Académique Documents
Professionnel Documents
Culture Documents
STATISTIQUE
2016-17/SVI
1. Notions fondamentales
Sturges suggère
10
1 logn
3
0 1 0 2 0
0 1 2 0 0
1 0 1 3 0
1 2 1 0 0
1 6 6/20
2 3 3/20
3 1 1/20
n = 20 F=1
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
3. Caractères de position et de dispersion
x1 ⋯ x n
x
n
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Exemple: Mesure du taux de plomb dans l’air
x 1.538
n1 m1 ⋯ n p m p
x
n
y ax b
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
3.1. 2 Moyenne harmonique
n
H n
1
i 1 xi
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
3.1.3 Moyenne géométrique
G x1.x2 ....xn
1
n
2 20
M 0 12
20 14
Minimum Maximum
Midrange
2
1.10 5.40
Midrange 3.25
2
n i 1 n i 1
S est appelé écart-type empirique
1 p
2 2
S ni mi n x
2
n i 1
S aS b
2
y
2
x
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Le coefficient de variation :
xmax xmin
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
3.2.3 Intervalle interquartile
M x n 1
2
Cas 2 : n est paire:
x n / 2 x1 n / 2
M
2
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Quartiles
mi 8 12 16 20 30 40 60
fréquences
cumulées 7 12.3 21.1 48.1 81.7 94.7 100
Croissantes
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
25 21.1
Q1 16 4 16.57
48.1 21.1
50 48.1
Q2 20 10 20.56
81.7 48.1
75 48.1
Q3 20 10 28
81.7 48.1
Q1 , Q3
60 70 80 90 100
bi Q1 1.5 E
bS Q3 1.5E
4) On identifie les données aberrantes qui sont les
données qui sont en dehors de l’intervalle (b ,b ).
i s
60
50
40
30
20
10
0
Y
0 2 4 6 8 10 12 14 16 18
1 n 1 n
S xx ( xi x) 2
S yy ( yi y) 2
n i 1 n i 1
e i
2
L ( a, b)
par rapport à a et b.
S xy ˆb y â x
â et
S xx
L’équation y âx bˆ
sert alors à prédire les valeurs de la variable Y
sachant les valeurs de la variable X.
es
36 2800
m
37 3019 3000
ram
38 3210
39 3450
G
2500
40 3475
41 3553
42 3582 2000
43 3604
1500
1000
27 28 29 30 31 32 33 34 35 36
rs 1 i 12
n(n 1)
• D représente, pour chaque observation, les différences
de rang obtenues sur les deux variables.
Question :
Existe-t-il une liaison entre la boisson préférée (X)
et le goût pour le sucre (Y)?
Les données :
Count
goût pour le sucre
d'accord indifferent pas d'accord Total
boisson rola-cola 8 9 7 24
préférée koka-cola 6 4 6 16
Total 14 13 13 40
29/11/17 Cours de Statistique et
Probabilité MERBOUHA
Représentations graphiques
du tableau de contingence
En effectif En pourcentage
10 100
43 31 46
90
9
8 80
8
70
7 69
6 60
6 6
57
50 54
4 40
4
30
boisson préférée boisson préférée
2 20
rola-cola koka-cola
Count
Count
10
0 koka-cola 0 rola-cola
d'accord indifferent pas d'accord d'accord indifferent pas d'accord
(8 8.4) (9 7.8) 2
(6 5.2) 2 2
2
...
8.4 7.8 5.2
29/11/17 Cours de Statistique et
Probabilité MERBOUHA
Exemple 2: On désire vérifier si les intentions de
vote aux prochaines élections provinciales
varient d’une région à l’autre. Le tableau suivant
donne les résultats d’un sondage effectué
auprès de 1000 personnes choisies au hasard
dans trois régions différentes.
Autre 70 45 20 135
2
k r n ij neij
2
i 1 j 1 neij
où
ni.n.j
neij
n
29/11/17 Cours de Statistique et
Probabilité MERBOUHA
On constate
- que 2
est toujours positif.
- Plus est faible et plus on est proche de
2
2
2
V
max
2
n(min(l , c ) 1)
22 Célibataire
37 Célibataire
19 Célibataire
50 Célibataire
38 Célibataire
24 Célibataire
17 Célibataire
28 Célibataire
29 Célibataire
31 Célibataire
23 Célibataire
24 Célibataire
26 Célibataire
18 Célibataire
29/11/17 Cours de Statistique et
Probabilité MERBOUHA
La suite du tableaux
30 Célibataire
15 Célibataire
75 Marié
37 Marié
45 Marié
81 Marié
33 Marié
21 Marié
42 Marié
29 Marié
65 Marié
53 Marié
36 Marié
49 Marié
40 Marié
68 Marié
29/11/17 Cours de Statistique et
Probabilité MERBOUHA
Le diagramme ayant la forme suivante :
Un peu d’histoire
Card ( A)
P( A)
n
Où Card ( A) désigne le nombre d’éléments de A.
quelconque
Soient A et B deux événements d’un espace
2.échantillonnal
2.1 RappelS. ensembliste
A B x S : x A ou x B
A B x S : x A et x B
De même, l’événement A B se réalise si A et B
se réalisent simultanément.
Événements incompatibles : A et B
sont incompatibles si leur intersection est
vide.
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Différence
A B x / x A et x B.
A B A B
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Distribution de l’intersection par rapport à la réunion
A B C A B A C
c
n
n
∩ Ai Ai
c
i 1 i 1
c
n
n
Ai ∩ Ai .
c
i 1 i 1
1. 0 P( A) 1
2. P( S ) 1
3. P ( A B ) P ( A) P ( B ) P( A B )
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
3. Probabilité conditionnelle
P( A B)
P( A | B)
P( B)
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Remarque : La formule précédente de la probabilité
conditionnelle fournit la règle de multiplication qui
permet de calculer la probabilité de l’intersection de
deux événements :
P ( A B) P ( A) P ( B | A)
P( A B) P( B) P( A | B)
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Définition d’événements indépendant: Deux
événements A et B sont indépendants si et
seulement si
P( B | A) P( B)
ce qui est équivalent à
P ( A B) P ( A) P( B ).
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Exemple
Dans une famille qui comporte deux enfants, l’un
est une fille. On cherche la probabilité que l’autre
soit un garcon.
On choisit = {FF, FG,GF,GG} ou FG signifie
que l’ainé est une fille et le second un garcon. Cet
espace est muni de la probabilité uniforme.
On note
A = {un des enfants est un garcon} =
{FG,GF,GG},
B = {un des enfants est une fille} = {FF, FG,GF}.
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
4. Variable aléatoire
Exemple :
xi 0 1 2 3
1/8 3/8 3/8 1/8
P ( X xi )
E ( X ) xi p ( xi ) x1 p ( x1 ) x 2 p ( x 2 ) ⋯
i 1
xi 0 1 2 3
1 3 3 1
0 1 2 3 1 .5
8 8 8 8
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
4.1.3 Variance d’une variable aléatoire
discrète
i 1
( x1 ) p( x1 ) ( x2 ) p( x2 ) ⋯
2 2
1 2 3 2 3 2 1
(0 1.5) (1 1.5) (2 1.5) (3 1.5) 0.75
2 2
8 8 8 8
et
0.75 0.87
f ( x ) dx 1
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Définition: Soit f(.) une fonction de densité. Soit
X une variable aléatoire réelle continue. On dit
que X admet f(.) comme fonction de densité ou X
est de densité f(.) ssi
pour tout a et b dans IR, on a:
b
P (a X b) f ( x)dx
a
Définition
Soit X une variable aléatoire continue de densité
f(.), l’espérance de X est définie et notée par
E ( X ) X xf ( x)dx
Remarque: L’espérance mathématique de X
représente la moyenne des valeurs prise
par X.
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
4.2.3 Variance d’une variable aléatoire
continue
Définition
Soit X une variable aléatoire continue de densité f(.),
l’espérance de X est définie et notée par
X Var ( X ) E ( X X ) ( x X ) 2 f ( x)dx
2 2
• E(a X + b) = a E(X)+b.
• E(X Y) = E(X) E(Y).
2
• Var (a X + b) = a Var(X).
• Var(X Y) = Var(X)+Var(Y) si X et Y sont
indépendantes.
Définition
FX ( x ) P ( X x )
est appelée fonction de répartition de la v.a X.
. FX ( x) 1 FX ( x)
si f(.) (respt m(.)) est symétrique
. P[ X x ] 1 FX ( x )
. P[a X b] FX (b) FX (a )
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
En résumé
Un peu d’histoire
Card ( A)
P( A)
n
Où Card ( A) désigne le nombre d’éléments de A.
quelconque
Soient A et B deux événements d’un espace
2.échantillonnal
2.1 RappelS. ensembliste
A B x S : x A ou x B
A B x S : x A et x B
De même, l’événement A B se réalise si A et B
se réalisent simultanément.
Événements incompatibles : A et B
sont incompatibles si leur intersection est
vide.
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Différence
A B x / x A et x B.
A B A B
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Distribution de l’intersection par rapport à la réunion
A B C A B A C
c
n
n
∩ Ai Ai
c
i 1 i 1
c
n
n
Ai ∩ Ai .
c
i 1 i 1
1. 0 P( A) 1
2. P( S ) 1
3. P ( A B ) P ( A) P ( B ) P( A B )
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
3. Probabilité conditionnelle
P( A B)
P( A | B)
P( B)
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Remarque : La formule précédente de la probabilité
conditionnelle fournit la règle de multiplication qui
permet de calculer la probabilité de l’intersection de
deux événements :
P ( A B) P ( A) P ( B | A)
P( A B) P( B) P( A | B)
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Définition d’événements indépendant: Deux
événements A et B sont indépendants si et
seulement si
P( B | A) P( B)
ce qui est équivalent à
P ( A B) P ( A) P( B ).
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Exemple
Dans une famille qui comporte deux enfants dont
l’un est une fille. On cherche la probabilité que
l’autre soit un garcon.
On choisit = {FF, FG,GF,GG} ou FG signifie
que l’ainé est une fille et le second un garcon. Cet
espace est muni de la probabilité uniforme.
On note
A = {un des enfants est un garcon} =
{FG,GF,GG},
B = {un des enfants est une fille} = {FF, FG,GF}.
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
4. Variable aléatoire
Exemple :
xi 0 1 2 3
1/8 3/8 3/8 1/8
P ( X xi )
E ( X ) xi p ( xi ) x1 p ( x1 ) x 2 p ( x 2 ) ⋯
i 1
xi 0 1 2 3
1 3 3 1
0 1 2 3 1 .5
8 8 8 8
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
4.1.3 Variance d’une variable aléatoire
discrète
i 1
( x1 ) p( x1 ) ( x2 ) p( x2 ) ⋯
2 2
1 2 3 2 3 2 1
(0 1.5) (1 1.5) (2 1.5) (3 1.5) 0.75
2 2
8 8 8 8
et
0.75 0.87
f ( x ) dx 1
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Définition: Soit f(.) une fonction de densité. Soit
X une variable aléatoire réelle continue. On dit
que X admet f(.) comme fonction de densité ou X
est de densité f(.) ssi
pour tout a et b dans IR, on a:
b
P (a X b) f ( x)dx
a
Définition
Soit X une variable aléatoire continue de densité
f(.), l’espérance de X est définie et notée par
E ( X ) X xf ( x)dx
Remarque: L’espérance mathématique de X
représente la moyenne des valeurs prise
par X.
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
4.2.3 Variance d’une variable aléatoire
continue
Définition
Soit X une variable aléatoire continue de densité f(.),
l’espérance de X est définie et notée par
X Var ( X ) E ( X X ) ( x X ) 2 f ( x)dx
2 2
• E(a X + b) = a E(X)+b.
• E(X Y) = E(X) E(Y).
2
• Var (a X + b) = a Var(X).
• Var(X Y) = Var(X)+Var(Y) si X et Y sont
indépendantes.
Définition
FX ( x ) P ( X x )
est appelée fonction de répartition de la v.a X.
. FX ( x) 1 FX ( x)
si f(.) (respt m(.)) est symétrique
. P[ X x ] 1 FX ( x )
. P[a X b] FX (b) FX (a )
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
En résumé
( x )2
1
f ( x) e 2 2
pour tout x dans IR
2
N ( , ) 2
normale de paramètres et :
.
Alors on montre que:
E( X ) Var ( X ) 2
et
2
1
2
Cours de Proba/Stat Svi/Sem 3
13/12/17 Par Dr A. MERBOUHA 7
I.1.3 Fonction de répartition de la loi normale
centrée réduite
( x) P( Z x)
où Z N (0,1) ,
et représente la surface, située à gauche de x, entre
la courbe de densité et l’axe des abscisses :
Cours de Proba/Stat Svi/Sem 3
13/12/17 Par Dr A. MERBOUHA 8
Cours de Proba/Stat Svi/Sem 3
13/12/17 Par Dr A. MERBOUHA 9
x2
1
f ( x) e 2
2
X
alors ˜ N (0,1)
1
• E( X )
1
• Var ( X ) 2
1
k / 21 x
f ( x) x0 x e 2
I 0, ( x)
Alors 2
p
Ui
i
2
p
E ( X ) K et Var ( X ) 2 K
t0
f (t ) 2 1
t
(1 ) 2
où t 0 est une constante positive.
On montre que:
E(X)=0 et Var(X)= si 3,
2
Cours de Proba/Stat Svi/Sem 3
13/12/17 Par Dr A. MERBOUHA 24
Résultat
U N 0,1 et X 2
p
U
alors tp
X
p
Cours de Proba/Stat Svi/Sem 3
13/12/17 Par Dr A. MERBOUHA 25
Remarque: La loi de Student tend vers la loi
normale.
X 2
p et Y 2
q
Alors
X
p
Fp , q
Y
q
Cours de Proba/Stat Svi/Sem 3
13/12/17 Par Dr A. MERBOUHA 29
II. Quelques loi discrètes
k k nk n!
Loi de probabilité: p(X k) C n p q avec C n
k
k!(n k)!
Elle est appelée loi Binomiale,
Binomiale notée B(n,p) et on a,
On note X P ( )
E ( X ) et V ( X )
= nombre moyen d’événement par unité de
temps.
1 q
E(X) V(X)
p p2
X : n IN telle que
X( n ) 0,1, ....n
C kNp C nN(1
-k
- p)
Loi de probabilité: p(X k) n
C N
X1 ⋯ X n
X
n
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
b) La variance d’une population est
2
2
estimée par la variance S d’un échantillon
de cette population :
1 n
1 2
n
S
2
n 1 i 1
(Xi X )
2
n 1 i 1
Xi nX
2
E (T )
Notons qu’un estimateur sans biais ne surestime ni
sous-estime systématiquement le paramètre. On dit
d’un estimateur sans biais qu’il est bien centré.
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
2
Remarque : Notons que X, S et p̂ sont
respectivement des estimateurs sans biais
des p 2
paramètres , et c'est-à-dire :
E( X ) , E (S )
2 2
et E ( pˆ ) p.
2
p (1 p )
Var ( X ) et Var ( pˆ )
n n
Ces formules montrent que les variances de X et
celle de p̂ diminuent lorsque la taille n de
l’échantillon augmente. Donc, plus l’échantillon est
X
Z N (0,1)
/ n
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
b. Population normale de variance inconnue :
X
T t n 1
S/ n
où t n1 désigne la loi de Student de d.d.l n 1.
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
c. Population de loi inconnue :
X
Z N (0,1)
S/ n
n 1
S 2 2
n 1 ,
2
X E
La marge d’erreur E est appelée précision de l’estimateur X .
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Ainsi l’estimation par intervalle de confiance de
consiste à déterminer l’erreur E
de façon que
X E, X E
avec une probabilité égale à 1 appelée niveau de
confiance.
t 0.05,10 et t 0.025,12 .
Tableau de certaines valeurs critiques de la loi
normale:
(z ) 1
z / 2 2.807 2.575
2.241 1.96 1.645
Soit X E , X E un intervalle de confiance de .
Afin de déterminer la précision E , on distingue
quatre cas :
E z / 2
n
S S
X t / 2;n 1 n , X t / 2;n 1 n
La précision de l’estimation sera :
S
E t / 2;n1
n
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Cas 3: Si X 1 , , X n est un échantillon issu d’une
population de loi inconnue, alors pourvue que
la taille n soit assez grande ( n 30), l’intervalle de
confiance de niveau 1 de est :
S S
X z / 2 , X z / 2
n n
De même la précision de l’estimation sera :
S
E z / 2
n
S N n S N n
X z / 2 , X z / 2
n N 1 n N 1
Dans cette situation la précision sera :
S N n
E z / 2
n N 1
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
4.2. Intervalle de confiance d’une proportion
Soit p la proportion d’individus dans la population
ayant une caractéristique qualitative donnée.
4.2. 1 Intervalle de confiance d’une proportion
pour une population infinie
L’intervalle de confiance de niveau 1 de p est de
la forme :
pˆ (1 pˆ ) pˆ (1 pˆ )
pˆ z / 2 , pˆ z / 2
n n
pourvue que la taille n soit assez grande et
que np 5 et n(1 p ) 5.
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
4.2.2 Intervalle de confiance d’une proportion
pour une population finie, avec tirage sans
remise
pˆ (1 pˆ ) N n pˆ (1 pˆ ) N n
pˆ z / 2 , pˆ z / 2
n N 1 n N 1
pourvue que np 5 et n(1 p ) 5.
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
5. Choix de la taille d’échantillon
La qualité d’un intervalle de confiance se mesure par son
degré de confiance 1 et sa marge d’erreur E. Un choix
adéquat de la taille de l’échantillon permet de contrôler
simultanément ces deux facteurs.
5.1 Cas d’une moyenne .
Dans le cas d’une population normale de variance connue
(cas 1), nous pouvons déterminer la taille minimale requise de
l’échantillon pour avoir un intervalle de confiance de niveau
1 au moins et de précision fixés e à l’avance: 2
z / 2
n
e
Lorsque est inconnu, on le remplacera par une pré-
estimation S .
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
5.2 Cas d’une proportion p.
Dans le cas d’une proportion, si l’on dispose d’une pré-
p
estimation p̂ de , la taille minimale sera :
2
z / 2
n ˆ
p (1 ˆ
p )
e
Par contre, si la pré-estimation n’est pas disponible, la taille
requise sera alors :
2
z / 2
n
2e
Cours de Proba/Stat Svi/Sem 3
Par Dr A. MERBOUHA
Remarque : Si la population est de taille finie N et le
tirage est sans remise, alors :
1) La taille requise pour la moyenne sera :
Nz 2 2
n /2
( N 1)e z / 2
2 22