CHAPITRE II ET III

COURS DE STATISTIQUEN
DECISIONNELLE
Pr. Echchelh Adil/ Abdeslam EL Moudden
adilechel@gmail.com
elmoud@yahoo.com
A.U 2021/2022
3. Loi de Poisson : Siméon Denis Poisson (1781-1840)

Siméon-Denis Poisson (1781 – 1840) est un probabiliste, mathématicien et physicien français à qui
l’on doit d’importants développements sur la loi des grands nombres, les suites d’épreuves de
Bernouilli mais aussi sur les applications des probabilités dans le domaine du Droit et éonomie.
Soit X une variable binomiale B (n, p).
Soit X une variable binomiale B (n, p)
On va supposer que p ≈ 0 et que n tend vers + ∞ de manière à ce que np tend λ.
Quel modèle va suivre cette variable aléatoire ?

Définition
X est une variable aléatoire de Poisson de paramètre m si et seulement si
X (Ω) =, la loi de Poisson s’écrit alors :

k=0,1,2,3,…………. où k représente le nombre de fois la réalisation du phénomène est observée.

Notation : P (m)
On est dans la situation où X (Ω) est infini dénombrable. On peut maintenant poser la loi de Poisson
comme modèle d’une épreuve aléatoire :

2
Modélisation 
Lorsqu’un événement a une faible probabilité p d’apparition lors d’une épreuve
de Bernouilli et si l’on répète un grand nombre de fois cette épreuve (n) le
nombre total de réalisations de l’événement considéré suit à peu près une loi
de Poisson de paramètre m = np
Dans la pratique :
n > 50
p < 0,1
Remarque : plus p est petit, meilleure est l’approximation. Pour cette raison, la
loi de Poisson a été appelée loi des phénomènes rares.
Les processus de Poisson sont fréquents dans les problèmes de gestion :
Nombre de pièces défectueuses dans un échantillon de grande taille prélevé
dans une production où la proportion des défectueuses est faible.
Nombre de quadruplés, quintuplés par an dans un pays donné
Nombre d’appels intercontinentaux sur une ligne pendant une durée donnée.
Nombre d’erreurs commises au cours d’une longue suite d’opérations
(inventaire)
Pannes de machine
Emission de particules radioactives.
3
Caractéristiques Si X ~ P (m)
Alors E(X)= m
V(X)=M
 Application 1
Lors d’un sondage portant sur un grand nombre de
personnes, on sait que 2% des personnes interrogées
acceptent de ne pas rester anonymes. Sachant que l’un
des sondeurs a interrogé 250 personnes (en les
choisissant de manière indépendante), Calculer la
probabilité.
Que ces 250 personnes souhaitent rester anonymes ;
Trois personnes acceptent de ne pas rester anonymes ;
Plus de 10 personnes acceptent de ne pas rester
anonymes.

4
Exemple d’application :

Les données collectées d’un guichet automatique d’une banque

indiquent que en moyenne 10 personnes viennent pour se servir au
bout d’un intervalle de temps d’une heure. Quelle est la probabilité que
50 personnes viennent dans un intervalle de 4 heures pour se servir au
prés de ce guichet ?

On doit alors utiliser la loi de poisson !!

5
Utilisation des lois binomiales comme une loi de poisson :

Théorème d’approximation :

Soit X un caractère qui suit une loi binomiale B(n,p), on a:

si n + et p 0 tel que np , alors :
X suit approximativement la loi de poisson .

N.B. Dans la pratique on utilise cette approximation dés que n dépasse

50 et
p soit inférieure à 0.1.

6
Application :
Lors d’un sondage portant sur un grand nombre de personnes, on
sait que
2% des personnes interrogées acceptent de ne pas rester anonymes.
Sachant que l’un des sondeurs a interrogé 250 personnes (en les
choisissant de manière indépendante), calculer la probabilité :
i - que ces 250 personnes souhaitent rester anonymes.
ii - que 3 personnes acceptent de ne pas rester anonymes.
iii - plus de 10 personnes acceptent de ne pas rester anonymes.
Réponse: soit X un caractère statistique qui représente le nombre de
personnes accepte de ne pas rester anonyme ; alors X est une
binomiale de paramètre n = 250 et p = 0.02 (n >50 et p<0.1), donc :
i – P(X= 0) = 0.0067.
ii - P(X= 3) = 0.14,
iii - P(X ≥10) = 1- P(X ≤ 9) 1-( + …+ )=1-0,968 0.0318. 7
B. Loi de probabilités continues :
1. Loi Normale
Définition :
Une variable aléatoire X continue, définie sur IR, suit une loi normale si
sa fonction de densité est de la forme:

on note alors,

Propriétés :
on a les propriétés suivantes:
i- E(X) = µ
ii- V(X) =

8
Remarque :
Dans la pratique on fait souvent appel à la variable centrée réduite :
la fonction de densité est donc :

9
Utilisation de la table statistique :
u est le quantile d’ordre p tel que: F(u)=P(Z≤ u)= p =

10
Remarque :
a - Si la valeur du quantile u est négative alors F(u) ≤ 0.5, on
doit alors utiliser la relation suivante :
F(u) = 1- F(-u)
exemple: pour u = -1.05 on a:
F(-1.05) = P(Z ≤ -1.05) =
P(Z ≥1.05) = 1-P(Z<1.05)=1-0.8531=0.1469.

b- Si la valeur de « p » ou de « u » n’est pas sur la table

statistique on utilise alors la méthode d’interpolation!!

11
Loi de khi-deux:

12
APPROXIMATION

Remarque :
Cette loi est principalement utilisée dans le test du χ2 basé sur la loi
multinomiale pour vérifier l'adéquation d'une distribution empirique à une loi
de probabilité donnée.

Plus généralement elle s'applique dans le test d'hypothèses à certains seuils

(indépendance notamment).
Elle est également utilisée pour établir des intervalles de confiance
concernant la variance ou l'écart-type de variables aléatoires gaussiennes
13
Statistique du test : l’idée des tests du khi deux est de
comparer les valeurs observées et les valeurs moyennes
qu’on observerait si l’hypothèses nulle est vraie. Considérons
le cas d’un test visant à vérifier si un dé est équilibré c’est-à-
dire si chacune des faces avait la même probabilité (1/6). (H0)
Si on lance le dé 500 fois on devrait retrouver en moyenne
500 ∗ 1/6 = 250 3 = 83. 333 fois la valeur "1" et 83.333 fois la
valeur "2", etc. Supposons qu’on observe 90 valeur "1" sur les
500 lancers, 74 fois la valeur "2", 68 fois la valeur "3", 105 fois
la valeur "4", 85 fois la valeur "5" et finalement 500 − (90 + 74
+ 68 + 105 + 84) = 79 fois la valeur "6".
Pb : Vérifier si la différence entre les valeurs observées et les
valeurs théoriques est importante ou simplement due à une
variation aléatoire. 14
la statistique du khi deux est donnée par

soit la différence relative. Dans tous les cas le

principe est le même, seule la formulation des
fréquences théoriques diffèrent selon les
hypothèses.

15
 Le test d’ajustement du khi-deux permet de vérifier qu’une
variable qualitative ou quantitative discrète mesurée dans
une population suit une loi de probabilité théorique connue.
Considérons un dé à six faces et supposons que l’on veuille
vérifier s’il est bien équilibré.
On peut effectuer un test pour chaque face séparément ou
utiliser la loi de probabilité de la variable aléatoire qui donne
le nombre de points sur la face visible du dé.
Dans ce cas il suffit de confronter les hypothèses
H0 : p = 1/6 pour chaque i = 1, 2, . . . 6
H1 : p= 1/6 pour au moins un i
On peut tester l’ensemble des faces en une seule opération à
l’aide d’un test d’ajustement du khi-deux.

16
17
18
2. Loi de khi-deux:
Définition :
Une caractère statistique X continue, définie sur a une loi de khi-deux
comme étant une loi de probabilités à « n » degrés de liberté, et on note : X
(n) , si ce caractère peut être exprimé comme étant une somme des carrés de n
caractères normales indépendants centrés et réduits tels que :

Représentation graphique :
La fonction de densité de la loi de khi-deux est
de la forme :

où ( . ) est la fonction gamma, telle que :

19
Utilisation de la table statistique :

Soit :

P( (n) ≥ u)= α .

Exemple : P( (1) ≥ 0.0002) = 0.99

P( (10) ≥ 3.25) = 0.975

20
Propriétés :
Les caractéristiques de la loi de khi-deux sont données comme suit :
1. E(X) = n ,
2. V(X) = 2 n .
3. Si X et Y sont deux caractères indépendants qui suivent respectivement la loi
(n) et (m), alors le caractère résultant X+Y suit la loi (n+m).

Théorème 1 :(T.C.L)
Si le caractère X suit la loi (n), alors on a :

Remarque :
On peut utiliser ce théorème pour déterminer la probabilité ou la quantile d’une
khi-deux à un degrés de liberté très élevé !!
21
3. Loi de Student:
Définition :
Un caractère statistique X défini sur suit une loi student de degrés de liberté
« n », si sa fonction de densité peut s’écrire sous la forme :

on note alors : X t(n)

Remarque :
En pratique on fait souvent appel à l’identification structurelle de la loi de
student comme suit :
on dit que X suit une loi de sudent si elle peut s’écrire comme :

où Z et Y sont deux caractères statistiques indépendantes qui sont

respectivement une normale centrée réduite et une khi-deux à n degrés de 22
liberté.
Propriétés :
Soit X un caractère statistique qui suit une loi de Student, alors on a :
1. E(X ) = 0, si n > 1.

2. V(X ) = , si n > 2.

Remarque :
Pour n = 1, la loi de student de degrés 1 devient la loi de cauchy :

Utilisation de la table :
Voir table statistique
Exp.
P( t(10) ≥ 1.812) = 0.05 ( q= 0.05) 23
ou de même : P( t(10) ≤ 1.812) = 0.95 (p= 0.95)