Vous êtes sur la page 1sur 22

Probabilits & Statistiques L1: Cours

December 20, 2008


Chapter 1 Dnombrements I
1.1 Principes gnraux
Rgle du produit On fait deux expriences, successives ou simultanes. Si la premire
donne :
1
rsultats possibles et si, pour chacun de ces rsultats, la deuxime donne :
2
rsultats
possibles alors il y a en tout :
1
:
2
rsultats possibles.
Rgle de la somme On fait une exprience et on peut rpartir ses rsultats en deux cat-
gories incompatibles. Sil y a :
1
rsultats possibles de type 1 et :
2
rsultats possibles de type 2
alors il y a en tout :
1
+:
2
rsultats possibles.
1.2 Cas standards
Les problmes courants sont des types suivants: permutations, lancers, rpartitions, tirages. Les
principaux critres pertinents sont: discernable ou non (en abrg 1 ou 1), ordonn ou non (en
abrg C ou C), avec rptition ou non (en abrg 1 ou 1).
1.2.1 Permutations
Un mot de longueur : est reprsent par une suite (r
1
. .... r
a
) de : lettres, qui peuvent tre
discernables ou pas: si le mot est compos de j lettres discernables rptes :
1
. .... :
j
fois on dira
que cest un mot de : = (:
1
. .... :
j
) lettres partiellement discernables.
Une permutation des lettres dun mot donne un mot compos des mmes lettres que lui: elle
conserve ce mot si le mot obtenu aprs permutation est identique au mot initial.
Permutation sur lettres discernables Si le mot est compos de : lettres discernables
alors chaque permutation donnera un mot nouveau: le nombre de ces mots est gal au nombre de
permutations.
Exemple. Les permutations du mot c/c sont codes c/c . cc/ . /cc . ...
Calcul. On calcule le nombre :! de ces permutations grce la rgle du produit, sachant que le choix
de la /-me lettre restreint de 1 lventail des choix pour la (/ + 1)-me.
Permutation sur lettres partiellement discernables Si le mot est compos de
: = (:
1
. .... :
j
) lettres partiellement discernables alors certaines permutations conserveront le
mot: ce sont elles que lon veut compter.
Exemple. Le mot initial cc/ est cod c
1
c
2
/ : les permutations qui le conservent sont codes c
1
c
2
/ . c
2
c
1
/.
Calcul. On calcule le nombre de ces permutations grce la rgle du produit: (:
1
! permutations de
:
1
lettres distinctes) ... (:
j
! permutations de :
j
lettres distinctes).
1.2.2 Tirages
Lorsquon choisit successivement j lments parmi : lments on obtient un tirage successif (j. :) :
par principe les lments sont discernables, numrots 1. .... :.
Tirage ordonn avec remise Un tirage successif (j. :) de type C,1 est reprsent par une
suite (r
1
. .... r
j
) de j lments ventuellement gaux pris parmi :.
Exemple. Les tirages (3. 4) de type C,1 dans c. /. c. d sont cods c//. c/d . ccc . ...
Calcul. On calcule le nombre de ces tirages grce la rgle du produit, sachant que le rsultat du
/-me tirage ninue pas sur le rsultat du (/ + 1)-me.
1
Tirage ordonn sans remise Un tirage successif (j. :) de type C,1 est reprsent par une
suite (r
1
. .... r
j
) de j lments distincts pris parmi :.
Exemple. Les tirages (3. 4) de type C,1 dans c. /. c. d sont cods c/c . dcc . /cd . ...
Calcul. On calcule le nombre
j
a
de ces tirages grce la rgle du produit, sachant que le rsultat
du /-me tirage restreint de 1 lventail des rsultats pour le (/ + 1)-me.
Tirage non ordonn sans remise Un tirage successif (j. :) de type C,1 est reprsent par
une partie r
1
. .... r
j
de j lments (distincts) pris parmi :. Choisir simultanment j lments
parmi : lments quivaut un tirage successif (j. :) de type C,1.
Exemple. Les tirages (3. 4) de type C,1 dans c. /. c. d sont cods c. /. c . /. c. d . c. c. d . ...
Calcul. On calcule le nombre
_
a
j
_
de ces tirages par la rgle du produit: chaque tirage C,1
correspondent j! tirages C,1. pour un total de
j
a
tirages C,1.
Tirage non ordonn avec remise Dans un tirage successif (j. :) de type C,1 seul compte
le nombre de fois o chaque lment est apparu: un tirage peut donc tre reprsent par une suite
(j
1
. .... j
a
) de : entiers positifs ou nuls ventuellement gaux et vriant

a
I=1
j
I
= j.
Exemple. Un tirage (3. 4) de type C,1 dans c. /. c. d sera cod (2. 1. 0. 0) pour signier quil y a
eu deux c. un /. zro c. zro d : on peut galement le coder (cc[/[ [) ou ( [ [ [) .
Calcul. Le nombre de ces tirages est gal au nombre de tirages (j. j +: 1) de type C,1 : j est
le nombre de , : 1 celui de [ , et : +j 1 le nombre total de symboles dans le codage ci-dessus.
1.2.3 Lancers
Lorsquon lance j fois un d : faces on obtient un lancer successif (j. :) : par principe il y a
rptition et on suppose que les faces sont discernables, numrotes 1. .... :. Lancer simultanment
j ds : faces quivaut un lancer successif (j. :) . ordonn si les ds sont discernables, non
ordonn sinon.
Lancer successif ordonn Un lancer successif (j. :) de type C est reprsent par une suite
(r
1
. .... r
j
) de j faces ventuellement gales prises parmi : : problme analogue un tirage (j. :)
de type C,1.
Lancer successif non ordonn Dans un lancer successif (j. :) de type C seul compte le
nombre dapparitions de chaque face : problme analogue un tirage (j. :) de type C,1.
1.2.4 Rpartitions
Lorsquon rpartit j boules dans : urnes on obtient une rpartition (j. :) : par principe les urnes
sont discernables, numrotes 1. .... :. Les urnes peuvent tre ventuellement vides, les boules sont
discernables ou pas. NB. Si on naccepte pas que les urnes puissent tre vides on les prremplit par une
boule chacune (cas j :).
Rpartition boules discernables Une rpartition (j. :) de type 1 est reprsente par
une suite (r
1
. .... r
j
) form de j urnes ventuellement gales prises parmi : : problme analogue
un tirage (j. :) de type C,1.
Rpartition boules indiscernables Dans une rpartition (j. :) de type 1 seul compte
le nombre de boules dans chaque urne : problme analogue un tirage (j. :) de type C,1.
2
1.2.5 Problmes divers
Mots discernables lettres partiellement indiscernables On permute les lettres dun
mot de : = (:
1
. .... :
j
) lettres partiellement discernables: on sintresse aux mots discernables
obtenus.
Exemple. Les mots discernables obtenus par permutation de cc/ sont cods cc/ . c/c . /cc.
Calcul. On calcule le nombre de ces mots par la rgle du produit: chaque mot nouveau correspondent
:
1
!:
2
!... permutations qui le conservent, pour un total de :! permutations.
Rpartitions en groupes deectifs imposs On rpartit : lments discernables en j
groupes discernables deectifs :
1
. .... :
j
.
Exemple. Les rpartitions de 3 lments c. /. c en 2 groupes deectifs 2. 1 sont codes c. / c .
c. c / . /. c c .
Calcul. On calcule le nombre de ces rpartitions par la rgle du produit: chaque rpartition nouvelle
correspondent :
1
!:
2
!...:
j
! permutations qui la conservent, pour un total de :! permutations.
3
Chapter 2 Dnombrements II
On note 1
a
tout ensemble : lments.
2.1 Principes gnraux
Rgle du produit [ 1[ = [[ [1[ .
Rgle de la somme Si et 1 sont deux parties disjointes alors [ ' 1[ = [[ +[1[ .
Plus gnralement on a [ ' 1[ = [[ +[1[ [ 1[ .
2.2 Cas standards
Permutations Le nombre de permutations de 1
a
est
:! = : (: 1) ... 3 2 1.
On a :! = : (: 1)! et on convient que 0! = 1.
Permutations sous contrainte. On considre une partition de 1
a
en j parties
1
. ....
j
de
cardinal :
1
. .... :
j
. On dit quune permutation : conserve la partition si : (
I
) =
I
pour tout / :
le nombre de ces permutations est
:
1
!:
2
!...:
j
!.
Applications Une application 1
j
1
a
est appele application de j dans : : il y en a
:
j
.
Variante: :
j
est le nombre de suites avec rptition de j parmi :.
Arrangements Une application injective 1
j
1
a
est appele arrangement de j parmi : :
il y en a

j
a
=
:!
(: j)!
= : (: 1) ... (: j + 1) .
Variante:
j
a
est le nombre de suites sans rptition de j parmi :.
Combinaisons Une partie j lments de 1
a
est appele combinaison de j parmi : : il y
en a
_
:
j
_
=

j
a
j!
=
:!
j! (: j)!
.
Variante:
_
a
j
_
est le coecient binmial de c
j
/
aj
dans le dveloppement de (c +/)
a
.
On a
_
a
j
_
=
_
a
aj
_
et
_
a
j
_
=
_
a1
j
_
+
_
a1
j1
_
: on "visualise" cette dernire relation avec le triangle
de Pascal. Noter que

a
j=0
_
a
j
_
= 2
a
.
4
Partitions dun ensemble Une partition de 1
a
en suite (
1
. ....
j
) de j parties de (:
1
. .... :
j
)
lments est appele partition de : en (:
1
. .... :
j
) : il y en a
_
:
:
1
. .... :
j
_
=
:!
:
1
!:
2
!...:
j
!
.
Noter que

j
I=1
:
I
= :.
Variante:
_
a
a
1
,...,ap
_
est le coecient multinmial de r
a
1
1
...r
ap
j
dans le dveloppement de
(r
1
+... +r
j
)
a
.
Une combinaison :
1
parmi : est une partition de : en (:
1
. :
2
) . avec :
2
= : :
1
: donc
_
a
a
1
,a
2
_
=
_
a
a
1
_
=
_
a
a
2
_
.
Dcompositions dun entier Une suite (j
1
. .... j
a
) dentiers positifs ou nuls satisfaisant la
relation

a
I=1
j
I
= j est appele dcomposition de j en

a
I=1
j
I
: il y en a
_
j +: 1
j
_
=
_
j +: 1
: 1
_
.
Variante:
_
a+j1
j
_
est le nombre de monmes distincts r
j
1
1
...r
jn
a
dans le dveloppement de
(r
1
+... +r
a
)
j
.
2.3 Exemples
Permutations
Un mot de : lettres discernables quivaut une pemutation de : lments: il y en a :!.
Un mot de : = (:
1
. .... :
j
) lettres partiellement discernables quivaut une partition de : en
(:
1
. .... :
j
) : il y a :
1
!:
2
!...:
j
! permutations qui conservent la partition.
Tirages, Lancers, Rpartitions
Un tirage successif (j. :) de type C,1 est une application de j dans : : il y en a :
j
.
Un tirage successif (j. :) de type C,1 est un arrangement de j parmi : : il y en a
j
a
.
Un tirage successif (j. :) de type C,1 est une combinaison de j parmi : : il y en a
_
a
j
_
.
Un tirage successif (j. :) de type C,1 est une dcomposition de j en

a
I=1
j
I
: il y en a
_
j+a1
j
_
.
Un lancer successif (j. :) de type C est une application de j dans : : il y en a :
j
.
Un lancer successif (j. :) de type C est une dcomposition de j en

a
I=1
j
I
: il y en a
_
j+a1
j
_
.
Une rpartition (j. :) de type 1 est une application de j dans : : il y en a :
j
.
Une rpartition (j. :) de type 1 est une dcomposition de j en

a
I=1
j
I
: il y en a
_
j+a1
j
_
.
Problmes divers
Mots lettres partiellement indiscernables. Un mot de : = (:
1
. .... :
j
) lettres partiellement
discernables quivaut une partition de : en (:
1
. .... :
j
) : il y en a
_
a
a
1
,...,ap
_
.
Rpartitions en groupes deectifs imposs. Une rpartition de : lments discernables en j
groupes discernables deectifs :
1
. .... :
j
quivaut une partition de : en (:
1
. .... :
j
) : il y en a
_
a
a
1
,...,ap
_
.
Chemins sur un rseau. Un chemin sur le rseau N N est une suite de segments units
i = (1. 0) ou , = (0. 1) . Un chemin qui mne du point (0. 0) au point (j. ) comporte j segments i
et segments , : il peut tre vu comme combinaison de j parmi j+ et il y en a
_
j+q
j
_
. Un chemin
partant de (0. 0) et de longueur : se termine en un point (j. ) de la droite j + = : : il y en a 2
a
.
5
Chapter 3 Espace probabilis
Une somme innie est prendre comme limite dune somme nie:

1
I=0
j
I
= lim
a!1
(

a
I=0
j
I
) .
En particulier: (i)

1
I=0
r
I
=
1
1a
si [r[ < 1 (ii)

1
I=0
a
k
I!
= c
a
pour tout r R
3.1 Point de vue exprimental
Univers Une preuve (ou exprience) 1 donne lieu un nombre ni ou dnombrable dissues
(ou rsultats) possibles, notes .
1
. .
2
. ... : leur ensemble est lunivers .
Evnements Un vnement li 1 est un ensemble dissues, donc une partie de : on dit
quun vnement est ralis lorsque le rsultat de lexprience appartient .
Probabilits A chaque issue .
I
est associ un nombre j
I
[0. 1] . avec j
1
+ j
2
+ ... = 1 :
on calcule la probabilit pr () dun vnement par
pr () =

.
k
2
j
I
.
Equiprobabilit Dans le cas ni il y a quiprobabilit quand j
I
=
1
jj
pour tout / : alors
pr () =
[[
[[
.
3.2 Point de vue formel
3.2.1 Espace probabilis ni
On considre un ensemble ni . appel univers: les lments de T () sont appels vnements.
Les vnement et 1 sont dits incompatibles si 1 = ?.
Loi de probabilit A chaque vnement on associe un nombre pr () et on suppose vris
les axiomes suivants:
PR1: 0 _ pr () _ 1 pour tout
PR2: pr () = 1. pr (?) = 0
PR3: Si et 1 sont deux vnements incompatibles on a pr ( ' 1) = pr () + pr (1)
Lapplication pr : T () [0. 1] est appele loi de probabilit sur : le triplet (. T () . pr)
est appel espace probabilis.
Proprits
1. Pour tous vnements . 1 on a:
(i) pr
_

_
= 1 pr ()
(ii) pr ( ' 1) = pr () + pr (1) pr ( 1)
(iii) Si 1 alors pr () _ pr (1)
6
2. Pour toute suite
1
. ....
a
dvnements deux deux disjoints on a
pr
_
a
_
I=1

I
_
=
a

I=1
pr (
I
) .
3. Si les vnements
1
. ....
a
sont quelconques on a
pr (

a
I=1

I
) =

1ia
pr (
i
)

1i<)a
pr (
i

)
) +

1i<)<Ia
pr (
i

)

I
) ...
Evnements lmentaires Les vnements . sont dits lmentaires: on a toujours
pr () =

.2
pr (.) .
et en particulier

.2
pr (.) = 1.
Disjonction des cas Pour tous vnements . 1 on a
pr () = pr ( 1) + pr
_
1
_
.
Plus gnralement, si les vnements
1
. ....
a
forment une partition de on a
pr () =

a
I=1
pr (
I
) .
3.2.2 Espace probabilis dnombrable
Si est dnombrable on remplace PR3 par le rsultat ci-dessous:
PR3 bis: Pour toute suite
1
.
2
. ... dvnements deux deux disjoints on a
pr
_
1
_
I=1

I
_
=
1

I=1
pr (
I
) .
3.3 Exemples
Espace probabilis ni
1. est lensemble des permutations de 1
a
. Sous lhypothse dquiprobabilit chaque permu-
tation a la probabilit
1
a!
. Une permutation : admet i comme point xe si : (i) = i : la probabilit
que : nait aucun point xe est j
a
=

a
I=0
(1)
k
I!
.
2. est lensemble des applications j dans :. Sous lhypothse dquiprobabilit chaque appli-
cation a la probabilit
1
a
p
. Idem pour les arrangements et combinaisons de j parmi :.
3. = c. /. c. d et pr (c) = pr (c) = c,2. pr (/) = c. pr (d) = 2c : c = 1,4. pr (c. /) = 3,8.
4. Dans une preuve 2 issues on code les issues 0 et 1 de manire standard, do lunivers
= 0. 1 . Si pr (1) = j alors pr (0) = 1 j. not .
5. Lorsquon rpte une preuve 2 issues : fois lunivers est lensemble = 0. 1
a
des suites
avec rptition de : parmi 2 : sous lhypothse dquiprobabilit chaque suite a la probabilit
1
2
n
.
La probabilit quune suite comporte / fois 1 exactement est
_
a
I
_
.
1
2
n
.
Espace probabilis dnombrable
On lance une pice quiprobable jusqu ce quon obtienne PILE et on code PILE par 1 et FACE
par 0 : lunivers est lensemble des suites 1. 01. 001. ... et on note .
a
la suite dont le 1 est au
rang :. La suite .
a
a pour probabilit j
a
=
1
2
n
: on vrie que

1
a=1
j
a
= 1. Probabilit dattendre
PILE au moins 3 lancers, dun PILE un rang pair.
7
Chapter 4 Probabilit conditionnelle, Indpen-
dance
4.1 Probabilit conditionnelle
Probabilit conditionnelle dun vnement Si . 1 sont deux vnements et pr (1) 0
on dnit la probabilit de sachant 1 par
pr ( [ 1) =
pr ( 1)
pr (1)
.
Si 1 = ? alors pr ( [ 1) = 0. si 1 alors pr ( [ 1) = 1.
On a donc
pr ( 1) = pr ( [ 1) pr (1) = pr (1 [ ) pr () .
Formule gnralisable: pr (
1
...
a
) = pr (
1
) pr (
2
[
1
) pr (
3
[
1

2
) ...
Loi conditionnelle Lapplication pr ( [ 1) : pr ( [ 1) est encore une loi de probabilit
sur : en particulier, si
1

2
= ? alors
pr (
1
'
2
[ 1) = pr (
1
[ 1) + pr (
2
[ 1) .
Cette loi conditionnelle quivaut une restriction de lunivers 1 : dans certains cas cette
restriction peut tre dcrite et permettre ainsi un calcul direct des probabilits conditionnelles.
4.2 Indpendance
La notion de probabilit conditionnelle nest pertinente que si lvnement 1 inue sur .
Evnements indpendants et 1 sont des vnements indpendants si
pr ( 1) = pr () pr (1) .
Autrement dit pr ( [ 1) = pr () : alors et 1. et 1. et 1 sont aussi indpendants.
Indpendance totale Une suite
1
. ....
a
dvnements est en indpendance totale si la
probabilit de toute intersection dvnements de cette suite est le produit des probabilits.
Lindpendance totale entrane lindpendance deux deux mais la rciproque est fausse.
4.3 Probabilits totales, Formule de Bayes
Formule des probabilits totales Pour tous vnements . 1 on a
pr () = pr ( [ 1) pr (1) + pr
_
[ 1
_
pr
_
1
_
.
Formule gnralisable une partition
1
. ....
a
de : pr () =

a
I=1
pr ( [
I
) pr (
I
) .
Formule de Bayes Pour tous vnements . 1 on a
pr (1 [ ) =
pr ( [ 1) pr (1)
pr ( [ 1) pr (1) + pr
_
[ 1
_
pr
_
1
_
8
4.4 Exemples
Probabilit conditionnelle
1. Dans une population 20% des gens sont blonds, 30% ont les yeux bleus.
(i) 10% sont blonds aux yeux bleus: probabilit davoir les yeux bleus sachant quon est blond
et vice-versa.
(ii) 60% des blonds ont les yeux bleus: probabilit dtre blond aux yeux bleus..
2. On tire sans remise 3 boules dans une urne contenant 3 boules blanches et 4 noires.
(i) Probabilit dobtenir une boule blanche au 3me tirage sachant quon en a dj obtenu 2.
(ii) Probabilit dobtenir une boule blanche au 3me tirage sachant quon a dj obtenu une
blanche et une noire.
Epreuves successives
Lorsquon eectue : preuves successives lunivers
a
est un ensemble de suites (r
1
. .... r
a
) et
peut tre dcrit par un arbre de choix: chaque noeud de larbre reprsente un tat possible, chaque
branche reprsente la transition dun tat un autre. On aecte chaque branche une probabilit
de transition, qui est la probabilit conditionnelle de lun des noeuds sachant lautre: la probabilit
de lissue (r
1
. .... r
a
) est le produit des probabilits des branches qui mnent cette issue.
Un cas important est celui dune preuve rpte : fois: si le rsultat ltape / inuence le
rsultat ltape / + 1 les probabilits de transition doivent tre recalcules chaque nouvelle
tape; si lpreuve est rpte indpendamment les probabilits de transition sont les mmes dune
tape lautre. Exemple: tirage avec ou sans remise.
Indpendance
1. On tire avec remise : boules dans une urne contenant 3 boules blanches et 4 noires. Probabilit
dobtenir une boule blanche au troisime tirage sachant quon a dj obtenu une boule blanche et
une boule noire.
2. On lance un d quiprobable 6 faces deux fois de suite indpendamment. Indpendance
des vnements "le premier chire vaut 4", "la somme des chires vaut 7", "le second chire vaut
3". Indpendance non totale.
Systme parallle et systme srie On considre : composants binaires en indpendance
totale: on note j
I
le taux de panne du composant /. donc 1 j
I
sa probabilit de bon fonction-
nement.
(i) Le systme srie fonctionne ssi tous les composants fonctionnent: sa probabilit de bon
fonctionnement est
a
I=1
(1 j
I
) .
(ii) Le systme parallle est en panne ssi tous les composants le sont: sa probabilit de panne
est
a
I=1
j
I
.
Formule de Bayes On veut diagnostiquer une maladie laide dun test; comme celui-ci
nest pas parfait il peut donner un rsultat positif chez un patient non malade (rsultat faux positif)
ou un rsultat ngatif chez un patient malade (rultat faux ngatif): on note par la suite 1 et `
les vnements "test positif" et "patient malade", et j = pr (`) la probabilit dtre malade dans
une population donne (prvalence), = 1 j. On distingue deux points de vue:
(i) le laboratoire, qui veut valuer la qualit de son test, utilise les indices sensibilit :c =
pr (1 [ `) et spcicit :j = pr
_
1 [ `
_
. supposs indpendants de j.
(ii) le mdecin, qui veut valuer la pertinence de son diagnostic, utilise les indices valeur
prdictive positive jj = pr (` [ 1) et valeur prdictive positive j: = pr
_
` [ 1
_
. qui ne sont
pas indpendants de j.
9
Chapter 5 Statistique I
Une srie statistique est une suite de donnes.
5.1 Cas discret
5.1.1 Srie discrte non regroupe
Dans le cas non regroup les ` donnes r
1
. .... r
.
sont ventuellement gales.
Moyenne La moyenne de la srie est la moyenne arithmtique r =
1
.

.
I=1
r
I
.
Variance La variance de la srie mesure la dispersion de la srie autour de sa moyenne: elle
est donne par
a
=
1
.

.
I=1
(r
I
r)
2
=
1
.

.
I=1
r
2
I
r
2
.
5.1.2 Srie discrte regroupe
Dans le cas regroup les ` donnes ventuellement gales sont regroupes par valeurs distinctes
r
1
< r
2
< ... < r
j
: on reprsente la srie par un tableau des eectifs
r
1
r
2
r
j
:
1
:
2
:
j
.
o :
I
dsigne le nombre de fois o la valeur r
I
a t observe: donc

j
I=1
:
I
= `.
Frquences La frquence de r
I
est ,
I
=
a
k
.
. Noter que

j
I=1
,
I
= 1.
Moyenne La moyenne de la srie est la moyenne pondr r =

j
I=1
,
I
r
I
.
Variance, Ecart-type La variance de la srie est
a
=

j
I=1
,
I
(r
I
r)
2
=

j
I=1
,
I
r
2
I
r
2
.
Lcart-type est o
a
=
_

a
.
5.2 Cas continu
5.2.1 Srie continue
On reprsente la srie par un tableau des frquences
]r
0
. r
1
] ]r
1
. r
2
] ]r
j1
. r
j
]
,
1
,
2
,
j
.
o ,
I
est la frquence de lintervalle ]r
I1
. r
I
] : on appelle amplitude de ]r
I1
. r
I
] la quantit
r
I
r
I1
. La frquence dune valeur r
I
(ou de toute autre valeur) est considre comme nulle: les
intervalles ]r
I1
. r
I
[ . [r
I1
. r
I
] . ]r
I1
. r
I
] . [r
I1
. r
I
[ ont donc mme frquence.
Frquences, Densit
Lhistogramme des frquences est un graphique o lon place en abscisse les intervalles ]r
I1
. r
I
]
et en ordonne des rectangles daires gales aux frquences ,
I
: si j
I
dsigne la hauteur du /-me
rectangle on a donc j
I
(r
I
r
I1
) = ,
I
.
La densit est la fonction p constante par morceaux dont le graphe est lhistogramme des
frquences
1
.
La frquence de lintervalle [c. /] est laire fr ([c. /]) =
_
b
o
p(r) dr.
1
On peut toujours complter le tableau des frquences avec deux intervalles ctifs ]; x
0
] et ]x
p
; +[ et des
frquence associes nulles: on complte alors p sur R par p(x) = 0 sur ]; x
0
] et ]x
p
; +[ :
10
Frquences cumules croissantes, Fonction de rpartition
La somme 1
I
=

I
i=1
,
i
est appele frquence cumule croissante (FCC en abrg): 1
0
= 0.
Lhistogramme des FCC est un graphique o lon place en abscisse les intervalles ]r
I1
. r
I
] et
en ordonne des rectangles de hauteur gale aux FCC 1
I
: on relie les points `
I
= (r
I
. 1
I
) par le
polygne des FCC.
La fonction de rpartition est la fonction F ane par morceaux dont le graphe est le polygne
des FCC
2
: on a F
0
(r) = p(r) sauf en des points isols.
La frquence de lintervalle [c. /] est donne par fr ([c. /]) = F(/) F(c) .
Mdiane, Quartiles La mdiane : divise la srie en deux intervalles de mme frquence,
donc est donne par le point
_
:.
1
2
_
du polygne des FCC: F(:) = 0.5.
Les quartiles
1
.
2
.
3
divisent la srie en trois intervalles conscutifs de mme frquence:
F(
1
) = 0.25.
2
= :. F(
3
) = 0.75.
5.3 Exemples
Srie statistique
1. Srie discrte.
2. Srie continue dnie par une densit ou par une fonction de rpartition.
Fonction ane 1 (r) = :r +j dnie par limage de deux points:
(i) Si 1 (r
0
) =
0
alors j =
0
:r
0
donc 1 (r) = :(r r
0
) +
0
.
(ii) Si 1 (r
1
) =
1
. 1 (r
2
) =
2
alors : =
j
2
j
1
a
2
a
1
donc 1 (r) =
j
2
j
1
a
2
a
1
. (r r
1
) +
1
.
Courbe de concentration de Lorenz On sintresse aux ingalits de possession de richesse
dans une population.
On considre la srie discrte regroupe (:
I
. :
I
)
I=1..j
o :
I
est la richesse possde par indi-
vidu et :
I
leectif associ dans la population. La population totale est `. la richesse totale est
1 =

j
i=1
:
i
:
i
= `.: et on note 1
I
=
1
1

I
i=1
:
i
:
i
. 1
I
=
1
.

I
i=1
:
i
: donc la /-me fraction 1
I
la
plus pauvre de la population possde la fraction 1
I
de la richesse totale.
La courbe de Lorenz joint les points (1
I
. 1
I
) : elle part de (1
0
. 1
0
) = (0. 0). se termine en
(1
j
. 1
j
) = (1. 1). et est situe sous le segment joignant ces deux points.
Il y a galit parfaite lorsque chaque individu possde la mme richesse, ingalit extrme
lorsquun seul individu possde toute la richesse: de faon gnrale plus la courbe "colle" la ligne
de parfaite galit plus la socit est galitaire. Lindice de Gini permet de quantier cela.
Lindice de Gini peut se dnir partir de la courbe de Lorenz comme le double de laire de
la surface dlimite par cette courbe et la premire diagonale: donc 0 _ _ 1.
Si est proche de 0 cela signie que les dirences relatives sont en moyenne faible par rapport
la moyenne des revenus : les ingalits dans la population sont faibles. Si au contraire est
proche de 1 alors il y a de fortes dirences relatives en moyenne : les ingalits sont fortes.
2
On peut toujours complter F par F(x) = 0 sur ]; x
0
] et F(x) = 1 sur ]x
p
; +[ :
11
Chapter 6 Variables alatoires I
6.1 Variable, Loi
A une preuve donne dunivers on peut associer une ou plusieurs applications A : R.
appeles variables alatoires (VA en abrg).
Une variable discrte nie ne prend quun nombre ni ` de valeurs r
1
< ... < r
.
tandis
quune variable discrte dnombrable prend un nombre dnombrable r
1
< r
2
< .... de valeurs: on
adoptera la convention ` = dans le deuxime cas.
Evnements lis A Lvnement . . A (.) 1 est not A 1 : les vnements
. . A (.) = r . . . A (.) < r sont encore nots A = r . A < r .
Loi de A Lapplication pr
A
: 1 pr (A 1) est appele loi de A : elle est connue ds lors
que lon connat les pr
A
(r
I
) = pr (A = r
I
) .
La distribution de A est la fonction p
A
: R [0. 1] dnie par
p
A
(r) = pr (A = r) .
En pratique on ne mentionne que les valeurs r
1
. .... r
.
de r pour lesquelles p
A
(r) 0 et on rsume
la distribution par un tableau des probabilits (r
I
. p
A
(r
I
))
I=1...
.
Par la suite le symbole

a
signiera que la somme est faite sur les valeurs p
A
(r) 0 : avec
cette convention on a

a
p
A
(r) = 1.
Fonction de rpartition La fonction de rpartition de A est la fonction F
A
: R [0. 1]
dnie par
F
A
(r) = pr (A _ r) .
On a pr (A r) = 1 F(r) . pr (A ]c. /]) = F(/) F(c) .
6.2 Esprance
Souvent note j. lesprance de A est la moyenne pondre
E(A) =

a
p
A
(r) .r.
6.3 Fonction dune variable
q est une fonction R R.
Variable q (A) Cest lapplication 2 = q A : R : elle prend la valeur . avec la
probabilit
p
Z
(.) =

j(a)=:
p
A
(r) .
Esprance de q (A) Elle est donne par
E(q (A)) =

a
p
A
(r) .q (r) .
En particulier E(cA +/) = c.E(A) +/.
12
6.4 Variance
Moments Le moment dordre : de A est E(A
a
) . le moment centr dordre : est E[(A j)
a
] .
Variance La variance de A est le moment centr dordre deux
V(A) = E
_
(A j)
2

a
p
A
(r) . (r j)
2
= E
_
A
2
_
j
2
=
_

a
p
A
(r) .r
2
_
j
2
.
On a toujours V(cA +/) = c
2
.V(A) .
Ecart-type Souvent not o. lcart-type de A est
(A) =
_
V(A).
Si A est une VA desprance j et cart-type o alors la VA
Aj
o
a une esprance nulle et un
cart-type gal 1 : elle est dite centre rduite.
6.5 Exemples
Variable indicatrice La variable indicatrice dun vnement est la variable

dnie par

(r) = 1 si r . 0 sinon: on a donc pr (

= 1) = pr () . pr (

= 0) = pr
_

_
.
Si j = pr () on a E(

) = j. V(

) = j (1 j) .
VA nies
1. On considre lunivers = c. /. c. d muni de la loi pr (c) = pr (/) =
1
4
. pr (c) =
1
3
. pr (d) =
1
6
.
On dnit la VA A sur par A (c) = A (c) = 1. A (/) = 1. A (d) = 2 : loi, fonction de
rpartition, esprance et variance de A. 2A 1. A
2
.
2. On lance un d quiprobable 6 faces deux fois de suite indpendamment et on note les
numros apparus. On dnit sur lunivers les VA A = "nombre de 4", 1 = "nombre de chires
pairs", 2 = "rang du premier 4" (avec la convention 2 = 0 si aucun 4) : loi et esprance de
A. 1. 2; importance dun bon choix de .
3. On considre lunivers = 0. 1
4
et on dnit la VA A = "nombre de 1" sur . Loi de A.
VA dnombrables Un enseignant dsordonn recherche un livre dans sa bibliothque et la
parcourt de long en large. Au premier aller-retour il a une probabilit
1
2
de trouver son livre,
mais, la fatigue aidant, il na plus quune probabilit
1
a+1
au :-me aller-retour sil na pas encore
trouv son livre avant. Le nombre A daller-retours ncessaires pour trouver le livre est une VA
dnombrable qui peut prendre toutes les valeurs entires strictement positives 1. 2. ... Lnonc
donne pr (A = : [ A : 1) =
1
a+1
donc pr (A = :) =
1
2
2
3
...
a1
a
1
a+1
=
1
a(a+1)
et la probabilit de
russite est 1 : par contre le temps dattente moyen avant de trouver le livre est E(A) = +.
Jeux Dans un jeu dargent on dsigne par A le gain du joueur: le jeu est dit quitable si
E(A) = 0. avantageux ou dsavantageux suivant que E(A) 0 ou E(A) < 0.
On lance un d quiprobable 6 faces numrotes 1. 2. 2. 3. 3. 3 : on gagne 2 $ si le 1 apparat,
on perd 1 $ si le 3 apparat, et on ne perd ni ne gagne rien si le 2 apparat. On note G le gain lors
dune partie: loi et esprance de G.
13
Chapter 7 Variables alatoires II
On considre deux VA A. 1 : R et on note A 1. 1 J lvnement A 1 1 J :
A et 1 prennent les valeurs r
1
< ... < r
.
et
1
< ... <
1
.
7.1 Couple de variables alatoires
Le couple (A. 1 ) est la VA R
2
dnie par (A. 1 ) (.) = (A (.) . 1 (.)) .
Loi conjointe
La loi conjointe de (A. 1 ) est la loi pr
A,Y
: 1 J pr (A 1. 1 J) du couple (A. 1 ) : elle
est entirement dtermine par les probabilits pr
A,Y
(r
i
.
)
) = pr (A = r
i
. 1 =
)
) .
La distribution conjointe de (A. 1 ) est la fonction p
A,Y
: R
2
[0. 1] dnie par
p
A,Y
(r. ) = pr (A = r. 1 = ) .
Noter que

a

j
p
A,Y
(r. ) = 1.
Lois marginales
Les lois marginales de (A. 1 ) sont les lois de A et 1 calcules partir de la loi conjointe de
(A. 1 ) :
p
A
(r) =

j
p
A,Y
(r. ) . p
Y
() =

a
p
A,Y
(r. ) .
7.2 Fonction de deux variables
q est une fonction R
2
R.
Variable q (A. 1 ) Cest lapplication 2 = q (A. 1 ) : R : elle prend la valeur . avec la
probabilit
p
Z
(.) =

j(a,j)=:
p
A,Y
(r. ) .
Esprance de q (A. 1 ) Elle est donne par
E(q (A. 1 )) =

j
p
A,Y
(r. ) .q (r. ) .
En particulier E(A +1 ) = E(A) +E(1 ) .
7.3 Variables indpendantes
Les VA A. 1 sont dites indpendantes si, au choix:
(i) pr (A 1. 1 J) = pr (A 1) pr (1 J) pour tous 1. J.
(ii) pr (A _ r. 1 _ ) = pr (A _ r) pr (1 _ ) pour tous r. .
(iii) pr (A = r. 1 = ) = pr (A = r) pr (1 = ) pour tous r. .
La dnition et ses quivalents sont gnralisables un nombre ni de VA.
14
Proprits A et 1 sont indpendantes ssi la loi conjointe de (A. 1 ) est donne par
p
A,Y
(r. ) = p
A
(r) p
Y
() .
Alors:
(i) La loi de 2 = q (A. 1 ) est donne par
p
Z
(.) =

j(a,j)=:
p
A
(r) p
Y
() .
(ii) On a
E(A1 ) = E(A) E(1 ) . V(A +1 ) = V(A) +V(1 ) .
Ces proprits sont gnralisables : VA indpendantes.
Epreuve indpendamment rpte On rpte : fois indpendamment une preuve: si
lpreuve est reprsente par la VA A alors les rptitions sont reprsentes par des copies in-
dpendantes A
1
. .... A
a
de A : ces copies suivent la mme loi que A. donc prennent les mmes
valeurs que A avec les mmes probabilits, mais pas forcment aux mmes points!
(i) La loi conjointe de (A
1
. .... A
a
) est dnie par
p
A
1
,A
2
,...,An
(r
1
. r
2
. .... r
a
) = p
A
(r
1
) p
A
(r
2
) ... p
A
(r
a
) .
(ii) Lesprance et la variance de o
a
=

a
I=1
A
I
et 1
a
=
Sn
a
sont donnes par
E(o
a
) = :.E(A) . V(o
a
) = :.V(A) . E(1
a
) = E(A) . V(1
a
) =
1
:
.V(A) .
7.4 Exemples
Loi conjointe, Lois marginales
1. On lance indpendamment 2 ds quiprobables 3 faces: on dsigne par A le nombre de fois
o la face 2 est apparue, par 1 la somme des faces apparues. Loi conjointe et lois marginales de
(A. 1 ) .
2. On considre un point (A. 1 ) sur le rseau [0. 4]
N
[0. 3]
N
et on donne les probabilits
suivantes: p
A,Y
(r. ) = 0 si (r. ) est un des points (0. 0) . (4. 0) . (4. 3) . (0. 3) . (2. 1) . (2. 2) .
p
A,Y
(r. ) =
1
14
sinon. Loi conjointe et lois et marginales de (A. 1 ) .
VA indpendantes
1. On lance indpendamment 2 ds quiprobables 3 faces: on dsigne par A
1
et A
2
les chires
apparus sur les ds 1 et 2. Loi conjointe de (A
1
. A
2
) . lois de A
1
+A
2
et min (A
1
. A
2
) . Probabilits
pr (A
1
= A
2
) . pr (A
1
A
2
) . pr (A
1
< A
2
) .
2. On lance indpendamment 3 ds quiprobables 5 faces: on dsigne par A
I
le chire apparu
sur le d /. Probabilits pr (A
1
= A
2
= A
3
) et pr (A
1
< A
2
< A
3
) .
3. On lance indpendamment : fois une pice: on suppose que pr (1111) =
2
3
et on dsigne
par A
I
le rsultat du lancer /. Lois de o
a
=

a
I=1
A
I
et 1
a
=
Sn
a
lorsque : = 2. 3.
15
Chapter 8 Lois discrtes nies
8.1 Loi de Bernouilli
Succs, Echec On considre une preuve deux issues, nommes de manire standard "suc-
cs" ou "chec". Le rsultat de cette exprience est reprsent par une VA A qui peut prendre les
deux valeurs 1 ou 0.
Loi de Bernouilli Si la probabilit de succs est j alors pr (A = 1) = j. pr (A = 0) = 1j.
On appelle loi de Bernouilli de paramtre j la loi dnie par cette distribution: on notera = 1j.
Esprance et Variance On a E(A) = j.
2
(A) = j.
Processus de Bernouilli Un processus de Bernouilli consiste rpter indpendamment
une preuve de Bernouilli.
8.2 Loi binomiale
Nombre de succs Dans un processus de Bernouilli de longueur : on sintresse au "nombre
de succs". Le rsultat de cette exprience est reprsent par une VA A dont les valeurs possibles
sont / = 0. 1. ...:.
Loi binomiale Si la probabilit de succs est j alors
pr (A = /) =
_
:
/
_
.j
I

aI
.
On appelle loi binomiale de paramtres (:. j) la loi dnie par cette distribution, note E(:. j) .
Cette loi prsente un maximum lorsque / vaut la partie entire de (: + 1) j.
Esprance et Variance On a E(A) = :j.
2
(A) = :j.
8.3 Loi hypergomtrique
Tirage sans remise On considre un tirage sans remise de : boules dans une urne qui
en contient `. dont `
1
sont blanches et les autres noires: on sintresse au "nombre de boules
blanches tires". Le rsultat de cette exprience est reprsent par une une VA A dont les valeurs
possibles dpendent de : et `
1
.
Loi hypergomtrique On a
pr (A = /) =
_
.
1
I
__
..
1
aI
_
_
.
a
_
avec la convention
_
c
v
_
= 0 si : < 0 ou : :. On appelle loi hypergomtrique de paramtres
(`. `
1
. :) la loi dnie par cette distribution, note H(`. `
1
. :) .
Noter que la proportion de boules blanches est j =
.
1
.
: inversement `
1
= `j.
Esprance et Variance On a E(A) = :j.
2
(A) =
.a
.1
.:j.
16
Approximation de la loi hypergomtrique par la loi binomiale Lorsque : est petit
devant ` la distinction entre "avec remise" et "sans remise" perd de sa pertinence et on peut
approcher la loi hypergomtrique H(`. `
1
. :) par la loi binomiale E
_
:.
.
1
.
_
.
8.4 Loi multinomiale
Epreuve indpendamment rpte issues multiples On rpte : fois indpendam-
ment une preuve : issues numrotes 1. 2. .... :. On note A
I
le nombre dapparitions de lissue
/ et on sintresse la variable conjointe (A
1
. .... A
c
) . dont les valeurs possibles sont les partitions
de : en (:
1
. :
2
. .... :
c
) .
Loi multinomiale Si lissue / a la probabilit j
I
de ralisation alors
pr (A
1
= :
1
. A
2
= :
2
. .... A
c
= :
c
) =
_
:
:
1
. :
2
. .... :
c
_
.j
a
1
1
j
a
2
2
...j
as
c
.
On appelle loi multinomiale de paramtres (:; j
1
. .... j
c
) la loi dnie par cette distribution, note
/(:; j
1
. j
2
. .... j
c
) .
Les A
I
sont des VA (non indpendantes) de loi E(:. j
I
) . avec

c
I=1
A
I
= : et

c
I=1
j
I
= 1.
8.5 Exemples
Loi de Bernouilli On lance une pice non quiprobable: la probabilit dobtenir PILE est
note j. On pose A = 1 si on obtient PILE, 0 sinon: A est une VA de Bernouilli de paramtre j.
Loi binomiale
On lance indpendamment : fois une pice non quiprobable: la probabilit dobtenir PILE est
note j. On note A le nombre de PILE obtenus: A est une VA binomiale de paramtres (:. j) .
Nombre et frquence de succs Dans un processus de Bernouilli de paramtre j on note
A
I
la VA qui vaut 1 si succs au rang / et 0 sinon (/ = 1. .... :) : les A
I
sont des VA de Bernouilli
indpendantes de mme paramtre j.
La VA o
a
=

a
I=1
A
I
donne le nombre de succs et suit la loi E(:. j) . tandis que la VA
1
a
=
Sn
a
donne la frquence de succs:
(i) pr (o
a
= /) =
_
a
I
_
.j
I

aI
et on a E(o
a
) = :j.
2
(o
a
) = :j.
(ii) pr
_
1
a
=
I
a
_
=
_
a
I
_
.j
I

aI
et on a E(1
a
) = j.
2
(1
a
) =
jq
a
.
Loi multinomiale On lance indpendamment 9 fois un d quiprobable 6 faces. Probabilit
dobtenir 3 fois le 1. 2 fois le 4 et 4 fois le 5.
Loi hypergomtrique On veut estimer le nombre ` danimaux dune certaine espce sur
un territoire donn et on adopte la technique suivante: on capture `
1
animaux que lon marque
puis relche pendant un temps susant pour quils se dispersent alatoirement; on capture
nouveau : < `
1
animaux et on note le nombre A danimaux marqus. On suppose que leectif
total na pas vari depuis le premier prlvement.
A suit la loi hypergomtrique de paramtres (`. `
1
. :) et on note j
I
(`) la probabilit que
A = / sachant que leectif total est `. On montre que j
I
(`) atteint son maximum lorsque `
satisfait la relation
.
1
.
=
I
a
. qui dit que la proportion des animaux marqus est la mme lors de la
premire et de la deuxime capture: on peut donc estimer ` partir de la valeur observe de A.
17
Chapter 9 Lois discrtes dnombrables
9.1 Loi gomtrique
Temps dattente du premier succs dans un processus de Bernouilli Dans un proces-
sus de Bernouilli on sintresse au rang du premier succs, appel "temps dattente du premier
succs". Le rsultat de cette exprience est reprsent par une VA A. qui peut prendre toutes les
valeurs entires strictement positives 1. 2. ...
Loi gomtrique Si la probabilit de succs est j alors
pr (A = /) = j
I1
.
On appelle loi gomtrique de paramtre j la loi dnie par cette distribution, note ( (j) .
On a pr (A /) =
I
donc pr (A , +/ [ A ,) = pr (A /) : autrement dit le temps
dattente avant le premier succs ne dpend pas du temps dj coul.
Esprance et Variance On a E(A) =
1
j
.
2
(A) =
q
j
2
.
Si la probabilit de succs est
1
v
il faudra donc attendre en moyenne un temps :.
9.2 Loi binomiale ngative
Temps dattente du :-me succs dans un processus de Bernouilli Dans un processus
de Bernouilli on sintresse au rang du :-me succs, appel "temps dattente du :-me succs".
Le rsultat de cette exprience est reprsent par une VA A. qui peut prendre toutes les valeurs
:. : + 1. ...
Loi binomiale ngative Si la probabilit de succs est j alors
pr (A = /) =
_
/ 1
: 1
_
.j
v

Iv
.
On appelle loi binomiale ngative de paramtre (:. j) la loi dnie par cette distribution, note
EA (:. j) .
La dnomination vient de la dnition
_
c
I
_
=
c(c1)...(cI+1)
I!
gnralise tout rel c. et de
lgalit
_
I1
v1
_
= (1)
v
_
v
Iv
_
.
Esprance et Variance On a E(A) =
v
j
.
2
(A) =
vq
j
2
.
9.3 Loi de Poisson
Suite dvnements rares et indpendants Un phnomne discret est rare si la proba-
bilit quil apparaisse plus dune fois est petite: on appelle signal une apparition du phnomne.
Le "nombre de signaux" est une VA A qui peut prendre toutes les valeurs entires 0. 1. 2. ... et sa
loi peut tre approximativement dcrite laide du seul nombre moyen ` de signaux.
Loi de Poisson Une VA A suit la loi de Poisson de paramtre ` si
pr (A = /) = c
A
.
`
I
/!
pour tout entier / : on note T (`) cette loi.
18
Esprance et Variance On a E(A) = `.
2
(A) = `.
Le nombre
1
A
reprsente lcart moyen entre deux signaux.
Approximation de la loi binomiale par la loi de Poisson Si : est grand et j petit alors
on peut approcher E(:. j) par la loi de Poisson de paramtre ` = :j. donc
_
a
I
_
.j
I

aI
par c
A
.
A
k
I!
.
Processus de Poisson On considre un phnomne temporel ou spatial rare: on note A (t)
le nombre de signaux dans un intervalle de longueur t. et ` le nombre moyen de signaux par unit
(de temps ou despace). On dit que le phnomne est un processus de Poisson si A (t) suit la loi
de Poisson de paramtre `t.
9.4 Exemples
Loi gomtrique et loi binomiale ngative
1. On eectue un tirage avec remise dans une urne contenant ` boules, dont `
1
blanches et les
autres noires. On note A
v
le rang de la :-me boule blanche tire: A
1
suit la loi gomtrique de
paramtre j =
.
1
.
. A
v
suit la loi binomiale ngative de paramtres (:. j) .
2. On lance une pice non quiprobable un nombre indtermin de fois: on note j la probabilit
dobtenir PILE. On note A
v
le temps dattente avant dobtenir le :-me PILE: A
1
suit la loi
gomtrique de paramtre j. A
v
suit la loi binomiale ngative de paramtres (:. j) .
3. Une marque de chocolat insre dans chaque tablette un bon marqu dun numro parmi
1. 2. .... : : chaque numro a la mme probabilit
1
a
dapparatre. On sintresse au temps dattente
1
a
avant dobtenir tous les numros et on note A
I
le temps dattente dun /-me nouveau numro
sachant quon en a dja / 1 distincts: alors 1
a
=

a
I=1
A
I
. La loi de A
I
est gomtrique de
paramtre j
I
=
aI+1
a
donc lesprance de 1
a
est

a
I=1
1
j
k
= :.

a
I=1
1
I
. qui est de lordre de
:ln (:) pour : grand.
Temps dattente entre deux succs Dans un processus de Bernouilli de paramtre j on
note 1
I
le temps dattente entre le succs / 1 et le succs / : les 1
I
sont des VA indpendantes
et suivent le mme loi ( (j) . La VA A =

v
I=1
1
I
donne le temps dattente du :-me succs et
suit la loi EA (:. j) .
Loi de Poisson
1. Nombre A de coquilles par page dans un livre. On admet que chaque page comporte
: caractres et que chaque caractre a la probabilit j dtre mal rendu, indpendamment des
autres: alors ` = :j est le nombre moyen derreurs par page et A suit approximativement la loi
T (`) .
2. Nombre A (t) de particules c mises par un gramme de matriau radioactif pendant un temps
de t secondes. On admet que lon connat le nombre moyen ` de dsintgrations par seconde et que
lon a aaire un processus de Poisson: alors A (t) suit a priori la loi T (`t) . On peut galement
concevoir le gramme de matire comme form de : atomes ayant chacun la probabilit j = `,:
de dsintgration, auquel cas on justie lusage dune loi de Poisson comme approximation de la
loi binomiale.
3. Nombre A (t) dtoiles dans une partie de lespace de volume t. On admet que lon connat
le nombre moyen ` dtoiles par unit de volume et que lon a aaire un processus de Poisson:
alors A (t) suit a priori la loi T (`t) .
4. On note A
a
la VA "nombre de points xes dune permutation de 1
a
": si : est grand, A
a
suit approximativement une loi de Poisson de paramtre ` = 1.
19
Chapter 10 Statistique II
10.1 Test dhypothse
Dans une exprience alatoire on note A le rsultat: on fait une hypothse H
0
qui permet de
prdire la loi de A. Le rsultat rel est rarement en accord parfait avec lhypothse, et on veut
lutiliser pour dcider si on peut accepter celle-ci, ou si on doit la rejeter: cette dmarche ncessite
dopposer lhypothse H
0
une autre hypothse H
1
. qui dpend du problme pos.
Test dhypothse dune probabilit Lexprience est un processus de Bernouilli de longueur
:. On note A le nombre de succs et on fait lhypothse H
0
selon laquelle la probabilit de succs est
j
0
: alors A suit la loi binomiale E(:. j
0
) desprance j
0
= :j
0
et cart-type o
0
=
_
:j
0
(1 j
0
).
Lexprience montre quen fait le nombre de succs est : j. en notant j la frquence de succs: on
rejettera H
0
si j est "trop loign" de j
0
. ou de manire quivalente si la valeur : j est trop peu
vraisemblable.
Pour prciser le sens de "trop loign" on dnit la zone de rejet et le seuil de rejet, qui est la
probabilit de cette zone sous lhypothse H
0
:
- le seuil c de rejet est x de manire standard 5%.
- la zone de rejet est de la forme A j
0
_ t.o
0
. A j
0
_ t.o
0
ou la runion des deux.
En pratique et au seuil de 5% :
(i) Si pr (A :j
0
_ : j :j
0
) < 5% on rejette H
0
contre H
1
: j < j
0
.
(ii) Si pr (A :j
0
_ : j :j
0
) < 5% on rejette H
0
contre H
1
: j j
0
.
(iii) Si pr ([A :j
0
[ _ [: j :j
0
[) < 5% on rejette H
0
contre H
1
: j ,= j
0
.
10.2 Loi du
2
discrte
Une exprience consiste rpter : fois indpendamment une preuve : issues numrotes
1. 2. .... : : on note A
I
le nombre dapparitions de lissue /. On fait lhypothse H
0
selon laquelle les
issues 1. 2. .... : ont les probabilits j
1
. j
2
. .... j
c
: alors A
I
suit la loi binomiale E(:. j
I
) . desprance
:j
I
. On confronte les rsultats observs aux rsultats esprs et on veut dterminer si lhypothse
H
0
est bonne.
Variable
2
Pour rpondre au problme on utilise la VA
2
=

c
I=1
(A
k
aj
k
)
2
aj
k
. qui mesure
lcart relatif entre les moyennnes espres :j
1
. .... :j
c
et les valeurs observes de A
1
. .... A
c
: son
esprance est j = :1. encore appel le nombre de degrs de libert, et son cart-type est o
_
2j
pour de grandes valeurs de :.
Test dhypothse On calcule la valeur
2
de
2
pour lexprience faite: on rejette lhypothse
H
0
au seuil de 5%.si
2
j + 2o. Noter quune valeur trop petite de
2
est galement suspecte
car elle indique des rsultats trop beaux pour tre vrais, donc un trucage des donnes.
Test dindpendance On considre deux vnements et 1. Une exprience consiste
rpter : fois indpendamment une preuve 4 issues 1. 1. 1. 1 : on note A
I
le
nombre dapparitions de lissue /. dans lordre donn.
Lexprience a permis de dterminer le nombre de ralisations des 4 vnements intersections,
20
donc leur frquence; on rsume les donnes par le tableau ci-dessous:
1 1
c c c +c
/ d / +d
c +/ c +d 1
.
On fait lhypothse H
0
selon laquelle les vnements et 1 sont indpendants et on utilise les
frquences marginales j

= c + c. j
1
= c + /.

= 1 j

.
1
= 1 j
1
comme estimations des
probabilits marginales: sous cette hypothse les probabilits des vnements intersections sont
donnes par les produits de j

. j
1
.

.
1
.
La VA
2
=
(A
1
ab j
A
b j
B
)
2
ab j
A
b j
B
+
(A
2
ab q
A
b j
B
)
2
ab q
A
b j
B
+
(A
3
ab j
A
b q
B
)
2
ab j
A
b q
B
+
(A
4
ab q
A
b q
B
)
2
ab q
A
b q
B
mesure lcart entre frquences
observes et probabilits espres: elle est 1 degr de libert car la donne de j

. j
1
et dune
seule des quatre frquences c. /. c. d permet de dterminer les trois autres.
On teste lhypothse H
0
en calculant la valeur
2
de
2
pour lexprience faite: on trouve

2
=
a
b j
A
b j
B
b q
A
b q
B
(cd /c)
2
et on rejette lhypothse H
0
au seuil de 5%.si
2
j + 2o 3.83.
10.3 Exemples
Test dhypothse On veut dterminer si les rats distinguent les couleurs et on procde
une exprience o 10 rats doivent choisir entre deux couleurs 1ClG1 ou \ 111 : on note
j = pr ("c/oi:i: |c \ 111") . Lhypothse H
0
est quils sont indirents aux deux couleurs, donc
que la probabilit de choisir chaque couleur est j
0
= 0.5. Lhypothse H
1
oppose H
0
peut tre:
(i) les rats prfrent le \ 111. donc j 0.5 (ii) les rats prfrent le 1ClG1. donc j < 0.5
On note A le nombre de rats qui choisissent le \ 111 : sous lhypothse H
0
la VA A suit la
loi binomiale E(10. 0.5) .
En fonction du rsultat de lexprience on accepte ou non H
0
au seuil de 5% :
- si 2 rats ont choisi le \ 111 : pr (A _ 2) 0.055 5% donc on accepte H
0
contre H
1
: j <
0.5.
- si 9 rats ont choisi le \ 111 : pr (A _ 9) 0.011 < 5% donc on rejette H
0
contre H
1
: j 0.5.
Loi du
2
discrte On lance un d 6 faces : fois indpendamment: on note A
I
le nombre
dapparitions du numro /. On fait une hypothse H
0
dquiprobabilit: autrement dit la prob-
abilit dapparition du numro / est j
I
= 1,6. Aprs : = 120 lancers on a obtenu les rsultats
suivants:
/ 1 2 3 4 5 6
A
I
15 21 25 19 14 26
On a
2
=

6
I=1
(A
k
20)
2
20
et j = 5. o =
_
2j :
2
6.2 _ j + 2o donc on accepte H
0
.
Test dindpendance Dans une population on sintresse aux vnements = "avoir les
yeux bleus" et 1 = "avoir les cheveux blonds". On fait une hypothse H
0
dindpendance. Une
tude a donn les rsultats suivants, sur : = 50 personnes:
1 1
12 6 18
12 20 32
24 26 50
.
On trouve j = 1. o =
_
2j et
2
= 3.93 j + 2o donc on rejette H
0
.
21