Cours de Statistique

1
STATISTIQUE I
(STAT-D-101)
ECTS: 5 (theorie: 2, exercices: 2, travaux
personnels: 1)
Catherine Dehon
B atiment S - 11ème etage - bureau S11.226
Tel.: (02) 6503858 e-mail: cdehon@ulb.ac.be
Universite libre de Bruxelles
Annee 2009-2010
1ère annee - Bachelier en sciences economiques
Version 2
2
AVERTISSEMENT
Ce syllabus a ete redige dans le but de faciliter
la prise de notes pendant le cours theorique.
La mise ` a jour du present syllabus sera faite via
le cours theorique.
Il est bien entendu que lexamen portera sur
lensemble de la matière vue au cours theorique
(des elements pourraient etre ajoutes oralement
au cours) ainsi que la matière des travaux pra-
tiques.
3
A savoir ....
Buts du cours:
1. Introduction des concepts statistiques an de
realiser des analyses descriptives sur des vari-
ables quantitatives et/ou qualitatives.
2. Introduction des elements du calcul de proba-
bilites et des lois de probabilite univariee discrète
pour preparer les problèmes dinference statis-
tique qui seront etudies en 2ème annee.
3. Mise en pratique des connaissances dans des
situations de la vie de tous les jours.
Methode denseignement et support:
Theorie : Cours ex cathedra. Syllabus de theorie
contenant la copie des transparents projetes (et
commentes) au cours disponible sur le site:
http://www.ulb.ac.be/soco/statrope/.
4
Exercices:
Subdivision des etudiants en groupes de T.P.
Les enonces des exercices sont disponibles sur
le site ci-avant. Quelques examens resolus des
annees precedentes sont egalement telechargeables
sur ce site. En outre, des permanences et
des guidances sont organisees.
Methode devaluation:
Une epreuve ecrite dispensatoire est organisee
durant la session de janvier. Lexamen com-
porte une partie theorique et une partie pra-
tique, sans interruption entre les deux. Aucune
note personnelle nest autorisee. Les etudiants
peuvent (re)presenter une epreuve durant la ses-
sion de mai/juin. Dans ce cas, la note obtenue
remplace celle de lepreuve de janvier.
Chapitre 1
INTRODUCTION A LA
STATISTIQUE
But: Transformer des donnees en information
La Statistique: ensemble de methodes et ou-
tils mathematiques visant à collecter, decrire
et analyser des donnees an dobtenir de linfor-
mation permettant de prendre des decisions
malgre la presence dincertitude (erreur, bruit)
5
CHAPITRE 1. INTRODUCTION A LA STATISTIQUE 6
La statistique joue un r ole essentiel dans de nom-
breuses disciplines:
en economie: taux de croissance, nombre de
brevets deposes, prix de limmobilier,...
en nance: rentabilite dun investissement,...
en marketing: etude de marche, ...
en gestion des ressources humaines: absenteisme,...
en medecine: mise sur le marche de nouveaux
medicaments, ...
en sciences sociales, en sciences politiques,
etc
la statistique est loutil de confrontation dune

theorie scientique ` a lobservation
1.1 EXEMPLES
1.1.1 RENTABILITE DUN INVESTISSEMENT
Pour investir intelligemment vos economies, vous
allez voir le conseiller de votre banque qui vous
suggère 2 types dinvestissement:
- investir dans le secteur de linformatique
- investir dans le secteur agro-alimentaire.
Votre but est double:
- maximiser les prots
- minimiser les risques.
Pour prendre la decision, vous realisez une etude
statistique.
1. Collecte des donnees
Selectionner au hasard un echantillon de 100 en-
treprises dans le secteur de linformatique et 100
dans le secteur de lagro-alimentaire.
Calculer le taux de rentabilite de linvestissement
pour chaque entreprise (rate of return on in-
vestissment):
ROI = Benece/Valeur de linvestissement.
Exemples:
- investir 100 euros en 2004 et avoir 106 euros
en 2005 donc benece de 6 euros:
ROI = 6/100 = 0.06 = 6%
- investir 100 euros en 2004 et avoir 80 euros en
2005 donc perte de 20 euros:
ROI = -20/100 = -20%.
2. Statistique Descriptive:
Tableaux-Graphiques
Variable etudiee: taux de rentabilite.
Variable quantitative continue.
Variable etudiee sur 2 populations:
Info et Agro alimentaire.
Eectif: n=100 dans chaque secteur.
Informatique ROI(%) Agro-Ali ROI(%)
Entreprise 1 10 Entreprise 1 7
Entreprise 2 -5 Entreprise 2 3

Entreprise 99 30 Entreprise 99 -2
Entreprise 100 -25 Entreprise 100 10
Graphiques: Histogrammes
-10 -5 0 5 10
0
2
4
6
8
ROI
e
f
f
e
c
t
i
f
Secteur de linformatique
-10 -5 0 5 10
0
2
4
6
8
1
0
1
2
ROI
e
f
f
e
c
t
i
f
Secteur de lagroalimentaire
Comparaison des 2 histogrammes:
centre de la distribution plus ` a gauche pour
le secteur informatique donc moins rentable
dispersion plus grande en informatique donc
plus risque
= Investir dans lagro alimentaire.
Statistiques descriptives: Paramètres
Calculs de quelques statistiques:
Paramètres Informatique Agro-Ali
Minimum -6.92 -0.66
Maximum 10.56 7.21
Mediane 1.79 3.53
Moyenne 1.50 3.40
Ecart-type 2.99 1.96
Asymetrie
. . .
3. Inference statistique (BA2)
Tester legalite des moyennes des taux de renta-
bilite dans les 2 secteurs
Tester si la moyenne des ROI dans le secteur
de linformatique est signicativement plus
petite que dans le secteur agro alimentaire
(donc moins rentable en moyenne)
Tester si la dispersion dans les 2 secteurs est
identique, tester si le secteur de linformatique
est plus risque
...
1.1.2 PROBLEME DABSENTEISME EN ENTREPRISES
(Chadhury, Ng, Canadian Journal of Economics, 1992)
Labsenteisme reduit la production de 10%
Deux economistes ont selectionne 100 rmes et

mesure le nombre moyen de jours dabsence par
employe sur une annee. Cette variable (X
1
) est
quantitative.
Ils ont egalement mesure plusieurs variables sus-
ceptibles dinuencer le taux dabsenteisme:
X
2
= salaire moyen (quantitative continue)
X
3
= % demployes part-time (idem)
X
4
= capacite à travailler en equipe (0=non,
1=oui =variable qualitatitve dichotomique)
X
5
= qualite des relations avec le manager
(0=mauvais, 1=bon = Idem)
1. Statistique Descriptive: Graphiques
0 5 10 15
0
5
1
0
1
5
2
0
Absenteisme
e
f
f
e
c
t
i
f
Histogramme du taux dabsenteisme
0 10000 30000 50000
0
5
1
0
1
5
Salaire
e
f
f
e
c
t
i
f
Hist. du salaire moyen
0 10 20 30 40
0
5
1
0
1
5
Part Time
e
f
f
e
c
t
i
f
Hist. du pourcentage de Part Time
Manager
A
b
s
e
n
t
0.0 0.2 0.4 0.6 0.8 1.0
2
4
6
8
1
0
1
2
1
4
Graphique 2 dimensions
Salaire
A
b
s
e
n
t
15000 25000 35000
2
4
6
8
1
0
1
2
1
4
Part.Time
A
b
s
e
n
t
0 5 10 15 20 25 30
2
4
6
8
1
0
1
2
1
4
2. Statistiques descriptives univariees
Absent Salaire PT Equipe Manager
Minimum 2.10 12023 0 0 0
Maximum 14.8 42986 30.80 1 1
Mediane 5.65 22586 9.10 1 1
Moyenne 6.23 23587 11.52 0.67 0.64
Ecart-type 3.36 6656.19 8.08 0.47 0.48
Skewness 0.66 0.80 0.58 - -
Kurtosis 2.44 3.38 2.46 - -
Dierents types de variables
Attention aux interpretations !!!!

3. Regression lineaire multiple (Stat2)
Le taux dabsenteisme peut etre explique en par-
tie par les autres variables (en supposant un lien
lineaire). Dependent Variable: ABSENT
Variable Coecient t-Statistic
SALAIRE -0.000211 -5.319899
PART-TIME -0.093396 -2.862929
EQUIPE 1.491396 2.671433
MANAGER -2.706436 -4.951130
C 13.01733 11.43809
R-squared 0.416499 F-statistic: 16.95260
Le taux dabsenteisme diminue si
- le salaire moyen augmente
- le pourcentage de part time augmente
- non capacite ` a travailler en equipe
- les relations avec le manager sont bonnes
1.2 MOTS CLEFS
Population: collection complète (dans le sens
o` u elle inclut tous les individus ` a etudier) dindividus
sur laquelle porte letude
Paramètre: mesure numerique decrivant une
caracteristique de la population
Echantillon: sous-ensemble dindividus obtenus
` a partir de la population (methodes de sondage)
Une statistique: mesure numerique decrivant
une caracteristique de lechantillon
Donnee: fait numerique ou non porteur dinfor-
mation
Variable: Caracteristique dont la valeur change
dun individu ` a lautre dans la population
Type de variable:
- variable directe: mesurable directement (salaire)
- indicateur: non mesurable directement (sante
des entreprises belges cotees en bourse: BEL20)
- variable qualitative: caracteristiques (modalites)
non numeriques (profession)
- variable dichotomique: variable qualitative
ne prenant que 2 modalites (sexe)
- variable quantitative dicrète: valeurs numeriques
discrètes, isolees (nombre denfants)
- variable quantitative continue: valeurs numeriques
sur un intervalle continu (salaire)
Le choix dune echelle de mesure nest pas
unique:
- echelle nominale: donnees non numeriques
qui ne peuvent pas etre ordonnees (type de lm)
- echelle ordinale: donnees non numeriques pos-
sedant un ordre naturel (avis pedagogiques)
- echelle dintervalle: donnees numeriques avec
interpretation possible des dierences entre in-
dividus mais pas de zero unique (date)
- echelle de rapport: echelle dintervalle avec la
notion supplementaire de zero naturel ( age)
ECHELLE ECHELLE ECHELLE ECHELLE
NOMINALE ORDINALE DINTERVALLE DE RAPPORT
Denombrement Denombrement Denombrement Denombrement
Comparaison Comparaison Comparaison
Dierence Dierence
Rapports
1.3 DEMARCHE SCIENTIFIQUE
Objectif(s) ` a atteindre, Question(s) à poser
Collecte des donnees:releve direct, experimentation,

enquete exhaustive (recensement),
enquete partielle (sondage)
Analyse descriptive:
univariee (Stat 1) et bivariee (Stat 1)
P-variee (Analyse des donnees)
Analyse conrmatoire: Inference statistique

Estimation, Tests dhypothèse (Stat 2)
Regression Lineaire et Series Chrono. (Econometrie)
Previsions, Conclusions, Decisions

= Deux grandes aires detude:
Statistique descriptive: Etape preliminaire
qui etudie lechantillon en produisant des graphiques
et des valeurs numeriques (statistiques) resumant
linformation du jeu de donnees
Inference statistique: facilite le processus de
decision en utilisant des procedure destimation,
de problèmes de tests, ...qui permettent de tirer
des conclusions sur la populatipon ` a partir de
lechantillon
Lien entre Statistique et Probabilite:
Probabilite
Population Echantillon
Inference Statistique
Echantillon Population
1.4 PLAN DU COURS
Introduction
Analyse descriptive: serie statistique univariee
Probabilite
Analyse descriptive: serie statistique bivariee
Analyse dune serie chronologique
Variables aleatoires et lois de probabilites discrètes
1.5 REFERENCES
Anderson D., Sweeney D., Williams T. (2001),
Statistiques pour leconomie et la gestion,
Bruxelles, De Boeck Universite.
Dagnelie P. (1998), Statistique theorique et
appliquee. Tome 1: Statistique descrip-
tive et bases de linference statistique, Brux-
elles, De Boeck Universite.
Dehon, C. , Droesbeke, J-J. et Vermandele C.
(2008), Elements de statistique, Bruxelles,
Editions de LUnviversite de Bruxelles.
http://www.ulb.ac.be/soco/statrope/ (notes
de cours)
Chapitre 2
STATISTIQUE DESCRIPTIVE
DUNE SERIE UNIVARIEE
Etape preliminaire à toute etude statistique.
Permet de prendre contact avec lechantillon.
Se divise en 2 aires:
- elaboration de tableaux et graphiques
- valeurs numeriques resumant lechantillon
(statistiques).
24
CHAPITRE 2. STATISTIQUE DESCRIPTIVE DUNE SERIE UNIVARIEE 25
2.1 NOTATIONS
Les donnees sont souvent collectees dans un tableau
Individus Caractères
Var-Ind 1 2 . . . j . . . p
1 x
11
x
12
. . . x
1j
. . . x
1p
2 x
21
x
22
. . . x
2j
. . . x
2p

i x
i1
x
i2
. . . x
ij
. . . x
ip

n x
n1
x
n2
. . . x
nj
. . . x
np
n: Taille de lechantillon
p: nombre de variables
Matrice de donnees de dimension n p

= Serie statistique à p-dimension.
Remarques
Serie univariee si p = 1:
{x
1
, x
2
, . . . , x
n
} = {x
i
; i = 1, . . . , n}
Serie bivariee si p = 2:
{(x
1
, y
1
), . . . , (x
n
, y
n
)} = {(x
i
, y
i
); i = 1, . . . , n}
Serie ordonnee:
Denition: La serie ordonnee {x
(1)
, x
(2)
, . . . , x
(n)
}
est telle que : x
(i)
x
(j)
si i j, o` u denit
la relation dordre.
(i) est appele le rang de lobservation x
(i)
.
Exemple:
Serie observee: {x
i
; i = 1, . . . , 6} = {2, 0, 1, 1, 4, 3}
Serie ordonnee: {x
(i)
; i = 1, . . . , 6} = {1, 0, 1, 2, 3, 4}
Ainsi: x
(1)
= x
3
, x
(3)
= x
4
, x
(6)
= x
5
.
2.2 TABLEAUX ET GRAPHIQUES
A. Donnees nominales (qualitatives)
Exemple 1: Donnees reprenant tous les achats
par carte de credit aux USA durant les 6 pre-
miers mois de 1998. La variable etudiee est la
nature de la carte utilisee (The Nilson Report,
Oct. 8, 1998).
Sur les 200 milliards achats eectues, on a la
repartition suivante:
36 milliards dachats avec la carte American
express
2 milliards dachats avec la carte Diners Club
12 milliards dachats avec la carte Discover
50 milliards dachats avec la Master card
100 milliards dachats avec la carte VISA
Resume de linformation: Tableau des eectifs
x
j
n
j
(unite: milliard)
American express 36
Diners Club 2
Discover 12
Master card 50
Visa 100
J
j=1
n
j
= n=200
x
1
, x
2
, x
3
, x
4
, x
5
representent les 5 modalites
disctinctes observees
J est le nombre de modalites disctinctes ob-
servees (ici J = 5).
n
j
est leectif associe à x
j
pour j = 1, . . . , 5
La serie univariee est donc resumee par
{ (x
j
, n
j
); j = 1, . . . , J} =
{ (AE, 36), (DC, 2), (D, 12), (MC, 50), (V, 100)}
Alternative aux eectifs (n
j
) : lutilisation des
frequences:
f
j
=
n
j
n
(j = 1, . . . , J)
Les frequences representent le pourcentage dober-
vations egales ` a x
j
.
Tableau des frequences
x
j
n
j
f
j
American express 36 0.18
Diners Club 2 0.01
Discover 12 0.06
Master card 50 0.25
Visa 100 0.50
200 1
Remarque:
J
j=1
f
j
= 1.
Representations graphiques
Bar Chart
0
2
0
4
0
6
0
8
0
1
0
0
Modalit
E
f
f
e
c
t
i
f
(
n
j
)
AE DC D MC VISA
Ordre Alphabtique
0
2
0
4
0
6
0
8
0
1
0
0
Modalit
E
f
f
e
c
t
i
f
(
n
j
)
VISA MC AE D DC
Ordre Dcroissant
=Choix arbitraire sur les axes puisquil nexiste
pas dordre naturel entre les modalites.
Diagramme en secteurs (Pie Chart)
Concept de proportion
18.0%
1.0%
6.0%
25.0%
50.0%
x
j
n
j
f
j
(%) Degre
American express 36 0.18 64.8
Diners Club 2 0.01 3.6
Discover 12 0.06 21.6

Master card 50 0.25 90
Visa 100 0.50 180
200 1 360

Tableau disjonctif complet
Nombre de lignes = nombre dindividus (achats)
Nombre de colonnes = nombre de modalites
(5 cartes de credit)
Chaque colonne est une variable binaire prenant
la valeur 1 si lindividu possède cette modalite
et 0 sinon.
Individu 1 2 3 4 . . . 200 10
9
Type de cartes V D AE V . . . DC
0 0 0 0 1
0 0 1 0 0
X= 1 0 0 0 0
0 0 0 0 1

0 1 0 0 0
B. Donnees ordinales (qualitatives)
Exemple 1: Avis pedagogique: evaluation dun
cours par les etudiants.
Tableau des eectifs
avec n = 100 et J = 5:
x
j
TD D M F TF
n
j
1 9 40 35 15
Ordre naturel entre les modalites
Tableau des frequences cumulees o` u:

Eectif cumule: N
j
= n
1
+ . . . + n
j
(nombre dobservations x
j
)
Frequence cumulee: F
j
=
N
j
n
(pourcentage dobservations x
j
)
Tableau des eectifs cumules et des
frequences cumulees
x
j
n
j
f
j
N
j
F
j
TD 1 0.01 1 0.01
D 9 0.09 10 0.10
M 40 0.40 50 0.50
F 35 0.35 85 0.85
TF 15 0.15 100 1
100 1
10% des elèves interroges ont un avis très
defavorable ou defavorable.
85 elèves sur 100 ont un avis egal ou inferieur
` a la notation favorable.
15% des elèves ont un avis très favorable.
Diagramme en barres des eectifs et des frequences
(Bar Chart)
0
1
0
2
0
3
0
4
0
Avis Pdagogiques
E
f
f
e
c
t
if
(
n
j)
TD D M F TF
Diagramme en barres (effectifs)
0
.
0
0
.
1
0
.
2
0
.
3
0
.
4
Avis Pdagogiques
F
r
e
q
u
e
n
c
e
(
f
j)
TD D M F TF
Diagramme en barres (frquences)
Diagramme en blocs
0
20
40
60
80
100
120
TD D
M F
TF
Exemple 2: Etude sur le niveau de dipl ome des
25 managers americians les mieux payes (Forbes,
May 17, 1999).
Top Noms Societe Niveau de diplome
1. Michael d. Eisner Walt Disney Bachelier
2. Mel Karmazin CBS Bachelier
3. Stephen M. Case American Online Bachelier
4. Stephen C. Hilbert Conseco None
5. Craig R. Barrett Intel Doctorat
6. Millard Drexler Gap Master
7. John F. Welsch, Jr. General Electric Doctorat
. . . . . . . . . . . .
10. Reuben Mark Colgate-Palmolive Master
. . . . . . . . . . . .
13. Margaret C. Whitman eBay Master
14. Louis V. Gerstner,Jr. IBM Master
. . . . . . . . . . . .
17. M. Douglas Ivester Coca-Cola Bachelier
. . . . . . . . . . . .
20. William R. Steere, Jr Pzer Bachelor
21. Nolan D. Archibald Black-Decker Master
. . . . . . . . . . . .
25. Richard Jay Kogan Schering-Plough Master
Tableau des eectifs: n = 25, J = 4
x
j
None Bachelier Master Doctorat/Droit
n
j
1 7 11 6
Diagramme en barres (Bar Chart)
E
f
f
e
c
t
i
f
(
n
j
)
0
1
2
3
4
5
6
None Bachelor Master Doctorate
25 BestPaid Executives
Tableau des frequences cumulees o` u:
Eectif cumule: N
j
= n
1
+ . . . + n
j
(nombre dobservations x
j
)
Frequence cumulee: F
j
=
N
j
n
j
)
Highest Degree n
j
f
j
N
j
F
j
None 1 0.04 1 0.04
Bachelors 7 0.28 8 0.32
Masters 11 0.44 19 0.76
Doctorale/law 6 0.24 25 1
25 1
Remarque: on peut aussi calculer les eectifs
et frequences cumules ` a droite:
Eectif cumule à droite: N
j
= n
j
+ n
j+1
+
. . . +n
J
(nombre dobservation x
j
)
Frequence cumulee ` a droite: F
j
=
N
j
n
j
)
Exercice: realiser le tableau des eectifs et
frequences cumules à droite.
Highest Degree n
j
f
j
N
j
F
j
None 1 0.04
Bachelors 7 0.28
Masters 11 0.44
Doctorale/law 6 0.24
25 1
C. Donnees quantitatives
Exemple 1 - Variable discrète: Pour etudier
la qualite de la recherche ` a lULB, on utilise
comme indicateur le nombre de publications par
an. Lechantillon est constitue de 25 jeunes pro-
fesseurs.
Tableau recapitulatif de la serie observee:
x
j
n
j
f
j
N
j
F
j
N
j
F
j
0 5 0.20 5 0.20 25 1
1 10 0.40 15 0.60 20 0.80
2 4 0.16 19 0.76 10 0.40
3 3 0.12 22 0.88 6 0.24
4 2 0.08 24 0.96 3 0.12
5 1 0.04 25 1 1 0.04
25 1
Remarque: N
j
= N
j1
+ n
j
Diagramme en batons
Nombre de publications
E
f
f
e
c
t
i
f
0 1 2 3 4 5
2
4
6
8
1
0
Etude sur la qualit de la recherche
Courbe cumulative: y = N(x)
N(x) etant le nombre dobservations x.
N
j
0 2 4 6
0
5
1
0
1
5
2
0
2
5
Courbe cumulative ` a droite : y = N
(x)
N
(x) etant le nombre dobservations x.

N
j
0 2 4 6
0
5
1
0
1
5
2
0
2
5
Etude sur la qualit de la recherche
Remarques:
Si x = x
j
= N(x) + N
(x) = n + n
j
Si x = x
j
= N(x) + N
(x) = n
De fa con generale: N(x) + N
(x) n
Exemple 2 - Variable continue: Le manager
du marketing dune compagnie telephonique com-
mande une etude sur le prol des nouveaux abonnes.
Pour ce faire il recolte la 1ère note en Euro de
telephone de 120 nouveaux clients.
Serie Statistique:
83 83 18 65 99 96 7 94 62 98 71 20 97 88 38 55
81 51 68 19 36 41 56 49 33 85 75 97 35 36 32 59
88 28 63 60 99 7 31 13 34 33 15 12 62 41 13 27
74 24 67 98 22 13 32 9 54 84 35 62 14 90 91 59
77 38 31 22 92 39 54 90 47 89 81 79 9 88 30 50
41 16 49 44 45 87 23 5065 20 88 83 7 53 73 64
45 78 60 38 75 83 28 11 27 34 15 94 33 76 86 36
42 52 61 52 78 54 53 58
Serie Ordonnee:
7 7 7 9 9 11 12 13 13 13 14 15 15 16 18 19 20 20
22 22 23 24 27 27 28 28 30 31 31 32 32 33 33 33
34 34 35 35 36 36 36 38 38 38 39 41 41 41 42 44
45 45 47 49 49 50 50 51 52 52 53 53 54 54 54 55
56 58 59 59 60 60 61 62 62 62 63 64 65 65 67 68
71 73 74 75 75 76 77 78 78 79 81 81 83 83 83 83
84 85 86 87 88 88 88 88 89 90 90 91 92 94 94 96
97 97 98 98 99 99
Grands nombres de valeurs distinctes
Beaucoup de petits eectifs
Diagramme en batons
20 40 60 80 100
0
1
2
3
4
note
E
f
f
e
c
t
i
f
Diagramme en b tons
MAIS ... Grand nombre de valeurs distinctes
Resumer linformation
Solution 1: Diagramme en tiges et feuilles
(stem and leaf display).
0|77997 0|77799
1|89352334615 1|12333455689
2|0874223087 2|0022347788
3|8635621432581908436 3|0112233344556668889
4|1917194552 4|1112455799
5|516949400322438 5|001223344456899
6|528302725401 6|001222345578
7|1547938568 7|1345567889
8|338158491878336 8|113333456788889
9|9648779801204 9|0012446778899
Remarque: Autre alternative: Dot Plots
Solution 2: Regrouper les individus par classes
Comment faire les classes ?
Logique: le minimum est inclus dans la 1ère
classe, le maximum est inclus dans la dernière
classe, meme largeur des classes (pas obligatoire
mais facilite la lecture des graphes).
Règle empirique de Sturges: choisir le nom-
bre de classes:
J 1 + log
2
n
Notations: Classes: 1,. . . ,J.
| | |
l
j
x
cj
l
j+
o` u n
j
= nombre dobservations dans la classe j
et h
j
= longueur de la classe.
Serie regroupee par classe
Regroupement des 120 observations
en 5 classes (j = 1, . . . , 5)
de longueur egale h
j
= 20 j {1, . . . , 5}.
[l
j
, l
j+
[ x
cj
n
j
f
j
N
j
F
j
N
j
F
j
[0, 20[ 10 16 0.13 16 0.13 120 1
[20, 40[ 30 29 0.24 45 0.37 104 0.87
[40, 60[ 50 25 0.21 70 0.58 75 0.63
[60, 80[ 70 22 0.19 92 0.77 50 0.42
[80, 100[ 90 28 0.23 120 1 28 0.23
n=120 1
NB Attention aux arrondis !!!
NB La règle de Sturges proposait 8 classes
Histogramme des eectifs
0 20 40 60 80 100
0
5
1
0
1
5
2
0
2
5
Note de tlphone
n
j
NB: Parfois, on prends comme ordonnee
n
j
hj
de
telle sorte que la surface de chaque barre est
egale à n
j
Polygone des eectifs
0 20 40 60 80 100
0
5
1
0
1
5
2
0
2
5
3
0
Note de tlphone
n
j
Histogramme des eectifs cumules et Courbe
cumulative: y = N(x)
0 20 40 60 80 100
0
2
0
4
0
6
0
8
0
1
0
0
1
2
0
Note de tlphone
N
j
N
j
: nombre dobservations l
+
j
N(x) etant le nombre dobservations x
(hypothèse dequirepartition)
Courbe cumulative ` a droite : y = N
(x)
Exercice: Construisez la courbe cumulative ` a
droite.
N
(x) etant le nombre dobservations x

(hypothèse dequirepartition)
Remarques (exercices)
Si x = x
j
j:
N(x) + N
(x) = n
Fonctions N(x) et N
(x):
N(x) =
_
_
0 x < l
1
n
1
h
1
(x l
1
) l
1
x < l
+
1
. . . . . .
N
j1
+
n
j
h
j
(x l
j
) l
j
x < l
+
j
. . . . . .
n l
+
J
x
N
(x) =
_
_
n x < l
1
. . . . . .
N
j

n
j
h
j
(x l
j
) l
j
x < l
+
j
. . . . . .
0 l
+
J
x
D. Conclusions
Inclure toutes les informations utiles ` a la compre-
hension du graphique
Eviter les informations, mentions, lignes inu-
tiles
Un graphique simple sera prefere ` a un graphique
sophistique
Choisir les unites et les axes de la manière la
plus neutre possible (ne pas inuencer le lecteur)
Comparer des graphiques ayant des unites
communes
Il existe dautres types de graphiques: Car-
tographie, Pyramide des ages, Graphiques de
comparaison, ...
2.3 TECHNIQUES DESCRIPTIVES NUMERIQUES
Après les graphiques, il est necessaire de decrire
les dierentes caracteristiques des donnees de
manière plus precise.
Rappel:
mesure dune caracteristique de la population
(lettre grecque)
mesure dune caracteristique de lechantillon
(lettre latine).
Bien souvent il est impossible detudier lensemble
de la population (N grand ou inni)
Se limiter ` a letude dun echantillon de taille n

Exemple: Etude sur le salaire des belges
= N 4 millions de travailleurs
La moyenne population est inconnue.
Pour la connaitre il faudrait interroger tous les
travailleurs belges, mais on na pas les moyens
nanciers
Selectionner un echantillon de taille n <<< N.

Calcul sur base de lechantillon de la moyenne
echantillon x.
On espère que x est une bonne estimation de

la moyenne population .
Trois types de caracteristiques
Tendance centrale (position): moyenne, mode,
mediane, quantiles, . . .
-2 0 2
x
0 2 4 6
y
Variabilite, dispersion, risque: ecart-type,
variance, etendue, . . .
-40 -20 0 20
x
-40 -20 0 20
y
Forme (asymetrie, aplatissement): Skew-
ness, Kurtosis, . . .
1 2 3
x
-2 0 2
y
2.3.1 A. MESURES DE POSITION (tendance centrale)
BUT: Determiner une valeur centrale.
1. Moyenne arithmetique x
Soit {x
1
, . . . , x
n
} un echantillon de donnees numeriques,
alors
x =
1
n
n
i=1
x
i
Exemples:
Soit lechantillon {1, 1, 2, 2, 2, 2, 3, 3}
x =
1
8
(1 + 1 + 2 + 2 + 2 + 2 + 3 + 3) = 2.
Reprenons lexemple de la societe telephonique
recoltant la 1ère note en Euro de telephone de
120 nouveaux clients.
Serie Statistique:
83 83 18 65 99 96 7 94 62 98 71 20 97 88 38 55
81 51 68 19 36 41 56 49 33 85 75 97 35 36 32 59
88 28 63 60 99 7 31 13 34 33 15 12 62 41 13 27
74 24 67 98 22 13 32 9 54 84 35 62 14 90 91 59
77 38 31 22 92 39 54 90 47 89 81 79 9 88 30 50
41 16 49 44 45 87 23 5065 20 88 83 7 53 73 64
45 78 60 38 75 83 28 11 27 34 15 94 33 76 86 36
42 52 61 52 78 54 53 58
x =
1
120
(83+83+18+65+. . .+53+58) = 53.12
Calcul reprenant la somme de 120 chires (long)
Meme base de donnees mais regroupees en classes:

[l
j
, l
j+
[ x
cj
n
j
f
j
N
j
F
j
N
j
F
j
[0, 20[ 10 16 0.13 16 0.13 120 1
[20, 40[ 30 29 0.24 45 0.37 104 0.87
[40, 60[ 50 25 0.21 70 0.58 75 0.63
[60, 80[ 70 22 0.19 92 0.77 50 0.42
[80, 100[ 90 28 0.23 120 1 28 0.23
n=120 1
x =
1
n
J
j=1
n
j
x
cj
=
10 16 + 30 29 + . . . + 90 28
120
= 52.83
Proprietes
Sensible face aux points aberrants.
Echantillon {1, 1, 2, 2, 2, 2, 3, 3} x = 2.
Echantillon {1, 1, 2, 2, 2, 2, 3, 300} x = 39.125.
Valeurs centrees:
Echantillon {1, 1, 2, 2, 2, 2, 3, 3} = x = 2.
Alors lechantillon des valeurs centrees:
{x
i
x} = {1, 1, 0, 0, 0, 0, 1, 1}
est de moyenne nulle:
1
n
n
i=1
(x
i
x) = 0
(exercice).
Reecriture de la formule de la moyenne:
n
i=1
x
i
= n x
Agregation de 2 echantillons.
Echantillon 1: {n
1
, x
1
}, Echantillon 2:{n
2
, x
2
}
la moyenne de lechantillon global comprenant

n = n
1
+ n
2
individus est donne par:
x =
n
1
x
1
+ n
2
x
2
n
Remarque: Posons w
1
=
n
1
n
et w
2
=
n
2
n
, ainsi
la moyenne globale nest rien dautre quune
moyenne ponderee:
x = w
1
x
1
+ w
2
x
2
Cas particulier: Ajout dune observation x ` a
lechantillon {n
1
, x
1
} n
2
= 1 et n = n
1
+ 1
x =
n
1
x
1
+ x
n
Moyenne ponderee.
- La moyenne est par unite elementaire.
- La moyenne ponderee est par unite de poids.
Remarque: Soit C est le nombre delements ` a
ponderer, alors
C
i=1
w
i
= 1
Par exemple:
- La moyenne des points de vos cours est votre
moyenne par cours.
- Votre grade nal est une moyenne ponderee,
utilisant comme poids le credit dheures (1 credit
pour 12 h de cours theorique, 2 credits pour 24
h, etc). La moyenne ponderee est donc votre
moyenne par credit dheures
Exemple: Rentabilite dun portefeuille
La rentabilite attendue dun portefeuille est donnee
par la moyenne ponderee des rentabilites atten-
dues des investissements de celui-ci, pondere par
le montant investi en $.
Le portefeuille est compose de 3 actions:
-la 1ere ($1, 000) est supposee rapporter 20%
-la 2ème ($1, 800 investis) 15%
-la 3ème ($2, 200 investis) 30%.
Total investi:
1, 000 + 1, 800 + 2, 200 = $5, 000
Les poids sont donc:
w1 = $1, 000/$5, 000 = 0.20
w2 = $1, 800/$5, 000 = 0.36
w3 = $2, 200/$5, 000 = 0.44
Moyenne ponderee:
3
i=1
w
i
x
i
= 0.20 20% + 0.36 15% + 0.44 30%
= 22.6%
La rentabilite attendue du portefeuille est donc
de 22.6%.
Chacun des investissement est represente par le
montant en $ investi.
NB: Si tous les poids sont egaux, on revient à la
moyenne arithmetique (exercice).
2. Mediane x
1/2
Calcul de la mediane:
a) Mettre les observations en ordre croissant:
{x
(1)
, . . . , x
(n)
}
b) Prendre lobservation centrale (ou la moyenne
des 2 observations centrales si n est pair).
Si n est impair: x
1/2
= x
(
n+1
2
)
Si n est pair: x
1/2
=
x
(
n
2
)
+x
(
n
2
+1)
2
Exemples:
Echantillon: {2, 5, 9, 11, 13} =x
1/2
= 9
Echantilon: {2, 5, 9, 11, 13, 20} =x
1/2
=
9+11
2
Pas inuencee par des valeurs extremes.
Pour des distributions dissymetriques, la mediane
ore une meilleure representation que la moyenne.
Par exemple: les revenus des menages:
- Le revenu moyen pour un pays somme tous
les revenus dont certains peuvent etre extrèmement
eleves
- Le revenu median represente le revenu de la
personne au centre (la moitie ayant plus, lautre
moitiè ayant moins).
Echantillon donne avec des classes:
- Determiner la classe mediane: (l
m
, l
+
m
)
- Valeur de la mediane:
x
1/2
= l
m
+ h
m
n
2
N
m1
n
m
3. Quantiles x
p
o` u p (0, 1)
Construire la serie ordonnee. Soit p (0, 1)
(appele ordre du quantile), on cherche x
p
tel que
N(x
p
) np et N
(x
p
) n(1 p)
p 1-p
-l-ll
x
(1)
x
p
x
(n)
Quantiles particuliers:
-Mediane x
1/2
: quantile 50%
-Premier quartile x
1/4
: quantile 25%
-Troisième quartile x
3/4
: quantile 75%
-Deciles: p = 0.10, 0.20, . . . , 0.90
Graphique base sur les quantiles: Box Plot
(bote à moustache)
Exercice (ELST, P114): Resultats de 10 etudiants
pour 7 cours.
C
1
C
2
C
3
C
4
C
5
C
6
C
7
04 42 19 33 21 14 18
12 44 23 47 24 75 19
23 46 25 59 27 76 21
35 47 27 67 29 77 23
46 49 31 69 77 78 24
52 51 43 73 79 79 25
67 54 48 75 83 80 27
75 56 51 77 85 81 29
83 57 63 83 86 83 30
92 58 73 85 87 84 93
4. Mode x
M
Denition: Valeur la plus frequente.
Problèmes:
- depend de la manière dont vous construisez
lhistogramme (bin width)
- il est possible davoir plusieurs modes
Utiliser pour les donnees qualitatives.
5. Autres valeurs centrales
c
1
=
x
(1)
+ x
(n)
2
c
2
=
x
1/4
+ 2x
1/2
+ x
3/4
4
c
3
=
x
1/4
+ x
3/4
2
Moyenne tronquee:
c
4
=
1
n 2
n1
i=2
x
(i)
Moyenne geometrique:
c
5
=
_
i
x
i

6. Cas particulier : Distribution gaussienne
Distribution normale (introduite en 2ème annee).
x
-2 -1 0 1 2
Moyenne, Mdiane et Mode
Distribution gaussienne
Caracteristique: distribution symetrique avec
un unique mode
La moyenne est egale ` a la mediane et au mode

Distribution asymetrique.
x
5 10 15
Moyenne
Mdiane
Mode
Distribution asymtrique
La moyenne, la mediane et le mode sont dierents:
les grandes observations rares inuencent beau-
coup la moyenne
la valeur la plus frequente est decentree.
A priori, il vaut mieux utiliser la mediane (ex-
emple: revenus des menages).
7. Resume en fonction du type de la variable
Quantitative Ordinale Nominale
Moyenne OUI NON NON
Mediane OUI OUI NON
Quantiles OUI OUI NON
Mode OUI OUI OUI
2.3.2 MESURE DE DISPERSION
Aussi connue sous le nom de variabilite, diver-
site, risque, . . .
Questions:
Sur le marche, les valeurs boursières changent
jours après jours = incertitude !
Risk of a business venture
Les gains sont possibles mais egalement les pertes.
Aversion au risque:
Preferez-vous avoir
- 100$ avec certitude
- 0 ou 200$ avec probabilite egale
Les 2 ont la meme moyenne (100$)! Preferez
vous reduire lincertain ou aimez vous le risque?
1. Etendue
E = x
(n)
x
(1)
Facile et rapide à calculer
Très sensible aux points aberrants
2. Ecart interquartile
Il contient 50% des observations:
E
Q
= x
3/4
x
1/4
3. Ecart interdecile
Il contient 80% des observations:
E
D
= x
9/10
x
1/10
4. Le peigne
x
1/2
Dispersion Position
Q x
1/4
x
3/4
x
3/4
x
1/4
x
3/4
+x
1/4
2
E x
(1)
x
(n)
x
(n)
x
(1)
x
(1)
+x
(n)
2
5. Le Box Plot
Denition de base:
Denition des valeurs pivots:
a
1
= x
1/4
1.5(x
3/4
x
1/4
)
a
2
= x
3/4
+ 1.5(x
3/4
x
1/4
)
Denition des valeurs adjacentes:
x
g
: plus petite observation a
1
x
d
: plus grande observation a
2
= Deuxième denition du box plot:
NB: si tous les x
i
(a
1
, a
2
):
x
g
= x
(1)
et x
d
= x
(n)
.
Denition des valeurs exterieures:
Observations en dehors de lintervalle [x
g
, x
d
]
Presomption de valeurs extremes (aberrantes).
Exercice (ELST, P114-116): Resultats de 10
etudiants pour 7 cours.
6. Ecart moyen absolu
e
m
=
1
n
n
i=1
|x
i
x|
Remarque: Changeons le paramètre de posi-
tion. Alors,
e
m
(c) =
1
n
n
i=1
|x
i
c|
est minimum quand c = x
1/2
.
7. Ecart median absolu
e
m
=
1
n
n
i=1
|x
i
x
1/2
|
8. Variance
Version francaise:
s
2
=
1
n
n
i=1
(x
i
x)
2
Version anglaise (on lutilisera en 2ème annee)
S
2
=
1
n 1
n
i=1
(x
i
x)
2
Agregation: Soient 2 echantillons:
n
1
n
2
x
1
s
2
1
x
2
s
2
2
Notons n = n
1
+ n
2
, x et s
2
la moyenne et la
variance de lechantillon regroupant les 2 echantillons.
Exercice:
s
2
=
n
1
s
2
1
+ n
2
s
2
2
n
1
+ n
2
+
n
1
( x
1
x)
2
+ n
2
( x
2
x)
2
n
1
+ n
2
(variance dans les groupes) +(variance entre les groupes)
Theorème de Konig-Huyghens:
1
n
i
(x
i
c)
2
= s
2
+ ( x c)
2
c IR
Demonstration
1
n
i
(x
i
c)
2
=
1
n
i
(x
i
x + x c)
2
=
1
n
i
_
(x
i
x)
2
+ 2(x
i
x)( x c) + ( x c)
2
_
=
1
n
i
(x
i
x)
2
+ ( x c)
2
+ 2( x c)
_
_
1
n
i
(x
i
x)
_
_
= s
2
+ ( x c)
2
Consequence:
1
n
i
(x
i
c)
2
est minimum quand
c = x
Exercice: Appliquez ce theorème avec c = 0.
9. Ecart-type
s =
_
s
2
Interpretations:
- 2 echantillons: lechantillon avec lecart-type
le plus grand est le plus disperse des deux
- 1 echantillon: Règle de Chebyshev:
au moins (1
1
k
2
) des observations se trouvent
dans lintervalle ( x ks)
Pour k = 2:
au moins 75% des observations ` a lintervalle ( x 2s)
Pour k = 3:
au moins 89% des observations ` a lintervalle ( x 3s)
Pour les distributions en forme de cloche et
relativement symetrique, on a des intervalles re-
marquables plus precis:
x
-2 -1 0 1 2
Moyenne, Mdiane et Mode
Distribution gaussienne
2
3
des observations ` a lintervalle ( x s)
95% des observations ` a lintervalle ( x 2s)
99% des observations ` a lintervalle ( x 3s)
= Pour faciliter les interpretations: construc-
tion des valeurs centrees reduites (z-score):
z =
x x
s
9. Coecient de variation
CV =
s
x
Mesure relative de variabilite. Nombre sans
unite (pure number).
Answers:
Typically, in percentage terms, how far are
data values from average?
Utile pour comparer des situations pour lesquelles
les unites dièrents
2.3.3 MESURES DE FORMES
GRAPHIQUES
1. Box Plot
2. Graphique des quantiles
ASYMETRIE - SKEWNESS
Moment centre dordre 3
m
3
=
1
n
n
i=1
(x
i
x)
3
m
3
> 0: asymetrie ` a gauche
m
3
< 0: asymetrie ` a droite
m
3
= 0: symetrie
Coecient de Fisher: g
1
=
m
3
s
3
Coecient empirique de Yule et Kendall:
Y
k
=
x
1/4
2x
1/2
+ x
3/4
x
3/4
x
1/4
Coecient empirique de Pearson:
S
k
=
x x
M
s
APLATISSEMENT - KURTOSIS
Coecient de Pearson
b
2
=
m
4
s
4
o` u m
4
est le moment centre dordre 4
m
4
=
1
n
n
i=1
(x
i
x)
4
Coecient de Fisher: g
2
= b
2
3
-2 -1 0 1 2
b2=3, g2=0
b2>3, g2>0
b2<3, g2<0
2.3.4 INDICE DE CONCENTRATION DE GINI ET COURBE
DE LORENTZ
Exemple: Mesurer le degre dinegalite dans la
distribution des revenus des familles belges.
Formalisation: Soit une distribution, dune
variable continue positive, regroupee en J classes.
Notons x
jc
le centre de la classe j et n
j
leectif
de la classe j pour (j = 1, . . . , J).
Courbe de concentration de Lorentz:
p
j
= F
j
et q
j
=
j
k=1
n
k
x
ck
J
k=1
n
k
x
ck
Indice de concentration de Gini:
= 2A
o` u Aest laire comprise entre la courbe de Lorentz
et la 1ère bissectrice.
Proprietes
0 1
0: equirepartion
1: concentration.
Exemple: Site de la CIA reprenant Distribu-
tion of family income - Gini index
http://www.odci.gov/cia/publications/factbook/elds/2172.html
Belgium 28, 7%
Paraguay 57, 7%
Sweden 25%
2.4 TRANSFORMATION DE VARIABLES ET IN-
DICES
BUTS:
Facilite lencodage, la lecture des donnees
Lineariser une relation entre 2 variables
Se rapprocher dune distribution symetrique
Remedier ` a deventuelles inegalites de vari-
ances lorsque lon etudie plusieurs echantillons
. . .
2.4.1 TRANSFORMATION LINEAIRE
But: Changer lorigine et lunite pour facilite
la lecture des donnees sans changer le forme
(asymetrie, aplatissement,. . .).
Denition: Soit x
i
, 1, . . . , n un echantillon de
taille n. Appelons z
i
, 1, . . . , n la serie translatee
de la constante c et reduite par la constante d:
z
i
=
x
i
c
d
i = 1, . . . , n
Inuence sur les mesures de position:
Toutes ces mesures vont subir la meme trans-
formation que les donnees. Par exemple:
z =
x c
d
Exercices: Preuve pour z, z
1/2
, z
M
, . . ..
Inuence sur les mesures de dispersion:
Changement dorigine (translation)
- pas dinuence sur E, E
Q
, E
D
, s
2
, s
- inuence sur CV =
s
x
Changement dunite
- inuence sur E, E
Q
, E
D
, s
2
, s
- pas dinuence sur CV =
s
x
Exemple:
s
2
z
=
1
n
n
i=1
(z
i
z)
2
=
1
n
n
i=1
(
x
i
c
d

x c
d
)
2
=
1
n
n
i=1
(
x
i
d

x
d
)
2
=
1
d
2
n
n
i=1
(x
i
x)
2
=
1
d
2
s
2
x
Inuence sur les mesures de formes: Pas
dinuence sur g
1
, S
K
, Y
K
, b
2
, g
2
, . . ..
Exemple
Soit un echantillon reprenant le salaire brut de
10 travailleurs en FB. La variable z aura comme
unite lEuro et comme moyenne 0.
i x
i
z
i
1 98000FB 114,03
2 96000FB
3 104000FB
4 66000FB
5 120000FB
6 75000FB
7 88000FB
8 84000FB
9 93000FB
10 110000FB 411,50
70000 80000 90000 100000 110000
x
-500 0 500
z
2.4.2 TRANSFORMATION LOGARITHMIQUE
Objectifs: Simplier lanalyse en rendant les
phenomènes plus symetriques, plus lineaires, de
variabilite plus constante,. . .
Exemple: Relation entre deux variables
x
y
0.0 0.5 1.0 1.5 2.0 2.5 3.0
1
.
5
2
.
0
2
.
5
3
.
0
3
.
5
log(x)
l
o
g
(
y
)
-3 -2 -1 0 1
0
.
4
0
.
6
0
.
8
1
.
0
1
.
2
NB: Les relations du type: y = ax
b
devien-
nent après transformation logarithmique (log log):
log y = log a + b log x
Exemple: Comparaison de plusieurs echantillons.
Comparons le nombres diules (mille-pattes) soumises
` a 4 substances nocives (Statistique Theorique
et Aplliquee, Tome 2, Pierre Dagnelie, page
97).
2.4.3 TRANSFORMATIONS DE BOX-COX
Denition: Soit x
i
, 1, . . . , n un echantillon de
taille n. Appelons z
i
, 1, . . . , n la serie trans-
formee par une relation de Box-Cox de paramètre
:
z
i
=
_
_
_
(x
i
1)
si = 0
log
e
x
i
si = 0
Ces transformations ont les memes objectifs que
la transformation logarithmique.
Remarque
La transformation logarithmique est un cas
particulier ( = 0)
Si = 1/2 alors z
i
=
x
i
1
Ce groupe de transformation englobe aussi
les transformations racine carree inverse
1
x
,
inverse
1
x
, . . .
2.4.4 TRANSFORMATION DIFFERENCE
But: Utilise en serie chronologique pour eliminer
un trend (tendance) constant.
Denition: Soit x
t
(1, . . . , T) une serie chrono-
logique. La serie dierencie est donnee par:
x
t
= x
t
x
t1
Exemple ELST, p. 29: Population en millions
Annees 1910 1920 1930 1940 1950 1960 1970 1980
x
t
1.1 1.3 2.2 4.0 6.6 8.3 9.3 9.6
x
t
- 0.2 0.9 1.8 2.6 1.7 1.0 0.3
2.4.5 LES INDICES
But: Mesurer levolution dune variable (ou de
plusieurs variables) dans le temps.
INDICE ELEMENTAIRE
Denition. Soit 0 lepoque de base (reference).
Lindice de la variable x pour le temps t est:
i
t/0
(x) =
x
t
x
0
.
Lindice mesure le pourcentage daugmentation
ou diminution de la variable par rapport ` a lepoque
de reference.
Remarque:
La variable etudiee peut etre le prix (p), la
quantite (q) ou la valeur (v=pq) dun bien.
Exemple: Etudions levolution du prix dun
bien de consommation de janvier 1989 à janvier
1996. Annee de base: 1989 (ELST, p. 69).
Annees 1989 1990 1991 1992 1993 1994 1995 1996
x
t
25 25 27 28 32 33 34 35
i
t/0
(x) 1.00 1.00 1.08 1.12 1.28 1.32 1.36 1.40
Commentaires: 8% daugmentation en 1991 par
rapport à 1989. Forte augmentation entre 1992
et 1993, . . ..
INDICE SYNTHETIQUE SIMPLE
But: Etude de levolution dans le temps dun
panier de consommation.
Soit x = (x
(1)
, x
(2)
, . . . , x
(n)
) le vecteur don-
nant le prix (ou quantite, . . .) des n produits du
Indice de Bradstreet:
B
t/0
(x) =
j
x
(j)
t
j
x
(j)
0
Indice Moyenne arithmetique:
A
t/0
(x) =
1
n
j
x
(j)
t
x
(j)
0
Autres indices: moyenne harmonqiue, moyenne
geometrique, . . .
INDICE SYNTHETIQUE PONDERE
But: Etude de levolution dans le temps dun
panier de consommation en mettant des poids
associes à chacun des produits.
Soit x = (x
(1)
, x
(2)
, . . . , x
(n)
) le vecteur don-
nant le prix (ou quantite, . . .) des n produits du
Indice de Laspeyres:
L
t/0
(x) =
j
w
(j)
0
x
(j)
t
j
w
(j)
0
x
(j)
0
o` u w
(j)
0
peut donner representer le prix ou la
quantite du produit j au temps de reference.
Indice de Paasche:
P
t/0
(x) =
j
w
(j)
t
x
(j)
t
j
w
(j)
t
x
(j)
0
o` u w
(j)
t
peut donner representer le prix ou la
quantite du produit j au temps t.
Indice de Sidgwick:
S
t/0
(x) =
L
t/0
(x) + P
t/0
(x)
2
Indice de Fisher:
F
t/0
(x) =
_
L
t/0
(x) P
t/0
(x)
Indice de Edgeworth:
E
t/0
(x) =
j
(w
(j)
0
+ w
(j)
t
)x
(j)
t
j
(w
(j)
0
+ w
(j)
t
)x
(j)
0
Chapitre 3
INTRODUCTION A LA THEORIE
PROBABILISTE
Le hasard est le pseudonyme de Dieu quand
il ne voulait pas signer
Anatole France
Un coup de des jamais nabolira le hasard
Mallarme
Rien ne depasse la beaute du mystère
Einstein
109
CHAPITRE 3. INTRODUCTION A LA THEORIE PROBABILISTE 110
1. Quelles sont les chances que les ventes dans
les friteries baissent si le prix des pommes de
terre augmente?
2. Quelle est la probabilite que Justine devienne
numero 1 ` a lATP?
3. Quelles sont les chances quun nouvel investisse-
ment soit rentable?
4. Quelle est la probabilite de reussir lexamen
de statistique en 1ère session?
5. Quelle est la probabilite de gagner au Lotto?
6. . . .
La probabilite peut:
exprimer une propriete intrinsèque
dune experience
mesurer la vraisemblance dun eve-
nement.
3.1 UN PEU DHISTOIRE
. . . un problème relatif aux jeux de hasard,
propose par un austère janseniste par un homme
du monde, a ete ` a lorigine du Calcul des pro-
babilites . . .
Il sagit du problème des partis, propose par le
Chevalier de Mere ` a Blaise Pascal et resolu
par celui-ci, ainsi que par Pierre de Fermat en
1654:
2 joueurs, rompant de gre ` a gre le jeu avant
la n, cherchent à operer entre eux la juste
repartition de lenjeu suivant la probabilite
quavait chacun deux de gagner.
3.2 LOGIQUE ET INTUITION . . .
Exemple 1: Theorie des sept garcons
Quelle est la probabilite davoir 7 gar cons?
P(7G) =
_
1
2
_
7
=
1
128
Peu, mais pourquoi ny a-t-il pas plus de familles
de 7 gar cons??
Reponse: parce que ceci est la probabilite davoir
7 garcons si on a 7 enfants, or il y a peu de
familles de 7 enfants.
Exemple 2: Articles de presse.
Il y a eu plus de tues dans des accidents davion
en 1993 quen 1920
Peut-on en deduire que les avions sont devenus
plus dangereux?
Pendant la 1ère guerre mondiale, le nombre
de blesses à la tete etait nettement plus grand
parmi ceux qui portaient un casque
Peut-on en deduire que le port du casque est
dangereux ?
En 2002, il y a eut 20.343 chomeurs ayant
un diplome universitaire et 8.657 ch omeurs de
lenseignement non universitaire type long (voir
ECOPOL)
Exemple 3: 1er Problème du chevalier
de Mere.
Supposez quon joue plusieurs fois avec un de,
combien faudra-t-il de lances au minimum pour
que lon puisse parier avec avantage, après avoir
joue ces coups, davoir au moins un 6 ?
Reponse: 4 lances en eet, (voir exercice)
P(avoir au moins un 6) = 671/1296 > 0.5
Scema du developpement:
P(avoir au moins un 6) = 1P(ne jamais avoir de 6)
et nous savons que:
P(ne pas avoir de 6 sur un lance) = 5/6
P(ne pas avoir de 6 sur n lance) = (5/6)
n
Exemple 4: Paradoxe du jour
danniversaire.
Si vous rencontrez quelquun par hasard au bistrot
du coin, il y a environ 1 chance sur 365 que vous
soyez ne le meme jour.
Maintenant supposez que vous etes 10 dans une
meme pièce, quelle est la probabilite que deux
personnes aient la meme date danniversaire ?????
(reponse: 11,69% de chance)
Et avec 23 personnes dans la pièce?
(reponse: 50,7% de chance)
Exemple 5: Temoignage
Etre un bon jure.
Accident avec delit de fuite MAIS il y a un
temoin oculaire.
Faits:
le temoin arme avoir vu un taxi jaune
il y a 2 types de taxi: jaune et orange
diculte: le soir tombait et un test pratique
dans des conditions similaires a montre que
le temoin ne pouvait distinguer correctement
la couleur que dans 80% des cas
Conclusion a priori: Lhypothèse la plus
probable est celle du taxi jaune.
Information manquante: Proportion de taxis
jaunes et de taxis oranges?
Reponse: 85% doranges et 15% de jaunes.
Conclusion correcte: (Theorème de Bayes)
La probabilite que le taxi soit jaune sachant que
le temoin arme quil etait jaune est de 41.38%.
Donc il y a plus de chance que le taxi soit orange.

Exemple 6: Le jeu de la Cadillac
Jeu televise: 3 portes et derrière lune delle
il y a une cadillac.
Etape1: Le candidat choisit au hasard une
porte: 1 chance sur 3 de gagner la cadillac.
Etape2: Le presentateur ouvre une des 2 portes
restantes mais bien evidemment pas la porte à
la cadillac.
Question: Le candidat a-t-il interet de changer
de porte ou de garder son choix initial ?
Reponse:
Choix initial: 1 chance sur 3 de gagner
Sil change de porte: 2 chance sur 3 de gagner!!
3.3 PROBABILITE, EXPERIENCE ALEATOIRE, EVEN-
EMENT
3.3.1 DEFINITIONS
Probabilite: sera denie par une approche
classique, frequentiste et axiomatique.
Experience aleatoire: action ou processus qui
engendre des observations et dont on ne peut
predire avec certitude le resultat.
Ensemble (espace) fondamental : ensemble
de tous les resultats possibles.
Evenement: sous-ensemble ou partie de .
Famille F des evènements: ensemble de tous
les evènements associes ` a une experience aleatoire.
3.3.2 EXEMPLES
Lancement dun de
Lensemble fondamental :
1 2 3
4 5 6
Exemples devènements et Diagramme de Venn:
Avoir le nombre 1 : A={1}
Avoir un nombre divisible par 3: B={3,6}
Avoir un nombre pair: C={2,4,6}
Avoir un nombre impair: D={1,3,5}
Avoir un nombre plus petit que 7: E={1,2,3,4,5,6}.
3.3.3 CAS PARTICULIERS DEVENEMENTS
Evèvement elementaire: ne contient quun
seul element de :
Exemple: Avoir le nombre 1: A = {1}
Evènement impossible: ne contient aucun evè-
nement:
Exemple: Avoir un nombre plus grand que 6:
F = {} =
Evènement certain: contient tous les elements
de :
Exemple: Avoir un nombre plus petit que 7:
E = {1, 2, 3, 4, 5, 6} =
3.3.4 OPERATIONS SUR LES EVENEMENTS
Soient E
1
, E
2
, . . . des evenements de F.
Implication (= inclusion): E
1
E
2
signie:
E
1
se realise E
2
se realise.
Conjonction (= intersection = produit logique)
E
1
E
2
: E
1
et E
2
se realisent tous les deux
Evenements mutuellement exclusifs (incom-
patibles): E
1
E
2
=
Reunion (= somme logique)
E
1
E
2
: E
1
ou E
2
se realisent (au moins
un des deux)
Dierence
E
1
\E
2
: E
1
se realise sans que E
2
se realise
Complementaire: Soit E un evenement, le
complementaire de E est note E:
E = \E
Remarques
1. E E =
E et E sont mutuellement exclusifs
2. E E =
3. E et E constituent une partition de .
Partition de E
{E
1
, E
2
, . . . , E
m
} tel que:
1. E
1
, E
2
, . . . , E
m
E
2. E
i
E
j
= (i = j)
3. E = E
1
E
2
. . . E
m
Système complet devenements:
Partition de
Fonction densemble: Fonction qui associe ` a
chaque evenement de un nombre reel.
Exemples: Soit E F
1. n(E) = nombre delements de E
2. f(E) =
n(E)
n()
Proprietes:
1. f(E) 0, pour tout E
2. f() = 1
3. Si E
1
, E
2
, . . . sont mutuellement exclusifs
(E
i
):
f(E
1
E
2
. . .) = f(E
1
) + f(E
2
) + . . .
3.3.5 FAMILLE F DEVENEMENTS
Rappel: F est lensemble de tous les evènements
associes à une experience aleatoire.
Si est ni alors ` a tout sous-ensemble cor-
respond un evènement = la famille F des
evènements est confondue avec lensemble des
parties de .
Si est inni
on se restreint à une classe F de parties, stricte-

ment contenue dans lensemble des parties de
, qui contient les evènements elementaires, les
evènements impossibles et certain, ainsi que tous
ceux qui sont obtenus par les operations ci-avant.
3.3.6 TROIS DEFINITIONS DE LA PROBABILITE
Denition classique
Experience: - N resultats possibles equivalents
(symetrie des resultats)
- N
S
resultats donnent le succès S.
= Probabilite de succès:
P(S) =
N
S
N
.
Exemple: Lancement dun de equilibre. Succès
si nombre pair. Probabilite de succès:
P(pair) =
3
6
= 0.5
Remarque: Cette denition nest valable que si
tout les evènements elementaires sont equiprobables
(contre exemple: avion).
Denition frequentiste
(approche experimentale)
Experience repetee n fois de manière independante
et identique (ex: lance dun de).
On sinterèsse à levènement E (ex: avoir 3).
Notons n
(E)
le nombre de realisations de E
Frequence: f
n
(E) =
n
(E)
n
.
On denit alors la frequence theorique (proba-
bilite) par:
P(E) = lim
n
f
n
(E).
Denition axiomatique
Cas o` u est ni
P(.) est une fonction densemble ` a valeurs reelles,
denie sur F = P(), satisfaisant aux axiomes
suivants:
A.1: P(E) 0, pour tout E F
A.2: P() = 1
A.3: Si E
1
, E
2
, E
3
, . . . sont mutuellement
exclusifs (E
i
E
j
= , i = j):
P(E
1
E
2
E
3
. . .) = P(E
1
) +P(E
2
) +P(E
3
) +. . .
N.B. Les denitions classique et frequentiste sat-
isfont ` a ces axiomes
Cas o` u est inni
Ici, lensemble des evenements ne sera plus P()
mais une famille F de sous-ensembles possedant
les proprietes suivantes:
1. F
2. si E F, alors E F
3. Pour tout ensemble ni ou denombrable devene-
ments E
1
, E
2
, E
3
, . . . de F, (E
i
) F
Une telle famille est appelee une -algèbre (ou
corps de Borel ou encore tribu).
Remarques:
1. Les proprietes ci-dessus impliquent que
F et E
i
F
2. (, F) est appele un espace probabiliste
3. (, F, P) est appele un espace probabilise
3.3.7 QUELQUES PROPRIETES SIMPLES
Propriete 1
Si un evenement E est partitionne en deux eve-
nements E
1
et E
2
:
P(E) = P(E
1
) + P(E
2
).
Propriete 2
Extension ` a plus de 2 evenements.
Propriete 3
Si E
1
E
2
:
P(E
1
) P(E
2
).
Propriete 4
Pour tout evenement E, P(E) 1.
Propriete 5
Si E est le complementaire de E:
P(E) = 1 P(E)
.
Propriete 6
Le complementaire de est
P() = 0.
3.3.8 LOI DADDITION
Cas de deux evenements
Soient A et B F:
P(A B) = P(A) + P(B) P(A B).
Demonstration:
A B = (A\B) (A B) (B\A)
P(A B) = P(A\B) + P(A B) + P(B\A)
P(A B) = P(A) P(A B)
+P(A B) + P(B)
P(A B)
= P(A) + P(B) P(A B).
Exemple:
B = {3, 6}, C = {2, 4, 6}
P(B C) = P(B) + P(C) P(B C)
=
2
6
+
3
6
1
6
=
4
6
Si A et B sont mutuellement exclusifs:
A B =
P(A B) = P(A) + P(B) (Axiome 3)
Exercice theorique: Cas de 3 evènements ou
plus
3.3.9 REGLE DE MULTIPLICATION
Probabilite conditionnelle
Presentation à partir de lexemple 4.1 (ELST,
p.149)
1. Prenons C (=nbre pair) comme condition,
donc on suppose que C se realise:
P(B|C) =
1
3
=
1/6
3/6
=
P(B C)
P(C)
2. Prenons B = {3, 6} comme condition:
P(C|B) =
1
2
=
1/6
2/6
=
P(B C)
P(B)
Denition des probabilites conditionnelles
Soient A et B deux evenements de F
(P(A) = 0; P(B) = 0):
P(A|B) =
P(A B)
P(B)
P(B|A) =
P(A B)
P(A)
Règle de multiplication
Cas de deux evenements
Soient A et B deux evenements de probabilite
non nulle:
P(A B) = P(A).P(B|A)
P(A B) = P(B).P(A|B)
Exemple: Choix de 2 cartes sans remise dans
un jeu de 52 cartes
Evenements: R
1
=choix dun roi pour la
première carte
R
2
=choix dun roi pour la
seconde carte
P(R
1
R
2
) = P(R
1
).P(R
2
|R
1
)
=
4
52
.
3
51
=
1
221
Cas de trois evenements
Soient A, B, C F:
P(ABC) = P(A).P(B|A).P(C|AB)
Ordre de prise en compte de A, B et C
Exemple: Choix de trois cartes sans remise
dans un jeu de 52 cartes:
P(R
1
R
2
R
3
)
= P(R
1
).P(R
2
|R
1
).P(R
3
|R
1
R
2
)
=
4
52
.
3
51
.
2
50
=
1
5525
Extension à plus de trois evenements
3.3.10 INDEPENDANCE STOCHASTIQUE
Cas de 2 evenements
1. Denition
Deux evenements A et B de probabilite non
nulle sont (stochastiquement) independants
si et seulement si:
P(A B) = P(A).P(B)
2. Si deux evenements sont independants alors:
P(A|B) = P(A) et P(B|A) = P(B)
3. Exemple 4.6 (ELST, p.166)
F
1
: première pièce =face
F
2
: deuxième pièce =face
P(F
1
F
2
) = P(F
1
).P(F
2
) =
1
2
1
2
=
1
4
Cas de trois evenements
1. Denition
A, B et C sont independants ssi:
P(A B) = P(A).P(B)
P(A C) = P(A).P(C)
P(B C) = P(B).P(C)
P(A B C) = P(A).P(B).P(C)
Règle de multiplication dans le cas deve-
nements independants
2. Exemple
Lancement de 3 pièces de monnaie:
P(F
1
F
2
F
3
) = P(F
1
).P(F
2
).P(F
3
)
=
1
2
.
1
2
.
1
2
=
1
8
Cas de plus de trois evenements
Exercice theorique
3.3.11 THEOREME DES PROBABILITES TOTALES ET DE
BAYES
Denition dun système complet devene-
ments ou système exhaustif
Soit la partition {E
1
, . . . , E
m
} de telle que
P(E
i
) 0 (i = 1 . . . , m).
Theorème des probabilites totales
Soit {E
1
, . . . , E
m
} un système exhaustif deni
sur et un evenement quelconque de A F:
P(A) =
m
i=1
P(E
i
)P(A|E
i
).
Theorème de Bayes
Soit {E
1
, . . . , E
m
} un système exhaustif deni
sur et un evenement quelconque de A F, de
probabilite non nulle. Supposons connatre les
probabilites a priori P(E
i
) et les probabilites
conditionnelles P(A|E
i
) (pour i = 1, . . . , m).
On peut alors calculer les probabilites a poste-
riori par la relation:
P(E
i
|A) =
P(E
i
)P(A|E
i
)
m
j=1
P(E
j
)P(A|E
j
)
.
3.3.12 QUELQUES APPLICATIONS DES PROPRIETES FON-
DAMENTALES
La formule du bin ome
Schema de Bernoulli
Dans une experience aleatoire , nous nous interès-
sons ` a lavènement ou non de levenement E:
P(E) = p et P(

E) = q = 1 p.
Lexperience est repetee n fois de fa con indepen-
dante et sous des conditions identiques (p cons-
tant).
P (E se realise n fois) = pp . . . p = p
n
P (E ne se realise jamais) = qq . . . q = q
n
P (E se realise au moins 1 fois) = 1 q
n
P (E se realise r fois dans ordre precis) = p
r
q
nr
Par la formule du binome, on peut aussi cal-
culer des probabilites plus diciles:
P(E se presente r fois dans ordre quelconque)
=
_
n
r
_
p
r
q
nr
o` u
_
n
r
_
=
n!
r!(nr)!
= C
r
n
Il existe en eet
_
n
r
_
suites mutuellement ex-
clusives et de meme probabilite contenant r elements
E et (n r) elements

E.
Remarque:
n
r=0
_
n
r
_
p
r
q
nr
= (q + p)
n
= 1.
Exemple: 10 lances dune pièce equilibree:
P(3 fois face) =
_
10
3
_
(
1
2
)
3
(
1
2
)
7
=
120
1024
= 0.117
Prelèvements avec ou sans remise
Soit un sac de billes avec N
1
billes jaunes (J)
et N
2
billes de couleurs dierentes (

J). Notons
N = N
1
+ N
2
.
1. Prelèvement de n billes avec remise (AR)
P(r fois Jaune) =
_
n
r
_
p
r
q
nr
o` u
p =
N
1
N
et q =
N
2
N
(formule du bin ome)
2. Prelèvement de n billes sans remise (SR)
Formule hypergeometrique:
P(r fois Jaune) =
_
N
1
r
__
N
2
n r
_
_
N
n
_
si r N
1
et n r N
2
.
3. Remarque
_
N
1
r
__
N
2
n r
_
_
N
n
_
_
n
r
_
p
r
q
nr
pour N
1
, N
2
et
N
1
N
= p.
Chapitre 4
STATISTIQUE DESCRIPTIVE
DUNE SERIE BIVARIEE
Donnees : Serie statistique bivariee:
{(x
i
, y
i
); i = 1, 2, . . . , n}
collectees dans un tableau Individus Caractères
Var-Ind 1 2
1 x
1
y
1
2 x
2
y
2

i x
i
y
i

n x
n
y
n
But : Mettre en evidence les relations existant
entre 2 series dobservations
148
CHAPITRE 4. STATISTIQUE DESCRIPTIVE DUNE SERIE BIVARIEE 149
Exemple Mode de payement
La societe X gère une chane de supermarche,
et elle sinteresse aux modes de payement.
Le tableau suivant reprend pour 100 clients le
montant en euros depense sur 1 mois en liq-
uide et par carte bancaire (Source : donnees
simulees).
Payement liquide 115 45 99 154 201 27 62 32 44 . . .
Payement par carte 227 459 151 376 321 555 698 159 323 . . .
Payement liquide . . . 95 93 83 103 103 100 95 95 94
Payement par carte . . . 298 59 73 80 13 253 175 175 164
Questions:
Quel est le mode de payement favori des clients?
Les clients qui depensent plus que la moyenne
en liquide depensent-ils egalement plus que la
moyenne par carte ?
etc
Exemple Bourse: Donnees contenant les in-
formations nancières de 25 entreprises.
Entreprises Place boursière Prix de laction (en dollars)
Award Software OTC 11.500
Chesapeake Energy NYSE 7.880
Craig Corporation NYSE 17.000
Edisto Resources AMEX 9.688
Franklin Elect. Pbls. NYSE 12.880
Gentia Softaware OTC 5.750
Giant Group NYSE 6.563
Hot Topic OTC 15.750
Hudson General AMEX 39.750
ICU Medical OTC 8.500
Jackpot Enterprises NYSE 10.875
Kentek Information OTC 9.500
Larscom, Inc OTC 10.313
Lumisys, Inc OTC 7.375
Maynard Oil OTC 10.750
Mechanical Dynamics OTC 6.688
Metrika Systems AMEX 15.250
National Home Health OTC 5.130
National Tech Team OTC 10.875
OrCad OTC 11.375
OroAmerica OTC 5.125
Overland Data OTC 7.000
PIA Merchandising OTC 7.500
Plenum Publishing OTC 44.000
Premier Research OTC 8.250
Source : Stock Investor Pro, Association americaine
des investisseurs individuels , 31 ao ut 1997.
Place boursière : Endroit o` u les titres des en-
treprises sont echanges:
NYSE (bourse de New York)
AMEX (Bourse americaine)
OTC (marche parallèle)
Variable nominale.
Exemple Seconde session: Echantillon com-
pose de 20 bacheliers en economiques. Letude
porte sur le nombre de 2èmes sessions presentees
dans le secondaire (x) et à luniversite (y).
i 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
X 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 2 2 2 2 3
Y 0 0 1 1 1 2 2 2 2 3 3 3 3 4 4 0 1 3 4 5
Commentaires:
Beaucoup detudiants sengageant dans les
etudes en economie nont jamais eu de 2ème ses-
sion dans le secondaire.
Ne pas avoir eu de 2ème session dans le sec-
ondaire nest pas une garantie de reussite en 1ère
session ` a luniversite
Les etudiants sans 2ème session dans le sec-
ondaire ont-ils plus de chances de reussite en
1ère session que les autres ?
Nous envisagerons 4 situations en fonc-
tion de la nature des variables
x/y Quantitatif Ordinal Nominal
Quantitatif I IV IV
Ordinal IV II III
Nominal IV III III
Etude dans 2 directions:
Elaboration de tableaux et graphiques
Reduction des donnees.
4.1 RELATIONS ENTRE 2 VARIABLES QUANTI-
TATIVES
4.1.1 VISUALISATION DES DONNEES (Scatter Plot)
Exemple Mode de payement
Dpenses mensuelles en liquide
50 100 150 200
Mode de payement
Conclusion : Lien positif entre les deux vari-
ables donc une personne depensière en liquide
le sera egalement par carte. (Logique ? Autres
variables ` a prendre en compte ? Nombre de
personnes dans le menage, . . .)
4.1.2 DISTRIBUTION MARGINALE, DISTRIBUTION CON-
DITIONNELLE
1. Tableau de contingence (TC)
Soit {(x
i
, y
i
); i = 1, 2, . . . , n} la serie statis-
tique bivariee =construction dun tableau de
contingence:
x|y y
1
y
2
. . . y
k
. . . y
K
x
1
n
11
n
12
. . . n
1k
. . . n
1K
x
2
n
21
n
22
. . . n
2k
. . . n
2K

x
j
n
j1
n
j2
. . . n
jk
. . . n
iK

x
J
n
J1
n
J2
. . . n
Jk
. . . n
JK
o` u n
jk
: eectif associe au couple (x
j
, y
k
).
= Reecriture de la serie statistique bivariee:
{(x
j
, y
k
, n
jk
), j = 1, . . . J, k = 1, . . . K}.
Exemple sur les secondes sessions
n
jk
y = 0 y = 1 y = 2 y = 3 y = 4 y = 5
x = 0 2 3 4 2 0 0 11
x = 1 0 0 0 2 2 0 4
x = 2 1 1 0 1 1 0 4
x = 3 0 0 0 0 0 1 1
3 4 4 5 3 1 20
Commentaires :
Deux etudiants de lechantillon nont jamais
eu de 2ème session
Un etudiant a eu trois 2èmes sessions en
secondaire et cinq 2èmes sessions à luniversite
Leectif maximal est 4 pour des etudiants
nayant jamais eu de 2ème session en secondaire
mais deux 2èmes sessions ` a luniversite
. . .
Si le nombre de lignes et de colonnes dun
TC sont trop grands = faire des classes
Exemple: Mode de payement
n
jk
[0, 175[ [175, 350[ [350, 525[
[0, 100[ 26 24 1 51
[100, 200[ 16 25 7 48
[200, 300[ 0 1 0 1
42 50 8 100
x
cj
et y
ck
: valeurs centrales des classes
x et y: longueurs de classes.
Commentaires:
26 clients sur 100 ont achete en liquide entre 0 et 100
euros et par carte entre 0 et 175 euros.
Plus de la moitie de lechantillon (51 sur 100) ont
achete pour moins de 100 euros en liquide
8% ont achete entre 350 et 525 euros par carte.
NB : Parfois on a des distributions de type mixte
o` u une des deux series est regroupee en classes.
2. Distributions marginales
Etude dune seule serie observee (abstraction de
lautre serie) =etude de series univariees.
a) Serie marginale en x :{x
i
; i = 1, 2, . . . , n}
ou encore {(x
j
, n
j.
); j = 1, . . . , J} o` u
n
j.
=
K
k=1
n
jk
sont les eectifs marginaux.
Frequence marginale en x :
f
j.
=
n
j.
n
o` u j = 1, . . . , J =
x =
1
n
n
i=1
x
i
=
1
n
J
j=1
n
j.
x
j
s
2
x
=
1
n
n
i=1
(x
i
x)
2
=
1
n
J
j=1
n
j.
(x
j
x)
2
b) Serie marginale en y :{y
i
; i = 1, 2, . . . , n}
ou encore {(y
k
, n
.k
); k = 1, . . . , K} o` u
n
.k
=
J
j=1
n
jk
sont les eectifs marginaux.
Frequence marginale en y :
f
.k
=
n
.k
n
o` u k = 1, . . . , K =
y =
1
n
n
i=1
y
i
=
1
n
K
k=1
n
.k
y
k
s
2
y
=
1
n
n
i=1
(y
i
y)
2
=
1
n
K
k=1
n
.k
(y
k
y)
2
Exercice:
J
j=1
n
j.
=
K
k=1
n
.k
=
J
j=1
K
k=1
n
jk
= n
n
jk
y = 0 y = 1 y = 2 y = 3 y = 4 y = 5 n
j.
x = 0 2 3 4 2 0 0 11
x = 1 0 0 0 2 2 0 4
x = 2 1 1 0 1 1 0 4
x = 3 0 0 0 0 0 1 1
n
.k
3 4 4 5 3 1 20
{(x
j
, n
j.
), j = 1, . . . , J} = {(0, 11), (1, 4), (2, 4), (3, 1)}
{(y
k
, n
.k
), k = 1, . . . , K} = {(0, 3), (1, 4), (2, 4), (3, 5), (4, 3), (5, 1)}
Diagramme en b atons des eectifs marginaux
en x.
0.0 0.5 1.0 1.5 2.0 2.5 3.0
xj
4 4
1
11
3. Distributions conditionnelles
Etude dune serie observee en xant la valeur
de lautre serie observee.
Questions :
Parmi les etudiants nayant jamais eu de
2ème session dans le secondaire, quel est le pour-
centage detudiants reussissant sans 2ème ses-
sion ` a luniversite ?
Quelle est la moyenne du prix dune action
pour les titres echanges sur la bourse de New
York ?
Sachant que les depenses en liquides par
mois sont inferieures ` a 100 euros pour certains
individus de lechantillon, quelle sera la moyenne
des depenses de ces individus par carte ?
. . .
Distribution conditionnelle de y en x :
Fixons x = x
j
: {(y
k
, n
jk
), k = 1, . . . , K}
=etude sur un echantillon de taille n
j.
Frequence conditionnelle (prol-lignes) :
f
y
k
|x
j
= f
k|j
=
n
jk
n
j.
j xe ; k = 1, . . . , K
On peut calculer les moyennes, variances,. . . con-
ditionnelles :
y|
x
j
=
1
n
j.
K
k=1
n
jk
y
k
s
2
y|
x
j
=
1
n
j.
K
k=1
n
jk
(y
k
y|
x
j
)
2
Distribution conditionnelle de x en y:
Fixons y = y
k
: {(x
j
, n
jk
), j = 1, . . . , J}
=etude sur un echantillon de taille n
.k
Frequence conditionnelle (prol-colonnes) :
f
x
j
|y
k
= f
j|j
=
n
jk
n
.k
k xe ; j = 1, . . . , J
On peut calculer les moyennes, variances,. . . con-
ditionnelles :
x|
y
k
=
1
n
.k
J
j=1
n
jk
x
j
s
2
x|
y
k
=
1
n
.k
J
j=1
n
jk
(x
j
x|
y
k
)
2
Nombre moyen de secondes sessions à luniversite
sachant le nombre de secondes sessions dans le
secondaire :
x
j
y|
x
j
0 1.5455
1 3.5
2 2
3 5
Exemple : Bourse
Moyenne des prix dune action pour les titres
echanges sur la bourse de New York :
y
x=NY SE
=
7.88 + 17.000 + 12.888 + 6.563 + 10.865
5
= 11.0396
y
x=AMEX
=
9.688 + 39.750 + 15.250
3
= 21.5627
Exercice: y
x=OTC
= . . .
4.1.3 MOMENTS, COVARIANCE ET CORRELATION
1. Les moments
Generalisation à 2 dimensions de la notion de
moment :
a) Moments centres
m
rs
=
1
n
n
i=1
(x
i
x)
r
(y
i
y)
s
r, s IN
Cas particuliers :
m
20
=
1
n
n
i=1
(x
i
x)
2
= s
2
x
m
02
=
1
n
n
i=1
(y
i
y)
2
= s
2
y
m
11
=
1
n
n
i=1
(x
i
x)(y
i
y) = s
xy
o` u s
xy
est appele covariance
b) Moments par rapport ` a lorigine
m
rs
=
1
n
n
i=1
x
r
i
y
s
i
Cas particuliers
m
10
= x m
01
= y
c)Proprietes de m
rs
Soient x
0
, y
0
IR et d
x
, d
y
IR
+
Posons : u
i
=
x
i
x
0
d
x
, v
i
=
y
i
y
0
d
y
(i = 1, . . . , n)
et
m
rs
=
1
n
n
i=1
(u
i
u)
r
(v
i
v)
s
m
rs
=
m
rs
d
r
x
d
s
y
(exercice)
Cas particulier :
s
uv
=
s
xy
d
x
d
y
2. Covariance
Moment centre dordre (1,1):
m
11
= s
xy
= cov(x, y) =
1
n
n
i=1
((x
i
x)(y
i
y))
La covariance sera positive (negative) sil existe
une relation croissante (decroissante) entre les 2
variables.
Exemple: Mode de payement
Dpenses mensuelles en liquide
50 100 150 200
Modes de payement
-
+
Proprietes
Inuencee par les changements dunites mais
pas dorigine. Soient
u
i
=
x
i
x
0
d
x
et v
i
=
y
i
y
0
d
y
(i = 1, . . . , n)
=cov(u, v) =
cov(x, y)
d
x
d
y
(exercice)
|cov(x, y)| s
x
s
y
(exercice)
Aide: developper lexpression suivante:
1
n
n
i=1
(b(x
i
x) (y
i
y))
2
Expression liant m
11
et m
11
(exercice):
m
11
= s
xy
=
1
n
n
i=1
((x
i
x)(y
i
y))
=
1
n
n
i=1
x
i
y
i
x y = m
11
m
01
m
10
Mettre en parallèle avec : s
2
x
=
1
n
n
i=1
x
2
i
x
2
.
3. Coecient de correlation
(Bravais-Pearson)
Denition:
r =
s
xy
s
x
s
y
o` u s
x
= 0, s
y
= 0
Commentaires:
r = 1 quand tous les points observes se trou-
vent sur une meme droite de pente positive
r 1 quand tous les points observes sont
situes à proximite dune telle droite
r = 0 quand le nuage de points est allonge
parallèlement ` a lun des axes de coordonnees ,
ou forme arrondie
r = 1 quand tous les points observes se trou-
vent sur une meme droite de pente negative
r 1 quand tous les points observes sont
situes à proximite dune telle droite
= r mesure lintensite de la dependance
lineaire entre x et y
Proprietes
Ne peut pas etre utilise avec des variables
qualitatives
signe(r) = signe(cov(x, y))
1 r 1
r est independant des unites de mesures (orig-
ine et unite des echelles de mesure) = r est
independant de toute transformation lineaire.
Ainsi, on a que r
xy
= r
uv
quand
u
i
=
x
i
x
0
d
x
et v
i
=
y
i
y
0
d
y
(i = 1, . . . , n)
avec d
x
et d
y
strictement positifs.
!!Correlation nimplique pas toujours
causalite!!
Une forte correlation nimplique pas automa-
tiquement une relation directe de cause à eet.
Ceci peut simplement etre d u au fait que les
2 variables sont soumises à des inuences com-
munes.
Exemple des cigognes.
4.1.4 VECTEUR MOYENNE ET MATRICE DE VARIANCE-
COVARIANCE
Il est frequent de representer les moments du
1er et du 2ème ordres dune serie bivariee sous
forme matricielle (notation aisee, temps de cal-
culs reduits).
Soit {x
i
, y
i
; i = 1, . . . , n}, une serie bivariee:
a) Vecteur moyenne:
g =
_
x
y
_
NB: g denit le centre de gravite des donnees.
b) Matrice variance-covariance:
V =
_
s
2
x
s
xy
s
xy
s
2
y
_
NB: V est une matrice symetrique.
c) Soit X la matrice des observations:
X =
_
_
_
_
_
_
_
x
1
y
1
x
2
y
2
.
.
.
.
.
.
x
n
y
n
_
_
_
_
_
_
_
et X
c
la matrice des valeurs centrees:
X
c
=
_
_
_
_
_
_
_
x
1
x y
1
y
x
2
x y
2
y
.
.
.
.
.
.
x
n
x y
n
y
_
_
_
_
_
_
_
,
=V =
1
n
X
c
X
c
=
1
n
_
x
1
x x
2
x . . . x
n
x
y
1
y y
2
y . . . y
n
y
_
_
_
_
_
_
_
_
x
1
x y
1
y
x
2
x y
2
y
.
.
.
.
.
.
x
n
x y
n
y
_
_
_
_
_
_
_
.
Exercice: Ecriture matricielle avec trois vari-
ables (x, y, z).
4.1.5 REGRESSION LINEAIRE SIMPLE
Objectif : Denir une relation de dependance
statistique entre 2 variables.
La variable ` a expliquer sera notee Y (variable
reponse, variable dependante), et la variable ex-
plicative sera note X (variable independante)
Exemples
x1
1 0 1 2
x1
y
2
-2 -1 0 1
-
4
-
2
0
2
4
x1
1 0 1 2
x1
y
4
-2 -1 0 1
-
2
-
1
0
1
2
Dependance simple : relation lineaire
= determination dune droite de regression.
Exemple: Essayons destimer le prix dune
maison PRICE (en milliers de dollars) en fonc-
tion de la supercie totale FLR (en pieds carres).
La variable dependante est PRICE, la variable
explicative est FLR.
Ajustons au mieux ces donnees par une droite
Lerreur commise entre la vraie valeur Price et la
valeur ajustee par la droite est appelee residu
(residual)
Remarquons quen moyenne nous ne faisons pas
derreur, en eet la moyenne des residus est nulle
dès quun terme constant est dans le modèle.
CADRE THEORIQUE
Soit {(x
i
, y
i
); i = 1, . . . , n} une serie statistique
bivariee. Soit y la variable dependante et x la
variable explicative.
Notons la droite de regression:
y
i
= a + bx
i
(a, b IR).
Alors, il est possible de calculer les residus:
e
i
= y
i
y
i
= y
i
a bx
i
Idee: Minimiser les erreurs commises entre la
vraie valeur de lobservation y
i
et la prevision
basee sur la variable explicative y
i
.
Dierentes pistes: Minimiser
n
i=1
e
2
i
ou
n
i=1
|e
i
| ou mediane(e
i
) ou . . .
CRITERE DES MOINDRES CARRES (MC)
Point de vue mathematique: critère simple.
But: Minimiser:
n
i=1
e
2
i
=
n
i=1
(y
i
a bx
i
)
2
.
= Système dequations normales. Pour avoir
un minimum, il faut que
(i)

a
Q(a, b) = 0
(ii)

b
Q(a, b) = 0.
Resolution:
Derivons la somme des residus carres par rap-
port ` a a:
a
Q(a, b) = 2
n
i=1
(y
i
a bx
i
)
Il sensuit de (i) que
i=1
(y
i
a bx
i
) = 0
i=1
y
i
na b
n
i=1
x
i
= 0
i=1
y
i
= na + b
n
i=1
x
i
y = a + b x,
ce qui implique que le centre de gravite est sur
la droite de regression.
Derivons la somme des residus carres par rap-
port ` a b:
b
Q(a, b) = 2
n
i=1
(y
i
a bx
i
)(x
i
)
Il sensuit de (ii) que
i=1
(y
i
a bx
i
)(x
i
) = 0
i=1
x
i
y
i
a
n
i=1
x
i
b
n
i=1
x
2
i
= 0
1
n
n
i=1
x
i
y
i
( y b x)
1
n
n
i=1
x
i
b
1
n
n
i=1
x
2
i
= 0
1
n
n
i=1
x
i
y
i
y x + b x
2
b
1
n
n
i=1
x
2
i
= 0
b(
1
n
n
i=1
x
2
i
x
2
) =
1
n
n
i=1
x
i
y
i
y x
b =
1
n
n
i=1
x
i
y
i
y x
1
n
n
i=1
x
2
i
x
2
=
1
n
n
i=1
(x
i
x)(y
i
y)
1
n
n
i=1
(x
i
x)
2
Solution au problème de minimisation:
a = y b x
b =
s
xy
s
2
x
Remarque: en calculant les derivees secondes,
on peut montrer que la solution est bien un min-
imum (exercice).
Variances residuelle et de regression
Decomposons la variance de la variable ` a ex-
plique (y) en deux parties: dune part la partie
expliquee par la droite de regression (variance
de regression) et dautre part la partie non ex-
pliquee (variance residuelle)
s
2
y
=
1
n
n
i=1
(y
i
y
i
)
2
+
1
n
n
i=1
( y
i
y)
2
= s
2
e
+s
2
reg
Demonstration:
s
2
y
=
1
n
n
i=1
(y
i
y)
2
=
1
n
n
i=1
(y
i
y
i
+ y
i
y)
2
=
1
n
n
i=1
(y
i
y
i
)
2
+
1
n
n
i=1
( y
i
y)
2
+
2
n
n
i=1
(y
i
y
i
)( y
i
y)
Montrons que le double produit est nul. Rappel:
y
i
= a + bx
i
= y b x + bx
i
= y + b(x
i
x)
Donc, nous avons que:
2
n
n
i=1
(y
i
y
i
)( y
i
y) =
2
n
n
i=1
(y
i
y b(x
i
x))(b(x
i
x))
=
2b
n
[
n
i=1
(y
i
y)(x
i
x) b
n
i=1
(x
i
x)
2
]
= 2b[s
xy
bs
2
x
] = 2b[s
xy
s
xy
s
2
x
s
2
x
] = 0
Ceci prouve la decomposition de la variance en
une variance residuelle et une variance de regression.
Coecient de correlation (r) et coe-
cient de determination (R
2
)
Lien entre le signe de r et la pente de la
droite de regression. On peut prouver que
y
i
y = r
s
y
s
x
(x
i
x)
De cette relation, il est aise de voir que:
r > 0 = pente positive
r < 0 = pente negative
Pourcentage de variance de la variable y
explique par la variable x. On peut montrer:
s
2
e
= s
2
y
(1 r
2
) r
2
=
s
2
reg
s
2
y
Interpretation : r
2
qui sera etendu dans le cas
de regression multiple ` a R
2
mesure le % de vari-
ance de la variable reponse (y) explique par la
variable explicative (x).
Demonstration: s
2
e
= s
2
y
(1 r
2
)
s
2
e
=
1
n
n
i=1
(y
i
y
i
)
2
=
1
n
n
i=1
(y
i
y b(x
i
x))
2
=
1
n
n
i=1
(y
i
y)
2
+
b
2
n
n
i=1
(x
i
x)
2
2b
n
n
i=1
(y
i
y)(x
i
x)
= s
2
y
+
s
2
xy
s
4
x
s
2
x
2
s
xy
s
2
x
s
xy
= s
2
y
s
2
xy
s
2
x
= s
2
y
(1
s
2
xy
s
2
x
s
2
y
)
= s
2
y
(1 r
2
)
Exemple
Argent de poche donne ` a de jeunes adolescents:
x = age
y = montant hebdomadaire moyen en euro
x
i
12 12 15 14 16 14 12 13 11 11
y
i
4.1 3.4 11.3 10.2 11.5 7.2 6.0 7.8 3.5 3.0
x
i
y
i
x
i
x y
i
y (x
i
x)
2
(y
i
y)
2
(x
i
x)(y
i
y)
12 4.1 -1 -2.7 1 7.29 2.7
12 3.4 -1 -3.4 1 11.56 3.4
15 11.3 2 4.5 4 20.25 9
14 10.2 1 3.4 1 11.56 3.4
16 11.5 3 4.7 9 22.09 14.1
14 7.2 1 0.4 1 0.16 0.4
12 6 -1 -0.8 1 0.64 0.8
13 7.8 0 1 0 1 0
11 3.5 -2 -3.3 4 10.89 6.6
11 3 -2 -3.8 4 14.44 7.6
130 68 0 0 26 99.88 48
g =
_
x
y
_
=
_
13
6.8
_
et V =
_
s
2
x
s
xy
s
xy
s
2
y
_
=
_
2.6 4.8
4.8 9.99
_
Donc la droite de regression est donnee par:
y = 6.8 +
4.8
2.6
(x 13) = 17.2 + 1.85x
Importance de lanalyse des graphiques
Examen du graphique des donnees = in-
formation sur la relation eventuelle entre deux
variables
Analyse des residus e
i
= y
i
y
i
(i = 1, . . . , n).
Exemple d u ` a Anscombe (p. 398)
Ensemble A Ensemble B Ensemble C Ensemble D
x y x y x y x y
10 8.04 10 9.14 10 7.46 8 6.58
8 6.95 8 8.14 8 6.77 8 5.76
13 7.58 13 8.74 13 12.74 8 7.71
9 8.81 9 8.77 9 7.11 8 8.84
11 8.33 11 9.26 11 7.81 8 8.47
14 9.96 14 8.10 14 8.84 8 7.14
6 7.24 6 6.13 6 6.08 8 5.25
4 4.26 4 3.10 4 5.39 19 12.50
12 10.84 12 9.13 12 8.15 8 5.56
7 4.82 7 7.26 7 6.42 8 7.91
5 5.68 5 4.74 5 5.73 8 6.89
Representations graphiques des exemples dAnscombe:
Que pensez-vous de lhypothèse de relation lineaire
entre x et y pour chacun de ces cas?
N.B.: Calculez les residus et commentez leurs
graphiques.
4.2 RELATIONS ENTRE UNE VARIABLE QUAN-
TITATIVE ET UNE VARIABLE QUALITATIVE
Soient:
- Y une variable quantitative (p.e. le salaire)
- X une variable qualitative (p.e. le niveau
de diplome) prenant les modalites x
1
, . . . , x
j
, . . . , x
J
.
Moyennes conditionnelles: Quel est le salaire
moyen pour un travailleur ayant un dipl ome de
bachelier ??
y|x
j
=
1
n
j.
y tq x=x
j
y
j
= Graphique des moyennes conditionnelles.
Mesure de lintensite de la dependance non
lineaire de y en x. Eectuons une decomposition
de la variance marginale :
s
2
y
=
1
n
n
i=1
(y
i
y)
2
=
1
n
K
k=1
n
.k
(y
k
y)
2
=
1
n
J
j=i
K
k=1
n
jk
(y
k
y)
2
=
1
n
J
j=i
K
k=1
n
jk
(y
k
y|x
j
+ y|x
j
y)
2
=
1
n
J
j=i
K
k=1
n
jk
(y
k
y|x
j
)
2
+
1
n
J
j=i
n
j.
( y|x
j
y)
2
= moyenne des variances conditionnelles
+ variance des moyennes conditionnelles
Le rapport de correlation
y.x
est deni par
son carre:
2
y.x
=
1
n
J
j=i
n
j.
( y|x
j
y)
2
s
2
y
Interpretation: Pourcentage de la variance ex-
pliquee par la connaissance de la variable X.
Remarques:
- expression ` a comparer avec R
2
-
2
y.x
est independant des origines et des
unites
- 0
2
y.x
1
- Si y|x
j
= y j =
2
y.x
= 0
- Si s
2
y|x
j
= 0 j =
2
y.x
= 1
- Indice de non linearite:
2
y.x
r
2
4.3 RELATION ENTRE 2 VARIABLES QUALITA-
TIVES ORDINALES
Exemple: Sondage dopinion auprès de 10 clients
du restaurant Lobster Pot dans lEtat de Floride.
i 1 2 3 4 5 6 7 8 9 10
QN E B B E S S I B E S
QS B B B E S B I E B S
R B B E B B I I E B B
P S B E E B I I B S B
G B B E B E B I S S E
4.3.1 CORRELATIONS DE RANG
Echelle ordinale donc il nexiste plus de lien
lineaire Information à exploiter pour com-
parer les 2 series: ORDRE.
Soit {(x
i
, y
i
); i = 1, . . . , n} la serie statistique
bivariee. Soient les 2 series marginales ordonnees:
{x
(1)
, . . . , x
(n)
} et {y
(1)
, . . . , y
(n)
}.
Lindice (i) est appele rang de lobservation
correspondante. Notons R(x
i
) le rang de lobser-
vation x
i
et R(y
i
) le rang de lobservation y
i
.
Exemples:
Serie observee: QN
i
= {E, B, E, B, S, S, I, B, E, S}
Serie ordonnee: QN
(i)
= {I, S, S, S, B, B, B, E, E, E}
Rang de la serie ordonnee: R(QN
(i)
) = {1, 3, 3, 3, 6, 6, 6, 9, 9, 9}
Rang de la serie observee: R(QN
i
) = {9, 6, 9, 6, 3, 3, 1, 6, 9, 3}
Correlation de Spearman (r
s
)
Denition:
R
s
= corr(R(x), R(y)).
Par denition de la correlation de Pearson:
R
s
=
1
n
n
i=1
_
R(x
i
)

R
x
_ _
R(y
i
)

R
y
_
_
_
1
n
n
i=1
(R(x
i
)

R
x
)
2
_
1
n
n
i=1
(R(y
i
)

R
y
)
2
Correlation du quadrant
Base sur la division de lespace en 4 parties au
moyen des medianes.
Correlation de Kendall
Base sur la notion de paire dobservations con-
cordantes et discordantes.
4.4 RELATIONS ENTRE 2 VARIABLES QUALITA-
TIVES NOMINALES
Serie statistique bivariee
{(x
j
, y
k
, n
jk
); j = 1, . . . , J et k = 1, . . . , K}
Exemple: Enquete auprès de 200 etudiants
Variable X: Provenance des etudiants
3 modalites: R
1
, R
2
, R
3
(3 regions).
Variable Y : Choix de luniversite
3 modalites: U
1
, U
2
, U
3
(3 universites).
Tableau de contingence
n
jk
U
1
U
2
U
3
n
j.
R
1
28 73 29 130
R
2
0 2 18 20
R
3
12 25 13 50
n
.k
40 100 60 200
Formalisation
2 variables qualitatives (nominales) X et Y :
- X prend J modalites: A
1
, . . . , A
J
- Y prend K modalites: B
1
, . . . , B
K
.
X et Y sont observes sur un echantillon de
taille n = Tableau de contingence (N):
X|Y B
1
. . . B
k
. . . B
K
K
k=1
A
1
n
11
. . . n
1k
. . . n
1K
n
1.

A
j
n
j1
. . . n
jk
. . . n
iP
n
j.

A
J
n
J1
. . . n
Jk
. . . n
JK
n
J.
J
j=1
n
.1
. . . n
.k
. . . n
.K
n
o` u les eectifs n
jk
representent le nombre dindividus
ayant simultanement les modalites A
j
et B
k
.
Notons que n
j.
=
K
k=1
n
jk
et n
.k
=
J
j=1
n
jk
.
Tableau des frequences relatives F
Proportion dindividus possedant simultanement
les modalites A
j
et B
k
:
f
jk
=
n
jk
n
(j = 1 . . . , J; k = 1, . . . , K).
Frequences relatives marginales sont donnees par:
f
j.
=
n
j.
n
(j = 1 . . . , J)
et
f
.k
=
n
.k
n
(k = 1, . . . , K).
Remarquons que:
f
jk
est une estimation de
jk
= P(X A
j
, Y B
k
)
f
j.
j.
= P(X A
j
)
f
.k
.k
= P(Y B
k
)
Exemple Regions-Universites.
f
jk
U
1
U
2
U
3
f
j.
R
1
0.14 0.365 0.145 0.65
R
2
0 0.010 0.090 0.10
R
3
0.06 0.125 0.065 0.25
f
.k
0.20 0.50 0.30 1
Commentaires
14% des 200 etudiants viennent de la region
R
1
et sont ` a luniversite U
1
65% des etudiants viennent de la region R
1
30% des etudiants sont à luniversite U
3
. . .
Tableaux des frequences conditionnelles
Tableau des prols-lignes
Proportion des individus presentant la modalite
B
k
parmi les individus ayant la modalite A
j
:
f
k|j
=
n
jk
n
j.
=
n
jk
/n
n
j.
/n
=
f
jk
f
j.
(j = xe; k = 1, . . . , K).
= estimation de la probabilite conditionnelle:
P(Y B
k
|X A
j
)
f
jk
f
j.
U
1
U
2
U
3
Totaux
R
1
0.215 0.562 0.223 1
R
2
0 0.100 0.900 1
R
3
0.240 0.500 0.260 1
f
.k
0.200 0.500 0.300 1
Commentaires
Dans les etudiants venant de la region R
2
,
10% ont choisi luniversite U
2
.
Tableau des prols-colonnes
Proportion des individus presentant la modalite
A
j
parmi les individus ayant la modalite B
k
:
f
j|k
=
n
jk
n
.k
=
n
jk
/n
n
.k
/n
=
f
jk
f
.k
(j = 1, . . . , J; k = xe).
= estimation de la probabilite conditionnelle:
P(X A
j
|Y B
k
)
Exemple 1:
f
jk
f
.k
U
1
U
2
U
3
f
j.
R
1
0.700 0.730 0.483 0.65
R
2
0 0.020 0.300 0.10
R
3
0.300 0.250 0.217 0.25
Totaux 1 1 1 1
Commentaires
Dans les etudiants ayant choisi luniversite
U
3
, 30% viennet de la region R
2
.
Situation dindependance
Si 2 variables aleatoires X et Y sont independantes,
alors j {1, . . . , J} et k {1, . . . , K}:
a)P(X A
j
, Y B
k
) = P(X A
j
)P(Y B
k
)
b)P(Y B
k
|X A
j
) = P(Y B
k
)
c)P(X A
j
|Y B
k
) = P(X A
j
)
Lechantillon de taille n nous permet destimer
ces quantites, dès lors sous lhypothèse dinde-
pendance, on devrait avoir:
a )f
jk
f
j.
f
.k
j {1, . . . , J} k {1, . . . , K}
b )f
k|j
=
f
jk
f
j.
f
.k
j, k
c )f
j|k
=
f
jk
f
.k
f
j.
j, k.
Ainsi tous les prols-lignes et les prols-colonnes
sont pratiquement egaux.
Denissons les frequences (relatives) theoriques
esperees sous lhypothèse dindependance:
f
jk
= f
j.
f
.k
et n
jk
= nf
jk
=
n
j.
n
.k
n
Exemple Regions-Universites.
Eectifs et eectifs theoriques:
n
jk
U
1
U
2
U
3
n
j.
R
1
28 73 29 130
R
2
0 2 18 20
R
3
12 25 13 50
n
.k
40 100 60 200
n
jk
U
1
U
2
U
3
n
j.
R
1
26 65 39 130
R
2
4 10 6 20
R
3
10 25 15 50
n
.k
40 100 60 200
Frequences observees et frequences theoriques
esperees sous lhypothèse dindependance:
f
jk
U
1
U
2
U
3
f
j.
R
1
0.14 0.365 0.145 0.65
R
2
0 0.010 0.090 0.10
R
3
0.06 0.125 0.065 0.25
f
.k
0.20 0.50 0.30 1
f
jk
U
1
U
2
U
3
f
j.
R
1
0.13 0.325 0.195 0.65
R
2
0.02 0.050 0.030 0.10
R
3
0.05 0.125 0.075 0.25
f
.k
0.20 0.50 0.30 1
Ecarts à lindependance
Les ecarts ` a lindependance sont donnes par
e
jk
= n
jk
n
jk
La matrice des ecarts est calculee en soustrayant
de la matrice des eectifs observes N, la matrice
des eectifs theoriques esperes sous lhypothèse
dindependance N
.
Exemple Regions-Universites
n
jk
U
1
U
2
U
3
n
j.
n
jk
U
1
U
2
U
3
n
j.
R
1
28 73 29 130 R
1
26 65 39 130
R
2
0 2 18 20 R
2
4 10 6 20
R
3
12 25 13 50 R
3
10 25 15 50
n
.k
40 100 60 200 n
.k
40 100 60 200
=
e
jk
U
1
U
2
U
3
R
1
2 8 -10
R
2
-4 -8 12
R
3
2 0 -2
Interpretations:
e
jk
> 0 n
jk
> n
jk
f
jk
> f
jk
= f
j.
f
.k
on dit que les modalites A
j
et B
k
sattirent
e
jk
< 0 n
jk
< n
jk
f
jk
< f
jk
= f
j.
f
.k
on dit que les modalites A
j
et B
k
se re-
poussent.
Mesures dassociation du chi-carre:
D
2
=
J
j=1
K
k=1
(n
jk
n
jk
)
2
n
jk
=
J
j=1
K
k=1
e
2
jk
n
jk
Exemple Regions-Universites:
e
2
jk
n
jk
U
1
U
2
U
3
Totaux
R
1
0.1538 0.9846 2.5641 3.7025
R
2
4.0000 6.4000 24.0000 34.4000
R
3
0.4000 0.0000 0.2667 0.6667
Totaux 4.5538 7.3846 26.8308 38.7692
Interpretation : Plus la valeur est grande, plus
on secarte de lindependance donc association
(en 2ème annee dans le chapitre des problèmes
de test, vous utiliserez cette statistique pour
tester lindependance).
4.5 EXTENSIONS (cours à option en 4ème):
ANALYSE DES DONNEES MULTIDIMENSION-
NELLES
But: presenter les dierentes methodes statis-
tiques permettant de visualiser et resumer linfor-
mation contenue dans des bases de donnees con-
tenant un grand nombre de variables.
Analyse en composantes principales (ACP)
Technique de representation et de reduction dun
ensemble de variables quantitatives continues.
Analyse des correspondances binaires
(ACOBI)
Methode adaptee ` a letude des eventuelles re-
lations existantes entre 2 variables nominales
(etude des tableaux de contingence).
Analyse des correspondances multiples
(AFCM)
Generalisation de lanalyse des correspondances.
Permet de decrire les relations entre plusieurs
variables nominales.
Methodes de classication
Methodes permettant de grouper les individus
ou variables suivant certains critères de prox-
imite.
Analyse discriminante
Techniques destinees ` a classer (aecter à des
classes preexistantes) des individus caracterises
par un certain nombre de variables quantitatives
ou qualitatives
Chapitre 5
SERIES CHRONOLOGIQUES
211
1
Chapitre 5 : Analyse
dune srie chronologique
1. Introduction.

Srie chronologique :
Suite de valeurs observes {y
t1
, y
t2
, .y
tn
}
dune variable Y effectues dans le temps
aux instants : {t
1
, t
2
, , t
n
}.

2
Hypothse simplificatrice :
On suppose que les dates dobservations sont
quidistantes {y
1
, y
2
, y
n
}.

Variable de niveau :
Etat un moment donn :
- montant des avoirs le 31 dcembre
- nombre de chmeurs le 1
er
de
chaque mois
- etc

Variable de flux :
Mouvement intervenu durant une certaine
priode :
- quantit produite pendant 1 mois
- nombre de navetteurs sur la E411 sur
une journe
- etc
3
Prvisions :Exemples

Prvision court terme :
- prvision des ventes futures du
produit X pour faire face la demande

Prvision moyen terme :
- rendement dun investissement

Prvision long terme :
- prvisions des besoins en service publics
(hpitaux, coles, etc).

Les mthodes prsentes dans ce chapitre se
rapportent la prvision court terme

Origine de la prvision (T) : moment o le
prvision est effectue

Horizon de la prvision (h) : intervalle de
temps qui spare lorigine de la prvision et
le moment pour lequel on dsire la prvision

Prvision ponctuelle :
( )
T
y h

4

2. Composante dune srie
chronologique
Le principe de dcomposition est bas sur la
maxime : diviser pour rgner.
Dcomposition en 4 composantes :

T= tendance

C= composante cyclique

S= composante saisonnire

E= composante rsiduelle (irrgulire)

Combinaisons possibles des composantes :

Modle additif : y
t
= T
t
+ C
t
+ S
t
+ E
t

NB : composante

extra-saisonnire : f
t
= T
t
+ C
t

Modle multiplicatif : y
t
= T
t
* C
t
* S
t
* E
t

NB : composante

extra-saisonnire : f
t
= T
t
* C
t

Modle mixte : tout autre modle o
additions et multiplications sont utilises.
5
Composition dune srie chronologique.

Modle additif : y
t
= T
t
+ C
t
+ S
t
+ E
t

Graphique 1 : T = Tendance linaire

Graphique 2 : T + C = Tendance linaire +
composante cyclique

6
Graphique 3 : T + C + S = idem+
composante saisonnire

Graphique 4 : T + C + S + E= idem+
composante rsiduelle

7
Modle multiplicatif : y
t
= T
t
* C
t
* S
t
* E
t

Graphique 1 : T = Tendance linaire

Graphique 2 : T * C = Tendance linaire *
composante cyclique

8
Graphique 3 : T * C * S = idem *
composante saisonnire

Graphique 4 : T * C * S * E= idem *
composante rsiduelle

CONCLUSION :

9
3. Etude de la tendance

a) Approche exploratoire

Difficult pratique de procder, souvent li
: - la longueur de la srie
- limportance des fluctuations

Solution : essayer de lisser la srie pour
avoir une ide gnrale de la tendance

Outils :
- filtres linaires (moyenne mobile, etc)
- rgression linaire simple aprs avoir
linaris par diffrenciation,
transformation logarithmique, etc
10
b) Filtres linaires.

Soit {y
1
,,y
t
,,y
n
} la srie chronologique

une valeur filtre linairement:

Donc la srie filtre est donne par :

o w
t
est indpendant de t

Exemple : {y
1
, y
2
, , y
8
}, posons p
1
=1, p
2
=2

Donc
2
*
1 1 0 1 1 2 2
1
t j t j t t t t
j
y w y w y w y w y w y
+ + +
=
= = + + +

Srie filtre : {y
*
2
, y
*
3
,,y
*
6
}
11
Cas particuliers :Moyennes Mobiles (MM)

12

13

14

15

16
5) Choix de lordre de la moyenne mobile.

17

18

Donc le choix idal dpend de la
saisonnalit.
19
c) Ajustement analytique (rgression
linaire)

Variable y fonction du temps : y=f(t) + erreur

Procdure :
- tape 1 : si y nest pas une fonction
linaire : f(t) = a + bt, essayer de la
linariser

t
y
1
0 10 20 30 40 50
0
2
0
4
0
6
0
8
0
1
0
0
Tendance lineaire
t
y
2
0 10 20 30 40 50
0
2
0
4
0
6
0
8
0
1
2
0
Tendance quadratique
t
y
3
0 10 20 30 40 50
2
0
4
0
6
0
8
0
1
0
0
1
2
0
Tendance exponentielle
t
y
4
0 10 20 30 40 50
-
1
.
0
-
0
.
6
-
0
.
2
Tendance hyperbolique

- tape 2 : utiliser la mthode des
moindres carrs sur les donnes
linarises (modle de rgression)
20
Etape 1 : Linariser la relation.

NB : en srie chronologique, la variable
explicative x est le temps t

Rgression exponentielle :

y = 10
a+bx
log
10
y = a + b x

rgression linaire pour {(x
i
, z
i
)} o

z
i
= log
10
y
i

Rgression hyperbolique :

y =
1
a + bx
1
y
= a + bx

rgression linaire pour x
i
, z
i
( )
{ }
o

z
i
= 1 y
i

21
Rgression quadratique: la parabole

y = b
0
+ b
1
x + b
2
x
2

Min Q b
0
, b
1
, b
2
( )
= y
i
b
0
b
1
x
i
b
2
x
i
2
( )
2
i

Systme dquations normales :

Q
b
0
= 2 y
i
b
0
b
1
x
i
b
2
x
i
2
( )
= 0
i
Q
b
1
= 2 y
i
b
0
b
1
x
i
b
2
x
i
2
( )
x
i
( )
= 0
i
Q
b
2
= 2 y
i
b
0
b
1
x
i
b
2
x
i
2
(
)
x
i
2
(
)
= 0
i

22
Etape 2 : Estimation de la tendance par la
mthode des moindres carrs

Soit {(t
i
,y
i
); i=1,2,,n} la srie statistique
bivarie. Soit y la variable dpendante et t le
temps

Notons la droite de rgression par:

i i
y a bt = +
(a, b R)

on peut calculer les rsidus:

i i i i i
e y y y a bt = =

Ide : Minimiser les erreurs commises entre la
vraie valeur de lobservation y
i
et la prvision
base sur la tendance :

Critre des moindres carrs :
=
n
i
i
e
1
2

23
Critre des moindres carrs (MC)

On veut minimiser : Q(a,b)=
i
e
i
2
=
i
(y
i
- a- b t
i
)
2

Systme dquations normales : pour avoir un
minimum il faut que :

( , )
0
Q a b
a

( , )
0
Q a b
b

On obtient donc comme solution du problme de
minimisation :
a y bt =

2
ty
t
s
b
s
=

Remarque : en calculant les drives secondes,
on peut montrer que la solution est bien un
minimum

24
Cas particulier :

Soit lchantillon : {(y
1
,1), (y
2
,2), (y
T
,T)}

2
) 1 (
... 2 1
+
= + + +
T T
T

2
1 +
=
T
t

et
6
) 1 2 )( 1 (
... 2 1
2 2 2
+ +
= + + +
T T T
T

12
1
2
2
=
T
s
t

Ce qui implique que lajustement linaire au
sens des MCO est donn par :

t
y
= a +b t

o
2
1 +
=
T
b y a

et
) 1 (
12
1
2
1
2
1 1
=

= =
T T
y
T
ty
b
T
t
T
t
t t

25

4. Etude de la composante
saisonnire

a). Introduction.

26
b) Modle additif

27

28

29

30

31

32

33

34

35
c) Modle multiplicatif

36
5. Elimination de la tendance
ou/et de la composante
saisonnire

a) Elimination de la tendance.

Solution 1 :
On dtermine T et ensuite on effectue les
oprations suivantes :

1) Cas additif : y-T

2) Cas multiplicatif : y/T

Solution 2 : Utilisation des diffrences

Cas dune tendance linaire :

Cas dune tendance quadratique :

37
b) Elimination de la saisonnalit.

Solution 1 :
On dtermine S
j
(ou 1+ s
j
) et ensuite on
effectue les oprations suivantes :

1) Cas additif : d
ij
= y
ij
- S
j

2) Cas multiplicatif : d
ij
= y
ij
/ (1+s
j
)

Solution 2 : Utilisation des diffrences
saisonnires.

38

6. Mthodes de Prvision

39

40

41

42

43

44

45

46

Chapitre 6
VARIABLES ALEATOIRES ET LOIS
DE PROBABILITE DISCRETES
Citibank, Long Island City, Etat de New York
(Anderson, Sweeney, & Williams, 2001)
212
CHAPITRE 6. VARIABLES ALEATOIRES ET LOIS DE PROBABILITE DISCRETES213
6.1 Denitions, Variables aleatoires
Experience aleatoire: processus dont on ne
peut pas prevoir le resultat:
lancer un de
jouer au lotto
faire une ore de vente
qualite dune pièce (defectueuse ou non) dans
un processus industriel, . . .
Espace-echantillon: ensemble des resultats
possibles
Exemple : on lance 2 pièces de monnaie
'
&
$
%
1
: P
1
P
2
2
: P
1
F
2
3
: F
1
P
2
4
: F
1
F
2
Variable aleatoire: sa valeur est determinee
par le resultat dune experience aleatoire.
Exemple: on lance 2 pièces de monnaie et on
sinteresse au nombre X de resultats face obtenus
'
&
$
%
1
: P
1
P
2
2
: P
1
F
2
3
: F
1
P
2
4
: F
1
F
2
H
H
H
H
H
H
H
H
H
H
H
X
X
X
X
X
X
X
X
X
X
X
,
,
,
,
,
,
,
,
,
,
,
j
z
*
V
'
&
$
%
0
1
2
Notons E
x
levenement compose des resultats
associes à la valeur x V
'
&
$
%
'
&
$
%
E
0
P
1
P
2
E
1
P
1
F
2
'
&
$
%
F
1
P
2
E
2
F
1
F
2
'
&
$
%
H
H
H
H
H
H
H
H
H
H
H
X
X
X
X
X
X
X
X
X
X
X
,
,
,
,
,
,
,
,
,
,
,
j
z
*
V
'
&
$
%
0
1
2
On a donc:
P(E
0
) = P(X = 0) =
1
4
P(E
1
) = P(X = 1) =
1
4
+
1
4
=
1
2
P(E
2
) = P(X = 2) =
1
4
1
p
x
x
6
1
2
1
4
3
4
-
0 1 2
Denition dune variable aleatoire: Une
variable aleatoire (v.a.) X est une fonction denie
sur ` a valeurs dans un ensemble note V.
A chaque de on associe une valeur
x = X() V.
'
&
$
%
`
`
`
`
`
`
`
`
`
`
`
`
`
z
V
'
&
$
%
x

Discrète et continue
Si V est un ensemble discret, la v.a. est dite
discrète (par exemples V = {0, 1, . . . , n} o` u
n N ; V = Z)
Experience Variable aleatoire X Valeurs possibles V
Contacter 5 clients Nbre de clients 0, 1, 2, 3, 4, 5
qui commandent
Inspecter une Nbre de radios defectueuses 0, 1, . . . , 50
cargaison de 50 radios
Gerer un restaurant Nombre de clients 0, 1, 2, 3, . . .
pendant une journee
Si V est continu, la v.a. sera dire continue (par
exemple V = IR)
Experience Variable aleatoire X Valeurs possibles V
Jouer au lotto Montant gagner Intervalle de IR
+
Gerer un restaurant Beneces Intervalle de IR
+
pendant une journee
6.2 Loi dune v.a. discrète
Associons à la valeur x V lensemble devènements:
E
x
= {w tel que w et X(w) = x}
On peut donc calculer pour tout x V :
p
x
= P
X
(x) = P(X = x) = P(E
x
)
Loi de probabilite de X:
{(x, p
x
), x V }.
Remarque : {(x, p
x
), x V } est une DP ssi
p
x
0 x V et
x
p
x
= 1
Exemples: distribution uniforme, binomiale, de
Bernouilli, de Poisson, geometrique, binomiale
negative, hypergeometrique, etc
6.3 Fonction de repartition dune v.a. dicrète
Rappel: Statistique descriptive
F
j
est la frequence cumulee cest-à-dire le pour-
centage dobservations x
j
.
Denition au niveau population:
F(x) = P(X x) o` u x IR
Donc pour une DP {(x
j
, p
j
), j = 1 . . . , J}:
F(x) =
x
j
x
p
j
Proprietes
F(x) [0, 1]
F() = 0 et F() = 1
F(a) F(b), a b (a, b IR)
P(a < X b) = P(X b) P(X a)
= F(b) F(a), (a < b)
Si x
i
et x
j
sont deux valeurs de la v.a. telle
que x
i
x
j
alors:
P(x
i
X x
j
) = F(x
j
) F(x
i1
)
En particulier P(X = x
j
) = F(x
j
) F(x
j1
).
F(x) est continue à droite x IR.
6.4 Esperance mathematique (EPM)
1. Approche historique: Problème des
partis
2 joueurs misent chacun 32 euros
La partie comprends plusieurs jeux successifs
o` u chacun ` a la meme probabilite de gagner
On gagne la mise dès que on a gagne 3 jeux.
La partie est dej` a commencee :
E[gain pour A] = 64
1
2
+ 32
1
2
= 48
E[gain pour B] = 0
1
2
+ 32
1
2
= 16
2. Denition
Soit la distribution de probabilite:
{(x, p
x
), x V }
et la fonction X g(X) : x g(x). Alors
lesperance mathematique est denie
E[g(X)] =
x
g(x)p
x
3. Proprietes
Si b est une constante: E(b) = b
Demonstration:
E(b) =
x
bp
x
= b
x
p
x
= b.
Si a est une constante : E(aX) = aE(X)
Demonstration:
E(aX) =
x
(ax)p
x
= a
x
xp
x
= aE(X).
Si a et b sont des constantes:
E(aX + b) = aE(X) + b
Demonstration: exercice
Notons E(X) = . Alors Y = X est tel
que E(Y ) = 0 = Y est la v.a. centree.
Demonstration:
E(Y ) = E(X ) = E(X) = 0.
Soient a et b deux constantes, g(X) et h(X)
deux fonctions de X ` a valeurs reelles :
E[ag(X) + bh(X)] = aE(g(X)) + bE(h(X))
Demonstration: exercice.
6.5 Paramètres (moyenne, variance, moments, mediane,...)
Moyenne
Cas particulier de lEPM pour g(X) = X:
E(X) =
x
xp
x
:=
Remarque : analogie avec la statistique descrip-
tive basee sur un echantillon :
x =
1
n
j
n
j
x
j
=
j
f
j
x
j
Exemple: Lancement de 2 pièces
1
p
x
x
6
1
2
1
4
3
4
-
0 1 2
=
x
xp
x
=
1
4
0 +
1
2
1 +
1
4
2 = 1
Variance et Ecart-type
Cas particulier de lEPM: g(X) = (XE(X))
2
E((XE(X))
2
) =
x
(x)
2
p
x
:=
2
= V (X)
Remarque : analogie avec la statistique descrip-
tive basee sur un echantillon :
s
2
=
1
n
j
n
j
(x
j
x)
2
=
j
f
j
(x
j
x)
2
Exemple: Lancement de 2 pièces
1
p
x
x
6
1
2
1
4
3
4
-
0 = 1 2
2
=
1
4
(0 1) +
1
2
(1 1) +
1
4
(2 1) =
1
2
Ecart-type: =
_
(
2
).
PROPPRIETES:
1. Si b est une constante: V (b) = 0
Demonstration: Puisque E(b) = b, on a:
V (b) = E((bE(b))
2
) =
x
(bE(b))
2
p
x
= 0.
2. Si a est une constante: V (aX) = a
2
V (X)
Demonstration: Puisque E(aX) = aE(X):
V (aX) = E((aX E(aX))
2
)
= E[a
2
(X E(X))
2
]
= a
2
E[(X E(X))
2
]
= a
2
V (X).
3. Si Y = X a alors V (Y ) = V (X)
Demonstration: Exercice.
La variance est independante dun changement

dorigine.
4. En particulier, si Y = X alors V(Y)=V(X)
Demonstration: Puisque E(X ) = 0, on a:
V (Y ) = E((Y E(Y ))
2
)
= E[((X ) E(X ))
2
]
= E[(X )
2
] = V (X).
5. Soit Z =
X
alors V (Z) = 1
Z est dite v.a. centree-reduite

Demonstration:
V (Z) = V (
X
)
= V (
1
(X ))
=
1
2
V (X )
= 1.
Les Moments
Denition: Moments dordre r par rapport ` a c
r
(c) = E[(X c)
r
] r IN, c IR
Cas particuliers:
1. Moment par rapport à lorigine (c = 0):
r
= E[X
r
] =
x
x
r
p
x
Exemple: La moyenne est le moment par rap-
port ` a lorigine dordre 1 (r = 1)
2. Moment centre (c = ):
r
= E[(X )
r
] =
x
(x )
r
p
x
Exemple: La variance est le moment centre dordre
2 (r = 2)
PROPRIETES:
0
=
0
= 1
1
= E(X) =
1
= 0
2
= E[(X )
2
] =
2
Demonstration: exercice.
Expression utile: E(X
2
) =
2
+
2
Demonstration:
2
= E[(X )
2
] = E(X
2
2X +
2
)
= E(X
2
) 2E(X) +
2
= E(X
2
)
2
Mediane
Denition: La mediane x
1/2
est telle que:
P(X < x
1/2
)
1
2
et P(X x
1/2
)
1
2
Remarque: analogie avec la statistique descrip-
tive.
6.6 Fonctions generatrices des moments
Denition: Soit une DP {(x, p
x
), x V }. La
fonction generatrice des moments est:
M
X
(t) = E[e
tX
] =
x
e
tx
p
x
t IR.
Remarque: M
X
(t) nexiste pas toujours (con-
dition dexistence).
Decomposition en utilisant le developpement
en serie de e
tx
:
M
X
(t) =
x
(1 + tx +
t
2
x
2
2!
+ . . . +
t
r
x
r
r!
+ . . .)p
x
=
x
p
x
+ t
x
xp
x
+ . . . +
t
r
r!
x
x
r
p
x
+ . . .
= 1 + t
1
+ . . . +
t
r
r!
r
+ . . .
Ce resultat nous fournit la propriete suivante:
Propriete: Si M(t) existe et admet des derivees
dordre r (r = 1, 2, . . .):
r
= [
d
r
M(t)
dt
r
]
t=0
Exemple:
1
p
x
x
6
1
2
1
4
3
4
-
0 1 2
M(t) = E(e
tX
) =
2
x=0
e
tx
p
x
=
1
4
+
1
2
e
t
+
1
4
e
2t
= [
dM(t)
dt
]
t=0
= [
1
2
e
t
+
1
2
e
2t
]
t=0
= 1
2
= [
d
2
M(t)
dt
2
]
t=0
= [
1
2
e
t
+ e
2t
]
t=0
=
3
2
2
=
2
=
3
2
1 =
1
2
6.7 Lois discrètes particulières
1. Distribution uniforme
a) Denition: X U[1, . . . , n] si
P(X = x) =
1
n
x V = {1, . . . , n}
b) Exemples
valeur obtenue par un lance de de (n=6)
dans une etude basee sur un echantillon de
taille n, il est souvent assume que chaque indi-
vidu de lechantillon ` a un poids 1/n.
c) Quelques paramètres
Moyenne (paramètre de position):
= E(X) =
n
x=1
xp
x
=
1
n
n
x=1
x =
n + 1
2
Aide:
n
x=1
x =
n(n + 1)
2
Variance (paramètre de dispersion):
2
= E(X)
2
= E(X
2
)
2
= E(X
2
)
(n + 1)
2
4
or
E(X
2
) =
n
x=1
x
2
p
x
=
1
n
n
x=1
x
2
Aide:
n
x=1
x
2
=
n(n + 1)(2n + 1)
6
Preuve:
(x + 1)
3
= x
3
+ 3x
2
+ 3x + 3
(x + 1)
3
x
3
= 3x
2
+ 3x + 1
et
n
x=1
[(x + 1)
3
x
3
] = (n + 1)
3
1
En outre
n
x=1
[(x + 1)
3
x
3
] =
n
x=1
(3x
2
+ 3x + 1)
= 3(1 + 2
2
+ . . . + n
2
)
+ 3(1 + 2 + . . . + n) + n
Nous avons donc que:
(n + 1)
3
1 = 3
n
x=1
x
2
+ 3
n
x=1
x + n
x=1
x
2
=
1
3
[(n + 1)
3
1 3
n(n + 1)
2
n]
x=1
x
2
=
1
6
n(n + 1)(2n + 1)
Donc nous avons:
2
= E(X
2
)
2
=
(n + 1)(2n + 1)
6

(n + 1)
2
4
=
(n + 1)
12
[4n + 2 3(n + 1)]
=
(n + 1)(n 1)
12
=
n
2
1
12
Skewness (paramètre dasymetrie): La dis-
tribution etant symetrique
3
= 0.
Exercice: Prouver formellement le resultat en
utilisant laide:
n
x=1
x
3
=
n
2
(n + 1)
2
4
2. Distribution de Bernouilli
a) Denition: X B(1, p) si les valeurs pos-
sibles pour X sont succès (x = 1) et echec
(x = 0). En outre la probabilite de succès est
egale à p (P(X = 1) = p).
b) Exemples
inspection dune pièce dans un processus in-
dustriel (defectueux ou pas)
resultat (reussite ou echec) ` a lexamen de
statistique.
c) Quelques paramètres (exercice)
= p
2
= pq o` u q = 1 p
3
= pq(q p)
d) Schema de Bernouilli: Soient
- X B(1, p) Expèrience o` u levènement
succès a une probabilite p de se realiser
- Nous realisons n experience sous des condi-
tions uniformes (p est constant)
- Les n experiences sont independantes
Notons x le nombre de succès, y le nombre
dechec
Plusieurs distributions peuvent etre deduites:

- si Z=nombre de succès
distribution binomiale
- si Z=nombre dechec avant le premier succès
distribution geometrique
- si Z=nombre dechec avant le rième succès
distribution negative binomiale
3. Distribution binomiale
a) Denition: X B(n, p) si on procède ` a un
schema de Bernouilli (n experiences uniformes
et independante avec probabilite de succès egale
` a p) et que X=nombre de succès.
b) Exemples
Selection aleatoire n pièces dans une produc-
tion et on compte le nombre de pièces conformes
On compte le nombre de fois que lon gagne
(avoir pile) dans un jeu de n pile ou face.
c) Distribution de probabilite:
- x {0, 1, . . . , n}
- p
x
=
_
n
x
_
p
x
q
nx
(formule du bin ome)
d) Fonction generatrice des moments
Rappel: Puissance dun bin ome
(a + b)
n
=
n
x=0
_
n
x
_
b
x
a
nx
Avec cette aide, nous pouvons developper la
fonction generatrice des moments:
M(t) = E(e
tX
) =
n
x=0
e
tx
p
x
=
n
x=0
e
tx
_
n
x
_
p
x
q
nx
=
n
x=0
_
n
x
_
(pe
t
)
x
q
nx
= (q + pe
t
)
n
d) Quelques paramètres
Moyenne:
= [
dM(t)
dt
]
t=0
= [n(q + pe
t
)
n1
pe
t
]
t=0
= n(q + p)
n1
p = np
Variance:
2
= [
dM
2
(t)
dt
2
]
t=0
= np[(n 1)(q + pe
t
)
n2
pe
2t
+ (q + pe
t
)
n1
e
t
]
t=0
= np[(n 1)p + 1] = np(np + q)
Ainsi la variance est deduite par:
2
=
2
=
2
1
= n
2
p
2
+npqn
2
p
2
= npq
Paramètre dasymetrie (exercice):
3
= npq(q p)
e) Frequence de succès
Soit X le nombre de succès et Y la frequence
de succès:
Y =
X
n
Valeurs de Y: y {0,
1
n
, . . . , 1}
Calculs des probabilites:
p
y
= P(Y = y) = P(
X
n
= y) = P(X = ny)
= P(X = x) =
_
n
x
_
p
x
q
nx
Liens entre les moments de X et Y :
E(Y ) = E(
X
n
) = p
V (Y ) = V (
X
n
) =
pq
n
4. Distribution de Poisson
a) Contexte: Decrit le nombre devènements se
produisant sur une periode de temps donnee T
b) Exemples
Le nombre de faillites sur une journee dans
un secteur industriel.
Le nombre daccidents davion sur une annee.
c) Distribution de probabilite: X P() avec
comme support x {0, 1, 2, . . .} o` u
P(X = x) = p
x
=
e
x
x!
IR
+
0
Remarque:
x=0
p
x
=
x=0
e
x
x!
= e
x=0
x
x!
= e
= 1
d) Fonction generatrice des moments:
M(t) = E(e
tX
) =
x=0
e
tx
p
x
=
x=0
e
tx
e
x
x!
= e
x=0
(e
t
)
x
x!
= e
e
e
t
= e
(e
t
1)
e) Quelques moments:
La moyenne:
= [
dM(t)
dt
]
t=0
= [e
t
e
(e
t
1)
]
t=0
=
Moments dordre 2
2
= [
dM
2
(t)
dt
2
]
t=0
= [e
t
e
(e
t
1)
+ e
t
e
t
e
(e
t
1)
]
t=0
= +
2
2
=
2
=
2
1
= +
2
2
=
Moments dordre 3 et 4
3
=
4
= + 3
2
f) Limite de la distribution binomiale quand la
probabilite de succès est faible (p 0) et que
le nombre dessais est grand (n )
Preuve: Soit X Bin(n, p) o` u p = /n
P(X = x) =
n!
x!(n x)!
p
x
q
nx
=
n
x
n
x
p
x
(1 p)
nx
n!
x!(n x)!
=
n
x
n
x
p
x
(1 p)
n
(1 p)
x
n!
x!(n x)!
=
(np)
x
x!
1
(1 p)
x
(1 p)
n
n!
n
x
(n x)!
=
()
x
x!
1
(1 p)
x
(1
n
)
n
n(n 1) . . . (n x + 1)
n
x
Pour n , p 0 et np , on obtient:
P(X = x)
()
x
x!
e
1
La qualite de lapproximation depend des valeurs
de n et p.
Exemples
X Bin(50, 0.10)
P(X=5)=0,1849
F(5)=0,6161
X Bin(100, 0.05)
P(X=5)=0,1800
F(5)=0,6160
X P(5)
P(X=5)=0,1755
F(5)=0,6160
g) Introduction intuitive de la loi de Poisson:
Soit X le nombre darrivees dun phenomène
dans lintervalle de temps:
|||||
0 t t +
t
Posons les hypothèses suivantes:
P(1 arrivee dans
t
) =
t
P(plus quune arrivee dans
t
) 0
Des evenements arrivant dans des intervalles
disjoints sont independants.
Notons p
x
(t+
t
) la probabilite davoir x arrivee
dans lintervalle de temps [0, t +
t
]
Deux possibilites:
x arrivees dans [0, t] et 0 arrivee dans [t,
t
]
x 1 arrivees dans [0, t] et une dans [t,
t
]
Donc,
p
x
(t +
t
) = p
x
(t)[1
t
] + p
x1
(t)
t
= p
x
(t)
t
p
x
(t) +
t
p
x1
(t)
A =
p
x
(t +
t
) p
x
(t)
t
= [p
x1
(t)p
x
(t)]
En prenant comme conditions initiales:
p
0
(0) = 1
p
x
(0) = 0,
la derivee:
lim
t
0
A =
dp
x
(t)
dt
= [p
x1
(t) p
x
(t)]
a comme solution:
p
x
(t) =
e
x
x!
o` u = t
qui est la fonction de probabilite dune variable
aleatoire de Poisson de paramètre t.
5. Distribution geometrique
a) Denition: Schema de Bernouilli (experiences
uniformes et independantes avec probabilite de
succès egale à p) o` u n nest pas xe a priori.
X=nombre dessais precedant le premier succès.
b) Exemples:
Nombre de lance dun de avant davoir 1.
En repondant au hasard: le nombre de QCM
faux avant davoir une bonne reponse.
P(X = x) = p
x
= pq
x
x {0, 1, 2, . . .}
M(t) = E(e
tX
) =
x=0
e
tx
pq
x
= p
x=0
(qe
t
)
x
=
p
1 qe
t
e) Quelques moments:
La moyenne:
= [
dM(t)
dt
]
t=0
= [
pqe
t
(1 qe
t
)
2
]
t=0
=
pq
p
2
=
q
p
Moments dordre 2
2
= [
dM
2
(t)
dt
2
]
t=0
= pq[
e
t
(1 qe
t
)
2
+ 2e
t
qe
t
(1 qe
t
)
(1 qe
t
)
4
]
t=0
= pq
(1 q)
2
+ 2qp
p
4
=
q(p + 2q)
p
2
=
q(1 + q)
p
2
2
=
q(1 + q)
p
2

q
2
p
2
=
q
p
2
e) Denition alternative: Y =nombre dessais
necessaire pour avoir le premier succès.
Y = X+1; P(Y=y)=pq
y1
y {1, 2, . . .}
M(t) = E(e
tY
) =
pe
t
1qe
t
= [
dM(t)
dt
]
t=0
=
1
p
et
2
=
q
p
2
.
6. Distribution binomiale negative
a) Denition: Schema de Bernouilli (experiences
uniformes et independantes avec probabilite de
succès egale à p) o` u n nest pas xe a priori.
X=nombre dechec avant le rième succès.
b) Exemples
Nombre de pile obtenus avant davoir 5 faces.
faux avant davoir 3 bonnes reponses.
P(X = x) = C
r1
x+r1
p
r
q
x
x {0, 1, 2, . . .}
M(t) = E(e
tX
) =
x=0
e
tx
C
r1
x+r1
p
r
q
x
= p
r
x=0
C
r1
x+r1
(qe
t
)
x
=
p
r
(1 qe
t
)
r
e) Quelques moments (exercice):
La moyenne:
=
rq
p

2
=
rq
p
2
e) Denition alternative: Y =nombre dexperience
necessaire pour avoir r succès.
b) Exemples
Nombre de lances necessaires pour obtenir 5
faces.
necessaires avant davoir 3 bonnes reponses.
7. Distribution hypergeometrique
a) Denition: On prelève n individus dans une
population de taille N de manière aleatoire, mais
sans remise. Chaque individu possède (succès)
ou ne possède pas (echec) une certaine caracteristique.
Dans la population M individus possèdent cette
caracteristique. Soit X=nombre de succès.
b) Distribution de probabilite:
P(X = x) =
_
M
x
__
N M
n x
_
_
N
n
_
o` u x {max(0, n(NM)), . . . , min(n, M)}.
c) Moyenne et variance: Notons =
M
N
= n
2
= n(1 )
N n
N 1
Universite Libre de Bruxelles Annee academique 2009-2010
STAT-D-101
Catherine Dehon
Seance 1 : Introduction
1
Exercice 1
Utilisez le signe de sommation pour ecrire les expressions suivantes :
1. y
1
+ y
2
+ y
3
+ y
4
+ y
5
;
2. n
1
x
1
+ n
2
x
2
+ . . . + n
J
x
J
;
3. f
1
(x
1
a)
2
+ f
2
(x
2
a)
2
+ . . . + f
J
(x
J
a)
2
.
Exercice 2
Letudiant nomme Cresus recoit de ses parents chaque mois 100 Euros comme argent de
poche.
1. Calculez largent de poche recu sur une annee.
Cresus, etant relativement depensier, travaille egalement pour gagner de largent. La
somme dargent gagnee varie selon les mois :
Mois Jan Fev Mars Avril Mai Juin Juil Aout Sept Oct Nov Dec
Somme dargent 100 125 100 150 175 125 150 200 250 100 150 125
2. Calculez le montant total dargent dont Cresus peut disposer sur une annee.
Neanmoins, Cresus a un GSM dont le co ut xe par mois est de 15 Euros.
3. Calculez la somme dargent disponible pour une annee apres avoir retenu les frais de
son GSM.
Exercice 3
Considerons la serie statistique de taille 5 :{x
1
= 1; x
2
= 4; x
3
= 5; x
4
= 3; x
5
= 2}. Determinez
la valeur des sommes suivantes :
1.

5
i=1
x
i
;
2.

5
i=1
4x
i
;
3. x =
1
5
5
i=1
x
i
;
4.

5
i=1
(x
i
x) ;
5.

5
i=1
x
2
i
.
1
Les enonces sont disponibles sur le site www.ulb.ac.be/soco/statrope
1
Exercice 4
Trouver la valeur minimale de n (n 1) tel que :
2
3
5
0.95.
Exercice 5
Considerons lensemble E de R suivant : {1, 3, 15, 31, 42, 100}. On note A = {1, 15, 42},
B = {1, 15, 100} et C = {3, 31}.
1. Determiner les ensembles A, A B, A B et A\ B.
2. Verier que A B = AB, A B = AB et AB = (A\ B) (AB) (B\ A).
Exercice 6
Calculer les sommes suivantes :
1.

10
k=1
(
2
5
)
k
et

10
k=0
(
2
5
)
k
;
2.

k=1
(
1
5
)
k
et

k=0
(
1
5
)
k
.
Exercice 7
Soient p et n deux entiers naturels tel que, 1 p n. Montrez que :
1.
n
p
n
n p
.
2.
n
p + 1
n
p
n + 1
p + 1
.
3.

n
k=0
(1)
k
n
k
= 0.
4.

n
k=0
n
k
= 2
n
.
Exercice 8
Considerons la serie de variables suivante : nombre denfants dans une famille, couleur des
yeux, categorie socio-professionnelle, commune de naissance, niveau de scolarite, revenu,
poids, sexe, age, langue maternelle, type de voiture, taille, nombre de grains de beaute sur
la peau, taille de grains de beaute.
Specier pour chacune de ces variables si elle est qualitative, quantitative, continue,
discrète, ordinale ou nominale.
2
STAT-D-101
Catherine Dehon
Seances 2, 3 et 4 : Statistique descriptive dune serie
univariee
1
Exercice 1
Un constructeur dautomobiles a demande ` a 150 individus de faire part de leur preference
concernant la couleur de la voiture. Les resultats quil obtient sont les suivants :
Couleurs Blanc Noir Rouge Bleu Vert
Eectifs 43 30 15 32 30
1. De quel type est la variable ?
2. Donnez le tableau de la distribution observee.
3. Representez graphiquement la distribution de la variable.
4. Quels paramètres de cette distribution peuvent etre calcules ?
5. Determinez la valeur de ces paramètres.
Exercice 2
Lors dune etude en psychologie sociale sur la mobilite geographique, on a interroge 50
personnes pour savoir si elles passaient leurs vacances ` a letranger. Les eectifs obtenus
sont les suivants :
Vacances à letranger Jamais Parfois Souvent Toujours
Eectifs 5 19 23 3
2. Donnez le tableau de la distribution observee (eectifs et eectifs cumules).
1
1
Exercice 3
Soit la population des etudiants de première bachelor ` a lULB en ingenieur de gestion. Une
etude de la Communaute Francaise (en charge de lenseignement secondaire) sinteresse
` a l age de ces etudiants. Pour ce faire, on prelève un echantillon de taille n = 50. Les
resultats sont les suivants :
17 20 19 18 21 18 18 19 19 18
18 18 17 18 18 20 20 17 18 17
21 18 19 20 18 17 21 19 17 18
17 17 19 18 18 17 21 19 17 20
18 17 19 21 18 20 18 17 19 17
2. Donnez le tableau de la distribution observee (eectifs et eectifs cumules).
Exercice 4
On a mesure, en millisecondes, ` a quelle vitesse 50 enfants de quatre ans identiaient des
images simples (ours, lapin, chat . . . ). Les resultats sont les suivants :
24 27 33 21 27 19 23 23 24 19
27 30 15 27 24 34 18 20 21 15
33 27 20 32 28 27 22 17 30 18
21 25 25 29 25 24 32 31 28 20
29 24 23 27 17 15 21 28 24 23
2. Regroupez les 50 valeurs en classes. Prenez des classes de longueur 4 et le debut de
la première classe en 14,5. Donnez le tableau de la distribution groupee (eectifs et
eectifs cumules).
3. Representez graphiquement la distribution groupee.
4. Quels paramètres de cette distribution groupee peuvent etre calcules ?
2
Exercice 5
Considerons une serie statistique {x
1
, . . . , x
i
, . . . , x
n
} relative ` a un caractère quantitatif
X et le changement dorigine et dunite suivant :
y
i
=
x
i
a
d
, i = 1, . . . , n.
Soient x et s
2
x
la moyenne et la variance de la serie {x
1
, . . . , x
i
, . . . , x
n
} et y et s
2
y
celles de
la serie {y
1
, . . . , y
i
, . . . , y
n
}. Demontrez que :
1. y =
xa
d
;
2. s
2
y
=
s
2
x
d
2
.
Exercice 6
Une enquete sur le taux de chomage des jeunes femmes en 2002 dans les directions
subregionales de Namur et Charleroi a ete realisee. La direction subregionale de Namur
comprend 31 communes et celle de Charleroi 26 communes. Le taux de chomage moyen
des jeunes femmes à Namur est de x
1
= 32% avec un ecart-type de s
1
= 10%. Le taux
de ch omage moyen des jeunes femmes à Charleroi est de x
2
= 34% avec un ecart-type de
s
2
= 5%.
1. Enoncez les formules dagregation de la moyenne et de la variance en denissant
soigneusement chacune des composantes.
2. Calculez la moyenne globale x et la variance globale s
2
du taux de chomage pour
lechantillon obtenu en regroupant les communes de Namur et de Charleroi.
Exercice 7
Romeo quitte son domicile ` a 20 heures pour se rendre chez Juliette ` a la vitesse moyenne
de 200 km/h. Il la quitte à 23 heures et retourne chez lui ` a la vitesse moyenne de 40 km/h.
Supposons que la distance à laller egale celle du retour.
1. Quelle est dans ce cas la vitesse moyenne de Romeo sur laller-retour ?
2. Comment calculer cette vitesse rapidement ?
Exercice 8
Une personne place une somme dargent K dans une banque pendant une periode de 3
ans. Dans cette banque le taux dinteret varie dune annee ` a une autre. Il est de 20% la
première annee, 10% la seconde annee et de 6% la troisième annee.
1. Le taux dinteret moyen pour lensemble de ces trois annees est-il de 12%?
2. Comment calculer ce taux rapidement ?
3
Exercice supplementaire 1
Considerons la serie statistique de taille n : {x
1
; x
2
; . . . ; x
n
}. Montrez que :
1.
n
i=1
(x
i
x) = 0, si x =
1
n
n
i=1
x
i
;
2. s
2
x
=
1
n
n
i=1
(x
i
x)
2
=
1
n
n
i=1
x
2
i
x
2
.
Soit {x
1
, . . . , x
n
} une serie statistique univariee de moyenne x et de variance s
2
x
. Calculez la
moyenne et la variance de la serie des valeurs centrees et reduites {z
1
, . . . , z
n
} o` u z
i
=
x
i
x
sx
.
On a calcule la moyenne et la variance dune serie de 10 observations et on a obtenu
les resultats suivants : x = 5.9 et s
2
x
= 4.83. On a constate ulterieurement quune des
observations initiales avait ete transcrite de facon erronee : la valeur consideree au cours
des calculs etait 8.5 alors que la valeur exacte est en realite 6.5. La moyenne et la variance
sont recalculees sur les donnees corrigees. Calculez la moyenne et la variance exactes.
Exercice supplementaire 4 (suite de lexercice 6)
Dans les 2 echantillons, nous avons centre les donnees par rapport à la moyenne globale
x de telle sorte que la moyenne globale sur les donnees centrees soit : x
new
= 0.
1. Calculez les nouvelles moyennes et variances des 2 comites subregionaux : x
1,new
,
x
2,new
, s
2
1,new
et s
2
2,new
.
2. Calculez la variance globale s
2
new
pour lechantillon obtenu en regroupant les com-
munes de Namur et de Charleroi.
Construisez deux series statistiques univariees constituees de 6 observations chacune,
{x
1
, x
2
, . . . , x
6
} et {y
1
, y
2
, . . . , y
6
}, telles que,
1. x
1/2
= y
1/2
mais x > y, o` u x
1/2
et y
1/2
designent les medianes des deux series
statistiques.
2. x
1/2
= y
1/2
mais ED
x
> ED
y
, o` u ED
x
et ED
y
designent les deux ecarts interdeciles
des deux series statistiques.
3. E
x
= E
y
mais x > y, o` u E
x
et E
y
designent les deux etendues des deux series
statistiques.
4. x
M
= y
M
et x > y, o` u x
M
et y
M
designent les modes des deux series statistiques.
5. x = y et s
x
> s
y
.
4
STAT-D-101
Catherine Dehon
Seances 5, 6 et 7
1
2
: Introduction à la theorie probabiliste
1
Exercice 1
a) Avec les chires 0 et 1, on peut former 8 sequences de longueur 3 : 000, 001, 010, 011, 100,
101, 110, 111. Combien de sequences de longueur 10 peut-on former ?
b) Combien de mots de longueur 100 peut-on former avec les lettres K, A, H, J, D, I ?
c) Combien de mots de longueur n peut-on former avec un alphabet de m lettres ?
Exercice 2
Trois lles (Annie, Julie et Nathalie) et trois garcons (Damien, Eric et Jonathan) font la le devant
un distributeur automatique de billets.
a) Il y a combien darrangements possibles ?
b) Il y a combien darrangements possibles si les trois lles doivent etre ensemble et les trois
garcons doivent etre ensemble ?
c) Il y a combien darrangements possibles si on exige seulement que les trois lles soient
ensemble ?
Exercice 3
On lance simultanement deux des numerotes de 1 à 6. Determiner lensemble fondamental dans
les cas suivants :
a) les deux des sont distincts (par exemple un rouge et un bleu).
b) les deux des sont identiques.
c) les deux des sont identiques et on sinteresse seulement à la parite du resultat.
Exercice 4
Soit Lexperience aleatoire consistant au lance de deux des à 6 faces. Nous sommes interesses par
les deux evènements suivants :
A : avoir comme resultat deux fois le meme nombre (la meme face)
B : avoir au moins une fois la face numerotee 5.
a) Demontrez à partir des 3 axiomes denissant la probabilite que :
P(A B) = P(A) + P(B) P(A B).
b) Calculez chacune des 4 probabilites enoncees dans la formule par rapport au cas concret
explicite ci-dessus et montrez que legalite enoncee ci-dessus est bien correcte.
c) Les evenements A et B sont-ils dependants ? mutuellement exclusifs ?
1
1
Exercice 5
Dix couples sont reunis dans une soiree. On admet que, pour danser, chaque homme choisit une
femme au hasard.
a) Quelle est la probabilite pour que chacun des 10 hommes danse avec son epouse ?
b) Quelle est la probabilite pour que monsieur Dupond danse avec son epouse ?
c) Quelle est la probabilite pour que monsieur Dupond et monsieur Durand dansent avec leur
epouse ?
d) Quelle est la probabilite pour que monsieur Dupond ou monsieur Durand dansent avec leur
epouse ?
Exercice 6
On cherche une lettre qui a la probabilite 0.2 de se trouver dans lun des quatre tiroirs dun
secretaire. On note A levenement la lettre est dans le quatrième tiroir et B levenement la
lettre nest pas dans les trois premiers tiroirs.
a) Calculez les probabilites P(A B), P(B

A) et P(A

B).
b) En deduire les probablites P(A), P(B) et P(A|B).
c) Les evenements A et B sont-ils independants ?
Exercice 7
Sept personnes prennent place au rez-de-chaussee dans un ascenseur dun immeuble de dix etages.
Chacune choisit letage o` u elle sort de lascenseur. Quelle est la probabilite que :
a) elles sortent toutes à des etages dierents ?
b) deux personnes au moins descendent à un meme etage ?
c) trois personnes determinees à lavance descendent à un meme etage et toutes les autres à
des etages dierents ?
d) trois personnes (nimporte lesquelles) descendent à un meme etage et toutes les autres à des
etages dierents ?
e) trois personnes (nimporte lesquelles) descendent à un meme etage, deux autres (nimporte
lesquelles) descendent à un autre etage et les deux dernières encore à un autre etage ?
Exercice 8
Un livre contient cinq fautes dorthographe. A chaque relecture, on a une probabilite de 1/3 de
detecter et de corriger une faute. On eectue successivement plusieurs relectures independantes.
Soit n le nombre de relectures necessaires pour quil ne reste aucune faute avec une probabilite
superieure ou egale à 0.9.
a) Pour chaque faute, quelle est la probabilite pour quelle soit corrigee en n relectures ?
b) Quelle est la valeur minimale de n?
Exercice 9
Dans une rue, un panneau publicitaire est remarque par un passant sur quatre. On suppose que,
pour un passant, levenement remarquer le panneau numero i est independant de levenement
remarquer le panneau numero j .
a) Sachant que lon dispose de deux panneaux dans la meme rue, calculer la probabilite quun
passant remarque exactement un seul panneau publicitaire.
2
b) Sachant que lon dispose de trois panneaux dans la meme rue, calculer la probabilite quun
passant remarque au moins un panneau publicitaire.
c) Combien doit-il y avoir de panneaux pour que plus de 95% des passants remarque au moins
une publicite ?
Exercice 10
Dans lentrepot dune certaine usine de fabrication de clous, 50% des clous ont ete fabriques par
la machine A, 30% par la machine B et 20% par la machine C. Parmi les clous fabriques par la
machine A, 3% sont defectueux. Parmi ceux fabriques par la machine B, 5% sont defectueux et
parmi ceux fabriques par la machine C, 8% sont defectueux. On tire un clou au hasard dun lot
constitue de clous fabriques.
a) Quelle est la probabilite que ce clou ne soit pas defectueux ?
b) Sachant que le clou est defectueux, quelle est la probabilite quil soit fabrique par la machine
B ?
Une personne rentre chez elle après une soiree un peu trop arrosee. Elle ne sait plus laquelle des 10
cles qui se trouvent dans sa poche ouvre la porte de son domicile. Elle essaie donc les clefs une à
une sans utiliser deux fois la meme. Determiner la probabilite pour que la k-ième cle soit la bonne
(1 k 10).
On cherche un parapluie qui se trouve dans un immeuble de sept etages. La probabilite quil se
trouve dans lun des sept etages est 0.6 et quil se trouve au rez-de-chaussee est 0.4. Chacun des sept
etages est susceptible de cacher le parapluie avec la meme probabilite. On a fouille les six premiers
etages et on en a rien trouve. Quelle est la probabilite que le parapluie se trouve au septième etage ?
Deux etudiants et 14 etudiantes sont assis au hasard sur 16 chaises formant une ligne.
a) Quelle est la probabilite que les deux etudiants soient assis un à cote de lautre ?
b) Quelle est la probabilite que les deux etudiants occupent les deux extremites de la ligne ?
Deux etudiants et 14 etudiantes sont assis au hasard sur 16 chaises formant un cercle.
a) Quelle est la probabilite que les deux etudiants soient assis un à cote de lautre ?
b) Quelle est la probabilite que les deux etudiants occupent deux chaisses diametralement op-
posees ?
On tire au hasard un nombre de 9 chires. Calculez la probabilite p que tous les chires soient
dierents.
3
Soient A et B des evenements tels que P(A) =
1
5
et P(A B) =
1
2
.
a) Supposons que A et B soient des evenements mutuellements exclusifs. Calculez P(B).
b) Supposons que A et B soient des evenements independants. Calculez P(B).
Une etude a classe les gerants de portefeuilles en deux categories : ceux qui sont bien informes et
ceux qui ne le sont pas. Lorsquun gerant bien informe achète une valeur boursière pour son client,
la probabilite que le cours de celle-ci monte est de 0,8. Dans le cas dun gerant mal informe, cette
probabilite ne vaut que 0,5. Si on choisit au hasard un gerant dans un annuaire professionnel, la
probabilite quil soit bien informe est de 0,2. Calculez la probabilite quun gerant choisi au hasard
soit mal informe, sachant que la valeur quil a achetee a monte.
Un etudiant repond à une question à choix multiple. De deux choses lune : soit il connat la reponse,
soit il la devine. Soit p la probabilite que letudiant connaise la reponse (et donc 1 p celle quil
la devine). On admet que letudiant qui tente de deviner la reponse, repondra correctement avec
une probabilite 1/m, o` u m est le nombre de modalite quore la question. Quelle est la probabilite
quun etudiant connaisse la reponse à la question sil y a repondu correctement ?
Un etudiant doit suivre 2 cours de math (M1, M2), 3 cours de chimie (C1, C2, C3), et 4 cours de
physique (P1, P2, P3, P4). Il decide de nassister quà 3 cours. Sil choisit au hasard, quelle est la
probabilite quil assiste aux deux cours de math? nassiste à aucun cours de math? nassiste quà
un cours de math?
On considère une classe de 42 elèves. On suppose quil ny a pas dannee bissextile.
a) Quelle est la probabilite pour que deux elèves au moins aient la meme date danniversaire ?
b) Quelle est la probabilte pour quau moins un elève ait la meme date danniversaire que
Socrate ?
Dans une classe de 21 etudiants, une personne raconte une histoire à une seconde personne qui la
raconte à une troisième et ainsi de suite. A chaque etape, lindividu, à qui lon raconte lhistoire,
est choisi au hasard. Chacune des etapes est independantes des autres. Notons p
1
la probabilite que
lhistoire ne revienne pas à son inventeur et p
2
la probabilite quelle ne soit jamais repetee deux
fois à la meme personne. Lhistoire etant racontee 8 fois, calculer p
1
et p
2
.
Dans une population donnee, un individu peut etre atteint dune aection A avec la probabilite
p
A
= 1/100 et dune aection B, independante de A, avec une probabilite p
B
= 1/20. Quelle est la
probabilite pour quun individu choisi au hasard soit atteint dau moins une des deux maladies ?
4
STAT-D-101
Catherine Dehon
Seances 7
1
2
et 8 : Statistique descriptive dune serie
bivariee
1
Exercice 1
Une enquete realisee auprès des familles dune ville comporte les deux questions suivantes :
Combien avez-vous eu denfants jusquà ce jour ?
Combien de televisions avez-vous ?
En ne considerant que 257 familles ayant au moins une television et au moins un enfant, on
construit un tableau de contingence resumant les reponses donnees ` a ces deux questions.
Le tableau de contingence observe est le suivant :
Nombre denfants Y
Nombre de television X 1 2 3 4 5 6
1 12 11 15 15 7 10
2 9 6 8 3 4 6
3 11 12 11 15 17 10
4 10 12 11 15 17 10
1. Determinez les distributions marginales.
2. Determinez les moyennes et variances marginales.
3. Determinez le nombre moyen de televiseurs que possède une famille de 4 enfants.
Determinez egalement la variance dans ce cas.
4. Calculez la covariance entre X et Y .
5. Calculez le coecient de correlation entre X et Y .
Exercice 2
Lassociation nationale des entrepreneurs du b atiment evalue les marches immobiliers les
plus abordables et les moins abordables. Les donnees sur le revenu moyen (en milliers de
dollars) et le prix de vente moyen (en milliers de dollars) dun echantillon de 12 marches
immobiliers choisis parmi la liste des marches les plus abordables, sont presentes ci-dessous
(The Wall Street Journal Almanac 1998).
1
1
Marche Revenu Prix
Syracuse, NY 41.8 76
Springeld, IL 47.7 91
Lima, OH 40 65
Dayton, OH 44.3 88
Beaumont, TX 37.3 70
Lakeland, FL 35.9 73
Baton Rouge, LA 39.3 85
Nashau, NH 56.9 118
Racine, WI 46.7 81
Des Moines, IA 48.3 89
Minneapolis-St. Paul, MN 54.6 110
Wilmington, DE-MD 55.5 110
1. Deduisez de cet enonce la variable explicative et la variable reponse.
2. Representez graphiquement ces donnees.
3. Determinez les moyennes et variances marginales, ainsi que la covariance.
4. Determinez lequation de la droite de regression correspondante.
5. Est-ce que cette equation est bien adaptee aux donnees ? Expliquez.
6. Calculez les variances residuelle et de regression.
7. Le revenu moyen ` a Binghamton, dans lEtat de New York, selève ` a 40100 dollars.
Utilisez lequation estimee de la regression pour prevoir le prix de vente moyen des
maisons vendues sur le marche de Binghamton.
8. Calculez la valeur predite et le residu correspondants à lobservation Springeld.
9. Que valent la moyenne des residus et la moyenne des valeurs predites ?
Exercice 3
Dans une enquete realisee auprès de 200 personnes en activite, deux variables qualitatives
etaient mesurees. La première consistait ` a savoir leur niveau detudes et la deuxième
portait sur le secteur o` u ils travaillaient.
Le tableau de contingence observe est le suivant :
n
jk
Public Prive Autre
Primaire 10 4 30
Secondaire 25 16 15
Superieur 35 60 5
1. Determinez les prols-lignes et les prols-colonnes.
2. Calculer les eectifs theoriques esperes sous lhypothèse dindependance.
3. Calculer les ecarts ` a lindependance. Interpreter ces ecarts.
4. Calculer la mesure dassociation D
2
.
2
Une societe de consultance a releve le revenu annuel X (en milliers deuros) et lepargne
correspondante Y (en milliers deuros) de 12 familles. Les resultats sont dans le tableau
suivant :
Famille 1 2 3 4 5 6 7 8 9 10 11 12
Revenu 21 21 19 23 19 20 24 18 19 21 21 22
Epargne 2.2 1.8 1.9 1.9 2.3 1.9 2.0 2.4 1.8 1.9 2.1 2.2
1. Determinez les moyennes et les variances marginales.
2. Determinez la moyenne et la variance de lepargne des familles qui ont un revenu
superieur ou egal ` a 21 mille euros.
3. Determinez lequation de la droite de regression de Y en X.
6. Calculez la valeur predite et le residu correspondant à la famille 8.
Un echantillon de 82 femmes agees de plus de 40 ans et ayant au moins un enfant, a ete
classe selon les deux critères suivants : le nombre de frères et soeurs (vivants ou decedes)
(Y ) et le nombre denfants (X). Les resultats obtenus sont presentees dans le tableau
suivant :
Nombre de frères et soeurs Y
Nombre denfants X 0 1 2 3 4
1 4 4 1 1 0
2 9 15 5 2 0
3 4 11 9 2 0
4 1 5 1 1 2
5 0 2 1 0 2
1. Determinez les distributions marginales.
2. Determinez les moyennes et variances marginales.
3. Determinez les distribution conditionnelles de Y en X = 3 et de X en Y = 2.
Determinez egalement les moyennes et variances conditionnelles.
4. Calculez la covariance entre X et Y .
3
Le tableau suivant donne la repartition de 200 etudiants de première annee universitaire
selon deux caractères statistiques : l age X et le principal sport pratique Y .
n
jk
Football Natation Tennis Equitation
18 ans 45 23 15 3
19 ans 29 18 8 2
20 ans 18 10 3 2
21 ans 14 8 2 0
1. De quels types sont les deux variables ?
2. Quels paramètres peuvent etre calcules pour chacune de ces deux variables ?
3. Calculer la moyenne et la variance de la distribution marginale en X.
4. Calculer les eectifs theoriques esperes sous lhypothèse dindependance entre X et
Y .
5. Calculer les ecarts ` a lindependance.
6. Calculer la mesure dassociation D
2
.
Dans une classe, on a mesure la taille (en pouces) et le poids (en livres) de 10 elèves.
Lobjectif est detudier le poids (Y ) en fonction de la taille (X). Le tableau ci-dessous
presente les resultats obtenus par les 10 elèves
Nom Albert Alice Cindy Carol Henry July Jane Janet Jack John
Taille 69.0 56.5 65.3 62.8 63.5 57.3 59.8 62.5 62.5 59.0
Poids 112.5 84.0 98.0 102.5 102.5 83.0 84.5 112.5 84.0 99.5
2. Determinez lequation de la droite de regression de Y en X.
5. Sachant que 1 pouce = 2.54 cm et 1 livre = 0.454 kg. A quel poids (en kg) peut-on
sattendre chez un elève qui mesure 177.8 cm?
4
STAT-D-101
Catherine Dehon
Seances 9 et 10
1
2
: Analyse dune serie chronologique
1
Exercice 1
Pendant trois semaines consecutives, on a observe le nombre de visiteurs dun musee dont les
jours de fermeture sont le samedi et le dimanche.
Lundi Mardi Mercredi Jeudi Vendredi
Première semaine 7 5 35 5 6
Deuxième semaine 8 9 45 8 9
Troisième semaine 10 11 25 9 11
Considerons un modèle additif sans composante cyclique : Y = T +S +E.
1. Representez graphiquement Y en fonction du temps. Pourquoi prend-on un modèle additif ?
2. Calculez les moyennes mobiles dordre 5, notees MM(5). Representez graphiquement cette
moyenne mobile. Pourquoi prend-on un ordre 5 ?
3. Eectuez un ajustement lineaire sur cette serie chronologique Y . Representez graphique-
ment cet ajustement.
4. Determinez les composantes saisonnières par la methode de comparaison à la tendance.
5. Sur base du modèle additif et des resultats ci-dessus, donnez la prevision pour le lundi et
le mardi de la 4
ième
semaine.
Exercice 2
Les 12 observations suivantes representent le nombre de magasins ouverts, par trimestre et
pendant trois annees, dans une station de sport dhiver :
Trimestres
Annees T
1
T
2
T
3
T
4
2002 60 30 10 85
2003 72 36 18 74
2004 86 29 20 100
1. Calculez les moyennes mobiles centrees dordre 4, notees MMC(4).
2. Determinez les composantes saisonnières par la methode de comparaison à la moyenne
mobile.
1
1
Exercice 3
Les 10 observations suivantes representent la valeur dune action observee pendant 10 mois
consecutifs :
t 1 2 3 4 5 6 7 8 9 10
Y 40 41 40 39 77 70 40 17 25 39
1. Eectuez une prevision par lissage exponentiel simple de la valeur de cette action pour le
11
ième
mois, avec comme valeur de = 0.3.
2. Supposons que lobservation pour le 11
ième
mois soit 50. Eectuez alors une prevision de
la valeur de cette action pour le 12
ième
mois en utilisant votre resultat en 1.
Le tableau ci-dessous contient des valeurs experimentales de la pression P (en Pascals) dun
certain gaz en fonction de son volume V (en m
3
) :
P 65 50 40 35 50
V 50 60 70 80 55
On suspecte entre P et V une relation de la forme P.V
b
= c , o` u b et c sont des constantes.
1. Estimez la valeur de ces constantes en utilisant les resultats dun certain ajustement lineaire
au sens des moindres carres.
2. En utilisant cet ajustement, estimez la valeur de P pour le cas o` u V vaut 100 m
3
.
La production annuelle delectricite pour les entreprises publiques dun pays pendant ces 7
dernières annees est :
t 1998 1999 2000 2001 2002 2003 2004
Y 3.5 2.5 4.3 3 1.5 3.2 3
1. Eectuez un ajustement hyperbolique ( prendre une hyperbole equilatère) sur ces donnees.
2. Sur base de cet ajustement, donnez une prevision de la production annuelle delectricite
pour lannee 2005.
2
STAT-D-101
Catherine Dehon
Seances 10
1
2
, 11 et 12 : Variables aleatoires et lois de
probabilite discrètes
1
Exercice 1
Soit X la variable aleatoire dont la loi est denie par le tableau suivant :
k 1 2 3 4 5
P(X = k) 0.25 0.1 0.2 p 0.35
1. Determiner la valeur de p.
2. Calculer lesperance mathematique et la variance de X.
3. Calculer le mode et la mediane de X.
4. Calculer la valeur de la fonction de repartition de X en 2, 2.76 et 7.
Exercice 2
On designe par X la variable aleatoire qui represente le nombre de boules rouges obtenues
après cinq tirages avec remise dans une urne qui contient deux boules rouges et six boules
blanches.
1. Determiner la loi de probabilite de X.
2. Calculer E(X) et V ar(X).
3. Calculer la probabilite de tirer au moins une boule rouge.
4. Calculer la probabilite que le nombre de boules rouges soit superieur ou egal à 1 et
inferieur àu egal à 3.
5. Calculer les quantiles dordre 0.25, 0.5, 0.75 de X.
6. Determiner la distribution du nombre de boules blanches, parmi les 5 boules tirees.
1
1
Exercice 3
Le nombre de micro-ordinateurs vendus chaque jour dans un magasin informatique suit
une loi de Poisson de moyenne 8. Calculer la probabilite que dans une journee :
1. on ne vende aucun micro-ordinateur,
2. on vende au moins un micro-ordinateur,
3. le nombre de micro-ordinateurs vendus soit superieur ou egal à 2 et inferieur ou egal
à 6.
Exercice 4
On lance 8 balles pour atteindre une cible. Les dierents lancements sont independants.
Si on lance une balle, la probabilite quelle atteingne la cible est 0.95. Soit X la variable
aleatoire qui compte le nombre de fois que la cible a ete atteinte.
1. Determinez la loi de probabilte de X.
2. Combien de balles seront necessaires pour etre s ur que la cible ait ete atteinte au
moins une fois avec une probabilite superieure ou egale à 0.99.
3. Calculez la probabilite que la cible soit atteinte au moins quatre fois.
4. Supposons quon lance 100 balles, calculez la probabilite que :
i) la cible soit atteinte exactement 96 fois,
ii) la cible soit atteinte plus que 92 fois.
Exercice 5
Un gardien de nuit doit ouvrir une porte dans le noir, avec 10 clefs dont une seule est
la bonne. Soit X la variable aleatoire qui compte le nombre dessais necessaires jusquà
louverture de la porte. Le gardien etant ivre, il melange toutes les clefs à chaque tentative.
1. Quelles sont les valeurs possibles de X ?
2. Calculez la probabilite de levenement [X = k], o` u k est une valeur prise par X.
3. De quel type de distribution sagit-il ?
4. Donnez les valeurs de la moyenne et de la variance de X.
5. Quelle est la probabilite que la porte soit ouverte après n tentatives ?
6. Le gardien se dit avant de commencer : Si jessaie n fois, jai une probabilite dau
moins 0.95 de reussir à ouvrir la porte. Quelle est la valeur minimale de n?
Exercice 6
Dans une urne qui contient 10 boules numerotees de 1 à 10, on extrait 3 boules avec
remise. Soient X la variable aleatoire egale au plus grand des 3 numeros tires.
1. Quelles sont les valeurs possibles de X ?
2
2. Calculez la probabilite de levenement [X k], o` u k est une valeur prise par X.
3. Deduire la loi de probabilite de X.
4. Calculez P(1 < X 3).
5. Les deux evenements (X = 1) et (X = 3) sont-ils independants ? (Justiez votre
reponse).
6. Calculez la probabilite que X soit paire.
Exercice 7
Soit X une variable aleatoire discrète qui ne peut prendre que les valeurs 1, 3 et 6 avec
des probabilites
1
4
,
1
2
et
1
4
.
1. Quelle est la fonction generatrice des moments de X ?
2. En utilisant le resultat precedent, calculez lesperance mathematique et la variance
de X.
Dans une entreprise travaillent 6 ouvriers et 5 employes. Le PDG, souhaitant prendre lavis
de son personnel, interroge 7 personnes choisies au hasard parmi ces 11 personnes. Soit
X la variable aleatoire : nombre douvriers interroges. Determiner la loi de probabilite
de X.
Une variable aleatoire X peut prendre lune des trois valeurs 0, 1 ou 2 avec des probabilites
positives. Determiner sa loi de probabilite sachant que E(X) = 1 et V ar(X) = 1/2.
Soit X la variable aleatoire discrète qui associe à chaque enfant de 8 ans le nombre de
bonnes reponses quil fournit lors dun test de discrimination droite-gauche des mains. X
obeit à la distribution de probabilite suivante :
Nombre de bonnes reponses k 0 1 2 3 4 5 6
P(X = k) 0.05 0.15 0.20 0.25 0.20 0.10 0.05
1. On choisit au hasard un enfant de 8 ans. Calculez la probabilite des evenements
suivants :
i) Lenfant fournit au moins 2 bonnes reponses mais pas plus de 5.
ii) Le nombre de bonnes reponses fournies par lenfant est strictement superieur à
4.
3
2. Calculez le mode et la mediane de X.
3. Calculez la moyenne de X et la valeur de la fonction de repartition de X en 3.4.
4. Supposons que lon selectionne, par tirages aleatoires à probabilites egales avec re-
mise, un echantillon de 25 enfants de 8 ans.
i) Quelle est la distribution de probabilite de la variable aleatoire Y correspondant
au nombre denfants donnant 4 bonnes reponses dans lechantillon?
ii) A combien denfants donnant 4 bonnes reponses peut-on raisonnablement sat-
tendre dans lechantillon ?
Soit X une loi binomiale de moyenne 3 et de variance 2. Calculez P(X = 7).
Un gardien de nuit doit ouvrir une porte dans le noir, avec n clefs dont une seule est
la bonne. Soit X la variable aleatoire qui compte le nombre dessais necessaires jusquà
louverture de la porte. Determinez la loi de probabilite de X si le gardien essaie les clefs
une à une sans utiliser deux fois la meme. Calculez lesperance et la variance de X.
On considère une succession depreuves de Bernoulli independantes de meme paramètre.
A chaque epreuve la probabilite de succès est notee p (p ]0, 1[). On note X la longueur
aleatoire du run demarrant au premier coup, o` u lon appelle run une succession soit de
succès ou dechecs interrompue par levenement contraire. Par exemple pour une sequence
debutant par SSSE...le premier run est de longueur 3 et est un run de succès. Trouver la
loi de X et son esperance.
On considère un point M se deplacant sur un axe dorigine O, en partant de O et par
sauts dune unite vers la droite avec la probabilite 0.2 et vers la gauche avec la probabilite
0.8. Les sauts etant supposes independants.
Soit X la variable aleatoire egale à labscisse du point à lissue du 8
ième
deplacement et
Y la variable aleatoire egale au nombre de sauts vers la droite.
1. Determiner la loi de probabilite de Y .
2. Donner les valeurs de la moyenne et de la variance de Y .
3. Calculer les quantiles dordre 0.25, 0.5, 0.75 de Y .
4. Exprimer la variable aleatoire egale au nombre de sauts vers la gauche en fonction
de Y .
5. Deduire lexpression de X en fonction de Y .
4
6. Quelles sont les valeurs prises par X ?
7. Determiner la loi de probabilite de X.
Un fumeur dispose dun nombre inni dallumettes. La probabilite quune allumette
seteigne est 0.2 . Le fumeur tente dallumer sa cigarette, chaque essai est independant
des autres. Sil allume sa cigarette, il cesse dallumer des allumettes. Soit X la variable
aleatoire egale au nombre dallumettes utilisees.
1. Quelles sont les valeurs prises par X ?
2. Calculez la probabilite de levenement [X = k], o` u k est une valeur prise par X.
3. De quel type de distribution sagit-il ?
4. Donnez les valeurs de la moyenne et de la variance de X.
5. Quelle est la probabilite quil reussisse à allumer sa cigarette avec n allumettes ?
6. Combien dallumettes seront necessaires pour quil reussisse à allumer sa cigarette
avec une probabilte superieure ou egale à 0.95.
7. Pour tout k 1, montrez que
P(X = n +k|X > n) = P(X = k).
8. Sachant que le nombre dallumettes utilisees est superieure strictement à 10, quelle
est la probabilite quil reussisse à allumer sa cigarette avec exactement 18 allu-
mettes ?
Les valeurs prises par une variable binomiale X de paramètres n et p sont achees par
un compteur de la facon suivante :
Si X prend une valeur non nulle, le compteur ache correctement cette valeur.
Si X prend la valeur 0, le compteur ache nimporte quoi, au hasard, entre 1 et n.
On note Y la variable aleatoire nombre ache par le compteur.
1. Quelle sont les valeurs prises par Y ?
2. Calculer la probabilite P(Y = k|X = 0), pour un k V
Y
.
5
STAT-D-101
Catherine Dehon
Exercices supplementaires
Exercice 1
Questions à choix multiples : il y a au moins une reponse exacte par question.
(a) Pour une serie dobservations dune variable quantitative :
1. on peut calculer quatre quartiles ;
2. lecart interquartile contient 50% des observations ;
3. le cinquième decile est egal à la mediane ;
4. 50% des observations sont superieures au premier quartile ;
5. lecart interdecile contient 90% des observations.
(b) Si on veut minimiser linuence des valeurs extremes :
1. on prefère la mediane à la moyenne ;
2. on prefère letendue à lecart interquartile ;
3. on prefère lecart interdecile à letendue ;
4. on prefère le coecient empirique de Yule et Kendall au coecient de Fisher ;
5. on prefère lecart interquartile à lecart-type.
(c) Une etude des notes obtenues par deux groupes de première bachelor à lULB en
sciences economiques à un test commun a fourni les resultats suivants :
Groupe Groupe 1 Groupe 2
Eectif 20 30
Moyenne 16 13
Ecart-type 6 6
Mode 14 11
Mediane 14 11
1. la note moyenne des deux groupes reunies est comprise strictement entre 14, 25
et 14, 45 ;
2. lecart-type des notes des deux groupes reunies est superieur strictement à
6, 12 ;
3. la mediane des notes des deux groupes reunies est egale à 12 ;
4. la distribution du premier groupe presente une asymetrie à gauche ;
5. la dispersion dans le deuxième groupe est plus importante que dans le premier.
1
(d) Soit {x
1
, x
2
, . . . , x
n
} un echantillon de donnees numeriques, determinez la ou les
armation(s) toujours exacte(s) :
1.
1
n
n
i=1
(x
i
x) = 0 ;
2.
1
n
n
i=1
|x
i
x
9/10
|
1
n
n
i=1
|x
i
x
1/2
| ;
3.
n
i=1
x
2
i

1
n
(
n
i=1
x
i
)
2
;
4.
1
n
n
i=1
x
2
i
s
2
x
;
5.
1
n
n
i=1
(x
i
x)
2
1
n
n
i=1
(x
i
x
1/2
)
2
;
6. si la distribution presente une asymetrie à droite alors x x
1/2
x
M
; ;
7. EQ
1
2
(a
2
a
1
), o` u EQ est lecart interquartile, a
1
et a
2
sont les valeurs
pivots ;
8. si tous les x
i
(a
1
, a
2
) alors x
g
= x
(1)
et x
d
= x
(n)
, o` u x
g
et x
d
sont les valeurs
adjacentes.
(e) Pour une distribution observee {(x
j
, n
j
); j = 1, . . . , J} relative à une variable quan-
titaive X,
1. pour que la variance soit nulle, il sut que
1
n
J
j=1
n
j
x
2
j
=
1
n
J
j=1
n
j
x
j
2
;
2.
1
n
J
j=1
n
j
(x
j
x) s
2
x
;
3. la variance est : s
2
x
=
1
n
J
j=1
(n
j
x
2
j
x
2
) ;
4. pout tout j = 1, . . . , J, N
j
= n
1
+ n
2
+ . . . + n
j
;
5. N
j
est le nombre dobservations x
j
;
6. la courbe cumulative à gauche est une fonction en escalier (continue à droite).
(f) Considerons une serie statistique {x
1
, . . . , x
n
} relative à un caractère quantitatif X
et le changement dorigine et dunite suivant :
y
i
= (x
i
2)/10, i = 1, . . . , n.
Dans ces conditions, comment se transforment la moyenne, le mode, la mediane,
lecart-type, etc de la serie statistique {y
1
, . . . , y
n
}. Determinez la ou les arma-
tion(s) totalement exacte(s) :
1. la moyenne et la mediane diminuent de 2 et la variance reste inchangee ;
2. la moyenne et le mode diminuent de 2 et ensuite divises par 10, et la variance
est divisee par 10 ;
3. la moyenne, le mode, le premier decile et le troisième quartile sont diminues de
2 et ensuite divises par 10.
4. letendue, lecart-type et lecart interquartile sont divises par 10 et le coecient
de Fisher reste inchange ;
5. le coecient de variation, le coecient empirique de Yule et Kendall et le
coecient empirique de Pearson restent inchanges.
2
(g) Pour une variable quantitative de distribution symetrique, determinez la ou les
armation(s) toujours exacte(s) :
1. 50% des observations sont superieures à la moyenne ;
2. la moyenne est egale au mode ;
3. x
3/4
x
1/4
= 2(x
1/2
x
1/4
) ;
4.
1
n
n
i=1
(x
i
x
1/2
) = 0 ;
5. s
2
x
+ x
2
1/2
=
1
n
n
i=1
x
2
i
.
(h) Pour comparer des distributions de variables statistiques exprimees dans des unites
dierentes (par exemple des distributions de salaires exprimes dans des monnaies
dierentes), on peut utiliser les caracteristiques suivantes :
1. la mediane ;
2. lecart interquartile ;
3. le coecient de variation ;
4. le rapport interdecile
x
9/10
x
1/10
;
5. la moyenne.
(i) Soient deux evenements independants A et B dun meme espace probabilise tels
que : P(A) = 0, 3 et P(B) = 0, 2. Determinez la ou les armation(s) correcte(s) :
1. P(A B) = 0, 44 ;
2. P(A B) = 0, 6 ;
3. P(A B) = 0, 06 ;
4. P(A \ B) = 0, 24 ;
5. P(

A B) = 0, 84 ;
6.

A et

B sont independants ;
7. P(

A|B) = 0, 7 ;
8.

A et B ne sont pas independants.
(j) Trois chasseurs visent simultanement un meme lièvre et tirent en meme temps.
Soient p
1
, p
2
et p
3
les probabilites respectives de toucher le lièvre pour chaque
chasseur (p
1
p
2
p
3
), alors la probabilite que le lièvre soit touche par au moins
un des chasseurs :
1. peut etre inferieure à p
1
;
2. est egale à (p
1
+ p
2
+ p
3
) ;
3. est egale à [1 (1 p
1
)(1 p
2
)(1 p
3
)] ;
4. est comprise entre (p
1
.p
2
.p
3
) et (p
1
+ p
2
+ p
3
) ;
5. est comprise entre [1 (1 p
1
)
3
] et [1 (1 p
3
)
3
].
(k) Soient A et B deux evenements dun espace probabilise tels que P(A) = P(B) =
3
4
.
Determinez la ou les armation(s) toujours exacte(s) :
3
1. A et B sont des evènements mutuellement exclusifs ;
2. P(A B) P(A B) ;
3.
3
4
P(A B) 1 et
1
2
P(A B)
3
4
;
4.
1
2
P(A B) <
3
4
et
3
4
< P(A B) 1 ;
5. aucune des armations ci-dessus nest correcte.
(l) Dans une classe, on a mesure la taille (en pouces) et le poids (en livres) de 10
elèves. Lobjectif est detudier le poids en fonction de la taille. Le tableau ci-dessous
presente les resultats obtenus pour 10 elèves (4 decimales dans cet exercice).
Nom Albert Alice Cindy Carol Henry July Jane Janet Jack John
Taille 69.0 56.5 65.3 62.8 63.5 57.3 59.8 62.5 62.5 59.0
Poids 112.5 84.0 98.0 102.5 102.5 83.0 84.5 112.5 84.0 99.5
Sachant que 1 pouce = 2.54 cm et 1 livre = 0.454 kg, determinez la ou les arma-
tion(s) toujours exacte(s) :
1. La pente de la droite de regression de y en x est inferieure strictement à 2.1997 ;
2. La prevision du poids chez un elève qui mesure 177.8 cm est une valeur inferieure
strictement à 116 livre ;
3. La prevision du poids chez un elève qui mesure 177.8 cm est une valeur comprise
strictement entre 53 et 55 kg ;
4. Le residu correspondant à letudiant Henry est superieure strictement à 1 kg ;
5. Lequation de la droite de regression de y en x est bien adaptee aux donnees.
(m) Le tableau suivant donne la repartition de 200 etudiants de première annee uni-
versitaire selon deux caractères statistiques : lage X et le principal sport pratique
Y .
n
jk
Football Natation Tennis Equitation
18 ans 45 23 15 3
19 ans 29 18 8 2
20 ans 18 10 3 2
21 ans 14 8 2 0
1. Le coecient empirique de Pearson de la variable X est superieur strictement
à 0, 961 ;
2. Le coecient de Fisher de la variable X est compris strictement entre 0.55 et
0.75 ;
3. Le coecient de variation de la variable age est inferieur strictement à 0.08 ;
4. La somme des ecarts à lindependance est nulle ;
5. La mesure dassociation est inferieure strictement à 4.456.
4
(n) Un jouet se trouve cache dans lune des N botes fermees o` u un enfant le cherche.
Celui-ci ouvre une bote au hasard et recommence jusquà ce quil trouve le jouet.
On suppose quà chaque tentative il a oublie le resultat de toutes les precedentes.
Soit X le nombre de tentatives eectuees jusquà la decouverte du jouet. Determinez
la ou les armation(s) toujours exacte(s) :
1. V ar(X) = (E(X))
2
E(X) ;
2. Il faut 5 botes pour que lenfant ait environ trois chances sur quatre de trouver
le jouet à lissue de ses trois premières tentatives ;
3. Aucune des armations ci-dessus nest correcte ;
4. X suit une distribution geometrique de paramètre 1/N ;
5. Le jouet est trouve à lissue de n tentatives avec une probabilite egale à 1
(1
1
n
)
N
.
(o) Dans une urne qui contient 10 boules numerotees de 1 à 10, on extrait 3 boules
avec remise. Soient X la variable aleatoire egale au plus grand des 3 numeros tires.
1. X est une variable aleatoire Binomiale de moyenne 0.3 ;
2. La probabilite que X soit paire est comprise strictement entre 0.567 et 0.578 ;
3. La probabilite que X soit impaire est inferieure à 0.578 ;
4. 0.025 < P(1 < X 3) < 0.03 ;
5. Les deux evenements (X = 1) et (X = 3) sont dependants.
Exercice 2
Considerons la distribution des salaires (en euros) dans les entreprises du secteur prive en
france pour les annees 1975 et 2005. Lintervalle de variation des salaires est partage en 5
classes. Notons x
cj
le centre de la classe j et n
j
leectif de la classe j pour (j = 1, . . . , 5).
1975 2005
Classe x
cj
n
j
Classe x
cj
n
j
1 1130 20 1 1706 20
2 1400 20 2 2030 20
3 1850 20 3 2475 20
4 2590 20 4 3200 20
5 5150 20 5 5815 20
1. Construisez les courbes de Lorentz pour les annees 1975 et 2005. Comparez la
concentration des salaires entre ces deux annees.
2. Calculez le coecient de Gini pour les deux annees. Interpretez ces coecient.
5
Exercice 3
Le tableau ci-dessous presente les prix et les quantites de Coca-Cola et de BigMac achetees
par un consommateur en 2000 et 2005.
BigMac (j = 1) BigMac (j = 2)
Prix en $ (à la pièce) Quantite (pièce) Prix en $ (au litre) Quantite (litre)
p
(1)
i
q
(1)
i
p
(2)
i
q
(2)
i
2000(i = 0) 2 12 1.5 7
2005(i = 1) 3 13 2 10
Comment donner une mesure de la variation de prix du panier compose des ces deux
produits ?
Exercice 4
Une meme somme S a ete conee à deux banques B
1
et B
2
pour une duree de 10 ans. Les
rendements successifs des placements eectues par les dux banques ont ete les suivants :
Bnaque B
1
: 12% pendant 2 ans, puis 8% pendant 4 ans, puis 6% pendant 4 ans ;
Bnaque B
2
: 10% pendant 3 ans, puis 8% pendant 3 ans, puis 7% pendant 4 ans.
1. Calculez le taux moyen de croissance dans chaque banque.
2. A quel taux la moins performante des deux banques aurait-elle d u placer largent
pendant la troisième periode pour egaler lautre ?
Exercice 5
Un jeu de cartes ordinaire comprend 52 cartes. Chacune de ces 52 cartes appartient à une
couleur (le carreau, le coeur, le trèe et le pique) et possède une valeur (2, 3, 4, 5, 6, 7, 8,
9, 10, J (valet), Q (dame), K (roi) et A (as)). Pour les questions qui suivent, on considère
une main de poker, cest-à-dire une combinaison de 5 cartes tirees au hasard à partir dun
jeu de 52 cartes. Quelle est la probabilite quune main contienne :
1. une paire, cest-à-dire une main de poker contenant en tout 4 valeurs dierentes ?
2. deux paires, (Les deux paires ne peuvent pas avoir la meme valeur et la valeur de
la cinquième cartes doit etre dierente des valeurs des deux paires) ?
3. un brelan, cest-à-dire une main de poker contenant trois cartes de la meme valeur
(Les deux autres cartes doivent etre de valeurs dierentes entre elles et dierentes
de la valeur commune aux trois premières cartes) ?
4. une main pleine, cest-à-dire une main de poker contenant trois cartes dune valeur
et deux cartes dune autre valeur ?
5. un carre, cest-à-dire une main de poker contenant quatre cartes de la meme valeur
(et une cinquième carte quelconque) ?
6

Cours de Statistique

Transféré par

Droits d'auteur :

Formats disponibles

Vous aimerez peut-être aussi

Cours de Statistique

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours de Statistique

Transféré par

Droits d'auteur :

Formats disponibles

1

la statistique est loutil de confrontation dune

Deux economistes ont selectionne 100 rmes et

Attention aux interpretations !!!!

Collecte des donnees:releve direct, experimentation,

Analyse conrmatoire: Inference statistique

Previsions, Conclusions, Decisions

Matrice de donnees de dimension n p

Discover 12 0.06 21.6

Visa 100 0.50 180

CHAPITRE 2. STATISTIQUE DESCRIPTIVE DUNE SERIE UNIVARIEE 32

Tableau des frequences cumulees o` u:

(x) etant le nombre dobservations x.

(x) etant le nombre dobservations x

Se limiter ` a letude dun echantillon de taille n

Selectionner un echantillon de taille n <<< N.

On esp`ere que x est une bonne estimation de

Meme base de donnees mais regroupees en classes:

la moyenne de lechantillon global comprenant

La moyenne est egale ` a la mediane et au mode

Donc il y a plus de chance que le taxi soit orange.

on se restreint `a une classe F de parties, stricte-

CHAPITRE 6. VARIABLES ALEATOIRES ET LOIS DE PROBABILITE DISCRETES217

La variance est independante dun changement

Z est dite v.a. centree-reduite

Plusieurs distributions peuvent etre deduites:

Vous aimerez peut-être aussi