Probabilites et Statistiques
Avner Bar-Hen
Universite Aix-Marseille III
20022003
Analyse combinatoire
1
Arrangements . . . . . . . . . . . . . . . . .
1.1
Denombrement . . . . . . . . . . . .
2
Permutations . . . . . . . . . . . . . . . . .
2.1
Denombrement . . . . . . . . . . . .
3
Combinaisons . . . . . . . . . . . . . . . . .
3.1
Denombrement . . . . . . . . . . . .
3.2
Deux relations importantes . . . . . .
4
Applications . . . . . . . . . . . . . . . . . .
4.1
Developpement du binome de Newton
4.2
Le triangle de Pascal . . . . . . . . .
5
Exercices . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
3
3
3
3
4
5
5
5
8
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
11
12
12
13
14
15
15
16
16
16
17
18
18
20
21
21
21
23
`
TABLE DES MATIERES
ii
11
2
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
33
33
33
34
34
35
35
35
37
38
41
41
41
41
41
42
42
42
43
43
43
44
45
46
47
47
48
48
48
48
50
50
51
57
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
71
71
71
72
72
73
74
75
.
.
.
.
.
.
.
bar-hen.net
`
TABLE DES MATIERES
8
9
4
iii
2.1
Mode . . . . . . . . . . . . . . . .
2.2
Esperance . . . . . . . . . . . . . .
2.3
Moment dordre k . . . . . . . . .
2.4
Variance . . . . . . . . . . . . . . .
Loi uniforme . . . . . . . . . . . . . . . .
3.1
Fonction de repartition . . . . . . .
3.2
Param`etres descriptifs . . . . . . .
Loi exponentielle . . . . . . . . . . . . . .
4.1
Fonction de repartition . . . . . . .
4.2
Param`etres descriptifs . . . . . . .
Loi normale . . . . . . . . . . . . . . . . .
5.1
Param`etres descriptifs . . . . . . .
5.2
Notation . . . . . . . . . . . . . .
5.3
Forme de la distribution . . . . . .
5.4
Calcul des probabilites . . . . . . .
5.5
Utilisation de la table 11.6 . . . . .
5.6
Utilisation de la table 11.7 . . . . .
5.7
Utilisation de la table 11.8 . . . . .
5.8
Importance de la loi normale . . . .
5.9
Approximation dune loi binomiale
5.10 Approximation dune loi de Poisson
Autres lois . . . . . . . . . . . . . . . . . .
6.1
La loi gamma . . . . . . . . . . . .
6.2
La loi log-normale . . . . . . . . .
Melanges de distributions . . . . . . . . . .
7.1
Introduction . . . . . . . . . . . . .
7.2
Melanges de distribution discr`etes .
7.3
Melange de distributions a` densite .
7.4
Cas intermediaire . . . . . . . . . .
Exercices . . . . . . . . . . . . . . . . . .
Solutions . . . . . . . . . . . . . . . . . .
bar-hen.net
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
75
75
76
77
79
79
79
80
80
80
81
81
82
82
82
83
84
85
86
86
89
89
90
91
91
91
92
92
93
94
99
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
113
113
113
114
116
116
117
119
120
122
124
`
TABLE DES MATIERES
iv
Tests dhypoth`eses
131
1
Problematique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
1.1
Hypoth`ese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
2
Niveau et puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
3
Strategie dun test dhypoth`ese . . . . . . . . . . . . . . . . . . . . . . . 133
4
Tests non parametriques . . . . . . . . . . . . . . . . . . . . . . . . . . 134
5
Quelques applications pratiques des methodes de statistique non parametrique135
5.1
Cas dun e chantillon isole . . . . . . . . . . . . . . . . . . . . . 135
5.2
Un test dajustement : le test binomial . . . . . . . . . . . . . . . 136
5.3
Test des signes . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.4
Test des rangs applique au cas dechantillons apparies (Wilcoxon) 140
5.5
Test des rangs applique au cas des e chantillons independants (MannWhitney) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
7
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
157
157
158
158
159
160
163
163
164
165
165
166
167
167
169
170
173
173
174
174
176
177
178
180
191
191
192
192
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
bar-hen.net
`
TABLE DES MATIERES
3
4
5
6
7
8
9
10
8
2.2
Couples de variables a` densite . . . . . . . . . . .
2.3
Somme de n variables . . . . . . . . . . . . . . .
2.4
Application a` la loi binomiale . . . . . . . . . . .
2.5
Generalisation : combinaisons lineaire de variables
Variable difference . . . . . . . . . . . . . . . . . . . . .
Variable moyenne . . . . . . . . . . . . . . . . . . . . . .
4.1
Cas dun n-echantillon . . . . . . . . . . . . . . .
4.2
Application a la loi binomiale . . . . . . . . . . .
Variable produit . . . . . . . . . . . . . . . . . . . . . . .
Variable quotient . . . . . . . . . . . . . . . . . . . . . .
Variable variance . . . . . . . . . . . . . . . . . . . . . .
Inegalite de Schwarz . . . . . . . . . . . . . . . . . . . .
8.1
Applications . . . . . . . . . . . . . . . . . . . .
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . .
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . .
Lestimation
1
Preliminaires . . . . . . . . . . . . . . . .
1.1
Une inegalite importante . . . . . .
1.2
Inegalite de Bienayme-Tchebichev .
2
Estimation ponctuelle . . . . . . . . . . . .
2.1
Estimateur . . . . . . . . . . . . .
2.2
Ecart
quadratique moyen . . . . . .
2.3
Ecart
quadratique moyen et variance
2.4
Biais dun estimateur . . . . . . . .
2.5
Suite consistante destimateurs . . .
2.6
Exemples . . . . . . . . . . . . . .
3
Estimation par intervalle . . . . . . . . . .
3.1
Intervalle de confiance . . . . . . .
3.2
Principe . . . . . . . . . . . . . . .
3.3
Utilisation de la loi binomiale . . .
3.4
Utilisation de la loi de Poisson . . .
3.5
Utilisation de la loi normale . . . .
3.6
Absence de loi . . . . . . . . . . .
4
Exercices . . . . . . . . . . . . . . . . . .
5
Solutions . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
bar-hen.net
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
193
195
199
200
200
201
201
201
202
203
204
205
205
206
208
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
217
217
217
217
217
217
218
218
218
218
219
220
220
221
221
222
223
224
225
227
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
231
231
231
232
232
233
233
`
TABLE DES MATIERES
vi
3
4
7
8
1.6
Calcul de probabilites . . . . . . . . .
Les lois de Fisher-Snedecor . . . . . . . . . . .
2.1
Densite de probabilite . . . . . . . . .
2.2
Esperance et variance . . . . . . . . . .
2.3
Forme de la distribution . . . . . . . .
2.4
Calcul de probabilites . . . . . . . . .
Application a` letude des variances . . . . . . .
3.1
Probl`emes a` un e chantillon . . . . . . .
Test dhypoth`ese sur 2 . . . . . . . . . . . . .
4.1
Intervalle de confiance dune variance .
4.2
Probl`emes a` deux e chantillons . . . . .
4.3
Comparaison de deux variances. Test F
Les lois de Student . . . . . . . . . . . . . . .
5.1
Densite de probabilite . . . . . . . . .
5.2
Esperance et variance . . . . . . . . . .
5.3
Forme de la distribution . . . . . . . .
5.4
Convergence en loi . . . . . . . . . . .
5.5
Calcul des probabilites . . . . . . . . .
Application a` letude des moyennes . . . . . .
6.1
Probl`emes a` un e chantillon . . . . . . .
6.2
Test dhypoth`ese sur . . . . . . . . .
6.3
Intervalle de confiance dune esperance
6.4
Probl`emes a` deux e chantillons . . . . .
6.5
Comparaison de deux esperances . . .
Exercices . . . . . . . . . . . . . . . . . . . .
Solutions . . . . . . . . . . . . . . . . . . . .
10 Le test chi-deux
1
Introduction . . . . . . . . . . . . .
2
Test sur une loi multinomiale . . . .
2.1
Distribution a` deux classes .
2.2
Distribution a` r classes . . .
3
Test dajustement . . . . . . . . . .
3.1
Principe . . . . . . . . . . .
3.2
Estimation de param`etres . .
4
Tests dhomogeneite . . . . . . . .
4.1
Principe . . . . . . . . . . .
4.2
Generalisation . . . . . . .
` propos dun cas particulier
4.3
A
5
Exercices . . . . . . . . . . . . . .
6
Solutions . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
234
235
235
235
235
235
236
236
237
239
239
240
241
241
242
242
242
242
243
243
244
245
246
247
249
253
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
263
263
263
263
264
266
266
267
270
270
271
272
275
277
bar-hen.net
`
TABLE DES MATIERES
vii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
281
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
297
297
297
298
299
299
299
300
301
301
302
306
B Integrales multiples
1
Integrale double . . . . . . . . . . . . .
1.1
Notion dintegrale double . . .
1.2
Calcul dune integrale double .
1.3
Proprietes . . . . . . . . . . . .
1.4
Cas particuliers . . . . . . . . .
1.5
Calcul de volumes et de surfaces
1.6
Changement de variables . . . .
2
Integrale triple . . . . . . . . . . . . . .
2.1
Notion dintegrale triple . . . .
2.2
Calcul dune integrale triple . .
2.3
Changement de variables . . . .
2.4
Generalisation . . . . . . . . .
3
Rappels de mecanique . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
309
309
309
309
311
311
312
313
315
315
315
317
317
317
bar-hen.net
.
.
.
.
.
.
.
.
.
.
.
`
TABLE DES MATIERES
viii
4
5
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
bar-hen.net
Chapitre 0
Analyse combinatoire
Lanalyse combinatoire fournit des methodes de denombrement particuli`erement utiles
en theorie des probabilites. Une application interessante est la demonstration du developpement
du binome de Newton ; ce developpement sera beaucoup utilise par la suite.
Arrangements
1.1
Denombrement
On se propose de denombrer les arrangements possibles de p objets parmi n. On notera
Apn le nombre de ces arrangements.
Arrangements
Il est aise de calculer A1n = n, puis A2n = n(n 1) ; il existe en effet n facons de choisir
le premier objet et (n 1) facons de choisir le deuxi`eme lorsquon a dej`a le premier.
Pour determiner Apn , on raisonne par recurrence. On suppose Anp1 connu. On en deduit :
Apn = Ap1
n (n p + 1)
Il existe en effet Ap1
facons de choisir les (p 1) premiers objets de la suite et pour
n
chacune de ces possibilite, il reste n (p 1) = (n p + 1) facons de choisit le dernier.
On a donc successivement :
A1n
A2n
A3n
..
.
p
An
= n
= n(n 1)
= n(n 1)(n 2)
.
= ..
= n(n 1)(n 2) (n p + 1)
(np)(np1)(2)(1)
On peut e crire : Apn = n(n 1)(n 2) (n p + 1) (np)(np1)(2)(1)
Si pour k N et k 6= 0, on note k! = 1 2 3 . . . (k 1) k (k! se lit : factorielle
k), on a plus simplement :
n!
Apn =
(1)
(n p)!
a, c, b
a, c, d
c, a, c
c, a, d
a, d, b
a, d, c
d, a, b
d, a, c
b, c, a
b, c, d
c, b, a
c, b, d
b, d, a
b, d, c
d, b, a
d, b, c
c, d, a
c, d, b
d, c, a
d, c, b
bar-hen.net
0. A NALYSE COMBINATOIRE
2 Permutations
2.1
Denombrement
Soit Pn le nombre de permutations possibles avec n objets donnes. Le calcul de Pn est
simple.
On a en effet : Pn = Ann = n(n 1)(n 2) 1
Do`u
Pn = n!
(2)
Exemple 0.4 Avec trois objets a, b, c on obtient P3 = 3! = 6 permutations, a` savoir :
a, b, c b, c, a c, a, b c, b, a b, a, c a, c, b
Combinaisons
3.1
Denombrement
On se propose de denombrer les combinaisons possibles de pobjets
pris parmi n. On
n
note Cnp le nombre de ces combinaisons. On note aussi parfois
.
p
On remarque quon peut ordonner une combinaison contenant p objets donnes de p!
mani`eres (autant que de permutations). En procedant de meme pour chacune des Cnp
combinaisons, on doit obtenir Apn arrangements.
On a donc :
p!Cnp = Apn
bar-hen.net
Combinaisons
Do`u :
Cnp =
n(n 1)(n 2) . . . (n p + 1)
p!
n!
p!(n p)!
(3)
3.2
(4)
n!
n!
On a en effet, dapr`es la relation 3 : p!(np)!
= (np)!p!
On peut aussi remarquer qu`a tout sous-ensemble de p objets correspond son complementaire
forme des (n p) objets restants.
2.
p
p1
Cnp = Cn1
+ Cn1
(5)
En explicitant on a successivement :
p
p1
Cn1
+ Cn1
=
=
=
=
=
(n 1)!
(n 1)!
+
(n 1 p)!p! (n 1 p + 1)!(p 1)!
(n 1)(n 2) . . . (n p) (n 1)(n 2) . . . (n p + 1)
+
p!
(p 1)!
(n 1)(n 2) . . . (n p + 1)
(n p + p)
p!
n(n 1)(n 2) . . . (n p)
p!
p
Cn
On peut aussi demontrer la relation 5 en notant que, si on designe a` lavance un objet parmi n, les combinaisons possibles avec ces n objets pris p a` p se decomposent
en deux categories :
p1
celles qui contiennent cet objet. Il y en a Cn1
; pour completer chaque combinaison il suffit en effet de choisir (p 1) objets parmi les (n 1) restants.
p
celles qui ne contiennent pas cet objet. Il y en a Cn1
; pour les obtenir il faut en
effet choisir p objets parmi les (n 1) qui sont differents de lobjet designe.
bar-hen.net
0. A NALYSE COMBINATOIRE
4 Applications
4.1 Developpement du binome de Newton 1
Lanalyse combinatoire permet aisement le developpement de (a + x)n o`u n est un entier
strictement positif (n N, n 6= 0)
Elever
(a + x) a` la puissance n revient a` multiplier n binomes identiques a` (a + x). Le
resultat est une somme ; chaque e lement de cette somme est le produit de n facteurs, du
type a ou x, choisis chacun dans un binome different.
On obtient donc des termes de la forme ap xnp (0 p n). Chacun deux sera present
autant de fois quil existe de facons de choisir les p facteurs a, cest-`a-dire de choisir p binomes parmi les n (les binomes o`u lon choisit les facteurs x sont alors bien
determines) ; il y en a donc Cnp . Sommer Cnp termes identiques a` ap xnp revient a` multiplier ap xnp par le coefficient numerique Cnp . On obtient ainsi, si n N et n 6= 0 :
(a + x)n = xn + Cn1 axn1 + + Cnp ap xnp + + Cnn2 an2 x2 + Cnn1 an1 x + an (6)
Comme Cnnp = Cnp cette expression met en e vidence la symetrie des coefficients numeriques
du developpement du binome de Newton range suivant les puissances croissantes de a
(ou de x).
Exemple 0.6 En donnant a` n successivement les valeurs 1, 2, 3 on obtient :
(a + x)1 = 1a + 1x
(a + x)2 = 1a2 + 2ax + 1x2
(a + x)3 = 1a3 + 3a2 x + 3ax2 + 1x3
4.2
Le triangle de Pascal 2
On consid`ere les developpements :
p1 p1 np
p
0
1
(x + a)n1 = Cn1
xn1 + Cn1
axn2 + + Cn1
a x
+ Cn1
ap xnp1 +
|
{z
}
|
{z
}
n
0 n
1
n1
p p np
(x + a) = Cn x + Cn ax
+ + Cn a x
+
On sapercoit que le coefficient Cnp , dapr`es la relation 5 peut e tre obtenu par laddition de
p
p1
Cn1
et de Cn1
. Do`u lidee du triangle de Pascal qui permet dobtenir, par recurrence,
les coefficients numeriques du developpement du binome de Newton.
Exemple 0.7 En utilisant le triangle de Pascal (Table 1), on peut e crire :
(a + x)6 = x6 + 6ax5 + 15a2 x4 + 20a3 x3 + 15a4 x2 + 6a5 x + a6
1
2
bar-hen.net
Applications
n! = nn en 2n[1 + (n)]
(7)
o`u (n) 0 lorsque n +
Si n est suffisamment grand, on peut donc, dans les calculs, e crire :
n! nn en 2n
(8)
En utilisant les logarithmes, il est alors facile dobtenir une bonne approximation de n!
Exemple 0.8 On se propose destimer 20! en utilisant lequation 8.
1
1
log 20 + log 2 + log
2
2
20.5 log 20 20 log e + 0.39908
On obtient : log(20!) 18.38439, do`u 20! 2.423 1018 , soit une erreur relative qui est
seulement de lordre de 4.3 103
bar-hen.net
0. A NALYSE COMBINATOIRE
0 1 2
3
1
1 1
1 2 1
2
3
1 3 3
1
4
1 4 6
4
1
5
1 5 10 10 5
1
6
1 6 15 20 15 6 1
1 7 21 35 35 21 7 1
7
On lit : C52 = 10. Ce resultat sobtient en ajoutant C42 (meme colonne, ligne du dessus) et
C41 (colonne de gauche, ligne du dessus)
n
bar-hen.net
Exercices
5 Exercices
1. Combien de nombres peut-on former avec les chiffres 0,1,2,3,4,5,6,7, chaque chiffre
netant present qune fois, de facon que chaque nombre commence par un 7 et soit
divisible par 5,
si les nombres sont de 8 chiffres ?
si les nombres sont de 6 chiffres ?
Reponses : 1440 ; 720
2. Cinq hommes et quatre femmes vont au cinema. Ils disposent dune rangee de
neuf places. De combien de facons differentes peuvent-ils sasseoir si lon veut
que chaque femme soit entouree de deux hommes ?
Reponse : 2880
3. On dispose de n boules. On veut former k groupes contenant respectivement r1 , r2 , . . . , rk
boules, en utilisant toutes les boules (r1 + r2 + + rk = n). De combien de facons
peut-on le realiser ?
Reponses : r1 !r2n!!rk !
4. On dispose de 5 billes rouges, 2 blanches et 3 bleues. Si les billes de meme couleur
sont indiscernables, de combien de facons peut-on les aligner ?
Reponses : 2520
5. Un groupe de 5 mathematiciens et 7 physiciens doit e lire un comite representatif
forme de 2 mathematiciens et 2 physiciens. Quel est le nombre de resultats possibles si :
les 12 personnes sont e ligibles ?
un physicien est e lu doffice ?
2 mathematiciens ne sont pas e ligibles ?
Reponses : 210 ; 60 ; 63
6. Le jeu de lecarte se joue avec 32 cartes, chaque joueur en recevant 5.
combien de mains differentes peut avoir un joueur ?
combien y-a-t-il de mains contenant 2 atouts et 2 seulement ?
Reponses : 201376 ; 56672
7. Quel est le nombre de groupes de six personnes que lon peut former avec 4 garcons
et 6 filles si lon veut quils contiennent obligatoirement 2 garcons,
donnes ?
seulement ?
au moins ?
Reponses : 70 ; 90 ; 185
8. Demontrer les trois relations :
n
X
Cni = 2n
(9)
i=0
n
X
i=1,i
impair
Cni
n
X
i=1,i
Cni = 2n1
(10)
pair
bar-hen.net
0. A NALYSE COMBINATOIRE
(11)
9. Developper : (P + Q)10
Reponse : Q10 +10P Q9 +45P 2 Q8 +120P 3 Q7 +210P 4 Q6 +252P 5 Q5 +210P 6 Q4 +
120P 7 Q3 + 45P 8 Q2 + 10P 9 Q + P 10
10. Estimer c50
100
Reponse : 1.011 1029
bar-hen.net
Chapitre 1
Premiers e lements de theorie des
probabilites
Le but de la theorie des probabilites est de degager des methodes permettant de faire des
predictions, qualitatives ou quantifiees, sur le deroulement des phenom`enes qui sont regis
par le hasard. On va dabord preciser et isoler lobjet de notre e tude :
12
Lensemble fondamental
2 Lensemble fondamental
On appelle ensemble fondamental associe a` E, tout ensemble dont les e lements representent
toutes les issues (ou resultats) possibles de E. Pour chacun des trois exemples mentionnes
precedemment, on a :
Exemple 1.1 = {[a, b]; a, b entiers compris entre 1 et 6 }
Exemple 1.2 = {[a, b]; a, b entiers distincts compris entre 1 et 10 }
Exemple 1.3 = R+ = [0, +[. On pourra en pratique se restreindre a` un intervalle
plus petit
Exemple 1.5 (jeu de pile ou face) si E consiste a` jouer 2 fois a` pile ou face
= {P P, P F, F P, F F }
On a un mod`ele presque identique pour lexperience E suivante : on choisit au hasard
une famille parmi les familles de 2 enfants, et on note le sexe des enfants, celui du plus
jeune, puis celui de lane : = {F F, F G, GF, GG}.
Si on note seulement le sexe des enfants sans se preoccuper de lordre des naissances, on
aura un ensemble different = {F F, F G, GG}
Exemple 1.6 (mod`ele mendelien de transmission dun caract`ere) on consid`ere un gene
admettant deux all`eles A et a ; E consiste en lobservation du descendant direct de deux
heterozygotes ; on prend = {AA, Aa, aa} (ensemble des genotypes possibles).
Si on consid`ere a` la fois deux genes, admettant chacun deux all`eles A, a et B, b, on
prendra = {AABB, AABb, AaBB, . . .} (il y 9 issues possibles).
Les e venements
Considerons une propriete (ou qualite) E liee au resultat (ou a` lissue) de lexperience
aleatoire E : a` chaque mise en uvre de E, ou bien E est realisee, ou bien E nest pas
realisee.
Exemple 1.7 Dans lexemple 1.1, on a E=les deux des affichent des nombres pairs ;
dans lexemple 1.2, on a E=on a tire au moins une boule de numero impair, etc.
Une telle propriete E permet de partager lensemble fondamental en deux parties :
dune part, lensemble AE des points representant une issue de E pour laquelle E
a lieu, et dautre part, la partie AE formee des points associes a` une issue ne
realisant pas E.
On obtient ainsi une representation de la propriete E par une partie AE de .
On dit que AE est levenement attache a` la propriete E ; on dit aussi que AE est levenement
E est realise. On voit immediatement que AE est aussi un e venement, cest levenement
non E est realise, cest-`a-dire E nest pas realise.
bar-hen.net
13
Exemple 1.8 Dans lexemple 1.1, levenement la somme des nombres obtenus est 6
est lensemble A = {(1, 5), (2, 4), (3, 3), (4, 2), (5, 1)}
Dans lexemple 1.6, considerons que le mod`ele de transmission dun caract`ere lie a` un
gene admettant deux all`eles A, a soit une couleur : vert lie a` A, ou jaune lie a` a et supposons A dominant. Levenement le descendant presente le caract`ere vert est represente
par {AA, Aa}.
enement certain : cest levenement lie a` une propriete realisee lorsquon effectue
Ev
E ; cet e venement est lensemble tout entier.
enement impossible : cest levenement associe a` une propriete qui nest jamais realisee ;
Ev
cet e venement est la partie vide de E, notee .
enement complementaire : si A est un e venement, on dit que A est levenement
Ev
complementaire de A dans . On retiendra que A est levenement non A.
enement e lementaire : on qualifie ainsi les e venements lies a` E qui ne sont realises
Ev
que pour une issue de E ; ce sont les parties de reduites a` un point.
bar-hen.net
14
La probabilite P
La probabilite P
On admet qu`a chaque e venement A A est associe un nombre P(A), compris entre 0
et 1 et qui mesure la probabilite de realisation de A.
Intuitivement, P(A) est la frequence de realisation de A au cours dun tr`es grand nombre
de mises en uvre de lexperience aleatoire consideree.
P est une application, definie sur A, (lalg`ebre des e venements attaches a` E) et a` valeurs
dans lintervalles [0, 1] :
P : A 7 [0, 1]
Il est clair quon doit avoir P() = 0 et P() = 1.
Considerons maintenant deux e venements incompatibles A et B ; imaginons quon effectue lexperience E N fois (N tr`es grand) et quon note nA et nB le nombre de fois o`u
on a observe A et B (respectivement) au cours de ces N realisations de E.
Comme A et B sont incompatibles, il est clair que le nombre nAB de realisations de A
ou B est exactement nAB = nA + nB . Do`u
nA nB
nAB
=
+
N
N
N
autrement dit, la frequence de realisation de A B est la somme des frequences de
realisation de A et de B. Ce raisonnement conduit a` la propriete suivante :
Si A et B sont deux e venements incompatibles, on a :
P(A B) = P(A) + P(B)
Plus generalement, si A1 , A2 , . . . , An sont deux a` deux incompatibles :
P(A1 An ) = P(A1 ) + + P(An )
Consequences :
1. pour tout e venement A A :
P(A) = 1 P(A)
bar-hen.net
15
2. si A A, B A :
P(A B) + P(A B) = P(A) + P(B)
et en particulier
P(A B) P(A) + P(B)
On pourra e tablir ces relations a` titre dexercice.
Soulignons encore un propriete generale des probabilites : Soient A A, B A, si
A B, la realisation de A entrane celle de B et on dit que A implique B ; comme
P(B) = P(B A) + P(B A) (pourquoi ?), on voit que :
si A B, alors P(A) P(B)
5.1
6 Le cas e lementaire
Supposons lensemble fondamental fini, et supposons que toutes les issues ont la meme
probabilite (on dit quelles sont e quiprobables). Il est alors facile de determiner P :
Notons |A| le nombre delements de la partie A de . Comme P() est la somme des
probabilites des e venements e lementaires {}, ( parcourant ) et comme les P({})
sont par hypoth`eses e gaux entre eux, on obtient :
1
||
P({}) =
P({}) ; do`u :
P(A) =
|A|
||
cest-`a-dire le rapport du nombre des issues favorables au nombre de toutes les issues
possibles.
Dans ce cas, le calcul de la probabilite dun e venement peut donc e tre ramene a` un
denombrement.
bar-hen.net
16
7
7.1
7.2
Arrangements
Considerons un ensemble X a` n e lements et p un entier compris entre 0 et n. Un parrangement delements de X est la donnee de p e lements distincts de X, ranges dans un
certain ordre. Le nombre Apn de tels arrangements est donne par la formule :
Apn = n(n 1) (n p + 1)
bar-hen.net
17
n!
(n p)!
7.3
Combinaisons
Une p-combinaisons delements de X est la donnee dune partie de X a` p e lements
(sans quon ait defini un ordre de succession de ces e lements). Le nombre Cnp des pcombinaisons de X (X ayant n e lements) est donne par la formule :
Cnp =
Apn
n!
=
p!
p!(n p)!
bar-hen.net
18
Probabilite conditionnelle
13 ; comptons alors les 13issues sont e quiprobables, chaque issue a la probabilite 1/C52
combinaisons comprenant les 4 As : il y en a autant que de 9 combinaisons parmi 48
cartes, do`u :
P(4 As) =
9
C48
(48)!(13)!
10 11 12 13
=
=
2.64 103
13
C52
(52)!(9)!
49 50 51 52
Remarque : on aurait pu prendre pour E lobservation des cartes dun joueur donne
dans lordre o`u elles ont e te distribuees ; alors est lensemble des A13
52 13-arrangements
possibles ; le nombre de ces arrangements contenant les 4 As est :
m = A413 A948
Il y a A413 dispositions possibles pour les 4 As, et, cette disposition e tant fixee, il y a A948
arrangements possibles.
Comme les differents 13-arrangements sont e quiprobables, on trouve :
P(4 As) =
10 11 12 13
A413 A948
=
13
A52
49 50 51 52
cest-`a-dire le meme resultat que precedemment mais par un raisonnement plus difficile.
Les notions de probabilite conditionnelle et dindependance jouent un role fondamental
dans toute la suite ; elles sont indispensables dans la conduite des calculs d`es quon sort
du cas e lementaire considere precedemment. Dailleurs meme dans ce cas, et d`es quon
a acquis un peu lhabitude, elles permettent souvent des calculs plus simples et plus surs.
8 Probabilite conditionnelle
8.1
Probabilite conditionnelle
Considerons une experience aleatoire E despace de probabilite associe (, A, P).
Definition 1.1 Soient A, B A et supposons P(A) 6= 0. La probabilite conditionnelle
de B, A e tant donne est le nombre :
P(B|A) =
P(A B)
P(A)
19
Exemple 1.16 On tire 5 cartes parmi 52. Si on sait que la premi`ere carte est las de tr`efle
(evenement A), la probabilite davoir 4 As (evenement B) est intuitivement :
p=
48
4!48!
=
4
C51
51!
4
Il y a C51
combinaisons possibles pour les quatre derni`eres cartes, et 48 de ces combinaisons comportent les 3 As manquants.
5!48!
Dautre part P(A) = 1/52 et P(A B) = 1/5P(B) = 5C485 = 552!
= 4!48!
52!
52
P
(AB)
On verifie que : p = P(A)
Exemple 1.17 On jette un de ; si on sait que le nombre obtenu est pair, et en labsence
de toute autre information, la probabilite davoir 2 est intuitivement 1/3, celle davoir 1
est e videmment 0 ; ce qui est en accord avec la definition precedente de P(B|A).
La formule de la probabilite conditionnelle peut se justifier intuitivement. Effectuons
lexperience E N fois, (N tr`es grand) ; on note NA , NAB le nombre de fois o`u A et
A et B ont e te effectivement realises. La frequence de realisation de B lorsquon ne
consid`ere que les realisation de E (parmi les N effectues) qui ont conduit a` A est :
f=
NAB
NAB
N
=
NA
N
NA
20
Probabilite conditionnelle
o`u A1 =la 1e` re boule tiree est rouge, A2 =la 2e` me boule tiree est noire et A3 = la
3e` me boule tiree est blanche.
Clairement P(A1 ) = 5/10 = 1/2 (toutes les boules ayant la meme probabilite detre dabord
tirees) ; de plus P(A2 |A1 ) = 3/9 = 1/3 et P(A3 |A1 A2 ) = 2/8 = 1/4. Do`u dapr`es la
formule des probabilites composees :
P(RN B) =
5
1
1
=
32 =
234
24
10 9 8
A` titre dexercice on peut calculer P(N RB) et P(N BR). Est-ce e tonnant de trouver 1/24 ?
8.2
Formule de Bayes
La formule des e venements complementaires permet decrire que pour tout A A, on
P(A) + P(A) = 1
Pour tout couple devenements A, B la formule des probabilites composees devient donc :
P(A|B) =
P(A)P(B|A)
P(A)P(B|A) + P(A)P(B|A)
Cette formule sappelle la formule de Bayes. On parle aussi formule des probabilites des
causes.
Exemple 1.19 (efficacite dun test de depistage). On a mis au point un test permettant de
depister une maladie ; ce test netant pas infaillible, on souhaite connatre la probabilite
detre atteint par la maladie pour un individu presentant un test positif.
On suppose connues :
1. la proportion de la population atteinte par la maladie ;
2. la probabilite pour un sujet malade de presenter un test positif ;
3. la probabilite pour un sujet sain de fournir un test positif.
Lexperience aleatoire consiste ici a` prendre au hasard un individu (dans la population consideree) et a` lui faire subir le test. On note T, M, S les e venements le test
est positif, lindividu est malade, lindividu est sain. Le probl`eme est de trouver
P(M |T ) connaissant P(M ), P(T |M ), P(T |S). On a :
P(M T )
P(T )
P(M )P(T |M )
=
P(T M ) + P(T S)
P(M )P(T |M )
=
P(M )P(T |M ) + P(S)P(T |S)
P(M |T ) =
Exemple numerique : si P(M ) = 1/100, P(T |M ) = 0.8, P(T |S) = 0.1, on trouve un
resultant surprenant : P(M |T ) 0.075. Dans ce cas, le test est dune efficacite presque
nulle. Avec P(M ) = 1/1000, P(T |M ) = 0.95, P(T |S) = 0.05, P(M |T ) 0.013.
bar-hen.net
21
9 Independance
9.1 Independance de deux e venements
Si A et B sont deux e venements (associes a` une experience aleatoire E), on dit que A et
B sont independants si :
P(A B) = P(A)P(B)
Il revient au meme de dire que P(B|A) = P(B) : ainsi, savoir que A a e te realise lors
dune mise en uvre particuli`ere de E ne modifie pas la probabilite de realisation de B
(et donc ne nous apprend rien de nouveau sur la probabilite que B ait lieu).
Attention a` ne pas confondre independants et incompatibles. Si A et B sont incompatibles
A B = et P(A B) = 0 ; A et B ne pourront donc e tre independants que si P(A) = 0
ou P(B) = 0.
Exemple 1.20 On tire une carte au hasard dans un jeu de 52 cartes ; les e venements
Pique et Valet sont independants (`a verifier), mais non incompatibles (pourquoi ?).
Les e venements Pique et Tr`efle sont incompatibles mais ils ne sont pas independants.
Si A et B sont independants, A et B, A et B, A et B sont e galement independants (deux
a` deux).
Verifions le par exemple pour A et B : comme A B et A B sont incompatibles, et
comme (A B) (A B) = A, on a :
P(A B) + P(A B) = P(A)
Do`u :
P(A B) =
=
=
=
9.2
P(A) P(A B)
P(A) P(A)P(B)
P(A)(1 P(B))
P(A)P(B)
22
Independance
bar-hen.net
10
23
Exercices
1. Dans une loterie, 400 billets, dont 4 gagnants, sont mis en vente. Si on ach`ete 10
billets, quelle est la probabilite de gagner au moins un lot ?
2. Soit le labyrinthe ci dessous, dans lequel on fait penetrer des rat. Quelles sont les
probabilites, pour un animal de sortir par A, B, C, D, E ou F ?
D
Entree
3. Trois chasseurs tirent sur un oiseau. Quelle est la probabilite pour que loiseau soit
touche, sachant que les probabilites de toucher loiseau, pour chaque homme, sont
P(A) = 1/2, P(B) = 2/3, P(C) = 1/4 ?
4. Une population est composee de 40% dhommes et de 60% de femmes ; 50% des
hommes et 30% des femmes fument. Quelle est la probabilite pour quun fumeur,
choisi au hasard soit une femme ?
5. Deux amis se trouvent dans la queue a` lentree du restaurant universitaire. Sachant
que la queue comporte n personnes alignes, quelle est la probabilite pour quils
soient separes par 5 personnes exactement ?
6. Quelle est la probabilite pour que, dans un groupe de 25 personnes, au moins 2
personnes aient leur anniversaire le meme jour ?
7. On vous presente un homme. Dans la br`eve conversation qui suit, vous apprenez
que cet homme a deux enfants dont au moins une fille. Quelle est la probabilite
pour quil ait 2 filles ?
8. On consid`ere des des a` jouer reguliers. Est-il plus probable dobtenir au moins une
fois la face 6 en jetant quatre fois un de ou dobtenir au moins une fois le double 6
en jetant vingt quatre fois deux des ?
9. Soit une esp`ece diplode. Un caract`ere est gere par un couple dall`eles ; tout individu porte donc donc deux de ces all`eles qui sont ici de type A ou a. On suppose
quaux trois genotypes possibles correspondent seulement deux phenotypes : D
pour AA et Aa, R pour aa ; de plus, le caract`ere nest pas lie au sexe et les accouplements ont lieu au hasard.
On designe par ui , vi , wi les probabilites pour quun individu, choisi au hasard
dans la generation Fi , soit respectivement de genotype AA, Aa, ou aa. En F0 , on
avait seulement des individus de type D, avec u0 = 1/3 et v0 = 2/3. on sinteresse
maintenant a` la generation F1 :
(a) calculer w1 , puis v1 , puis u1 ;
(b) si on choisit au hasard un individu de phenotype D, quelle est la probabilite
pour quil soit de genotype AA ?
bar-hen.net
24
Exercices
25
bar-hen.net
26
11
Solutions
Solutions
1. On consid`ere lexperience aleatoire qui consiste a` choisir successivement 4 numeros
parmi 400 pour designer les gagnants (schema de tirage exhaustif).
Soit un individu qui poss`ede 10 billets. On note Ai (i = 1, . . . , 4) levenement : le
ie` me numero tire nest pas sur lun des 10 billets.
Soit E levenement : lindividu gagne au moins un lot. E est donc levenement :
lindividu ne gagne aucun lot.
On a P(E) = 1 P(E) (evenements contraires).
E = A1 A2 A3 A4 . Do`u :
P(E) = P(A1 A2 A3 A4 )
Les e venements A1 , A2 , A3 , A4 ne sont pas independants (tirage exhaustif). Donc :
P(E) = P(A1 )P(A2 |A1 )P(A3 |A2 A1 )P(A4 |A3 A2 A1 )
390 389 388 387
=
400 399 398 397
90.33%
Do`u P(E) 9.67%
2. Lexperience consiste a` faire entrer un rat dans le labyrinthe et a` observer la sortie
choisie. Si on admet que le rat, a` chaque embranchement choisit indifferemment
lune des deux voies qui soffrent a` lui : G (pour gauche) et G (pour droite),
on aura, a` chaque embranchement : P(G) = P(G) (absence de lateralisation et
independance des choix successifs).
Dans cette hypoth`ese, on a :
P(A) = P(G) =
1
2
1
4
1
8
P(D) = P(G G G G) =
1
16
1
32
1
P(F ) = P(G G G G G) =
32
P(E) = P(G G G G G) =
On peut verifier que les e venements A, B, C, D, E, F forment, mutuellement incompatibles, forment un syst`eme complet :
P(A) + P(B) + P(C) + P(D) + P(E) + P(F ) = 1
bar-hen.net
27
7
8
2(n r 1)
n(n 1)
6. En ce qui concerne les jours de naissance, le groupe est considere comme choisi
au hasard dans une population. Lannee comprend 365 jours et forme un ensemble
A de 365 e lements ; on suppose a priori, hypoth`ese discutable, que chaque jour est
e galement probable comme jour danniversaire dun personne choisie au hasard.
bar-hen.net
28
Solutions
1
1
365
2
24
1
... 1
365
365
341
365! 1
364 363
...
=
365 365
365
340! 36525
Et donc
365! 1
340! 36525
Calcul numerique : P(F ) 1 0.4313 = 56.87%
P(F ) = 1
1/
P((F F ) (G G))
P(F F )
1
4
=
=
=
1 P(G C)
1 1/4
3
P(G G)
29
1
Pour un jet de deux des, on a P(double 6) = P(6 6) = 36
Do`u P(double 6) =
35
1
1 36 = 36
Pour vingt quatre jets de 2 des, on obtient, en raisonnant comme dans le cas
precedent :
24
35
49.14%
P(au moins un double 6)1 P(double 6) = 1
36
N.B. : le chevalier de Mere pour qui les deux e ventualites e taient e gales, ne voulait
pas admettre la solution de Pascal.
9. Il faut dabord denombrer les croisements possibles dans la generation F0 et calculer leur probabilite :
Croisement I : (H(AA) F (AA))
P(I) = P(H(AA))P(F (AA)) = u20 =
1
9
4
9
bar-hen.net
30
Solutions
1/
P(A N )
1
6
= 4 =
P(N )
/6
4
En effet :
11
1
=
32
6
23
1
P(B N ) = P(B)P(N |B) =
=
34
2
P(A N ) = P(A)P(N |A) =
4
6
2
5
12. Reponse : Lexperience consiste a` choisir un jeton et a` le poser sur une table ; on
ne voit ainsi quune face, la deuxi`eme est cachee. On a :
P(B2 |B1 ) =
4/
P(B2 B1 )
P(A B
4
8
=
= 5 =
P(B1 )
B1
/8
5
5
8
1/
P(F (AA F (non aa)
P(F (AA))
4
=
= 3 = 1/3
P(F (non aa))
P(F (non aa))
/4
2/
P(F (Aa F (non aa)
P(F (Aa))
4
=
= 3 = 2/3
P(F (non aa))
P(F (non aa))
/4
En effet si E1 E2 E1 E2 = E1
bar-hen.net
31
15.
3/
P(enfant Aa)
3
6
= 5 =
P(enfant nonaa)
/6
5
(c) Lincertitude de Madame Dupont est levee. On est certain detre dans le cas
I. Do`u
1
P(2e aa|1e aa) = P(2e aa|I) =
4
(a) On designe par En le genotype dune plante choisie au hasard dans la e` me
generation et par En1 son ascendant immediat. Comme on passe dune
generation a` lautre par autofecondation, on a :
1
P(En (AA)|En1 (AA)) = 1 ; P(En (AA)|En1 (Aa)) = ; P(En (AA)|En1 (aa)) = 0
4
1
P(En (Aa)|En1 (AA)) = 0 ; P(En (Aa)|En1 (Aa)) = ; P(En (Aa)|En1 (aa)) = 0
2
1
P(En (aa)|En1 (AA)) = 0 ; P(En (aa)|En1 (Aa)) = ; P(En (aa)|En1 (aa)) = 1
4
On peut alors e crire :
P(En (AA)) = P((En1 (AA)En (AA))(En1 (Aa)En (AA))(En1 (aa)En (AA)))
En appliquant successivement laxiome des probabilites totales et la relation
des probabilites composees, on obtient :
xn = P(En1 (AA))P(En (AA)|En1 (AA)) + P(En1 (Aa))P(En (AA)|En1 (Aa))
+P(En1 (aa))P(En (AA)|En1 (aa))))
En raisonnant de meme pour yn et zn , on obtient :
1
xn = 1xn1 + yn1 + 0zn1
4
1
yn = 0xn1 + yn1 + 0zn1
2
1
zn = 0xn1 + yn1 + 1zn1
4
bar-hen.net
32
Solutions
1
xn = zn =
2
1
1 n
2
, yn =
1
2n
(d)
1
2n1
1
= 1 n2
2
1
0.05 n1 5
2n1
1
0.999 n2 0.05 n2 10
2
; Pn1 0.95
; Pn2
On remarque que xn +yn +zn = 1, ce qui est normal puisque les e venements
AA, Aa et aa forment un syst`eme complet.
16. Reponse : 1/10! ; 1/10 ; 1/90 ; 17/90
17. Lexperience consiste a` choisir un individu au hasard dans la population. On a :
P(A B) = P(A) + P(B) P(A B)
= P(A) + P(B) P(A)P(B)
ou encore P(A B) = 1 P(A B) = 1 P(A)P(B).
Reponse : 5.95%
18. Montage serie :
P(E) = (0.8)3 = 0.512
Montage parall`ele :
P(E) = 1 (0.2)3 = 0.992
P(F |E) =
Chapitre 2
Variables aleatoires discr`etes
1
(2.1)
1.1
Loi de probabilite
La loi de probabilite dune variable aleatoire X, on dit aussi la distribution de X, est le
mode de repartition de la probabilite de sur lensemble des observables.
33
34
Il en resulte que connatre la loi de probabilite de X, cest e tre capable dattribuer une
probabilite a` tout e venement X I.
1.2
Fonction de repartition
Si on consid`ere, en particulier, lintervalle ] , t[, qui definit levenement (X < t) =
{|X() < t}, la definition de la variable aleatoire X implique qu`a tout reel t on peut
associer la valeur P(X < t) ; il existe donc une fonction FX , definie sur R et telle que
FX (t) = P(X < t) :
1.3
t+
t+
35
` TES
2. VARIABLES AL EATOIRES
DISCR E
0
0+
1.4
xi xi+1
bar-hen.net
xn
36
Toute valeur reelle distincte dun point de discontinuite et tout intervalle ne comportant
pas de point de discontinuite sont affectes dune probabilite nulle.
Par contre, pour tout point xi de discontinuite, on peut e crire, si 0 < < xi+1 xi :
FX (xi + ) FX (xi ) = li+1 li = P(xi X < +)
On en deduit
P(X = xi ) = lim+ P(xi X < xi + ) = li+1 li
0
La conclusion de cette analyse est que lensemble denombrable {x1 , x2 , . . . , xn , . . .} regroupe les valeurs de probabilite non nulle et que la probabilite de est repartie uniquement sur ces points. Lensemble {x1 , x2 , . . . , xn , . . .} est donc lensemble des observables de X et la probabilite attribuee a` chacun de ces points est la hauteur de la marche
correspondante.
Reciproquement, si on connat lensemble des observables {x1 , x2 , . . . , xn , . . .} et les
probabilites attribuees a` chacune delles, il est facile de retrouver la fonction de repartition
et de determiner la probabilite attribuee a` tout intervalle :
Si a ]xi , xi+1 ], (X < a) = (X = x1 ) (X = x2 ) (X = xi ). On en deduit,
les e venements e tant incompatibles :
FX (a) = P(X < a) = P(X = x1 )+P(X = x2 )+ +P(X = xi ) =
i
X
P(X = xk )
k=1
37
` TES
2. VARIABLES AL EATOIRES
DISCR E
Dans la pratique, cest par la loi P que lon definit la loi de probabilite dune
P variable
aleatoire discr`ete. Il est clair que les probabilites pi verifient la relation i pi = 1,
puisque lensemble des e venements (X = xi ) forme une partition de
Exemple 2.1 La fonction de repartition dune variable aleatoire est definie par :
t 7 0 , si t 1
t 7 26 , si 1 < t 2
F :
t 7 56 , si 2 < t 4
t 7 1 , si t > 4
On en deduit la loi de probabilite de cette variable, definie par :
valeurs observables
probabilites
xi
pi
2/6
3/6
1/6
Exemple 2.2 On tire une carte dun jeu de 32 cartes. Soit X la variable aleatoire qui
associe a` la carte tiree une valeur numerique suivant la r`egle du jeu de bridge : 4 pour
un as, 3 pour un roi, 2 pour une dame, 1 pour un valet et 0 pour une autre carte.
La loi de probabilite de X est definie par :
valeurs observables xi 0 1 2
4
4
probabilites
pi 16
32
32
32
ou par la fonction de repartition FX :
4
32
4
32
t
t0 0<t1 1<t2 2<t3 3<t4 t>4
4/8
5/8
6/8
7/8
FX (t)
0
1
2.2
38
bar-hen.net
39
` TES
2. VARIABLES AL EATOIRES
DISCR E
La reserve sil existe concerne le cas o`u lensemble des observables contient un nombre
infini de valeurs ; lexistence de E(X) depend alors de la convergence de la somme.
Analogie mecanique : imaginons une tige sans masse sur laquelle on place des masses
ponctuelles : a` labscisse xP
masse mi . Labscisse x du centre de masse
i se trouve laP
de ces points est donne par ( i mi )x = i (mi xi ). Lesperance de X definit donc le
barycentre de points materiels xi de masse pi , de masse totale 1, situes sur un axe.
` tout e venement e lementaire ,
On peut e galement donner une autre definition de E(X) : A
de probabilite P(), correspond une image X(). On peut e crire :
X
E(X) =
X()P()
En effet, si on regroupe dans cette derni`ere somme les e venements e lementaires de meme
image, on obtient :
X
X
X
X
E(X) =
P() =
xi P(X = xi ) =
xi pi
i
|X()=xi
On dit que le mode et lesperance, qui representent une certaine tendance centrale, sont
des param`etres de position.
Moments dordre k
On appelle moment dordre
k (k N) de X,Pet on note E(X k ), le nombre reel, sil existe,
P
defini par : E(X k ) = i [xki P(X = xi )] = i xki pi On a
E(X 0 ) =
pi = 1
E(X 1 ) =
xi pi = E(X)
On utilisera E(X 2 ) =
x2i pi
Variance
2
On appelle variance de X, et on note V(X) ou X
, le nombre reel, sil existe, defini par :
X
V(X) = X =
(xi X )2 pi
i
40
une forte probabilite ; on dit que la variance est un param`etre de dispersion. Une valeur
nulle de la variance signifie quil nexiste quune seule valeur observable de valeur e gale
a` lesperance (dispersion minimum).
Lanalogie mecanique de la variance est le moment dinertie de masses ponctuelles par
rapport a` leur centre de masse.
P
On peut e crire :P
V(X) = i (x2i P
2X xi + 2X )p
Pi
2
2
Do`
u
V(X)
=
(x
p
)
2
(x
p
)
+
X
X
i i i
i i i
i pi
P
P
P
Or i pi = 1 et i pi xi = x donc V(X) = i (x2i pi ) 2X
Do`u la relation (theor`eme de Guldin) :
V(X) = E(X 2 ) E2 (X)
Cette relation est tr`es commode dans le calcul de la variance.
Ecart-type
On appelle e cart-type de X la racine carre de sa variance. On note X .
Un e cart-type est donc un reel positif ; il sagit dun indice de dispersion qui presente
lavantage davoir la meme unite que les observables.
Exemple 2.3 Reprenons lexemple 2.1 On a
2
3
1+ 2+
6
6
2
3
E(X 2 ) =
1+ 4+
6
6
V (X) = 5 4 = 1
X = 1
E(X) =
1
4=2
6
1
16 = 5
6
=
16 16
16
X 1.479
E(X) =
4
3+
32
4
9+
32
4
40
5
4=
=
32
32
4
4
120
60
16 =
=
32
32
16
41
` TES
2. VARIABLES AL EATOIRES
DISCR E
4 Variable indicatrice
Definition 2.4 Soit une experience aleatoire E pouvant entraner lobservation dun e lement
E ou de son contraire E. On appelle variable indicatrice de levenement E une variable
aleatoire X qui associe a` E la valeur un et a` E la valeur zero.
4.1
Loi de probabilite
On pose P(E) = p et P(E) = q = 1 p. On a
P(X = 1) = P(E) = p
et
P(X = 0) = P(E) = q = 1 p
La loi de X est donc definie par :
k
0
P(X = k) 1 p
4.2
1
p
Param`etres descriptifs
E(X) = 0(1 p) + 1p = p
E(X 2 ) = 0(1 p) + 1p = p
V(X) = E(X 2 ) E2 (X) = p p2 = p(1 p) = pq
Le mode est 1 si p > 21 , et 0 si p < 21 . Il ny a pas de mode si p =
1
2
Definition
Soit une experience aleatoire E a` laquelle est associee une variable aleatoire X dont lensemble des observables contient un nombre fini de valeurs reelles : X() = {x1 , x2 , . . . , xn }.
La loi de probabilite de X est dite uniforme si elle est definie par
1
P(X = xi ) =
i {1, 2, . . . , n}
n
Exemple 2.5 Dans le jet dun de regulier, si X est la variable aleatoire qui associe a` la
face obtenue le nombre de points quelle represente, la loi de X est definie par :
k
P(X = k)
1
6
1
6
1
6
1
6
1
6
1
6
42
La loi hypergeometrique
E(X) =
n
X
i=1
E(X ) =
n
X
1X
xi
xi P(X = xi ) =
n i=1
n
x2i P(X
i=1
1X 2
x
= xi ) =
n i=1 i
E(X) =
1X
1 n(n + 1)
n+1
i=
=
n i=1
n
2
2
n
1 n(n + 1/2)(n + 1)
(2n + 1)(n + 1)
1X 2
E(X ) =
i =
=
n i=1
n
3
6
2
V(X) =
n2 1
(2n + 1)(n + 1) (n + 1)2
=
6
4
12
6 La loi hypergeometrique
6.1
nk
Cak CN
a
n
CN
Definition 2.5 On dit quune variables aleatoire X, a` valeurs dans N, suit une loi hypergeometrique si la loi de probabilite est definie par :
P(X = k) =
Cak CNnk
a
CNn
bar-hen.net
` TES
2. VARIABLES AL EATOIRES
DISCR E
43
a
a N aN n
n ; V(X) = n
N
N N N 1
7 La loi binomiale
7.1
Schema de Bernoulli
Soit une suite finie de n experiences aleatoires E1 , E2 , . . . , En , obeissant aux conditions
suivantes :
1. chaque experience peut entraner lobservation dun e venement E ou de son contraire
E;
2. la probabilite de E, notee p, est la meme pour chaque experience ; ceci est alors
e galement vraie pour la probabilite de E, notee q = 1 p ;
3. le resultat dune experience est independant des resultats des autres experiences.
On note Ek levenement E se realise a` la k e` me experience et Ak levenement E se
realise exactement k fois dans la suite dexperiences.
Levenement Ak peut se realiser de plusieurs mani`eres mutuellement incompatibles. La
probabilite de Ak est donc la somme des probabilites de chacune de ces e ventualites.
Lune delles est, par exemple : E1 Ek Ek+1 En ; sa probabilite est
pk q nk , a` cause de lindependance des e venements. Toute autre e ventualite realisant Ak
aura la meme probabilite, obtenue par le produit de k termes e gaux a` p et de n k termes
e gaux a` q.
Pour obtenir la probabilite de Ak , il suffit donc de denombrer les e ventualites qui realisent
Ak . Il est clair quil y en a autant que de mani`eres de choisir, parmi les n experiences,
celles qui realisent E, cest-`a-dire Cnk et on e crit P(Ak ) = Cnk pk q nk .
Ce schema, dit de Bernoulli, sapplique par exemple, a` une suite de jets dune pi`ece de
monnaie (E=pile) ou un tirage avec remise, ou non exhaustif, de n boules dans une urne
a` deux categories (E=boule tiree est rouge).
Si on associe a` une suite dexperience de Bernoulli la variable aleatoire representant le
nombre devenements E que lon peut observer, levenement Ak secrit X = k et on
a : P(X = k) = Cnk pk q nk .
Definition 2.6 On dit quune variable aleatoire X, a` valeurs dans N, suit une loi binomiale si sa loi de probabilite est donnee par :
P(X = k) = Cnk pk q nk
avec k {0, 1, 2, . . . , n}, o`u n est un entier donne et o`u p est un reel tel que 0 < p < 1.
Le nom de cette loi provient du fait que P(X = k) est donne par le terme de rang k +1 du
developpement, suivant les puissances
croissantes de p, du binome de Newton : (p + q)n .
Pn
On verifie immediatement que k=0 Cnk pk q nk = (p + q)n = 1.
bar-hen.net
44
La loi binomiale
Une loi binomiale e tant parfaitement definie par les param`etres n et p, on e crit symboliquement : X suit une loi B(n, p).
Exemple 2.6
1. Si X est la variable aleatoire qui represente le nombre de piles
que lon peut obtenir
en jetant 10 fois une pi`ece reguli`ere, X suit une loi B 10, 21 . On a :
k
0
1
2
3
4
5
6
7
8
9
10
10
45
120
210
252
210
120
45
10
1
1
P(X = k) 1024 1024 1024 1024 1024 1024 1024 1024 1024 1024 1024
2. Une urne contient des boules rouges en proportion 1/4. On tire successivement 25 boules
en remettant chaque fois la boule
tiree. Si Y est le nombre de boules rouges que lon peut
1
obtenir, Y suit un loi B 25, 4 (tirage non exhaustif ou avec remise).
3. La probabilite pour quun individu, issu dun certain croisement, poss`ede le phenotype
R est de 3/4. Si Z est la variable aleatoire representant le nombre dindividus portant le
phenotype R, que
lon peut observer sur 50 descendants issus dun tel croisement, Z suit
une loi B 50, 43
7.2
Param`etres descriptifs
On admettra les resultats qui suivent ; il est recommande den connatre une demonstration
(voir par exemple le corrige de lexercice 11)
Si X est une variable aleatoire de loi B(n, p),
Lesperance de X est donne par X = E(X) = np
2
La variance de X est donnee par X
= V(X) = np(1 p) = npq
la distribution est de type unimodal et admet pour mode lentier, en general unique,
situe dans lintervalle [(n + 1)p 1, (n + 1)p] ou exceptionnellement deux modes
successifs, e quiprobables, bornes de lintervalle ci-dessus lorsque (n+1)p a une valeur
enti`ere.
Exemple 2.7
1. Si X suit une loi B 10, 21 , on a
1
E(X) = 10 = 5
2
Verifions :
E(X) =
10
X
kCnk pk q nk
k=0
1
(0 + 10 + 90 + 360 + 840 + 1260 + 1260 + 840 + 360 + 90 + 10)
1024
5120
=
1024
= 5
=
bar-hen.net
45
` TES
2. VARIABLES AL EATOIRES
DISCR E
V(X) = 10
11
= 2.5
22
Verifions :
10
X
E(X 2 ) =
k 2 Cnk pk q nk
k=0
1
(0 + 10 + 180 + 1080 + 3360 + 6300 + 7560 + 5880 + 2880 + 910 + 100)
1024
28160
=
1024
= 27.5
E(X) =
7.3
150
150
, V(X) =
,
4
16
Formes de la distribution
La forme dune distribution binomiale se deduit aisement de letude du mode :
1. si p =
1
2
1
2. Si n+1
< p < 12 , forme en cloche dissymetrique, le mode e tant deplace vers la
gauche. Eventuellement,
deux modes successifs e quiprobables.
3. Si p
1
,
n+1
1
2
n
4. Si < p < n+1
, forme en cloche dissymetrique, le mode e tant deplace vers la
droite. Eventuellement,
deux modes successifs e quiprobables.
n
5. Si p
, forme en J ; Eventuellement,
deux modes en n 1 et n.
n+1
Comme on le verra plus loin, il est tr`es important, en statistique, de savoir determiner la
forme dune distribution.
Exemple 2.8
1. Si X suit une loi B 10, 21 ,la distribution est en cloche symetrique par rapport au mode
5, valeur e gale aussi a` lesperance de X.
bar-hen.net
46
La loi binomiale
2. Si Y suit une loi B 25, 14 , la distribution est en cloche dissymetrique ; le mode 6 est plus
proche de 0 que de 25.
3. Si X suit une loi B 50, 34 ,la distribution est en cloche dissymetrique ; le mode 38 est
plus proche de 50 que de 0.
7.4
P(X = k) =
a
N
k1
N
p, Na1
= N1 1N p, . . . , Nak+1
= N1 k1
p;
1
k+1
N
N
on denombre k fractions de ce type.
a
a
1 N
1 N
nk1
N a
N an+k+1
N
N
=
p,
.
.
.
,
=
1 p ; on denombre n k
k
k
N n+1
1 n1
1 N
N
fractions de ce type.
En conclusion : si N + et si Na p, on a :
Cak CNnk
a
Cnk pk (1 p)nk
n
CN
Ce resultat mathematique peut e tre utilise de la mani`ere suivante :
La variable X represente le nombre dindividus dun type donne (de couleur rouge pour
une boule) que lon peut trouver dans un e chantillon de taille n extrait dune population de taille N (lurne) contenant a individus du type considere. Lechantillon peut e tre
obtenu par n tirages successifs sans remise. Si la taille de la population est tr`es grande
devant celle de lindividu (n N ), de mani`ere a` ce que lon puisse considerer qu`a
chaque tirage la probabilite dobtenir un individu du type considere demeure pratiquement e gale a` celle du premier tirage ( Na ), la loi de X peut e tre assimilee a` une loi binomiale B n, p = Na . On remarquera, en particulier, que cette approximation conserve
lesperance :
a
E(X) = n = np
N
et, pratiquement, la variance :
a
a 1 Nn
V(X) = n
1
np(1 p)
N
N
1 N1
n
1
car 1 N1 1
N
bar-hen.net
47
` TES
2. VARIABLES AL EATOIRES
DISCR E
8 La loi de Poisson
Definition 2.7 On dit quune variable aleatoire X, a` valeurs dans N, suit une loi de
Poisson de param`etre si, e tant un reel donne strictement positif, la loi de X est
definie par :
k
P(X = k) = e
o`u k N
k!
Une loi de Poisson e tant parfaitement definie par le param`etre , on e crit alors : X suit
une loi P(). On note que :
+
X
k=0
8.1
k!
=e
+ k
X
k=0
k!
= e e = 1
k+1
Si, par exemple, on suppose que X suit une loi P(2, 2), on a :
P(X = 0) = e2.2 0.110803
2.2
P(X = 1) = P(X = 0)
0.243767
1
2.2
P(X = 2) = P(X = 1)
0.268144
2
2.2
P(X = 3) = P(X = 2)
0.196639
3
etc.
On trouvera dans la table 11.4 les valeurs de P(X = k), avec quatre chiffres significatifs,
pour differentes valeurs de . On peut, pour une valeur de non tabulee, proceder par
interpolation lineaire.
Si, par exemple, X suit une loi P(2, 2), on obtient :
2
Pour =2 P(X = 1) 0.2707
Pour = 2.2 P(X = 1) 0.2702 (0.27070.2052)
Pour =2.5P(X = 1) 0.2052
5
Do`u P(X = 1) 0.2445 ; la comparaison avec la valeur trouvee plus haut donne une
idee de la precision du procede.
On notera que la somme des probabilites des observables concentrees autour du mode
est pratiquement e gale a` un. Ceci explique que les probabilites affectees aux observables
exterieures a` cette zone ne sont pas tabulees ; il convient cependant de preciser que non
seulement chacune de ces probabilites est negligeable mais quil en est e galement de
meme de la somme de ces probabilite (attention, cette derni`ere remarque nest pas triviale : cette somme comprend un nombre infini de termes !).
bar-hen.net
48
La loi de Poisson
8.3
Forme de la distribution
La forme dune distribution de Poisson se deduit de la valeur du mode :
Forme en L si 1 ;
forme en cloche dissymetrique pour > 1. Le mode se deplace vers la droite lorsque
augmente.
8.4
Processus de Poisson
Letude de certains phenom`enes aleatoires, qui sont dits suivre un processus de Poisson
(voir exercice 28) permet dintroduire directement la loi de Poisson. Cest ainsi que le
nombre dimpulsions que lon peut enregistrer par unite de temps, lors de la mesure dun
rayonnement par un compteur, est une variable aleatoire qui suit une loi de Poisson ;
lesperance de cette loi, qui caracterise le rayonnement, est le param`etre quil convient
de connatre.
Exemple 2.9 Le mouvement propre dun compteur, mesure pendant 30 secondes, est
une variable aleatoire X qui suit une loi P(10). Quelle est la probabilite dobserver
un nombre dimpulsions compris dans lintervalle [8; 12] lors dun comptage de 30 secondes ?
On a :
P(8 X 12) = P(X = 8) + P(X = 9) + P(X = 10) + P(X = 11) + P(X = 12)
= 0.1126 + 0.1251 + 0.1251 + 0.1137 + 0.0948
57%
8.5
n!
n!
(np)k (1 p)n
pk (1 p)nk =
k!(n k)!
(n k)!nk k! (1 p)k
bar-hen.net
49
` TES
2. VARIABLES AL EATOIRES
DISCR E
limn+
n!
(nk)!nk
= 1 car :
nn1n2
n!
nk+1
=
...
k
(n k)!n
n n
n
n
2
k1
1
= 1 1
1
... 1
n
n
n
limp0 (1 p)k = 1
log(1 p)n = n log(1 p) np lorsque n + et p 0.
On en deduit que :
lim
(1 p)n = e
n+,p0,np
En conclusion, lorsque n tend vers linfini, p tend vers zero, le produit np tend vers une
valeur finie , la loi binomiale B(n, p) converge vers une loi de poisson P() puisque :
Cnk pk (1 p)nk e
k
k!
bar-hen.net
50
P(X
P(X
P(X
P(X
P(X
P(X
P(X
P(X
P(X
La loi geometrique
= 0)
= 1)
= 2)
= 3)
= 4)
= 5)
= 6)
= 7)
= 8)
B (300, 102 )
0.0490
0.1486
0.2244
0.2252
0.1689
0.1010
0.0501
0.0212
0.0079
P(3)
0.0498
0.1493
0.2240
0.2240
0.1680
0.1008
0.0504
0.0216
0.0081
9 La loi geometrique
Soit une suite dexperiences aleatoires E1 , E2 , . . . , En , . . . obeissant aux conditions du
schema de Bernoulli :
1. chaque experience peut entraner lobservation dun e venement E ou de son contraire
E;
2. la probabilite de E, notee p, est la meme pour chaque experience ;
3. le resultat dune experience est independant des resultats des autres experiences.
On note Ek levenement E se realise a` la k e` me experience.
Si on consid`ere maintenant la variable aleatoire X qui associe a` toute suite de resultats le
rang du premier e venements E, on a :
P(X = k) = P(E1 E2 Ek1 Ek )
Lindependance des e venement permet decrire :
P(X = k) = P(E1 )P(E2 ) P(Ek1 )P(Ek ) = (1 p)k1 p
ou, en posant q = 1 p = P(E) :
P (X = k) = q k1 p
on remarque le fait que k N .
Definition 2.8 On dit quune variable aleatoire X, a` valeurs dans N , suit une loi geometrique,
ou de Pascal, si sa loi de probabilite est definie par P(X = k) = (1 p)k1 p o`u k N
et o`u p est un reel tel que 0 < p < 1.
9.1
Param`etres descriptifs
On demontre (voir exercice 18) les resultats suivants :
1
1p
q
E(X) = , V(X) =
= 2
2
p
p
p
La formule de recurrence P(X = k + 1) = P(X = k)(1 p) montre, puisque 0 < 1
p < 1, que les probabilites successives decroissent constamment ; le mode a donc pour
valeur 1.
bar-hen.net
` TES
2. VARIABLES AL EATOIRES
DISCR E
10
51
Exercices
1. Paul a dans sa poche deux botes dallumettes indiscernables ; lune contient 5
allumettes, lautre 2. Il choisit au hasard une des botes, allume sa cigarette avec
une seule allumette, puis remet la bote dans sa poche si elle nest pas vide, ou
la jette lorsquelle est vide. Soit X la variable aleatoire representant le nombre de
cigarettes allumees avant de jeter une des deux botes.
Determiner la loi de X. Calculer lesperance et la variance de X.
2. Un sac contient trois tickets numerotes 1,2,3
(a) Soit X le numero que lon peut obtenir en tirant un ticket. Quelle est sa loi
de probabilite ? Calculer son esperance et son e cart-type.
(b) Soit X2 la variable representant la moyenne arithmetique des deux numeros
que lon peut obtenir en tirant deux tickets. Determiner sa loi de probabilite
et calculer son esperance et son e cart-type selon les deux modes de tirages :
exhaustif et non exhaustif.
(c) Meme question pour X3 , moyenne arithmetique des trois numeros que lon
peut obtenir en tirant trois tickets.
3. Un gardien de nuit a 10 cles, dont une seule marche, pour ouvrir une porte. Il
emploie deux methodes :
A : methode rationnelle ; a` jeun, il retire les cles dej`a essayees.
B : ivre, chaque cle peut e tre essayee plusieurs fois.
Soit XA le nombre de cles dej`a essayees avant douvrir, y compris la bonne, dans
le cas A, XB dans le cas B.
(a) Determiner la loi de probabilite et la fonction de repartition de XA et XB ;
(b) Calculer les esperance de XA et XB ;
(c) on sait que le gardien est ivre un jour sur trois. Un jour, apr`es avoir essaye 8
cles, le gardien na toujours pas ouvert la porte. Calculer la probabilite pour
quil soit ivre.
4. Chez une esp`ece vegetale, la longueur des entre-nuds separant deux feuilles successives ayant termine leur croissance est gouverne par un couple dall`eles Aa. Les
longueurs des entre-nuds des genotypes AA, Aa, aa sont respectivement e gales a`
3cm, 5cm et 2cm.
On consid`ere une population composee des trois types dindividus avec les frequences
(1q)2 pour le genotype AA, 2q(1q) pour le genotype Aa et q 2 pour le genotype
aa.
(a)
bar-hen.net
i. Un individu est tire au hasard dans la population. Quelles sont les probabilites :
de tirer un individu de genotype AA ;
de tirer un individu de genotype Aa ;
de tirer un individu de genotype aa ?
52
Exercices
bar-hen.net
53
` TES
2. VARIABLES AL EATOIRES
DISCR E
si t > 3
si 2 < t 3
si 1 < t 2
si t 1
54
Exercices
bar-hen.net
` TES
2. VARIABLES AL EATOIRES
DISCR E
55
Laurent propose a` Paul le jeu suivant : tous deux misent la meme somme puis
Paul lance quatre fois les deux des ; sil obtient au moins une paire il emporte la
mise, si non cest Laurent. Le jeu est-il e quitable ?
18. On consid`ere une suite chronologique dexperiences aleatoires : E1 , E2 , . . . , En , . . ..
Chaque experience nadmet que deux resultats possibles : levenement A, de probabilite P ou levenement B de probabilite 1 P ; ces deux e venements sont
incompatibles et les realisations successives sont independantes. Soit U la variable
aleatoire associant a` la suite dexperiences le rang du premier e venement A :
determiner la loi de probabilite de U ;
calculer lesperance et la variance de U .
19. On consid`ere une variable aleatoire X dont la loi de probabilite est une loi de
k
Poisson : P(X = k) = e k! , pour k N, e tant un reel donne strictement
positif. Montrer que E(X) = V(X) = . Determiner le mode de X et en deduire
la forme de la distribution.
20. Soit une variable aleatoire X, dont la loi est une loi de Poisson desperance = 0.43.
Calculer, a` 104 pr`es, la probabilite de chacune des premi`eres valeurs de X ; justifier larret des calculs.
21. On admet que la probabilite dapparition dune mutation sur un individu est 106 .
Combien dindividus faut-il sattendre a` examiner pour e tre pratiquement sur dobserver au moins un mutant ?
22. On choisit au hasard une famille dans une population donnee. Soit X le nombre
denfants quelle peut contenir ; on admet que X est une variable de Poisson desperance .
On sait, dautre part, qu`a chaque naissance la probabilite davoir un garcon est 1/2.
Comparer les histogrammes de la loi de X dans les cas = 2 et = 3.5 ;
exprimer la probabilite dobserver k garcons dans une famille dont on sait quelle
contient n enfants,
determiner la loi de probabilite du nombre de garcons que lon peut observer
dans une famille extraite de la population.
23. Le bureau detude dun centre spatial doit donner son avis sur un projet de fusee.
Le moteur et lequipement e lectronique se composent de 1500000 pi`eces distinctes.
Chaque pi`ece a une chance sur 10 millions de se reveler defectueuse ; la defectuosite
dune seule pi`ece suffit a` empecher le bon fonctionnement de la fusee, les causes
de defectuosite des diverses pi`eces e tant independantes.
Que penser du projet ?
24. La probabilite pour que linjection dun certain serum provoque une reaction allergique, sur un individu choisi au hasard, est de 0.1%. Quelle est la probabilite pour
que, sur 900 individus traites on observe lallergie dans :
exactement 3 cas ;
au plus 3 cas ;
au moins 3 cas ?
25. Dans une esp`ece donnee, la proportion des albinos est de 0.2%. Calculer la probabilite dobserver au moins 2 albinos dans un e chantillon de 230 individus.
bar-hen.net
56
Exercices
26. Dans une population humaine, la proportion de gauchers est de 1%. Quelle est la
probabilite dobserver au moins 4 gauchers dans un e chantillon de 230 personnes ?
27. Une usine fabrique des petits gateaux aux raisins. La pate et les raisins sont melanges
avant le decoupage des gateaux. Quel nombre moyen de raisins faut-il prevoir par
gateau si lon veut que la probabilite pour quun gateau contienne au moins un
raisin soit de 99% ?
28. (Processus poissonien). On consid`ere une suite devenements identiques qui se
succ`edent dans le temps. Le nombre devenements qui se produisent dans une intervalle de temps est aleatoire. Soit wk (t) la probabilite davoir k e venements dans
un intervalle de temps de longueur t. Calculer wk (t) en supposant :
(a) wk (t) ne depend que de la longueur t de lintervalle de temps et pas de linstant initial ;
(b) la probabilite dobserver un e venement dans un intervalle de temps dt est un
infiniment petit du meme ordre que dt, donc e quivalent a` dt ( = constante
positive) ;
(c) la probabilite dobserver plus dun e venement dans un intervalle de temps dt
est un infiniment petit dordre superieur a` dt ;
(d) si t et t0 sont des intervalles de temps sans partie commune, le nombre
devenements se produisant dans t est independant du nombre devenements
se produisant dans t0 .
bar-hen.net
57
` TES
2. VARIABLES AL EATOIRES
DISCR E
11
Solutions
1. Lexperience E consiste a` allumer successivement 7 cigarettes. On note X la variable qui associe a` E le nombre de cigarettes allumees avant de jeter une des deux
botes. X est une variable discr`ete. On se propose de calculer P(X = k) avec
k {2, 3, 4, 5, 6}
Soient les e venements :
A : pour une cigarette on tire la premi`ere bote (de 5 allumettes) ;
B : pour une cigarette on tire la deuxi`eme bote (de 2 allumettes) ;
(iA, jB) : les (i + j) premiers choix ont donne i fois A et j fois B ;
(dernier A) le dernier choix est A ;
(dernier B) le dernier choix est B
1 i+j
i
On a : P(A) = P(B) = 21 tant quil y a deux botes et P((iA, jB)) = Ci+j
,
2
si (iA, jB) 6= 0.
On e crit successivement
1
P(X = 2) = P(1B dernier B) = P(B)P(B) =
4
2
1 1
2
1
P(X = 3) = P((1A, 1B) dernier B) = P((1A, 1B))P(B) = C2
=
2 2
8
3
1 1
3
P(X = 4) = P((2A, 1B) dernier B) = P((2A, 1B))P(B) = C31
=
2 2
16
P(X = 5) = P((3A, 1B) dernier B) + P(4A dernier A) (evenements incompatibles)
4
4
1 1
1 1
5
3
+
=
= P((3A, 1B))P(B) + P((4A)P(B) = C4
2 2
2 2
32
5
1
5
P(X = 26) = P((4A, 1B) dernier A B) = P((4A, 1B)) = C51
=
2
32
Do`u la loi de probabilite :
xi 2 3 4 5 6
8
6
5
5
8
pi 32
32 P
32
32
32
On verifie que i pi = 1.
On en deduit :
n
X
1
119
E(X) =
xi pi = (16 + 24 + 24 + 25 + 30) =
3.719
32
32
i=1
2
E(X ) =
n
X
i=1
x2i pi =
1
505
(32 + 72 + 96 + 125 + 180) =
15.78
32
32
bar-hen.net
1999
1.95
1024
58
Solutions
2.
(a) X est une variable aleatoire discr`ete de loi uniforme sur {1, 2, 3}
P(X = 1) = P(X = 2) = P(X = 3) =
1
3
1
E(X) = = (1 + 2 + 3) = 2
3
1
2
V(X) = E (X )2 = (1 + 0 + 1) =
3
3
2
(X) =
3
On note, pour la suite X, Y et Z les numeros tires en premier, deuxi`eme et
troisi`eme rang.
(b) Tirage exhaustif On a pour resultat possibles :
3
X2 =
= (X = 1 Y = 2) (X = 2 Y = 1)
2
X2 = 2 = (X = 1 Y = 3) (X = 3 Y = 1)
5
X2 =
= (X = 2 Y = 3) (X = 3 Y = 2)
2
En appliquant laxiome des probabilites totales (evenements incompatibles) puis la relation des probabilites composees (evenements dependants,
on a, par exemple, :
3
P X2 =
= P(X = 1)P (Y = 2|X = 1) + P(X = 2)P (Y = 1|X = 2)
2
11 11
=
+
32 32
1
=
3
On a la loi :
xi
P(X2 = xi )
On en deduit :
3
2
1
3
2
1
3
5
2
1
3
1
E(X2 ) = = ( 3/2 + 0 + 5/2) = 2 = E(X)
3
1
1
V(X2 ) = E (X2 )2 = ( 1/4 + 1/4) =
3
6
1
(X2 ) =
6
bar-hen.net
59
` TES
2. VARIABLES AL EATOIRES
DISCR E
En appliquant laxiome des probabilites totales (evenements incompatibles) puis la relation des probabilites composees (evenements independants,
on a, par exemple, :
P X2 = 2 = P(X = 1)P (Y = 3) + P(X = 2)P (Y = 2) + P(X = 3)P (Y = 1)
11
= 3
33
3
=
9
On a la loi :
xi
1
P(X2 = xi ) 19
On en deduit :
3
2
2
9
5
2
2
9
2
3
9
3
1
9
1
E(X2 ) = = (1 + 3 + 6 + 5 + 3) = 2 = E(X)
9
1
1
1
1
V(X2 ) = E (X2 )2 = (1 + 2 + 0 + 2 + 1) =
9
4
4
3
(X)
1
(X2 ) = =
3
2
(c) tirage exhaustif Une seule valeur observable X3 : 2 Donc P(X3 = 2) = 1
et E(X3 ) = 1 2 = E(X) et V(X3 ) = 0 = (X3 )
tirage non exhaustif En raisonnant comme dans la question precedente, on
obtient :
xi
1
1
P(X2 = xi ) 27
On en deduit :
4
3
3
27
5
3
6
27
2
7
27
7
3
6
27
8
3
3
27
3
1
27
1
(1 + 4 + 10 + 14 + 14 + 8 + 3) = 2 = E(X)
27
1
4
1
1
4
2
2
V(X2 ) = E (X2 ) =
1+3 +6 +0+6 +3 +1 =
27
9
9
9
9
9
2
(X)
(X2 ) =
=
3
3
E(X2 ) = =
bar-hen.net
60
Solutions
1
10
9 1
1
=
10 9
10
9 81
1
=
10 9 8
10
..
.
. = ..
P(XA = 10) = P(E1 . . . E9 E10 ) =
31
1
9 87
...
1=
10 9 8
22
10
P(XA = k) =
si t 1
o`u k est lentier immediatement inferieur a` t, si 0 < t 10
si t 10
9 k1 1
10
10
9
10
k1
1
10
pour k N et P(XB =
si t 1
o`u k est lentier immediatement inferieur a` t, si t > 1
bar-hen.net
61
` TES
2. VARIABLES AL EATOIRES
DISCR E
1
(somme des termes dune suite geometrique : 10
(1 + 9/10 + + 9k1/10) =
9 k
1 1( 10 )
10 1 9/10
1
Pour |x| < 1, 1 + x + x2 + + xn + = 1x
donc 1 + 2x + 3x2 + +
1
eduit :
nxn1 + = (1x)
2 . On en d
1
E(XB ) =
10
9
1+2 +3
10
3
10
2
!
+
1 1
= 10
10 ( 1/10)2
1
0.43
P(X = XB X > 8)
31
0.518
P(X > 8)
0.83
3
(b)
bar-hen.net
2q
1+q
Donc 2 = E(X2 ) =
62
Solutions
1q
2q
1+ 1+q
12
1+q
2q
1+q
1
2
q
1+q
1
5
3
5
1
5
puis E(T ) = 2, (T ) =
2
,
5
mode=2.
xi 2 3 4 5 6
3
6
16
10
10
pi 45
45
45
45
45
puis E(X) = 4.4 et V(X) 1.35
P(X 6) = P(X = 6) = 10
; P(2 < X < 6) = 1
45
13
45
32
45
63
` TES
2. VARIABLES AL EATOIRES
DISCR E
clients qui ont reserve sont independants. Si X est la variable aleatoire nombre de
clients qui se presentent le soir, parmi les 52, on a X B(52; 0.8)
La situation embarrassante correspond a` levenement X > 50.
X > 50=X = 51X = 52 ; les deux e venement e tant incompatibles :
P(X > 50) = P(X = 51) + P(X = 52) = 52
8
10
51
52
2
8
1.28 104
+
10
10
1
32
15
32
10
32
10
32
5
32
1
32
11.
E(X) =
=
n
X
k=0
n
X
kP(X = k)
k
n!
pk (1 p)nk
k!(n k)!
n!
pk (1 p)nk
(k 1)!(n k)!
k=0
n
X
k=1
= np
n
X
k=0
(n 1)!
pk1 (1 p)nk
(k 1)!(n k)!
On pose i = k 1 k = i + 1 n k = n i 1. On a
E(X) = np
n1
X
i=0
bar-hen.net
(n 1)!
pi (1 p)ni1 = np(p + 1 p)n1 = np
i!(n i 1)!
64
Solutions
E(X ) =
n
X
k 2 P(X = k)
k=0
=
=
n
X
k=0
n
X
k=1
n
X
k2
k
n!
pk (1 p)nk
k!(n k)!
n!
pk (1 p)nk
(k 1)!(n k)!
(k 1 + 1)
k=1
n!
pk (1 p)nk
(k 1)!(n k)!
n
X
n
X
n!
n!
k
nk
=
(k 1)
p (1 p)
+
pk (1 p)nk
(k
1)!(n
k)!
(k
1)!(n
k)!
k=1
k=1
n
X
k=2
n
X
n!
n!
k
nk
p (1 p)
+
k
pk (1 p)nk
(k 2)!(n k)!
k!(n k)!
k=1
= n(n 1)p2
n
X
k=2
(n 2)!
pk2 (1 p)nk + np
(k 2)!(n k)!
k)!
i=0
2
et donc
V(X) = E(X 2 ) E2 (X) = np(1 p)
Pour determiner le mode on consid`ere le support des probabilites de deux valeurs
observables successives. On a :
P(X = k + 1)
C k+1 pk+1 (1 p)nk1
nk p
= n k k
=
nk
P(X = k)
Cn p (1 p)
k+11p
On en deduit :
65
` TES
2. VARIABLES AL EATOIRES
DISCR E
12. Reponses : B 6, 12 ; esperance=mode=3 ; variance=1.5.
1
13. Reponses : P = 1 (1 103 )100 101 car (1 x)n 1 nx ; B 4, 10
1
14. Reponses : B 100, 16
.
Distribution pratiquement en L : forme en cloche tr`es dissymetrique, de mode 6.
E(X) = 6.25 ; V(X) 5.86
15. Reponse : X et Y suivent une loi B 5, 12
P(X = Y ) =
5
X
P(X = i)P(Y = i)
i=0
5
X
i=0
C5i
2 1
210
63
256
16. Reponses :
X suit une loi hypergeometrique que lon peut approcher par B (n, q) ;
= (1 q)n ; = 1 (1 q)n
log 0.05
n log(1q
; log 0.05 3, log(1 102 ) 102 n 300
0)
17. Reponses : X B 4, 16 ; E(X) = 23 ; (X) = 35
671
625
> 1296
; le jeu nest pas e quitable.
1296
18. On note Bi levenement B se produit a` la ie` me experience et Aj levenement A
se produit a` la ie` me experience.
On a : (U = k) = B1 B2 . . . Bk1 Ak , k N
On en deduit, a` cause de lindependance des realisation successives : P(U = k) =
P(B1 )P(B2 ) . . . P(Bk1 )P(Ak ) = (1 P )k1 P
U suit une loi geometrique :
P(U = k) = (1 P )k1 P pour k N
P
k
2
n
On sait, que pour |x| < 1, on a +
k=0 x = 1 + x + x + + x + =
P+ k
1
On pose f (x) = k=0 x = 1x
.
On en deduit :
0
f (x) =
+
X
kxk1 =
k=1
+
X
xf 0 (x) =
kxk =
k=1
+
X
k=1
bar-hen.net
k 2 xk1 =
1
1x
1
(1 x)2
x
(1 x)2
1
2x
1+x
+
=
2
3
(1 x)
(1 x)
(1 x)3
66
Solutions
P(U = k) = P
k=1
+
X
(1 P )k1 = P f (1 P ) =
k=1
+
X
E(X) =
k=1
+
X
E(X 2 ) =
P
=1
P
k(1 P )k1 P = P f 0 (1 P ) =
1
P
=
P2
P
k 2 (1 P )k1 P = P (1 P ) = P
k=1
2P
2P
=
P3
P2
2P
1
1P
2 =
2
P
P
P2
Comme PP(U(U=k+1)
= 1 P < 1, il est clair que la variable U admet pour mode 1 ;
=k)
les probabilites decroissent quand k augment.
19.
E(X) =
+
X
kP(X = k) =
k=0
2
E(X ) =
+
X
+
X
ke
k=0
+
X
k P(X = k) =
k=0
k!
k e
k=0
+
X
k=1
k
k!
= e
X i
k1
= e
= e e
(k 1)!
i!
i=0
+
X
k=1
k1
(k 1)!
Or
+
X
k=1
+
X
k1
k1
=
(k 1 + 1)
(k 1)!
(k 1)!
k=1
+ i
X
i=0
i!
+
+
X
X
k1
k1
+
(k 2)! k=1 (k 1)!
k=2
+ i
X
i=0
i!
Et donc
V(X) = E(X 2 ) E2 (X) =
= k+1
Determination du mode On a la relation PP(X=k+1)
(X=k)
On en deduit :
si k < 1
P(X = k + 1) > P(X = k)
P(X = k + 1) < P(X = k)
si k > 1
67
` TES
2. VARIABLES AL EATOIRES
DISCR E
Forme de la distribution En L si 1
En cloche, si > 1
20. On obtient, a` 104 pr`es, pour E(X) = 0.43
Interpolation lineaire a`
partir des tables
0.43
P(X = 0) = e
0.6505
0.6511
P(X = 1) = P(X = 0) 0.43
0.2797
0.2787
1
0.43
P(X = 2) = P(X = 1) 2
0.0601
0.0602
0.43
P(X = 3) = P(X = 2) 3
0.0086
0.0088
P(X = 4) = P(X = 3) 0.43
0.0009
0.0010
4
0.43
P(X = 5) = P(X = 4) 5
0.0001
0.0001
0.9999
0.9999
P(X 5)
Chaque valeur enti`ere 6 a une probabilite inferieure a` 104 . On remarque, de
plus, que lensemble des entiers 6 constitue un e venement presque impossible
P(X 6) = 1 P(X 5) 0.0001. On peut donc decider darreter la tabulation
a` X = 5.
21. Soit P = 106 la probabilite, pour un individu, detre mutant. Soit X le nombre de
mutants que lon peut observer sur n individus examines. On a X B (n, 106 ).
Comme la probabilite P a une valeur tr`es faible et n une valeur tr`es e levee, on peut
e crire X P ( = n106 ).
Si on consid`ere comme pratiquement sur un e venement de probabilite 0.99, on
a:
Calcul precis
+
X
i=0
bar-hen.net
P(X = k + i Y = k)
68
Solutions
+
X
i=0
+
X
k+i (k + i)! 1
(k + i)! k!i! 2k+i
i=0
+
X
i=0
k+i
1
2
k+i
Ck
(k + i)! k+i
k
e k
2
1 X i 1
k! i=0 2i i!
( /2)k /2
e
k!
k
( /2)
= e /2
k!
= e
On en deduit
Y P
2
23. Soit X le nombre de pi`eces defectueuses que lon peut observer sur les 1 500 000
pi`eces. Etant
donnees les hypoth`ese, on a
X B 1.5 106 , 107
Comme la probabilite, pour une pi`ece, detre defectueuse est tr`es faible et comme
le nombre de pi`eces est tr`es e leve, on peut e crire
X P(0.15)
On a
P(X = 0) = e0.15 0.86
La fusee a donc 14 chances sur 100 de ne pas partir. Le projet nest pas fameux,
compte-tenu de prix dune telle operation !
` partir de la loi binomiale, on obtient : P(X = 0) = (1 107 )1.5 106 . Do`u, en
A
utilisant lapproximation (1 x)n 1 nx
P(X = 0) 1 0.15 = 0.85
24. Reponses : 4.94% ; 98.66% ; 6.28%
25. Reponse : 94.37%
26. Reponse : 20.26%
27. Reponse : = log 0.01 4.6
bar-hen.net
69
` TES
2. VARIABLES AL EATOIRES
DISCR E
28. On va determiner successivement wo (t), w1 (t), w( 2(t) puis, par recurrence wk (t).
On note Xt la variable aleatoire nombre devenement pendant t.
w0 (t) = P(Xt = 0)
(2.2)
w1 (t + dt) = P(Xt+dt = 1)
= P(Xt = 1 Xdt = 0) + P(Xt = 0 Xdt = 1) , e venements incompatibles
= w1 (t)(1 dt dt) + w0 (t)dt
o`u 0 si dt 0
On en deduit :
w1 (t + dt) w1 (t)
= w1 (t) w0 1(t) + w0 (t)
dt
Et, faisant tendre dt vers zero :
w10 (t) = w1 (t) + et
(2.3)
70
Solutions
o`u , 0 0 si dt 0
On en deduit :
w20 (t) = w2 (t) + 2 tet
(2.4)
(t)
2
2
et
(t)2 t
e
2
(t)k1 t
e ,
k1
on e crira :
(t)k
k!
(t)k1
(k 1)!
et
bar-hen.net
Chapitre 3
Variables aleatoires a` densite
1
1.1
Densite de probabilite
Variable aleatoire de distribution continue
Un deuxi`eme type de distribution, pour une variable aleatoire a` valeur dans R, est caracterise par sa fonction de repartition continue sur R. On dit alors que la variable aleatoire
est de distribution continue.
Soit X une telle variable, de fonction de repartition FX .
Comme pour toute variable aleatoire, si t et t + ( > 0) sont deux reels quelconques, on
a
P(t X < t + ) = FX (t + ) FX (t)
On en deduit
P(X = t) = lim+ P(t X < t + ) = lim+ FX (t + ) FX (t)
0
0
72
Densite de probabilite
(3.1)
Lensemble des observable X() est alors constitue dun intervalle ou dune reunion
dintervalles disjoints ; cest un ensemble non denombrable.
1.2
Densite de probabilite
Definition 3.1 Soit X une variable aleatoire a` valeurs dans R, de fonction de repartition
FX . Sil existe une fonction f , fonction numerique dune variable reelle, telle que :
Z t
t R , FX (t) =
(3.2)
f (x)dx
1.3
bar-hen.net
73
` DENSIT E
3. VARIABLES AL EATOIRES
A
f (x)dx
(3.3)
Pour une fonction de repartition on utilise un segment AB, pour une densite de probabilite, on utilise une aire de surface.
On soulignera le fait que le passage de FX a` f sobtient par derivation, f (x) nest pas
une probabilite, mais une probabilite par unite de mesure, do`u la notion de densite de
probabilite a` rapprocher de la notion de la masse specifique dun solide.
Par contre la quantite f (t)dt, parfois appelee probabilite e lementaire, est, lorsque dt est
un infiniment petit, e quivalente a` : P(t X < t + dt) = FX (t + dt) FX (t)
1.4
f (x)dx = lim
b+
b+
Cette deuxi`eme propriete implique que f est integrable sur R, donc sur tout intervalle.
Exemple 3.1 Soit X une variable aleatoire, a` valeurs dans R, de fonction de repartition
FX definie par :
t 7 0 , si t 0
t 7 12 t , si 0 < t 2
FX :
t 7 1 , si t > 2
X est de distribution continue (FX est continue sur R). Lensemble des observables
constitue lintervalle ]0, 2] puisque la probabilite de tout intervalle exterieur a` ]0, 2] est
nulle.
X admet pour densite :
x 7 0 , si x 0 ou t > 2
fX :
x 7 12 , si 0 < x 2
La densite fX sobtient par derivation presque partout, sauf :
en 0, o`u fx admet pour limite a` gauche 0 (derivee a` gauche de FX ) et pour limite a`
droite 12 (derivee a` droite de FX ) ;
en 2, o`u fx admet pour limite a` gauche 12 (derivee a` gauche de FX ) et pour limite a`
droite 0 (derivee a` droite de FX )
bar-hen.net
74
Densite de probabilite
En ces deux points, donner ou non une valeur a` fX ne modifie pas lexpression de FX ,
ce quil est aise de verifier en utilisant la relation 3.2.
Exemple 3.2 Soit Y une variable aleatoire, a` valeurs dans R, de densite de probabilite
fY definie par :
y 7 0
, si y < 0
fY :
1 y/2
y 7 2 e
, si y 0
Lensemble des observables est [0, +[ : tout intervalle a` gauche de zero a une probabilite nulle (integrale definie de la fonction nulle). La fonction de repartition FY est donnee
par :
Z
t
f (y)dy
On obtient :
Z
si t 0 FY (t) = lim
si t 0 FY (t) =
Z
0dy +
0dy = 0
a
h
i
1 y/2
y t
t
e dy = 0 + e /2 = 1 e /2
2
0
On obtient finalement :
FY :
t 7 0
, si t 0
t/2
t 7 1 e
, si t 0
On remarque quen zero, FY admet pour derivee a` droite 21 , e gale a` la limite a` droite de
fY , et pour derivee a` gauche 0, e gale a` la limite a` gauche de fY . Le choix de fY (0) = 12
est ici arbitraire et sans importance.
On peut alors calculer P(1 Y < 2) de deux mani`eres :
Z 2
1 y/2
P(1 Y < 2) =
e dy
1 2
h
i2
1
y/2
= e
= e /2 e1
1
1.5
Representation graphique
Une distribution a` densite est en general representee par le graphe de la densite de probabilite. La forme de la courbe obtenue sappelle la forme de la distribution : uniforme
(voir 3.1), en L (voir exemple 3.2), en cloche, etc.
bar-hen.net
75
` DENSIT E
3. VARIABLES AL EATOIRES
A
2.1 Mode
On appelle mode de la variable aleatoire X, ou de la distribution de X, une valeur reelle x
pour laquelle la densite de probabilite de X presente un maximum.
Les distribution a` densite usuelles sont, en general, unimodales.
La distribution de lexemple 3.1 na pas de mode, celle de lexemple 3.2 a pour mode 0.
2.2
Esperance
On appelle esperance de la variable aleatoire X, et on note E(X) ou X le nombre reel,
sil existe, defini par :
Z
+
E(X) = X =
xf (x)dx
Z 0
Z 2
Z +
=
xfX (x)dx +
xfX (x)dx +
xfX (x)dx
0
2
Z 2
1
= 0+
xdx + 0
0 2
2 2
x
=
4 0
= 1
bar-hen.net
76
Z 0
Z +
=
yfY (y)dy +
yfY (y)dy
0
Z +
1 y
= 0+
y e /2 dy
2
0
Z +
h
i
+
y
y/2
= ye
+
e /2 dy , en integrant par parties
0
0
Z +
y
y
y
=
e /2 dy (car limy+ ye /2 = 0 et ye /2 = 0 pour y = 0)
0
i+
h
y/2
= 2e
0
= 2
Exemple 3.5 Soit Z une variable aleatoire de densite de probabilite :
fZ : t 7
1 1
1 + t2
, t R
2.3
t+
Moment dordre k
On appelle moment dordre k (k N) de la variable aleatoire X, et on note E(X k ), le
nombre reel sil existe, defini par :
Z +
E(X) =
xk fX (x)dx
On a :
0
E(X ) =
fX (x)dx = 1
Z +
E(X) =
bar-hen.net
77
` DENSIT E
3. VARIABLES AL EATOIRES
A
2.4 Variance
On appelle variance de la variable aleatoire X, et on note V(X), le nombre reel sil existe,
defini par :
Z
+
(x X )2 fX (x)dx
V(X) =
Z +
Z +
Z
2
2
=
x fX (x)dx 2X
xfX (x)dx + X
V(X) =
fX (x)dx
= E(X 2 ) 22X + 2X
= E(X 2 ) + 2X
On retrouve la relation tr`es commode dans le calcul de la variance (theor`eme de Guldin) :
V(X) = E(X 2 ) E2 (X)
Ecart-type
On appelle e cart-type de X la racine carree de sa variance. On le note X .
Un e cart-type est donc un reel positif ; il sagit dun indice de dispersion qui presente
lavantage davoir la meme unite que les observables.
Exemple 3.6 (suite de lexemple 3.1)
Z
V(X) =
(t 1)2 fX (t)dt
1
(t2 2t + 1) dt
2
0
3
2
1 t
=
t2 + t
2 3
0
=
bar-hen.net
78
=
et donc
1
3
3
3
X =
1 u
u2 e /2 du
2
E(Y ) =
i+
2 u/2
u e
0
Z +
= 0+4
0
+2
u
ue /2 du
1 u/2
ue du
2
= 4E(Y )
= 8
u
u
En effet limu+ u2 e /2 = 0 et u2 e /2 = 0 pour u = 0
Finalement :
V(Y ) = E(Y 2 ) E2 (Y ) = 8 4 = 4 , Y = 2
Exemple 3.8 (suite de lexemple 3.5) Z, nayant pas desperance, na pas de variance.
On peut dailleurs remarquer que, lintegrale qui definit E(Z) divergeant, lintegrale qui
definit E(Z 2 ) diverge a fortiori.
Mode et esperance sont les param`etres de position dune distribution qui sont les plus
utilisees. Il sera fait appel, ulterieurement, a` un troisi`eme param`etre de position qui, lui
aussi, decrit une certaine tendance centrale : la mediane. Lidee de depart est de definir un
nombre qui separe lensemble des observables, ranges par valeurs croissantes, en deux
parties degales probabilite ; on rencontre dans cette demarche deux difficultes : le partage
ideal en deux zones e quiprobables nest pas toujours possible (variables discr`etes) et le
nombre cherche nest pas toujours unique (on peut obtenir un intervalle). On retiendra
cependant la definition suivante :
Definition 3.2 On appelle mediane dune variable aleatoire X, a` valeurs dans R et de
distribution continue un nombre verifiant la propriete :
P(X < ) = P(X > ) =
1
2
bar-hen.net
79
` DENSIT E
3. VARIABLES AL EATOIRES
A
3 Loi uniforme
Definition 3.3 On dit quune variable aleatoire X, a` valeurs reelles, est de loi uniforme
sur [a, b], a et b e tant deux reels verifiant : a < b, si sa densite de probabilite f est definie
par :
x 7 0 , si x 6 [a, b]
f:
1
x 7 ba
, si x [a, b]
On dit que la loi est uniforme sur [a, b]
3.1
Fonction de repartition
En utilisant la relation 3.2, on a :
Z
f (x)dx
On en deduit :
Z
si t a,
FX (t) =
Z a
si a t b,
si t b,
3.2
0dx = 0
Z
0dx +
1
ta
dx =
ba
a ba
Z a
Z b
Z t
1
FX (t) =
0dx +
dx +
0dx = 1
a ba
b
FX (t) =
Param`etres descriptifs
Une distribution uniforme na pas de mode.
Sa mediane est definie par FX () = 12 = a
=
ba
Z
E(X) =
2 b
x
1
x
1 1
a+b
dx =
=
(b2 a2 ) =
ba
ba 2 a 2ba
2
3 b
x2
1
x
1 1
1
dx =
=
(b3 a3 ) = (b2 +ab+a2 )
ba
ba 3 a 3ba
3
xf (x)dx =
E(X ) =
x f (x)dx =
a+b
2
1
1
(b a)2
V(X) = E(X 2 ) E2 (X) = (b2 + ab + a2 ) (b2 + 2ab + b2 ) =
3
4
12
Lexemple 3.1 represente une loi uniforme sur [0, 2].
bar-hen.net
80
Loi exponentielle
4 Loi exponentielle
Definition 3.4 On dit quune variable aleatoire X, a` valeurs dans R, suit une loi exponentielle de param`etre si sa densite de probabilite f est definie par :
x 7 0
, si x < 0
f:
x
x 7 e
, si x 0
o`u est un reel donne, strictement positif.
4.1
Fonction de repartition
On a :
f (x)dx
On en deduit :
Z
si t 0,
FX (t) =
Z 0
si t 0,
FX (t) =
4.2
0dx = 0
Z t
t
0dx +
ex dx = 0 + ex 0 = 1 et
0
Param`etres descriptifs
Une distribution exponentielle a pour mode zero.
Sa mediane est definie par
FX () =
Z
E(X) =
1
1
log 2
= 1 e e = = log 2 =
2
2
+
x
xe
0
+
dx = xex 0 +
+
x
e
0
1
dx = 0 +
ex dx =
0
0
En effet limx+ x2 ex = 0, si > 0 et x2 ex = 0 pour x = 0. On remarque de
plus que la derni`ere integrale est e gale a` E(X) et donc a` 1
V(X) = E(X 2 ) E2 (X) =
2
1
1
2 = 2
2
X = 1
Lexemple 3.2 concernait une distribution exponentielle de param`etre 21 .
bar-hen.net
` DENSIT E
3. VARIABLES AL EATOIRES
A
81
5 Loi normale
Definition 3.5 On dit quune variable aleatoire X, a` valeurs dans R, suit une loi normale, ou de Laplace-Gauss, si sa densite de probabilite f est definie par
1 x 2
1
f : x 7 e 2 ( )
2
5.1
Param`etres descriptifs
Le mode, la mediane et lesperance dune variable aleatoire normale X ont pour valeur
commune . En effet :
2
1
x 12 ( x
0
)
f (x) =
2
f 0 (x) > 0 pour x < , f 0 (x) = 0 pour x = et f 0 (x) < 0 pour x > . f (x) presente
donc un maximum pour .
La droite dequation x = est un axe de symetrie pour le graphe de f (a > 0, f ( +
a) = f ( a)) ; cette droite separe donc laire de la surface comprise entre la courbe et
laxe des abcisses en deux parts e gales ; do`u : P(X < ) = P(X > ) = 12 .
Z +
1 x 2
1
E(xX) =
xe 2 ( ) dx
2
dx . On obOn effectue le changement de variable t = x
x
=
t
+
et
dt
=
tient :
Z +
1
t2
E(X) =
(t + )e /2 dt
2
Z +
Z +
2
1
t2
t /2
e /2 dt
=
te
dt +
2
2
Z +
h
i
+
2
1
t
t2
e /2 dt
=
e /2
+
2
2
= 0+
R +
t2
t2
En effet limt e /2 = 0. On admet de plus que 12 e /2 dt = 1 ; ce resultat
que lon demontrera ulterieurement est e vident a priori puisquil sagit de lintegrale sur
R de la densite de probabilite dune variable aleatoire normale avec = 0 et = 1.
La variance de la variable aleatoire normale X est e gale a` 2 . En effet :
Z +
1 x 2
1
V(X) =
(x )2 e 2 ( ) dx
2
bar-hen.net
82
Loi normale
dx . On obOn effectue le changement de variable t = x
x
=
t
+
et
dt
=
tient :
Z +
1
t2
V(X) =
2 t2 e /2 dt
2
R
R
t2
On int`egre par parties
udv = uv vdu en posant u = t, dv = te /2 dt :
Z +
2 i+
2 h
2
t2
t /2
V(X) =
te
+
e /2 dt
2
2
R +
t2
t2
En notant que limt te /2 = 0 et 12 e /2 dt = 1, on obtient
V(X) = 2
5.2
Notation
On comprend maintenant lutilisation des symboles reserves et pour les deux param`etres presents dans lexpression de la densite. Une loi normale est compl`etement
definie par ces deux param`etres ; la variance intervenant plus souvent que lecart-type
dans les mod`eles probabilistes, on utilisera la notation : X suit une loi N (, 2 )
5.3
Forme de la distribution
Letude des variations de f montre que la distribution est en cloche, symetrique par rapport a` x = , dont la dispersion augmente avec
Definition 3.6 Si X est une variable aleatoire de loi N (0, 1), on dit que X est une
variable aleatoire normale, reduite (ou normale, centree, reduite voir definition 4.2). Sa
densite est alors definie par
1
x2
f (x) = e /2
2
5.4
, x R
lexpression analytique de FX (t) ou de disposer de tables a` triple entree (il faut se donner
, , t)
Le changement de variable t = x
, dej`a introduit precedemment va permettre une
t2
e 2 dt
bar-hen.net
83
` DENSIT E
3. VARIABLES AL EATOIRES
A
P (X [a, b]) = P X
,
(3.4)
La relation 3.4 permet de ramener tout calcul de probabilite concernant une loi N (, 2 )
a` un calcul de probabilite concernant une loi N (0, 1). Certes, on ne connat pas dext2
5.5
P(3 X < 4) = P
X <1
2
1
1
1
=
(1)
2
2
2
0.3413 0.1915
0.1498
1
P(0 X 1) = P 1 X
2
1
1
1
=
(1)
2
2
2
0.1498
1
P(0 < X 3) = P 1 < X
2
1
1
1
=
+ (1)
2
2
2
0.1915 + 0.3413
0.5328
R0
R1
la symetrie de la distribution impose en effet 1 f (t)dt = 0 f (t)dt
bar-hen.net
84
Loi normale
5.6
P
X <1
2
1
FX (1) FX
2
0.8413 0.6915
0.1498
P(3 X 4) =
=
P(0 X 1) =
=
=
=
1
P 1 X
2
1
FX
FX (1)
2
1
1 FX
(1 FX (1))
2
1
F (1) F
2
0.1498
1
P(0 < X 3) = P 1 < X
2
1
= FX
FX (1)
2
1
= FX
(1 FX (1))
2
bar-hen.net
85
` DENSIT E
3. VARIABLES AL EATOIRES
A
0.6915 + 0.8413 1
0.5328
5.7
P(|X | u)
P [(X u) (X u)]
P (X u) + P (X u) e venements incompatibles
2P (X u) = 2P (X u) symetrie de la distribution
1 P(u < X < u) e venement contraire
bar-hen.net
86
Loi normale
5.9
lim
n+
12
1
2
np(1p)
knp
np(1p)
2
=1
np(1p)
demeure borne.
Si X est une variable aleatoire de loi B(n, p) et si on designe par f la densite de probabilite dune loi N (np, np(1 p)), le theor`eme ci-dessus peut e tre interprete de la mani`ere
suivante : lorsque n est suffisamment grand et pour les valeurs enti`eres k situees dans la
zone proche de lesperance np, de X, o`u se trouve concentree toute la probabilite, on a :
P(X = k) f (k)
(3.5)
bar-hen.net
87
` DENSIT E
3. VARIABLES AL EATOIRES
A
Si on consid`ere lhistogramme de la loi de X, cette somme est aussi donnee par la somme
des aires des rectangles de largeur 1. Il est alors clair que :
Z b+0.5
P(a X b)
f (x)dx
a0.5
cette derni`ere integrale, qui porte sur la densite de probabilite dune loi N (np, np(1 p))
se calcule en utilisant une variable normale reduite X :
!
a 0.5 np
b
+
0.5
np
P(a X b) P p
X p
(3.6)
np(1 p)
np(1 p)
Dans la pratique, si les deux moities de rectangle situees a` droite et a` gauche de lintervalle [a, b] ont une aire negligeable par rapport a` lensemble, on se permettra decrire :
!
Z b
a np
b
np
P(a X b)
f (x)d = P p
X p
(3.7)
np(1 p)
np(1 p)
a
En conclusion : si n est suffisamment grand et si la distribution nest pas trop dissymetrique, une variable aleatoire X de loi B(n, p) peut e tre consideree comme une
variable aleatoire de loi N (np, np(1 p)).
Pour le calcul des probabilites, on peut utiliser 3.7 ou 3.6. Lorsquon utilise 3.6, ce qui
ameliore la precision de lapproximation, on dit quon effectue une correction de continuite. Le passage de 3.7 a` 3.6 seffectue tr`es aisement si on remarque que, puisque X
est a` valeurs enti`eres, on a toujours, pour a et b entiers :
P(a X b) = P(a 0.5 X b + 0.5)
cest dans le calcul approche, o`u X est considere comme une variable a` densite, que les
deux membres de legalite conduisent a` des resultats differents.
Quand peut-on decider de la validite de lapproximation ? On utilise tr`es souvent le crit`ere
suivant, dorigine empirique :
np 10 et n(1 p) 10
qui permet de tenir compte de la valeur de n et de la dissymetrie. On obtient par exemple :
si p = 21 , n 20 ; si p = 14 , n 40 ; si p = 0.9, n 100, etc. bien entendu, pour p
donne, plus n est grand, meilleure est lapproximation.
Quand est-il necessaire deffectuer la correction de continuite ? En realite, puisque cette
correction donne de meilleurs resultats, il faut se poser la question autrement : quand
peut-on abandonner la correction de continuite ? La reponse est simple en theorie : d`es
que la modification quelle apporte est negligeable. Cest le cas
lorsque n est tr`es grand ; la correction de continuite deplace les bornes concernant X
de 0.5 . Un deplacement de 0.01 (qui correspond pour p = 12 a` n = 10000) a
np(1p)
peu dimportance.
bar-hen.net
88
Loi normale
lorsque ces bornes sont situees dans une zone de faible probabilite (consulter les
tables).
lorsque lintervalle [a, b] contient beaucoup dentiers (faible erreur relative). On remarquera a` ce propos que pour a = b, la formule 3.6 donne :
!
a 0.5
a + 0.5
P(X = a) P p
X p
(3.8)
np(1 p)
np(1 p)
Il est e vident qualors, quel que soit n, il nest pas question de supprimer 0.5.
Pour terminer, on attirera lattention sur deux points
La variable aleatoire X, de loi B(n, p), est une variable discr`ete. Il est donc important
de preciser si les bornes de lintervalle sont ou non inclues dans lintervalle ; ceci peut
modifier en particulier le signe du terme correctif 0.5.
Il nest pas choquant dapprocher une distribution sur un ensemble fini de valeurs par
une distribution sur R puisquon sait que pour les lois B(n, p) et N (np, np(1 p))
pratiquement toute la probabilite est concentree autour de lesperance np.
Exemple 3.9 Soit X de loi B 20, 12 . Le tableau ci-dessous donne une idee de la validite
de lapproximation par une loi normale.
k
10
9 ou 11
8 ou 12
7 ou 13
6 ou 14
etc.
P(X = k)
Loi binomiale Loi normale (eq. 3.8)
0.176197
0.176929
0.160179
0.160367
0.120134
0.119390
0.073929
0.073013
0.036964
0.036678
Exemple 3.10 On joue 10000 fois a` pile ou face. Calculer la probabilite pour que le
nombre de piles soir dans lintervalle [4900, 5100].
Soit X le nombre de piles. X suit une loi B 10000, 12 que lon peut approcher par une
loi N (5000, 2500). On obtient, en designant par X une variable N (0, 1) :
sans correction de continuite :
P(4900 X 5100) = P(2 X 2) 95.45%
avec correction de continuite :
P(4900 X 5100) = P(4899.5 X 5100.5) = P(2.01 X 2.01) 95.55%
Exemple 3.11 Soit X de loi B(100, 0.3). Estimer P(24 X 29).
On consid`ere que X suit une loi N (30, 21) (puisque n(1 p) > 10 et np > 10)
On obtient :
sans correction de continuite :
P(24 X 29) = P(1.3093 X 0.2182) 0.3145
bar-hen.net
89
` DENSIT E
3. VARIABLES AL EATOIRES
A
5.10
n 100
p 0.1
@
@
@
@
@ 10
np
@
np(1@ p) 10
@
@
@
@
@
R
@
X P( = np)
X P()
20
X N (, )
6 Autres lois
Par la suite, on aura loccasion de definir des variables aleatoires et de determiner leur
densite de probabilite. Deux distributions sont cependant interessantes a` connatre, la
premi`ere parce quelle intervient tr`es souvent dans les livres de probabilite et de statistique, la deuxi`eme a` cause de ses applications.
bar-hen.net
90
Autres lois
f (x)dx = 1
xn1 ex dx = 1
(3.9)
(n)
0
R +
R +
Do`u (n) = 0 n xn1 ex dx = 0 tn1 et dt, en effectuant le changement de
variable t = x. Lorsque n est un entier positif, on obtient, en integrant par parties :
(n) = (n 1)! , n N
Z
E(X) =
Z
xf (x)dx =
1
n n x
x e dx =
(n)
(n)
n1 xn ex dx
1
2
2
n+1 x
E(X ) =
x f (x)dx =
x e dx =
n1 xn+1 ex dx
(n)
(n) 0
0
On int`egre par parties :
Z
1 n1 n+1 x + n + 1 + n1 n x
E(X ) =
x e
+
x e dx
0
(n)
(n) 0
Z
1 n1 n+1 x + n + 1 + n n x
=
x e
+
x e dx
0
(n)
(n)
0
2
Do`u finalement
E(X 2 ) = 0 +
n+1
n(n + 1)
E(X) =
On en deduit
V(X) = E(X 2 ) E2 (X) =
n(n + 1) n2
n
2 = 2
2
bar-hen.net
91
` DENSIT E
3. VARIABLES AL EATOIRES
A
1
(
)
x 7 ax2 e 2 a
, si x > 0
o`u a R+ et b R sont deux reels donnes.
La loi log-normale est utilisee en granulometrie et en biometrie pour decrire, par exemple,
la distribution de la taille des grains de sediment provenant dune couche geologique
donnee ou des cellules dans une culture donnee.
` titre dexercice, calculons E(X) :
A
Z +
Z +
1 log xb 2 dx
1
E(X) =
xf (x)dx =
xe 2 ( a )
ax
2 0
On pose t =
log xb
a
dt = daxx et x = eat+b
Z +
1 2
1
E(X) =
e 2 t +at+b dt
2
Z +
1 2
1
=
e 2 (t 2at)+b dt
2
Z +
1
1
2 a2
=
e 2 (ta) + 2 +b dt
2
Z +
a2
1
1
2
+b
= e2
e 2 (ta) dt
2
E(X) = e 2 +b
7 Melanges de distributions
7.1
Introduction
On consid`ere deux variables aleatoires X et Y , a` valeurs dans R, de fonctions de repartition
respectives FX et FY . Soit maintenant une experience aleatoire a` laquelle on associe la
variable aleatoire Z definie ainsi : avec la probabilite p, Z a la loi de X ; avec la probabilite (1 p), Z a la loi de Y .
On note p = P(Z = X) et 1 p = P(Z = Y ).
bar-hen.net
92
Melanges de distributions
(3.10)
7.2
Donc
E(Z) = pE(X) + (1 p)E(Y )
En application, se rapporter a` lexercice 3
bar-hen.net
` DENSIT E
3. VARIABLES AL EATOIRES
A
93
et on retrouve donc :
E(Z) = pE(X) + (1 p)E(Y )
En application, se reporter aux exercices 9 et 19.
7.4
Cas intermediaire
On suppose maintenant que X a une distribution discr`ete et que Y a une distribution a`
densite. La distribution de Z peut e tre sinterpreter de la mani`ere suivante :
une partie, p, de la probabilite de est repartie sur les points de discontinuite qui
constituent lensemble des observables de X ;
lautre partie, 1 p, de la probabilite de est repartie de mani`ere continue sur lensemble non denombrable des observables de Y .
Il est aise de montrer que, sous reserve dexistence, on a toujours :
E(Z) = pE(X) + (1 p)E(Y )
puisquon peut remplacer les points de la distribution de X par leur barycentre partiel
E(X) affecte de la ponderation globale p et proceder de meme pour les points de la
distribution de Y .
bar-hen.net
94
Exercices
8 Exercices
1. Soit une variable aleatoire X, a` valeurs reelles, de fonction de repartition :
x 7 0
, si x < 0
F :
x
x/2
x 7 1 e
1 + 2 , si x 0
(a) F est-elle continue sur R ?
(b) Determiner limx+ F (x). Interpreter.
(c) Determiner la densite de probabilite de X.
(d) Determiner le mode de X.
(e) Calculer lesperance et lecart-type de X.
(f) Deduire de ce qui prec`ede les variations et le graphe de F .
(g) Calculer P(1 X < 2)
2. Soit une variable aleatoire T , a` valeurs reelles, de densite de probabilite :
t 7 0
, si t 6 [1, 1]
f:
2
t 7 (1 t ) , si t [1, 1]
(a) calculer . Construire le graphe de f .
(b) Determiner la fonction de repartition de T et construire son graphe.
(c) Calculer la probabilite de levenement |T | 12 . Representer cette probabilite
sur les deux graphes precedents.
(d) Calculer lesperance et la variance de T . Quelles est sa mediane ?
3. Soit une variable aleatoire X, a` valeurs reelles, de densite de probabilite, definie
pour n > 1 :
x 7 axn1 , si 0 x < 1, a R
f:
x 7 0
, si x 6 [0, 1[
(a) calculer a.
(b) Calculer lesperance et la variance de X.
(c) Determiner la fonction de repartition de X.
4. Soit une variable aleatoire Y , a` valeurs reelles, de densite de probabilite :
y 7 0
, si y 6 2 , 2
f:
y 7 2 cos2 y , si y 2 , 2
(a) Calculer lesperance, lecart-type et le mode de Y
(b) Determiner la fonction de repartition de X. Quelle est la mediane de Y .
.
(c) Calculer la probabilite de levenement Y > 4
10
5. Soit une variable aleatoire X, a` valeurs reelles, de densite de probabilite :
x 7 a 4 x2 , si x [0, 2], a R
f:
x 7 0
, si x 6 [0, 2]
bar-hen.net
95
` DENSIT E
3. VARIABLES AL EATOIRES
A
(a) calculer a.
(b) Calculer lesperance, la variance et le mode de X.
(c) Determiner la fonction de repartition de X et tracer son graphe.
6. Soit une variable aleatoire X, a` valeurs reelles, de densite de probabilite :
f : x 7
2
1
, xR
(1 + x2 )2
dy
+ 4xy = 0
dx
(3.11)
Soit X une variable aleatoire, a` valeurs reelles, dont la densite de probabilite f est
solution de 3.11 sur ] 1, 1[ et nulle ailleurs.
(a) Determiner f et donner la forme de son graphe
(b) Determiner la fonction de repartition de X et donner la forme de son graphe.
(c) Calculer lesperance et la variance de X.
(d) Calculer la probabilite des e venements : X
1
2
et 12 X
1
2
(3.12)
96
Exercices
10. Calculer lesperance et la variance de la variance X, a` valeurs reelles, de loi uniforme sur [a, b]. Determiner sa fonction de repartition.
11. Soit une variable aleatoire X, a` valeurs reelles, de densite de probabilite :
x 7 0
, si 0 < x
f:
x
x 7 e
, si x 0 avec R+
(a) Calculer lesperance et la variance de X.
(b) Determiner la fonction de repartition de X.
(c) Determiner le mode et la mediane de X.
(d) Pour = 12 , calculer la probabilite des e venements : (2 X < 3), (X 5),
(X < 7).
12. On consid`ere la variable aleatoire X, a` valeurs reelles, de loi N (, 2 ).
(a) Tracer le graphe de la densite de probabilite de X ; determiner sa largeur a`
mi-hauteur.
(b) Calculer lesperance et la variance de X.
(c) Determiner les nombres reels positifs, a et b, tels que :
P( a < X < + a) = 0.95 ; P( b < X < + b) = 0.99
(d) Determiner les nombre reels c et d tels que : P(X c) = P(X d) = 0.05.
13. Soit la variable aleatoire normale X, desperance 4 et de variance 4.
(a) Calculer la probabilite de levenement : (X > 6)
(b) Calculer la probabilite de levenement : (|X| > 6)
(c) Calculer la probabilite de levenement : (2 X 6)
(d) Calculer la probabilite de levenement : (1.7 X 2.82)
14. On veut transporter rapidement entre deux villes A et B, dans des conditions de
confort acceptables, 1600 voyageurs se presentant, pratiquement en meme temps,
a` la gare A. On met a` leur disposition deux trains identiques. On suppose que
chaque individu choisit au hasard lune ou lautre rame et quil na pas le temps
den changer.
Combien faut-il prevoir de places assises dans chaque rame si lon veut que la
probabilite, pour que des voyageurs soient obliges de rester debout, soit inferieure
a` 3 103 ?
15. On place un compteur Geiger devant une source de rayonnement. Le nombre dimpulsions, que lon peut enregistrer pendant une minute, est une variable aleatoire
de Poisson, dont lesperance mesure lintensite du rayonnement. Si = 10000
coups/minute, calculer la probabilite dobserver, en une minute, un nombre dimpulsions situe dans lintervalle : [9800, 10200].
16. On admet que, dans la population francaise adulte, la taille dun individu male,
choisi au hasard, est une variable aleatoire normale desperance 170 cm et decarttype 6.2 cm.
bar-hen.net
` DENSIT E
3. VARIABLES AL EATOIRES
A
97
bar-hen.net
98
23.
Exercices
R +
2
(a) On pose In = 0 xn ex dx, o`u n N. On admet I0 = 2 . Calculer I1 .
Par integration par parties, trouver la relation entre In+2 et In . En deduire les
valeurs de I2 , I3 , I4 , I5 , I6 .
(b) Dans la theorie de Maxwell, la vitesse dune molecule dun gaz donne, dans
des conditions donnees, est une variable aleatoire V , dont la densite de prov2
babilite f est donnee par : f (v) = 0 pour v 0 ; f (v) = Av 2 e /a2 pour
v 0, o`u a est un param`etre positif et A un facteur de proportionnalite.
Calculer A en fonction de a. Determiner le mode de V .
Exprimer, en fonction de a et des nombres In , le moment dordre k de V .
En deduire, en fonction de a, lesperance et la variance de V .
24. La duree de vie dun composant e lectronique, choisi au hasard dans un fabrication
donnee, est une variable aleatoire T de densite :
t 7 0
, si t < 0
f:
t 7 2 tet , si t 0
o`u est un reel positif.
Calculer le mode, lesperance et la variance de T .
Determiner la fonction de repartition de la variable T .
on pose = 2 104 , t e tant exprime en heures. Calculer les probabilites
P1 de levenement (T < 500 h) et P2 de levenement (T 10000 h)
(a) En posant, pour simplifier P1 = 0.5% et P2 = 40%, calculer la probabilite
de trouver, dans un lot de 600 composants choisis independamment :
plus de 6 composants de duree de vie inferieur a` 500h ;
plus de 220 composants de duree de vie au moins e gale a` 10000h.
(b) On a melange 10 composants de fabrication caracterisee par = a et 5
composants dune fabrication caracterisee par = b. On choisit au hasard
un e lement de ce melange ; soit X sa duree de vie.
Determiner la densite de X.
Calculer lesperance et la variance de X
bar-hen.net
99
` DENSIT E
3. VARIABLES AL EATOIRES
A
9 Solutions
1.
(a) F est definie sur R. F est continue pour x < 0 et pour x > 0. Le probl`eme
de la continuite se pose en 0. On a F (0) = 1 1 = 0. De plus :
x
x
lim = 0 = F (0); lim+ = 1 lim+ e /2 1 +
= 1 1 = 0 = F (0)
x0
x0
x0
2
F est continue en zero et donc sur R
x
x
(b) limx+ F (x) = 1 limx+ e /2 limx+ e /2 X2 = 0
x
x
En effet lim
e /2 = 0+ et lim
e /2 X = 0+ (lexponentielle
x+
x+
0
0
Z +
3 +
2
x x
x/2 x
E(X ) =
e
dx = e
+6
e /2 dx = 64 = 24
4
2 0
4
0
0
x/2 x
3 1/2
e
2
2.
= 17.40%
(a) Pour
R + que f soit une densite il faut que soit un reel positif (f (t) 0 et
f (t)dt = 1.
i1
h
R1
t3
2
= 43 = 1 et donc
Do`u 1 (1 t )dt = t 3
1
3
4
100
Solutions
t 7 0
, si t 1
t3
1
3
F :
t 7 2 + 4 t 3 , si 1 < t 1
t 7 1
, si t > 1
Rt
f (x)dx
(c)
1
P |T |
2
1/2
=
=
=
f (t)dt +
Z 1/2
f (t)dt
1/
2
Z 1
3
3
2
(1 t )dt +
(1 t2 )dt
1
4
4
1
/2
3 1
3
t
2 t
a` cause de la symetrie de la distribution
4
3 1/2
3 2 1
1
+
2 3 2 24
5
16
Z 1
3 2
=
(t t4 )dt
4
1
Z 1
3 2
= 2
(t t4 )dt (fonction paire)
0 4
bar-hen.net
101
` DENSIT E
3. VARIABLES AL EATOIRES
A
1
3 t3 t5
=
2 3
5 0
1
=
5
3. Reponses : a = n ; E(X) =
n
n+1
; V(X) =
n
(n+2)(n+1)2
x 7 0 , si x 0
x 7 xn , si 0 < x 1
F :
x 7 1 , si x > 1
y 7 0
, si y 2
1
1
sin 2x
y 7 2 + x + 2
, si 2 < y 2
F :
y 7 1
, si y > 2
4
1
4
P Y >
= 1 0.9 +
sin
0.645%
10
2
5
2x
Indications : pour le calcul des integrales, on pose cos2 x = 1+cos
; la fonction
2
2
x cos 2x sint`egre par parties. La distribution est en cloche, symetrique par rapport
a` la valeur zero.
8
8 2
5. Reponses : a = 1 ; E(X) = 3
0.8488 ; V(X) = 1 3
0.2795 ; mode de
X=0
, si x 0
x 7 0
q
2
2
x
x
1
F :
x 7 arcsin 2 + x 1 4 , si 0 < x 12
x 7 1
, si x > 2
La
seule
difficult
e
de
lexercice
r
e
side
dans
le
calcul
des
int
e
grale.
On
e
crit
4 x2 dx =
q
2 1
x2
dx
4
x
x
= sin u et u
2
2
2
2
dx
=
2
cos
udu
r
x2
1
= | cos u| = cos u
4
R
R
R2
2u
du
On a ainsi I0 = 0 4 x2 dx = 4 02 cos2 udu = 4 02 1+cos
2
R2
R
I1 = 0 x 4 x2 dx = 8 02 cos2 u sin udu = 83 [cos3 u]02
R
R
R
R2
I2 = 0 x2 4 x2 dx = 16 02 cos2 u sin2 udu = 4 02 sin2 2udu = 4 02
u = arcsin
bar-hen.net
1cos 4u
du
2
102
6.
Solutions
R +
(a) On doit avoir f (x) 0 et f (x)dx = 1. Or
R +
a` calculer 2 (1+x1 2 )2 dx.
On fait le changement de variable :
1
2
(1+x2 )2
<u<
2
2
dx = (1 + tan2 u)du
u = arctan x x = tan u et
R +
On obtient f (x)dx =
1
sin 2u + 2
u
+
=1
R + 2
1
2 1+tan2 u du
R + 2
2
cos2 udu =
R + 2
2
1+cos 2u
du
2
R +
R + 2
2
xf (x)dx
1+cos 2u
du
2
Finalement :
E(X) = 0, (X) =
1=1
(c) Par definition, la fonction de repartition est une fonction F , definie sur R, et
telle que : F (x) = P(X < x). On a donc :
Z
2
F (x) = P(X < x) =
f (t)dt =
dt
, t R
(1 + t2 )2
u+
arctan x +
sin 2u arctan x
.
2
2
x
1+x2
En remar-
. Do`u :
1 1
x
F : x 7 +
arctan x +
, x R
2
1 + x2
On pet verifier
(deriv
que F est strictement croissante
ee positive), que limx F (x) =
1
1
1
1
+ 2 = 0 et que limx1 F (x) = 2 + 2 = 1
2
1
(d) P(X 1) = 1 P(X < 1) = 1 F (1) = 1 12 1 4 + 12 = 14 2
9.08%
7. Lequation differentielle 3.11 est du premier ordre, lineaire et homog`ene. Elle se
resout par separation des variables et admet sur ] 1, 1[, la solution generale :
x 7 (1x2 )2 , R R. Sur ]1, 1[, f est solution particuli`ere de 3.11, determinee
+
par la condition f (x)dx = 1.
bar-hen.net
103
` DENSIT E
3. VARIABLES AL EATOIRES
A
x 7 0
F :
x 7 21 +
x 7 1
15
16
x5
5
x3
2 3
, si x 1
+ x , si 1 < x 1
, si x > 1
x 7 0
, si x 0
x 7 1 e2x , si x > 0
puis la densite
f:
x 7 0
, si x 0
2x
x 7 2e
, si x > 0
F admet en zero une derivee a` gauche et une derivee a` droite. On peut choisir
arbitrairement.
(e) Mode de X = 0 ; E(X) = 12 ; V(X) =
(f) F (x) =
1
2
pour e2x =
1
2
1
4
104
Solutions
E(Z ) =
t f (t)dt
Z +
=
t (pf1 (t) + qf2 (t))dt
Z +
Z +
= p
t f1 (t)dt + q
t f2 (t)dt
pE(X ) + qE(Y )
En particulier
E(Z) = pE(X) + qE(Y ) = p1 + q2
E(Z 2 ) = pE(X 2 ) + qE(Y 2 )
On sait, dautre part, que pour toute variable T
V(T ) = E(T 2 ) E2 (T )
E(T 2 ) = V(T ) + E2 (T )
(3.13)
(3.14)
x 7 0 , si x 6 [a, b]
1
x 7 ba
, si x [a, b]
f:
E(X) =
Z
xf (x)dx =
2 b
x
1
x
1 b 2 a2
b+a
dx =
=
=
ba
ba 2 a 2 ba
2
bar-hen.net
105
` DENSIT E
3. VARIABLES AL EATOIRES
A
+
2
E(X ) =
x f (x)dx =
3 b
x2
1
x
1 b 3 a3
1
dx =
=
= (b2 +ab+a2 )
ba
ba 3 a 3 ba
3
0
0
(b)
Z +
Z +
1
+
x
x + 1
E(X) = int xf (x)dx =
xe dx = xe
+
ex dx =
0
0
0
Z +
Z
2 x + 2 +
2
2
+ 2
2 x
E(X ) = int x f (x)dx =
x e dx = x e
+
xex dx =
0
0
0
1
1
2
V (X) = 2 = 2
Z 0
Z t
t
=
f (x)dx +
f (x)dx = ex 0 = 1 et si t > 0
(d) La densite est nulle a` gauche de zero et decroissante a` droite de zero. (f 0 (x) <
0). Le mode de X est donc 0.
F (t) = 0.5 si et = 0.5. X a donc pour mediane t = 1 log 2 (voir exercice 7
pour = 2)
(e) Si =
1
2
:
P(2 X 3) = F (3) F (2) = e1 e
P(X 5) = 1 F (5) = e
P(X < 7) = F (7) = 1 e
bar-hen.net
5/
2
7/
2
3/
2
14.47%
8.21%
96.98%
106
Solutions
1 x
12. X a pour densite f : x 7 12 e 2 ( ) x R
Le graphe de f est symetrique par rapport a` x = .
Point dinflexion pour x = .
Donner les valeurs de + i pour i = 1, 2, 3 dans le tableau de variation.
1 x 2
On a f (x) = 1 1 pour e 2 ( ) = 1 x = 2 log 2 x = 2 log 2
2 2
2 log 2 = 2.3548
R +
1 2
En effectuant le changement de variable z = x
et en admettant 12 e 2 z dx =
bar-hen.net
` DENSIT E
3. VARIABLES AL EATOIRES
A
107
14. Soit lexperience : un voyageur se presente ; deux resultats sont possibles. Il prend
la rame A ou il prend la rame B, e galement probables. On pose p = P(Il prend la rame A) =
1
.
2
Soit lexperience E : 1600 voyageurs se presentent. On lui associe la variable X :
nombre de voyageurs susceptibles de prendre le train A. En supposant lindependance
des choix, on a : X B 1600, 12 . Les conditions sont ideales pour utiliser lapproximation X N (800, 202 ).
Soit n le nombre de places assises dans une rame. Levenement a` e viter est X >
n mais aussi X < 1600 n ; ce dernier resultat entranerait 1600 X > n,
donc une saturation de la rame B.
On veut : P(X > n) + P(X < 1600 n) < 3 103 (probabilites totales).
1600n800
Si Z N (0, 1), cette inegalite e quivaut a` : P Z > n800
+P
Z
<
<
20
20
3
3 10 . Ce que lon peut e crire, puisque n est surement superieur a` 800 : P |Z| > n800
<
20
n800
3
3 10 . Cette inegalite est verifiee pour 20 > 2.97 (voir table 11.7). On en deduit
n 860
15. Soit X P(). Comme = 104 , on peut e crire : X N (1000, 1002 ). On a
donc, si Z est une variable normale centree reduite : P(9800 X 10200)
P(2 Z 2) = 2 12 (2) (voir table 11.6 ou 11.7) . Il est inutile deffectuer la
correction de continuite = 2F (2) 1 95.44%
16. Si on choisit au hasard un individu male, 2 resultats sont possibles : sa taille est
186cm ou sa taille est < 186cm, e ventualites disjointes. Si Z N (0, 1), on a :
186 170
P = P(X 186cm) = 1P(X < 186) = 1P Z <
= 1P(Z < 2.58) 0.5%
6.2
(voir table 11.7
Soit lexperience E : on choisit 200 individus males ; on peut lui associer la variable
Y : nombre dindividus de taille 186cm. On a Y B(200, 5 103 ) P(1)
(nombre dindividus e leve, et probabilite P tr`es faible).
On deduit de la table 11.4 :
P(Y 5) = 1P(Y < 5) 1(0.3679+0.3679+0.1839+0.0613+0.0153) 37 104
17. Soit T la duree de fonctionnement correct a` partir dun revision. Soit a le temps
separant deux revisions. On veut determiner a pour que : P(T < a) 0.05.
En designant par
centr
< a) =
Z une variable normale
ee reduite, on a : P(T a1500
a1500
a1500
P Z < 300 . La condition P Z < 300
< 0.005 est realisee pour 300 <
2.576 a 727 heures
18. Soit X la variable qui associe a` un jour le nombre de clients qui se presentent sur
les n abonnes. On admet que chaque abonne a une probabilite de 9/10 de se presenter
et que les decisions sont independantes. Dans ces conditions X B(n, 9/10). Donc
E(X) = 0.9n et V(X) = 0.09n.
Lobjectif e tant davoir plus de 900 abonnes, on a certainement : n > 900 et n 9/10 >
n 1/10 > 90. On peut donc utiliser lapproximation normale X N (0.9n, 0.09n).
bar-hen.net
108
Solutions
Il sagit de choisir n pour que P(X > 900) 0. On a e videmment zero pour
n 900. Pour envisager un benefice supplementaire, il est clair quil faut courir
un risque. En choisissant P(X > 900) 103 , et avec Z N (0, 1), on obtient :
900 0.9n
e
Do`u f (x) = 13 0.4
e
3 0.4 2
2
R +
R + 1
(d) E(V ) = xf (x)dx = x( 3 f1 (x)+ 23 f2 (x))dx = 13 E(V1 )+ 23 E(V2 )
1.4667 m/s
bar-hen.net
109
` DENSIT E
3. VARIABLES AL EATOIRES
A
R +
E(V 2 ) = x2 f (x)dx = 13 E(V12 ) + 32 E(V22 ) = 13 (V(V1 ) + E2 (V1 )) +
2
(V(V2 ) + E2 (V2 ))
3
E(V 2 ) 13 (0.16 + 2.56) + 23 (0.16 + 1.96) = 2.32 m2/s2
Do`u la variance V(V ) = E(V 2 ) E2 (V ) 0.1688 et lecart-type (V )
0.41 m/s
20. Soit X la variable
qui associe a` un jour le nombre de clients du premier service.
1
X B 900, 2 . Levenement on refuse du monde a` lun des deux services
secrit : E = (X > 500 X < 400). En utilisant lapproximation normale on
obtient P(E) 8 ou 9 104 . La correction de continuite est ici negligeable.
21. Reponses :
si P = 34 on obtient une probabilite de lordre de 3 106 ;
9
si P = 16
on obtient une probabilite de lordre de 99.98%
p
22. Reponses : Mode=1 ; E(X) = /2 ; V(X) = 2 /2.
(
t 7 0
, si t 0
2
F :
t
t 7 1 e /2 , si t > 0
P(0 X < 2) 86.466%
23. (a)
+
Z
I1 =
xe
x2
+
1
1 x2
=
dx = e
2
2
0
Z
x2
dx =
xn+1 xex dx
0
0
+
Z
1
n + 1 +
2
x2
= xn+1 e
+
xn ex dx
2
2
0
0
n+1
=
In
2
In+2 =
xn+2 e
On en deduit I0 = 2 , I2 = 4 , I4 = 3 8 , I6 = 156
et I1 = 12 = I3 , I5 = 1.
R +
R +
v2
(b) La condition f (v)dv = 1 permet de calculer A. On obtient : A v 2 e /a2 dv =
1. On int`egre par changement de variable x = av , dv = adx
Aa
x2 ex dx = Aa3 I2 = 1 A =
0
v2
a3
110
Solutions
R +
R +
R +
2
v2
E(V k ) = v k f (v)dv = A v k+2 e /a2 dv = Aak+3 0 xk+2 ex dx =
Aak+3 Ik+2
4
E(V k ) = ak Ik+2
On en deduit
2a
4
E(V ) = aI3 =
4
3
E(V 2 ) = a2 I4 = a2
2
V(V ) = E(V ) E (V ) = a
24.
3 4
(a) f est continue sur R. Pour t > 0, f 0 (t) = 2 tet (1 t). On obtient donc
le tableau de variation et le mode vaut 1
Z
E(T ) =
2 2 t
tf (t)dt =
E(T 2 ) =
t2 f (t)dt =
te
Z
+ 2
dt = t2 et 0 +
2 tet dt =
2 t3 et dt
+ 3
= t3 et 0 +
2
V(T ) =
2
2 t2 et dt =
6
2
111
` DENSIT E
3. VARIABLES AL EATOIRES
A
20
Si Z N (0, 1), on a : P (X2 > 220) = P(Z > 12
) = P(Z > 1.666).
Sans correction de continuite, on obtient :
P(Z >
20
) = P(Z > 1.666) = P(Z < 1.666) 0.9522
12
19.5
) = P(Z > 1.625) = P(Z < 1.625) 0.9479
12
bar-hen.net
R +
tfa (t)dt +
1
3
R +
tfb (t)dt =
2
3
2
a
1
b
. De
Chapitre 4
Fonction dune variable aleatoire
1
Generalites
Definition 4.1 Soit X une variable aleatoire a` valeurs reelles, associee a` un espace de
probabilite {, A, P}. Soit une fonction numerique dune variable reelle definie sur
X(). Lapplication Y = X, definie sur , est une variable aleatoire a` valeurs
reelles si elle poss`ede la propriete :
Pour tout intervalle I R, {|Y () = (X()) I} A
(4.1)
On dit alors que Y est une variable aleatoire fonction de la variable aleatoire X et on
note Y = (X)
Remarques :
1. Lorsquune experience aleatoire est associee a` une variable aleatoire X, toutes observation est traduite par un nombre reel x. La fonction permet de transformer ce
reel en y = (x) que lon consid`ere alors comme la valeur observee dune nouvelle
variable aleatoire Y .
2. La propriete 4.1 necessaire a` la definition de toute variable aleatoire (voir chapitre 2) implique que lon peut definir la loi de probabilite de Y , ce qui, a priori,
nest sans doute pas possible pour nimporte quelle fonction numerique.
Le but de ce chapitre e tant essentiellement de montrer comment, a` partir de la loi de X, on
peut deduire la loi de Y , il sera implicite, dans ce qui suit, que les fonction considerees
sont de bonnes fonctions.
1.1
113
114
Generalites
Exemple 4.1 Supposons que la loi de X soit donnee par le tableau suivant :
xi -2 -1 0 1 2 3
2
3
4
4
2
1
pi 16
16
16
16
16
16
1. Soit la variable Y = 2X3. Lensemble des observables de Y est {7, 5, 3, 1, +1,+3}.
y +3
La fonction : x 7 y = 2x 3 est bijective et on a : pj = P(Y = yj ) = P X = j2 .
On en deduit la loi de Y :
yj -7 -5 -3 -1 1 3
2
3
4
4
2
1
pj 16
16
16
16
16
16
2. Soit la variable Z = X 2 . Lensemble des observables de Z est {0, 1, 4, 9}
On a, pour toute observable zk strictement positive :
pk = P(Z = zk ) = P [(X = zk ) (X = zk )]
= P (X = zk ) + P (X = zk )
car les e venements sont incompatibles et on a P(Z = 0) = P(X = 0). On en deduit la
loi de Z :
zk 0 1 4 9
3
6
5
2
pk 16
16
16
16
3. Peut-on definir la variable
1.2
1
X
1
u
1
distribution continue
u
bar-hen.net
115
On en deduit :
1
G(u) = 1 F
, pour u > 0
u
g(u) = u12 f u1 = u2 u1 e /u .
Do`u la densite de Y :
u 7 0
, si u 0
g:
2 /u
u 7 u3 e
, si u > 0
Connaissant la fonction de repartition de X :
t 7 0
, si t 0
F :
t 7 1 et (1 + t) , si t > 0
on peut e videmment expliciter :
u 7 0
, si u 0
G:
u
u 7 1 e
1 + u , si u > 0
Exemple 4.3 Soit X une variable aleatoire de loi N (0, 1). On se propose de determiner
la loi de Y = X 2 .
On e crit G(t) = P(Y < t) = P(X 2 < t)
Il est clair que, pour t 0, G(t) = 0, puisque levenement X 2 < t est impossible : un
carre ne peut pas prendre une valeur
negative
; par derivation : g(t) = 0.
Pour t > 0,on a P(X 2< t) = P( t < X t) et, X e tant de distribution continue :
G(t) = F ( t) F ( t) ; par derivation
1
1
g(t) = f ( t) f ( t)
2 t
2 t
1
1
t
t
=
e /2 +
e /2
2 2t
2 2t
2
(on rappelle que f est une fonction paire definie sur R par f (x) =
Finalement la densite de Y est :
(
t 7 0
, si t 0
g:
t/2
1
t 7 2t e
, si t > 0
x
1 e /2 )
2
Contrairement a` lexemple precedent, F nayant pas dexpression analytique, il est impossible, ici, dexpliciter G. On notera, a` propos de cet exemple, que la loi dune variable
aleatoire definie comme le carre dune variable normale reduite est une loi classique dite
loi du chi-deux a` un degre de liberte. Les lois du chi-deux font partie des mod`eles gaussiens qui seront decrits dans les derniers chapitres de ce cours et qui sont tr`es utilisees
en statistique.
bar-hen.net
116
Un cas particulier : Y = aX + b
2 Un cas particulier : Y = aX + b
La modelisation de ce cas particulier est tr`es aise et se prete a` des developpement interessants.
Les param`etres a et b e tant reels, on suppose, bien entendu, que a est different de zero,
sinon levenement Y = b est un e venement certain.
axi P(X = xi ) +
= a
xi P(X = xi ) + b
comme
bP(X = xi )
P(X = xi )
P(X = xi ) = 1, on a :
E(Y ) = aE(X) + b
(4.2)
Dautre part :
V(Y ) =
= a
Do`u :
V(Y ) = a2 V(X)
(4.3)
bar-hen.net
117
2.2
t
=
ax
+
b
dt
=
adx.
a
Z +
E(Y ) =
(ax + b)f (x)dx
Z +
Z +
= a
xf (x)dx + b
f (x)dx
= aE(X) + b
on retrouve bien la relation 4.2
R +
R +
V(Y ) = (t E(Y ))2 g(t)dt = (t aE(X) b)2 f
Le meme changement de variable que precedemment donne :
Z +
V(X) =
(ax aE(X))2 f (x)dx
Z +
2
= a
(x E(X))2 f (x)dx
tb
a
dt
a
= a V(X)
on retrouve bien la relation 4.3
a est negatif : : x 7 t = ax + b est une fonction continue strictement decroissante,
tb
=
on a : G(t) = P(Y
<
t)
=
P(aX
+
b
<
t)
=
P(aX
<
t
b)
=
P
X
>
a
tb
tb
1 P X a = 1 F a (distribution continue).
On en deduit :
1
tb
g(t) = f
, (a < 0)
a
a
dt
R +
R +
E(Y ) = tg(t)dt = tf tb
a
a
tb
Le changement de variable (x = a t = ax + b) dt = adx donne ici :
Z +
E(Y ) =
(ax + b)f (x)dx
Z +
=
(ax + b)f (x)dx
= aE(X) + b
bar-hen.net
118
Un cas particulier : Y = aX + b
Z +
t b dt
2
=
(t aE(X) b) f
a
a
Z +
=
(ax aE(X))2 f (x)dx
Z +
= a2
(x E(X))2 f (x)dx
= a2 V(X)
on retrouve bien la relation 4.3
Il resulte de ces deux cas que :
sous la reserve e vidente de lexistence de E(X) et de V(X), les relations 4.2 et 4.3
sont absolument generales ;
si X est une variable aleatoire de densite f , la densite g de la variable aleatoire Y =
aX + b (a 6= 0), est donnee par :
1
tb
g(t) =
f
(4.4)
|a|
a
Cette expression rend compte des deux cas a > 0 et a < 0.
Ces deux remarques permettent denoncer les theor`emes qui suivent.
Theor`eme 4.1 Soit une variable aleatoire X dont lesperance et la variance existent.
Soit la variable aleatoire Y = aX + b (a et b reels, a 6= 0). On a :
E(Y ) = E(aX + b) = aE(X) + b
et
V(Y ) = V(aX + b) = a2 V(X)
La demonstration de ce theor`eme a e te faite lorsque X est une variable discr`ete et lorsque
X est une variable a` densite.
Theor`eme 4.2 Soit X une variable aleatoire de loi N (, 2 ).
La variable aleatoire Y = aX + b (a et b reels, a 6= 0) est de loi N (a + b, a2 2 ).
Pour demontrer ce theor`eme, il suffit dappliquer la relation 4.4.
1 x 2
Si f (x) = 1 e 2 ( ) , on a en effet :
2
tb
2
a
12
1
e
g(t) =
|a| 2
1 t(a+b) 2
1
e 2 ( a )
=
|a| 2
bar-hen.net
4. F ONCTION D UNE VARIABLE AL EATOIRE
119
Exemple 4.4 Soit X une variable aleatoire de loi B(n, p). Cette variable a e te definie
comme le nombre devenements favorables que lon peut observer sur n experiences
identiques et independantes. On sait que E(X) = np et V(X) = np(1 p).
On peut e galement definir la variable aleatoire Y = Xn qui represente alors la frequence
des e venements favorables sur les n experiences. On deduit du theor`eme 4.1 :
1
1
X
E(Y ) = E
= E(X) =
np = p
n
n
n
X
1
1
p(1 p)
V(Y ) = V
= 2 V(X) =
np(1 p) =
2
n
n
n
n
Si, de plus, les conditions sont satisfaites pour que lon puisse assimiler X a` une variable
normale,
alors on
peut considerer, dapr`es le theor`eme 4.2, que la variable Y suit une
p(1p)
loi N p, n
.
Lutilisation de la variable Y represente un interet certain parce que la tendance centrale
de la loi de Y est p, probabilite de levenement favorable sur une experience, et que la
dispersion de Y autour de p tend vers zero lorsque n tend vers linfini.
2.3
E(X ) = E
=
E(X) = = 0
2
X
1
V(X ) = V
=
V(X) = 2 = 1
2
Si, de plus, X est de loi N (, 2 ), il resulte du theor`eme 4.2 que X 0 est de loi N (0, 2 )
et que X est de loi N (0, 1).
Le passage de la variable normale X a` la variable normale reduite, introduit au chapitre 3,
peut en fait sinterpreter comme le choix dune variable X , plus commode a` manipuler,
definie a` partir de X par la relation X = X
; au lieu de raisonner sur la valeur observee
x
x de X, on raisonne sur la valeur observee de X .
Reciproquement, si X 0 est de loi N (0, 2 ), la variable X = X 0 + est de loi N (, 2 )
et si X est de loi N (0, 1), la variable X = X + est de loi N (, 2 ) .
bar-hen.net
120
Esperance de Y = (X)
3 Esperance de Y = (X)
Soit Y = (X) une variable aleatoire fonction de la variable aleatoire X.
On pose, sous reserve de la convergence de la somme ou de lintegrale :
X
(xi )P(X = xi )
E[(X)] =
i
E[(X)] =
(x)fX (x)dx
|Y ()=yj
|X()=xi
On admettra cette propriete, qui sera verifiee sur des exemple, lorsque X est une variable
a` densite.
La notation E[(X)] a dej`a e te introduites dans les chapitres precedents pour definir
les param`etres descriptifs dune distribution ; on peut maintenant en donner une autre
interpretation :
le moment dordre k de la variable X est aussi lesperance de la variable Y = X k ;
la variance de la variable X est aussi lesperance de la variable Z = (X )
Exemple 4.5 (suite de lexemple 4.1)
On a determine la loi de probabilite de la variable Z = X 2 . On a :
E(Z) =
6
3
5
2
44
0+ 1+ 4+ 9=
16
16
16
16
16
bar-hen.net
121
et
E(X 2 ) =
2
3
4
4
2
44
3
(2)2 + (1)2 + (0)2 + (1)2 + (2)2 + (3)2 =
16
16
16
16
16
16
16
e /2 dt
E(Y ) =
tg(t)dt =
2t t
1
x2
2x2 e /2 dx
2t
On reconnat, dans cette expression, E(X 2 ), puisque X est de loi N (0, 1). On vient
de demontrer, sur cet exemple E(Y ) = E(X 2 ), il aurait e te plus simple decrire ceci
directement. Le calcul peut se poursuivre en integrant par parties. Il est plus rapide
de remarquer que, puisque E(X) = 0 et V(X) = 1, la relation generale V(X) =
E(X 2 ) E2 (X) permet decrire E(X 2 ) = 1.
On a donc : E(Y ) = E(X 2 ) = 1
Calculons maintenant le moment dordre 2 de Y . On a :
Z +
1
x2
2
4
x4 e /2 dx
E(Y ) = E(X ) =
2
h 3
i+
2
R +
x2
x x /2
En integrant par parties, on obtient E(Y 2 ) =
e
+ 3 12 x2 e /2 dx
2
2
Puisque limx
Do`u
x
x3 e /2
= 0 : E(Y ) = 3E(X ) = 3.
V(Y ) = E(Y 2 ) E2 (Y ) = 3 1 = 2
On vient de demontrer, et ceci est un resultat qui sera utilise ulterieurement, que pour
une variable Y qui suit une loi du chi-deux a` un degre de liberte,
E(Y ) = 1 et V(Y ) = 2
bar-hen.net
122
Exercices
4 Exercices
1. Soit X une variable aleatoire de densite de probabilite :
(
x 7 0
, si x 0
1 log xb 2
f:
1
(
)
x 7 e 2 a
, si x > 0
ax 2
1
V
5. Soit X une variable aleatoire a` valeurs reelles, de fonction de repartition F , continue et strictement croissante. Soit la variable aleatoire Y = F (X). Montrer que Y
est uniformement distribuee sur [0, 1].
6. Soit X une variable aleatoire de densite de probabilite :
2
x 7 15
x , si x [1, 4]
f:
x 7 0 , si x 6 [1, 4]
Determiner la densite de probabilite de la variable Y = (X 2)2 .
bar-hen.net
4. F ONCTION D UNE VARIABLE AL EATOIRE
123
7. Des resistances sont fabriquees en serie. La resistance dun e lement choisi au hasard dans la fabrication est une variable aleatoire de distribution uniforme entre 9
et 11 ohms. Determiner la densite de probabilite de la conductance C = R1 .
8. Un generateur produit une tension de la forme V = sin t. Pour quelquun qui
vient mesurer la tension V a` un instant quelconque, la mesure est une variable
aleatoire ; determiner sa densite de probabilite.
9. On observe une population de bacteries en croissance asynchrone. Soit T lage
dune bacterie choisie au hasard. On admet que la densite de probabilite de T est :
, si t 0
t 7 0
t/
1
f:
t 7 k2 , si 0 < t
t 7 0
, si t
(a) Calculer k.
(b) Calculer la probabilite pour que lage dune bacterie choisie au hasard soit
compris entre 0 et /2.
(c) On admet que la masse dune bacterie est fonction lineaire de son a ge :
m = m0 1 + t . Calculer lesperance de la masse dune bacterie choisie
au hasard.
10. Soit X une variable aleatoire de densite de probabilite :
x 7 0 , si x 6 [0, 1]
f:
x 7 2x , si x [0, 1]
Soit la variable aleatoire Y = arctan Y
(a) Calculer lesperance et la variance de Y .
(b) Determiner la fonction de repartition, puis la densite de probabilite de Y et
verifier les resultats precedents.
124
Solutions
5 Solutions
1. Soit F la fonction de repartition de X. On a : F (u) = P(X < u) =
Si u 0, F (u) = 0.
R0
Ru
Si u > 0, F (u) = f (x)dx + 0 f (x)dx = intu0 f (x)dx.
Le fonction bijective
R+ R
:
u
7 log u
Ru
f (x)dx
nest pas definie pour u 0 ; cela na pas dimportance ici puisque la variable X
ne peut pas prendre de valeur dans R .
Soit G et g la fonction de repartition et la densite de la variable aleatoire Y = log X.
On a, puisque est strictement croissante et admet, pour fonction inverse 1 , la
fonction exponentielle :
t
et
f (x)dx = F (et ) , t
12
1
et a2e
te
2
log et b
a
1 tb 2
1
g : t 7 e 2 ( a ) , t, a R+ , b R
a 2
:
R R
u 7 2u + 3
est une bijection, strictement croissante. On a, dautre part : FX (u) = P(X < u),
do`u :
FX (u) = 0, si u 0
Ru
FX (u) = 0 ex dx = 1 eu , si u > 0 (loi exponentielle).
On a FY (t) = P(Y < t) = P(2X + 3 < t) = P X < t3
= FX t3
2
2
Par derivation, on obtient : fY (t) = 21 fX t3
.
2
Do`u la densite (voir relation 4.4) :
t 7 0
, si t 3
fY :
t3
x 7 e 2 , si t > 3
On a dautre part (theor`eme 4.1) : E(Y ) = E(2X + 3) = 2E(X) + 3 = 5 et
V(Y ) = V(2X) = 4V(X) = 4
bar-hen.net
125
3. On a
Z
E(X) =
xf (x)dx =
2 2 x
xe
0
+ 2
dx = x2 ex 0 +
2 xex dx =
2
x
En effet limx+ x2 ex = 0 et x2 ex = 0 pour x = 0, int+
dx = 1.
0 xe
De meme :
Z +
Z +
3
6
2
2 3 x
3 x + 3
+
E(X ) =
x e dx = x e
2 x2 ex dx = E(X) = 2
0
0
2
2
On constate que Y suit une loi du meme type que celle de X avec = 1.
Contrairement aux exemples precedents, la fonction : x 7 x2 nest pas bijective.
On aura cependant, t R, FZ (t) = P(Z < t) = P(X 2 < t)
Pour t 0, il est clair que (X 2 < t) = FZ (t) = 0 fZ (t) = 0
2
Pour t > 0 : P(X
<
t)
=
P(
t
<
X
<
t)
=
F
(
t)
F
(
t)
X
X
t
1
2
1
fZ (t) = 2
f
(
t)
+
f
(
t)
=
te
+
0
(
t
<
0).
t X
2 t X
2 t
On peut e ventuellement verifier que E(Z) = E(X 2 ) =
6
2
4. Reponses :
(a) E(V ) =
; V(V ) =
1
2
; V(U ) = 25V(V ) =
fU :
bar-hen.net
25
2
t 7 0
, si xt 0
t/5
, si t > 0
t 7 5 e
126
Solutions
(c)
(
fW :
t 7 0
, si xt 0
, si t > 0
t 7 2t e
(d)
fZ :
t 7 0
, si t 0
/t
t 7 t2 e
, si t > 0
t 7 0 , si t 0
t 7 t , si 0 < t 1
G:
(4.5)
t 7 1 , si t > 1
et donc
g:
t 7 0 , si t 0 ou t > 1
t 7 1 , si 0 < t 1
Z u
, si u 1
=0
1
2
= 15 (u 1) , si 1 < t 4
F (u) =
f (x)dx :
=1
, si u > 4
On designe par G et g la fonction de repartition et la densite de probabilite de la
variable aleatoire Y = (X 2)2 . La fonction :
R R+
FX :
x 7 (x 2)2
nest pas bijective. On a cependant :
bar-hen.net
127
Si t >
0 G(t) = P(Y
< t) = P(X
2)2 < t) = P(
t
<
X
2
<
t) =
2
+
t 1
, impossible
FX (2 + t) 1 <
2 + t 4 , si 0 < t 4
2+ t>4
, si t > 4
, si t 1
2 t 1
FX (2 t) 1 <
2 t 4 , si 0 < t 1
2 t>4
, impossible
On en deduit, pour t > 0 :
1
8
1
Si 0 < t < 1 , G(t) = [(2 + t)2 1] [(2 t)2 1] =
t
15
15
15
1
Si 1 t 4 , G(t) = [(2 + t)2 1] 0
15
Si t > , G(t) = 1 0
Do`u la densite :
t 7 0
4
1
t
7 15
t
g:
1
2
+
1
t
15
t
t 7 1
, si t 0
, si 0 < t 1
, si 1 < t 4
, si t > 4
, si u < 9
u 7 0
u 7 12 (u 9) , si 9 u 11
F :
u 7 1
, si u > 11
La fonction
1 1
[9, 11] 11
,9
:
1
x
7 x
qui permet de definir C a` partir de R est ici continue et strictement decroissante ; il
sagit encore dune bijection.
soit G(t) = P(C < t). Il est clair que P(C < t) = 0 si t 1/11 etque P(C < t) = 1
si t > 1/9. Pour 1/11 < t 1/9, on a : P(C < t) = P R1 < t = P R > 1t =
1 F 1t .
Par derivation, on obtient la densite :
t 7 0 , si t 6 [9, 11]
g:
t 7 2t12 , si t [9, 11]
bar-hen.net
128
Solutions
9. On notera que 21 / = 2 2 / = 2e ln 2
Reponses :
ln 2
;
R /
t
2 ln2 0 2 e ln 2 dt
(a) k =
(b)
(c) E(M ) = m0 +
10.
=2 1
m0
E(T )
2
2
58.6%
m0
ln 2
E(Y ) = E(arctan X) =
1
= x2 arctan x 0
=
[x arctan x]10
4
=
1
2
2
=
=
=
=
arctan xf (x)dx =
2x arctan xdx
0
Z 1 2
x +11
x2
dx =
dx
2
1+x
4
1 + x2
0
+
2
2x(arctan x)2 dx
0
Z 1 2
Z 1
2
2
arctan
x
x +11
2 1
2
dx
=
2
arctan xdx
x (arctan x) 0
2x
1 + x2
16
1 + x2
0
0
Z 1
Z 1
2
2 arctan x
2
arctan xdx +
dx [x arctan x]10
2
16
1+x
0
Z 10
2
x
2[x arctan x]10 + 2
dx + [(arctan x)2 ]10
2
16
1
+
x
0
2
2
+ [log(1 + x2 )]10 +
16 2
16
2
+ log 2
8
2
E(Y ) = E((arctan X) ) =
=
(arctan x) f (x)dx =
2
2
2
+log 2 + 1 = +log 2 1
8 2
4
2
8
(b) On designe par f et F la densite et la fonction de repartition de X et par g et
G celles de Y . On a :
x 7 0 , si x 0
x 7 x2 , si 0 < x 1
F :
x 7 1 , si x > 1
V (Y ) = E(Y 2 )E2 (Y ) =
bar-hen.net
129
la fonction
R 2 , 2
x 7 arctan x
:
2
t 7 tan t , si 0 < t 4 X( =]0, 1] Y () = 0, 4
G:
t 7 1
, si t > 4 en fait 4 < t < 2 mais arctan X < 2 est certain
g:
t 7 0
, si t 0 ou t >
2
t 7 2 tan t(1 + tan t) , si 0 < t 4
1
1
e 2
3
3 2 t2
t2
, t 6= 0.
bar-hen.net
u 7 0
u 7
u2
ue /2
, si u 0
, si u > 0
Chapitre 5
Tests dhypoth`eses
1
Problematique
Si un experimentateur place des animaux ou des plantes dans certaines conditions particuli`eres, cest quil a certainement fait lhypoth`ese prealable que ces conditions doivent
avoir une influence sur la taille ou la vitesse de developpement, ou la forme, de ces animaux ou de ces plantes. De meme si un e cologue observe dans une region donnee un
micro climat et/ou une zone dont la pedologie ou lhydrologie diff`ere sensiblement du
reste de cette region, il sattend a` ce que cet environnement particulier ait une influence
sur la taille, la croissance, etc.. des e tres vivants qui y habitent.
Pour demontrer linfluence de lenvironnement ou des conditions cree s par lexperimentateur,
on effectue generalement des mesures sur les e tres vivants e tudies. En general on ne peut
mesurer quun nombre limite dunites experimentales.
Le principe du test statistique consiste a` supposer que ces conditions nont pas dinfluence, ce sera lhypoth`ese privilegiee (appelee H0 ), et a` voir si les mesures faites auraient pu arriver par le simple jeu du hasard. Si la probabilite dobserver de telles
mesures est trop faible on rejettera H0 au profit dune hypoth`ese alternative (appelee H1 )
qui formulera en termes precis linfluence e tudiee.
Exemple 5.1 La mediane des tailles des francais (ages de plus de 18 ans) est de 170 cm.
On aimerait savoir si cest aussi le cas parmi les e tudiants de la faculte Saint Jerome.
Pour cela cela on mesure la taille dun e chantillon de n e tudiants.
1.1
Hypoth`ese
Construire un test de lhypoth`ese nulle H0 contre lhypoth`ese alternative H1 , cest e tablir
un crit`ere de decision permettant de choisir entre lhypoth`ese H0 et H1 .
H0 hypoth`ese privilegiee
H0 est lhypoth`ese privilegiee : cest celle que lon garde si le resultat de lexperience
nest par clair. On dit que le test dhypoth`ese est conservatif car il conserve H0 sauf si
131
132
Niveau et puissance
les donnees conduisent a` la rejeter. En ce sens il y a une analogie entre un test dhypoth`ese et un proc`es : tout suspect est presume innocent et laccusation doit apporter la
preuve de sa culpabilite avant que la justice decide de le condamner. Cette preuve doit
de plus sappuyer sur des e lements materiels, comme le test qui utilise les donnees pour
rejeter lhypoth`ese. Quand on accepte H0 , on ne prouve pas quelle est vraie, on accepte
de conserver H0 parce quon a pas pu accumuler suffisamment de preuves contre elle.
Accepter H0 cest acquitter faute de preuve. Dans lexemple 5.1, on a H0 : la mediane
des tailles des e tudiants est de 170 cm.
On appelle hypoth`ese alternative, que lon note H1 , une hypoth`ese differente de H0 . On
dit que lon test H0 contre H1 .
Dans ce qui suit est un param`etre relatif a` une population, donc inconnu. Dans lexemple 5.1,
est la mediane.
Differents cas sont possibles pour le couple (H0 , H1 ) :
Hypoth`eses simples :
H0 : = 0 et H1 : = 1
Par exemple H1 : = 180cm pour lexemple 5.1
H0 simple et test bilateral
H0 : = 0 et H1 : 6= 0
Par exemple H1 : 6= 170cm pour lexemple 5.1
H0 composite et test unilateral :
H0 : 0 et H1 : > 0
H0 composite et test bilateral :
H0 : 1 2 et H1 : { > 2 } { < 1 }
Niveau et puissance
On determine la loi de la variable aleatoire detude sous H0 et sous H1 . Lensemble des
valeurs observees pour lesquelles lhypoth`ese nulle H0 est admissible forme la region
dacceptation A ou de non-rejet de H0 et les autres valeurs constituent la region de rejet
133
Lerreur qui consiste a` rejeter une hypoth`ese vraie est appelee erreur de premi`ere esp`ece.
Si H0 est simple, la probabilite de rejeter a` tort H0 vaut
= PH0 (Z R)
Lerreur commise en acceptant une hypoth`ese fausse est lerreur de seconde esp`ece. Si
H1 est simple, la probabilite de rejeter a` tort H1 vaut
= PH1 (Z A)
En resume, nous avons le tableau suivant :
Realite
Decision
H0
H1
H0
H1
OK
risque de 2e` me esp`ece
risque de 1e` re esp`ece
OK
134
Preciser les deux hypoth`eses H0 et H1 . Quelle est lhypoth`ese nulle ? Quelle est lhypoth`ese alternative ?
Etablir
un protocole experimental et lui associer une variable aleatoire Z dont la loi
e volue entre H0 et H1 mais dont la valeur observee z0 sera parfaitement connue apr`es
realisation de lexperience.
Determiner la loi de Z sous H0 et la loi de Z sous H1 . En deduire le type de test
(unilateral, bilateral) cest-`a-dire la position du domaine de rejet R et du domaine
dacceptation A de H0 .
Choisir le niveau du test. En deduire precisement les domaines dacceptation et de
rejet de H0 .
Tout cela e tant fait, la decision ne depend plus que de la valeur observee z0 de Z.
135
Pour des e chantillons de taille tr`es faible jusqu`a N = 6, la seule possibilite est lutilisation dun test non parametrique, sauf si la nature exacte de la distribution de la population
est precisement connue. Ceci permet une diminution du cout ou du temps necessaire a` la
collecte des informations.
Il existe des tests non parametriques permettant de traiter des e chantillons composes a`
partir dobservations provenant de populations differentes. De telles donnees ne peuvent
e tre traitees par les tests parametriques sans faire des hypoth`eses irrealistes.
Seuls des tests non parametriques existent qui permettent le traitement de donnees qualitatives : soit exprimees en rangs ou en plus ou moins (echelle ordinale), soit nominales.
Les tests non parametriques sont plus facile a` apprendre et a` appliquer que les tests parametriques. Leur relative simplicite resulte souvent du remplacement des valeurs observees soit par des variables alternatives, indiquant lappartenance a` lune ou a` lautre
classe dobservation, soit par les rangs, cest-`a-dire les numeros dordre des valeurs observees rangees par ordre croissant. Cest ainsi que la mediane est generalement preferee
a` la moyenne, comme param`etre de position.
Desavantages des tests non parametriques
Les tests parametriques, quand leurs conditions sont remplies, sont plus puissants que les
tests non parametriques.
Un second inconvenient reside dans la difficulte a trouver la description des tests et de
leurs tables de valeurs significatives, surtout en langue francaise. Heureusement, les niveaux de significativite sont donnes directement par les logiciels statistiques courants.
On choisira les tests appropries en fonction du type de mesure, de la forme de la distribution de frequences et du nombre dobservations dont on dispose.
5
5.1
136
N!
P x QN x
x!(N x)!
o`u N est le nombre dobservations ; P la proportion de cas attendus dans une categorie
et Q = 1 P la proportion de cas attendus dans lautre categorie.
Nous pouvons alors repondre a` la question suivante : quelle est la probabilite exacte
dobtenir les valeurs observees. Mais le plus souvent nous posons la question : Quelle est
la probabilite dobtenir les valeurs observees ou des valeurs encore plus extremes ? La
distribution dechantillonnage est alors
P(X x) =
x
X
j=0
N!
P j QN j
j!(N j)!
(5.1)
Exemple 5.2 Quelle est la probabilite dobtenir deux six ou moins de deux six apr`es cinq
jets dun de non pipe ?
On a N = 5 (le nombre de jets) x = 2 (le nombre de six) P = 1/6 (proportion de six
attendue) Q = 5/6
Soit p(i) la probabilite dobtenir i six ; On a
5! 1 0 5 5
P(X = 0) = 0!5!
( /6) ( /6) = 1 1 0.40 = 0.40
5! 1 1 5 4
P(X = 1) = 1!5! ( /6) ( /6) = 5 0.1666 0.4822 = 0.40
5! 1 2 5 3
( /6) ( /6) = 10 0.0277 0.578 = 0.16
P(X = 2) = 2!5!
Et donc :
P(X 2) = P(X = 0) + P(X = 1) + P(X = 2) = 0.40 + 0.40 + 0.16 = 0.96
La probabilite dobtenir sous H0 deux six ou moins lorsquun de non pipe est lance cinq
fois est p = 0.96.
bar-hen.net
137
Petits e chantillons
Dans le cas dun e chantillon a` deux classes, une situation commune est celle o`u P =
1/ . Lorsque leffectif est inf
erieur a` 10, la table 11.3 donne les probabilites associees a`
2
diverses valeurs de x (la plus petite des frequences observees) pour differents effectifs
N.
Exemple 5.3 Dans une e tude des effets du stress, on enseigne a` 18 e tudiants deux methodes
differentes de faire un noeud. La moitie des sujets (choisie au hasard dans le groupe de
18) apprend dabord la methode A, puis la methode B. Lautre moitie apprend en premier la methode B, puis la methode A. Apr`es avoir subi un examen de quatre heures,
on demande a` chaque sujet de faire le noeud. Lhypoth`ese est que le stress induit une
regression, cest-`a-dire, que les sujets utiliseront la premi`ere methode apprise. Chaque
sujet est categorise suivant quil utilise la premi`ere methode apprise ou la seconde apr`es
le stress.
Hypoth`ese nulle H0 : p1 = p2 = 1/2
Il ny a pas de difference entre la probabilite dutiliser la premi`ere methode apprise (p1 )
et celle dutiliser la seconde methode apprise (p2 ), apr`es le stress.
H1 : p1 > p2 le test est donc unilateral
Le test binomial est choisi car les donnees rentrent dans deux categories discr`etes et
lechantillon est unique. Lapprentissage en premier ou second des deux methodes A et B
e tant reparti au hasard, il ny a pas de raison de penser que la premi`ere methode apprise
soit preferee a` la seconde, compte tenu de H0 , et de P = Q = 1/2.
On choisit le coefficient de securite = 0.01
La region de rejet comprend toutes les valeurs de x (nombre de sujets qui ont utilise,
apr`es le stress, la seconde methode apprise) qui sont si faibles que leur probabilite associee sous H0 est e gale ou inferieure a` = 0.01. Les petites valeurs favorisent lhypoth`ese H1 . le test est donc unilateral avec region de rejet a` gauche.
Dans cette experience les resultats obtenus apr`es le stress sont les suivants :
Methode choisie
Premi`ere apprise Deuxi`eme apprise
16
2
Total
18
La probabilite associee avec x 2 est 0.0011. Attendu que cette probabilite est inferieure
a` = 0.01, nous pouvons rejeter H0 en faveur de H1 . Nous concluons que p1 > p2 ,
cest-`a-dire, les personnes soumises a` un stress utilisent la premi`ere des deux methodes
apprises.
Lorsque N saccrot, la distribution binomiale tend vers la distribution normale. Cette
tendance rapide lorsque P est proche de 1/2 , se ralentit lorsque P est voisin de 0 ou
de 1. Donc, plus la disparite entre P et Q est importante, plus lechantillon devra e tre
important pour que lapproximation soit utile.
bar-hen.net
138
1
1
, H1 : P(T a 0) = p 6=
2
2
Le test du signe est aussi utilise dans le cas des observations (X, Y ) appariees. On
consid`ere la variable T = X Y et on teste H0 : la mediane de T vaut 0 contre
H1 : la mediane de T est differente de 0 (positive ou negative).
Lhypoth`ese nulle peut secrire
H0 : P(T 0) = P(T 0) = 1/2
Lorsque lhypoth`ese nulle est vraie et pour N paires dobservations, le nombre de differences
positives (ou negatives) est une variable binomiale de param`etres P = Q = 1/2 et N . Le
test permet de comparer, grace a` cette distribution, le nombre observe de signes plus
(ou moins) et le nombre attendu N/2. Quand certaines differences sont nulles, les paires
dobservations correspondantes sont e cartees de lanalyse et la valeur de N est reduite en
consequence.
Lorsque N < 100, la table 11.2 donne en fonction de N et du niveau , le plus grand
entier k, tel que P(T k) pour un test unilateral ou tel que 2P(T k) pour
un test bilateral.
Le test des signes peut e tre unilateral lorsque lon predit quel signe + ou sera le
plus frequent ou bilateral lorsque les frequences des deux signes seront simplement
differentes.
Exemple 5.4
1. Vingt paires sont observees ; 16 presentent une difference positive et les 4 autres une
differences negative. Donc N = 20 et k = 16.
Si H1 predit que les signes + sont les plus frequents, on observera moins de valeurs
negatives sous H1 : le test est unilateral et la region de rejet de H0 est a` droite. La
Table 11.2 rev`ele que le domaine de rejet de H0 , au seuil 1% est k = {15, 16, 17, 18, 19, 20} ;
on peut aussi dire que le domaine dacceptation est k = {0, 1, . . . , 13, 14} .
Si H1 predit simplement que la difference entre les frequences des deux signes est differente
(test bilateral), la Table 11.2 rev`ele que le domaine de rejet de H0 , au seuil 1% est
k = {0, 1, 2, 3, 17, 18, 19, 20}
2. Douze arbres sont mesures alors quils sont debout, par une mesure trigonometrique.
Puis les memes arbres sont mesures au sol, apr`es abattage. La premi`ere methode donnet-elle des resultats significativement trop faibles ou trop e leves ?
H0 : Il ny a pas de differences entre les mesures obtenues par la premi`ere et la seconde
methode ;
bar-hen.net
139
(x 0.5) 1/2N
1
N
2
(5.2)
o`u x + 0.5 est utilise lorsque x < 1/2N et x 0.5 lorsque x > 1/2N . La signification dun
tel z peut e tre determinee par reference a` la table de la loi normale.
Exemple 5.5
1. Si lon reprend lexemple de comparaison des mesures des arbres, lapproximation normale donnerait :
3.5
(2 + 0.5) 6
z=
=
= 2.02
1.7320508
0.5 12
La table 1 rev`ele que pour z = 2.02, la probabilite bilaterale associee est (1 0.97831)
2 = 0.04438. Cette valeur conduirait a` rejeter lhypoth`ese nulle au seuil 0.05. Bien que
les e chantillons ne contiennent chacun que douze individus, lapproximation est dej`a tr`es
satisfaisante car la valeur exacte est p = 0.038.
2. Supposons quun chercheur veuille determiner si la vision dun film sur la delinquance
juvenile change les opinions des membres dune communaute sur la severite des sanctions a` donner a` des delinquants juveniles. Il extrait un e chantillon aleatoire de 100
bar-hen.net
140
adultes de la communaute. Chaque sujet sera son propre controle. Il leur demande
de prendre position sur la severite plus ou moins grande des punitions a` infliger aux
delinquants juveniles. Il leur presente ensuite le film et reit`ere sa question apr`es.
H0 : le film na pas deffet sur lopinion des sujets ;
H1 : le film a un effet systematique.
Le test des signes est choisi pour cette e tude portant sur deux groupes apparies et dont les
mesures sont realisees dans lechelle ordinale. Les differences pourront e tre representees
par des plus ou des moins.
Soit = 0.01 ; N = le nombre de sujets qui changent dopinion, quel quen soit le sens.
N > 90 donc z est calcule avec la formule 5.2 et les tables de la loi normale donnent la
probabilite associee aux valeurs aussi extremes que le z obtenu.
Comme H1 ne predit pas la direction des differences, la region de rejet est bilaterale.
Les resultats de cette e tude fictive sont les suivants :
Plus
Opinion apr`es le film Moins
Ces donnees montrent que 15 adultes (8 + 7) nont pas e te affectes par la vision du film
et 85 lont e te. Si le film na pas deffet systematique, nous nous attendrions a` ce que a`
peu pr`es la moitie de ceux qui ont modifie leur jugement entre avant et apr`es a change de
plus a` moins et a` peu pr`es la moitie a change de moins a` plus. Soit 42.5 sujets auraient
modifie leur jugement dans un sens ou dans lautre.
x = 26 ; N = 85 donc x < 1/2N
z=
16
(26 + 0.5) 42.5
=
= 3.47
4.609772
0.5 85
Au seuil 1%, nous pouvons rejeter lhypoth`ese nulle. Nous pouvons conclure, dans cette
e tude fictive, que la vision du film a eut un effet significatif sur lopinion des adultes
concernant la severite des peines a` infliger aux delinquants juveniles.
5.4
141
Methode
di = difference entre chaque paire, representant la difference entre les scores apparies
obtenus lors des deux traitements. Chaque paire a un di .
Ranger tous les di sans tenir compte de leur signe. Dans ce cas, lorsque lon range
les di , un di de 1 est affecte dun rang inferieur a` celui dun di de 2 ou +2. Puis
reaffecter a` chaque rang le signe de la difference.
Si les traitements A et B sont e quivalents, donc si H0 est vraie, la somme des rangs
ayant un signe positif et celle des rangs ayant un signe negatif devraient e tre a` peu pr`es
e gales. Mais si la somme des rangs de signes positifs est tr`es differente de celle des
rangs de signes negatifs, nous en deduirons que le traitement A diff`ere du traitement
B, et rejetterons lhypoth`ese nulle. Donc, il y a rejet dH0 que la somme des rangs de
signe negatif ou que celle des rangs de signe positif soit faible.
Il est possible que les deux scores dune quelconque paire soient e gaux. Il ny a pas
de difference observee entre les deux traitements pour cette paire (d = 0). De telles
paires sont abandonnees. N est alors e gal au nombre de paires dont la difference entre
les traitements nest pas nulle. Mais deux ou plus des differences observees entre paires
peuvent e tre e gales entre elles. On donne alors le meme rang a` ces valeurs liees. Le
rang affecte est la moyenne des rangs quauraient eu les diverses valeurs si elles avaient
differe. Ainsi, trois des paires observees presentent les differences suivantes : 1, 1 et
+1. Chaque paire aura le rang 2, car 1+2+3
= 2. La difference suivante aura alors le rang
3
4, puisque les rangs 1, 2, et 3 ont dej`a e te utilises.
Petits e chantillons
T = la somme des rangs du signe observe le moins frequent. La table 11.16 donne
les valeurs critiques de T et leurs niveaux de signification associes pour N < 25. Si
le T observe est e gal ou inferieur a` la valeur donnee dans la table pour un niveau de
signification et pour le nombre de differences non nulles N , lhypoth`ese nulle peut e tre
rejetee a` ce niveau de signification.
Exemple 5.6 Un psychologue de lenfance veut tester leffet de lassistance a` lecole
maternelle sur la comprehension sociale des enfants. Il estime cette comprehension a`
partir des reponses que les enfants donnent a` une serie de questions portant sur des
images representant diverses situations sociales. Chaque enfant obtient ainsi un score
compris entre 0 et 100. Le psychologue ne peut pas affirmer que les differences observees
entre scores sont numeriquement exactes (il ne peut pas dire quun score de 60 est le
double dun score de 30, ni que la difference entre 60 et 40 est exactement le double
de la difference entre 40 et 30). Cependant, il pense que les scores sont suffisamment
precis pour quil puisse les ranger selon leur valeur absolue. Pour tester leffet de lassistance a` lecole maternelle sur la comprehension sociale des enfants, il utilise 8 paires
de jumeaux. Lun des jumeaux est envoye a` lecole, alors que lautre reste a` la maison
pendant un trimestre. Laffectation se faisant au hasard. A la fin du trimestre, il estime la
comprehension sociale de chacun des enfants.
Lhypoth`ese nulle : il ny pas de difference entre la comprehension sociale des enfants
restes a` la maison et celle des enfants ayant suivi lecole.
bar-hen.net
142
Score enfants
scolarises
82
69
73
43
58
56
76
65
3
T =4
N (N +1)/
4
N(N+1)(2N+1)/
24
(5.3)
5.5
bar-hen.net
143
H1 : la loi LX est plus e talee a` droite ou a` gauche ou des deux cotes par rapport a` la loi
de LY .
On envisage le classement des n + p observations par valeurs croissantes : si lon dispose
dun groupe experimental de 3 cas (p) et dun groupe controle de 4 cas (n) et que les
observations sont les suivantes :
Observations E
Observations C
9
6
11
8
15
10
13
8
C
9
E
10
C
11
E
13
C
15
E
(5.4)
n(n + 1)
R1
2
(5.5)
ou de facon e quivalente
p(p + 1)
R2
(5.6)
2
o`u R1 = somme des rangs assignes a` lechantillon le plus petit (n) et R2 = somme des
rangs assignes a` lautre e chantillon.
U = np +
bar-hen.net
144
Exemple 5.7 Cinq rats sont entranes a` imiter un rat leader dans un labyrinthe en T,
pour atteindre une source de nourriture. Puis ces rats sont ensuite transferes dans une
situation o`u par imitation dun rat leader, ils apprennent a` e viter un choc e lectrique. Leur
comportement dans cette situation est compare a` celui de rats nayant pas e te entranes a`
suivre un leader. La comparaison se fait en terme de nombre dessais necessaire a` chaque
rat pour obtenir 10 reponses devitement lors de 10 essais. On fait lhypoth`ese que les
5 rats prealablement conditionnes a` imiter un congen`ere reussiront plus rapidement que
les autres a` e viter les chocs.
Soit = 0.05 ; n = 4 rats temoins et p = 5 rats experimentaux. Les resultats sont les
suivants :
Exp
78
64
75
45
82
Rang
Temoins
Rang
7
110
9
4
70
5
6
53
3
1
51
2
8
R2 = 26
R1 = 19
Echantillons
dont n2 est compris entre 9 et 20
La table 11.15 nest plus utilisable lorsque p devient superieur a` 8. Mais on peut alors
faire usage de la table 11.13pour les e chantillons dont la taille p est comprise entre 9 et
20 et n 20. Cette table 11.13 donne les valeurs critiques de U a` differents niveaux de
signification. Ainsi, lorsque la valeur du U observe est inferieur ou e gale a` celle de la
table, H0 peut e tre rejetee au niveau de signification correspondant.
Grands e chantillons (p > 20)
Quand la taille de n et de p augmente, la distribution de U sapproche de la distribution
normale. Lapproximation normale se calcule de la facon suivante :
U
z=q
np
2
(5.7)
np(n+p1)
12
Exemple 5.8 Dans des societes humaines a` culture non e crite, les ethnologues peuvent
classer ces societes en fonction du degre danxiete presente par les enfants a` la suite
de la socialisation (ce classement va de 6 a` 17). Il est aussi possible de distinguer deux
groupes suivant que ces societes disposent dexplications orales de la maladie ou non.
bar-hen.net
145
Explic. absente
Lapp
Chamorro
Samoan
Arapesh
Balinese
Hopi
Tanala
Paiute
Chenchu
Teton
Flathead
Papago
Venda
Warrau
Wogeo
Ontong-Javanese
Estim. anxiete
13
12
12
10
10
10
10
9
8
8
7
7
7
7
7
6
Rang
Explic. presente
29.5
Marquesan
24.5
Dobuan
24.5
Baiga
16
Kwoma
16
Thonga
16
Alorese
16
Chagga
12
Navaho
9.5
Dahomean
9.5
Lesu
5
Masai
5
Lepcha
5
Maori
5
Pukapukan
5
Trobriander
1.5
Kwakiutl
R1 = 200
Manus
Chiricahua
Comanche
Siriono
Bena
Slave
Kurtachi
Estim. anxiete
17
16
15
15
15
14
14
14
13
13
13
12
12
12
12
11
11
10
10
10
8
8
6
Rang
39
38
36
36
36
33
33
33
29.5
29.5
29.5
24.5
23.5
24.5
24.5
20.5
20.5
16
16
16
9.5
9.5
1.5
R2 = 580
Noter que les valeurs danxiete qui sont ex-aequo, o`u quelles se presentent, sont affectees dun rang e gal a` la moyenne des rangs revenant normalement a` ces differentes
valeurs.
Nous calculons la valeur de U par la formule 5.5 : U = 16 23 + 16(16+1)
200 = 304.
2
Nous substituons la valeur de U dans la formule 5.7 pour calculer
z=q
304
1623
2
= 3.43
1623(16+23+1)
12
La reference a` la table de la loi normale rev`ele que z e gal ou superieur a` 3,.43 a une
probabilite unilaterale de p < 0.0003. Comme ce p est inferieur a` = 0.01, nous
pouvons rejeter H0 . Nous concluons que les societes a` explications orales de la maladie
ont une socialisation de lanxiete superieure aux autres societes.
Probl`eme des ex-aequo
Lorsque deux ou plus dobservations du meme groupe ont des valeurs e gales, la valeur
de U nest pas affectee. Par contre, si des valeurs identiques se presentent dans les deux
e chantillons, la valeur du U est affectee. Bien que cet effet soit souvent negligeable,
bar-hen.net
146
une correction pour les ex-aequo existe. La formule corrigee pour les ex-aequo est la
suivante :
N np
2
(5.8)
z=q
np
N 3 N
T
N (N 1)
12
3
304
1623
39(391)
1623
2
393 39
12
= 3.45
70.5
Cet exemple confirme que les ex-aequo ont un effet negligeable sur la valeur du z. Aussi
la correction peut netre faite que lorsque le nombre dex-aequo est tr`es important o`u
lorsque la valeur du z obtenue sans correction est voisine de la signification au seuil
choisi.
bar-hen.net
147
6 Exercices
1. Un directeur de laboratoire pharmaceutique refuse la mise en fabrication dun nouveau vaccin propose par un des chercheurs du laboratoire. Il invoque pour cela
les resultats statistiques peu concluants obtenus suite aux tests : le vaccin propose
nest pas significativement plus efficace que celui utilise actuellement. Les frais
supplementaires entranes pour le produire ne sont donc pas justifies.
(a) Soient H0 et H1 les hypoth`eses possible :
H0 : le vaccin propose nest pas plus efficace que celui dej`a en production ;
H1 : le vaccin propose est plus efficace que celui dej`a en production.
Quels sont les deux types derreurs que le directeur pourrait commettre relativement a` ces deux hypoth`eses ?
(b) En prenant la decision de ne pas mettre en fabrication le vaccin propose,
lequel des deux types derreur le directeur a-t-il tente de controler ?
2. Soit une experience E a` laquelle est associee une variable aleatoire Z de fonction
de repartition continue et strictement croissante. On realise quatorze experiences
independantes et identiques a` E qui donnent les resultats suivant :
4.65
4.85
4.86
5.28
4.40
5.75
3.20
5.35
5.17
6.33
4.60
2.69
4.18
3.95
-0.15
+0.17
-0.14
+1.33
+0.28 -0.60
-0.40 -2.31
+0.75 -1.80
-0.82 -1.05
148
Exercices
A
0.88
1.10
B
0.85
0.84
C
0.94
1.02
D
0.96
1.06
E
1.19
1.07
F
0.96
1.16
G
0.92
0.88
H
0.90
1.18
I
0.76
0.89
J
0.94
1.10
K
1.05
0.96
L
1.01
1.16
M
0.96
1.19
N
0.94
0.89
10
0.388
0.566
149
10. On desire savoir si une certaine variete de ble a, dans une region A, un rendement
superieur a` celui quelle a dans une region B. Pour cela, on dispose de resultats,
exprimes en quintaux par hectare, obtenus sur seize parcelles differentes et ainsi
repartis :
Region A 48.0 48.2 50.3 53.5 54.6 56.4 57.8 58.5 60.5
Region B 44.2 46.3 48.3 48.5 50.5 51.2 55.4
La reponse sappuiera sur un test construit au niveau 2.5%, en labsence de toute
hypoth`ese sur le type de loi suivie par le rendement dune parcelle.
bar-hen.net
150
Solutions
7 Solutions
1.
2. On fait un test du signe.
On note Z1 , . . . , Z14 les resultats des 14 experiences. Les Zi sont de meme loi que
Z.
On teste :
H0 : la mediane de Z est 5 : P(Z 5) = 1/2
contre H1 : la mediane de Z est differente de 5 : P(Z 5) 6= 1/2
On utilise la variable V : nombre de fois o`u Zi 5 parmi les 14 valeurs.
sous H0 , Z B(14, 21 ).
Sous H1 , Z B(14, p).
Donc, sous H1 , V prend des valeurs plus grandes ou plus petites que sous H0 . Dans
la table 11.2, au niveau 5%, on rejette H0 si V 2 ou V 12, la region de rejet
est donc RH0 = {0, 1, 2} {12, 13, 14}.
Parmi les 14 valeurs observees ici, 5 sont au dessus de 5 : v0 = 5 6 RH0 . Donc on
ne rejette pas H0 : la mediane de Z est 5.
3. On va traduire H0 et H1 sous les formes e quivalentes :
H0 : P(X 0) = 12
H1 : P(X 0) < 12
Aux n experiences, on associe la variable Z = le nombre de valeurs positives de X
que lon peut observer. Il est clair que :
sous H0 , Z B(n, 21 ).
Sous H1 , Z B(n, p < 12 ).
On construira donc, a` partir de Z un test unilateral avec domaine de rejet de H0 a`
gauche. Il sagit dun test du signe.
Si n = 14, au niveau = 5%, on peut separer lensemble des observables (table
du signe) :
Domaine de rejet de H0 : {0, 1, 2, 3}, cest-`a-dire domaine dacceptation de H0 :
{4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14}
Donc si on observe z {0, 1, 2, 3} on choisit H0 , et,
si on observe z {4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14} on choisit H1
Si n = 196, on peut considerer que, sous H0 , Z N (98, 49). (On note que
98 > 10). Pour la variable Z , de loi N (0, 1), cest la valeur 1.645 qui separe
le domaine de rejet du domaine dacceptation de H
0.
Pour la variable Z, ce sera la valeur 98 1.645 49 = 86.485
Do`u un test, au niveau de 5% : si on observe une valeur z 86, on rejette H0
et si on observe z 87, on conserve H0 .
On peut verifier que le niveau de ce test est tr`es proche de 5% car il correspond,
avec la correction de continuite a` la valeur z = 86.598
1.643
7
4. On va tester lhypoth`ese H0 : la loi de T est symetrique par rapport a` zero contre
lhypoth`ese H1 : la loi de T nest pas symetrique par rapport a` zero.
bar-hen.net
151
Pour cela on classe les 14 valeurs Xi par valeur absolue croissante et on consid`ere
la variable aleatoire U1 representant la somme des rangs des valeurs positives que
lon est susceptible dobserver.
Sous H0 , la loi de U1 est en cloche symetrique sur {0, 1, 2, . . . , 104, 105}.
Sous H1 , la loi de U1 se deforme vers la droite ou la gauche de {0, 1, 2, . . . , 104, 105}.
On construit un test bilateral.
An niveau 5%, le domaine dacceptation de H0 est lensemble des entiers : {22, 23, . . . , 82, 83}
(test signe et rang).
Les observations rangees par valeur absolue croissante :
Rang
valeurs
1
0.14
2
0.15
3
+0.17
4
+0.28
5
0.35
6
+0.35
7
0.40
8
0.60
9
+0.75
10
0.82
11
1.05
12
+1.33
13
1.80
1
2
(pas de changement)
1
2
(amelioration)
contre
H1 : p >
Pour cela on choisit la statistique X = nombre de guerisons que lon peut observer
sur 11 malades traites.
Sous H0 : X B(11, 1/2) (loi en cloche symetrique. Sous H1 , le mode est deplace
a` droite. On a donc un test unilateral avec domaine de rejet de H0 a` droite.
Au niveau 5% (voir table 11.2)
Domaine de rejet de H0 : {9, 10, 11}
Domaine dacceptation de H0 : {0, 1, 2, . . . , 7, 8}
Le calcul exact de donne = 1+11+55
3.27%.
2048
Critique : compte tenu du faible nombre dessais (11), la courbe de puissance du
test, representative de (p) = P(X 9), ne va pas crotre tr`es vite (p > 12 ). Seules
les ameliorations (p 0.9) seront detectees a` coup sur par u tel test.
6. Soit X la variable aleatoire qui represente le nombre de porteurs de phenotype que
lon peut observer sur 2400 individus.
9
Sous H0 : X B 2400, 16
9
Sous H1 : X B 2400, 15
En fait, compte tenu de la taille de lechantillon, on peut considerer que lapproximation de la loi binomiale par une loi normale est excellente (2400 9/16 > 1000)
donc :
sous H0 : X N (1350, 24.302 )
sous H1 : X N (1440, 242 )
bar-hen.net
14
2.31
152
Solutions
= PH0 (X 1395) = P X
= P(X 1.852) 3.2%
24.3
1395 1440
= PH1 (X 1395) = P X
= P(X 1.875) 96.96%
24
Il sagit dun tr`es bon test dont les risques de premi`ere et de deuxi`eme esp`ece sont
pratiquement e gaux et inferieurs a` 5%
7.
(a) On va tester :
H0 : la mediane de Y X vaut zero P(Y X 0) =
1
2
contre
H1 : la mediane de Y X est positive P(Y X 0) >
1
2
153
1
0.01
B
2
0.04
G
3
0.05
N
4
0.08
C
5
0.09
K
6
+0.10
D
7
0.12
E
8
+0.13
I
9
+0.15
L
10
0.16
J
11
+0.20
F
12
+0.22
A
bar-hen.net
13
+.23
M
14
+0.28
H
154
Solutions
9.
Pi`ege
1980
1990
1
0.330 (8)
0.360 (10)
2
0.146 (3)
0.177 (5)
3
0.518 (15)
0.524 (16)
4
0.339 (9)
0.447 (14)
5
0.693 (19)
0.140 (2)
6
0.249 (6)
0.392 (12)
7
0.438 (13)
0.534 (17)
8
0.695 (20)
0.263 (7)
9
0.135 (1)
0.157 (4)
10
0.388 (11)
0.566 (18)
Pi`ege
1
2
3
4
5
6
7
8
9
% en 1980 0.330 0.146 0.518 0.339 0.693 0.249 0.438 0.695 0.135
% en 1990 0.360 0.177 0.524 0.447 0.140 0.392 0.534 0.263 0.157
Difference
+
+
+
+
+
+
+
Les observations sont maintenant appariees. On peut alors porter son attention,
pour un lieu i, sur la variable Zi = Yi Xi qui represente la variation de la
proportion des abeilles africaines. Est-elle stable ? Est-elle en augmentation ? Le
test du signe va permettre de tester : H0 : la mediane des Zi est nulle p =
P(Zi 0) = 1/2 contre H1 : la mediane des Zi est positive p = P(Zi
0) > 1/2
On choisit la variable V representant le nombre decarts positifs que lon peut
observer sur 10 stations differents. Il est clair que V () = {0, 1, 2, . . . , 9, 10} et
que V B(10, p).
Sous H0 : V B(10, 1/2) distribution en cloche symetrique.
bar-hen.net
10
0.388
0.566
+
155
bar-hen.net
Chapitre 6
Variables aleatoires a` valeurs dans R2
1
Introduction
Definition 6.1 Soit un espace de probabilite {, A, P} associe a` une experience aleatoire
E. On appelle variable aleatoire a` valeurs dans R2 une application, notee (X, Y ), de
dans R2 , qui permet dassocier a` tout e venement e lementaire un e lement (X(), Y ())
de R2 et qui poss`ede la propriete :
pour tout couple dintervalles I et J de R, { tel que [X() I Y () J]} A
(6.1)
Cette definition conduit a` plusieurs commentaires :
1. une variable aleatoires a` valeurs dans R2 permet de traduire toute observation par
un doublet ordonne de reels. Si par exemple, a` lexperience qui consiste a` choisir
un individu dans une population, on associe la taille et le poids de cet individu,
il est clair que le choix dun individu donne implique lobservation de deux reels
donnes.
2. La propriete 6.1 signifie que levenement contenant tous les e venement e lementaires
qui ont une image dans le domaine I J (I et J e ventuellement reduits a` un point)
fait partie de la tribu A et, puisque lespace {, A} est probabilise, poss`ede une
probabilite. On notera desormais cet e venement (X I Y J) ou [(X, Y )
I J] et on e crira :
P({|[X() I Y () J]}) = P(X I Y J)
La definition dune variable aleatoire a` valeurs dans R2 , implique donc lattribution
dune probabilite a` tout pave I J, en identifiant ce domaine a` levenement dont
il est limage.
3. Soit (X, Y ) une variable aleatoire a` valeurs dans R2 . Il est clair que lapplication
de dans R qui, a` tout e venement e lementaire , associe le premier reel X()
definit une variable aleatoire X puisque, pour tout intervalle I, on peut e crire :
P(X I) = P(X I Y R)
157
(6.2)
158
Introduction
1.1
Loi de probabilite
La loi de probabilite dun couple (X, Y ) de variables aleatoires a` valeurs dans R est
lapplication qui permet dassocier a` tout couple dintervalles I et J, de R, la probabilite
de levenement (X I Y J).
1.2
Fonction de repartition
Si (X, Y ) est un couple de variables aleatoires a` valeurs dans R, il resulte de la definition
dun tel couple, quil existe, en particulier, une fonction F , telle que :
2
R
[0, 1]
F :
(x, y) 7 F (x, y) = P(X < x Y < y)
Cette fonction sappelle la fonction de repartition du couple (X, Y ).
On admettra que la fonction de repartition poss`ede les proprietes suivantes, que lon peut
aisement justifier :
1. F est une fonction croissante au sens large, relativement a` chacune des variables x
et y :
F (a, y) F (b, y) ,
F (x, c) F (x, d) ,
si a < b, y R
si c < d, x R
2.
lim F (x, y) = lim F (x, y) = P() = 0+
x,y+
(6.3)
On a en effet :
P(a X < b c Y < d) = P(X < b Y < d) P(X < a Y < d)
P(X < b Y < c) + P(X < a Y < c)
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
159
0+
0
On a, par exemple :
lim [F (x, y) F (x , y)] =
0+
0+
= P() = 0+
La fonction de repartition F definit compl`etement la loi de probabilite du couple (X, Y ).
Elle permet en effet dattribuer une probabilite a` tout pave semi-ouvert (voir equation 6.3) ;
comme dans le cas des variables aleatoires a` valeurs dans R, letude des discontinuites
de F permet douvrir, ou de fermer, ces paves a` volonte.
Dans la pratique, on ne rencontrera que deux types de variables aleatoires a` valeurs dans
R2 . Les lois de probabilites correspondantes seront, heureusement, definies plus simplement.
1.3
Exemple 6.1 Une urne contient trois boules numerotes 1,2,3. On tire successivement et
sans remise, deux boules (tirage exhaustif). On peut associer a` cette experience un couple
bar-hen.net
160
Introduction
(X, Y ) de variables aleatoires discr`etes, X representant le numero que lon peut obtenir
en premier et Y representant le numero que lon peut obtenir en second.
La loi du couple (X, Y ) est donnee par le tableau a` double entree :
X
Y
1
2
3
1
O
1/6
1/6
1/6
1/6
0
1/6
1/6
11
32
= 16 .
Exemple 6.2 Si, avec la meme urne, on tire, successivement et avec remise, deux boules
(tirage non exhaustif), la loi du couple (X, Y ) devient :
X
Y
1
2
3
1
1/9
1/9
1/9
2
1/9
1/9
1/9
3
1/9
1/9
1/9
1.4
11
33
= 19 .
1
9
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
161
Reciproquement, on peut montrer que, en tout point (x, y) o`u g est continue, on :
2 F (x, y)
= g(x, y)
xy
La fonction densite g dun couple de variables aleatoires a` valeurs reelles est, par definition,
une fonction integrable sur R2 . Elle poss`ede les proprietes suivantes, que lon rapprochera
de celles de la densite dune variable aleatoire a` valeurs dans R :
1. g(x, y) 0, sur R2 , sauf e ventuellement en certains points. Cette condition est
indispensable pour que, pour tout domaine D, on ait P[(X, Y ) D] 0
RR
2.
g(x, y)dxdy = P[(X, Y ) R2 ] = P() = 1
R2
On note, enfin, que si dx et dy sont des infiniment petits, on a :
P(x X < x + dx y Y < y + dy) g(x, y)dxdy
quantite dite probabilite e lementaire
Exemple 6.3 Soit (X, Y ) un couple de variables aleatoires, a` valeurs reelles, de densite
de probabilite :
(x, y) 7 ex , si(x, y) D
g:
(x, y) 7 0 , si(x, y) 6 D
o`u D est defini par 0 y x
On peut verifier dans un premier temps, que la fonction g poss`ede les proprietes dune
densite de probabilite. Dune part : g(x, y) 0 sur R2 . Dautre part :
Z Z
Z Z
g(x, y)dxdy =
ex dxdy
2
R
D
Z +
Z x
x
=
e dx
dy
o
0
Z +
=
xex dx
0
+
= xex ex 0
= 1
Calculons maintenant la probabilite de levenement [(X, Y ) ], o`u est defini par :
0x+y t:
Z Z
P[(X, Y ) ] =
g(x, y)dxdy
Z Z
=
ex dxdy g(x, y) = 0 pour (x, y) 6 D
D
Z t/2
=
dy
0
bar-hen.net
Z
y
ty
ex dx
162
Introduction
Z t/2
=
et+y + ey dy
t/
= et+y ey 02
t
= 1 2e /2 + et
La fonction de repartition F du couple (X, Y ) est definie par : F (u, v) =
on obtient (`a verifier) :
, si u 0 ou v 0
F (u, v) = 0
u
u
F (u, v) = 1 e ue , si
0uv
F :
F (u, v) = 1 ev veu , si
0vu
Ru Rv
g(x, y)dxdy,
Exemple 6.4 Soit (X, Y ) un couple de variables aleatoires, a` valeurs reelles, de densite
de probabilite
1 1 (x2 +y2 )
g : (x, y) 7
e 2
, (x, y) R2
2
La fonction g poss`ede les proprietes dune densite : g(x, y) > 0 sur R2 et
Z Z
Z +
Z +
1 x2/2
1
y2
e
e /2 dy = 1 1 = 1
g(x, y)dxdy =
dx
2
2
R2
Z Z
1
1
2
2
=
e 2 (x +y ) dxdy
2
= FX (u)FX (v)
o`u X est une variable normale reduite et FX est sa fonction de repartition.
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
163
2 Lois marginales
Comme il a dej`a e te mentionne (voir e quation 6.2), de la loi dun couple (X, Y ), on doit
toujours pouvoir deduire la loi de chacune des deux variables aleatoires X et Y . On dit
que ces deux lois de probabilite sont des lois marginales, ce qui signifie quelles ne sont
quune consequence de la loi du couple.
On va montrer comment proceder pour determiner, dans les cas usuels, les lois marginales.
2.1
E1 E2 [0, 1]
(xi , yj ) 7 Pij = P(X = xi Y = yj )
ou, en abrege :
Pi. =
Pij
(6.6)
P(X = xi Y = yj ), cest-`a(6.7)
Exemple 6.5 (suite de lexemple 6.1) A` partir de la loi du couple donne par le tableau,
on obtient la loi de X en additionnant les probabilites par colonne et la loi de Y en
additionnant les probabilites par ligne
X
Y
1
2
3
1
O
1/6
1/6
1/3
Et donc
bar-hen.net
2
1/6
0
1/6
1/3
3
1/6
1/6
0
1/3
1/3
1/3
1/3
164
Lois marginales
xi
Pi.
1/3
1/3
1/3
yi
P.j
1/3
1/3
1/3
1
1/9
1/9
1/9
1/3
Y
1
2
3
2
1/9
1/9
1/9
1/3
3
1/9
1/9
1/9
1/3
1/3
1/3
1/3
Et donc
xi
Pi.
1/3
1/3
1/3
yi
P.j
1/3
1/3
1/3
2.2
Couples a` densite
Soit g la densite de probabilite dun couple (X, Y ) de variables aleatoires a` valeurs
reelles.
La loi de probabilite de X peut e tre definie par sa fonction de repartition FX . On a, en
effet :
Z Z
FX (t) = P(X < t) = P(X < t Y R) =
g(x, y)dxdy
D
Si on pose fX (x) =
densite :
g(x, y)dy
R +
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
De meme on a
165
fY : y 7
g(x, y)dx, y R
(6.9)
Exemple 6.7 (suite de lexemple 6.4) Ici la densite fX de la variables aleatoires est
definie, pour tout x R :
Z +
fX (x) =
g(x, y)dy
Z +
1 1 (x2 +y2 )
=
e 2
dy
2
Z
1 x2 + 1 y2
2
e 2 dy
= e
2
2
1 x2
= e 2
2
De meme, la densite fY de la variable aleatoire Y , est definie par
Z +
x2
1
fY (y) =
g(x, y)dx = e 2 y R
2
On dit que le couple (X, Y ) est un couple de variables aleatoires normales reduites. On
note quici, contrairement a` lexemple 6.3, la densite du couple est e gale au produit des
densites de X et de Y .
3 Variables independantes
Definition 6.2 Soit (X, Y ) un couple de variables aleatoires a` valeurs dans R. On dit
que les deux variables X et Y sont independantes si, pour tout couple I et J dintervalles
de R, on a la propriete :
P(X I Y J) = P(X I)P(Y J)
(6.10)
Dans tous les autres cas, on dit que les variables X et Y sont dependantes, ou liees, ou
correlees.
La definition 6.10 est remplacee, pour les couple discrets et pour les couples a` densite,
par une definition e quivalente et plus commode a` manipuler.
3.1
P:
bar-hen.net
E1 E2 [0, 1]
(xi , yj ) 7 P(X = xi Y = yj ) = Pij
166
Variables independantes
lapplication qui definit la loi du couple (X, Y ). On dit que les variables aleatoires X et
Y sont independantes si et seulement si :
P(X = xi Y = Yj ) = P(X = xi )P(Y = yj ) (xi , yj ) E1 E2
(6.11)
Il est clair que lequation 6.10 implique lequation 6.11 : il suffit de reduire le domaine
de I J au point xi , yj .
Reciproquement lequation 6.11 implique lequation 6.10. Si on consid`ere un intervalle
I contenant les observables xn , xn+1 , . . . , xn+k de X et un intervalle J contenant les
observables yp , yp+1 , . . . , yp+l de Y , on a, en effet :
P(X I Y J) =
p+l
n+k X
X
P(X = xi Y = yj )
i=n j=p
(6.11) P(X I Y J) =
p+l
n+k X
X
P(X = xi )P(Y = yj )
i=n j=p
n+k
X
P(X = xi )
i=n
p+l
X
P(X = xi )
j=p
= P(X I)P(Y J)
Si on remarque que la relation 6.10 est triviale si lun au moins des deux intervalles ne
contient aucun observable.
En abrege, la relation 6.11 peut secrire :
Pij = Pi Pj i et j
(6.12)
Exemple 6.8 (suite des exemples 6.1 et 6.2) La relation 6.12 e tant verifiee pour tout
i, j = 1, 2, 3, les variables X et Y de lexemple 6.2 sont independantes. Par contre les
variables X et Y de lexemple 6.1 ne sont pas independantes.
3.2
Couples a` densite
Soit (X, Y ) un couple de variables aleatoires a` valeurs reelles et de densite g. On designe
par fX la densite de X et par fY la densite de Y (voir e quation 6.8 et 6.9)
Les variables aleatoires Xet Y sont independantes si et seulement si :
g(x, y) = fX (x)fY (y)
(6.13)
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
167
et donc :
Z
g(x, y)dxdy =
fX (x)dx
fY (y)dy
= P(X I)P(Y J)
La relation 6.13 est donc bien e quivalente a` la relation 6.10
Exemple 6.9 (suite de lexemple 6.3 et 6.4) Les variables X et Y de lexemple 6.4 sont
independantes puisque, sur R2 , la relation 6.13 est verifiee.
Par contre, les variables X et Y de lexemple 6.3 ne sont pas independantes.
4 Lois conditionnelles
Comme nous lavons vu, de la loi dun couple de variables aleatoires, on peut toujours
deduire la loi de chacune des deux variables. Il convient maintenant de sinteresser a` la
liaison entre ces deux variables, cest-`a-dire a` la mani`ere dont les observables sont appariees dans la loi du couple. Lindependance, ou absence de liaison, decrit une situation
particuli`ere ; les lois conditionnelles vont permettre une description plus generale de la
liaison entre deux variables.
Une loi conditionnelle donne, pour une valeur fixee de lune des variables, la loi de
probabilite de lautre. On concoit linteret des lois conditionnelles. Si par exemple, on
sinteresse a` la taille et au poids dun individu choisi au hasard dans une population
donnee, il est important de pouvoir decrire la distribution de la taille des individus de
meme poids et de suivre levolution de cette distribution en fonction du poids.
4.1
168
Lois conditionnelles
Pour toute observable xi E1 , de probabilite non nulle, il existe donc une application :
E2 [0, 1]
P
yj 7 P(Y = yj |X = xi ) = Piji.
Cette application definit ce que lon appelle la loi conditionnelle de Y sachant que X a` la
valeur xi . Il existe autant de lois conditionnelles de Y que de valeurs de X de probabilite
non nulle.
Si on e crit : P(X = xi Y = yj ) = P(X = xi |Y = yj )P(Y = yj ), on peut definir de
meme, pout toute observable yj E2 , de probabilite non nulle, la loi conditionnelle de
X sachant que Y a` la valeur yj par lapplication
(
E1 [0, 1]
P
xi 7 P(X = xi |Y = yj ) = Pij.j
On remarque que ces applications definissent bien des lois de probabilite puisque, par
exemple :
Pij
1, (Pij 6= 0)
0 Pij P.j 0
Pij
et
X Pij
1 X
P.j
=
Pij =
=1
Pi.j
P.j i
P.j
i
Exemple 6.10 (suite de lexemple 6.1)
Lois conditionnelles de X
1
xi
P(X = xi |Y = 1) 0
1/2
1/2
xi
P(X = xi |Y = 2)
1/2
2
0
xi
P(X = xi |Y = 3)
1/2
1/2
Lois conditionnelles de Y
yi
1
P(Y = yj |X = 1) 0
1/2
1/2
1/2
yi
P(Y = yj |X = 2)
1/2
2
0
1/2
3
0
yi
P(Y = yj |X = 3)
1/2
1/2
1/6
=2)
Par exemple : P(Y = 2|X = 1) = P(X=1Y
P(X=1) = 1/3 =
3
3
0
1
2
Exemple 6.11 (suite de lexemple 6.2) Les lois conditionnelles de X ou Y peuvent e tre
determinees comme precedemment. On note que P(X = i|Y = j) = P(X = i) a par
1/9
=1)
1
exemple : P(X = 2|Y = 1) = P(X=2Y
P(Y =1) = 1/3 = 3 = P(X = 2)
Ce resultat est general :
P(X = i|Y = j) =
Pij
Pi. P.j
=
= Pi. = P(X = xi ) , yj E2
P.j
P.j
P(Y = j|X = i) =
Pij
Pi. P.j
=
= P.j = P(Y = yj ) , xi E1
Pi.
Pi.
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
169
Dans lexemple 6.2, les variables sont independantes et les lois conditionnelles de chacune des variables nevoluent pas en fonction des valeurs prises par lautre ; dans lexemple 6.1
ces lois e voluent et les deux variables sont liees.
On notera que le passage de P(X = xi Y = yj ) a` P(X = i|Y = j) seffectue par
lintermediaire de la division par P(Y = yj ) ; ceci correspond au changement densemble
fondamental qui intervient dans toute probabilite conditionnelle et se traduit, dans le
schema, par un simple changement dechelle.
4.2
Couple a` densite
On rappelle les notations : le couple (X, Y ) a pour densite g, fX et fY sont les densites
respectives de X et de Y . On a :
P(x X < x+dxy Y < y+dy) = P(x X < x+dx)P(y Y < y+dy|x X < x+dx)
Si dx et dy tendent vers zero, on peut e crire :
P(x X < x + dx y Y < y + dy) g(x, y)dxdy
P(x X < x + dx) fX (x)dx
On en deduit :
P(y Y < y + dy|X = x)
g(x, y)
, si fX (x) 6= 0
fX (x)
Pour tout reel x tel que fX (x) 6= 0, on peut definir une fonction fY |X=x :
fY |X=x : y 7 fY |X=x (y) =
g(x, y)
fX (x)
g(x, y)
fY (y)
fY (y)
=
=1
fY (y)
fX|Y =y (x) =
bar-hen.net
170
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
171
Do`u le dessin :
y 6
3
u
u
u
1
-
E(X|Y = y)
De meme
On a :
E(Y |X = 1) = 2.5
E(Y |X = 2) = 2
E(Y |X = 3) = 1.5
bar-hen.net
172
y 6
3
u
-
E(Y |X = x)
E(Y6|X = x)
3
2
1
-
Les variables e tant independantes, les lois conditionnelles nevoluent pas et les esperances
conditionnelles restent constantes. Les points representatifs sont donc situes sur une parall`ele a` laxe des x ou sur une parall`ele a` laxe des y.
Il en sera de meme dans lexemple 6.4 o`u E(X|Y = y) = 0 y R la courbe de
regression est donc parall`ele a` laxe y 0 Oy.
E(Y |X = x) = 0 x R la courbe de regression est donc parall`ele a` laxe x0 Ox.
Il convient de souligner que les lois conditionnelles peuvent e voluer, cest-`a-dire que les
variables peuvent e tre liees, tout en conservant des esperances conditionnelles constantes ;
la verticalite et lhorizontalite des courbes de regression ne signifient donc pas forcement
lindependance des variables.
Exemple 6.16 (suite de lexemple 6.3)
Pour tout y 0, on a
Z +
E(X|Y = y) =
xfX|Y =y (x)dx
Z y
Z
=
xfX|Y =y (x)dx +
xfX|Y =y (x)dx
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
Z
= 0+
173
xex+y dx
+
= e xex ex y
= 1+y
y
Z 0
Z x
Z +
=
yfY |X=x (y)dy +
yfY |X=x (y)dy +
yfY |X=x (y)dy
0
x
Z x
1
= 0+
y dy + 0
x
20x
1 y
=
x 2 0
x
=
2
La courbe de regression correspondante est encore une droite qui, cette fois passe par
lorigine.
6.1
Definition
On appelle covariance des variables X et Y et on note Cov(X, Y ), XY ou plus generalement
E[(X x )(Y Y )], le nombre, sil existe, defini par :
XX
XY =
(xi X )(yj Y )Pij , si les variables sont discr`etes
i
Z Z
(x X )(y Y )g(x, y)dxdy, pour un couple a` densite
XY =
R2
174
6.2 Covariance
Ce premier coefficient, qui sintroduit naturellement dans certains calculs probabilistes
(voir chapitre 7), poss`ede la propriete detre nul lorsque les variables sont independantes.
On a, en effet, dans ce cas :
XX
X
X
XY =
(xi X )(yj Y )Pi. P.j =
(yj Y )P.j
(xi X )Pi. = 00 = 0
i
= 0
puisque, pour toute variable Z desperance Z : E(Z Z ) = E(Z) Z = 0.
Reciproquement, une covariance nulle nimplique pas lindependance entre les variables
sauf, e ventuellement, a` linterieur de certains mod`eles, par exemple les couples gaussiens.
Malgre cette remarque, la covariance donne les indications suivantes sur la liaison entre
deux variables :
Lorsque XY 6= 0, les variables X et Y sont liees ; ceci resulte de la propriete precedente ;
lorsque XY < 0, les e carts (X X ) et (Y Y ) ont tendance a` e tre de signe contraire
et X et Y ont tendance a` e voluer en sens contraire ;
lorsque XY > 0, les e carts (X X ) et (Y Y ) ont tendance a` e tre de meme signe
et X et Y ont tendance a` e voluer en meme sens.
6.3
Coefficient de correlation
Le coefficient de correlation est utilise pour mesurer le degre de liaison entre deux variables. Ceci est justifie par ses proprietes :
1. 1 XY 1 (voir chapitre 7).
On dispose donc dune e chelle commune a` tous les couples
2. |XY | = 1 Y = aX + b. De plus = 1 a > 0 et = 1 a < 0 (voir
chapitre 7).
On dit quil existe entre X et Y une liaison fonctionnelle : quand X a pris une valeur, celle de Y est imposee ; la liaison lineaire est, dans lechelle choisie, consideree
comme la plus forte.
3. Lindependance de X et Y implique XY = 0 (voir la definition de XY ).
Cest la liaison la plus faible. Malheureusement la reciproque nest pas vraie sauf
pour des cas particuliers comme les couples gaussiens.
4. XY > 0 X et Y ont tendance a` e voluer dans le meme sens.
XY < 0 X et Y ont tendance a` e voluer en sens contraire.
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
175
Cov(X, Y ) =
Z
=
=
=
=
=
2
ZR
2
1
= =
2
1 2
bar-hen.net
176
P(X = xi Y = yj ) =
Pijk = Pij.
Exemple 6.20 On dit quun triplet (X, Y, Z) de variables aleatoires est un triplet a` densite sil existe une fonction numerique de trois variables reelles, h, possedant la propriete : quelque soit le domaine D de R3 , on a :
Z Z Z
3
P[(X, Y, Z) R ] =
h(x, y, z)dxdydz
D
h(x, y, z)dz
R
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
177
7.1 Independance
On dit que les variables (X1 , X2 , . . . , Xn ) sont independantes entre elles si, pour tout
ensemble I1 , I2 , . . . , In de R, on a :
P(X1 I1 X2 I2 Xn In ) = P(X1 I1 )P(X2 I2 ) . . . P(Xn In )
On notera que lindependance des variables entre elles entrane leur independance deux
a` deux (la reciproque nest pas vraie) ainsi que lindependance entre elles des variables
1 (X1 ), 2 (X2 ), . . . , n (Xn ), o`u est une bonne fonction.
Pour le triplet de lexemple 6.19, lindependance des trois variables secrit :
Pijk = Pi.. P.j. P..k (i, j, k)
Pour le triplet de lexemple 6.20, lindependance des trois variables secrit :
h(x, y, z) = fX (x)fY (y)fZ (z) (x, y, z)
bar-hen.net
178
Exercices
8 Exercices
1. Soit (X, Y ) un couple de variables aleatoires a` valeurs reelles, de densite de probabilite g definie par :
(x, y) 7 kxy , si (x, y) D
g:
(x, y) 7 0
, si (x, y) 6 D
= {(x, y) R2 tel que x 0, y 0, x2 + y 2 a2 (a R+ )}.
Calculer k.
calculer la probabilite de levenement X + Y < t o`u 0 t a.
determiner les densites de probabilite de X et de Y . Ces variables sont-elles
independantes ?
(d) determiner la densite conditionnelle de Y , lorsque X = x, et tracer la courbe
de regression de lesperance conditionnelle correspondante.
2. Soit un couple de variables aleatoires a` valeurs reelles de densite de probabilite :
(x, y) 7 41 [1 + xy(x2 y 2 )] , si (x, y) D
g:
(x, y) 7 0
, si (x, y) 6 D
o`u D
(a)
(b)
(c)
n! k l m
p pp
k!l!m! 1 2 3
avec k, l, m {0, 1, 2, . . . , n} et k + l + m = n
Generaliser a` plus de trois variables (loi multinomiale).
En deduire les lois de probabilite de X1 , X2 et X3 . Ces variables sont-elles
independantes ?
Appliquer a` lexemple suivant : on croise des mufliers ivoires et des mufliers
rouges. On obtient en F1 des mufliers pales. On admet que la coloration de la
fleur est geree par un couple dall`eles. On observe en F2, apr`es autofecondation,
100 descendants.
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
179
fY :
y
7 0
, si y < 0
y
y
7 e
, si y 0
bar-hen.net
180
Solutions
9 Solutions
1. g doit satisfaire aux deux conditions :
(a) g(x, y) 0, (x, y) R2 .
Or g(x, y) = 0 si (x, y) 6 D et g(x, y) 0 si (x, y) D
k0
RR
(b)
g(x,
R2
R Ry)dxdy = 1.
I=
kxydxdy = 1
D
On passe en coordonnees polaires pour calculer I
RR 2
I=k
r cos sin rdrd avec defini par : 0 2 et 0 r R
h 2 i 2 4
R
RR 3
4
2
Do`u I = k 0 cos sin d 0 r dr = k sin2 R4 = k R8
0
I=1k=
8
R4
On a P(X + Y < t) =
RR
x+y<t
g(x, y)dxdy = 0 si t 0
RR
8
si t > 0 P(X + Y < t) =
xydxdy
D1 R4
D1 e tant defini par x 0, y 0, 0 x + y < t R
On note que la condition t R entrane que D1 est un triangle.
On a :
Z Z
Z t
Z tx
8
8
xydxdy =
xdx
ydy
R4
R4 0
D1
0
Z t
(t x)2
8
=
x
dx
R4 0
2
Z t
4
=
(t2 x 2tx2 + x3 )dx
R4 0
4 2 2
x3 x4
=
t x 2t +
t
R4
3
4 0
4t4 1
=
R4 12
t4
=
3R4
Finalement P(X + Y < t) = 0 si t 0 ; P(X + Y < t) =
Soient f1 la densite de X et f2 la densite de Y . On a :
Z +
f1 (x) =
g(x, y)dxdy
t4
3R4
si t > 0
= 0 si x < 0 ou si x > R
8
=
R4
R2 x2
xydy
0
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
181
R2 x2
8x y 2
=
R4 2 0
4x 2
=
(R x2 ) si 0 x R
R4
Finalement :
f1 :
x 7 0
, si x < 0 ou si x > R
4x
2
2
x 7 R4 (R x ) , si 0 x R
| sin(4)| 1 |xy(x2 y 2 )| r4 .
Or r2 2. Donc |xy(x2 y 2 )| 1 et par consequent 1 + xy(x2 y 2 ) 0
RR
(b)
g(x, y)dxdy = 1.
R2
Or
Z Z
Z Z
1
g(x, y)dxdy =
(1 + x3 y xy 3 )dxdy
4
2
R
ZD Z 1
1 1
=
dx
(1 + x3 y xy 3 )dy
4 1
1
1
Z 1
2
1
y4
3y
=
dx y + x
x
4 1
2
4 1
Z 1
1
=
2dx
4 1
1 1
=
[x]
2 1
= 1
bar-hen.net
182
Solutions
Soit le domaine. On a
Z Z
P((X, Y ) ) =
g(x, y)dxdy
1
=
4
=
=
Z
dx
(1 + x3 y xy 3 )dy
Z 1/2
1
=
=
1/
2
(1 + x3/3 x/4)dx
1/
x4 x2 2
1
x+
4
8
8 0
1 1
1
1
+
4 2 128 32
61
512
11.91%
= 0 si x < 1 ou si x > 1
1
f1 (x) =
4
(1 + x3 y xy 3 )dy
1
2
1
y4
3y
=
y+x
x
4
2
4 1
1
=
si 1 x 1
2
Z
f2 (x) =
g(x, y)dx
= 0 si y < 1 ou si y > 1
1
f2 (x) =
4
(1 + x3 y xy 3 )dx
2 1
1
x4
3x
=
x+y y
4
4
2 1
1
=
si 1 y 1
2
Les deux variables X et Y ont donc meme loi : il sagit de la loi uniforme sur
[1; 1]. Il est clair que les deux variables ne sont pas independantes puisquon
na pas legalite g(x, y) = f1 (x)f2 (y) (x, y) R2
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
183
Z
1 1
=
(y + x3 y 2 xy 4 )dy
2 1
1 3 1
=
x x pour 1 x 1
3
5
La courbe de regression correspondante est la courbe representative de la fonction :
[1; 1] 7 R
:
x
7 13 x3 15 x
Pour hy , densite conditionnelle de X lorsque Y = y, on obtient, pour 1 y
1:
x 7 0
, si x < 1 ou x > 1
hy :
1
3
3
x 7 2 (1 + x y xy ) , si 1 x 1
On en deduit lesperance conditionnelle :
Z +
E (X|Y = y) =
xhy (x)dx
Z
1 1
=
(x + x4 y x2 y 3 )dx
2 1
1
1
=
y y 3 pour 1 y 1
5
3
La courbe de regression correspondante est la courbe representative de la fonction :
[1; 1] 7 R
:
y
7 15 y 13 y 3
Dans cet exemple, X et Y ont meme loi. On a donc :
h 2 i1
R +
R1
E(X)=E(Y )= xf1 (x)dx = 1 x2 dx = x4
=0
1
bar-hen.net
1
3
184
Solutions
Il en resulte que
Z Z
(x x )(y y )g(x, y)dxdy
Cov(X, Y ) =
2
=
=
=
=
=
1
4
Z RZ
xy(1 + x3 y xy 3 )dxdy
D
2
Z 1
3
5 1
1
y
4y
2y
dx x + x
x
4 1
2
3
5 1
Z 1
1
2 4 2 2
x x dx
4 1 3
5
5
1
1 x
x3
2 15 15 1
0
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
185
P(X1 = k) =
nk
X
l=0
n!
pk pl pnkl
k!l!m!(n k l)! 1 2 3
nk
X (n k)!
n!
pk1
pl pnkl
k!(n k)! l=0 l!(n k l)! 2 3
n!
pk (p2 + p3 )nk
k!(n k)! 1
186
4.
Solutions
e(+)x
0
0
+
x
(+)x
= e
+
e
+
0
= 1
+
Sous H0 = : P(Y X) = p0 = 1 2
= 12
9
Sous H1 = 9 : P(Y X) = p1 = 1 10
= 10
(b) Pour chaque couple dobservations, deux resultats sont possibles : (Y
X), de probabilite P ou (Y > X) de probabilite 1 P . Soit Z la variable
associant a` 10 couples dobservations independants le nombre de resultats
(Y X).
On a X B(10, P )
Sous H0 , on a Z B(10, 1/2). Cette distribution est en cloche symetrique par
rapport a` la valeur 5.
Sous H1 , on a Z B(10, 9/10). Cette distribution est tr`es dissymetrique et a
pour module la valeur 9.
Il est clair que cest lobservation dune valeur e levee de Z qui conduit a`
choisir H1 .
On construit donc un test de H0 contre H1 , unilateral, avec domaine de rejet
a` droite.
On a :
10
1
PH0 (Z = 10) = 12
= 1024
1 10
10
9
PH0 (Z = 9) = C10
= 1024
2
1 10
45
8
PH0 (Z = 8) = C10
= 1024
2
10
1
120
7
PH0 (Z = 7) = C10
= 1024
2
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
187
On en deduit :
56
PH0 (Z 8) = 1024
5.47% < 6%
176
PH0 (Z 7) = 1024 17.19% > 6%
Do`u le test : au niveau 6%, lobservation dune valeur de {0, 1, 2, 3, 4, 5, 6, 7}
conduit a` rejeter H0 pour choisir H1
La puissance du test correspond a` la probabilite de choisir H1 avec raison.
Cest donc :
PH1 (Z 8) = PH1 (Z = 8) + PH1 (Z = 9) + PH1 (Z = 10)
8 2
8 10
9
1
9
1
9
8
9
+ C10
+
= C10
10
10
10
10
10
8
9
45
890
81
=
+
+
10
100 100 100
0.4305 2.16
93%
(a) Le couple (X, Y ) a pour densite
g(x, y) = ex ey , si x 0 et y 0
g(x, y) = 0
, si x < 0 ou y < 0
RR
On a P(Y X) =
ex ey dxdy
e(+)x
0
0
+
(+)x
x
= e
+
e
+
0
= 1
+
Sous H0 = : P(Y X) = p0 = 1 2
= 12
=
Sous H1 = 9 : P(Y X) = p1 = 1 10
9
10
188
Solutions
t 7 0 , si t < 0
t 7 2t , si t [0, 2]
FT :
t 7 1 , si t > 2
bar-hen.net
` VALEURS DANS R2
6. VARIABLES AL EATOIRES
A
189
1 P(U t)
1 P(X t Y t)
1 P(X t)P(Y t) (variables independantes)
1 (1 P(X < t))(1 P(Y < t))
1 (1 FX (t))(1 FY (t))
, si t < 0
t 7 0
2
t
FU :
t 7 1 1 2 , si t [0, 2]
t 7 1
, si t > 2
et donc
fU :
t 7 0
t 7 1
t
2
, si t 6 [0, 2]
, si t [0, 2]
t 7 0 , si t < 0
2
FV :
t 7 t4 , si t [0, 2]
t 7 1 , si t > 2
et donc
fV :
t 7 0 , si t 6 [0, 2]
t 7 2t , si t [0, 2]
On en deduit
E(Z) = E(X Y ) = E(X) E(Y ) = 0 (linearite de lesperance)
2
V(Z) = V(X Y ) = V(X) + V(Y ) = (independance des variables)
3
bar-hen.net
190
Solutions
g(x, y)dxdy
y>xt
1
4
1
4
12 (2 + t)2 = 12 + 2t + t8
4 12 (2 t)2 = 12 + 2t
t2
8
t 2 FZ (t) = 1
On obtient la densite fZ par derivation :
, si t < 2 ou t > 2
t 7 0
t 7 12 + 4t , si t [2, 0]
fZ :
t 7 12 4t , si t [0, 2]
(d) On a clairement W = |X Y |. Si FW est la fonction de repartition de W ,
on a :
FW (t) = P(W < t) = P(|Z| < t)
Si t 0 FW (t) = P() = 0
Si t > 0, FW (t) = P(t < Z < t) =P(t Z <
t) = FZ2 (t) FZ (t)
t
t2
1
t
t2
1
Si 0 t 2 FW (t) = 2 + 2 8 2 2 + 8 = t t4
Si t 2 FW (t) = 1
Par derivation, on obtient la densite fW :
t 7 0
, si t 6 [0, 2] ou t > 2
fW :
t 7 1 2t , si t [0, 2]
bar-hen.net
Chapitre 7
Fonctions de plusieurs variables
aleatoires
On consid`ere une experience aleatoire E a` laquelle est associee une variable aleatoire
a` valeurs dans Rn , cest-`a-dire un ensemble de variables aleatoires a` valeurs reelles :
(X1 , X2 , . . . , Xn ).
Si, par une fonction numerique , definie sur lensemble des observables, on fait correspondre a` une realisation (x1 , x2 , . . . xn ) son image z = (x1 , x2 , . . . xn ), on peut dire
que lexperience a entrane lobservation de z et considerer cette valeur z comme une valeur particuli`ere dune variable aleatoire Z. Cette nouvelle variable est dite fonction des
variables aleatoires (X1 , X2 , . . . , Xn ) et on la represente par Z = (X1 , X2 , . . . , Xn ).
Exemple 7.1 A` lexperience E est associe le couple (X, Y ). La realisation de E entrane
lobservation (X = 3 Y = 5)
somme :
moyenne :
difference :
quotient :
La variable
Z =X +Y
Z = 12 (X + Y )
Z =X Y
Z=X
Y
a pris la valeur
z=8
z=4
z = 2
3
5
1 Esperance
Pour faciliter les demonstrations ulterieures, on notera d`es maintenant que, comme pour
les fonctions dune variable aleatoire (cf. chapitre 4), il nest pas necessaire de connatre
191
192
Variable somme
i,j,...,l
Si la fonction (X1 , X2 , . . . , Xn ) admet une densite g, on a, pour les fonctions raisonnables utilisees dans la pratique (fonctions mesurables) :
Z Z
Z
(7.2)
E(Z) =
On notera la generalite de ce formalisme. En particulier, pour un couple (X, Y ), de densite g, et des densites marginales f1 (pour X) et f2 (pour Y ), on peut utiliser la fonction
: (x, y) 7 x qui definit la variable X = (X, Y ). On obtient :
Z Z
E(X) =
(x, y)g(x, y)dxdy
2
R
Z Z
=
xg(x, y)dxdy
R2
Z +
Z +
=
xdx
g(x, y)dy
Z +
=
xf1 (x)dx
Variable somme
Soit la variable Z = X + Y . On se propose de determiner sa loi de probabilite a` partir de
celle du couple (X, Y )
2.1
1
O
1/6
1/6
1/6
1/6
1/6
1/6
0
bar-hen.net
193
On a P(Z = 2) = P(Z = 6) = 0
P(Z = 3) = P(X = 1 Y = 2) + P(X = 2 Y = 1) =
1
1 1
+ =
6 6
3
1 1
1
+ =
6 6
3
1 1
1
P(Z = 5) = P(X = 2 Y = 3) + P(X = 3 Y = 2) = + =
6 6
3
Do`u la loi de Z
P(Z = 4) = P(X = 1 Y = 3) + P(X = 3 Y = 1) =
zi
P(Z = zi )
1/3
1/3
1/3
Exemple 7.3 (voir exemple 6.2) Soit un couple (X, Y ) dont la loi de probabilites est
donne par le tableau ci-dessous :
X
Y
1
2
3
1/9
1/9
1/9
1/9
1/9
1/9
1/9
1/9
1/9
1/9
2/9
3/9
2/9
1/9
On remarque que, bien que les variables X et Y aient meme loi dans les deux cas (voir
chapitre 6), dans un cas il y a independance et dans lautre il y a dependance, do`u la
forme differente de la loi de X + Y .
2.2
bar-hen.net
194
Variable somme
= 1 et tet
Do`u la fonction de repartition de Z :
t 7 0
, si t < 0
F :
t 7 1 et tet , si t 0
On en deduit la densite de Z :
f:
t 7 0
, si t < 0
t 7 2 tet , si t 0
On peut noter quil est possible de determiner plus directement la densite f de la variable
X + Y , a` partir de la densit
R Re du couple (X, Y ).
Dans lintegrale F (t) =
g(x, y)dxdy, on peut faire le changement de variables :
x+y<t
u=x
v =x+y
1 0
x=u
=1
de Jacobien
y =vu
1 1
bar-hen.net
195
Et donc
Z Z
g(u, v u)dudv
Z +
dv
g(u, v u)du
F (t) =
v<t
Rt
R +
Or F (t) = f (v)dv. On en deduit f (v) = g(u, v u)du.
En remarquant que le changement de variables
u=x+y
v=y
R +
aurait conduit a` f (u) = g(u v, v)dv, on peut conclure que la densite f de la
variable X + Y est donnee par les relations
Z +
Z +
f (t) =
g(x, t x)dx =
g(t y, y)dy
(7.3)
, f (t) = 0
Z t
Z t
2 (x+tx)
2 t
, f (t) =
e
dx = e
dx = 2 tet
0
2.3
Somme de n variables
La determination de la loi de probabilite dune variable somme de n variables aleatoires
(n > 2) se fait en suivant les memes principes que ceux qui viennent detre exposes
pour un couple. Seul le formalisme devient plus complique. On obtient donc le resultat
suivant :
Theor`eme 7.1 Si les variables aleatoires X1 , X2 , . . . , Xn ont des esperances, la somme
de ces variables a pour esperance la somme des esperances de chacune delles.
On va demontrer ce theor`eme dans le cas dun couple (X, Y ) de densite g, de densites
marginales f1 et f2 . La demonstration est similaire pour un couple discret.
On peut les demontrer pour n variables, directement ou, plus simplement, par recurrence.
bar-hen.net
196
Variable somme
Z +
Z +
=
xf1 (x)dx +
yf2 (y)dy voir chapitre 6
= E(X) + E(Y )
On note que ce resultat suppose seulement lexistence des esperances.
Theor`eme 7.2 Si les variables aleatoires X1 , X2 , . . . , Xn ont des variances et sont independantes,
la somme de ces variables a pour variance la somme des variances de chacune delles.
On va demontrer ce theor`eme dans le cas dune couple (X, Y ) de densite g, de densites
marginales f1 et f2 . La demonstration est similaire pour un couple discret.
La generalisation a` n variables est facile.
On pose E(X) = 1 , E(Y ) = 2 . On remarque que les esperances existent puisque les
variances existent. On a E(Z) = 1 + 2 , dapr`es le theor`eme 7.1.
Dapr`es lequation 7.2, on peut e crire :
V(X + Y ) = E (X + Y 1 2 )2
Z Z
=
(x + y 1 2 )2 g(x, y)dxdy
2
Z ZR
Z Z
2
=
(x 1 ) g(x, y)dxdy +
(y 2 )2 g(x, y)dxdy
2
R2
ZR Z
+2
(x 1 )(y 2 )g(x, y)dxdy
R2
Z +
Z +
Z +
Z +
2
2
=
(x 1 ) dx
g(x, y)dy +
(y 2 ) dy
g(x, y)dx
+ 2Cov(X, Y )
Z
+
2
(x 1 ) f1 (x)dx +
(y 2 )2 f2 (y)dy + 2Cov(X, Y )
(7.4)
7. F ONCTIONS DE PLUSIEURS VARIABLES AL EATOIRES
197
Exemple 7.6 (suite des exemples 7.2 et 7.3) Dans ces deux exemples, les variables X et
Y ont meme loi (voir chapitre 6 : P(X = i) = P(Y = j) = 1/3 pour i, j = 1, 2, 3). On
en deduit :
1
(1 + 2 + 3) = 2
3
2
1
V(X) = V(Y ) =
(1 + 0 + 1) =
3
3
E(X) = E(Y ) =
Le theor`eme 7.1 est verifie, mais pas le theor`eme 7.2, a` cause de la dependance entre les
variables.
Dans lexemple 7.3, on a :
1
(2 + 6 + 12 + 10 + 6) = 4 = E(X) + E(Y )
9
1
4
V(X + Y ) = = (4 + 2 + 0 + 2 + 4) = = V(X) + V(Y )
9
3
E(X + Y ) =
Le theor`eme 7.1 est toujours verifie, ainsi que le theor`eme 7.2 a` cause de lindependance
des deux variables
Exemple 7.7 (suite de lexemple 7.4) Les variables X et Y ayant meme loi, on a :
Z +
Z
1 + x
1
x
x +
E(X) = E(Y ) =
xe dx = xe
+
e dx =
0
0
Z0 +
Z +
+ 2
2
E(X 2 ) = E(Y 2 ) =
x2 ex dx = x2 ex 0 +
xex dx = 2
0
0
2
1
1
V(X) = V(Y ) =
2 = 2
2
2
V(X + Y ) = V(X) + V(Y ) = 2
(theor`eme 7.1)
(theor`eme 7.2, a` cause de lindependance)
198
Variable somme
La derni`ere partie de ce theor`eme est dej`a donnee par les theor`emes 7.1 et 7.2. Lelement
nouveau concerne la forme de la loi. Ce theor`eme peut se demontrer pour deux variables
puis, par recurrence, pour n variables.
Pour simplifier lecriture, on va demontrer ce theor`eme dans le cas de deux variables
normales centrees et reduites.
Si X N (0, 1) et Y N (0, 1), la loi du couple est donne par la densite
g : (x, y) 7
1 ( 12 (x2 +y2 ))
e
2
2
1
12 (x 2 t )2 + t2
2
e
dx
=
2
Z +
1 t42
12 (x 2 t )2
2
=
e
e
dx
2
On change de variable : x 2
t
2
du . On obtient :
= u dx =
2
Z +
2
1 t42
du
u2
f (t) =
e
e
2
2
1 t
1
2
= e( 2 ( / 2) )
2 2
Car
2
u2
1
e
dx
2
R +
On a donc
X + Y N (0, 2)
bar-hen.net
7. F ONCTIONS DE PLUSIEURS VARIABLES AL EATOIRES
199
On admettra ce theor`eme que lon utilisera plus loin. Il met en e vidence limportance
de la loi normale qui apparat ainsi comme loi asymptotique dans un certain nombre de
mod`eles probabilistes.
Cette convergence en loi permet, si lon dispose dun nombre de variables suffisamment
grand, dutiliser la loi normale comme loi de la variable Sn meme si on ignore la loi
commune des variables Xi . Le seul probl`eme est de savoir a` partir de quand on peut
utiliser cette approximation. Un usage est de choisir n 30. Il est cependant clair que si
la loi des variables Xi secarte beaucoup du mod`ele gaussien, la convergence sera assez
lente : lexemple de la loi binomiale incite a` la prudence.
2.4
n
X
E(Xi ) = nP
i=1
n
X
V(Xi ) = nP Q
i=1
200
Variable difference
i R
(7.5)
(7.6)
3 Variable difference
Soit un couple (X1 , X2 ) et soir la variable Z = X1 X2 . Une telle variable est utilisee
dans certains tests. On peut considerer Z comme une combinaison lineaire de X1 et X2
avec les coefficients +1 et 1.
On peut donc e crire, en posant E(X1 ) = 1 , E(X2 ) = 2 , V(X1 ) = 12 , V(X2 ) = 22 et
en appliquant les resultats precedents :
E(X1 X2 ) = E(X1 ) E(X2 ) = 1 2
Dans le cas de lindependance :
V(X1 X2 ) = V(X1 ) + V (X2 ) = 12 + 22
Dans le cas de variables normales et independantes :
X1 X2 N 1 2 , 12 + 22
bar-hen.net
201
4 Variable moyenne
` un ensemble (X1 , X2 , . . . , Xn ) de n variables a` valeurs reelles, on peut associer la
A
P
variable m = n1 ni=1 Xi appelee variable moyenne. En fait cette variable est obtenue en
multipliant la variable somme par la constante N1
4.1
4.2
Z
1X
=
Xi = X
n
n i=1
Cette variable est la moyenne de n variables independantes de de meme loi. On en deduit
E(X) = E(Xi ) = P ; V(X) =
bar-hen.net
V(Xi )
PQ
=
n
n
202
Variable produit
PQ
P,
n
Exemple 7.8 Soit X une variable normale desperance et de variance . On se propose de construire au niveau de 5%, a` partir de la moyenne de 10 variables, independantes
et de meme loi que X, un test de lhypoth`ese = 100 contre lhypoth`ese = 90 et de
calculer la puissance de ce test.
Soit X la moyenne de 10 variables
independantes de loi N (, ).
On en deduit X N , 10
Sous H0 : X N (100, 10)
Sous H1 : X N (90, 9)
Les faibles valeurs de X e tant plus probables sous H1 que sous H0 , on construit un test
unilateral avec domaine de rejet de H0 a` gauche. Au niveau 5% les valeurs
qui conduisent
a` rejeter H0 sont les valeurs de X inferieures ou e gales a` : 1001.645 10 94.8. Do`u
le test : si on observe une valeur de X superieure a` 94.8 on choisit H0 ; si on observe
une valeur de X inferieure ou e gales a` 94.8, on choisit H1 .
La puissance du test est la probabilite de choisir H1 avec raison. Soit Z N (0, 1). On
a:
94.8 90
= PH1 (X 94.8) = P Z
= P(Z 1.60) 94.52%
9
5 Variable produit
Soit (X, Y ) un couple de variables aleatoires a` valeurs reelles. La variables Z = XY est
la variable produit de X et Y . La determination de la loi de Z, dans le cas dun couple
discret, ne presente pas plus de difficultes que dans le cas dun couple de densite g. Si F
et f sont respectivement la fonction de repartition et la densite de Z, on a :
Z Z
F (t) = P(Z < t) =
g(x, y)dxdy
D
de Jacobien
v = xy
y = uv
1
v
2
u
0 1
1 =
u
u
On en deduit :
v 1
F (t) =
g u,
dudv
u u
v<t
Z t
Z +
1
v
=
dv
g(u, )du
u
|u|
Z Z
bar-hen.net
203
R +
u, ut du, que lon e crit :
Z +
Z +
1
t
1
t
f (t) =
g x,
dx =
g y,
dy
x
y
|x|
|y|
u = xy
La deuxi`eme e galite provenant du changement de variables :
v=y
Do`u f (t) =
1
g
|u|
(7.8)
= E(X)E(Y )
Variable quotient
Soit (X, Y ) un couple de variables aleatoires a` valeurs reelles. On peut lui associer la
.
variable quotient Z = X
Y
Les lois de Student et de Fisher-Snedecor sont definies a` partir de variables quotient.
Comme plus haut, a` titre dentranement, on va determiner la densite Z dans le cas dun
couple de densite g. Si F et f sont respectivement la fonction de repartition et la densite
de Z, on a :
Z Z
X
F (t) = P
<t =
g(x, y)dxdy
Y
D
o`u D est defini par xy < t.
On effectue le changement de variables :
v u
u = xy
x = uv
=v
de Jacobien
y=v
0 1
v=y
On en deduit :
Z Z
F (t) =
vu<t
bar-hen.net
204
Do`u f (t) =
Variable variance
R +
|y|g(ty, y)dy
f (t) =
(7.9)
7 Variable variance
Soit un ensemble (X1 , X2 , . . . , Xn ) de variables aleatoires, a` valeurs dans R, independantes
et de meme loi.
P
` un tel n-echantillon on a dej`a associe la variable X = 1 n Xi , la realisation dune
A
i=1
n
P
experience entrane lobservation dune valeur x = n1 ni=1 xi , moyenne empirique des
mesures.
On peut e galement associer a` ce n-echantillon la variable variance definie par :
n
S2 =
1X
(Xi X)2
n i=1
La realisation
erience (n mesures) entrane lobservation dune valeur de S 2 :
Pn dune exp
1
2
2
s = n i=1 (xi x) appelee variance empirique des mesures.
La variable S 2 , ainsi dailleurs que la variable X, sera souvent utilisee par la suite. On
peut remarquer quelle peut secrire :
n
1X 2
2
=
(Xi 2Xi X + X )
n i=1
=
n
n
1 X 2 2X X
1
2
Xi
Xi + nX
n i=1
n i=1
n
n
1X 2
2
2
=
Xi 2X + X
n i=1
n
1X 2
2
=
Xi X
n i=1
La determination de la loi de S 2 sera developpee ulterieurement. Cependant on a assez
delements pour determiner son esperance :
" n
#
X
1
E(S 2 ) = E
X2 X
n i=1 i
Or en posant E(Xi ) = et V(Xi ) = 2 , on a E(Xi2 ) = 2 + 2
2
Et E(X) = et V(X) = 2/n, on a E(X ) = 2 + 2/n
(on utilise le fait que pour toute variable Y : V(Y ) = E(Y 2 ) E2 (Y ))
bar-hen.net
7. F ONCTIONS DE PLUSIEURS VARIABLES AL EATOIRES
205
Il en resulte
n
E(S ) =
=
=
=
1X
2
E(Xi2 ) E(X )
n i=1
2
1
2
2
2
n( + ) +
n
n
1
2 1
n
n1 2
(7.10)
8 Inegalite de Schwarz
Soit (X, Y ) un couple de variables aleatoires a` valeurs reelle. On definit la variable Z =
X + Y , avec R. On a :
E (X + Y )2 = E(X 2 + 2 Y 2 + 2XY ) = 2 E(Y 2 ) + 2E(XY ) + E(X 2 )
Il est clair que E [(X + Y )2 ] 0, R ce qui implique que le discriminant du
trinome du second degre en est forcement negatif ou nul. Do`u 0 = E2 (XY )
E(X 2 )E(Y 2 ) 0 ; et donc :
p
|E(XY )| E(X 2 )E(Y 2 )
(7.11)
8.1 Applications
On peut appliquer linegalite de Schwarz au couple (X 0 , Y 0 ) o`u X 0 et Y 0 sont les variables
centrees X 0 = X X , Y 0 = Y Y :
q
0 0
|E(X Y )| E(X 0 2 )E(Y 0 2 )
2
Si on remarque que E(X 0 Y 0 ) = Cov(X, Y ), E(X 0 2 ) = X
et E(Y 0 2 ) = Y2 , on obtient :
Cov(X, Y )
X Y 1
206
Exercices
9 Exercices
1. On designe par X et Y deux variables aleatoires independantes, ayant chacune une
loi de Poisson de param`etres respectifs et .
(a) Calculer la loi de la variable Z = X + Y
(b) Determiner la loi conditionnelle de X sachant que Z = n.
2. On consid`ere deux variables aleatoires X et Y , independantes, a` valeurs dans R, et
de densites de probabilite respectives :
x 7 0
, si x < 0
fX :
x
x 7 e
, si x 0
y 7 0
, si y < 0
fY :
y 7 ey , si y 0
o`u et sont deux param`etres reels strictement positifs.
(a) Soit la variable aleatoire U = Y + X. Calculer lesperance et la variance de
U , puis determiner sa densite de probabilite ;
(b) Soit la variable aleatoire V = Y X. Calculer lesperance et la variance de
V , puis determiner sa densite de probabilite.
3. Soit (X, Y ) un couple de variables aleatoires a` valeurs reelles. Demontrer la relation : Cov(X, Y ) = E(XY ) E(X)E(Y ).
4. On consid`ere deux variables aleatoires a` valeurs reelles, X et Y , independantes et
de meme loi ; cette loi est definie par la densite de probabilite :
t 7 0 , si t < 0
f:
t 7 et , si t 0
On definit les variables aleatoires U = 21 (X + Y ) et V = 12 (X Y )
(a) Calculer lesperance et la variance de U et de V .
(b) Determiner la densite de probabilite de U .
(c) Determiner la densite de probabilite de V .
5. Soit (X, Y ) un couple de variables aleatoires a` valeurs reelles, de densite de probabilite :
(x, y) 7 2 (1 x2 y 2 ) , si (x, y) D
g:
(x, y) 7 0
, si (x, y) 6 D
o`u D est defini par : x2 + y 2 1
(a) Calculer, a` partir de g(x, y), lesperance et de la variance de X. En deduire
lesperance et la variance de Y .
(b) Determiner les densites de probabilites de X et de Y .
(c) Calculer la covariance de X et Y . Ces variables sont-elles independantes ?
bar-hen.net
7. F ONCTIONS DE PLUSIEURS VARIABLES AL EATOIRES
207
bar-hen.net
208
10
Solutions
Solutions
1. Soit Z = X + Y . On a clairement Z() = N
(a) (Z = n) = (X + Y = n) = (XS = 0 Y = n) (X = 1 Y =
n 1) (X = n Y = 0) = nk=0 [(X = k) (Y = n k)]
Les differentes e ventualites e tant incompatibles, on peut e crire :
P(Z = n) =
n
X
P[(X = k) (Y = n k)]
k=0
Lindependance de X et Y implique :
P(Z = n) = sumnk=0 P(X = k)P(Y = n k)
n
X
k
nk
=
e e
k!
(n k)!
k=0
(+)
= e
(+)
n!
= e(+)
n
X
k=0
n
X
k=0
1
k nk
k!(nk )!
n!
k nk
k!(nk )!
( + )n
n!
k!
nk
(n k)!
Finalement :
n!
e k e nk
e(+) ( + )n k!(n k)!
k nk
= Cnk
( + )n
k
nk
k
= Cn
( + )
( + )
bar-hen.net
209
1
1
E(V ) = E(X) E(Y ) =
1
1
V(V ) = V(X) + V(Y ) = 2 + 2 car variables independantes
g(x, y)dxdy
y<tx
FU (t) =
Premier cas : =
Fu (t) = 1 et tet
Do`u la densite :
fU :
t 7 0
, si t 0
t 7 2 tet , si t > 0
Deuxi`eme cas : 6=
t x() t
e
e
0
t
t
= 1 et
e +
e
et et
= 1+
Fu (t) = 1 et
bar-hen.net
210
Solutions
Do`u la densite :
fU :
t 7 0
, si t 0
t 7
et et , si t > 0
g(x, y)dxdy
y>xt
ex ey dxdy
D
Z +
Z y+t
y
=
e dy
ex dx
0
Z0 +
=
ey 1 e(y+t) dy
Z0 +
Z +
y
t
=
e dy e
ey(+) dy
FV (t) =
= 1 + et
y(+)
+
+
t
= 1
e
+
t0
Z
FV (t) =
e
Z0 +
Z
dy
y+t
ex dx
=
ey 1 e(y+t) dy
Z0 +
Z +
y
t
=
e dy e
ey(+) dy
0
0
y(+) +
y +
t e
e
+
e
t
t+(+)t
= et
e
+
t
= e
1
+
t
=
e
+
bar-hen.net
211
Do`u la densite :
(
fV :
t 7
t 7
t
e
+
t
e
+
, si t < 0
, si t 0
3.
Cov(X, Y ) =
=
=
=
=
E[(X X )(Y Y )]
E(XY X Y Y X + X Y )
E(XY ) X E(Y ) Y E(X) + X Y
E(XY ) X Y Y X + X Y
E(XY ) E(X)E(Y )
(a)
Z
+
tet dt = tet et 0 = 1
0
Z +
Z +
Z +
2 t +
2
2
2
2 t
E(X ) = E(Y ) =
t f (t)dt =
t e dt = t e 0 +
tf (t)dt = 2
E(X) = E(Y ) =
tf (t)dt =
1
(E(X) + E(Y )) = 1
2
1
(E(X) E(Y )) = 0
2
1
1
(V(X) + V(Y )) =
4
2
1
1
(V(X + V(Y )) =
4
2
212
Solutions
R 2t
R 2tx y
R 2t
R 2t
FU (t) = 0 ex dx 0
e dy = 0 ex dx [1 e2t+x ] = 0 ex dx
R 2t 2t
e dx = 1 e2t 2te2t .
0
Do`u la densite :
t 7 0
, si t 0
fU :
2t
t 7 4te
, si t > 0
(c) Soit FV la fonction de repartition de V . On a :
RR
FV (t) = P(V < t) = P(X Y < 2t) =
g(x, y)dxdy.
y>x2t
Pour t 0, on a :
R +
R y+2t x
R +
R +
FU V (t) = 2t ey dy 0
e dx = 2t ey [1 ey2t ] dy = 2t ey dy+
h y i+
R +
+
= e2t 21 e2t = 12 e2t
e2t 2t e2y dy = [ey ]2t + e2t e 2
2t
Sit > 0, on a :
R +
R y+2t x
R +
R +
FV (t) = 0 ey dy 0
e dx = 0 ey dy + e2t 0 e2y dy =
h 2y i+
1 + e2t e2
= 1 12 e2t
0
Do`u la densite :
t 7 e2t , si t 0
t 7 e2t , si t > 0
R 2
R1
RR
RR 2
(a) On a : E(X) =
xg(x, y)dxdy =
x(1x2 y 2 )dxdy = 2 0 cos()d 0 r2 (1
R2h
D
i1
r3
r5
r2 )dr = 2 [sin()]2
=0
0
3
5
0
RR
RR 2 2
R 2
R1
E(X 2 ) =
x2 g(x, y)dxdy =
x (1x2 y 2 )dxdy = 2 0 cos2 ()d 0 r3 (1
R2
D
h 4
i1
h
i2
R 2
sin(2)
r
r6
1
1
1
r2 )dr = 2 0 1+cos(2)
d
+
12
= 2
12
= 16
2
4
6
fV :
5.
1
6
Par symetrie, on obtient la meme densite pour Y . X et Y ont donc meme loi
definie par :
t 7 0
, si t 1 ou t 1
f:
8
2 3/2
t 7 3 (1 x ) , si 1 t 1
bar-hen.net
7. F ONCTIONS DE PLUSIEURS VARIABLES AL EATOIRES
213
ZD
Z 1
2 2
=
cos sin d
r3 (1 r2 )dr
0
0
2 2 4
1
2 sin
r
r6
=
=0
2
4
6 0
0
Les variables ne sont cependant pas independantes puisque sur R2 , g(x, y) 6=
fX (x)fY (y)
(d) On a E(Z) = E(X 2 + Y 2 ) = E(X 2 ) + E(Y 2 ) = 16 + 16 = 13
Soit H la fonction de repartition de Z. On a H(t) = P(Z < t) = P(X 2 +
Y 2 < t).
Il est clair que pour t 0, on aura H(t) = 0 et pour t > 1, H(t) = 1.
Pour 0 < t < 1, on obtient :
h 2
i t
RR
R
R1
2 2
r
r4
2
H(t) =
g(x, y)dxdy = 0 d 0 (1r )rdr = 4 2 4
=
x2 +y 2 <t
2t t2 .
Finalement :
, si t 0
t 7 0
2
t 7 2t t , si 0 t 1
H:
t 7 1
, si t 1
et par derivation :
h:
t 7 0
, si t 0 ou t 1
t 7 2 2t , si 0 t 1
214
Solutions
Donc 15n = 15 = n
2.326 n 5.41. On choisit donc n = 6.
N b a, 0.5
.
100
7. F ONCTIONS DE PLUSIEURS VARIABLES AL EATOIRES
215
0.15
= PH1 (Z 0.0825) = P Z
= P Z 1.355 91.23%
0.05
9. Soit X la moyenne de 400 variables independantes et de meme loi que X. Deux
resultats fondamentaux vont e tre utilises :
E(X) = E(X) = 1/
1
1
V(X) =
V(X) =
n
n2
On peut enfin, dapr`es le theor`eme de la limite centrale et vu la taille de lechantillon,
considerer que X suit approximativement un loi normale.
1
Sous H0 , X N 0.5, 1600
1
.
Sous H1 , X N 0.4, 2500
On est donc amene a` construire un test unilateral avec domaine de rejet de H0 a`
gauche. La borne superieure a du domaine de rejet est donnee, au niveau 1%, par
a = 0.5 2.326
.
40
Do`u le test : si x 0.44185, on rejette H0 si x > 0.44185, on accepte H0 .
La puissance de ce test est donne par = PH1 (X 0.44185)
Si T est la variable normale
reduite associee a` X, on obtient
0.441850.40
=P T
= P(T 2.0925) 98.18%
1/
50
2
Pour
t
>
0,
F
(t)
=
P(Z
<
t)
=
P(X
<
t)
=
P(
t
<
X
<
t) =
1
1
1
1
G( t) G( t).
1
1
1
Et donc f1 (t) = 2
g(
t)
+
g(
t)
=
g(
t), puisque g est paire.
t
2 t
t
La loi du chi-deux a` un degre de liberte est definie par la densite :
(
t 7 0
, si t 0
f1 :
1
t/2
t 7 2t e
, si t > 0
bar-hen.net
216
Solutions
t
t4 e /2 dt
Z +
1 h 3 t2/2 i+
3
t2
=
t e
+
t2 e /2 dt = 0+3E(X 2 )
2
2
Z Z
l(u, v)dudv =
1 1 (u+v)
e 2
dudv
4
bar-hen.net
Chapitre 8
Lestimation
1
Preliminaires
(8.1)
1.2
Inegalite de Bienayme-Tchebichev
Soit X une variable aleatoire a` valeurs dans R, desperance E(X) = X et de variance
2
V(X) = X
. En appliquant la relation 8.1 a` la variable (X X ), on obtient :
> 0 , P(|X X | )
2
X
2
(8.2)
2
2.1
Estimation ponctuelle
Estimateur
prise a`
Un estimateur T dun param`etre est une variable aleatoire dont la valeur ,
lissue dune experience, constitue lestimation de .
217
218
2.2
Estimation ponctuelle
Ecart
quadratique moyen
Un bon estimateur T dun param`etre doit avoir une distribution tr`es resserree autour de
. Or, en appliquant la relation (8.1) a` la variable (T ), on obtient :
> 0 , P(|T | )
E[(T )2 ]
2
(8.3)
2.3 Ecart
quadratique moyen et variance
On a E[(T )2 ] = E[(T T + T )2 ] = E[(T T )2 ] 2(T )E[(T T )] +
(T )2
E[(T )2 ] = V(T ) + (T )2 = V(T ) + E2 (T )
(8.4)
2.5
E[(Tn )2 ]
2
(8.5)
bar-hen.net
219
8. L ESTIMATION
Une suite destimateurs est donc consistante quand leur e cart quadratique moyen tend
vers zero lorsque n tend vers linfini.
Par abus de langage, on dit parfois quun estimateur Tn , pour n donne, e lement dun suite
consistante, est un estimateur consistant.
Un estimateur consistant est un estimateur particuli`erement interessant puisque, en jouant
sur n, il permet dobtenir, presque surement, une estimation aussi proche que lon veut
de .
On notera, enfin, que si les estimateurs Tn sont sans biais, la relation 8.5 secrit :
> 0 , 1 P(|Tn | < ) 1
V(Tn )
2
Une suite Tn destimateurs sans biais dont la variance tend vers zero lorsque n tend vers
linfini est donc consistante.
2.6
Exemples
Probabilite dun e venement
Dans le schema de Bernoulli, la frequence Yn dun e venement associee a` un ensemble
de n experiences peut e tre choisie comme estimateur de la probabilite p de levenement
considere. Cest un estimateur sans biais, puisque E(Yn ) = p.
Cest un estimateur consistant puisque cest un estimateur sans biais et tel que
V(Yn ) =
p(1 p)
0 lorsque n +
n
10
2
X
n2
220
c2 =
S
n
1 X
(Xi X)2
n 1 i=1
2
peut e tre choisie comme estimateur de X
. Il sagit, bien sur dun estimateur sans biais,
2
2
c
puisque E(Sn ) = X .
Dans ce cas la relation 8.5, secrit :
c2 2 | < ) 1
> 0 , 1 P(|S
n
X
c2 )
V(S
n
2
2
2
Il sagit alors dun estimateur biaise car E(Sn2 ) = n1
X
= X
nX (voir relation 7.10) ;
n
le biais de Sn2 est e gal a` X2 /n. En appliquant la relation 8.4, la relation 8.5 secrit alors ;
2
> 0, 1 P(|Sn2 X
| < ) 1
4
c2 )
V(S
X
n
2
n 2 2
Intervalle de confiance
Les experimentateurs pref`erent donner, au lieu dune estimation ponctuelle b dun param`etre , un intervalle I dans lequel ils ont la quasi-certitude de cerner la valeur exacte
. I sappelle un intervalle de confiance de ; la quasi-certitude, dont depend la largeur de I, est mesuree par une probabilite appelee niveau de confiance ou coefficient
de securite de I.
On ne donnera jamais un intervalle de confiance sans laccompagner du coefficient de
securite choisi.
bar-hen.net
221
8. L ESTIMATION
3.2 Principe
Pour determiner un intervalle de confiance I, on choisit une statistique X, cest-`a-dire
une variable aleatoire, dont la loi depend du param`etre inconnu . Cette statistique nest
pas forcement un estimateur de .
Si est connu, la loi de X est compl`etement precisee. On peut alors parier, avant toute
experience, que lobservation future x0 va se trouver, avec une forte probabilite (1 )
dans un intervalle J ; cet intervalle J est parfaitement determine si, par exemple, on
affecte une probabilite /2 a` sa gauche et de /2 a` sa droite.
Reciproquement, lorsquon ignore donc la loi precise de X, on peut parier que levenement
x0 J a bien eu lieu. On peut alors en deduire lensemble des intervalles J qui contiennent
lobservation x0 , donc un ensemble de lois possibles et donc un ensemble I de valeurs
possibles pour .
Lensemble I est lintervalle de confiance de . La probabilite 1 choisie au depart
sappelle le niveau de confiance ou le coefficient de securite associe a` I.
On remarquera que cette demarche, lorsque le type de la loi de X est connu, revient a` faire
un test bilateral a` lenvers. Lintervalle de confiance de contient lensemble des valeurs
de qui seraient acceptees dans un tel test, au niveau , compte tenu de lobservation x0 .
Dans le cadre de ce cours, on adoptera systematiquement la methode qui vient detre
decrite. On concoit cependant que, dans le cas de lois dissymetriques, on na pas forcement
avantage a` sappuyer sur un test bilateral avec partage de risque.
x0
X
k=0
222
3.4
inf
Pi (X < x0 )= k=0 e
=1 2
k!
Au niveau de confiance (1 ) : inf < < sup
Px0 sup ksup
Pi (X x0 )= k=0 e
= 2
k!
La table 11.5 donne les intervalles de confiance de pour un coefficient de securite de
95% et ceci pour x0 100.
Exemples
Le nombre dimpulsions enregistrees pendant une minute par un compteur est une
variable aleatoire X de loi P(). Lesperance caracterise lintensite de la source de
rayonnement. On mesure 59 coups durant une minute. On en deduit, avec un coefficient
de securite de 95% :
44.9 < < 76.1
Sur 12000 individus dune esp`ece, on a denombre 13 albinos. Que peut-on deduire sur
la proportion p des albinos dans lesp`ece ?
La variable X = nombre dalbinos que lon peut observer sur 12000 individus suit une
loi B(12000, p) si on peut considerer le choix de lechantillon comme non exhaustif. Il
est clair que, dans cet exemple n est grand et p faible ; on peut donc dire que la loi de
X est une loi P( = np).
Avec un coefficient de securite de 95% :
6.9 < 12000p < 22.3 5.75 104 < p < 18.58 104
Grand e chantillon
Pour x0 > 100, il est clair que lesperance aura une valeur e levee et que lon peut
considerer que la loi de X peut e tre assimilee a` une loi N (, ). On peut alors parier
que la valeur observee x0 verifie linegalite :
|x0 | <
(8.6)
o`u est une valeur numerique qui depend du coefficient de securite choisi ( = 1.645
pour 90% ; = 2.576 pour 99%).
Les solution de (8.6) constituent lintervalle ]inf , sup [ decrit plus haut, lorsque la
distribution de X est du type N (, ).
bar-hen.net
223
8. L ESTIMATION
Linegalite 8.6 peut e tre resolue rigoureusement en e levant au carre les deux membres,
ce qui conduit a` :
2
2
+ x20 < 0
2 x0 +
2
r
r
2
2
2
2
inf = x0 +
x0 +
, sup = x0 +
+ x0 +
2
4
2
4
Comme x0 > 100, linegalite 8.6 peut e tre resolue de mani`ere approchee en e crivant :
|x0 | < x0
(8.7)
3.5
|x0 X | < X
(8.8)
x0 X < < x0 + X
On ne saura e videmment donner un intervalle de confiance que si on connat X . Le
developpement ulterieur des mod`eles gaussiens permettra de surmonter cette difficulte.
En attendant les seuls cas qui sont accessibles sont ceux o`u effectivement X est connu
ou encore ceux o`u X et X sont lies par une relation (voir relation 8.6 et 8.9).
Linegalite 8.8 peut e tre appliquee a` la variable X ; on rappelle que, dans ce cas E(X) =
X et X = X/n, lorsque la loi de X est normale ou peut e tre consideree comme telle
(theor`eme limite centrale).
Exemple 8.3 Reprenons le schema de Bernoulli et considerons la frequence Yn dun
e venement au cours dunensemble de n experiences. En supposant que lon puisse
considerer que Yn N p, p(1p)
, on peut parier, pour un niveau de confiance de
n
(1 ) sur linegalite :
r
p(1 p)
(8.9)
|y0 p| <
n
( = 1.96 pour 1 = 95%).
bar-hen.net
224
Linegalite 8.9 peut e tre resolue rigoureusement en e levant au carre les deux membres.
Onobtient :
2
2
p2 1 + n 2p y0 + 2n
+ p20 < 0 pinf < p < psup avec :
pinf =
y0 +
2
2n
y0 (1y0 )
n
2
+ n
2
4n2
, psup =
y0 +
2
2n
y0 (1y0 )
n
2
+ n
2
4n2
3.6
Absence de loi
Linegalite de Bienayme-Tchebichev permet decrire successivement :
k > 0 , P(|X X | kX )
1
k2
1
(8.11)
k2
On peut donc, en particulier et ceci quelle que soit la loi de X parier, avec un coefficient
de securite qui est au moins de 95% sur linegalite :
1 P(|X X | < kX ) 1
|x0 X | <
20X
(1
1
= 0.95)
20
bar-hen.net
8. L ESTIMATION
225
4 Exercices
1. Parmi 900 poissons peches dans un lac, on a observe 180 porteurs de parasites.
Entre quelles limites situez-vous la proportion des individus parasites dans la population des poissons du lac.
2. On photographie au microscope une bote de Petri. La photographie est divisee
en carres de surfaces e gales et on denombre dans chaque carre des colonies de
bacteries. Les resultats experimentaux sont les suivants : 10 carres ne contiennent
pas de colonie, 24 carres contiennent 1 colonie, 34 en contiennent 2, 23 en contiennent
3, 6 en contiennent 4, 3 en contiennent 5.
On designe par X la variable aleatoire qui dans une telle experience, associe a` un
carre le nombre de colonies quil contient et par H0 lhypoth`ese : X suit une loi
de Poisson desperance .
En admettant H0 et a` partir des resultats experimentaux, donner, en les justifiant,
une estimation de , puis un intervalle de confiance de pour un coefficient de
securite de 95%.
3. On sait que, a` chaque naissance, la probabilite p dobserver un garcon est tr`es
proche de 1/2. Pour estimer precisement cette probabilite, on recherche son intervalle de confiance pour un coefficient de securite de 99.99% a` partir de la proportion de garcons observee sur n naissances. Quelle valeur donner a` n pour avoir une
estimation a` 0.001 pr`es ?
4. Pour determiner la concentration dun certain produit dans une solution, on effectue des dosages a` laide dune technique experimentale donnee. On admet que le
resultat de chaque dosage est une variable aleatoire normale,
dont lesperance est la valeur que lon cherchera a` determiner, ceci en labsence derreur systematique, cest-`a-dire si le protocole experimental est scrupuleusement suivi.
dont lecart-type est de 0.05 mg/litre pour un experimentateur convenablement
entrane.
(a) Vous effectuez cinq dosages independants dune solution de concentration
connue e gale a` 4.00 mg/litre. Vous obtenez les resultats suivants : 4.04 ; 4.01 ;
4.08 ; 3.95 ; 4.02 mg/litre.
Suivez-vous scrupuleusement le protocole experimental ?
(b) Vous effectuez six dosages independants dune solution de concentration inconnue. Vous obtenez les resultats suivants : 2.97 ; 3.01 ; 2.98 ; 2.94 ; 3.03 ;
2.95 mg/litre.
En deduire un intervalle de confiance de la concentration cherchee, pour un
coefficient de securite de 95%.
Bien entendu, vous vous considerez comme normalement entrane.
5. Soit X une variable aleatoire, associee a` une experience E de densite de probabilite :
x 7 0
, si x < 0
f:
x 7 2 xex , si x 0
bar-hen.net
226
Exercices
bar-hen.net
227
8. L ESTIMATION
5 Solutions
1. Si p est la proportion des poissons parasites dans le lac, lorsquon peche un poisson,
la probabilite pour quil soit porteurs de parasites est p.
Si le nombre de poissons dans le lac est tr`es e leve, pecher 900 poissons revient a`
repeter 900 fois la meme experience. Dans ces conditions, le nombre de porteurs
de parasites que lon peut observer est une variable aleatoire de loi B(900, p) que
lon peut approcher par une loi N (900p, 900p(1 p)), p e tant de lordre de 20%.
La variableX, proportion
des individus parasites sur 900, obeit donc a` peu pr`es a`
p(1p)
une loi N p, 900 . On a observe la valeur x = 180/900 = 0.20. Pour un niveau
de confiance de 95%, on peut parier que linegalite :
p
p(1 p)
(8.12)
|0.20 p| < 1.960
30
0.16
soit, pratiquement : |0.20 p| < 1.960 30
.
Do`u lintervalle de confiance : 0.174 < p < 0.226.
Lapproximation normale e tait bien justifiee puisque sur tout lintervalle trouve :
900(1 p) > 900p > 900(0.174) > 10
On peut noter que resoudre rigoureusement lequation 8.12 aurait conduit a` linegalite :
E(X) = , V(X) =
n
Xn est un estimateur consistant de puisquil est sans biais et que sa variance tend
vers zero lorsque n tend vers linfini.
1
Ici n = 100, x = 100
(10 0 + 24 1 + 34 2 + 23 3 + 6 4 + 3 5) = 2
Do`u lestimation
b=2
Le nombre dexperiences e tant ici assez e leve, on peut, en utilisant le theor`eme
limite centrale, considerer que la loi de X est pratiquement : N (, /100)
Avec un coefficient de securite de 95%, on peut parier sur linegalite
(8.13)
|2 | < 1.960
10
228
Solutions
3. Soit Yn la proportion des garcons que lon peut observer sur n naissances.
Comme
p(1p)
1
p /2 et n certainement tr`es grand, on peut considerer que Yn N p, n , .
Si y0 est la proportion
q observee et pour un niveau de confiance de 0.9999, on e crira :
p(1p)
.
n
Soit pratiquement (p
1/ )
2
q
1
: |y0 p| < 3.891 4n
.
3.891
2 n
meme loi que X. En labsence derreur systematique, X6 suit une loi N , 0.05
.
6
On a observe x6 = 2.98.
Pour un coefficient de securite de 95%, on peut parier sur linegalite :
0.05
|2.98 | < 1.96
6
Do`u lintervalle de confiance : 2.94 < < 3.02 mg/litre.
5. On a successivement :
Z +
Z
f (x)dx =
Z
E(X) =
2 2 x
xf (x)dx =
xe
0
E(X ) =
x f (x)dx =
+
2 xex dx = xex ex 0 = 1
+
2 3 x
xe
0
+ 2
dx = x2 ex 0 +
+ 3
dx = x3 ex 0 +
2 xex dx =
2 x2 ex dx =
bar-hen.net
6
2
229
8. L ESTIMATION
On en deduit :
E(X) =
2
6
4
2
, V(X) = 2 2 = 2
2
1
2 2 < 1.645 2 22 < 0.116 1 < 1.058
2 < 0.116 > 0.942
20
On veut 1.645 xn0 < 10. Pour x0 6400, on en deduit n > 13.16 n >
174 comptages.
bar-hen.net
230
Solutions
800
< 0.273
N
bar-hen.net
Chapitre 9
Les mod`eles gaussiens et leur utilisation
a` letude des moyennes et des variances
1
1.1
Densite de probabilite
On montre que la densite de probabilite fn dune variable Y = 2n a pour expression
y 7 0
, si y 0
fn :
n2
y/2
2
, si y > 0
y 7 cn y e
cn e tant une constante positive dependant de n.
Exemple 9.1 On a montre (voir exemple 4.3) que la densite de probabilite de la variable
Y = 21 est :
(
y 7 0
, si y 0
f1 :
y/2
1
y 7 2y e
, si y > 0
Exemple 9.2 On cherche a` determiner F2 , puis f2 , fonction de repartition et fonction
densite de la variable Y = 22 . On a : Y = X12 + X22 , X1 et X2 e tant deux variables
normales reduites independantes. Le couple (X1 , X2 ) a pour densite :
g : (x1 , x2 ) 7
1 1 (x21 +x22 )
e 2
, (x1 , x2 ) R2
2
232
On a
F2 (y) = P(Y < y) = P(X12 + X22 < y) = 0 si y 0
Z Z
1 1 (x21 +x22 )
e 2
dx1 dx2 si y > 0
=
C 2
Le domaine C e tant defini par x21 + x22 < y et donc represente par lensemble des points
f2 :
y
7 0
, si y 0
1 y/2
y
7 2e
, si y > 0
1.2
Propriete dadditivite
Soient deux variables 2n et 2p independantes. On a Z = 2n + 2p = 2n+p .
Il est facile de demontrer cette propriete a` partir de la forme generale de la densite dun
2 . On la verifiera sur des cas particuliers. Il resulte de cette propriete que toute variable suivant un loi de 2n peut e tre consideree comme la somme de n variables 21
independantes.
1.3
Esperance et variance
Soit une variable X N (0, 1) et soit une variable Y = X 2 . On peut e crire directement
(voir exemple 4.3) :
E(Y ) = E(X 2 ) = V(X) = 1 (puisque E(X) = 0 E(X 2 ) = V(X))
h
i
R + 1 4 x2/
R + 2 x2/
x2 +
2 dx = 1
x e
E(Y 2 ) = E(X 4 ) =
x3 e /2
+ 3
x e 2 dx =
0 + 3E(X ) = 3V(X) = 3
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
233
VARIANCES
i=1
i=1
1.4
Formes de la distribution
La courbe representative de la densite dun 2n a une forme en L pour n = 1 et pour
n = 2. Il suffit detudier les variations des fonctions f1 et f2 (voir exemples 9.1 et 9.2)
pour sen rendre compte.
Pour n > 2, on a :
n4
1
y
(fn (y))0 = cn e /2 y 2 [(n 2) y]
2
On en deduit que la courbe representative de fn a une forme en cloche, dissymetrique et
quune variable 2n a pour mode n 2 (n > 2).
On note, en particulier que plus la valeur de n est e levee, plus le mode se deplace vers la
droite.
1.5
Convergence en loi
Puisquune variable 2n peut e tre consideree comme la somme de n variables 21 independantes,
il resulte du theor`eme central limite que la loi dun 2n tend vers une loi normale lorsque
n augmente indefiniment.
Cependant, dans le cas dunepvariable 2n , cette convergence est assez lente. Par contre
2
on peut
noter que la variable 2n a une loi qui converge assez rapidement vers une loi
N ( 2n 1, 1).
Dans la pratique, pour n > 30, on e crit :
p
22n N ( 2n 1, 1)
bar-hen.net
234
F (u) =
P(2n
F (u) = 0 ,
< u) = P(0 < 2n < u) ,
si u 0
si u > 0
2Y < 9.693)
Or
P(Y
<
46.979)
=
P(2Y
<
93.958)
=
P(
2Y N ( 59, 1) 2Y
59
N
(0,
1)
2Y < 7.660))
Or P(Y
<
29.336)
=
P(2Y
<
58.672)
=
P(
2y 59
=P
< 0.0213 1 0.5085 0.4915
1
P(Y < 16.791) = 0.025
2Y < 5.795)
Or P(Y
<
16.791)
=
P(2Y
<
33.582)
=
P(
2y 59
=P
< 1.886 1 0.9703 0.0297
1
Les e carts sont tous inferieurs a` 1%.
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
235
VARIANCES
nY
On note : Z = F (n, p) =
2.1
2n/n
2p/p
p 2n
.
n 2p
Densite de probabilite
On montre que la densite de probabilite gn,p dune variable Z = F (n, p) a pour expression
z 7 0
, si z 0
n+p
gn,p :
n2
2.2
Esperance et variance
On montre e galement quune variable Z = F (n, p) a pour esperance :
E[F (n, p)] =
p
, definie pour p > 2
p2
et pour variance :
V[F (n, p)] =
2.3
p
p2
2
2(n + p 2)
, definie pour p > 4
n(p 4)
Forme de la distribution
Letude des variations de la fonction densite dune variable F (n, p) montre que la forme
de sa courbe representative est :
en L pour n = 1 et pour n = 2 ;
pour
en cloche, dissymetrique pour n > 2. Dans ce cas le mode est e gal a` : p(n2)
n(p+2)
n > 2.
2.4
Calcul de probabilites
Soit la relation :
G(u) = P[F (n, p) < u] = p
bar-hen.net
(9.1)
236
Il est clair que, donner une table de valeurs numeriques concernant les fonctions de
repartition G des variables F (n, p), conduit a` envisager un certain nombre de couples
(n, p) et donc a` donner un veritable fascicule uniquement pour ce type de variables.
En statistique, certaines valeurs de p sont fondamentales. Pour cette raison, les tables 11.11
et 11.12 correspondent chacune a` une valeur de p et indiquent pour divers couples (n, p)
(donc tables a` doubles entrees) les valeurs u (forcement positives) verifiant 9.1.
Exemple 9.6 Dans la table 11.11, on lit, puisque p = 0.95 :
P[F (9, 7) < 3.6767] = 0.95 ; P[F (15, 14) < 2.4630] = 0.95
Dans la table 11.12, on lit, puisque p = 0.99 :
P[F (9, 7) < 6.7188] = 0.99 ; P[F (15, 14) < 3.6567] = 0.99
On note que :
P[F (n, p) < u] = P
2n/n
2p/p
<u
=P
n2p
1
>
p2n
u
= 1P
On a donc :
P(F (n, p) < u) = 0.01 P F (p, n) u1 = 0.99
P(F (n, p) < u) = 0.05 P F (p, n) u1 = 0.95
Par exemple : P[F (9, 7) < 3.6767] = 0.95 P F (7, 9) <
n2p
1
p2n
u
1
3.6767
1
= 1P F (p, n)
u
= 0.05
Probl`emes a` un e chantillon
1
, dont la valeur observee est la moyenne empirique x0 = n1 i=1 xi
X = n Pi=1 Xi
P
n
S 2 = n1 ni=1 (Xi X)2
, dont la valeur observee est la variance empirique s20 = n1 i=1 (xi x0 )2
Pn
Pn
c2
1
1
2
2
S = n1
, dont la valeur observee est lestimation de 2
sb20 = n1
i=1 (Xi X)
i=1 (xi x0 )
On suppose maintenant que les variables X1 , X2 , . . . , Xn sont toutes des variables normales Xi N (, 2 ), i {1, 2, . . . , n}
Premier resultat
2
P
Dans le cadre de ce mod`ele, il est alors clair que la variable ni=1 Xi est la somme
des carres de n variables normales centrees reduites, independantes. On peut donc e crire :
n
1 X
(Xi )2 2n
2
i=1
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
237
VARIANCES
Ce resultat nest gu`ere utilisable pratiquement car le mod`ele obtenu depend des deux
2
param`etres
2et , difficulte que lon a dej`a rencontree dans lutilisation de la variable
X N , n .
Deuxi`eme resultat
On peut e crire : Xi = (Xi X) + (X )
Do`u :
(Xi )2 = (Xi X)2 + (X )2 + 2(Xi X)(X )
n
n
n
X
X
X
2
2
2
(Xi ) =
(Xi X) + n(X ) + 2(X )
(Xi X)
i=1
i=1
i=1
Pn
i=1 (Xi X) =
Pn
i=1
Xi nX = nX nX = 0
2
n
n
1 X
1 X
X
2
2
(Xi ) = 2
(Xi X) +
/
2 i=1
i=1
n
P
Or on vient de voir que 12 ni=1 (Xi )2 2n .
2
X
De plus X N , n /
21
n
P
En posant Z = 12 ni=1 (Xi X)2 on a donc 2n = Z + 21
Un theor`eme, dit theor`eme de Cochran, (qui sort du cadre du cours) a pour consequence
2
Pn
X
1
2
sont independantes.
importante de demontrer que les variables 2 i=1 (Xi ) et /
n
La propriete dadditivite des 2 implique alors naturellement que Z 2n1 .
On obtient ainsi le resultat, important car on dispose maintenant dun mod`ele qui ne
depend que du param`etre 2 :
P
c2
2
S
La variable Z = 12 ni=1 (Xi X)2 = nS
= (n1)
est une variable 2n1 .
2
2
Il devient alors possible de construire des interpretations statistiques concernant le pac2 est simplement la somme
ram`etre 2 . On remarquera que la variable nS 2 = (n 1)S
des carres des e carts a` X.
bar-hen.net
nS 2
a2
238
Sous H1 : 2 > a2 La variance S 2 aura tendance a` prendre des valeurs plus e levees que
2
sous H0 . Ce sont donc les valeurs e levees de nS
qui poussent a` rejeter H0 pour
a2
choisir H1 . On construit donc un test unilateral avec un domaine de rejet a` droite.
La borne superieure d du domaine dacceptation est telle que : P(2n1 < d) =
1 , si est le niveau choisi.
La valeur d est lue dans la table 11.10 et, pour effectuer le test, il suffit de regarder
2
ns2
2n1 , se trouve dans le domaine
si la valeur observee a20 , de la variable nS
a2
dacceptation ou dans le domaine de rejet de H0 .
Sous H2 : 2 < a2 La variance S 2 aura tendance a` prendre des valeurs plus faibles que
2
sous H0 . Ce sont donc les valeurs faibles de nS
qui poussent a` rejeter H0 pour
a2
choisir H1 . On construit donc un test unilateral avec un domaine de rejet a` gauche.
La borne inferieure c est lue dans la table 11.10, table des valeurs numeriques de
2
la fonction de repartition de la variable nS
2n1 . On a P(2n1 < c) = , si
a2
est le niveau choisi.
Sous H3 : 2 6= a2 Il est alors clair que lon est amene a` construire un test bilateral, le
domaine de rejet e tant constitue dune partie a` droite et dune partie a` gauche de la
distribution.
si est le niveau choisi, les bornes c et d de lintervalle dacceptation sont telles
que :
, P(2n1 < d) = 1
P(2n1 < c) =
2
2
Ces valeurs sont lues dans la table 11.10, table des valeurs numeriques de la fonc2
tion de repartition de la variable nS
= 2n1 .
a2
Exemple 9.7 Un laboratoire pharmaceutique fabrique un medicament dont la teneur,
en un certain composant par unite de fabrication, est assuree avec un e cart-type de 8
milligrammes.
Le service de recherche a mis au point un nouveau procede de fabrication qui sera adopte
sil assure une reduction substantielle de la dispersion. On a fait 10 mesures de teneur sur
des unites fabriquees par la nouvelle methode et obtenus les resultats suivants, exprimes
en milligrammes : 725 ; 722 ; 727 ; 718 ; 723 ; 731 ; 719 ; 724 ; 726 ; 725. On suppose que
chaque mesure est une realisation dune variable normale. Peut-on adopter la nouvelle
methode ?
` un ensemble de 10
Soit Xi la variable representant une mesure. OnP
a Xi N (, 2 ). AP
10
1
1
2
2
mesures, on peut associer les variables X = 10 i=1 Xi et S = 10 10
i=1 (Xi X) . On
2
sait alors que la variable 10S
obeit a` une loi de 29 .
2
On veut tester lhypoth`ese H0 : 2 = 64 mg2 contre lhypoth`ese H1 : 2 < 64 mg2 .
2
obeit a` une loi de 29 . Si 2 < 64, la variable S 2 , et donc la
Sous H0 , la variable Z = 10S
64
2
, aura tendance a` prendre des valeurs moins e levees que prevu, puisque
variable Z = 10S
64
les variables Xi sont moins dispersees. On est donc amene a` construire un test unilateral
avec domaine de rejet a` gauche ; on choisira un niveau de 5%. La borne superieure c du
domaine de rejet de H0 doit verifier P(Z < c) = 0.05 ; on en deduit, puisque Z 29
c = 3.325 (table 11.10).
Or on a observe les valeurs :
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
239
VARIANCES
P10
1
x0 = 10
i=1 xi = 724 mg pour X
P10
1
1
2
130 mg2 pour S 2
s0 = 10 i=1 (xi x0 )2 = 10
130
et, sous H0 , la valeur z0 = 64 2.03 de la variable Z.
Au niveau 5%, on rejette H0 . On adoptera donc la nouvelle methode de fabrication,
reconnue plus precise que lancienne.
4.1
On a observe la valeur s20 de S 2 . On parie quelle verifie linegalite c < 20 < d, do`u
on tire lintervalle de confiance de 2 pour le coefficient de securite 1 .
Exemple 9.8 (suite de lexemple 9.7 ). On se propose maintenant de proceder a` une
estimation par intervalle de la variance obtenue par la nouvelle methode, afin de pouvoir
e valuer sa precision.
2
La variable 10S
obeit a` une loi de 29 ; on e crit que la valeur observee 130
verifie la
2
2
130
double inegalite : 2.700 < 2 < 19.023, au niveau de confiance de 95%.
Do`u lintervalle de confiance : 6.83 < 2 < 48.15
4.2
2
SX
1X
=
(Xi X)2
n i=1
SY2 =
1
p
Pp
i=1 (Yi
Y )2
2
Sc
X =
1 X
2
(Xi X)2 Sc
Y =
n 1 i=1
1
p1
Pp
i=1 (Yi
Y )2
,
=
2p1
n1
2
2
X
X
Y2
Y2
On en deduit :
2
2
p 1 2n1
p 1 nSX
Y2
Y2 Sc
X
F (n 1, p 1) =
=
= 2
2
n 1 2p1
n 1 pSY2 X
X Sc2
Y
bar-hen.net
240
c
2 S
2
Y
X
2
2
X Sc
Y
4.3
2
Y
2
X
consequent :
Sous H0 , Z =
2
Sc
X
c
S2
2
Sc
X
c
S2
2
Sous H1 : X
> Y2 Les variables Xi e tant plus dispersees, le rapport
2
Sc
X
2
Sc
aura tendance
a` prendre de preference des valeurs plus e levees que sous H0 . Ce sont donc les
valeurs e levees de Z qui incitent a` choisir H1 et a` rejeter H0 . On construit donc un
test unilateral avec domaine de rejet a` droite. Lintervalle dacceptation de H0 est
donc du type [0, b[, b e tant determinee, au niveau , par :
P[F (n 1, p 1) < b] = 1
Pour effectuer le test, il suffit de regarder o`u est situee la valeur observee z0 =
2
Sc
X
.
2
Sc
Y
2
Sous H2 : X
< Y2 le rapport
2
Sc
X
c
S2
plus faibles que sous H0 . On construit donc un test unilateral avec domaine de
rejet a` gauche. Lintervalle dacceptation de H0 est donc du type [a, +[. En fait
il est bien plus simple de se ramener au cas precedent en inversant le rapport des
estimateurs.
La variable V =
2
Sc
Y
c
2
S
2
Sc
X
c
S2
soit des valeurs plus fortes que sous H0 . On construit donc un test bilateral. Lintervalle dacceptation de H0 est donc du type ]a, b[ avec, au niveau :
P[F (n 1, p 1) < b] = 1
et P[F (n 1, p 1) < a] =
2
2
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
241
VARIANCES
Pour effectuer le test, il suffit de regarder o`u est situee la valeur observee z0 =
2
sc
X
.
2
sc
Y
2
sc
X
c
s2
Echantillon
A
Echantillon
B
Effectif
11
9
Moyenne empirique
3.92
4.18
Variance empirique
0.3130
0.4231
2
On admet que chaque mesure est realisation dune variable aleatoire N (X , X
) pour A
2
2
et N (Y , Y ) pour B. Peut-on conclure a` une difference entre les variances X et Y2 ?
2
2
On va tester lhypoth`ese H0 : X
= Y2 contre H1 : X
6= Y2 (test bilateral).
2
Sc
Soit Sc2 et Sc2 les estimateurs de 2 et 2 . On a Z = X F (8, 10).
X
2
Sc
Y
11
9
2
2
c
Or on a observe les valeurs sc
X = 10 0.3130 0.3443 et sY = 8 0.4231 0.4760, donc
z0 = 0.4760
1.38.
0.3443
P[F (8, 10) < 3.8549] = 0.975 1.38 < 3.8549
Au niveau 5%, lhypoth`ese de legalite des variances est acceptable.
U
U n
=
Tn = q
1
V
V
n
5.1
Densite de probabilite
On montre que la densite fn , dune variable Tn a pour expression
cn
fn : t 7
n+1 , t R
2
1 + tn 2
bar-hen.net
242
1
1
,tR
(1 + t2 )
Cette variable, qui nadmet pas desperance ni de moments dordre superieur a` 1 (les
integrales correspondantes divergent), est souvent citee comme exemple.
5.2
Esperance et variance
Le calcul de lesperance et de la variance, lorsquelles existent, conduit aux resultats
suivants :
n
E(Tn ) = 0, definie pour n > 1 ; V(Tn ) = n2
, definie pour n > 2.
5.3
Forme de la distribution
Letude des variations de la densite dune variable Tn , montre que la distribution est en
cloche, symetrique par rapport a` laxe des ordonnees, et admet pour mode : 0.
Plus le nombre de degres de liberte augmente, et plus la distribution dune variable Tn
est resserree autour de lorigine.
5.4
Convergence en loi
La distribution dune variable Tn , de Student, est toujours plus dispersee que celle dune
variable normale centree reduite. Cependant on montre que la densite fn dune variable
Tn est telle que :
1
t2
Si n + , fn (t) e /2
2
Les lois de Student convergent donc vers la loi normale centre reduite. On constate dans
les tables de valeurs numerique (voir table 11.9) que la difference entre une loi de Student
et une loi normale centree reduite est, en ce qui concerne le calcul des probabilites, peu
sensible lorsque n = 30, presque negligeable lorsque n = 120.
5.5
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
243
VARIANCES
Exemple 9.11 Pour n = 11, on a : P(Tn < 0.540) = 70% ; P(Tn < 1.796) = 95% ;
P(Tn < 2.201) = 97.5%
Pour n = 16, on a : P(Tn < 0.691) = 75% ; P(Tn < 0.691) = P(Tn > 0.691) =
25%
Pour n = 25, on a :
P(|Tn | < 2.060) =
=
=
=
=
=
6
6.1
X=
X
1X
1X
c2 = 1
Xi , S 2 =
(Xi X)2 , S
(Xi X)2
n i=1
n i=1
n 1 i=1
c2
et la relation nS 2 = (n 1)S
On consid`ere maintenant la variable :
X
X
q
Z= q
=
2
S
n1
2
1 1
2 n
n1
Pn
i=1 (Xi
=
X)2
2
n
n1
q Pn
i=1 (Xi X)
2
On sait que Xi N (, ) X N ,
. Donc la premi`ere fraction est une
variable normale centree reduite U .
2
On reconnat de plus, sous le radical du deuxi`eme denominateur la variable V = nS
qui
2
est une variable 2n1 (voir section 3.1).
Le theor`eme de Cochran (voir section 3.1) permettant daffirmer lindependance entre U
et V , il est clair que la variable Z obeit a` la definition dune variable de Student a` (n 1)
degres de liberte.
bar-hen.net
244
On obtient ainsi un autre resultat important car on dispose maintenant dun mod`ele qui
ne depend plus que du param`etre :
X
est une variable de Student Tn1
=r
La variable Z = qX
S2
c
S2
n
n1
6.2
Xa
q
S2
n1
Sous H2 : < a Les e carts faibles de X a, cest-`a-dire les e carts negatifs, seront
plus probables que sous H0 . On construit donc un test unilateral avec domaine de
rejet a` gauche. Lintervalle dacceptation de H0 est donc du type [b, +[ avec
P[T < b] = . En fait on determine b par la relation, qui decoule de la symetrie
de la distribution : P[T < b] = 1 .
Sous H3 : 6= a Il est alors clair que lon construit un test bilateral, lintervalle dacceptation de H0 e tant du type [b, b] avec : P[T < b] = 1 2 .
Exemple 9.12 Sur six e tudiants de sexe masculin, choisis dans lamphi, on a mesure les
tailles suivantes : 172 ; 174 ; 178 ; 180 ; 175 ; 183 cm. Interpreter ces resultats sachant
que lesperance de la taille dun francais est 170cm.
Soit Xi N (, 2 ) la taille dun e tudiant choisi au hasard. On va tester lhypoth`ese
H0 : = 170P
contre lhypoth`ese H1 :
170
P>
6
6
1
1
2
Soit X = 6 i=1 Xi et soit s = 6 i=1 (Xi X)2 . Les differentes mesures e tant
q
independantes, la variable T5 = X170
obeit a` une loi de Student a` 5 degres de liberte,
s2
5
sous H0 .
Ce sont les valeurs e levees de T qui sont favorables a` H1 . On construit donc un test
unilateral avec domaine de rejet a` droite.
Au niveau 5%, lintervalle dacceptation de H0 est ] , 2.015].
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
245
VARIANCES
Au niveau 5%, on rejette donc H0 . Lesperance de la taille dun e tudiant est superieure
a` lesperance de la taille dun francais. La moyenne observee est assez significativement
differente de 170cm ; meme au niveau 0.5% on rejetterait H0 .
6.3
s20
n1
s
< < x0 + b
s20
n1
246
xr
0
s2
0
6
2.447
1.18
2.447 < q
< 2.447
20
4
10
76
Do`u lintervalle de confiance : 1.163 < < 1.197 gramme par litre.
6.4
et
2p1
n1
2
2
On en deduit :
2
nSX
pSY2
V = 2 + 2 2n+p2
X Y (X Y )
X Y (X Y )
n+p2
q
q
= q 2
Z=
q
nSX +pSY2
2
1
n1 + p1
(nSX
+ pSY2 ) 12
+ p1
n+p2
n
On designe par
2
2
c2 = nSX + pSY
S
n+p2
lestimateur sans biais de la variance commune aux X et aux Y (voir exercice 5 du
chapitre 8) , ce qui permet decrire :
Z=
X Y (X Y )
q
Tn+p2
1
1
2
c
S n+p
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
247
VARIANCES
6.5
q XY
c2 ( 1 + 1 )
S
n
Student Tn+p2 .
Les tests se construisent alors comme dans les probl`emes a` un e chantillon :
contre H1 : test unilateral avec domaine de rejet a` droite, car, sous H1 , lecart X Y
aura tendance a` avoir des valeurs plus e levees que sous H0 ;
contre H2 : test unilateral avec domaine de rejet a` gauche ;
contre H3 : test bilateral.
Pour effectuer le test on calcule, a` partir des e chantillons : x0 , y0 , s2X , s2Y , s20 =
0
.
et enfin t0 = q bx20 y
1
+ p1 )
s0 ( n
Il suffit de regarder si t0 est dans le domaine dacceptation ou de rejet de H0 .
ns2X +ps2Y
n+p2
Exemple 9.14 (suite de lexemple 9.9). Peut-on conclure a` une difference entre les esperances
X et Y ?
2
On a montre precedemment que lhypoth`ese X
= Y2 est acceptable. Dans ces conditions, la variance commune aux deux series de mesures peut e tre estimee par :
s20 =
11 0.3130 + 9 0.4231
0.4028
18
248
t0 = q
0.4028
1
11
1
9
Cette valeur est comprise dans lintervalle dacceptation de H0 au niveau 5% : [2.101; 2.101].
On peut donc admettre que les deux types de vegetaux ont la meme teneur en calcium, en
moyenne.
Ce test de comparaison de deux esperances a` partir de deux moyennes empiriques est
dit test dhomogeneite de Student. La condition restrictive degalite des variances
necessite, la plupart du temps, une verification preliminaire a` laide du test F .
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
249
VARIANCES
7 Exercices
1. Une nouvelle technique de dosage du glucose sanguin vient detre mise au point.
Sept dosages, effectues a` laide de cette nouvelle technique, a` partir du sang dune
meme provenance, ont donne les resultats suivants :
1.17 1.16 1.16 1.19 1.19 1.21 1.18 gramme/litre
On admet que chaque mesure est une variable aleatoire normale dont lesperance
est la valeur que lon cherche a` determiner et dont lecart-type caracterise la
precision du procede. On consid`ere que les n resultats possibles dun ensemble
de n dosages, effectues dans les memes conditions sont des variables aleatoires
independantes et de meme loi.
La technique utilisee jusqu`a ce jour e tait caracterisee par un e cart-type de 0.05
mg/litre. Peut-on dire que la nouvelle technique est plus precise que lancienne ?
Determiner, a` partir de lechantillon, un intervalle de confiance de .
2. Une boisson, de consommation courante, est vendue en bouteilles dun litre. Lun
des e lements de sa composition est un certain produit A qui fait lobjet dune
reglementation particuli`ere.
On designe par X la variable aleatoire representant la quantite A, exprimee en
milligrammes, que lon peut trouver dans une bouteille. On admet que X suit une
loi normale desperance . Pour que la boisson soit conforme a` la reglementation
en vigueur, la valeur de ne doit pas depasser 50 milligrammes.
Une association de consommateurs a fait effectuer des dosages de A sur 9 bouteilles
choisies au hasard mais dune marque donnee. Les resultats, en milligrammes, sont
les suivants :
60.5 - 58.5 - 57.8 - 56.4 - 54.7 - 53.5 - 49.3 - 48.2 - 48.0
Verifier si la reglementation est respectee par le fabricant.
Donner, pour la marque en question, un intervalle de confiance de .
3. Les resultats du dosage du glucose sanguin, effectue sur un lot de 9 lapins, sont les
suivants :
1.17 ; 1.16 ; 1.15 ; 1.18 ; 1.19 ; 1.20 ; 1.20 ; 1.16 ; 1.21
grammes par litre. On admet que chaque mesure est une variable normale desperance
, taux moyen de glycemie dans la population do`u provient le lot. Entre quelles
limites peut-on situer , au niveau de confiance de 95% ?
4. Pour comparer linfluence de deux regimes alimentaires A et B sur le developpement
des doryphores, un entomologiste a mesure, lors de la mue imaginale, le poids
dinsectes e leves dans les conditions A pour les uns, dans les conditions B pour les
autres. il a obtenu les resultats suivants :
Regime A (9 insectes males) : 100, 94, 119, 111, 113, 84, 102, 107, 99 mg
Regime B (8 insectes males) : 107, 115, 99, 111, 114, 127, 145, 140 mg
bar-hen.net
250
Exercices
Le poids dun insecte choisi au hasard dans un e levage est une variable aleatoire
que lon designera par X dans le cas A et par Y dans le cas B. On admet que X et
Y sont de loi normale.
Montrer quil ny a aucune raison de penser que X et Y ont des variances
differentes. Pour la suite, on notera 2 , la valeur commune de ces deux variances.
En utilisant lensemble des resultats, donner une estimation de 2 ; on designe
par S2 lestimateur utilise. Calculer lesperance et la variance de S2 ; en deduire
les qualites de cet estimateur.
En utilisant lensemble des resultats et avec un minimum de justifications, donner un intervalle de confiance de 2
Montrer que le regime B est plus favorable au developpement des insectes que
le regime A.
5. Un laboratoire produit un vaccin destine a` une population de 100000 personnes.
On consid`ere que la proportion p de personnes achetant le vaccin suit une loi gaussienne de moyenne 0.24 et decart-type 0.03.
Combien de doses doit-il produire pour que le risque de rupture de stock soit de
lordre de 2% ?
Quelle doit e tre la marge beneficiaire realisee sur chaque doses vendue pour que
le risque de perte soit de lordre de 3% ?
6. On desire savoir si une certaine variete de ble a, dans une region A, un rendement
superieur a` celui quelle a dans une region B. Pour cela, on dispose de resultats,
exprimes en quintaux par hectare, obtenus sur seize parcelles differentes et ainsi
repartis :
Region A 48.0 48.2 50.3 53.5 54.6 56.4 57.8 58.5 60.5
Region B 44.2 46.3 48.3 48.5 50.5 51.2 55.4
On suppose que le rendement observable sur une parcelle, choisie au hasard dans
une region donnee, est une variable aleatoire designee par X pour la region A et
par Y pour la region B.
(a) Dans un premier temps, on admet que X et Y sont des variables normales
dont lesperance et la variance sont representees par : A et A2 pour X, B
et B2 pour Y
i. Montrer que lhypoth`ese A2 = B2 est acceptable. Pour la suite, on
designera par 2 la valeur commune de ces deux variances.
ii. On peut alors disposer de trois estimateurs sans biais de 2 . Le premier
est associe a` un ensemble de 9 rendements possibles provenant de la
region A. Le deuxi`eme est associe a` un ensemble de 7 rendements possibles provenant de la region B. Le troisi`eme associe a` lensemble des
16 rendements precedents. A partir de leur e cart quadratique moyen relativement a` 2 , choisir le meilleur de ces trois estimateurs. En deduite
une estimation de 2 .
iii. A partir de lensemble des 16 observations, donner un intervalle de
confiance de 2 .
iv. Montrer que lon peut accepter lhypoth`ese A > B
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
251
VARIANCES
v. Donner un estimateur de A B . Calculer son esperance et sa variance ; quen conclure ? En deduire une estimation de A B
vi. Determiner un intervalle de confiance de A B
(b) En labsence de toute hypoth`ese sur le type de loi suivi par X et par Y , peuton cependant affirmer que le rendement de la variete de ble a tendance a` e tre
plus e leve dans la region A que dans la region B ?
(a) On consid`ere un ensemble (X1 , X2 , . . . , Xn ), de n variables independantes
et de meme loi N (, 2 ). Soient les variables :
7.
X=
1X
1 X
1X
2
2
Xi , SX
=
(Xi X)2 , Sc
(Xi X)2
X =
n i=1
n i=1
n 1 i=1
` partir des resultats connus sur les lois du 2 , calculer lesperance et la vaA
2
2
2
riance des variables SX
et Sc
es des variables SX
X . Quelles sont les qualit
2
et Sc
erees comme des estimateurs du param`etre 2 ? Quel est le
X consid
meilleur estimateur de 2 ?
(b) On consid`ere un deuxi`eme ensemble {Y1 , Y2 , . . . , Yp } independant du precedent,
de variables aleatoires independantes et de meme loi N (2 , 2 ). Soient les
variables :
p
p
c2
c2
1X
1X
2
c2 = (n 1)SX + (p 1)SY
Yi , S Y =
(Yi Y )2 , S
Y =
n+p2
p i=1
p i=1
fS :
t 7 0
, si t 0
t 7 bebt , si t > 0
252
Exercices
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
253
VARIANCES
8 Solutions
1. On consid`ere un 7-echantillon (Y1 , Y2 , Y3 , Y4 , Y5 , Y6 , Y7 ) o`u les variables Yi sont
independantes et de loi N (, 2 ).
(
P
Y = 17 7i=1 Yi
2
P
On pose :
S2 = 16 7i=1 Yi Y
y = 1.18
On a observe :
s2 = 3.333.104 = 20
.104
6
On veut tester lhypoth`ese H0 : 2 = 25.104 contre lhypoth`ese H1 : 2 <
25.104
6S2
Soit la variable Z = 25.10
4 .
Sous H0 , Z suit une loi du chi-deux a` 6 degres de liberte.
Sous H1 , Z aura tendance a` prendre des valeurs plus faibles que sous H0 ; on
construit donc un test unilateral avec un domaine de rejet a` gauche.
4
On a observe la valeur z = 20.10
= 0.8 < 1.635
25.104
Au niveau 5%, on rejette donc H0 . La nouvelle methode est plus precise que lancienne.
Soit la variable T = Y
, dont on a observe la valeur t = 1.18
. Cette variable
20
4
2
S /7
42
10
10
bar-hen.net
254
Solutions
On choisit la variable
X
X
=q
U=p
2
S /8
S2 /9
Cette variable suit une loi de Student a` 8 degres de liberte. Pour un coefficient de
securite de 95%, on peut parier que la valeur observee u0 verifie les inegalites :
2.306 < u0 < 2.306
54.1
< 2.306
2.306 < p
175.08/72
Do`u lintervalle de confiance :
50.5 < < 57.7
3. On consid`ere un 9-echantillon (X1 , X2 , X3 , X4 , X5 , X6 , X7 , X8 , X9 ) o`u Xi represente
le resultat possible du ie` me dosage. Les variables Xi sont independantes et de meme
loi N (, 2 ).
P
On pose : X = 19 9i=1 Xi . On a observe x0 = 1.18 mg/litre.
P
On pose S 2 == 91 9i=1 (Xi X)2 . On a observe s20 = 4 104 (mg/litre.)2 .
X
Soit Z = q
. Cette variable suit une loi de Student a` 8 degres de liberte.
2
s/
8
36 104
< 15.507
2
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
255
VARIANCES
x 103.222
On a observe :
s2 112.944
X
s2X 100.395
(
P
Y = 18 8i=1 Yi
2
P
On pose :
S2 = 17 8i=1 Yi Y
y 119.750
On a observe :
s2 260.786
Y2
sY 228.188
On veut tester H0 : A2 = B2 contre H1 : A2 6= B2
On choisit la variable Z =
Sous H0 , Z =
Sous H1 , Z =
2
A
2
B
2
B
2
A
s2Y
s2
s2Y
s2
2
B
sX
prendre des valeurs plus fortes ou plus faibles que sous H0 selon que A2 < B2
ou A2 > B2 . Do`u un test bilateral. A un niveau 5%, le domaine dacceptation
de H0 est : ]1/4.8994 ; 5.5286[
On a observe z0 2.309 do`u lacceptation de H0
On prend comme estimateur de la variable la variable aleatoire :
8S2 + 7SY2
S2 = X
15
ce qui conduit a` lestimation
2 =
8112.944+7260.786
15
181.937
2
8S2
7S2
On peut e crire 15S2 = 2X + 2Y
8S2
7S2
15S2
2
Or 2X 28 et 2Y
.
Ces
deux
variables
e
tant
ind
e
pendantes,
7
2
15S2
15
2
2
2
On en deduit E 2 = 15 2 E S = 15 E S =
215 .
On a de meme V 2 = 30 4 V S = 30 V S2 = 2
15
Puisque le biais de S2 est nul, la variance est e gale a` lecart quadratique moyen
de S2 relativement a` 2 . Si on estime que cette grandeur est trop e levee, on peut
la diminuer en jouant sur la taille des e chantillons. S2 fait partie dune suite
consistante destimateurs.
2
Puisque la variable 15S2 suit une loi du khi-deux a` 15 degres de liberte, on peut
parier que la valeur observee de cette variable verifie la double inegalite, pour
un niveau de confiance de 95% :
6.262 <
15 181.937
< 27.488
2
bar-hen.net
256
Solutions
V =q
S2 (1/8 + 1/9)
5.
6.
s2X
s2
Y
2
B
2
A
s2X
,
s2
Sous H0 , U =
sY
tendance a` prendre des valeurs plus fortes ou plus faibles que sous H0
selon que A2 > B2 ou A2 < B2 . Do`u un test bilateral. A un niveau
5%, le domaine dacceptation de H0 est : ]1/4.6517 ; 5.5596[
On a observe s2 = 20.785, s2 = 13.140 u 1.582 do`u lacceptaX
tion de H0
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
257
VARIANCES
2 +6S2
8SX
Y
14
On sait
) = 12 et donc V(SY2 ) =
les trois estimateurs sont des estimateurs sans biais de 2 . Dans ces
conditions leur e cart quadratique moyen est e gale a` leur variance (EQM=V()+(biais)2 ).
Le meilleur estimateur de 2 est celui de plus faible e cart quadratique
8S2 +6S2
moyen et cest donc S2 . On en deduit 2 = X Y 17.5086
14
V =q
S2 (1/7 + 1/9)
bar-hen.net
Y X (A B )
q
S2 (1/9 + 1/7)
258
Solutions
2
nSX
2
2
(n1)Sc
X
2
E
2
nSX
2
n1 2
2
2
SX
est un estimateur biaise de 2 , de biais n .
!
2
(n 1)Sc
2
X
2
E
= n 1 E(Sc
X) =
2
2
SX
est un estimateur sans biais de 2
2
nSX
2(n 1) 4
2
V
= 2(n 1) V(SX
)=
n2
!
4
2
(n 1)Sc
X
c2 ) = 2
=
2(n
1)
V(
S
X
2
n1
V
et donc :
E
2
(SX
2 2
=
2(n 1)
1
+ 2
2
n
n
2 2
2
2
4 , E (Sc
)
= V(Sc
X
X) =
2 4
(n 1)
2
En utilisant la relation 8.5 on deduit que Sc
X , estimateur sans biais et dont la
variance tend vers zero lorsque n tend vers linfini est un estimateur consistant de 2 . En effet, la relation 8.5 secrit :
4
2
2
2
> 0 , 1
P(|Sc
X | < ) 1
n 1 2
bar-hen.net
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
259
VARIANCES
2
2
Il est clair que > 0, P(|Sc
X | < ) 1 quand n +.
2
En ce qui concerne SX
, on a :
2(n 1) 4
2
P(|SX
2 | < ) 1
> 0 , 1
2
2
n
2
Il est e galement clair que SX
est un estimateur consistant de 2 , bien que
2
biaise : > 0, P(|SX
2 | < ) 1 quand n +.
Le meilleur estimateur est celui qui a le plus faible e cart quadratique moyen
relativement a` 2 . Contrairement a` ce que lon pourrait penser, dans les
2
mod`eles gaussiens, il sagit de SX
. On a, en effet :
2(n 1) 4
2
2
2 2
2
<
4
E (SX
2 )2 < E (Sc
X
n2
n1
2n2 3n + 1 < 2n2
1 3n < 0
(b) Pour n 2 et p 2 :
2
(n1 )E(SX
) + (p 1)E(SY2 )
n+p2
2
(n1 ) + (p 1) 2
=
n+p2
2
=
c2 ) =
E(S
2
c2
` cause de lindependance des variables Sc
A
X et SY , on a :
(n1 )2
(p 1)2
2
V(S
)
+
V(SY2 )
X
(n + p 2)2
(n + p 2)2
(n1 )2
2 4
(p 1)2 2 4
=
+
(n + p 2)2 n 1 (n + p 2)2 p 1
2 4
=
n+p2
c2 ) =
V(S
bar-hen.net
260
Solutions
c2 2 )2 E S 2 2 )2
E S
X
2 4
2n 1 4
n+p2
n2
2n 1
2
p + (n 2)
n2
2n2 p(2n 1) + (2n 1)(n 2)
2n2 2n2 5n + 2 + p(2n 1)
n(2p 5) p 2
(9.2)
9. L ES MOD E` LES GAUSSIENS ET LEUR UTILISATION A` L ETUDE
DES MOYENNES ET DES
261
VARIANCES
p a (R1 + R2 + + Rn )
Zn 2p
=
n b (S1 + S2 + + Sp )
2n Wp
o`u Z12
suit une loi 224 . Puisque, sous H1 , a3 < 1, on peut affirmer que la loi
de Z12 est deplacee vers la gauche par rapport a` la loi du 224 .
On construit donc un test unilateral avec domaine de rejet de H0 a` gauche.
Au niveau = 5%, le domaine dacceptation de H0 est ]13.848 ; +[
On a observe la valeur z12 = 6(0.100+1.197+0.152+ +0.278+0.008) =
25.41. Au niveau 5% lhypoth`ese H0 : a = 3 est acceptable.
Deuxi`eme test On dispose dun 12-echantillon (R1 , R2 , . . . , R12 ) et dun 10-echantillon
(S1 , S2 , . . . , S10 ) independant du precedent.
On veut tester H0 : a = b contre H1 : a 6= b. Pour cela, on choisit la variable
(R1 +R2 ++R12 )
U (12, 10) = 10
12 (S1 +S2 ++S10 )
Sous H0 : 1 = ab et U (12, 10) suit une loi F(24, 20).
Sous H1 , U (12, 10) ne suit plus la meme loi, mais on peut e crire :
Z12 =
b 10 a (R1 + R2 + + R12 )
b
= U (12, 10)
a 12 b (S1 + S2 + + S10 )
a
262
Solutions
Estimation Pour determiner un intervalle de confiance de b, on passe par lintermediaire de la variable W20 = 2b(S1 + S2 + + S10 ) qui suit une loi du
khi-deux a` 20 degres de liberte.
Pour un coefficient de securite de 95%, on peut parier que la valeur observee
w20 de W20 verifie les inegalites : 9.591 < w20 < 34.170
or w20 = 2b(1.450) 9.591 < 2.90b < 34.170
Do`u lintervalle de confiance : 3.307 < b < 11.1783
Estimation ponctuelle de b
On sait quun bon estimateur du param`etre E(S) est la variable S = p1 (S1 +
S2 + + Sp ) ; cest un estimateur consistant puisque :
il est sans biais : E(S)=E(S)
sa variance V(S)=V(S)/p tend vers zero si p tend vers +
On en deduit une estimation de E(S)
= 1 (1.450) = 0.145
E(S)
10
on sait dautre part que E(S)=1/b. On peut donc en deduire lestimation :
b =
1
= 6.896 6.9
E(S)
bar-hen.net
Chapitre 10
Le test chi-deux
1
Introduction
` la difference des mod`eles
Le test du 2 est frequemment utilise par les biologistes. A
gaussiens, par exemple, ce test ne sappuie pas sur un mod`ele probabiliste rigoureux,
mais sur une loi asymptotique ; il est donc delicat a` utiliser et il est parfois preferable de
le remplacer, lorsque cest possible, par un test non parametrique plus adapte.
On expliquera dabord les principes du test sur une loi multinomiale, puis, dans ses applications les plus courantes, la methode non parametrique qui en decoule.
2
2.1
264
np1 (1p1 )
On a :
Z =
=
=
=
=
Etant
donne la relation Z = Y 2 et e tant donne le comportement asymptotique de Y , il
est clair que Z admet pour loi asymptotique une loi de 21 , sous H0 .
Dautre part, pour un niveau , on peut e crire :
1 = P(y /2 < Y < y /2 ) = P(0 Y 2 < y 2/ ) = P(0 Z < z ) avec z = y 2/
2
Il revient donc au meme deffectuer un test bilateral sur Y que deffectuer un test unilateral sur Z avec domaine de rejet a` droite.
On dispose donc dune deuxi`eme methode pour tester H0 contre H1 . La variable Z, qui
peut e tre assimilee sous les conditions precedentes a` une variable 21 (n 100, np1 et
np2 5 a` 10), rend compte globalement des e carts entre les effectifs de classe et leur
esperance (souvent appelees effectifs theoriques). Une valeur nulle de Z signifie laccord parfait avec H0 ; une valeur e levee de Z conduit au rejet de H0 , la borne superieure
z de lintervalle dacceptation (3.841 = (1.96)2 au niveau 5% ; 6.635 = (2.576)2 au
niveau 1%) e tant lue dans les tables des lois de 2 .
2.2
Distribution a` r classes
Plus generalement, soit une experience aleatoire E susceptible dentraner la realisation
dun e venement E1 de probabilite P(E1 ) ou E2 avec la probabilite P(E2 ), . . ., ou Er
avec
Pr la probabilite P(Er ) ; les e venements E1 , E2 , . . . , Er formant un syst`eme complet
( i=1 P(Ei ) = 1, P(Ei Ej ) = 0 pour i 6= j)
Les resultats de n experiences identiques a` E et independantes sont donc repartis en
r classes. A un tel ensemble dexperiences, on associe les variables X1 , X2 , . . . , Xr
representant les effectifs de classe.
bar-hen.net
265
Le syst`eme (X1 , X2 , . . . , Xr ) obeit a` une loi multinomiale (voir exercice 3 du chapitre 6).
On veut tester lhypoth`ese H0 : P(E1 ) = p1 et P(E2 ) = p2 , . . ., et P(Er ) = pr contre
lhypoth`ese H1 : P(E1 ) 6= p1 ou P(E2 ) 6= p2 , . . ., ou P(Er ) 6= pr
On consid`ere la variable :
r
X
(Xi npi )2
Z=
npi
i=1
On montre que, sous H0 , cette variable admet comme loi asymptotique une loi de 2r1 .
Pratiquement, on utilise ce mod`ele pour n 100, a` conditions que les effectifs theoriques
npi aient tous une valeur minimum de lordre de 5 a` 10.
Il est clair que sous H1 les valeurs e levees de Z sont plus probables que sous H0 . On
construit donc un test unilateral avec domaine de rejet a` droite.
On remarquera que la notion de degres de liberte est assez comprehensible. En fait il ny
a, parmi les variables X1 , X2 , . . . , Xr , que r 1 variables independantes. En effet les
variables sont liees par la relation : X1 + X2 + + Xr = n, d`es que le hasard a attribue
une valeur numerique a` r 1 variables, la valeur de la derni`ere est imposee.
Exemple 10.1 Partant de races pures, un selectionneur a croise des mufliers ivoires
avec des mufliers rouges. Il a obtenu en F1 des mufliers pales puis en F2, apr`es autofecondation des plantes de la generation F1 : 22 mufliers rouges, 52 mufliers pales, 23
mufliers ivoires.
La couleur des fleurs est-elle geree par un couple dall`eles ?
Soient p1 , p2 , p3 les probabilites pour quune plante de la F2 ait respectivement des
fleurs rouges, pales ou ivoires. Soient X1 , X2 , X3 les variables representant le nombre
de plantes a` fleurs rouges, pales et ivoires que lon peut observer sur 97 plantes.
On est amene a` tester, apr`es un raisonnement genetique e lementaire, lhypoth`ese H0 :
p1 = 1/4, p2 = 1/2, p3 = 1/4 contre lhypoth`ese H1 : p1 6= 1/4, ou p2 6= 1/2, ou p3 6= 1/4.
Do`u le tableau :
Phenotypes
Probabilite
Effectif theorique
Effectif observe
Rouge
1/4
24.25
22
Pale
1/2
48.50
52
Ivoire Total
1/4
1
24.25
97
23
97
266
Test dajustement
3 Test dajustement
3.1 Principe
Soit une variable Y associee a` une experience E. On veut tester lhypoth`ese H0 : Y a
une certaine loi de probabilite contre lhypoth`ese H1 : Y a une loi differente. Un tel
test sappelle un test dajustement.
Le principe du test du 2 dajustement est le suivant :
On effectue une partition E1 , E2 , . . . , Er de lensemble des valeurs possibles de Y ,
ce qui revient a` constituer un ensemble de r classes auxquelles la loi supposee de Y
permet daffecter les probabilites p1 , p2 , . . . , pr .
Chaque fois que lon effectue une experience E, on peut dire dans quelle classe la
valeur observee de Y se trouve. Donc on peut associer a` un ensemble de n experiences
independantes, identiques a` E, les effectifs de classe X1 , X2 , . . . , Xr et effectuer un
test 2 comme precedemment.
Il doit e tre cependant clair quen realite on teste ainsi, non pas H0 , mais lensemble
(p1 , p2 , . . . , pr ) des probabilites affectees aux classes. Ce nest que dans le cas dune
variable discr`ete, si chaque valeur observable constitue reellement une classe, quon teste
veritablement la loi de Y . Dans le cas dune variable continue, en particulier, pour que
le test garde une certaine signification, il faut un nombre de classes suffisant ; il serait
tout a` fait ridicule de vouloir tester une loi normale en constituant deux classes de part et
dautre de lesperance, chacune de probabilite 1/2.
Bien entendu les conditions dapplication du test 2 doivent e tre toujours respectees.
On sera souvent amene, par exemple a` regrouper des classes deffectifs theoriques trop
faibles.
Exemple 10.2 On admet que la coloration de liris, chez lhomme, est determinee par
un couple dall`eles. La diversite des g`enes complique letude de la transmission de ce
caract`ere ; on sait cependant que la coloration bleue est recessive.
Le p`ere de Monsieur Dupont et le p`ere de Madame Dupont ont les yeux bleus. Monsieur et
Madame Dupont nont pas les yeux bleus ; e tant heterozygotes, sils attendent un enfant,
la probabilite pour quil ait les yeux bleus est 1/4. Sur cinq enfants, le nombre denfants
aux yeux bleus quils peuvent avoir obeit a` une loi binomiale B(5, 1/4)
On a classe selon le nombre denfants aux yeux bleus quelles contiennent 1024 familles
de 5 enfants et dont les parents ont le meme genotype que Monsieur et Madame Dupont.
Soit Y le nombre denfants aux yeux bleus dune telle famille.
On se propose de tester H0 : Y B(5, 1/4) contre H1 : Y 6 B(5, 1/4).
Nombre denfants aux yeux
bleus
Probabilite (sous H0 )
Effectif theorique
Nombre observe de familles
Total
243
1024
405
1024
270
1024
90
1024
15
1024
1
1024
243
405
270
90
15
| {z 1}
1
1024
252
410
265
87
10
| {z 0}
16
1024
10
bar-hen.net
267
4, ou plus
Total
0.3679
0.1839
0.0613
0.0190
36.79
18.39
6.13
| {z 1.90}
100
40
17
6|{z}2
100
8.03
35
3.2
Estimation de param`etres
Les lois que lon veut tester, dans un test 2 dajustement, dependent en general dun ou
plusieurs param`etres. La loi B(n, p) depend de p (en general n est connu), la loi P()
depend de , la loi N (, 2 ) depend de et de 2 .
bar-hen.net
268
Test dajustement
Il peut arriver que lon desire tester un type de loi en ignorant la valeur exacte de chacun
des param`etres qui determinent compl`etement la loi. On peut alors proceder a` lestimation ponctuelle de ces param`etres, par lintermediaire destimateurs, a` partir des donnees
experimentales sur lesquelles on desire effectuer le test.
On sait que, les effectifs de classe e tant toujours lies par la relation X1 + X2 + + Xr =
n, on perd toujours un degre de liberte. On admettre que toute estimation dun param`etre
introduit une liaison nouvelle entre les effectifs de classe ce qui se traduit par la perte
supplementaire dun degre de liberte. Do`u la r`egle :
Dans un test 2 dajustement, le nombre de degres de liberte est :
=r1p
o`u r est le nombre de classes et o`u p est le nombre de param`etres estimes a`
partir des observations.
Bien entendu, si les param`etres sont estimes a` partir dune deuxi`eme serie dobservations,
independante de celle sur laquelle on effectue le test, on est ramene au test dune loi a
priori (p = 0)
Exemple 10.4 A` partir des observations precedentes (exemple 10.3), peut-on admettre
que le nombre quotidien daccidents de voiture obeit a` une loi de Poisson ?
Le test precedent devient alors : H0 : Y P() contre H1 : Y 6 P().
On estime , esperance de Y , a` partir de Y , moyenne de 100 observations. Do`u lesti1
(35.0 + 40.1 + 17.2 + 6.3 + 2.4) = 1.
mation : = y0 = 100
Il se trouve, par hasard, que lestimation est e gale a` lesperance choisie a priori dans
lexemple 10.3. On aboutira donc au meme resultat numerique pour la valeur observee
de Z : z0 0.47.
Mais Z est cette fois une variable 22 . Comme 0.47 < 5.991, on ne rejette pas lhypoth`ese
dun mod`ele poissonnien pour le nombre quotidien daccidents.
Exemple 10.5 Soit Y le nombre dimpulsions enregistre par un detecteur dans la mesure
de lintensite dun faisceau de rayons X. On sait que Y est une variable de Poisson dont
lesperance caracterise lintensite du faisceau. Si a une valeur assez e levee, on peut
e crire Y N (, ).
On se propose de tester lhypoth`ese H0 : Y N (, ) contre H1 : Y 6 N (, ), a`
partir de 300 comptages dune minute, effectues dans des conditions identiques. Ce test
presente un interet certain car le mod`ele probabiliste peut e tre perturbe par differents
phenom`enes tels que la stabilite du generateur.
Les 300 comptages ont une moyenne arithmetique de 10000 coups/mn. Ils ont e te repartis
en classes damplitude de 50 coups/mn..
bar-hen.net
269
Nombre de coups y
y < 9775
9775 y < 9825
9825 y < 9875
9875 y < 9925
9925 y < 9975
9975 y < 10025
10025 y < 10075
10075 y < 10125
10125 y < 10175
10175 y < 10225
10225 y
Total
Effectifs
theoriques
3.7
12
8.3
19.7
36.3
52.4
59.2
52.4
36.3
19.7
8.3
12
3.7
300
1
P(9975 Y < 10025) = P(0.25 Y 0 < 0.25) = 2 (0.25) 0.1974
2
1
1
P(10025 Y < 10075)=P(0.25 Y 0 < 0.75)
=
(0.75) (0.25) 0.1747
0
P(9925 Y < 9975) =P(0.75 Y < 0.25)
2
2
0
1
1
P(10075 Y < 10125)=P(0.75 Y < 1.25)
=
(1.25) (0.75) 0.1210
0
P(9875 Y < 9925) =P(1.25 Y < 0.75)
2
2
1
1
P(10125 Y < 10175)=P(1.25 Y 0 < 1.75)
=
(1.75) (1.25) 0.0655
0
P(9825 Y < 9875) =P(1.75 Y < 1.25)
2
2
0
1
1
P(10175 Y < 10225)=P(1.75 Y < 2.25)
=
(2.25) (1.75) 0.0278
0
P(9775 Y < 9825) =P(2.25 Y < 1.75)
2
2
0
1 1
P(Y 10225)=P(Y 2.25)
=
(2.25) 0.0123
0
P(Y < 9775) =P(Y < 2.25)
2 2
270
Tests dhomogeneite
Sous H1 les valeurs deviees de Z seront plus probables que sous H0 . Do`u le domaine
dacceptation de H0 , au niveau 5% : [0; 14.067].
On a observe la valeur de Z :
z0 =
4.72
8.72
1.62
5.82
4.42
2.32
4.32
52
42
+
+
+
+
+
+
+
+
8.69
12 19.7 36.3 52.4 59.2 52.4 36.3 19.7 12
4 Tests dhomogeneite
4.1
Principe
Le test 2 est e galement utilise pour la comparaison de plusieurs e chantillons. Le principe
du test va e tre expose dans un exemple a` deux e chantillons. On le generalise sans peine
pour plusieurs e chantillons.
Exemple 10.6 On a e tudie sur deux e chantillons provenant de deux populations differentes
la repartition des quatre groupes sanguins : O, A, B, AB. Les resultats obtenus sont reportes dans un tableau dit tableau de contingence, a` deux lignes et quatre colonnes :
Groupe
O
A
B AB
1er e chantillon
121 120 79 33
2e` me e chantillon 118 95 121 30
Total
239 215 200 63
Total
353
364
717
On veut tester lhypoth`ese H0 : les quatre groupes sanguins sont repartis de la meme
mani`ere sur les deux populations contre lhypoth`ese H1 : les repartitions sont differentes.
Sous H0 , la probabilite, pour un individu preleve au hasard, detre dun groupe donne
est la meme dans les deux populations. On ne connat pas cette probabilite, sinon le
probl`eme serait resolu ; on peut cependant lestimer et, toujours sous H0 , la meilleure
estimation que lon puisse en donner est la proportion des individus de ce groupe observee sur lensemble des deux e chantillons. Cest ainsi que lon obtient les estimations :
bar-hen.net
271
Groupe
1er e chantillon
O
121
(117.7)
2e` me e chantillon
118
(121.3)
Total
239
A
120
(105.9)
95
(109.1)
215
B
79
(98.5)
121
(101.5)
200
AB
33
(31.0)
30
(32.0)
63
Total
353
364
717
Les effectifs theoriques sont entre parenth`eses. On a, par exemple, 117.7 = 0.333 353.
Soient maintenant les variables X1 , X2 , X3 , X4 representant les effectifs de classe du premier e chantillon et Y1 , Y2 , Y3 , Y4 representant les effectifs de classe du deuxi`eme e chantillon.
On pose :
Z =
Les conditions dapplication du test 2 e tant satisfaites pour chaque e chantillon, sous H0
la variable Z peut e tre consideree comme la somme de deux variables 2 . Lindependance
des deux series dobservations permet de considerer la variable Z comme une variable
2 (propriete dadditivite des 2 ). On est tente de dire quil sagit dune variable 2 a`
2(4 1) = 6 degres de liberte ; cependant lestimation, a` partir des observations, des
trois param`etres qui determinent compl`etement le mod`ele probabiliste baisse le nombre
de degres de liberte a` 6 3 = 3. Do`u Z 23 .
Les valeurs e levees de Z e tant plus probables sous H1 que sous H0 on construit, comme
dans les exemples precedents un test unilateral avec domaine de rejet a` droite ; cest-`adire, au niveau 5%, lintervalle [7.815; +[.
On a observe la valeur de Z :
z0 =
3.32
14.12 19.52
22
3.32
14.12
19.52
22
+
+
+
+
+
+
+
11.74
117.7 105.9
98.5
31.0 121.3 109.1 101.5 32.0
On peut donc conclure au rejet de H0 : les quatre groupes sanguins sont repartis differemment
sur les deux populations do`u proviennent les e chantillons. La valeur observee est meme
assez significative puisque, meme au niveau 1%, on rejetterait H0 .
4.2
Generalisation
On generalise tr`es facilement au cas de m e chantillons repartis en r classes. On est alors
oblige destimer r 1 param`etres.
Do`u le nombre de degres de liberte = m (r 1) (r 1) = (m 1)(r 1).
Les donnees e tant representees dans un tableau a` m lignes et r colonnes, on peut retenir
que le nombre de degres de liberte dans un test 2 dhomogeneite est e gal au nombre de
lignes moins un multiplie par le nombre de colonnes moins un.
Il est bon de resumer les conditions dutilisation dun test chi-deux dhomogeneite :
les classes doivent constituer un syst`eme complet devenements ;
bar-hen.net
272
Tests dhomogeneite
les observation doivent e tre independantes dans chaque serie dobservations et les
series independantes entre elles ; chaque serie dexperiences doit comporter un grand
nombre dobservations ;
les effectifs theoriques doivent avoir des valeurs suffisamment e levees.
4.3
Premier e chantillon
Deuxi`eme e chantillon
guerison
1712
observes
Effectifs
theoriques (1644.64)
observes 757
Effectifs
theoriques (824.36)
2469
non guerison
303
2015
(370.36)
253
(185.64)
556
1010
3025
bar-hen.net
273
En conservant les memes notations que plus haut, si X1 designe le nombre de guerisons
susceptibles detre obtenues sur 2015 individus traites par A, on a : X1 B(2015, p1 ). Si
Y1 designe le nombre de guerisons susceptibles detre obtenus sur 1010 individus traites
par B, on a : Y1 B(1010, p2 ).
Il est clair que lon peut e crire, dans cet exemple :
p1 (1 p1 )
Y1
p2 (1 p2 )
X1
N p1 ,
et
N p2 ,
2015
2015
1010
1010
a` cause de la convergence de la loi binomiale vers la loi normale, et, a` cause de lindependance
des deux series dobservations :
X1
Y1
p1 (1 p1 ) p2 (1 p2 )
N p1 p2 ,
+
2015 1010
2015
1010
Donc, sous H0 : p1 = p2 = p :
Y1
X1
N
2015 1010
0, p(1 p)
1
1
+
2015 1010
Pour pouvoir utiliser le mod`ele, il faut connatre la variance de cette loi normale. On
proc`ede alors a` lestimation de param`etre p. La meilleure estimation en est, sous H0 ,
2469
bien sur : 3025
0.8162. On en deduit, sous H0 :
X1
Y1
2015 1010
2.23 102
Sous H0 , on peut donc assimiler cette variable a` une variable N (0, 1). Sous H10 , les valeurs e levees de U sont plus probables que sous H0 . On construit donc un test unilateral
avec domaine de rejet a` droite, soit [1.645; +[ au niveau 5%.
On a observe la valeur de U :
1712
757
u0 = 66.96
6.704
2015 1010
Le traitement A est donc meilleur que le traitement B. On remarque que ce resultat est
tr`es significatif puisque meme a` un niveau 103 on rejetterait H0 .
Si on compare les deux methodes, on peut dabord verifier, relativement aisement que
Z = U 2 (en particulier : 44.95 = 6.7042 aux erreurs darrondi pr`es), les conditions
dutilisation e tant par ailleurs les memes.
Il sagit donc fondamentalement du meme mod`ele probabiliste mais, dans le deuxi`eme
cas, on utilise une variable N (0, 1) et, dans le premier cas, son carre qui est une variable
21 . La deuxi`eme methode permet les tests unilateraux.
On a pu remarquer,
p dans la deuxi`eme methode, que lestimation du param`etre p ne joue
en fait que sur p(1 p). Il est e vident que lerreur introduite e ventuellement par cette
estimation ne doit pas jouer e normement puisque :
bar-hen.net
274
Tests dhomogeneite
On sait que lestimation dune probabilite sur un grand e chantillon est assez precise ;
une sous-estimation de p est compensee, dans une certaine mesure, par une sur-estimation
de 1 p.
bar-hen.net
275
5 Exercices
1. Soit une variable aleatoire discr`ete associee a` une experience donnee. 640 experience
de ce type, identiques et independantes, ont donne les resultats suivants :
valeur de la variable
Nombre dobservations
0
9
1
48
2
3
159 220
4
138
5
54
6
12
0
1
120 87
2
115
3
103
4
91
5
109
6
92
7
112
8
94
9
77
bar-hen.net
276
Exercices
B
66
136
202
C
177
165
342
D
334
171
505
Total
602
602
1204
bar-hen.net
277
6 Solutions
1
1. On veut tester lhypoth`ese H0 : la variable U suit une
loi
B
6,
contre lhy2
poth`ese H1 : la variable U ne suit pas une loi B 6, 12 . Il sagit dun test dajustement.
Sous H0 , on peut e crire :
6
1
1
p1 = P(U = 0) =
=
= P(U = 6) = p7
2
64
6
1
6
1
p2 = P(U = 1) = C6
=
= P(U = 5) = p6
2
64
6
1
15
2
=
= P(U = 4) = p5
p3 = P(U = 2) = C6
2
64
6
1
20
3
p4 = P(U = 3) = C6
=
2
64
Do`u le tableau a` 7 classes :
k : valeur de la variable
0
Effectifs theoriques : 640P(U = k) 10
Effectifs observes
9
1
2
60 150
48 159
3
200
220
4
150
138
5 6
60 10
54 12
278
Solutions
1
(0 13 + 1 64 + 3 322 + + 7 9) = 3.5
1280
Do`u p = 1/2
7
1
Sous H0 , on peut alors considerer que P(W = 0)= 21 = 128
= P(W = 7) ; P(W =
7
7
7
21
1)=7 21 = 128
= P(W = 6) ; P(W = 2)=21 21 = 128
= P(W = 5) ; P(W =
7
1
35
3)=35 2 = 128 = P(W = 4)
Do`u le tableau a` huit classes :
Observations 13 64 222 322 369 219 62 9
Theorique
10 70 210 350 350 210 70 10
On consid`ere lensemble des variables (X0 , X1 , X3 , . . . , X6 , X7 ), o`u Xi represente
10)2
leffectif possible de la ie` me classe et on definit la variable : Z = (X010
+
(X1 70)2
(X2 210)2
(X3 350)2
(X4 350)2
(X5 210)2
(X6 70)2
(X7 10)2
+ 210 + 350 + 350 + 210 + 70 + 10
Sous
70
H0 , Z suit approximativement une loi du chi-deux (syst`eme complet devenements,
1280 experiences identiques et independantes, grand nombre dexperiences, tous
les effectifs superieurs a` 10) a` six degres de liberte (8-1-1 puisquun param`etre est
estime).
Sous H1 , les valeurs e levees de Z sont plus probables. On construit donc, au niveau 5% un test unilateral avec domaine de rejet a` droite. On a observe z = 6.77.
Puisque z < 12.592, z est dans le domaine dacceptation de H0 W suit une loi
binomiale.
4.
Recus
Colles
Total
A
104 (99.84) 71 (75.16) 175
B
78 (82.16) 66 (61.84) 144
Total
182
137
319
On designe par p1 la probabilite de reussite dun e tudiant en A et par p2 la probabilite de reussite dun e tudiant en B.
On veut tester H0 : p1 = p2 = p contre H1 : p1 6= p2
bar-hen.net
279
99.84)
Sous H0 et compte tenu du paragraphe precedent, la variable Z = (X199.84
+
2
2
2
(X2 75.16)
(Y1 82.16)
(Y2 61.84)
2
+ 82.16 + 61.84
suit une loi 4 . Sous H1 , Z aura tendance a`
75.16
prendre des valeurs plus e levees que sous H0 .
Do`u un test unilateral avec domaine de rejet a` droite : ]3.841; +[ au niveau 5%
On a observe z 0.894. On est amene a` accepter H0 : pas de difference significative entre les deux resultats.
5. On veut tester H0 : le tabac a une influence sur lapparition du cancer contre lhypoth`ese H1 : le tabac na pas dinfluence.
On va appliquer le test khi-deux de Pearson applique a` la comparaison de deux
e chantillons. On designe par :
T
pC
es pour quun individu choisi parmi les cancereux, ou
A et pA , les probabilit
parmi les accidentes, soit non fumeur.
T
pC
es pour quun individu choisi parmi les cancereux, ou
B et pB , les probabilit
parmi les accidentes, fume de 1 a` 9 cigarettes.
T
pC
es pour quun individu choisi parmi les cancereux, ou
C et pC , les probabilit
parmi les accidentes,fume de 10 a` 19 cigarettes.
T
pC
es pour quun individu choisi parmi les cancereux, ou
D et pD , les probabilit
parmi les accidentes, fume plus de 20 cigarettes.
155
T
Sous H0 pC
c
A = 1204 . Les deux
A = pA = pA que lon peut estimer par p
e chantillons e tant de meme taille, on en deduit les effectifs theoriques,
pour A, e gaux a` 602c
pA = 77.5.
202
T
pC
=
p
=
p
que
lon peut estimer par pc
u des effectifs
B
B = 1204 . Do`
B
B
theoriques, pour B, e gaux a` 602c
pB = 101.
342
T
u des effectifs
pC
=
p
=
p
que
lon
peut
estimer
par pc
C
C = 1204 . Do`
C
C
theoriques, pour C, e gaux a` 602c
pB = 171.
505
C
T
pD = pD = pD que lon peut estimer par pc
u des effectifs
D = 1204 . Do`
theoriques, pour D, e gaux a` 602c
pB = 252.5.
Soient XA , XB , XC , XD et YA , YB , YC , YD les effectifs possibles pour les
quatre classes envisagees et les deux e chantillons.
2
77.5)
101)
171)
252.5)
Soit la variable : Z = (XA77.5
+ (XB101
+ (XC171
+ (XD252.5
+
(YA 77.5)2
(YB 101)2
(YC 171)2
(YD 252.5)2
+
+
+
On a un syst`eme complet
77.5
101
171
252.5
bar-hen.net
280
Solutions
bar-hen.net
Chapitre 11
Tables de valeurs numeriques
n!
6
24
120
720
5040
40320
362880
3628800
39916800
479001600
6227020800
87178291200
1307674368000
20922789888000
355687428096000
6402373705728000
121645100408832000
2432902008176640000
281
282
n
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
0
0
0
0
1
1
1
2
2
2
3
3
3
4
4
4
5
5
6
6
6
7
7
7
8
8
9
9
9
10
10
11
11
11
12
12
13
13
0
0
0
1
1
1
2
2
2
3
3
4
4
4
5
5
5
6
6
7
7
7
8
8
9
9
9
10
10
11
11
12
12
12
13
13
14
14
15
15
0
0
0
1
1
1
2
2
3
3
3
4
4
5
5
5
6
6
7
7
7
8
8
9
9
10
10
10
11
11
12
12
13
13
13
14
14
15
15
16
16
0
0
0
1
1
1
2
2
3
3
3
4
4
5
5
6
6
6
7
7
8
8
9
9
10
10
10
11
11
12
12
13
13
14
14
14
15
15
16
16
17
17
18
0.01
n
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
0.005
13
14
14
15
15
15
16
16
17
17
17
18
18
19
19
20
20
20
21
21
22
22
22
23
23
24
24
25
25
25
26
26
27
27
28
28
28
29
29
30
30
31
31
31
32
(test bilateral)
0.05 0.10
(test unilateral)
0.025 0.05
15
16
16
17
16
17
17
18
17
18
18
19
18
19
18
20
19
20
19
20
20
21
20
21
21
22
21
22
21
23
22
23
22
24
23
24
23
24
24
25
24
25
25
26
25
26
25
27
26
27
26
28
27
28
27
28
28
29
28
29
28
30
29
30
29
31
30
31
30
32
31
32
31
33
32
33
32
33
32
34
33
34
33
35
34
35
34
36
35
36
0.25
0.125
18
19
19
19
20
20
21
21
22
22
23
23
24
24
25
25
25
26
26
27
27
28
28
29
29
30
30
31
31
32
32
32
33
33
34
34
35
35
36
36
37
37
38
38
39
Pour de plus grandes valeurs de n, utiliser lapproximation par une loi normale.
bar-hen.net
283
0
1
2
0
0.6
6.8
60.2 80.6 93.2
0
0.5
5.3
52.2 71.6 85.3
0
0.4
4.3
45.9 64.1 77.7
0
0.4 3.7
41.0 57.9 71
0
0.3 3.2
36.9 52.7 65.2
0
0.3 2.8
33.6 48.3 60
0
0.3 2.5
30.8 44.5 55.6
bar-hen.net
3
4
5
19.4 39.8
99.4 100
14.7 28.4 47.8
94.7 99.5 100
11.8 22.3 35.9
88.2 95.7 99.6
9.9 18.4 29
81.6 90.1 96.3
8.5 15.7 24.5
75.5 84.3 91.5
7.5 13.7 21.2
70.1 78.8 86.3
6.7 12.2 18.7
65.2 73.8 81.3
54.1
100
42.1
99.6
34.8
96.8
29.9
92.5
26.2
81.8
59
100
47.3
99.7
40.0
97.2
34.8
93.3
63.1
100
51.7
99.7
44.4
97.5
10
66.4
100
55.5 69.2
99.7 100
284
k
0
1
2
3
4
5
6
0.1
0.2
0.3
0.4
0.5
0.6
0.9048 0.8181 0.7408 0.6703 0.6065 0.5488
0.0905 0.1637 0.2222 0.2681 0.3033 0.3293
0.0045 0.0164 0.0333 0.0536 0.0758 0.0988
0.0002 0.0011 0.0033 0.0072 0.0126 0.0198
0.0001 0.0003 0.0007 0.0016 0.0030
0.0001 0.0002 0.0004
0.7
0.4966
0.3476
0.1217
0.0284
0.0050
0.0007
0.0001
0.8
0.4493
0.3595
0.1438
0.0383
0.0077
0.0012
0.0002
0.9
0.4066
0.3659
0.1647
0.0494
0.0111
0.0020
0.0003
bar-hen.net
1
0.3679
0.3679
0.1839
0.0613
0.0153
0.0031
0.0001
285
47.5
x0
0
10
20
30
40
50
60
70
80
90
1
0.025
5.572
4.8
5.5
18.4
19.7
12.2
13.0
30.9
32.1
20.2
21.0
42.8
44.0
28.6
29.5
54.4
55.5
37.1
38.0
65.9
67.0
45.8
46.6
77.2
78.4
54.6
55.5
88.4
89.5
63.4
64.3
99.6 100.7
72.4
73.3
110.6 111.7
bar-hen.net
2
0.24
7.22
6.2
21.0
13.8
33.3
21.8
45.2
30.3
56.7
38.8
68.2
47.5
79.5
56.3
90.7
65.2
101.8
74.2
112.8
3
4
5
6
7
8
9
0.62
1.09
1.62
2.20
2.81
3.45
4.12
8.76 10.24 11.67 13.06 14.42 16.76 17.08
6.9
7.6
8.3
9.0
9.8
10.6
11.4
22.3
23.6
24.9
26.1
27.3
28.5
29.7
14.6
15.4
16.2
17.0
17.8
18.6
19.4
34.5
35.7
36.9
38.1
39.3
40.5
41.7
22.7
23.5
24.4
25.2
26.1
26.9
27.8
46.3
47.5
48.6
49.8
50.9
52.1
53.3
31.2
32.0
32.9
33.7
34.6
35.4
36.3
57.8
59.0
60.1
61.3
62.5
63.6
64.7
39.7
40.5
41.4
42.3
43.1
44.0
44.9
69.3
70.5
71.6
72.7
73.9
75.0
76.1
48.4
49.3
50.2
51.0
51.9
52.8
53.7
80.6
81.8
82.9
84.0
85.1
86.2
87.3
57.2
58.1
59.0
59.9
60.8
61.7
62.6
91.8
92.9
94.0
95.1
96.2
97.3
98.4
66.1
67.0
67.9
68.8
69.7
70.8
71.5
102.9 104.0 105.1 106.2 107.3 108.4 109.5
75.1
76.0
76.9
77.8
78.7
79.6
80.5
113.9 115.0 116.1 117.2 118.3 119.4 120.5
286
y
0.3989
0.3984
0.3970
0.3945
0.3910
0.3867
0.3814
0.3752
0.3683
0.3605
0.3521
0.3429
0.3332
0.3230
1
2 (x)
0
0.0199
0.0398
0.0596
0.0793
0.0987
0.1179
0.1368
0.1554
0.1736
0.1915
0.2088
0.2257
0.2422
0.2500
x
0.7
0.75
0.8
0.85
0.9
0.95
1
1.05
1.1
1.15
1.2
1.25
1.3
1.35
1.4
y
0.3123
0.3011
0.2897
0.2780
0.2661
0.2541
0.2420
0.2299
0.2179
0.2059
0.1942
0.1826
0.1714
0.1604
0.1497
1
2 (x)
0.2580
0.2734
0.2881
0.3023
0.3159
0.3289
0.3413
0.3531
0.3643
0.3749
0.3849
0.3944
0.4032
0.4115
0.4192
x
1.45
1.5
1.55
1.6
1.65
1.7
1.75
1.8
1.85
1.9
1.95
2
2.1
2.2
2.3
y
0.1394
0.1295
0.1200
0.1109
0.1023
0.0940
0.0863
0.0790
0.0721
0.0656
0.0596
0.0540
0.0440
0.0355
0.0283
1
2 (x)
0.4265
0.4332
0.4394
0.4452
0.4505
0.4554
0.4599
0.4641
0.4678
0.4713
0.4744
0.4772
0.4821
0.4861
0.4893
x
2.4
2.5
2.6
2.7
2.8
2.9
3
3.2
3.4
3.6
3.8
4
4.5
y
0.0224
0.0175
0.0136
0.0104
0.0079
0.0060
0.0044
0.0024
0.0012
0.0006
0.0003
0.0001
bar-hen.net
1
2 (x)
0.4918
0.4938
0.4953
0.4965
0.4974
0.4981
0.49865
0.49931
0.49966
0.499841
0.499928
0.499928
0.499997
287
Exemple : F (1.35) = P(X < 1.35) = 0.9115 = 0.5 + 21 (1.35) (voir table 11.6)
u
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3.0
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
0
0.50000
0.53983
0.57926
0.61791
0.65542
0.69146
0.72575
0.75804
0.78814
0.81594
0.84134
0.86433
0.88493
0.90320
0.91924
0.93319
0.94520
0.95543
0.96407
0.97128
0.97725
0.98214
0.98610
0.98928
0.99180
0.99379
0.99534
0.99653
0.99744
0.99813
0.99865
0.99903
0.99931
0.99952
0.99966
0.99977
0.99984
0.99989
0.99993
0.99995
0.01
0.50399
0.54380
0.58317
0.62172
0.65910
0.69497
0.72907
0.76115
0.79103
0.81859
0.84375
0.86650
0.88686
0.90490
0.92073
0.93448
0.94630
0.95637
0.96485
0.97193
0.97778
0.98257
0.98645
0.98956
0.99202
0.99396
0.99547
0.99664
0.99752
0.99819
0.99869
0.99906
0.99934
0.99953
0.99968
0.99978
0.99985
0.99990
0.99993
0.99995
0.02
0.50798
0.54776
0.58706
0.62552
0.66276
0.69847
0.73237
0.76424
0.79389
0.82121
0.84614
0.86864
0.88877
0.90658
0.92220
0.93574
0.94738
0.95728
0.96562
0.97257
0.97831
0.98300
0.98679
0.98983
0.99224
0.99413
0.99560
0.99674
0.99760
0.99825
0.99874
0.99910
0.99936
0.99955
0.99969
0.99978
0.99985
0.99990
0.99993
0.99996
0.03
0.51197
0.55172
0.59095
0.62930
0.66640
0.70194
0.73565
0.76730
0.79673
0.82381
0.84849
0.87076
0.89065
0.90824
0.92364
0.93699
0.94845
0.95818
0.96638
0.97320
0.97882
0.98341
0.98713
0.99010
0.99245
0.99430
0.99573
0.99683
0.99767
0.99831
0.99878
0.99913
0.99938
0.99957
0.99970
0.99979
0.99986
0.99990
0.99994
0.99996
0.04
0.51595
0.55567
0.59483
0.63307
0.67003
0.70540
0.73891
0.77035
0.79955
0.82639
0.85083
0.87286
0.89251
0.90988
0.92507
0.93822
0.94950
0.95907
0.96712
0.97381
0.97932
0.98382
0.98745
0.99036
0.99266
0.99446
0.99585
0.99693
0.99774
0.99836
0.99882
0.99916
0.99940
0.99958
0.99971
0.99980
0.99986
0.99991
0.99994
0.99996
0.05
0.51994
0.55962
0.59871
0.63683
0.67364
0.70884
0.74215
0.77337
0.80234
0.82894
0.85314
0.87493
0.89435
0.91149
0.92647
0.93943
0.95053
0.95994
0.96784
0.97441
0.97982
0.98422
0.98778
0.99061
0.99286
0.99461
0.99598
0.99702
0.99781
0.99841
0.99886
0.99918
0.99942
0.99960
0.99972
0.99981
0.99987
0.99991
0.99994
0.99996
0.06
0.52392
0.56356
0.60257
0.64058
0.67724
0.71226
0.74537
0.77637
0.80511
0.83147
0.85543
0.87698
0.89617
0.91308
0.92785
0.94062
0.95154
0.96080
0.96856
0.97500
0.98030
0.98461
0.98809
0.99086
0.99305
0.99477
0.99609
0.99711
0.99788
0.99846
0.99889
0.99921
0.99944
0.99961
0.99973
0.99981
0.99987
0.99992
0.99994
0.99996
0.07
0.52790
0.56749
0.60642
0.64431
0.68082
0.71566
0.74857
0.77935
0.80785
0.83398
0.85769
0.87900
0.89796
0.91466
0.92922
0.94179
0.95254
0.96164
0.96926
0.97558
0.98077
0.98500
0.98840
0.99111
0.99324
0.99492
0.99621
0.99720
0.99795
0.99851
0.99893
0.99924
0.99946
0.99962
0.99974
0.99982
0.99988
0.99992
0.99995
0.99996
0.08
0.53188
0.57142
0.61026
0.64803
0.68439
0.71904
0.75175
0.78230
0.81057
0.83646
0.85993
0.88100
0.89973
0.91621
0.93056
0.94295
0.95352
0.96246
0.96995
0.97615
0.98124
0.98537
0.98870
0.99134
0.99343
0.99506
0.99632
0.99728
0.99801
0.99856
0.99896
0.99926
0.99948
0.99964
0.99975
0.99983
0.99988
0.99992
0.99995
0.99997
0.09
0.53586
0.57535
0.61409
0.65173
0.68793
0.72240
0.75490
0.78524
0.81327
0.83891
0.86214
0.88298
0.90147
0.91774
0.93189
0.94408
0.95449
0.96327
0.97062
0.97670
0.98169
0.98574
0.98899
0.99158
0.99361
0.99520
0.99643
0.99736
0.99807
0.99861
0.99900
0.99929
0.99950
0.99965
0.99976
0.99983
0.99989
0.99992
0.99995
0.99997
288
100
0.00
3.99
7.97
11.92
15.85
19.74
23.58
27.37
31.08
34.73
38.29
41.77
45.15
48.43
51.61
54.67
57.63
60.47
63.19
65.79
68.27
70.63
72.87
74.99
76.99
78.87
80.64
82.30
83.85
85.29
u
1.50
1.55
1.60
1.65
1.70
1.75
1.80
1.85
1.90
1.95
2.00
2.05
2.10
2.15
2.20
2.25
2.30
2.35
2.40
2.45
2.50
2.55
2.60
2.65
2.70
2.75
2.80
2.85
2.90
2.95
100
86.64
87.89
89.04
90.11
91.09
91.99
92.81
93.57
94.26
94.88
95.45
95.96
96.43
96.84
97.22
97.56
97.86
98.12
98.36
98.57
98.76
98.92
99.07
99.20
99.31
99.40
99.49
99.56
99.63
99.68
u
3.00
3.05
3.10
3.15
3.20
3.25
3.30
3.35
3.40
3.45
3.50
3.55
3.60
3.65
3.70
3.75
3.80
3.85
3.90
3.95
4.00
4.05
4.10
4.15
4.20
4.25
4.30
4.35
4.40
4.45
100
99.730
99.771
99.806
99.837
99.863
99.885
99.903
99.919
99.933
99.944
99.953
99.961
99.968
99.974
99.978
99.982
99.986
99.988
99.990
99.992
99.9937
99.9949
99.9959
99.9967
99.9973
99.9979
99.9983
99.9986
99.9989
99.9991
bar-hen.net
289
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100
200
0.55
0.1584
0.1421
0.1366
0.1338
0.1322
0.1311
0.1303
0.1297
0.1293
0.1289
0.1286
0.1283
0.1281
0.1280
0.1278
0.1277
0.1276
0.1274
0.1274
0.1273
0.1272
0.1271
0.1271
0.1270
0.1269
0.1269
0.1268
0.1268
0.1268
0.1267
0.1265
0.1263
0.1262
0.1261
0.1261
0.1260
0.1260
0.1258
bar-hen.net
0.6
0.3249
0.2887
0.2767
0.2707
0.2672
0.2648
0.2632
0.2619
0.2610
0.2602
0.2596
0.2590
0.2586
0.2582
0.2579
0.2576
0.2573
0.2571
0.2569
0.2567
0.2566
0.2564
0.2563
0.2562
0.2561
0.2560
0.2559
0.2558
0.2557
0.2556
0.2550
0.2547
0.2545
0.2543
0.2542
0.2541
0.2540
0.2537
0.65
0.5095
0.4447
0.4242
0.4142
0.4082
0.4043
0.4015
0.3995
0.3979
0.3966
0.3956
0.3947
0.3940
0.3933
0.3928
0.3923
0.3919
0.3915
0.3912
0.3909
0.3906
0.3904
0.3902
0.3900
0.3898
0.3896
0.3894
0.3893
0.3892
0.3890
0.3881
0.3875
0.3872
0.3869
0.3867
0.3866
0.3864
0.3859
0.7
0.7265
0.6172
0.5844
0.5686
0.5594
0.5534
0.5491
0.5459
0.5435
0.5415
0.5399
0.5386
0.5375
0.5366
0.5357
0.5350
0.5344
0.5338
0.5333
0.5329
0.5325
0.5321
0.5317
0.5314
0.5312
0.5309
0.5306
0.5304
0.5302
0.5300
0.5286
0.5278
0.5272
0.5268
0.5265
0.5263
0.5261
0.5252
0.75
1.0000
0.8165
0.7649
0.7407
0.7267
0.7176
0.7111
0.7064
0.7027
0.6998
0.6974
0.6955
0.6938
0.6924
0.6912
0.6901
0.6892
0.6884
0.6876
0.6870
0.6864
0.6858
0.6853
0.6848
0.6844
0.6840
0.6837
0.6834
0.6830
0.6828
0.6807
0.6794
0.6786
0.6780
0.6776
0.6772
0.6770
0.6757
0.8
1.3764
1.0607
0.9785
0.9410
0.9195
0.9057
0.8960
0.8889
0.8834
0.8791
0.8755
0.8726
0.8702
0.8681
0.8662
0.8647
0.8633
0.8620
0.8610
0.8600
0.8591
0.8583
0.8575
0.8569
0.8562
0.8557
0.8551
0.8546
0.8542
0.8538
0.8507
0.8489
0.8477
0.8468
0.8461
0.8456
0.8452
0.8434
0.85
1.9626
1.3862
1.2498
1.1896
1.1558
1.1342
1.1192
1.1081
1.0997
1.0931
1.0877
1.0832
1.0795
1.0763
1.0735
1.0711
1.0690
1.0672
1.0655
1.0640
1.0627
1.0614
1.0603
1.0593
1.0584
1.0575
1.0567
1.0560
1.0553
1.0547
1.0500
1.0473
1.0455
1.0442
1.0432
1.0424
1.0418
1.0391
0.9
3.0777
1.8856
1.6377
1.5332
1.4759
1.4398
1.4149
1.3968
1.3830
1.3722
1.3634
1.3562
1.3502
1.3450
1.3406
1.3368
1.3334
1.3304
1.3277
1.3253
1.3232
1.3212
1.3195
1.3178
1.3163
1.3150
1.3137
1.3125
1.3114
1.3104
1.3031
1.2987
1.2958
1.2938
1.2922
1.2910
1.2901
1.2858
0.95
6.3137
2.9200
2.3534
2.1318
2.0150
1.9432
1.8946
1.8595
1.8331
1.8125
1.7959
1.7823
1.7709
1.7613
1.7531
1.7459
1.7396
1.7341
1.7291
1.7247
1.7207
1.7171
1.7139
1.7109
1.7081
1.7056
1.7033
1.7011
1.6991
1.6973
1.6839
1.6759
1.6706
1.6669
1.6641
1.6620
1.6602
1.6525
0.975
12.7062
4.3027
3.1824
2.7765
2.5706
2.4469
2.3646
2.3060
2.2622
2.2281
2.2010
2.1788
2.1604
2.1448
2.1315
2.1199
2.1098
2.1009
2.0930
2.0860
2.0796
2.0739
2.0687
2.0639
2.0595
2.0555
2.0518
2.0484
2.0452
2.0423
2.0211
2.0086
2.0003
1.9944
1.9901
1.9867
1.9840
1.9719
0.99
31.8210
6.9645
4.5407
3.7469
3.3649
3.1427
2.9979
2.8965
2.8214
2.7638
2.7181
2.6810
2.6503
2.6245
2.6025
2.5835
2.5669
2.5524
2.5395
2.5280
2.5176
2.5083
2.4999
2.4922
2.4851
2.4786
2.4727
2.4671
2.4620
2.4573
2.4233
2.4033
2.3901
2.3808
2.3739
2.3685
2.3642
2.3451
0.995
63.6559
9.9250
5.8408
4.6041
4.0321
3.7074
3.4995
3.3554
3.2498
3.1693
3.1058
3.0545
3.0123
2.9768
2.9467
2.9208
2.8982
2.8784
2.8609
2.8453
2.8314
2.8188
2.8073
2.7970
2.7874
2.7787
2.7707
2.7633
2.7564
2.7500
2.7045
2.6778
2.6603
2.6479
2.6387
2.6316
2.6259
2.6006
290
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
60
70
80
90
100
200
0.01
0.00
0.02
0.11
0.29
0.55
0.87
1.23
1.64
2.08
2.55
3.05
3.57
4.10
4.66
5.22
5.81
6.40
7.01
7.63
8.26
8.89
9.54
10.19
10.85
11.52
12.19
12.87
13.56
14.25
14.95
15.65
16.36
17.07
17.78
18.50
19.23
19.96
20.69
21.42
22.16
22.90
23.65
24.39
25.14
25.90
26.65
27.41
28.17
28.94
29.70
37.48
45.44
53.54
61.75
70.06
156.43
0.025
0.00
0.05
0.21
0.48
0.83
1.23
1.68
2.17
2.70
3.24
3.81
4.40
5.00
5.62
6.26
6.90
7.56
8.23
8.90
9.59
10.28
10.98
11.68
12.40
13.11
13.84
14.57
15.30
16.04
16.79
17.53
18.29
19.04
19.80
20.56
21.33
22.10
22.87
23.65
24.43
25.21
25.99
26.78
27.57
28.36
29.16
29.95
30.75
31.55
32.35
40.48
48.75
57.15
65.64
74.22
162.72
0.05
0.00
0.10
0.35
0.71
1.14
1.63
2.16
2.73
3.32
3.94
4.57
5.22
5.89
6.57
7.26
7.96
8.67
9.39
10.11
10.85
11.59
12.33
13.09
13.84
14.61
15.37
16.15
16.92
17.70
18.49
19.28
20.07
20.86
21.66
22.46
23.26
24.07
24.88
25.69
26.50
27.32
28.14
28.96
29.78
30.61
31.43
32.26
33.09
33.93
34.76
43.18
51.73
60.39
69.12
77.92
168.27
0.1
0.01
0.21
0.58
1.06
1.61
2.20
2.83
3.48
4.16
4.86
5.57
6.30
7.04
7.78
8.54
9.31
10.08
10.86
11.65
12.44
13.23
14.04
14.84
15.65
16.47
17.29
18.11
18.93
19.76
20.59
21.43
22.27
23.11
23.95
24.79
25.64
26.49
27.34
28.19
29.05
29.90
30.76
31.62
32.48
33.35
34.21
35.08
35.94
36.81
37.68
46.45
55.32
64.27
73.29
82.35
174.83
0.2
0.06
0.44
1.00
1.64
2.34
3.07
3.82
4.59
5.38
6.17
6.98
7.80
8.63
9.46
10.30
11.15
12.00
12.85
13.71
14.57
15.44
16.31
17.18
18.06
18.93
19.82
20.70
21.58
22.47
23.36
24.25
25.14
26.04
26.93
27.83
28.73
29.63
30.53
31.44
32.34
33.25
34.15
35.06
35.97
36.88
37.79
38.70
39.62
40.53
41.44
50.64
59.89
69.20
78.55
87.94
183.00
0.3
0.14
0.71
1.42
2.19
2.99
3.82
4.67
5.52
6.39
7.26
8.14
9.03
9.92
10.82
11.72
12.62
13.53
14.43
15.35
16.26
17.18
18.10
19.02
19.94
20.86
21.79
22.71
23.64
24.57
25.50
26.43
27.37
28.30
29.24
30.17
31.11
32.05
32.99
33.93
34.87
35.81
36.75
37.69
38.64
39.58
40.52
41.47
42.42
43.36
44.31
53.80
63.34
72.91
82.51
92.12
189.04
0.4
0.27
1.02
1.86
2.75
3.65
4.57
5.49
6.42
7.35
8.29
9.23
10.18
11.12
12.07
13.02
13.98
14.93
15.89
16.85
17.80
18.76
19.72
20.69
21.65
22.61
23.57
24.54
25.50
26.47
27.44
28.40
29.37
30.34
31.31
32.28
33.25
34.22
35.19
36.16
37.13
38.10
39.07
40.04
41.02
41.99
42.96
43.94
44.91
45.88
46.86
56.62
66.39
76.18
85.99
95.80
194.31
0.5
0.45
1.38
2.36
3.35
4.35
5.34
6.34
7.34
8.34
9.34
10.34
11.34
12.33
13.33
14.33
15.33
16.33
17.33
18.33
19.33
20.33
21.33
22.33
23.33
24.33
25.33
26.33
27.33
28.33
29.33
30.33
31.33
32.33
33.33
34.33
35.33
36.33
37.33
38.33
39.33
40.33
41.33
42.33
43.33
44.33
45.33
46.33
47.33
48.33
49.33
59.33
69.33
79.33
89.33
99.33
199.33
0.6
0.70
1.83
2.94
4.04
5.13
6.21
7.28
8.35
9.41
10.47
11.52
12.58
13.63
14.68
15.73
16.77
17.82
18.86
19.91
20.95
21.99
23.03
24.06
25.10
26.14
27.17
28.21
29.24
30.28
31.31
32.34
33.38
34.41
35.44
36.47
37.50
38.53
39.56
40.59
41.62
42.65
43.67
44.70
45.73
46.76
47.78
48.81
49.84
50.86
51.89
62.13
72.35
82.56
92.76
102.94
204.43
0.7
1.07
2.40
3.66
4.87
6.06
7.23
8.38
9.52
10.65
11.78
12.89
14.01
15.11
16.22
17.32
18.41
19.51
20.60
21.68
22.77
23.85
24.93
26.01
27.09
28.17
29.24
30.31
31.39
32.46
33.53
34.59
35.66
36.73
37.79
38.85
39.92
40.98
42.04
43.10
44.16
45.22
46.28
47.33
48.39
49.45
50.50
51.56
52.61
53.66
54.72
65.22
75.68
86.11
96.52
106.90
209.98
0.8
1.64
3.21
4.64
5.98
7.28
8.55
9.80
11.03
12.24
13.44
14.63
15.81
16.98
18.15
19.31
20.46
21.61
22.75
23.90
25.03
26.17
27.30
28.42
29.55
30.67
31.79
32.91
34.02
35.13
36.25
37.35
38.46
39.57
40.67
41.77
42.87
43.97
45.07
46.17
47.26
48.36
49.45
50.54
51.63
52.72
53.81
54.90
55.99
57.07
58.16
68.97
79.71
90.40
101.05
111.66
216.60
0.9
2.70
4.60
6.25
7.77
9.23
10.64
12.01
13.36
14.68
15.98
17.27
18.54
19.81
21.06
22.30
23.54
24.76
25.98
27.20
28.41
29.61
30.81
32.00
33.19
34.38
35.56
36.74
37.91
39.08
40.25
41.42
42.58
43.74
44.90
46.05
47.21
48.36
49.51
50.65
51.80
52.94
54.09
55.23
56.36
57.50
58.64
59.77
60.90
62.03
63.16
74.39
85.52
96.57
107.56
118.49
226.02
0.95
3.84
5.99
7.81
9.48
11.07
12.59
14.06
15.50
16.91
18.30
19.67
21.02
22.36
23.68
24.99
26.29
27.58
28.86
30.14
31.41
32.67
33.92
35.17
36.41
37.65
38.88
40.11
41.33
42.55
43.77
44.98
46.19
47.39
48.60
49.80
50.99
52.19
53.38
54.57
55.75
56.94
58.12
59.30
60.48
61.65
62.82
64.00
65.17
66.33
67.50
79.08
90.53
101.87
113.14
124.34
233.99
0.975
5.02
7.37
9.34
11.14
12.83
14.44
16.01
17.53
19.02
20.48
21.92
23.33
24.73
26.11
27.48
28.84
30.19
31.52
32.85
34.16
35.47
36.78
38.07
39.36
40.64
41.92
43.19
44.46
45.72
46.97
48.23
49.48
50.72
51.96
53.20
54.43
55.66
56.89
58.12
59.34
60.56
61.77
62.99
64.20
65.41
66.61
67.82
69.02
70.22
71.42
83.29
95.02
106.62
118.13
129.56
241.05
0.99
6.63
9.21
11.34
13.27
15.08
16.81
18.47
20.09
21.66
23.20
24.72
26.21
27.68
29.14
30.57
31.99
33.40
34.80
36.19
37.56
38.93
40.28
41.63
42.97
44.31
45.64
46.96
48.27
49.58
50.89
52.19
53.48
54.77
56.06
57.34
58.61
59.89
61.16
62.42
63.69
64.95
66.20
67.45
68.70
69.95
71.20
72.44
73.68
74.91
76.15
88.37
100.42
112.32
124.11
135.80
249.44
bar-hen.net
291
1
2
3
4
5
6
8
2 1
1
161.4 199.5 215.7 224.6 230.2 234.0 238.9
2
18.51 19.00 19.16 19.25 19.30 19.33 19.37
3
10.13 9.55
9.28
9.12 9.01 8.94 8.84
4
7.71
6.94
6.59
6.39
6.26
6.16
6.04
5
6.61
5.79
5.41
5.19
5.05
4.95
4.82
Snedecor, a` 1 et
pour divers couples
G(u) = 0.95
12
24
>25
243.9 249.0 254.3
19.41 19.45 19.50
8.74
8.64 8.53
5.91
5.77
5.63
4.68
4.53
4.36
6
7
8
9
10
5.99
5.59
5.32
5.12
4.96
5.14
4.74
4.46
4.26
4.10
4.76
4.35
4.07
3.86
3.71
4.53
4.12
3.84
3.63
3.48
4.39
3.97
3.69
3.48
3.33
4.28
3.87
3.58
3.37
3.22
4.15
3.73
3.44
3.23
3.07
4.00
3.57
3.28
3.07
2.91
3.84
3.41
3.12
2.90
2.74
3.67
3.23
2.93
2.71
2.54
11
12
13
14
15
4.84
4.75
4.67
4.60
4.54
3.98
3.88
3.80
3.74
3.68
3.59
3.49
3.41
3.34
3.29
3.36
3.26
3.18
3.11
3.06
3.20
3.11
3.02
2.96
2.90
3.09
3.00
2.92
2.85
2.79
2.95
2.85
2.77
2.70
2.64
2.79
2.69
2.60
2.53
2.48
2.61
2.50
2.42
2.35
2.29
2.40
2.30
2.21
2.13
2.07
16
17
18
19
20
4.49
4.45
4.41
4.38
4.35
3.63
3.59
3.55
3.52
3.49
3.24
3.20
3.16
3.13
3.10
3.01
2.96
2.93
2.90
2.87
2.85
2.81
2.77
2.74
2.71
2.74
2.70
2.66
2.63
2.60
2.59
2.55
2.51
2.48
2.45
2.42
2.38
2.34
2.31
2.28
2.24
2.19
2.15
2.11
2.08
2.01
1.96
1.92
1.88
1.84
21
22
23
24
25
4.32
4.30
4.28
4.26
4.24
3.47
3.44
3.42
3.40
3.38
3.07
3.05
3.03
3.01
2.99
2.84
2.82
2.08
2.78
2.76
2.68
2.66
2.64
2.62
2.60
2.57
2.55
2.53
2.51
2.49
2.42
2.40
2.38
2.36
2.34
2.25
2.23
2.20
2.18
2.16
2.05
2.03
2.00
1.98
1.96
1.81
1.78
1.76
1.73
1.71
26
27
28
29
30
4.22
4.21
4.20
4.18
4.17
3.37
3.35
3.34
3.33
3.32
2.98
2.96
2.95
2.93
2.92
2.74
2.73
2.71
2.70
2.69
2.59
2.57
2.56
2.54
2.53
2.47
2.46
2.44
2.43
2.42
2.32
2.30
2.29
2.28
2.27
2.15
2.13
2.12
2.10
2.09
1.95
1.93
1.91
1.90
1.89
1.69
1.67
1.65
1.64
1.62
40
60
120
>120
4.08
4.00
3.92
3.84
3.23
3.15
3.07
2.99
2.84
2.76
2.68
2.60
2.61
2.52
2.45
2.37
2.45
2.37
2.29
2.21
2.34
2.25
2.17
2.10
2.18
2.10
2.02
1.94
2.00
1.92
1.83
1.75
1.79
1.70
1.61
1.52
1.51
1.39
1.25
1.00
bar-hen.net
292
1
2
3
4
5
6
8
12
24
>25
2 1
1
4052. 4999. 5403. 5625. 5764. 5859. 5982. 6106. 6234. 6366.
2
98.50 99.00 99.17 99.25 99.30 99.33 99.37 99.42 99.46 99.50
3
34.12 30.82 29.46 28.71 28.24 27.91 27.49 27.05 26.60 26.12
4
21.20 18.00 16.69 15.98 15.52 15.21 14.80 14.37 13.93 13.46
5
16.26 13.27 12.06 11.39 10.97 10.67 10.29 9.89
9.47 9.02
6
7
8
9
10
13.74
12.25
11.26
10.56
10.04
10.92
9.55
8.65
8.02
7.56
9.78
8.45
7.59
6.99
6.55
9.15
7.85
7.01
6.42
5.99
8.75
7.46
6.63
6.06
5.64
8.47
7.19
6.37
5.80
5.39
8.10
6.84
6.03
5.47
5.06
7.72
6.47
5.67
5.11
4.71
7.31
6.07
5.28
4.73
4.33
6.88
5.65
4.86
4.31
3.91
11
12
13
14
15
9.65
9.33
9.07
8.86
8.68
7.20
6.93
6.70
6.51
6.36
6.22
5.95
5.74
5.56
5.42
5.67
5.41
5.20
5.03
4.89
5.32
5.06
4.86
4.69
4.56
5.07
4.82
4.62
4.46
4.32
4.74
4.50
4.30
4.14
4.00
4.40
4.16
3.96
3.80
3.67
4.02
3.78
3.59
3.43
3.29
3.60
3.36
3.16
3.00
2.87
16
17
18
19
20
8.53
8.40
8.28
8.18
8.10
6.23
6.11
6.01
5.93
5.85
5.29
5.18
5.09
5.01
4.94
4.77
4.67
4.58
4.50
4.43
4.44
4.34
4.25
4.17
4.10
4.20
4.10
4.01
3.94
3.87
3.89
3.79
3.71
3.63
3.56
3.55
3.45
3.37
3.30
3.23
3.18
3.08
3.00
2.92
2.86
2.75
2.65
2.57
2.49
2.42
21
22
23
24
25
8.02
7.94
7.88
7.82
7.77
5.78
5.72
5.66
5.61
5.57
4.87
4.82
4.76
4.72
4.68
4.37
4.31
4.26
4.22
4.18
4.04
3.99
3.94
3.90
3.86
3.81
3.76
3.71
3.67
3.63
3.51
3.45
3.41
3.36
3.32
3.17
3.12
3.07
3.03
2.99
2.80
2.75
2.70
2.66
2.62
2.36
2.31
2.26
2.21
2.17
26
27
28
29
30
7.72
7.68
7.64
7.60
7.56
5.53
5.49
5.45
5.42
5.39
4.64
4.60
4.57
4.54
4.51
4.14
4.11
4.07
4.04
4.02
3.82
3.78
3.75
3.73
3.70
3.59
3.56
3.53
3.50
3.47
3.29
3.26
3.23
3.20
3.17
2.96
2.93
2.90
2.87
2.84
2.58
2.55
2.52
2.49
2.47
2.13
2.10
2.06
2.03
2.01
40
60
120
>120
7.31
7.08
6.85
6.64
5.18
4.98
4.79
4.60
4.31
4.13
3.95
3.78
3.83
3.65
3.48
3.32
3.51
3.34
3.17
3.02
3.29
3.12
2.96
2.80
2.99
2.82
2.66
2.51
2.66
2.50
2.34
2.18
2.29
2.12
1.95
1.79
1.80
1.60
1.38
1.00
bar-hen.net
293
n1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
18
19
20
0
2
5
9
13
17
21
25
29
34
38
43
47
52
57
61
66
70
0
3
6
10
14
18
23
27
32
37
42
46
51
56
61
66
71
76
0
3
7
11
15
20
25
29
34
40
45
50
55
60
66
71
77
82
0
3
7
12
16
21
26
32
37
42
48
54
59
65
70
76
82
88
1
2
3
5
7
8
10
12
14
15
17
19
21
23
25
26
9
0
2
4
7
10
12
15
17
20
23
26
28
31
34
37
39
42
45
48
0
1
3
5
6
8
10
12
14
17
19
21
23
25
27
29
32
0
2
4
6
8
10
12
15
17
20
22
24
27
29
32
34
37
0
2
4
7
9
12
14
17
20
23
25
28
31
34
37
40
42
1
3
5
8
11
14
17
20
23
26
29
32
35
38
42
45
48
1
3
6
9
12
15
19
22
25
29
32
36
39
43
46
50
54
1
4
7
10
14
17
21
24
28
32
36
40
43
47
51
55
59
0
3
6
9
13
16
19
23
26
30
33
37
40
44
47
51
55
58
62
1
4
7
11
14
18
22
26
29
33
37
41
45
49
53
57
61
65
69
1
4
8
12
16
20
24
28
33
37
41
45
50
54
59
63
67
72
76
1
5
9
13
17
22
26
31
36
40
45
50
55
59
64
67
74
78
83
bar-hen.net
1
5
10
14
19
24
29
34
39
44
49
54
59
64
70
75
80
85
90
1
6
11
15
21
26
31
37
42
47
53
59
64
70
75
81
86
92
98
2
5
8
11
15
19
23
27
31
35
39
43
48
52
56
60
65
17
18
19
20
2
6
11
17
22
28
34
39
45
51
57
63
67
75
81
87
93
99
105
2
7
12
18
24
30
36
42
48
55
61
67
74
80
86
93
99
106
112
2
7
13
19
25
32
38
45
52
58
65
72
78
85
92
99
106
113
119
2
8
13
20
27
34
41
48
55
62
69
76
83
90
98
105
112
119
127
n
n1 2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
n2
n1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
9
1
3
6
9
12
15
18
21
24
27
30
33
36
39
42
45
48
51
54
18
19
20
0
2
5
9
12
16
20
23
27
31
35
39
43
47
51
55
59
63
67
0
4
9
14
19
24
30
36
41
47
53
59
65
70
76
82
88
94
100
1
4
9
15
20
26
32
38
44
50
56
63
69
75
82
88
94
101
107
1
5
10
16
22
28
34
40
47
53
60
67
73
80
87
93
100
107
114
1
3
5
7
9
11
14
16
18
21
23
26
28
31
33
36
38
40
1
3
6
8
11
13
16
19
22
24
27
30
33
36
38
41
44
47
1
4
7
9
12
15
18
22
25
28
31
34
37
41
44
47
50
53
2
5
8
11
14
17
21
24
28
31
35
38
42
46
49
53
56
60
0
2
6
10
13
17
22
26
30
34
38
43
47
51
56
60
65
69
73
0
3
7
11
15
19
24
28
33
37
42
47
51
56
61
66
70
75
80
1
5
8
12
16
19
23
27
31
34
38
42
46
50
54
57
61
65
69
2
5
9
13
17
21
26
30
34
38
42
47
51
55
60
64
68
72
77
2
6
10
15
19
24
28
33
37
42
47
51
56
61
65
70
75
80
84
2
7
11
16
21
26
31
36
41
46
51
56
61
66
71
77
82
87
92
3
7
12
18
23
28
33
39
44
50
55
61
66
72
77
83
88
94
100
3
8
14
19
25
30
36
42
48
54
60
65
71
77
83
89
95
101
107
0
3
7
12
16
21
26
31
36
41
46
51
56
61
66
71
76
82
87
17
3
9
15
20
26
33
39
45
51
57
64
70
77
83
89
96
102
109
115
0
4
8
13
18
23
28
33
38
44
49
55
60
66
71
77
82
88
93
18
0
4
9
16
22
28
35
41
48
55
61
68
75
82
88
95
102
109
116
123
19
0
4
10
17
23
30
37
44
51
58
65
72
80
87
94
101
109
116
123
130
20
4
11
18
25
32
39
47
54
62
69
77
84
92
100
107
115
123
130
138
294
n1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
n2
n1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
2
2
2
2
2
2
2
2
2
9
9
2
2
2
3
3
3
3
3
3
3
3
4
4
4
4
4
2
2
3
3
3
3
3
4
4
4
4
4
4
4
5
5
5
2
2
3
3
3
3
4
4
4
4
5
5
5
5
5
5
6
6
2
2
3
3
3
4
4
5
5
5
5
5
6
6
6
6
6
6
2
3
3
3
4
4
5
5
5
6
6
6
6
6
7
7
7
7
9
9
10 10
10 11
11 12
11 12
13
13
13
13
Valeurs inferieures
9 10 11 12 13
2
2
2 2
2
2 2
3 3
3
3 3
3 3
4
4 4
4 4
4
4 5
4 5
5
5 5
5 5
5
6 6
5 5
6
6 6
5 6
6
7 7
6 6
7
7 7
6 7 7
7
8
6 7 7
8
8
7 7 8
8
9
7 7 8
8
9
7 8 8
9
9
7 8 9
9 10
8 8 9
9 10
8 8 9 10 10
8 9 9 10 10
14
2
2
3
4
5
5
6
7
7
8
8
9
9
9
10
10
10
11
11
15
2
3
3
4
5
6
6
7
7
8
8
9
9
10
10
11
11
11
12
16
2
3
4
4
5
6
6
7
8
8
9
9
10
10
11
11
11
12
12
17
2
3
4
4
5
6
7
7
8
9
9
10
10
11
11
11
12
12
13
18
2
3
4
5
5
6
7
8
8
9
9
10
10
11
11
12
12
13
13
19
2
3
4
5
6
6
7
8
8
9
10
10
11
11
12
12
13
13
13
20
2
3
4
5
6
6
7
8
9
9
10
10
11
12
12
13
13
13
14
Valeurs superieures
9 10 11 12 13
14
15
16
17
18
19
20
11
12
13
13
14
14
14
14
15
15
15
11
12
13
14
14
15
15
16
16
16
16
17
17
17
17
17
13
14
14
15
16
16
16
17
17
18
18
18
18
18
18
15
16
17
18
19
20
20
21
22
22
23
23
23
24
15
16
18
18
19
20
21
22
22
23
23
24
24
25
17
18
19
20
21
21
22
23
23
24
25
25
25
17
18
19
20
21
22
23
23
24
25
25
26
26
17
18
19
20
21
22
23
24
25
25
26
26
27
17
18
20
21
22
23
23
24
25
26
26
27
27
17
18
20
21
22
23
24
25
25
26
27
27
28
13
14
15
16
16
17
17
18
18
18
19
19
19
20
20
13
14
15
16
17
17
18
19
19
19
20
20
20
21
21
13
14
16
16
17
18
19
19
20
20
21
21
21
22
22
15
16
17
18
19
19
20
20
21
21
22
22
23
23
bar-hen.net
295
Tableau 11.15 Probabilites associees aux valeurs aussi extremes que les valeurs de U
observees du test de Mann-Whitney
La taille des deux e chantillons ne peut e tre superieure a` 8.
n
U 1
0
1
2
3
4
5
n2 = 3
1
2
0.25
0.1
0.50
0.2
0.75
0.4
0.60
n
U 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
1
0.143
0.286
0.428
0.571
2
0.036
0.071
0.143
0.214
0.321
0.429
0.571
n
U 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
1
0.111
0.222
0.333
0.444
0.556
2
0.022
0.044
0.089
0.133
0.200
0.267
0.356
0.444
0.556
bar-hen.net
n
U 1
0
1
2
3
4
5
6
7
8
3
0.05
0.10
0.20
0.35
0.50
0.65
n2 = 6
3
0.012
0.024
0.048
0.083
0.131
0.190
0.274
0.357
0.452
0.548
3
0.006
0.012
0.024
0.042
0.067
0.097
0.139
0.188
0.248
0.315
0.387
0.461
0.539
4
0.005
0.010
0.019
0.033
0.057
0.086
0.129
0.176
0.238
0.305
0.381
0.457
0.545
n2 = 8
4
0.002
0.004
0.008
0.014
0.024
0.036
0.055
0.077
0.107
0.141
0.184
0.230
0.285
0.341
0.404
0.467
0.533
1
0.200
0.400
0.600
n2 = 4
2
0.067
0.133
0.267
0.400
0.600
5
0.002
0.004
0.009
0.015
0.026
0.041
0.063
0.089
0.123
0.165
0.214
0.268
0.331
0.396
0.465
0.535
6
0.001
0.002
0.004
0.008
0.013
0.021
0.032
0.047
0.066
0.090
0.120
0.155
0.197
0.242
0.294
0.350
0.409
0.469
0.531
5
0.001
0.002
0.003
0.005
0.009
0.015
0.023
0.033
0.047
0.064
0.085
0.111
0.142
0.177
0.217
0.262
0.311
0.362
0.416
0.472
0.528
6
0.000
0.001
0.001
0.002
0.004
0.006
0.010
0.015
0.021
0.030
0.041
0.054
0.071
0.091
0.114
0.141
0.172
0.207
0.245
0.286
0.331
0.377
0.426
0.475
0.525
3
0.028
0.057
0.114
0.200
0.314
0.429
0.571
4
0.014
0.029
0.057
0.100
0.171
0.243
0.343
0.443
0.557
n
U 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
7
0.000
0.000
0.001
0.001
0.002
0.003
0.005
0.007
0.010
0.014
0.020
0.027
0.036
0.047
0.060
0.076
0.095
0.116
0.140
0.168
0.198
0.232
0.268
0.306
0.347
0.389
0.433
0.478
0.522
8
0.000
0.000
0.000
0.001
0.001
0.001
0.002
0.003
0.005
0.007
0.010
0.014
0.019
0.025
0.032
0.041
0.052
0.065
0.080
0.097
0.117
0.139
0.164
0.191
0.221
0.253
0.870
0.323
0.360
0.399
0.439
0.480
0.520
n
U 1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
1
0.125
0.250
0.375
0.500
0.625
2
0.028
0.056
0.111
0.167
0.250
0.333
0.444
0.556
1
0.167
0.333
0.500
0.667
n2 = 5
2
3
0.047
0.018
0.095
0.036
0.190
0.071
0.286
0.125
0.429
0.196
0.571
0.286
0.393
0.500
0.607
n2 = 7
3
4
0.008
0.003
0.017
0.006
0.033
0.012
0.058
0.021
0.092
0.036
0.133
0.055
0.192
0.082
0.258
0.115
0.333
0.158
0.417
0.206
0.500
0.264
0.583
0.324
0.394
0.464
0.538
5
0.001
0.003
0.005
0.009
0.015
0.024
0.037
0.053
0.074
0.101
0.134
0.172
0.216
0.265
0.319
0.378
0.438
0.500
0.562
4
0.008
0.016
0.032
0.056
0.095
0.143
0.206
0.278
0.365
0.452
0.548
5
0.004
0.008
0.016
0.028
0.048
0.075
0.111
0.155
0.210
0.274
0.345
0.421
0.500
0.579
6
0.001
0.001
0.002
0.004
0.007
0.011
0.017
0.026
0.037
0.051
0.069
0.090
0.117
0.147
0.183
0.223
0.267
0.314
0.365
0.418
0.473
0.527
7
0.000
0.001
0.001
0.002
0.003
0.006
0.009
0.013
0.019
0.027
0.036
0.049
0.064
0.082
0.104
0.130
0.159
0.191
0.228
0.267
0.310
0.355
0.402
0.451
0.500
0.549
296
Tableau 11.16 Valeurs critiques du test des rangs pour e chantillons apparies, de Wilcoxon
n
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
(test unilateral)
0.05 0.025 0.01 0.005
(test bilateral)
0.1 0.05 0.02 0.01
2
0
3
2
0
5
4
2
0
8
6
3
2
10
8
5
3
13
11
7
5
17
14
10
7
21
17
13
10
25
21
16
13
30
25
20
16
35
30
24
20
41
35
28
23
47
40
33
28
53
46
38
32
60
52
43
38
67
59
49
43
75
66
56
49
83
73
62
55
91
81
69
61
100
89
77
68
bar-hen.net
Annexe A
Fonction de plusieurs variables
1
Introduction
Definition A.1 On appelle fonction numerique de n variables reelles une application f
dune partie D de Rn dans R. On dit que f est definie sur le domaine D.
On note :
f:
D
R
(x1 , x2 , . . . , xn ) 7 f (x1 , x2 , . . . , xn )
2 y2
la fonction f : (x, y) 7 x z3
est une fonction numerique de trois variables reelles
definie pour tout triplet (x, y, z) tel que : y 2, z 6= 3.
1.1
Representation graphique
Dans le cas particulier dune fonction de deux variables, on peut utiliser des representations
geometriques.
297
298
Introduction
1.2
Limite
La notion de limite dune fonction de plusieurs variables sintroduit comme pour les
fonctions dune variable. On a, par exemple, pour une fonction de deux variables (la
generalisation est aisee) :
Definition A.2 On dit que f (x, y) = f (H) tend vers une limite L lorsque (x, y) tend
(x0 , y0 ) ou lorsque H(x, y) tend H(x0 , y0 ), si :
> 0, > 0 tel que (|x x0 | < et |y y0 | < avec (x, y) 6= (x0 , y0 )) |f (H)L| <
On e crit :
lim f (H) =
HH0
lim
f (x, y) = L
(x,y)(x0 ,y0 )
On notera :
que la definition implique que la fonction f est definie sur un pave ouvert entourant
H0 (un voisinage de H0 ).
que la definition entrane lunicite de la limite ; lorsquelle existe ;
quon peut e crire un definition e quivalente :
> 0, > 0 tel que ||HH0 || < avec H 6= H0 |f (H) L| <
que les theor`emes, concernant la somme, le produit, et le quotient de deux fonctions
admettant une limite lorsque H tend vers H0 , senoncent et setablissent comme dans
le cas des fonctions dune variable ;
quil est aise de definir une limite infinie ainsi quune limite de f (H) quand H seloigne
indefiniment.
1
Exemple A.3 Soit f : (x, y) 7 (x + y) sin x2 +y
2
f nest pas definie en (0, 0) mais on a lim(x,y)(0,0) f (x, y) = 0. En effet (x + y) 0 et
1
sin x2 +y
e.
2 demeure born
bar-hen.net
299
y2
Exemple A.4 Soit f : (x, y) 7 x z3
.
On consid`ere H0 (1, 3, 3) o`u f nest pas definie. On a :
lim f (H) = +
si
z z+0
lim f (H) =
si
z z0
HH0
HH0
Il convient de preciser si H tend vers H0 avec une cote superieure ou une cote inferieure.
1.3
Continuite
La notion de continuite decoule naturellement de la notion de limite. On aura en particulier pour une fonction de deux variables :
Definition A.3 On dit quune fonction f : (x, y) 7 f (x, y) est continue au point (x0 , y0 )
si :
lim
f (x, y) = f (x0 , y0 )
(x,y)(x0 ,y0 )
Une fonction continue en tout point dun domaine est dite continue sur ce domaine.
Theor`eme A.1 Si f et g sont deux fonctions continues au point M0 , il en est de meme
pour des fonctions f + g, f ( R), f g et si g(M0 ) 6= 0, f/g.
Il sagit l`a dune consequence des theor`emes sur les limites.
Exemple A.5 Soit la fonction f : (x, y) 7 3x y + 1.
Cette fonction est definie sur R2 . Elle est continue sur R2 , ce que lon peut demontrer en
sappuyant sur la definition de la continuite. Quel que soit (x0 , y0 ), on a :
> 0, = > 0 tel que : (|x x0 | < , |y y0 | < et (x, y) 6= (x0 , y0 )) |f (x, y)f (x0 , y0 )| <
4
En effet |x x0 | < 4 3|x x0 | < 34
Or |f (x, y) f (x0 , y0 )| = |3(x x0 ) (y y0 )| 3|x x0 | + |y y0 |.
Donc |x x0 | < 4 et |y y0 | < 4 |f (x, y) f (x0 , y0 )| <
2 Fonctions composees
On peut envisager plusieurs types de composition
2.1
Fonction de fonction
Soit u une fonction de variables x1 , x2 , . . . , xn . Soit f une fonction dune variable. On
peut definir la fonction :
: (x1 , x2 , . . . , xn ) 7 f (u(x1 , x2 , . . . , xn ))
sous reserve, bien entendu, que u(x1 , x2 , . . . , xn ) appartienne au domaine de definition
de f .
bar-hen.net
300
Fonctions composees
p
Exemple A.6 La fonction : (x, y, z) 7 x2 + y 2 + z 2 est obtenue
par composition
de la fonction u : (x, y, z) 7 x2 + y 2 + z 2 par la fonction f : u 7 u.
Theor`eme A.2 Si u est une fonction, de deux variables, continue au point (x0 , y0 ) et si
f est une fonction, dune variable, continue au point (x0 , y0 ), la fonction : (x, y) 7
f (u(x, y)) est continue au point (x0 , y0 ).
On generalise aisement au cas o`u u est une fonction de n variables.
En effet puisque f est continue au point u0 = u(x0 , y0 ), on peut trouver > 0 tel que :
|u u0 | < |f (u) f (u0 )| <
Mais u est continue au point (x0 , y0 ) ; il est donc possible de choisir > 0 tel que :
(|x x0 | < et |y y0 | < ) |u(x, y)u(x0 , y0 )| < . Donc il est possible d choisir
> 0 tel que :
(|x x0 | < et |y y0 | < ) |u(x, y)u(x0 , y0 )| < |f (u(x, y))f (u(x0 , y0 ))| <
2.2
Fonction composee
Soit : (u, v, w) 7 (u, v, w) une fonction de 3 variables. Soient f : x 7 u = f (x),
g : x 7 v = g(x), h : x 7 h(x), trois fonctions dune variable. On peut donc definit la
fonction :
F : x 7 (f (x), g(x), h(x))
sous reserve que le point (f (x), g(x), h(x)) appartienne au domaine de definition de .
Une telle fonction est dite fonction composee de f , g et h par . On notera que F est
fonction dune variable. On generalise aisement au cas o`u F est fonction de n variables.
Exemple A.8 La fonction
2
cos2 x ex
F :7
x2
est une fonction composee. Elle est obtenue en composant les fonctions : x 7 u = cos2 x,
2
x 7 v = ex , x 7 w = x2 par la fonction (u, v, w) 7 uv
w
Theor`eme A.3 Si f , g et h sont des fonctions, dune variable, continues en x0 et si est
une fonction, de trois variables, continue au point u0 = f (x0 ), v0 = g(x0 ), w0 = h(x0 ),
la fonction F : x 7 (f (x), g(x), h(x)) est continues en x0 .
On generalise aisement au cas o`u est une fonction de n variables.
Ce theor`eme se demontre aisement, en utilisant le meme schema que pour la demonstration
du theor`eme A.2.
Exemple A.9 La fonction
cos2 x ex
F :7
x2
301
x2 y 2
x2 + y 2
3 Derivees partielles
Definition A.4 Soit la fonction de deux variables f : (x, y) 7 f (x, y).
On appelle derivee partielle de f , par rapport a` la variable x et au point (x0 , y0 ), le
nombre sil existe :
fx0 (x0 , y0 ) =
f
f (x0 + h, y0 ) f (x0 , y0 )
(x0 , y0 ) = lim
h0
x
h
f
f (x0 , y0 + k) f (x0 , y0 )
(x0 , y0 ) = lim
k0
y
k
302
Derivees partielles
Si en tout point dun domaine D il existe des derivees partielles, les fonctions f
:
x
f
f
f
(x, y) 7 x (x, y) et y : (x, y) 7 y (x, y) sont appelees derivees partielles premi`eres
de f , par rapport a` x et par rapport a` y.
On generalise aisement cette definition a` une fonction de n variables.
On remarque que la derivee partielle par rapport a` x, au point (x0 , y0 ), nest autre que la
derivee, au point x0 , de la fonction : x 7 f (x, y0 ). Pour la derivee partielle par rapport
a` y, il sagit de la derivee, au point y0 , de la fonction : y 7 f (x0 , y).
On en deduit la r`egle pratique : pour determiner une derivee partielle, il suffit de deriver
comme on en a lhabitude par rapport a` la variable consideree, les autres variables e tant
considerees comme des constantes.
Exemple A.12 La fonction f : (x, y) 7 5x2 xy + 2y 2 est definie et continue sur R2 .
Sur R2 , elle admet pour derivees partielles :
f
f
: (x, y) 7 10x y et
: (x, y) 7 x + 4y
x
y
Exemple A.13 La fonction f : (x, y) 7 x2 sin y est definie et continue sur R2 . Sur R2 ,
elle admet pour derivees partielles :
f
f
: (x, y) 7 2x sin y et
: (x, y) 7 x2 cos y
x
y
3.1
7
10
;
(x, y) 7 1
x2
xy
2f
2f
(x, y) 7 1 ;
(x, y) 7 4
yx
y 2
bar-hen.net
303
Exemple A.15 La fonction f : (x, y) 7 x2 sin y admet, sur R2 , les derivees partielles
secondes :
2f
(x, y) 7 2 sin y
x2
2f
(x, y) 7 2x cos y
yx
2f
;
(x, y) 7 2x cos y
xy
2f
;
(x, y) 7 x2 sin y
2
y
2f
xy
2f
yx
Theor`eme A.5 Si, dans le voisinage du point (x0 , y0 ), la fonction f : (x, y) 7 f (x, y)
admet des derivees partielles premi`eres continues et si les derivees partielles secondes
00
00
fxy
et fyx
existent et sont continues, on a :
00
00
fxy
(x0 , y0 ) = fyx
(x0 , y0 )
3
3
3f
, f , f
x3 x2 y xy 2
et
3f
y 3
3f
xy 2
: (x, y) 7 2x sin y
: (x, y) 7 2x sin y
: (x, y) 7 2x sin y
: (x, y) 7 2x sin y.
304
Derivees partielles
On a
F (x0 + x) F (x0 ) = [u(x0 + x), v(x0 + x)] [u(x0 ), v(x0 )]
= (u0 + u, v0 + v) (u0 , v0 )
On peut e crire :
F (x0 +x)F (x0 ) = (u0 + u, v0 + v)(u0 , v0 +v)+(u0 , v0 +v)(u0 , v0 )
On applique le theor`eme des accroissements finis a` la fonction : u 7 (u, v0 + v), qui
est derivable :
(u0 + u, v0 + v) (u0 , v0 + v) = u0u (u0 + 1 u, v0 + v) 0 < 1 < 1
On applique le theor`eme des accroissements finis a` la fonction : v 7 (u0 + u, v), qui
est derivable :
(u0 , v0 + v) (u0 , v0 ) = v0v (u0 , v0 + 2 v) 0 < 2 < 1
Il en resulte :
F (x0 + x) F (x0 ) = u0u (u0 + 1 u, v0 + v) + v0v (u0 , v0 + 2 v)
Et donc :
u 0
v 0
F (x0 + x) F (x0 )
=
u (u0 + 1 u, v0 + v) +
(u0 , v0 + 2 v)
x
x
x v
Lorsquon fait tendre x vers zero, e tant donnees la derivabilite de u et v et la continuite de 0u et 0v , on obtient comme limite du second membre : u0 (x0 )0u (u0 , v0 ) +
v 0 (x0 )0v (u0 , v0 ). Il en resulte que F est derivable en x0 et que :
F 0 (x0 ) = u0 (x0 )0u (u0 , v0 ) + v 0 (x0 )0v (u0 , v0 )
Lorsque u et v sont derivables sur un intervalle [a, b] et 0u et 0v sont continues sur le
domaine correspondant a` [a, b] on obtiendra comme fonction derivee de F :
F 0 = u0 0u + v 0 0v
u(x)
.
v(x)
u 0
vu0 uv 0
v = v2
v2
305
Quelques remarques :
1. Le theor`eme A.6 se generalise aisement au cas o`u est une fonction de n variables.
si, par exemple, on a F [u(x), v(x), w(x)], on obtient :
F 0 = u0 0u + v 0 0v + w0 0w
cest-`a-dire que lon a :
F 0 (x) = u0 (x)0u [u(x), v(x), w(x)]+v 0 (x)0v [u(x), v(x), w(x)]+w0 (x)0w [u(x), v(x), w(x)]
2. Si on consid`ere la composition de fonctions de plusieurs variables par une autre
fonction, le theor`eme A.6 sapplique e galement aux derivees partielles, sous reserve
des conditions de validite.
Soit par exemple F : (x, y) 7 [u(x, y), v(x, y)], on aura :
F
= 0u u
+ 0v u
x
x
x
F :
F
= 0u u
+ 0v u
y
y
y
si les fonctions u et v admettent des derivees partielles en (x, y) et si admet des derivees
partielles au voisinage de (u(x, y), v(x, y)) continues en ce point.
Exemple A.20 La fonction F : x 7
cos2 xex
x2
cos2 xex
ex
cos2 x
x2
F : x 7 2 (2 cos x sin x) +
2xe
2x
x
x2
x4
0
bar-hen.net
F
(x, y)
x
F
(x, y)
y
7
7
x2 y 2
x2 +y 2
2 y 2
1
2x (xx2 +y
2 )2 2x
x2 +y 2
x2 y 2
1
(2y) (x2 +y2 )2 2y
x2 +y 2
=
=
4xy 2
(x2 +y 2 )2
4x2 y
(x2 +y 2 )2
306
Exercices
4 Exercices
1. Determiner les
pdomaines de definition des fonctions f et g definies par :
f (x, y) = 25 x2 y 2
g(x, y) = x2 2 si x2 y 2 6= 0, et g(0, 0) = 0
x y
2. On designe par :
f la fonction a` valeurs reelles definie sur R2 par :
1
si 0 x < y
y
f (x, y) =
0 ailleurs
g la fonction reelle definie sur R par :
y
ye
g(y) =
0
si y 0
si y < 0
|x+y|
x2 +y 2
bar-hen.net
307
3 3
y
h : (x, y) 7 xx2 +y
2
Ces fonctions, completees par : (0, 0) 7 0, sont-elles continues a` lorigine ?
sin x sin y
xy
Trouver une fonction g qui prenne la meme valeur que f partout o`u celle-ci est
definie et qui soit continue dans tout le plan.
7. Montrer que la fonction (x, y) 7
seloigne a` linfini.
x+y
x2 +y 2
8. La fonction f , definie par f (x, y) = exy a-t-elle une limite lorsque le point
M (x, y) seloigne a` linfini.
9. Soit la fonction f :
f:
(x, y) 7 x2 + 2y ,
(x, y) 7 0
,
si (x, y) 6= (1, 2)
si (x, y) = (1, 2)
si (x, y) 6= (0, 0)
si (x, y) = (0, 0)
Montrer que les derivees partielles fx0 (0, 0) et fy0 (0, 0) existent. La fonction est-elle
continue au point (0, 0) ?
bar-hen.net
308
Exercices
1
13. Montrer que la fonction definie par U (x, y, z) = (x2 +y 2 +y 2 ) /2 verifie lequation
aux derivees partielles de Laplace :
2U
2U
2U
+
+
=0
x2
y 2
z 2
x
y
z
14. Soit la fonction f : (x, y, z) 7 e /y + e /z + e /x . Determiner le domaine de
definition de D de f ; la fonction est-elle continue en D ? Calculer les derivees
partielles, premi`eres et secondes, de f .
2f
x2
2f
y 2
2f
z 2
= 0.
bar-hen.net
Annexe B
Integrales multiples
1
1.1
Integrale double
Notion dintegrale double
Soit une fonction f : (x, y) 7 z = f (x, y), definie sur un domaine D ferme et supposee
nulle a` lexterieur de D.
Lespace e tant muni dun rep`ere orthorme direct (O, i , j , k ), lorsque le point H(x, y)
se deplace dans D, le point M (x, y, z) decrit une surface S.
On designe par a et b les bornes inferieures et superieures des abcisses dun point de
contour de D et par c et d les bornes inferieures et superieures des ordonnees dun point
de ce meme contour.
On partage [a, b] par les valeurs x0 = a < x1 < x2 < . . . < xi < . . . < xm = b
et [c, d] par les valeurs y0 = c < y1 < y2 < . . . < yj < . . . < ym = d
ce qui permet de definir un ensemble de mn rectangles recouvrant D.
Soit Eij le rectangle [xi1 , xi ] [yj1 , yj ], de dimensions xi = xi xi1 et yj =
yj yj1 .
On choisit arbitrairementPdansP
Eij un point Hij .
n
On consid`ere la somme i=1 m
j=1 f (Hij )xi yj .
Si cette somme tend vers une limite I, lorsque m et n tendent vers linfini de mani`ere a`
ce que sup xi et sup yj tendent vers zero, independamment de la facon dont on fait
les partages et dont on choisit les points Hij , on dit que f est integrable sur D, que I est
lintegrale de f sur d et on pose :
Z Z
I=
f (x, y)dxdy
D
On peut demontrer en particulier que si f est continue sur D, lintegrale existe toujours.
1.2
309
310
Integrale double
Limitons-nous, dans un premier temps, au cas o`u les parall`eles aux axes qui coupent le
contour de domaine D ont en commun avec D un segment.
On peut choisir des points Hij dabcisse i , constante pour tous les rectangles dune
rangee parall`ele a` Oy et dordonnee j , constante pour tous les rectangles dune rangee
parall`ele a` Ox.
On obtient alors la somme double :
n X
m
X
f (i , j )xi yj
i=1 j=1
)y
i
i
j
j
i=1
j=1
Or lorsque n + avec sup yj 0, il est clair que :
lim
m
X
2 (i )
f (i , j )yj =
f (i , y)dy = F (i )
1 (i )
j=1
n
X
F (x)dx
F (i )xi =
a
j=1
Finalement :
Z Z
Z
dxdy =
2 (i )
f (x, y)dy
dx
a
1 (i )
Cette e criture signifie que, x e tant fixe, on int`egre dabord par rapport a` y ; la fonction 2
admet pour graphe la partie superieure du contour de D, la fonction 1 la partie inferieure.
On obtient alors une fonction de x quil reste a` integrer de a a` b.
En inversant lordre de la mise en facteurs, on obtiendrait e galement :
Z Z
Z
dxdy =
2 (y)
f (x, y)dx
dy
c
1 (y)
RR
Exemple B.1
(x + y 2 )dxdy o`u D est defini par {x 0, y 0, x + y 1}. Il est
D
facile de representer le domaine (premier quadrant en dessous de la droite y = 1 x)
Premier calcul :
1x
Z 1 Z 1x
Z 1
y3
2
I =
dx
(x + y )dy =
dx xy +
3 0
0
0
0
Z 1
4 1
1
1
x
1
=
(1 x3 )dx =
x
=
3
4 0 4
0 3
bar-hen.net
311
B. I NT E GRALES MULTIPLES
Deuxi`eme calcul :
Z
I =
1y
dy
(x + y )dx =
0
0
Z 1
3
1
=
y 3 + y 2 y +
dy
2
2
0
1
4
y
y3 y2 y
1
=
= +
+
4
2
2
2 0 4
0
1.3
x2
dy
+ xy 2
2
1y
0
Proprietes
1. Lintegrale double se calculant par deux integrales simples successives, il resulte de
la linearite dune integrale definie que lintegrale double est une expression lineaire
de la fonction a` integrer, lorsque le domaine dintegration est fixe :
Z Z
Z Z
Z Z
[g(x, y) + h(x, y)]dxdy =
g(x, y)dxdy +
h(x, y)dxdy
D
D
D
Z Z
Z Z
f (x, y)dxdy =
f (x, y)dxdy , R
D
D1
D2
1.4
Cas particuliers
1. Le domaine dintegration est un rectangle.
On a alors :
Z Z
Z
f (x, y)dxdy =
f (x, y)dy
dx
c
312
Integrale double
RR
Exemple B.2
xydxdy o`u D est defini par : 0 x 1 et 0 y 2.
D
h 2 i1 h 2 i 2
R1
R2
y
=1
On a : I = 0 xdx 0 ydy = x2
2
0
1.5
Par contre, si f (x, y) nest pas forcement positif ou nul, on parlera de volume algebrique.
Les portions situees en dessous du plan xOy e tant comptees negativement (voir propriete 2).
Si on consid`ere maintenant
la fonction f : (x, y) 7 1, definie sur un domaine D, il est
RR
clair que lintegrale
dxdy donne le volume dun cylindre de base D et de hauteur 1.
D
Le nombre obtenu est donc e galement laire de la surface D. On posera donc :
Z Z
S=
dxdy
D
Exemple B.3 (Volume dune sph`ere). Une sph`ere de centre O et de rayon R admet pour
e quation, par rapport a` un rep`ere orthonorme dorigine O : x2 + y 2 + z 2 = R2
La demi-sph`ere S situee au-dessus du plan xOy a pour e quation :
p
x2 + y 2 + z 2 = R2 et z 0 z = R2 x2 y 2
p
Cest donc le graphe de la fonction f : (x, y) 7 R2 x2 y 2 definie sur le domaine
D : x2 + y 2 R 2 .
Le volume limite par la demi-sph`ere S et le plan xOy est donc :
Z Z p
I =
R2 x2 y 2 dxdy
D
R2 x2
dx
On pose :
t = arcsin
y
y
= sin t et t
2
2
R 2 x2
R 2 x2
dy = R2 x2 cos tdt
p
1 sin2 t = | cos t| = cos t ( 0 si 2 t 2 )
bar-hen.net
313
B. I NT E GRALES MULTIPLES
Finalement :
Z R
Z
2
2
I=
(R x )dx
R
2
x3
2
cos tdt =
(R x )dx =
R x
= R3
2
2
3 R 3
R
Z
R2 x2 dx
Z Rr
x2
= 2R
1 2 dx
R
R
= 2
On pose
u = arcsin
On obtient
Z
2
S = 2R
cos udu = 2R
= sin u et u
R
R
2
2
dx
=
R
cos
udu
p
1 sin2 u = | cos u| = cos u
1.6
1 + cos 2u
sin 2u 2
2 u
= 2R2 = R2
du = 2R
+
2
2
4
2
Changement de variables
RR
Soit lintegrale double
f (x, y)dxdy.
D
Pour faciliter les calculs, il est souvent commode de changer de variables. Sans aller
jusqu`a la justification, relativement compliquee, du procede, il convient cependant den
connatre les r`egles.
Le changement de variables, dans un integrale double, consiste a` passer dun couple
(x, y) a` un autre couple (u, v) par lintermediaire dune application (x, y) 7 (u, v).
Lorsque le point H(x, y) decrit le domaine D, son image K(u, v) va decrire un nouveau
domaine .
Lapplication doit donc e tre bijective.
Considerons maintenant les fonctions et definies par : x = (u, v) et y = (u, v),
les formules de changement de variables.
On appelle determinant fonctionnel ou Jacobien des fonctions et le determinant :
D(x, y) x0u x0v
=
= x0u yv0 x0v yu0
D(u, v) yu0 yv0
bar-hen.net
314
Integrale double
` tout point M du plan muni du rep`ere orthonorme (O,
A
i , j , k ), on associe ses coor
OM = r
u (r 0) , = ( \
i ,
u )(0 < 2)
Dans ces conditions, il est clair que se donner (x, y), cest se donner (r, ) et reciproquement ;
lapplication (x, y) 7 (r, ) est bijective.
On a : x = r cos et y = r sin
D(x, y) cos r sin
=
= r cos2 + r sin2 = r
sin r cos
D(r, )
D(x, y)
=r
r 0
D(r, )
et on peut e crire :
Z Z
Z Z
f (x, y)dxdy =
RR p
Exemple B.5 On avait a` calculer : I =
R2 x2 y 2 dxdy
D
On
en coordonnees polaires. On obtient :
R R passe
R2 r2 rdrd o`u est defini par : 0 r R, 0 < 2.
Do`u
Z 2 Z R
I =
d
R2 r2 rdr
cas particulier 2 du paragraphe 1.4
0
0
R
1 2
2
2 3/2
= 2 (R r )
= R3
3
3
0
et donc
4
V = R3
3
RR 2
2
Exemple B.6
x
+
y
dxdy
o`
u
D
est
d
e
fini par x 0, y 0 et x2 + y 2 2.
D
Dans un plan muni dun rep`ere orthonorme (O, i , j , k ), le domaine D est represente
par le quart de cercle, de centre O et de rayon 2, situe dans le premier quadrant. On
passeR en
ees polaires et on obtient :
R coordonn
3
I=
r
drd
o`
u est defini par : 0 r 2, 0 < 4 .
Do`u
4 2
Z Z 2
4
r
d
r3 dr = []04
=
I=
4 0
4
0
0
bar-hen.net
315
B. I NT E GRALES MULTIPLES
2 Integrale triple
2.1 Notion dintegrale triple
Soit une fonction f : (x, y, z) 7 t = f (x, y, z), definie sur un domaine D ferme et
supposee nulle a` lexterieur de D.
Lespace e tant muni dun rep`ere orthorme direct (O, i , j , k ), D peut e tre represente
par lensemble des points dun volume limite par une surface fermee S.
On designe par a et b, c et d, e et f les bornes inferieures et superieures des abcisses, des
ordonnees et des cotes des point de S.
On partage [a, b] par les valeurs x0 = a < x1 < x2 < . . . < xi < . . . < xm = b
[c, d] par les valeurs y0 = c < y1 < y2 < . . . < yj < . . . < ym = d
et [e, f ] par les valeurs z0 = e < z1 < z2 < . . . < zk < . . . < zp = f
et on quadrille lespace par des plans dabcisses x0 , x1 , . . . , xm des plans dordonnee
y0 , y1 , . . . , yn et des plans de cote z0 , z1 , . . . , zp , ce qui permet de definir un ensemble de
mnp parallelepip`edes rectangles recouvrant D.
On designe par Eijk le parallelepip`ede rectangle
[xi1 , xi ] [yj1 , yj ] [zk1 , yk ]
de dimensions xi = xi xi1 , yj = yj yj1 et zk = zk zk1 .
On choisit arbitrairement dans chaque parallelepip`ede Eijk un point Mijk .
Soit maintenant la somme :
p
m X
n X
X
f (Mijk )xi yj zk
i=1 j=1 k=1
Si cette somme tend vers une limite I, lorsque m, n et p tendent vers linfini de mani`ere
a` ce que sup xi , sup yj et sup zk tendent vers zero, independamment de la facon
dont on fait les partages et du point Mijk , on dit que f est integrable sur D, que I est
lintegrale triple de f sur D et on pose :
Z Z Z
f (x, y, z)dxdydz
D
2.2
bar-hen.net
f (i , j , k )xi yj zk =
p
X
k=1
zk
m X
n
X
i=1 j=1
f (i , j , k )xi yj
316
Integrale triple
Z Z Z
D(z)
f
Z
f (x, y, z)dxdydz =
2 (z)
dz
2 (y,z)
f (x, y, z)dx
dy
1 (z)
1 (y,z)
Cette notation signifie que x et y e tant fixees, on int`egre dabord par rapport a` x ; les
bornes de cette premi`ere integrale dependant en general de (y, z). On int`egre ensuite par
rapport a` y, z e tant fixe ; les bornes de cette deuxi`eme integrale dependant en general de
z. Enfin on int`egre par rapport a` z.
Bien entendu lordre dintegration choisi ici est arbitraire ; on pourrait commencer a`
integrer dabord par rapport a` z, x et y e tant fixes, puis par rapport a` x, y e tant fixe,
enfin par rapport a` y.
RRR
2
2
Exemple B.7
xyzdxdydz o`u D est defini par : x 0, y 0, z 0, xa2 + yb2 +
D
z2
1 (a > 0, b > 0, c > 0).
c2
Le domaine D peut ici e tre represente par un huiti`eme dellipsode. On a
q
q
Z a
Z b 1 x22
Z c 1 x22 y22
a
a
b
I =
xdx
ydy
zdz
0
0
a
0
q
2
b 1 x2
c2
ydy
2
x2 y 2
=
xdx
1 2 2
a
b
0
0
q
2
x
2
b 1 2
Z
a
c2 a
y
x2 y 2
y4
=
xdx
2 2
2 0
2
a 2
4b 0
"
2 #
Z
c2 b2 a
x2
x2 x3
x2
x
=
1 2 x 1 2
1 2
dx
2
2 2 0
a
a
a
a
2
b 2 c 2 a2 a2 a2 a2 a2 a2 a2
=
2
2
4
4
6
4
4
12
2 2 2
abc
=
48
Le produit xi yj zk est e gal au volume du parallelepip`ede rectangle Eijk .
Soit maintenant la fonction :
(x, y, z) 7 1 sur D
g:
(x, y, z) 7 0 ailleurs
Z
Il est clair quen multipliant xi yj zk par g(Mijk ) et en sommant sur i, j et k, on obtient un volume qui, a` la limite, est e gal au volume de la portion de lespace representant
D.
bar-hen.net
317
B. I NT E GRALES MULTIPLES
o`u
D(x,y,z)
D(u,v,w)
2.4
Generalisation
On peut envisager des integrales n-uples de fonctions de n variables. Le support geometrique
fera e videmment totalement defaut d`es que n > 3, ce qui nest pas necessairement
genant.
En fait le processus de calcul sera le meme que pour les integrales doubles et triples.
3 Rappels de mecanique
Lespace est muni dun rep`ere orthonorme Oxyz
Pour un
Pensemble de points isoles Ai (xi , yi , zi ) affectes dune masse mi , de masse totale
M = i mi , on definit :
P
1 X
1 X
1 X
mi xi , Y =
mi yi , X =
mi zi
M i
M i
M i
o`u di est la distance du point Ai au point, a` laxe, ou au plan par rapport auquel le
moment dinertie est calcule.
bar-hen.net
318
Rappels de mecanique
Pour une tige porte par laxe Ox, de masse specifique (lineaire) (x), (a, b) e tant lensemble des abcisses des points de la tige, on obtient :
Z b
Z b
1
M=
(x)dx , X =
x(x)dx , (Y = Z = 0)
M a
a
Z b
I=
d2 (x)(x)dx
a
o`u d(x) est la distance du point A(x) de la tige, a` lelement par rapport auquel I est
calcule.
Pour un plaque plane situe sur le plan xOy, de masse specifique (superficielle) (x, y),
D e tant lensemble des couples (x, y) associes aux points de la plaque, on obtient :
Z Z
M =
(x, y)dxdy
D
Z Z
1
x(x, y)dxdy
X =
M
Z ZD
1
Y =
y(x, y)dxdy , (Z = 0)
M
D
Z Z
I=
d2 (x, y)(x, y)dxdy
D
o`u d(x, y) est la distance du point A(x, y) de la plaque, a` lelement par rapport auquel I
est calcule.
Pour un solide, a` 3 dimensions, de masse specifique (x, y, z), e tant lensemble des
triplets (x, y, z) definissant les points du solide, on a :
Z Z Z
Z Z
1
M=
(x, y, z)dxdydz , X =
x(x, y, z)dxdydz
M
D
Z Z
Z Z
1
1
Y =
y(x, y, z)dxdydz , Z =
z(x, y, z)dxdydz
M
M
D
D
Z Z
I=
d2 (x, y, z)(x, y, z)dxdydz
D
o`u d(x, y, z) est la distance du point A(x, y, z) du solide, a` lelement par rapport auquel
I est calcule.
Si le solide est homog`ene, la masse specifique est constante.
bar-hen.net
319
B. I NT E GRALES MULTIPLES
4 Exercices
RR
5. Calculer laire plane limitee par les courbes dequations, dans un rep`ere orthonorme y = x2 et y = 2 x2
6. Lespace est muni dun rep`ere orthonorme Oxyz. Calculer le moment dinertie, par
rapport a` laxe Oz, dune plaque homog`ene situe dans le plan xOy et limitee par
les courbes dequations : y 2 = 4x, x = 0, y = 2.
7. Determiner le centre de masse dune plaque semi-circulaire homog`ene, de centre
O et de rayon R.
RR
1
8. Calculer
dxdy o`u D est defini par {x 1, y 1, x + y 3}
D (x+y)2
RR
9. Calculer D x2xy
dxdy o`u D est le triangle de sommets : O(0, 0), A(a, a), B(a, 0)
+y 2
avec a > 0, les trois points e tant reperes par rapport a` un syst`eme orthonorme xOy.
RR 1
10. Calculer
dxdy o`u D est defini par {0 x 1, 0 y 1, x + y 1}
D x+y
RRR 2
11. Calculer
z dxdydz o`u D est defini par {x2 + y 2 + z 2 R2 }
R R RD
12. Calculer
zdxdydz o`u V est defini par {x 0, y 0, z 0, x + y + z a}
R R RV
13. Calculer
zd(x+y+z)dydz o`u V est defini par {h z h, x2 +y 2 R2 }
V
14. Calculer le volume, la masse, le moment dinertie par rapport a` son axe de revolution,
dun cone de revolution homog`ene, de hauteur H et de rayon de base R. Determiner
son centre de masse.
R R 1 (x2 +y2 )
R + 1 x2/
2 dx.
e
15. Calculer
e 2
dxdy. En deduire
R2
20. Lespace est muni dun rep`ere orthonorme. Calculer le volume et determiner le
centre de masse dun solide homog`ene limite par la surface dequation x2 +y 2 +z =
9 et le plan z = 0.
bar-hen.net
320
Exercices
21. Calculer le volume et determiner le centre de masse du solide homog`ene limite par
les plans dequations : x = 0, y = 0, z = 0, xa + yb + zc = 1, (a, b, c R+ )
22. Calculer le moment dinertie par rapport a` une de ses aretes dune plaque rectangulaire homog`ene.
bar-hen.net
321
B. I NT E GRALES MULTIPLES
5 Solutions
1. On a :
Z Z
I =
xydxdy =
D
1/
2
Z
=
xdx
0
1/
2
1
2
1 x2 4x3
=
+ x4
2 2
3
1
=
96
RR
ydy
0
2 12x
y
2
12x
Z
xdx
2. Soit I1 =
1/
2
12
0
1
=
2
1
4
1
+
8 24 16
xydxdy.
D1
(a) on a
Z
I1 =
R2 x2
xdx
ydy
0
R
Z
=
0
y2
xdx
2
R2 x2
0
R
2
1
1
x4
2
3
2x
=
(R x x )dx =
R
2 0
2
2
4 0
4
R
=
8
Z
Z /2
=
sin
2
4
R
=
8
2
Soit maintenant I2 =
Z
I2 =
r
4
RR
D2
R
0
xydxdy. On a :
R2 x2
xdx
0
r3 dr
0
2
bar-hen.net
cos sin d
ydy
Rx
322
Solutions
Z
=
0
y2
xdx
2
R2 x2
Rx
R
3
1
2x4
1
2
2
2
2
2x
(R x R x + 2Rx)xdx =
R
=
2 0
2
3
4 0
4
R
=
12
Z
3.
Z /2
Z
I =
xdx
0
sin(x + y)dy
0
Z0
=
x cos x +
+ cos x dx
2
0
Z
=
x(cos x + sin x)dx
0
R
R
On int`egre par parties
udv = uv vdu en posant x = u dx = du et
(cos x + sin x)dx = dv v = sin x cos x
Z
R + R +
1
4. Soit I = 0
dxdy. Le domaine dintegration peut e tre represente
(x2 +y 2 +a2 )2
0
dans un plan, muni dun rep`ere orthonorme, par le premier quadrant.
On passe en coordonnees polaires :
Z /2
I=
+
r
dr =
2
= 2
2
2
2
2
(r + a )
2
r +a 0
2a
Z
d
5. Dans un plan muni dun rep`ere orthonorme, laire a` calculer est limitee par deux
paraboles admettant y 0 Oy pour axe de symetrie et symetriques entre elles par rapport a` la droite dequation y = 1. Ces deux paraboles se coupent en A(1, 1) et
B(1, 1) : y = 2 x2 = x2 x2 = 1 x = 1. On a :
Z Z
S
dxdy =
Z
dx
2x2
x2
1
x3
8
dy =
(2 2x )dx = 2x 2
=
3 1 3
1
Z
6. La plaque plane est la surface entre laxe Oy, la droite y = 2 et la courbe y 2 = 4x.
On a, si D est lensemble des (x, y) definissant la plaque de masse specifique :
Z Z
I =
(x + y )dxdy =
D
Z
dy
y 2/
4
(x2 + y 2 )dx
bar-hen.net
323
B. I NT E GRALES MULTIPLES
y2/4
Z 2 6
y
y4
x3
2
=
=
dy
+y x
+
dy
3
192
4
0
0
0
7
2
y
y5
=
+
1344 20 0
178
=
105
Il est dusage dexprimer un moment dinertie en fonction de la masse M du solide.
Si S est laire de la plaque, on a :
Z Z
Z Z
M=
dxdy =
dxdy = S
Z
Z Z
y 2/
4
3 2
y
2
2
3 178
89
= M = I= M
= M
12 0 3
3
2 105
35
D
0
0
7. On choisit le rep`ere orthonorme Oxy de mani`ere que Oy soit laxe de symetrie de
la plaque. Soient la masse specifique (constante) de la plaque, M sa masse, D
lensemble des (x, y) definissant la plaque. Soit G(x, y) le centre de masse cherche.
On a :
Z Z
Z Z
X=
xdxdy =
r cos rdrd
M
M
D
R3
X=
cos d
r2 dr =
[sin ]0 = 0
M 0
M 3
0
Ce resultat e tait previsible puisque Oy est un axe de symetrie. Le centre de masse
est donc situe sur Oy et a pour ordonnee :
Z Z
Z Z
Z
Z R
R3
2
Y =
ydxdy =
r sin rdrd =
sin d
r dr =
[ cos ]0
M
M
M 0
M 3
D
0
cest-`a-dire
2 3
Y =
R
3M
RR
RR
Or M =
dxdy = D dxdy = 12 R2 M = R2 2 . Finalement :
D
S=
dxdy =
dy
dx =
4
R 0.4244R
3
8. Le domaine dintegration est facile a` representer. On a :
Z Z
Z 2 Z 3x
1
1
dxdy =
dx
dy
2
(x + y)2
D (x + y)
1
1
3x
Z 2
1
=
dx
(x + y) 1
1
Z 2
1
1
=
+
dx
3 x+1
1
h
x i2
3 1
= log(x + 1)
= log
3 1
2 3
Y =
bar-hen.net
324
Solutions
9. Soit I =
RR
xy
dxdy.
D x2 +y 2
Z /4
Z a
cos
=
cos sin d
rdr
Z Z
I =
Z /4
a
cos sin d
2 cos2
0
Z /4
sin
a2
d
=
2 0 cos
a2
= [log(cos )]0 /4
2
a2
a2
=
log 2 =
log 2
2
4
=
10. Soit I =
1
dxdy.
D x+y
R1
1
dy 1y x+y
dx
0
RR
R1
1
dy[log(x
+
y)]
=
log(1 + y)dy.
1y
0
0
R
R
On int`egre par parties :
udv = uv vdu en posant dv = dy v = y et
log(1 + y) = u du = dy
On a I =
R1
R1
1+y
1
y
I = [y log(1 +
dy
0 1+y
Z 1
Z 1
1+y
1
= log 2
dy +
dy
0 1+y
0 1+y
= log 2 [y]10 + [log(1 + y)]10
= 2 log 2 1 0.3863
y)]10
RRR 2
11. Soit I =
z dxdydz.
D
Lespace e tant muni dun rep`ere orthonorme dorigine O, le domaine dintegration
peut e tre represente par lensemble des points situes a` linterieur dune sph`ere de
centre O et de rayon R. La symetrie de revolution autour de laxe Oz sugg`ere le
passage aux coordonnees cylindres, cest-`a-dire le changement : x = r cos ; y =
r sin ; z = z. Le domaine dintegration e tant defini par 0 2, 0 r R,
z 2 + r 2 R2 .
cos r sin 0
D(x,y)
Le Jacobien de cette transformation est D(u,v)
= sin r cos 0 = r
0
0
1
Do`u |J| = |r| = r.
finalement
Z
Z Z Z
2
I=
z rdrddz =
Z
rdr
d
0
R2 r 2
R2 z 2
Z
dz = 2
0
2 2 2 3/2
(R r ) rdr
3
bar-hen.net
325
B. I NT E GRALES MULTIPLES
h
iR
2
4
2
2 5/2
Do`u I = 2
(R
r
)
= 15
R5
3
5
0
RRR
12. Soit I =
zdxdydz.
V
On remarque que x + y + z 0 a 0. Les triplets (x, y, z) du domaine V sont
tels que :
0xayz
0 y a z la condition 12 impliquant a y z 0 y a z
0 z a la condition
impliquant
a
Ra
R12
R ayza z
R a0 zR az
az
On en deduit I = 0 zdz 0 dy 0
dx = 0 zdz 0 (a y z)dy
az Z a
a
Z a
1
1 2 z2
z3 z4
a4
y2
2
=
(az) zdz =
a
2a +
=
zdz (a z)y
2 0
2
2
3
4 0 24
0 2
0
Lespace e tant muni dun rep`ere orthonorme, le domaine dintegration V peut e tre
represente par une pyramide de sommet O.
RRR
13. Soit I =
(x + y + z)dxdydz.
V
Lespace e tant muni dun rep`ere orthonorme Oxyz, le domaine dintegration V
peut e tre represente par lensemble des points situes a` linterieur dun cylindre de
revolution autour de laxe Oz. On a :
Z R
Z R2 x2
Z h
I =
dy
(x + y + z)dz
dx
R2 x2
R2 x2
h
z2
xz + yz +
dy
=
dx
2 h
R2 x2
R
Z R
Z R2 x2
=
dx
2h(x + y)dy
Z
R2 x2
R2 x2
y2
=
2hdx xy +
2 R2 x2
R
Z R
=
2h2x R2 x2 dx
Z
Do`u
R
2 2
2 3/2
I = 2h (R x )
=0
3
R
bar-hen.net
326
Solutions
= 13 R2 H
2
H2
3
0
RRR
1
2
On a M =
dxdydz
=
V
=
R
H
3
D
RRR
RRR
R 2 R H R R z
2
2
On a I =
(x +y )dxdydz =
rr2 drddz = 0 d 0 dz 0H r3 dr =
D
R H R4 4
1
R4 H 5
1
3
4
2
2 41 0 H
4 z dz = 2 H 4 5 = 10 R H = 10 M R
Le cone e tant homog`ene, il est e vident que le centre de masse G(X, Y, Z) est sur
laxe Oz, donc X = Y = 0 (`a verifier). On a :
RRR
RRR
R 2 R H
R Rz
H
Z = M1
zdxdydz
=
zrdrddz
=
d
zdz
rdr =
M i
M 0
D
0
0
h
H
R
2
2
4
H R 3
R
z
2 21 0 H
= 14 M R2 H 2 = 34 H
2 z dz = M H 2
M
4
0
RR
R + 1 2 R + 1 2
1
2
2
15. Il est clair que lon a : J =
e 2 (x +y ) dxdy = e 2 x dx e 2 y dy =
RR
R + 1 2
I I = I 2 en posant I = e 2 u du
R R 1 r2
Or si on passe en coordonnees polaires, on : J =
e 2 rdrd o`u est defini
par : {0 2, r 0}
h
i+
R 2 R + 1 r2
21 r 2
2
2
donc J = 0 d 0 e
rdr = []0 e
= 2 1 = 2
0
R + 1 1 u2
On en deduit I = 2 et donc 2 e 2 du = 1
RR
2
2
2
16. On a S =
dxdy o`u DRest
D
R defini par x + y R . En passant en coordonnees
polaires, on obtient : S =
rdrd o`u est defini par {0 2, r R
h 2 iR
R 2 R R
r
donc S = 0 d 0 rdr = []2
= R2
0
2
0
RRR
2
2
2
2
17. On a : V =
dxdydz o`u D est defini par
D
R R xR + y + z R . En passant
en coordonnees polaires, on obtient : V =
rdrddz o`u est defini par
{0 2, 0 r R, z 2 + r2 R2 }
iR
h
R 2 R R
R R2 r2
R 2 R R
2
2
2 3/2
2
2
donc V = 0 d 0 rdr R2 r2 dz = 0 d 0 r2 R r dr = 2 3 (R r )
=
0
4
R3
3
bar-hen.net