Cours de Statistiques Mathématiques

K. Fatine

contact : kohenfatine@hotmail.fr

1
Table des matières

Introduction ........................................................................................................................... 3
Lois de probabilité continues ou à densité et lois usuelles ..................................................... 3
I. Lois de probabilités Continues .................................................................................... 3
1. Densité de probabilité d’une variable continue ........................................................ 4
2. Application aux calculs de probabilité ...................................................................... 4
3. Caractéristiques d’une variable continue ................................................................. 5
4. Fonction de répartition d’une variable continue ....................................................... 5
II. Lois continues usuelles : ............................................................................................. 7
1. Loi uniforme ............................................................................................................ 7
2. Loi normale ............................................................................................................. 8
3. Loi du Khi-deux ..................................................................................................... 11
III. Annexes ................................................................................................................ 13

2
Introduction

La statistique est l’ensemble des méthodes permettant de décrire et d’analyser des

observations (données). Ces observations consistent généralement en la mesure d’une ou
plusieurs caractéristiques communes sur un ensemble de personnes ou d’objets équivalents.

On distingue souvent deux sous-branches :

- La statistique descriptive qui se contente de décrire un échantillon à partir de

grandeurs calculées (moyenne, médiane, écart-type, quartile…) ou à partir de
représentations graphiques (histogramme…). Cette branche traite de manière
finalement arbitraire un ensemble de données (une population finie) en utilisant les
seules règles de l’Algèbre.
- La statistique Mathématique (appelée aussi inférentielle) dont le but est d’effectuer
des estimations non biaisées et efficaces et des prévisions à partir d’un sous-
ensemble de la population (échantillon). L’analyse des propriétés mathématiques de
ces estimateurs sont au cœur du travail du mathématicien spécialiste de la statistique

Cette statistique considère de manière rigoureuse cet ensemble de données comme plus ou
moins représentatif d’une population infinie à laquelle on peut attacher une loi de probabilité.

Lois de probabilité continues ou à densité et lois usuelles

On rencontre dans la pratique des phénomènes aléatoires dont les variables aléatoires
associées peuvent être soit discrètes (statistique descriptive) ou continues (statistiques
Mathématiques).

I. Lois de probabilités Continues

On prend un intervalle continue I = [-3, 17] et X un élément de I. Le but du jeu est de tirer un
nombre aléatoirement dans cet intervalle.

La chance sur I de tomber sur le nombre 12 : P(X=12) = = 0. En effet, dans cet intervalle I,
il existe une infinité de nombres réels. Pour généraliser, P(X= nombre réel)=0 pour toute loi
de probabilité continue.

Dans un intervalle contenant une infinité de nombres, ou l’on cherche de calculer la

probabilité, on aura besoin de la donnée d’une fonction continue f appelée densité de
probabilité de la variable aléatoire continue

3
 1. Densité de probabilité d’une variable continue

Définition

Soit X une variable aléatoire continue, on appelle densité de probabilité de X, une fonction f
de R dans R tel que :

Pour tous a, b ∈ R, P[a ≤ X ≤ b] = ∫

Corollaire

On en déduit qu’une densité de probabilité continue f doit vérifier :

Pour tout x ∈ R, f(x) ≥ 0 et ∫ =1

2. Application aux calculs de probabilité

Soit X une Variable aléatoire continue de densité de probabilité f, alors si on a F une primitive
de f, on calcule la probabilité de l’évènement « X ∈ [a,b] » par :

P[a ≤ X ≤ b] = ∫ = F(b) - F(a)

Il s’agit de l’aire de la fonction f entre les abscisses a et b.

Exemple :

Soit une V.a.c, de densité f définie par :

∈
f(x)={

a. Déterminer k pour avoir une densité de probabilité

b. Calculer P( <X< )

Solution :

a. Pour que f soit une densité de probabilité, il faut que ∫ =1

On a ∫ =∫ =k ∫ = k [ ]=k( - 0)=

Il faut donc que = 1 et donc k=2

P( <X< ) = ∫ =2∫ = - =

4
 3. Caractéristiques d’une variable continue

Si X est une v.a.c de densité de probabilité f, alors l’Espérance E(X) et la variance V(X) et
l’écart-type σ(X) de X sont données respectivement par :

E(X)= ∫ si cette intégrale existe

V(X)= E( )- =∫ – [E(X)]2

σ(X) = √

Exemple :

Calculer E(X) et V(X) pour la v.a.c de densité :

∈
f(x)={

Solution :

E(X) = ∫ =∫ = ∫ =

V(X) = E( )-

Or E( )= ∫ =∫ = ∫ =

Donc V(X)= E( )- = - =

σ(X) = √ =√ =0,236

4. Fonction de répartition d’une variable continue

a. Définition

Soit X une v.a.c de densité de probabilité f, la fonction de répartition de X est l’application

FX de R dans [0,1] définie par :

FX(x) = P(X ∈(] − ∞, x]) = P(X ≤ x) =∫

5
 b. Propriétés

La fonction de répartition F d’une v.a.c X vérifie les propriétés suivantes :

i. Par définition, on a : 0 ≤ F(x) ≤1, ∈

ii. et
iii. F est continue et croissante
iv. F est dérivable et F’(x)=f(x) et on a la relation P [a ≤ X ≤ b] = P[a < X < b] = F(b) −
F(a)
Important :

La loi d’une v.a.c X est donnée par sa densité f ou par les sa fonction de répartition F(x) =
P[X ≤ x] pour tout x.

c. Application aux calculs de probabilité

Soit X une v.a.c de densité de probabilité f, et de fonction de répartition F, alors on calcule les
probabilités des intervalles [a,b], ]- et [a,+ par :

i. P[a ≤ X ≤ b]=F(b) - F(a)

ii. P[X ≤ b]= P[X < b]= ∫ = F(b)

iii. P[X > a]= ∫ = 1- F(a)

Exemple :

Soit la v.a.c X de densité de probabilité f définie par :

∈
f(x)={

Calculer P(X< et P(X< . En déduire P( X<

Solution :

P(X< = ∫ =∫ = ∫ =2[ ]= [ ] entre 0 et

P(X< =
De la même façon, on trouve P(X< =
Donc P ( X< F( - F( = - =

6
 II. Lois continues usuelles :

1. Loi uniforme

Définition :

Soit [a,b] un intervalle de R (a<b), une v.a.c X suit une loi uniforme continue sur [a, b], si elle
admet pour densité de probabilité la fonction suivante :

∈
fX(x)={

Donc la fonction de répartition Fx est donnée par :

FX(x) ∫ { ∈

On montre aussi que E(X)= et V(X)=

7
Exercice :

Soit X de loi uniforme sur [0, 10]. Calculer P[X < 3], P[X > 6] et P[3 < X < 8].

2. Loi normale

C’est la loi la plus importante. Elle est aussi connue sous le nom de la loi Gaussienne. Son
rôle est central dans de nombreux modèles probabilistes et dans toute la statistique. Elle
possède des propriétés intéressantes qui la rendent agréable à utiliser.

a. Définition :

Soient m ∈ R et σ ∈ R+*. On dit qu’une v.a.c suit une loi normale de paramètres m et si sa
densité de probabilité est donnée par :

fX(x)= , x∈

On montre que E(X)=m et V(X)=

On note alors X N(m , σ)

b. Propriétés du graphe :

La courbe de la fonction f est symétrique par rapport à la droite x=m et ∫ =1

P(X m) = P(X m) =

P(X m-a) = P(X m+a)

Pour calculer une probabilité, il faut effectuer un calcul d’intégration très compliqué de la
fonction densité de probabilité. La solution serait d’effectuer un changement de variable et de
passer par la loi normale centrée réduite.

8
 c. Théorème

Si X suit la loi N(m, ) alors T= suit la loi Normale centrée réduite N(0,1)

d. Loi Normale centrée réduite

Définition

Une v.a.c X suit une loi normale (ou loi gaussienne) N (0, 1) si sa densité f est donnée par :

f(x) = exp ( , pour tout x ∈ R

√

La v.a.c X est centrée, c’est-à-dire de moyenne nulle (m=0), et réduite, c’est- à-dire de
variance 1.

La densité de probabilité de la loi Normale centrée réduite est parfaitement symétrique à la

droite x=0 (axe des ordonnées)

P(X 0) = P(X 0) =

Utilisation des tables

Soit X une V.a.c qui suit la loi normale centrée réduite, on a P(X a)= (a)

Pour calculer P[X ≤ a], on a recours à la table de la fonction de répartition de la loi Normale
centrée réduite qui donne P[X ≤ a]= (a) pour tout décimal positif a à deux chiffres après la
virgule. a étant la somme des valeurs lues sur la première ligne et la première colonne, (a)
correspond à la valeur lue sur l’intersection des ligne et colonne correspondante.

9
Exemples de lecture de table :

P(X 0,12)= (0,12)= 0,5478

P(X -0,2)= 1- (0,2) = 1- 0,5793= 0,4207

Propriétés :

Pour trouver P[X ≤ −a] = (-a) quand a > 0, on utilise la relation P[X ≤ −a] = (-a) = 1- (a)

P[a ≤ X ≤ b] = P[X ≤ b] − P[X ≤ a] = (b) - (a) puis on lit les probabilités dans la table si a
et b sont positifs.

P[X a] = 1- (a)

Exemples :

on cherche à calculer P[1 ≤ X ≤ −1] :

P[−1 ≤ X ≤ 1] = P[X ≤ 1] − P[X ≤ −1] = (1) - (-1)= (1)- (1- (1))

= 2 (1) − 1 = 2 × 0.8413 − 1 = 0, 6826

on cherche u ∈ R tel que P[−u ≤ X ≤ u] = 0.90 :

P[−u ≤ X ≤ u] = 2 (u) – 1 D’où (u) = 0.95 et u = 1.6446

e. Application aux calculs de probabilité dans le cas d’une loi Normale

Soit une v.a.c de loi N(m, ), alors pour calculer les probabilités P(a<X<b) ; P(X<a) ou
P(X>a), on procède comme suit :

i. On centre et on réduit la v.a X par U= qui suit la loi N(0,1)

ii. On utilise la fonction de répartition (u) de la variable U pour calculer les probabilités à
partir de la statistique de la loi Normale N(0,1) :

 P[a ≤ X ≤ b] = P[ ≤ ≤ ]
P[a ≤ X ≤ b] = P[ ≤U≤ ]
P[a ≤ X ≤ b] = ( )- ( )
 P[X < a] = P[ < ]= ( )

 P[X > a] = P[ > ]= ( )

10
Exercice :

On suppose que la durée de vie des ampoules électriques est une v.a.c X de loi Normale
d’Espérance m=1000 heures et de variance =10000
Calculer la probabilité qu’une ampoule fonctionne :
1) Entre 1000 et 1200 heures ?
2) Moins que 750 heures ?

Solution :

On a X suit N(1000,100) car

Donc U = N(0,1)

1) P(1000<X<1200) = ( )- ( )

= (2) - (0)
Or (2)=0,9772 et (0)=0,5
Donc P(1000<X<1200) = 0,9772-0,5=0,4772

2) P(X 750) = ( )= (-2,5)

Or (-2,5)=1 - (2,5)=1- 0,9938=0,0062 En utilisant la table statistique de la loi Normale

centrée réduite
Donc P(X 750) = 0,0062

3. Loi du Khi-deux

a. Définition

Soit n ∈ N*. On appelle loi de Khi-deux ou loi du , à n degrés de liberté la loi de

probabilité absolument continue dont une densité est donnée par :

fn(x)= {

ou est la fonction gamma d’Euler définie par =∫

Cette mesure est identifiée par la notation (n)

11
 b. Propositions

Proposition 1

Soient X1,….,Xn une suite de variables aléatoires indépendantes identiquement distribuées

de loi normale centrée réduite N(0,1).

La variable aléatoire S=∑ est une variable aléatoire qui suit une loi du Khi-deux à n
degrés de liberté notée (n) ou χn2

Proposition 2

L’Espérance de la loi du (n) est égale au nombre n de degrés de liberté et sa variance est
2n.

S (n) implique E(S)=n et V(S)=2n

Le point important est que c’est par ce type d’expression que sont introduites généralement
les variables aléatoires de loi (n). Il est extrêmement rare d’avoir recours à la formule de la
densité. L’auteur de cette note s’en sera servi uniquement pour faire des graphiques. Dans la
pratique, on se sert de tables ou de logiciels de calcul pour ´évaluer des probabilités liées à ces
lois.

c. Lecture de la table de loi du Khi-deux :

X étant une variable aléatoire de loi du Khi-deux à n degrés de liberté et de seuil de risque α
(un réel de [0,1])

La table donne, en fonction de n et α, la valeur zn,α tel que P(X< zn,α)=α

Exemple :

Pour n=2 et un zn,α= z2,α= 2,77, on trouve α= P(X< zn,α)=0,75

12
III. Annexes
Table 1 : Variables aléatoires réelles continues

13
14
15