Vous êtes sur la page 1sur 47

Chapitre 3

Statistiques
Dnition 3.0.1 Coecient de corrlation
r =
_
n
i=1
Z
x
i
Z
y
i
n 1
=
n

i=1
x
i
x
s
x
y
i
y
s
y
1
n 1
Z
x
i
=
x
i
x
s
x
Z
y
i
=
y
i
y
s
y
n

i=1
(x
i
x)(y
i
y) =
n

i=1
x
i
y
i
x
i
y xy
i
+ x y
=
n

i=1
x
i
y
i

n

i=1
x
i
y
n

i=1
xy
i
+
n

i=1
x y
=
n

i=1
x
i
y
i
yn x xn y + x y
=
n

i=1
x
i
y
i
n x y
r =
_
n
i=1
x
i
y
i
n x y
(n 1)s
x
s
y
3.1 Proprits de r
Proposition 3.1.1
1 r 1
Proposition 3.1.2 Si r > 0, il y a corrlation positive.
1
2 CHAPITRE 3. STATISTIQUES
Proposition 3.1.3 Si r < 0, il y a corrlation ngative.
Proposition 3.1.4 Si r = 1, il y a corrlation parfaite.
Proposition 3.1.5 Si r = 0, il ny a aucune corrlation.
Dnition 3.1.1 Droite de rgression (Meilleure droite au sens des moindres carrs) La droite de
rgression y = bx + a est telle que la somme des carrs des distances entre la droite et les y
i
est
minimale.
n

i=1
d
2
i
Chapitre 4
Introduction aux probabilits
Quest-ce que les probabilits ? Cest ltude des phnomnes alatoires, cest--dire les phno-
mnes dont on ne peut pas prdire avec certitude le rsultat.
Dnition 4.0.2 (Ensemble rfrentiel) Lensemble rfrentiel ou univers, not S , ou U, est
lensemble de tous les rsultats possibles dun phnomne alatoire.
Exemple : Lancer de d
S = {1, 2, 3, 4, 5, 6}
Exemple : Lancer dune pice de 25 cents
S = {, F}
Exemple : Lotto 649
S = {(a
1
, a
2
, . . . , a
6
)|a {1 . . . 49} et a
i
a
j
et i j}
Dnition 4.0.3 (vnement) Un vnement est un ou des rsultats possibles. Cest un sous-ensemble
de S . On les note A, B, C, D, E, F, . . ..
Exemple : Quelle est la chance dobtenir un 6 en lanant un d ?
S = {1, 2, . . . , 6}
E = {6}
3
4 CHAPITRE 4. INTRODUCTION AUX PROBABILITS
Exemple : Dobtenir un nombre pair ?
S = {1, 2, . . . , 6}
E = {2, 4, 6}
Un vnement E est dit :
1. Impossible sil ne contient aucun lment de S (E S = )
2. Certain si E = S
Deux vnements E et F sont dits incompatibles si (E F = )
Exemple : On lance un d
E = {2, 4, 6}
F = {3}
Dnition 4.0.4 (Probabilit) On appelle probabilit une fonction P qui associe un vnement E
dun ensemble S un nombre entre 0 et 1.
P : S [0, 1]
E P(E)
4.0.1 Axiomes sur P
E S P(E) 0 (4.1)
P(S ) = 1 (4.2)
Soit E
iiI
, une suite dvnements
Si E
i
E
j
= P(U
iI
E
i
) =

iI
P(E
i
) (4.3)
Exemple : Obtenir un nombre pair ou un 3 en lanant un d
E = 2, 4, 6
F = 3
P(E F) = P(E) + P(F)
4.1. EN PRATIQUE 5
Proposition 4.0.6 (Inclusion) Soit deux vnements A B. Daprs cette dnition, P(A) P(B).
Preuve :
On sait que
B = (B

A) A
(B

A) A =
P(B) = P((B

A) A)
= P(B

A) + P(A)
P(A)
QED
Proposition 4.0.7
P(

A) = 1 P(A)
Preuve :
S = A

A et A

A =
1 = P(S ) = P(A

A) = P(A) + P(

A)
QED
Proposition 4.0.8
P(A\B) = P(A) P(A B)
Proposition 4.0.9
P(A B) = P(A) + P(B) P(A B)
4.1 En pratique
P(A)
#A
#S
Exemple : Obtenir un nombre pair au d
E = 2, 4, 6
#E = 3
S = 1, . . . , 6
#S = 6
6 CHAPITRE 4. INTRODUCTION AUX PROBABILITS
Exemple : On lance une pice de monnaie deux fois de suite. Trouver P(E) si E = (F, F).
S = {(, ), (, F), (F, ), (F, F)}
P(E) =
#E
#S
=
1
4
Exemple : On lance deux sous et on note le rsultat. Trouver P(E) si E = F, F.
S = {{, F}, {, }, {F, F}}
P(E) =
#E
#S
=
1
3
Dans ce cas, S est FAUX, car les vnements ne sont pas tous quiprobants (spciquement, le
{, F}).
4.2 Combinatoire : Lart de compter
Exemple : On a dix boules dans un chapeau que lon tire pour mettre dans un ordre. Combien
de combinaisons sont-elles possibles ?
10 9 8 7 . . . 1 = 10!
4.2.1 Rgle de multiplication
Soit deux ensembles
A = {a
1
, . . . , a
m
}
B = {b
1
, . . . , b
n
}
Le produit cartsien de A, B A B est
A B, j 1, . . . , n}
Proposition 4.2.1
#(A B) = #A #B
Exemple : Au restaurant, on a le choix de 3 entres, 2 soupes, 5 repas principaux et 8 desserts.
Combien y a-t-il de menus dirents ?
3 2 5 8 = 240
4.2. COMBINATOIRE : LART DE COMPTER 7
Exemple : Combien de mots de 4 lettres existe-t-il ?
26 26 26 26 = 26
4
4.2.2 Rgle de laddition
Soit deux ensembles A et B tel que A B = .
#(A B) = #A + #B
Exemple : Nombre de mots de quatre lettres dont il y a une alternance en les voyelles et les
consonnes.
VCVC ou CVCV
6 20 6 20 + 20 6 20 6
Exemple : Dans un groupe de n personnes, quelle est la probabilit davoir au moins deux
personnes avec la mme date de fte ?
S = {(a
1
, a
2
, . . . , a
n
)|a
i
{1, . . . , 365}}
E = {(a
1
, a
2
, . . . , a
m
)|a
i
{1, . . . , 365} et au moins deux a
i
gaux}
P(E) =?
P(E) = 1 P(

E)

E = {(a
1
, a
2
, . . . , a
n
)|a
i
{1, . . . , 365} et a
i
a
j
}
P(E) = 1
365 364 363 . . . (365 n + 1)
365
n
Exemple : Trouver la probabilit que la somme de deux ds soit plus petite ou gale 6.
S = {(a
1
, a
2
)|a
i
{1, 6}}
E = {(a
1
, a
2
)|(a
1
+ a
2
) 6, a
i
{1, . . . , 6}}
P(E) =
#E
#S
=
15
6
2
=
5
12
8 CHAPITRE 4. INTRODUCTION AUX PROBABILITS
Exemple : Quelle est la probabilit que le premier et le cinquime lanc donnent six si on lance
cinq fois un d ?
S = {(a
1
, a
2
, a
3
, a
4
, a
5
)|a
i
{1, . . . , 6}}
E = {(6, a
2
, a
3
, a
4
, 6)|a
i
{1, . . . , 6}}
P(E) =
#E
#S
=
6
3
6
5
=
1
36
Exemple : Quelle est la probabilit que le premier et le cinquime lanc seulement donnent six
si on lance cinq fois un d ?
S = {(a
1
, a
2
, a
3
, a
4
, a
5
)|a
i
{1, . . . , 6}}
E = {(6, a
2
, a
3
, a
4
, 6)|a
i
{1, . . . , 5}}
P(E) =
#E
#S
=
5
3
6
5
Exemple : Quelle est la probabilit de ne pas avoir un six en mme temps au premier et au
cinquime lanc ?
S = {(a
1
, a
2
, a
3
, a
4
, a
5
)|a
i
{1, . . . , 6}}
E = {(a
1
, a
2
, a
3
, a
4
, a
5
)|a
i
{1, . . . , 6}, a
1
a
5
si a
1
= 6 ou a
5
= 6}
F = {(6, a
2
, a
3
, a
4
, 6)|a
i
{1, . . . , 6}}
P(E) = 1 P(F)
P(E) = 1
1
36
=
35
36
Exemple : Une urne contient dix boules. Quatre sont rouges et six, blanches. On tire deux
boules successivement avec remise. Quelle est la probabilit de tirer deux boules rouges ?
S = {(a
1
, a
2
)|a
i
{1, . . . , 10}}
E = {(a
1
, a
2
)|a
i
{1, . . . , 4}} P(E) =
#E
#S
=
4
2
10
2
=
4
100
4.2. COMBINATOIRE : LART DE COMPTER 9
Exemple : Une urne contient dix boules. Quatre sont rouges et six, blanches. On tire deux
boules successivement sans remise. Quelle est la probabilit de tirer deux boules rouges ?
S = {(a
1
, a
2
)|a
i
{1, . . . , 10}, a
1
a
2
}
E = {(a
1
, a
2
)|a
i
{1, . . . , 4}, a
1
a
2
}
P(E) =
#E
#S
=
(4)(3)
(10)(9)
=
12
90
Dnition 4.2.1 Permutation La permutation de n objets, note P
n
, est le dplacement en ordre de
n objets dirents. P
n
est le nombre de faons possibles.
C
1
C
2
C
3
C
4
. . . C
n
(n)(n 1)(n 2)(n 3) . . . (3)(2)(1) = n!
P
n
= n!
Dnition 4.2.2 Arrangement Un arrangement est un ensemble ordonn de r objets parmi n objets.
On note A
n
r
. On a n personnes et on les met (naturellement pas tous) dans r cases.
C
1
C
2
C
3
C
4
. . . C
r1
C
r
(n)(n 1)(n 2)(n 3) . . . (n r + 1) =
n!
(n r)!
A
n
r
=
n!
(n r)!
Exemple : Dans une classe de 30 tudiants, il y a 40 places disponibles. Combien de congu-
rations direntes existe-t-il ?
A
n
r
=
n!
(n r)!
A
3
0
4
0 =
40!
(40 30)!
= 2, 24844(10
4
1)
Exemple : Combien de mots de quatre lettres distinctes peut-on faire avec le mot tlscopique ?
A
n
r
=
n!
(n r)!
A
1
4
0 =
10!
(10 4)!
= 5040
10 CHAPITRE 4. INTRODUCTION AUX PROBABILITS
Exemple : On a dix livres : cinq de math, 3 de physique et deux BDs. Combien y a-t-il de
faons de placer ces dix livres ?
P
1
0 = A
1
0
1
0 = 10! = 3628800
NB : 0 ! = 1
Exemple : Combien de faons y a-t-il si on veut que les livres dune mme matire restent
ensemble ?
Une permutation pour les groupes de livres, puis les permutations pour chaque type de livre.
F = (3!)((5!)(3!)(2!)) = 8640
Exemple : On a trois objets ; on en prend deux. Lordre nest pas important. Combien y a-t-il
de possibilits ?
O
1
, O
2
, O
3
O
1
, O
2
; O
1
, O
3
; O
2
, O
3
Avec un ordre, A
3
2
=
3!
1!
= 6. Pour enlever lordre, il faut diviser par les permutations possibles des
objets choisis.
A
3
2
P
2
=
6
P
2
=
6
2!
= 3
4.3 Combinaisons
Soit une classe de 30 lves dsirant lire un conseil de classe de trois personnes. Si ces trois
personnes ont des rles dirents, on tiendra compte de lordre.
A
30
3
=
30!
(30 3)!
= 24360
Si les personnes choisies on des rles identiques, les triplets suivants reprsentent le mme conseil
de classe.
(a, b, c), (a, c, b), (b, a, c), (b, c, a), (c, a, b), (c, b, a)
A
30
3
P
3
=
30!
(30 3)!3!
= 4060
Dnition 4.3.1 Combinaison Soit un ensemble ni E de n lments. On appelle combinaison de r
lments choisis parmi n, tout sous-ensemble de E contenant r lments (lordre nest pas impor-
tant).
C
n
r
=
n!
(n r)!r!
4.3. COMBINAISONS 11
Exemple : De combien de faons peut-on choisir deux lettres direntes dans lensemble
E = {a, b, c, d, e}.
C
5
2
= 10 alors que A
5
2
= 20
Exemple : Combien y a-t-il de mains au poker cinq cartes ?
C
52
5
= 2598960
Exemple : Combien y a-t-il de mains de six cartes contenant au moins une dame ?
Mthode un
Une dame : C
4
1
C
48
5
= 6849216
Deux dames : C
4
2
C
48
4
= 1167480
Trois dames : C
4
3
C
48
3
= 69184
Quatre dames : C
4
4
C
48
2
= 1128
Total : 8087008
Mthode deux
Nombre de mains : C
52
6
Nombre de mains sans dames : C
48
6
Total : C
52
6
C
48
6
= 8087008
Dnition 4.3.2 Couleur Une main est appele couleur lorsque les cinq cartes sont des piques
seulement, ou des tres, ou des coeurs, ou des carreaux.
Exemple : Au poker, quelle est la probabilit de recevoir une couleur ?
C
4
1
C
13
5
C
52
5
=
5148
2598960
Exemple : Au poker, quelle est la probabilit de recevoir une paire ?
Nombre de cartes direntes choisir (4,13) ; nombre de valeurs devant tre identiques (1,4) ;
paire (2,4) ; valeurs des autres cartes (1,4).
C
13
4
C
4
1
C
4
2
C
4
1
C
4
1
C
4
1
C
52
5
=
1098240
2598960
12 CHAPITRE 4. INTRODUCTION AUX PROBABILITS
Exemple : Au poker, quelle est la probabilit de recevoir deux paires ?
Nombre de cartes direntes choisir (3,13) ; nombre de valeurs devant tre identiques (2,3) ;
paires (2,4) ; autre carte (1,4).
C
13
3
C
3
2
C
4
2
C
4
2
C
4
1
C
52
5
=
123552
2598960
Exemple : Au poker, quelle est la probabilit de recevoir un brelan (a,a,a,b,c) ?
Nombre de cartes direntes choisir (3,13) ; nombre de valeurs devant tre identiques (1,3) ;
valeurs identiques (3,4) ; autres cartes (1,4).
C
13
3
C
3
1
C
4
3
C
4
1
C
4
1
C
52
5
=
54912
2598960
Exemple : Au poker, quelle est la probabilit de recevoir un carr (a,a,a,a,b) ?
Nombre de cartes direntes choisir (2,13) ; nombre de valeurs devant tre identiques (1,2) ;
valeurs identiques (4,4) ; autre carte (1,4).
C
13
2
C
2
1
C
4
4
C
4
1
C
52
5
=
624
2598960
Exemple : Au poker, quelle est la probabilit de recevoir une main pleine (a,a,a,b,b) ?
C
13
2
C
2
1
C
4
3
C
4
2
C
52
5
=
3744
2598960
Exemple : Au poker, quelle est la probabilit de recevoir une quinte (une suite de la mme
couleur) ?
Il existe 10 suites possibles.
10 C
4
1
C
52
5
=
3744
2598960
4.4 Permutations dlments non tous distincts
Soit n lments parmi lesquels un certain nombre sont identiques : par exemple, llment e
1
est
rpt r
1
fois, llment e
2
est rpt r
2
fois, . . ., e
k
est rpt r
k
fois. Le nombre de permutations s
4.4. PERMUTATIONS DLMENTS NON TOUS DISTINCTS 13
distinctes des n lments est :
n!
r
1
!r
2
! . . . r
k
!
Exemple : On veut asseoir cinq personnes sur un banc. Trois membre sont de la famille X
et deux membres, de la famille Y. Les membres dune mme famille ne peuvent pas tre distingus.
5!
3!2!
= 10
Exemple : Nous dsirons des anagrammes du mot "GRAMMAIRE". Combien y a-t-il dana-
grammes dirents ?
9!
2!2!2!
= 45360
Exemple : Nous dsirons des anagrammes du mot "GRAMMAIRE". Combien y a-t-il dana-
grammes dirents o les deux "M" se suivent, les deux "A" se suivent et les deux "R" se suivent ?
On considrent chaque groupe comme des lments uniques.
6! = 720
Exemple : Nous dsirons des anagrammes du mot "GRAMMAIRE". Combien y a-t-il dana-
grammes dirents o les voyelles se suivent ?
6!
2!2!

4!
2!
= 2160
Exemple : Nous dsirons des anagrammes du mot "GRAMMAIRE". Combien y a-t-il dana-
grammes dirents qui commencent par la mme lettre ?
7!
2!2!
3 = 3780
Exemple : Nous dsirons des anagrammes du mot "GRAMMAIRE". Combien y a-t-il dana-
grammes dirents qui commencent par une voyelle ?
8!
2!2!
+
8!
2!2!2!
2 = 20160
14 CHAPITRE 4. INTRODUCTION AUX PROBABILITS
Exemple : Nous voulons former des nombres de trois chires dirents en utilisant les chires
1, 2, 3, 5, 6, 7 et 8. Combien y en a-t-il qui soient infrieurs 500 et pairs
Deux cas : Le premier chire est impair : 2 possibilits ; le dernier chire est pair : 3 possibilits ;
5 autres possibilits dans le nombre. Le premier chire est pair : 1 possibilit ; le dernier chire
est pair : 2 possibilits ; 5 autres possibilits dans le nombre
2 5 3 + 1 5 2 = 40
Chapitre 5
Binme de Newton
(a + b)
2
= a
2
+ 2ab + b
2
(a + b)
3
= a
3
+ 3a
2
b + 3ab
2
+ b
3
(a + b)
4
= ?
(a + b)
18
= ?
tudions (a + b)
4
= (a + b)(a + b)(a + b)(a + b). On sait
C
1
a
4
+ C
2
a
3
b + C
3
a
2
b
2
+ C
4
ab
3
+ C
5
b
4
o C
x
sont des constantes.
Pour C
1
: Une seule possibilit de choisir a
4
.
Pour C
2
, il faut a
3
b, soit C
4
3
= 4.
Pour C
3
, a
2
b
2
, soit C
4
2
= 6.
Etc.
Dnition 5.0.1 Binme de Newton
(a + b)
n
=
n

k=0
C
n
k
a
k
b
nk
Exemple : Trouver le coecient de x
3
dans (x + 4)
8
.
(x + 4)
8
=
8

k=0
C
8
k
a
k
4
8k
Soit k = 3, C
8
3
x
3
4
83
.
Le coecient est donc C
8
3
4
83
.
15
16 CHAPITRE 5. BINME DE NEWTON
Exemple : Trouver le coecient de x
11
y
3
dans (3x 4y)
14
.
(3x 4y)
14
=
14

k=0
C
14
k
(3x)
k
(4y)
14k
Soit k = 11, C
14
11
3
11
(4)
3
.
Le coecient est donc C
14
11
3
11
(4)
3
.
Exemple : Trouver le terme constant dans (3x
4
x
)
8
.
(3x
4
x
)
8
=
8

k=0
C
8
k
(3x)
k
(
4
x
)
8k
Soit k = 4, C
8
4
3
4
(4)
4
.
Le terme constant est donc C
8
4
3
4
(4)
4
.
Exemple : Trouver le coecient de x
2
y
4
z
2
dans (x + y + z)
8
.
C
8
2
C
6
4
C
2
2
=
8!
2!4!2!
Choix des parenthses de x Choix des parenthses de y Choix des parenthses de z.
Chapitre 6
Variables alatoires (VA)
Dnition 6.0.2 Variable alatoire Soit S , un ensemble rfrentiel. Une variable alatoire est une
fonction
X : S S

O S

et un ensemble de valeurs numriques, par exemple N, Q, Z, R, R


n
, etc.
Dnition 6.0.3 Variables alatoires discrtes Une VA discrte est une fonction qui prend des va-
leurs discrtes.
Exemple : On lance un d et on sintresse au nombre obtenu. Soit X, le nombre obtenu.
X(1) = 1
X(2) = 2
X(6) = 6
Ch(X) (Champ) = {1, 2, . . . , 6}
Exemple : On lance un d deux fois. Soit X, la somme des ds.
Ch(X) = {2, . . . , 12}
P(X = 5) =
4
36
=
1
9
P(X = 13) = 0
Exemple : On lance une pice de monnaie non biaise jusqu ce que lon obtienne face. Soit
X, le nombre de lancs.
Ch(X) = {1, 2, . . .}
17
18 CHAPITRE 6. VARIABLES ALATOIRES (VA)
P(X = n) =
1
2
n1

1
2
Nombre de fois que la pice tombe sur pile Une chance pour face.
Dnition 6.0.4 Fonction de masse Soit X, une variable alatoire. La fonction
f (x) = P
X
(x) = P(X = x)
sappelle fonction de masse de X, fonction de probabilit, loi de probabilit ou densit de probabi-
lit.
Exemple : Un chapeau contient 20 billets numrots de 1 20. On pige cinq billets au hasard.
Soit X, le maximum des nombres obtenus. Trouver P
X
(x).
Ch(X) = {5, . . . , 20}
On cherche P(X = k) si k {5, . . . , 20}.
P(X = k) =
#E
#S
E : Maximum des nombres gal k
S : Choix de 5 billets parmi 20
P(X = k) =
C
k1
4
C
1
1
C
20
5
Proposition 6.0.1
0 P
X
(x) 1x
Proposition 6.0.2

i
P
X
(x
i
) = 1|x
i
Ch(X)
Dnition 6.0.5 Fonction de rpartition Une fonction de rpartition, note F, est la fonction qui
associe x la probabilit que X x, cest--dire
F(x) =

x
i
x
f (x
i
) = P(X x)
Exemple : Soit X, le rsultat obtenu lors dun lanc de d.
P
X
(k) =
1
6
= f (x)
F(x) = P(X x) =
x
6
6.1. ESPRANCE MATHMATIQUE 19
6.1 Esprance mathmatique
Dnition 6.1.1 Esprance mathmatique Soit une variable alatoire X. Lesprance mathma-
tique de X, note E(X) ou
X
, est donne par
E(X) =

i
x
i
P(X = x
i
)
Exemple : On lance un d. X, le rsultat obtenu.
E(X) =

i
x
i
P(X = x
i
) = 1
1
6
+ 2
1
6
+ + 6
1
6
E(X) reprsente le centre de masse de la distribution P(X = x).
6.1.1 Esprance de gain
Exemple : Tu donnes 2$ et lance un d. Je te donne 5$ si cest un 6, sinon je garde 2$ . Quelle
est lesprance de gain ?
X : le gain possible
Ch(X) = {2, 3}
E(X) = 2 P(X = 2) + 3 P(X = 3)
= 2
5
6
+ 3
1
6
=
7
6
Dnition 6.1.2 Variance dune variable alatoire Soit X, une variable alatoire. La variance de
X, note Var(X) ou
2
X
, correspond lesprance du carr de la dirence entre les x
i
et E(X).
Var(X) = E
_
(X E(X))
2
_
=

i
_
(x
i
E(X))
2
_
P(X = x
i
)
Comme cette formule nest pas pratique, nous pouvons aussi dire que
Var(X) =
_
i
_
(x
i
)
2
_
P(X = x
i
)
=
_
i
(x
2
i
2x
i
+
2
)P(X = x
i
)
=
_
i
x
2
i
P(X = x
i
) 2
_
x
i
P(X = x
i
) +
2
_
P(X = x
i
)
= E(X
2
) 2
2
+
2
= E(X
2
) E(X)
2
Exemple : X : rsultat dun d.
E(X) =
21
6
=
7
2
20 CHAPITRE 6. VARIABLES ALATOIRES (VA)
E(X
2
) =
1
6
(1 + 4 + 9 + 16 + 25 + 36) =
91
6
Var(X) =
91
6

_
7
2
_
2
2, 92
Exemple : Soit X le nombre de lles dans une famille de 5 enfants. Trouver Ch(X), f (x), F(X),
E(X) et Var(X).
Ch(X) = {0, 1, 2, 3, 4, 5}
f (x) = P(X = x)
P(X = k)|k {0, 1, 2, 3, 4, 5} = C
5
x

_
1
2
_
x

_
1
2
_
(5x)
= C
5
x

_
1
2
_
5
F(X) = P(X x)
P(X k)|k {0, 1, 2, 3, 4, 5} =
x

i=0
C
5
i

_
1
2
_
5
E(X) = 0 C
5
0

_
1
2
_
5
+ 1 C
5
1

_
1
2
_
5
+ + 5 C
5
5

_
1
2
_
5
= 2, 5
Var(X) = E(X
2
) E(X)
2
E(X
2
) = 0
2
C
5
0

_
1
2
_
5
+ 1
2
C
5
1

_
1
2
_
5
+ + 5
2
C
5
5

_
1
2
_
5
Var(X) =
5
4
6.2 Loi binomiale
Exemple : Un chapeau contient quatre boules : trois rouges et une blanche. On tire une boule
au hasard et on en note la couleur. On rpte cette exprience dix fois. Soit X, le nombre de
boules blanches tires.
P(X = k) = C
1
k
0
_
1
4
_
k

_
3
4
_
10k
E(X) =
10
4
Var(X) =
30
16
6.2. LOI BINOMIALE 21
Dnition 6.2.1 Exprience de Bernoulli On fait une exprience et on suppose quil y a deux rsul-
tats possibles : succs ou chec. X est le nombre de succs.
Ch(X) = {0, 1}
Cest ce que lon appelle une exprience de Bernoulli.
Si lon obtient un succs avec une probabilit p.
P(e) = 1 p = q
E(X) = 0 P(e) + 1 P(s) = p
Var(X) = E(X
2
) (E(X))
2
= p p
2
= p(1 p) = pq
Dnition 6.2.2 preuve de Bernoulli rpte On fait n preuves de Bernoulli. Soit X, le nombre
de succs. On dit alors que X suit une loi binomiale de p et n, not
X B(n, p)
Ch(X) = {0, 1, . . . , n}
P(X = k) = C
n
k
p
k
q
nk
E(X) = np
Var(X) = npq
Preuve :
Dmontrons que P(X = k) est une fonction de probabilit.
P(X = k) 0
(Car chaque lment est plus grand que 0)
n

k=0
C
n
k
p
k
q
nk
= (p + q)
n
= 1
n
= 1
P(X = k) 1
Preuve :
X =
n

i=1
X
i
E(X) = E(
_
n
i=1
X
i
)
=
_
n
i=1
E(X
i
)
=
_
n
i=1
p = npQED
22 CHAPITRE 6. VARIABLES ALATOIRES (VA)
Exemple : Les vis fabriques par U.U.V. sont aectes dun dfaut avec une probabilit de 0,01.
U.U.V. accepte de rembourser les paquets de 10 vis quils vendent si plus dune vis prsente un
dfaut. Quelle proportion des paquets vendus U.U.V. sexposent-ils rembourser ?
X : nombre de vis dfectueuses
X B(10; 0, 01)
P(X > 1) = 1 P(X = 0) P(X = 1)
= 1 C
10
0
(0, 01)
0
(0, 99)
10
C
1
1
0(0, 01)
1
(0, 99)
9
Exemple : Un homme prtend avoir des capacits de perception extra-sensorielles. On fait un
test qui consiste deviner les dix rsultats de dix jets dun 25 sous quilibr. Il donne sept bonnes
rponses. Quelle est la probabilit quil obtienne un rsultat aussi bon ou meilleur sil na aucune
capacit ?
X : nombre de bonnes rponses
X B(10,
1
2
)
P(X 7) = P(X = 7) + P(X = 8) + P(X = 9) + P(X = 10)
n = 10; p = 0, 5; 7 x 10
(Voir table de rsultats binomiaux)
P(X 7) = 0, 1172 + 0, 0439 + 0, 0098 + 0, 0010
Exemple : Un examen est administr sous forme dun questionnaire de cinq questions
trois choix multiples chacune. Quelle est la probabilit quun tudiant obtienne quatre bonnes
rponses ou plus en devinant ?
Exemple : Quelle est la moyenne des bonnes rponses ?
6.3 Loi hypergomtrique
Dnition 6.3.1 Loi hypergomtrique Soit une population de taille N dont on sait quune propor-
tion possde un caractre A. Notons par N
1
= N le nombre dunits possdant A et N
2
= (1)N
le nombre dunits ne possdant pas A.
On tire sans remise un chantillon de taille n N. X : nombre dlments de lchantillon
possdant le caractre A.
Ch(X) = {0, 1, 2, . . . , n}
6.4. LOI DE POISSON 23
On dit que X suit une loi hypergomtrique, not
X H(N, n, )
P(X = k) =
C
N
1
k
C
N
2
nk
C
N
n
E(X) = n
Var(X) = n(1 )
N n
N 1
Exemple : Une urne contient six boules blanches et quatre noires. On tire sans remise quatre
boules. Soit X, le nombre de boules blanches.
Ch(X) = {0, . . . , 4}
P(X = k) =
C
6
k
C
4
4k
C
10
4
X H(10, 4,
6
10
)
6.4 Loi de Poisson
Dnition 6.4.1 Loi de Poisson Une variable alatoire X est dite variable de Poisson de paramtre
> 0 (P
O
()) si
Ch(X) = 0, 1, . . . ,
P(X = k) =
e

()
k
k!
Dmontrons que cest une loi de probabilit.
1. P(X = k) 0 car cest un produit de termes positifs
2. La somme des probabilits est gale un

k=0
e

()
k
k!
= e

k=0
()
k
k!
= e

= 1
Une loi de Poisson sert lorsque lon dsire savoir la probabilit de ralisation (X) dun phno-
mne dans un intervalle donn qui se produit en moyenne fois dans cet intervalle.
Exemple : Un gramme de matire radioactive met en moyenne 3, 2 particules par seconde.
Quelle est la probabilit den mettre au moins 2 en une seconde ?
X : Nombre de particules mises par seconde
X P
O
(3, 2)
24 CHAPITRE 6. VARIABLES ALATOIRES (VA)
P(X 2) = 1 P(X = 0) P(X = 1)
P(X = 0) =
e
3,2
(3, 2)
0
0!
P(X = 1) =
e
3,2
(3, 2)
1
1!
Exemple : Quelle est la probabilit den mettre au moins 2 en deux seconde ?
Y : Nombre de particules mises en deux secondes
Y P
O
(6, 4)
P(Y 2) = 1 P(Y = 0) P(Y = 1)
P(Y = 0) =
e
6,4
(6, 4)
0
0!
P(Y = 1) =
e
6,4
(6, 4)
1
1!
Exemple : Le nombre de clients un guichet automatique est environ trois clients par 30 mi-
nutes. Quelle est la probabilit davoir plus de 7 clients en une heure ?
X : Nombre de clients en une heure
X P
O
(6)
P(X > 7) = 1 P(X = 7) P(X = 6) P(X = 0)
P(X = 7) =
e
6
(6)
7
7!

P(X > 7) = 1
7

k=0
e
6
(6)
k
k!
X P
O
()
E(X) =
Var(X) =
6.5 Approximation dune binomiale par une Poisson
Soit X B(n, p). Si n est grand, la binomiale est dicile calculer.
X P
O
() (sous certaines conditions)
6.5. APPROXIMATION DUNE BINOMIALE PAR UNE POISSON 25
1. n 30 (n grand)
2. p < 0, 1
3. np 5 ou nq 5
X B(n, p) P
O
(np)
Exemple : Supposons que la probabilit davoir un accident en une journe de ski alpin est de
0, 01. Cet hiver, vous projetez de faire du ski 50 fois. Quelle est la probabilit davoir au moins
un accident ?
X : Nombre daccidents
X B(50; 0, 01)
Cas 1
P(X 1) = 1 P(X = 0) = 1 C
5
0
0 (0, 01)
0
(0, 99)
5
0 = 0, 39499
Cas 2
1. n 30
2. p < 0, 1
3. np < 5
X B(50; 0, 01) X P
O
(0, 5)
P(X 1) = 1 P(X = 0) = 1
e
0,5
(0, 5)
0
0!
= 0, 393469
26 CHAPITRE 6. VARIABLES ALATOIRES (VA)
Chapitre 7
Variables alatoires continues
Dnition 7.0.1 Variable alatoire continue Une variable alatoire continue X est une variable
alatoire telle que
Ch(X) = I|I R
I est un intervalle de R.
Exemple : Un oiseau se dplace au-dessus dun terrain.
X est lendroit o il se pose.
Ch(X) = [0, 1]
Dnition 7.0.2 Fonction de densit Une fonction de densit de probabilit est une fonction
f (x) : R R
1. f (x) 0x R
2.
_

f (x)dx = 1
Exemple : f (x) =
_
e
x
x 0
0 x < 0
.
1. f (x) 0
x 0 f (x) = e
x
> 0
x < 0 f (x) = 0 0
2.
_

f (x)dx = 1
_

f (x)dx =
_
0

f (x)dx +
_

0
f (x)dx = 0 +
_

0
e
x
dx = e
x
|

0
= 1
27
28 CHAPITRE 7. VARIABLES ALATOIRES CONTINUES
Exemple : Trouver C an que f (x) soit une fonction de densit de probabilit dans lquation
f (x) = C(4x 2x
2
) si 0 < x < 2
1. f (x) 0x R
C(4x 2x
2
) 0 si C > 0
2.
_

f (x)dx = 1
_

f (x)dx =
_
2
0
C(4x 2x
2
)dx = C(2x
2

2x
3
3
|
2
0
= C
8
3
= 1
C =
3
8
Dnition 7.0.3 Fonction de rpartition Soit f (x), une fonction de densit de probabilits. On d-
nit par F(x) la fonction de rpartition comme tant
F(x) =
_
x

f (t)dt P(X x)
Exemple :
f (x) =
_
e
x
x 0
0 x < 0
P(X 3) =
_
3

f (x)dx =
_
3
0
e
x
dx = e
x
|
3
0
= e
3
+ 1
Exemple :
f (x) =
_
e
x
x 0
0 x < 0
P(2 X 3) =
_
3

f (x)dx
_
2

f (x)dx =
_
3
2
f (x)dx =
_
3
2
e
x
dx = e
x
|
3
2
= e
3
+ e
2
Dnition 7.0.4
P(a X b) =
_
b
a
f (x)dx = F(b) F(a)
7.1 Esprance et variance
Dnition 7.1.1 Esprance
E(X) =
_

x f (x)dx
7.2. LOI UNIFORME 29
Dnition 7.1.2 Variance
Var(X) =
_

(x
X
)
2
f (x)dx
Var(X) = E(X
2
) (E(X))
2
Var(X) =
_

x
2
f (x)dx (E(X))
2
7.2 Loi uniforme
Dnition 7.2.1 Loi uniforme Soit X, une variable alatoire continue. On dit que X suit une loi
uniforme, note X U(a, b) si sa fonction de densit est
f (x) =
_
1
ba
x [a, b]
0 sinon
E(X) =
a + b
2
Var(X) =
(b a)
2
12
7.3 Loi normale
Dnition 7.3.1 Loi normale Une variable alatoire X suit une loi normale de paramtre ,
2
si
f (x) =
1


2
e

1
2
(
x

)
2
Proposition 7.3.1
E(X) =
Proposition 7.3.2
Var(X) =
2
Forme de "cloche de Gauss"
Preuve :
Montrer que f (x) est une densit de probabilit.
f (x) 0x R
_

f (x)dx
Thorme 7.3.1
_

e
y
2
dy =

30 CHAPITRE 7. VARIABLES ALATOIRES CONTINUES


1


2
_

1
2
(
x

)
2
dx
=
1


2
_

_
x

2
_
2
dx
y =
x

2
dy =
1

2
dx
=

2


2
_

e
y
2
dy
=
1



= 1
QED
7.3.1 Proprits de f (x)
Proposition 7.3.3 f (x) est symtrique par rapport x =
Proposition 7.3.4
P(X ) = 0, 5 = P(X )
X N(,
2
)
7.3.2 Rle de et de
1. : dplacement horizontal de la courbe normale (la cloche est centre en x = )
2. : plus est grand, plus les valeurs sont loignes (la cloche slargit)
On sintresse P(a X b)|X N(,
2
).
P =
_
b
a
f (x)dx
tudions
Z N(0, 1)
Z est une loi normale centre rduite.
P(a Z b) =
_
b
a
1

2
e
z
2
2
dz
P(Z z
c
) =
_
z
c

f (z)dz (est connue, voir p. 408)


7.3. LOI NORMALE 31
Exemple : P(Z 1, 67)
P(Z 1, 67) = 0, 9525 (daprs la table de probabilits)
Exemple : P(Z 1, 67)
P(Z 1, 67) = P(Z 1, 67) = 1 P(Z 1, 67) = 0, 0475
Exemple : P(0, 5 Z 1, 1)
P(0, 5 Z 1, 1) = P(Z 1, 1) P(Z 0, 5)
= 0, 8643 (1 P(Z 0, 5))
= 0, 8643 (1 0, 6915) = 0, 5558
Exemple : Trouver z tel que P(Z z) = 0, 82
z =
0, 92 0, 91
2
= 0, 915
Exemple : P(z Z z) = 0, 68
P(z Z z) = 0, 68 = P(0 Z z)
P(Z z) = 0, 5 + P(0 Z z) = 0, 5 + 0, 34 = 0, 84
z = 0, 995
7.3.3 Loi normale quelconque
Soit X N(,
2
).
P(a X b) =?
Thorme 7.3.2 Soit X N(,
2
). Alors,
Z =
X

Est une loi normale N(0, 1).


32 CHAPITRE 7. VARIABLES ALATOIRES CONTINUES
Preuve :
f (x) =
1

2
e

1
2
(
x

)
2
Posons z =
x

.
_
a

f (x)dx =
_ a

2
e

1
2
z
2
dz
=
1

2
_ a

1
2
z
2
dz
= P(X a)
= P(Z
a

)|Z N(0, 1)
= P(X a)
Exemple : Soit X N(3, 4). Trouver P(5 Xleq7).
P(5 X 7) = P(
5

Z
7

)
= P(4 Z 2)
= P(Z 2) P(Z 4)
= 0, 9772 P(Z 4)
= 0, 9772 (1 P(Z 4))
= 0, 9772 (1 1) = 0, 9772
Exemple : Un test mesure les rexes dune personne. Pour ce faire, on laisse tomber une
rgle de 30 cm entre les doigts dune personne et lon note le nombre de centimtres requis an
dattraper la rgle.
On sait que X : le nombre de centimtres.
X N(10, 4)
Quelle proportion des gens attrape la rgle en moins de 12 cm?
P(X 12) = P(Z
12 10
2
) = P(Z 1) = 0, 8413
Exemple : Flix a obtenu un rsultat de 7,5 cm. Quelle proportion de la population est plus
rapide que lui ?
P(X < 7, 5) = P(Z <
7, 5 10
2
) = P(Z < 1, 25) = 1 P(Z 1, 25) = 0, 1056
7.3. LOI NORMALE 33
Exemple : Dterminer Q
3
.
P(X Q
3
) = 0, 75
P(Z
Q
3
10
2
) = 0, 75
Q
3
10
2
= 0, 675
Q
3
= 11, 35cm
Exemple : Une machine produit des rondelles de hockey dont le rayon est distribu norma-
lement avec une moyenne de 2,40 cm et un cart-type de 0,05 cm. Trouver la proportion de
rondelles qui excde 2,5 cm; nexcde pas 2,32 cm; comprise entre 2,35 cm et 2,46 cm.
Exemple : Pour quelle valeur de rayon y a-t-il 5% des rondelles avec un rayon suprieur ?
Thorme 7.3.3 Central limite Soit X
1
, X
2
, . . . , X
n
variables alatoires quelconques indpendants
et identiquement distributes (cest--dire une mme distribution de probabilits et un mme et

2
.
Soit
Y =
n

i=1
X
i
Si n est grand (n 30), alors
Y N(n, n
2
)
Thorme 7.3.4 Soit X B(n, p) avec E(X) = np et Var(X) = npq. Si n est grand (n 30), alors
X B(n, p) N(np, npq)
Conditions :
0, p 0, 9
np 5 et nq 5
Preuve :
Soit n preuves de Bernoulli
ch(X
i
) = {0, 1}P(X
i
= 1) = p
Soit X =
_
n
i=1
X
i
.
X B(n, p)
34 CHAPITRE 7. VARIABLES ALATOIRES CONTINUES
E(X
i
) = pVar(X
i
) = pq
Donc, par le thorme central limite, on a que, si n est grand,
X N(n p, n pq)
QED
Exemple : Parmi les 100 prochains bbs natre dans un certain hpital, trouvons la proba-
bilit que lon compte au plus 60 lles ; exactement 55 lles.
X : le nombre de lles
X B(100; 0, 5)
P(X 60) =
60

k=0
P(X = k)
On peut faire une approximation, car n = 100 30, 0, 9 p = 0, 5 0, 1 et np = nq = 50 5.
X N(np, npq)
P(X 60) P(X 60, 5) (correction de continuit)
= P(Z
60,550
5
)
= P(Z 2, 1) = 0, 9821
P(X = 55) = C
100
55
_
1
100
_
100
P(54, 5 X 55, 5) = P(0, 9 Z 1, 1) = 0, 0484
7.4 Autres lois de probabilits
7.4.1 Loi de Chi-Deux, Khi-Deux,
2
Soit Z
1
, Z
2
, . . . , Z

, variable alatoire Z
i
N(0, 1) et indpendante.
Soit
2
=
_

i=1
Z
2
i
, alors
E(
2
) = Var(
2
) = 2
7.4.2 Loi de Student
Soit
T =
Z
_
f
rac
2

est une variable alatoire de Student


Z = N(0, 1)E(T) = 0Var(T) =

2
| > 2
7.5. DISTRIBUTION DCHANTILLONNAGE DE LA MOYENNE 35
7.5 Distribution dchantillonnage de la moyenne
On part avec une population
Pop X, une variable alatoire caractre de la population.
Ex : Le nombre de fumeurs, le poids
X
i
ou x
i
, valeur de la ime donne.
La population possde une moyenne note ou
X
et un cart-type ou
X
.
Soit un chantillon de taille n de la population tir avec remise.
Dnition 7.5.1
x =
n

i=1
X
i
n
Cest la moyenne dun chantillon.
Comme il y a plusieurs chantillons possibles, on peut chercher
E(

X) =
X
Thorme 7.5.1 (Si X est normalement distribu) Si X N(,
2
), alors

X suit galement une loi
normale.
E(

X) = E(X)

X
=
Preuve :
E(

X) = E(
_
n
i=1
X
i
n
)
=
1
n
E(
_
i
X
i
)
=
1
n
_
n
i=1
E(X
i
)
=
1
n
_
n
i=1

=
1
n
n =
QED
Var(

X) =
Var(X)
n

X
=

n
Preuve :
Var(

X) = Var(
_
n
i=1
X
i
n
)
=
1
n
2
Var(
_
i
X
i
)
=
1
n
2
_
i

2
=
1
n
2
n
2
=

2
n
36 CHAPITRE 7. VARIABLES ALATOIRES CONTINUES
Thorme 7.5.2 (Si X ne suit pas une loi normale) Si n est grand (n 30), alors

X N(,

2
n
)
Exemple : Le poids dun rat de laboratoire est distribu normalement avec = 228, 6g et
= 17, 8g. On prend au hasard 16 rats. Quelle est la probabilit que la moyenne des poids des
16 rats soit infrieure 220g ?

X : la moyenne des poids des 16 rats


X : poids des rats
X N(228, 6; (17, 8)
2
)

X N(228, 6;
(17, 8)
2
16
)
P(

X < 220) = P(Z <
220 228, 6
17,8
4
) = 0, 0268
7.5.1 Les estimateurs
laide de renseignements obtenus dun chantillon, on veut estimer des paramtres de la po-
pulation.
Dnition 7.5.2 Estimateur Un estimateur dun paramtre est une variable alatoire W dnie
par
W = (X
1
, X
2
, . . . , X
n
)
Par exemple,

X =
_
n
i=1
X
i
n
est un estimateur de .
Il faut deux caractristiques pour tre un bon estimateur :
1. Estimateur non-biais, cest--dire que E(W) = .
2. Estimateur convergent, cest--dire que lim
n
Var(W) = 0.
Exemple :

X est-il un bon estimateur de ?
1. E(

X) = Dj vu, correct.
2. Var(

X) = lim
n

2
n
= 0

X est un estimateur sans biais de et convergent.


Si W
1
et W
2
sont de bons estimateurs de , on prend alors lestimateur ayant une plus petite
variance comme meilleur estimateur.
7.6. INFRENCE STATISTIQUE 37
7.6 Infrence statistique
7.6.1 Estimation de moyennes
On cherche trouver et dun caractre X dans une population P, en considrant que N >> n.
Dans lchantillon, nous avons x, s et n.
Estimation ponctuelle de
= x
Estimation par intervalle de conance
Si n 30,

X N(,

2
n
) On cherche
[ x ME, x + ME]
ME : marge derreur
On dnit le niveau de conance (1 ) comme tant la probabilit que se retrouve dans
lintervalle ci-dessus. Habituellement,
1 =
_

_
0, 9
0, 95
0, 99
On sait que

X N(,

2
n
).
P(a x b) = 1
P(a x b) = P(Z
a

x

n
Z
b
)
= P(
Z
a

n
x
Z
b

n
)
= P(
Z
a

n
x
Z
b

n
x)
= P( x
Z
b

n
x
Z
a

n
)
ME =
Z
a

n
=
Z
b

n
Z
a
= Z
b
Z
c
P(Z
c
Z Z
c
) = 1
1. connu et n 30
= [ x
Z
c

n
, x +
Z
c

n
]
38 CHAPITRE 7. VARIABLES ALATOIRES CONTINUES
Exemple : Un bassin contient plusieurs truites dont la longueur suit une loi normale
dcart-type 4,2 cm. On prend 50 truites au hasard. La moyenne de cet chantillon est de
23,8 cm. Dterminez laide dun intervalle de conance 95%.
1 = 0, 95 = 0, 05
P(Z
c
Z Z
c
) = 1
P(Z Z
c
) = 1

2
= 0, 975
Z
c
= 1, 96
ME 1, 2cm
[22, 6cm; 25, 0cm] 19 fois sur 20
2. inconnu et n 30 On connait s. Remplacer par s entrane cependant une certaine erreur.
Z =

n
N(0, 1)

X
s

n
T(n 1)
[ x t
c
s

n
, x + t
c
s

n
]
Exemple :
n = 501 = 0, 95
T()| = n 1
t
c
= 2, 009
3. n < 30 mais X N(, )

X N(,

n
)
(a) si est connu
ME =
Z
c

n
(b) si est inconnu
ME =
t
c
s

n
4. n < 30 et X ne suit pas une loi normale
Il faut utiliser lingalit de Bienaym-Tchebychev.
ME = k
s

n
|k =
_
1

7.6. INFRENCE STATISTIQUE 39


7.6.2 Estimation dune proportion
Par intervalle de conance
Soit une population P; dans celle-ci, il y a un caractre X. On cherche , la proportion de la
population ayant le caractre X. Soit un chantillon de taille n de la population P de taille N. Posons
la variable alatoire

P =
_
n
i=1
X
i
n
o les X
i
sont des preuves de Bernoulli.

P est la proportion de lchantillon qui possde X.
E(X
i
) = |X
i
P
Var(X
i
) = (1 )
Si n 30,

P N(
P
,
2

P
)
E(

P) =
P
=
1
n
_
E(X
i
)
=
1
n
_

=
1
n
n =

P est un estimateur non-biais de .

P
= Var(

P)
=
1
n
2
Var(
_
X
i
)
=
1
n
2
_
Var(X
i
)
=
1
n
2
_
(1 )
=
(1)
n

P N(,
(1 )
n
)
Z =

P
P

P
=

P
_
(1)
n
Soit p la proportion dun chantillon de taille n 30. Un intervalle de conance (1 ) pour
,

_
p ME, p + ME
_

_
p Z
c

P
, p + Z
c

P
_

_

_
p Z
c
_
p(1 p)
n
, p + Z
c
_
p(1 p)
n
_

_
40 CHAPITRE 7. VARIABLES ALATOIRES CONTINUES
7.6.3 Taille minimale de lchantillon
On connat ME, on cherche n.
ME = Z
c
_
p(1p)
n
n =
p(1p)Z
2
c
ME
2
p(1 p) 0, 25
n
p(1p)Z
2
c
4 ME
2
7.7 Test dhypothse
7.7.1 Sur une moyenne
Exemple : Un mdicament A est trs rpandu. On sait quune proportion p de la population
soure deets secondaires avec A. On propose un mdicament B qui devrait entraner moins
deets indsirables.
H
0
: hypothse du statu quo ; P
A
P
B
H
1
: P
A
> P
B
Avec P
A
= 0, 3, un chantillon de taille n = 100 a P
B
= 0, 28. Faut-il rejeter H
0
pour prendre
H
1
?
Exemple : La force ncessaire pour casser une certaine corde scout est de 200kg avec un cart-
type de 16kg. Une nouvelle technique de tressage de corde est mise au point. La moyenne de la
force ncessaire pour briser 40 cordes est alors de 206kg. Est-ce que la nouvelle corde est plus
rsistante ?
X : force ncessaire pour briser une corde

X
= 200
X
= 16

X : moyenne des forces ncessaires pour casser un chantillon de 40 cordes

X N(200,
16
2
40
)
x = 206
H
0
: = 200kg H
1
: > 200kg
Dnition 7.7.1 Le niveau de signication ou de conance est
= P(rejeter H
0
|H
0
est vrai)
Si = 0, 1,
P(

X < x
c
) = 0, 9 = P(Z <
x
c

n
)
7.7. TEST DHYPOTHSE 41
z
c
= 1, 28 x
c
= 203, 24
H
0
est rejete, H
1
est accepte ; la nouvelle corde est meilleure. Si = 0, 01,
z
c
= 2, 33 x
c
= 205, 89
H
0
est ici aussi rejete.
Exemple : Une machine distributrice de boisson gazeuse est ajuste pour servir 7 onces en
moyenne. Cette quantit est distribue normalement avec un cart-type de 0,5 oz. An de d-
terminer si lajustement est correct, on prend un chantillon de 40 verres. On obtient alors une
moyenne de 7,3 oz. Avec un risque derreur de 5%, peut-on dire que la machine a besoin dun
rajustement ?
X : quantit verse

X
= 7
X
= 0, 5 x = 7, 3 n = 40

X N(7;
0, 5
2
40
)
H
0
: = 7
H
1
: 7
P(

x

c
<

X <

x
+
c
) = 0, 95
P(

Z z
c
) = 0, 975
z
c
= 1, 96

x

c
= 6, 69

x
+
c
= 7, 31
H
0
est conserve ; la machine na pas besoin dajustement.
Dnition 7.7.2 Erreur de premire espce Probabilit de rejeter H
0
tant donn que H
0
est vraie.
Cest .
Dnition 7.7.3 Erreur de deuxime espce Probabilit daccepter H
0
tant donn que H
0
est
fausse. Cest .
Exemple : Soit H
0
, laccus est innocent, et H
1
, laccus est coupable.
: condamner un innocent
: librer un coupable
7.7.2 Courbe de puissance dun test
Exemple : Soit une population avec = 2, 7 et = 0, 63 et un chantillon avec n = 32 et
= 0, 05.
H
0
: = 2, 7
H
1
: 2, 7

c
= 2, 4817

x
+
c
= 2, 9182
1 = P(rejeter H
0
|H
0
est faux)
42 CHAPITRE 7. VARIABLES ALATOIRES CONTINUES
Si H
0
est faux, 2, 7. Supposons que = 2, 5.
= P(
2, 48 2, 5
0,63

32
< Z <
2, 92 2, 5
0,63

32
)
= 0, 5714 1 = 0, 4348
Exemple : Un directeur dcole croit que le QI moyen de ses tudiants est suprieur la nor-
male de 100. Il choisit 20 tudiants au hasard et fait passer le test. Il obtient une moyenne de 105
avec un cart-type de 15. Sachant que le QI suit une loi normale dans la population, est-ce que
le directeur a raison un niveau de conance de 99%?
H
0
: = 100
H
1
: > 100

X N(,

2
n
)
n = 20 = 100 =?s = 15

X
s

n
T(, ) = n 1 = 19
P(

X x
c
) = 0, 01
P(T < t
c
) = 0, 99 t
c
= 2, 539
t
c
=
x
c

s

n
x
c
= 108, 52
105 < 108, 52
On garde lhypothse H
0
; le QI des tudiants nest pas plus lev que la normale.
Exemple : La taille moyenne dune population humaine tait, il y a un sicle, de 172 cm. Un
chantillon de 300 adultes extrait de cette population donne une taille moyenne de 172,3 cm avec
un cart-type de 2 cm. Pensez-vous que la taille moyenne de cette population a augment de faon
signicative au seuil de 5%?
H
0
: = 172
H
1
: > 172

X N(,

2
n
)
n = 300 = 172 =?s = 2

X
s

n
T(, ) = n 1 = 299
P(

X x
c
) = 0, 05
7.7. TEST DHYPOTHSE 43
P(T < t
c
) = 0, 95 t
c
= 1, 653
t
c
=
x
c

s

n
x
c
= 172, 19
172, 3 > 172, 19
On rejette H
0
; la moyenne de la taille de la population a bel et bien augment.
7.7.3 Tests dhypothse sur une proportion
Exemple : Dans une rgion du Qubec, deux pinettes sur trois sont attaques par la tordeuse
de bourgeons. Un chercheur a trait 400 pinettes ; de ce nombre, 245 ont t ravages. Est-ce
que le traitement a t ecace des risques derreur de 5% et 1%?

P : moyenne de proportion dun chantillon

P N(,
(1 )
n
)
H
0
: =
2
3
H
1
: <
2
3
p =
245
400
= 0, 6125
P(

P < p
c
) = 0, 05
P(Z < z
c
) = P(Z > z
c
) = 0, 95 z
c
= 1, 645
p
c
= 1, 645
_
(1 )
n
= 0, 6279
On rejette H
0
; le traitement est ecace.
Avec = 1%, z
c
= 2, 33 et p
z
= 0, 6117.
On garde H
0
; le traitement est inecace.
7.7.4 Test dhypothse sur une dirence de moyennes
Soit

X
1
et

X
2
, deux variables indpendantes alatoires. Soit D
m
=

X
1


X
2
. Si n
1
30 et n
2
30
ou si

X
1
et

X
2
suivent des lois normales, alors D
m
N(
m
,
2
m
) avec
m
=
1

2
et
2
m
=

2
1
n
1
+

2
2
n
2
.
Z =
D
m

D
m

D
m
N(0, 1)
Si
1
et
2
sont inconnus avec n
1
30 et n
2
30,
D
m

D
m
s
D
m
= T Z N(0, 1)
S
D
m
=
_
s
2
1
n
1
+
s
2
2
n
2
44 CHAPITRE 7. VARIABLES ALATOIRES CONTINUES
Si
1
et
2
sont inconnus avec n
1
< 30 et/ou n
2
< 30, on considre seulement le cas o
2
1
=
2
2
:
D
m

D
m
S
D
m
T
s
D
m
=
_
(n
1
1)s
2
1
+ (n
2
1)s
2
2
n
1
+ n
2
2

_
1
n
1
+
1
n
2
_
= n
1
+ n
2
2
Exemple : Un traitement de chimiothrapie a t donn 50 lles et 75 garons. Le rsultat
moyen chez les lles a t de 76,4 avec un cart-type de 6,3. Le rsultat chez les gars est de 73,7
avec un cart-type de 10,9. un niveau de conance 5%, peut-on conclure quil y a une dirence
signicative entre les moyennes ?
H
0
:
f

g
= 0
H
1
:
f

g
0
= 0, 05
x
f
= 76, 4s
f
= 6, 3n
f
= 50
x
g
= 73, 7s
g
= 10, 9n
g
= 75
D
m
=

X
f


X
g

D
m
=
f

g
= 0
s
D
m
=
_
s
2
f
n
f
=
s
2
g
n
g
= 1, 542
D
m
N(0, 1, 542
2
)
P(d

D
m
d
+
) = 0, 95
P(z
c
Z z
c
) = 0, 95
P(Z z
c
) = 0, 975 z
c
= 1, 96
d

0
1, 542
= z
c
d

= 3, 022 d
+
= 3, 022
d
m
= x
f
x
g
= 2, 7
On garde H
0
; les moyennes sont semblables.
Exemple :

1
: moyenne du groupe contrle
7.8. TEST DHYPOTHSES SUR UNE DIFFRENCE DE PROPORTIONS 45

2
: moyenne du groupe menac
H
0
:
1

2
= 0
H
1
:
1

2
> 0
x
1
= 9, 64s
1
= 3, 17n
1
= 11 x
2
= 6, 58s
2
= 3, 03n
2
= 12
D
n
=

X
1


X
2
D
n

D
m
s
D
n
T
(car n
1
et n
2
< 30 et
1
et
2
inconnus)
= n
1
+ n
2
2 = 21
D
n
= 0 = 5%
s
D
m
=
_
(n
1
1)s
2
1
+ (n
2
1)s
2
2
n
1
+ n
2
2

_
1
n
1
+
1
n
2
_
d
c

D
m
s
D
m
= t
c
t
c
= 1, 721 avec = 21, = 0, 05
d
c
= 1, 721 s
D
m
= 1, 721 1, 2929 = 2, 23
d = 9, 64 6, 58 = 3, 06 > 2, 23
On rejette H
0
; la dirence de moyennes est susamment grande.
7.8 Test dhypothses sur une dirence de proportions
Soit la variable alatoire D
P
=

P
1


P
2
. Si

P
1
et

P
2
suivent approximativement une loi normale,
cest--dire que n
1
et n
2
30, n
1

1
et n
2

2
> 5, n
1
(1
1
) et n
2
(1
2
) > 5 et

P
1
est indpendant
de

P
2
,
D
P
N
_

1

2
,

X
P
(1

X
P
)
_
1
n
1
+
1
n
2
__
Exemple : Le groupe tmoin a un taux dincidence de 71 par 100 000, le groupe exprimental,
28 par 100 000. Les taux sont-ils dirents ?
P
1
: groupe tmoin
P
2
: groupe exprimental
H
0
:
1
=
2
H
1
:
1

2
> 0
P
1
=
71
100000
= 0, 0007 P
2
= 0, 00028 = 0, 05

D
P
= 0
D
P
=
_

X
P
(1

X
P
)
_
1
n
1
+
1
n
2
_
= 0, 00007034

X
P
= 0, 000495
46 CHAPITRE 7. VARIABLES ALATOIRES CONTINUES
d
c

D
P

D
P
= z
c
= 1, 645
d
c
= 0, 0001157d = P
1
P
2
= 0, 00043 > d
c
On rejette H
0
; les proportions sont direntes et le vaccin est donc ecace.
7.9 Test de conformit ou dajustement dun modle
7.9.1 Sur une loi uniforme
Exemple : On lance une pice de la monnaie royale du Canada de 25 cents. On obtient 40
piles et 60 faces. Est-ce que la pice est pipe ?
f
t
f
o
Pile 50 40
Face 50 60
Total 100 100
THORIE

2
0
=

( f
t
f
0
)
2
f
t

2
,
: risque derreur
: degr de libert
= Nb de modalit/classe Nb de paramtres estims 1
H
0
: les rsultats sont conformes au modle
H
1
: les rsultats ne sont pas conformes au modle
= 2 0 1 = 1 = 0, 05

2
c
= 3, 8415

2
0
=
(50 40)
2
50
+
(50 60)
2
50
= 4
On rejette H
0
, la pice est pipe.
Exemple : On lance un d 120 fois...
d f
0
f
t
( f
t
f
0
)
2
f
t
1 20 20
2 22 20
3 17 20
4 18 20
5 19 20
6 24 20
7.10. TEST DINDPENDANCE ENTRE DEUX CARACTRES 47
7.9.2 Sur une loi normale
Division de la distribution sur plusieurs classes et utilisation de la loi centre rduite. f
t
pour
chaque classe DOIT tre au moins de 5, sans quoi il faut en combiner plusieurs,
7.10 Test dindpendance entre deux caractres
Exemple : On veut tudier le rle du tabac sur le rendement acadmique de 110 tudiants.
X
X
X
X
X
X
X
X
X
X
tabac
rendement
excellent satisfaisant mdiocre total
beacoup 7 ( f
t
: w = 6) 18 ( f
t
: 18) 5 ( f
t
: 6) 30
modrment 8 ( f
t
: 6) 7 ( f
t
: 18) 15 ( f
t
: 6) 30
pas du tout 7 ( f
t
: 10) 41 ( f
t
: 30) 2 ( f
t
: 10) 50
total 22 66 22 110
H
0
: indpendance
H
1
: dpendance

2
0
=

( f
t
f
0
)
2
f
t
w =
30
110
22 = 6

2
0
=
1
6
+ 0 +
1
6
+ = 32, 556
= 0, 05
= (nombre de colonnes 1) (nombre de lignes 1) = 4

2
c
= 9, 488
On rejette H
0
; il y a dpendance entre les valeurs.