PolyTunis A Perrut PDF

Université Claude Bernard Lyon 1
IREM de Lyon - Département de mathématiques

Stage ATSM - Août 2010
Cours de probabilités et statistiques
A. Perrut
contact : Anne.Perrut@univ-lyon1.fr
2
Table des matières
1 Le modèle probabiliste 5
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Espace des possibles, événements . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Indépendance et conditionnement . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 Répétitions indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 Variables aléatoires discrètes 15

2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Indépendance et conditionnement . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Schéma de Bernoulli et loi binomiale . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Trois autres lois discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.1 Loi géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.4.2 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.3 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 Variables aléatoires continues 27

3.1 Loi d’une v.a. continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3 La loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.1 Loi normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.2 Loi normale : cas général . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4 La loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.5 Fonction d’une v.a. continue . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4 Théorèmes limites 39
4.1 Loi des grands nombres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2 Théorème central limite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.3 Intervalles de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3
4 TABLE DES MATIÈRES
5 Tests statistiques 47
5.1 Tests d’hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.2 Test d’ajustement du chi-deux . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.3 Test d’indépendance du chi-deux . . . . . . . . . . . . . . . . . . . . . . . . 52
5.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
A Cardinaux et dénombrement 57
B Tables statistiques 61
B.1 Fonction de répartition de la loi normale centrée réduite . . . . . . . . . . . 61
B.2 Fractiles de la loi normale centrée réduite . . . . . . . . . . . . . . . . . . . 63
B.3 Fractiles de la loi du χ2 (ν = nombre de degrés de liberté) . . . . . . . . . . 64
C Statistique descriptive univariée 65

C.1 Variable quantitative discrète . . . . . . . . . . . . . . . . . . . . . . . . . . 65
C.2 Variable quantitative continue . . . . . . . . . . . . . . . . . . . . . . . . . . 68
C.3 Variable qualitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Chapitre 1
Le modèle probabiliste
1.1 Introduction
Les probabilités vont nous servir à modéliser une expérience aléatoire, c’est-à-dire
un phénomène dont on ne peut pas prédire l’issue avec certitude, et pour lequel on décide
que le dénouement sera le fait du hasard.
Exemples :
- l’enfant à naı̂tre sera une fille,
- l’équipe de l’OL va battre l’OM lors du prochain match qui les opposera,
- le dé va faire un nombre pair.
La première tâche qui vous attend est de décrire les différentes issues possibles de
cette expérience aléatoire. Puis on cherche à associer à chacune de ces éventualités un
nombre compris entre 0 et 1 qui mesure la chance qu’elles ont de se réaliser. Comment
interpréter/fixer ce nombre, appelé probabilité ? Il existe plusieurs manières de voir.
- Proportion :
On lance un dé. Quelle est la probabilité de A=”obtenir un chiffre pair”? Chaque face du
dé a la même chance, et il y en a 6. Quant aux chiffres pairs, ils sont 3. D’où, intuitivement,
P (A) = 63 = 1/2.
- Fréquence :
Un enfant est attendu. Quelle est la probabilité que ce soit une fille ? On a observé un
grand nombre de naissances. Notons kn le nombre de filles nées en observant n naissances.
Alors
kn
P (fille) = lim
n→+∞ n
mais cette limite a-t-elle un sens ?

- Opinion :
Quelle est la probabilité pour que l’équipe de Tunisie gagne la coupe d’Afrique des nations ?
pour que l’OL soit championne de France ? Dans ce cas, on ne peut pas rejouer le même
match dans les mêmes conditions plusieurs fois. On peut considérer les qualités des joueurs,
des entraı̂neurs, les résultats de la saison... Mais le choix de la probabilité est forcément
subjectif.
5
6 CHAPITRE 1. LE MODÈLE PROBABILISTE
Attention aux valeurs des probabilités ! Elles sont choisies de manière arbitraire par le
modélisateur et il faut les manipuler avec soin.
1.2 Espace des possibles, événements
On étudie une expérience aléatoire. L’espace des possibles ou univers décrit tous
les résultats possibles de l’expérience. Chacun de ces résultats est appelé événement
élémentaire. On note souvent l’espace des possibles Ω et un résultat élémentaire ω. Un
événement est un sous-ensemble de Ω, ou une réunion d’événements élémentaires. On dit
qu’un événement est réalisé si un des événements élémentaires qui le constitue est réalisé.
Les événements sont des ensembles, représentés souvent par des lettres capitales.
Exemples :
- Match OL-OM : Ω = {OL gagne, OM gagne, match nul}. Donc Ω est composé de trois
événements élémentaires. On peut considérer par exemple l’événement qui correspond à
“Lyon ne gagne pas”.
- On lance un dé : Ω = {1, 2, ..., 6}. On peut s’intéresser à l’événement A=“on obtient un
chiffre pair”, ie A = {2, 4, 6}.
- On lance deux dés : Ω = {1, ..., 6} × {1, ..., 6} = {(i, j) : 1 ≤ i ≤ 6, 1 ≤ j ≤ 6}. Ici, un
événement élémentaire ω est un couple (i, j), où i représente le résultat du premier dé et
j celui du second.
- On lance trois fois une pièce de monnaie. Les événements élémentaires vont décrire le plus
précisément possible le résultat de cette expérience. Donc un événement élémentaire ω est
un triplet (r1 , r2 , r3 ) qui donne les résultats des trois lancers (dans l’ordre). L’événement
B : “on obtient pile au deuxième lancer” est
B = {(f, p, f ), (f, p, p), (p, p, f ), (p, p, p)}
L’événement B est réalisé si on obtient l’un des événements élémentaires listés ci-avant. Il
n’est parfois pas nécessaire de connaı̂tre tous ces détails. On pourra choisir : ω représente
le nombre de “face” obtenus. Alors, Ω = {0, 1, 2, 3}. Le modèle est beaucoup plus simple,
mais ne permet pas de décrire des événements tels que B.
Il existe un vocabulaire propre aux événements, différent du vocabulaire ensembliste.

1.3. PROBABILITÉ 7
notations vocabulaire ensembliste vocabulaire probabiliste

Ω ensemble plein événement certain
∅ ensemble vide événement impossible
ω élément de Ω événement élémentaire
A sous-ensemble de Ω événement
ω∈A ω appartient à A ω réalise A
A⊂B A inclus dans B A implique B
A∪B réunion de A et B A ou B
A∩B intersection de A et B A et B
Ac ou A complémentaire de A événement contraire de A
A∩B =∅ A et B disjoints A et B incompatibles
1.3 Probabilité
On se limite dans ce cours à étudier les univers dénombrables. La probabilité d’un

événement est une valeur numérique qui représente la proportion de fois où l’événement
va se réaliser, quand on répète l’expérience dans des conditions identiques. On peut dé-
duire de cette définition qu’une probabilité doit être entre 0 et 1 et que la probabilité d’un
événement est la somme des probabilités de chacun des événements élémentaires qui le
constituent. Enfin, la somme des probabilités de tous les éléments de Ω est 1.
Important : rappelons qu’un événement n’est rien d’autre qu’une partie de Ω. Une proba-
bilité associe à chaque événement un nombre entre 0 et 1. Il s’agit donc d’une application
de l’ensemble des parties de Ω, noté P(Ω), dans [0, 1].
Exemple : soit Ω = {0, 1, 2}. Construisons P(Ω).
n o
P(Ω) = ∅, {0}, {1}, {2}, {0, 1}, {0, 2}, {1, 2}, Ω
Définition 1 Une probabilité est une application sur P(Ω), l’ensemble des parties de Ω,
telle que :
- 0 ≤ P (A) ≤ 1, pour tout événement A ⊂ Ω
X
- P (A) = P (ω), pour tout événement A
ω∈A
X
- P (Ω) = P (ω) = 1
ω∈Ω
Que signifie “un événement A a pour probabilité...”?

0.95 : A va très probablement se produire.
0.03 : A a très peu de chance d’être réalisé.
4.0 : incorrect.
-2 : incorrect.
0.4 : A va se produire dans un peu moins de la moitié des essais.
0.5 : une chance sur deux.
0 : aucune chance que A soit réalisé.
De la définition, on peut facilement déduire la proposition suivante, fort utile pour

faire quelques calculs :
Proposition 2 Soient A et B deux événements.

1) Si A et B sont incompatibles, P (A ∪ B) = P (A) + P (B).
2) P (Ac ) = 1 − P (A).
3) P (∅) = 0.
5) P (A ∪ B) = P (A) + P (B) − P (A ∩ B).
preuve : 1) immédiat d’après le second point de la définition d’une probabilité.

2) Comme A et Ac sont incompatibles, 1 = P (Ω) = P (A ∪ Ac ) = P (A) + P (Ac ).
3) P (∅) = 1 − P (∅c ) = 1 − P (Ω) = 0.
4) La technique est très souvent la même pour calculer la probabilité d’une réunion d’en-
sembles : on écrit cette réunion comme une union d’ensembles incompatibles, puis on utilise
le 1). Ici, on écrit A ∪ B = A ∪ (B ∩ Ac ) et on obtient : P (A ∪ B) = P (A) + P (A ∪ (B ∩ Ac )).
Puis on écrit B = (B ∩ A) ∪ (B ∩ Ac ) pour déduire P (B) = P (B ∩ A) + P (B ∩ Ac ). En
rassemblant ces deux égalités, on obtient la proposition.
Signalons une définition plus générale de probabilité, valable pour des espaces des
possibles non dénombrables.
Définition 3 Soit une expérience aléatoire et Ω l’espace des possibles associé. Une pro-
babilité sur Ω est une application, définie sur l’ensemble des événements, qui vérifie :
- axiome 1 : 0 ≤ P (A) ≤ 1, pour tout événement A
- axiome 2 : pour toute suite d’événements (Ai )i∈N , deux à deux incompatibles,
³[ ´ X
P Ai = P (Ai )
i∈N i∈N
- axiome 3 : P (Ω) = 1
NB : les événements (Ai )i∈N sont deux à deux incompatibles, si pour tous i 6= j, Ai ∩Aj = ∅.
Exemple important : probabilité uniforme
Soit Ω un ensemble fini. Il arrive, comme quand on lance un dé équilibré, que les événe-
ments élémentaires ont tous la même probabilité. On parle alors d’événements élémentaires
équiprobables. Notons p la probabilité de chaque événement élémentaire. Alors
X X
1 = P (Ω) = P (ω) = p = p × card(Ω)
ω∈Ω ω∈Ω
1
D’où p = P (ω) = , pour tout ω. La probabilité ainsi définie sur l’ensemble Ω
card(Ω)
s’appelle probabilité uniforme. La probabilité d’un événement A se calcule facilement :
X card(A)
P (A) = P (ω) =
card(Ω)
ω∈A
Attention ! Cette formule n’est valable que lorsque les événements élémentaires
sont bien équiprobables. Dans ce cas, il suffit de savoir calculer le cardinal des ensembles
considérés pour calculer les probabilités.
1.4. INDÉPENDANCE ET CONDITIONNEMENT 9
Un rappel des techniques de dénombrement est disponible à l’annexe A.
On est maintenant en mesure de modéliser des expériences aléatoires simples, c’est-à-

dire :
- choisir Ω,
- choisir une probabilité sur Ω en justifiant ce choix.
Attention, pour décrire une probabilité, il faut donner P (A) pour tout A ⊂ Ω. Ou alors,
on peut plus simplement donner P (ω) pour tout ω ∈ Ω. Le lecteur déduira P (A) pour
tout A d’après la définition d’une probabilité.
1.4 Indépendance et conditionnement

Exemple 4 Quelle est la probabilité d’avoir un cancer du poumon ?
Information supplémentaire : vous fumez une vingtaine de cigarettes par jour. Cette in-
formation va changer la probabilité.
L’outil qui permet cette mise à jour est la probabilité conditionnelle.
Définition 5 Étant donnés deux événements A et B, avec P (A) > 0, on appelle pro-
babilité de B conditionnellement à A, ou sachant A, la probabilité notée P (B|A) définie
par
P (A ∩ B)
P (B|A) =
P (A)
On peut écrire aussi P (A ∩ B) = P (B|A)P (A).
Utilisation 1 : quand P (A) et P (A ∩ B) sont faciles à calculer, on peut en déduire P (B|A).

Utilisation 2 : Quand P (B|A) et P (A) sont faciles à trouver, on peut obtenir P (A ∩ B).
De plus, la probabilité conditionnelle sachant A, P (.|A), est une nouvelle probabilité
et possède donc toutes les propriétés d’une probabilité.
Exemple 6 Une urne contient r boules rouges et v boules vertes. On en tire deux, l’une
après l’autre (sans remise). Quelle est la probabilité d’avoir deux boules rouges ?
Choisissons Ω qui décrit les résultats de l’expérience précisément.
Ω = {rouge, verte} × {rouge, verte}
Un événement élémentaire est un couple (x, y) où x est la couleur de la première boule
tirée et y la couleur de la seconde.
Soit A l’événement “la première boule est rouge” et B l’événement “la seconde boule est
rouge”.
r−1 r
P (A ∩ B) = P (B|A)P (A) = ·
r+v−1 r+v
Proposition 7 (Formule des probabilités totales) Soit A un événement tel que 0 <
P (A) < 1. Pour tout événement B, on a
P (B) = P (B|A)P (A) + P (B|Ac )P (Ac )

preuve : Comme A ∪ Ac = Ω, P (B) = P (B ∩ (A ∪ Ac )) = P ((B ∩ A) ∪ (B ∩ Ac )). Or B ∩ A

et B ∩ Ac sont incompatibles. On en déduit
P (B) = P (B ∩ A) + P (B ∩ Ac )
La définition de la probabilité conditionnelle permet de conclure. ¤
Exemple 6 (suite) : quelle est la probabilité pour que la seconde boule tirée soit rouge ?
On garde le même formalisme.
P (B) = P (B|A)P (A) + P (B|Ac )P (Ac )

r−1 r r v
= · + ·
r+v−1 r+v r+v−1 r+v
r
=
r+v
Définition 8 Soit (Ai )i∈I une famille d’événements. On l’appelle partition de Ω si elle
vérifie les deux conditions :
(i) ∪i∈I Ai = Ω
(ii) les Ai sont deux à deux incompatibles : pour tous i 6= j, Ai ∩ Aj = ∅.
Proposition 9 (Formule des probabilités totales généralisée) Soit (Ai )i∈I une par-
tition de Ω, telle que P (Ai ) > 0, pour tout i ∈ I. Alors, pour tout événement B,
X
P (B) = P (B|Ai )P (Ai )
i∈I
La formule des probabilités totales permet de suivre les étapes de l’expérience aléatoire
dans l’ordre chronologique. Nous allons maintenant voir une formule à remonter le temps...
Proposition 10 (Formule de Bayes) Soit A et B deux événements tels que 0 < P (A) <
1 et P (B) > 0. Alors,
P (B|A)P (A)
P (A|B) =
P (B|A)P (A) + P (B|Ac )P (Ac )
preuve :
P (A ∩ B) P (B|A)P (A)
P (A|B) = =
P (B) P (B)
et on conclut en remplaçant P (B) par son expression donnée par la formule des probabilités
totales. ¤
Proposition 11 (Formule de Bayes généralisée) Soit (Ai )i∈I une partition de Ω, telle
que P (Ai ) > 0, pour tout i ∈ I. Soit un événement B, tel que P (B) > 0. Alors, pour tout
i ∈ I,
P (B|Ai )P (Ai )
P (Ai |B) = P
j∈I P (B|Aj )P (Aj )
1.5. RÉPÉTITIONS INDÉPENDANTES 11
Exemple 12 Deux opérateurs de saisie, A et B, entrent respectivement 100 et 200 ta-

bleaux sur informatique. Les tableaux de A comportent des fautes dans 5,2% des cas et
ceux de B dans 6,7% des cas. On prend un tableau au hasard. Il comporte des fautes.
Quelle est la probabilité pour que A se soit occupé de ce tableau ?
Soient les événements :
TA =“ le tableau est entré par A”,
TB = (TA )c“ le tableau est entré par B”,
F =“ le tableau comporte des fautes”.
D’après le théorème de Bayes,
P (F |TA )P (TA )
P (TA |F ) =
P (F |TA )P (TA ) + P (F |TB )P (TB )
0.052 ∗ 1/3
= = 0.279
0.052 ∗ 1/3 + 0.067 ∗ 2/3
Définition 13 Deux événements A et B sont dits indépendants si
P (A ∩ B) = P (A)P (B)
S’il sont de probabilité non nulle, alors
P (B|A) = P (B) ⇐⇒ P (A|B) = P (A) ⇐⇒ P (A ∩ B) = P (A)P (B)
remarque 1 : A et B sont donc indépendants si la connaissance de la réalisation de l’un

n’influence pas la probabilité de l’autre.
remarque 2 : deux événements incompatibles A et B, avec P (A) > 0 et P (B) > 0, ne
sont jamais indépendants. En effet, A ∩ B = ∅ entraı̂ne P (A ∩ B) = 0 6= P (A)P (B).
1.5 Répétitions indépendantes

Quand on étudie une expérience aléatoire qui peut se décomposer en plusieurs petites
expériences aléatoires indépendantes, les calculs sont aisés. Et quand on a la probabilité
uniforme pour chacune de ces petites expériences aléatoires, on a encore la probabilité
uniforme sur l’expérience aléatoire totale.
Proposition 14 Soit Ω = E ×F où E est de cardinal n et F de cardinal p. Supposons que

l’on choisisse avec la probabilité uniforme un élément de E, et, de manière indépendante,
un élément de F toujours avec la probabilité uniforme. Alors chaque élément ω = (x, y)
de Ω a la même probabilité, qui vaut
1 1
P (ω) = P ((x, y)) = = = PE ({x})PF ({y})
card(Ω) np
Exemple 15 On lance une pièce de monnaie équilibrée et un dé équilibré.
Ω = {P, F } × {1, ..., 6}

Comme on a la probabilité uniforme sur {P, F } et sur {1, ..., 6}, on a finalement la proba-
bilité uniforme sur Ω et
1
∀ω ∈ Ω, P (ω) = = 1/12
card(Ω)
Proposition 16 On répète N fois, de manière indépendante, la même expérience aléa-

toire modélisée par un univers Ω et par une probabilité P . Alors le nouvel univers est
ΩN = Ω × · · · Ω, et la probabilité associée est
³ ´
N
P (ω1 , ..., ωN ) = P (ω1 ) · · · P (ωN )
En particulier, si P est la probabilité uniforme sur Ω, alors P N est la probabilité uniforme

sur ΩN .
Le chevalier de Méré :
le Chevalier de Méré avait constaté qu’il obtenait plus souvent 11 que 12 avec trois dés.
Pourtant, le nombre de combinaisons dont la somme fait 12 est le même que le nombre de
combinaisons dont la somme fait 11. Alors ?
1.6 Exercices
Exercice 1 – Proposer un univers Ω pour les expériences aléatoires suivantes et dénombrer
les résultats possibles :
1) On lance un dé.
2) On lance 2 dés.
3) On tire trois cartes dans un jeu .
4) On place les 5 lettres qui forment “proba” au hasard sur une réglette de Scrabble.
5) On place les 6 lettres qui forment “erreur” au hasard sur une réglette de Scrabble.
Exercice 2 – Soit P une probabilité sur un ensemble Ω et deux événements A et B. On

suppose que
P (A ∪ B) = 7/8, P (A ∩ B) = 1/4, P (A) = 3/8.
Calculer P (B), P (A ∩ B c ), P (B ∩ Ac ).
Exercice 3 – Supposons que les faces d’un dé sont truquées de telle manière que les numé-
ros impairs ont chacun la même chance d’apparaı̂tre, chance qui est deux fois plus grande
que pour chacun des numéros pairs. On jette le dé. Quelle est la probabilité d’obtenir un
nombre supérieur ou égal à 4 ?
Exercice 4 – Un parking contient douze places alignées. Huit voitures s’y sont garées au
hasard, et l’on observe que les quatre places libres se suivent. Est-ce surprenant ?
1.6. EXERCICES 13
Exercice 5 — La probabilité qu’un objet fabriqué à la chaı̂ne ait un défaut est de 0, 01.
Trouver la probabilité que, dans un lot de 100 objets, il y ait au moins un objet défectueux.
Quelle est la probabilité qu’il y ait, dans un tel lot, exactement un objet défectueux ?
Exercice 6 – Soient M1 , M2 , M3 trois personnes. La première M1 dispose d’une infor-

mation codée sous forme + ou −. Elle la transmet à la deuxième personne M2 . Puis M2
la transmet à M3 . Malheureusement, à chaque fois que l’information est transmise, il y a
une probabilité p que l’information soit changée en son contraire. En tenant compte du
fait que deux changements rétablissent la vérité, quelle est la probabilité pour que M3 ait
le bon message ?
Et si M3 transmet l’information dont il dispose à une quatrième personne M4 , quelle est
la probabilité pour que M4 ait la bonne information ?
Lorsque p = 0.2, quelle est la valeur numérique de cette probabilité ?
Exercice 7 — Un nouveau vaccin a été testé sur 12500 personnes ; 75 d’entre elles, dont 35
femmes enceintes, ont eu des réactions secondaires nécessitant une hospitalisation. Parmi
les 12500 personnes testées, 680 personnes sont des femmes enceintes.
1. Quelle est la probabilité pour une femme enceinte, d’avoir une réaction secondaire si
elle reçoit un vaccin ?
2. Quelle est la probabilité pour une personne non enceinte, d’avoir une réaction secon-
daire ?
Exercice 8 — Dans une usine, la machine A fabrique 60% des pièces, dont 2% sont
défectueuses.
La machine B fabrique 30% des pièces, dont 3% sont défectueuses.
La machine C fabrique 10% des pièces, dont 4% sont défectueuses.
1. On tire une pièce au hasard dans la fabrication. Quelle est la probabilité qu’elle soit
défectueuse ?
2. On tire une pièce au hasard dans la fabrication. Elle est défectueuse. Quelle est la
probabilité qu’elle ait été fabriquée par la machine A ? par la machine B ? par la machine
C?
Exercice 9 — Dans une jardinerie : 25% des plantes ont moins d’un an, 60% ont de 1
à 2 ans, 25% ont des fleurs jaunes, 60% ont des fleurs roses, 15% ont des fleurs jaunes et
moins d’un an, 3% ont plus de 2 ans et n’ont ni fleurs jaunes, ni fleurs roses. 15% de celles
qui ont de 1 à 2 ans, ont des fleurs jaunes, 15% de celles qui ont de 1 à 2 ans, n’ont ni
fleurs jaunes ni fleurs roses. On suppose que les fleurs ne peuvent pas être à la fois jaunes
et roses.
On choisit une plante au hasard dans cette jardinerie.
1. Quelle est la probabilité qu’elle ait moins d’un an et des fleurs roses ?
2. Quelle est la probabilité qu’elle ait des fleurs roses, sachant qu’elle a plus de 2 ans ?
3. Quelle est la probabilité qu’elle ait plus de deux ans et des fleurs jaunes ?
Exercice 10 — Deux chauffeurs de bus se relaient sur la même ligne. Lors d’une grève,
le premier a 60% de chances de faire grève et le second 80%. Pendant la prochaine grève,
quelle est la probabilité pour qu’un seul des deux chauffeurs fasse grève ?
Exercice 11 — Une loterie comporte 500 billets dont deux seulement sont gagnants.
Combien doit-on acheter de billets pour que la probabilité d’avoir au moins un billet
gagnant soit supérieure ou égale à 0.5 ?
Exercice 12 — 1. Dans une classe de 36 élèves, quelle est la probabilité pour que deux
élèves au moins soient nés le même jour ? (on considèrera que l’année compte 365 jours,
et que toutes les dates d’anniversaires sont indépendantes et équiprobables).
2. Généraliser ce résultat pour une classe de n élèves. Tracer le résultat obtenu.
Chapitre 2
Variables aléatoires discrètes
Le travail sur les événements devient vite fastidieux, ainsi nous allons maintenant nous
restreindre à étudier des grandeurs numériques obtenues pendant l’expérience aléatoire.
2.1 Définitions
Définition 17 Une variable aléatoire (v.a.) X est une fonction définie sur l’espace fon-
damental Ω, qui associe une valeur numérique à chaque résultat de l’expérience aléatoire
étudiée. Ainsi, à chaque événement élémentaire ω, on associe un nombre X(ω).
Exemple 18 On lance trois fois une pièce et on s’intéresse au nombre X de fois ou PILE
apparaı̂t. Il y a deux manières de formaliser cette phrase. Tout d’abord, à chaque événement
élémentaire ω, on associe X(ω). Ainsi,
ω PPP PPF PFP FPP FFP FPF PFF FFF

valeur de X 3 2 2 2 1 1 1 0
Ensuite, comme on observe que plusieurs événements élémentaires donnent la même
valeur, on peut les regrouper et obtenir des événements (événement = réunion d’événe-
ments élémentaires) qui correspondent à des valeurs distinctes de X :
k (valeur prise par X) 3 2 1 0

événement [X = k] {PPP} {PPF,PFP,FPP} {PFF,FPF,FFP} {FFF}
On peut d’emblée observer que les événements (X = 0), (X = 1), (X = 2) et (X = 3)

sont deux à deux disjoints. De plus, la réunion de ces événements est Ω.
Il est aisé de voir que pour toute v.a., les événements correspondant à des valeurs
distinctes de X sont incompatibles. Autrement dit, dès que i 6= j, les événements
(X = i) et (X = j) sont incompatibles : (X = i) ∩ (X = j) = ∅. De plus, la réunion de
ces événements forme l’espace Ω tout entier :
[
(X = k) = Ω
k
15
16 CHAPITRE 2. VARIABLES ALÉATOIRES DISCRÈTES
Une variable qui ne prend qu’un nombre dénombrable de valeurs est dite discrète, sinon,
elle est dite continue (exemples : hauteur d’un arbre, distance de freinage d’une voiture
roulant à 100 km/h). Les v.a. continues seront étudiées plus tard.
Définition 19 La loi d’une variable aléatoire discrète X est la liste de toutes les valeurs
différentes que peut prendre X avec les probabilités qui leur sont associées. On utilisera
souvent une formule, plutôt qu’une liste.
Exemple 18 : nous avons déjà la liste de tous les événements élémentaires et ils sont
équiprobables, de probabilité 1/8. D’après la composition des événements [X = k], pour
k = 0, ..., 3, on peut déduire facilement la loi de X.
valeur de X (événement) [X = 3] [X = 2] [X = 1] [X = 0]
composition de l’événement {PPP} {PPF,PFP,FPP} {PFF,FPF,FFP} {FFF}
probabilité 1/8 3/8 3/8 1/8
Un autre outil permet de caractériser la loi d’une v.a. : il s’agit de la fonction de

répartition empirique.
Définition 20 Soit X une v.a.. On appelle fonction de répartition de X la fonction de R

dans [0, 1], définie pour tout x ∈ R par
F (x) = P [X ≤ x]
Exemple : X est le nombre de Face quand on lance trois fois une pièce. On a vu que la loi
de X est
P [X = 0] = 1/8, P [X = 1] = P [X = 2] = 3/8, P [X = 3] = 1/8
D’où, 

 0 si x < 0,




 1/8 si 0 ≤ x < 1,
F (x) = 4/8 si 1 ≤ x < 2,



 7/8 si 2 ≤ x < 3,



1 si x≥3
Remarque : deux v.a. ayant même loi ont même fonction de répartition.
Proposition 21 Soit F une fonction de répartition. Alors

1) F est croissante,
2) F est continue à droite et admet une limite à gauche en tout point x égale à P [X < x],
3)
lim F (x) = 0, lim F (x) = 1
x→ −∞ x→ +∞
Pour une v.a. discrète, la fonction de répartition est une fonction en escalier, avec un saut
en chaque valeur k de X(Ω) et la hauteur de ces sauts est la probabilité P (X = k).
Une fois la loi d’une v.a. établie, on peut calculer, comme pour une série statistique,
un indicateur de position (l’espérance) et un indicateur de dispersion (la variance).
2.1. DÉFINITIONS 17
Définition 22 L’espérance ou moyenne d’une v.a. discrète X est le réel

X
E[X] = kP [X = k]
k
où on somme sur toutes les valeurs k que peut prendre X.
Un résultat remarquable permet de calculer facilement l’espérance d’une fonction de X
connaissant la loi de X : c’est le théorème du transfert.
Théorème 23 Pour toute fonction g,
X
E[g(X)] = g(k)P [X = k]
k
preuve : observons que g(X) = y ssi X = x avec g(x) = y. Ainsi,
X
P (g(X) = y) = P (X = x)
x:g(x)=y
Multiplions cette égalité par y puis sommons :

X X X X
E(Y ) = yP (Y = y) = g(x)P (X = x) = g(x)P (X = x)
y y x:g(x)=y x
¤
Définition 24 La variance d’une v.a. discrète X est le réel positif
h i X
Var(X) = E (X − E[X])2 = (k − E[X])2 P [X = k] = E[X 2 ] − E[X]2
k
et l’écart-type de X est la racine carrée de sa variance.
Remarque : l’espérance n’a pas toujours un sens quand X(Ω) est infini. Dans ce cas, X a
une espérance si
X
|k|P (X = k) < ∞
k∈X(Ω)
L’espérance d’une v.a. est la moyenne des valeurs que peut prendre X, pondérée par les
probabilités de ces valeurs. On appelle souvent l’espérance tout simplement moyenne de
X : elle correspond à une valeur moyenne autour de laquelle sont réparties les valeurs que
peut prendre X. L’écart-type (ou la variance) mesure la dispersion de la v.a. X autour de
sa valeur moyenne E[X].
L’espérance et sa variance ne dépendent de X qu’à travers sa loi : deux variables qui ont
même loi ont même espérance, même variance.
Exemple 18 : nous avons la loi du nombre X de PILE quand on lance trois fois une pièce.
3
X 1 3 3 1 12 3
E[X] = kP [X = k] = 3 · +2· +1· +0· = =
8 8 8 8 8 2
k=0
3
X
2 2
Var(X) = E[X ] − E[X] = k 2 P [X = k] − E[X]2
k=0
µ !2
1 3 3 1 3
= 3 · + 22 · + 12 · + 02 · −
2
8 8 8 8 2
3
=
4
Fréquences empiriques VERSUS loi de probabilité

Il ne faut pas confondre les fréquences observées sur un échantillon et la loi de probabi-
lité. Reprenons l’exemple 18. J’ai fait l’expérience de lancer 10 fois trois pièces de monnaie
en relevant à chaque fois le nombre de PILE obtenus. Voici les fréquences observées :
nbr de PILE [X = 3] [X = 2] [X = 1] [X = 0]
probabilité 0.125 0.375 0.375 0.125
fréquence observée 0.2 0.6 0.1 0.1
Quand le nombre d’essais augmente, les fréquences observées sont de plus en plus
proches des valeurs théoriques données par la loi de probabilité (preuve plus tard). C’est
pourquoi, quand on ne peut pas déterminer la loi d’une v.a. aussi facilement que dans
cet exemple, on considère que les fréquences empiriques (c’est-à-dire mesurées sur un
échantillon) sont des valeurs approchées des probabilités. Il n’en reste pas moins qu’il
ne faut pas assimiler ces deux objets, et bien comprendre la différence entre la moyenne
théorique, calculée à partir de la loi de probabilité, et la moyenne empirique, calculée à
partir de quelques observations.
2.2 Indépendance et conditionnement
Définition 25 Deux v.a. X et Y sont dites indépendantes si, pour tous i et j, les événe-
ments {X = i} et {Y = j} sont indépendants, ie
P [X = i, Y = j] = P [X = i]P [Y = j]
Attention ! Si X et Y ne sont pas indépendantes, connaı̂tre la loi de X et celle de Y

ne suffit pas pour connaı̂tre la loi de (X, Y ), qui est la donnée, pour tous i et j, de
P [(X, Y ) = (i, j)] = P [X = i, Y = j].
Proposition 26 (La formule des probabilités totales) Soient X et Y deux v.a.. Pour
tout i ∈ X(Ω),
X
P [X = i] = P [X = i|Y = j]P [Y = j]
j∈Y (Ω)
preuve : on peut appliquer la formule des probabilités totales 9 car les événements Y = j
forment une partition de Ω. ¤
Exemple 27 On lance deux dés équilibrés et on note X et Y les deux chiffres obtenus.
Soit Z = X + Y . Quelle est la loi de Z ?
2.2. INDÉPENDANCE ET CONDITIONNEMENT 19
Méthode 1 : bien sûr, dans ce cas fini, on peut faire un tableau à double entrée avec la
valeur que prend X, la valeur que prend Y et la valeur de Z.
X\Y 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12
Les deux dés ne se téléphonent pas avant de décider sur quelle face ils vont tomber : leurs
résultats sont indépendants. Donc
pour tous 1 ≤ i, j ≤ 6, P [X = i, Y = j] = P [X = i]P [Y = j] = 1/36
Autrement dit, chaque case du tableau a la même probabilité 1/36. On en déduit : P [Z =

2] = P [Z = 12] = 1/36, P [Z = 3] = P [Z = 11] = 2/36, P [Z = 4] = P [Z = 10] = 3/36,
P [Z = 5] = P [Z = 9] = 4/36, P [Z = 6] = P [Z = 8] = 5/36, P [Z = 7] = 6/36. On vérifie
immédiatement que la somme de ces probabilité fait 1.
Méthode 2 : on utilise la formule des probabilités totales. Précisément, on conditionne par
les événements (X = i) (1 ≤ i ≤ 6), qui forment une partition de Ω, car quand on connaı̂t
la valeur que prend X, on peut facilement calculer la probabilité pour avoir Z = j. Soit
1 ≤ j ≤ 12.
6
X
P [Z = j] = P [Z = j|X = i]P [X = i]
i=1
6
1X
= P [X + Y = j|X = i]
6
i=1
6
1X
= P [Y = j − i|X = i]
6
i=1
X6
1
= P [Y = j − i]
6
i=1
La dernière égalité vient du fait que X et Y sont indépendants. Il suffit maintenant de se

rappeler que P [Y = k] = 1/6 seulement si k est dans {1, ..., 6}.
Théorème 28 1) Pour toutes v.a. X et Y , E[X + Y ] = E[X] + E[Y ].

2) Si X et Y sont indépendantes, Var(X + Y ) = Var(X) + Var(Y ).
preuve : pour le premier point, il faut observer que

X ³ ´ ³ ´
P (X = x, Y = y) = P (X = x) ∩ (∪y (Y = y)) = P (X = x) ∩ Ω = P (X = x)
y
et il vient
X
E[X + Y ] = (x + y)P (X = x, Y = y)
x,y
X X
= xP (X = x, Y = y) + yP (X = x, Y = y)
x,y x,y
X X
= xP (X = x) + yP (Y = y) = E[X] + E[Y ]
x y
Pour le second point, on montre tout d’abord que E(XY ) = E(X)E(Y ), la suite venant
facilement. Ainsi,
X
E[XY ] = xyP (X = x, Y = y)
x,y
X
= xyP (X = x)P (Y = y)
x,y
µX ¶µ X ¶
= xP (X = x) yP (Y = y)
x y
= E(X)E(Y )
2.3 Schéma de Bernoulli et loi binomiale

On s’intéresse ici à la réalisation ou non d’un événement. Autrement dit, on n’étudie
que les expériences aléatoires qui n’ont que deux issues possibles (ex : un patient à
l’hôpital survit ou non, un client signe le contrat ou non, un électeur vote démocrate ou
républicain...). Considérons une expérience aléatoire de ce type. On l’appelle une épreuve
de Bernoulli. Elle se conclut par un succès si l’événement auquel on s’intéresse est réalisé
ou un échec sinon. On associe à cette épreuve une variable aléatoire Y qui prend la valeur
1 si l’événement est réalisé et la valeur 0 sinon. Cette v.a. ne prend donc que deux valeurs
(0 et 1) et sa loi est donnée par :
P [Y = 1] = p, P [Y = 0] = q = 1 − p
On dit alors que Y suit une loi de Bernoulli de paramètre p, notée B(p). La v.a. Y a
pour espérance p et pour variance p(1 − p). En effet, E[Y ] = 0 × (1 − p) + 1 × p = p et
Var(Y ) = E[Y 2 ] − E[Y ]2 = E[Y ] − E[Y ]2 = p(1 − p).
Un schéma de Bernoulli est la répétition n fois de la même épreuve dans les mêmes
conditions.
Schéma de Bernoulli :
1) Chaque épreuve a deux issues : succès [S] ou échec [E].
2) Pour chaque épreuve, la probabilité d’un succès est la même, notons P (S) = p et
P (E) = q = 1 − p.
3) Les n épreuves sont indépendantes : la probabilité d’un succès ne varie pas, elle ne
dépend pas des informations sur les résultats des autres épreuves.
2.3. SCHÉMA DE BERNOULLI ET LOI BINOMIALE 21
Soit X la v.a. qui représente le nombre de succès obtenus lors des n épreuves d’un
schéma de Bernoulli. Alors on dit que X suit une loi binomiale de paramètres (n, p),
notée B(n, p). Cette loi est donnée par :
µ ¶
n k
P (X = k) = p (1 − p)n−k pour tout 0 ≤ k ≤ n
k
¡ ¢
où nk = k!(n−k)!
n!
.
En effet, on peut tout d’abord observer que le nombre de succès est un entier nécessai-
rement compris entre 0 et le nombre d’épreuves n. D’autre part, l’événement {X = k}
est une réunion d’événements élémentaires et chacun de ces événements élémentaires est
une suite de longueur n de la forme ω =[SSES...E] avec k S et n − k E. Un tel événement
élémentaire a la probabilité
P (ω) = pk (1 − p)n−k
Combien existe-t-il de suites à n éléments avec k S et n − k E ?

¡ ¢
Il en existe nk , le nombre de combinaisons de k S parmi n éléments. Finalement,
X
P (X = k) = P (ω)
ω:X(ω)=k
= card({ω : X(ω) = k}) pk (1 − p)n−k

µ ¶
n k
= p (1 − p)n−k
k
Proposition 29 Si X est une v.a. de loi B(n, p), l’espérance de X vaut np et sa variance
np(1 − p).
(preuve)
Exemple 30 (échantillon avec remise) On considère une population avec deux caté-
gories d’individus, A et B. On choisit de manière équiprobable un individu dans la popu-
lation. On note le résultat de l’épreuve, c’est-à-dire si l’individu appartient à la catégorie
A ou B. Puis on le remet dans le lot et on recommence : on choisit à nouveau un individu
dans la population... Cela constitue notre schéma de Bernoulli.
Supposons que les individus de la catégorie A sont en nombre NA dans la population qui
contient N individus. Alors pour chaque épreuve de Bernoulli, la probabilité d’avoir un
individu de la catégorie A (ce que nous appellerons un succès) est p = NA /N . Le nombre
d’individus, présents dans l’échantillon, qui appartiennent à la catégorie A est une va-
riable aléatoire, car sa valeur dépend du choix de l’échantillon, c’est-à-dire de l’expérience
aléatoire.
Quel est le nombre X d’individus de la catégorie A dans l’échantillon ? D’après ce qu’on
vient de voir, on est en présence d’un schéma de Bernoulli où NA /N est la probabilité de
succès et n est le nombre d’épreuves : une épreuve est le tirage d’un individu et un succès
correspond à l’événement “l’individu appartient à la catégorie A”. Donc X suit une loi
binomiale B(n, NA /N ).
Exemple 31 On s’intéresse à l’infection des arbres d’une forêt par un parasite. Soit p la
proportion d’arbres infectés. On étudie 4 arbres. Si un arbre est infecté, on dit qu’on a un
succès, sinon un échec. Soit X le nombre d’arbres infectés, parmi les 4. Alors X suit la
loi binomiale B(4, p).
¡¢
P (X = 0) = 40 q 4 = q 4 , Loi binomiale pour n=4, p=1/5
¡4¢ 1 3
P (X = 1) = 1 p q = 4pq 3 ,
0.4
¡¢
P (X = 2) = 42 p2 q 2 = 6p2 q 2 ,
0.3
¡¢
P (X = 3) = 43 p3 q 1 = 4p3 q,
probabilites
¡¢
0.2
P (X = 4) = 44 p4 = p4 .
Pour p = 1/5, on obtient les va-
0.1
leurs :
0.0
0 1 2 3 4
valeurs de X
Voici d’autres exemples.
Loi binomiale pour n=5, p=0.5 Loi binomiale pour n=10, p=0.5
0.20
0.25
probabilites
probabilites
0.15
0.10
0.05
0.00
0 1 2 3 4 5 0 2 4 6 8 10
valeurs de X valeurs de X
Loi binomiale pour n=10, p=0.2 Loi binomiale pour n=10, p=0.8
0.30
0.30
0.20
0.20
probabilites
probabilites
0.10
0.10
0.00
0.00
0 2 4 6 8 10 0 2 4 6 8 10
valeurs de X valeurs de X
Remarque : associons à chaque épreuve de Bernoulli une v.a. Yi (1 ≤ i ≤ n) qui vaut 1 si

on observe un succès au i-ème essai et 0 sinon. Alors le nombre de succès, noté X, vérifie
n
X
X= Yi
i=1
Autrement dit, une v.a de loi B(n, p) est une somme de n v.a indépendantes de loi B(p).
2.4. TROIS AUTRES LOIS DISCRÈTES 23
Exemple 32 Un nouveau traitement résout le problème de fragilité d’un matériel dans

50% des cas. Si on essaye sur 15 objets, quelle est la probabilité pour qu’au plus 6 de ces
objets soient résistants, pour que le nombre d’objets résistants soit compris entre 6 et 10,
pour que deux au plus restent fragiles. Quel est le nombre moyen d’objets rendus résistants
par le traitement ?
On suppose que les résultats concernant les 15 objets sont indépendants. Soit X le nombre
d’objets résistants à la suite du nouveau traitement. Alors X suit une loi B(15, 0.5) et
P [X ≤ 6] = P [X = 0] + P [X = 1] + · · · + P [X = 6]
µ ¶ µ ¶ µ ¶ µ ¶ µ ¶ µ ¶ µ ¶´
1 ³ 15 15 15 15 15 15 15
= 15
+ + + + + +
2 0 1 2 3 4 5 6
1
= (1 + 15 + 105 + 455 + 1365 + 3003 + 5005)
215
= 0.304
P [6 ≤ X ≤ 10] = P [X = 6] + P [X = 7] + P [X = 8] + P [X = 9] + P [X = 10] = 0.790
P [X ≥ 12] = P [X = 12] + P [X = 13] + P [X = 14] + P [X = 15]

= (455 + 105 + 15 + 1)/215
= 0.018
Enfin, E[X] = 15/2 = 7, 5.
2.4 Trois autres lois discrètes

2.4.1 Loi géométrique
Au lieu de réaliser un nombre fixé d’essais lors d’un schéma de Bernoulli, l’expérimenta-
teur s’arrête au premier succès. La valeur qui nous intéresse est le nombre d’essais effectués
jusqu’au premier succès inclus. Le nombre de succès est donc fixé à 1, mais le nombre d’es-
sais total Y est aléatoire et peut prendre n’importe quelle valeur entière supérieure ou
égale à 1. De plus,
∀k = 1, 2, ... P [Y = k] = p(1 − p)k−1
où p est toujours la probabilité de succès des épreuves de Bernoulli. On dit alors que Y
suit la loi géométrique de paramètre p, notée G(p).
Proposition 33 L’espérance de Y vaut 1/p et sa variance (1 − p)/p2 .
preuve : admettons tout d’abord que, sur [0, 1[,

µX
∞ ¶0 ∞
X ∞
X
k k 0
x = (x ) = kxk−1
k=0 k=0 k=1
et
µX
∞ ¶0 µ ¶0
k 1 1
x = =
1−x (1 − x)2
k=0
D’où, pour x = 1 − p,
∞
X ∞
X
E[Y ] = kP [X = k] = p k(1 − p)k−1 = p/p2 = 1/p
k=1 k=1
Un calcul analogue permet de calculer la variance (exercice).
2.4.2 Loi de Poisson
Cette loi est une approximation de la loi binomiale quand np est petit et n grand (en
pratique, n ≥ 50 et np ≤ 10). Une v.a. X de loi de Poisson de paramètre λ, notée P(λ),
vérifie
λk
∀k ∈ N, P [X = k] = exp(−λ)
k!
L’espérance et la variance de X sont égales à λ.
On utilise la loi de Poisson pour modéliser le nombre de tâches qui arrivent à un serveur
informatique pendant une minute, le nombre de globules rouges dans un ml de sang, le
nombre d’accidents du travail dans une entreprise pendant un an...
Dans le cas de l’approximation de la loi binomiale par la loi de Poisson, le paramètre de
la loi de Poisson est λ = np.
2.4.3 Loi uniforme
Mis à part le prestige dû à son nom, la loi uniforme est la loi de l’absence d’information.
Supposons qu’une v.a. X prenne les valeurs 1,2,...,n, mais que nous n’ayons aucune idée
de la loi de probabilité de X ; dans ce cas, après justification, on peut affecter à chaque
valeur le même poids : 1/n. Et
1
∀k = 1, ..., n, P [X = k] =
n
On montre facilement que
n+1 (n + 1)(n − 1)
E[X] = et Var(X) =
2 12
Exercice 2 — Soit X une v.a. dont la loi est donnée par
P [X = −1] = 0.2, P [X = 0] = 0.1, P [X = 4] = 0.3, P [X = 5] = 0.4
Calculer P [X ≤ 3], P [X > 2], l’espérance et la variance de X.

2.5. EXERCICES 25
2.5 Exercices
Exercice 1 — Soit X une v.a. dont la loi est donnée par
P [X = −1] = 0.2, P [X = 0] = 0.1, P [X = 4] = 0.3, P [X = 5] = 0.4
Calculer P [X ≤ 3], P [X > 2], l’espérance et la variance de X.
Exercice 2 — On lance deux dés. Modéliser l’expérience. Quelle est la probabilité pour
obtenir au moins un 4 ? Quelle est la probabilité pour que le plus petit donne un nombre
inférieur ou égal à 4 ? Quelle est l’espérance de la somme des deux dés ?
Exercice 3 — On admet que le nombre d’accidents survenant sur une autoroute quoti-
diennement est une va qui suit la loi de Poisson de paramètre λ = 3. Calculer P [X = k]
pour k = 0, ..., 6. Faire une représentation graphique. Quelle est la probabilité qu’il y ait
au moins 2 accidents lors d’un jour donné ?
Exercice 4 — Pour ces expériences aléatoires, donner les espaces fondamentaux Ω et les
probabilités qui les décrivent. Puis, pour chacune des variables aléatoires que l’on étudie,
préciser le nom de la loi, ses paramètres et donner l’expression de P (X = k).
a) On lance un dé 20 fois. Quelle est la loi du nombre de 5 obtenus ? Quelle est la proba-
bilité d’obtenir moins de 3 fois un 5 ?
b) Une urne contient une boule blanche et une boule noire. On prend dans cette urne une
boule au hasard, on la remet et on ajoute une boule de la même couleur. Quelle est la loi
du nombre de boules blanches dans l’urne ?
c) On recommence ce petit jeu. Quelle est la nouvelle loi du nombre de boules blanches
dans l’urne ? Donner aussi la loi du nombre de boules noires et son espérance.
d) Au bord de l’A7, un étudiant fait du stop. En cette saison, un vingtième des automo-
bilistes s’arrête pour prendre un stoppeur. Quelle est la loi du nombre de véhicules que
l’étudiant verra passer avant qu’il ne trouve un chauffeur ? Quelle est la probabilité qu’il
monte dans la quatrième voiture qui passe ? Quelle est la probabilité qu’il voit passer au
moins 6 voitures qui ne s’arrêtent pas ?
Exercice 5 — Soient X et Y deux variables aléatoires indépendantes de lois respectives

B(n, p) et B(n0 , p). Quelle est la loi de la somme X + Y ?
Exercice 6 — Un ingénieur d’une entreprise de télécommunication recherche en milieu

rural des sites pour implanter des relais pour téléphones portables. Ces sites sont des clo-
chers d’église, châteaux d’eau... Sur une carte IGN, l’ingénieur relève 250 sites potentiels
dans sa région. De plus, il utilise le quadrillage de sa carte : sa région est divisée en 100
carreaux. On suppose que les sites potentiels sont répartis uniforménent et indépendam-
ment sur le territoire. Étant donné un carreau, quelle est la loi du nombre de sites situés
dans ce carreau ? Quelle est la probabilité pour qu’on trouve 5 sites dans ce carreau ? Plus
de 5 sites ?
Exercice 7 — Déterminer la loi de la somme de deux v.a. indépendantes de loi de Poisson.
Exercice 8 — Un filtre à particules reçoit un flux de particules, dont le nombre par unité
de temps suit une loi de Poisson de paramètre λ. Il filtre ce flux de telle sorte que les
particules non toxiques sont rejetées dans l’air. Ces particules non toxiques sont présentes
en proportion p dans le gaz originel. Quelle est la loi du nombre de particules rejetées dans
l’air par unité de temps ?
Exercice 9 — Un géologue cherche 5 sites potentiels pour exploiter un gisement d’ura-

nium. Après les études de faisabilité, le conseil d’administration choisira le site définitif.
Notre géologue charge donc 5 subordonnés de trouver 5 sites vérifiant certaines carac-
téristiques. Chaque lundi, les employés présentent, lors d’une réunion de travail, un site
chacun. On met de côté les sites qui pourraient convenir à première vue. Ces sites seront
alors soumis aux études de faisabilité par les employés qui les ont dénichés et on renvoie
les autres sur le terrain, jusqu’à ce qu’ils trouvent un site correct.
Soient X la v.a. égale au nombre de lundis de présentation et Y la v.a. égale au nombre
de sites présentés.
Calculer P [X ≤ k] puis P [X = k] pour k ∈ N. Puis déterminer la loi de Y .
Chapitre 3
Variables aléatoires continues
On utilise des v.a. discrètes pour compter des événements qui se produisent de manière
aléatoire, et des v.a. continues quand on veut mesurer des grandeurs “continues” (distance,
masse, pression...).
3.1 Loi d’une v.a. continue

Un industriel fait relever régulièrement la pression dans une cuve de réaction chimique.
Voici les mesures obtenues en bar :
2.50 1.37 1.57 1.28 1.64 1.37 2.05 2.11 1.00 1.72
1.96 1.70 2.03 2.26 1.60 1.70 2.09 1.79 1.66 2.09
1.58 1.78 2.02 2.22 1.51 2.59 1.94 1.36 2.31 1.36
0.97 1.07 0.91 2.05 1.70 1.70 1.17 2.02 2.26 1.78
1.60 1.63 1.68 1.34 1.56 1.91 1.86 1.44 2.37
4
3
2
1
0
1.0 1.5 2.0 2.5
pression
Cette représentation graphique n’est pas pertinente : on regroupe les valeurs pour tracer
un histogramme.
Suivant le nombre de classes choisi, on obtient différents tracés. On peut imaginer de
raffiner encore en faisant d’autres mesures avec des instruments de mesure plus précis.
27
28 CHAPITRE 3. VARIABLES ALÉATOIRES CONTINUES
1.2
1.0
1.0
1.0
0.8
0.8
0.8
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0.0
0.0
0.0
0.5 1.0 1.5 2.0 2.5 3.0 1.0 1.5 2.0 2.5 0.5 1.0 1.5 2.0 2.5 3.0
On aurait alors une courbe, d’aire 1 comme les histogrammes, qui représente la manière
dont sont réparties les valeurs de la v.a. X (voir les graphes et les données ci-dessus).
Cette courbe est la courbe d’une fonction appelée densité de probabilité ou simplement
densité. Une densité f décrit la loi d’une v.a. X en ce sens :
Z b
pour tous a, b ∈ R, P [a ≤ X ≤ b] = f (x)dx
a
et Z x
pour tout x ∈ R, F (x) = P [X ≤ x] = P [X < x] = f (u)du
−∞
On en déduit qu’une densité doit vérifier
Z
pour tout x ∈ R, f (x) ≥ 0 et f (x)dx = 1
R
Définition 34 On appelle densité de probabilité toute fonction réelle positive, d’inté-

grale 1.
Attention ! Pour une v.a. continue X, la densité f ne représente pas la probabilité de

l’événement {X = x}, car P [X = x] = 0. Il faut plutôt garder à l’esprit que
P [x ≤ X ≤ x + ∆x] = f (x).∆x
Important : La loi d’une v.a. X est donnée par

- sa densité
ou
- les probabilités P [a ≤ X ≤ b] pour tous a, b
ou
- les probabilités F (x) = P [X ≤ x] pour tout x (F est la fonction de répartition).
Remarque : P [X = x] = 0 pour tout x.
Proposition 35 La fonction de répartition F d’une v.a. X de densité f est continue,

croissante. Elle est dérivable en tout point x où f est continue et F 0 (x) = f (x). On a la
relation
P [a ≤ X ≤ b] = P [a < X ≤ b] = F (b) − F (a)
dès que b ≥ a.
3.2. LOI UNIFORME 29
Définition 36 L’espérance de la v.a. X est définie par

Z +∞
E[X] = xf (x)dx
−∞
quand cette intégrale a un sens. De plus, la variance de X est V ar(X) = E[X 2 ] − E[X]2 .
Proposition 37 (i) L’espérance d’une fonction Y = ϕ(X) est donnée par

Z +∞
E[Y ] = E[ϕ(X)] = ϕ(x)f (x)dx
−∞
(ii) Pour tous réels a et b,

E[aX + b] = aE[X] + b
V ar(aX + b) = a2 V ar(X)
(iii) Si X et Y sont deux v.a. continues,
E[X + Y ] = E[X] + E[Y ]
Si, de plus, elles sont indépendantes, Var(X + Y ) = Var(X) + Var(Y ).
Exemple : Soit X une v.a. de densité f définie par

(
1
1
f (x) = 1l[0,2] (x) = 2 si x ∈ [0, 2]
2 0 sinon
R
Il s’agit bien d’une densité (f ≥ 0 et R f (x)dx = 1). Calculons P [1/3 ≤ X ≤ 2/3]. Que
valent E[X] et Var(X) ?
3.2 Loi uniforme

Définition 38 Une v.a. X suit une loi uniforme sur [a, b], si elle admet pour densité
(
1
b−a si a < x < b
f (x) =
0 sinon
Remarque : on vérifie facilement que f est une densité.

La fonction de répartition F de X est donnée par :

Z x

 0 si x < a
F (x) = P [X ≤ x] = f (x)dx = x−a
b−a si a ≤ x ≤ b
−∞ 

1 si x > b
L’espérance de X est E[X] = (b − a)/2 et la variance de X est Var(X) = (b − a)2 /12.

Exercice : soit X de loi uniforme sur [0, 10]. Calculer P [X < 3], P [X > 6], P [3 < X < 8].
3.3 La loi normale
3.3.1 Loi normale centrée réduite
C’est la loi la plus importante. Son rôle est central dans de nombreux modèles probabilistes
et dans toute la statistique. Elle possède des propriétés intéressantes qui la rendent agréable
à utiliser.
Définition 39 Une v.a. X suit une loi normale (ou loi gaussienne ou loi de Laplace-
Gauss) N (0, 1) si sa densité f est donnée par
1 ³ x2 ´
f (x) = √ exp − , pour tout x ∈ R
2π 2
R
Remarque : vérifions que f est d’intégrale 1. Notons I = R f.
µZ ¶µ Z ¶
2
I = f (x)dx f (y)dy
R R
Z Z ³ x2 + y 2 ´
1
= exp − dxdy
2π R R 2
On fait un changement de variable polaire : x = r cos θ et y = r sin θ. Alors dxdy = rdrdθ

et on obtient :
Z +∞Z 2π
21
I = exp(−r2 /2)rdθdr = 1
2π 0 0
Rappel : si X suit une loi normale N (0, 1), alors pour tous a < b,
Z b ³ x2 ´
1
P [a ≤ X ≤ b] = √ exp − dx = ϕ(b) − ϕ(a)
2π a 2
où ϕ est la fonction de répartition de X. Rappelons que ϕ est une primitive de la densité f .
Mais il n’existe pas de forme analytique de la primitive de f . On doit donc lire les valeurs
de ϕ dans une table disponible en annexe B, ou la faire calculer par un logiciel adapté
(ex : excel, matlab, R).
La courbe de la densité de la loi normale N (0, 1) porte le nom de “courbe en cloche”.
Elle tend vers 0 en l’infini, est croissante sur R− , puis décroissante. Elle admet donc un
maximum en 0. On peut voir aussi qu’elle est symétrique, de centre de symétrie 0.
3.3. LA LOI NORMALE 31
loi normale N(0,1)

0.4
0.3
0.2
0.1
0.0
−4 −2 0 2 4
Proposition 40 La v.a. X est centrée, c’est-à-dire de moyenne nulle, et réduite, c’est-

à-dire de variance 1. De plus, −X suit encore une loi normale centrée réduite.
preuve : le calcul de l’espérance est immédiat quand on a observé que xf (x) est une
fonction impaire. Le calcul de la variance se fait par une intégration par parties. Enfin,
montrons que X et −X ont même loi. Pour tous a, b ∈ R,
Z −a
P [a ≤ −X ≤ b] = P [−b ≤ X ≤ −a] = f (x)dx
−b
On effectue un le changement de variable : y = −x

Z b Z b
P [a ≤ −X ≤ b] = f (−y)dy = f (y)dy
a a
par symétrie de la fonction f . D’où
P [a ≤ −X ≤ b] = P [a ≤ X ≤ b]
Utilisation des tables

Pour calculer P [a ≤ X ≤ b] ou P [X ≤ x], on a recours au calcul numérique sur ordinateur
ou, plus simplement, à une table qui donne P [X ≤ x] pour tout décimal positif x à deux
chiffres après la virgule. Puis il faut remarquer que
P [a ≤ X ≤ b] = P [X ≤ b] − P [X ≤ a]
puis on lit les probabilités dans la table si a et b sont positifs. Pour trouver P [X ≤ −x]
quand x > 0, on utilise le fait que X et −X ont même loi :
P [X ≤ −x] = P [−X ≥ x] = P [X ≥ x] = 1 − P [X ≤ x]
Exemple : on cherche à calculer P [1 ≤ X ≤ −1].

³ ´
P [−1 ≤ X ≤ 1] = P [X ≤ 1] − P [X ≤ −1] = P [X ≤ 1] − 1 − P [X ≤ 1]
= 2P [X ≤ 1] − 1 = 2 × 0.8413 − 1 = 0, 6826
Exemple : on cherche u ∈ R tel que P [−u ≤ X ≤ u] = 0.90.
P [−u ≤ X ≤ u] = 2P [X ≤ u] − 1
D’où P [X ≤ u] = 0.95 et u = 1.6446.
3.3.2 Loi normale : cas général

Proposition 41 Soient m ∈ R et σ > 0. Une v.a. X suit une loi normale N (m, σ) si sa
densité f est donnée par
1 ³ (x − m)2 ´
f (x) = √ exp − , pour tout x ∈ R
σ 2π 2σ 2
loi normale centrée

0.8
N(0,1)
N(0,3)
N(0,0.5)
0.6
0.4
0.2
0.0
−6 −4 −2 0 2 4 6
loi normale réduite

0.4
N(0,1)
N(2,1)
0.3
0.2
0.1
0.0
−4 −2 0 2 4 6
3.3. LA LOI NORMALE 33
X−m
Proposition 42 Si X suit une loi normale N (m, σ), Z = σ suit une loi normale
centrée réduite N (0, 1).
preuve : soient deux réels a < b.

· ¸
X −m
P [a ≤ Z ≤ b] = P a ≤ ≤b
σ
= P [m + aσ ≤ X ≤ m + bσ]
Z m+bσ ³ (x − m)2 ´
1
= √ exp − dx
m+aσ σ 2π 2σ 2
x−m
Changement de variable : z = σ
Z b ³ z2 ´
1
P [a ≤ Z ≤ b] = √ exp − dz
a 2π 2
³ ´
z2
Cette égalité étant vraie pour tous réels a < b, on en déduit que √12π exp − 2 est la
densité de Z, autrement dit, Z suit une loi normale centrée réduite N (0, 1). ¤
Proposition 43
E[X] = m et Var(X) = σ 2
preuve : immédiat avec la proposition précédente et la linéarité de l’espérance. ¤
On peut ainsi facilement se ramener à la loi normale centrée réduite. Comme la fonc-
tion de répartition ϕ de la loi normale centrée réduite est tabulée, on se ramènera même
systématiquement à cette loi pour calculer des probabilités. Plus précisément, si X est de
loi N (m, σ), et a et b sont deux réels, on calcule P [a ≤ X ≤ b] ainsi :
" # " #
a−m X −m b−m a−m b−m
P [a ≤ X ≤ b] = P ≤ ≤ =P ≤Z≤
σ σ σ σ σ
où Z est de loi N (0, 1). Donc

Ã ! Ã !
b−m a−m
P [a ≤ X ≤ b] = ϕ −ϕ
σ σ
On peut aussi remarquer que si Z est de loi N (0, 1), alors −Z aussi et donc, pour u > 0,
P [−u ≤ Z ≤ u] = P [Z ≤ u] − P [Z ≤ −u] = P [Z ≤ u] − P [Z ≥ u]
= P [Z ≤ u] − (1 − P [Z ≤ u]) = 2P [Z ≤ u] − 1
Exemple : Soit X une v.a. de loi N (15, 4). Quelle est la probabilité P [10 ≤ X ≤ 22] ?
h 10 − 15 X − 15 22 − 15 i
P [10 ≤ X ≤ 22] = P ≤ ≤ = P [−1.25 ≤ Y ≤ 1.75]
4 4 4
où Y suit une loi N (0, 1). Ainsi,
P [10 ≤ X ≤ 22] = P [Y ≤ 1.75] + P [Y ≤ 1.25] − 1 = 0.9599 + 0.8944 − 1 = 0.8543

Important
Soit Y une v.a. de loi N (0, 1).
P [−1 ≤ Y ≤ 1] = 0.6826
P [−2 ≤ Y ≤ 2] = 0.9544
P [−3 ≤ Y ≤ 3] = 0.9973
Soit X une v.a. de loi N (m, σ).
P [m − σ ≤ X ≤ m + σ] = 0.6826
P [m − 2σ ≤ X ≤ m + 2σ] = 0.9544
P [m − 3σ ≤ X ≤ m + 3σ] = 0.9973
3.4 La loi exponentielle

Soit λ un réel strictement positif.
Définition 44 Une v.a. X est dite de loi exponentielle E(λ) si sa densité est donnée par
(
0 si x < 0
f (x) =
λ exp(−λx) si x ≥ 0
La v.a. X de loi E(λ) ne prend que des valeurs positives.

Elle est utilisée dans de nombreuses applications :
- durée de fonctionnement d’un matériel informatique avant la première panne,
- désintégration radioactive,
- temps séparant l’arrivée de deux “clients” dans un phénomène d’attente (guichet, accès
à un serveur informatique, arrivée d’un accident du travail...).
Proposition 45 La fonction de répartition de la loi E(λ) est égale à

(
0 si x < 0
F (x) =
1 − exp(−λx) si x ≥ 0
De plus,
1 1
E[X] = , Var(X) =
λ λ2
Proposition 46 La loi exponentielle vérifie la propriété d’absence de mémoire. Soit X
un v.a. de loi exponentielle. Alors pour tous s, t > 0,
P [X > t + s|X > t] = P [X > s]
preuve :
P [(X > t + s) ∩ (X > t)] P [X > t + s] e−λ(t+s)

P [X > t+s|X > t] = = = = e−λs = P [X > s]
P [X > t] P [X > t] e−λt
3.5. FONCTION D’UNE V.A. CONTINUE 35
3.5 Fonction d’une v.a. continue

Soit X une v.a de densité f et ψ une fonction sur R. On pose Y = ψ(X). Cherchons la
densité de Y dans le cas où Y est une v.a. continue. Pour cela, on va écrire P [a ≤ Y ≤ b]
Rb
sous la forme a g(y)dy, pour tous a < b. La fonction g ainsi obtenue est la densité de Y .
Supposons ψ bijective, de classe C 1 , croissante. Dans le cas contraire, on découpera R en
intervalles sur lesquels ψ est bijective (avant de faire le changement de variable ci-dessous).
Soit a < b quelconques.
Z ψ−1 (b)
−1 −1
P [a ≤ Y ≤ b] = P [a ≤ ψ(X) ≤ b] = P [ψ (a) ≤ X ≤ ψ (b)] = f (x)dx
ψ −1 (a)
On fait le changement de variable y = ψ(x). On obtient

Z b
¡ ¢ 1
P [a ≤ Y ≤ b] = f ψ −1 (y) 0 ¡ −1 ¢ dy
a ψ ψ (y)
Ainsi, la densité de Y est ¡ ¢
f ψ −1 (y)
h(y) = 0 ¡ −1 ¢
ψ ψ (y)
Exemple : Soit X de densité f = 12 1l[0,2] . Soient deux réels c et d avec c non nul. Quelle
est la loi de Y = cX + d ?
Soient a < b quelconques.
ha − d Z b−d
b − di 1 c
P [a ≤ Y ≤ b] = P [a ≤ cX + d ≤ b] = P ≤X≤ = 1l[0,2] (x)dx
c c 2 a−d
c
On fait le changement de variable y = cx + d. Alors dy = c dx et

Z
1 b
P [a ≤ Y ≤ b] = 1l ((y − d)/c)dy
2c a [0,2]
Or 0 ≤ (y − d)/c ≤ 2 ssi d ≤ y ≤ 2c + d, d’où
Z b
1
P [a ≤ Y ≤ b] = 1l[d,2c+d] (y)dy
2c a
La densité de Y est donc la fonction g définie par
1
g(y) = 1l[d,2c+d] (y)
2c
Théorème 47 (Une transformation bien utile) Soit X une v.a. continue, de fonc-
tion de répartition F . Alors F (X) suit la loi uniforme sur [0, 1].
preuve : même si F n’est pas strictement croissante, on est en mesure de définir une
fonction inverse de F par
F −1 (y) = min{x : F (x) ≥ y}
Et on obtient, avec la continuité de F :
P (F (X) < y) = P (X < F −1 (y)) = F (F −1 (y)) = y
On reconnait la fonction de répartition de la loi uniforme. ¤

Le résultat suivant permet de simuler de nombreuses lois à partir de nombres unifor-
mément répartis entre 0 et 1.
Théorème 48 Soit U une v.a. de loi uniforme sur [0, 1]. Alors Y = F −1 (U ) a pour
fonction de répartition F .
preuve : D’après la définition de F −1 , on a pour tout 0 < x < 1,
F −1 (y) ≤ x ssi F (x) ≥ y
En remplaçant y par U , on obtient
P (F −1 (U ) ≤ x) = P (U ≤ F (x)) = F (x)
Exemple : pour simuler une réalisation d’une v.a. de la loi exponentielle E(λ), il suffit de
calculer − log(1 − u)/λ où u est un nombre uniformément réparti entre 0 et 1.
3.6 Exercices
Exercice 1 — Montrer que si X est une variable aléatoire de loi normale N (0, 1), alors
la variable aléatoire Z = σX + m suit une loi normale centrée réduite N (m, σ).
Exercice 2 — Soit X une variable aléatoire de loi normale N (0, 1).

Calculer P [X ≤ 1.62], P [X ≥ −0.52], P [−1 < X < 1]. Trouver u tel que P [X ≤ u] =
0.334.
Exercice 3 — La largeur (en cm) d’une fente dans une pièce fabriquée en aluminium
est distribuée selon une loi normale de paramètres µ = 2 et σ = 0, 012. Les limites de
tolérance sont données comme étant 2, 000 ± 0, 012. Quel sera le pourcentage de pièces
défectueuses ?
Exercice 4 — Soit X une variable aléatoire gaussienne. On sait que :
P [X ≤ 3] = 0, 5517 et P [X ≥ 7] = 0, 0166
Déterminer la moyenne et l’écart-type de X.
Exercice 5 — Dans une usine d’emballage, un automate remplit des paquets de café de
250g. On sait que l’automate verse en fait une quantité de café variable, régie par une
loi normale de moyenne réglable et d’écart-type 3. Quelle doit être la moyenne théorique
choisie pour que 90% des clients achètent bien au moins 250g de café ?
Exercice 6 — Dans ce problème, les durées des trajets sont supposées de loi normale.
1) Un directeur de société habite dans la ville A. Il part de chez lui à 8h45 et se rend
en voiture à son bureau qui ouvre à 9h. La durée de son trajet est, en moyenne, de 13
minutes, avec un écart-type de 3 minutes. Quelle est la probabilité que le directeur arrive
en retard ?
2) La secrétaire du directeur habite en A, elle va au bureau avec le train de 8h32 ; elle
3.6. EXERCICES 37
descend à la station B. Elle prend ensuite le bus qui part de B à 8h50 (sans attendre
le train), pour aller de B à son bureau. La durée du trajet en train a pour moyenne 16
minutes, pour écart-type 2 minutes, et la durée du trajet en bus a pour moyenne 9 minutes
et pour écart-type 1 minute. Les durées de trajet en train et en bus sont indépendantes.
Quelle est la probabilité que la secrétaire arrive à l’heure ?
3) Quelle est la probabilité pour que le directeur ou la secrétaire (c’est-à-dire l’un au
moins des deux) arrive à l’heure, les durées des trajets du directeur ou de la secrétaire
étant supposées indépendantes ?
Exercice 7 —Soit X une v.a. continue dont la densité est donnée par
(
a(9x − 3x2 ) pour 0 < x < 3
f (x) =
0 sinon
1) Calculer la constante a.
2) Déterminer P [X > 1] et P [1/2 < X < 3/2].
3) Quelle est la fonction de répartition de X ?
4) Calculer l’espérance et la variance de X.
Exercice 8 — Soit X une v.a. continue de loi uniforme sur [a, b], où a et b sont deux réels
√ √
positifs tels que a < b. Soient c et d positifs avec a < c < d < b. Écrire P [c < X 2 < d]
sous forme d’une intégrale entre c et d. En déduire la densité de la v.a. X 2 .
Exercice 9 — Soit X une v.a. de loi exponentielle E(1). Calculer P [X ≤ 2] et P [X > 0.5].
Déterminer la densité de Y = 3X. De quelle loi s’agit-il ?
Chapitre 4
Théorèmes limites
Considérons une suite (Xn )n≥1 de v.a. indépendantes et de même loi. Supposons que
ces v.a. ont une espérance, notée m et une variance, notée σ 2 .
4.1 Loi des grands nombres

Au vu des chapitres précédents, on peut énoncer le théorème suivant.
Théorème 49
E(X1 + · · · + Xn ) = E(X1 ) + · · · + E(Xn ) = nm
Var(X1 + · · · + Xn ) = Var(X1 ) + · · · + Var(Xn ) = nσ 2
Théorème 50 (Inégalité de Chebyshev) Soit X une v.a. et x un réel strictement po-

sitif. Alors
P (|X − E(X)| > x) ≤ Var(X)/x2
preuve : Comme |X − E(X)|2 est positif, |X − E(X)|2 ≥ |X − E(X)|2 1l|X−E(X)|>x . On

prend maintenant l’espérance (qui conserve l’ordre)
Var(X) = E[|X − E(X)|2 ] ≥ E[|X − E(X)|2 1l|X−E(X)|>x ] ≥ x2 P (|X − E(X)| > x)
et c’est terminé. ¤
Définition 51 La moyenne empirique des v.a. X1 , . . . , Xn est la v.a.

X1 + · · · + Xn
Xn =
n
On sait d’ores et déjà que la moyenne empirique a pour espérance m et pour variance
σ 2 /n. Ainsi, plus n est grand, moins cette v.a. varie. À la limite, quand n tend vers l’infini,
elle se concentre sur son espérance, m. C’est la loi des grands nombres.
Théorème 52 (Loi des grands nombres) Quand n est grand, X n est proche de m
avec une forte probabilité. Autrement dit,
∀ε > 0, lim P (|X n − m| > ε) = 0

n→∞
39
40 CHAPITRE 4. THÉORÈMES LIMITES
preuve : soit ε > 0, d’après l’inégalité de Chebyshev,
Var(X n ) σ2
P (|X n − m| > ε) ≤ = −→ 0
ε2 ε2 n
On dit que X n converge en probabilité vers m.
Exemple 53 (Fréquence empirique et probabilité) Il est ici question de rapprocher

la probabilité théorique d’un événement A parfois inconnue avec la fréquence empirique de
cet événement obtenue en répétant plusieurs fois (mettons n fois) l’expérience aléatoire
qui produit A dans les mêmes conditions.
À la i-ième expérience (1 ≤ i ≤ n), on associe une v.a. Yi égale à 1 si A est réalisé, 0 sinon.
P P
Alors Yi décrit le nombre de fois où A a été réalisé et fA = n1 Yi décrit la fréquence
d’observation de A. Comme les Yi sont supposés de même loi, indépendants, de moyenne
P (A) et de variance P (A)(1 − P (A)), on peut appliquer la loi des grands nombres pour
conclure que fA converge, quand n tend vers l’infini vers P (A).
Plus généralement, soit X une v.a. dont on ne connaı̂t pas la loi. Alors la loi des grands
nombres implique qu’une observation répétée de la v.a. X permet d’avoir une idée plus ou
moins précise de la loi de X.
En conséquence, si par exemple on lance un grand nombre de fois un dé, la fréquence
d’apparition du 6 doit être proche de 1/6. Des questions restent en suspens : qu’est-ce
qu’un ”grand nombre de fois“, que signifie ”proche de 1/6“. Le théorème central limite va
apporter des réponses.
4.2 Théorème central limite

Théorème 54 Pour tous réels a < b, quand n tend vers +∞,
Ã ! Z b
Xn − m 1 2
P a≤ √ ≤ b −→ √ e−x /2 dx
σ/ n a 2π
On dit que Xσ/n√

−m
n
converge en loi vers la loi normale N (0, 1). On a le conséquence (presque)
immédiate :
Corollaire 55 Quand n est grand, la loi binomiale B(n, p) est proche de la loi normale
p
N (np, np(1 − p))
preuve : Soient X1 , ..., Xn des v.a. de Bernoulli B(p) indépendantes. Soit Sn = X1 +· · ·+Xn .
On sait que Sn suit la loi binomiale B(n, p). Rappelons que l’espérance commune des Xi
est p et leur variance est p(1 − p). D’après le théorème central limite, en observant que
X n = Sn /n, il vient :
S − np
p n est proche de la loi N (0, 1)
np(1 − p)
p
autrement dit, Sn est proche de la loi N (np, np(1 − p)). ¤
4.3. INTERVALLES DE CONFIANCE 41
Cette approximation est importante car les probabilités relatives à la loi binomiale sont
difficiles à calculer quand n est grand.
Pour améliorer l’approximation, on effectue une “correction de continuité” qui permet de
lier loi discrète et loi continue. Ainsi, en pratique, si X est une v.a. de loi binomiale B(n, p),
avec n ≥ 30, np ≥ 5 et n(1 − p) ≥ 5, on peut approcher la loi de X par la loi normale
p
N (np, np(1 − p)) de cette manière : pour 0 ≤ k ≤ n,
P [X ≤ k] ' P [Y ≤ k + 0.5]
p
où Y suit une loi N (np, np(1 − p)).
Et pour tous a < b,
P [a ≤ X ≤ b] ' P [a − 0.5 ≤ Y ≤ b + 0.5]

h a − 0.5 − np Y − np b + 0.5 − np i
' P p ≤p ≤ p
np(1 − p) np(1 − p) np(1 − p)
h a − 0.5 − np b + 0.5 − np ¤
' P p ≤Z≤ p
np(1 − p) np(1 − p)
³ b + 0.5 − np ´ ³ a − 0.5 − np ´
' ϕ p −ϕ p
np(1 − p) np(1 − p)
où Z suit une loi normale centrée réduite et ϕ sa fonction de répartition.
Exemple : on interroge 30 personnes au hasard pour étudier un certain caractère présent
dans la population en proportion p = 0.6. Soit X le nombre de personnes qui ont ce
caractère parmi les 25. Alors X est de loi B(30, 0.6). Calculons P [X ≤ 15]. Le calcul exact
donne 0.1754. Le calcul approché fournit
√
ϕ((15 + 0.5 − 30 ∗ 0.6)/ 30 ∗ 0.6 ∗ 0.4) = 0.1757
4.3 Intervalles de confiance

Soit X un caractère (ou variable) étudié sur une population, de moyenne m et de
variance σ 2 . On cherche ici à donner une estimation de la moyenne m de ce caractère,
calculée à partir de valeurs observées sur un échantillon (X1 , ..., Xn ).
La fonction de l’échantillon qui estimera un paramètre est appelée estimateur, son
écart-type est appelé erreur standard et est noté SE. L’estimateur de la moyenne m est
la moyenne empirique
X1 + · · · + Xn
Xn =
n
Que savons-nous sur X n ?
1) E[X n ] = m,
√
2) Var(X n ) = σ 2 /n, donc SE(X n ) = σ/ n,
3) X n −→ m quand n → ∞,
√
4) quand n est grand, X n suit approximativement une loi normale N (m, σ/ n).
D’après les propriétés de la loi normale, quand n est grand (mettons supérieur à 20),
on sait que
√ √
P [m − 2σ/ n ≤ X n ≤ m + 2σ/ n] = 0.954
ou, de manière équivalente,

√ √
P [X n − 2σ/ n ≤ m ≤ X n + 2σ/ n] = 0.954
Ce qui peut se traduire ainsi : quand on estime m par X n , l’erreur faite est inférieure
√
à 2σ/ n, pour 95,4% des échantillons. Ou avec une probabilité de 95,4%, la moyenne
√ √
inconnue m est dans l’intervalle [X n − 2σ/ n, X n + 2σ/ n].
Définition 56 On peut associer à chaque incertitude α, un intervalle, appelé intervalle

de confiance de niveau de confiance 1 − α, qui contient la vraie moyenne m avec une
probabilité égale à 1 − α.
Définition 57 Soit Z une v.a.. Le fractile supérieur d’ordre α de la loi de Z est le réel z
qui vérifie
P [Z ≥ z] = α
Le fractile inférieur d’ordre α de la loi de Z est le réel z qui vérifie
P [Z ≤ z] = α
Proposition 58 Un intervalle de confiance pour la moyenne, de niveau de confiance 1−α,

est
√ √
[X n − zα/2 σ/ n, X n + zα/2 σ/ n]
où zα/2 est le fractile supérieur d’ordre α/2 de la loi normale N (0, 1).
preuve :
· ¸
√ √ Xn − m
P [X n − zα/2 σ/ n ≤ m ≤ X n + zα/2 σ/ n] = P − zα/2 ≤ √ ≤ zα/2
σ/ n
= P [−zα/2 ≤ Z ≤ zα/2 ]
où Z suit une loi normale centrée réduite. Par définition de zα/2 , cette probabilité vaut
bien 1 − α. ¤
Remarque : soit Z une v.a. de loi N (0, 1), zα/2 vérifie

α
P [Z ≤ −zα/2 ] = P [Z ≥ zα/2 ] = , P [−zα/2 ≤ Z ≤ zα/2 ] = 1 − α
2
On appelle aussi intervalle de confiance la réalisation de l’intervalle précédent

√ √
[x̄n − zα/2 σ/ n, x̄n + zα/2 σ/ n]
Seules quelques valeurs de α sont utilisées habituellement. Les trois valeurs communes
sont :
- α = 0.01, et z0.005 = 2.58,
- α = 0.05, et z0.025 = 1.96,
- α = 0.1, et z0.05 = 1.645.
Voici deux exemples, l’un théorique et l’autre pratique.
4.3. INTERVALLES DE CONFIANCE 43
Exemple 59 Soit un caractère X qui suit une loi de Poisson de paramètre inconnu λ
(ex : nombre de suicides ayant lieu dans le métro lyonnais chaque année). On rappelle
que le paramètre d’une loi de Poisson est aussi sa moyenne. On cherche à estimer par un
intervalle de confiance le paramètre λ. Supposons que λ vaut 5.2 et générons 25 échantillons
de taille 20 de loi de Poisson P(5.2) pour visualiser des intervalles de confiance qui auraient
pu être donnés suite à un échantillonage sur 20 années.
7
6
5
4
5 10 15 20 25
Figure 4.1 – Exemple 59 : intervalles de confiance associés à 25 échantillons
Exemple 60 Voici 30 mesures (en décibels) du bruit occasionné par le trafic routier le
long de la nationale 7 :
57 43 55 59 52 57 50 52 60 49 56 56 52 58 55
58 54 52 56 53 59 50 55 51 54 53 53 56 55 58
Regroupons les différentes modalités
xi ni fi Fi
43 1 0.033 0.033
49 1 0.033 0.066
50 2 0.066 0.133
51 1 0.033 0.167
52 4 0.133 0.3
53 3 0.1 0.4
54 2 0.066 0.466
55 4 0.133 0.6
56 4 0.133 0.733
57 2 0.066 0.8
58 3 0.1 0.9
59 2 0.066 0.966
60 1 0.033 1
Tout d’abord, observons une valeur extrême (43) trop petite : les données n’ont pas l’air
60
55
50
45
Figure 4.2 – Exemple 60
homogène (mesure le dimanche, ou appareil déréglé). Je préfère l’enlever avant l’étude, car
elle risque de fausser la moyenne empirique et la variance. Il reste donc 29 observations.
On cherche un intervalle de confiance pour le bruit moyen occasionné par le trafic routier.
Mais il nous manque l’écart-type de ce bruit. Le calcul est donc impossible.
Quand l’écart-type théorique de la loi du caractère X étudié n’est pas connu, on l’estime
par l’écart-type empirique sn−1 . Comme on dispose d’un grand échantillon (de taille supé-
rieure à 20), l’erreur commise est petite. L’intervalle de confiance, de niveau de confiance
1 − α devient : · ¸
sn−1 sn−1
x̄n − zα/2 √ , x̄n + zα/2 √
n n
où
n
1 X
s2n−1 = (xi − x)2
n−1
i=1
Exemple 60 (suite) On peut maintenant donner un intervalle de confiance, de niveau

de confiance 95%, pour le volume sonore moyen le long de la RN 7. Calculons :
x = 54.6552, sn−1 = 2.9553
d’où l’intervalle
· ¸
1.96 ∗ 2.9553 1.96 ∗ 2.9553 £ ¤
54.6552 − √ , 54.6552 + √ = 53.5796, 55.7308
29 29
Le bruit moyen occasionné par le trafic routier de la nationale 7 est compris entre 53,58
et 55,73, avec un niveau de confiance de 95%.
Tout ce qui concerne les moyennes s’applique aussi aux proportions. On considère
une caractéristique que possède une proportion p d’individus dans la population. Soit
un échantillon de taille n pris dans la population et X le nombre d’individus dans cet
échantillon qui possède la caractéristique étudiée. Alors
X
p̂ =
n
4.4. EXERCICES 45
est un estimateur de p. De plus, on a déjà vu que X suit une loi binomiale B(n, p) et que
cette loi peut être approchée par une loi normale :
X − np p̂ − p
Z=p =p
np(1 − p) p(1 − p)/n
suit approximativement une loi normale N (0, 1).

p p
On peut estimer l’écart-type de p̂ qui est p(1 − p)/n, par p̂(1 − p̂)/n. On obtient alors
un intervalle de confiance pour la proportion p inconnue, de niveau de confiance 1 − α
· r r ¸
p̂(1 − p̂) p̂(1 − p̂)
p̂ − zα/2 , p̂ + zα/2
n n
Rappel : cet intervalle n’est valide que lorsque n ≥ 20.
4.4 Exercices
Exercice 1 – Une enquête marketing a pour but de vérifier si les cibles potentielles
seraient tentées par un nouveau produit. Il a été montré que 56% des gens sont favorables
au nouveau produit. Pour aller plus loin, on interroge à nouveau 200 personnes. Quelle est
la loi du nombre de clients potentiels parmi les 200 ? Par quelle loi peut-on l’approcher ?
Calculer P [X > 100] et P [100 ≤ X ≤ 150].
On souhaite maintenant demander des précisions à un grand nombre de personnes favo-
rables au produit, mettons 100 personnes. Déterminer la taille de l’échantillon de personnes
à interroger pour que notre échantillon contienne au moins 100 personnes favorables, avec
une probabilité supérieure ou égale à 95%.
Exercice 2 – On prélève indépendamment et avec remise n individus d’une population

séparée en deux sous-populations A et Ac de proportions respectives p et 1 − p (clients
importants ou petits clients par exemple).
1) Soit K le nombre d’individus de la sous-population A présents dans l’échantillon. Quelle
est la loi de K ?
2) Notons F = K/n la fréquence empirique de la catégorie A. Donner l’espérance et la
variance de F .
3) Quel est le comportement de F quand n devient grand ?
4) On considère un échantillon de 400 clients d’un organisme de placement financier.
Les clients de cet organisme, dans leur ensemble, se répartissent ainsi : 20% possèdent
de gros portefeuilles, les autres ne détenant que des portefeuilles modestes. Quelle est la
probabilité que la proportion F de gros clients dans l’échantillon soit comprise entre 7% et
23% ? Quelle est la probabilité pour que F soit inférieure à 15% ? Dans l’agence de Lyon
(qui compte 400 clients), seuls 15% des clients sont de gros clients. Est-ce acceptable par
le siège ?
Exercice 3 – On suppose que le poids d’un nouveau né est une variable normale d’écart-
type égal à 0,5 kg. Le poids moyen des 49 enfants nés au mois de janvier 2004 dans l’hôpital
de Charleville-Mézières a été de 3,6 kg.
a) Déterminer un intervalle de confiance à 95% pour le poids moyen d’un nouveau né dans
cet hôpital.
b) Quel serait le niveau de confiance d’un intervalle de longueur 0,1 kg centré en 3,6 pour
ce poids moyen ?
Exercice 4 – On veut étudier la proportion p de gens qui vont au cinéma chaque mois.
On prend donc un échantillon de taille n = 100. Soit N le nombre de personnes dans
l’échantillon qui vont au cinéma mensuellement.
1) Quelle est la loi de N ? Par quelle loi peut-on l’approcher et pourquoi ? En déduire une
approximation de la loi de F = N/n.
2) On observe une proportion f de gens qui vont chaque mois au cinéma. Donner la forme
d’un intervalle de confiance pour p, de niveau de confiance 1 − α.
3) Applications numériques : f = 0, 1, 1 − α = 90%, 95%, 98%.
Chapitre 5
Tests statistiques
5.1 Tests d’hypothèses

Le but des tests d’hypothèses est de contredire ou au contraire de confirmer une affir-
mation concernant la population étudiée, en se fondant sur l’observation d’un échantillon.
On supposera dans cette section que les échantillons sont de grande taille (mettons supé-
rieure à 20).
Par exemple, on change le traitement médical d’une population de patients. Leur durée
de vie s’en trouve-t-elle allongée ? On modifie la composition du carburant d’un moteur.
Le rendement est-il significativement amélioré ?
L’hypothèse de travail (durée de vie allongée, rendement amélioré) s’appelle l’hypothèse
alternative H1 . L’affirmation contraire est appelée hypothèse nulle H0 et elle consiste
souvent à supposer que la situation n’a pas évolué. Construire un test revient à établir une
règle de décision pour le rejet ou non de H0 en fonction des observations. Il faut garder à
l’esprit que le rejet de H0 doit être fondé sur des arguments forts, car il devra entraı̂ner une
modification des habitudes et donc une importante dépense (par exemple, mettre sur le
marché un nouveau médicament, changer de fournisseur de carburant, acheter le nouveau
carburant plus cher).
Exemple 61 (Temps de montage) Un ouvrier spécialisé d’une chaı̂ne de montage passe

un temps variable sur chaque pièce. La loi de ce temps a pour moyenne 270 s et pour
écart-type 24 s. Une modification technique du montage pourrait diminuer ce temps. Pour
le tester, on chronomètre n = 38 montages avec la modification technique et on obtient
une moyenne empirique X n .
Notons µ le temps moyen que passe l’ouvrier sur chaque pièce en mettant en œuvre la
nouvelle technique. La question est de tester l’hypothèse H0 : µ = 270 contre l’hypothèse
H1 : µ < 270. On doit donc établir quelles sont les valeurs de X n qui vont conduire à
rejeter H0 .
Dans cet exemple, la moyenne observée sur l’échantillon devra être significativement diffé-
rente de 270 pour que H0 soit rejetée. Dans ce cas, il existera toujours une probabilité de se
tromper (H0 est vraie, mais on la rejette), car le fait de travailler à partir d’un échantillon
47
48 CHAPITRE 5. TESTS STATISTIQUES
entraı̂ne nécessairement une incertitude. On fixe cette probabilité, qui doit être petite, à α
avec souvent α = 0.05. On dit que le test est de niveau α. On pourrait bien sûr diminuer
cette probabilité, mais alors la règle de décision nous conduirait à toujours accepter H0 et
ce n’est pas satisfaisant. Il existe par ailleurs une probabilité de se tromper en acceptant
H0 , mais nous ne l’étudierons pas.
Il est raisonnable de penser que les échantillons dont la moyenne empirique X n est
inférieure à un certain seuil c < 270 vont conduire à rejeter H0 . Ainsi, la règle de décision
revient à déterminer une région de rejet de H0 de la forme X n ≤ c. La probabilité α sera
dans ce cas
P [X n ≤ c] = α quand H0 est vraie
Une fois α fixée, on peut déterminer c. En effet, on sait que quand H0 est vraie, X n suit
√
approximativement une loi normale N (270, 24/ 38). Ainsi,
· ¸ · ¸
X n − 270 c − 270 c − 270
α = P [X n ≤ c] = P √ ≤ √ =P Z≤ √
24/ 38 24/ 38 24/ 38
où Z suit une loi normale centrée réduite. Or on a noté zα le fractile supérieur de Z d’ordre
α, défini par P [Z ≤ −zα ] = P [Z ≥ zα ] = α. Ainsi, pour α = 0.05,
c − 270
√ = −zα = −z0.05 = −1.645
24/ 38
ou c = 263.6. La région de rejet de H0 est donc : X n ≤ 263.6.

On peut aussi décrire la région de rejet en fonction de Z par Z ≤ −zα où Z = X24/
n −270
√ .
38
On appelle Z statistique de test (il s’agit d’une grandeur que l’on calcule à partir de
l’échantillon et de H0 et qui permet de prendre la décision).
Une fois la région de rejet définie, il est facile de mesurer, si c’est pertinent, la force
avec laquelle on rejette H0 . Reprenons l’exemple précédent. On a fixé un seuil −zα pour
la statistique Z, mais plus la valeur de Z observée sera petite, plus le rejet de H0 se fera
avec force. Ainsi, on calcule la p-valeur (p-value en anglais) qui est la probabilité sous H0
pour que la statistique de test prenne une valeur plus extrême que celle qu’on observe.
Une p-valeur extrêmement petite (inférieure à 0,001) signifie que le test sera extrêmement
significatif : on rejette H0 avec une probabilité de se tromper très proche de 0. Une p-valeur
comprise entre 0.001 et 0.01 correspond à un test très significatif. Une p-valeur entre 0.01
et 0.05 correspond à un test significatif et une p-valeur supérieure à 0.05 conduit à accepter
H0 .
Exemple 61 Faisons quelques applications numériques. On veut réaliser un test de niveau

α = 0.05. Alors −zα = −1.645.
- On observe une moyenne empirique calculée sur 38 observations égale à 267. Alors
√
zobs = (267 − 270)/(24/ 38) = −0.77 > −zα
5.2. TEST D’AJUSTEMENT DU CHI-DEUX 49
donc on accepte H0 .
- On observe une moyenne empirique égale à 260. Alors
√
zobs = (260 − 270)/(24/ 38) = −2.57 < −zα
donc on rejette H0 . De plus, la p-valeur vaut P [Z < −2.57] = 0.005. Le test est donc très
significatif.
Dans la plupart des cas, l’écart-type est inconnu. On l’estime alors, comme pour les
intervalles de confiance, par S l’écart-type empirique.
Mise en œuvre d’un test

1- Choix des hypothèse H0 et H1 .
2- Détermination de la statistique et de la forme de la région de rejet.
3- Choix de α et calcul de la région de rejet.
4- Décision, au vu de l’échantillon et calcul de la p-valeur si nécessaire.
Quand on effectue un test de la moyenne, on peut vouloir tester si la moyenne est diffé-
rente de la valeur µ0 contenue dans H0 , ou si elle est supérieure ou inférieure. Dans chacun
de ces trois cas, la région de rejet aura une forme différente. Considérons la statistique
X n − µ0
Z= √
S/ n
où n est la taille de l’échantillon, X n la moyenne empirique et S l’écart-type empirique.

Notons z la valeur observée de Z. Voici un récapitulatif :
Hypothèses Région de rejet p-valeur

H0 : µ = µ 0
Z ≥ zα p = P [Z > zobs ]
H1 : µ > µ 0
H0 : µ = µ 0
Z ≤ −zα p = P [Z < zobs ]
H1 : µ < µ 0
H0 : µ = µ 0
|Z| ≥ zα/2 p = P [|Z| > zobs ]
H1 : µ 6= µ0
5.2 Test d’ajustement du chi-deux

On veut dans cette section tester si une variable X mesurée sur un échantillon suit une
loi donnée.
On fixe une partition de R en K classes notées A1 ,...,AK . On calcule pour chaque

classe son effectif théorique et son effectif observé : soit k = 1, ..., K,
nth (Ak ) = nP [X ∈ Ak ] et nobs (Ak )

Puis on calcule une distance entre ces deux ensembles d’effectifs, définie par
³ ´2
XK nobs (Ak ) − nth (Ak )
d2obs =
nth (Ak )
k=1
Si cette distance est grande, on rejettera l’hypothèse H0 . Le seuil est déterminé grâce à
une loi continue appelée loi du chi-deux à K − 1 degrés de liberté et notée χ2K−1 . Ainsi, si
cα est le fractile d’ordre α de cette loi, la région de rejet de H0 est de la forme
d2obs ≥ cα
On peut aussi calculer la p-valeur
p = P [χ2K−1 ≥ d2obs ]
où χ2K−1 est une v.a. de loi du chi-deux à K − 1 degrés de liberté et d2obs est la distance
observée.
Comment choisit-on les classes et le nombre K de classes ? Le test est valide quand
l’effectif théorique de chaque classe est supérieur à 5. Donc le nombre K de classes doit
être inférieur à n/5. On choisira n/5 si ce nombre est inférieur à 25 et 25 sinon.
Dans un grand nombre de cas, on veut vérifier que l’échantillon provient d’une loi,
sans connaı̂tre les paramètres de cette loi : on veut vérifier que la loi est normale, ou
géométrique, mais sans préciser la valeur de la moyenne ni de la variance. On ne peut plus
calculer les effectifs théoriques. On estime alors les paramètres, et on calcule la distance
du chi-deux. Le nombre de degrés de liberté sera dans ce cas K − l − 1 où l est le nombre
de paramètres qu’on a dû estimer.
Exemple 62 (Adéquation à une loi de Poisson) On étudie le nombre de pièces défec-

tueuses dans des lots de 100 pièces. On souhaite tester si ce nombre suit une loi de Poisson.
Rappelons qu’une v.a. X suit une loi de Poisson P(λ) si, pour tout k ∈ N,
λk
P [X = k] = exp(−λ)
k!
En pratique, on teste 52 lots et on trouve les effectifs
nombre de pièces défectueuses par lot 0 1 2 3 4 5
nombre de lots 18 18 8 5 2 1
Le paramètre λ d’une loi de Poisson est aussi sa moyenne. On estime donc λ par la
moyenne empirique
6
1X 18 · 0 + 18 · 1 + 8 · 2 + 5 · 3 + 2 · 4 + 1 · 5
λ̂ = ni xi = = 1.2
n 52
i=1
Dans un premier temps, choisissons la partition
A0 = {0}, A1 = {1}, A2 = {2}, A3 = {3}, A4 = {4}, A5 = {le reste}
Les effectifs théoriques sont

5.2. TEST D’AJUSTEMENT DU CHI-DEUX 51
classe A0 A1 A2 A3 A4 A5
nth 15.7 18.8 11.3 4.5 1.4 0.3
Or chacun des effectifs théoriques doit être supérieur à 5. Il faut donc regrouper les 3
dernières classes et on obtient le tableau
classe A0 A1 A2 A3
nth 15.7 18.8 11.3 6.2
nobs 18 18 8 8
La distance du chi-deux est maintenant facile à calculer
(18 − 15.7)2 (18 − 18.8)2 (8 − 11.3)2 (8 − 6.2)2

d2obs = + + + = 1.86
15.7 18.8 11.3 6.2
Pour tester l’hypothèse que la loi du nombre de pièces défecteuses par lot suit une loi de
Poisson, au risque α = 0.05, il nous manque encore le fractile du chi-deux à 2 degrés de
liberté. Les tables indiquent
P [χ22 ≥ 5.99] = 0.05
La valeur observée étant plus petite, on accepte l’hypothèse Poisson, au risque 5%.
Exemple 63 (Adéquation à la loi normale) Le satellite Landsat a mesuré la lumière,

dans le proche infrarouge, réfléchie par des zones urbanisées. Voici des points de relevés
thermographiques
mesures 71 72 73 74 75 77 78 79 80 81 82 84
effectifs observés 1 1 1 1 1 1 1 4 3 3 4 6
mesures 85 86 87 88 90 91 94
effectifs observés 6 2 1 1 1 1 1
On veut tester si cette série peut provenir d’une loi normale. On a besoin d’estimer deux
paramètres, la moyenne (par la moyenne empirique) et l’écart-type (par l’écart-type empi-
rique).
x̄40 = 82.075 et s40 = 4.98
On dispose d’un échantillon de taille 40. Le nombre de classes sera donc 8. On les choisit de
telle sorte que chacune d’elle ait la probabilité 1/8, de telle sorte que les effectifs théoriques
soient tous égaux à 5.
La partition pour la loi normale N (0, 1) est obtenue en lisant les tables
−1.15 − 0.67 − 0.32 0 0.32 0.67 1.15
ce qui donne pour la loi N (82.075, 4.98)
76.35 78.72 80.49 82.075 83.66 85.43 87.8
On obtient donc le tableau

classe nth nobs

[−∞, 76.3] 5 5
[76.3, 78.7] 5 2
[78.7, 80.5] 5 7
[80.5, 82.7] 5 7
[82.7, 83.7] 5 0
[83.7, 85.4] 5 12
[85.4, 87.8] 5 3
[87.8, +∞] 5 4
La distance du chi-deux vaut alors
(5 − 5)2 (2 − 5)2 (7 − 5)2 (7 − 5)2 (0 − 5)2 (12 − 5)2 (3 − 5)2 (4 − 5)2

d2obs = + + + + + + + = 19.2
5 5 5 5 5 5 5 5
Or P [χ25 ≥ 11.07] = 0.05.

On a une valeur observée ici beaucoup plus grande, donc on rejette H0 : on décide que la
loi observée n’est pas une loi normale. De plus, la p-valeur est égale à
P [χ25 ≥ 19.2] = 0.0018
Le test est donc très significatif.
5.3 Test d’indépendance du chi-deux

On étudie deux caractères sur une population et on veut tester si ces caractères sont in-
dépendants. Par exemple, la couleur des yeux et la couleur des cheveux sont-elles indépen-
dantes ? Le fait d’être pour la hausse du tabac et le fait de voter à droite sont-ils indépen-
dants ?
Exemple 64 On a relevé sur un échantillon de taille 100 la méthode de paiement d’au-

tomobilistes et le genre de voitures achetées. En voici la table de contingence
genre de voiture
neuve d’occasion
comptant 15 5 20
paiement
à crédit 45 35 80
60 40 100
Notons x1 , ..., xr les r modalités du premier caractère X et y1 , ..., ys les s modalités du

deuxième caractère Y . On suppose les caractères qualitatifs ou discrets. Dans le cas
continu, on devra fabriquer des classes comme à la précédente section.
Si les deux caractères sont indépendants, on a pour tout 1 ≤ i ≤ r et 1 ≤ j ≤ s
P [X = xi , Y = yj ] = P [X = xi ]P [Y = yj ]
5.4. EXERCICES 53
et les fréquences observées fij sont proches de P [X = xi ]P [Y = yj ]. On estime ces pro-

babilités (appelées marginales) par fî. , la fréquence de xi , soit ni. /n et fˆ.j la fréquence de
yj , soit n.j /n. Et on calcule la distance du chi-deux
X (nij − nfî. fˆ.j )2 X (nij − ni. n.j /n)2 X (nobs − nth )2

D2 = = =
i,j nfî. fˆ.j i,j
ni. n.j /n cases nth
On a dû estimer s − 1 + r − 1 probabilités et on travaille sur rs cases, donc cette distance

suit une loi du chi-deux à rs − 1 − s − r + 2 = (r − 1)(s − 1) degrés de liberté.
Exemple 64 La distance du chi-deux observée est
(15 − 20 ∗ 60/100)2 (5 − 20 ∗ 40/100)2

D2 = +
20 ∗ 60/100 20 ∗ 40/100
(45 − 60 ∗ 80/100)2 (35 − 40 ∗ 80/100)2
+ +
60 ∗ 80/100 40 ∗ 80/100
9 9 9 9
= + + + = 2.34
12 8 48 32
pour 1 degré de liberté. Dans le cas où on a un seul degré de liberté, on effectue une
correction dite correction de Yates et on calcule
X (|nobs − nth | − 0.5)2
D2 =
cases nth
et on obtient
(3 − 0.5)2 (3 − 0.5)2 (3 − 0.5)2 (3 − 0.5)2
D2 = + + + = 1.63
12 8 48 32
De plus, P [χ21 ≥ 3.84] = 0.05 et 3.84 est bien plus grand que la valeur observée 1.63. On
accepte donc l’hypothèse d’indépendance H0 : il n’y a pas de relation entre le genre de
voiture achetée et le mode de paiement.
5.4 Exercices
Exercice 1 – Dans un centre avicole, des études antérieures ont montré que la masse d’un
oeuf choisi au hasard peut être considérée comme la réalisation d’une variable aléatoire
normale X, de moyenne m et de variance σ 2 . On admet que les masses des oeufs sont
indépendantes les unes des autres. On prend un échantillon de n = 36 oeufs que l’on pèse.
Les mesures sont données (par ordre croissant) dans le tableau suivant :
50, 34 52, 62 53, 79 54, 99 55, 82 57, 67

51, 41 53, 13 53, 89 55, 04 55, 91 57, 99
51, 51 53, 28 54, 63 55, 12 55, 95 58, 10
52, 07 53, 30 54, 76 55, 24 57, 05 59, 30
52, 22 53, 32 54, 78 55, 28 57, 18 60, 58
52, 38 53, 39 54, 93 55, 56 57, 31 63, 15
a) Calculer la moyenne empirique et l’écart-type empirique de cette série statistique. Tracer

le boxplot et un histogramme.
b) Donner une estimation des paramètres m et σ.
c) Donner un intervalle de confiance au niveau 95%, puis 98%, de la masse moyenne m
d’un oeuf.
d) Tester si la moyenne de cette variable est égale à 56.
Exercice 2 – Un appareil de télécommunications reçoit un signal stocké à chaque (petite)

unité de temps dans une suite de variables (Xn ). Cet appareil doit détecter un signal
effectif, en le différenciant d’un bruit. On suppose que le bruit est une suite de variables
indépendantes de loi normale de moyenne nulle et de variance 1. Pour un signal, la moyenne
n’est pas nulle.
Aujourd’hui on a observé une suite de 40 variables (x1 , . . . , x40 ), supposées indépendantes,
de variance 1. La moyenne empirique vaut 0, 6. S’agit-il de bruit ? Construire un test pour
répondre à cette question.
Exercice 3 – On utilise une nouvelle variété de pommes de terre dans une exploitation
agricole. Le rendement de l’ancienne variété était de 41.5 tonnes à l’ha. La nouvelle est
cultivée sur 100 ha, avec un rendement moyen de 45 tonnes à l’ha et un écart-type de
11.25. Faut-il, au vu de ce rendement, favoriser la culture de la nouvelle variété ?
Exercice 4 – Dans une agence de location de voitures, le patron veut savoir quelles sont
les voitures qui n’ont roulé qu’en ville pour les revendre immédiatement. Pour cela, il y a
dans chaque voiture une boı̂te noire qui enregistre le nombre d’heures pendant lesquelles la
voiture est restée au point mort, au premier rapport, au deuxième rapport,..., au cinquième
rapport. On sait qu’une voiture qui ne roule qu’en ville passe en moyenne 10% de son temps
au point mort, 5% en première, 30% en seconde, 30% en troisième, 20% en quatrième, et
5% en cinquième. On décide de faire un test du χ2 pour savoir si une voiture n’a roulé
qu’en ville ou non.
1) Sur une première voiture, on constate sur 2000 heures de conduite : 210 h au point
mort, 94 h en première, 564 h en seconde, 630 h en troisième, 390 h en quatrième, et 112
h en cinquième. Cette voiture n’a-t-elle fait que rester en ville ?
2) Avec une autre voiture, on obtient les données suivantes : 220 h au point mort, 80 h en
première, 340 h en seconde, 600 h en troisième, 480 h en quatrième et 280 h en cinquième.
Exercice 5 – Une chaı̂ne d’agences immobilières cherche à vérifier que le nombre de biens
vendus par agent par mois suit une loi de Poisson de paramètre λ = 1, 5.
1) On observe 52 agents pendant un mois dans la moitié nord de la France. On trouve
la répartition suivante : 18 agents n’ont rien vendu, 18 agents ont vendu 1 bien, 8 agents
ont vendu 2 biens, 5 agents ont vendu 3 biens, 2 agents ont vendus 4 biens, et un agent a
vendu 5 biens. Avec un test du χ2 , chercher s’il s’agit bien de la loi de Poisson attendue.
2) Répondre à la même question avec les 52 agents dans la moitié sud de la France : 19
5.4. EXERCICES 55
agents n’ont rien vendu, 20 agents ont vendu un bien, 7 agents 2 biens, 5 agents 3 biens
et 1 agent 6 biens.
Exercice 6 – On teste un médicament X destiné à soigner une maladie en phase termi-

nale. On traite des patients avec ce médicament tandis que d’autres reçoivent un placebo
(“contrôle”). On note dans la variable statut si les patients ont survécu plus de 48 jours.
Voici le tableau obtenu
statut
traitement non oui
contrôle 17 29
X 7 38
Conclusion ?
Exercice 7 – On mesure la taille du lobe frontal de 30 crabes Leptograpsus variegatus.

Voici les 30 longueurs obtenues :
12.6 12.0 20.9 14.2 16.2 15.3 10.4 22.1 19.8 15 12.8 20 11.8 20.6 21.3
11.7 18 9.1 15 15.2 15.1 14.7 13.3 21.7 15.4 16.7 15.6 17.1 7.2 12.6
Est-ce que cette variable suit une loi normale ?

Annexe A
Cardinaux et dénombrement
Définition 65 Soit A un ensemble fini. Le cardinal de A, noté |A|, est le nombre d’élé-
ments que contient A.
Proposition 66 (Additivité) Soient A et B deux ensembles finis, disjoints (c’est-à-dire

A ∩ B = ∅). Alors
|A ∪ B| = |A| + |B|
Proposition 67 (Inclusion-exclusion) Soient A et B deux ensembles finis.
|A ∪ B| = |A| + |B| − |A ∩ B|
Proposition 68 (Multiplicativité) Soient A et B deux ensembles finis. Alors |A×B| =

|A| · |B|
Corollaire 69 Soit A un ensemble fini de cardinal n. Le nombre de suites de longueur r

constituées d’éléments de A est nr .
Théorème 70 (Principe du dénombrement) On réalise deux expériences qui peuvent

produire respectivement n et m résultats différents. Au total, pour les deux expériences
prises ensemble, il existe n.m résultats possibles.
Définition 71 Soit A un ensemble fini. Une permutation de A est une manière d’ordon-
ner, d’arranger les éléments de A.
Théorème 72 Il y a n! permutations d’un ensemble de cardinal n.
preuve : clair par le principe du dénombrement. ♣

exemple : combien existe-t-il d’anagrammes de PROBA ?
Théorème 73 Soient n objets distinguables. Le nombre de permutations de r objets, pris

parmi les n objets, est
n!
Arn =
(n − r)!
57
58 ANNEXE A. CARDINAUX ET DÉNOMBREMENT
(on dit aussi arrangement de r objets pris parmi n)

preuve : pour la première place, il y a n objets possibles,
pour la seconde, (n − 1) objets possibles,
...
pour la dernière, (n − r + 1) objets possibles.
Au total, n(n − 1)...(n − r + 1) possibilités, par le principe du dénombrement. ♣
Théorème 74 Le nombre de manières de choisir p éléments parmi n (sans tenir compte

de l’ordre) est µ ¶
n n!
=
p p!(n − p)!
Autrement dit, c’est le nombre de parties à p éléments pris parmi n éléments. On appelle
parfois ces parties des combinaisons de p éléments pris parmi n.
preuve : on regarde le nombre de permutations de ces p éléments et on obtient p! arran-

gements. Il y a donc p! fois plus d’arrangements que de combinaisons. ♣
¡ ¢ ¡ n ¢
Proposition 75 1) np = n−p
¡ ¢ ¡ ¢ ¡n−1¢
2) np = n−1 p +
Pn p−1
¡ ¢
3) (x + y) = p=0 np xp y n−p
n
Corollaire 76 Soit Ω un ensemble fini de cardinal n. Le cardinal de P(Ω) vaut 2n .
preuve : il existe 1 partie à 0 élément,

il existe n parties à 1 élément,
...
¡ ¢
il existe np parties à p éléments,
...
il existe 1 partie à n éléments.
Finalement, le nombre total de parties est
n µ ¶
X n µ ¶
X
n n r n−r
= 1 1 = (1 + 1)n = 2n
p p
p=0 p=0
Théorème 77 On considère n objets, parmi lesquels n1 sont indistinguables, n2 sont

indistinguables,..., nr sont aussi indistinguables. Le nombre de permutations différentes
n!
est
n1 !n2 ! · · · nr !
exemple : combien d’anagrammes de STAT ? 4 !/2 !=12
Tirage avec remise

On dispose d’une population de n objets, par exemple des boules numérotées de 1 à n dans
une urne. On effectue un tirage avec remise de r boules parmi les n boules : on pioche une
boule, on note son numéro, on la remet dans l’urne avant de repiocher la boule suivante,
59
et ainsi de suite. On a n possibilités pour la première boule tirée, n pour la seconde...

Finalement, on a nr tirages différents.
Tirage sans remise
On tire toujours r boules parmi n, mais sans remise : on ne replace pas la boule dans
l’urne avant de tirer la suivante. Ainsi, on a n possibilités pour la première boule tirée,
n − 1 pour la seconde... Finalement, on a Arn tirages différents.
Tirage exhaustif
Cette fois, on tire r boules d’un coup et on se retrouve avec un “tas” de r boules devant
¡ ¢
soi. Le nombre de tirages différents est nr .
Il faut remarquer que les deux derniers tirages sont équivalents : c’est juste une
modélisation différente de la manipulation, une manière différente d’écrire les résultats des
tirages.
exemple : résultat du loto (6 numéros parmi 49).

- manière de voir 1 : on regarde en direct le tirage du loto et on obtient un arrangement
de 6 nombres pris dans {1, ..., 49}. On a alors ω = (x1 , ..., x6 ) : les 6 nombres sortis avec
leur ordre d’arrivée. Quel est le nombre de tirages différents ?
A649 = 49 ∗ 48 ∗ 47 ∗ 46 ∗ 45 ∗ 44 = 10.068.347.520
Mais on peut gagner les 6 bons numéros quel que soit l’ordre de sortie des 6 numéros...
- manière de voir 2 : on regarde les 6 nombres sortis sans s’occuper de l’ordre d’arrivée.
On a alors ω = {x1 , ..., x6 }. D’où Ω est l’ensemble des combinaisons de 6 nombres pris
dans {1, ..., 49}. Quel est le nombre de tirages différents ?
µ ¶
49 49 ∗ 48 ∗ 47 ∗ 46 ∗ 45 ∗ 44
= = 13.983.816
6 6∗5∗4∗3∗2
remarque : (1, 2, 3, 4, 5, 6) 6= (2, 1, 3, 4, 5, 6), mais {1, 2, 3, 4, 5, 6} = {2, 1, 3, 4, 5, 6}

60 ANNEXE A. CARDINAUX ET DÉNOMBREMENT
Annexe B
Tables statistiques
B.1 Fonction de répartition de la loi normale centrée réduite
61
62 ANNEXE B. TABLES STATISTIQUES
Z z
1
F (z) = P [Z ≤ z] = √ exp(−x2 /2)dx
−∞ 2π
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
Grandes valeurs de z :
z 3.0 3.1 3.2 3.3 3.4 3.5 4.0 4.5

F (z) 0.9987 0.99904 0.99931 0.99952 0.99966 0.99976 0.999968 0.999997
B.2. FRACTILES DE LA LOI NORMALE CENTRÉE RÉDUITE 63
B.2 Fractiles de la loi normale centrée réduite
(attention : si P [Z < z] < 0.5, z est négatif)
P [Z < z] 0.000 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.010
0.00 Inf 3.0902 2.8782 2.7478 2.6521 2.5758 2.5121 2.4573 2.4089 2.3656 2.3263 0.99
0.01 2.3263 2.2904 2.2571 2.2262 2.1973 2.1701 2.1444 2.1201 2.0969 2.0749 2.0537 0.98
0.02 2.0537 2.0335 2.0141 1.9954 1.9774 1.96 1.9431 1.9268 1.911 1.8957 1.8808 0.97
0.03 1.8808 1.8663 1.8522 1.8384 1.825 1.8119 1.7991 1.7866 1.7744 1.7624 1.7507 0.96
0.04 1.7507 1.7392 1.7279 1.7169 1.706 1.6954 1.6849 1.6747 1.6646 1.6546 1.6449 0.95
0.05 1.6449 1.6352 1.6258 1.6164 1.6072 1.5982 1.5893 1.5805 1.5718 1.5632 1.5548 0.94
0.06 1.5548 1.5464 1.5382 1.5301 1.522 1.5141 1.5063 1.4985 1.4909 1.4833 1.4758 0.93
0.07 1.4758 1.4684 1.4611 1.4538 1.4466 1.4395 1.4325 1.4255 1.4187 1.4118 1.4051 0.92
0.08 1.4051 1.3984 1.3917 1.3852 1.3787 1.3722 1.3658 1.3595 1.3532 1.3469 1.3408 0.91
0.09 1.3408 1.3346 1.3285 1.3225 1.3165 1.3106 1.3047 1.2988 1.293 1.2873 1.2816 0.90
0.10 1.2816 1.2759 1.2702 1.2646 1.2591 1.2536 1.2481 1.2426 1.2372 1.2319 1.2265 0.89
0.11 1.2265 1.2212 1.216 1.2107 1.2055 1.2004 1.1952 1.1901 1.185 1.18 1.175 0.88
0.12 1.175 1.17 1.165 1.1601 1.1552 1.1503 1.1455 1.1407 1.1359 1.1311 1.1264 0.87
0.13 1.1264 1.1217 1.117 1.1123 1.1077 1.1031 1.0985 1.0939 1.0893 1.0848 1.0803 0.86
0.14 1.0803 1.0758 1.0714 1.0669 1.0625 1.0581 1.0537 1.0494 1.045 1.0407 1.0364 0.85
0.15 1.0364 1.0322 1.0279 1.0237 1.0194 1.0152 1.011 1.0069 1.0027 0.9986 0.9945 0.84
0.16 0.9945 0.9904 0.9863 0.9822 0.9782 0.9741 0.9701 0.9661 0.9621 0.9581 0.9542 0.83
0.17 0.9542 0.9502 0.9463 0.9424 0.9385 0.9346 0.9307 0.9269 0.923 0.9192 0.9154 0.82
0.18 0.9154 0.9116 0.9078 0.904 0.9002 0.8965 0.8927 0.889 0.8853 0.8816 0.8779 0.81
0.19 0.8779 0.8742 0.8705 0.8669 0.8633 0.8596 0.856 0.8524 0.8488 0.8452 0.8416 0.80
0.20 0.8416 0.8381 0.8345 0.831 0.8274 0.8239 0.8204 0.8169 0.8134 0.8099 0.8064 0.79
0.21 0.8064 0.803 0.7995 0.7961 0.7926 0.7892 0.7858 0.7824 0.779 0.7756 0.7722 0.78
0.22 0.7722 0.7688 0.7655 0.7621 0.7588 0.7554 0.7521 0.7488 0.7454 0.7421 0.7388 0.77
0.23 0.7388 0.7356 0.7323 0.729 0.7257 0.7225 0.7192 0.716 0.7128 0.7095 0.7063 0.76
0.24 0.7063 0.7031 0.6999 0.6967 0.6935 0.6903 0.6871 0.684 0.6808 0.6776 0.6745 0.75
0.25 0.6745 0.6713 0.6682 0.6651 0.662 0.6588 0.6557 0.6526 0.6495 0.6464 0.6433 0.74
0.26 0.6433 0.6403 0.6372 0.6341 0.6311 0.628 0.625 0.6219 0.6189 0.6158 0.6128 0.73
0.27 0.6128 0.6098 0.6068 0.6038 0.6008 0.5978 0.5948 0.5918 0.5888 0.5858 0.5828 0.72
0.28 0.5828 0.5799 0.5769 0.574 0.571 0.5681 0.5651 0.5622 0.5592 0.5563 0.5534 0.71
0.29 0.5534 0.5505 0.5476 0.5446 0.5417 0.5388 0.5359 0.533 0.5302 0.5273 0.5244 0.70
0.30 0.5244 0.5215 0.5187 0.5158 0.5129 0.5101 0.5072 0.5044 0.5015 0.4987 0.4959 0.69
0.31 0.4959 0.493 0.4902 0.4874 0.4845 0.4817 0.4789 0.4761 0.4733 0.4705 0.4677 0.68
0.32 0.4677 0.4649 0.4621 0.4593 0.4565 0.4538 0.451 0.4482 0.4454 0.4427 0.4399 0.67
0.33 0.4399 0.4372 0.4344 0.4316 0.4289 0.4261 0.4234 0.4207 0.4179 0.4152 0.4125 0.66
0.34 0.4125 0.4097 0.407 0.4043 0.4016 0.3989 0.3961 0.3934 0.3907 0.388 0.3853 0.65
0.35 0.3853 0.3826 0.3799 0.3772 0.3745 0.3719 0.3692 0.3665 0.3638 0.3611 0.3585 0.64
0.36 0.3585 0.3558 0.3531 0.3505 0.3478 0.3451 0.3425 0.3398 0.3372 0.3345 0.3319 0.63
0.37 0.3319 0.3292 0.3266 0.3239 0.3213 0.3186 0.316 0.3134 0.3107 0.3081 0.3055 0.62
0.38 0.3055 0.3029 0.3002 0.2976 0.295 0.2924 0.2898 0.2871 0.2845 0.2819 0.2793 0.61
0.39 0.2793 0.2767 0.2741 0.2715 0.2689 0.2663 0.2637 0.2611 0.2585 0.2559 0.2533 0.60
0.40 0.2533 0.2508 0.2482 0.2456 0.243 0.2404 0.2378 0.2353 0.2327 0.2301 0.2275 0.59
0.41 0.2275 0.225 0.2224 0.2198 0.2173 0.2147 0.2121 0.2096 0.207 0.2045 0.2019 0.58
0.42 0.2019 0.1993 0.1968 0.1942 0.1917 0.1891 0.1866 0.184 0.1815 0.1789 0.1764 0.57
0.43 0.1764 0.1738 0.1713 0.1687 0.1662 0.1637 0.1611 0.1586 0.156 0.1535 0.151 0.56
0.44 0.151 0.1484 0.1459 0.1434 0.1408 0.1383 0.1358 0.1332 0.1307 0.1282 0.1257 0.55
0.45 0.1257 0.1231 0.1206 0.1181 0.1156 0.113 0.1105 0.108 0.1055 0.103 0.1004 0.54
0.46 0.1004 0.0979 0.0954 0.0929 0.0904 0.0878 0.0853 0.0828 0.0803 0.0778 0.0753 0.53
0.47 0.0753 0.0728 0.0702 0.0677 0.0652 0.0627 0.0602 0.0577 0.0552 0.0527 0.0502 0.52
0.48 0.0502 0.0476 0.0451 0.0426 0.0401 0.0376 0.0351 0.0326 0.0301 0.0276 0.0251 0.51
0.49 0.0251 0.0226 0.0201 0.0175 0.015 0.0125 0.01 0.0075 0.005 0.0025 0.0000 0.50
0.010 0.009 0.008 0.007 0.006 0.005 0.004 0.003 0.002 0.001 0.000 P [Z < z]
64 ANNEXE B. TABLES STATISTIQUES
B.3 Fractiles de la loi du χ2 (ν = nombre de degrés de li-

berté)
HH P
ν
HH 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.95 0.975 0.99 0.995 0.999
H
1 0.016 0.064 0.148 0.275 0.455 0.708 1.074 1.642 2.706 3.841 5.024 6.635 7.879 10.828
2 0.211 0.446 0.713 1.022 1.386 1.833 2.408 3.219 4.605 5.991 7.378 9.21 10.597 13.816
3 0.584 1.005 1.424 1.869 2.366 2.946 3.665 4.642 6.251 7.815 9.348 11.345 12.838 16.266
4 1.064 1.649 2.195 2.753 3.357 4.045 4.878 5.989 7.779 9.488 11.143 13.277 14.86 18.467
5 1.61 2.343 3 3.655 4.351 5.132 6.064 7.289 9.236 11.07 12.833 15.086 16.75 20.515
6 2.204 3.07 3.828 4.57 5.348 6.211 7.231 8.558 10.645 12.592 14.449 16.812 18.548 22.458
7 2.833 3.822 4.671 5.493 6.346 7.283 8.383 9.803 12.017 14.067 16.013 18.475 20.278 24.322
8 3.49 4.594 5.527 6.423 7.344 8.351 9.524 11.03 13.362 15.507 17.535 20.09 21.955 26.124
9 4.168 5.38 6.393 7.357 8.343 9.414 10.656 12.242 14.684 16.919 19.023 21.666 23.589 27.877
10 4.865 6.179 7.267 8.295 9.342 10.473 11.781 13.442 15.987 18.307 20.483 23.209 25.188 29.588
11 5.578 6.989 8.148 9.237 10.341 11.53 12.899 14.631 17.275 19.675 21.92 24.725 26.757 31.264
12 6.304 7.807 9.034 10.182 11.34 12.584 14.011 15.812 18.549 21.026 23.337 26.217 28.3 32.909
13 7.042 8.634 9.926 11.129 12.34 13.636 15.119 16.985 19.812 22.362 24.736 27.688 29.819 34.528
14 7.79 9.467 10.821 12.078 13.339 14.685 16.222 18.151 21.064 23.685 26.119 29.141 31.319 36.123
15 8.547 10.307 11.721 13.03 14.339 15.733 17.322 19.311 22.307 24.996 27.488 30.578 32.801 37.697
16 9.312 11.152 12.624 13.983 15.338 16.78 18.418 20.465 23.542 26.296 28.845 32 34.267 39.252
17 10.085 12.002 13.531 14.937 16.338 17.824 19.511 21.615 24.769 27.587 30.191 33.409 35.718 40.79
18 10.865 12.857 14.44 15.893 17.338 18.868 20.601 22.76 25.989 28.869 31.526 34.805 37.156 42.312
19 11.651 13.716 15.352 16.85 18.338 19.91 21.689 23.9 27.204 30.144 32.852 36.191 38.582 43.82
20 12.443 14.578 16.266 17.809 19.337 20.951 22.775 25.038 28.412 31.41 34.17 37.566 39.997 45.315
21 13.24 15.445 17.182 18.768 20.337 21.991 23.858 26.171 29.615 32.671 35.479 38.932 41.401 46.797
22 14.041 16.314 18.101 19.729 21.337 23.031 24.939 27.301 30.813 33.924 36.781 40.289 42.796 48.268
23 14.848 17.187 19.021 20.69 22.337 24.069 26.018 28.429 32.007 35.172 38.076 41.638 44.181 49.728
24 15.659 18.062 19.943 21.652 23.337 25.106 27.096 29.553 33.196 36.415 39.364 42.98 45.559 51.179
25 16.473 18.94 20.867 22.616 24.337 26.143 28.172 30.675 34.382 37.652 40.646 44.314 46.928 52.62
26 17.292 19.82 21.792 23.579 25.336 27.179 29.246 31.795 35.563 38.885 41.923 45.642 48.29 54.052
27 18.114 20.703 22.719 24.544 26.336 28.214 30.319 32.912 36.741 40.113 43.195 46.963 49.645 55.476
28 18.939 21.588 23.647 25.509 27.336 29.249 31.391 34.027 37.916 41.337 44.461 48.278 50.993 56.892
29 19.768 22.475 24.577 26.475 28.336 30.283 32.461 35.139 39.087 42.557 45.722 49.588 52.336 58.301
30 20.599 23.364 25.508 27.442 29.336 31.316 33.53 36.25 40.256 43.773 46.979 50.892 53.672 59.703
31 21.434 24.255 26.44 28.409 30.336 32.349 34.598 37.359 41.422 44.985 48.232 52.191 55.003 61.098
32 22.271 25.148 27.373 29.376 31.336 33.381 35.665 38.466 42.585 46.194 49.48 53.486 56.328 62.487
33 23.11 26.042 28.307 30.344 32.336 34.413 36.731 39.572 43.745 47.4 50.725 54.776 57.648 63.87
34 23.952 26.938 29.242 31.313 33.336 35.444 37.795 40.676 44.903 48.602 51.966 56.061 58.964 65.247
35 24.797 27.836 30.178 32.282 34.336 36.475 38.859 41.778 46.059 49.802 53.203 57.342 60.275 66.619
40 29.051 32.345 34.872 37.134 39.335 41.622 44.165 47.269 51.805 55.758 59.342 63.691 66.766 73.402
45 33.35 36.884 39.585 41.995 44.335 46.761 49.452 52.729 57.505 61.656 65.41 69.957 73.166 80.077
50 37.689 41.449 44.313 46.864 49.335 51.892 54.723 58.164 63.167 67.505 71.42 76.154 79.49 86.661
Annexe C
Statistique descriptive univariée
Nous allons voir ici comment décrire simplement des données en trois phases :
- présentation des données,
- représentations graphiques,
- calcul de résumés numériques.
On considère une population P qui est l’ensemble des individus concernés par l’étude
statistique. Un échantillon est un sous-ensemble de cette population. Les données statis-
tiques sont des mesures effectuées sur les individus de l’échantillon.
On cherche à étudier un caractère ou variable de cette population à partir des obser-
vations faites sur l’échantillon. Une variable peut être qualitative (oui/non, homme/femme...)
ou quantitative (à valeurs dans R). On mesure cette variable sur l’échantillon et on ob-
tient ainsi les observations ou données.
Exemple : si l’échantillon est un groupe de TD de l’université,

- un individu est un étudiant,
- la population peut être l’ensemble des étudiants de l’université, l’ensemble des étudiants
en France, l’ensemble des habitants du Grand Lyon, etc.
- la variable étudiée peut être la mention obtenue au baccalauréat, la filière choisie, l’âge,
la taille, etc.
Dans la suite, on distinguera trois cas suivant que la variable étudiée est une :
- variable quantitative discrète (elle ne prend qu’un nombre fini ou dénombrable de
valeurs ; en général il s’agit d’entiers)
- variable quantitative continue (variable quantitative qui n’est pas discrète)
- variable qualitative.
C.1 Variable quantitative discrète

Le plus souvent, une variable quantitative discrète ne prend qu’un nombre fini et même
petit (moins de 20) de valeurs. Par exemple, on peut s’intéresser au nombre d’enfants par
famille, au nombre d’années d’étude des étudiants après le bac...
65
66 ANNEXE C. STATISTIQUE DESCRIPTIVE UNIVARIÉE
Exemple 78 “The World Almanac and Book of Facts” (1975) a publié le nombre des
grandes inventions mises au point chaque année entre 1860 et 1959, soit
5 3 0 2 0 3 2 3 6 1 2 1 2 1 3 3 3 5 2 4 4 0 2 3 7 12 3 10 9 2 3 7 7
233624352240425233658366052226344
2247533022213422111214432141110020
(source : base de données du logiciel R)
Notons y = (y1 , ..., yn ) la suite des observations rangées par ordre croissant, n étant la
taille de l’échantillon. Des données de ce type sont à présenter dans un tableau statistique
dont la première colonne est l’ensemble des r observations distinctes (ou modalités),
classées par ordre croissant et notées x1 , ..., xr . Puis on leur fait correspondre dans une
seconde colonne leurs effectifs, c’est-à-dire leurs nombres d’occurence, notés n1 , ..., nr .
P
Alors i ni = n. On indique aussi les fréquences fi = ni /n et les fréquences cumulées
P
Fi = ij=1 fj (1 ≤ i ≤ r). La plupart du temps, on donnera les fréquences sous forme de
pourcentage. Pour notre exemple 78, on obtient
xi ni fi Fi
0 9 0.09 0.09
1 12 0.12 0.21
2 26 0.26 0.47
3 20 0.20 0.67
4 12 0.12 0.79
5 7 0.07 0.86
6 6 0.06 0.92
7 4 0.04 0.96
8 1 0.01 0.97
9 1 0.01 0.98
10 1 0.01 0.99
12 1 0.01 1
Venons-en maintenant aux représentations graphiques de base : le diagramme en bâtons

et le diagramme cumulatif.
Le diagramme en bâtons se construit avec les modalités en abscisse et les effectifs en
ordonnée. Quant au diagramme cumulatif, il s’obtient à partir des fréquences cumulées
et c’est le graphe d’une fonction appelée fonction de répartition empirique et définie
ainsi : 

 0 si x < x1
Fn (x) = Fi si xi ≤ x < xi+1 (i = 1, ..., r − 1)


1 si x ≥ xr
(cf. les graphes ci-dessous)
Un certain nombre de grandeurs, qui forment le résumé statistique de l’échantillon,

participent aussi à l’analyse des données. On peut les classer en deux catégories : les
C.1. VARIABLE QUANTITATIVE DISCRÈTE 67
1.0
25
0.8
20
0.6
15
Fn(x)
0.4
10
0.2
5
0.0
0
0 2 4 6 8 10 0 2 4 6 8 10 12
Figure C.1 – Diagramme en bâtons et diagramme cumulatif de l’exemple 78
paramètres de position et les paramètres de dispersion. Il existe bien sûr de nombreux

autres paramètres qui permettraient une analyse plus fine. On peut se reporter à un
ouvrage de statistique descriptive pour plus de détails.
Commençons par les paramètres de position que sont la moyenne et la médiane.
Ces grandeurs donnent un “milieu”, une position moyenne autour desquels les données sont
réparties.
Définition 79 La moyenne empirique est la moyenne arithmétique des observations :

n r
1X 1X
ȳ = yi = ni xi
n n
i=1 i=1
La médiane partage l’échantillon ordonné en deux parties de même effectif : la moitié

au moins des observations lui sont inférieures ou égales et la moitié au moins lui sont
supérieures ou égales. Quand les observations sont triées, si le nombre d’observations n
est impair, la médiane est y(n+1)/2 . Si n est pair, n’importe quel nombre de l’intervalle
[yn/2 , yn/2+1 ] vérifie la définition. On convient la plupart du temps de prendre le milieu de
cet intervalle pour médiane. La médiane est aussi Fn−1 (1/2).
La moyenne de l’échantillon de l’exemple 1 est 3,1. Sa médiane est 3. Ici la médiane et la

moyenne sont proches, mais ce n’est pas toujours le cas (ex : 0,100,101).
Comme paramètres de dispersion, on peut citer la variance, l’écart interquartile

et l’amplitude. Ils servent à connaı̂tre la variabilité des données autour de la position
moyenne.
Définition 80 La variance empirique des observations est la moyenne du carré des

écarts à la moyenne :
n r
1X 1X
s2n (y) = (yi − ȳ)2 = ni (xi − ȳ)2
n n
i=1 i=1
On utilise aussi le variance empirique modifiée :

n r
1 X 1 X
s2n−1 (y) = (yi − ȳ)2 = ni (xi − ȳ)2
n−1 n−1
i=1 i=1
L’écart-type est la racine de la variance et on le note souvent sn ou sn−1 , suivant qu’il

est associé à la variance empirique ou à la variance empirique modifiée.
Les quartiles sont à rapprocher de la médiane : il divisent l’échantillon en quatre sous-
ensembles de même effectif. Un quart (au moins) des observations sont inférieures ou
égales au premier quartile et trois quarts (au moins) des observations lui sont supérieures.
On remarque que le premier quartile est Fn−1 (1/4). Le deuxième quartile est la médiane.
Le troisième quartile est supérieur à trois quarts des observations et est inférieur à un
quart. C’est aussi Fn−1 (3/4). La différence entre le troisième quartile et le premier quartile
est l’écart interquartile.
L’amplitude (ou l’étendue) est la différence yn − y1 .
Pour les données de l’exemple 78, on obtient : s2n−1 (y) = 5, 081, sn−1 = 2, 254, le premier
quartile est 2, le troisième 4 et l’espace interquartile vaut donc 2. L’amplitude est 12.
Le diagramme en boı̂te (parfois appelé diagramme en boı̂te à moustaches ou box-

plot ou box-and-whisker plot) concentre des informations liées aux quartiles, à la médiane
et aux valeurs extrêmes. On définit les valeurs extrêmes comme s’écartant du quartile le
plus proche d’au moins 1,5 fois l’espace interquartile. Il faut toujours ajuster les mous-
taches aux valeurs observées. Dans notre exemple, les valeurs extrêmes sont des valeurs
strictement inférieures à -1 (ou plutôt 0) ou strictement supérieures à 7.
Attention : en pratique, pour tracer un boxplot, il faut
1) Calculer la médiane, le premier quartile Q1 et le troisième quartile Q3
2) Calculer la taille maximale des moustaches : Q1−1.5∗(Q3−Q1) et Q3+1.5∗(Q3−Q1)
3) Raser les moustaches, c’est-à-dire les ajuster en les rétrécissant jusqu’à atteindre une
valeur observée
4) Repérer les valeurs extrêmes, c’est-à-dire les valeurs qui sortent des moustaches.
Ne ratez pas une étape !
C.2 Variable quantitative continue

Quand une variable discrète prend un grand nombre de valeurs distinctes, le travail
est légèrement différent.
Soit y = (y1 , ..., yn ) un échantillon d’une variable continue. Il n’est pas pertinent de calculer
les fréquences empiriques et les fréquences cumulées. Par contre, le résumé numérique et le
diagramme cumulatif sont les mêmes que dans le cas discret. Ainsi, la moyenne est donnée
par
n
1X
ȳ = yi
n
i=1
C.2. VARIABLE QUANTITATIVE CONTINUE 69
12
10
8
6
4
2
0
Figure C.2 – Boxplot de l’exemple 78
La variance empirique, la variance empirique modifiée et l’écart-type sont

n
1X p
s2n (y) = (yi − ȳ)2 , sn (y) = s2n (y)
n
i=1
n q
1 X
s2n−1 (y) = (yi − ȳ)2 , sn−1 (y) = s2n−1 (y)
n−1
i=1
Mais à la place du diagramme en bâtons, on trace un histogramme. Pour ce faire, notons
a et b respectivement la valeur observée minimale et la valeur observée maximale. On
découpe l’intervalle [a, b] en k petits intervalles appelés classes, avec k compris entre 6 et
12 (en gros 1 + ln n/ ln 2). Notons ces classes [a0 , a1 [,...,[ak−1 , ak ], avec a = a0 et b = ak .
On peut présenter les données dans un tableau, en indiquant : les classes rangées par
ordre croissant, les effectifs ni des classes (nombres d’observations dans les classes), les
amplitudes Li des classes (Li = ai − ai−1 ), les densités des observations dans chaque
classe, hi = Lnii .
Exemple 81 On obtient, sur un échantillon de 250 œufs qu’on a pesé,
Masse des œufs en gramme effectif amplitude densité

44 − 48 19 4 4, 75
48 − 51 42 3 14
51 − 53 58 2 29
53 − 56 83 3 27, 67
56 − 61 48 5 9, 6
L’histogramme est composé de rectangles dont

- les bases sont les classes
- les hauteurs sont les densités des classes (ou les hauteurs sont proportionnelles aux
densités, ce qui donne le même graphique).
On peut choisir des classes de même largeur, ou des classes de même effectif !
0.10
0.08
densite/250
0.06
0.04
0.02
0.00
45 50 55 60
masse
C.3 Variable qualitative

Les modalités d’une variable qualitative ne sont pas numériques. De fait, on ne peut
pas calculer les grandeurs statistiques telles que la moyenne... On peut faire un tableau
pour présenter les données en indiquant pour chaque modalité l’effectif et la fréquence.
Les trois représentations graphiques sont les diagrammes en colonne, les diagrammes en
barre et le diagramme en secteur (“camembert”).
Exemple 82 On a interrogé des étudiants qui se rongent les ongles. Voici les circons-
tances pendant lesquelles ils pratiquent cette mauvaise habitude.
activité fréquence
regarder la télévision 58
lire un journal 21
téléphoner 14
conduire une auto 7
faire ses courses 3
autre 12
50
40
30
20
10
0
TV journal auto courses autre
Figure C.3 – Diagramme des ongles rongés (ex 82)

Bibliographie
[1] Pierre Dagnélie. Statistique théorique et appliquée. De Boeck Université, 1998.

[2] Rick Durrett. Elementary probability for applications. Cambridge university press,
2009.
[3] Richard Arnold Johnson et Gouri K. Bhattacharyya. Statistics : principles and me-
thods. Wiley, 1996.
[4] Aurelio Mattei. Inférence et décision statistiques : théorie et application à la gestion
des affaires. P. Lang, 2000.
[5] Sheldon M. Ross. Initiation aux probabilités. Presses polytechniques et universitaires
romandes, 2007.
[6] Gilbert Saporta. Probabilités, analyse des données et statistique. Technip, 1990.
71

PolyTunis A Perrut PDF

Transféré par

Informations du documentcliquez pour développer les informations du document

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

PolyTunis A Perrut PDF

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

PolyTunis A Perrut PDF

Transféré par

Droits d'auteur :

Formats disponibles

Université Claude Bernard Lyon 1

IREM de Lyon - Département de mathématiques

Cours de probabilités et statistiques

2 Variables aléatoires discrètes 15

3 Variables aléatoires continues 27

C Statistique descriptive univariée 65

mais cette limite a-t-elle un sens ?

1.2 Espace des possibles, événements

B = {(f, p, f ), (f, p, p), (p, p, f ), (p, p, p)}

Il existe un vocabulaire propre aux événements, différent du vocabulaire ensembliste.

notations vocabulaire ensembliste vocabulaire probabiliste

On se limite dans ce cours à étudier les univers dénombrables. La probabilité d’un

Que signifie “un événement A a pour probabilité...”?

De la définition, on peut facilement déduire la proposition suivante, fort utile pour

Proposition 2 Soient A et B deux événements.

preuve : 1) immédiat d’après le second point de la définition d’une probabilité.

Un rappel des techniques de dénombrement est disponible à l’annexe A.

On est maintenant en mesure de modéliser des expériences aléatoires simples, c’est-à-

1.4 Indépendance et conditionnement

L’outil qui permet cette mise à jour est la probabilité conditionnelle.

Utilisation 1 : quand P (A) et P (A ∩ B) sont faciles à calculer, on peut en déduire P (B|A).

Ω = {rouge, verte} × {rouge, verte}

P (B) = P (B|A)P (A) + P (B|Ac )P (Ac )

preuve : Comme A ∪ Ac = Ω, P (B) = P (B ∩ (A ∪ Ac )) = P ((B ∩ A) ∪ (B ∩ Ac )). Or B ∩ A

La définition de la probabilité conditionnelle permet de conclure. ¤

P (B) = P (B|A)P (A) + P (B|Ac )P (Ac )

Exemple 12 Deux opérateurs de saisie, A et B, entrent respectivement 100 et 200 ta-

Définition 13 Deux événements A et B sont dits indépendants si

S’il sont de probabilité non nulle, alors

P (B|A) = P (B) ⇐⇒ P (A|B) = P (A) ⇐⇒ P (A ∩ B) = P (A)P (B)

remarque 1 : A et B sont donc indépendants si la connaissance de la réalisation de l’un

1.5 Répétitions indépendantes

Proposition 14 Soit Ω = E ×F où E est de cardinal n et F de cardinal p. Supposons que

Exemple 15 On lance une pièce de monnaie équilibrée et un dé équilibré.

Ω = {P, F } × {1, ..., 6}

Proposition 16 On répète N fois, de manière indépendante, la même expérience aléa-

En particulier, si P est la probabilité uniforme sur Ω, alors P N est la probabilité uniforme

Exercice 2 – Soit P une probabilité sur un ensemble Ω et deux événements A et B. On

P (A ∪ B) = 7/8, P (A ∩ B) = 1/4, P (A) = 3/8.

Exercice 6 – Soient M1 , M2 , M3 trois personnes. La première M1 dispose d’une infor-

Variables aléatoires discrètes

ω PPP PPF PFP FPP FFP FPF PFF FFF

k (valeur prise par X) 3 2 1 0

On peut d’emblée observer que les événements (X = 0), (X = 1), (X = 2) et (X = 3)

Un autre outil permet de caractériser la loi d’une v.a. : il s’agit de la fonction de

Définition 20 Soit X une v.a.. On appelle fonction de répartition de X la fonction de R

P [X = 0] = 1/8, P [X = 1] = P [X = 2] = 3/8, P [X = 3] = 1/8

Proposition 21 Soit F une fonction de répartition. Alors

Définition 22 L’espérance ou moyenne d’une v.a. discrète X est le réel

Multiplions cette égalité par y puis sommons :

Fréquences empiriques VERSUS loi de probabilité

2.2 Indépendance et conditionnement

Attention ! Si X et Y ne sont pas indépendantes, connaı̂tre la loi de X et celle de Y

pour tous 1 ≤ i, j ≤ 6, P [X = i, Y = j] = P [X = i]P [Y = j] = 1/36

Autrement dit, chaque case du tableau a la même probabilité 1/36. On en déduit : P [Z =

La dernière égalité vient du fait que X et Y sont indépendants. Il suffit maintenant de se

Théorème 28 1) Pour toutes v.a. X et Y , E[X + Y ] = E[X] + E[Y ].