 ,la fréquence observée = ≈ , , l’intervalle de fluctuation est
$
 1 1   1 1 
If = p − ;p +  =  0,6 − ;0,6 +  ≃ [ 0,43;0,76] , donc on a ∈ c’est-a- dire qu’elle est observée
 n n  37 37 
à 95 %,donc les filles sont représentatives des résultats des élections de délégués

2. Intervalle de confiance et estimation

Définition :
Soit p la proportion théorique telle que 0,2 < p < 0,8. On considère la fréquence observée f pour un échantillon
 1 1 
de taille n ≥ 25 . L’intervalle I c =  f − ;f +  est appelé un intervalle de confiance (ou fourchette de
 n n
sondage) de p au niveau 0,95. C’est-à-dire qu’on peut affirmer que la proportion p est dans l’intervalle I C avec
une probabilité de 95 % (ou un risque de 5%).

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 11 / 14
Utiliser un intervalle de fluctuation pour estimer la proportion d’un caractère dans une population :
Exercice 6 :
Un laboratoire souhaite tester l’efficacité d’un nouveau médicament. Après avoir administré ce médicament à
500 malades, 70% d’entre eux se sont rétablis. Que penser de l’efficacité de ce médicament (proportion de
guérison) ?

Solution : On a : n = 500 > 25 et f = 0,7∈ [ 0, 2; 0,8] . L’intervalle de confiance au seuil de 95% relatif à ces
 1 1 
données est I C =  0,7 − ;0,7 +  . Donc approximativement I C = [ 0,655;0,745] .
 500 500 
Donc il y a une probabilité de 0,95 que la proportion de guérison avec ce médicament soit entre 0,655 et 0,745.

Exercice 7 :
Quelques jours avant le second tour des élections présidentielles dans un pays européen, on a publié le sondage
suivant réalisé auprès de 900 personnes :
Candidat A : 45 % ; candidat B : 55 %. Interpréter ce sondage.
Solution : On calcule l’intervalle de confiance pour le candidat B,
 1 1   1 1 
I c = f − ;f +  =  0,55 − ;0,55 +  = [ 0,517;0,583]
 n n  900 900 
La proportion des votants en faveur du candidat B se trouvant dans [0,517 ; 0,583] avec
95 % de chance, donc supérieure strictement à 50%, on peut en déduire qu’il avait de grandes chances d’être
élu. On calcule l’intervalle de confiance pour le Candidat A,
 1 1   1 1 
I c = f − ;f +  =  0,45 − ;0,45 +  = [ 0,41;0,48]
 n n  900 900 
La proportion des votants en faveur du candidat A se trouvant dans [ 0, 41;0, 48 ] avec
95 % de chance, donc inférieure à 50% on peut donc en déduire qu’il n’avait pas de grandes chances d’être élu.

Estimer une proportion inconnue par un intervalle

Exercice 8 :
Le parti d’un candidat commande un sondage réalisé à partir de 1600 personnes à l’issue duquel il est donné
gagnant avec 52%. A-t-il des raisons d’être confiant ?
Solution : On peut répondre à la question si on montre que p > 0,5 avec une grande probabilité. Le problème
est que p est inconnue, on a bien n≥ " et . " ≤ ≤ . l’intervalle de confiance au risque de 5% est
 1 1   1 1 
I c = f − ;f +  =  0.52 − ;0.52 +  = [ 0.495;0.535] . On
 n n  1600 1600 
La proportion d’être élu est entre 0.495 et 0.535 avec un risque de 5%. Malgré que 0,5∈IC , le candidat n’est pas
rassuré d’être élu.

3. Intervalle de fluctuation asymptotique

Définition :
Soit la proportion d’un caractère ) d’une population *. Dans un échantillon de taille vérifiant
≥ 30, ≥ 5 et (1 − ) ≥ 5, la fréquence du caractère ) appartient à l’intervalle :
 p(1 − p) p(1 − p) 
I c = p − 1.96 ;p + 1.96 
 n n 
Avec une probabilité de 95%. Cet intervalle est appelé intervalle de fluctuation asymptotique à 95%.

Exercice 9 :
Le pourcentage de personnes du groupe sanguin O dans une population donnée est 43%.
On souhaite déterminer si l’on peut faire la même hypothèse pour une population A, en étudiant un échantillon
de 250 personnes de cette population.
1) Déterminer l’intervalle de fluctuation asymptotique de la fréquence des individus du groupe O au seuil de
95% dans un tel échantillon arrondi au millième.

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 12 / 14
2.a) On observe pour un échantillon d’une autre population B une proportion de 47% d’individus du groupe O.
peut –on rejeter que « 43% de cette population sont du groupe O »?
b) On observe pour un échantillon d’une population C : 138 individus du groupe O parmi 250 personnes de
l’échantillon. Peut-on rejeter l’hypothèse que 43% de la population C sont de groupe O ?
Solution
1) L’intervalle de fluctuation asymptotique de la fréquence, p=0,43 et n=250
2) a) La fréquence observée est 0.47, elle appartient donc à l’intervalle de fluctuation asymptotique If , au seuil
de 95%, on ne peut pas rejeter l’hypothèse que la proportion B du groupe O est de 43%, mais on ne peut pas
affirmer que c’est le cas.
138
b) La fréquence observée est de = 0,552 et n’appartient donc pas à If , on peut rejeter l’hypothèse que la
250
proportion C du groupe O est 43%
Remarques :
• Le tableau ci-après, donne la correspondance entre le seuil de confiance et un coefficient associé.
• Souvent le seuil 95% est le plus utilisé.
Niveau de confiance 80% 85% 90% 92% 95% 96% 97% 98% 99% 99,5% 99,9%
Coefficient 1,282 1,440 1,645 1,751 1,960 2,054 2,170 2,326 2,576 2,807 3,291

Déterminer un intervalle de fluctuation asymptotique à un seuil donné

Exercice 10 :
Un producteur de jus de pomme a constaté que 4% de sa production l’an dernier n’a pas pu être commercialisée
à cause d’un défaut de sucre trop élevé. Il décide de tester un échantillon de sa nouvelle production pour savoir
si la proportion de bouteilles non commercialisables est différente de celle de l’année passée.
Pour ce faire, il a choisi au hasard un échantillon de 598 bouteilles.
1) Déterminer l’intervalle de fluctuation asymptotique de la fréquence des bouteilles non commercialisables de
cet échantillo n au seuil de : a) 95% b) 99%
2) Le producteur trouve finalement 19 bouteilles non commercialisables. Peut-il affirmer qu’il a fait mieux que
l’an dernier.
Solution :
1.a) La correspondance entre le seuil de confiance et le coefficient associé donne :
 0,04(0, 96) 0, 04(0,96) 
I f =  0, 04 − 1,96 ;0,04 + 1, 96  ≈ [ 0, 024; 0, 056] au seuil de 95%.
 598 598 
 0,4(0, 96) 0,4(0, 96) 
b) I f =  0, 04 − 2, 58 ; 0,04 + 2, 58  ≈ [ 0, 019;0,061] au seuil 99%.
 598 598 
19
2) On a : f = ≈ 0,03. comme 0,03 ∈ [ 0,02 ;0, 3] , donc le producteur n’a pas fait mieux que l’an dernier.
598

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 13 / 14
 Exercices corrigés :
Exercice 1 :
Une entreprise annonce que le pourcentage de moteurs défectueux dans sa production est égal à 1% .
Afin de vérifier cette affirmation, 800 moteurs sont prélevés au hasard. On constate que 15 moteurs sont
défectueux. Le résultat de ce test remet –il en question l’annonce de l’entreprise ? Justifier.
On pourra s’aider d’un intervalle de confiance.

Exercice 2 :
D’après le site de l’IREM de Paris 13, en novembre 1976 dans un comité du sud de Texas, Rodrigo Partida était
condamné à huit ans de prison pour cambriolage d’une résidence et tentative de viol.
Il attaqua ce jugement au motif que la désignation des jurés de ce comité était discriminante à l’égard des Amé-
ricains d’origine mexicaine, alors que 79,1 % de la population de comité était d’origine mexicaine.
Sur les 870 personnes convoquées pour être jurés lors d’une certaine période de référence, il n’y eût que 339
personnes d’origine mexicaine.
1) Déterminer l’intervalle de fluctuation correspondant à la proportion d’origine mexicaine pour un
échantillon de taille 870.
2) La fréquence des personnes d’origine mexicaine dans les personnes convoquées est-elle dans cet intervalle ?
3) Qu’en conclure ?

Exercice3:
On admet que dans la population d’enfants de 11 à 14 ans d’un département français, le pourcentage d’enfants
ayant déjà eu une crise d’asthme dans leur vie est de 13%. Un médecin d’une ville de ce département est
surpris par le nombre important d’enfants le consultant pour des crises d’asthmes. Il décide de mener une
étude statistique en choisissant de manière aléatoire 100 enfants de 11 à 14 ans de la ville. Il observe que 19
d’entre eux ont déjà eu une crise d’asthmes.
1) Utiliser un intervalle de fluctuation pour aider le médecin à décider s’il y a plus d’enfants ayant des crises
d’asthmes dans la ville que dans le département.
2) Le médecin n’est pas convaincu par la décision obtenue et pense que le nombre d’enfants interrogés était
insuffisant. Combien d’enfants faudrait-il interroger pour qu’une fréquence observée de 0,19 amène à conclure
qu’il y a plus d’enfants ayant des crises d’asthmes dans la ville que dans le département.

Exercice 4 :
Les premiers contrôles effectués sur un échantillon de 780 déclarations d’imposition préremplies montrent que
12% de ces déclarations présentent au moins une erreur. Donner un intervalle de confiance au niveau 95%
pour la proportion p de déclarations erronées

Exercice 5 :
Une société mutuelle d’assurance effectue tous les ans une enquête pour évaluer le pourcentage d’accidents
domestiques parmi ses adhérents au cours de l’année antérieure.
1) Le résultat de l’enquête en 2005 (pourcentage d’accidents domestiques en 2004) est égal à 5%. L’enquête a
été effectuée auprès de 2000 personnes. En déduire l’intervalle de confiance pour un niveau de confiance égal à
0.95.
2) Quelle est, pour le même niveau de confiance, le pourcentage minimum ? Le pourcentage maximum ?
3) On demande que l’enquête que l’on effectuera en 2006 pour estimer ce pourcentage en 2005 donne une
fourchette limitée à 2%. Quelle est la taille de l’échantillon qu’il faudra choisir ?

Exercice 6
Une entreprise automobile se préoccupe du nombre de clients renouvelant leur voiture en achetant un modèle
d’un concurrent. Une enquête auprès de 1 000 clients fait apparaître un pourcentage national égal à 35%.
1) Donner l’intervalle de fluctuation de ce pourcentage pour un niveau de confiance égal à 0.99.
2) Quelle est la valeur maximale de ce pourcentage, pour le même niveau de confiance ?
3) Ce pourcentage, chez certains concessionnaires de la marque, atteint 40%. Cela signifie-t-il que leurs
performances commerciales sont insuffisantes ?

Formation des profs de Maths – Septembre 2024 Probabilité & Statistique Page 14 / 14