Vous êtes sur la page 1sur 43

Cours de statistiques dIUT

Jean-Michel BERNABOTTO
1
Chapitre 1 LES STATISTIQUES DESCRIPTIVES

A. Stati sti ques a une vari abl e
1. Vocabulaire de la statistique
Un ensemble dobjets ou de personnes dune tude statistique est appel population. Un lment
de cette population est appel individu.
Ltude statistique porte sur un caractre. Si le caractre est quantitatif, les mesures sont alors
les valeurs dune variable statistique (ex : un ge, une taille...). Si le caractre est qualitatif, on
est oblig de le quantifier (ex : sexe...).
La variable est dite discrte si elle ne prend que des valeurs isoles (ex : entires). Elle est
continue si elle peut prendre toutes la valeurs dun intervalle (ex : R).
Leffectif dune population est le nombre dindividus total de cette population. La frquence
dun caractre est le nombre dindividus possdant ce caractre divis par leffectif total de la
population.

2. Les variables discrtes
a) Reprsentation
On reprsente les variables alatoires discrtes sous forme dhistogramme ou de camembert grce
aux diffrentes frquences
b) Caractristiques
(1) La moyenne
Soit n valeurs distinctes ou non de la variable. Si cette variable prend p valeurs distinctes (p=n),
x
1
,,x
p
, deffectifs respectifs n
1
,n
p
alors la moyenne est donne par :

p
i i
i=1
1
x= n x
n


(2) Proprit
si pour tout i, on peut oprer un changement de variable affine du type : xi = aXi + b
alors x aX + b.
(3) La variance
Elle est donne par la formule : : V
1
n
n
i
(x
i
x )
2
i1
p

.
(4) Lcart-type
Il est donn par la formule : V
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
2
(5) Proprits
La formule suivante est plus pratique pour le calcul de V : V
1
n
n
i
x
i
2
i1
p

x
2

De plus si pour tout i, x
i
= aX
i
+ b alors V
x
= a
2
V
X
et
x
= a
X
.
3. Les variables continues
a) Reprsentation
Pour leur reprsentation, on regroupe en gnral dans des classes adjacentes damplitudes pas
forcment gales. Ceci est reprsent dans le tableau ci-dessous :
classes [X
0
; X
1
[ [X
1
; X
2
[ [X
p-1
; X
p
]
centre des classes x1 x2 xp
effectifs n
1
n
2
n
p

frquences n
1
/n n
2
/n n
p
/n

La reprsentation seffectue alors grce un histogramme dont les rectangles sont de largeur
lamplitude de la classe et dont laire est proportionnelle leffectif.
b) Caractristiques
Pour calculer moyenne et cart-type, on prend les formules connues avec les x
i
centres des
classes cest dire x
i

X
i1
+ X
i
2

B. Stati sti ques a deux vari abl es
1. Tableau de donnes. Nuage de points.
On observe que dans certains cas, il semble exister un lien entre 2 caractres dune population (ex
: entre poids et taille, entre lpaisseur dun mur et sa rsistance thermique...).
On dfinit alors une srie statistique 2 variables x et y, prenant des valeurs x
1
,,x
n
et y
1
,,y
n
.
a) Tableau de donnes.
Le nom est explicite. On reprsente les diffrentes valeurs de x et y dans un tableau deux
entres.
x en mm 2 4 6 8 10 12 15 20
y en m
2
.C 0,83 1,34 1,63 2,29 2,44 2,93 4,06 4,48
b) Nuage de points
Le plan P tant muni dun repre orthogonal, on peut associer au couple (x
i
; y
i
) de la srie
statistique double, le point M
i
de coordonnes x
i
et y
i
. Lensemble des points M
i
obtenus
constitue le nuage de points reprsentant la srie statistique.
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
3
Rsistance thermique d'un mur en
fonction de son paisseur
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
0 5 10 15 20 25
Srie1

c) Point moyen
On appelle point moyen dun nuage de n points M
i
de coordonnes (x
i
; y
i
), le point G de
coordonnes
x
G
x
1
n
x
i
i1
n

y
G
y
1
n
y
i
i1
n

.
C. Aj ustement affi ne
1. Mthode graphique
a) Ajustement la rgle
On trace au jug une droite D passant par plus prs possible des points du nuage de points, en
sefforant dquilibrer le nombre de points situs au dessus et au dessous de la droite D.
Lquation de D est alors de la forme y = ax + b. Pour retrouver cette quation, il suffit alors de
connatre 2 points de D.
b) Ajustement affine par la mthode de Mayer
On partage le nuage de points en deux nuages de points de nombres quivalents. On calcule alors
le point moyen de chaque nuage quon appelle G
1
et G
2
. La droite (G
1
G
2
) est la droite de Mayer.
Elle passe de plus par le point G. Cest une bonne approximation, si le nuage de points est
allong.

Ex : 2 x
i
8 et 10 x
i
20 alors on obtient y = 0,21x + 0,47.

Cours de statistiques dIUT
Jean-Michel BERNABOTTO
4
2. Ajustement affine par la mthode des moindres carrs
a) La droite de rgression
Soit D une droite dajustement. Soit M
i
(x
i
; y
i
) un point du nuage. P
i
est le point de mme
abscisse x
i
que M
i
situ sur la droite D dquation y = ax + b. Q
i
est le point de mme ordonne y
i

que M
i
situ sur la droite D dquation x = ax + b.
On appelle droite de rgression de y en x, la droite D tell que : M
i
P
i
2
i1
n

y
i
(ax
i
+ b) [ ]
2
i1
n


soit minimale.
On appelle droite de rgression de x en y, la droite D telle que :
M
i
Q
i
2
i1
n

x
i
(a'y
i
+ b' )
[ ]
2
i1
n

soit minimale.
b) Covariance dune srie statistique double
Cest le nombre cov(x, y)
xy

1
n
(x
i
x )(y
i
y )
i1
n

. Pratiquement on utilise plutt la formule :

xy

1
n
x
i
y
i
i1
n

x .y
c) Equations des droites de rgression
On montre que la droite de rgression D de y en x a pour quation y = ax + b avec a

xy

x
2
et b
vrifiant b y ax .
De mme on montre que la droite de rgression D de x en y a pour quation x = ay + b avec
a'

xy

y
2
et b' vrifiant b' x a'y .
Les droites D et D passent toutes les deux par le point moyen G.

3. Coefficient de corrlation
a) Dfinition
Le coefficient de corrlation dune srie statistique double est le nombre r dfini par r

xy

y

b) Proprits
r, a, b,
xy
, a et b sont tous de mme signe.
-1 = r = 1
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
5
c) I nterprtation graphique
si r
2
= 1 alors aa = 1. Les droites D et D sont alors confondues ; on dit que lajustement affine
est parfait.
si 0,7 = | r | <1 alors les deux droites D et D sont proches lune de lautre (en fait langle entre les
deux est infrieur 45) ; on dit que lajustement affine est justifi.
si | r | <0,7 alors langle entre les deux droites est suprieur 45. Lajustement affine ne se
justifie pas.

Cours de statistiques dIUT
Jean-Michel BERNABOTTO
6
D. TD STATI STI QUES A UNE ET DEUX VARI ABLES

Ex 1 : un tour automatique produit des axes cylindriques. Les diamtres en (1/10 de mm),
mesurs sur un lot de 1000 pices ont donn les rsultats suivants :
classes [244;246[ [246;248[ [248;249[ [249;250[ [250;251[ [251;252[ [252;254[ [254;258]
effectifs 11 132 152 200 194 158 139 14

1) Tracer un histogramme du caractre X (diamtre mesure).
2) Donner des valeurs approches de la moyenne et de lcart type du caractre X.

Ex 2 : on donne le tableau dobservations suivant :

t 11,9 14,5 15,5 17,3 17,4 17,7 19 19,2 19,6 22,9 23,3 25 27,2 27,3 25,3
x 11,1 14,2 15,1 17,9 17,1 17,1 18,3 19,2 19,7 23 22,8 25,3 26,3 27,5 23,9

Ajuster linairement x en t et dterminer le coefficient de corrlation linaire.

Ex 3 : on donne le tableau dobservations suivants :

t 0,5 2 4,2 1,25 4 3 2,7 0,7
x 5 10 50 7,5 47 24 18,3 4

Ajuster x en t selon la loi x = ba
t
.

Ex 4 : on donne le tableau dobservations suivant :

t 1 0,1 3 4,2 1,8 2,5
x 5 0,08 45 85 12 35

Ajuster x en t selon la loi x=bt
a
.

Ex 5 : on donne le tableau dobservations suivant :

t 10 20 30 40 50 60
x 0,3 0,5 1 1,4 2 2,5

Ajuster x selon la loi x = asin
2
t + b.
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
7
Chapitre 2 PROBABILITES ET ANALYSE
COMBINATOIRE
A. Noti on dexpri ence al atoi re
1. Dfinition
Une exprience ayant un nombre fini d issues possibles est appel exprience alatoire sil est
impossible de savoir lavance quelle en sera lissue. Lensemble de toutes les issues possibles
est appel lunivers des possibles associ cette exprience; Il est gnralement not . Chaque
sous ensemble de contenant un seul lment, cest dire chaque issue possible est appel
vnement lmentaire.
2. Remarque
Si on note chaque issues possibles e
1
,,e
n
alors ={e
1
,,e
n
} et chaque {e
i
} est alors un
vnement lmentaire.
Une exprience alatoire est dtermine par lexprience que lon effectue et donc lunivers
aussi, cest dire que si on change dexprience alatoire, on change aussi dunivers !
B. Vocabul ai re des vnements
1. Dfinition
Soit E une exprience alatoire et lunivers des possibles associ cette exprience.
Lensemble de toutes les parties de , P() est lensemble des vnements li .
est lvnement certain. est lvnement impossible.
2. Composition dvnements
a) Evnement A B
La loi dans P() correspond lemploi du ou inclusif entre deux vnements.
) Evnement A
La loi dans P() correspond lemploi du et entre deux vnements.
Dans le cas o A, on dit que les deux vnements A et B sont disjoints ou incompatibles.
c) Evnement contraire
Soit A un vnement li une exprience alatoire E dunivers associ . A est donc une partie
de . Ainsi C
A
={e
i
/e
i
A} est associ lvnement qui nest ralis que si A ne lest pas. On
lappelle complmentaire de A ou non A . Il est not A .
On a alors : AUB A I B et AI B A UB et (n > p) (n p)
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
8
C. Axi omati que du cal cul des probabi l i ts
1. Axiomes du calcul des probabilits
Soit E une exprience alatoire et son univers associ. On appelle probabilit, note p, toute
application de lensemble des vnements P() dans vrifiants les trois axiomes suivants :
A1 : AP() 0 p(A) 1
A2 : p()=1
A3 : si deux vnements A et B sont incompatibles alors p AUB ( )p(A) + p(B)
2. Consquences
La probabilit dun vnement A={e
1
,,e
n
} est telle que p(A)=p(e
1
)++p(e
n
).

p( A ) 1 p(A)

p() 0

p(AB) p(A) + p(B) p(AB)
3. Cas particulier important : lquiprobabilit
Lquiprobabilit correspond au cas o tous les vnements lmentaires ont la mme
probabilit. Sil y a n vnements lmentaires chacun possde une probabilit de 1/n
dapparatre. Dans ce cas, on peut crire la formule suivante :
p(A)
nbre d' lments de A
nbre d' lments de

nbre de cas favorables


nbre de cas possibles

D. Probabi l i t condi ti onnel l e
1. Dfinition
Soit p une probabilit sur un univers et soit A un vnement de probabilit non nulle. La
probabilit que lvnement B soit ralis sachant que A lest dj est dfini par
p(B/ A)
p(AB)
p(A)
. On lappelle probabilit conditionnelle.
2. Proprits
p(/ A) 1
p(B C/ A) p(B/ A) + p(C/ A)
p(A B) p(A/ B)p(B) p(B/ A)p(A)

Cette formule est appele formule des probabilits composes.
3. Exemple
deux machines M1 et M2 fabriquent des tiges. Elles produisent respectivement 1/3 et 2/3 de la
production. La machine M1 sort 5% de tiges dfectueuses et M2 en sort 6%.
Soit les vnements A : la tige est fabrique par M1 B : la tige est fabrique par M2
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
9
D : la tige est dfectueuse .
1) Quelle est la probabilit que la tige soit fabrique par M1 ? cest p(A)=1/3.
2) On tire une tige de la production de M1. Quelles est la probabilit quelle soit dfectueuse?
Cest p(D/A)=5/100.
3) On tire une tige de la production. Quelle est la probabilit pour quelle provienne de M1 et
quelle soit dfectueuse ? Cest P(AD) p(D/ A)p(A)
1
60
.
4) On tire une tige de la production. Quelle est la probabilit pour qu elle soit dfectueuse ?
Cest p(D) p((A D) (BD)) p(D/ A)p(A) + p(D/ B)p(B)
17
300
.
5) Quelle est la probabilit quune pice dfectueuse ait t fabrique par M1 ?
Cest P(A/ D)
p(A D)
p(D)

1
60

300
17

5
17
.
E. Evnements i ndpendants
1. Dfinition
Soit lunivers des possibles dune exprience alatoire E et p une probabilit associe. Deux
vnements sont dits indpendants relativement p si : p(A)p(A)p(B)
2. Remarque
Il ne faut pas confondre indpendant et incompatible
Si deux vnements sont indpendants alors p(A)p(A)p(B) donc p(B/A)=p(B) et
p(A/B)=p(A) ; cela signifie que deux vnements sont indpendants si et seulement si la
ralisation de lun ninflue pas sur la ralisation de lautre.
F. El ments danal yse combi natoi re
1. Les p-listes
Elles correspondent un tirage successif et avec remise c est dire que les rptitions sont
possibles et que lordre est important.
Le nombre de p-listes dun ensemble E n lments est n
p
.
2. Les suites de p lments distincts
Elles correspondent un tirage successif sans remise, cest dire que les rptitions sont
impossibles et lordre est important.
a) Les permutations
Toute suite de n lments distincts choisis parmi les n lments dun ensemble E est appel
permutation de n lments. Le nombre total de permutations dun ensemble de n lments est :
n!.
b) Les arrangements
Toute suites de p lments distincts choisis parmi n lments distincts (n=p) est appel
arrangement de p lments parmi n. Le nombre total darrangements de p lments parmi n est :
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
10
A
n
p
n(n 1)(n p + 1)
3. Nombre de parties p lments dun ensemble n lments (p=n)
Il correspond un tirage simultan cest dire que les rptitions sont non possibles et que
lordre nest pas important.
Toute partie de p lments distincts choisis parmi n lments (p=n) est appele combinaison de p
lments parmi n. Le nombre total de combinaisons dun ensemble n lments est : C
n
p

A
n
p
p!
.
4. Proprits des arrangements et combinaisons
A
n
n p
n
p n p
n
p

!
( )!
!
!( )!
et C
n
p
formules videntes montrer partir de la dfinition....

C C
n
p
n
n p

en effet il y a autant de parties de E p lments que de parties de E n-p lments..



C C C
n
p
n
p
n
p

+
1
1
1
cette formule peut se montrer partir des formules de dfinition mais aussi par
des considrations ensembliste : soit aE et E'=E\{a} alors lors du choix d'un sous ensemble F
n lments de E deux cas peuvent se produire savoir aF cela revient choisir une partie p-1
lments de E' ( C
n
p

1
1
faon de la faire) ou aF cela revient choisir une partie p lments de E'
(C
n
p
1
faon de le faire) on a donc : C C C
n
p
n
p
n
p

+
1
1
1


Valeurs particulires :
A
A n n
A n
n
n
n
n
0
1
1 1
1



C
C
C
n
0
n
1
n
n
!


5. Triangle de Pascal - binme de Newton :
Triangle de pascal : la construction est base sur la proprit C C C
n
p
n
p
n
p

+
1
1
1
.

n \ p 0 1 2 3 4 5
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
.
Binme de Newton :
( ) a b C a b
n
n
p p n p
p
p n
+

0


Par exemple : ( ) a b a a b a b a b ab b + + + + + +
5 5 4 3 2 2 3 4 5
5 10 10 5
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
11

Remarque : dans les cas particulier o a=b=1 on obtient C
n
p
p
p n
n


0
2
6. Remarque
De manire gnrale, il faut toujours avant de calculer des probabilits, faire du dnombrement.
Le cardinal de lunivers dabord puis ensuite le cardinal de chaque vnement de lexercice.
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
12
G. TD LES PROBABI LI TS

Ex 1: en sortie de fabrication, on a constat qu'une pice peut prsenter deux sortes de dfauts et
deux seulement.
8% des pices prsentent au moins le dfaut D1. 15% au moins le dfaut D2. 5% les 2 et sont
mises au rebut directement.
90% des pices qui prsentent un seul dfaut peuvent tre rpares et les autres sont mises au
rebut.

1)On choisit une pice au hasard dans la production. Calculer la probabilit p
l
qu'elle
prsente un seul dfaut et la probabilit p
2
qu'elle soit exempte de dfaut.

2)Calculer la probabilit p qu'une pice prise au hasard soit accepte.

Ex 2: on jette simultanment 3 ds non pips de couleurs diffrentes. On note le nombre de points
figurant sur chacune des faces.

l) Combien y a-t-il d'vnements lmentaires ?

2) Quelle est la probabilit d'obtenir le triple as ?

3) Quelle est la probabilit de ne pas obtenir le triple as ?

4) Quelle est la probabilit d'obtenir un 4, un 2 et un 1 ?

Ex 3: ils taient 4: 2 garons et 2 filles. Ils s'assirent la dernire range les uns ct des autres
au hasard. Y a-t-il plus de chances de trouver les 2 garons cte cte que spars ?

Ex 4: un joueur tire cinq cartes simultanment dans un jeu de 32 cartes. Soit l vnement
A: obtenir un carr ; B obtenir une quinte flush ;C obtenir un full ;

1 ) Calculer p(A), p(B), p(C ) 10
-5
prs.

2) Un coup est dit meilleur qu'un autre si sa probabilit est plus petite :chaque coup est
affect d'une valeur v qui augment quand p diminue. Le classement dfini par la rgle est v(C
)<v(A)<v(B). Cette rgle est elle justifie ?

Ex 5: une urne contient 36 boules . Dans cette urne x boules sont blanches, x boules sont rouges
et les autres sont vertes (x entier tel que 0<x<18). On tire au hasard et simultanment 3 boules
dans 1'urne.

1) On suppose que x=1 .
a) Quelle est la probabilit de tirer une boule de chaque couleur ?
b) Quelle est la probabilit de tirer 3 boules vertes ?
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
13
2) Soit p(x) la probabilit de tirer une boule de chaque couleur. Pour quelle valeur de x, p
est elle maximale ?

Ex 6: une entreprisc fabrique des appareil lectroniques. La probabilit qu'un appareil fonctionne
est 0,9.

1) On note F l'vnement l'appareil fonctionne parfaitement . Calculer la probabilit de
son contraire.

2) On fait subir un test chaque appareil avant sa livraison. On constate que:

quand un appareil est parfait, il est toujours accept l'issue du test.

quand un appareil n'est pas parfait, il peut nanmoins tre accept avec une probabilit de
1/11.
On note T l'appareil est accept l'issue du test
a) Calculer p(T).
b) Calculer p(F/T).

Ex 7: dans une entreprise pharmaceutique, un comprim est parfait si sa masse en g est dans [1,2
;1,3]. La probabilit qu'un comprim soit conforme est 0,98. On tire au hasard un comprim.
Soit A le comprim est conforme ;B le comprim est refus .
On contrle tous les comprims. Le mcanisme de contrle est tel que:

un comprim conforme est accept avec une probabilit de 0,98

un comprim non conforme est refus avec une probabilit de 0,99.

1 ) Calculer p(B/A), puis p(B A) et p( B A )

2) a) Calculer la probabilit qu'un comprim soit refus; b) la probabilit qu'un comprim
soit conforme sachant qu'il est refus.

Ex 8 : un tireur l'arc dbutant a une probabilit de 0,8 de toucher la cible chaque tir. S'il tire 2
fois, quelle est la probabilit qu'il touche la cible 2 fois ? 1 fois ? 0 fois ?

Cours de statistiques dIUT
Jean-Michel BERNABOTTO
14
Chapitre 3 LES VARIABLES ALATOIRES
A. Vari abl es al atoi res di scrtes sur un uni vers fi ni
1. Convention dcriture
Soit = {
1
,...,
N
} un univers fini probabilis. On appelle variable alatoire, note X, dfinie
sur toute application de dans .
On note X() = {x
1
,,x
n
} (n=N) lensemble image de par X.
X = x
i
est la partie de formes de toutes les ventualits
k
ayant pour image x
i
. Il y en a n,
formant une partition de .
X > x est la partie de forme de toutes les ventualits dont le nombre image est suprieur
strictement x.
x = X= y est la partie de forme de toutes les ventualits dont le nombre image est compris
entre x et y.
2. Loi de probabilit
Soit un univers fini probabilis st X une variable alatoire sur . On appelle loi de probabilit
de X, lapplication qui chaque valeur image x
i
fait correspondre la probabilit p
i
de la partie (X
= x
i
) de . On la reprsente alors sous forme dun tableau :
X = x
i
x
1
x
2
x
i
x
n

p(X=x
i
) p
1
p
2
p
i
p
n


On a donc p() p
i
i1
n

= 1.
3. Fonction de rpartition
On appelle fonction de rpartition de la variable alatoire X, lapplication F de dans [0 ; 1] qui
associe tout rel x la probabilit p(X = x) cest dire F(x) = p(X = x).
Elle est croissante, continue par morceau et en escalier.
De plus on a : p(X > x) = 1 - F(x) et p(x =X = y) = F(y) - F(x).
4. Valeurs caractristiques dune variable alatoire valeurs discrtes
Soit X une variable alatoire prenant les valeurs {x
1
x
n
} avec les probabilits respectives
{p
1
p
n
}.
a) Esprance
On appelle esprance mathmatique de X le nombre E(X) p
i
x
i
i1
n

. Ce nombre sinterprte
comme la moyenne m des valeurs x
i
pondres par leur probabilit p
i
.
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
15
b) Proprits
Soit k une constante alors :
E(k) k
E(X+ k) E(X) + k
E(kX) kE(X)

c) Variance et cart-type
On appelle variance de X le nombre V(X) p
i
x
i
2
i1
n

E(X) ( )
2
. Lcart-type est : (X) V(X)
d) Proprits
Soit k une constante alors :
V(k)
V(X+ k) V(X)
V(kX) k
2
V(X)

5. Exemple
Contre une mise convenable, on lance un d marqu as, roi, dame, valet, dix et neuf.
Las rapporte 10 F Le roi et la dame 6 F Le valet 5 F le 10 et le 9 rien

Loi de probabilit
X = x
i
0 5 6 10
p
i
1/3 1/6 1/3 1/6

Fonction de rpartition F
4 8 0
0.4
0.8

E(X)=4,5 V(X)=12,58 et (X)=3,55
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
16
6. Loi binomiale
Une variable alatoire X valeurs entires : 0,1 , 2 , n suit une loi binomiale de paramtres n et
p si et seulement si pour tout k appartenant {1,,n} on a : p(X k) C
n
k
p
k
q
nk
.
On lutilise chaque fois quune mme exprience a 2 ventualits. Elle est note B(n,p).

Son esprance est alors E(X) = np, sa variance V(X) = npq.
B. Vari abl es al atoi res dnombrabl es sur un uni vers i nfi ni
1. Loi de Poisson
Une variable alatoire dnombrable(cest dire tablissant une bijection avec ) X suit une loi
de Poisson de paramtre m (m > 0) sis et seulement si : p(X k) e
m
m
k
k!
.
Son esprance est E(X)=m, sa variance V(X) = k.
C. Vari abl es al atoi res conti nues
1. Dfinition
Une variable alatoire continue est une variable alatoire X dont lensemble des valeurs est ou
un intervalle I de .
Une telle variable est gnralement dfinie par sa fonction de rpartition F:x a F(x) p(X x).
2. Fonction densit de probabilit
On dsigne par fonction densit de probabilit, la fonction drive f de la fonction de rpartition
F. On alors : f(x)dx F(x) et f (x)dx
a
b

F(b) F(a) p(a X b)

. cest dire que laire


mesure entre les droites dquation x = a et x = b, la courbe reprsentative de f et laxe des
abscisses correspond p(a = x = b).
On a
f (x)dx

F(a) p(X a)
f(x)dx
a
+

1F(a) p(X a) 1 p(X< a)


f(x)dx

1


4 8 12 16
-0.1
0
0.1
x=a
x=b
p(axb)
Cf


Cours de statistiques dIUT
Jean-Michel BERNABOTTO
17
3. Valeurs caractristiques
Soit X une variable alatoire continue alors on a :
E(X) xf (x)dx

V(X) f (x) x E(X)


[ ]
2
dx

E(X
2
) E(X)
[ ]
2

D. La l oi normal e ou l oi de Lapl ace-Gauss
1. Dfinition
Une variable alatoire X suit une loi normale N(m;) de paramtres m et lorsque sa densit de
probabilit est la fonction f dfinie sur par : f(x)
1
2
e

1
2
xm




1
]
1
2
.
Cette loi est souvent qualifie de loi du hasard ; elle est trs frquente dans des mesures rptes
dune mme grandeur.
On a alors : E(X) = m et V(X) =
2

4 8 12 16
-0.1
0
0.1
Cf
m=12 et =3


2. La loi normale centre rduite
Si une variable alatoire suit la loi normale N(m;) il est difficile de calculer F(x) pour nimporte
quel x; Il existe alors une loi qui est tabule qui nous permet grce aux thorme suivant de
calculer facilement F(x) pour N(m;) .
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
18
a) Thorme :
si une variable alatoire X suit une loi normale N(m; ) alors la variable alatoire T
X m

suit
la loi normale centre rduite N(0;1).
Sa fonction de rpartition est note ( x) = f (t)dt

avec f(x)
1
2
e
x
2
2

Sa lecture se fait grce une table (cf annexe).
-4 -2 2 4 0
0.2
0.4
(t)


b) Exemples de calculs
p(T = 1,67)=(1,67)=0,9525
p(T = 1,25)=1-p(T < 1,25)=1-0,8944=0,1056
p(T = -1,67)=p(T = 1,67)=1-p(T = 1,67)
p(-t = T = t)=2(t) - 1
3. Carte de contrle
Soit X une variable alatoire suivant une loi normale N(m;) alors T
X m

suit une loi


normale centre rduite N(0 ; 1) do
p(m < X < m+ ) p(1 <T <1) 2(1) 1 0, 64 64%
p(m 2 <X <m + 2) p(2 <T < 2) 2(2) 1 0, 96 96%
p(m 3 <X <m + 3) p(3 <T < 3) 2(3) 1 0, 998 99,8%

ce que lon reprsente sous forme de carte de contrle :

Cours de statistiques dIUT
Jean-Michel BERNABOTTO
19











4. Approximation des lois
Dans certaines conditions on peut par commodit approximer certaines lois par une loi normale:
on a
B(n,p) P(np) si p <0,1 npq 10 et n >30
B(n,p) (np, npq ) si npq >10 et n 50
P(m) (m, m) si m >20

E. Dautres exempl es de l oi s conti nues
La loi uniforme ; son graphe de densit de probabilit est donn par le graphe :
-1 1 2 3
-1
-0.5
0
0.5


La loi triangulaire : elle est donne par son graphe fonction densit de probabilit :
1 2 3
2/(b-a)
a b

a b
1/(b-a)
m
64% 96% 99,8%
zone de dreglement
zone de danger
zone de dreglement
zone de danger
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
20
F. TD Les Vari abl es al atoi res

I - On lance deux ds 6 faces numrotes de 1 6; Les probabilits dobtenir lune des six faces
pour chacun des ds sont gales. On appelle S la somme des chiffres marqus sur les faces
suprieures des ds :
Si 2 = S = 3 on marque 20 points
Si 3 < S = 5 on marque 10 points
Si 5 < S < 10 on marque 5 points
Si 10 = S = 12 on marque 1 point.
Soit X la variable alatoire qui prend pour valeur le nombre de points marqus :
1) Donner la loi de probabilit de X.
2) Dfinir et reprsenter graphiquement la fonction de rpartition F de X.

II - Une loterie comporte 20 billets dont 2 gagnants, lun pour un lot de 100 F, lautre pour un lot
de 60 F. On achte trois billets.
A. Calculer les probabilits suivantes en supposant tous les tirages quiprobables.
1) A: gagner les 2 lots
2) B: gagner le lot de 100 F seulement
3) C: gagner le lot de 60 F seulement
4) D: ne rien gagner .
B. 1) Dterminer la loi de probabilit de la variable alatoire X qui tout ensemble de trois
billets associe la somme gagne.
2) Calculer lesprance E(X).
3) Le prix de vente du billet tant fix E(X)/3, vrifier que la vente des vingt billets
permet dobtenir la somme mise en jeu.

III - Une boite contient trois jetons numrots 1,2, 3. Un joueur A tire un jeton au hasard, note
son numro x et remet le jeton dans la boite. Un autre jouer B effectue la mme opration, son
numro y est not. Ces deux tirages constituent une partie.
Si la somme (x + y) est paire, A reoit a Francs de B et si (x + y) est impaire A donne b Francs
B (a et b entiers positifs strictement).
1) Soit X le gain algbrique de A lissue dune partie. Dterminer E(X)
2) Dterminer a et b tels que le jeu soit quitable.
3) On suppose que a=4 et b=5. Dterminer la probabilit pour que, lissue de trois
parties, le gain de A soit positif.

IV - Un convoi de vhicules publicitaires est constitu de 6 vhicules : quatre camions et deux
voitures, tous distincts. Ils pntrent les uns la suite des autres sur une place de village.
1) De combien de faons diffrentes peuvent-ils se prsenter ?
2) Le premier vhicule doit tre un camion. Combien y a t-il de convois possibles ?
3) On suppose que tous les convois possibles sont quiprobables. Soit X la variable
alatoire donnant le nombre de camions en tte du convoi. Dfinir la loi de probabilit de X.
Calculer son esprance et son cart type.

Cours de statistiques dIUT
Jean-Michel BERNABOTTO
21
V - On suppose que le pourcentage moyen de gauchers est de 1 %. Soit X la variable alatoire
prenant comme valeurs le nombre de gauchers dans un chantillon de 200 personnes choisies au
hasard. Montrer que la loi de X est pratiquement une loi de Poisson dont on prcisera la moyenne
et la variance. Quelle est la probabilit pour quil y ait moins de quatre gauchers dans
lchantillon ?

VI - Une urne contient 6 boules dont quatre de couleurs blanches et deux de couleur rouge. Une
preuve consiste tirer simultanment et au hasard (sans remise) trois boules de lurne, les
tirages tant supposs quiprobables.
1) Soit X la variable alatoire numrique qui, toute preuve, associe le nombre de
boules rouges tires. Dterminer la loi de probabilit et la fonction de rpartition.
2) On rpte 4 fois lpreuve prcdente. On dsigne par Y la v.a. numrique qui
chaque srie de 4 preuves associe le nombre dpreuves ou lvnement (X1) a t ralis.
Dterminer la loi de probabilit de Y.



VII - dans une fabrication en srie, 8 % darticles prsentent des dfauts. Quelle est la probabilit
pour que dans un contrle portant sur 40 articles, il y ait 4 articles dfectueux ? Quelle est la
probabilit pour quil y ait 4 articles dfectueux au plus ? Quelle est la probabilit pour quil y ait
6 articles dfectueux sur un lot de 100 ? 9 articles dfectueux ?

VIII - dans un texte de 1 000 lignes on trouve en moyenne 25 erreurs typographiques, quelle est
la probabilit de trouver moins de 4 fautes dans un texte de 100 lignes ?



IX - Sachant que X suit une loi N(0,1) calculer partir dune table :
1) p(X<0,82) p(X<0,5) p(X>1,42) p(X<-1,32) p(X>-2,24) p(-1<X<1)
p(-1,5<X<2,35)

2) Calculer a sachant que X suit une loi N(0,1)
p(X<a)=0,8238 p(X>a)=0,0632 p(X<a)=0,0268 p(X>a)=0,9651

X - La variable alatoire X suit une loi normale N(18; 2,5). Calculer les probabilits p(X<17)
p(X>20) ; p(16<X<19,5).

XI - X suit une loi N(68,15) et p(X<a) = 0,8315. Dterminer a.


XII - Une agence de ventes propose aux personnes intresses, de leur fournir une documentation
complte sur le produit qui les intresse. En moyenne une personne sur 10 passe une commande.
Le nombre de demandes ayant t de 600, quelle est la probabilit pour quil y ait au moins 70
commandes ? Plus de 50 ?
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
22
Chapitre 4 ECHANTILLONNAGE
A. Le probl me de l chanti l l onnage
La thorie de lchantillonnage consiste dterminer des proprits sur des chantillons prlevs
dans une population dont on connat dj des proprits.
On ne considre ici que des chantillons alatoires, cest dire constitus dlments pris au
hasard dans une population.
Le tirage des lments dun chantillon peut tre fait sans remise; On dit quil est exhaustif.
Sinon si le tirage est fait avec remise, on dit quil est non exhaustif ; dans ce cas les tirages sont
indpendants.
Dans la plupart des cas, la population ayant un grand effectif, dans laquelle on tire une faible
proportion dlments, on assimile un tirage sans remise un tirage avec remise.
B. Di stri buti on dchanti l l onnage des moyennes
Considrons une population ayant une certaine proprit avec une moyenne met un cart-type .
Soit X la variable alatoire qui tout chantillon alatoire prlev avec remise et deffectif n
fix, associe la moyenne de cet chantillon. Pour n suffisamment grand, X suit
approximativement la loi normale N(m;

n
).
Rem :
n suffisamment grand quand n = 30.
si la population est-elle mme normale, on peut utiliser ce rsultat mme si n est petit.
lorsque les chantillons de taille n sont prlevs sans remise dans une population deffectif N,
on peut utiliser le rsultat prcdent en prenant

n
Nn
N1
au lieu de

n
.
il ne faut pas confondre lcart-type

n
de la variable alatoire qui prend pour valeurs les
moyennes d chantillons de taille n, et lcart-type dun chantillon.
C. Di stri buti on dchanti l l onnage des pourcentages
Considrons une population dont un pourcentage p dlments possde une certaine proprit.
Soit F la variable alatoire, qui tout chantillon alatoire prlev avec remise deffectif n fix,
associe le pourcentage dlments de cet chantillon possdant cette proprit. Pour n
suffisamment grand, F suit approximativement la loi normale N p,
pq
n




_
,


avec q = 1 - p.
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
23
D. TD ECHANTI LLONNAGE


Ex 1 : aprs la correction dune preuve dexamen comportant un grand nombre de candidats, on
constate que les notes ont pour moyenne 12 et pour cart-type 3. On se propose de prlever un
chantillon alatoire non exhaustif de 100 notes.
1) Quelle est la probabilit davoir la moyenne dun tel chantillon suprieure 12,5 ?
2) Quelle est la probabilit davoir la moyenne dun tel chantillon comprise entre 12,5 et
12,9 ?

Ex 2 : un candidat a obtenu 55% des suffrages exprims une lection.
1) Quelle est la probabilit davoir, dans un chantillon alatoire non exhaustif de taille n
= 100 prlev parmi les suffrages exprims, strictement moins de 50% de voix pour le candidat A
?
2) Mme question mais avec n = 2000.

Ex 3 : une machine fabrique des disques pleins en grande srie. On suppose que la variable
alatoire X qui, chaque disque tir au hasard, associe son diamtre suit la loi normale N(,)
o = 12,8 mm et = 2,1 mm.
1) Quelle loi suit la variable alatoire X , qui tout chantillon alatoire non exhaustif de
taille n = 49, associe la moyenne des diamtres des disques de cet chantillon ?
2) Dtermin un intervalle centr en 12,8 tel que la variable alatoire prenne ses valeurs
dans cet intervalle avec la probabilit 0,95.
3) On se propose de prlever un chantillon alatoire non exhaustif de taille n. Dterminer
n pour que la moyenne des diamtres des disques prlevs ne scarte pas de 12,8 de plus de 0,2
mm avec une probabilit de 0,95.

Ex 4 : une machine automatique fabrique des entretoises destines un montage de roulements.
La longueur de ces entretoises doit tre comprise, au sens large, entre 37,45 et 37,55 mm. La
variable alatoire X, qui associe chaque entretoise sa longueur, est une variable gaussienne de
moyenne 37,50 mm.
1) Quel doit tre lcart-type de la variable alatoire X pour que 998 sur 1000 des pices
fabriques soient bonnes ?
2) On prlve un chantillon non exhaustif dans la production. Quel doit tre leffectif de
cet chantillon pour que la moyenne des longueurs des pices prleves appartienne lintervalle
[37,495 ; 37,505] avec une probabilit de 0,95 ?

Ex 5 : une machine automatique fabrique des pices.
1) On choisit au hasard un lot de 10000 pices et on mesure les longueurs en mm de ces
pices. On obtient le tableau suivant :
longueur(mm
)
[244 ; 246[ [246 ; 248[ [248 ; 250[ [250 ; 252[ [252 ; 254[ [254 ; 256[
Effectif 113 1318 3510 3530 1390 139
Calculer au 1/100me prs, la moyenne et lcart-type de ce lot..
2) On considrera dans la suite que la distribution de ce lot est normale, de moyenne
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
24
= 250 et dcart -type = 1,94. On examine un chantillon de 36 pices de ce lot. Quelle est la
probabilit que la moyenne de cet chantillon soit extrieure lintervalle [249,1 ; 250,9] ?
3) On fabrique maintenant un nouveau lot de pices. On rgle la machine pour que la
longueur des pices suive une loi normale de moyenne 400, lcart-type restant 1,94. La longueur
dune pice est acceptable si elle est comprise entre 397 et 403 mm. Quel est le pourcentage de
pices dont la longueur est acceptable ?

Ex 6 : une machine est charge de conditionner des paquets de farine : la masse dun paquet est
une variable alatoire qui suit une loi normale dcart-type constant, = 30 et dont la moyenne
peut tre modifie. Un paquet est refus si sa masse est infrieure 955 gr.
1) Quelle doit tre la valeur de la moyenne sur laquelle rgler la machine, pour que la
probabilit daccepter un paquet soit gale 0,99 ?
2) La machine est rgle de telle sorte que = 1025. Afin de vrifier le rglage de la
machine, on prlve un chantillon de 20 paquets et on en dtermine la masse moyenne x.
Dterminer lintervalle centr en contenant x avec une probabilit 0,95.

Ex 7 : un avion peut transporter une charge de 4 tonnes. La population des masses des passagers
est gaussienne de moyenne 75 kg et dcart-type 10 kg. Quel nombre maximum de siges doit-on
prvoir pour quiper lavion, si on veut que le risque de surcharge ne dpasse pas 10
-6
. On donne
p(N(0;1)>4,7534)=10
-6
.

Cours de statistiques dIUT
Jean-Michel BERNABOTTO
25
Chapitre 5 ESTIMATION
A. I ntroducti on
Cest le problme inverse de lchantillonnage ; cest dire connaissant des renseignements sur
un on plusieurs chantillons, on cherche en dduire des informations sur la population totale.
B. Esti mati on ponctuel l e
1. Moyenne
De manire gnrale, on choisit la moyenne x
e
dun chantillon prlev au hasard dans une
population comme meilleure estimation ponctuelle de la moyenne inconnue m de cette
population.
2. Proportion
De mme, on choisit la proportion f
e
des lments possdant une certaine proprit dans un
chantillon prlev alatoirement dans une population comme meilleure estimation ponctuelle de
la proportion inconnue p des lments de cette population ayant cette proprit.
3. Variance. Ecart-type
On choisit le nombre
n
n 1

e
2
o n est leffectif et
e
2
la variance dun chantillon prlev au
hasard dans une population, comme meilleure estimation ponctuelle de la variance inconnue
2

de cette population et on prend
n
n 1

e
comme meilleure estimation ponctuelle de lcart-type
inconnue de cette population.
C. Esti mati on par i nterval l e de confi ance
Les estimations ponctuelles sont hlas lies au choix de lchantillon ; il faut donc rechercher un
nouveau type destimation de la moyenne dune population ou dun pourcentage. On cherche des
intervalles qui, gnralement, 95% ou 99% des cas, contiennent la moyenne m inconnue ou le
pourcentage p dune certaine proprit que possde la population.
1. De la moyenne
a) 1er cas
Soit P la population : m la moyenne est inconnue
lcart-type est connu
Soit un chantillon : x
e
la moyenne est connue
n leffectif est connu
On se place dans le cas ou lon peut considrer que la variable alatoire X , qui tout chantillon
de taille n fixe, associe la moyenne de cet chantillon, suit une loi normale N(m;

n
).
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
26
Alors lintervalle de confiance de la moyenne m de la population, avec le coefficient de confiance
2(t) - 1, lu dans la table de la loi normale centre rduite N(0 ; 1) est :
x
e
t

n
; x
e
+ t

n



1
]
1
Cette mthode conduit dans 100(2(t) - 1) cas sur 100, pourcentage choisi lavance, un
intervalle de confiance contenant m.
Les cas usuels les plus frquent sont :
coefficient de confiance 95% alors t = 1,96
coefficient de confiance 99% alors t=2,58.
b) 2me cas
Soit P la population : m la moyenne est inconnue
lcart-type est inconnu
Soit un chantillon : x
e
la moyenne est connue

e
lcart-type est connu
n leffectif est connu et il est infrieur strictement 30.

On se place dans le cas ou lon peut considrer que la variable alatoire X , qui tout chantillon
de taille n fixe, n < 30, associe la moyenne de cet chantillon, suit une loi de Student n - 1
degrs de libert .
Alors lintervalle de confiance de la moyenne m de la population, avec le coefficient de confiance
2(t) - 1, lu dans la table de la loi de Student n - 1 degrs de libert est :
x
e
t

e
n 1
; x
e
+ t

e
n 1



1
]
1

c) 3me cas

Soit P la population : m la moyenne est inconnue
lcart-type est inconnu
Soit un chantillon : x
e
la moyenne est connue

e
lcart-type est connu
n leffectif est connu et il est suprieur 30.

On se place dans le cas ou lon peut considrer que la variable alatoire X , qui tout chantillon
de taille n fixe, n =30, associe la moyenne de cet chantillon, suit une loi normale N(m;

n
).
Alors lintervalle de confiance de la moyenne m de la population, avec le coefficient de confiance
2(t) - 1, lu dans la table de la loi de la loi normale centre rduite N(0 ; 1) :
x
e
t

e
n 1
; x
e
+ t

e
n 1



1
]
1

Cours de statistiques dIUT
Jean-Michel BERNABOTTO
27
2. De la proportion
A laide dun chantillon, on dfinit de mme un intervalle de confiance de la proportion p
inconnue dune caractristique de la population.
a) 1er cas
Soit P la population : p la proportion est inconnue
Soit un chantillon : f
e
la proportion est connue
n leffectif est connu et infrieur strictement 30.
Alors lintervalle de confiance de la proportion p de la population avec le coefficient de confiance
2(t) - 1, lu dans la table de la loi de Student n - 1 degrs de libert est :
f
e
t
f
e
1 f
e
( )
n 1
; f
e
+ t
f
e
1 f
e
( )
n 1




1
]
1
1
.
b) 2me cas
Soit P la population : p la proportion est inconnue
Soit un chantillon : f
e
la proportion est connue
n leffectif est connu et suprieur 30.
Alors lintervalle de confiance de la proportion p de la population avec le coefficient de confiance
2(t) - 1, lu dans la table de la loi normale centre rduite N(0 ; 1) est :
f
e
t
f
e
1 f
e
( )
n 1
; f
e
+ t
f
e
1 f
e
( )
n 1




1
]
1
1
.
3. Exemples
a) 1er exemple
Dans une population P de grand effectif, on prlve de manire non exhaustive, un chantillon de
100 personnes dont on note la masse en kg:
masse 62 64 68 10 74
effectif 5 18 42 27 8
Calculer la moyenne et lcart-type de cet chantillon: x
e
68 kg
e
3 kg
6. Donner un intervalle de confiance de la moyenne m des masses des personnes de P au
coefficient de confiance 95% : nous sommes dans le 3me cas
m 681, 96
3
1001
; 68 +1,96
3
1001



1
]
1 67,4; 68,6 [ ]

b) 2me exemple
Lors dun contrle de qualit sur une population dappareils mnagers, au cours dun mois de
fabrication, on prlve de manire non exhaustive un chantillon de 1000 appareils. Aprs un test
de conformit, on constate que 60 appareils ont un dfaut. Donner un intervalle de confiance du
pourcentage p dappareils dfectueux au risque de 5%.
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
28
p
60
1000
1, 96
60
1000
1
60
1000



_
,

1000 1
;
60
1000
+ 1, 96
60
1000
1
60
1000



_
,

1000 1







1
]
1
1
1
1
1
0, 045; 0, 075 [ ] 4, 5%;7,5% [ ]


Cours de statistiques dIUT
Jean-Michel BERNABOTTO
29
D. TD ESTI MATI ONS PONCTUELLES ET PAR I NTERVALLE DE
CONFI ANCE

Ex 1 : lors dun concours radiophonique, on note X le nombre de rponses reues chaque jour.
On suppose que X suit une loi normale de paramtres m et . Durant les 10 premiers jours, on a
obtenu : x
1
= 200 ; x
2
= 240 ; x
3
= 190 ; x
4
= 150 ; x
5
= 220 ; x
6
= 180 ; x
7
= 170 ; x
8
= 230 ;
x
9
= 210 et x
10
= 210. Dterminer une estimation ponctuelle de m et .

Ex 2 : dans une population dtudiants en sociologie, on a prlev, indpendamment, deux
chantillons de taille n
1
= 120 et n
2
= 150. On constate que 48 tudiants de lchantillon 1 et 66
tudiants de lchantillon 2 ont une formation secondaire scientifique; Soit p la proportion
dtudiants de la population ayant une formation scientifique ; calculer trois estimations
ponctuelles de p.

Ex 3 : dans une station service, on suppose que le montant des chques essence suit une loi
normale de paramtres m et . On considre un chantillon de taille n = 50 et on obtient une
moyenne de 130 F et un cart-type de 28 F. Donner une estimation de m par un intervalle de
confiance au niveau de confiance 95%.

Ex 4 : on donne la rpartition des masses de 219 ressorts pr ovenant dune mme fabrication :

masses
(g)
[8,2 ; 8,4[ [8,4 ; 8,6[ [8,6 ; 8,8[ [8,8 ; 9[ [9 ; 9,2[ [9,2 ; 9,4[ [9,4 ; 9,6[
Nb de
ressorts
9 21 39 63 45 27 15

X donnant le poids dun ressort provenant de cette fabrication donner une estimation de E(X) et
V(X).
Donner pour E(X) un intervalle de confiance au niveau de confiance 95%.

Ex 5 : on veut estimer lesprance mathmatique m dune variable alatoire gaussienne X dont
on connat lcart-type = 2,3. Quelle est la taille minimum de lchantillon de X qui est
prendre si lon veut obtenir pour m un intervalle de confiance de seuil 0,95 et dont la longueur ne
dpasse pas 0,1.

Ex 6 : un confiseur vends des boites de bonbons dun certain modle. On note X la masse dune
boite pleine. Les peses de 8 boites ont conduit aux masses (en kg) :
1,22 ; 1,23 ; 1,21 ; 1,19 ; 1,23 ; 1,24 ; 1,18 ; 1,21 .

1) Donner pour E(X) un intervalle de confiance au risque de 5%.
2) En supposant que la variance de X soit connue et gale la variance observe, donner
pour E(X) un intervalle de confiance au seuil de confiance 95% et comparer avec le 1).
3) On suppose maintenant que lon a trouv la mme moyenne et la mme variance
quobserves mais avec 16 observations au lieu de 8 . Reprendre les questions 1) et 2).

Cours de statistiques dIUT
Jean-Michel BERNABOTTO
30
Ex 7 : aprs avoir pes 12 pamplemousses dune mme provenance, on donne pour lesprance
mathmatiques m du poids X dun pamplemousse, lintervalle de confiance au niveau de
confiance 95% : 390 g = m = 520 g
En dduire la moyenne observe et lcart-type observe.

Ex 8 : dans un grand pays dmocratique, un quotidien publie la cte du chef de ltat partir
dun sondage ralis auprs de 1000 personnes. Au mois de janvier la cte tait de 38% dopinion
favorables, en fvrier 36%. Et le journaliste de commenter le chef de ltat perd 2 points ! .
Commenter ce commentaire...

Cours de statistiques dIUT
Jean-Michel BERNABOTTO
31
Chapitre 6 TESTS STATISTIQUES
A. Pri nci pe des tests
Partons dun exemple...Une machine fabrique des tiges dacier. Si la machine est rgle
correctement, lutilisateur obtient une population de tiges de longueurs moyenne m et dcart-
type . On dsire savoir si cette machine se drgle. Ainsi, on prlvera, intervalles rguliers,
des chantillons pour mesurer la longueur effective des tiges.
Nous faisons alors lhypothse H
0
dite hypothse nulle que la machine est bien rgle. On teste
alors cette hypothse: 2 cas se prsentent :
la machine est bien rgle, on accepte H
0
.
la machine est mal rgle, on rejette H
0
et donc on accepte H
1
dite hypothse alternative.

Dfinition : un test statistique est une mthode permettant de prendre une dcision partir
dinformations fournies par un chantillon.
Cette dcision dpend donc de lchantillon. Ainsi quelle que soit la dcision prise, on court
deux sortes de risques :
le risque dit de 1re espce not , est la probabilit de rejeter lhypothse H
0
alors quelle est
vraie en ralit : p(rejeter H
0
/ H
0
vraie )
le risque dit de 2nde espce not , est la probabilit daccepter lhypothse H
0
alors quelle
est fausse en ralit : p(accepter H
0
/ H
0
fausse) .
Un test est bon si on arrive minimiser et .
B. Test de comparai son une val eur standard
1. Position de problme
On considre une population P sur laquelle on veut tudier un paramtre inconnue associ un
paramtre c. Sur un chantillon de taille n, on obtient
e
connu. Sur la base de cette valeur
observe
e
, on se propose de comparer la vraie valeur une valeur
0
fixe priori, constituant
la valeur standard.
2. Tests relatifs une moyenne
Soit une population P de grand effectif sur laquelle on tudie un caractre c. La moyenne m de c
est inconnue. Sur un chantillon, on a trouv une moyenne

x
e
. On doit tester la moyenne m par
rapport une valeur note m
0
qui est la valeur standard.
a) Test bilatral
Soit H
0
: " m=m
0
" l'hypothse nulle et H
1
: " m?m
0
" l'hypothse alternative
Soit X la variable alatoire prenant pour valeurs les moyennes des diffrents chantillons de taille
n=30, alors on sait que X suit une N(m0 ;

n
) , tant l'cart -type de la population P.

Cours de statistiques dIUT
Jean-Michel BERNABOTTO
32
Il faut donc que X soit telle que

p( m
0
t

n
< X < m
0
+ t

n
) 1 d'o en faisant le
changement de variable :

T
X m
0

n
alors T suit une loi normale centre rduite N(0,1) d'o

p( t

< T < t

) 1 c'est dire

( t

) 1

2
d'o la rgle du test bilatral :
On choisit un risque
on cherche dans la table de la loi normale centre rduite N(0,1), t

tel que

( t

) 1

2

soit

x
e
la moyenne de l'chantillon de taille n alors
si

x
e
m
0
t

n
;m
0
+ t

n



1
]
1
, on accepte H
0
avec le risque
sinon on rejette H
0
et donc on accepte H
1
avec un risque .
Remarque : dans le cas usuel o = 5% alors t

= 1,96 et si = 1% alors t

= 2,58.
Si est inconnu (ce qui est souvent le cas ) alors on prend son estimateur ponctuel

n
n 1

e
o

e
est l'cart-type de l'chantillon.
b) Tests unilatraux
Rgle du test unilatral gauche
-4 -2 2 0
0.2
zone d'acceptation
de H0
zone de
refus de H0
zone de
refus de
H0
/2
/2
1-
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
33
L'hypothse nulle est H
0
: "m = m
0
" et l'hypothse alternative est H
1
: "m > m
0
"
On peut la retrouver par exemple dans le cas d'un test de dpassement d'une norme.
On choisit un risque
On cherche dans la table de la loi normale centre rduite N(0;1) t

tel que (t

) = 1 -
Si

x
e
m
0
+ t

n
alors on accepte H
0
sinon on refuse H
0
et donc on accepte H
1

Rem : dans les cas usuels : si = 5% alors t

= 1,645 ; si = 1% alors t

= 2,33

Rgle du test unilatral droite
-4 -2 2 0
0.2
rgion de refus de
H0
rgion d'acceptation de H0
1-

m=m0
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
34
L'hypothse nulle est : H
0
: "m = m
0
" et l'hypothse alternative est : H
1
: "m < m
0
"
On la retrouve dans les cas de tests de non galit d'une norme.
On choisit un risque
On cherche dans la table de la loi normale centre rduite N(0;1) t

tel que (t

) = 1 -
Si

x
e
> m
0
t

n
on accepte H
0
, sinon on rejette H
0
et donc on accepte H
1

Dans ces deux cas, il est trs frquent qu'on ne connaisse pas ; on a alors

e
n 1

3. Tests relatifs un frquence ou un pourcentage
Tous les tests que l'on vient de voir restent valables ; il suffit de remplacer m par p (proportion
inconnue dans la population P),

x
e
par f
e
(proportion effective sur l'chantillon) et

n
par
f
e
1 f
e
( )
n 1


4. Remarque
Un test bilatral ne peut tre utilis la place dun test unilatral dans la mesure o la recherche
de t

ne se fait pas de la mme faon. Dautre part le test bilatral est un test draconien . Cest
un test de non dpassement dun ct ou de lautre dune norme. On peut imaginer par exemple
la fabrication de pices usines. Les tests unilatraux ne limitent eux que dun seul ct.
-4 -2 2 0
0.2
0.4
rgion
d'acceptation de
H0
rgion de refus
de H0
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
35
C. Test de comparai son de 2 popul ati ons
1. Test de comparaison de 2 moyennes





Population P1 Population P2
Caractres
Etudis
C C
Moyenne
Ecart-type
m
1

1
i
n
c
o
n
n
u
s

m
2

2

i
n
c
o
n
n
u
s

Echantillon e
1
Echantillon e
2

Taille
Moyenne
Ecart-type
n
1
=30

x
e1

e1

c
o
n
n
u
s

n
2
=30

x
e2

e2

c
o
n
n
u
s

Rgle du test de comparaison de 2 moyennes
L'hypothse nulle est : H
0
: "m
1
= m
2
" et l'hypothse alternative est H
1
: "m
1
?m
2
"
On choisit un risque
On cherche dans la table de la loi normale centre rduite N(0;1) t

tel que (t

) = 1- /2
Si

x
e
1
x
e
2

e1
2
n
1
1
+

e2
2
n
2
1
t

; t
[ ]
on accepte H
0
sinon on rejette H
0
et donc on accepte H
1

Si H
0
est accepte, on dit que la diffrence m
1
-m
2
n'est pas significative au risque
2. Rgle de comparaison de deux pourcentages
Population P
1
Population P
2

Caractre tudi
Pourcentage
C
p
1
inconnu
C
p
2
inconnu
Echantillon e1 Echantillon e2
Taille
Pourcentage
n
1
=30
f
1
connu
n
2
=30
f
2
connu
L'hypot hse nulle est H
0
: "p
1
=p
2
" et l'hypothse alternative H
1
: "p
1
? p
2
"
On choisit un risque
On cherche dans la table de la loi normale centre rduite N(0;1) t

tel que (t

) = 1- /2
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
36
Soit

f
n
1
f
1
+ n
2
f
2
n
1
+ n
2
alors si

f
1
f
2
f 1f
( )
1
n
1
+
1
n
2



_
,

t

;t

[ ]
on accepte H
0
sinon on rejette H
0

et on accepte donc H
1
.
Si H
0
est accepte, on dit que p
1
- p
2
n'est pas significative au risque .
D. Test du Khi -Deux
Ce test un peu diffrent des autres vu prcdemment est un test de comparaison de valeurs
pratiques des valeurs thoriques. Pour avoir une bonne ide de lutilisation dun tel test, il faut
penser lexprience suivnate : on teste un d six faces pour savoir sil nest pas pip. Les
valeurs thoriques dapparition de chaque faces sont de
1
6
. On lance ce d un certain nombre de
fois et on va trouver pour chaque face une valeur pratique dapparition de chaque face. Grce au
test du Khi-Deux, on pourra savoir, en prenant un risuqe de premire espce, si oui ou non ce d
est pip ou pas.

On considre une distribution laquelle on associe un ensemble fini de probabilits qui sont, soit
les probabilits dun ensemble fini dvnements lmentaires, soit les probabilits de
regroupements de classes statistiques. Les classes peuvent correspondre des modalits
qualitatives prises par une variable non numriques ou des modalits quantitatives classiques.
Les cas les plus classiques sont :
2 classes de probabilits donnes p et 1-p
k classes quiprobables
k classes dont les probabilits sont donnes priori
n+1 classes associes aux valeurs dune variable binomiale de paramtres n et p
n+1 classes associes aux valeurs dune variable alatoire valeurs entires positives, la
n+1 me regroupant les valeurs suprieures ou gales n
Le but du test est de comparer globalement la distribution observe la distribution thorique. Un
risque derreur est fix dans les conditions habituelles.

On note A1, A2,,Ak les k classes. On dispose, dune part les k probabilits thoriques p
j
,
dautre part dun chantillon de taille n dont on connat les effectifs observs des classes.
Lhypothse H
0
est la conformit de la distribution relle la distribution thorique, et
sexprimera en affirmant, pour chaque classe, lgalit de la probabilit relle avec la probabilit
thorique, soit H
0
= p(A1) = p
1
,,p(Ak) = p
k
.
Lcart entre la distribution relle et la distribution thorique est calcul en faisant intervenir pour
chaque classe deux effectifs : leffectif observ o
j
et leffectif thorique np
j
.
Une reprsentation graphique de la sorte est alors plus pratique :
o
1

np
1

o
j

np
j


Lexcution du test du
2
fait intervenir un paramtre qui est le nombre de degrs de libert ddl
et qui prend une valeur lie au nombre de cases :
dans le cas gnral , ddl = k 1 (nbre de cases moins un)
dans le cas dune loi binomiale, dune loi de Poisson ou dune loi normale ddl = k 2
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
37

Hypothse tester : H
0
= p(A1) = p
1
,,p(Ak) = p
k


Ecart tester :
2
2
1
( )
k
j j
j j
o np
np


Ecart critique :
2
1
est lu dans la table de la loi du
2
, avec le nombre de degrs de libert
indiqu plus haut et le risque souhait (1- est donc le coefficient de confiance).

Rgle : Si
2

2
1
alors H
0
est accept, sinon elle est refuse.

Une restriction demploi est cependant ncessaire : les effectifs thoriques np
j
ne doivent pas
tre plus petits que 5. En cas de difficults, la solution consiste regrouper des classes contigus
pour que ces effectifs thoriques dpassent 5.
En mdecine on utilise un autre test du Khi-Deux, permettant mme avec des trs petits effectifs,
quon ne peut mme par regroupement faire dpasser 5, de conclure. Cest une espce de test du
Khi-Deux biais.
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
38
E. TD LES TESTS STATI STI QUES

Exercice 1:
Un fabriquant de tubes essais pour laboratoire fonde sa publicit sur le fait que la dure de vie
de ses tubes correspond 1500 heures de chauffage laide d'un bec Bunsen. Un laboratoire de
contrle de publicit constate que sur 100 tubes essais, la dure moyenne de vie est de 1485
heures de cha uffage avec un cart-type de 110 heures. Au risque 5%, la dure de vie des tubes
essais est-elle diffrente de 1500 heures de chauffage ?

Exercice 2:
Les moteurs des appareils lectromnagers d'une marque M ont une dure de vie moyenne de
3000 heures avec un cart-type de 150 heures. la suite d'une modification dans la fabrication
des moteurs, le fabriquant affirme que les nouveaux moteurs ont une dure de vie suprieure
celle des anciens. On a test un chantillon de 50 nouveaux moteurs et on a trouv une dure de
vie moyenne de 3250 heures avec un cart-type gal 150 heures. Les nouveaux moteurs
apportent-ils une amlioration dans la dure de vie des appareils lectromnagers au risque de 1%
?

Exercice 3:
Un fabricant affirme qu'au moins 95 % de lquipement qu'il fourni un dpositaire est conforme
au cahier des charges. Lexamen d'un chantillon de 200 pices fournies montre que 18 pices
sont dfectueuses. Que penser de l'affirmation du fabricant au seuil de risque de 5 %?

Exercice 4:
On prlve dans la production d'une machine, un chantillon de 100 tiges mtalliques. La
moyenne des longueurs des tiges de cet chantillon est 100,04 cm avec un cart-type de 0,16 cm.
La machine est rgle en principe pour obtenir des tiges de 100 cm.
1) Au risque de 5 %, peut-on dire que la machine est bien rgle ?
2) Reprendre la question prcdente avec un risque de 1 %.

Exercice 5:
Un chercheur a dcouvert un procd efficace 90 % pour prolonger la dure de vie des ballons
eau chaude. On teste son procd sur 200 ballons. On constate qu'il est efficace pour 160 dentre
eux. Laffirmation du chercheur est-elle lgitime au risque de 5% ?

Exercice 6:
Un laboratoire annonce que l'un de ses mdicaments est efficace 95 %. Sur un chantillon de
400 personnes le traitement s'est rvl efficace sur 355 d'entre elles. Quel risque faut-il accepter
si l'on considre que l'affirmation du laboratoire est lgitime ?

Exercice 7:
L'exprience suivante a t ralis par Weldon : il a lanc un d 315 672 fois, il a tir 106 602
fois l'une des faces 5 ou 6 Peut-on accepter l'hypothse selon laquelle le ds est quilibr, au
risque de 5% ?

Cours de statistiques dIUT
Jean-Michel BERNABOTTO
39

Exercice 8:
Dans une grande ville d'un pays donn, une enqute a t ralise sur les dpenses mensuelles
pour les loisirs. On a observ les rsultats suivants:

Sur 300 familles habitant le centre-ville, les dpenses mensuelles pour les loisirs sont en
moyenne de 610 F avec un cart-type de 100 F.

Sur 280 familles habitant la banlieue, les dpenses mensuelles pour les loisirs sont en moyenne
de 640 F avec un cart -type de 120 F.

Peut-on dire au risque de 5 % que la part du budget familial consacr aux loisirs est diffrente
suivant que la famille habite le centre-ville ou la banlieue ?

Exercice 9:
Une machine fabrique des pices identiques. La moyenne des poids de 50 pices prleves dans
la production est 68,2 grammes avec un cart-type de 2,5 grammes
On effectue un rglage sur la machine. On prlve un nouvel chantillon de 50 pices. On trouve
un poids moyen de 67, 5 grammes avec un cart-type de 2, 8 grammes. Peur-on affirmer, au
risque 5 % que le rglage a modifi le poids des pices ?

Exercice 10:
Pour une lection, on effectue un sondage pour valuer les intentions de vote en faveur du
candidat Tartempion. Dans la vil le de Triffouillis-les-oies, sur 450 personnes interroges, 52%
ont l'intention de voter pour Tartempion. Dans la ville de Petahouchnock, sur 300 personnes
interroges, 49 % ont l'intention de voter pour Tartempion. Au risque de 5%, y a-t-il une
diffrence d'intention de vote dans ces deux villes ?

Exercice 11:
Dans une population, soit p
1
, la proportion d'hommes possdant le baccalaurat et p
2
la
proportion de femmes possdant le baccalaurat. Le tableau suivant correspond la rpartition de
200 individus choisis au hasard dans cette population.

hommes femmes
possdent le bac 32 26
ne possdent pas le bac 64 78

Peut-on affirmer au risque 0,05, que p
1
et p
2
sont significativement diffrents ?

Exercice 12 : on considre un prisme dont les bases sont deux triangles quilatraux et constitu
dune matire parfaitement homogne. On dsigne par A
i
, les trois faces latrales et par B
i
les 2
bases. On lance le prisme 500 fois et on constate que le prisme est tomb :

Faces A1 A2 A3 B1 B2
Nombre dapparitions : 111 113 118 81 77
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
40
Tester lhypothse selon laquelle les 3 faces latrales et les deux bases ont la mme probabilit
1/5.

Exercice 13 :
Une variable alatoire X ne peut prendre que les valeurs 0, 1, 2, 3, 4. On veut tester lhypothse
selon laquelle X suit une loi binomiale
1
4;
3
B



. On fait pour cela 324 preuves indpendantes de
X qui conduisent aux rsultats suivants :

Valeurs i 0 1 2 3 4
Nombre de fois o X prend la valeur i 67 122 94 28 13

Quelles conclusions peut-on mettre ?


Exercice 14 :
Dans une PME, durant les 60 derniers jours ouvrables, on a relev chaque jour le nombre de
salaris en arrt de travail et consign les rsultats dans le tableau suivant :

x
i
nombre de salaris en arrt de travail 0 1 2 3 4 5 6 7 8 9
ni nombre de jours dobservation 9 9 8 11 8 6 5 3 0 1

Peut on dire au risque de 5% que le nombre de jours darrt de travail suit une loi de Poisson ?

Exercice 15 :
Les tailles de 1000 tiges exprimes en cm ont t releves dans le tableau suivant :

Taille 3,3 3,4 3,5 3,6 3,7 3,8 3,9 4 4,1 4,2 4,3 4,4 4,5 4,6 4,7 4,8
Effectif 2 1 2 4 10 22 60 148 235 207 160 92 41 11 2 3

Tester lhypothse selon laquelle la taille des tiges suit une loi normale, dont on cherchera au
pralables les paramtres. (risque 5%).

Exercice 16 :
Les mesures de tension de rupture de 300 fils de Kevlar ont conduit aux rsultats suivants :
Taille [0,5 ;0,64[ [0,64 ;0,78[ [0,78 ;0,92[ [0,92 ;1,06[ [1,06 ;1,20[ [1,20 ;1,34[
Effectif 1 2 9 25 37 53
Taille [1,34 ;1,48[ [1,48 ;1,62[ [1,62 ;1,76[ [1,76 ;1,90[ [1,90 ;2,04[ [2,04 ;2,18]
Effectif 56 53 25 19 16 4

Tester lhypothse selon laquelle la tension de rupture suit une loi normale, dont on cherchera au
pralables les paramtres, au risque de 5%.



Cours de statistiques dIUT
Jean-Michel BERNABOTTO
41

Chapitre 1 LES STATI STI QUES DESCRI PTI VES...............................................................1
A. Statistiques a une variable .................................................................................................... 1
1. Vocabulaire de la statistique......................................................................................................................................1
2. Les variables discrtes................................................................................................................................................1
3. Les variables continues...............................................................................................................................................2
B. Statistiques a deux variables ................................................................................................. 2
1. Tableau de donnes. Nuage de points......................................................................................................................2
C. Ajustement affine.................................................................................................................. 3
1. Mthode graphique......................................................................................................................................................3
2. Ajustement affine par la mthode des moindres carrs ........................................................................................4
3. Coefficient de corrlation...........................................................................................................................................4
D. TD STATISTIQUES A UNE ET DEUX VARIABLES......................................................... 6
Chapitre 2 PROBABILITES ET ANALYSE COMBINATOIRE ...........................................7
A. Notion dexprience alatoire................................................................................................ 7
1. Dfinition ......................................................................................................................................................................7
2. Remarque......................................................................................................................................................................7
B. Vocabulaire des vnements ................................................................................................. 7
1. Dfinition ......................................................................................................................................................................7
2. Composition dvnements........................................................................................................................................7
C. Axiomatique du calcul des probabilits................................................................................. 8
1. Axiomes du calcul des probabilits..........................................................................................................................8
2. Consquences...............................................................................................................................................................8
3. Cas particulier important : lquiprobabilit...........................................................................................................8
D. Probabilit conditionnelle ..................................................................................................... 8
1. Dfinition ......................................................................................................................................................................8
2. Proprits ......................................................................................................................................................................8
3. Exemple.........................................................................................................................................................................8
E. Evnements indpendants ..................................................................................................... 9
1. Dfinition ......................................................................................................................................................................9
2. Remarque......................................................................................................................................................................9
F. Elments danalyse combinatoire.......................................................................................... 9
1. Les p-listes....................................................................................................................................................................9
2. Les suites de p lments distincts .............................................................................................................................9
3. Nombre de parties p lments dun ensemble n lments (p=n)................................................................. 10
4. Proprits des arrangements et combinaisons ...................................................................................................... 10
5. Triangle de Pascal - binme de Newton : .............................................................................................................. 10
6. Remarque.................................................................................................................................................................... 11
G. TD LES PROBABILITS .................................................................................................. 12
Chapitre 3 LES VARIABLES ALATOIRES.......................................................................14
A. Variables alatoires discrtes sur un univers fini ................................................................ 14
1. Convention dcriture ............................................................................................................................................... 14
2. Loi de probabilit ...................................................................................................................................................... 14
3. Fonction de rpartition.............................................................................................................................................. 14
4. Valeurs caractristiques dune variable alatoire valeurs discrtes............................................................... 14
5. Exemple....................................................................................................................................................................... 15
Cours de statistiques dIUT
Jean-Michel BERNABOTTO
42
6. Loi binomiale ............................................................................................................................................................. 16
B. Variables alatoires dnombrables sur un univers infini..................................................... 16
1. Loi de Poisson............................................................................................................................................................ 16
C. Variables al atoires continues............................................................................................. 16
1. Dfinition .................................................................................................................................................................... 16
2. Fonction densit de probabilit ............................................................................................................................... 16
3. Valeurs caractristiques............................................................................................................................................ 17
D. La loi normale ou loi de Laplace-Gauss .............................................................................. 17
1. Dfinition .................................................................................................................................................................... 17
2. La loi normale centre rduite................................................................................................................................. 17
3. Carte de contrle ........................................................................................................................................................ 18
4. Approximation des lois ............................................................................................................................................. 19
E. Dautres exemples de lois continues................................ ................................ .................... 19
F. TD Les Variables alatoires ................................................................................................ 20
Chapitre 4 ECHANTILLONNAGE ........................................................................................22
A. Le problme de lchantillonnage ....................................................................................... 22
B. Distribution dchantillonnage des moyennes..................................................................... 22
C. Distribution dchantillonnage des pourcentages................................................................ 22
D. TD ECHANTILLONNAGE ............................................................................................... 23
Chapitre 5 ESTI MATI ON.......................................................................................................25
A. Introduction........................................................................................................................ 25
B. Estimation ponctuelle ......................................................................................................... 25
1. Moyenne...................................................................................................................................................................... 25
2. Proportion ................................................................................................................................................................... 25
3. Variance. Ecart-type.................................................................................................................................................. 25
C. Estimation par intervalle de confiance................................................................................ 25
1. De la moyenne ........................................................................................................................................................... 25
2. De la proportion......................................................................................................................................................... 27
3. Exemples ..................................................................................................................................................................... 27
D. TD ESTIMATIONS PONCTUELLES ET PAR INTERVALLE DE CONFIANCE........... 29
Chapitre 6 TESTS STATI STI QUES......................................................................................31
A. Principe des tests................................................................................................................. 31
B. Test de comparaison une valeur standard........................................................................ 31
1. Position de problme................................................................................................................................................. 31
2. Tests relatifs une moyenne ................................................................................................................................... 31
3. Tests relatifs un frquence ou un pourcentage.................................................................................................. 34
4. Remarque.................................................................................................................................................................... 34
C. Test de comparaison de 2 populations................................................................................. 35
1. Test de comparaison de 2 moyennes...................................................................................................................... 35
2. Rgle de comparaison de deux pourcentages ....................................................................................................... 35
D. Test du Khi-Deux................................................................................................................ 36
E. TD LES TESTS STATISTIQUES....................................................................................... 38

Cours de statistiques dIUT
Jean-Michel BERNABOTTO
43