Cours Statistique 1 Final

Chapitre 1
Variables aléatoires continues : La Loi

normale et les lois dérivées de la loi normale
Cours Statistique inférentielle 1

Plan
1. Rappel
2. Variables aléatoires continues : Fonctions de densité,
fonction de répartition et mesures caractéristiques
3. Loi normale : Définitions, propriétés et calcul des
probabilités

Plan
1. Rappel
probabilités

Rappel : étapes d’une étude statistique
 Une étude statistique comporte essentiellement

quatre (4) étapes:
1. Collecte des données
2. Statistique descriptive
3. Statistique inférentielle (inférence statistique)
4. Décision statistique

Collecte des données
 Consiste à rassembler de l’information qui est déjà

disponible dans des documents préétablis ou encore à
recueillir des données originales.
Sources de données
Primaire Secondaire
Collecte des données Compilation de données
Observation
Imprimées ou
Électroniques
Sondage

Statistique Descriptive
 C’est un traitement des données qui a pour but de

présenter, résumer et décrire les caractéristiques
(moyenne, variance, proportion) essentielles qui se
dissimulent dans une masse de données.
90
80
70
60
xi
50 East
West Moyenne : 
i n
40
North
30
20
10
0
1st Qtr 2nd Qtr 3rd Qtr 4th Qtr

Statistique Inférentielle
 Regroupe l’ensemble des méthodes (Estimation de paramètres,

Tests d’hypothèses, Régression linéaire, …) qui permettent de tirer des
conclusions sur une population à partir d’une
information partielle provenant d’un échantillon.
Échantillon
population
Information sur
Information sur la
l’échantillon
population
Inférence statistique

Décision statistique
 Regroupe un ensemble de techniques permettant de

déterminer la meilleure action parmi un ensemble
d’actions envisageables dans un contexte d’incertitude.

Rappel : Terminologie
 Une population se définit comme un ensemble

d’éléments (individus, entreprises, dossiers, projets,
…) qui ont des caractéristiques communes. On note par
N la taille de la population.
 Un échantillon est tout sous-ensemble de la population.
On note par n la taille de l’échantillon.
 Un caractère ou une variable statistique c’est l’aspect
que l’on désire étudier chez un individu.

Rappel : Définitions
 Expérience aléatoire : Toute expérience qui vérifie les deux

conditions suivantes :
1. On ne peut pas prévoir avec certitude le résultat de l’expérience ;
2. On peut décrire tous les résultats possibles avant l’expérience.
 Résultat : C’est ce qui s’observe suite à une expérience aléatoire.
 Ensemble fondamental (ou univers) Ω : C’est l’ensemble de

tous les résultats possibles qui peuvent se produire dans une
expérience aléatoire. Il existe trois types d’ensembles
fondamentaux :
i. Un ensemble fondamental fini
ii. Un ensemble fondamental infini dénombrable
iii. Un ensemble fondamental infini non-dénombrable

Rappel : Définitions …
 Évènement : Tout sous-ensemble de l’ensemble

fondamental Ω associé à une expérience aléatoire.
 Définition générale de la probabilité : Soit Ω, l’ensemble
fondamental correspondant à une expérience aléatoire, on
appelle probabilité d’un événement E toute fonction P à
valeurs dans l’ensemble des réels, qui vérifie les 3 axiomes
suivants :
i. P(E)  0
ii. P(Ω) = 1
iii. Si E1,…,En sont mutuellement exclusifs alors P(E1…
 En) = P(E1)+…+P(En).

Rappel : Contexte de variables aléatoires
 Dans une expérience aléatoire, au lieu de s’intéresser aux

résultats eux-mêmes, on s’intéresse plutôt à des
caractéristiques numériques particulières de ces résultats.
 Exemple : Si on lance une pièce de monnaie 3 fois de suite,

on obtient les résultats suivants :
Ω = {(F, F, F), (F, F, P), (F, P, F), (P, F, F), (P, P, P), (P, P, F),
(P, F, P), (F, P, P) }
Au lieu de s’intéresser à chacun de ces résultats, on

s’intéresse, par exemple, à la caractéristique numérique
suivante : le nombre de faces.de faces obtenues
X = Le nombre

X
(F, F, F)
(F, F, P) 0
(F, P, F) 1
(P, F, F)
2
(P, P, P)
(P, P, F) 3
(P, F, P)
(F, P, P) Les valeurs numériques possibles
de la variable aléatoire
L’ensemble fondamental

Rappel : Définition de variables aléatoires
 Une variable aléatoire X est toute fonction définie sur

Ω et à valeur dans l’ensemble des réels IR, soit :
X :   ΙR
  xi
 Ainsi, une variable aléatoire X est une fonction qui

associe à chaque résultat d’une expérience aléatoire un
nombre réel. L’ensemble des résultats de X sera
désigné par
X  xi / xi  X ( ),   .

 Il existe deux types de variables aléatoires :

1. Lorsque l’ensemble des valeurs possibles d’une
variable aléatoire X est fini ou infini dénombrable,
alors cette variable aléatoire est dite discrète.
2. Lorsque l’ensemble des valeurs possibles d’une
variable aléatoire X est infini non-dénombrable,
alors cette variable aléatoire est dite continue.
3. Etudier une variable aléatoire : f(x)? xX()
F(x) ? xIR
E(X) ?, V(X) ?
Plan
1. Rappel
2. Variables aléatoires continues : Loi ou densité ou

distribution de probabilité, fonction de répartition et
mesures caractéristiques
probabilités

Variables aléatoires continues :Exemples
 La variable aléatoire Y représentant la taille, en

centimètre, d’un individu ;
 La variable aléatoire Z représentant le poids, en
gramme, d’une pièce mécanique ;
 La variable aléatoire W représentant le temps d’attente
d’un client devant un DAB (Distributeur Automatique
de Billets) ;
 …

Variables aléatoires continues : Densité de
probabilité
 On appelle densité de probabilité, toute fonction f
continue par morceaux :
f(x)=P(X=x) xX()
Telle que :
 (P1) :x  ,
xX() f ( x)  0

 (P2) : f ( x)dx  1

existe) 
(en supposant que cette intégrale

Variables aléatoires continues : Densité de
probabilité
 Lorsque X est une variable aléatoire continue, on s’intéresse à
déterminer la probabilité que X prenne n’importe quelle valeur
dans un intervalle [a, b] plutôt qu’une valeur particulière x.
 Ainsi, pour déterminer la probabilité pour que X ait des valeurs
dans un intervalle [a, b], il suffit de calculer l’aire sous la courbe
de f (fonction de densité) entre les deux valeurs a et b.
Mathématiquement, cela revient à calculer l’intégrale de la
fonction de densité f sur cet intervalle, soit :
b
o P (a  X  b)   f ( x) dx
a
a
o P( X  a) 

 f ( x )dx

o
P( X  a)  
a
f ( x ) dx
Variables aléatoires continues : Fonction de
Répartition
 On appelle fonction de répartition d’une
variable aléatoire continue X et on la note F, la
fonction définie sur IR et à valeurs dans [0, 1],
par la relation : x
F ( x )  P ( X  x )   f (t ) dt

et par conséquent, on a :
dF ( x)
f ( x)   F ' ( x)
dx
Variables aléatoires continues : Fonction de
Répartition
 Propriétés de la fonction de répartition:
o (P1) : 0  F ( x)  1
o (P2) : F ()  xlim


F ( x)  0
F ()  lim F ( x)  1
o (P3) : x 
Si x  y alors F ( x )  F ( y )
o (P4) :
P(a  X  b)  F (b)  F (a)
o (P5) :

Variables aléatoires continues : Espérance
 Définition: L’espérance d’une variable aléatoire

continue X indique où se situe globalement les valeurs
prises par cette variable aléatoire et en particulier
autour de quel point se regroupent ces valeurs.

E  X   X   x  f ( x )dx


Variables aléatoires continues : Espérance
 Propriétés : Soient a et b deux constantes réelles et X et

Y deux variables aléatoire continues définies sur le
même univers Ω, alors :
o (P1) : E aX  b   aE  X   b
o (P2) :E  XY   E  X   E Y  (si X et Y sont

indépendantes)
E  X  Y   E  X   E Y 
o (P3) :

Variables aléatoires continues : Variance
 Définition: La variance d’une variable aléatoire

continue X indique comment les valeurs prises par la
variable aléatoire sont dispersées autour de l’espérance
mathématique.
Var ( X )   X  E  X   E  X 
2 2 2

avec E  X  
 x
2 2
 f ( x)dx

 L’écart-type est défini par :

 X  Var ( X )
Variables aléatoires continues : Variance
 Propriétés : Soient a et b deux constantes réelles et X et Y

deux variables aléatoire continues définies sur le même
univers Ω, alors :
o (P1) : Var aX  b   a 2  Var  X 
o (P2) : Var  X  Y   Var  X   Var Y   2Cov( X , Y )

avec Cov  X , Y   E  XY   E  X   E Y 
Var  X  Y   Var  X   Var Y 

o (P3) : (si X et Y sont
indépendantes)

Variables aléatoires continues : Exercice

Plan
1. Rappel
3. Les Lois usuelles continues :
Loi normale : Définitions, propriétés et calcul des
probabilités

Loi Normale : Définition
 Définition: Une variable aléatoire X pouvant prendre

toutes les valeurs réelles et ayant la fonction de densité
suivante (où m  IR et s  IR+*:
2
1  x μ 
1  
2 σ 

f X (x)  e
σ 2π
s’appelle une variable aléatoire normale de paramètres
m et s2. On note par N(m, s2) la famille de toutes les
variables aléatoires qui suivent une distribution
normale.
Loi Normale : Propriétés
 Si X est une variable aléatoire qui suit une loi normale de

paramètres m et s2, alors :
o (P1) : E  X    X et Var  X    X2 .

o (P2) : f X ( x)  0xX()
x   et 

f X ( x)dx  1.
fX x
o (P3) : f Xsymétrique
est ( x  a )  autour
f X ( x deal’axe
). d’équation et par
conséquent
1
o (P4) : f X possède un maximum unique en m qui égal à .
2
fX     .
o (P5) : possède deux points d’inflexion en et
Loi Normale : Graphiques des Propriétés

 (P2) : f X ( x)  0xX()
x   et f

X ( x)dx  1.

 (P3) : f X ( x a )  f X ( x a).

 (P4) : f X possède un maximum unique en m.
x

 (P5) : Les points d’inflexion

Loi Normale : Constats immédiats
 L’espérance de X indique la position de la courbe de la

fonctionf Xde
. densité
 L’espérance de X est l’unique mode de X (l’endroit où la
densité est la plus haute)
 Plus l’écart-type de X est grand, plus la courbe de la
fonction de densité de X est aplatie.

Loi Normale : Propriété de reproduction
 Soit X1, X2, …, Xn des variables indépendantes et telles

que
X i 
 N (  i ,  2
i ), i  1..n ci , i  1..n n
Y   ci  X i
et des constantes i 1
réelles non toutes nnulles, alors

n
la variable aléatoire
suit une loi normale :

N ( c   , c  )
i 1
i
2
i
2

i 1
i i

Loi Normale : Propriété de reproduction …
 Une conséquence immédiate de la propriété de

X  N (  ,  2: )Si
reproduction
 X   (     ,  2   2 ).
 Nalors
 À partir de n’importe quelle loi normale, on peut se

ramené à la loi normale centrée N réduite
(0,1).
2 X  X
X N (  X ,  X )  Z  
N (0,1)
X
E(Z)=0 et V(Z)=1.
f(z)=f(-z) (f est symétrique par rapport à l’axe des
ordonnées)
F(-z)=1-F(z)
Loi Normale : Calcul des probabilités
(graphique)
2
N ( , )
 Si X  P( X  a)
, alors la probabilité (par
exemple) est la surface qui se trouve au dessous de la
courbe de la fonction
f X de densité lorsque les valeurs
possibles de la variable aléatoire Xvarient
, a . dans
l’intervalle

 Malheureusement, il n’existe pas de primitive à l’intégrale

de la fonction de densité de la loi normale. Ce qui implique
que nous n’avons pas d’expression analytique pour la
fonction de répartition d’une variable aléatoire qui suit la loi
normale. Il est cependant possible d’intégrer numériquement
et c’est pourquoi nous utilisons des tables afin de déterminer
les probabilités associées aux événements qui nous
intéressent. Ces tables sont toutes équivalentes et elles sont
proposées uniquement pour une loi normale bien particulière
appelée loi normale centrée réduite N(0, 1).

Loi Normale : Calcul des probabilités à partir
de la tables statistique
P( Z  a)
avec a  0

 Bien que la table de la loi normale centrée réduite

fournit uniquement des probabilités deP(laZ forme
z ) pour z  0
, il est possible de calculer n’importe quelle
autre forme de probabilité en utilisant certaines règles :
F ( z )  P( Z  z )  1  P( Z  z )
P ( a  Z  b)  P ( Z  a )  P ( Z  b)
P(Z   z )  1  P(Z  z )
P( Z  z )  P( z  Z  z )
P ( Z  z )  0 pour z  3

2
 Si X N ( , ) , alors on peut déterminer les
probabilités suivantes :

Loi Normale : Exercice
 Une machine fabrique des rondelles de métal dont le

diamètre est distribué normalement avec une moyenne de
2,4 cm et un écart type de 0,05 cm. Il tire au hasard une
rondelle produite par cette machine :
1. Déterminer la probabilité que le diamètre de cette rondelle
excède 2.5 cm.
2. Déterminer la probabilité que le diamètre de cette rondelle
n’excède pas 2.32 cm.
3. Déterminer la probabilité que le diamètre de cette rondelle soit
entre 2.35 cm et 2.46 cm.
P ( X  d )  5%
4. Trouver la valeur de d tel que où X est la
variable aléatoire qui représente le diamètre des rondelles.
Plan
1. Rappel
2. Variables aléatoires continues : Loi ou densité

ou distribution de probabilité, fonction de
répartition et mesures caractéristiques
3. Loi normale : Définitions, propriétés et calcul

des probabilités
4. Les Lois dérivées de la loi normale :

La loi de Khi-deux
La loi de Student

Loi Khi-deux
Définition
Soit Z1 , Z 2 ,..., Z k des variables aléatoires
indépendantes et identiquement distribuées selon une
loi normale N(0,1). Alors la variable aléatoire :
Y  Z12  Z 22  ...  Z k2
suit une loi de Khi-deux 2
à k degrés de
liberté(Y()=IR+), notée  (k ) , E(Y)=k,V(Y)=2k.

Lois continues usuelles : Loi Khi-deux
Densité de probabilité de la loi du khi-deux

Propriétés
1. La v.a. associée à la loi du Khi-deux à k degrés
de liberté est une variable aléatoire continue.
2. La distribution du Khi-deux possède une
asymétrie positive.
3. La distribution du Khi-deux ne dépend que d’une
seule quantité k (entier positif), nommé le
nombre de degrés de liberté.
4. Lorsque k augmente, la distribution du Khi-deux
tend vers une distribution normale.
L X n
X   2 (n)  X  N (n,2n), Z   N (0,1)
2n
46
Cours Statistique inférentielle
Lois continues usuelles : Loi du Khi-
deux
Définition
2 (2k )
Soit 0    1. 
Le centile d’ordre , noté par
   ,k , est
défini par : 2
P ( X  2(,kk))  
avec X   2 (k )
Exemple :
Calculer  02.1(3)

Lois continues usuelles : Loi du Khi-
deux

Calcul des probabilités dans la distribution

khi-deux
1. Si Y   2 (15) alors quelle est la valeur de la
probabilité suivante :
P (Y  18.25)
2. À l’aide de la table de la loi du Khi-deux trouver c
dans les trois cas suivants :
Y   2 ( 4)
c ? P (Y  c)  0.95
Y   2 (10)
c ? P (Y  c)  0.99
Lois continues usuelles : Loi de Student
Définition
Soit Z une variable aléatoire normale N(0,1) et Y
une variable aléatoire qui suit la loi du Khi-deux à k
degrés de liberté. Si Z et Y sont indépendantes,
alors la variable aléatoire
Z
T  T (k )
Y
k
suit une loi t de Student avec k degrés de liberté, notée

t(k dl).
Densité de probabilité de la loi de Student

Propriétés
1. La variable aléatoire associée à la loi de Student t
(k dl) est une v.a. continue, notée Tk.
2. La distribution de Student t est symétrique par

rapport à l’origine et un peu plus aplatie que la
normale centrée réduite N(0, 1).
3. La distribution de Student t ne dépend que d’une
seule quantité k (entier positif), nommé le nombre
de degrés de liberté.
Théorème 1
Soit Tk une variable aléatoire qui suit une loi de
Student t à k degrés de liberté. Alors :
1. E (Tk )  0
k
2. Var (Tk )  pour k  2
k 2

Théorème 2
La variable aléatoire Tk suit approximativement une loi
normale N(0,1) lorsque k est grand.
L
T  T (k )  T  Z  N (0,1)

Calcul des probabilités dans la distribution

de Student
1. Si T21 
t (21 dl ) , alors déterminer les valeurs des
deux probabilités suivantes :
P (T21  0.6864)
P (T21  1, 721)

Définition
Soit 0    1. Le centile d’ordre , notéTpar
(k ) , est
défini par : P (T  T (k ))  
avec T  T (k )
Exemple :
Calculer T0.9 (3)


Cours Statistique 1 Final

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Statistique 1 Final

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 1

Variables aléatoires continues : La Loi

Cours Statistique inférentielle 1

Cours Statistique inférentielle 2

Cours Statistique inférentielle 3

 Une étude statistique comporte essentiellement

Cours Statistique inférentielle 4

 Consiste à rassembler de l’information qui est déjà

Cours Statistique inférentielle 5

 C’est un traitement des données qui a pour but de

Cours Statistique inférentielle 6

 Regroupe l’ensemble des méthodes (Estimation de paramètres,

Cours Statistique inférentielle 7

 Regroupe un ensemble de techniques permettant de

Cours Statistique inférentielle 8

 Une population se définit comme un ensemble

Cours Statistique inférentielle 9

 Expérience aléatoire : Toute expérience qui vérifie les deux

 Ensemble fondamental (ou univers) Ω : C’est l’ensemble de

Cours Statistique inférentielle 10

 Évènement : Tout sous-ensemble de l’ensemble

Cours Statistique inférentielle 11

 Dans une expérience aléatoire, au lieu de s’intéresser aux

 Exemple : Si on lance une pièce de monnaie 3 fois de suite,

Au lieu de s’intéresser à chacun de ces résultats, on

Cours Statistique inférentielle 13

 Une variable aléatoire X est toute fonction définie sur

 Ainsi, une variable aléatoire X est une fonction qui

Cours Statistique inférentielle 14

 Il existe deux types de variables aléatoires :

2. Variables aléatoires continues : Loi ou densité ou

Cours Statistique inférentielle 16

 La variable aléatoire Y représentant la taille, en

Cours Statistique inférentielle 17

Cours Statistique inférentielle 18

o (P2) : F ()  xlim

Cours Statistique inférentielle 21

 Définition: L’espérance d’une variable aléatoire

Cours Statistique inférentielle 22

 Propriétés : Soient a et b deux constantes réelles et X et

o (P2) :E  XY   E  X   E Y  (si X et Y sont

Cours Statistique inférentielle 23

 Définition: La variance d’une variable aléatoire

 L’écart-type est défini par :

 Propriétés : Soient a et b deux constantes réelles et X et Y

o (P2) : Var  X  Y   Var  X   Var Y   2Cov( X , Y )

Var  X  Y   Var  X   Var Y 

Cours Statistique inférentielle 25

Cours Statistique inférentielle 26

Cours Statistique inférentielle 27

 Définition: Une variable aléatoire X pouvant prendre

 Si X est une variable aléatoire qui suit une loi normale de

Cours Statistique inférentielle 30

 (P3) : f X ( x a )  f X ( x a).

Cours Statistique inférentielle 31

 (P4) : f X possède un maximum unique en m.

Cours Statistique inférentielle 32

 (P5) : Les points d’inflexion

Cours Statistique inférentielle 33

 L’espérance de X indique la position de la courbe de la

Cours Statistique inférentielle 34

 Soit X1, X2, …, Xn des variables indépendantes et telles

réelles non toutes nnulles, alors