Vous êtes sur la page 1sur 62

COURS DE STATISTIQUE

INFRENTIELLE
E.N.A.C
Franoise SEYTE
Matre de Confrence
Universit Montpellier 1

2014 - 2015

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

OBJECTIFS DU COURS

Le cours a pour objectif d'acqurir et de matriser les outils de


la statistique mathmatique ncessaires la construction
d'intervalles de confiance et de tests indispensables la prise
de dcision pour un futur ingnieur.

2
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

OBJECTIFS DU COURS
Le cours de statistique probabiliste donne les bases
ncessaires pour savoir prendre des dcisions utiles
dans le futur mtier d'ingnieur.
Il essaie de rpondre aux questions suivantes :
comment sont construits les chantillons?
Comment dterminer leurs tailles?
Les chantillons sont ils reprsentatifs de la population?
Peut-on comparer par exemple les moyennes de ces deux
chantillons?
Peut-on faire des prvisions?
Autant de questions auxquelles doivent savoir rpondre un
futur ingnieur.

3
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

PROGRAMME
1 - Construction thorique des lois statistiques et lecture
des tables statistiques
2 - Echantillonnage
3 - Estimation ponctuelle
4 - Estimation par intervalles de confiance
5 - Tests non paramtriques (test d'adquation et test
d'indpendance) et paramtriques (tests de signification
d'un paramtre et tests de comparaison de paramtres)

4
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

CHAPITRE 1
ECHANTILLONNAGE

Les
lois
dchantillonnage
et
les
variables
dchantillonnage dfinies dans ce chapitre vont nous
servir dans les chapitres 3 et 5 pour tablir les intervalles
de confiance (cest dire encadrer les paramtres
inconnus dune population : moyenne, variance,
proportion) et faire des tests dhypothse (cest--dire
tester les paramtres dune population partir des
donnes dchantillonnage).

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

Notion de base en statistique : celle de population


Population : ensemble dindividus (ou objets ou units
statistiques) pouvant tre dcrits par un ensemble de variables
(ou proprits ou caractristiques) communes.
Impossible dtudier tous les individus dune population
un sondage

un chantillon reprsentatif.

La thorie de lchantillonnage permet de passer des


caractristiques de la population aux caractristiques dun
chantillon reprsentatif
6
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

La question essentielle que lon peut se poser est la


suivante :
Pourquoi sintresser lchantillon, pourquoi ne pas
effectuer les calculs ncessaires directement sur la
population ?

Pour deux raisons au moins :


il nest pas certain que les statistiques dsires soient
disponibles sur lensemble de la population,

et dautre part, il est beaucoup moins coteux et aussi plus


rapide de rassembler des informations sur mille individus
plutt que sur un million.
7
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

1. DFINITIONS
1.1 Echantillons?
Soit X, une variable alatoire dfinie dans une
population :
Caractrise par sa densit de probabilit f(x), dans
le cas dune variable alatoire continue,
ou par sa probabilit lmentaire p(x), dans le cas
dune variable alatoire discrte.

8
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

chantillon thorique alatoire probabilis

chantillon empirique ou observ

9
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

Echantillon thorique alatoire probabilis :


Echantillon de taille n issu de X, ou n-chantillon de X, le
vecteur alatoire X 1 , X 2 ,...X i , X n o X i X i et X i , X j
indpendants i j .
Lchantillon est dit IID c'est--dire identiquement
indpendamment distribu.

10
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

Echantillon empirique ou observ :


L ensemble des n valeurs images indpendantes de X est
constitu des n images de lpreuve associe X
indpendantes

x1, x 2 ,, x n

11
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

La dernire prcision que nous devons apporter avant


daborder les variables dchantillonnage est de bien
comprendre que les chantillons ne sont pas uniques :
il est en effet possible de prendre plusieurs chantillons de la
population mre.
Par consquent, il est toujours possible de considrer que les
chantillons sont choisis de manire alatoire.

12
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

1. 2. Vraisemblance dun chantillon


Lx1,, x n
variable alatoire discrte caractrise par : ; p( x)

X:
son ensemble de dfinition
p(x) probabilits lmentaires

Lx1,, x n p( x1)p( x n )

X : variable alatoire continue caractrise par ; f ( x)


son ensemble de dfinition f(x) densit de probabilit
Lx1,, x n f ( x1 )f ( x n )
13
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

SYNTHESE
Caractristiques
de la population

La moyenne :
La variance :

Caractristiques
correspondantes
dans lchantillon
empirique

m
2

V[ X]

La proportion
X

Caractristiques
correspondantes
dans lchantillon
thorique

S2

1
Xi
n

S2

ou
F

S 2

s ou
f

1
( X i X )2

X
n

m EX xpx

m EX xfx dx

cas continu

2 V[ X] EX E( X)2

cas discret

x m

f ( x )dx

2 V[ X] EX E( X)2

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

x m2 px

14

les chantillons ne sont pas uniques : il est en effet possible


de prendre plusieurs chantillons de la population mre.
Par consquent, il est toujours possible de considrer que les
chantillons sont choisis de manire alatoire.
Ainsi, thoriquement on peut associer chaque chantillon
une statistique comme la moyenne x et une probabilit
doccurrence associe x .
La moyenne de lchantillon est donc une variable alatoire
que lon notera X , celle-ci rassemble toutes les valeurs prises
par lensemble des x mesures sur chaque chantillon.
Il en va de mme pour lcart-type S, la variance S, la
proportion F, la caractristique de lindividu i,
15
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

2 . VARIABLES DCHANTILLONNAGE
Objectifs : calculer pour chacune des variables dchantillonnage
prcdentes leurs esprance et variance qui serviront dans la
dtermination de leurs lois de probabilits.

2.1. Etude de
Ex : un chef dentreprise sintresse au diamtre moyen des
pices mtalliques quil fabrique
La population : ici : les pices mtalliques
La variable alatoire X : diamtre des pices
Il prlve un chantillon de n pices. Il mesure le diamtre de
ces pices. Il peut calculer le diamtre moyen de ces pices.
Cest une statistique x
Par contre la variable alatoire X : diamtre moyen des
pices . celle-ci rassemble toutes les valeurs prises par
lensemble des x mesures sur chaque chantillon.
16
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

1 n
X
X i moyenne de lchantillon thorique
n i 1

Les X i sont des variables alatoires X est une variable


alatoire.
Calcul de lesprance de la moyenne de lchantillon thorique
1 n
1 n
E X E
Xi
EXi
n
n
i 1
i 1

EXi EX m

(Xi X )

1 n
E X m
n i 1

EX m

Calcul de sa variance
V X

1 n
1 n
1

V X i V X n .
n i 1
n i 1
n
n

ind

V X
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

2
n

17

2.2. ETUDE DE S
Les X i sont des variables alatoires, donc S est une
variable alatoire.
n
1
2
2
S Xi X
n i1
n 1 2
2
E S

On recherche

S 2

tel que

estimateur sans biais de

2
2

E[S ]

(Cf. chapitre 2).

Xi X
n 2
n 1
2

X i X
S
S

n 1
n 1 n
n 1

18
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

2.3 ETUDE DE LA PROPORTION DCHANTILLON F


Soit Y une variable alatoire dfinie dans une population.
Y prsente deux modalits : vnement A vnement A
La variable alatoire Y est donc associe au tirage dun
individu. Y est une variable de Bernoulli.
Maintenant, soit la variable X associe au tirage de n individus
de manire indpendante (cest--dire au nombre de fois o A
n
se produit). X Yi
X B(n, p)
i 1

Considrons F la proportion dans lchantillon thorique issu


de la population. F X obit elle aussi une loi binomiale :
n

np
X 1
EF E EX
p
n
n
n

EF p

1
npq pq
X
VF V
VX

2
2
n
n
n
n

pq
VF
n

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

19

POPULATION :

Moyenne : m= E[X]
Ecart-type :
Variance : =V[X]
Proportion : p

ECHANTILLON :
Moyenne :

x [X ]

Ecart-type (empirique) : s [ S ]
Variance (empirique) : s

[ S ]

Proportion : f [ F ]
Taille : n
Caractristique de lindividu i : xi [Xi]
20
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

3 . LOIS DE PROBABILITS DES VARIABLES


DCHANTILLONNAGE FONDES SUR LHYPOTHSE DE
NORMALIT : CAS DUN CHANTILLON TIR DUNE
POPULATION NORMALE.
3.1 Loi de

Quelle est lutilit de cette loi?

Prenons un ex

Une tude statistique effectue lArena de Montpellier montre que laffluence des
spectateurs est une variable alatoire X qui suit une loi normale de moyenne
13500.

Si on choisit alatoirement un chantillon de 50 spectacles sur ces vingt dernires


annes, quelle est la probabilit pour que laffluence moyenne soit strictement
suprieure 13500 spectateurs sachant que lcart-type de la population slve
1000 ?
21
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

La variable alatoire X : Affluence hebdomadaire des


spectateurs . Il est indiqu dans lnonc que X suit une loi
normale de moyenne m = 13500 et dcart-type = 1000 :

Epreuve alatoire : Choisir un chantillon au hasard de 50


spectacles .
Ensuite, essayons de bien distinguer les informations relatives
lchantillon de celles issues de la population :
Taille de lchantillon : n = 50

22
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

La question pose dans lnonc est relative


laffluence moyenne dans lchantillon . Il faut donc
dfinir une nouvelle variable alatoire :
La variable alatoire : Affluence moyenne des
spectateurs dans lchantillon .
La question est prcisment quelle est la probabilit
. Pour mesurer une probabilit, il nous faut connatre la
loi suivie par la variable alatoire qui nous intresse. Nous
devons donc dterminer
.
X la loi suivie par

X
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

23

3 . LOIS DE PROBABILITS DES VARIABLES


DCHANTILLONNAGE FONDES SUR LHYPOTHSE
DE NORMALIT : CAS DUN CHANTILLON TIR
DUNE POPULATION NORMALE.
3.1 Loi de
Hyp :

X Nm,
Rappels sur la loi normale
24
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

RAPPEL LOI NORMALE


La variable alatoire normale X est une variable continue
pouvant prendre nimporte quelle valeur entre et avec la
2
densit de probabilit :
1 x m

1
2
f x
e
2

avec : m

lesprance mathmatique
lcart-type de la distribution.
La variable normale centre rduite :
f u

u2

e 2

avec

X Nm,

Xm

U N0,1

2
Toutes les tables statistiques utilisent la variable normale
centre rduite
25
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

Table de la densit de probabilit


Cette table donne la densit de probabilit f(u) correspondant
aux valeurs de la variable normale centre rduite.
En raison de la symtrie de la courbe de densit, la table permet
de dterminer les densits correspondantes des valeurs
ngatives de u : f(-u)=f(u)
Ex
pour f(-2,8)=0,0079=f(2,8)

26
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

Le changement de variable permet de dterminer laide


de la table, la densit de probabilit correspondant une
valeur quelconque de la variable normale X de moyenne m
et dcart type .
Il existe donc entre les densits de probabilit de x et de u la
relation :
f (u)
f ( x)

Ex :

X N (5,2)

la densit de probabilit pour x=8 ?

x m 85

1,5
U N 0,1

2
0,1295
u 1,5 f (u) 0,1295 f ( x )
0,06475
La lecture de la table donne
2
27

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

Table de la fonction de rpartition


Cette table donne, pour toute valeur positive u0 de la
variable normale centre rduite, la valeur
correspondante de la fonction de rpartition F(u0)
reprsente par laire hachure.

f(u)

F (u0 ) Pr obu u0

u0

F(u0)

1
e
2

t2
2

dt

u0

Pr obU u0 1 Pr obU u0 1 F(u0 )


28
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

Supposons que X Nm,


Dterminons la probabilit pour que X soit compris entre deux valeurs a et b :
X m
a m X m b m
U

N (0 ,1)
Pr oba X b Pr ob

b m
a m
Pr oba X b Pr ob
U


b m
a m
F
F

Exemple :
Soit X une variable normale de moyenne 5 et dcart type 2 : X N5, 2
Calculer la probabilit pour que X soit compris entre 1 et 7.
1 5 X 5 7 5
Pr ob1 X 7 Pr ob

2
2
2
Pr ob 2 U 1
F(1) F( 2) F(1) 1 F( 2) F(1) 1 F( 2)
0.8413 1 0,9772 0,8185
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

29

Table de la loi normale centre rduite


Cette table permet de trouver la valeur dune variable normale
en fonction de la probabilit P de dpassement ou de la
probabilit Q complmentaire (Q=1-P). C'est--dire que dans ce
cas, Fu 0 est connue et on cherche dterminer u 0
f(u)
Q

u0

P Pr obU u 0

Q Pr obU u 0 Fu 0

Si F u 0 > 0,5 alors on lira directement dans la table la valeur de


u0.
Si Fu 0 < 0,5 alors on lira dans la table la valeur de -u0.
30
MCU F. Seyte, Universit Montpellier 1- EM Als - Statistique 1A

Exemple : On cherche u 0 tel que Pr obU u0 0,75 P


f(u)
Q

P
75%

u0

1 Pr obU u 0 0,75
Pr obU u 0 0,25
Fu 0 0,25

Fu 0 0,5

on lira donc -u0


La lecture de la table donne 0,6745 donc

u0 0,6745
31

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

Soit u0 la valeur telle que

Pr obu u0 5%

f(u)

P
95%

Pr obu u 0 5%

5%

u0

1 Pr obU u 0 0,05
Pr obU u 0 0,95

Fu 0 0,95

u 0 u.95

u.95 remplace la valeur de la variable centre rduite ayant


comme fonction de rpartition 95% et/ou ayant comme
probabilit de dpassement 5%

On lit cette valeur dans la table P 5%

Q 95%

u.95 1,6449
32

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

CONDITIONS DAPPLICATION
1) Somme de variables normales indpendantes

X1 Nm1, 1

2
2
X1 X 2 N m1 m 2 , 1 2
X 2 Nm 2 , 2

Ce rsultat stend un nombre quelconque de variables normales


indpendantes.
2) Le thorme central limite
si les variables suivent des lois de mme nature de moyenne m et
dcart type , si lesX i sont indpendants
* Xi est asymptotiquement normale de moyenne mn et dcart
Nnm, n
type n
1
1

Xi
n

E
X

E
X

nm m
i

n
n

X
2
2
i Nm, n
X
V X 1 V X n
i n2 n
n

n2
3) Approximation de la loi binomiale par la loi normale

X Bn, p N np, npq


L

n 50

np 18

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

33

Loi de X
Daprs le thorme central limite:

X N

EX m

V X

2
n

X N m;

34
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

SUITE EX DIAPO 22
X ~ N (m, ) N (13500 ; 1000)

X ~ N m;

X ~ N 13500 ; 1000 / 50

X m
U
~ N (0 ; 1)
n

X 13500
1000 50

X m 13500 13500
P( U 0) 1 FU (0) 0,5.
P( X 13500 ) P

1000 50
n

Il y a donc une probabilit de 50% que laffluence moyenne dans


lchantillon soit suprieure 13500 personnes.
35
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

3.2 LOI DE LA VARIANCE S


Quelle est lutilit de cette loi? Prenons un ex
La politique de cohsion sociale dun pays a, selon le
gouvernement en place, besoin de tenir compte des
ingalits de revenu entre les salaris du secteur priv. Afin
dy parvenir, le gouvernement prlve un chantillon de 30
salaris du secteur priv, la moyenne tant de 1700 et la
variance empirique de 1000 (la variance de la population
tant de 1517.47). Le gouvernement dcidera de rehausser
les bas salaires de 5% si la probabilit que la variance
empirique dpassant 1000 est au moins de 20%. Le
gouvernement interviendra-t-il en faveur des bas salaires ?
Afin de rsoudre le problme, traduisons la question pose
36
en langage statistique : PS 1000 ?
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

Loi de la variance S
Thorme de Fisher
Soit un chantillon IID issu de la loi Normale de moyenne m et
dcart type (note : N(m,)), alors :
S 2
les grandeurs alatoires n 1 2 et X m sont indpendantes.

n 1

2
S
2

2 (n 1)

2
ou nS 2 (n 1)
2

nS 2

car S 2 n S 2
n 1

2 (n 1)

37
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

LOI DU KHI DEUX 2


1) Dfinition

Loi du un degr de libert


X U2
f (x)

X 2 (1)
1
2

x
2

2 1

X 0,

U N0,1

2 n
Loi du n degrs de libert :
Soient Ui N0,1 avec i=1, n les Ui sont indpendantes
2

Ui2 U12 U22 U32 ... Un2 2 (n)

X 2 (n)

X 0,

a e t t a 1 dt

pour a >0

f (x)

n 1 n!

1
n

x
2

n
1
2
x

2 2 n

1

2
38

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

E( X) n

f 2

n=2

V( x ) 2n

n=4

n=15

La distribution du

2est dissymtrique avec talement vers la droite

Elle se rapproche de la distribution normale laquelle elle peut tre assimile


lorsque n>30

39
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

2 )TABLE STATISTIQUE
La distribution du 2 ne dpendant que dun seul paramtre
n, le nombre de degrs de libert, la table est double entre.
Elle donne pour n 30 , la valeur de 2 ayant la probabilit P
dtre dpasse. f
2

P
1-P

2 n
2
0

02 est tel que P Pr ob 2 n 02

02 12 p n
40

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

3) LECTURES DANS LA TABLE


f 2

.295 20 31.41

5%
95%

.295 20

2 n

f 2

.202515 6.26

2.5%
97.5%

.202515

2 n

lorsque n>30 on admet que :


2 2 2n 1 N0,1
2
.95 2* DDL-1 )/2 (1.6449
.95

50 (u

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

2*50-1 ) / 2 67.22
41

4) SOMME DE VARIABLES DE
Thorme dadditivit de

X1

X2

2 n1

INDPENDANTES

indpendants

X1 et X 2 indpendantes

2 n 2

X 1 X 2 n1 n2
2

Xi 2 (ni )

Xi

indpendantes

X i n1 n 2 ... ni ... nn
ni

i 1
i 1
n

42
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

SUITE EX DIAPO 36
nS 30 1000
PS 1000 P

PK 19.77 .
1517.45

2
Dans la table du la ligne v = 29, on constate que le
fractile 19.77 correspond une probabilit de 0,9. Do :

PS 1000 0,9 .
Le gouvernement interviendra en faveur des bas salaires si
cette probabilit dpasse 20%, ce qui est le cas.
43
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

3.3 LOI DE

INDPENDANTE DE
DE LA POPULATION)

(DE LA VARIANCE

Quelle est lutilit de cette loi? Prenons un ex


A la suite dune tude statistique effectue par le CROUS sur
ces 15 dernires annes, on estime que laffluence
hebdomadaire des tudiants au restaurant universitaire est
une variable alatoire que nous noterons X qui suit une loi
normale de moyenne 2000. On choisit alatoirement un
chantillon de 52 semaines sur ces 15 dernires annes.
Lcart-type de laffluence hebdomadaire mesure sur
lchantillon est de 500. Quelle est la probabilit pour que
laffluence moyenne hebdomadaire soit strictement
suprieure 2050 tudiants ?

44
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

La variable alatoire X : Affluence hebdomadaire des


tudiants au restaurant universitaire
X ~ N (m, ) N (2000 ; )

X Affluence hebdomadaire moyenne des tudiants au


restaurant universitaire issus de lchantillon
X ~ N (m; / n )

Lpreuve alatoire : Choisir un chantillon au hasard de 52


semaines

45
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

Distinguons les informations relatives lchantillon de celles issues


de la population :
Taille de lchantillon : n = 52
Ecart-type de lchantillon : s = 500. Notons quil sagit bien de s et
non de S puisque nous prenons la mesure de lcart-type sur un
chantillon particulier.
Lcart-type de la population : inconnu
X m 2050 2000

P( X 2050) P

52
n

La technique consiste faire disparatre , on lappellera


technique de Studentisation .
46
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

X1 Xi Xn
Xi N(m; )

un chantillon IID

X N m;
n

Ici INCONNU

studentisation

La loi de Student est le rapport entre une variable


alatoire obissant une loi normale centre rduite et
la racine carre dune variable alatoire suivant une loi
de 2 rapport son degr
47
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

LOI DE STUDENT
1)DFINITION
2 variables alatoires X et Y indpendantes
Y 2 n

X N0,1
Tn

Tn

X
Y

N0,1
2 n
n

si n alors Tn N0,1
En pratique, lorsque n > 30
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

48

2 )TABLE STATISTIQUE
donne la probabilit P dtre dpasse en valeur absolue
f(t)

P/2

P/2
1-P

-t0

t0

P Pr ob T t 0 Pr obT t 0 et Pr obT t 0

Notation : t0 =t1-p/2

-t0 = tp/2 = - t1-p/2

49
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

3 )LECTURES DANS LA TABLE


f(t)

5%

5%
1-P=90%

-t0= t.05

t0=t.95

n 20
t 0 1.725
p 10%

2me exemple

t(20)

T.90(20) 1.725
IBS

T.80(10) 1.372
IBS
50

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

POUR TROUVER LA LOI DE X INDPENDANTE DE

T ( n)

X N m;

N (0,1)

2 ( n)
n

nS 2

2 (n 1)

Xm

nS 2

Xm

n 1

T(n 1)

2 (n 1)

51
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

SUITE EX DIAPO 44
X m

2050 2000
2050 2000
P T

P( X 2050) P

500 51
500 51
S n 1

P(T 0,71) 1 FT (0,71)


Convergence :

T N (0;1)

do FT = FU. On obtient :

P(T(51) 0,71) 1 FT (0.71) 1 FU (0,71) 1 0,7611 0,2389.

Il y a donc une probabilit de 23.89% que laffluence moyenne


dans lchantillon soit suprieure 2050 personnes.

52
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

3.4 LOI DE F
Quelle est lutilit de cette loi? Prenons un ex
Deux usines A et B fabriquent des avions de mme marque.
Lusine A produit 4% davions ayant des problmes la premire
anne. Une compagnie reoit 600 avions en provenance de A.
Quelle est la probabilit pour que la compagnie trouve moins
de 1% davions dfectueux ?

53
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

Soit X la variable alatoire : Nombre davions dfectueux en


provenance de lusine A
Epreuves alatoires : Choisir un avion au hasard dans
lchantillon nA ,
F : lavion provenant de A est dfectueux avec pA = 4%.
F lavion provenant de A nest pas dfectueux avec qA =
96%.
XA ~ B(n A , pA)
XA() = {0,1,2,, 600} et nA = 600
Convergence : La loi binomiale converge vers la loi
normale (les deux conditions nApA > 18 et nA > 50 Do :
C

XA N nA p A ; nA p A q A

XA N 24 ; 4,8
C

P(FA 0,01) ?
54
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

LOI DE F

X B(n, p)
Supposons n ( en pratique n > 50) et np > 18.
L

X B(n, p) N np, npq

Soit

X
F
n

F converge alors vers une loi normale. On a montr dans le


pq

V
F

paragraphe 2.3 (diapo 19) que EF p et


.
n

F N p,

pq

MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

55

SUITE EX DIAPO 54

p
q
X
A
A
A

~ N pA ;
FA

nA
nA

FA

XA ~ N 0,04 ; 0,008
nA

FA pA 0,01 0,04
P(FA 0,01) P

PU 3,75
0,008
pA qA

nA

1 PU 3,75 1 FU(3,75) 1 0,99991 0.

56
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

4 LOIS DE PROBABILIT DE VARIABLES DCHANTILLONNAGE


PARTIR DE DEUX CHANTILLONS TIRS DANS DEUX
POPULATIONS NORMALES.

Soient deux populations dans lesquelles nous dfinissons


deux variables alatoires X1 et X 2 .
Dans ces deux populations, nous prlevons deux
chantillons IID de taille respective n1 et n2.
HYPS :

X1 N(m1, 1)
X 2 N(m2 , 2 )
57
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

4.1 LOI DE LA DIFFRENCE DES MOYENNES


2
2

DCHANTILLONS LORSQUE 1 ET 2 SONT CONNUS


Quelle est lutilit de cette loi? Prenons un ex
Les mcaniciens dune compagnie A ont un revenu moyen de
2500 euros avec un cart-type de 1100 euros. La compagnie B
enregistre un revenu moyen de 3200 euros avec un cart-type
de 1000 euros. Les revenus sont indpendants et
identiquement distribus.
Dterminez la probabilit pour que le revenu moyen dun
chantillon de 62 personnes choisies de manire alatoire
dans la compagnie A soit infrieur dau moins 900 euros
celui dun chantillon de mme effectif tir au hasard dans la
compagnie B.
58
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

Xi la variable alatoire : Revenu des mcaniciens de la


compagnie i , i {A,B}
Epreuves alatoires : Choisir un salari au hasard dans
lchantillon ni = 62 de la compagnie i , i {A,B}. Les deux
chantillons sont de mme taille nA = nB = 62.
Loi de probabilit : celle-ci nest pas fournie mais la condition
spcifie dans lnonc revenus indpendants et
identiquement distribus permet lutilisation du thorme
de la limite centrale. On considre pour cela que des
chantillons de taille 62 permettent de garantir une condition
ncessaire du thorme : n . On en dduit alors sous
hypothse de revenus indpendants et identiquement
distribus que : X i ~ mi ; i
i{A,B}
59
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

X B ~ N 3200 ; 1000.

X A ~ N 2500 ; 1100

: Revenu moyen des mcaniciens de lchantillon


prlev dans la compagnie i , i {A,B}

Xi

P X B X A 900 ?
XA ~ N (mA ; A / nA )

XB ~ N (mB ; B / nB )

XB XA ~ ?

60
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

LOI DE
n

1
X1
n1

1
X2
n2

1i

i1

X
i1

2i

X1 X 2

X1 N m1 ,
n1

avec X1 et X2 indpendantes

X 2 N m 2 ,
n 2

Daprs le thorme central limite :


2
2

X 1 X 2 N m1 m2 ; 1 2

n
n
1
2

61
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique

SUITE EX DIAPO 59

XB XA mB mA 900 700
P X B X A 900 P

2
2
188,8
A B

n
n
A
B

PU 1,06 1 FU (1,06) 1 0,8554 0,1466.

La probabilit pour que le revenu moyen dans lchantillon A


soit infrieur dau moins 900 de celui de lchantillon B est de
14,66%.

62
MCU F. Seyte, Universit Montpellier 1- ENAC- Statistique