V 1.6
Marc MENOU
Janvier 2012
RAPPELS MATHEMATIQUES
2.1 ENSEMBLE :
2.2 CARDINAL :
2.3 INCLUSION :
2.4 SOUS-ENSEMBLE :
10
2.6 COMPLEMENTAIRE :
10
2.7 REUNION :
10
2.8 INTERSECTION :
11
2.9 DIFFERENCE :
12
12
13
13
14
15
15
3.1.1Arrangements :
16
3.1.2 Permutations :
16
3.1.3 combinaisons :
17
19
3.2.1 Arrangements
19
3.2.2 Permutations
19
3.2.3 combinaisons
20
EN PRATIQUE :
21
4 LES PROBABILITES
22
22
22
23
4.4 EVENEMENTS :
23
24
25
25
26
26
4.8 EQUIPROBABILITE :
26
27
4.10 INDEPENDANCE :
28
29
30
31
4.14 EXERCICES
32
35
35
36
36
37
5.1.3 MOMENTS
38
39
5.1.3.2 variance
39
40
41
42
42
43
43
44
44
5.2.7 MOMENTS
44
44
5.2.7.2 variance :
45
45
49
49
49
50
50
51
52
53
54
55
56
56
57
61
62
63
1 INTRODUCTION
La ralit est trop complexe pour tre directement intelligible par l'tre humain. Aussi, le rle de
la statistique est-il de permettre lhomme la comprhension du rel. Elle constitue, en effet, un
ensemble de techniques intermdiaires entre le concret et l'abstrait. Elle cherche vacuer
objectivement le culturel qui filtre mdiatiquement la perception.
De ce fait, elle peut tre sujette caution, car, comme le remarque P. VALERY : "Ce qui est
simple est faux, ce qui ne l'est pas est inutilisable".
Cependant, comme la dmarche statistique, dans la recherche de la simplification, est
relativement rationnelle, il est possible d'affirmer qu'il n'y a de vrit que statistique, que tout le
reste n'est que littrature.
La ralit se traduit par des objets caractriss par des distributions d'effectifs (absolus) et de
frquences (relatives). L'observation, le classement, la reprsentation et la simplification de ces
donnes constituent l'objet des statistiques descriptives tudies en premire anne.
Les statistiques descriptives permettent la connaissance. Mais le but de la connaissance c'est
l'action.
Agir, dans un contexte conomique caractris par la raret, c'est faire des choix qui prsentent
des cots alternatifs. Ce choix a toujours un caractre inter-temporel. Or, le futur est inconnu et
donc source d'incertitude. Pour agir, il faut lever l'incertitude.
Le corps de connaissances accumules par les sciences permet cependant d'envisager et d'valuer
un certain nombre d'hypothses quant ce futur. Les probabilits fournissent une mthode
d'valuation des choix alternatifs par anticipation. Elles servent donc de base aux techniques
d'estimation et de dcision.
L'objet de ce cours est donc, de prparer la statistique infrentielle.
NOTE IMPORTANTE :
Ce mmento a pour objet dviter la prise de notes en cours, il ne dispense en aucun cas de
l'assiduit. Le cours sera enrichi d'exemples, de dmonstrations et d'exercices. Lexamen porte
sur le cours dispens.
RAPPELS MATHEMATIQUES
2.1 Ensemble :
Un ensemble est une collection d'objets, appels lments, possdant au moins une
caractristique commune tous.
Un ensemble est dfini lorsqu'il est possible pour tout objet de prciser s'il appartient ou non
l'ensemble considr. Dfinir un ensemble c'est crer une enveloppe distinguant un dedans et un
dehors.
Un ensemble est dfini en extension lorsque ses lments sont cits, en comprhension lorsqu'une
proprit caractristique permet de prciser l'appartenance l'ensemble.
Remarque : ce mode binaire de dfinition d'un ensemble peut cependant tre remis en question.
La thorie des sous-ensembles flous1 (fuzy sets) module le degr d'appartenance des lments.
Les ensembles sont reprsents par des diagrammes de VENN.
2.2 Cardinal :
Le cardinal d'un ensemble E, not card E, est le nombre d'lments de l'ensemble.
2.3 Inclusion :
Un ensemble F est strictement inclus dans l'ensemble E, F E, si et seulement si tout lment de
F est lment de E.
2.4 Sous-ensemble :
Un sous-ensemble, ou partie, F de E est un ensemble d'lments inclus dans E.
2.6 Complmentaire :
Le complmentaire dans E du sous-ensemble A est l'ensemble des lments de E qui
n'appartiennent pas A. Il est souvent not non A ou A .
E est appel le rfrentiel
Complmentaire
A
E
EXEMPLE : E = a, e, i, o, u, y
A = i, y
non A = a, e, o, u
2.7 Runion :
La runion de deux ensembles, note A B, est l'ensemble form des lments appartenant l'un
ou (non exclusif) l'autre ensemble.
La runion est :
Commutative A B = B A
10
Associative A B C = A (B C) = (A B) C
Distributive par rapport l'intersection
A (B C) = (A B) (A C)
B
EXEMPLE : A = 0, 2, 4, 6, 8 B = 0, 1, 2, 3, 4
A B = 0, 1, 2, 3, 4, 6, 8
2.8 Intersection :
L'intersection de deux ensembles, note A B, est l'ensemble form des lments communs
l'un et l'autre.
L'intersection est
Commutative A B = B A
Associative A B C = A (B C) = (A B) C
Distributive par rapport la runion
A (B C) = (A B) (A C)
Si des ensembles n'ont aucun lment commun, si lintersection est vide, ils sont dits disjoints.
11
EXEMPLE : A = 0, 2, 4, 6, 8 B = 0, 1, 2, 3, 4
A B = 0, 2, 4
2.9 Diffrence :
L'ensemble de tous les lments de A qui n'appartiennent pas B est appel diffrence de A et B
not A - B.
B
A
EXEMPLE : A = 0, 2, 4, 6, 8 B = 0, 1, 2, 3, 4
A - B = 6, 8
12
lments de E.
si card E = n ==> card P(E) = 2n
Lensemble des parties dun ensemble peut se dterminer facilement et exhaustivement en
utilisant un arbre dichotomique.
EXEMPLE : E = a, b, c
P(E) = , a , b , c , a , b , a , c , b , c , E
card E = 3 ==> card P(E) = 23 = 8
UA
=E
13
(a , 1)
(a , 2)
(a , 3 )
(b , 1)
(b , 2)
(b , 3)
14
L'analyse combinatoire est base sur l'tablissement d'applications entre deux ensembles, un
d'objets, l'autre de cases. Ainsi, tout problme de dnombrement se ramne la disposition de n
objets dans p cases.
n +1 2
Chaque objet ne peut tre utilis qu'une fois. Il ne peut figurer que dans une seule case. Cela
correspond des tirages dans une urne sans remise.
Il existe trois concepts : les arrangements (3.1.1), les permutations (3.1.2) et les combinaisons
15
(3.1.3).
3.1.1Arrangements :
Un arrangement de n objets dans p cases est toute suite ordonne obtenue en plaant les p objets
choisis parmi les n dans les p cases.
Un arrangement est donc une application injective de l'ensemble des cases dans celui des objets.
Deux choix successifs sont effectuer : il faut d'abord choisir les p objets retenir parmi les n, et
ensuite choisir leur place (case). La place des objets a donc de l'importance, ce qui peut
s'exprimer en disant que les cases sont repres (numrotes par exemple), ou quelles reprent
les objets.
Les p lments objets sont tirs successivement.
Le nombre d'arrangements est donn par :
n!
Anp = n(n "1)(n " 2)...(n " p + 1) =
(n " p)!
!
EXEMPLE : On considre lensemble E = , , Indiquer toutes les possibilits
darrangements de deux lments. , , , , , ,
Vrifier le nombre darrangements.
On cherche dnombrer toutes les possibilits darrive dun tierc de 20 chevaux dans lordre.
6840 possibilits
3.1.2 Permutations :
Une permutation est un cas particulier darrangement de n lments dans n cases (p = n). Tous les
objets sont utiliss, il n'y a donc pas de choix effectuer parmi les objets, seule leur place
importe.
M. MENOU / PROBABILITES ET STATISTIQUE
16
Une permutation est donc une application bijective de l'ensemble des cases dans celui des objets.
n!
n! n!
= = = n!
(n " n)! 0! 1
3.1.3 combinaisons :
Une combinaison de n lments est constitue de tout sous-ensemble de p lments.
Ce sont les arrangements, de n objets dans p cases dont la place n'a pas d'importance. Il faut donc
de ces arrangements dduire toutes les permutations de p objets. Les cases jouent toutes le mme
rle, elles ne se distinguent pas, le seul problme est celui du choix des objets retenir.
Les p lments objets sont tirs en une fois, ce sont des tirages simultans.
Le nombre de combinaisons est donn par :
Ap
n!
Cnp = n =
p! (n " p)! p!
17
Triangle de PASCAL :
1
11
121
1331
14641
1 5 10 10 5 1
C 00
C10 C11
C 02 C12 C22
C30 C13 C23 C33
p
proprits de Cn (cf. le triangle de PASCAL):
p
n-p
Cn = Cn
Symtrie
p
p
p-1
Cn = Cn-1 + Cn-1
formule du binome :
n n k k n-k
(a + b) = Cn a b
k=0
18
Le mme objet peut tre rutilis (il peut se trouver dans plusieurs cases). Cela correspond des
tirages avec remise.
3.2.1 Arrangements
Le nombre de tels arrangements est donn par :
p
3.2.2 Permutations
Ici, ce nest pas vritablement une permutation avec rptition car, si on dispose dautant dobjets
que de cases, comme le veut la dfinition des permutations, il ny a pas de place pour les
rptitions. Si n objets sont distinguables en r groupes de tailles respectives n1 ... nr, il faut
considrer que chaque permutation des objets d'un mme groupe ne constitue pas une
permutation diffrente de l'ensemble. Ces permutations-l doivent donc tre dduites.
19
BBRV
B R B V en permutant le 2me et le 3me lment cela change
B B R V en permutant le 1er et 2me lment il ny a pas de changement
Le nombre de permutations est donn par :
n!
n2
nr
= Cnn1 Cn"n
...Cn"n
1
1 "..."n r "1
n1!n 2!...n r!
De cette expression se dduit la formule multinomiale.
!
EXEMPLE : On dispose de 3 et de 2 Quelles sont toutes les dispositions possibles.
3.2.3 combinaisons
Le mme objet pouvant se rpter p - 1 fois au maximum, cela revient disposer de n+p-1 objets
dont il s'agit d'en choisir p. Il faut rajouter p - 1 objets aux n existants et considrer alors que lon
est dans le cas des combinaisons sans rptition.
Le nombre de combinaison est donn par :
p
p
C
Kn = n+p-1
20
En pratique :
Pour comprendre les exercices, il est conseill de visualiser le problme avec des ensembles plus
simples (cardinaux n et p infrieurs), de constituer des modles rduits.
Pour effectuer tout dnombrement, il est ncessaire de chercher adopter un dispositif matriel
susceptible de permettre d'obtenir l'vnement, dont on cherche valuer tous les cas, tous les
coups.
21
4 LES PROBABILITES
Lintrt des probabilits en statistique repose sur le fait que :
Lobservation est entache derreurs ;
Les phnomnes observs sapparentent des modles mathmatiques de lois alatoires ;
La composition des chantillons dpend du hasard.
Seront successivement passs en revue les concepts : dpreuve alatoire (4.1), rsultat dune
preuve (4.2), univers des possibles (4.3), vnement (4.4), correspondance entre ensembles et
vnements (4.5), probabilit et frquence (4.6), dfinition axiomatique des probabilits (4.7),
quiprobabilit (4.8), probabilits conditionnelles (4.9), indpendance (4.10), thorme de Bayes
(4.11), thorme des probabilits totales (4.12) et formule de Poincar.
Exemple : la face qui rsulte du jet d'un d, le chiffre d'affaires d'une entreprise.
22
4.4 Evnements :
Un vnement est une partie (et non un lment) de l'univers des possibles. Il est ncessaire de
bien distinguer les vnements lmentaires des vnements tout court .
Exemple : { 6 }
Un vnement est ralis si la ralit est un lment de cet vnement, cest--dire de cette partie
de .
23
Evnement certain : un vnement est certain s'il correspond , c'est--dire la partie pleine de
P().
Rfrentiel
lment a de
lment r (ralit)
vnement A de
partie A de
vnement A ralis
rA
vnement certain
vnement impossible
ensemble
ensemble vide
vnement contraire de A
complmentaire A de A
r B ou r B
vnement A ou B
vnement A ou B ralis
vnement A et B
l'vnement A et B est ralis
AUB
rAUB
AB
rAB
24
AB
partition de
IR
Un axiome est une vrit non dmontrable qui simpose avec vidence
25
P(A)
4.8 quiprobabilit :
Lorsque le bon sens indique qu'aucun vnement lmentaire ne semble devoir tre plus favoris
qu'un autre, ces vnements sont dits quiprobables. Cela signifie que chaque vnement
lmentaire a la mme probabilit, la distribution de probabilits est dite uniforme.
26
Si le cardinal de est n, comme P() = 1, la probabilit d'un vnement lmentaire est 1/card
= 1/n.
Tout vnement A correspondant la runion d'vnements lmentaires, sa probabilit est card
A / card .
Ce thorme permet de dfinir, de faon oprationnelle, la probabilit d'un vnement comme
tant le rapport d'un nombre de cas favorables sur un nombre de cas galement possibles. Il est
cependant ncessaire de ne pas oublier que les vnements lmentaires doivent tre
quiprobables.
Si p est la probabilit dun vnement, sa cote est p / q (p contre q), cest le rapport de p sur q.
Il s'agit de dterminer la probabilit d'un vnement A sachant que l'vnement B est ralis.
Le fait que B soit ralis apporte une information plus ou moins grande quant la ralisation de
A. Quoi qu'il en soit, l'univers des possibles peut alors se restreindre du fait de cette information.
27
cardA ! B
cardB
4.10 Indpendance :
Deux vnements sont indpendants si la ralisation de l'un n'agit pas sur la ralisation de l'autre.
Si A et B sont indpendants, la connaissance de la ralisation de l'un n'apporte aucune
information, sur la probabilit de l'autre.
28
29
E
C
non E
P(E/C)
non C
P(C)
1 - P(C)
_
__
P(C/E) = (P(E/C).P(C)) / (P(E/C).P(C) + P(E/C).P(C))
EXEMPLE : Lquipe de France de rugby gagne (E) 8 fois sur 10 quand il fait beau (C) et 4 fois
sur 10 quand il pleut (non C). La mto indique quil fait beau une fois sur 3. Sachant que les
Franais ont gagn, quelle est la probabilit quil ait fait beau ?
8 x1
8
8
10
3
p(C/ E) = 8
= 1630 =
= 0,5
1
4
2
10 x 3 + 10 x 3
30 16
30
EXEMPLE : Au jet dun d, quelle est la probabilit dobtenir 6 (A) ou un nombre pair (B).
P(A B) = P(A) + P(B) - P(A B)
= 1/6 + 3/6 - 1/6 = 3/6 = 1/2
EXEMPLE : Dans un bal 4 couples dansent le rock. Une coupure dlectricit spare les couples.
Chaque cavalier choisit alors une partenaire au hasard. Quelle est la probabilit quil y ait au
moins un cavalier qui retrouve sa cavalire du dpart ?
P(Ai) = 0,25 = 1/4
P(Ai Aj) = 0,25 x 0,33 = 0,0825 = 1/4 x 1/3
P(Ai Aj Ak) = 0,04125 = 1/4 x 1/3 x 1/2
P(AI Aj Ak Al) = 1 / 4! = 0,04125 = 1/4 x 1/3 x 1/2 x 1/1
! 4 $
p## U Ai && = C41O, 25 ' C42 0, 0825 + C43 0, 04125 ' C44 0, 04125
" i =1 %
= 4x0, 25 ' 6x0, 0825 + 4x0, 04125 ' 0, 04125 = 1 ' 0, 495 + 0,165 ' 0, 04125 = 0, 6283
31
4.14 Exercices
EXERCICE : On jette une pice de monnaie 3 fois de suite. Soit A lvnement : le mme ct
apparat trois fois et lvnement B : le ct face apparat au moins deux fois.
Donner la composition de lunivers des possibles
PFP
PFF
FPP
FPF
FFP
FFF
1er jet
2me jet
3me jet
32
(P, P)
(P, F)
(F, P)
(F, F)
PP
PPP
PPF
PF
PFP
PFF
FP
FPP
FPF
FF
FFP
FFF
2 = x
x
3 = x X
Donner le cardinal de .
Card 3 = 23 = 8
A = PPP, FFF
Card A = 2
Card A B = 1
P(A) = 2 / 8 = 0,25
P(B) = 4 / 8 = 0,5
P(A B) = 1 / 8 = 0,125
34
ei
P(X = xi)
X(ei)=xi
IR
35
Il est donc toujours ncessaire de dfinir X et X(), l'ensemble des valeurs thoriquement prises
par la variable alatoire.
Deux types de variables alatoires sont distinguer : les variables discrtes (5.1) et les variables
continues (5.2).
Les points suivants sont abords : loi de probabilit (5.1.1), fonction de rpartition (5.1.2) et
moments (5.1.3).
36
pi = 1
i
xi
pi = P(X = xi)
0,10
0,50
0,35
0,05
Pi
xi
-1
F(x) = P(X x) = P(X ] -, x [)
(dfinition anglo-saxonne)
37
xi
P(X xi)
0,10
0,60
0,95
P(X xi)
xi
Proprits :
F est une fonction en escalier croissante de 0 1, continue droite.
5.1.3 moments
Les moments sont des valeurs caractristiques de la variable. Ils renseignent sur son ordre de
38
xi
pi
xi pi
0,10
0,1
0,50
0,35
1,05
0,05
0,2
E(X) = 2,35
5.1.3.2 variance
faible E(X)
forte
E(X)
2
39
V(X) = pi xi - (E(X))
i
xi
pi
xi2 pi
0,10
0,1
0,50
0,35
3,15
0,05
0,8
V(X) = 6,05 - (2,35)2 = 0,53
proprits de la variance :
V(a) = 0
2
V(aX) = a V(X)
V(X + a) = V(X)
V(X) V(X) en gnral sauf si les variables sont indpendantes
Ecart type :
Pour se ramener la mme unit que la variable, on calcule lcart type. La variance faisant
intervenir le carr de la variable, lcart type se calcule en prenant la racine carre de la variance.
ET(X) = 0,728
5.1.3.3 autres moments
moments non centrs d'ordre r :
r
r
mr = E(X ) = pi xi
i
r = 1 esprance mathmatique
moments centrs d'ordre r :
r
r
r = E[X - E(X)] = pi [xi - E(X)]
i
r = 2 variance
Les moments n'existent que si les sries convergent.
40
EXERCICE : On a plac dans une urne 4 pices de 0,1 et 6 pices de 0,5 . On tire
simultanment 2 de ces pices. On dfinit une variable alatoire X par le total des pices tires.
a) Quelles sont les valeurs possibles de X ?
b) Loi de probabilit de X ?
c) Fonction de rpartition de X ?
d) Esprance mathmatique de X ?
e) Variance de X ?
a) X() = 0,2 ; 0,6 ; 1
b) P(X = 0,2) = 12/90 = 0,13
P(X = 0,6) = 48/90 = 0,53
P(X = 1) = 30/90 = 0,34
C) P(X x)
P(X 0,2) = 12/90 = 0,13
P(X 0,6) = 60/90 = 0,66
P(X 1) = 90/90 = 1
d) E(X) = 0,13 x 0,2 + 0,53 x 0,6 + 0,34 x 1 =
E(X) = 0,026 + 0,318 + 0,34 = 0,684
e) E(X2) = 0,0052 + 0,1908 + 0,34 = 0,536 2
V(X) = 0,13 x 0,22 + 0,53 x 0,62 + 0,34 x 12 - 6,842 =
V(X) = 0,536 - 6,842 = 0,068144 2
ET(X) = 0,261044
Les vnements de la forme X = x sont de probabilit nulle, non parce qu'ils sont impossibles,
mais parce qu'ils exigent une trop grande prcision. En revanche, se situer proximit de x cest-dire dans un voisinage ([x- ; x+]) proche de X = x est probable.
Pour une variable alatoire continue, il est dit quil nexiste pas de probabilit ponctuelle. En
gomtrie, le point est rput tre sans dimension, il ne peut donc tre lobjet dune mesure. Or,
la probabilit est prcisment une mesure densemble.
Les concepts sont les suivants : fonction de rpartition (5.2.1), proprits de la fonction de
rpartition (5.2.2), variable alatoire absolument continue (5.2.3), densit de probabilit (5.2.4),
proprit de la fonction densit (5.2.5), probabilit dun intervalle (5.2.6), moments (5.2.7).
42
F(x)
1
F(x) =
# f (t)dt
!"
L'lment diffrentiel f(x) dx est appel probabilit lmentaire, c'est ce qui, par abus de langage,
correspond la probabilit pi (car la probabilit ponctuelle n'existe pas).
f(x) dx = P(x X < x + dx)
f(x) est la drive de la fonction de rpartition F(x).
# f (x) dx = 1
!"
"#
"#
5.2.7 moments
5.2.7.1 esprance mathmatique :
44
+"
E(X ) =
# xf (x)dx
!"
Lesprance mathmatique a, bien entendu, les mmes proprits que dans le cas discret.
5.2.7.2 variance :
+"
+"
+"
$
'
2
2
&
V( X) = # (x ! E(x )) f(x)dx = # x f(x)dx ! # xf(x)dx)
% !"
(
!"
!"
V(X) = E(X2)-E2(X)
La variance a, bien entendu, les mmes proprits que dans le cas discret.
A partir de la variance, on calcule lcart type. Lcart type est la racine carre de la variance.
E(X ) =
#x
f (x)dx
!"
centr d'ordre r :
45
+"
r
EXERCICE :
k
pour
x
= 0 sinon
f(x) =
x ! [1, 4]
k
dx = 1
x
!
1
"1
k! x 2 dx = 1
1
# 12 &
a) 2k % x ( = 1
$ '
1
2k( 4 " 1 ) = 1
k=
1
2
b)
!3
1 1
f' (x) = ! " x 2 < 0
2 2
x
1/2
46
1/4
0
1/2
1/4
c)
x
1
" 12 %
F( x) = !
dt = $ t ' = x 2 ( 1
2
t
# &1
1
d)
4
4
1
3
3
3
- 1
1
1 2# &
1*
7
E(x) = !
dx = ! x 2 dx = " % x 2 ( = , 4 2 ) 12 / = (8 ) 1) =
2 x
21
2 3 $ '1 3 +
. 3
3
1
e)
47
3
5
5
5
2
x2
14 2
1 2 ( 2 + # 7 % 2 1 #. 2
% # 7% 2
# 7%
2
2/
V(x ) = !
dx " E (x) = ! x dx " $ & = ' x
"
=
4 "1 " $ &
2 x
21
3
2 5 *) -,1 $ 3 &
5$
3
&
1
4
1
49 31x9 49x5 279 " 245 34
"
=
=
(32 " 1) " =
5
9
45
45
45
45
48
Les principales lois discrtes sont : loi certaine (6.1.1), loi uniforme (6.1.2), loi de Bernoulli
(6.1.3), loi binomiale (6.1.4), loi de Poisson (6.1.5), loi multinomiale (6.1.6), loi gomtrique
(6.1.7) et loi hypergomtrique (6.1.8).
F(x)
moments :
E(X) = (n + 1) / 2
V(X) = (n2 - 1) / 12
Coefficient d'asymtrie 0
Coefficient d'aplatissement -6/5 (n2+1)/(n2-1) + 3
50
Cette v.a. correspond au rsultat d'une exprience comportant deux issues E et S. Elle est aussi
dnomme variable indicatrice, car elle permet d'indiquer si un vnement s'est produit ou pas.
Lurne contient deux catgories de boules en proportion p et q. On effectue un tirage, et on note
si cest un succs ou un chec.
X() = { 0 , 1 } O pour chec, 1 pour succs
loi de probabilit :
P(X = 1) = p
P(X = 0) = q = 1 - p
moments :
E(X) = p
V(X) = pq
moments :
Esprance E(X) = np
51
somme :
La somme de variables alatoires indpendantes suivant des lois binomiales de paramtres (n1 ,
p) et (n2 , p), donc de mme probabilit de succs p, est une variable alatoire suivant une loi
binomiale de paramtres (n1 + n2 , p).
comportement asymptotique :
La loi binomiale peut tre approxime par une loi de POISSON si n 30, p 0,1 , np 10.
La loi binomiale peut tre approxime par une loi normale si n > 20, p et q voisin de 0,5 , np et
nq > 15.
EXEMPLE : On prlve au hasard 50 spcimens dans une chane de mise en botes de conserve
et lon en pse le contenu. On sintresse au nombre de botes qui ont un poids suprieur ou gal
au poids indiqu.
52
E(X) =
V(X) =
Coefficient de symtrie 1/
Coefficient d'aplatissement 3 + (1/)
somme :
La somme de deux variables alatoires indpendantes suivant des lois de POISSON est une
variable de POISSON dont le paramtre est la somme des paramtres.
comportement asymptotique :
La loi de POISSON est la limite d'une loi binomiale. Le paramtre (esprance de la loi de
Poisson) est gal np (esprance de la loi binomiale).
Les conditions vrifier pour que l'approximation soit relativement correcte sont :
n 30 , p 0,1 , np 10
La loi de POISSON peut tre approxime par une loi normale si np > 15.
(X - ) / suit une N(0,1) pour grand
EXEMPLE : Une nuit dt, on observe en moyenne une toile filante toutes les 10 minutes.
Quelle est la probabilit den observer 2 en un quart dheure ?
6 par h. donc = 1,5 par quart dh. P(X = 2) = 0,25
loi de probabilit :
n1 nm
P(N1 = n1, ..., Nm = nm) = n! / (n1! ... nm!) p1 ... pm
moments :
E(Nj) = n pj
V(Nj) = n pj qj
Cov(Nj,Nk) = - n pj pk j = k
loi de probabilit :
x-1
P(X = x) = q
p
moments :
E(X) = 1 / p
2
V(X) = q / p
54
EXEMPLE : Un tireur larc atteint le centre de la cible 1 fois sur 4. Quelle est la probabilit
quil russisse pour la premire fois au deuxime tir ?
p = 0,25
q = 1 0,25 = 0,75
E(X) = n p
V(X) = npq (N - n) / (N - 1)
comportement asymptotique :
La loi hypergomtrique peut tre approxime par une loi binomiale si :
N est grand et si n/N < 0,1
EXEMPLE : On tire 8 cartes dun jeu de 32, quelle est la probabilit davoir 4 as ?
55
ailleurs
xa
F(x) = (x - a) / (b - a)
F(x) = 1
a<xb
x>b
56
S
a
1
S
moments :
E(X) = (a + b) / 2
V(X) = (b - a)2 / 12
Coefficient d'asymtrie 0
Coefficient d'aplatissement 9/5
57
$1
(x$ )2
1
2
f (x) =
e 2"
" 2#
X est symtrique par rapport . E(X) = est aussi mdiane.
fonction de rpartition :
x
P(X x) =
F(x) =
# f (t)dt
!"
de mme :
b
P(a X b) =
! f (x)dx
a
Le calcul de ces intgrales tant peu facile, les valeurs de la fonction de rpartition sont
rpertories dans une table, tabules. Mais, le nombre de couples (,) tant infini, il devrait
exister un nombre infini de tables. Afin de pallier cet inconvnient, il est dfini une loi dite
normale standard. Cette loi normale est aussi appele loi centre rduite, car ses paramtres sont
= 0 et = 1.
fonction densit :
#1
(x )2
1
f (x) =
e2
2"
Pour passer d'une variable X, suivant une loi normale quelconque, une variable Z suivant la loi
M. MENOU / PROBABILITES ET STATISTIQUE
58
notes (z), que pour les valeurs de Z 0. Un certain nombre de relations sont donc utiles pour se
servir des tables :
P(Z > z) = 1 - P(Z < z)
P(Z < - z) = 1 - P(Z < z)
P(Z > - z) = P(Z < z)
P(|Z| z) = 2 P(Z < z) - 1
P(|Z| z) = 2 ( 1 - P(Z < z) )
P(a < Z < b) = P(Z < b) P(Z < a)
Quelques valeurs sont intressantes :
P(-1<Z<+1) = 0,6827 P(-2<Z<+2) = 0,9545 P(-3<Z<+3) = 0,9973
moments :
E(X) =
V(X) = 2 agit sur la largeur de la distribution et sur la hauteur.
coefficient de symtrie 0
coefficient d'applatissement 3
comportement asymptotique :
approximation d'une loi binomiale :
X suit une loi binomiale (n,p)
si n --> (X - np)/(npq) suit une loi normale (0,1)
conditions : n grand, p proche de 0.5 (0,1 < p < 0,9)
soit np > 15
59
correction de continuit :
Comme la loi Normale est une loi continue, la probabilit ponctuelle nexiste pas.
Donc P(X = xi) = 0
f(xi)
xi-0,5
xi
Xi+0,5
f(xi)
xi-0,5
xi
Xi+0,5
Les deux triangles tant approximativement gaux, la surface est toujours f(xi).
M. MENOU / PROBABILITES ET STATISTIQUE
60
EXEMPLE 1: La capacit respiratoire de 400 hommes suit une loi normale de paramtres 3,7 l en
moyenne et de 0,7 l dcart type. Quel est le nombre de personnes qui ont une capacit
respiratoire infrieure ou gale 3,21 l.
P(Z < - 0,7) = 1 - P(Z < 0,7) = 1 - 0,75804 = 0,24196
n = 400 x 0,24196 96
EXEMPLE 2 : La dure de vie de 2000 lampes suit une loi normale N(1000, 200). Aprs
combien dheures dutilisation peut-on estimer que 10 % des lampes sont hors dusage.
P(X x) = 0,1
1 - P(Z ?) = 0,9
table : P(Z 1,285) = 0,9
1,285 = -
x ! 1000
200
alatoire gale la somme des carrs de n variables alatoires indpendantes suivant toutes la loi
normale N (0,1).
X() = [0,+ [
fonction densit :
f(x) = (2 n/2 (n/2))-1 e-x/2 x(n/2)-1 1IIR+(x)
fonction de rpartition:
voir table
moments :
E(X) = n
V(X) = 2n
somme :
La variable alatoire, forme par la somme de deux variables alatoires indpendantes suivant
des lois du khi-deux n et m degrs de libert, suit une loi du khi-deux n+m degrs de libert.
comportement asymptotique :
X "n
converge en loi vers une N(0,1) quand n -->
2n
En pratique n > 100
!
Cette loi est utile pour les tests dindpendance entre deux variables, les tests dadquation dune
distribution empirique une loi thorique, etc.
X
Y
n
suit une loi de STUDENT n degrs de libert si X suit une N(0,1) et Y un khi-deux n degrs
de libert, X!
et Y tant indpendantes.
62
X() = ] -,+ [
fonction de rpartition:
voit table
moments :
E(T) = 0
n
n>2
n "2
comportement asymptotique :
V (T) =
fonction de rpartition :
voir table
moments :
E(X) = n / (n - 2)
n>2
n>4
F1-p,n,m = 1/Fp,m,n
63
Cette loi est utile pour ltablissement dintervalles de confiance, pour les tests dhypothses, etc.
64
BIBLIOGRAPHIE
ANDERSON D. R. SWEENEY D. J. WILLIAMS T. A., Statistiques pour lconomie et la
gestion, De Boeck Universit, 2001.
AUDROING J.-F. ABBOUD N., Probabilits et infrence statistique, Nathan.
AULIAC G., Probabilits et statistique. Cours et exercices corrigs, Ediscience international,
1995.
AVENEL M. RIFFAULT J.-F., Mathmatiques appliques la gestion, Foucher, 2005.
BENICHOU P. et R. BOY N. POUGET J.-P., Statistique et probabilits, Dunod, 1992.
BERRUNDO-AGRELL M. FOURASTIE J., Pour comprendre les probabilits, Hachette, 1994.
BOREL E., Probabilit et certitude, P.U.F., 1969.
BOUGET D. VIENOT A., Traitement de linformation : statistiques et probabilits, Vuibert,
1995.
BOURSIN J.-L., Comprendre les probabilits, Cursus, Armand Colin, 1989.
BOURSIN J.-L., Les structures du hasard. Les probabilits et leurs usages, Seuil, 1986.
BOUZITAT C. BOUZITAT P. PAGES G., Statistique : probabilits - estimation ponctuelle,
Cujas, 1991.
BOY C. NIZARD A., Exercices corrigs de probabilits, Armand colin, 1995.
CALOT G., Cours de calcul des probabilits, Dunod, 1989.
CALOT G., Exercices de calcul des probabilits, Dunod, 1989.
COMTE M. GADEN J., Statistiques et probabilits pour les sciences conomiques et sociales,
PUF, 2000.
CORNUEL D. DERREUMAUX, Calcul des probabilits, exercices corrigs, rappels de cours,
Sirey, 1976.
DAGNELIE P., Thorie et mthodes statistiques, Presses agronomiques de Gembloux, 1985
DEGRAVE C. DEGRAVE D. BOULANGER, Probabilits Statistiques, Bral.
DEGRAVE C. DEGRAVE D. BOULANGER, Problmes rsolus de Probabilits Statistiques,
Bral.
DEGRAVE BOULANGER, Prcis de mathmatiques tome 3 : Probabilits Statistiques,
(prparation HEC) Breal.
65
66
Sirey
MONFORT A., Cours de probabilits, Economica, 1980
MONFORT A., Cours de statistique mathmatique, Economica, 1982
MONINO J.-L. SOL J.-L., Statistique et probabilits, Dunod, 1994.
MORONEY "Comprendre les statistiques"
PELLAUMAIL J., Probabilits, Statistiques, Files d'attente. Cours et exercices rsolus, Dunod,
1989.
PUPION G., Statistiques descriptives et dcisionnelles appliques l'conomie et la gestion,
P.U.F., 1988.
RAFFIN C., Statistiques et probabilits, Armand Colin, 1987
REAU J.P. CHAUVAT G., Probabilits et Statistiques, Flash U, Armand Colin, 1988.
RENAULT J., Formulaire de probabilits et de statistiques, Dunod, 1992.
Revue de statistique applique "Aide mmoire pratique des techniques statistiques", CERESTA,
1986
ROBERT C., L'analyse statistique baysienne, Economica, 1992.
SANDERS H.D. MURPH A.F. ENG R.J., Les statistiques une approche nouvelle, Mac Graw
Hill, 1984
SANDRETTO R., Probabilits. Exercices corrigs et rappels de cours, Dunod, 1992.
SAPORTA G., Probabilits, analyse des donnes et statistique, Technip, 1990.
SPIEGEL MURRAY R., Thorie et applications de la statistique, Srie SCHAUM, McGrawHill, 1972.
TAGUSHI
TASSI P., Mthodes statistiques, Economica, 1985.
TRIGNAN J., Probabilits statistiques et leurs applications. cours et exercices rsolus, Bral,
1991.
VERLANT BIGOT, Statistiques et probabilits, Foucher.
VESSEREAU A., La statistique, QSJ 281, PUF 1992.
VO KHAC, Estimation et tests paramtriques et non paramtriques, Ellipses.
WONNACOTT T.H. WONNACOTT R.J., Statistique, Economica, 1984
67