Académique Documents
Professionnel Documents
Culture Documents
Appliquées
PROF : ZAKARIA BENJOUID
3ÈRE ANNÉE S5 GROUPES : 4 & 8
• Modalités :
– Cours
– TD
• Evaluation :
– Contrôle / Projet à faire
– Examen en fin de semestre
Plan 6
Probabilité et
Echantillonnage Estimation
lois usuelles
Statistiques Descriptives 7
Pourquoi étudier les statistiques ? 8
Savoir tirer des conclusions sur des populations à partir de calculs conduits
Un tableau de données…
DÉFINITIONS, TYPOLOGIE ET REPRÉSENTATIONS
GRAPHIQUES
0 3 15% (3/20)
1 5 25% ( 5/20)
2 9 45% (9/20)
Un tableau 3 2 10% ( 2/20)
d’effectifs 4 1 5% (1/20)
Total 20 100% (1)
13
Statistiques Appliquées 2022-2023
Application
Afin de connaître le nombre actuel d’étudiants par classe
pour l’ensemble des classes d’une certaine école, on
note ce nombre pour 30 d’entre elles choisies au
hasard .
L’ensemble de ces observations se présente comme suit :
30 27 30 30 27 30 26 28 32 31
32 30 26 30 32 31 27 30 30 27
32 28 31 27 28 32 26 27 30 32
Mesures de position
Mesures de dispersion
Classes Effectifs
0-5 3
5-10 10
10-50 20
50-100 1
39
Statistiques Appliquées 2022-2023
I- Paramètres de tendance centrale :
1-2-la médiane
A- Cas d’une variable discrète (les données sont
individualisées)
40
Statistiques Appliquées 2022-2023
I- Paramètres de tendance centrale :
1-2-la médiane
A- Cas d’une variable discrète (les données sont
individualisées)
- Si l'effectif total n est un nombre impair, la médiane est
toujours parfaitement déterminé : elle est donc le terme
de rang (n+1)/2
Exemple : soit la série : { 0, 6, 1,3,2,5,4}
la série ordonnée est: { 0,1,2,3,4,5,6}
44
Statistiques Appliquées 2022-2023
I- Paramètres de tendance centrale :
1-3- La moyenne
• La moyenne est l'indicateur le plus simple pour
résumer l'information fournie par un ensemble
de données statistiques
• La moyenne ne peut être définie que sur une
variable quantitative.
1er Cas : les données sont individualisées
– La moyenne est la somme des valeurs observées
divisée par leur nombre:
Ce qui implique :
Avec n : l’effectif total
ni: l’effectif de la modalité xj
fi: la fréquence de la modalité xi
0 n
n/4 n/4 n/4 n/4
48
Statistiques Appliquées 2022-2023
a) Les quartiles
On note que :
49
Statistiques Appliquées 2022-2023
III- Paramètres de dispersion:
Entreprise A :
1/ 3 de femmes , salaire moyen 8000Dh
2/3 hommes, salaire moyen 11000
Entreprise B :
2/ 3 de femmes , salaire moyen 9000Dh
1/3 hommes, salaire moyen 12000
Entreprise A :
1/ 3 de femmes , salaire moyen 8000Dh
2/3 hommes, salaire moyen 11000
Dans l'entreprise A le salaire moyen est de : ….
Entreprise B :
2/ 3 de femmes , salaire moyen 9000Dh
1/3 hommes, salaire moyen 12000
Dans l'entreprise B le salaire moyen est de : ….
Statistiques Appliquées 2022-2023 61
• On constate donc que le salaire moyen
de B est égal à celui de A. Pourtant le
salaire moyen des hommes est
supérieur en B à celui des hommes en
A. Il en est de même pour les femmes.
• D'où vient ce résultat paradoxal ?
Statistique inférentielle
Raisonner par inférence, prendre des
décisions sur une population à partir
d’un échantillon.
Probabilité et lois
usuelles
Théories des probabilités : 67
Exemples :
On jette un dé et l'on observe le résultat obtenu.
Sion lance trois fois de suite une pièce de
monnaie, on peut distinguer 8 résultats possibles :
PPP, PPF, ....,FFF.
On jette une pièce de monnaie jusqu'à ce que
le côté face sorte pour la première fois.
Expérience Aléatoire 71
Définition :
Une expérience est dite aléatoire ou
stochastique s'il est impossible de prévoir avec
certitude son résultat.
En principe, on admet qu'une expérience
aléatoire peut être répétée indéfiniment dans
des conditions identiques son résultat peut donc
varier d'une réalisation à l'autre.
Expérience Aléatoire 72
Définition :
Une expérience est dite donc aléatoire si :
a-On ne peut pas prédire avec certitude son
résultat
b-
On peut décrire l'ensemble de tous les résultats
possibles.
Expérience Aléatoire 73
Exemples :
Si on jette un dé : Ω = {1;2;3;4;5;6} et card(Ω) = 6
A est l’événement "un nombre pair est tiré" alors A = {2;4;6}
B est l’événement "un nombre impair est tiré" alors B =
{1;3;5}
C est l’événement "un nombre ≥ 4" alors C = {4;5;6}
D est l’événement élémentaire "le plus petit nombre" alors
D = {1}
74
Variables aléatoires
Variables aléatoires 75
Définition :
Dans de nombreuses expériences aléatoires,
nous sommes amenés à attacher un nombre
réel à chaque issue de l'univers Ω.
Une telle application X de Ω vers R est appelée
variable aléatoire.
Variables aléatoires discrètes 76
Exemple 1 :
On jette une pièce de monnaie deux fois de
suite.
L'univers est : Ω = {(p ; p) ; (p ; f) ; (f ; p) ; (f ; f)}
Notons X la variable aléatoire indiquant le
nombre de « faces » obtenues.
Variables aléatoires discrètes 77
Exemple 1 :
Exemple 2 :
Une urne contient trois boules numérotées 2 ; 3 et 5. On
tire successivement avec remises deux boules de cette
urne.
Ω = {(2 ; 2) ; (2 ; 3) ; (2 ; 5) ; (3 ; 2) ; (3 ; 3) ; (3 ; 5) ; (5 ; 2) ;
(5 ; 3) ; (5 ; 5)}
Notons Y la variable aléatoire indiquant la somme des
points obtenus.
Y : (j ; k) → j + k
Variables aléatoires discrètes 79
Remarque :
Dans ces exemples, il est possible de calculer la
probabilité que la variable aléatoire prenne une
valeur donnée.
Par exemple, la probabilité que X prenne la
valeur 0 est 1/4.
Variables aléatoires discrètes 80
Définition :
On dit qu'une variable aléatoire est discrète si
elle ne peut prendre qu'un nombre fini ou
dénombrable de valeurs.
Variables aléatoires discrètes 81
En général :
Considérons Ω l'univers attaché à une expérience aléatoire et
X une variable aléatoire pouvant prendre un nombre fini de
valeurs.
Si à chacune de ces valeurs nous associons la probabilité de
l'événement correspondant, nous obtenons alors la loi de
probabilité ou la distribution de probabilité de la variable
aléatoire X.
Variables aléatoires discrètes 82
Notation :
La variable X peut prendre les valeurs x1 ; x2 ; ... ; xn.
p1 est la probabilité que X prenne la valeur x1 : p1 = P(X = x1)
p2 est la probabilité que X prenne la valeur x2 : p2 = P(X = x2)
...
pn est la probabilité que X prenne la valeur xn : pn = P(X = xn)
Ces valeurs peuvent être présentées dans un tableau appelé
tableau de distribution de X :
Variables aléatoires discrètes 83
Notation :
X x1 x2 … xn
P p1 p2 … pn
Variables aléatoires discrètes 84
Remarques :
Dans un tableau de distribution,
mathématique
On lance un dé une fois.
Notons X la variable aléatoire indiquant le nombre
de points affiché par le dé.
X 1 2 3 4 5 6
P 1/6 1/6 1/6 1/6 1/6 1/6
mathématique
Définition :
Considérons X une variable aléatoire pouvant
prendre les valeurs x1 ; x2 ; ... ; xn avec des
probabilités respectives p1 ; p2 ; ... ; pn.
L'espérance mathématique de X est :
Moyenne ou espérance 87
mathématique
Pour le dé :
Variance et écart-type 88
xi 0 1 2 3 4 5 6
continue :
Une VA est dite discrète si l'ensemble des
valeurs qu'elle est susceptible de prendre
est dénombrable.
Une VA est dite continue si elle peut
prendre toute valeur à l'intérieur d'un
intervalle donné.
Moyenne (moment d’ordre 1) : 97
loi discrète : E( x ) = xi.p(X = xi)
i
+
loi continue : E( x ) =
x . f(x)dx
−
Variance
loi discrète : V(X) = (xi − )2 p(X = x i)
i
+
V(X) =
(x − μ x ) f(x)dx
2
loi continue :
−
aléatoires continue
Fonction de répartition : Soit X une VA
continue et f sa densité de probabilité. La
fonction de répartition de X est la fonction
F telle que:
F : IR [0,1]
x
X P(X x) = f(x)dx
−
Les caractéristiques d’une variable 99
aléatoires continue
Lois Usuelles
Lois Usuelles 101
- à la déduction
- à l'inférence statistique
102
Une loi de probabilité
général)
p[X=k] a un sens!
104
p[X= e] = 0 !
même
Lois de probabilité : 105
Caractéristiques :
E ( X ) = xi pi = p E ( X ) = p
2 ( )
V ( X ) = xi pi − xi pi = p − p = p(1 − p ) = p.q
2 2
V ( X ) = p.q
108
Loi BINOMIALE
Une variable aléatoire est dite binomiale si
elle représente le nombre de succès obtenus
dans une expérience de n épreuves où
la probabilité de succès reste constante.
La fonction de probabilité d’une telle fonction
est donnée par :
P( X = k ) = Cnk p k q n−k On note X → (n, p )
109
Exemples :
1 - Quelle est la probabilité d’obtenir 7 piles en
lançant 10 fois une pièce de monnaie ?
2 - Quelle est la probabilité d’obtenir deux fois
un 6 en jetant 5 fois un dé ?
La loi Binomiale 114
Question :
Quelle est l'espérance mathématique, la variance et l’écart-
type d’une variable aléatoire X qui suit une loi binomiale ?
La loi Binomiale 115
Exemple :
Dans une famille de n = 4 enfants, on admet
que la probabilité d’avoir un garçon est de
p = 1/2.
Si X représente le nombre de garçons parmi
les 4 enfants, déterminer la loi de probabilité
de X et calculer ses caractéristiques.
La loi Binomiale 116
Exemple :
La loi Binomiale 117
Proposition :
Dans le cas de la loi binomiale on a :
118
Approximation de la loi binomiale :
1er
cas :lorsque n est élevé et p n’est ni
proche de 1 ni de 0, la loi binomiale est
approché par la loi normale
2ème cas :Lorsque n est élevé et p est
faible (p<0.1) la loi binomiale est approché
par la loi de poisson
Exemple 1 119
− k
P( X = k ) = e
k!
Loi de Poisson 124
Caractéristiques
E( X ) =
V(X)=.
Conditions d’application de la loi de 126
Poisson :
Soit une approximation de la loi binomiale:
lorsque n est élevé et p très faible (proche de 0).
Généralement l'approximation est valable dés que n
> 50 et p < 0.1
X --> B(n;p) --> Po(= n.p)
Soit une résultante d’un processus aléatoire
particulier , le processus de Poisson
127
X → N ( , s)
x-μ 2
133
- 1 X N ( , s) POPULATION
2 σ
f(x) =
1
σ 2π
e
1
• courbe symétrique par rapport à x =
σ 2π
• P( X < ) = P(X ) = 0.5
X
−s +s
Loi Normale Centrée - Réduite
Z N ( , ) 134
1 2
1 -2z • La variable centrée réduite Z=(X-)/s
f(z) =
2π
e
a pour moyenne 0 et 1 pour écart-type
1 • courbe symétrique par rapport à Z =0
2π
• P( Z 0 ) = P( Z > 0 ) = 0.5
• P( -1 Z 1 ) = 0.68
Z
-1,96 − 1,96
Calcul des probabilités 135
X − X − 345
Z= =
s 167
On cherche p(X < 500)=
500 − 345
p(X < 500)= p( Z ) = p( Z 0.93) = 0.8238
167
145
Loi de Student 146
U
T =
On note T~ t(n). 2
n
Loi de Student 147