INTRODUCTION A LA STATISTIQUE

I
INTRODUCTION
II
TABLEAUX ET GRAPHES
III
ANALYSE D'UNE DISTRIBUTION DE FREQUENCES
IV
ANALYSE CO Μ BIN ΑΤΟΙ RE
V
PRINCIPES G^NERAUX DU CALCUL DES PROBABILITES
VI
LES LOIS DE PROBABILITG
VII
LES TESTS STATISTIQUES
 Emile Amzallag
Norbert Piccioli

PREMIERS CYCLES U Ν I V Ε R S IΤ AI R Ε S

INTRODUCTION
Α LA

STATISTIQUE
Exercices corriges
avec rappels detaillos de cours et exemples
A l'usage d e s etudiants en s c i e n c e s economiques,
medecine, pharmacie, etc. ainsi que d e s eleves
des s e c o n d s cycles d e s lycees et d e s c l a s s e s preparatoires
aux grandes ecoles scientifiques

Avec la collaboration de Francois Bry

Hermann -IL- Collection

Paris Meihodes
EMILE AMZALLAG, ne en 1932 au Maroc, I n g e n i e u r de l ' E c o l e s u p e r i e u r e
d ' e l e c t r i c i t e , d o c t e u r es s c i e n c e s , e s t m a i t r e - a s s i s t a n t ä i ' U n i v e r -
s i t e de P a r i s V I e t charge de c o u r s a L ' U n i v e r s i t e de P a r i s V.

NORBERT PICCIOLI, ne en 1941 en A l g e r i e , d o c t e u r de 3e c y c l e , e s t

m a t t r e - a s s i s t a n t a 1 ' U n i v e r s i t e de P a r i s V I .

Tous deux e f f e c t u e n t des r e c h e r c h e s s u r l e s p r o p r i e t e s o p t i q u e s des

s e m i - c o n d u c t e u r s au L a b o r a t o i r e de p h y s i q u e des s o l i d e s de 1'Univer-
s i t e P i e r r e e t Marie Curie.

FRANCOIS ERY, ne en 1956 a P a r i s , a passe l a m a i t r i s e de mathematiques

en 1978 ; i l a f a i t ses etudes a l'UER des mathematiques de l a d e c i -
s i o n ä 1 ' U n i v e r s i t e P a r i s X I Dauphine, ou i l s'est i n i t i e aux mathe-
m a t i q u e s a p p l i q u e e s ä l'economie avec I . Ekeland ; i l se consacre ä
p r e s e n t aux mathematiques p u r e s .

ISBN 2 7056 5889 0

1978, Hermann 293 r u e Lecourbe, 75015 P a r i s

Tous d r o i t s de r e p r o d u c t i o n , meme f r a g m e n t a i r e , sous quelque

forme que ce s o i t , y compris P h o t o g r a p h i e , m i c r o f i l m , bände
m a g n e t i q u e , d i s q u e ou a u t r e , r e s e r v e s pour t o u s pays.
Table

CHAPITRE 1; INTRODUCTION 1
I . La s t a t i s t i q u e 1
II· Notions de base 1
I I I . La methode s t a t i s t i q u e 3

CHAPITRE 2; TABLEAUX ET GRAPHES 6

A. TABLEAUX 6
I . Tableau de frequences a un c a r a c t e r e 6
I I . Tableau de frequences cumulees 7
I I I . Tableau de frequences ä deux caracteres 8
!
IV. Cas d une s e r i e q u a n t i t a t i v e continue 9
Β. REPRESENTATIONS GRAPHIQUES 11
I . Caractere d i s c o n t i n u . Diagramme en batons 11
I I . Caractere c o n t i n u . Histogramme 13
Exercices: B. Representations graphiques 19

1
CHAPITRE 3: ANALYSE D UNE DISTRIBUTION DE FREQUENCES 25
A. PARAMETRES DE POSITION 27
I . Les moyennes 27
I I . La mediane 33
I I I . Les p e r c e n t i l e s 36
IV. Mode ou dominante 37
V. Comparaison des d i f f e r e n t s parametres de
position 37
Β. PARAMETRES DE DISPERSION 39
I . Ecart moyen a r i t h m e t i q u e 40
I I . Variance. Ecart-type 40
!
I I I . Moments d une s e r i e s t a t i s t i q u e 43
Exercices: A. Parametres de p o s i t i o n 44
Β. Parametres de d i s p e r s i o n 47

CHAPITRE 4: ANALYSE COMBINATOIRE 55

A. ARRANGEMENTS 57
P
I . D e f i n i t i o n . C a l c u l de A 57
η
I I . Arrangements avec r e p e t i t i o n 58
 Β. PERMUTATIONS 60
I . D e f i n i t i o n . Calcul de Ρ 60
η
I I . Permutations avec r e p e t i t i o n 61
I I I . Permutation c i r c u l a i r e 61

C. COMBINAISONS 63
P
I . D e f i n i t i o n . Calcul de C 63
η
I I . Permutations avec r e p e t i t i o n s e t
combinaisons 64
III. Binome de Newton 65
IV. Combinaisons avec r e p e t i t i o n 66
Exercices: A. Arrangements 67
B. Permutations 69
C. Combinaisons 71

CHAPITRE 5: CALCUL DES PROBABILITES 81

A. LOGIQUE DES ΕVEΝΕΜΕNTS 81
I. Introduction 81
I I . Notions de base 82
I I I . Logique des evenements 84
Β. PROBABILITE 87
I . P r o b a b i l i t e uniforme 87
I I . P r o b a b i l i t e e t frequence 88
f
I I I . D e f i n i t i o n d une p r o b a b i l i t e 89
C. PROBABILITES TOTALES 93
I . Theoreme des p r o b a b i l i t e s t o t a l e s 94
I I . Generalisation 94
D. PROBABILITES COMPOSEES ET THEOREME DE BAYES 96
I . D e f i n i t i o n d'une p r o b a b i l i t e composee 96
I I . Evenements independants 97
I I I . Theoreme de Bayes 97
Ε. EXEMPLES COMPLEMENTAIRES 101
I . L o i binömiale 101
I I . L o i hypergeometrique 102
Exercices: A. Logique des evenements 104
B. P r o b a b i l i t e 109
C e Probabilites totales 117
 D. P r o b a b i l i t e s composees e t theoreme de Bayes 125
E. Exercices complementaires 135

CHAPITRE 6: LES LOIS DE PROBABILITE 141

A. VARIABLES ALEATOIRES 141
I . Introduction 141
I I . L o i de p r o b a b i l i t e , f o n c t i o n de r e p a r t i -
t i o n , densite de p r o b a b i l i t e 143
I I I . Esperance mathematique e t moments 146
IV. I n e g a l i t e de Bienayme-Tchebycheff. L o i des
grands nombres 148
B. LOI BINOMIALE 151
I . Definition 151
I I . Diagramme e t parametres c a r a c t e r i s t i q u e s 152
I I I . Approximations de l a l o i binömiale 153
C. LOI DE POISSON 154
I . Definition 154
I I . Diagramme e t parametres c a r a c t e r i s t i q u e s 154
D. LOI NORMALE 158
I . Definition 158
I I . Densite de p r o b a b i l i t e 159
I I I . Fonction de r e p a r t i t i o n 160
IV. Exemples d ' a p p l i c a t i o n 162
Exercices: A. Variables a l e a t o i r e s 166
B. L o i binömiale 173
C. L o i de Poisson 184
D. L o i normale 192

CHAPITRE 7: LES TESTS STATISTIQUES 207

A. ECHANTILLONNAGE 209
I . D i s t r i b u t i o n des moyennes 209
I I . D i s t r i b u t i o n des frequences 211
1
I I I . Autres d i s t r i b u t i o n s d e c h a n t i l l o n n a g e 212
B. ESTIMATION 214
I . Estimation ponctuelle 214
I I . E s t i m a t i o n par I n t e r v a l l e de confiance 216
 I I I , Normalite des f l u c t u a t i o n s d'echanti-
llonnage 217
!
IV. I n t e r v a l l e de confiance d une moyenne 221
V. I n t e r v a l l e de confiance d'une frequence 224
C. TESTS DE SIGNIFICATION 227
I. P r i n c i p e s des t e s t s d'hypothese 227
I I . Premiere a p p l i c a t i o n : les t e s t s de
conformite 229
I I I . Deuxieme a p p l i c a t i o n : l e s t e s t s
1
d homogeneite 235
2
D. TEST DU χ 240
2
I . D i s t r i b u t i o n du χ 240
I I . C r i t e r e de Pearson 241
I I I . Test de conformite 243
1
IV. Test d homogeneite 246
E. AJUSTEMENT LINEAIRE - CORRELATION 249
I. Introduction 249
I I . D r o i t e de r e g r e s s i o n 251
I I I . C o e f f i c i e n t de c o r r e l a t i o n 251
!
IV. Tests d hypothese 256
Exercices : A. Echantillonnage 262
B. E s t i m a t i o n 269
C. Tests de s i g n i f i c a t i o n 277
2
D. Tests de χ 289
Ε. Ajustement l i n e a i r e - c o r r e l a t i o n 301
NAISSANCE DU CALCUL DES PROBABILITES 311
TABLE 1 326
TABLE 2 328
TABLE 3 329
TABLE 4 330
TABLE 5 331
TABLE 6 332
TABLE 7 333
Index des symboles 335
Index 337
Avant-propos

Cet ouvrage e s t destine aux e t u d i a n t s des premiers cycles u n i -

versitäres, aux eleves des classes p r e p a r a t o i r e s aux grandes
!
ecoles s c i e n t i f i q u e s , a i n s i qu ä tous ceux q u i d e s i r e n t s ' i n i t i e r
au c a l c u l des p r o b a b i l i t e s e t a l a s t a t i s t i q u e . I I i n t e r e s s e r a
specialement l e s e t u d i a n t s en sciences economiques e t ceux du
premier cycle des etudes medicales e t d e n t a i r e s (P.C.E.M) ou de
pharmacie.
f
C'est avant t o u t un l i v r e d i n i t i a t i o n q u i v i s e a 1 ' a c q u i s i t i o n
1
de techniques de base, plutöt qu'ä l e t u d e de t h e o r i e s mathemati-
ques f i n e s ou de problemes philosophiques poses par l e s n o t i o n s
1
de p r o b a b i l i t e ou d i n d u c t i o n s t a t i s t i q u e . A f i n de repondre aux
d i f f i c u l t e s que r e n c o n t r e n t l e s e t u d i a n t s pour passer du cours
aux a p p l i c a t i o n s , 1Ouvrage r e u n i t des rappels d e t a i l l e s de cours
v i s a n t ä f a m i l i a r i s e r l e l e c t e u r avec l e s notions e s s e n t i e l l e s ,
de nombreux exemples d ' a p p l i c a t i o n , a i n s i qu'une centaine d'exer-
cices classes par ordre de d i f f i c u l t e c r o i s s a n t e e t s u i v i s de
c o r r i g e s s u c c i n t s , permettant de mettre en p r a t i q u e e t de contrö-
l e r l e s connaissances.

On expose d'abord l e s grandes l i g n e s de l a s t a t i s t i q u e d e s c r i p t i v e ,

oü i l s ' a g i t essentiellement de presenter l e s donnees sous une
forme immediatement e x p l o i t a b l e , en l e s reduisant ä quelques
parametres c a r a c t e r i s t i q u e s . Apres des rappels d'analyse combi-
n a t o i r e , on i n t r o d u i t l e s p r i n c i p e s generaux du c a l c u l des p r o -
b a b i l i t e s , en montrant l e s p o s s i b i l i t e s d ' u t i l i s a t i o n de l ' a l g e b r e
des ensembles q u i e s t de plus en plus f a m i l i e r e aux e t u d i a n t s . Les
d i f f e r e n t e s l o i s de p r o b a b i l i t e usuelles sont ensuite etudiees e t
l e u r s c o n d i t i o n s d ' a p p l i c a t i o n examinees. La derniere p a r t i e de
l'ouvrage i n t r o d u i t a l a s t a t i s t i q u e i n d u c t i v e q u i , grace ä
1 ' a s s i m i l a t i o n des observations experimentales aux l o i s theoriques
et a 1 ' a p p l i c a t i o n de t e s t s , f o u r n i t des elements de d e c i s i o n .

Les exercices proposes se r a p p o r t e n t ä des domaines v a r i e s :

economie, medecine, jeux, e t c . . . De nombreux problemes proposes
ces dernieres annees aux concours de P.C.E.M sont donnes avec
leurs corriges.
1. Introduction

I. LA STATISTIQUE

De nombreux domaines de l a connaissance p r a t i q u e s'ap-

puient sur 1'etude de c o l l e c t i o n s homogenes d*objets ou de
personnes. La s t a t i s t i q u e e s t un ensemble de methodes permet-
tant de degager l e s c a r a c t e r i s t i q u e s ou l a r e p a r t i t i o n de ces
!
o b j e t s en f o n c t i o n de c r i t e r e s d e t u d e determines.
Ces methodes t i r e n t l e u r j u s t i f i c a t i o n theorique de c e r -
taines c o n s t r u c t i o n s mathematiques ( t h e o r i e des p r o b a b i l i t e s ,
!
algebre l i n e a i r e , e t c . ) , mais c e s t l e domaine d* a p p l i c a t i o n
1
qui j u s t i f i e l e choix de l a methode e t 1 i n t e r p r e t a t i o n des
r e s u l t a t s obtenus. I I e s t r e l a t i v e m e n t frequent que des con-
T
clusions erronees soient t i r e e s d une etude s t a t i s t i q u e p a r -
faitement coherente en t h e o r i e (c'est souvent l e cas des
1
sondages d o p i n i o n en periode e l e c t o r a l e ) . I I e s t done es-
1
s e n t i e l de ne pas r e d u i r e l a s t a t i s t i q u e ä 1 a p p l i c a t i o n meca-
nique de formules.

II. NOTIONS DE BASE

La c o l l e c t i o n d'objets ou de personnes etudiee e s t appe-

lee p o p u l a t i o n ou univers.
f
Un o b j e t ou une personne sur lesquels porte l e t u d e e s t
appele i n d i v i d u (individu statistique).
Les c r i t e r e s etudies c o n s t i t u e n t des caracteres.
On peut p r e c i s e r ces notions sur I'exemple s u i v a n t , ex-
t r a i t d'une f e u i l l e de recensement r e l a t i v e aux logements
occupes par les menages dans une commune i n d u s t r i e l l e du Nord
de l a France.
2 Introduction

Type 4e logemettf; appartemettt ' - ; ,

maison, i n d i v i d u e l l e •
autres n

Surface h a b i t a b l e «**•, *« , * *»
*4·**ΨΦ***4ψΛ l ,

Nombre de,pieces d*Kabitatioti •

Y a - t - i l une cuisi&£ t ouif privie Ο "
o u i , commune Π
•
S a l l e de bains ott douche ? o u i , privge •
o u i , comime •
ncm •
Questionnaire (partiel) relatif aux logements occupes par
les manages.

La population s t a t i s t i q u e e s t c o n s t i t u t e i c i par 1'en­

semble des menages de l a commune. Les caracteres, q u i c o r r e s ­
pondent aux questions posees sont de deux types :
- on ne peut associer ä c e r t a i n s d'entre eux n i une
v a l e u r numerique, n i un ordre n a t u r e l (par exemple : l e type
de logement). De t e l s caracteres sont appeles caracteres
qualitatifs ;
- c e r t a i n s caracteres prennent des valeurs numeriques
(par exemple : l e nombre de pieces d ' h a b i t a t i o n ) . Ce sont
des caracteres q u a n t i t a t i f s .
Un caractere continu est un caractere q u a n t i t a t i f q u i
f
peut prendre toutes les valeurs numeriques d un I n t e r v a l l e
determine (par exemple : l a surface h a b i t a b l e ) .
Un caractere d i s c r e t (ou d i s c o n t i n u ) e s t un caractere
q u i ne peut prendre que des valeurs numeriques i s o l e e s dans
un I n t e r v a l l e (par exemple : l e nombre de pieces d ' h a b i t a t i o n ) .
Introduction 3

Un t e l recensement peut e t r e general ( e t p o r t e r par

f
exemple sur 1*ensemble des menages d une grande v i l i e ) ou
p a r t i e l (ne p o r t e r que sur une p a r t i e seulement de ces mena-
f
ges). D une maniere generale, on appelle e c h a n t i l l o n l a
f
p a r t i e de l a p o p u l a t i o n s t a t i s t i q u e sur l a q u e l l e p o r t e l e n -
quete.
1
L e f f e c t i f ou frequence absolue associee ä une v a l e u r
d*un caractere est l e nombre de f o i s oü c e t t e v a l e u r du carac-
tere a ete observee.
La frequence r e l a t i v e associee ä une valeur d'un carac-
tere e s t l e rapport, de l a frequence absolue correspondant ä
c e t t e valeur du c a r a c t e r e au nombre d ' i n d i v i d u s de 1'echan-
tillon.
Une s e r i e s t a t i s t i q u e , ou d i s t r i b u t i o n s t a t i s t i q u e , asso-
!
ciee ä un caractere, est 1 ensemble des v a l e u r s du c a r a c t e r e ,
avec en regard, l e s frequences absolues ou r e l a t i v e s c o r r e s -
pondantes.
Les s t a t i s t i q u e s designent communement l e s donnees r e l a -
t i v e s ä une meme c a r a c t e r i s t i q u e ou encore l e s r e s u l t a t s
obtenu's ä p a r t i r de ces donnees. Par exemple : l e s s t a t i s t i -
ques de l ^ m p l o i ou du chomage, l e s s t a t i s t i q u e s d'une c e r t a i n e
maladie.

I I I . LA METHODE STATISTIQUE

D'une maniere generale, l a s t a t i s t i q u e considere des phe-

1
nomenes qui ne sont pas t o u j o u r s accessibles ä 1 experience.
Par s u i t e de l a m u l t i p l i c i t e des causes, on ne peut comme en
physique par exemple, f i x e r un c e r t a i n nombre de parametres
et e t u d i e r d e v o l u t i o n du phenomene. La methode s t a t i s t i q u e
comporte essentiellement t r o i s phases :
- une phase m a t e r i e l l e oü i l s ' a g i t de rassembler des
4 Introduction

donnees, de l e s regrouper e t de l e s presenter sous forme de

tableaux ou graphes ;
- une phase änalytique q u i c o n s i s t e ä r e d u i r e l e s don-
nees ä un nombre l i m i t e de parametres c a r a c t e r i s t i q u e s (mo-
!
ments d o r d r e 1, 2, 3, ...) s u s c e p t i b l e s de d e c r i r e l a serie
s t a t i s t i q u e . l/ensemble de ces deux phases c o n s t i t u e l ' o b j e t
e s s e n t i e l de l a s t a t i s t i q u e d e s c r i p t i v e (ou deductive) dont
l e s r e s u l t a t s r e s t e n t l i m i t e s aux e c h a n t i l l o n s etucjies ;
- une phase i n t e r p r e t a t i v e , q u i e s t ä l a base de l a
s t a t i s t i q u e i n d u c t i v e , e t q u i permet de deduire des r e s u l t a t s
f
obtenus sur un e c h a n t i l l o n des conclusions r e l a t i v e s ä l e n -
semble de l a p o p u l a t i o n d'oü est e x t r a i t cet e c h a n t i l l o n .
Ces conclusions doivent t e n i r compte de l a marge d'erreur due
au f a i t que l e s donnees sont seulement p a r t i e l l e s . Les metho-
des u t i l i s e e s n'ont de sens que s i e l l e s sont j u s t i f i e e s par
des r e s u l t a t s u l t e r i e u r s .
2. Tableaux et graphes

Une enqueue s t a t i s t i q u e comporte t o u j o u r s une phase i n i -

t i a l e oü i l s ' a g i t de c o l l e c t e r des renseignements, suivie
d'un§ phase de depouillement q u i consiste ä passer des donnees
brutes ä des tableaux ou ä des graphes q u i se p r e t e n t mieux a.
f f
l a n a l y s e et 1 i n t e r p r e t a t i o n .
La maniere dont l'enquete est e f f e c t u e e est evidemment
t r e s importante. En p a r t i c u l i e r , s i l'on espere deduire des
r e s u l t a t s obtenus sur un e c h a n t i l l o n des conclusions r e l a t i -
? r
ves ä t o u t e l a p o p u l a t i o n , i l convient de s a s s u r e r que l e -
c h a n t i l l o n est b i e n r e p r e s e n t a t i f de c e t t e p o p u l a t i o n , ce q u i
1
sera p r e c i s e dans l a t h e o r i e de 1 e c h a n t i l l o n n a g e ( c f . chap. 7 ) .
f
Cependant 1*objet du present c h a p i t r e sera l i m i t e ä l e t u d e
des d i f f e r e n t e s manieres de presenter une s e r i e s t a t i s t i q u e .
A. TABLEAUX

I. TABLEAU DE FREQUENCES A UN CARACTERE

Ce tableau e t a b l i t l a correspondance entre deux series

de nombres, l'une c o n s t i t u t e par l e s valeurs du caractere
e t u d i e , 1'autre par l e s e f f e c t i f s correspondants (ou l e s f r e -
quences r e l a t i v e s correspondantes).

, Exemple d'une serie quantitative discrete

L ' e c h a n t i l l o n est un irameuble de 64 f a m i l i e s , l e carac-

f
t e r e etudie etant l e nombre d e n f a n t s par f a m i l l e .

Nombre
0 1 2 ' 3 4 5 Total
d'enfants

Nombre de
16 18 14 1 1 3 2 64
families

Frequence
0,250 0,281 0,218 0,172 0,047 0,031 1
relative

Tableau 2.1

f
. Exemple d une serie qualitative

L * e c h a n t i l l o n est l'immeuble de 64 f a m i l i e s de 1'exemple

precedent, l e caractere e s t l a profession du chef de f a m i l l e ,
f
ä l a q u e l l e on a t t r i b u e un code d une maniere a r b i t r a i r e .

La correspondance valeur du caractere - e f f e c t i f corres-

pondant, d e f i n i t une f o n c t i o n d i t e f o n c t i o n de d i s t r i b u t i o n ,
q u i sera developpee au c h a p i t r e 3.
A. Tableaux 7

Frequence
Profession Code E f f e c t i f
relative

Ouvriers e t employes 1 24 0,375

Cadres moyens e t superieurs 2 9 0,140 ...
Commergants 3 10 0,156 ...
Fonctionnaires 4 15 0,234 ...
Professions liberales 5 6 0,093 ...

64 1

Tableau 2.2

II. TABLEAU DE FREQUENCES CUMULEES

La s e r i e s t a t i s t i q u e du tableau 2.1 peut e t r e presentee

sous une forme d i t e cumulee, des deux manieres suivantes :

. Cumul par valeurs inferieures ou effectifs cumules croissants

Nombre d'enfants cumules

Moins de 1enfant 16 f a m i l i e s
2 enfants 16 + 18 = 34 It

3 II 34 + 14 =48 II

4 II 48 + 11 -59 II

5 II 59 + 3 = 62 II

6 II 62 + 2 = 64 II

Tableau 2.3
8 Chapitre 2

Cumul par valeurs superieures ou effectifs cumules decrois-

sants

Nombre d'enfants E f f e c t i f s cumules

0 enfant ou plus 64 f a m i l i e s
. 1 enfant " " 64 - 16 =48
2 enfants " 48 - 18 = 30
3 If II It 30 - 14 = 16
4 II II II 16-11= 5
5 It If It 5 - 3= 2

Tableau 2.4

La correspondance valeur du caractere - e f f e c t i f cumule

correspondant, d e f i n i t une f o n c t i o n d i t e de r e p a r t i t i o n , q u i
sera egalement developpee au c h a p i t r e 3.

III. TABLEAU DE FREQUENCES A DEUX CARACTERES

f f
Si l o n s i n t e r e s s e ä deux caracteres d i f f e r e n t s dans un
meme e c h a n t i l l o n , i l est possible de representer 1'ensemble
des renseignements dans un meme tableau (tableau ä double
entree).
Exem e
* P^ de tableau de frequences a deux caracteres
1
L e c h a n t i l l o n est l e meme que precedemment. Le caractere
X e s t l e nombre de personnes v i v a n t dans un appartement, l e
c a r a c t e r e Y est l e nombre de pieces par appartement. L * i n t e r -
f !
sect i o n d une l i g n e et d une colonne du tableau e s t l e nombre
f
de f o i s oü l o n a observe X personnes v i v a n t dans un apparte-
ment de Y pieces. Par exemple, on a observe 7 f o i s 3 personnes
v i v a n t dans un appartement de 3 pieces.
A. Tableaux 9

>ν Χ
T o t a l nombre
2 3 4 6 1
Υ \ν d appartements

2 8 5 2 0 0 15

3 5 7 4 2 0 18

4 3 6 8 9 5 31

Total
nombre de 16 18 14 11 5 64
families

Tableau 2.5

IV. CAS D'UNE SERIE QUANTITATIVE CONTINUE

A f i n de rendre l a s e r i e s t a t i s t i q u e plus commode ä e t u d i e r ,

i l e s t necessaire de regrouper l e s v a l e u r s du caractere en
i n t e r v a l l e s successifs e t c o n t i g u s , t e l s que dans chaque I n t e r -
v a l l e ou classe, on ne d i s t i n g u e pas l e s valeurs du c a r a c t e r e
qui y sont comprises. Les nombres entre lesquels sont comprises
ces v a l e u r s c o n s t i t u e n t l e s l i m i t e s de classe. Dans chaque
classe, on remplace l e s v a l e u r s du caractere observees par une
T
valeur unique, c e l l e du m i l i e u de 1 I n t e r v a l l e ou centre de
classe.

. Exemple
f
Une enquete p o r t a n t sur l a t a i l l e des i n d i v i d u s d une c e r -
t a i n e c o l l e c t i v i t e de 80 personnes a permis de dresser l e
f
tableau suivant oü l o n a adopte un I n t e r v a l l e de classe de
0,05 m.
10 Chapitre 2

Centres Effectifs Effectifs

Classes Limites de Effectifs cumules cumules de-
classe croissants er oissants

1 ,545 80
1 ,55-1,59 1,57 3
1,595 3 77
1,60-1,64 1 ,62 12
1 ,645 15 65
1,65-1,69 1 ,67 18
1 ,695 33 47
1,70-1,74 1,72 25
1,745 58 22
1,75-1,79 1,77 15
1 ,795 73 7
1 ,80-1,84 1 ,82 5
1,845 78 2
1,85-1,89 1 ,87 2
1 ,895 80
80

Tableau 2.6

On peut remarquer que l e s e f f e c t i f s cumules croissants

correspondent aux f r o n t i e r e s superieures des classes, et l e s
e f f e c t i f s cumules decroissants aux f r o n t i e r e s inferieures
des classes.
 Β. REPRESENTATIONS GRAPHIQUES

T f
Les r e p r e s e n t a t i o n s graphiques ont l a v a n t a g e d o f f r i r une
1
m e i l l e u r e vue d ensemble de l a s e r i e s t a t i s t i q u e que l e s t a ­
bleaux. E l l e s permettent par simple l e c t u r e , de v o i r l e s carac­
t e r i s t i q u e s e s s e n t i e l l e s de l a s e r i e , e t aussi de comparer des
series d i f f e r e n t e s .

I. CARACTERE DISCONTINU. DIAGRAMME EN BATONS

Lorsque l e caractere e s t d i s c o n t i n u , on u t i l i s e l e d i a -
gramme en batons : les v a l e u r s du caractere sont portees en
abscisses, l e s frequences correspondantes sont representees
par des t r a i t s p l e i n s , en ordonnees.
Si l'on j o i n t l e s sommets des batons, on o b t i e n t l e p o l y -
gone des frequences,.

Exemple 1

Diagramme en batons du tableau 2.1 r e p r i s en 2.7

Nombre d'enfants Frequences Frequences r e l a t i v e s

0 16 0,250
1 18 0,281
2 14 0,218
3 1 1 0,172
4 3 0,047
5 2 0,031

64 1

Tableau 2.7
12 Chapitre 2

frequences
frequences relatives A

20

10

Figure 2.1 _
0 1 2 3 4 5
nombre d'enfants

Exemple 2

Diagramme des frequences cumulees des tableaux 2.3 e t

2.4, r e p r i s en 2.8 e t 2.9.

Nombre Frequences Nombre Frequences

d'enfants cumulees d'enfants cumulees
croissantes 4ecrois^antes

Möins de 1 16 0 ou plus 64
2 34 1 48
3 48 2 30
4 59 3 16
5 62 4 5
6 64 5 2

Tableau 2.8 Tableau 2.9

Le graphe des frequences cumulees (appele aussi diagramme

i n t e g r a l ) ne met pas en evidence les d i f f e r e n c e s e t ne f a i t
pas r e s s o r t i r l a frequence maximum ( f i g . 2.2).
Β. Representations graphiques 13

Pour chaque v a l e u r du caractere l a somme des frequences

cumulees croissante e t decroissante est evidemment egale ä
l'effectif total.
Ces graphes etant constitues par un ensemble d i s c o n t i n u
de p o i n t s ( l e s sommets des b a t o n s ) , 1 ' i n t e r p o l a t i o n entre
p o i n t s successifs n'a pas de sens. On peut aussi b i e n adopter
une frequence constante entre l e s v a l e u r s d i s c r e t e s du carac-
tere ( f i g . 2.3).

k frequences ^frequences
cumulees cumulees
croissantes croissantes
60 v decroissantes

40-
, decroissantes

20 1/

0 1 1 3 4 5 6 0 1 2 > 5 6
nombre d'enfants nombre d'enfants

Figure 2.2 Figure 2.3

II. CARACTERE CONTINU. HISTOGRAMME

1
Dans l e cas d'un catactere c o n t i n u , on u t i l i s e 1 histo-
gramme, q u i c o n s t i t u e une g e n e r a l i s a t i o n du diagramme en batons
ä l a n o t i o n de classe.

a) Series ä classes egales

Chaque classe e s t representee par un r e c t a n g l e dont l a

f
base e s t egale ä l I n t e r v a l l e de l a classe e t dont l a hauteur
14 Chapitre 2

T
e s t egale ä l ' e f f e c t i f correspondant. L h i s togramme est cons-
f
t i t u e en f a i t par l e contour polygonal enveloppant l ensemble
de ces r e c t a n g l e s .
Le polygone des frequences absolues (ou des frequences
r e l a t i v e s ) s'obtient en j o i g n a n t les p o i n t s dont l e s abscisses
sont l e s m i l i e u x des d i f f e r e n t e s classes e t dont les ordonnees
sont l e s e f f e c t i f s (ou l e s frequences r e l a t i v e s ) correspon-
dants.

. Exemple

Histogramme r e l a t i f au tableau 2.6 ( r e p r i s en 2.10).

Centres Effectifs Effectifs

Clas ses Limites Effectifs
de cumules cumules de-
classe croissants croissants

1 ,545 80
1,55- 1,59 1,57 3
1 ,595 3 77
1 ,60- 1 ,64 1 ,62 12
1 ,645 15 65
1,65- 1 ,69 1 ,67 18
1 ,695 33 47
1,70- 1,74 1,72 25
1 ,745 58 22
1,75- 1,79 1,77 15
1 ,795 73 7
1,80- 1 ,84 1,82 5
1 ,845 78 2
1,85- 1,89 1,87 2
1 ,895 80
~8Ö

Tableau 2.10
Β. Representations graphiques 15

frequence frequence
absolue relative
0,50

- 0,25

histogramme
>polygone des
frequences
3 £ 3 ί £ 3 £ 3 £ taille
L O t O v D v O Γ"- 00 00
Figure 2.4

r
. Aire de I histogramme
1
C'est l ' a i r e comprise entre 1'histogramme e t 1 axe des
abscisses. Dans l e cas d'un histogramme des frequences absolues,
c e t t e a i r e e s t evidemment p r o p o r t i o n n e l l e au p r o d u i t de 1' I n ­
t e r v a l l e de classe par l ' e f f e c t i f t o t a l . Dans l e cas d'un h i s ­
togramme des frequences r e l a t i v e s , s i 1 ' I n t e r v a l l e de classe
T
est p r i s comme u n i t e , l a i r e e s t egale ä 1 ' u n i t e , puisque l a
somme des frequences r e l a t i v e s e s t elle-meme egale ä 1 ' u n i t e .
L ' a i r e comprise entre l e polygone des frequences e t l'axe des
abscisses e s t egale ä c e l l e de 1'histogramme, puisque, comme
on peut l e v o i r sur l a f i g u r e 2.4, l e s surfaces non communes
ä ces deux aires se compensent deux par deux.

. Polygone des effectifs cumules

En observant que l e s e f f e c t i f s cumules c r o i s s a n t s c o r -

respondent aux f r o n t i e r e s superieures des d i f f e r e n t e s c l a s s e s ,
et l e s e f f e c t i f s cumules decroissants aux f r o n t i e r e s i n f e -
16 Chapitre 2

r i e u r e s des classes, on peut, ä l ' a i d e du tableau 2.10,

c o n s t r u i r e l e s polygones des e f f e c t i f s cumules suivants

^ frequences
relatives
1

1 I
in m ON
m m in ON in in m
ON
<t ON
m in r-- Γ - oo 00
Figure 2.5

On peut remarquer que pour chaque valeur du c a r a c t e r e ,

l a somme des e f f e c t i f s c r o i s s a n t s e t des e f f e c t i f s d e c r o i s -
sants e s t egale ä l ' e f f e c t i f total.

Remarque

L ' i n t e r e t de ces representations cumulees a p p a r a i t r a

f T
un peu plus t a r d , ä l o c c a s i o n de l a n a l y s e des s e r i e s
statistiques.

b) Series a classes inegales

Si l'on veut que l ' a i r e de 1'histogramme s o i t t o u j o u r s

p r o p o r t i o n n e l l e ä l ' e f f e c t i f , i l est necessaire de t e n i r compte
de l ' i n e g a l i t e des classes. On opere a l o r s de l a maniere s u i -
vante : une classe dont l'etendue est egale ä η f o i s 1 ' I n t e r ­
v a l l e de classe fundamental, est representee avec une ordonnee
egale ä l ' e f f e c t i f de c e t t e classe d i v i s e par n, de t e l l e
s o r t e que l ' a i r e r e l a t i v e ä c e t t e classe söit b i e n p r o p o r t i o n -
n e l l e ä son e f f e c t i f .
Β.. Representations graphiques 17

. Exemple

Une enquete p o r t a n t sur l e s s a l a i r e s mensuels pergus dans

une c e r t a i n e e n t r e p r i s e a f o u r n i l e s renseignements s u i v a n t s :

Salaire mensuel en F. Effectifs

Entre 2 000 et 3 000 34

3 000 et 4 000 52
4 000 et 5 000 60
5 000 et 6 000 20
6 000 et 7 000 8
11
7 000 et 11 000 6

180

Tableau 2.11

La derniere classe, de 7 000 ä 11 000 F vaut 4 i n t e r v a l l e s

de classe, i l f a u t done reamenager sa p r e s e n t a t i o n a i n s i :

S a l a i r e mensuel en F. Effectifs

Entre 7 000 et 8 000 1,5

8 000 et 9 000 1,5
9 000 et 10 000 1,5
" 10 000 e t 1 1 000 1,5

Tableau 2.12

Cette r e p a r t i t i o n de l ' e f f e c t i f dans l a d e r n i e r e classe

ne correspond bien sur ä aueune r e a l i t e , e i l e conserve t o u t e -
18 Chapitre 2

f o i s un sens ä 1'histogramme et aux conclusions qu'on peut en

tirer.

s a l a i r e mensuel Figure 2.6

. Autre exemple

S a l a i r e s mensuels pergus
a l ' e c h e l l e n a t i o n a l e dans
1 ' I n d u s t r i e e t l e commerce
(Le Monde 8/3/77)

Les classes adoptees sont

inegales. Les ordonnees (axe
h o r i z o n t a l ) ne sont pas p r o -
f
portionnelles ä l e f f e c t i f .
E l l e s sont obtenues en d i v i -
sant l ' e f f e c t i f (represente
par l e s nombres encadres) par
l a classe correspondante.
 EXERCICES CHAPITRE 2 Β. REPRESENTATIONS GRAPHIQUES

I. On recense dans 1 000 hopitaux d'un pays europeen l e

!
cas d une maladie inconnue. On trouve l e s r e s u l t a t s s u i v a n t s

Nombre de malades 0 1 2 3 4 5

Nombre d'hopitaux 50 150 350 300 100 50

Representer graphiquement les donnees. Calculer l e s

frequences r e l a t i v e s .

SOLUTION

frequences frequences
absolues relatives
400 0,40

300 0,30

200- -0,20

100 0,10

nombre de
4 5 malades
20 Chapitre 2

Norabres de malades 0 1 2 3 4 5

!
Nombre d h o p i t a u x 50 150 350 300 100 50

Frequences r e l a t i v e s 0,05 11(11 lllil 0,30 0,10 0,05

On remarque que l a somme des frequences absolues est

1 000 e t que l a somme des frequences r e l a t i v e s est 1.

II. Reprendre l a s e r i e de l ' e x e r c i c e I precedent.

1°) C o n s t r u i r e un tableau donnant l e pourcentage d'hopitaux
oü l e nombre de malades e s t i n f e r i e u r ä 0, 1, 2, 3, 4, 5 ou
6. Representer graphiquement les donnees de ce tableau.
2°) C o n s t r u i r e un tableau donnant l e pourcentage d'hopitaux
oü l e nombre de malades e s t egal ou superieur ä 0, 1, 2, 3,
4, 5 ou 6, en f a i r e l a r e p r e s e n t a t i o n graphique..

SOLUTION

1°)

Nombre de malades Nombre

Pourcentage
inferieur ä d'hopitaux

0 0
1 50
2 200
3 550
4 850
5 950
6 1 000
Exercices Β. Representations graphiques 21

2°)

Nombre de malades Nombre

egal ou superieur ä d'hopitaux Pourcentage

0 1 000 100
1 950 95
2 800 80
3 450 45
4 150 15
5 50 5
6 0 0

0 1 2 3 4 5 6
22 Chapitre 2

III. Dans une usine, on a r e l e v e l e s h o r a i r e s d ' a r r i v e e de

800 personnes

t . = classe des [ 8 h 45 [ 8 h 50 [ 8 h 55 [ 9 h 00 [ 9 h 05
1
temps en heures 8 h 50] 8 h 55] 9 h 00] 9 h 05] 9 h 10]

n. = nombre
1 4 10 26 110 150
de personnes

t . = classe des [ 9 h 10 [ 9 h 15 [ 9 h 20 [ 9 h 25 [ 9 h 30
1
temps en heures 9 h 15] 9 h 20] 9 h 25] 9 h 30] 9 h 35]

n. = nombre
1 200 150 100 40 10
de personnes

1°) Representer 1'histogramme de c e t t e d i s t r i b u t i o n .

2°) Tracer l e polygone de frequences

SOLUTION

1°) Histogramme : courbe 1

2°) Folygone de f r e q u e n c e s
courbe 2
Exercices Β. Representations graphiques 23

f
IV. On e f f e c t u e l a n a l y s e de sang de 60 personnes q u i ont
manipule un gaz toxique. La mesure du taux de l e u c o c y t e s ,
3
par mm , donne les r e s u l t a t s suivants :

3000 $ X i < 4000 n. = 10

1

4000 < X. < 10000 = 48

ν 1

10000 £ X. < 12000 n. = 12

1 1

n. represente l e nombre de gens dont l e taux de leucocytes

1
3
par mm e s t X^. Representer 1'histogramme de c e t t e s e r i e
quantitative ä classes inegales.

SOLUTION
En adoptant un I n t e r v a l l e de classe de 1000, l a 2 erne
classe vaut 6 i n t e r v a l l e s de classe e t l a 3eme en vaut 2. En
e f f e c t u a n t une e q u i p a r t i t i o n de l ' e f f e c t i f e n t r e l e s d i f f e -
r e n t s i n t e r v a l l e s de classe, on o b t i e n t l e tableau s u i v a n t :

x n.
i 1

3000 < X
< 4000 10
i

4000 X < 5000 8

i
5000 X < 6000 8
i
6000 X
< 7000 8
i
7000 X < 8000 8
i
8000 X < 9000 8
i
9000 X < 10000 8
i

10000 X < 11000 6

i
11000 X. < 12000 6
1
 Ο

ro -t> σ> oo
_Ι I I I

3000 Ο
σο
4000
5000
6000
7000
8000
9000
10000
11000
12000

ο
&>
Ό
et
3. Analyse d'une distribution de frequences

Les p o i n t s de depart de c e t t e analyse ont ete exposes

dans l e c h a p i t r e precedent. I i s c o n s i s t e n t ä regrouper l e s
donnees, en procedant eventuellernent ä un decoupage en
classes (caractere c o n t i n u ) , e t ä presenter sous forme de
tableaux ou de graphes, l e s f o n c t i o n s de d i s t r i b u t i o n e t de
r e p a r t i t i o n correspondantes.
f
Fonction de distribution : on designe a i n s i l ensemble
des couples c o n s t i t u e s par les v a l e u r s du caractere e t l e s
frequences absolues ou r e l a t i v e s correspondantes. La r e p r e -
s e n t a t i o n graphique de c e t t e f o n c t i o n - appelee p a r f o i s d i a -
gramme d i f f e r e n t i e l - n'est autre que 1'histogramme ( v o i r f i g .
2.4) dont une p r o p r i e t e e s s e n t i e l l e e s t que l e s a i r e s des
differents r e c t a n g l e s sont p r o p o r t i o n n e l l e s aux e f f e c t i f s
correspondants.

Fonction de repartition : c ' e s t 1'ensemble des c o u p l e s

c o n s t i t u e s par une valeur du caractere e t
a) s o i t l a somme des e f f e c t i f s ayant moins que c e t t e
valeur du caractere (diagramme i n t e g r a l croissant)
b) s o i t l a somme des e f f e c t i f s ayant c e t t e v a l e u r du
caractere ou p l u s (diagramme i n t e g r a l decroissant).
Les graphes sont les courbes cumulatives respectivement
par v a l e u r s i n f e r i e u r e s e t par v a l e u r s superieures d e c r i t e s
precedemment ( v o i r tableau 2.10 e t f i g . 2.5).
26 Chapitre 3

La phase suivante e s t c e l l e de l a r e d u c t i o n des donnees,

q u i consiste ä s u b s t i t u e r ä l a d i s t r i b u t i o n etudiee, quelques
parametres en nombre r e d u i t , dont l e s valeurs numeriques don-
1
neront un resume r e l a t i v e m e n t süffisant de 1 i n f o r m a t i o n
contenue dans l a d i s t r i b u t i o n de frequences. Parmi ces para-
metres, on d i s t i n g u e :
a) l e s parametres de p o s i t i o n (moyenne, mediane, e t c . )
!
q u i permettent de se rendre compte de 1 o r d r e de grandeur de
1
l ensemble des observations e t de l o c a l i s e r l a zone des f r e -
quences maximum ;
b) l e s parametres de d i s p e r s i o n ( e c a r t moyen, ecart type,
q u i p r e c i s e n t l e degre de d i s p e r s i o n des d i f f e r e n t e s observa-
t i o n s autour d'une valeur c e n t r a l e .
Α. PARAMETRES DE POSITION

l, LES MOVENNES

La n o t i o n de moyenne e s t assez commune : i l e s t frequent

ie r e d u i r e un ensemble f i n i de nombres ä une "valeur moyenne"
f
a f i n de donner une idee de l o r d r e de grandeur des elements
ie cet ensemble. Cependant, i l e x i s t e p l u s i e u r s manieres de
c a l c u l e r une "valeur moyenne" suivant sa s i g n i f i c a t i o n .

1. La moyenne a r i t h m e t i q u e

Symbole de sommation :
x x u
Soit X j , *2> 3 ··· n ^ e s u i t e f i n i e de nombres. Par
definition
η
Σ χ. = χ + χ^ 4- χ + . +
ι 1 2 Η
3 0 χ
η
i=l
Les p r o p r i e t e s de ce symbole de sommation sont l e s s u i -
vantes :
- s i a est une constants, d'apres l a d e f i n i t i o n prece-
dente, on a immediatement :
η a
ηX i
Σ a x =
i Σ
i=l i=l
- en considerant l e cas oü x, = x~ = x = ... = χ , on en 0

1 2 3 n'
deduit :
η
Σ a = na
i=l
28 Chapitre 3

- s o i t Υ|, ··· Y n une autre s u i t e f i n i e de nombres.

D'apres l a meme d e f i n i t i o n , on a
η η η
Σ x
< i +
yO = Σ x
i +
Σ Vi
1=1 1=1 ι=1

D e f i n i t i o n de l a moyenne a r i t h m e t i q u e
Soit X j , *2 9 3 ··· χ η unes u is tu ei t e f i n i e de nombres. La
x x
n
u n e

moyenne a r i t h m e t i q u e e s t l e r a p p o r t :

χ, + χ η + χ- + ... + χ Λ η
1 2 3 η 1η (3. 1)
.^-j ι
i=l

Si chaque valeur χ^ a p p a r a i t η^ f o i s dans l a s e r i e , on peut

encore e c r i r e

X = - Τ n. x. (3.2}
• η 4τ· I i
ι
1
En remarquant que η./η η est a u t r e que l a frequence r e l a t i v e
f ^ correspondant ä l a v a l e u r x^, on a aus s i

X = Υ f .· x. (3.3}

. Exemple

Cas du tableau 2.1 r e p r i s en 3.1

Nombre 2 4 5 Total
0 1 3
d'enfants

Nombre de 16 18 14 1 1 3 2
families

Frequence
0,250 0,281 0,218 0,172 0,047 0,031
relative

Tableau 3.1

f
Le nombre moyen d'enfants par f a m i l l e e s t , d'apres l e q u a ­
t i o n (3.2)
Α. Parametres de p o s i t i o n 29

( 1 6x0) + (18x1) + (14x2)+(l1x3) +(3x4)+ (2x5) ,58 enfant

Χ = 64

ou encore, ä l ' a i d e de l ' e x p r e s s i o n (3.3)

X = (0,25x0)+(0,28lxl)+(0,218x2)+(0,172x3)+(0,047x4)+(0,031x5)
- 1,58 enfant.

2. Cas de donnees groupees en classes

On prend pour valeur de l e s centres de classes.

. Exemple

E x t r a i t du tableau 2.6.

Centres
- de 1,57 1,62 1 ,67 1,72 1,77 1 ,82 1 ,87
classes

Effectif 3 12 18 25 15 5 2

Tableau 3.2

La t a i l l e moyenne d'un i n d i v i d u dans c e t t e collectivite

est

j 7 _ (3xl ,57)+ (12xl ,62) +(18x1 ,67) +(25x1 ,72)+(15x1 ,77) +(5x1 ,82) +(2x1 ,87)
80
= 1,707 m

3. S i m p l i f i c a t i o n du c a l c u l de l a moyenne

a) Changement d ' o r i g i n e
!
On prend une moyenne p r o v i s o i r e arbiträire X , qu on es-
q

time e t r e aussi proche que p o s s i b l e de X, on s u b s t i t u e a l o r s

I l a v a r i a b l e x^, l a v a r i a b l e

u. = χ. - χ (3.4)
1 1 0
30 Chapitre 3

L E x p r e s s i o n (3.2) devient

X =- Τ η. χ. = - Υ η. (u. + χ )

X =ü + x Q (3.5)

Le c a l c u l de X r e v i e n t done au c a l c u l de u q u i peut e t i e plus

simple ( c f . exercices 3 A)
T
b) Changement d o r i g i n e e t d'echelle
T
Si 1 I n t e r v a l l e de classe k e s t constant, on peut le
prendre comme nouvelle u n i t e e t i n t r o d u i r e l e changement de
variable
x. - χ
Z i = ^ (3.6)

On a a l o r s
1
X = - Υ n. (x + k z.)
V
11 1 Ο l '

X = x + k z (3.7)
ο
Le c a l c u l de X r e v i e n t ä c e l u i de ζ q u i peut encore e t r e plus
simple ( c f . exercices 3 A ) .

4. P r o p r i e t e s de l a moyenne a r i t h m e t i q u e
f
a) La somme des d e v i a t i o n s d u n ensemble de donnees x^,
par r a p p o r t ä leur v a l e u r moyenne X, e s t n u l l e . En e f f e t :

]Tn, ( X i - X) = £ η. χ. - η X = 0 (3.8)

puisque * = ^ Σ i i ' n x

b) La moyenne a r i t h m e t i q u e des d e v i a t i o n s x^ - X e s t q

egale ä l a d e v i a t i o n de l a moyenne a r i t h m e t i q u e des x^ par

rapport ä X . Q

χ
- Υ η. (χ. - χ ) = ~ y n . χ. - _° y . = χ - χ
n
A. Parametres de p o s i t i o n 31

5. La moyenne geometrique

Considerons une p o p u l a t i o n (au sens c l a s s i q u e ) q u i s'ac-

c r o i t suivant une p r o g r e s s i o n geometrique. Ce sera l e cas,
par exemple, d'une p o p u l a t i o n dont l e s taux de n a t a l i t e e t de
m o r t a l i t e sont constants pendant l a periode envisagee.
Soient r l e taux de croissance sur une periode
X q l ' e f f e c t i f de l a p o p u l a t i o n ä l a date i n i t i a l e t Q

χ l ' e f f e c t i f de l a p o p u l a t i o n ä l a date t , c'est ä

η η'
d i r e au bout de η periodes.
On a a l o r s
X = X r
l o 2

x = x. r = x r , e t c . e t par recurrence
0 r
2 1 ο
η
χ = χ r
η ο
Si η e s t p a i r , l e m i l i e u des η periodes sera l a date t ^ oü
Ρ - η/2.
χ e
On appelle moyenne geometrique des ( ^ ) ^ terme c o r r e s -
pondant ä t ^ , soit
n/2
g = x o r

On montre que c e t t e moyenne geometrique e s t donnee par

1 / n + 1
g - ( x x Xj χ x o 2 χ ... x x ) n (3.9)

En e f f e t c e t t e d e r n i e r e expression s ' e c r i t
1 1 1 1 1 1
g=(x
& v
xx r x x r^x...xx r ) / *
ο ο ο ο
n+1 1+2+...+n 1/n+l
= (χ x rt
) N

ο '
n + o n o b t e n t
et en u t i l i s a n t l a r e l a t i o n l+2+...+n = ^ ^ i

g = (x o
n + 1
χ r n
Cn+l)/2 l/n l _ ^
) + n/2

On peut remarquer, ä p a r t i r de l'expression ( 3 . 9 ) , que l e l o -

garithme de g η'est autre que l a moyenne a r i t h m e t i q u e des l o -
χ
garithmes des ( ^)·
32 Chapitre 3

6. Moyenne harmonique

S o i t une s u i t e f i n i e de nombres
X X
{ x j , ^29 ß ··· f t ^
1
et l ensemble des inverses de ces nombres

{ _L, J_, _L,..., ± }

X x X
x
l 2 3 n
I I a r r i v e que ce s o i t l a moyenne a r i t h m e t i q u e de ces inverses
qui a i t une s i g n i f i c a t i o n , p l u t o t que c e l l e de 1'ensemble i n i -
t i a l , par exemple dans l e cas de grandeurs inversement p r o -
portionnelles.
On appelle moyenne harmonique des x^ (supposes non n u l s )
!
1 i n v e r s e de l a moyenne a r i t h m e t i q u e des inverses ( — ) , s o i t
i
h = (3.10)
.^-ί χ.
1=1 ι
. Exemple

Une v o i t u r e parcourt un c i r c u i t ferme ä une v i t e s s e de

10 km/h durant l e 1er t o u r , de 20 km/h durant l e second, de
30 km/h durant l e 3eme tour. Determiner l a v i t e s s e moyenne
de l a v o i t u r e durant l e s t r o i s tours.
S o i t I l a longueur du c i r c u i t (en km). La dutee t o t a l e
des 3 parcours e s t

t = — + — + —
10 20 30
La v i t e s s e moyenne ν recherchee e s t done
3 i · 3 i 3
= 16,6 km/h
10 20 30 10 20 30
On v e r i f i e aisement que t o u t autre c a l c u l de moyenne condui-
r a i t ä un r e s u l t a t errone.
Α. Parametres de p o s i t i o n 33

7. Moyenne quadratique
f
I I a r r i v e que l e s (x^) i n t e r v i e n n e n t par l ensemble de
leurs carres
; 2 2 2 2,
x X X
1 ' 2 ' 3 "* * n
!
comme par exemple, en thermodynamique oü l o n montre que l a
!
temperature absolue d u n gaz e s t l i e e aux carres des v i t e s s e s
des molecules de ce gaz.
On d e f i n i t l a moyenne quadratique des (χ·) comme e t a n t l a
1
2
r a c i n e carree de l a moyenne arithmetique des ( x ^ ) , s o i t

(3.11)

On montre que l e s d i f f e r e n t e s moyennes v e r i f i e n t l e s i n e -

galites

h £ g £ x £q

( l e s e g a l i t e s ayant l i e u lorsque tous l e s nombres (x^) sont

identiques).

II. LA MEDIANE

1. Definition

La mediane est l a v a l e u r du caractere M g telle qu'il y

a i t autant d ' i n d i v i d u s pour lesquels l e caractere e s t i n f e r i e u r
ä M e que d ' i n d i v i d u s pour lesquels l e caractere e s t superieur
ä Μ.
e
Pour determiner l a mediane, i l e s t done necessaire de
considerer l e s e f f e c t i f s cumules c r o i s s a n t s ou decroissants
et de chercher, l e cas echeant par i n t e r p o l a t i o n , l a v a l e u r du
caractere correspondant ä 50 % de l ' e f f e c t i f total.
34 Chapitre 3

2. Exemple

Dans l e cas de l a s e r i e groupee en classes du tableau 2 6

( r e p r i s en 3.3), on determine d'abord, ä p a r t i r des e f f e c t i f *
cumules, l a classe contenant l a mediane, puis l a v a l e u r de 1<
mediane par i n t e r p o l a t i o n l i n e a i r e dans c e t t e classe. *

Centres Effectifs Effectifs

Classes Limites de Effectifβ cumules cumules d*~
classe croissant

1,545 80
1,55-1,59 1,57 3
1,595 3 77
1,60-1,64 1,62 12
1 ,645 15 65
1,65-1,69 1 ,67 18
1,695 33 47
1 ,70-1,74 1,72 25
1 ,745 58 22
1,75-1 ,79 1,77 15
1 ,795 73 7
1,80-1 ,84 1 ,82 5
1 ,845 78 2
1,85-1 ,89 1 ,87 2
1 ,895 80
80

Tableau 3.3

La m o i t i e de l ' e f f e c t i f t o t a l est 40. Sur l e s e f f e c t i f s

cumules c r o i s s a n t s , on v o i t que 33 personnes ont une t a i l l e
i n f e r i e u r e ou egale ä 1,695 m. L ' i n t e r p o l a t i o n l i n e a i r e dans
l a classe 1,695-1,745 dont l ' e f f e c t i f est de 25 personnes,
donne pour l a mediane

M e = , > 6 9 5 + 0,05 * ( 4 0 - 33)

2 = , > 6 9 5 + 0 ) 0 1 4 . , > 7 0 9 b
A. Parametres de p o s i t i o n 35

3. Determination graphigue de l a mediane

1
a) ä p a r t i r de 1 histogramme

Etant donnee l a s i g n i f i c a t i o n de l ' a i r e de 1'histogramme,

l a mediane η'est autre que l a v a l e u r du c a r a c t e r e q u i coupe
1'histogramme en deux p a r t i e s de surfaces egales.
1
. Exemple de l histogramme de la figure 2.4 ( r e p r i s e dans l a
f i g . 3.1).

frequence frequence
absolue relative
30-

20. -0,25

10 _

Figure 3.1
A in m \<d to
<j- ON V <f
hi S
00
taille

b) ä p a r t i r des polygones des e f f e c t i f s cumules

La mediane e s t representee par l a valeur du c a r a c t e r e c o r -
respondant ä 1 ' i n t e r s e c t i o n
- s o i t de l a courbe des e f f e c t i f s cumules c r o i s s a n t s e t
de l a courbe des e f f e c t i f s cumules decroissants
- s o i t de l'une des deux courbes precedentes avec 1 ' h o r i -
zontale representant l ' e f f e c t i f m o i t i e .

. Exemple de la figure 2.5 ( r e p r i s e dans l a f i g . 3.2)

36 Chapitre 3

Figure 3.2

III. LES PERCENTILES

Le kieme p e r c e n t i l e e s t l a v a l e u r du caractere C^
- t e l l e que l'ensemble des i n d i v i d u s dont l e caractere est
au plus egal ä C^ represente l e s k % de l ' e f f e c t i f total
- t e l l e que l'ensemble des i n d i v i d u s dont l e caractere est
au moins egal ä C^. represente l e s (100 - k ) % de l ' e f f e c t i f total
Parmi les p e r c e n t i l e s , on d i s t i n g u e
les d e c i l e s , pour lesquels k = 10, 20, 30, ...
C = D C = D
10 l 2 0 2 ·'·
e s
^ q u a r t i l e s , pour lesquels k = 25, 50, 75
C 25 = Q, C 50 = Q 2 C ?5 = Q 3

l a mediane, pour l a q u e l l e k = 50, C ^ = Me = =

Le c a l c u l des d i f f e r e n t s p e r c e n t i l e s e s t tout ä f a i t ana-

logue ä c e l u i de l a mediane.
Α. Parametres de p o s i t i o n 37

• Exemple

Calcul du 3eme q u a r t i l e pour l a d i s t r i b u t i o n du t a ­

bleau 3.3.
Les 75 % de l ' e f f e c t i f t o t a l correspondent ä 60 personnes.
Sur l e s e f f e c t i f s cumules c r o i s s a n t s , on v o i t que 58 personnes
ont une t a i l l e i n f e r i e u r e ou egale ä 1,745 m. Pour les 2 per-
sonnes q u i manquent, on f a i t une i n t e r p o l a t i o n l i n e a i r e dans
l a classe 1,745-1,795 dont l ' e f f e c t i f est de 15 personnes. On
o b t i e n t done :

Q 3 = 1 ,745 + — - * 1 ,745 + 0,006 = 1,75 1 m

IV. MODE OU DOMINANTE

C'est l a v a l e u r du c a r a c t e r e correspondant ä l a frequence

maximum.
Une d i s t r i b u t i o n peut präsenter p l u s i e u r s modes : on d i t
q u ' e l l e est plurimodale.

. ExempleA

1. Diagramme en batons de l a f i g u r e 2.1 :

Le mode est v i s i b l e m e n t D = 1 enfant.
2. Histogramme de l a f i g u r e 2.4 :
On adopte pour mode l e c e n t r e de classe de l a classe mo-
dale D = 1,72 m.

V. COMPARAISON DES DIFFERENTS PARAMETRES DE POSITION

La moyenne a r i t h m e t i q u e e s t peu sensible aux f l u c t u a t i o n s

d'echantillonnage. E l l e se p r e t e b i e n aux comparaisons. Des*
valeurs aberrantes peuvent t o u t e f o i s l a m o d i f i e r sensiblement.
La mediane e s t plus s e n s i b l e aux f l u c t u a t i o n s d ' e c h a n t i l -
lonage, e i l e l ' e s t moins ä des v a l e u r s aberrantes. T o u t e f o i s ,
e i l e se p r e t e moins bien ä des c a l c u l s algebriques.
38 Chapitre 3

Le mode est r e p r e s e n t a t i f de l a valeur du caractere I i

p l u s courant, l e plus t y p i q u e , mais i l peut presenter une :er-
t a i n e ambiguite.
En p r a t i q u e , i l est frequent que parmi ces t r o i s para-
! f
metres, l e choix de l u n ne s impose pas plus que l e choix de
f
l a u t r e . La comparaison des t r o i s permet de se f a i r e une iiee
1
plus complete de l a d i s t r i b u t i o n . L i n t e r p r e t a t i o n des positions
r e l a t i v e s de ces parametres est p a r f o i s plus immediate que c e l l e
des parametres de d i s p e r s i o n q u i seront l ' o b j e t de l a f i n i e ce
chapitre.
Β. PARAMETRES D E D I S P E R S I O N

Les parametres de p o s i t i o n sont i n s u f f i s a n t s pour carac-

t e r i s e r completement une s e r i e . Par exemple, deux s e r i e s
d i f f e r e n t e s ayant l a meme moyenne, ne se r e p a r t i s s e n t pas
necessairement de l a meme maniere autour de c e t t e moyenne.
E l l e s sont plus ou moins e t a l e e s , ce q u i sera d e c r i t par l e s
" c a r a c t e r i s t i q u e s de d i s p e r s i o n .
Un parametre de d i s p e r s i o n se rapporte ä l a d i f f e r e n c e
de deux valeurs du caractere a l o r s qu'un parametre de p o s i -
t i o n represente une valeur du caractere. On d i s t i n g u e l e s
notions suivantes :
d e v i a t i o n : d i f f e r e n c e algebrique de deux valeurs du carac-
t e r e , par exemple x^ - X ;
ecart : valeur absolue de l a d i f f e r e n c e de deux v a l e u r s du
c a r a c t e r e , par exemple |x^ - x| ;
I n t e r v a l l e de v a r i a t i o n , etendue (ou range) : d i f f e r e n c e
entre l e s valeurs extremes du caractere ;
ecart i n t e r q u a r t i l e : d i f f e r e n c e entre l e 3eme e t l e 1er
f
quartiles, c est ä dire - Qj ( v o i r paragraphe prece-
dent pour l a s i g n i f i c a t i o n des quartiles).
f
Rappel : l a somme des d e v i a t i o n s d u n ensemble de donnees x^
par rapport ä l e u r valeur moyenne X, est n u l l e . En e f f e t ,
!
d'apres 1 e q u a t i o n (3.8)

Σ η. (x i - X) - Σ n x
i i - n
X - 0
i i
40 Chapitre 3

I. ECART MOYEN ARITHMETIQUE

. Definition
T
L e c a r t moyen arithmetique e s t l a moyenne arithmetique
des e c a r t s par rapport ä l a moyenne arithmetique des valeurs
du caractere

Ε =- Υ n. |x. - Xl
1 1 (3. 12)
η Ar* ι ι
1

A p a r t i r du tableau 3.3, en prenant X = 1,707 m, on

o b t i e n t l e tableau suivant :

Centres de classes n. l * i - Xl ni Κ - x|
1
1

1,57 3 0,137 0,41 1

1,62 12 0,087 1,044
1,67 18 0,037 0,666
1,72 25 0,013 0,325
1,77 15 0,063 0,945
1,82 5 0,113 0,565
1,87 2 0,163 0,326

80 Total 4,282

Tableau 3.4

1 =
i Σ n
i l i - ^ « jo * >
x 4 2 8 2 05
- °> 3 m

II. VARIANCE. ECART-TYPE

1. Variance

La variance d'une s e r i e de valeurs du caractere e s t l a

Β. Parametres de d i s p e r s i o n 41

moyenne a r i t h m e t i q u e des carres des ecarts de ces v a l e u r s par

rapport ä l e u r moyenne a r i t h m e t i q u e .
n
Σ i X) 2
(3. 13)

Les carres des d i f f e r e n c e s e v i t e n t 1 ' u t i l i s a t i o n de v a l e u r s

absolues. Les dimensions de V sont Celles du caractere au
carre. I I f a u t done en e x t r a i r e l a r a c i n e carree pour o b t e n i r
un parametre c a r a c t e r i s t i q u e des e c a r t s .

2. Ecart-type
f
L e c a r t - t y p e (ou e c a r t quadratique moyen) e s t l a r a c i n e
carree de l a v a r i a n c e '

σ = ΛΓ (3. 14)
f
,C est l e plus s i g n i f i c a t i f de tous l e s parametres de d i s p e r ­
sion.

. Exemple
A p a r t i r du tableau 3.4, avec X = 1,707 m on o b t i e n t l e
tableau s u i v a n t :

Centres de classes η. (Xi -x) 2

n± (xv - X ) 2

χ. 1
1

1,57 3 0,01877 0,05631

1 ,62 12 0,00757 0,09084
1,67 ίδ 0,00137 0,02466
1,72 25 0,00017 0,00425
1,77 15 0,00397 0,05955
1 ,82 5 0,01277 0,06385
1 ,87 2 0,02657 0,05314

80 Total 0,35260

Tableau 3.5
42 Chapitre 3

V = ~ Σ n
i ( i - > x x 2
= x
0>35260 = 0,0044

σ = /V = 0,066 m

3. Methodes rapides de c a l c u l de l ' e c a r t - t y p e

a) Autre expression de l a variance :

2 2
V = X - X (3. 15)

En e f f e t , l a sommation sur l e s carres des e c a r t s ä l a moyenne

s'ecrit :
η 2 2+ 2 x x
Σ (*ι - χ) = Σ *ι Σ χ- 2 Σ i
i= 1
= Σ x i
2 +
n X 2
- 2 X n X

- Σ x i 2 - π χ2

en remplagant Σ i P
x ar n X
" ^ a r c o n s
equent, o n a
pour lc
variance
2 2 2
ν= ι y (χ. - χ) = J- y χ. - χ =Χ2 -2
- Χ
η .^-»
ι=1 ι ' η ι

et - φΧ
σ =ν/ 2
- Χ 2
(3.16)

b) Changement de v a r i a b l e

Comme pour l a moyenne, on peut u t i l i s e r s u i v a n t l e s cas,

un changement d ' o r i g i n e (equ. 3.4)
u. = x. - χ
ι ι ο
un changement d ' e c h e l l e , ou l e s deux ä l a f o i s (equ. 3.6)
x. - χ
ι ο
z
i k —
oü k est 1 ' I n t e r v a l l e de classe. On o b t i e n t dans l e 2eme cas
χ = k ζ + χο Λ

x =k ζ + χ + 2 k x ζ
ο ο
Β. Parametres de d i s p e r s i o n 43

2 2 2 2 —
Χ = k ζ + x + 2 k χ ζ
ο ο
Χ = k ζ +χ
ο
—2 2 —2 2 —
Χ =k z + x + 2 k x ζ
ο ο
et pour l a variance
~~2 —2 2 ~~2 —7
V = X - X
Z
= k (z - z ) (3. 17)

Le premier cas, du changement d ' o r i g i n e seulement, se d e d u i t

du deuxieme en f a i s a n t k = 1.

I I I . MOMENTS D'UNE SERIE STATISTIQUE

Definition
f
On appelle moment d o r d r e q par rapport ä χ , l a moyenne
a r i t h m e t i q u e des puissances qiemes des d e v i a t i o n s des valeurs
du caractere par r a p p o r t ä X : Q

m q
q = i Σ ^ <*. - x ) o (3. .8)

Cas p a r t i c u l i e r s :
!
a) X = 0, q - 1, l e moment n e s t autre que l a moyenne
Q

arithmetique.

b) X q = X , q = 2, l e moment n'est a u t r e que l a variance.

Remarque
Tout comme l e s parametres de d i s p e r s i o n permettent de
representer l a d i s t r i b u t i o n s t a t i s t i q u e plus fidelement que
les seuls parametres de p o s i t i o n , l e s moments d*ordre q
superieurs ä 2 ameliorent encore c e t t e r e p r e s e n t a t i o n . Tou-
t e f o i s , on se l i m i t e generalement ä q = 1 e t q = 2.
EXERCICES CHAPITRE 3 Α. PARAMETRES DE POSITION

?
I. Les r e s u l t a t s d u n c e r t a i n processus a l e a t o i r e sont des
nombres e n t i e r s η que l'on a classes suivant 1'histogramme
c i - c o n t r e ( f i g . 1)
1°) C a l c u l e r l a valeur mo­
yenne. Quel e s t l e mode ?
Quelle e s t l a mediane ?
2°) Tracer l e polygone des
frequences e t l e polygone des
frequences r e l a t i v e s cumulees
c r o i s s a n t e s . Retrouver l a valeur
de l a mediane.
Figure 1

SOLUTION

1°) La moyenne m est donnee par l a r e l a t i o n

yn.m.
L
ι ι d'ou
ν 1

~ 2x1+10x2+5x3+2x4+1x5
m = · 50 = 2 5
2+10+5+2+1 20 Z
^

- Le mode est 2, c ' e s t

l a v a l e u r de m^ oü n^ e s t
maximum. 10- courbe 1
- La mediane e s t l a
v a l e u r de q u i partage courbe 2
l ' a i r e S de 1'histogramme
en deux p a r t i e s egales
( f i g . 2, courbe 1). On
trouve Me = 2,3 Figure 2
Exercices Α. Parametres de p o s i t i o n 45

2°) Le polygone des frequences est represente sur l a f i g u r e

2, courbe 2.
Le polygone des frequences r e l a t i v e s cumulees c r o i s ­
santes est donne par l a f i g u r e 3.

frequences frequences
relatives absolues
cumulees cumulees

m
Figure 3 5 i

La v a l e u r de l a mediane est directement determinee sur

l e diagramme des frequences r e l a t i v e s cumulees, oü e i l e cor-
respond ä l a v a l e u r du caractere ayant pour ordonnee
2*

II. Les pesees de 50 nouveaux-nes dans une m a t e r n i t e ont

pennis d ' e t a b l i r l e tableau suivant :

Frequences ab-
Classes Centre de Frequences
solues cumulees
en kg classe absolues
croissantes

2,0 - 2,4 2,2 6 6

2,4 - 2,8 2,6 10 16
2,8 - 3,2 3,0 20 36
3,2 - 3,6 3,4 10 46
3,6 - 4,0 3,8 4 50
46 Chapitre 3

On suppose que dans chaque classe, l e s poids sont r e -

p a r t i s uniformement entre l e s nouveaux-nes correspondants.
1°) Calculer l e s q u a r t i l e s Q j , e t Q^.
2°) Retrouver ces r e s u l t a t s ä p a r t i r du diagramme des f r e -
T
quences absolues cumulees c r o i s s a n t e s , oü l o n f e r a figurer
les frequences r e l a t i v e s correspondant ä Q j , Q e t Q^. 2

3°) Determiner l e 4eme c e n t i l e .

SOLUTION

1°) Qj correspond ä l a classe q u i c o n t i e n t l e quart de l ' e f -

f e c t i f t o t a l , s o i t ^ = 12,5 = 6 + 6 , 5
Done Qj a p p a r t i e n t ä l a classe [ 2 , 4 - 2,8] . On aura :
2
Qj = 2,4 + — — 1 Q = 2,66 kg
Le lerne q u a r t i l e (ou mediane) Q£ correspond ä l ' e f f e c t i f
cumule c r o i s s a n t 4 p = 25 = 16 + 9. Done Q2 a p p a r t i e n t ä l a
0 > 9 = 2 9 8 K G
classe [ 2,8 - 3,2] . D'ou Me = Q
2 = 2,8 + 2 Q * > *
De l a meme maniere
Q 3 = 3,2 + J Q — ~ = 3,26 kg

2°) Diagramme des frequences absolues c r o i s s a n t e s .

•
On remarque que, frequences
frequences relatives
par rapport aux f r e - " absolues cumulees
cumulees
quences r e l a t i v e s cu- 40
mulees c r o i s s a n t e s , 0,75
30--

\
Qj y Q > Q3 correspon-
2

d e n t t o u j o u r s aux 0,5
valeurs des abscisses
dont l e s ordonnees 0.25

sont respectivement
T" '—*
0,25, 0,5 e t 0,75. 2,2 2,6 3,0 3,4 3,8
Exercices Β. Parametres de d i s p e r s i o n 47

3°) Le 4eme c e n t i l e correspond ä l a classe q u i c o n t i e n t

l ' e f f e c t i f cumule x 4 = 2, c'est ä d i r e ä l a premiere
classe [ 2 , 0 - 2,4] . On en deduit
> 4 X 2
C 4 = 2,0 + ° 6 = 2,13 kg.

EXERCICES CHAPITRE 3 B * PARAMETRES DE D I S P E R S I O N

I. Sur 1 000 e l e c t e u r s , on observe :

401 electeurs dont l'age e s t compris entre 20 e t 40 ans
368 " " " " " " 40 e t 60 ans
11
231 " " " " " 60 e t 80 ans
Determiner l a moyenne e t l ' e c a r t - t y p e de c e t t e s e r i e .

SOLUTION

2
Age Centre X £ n n
i X
i
i

[ 20 - 40] 30 401 12030 360900

[ 40 - 60] 50 368 18400 920000

[ 60 - 80] 70 231 16170 1131900

46600

Σ η. χ.
1 1
n , .ν i 46600 ,, ,
= = 4 6 6 a n s
ΊοδΤ '
1
1
48 Chapitre 3

f
Avant de c a l c u l e r l e c a r t - t y p e σ, calculons l a v a r i a n c e V
~T —2
V = χ - χ avec
_ Σ η . x.2
2 i 1 1 2 4 1 2 8 0 0
χ = - - 9412 8 2 4 1 2 8
Ση. " 1000 " '

et X = 2171,56 d'oü
V = 2412,8 - 2171,56 = 241 ,24
On en d e d u i t
σ = /V = 15,53 •

II. S o i t une grandeur X t e l l e que Χ = 2 Xj + 3 Χ · 2

Les r e s u l t a t s des mesures sur Xj et X 2 ont donne r e s -

pectivement
Xj = 5, 10, 15 et X 2 = 3, 5, 7
1°) Calculer l a v a l e u r de l a moyenne arithmetique de X j , X,
puis de X.
2 2 2
2°) Calculer l e s variances V , = σ. , V = σ et V = σ . ? 9

SOLUTION

,.) χ, = 5 + 1 0 + 1 5 _ ) 0 ^ . i l j i ! . 5

d'oü Χ = 2 Χ + 3 Χ 2 = 20 + 15 = 35

V e r i f i c a t i o n : l e s d i f f e r e n t e s v a l e u r s de X sont Χ = 19, 35, 51

1 9 + 3 5 + 5 1
d . o ü χ - 3 = 35
2 2 5 2 2 5
2 ») a ) ν, - σ,2 - ^ 2 - Χ, avec 7? = * '°° + = ψ
„ 2 350 ,.2 50
σ
ι =—" 1 0
=—
, . ,, „ 2
b) V = σ
~~2
= Χ
- 2
- Χ
~7Ί = 9 + 25
avec Χ ^
+ 49 83
= -j-
2 2 2 2 2

„ 2 83 Λ 8
3
5 =
°2 - Τ ~
Exercices Β. Parametres de d i s p e r s i o n 49

c) V X 2
= (2 Xj + 3 X ) 2
2
(2 X, + 3 X ) 2

2 2 2 2
= 4 X j + 9 X +12 X ^ - 4 2 X j - 9 X -12 X .X 2 2

σ = 4 Oj +9 σ 2 +12 (XjX χ,·χ ) 2

5 x 3 + 1 0 x 5 + 1 5 x 7 170
Χ,Χο
3
170 20
Χ,Χο χ χ 5 x 10
Γ 2
3 3

α 2
= 4 χ f + 9 χ f + 12 χ f = ψ

I I I . On a r e l e v e l e s nombres d ' a l l u m e t t e s contenues r e s p e c t i -

vement dans 20 b o i t e s , l o r s d'un c o n t r o l e dans une usine de
f a b r i c a t i o n . Les r e s u l t a t s sont l e s s u i v a n t s : 40, 42, 32, 38,
40, 48, 30, 38, 36, 40, 34, 40, 34, 40, 38, 40, 42, 44, 36,42.
1
1°) Ranger ces r e s u l t a t s en classes d I n t e r v a l l e 4 a l l u m e t t e s ,
borne superieure exclue.
!
2°) Tracer 1 histogramme de c e t t e d i s t r i b u t i o n .
3°) Calculer l a moyenne e t l ' e c a r t - t y p e de c e t t e s e r i e .
f T
4°) Calculer l e s moments d'ordre 1, d o r d r e 2 e t d o r d r e 3
par rapport ä l a v a l e u r moyenne χ = 39,6.

SOLUTION
Nombre de b o i t e s
1°) Classes x-
correspondant

[ 30 - 34 [ 2
[ 34 - 38 [ 4
[ 38 - 42 [ 9
[ 42 - 46 [ 4
[46 - 50 [ 1
50 Chapitre 3

2°) Histogramme de l a d i s t r i b u t i o n

30 34 38 42 46 50 x.

3°) C a l c u l de l a moyenne e t de 1'ecart-type.

x 4 0
i "
Choisissons une v a r i a b l e p r o v i s o i r e t ^= ^

variable, 1
provisoire
Centres d# E f f e c t i f X i - 40
Classes classes χ- »i t
i

30-34 32 2 - 2 - 4 + 8

34-38 36 4 - 1 - 4 + 4

38-42 40 9 0 0 0

42-46 44 4 + 1 + 4 + 4

46-50 48 1 + 2 + 2 + 4

? i h
2
n β Σ η, t . -
1 χ:
1 20
20
- 2
Exercices Β. Parametres de d i s p e r s i o n 51

On c a l c u l e a l o r s simplement :

1 et
t
-ri7—--2o--°»
ι
- ' Η h2
Σ

1
Ση· 20
ι
ι
2 2 2
d'oü V = t - t = 0,99 = o t

1
De l e x p r e s s i o n de t ^ , on d e d u i t χ. = 4 + 40
f
d o u χ = 4 t + 40 = - 0,4 + 40
χ = 39,6 a l l u m e t t e s .
D'apres l a r e l a t i o n (3.17) on d o i t a v o i r
2 9 ~2 —2 2 2
σ = k v
(t - Ο = k σ / = 16 χ 0,99 = 15,84
χ t
f
d o u σ = /15,84 = 3,98
χ ' '

!
4°) D'apres l e x p r e s s i o n (3.18), l e moment d'ordre q par
rapport ä x Q e s t egal ä
l
m = — χ)
q Ν ο

x -39,6
£ »£(»£-39,6)-

2 " 7,6 - 15,2 57,76 115,52 - 438,976 - 877,952

4 " 3,6 - 14,4 12,96 51 ,84 - 46,656 - 186,624
9 + 0,4 + 3,6 0,16 1 ,44 + 0,064 + 0,576
4 + 4,4 + 17,6 19,36 77,44 + 85,184 • 340,736
1 + 8,4 - 8,4 70,56 70,56 + 592,704 • 592,704

20 316,80 - 130,56
52 Chapitre 3

a) " > j - j 2 n . ( X i - 39,6) = 0

i
Ceci est normal car ^ Σ η. χ. = χ e t done 77 Σ η. χ. = ~ Σ η. χ
N i l Ν 1 1 Ν 1

2
b) m 2 =I Σ n L (χ._ - 3 9 , 6 ) = ^ | ^ ° - = 15,84
i
2
Ce n'est autre que l a variance σ .
3
c) m = ~ Σ η . (χ. - 3 9 , 6 ) = - 6,528.
3 •
i

IV. On reprend l e t a b l e a u 3.2 du cours, s o i t

Centres En e f f e c t u a n t l e changement
Classes de Effectif X >7
de v a r i a b l e ζ = Q Q<! ,
classes
c a l c u l e r ζ, V (ζ), σ (ζ) ;
1,55-1,59 1,57 3
en deduire χ, V ( x ) e t σ (χ)
1,60-1,64 1 ,62 12
1,65-1,69 1,67 18
1,70-1,74 1,72 25
1,75-1,79 1,77 15
1,80-1,84 1,82 5
1,85-1,89 1 ,87 2

SOLUTION
T
En f a i s a n t X Q = 1,7 e t k = 0,05 q u i c o n s t i t u e l i n t e r -
v a l l e de classe, on o b t i e n t l e tableau de l a page suivante.

X 12 = 15
!=M °>
2
z = χ 142,8 = 1,785
2 2 2 2 2
V (z) = k ( z - z ) = 0,05 [ 1,785 - (0, 1 5 ) ]
= 0,0044

σ (ζ) = \/v (ζ) = 0,066 m

Exercices Β. Parametres de d i s p e r s i o n 53

Centres de 2 2
η. ζ. η. ζ. ζ. η. ζ.
classes χ. 1 1 1 1 1 1 1
r

1,57 3 - 2,6 " 7,8 6,76 20,28

1 ,62 12 - 1,6 - 19,2 2,56 30,72
1 ,67 18 - 0,6 - 10,8 0,36 6,48
1,72 25 0,4 10 0,16 4,00
1,77 15 1,4 21 1 ,96 29,40
1,82 5 2,4 12 5,76 28,80
1,87 2 3,4 6,8 1 1 ,56 23, 12

80 142,80

Χ ] y 7
Si ζ = ~ Q 5 alors χ = 0,05 ζ + 1,7

Par s u i t e χ = 0,05 1 + 1 , 7 = 0,05 x 0,15 + 1,7 - 1,708

2 4
et V (χ) = ( 0 , 0 5 ) V (ζ) = 0 , 1 1 . 10~
2
d'oü σ (χ) = 0,33 . 1θ"
4. Analyse combinatoire

!
L analyse combinatoire comprend un ensemble de methodes
qui permettent de determiner l e nombre de tous l e s r e s u l t a t s
!
possibles d une experience p a r t i c u l i e r e . La connaissance de
ces methodes de denombrement e s t indispensable au c a l c u l des
p r o b a b i l i t e s q u i c o n s t i t u e l e fondement de l a s t a t i s t i q u e .

P r i n c i p e general

Si une experience complexe r e s u l t e de l a r e a l i s a t i o n

dans un c e r t a i n o r d r e , d'une premiere experience simple pou-
T
vant conduire ä n^ r e s u l t a t s d i f f e r e n t s , s u i v i e d une deuxieme
experience simple pouvant conduire ä n 2 resultats differents,
!
puis d une t r o i s i e m e experience e t a i n s i de s u i t e , l e nombre
!
de r e s u l t a t s d i s t i n c t s possibles de 1 experience g l o b a l e est
egal ä
η = nj x n 2 x n 3 x .. . (4.1)

Un moyen p r a t i q u e pour i l l u s t r e r c e t t e formule e t denom-

1
brer l e s r e s u l t a t s possibles d'une s u i t e d experiences con-
s i s t e ä u t i l i s e r un diagramme en arbre.

. Exemple
1
On r e a l i s e dans l o r d r e , l e s 3 experiences suivantes :
- on lance un de ( r e s u l t a t s possibles : nombre p a i r , nombre
impair)
!
- on t i r e au hasard une couleur d u n j e u de cartes ( r e s u l t a t s
possibles : t r e f l e , carreau, coeur, pique)
- on lance une piece ( r e s u l t a t s possibles : p i l e , face).
1
Denombrer tous l e s r e s u l t a t s d i s t i n c t s de l e x p e r i e n c e g l o b a l e .
56 Chapitre 4

. Autre exemple
1
Un Systeme d i m m a t r i c u l a t i o n comprend 4 c h i f f r e s dont l e
ler est d i f f e r e n t de 0, s u i v i s de 2 l e t t r e s d i s t i n c t e s e t d i f -
!
ferentes de I e t 0. Determiner l e nombre de plaques d imma-
t r i c u l a t i o n possibles.
En assignant une case ä chaque c h i f f r e ou l e t t r e , on
v o i t qu'on peut a t t r i b u e r 9 c h i f f r e s d i f f e r e n t s ä l a lere
case, 10 aux 3 cases s u i v a n t e s , 24 l e t t r e s d i f f e r e n t e s ä la
5eme case e t 23 seulement ä l a d e r n i e r e case, puisque l e s deux
l e t t r e s doivent e t r e d i s t i n c t e s . Le nombre de plaques d i f f e -
rentes est done :
η = 9 x 10 x 10 x 10 x 24 x 23 = 4 968 000
Α. ARRANGEMENTS

I. DEFINITION

On appelle arrangement de η elements p ä p (ρ £ η ) , t o u t

ensemble ordonne de ρ de ces elements, tous d i s t i n c t s . Un
arrangement e s t done c a r a c t e r i s e par l a nature des elements
ou par l e u r ordre.

• Exemple

Ensemble de 4 l e t t r e s a, b, c, d.
Les groupements abc, abd, bac, ... c o n s t i t u e n t des a r ­
rangements de ces 4 l e t t r e s 3 ä 3, l e s groupements ab, ad,
ba, ... c o n s t i t u e n t des arrangements de ces 4 l e t t r e s 2 ä 2.
P
• Calcul de Aη
P 1
On designe par A l e nombre t o t a l d arrangements d i s ­
t i n c t s de η elements p ä p .
Tout arrangement de ρ o b j e t s peut e t r e c o n s t r u i t de l a
maniere suivante : on considere ρ cases, numerotees de 1 ä ρ
(Ρ £ η)

Ρ - 2Ρ - 1

Dans l a lere case, on place un o b j e t , ce q u i donne η

choix possibles.
Dans l a 2eme case, on place un autre objet c h o i s i parmi
les (n-1) o b j e t s r e s t a n t s , cela donne (n-1) choix possibles.
De l a meme maniere, on o b t i e n t (n-2) choix possibles
58 Chapitre 4

pour l a 3erae case, e t a i n s i de s u i t e , jusqu'ä l a pieme case

pour l a q u e l l e i l ne r e s t e plus que (n-p+l) choix p o s s i b l e s .
En appliquant l e p r i n c i p e general ( 4 . 1 ) , on a
P
A = η ( n - l ) ( n - 2 ) ... (n-p+2)(n-p+1) (4.2)

. Exemple
f
Nombre de t i e r c e s dans l o r d r e dans une course de 10 che-
vaux.

Aj 0 ='10 . 9 . 8 = 720

• Notation f a c t o r i e l l e

η ! = 1. 2. 3 ... ( n - 2 ) ( n - l ) η (4.3)
En p a r t i c u l i e r 1! = 1 2! = 2
3! = 6 4! = 24, e t c .
f
En appliquant c e t t e n o t a t i o n f a c t o r i e l l e ä l e x p r e s s i o n (4.2)
ρ
de A , on trouve
η
Δ Ρ = η ( n - l ) ( n - 2 ) ... (n-p+l) * ( n - p ) ! = n! ( .
η (n-p)! (n-p)! ^'^

. Exemple
1
3 10
A j = -IJY = 10 . 9 . 8 = 720
Q

T
Si η = ρ, l a formule (4.4) ne peut s a p p l i q u e r , car on
T
n a pas d e f i n i 0!. Cependant, s i η = p, i l e s t c l a i r que
= n i d'äpres l e p r i n c i p e general de 1'analyse combinatoire.
On pose done, comme axiome de d e f i n i t i o n 0! = 1 a f i n que l a
r e l a t i o n (4.4) r e s t e v a l a b l e dans l e cas oü η = p.

II. ARRANGEMENTS AVEC REPETITION

Un arrangement de η o b j e t s p ä p avec r e p e t i t i o n e s t un
arrangement oü chaque o b j e t peut e t r e repete jusqu'ä ρ f o i s .
Le raisonnement precedent montre que pour chaque case, on
A. Arrangements 59

dispose alors de η choix p o s s i b l e s . Le nombre t o t a l de t e l s

arrangements est done
p P
a = n (4.
v
η
. Exemples
T
1. Arrangements d o r d r e 2 des 3 l e t t r e s a, b, c

1
2. Arrangements d o r d r e 3 des 2 l e t t r e s a, b
Β. PERMUTATIONS

I. DEFINITION

Une permutation de η o b j e t s est un ensemble ordonne de

ces η o b j e t s . Les permutations de η o b j e t s c o n s t i t u e n t un
cas p a r t i c u l i e r des arrangements : c'est l e cas oü η = p.
f
Deux permutations d i s t i n c t e s ne d i f f e r e n t done que par l o r ­
dre des o b j e t s .

. Exemple

Les permutations possibles des 3 l e t t r e s a, b, c sont :

abc, bca, cab, bac, acb, cba.

* Calcul de Ρ
η
1
Le nombre t o t a l de permutations P n se d e d u i t de 1 ex­
pression du nombre total-d'arrangements A^, en f a i s a n t ρ = η
et en u t i l i s a n t l a convention 0! = 1, s o i t

P =A;=n!
n (4.6)

L'exemple precedent des 3 l e t t r e s a, b, c donne

P A 3 ! 6
3 " 3 " -

. Autre exemple

Nombre des c o n f i g u r a t i o n s p o s s i b l e s ä l ' a r r i v e e d'une

course de 8 chevaux
Ρ = 8! = 40 320
Β. Permutations 61

II. PERMUTATIONS AVEC REPETITION

I I a r r i v e que, parmi l e s η o b j e t s dont on cherche l e

nombre de permutations, c e r t a i n s d'entre eux, au nombre de r
par exemple, soient tous semblables. Auquel cas, r i e n ne
d i s t i n g u e l e s permutations de ces r o b j e t s e n t r e eux.
Pour c a l c u l e r l e nombre de permutations p o s s i b l e s , i l
f a u t done d i v i s e r l e nombre de permutations des η o b j e t s sans
r e p e t i t i o n , par l e nombre de permutations des r o b j e t s entre
eux, s o i t
Ρ .
η η!
Ρ (avec r e p e t i t i o n r ) = — = —τ­
r
η Ρ r!
r

* Generalisation ä plusieurs repetitions

On considere η o b j e t s , parmi lesquels r ^ sont semblables

entre eux, sont semblables entre eux, r ^ sont sem­
+
b l a b l e s entre eux, avec r ^ + ... + r^. = n. On appelle
permutation de η o b j e t s avec r e p e t i t i o n s ( r j , r ^ > . • • , r ^ )
toute p a r t i t i o n de ces η objets en k p a r t i e s t e l l e s que l a
i e m e
p a r t i e a i t r ^ elements (1 £ i £ k ) .
Le nombre de ces permutations des η o b j e t s avec r e p e t i ­
tions ( r . , r r , ) est :
n!
···> V = (4.7)

. Exemple

Nombre de permutations possibles avec l e s l e t t r e s du mot

ETRENNE

P (r = 3 r = 2 = = 420
n E > N > 3TT!

I I I . PERMUTATION CIRCULAIRE

Le rangement de 4 objets sur une rangee f o u r n i t 4! = 24

62 Chapitre 4

permutations d i f f e r e n t e s , mais c e l u i de 4 objets sur un c e r c l e

f o u r n i t seulement 3! = 6 permutations d i f f e r e n t e s .

Geniralisation

η o b j e t s peuvent e t r e disposes sur un c e r c l e de (n-1)!

fagons d i f f e r e n t e s , s o i t l e nombre de permutations P n divise
par l e nombre de manieres d i f f e r e n t e s η de c h o i s i r l a l e r e
place.
C. COMBINAISONS

I. DEFINITION

On appelle combinaison de ρ elements p r i s parmi η (η £ ρ) ,

f
t o u t ensemble que l o n peut former en c h o i s i s s a n t ρ de ces
elements, sans c o n s i d e r a t i o n d'ordre. Deux combinaisons d i s -
T
-tinctes d i f f e r e n t done par l a nature d au moins un element.

. Exemple

Les combinaisons p o s s i b l e s des 4 l e t t r e s a, b, c, d 3 ä

3 sont :
abc, abd, bed, acd.
P
* Calcul de C
η
On designe par C^ l e nombre t o t a l de combinaisons de η
objets p ä p .
f
En remarquant que l e nombre d arrangements de η o b j e t s
päp n'est autre que l e p r o d u i t du nombre de combinaisons
des η o b j e t s p ä p , par l e nombre de permutations des ρ e l e ­
ments de chaque combinaison, s o i t :

χ (4.8)

on en d e d u i t

η (n-1)(n-2) ... (n-p+1)

p!
n!
(4.9)
(n-p)! p!
64 Chapitre 4

Remarques
P n
1. On note aussi C = ( )
η ρ
2. En u t i l i s a n t 1'expression ( 4 . 9 ) , on peut demontrer l e s
r e l a t i op n s suivantes
n_p
( c f . exercice 4 C I . )
c =c
η η
P P P
C = C , + C "! (4.10)
η n-1 n-1

• Examples

1. Nombre de t i e r c e s dans l e desordre dans une course de

10 chevaux
3 = 10 . 9 . 8 = 0
C U ü
10 1 . 2 . 3
2. Nombre de mains d i f f e r e n t e s de 8 cartes dans un j e u
de 32 cartes
8
r - [Link].[Link] _
C 1 0 5 1 8 3 0 0
3 2 " 1. 2. 3. 4. 5. 6. 7. 8 "

II. PERMUTATIONS AVEC REPETITIONS ET COMBINAISONS

Une permutation de η o b j e t s avec r e p e t i t i o n r ^ = ρ e t

r 2 = n-p (oü ρ £ η) e s t une p a r t i t i o n de ces η o b j e t s en deux
f 1
ensembles, l u n de ρ elements, l a u t r e de n-p elements. Se
d o r m e r une t e l l e p e r m u t a t i o n r e y i e n t done ay meme que se
donner une p a r t i e de ρ elements parmi n, c'est ä d i r e une
combinaison de η elements p r i s ρ a p. On a done :
P
C = P n ( p , n-p) (4.11)

Remarques

. Comme P^ ( p , n-p) = P r (n-p, p ) par d e f i n i t i o n , on en

P n P
d e d u i t que C = C " .
^ η η
. Une permutation de η o b j e t s ä r e p e t i t i o n ( r . , r , r .
C. Combinaisons 65

s'appelle aussi une combinaison generalisee. De meme que l'on a

P Π n
C = ( ) , on note Ρ ( r , , r . . . , r, ) = ( ). 9 J v
η ρ ' η Γ 2' k r , r ,..., r ' O J
] 2 k

III. BINOME DE NEWTON

Le binome de Newton est l e p r o d u i t de η f a c t e u r s egaux

n
ä (a+b), s o i t ( a + b ) . Le developpement de ce binome est :

n P n _ p P
(a b) + = £ C a b (4.12)
n
p=0
( c f . exercice 4 C V I . )
La r e l a t i o n (4.10)
P P p
C = C , + c "!
η n-1 n-1
permet une d e t e r m i n a t i o n p r a t i q u e de proche en proche des
p
differents coefficients C au moyen du t r i a n g l e de Pascal
( f i g . 4.1).

Figure 4.1 : T r i a n g l e de Pascal

Cette d i s p o s i t i o n symetrique du t r i a n g l e de Pascal permet

non seulement de c a l c u l e r les c o e f f i c i e n t s du binome, mais
aussi de demontrer concretement par recurrence des formules
r e l a t i v e s ä ces c o e f f i c i e n t s ( c f . exercices 4 C V.).
66 Chapitre 4

Ces rappels t r c u v e r o n t leur u t i l i s a t i o n u l t e r i e u r e m e n t ,

ä 1 Occasion de l a l o i de p r o b a b i l i t e d i t e l o i binömiale.

IV. COMBINAISONS AVEC REPETITION

?
Supposons que l o n e t u d i e l a r e p a r t i t i o n de η o b j e t s en
f o n c t i o n de r c r i t e r e s , e t que l'on cherche l e nombre de
telles repartitions possibles.
Une t e l l e r e p a r t i t i o n est appelee combinaison avec r e ­
p e t i t i o n d'ordre r .
Le nombre de ces combinaisons avec r e p e t i t i o n e s t

PI
LrJ - ,
n+r-1 v (4.13)
'
En e f f e t s o i t X j , x > 2 x r les o b j e t s . Une r e p a r t i t i o n de
ces o b j e t s suivant les c r i t e r e s peut e t r e representee a i n s i :
x
l X
2 X
3 / X
J X
5
X
6 /7 7 /-·7 -1
X Χ
Η
x
n /
Le nombre de combinaisons avec r e p e t i t i o n e s t done egal
au nombre de manieres de separer l e s x^ par r f r o n t i e r e s .
f
C est done l e nombre de manieres de c h o i s i r r o b j e t s parmi
r
n+r-1 sans t e n i r compte de l o r d r e .

. Exemple
?
Lors d u n sondage dans une u n i v e r s i t e , on pose ä une
1
centaine d e t u d i a n t s une question comportant 3 reponses pos-
s i b l e s . Quel est l e nombre de c o n f i g u r a t i o n s differentes
qu'on peut o b t e n i r ?
Chaque c o n f i g u r a t i o n represente une combinaison de 100
f
reponses avec r e p e t i t i o n d o r d r e 3. Le nombre de ces combi-
naisons est done, d'apres (4.13)
pi . ΓΐΟΟ-, _ 3 _ 102 * 101 * 100 . ? , ? 0 0
C 1 / 1 / u u
LrJ L 3 J 102 l x 2 x 3
EXERCICES CHAPITRE 4 Α. ARRANGEMENTS

I. De combien de manieres peut-on placer 3 dossiers d i f f e ­

f
r e n t s dans 15 casiers v i d e s , ä r a i s o n d u n dossier par
easier ?

SOLUTION

D'apres l e p r i n c i p e general ( 4 . 1 ) , i l y a 15 faQons de

placer l e premier dossier. C e l u i - c i etant place, i l ne r e s t e
"plus que 14 casiers vides ; i l y a 14 faQons de p l a c e r l e
deuxieme dossier e t e n f i n 13 fagons de placer l e t r o i s i e m e .
3
D'oü Ν = A. = 15 x 14 x 13 = 2730 manieres d i f f e r e n t e s •

f
II. 1°) E c r i r e tous l e s arrangements avec r e p e t i t i o n d o r d r e
2 des t r o i s nombres 1, 2 e t 3.
1
2°) E c r i r e tous l e s arrangements avec r e p e t i t i o n d o r d r e
3 des deux nombres 4 e t 5.

SOLUTION
... 2 Λ
68 Chapitre 4

III. On considere un j e u f o r a i n oü 4 s o u r i s , numerotees de 1

ä 4, se d i r i g e n t vers 5 cases Α, Β, C, D et Ε, p l u s i e u r s
s o u r i s pouvant c h o i s i r l a meme case. Sur chaque b i l l e t , l e
joueur i n s c r i t une r e p a r t i t i o n des souris dans l e s cases e t
i l gagne lorsque son p r o n o s t i c se r e a l i s e .
Combien de b i l l e t s l e joueur d o i t - i l acheter pour e t r e
assure de gagner ?

SOLUTION

I I s ' a g i t d'un arrangement avec r e p e t i t i o n de 5 o b j e t s

p r i s 4 par 4. I I y a 5 p o s s i b i l i t e s q u i s O f f r e n t ä l a souris
n° 1, de meme pour l e s 3 autres.
4 4
Au t o t a l i l y a = 5 = 625 sequences p o s s i b l e s .
Le joueur d o i t done acheter 625 b i l l e t s . •
EXERCICES CHAPITRE 4 Β· PERMUTATIONS

!
I. A propos d une course de chevaux, l e s rumeurs publiques
accordent ä 4 chevaux p a r t i c u l i e r s une chance egale de gagner.
Quel e s t l e nombre de quartes d i f f e r e n t s que 1'on peut e t a -
b l i r ä p a r t i r de ces 4 chevaux.

"SOLUTION

Le nombre de quartes d i s t i n c t s p o s s i b l e s e s t l e nombre

de permutations des 4 chevaux f a v o r i s
P, = 4 x 3 x 2 x 1 « 4! = 24

II. A f i n de t e s t e r son sens chromatique, on presente ä une

!
personne une s e r i e de 5 plaques dont 2 d une c e r t a i n e couleur
et 3 d'une couleur v o i s i n e . Combien de series d i f f e r e n t e s
peut-on l u i presenter ?

SOLUTION

I I s ' a g i t de determiner l e nombre de permutations des 5

plaques avec r e p e t i t i o n des 2 plaques de l a meme couleur e t
des 3 plaques de l a couleur v o i s i n e , s o i t
5!
P 5 (r = , r
} 2 2 = 3) = = 10 s e r i e s .
2! 3!
70 Chapitre 4

I I I . Pour r e a l i s e r un debat, on r e u n i t t r o i s personnes que

?
l o n i n s t a l l e autour d'une t a b l e ronde. De combien de fagons
d i f f e r e n t e s pourra-t-on l e s placer les unes par rapport aux
autres ?

SOLUTION

Dans ce cas, i l ne convient pas de repondre que l e nombre

de fa$ons d i f f e r e n t e s est P^ = 3! = 6 .
En e f f e t , en designant par C, Τ, R l e s i n v i t e s du debat,
on peut i l l u s t r e r toutes l e s p o s s i b i l i t e s ä l ' a i d e des Schemas
suivants:

4 5 6

On peut a l o r s remarquer que l e s cas 1 4 et 5 oü Τ

est ä d r o i t e de C, e t R ä gauche de C, sont i d e n t i q u e s . De
meme, l e s cas 2 3 et 6 , oü R est ä d r o i t e de C, e t Τ
ä gauche de C, sont i d e n t i q u e s .
1
On retrouve l e x p r e s s i o n du nombre de permutations c i r -
c u l a i r e s de 3 o b j e t s
(n-1)! = 2! = 2 cas distincts
EXERCICES CHAPITRE 4 C« COMBINAISONS

I. Demontrer l e s r e l a t i o n s suivantes ; en u t i l i s a n t l'ega-

P P P
(1)
v 7 Vn G N*, ¥p G Ν* , ρ < η, C
r r = C !+ C .
η n-1 n-1
n
(2)
v Vn G N, C = 1
' η
P P
(3) Vn G N, Vp G Ν, ρ £ η, C = C*~

(4) Deduire de (2) e t (3) que Vn G Ν C° = 1

(5) Deduire de (1) e t (3) que Vn G Ν*, C^ = 2 , =2θΓ*

zn ζ η-1 ζ n-

SOLUTION

(1) Soient η 6 Ν*, ρ € Ν*, ρ < η. Comme ρ < η, on a ρ < η-1

p p P
C ,, C ] e t C ont done un sens,
η-1 n-1 η
Ρ-1 P
Γ (η-D!
+ f (η-D!·= +

η-1 η-1 (ρ-1)! (η-ρ)! ρ! (η-1-ρ)!

fp,, (n-1)! 1 + f (n-p) „ (η-1)!
~{ρ (ρ-1)! (η-ρ)! } {(η-ρ) ρ!(η-1-ρ)!

= Ρ (η-1)! + (η-ρ)(η-1)! = (η-1)![ η-ρ+ρ]

ρ! (η-ρ)! ρ! (η-ρ)! ρ! (η-ρ)!
p
=c
η
!
(2) Soit η G Ν. On a : C^ = ? n Q I = 1 car 0! = 1 ( c f . p. 58)

(3) Soient n G N , pGN, ρ £ η :

p n! n p
c"'η = ρ!, ( n - xp,) ! = c "
η = "
(n-p)! p!
72 Chapitre 4

! n
(4) S o i t η G Ν. D apres l a question precedente C^ = C^ = C ° .
1
D apres (2) on conclut que C°
η
(5) S o i t η G N*. D'apres (1) C* q = C*~^ ] + C*^ .D'apres (3)
1 2 1 1 0 0
ΟΓ , - c 2j n-1 : " ^ "
2 n-1
- C n

2 n-1
d'oü l e r e s u l t a t :
n 1
C? = 2 C =2 er, . .
2η 2 η-1 ζ η-1

II. Demontrer l e s r e l a t i o n s suivantes :

p+1
c
n
(1) ¥n G Ν, Vp G Ν, ρ < η, - — = ^ ·
C
l
(2) Vn G Ν, Vp G Ν, ρ £ η, - j j — =
C
n+1
p+1
c
(3) Vn G N, Vp G Ν, ρ $ η, — n+1
— = n+1—
P P C

SOLUTION

On v e r i f i e t o u t d'abord que, sous l e s hypotheses f a i t e s ,

les termes des e g a l i t e s ont b i e n un sens.

(1) Soient η G Ν, ρ G Ν, ρ < n.

+ 1
c p
η JEL- χ ΡΚη-ρ) ! = ρ! χ (η-ρ) !
ρ " Tp+1) !(n-p-T) ! η! (ρ+1)! " ( η - ρ Μ ) !
L
n
_ n-t
ρ+1

(2) Soient η G Ν, ρ G Ν, ρ £ η.
p
C
η = η! χ ρ!(n+1-p)! η! (η-ρ+1)! _η-ρ+1
= y
Χ
ρ ρ!(η ρ)!
τ (η+1)! " (η+1)! (η-ρ)! η+1
η+1
Exercices C. Combinaisons 73

(3) η € Ν, Ρ e N, Ρ £ η
+1
p
c
p c
'n+1 n+1 n-p+1 n+1 f

P
d apres (1) e t (2)
p+1 n-p+1
C
n+1 η
n+1
p+1 *

III. Une e n t r e p r i s e veut engager 4 Ingenieurs dans 4 specia-

l i t e s d i f f e r e n t e s . Six Ingenieurs se presentent.
f
Combien de choix s o f f r e n t au responsable de l'embauche
dans les 3 cas s u i v a n t s :
1°) Les 6 Ingenieurs sont p o l y v a l e n t s (pouvant occuper
tous un des 4 postes)
2°) Un seul e s t p o l y v a l e n t pour les 4 branches, les 5
autres l e sont seulement dans t r o i s branches, les memes pour
tous l e s 5.
3°) Parmi l e s 6 Ingenieurs, se t r o u v e n t 3 hommes e t 3
femmes, tous p o l y v a l e n t s . L'equipe recherchee d o i t comprendre
2 hommes e t 2 femmes.

SOLUTION

1 ; η = = ^^ ι = 15 choix

2°) Puisque c e l u i qui est s p e c i a l i s e dans les 4 branches

T
d o i t e t r e o b l i g a t o i r e m e n t p r i s dans l e poste q u i l est l e
f
3 5
= 1 0
seul ä pouvoir assurer, on a η = 1 χ C,. = 2\ choix.
2
3°) I I y a C« fa<;ons de former l'equipe masculine e t
2
C~ faeons de former l'equipe feminine, done au t o t a l :
2 2
η = C x C = 9 choix.
Q •
 74 Chapitre 4

IV. Le t r a i t e m e n t d'un malade necessite l a p r i s e de 2 sirops

d i f f e r e n t s e t de 3 sortes de cachets. Le medecin dispose de
3 sortes de sirops e t de 4 sortes de cachets q u i auraient des
e f f e t s analogues.
De combien de fagons d i f f e r e n t e s p o u r r a - t - i l r e d i g e r son
ordonnance, sachant t o u t e f o i s , qu'un s i r o p p r e c i s ne d o i t pas
!
e t r e p r i s en meme temps qu une sorte de cachet p r e c i s ?

SOLUTION

Soient X e t Y l e s i r o p e t l e cachet q u i ne peuvent e t r e

p r i s ensemble. Calculons l e nombre de f o i s oü l e s i r o p X
est p r i s avec l e cachet Y. Une f o i s X e t Y u t i l i s e s , i l reste
au medecin ä c h o i s i r un s i r o p parmi l e s 2 autres e t 2 sortes
de cachets parmi l e s 3 a u t r e s , d'oü
Nj = 1 x 1 x cj x 6

Le nombre t o t a l d'ordonnances que l e medecin peut r e d i g e r ,

sans prendre garde au choix des d i v e r s medicaments, est :
N 2 = x = 12

D'oü, par d i f f e r e n c e , l e nombre d'ordonnances oü l e s i r o p X

ne sera pas avec l e cachet Y
Ν = N 2 - Nj = 12 - 6 = 6. •

V. LE TRIANGLE DE PASCAL

La c o n s t r u c t i o n du t r i a n g l e de Pascal ( c f . p. 65) r e s u l t e
P P P
de l a r e l a t i o n (1) Vn 6 Ν*, Vp 6 Ν*, ρ < η, C = C ~! + C ,.
η n-1 n-1
On se propose, dans c e t exercice, de r e t r o u v e r quelques
p r o p r i e t e s du t r i a n g l e de Pascal ä p a r t i r de l a r e l a t i o n ( 1 ) .
Les raisonnements n ' u t i l i s e r o n t done pas l ' e c r i t u r e e x p l i c i t e
C
P =
η ρ! ( n - p ) !
Exercices C. Combinaisons 75

(Les r e l a t i o n s q u i suivent f u r e n t demontrees par Β. Pascal

dans son T r a i t e du t r i a n g l e a r i t h m e t i q u e , Paris 1665).
ρ
P C
(AI) Vn € N*. Vp € Ν*, ρ < η, C = £ JI( ι) k+

n-p
P P
(A2) Vn G Ν*, Vp G Ν*, ρ < η, C = £ C ~J
P 1
k=0 *

• • P~1 n-k
P
(A3) Vn G Ν , Vp G Ν, ρ < n, C - 1= V £ C ,
n n
k=0 £=p-k+l *

SOLUTION
P P
(AI) Soient η e Ν*, ρ e Ν*, 0 < ρ < n. C e t C ~^ , oü n
-
η η ^ κ.*" ι)
p-k
0 < k < p, e x i s t e n t a l o r s . Les (1c-*-1) ' ^ ^ k < p, sont repre­
sentee en g r i s sur l e t r i a n g l e :

D'apres l a r e l a t i o n ( 1 ) , on a :
p p p
c = c , + c -|
η n-1 n-1
C P-| = C P-1 + c P-2
η-1 n-2 n-2
p p P
C "2 = - ? C + C "3
n-2 n-3 n-3
76 Chapitre 4

On en d e d u i t que :
p p
= c c - | cP-2
+ + + + c p _ k
+
n-(k+l)
η-1 n-2 n-3
2
+ C l o + c + c
n-p+1 n-p n-p

Or C C 1
n-p n-(p+l)
On en d e d u i t done que :
Ρ
Σ 'n-(k+l)
k=0
p
(A2) Soient n € N , p e N , 0 < p < n . On v e r i f i e que C
P P
et C ~! , , Ο < k < p-1, e x i s t e n t a l o r s . Les C ~! , , Ο < k < n-p,
p-l+k . ρ-1+k
sont representee en g r i s sur l e t r i a n g l e :

1 1 p
c° c ο**" c
η η n-1 η

D'apres l a question ( 3 ) de l ' e x e r c i c e 4 C I . , C P P

= C° .
D'apres l a q u e s t i o n precedente :

ΓΡ _ V rP - Y
_ k
n-(k+D-(p-k)
r y c n-p-l
°n " 4 C
n-(k .) " 4 +
C
n-(k .) + & n-k-1

• * „q qr r-.m— q— 1
On a done : Vm e Ν , Vq e N , 0 < q < m , C = ι
) C ?
k=0
En posant m = η e t q = n-p, on a :
n-p .
C P . n-
C P . y P-1 C

η η f- -, n-k-11

k=0
Exercices C. Combinaisons 77

En f a i s a n t l e changement de v a r i a b l e s Ζ = n-p-k, i l v i e n t :
n-p
C P = y C P-I
Z=0
(Une demonstration d i r e c t e est evidemment possible ; e i l e
s e r a i t sensiblement identique a c e l l e de l a question prece­
dente) .

(A3) Soient n e N , p c N , 0 < p < n . On v e r i f i e que sous

ρ k P k
et C p
ces hypotheses C e t C _ , 0 < k < p-1 e t p-k-1 < Ζ < n-k, p
η η-Je
existent.
Les _ £ > 0 ^ k < p-1 e t p-k-1 <? Ζ ζ n-k sont representee
c
n

en g r i s sur l e t r i a n g l e .

η n-2

On a pour 0 < k £ ρ-1

n-k , n-p-1 ,

£ = p e k + 1 n-Ä .f Q k + J

en f a i s a n t l e changement de v a r i a b l e j = n-k-ü.
D'apres (A2) on a :
n-p-1
.p-i + C P-I

Z=0 "p-l+fi, n-1

U
c p-l = J' p-2 c + c P -2
n
"l to
£ P" 2 + £ N
" 2
78 Chapitre 4

n-p-1
• P-3
"n-2
£=0 "p-3+£
P-3
+ C
n-3

on en deduit que :

r «-ΡΓ1 ,p_2
p n-_p- p 3
c = > c ; „ + Υ c ; „+ Υ c ' +
A-0
n-p-l
n-p-l
+
f C° + C°

n-k
ο ρ
Or C ^ = 1, on a done : ( r - 1 = >
n-p+1 ' η
k=0 £=p-k+1

VI. LE BINOME DE NEWTON

Soient a e t b deux nombres.

(1) Demontrer que :

n k n k n
Vn G Ν : ( a + b ) = £ C a " b
n
k=0

k
(2) En deduire que : Vn G Ν, £ C = 2*
n
k=0
n
(3) A p a r t i r du c a l c u l de ( l - l ) pour η G Ν e t de (2)
calculer

Y
0£k£n
C k
et Σ
UUn
C k

k pair k impair
Exercices C. Combinaisons 79

SOLUTION

(1) I I e s t p o s s i b l e de demontrer l a formule du binome de deux

manieres : par recurrence, en denombrant l e nombre de f a c t e u r s .

Demonstration par recurrence

a) I I e s t c l a i r que (a+b)° = C° a° b° = 1
1 1 1
(a+b) = C° a b° + C [ a° b

n 11k k
b) Supposons que ( a + b ) = X a b e t montrons que
n
k=0
n+1 k
/ , \n+1 ν o n+l-k k
= 2L c
.- « a v
(a+b) n
n + 1
k=0

k
(a+b) n + 1
= (a+b) n
(a+b) = | J c a ~ b n k k
} (a+b)
k=0
Or i l e x i s t e des c o e f f i c i e n t s t e l s que :
n+1
n+1 n+l-k , k
= Σ A k
ι b
k=0
k-1 k
\ = C + C
η η
+
Α , = ^ ! -
n+1 n+1
ο
A =
ο n+. = C 1

f
d oü l e r e s u l t a t .

Demonstration directe

S o i t η e Ν . On s a i t q u ' i l e x i s t e des c o e f f i c i e n t s A^.,

η
n-k ,k
0 £ k £ n, t e l s que : ( a + b ) n
= Υ A, a b
k
k=0
n-k k
pour k € Ν, 0 £ k £ n, l e nombre de p r o d u i t s a b dans
n
(a+b) est egal au nombre de manieres de c h o i s i r k f o i s b
parmi η termes, sans t e n i r compte de 1'ordre. On a done :

\ - <£ ·
(2) D'apres l a question precedente, on a : Vn e Ν*,
 80 Chapitre 4

n
(l l)+
n
= 2 n
= Σ C k
i ~* l k
- Σ C k

n n
k=0 k=0
η
n k n k k
(3) (l-l) - 0 = Σ C l " (~l)
n
k=0
k
(-1) = 1 s i k est pair
(-1) = -1 s i k e s t impair.
On en d e d u i t done que :
k k
Σ c = y c
z—< η η
0<k£n Uk^n
k pair k impair
= + =
1
D autre part : Σ ^ Σ ^ Σ * c
2 n

n n n
k=0 O^n Uk£n
k pair k impair

On a done : Y C = k
Y C = 2~ k n

z_j η η
0£k£n Uk^n
k pair k impair

VII. Soit Ε un ensemble f i n i de η elements.

Quel e s t l e nombre de p a r t i e s de Ε ?

SOLUTION
f
I I e s t c l a i r q u ' i l y a 1 seule p a r t i e v i d e , e t q u i l y
a η p a r t i e s ä un seul element.
S o i t k e N, 0 £ k £ n. Une p a r t i e de k elements e s t par
d e f i n i t i o n une combinaison de η elements p r i s k ä k. I I y a
k
done C n t e l l e s p a r t i e s . Le nombre de p a r t i e s de Ε e s t done :
η c =
Card .^(E) = Σ c f
2* ( - exercice V I ) . «
n
k=0
5. Calcul des probabilites

A. LOGIQUE DES EVENEMENTS

I. INTRODUCTION
T
La n o t i o n de p r o b a b i l i t e e s t t o u t d'abord d o r d r e psy-
chologique. Par exemple, on p a r l e de l a p r o b a b i l i t e d ' o b t e n i r
une p a i r e au poker. De meme, c e r t a i n s observateurs de l a v i e
p o l i t i q u e q u a l i f i e n t de probable t e l l e rencontre internatio-
nale "au sommet".
Cependant, ces deux exemples d i f f e r e n t dans l a mesure
oü dans l e premier cas i l s'agit d'une experience q u i peut
e t r e repetee p l u s i e u r s f o i s dans l e s memes c o n d i t i o n s , a l o r s
1
que dans l e second, on ne peut p a r i e r d experience : une
reunion "au sommet" n'est pas r e g i e par des regies precises,
T
sa p r o b a b i l i t e s a p p u i e sur une a p p r e c i a t i o n s u b j e c t i v e de
la situation politique.
Une t h e o r i e q u a n t i t a t i v e de l a n o t i o n de p r o b a b i l i t e ne
d o i t considerer necessairement que des cas oü i l e x i s t e une
" p r o b a b i l i t e o b j e c t i v e " , c'est ä d i r e q u i ne depend pas des
convictions personnelles.
 82 Chapitre 5

II. NOTIONS DE BASE

Evenement

On peut d i r e que t o u t ce q u i peut se r e a l i s e r ou ne pas

se r e a l i s e r , ä l a s u i t e d'une experience spontanee ou p r o -
voquee parfaitement d e f i n i e , est un evenement.

. Exemptes

En j e t a n t un de :
- "obtenir un s i x " e s t un evenement (que l ' o n peut d e s i -
gner par exemple par Ε) ;
- "ne pas obtenir de s i x " ou "obtenir un n o n - s i x " e s t
f
l evenement c o n t r a i r e du precedent, note Ε ;
- " o b t e n i r un nombre e n t i e r compris entre 1 e t 6" est un
evenement c e r t a i n ;
- "obtenir un sept" est un evenement i m p o s s i b l e .
!
On v o i t que l a n o t i o n d evenement est l i e e ä l a n o t i o n
i n t u i t i v e d'experience a l e a t o i r e .

Experience a l e a t o i r e

Une experience a l e a t o i r e ou epreuve e s t un ensemble de

conditions precises c a r a c t e r i s a n t un processus ä l a s u i t e
1
duquel l evenement est r e a l i s e ou non. On se l i m i t e aux cas
1
oü l e x p e r i e n c e peut e t r e repetee p l u s i e u r s f o i s , dans les
memes c o n d i t i o n s ( c f . 5 Β I I . ) .
?
Dans l e s exemples precedents, 1 experience aleatoire
consiste simplement ä j e t e r l e de.

Evenement elementaire
f
I I s'agit d u n evenement q u i ne sera r e a l i s e que par un
!
seul r e s u l t a t de 1 experience a l e a t o i r e .
A. Logique des evenements 83

. Exemples

- " o b t e n i r un s i x " en j e t a n t un de, est un evenement

elementaire ;
!
- " o b t e n i r un nombre p a i r " en j e t a n t un de, n e s t pas
un evenement e l e m e n t a i r e , car i l peut e t r e r e a l i s e par p l u -
f
sieurs r e s u l t a t s de l e x p e r i e n c e a l e a t o i r e q u i sont :
" o b t e n i r deux"
"obtenir quatre"
"obtenir s i x " .

Ensemble fondamental associe ä une experience a l e a t o i r e

L'ensemble fondamental (ou u n i v e r s ) associe ä une expe-

1
r i e n c e a l e a t o i r e e s t l'ensemble des r e s u l t a t s de l e x p e r i e n c e
consideree.

• Exemples

Experience a l e a t o i r e \ on j e t t e un de. Les r e s u l t a t s

possibles de sont :
r ^ : "on o b t i e n t l e c h i f f r e i " pour i e n t i e r compris
entre 1 e t 6. L'ensemble fondamental est done :
S = {r,, r 2 , r 3 , r 4 , r 5 , r & }

A 1'evenement elementaire "on o b t i e n t l e c h i f f r e 1", on

peut associer l e s i n g l e t o n
R
i - { r
) }

L'evenement "on o b t i e n t un nombre p a i r " peut e t r e represente

par l e sous-ensemble
R . = { r , r, , r , } 09
pair 2 4' 6
qui est l a r e u n i o n des evenements R 2 , R^ e t R^.
L'evenement R^ "on o b t i e n t l e c h i f f r e 7" ne sera jamais
r e a l i s e (evenement i m p o s s i b l e ) . On pose done
 84 Chapitre 5

De meme, 1'evenement "on o b t i e n t un c h i f f r e compris entre 1

et 6" sera t o u j o u r s r e a l i s e (evenement c e r t a i n ) . On pose
R = S
Ui*6
A i n s i , t o u t evenement, elementaire ou non, peut e t r e
considere comme une p a r t i e (sous-ensemble) de l'ensemble fon­
damental S. Lorsque S e s t f i n i ou denombrable, l'ensemble
des evenements est l'ensemble des p a r t i e s de S, s o i t o^(S).

III. LOGIQUE DES EVENEMENTS

A une experience a l e a t o i r e , on peut done associer un

ensemble fondamental S. Un evenement peut e t r e considere
comme une p a r t i e de S.
φ est 1'evenement q u i n'est jamais r e a l i s e ou evenement
impossible. S e s t 1'evenement q u i e s t t o u j o u r s r e a l i s e ou
evenement c e r t a i n .
Soient Α e t Β deux evenements (Ac S e t B c S ) . On peut
a l o r s e t a b l i r l e s correspondances suivantes :

A u Β : (union de Α e t Β) designe un evenement q u i e s t r e a l i s e

s i au moins un des evenements Α e t Β e s t r e a l i s e .

AHB : ( i n t e r s e c t i o n de Α e t B) designe un evenement q u i e s t

r e a l i s e s i Α e t Β sont r e a l i s e s .

Cg A : (complementaire de A dans S) e s t 1'evenement q u i e s t

r e a l i s e s i e t seulement s i A n'est pas r e a l i s e . On
note aussi Cg A = A q u i designe 1'evenement contraire
de A. On a en p a r t i c u l i e r φ - S e t S = φ

AnB = φ (Α e t Β sont d i s j o i n t s , l e u r i n t e r s e c t i o n e s t l'en­

semble v i d e ) . I I s'agit de deux evenements q u i ne
peuvent se r e a l i s e r simultanement. On d i t q u ' i l s s'ex-
c l u e n t mutuellement ou q u ' i l s sont i n c o m p a t i b l e s .
A. Logique des evenements 85

• Exemple

Experience a l e a t o i r e : t i r e r une c a r t e d'un j e u de 32

cartes. L'ensemble fondamental de tous l e s r e s u l t a t s possibles
est c o n s t i t u e de 32 elements. On designe par :
A : 1'evenement " t i r e r un as" auquel on f a i t corresp-ondre
le sous-ensemble des as
R : 1'evenement " t i r e r un r o i " auquel on f a i t correspondre
le sous-ensemble des r o i s
!
Ζ : 1 evenement " t i r e r un coeur" auquel on f a i t c o r r e s ­
pondre l e sous-ensemble des couleurs "coeur".
On peut a l o r s f a i r e l e s correspondances suivantes :
86 Chapitre 5

AuC : evenement " t i r e r un as ou un coeur" (y compris l'as

de coeur)
!
AOC : " t i r e r l a s de coeur"
AHR : " t i r e r une c a r t e q u i s o i t ä l a f o i s un as e t un r o i "
AnR = Φ, evenement impossible.
Co A : " t i r e r une c a r t e autre que as".
Β. PROBABILITE

Deux demarches d i f f e r e n t e s peuvent conduire ä l a d e f i n i -

!
t i o n axiomatique d une p r o b a b i l i t e .

I. PROBABILITE UNIFORME

Considerons 1'experience a l e a t o i r e S/ : "on j e t t e un de".

f
L* ensemble fondamental e s t
S = {r,, r , r , 2 3 , r , r }
5 ß

les evenements elementaires sont

R = r a v e c G N
i ^ i^ ^ > 1£ i £ 6
On designe par ρ (R^) l a p r o b a b i l i t e que R^ se r e a l i s e .
On peut e c r i r e que
p(S) = p ( R j ) + p ( R ) + p ( R ) . + p ( R ) + p ( R ) + p ( R ) = 1
2 3 4 5 6

!
puisque 1 evenement S e s t c e r t a i n .
Si l ' o n suppose que l e de est symetrique e t homogene
(on d i t aussi p a r f a i t ) , chaque face a autant de chances d'ap-
p a r a i t r e que n'importe q u e l l e autre face. Toutes l e s proba­
b i l i t i e s elementaires ρ (R^) sont done egales entre e l l e s .
On en d e d u i t

Ρ (ν = Ρ 4
La p r o b a b i l i t e e s t d i t e uniforme, l e s evenements elemen­
t a i r e s sont d i t s equiprobables.
D'une maniere generale, s i on considere une experience
aleatoire e t un ensemble fondamental S associe ä .'S? , s i
88 Chapitre 5

on d e f i n i t une p r o b a b i l i t e uniforme sur S e t s i Ε e s t un

evenement r e u n i o n de η evenements elementaires d i s t i n c t s ,
on a
/ T ,v Card Ε ,. ι Ν

P ( E ) =
c i r d - S ( 5
· °

On exprime c e t t e r e l a t i o n en d i s a n t que, dans l e cas d'une

p r o b a b i l i t e uniforme, l a p r o b a b i l i t e d'un evenement est egale
au nombre de cas favorables ä l a r e a l i s a t i o n de c e t evenement
!
(Card E) d i v i s e par l e nombre de r e s u l t a t s p o s s i b l e s de 1 ex-
perience (Card S).

II. PROBABILITE ET FREQUENCE

On a vu au paragraphe precedent comment c o n s t r u i r e une

p r o b a b i l i t e l o r s q u ' i l e s t raisonnable de penser que les eve-
nements elementaires sont equiprobables. Considerons mainte-
nant une experience a l e a t o i r e quelconque. S o i t A un eve-
nement, F n (A) e t f n (A) ses frequences absolue e t r e l a t i v e
?
de r e a l i s a t i o n l o r s d une succession de η epreuves. On a.
( c f . Chap. 1) :
F n (A)
f n (A) (5.2)

I I e s t c l a i r que f R (A) depend de l a s e r i e des η epreu­

ves : deux series d i f f e r e n t e s peuvent conduire ä des r e s u l t a t s
d i f f e r e n t s . I I est cependant raisonnable de penser que £" (A) n

T
tend vers une l i m i t e lorsque l e nombre d epreuves η tend
vers l ' i n f i n i . On d i t que l a p r o b a b i l i t e Ρ (Α) de 1'evene­
ment A e s t c e t t e limite.
Cette approche etend considerablement l e champ des
experiences p r o b a b i l i s a b l e s , mais ne permet pas de p a r i e r
de p r o b a b i l i t e dans l e cas d'une epreuve q u i ne peut e t r e
repetee, pas plus que dans des s i t u a t i o n s oü l e probable est
subjectif.
Β. P r o b a b i l i t e 89

Cette l i m i t a t i o n se j u s t i f i e es s e n t i e l lenient par l a

t h e o r i e : l a l o i des grands nombres ( c f . 6 A I V ) , e t a b l i e
par J. B e r n o u i l l i en 1689 e s t conforme avec c e t t e "hypothese
raisonnable".
1
Cependant dans de nombreux domaines d a p p l i c a t i o n des
p r o b a b i l i t e s (notamment en economie), ce choix " f r e q u e n t i s t e "
est trop l i m i t a t i f . (Sur ce s u j e t , l e l e c t e u r pourra consul-
1
t e r l a r t i c l e de Benjamin Matalon, "Epistemologie des Proba­
b i l i t e s " dans l e volume "Logique et connaissance s c i e n t i f i q u e "
1
de 1 encyclopedie de l a P l e i a d e , Paris 1967).

T
I I I . DEFINITION DUNE PROBABILITE

Nous a l i o n s maintenant donner une d e f i n i t i o n axiomatique

d'une p r o b a b i l i t e (Axiomatique de Kolmogoroff).
Soit S un ensemble fondamental f i n i ou denombrable
associe ä une experience a l e a t o i r e
Une p r o b a b i l i t e Ρ sur S e s t une a p p l i c a t i o n
Ρ : .^(S) — > [ 0 , 1] t e l l e que :
Γ) Ρ (S) = 1 e t Ρ (φ) = 0 (5.3)
2°) VAG.$"(S), VBG.^(S), t e l s que Α Π Β = φ
Ρ (A U Β) = Ρ (Α) + Ρ (Β) (5.4)
f
3° Si Α , Α,, . .. , Α , ... e s t une s u i t e d evenements i n -
ο' 1 η
compatibles deux ä deux ( i . e . Vn, Vm, A ^ A ^ = φ) a l o r s :
oo oo

Ρ (U A )= Σ Ρ (A )n (5.5)
n=Ü n=0
c e t t e p r o p r i e t e s'appelle l a σ-additivite.
Remarque
Par recurrence, on deduit du second axiome que s i
f
A , Aj, A n e s t une s u i t e f i n i e d evenements incompatibles
deux ä deux, a l o r s :
η η
Ρ ( U Α.) = Σ ρ
(Α.) (5.6)
i=l i=l
90 Chapitre 5

Si S est f i n i , l e troisieme axiome est done redondant.

Consequences :

1°) V A G . ^ S ) , VBG.^(S), AC Β => Ρ (A) * Ρ (Β) (5.7)

(On d i t qu'une p r o b a b i l i t e est une a p p l i c a t i o n croissante

sur &(S) ).

En e f f e t : AC Β Β = (ΒΠΑ)υΑ et on a : (ΒΠΑ)πΑ = φ.
f
D'apres l axiome 2°), Ρ (Β) = Ρ (A) + Ρ (Β ΠΑ) et comme
Ρ (Β Π A) > 0, on a b i e n : Ρ (A) < Ρ (Β).

2°) C o n d i t i o n de n o r m a l i s a t i o n :

V A e . ^ ( S ) , Ρ (A) = 1 - Ρ (Ä) (5.8)

En e f f e t : S = AuA e t An Α = φ. D'apres l'axiome 2)
Ρ (S) = Ρ (Α) + Ρ (Ä). Comme Ρ (S) = 1 (axiome 1) on a
Ρ (A) = 1 - Ρ (Ä) .
f
3°) Cas p a r t i c u l i e r d une p r o b a b i l i t e uniforme

Remarquons t o u t d'abord que s i l a p r o b a b i l i t e est u n i -

forme, a l o r s S est necessairement f i n i . On a :
V A E ^ ( S ) , Ρ (A) = § f £ - | (5.9)

En e f f e t s i S = {τ ]9 r , 2 r^} et A = { r ^ . . , r } R

(k < n) a l o r s Ρ (A) = Ρ ({r }) } + ... + Ρ ({r })

R

= 1+ + i = i = Card A
η ''' η η Card S

k fois
Β. P r o b a b i l i t e 91

La d e f i n i t i o n axiomatique est done coherente avec l'hypothese

du § I .

4°) S i S e s t f i n i ou denombrable, une p r o b a b i l i t e Ρ sur S

est entierement determinee par l a donnee d'une f a m i l l e p^ oü
. . .eme „ „
ρ. Η , Σ p. = l , e t oü p^ est l a p r o b a b i l i t e du ι evene­
ment elementaire.

. Exermples
!
1°) Experience a l e a t o i r e : t i r e r une carte d u n j e u de 32
cartes.
On considere l e s evenements suivants :
A : " t i r e r un as"
R : " t i r e r un r o i "
C : " t i r e r un coeur"
AuC : " t i r e r un as ou un coeur"
f
AHC : " t i r e r l a s de coeur"
AHR : " t i r e r une carte q u i s o i t ä l a f o i s un as e t un r o i "
A : " t i r e r une carte autre que as".
I I s ' a g i t i c i de p r o b a b i l i t e uniforme. En appliquant
(5.9) on o b t i e n t successivement

ρ (A) = Ρ (R) = ± =1 ρ (C) = £ = 1

,. , , „ s Card (AuC) 11 .. _.. 1

P ( A U C ) = = ( A n C )
Card S 32 Ρ * 32

p (Α η R) = Α = 0 ρ (Ä) = I f =

2°) Experience a l e a t o i r e : t i r e r 2 cartes ä l a f o i s d'un j e u

de 32 c a r t e s . P r o b a b i l i t e pour que ces 2 cartes soient 2 r o i s .
La encore, i l s ' a g i t d'une p r o b a b i l i t e uniforme. Le
nombre de cas favorables η e s t egal au nombre de manieres
2
de combiner 4 r o i s 2 ä 2, s o i t = 6.
Le nombre de cas possibles Ν e s t egal au nombre de
92 Chapitre 5

2
=
manieres de combiner 32 cartes 2 ä 2, s o i t C^ 496. On en
deduit
P ( E ) =
456 * 0 , 0 1 2

3°) Considerons une s u i t e i n f i n i e de jeux de p i l e ou face.

Soit S un ensemble fondamental associe ä c e t t e experience
aleatoire : S = " U x ^ e N »x i = Ρ ou x. = F}. Soit
1
A l evenement : "on o b t i e n t toujours P i l e " . On a :
A = i(x ) i i e N ) ou V i G Ν X i = P.
1
Si l a piece e s t b i e n e q u i l i b r e e , l a p r o b a b i l i t e de η obtenir
que des " P i l e " , l o r s des η premiers j e t s est -~ en v e r t u du
2
p r i n c i p e general de 1'analyse combinatoire ( c f . Chap. 4 ) .
00
On en d e d u i t que Ρ (A) = 0 car — — • 0 quand η ·> + . De meme
Ώ
2
!
l a p r o b a b i l i t e d o b t e n i r P i l e au premier j e t , puis Face, puis
P i l e , etc. e s t n u l l e .
Ces evenements ne sont pourtant pas ä proprement p a r i e r
! 1
impossibles, on d i t q u i l s sont presque impossibles. L eve-
nement Β : "on o b t i e n t au moins une f o i s Face" est 1'evene­
ment c o n t r a i r e de A. Done Ρ (Β) = 1. On d i t que Β est un
evenement presque c e r t a i n .
!
A premiere vue, i l peut sembler paradoxal qu on a i t
ρ (A) = 0 ou ρ (Β) = 1. En f a i t , cela r e s u l t e du choix " f r e -
quentiste" q u i exprime l a p r o b a b i l i t e comme une l i m i t e de
frequence (cf. 5 Β I I ) .
€, FEOBABILITES TOTALES

Le second axiome de d e f i n i t i o n d'une p r o b a b i l i t e donne

f
l a p r o b a b i l i t e de l a reunion de deux evenements l o r s q u i l s
sont incompatibles. Le theoreme des p r o b a b i l i t e s totales
donne une expression de c e t t e p r o b a b i l i t e dans l e cas general.

Exemple

On t i r e une carte au hasard d'un j e u de 32 cartes. Quelle

est l a p r o b a b i l i t e pour que c e t t e carte s o i t un as ou un
coeur ?
Soient Ε, Α et Β l e s evenements :
Ε : " l a c a r t e e s t un as ou un coeur"
A : " l a c a r t e e s t un as"
Β : " l a c a r t e e s t un coeur".

Ona:E=AüBet:p(A)=^, p ( B ) = | ,
Λ Card ( A u B ) 1 1
P ( E ) = =
CaTcTs 32
Le§ ensembles Α e t Β n ' e t a n t pas disjoints, pour ne pas
compter deux f o i s l'as de coeur, i l convient de remarquer que
Card (Α υ Β ) = Card A + Card Β - Card (Α η Β )
On en d e d u i t que :
Ρ ( A U B ) = Ρ ( A ) + Ρ ( Β ) - Ρ (Α Π Β) (5.10)
L'expression (5.10) c o n s t i t u e l'enonce du theoreme des proba­
b i l i t e s t o t a l e s . Lorsque Α O B = φ , on r e t r o u v e l e second
axiome de d e f i n i t i o n d'une p r o b a b i l i t e
Ρ ( A u B ) = Ρ (A) + Ρ (B) (5.11)
94 Chaptire 5

I. THEOREME PES PROBABILITES TOTALES

(VAeJ*(S)) (VB€.^(S))

Ρ ( A U B ) = Ρ ( A ) + Ρ ( Β ) - Ρ (Α Π Β ) (5.12)

Demonstration :

Α υ Β = Au(BnÄ) e t Α η ( Β η Α) = φ
Β = (Β Π Α ) υ (Α Π Β ) e t ( Β Π Α ) Π (Α Π Β ) = φ

D'apres l a p r o p r i e t e ( 5 . 4 ) on a :

Ρ (Α υ Β) = Ρ [ Α υ (Β Π A)] = Ρ (Α) + Ρ (Β η Α)
Ρ (Β) = Ρ (Β Π Α) + Ρ (Α Π Β)
et par consequent
Ρ (AUB) = Ρ (A) + Ρ (Β) - Ρ (ΑΠ Β).

II. GENERALISATION

(VAG^(S)) (VBG^(S)) (¥CG.^(S))

Ρ (AuBUC) = Ρ (A) + Ρ (ß) + Ρ (C) - Ρ (ΑΓι β)

- Ρ (BnC) - Ρ (Anc) + Ρ (Α π Β π C) (5.13)

En e f f e t , en u t i l i s a n t deux f o i s l e theoreme des p r o b a b i l i t e s

t o t a l e s ( 5 . 1 2 ) on a
Ρ (AUBUC) = Ρ (AUB) + Ρ (C) - Ρ [ ( A u B ) Π C]
= ρ (A) + Ρ (Β) + Ρ (C) - Ρ (Α Π Β) - Ρ [ (Α υ Β) Π
or, Ρ ((AuB)OC] = Ρ [(AnC) υ (BOC)]

= Ρ (Anc) + Ρ (BnC) - Ρ (AnBnc)

d'oü l e r e s u l t a t ( 5 . 1 3 ) .
C. P r o b a b i l i t i e s totales 95

D'une maniere generale, s i Ρ e s t une p r o b a b i l i t e sur un ensem­

b l e S e t s i A j , A^, . .., A n sont η elements de S, on a :

ρ Γΰ ΑΊ = Σ ρ
< ν - Σ Σ ρ (Α^η A.)
Li=| J i=l i j^i
+ p η
Σ Σ Σ ( Α ι ν ν
i j?H k^i
k^j
+ (-i) n + 1
Ρ

Remarque

Si η = 2, on v e r i f i e que l'on r e t r o u v e l e theoreme

(5.12) ( c f . e x e r c i c e II).
Β, PROBABILITES COW^OSEES ET THEÖBE18E DE BA¥ES

T
I. DEFINITION D UNE PROBABILITE COMPOSEE

S o i t Ρ une p r o b a b i l i t e sur un ensemble S, et Β un eve­

nement t e l que Ρ (Β) φ 0. On appelle p r o b a b i l i t e d'un evene­
ment "A s i B" ou A/Β ( p r o b a b i l i t e composee ou c o n d i t i o n n e l l e )
l e rapport :

I ( 5 1 4 )
P(A/B)=VrST ·
On en deduit

Ρ (Α π Β) = Ρ (Β) . Ρ (Α/Β) (5. 15)

De l a meme maniere, s i Ρ (Α) φ 0, on peut e c r i r e
Ρ (AHB) = Ρ (A) . Ρ (Β/Α).

Generalisation

Si A j , ..., A n sont η evenements, a l o r s :

Ρ Γ Π Α.] = Ρ (Α.).Ρ (A /Aj).P ( A / A j n Α ) ...

2 3 2

L i = 1 J
η-1
... Ρ(Α / Πη Α.) (5.16)
i=l

(Cette r e l a t i o n e s t demontree dans l ' e x e r c i c e 5 D I I I )

. Exemple
P r o b a b i l i t e de t i r e r un as, puis un r o i d'un j e u de 32
c a r t e s , sans remettre l a lere carte en j e u ( t i r a g e e x h a u s t i f )
A : l a l e r e carte t i r e e e s t un as
Β : l a 2eme carte t i r e e e s t un r o i
B/A : l a 2eme carte t i r e e est .un r o i , sachant que l a lere (non
remise) e s t un as
D. Probabilities composees e t theoreme de Bayles 97

χ
ρ (AHB) = ρ (Α).ρ (Β/Α) = -JJ J f = 6Υ
4
!
ρ (Β/Α) = y y p u i s q u i l ne r e s t e plus que 31 cartes.

II. EVENEMENTS INDEPENDANTS

Considerons une experience a l e a t o i r e c o n s i s t a n t ä j e t e r

un de deux f o i s successives.
Soient Α e t Β l e s evenements
A : "on o b t i e n t 6 l o r s du premier j e t "
Β : "on o b t i e n t 6 l o r s du second j e t "
I I e s t c l a i r que Ρ (Β/Α) = Ρ (Β). On d i t que les evene­
ments Α e t Β sont independants.
!
D une maniere generale, on peut remarquer que :
1°) Si Ρ (Α) φ 0 e t Ρ (Β) φ 0
Ρ (Β/Α) = Ρ (Β) ~ Ρ (Α/Β) = Ρ (Α)
2°) Si Ρ (Α) φ0
Ρ (Β/Α) = Ρ (Β) Ρ (Α Π Β) = Ρ (Α) Ρ (Β)

Definition

Deux evenements Α e t Β sont independants s i

Ρ (Α OB) = Ρ (Α).Ρ (Β).

. Exemple
r
On reprend l exemple precedent, mais en remettant l a
lere carte dans l e j e u ( t i r a g e non e x h a u s t i f ) .
A
Dans ce cas, Ρ (Β/Α) = Ρ (B) =

Ρ (Α Π Β) = Ρ (Α).Ρ (Β) = . = -ζζ

I I I . THEOREME DE BAYES

Ce theoreme permet de determiner l a p r o b a b i l i t e pour

qu*un evenement q u i est suppose dejä r e a l i s e , s o i t du ä une
98 Chapitre 5

c e r t a i n e cause p l u t o t qu'ä une autre (d'ou l e nom de theo-

reme des p r o b a b i l i t e s des causes que l u i a donne Bayes).

1. Exemple

Le tableau suivant donne, pour les deux classes t e r m i -

nales d'un lycee, l e nombre d'eleves ayant ete reQus au
baccalaureat e t l ' e f f e c t i f de chaque classe

Classe A Classe Β

Effectif 26 32

Nombre de
18 14
requs

Quelle e s t l a p r o b a b i l i t e pour qu'un eleve regu, p r i s au ha-

s a r d , provienne de l a classe A ?
Le p r o b a b i l i t e pour qu'un eleve de terminale provienne
d'une classe p l u t o t que d'une autre est ρ (A) = ρ (Β) = y.
P a r t a n t de l a classe A, l a p r o b a b i l i t e pour qu'un eleve s o i t
18
regu e s t ρ (R/A) = yg-. En raisonnant de l a meme maniere
pour l a classe B, on peut c o n s t r u i r e l e diagramme suivant.

La p r o b a b i l i t e t o t a l e pour qu'un eleve de terminale s o i t

requ e s t , d'apres ce diagramme
D. Probabilities composees e t theoreme de Bayles 99

ρ (AHR) + ρ (Β HR) = ρ (A), ρ (R/A) + ρ (Β), ρ (R/B)

La p r o b a b i l i t e pour qu'un eleve de A s o i t regu e s t
ρ (AHR) = ρ (A), ρ (R/A)
T
Par consequent, l a p r o b a b i l i t e pour qu un eleve regu provienne
de A e s t donnee par
ρ (R/A).ρ (A)
P ( A / R ) = ( 5 1 ? )
ρ (R/A).ρ (A) + ρ (R/B) ρ (Β) '

ϋ χ I
2 6 2
r- 0,613
+
26 2 32 2
2. Theoreme

Soient S un ensemble fondamental e t Ε, A j , A , 2 A^,

n+1 evenements t e l s que :~
1) l e s A^ sont deux ä deux, d i s j o i n t s
2) V i = 1, ... , η Ρ (Α ) £ φ0
η
3) U Α. = Ε
i=l
Alors : Vk = 1, .. . , η
Ρ (Α,).Ρ (E/A,)
Ρ (A /E) k ϊ (5.18)
Σ ρ
( i>A ρ
(Ε/Α^)

Demonstration
!
Remarquons t o u t d abord que
η
Ρ (Ε) = Σ Ρ
(E/A.).Ρ (Α.)
ι=1
η η
En e f f e t , comme U Α. = Ε on a : Ε = |J [ Ε Π Α. ]
1
i=l i=l
Comme les A^ sont deux ä deux d i s j o i n t s : V i = 1, ..., η,
Vj = 1,..., η, s i i φ j on a :
(Ε η A ) η (Ε π A j ) = φ
i
100 Chapitre 5

On a done :
η
p ρ
(Ε) - Σ (E/A.).Ρ ( Α . ) [cf. (5.6)
i=]

Ρ (Α, Π Ε) Ρ (Α,).Ρ (E/A.)

Ρ ( V E ) ._ J L _ . —
Ρ (Ε) P
Σ (E/A^.P ( A )
£

i= 1
d'apres ce q u i precede.
E*< EXEMPLES COMPLEMBOTAIRES;

I. LOI BINÖMIALE

Une urne c o n t i e n t 100 boules dont 10 blanches. On rea-

l i s e une s e r i e de 5 t i r a g e s successifs non e x h a u s t i f s d'une
boule (c'est ä d i r e que 1 On remet l a boule apres chaque t i -
rage, de maniere que l a p r o b a b i l i t e ne change pas d'un t i r a g e
ä 1'autre). Quelle e s t l a p r o b a b i l i t e pour que 3 boules de l a
s e r i e de 5 soient blanches ?

A : t i r e r une boule blanche Ρ (A) = =0,1

A : t i r e r une boule non blanche Ρ (A) = 1 - 0,1 = 0,9.

La p r o b a b i l i t e de t i r e r 5 boules dont 3 blanches dans un
ordre determine t e l que A A A A A, est donnee par 1'axiome
des p r o b a b i l i t e s composees (5.15)
3 2
Ρ (A A A A A ) = ( 0 , 1 ) (0,9)
3
Mais 1'ordre etant i n d i f f e r e n t , i l e x i s t e manieres de rea­
l i s e r 1'evenement precedent. Le theoreme des p r o b a b i l i t e s
t o t a l e s (5.12) f o u r n i t done l a p r o b a b i l i t e cherchee
3 2
Ρ (Ε) = (0,1) (0,9)

Generalisation

La p r o b a b i l i t e de r e a l i s e r k f o i s 1'evenement A en une
s e r i e de η epreuves non exhaustives est
k n k
Ρ (k) = p q " (5.19)

oü l ' o n a pose Ρ (A) = ρ e t Ρ (A) = q = 1-p. On reconnait l e

n
terme general du developpement du binome de Newton ( p + q ) e t
102 Chapitre 5

l'equ. (4.12), d'oü l e nom de l o i binömiale donnee ä 1'ex-

p r e s s i o n (5.19). C'est une l o i ä 2 parametres η e t p, notee
.^(n,p).

A p p l i c a t i o n au j e u de " p i l e ou face"

La p r o b a b i l i t e de t i r e r k faces avec une piece lancee η

f o i s successivement, ou avec η pieces lancees simultanement
est
/i \
•pj k k n-k
Ρ (k) = C ρ q n

avec ρ = q = y. Par exemple, l a p r o b a b i l i t e d O b t e n i r 3 "face"

en 5 lancers e s t :

pp (3) l
u; = c 5
3
(
( ;V
2
(ci ;
2
2 5 4 3
) = 1 -. 2·. 3 1
* 8 -I 4= -5- 16

II. LOI HYPERGEOMETRIQUE

Quelle est l a p r o b a b i l i t e pour que, au j e u de l a b e l o t e

(32 c a r t e s ) , un joueur a i t une main (de 8 cartes) comportant
5 "pique" e t 3 "non-pique" ?
f
Le probleme est d i f f e r e n t de l exemple precedent dans l a
mesure oü l e t i r a g e des 8 cartes est i c i exhaustif (sans r e -
mise) .
Le nombre de cas possibles est l e nombre de manieres de
combiner 32 cartes 8 a 8, s o i t d'apres l e § 4 C

Le nombre de cas favorables peut e t r e obtenu en a p p l i -

quant l e p r i n c i p e fondamental de 1*analyse combinatoire (4.1).
Les 5 "pique" peuvent e t r e c h o i s i s parmi l e s 8 "pique" e x i s -
t a n t dans l e j e u , de Cg manieres d i f f e r e n t e s . Les 3 cartes
qui manquent pour c o n s t i t u e r une main sont necessairement
3
des "non-pique", e l l e s peuvent done e t r e groupees de C , ?
Ε. Exemples comp lernentaires 103

fagons d i f f e r e n t e s . Le nombre de cas favorables d'apres

(4.1) est done :

n C C
- 8 · 24
Par consequent, l a p r o b a b i l i t e cherchee e s t :

Ρ (Ε) - Η - ^ ^
Ν 8
C
32
f
G e n e r a l i s a t i o n de l e x p r e s s i o n precedente

A p a r t i r d'un r e f e r e n t i e l comptant Ν elements dont r

d'entre eux ont une c a r a c t e r i s t i q u e a, l a p r o b a b i l i t e d'avoir
k f o i s l a c a r a c t e r i s t i q u e a, dans une s e r i e de η epreuves
exhaustives (sans remise) e s t
k n-k
c c

Ρ ) = JE
( k »IE (5.20)

La l o i (5.20), appelee l o i hypergeometrique e s t une l o i ä 3

parametres Ν, η, r . E l l e est notee 3β (N,n,r).
EXERCICES CHAPITRE 5 A, LOGIQUE DES EVENEMENTS

1
I. On considere l e x p e r i e n c e a l e a t o i r e suivante :
on j e t t e un de, s i on o b t i e n t un c h i f f r e p a i r , a l o r s on
!
t i r e une c a r t e d u n j e u de 32 c a r t e s , s i on o b t i e n t un c h i f ­
f r e i m p a i r , on preleve une c a r t e d'un j e u de 52 c a r t e s .
1°) Preciser un ensemble fondamental S associe a c e t t e ex-*
perience.
2°) Soient A, B, C, D e t Ε les evenements s u i v a n t s :
A : "on a t i r e l'as de t r e f l e "
Β : "on a obtenu un nombre p a i r "
C : "on a t i r e un as"
D : "on a t i r e un 2 de coeur e t l e de marque 4"
Ε : "on a t i r e une c a r t e 2, 3, 4 ou 5".
Preciser en f o n c t i o n de S l a forme ensembliste de ces
evenements.

SOLUTION

1°) S e s t l'ensemble des r e s u l t a t s possibles de 1'experience

a l e a t o i r e . En d i s t i n g u a n t les d i f f e r e n t s r e s u l t a t s p o s s i b l e s
du j e t du de, on a :

S - { 2 , 4, 6} x F υ { 1 , 3, 5} x G

oü F designe l'ensemble des cartes d'un j e u de 32 c a r t e s e t

G designe l'ensemble des cartes d'un j e u de 52 c a r t e s car un
r e s u l t a t p o s s i b l e de 1'experience a l e a t o i r e est un couple
(a,b) oü a est un nombre e n t i e r compris entre 1 e t 6 e t b
une c a r t e d'un j e u de 32 cartes s i a est p a i r , d'un j e u de
52 cartes s i a est impair.
Exercices Α. Logique des evenements 105

2°) On a a l o r s
A = { 2 , 4, 6} x H u { l , 3, 5} x Η = { l , 2, 3, 4,5,6} xH
!
oü Η designe l'ensemble r e d u i t ä l a s de t r e f l e .
Β « { 2 , 4, 6} x F
C = { 2 , 4, 6} x I u { l , 3, 5} x l = { l , 2,3, 4,5, 6 } x I
oü I designe l'ensemble des as.
D = φ car i l e s t impossible de t i r e r une c a r t e d'un j e u
de 52 cartes q u i n'est pas dans un j e u de 32 c a r t e s , lorsqu'on
a obtenu un nombre p a i r .
Ε = { 1 , 3, 5} x J
oü J e s t l'ensemble des cartes 2, 3, 4 ou 5, car on ne peut
t i r e r une t e l l e c a r t e que s i on a obtenu un nombre impair. •

II. S i on ne s ' i n t e r e s s e qu'aux evenements A, B, C ou Ε de

l ' e x e r c i c e precedent, e s t - i l p o s s i b l e de considerer un autre
ensemble fondamental associe ä c e t t e experience a l e a t o i r e ?

SOLUTION

Si l ' o n ne s ' i n t e r e s s e qu'aux evenements A, B, C ou E,

on ne d i s t i n g u e que l a p a r i t e du nombre obtenu apres l e j e t
du de e t non sa v a l e u r numerique.
On peut done considerer Sj d e f i n i par :

Sj = [ { P } x F] U [ { 1 } x G]

avec Ρ pour p a i r , e t I pour impair.

III. S o i t S un ensemble fondamental, e t A, B, C t r o i s evene­

ments. Exprimer ä p a r t i r de A, Β ou C e t des n o t a t i o n s en-
semblistes l e s evenements suivants :
106 Chapitre 5

Ej : seul A e s t r e a l i s e
E 2 : un evenement au moins est r e a l i s e
E^ · un evenement au plus est r e a l i s e
E^ : l e s t r o i s evenements sont realises
Er : deux evenements au plus sont r e a l i s e s .
Exercices Α. Logique des evenements 107

IV. LE JEU DE PASSE-DIX

Le j e u de passe-dix c o n s i s t e ä j e t e r un de t r o i s f o i s
successives. On gagne s i l a somme des p o i n t s obtenus depasse
10.
1°) Preciser un ensemble fondamental S q u i t i e n t compte de
1'ordre oü l e s p o i n t s sont apparus.
2°) C a l c u l e r l e nombre de r e s u l t a t s possibles q u i t o t a l i s e n t
11, puis 12.

SOLUTION

1°) Si l ' o n t i e n t compte de l ' o r d r e , l e r e s u l t a t ( 1 , 3, 4)

est d i f f e r e n t de ( 3 , 1, 4 ) . On a done :
3
S = { 1 , 2, 3, 4, 5, 6 }
2°) Notons l'ensemble des r e s u l t a t s q u i t o t a l i s e n t i p o i n t s .
G j j e s t forme des r e s u l t a t s :

(6,4,1) (6,3,2) (5,4,2) (5,5,1) (5,3,3)

(6,1,4) (6,2,3) (5,2,4) (5,1,5) (3,5,3)
(1.6.4) (3,2,6) (4,2,5) (1,5,5) (3,3,5)
(1,4,6) (3,6,2) (4,5,2) (4,4,3)
(4,6,1) (2,3,6) (2,5,4) (4,3,4)
(4,1,6) (2,6,3) (2,4,5) (3,4,4)
Le nombre de manieres de gagner avec 1 1 p o i n t s est done
Card G ]} - 27

Gj2 e s t forme des r e s u l t a t s :

(6,5,1) (6,4,2) (5,4,3) (5,5,2) (4,4,4)

(6.1.5) (6,2,4) (5,3,4) (5,2,5)
(5,6,1) (4,6,2) (4,5,3) (2,5,5)
(5.1.6) (4,2,6) (4,3,5) (6,3,3)
(1.6.5) (2,4,6) (3,4,5) (3,6,3)
(1.5.6) (2,6,4) (3,5,4) (3,3,6)
108 Chapitre 5

Le nombre de manieres de marquer 12 p o i n t s est done

Card G 10 = 25.

V. S o i t S un ensemble fondamental.
Si Α e t Β sont deux evenements, A u Β e s t r e a l i s e lorsque
A seul est r e a l i s e , Β seul est r e a l i s e , ou encore lorsque A
et Β sont simultanement r e a l i s e s (cf. 5 Α I I I ) .
On a p p e l l e r a Α Δ Β 1 evenement q u i n'est r e a l i s e que
T

lorsque Α seul est r e a l i s e ou b i e n Β seul e s t r e a l i s e .

1°) Montrer que Α Δ Β = [ A n B ] υ [ Β Π A ]

2°) Montrer que Α Δ Β = [ Α υ Β] η [ A H B ]

SOLUTION

1°) Α Π Β est l'evenement " A est r e a l i s e e t Β n'est pas rea­

l i s e " . A n B est l'evenement " B est r e a l i s e et A n'est pas
realise".
On a done Α Δ Β = [ A n B ] U [ B O A ]

2°) [AUB] η [AnB] est l'evenement : " A ou Β sont rea­

l i s e s , mais Α et Β ne sont pas simultanement r e a l i s e s " . C'est
done Α Δ B.

Β
im ΑΔΒ •
EXERCICES CHAPITRE 5 Β. PROBABILITE

I. On considere un l o t de 35 boules i d e n t i q u e s , numerotees

de 1 ä 35. Quelle e s t l a p r o b a b i l i t e de t i r e r :
1°) une boule p o r t a n t un numero p a i r ?
2°) une boule p o r t a n t un numero impair ?
3°) une boule p o r t a n t un numero s t r i c t e m e n t superieur ä 5 ?

SOLUTION

S e s t l'ensemble des 17 numeros p a i r s e t des 18 numeros

impairs. Si on considere l e s evenements :
Ρ : "on a t i r e un numero p a i r "
I : "on a t i r e un numero i m p a i r "
1°) Ρ (Ρ) - y ~
2°) Ρ (i) = i |

On a aussi Ρ ( I ) = 1 - -yr = —

3°) En appelant χ l e numero s o r t i , on a

35

Ρ (x > 5) - Σ P
(i)

= 1 - Ρ (x < 5 )

= 1 - [P ( 1 ) + Ρ ( 2 ) + Ρ ( 3 ) + Ρ ( 4 ) + Ρ (5) ]

Les boules e t a n t i d e n t i q u e s , l e s Ρ ( i ) sont toutes egales ä

-~r. Par consequent
« , 1 6
 110 Chapitre 5

II. Dans une meme c l i n i q u e , t r o i s femmes sont sur l e p o i n t

d'accoucher. Deux medecins sont attaches ä c e t t e c l i n i q u e .
1°) Quelle e s t l a p r o b a b i l i t e pour que l e s t r o i s femmes
demandent au hasard l e meme medecin, en meme temps ?
2°) Quelle e s t l a p r o b a b i l i t e pour que les deux medecins
s o i e n t appeles ?

SOLUTION

Soient M. e t M l e s 2 medecins, chaque femme ayant deux

?

3 3
choix p o s s i b l e s , l e nombre de cas t o t a l est = 2 =8
i r e f e m m e
^^M J N ^ ^ 2 ^ ^ ^

M M M l 2 m e f e m m e
^ / l \ ^ ^/ 2N^ / \ / ^
Mj M 2 Mj M 2 Mj M 2 M 2 3eme femme

cas.1 .2 3 4 5 6 7 - 8

Soient l e s evenements :
1 : l e meme medecin e s t demande
2 : l e s 2 medecins sont demandes.
1°) Le nombre de cas favorables ä l'appel du meme medecin e s t
2 1
f
2 (cas 1 e t cas 8) d oü Ρ (1) = g = η-.

=I
2°) Deux fagons de raisonner
a) Ρ (2) = 1 - Ρ (1)

= I = |.
b) l e nombre de cas favorables ä l'appel des 2 medecins
est 6, d'ou Ρ (2) u

I I I . Lors des Söldes de f i n de s e r i e , un f a b r i c a n t de chemises

met en vrac sur une t a b l e 200 chemises pratiquement identiques.
I I y a, dans ce l o t , des chemises avec 1 ou 2 d e f a u t s ,
a i n s i que 100 chemises p a r f a i t e s . Ces d e f a u t s , mineurs, ne
sont pas v i s i b l e s ä l a p r e s e n t a t i o n .
Exercices Β. P r o b a b i l i t e 111

1°) Quels doivent e t r e l e s nombres de chemises de chaque cate-

g o r i e s i l'on veut que l e premier c l i e n t , q u i prend au hasard
une de ces chemises, a i t 20 % de chance d'avoir une chemise
avec 1 defaut ?
2°) Le c l i e n t s'apergoit du defaut. I I remet l a chemise dans
l e t a s , sans prendre s o i n de l ' e c a r t e r ; q u e l l e est l a pro­
T
b a b i l i t e q u i l a de prendre une chemise avec 2 defauts ?

SOLUTION

On appelle χ l'evenement "chemise avec χ defauts".

1°) Si N , Ν j e t Q sont respectivement les nombres de che­
mises a 0, 1 et 2 d e f a u t s , on d o i t avoir
Ν + Ν + Ν = 200 avec Ν =100
ο 1 ζ ο
Les chemises etant apparemment identiques, l a probabilite
d'avoir une chemise avec 1 defaut est :

Ρ (x = ,) = ^ = 0 , 2 0

On en d e d u i t :
Νj = 0,20 x 200 = 40 chemises ä 1 defaut

Le nombre de chemises avec 2 defauts e s t done :

N 2 = 200 - ( N + N j ) = 200 - (100 + 40) = 60 chemises.
Q

2°) La p r o b a b i l i t e de t i r e r une chemise avec 2 d e f a u t s , s a ~

chant que l e c l i e n t ne s a i t plus oü se trouve l a chemise
q u ' i l a v a i t p r i s e puis remise dans l e t a s , e s t :
N
2 _ 60
Ρ ( Χ = 2 ) = 3 0
" 2ÖÖ
200 2ÖÖ
200= ° >
On v e r i f i e que Ρ (χ = 0) + Ρ (χ = 1) + Ρ (χ = 2) = 1
112 Chapitre 5

IV. LE "PARADOXE" DU CHEVALIER DE MERE

Le j e u de passe-dix consiste ä j e t e r t r o i s des, on gagne

s i l a somme des p o i n t s obtenus depasse d i x ( c f . exercice
5 A IV).
Le c h e v a l i e r de Mere c o n s t a t a i t qu'en p r a t i q u e on ga-
g n a i t plus souvent avec 11 qu'avec 12. Cela l u i semblait pa-
r a d o x a l , car son raisonnement i n f i r m a i t sa c o n s t a t a t i o n .
V o i c i son raisonnement :
- i l y a 6 p o s s i b i l i t e s de marquer 11 p o i n t s :
{6,4,1} ; {6,3,2} ; {5,5,1} ; {5,4,2} ; {5,3,3} ; {4,4,3}
- i l y a 6 p o s s i b i l i t e s de marquer 12 p o i n t s :
{6,5,1} ; {6,4,2} ; {6,3,3} ; {5,5,2} ; {5,4,3} ; {4,4,4}
Les p r o b a b i l i t e s de marquer 11 ou 12 p o i n t s sont done egales.
Que penser de ce raisonnement ?

SOLUTION

L'erreur du c h e v a l i e r de Mere e s t de ne pas d i s t i n g u e r

les des. I I y a en e f f e t une seule maniere d'obtenir {4,4,4},
f
mais s i x manieres d o b t e n i r 5, 4 e t 3 : (5,4,3) ; (5,3,4) ;
(3,4,5) ; (3,5,4) ; (4,5,3) e t (4,3,5).
On en deduit q u ' i l y a au t o t a l 25 manieres de marquer
12 p o i n t s e t 27 manieres de marquer 11 p o i n t s ( c f . exercice
5 A IV).
S o i t χ l e nombre de p o i n t s marques. On a :

Ρ (x = 12) = = — j - 0,1157
a 6 6

Ρ (χ = 11) = 3 =3 = 0,1250 > Ρ (χ = 12)

V 6

Ce raisonnement j u s t e f u t trouve par B. Pascal ä q u i Mere

a v a i t presente son s o i - d i s a n t paradoxe. •
Exercices Β. P r o b a b i l i t e 113

V. Considerons l'epreuve suivante :

- on c h o i s i t au hasard un nombre η compris e n t r e 1 e t 3 ;
- on c h o i s i t e n s u i t e au hasard, η nombres compris e n t r e
0 e t 9, mais s i l e premier de ces nombres e s t 0, on ne c h o i s i t
pas d'autre nombre.
1°) D e c r i r e l'ensemble S des r e s u l t a t s possibles. Si Ν e s t
un nombre, forme de 1, 2 ou 3 c h i f f r e s , s o i t l'evenement :
"on a obtenu l e nombre N".
2°) Calculer les probabilites des evenements s u i v a n t s :
C
a) A Q ; b) A ^ > ) A J J ; d) l e nombre obtenu e s t forme
d'un seul c h i f f r e ou de c h i f f r e s tous d i f f e r e n t s .

SOLUTION

1°) On peut former tous l e s nombres de 1, 2 ou 3 c h i f f r e s .

Done S = { 0 , 1, 2, 3, . . . , 999}.
2°) Remarquons que l a p r o b a b i l i t e sur S n'est pas uniforme.
a) I I y a en e f f e t 3 manieres de former l e nombre 0 :
- t i r e r η = ] puis t i r e r 0 parmi {0,1,...,9} : A
- t i r e r η = 2 puis t i r e r 0 parmi {0,1,...,9} : Β
- t i r e r η = 3 puis t i r e r 0 parmi {0,1,...,9} : C
I I e s t c l a i r que Α, Β e t C sont deux ä deux d i s j o i n t s . Done :

Ρ (A ) = Ρq (AUBUC) = Ρ (A) + Ρ (Β) + Ρ ( C )

et Ρ (A) = Ρ (Β) = ρ ( c ) - 1 χ - j L , done Ρ ( A ) = Q

b) Par contre i l n'y a qu'une maniere de former un nom­

bre Ν t e l que 1 £ Ν £ 9 :
- t i r e r η = 1 puis c h o i s i r Ν dans { l , . . . , 9 }

Done Ρ ( V = i χ ± = ± .

Pour former un nombre de 2 c h i f f r e s , i l f a u t t i r e r η = 2

puis c h o i s i r un premier c h i f f r e dans { l , . . . , 9 } , e t un second
dans {0,1,...,9}. Done :
114 Chapitre 5

Ρ ( A ) = Ρ (A,,) =
1 2 I χ -jL χ Χ , _·_ .d o ü b ) e t c ) .

d) Considerons l e s evenements :
Ε : " l e nombre obtenu est forme d'un seul c h i f f r e ou de
p l u s i e u r s c h i f f r e s tous d i f f e r e n t s "
A : " l e nombre obtenu est forme d'un seul c h i f f r e "
Β : " l e nombre obtenu est forme de 2 c h i f f r e s d i f f e r e n t s "
C : " l e nombre obtenu est forme de 3 c h i f f r e s d i f f e r e n t s " .
I I e s t c l a i r que : A n B = AOC = φ e t que ( A u B ) n C = φ
Ε = AUΒUC
D'apres l e second axiome de d e f i n i t i o n d'une p r o b a b i l i t e :
Ρ (Ε) = Ρ (A) + Ρ (Β) + Ρ (C)
car Ρ (Ε) = Ρ [ (Α υ Β) U C ] = Ρ (Α υ Β) + Ρ (C) car ( Α υ Β ) η θ = φ
= Ρ (Α) + Ρ (Β) + Ρ (C) car Α Π Β = φ
Ρ (Α) = Ρ (0) + Ρ (1) + Ρ (2) + ... + Ρ (9)

1 χ 9 χ 9 27
Ρ (Β)
3 Το 10 100
1 χ 9
χ
9 8 216
Ρ (C) 3 10 10 10 1000
1 27 216
Done Ρ (Ε) - 0,819
3 +
iöö +
1000

VI. PROBABILITES GEOMETRIQUES : LE PROBLEME DE BUFFON

Supposons que l'ensemble des resultats possibles d'une

epreuve s o i t une p a r t i e Ρ du plan de surface f i n i e S. Un
evenement Ε associe ä l'epreuv£ - s e r a une p a r t i e de P. Si
1 O n suppose que l a p r o b a b i l i t e de Ε e s t p r o p o r t i o n n e l l e ä sa
s u r f a c e , on d i r a qu'on a une p r o b a b i l i t e geometrique.
Supposons que l e plan est recouvert de d r o i t e s paralle-
les equidistäntes, deux d r o i t e s successives etant ä une d i s -
tance d (d > 0 ) . On j e t t e au hasard sur ce plan une a i g u i l l e
de longueur £ (£ > 0) , avec I < d.
Exercices Β. Probabilite 115

1
Quelle est l a p r o b a b i l i t e que l a i g u i l l e rencontre une
des d r o i t e s p a r a l l e l e s ?

SOLUTION
f
La p o s i t i o n de l a i g u i l l e est entierement determinee par
deux nombres :
- l a distance 6 du centre de 1 ' a i g u i l l e ä l a p a r a l l e l e
l a plus proche ;
f
- 1'angle t que f a i t l a i g u i l l e avec c e t t e parallele,

et on a : 6 e [ 0 , j ] et t e [ 0 , π] .

L'ensemble des couples 6 G [ 0 , — ] , t e [ 0 , π] est le

rectangle de l a f i g u r e ci-dessous. L ' a i g u i l l e rencontre une
l
des d r o i t e s lorsque δ < ^ s i n t . L'ensemble des couples (6, t)
q u i r e a l i s e n t l'evenement " 1 ' a i g u i l l e rencontre une parallele"
est l a p a r t i e blanche de l a f i g u r e ci-dessous.
La p r o b a b i l i t e cherchee ρ est done :
116 Chapitre 5

d
2 l sin t
I
2

lf μ
ο π.
2

[ Le c a l c u l de la probabilite a e t e p o s s i b l e p a r c e que l a

fonction sinus est integrable s u r l e segment [ 0, π ] , ou ce

qui revient au meme p a r c e que l a p a r t i e b l a n c h e de la figure

ci-dessus est integrable.

D'une m a n i e r e g e n e r a l e , s i l'ensemble fondamental S est

continu, i l s e r a n e c e s s a i r e de r e s t r e i n d r e la probabilite ä
une p a r t i e de,'^(S) ( c f . B. V a u q u o i s , P r o b a b i l i t e s , Hermann,
Paris 1978)1. ' •
EXERCICES CHAPITRE 5 C. PROBABILITES TOTALES

I. S o i t Ρ une p r o b a b i l i t e sur un ensemble S f i n i ou denom-

b r a b l e . Montrer l e s p r o p r i e t e s suivantes :
Γ) VAG.$^(S), V B G . ^ ( S ) Ρ ( A H B ) = Ρ ( A ) - Ρ (Α Π Β )
2°) VAG.S^(S), V B e . ^ ( S ) Ρ (Α υ Β ) = 1 - Ρ (Α Π Β )
3°) V A e . ^ ( S ) , VBG.S^(S) Ρ ( Α Δ Β ) = Ρ (Α υ Β ) - Ρ (Α Π Β )
( Α Δ Β e s t d e f i n i dans 1'exercice 5 A V)
4°) VAe.S'(S), V B G . ^ ( S ) , ¥CG.^(S)
ΑΠΒ = ΑΠ0 = ΒΠ0 = φ ^ Ρ (AuBuC) = Ρ (A) + Ρ (Β)+ Ρ (C)

SOLUTION

1°) Montrons que

[AnB] u [AnB]
AnB
[AnB] η [AnB]

[AnB] υ [AnB] Α η [ Β U Β] = A

[AnB] η [AnB] Α ηΒ ηΒ = φ car Β η Β = φ

D'apres l e second axiome de d e f i n i t i o n d'une' p r o b a b i l i t e
Ρ ( A ) = Ρ ( A n B ) + Ρ ( A n B ) , d'ou l e r e s u l t a t .
2°) On a : A u B = A n B
On en d e d u i t que :
Ρ (AuB) = 1 - Ρ ( A n B )
(cf. 5 Β I I I , Conditions
de n o r m a l i s a t i o n )

• AuB
118 Chapitre 5

3°) D'apres l ' e x e r c i c e 5 A V , Α Δ Β = [ A u B ] η [ A n B ]

On en d e d u i t que :
AUB = [ΑΔΒ] υ [AnB]

et [ΑΔΒ] η [AnB] = φ

D'apres l e second axiome de d e f i n i t i o n d'une p r o b a b i l i t e ,

on a :
Ρ (AuB)= Ρ (ΑΔΒ)+ Ρ (AnB), d'oü l e r e s u l t a t .
4°) D'apres 5 C I I ) on a :
Ρ (AuBuC) = Ρ (A) + Ρ (Β) + Ρ (C) - Ρ ( A n Β)

- Ρ (AnC) - Ρ (BnC) + Ρ (AOBOC)

Si AnB = A n c = B n c = φ alors AnBnC = φ et

Ρ (AnB) = Ρ (AnC) = Ρ (Bnc) = Ρ (AOBOC) = 0

d'oü l e r e s u l t a t . •

ΙΓ. GENERALISATION DU THEOREME DES PROBABILITES TOTALES

Soit Ρ une p r o b a b i l i t e sur un ensemble S f i n i e t denom-

brable. Soient A j , , ..., A R η evenements.
Demontrer par recurrence sur η que :

Ρ ΓUΊ
Li=l
Α.] = Σ Ρ
i=l
(Α.) -
i
Σ Σ
jjfei
Ρ
( Α ^ Α
J
)

SOLUTION

. Pour η = 2, on a Ρ ( A j U A ) = Ρ ( A j ) +P ( A ) -P (A j Π A )
2 2 2

ce q u i n'est r i e n d'autre que l e theoreme des p r o b a b i l i t e s

totales.
Exercices C. P r o b a b i l i t e s t o t a l e s 119

. Supposons l a r e l a t i o n v r a i e pour η = ρ et montrons

q u ' e l l e e s t v r a i e pour η = p+1

"p+i 1 Γ ρ
U A = Ρ ( U Α ) υΑ
J L i= 1
i £

_ i= 1

+ Ρ (A
p+1
) - Ρ
[δ, V"v.]
d'apres l e theoreme des p r o b a b i l i t e s t o t a l e s .

Or on a

D'apres l'hypothese de recurrence

Ρ
U
υ (Α^ η j) Υ
.^,
Ρ (Α.η Α ,)
ι ρ+Γ
1=1

-Σ Σ Ρ (Α^Α ηΑ ) +
1
ι 3*ι
"p+1 1
Ρ + 1
+ (-1) Ρ
Li?, *'J
On a done
ΓΡ+Ι P
Σ Ρ (A ) -£ Σ Σ (AiOA.)
J
i=l i j * i
"p+1 "1
p+2
(-0

III. S o i t Ρ une p r o b a b i l i t e sur un ensemble S f i n i ou denom-

brable.
1°) Montrer que s i AG .$^(S) , B G .^(S) , a l o r s
Ρ ( A u B ) ^ Ρ (A) + Ρ (Β).
120 Chapitre 5

2°) En deduire que s i A j , , A n sont η elements de

. ^ ( S ) , alors :
η
[
η n
U A. <: Υ Ρ (Α.)

SOLUTION

1°) r e s u l t e du theoreme des p r o b a b i l i t e s t o t a l e s . On a :

Ρ (AnB) Η et Ρ (AuB) = Ρ (A) + Ρ (Β) - Ρ (AnB)

Done Ρ (Α υ Β ) £ Ρ ( Α ) + Ρ ( Β )

2°) se d e d u i t de 1°) par recurrence sur n. On a vu ä l a

q u e s t i o n precedente que l a p r o p r i e t e est v r a i e pour n = 2.
Supposons q u ' e l l e e s t v r a i e pour n=p, e t montrons q u ' e l l e
est a l o r s v r a i e pour n=p+l.
D'apres l a question 1°) :
-p+1 -, r ρ
[U Λ,] , Ρ [fi Λ,] . Ρ < V L )

Or par hypothese :

Ρ ΓU Α.] « Σ Ρ (Α.)
Li=1 J ι=1

On a done :
rp+ l - i p+1

IV. Dans une e n t r e p r i s e de c o n s t r u c t i o n , parmi un e f f e c t i f

de 80 o u v r i e r s (ensemble 0 ) , 15 sont magons-carreleurs, 23
sont maQons seulement, 7 sont c a r r e l e u r s e t non magons, 5
sont plombiers seulement. Quelle e s t l a p r o b a b i l i t e pour
qu'un o u v r i e r de c e t t e e n t r e p r i s e s o i t :
1°) magon ou plombier ?
2°) maQon ou c a r r e l e u r ?
Exercices C. P r o b a b i l i t e s t o t a l e s 121

SOLUTION

On considere l e s evenements :

Η 0 Μ : " l ' o u v r i e r est ma£on"

C : " l ' o u v r i e r est c a r r e l e u r "
Ρ : " l ' o u v r i e r est plombier"

• Mnc

Card (MnC) = 15 Card (C) = 7 + 15 = 22

Card Μ = 23 + 15 = 38 Card (P) = 5

υ
1°) Puisque MnP = φ on a :

Ρ (MUP) = Ρ (Μ) + Ρ (Ρ) = + Α =

43
80
Ρ (ΜυΡ) - 0,537

2=) Ρ (ΜυC) Ρ (Μ) + Ρ (C) - Ρ (HOC) = f f § § - > § = |§

+

Ρ (MuC) - 0,562. •

V.
?
1°) Soient Α et Β deux sous-ensembles d u n ensemble f i n i Ε
avec a = Card A, b = Card Β e t c = Card AnB. Quel est l e
C a r d i n a l de AuB ?
2°) On se s e r v i r a de ce r e s u l t a t pour resoudre l e probleme
suivant : ä toute personne achetant un de ses p r o d u i t s , un
vendeur donne ä c h o i s i r une enveloppe renfermant un t i c k e t
numerote.
Si ce t i c k e t est bleu ou s ' i l p o r t e un numero p a i r , l ' a -
cheteur se v o i t a t t r i b u e r un cadeau.
Le vendeur veut que l e premier c l i e n t a i t une chance
sur deux de gagner. I I f a i t numeroter, en nombre e g a l , de 1
ä 5, 1 000 t i c k e t s dont 10 bleus p o r t e n t un numero p a i r .
Combien y a u r a - t - i l d'enveloppes contenant un t i c k e t b l e u ?
122 Chapitre 5

SOLUTION

1°) Le r e s u l t a t e s t mis en evidence dans un diagramme de

Venn

{—ι AnB
mm AnB

Card (AuB) = Card A + Card Β - Card (AnB)

Card (AuB) = a + b - c

2°) Soient A l'ensemble des nombres p a i r s e t Β l'ensemble

des t i c k e t s bleus ; Card (AuB) represente l e nombre de
t i c k e t s bleus ou p a i r s . C'est done l e nombre de cas favora-
bles.
Par consequent, l a p r o b a b i l i t e Ρ de gagner, pour l e
premier c l i e n t e s t :
= Card (AUB) _
U , D
1 000
d'oü
Card (AuB) = 500.
Les numeros etant r e p a r t i s uniformement, i l y a 200 t i -
ckets de chaque numero. Or, entre 1 e t 5, i l y a 2 nombres
p a i r s (2 e t 4 ) , done Card (A) = a = 400.
Puisque Card (AnB) = c = 10 e t que Card (AuB) = 500
= a + b - c, s o i t 500 = 400 + b - 10, on en d e d u i t
b = 500 - 400 + 10 = 110.
1
I I y a done 110 enveloppes contenant un t i c k e t bleu.
Exercices C. P r o b a b i l i t e s t o t a l e s 123

VI. Dans un e c h a n t i l l o n de 1 000 p a t i e n t s , on r e l e v e 300 per­

sonnes malades des poumons (evenement Ρ ) , 600 personnes mala­
des du coeur (evenement C) e t 200 i n d i v i d u s s o u f f r a n t d'hyper­
t e n s i o n (evenement H).
1°) C a l c u l e r Card (HOC), sachant que 76 % des p a t i e n t s
s o u f f r e n t d'hypertension ou de maladies cardiaques.
2°) Sachant que Card ( P n C ) = 60 e t que Card (Ρ Π C Π H) = 0,
c a l c u l e r Card (Ρ η H).
3°) Quelle e s t l a p r o b a b i l i t e de trouver un p a t i e n t souffrant
d'hypertension ou d'une maladie pulmonaire ?

SOLUTION

1°) Ρ ( H u C ) = Ρ (Η) + Ρ (C) - Ρ (HOC) = 0,76

> <»> = r § § ö =
ρ
<« - rm • ".«>
On en d e d u i t
Ρ (HOC) = 0,8 - 0,76 = 0,04
et comme
m Card (HOC)
n n u ;
* ^ 1 000
Card (HOC) = 40.
I I y a done 40 personnes a t t e i n t e s d ' h y p e r t e n t i o n e t maladies
du coeur.
124 Chapitre 5

Card (Ε) - Card (Ρ) + Card (C) + Card (H)

- Card (PHC) - Card (Ρ Π H) - Card (HnC)
1 000 = 300 + 600 + 200 - 60 - Card (Ρ π Η) - 40
On en d e d u i t
Card (ΡΠΗ) « 0.
3°) Ρ (Ρ υ Η) = Ρ (Ρ) + Ρ (Η) - Ρ (Ρ π Η) = -^<g_ + -IgO- = 0,5.
EXERCICES D. PROBABILITES COMPOSEES ET THEOREME DE BAYES

I. Soient Α e t Β deux evenements independents.

Montrer que Α e t Β sont independants.

SOLUTION

On a ä montrer que Ρ (Α Π Β) = Ρ (Α) Ρ (Β)

Or Α = [ ΑπΒ] υ [AHB]
[ Α ΠΒ] Π [ΑΠΒ] - φ

β ΑΠ Β

D'apres l e second axiome de d e f i n i t i o n d'une p r o b a b i l i t e

Ρ (A) = Ρ (ΑΠΒ) t Ρ (AHB)

done Ρ (ΑΠΒ) = Ρ (A) - Ρ (ΑΠ Β) = Ρ (Α) - Ρ (Α) Ρ (Β)
car Α e t Β sont independants, d'oü :
Ρ (ΑΠΒ) = Ρ (Α) [ 1 - Ρ (Β) ] = Ρ (Α) Ρ (Β)
( c o n d i t i o n de n o r m a l i s a t i o n ) .

II. Considerons une urne contenant Mj boules noires e t M^

boules blanches. On t i r e η boules, avec remise, au hasard.
126 Chapitre 5

1°) Preciser un ensemble fondamental S associe ä c e t t e ex-

perience, a i n s i que l a p r o b a b i l i t e Ρ sur cet ensemble.
2°) Soit l'evenement : " l a premiere boule n o i r e apparait
eme
au i t i r a g e " . Calculer Ρ (T\) : pour 1 £ i £ n.
3°) Soit E^ l'evenement : "on o b t i e n t i boules blanches
l o r s des η t i r a g e s " . Calculer Ρ (E^) pour 1 £ i £ n.
4°) Determiner l a p r o b a b i l i t e d'obtenir au moins une boule
noire.

SOLUTION

1°) S = {Ν, Β} (N pour n o i r e , Β pour blanche)

Μ Μ
Ρ (Ν) = , Ρ (Β) = -~ oü Μ = Μ, + Μ 2

2°) Les t i r a g e s se f a i s a n t avec remise, les evenements

. erne
" t i r e r une boule n o i r e au i t i r a g e " et " t i r e r une boule
e m e
n o i r e au j t i r a g e " sont independants s i i φ j . On a done
ΓΜ Ί i - 1 Μ
Ρ (Τ.) = [Ρ (Β)] χ Ρ (Ν)
1
Χ =^J
1 η _ 1
Μ0 Μ,
1
3°) de meme : Ρ (Ε.) = [Ρ (Β)] 1
= _1 χ JL
M M
4°) Soit F l'evenement : "on o b t i e n t au moins une boule
n o i r e " . Alors F = Ε et d'apres l a c o n d i t i o n de normalisation
Ρ (F) = 1 - Ρ (E n ) = 1

I I I . Soit Ρ une p r o b a b i l i t e sur un ensemble S f i n i ou denom-

brable. Si A j , A n sont η evenements, montrer par recur­
rence sur η que :

n
Γ "I n-1
Ρ Π A = Ρ (Α,) Ρ (A /A,) Ρ (Ag/AjO A )... Ρ (A / Π A)
Li=l J
£ 2 £ R £

i=l
 Exercices D. P r o b a b i l i t e s composees. Theoreme de Bayes 127

SOLUTION

Si n=2 on a, par d e f i n i t i o n d'une p r o b a b i l i t e composee :

Ρ (AjO A ) = Ρ ( A j ) Ρ ( A / A j )
2 2

Supposons l a r e l a t i o n v r a i e pour n=p. Alors par d e f i n i t i o n

d'une p r o b a b i l i t e composee
p+1 r ρ η Ρ Ρ
Ρ(Π Α.)=Ρ (Π Α )Π Α , - Ρ ( Π Α.) Ρ (Α /Π Α )
L ί= ι J ί= 1
± + £

i=l ρ i=l
d'oü l e r e s u l t a t . •

IV. Quelle e s t l a p r o b a b i l i t e de s o r t i r 421 en lanqant 3 des

simultanement ? ( j e u du 421)

SOLUTION

lere methode : P r o b a b i l i t e composee

3
ρ (4 e t 2 e t 1 dans 1 O r d r e ) = ρ (4) χ ρ (2) x ρ (1) = φ

Les 3 des e t a n t j e t e s simultanement, 1

l o r d r e n ' i n t e r v i e n t pas,
et i l y a 3! faqons equiprobables d'avoir 4,2,1, d'oü :
3
ρ (4 e t 2 e t 1 sans ordre) =3! φ = 3^ = 0,029.
2eme methode : Denombrement
3 3
Le nombre de cas possibles est α, = 6
ο
Le nombre de cas favorables est P^ = 3!

d'oü ρ = 1 1 = = 0,029
6

V. T r o i s des sont truques de s o r t e que, pour chaque de, l a

p r o b a b i l i t e de s o r t i r 1 as e s t 2 f o i s plus grande que c e l l e
de s o r t i r n'importe quel autre numero. Quelle e s t l a proba­
b i l i t e de s o r t i r , sur un lancer des 3 des, 421 ?
128 Chapitre 5

SOLUTION

Ρ (As) = 2 Ρ (2) = 2 Ρ (3) - 2 Ρ (4) = 2 Ρ (5) = 2 Ρ (6)

avec l a c o n d i t i o n :
Ρ (As) + Ρ (2) + Ρ (3) + Ρ (4) + Ρ (5) + Ρ (6) = 1
ce q u i e n t r a i n e
Ρ ( A s )
Ρ (As) + 5 2 = 1 = j Ρ (As) d'ou Ρ (As) = ~

La p r o b a b i l i t e de s o r t i r 421 ( p r o b a b i l i t e s independantes)
Ρ (4 e t 2 e t 1 sans ordre) = 3! Ρ (4) χ Ρ (2) χ Ρ (1)
1 1 2
J
7 7 7
Ρ (4,2,1) = = 0,035. •

VI. Parmi 1 000 moteurs d'une c e r t a i n e f a b r i c a t i o n , 725 mo-

teurs ont fonctionne sans probleme pendant l e s 3 premieres
annees e t 375 l e s 5 premieres annees.
Quelle e s t l a p r o b a b i l i t e pour qu'un moteur, n'ayant
pas eu de probleme pendant l e s 3 premieres annees, fonctionne
encore pendant 2 ans ?

SOLUTION

lere methode : c a l c u l d i r e c t

S o i t Ε l'ensemble des moteurs e t considerons l e s eve­

nements :
Exercices D. P r o b a b i l i t e s composees. Theoreme de Bayes 129

A : "moteurs ayant f o n c t i o n n e 3 ans sans probleme"

Β : "moteurs ayant f o n c t i o n n e 5 ans sans probleme".
Card (E) = 1 000 ; Card (A) = 725 ; Card (B) = 375
= Card (An B)
Nombre de cas favorables : 375
Nombre de cas possibles : 725
D'oü
^7S
P -0,517.
2eme methode :
La p r o b a b i l i t e pour qu'un moteur fonctionne 3 ans sans
probleme est :

p ( A )
• -TS3Ö =
°> 725

La p r o b a b i l i t e pour qu'un moteur fonctionne 5 ans est :

p ( A n B ) = = 3 7 5
-rSö °>
Par consequent, l a p r o b a b i l i t e pour qu'un moteur n'ayant
pas eu de probleme pendant l e s 3 premieres annees, fonctionne
encore 2 ans est :
P Α Π Β Q 3 7 5
Ρ (β/Α) -
Y W A ;
< > = > = 0 517 U , : ? 1 /
Ρ (A) 0,725 '

VII. On estime ä 15 % l e nombre de vacanciers f r a n g a i s q u i

choisissent de sortir de France. Parmi ceux-ci, 35 Ζ vont en
Espagne et 25 % vont en I t a l i e .
Quelle est l a p r o b a b i l i t e pour qu'un Fran^ais prenne ses
vacances :
1°) en I t a l i e ?
2°) en Espagne ?
130 Chapitre 5

SOLUTION

1°) La p r o b a b i l i t e ρ pour qu'un F r a r ^ a i s passe ses vacances

en I t a l i e e s t :
0375
ρ = T M X
m~ °·
s o i t 3,75 % de vacanciers f r a n g a i s vont en I t a l i e .
!
2°) La p r o b a b i l i t e q pour qu un Frangais passe ses vacances
en Espagne e s t :
x 0525
«- m ik = °>
s o i t 5,25 % de vacanciers f r a n 9 a i s vont en Espagne. •

V I I I . Un r e v o l v e r ä 6 coups c o n t i e n t une b a l l e dans l e b a r i l -

l e t . On f a i t tourner l e b a r i l l e t ä chaque f o i s avant de t i r e r
sur une c i b l e qu'on ne peut manquer ( P r i n c i p e du j e u de l a
r o u l e t t e russe).
1°) Quelle est l a p r o b a b i l i t e de toucher l a c i b l e au premier
essai ?
2°) Quelle e s t l a p r o b a b i l i t e de ne pas toucher l a c i b l e au
bout de Ν essais ?
eme
3°) Quelle e s t l a p r o b a b i l i t e de toucher l a c i b l e au Ν
essai ?

SOLUTION

2°) La p r o b a b i l i t e de ne pas toucher l a c i b l e apres 1 essai

est :

d'oü l a p r o b a b i l i t e cherchee
Exercices D. P r o b a b i l i t e s composees. Theoreme de Bayes 131

3°) Les N-1 premiers essais ayant echoue, l e Ν devant

reussir,

' - Φ-' »i

IX. T r o i s usines Α, Β e t C produisent respectivement 50 %,

30 % e t 20 % des moteurs de v o i t u r e s . Parmi l a p r o d u c t i o n de
chacune de ces usines, 5 %, 3 % e t 2 % des moteurs fabriques
sont defectueux. C a l c u l e r l a p r o b a b i l i t e pour qu'un moteur
defectueux provienne de l ' u s i n e A.

SOLUTION

On considere l e s evenements :
A : l e moteur v i e n t de l ' u s i n e A (idem pour Β e t C)
D : l e moteur f a b r i q u e est defectueux
Ό : l e moteur f a b r i q u e n'est pas defectueux.
lere methode : Theoreme de ßayes
Ρ (Α) x Ρ (D/A)
Ρ (A/D)
Ρ (Α) x Ρ (D/A) + Ρ (Β) Χ Ρ (D/B) + Ρ (C) χ Ρ (D/C)
avec
Ρ (Α) = 0,50 ; Ρ (Β) = 0,30 ; Ρ (C) = 0,20
Ρ (D/A) = 0,05 ; Ρ (D/B) = 0,03 ; Ρ (D/C) = 0,02
d'oü
ρ /η/Λ\ = 0,50x0,05 - 0,025 . 2 ,5 „ Q
κ J 9 J O
' 0,50x0,05+0,30x0,03+0,2x0,02 0,038 3,8
 132 Chapitre 5

2erne methode
2,5 sont defectueux : D
50 viennent
de A
47,5 ne l e sont pas : D
0,9 D
sur 100 moteurs 30 de Β
29,1 D
0,4 D
20 de C
19,6 D

Nbre de moteurs defectueux venant de A

Ρ (A/D) =
Nbre t o t a l de moteurs defectueux
2,5 _ 2,5
0,658
2,5 + 0,9 + 0,4 3,i

X. Une p a r t i e des accidents s c o l a i r e s e s t due ä des a c c i -

dents de l a b o r a t o i r e s . 25 % des e t u d i a n t s ne l i s e n t pas les
f
n o t i c e s de mise en garde q u i accompagnent l e s p r o d u i t s qu ils
manipulent. Parmi ceux q u i l i s e n t , 10 % ont t o u t de meme des
accidents, par manque de precaution.
Quelle e s t , pour un etudiant q u i ne l i t pas l a n o t i c e ,
1
l a p r o b a b i l i t e d a v o i r un accident s i l a p r o b a b i l i t e pour
f
qu un accidente n ' a i t pas l u l a n o t i c e e s t de 0,7273 ?

SOLUTION

On considere l e s evenements :
1
A : " l e t u d i a n t a un accident"
! f
A : " 1 e t u d i a n t n'a pas d a c c i d e n t "
f
L : "l etudiant a l u l a notice"
1 !
L : " l e t u d i a n t n a pas l u l a n o t i c e " .
lere methode : Theoreme de Bayes
Exercices D. P r o b a b i l i t e s composees. Theoreme de Bayes 133

Ρ (L) x Ρ (A/L)
Ρ (L/A) =
Ρ (L) χ Ρ (A/L) + Ρ (L) x Ρ (A/L)
1
On d o i t c a l c u l e r Ρ (A/L) : p r o b a b i l i t e d a v o i r un acci­
!
dent pour un e t u d i a n t q u i n a pas l u l a n o t i c e
0,25 x Ρ (A/L)
0,7273
0,25 χ Ρ (A/L) + 0,75 χ 0,10
On en d e d u i t :
P (A/L) = 0.75 x 0,10 x 0,7273 =
{ A / L ) öü
0,25 - 0,25 x 0,7273 °' -
2eme methode :
7,5 ont un accident (A/L)
75 l i s e n t l a n o t i c e
(L) f f
67,5 n o n t pas d a c c i -
dent (A/L)
sur 100 e t u d i a n t s

χ ont un accident (A/L)

25 ne l a _ l i s e n t
1
pas (L) j 25-x n*ont £as^ d a c c i ­
dent (A/L)

0,7273 = q u i donne χ 20

=υ
La p r o b a b i l i t e cherchee e s t :

Ρ (A/L) = = 0,80.

X I . Une enquete p o r t a n t sur un plan d'urbanisme donne l a r e ­

p a r t i t i o n suivante des a v i s des h a b i t a n t s d'une v i l l e com-
prenant 4 arrondissements. ( v o i r tableau page s u i v a n t e ) .

Calculer l e s p r o b a b i l i t e s
1°) pour qu*une personne p l u t o t favorable provienne du
quartier 3
!
2°) pour qu une personne provenant du q u a r t i e r 2 s o i t p l u t o t
defavorable.
 134 Chapitre 5

Arrondissements ! 2 3 4

P o p u l a t i o n de
1 15 % 32 % 23 % 30 %
1 arrondissement

Plutot
12 % 31 % 72 % 55 %
favorable

Plutot
60 % 45 % 5 % 31 %
defavorable

Ne se p r o -
28 % 24 % 23 % 14 %
noncent pas

SOLUTION

On considere l e s evenements
F : " p l u t o t favorable" D : " p l u t o t defavorable"
Ν : "ne se prononce pas" : "habite l e quartier i "
1°) D*apres l e theoreme de Bayes, on a
P(Q )xP(F/Q )
3 3

P ( Q / F ) =
3 P(Q,)xP(F/Qj)+P(Q ) P(F/Q )+P(Q ) Ρ(F/Q )+P(Q ) P(F/Q )
2 2 3 3 4 4

ou encore :
P i 0 / F ) m 23%x72%
ΚΗ
3' ' I 15%xl2%] +[ 32%x31%] +[ 23%x72%] +[ 30%x55%]
2 3 X 7 2
P(Q,/F) -
*Ύ ' (15x12) + (32x31) + (23x72) + (30x55)
P
<V F)
= Ü M ^ °> 3 4

2°) Ρ (D/Q ) = 45 7o.2

EXERCICES CHAPITRE 5 Ε. EXERCICES COMPLEMENTAIRES

I. On suppose que l a p r o b a b i l i t e pour qu'un nouveau-ne s o i t

un garQon e s t de 0,55. Cet evenement e t a n t independant des
i n d i v i d u s , q u e l l e est l a p r o b a b i l i t e pour que, sur 5 nouveaux-
nes d'une c l i n i q u e , i l y a i t 2 garcons ?

SOLUTION

La p r o b a b i l i t e elementaire pour qu'un nouveau-ne s o i t

un g a ^ o n est :
Ρ = 0,55
Par s u i t e l a p r o b a b i l i t e elementaire pour qu'un nouveau-ne
s o i t une f i l l e est :
q = 1-p = 0,45.
D'oü l a p r o b a b i l i t e pour que, sur 5 nouveaux-nes, i l y a i t
2 garcons :
2 5 2
Ρ (2) - C^ p q "
2 3
Ρ (2) = γ^γ (0,55) (0,45)

Ρ (2) = 0,28.

II. Parmi h u i t equipes de f o o t - b a l l dont 6 de premiere d i v i ­

sion e t 2 de deuxieme d i v i s i o n , seulement quatre d'entre
e l l e s doivent jouer un c e r t a i n j o u r . On dispose d'une urne
contenant h u i t tubes ä l ' i n t e r i e u r desquels se t r o u v e n t l e s
noms des equipes. Un o f f i c i e l t i r e 4 tubes au hasard. Quelle
est l a p r o b a b i l i t e d ' a v o i r , parmi l e s 4 equipes :
 136 Chapitre 5

1°) 2 equipes de 2eme d i v i s i o n Ρ (2) ?

2°) 1 equipe de 2eme d i v i s i o n Ρ (1) ?
3°) 0 equipe de 2eme d i v i s i o n Ρ (0) ?
4°) Quelle e s t l a r e l a t i o n q u i e x i s t e entre l e s 3 p r o b a b i ­
l i t e s calculees ?

SOLUTION
4
1°) I I y a Cg manieres p o s s i b l e s de prelever 4 tubes parmi
les 8. Le nombre de facons de c h o i s i r 2 equipes de 2eme d l v i -
2
s i o n e s t C , de meme que l e nombre de fa£ons de c h o i s i r 2
2

equipes de l e r e d i v i s i o n est C^. Le nombre de cas f a v o r a b l e s

2 2
x
est done C 2 C^. Par consequent,
C X C
ρ ( ) 2
2 = 6 = 1M5 ,J,
L
8
2°) Dans ce cas, on d o i t a v o i r une equipe de 2eme d i v i s i o n
parmi 2, e t 3 equipes de lere d i v i s i o n parmi 6, s o i t
C χ C 1 3

2 6
Ρ (1) - 2 x 20 _8_ =

C
8
f
3°) I I f a u t que l e s 4 equipes soient de lere d i v i s i o n , d oü

C C
2 6 1 x 15 3
Ρ (0) = — - =^ 1 ^ = ^,0,214
C
8'
4°) On remarque que
Ρ (0) + Ρ (1) + Ρ (2) = 1
ce q u i e s t normal puisque l e s t r o i s cas consideres correspon­
dent aux seuls t r o i s cas p o s s i b l e s . •

f
III. Lors d u n t e s t , on pose ä 4 personnes 1 q u e s t i o n en l e u r
donnant 3 reponses. Les 4 personnes interrogees n'ont aucune
connaissance sur l e s u j e t pose, e l l e s devront done repondre
au hasard.
Exercices Ε. Exercices complementaires 137

En d i s t i n g u a n t l e s 3 reponses, q u e l l e e s t l a p r o b a b i l i t e
pour que :
1°) l a meme reponse s o i t donnee par l e s 4 candidats ?
2°) deux reponses seulement, parmi l e s 3, s o i e n t donnees ?
3°) en deduire l a p r o b a b i l i t e pour que l e s 3 reponses s o i e n t
enoncees.

SOLUTION
e t R e s
Soient R j , 3 l 3 reponses. Le nombre de c o n f i ­
g u r a t i o n s possibles e s t :
4 4
Ν = α = 3 = 81 3

!
1°) Le nombre de fagons d a v o i r l a meme reponse ( s o i t R j ,
s o i t R , s o i t R^) e s t :
2

1 3!
n
l " 3 C =
2! 11 " 3

f
d ou

*i =
Ä =
27^ °> 0 3 7

2°) Tour que deux des t r o i s reponses soient donnees, deux

p o s s i b i l i t e s sont ä envisager :
a) Deux candidats donnent l a meme reponse, l e s 2 a u t r e s
candidats donnant une a u t r e reponse

( ex : l e 1er e t l e 2eme donnent l a reponse Rj

l e 3eme e t l e 4eme donnent l a reponse R 2
\
J
Le nombre de cas favorables ä c e t t e e v e n t u a l i t e e s t :
. _2 r 4!
2 3 2ΤΤΓ
2
C~ correspond au nombre de fa£ons de c h o i s i r l e s couples de
4!
reponses e t l e terme , 21 2
e s t e a
S ^ a u n o m D r e
de permutations
d i s t i n c t e s avec 2 r e p e t i t i o n s d'ordre 2, d'oü
n = c x = 1 8
2 3 ΤΓΊΤ
 138 Chapitre 5

b) 3 candidats donnent l a meme reponse, l e 4eme candidat

donnant une autre reponse
ex : l e 1er, l e 2eme e t l e 3eme repondent Rj
e t l e 4eme repond R 2

Le nombre f a v o r a b l e ä c e t t e e v e n t u a l i t e e s t :
2 4'
n = C X X 2 a v e c
2 3 3Ϊ
2
C^ : nombre de faQons de c h o i s i r 2 reponses parmi l e s 3 pro-
posees
4J_ 1
nombre de permutations avec r e p e t i t i o n d o r d r e 3
3!
Le f a c t e u r 2 exprime l e f a i t que pour un couple de reponses
T
c h o i s i ( R p R ) i l y a 2 p o s s i b i l i t e s suivant que c e s t Rj ou
2

R 2 q u i e s t donne 3 f o i s . D'oü :

n = C X X 2 = 2 4
2 3 3T
Par consequent, l e nombre de cas favorables correspondant
ä deux reponses enoncees seulement, e s t :
n 2 = n^ + n£ = 18 + 24 = 42
d'oü
_ 42 _ 14 _
p 5 1 9
2 " 8Ϊ " 27 " ° >
3°) On en d e d u i t que l a p r o b a b i l i t e pour que l e s 3 reponses
figurent est :

P 3 = 1 " (Pj P ) = τ| +
2 = 0,444.

On r e t r o u v e , n a t u r e l l e m e n t , l e meme r e s u l t a t en remarquant que

dans ce cas, une meme reponse devra e t r e donnee par 2 candidats
II y a fa9ons de c h o i s i r c e t t e reponse. I I r e s t e r a a l o r s ä
permuter l e s 4 reponses dont deux sont i d e n t i q u e s , d'oü
n =c
3 3xil=36 et
ρ3=1τ = ϊτ·
Exercices Ε. Exercices complementaires 139

IV. Une b o i t e A c o n t i e n t 12 a r t i c l e s dont 3 sont defectueux ;

une a u t r e b o i t e i d e n t i q u e Β c o n t i e n t 16 a r t i c l e s dont 5 sont
defectueux. On t i r e d'une b o i t e c h o i s i e au hasard, un a r t i c l e
au hasard. Quelle est l a p r o b a b i l i t e Ρ (Ε) pour que 1 ' a r t i c l e
s o i t defectueux ?

SOLUTION

Diagramme en arbre
Soient l e s evenements suivants :
I : "on t i r e un o b j e t de l a b o i t e I " ( I peut e t r e s o i t A,
s o i t B)
D/I : " l ' o b j e t t i r e de I e s t defectueux"
N/I : " l ' o b j e t t i r e de I n'est pas defectueux"
Ρ (A) = Ρ (Β)
2
Ρ (D/A) = A _9_ 2
Ρ (Ν/Α) =
4 12 4
_Μ
Ρ (D/B) = ^ Ρ (Ν/Β) =
16

Ν/Α
D/B

Ν/Β

Par d e f i n i t i o n des p r o b a b i l i t e s composees on a :

Un a r t i c l e defectueux peut e t r e obtenu s o i t suivant l e p r o -

140 Chapitre 5

cessus AnD, s o i t suivant l e processus Β OD. On o b t i e n t , les

evenements etant independants

Ρ (Ε) = Ρ [(Α Π D) υ (Β Π D)] = ρ (AOD) + ρ (BOD)

6. Les lois de probabilite

A. VARIABLES ALEATOIKES

I. INTRODUCTION
f
I I e s t frequent que l o n associe une v a l e u r numerique ä
t o u t r e s u l t a t d'une experience a l e a t o i r e . La n o t i o n de v a r i a -
b l e a l e a t o i r e e s t l a f o r m a l i s a t i o n mathematique de c e t t e
situation.

Exemple 1

Considerons une experience a l e a t o i r e J<^consistant ä

j e t e r η pieces. Un r e s u l t a t de c e t t e epreuve peut e t r e repre­
sente par une s u i t e de η termes, l e s uns egaux ä F (pour
" f a c e " ) , l e s autres egaux ä Ρ (pour " p i l e " ) .
L'ensemble fondamental S associe ä 1 epreuve J ^ e s t done ;
1

n
S = {P, F } = {(χ , x , . . . , x ) / x = Ρ ou x^ = F pour i = 1 ,... ,n}
2 n

Supposons que l e joueur marque un p o i n t chaque f o i s qu'il

1
o b t i e n t " p i l e " . Α chaque r e s u l t a t de l e p r e u v e > on peut
done assdeier l e nombre de p o i n t s marques. On d e f i n i t a i n s i
une a p p l i c a t i o n X de S dans l'ensemble des e n t i e r s naturels
N. L'ensemble des v a l e u r s p r i s e s par X e s t
X (S) = {0,1,2,...,η}
142 Chapitre 6

Exemple 2

Considerons une c i b l e c i r c u l a i r e de rayon R Q > 0 , e t sup-

posons que tous l e s t i r s a t t e i g n e n t l a c i b l e e t que l a proba-
b i l i t e d'atteindre une p a r t i e de l a c i b l e est p r o p o r t i o n n e l l e
ä l a s u r f a c e de c e t t e p a r t i e . A chaque t i r , on associe l a
d i s t a n c e du p o i n t d'impact au centre de l a c i b l e . Comme dans
1'exemple precedent, ä chaque r e s u l t a t de 1 epreuve on associe T

un nombre, ce q u i determine une a p p l i c a t i o n X. L'ensemble des

v a l e u r s p r i s e s par X e s t l ' i n t e r v a l l e [ 0 , R ] .
ο
Definition

S o i t S un ensemble fondamental associe ä une epreuve .

On a p p e l l e v a r i a b l e a l e a t o i r e toute a p p l i c a t i o n X d e f i n i e sur
S ä v a l e u r s numeriques.

Notation

Si X e s t une v a r i a b l e a l e a t o i r e d e f i n i e sur un ensemble

fondamental S r e l a t i f ä une epreuve , e t s i a e s t un
nombre r e e l , on pose :
(X = a) = { r GS/X ( r ) = a} (6. 1)
C'est ä d i r e que (X = a) est l'ensemble des r e s u l t a t s de
1 e p r e u v e .Q^auxquels
T
1 a p p l i c a t i o n X associe l a v a l e u r a.
1

. De meme :
(X * a) = { r GS/X ( r ) S a} (6.2)
On d e f i n i r a i t de meme (a £ X £ b ) , (X < a ) , e t c .
. Si Ε e s t une p a r t i e de R , on pose :
(XGE) = ( r e S / X ( r ) G Ε} (6.3)

Exemple δ

Considerons l a v a r i a b l e a l e a t o i r e X du premier exemple.

On a vu que l'ensemble des v a l e u r s p r i s e s par X est
X (S) = { 0 , 1 , 2 , . . . , n }
L'evenement (X = 0 ) e s t l'ensemble des r e s u l t a t s de 1'epreuve
A. V a r i a b l e s a l e a t o i r e s 143

t e l s que l e joueur ne marque aucun p o i n t . On a done :

(Χ = 0) = { ( F , F, F, ..., F ) }
De meme :
(X = 1) = {(P,F,...,F), (F,P,F,...,F),..., (F,...,F,P)}
etc.
(X = η) = {(Ρ,Ρ,Ρ,... ,P)}
Si l a p r o b a b i l i t e ρ d O b t e n i r " p i l e " est l a meme pour t o u t e s
les pieces, on aura ( c f . 5.19)
1 11 1
Ρ (X = i ) = C* p q "* pour i = 0,1,2,...,η (6.4)
T
oü q = 1-p est l a p r o b a b i l i t e d o b t e n i r "face" avec une piece
quelconque.
T
On a done c o n s t r u i t un nouvel ensemble - 1 ensemble X (S)
des p o i n t s que l e joueur peut marquer - e t t r a n s p o r t s l a p r o -
b a b i l i t e d e f i n i e sur S ä ce nouvel ensemble.

Exemple 4

Considerons l a v a r i a b l e a l e a t o i r e X du second exemple.

S o i t r un nombre t e l que 0 £ r £ R . (X = r ) est l'ensemble q

des p o i n t s de l a c i b l e dont l a distance au centre esc r . La

surface de cet ensemble est n u l l e , et par s u i t e Ρ (X = r ) = 0.
Par centre : p ( χ< r ) = πτ r ^
Z
πR R
ο ο

II. LOI DE PROBABILITE, FONCTION DE REPARTITION, DENSITE

DE PROBABILITE

Definition

On appelle l o i de p r o b a b i l i t e d'une v a r i a b l e a l e a t o i r e X
d e f i n i e sur un ensemble fondamental S, l a donnee des proba­
b i l i t e s Ρ (XGE) pour t o u t I n t e r v a l l e Ε de R.
P l u s i e u r s cas se presentent, suivant que l'ensemble X (S)
des valeurs p r i s e s par l a v a r i a b l e a l e a t o i r e X est f i n i , de-
nombrable ou continu.
 144 Chapitre 6

1. V a r i a b l e a l e a t o i r e finie

X (S) = { x j , x , ..., x }
2 R

La l o i de p r o b a b i l i t e de X est entierement determinee par l a

donnee des p^ = Ρ (X = x^) pour i = 1, n. On a :

V i = 1, ..., η, p £ ^ 0

Σ Pi - 1 (6.5)
i=l

2. V a r i a b l e a l e a t o i r e denombrable

X (S) = { x j , x , 2 x , ...}
n

Comme precedemment l a l o i de p r o b a b i l i t e de X e s t entierement

determinee par l a donnee des p^ = Ρ (X = x^) pour i G N*. On a :
Vi G Ν , P i >, 0
oo

Remarque : s i X (S) e s t f i n i e ou denombrable, X e s t d i t e

discrete.

3. V a r i a b l e a l e a t o i r e continue
1
X e s t d i t e continue s i X (S) e s t une r e u n i o n d i n t e r v a l l e s
!
de R. ( c e s t l e cas du second exemple, oü X (S) = [ 0 , R ] ) .
Pour t o u t nombre χ, on a Ρ (Χ = χ) = 0 .
On determine l a l o i de p r o b a b i l i t e de X par l a donnee des
p r o b a b i l i t e s Ρ (X £ χ ) , pour t o u t χ Ε R.

Definition

Si X e s t une v a r i a b l e a l e a t o i r e d e f i n i e sur un ensemble

fondamental S, on appelle f o n c t i o n de r e p a r t i t i o n de X 1*ap­
p l i c a t i o n F d e f i n i e sur R par :

Vx G R, F (χ) - Ρ (X £ χ)
Α. V a r i a b l e s aleatoires 145

Definition

Si l a f o n c t i o n de r e p a r t i t i o n F d'une v a r i a b l e aleatoire
continue X e s t d e r i v a b l e en t o u t p o i n t χ Ε R, de derivee f (χ),
sauf p e u t - e t r e en un nombre f i n i de p o i n t s , e t s i :
χ
¥x Ε R, Ρ (X < x ) = F ( x ) = / f (t) dt (6.6)
—oo

on d i t que X e s t une v a r i a b l e a l e a t o i r e absolument continue,

f est appelee l a d e n s i t e de p r o b a b i l i t e (ou encore f o n c t i o n
de d i s t r i b u t i o n ) de X.

Exemple 5

La v a r i a b l e a l e a t o i r e X des exemples 2 e t 4 e s t absolu­

ment continue. Sa f o n c t i o n de r e p a r t i t i o n e s t :
0 siχ < 0
2
F (x) ^7 s i 0 < χ < R
2
R
ο
1 siχ > R
F est d e r i v a b l e en t o u t p o i n t χ Ε R sauf en χ = R
ο
La d e n s i t e de p r o b a b i l i t e de X e s t :
0 siχ < 0
2x
f (x) -— s i 0 < χ < R
.2 ο

si χ > R

Remarques :

1) Si X e s t une v a r i a b l e a l e a t o i r e absolument continue

de densite de p r o b a b i l i t e f , on a :
a
Γ
. V a E R , VbE R, a £ b, P ( a $ X £ b ) = f ( t ) d t =F (b) -F (a)
oo (6.7)
. / f (t) dt = 1 et Vt Ε R, f ( t ) > 0
—oo

2) Si X e s t une v a r i a b l e a l e a t o i r e f i n i e ou denombrable
 146 Chapitre 6

(X (S) = { x j , x , . . . } ) l a f o n c t i o n de r e p a r t i t i o n F de X
2

determine encore l a l o i de p r o b a b i l i t e de X e t on a :
ß
Ρ (a < Χ < b) = £ Ρ (Χ = χ . ) ,
ί=α
si χ < a £ χ et χ < b ^ χ
α-1 α 3-1 β
β 0

Dans ce cas :
k
F (χ) = Σ P
( χ= x
i>> s i x
k * x
< x
k + 1

i=l
et F est une f o n c t i o n en e s c a l i e r :

X 0
X
l 2

I I I . ESPERANCE MATHEΜΑΤΙQUE ET MOMENTS

La n o t i o n de v a r i a b l e a l e a t o i r e est l a t r a n s p o s i t i o n
p r o b a b i l i s t e de l a n o t i o n s t a t i s t i q u e de caractere. Au l i e u
de d i s t r i b u t i o n de frequences, on p a r l e de l o i de probabi­
l i t e d'une v a r i a b l e a l e a t o i r e .
Les l o i s de v a r i a b l e s a l e a t o i r e s se representent comme
les d i s t r i b u t i o n s de frequences ( c f . chap. 2 ) . E l l e s s'ana-
l y s e n t de l a meme maniere, au moyen de parametres de p o s i t i o n
ou de d i s p e r s i o n , ou de moments.

1. Variable a l e a t o i r e f i n i e

Definition

Soit X une v a r i a b l e a l e a t o i r e f i n i e sur un ensemble f o n -

A. V a r i a b l e s a l e a t o i r e s 147

x o n
damental S. Si X (S) = { x ^ , > ···> n ^ appelle esperance
mathematique, ou moyenne, de X l e nombre :
η
x
Ε (X) = Σ i M X = χ·) (6.8)
i= 1

2. V a r i a b l e a l e a t o i r e denombrable

Definition

S o i t X une v a r i a b l e a l e a t o i r e denombrable sur un ensem­

b l e fondamental S. X (S) = { x j , x , 2 x , . . . } . On appelle
R

esperance mathematique de X l a somme de l a s e r i e

(χ. Ρ (X = χ.) ) . •
ι ι ιG Ν
s i c e t t e s e r i e est absolument convergente, c'est ä d i r e s i
00

x p χ χ + o
Σ l il ( - ι) < °
i=l
Dans ce cas :
oo

Ε (X) = Σ Xi Ρ (Χ = x ) ±

i=l
1
Cela assure que l a v a l e u r de Ε (X) ne depend pas de l o r d r e
dans l e q u e l on a numerote l e s elements de S ( X ) . Si l ' o n a v a i t
oo
!
seulement Σ Xj_ Ρ (X = x^) < +°° on montre que l o n p o u r r a i t
i= 1
donner n'importe quelle valeur a Ε (X) en changeant l a nume-
r o t a t i o n des elements de S (X).

3. V a r i a b l e a l e a t o i r e absolument continue

Definition

Si X e s t une v a r i a b l e a l e a t o i r e absolument continue de

densite de p r o b a b i l i t e f , on appelle esperance mathematique
de X l e nombre :
148 Chapitre 6

+00

Ε (Χ) = J χ f (χ) αχ (6.9)

—00

!
lorsque 1 i n t e g r a l e e s t convergente.

4. Moments d'une v a r i a b l e a l e a t o i r e

On appelle moment d o r d r e k , k e N , d'une v a r i a b l e a l e ­

T

a t o i r e X , l e nombre m^ d e f i n i par :

= Ε (X*) .

On appelle moment centre d O r d r e k de X , k e N, l e nombre

y^. d e f i n i par :

\x k = Ε [ (X - Ε (X) ) k
) (6.10)

Le moment centre d'ordre 2 e s t l a variance de X :

V (X) = μ 2 = Ε [ (Χ - Ε (Χ) ) 2
] (6.11)

On montre que : (cf. exercice 6 A IV)

V (X) = Ε (X ) -
2
[ Ε (Χ)] 2
(6.12)

La r a c i n e carree de l a variance e s t 1'ecart-type :

σ = /V (X)

IV. INEGALITE DE ΒIENAYME-TCHEBYCHEFF ET LOI DES GRANDS

NOMBRES
1
L i n e g a l i t e de Bienayme-Tchebycheff permet de c a l c u l e r
l a p r o b a b i l i t e de l'evenement : (|x - Ε ( X ) | > a) , a G R . 4

Soit- X une v a r i a b l e a l e a t o i r e absolument continue de d e n s i t e

de p r o b a b i l i t e f . Soient m 1'esperance mathematique de X e t
σ son e c a r t - t y p e .
Si t G R , on a :
Ρ (|X - m| > to) = Ρ (Χ £ m - tö) + Ρ (Χ £ m + t o )
or
m-to"
Ρ (X $ m - to) = J f (x) dx
A. V a r i a b l e s a l e a t o i r e s 149

+00

Ρ (Χ > m + to) = / ' f (χ) dx

m+ta
+00 m-ta 2
J
2
σ = (x - m) f (x) dx = / (x - m) f (x) dx
-00 - 0 0

m+ta 9 +°° 2
+ / (x - m) f (x) dx + / (x - m) f ( x ) dx
m-ta m+ta
done
m-ta 9 +°° 2
a 2
^/ (x-m) Z
f (x) dx + / ( x - m ) f (x) dx
-oo m+ta

m-ta 2 0 ~ m tci

/ ( x - m ) f (x) dx > t a /
2
f (x) dx
-00 - 0 0

+
+«> 9 2 °°
/ (x-m) z
f (x) dx > t a / 2
f (x) dx.
m+ta m+ta
2
On a done : a ^ t a2 x P (|x-m| > to)
2

I I en r e s u l t e l ' i n e g a l i t e de Bienayme-Tchebycheff :

Ρ (|X - m| > ta) ~ (6. 13)

t
Consicferons maintenant une s u i t e i n f i n i e d'experiences
aleatoires --^j ···>
··· identiques e t independantes
, .erne ^ / k r
les unes des autres. A l a 1 epreuve --/^, aseocions une
v a r i a b l e a l e a t o i r e X.. Ces v a r i a b l e s a l e a t o i r e s ont meme es-
1
pärance mathematique m e t meme variance a . 2

Soit Yη l a v a r i a b l e a l e a t o i r e d e f i n i e pour tout η G Ν

par :
η

Χ
1
Υ
= 1 ι=1 χ.
On v e r iη f i e ηque Ε (Υ
ι ) =m

2
V (Υ ) = —
ν
η' η
D'apres l ' i n e g a l i t e de Bienayme-Tchebycheff appliquee ä Y : n
150 Chapitre 6

P ( | Y - m ) | >H)
n <-L
>/n t

en posant :

e = 2L
/n

on a 2
6
Ρ (|Y - m| >€=) <
n
2
( ·^)
ne
On en d e d u i t l a l o i ( f a i b l e ) des grands nombres :
lim Ρ (|Y - m| > ε) = 0 n (6.15)
η -> +οο

Exemp le
. erne .
Soit l e nombre de p o i n t s marques l o r s du ι jet
d'un de. Pour t o u t
i € N*, m = Ε (X.) = τ I 1+2+3+4+5+6] = 3,5
ι ο
σ 2
= V (Χ.) = Ε (χ?) - [Ε (χ)] 2

= [ 1+4+9+16+25+36 ] - 12,25

* 2,916
Determinons l e nombre η de j e t s necessaires pour que 1 On
n
1
a i t au moins 8 chances sur 10 que l a moyenne Y = — .Σ X- des J
η η i=l ι
p o i n t s marques l o r s des η j e t s s'ecarte de m de moins de y^.
On a d'apres l a l o i des grands nombres :
P (|Y -m| <±) n * , -l£j>L

u -, , ΙΟ 2
σ 2
8
On souhaite : 1 - ^ —τ­
η 10
2 2
c'est ä d i r e :- — £ . Compte tenu de ce que σ 2
= 2,916

on en deduit η > 1 4 5 8 . •
Β. LOI BINÖMIALE

1. DEFINITION

Ine v a r i a b l e a l e a t o i r e d e n o m b r a b l e X ä v a l e u r s dans Ν,
s u i t une l o i binömiale de p a r a m e t r e s η e t ρ s i

k k n k
Vk <E Ν Ρ (Χ = k ) = C p q ~ (6. 16)
η
oü q -- 1-p. C e t t e l o i e s t n o t e e . ^ ? ( n , p ) . On r e c o n n a i t dans
1 ' e x p r e s s i o n (6.16) l e terme g e n e r a l du d e v e l o p p e m e n t du
binome de Newton ( c f . 4 . 1 2 ) , d'oü l e nom de l o i binömiale
donne ä c e t t e l o i de p r o b a b i l i t e ( o n d i t a u s s i l o i de Bernouilli).
On r e n c o n t r e c e t t e . l o i ä chaque f o i s oü i l s ' a g i t de d e -
t e r m i n e r l a p r o b a b i l i t e de r e a l i s e r k f o i s un evenement A dans
une s e r i e de η e x p e r i e n c e s a l e a t o i r e s ^-'/ c a r a c t e r i s e e s cbacune
par deux m o d a l i t e s c o m p l e m e n t a i r e s de p r o b a b i l i t e s ρ e t q,
t e l l e s que p+q = 1 ( c f . 5.19).
Exemple

Probabilite d'obtenir k fois as avec un de l a n c e η f o i s

s u c c e s s i v e s , ou avec η des l a n c e s s i m u l t a n e m e n t . On a ρ = ~ ,
ο
q = d'oü d'apres (6. 16)
k k n k
Ρ (X = k ) = C ({) (|) "
152 Chapitre 6

II. DIAGRAMME ET PARAMETRES CARACTERISTIQUES

Le diagramme en batons de l a l o i .'^(η,ρ) depend des

v a l e u r s de η e t p. Au f u r e t ä mesure que ρ augmente, l e
T
diagramme passe progressivement d une forme decroissante
d i t e en L, ä une courbe avec un maximum d'abord dissymetrique
gauche, puis symetrique pour ρ = ~, et ensuite dissymetrique
droite.

Exemple

Ap(X - k)
0,4.
0,3-
0,2.
0,1-
I. llll. .illli. illll,
12345678 012345678 012345678 012345678 k
.^(8;0,1) a?(8;0,2) . ^ ( 8 ; 0,5) . ^ ( 8 ; 0,8)

On peut montrer ( c f . exercice 6 Β I ) que dans l e cas

f
d une l o i binömiale, on a :

Esperance mathematique m - Ε (X) = np

(6. 17)
Variance ν - V (X) « npq

I I e x i s t e des tables de l a l o i binömiale. La table 1 en

f o u r n i t un e x t r a i t t r e s l i m i t e . En p r a t i q u e , on n ' u t i l i s e
c e t t e l o i que pour η r e d u i t ä quelques u n i t e s . Dans certaines
c o n d i t i o n s - precisees ci-dessous - oü e i l e est d'un manie-
ment d i f f i c i l e , on p r e f e r e l a remplacer par l a l o i de Poisson
ou l a l o i normale q u i en sont des formes asymptotiques.
Β. L o i binömiale 153

I I I . APPROXIMATIONS DE LA LOI BINÖMIALE

a) par l a l o i de Poisson
00 1
Lorsque η + et ρ 0, e t que l esperance mathema­
t i q u e r e s t e constante Ε (X) = np = λ, on peut montrer que :
^(η,ρ) • .^(λ) ( c f . exercice 6 Β V I I I )
oü .^(λ) designe l a l o i 'de Poisson ( c f . 6 C)
X
k e"
Ρ (X = k) = λ* -^j- (6.18)
En p r a t i q u e , on considere que .^(λ) c o n s t i t u e une t r e s
bonne approximation de .'ä?(n,p) lorsque η e s t assez grand
(η > 5 0 ) , ρ assez p e t i t (ρ < 0,1) e t np compris e n t r e 0 e t
10. E l l e e s t encore v a l a b l e pour 10 £ np £ 20, ä c o n d i t i o n
1
d a v o i r η > 200. Pour np > 20, l a l o i normale f o u r n i t une
m e i l l e u r e approximation.
b) par l a l o i normale
00
Lorsque η -> e t que (χ - np)//npq t , oü t e s t f i n i e t
p+q = 1

v^npq .ä?(n,x) ρ (t)

oü ρ ( t ) designe l a densite de p r o b a b i l i t e de l a l o i normale
( c f . 6.26)
2
1 -t /2
/ Z
ρ (t) = — 1 — e (6. 19)
/2 π
 C. LOI DE POISSON

I. DEFINITION

Une v a r i a b l e a l e a t o i r e d e n o m b r a b l e X ä v a l e u r s dans Ν,
s u i t une l o i de P o i s s o n de p a r a m e t r e λs i

Λ _>
Λ
Vk e Ν Ρ (Χ = k ) = f - e (6.20)

oü λ > 0. C e t t e l o i e s t n o t e e ^ ( λ ) , e i l e ne depend que du

s e u l p a r a m e t r e λ.
La l o i de P o i s s o n i n t e r v i e n t g e n e r a l e m e n t lorsque l'eve­
nement e s t t r e s r a r e s u r un g r a n d nombre d ' o b s e r v a t i o n s , comme
T
p a r exemple dans l e decompte de l a f r e q u e n c e d a p p a r i t i o n d'un
evenement r a r e dans un I n t e r v a l l e de temps ou d'espace d e t e r ­
mine (decompte de b a c t e r i e s p e n d a n t un c e r t a i n temps ou des
e r r e u r s t y p o g r a p h i q u e s dans u n l i v r e , etc.).
Rappeions que l a l o i de P o i s s o n c o n s t i t u e une a p p r o x i m a ­
t i o n de l a l o i binömiale ( c f . 6.18) l o r s q u e dans c e t t e d e r -
n i e r e η e s t assez g r a n d e t ρ e s t f a i b l e de s o r t e que 0 < np < 10.
Dans ce cas λ n ' e s t a u t r e que l a moyenne m = np.

II. DIAGRAMME ET PARAMETRES CARACTERISTIQUES

Lorsque λ £ 1, l e diagramme en b a t o n s de l a l o i /2^(λ)

e s t en f o r m e de L. Pour λ > 1, i l p r e s e n t e une f o r m e "en
c l o c h e " d ' a u t a n t p l u s s y m e t r i q u e que λ e s t g r a n d .
C. L o i de poisson 155

Exemple

4P(X = k)
0,4
0,3
0,2.

Iii.
0,1.
I* » »
0123456 01234567 01234567890123456789k
^(0,6) .^(1) .^(2) .^(4)

On peut montrer que, dans l e cas d'une l o i de Poisson,

on a :

Esperance mathematique m = Ε (X) = λ

(6.21)
Variance ν - V (Χ) « λ

I I e x i s t e des tables donnant l e s v a l e u r s de Ρ (Χ = k)

pour des valeurs de λ v a r i a n t entre 0 e t 20, domaine d ' u t i l i ­
s a t i o n courante de l a l o i de Poisson. La t a b l e 2 en f o u r n i t un
e x t r a i t tres l i m i t e .
D'une maniere generale, l e c a l c u l des d i f f e r e n t e s v a l e u r s
de Ρ (Χ = k) est grandement f a c i l i t e par l a r e l a t i o n de r e c u r ­
rence simple q u i s u i t . D'apres l'expression (6.20) de l a l o i
de Poisson, on a

Ρ (X = k) 6
k!
v k+l
-λ
Ρ (X = k+1) = c
(k+1)!
s o i t en d i v i s a n t membre ä membre :
λ
Ρ (X = k+1) = Ρ (X = k ) . (6.22)
k+1
I I s u f f i t done de connaitre l a p r o b a b i l i t e
156 Chapitre 6

Ρ (Χ = 0) = e
pour en deduire t o u t e s l e s a u t r e s , de proche en proche, en
u t i l i s a n t l a r e l a t i o n (6.22).

Exemple 1
f
4 % des a r t i c l e s d une c e r t a i n e f a b r i c a t i o n presentent
des d e f a u t s . Quelle e s t l a p r o b a b i l i t e pour que dans une l i -
v r a i s o n de 75 de ces a r t i c l e s , i l y a i t 2 a r t i c l e s defectueux ?
!
La p r o b a b i l i t e e l e m e n t a i r e pour q u u n a r t i c l e p r i s au
hasard dans c e t t e f a b r i c a t i o n s o i t defectueux e s t ρ = 0,04.
f
En t o u t e r i g u e u r , l a p r o b a b i l i t e d a v o i r 2 a r t i c l e s defec­
tueux dans un l o t de 75 e s t donnee par . ( 7 5 ; 0,04) s o i t :
2 2 7 3
Ρ (X = 2) = C 5 (0,04) (0,96)

La l o i binömiale peut p a r a i t r e i c i d'un maniement d i f f i c i l e .

Cependant comme η = 75, ρ = 0,04 e t m = np = 3 < 10, on peut
T
recourir ä 1 a p p r o x i m a t i o n de 3^(75 ; 0,04) par - ^ ( 3 ) . La
p r o b a b i l i t e cherchee e s t done
2
3 -3
P(X = 2)=~y e = 0,224

en u t i l i s a n t l a t a b l e 2, avec λ = 3 e t k = 2.

Exemple 2
1
A p a r t i r des t a b l e s 1 e t 2, e t u d i e r 1 approximation de
mO0 • 0,1) p a r -AD-
Les tables 1 e t 2 permettent de dresser l e t a b l e a u suivant :

P (Χ = k) Loi binömiale L o i de Poisson

Ρ (Χ = 0) 0,3487 0,3679
Ρ (χ = 1) 0,3874 0,3679
Ρ (Χ = 2) 0,1937 0,1839
Ρ (χ = 3) 0,0574 0,0613
Ρ (Χ = 4) 0,0112 0,0153
C. L o i de poisson 157

On v o i t que l e s e c a r t s sont r e l a t i v e m e n t importants. La

T
t a b l e 1 e s t i c i l i m i t e e ä η = 10, ce q u i n e s t pas süffisant
1
pour j u s t i f i e r 1 approximation. Cependant l e c a l c u l montre
que ces e c a r t s diminuent au f u r e t ä mesure que η augmente e t
T 1
qu'on s approche des c o n d i t i o n s d ' a p p l i c a t i o n de 1 approxima­
tion.
 D. LOI NORMALE

I. DEFIN ITION

Soit X une v a r i a b l e a l e a t o i r e r e e l l e absolument continue.

On d i t que X s u i t une l o i normale (ou de Laplace-Gauss) s i l a
d e n s i t e de p r o b a b i l i t e est :
x m
1_ ( ~~ ) 2
! 2 0
Vx G R, f (x) = e (6.23)
σ /2π
oü e = 2, 718 ... est l a base des logarithmes neperiens, e t
T
m et σ sont deux constantes avec σ > 0. C e s t une l o i ä deux
parametres m et σ, notee m,a).
Remarque : f est bien une d e n s i t e de p r o b a b i l i t e . En
effet :
a) Vx e R f (χ) ^ 0 car σ > 0
+oo
b) S = / f (x) dx = 1 (cf. exercice 6 D I )
(

—OO ry

1 ,χ-ηι/

σ J π -°°
ou encore :
2
, +oo - /2t

e dt = 1 (6.24)
/2 π —oo
χ—m
en e f f e c t u a n t l e changement de v a r i a b l e t = — — .
L o i normale centree r e d u i t e :
En e f f e c t u a n t l e changement de v a r i a b l e t = on d e f i -
n i t une nouvelle d e n s i t e de p r o b a b i l i t e
2
. "t /2
Vt € R, ρ (t) = !— e (6.25)
/2~T
D. L o i normale 159

Ce changement de v a r i a b l e correspond ä un changement d'echelle

!
et ä une t r a n s l a t i o n sur l a x e des abscisses. On o b t i e n t une
f
d e n s i t e ρ independante de m e t σ, ce q u i permet d u t i l i s e r l a
meme courbe pour des v a r i a b l e s a l e a t o i r e s suivant des l o i s
normales de d i f f e r e n t s parametres.

II. DENSITE DE PROBABILITE

S o i t Τ une v a r i a b l e a l e a t o i r e absolument continue e t

suivant Jlf (0,1). Sa d e n s i t e de p r o b a b i l i t e e s t donnee par
2
, ~t /2
ρ (t) = — — e (6.26)
/2 π
Cette f o n c t i o n e s t t r e s simple ä representer. E l l e e s t p a i r e ,
T
sa derivee premiere s annule pour t = 0 e t sa derivee seconde
!
pour t ± 1 (points d i n f l e x i o n ) . On o b t i e n t l a courbe de l a
f i g u r e 6.1, d i t e courbe de Gauss (ou gaussienne).

t 0 1 2 oo

-
2
d P
0 +
2
dt

dp
dt ο - -

0,399
0,242
Ρ
0,054 ^"

D'apres l a l i n e a r i t e de l'esperance ( c f . exercice 6 Α I I I ) ,

f
on montre que Ε (Τ) = 0 e t V (Τ) = 1, e t que d une maniere gene-
r a l e l e s parametres m e t σ de l a l o i normale JIP (πι,σ) d e f i n i e
par (6.23), ne sont autres que l'esperance mathematique e t
1'ecart-type de l a v a r i a b l e a l e a t o i r e X.
 160 Chapitre 6

III. FONCTION DE REPARTITION

Soit F l a f o n c t i o n de r e p a r t i t i o n d'une v a r i a b l e aleatoire

X de d e n s i t e de p r o b a b i l i t e f donnee par (6.23), e t s o i t Τ l a
v a r i a b l e a l e a t o i r e r e d u i t e correspondante Τ = "^^» de densite
de p r o b a b i l i t e ρ donnee par (6.26).
D'apres ( 6 . 7 ) , on a :

F (χ) = Ρ (Χ £ χ) = / f (χ) dx (6.27)

s o i t en e f f e c t u a n t l e changement de v a r i a b l e

F (χ) = Ρ (X £ x ) = / Ρ ( t ) dt (6.28)

Par consequent l a f o n c t i o n de r e p a r t i t i o n
t
^ (t) = / ρ ( t ) dt (6.29)

pourra e t r e tabulee et s e r v i r au c a l c u l des p r o b a b i l i t e s a t -

tachees ä n'importe q u e l l e v a r i a b l e a l e a t o i r e X d i s t r i b u t e
normalement.
Sur l e graphe de l a f i g u r e 6.2., l a p r o b a b i l i t e P(X < a)
est representee par l a surface de l ' a i r e foncee a) e t l a pro-
b a b i l i t e Ρ (a < X < b) par c e l l e de l ' a i r e g r i s e b) .

0 £ 3 t a m
=
t == ~σ 0 ^
t
b-m t
1 σ 2 σ
f i g u r e 6.2.

On peut remarquer que, d'apres (6.29)

D. L o i normale 161

0 t
£ (t) = J ρ (t) dt + / ρ (t) dt = 0,5.+ G (t)

ou t
G (t) = / ρ ( t ) dt (6.30)
ο
I I e x i s t e des t a b l e s de valeurs numeriques de ces deux
f o n c t i o n s . La t a b l e 3 en f o u r n i t un exemple pour G ( t ) .

Remarque :

S o i t X une v a r i a b l e a l e a t o i r e d i s t r i b u t e normalement
dans une c e r t a i n e p o p u l a t i o n , avec une moyenne m e t un e c a r t -
f
type σ. L e t u d e de l a c o n c e n t r a t i o n de l a p o p u l a t i o n autour
de l a v a l e u r moyenne, permet de mettre en evidence l e s p r o -
p r i e t e s suivantes de l a l o i normale :
A p a r t i r de l a t a b l e 3, on peut remarquer que
P(m-0 < X < m+a) = Ρ (-1 < Τ < 1) = 2 G (1) = 0,683
Ρ (m-2o £ X £ m+2q)= Ρ (-2 £ T £ 2 ) = 2 G (2) - 0,954
Ρ (m-2,6o £X£m+2,6o)=P (-2,6*T£2,6) = 2 G ( 2 , 6 ) * 0,99
On peut done d i r e que dans une d i s t r i o u t i o n normale,

0,4

x
ί FF
m-(2,6)a πι-2σ m- m m+σ m + 2a m + (2,6)a
68,3 %
95.4 %
 162 Chapitre 6

68,3 % de l a p o p u l a t i o n sont concentres sur un e c a r t - t y p e de

1
p a r t e t d a u t r e de l a moyenne, 95,4 % sur deux e c a r t s - t y p e
et 99 % sur 2,6 e c a r t s - t y p e , ce q u i e s t i l l u s t r e sur l a
f i g u r e 6.3 q u i precede.

IV. EXEMPLE D'APPLICATION DE LA LOI NORMALE

La l o i normale occupe une place de choix parmi l e s d i f f e -

rentes l o i s de p r o b a b i l i t e . En e f f e t , un grand nombre de l o i s
de d i s t r i b u t i o n s courantes se rapprochent de l a l o i normale.
On montre que, lorsqu'une v a r i a b l e a l e a t o i r e peut e t r e c o n s i -
dered comme l a somme d'un nombre suffisamment grand de v a r i a -
bles a l e a t o i r e s independantes, sa l o i de d i s t r i b u t i o n tend
vers une l o i normale. C'est l e cas des erreurs de mesure ou
des erreurs de t i r s par exemple.
Rappeions que l a l o i normale c o n s t i t u e une approximation
de l a l o i binömiale ( c f . 6.19) lorsque dans c e t t e d e r n i e r e η
est assez grand e t ρ n'est pas t r e s f a i b l e , de sorte que np > 1

Exemple 1 : Experience de Galton

On considere une planche i n c l i n e e sur l a q u e l l e sont

f i x e e s η rangees h o r i z o n t a l e s de clous disposes en quinconce
( v o i r f i g u r e 6.4); un entonnoir place au m i l i e u du bord su-
p e r i e u r de l a planche deverse des b i l l e s q u i , apres a v o i r
t r a v e r s e les η rangees de clous, viennent se loger dans des
c a s i e r s s i t u e s a l a p a r t i e i n f e r i e u r e de l a planche.
On peut montrer que l a r e p a r t i t i o n des b i l l e s dans l e s
d i f f e r e n t s casiers s u i t une l o i binömiale q u i se rapproche
d'une l o i normale lorsque l e nombre η de rangees de clous
!
est grand. L experience permet done de v i s u a l i s e r une d i s t r i ­
b u t i o n gaussienne.
D. L o i normale 163

V b
\ 2
Figure 6.4.
>· 2· 3·
v • 4
' \/ \ r \/ \

En e f f e t , l a p r o b a b i l i t e elementaire pour qu'une t e i l e

b i l l e ayant heurte un clou a i l l e ä d r o i t e ou ä gauche e s t de
~. En considerant par exemple l e s clous designee par a^ ( l e r e
rangee), b j , (2eme rangee), c^, c^ (3eme rangee) e t c .
on peut c a l c u l e r les probabilites s u i v a n t e s , selon l e t r a j e t
de l a b i l l e .
a r r i v e e en b trajet ajbj , ρ
1 ' 2
ligne b
J_
en b n a
i V **2 2

en c 1 ' a
i i r P
b c

" f
C I

Φ)
en c n
a h
] \ 2> c
Ρ =

ligne c 2
2
"c - "<2>
z

Φ
a b C > p
l 2 2 2

*l 2 3 b c
Φ 2
 164 Chapitre 6

De l a meme maniere, on aura pour l a l i g n e d

,1*3

3
P d 2 = 3 φ
ligne d l e t a i n s i de s u i t e .

Pd 3 = 3
Φ
4
Si l ' o n considere comme v a r i a b l e a l e a t o i r e X l e numero du
easier dans l e q u e l va tomber l a b i l l e , on trouve que l a proba­
b i l i t e pour qu'une b i l l e tombe dans l e easier k, apres a v o i r
f r a n c h i l e s η rangees de clous est donnee par une l o i binömiale
•f(n, j ) , soit
k k n k k η
ρ (x = k) = c (j) (l) " = c φ

La r e p a r t i t i o n des b i l l e s dans l e s c a s i e r s v i s u a l i s e l e d i a ­
gramme en batons de l a d i s t r i b u t i o n du caractere X. On o b t i e n t
une courbe "en cloche" symetrique dont l a moyenne correspond
1
au easier c e n t r a l e t dont l e c a r t - t y p e e s t σ = /npq =
!
En designant par Y l e rang d u n easier par rapport au
easier c e n t r a l , e t en considerant l a v a r i a b l e a l e a t o i r e r e -
y
T
d u i t e t = — , on v o i t d apres (6.19) que pour η eleve, l a
r e p a r t i t i o n des b i l l e s dans l e s c a s i e r s tend vers l a courbe
de Gauss 2
-t /2
Ρ (t) = e
>/2?

Exemple 2
T
La t a i l l e des eleves d une ecole s u i t une d i s t r i b u t i o n
T
normale avec m = 150 cm e t σ = 20 cm. Quel e s t l e nombre d e-
leves ayant une t a i l l e comprise entre 140 e t 170 cm, s i
!
l ' e f f e c t i f t o t a l de l e c o l e e s t de 1 000 eleves ?
En passant de l a v a r i a b l e a l e a t o i r e X q u i e s t l a t a i l l e
D. L o i normale 165

f
de l e l e v e , ä l a v a r i a b l e r e d u i t e Τ = — — o n o b t i e n t sue-
σ
cessivement
14 15 1 7 0 1 5
Ρ (.40 « Χ < 170) = Ρ ( ° - 2 0 °.< Τ < 2 - 0 °)

= Ρ (- 0,5 « Τ < 1)
= G (0,5) + G (1)
= 0,3413 + 0,1915 = 0,533
en u t i l i s a n t l a t a b l e 3. Le nombre d'eleves cherche e s t done :
0,533 x 1 000 = 533 eleves

Exemple 3
1
Dans l exemple precedent, q u e l l e e s t l a t a i l l e maximum
x m des 800 eleves l e s plus p e t i t s ?
Ces 800 eleves representent 80 % de l ' e f f e c t i f t o t a l . On
a done :
Ρ (X £ x ) = Ρ (Τ £ t )
m

= 0,5 + G ( t ) = 0,8
m

On en d e d u i t
G ( t ) = 0,3
m

La t a b l e 3 f o u r n i t t m = 0,85, s o i t en revenant ä l a v a r i a b l e
aleatoire i n i t i a l e X
xm = 0 tm + m = 20
m x 0,85
' + 150 = 167 cm.
EXERCICES CHAPITRE 6 Α. VARIABLES ALEATOIRES

I. VARIABLE DE BERNOUILLI

S o i t X une v a r i a b l e aleatoire finie prenant 2 v a l e u r s :

0 e t 1. On suppose que Ρ ( Χ = 1) = ρ, oü ρ G R , 0 £ ρ £ .·1 ( o n
dit que Χ e s t une v a r i a b l e de B e r n o u i l l i .
1°) C a l c u l e r Ε (X) e t V (Χ).
2°) Calculer l e s moments c e n t r e s d ' o r d r e k ( k G Ν .) de Χ.

SOLUTION

1°) Ε (Χ) = 0. (1-ρ) + l.p = -ρ

2 2 2
V (Χ) = Ε [ ( Χ - Ε ( Χ ) ) ] =(-ρ) . Ο-ρ) + (1-Ρ) -Ρ = Ρ 0"Ρ)
k
2°) S i k 6 Ν* ; Ε (X ) = ρ
k k k k
Ε [(Χ - Ε ( X ) ) ) = Ε[ ( X - p ) ] = ( - p ) ( l - p ) + ( l - p ) p

II. S o i t X une v a r i a b l e aleatoire finie prenant l e s η valeurs

xp x ,
2 x ^ avec l e s p r o b a b i l i t e s respectives P j , p , .·., 2

p .
n (ρ. = Ρ (X = χ.) ) .
S o i e n t a e t b deux nombres r e e l s , e t Y = aX + b une v a ­
r i a b l e a l e a t o i r e f o n c t i o n de X.
M o n t r e r que
1°) Ε (Υ) = a Ε (Χ) + b
2
2°) V (Υ) = a V (Χ).
Exercices A. Variables aleatoires 167

SOLUTION

L'ensemble des v a l e u r s de l a v a r i a b l e a l e a t o i r e Y e s t
(a Xj + b , a x 2 + b, a x n + b}
et Ρ (Y = a χ- + b) =
η
I °) On a done Ε (Υ) = ]Γ ( χ + b) ρ^^
a

ι=1
η η
£ a χ. ρ. + Σ b ρ.
i=l ί=1
o r
η η η η η
Σ P i = !> Σ b pi = b Σ Pi e t
Σ a
iPi x
= a Σ iPi x

i=l i=l i=l i=l i=1

on a done Ε (Y) = a Ε (X) + b.

2°) V (Υ) = Ε [ (Υ - Ε (Υ) ) 2

]= Σ ( a x + b - aE(X) - b ) p.
i
Z

i= 1

Σ a 2
(χ.
ι - -
Ε (X)
" ') P i
2

1=
2
on a done V (Y) = a V (X).

III. S o i t X une v a r i a b l e a l e a t o i r e denombrable prenant l e s

valeurs X j , x , 2 x > ·.*
R avec l e s p r o b a b i l i t e s p j , p , 2

p , n ... Soient a e t b deux r e e l s , Y = a X + b. On suppose que

Ε (X) e x i s t e .
1°) Montrer que Ε (Y) = a Ε (X) + b
2
V (Y) = a V (X)
2°) Supposons maintenant que X e s t une v a r i a b l e aleatoire
r e e l l e absolument continue de d e n s i t e de p r o b a b i l i t e f .
Si a, b sont deux r e e l s , Y = a X + b montrer que :
Ε (Y) = a Ε (X) + b (on d i t que 1'esperance est l i n e a i r e )
2
V (Y) = a V (X).
 168 Chapitre 6

SOLUTION
T
1°) Les c a l c u l s sont semblables ä ceux de 1 e x e r c i c e I I , car
s i Ε (X) e x i s t e , toutes l e s series considerees sont absolument
convergentes.
+00

2°) Par d e f i n i t i o n Ε (Χ) = J χ f (χ) dx

—oo

+CO

Ε (Υ) e x i s t e car / (a χ + b) f (χ) dx est absolument

—00

+00

convergente comme J χ f (x) dx. Par l i n e a r i t e de 1'integrale

—oo
on a :
+O0 +0O -f oo

Ε (Y) = / (a χ + b) f (x) dx = a / χ f (x) dx + b / f (x) dx

—oo —oo t —00

+00

or / f (x) dx = 1 car f est une d e n s i t e de p r o b a b i l i t e .

—oo

On en d e d u i t que Ε (Y) = a Ε (X) + b.

On a :
+«> 2

V (X) = J (x - m) f (x) dx ou m = Ε (X)

—00

+ oo +oo
V (Y) = / (a χ + b - a m - b) f (x) dx = J a (x - m) f (x) dx
-oo —oo
+0O
2 2
= a / (x - m ) f (x) dx = a V (X).

IV. S o i t X une v a r i a b l e a l e a t o i r e absolument continue de den­

s i t e de p r o b a b i l i t e f . On suppose que Ε (X) e t V (X) e x i s t e n t .
2 2
Montrer que V (X) = Ε ( X ) - [Ε (Χ)]
Exercices Α. V a r i a b l e s aleatoires 169

SOLUTION

Si m = Ε (X) :
+oo +0O +00

2 2
V (X) = / (x-m) f(x) dx = / x f (x) dx- 2 m J χ f (x) dx
—CO —00 —oo
+00

+ m 2
J f (x) dx
—oo

or f e t a n t une d e n s i t e de p r o b a b i l i t e , on a :
+Ο0

/ f (χ) dx = 1
—00

i l v i e n t done :
2 2 2 2 2
V (X) = Ε (Χ ) - 2 m + m = Ε (Χ ) - [Ε (Χ)] •
(Ce r e s u l t a t se montre aussi directement, lorsque X est d i s ­
crete) .

V. LOI CONTINUE UNIFORME

S o i t [ a,b] (a < b) un I n t e r v a l l e de R. On d i t que l a

variable a l e a t o i r e X absolument continue est uniformement r e -
p a r t i e sur [ a,b] s i sa d e n s i t e de p r o b a b i l i t e f e s t constante
sur cet I n t e r v a l l e e t n u l l e ailleurs.
1°) Determiner f en f o n c t i o n de a e t de b.
2°) C a l c u l e r Ε (X) e t V (X).
3°) Determiner l a fonction de repartition F de X.

SOLUTION

1°) Soit k l a valeur constante de f sur [a,b]. f etant une

d e n s i t e de p r o b a b i l i t e :
+CO

/ f (x) dx = 1
—oo
170 Chapitre 6

+00 a b
or / f (χ) dx = / f (χ) dx + / (f (x) dx
—00 —00 a
+00 b
+ J f (x) dx = / f (x) dx
b a
00
car f est n u l l e sur ] a [ e t sur ] b , + [
. b b
/ f (x) dx = k / dx = k (b - a) car VxG [ a,b] , f (x) = k.
a a
0 siχ < a
1
On a done k = r — e t par s u i t e f (x) si a £ χ £ b
b - a
b - a
0 siχ > b

2°) Ε (X) = / χ f (x) dx s i c e t t e i n t e g r a l e e s t absolument

—00

+00 b ^ χ

convergente. Or / |x| f ( x ) dx = / |x| _ < +°°

-00 a

Ε (X) = J χ f (χ) dx = / χ =
-co a

2 X d X b a
Ε (X ) = J " "
b - a 3 (b - a)
a
done comme
2 2
V (X) = Ε ( X ) - [Ε ( X ) ] ( c f . exercice IV)

2 2 2 2
„ , _ a + ab + b _ (a + b ) _ (a - b )
3
γΛ

V W - 4 ~ 12
6
3) Soit χ G R, f (x) = / f ( t ) dt
—00

done s i χ < a, F (χ) = 0

s i χ > b, F (x) = 1
s i a <c χ £ b F (x) = J f ( t ) d t = I II
a,
0 siχ < a
I χ *~ ä
on a done F (x) = L _ s i a < χ < b a

1 s i χ > b.
Exercices Α. Variables aleatoires 171

VI. LA LOI DE CAUCHY

Soit f l a f o n c t i o n numerique d'une v a r i a b l e reelle definie

par
Vx 6 R, f (x) = — - — j > oü c e R.
1 +χ
1°) Determiner c pour que f s o i t une d e n s i t e de p r o b a b i l i t e .
2°) Soit X une v a r i a b l e a l e a t o i r e absolument continue de
d e n s i t e de p r o b a b i l i t e f (on d i t a l o r s que X s u i t une l o i de
f
Cauchy). Montrer que X n'admet pas d esperance mathematique.

SOLUTION

1°) Pour que f s o i t une d e n s i t e de p r o b a b i l i t e , i l est neces-

s a i r e e t süffisant que :
. Vx e R, f (x) * 0
+oo
./ f (x) dx = 1
—CO

La premiere c o n d i t i o n e n t r a i n e que c > 0 .

Comme f e s t p a i r e ( f (x) = f (-x) ) on a :
+c© +oo
J f (χ) dx = 2 J f (x) dx
-oo 0
+oo a
et / f (χ) dx = l i m / f (χ) dx
ο a +o° ο
a
a dx
Or J f (x) dx = c J 2 = c A r c t
g a
( S 1
a ^ 0)
ο ο 1+χ
On en deduit que :
+00

/ f (x) dx = 2 c l i m Arctg a = 2 c γ = c π
—oo a +°°
On en deduit que c = —
π

2°) Si Ε (X) e x i s t a i t , l ' i n t e g r a l e J — — γ - s e r a i t de-

... -°° π (1 + x )
finie.
172 Chapitre 6

+00

~ , χ 1 ^ r dx .
Or s i χ -+ +oo , — ^ — et J — n'est pas
X X
(1 + χ ) ο
d e f i n i e . Ε (X) n ' e x i s t e done pas.
EXERCICES CHAPITRE 6 Β. LOI BINÖMIALE

I. La d i s t r i b u t i o n d'une v a r i a b l e a l e a t o i r e X associe a un
f
evenement A e s t une l o i b i n ö m i a l e ( n , p ) . Calculer l espe-
rance mathematique e t l a variance de X.

SOLUTION

Apres η epreuves, l a p r o b a b i l i t e pour que X prenne l a

v a l e u r k ( 0 , 1, ..., η) e s t :
„ , „ . ν ~k k n-k
Ρ (X = k) = C ρ q r

(k e s t l e nombre de f o i s oü l'evenement A s'est r e a l i s e )

ρ = p r o b a b i l i t e de r e a l i s a t i o n de l'evenement A pour 1 epreuve,
q = 1-p.

(Ο Σ Ρ (k) = Σ ί P k n
q " = k
( P + q) n
=1
k=0 k=0

- C a l c u l de 1'esperance mathematique

La d e f i n i t i o n de 1'esperance mathematique e s t

— k k n-k
m = k = 2_j ^ c; ρ q
n
k=o
On s ' i n t e r e s s e ä l ' e x p r e s s i o n ( p + q ) . Si 1'on d e r i v e c e t t e
n

expression par r a p p o r t ä ρ on o b t i e n t :
3 / \η , ν η-1 , <
(ρ + q) = η (ρ + q) = η, car ρ + q = 1

On a done d'apres 1 ' e q u a t i o n (1) :

3 rV ^k k n-k.
174 Chapitre 6

f
La derivee d une somme de f o n c t i o n s etant egale ä l a somme
des d e r i v e e s , on a :

Σ ν
Π
d k /n k n-k>> , ^k k-1 n-k

k=0 k=0
En m u l t i p l i a n t l e s 2 d e r n i e r s termes de l ' e g a l i t e par ρ, on a :

Σ ν
Π
.k n k-1 n-k * k k n-k
k c
n P q β
Ζ, K
C Ρ q = m .
k=0 k=0
Par s u i t e :
m = np

- Calcul de l a variance
!
D'apres 1 e x e r c i c e 6 A IV, on a :
•J2.S
V (X) = Ε (X ) - IT, ,„C|2 = TT
[Ε (XJJ k - Tk
-2

.2 ν , 2 _k k n-k
k = 2, k C ρ q
k=0
n
On a t o u j o u r s (p + q ) = 1. On d e r i v e par r a p p o r t ä ρ

3 / Λ \ N
/ , Ν n-1 ν ^k . k-1 n-k
ä~ (p + q) = η (p + q) = Σ C kρ q
d p
k=0
On d e r i v e une deuxieme f o i s par r a p p o r t ä ρ :

11 1 2
(p+q)*) = ^ (n ( p + q ) " ) = n (n-1) ( p + q ) * "

V Λ , /, ^ k-2 k-2 n-k r

2, C k (k-ί; ρ q
k=0
La d e r n i e r e e g a l i t e s ' e c r i t , en m u l t i p l i a n t l e s deux termes
2
par ρ

η (n-1) Ρ 2
= ΣC n
k k k
( *-D P k
q 1 1k
= k (k-1) = k 2
- k.
k=0
Par s u i t e
2 2 2 2 . ^ * .2 2 2 - r 2
k - k = η ρ T
- np qui entrame k - η ρ = k - η ρ
— ~~2 —2
Or η ρ = k, on a done k - k = np ( 1 - p ) soit
Exercices Β. L o i binömiale 175

2 2
k - k = V (X) = n p q
En resume, pour une l o i binömiale .^(η,ρ) , on a :
Ε (Χ) = η ρ et V (Χ) = η ρ ( 1-ρ) .

-r-r
II. τ,
Exprimerr , en cf o n c ^t i- o n de
Ρn+1 ΤΛ ι
t Ρη = CΝ ρη qΝ-η XT r

SOLUTION
ρ _ pti+1 n+1 N-(n+l)
P C P q
n+1 " N
0 r c n+1 = Ν! (N-n) n = c χ (N-n)
"Ν η! χ (n+1) χ (N-n)! Ν (n+1)
n+1 η
ρ = ρ χ ρ
Ν-(η+1) N-n 1
q = q χ -

d'oü

n η Ν η
ρ ^ = c Ρ ο " χ L·ZJ± χ £
η+1 Ν η+1 q
f
d oü

Ρ = ρ • Ν η
£
η+1 η* η 4- 1 *q

III. Une enquete a permis de constater que sur 200 flacons

d'un meme p r o d u i t pharmaceutique, 50 ne pouvaient e t r e u t i l i ­
ses au-delä de 4 mois apres leur l i v r a i s o n . Ces 200 flacons
sont ranges de fagon a l e a t o i r e sur une etagere. T r o i s per-
sonnes achetent chacune un f l a c o n des l e 1er j o u r de l i v r a i -
son. Quelle e s t l a p r o b a b i l i t e pour que :
1°) deux de ces 3 personnes a i e n t un f l a c o n ne pouvant e t r e
u t i l i s e 4 mois apres
176 Chapitre 6

2°) aucune de ces personnes n ' a i t un f l a c o n ne pouvant e t r e

u t i l i s e 4 mois apres.
N.B. On supposera que l e s 200 f l a c o n s sont disposes de t e i l e
s o r t e q u ' i l s puissent e t r e p r i s au hasard de fa£on e q u i p r o -
bable.

SOLUTION

La v a r i a b l e a l e a t o i r e X : "nombre de f l a c o n s ne pouvant
pas e t r e u t i l i s e 4 mois apres l a l i v r a i s o n " s u i t une l o i
binSminale (n,p) de parametres :
η = 3 1'etude se f a i t sur 3 f l a c o n s (3 personnes)

et ρ = - η- - 0,25 en supposant que chaque f l a c o n puisse

e t r e c h o i s i de facon equiprobable.
1°) La p r o b a b i l i t e pour que deux des 3 personnes ne puissent
encore u t i l i s e r l e p r o d u i t 4 mois apres e s t :

Ρ (Χ = 1) =
1 1 2
ρ' q Z
= 3 x ± φ 2 = f£ - 0,42
1
x
λ 27

2°) La p r o b a b i l i t e pour qu'aucune des 3 personnes ne puisse

u t i l i s e r l e p r o d u i t 4 mois apres e s t :
3 3
Ρ (X = 3) = c ] p q° = 1 x φ x 1 = ^ 0,016

IV. Une etude s t a t i s t i q u e a montre que sur 1 800 demandeurs

d'emploi, en moyenne 600 recherchent du t r a v a i l pour l a pre­
miere f o i s , a l o r s que l e s 1 200 autres o n t e t e mis au chomage
Quelle e s t l a p r o b a b i l i t e pour que sur 6 personnes r e c h e r -
chant un emploi, i l n'y a i t pas plus de 2 personnes q u i a i e n t
dejä t r a v a i l l e ?
Exercices Β. L o i binömiale 177

SOLUTION

La p r o b a b i l i t e pour qu'un demandeur d'emploi n ' a i t jamais

t r a v a i l l e est :
β 600 j _
=
q
1 800 3
La p r o b a b i l i t e pour que l a personne a i t dejä t r a v a i l l e e s t :
2
ρ = 1 - q = —
La v a r i a b l e a l e a t o i r e X e s t : "nombre de demandeurs d'emploi
ayant de j a t r a v a i l l e " . Sur 6 personnes, l a p r o b a b i l i t e pour
q u ' i l y a i t X = k est :
R 6 k
Ρ (X = k ) = C* p q "

I I f a u t que k S 2, d'oü
P(X = k < 2) = Ρ (X = 0) + Ρ (X = 1) + Ρ (X = 2)
0 0 6 1 6 ι
avec P(X = 0) = C ρ q = (5) -
6

Ρ (X = 1) = c\ p 1
q 5
= 6 . (|) φ 5
= ^
Ρ (Χ = 2) = C 2
6 P
2
q 4
- 15 φ 2
φ 4
= ^
Par consequent

Ρ (Χ = k ^ 2) = ^ = 0,10 •

V. On considere une macromolecule formee de Ν m o l e c u l e s ele­

mentaires de longueur a, supposees independantes. L'ensemble
constitue une chaine a r t i c u l e e . On prend comme o r i g i n e l'une
des e x t r e m i t e s de l a chaine. C e l l e - c i etant l i n e a i r e , chaque
element r e s t e p a r a l l e l e ä l'axe Ox e t e s t l i b r e de s'orienter
dans un sens ou dans 1'autre.
On posera :

ρ = p r o b a b i l i t e pour que l a molecule elementaire s o i t orien-

tee v e r s χ > 0.
 178 Chapitre 6

q = 1-p = p r o b a b i l i t e p o u r que l a m o l e c u l e elementaire soit

o r i e n t e e v e r s χ < 0.
n j = nombre de m o l e c u l e s elementaires orientees vers χ > 0
=
N-n^ = nombre de m o l e c u l e s elementaires orientees vers
χ < 0.
m = nj - ^ , de s o r t e que l a l o n g u e u r t o t a l e de l a c h a i n e
est e g a l e ä m.a.

dans l e cas de l a f i g u r e :

Ν = 9

L - (η η ) a = OA

1°) Λ quelle l o i s t a t i s t i q u e s a t i s f ai t l a variable [Link] η

X : "nombre de m o l e c u l e s elementaires o r i e n t e e s vers χ · 0"
2°) En d e d u i r e l a l o n g u e u r moyenne de l a c h a i n e .

SOLUTION

1°) On c o n s i d e r e la configuration dans l a q u e l l e les η ^ pre­

mieres molecules elementaires sont o r i e n t e e s v c r l a d r o i t e
et les n 7 = N-n j m o l e c u l e s elementaires q u i res t e n t , vers l a
gauche. La p r o b a b i l i t e de c e t e t a t est :

1 "l
Π
Π
2 N
" n
i /
ρ q = ρ ( 1 - p ) avec ρ = q = -
η,
Or i l y a C^ c o n f i g u r a t i o n s ou l ' o n a t o u j o u r s n^ molecules
e l e m e n t a i r e s o r i e n t e e s ä d r o i t e . Par s u i t e la probabilite
t o t a l e sera :
ni n, N-n,
Ρ (X = η,) = C N
!
ρ 1
(1 - ρ) 1

La l o i de p r o b a b i l i t e e s t done une l o i binömiale .^f(N,|).

2°) On a η } + n 2 = Ν
η. - n 0 = m
Exercices Β. L o i binömiale 179

λ ,^ , . Ν + m
e t ar
On en d e d u i t n j = — ^ — P consequent

m = 2 rTj" - Ν
Ν
Or l a v a l e u r moyenne de n^ e s t n^ = Np = ^
f
Done m = 0, l a longueur moyenne (distance e n t r e l o r i g i n e e t
1
1' extremi t e ) de l a chaine est n u l l e .

VI. Au cours d'un j e u de " p i l e " ou "face", sur 100 j e t s con-

s e c u t i f s de 6 pieces i d e n t i q u e s , on o b t i e n t l a d i s t r i b u t i o n
suivante oü on a represente en ordonnees les frequences c o r -
respondant au nombre de f o i s " p i l e " obtenu sur l e s 100 j e t s
(ce nombre correspond ä l a v a r i a b l e a l e a t o i r e X de 1'expe-
rience) .
1°) Quelle e s t l a moyenne
du nombre de " p i l e " obtenu
par j e t ?
2°) En supposant que X
s u i t une l o i de d i s t r i b u -
t i o n binömiale, deduire
la probabilite elementaire
f
ρ d o b t e n i r " p i l e " sur l e
j e t d'une piece.
3°) Que peut-on en conclure ?
4°) Comparer l e s r e s u l t a t s
exprerimentaux
a) avec les r e s u l t a t s
theoriques deduits de l a l o i
binömiale c a r a c t e r i s e e ä l a
2eme q u e s t i o n
b) avec ceux que l'on o b t i e n d r a i t s i l e s pieces e t a i e n t
normales.
180 Chapitre 6

SOLUTION

1°) C a l c u l de l a v a l e u r moyenne du ncnbre de " p i l e " obtenu

par j e t de 6 pieces
0x9+lx26+2x33+3x22+4x8+5x2+6>0
m =
ϊοδ = 2

2°) Si l a l o i est une d i s t r i b u t i o n binömiale, a l o r s l e s pa-

rametres Ν et ρ sont t e l s que : m = Ν > avec Ν = 6 e t ρ est
l a p r o b a b i l i t e elementaire d'avoir "p3le" sur l e j e t d'une
piece, d'oü :
m
Ν
3°) Si l e s pieces e t a i e n t normales, .a. p r o b a b i l i t e d'avoir
" p i l e " (ou "face") sur l e j e t d'une [Link] s e r a i t ρ = j (= q) .
Or i c i , on trouve ρ = ^. On peut done conclure que ces
pieces ne sont pas normales.
—experience
4°) a) Les r e s u l t a t s theo-
— binömiale . ^ ( 6 ,
riques obtenus ä p a r t i r de 30
--binömiale - ^ ( 6 ,
l a l o i binömiale de para-
metres Ν = 6 et ρ = ~ sont :
6 6 4
Ρ (x=o) = ε ° φ ° φ
729
] 5
Ρ (X=l) c ( V ck - 192
729 20
2 h
Ρ (X=2) • c ( V (h - 240
729
160
Ρ (X=3)
729
Ρ (X=4)
•<ίΦ Φ ·
4 2
60
729
12
Ρ (X=5) 10
729
6
Ρ (X=6) = φ φ ° =

D'oü les e f f e c t i f s theoriques,

sur 100 j e t s
Ν (0) = 100P (X=0) =8,78
Ν (1) = 100P (X=l) = 26,34
Exercices Β. L o i binömiale 181

Ν (2) = 100 Ρ (X=2) = 32,92 Ν (5) = 100 Ρ (Χ=5) = 1 ,65

Ν (3) = 100 Ρ (Χ=3) = 2 1 ,95 Ν (6) = 100 Ρ (Χ=6) = 0,14
Ν (4) = 100 Ρ (Χ=4) = 8,23

b) Avec des pieces normales, on a u r a i t obtenu

Ν (0) = 100 0^φ° φ 6

= 1,56 = Ν ( 6 ) .

Ν (1) = 100 C* φ φ 5
= 9,38 = Ν (5)

Ν (2) = 100 C 2
6 φ φ 2 4
= 23,44 = Ν (4)

Ν (3) = 100 φ φ = 31,25

3 3

Conclusion :
Les r e s u l t a t s experimentaux sont en t r e s bon accord avec
une l o i binömiale oü ρ = ~, ce q u i implique que l e s 6 pieces
sont identiquement anormales. •

V I I . Deux especes organiques sont c a r a c t e r i s e e s chacune par

T
deux e t a t s genetiques Α e t a. Pour qu une malformation appa-
r a i s s e sur une espece creee, i l f a u t que, l o r s du croisement,
f
deux e t a t s a f u s i o n n e n t . On suppose que l o r s q u u n type de
genotype a ete c h o i s i , i l e l i m i n e a l o r s toute autre combi­
naison.
f
1°) Quelle est l a p r o b a b i l i t e pour que l espece generee s o i t
a t t e i n t e de l a malformation ?
2°) Quelle est l a p r o b a b i l i t e pour que sur 3 organismes crees
! f
l o r s d un croisement, i l y en a i t au moins 1 q u i presente l a -
nomalie ?
3°) Dans un l o t de 4 croisements, donnant l i e u chacun ä l a
c r e a t i o n de 3 organismes, q u e l l e est l a p r o b a b i l i t e d'avoir
1 croisement oü l e s 3 organismes sont anormaux ? Determiner
!
l a valeur moyenne et 1 e c a r t - t y p e du nombre de croisements ä
3 malformations par l o t .
 182 Chapitre 6

SOLUTION

1°) Parmi l e s 4 combinaisons AA, Aa, aA e t aa, une seule

(a,a) e s t f a v o r a b l e ä l a m a l f o r m a t i o n , d'oü
ρ = 1 = 0,25.
2°) Si l ' o n a p p e l l e X l a v a r i a b l e a l e a t o i r e correspondant au
nombre d'organismes malformes, a l o r s l a p r o b a b i l i t e d ' o b t e n i r
k organismes malformes sur 3 crees e s t :
k k 3 k
Ρ (X = k) = C p (1 - p ) ~

On en d e d u i t :
0 0 3 λ 3
Ρ ( X « k * 1) = 1-P (X = 0) = 1 - c ρ (1 -ρ) = 1 - 3 φ

3°) On s ' i n t e r e s s e maintenant ä l a s t a t i s t i q u e p o r t a n t sur

les l o t s de Ν = 4 croisements donnant chacun 3 organismes, et
l'on considere comme n o u v e l l e v a r i a b l e a l e a t o i r e l e nombre Y
de croisements donnant l i e u ä 3 malformations (0 £ Y £ 4 ) .
La p r o b a b i l i t e elementaire e s t done l a p r o b a b i l i t e
d'avoir 3 organismes anormaux crees l o r s d'un croisement,
s o i t d'apres l a 2eme q u e s t i o n :
> ,1,3 3
30 _ J_
ρ (χ = 3) = c- φ -
V " 64
La p r o b a b i l i t e de t r o u v e r , dans un l o t de 4 croisements,
un croisement oü l e s 3 organismes sont anormaux e s t done :
1 3
Ρ (Y = 2) = c j p ' (1 - p ' )

(Y - 1) -gt χ
3
Ρ - 4 x ( g ) = 0,06

Le nombre moyen de croisements ä 3 malformations par l o t de

4 croisements est done :

Ϊ- ρ.Ν = 4 <£) = 1 L

e t 1'ecart-type

σ = ^ Ν ρ ' (1 - ρ') = ^ Α χ _k χ g * 0,248

Exercices Β. L o i binömiale 183

V I I I . S o i t X une v a r i a b l e a l e a t o i r e suivant une l o i .^(η,ρ).

X
k e~
00
Montrer que Ρ (Χ = k) •λ -^y- lorsque η + , ρ -> 0,
np -+ λ
n Π
(on r a p p e l l e que [ 1 - ρ] e ^ lorsque η ->• +°° )

SOLUTION
k n k
On a Ρ (X = k) = p (1 - p ) ~

- ([ 1 - p i * ψ ^ ) ( n
^ -.-(η-ΙτΗ) ( 1 _ ρ ) ^
n
k k
n
or[ 1 - p ] — 2 ^ •e — lorsque η -* +«>, ρ -> 0 e t np λ

η (η-1)...(n-k+1) -k N . ^ _ _
i (1-p) • 1 puisque η + + °°, ρ 0,
η
On a done :
k X
A e~
Ρ (X = k) • —£-j lorsque η -> +°°, ρ -> 0 e t np -> λ •
EXERCICES CHAPITRE 6 C. LOI DE POISSON

I. Une v a r i a b l e a l e a t o i r e X s u i t l a l o i de Poisson
m
Ρ (X = k ) = e " HL
OO

1°) Verifier que Σ Ρ ( X = k ) = 1.

k=0
1
2°) Calculer l esperance mathematique Ε ( X ) .
3°) Calculer l a variance V ( X ) .

SOLUTION
CO

1°) Nous devons v e r i f i e r que Σ Ρ (Χ = k ) = 1

k=0
00 00
oo k k
Σ Ρ (Χ = k) = Σ e " iL- = e"" Σ f r m 1

k=0 k=0 k=0

CO ^ CO

Or Σ T~T = e™ ; on v e r i f i e done b i e n que Σ Ρ ( X k) - 1. =

k=0 k=0
00 00
k .k
m Ξ
2°) Ε (X) - Σ k ΓΓ " k
e
Σ 71™ΤΓ u υ
< l e t e r m e k s = 0 e s t n u l
^
k=o " k=i ·
! 1
Si l o n f a i t l e changement d ' i n d i c e k = k-1 alors
00 f
oo
k' +1 k
Ε (X) = Σ VK T " = m Σ ^ r r e" - m ( c f . 1°) ) m

k =0 '?
k'=0 ' K

2 2
3°) L'equation (6.12) donne V (X) = Ε ( X ) - [Ε (Χ)]

_ , 2 V γ . 2 πι -m
N γ . πι -m
E ( X ) = Z k r e = J T m 2. k , , e t

K i ;
k=0 k=l ^ *
( l e terme k = 0 e s t n u l ) .
Exercices C. L o i de poisson 185

Posons k - 1 = k'
! 00 !
2 oo k k
Ε(Χ )-,Σ ( . i ) S _ β"™ - m
k + Σ k' f r y e" m
+ m
k K
k'=0 · k'=0 '
D'apres 2°)

Σ . . ΓΓΓ
CO J£ 1
m k e
-m
= m

f K
k =0 ·
Par consequent :
2 2
(χ ) = m + m.
E

On en d e d u i t :
, χ 2 2
V (X) = m + m - m = m.

Resume : pour une v a r i a b l e a l e a t o i r e q u i s u i t une l o i de

Poisson de parametre m, on a Ε (X) = V (X) = m.

T
II.' L o b s e r v a t i o n microscopique de p l a q u e t t e s contenant des
q u a n t i t e s egales d'une s o l u t i o n a permis de dresser l e tableau
suivant

k - nombre de b a c t e r i e s η « nombre de p l a q u e t t e s

0 74

1 22

2 4

Comparer c e t t e d i s t r i b u t i o n experimentale ä c e l l e deduite

de l a l o i de Poisson de meme v a l e u r moyenne, a p p l i c a b l e dans
-0 3
l e cas d'une s o l u t i o n homogene. (On donne e ' - 0,74)
186 Chapitre 6

SOLUTION

La v a l e u r moyenne du nombre de b a c t e r i e s par p l a q u e t t e

est :
- 0 * 74 + 1 x 22 + 2 x 4 _30_ =
A , J
" 100 100
? ,?
Si l o n suppose que l a v a r i a b l e a l e a t o i r e X = nombre de
b a c t e r i e s par p l a q u e t t e " s u i t une l o i de Poisson de parametre
m = λ alors

1
Ρ (X = k) = £ β""
d'oü l e s e f f e c t i f s theoriques :
-0 3
η (0) = 100 χ Ρ (X=0) = 100 x e ' = 74 p l a q u e t t e s
,3
η (1) = 100 χ Ρ (X=l) = 100 χ 0,3e~° = 22,2 plaquettes
o 3 V 0
' 3

n(2) = 100 x Ρ (X=2) = 100 ' , = 3,3 p l a q u e t t e s

On remarque que les deux d i s t r i b u t i o n s sont t r e s proches. •

I I I . A p a r t i r de l a vente de 100 postes de t e l e v i s i o n , ayant

T
fonctionne l e meme nombre d heures pendant une annee, on a
pu e t a b l i r l e tableau suivant r e l i a n t l e nombre n^ de postes
vendus au nombre k. d ' i n t e r v e n t i o n s du reparateur.

1
Nbre d i n t e r v e n t i o n s k. 0 1 2 3 4
1

Nbre de postes n> 61 30 7 2 0

1
1°) Calculer l e nombre moyen d i n t e r v e n t i o n s .
2°) Comparer l e s valeurs observees de n^ avec Celles deduites
f
d une l o i de Poisson ayant meme v a l e u r moyenne.
Exercices C. L o i de poisson 187

SOLUTION
Σ n H
οχ Λ = i
i (6lxQ) + (3Qxl) + (7x2) + (2x3)-H(Qx4)
= 50 _ n

Σ n^ 100 100 ^
k
2°) Si Ρ (X=k) = -r-γ e represente l a p r o b a b i l i t e pour que l e
reparateur i n t e r v i e n n e k f o i s (m = λ) l a frequence correspon-
n
k
dante sera obtenue en remarquant que Ρ (X=k) = — . D'oü l e s
r e s u l t a t s theoriques, d'apres l a t a b l e 3 :
n Q = 100 Ρ (X=0) = lOOx 0,606 = 60,6 au l i e u de 61
η, = 100 Ρ (X=l) = 100 x 0,304 = 30,4 " 30
n 2 = 100 Ρ (X=2) = 100 x 0,076 = 7,6 " 7
n 3 = 100 Ρ (X=3) = 100x0,013 = 1 , 3 " 2
n, = 100 Ρ (X=4) = 100 x 0,001 = 0,1 " 0 •

IV. L ' O b s e r v a t i o n de 200 personnes h o s p i t a l i s e e s ä montre

que l e s r e s u l t a t s d'une s e r i e de t e s t s sont t o u s negatifs
pour 10 d ' e n t r e e l l e s , e t p a r t i e l l e m e n t p o s i t i f s pour l e s
190 autres.
1°) Quelle est l a p r o b a b i l i t e p o u r q u e tous l e s t e s t s d'une
personne s o i e n t n e g a t i f s ?
2°) Quelle est l a valeur m o y e n n e d u nombre d e t e s t s p o s i t i f s
par i n d i v i d u sachant que ce nombre o b e i t ä une l o i d e Poisson ?
3°) C o n s t r u i r e 1'histogramme de l a d i s t r i b u t i o n .

SOLUTION

1°) La p r o b a b i l i t e pour qu'une personne a i t tous ses t e s t s

negatifs est :

= 0,05

2°) Si X est l a v a r i a b l e a l e a t o i r e correspondant au nombre

 188 Chapitre 6

de t e s t s p o s i t i f s par i n d i v i d u , a l o r s l a p r o f o a b l i t e pour
que Χ = k est :
k -m
P (x-k)
oü m e s t 1'esperance mathematique de X.
Appliquons l a r e l a t i o n ä X = 0
0 -m
m e -m
Ρ (X = 0 ) = 0,05
.0!
f
d oü
= Log 0,05 = Log J|Q = Log 2 ^
soit
m = Log 2 0 - 2 , 9 9 6 - 3.
k
m -m
3°) Ρ (X-k) = e

et Ρ (X = k+1) = Ρ (X = k ) , d'oü

E f f . cumule
ί * ( X - i ) N(i) - e f 2c t i f
200 P(X=i) c r o i s s a n t 50.:

0 0,05 10 10

1 0, 15 30 40 40

2 0,225 45 85

3 0,225 45 130 30-.

4 0, 169 % 34 164

5 0, 101 ^ 20 184 20-~

6 0,05 10 194

7 0,02 4 198 10
8 0,0075 ^ 2 ^ 200

Ο 1 3 4 5 t789
nombre e t e s t s p o s i t i f s
Exercices C. L o i de poisson 189

V. A l a f i n d'une chaine de f a b r i c a t i o n de montres, on

f
s'apergoit au cours d u n d e r n i e r c o n t r o l e , que c e r t a i n e s
montres presentent un d e f a u t r e l a t i v e m e n t mineur. On decide
T
de supprimer ce c o n t r o l e systematique e t de proceder ä 1 ob-
s e r v a t i o n d'une s e r i e de b o i t e s contenant chacune 100 montres.
Dans un l o t de 200 b o i t e s , on en t r o u v e 72 q u i contiennent
une montre defectueuse et 29 q u i en c o n t i e n n e n t 2.
1°) Quelle e s t l a p r o b a b i l i t e pour qu'une b o i t e ne contienne
a) qu'une seule montre defectueuse ?
b) que deux montres defectueuses ?
2°) En d e d u i r e l a p r o b a b i l i t e e l e m e n t a i r e pour qu'une montre
de c e t t e f a b r i c a t i o n s o i t defectueuse, a i n s i que l e nombre
moyen de montres defectueuses par b o i t e .
3°) Par q u e l l e l o i approchee peut-on c a l c u l e r Ρ (X) oü X e s t
l e nombre de montres defectueuses par b o i t e ?
A.N. C a l c u l e r Ρ (X=k) pour k = 0 , 1 , 2 , 3 , 4 , 5.

SOLUTION

1°) Sur 200 b o i t e s , i l y en a 72 q u i c o n t i e n n e n t 1 montre

defectueuse e t 29 q u i en contiennent 2. On a done :
a) Pj = j§q = 0,36 = Ρ (X= 1)

b ) p = 145 = p ( x = 2 )
2 " -m °'
2°) Si ρ = p r o b a b i l i t e elementaire pour qu'[Link] s o i t
defectueuse, q = 1-p e s t l a p r o b a b i l i t e pour qu'une montre
soit parfaite.
Dans une b o i t e de 100 montres, on a done
1
Ρ (X = 1) = C J 0 0 p q " = 0,36
7 2 98
Ρ (X = 2) = C j 0 Q ρ q>° = 0,145
d'oü
190 Chapitre 6

100 ρ q = 0,36
2 9ft
4950 ρ q = 0,145
s o i t en d i v i s a n t membre ä membre
100 g _ _2_ (1 - ρ) = 0,36
4950 ρ ~ 99 * ρ 0,145
On en deduit ρ - 0,008 e t q - 0,992, e t l e nombre moyen de
montres defectueuses par b o i t e e s t :
m = Np = 100 x 0,008 = 0,8
3°) ρ etant t r e s f a i b l e , e t q v o i s i n de 1 ' u n i t e , on a :
2
O = Npq - Np = m = 0,8

On peut done approximer Ρ (X) par une l o i de Poisson de para­

metre m = 0,8. On trouve a l o r s
-0,,8
Ρ (Χ-0) = 0,449
= e
Ρ '(χ-ΐ) 1 Ρ (Χ-0) = 0,36 compare ä 0,36 experimen-
I talement
Γί
Ρ (Χ-2) υ ,οο Ρ (Χ-1) - 0,144 compare ä 0,145
2
0,8
Ρ (Χ=3) Ρ (Χ=2) - 0,038
3
_ 0,8
Ρ (Χ=4) Ρ (Χ=3) = 0,008
4
0,8
Ρ (Χ=5) Ρ (Χ=4) - 0,001
5

VI. On applique l a l o i de Poisson au nombre de personnes

e n t r a n t dans un s e r v i c e de r a d i o l o g i e ( v a r i a b l e a l e a t o i r e X) .
En moyenne i l e n t r e η personnes en une heure.

1°) Quelle e s t 1*expression de l a l o i donnant l a p r o b a b i l i t e

pour que k personnes se presentent dans un I n t e r v a l l e de temps
Τ.
2°) Calculer l a p r o b a b i l i t e pour q u ' i l y a i t 1 seule personne
qui entre au bout du temps Τ = -.
3°) Calculer l a p r o b a b i l i t e pour q u ' i l y a i t moins de quatre
entrees dans un I n t e r v a l l e de temps Τ =
Exercices L o i de poisson 191

4°) Ce s e r v i c e ne peut r e c e v o i r plus de 3 personnes par heure

sans a r r i v e r ä l a s a t u r a t i o n . Quel e s t l e pourcentage de c l i e n t s
1
qui devront r e v e n i r s i l e nombre moyen d e n t r a n t s par heure e s t
2 ?
2 1
On donne e " = 0,135 ; e" = 0,368.

SOLUTION

1°) Pendant l e temps Τ, i l e n t r e , en moyenne m = nT personnes

n T
k "
done P(X=k) = (nT) - ^ 7 -
2
-(η χ ^ )
2°) P(X=1) = (η χ - ) χ 1
= 2e" = 0,270
n
2

η 1 !
3°) P(X=k < 4) = P(X=0) + P(X=1) + P(X=2) + P(X=3) avec = m 1 .
Par recurrence :
1
P(X=0) - e" = 0,368 ; P(X=1) - j P(X=0) = 0,368

P(X=2) = I P(X=1) = 0,184 ; P(X=3) = | P(X=2) = 0,061

D'ou
P(X=k < 4) = 0,981.
2
k e"
4 ) P(X=k) = (2) . Le pourcentage cherche correspond ä
P(X=k > 3)
Ρ(X-k > 3 ) - } - P(X=k < 3 )
= 1 - [P(X=0) + P(X=1) + P(X=2) + P(X=3)]
= 1 - (0,135 + 0,270 + 0,270 + 0,180) = 0,145
I I y aura done 14,5 % de c l i e n t s q u i devront r e v e n i r .
EXERCICES CHAPITRE 6 D. LOI NORMALE

I. En u t i l i s a n t l e changement de v a r i a b l e s χ = ρ cos θ e t
y = ρ s i n Θ, ce q u i e n t r a i n e dx dy = ρ dp d6, c a l c u l e r
+ 2
* °° - x / 2
Γ X 1 1
1°) I j= J e dx
2

2°) Montrer que \^ - j e dx = 1

ο /2 π -<»

SOLUTION
2 2
+CO -χ /I +co -y /Ι
1°) On c a l c u l e I χ I = (/ e dx) ( / e dy)

soit 2 2
_ (* + y )
2 2
I = // e dx dy
"1
!
1 i n t e g r a l e double e t a n t etendue ä t o u t l e plan.
En e f f e c t u a n t l e changement de v a r i a b l e propose, on
obtient :
2
2π co -p /2
Ij = / d6 / e ρ dp
ο ο
f
d oü
p 2 / 2
2 2π " -
I t - [Θ ] „ x [ - e ] = 2π
ι ο ο
par consequent :
I , = /2π
Exercices D. L o i normale 193

1 /X-m 2
N
( )
1 e
" 2 ~cT o n
2°) Pour c a l c u l e r I 2 ~ / <*χ, fait le
σ /2π -co

changement de v a r i a b l e t = q u i e n t r a i n e d t = ^ dx, d'oü

2
+00 -t /2
l
I 2 =— — j e . σ . dt = ] _ I
σ/2π -co /2π
On o b t i e n t done
ι 2 - 1.

II. En 1961, l e p r o f e s s e u r Lampman a etudie l a pauvrete dans

les societes i n d u s t r i a l i s t s . I I a b o u t i t ä l a conclusion que
19 % de l a p o p u l a t i o n americaine peut e t r e consideree comme
f
pauvre s i l e s e u i l de pauvrete, pour l e revenu annuel d une
f a m i l l e c i t a d i n e de quatre personnes, e s t f i x e ä 2 500 d o l l a r s .
1°) En supposant que l a r e p a r t i t i o n des revenus annuels s u i t
une l o i normale de v a l e u r moyenne 9 540 d o l l a r s , quel e s t
1'ecart-type de c e t t e ' d i s t r i b u t i o n ?
2°) Si seulement 10 % de l a p o p u l a t i o n peut e t r e consideree
comme r i c h e , entre q u e l l e s l i m i t e s d o i t se s i t u e r l e revenu
annuel d'une f a m i l l e c i t a d i n e pour q u ' e l l e puisse e t r e c o n s i -
deree comme ayant un revenu χ moyen t e l que x^ < χ < x , Xj 2

et x 2 etant d e f i n i s par Ρ (χ $ x ) = 0,J9 e t Ρ (χ £ x ) = 0,10?

{ 2
194 Chapitre 6

SOLUTION

1°) On peut e c r i r e
P(x < 2500) = 0,19

i p(x)
MB.
f
s o i t , s i l o n pose
5 4 0
ο) t -» - ;

P ( t < t ) = 0,19
A
x

19% avec ,
= 2 500 - 9 540
250C> 9540 x* 1 σ
kP<t) i Comme
Ρ ( t < t j ) = Ρ (< t < 0)
- Ρ ( t j < t < 0)
19% J
on d e d u i t
. ^ Ρ ( t , < t < 0) = 0,50 -0,19 = 0,31
c 0
i
En u t i l i s a n t l a f o n c t i o n G ( t ) d e f i n i e par (6.30), on a
G (- t j ) = 0,31
La t a b l e 3 donne a l o r s - t = 0,88 ou t j = -0,88. Par s u i t e ,
l a r e l a t i o n (1) permet d ' e c r i r e
9 540 - 2 500
= 0,88

d'oü
9
σ . 500 = 8 0 0 0 d o U a r s

0,88

2°) G ( t ) = 0,50 - 0,10 = 0,40

9

d'oü
t 2 = 1,28
et comme
x 2 - 9 540
l
2 8 000
on d e d u i t :
x 2 = 8 000 χ 1 ,28 + 9 540
Exercices D. L o i normale 195

soit
x 2 = 19 780 d o l l a r s
Les l i m i t e s sont done
2 500 e t 19 780 d o l l a r s .

III. En 1965, dans l a r e g i o n p a r i s i e n n e , 11 % des revenus i n -

d i v i d u e l s e t a i e n t superieurs ä 20 000 F e t 3 % des revenus
1
i n f e r i e u r s ä 3 000 F (Enquete de 1 I.N.S.E.E.). En supposant
que l a l o i de r e p a r t i t i o n des revenus s u i t une l o i normale,
1°) Quel e s t l e revenu i n d i v i d u e l moyen ?
T
2°) Quel e s t l e pourcentage d i n d i v i d u s dont l e s a l a i r e est
compris e n t r e 5 000 F e t 10 000 F ?

SOLUTION
1
1°) D apres l'enquete, on a
Ρ (χ > 20 000) = 0,11
Ρ (χ < 3 000) = 0,03
En u t i l i s a n t l a l o i centree
et r e d u i t e obtenue par l e
changement de v a r i a b l e

t = χ - χ
σ
on a
Ρ (t > t ) 2
0,1 1

et Ρ (t < t.) 0,03

On remarque d'une p a r t que

Ρ ( t > t ) = 0,5 - Ρ (0 < t < t )
2 2

1
et d a u t r e p a r t
Ρ ( t < t . ) = 0,5 - Ρ ( t . < t < 0)
196 Chapitre 6

En u t i l i s a n t l a f o n c t i o n G ( t ) d e f i n i e par (6.30) on a :
G ( t ) = 0,5 - 0,11 = 0,39
2

et G (- t ) = 0,5 - 0,03 = 0,47

f
d oü, d'apres l a t a b l e 3
t 2 = 1,23 et - tj = 1 ,88

On a done
20 000 - χ _ . _
J
σ '

3 0 0 0
- « - - 1,88

La resolution de ce Systeme donne :

χ - 13 277 F
et σ - 5 466 F
Le revenu i n d i v i d u e l moyen est done egal ä 13 277 F.
2°) On d o i t calculer
Ρ (5 000<x<10 000) = P ( t < t < t ) 2

4p(t) avec
_ 5 000 - 13 277 = _ ,t,
C ] {
l 5 466 ^
et
10 000 - 13 277 Λ , Λ
= = 60
4 —T466 - °'
P a r
-1,51 -0,6 0 t symetrie on a :
Ρ (-1 ,51< t<-0,60) =P (0,60< t<l ,51)
= P ( 0 < t < i , 5 i ) ~P (Ö<t<0,6)
Done
Ρ (5 000 < x < 10 000) = G (1,51) - G (0,6)
= 0,4345 - 0,2257 = 0,2088
f
I I y a done 20,88 % d i n d i v i d u s q u i ont un s a l a i r e compris
e n t r e 5 000 F e t 10 000 F. •
Exercices D. L o i normale 197

IV. Une usine e s t chargee de l a f a b r i c a t i o n de m i r o i r s pour

des a p p a r e i l s optiques de t r e s haute q u a l i t e . Pour c e l a , e i l e
t r a i t e des supports de v e r r e de forme p a r a l l e l e p i p e d i q u e dont
les dimensions doivent e t r e :
χ = 80,000 ± 0,010 cm

y = 50,000 ± 0,010 cm

ζ = 6,000 ± 0,005 cm

On c o n t r o l e une s e r i e de ces supports e t on trouve :

X = 80,005 σ = 0,005
χ
y = 50,000 σ = 0,005
y
ζ = 6,001 σ = 0,002
ζ
En supposant l e s d i s t r i b u t i o n s de χ, y e t ζ normales e t
independantes, determiner l e pourcentage de supports r e j e t e s .

-SOLUTION
Le pourcentage de supports
acceptes e s t egal ä l a p r o b a b i -
l i t e d'avoir ä l a f o i s
79,99 * χ £ 80,01

49,99 < y £ 50,01

5,995 S ζ £ 6,005
- 3 0 1 t

a) Eu posant
= χ - χ = χ - 80,005
Ü
σ 0,005

l a lere i n e g a l i t e devient
- 3 * t *1

La p r o b a b i l i t e recherchee sur χ e s t done

P ( - 3 * t $ l ) = P ( - 3 $ t $ 0 ) + p ( 0 $ t $ l )
= G (3) + G (1) = 0,4987 + 0,3413
198 Chapitre 6

Ρ Χ = 0.8A

b) En posant
5 0
t = y - y = y -
σ 0,005
y
l a 2eme i n e g a l i t e devient
- 2 S t £ + 2
Ρ (- 2 £ t £ 2) = G (2) + G (2)
P y = 0,9544.
c) De l a meme maniere, par r a p p o r t ä ζ, on aura
- 3 £ t £2
P z = G (3) + G (2) = 0,4987 + 0,4772 = 0,9759
Le pourcentage de supports acceptes e s t done :
P a - 100 (Ρ x P
χ y x P ) = 78,24 %
z

!
D ou l e pourcentage de supports r e j e t e s :
P r - 100 - P a = 21 ,76 %.

!
V. L I.N.S.E.E. a r e a l i s e une enquete p o r t a n t sur l e nombre
1
d e n f a n t s par menage depuis 1945. Le r e s u l t a t e s t , qu'apres
onze ans de mariage, sur 10 000 couples :
2 200 sont sans enfant
2 100 ont un enfant
2 400 ont deux enfants
1 600 ont t r o i s enfants
T
1 700 en ont au moins q u a t r e , l a m o i t i e d e n t r e eux
ayant exactement quatre enfants.

1°) Quelle e s t l a p r o b a b i l i t e , pour un couple, d ' a v o i r

a) 1 enfant
b) au moins deux enfants
c) au plus quatre enfants ?
Exercices D. L o i normale 199

2°) On considere 4 couples. On appelle Ρ (η) l a p r o b a b i l i t e

d ' a v o i r , parmi ces 4 couples, η couples sans e n f a n t , apres
onze ans de mariage.
Donner 1'expression de Ρ (η)
Calculer Ρ ( 0 ) , Ρ ( 1 ) , Ρ ( 2 ) , Ρ (3) e t Ρ ( 4 ) .
3°) On e f f e c t u e p l u s i e u r s enquetes p o r t a n t chacune sur 1 000
couples, onze ans apres leur mariage, e t l'on considere comme
v a r i a b l e a l e a t o i r e , l e nombre η de couples sans enfant obser­
ve par enquete.
a) Quelle l o i de p r o b a b i l i t e s u i t η ? Determiner l e nom­
bre η moyen observe par enquete a i n s i que 1'ecart-type.
b) Par q u e l l e l o i de p r o b a b i l i t e peut-on approximer
cette d i s t r i b u t i o n ?
c) Determiner n Q t e l que l a p r o b a b i l i t e d'avoir η > n Q

s o i t de 10 %.

SOLUTION

1°) On a Ρ (η) = ~, avec η = 2 100 e t Ν = 10 000, d'oü

, 2 200 2 100
x

b) Ρ (η * 2) - 1 - Ρ (0) - Ρ (1) - 1 - ^ ö - Τ Ο Μ Ο 1 5

Ρ (η £ 2) = 1 - 0,22 - 0,21
Ρ (η* 2) = 0,57
c) Ρ (0) + Ρ (1) +Ρ (2) +Ρ (3) + Ρ (4)= 0,22+0,21+0,24+0,16+0,085
Ρ (4) = 0,085 puisqu'il y a ^ = 850 couples q u i o n t
exactement 4 enfants
Ρ (η £ 4) = 0,915.
On a u r a i t aussi b i e n pu e c r i r e
Ρ (η * 4) = 1 - Ρ (η > 4)

avec Ρ (η > 4) = jpföQ = 0 0S5

9

d'oü Ρ (η £ 4) = 1 - 0,085 = 0,915.

200 Chapitre 6

2°) La p r o b a b i l i t e , pour un couple, de ne pas a v o i r d'enfant

apres onze ans de mariage e s t ρ = 0,22, done q = 1-p = 0,78
f
represente l a p r o b a b i l i t e d a v o i r au moins 1 e n f a n t .
Les evenements etant independants e t e q u i p r o b a b l e s , on
en deduit :
_ , ν _n η N~n ,
Ρ (η) = C ρ q N avec Ν = 4
d' oü
ο 4
Ρ (0) 0,22 .0,78 0,370
1 3
Ρ (1) 0,22 .0,78 0,418
2 2
Ρ (2) 0,22 .0,78 0,177
3 1
Ρ (3) 0,22 .0,78 = 0,033
4 ο
Ρ (4) 0,22 .0,78 0,002

On v e r i f i e que ^ Ρ (η) = 1
η=0

3°) a) Sur 1 000 couples on aura

n 000-η
Ρ (η) = C " ^ (0,22) . (0,78) ( l o i binömiale)

Par s u i t e
η = Ν x ρ = 1 000 x 0,22 = 220
et σ = <J Nxpxq = ^ 220x0,78 - 13

b) La p r o b a b i l i t e elementaire etant f a i b l e , l a population

t r e s g r a n d e e t η > 20, on p e u t remplacer Ja l o i binömiale par
une l o i normale.
c) Ρ (η *.n ) = 0, 10
o

Ρ ( t * t ) = 0,10
Q
P(t)

n - n η - 220
ο
avec tο = ο 13
Ρ ( t * t ) = 0,50 - Ρ (0 <t< t ) = 0,10
Q

Ρ ( 0 < t <tο ) = G (οt )

v

= 0,50 - 0, 10 = 0,40
Exercices D. L o i normale 201

La t a b l e 3 donne :
t Q = 1,28
η - 220
d'oü - 2 - ^ =1,28

et n Q • 13 x 1,28 + 220 * 236 couples

V. Une enquete p o r t a n t sur l a t a i l l e de 200 i n d i v i d u s a

donne l e s r e s u l t a t s suivants :

t a i l l e en cm - centre de classe n^ » e f f e c t i f

[ 150 - 155[ 152,5 7

[ 155 - 160[ 157,5 14
[ 160 - 165[ 162,5 24
[ 165 - 170[ 167,5 37
[ 170 - 175[ 172,5 42
[ 175 - 180[ 177,5 35
[ 180 - 185[ 182,5 23
[ 185 - 190[ 187,5 13
[190 - 195[ 192,5 5

1
1°) Determiner l a v a l e u r moyenne e t l e c a r t - t y p e de c e t t e
distribution.
2°) C a l c u l e r l e s densites de p r o b a b i l i t e ρ ( x ^ ) deduites
d'une l o i normale de meme valeur moyenne e t de meme e c a r t - t y p e .

3°) Representer sur un meme diagramme, en c h o i s i s s a n t c o r -

rectement l e s e c h e l l e s des ordonnees, l a d i s t r i b u t i o n e x p e r i -
mentale n. ( x . ) e t l a d i s t r i b u t i o n theorique ρ. (χ·).
202 Chapitre 6

4°) Quel e s t l e pourcentage theorique des t a l l i e s comprises

e n t r e 152,5 e t 167,5 ? Comparer avec l e pourcentage e x p e r i ­
1
mental d e d u i t de l e n q u e t e en supposant une r e p a r t i t i o n line­
a i r e dans l e s classes.
5°) D'apres l a formule de Lorents, l e poids i d e a l en kg,
pour une t a i l l e χ en cm e s t :
χ - 150
Μ = (x - 100) - ( )
4
C a l c u l e r , pour un e c h a n t i l l o n de 500 i n d i v i d u s dont l a
d i s t r i b u t i o n des t a i l l e s a pour moyenne 170 cm e t pour e c a r t -
type 10 cm, l e poids moyen e t 1'ecart-type de l a d i s t r i b u t i o n
des poids.
6°) Voulant c o n s t i t u e r une equipe de rugby ä 15 j o u e u r s , on
convient de ne garder que l e s 15 plus lourds. Quelle sera l a
t a i l l e du plus p e t i t joueur ?
On supposera, dans c e t t e q u e s t i o n , que l e s 500 i n d i v i d u s
ont, par r a p p o r t ä l e u r t a i l l e , l e poids ideal.

SOLUTION

1°) Le changement de v a r i a b l e
x. - 172,5
ü =
i — H )
permet de dresser l e tableau de l a page s u i v a n t e .

On en d e d u i t

0,0375

et 0,869

Done
Exercices D. L o i normale 203

X. n n. t .
1 i ü
i
I I

152,5 7 - 2 - 14 28
157,5 14 - 1,5 - 21 31,5
162,5 24 - 1 - 24 24
167,5 37 - 0,5 - 18,5 9,25
172,5 42 0 0 0
177,5 35 0,5 17,5 8,75
182,5 23 1 23 23
187,5 13 1,5 19,5 29,25
192,5 5 2 10 20

£ n.» Σ
*ί h Σ η. t ?
χ χ
200 --7,5
» 173,75

et comme
x = 1 0 t + 1 7 2 , 5
i i
χ = 10 t + 172,5 et σ = 10 σ_
* χ t
soit :
χ = 172,125 cm
σ = 9,31 cm
2°) La d e n s i t e de p r o b a b i l i t e e s t donnee par l a fcormule :

ρ (χ.) = ! e 2 σ*
σ χ /~2τΓ
204 Chapitre 6

ι Χ-ί 2£ 2 ~3
χ. ( ) n
i
1 ρ (χ^) en 10

152,5 2,22 5 7
157,5 1 ,23 12 14
162,5 0,53 25 24
167,5 0,12 38 37
172,5 0,0008 43 42
177,5 0,17 36 35
182,5 0,62 23 23
187,5 1 ,36 1 1 13
192,5 2,39 4 5

3°) La f i g u r e montre l e diagramme en batons de l a d i s t r i b u ­

t i o n e x p e r i m e n t a l n^ ( ) e t de l a d i s t r i b u t i o n theorique

Pi <- -)·

On v o i t que l a l o i normale c o n s t i t u e une t r e s bonne

approximation de l a d i s t r i b u t i o n observee.
-3

mm IOLOLO Lotomm
(N fN CM Γ*· Μ r^cvjr-cM
m m vo^or^ h co α) ^
Exercices D. L o i normale 205

4°) Le pourcentage t h e o r i q u e correspond ä l a p r o b a b i l i t e

Ρ (152,5 £ x £ 167,5) ~ P (-2,11 S t * - 0 , 5 4 )

T
oü l o n pose
= χ - 172,125
9,31
ρ (-2,1 1 * t *-0,54) = Ρ (-2,11 * t SO) - P (-0,54 * t £ 0)
- G (2,11) - G (0,54)
» 0,4826 - 0,2054
Ρ (152,5 £ x £ 167,5) = 0,2772
f
I I y a done 27,72 % d i n d i v i d u s q u i ont une t a i l l e comprise
e n t r e 152,5 e t 167,5 cm.
C a l c u l du pourcentage experimental :
Entre 150 e t 155, l ' e f f e c t i f e s t 7. En supposant une
d i s t r i b u t i o n l i n e a i r e dans chaque c l a s s e , on aura e n t r e 152,5
et 155 un e f f e c t i f de :
1 * 2.5 _
i , : >
5 -
Pour l a meme r a i s o n , on aura e n t r e 165 e t 167,5 un e f f e c t i f

i Z J L L I . 1 8 ,5.

Par consequent, l ' e f f e c t i f e n t r e 152,5 e t 167,5 e s t :

• 3,5 + 14 + 24 + 18,5 = 60
D'oü l e pourcentage eherche

™ ~ » 0,30 soit 30 I (theoriqueraent, on a trouve 27,72 Ζ)

5°) Μ - χ - J - 100 + = 0,75 χ - 62,5

d'oü
Μ - 0,75 χ - 62,5 = 66,59 kg
σ = 0 , 7 5 σ = 6 9 8 k g
Μ χ '
6°) Si l ' o n ne garde que 15 joueurs sur 500, c e l a represente
un pourcentage de 3 %. I I s ' a g i t done de determiner d'abord
p o u r q u e P ( M = 0 3
\in *W °'
206 Chapitre 6

s o i t pour l a l o i centree e t r e d u i t e
Ρ ( t * t ) = 0,03

Ρ (t * t ) m 0,5 - G ( t ) m

Par consequent
G ( t ) = 0,5 - 0,03 = 0,47
m

La table 3 donne
4 P(M) t m = 1,88

Or
Μ . -
mm
Μ
d'oü l e poids du joueur la plus
leger :
M = 1, 8 8 X 6 , 9 8 + 6 6 5 9 = 7 9 7 k
niin > > §

On en deduit l a t a i l l e du plus p e t i t joueur :

Μ . +62,5
χ = 7T- = 189.6 cm.
7. Les tests statistiques

INTRODUCTION

Statistique descriptive et s t a t i s t i q u e inductive

Rappeions que l a s t a t i s t i q u e d e s c r i p t i v e e s t un ensemble

de methodes q u i permettent d'ordonner e t de classer les don-
nees, de l e s r e d u i r e ensuite ä un nombre l i m i t e de parametres
c a r a c t e r i s t i q u e s (moyenne, variance, e t c . ) s u s c e p t i b l e de de-
c r i r e l a d i s t r i b u t i o n du caractere etudie dans une p o p u l a t i o n
donnee. Les p r i n c i p e s de l a r e p r e s e n t a t i o n e t de l a r e d u c t i o n
des donnees out ete exposes dans l e s chapitres 2 e t 3.
La s t a t i s t i q u e i n d u c t i v e est plus ambitieuse dans l a me-
sure oü e i l e recherche l e s p r i n c i p e s permettant de deduire
des r e s u l t a t s obtenus sur un e c h a n t i l l o n l i m i t e , une genera-
l i s a t i o n ä l'ensemble de l a p o p u l a t i o n d'oü e s t e x t r a i t cet
T
e c h a n t i l l o n et q u i est generalement inaccessible ä 1 enquete
ou ä l a mesure. On est a l o r s amene ä formuler des hypotheses
dont on v e r i f i e l a v a l i d i t e ä l ' a i d e de c e r t a i n e s epreuves
ou t e s t s s t a t i s t i q u e s . Cela permet de prendre une d e c i s i o n
dependant necessairement du r i s q u e d'erreur adopte du au f a i t
que l e s donnees sont seulement p a r t i e l l e s .
L'objet de ce c h a p i t r e e s t de presenter quelques t e s t s
s t a t i s t i q u e s . Nous nous l i m i t e r o n s essentiellement ä l a
r e s o l u t i o n de quelques problemes des types suivants :
208 chapitre 7

• Estimation : estimer l e s parametres (moyenne, ecart-

type) q u i c a r a c t e r i s e n t une p o p u l a t i o n , connaissant les para-
!
metres d u n e c h a n t i l l o n e x t r a i t de c e t t e population.
* Conformite : determiner s i un e c h a n t i l l o n peut e t r e
!
considere comme r e p r e s e n t a t i f d une population.
. Homogeneite : determiner s i l e s d i f f e r e n c e s observees
entre deux e c h a n t i l l o n s sont dues au hasard ou s i e l l e s sont
significatives (non dues au hasard).
. Ajustement : v e r i f i e r s i une d i s t r i b u t i o n experimen-
t a l e peut e t r e ajustee ä une d i s t r i b u t i o n theorique.
A. ECHANTILLONNAGE

1
La t h e o r i e de 1 e c h a n t i l l o n n a g e a pour o b j e t 1'etude des
r e l a t i o n s q u i e x i s t e n t e n t r e l a d i s t r i b u t i o n d'un caractere
dans une p o p u l a t i o n d i t e population-mere, e t les distributions
de ce caractere dans tous l e s d i f f e r e n t s e c h a n t i l l o n s preleves
dans c e t t e p o p u l a t i o n .
Pour que ces r e l a t i o n s s o i e n t v a l a b l e s , i l f a u t que l ' e -
c h a n t i l l o n s o i t preleve d'une maniere a l e a t o i r e , c'est ä d i r e
que tous les i n d i v i d u s de l a p o p u l a t i o n a i e n t l a meme chance
d'etre preleves. On y a r r i v e au moyen d'un t i r a g e . a u s o r t
par exemple, ou encore en u t i l i s a n t des l i s t e s de nombres
aleatoires.
L'echantillonnage e s t d i t e x h a u s t i f s i 1 ' i n d i v i d u n'est
pas remis dans l a p o p u l a t i o n apres a v o i r ete preleve. I I e s t
d i t non-exhaustif dans l e cas c o n t r a i r e . Lorsque l a popula-
t i o n e s t t r e s grande, on peut c o n s i d e r e r que l e s deux n o t i o n s
sont äquivalentes puisqu'un prelevement e x h a u s t i f ne m o d i f i e
pratiquement pas l ' e f f e c t i f de l a p o p u l a t i o n .

I. DISTRIBUTION DES MOYENNES

S o i t X un caractere q u a n t i t a t i f e t u d i e dans une popula-

t i o n d ' e f f e c t i f N. La d i s t r i b u t i o n de X dans c e t t e p o p u l a t i o n
sera notee (Ν, Μ, σ) ou Μ = Ε (Χ) e s t l a moyenne, e t σ = σ (Χ)
1'ecart-type, du caractere Χ.
S o i t Χ^ l e meme c a r a c t e r e e t u d i e dans un e c h a n t i l l o n i
de t a i l l e n. La d i s t r i b u t i o n de X^ dans c e t e c h a n t i l l o n sera
notee ( n , πκ, σ^) , ou m. = Ε (X^) e t ο. = Ο ( X ^ ) . On suppose
que l e s e c h a n t i l l o n s o n t tous l a meme t a i l l e n.
 210 chapitre 7

1) Echantillonnage non-exhaustif

Considerons l'ensemble de tous l e s e c h a n t i l l o n s possibles

de t a i l l e η pouvant e t r e preleves dans l a population-mere,
d'une maniere non-exhaustive, e t s o i t k l e nombre de ces e-
chantillons.
On a p p e l l e d i s t r i b u t i o n d'echantillonnage des moyennes
l'ensemble des moyennes des d i f f e r e n t s echantillons, soit
{mj, m , m ,2 3 ... n^, ... m ) k (7.1)

On i n t r o d u i t a i n s i un nouveau caractere m q u i associe l a va­

l e u r m^ ä 1 ' e c h a n t i l l o n i . La d i s t r i b u t i o n de m est c a r a c t e -
r i s e e par [ k , Ε (m) , σ (m) ].
On peut montrer que :
Ε (m) = Ε (X) = Μ (7.2)

V (m) = (7.3)
η
d'oü σ (m) = 2_ί2Ω_ = _°_ (7.4)
/η /η
Considerons en e f f e t un e c h a n t i l l o n a l e a t o i r e ( I j , l ^ , . . . , I ) n

t i r e au hasard de maniere non-exhaustive. Si α et 3 sont deux

i n d i v i d u s de l a population-mere, on a :

Ρ ( Ι - α) = £ ; Ρ ( I = α et I
£ Ä f e = β) =-y Φ b)

On en d e d u i t que :
2 2
Ε (Χ < I ) ) = Ε (Χ) ; Ε (Χ (Ι ) ) = Ε (Χ )
Ä £

Ε [ Χ (Ι ) Χ ( I ) ] = Ε [ Χ (Ι ) ] Ε [ Χ ( I ) ]
£ b £ b

Par s u i t e :
η η
Ε <m) = Ε [·± Σ χ α.) ι = i Σ Ε
( χ
do)) - Ε (χ) = Μ
η
£=1 * £=1 *
η η
2 2 χ 2 + 2
V (m) = Ε (m ) - Μ = Ε [-j Σ <ty "Τ Σ Χ )Χ ( 1 ^ " Μ
η £=1 η £i*b
2 η ( 2
= — Ε (Χ ) + [ ν 1
Γ ° - 1] Μ = I V (Χ).
η 2 η
η
Α. Echantillonnage 211

2) Echantillonnage exhaustif

En suivant un raisonnement analogue, mais en e c r i v a n t

cette f o i s - c i

P ( I = α et I
Ä b = 3) = j p ^ y
on montre que l e s expressions de Ε (m) e t σ (m) deviennent :
Ε (m) = Μ (7.5)

a ( m ) =
^V^ (7
' 6)

oü Ν e s t l ' e f f e c t i f t o t a l de l a population-mere. On v o i t que

lorsque Ν e s t t r e s grand compare ä η, 1'expression (7.6) e s t
äquivalente ä (7.4).

II. DISTRIBUTION DES FREQUENCES

Supposons que dans une p o p u l a t i o n composee de Ν elements,

l e caractere etudie X ne puisse prendre que l e s deux v a l e u r s
1 e t 0. On designe par ρ l a p r o p o r t i o n d'elements de carac­
tere 1 e t par q l a p r o p o r t i o n des elements de caractere 0. (On
a 0 < p < 1 e t q = 1 - p ) . La d i s t r i b u t i o n d'un t e l caractere
dans c e t t e p o p u l a t i o n e s t c a r a c t e r i s e e par une moyenne e t un
ecart-type donnes par :
Ε (X) = Μ = ρ (7.7)

σ (Χ) = σ = /pq (7.8)

de sorte q u ' e l l e peut e t r e notee (Ν, p, /~pq).
On preleve dans c e t t e p o p u l a t i o n tous l e s e c h a n t i l l o n s
de t a i l l e η e t on determine pour chaque e c h a n t i l l o n i l a p r o ­
p o r t i o n d'elements dont l e caractere a l a valeur 1 . On d e f i n i t
a i n s i un nouveau caractere f q u i associe ä chaque e c h a n t i l l o n
i l a frequence f ^ .
On appelle d i s t r i b u t i o n d'echantillonnage des frequences
l'ensemble des frequences f . des d i f f e r e n t s e c h a n t i l l o n s
{f,, f , f2 3 ... f i ..Λ,,) (7.9)
212 chapitre 7

Cette d i s t r i b u t i o n de f peut e t r e notee [ k , Ε ( f ) , σ ( f ) ] oü

T
k e s t l e nombre t o t a l d e c h a n t i l l o n s , Ε ( f ) e t σ ( f ) sont
f
respectivement l a moyenne e t l e c a r t - t y p e de f .

1) E c h a n t i l l o n n a g e non-exhaustif

Les expressions (7.2) e t ( 7 . 4 ) , en tenant compte de

Μ = ρ e t σ = /~pq donnes par (7.7) e t (7.8) permettent d'e-
crire :

Ε (f) - ρ (7.10)

σ (f) -yjsi (7.11)

2) E c h a n t i l l o n n a g e e x h a u s t i f

Les expressions (7.5) e t (7.6) f o u r n i s s e n t

Ε (f) = ρ (7.12)

or(f) = ν / ^ ν / | - ^ Τ (7-13)

oü Ν e s t l ' e f f e c t i f de l a population-mere.

I I I . AUTRES DISTRIBUTIONS D'ECHANTILLONNAGE

1
On peut d e f i n i r d'autres d i s t r i b u t i o n s d e c h a n t i l l o n n a g e
que l e s d i s t r i b u t i o n s de m e t f . Le caractere peut e t r e l a
1
mediane, l e mode, 1 e c a r t - t y p e , etc. ou t o u t a u t r e parametre
s u s c e p t i b l e de v a r i e r d'un e c h a n t i l l o n ä 1'autre. Les deux
2
d i s t r i b u t i o n s q u i suivent - c e l l e de t e t c e l l e de χ ~ sont
u t i l i s e e s par exemple, l'une lorsque les e c h a n t i l l o n s sont
p e t i t s (n < 30, c f . 7 Β I I I ) , l ' a u t r e dans des problemes d'a-
justement d'une d i s t r i b u t i o n experimentale ä une d i s t r i b u t i o n
t h e o r i q u e ( c f . 7 D).
1. D i s t r i b u t i o n de t

S o i t une d i s t r i b u t i o n ( Ν , Μ, σ ) d'un caractere X dans

une p o p u l a t i o n , q u i s u i t une l o i normale J!P (Μ, σ ) . On c o n s i -
A. Echantillonnage 213

dere tous l e s e c h a n t i l l o n s de t a i l l e η pouvant e t r e preleves

dans c e t t e p o p u l a t i o n , e t c a r a c t e r i s e s par (η, m^, σ^).
f
On i n t r o d u i t un nouveau caractere t donne par l e c a r t
reduit
(7..4)
σ //η
1
qui associe ä chaque e c h a n t i l l o n i l e c a r t r e d u i t t ^ . On de-
1
f i n i t a i n s i une nouvelle d i s t r i b u t i o n d e c h a n t i l l o n n a g e , d i t e
d i s t r i b u t i o n de t
{tj, t 2 ,t 3 ... t , L t }
k (7.15)
1
oü k est l e nombre d e c h a n t i l l o n s .
2
2. D i s t r i b u t i o n de χ
On considere encore une p o p u l a t i o n normale (Ν, Μ, σ) e t
tous ses e c h a n t i l l o n s ( n , nu, σ^). On c a l c u l e pour chaque
e c h a n t i l l o n i , l e parametre
η 0

( x
Σ "
Χ?=^-Λ a
(7.16)
1 l e m e
oü x est l a valeur du caractere du j i n d i v i d u de l'echan-
t i l l o n i . On d e f i n i t a i n s i une nouvelle d i s t r i b u t i o n d'echan-
2
t i l l o n n a g e d i t e de χ
X , X } ( 7 1 7 )
{χ]> X > 3 ··· V * "
2 k '
Β. ESTIMATION

Si 1 echantillonnage
1
etudie les r e l a t i o n s q u i e x i s t e n t
e n t r e une p o p u l a t i o n e t tous ses e c h a n t i l l o n s de meme t a i l l e
n, 1 ' e s t i m a t i o n se preoccupe de l a r e p r e s e n t a t i v e t e de l a
f
p o p u l a t i o n par un e c h a n t i l l o n . I I s a g i t essentiellement
d ' a t t r i b u e r une valeur ä un parametre inconnu de l a popula-
tion-mere ä p a r t i r de l a connaissance d'un e c h a n t i l l o n
e x t r a i t de c e t t e p o p u l a t i o n .
On peut chercher ä a t t r i b u e r ä ce parametre une valeur
unique ( e s t i m a t i o n p o n c t u e l l e ) ou un I n t e r v a l l e susceptible
de r e c o u v r i r sa valeur inconnue ( e s t i m a t i o n par un I n t e r v a l l e
de confiance).

I. ESTIMATION PONCTUELLE

Considerons une d i s t r i b u t i o n dans une population-mere

(Ν, Μ, σ) e t l a d i s t r i b u t i o n du meme caractere dans un echan­
t i l l o n i (n, m^ , σ^) e x t r a i t de c e t t e p o p u l a t i o n . On suppose
que m^ e t sont connus, e t on cherche Μ e t σ.
I I e s t evident qu'en general, 1 ' e s t i m a t i o n d'un para­
metre inconnu ä p a r t i r de sa valeur observee sur 1 ' e c h a n t i l -
lon ne peut c o n s t i t u e r qu'une approximation. On considere
que c e r t a i n e s c o n d i t i o n s sont requises pour qu'un parametre
de 1 ' e c h a n t i l l o n puisse s e r v i r d'estimateur :
1) lorsque l a t a i l l e de 1 ' e c h a n t i l l o n g r a n d i t , i l con-
v i e n t que l ' e s t i m a t e u r tende vers l a v r a i e valeur du para-
metre inconnu. C'est l a cas de m- q u i est l a moyenne du
Β. Estimation 215

caractere dans 1 ' e c h a n t i l l o n i . Lorsque l e caractere ne peut

prendre que les valeurs 1 et 0, c'est aussi l e cas de qui
est l a frequence d ' a p p a r i t i o n de X = 1 dans 1 ' e c h a n t i l l o n i ;
2) i l convient de plus que, sur l a s e r i e (theorique) de
tous les e c h a n t i l l o n s de t a i l l e n, l a moyenne des estimateurs
s o i t egale au parametre de l a population-mere ( e s t i m a t i o n
sans b i a i s ) . Cela est encore v r a i pour m et f mais ne l ' e s t
2
pas pour l a d i s t r i b u t i o n des σ·. En e f f e t , s i on prend pour
2
estimateur de σ la quantite

η
S. - - Σ (Xj - m.)
ou l a sommation porte sur les valeurs de X observees dans
i ' e c h a n t i l l o n i dont l a moyenne est m , on montre que
g (g*") - n
^ q 2 2
et non σ . D'apres l a 2eme c o n d i t i o n , S 2

2
n'est pas un estimateur sans b i a i s de σ , et i l faudra p l u ­
t o t prendre
2 2
S* = —— - S (7.19;
N
ι η - 1 Λ
ι
qui s a t i s f a i t aux deux c o n d i t i o n s precedentes.
2
En
En pp rr aa tt ii qq uu ee ,, pour es timer l a variance σ de l a p o p u l a t i o n -
mere, on c a l c u l e r a
n 1 2
*2
S.
c
= 1 τ- ν> (χ
/ .- ^
m.)
1 n 1 1
" j=ι J

£ Σ 2
Xj - π m 2 :
J (7.20)
η -

ä p a r t i r des valeurs du caractere observees sur 1 ' e c h a n t i l l o n

i. Le denominateur (η - 1) est appele nombre de degres de
l i b e r t e de 1'estimation : c'est l e nombre de d e v i a t i o n s ( x ^
~m.)
χ -ι
independantes observees par e c h a n t i l l o n , s o i t (n - 1), puisque
d'apres (3.8) i l e x i s t e une r e l a t i o n entre ces d e v i a t i o n s :
η

Σ ( x ; - m.) = 0
j-i J 1
216 chapitre 7

Remarque

Pour η eleve, l'equ. (7.19) montre que S* e s t equivalent

ä q u i devient a l o r s un bon estimateur.

II. ESTIMATION PAR UN INTERVALLE DE CONFIANCE

f
S o i t une d i s t r i b u t i o n (Ν, Μ, σ) d u n caractere X dans
une p o p u l a t i o n . On suppose que c e t t e d i s t r i b u t i o n s u i t une
l o i normale Jl' (Μ, σ) , ce q u i correspond ä un cas r e l a t i v e m e n t
f r e q u e n t e t de p l u s , est t r e s p r a t i q u e pour les c a l c u l s .
D'apres les p r o p r i e t e s de l a l o i normale ( c f . 6 D I I I ) ,
on peut d i r e que 68,3 % de l a p o p u l a t i o n sont concentres sur
un I n t e r v a l l e de X recouvrant un e c a r t - t y p e de p a r t e t d'autre
de l a moyenne, 95,4 % sur un I n t e r v a l l e recouvrant deux e c a r t s -
1
type de p a r t et d a u t r e de l a moyenne, e t c . ( v o i r f i g . 7.1).

P(x) A
0,4

, χ
m-(2,6)a m-2a m-σ ni m 4-σ m-f 2 σ m + (2,6)σ

68,3 %
95,4 X

99 7.

Figure 7.1

1
En s i n t e r e s s a n t en p a r t i c u l i e r aux cas des pourcentages
de 95 % e t 99 %, on a :
Β. E s t i m a t i o n 217

Ρ (Μ - (1,96) σ < Χ £ Μ + (1,96) σ) = 0,95

Ρ (Μ - (2,58) σ £ Χ £ Μ + (2,58) σ) = 0,99
Dans l e premier cas, par exemple, on peut s'attendre ä ce
f
qu'une valeur observee du caractere appartienne ä l I n t e r v a l l e
[Μ - (1,96) σ ; Μ + (1,96) σ] avec un s e u i l de confiance de
T
95 % - on d i t aussi avec un risque d e r r e u r de 5 % L'In­
t e r v a l l e precedent e s t appele I n t e r v a l l e de confiance ä 95 %
f
pour l a l o i normale. De meme l I n t e r v a l l e [M - (2,58) σ ;
Μ + (2,58) σ ] c o n s t i t u e l ' i n t e r v a l l e de confiance ä 99 %, e t c .
Dans ce q u i s u i t , nous designerons l e r i s q u e d'erreur
par α, l e s e u i l de confiance par (1 - α) e t l a v a l e u r absolue
X —Μ f
de l a v a r i a b l e r e d u i t e Τ = l i m i t a n t l I n t e r v a l l e de
σ
confiance par t . D'une maniere generale, on peut done e c r i r e :

Ρ [Μ - t σ £ X £ Μ + t σ]= Ρ[- t £T£t]=l-ct(7.21)

Le tableau suivant donne les valeurs de t pour quelques r i s -

ques d'erreur usuels, dans l e cas de l a l o i normale.

risque α 0,5 % 1 % 5 % 10 %

s e u i l de
99,5 % 99 % 95 % 90 %
confiance 1-a

t 2,81 2,58 1 ,96 1 ,645

a

Tableau 7.1

1
I I I . NORMALITE PES FLUCTUATIONS D ECHANTILLONNAGE

Nous nous l i m i t e r o n s i c i ä 1'estimation d'une moyenne e t

d'une frequence dans une p o p u l a t i o n ä p a r t i r des r e s u l t a t s
obtenus sur un e c h a n t i l l o n e x t r a i t de c e t t e p o p u l a t i o n .
218 chapitre 7

1
1. F l u c t u a t i o n s d e c h a n t i l l o n n a g e d'une moyenne

S o i t une d i s t r i b u t i o n (Ν, Μ, σ) d'un caractere X dans

une p o p u l a t i o n . On considere tous les e c h a n t i l l o n s de taille
η pouvant e t r e preleves dans c e t t e p o p u l a t i o n et caracterises
par (η, , ·
On i n t r o d u i t le caractere t donne par

t = 2 L ^ (7 .22)
ΟI /n
qui associe ä chaque e c h a n t i l l o n i , 1'ecart r e d u i t t ^ . On de-
f i n i t ainsi la distribution
{tj, t , t , . . . , t , ...,
2 3 £ t )
k (7.23)
des fluctuations de m par rapport ä Μ ( f l u c t u a t i o n s reduites
en d i v i s a n t par 1'ecart-type o//n de la d i s t r i b u t i o n de m ? equ.
( 7 . 4 ) ) . Cette d i s t r i b u t i o n n'est autre que la distribution de
t introduite en (7.15).
Pour determiner un I n t e r v a l l e de confiance pour l a mo­
yenne, i l convient d'examiner d'abord l a n o r m a l i t e de cette
d i s t r i b u t i o n . Deux cas peuvent se presenter suivant que la
population-mere est normale ou non.

1) Cas d'une p o p u l a t i o n normale

La d i s t r i b u t i o n de m est elle-meme normale, mais l a nor­

m a l i t e de l a d i s t r i b u t i o n de t depend, comme nous a l l o n s l e
p r e c i s e r , de l a t a i l l e η des echantillons.
La t h e o r i e montre que, lorsque l a population-mere est
d i s t r i b u t e normalement, l e caractere t ^ s u i t une l o i dite
" l o i de Student", de d e n s i t e de p r o b a b i l i t e definie par
A
f (t)= y + ι · (7.24)
.2 2
(1 -V
oü ν est l e nombre de degres de l i b e r t e et A une constante
dependant uniquement de ν, c'est ä d i r e que :
Β. E s t i m a t i o n 219

Ρ (a £ t i £ b) = f (x) dx

A chaque valeur de V correspond une d i s t r i b u t i o n theo-

r i q u e . La f i g u r e 7.2 represente l a d i s t r i b u t i o n de Student
correspondant ä ν = 2 par exemple, comparee ä l a d i s t r i b u t i o n
normale centree et r e d u i t e .

Af(t)
Figure 7,2

La t h e o r i e montre egalement que lorsque V ou η est eleve

(η ^ 30) l a d i s t r i b u t i o n de Student peut e t r e assimilee ä une
d i s t r i b u t i o n normale ( v o i r f i g . 7.2).
D'une maniere generale, s i l'on suppose que l a p o p u l a t i o n -
mere est d i s t r i b u t e normalement, deux cas sont ä considerer
suivant que η ^ 30 ou η < 30.
a) η ^ 30, c'est l e cas d i t des "grands e c h a n t i l l o n s " :
les f l u c t u a t i o n s d'echantillonnage sont d i s t r i b u e s normale­
ment, les i n t e r v a l l e s de confiance sont determines par l a
l o i normale ( c f . 7 Β I I ) .
b) η < 30, cas des " p e t i t s e c h a n t i l l o n s " : les f l u c t u a ­
t i o n s d'echantillonnage suivent une l o i de Student et les
intervalles de confiance doivent e t r e determines par c e t t e
l o i . I I e x i s t e des tables q u i , pour un nombre de degres de
 220 chapitre 7

liberte V et un risque α donnes, fournissent les limites de

f
l I n t e r v a l l e de confiance ± t , telles que

(7.25)

La t a b l e 4 en f o u r n i t un exemple, pour quelques valeurs usu­

e l l e s de ν et α.

Remarque

La t a b l e 4 donne directement l a valeur de t correspon-

dant au risque α, ä l'encontre de l a t a b l e 3 de l a l o i normale
q u i donne t ^ pour un s e u i l de confiance de (1 - a)/2.

2) Cas d'une p o p u l a t i o n non normale

Si l a p o p u l a t i o n n'est pas d i s t r i b u t e normalement, l e

theoreme d i t "de l a convergence vers l a l o i normale" montre
que, p l u s 1 ' e c h a n t i l l o n e s t grand (η ^ 30) e t plus l a d i s t r i ­
b u t i o n de m se rapproche de l a l o i normale. C'est sans doute
une des raisons q u i expliquent 1'importance de l a l o i normale.
Suivant l a t a i l l e de 1 ' e c h a n t i l l o n , on pourra encore d i s -
t i n g u e r 2 cas :
a) η > 30
La d i s t r i b u t i o n de m peut e t r e consideree comme normale
et l a d i s t r i b u t i o n des f l u c t u a t i o n s d'echantillonnage aussi.
D'une maniere generale, pour η £ 30, que l a p o p u l a t i o n s o i t
normale ou non, les i n t e r v a l l e s de confiaaca seront determi­
nes par l a l o i normale.
b) η < 30
La d i s t r i b u t i o n de m n'est pas normale. On ne pourra
t r a i t e r par l a l o i de Student que les seuls cas oü l a popula-
t i o n peut e t r e supposee normale, ce q u i e n t r a i n e l a n o r m a l i t e
de l a d i s t r i b u t i o n de m.
Β. E s t i m a t i o n 221

1
2. F l u c t u a t i o n s d e c h a n t i l l o n n a g e d'une frequence

S o i t une p o p u l a t i o n oü l e caractere X ne peut prendre

que les v a l e u r s 1 ou 0, e t soient ρ l a p r o p o r t i o n des e l e ­
ments v e r i f i a n t X = 1 e t q c e l l e des elements v e r i f i a n t X = 0
(p + q = 1).
On considere que l a d i s t r i b u t i o n d'echantillonnage de f
d e f i n i e par (7.9) e s t pratiquement normale s i l e s p r o d u i t s
np e t nq sont superieurs ä 10, ou ä l a r i g u e u r ä 5. Auquel
cas, l a n o r m a l i t e de l a d i s t r i b u t i o n des f l u c t u a t i o n s d'echan-
t i l l o n n a g e de f est assuree e t on peut appliquer l a l o i nor-
male pour determiner l e s i n t e r v a l l e s de confiance.

IV. INTERVALLE DE CONFIANCE D'UNE MOYENNE

On dispose d'un e c h a n t i l l o n ( n , m^, G j ) . Determiner un

I n t e r v a l l e de confiance centre sur irij e t s u s c e p t i b l e de conte-
n i r l a moyenne Μ (inconnue) de l a p o p u l a t i o n , avec l a proba­
b i l i t e (1 - a ) .
La moyenne m^ e s t un element de l a d i s t r i b u t i o n d'echan­
t i l l o n n a g e des moyennes dont nous avons designe l a moyenne e t
1'ecart-type par Ε (m) e t σ (m).

1. Cas d'un echantillonnage non-exhaustif

Les p a r a m e t r e s Ε (m) e t σ (m) s o n t donnes p a r (7.2) e t

(7.4), soit :
Ε (m) = Μ (7.26)

σ (m) = -2- (7.27)

/η
a) Cas oü η ^ 30 (grands e c h a n t i l l o n s )
La d i s t r i b u t i o n d'echantillonnage de m e s t normale. En
adoptant un risque a, on peut e c r i r e d'apres (7.21)
Ρ [Ε (m) - t ^ σ (m) ^m £E (m) + t σ (m) ] = 1 - α (7.28)
}
222 chapitre 7

ou t o u t simplement
Ε (m) - t a σ (m) $ nij < Ε (m) + t a σ (τη)

avec un risque d'erreur a.

En tenant compte de (7.26) e t (7.27), on a

Μ - t — £ m < Μ + t — (7.29)
OL /— i OL ,—

/η /η
Cet encadrement d e l i m i t e un I n t e r v a l l e d i t "du p a r i " permet-
t a n t l e cas echeant d'estimer irij connaissant Μ e t σ.
On en d e d u i t
m, - t j - <a m, + t ± a (7.30)
•n /n
f f
L encadrement (7.30) d e l i m i t e l I n t e r v a l l e de confiance de Μ
1
et repond au probleme de l e s t i m a t i o n de Μ pose precedemment.
!
Generalement, σ q u i e s t 1 e c a r t - t y p e de l a p o p u l a t i o n -
r
mere, e s t inconnu. On l e remplace dans 1 encadrement par son
estimateur S- donne par (7.20). Qn o b t i e n t a l o r s
S. S.
m - t — SMSm.+t — (7.31)
1 α 1 α ,—
νη νη
•

Si en p a r t i c u l i e r η e s t t r e s proche de Ν, S^ e s t v o i s i n de
1
qui e s t 1'ecart-type de 1 e c h a n t i l l o n . On peut a l o r s e c r i r e :
σ
ι σ
ι
m - t — ^ Μ ^ m + t — t (7.32)
1 α 1 α ,—
νη /η
b) Cas ou η < 30 ( p e t i t s ichäütillöüs)
Les encadrements precedents ne sont p l u s v a l a b l e s . I I
f a u t d'abord supposer que l a population-mere e s t d i s t r i b u t e
normalement, e t remplacer ensuite l a v a r i a b l e t de l a l o i
normale par l a v a r i a b l e t de Student. L ' I n t e r v a l l e de con-
f i a n c e (7.30) d e v i e n t a l o r s :
• •
S. S.
m - t — £ Μ £ m. + t — (7.33)
1 sa 1 sa /—
/η /η
Β. E s t i m a t i o n 223

t etant donne par l a t a b l e 4 en f o n c t i o n du risque α c h o i s i

v M
sa
et du nombre de degres de l i b r r t e ν = η - 1.

2. Cas d'un echantillonnage exhaustif

I I f a u t remplacer dans 1 'encadrement (7.30) 1'ecart-

type ~ de l a d i s t r i b u t i o n des moyennes, par —
/η /η
donne par (7.6). On trouve

σ /Ν - η ^ , . , _ σ /ν - η
λ 0 / Ν
m 1 1 1 + £ ( 7 3 4 )
, " t - ^ N - ^ T * ^ ! ^ F T ·

oü comme precedemment, t = t ^ ( l o i normale) pour η £ 30, ou

t = t ( l o i de Student) pour η < 30. r
sex
xem
• E pie 1

Dans une f a b r i c a t i o n p o r t a n t sur 50 000 a r t i c l e s , un son-

dage sur 400 a r t i c l e s a donne un poids moyen par a r t i c l e de
200 g avec un ecart-type de 50 g. Estimer l e poids moyen dans
l a f a b r i c a t i o n , au s e u i l de confiance de 95 %.
•

Pour η = 400, en adoptant 1 estimateur S = , on o b t i e n t

ä p a r t i r de l a r e l a t i o n (7.32)
200 - 1 ,96 x < Μ <: 200 + 1 ,96 x
/400 /400
195,1 <: Μ < 204,9

. Exemple 2

Un dosage de sucre dans une s o l u t i o n e f f e c t u e sur 8 p r e -

levements provenant d'une meme f a b r i c a t i o n , a donne l e s r e ­
s u l t a t s suivants, exprimes en g/£ :
19,5 - 19,7 - 19,8 - 20,2 - 20,2 - 20,3 - 20,4 - 20,8.
Entre quelles l i m i t e s v a r i e l a concentration moyenne de l a
f a b r i c a t i o n , au risque de 5 % ?
L ' e c h a n t i l l o n etant p e t i t (η = 8 ) , i l f a u t u t i l i s e r l ' e s -
timateur S pour σ et r e c o u r i r ä l a d i s t r i b u t i o n de Student.
224 chapitre 7

1
L ' I n t e r v a l l e de confiance est a l o r s donne par 1 encadrement
(7.33)
• •
S S
m - t — m, + t —
1 sa /— 1 sa ,—
/n /n
en supposant un echantillonage non-exhaustif ou ce q u i r e v i e n t
au meme un prelevement exhaustif dans une s o l u t i o n p r a t i q u e -
ment inepuisable.

D'apres (7.20)

[i
2 1
s* - x 2
- ™ 2
]

on a successivement

Yx. = 160,9 d'oü m = = 20,112

J ο
2
Yx = 3 2 3 7 ,35
2
S* = 0,178 et S* = 0,422

La t a b l e 4, pour α = 0,05 e t V = 8 - 1 = 7 , donne

t = 2,365. On a done
sa
20
Z U ,
ι ι -
U
2
> 3 6 5 X
°> 4 2 2
< Μ < 2 0 11 + >
$ W Z U , M
2 3 6 5 X
°> 4 2 2

2 ,828 ^ 2,828

19,75 £ Μ S 2 0 , 4 6

y, INTERVALLE DE CONFIANCE D'UNE FREQUENCE

On dispose d'un e c h a n t i l l o n de t a i l l e η oü l e caractere

X etudie ne peut prendre que l e s valeurs 1 e t 0, e t oü l a
frequence d ' a p p a r i t i o n du caractere X = 1 e s t f j . Determiner
un I n t e r v a l l e de confiance centre sur f j e t s u s c e p t i b l e de
r e c o u v r i r l a frequence ρ d ' a p p a r i t i o n du caractere X = 1
dans l a p o p u l a t i o n d'oü est e x t r a i t 1 ' e c h a n t i l l o n , avec l a
p r o b a b i l i t e (1 - α ) .
La frequence f , est un element de l a d i s t r i b u t i o n d'e-
Β. E s t i m a t i o n 225

c h a n t i l l o n n a g e des frequences (7.9) dont nous avons designe

l a moyenne par Ε ( f ) e t 1'ecart-type par σ ( f ) .

!
1. Cas d u n e c h a n t i l l o n n a g e non-exhaustif

Les parametres Ε ( f ) e t σ ( f ) sont donnes par (7.10) et

(7.11) s o i t
Ε (f)= Ρ (7.35)

oü q = 1 ~ p.
En supposant que l e s c o n d i t i o n s de v a l i d i t e de 1'appro-
x i m a t i o n normale sont r e m p l i e s , c'est ä d i r e que np, nq > 5
( c f . 7 Β I I I ) , on peut e c r i r e

p - t
ν χ/— £ £, < ρ + t % / —
K v (7.37)
α γ η 1 ^ α γ η
oü l e c o e f f i c i e n t t e s t determine par l a l o i normale.

Cet encadrement d e l i m i t e un I n t e r v a l l e de p a r i pour f ^ ,

permettant l e cas echeant d'estimer f j connaissant p. On en
deauit :

f. - t ζ ρ £ f. + t % / —
r (7.38)
1 α γ η 1 α γ η
ce q u i d e l i m i t e 1 ' I n t e r v a l l e de confiance de ρ e t repond au
probleme pose.
Generalement l a v a l e u r de ρ est inconnue. Une methode
approximative consiste ä remplacer ρ sous l e r a d i c a l par l a
frequence f j observee sur 1 ' e c h a n t i l l o n . Cela r e v i e n t ä
/ pq
prendre pour 1'ecart-type σ ( f ) = \ — 1'estimateur

— (7.39)

(en tenant compte du f a i t que q = 1 - p ) .

Une autre methode consiste ä remplacer l e p r o d u i t pq sous
l e r a d i c a l par sa valeur maximum, q u i correspond ä ρ = q = ~.
On a alors :
226 chapitre 7

(7.40)

Dans les deux cas, 1 ' I n t e r v a l l e de confiance s ' e c r i t

f . - t S S ρ < f. + t S (7.41)
l a l a

2. Cas d'un echantillonnage e x h a u s t i f

I I f a u t remplacer dans 1'encadrement (7.37) e t , l e s s u i -

v a n t s , 1'ecart-type σ ( f ) = yf^f par σ ( f ) = ^ [ ψ ^
donne par (7.13).

. Exemple

Dans une ecole de 1 000 eleves, un sondage sur une classe

de 35 eleves a permis de constater que 7 d'entre eux avaient
une legere i n f e c t i o n contagieuse. Estimer l a p r o p o r t i o n d'en­
f a n t s a t t e i n t s dans 1'ecole, au r i s q u e de 5 %.
Le caractere e t u d i e i c i ne peut prendre que deux v a l e u r s
X = 1 pour l e s eleves a t t e i n t s , e t X = 0 pour l e s eleves non
a t t e i n t s . La frequence d ' a p p a r i t i o n de X = 1 pour 1 ' e c h a n t i l ­
lon est f j = = 0,2.
L ' e f f e c t i f a t t e i n t e t l ' e f f e c t i f non a t t e i n t dans l ' e -
c h a n t i l l o n e t a n t superieurs ä 5, on peut appliquer 1'appro-
x i m a t i o n normale. En u t i l i s a n t 1'estimateur

(1 - f . )
S - \/ — — = 0,067
dans 1 ' I n t e r v a l l e de confiance (7.41), on o b t i e n t
0,2 -11,96 x 0,067]£ ρ S 0,2 +[1,96 x 0,067]
soit 0,068 £ ρ £ 0,332 au s e u i l de 5 %.
C. TESTS DE SIGNIFICATION

T
J u s q u i c i , nous avons e t u d i e l a r e p r e s e n t a t i v i t e d'une
p o p u l a t i o n par tous ses e c h a n t i l l o n s (echantillonnage) e t par
un e c h a n t i l l o n ( e s t i m a t i o n ) . Les t e s t s de s i g n i f i c a t i o n ont
pour o b j e t d'examiner s i les d i f f e r e n c e s observees entre un
e c h a n t i l l o n e t l a population-mere ou entre deux e c h a n t i l l o n s
1 1
sont dues aux f l u c t u a t i o n s d e c h a n t i l l o n n a g e (c est-ä-dire
T
au hasard) ou s i e l l e s sont s i g n i f i c a t i v e s . En d a u t r e s termes,
ces t e s t s permettent de resoudre des problemes
a) de conformite d'un e c h a n t i l l o n ä l a p o p u l a t i o n
b) d'homogeneite de deux e c h a n t i l l o n s entre eux.

I. PRINCIPE DES TESTS D'HYPOTHESE

Considerons l e probleme suivant : etant donne un echan-

t i l l o n de t a i l l e n, dont l a moyenne des v a l e u r s d'un c e r t a i n
caractere X est m^, i s s u d'une p o p u l a t i o n Ρ c a r a c t e r i s e e par
(Ν, Μ, σ ) , peut-on considerer que l a d i f f e r e n c e entre m^ e t
Μ est s i g n i f i c a t i v e ?
Pour repotidre a c e t t e q u e s t i o n , i l est necessaire de
disposer d'une methode permettant de d i r e par exemple, ä
p a r t i r de q u e l l e d i f f e r e n c e entre itij e t Μ, l ' e c a r t entre
1'echanti1Ion e t l a p o p u l a t i o n est t r o p grand pour e t r e a t -
1
t r i b u e aux f l u c t u a t i o n s d echantillonnage.
On est amene generalement ä formuler une hypothese q u i
consiste ä supposer que l a d i f f e r e n c e observee est simplement
due aux f l u c t u a t i o n s d'echantillonnage, e t q u i est appelee
hypothese n u l l e , designee par Η . On recherche ensuite un
 228 chapitre 7

c r i t e r e de t e s t q u i permette de r e j e t e r ou ne pas r e j e t e r
1'hypothese Η , en tenant compte du risque d'erreur ou s e u i l
de s i g n i f i c a t i o n c h o i s i .
Le c r i t e r e de t e s t est tout naturellement l a d e v i a t i o n
reduite :
m - Μ
t = —,—\~ (7.42)
ο σίιτκ)
c'est-ä-dire
m - Μ

Sous l'hypothese Η , ce c r i t e r e presente des f l u c t u a -

o
t i o n s d'echantillonnage q u i , pour η > 30, sont d i s t r i b u t e s
normalement. En considerant par exemple un s e u i l de 5 %, on
est conduit ä adopter l a r e g l e de d e c i s i o n suivante :
1) Si t est e x t e r i e u r ä l I n t e r v a l l e [- 1 , 9 6 ; 1 , 9 6 ] ,
f

l a p r o b a b i l i t e de cette s i t u a t i o n etant seulement de 5 % sous

l'hypothese n u l l e , on r e j e t t e H . On d i t que l a d i f f e r e n c e
Q

nij - Μ e s t s i g n i f i c a t i v e (non due au hasard) au s e u i l de

s i g n i f i c a t i o n de 5 %, ou encore que 1 ' e c h a n t i l l o n n'est pas
representatif de l a p o p u l a t i o n , au meme s e u i l .
Dans ce cas, une erreur peut etre commise, q u i consiste
ä r e j e t e r l'hypothese H alors que c e l l e - c i est exacte. On
Q

d i t q u ' i l s ' a g i t d'un risque d'erreur de lere espece. I I est

egal au s e u i l de s i g n i f i c a t i o n c h o i s i , e t par consequent
adopter un f a i b l e s e u i l r e v i e n t ä l i m i t e r l a p r o b a b i l i t e de
r e j e t e r ä t o r t l'hypothese n u l l e .
2) Si t est i n t e r i e u r ä l I n t e r v a l l e [ - 1 , 9 6 ; 1 , 9 6 ] ,
f

on n'a pas de r a i s o n de r e j e t e r H . La d i f f e r e n c e
Q irij - Μ e s t
d i t e non s i g n i f i c a t i v e , au s e u i l de 5 %. On peut accepter H Q

et a t t r i b u e r c e t t e d i f f e r e n c e au hasard, ou b i e n on peut ne
prendre aucune d e c i s i o n . L ' e c h a n t i l l o n e t u d i e n'a pas permis
de constater une d i f f e r e n c e significative.
Dans ce cas, l e risque d'erreur e s t d i t de 2eme espece :
C. Tests de s i g n i f i c a t i o n 229

il c o n s i s t e ä ne pas r e j e t e r H q a l o r s que c e l l e - c i est fausse.

1
A l i n v e r s e du risque de l e r e espece, l e r i s q u e de 2eme espe-
ce augmente quand on diminue l e s e u i l de s i g n i f i c a t i o n .

II. PREMIERE APPLICATION : LES TESTS DE CONFORMITE

1. Comparaison d'une moyenne observee ä une moyenne theo-

rique

Etant donne un e c h a n t i l l o n de t a i l l e n, dont les v a l e u r s

observees du caractere ont pour moyenne iri| , p e u t - i l e t r e
considere comme r e p r e s e n t a t i f de l a p o p u l a t i o n Ρ (Ν, Μ, σ) ?
D'une maniere p r a t i q u e , deux p o s s i b i l i t e s peuvent se
presenter suivant que 1'ecart-type σ de l a p o p u l a t i o n est
connu ou non.
1) S i σ est connu, l e c r i t e r e du t e s t H q est l ' e c a r t
r e d u i t donne par (7.43)
m -Μ
t Q = = (7.44)
σ / /n
2) S i σ n'est pas connu, on u t i l i s e son estimateur S
donne par (7.20). L'ecart r e d u i t devient
m -Μ
S / /η
Rappeions que dans les deux cas, i l f a u t t e s t e r t ä
l ' a i d e de 1 ' I n t e r v a l l e de confiance determine par
a) l a l o i normale lorsque η > 30
b) l a l o i de Student lorsque η < 30.

. Exemple 1

40 moteurs representant un e c h a n t i l l o n d'une c e r t a i n e

f a b r i c a t i o n ont fonctionne en moyenne pendant 260 j o u r s sans
probleme. Peut-on considerer cet e c h a n t i l l o n comme apparte-
nant ä l a f a b r i c a t i o n h a b i t u e l l e , s i dans c e l l e - c i , l e carac-
tere (c'est ä d i r e l e nombre de j o u r s pendant lesquels un
 230 chapitre 7

moteur a f o n c t i o n n e sans probleme) s u i t une l o i normale de

T
moyenne 240 j o u r s et d e c a r t - t y p e 50 jours ?
f
Hypothese n u l l e H Q : 1 echantillon appartient ä la fa-
brication habituelle.
2 6 0 2
Ecart r e d u i t : t = " ^ = 2,53
° 50 / /40
f
L I n t e r v a l l e de confiance est determine par l a l o i nor-
male, puisque η > 30.
I n t e r v a l l e de confiance ä 5 % : 1 ^ = [ - 1,96 ; 1,96]
I n t e r v a l l e de confiance ä 1 % : I = [ - 2,58 ; 2,58]
On a :

On e s t done conduit ä r e j e t e r H Q au s e u i l de 5 %, e t ä ne pas

rejeter H Q au s e u i l de 1 %.

. Exemp le 2
1
Dans l exemple 2 du § 7 Β IV, l e dosage de Sucre sur l e s
8 prelevements a donne une moyenne de 20,11 g/£. L'echantillon
T
e s t - i l r e p r e s e n t a t i f de l a production au s e u i l de 5 %, s i l o n
admet que l a c o n c e n t r a t i o n en sucre h a b i t u e l l e s u i t une l o i
normale de moyenne 19,6 g / i ?
1
Hypothese n u l l e H Q : 1 echantillon est r e p r e s e n t a t i f .
T
L e c a r t - t y p e σ de l a population-mere etant inconnu, on
l e remplace par son estimateur S = 0,422. L e c h a n t i l l o n ätäüt
petit (η < 3 0 ) , i l f a u t r e c o u r i r ä l a d i s t r i b u t i o n de Student
1
pour trouver l I n t e r v a l l e de confiance.
Le c r i t e r e du t e s t H Q est :
2 Q 1 ] 1 9 6
t - > - > - 3,43
° 0,422/ /TT
Pour a = 5 % e t v = n - 1 = 7, l a t a b l e 4 f o u r n i t
f
t = 2,365. L I n t e r v a l l e de confiance est done I = [ - 2,365 ; c
sa 5 '
T !
2,365 ] . Par consequent t Φ 1^ , 1 e c h a n t i l l o n n e s t pas r e ­
Q

p r e s e n t a t i f de l a production.
C. Tests de signification 231

2. Comparaison d'une frequence observee et d'une frequence

theorique

Le probleme est l e suivant : etant donne un echantillon

!
de t a i l l e n, oü l a frequence d ' a p p a r i t i o n d un c e r t a i n carac-
t e r e est f j , e s t - i l r e p r e s e n t a t i f de l a population-mere oü la
1
frequence d observation de ce caractere est ρ ?
1
La d i s t r i b u t i o n d e c h a n t i l l o n n a g e est i c i l a d i s t r i b u t i o n
de f d e f i n i e en (7.9). D'apres (7.11) son e c a r t - t y p e est
donne par

σ (f) = (7.46)
1
Hypothese n u l l e : 1 e c h a n t i l l o n est r e p r e s e n t a t i f . Le
c r i t e r e de t e s t est l ' e c a r t f . - p, d'oü l'ecart reduit :

(7.47)

q u i d o i t e t r e t e s t e ä l ' a i d e de 1 ' I n t e r v a l l e de confiance

a p p r o p r i e , comme precedemment.

. Exemple

Le taux d'ecoute d'un c e r t a i n programme de t e l e v i s i o n

est suppose constant et egal ä 15 %. A l a s u i t e d'une n o u v e l l e
presentation, un sondage l i m i t e ä 80 telespectateurs a revele
que 18 d'entre eux ont s u i v i ce programme. Peut-on d i r e que
l a nouvelle presentation a i t influence l e p u b l i c , au s e u i l de
5 % ?
Hypothese H q : l a nouvelle p r e s e n t a t i o n n'a pas influ-
ence l e p u b l i c .
On a i c i : ρ = 0,15 q = 0,85 η = 80

f, = M = 0,225

D'apres (7.47) l ' e c a r t r e d u i t est :

 232 chapitre 7

2 2 5 15
t - °> - °' - .,87.
° /0,15 x 0,85
80
Les e f f e c t i f s np e t nq e t a n t superieurs ä 5, on peut
1
appliquer 1 approximation de l a l o i normale. Au s e u i l de 5 %,
on a Ι α = [ - 1,96 ; 1,96] , t Q e I , et par consequent, on
ne peut r e j e t e r Η .

3· Test b i l a t e r a l e t t e s t unilateral

1) Test b i l a t e r a l
f
S o i t iri| l a moyenne des valeurs d un caractere observees
sur un e c h a n t i l l o n e t s o i t Μο l a valeur theorique— de l a πίθ­
yenne de ce meme caractere dans une population Ρ .
On peut t o u j o u r s considerer que m^ est un element d'une
1
d i s t r i b u t i o n d e c h a n t i l l o n n a g e des moyennes d e f i n i e sur une
p o p u l a t i o n Ρ egale ou d i f f e r e n t e de Ρ . Auquel cas, l a mo­
yenne Ε (m) d'une t e l l e d i s t r i b u t i o n a une c e r t a i n e valeur M.
Dans un t e s t de conformite, comparer rrij ä M r e v i e n t en Q

f a i t ä comparer Μ ä M . L'hypothese n u l l e d'une d i f f e r e n c e

Q

mj - M non s i g n i f i c a t i v e peut aussi bien s'exprimer par

q

Μ = Μ . Le r e j e t de l'hypothese n u l l e correspond ä Μ φ M . Q

On d i t que 1'on t e s t e l'hypothese H q : Μ = M contre

Q l'hypo­
these a l t e r n a t i v e Hj : Μ φ Μ .
Dans ce cas, i l convient de l i m i t e r 1 ' I n t e r v a l l e de
confiance I aux deux extremites de l a d i s t r i b u t i o n de t ,
comme nous 1'avons f a i t j u s q u ' i c i ( v o i r f i g . 7.3). Le t e s t
est d i t b i l a t e r a l .
• P(t) Γ 1α

- t 0 t t
C. Tests de s i g n i f i c a t i o n 233

2) Test u n i l a t e r a l
Test de Η : Μ £ Μ contre Η, : Μ > Μ .
. Exemple o o Ι ο

Le caractere Χ etudie est l e t o t a l des p o i n t s obtenus par

chaque e t u d i a n t ä un examen. On a des raisons de c r o i r e qu'une
c e r t a i n e promotion e s t p a r t i c u l i e r e m e n t douee. Peut-on a f f i r -
mer c e l a , au vu des r e s u l t a t s obtenus par c e t t e promotion ?
Soit M l a moyenne theorique ä l a q u e l l e on s'attend, au
Q

vu des r e s u l t a t s des annees precedentes, et s o i t irij l a mo-

yenne de c e t t e promotion, m^ est un element de l a d i s t r i b u -
t i o n d'echantillonnage de m, de moyenne E(m) = M .
Le t e s t est a l o r s l e suivant :
hypothese n u l l e H Q : Μ £ M Q (promotion normale)
hypothese a l t e r n a t i v e Hj : Μ > Μ (promotion douee)
Le jugement est d i f f e r e n t de c e l u i du paragraphe precedent
dans l a mesure oü l'on ne d o i t pas r e j e t e r H q lorsque Μ < M . Q

I I est evident que lorsque l a valeur observee < Μ ,

i l est i n u t i l e de r e c o u r i r ä H j , l a conclusion est immediate,
on accepte H q : l a promotion n'est pas p a r t i c u l i e r e m e n t douee.
Si nij > Μ , plus l ' e c a r t r e d u i t donne par (7.43)
m. - Μ
(7.48)
0/ / η
est grand, et plus on aura tendance ä r e j e t e r h" e t accepter o

Hj. On est done conduit ä l i m i t e r 1 ' I n t e r v a l l e de confiance

I ä l a seule e x t r e m i t e d r o i t e de l a d i s t r i b u t i o n de l ' e c a r t
α
t ( v o i r f i g . 7.4). On d i t que l e t e s t est u n i l a t e r a l .
P(t) 4
•ZI: α

Figure 7.4

P(T < t ) = 1 - ot
a
 234 chapitre 7

La r e g l e de d e c i s i o n du t e s t devient :
s i t G I : ne pas r e j e t e r Η
ο α ο
s i t φ 1 ^ : r e j e t e r H e t accepter H j .
Q q

3) Test u n i l a t e r a l
Test de H : Μ ^ M contre Hj : Μ < M
Q Q Q

f
En reprenant 1'exemple precedent, peut-on conclure qu une
promotion est p a r t i c u l i e r e m e n t f a i b l e au vu des r e s u l t a t s ob­
tenus par c e t t e promotion ?
I I e s t evident que l e probleme ne peut se poser que s i
m. < Μ . Le t e s t est a l o r s l e suivant :
1 ο
hypothese n u l l e H : Μ ^ M
Q Q(promotion normale)
hypothese a l t e r n a t i v e Hj : Μ < M q (promotion f a i b l e )
Pour l e s memes raisons que precedemment, on est amene ä
1
l i m i t e r l I n t e r v a l l e de confiance ä l a seule e x t r e m i t e gauche
de l a d i s t r i b u t i o n de t . ( v o i r f i g . 7.5).

Remarque

Les l i m i t e s de I ne sont pas les memes evidemment, sui-

α
vant que l e t e s t est b i l a t e r a l ou u n i l a t e r a l . Le tableau 7.2
donne quelques v a l e u r s de t pour une d i s t r i b u t i o n normale
de l ' e c a r t t .
C. Tests de s i g n i f i c a t i o n 235

risque
0,5 % 1 % 5 % 10 %
α

t
α 2,81 2,58 1 ,96 1 ,645
bilateral

t
α 2,58 2,33 1 ,645 1 ,28
unilateral

Tableau 7.2

I I I . DEUXIEME APPLICATION : LES TESTS D' HOMOGENEITE

1. Comparaison de deux moyennes observees

Soient m^ e t m^ l e s moyennes des valeurs d'un c a r a c t e r e

observees sur deux e c h a n t i l l o n s 1 e t 2. irij e s t un element de
l a d i s t r i b u t i o n d'echantillonnage de m^ d e f i n i e sur une po­
p u l a t i o n Ρ^· De meme, m^ e s t un element de l a d i s t r i b u t i o n
de m ß d e f i n i e sur P . I I s ' a g i t de determiner s i ces deux
ß

e c h a n t i l l o n s proviennent de 2 populations P^ e t P^ de meme

moyenne (on d i t a l o r s q u ' i l s sont homogenes).
Supposons que l e s deux e c h a n t i l l o n s sont caracterises
par ( n j , m^, σj) e t ( ^ , m^, σ ) e t l e s deux p o p u l a t i o n s par
0

(M , σ ) e t (Mg, σ ) .
A Α β

Hypothese n u l l e H q : M^ = Mg
Hypothese Η, : Μ. φ M D

C'est un t e s t b i l a t e r a l , dont l e c r i t e r e e s t (m^ - m^).

a) Cas des grands e c h a n t i l l o n s ( n j e t n^ ^ 30)
Les d i s t r i b u t i o n s de m e t de nu, peuvent e t r e conside-
A
r
A Β
rees comme normales, respectivement de moyennes Ε (nu) = M.
 236 chapitre 7

et Ε (τη ) = mg, et d e c a r t - t y p e ^ / / 5 j
β
f e t n
°^^ 2 °^ n
l e t n
2
sont l e s t a l l i e s des 2 e c h a n t i l l o n s ( c f . § 7 A I ) .
Sous l'hypothese H , Q ( n ^ - m^) est d i s t r i b u e normalement
avec une moyenne Mg - = 0 , une variance
V = V + V
-mj mj m^
2 2
G
°A B
= — + — (7.49)
η η
et un e c a r t - t y p e
/ 2 2

%-m 1 V^7 +
^ (7
' 50)

L'ecart r e d u i t ä t e s t e r est done

m
2
t~ - (7.51)
2

V n
l n
2

Si l e s e c a r t s - t y p e et Og sont inconnus, on les remplace

par l e u r s estimateurs S et S_ donnes par 1 expression ( 7 . 2 0 )
1 2
En p a r t i c u l i e r , s i les e c h a n t i l l o n s sont t r e s grands, on peut
• *
prendre S = σ et S
A ~ °2 } g

On p o u r s u i t a l o r s l e t e s t , en u t i l i s a n t l ' i n t e r v a l l e de
confiance I correspondant au risque α et ä une distribution
normale, e t on applique l a r e g l e de d e c i s i o n h a b i t u e l l e .
b) Cas oü l'un des e c h a n t i l l o n s , ou les deux sont p e t i t s
(n < 30)

On suppose pour s i m p l i f i e r que les populations-meres

2 2 2
sont normales et q u e l l e s ont l a meme variance σ* = σ T
Ώ = σ .
• 2 2
T
L estimateur S de σ est obtenu en prenant l a moyenne de
*2 *2
SA e t S^ ponderes par l e nombre de degres de l i b e r t e cor-
2
A
l B

respondant, s o i t
( n ] S + (n 1} S
*9 i - > l ? ~ l
c* = 2
£ 1
η 52) A 2

S U 5 Z )
( n , - 1) + ( n - 1) ' 2
C. Tests de s i g n i f i c a t i o n 237

!
Dans ce cas, l e c a r t r e d u i t (7.51) s ' e c r i t

(7.53)

"1 "2
On poursuit le test en u t i l i s a n t 1 I n t e r v a l l e de
T
confiance I
αν
correspondant au r i s q u e α e t au nombre de degres de l i b e r t e
V = U
n jj + n^ - 22 dans-
dans l a l o i de Student, s u i v i de l a r e g l e de
decision habituelle.

. Exemple
T
Deux lycees d i f f e r e n t s ont obtenu au cours d une epreuve
du baccalaureat l e s r e s u l t a t s suivants :

Lycee Nombre d'eleves Note moyenne Ecart-type

A 65 13,2 1,8

Β 85 12,5 1,6

Ces r e s u l t a t s o n t - i l s une d i f f e r e n c e s i g n i f i c a t i v e au r i s q u e
de 1 % ?
Hypothese n u l l e : l e s performances moyennes sont l e s
memes, l a d i f f e r e n c e apparente e s t due au hasard.
*2 2 *2 2

En adoptant 1 approximation S^ = öj e t = > on a

successiveraent :
mj - m 2 = 13,2 - 12,5 = 0,7
0,283
m -m
] 2 s f 65
i 85

t = 0,7
" '— _=
1
9 47
ο 0,283 ' '
Les e c h a n t i l l o n s sont grands (η > 30). La t a b l e 3 de l a
l o i normale donne pour un Intervalle de confiance de 99 %
 238 chapitre 7

t = 2,58. On a done I = [ - 2,58 ; 2,58 ] , t 6 I , e t on

Ut QC Ο Ot
ne peut r e j e t e r l'hypothese n u l l e .

2. Comparaison de deux frequences observees

f
Soient f j e t f ^ l e s frequences d a p p a r i t i o n d'un c e r t a i n
caractere dans deux e c h a n t i l l o n s 1 e t 2. f j e s t un element de
1
l a d i s t r i b u t i o n d e c h a n t i l l o n n a g e de l a frequence f ^ d e f i n i e
sur une p o p u l a t i o n P^. De meme, f ^ est un element de l a d i s ­
t r i b u t i o n de f g d e f i n i e sur une p o p u l a t i o n Pg. I I s ' a g i t de.
determiner s i ces deux e c h a n t i l l o n s proviennent de 2 popula­
t i o n s P^ e t Pg ayant l a meme p r o p o r t i o n d'elements possedant
ce c a r a c t e r e .
Supposons que l e s 2 e c h a n t i l l o n s sont c a r a c t e r i s e s par
( n j , f j ) e t ( n , f ) e t l e s 2 populations par ( p ^ , σ^) e t
2 2

(P , σ ) .
B Β

Hypothese n u l l e H q : p^ = pg = ρ
: P P
Hypothese H ] A ^ B
C'est un t e s t b i l a t e r a l , dont l e c r i t e r e est ( f - f j ) . 2

Lorsque l e s e f f e c t i f s np, nq sont superieurs ä 5, l e s

d i s t r i b u t i o n s de f ^ e t f g peuvent e t r e considerees comme
normales, respectivement de moyennes Ε ( f ^ ) = e t Ε ( f ) = Pg,
ß

/ P a q A /P B %
et d'ecarts-type σ Α = γ — et σ β = γ — ( c f . § 7 4 II)

Sous l'hypothese Η , ί - f . est d i s t r ibüe" üörmälment

o l
η
J r
1
avec une moyenne pg - p^ = 0, une variance

V f l fo
+ V

1 2
= £3. + £ä (7.54)
2 n

puisque = Pg = p. Par consequent, l ' e c a r t r e d u i t e s t

f
2 " f
l
t = - = f = L = r (7.55)
-)
Ί "2
C. Tests de s i g n i f i c a t i o n 239

Une methode approximative consiste ä prendre pour ρ, q u i e s t

generalement inconnu, l e pourcentage moyen entre l e s 2 echan­
tillons soit
η f + η f
7 5 6
Ρ η, + n 2 ( - >
On peut a l o r s t e s t e r tο comme precedemment,
r
' ä l ' a i d e de Iα
r

determine par l a l o i normale e t decider de l a v a l i d i t e de H . Q

. Exemple
Au cours de deux l i v r a i s o n s d i f f e r e n t e s , on a r e l e v e 48
a r t i c l e s defectueux parmi les 800 c o n s t i t u a n t l a premiere
l i v r a i s o n , e t 32 a r t i c l e s defectueux parmi l e s 400 c o n s t i t u a n t
l a deuxieme l i v r a i s o n . Les deux pourcentages d ' a r t i c l e s defec­
f
tueux observes d i f f e r e n t - i l s d une maniere s i g n i f i c a t i v e , au
s e u i l de 5 % ?
Hypothese n u l l e H q : l e s 2 pourcentages sont l e s memes,
l a d i f f e r e n c e apparente est due au hasard.
On a successivement :

£
,=Α) = 0
> 0 6 f
2 = 4M = 0
' 0 8
f 2 - f , - 0 , 0 2
D'apres 1'approximation (7.56), ρ = 0,067. L'ecart r e d u i t e s t
done :
, _ 0^02
= 1,31

γ/θ,067 x 0,933 ( ^ + ^ )
800
v
400'
Tous les p r o d u i t s np, nq sont superieurs ä 5, on peut done
appliquer 1'approximation normale.
Au s e u i l de 5 %, on o b t i e n t pour l a l o i normale
Ι α = [ - 1,96 ; 1,96] . Par consequent, t e I , l a d i f f e r e n c e Q

observee n'est pas s i g n i f i c a t i v e .

D. TEST DU

2
I. DISTRIBUTION DU χ
f
Considerons une p o p u l a t i o n normale d e c a r t - t y p e σ, e t
tous les e c h a n t i l l o n s de t a i l l e η pouvant e t r e e x t r a i t s de
c e t t e p o p u l a t i o n e t c a r a c t e r i s e s par (η, m^) oü est l a
moyenne du caractere X dans 1 ' e c h a n t i l i o n i . Pour chaque
e c h a n t i l l o n i , on c a l c u l e l e parametre

Xi 2 ( 7 , 5 7 )

σ
1 e m e
oü x . est l a valeur du caractere du i i n d i v i d u de l'echan-
J
1
t i l l o n i . On d e f i n i t a i n s i l a d i s t r i b u t i o n d e c h a n t i l l o n n a g e
2
de χ , i n t r o d u i t e en (7.17).
La t h e o r i e montre que, lorsque l a population-mere est
2 .
d i s t r i b u t e normalement. l e caractere Y . s u i t une l o i d i t e
1
2 . .
11
" l o i du χ , de densite de p r o b a b i l i t e d e f i n i e par
2 2 , ν / 2 Μ 2 / 2
f (X ) = Α ( χ ) e" X (7.58)
oü ν est l e nombre de degres de l i b e r t e i n t r o d u i t en 7 Β I e t
u t i l i s e dejä dans l a d i s t r i b u t i o n de Student ( c f . 7 Β I I I ) .
2
Ce nombre est egal ä (η - 1) e t p r o v i e n t de ce que χ^ est l a
somme de (η - 1) termes independants. Α e s t une constante de­
pendant uniquement de ν·
Α chaque valeur de V correspond une d i s t r i b u t i o n theo-
?
r i q u e . La f i g u r e 7.6 montre 1 a l l u r e des courbes pour ν = 2,
5 e t 10. Comme pour l a l o i normale e t l a l o i de Student, on
peut d e f i n i r des i n t e r v a l l e s de confiance. I I e x i s t e des
D. Test du X 241

Figure 7.6

tables donnant l a v a l e u r de χ α ayant l a p r o b a b i l i t e α d'etre

egalee ou depassee, en f o n c t i o n du nombre de degres de l i b e r t e
V. La t a b l e 5 en f o u r n i t un exemple.

Remarque

La t a b l e 5 e s t l i m i t e e ä ν = 30. Au-dessus de c e t t e va­

l e u r , on u t i l i s e l e f a i t que l e parametre yj2 χ~ e s t d i s t r i -
bue approximativement suivant une l o i normale, de moyenne
1
yj2 V - 1 e t d e c a r t - t y p e egal ä 1.

II. CRITERE DE PEARSON

Soit une p o p u l a t i o n oü l e c a r a c t e r e X ne peut prendre

que les valeurs l et 0, e t soient ρ e t q respectivement l e s
frequences de X = 1 et de X = 0 dans c e t t e p o p u l a t i o n (ρ + q = 1)
On considere un e c h a n t i l l o n oü l a frequence observee du
caractere X = 1 e s t Pj e t c e l l e de X = 0 e s t q j ( p +q^ = 1).}

Nous avons vu que l a comparaison de Pj ä ρ pouvait se f a i r e

au moyen de l ' e c a r t r e d u i t ( c f . (7.47) )

t = (7.59)
ο
 2 42 chapitre 7

oü η e s t l a t a i l l e de 1 ' e c h a n t i l l o n . Comme on ne s'interesse

T
f i n a l e m e n t qu ä l a valeur absolue de t , on peut u t i l i s e r
aussi b i e n comme c r i t e r e de t e s t , l e carre de t , s o i t
2 2
ο (Ρ, - Ρ) (np, " np)
t = = (7.60)
ο pq npq
η
2 2
Par comparaison avec (7.57), t apparait comme un χ
Q

de 1 ' e c h a n t i l l o n oü l e caractere e s t l ' e f f e c t i f v e r i f i a n t X= 1.

Le p r o d u i t npj represente l ' e f f e c t i f observe sur 1 ' e c h a n t i l -
l o n , np e s t l a valeur moyenne theorique de cet e f f e c t i f , e t
npq sa variance theorique.
On peut e x p l i c i t e r l e s r o l e s symetriques de ρ (correspon-
dant ä X = 1) e t q (correspondant ä X = 0) en e c r i v a n t :
2 2
ο ο (np, " np) (nq, - nq)
tt = X = • + • (7.61)
A v
ο np nq
ce q u i se v e r i f i e aisement.
2
Le parametre χ c o n s t i t u e l e c r i t e r e de Pearson. On mon­
t r e que lorsque η augmente i n d e f i n i m e n t , l a d i s t r i b u t i o n
1 f
d e c h a n t i l l o n n a g e correspondante tend vers l e x p r e s s i o n theo-
2
r i q u e f (χ ) donnee par (7.58), avec un nombre de degres de
l i b e r t e V = 1.
I I convient de remarquer q u ' i c i l e nombre de degres de
l i b e r t e n'est pas donne par ν = η-1, mais par ν = 1. En e f f e t ,
d'apres l a d e f i n i t i o n des caracteres dans (7.61), l e nombre
1
d observations par e c h a n t i l l o n est de 2 (c'est ä d i r e np e t
1
nqj) e t comme η (ρj + q^) = n, l e nombre d observations i n -
dependantes est b i e n ν = 1.
2
Le c r i t e r e χ peut e t r e generalise au cas oü 1'observa-
aussi des classes -. S i ces classes sont au nombre de r , e t
t i o n p o r t e r a i t sur p l u s i e u r s caracteres independants
ieme - on d i t
s i l ' o n designe par k = ] , 2, 3 ... r l e k caractere,
par n^. l ' e f f e c t i f ayant ce caractere dans 1 ' e c h a n t i l l o n i ,
 2
D. Test du X 243

par np^. l a v a l e u r theorique de cet e f f e c t i f , on montre que

lorsque l a t a i l l e η des e c h a n t i l l o n s tend vers l ' i n f i n i , l a
distribution

(7.62)

2
tend vers l a d i s t r i b u t i o n theorique f (χ ) donnee par (7.58)
1
avec ν = r - 1 ( l e nombre d observations par e c h a n t i l l o n est
egal au nombre de classes r ) . (Pour une demonstration de ce
theoreme, c f . par exemple M. Fisz - P r o b a b i l i t y Theory and
Mathematical S t a t i s t i c s , 1967, chez John Wiley and Sons).
En f a i t , i l s u f f i t que η s o i t assez grand pour que
2
1
l'on puisse u t i l i s e r 1 approximation de l a l o i f (χ ) . Dans
l a p r a t i q u e , on considere qu'une c o n d i t i o n e s s e n t i e l l e e s t
que les e f f e c t i f s correspondant aux d i f f e r e n t e s classes soient
superieurs ä 10, ä l a r i g u e u r ä 5. I I est possible t o u t e f o i s
de regrouper des classes pour s a t i s f a i r e ä c e t t e c o n d i t i o n .
2
11
Le t e s t d i t "du χ consiste generalement.ä t e s t e r l e
2
1
χ calcule ä p a r t i r de 1 e c h a n t i l l o n , ä l ' a i d e d'un Intervalle
2
de confiance determine sur l a l o i f (χ ) . I I permet de resou-
dre entre a u t r e s , les problemes typiques q u i suivent.
I I I . TEST DE CONFORMITE
T
I I s ' a g i t de comparer une d i s t r i b u t i o n d u n caractere
observe sur un e c h a n t i l l o n donne e t une d i s t r i b u t i o n theori­
que basee sur un modele s u s c e p t i b l e de d e c r i r e l a p r o b a b i l i ­
te d'observer une valeur du caractere. On d i t p a r f o i s que
l'on cherche ä " a j u s t e r " une d i s t r i b u t i o n experimentale ä
une d i s t r i b u t i o n theorique.
L'hypothese n u l l e consiste ä supposer que l'on a concor-
dance des deux d i s t r i b u t i o n s . Le c r i t e r e du t e s t e s t

r
(7.62)
k=l
244 chapitre 7

oü n^ est l ' e f f e c t i f (observe) ayant l e caractere k, p^ est

l a p r o b a b i l i t e d'observer ce caractere et np, l a valeur theo-
2
rique de cet e f f e c t i f . Sous 1'Hypothese n u l l e , l e χ ainsi
c a l c u l e d e v r a i t e t r e n u l . I I sera d'autant plus grand que
les deux d i s t r i b u t i o n s d i v e r g e n t .
Pour determiner un I n t e r v a l l e de confiance sur l a l o i
2
f (χ ) , i l est necessaire de c o n n a i t r e l e nombre de degres
de l i b e r t e V. D'une maniere generale, V est egal au nombre
de comparaisons p o s s i b l e s , diminue du nombre de relations
entre les e f f e c t i f s t h e o r i q u e s , s o i t i c i :
V = r - 1 (7.63)
p u i s q u ' i l e x i s t e une seule r e l a t i o n : c e l l e q u i exprime que
l a somme des e f f e c t i f s est egale ä l a t a i l l e de 1'echan-
tillon.
Le s e u i l de s i g n i f i c a t i o n α etant connu, on u t i l i s e l a
2 . .
t a b l e 5 pour determiner l a v a l e u r de χ ayant l a p r o b a b i l i t e
α

α d'etre depassee et on applique l a r e g l e de d e c i s i o n s u i -

vante :
2
0 X £ X^> l'hypoyhese H q est v a l a b l e
2 >
2) Χ Χ^> l'hypothese K q est ä r e j e t e r .
. Exemple 1
On a lance 200 f o i s 2 pieces l'une apres 1'autre et on
a observe le§ resultats suivants :

PP FF PF FP

Nombre de f o i s 64 35 47 54

Peut-on d i r e que ces pieces sont normales (bien e q u i l i b r e e s )

au s e u i l de 5 % ? au s e u i l de 1 % ?
Deux pieces lancees successivement peuvent tomber de 4
 2
D. Test du χ 2 45

fagons d i f f e r e n t e s : PP, FF, PF, FP. La p r o b a b i l i t e d'avoir

une c o n f i g u r a t i o n p a r t i c u l i e r e est done -jr. Pour 200 l a n c e r s ,
on peut esperer a v o i r —~• = 50 f o i s chaque c o n f i g u r a t i o n .
2
Le χ c a l c u l e est done
2 2
(64 - 5 0 ) (35 - 5 0 ) (47-50) 2
+ 154^50)^ = 8 > 9 2

50 50 50 50
Le nombre de classes est r = 4 , et d'apres (7.63) l e nombre
de degres de l i b e r t e e s t V = r - 1 = 3.
Pour un s e u i l de 5 % e t ν = 3, l a t a b l e 5 donne
2 2
XQ = 7,81. On a done χ > χ ^. On ne peut r e t e n i r l'hy­
pothese n u l l e e t admettre que l e s pieces sont normales.
Pour un s e u i l de et V = 3, on o b t i e n t XQ Ql = 1 1 , 3 4

On a done χ 2
< χ,2 2
ce q u i ne permet plus de r e j e t e r l'hy­
pothese H . Q

. Exemple 2

Les r e s u l t a t s des epreuves d'un examen ä l ' e c h e l l e na-

t i o n a l e son: : 60 % de reQus, 25 % admissibles (admis ä
passer les epreuves o r a l e s ) e t 15 % elimines.
Un etablissement presente 160 eleves e t o b t i e n t 75 regus,
53 [Link] et 32 e l i m i n e s . Y a - t - i l conformite entre ces
r e s u l t a t s e: ceux v a l a b l e s ä l ' e c h e l l e n a t i o n a l e ?
2
Pour l«i c a l c u l de χ , on peut u t i l i s e r l e tableau s u i -

2
(n k - np ) k
2
n (n - np )
k P
k n p
k k k
np k

Regus 75 0,6 96 441 4,593

Admissibles 53 0,25 40 169 4,225
Elimines 32 0,15 24 64 2,666

n=l60 χ 2
= 1 1 ,484
 chapitre 7

I c i , r = 3 e t V = 2. Les tables donnent :

X = 9 2 1 X = 1 3
0,0l ' 0,00l
!
D oü
,2
X < X < X
0,01 0,00l
I I y a done conformite au s e u i l de Γ / ο ο , mais i l convient de
r e j e t e r H au s e u i l de 1 %.
q

IV. TEST D 'HOMOGENEITE

?
I I s a g i t de comparer entre e l l e s des d i s t r i b u t i o n s r e ­
l a t i v e s ä p l u s i e u r s e c h a n t i l l o n s a f i n de determiner s i les
d i f f e r e n c e s observees sont s i g n i f i c a t i v e s , ou s i e l l e s sont
1
dues ä des f l u c t u a t i o n s d echantillonnage.
Dans ce cas, l e s donnees f i g u r e n t en general sur un t a -
bleau ä double entree, oü par exemple, l e s e c h a n t i l l o n s sont
portes en l i g n e s designees par i = 1, 2, 3 ... £, e t les
classes en colonnes designees par k = 1, 2, 3 ... r .
Pour chaque case i k du tableau, l ' e f f e c t i f theorique
est estime ä l ' a i d e du p r o d u i t du t o t a l des e f f e c t i f s de l a
l i g n e i par l e t o t a l des e f f e c t i f s de l a colonne k, d i v i s e
par l ' e f f e c t i f t o t a l , s o i t
l r

= Η kH ( ? # 6 4 )

ik η
2
Le χ r e l a t i f ä 1'ensemble des donnees e s t :
(n., - t . , )2 k

i, k ik
et dans ce cas, i etant l e nombre d ' e c h a n t i l l o n s e t r l e nom-
bre de classes, l e nombre de degres de l i b e r t e e s t donne par
ν = (Ζ - 1) ( r - 1) (7.66)
Comme precedemment, on peut a l o r s t e s t e r l'hypothese n u l l e
 2
D. Test du X

qui c o n s i s t e i c i , ä supposer que l e s e c h a n t i l l o n s sont homo-

genes.

. Exempte

Dans l e cadre de l'exemple 2 precedent, deux e t a b l i s s e -

ments Α e t Β ont obtenu l e s r e s u l t a t s q u i s u i v e n t . Tester aux
s e u i l s de 10 % et de 5 % l'hypothese q u ' i l n'y a pas de d i f f e ­
rence s i g n i f i c a t i v e entre l e s r e s u l t a t s obtenus par l e s deux
etablissements.

Adrais- Effectif
Regus Elimines
sibles total

Etabl. A 75 53 32 160

Etabl. Β 140 62 38 240

Τ - 215 Τ - 115 Τ = 70 Τ = 400

Le tableau ä double entree des n ^ > oü k designe l a

1
classe (1 £ k £ 3) e t i designe 1 e c h a n t i l i o n (1 £ i £ 2) est
donne dans l'enonce. L'expression (7.64) permet de dresser
le tableau des t ^ . On a par exemple :
n
Σ \ι Σ lk
t = _i h
I1 η
215 x 160 _ , 0

= 115 x 160 =

12 400 '
248 chapitre 7

classes

k =1 k = 2 k = 3

Admis­
Recus Elimines
sibles

ι=1 Etabl. A 86 46 28
Echantillons
i=2 Etabl. Β 129 69 42

On en d e d u i t , d'apres (7.65) :
2 2 2
2 = (75 ~ 8 6 ) (53 - 4 6 ) (32 - 2 8 )
X 86 46 28
2 2 2
. (140 - 129) + (62 - 6 9 ) (38 - 4 2 ) _ n ?

* 129
i o n +
59
69 42
λo 3 , U /

Le nombre de degres de l i b e r t e e s t d'apres (7.66)

V = (£ - 1) ( r - 1) = 1 x 2 = 2
auquel cas l a t a b l e 5 donne

= 4 , 6 0 5 e t 5 9 9
Χο,ιο Xo,05 - ' ·
On a
X < X < X
0,10 0,05
et par consequent, i l y a l i e u de r e j e t e r l'hypothese d'homo­
geneite au s e u i l de 10 %, mais on peut l a r e t e n i r au s e u i l de
Ε. AJUSTEMENT LINEAIRE - CORRELATION

I. INTRODUCTION

Considerons une p o p u l a t i o n de t a i l l e n, e t supposons que

sur chaque element de c e t t e p o p u l a t i o n , on e f f e c t u e deux ob­
s e r v a t i o n s p o r t a n t sur deux caracteres d i f f e r e n t s associes
aux deux v a r i a b l e s a l e a t o i r e s X e t Y. Le probleme de l a cor­
r e l a t i o n e s t c e l u i q u i consiste ä rechercher s ' i l e x i s t e une
r e l a t i o n entre l e s v a r i a b l e s X e t Y.
A chaque element i de 1 ' e c h a n t i l l o n , on peut associer un
couple de valeurs (X^> Y^) q u i peut e t r e represents en coor-
donnees cartesiennes par un p o i n t du plan ayant pour abscisse
χ = X^ e t pour ordonnee y = Y^. On o b t i e n t a i n s i un nuage de
η p o i n t s c o n s t i t u a n t un diagramme de d i s p e r s i o n .

Ce diagramme peut e t r e par exemple du type a) sur l a f i ­

gure 7.7> auquel cas i l est d i f f i c i l e d'imaginer que l e s

v a r i a b l e s X e t Y puissent e t r e r e l i e e s , on d i t q u ' e l l e s ne sont

pas c o r r e l e e s . Les p o i n t s peuvent avoir tendance a se r a p -

Figure 7,7

X X X
a) v a r i a b l e s b) c o r r e l a t i o n c) c o r r e l a t i o n
non correlees positive negative
250 chapitre 7

procher d'une meme d r o i t e , on d i t que l a c o r r e l a t i o n est

l i n e a i r e . Si Y c r o i t en meme temps que X, l a c o r r e l a t i o n est
d i t e p o s i t i v e (cas de l a f i g u r e b ) , s i Y d e c r o i t lorsque X
c r o i t , l a c o r r e l a t i o n est d i t e negative (cas de l a f i g u r e c ) .

Cependant, l e s p o i n t s du diagramme peuvent se rapprocher d'une

courbe autre qu'une d r o i t e , auquel cas l a c o r r e l a t i o n est non-
lineaire.
D'une maniere generale, l'ajustement consiste ä recher-
cher une f o n c t i o n f (x) dont l e graphe se rapproche l e plus
possible des p o i n t s du diagramme. Etant donnee une valeur X^
de X, i l e s t evident que f (X^) ne peut expliquer que par-
tiellement l a valeur experimentale de Y^. I I e x i s t e done
entre X.
ι e t Y.ι une r e l a t i o n de l a forme
Y. = f (X.) + e i (7.67)

ou a p p a r a i t comme un ecart r e s i d u e l q u i ne peut e t r e e x p l i -

que par l e modele theorique t r a d u i t par f ( x ) .
La methode d'ajustement consiste ä determiner les para-
metres de f (x) q u i minimisent ces ecarts. Celä r e v i e n t ä
minimiser l a somme des valeurs absolues de ces ecarts Σ |ε^|,
ou encore
η
S = Σ ( ι -
γ f
(V ) 2
(7.68)
i= 1
C'est l a methode d i t e "des moindres carres".
Nous nous l i m i t e r o n s i c i au cas de l'ajustement l i n e a i r e ,
oü l'on cherche ä determiner l e s parametres a e t b de l a
d r o i t e f (x) = a x + b, correspondant au minimum de l a somme
des carres des ecarts (7.68). Cette d r o i t e est appelee d r o i t e
de regression.
Ε. Ajustement Lineaire-correlation 251

II. DROITE DE REGRESSION

I I s ' a g i t done de determiner a e t b pour que l a somme

η
2
S(a,b) = Σ (Υ· - a Χ. - b ) (7.69)

i=l
s o i t minimum. I I s u f f i t d'annuler l e s derivees p a r t i e l l e s de
S par rapport ä a et ä b ; on o b t i e n t un Systeme de 2 equa-
t i o n s ä 2 inconnues conduisant aux expressions suivantes de
a et b
η
Υ Χ. Υ. - η Χ Y
1 1
i= 1
a =
£ 2 -2
Σ x
i- n X

i=l
(7.70)
b = Y - a X
oü X = Ε (X) e t Υ = Ε (Υ). On v o i t que l a d r o i t e de r e g r e s s i o n
passe par l e p o i n t (X, Y). En f a i t , quel que s o i t l e diagramme
de d i s p e r s i o n (meme dans l e cas de l a f i g . 7.7 a ) , on peut
toujours trouver une d r o i t e minimisant S. I I convient done
d'etudier l a s i g n i f i c a t i o n de cet ajustement, ou encore sa
precision.

III. COEFFICIENT DE CORRELATION

f
I I est necessaire de pouvoir d i s p o s e r d u n nombre q u i
mesure l a l i n e a r i t e de l a r e l a t i o n e n t r e X e t Y. Ce nombre,
1 T
l i e ä l a p r e c i s i o n de 1 ajustement, devra e t r e d a u t a n t plus
grand que les ecarts r e s i d u e l s sont f a i b l e s .
D'apres (7.69) l a somme S des carres des ecarts r e s i -
duels est donnee par
η
S = Σ ( Y - a X. - b )
£
2
(7.71)
i=l
On peut montrer que S peut encore s ' e c r i r e :
 252
chapitre 7

_ _ 2
S = Σ [ - Υ) - a ( X - Χ)] i (7.72)
i=l

η ^ η _ 2

= Σ (Y - Υ ) -
£
2
Σ (Xi " ) χ
(7.73)
i=l i=l

c'est ä d i r e comme l a somme de 2 termes :

a) l e l e r c a r a c t e r i s a n t l a d i s p e r s i o n des donnees en
1'absence de r e l a t i o n entre X e t Y,
b) l e 2eme conduisant ä une d i m i n u t i o n de c e t t e disper-
s i o n lorsqu'on t i e n t compte de l a r e l a t i o n entre X e t Y.
On d e f i n i t l e c o e f f i c i e n t de c o r r e l a t i o n (mesurant l a
2
p r e c i s i o n de l'ajustement) par r (X, Y) t e l que r (X, Y)
s o i t l e rapport du 2eme terme au l e r terme, s o i t
a2 ^2 / v
2
r (X, Y) = i —=• (7.74)
Σ (γ£ - *>
i
I I e s t c l a i r que l e c o e f f i c i e n t r e s t t o u j o u r s compris entre
-1 e t +1. La valeur -1 correspond ä une r e l a t i o n l i n e a i r e
parfaite Y = aX+b avec a < 0. De meme, l a v a l e u r +1 indique
une r e l a t i o n p a r f a i t e Y = aX + b avec a > 0. Une valeur nulle
ou v o i s i n e de 0 s i g n i f i e q u ' i l n'existe aucune r e l a t i o n l i n e -
a i r e entre X e t Y. A i n s i , dans l e cas de l a f i g u r e 7.7 a,
meme s i l e S y s t e m e d'equations (7.70) donne des valgUT§ POUT
a e t b, on obtiendra un c o e f f i c i e n t de c o r r e l a t i o n r = 0, ce
q u i permettra de conclure ä l'absence de toute r e l a t i o n l i n e -
a i r e entre X e t Y.
Remarque

Le c o e f f i c i e n t de c o r r e l a t i o n r ne mesure aucunement une

r e l a t i o n de c a u s a l i t e entre X e t Y. Un c o e f f i c i e n t v o i s i n de
l ' u n i t e n'implique pas qu'une v a r i a b l e e n t r a i n e 1'autre, i l
Ε. Ajustement l i n e a i r e - c o r r e l a t i o n 253

exprime simplement que les deux v a r i a b l e s v a r i e n t dans l e meme

sens e t que les e c a r t s ä l a d r o i t e de r e g r e s s i o n sont f a i b l e s .
Le c o e f f i c i e n t de c o r r e l a t i o n r s'exprime egalement de
l a maniere suivante :
Σ (χ. - Χ) (γ. - γ )
(7.75)
2 2
V [ Σ (Χ. - Χ ) ] [Σ (Υ^Ϋ) ]

ou encore :
Σ x i Σ Y i

Σ Χ , Υ. -
(7.76)
2 2
ο (Σ Χ · ) (ΣΥ.)
[Σ XT — ] [ Σ Υ. — ]
J 1 1
ι η ι η
qui c o n s t i t u e une formule p r a t i q u e pour l e s c a l c u l s .

Remarque

En i n t r o d u i s a n t l a covariance de (Χ, Y ) donnee par

η
cov. (X, Y) =ι Σ (χ. - X) ( Y i - Ϋ)
i =l
et en remarquant que l e denominateur de (7.75) n'est a u t r e que
σ σ η o n a a u s s
χ γ/ ' i
r (χ, γ) = c o
^ <*» Y
>

. Exemple

Ay Qours des epreuves d un examen, douze candidate ont f

obtenu les notes suivantes (sur 10) ä deux matieres d i f f e -

rentes Α e t Β.

Candidat 1 2 3 4 5 6 7 8 9 10 11 12

Matiere A 3 4 4 5 5 6 6 7 7 8 8 9

Matiere Β 3 3 5 4 5 5 6 5 6 6 8 7
254
chapitre /

1) Diagramme de d i s p e r s i o n

Figure 7.

2) C o e f f i c i e n t de c o r r e l a t i o n
T f
A f i n d u t i l i s e r l e x p r e s s i o n (7.76) pour l e c a l c u l de r ,
on dresse l e tableau suivant :

X. Y. x 2
Y 2
X. Y.
1 1 1 1

3 3 9 9 9

4 3 16 9 12

4 5 16 25 20

5 4 25 16 20

5 5 25 25 25

6 5 36 25 30

6 6 36 36 36
Ε. Ajustement l i n e a i r e - c o r r e l a t i o n 255

X. • Y. x 2
Y 2
X.Y.
1 1 1 X X 1

7 5 49 25 35

7 6 49 36 42

8 6 64 36 48

8 8 64 64 64

9 7 81 49 63

2 72 63 470 355 404

On a done
72 x 63
404 -
12
0,856

vi
2 2
(470 - j | - ) (355 - -yf-)

Ce c o e f f i c i e n t e s t r e l a t i v e m e n t proche de 1'unite. I I e x i s t e
done une r e l a t i o n de c o r r e l a t i o n (fortement prononcee) e n t r e
les deux s e r i e s de n o t e s , ce que^ 1 ' a l l u r e du diagramme pouvait
laisser prevoir.
3) D r o i t e de r e g r e s s i o n
On a d'abord

Σ h
72
X = = 6
12
Y = ^f=5,25

d'oü, en appliquant (7.70)

404 -[12 x 6 x 5,25] Λ f Q /
a = — 2 — ~ 0,684
470 -112 χ 6 1
b = 5,25 -[0,684 x 6]= 1,146
La d r o i t e de r e g r e s s i o n e s t done donnee par
y = 0,684 χ + 1,146
E l l e passe bien par l e p o i n t moyen Μ (6 ; 5,25) ( v o i r f i g . 7.8)
256 chapitre 7

1
IV. TESTS D HYPOTHESE

Considerons une p o p u l a t i o n oü l e s deux caracteres X e t

Y sont d i s t r i b u e s normalement e t tous l e s e c h a n t i l l o n s de
t a i l l e η susceptibles d ' e t r e e x t r a i t s de c e t t e population.
On i n t r o d u i t un nouveau caractere r q u i ä 1 ' e c h a n t i l l o n i
associe l e c o e f f i c i e n t de c o r r e l a t i o n r ^ determine sur cet
echantillon. On d e f i n i t a i n s i une d i s t r i b u t i o n d ' e c h a n t i l -
lonnage de r
{rj, r , r , . . ., r }
2 3 £ (7.77)

oü £ designe l e nombre t o t a l d ' e c h a n t i l l o n s .

On peut se demander s i l e c o e f f i c i e n t r ^ peut s e r v i r ä
1'estimation par Intervalle de confiance du c o e f f i c i e n t de
c o r r e l a t i o n ρ de l a population-mere. Le c a r a c t e r e r n'etant
pas necessairement d i s t r i b u e normalement, on e s t amene ä
distinguer deux cas suivant que 1'on a ä t e s t e r l'hypothese
ρ = 0 ou l'hypothese ρ φ 0.

1. Test de l'hypothese ρ = 0

Le probleme pose est l e suivant : on se demande s i l e

c o e f f i c i e n t de c o r r e l a t i o n r observe au niveau de l'echan-
o
t i l l o n , est compatible avec l'hypothese d'absence de c o r r e ­
l a t i o n dans l a p o p u l a t i o n .
Hypothese n u l l e H Q :ρ =0
Hypothese a l t e r n a t i v e Hj : ρ φ 0
On peut proceder de deux manieres d i f f e r e n t e s mais f i n a -
lement äquivalentes :
a) sous l'hypothese H , l a d i s t r i b u t i o n de r est syme-
Q

t r i q u e . On montre que l a v a r i a b l e
r /™v
t B
. (7.78)
oü ν = η - 2 est l e nombre de degres de l i b e r t e , s u i t une d i s ­
t r i b u t i o n de Student.
Ε. Ajustement lineaire-correlation 257

r AT
Le c r i t e r e de t e s t est t =

A p a r t i r de l a t a b l e 4 de l a l o i de Student on peut determiner

1'Intervalle de confiance I correspondant au s e u i l α et au
r
αν
nombre de degres de l i b e r t e V, et appliquer l a r e g l e de d e c i ­
sion suivante :
o n r e e t t e
1) Si t Q $ * > α ν J l'hypothese ρ = 0
2) Si t Q e l > a v on ne peut r e j e t e r c e t t e hypothese.
b) Le c r i t e r e de t e s t est r . Sous l'hypothese ρ = 0, l a
d i s t r i b u t i o n de r est symetrique, de moyenne 0. La t a b l e 6
donne directement les valeurs du c o e f f i c i e n t de correlation
d e d u i t de l a t a b l e 4 de l a l o i de Student, en u t i l i s a n t
"l'equ. (7.78) :
t (7.79)
2
t ν +

Cette table permet de determiner 1 ' I n t e r v a l l e de confiance

1^ pour r , sous l'hypothese ρ = 0.
Q

1) Si r $ I ' , on r e j e t t e Η .
J
ο ^ αν' ο
2) Si r e l ' , on ne peut r e j e t e r Η .
v J
ο αν ο
. Exemple

Pour un e c h a n t i l l o n de t a i l l e 22, on a c a l c u l e un coef­

ficient de correlation de 0,30, P e u t - o n en d e d u i r e que le

c o e f f i c i e n t de c o r r e l a t i o n de l a p o p u l a t i o n n ' e s t pas n u l ,
au s e u i l de 5 % ?
Hypothese H q : ρ = 0, hypothese Hj = ρ > 0.
I I s'agit v i s i b l e m e n t d'un t e s t u n i l a t e r a l .

Methode a :
t . 0.30 v^l2^-2 =

Ο
A - -
0,30 2

La table 4 donne, pour V = 20 et un t e s t u n i l a t e r a l ä

258 chapitre 7

5 %,
' une v a l e u r tα = 1,725. Par consequent tο < tι on iie
peut pas r e j e t e r H au s e u i l de 5 %.
q

Methode b :

Le c r i t e r e de t e s t e s t r = 0,30.
ο
La t a b l e 6, pour V = 20 e t un t e s t u n i l a t e r a l ä 5 %,
donne une valeur r ^ = 0,36. Par consequent, r < r et
Q
α
on a r r i v e ä l a meme conclusion que par l a methode prece-
dente.

Remarque

Le t e s t de l'hypothese ρ = 0 c o n s t i t u e un t e s t de s i g n i ­
f i c a t i o n : i l s ' a g i t de determiner s i l a c o r r e l a t i o n observee
peut e t r e expliquee par l e s f l u c t u a t i o n s d'echantillonnage
ou s i e l l e e s t s i g n i f i c a t i v e . Dans l e 2eme cas, se pose
alors l e problerne de 1 ' i n t e r p r e t a t i o n de l a r e l a t i o n entre
X e t Y, dont l a s o l u t i o n n'est plus du domaine de l a s t a t i s -
tique.

2. Test de l'hypothese ρ = p Q

Lorsque l e t e s t precedent conduit ä r e j e t e r l'hypothese

ρ = 0, l e probleme r e s t e de savoir s i on peut r e j e t e r l'hypo­
these que ρ a une v a l e u r donnee p Q φ 0.
Dans ce cas, l a d i s t r i b u t i o n d'echantillonnage r e s t
dissymetrique. On u t i l i s e a l o r s l a t r a n s f o r m a t i o n d i t e "de
F i s h e r " q u i transforme r en une autre v a r i a b l e aleatoire

= 1,151 l o g (7.80)
10
qui s u i t approximativement une l o i normale de moyenne

(7.81)
Ε. Ajustement lineaire-correlation 259

et d ' e c a r t - t y p e
1
σ (7.82)
ζ
/7Γ=~3
La t a b l e 7 donne l e s v a l e u r s de l a v a r i a b l e de Fisher Ζ
pour des v a l e u r s de r comprises entre 0 e t 1. E l l e f o u r n i t
de meme, l a v a l e u r de μ ζ correspondant ä p . Q

La demarche du t e s t e s t a l o r s l a suivante :
- f o r m u l e r l'hypothese n u l l e H Q e t l'hypothese a l t e r n a -
t i v e Hj
- ayant c a l c u l e l e c o e f f i c i e n t r Q de 1 ' e c h a n t i l l o n , au
moyen de (7.76) par exemple, determiner l a v a r i a b l e Z c o r - Q

respondante, s o i t ä l ' a i d e de l a t a b l e 7, s o i t ä p a r t i r de
l'expression (7.80)
- operer de l a meme maniere pour trouver l a moyenne y z

correspondant ä p Q

- l e c r i t e r e de t e s t e s t a l o r s
|z - u I |z - u I

- determiner 1 ' I n t e r v a l l e de confiance I sur l a t a b l e

α
3 de l a l o i normale
- a p p l i q u e r l a r e g l e de d e c i s i o n h a b i t u e l l e .

Remarque

La t r a n s f o r m a t i o n de Fisher e s t generale, e i l e peut

s'appliquer au t e s t de l'hypothese p = 0 ( t e s t precedent).

. Exemple 1

Reprendre 1'exemple du paragraphe precedent (echantil­

lon de t a i l l e 22, ayant un c o e f f i c i e n t r de 0,30). Retrouver
Q

l e r e s u l t a t en a p p l i q u a n t l a t r a n s f o r m a t i o n de Fisher au t e s t
de l'hypothese ρ = 0.
Hypothese H q : ρ = 0 ; hypothese : ρ > 0.
260
chapitre 7

On a successivement :

= 0,309 (table 7)

La t a b l e 3 donne, pour un t e s t u n i l a t e r a l a 5 %, une valeur

1>^45.
= a z < o n
*"α On done > r e t r o u v e l e r e s u l t a t selon
l e q u e l on ne peut r e j e t e r H Q au s e u i l de 5 %.

. Exempte 2

Dans l'exemple du paragraphe 7 Ε I I I p o r t a n t sur l a r e ­

cherche d'une c o r r e l a t i o n l i n e a i r e entre l e s notes obtenues
ä deux matieres d i f f e r e n t e s par un e c h a n t i l l o n de 12 e t u d i a n t s
(diagramme de d i s p e r s i o n , f i g . 7 . 8 ) on a c a l c u l e une v a l e u r de
r = 0,856.
ο
Peut-on r e j e t e r l'hypothese que l e c o e f f i c i e n t de c o r r e ­
l a t i o n de l a p o p u l a t i o n s o i t aussi eleve que ρ = 0 , 9 0 , au
s e u i l de 5 % ?
Hypothese H Q : ρ = 0 , 9 ; hypothese Hj : ρ < 0 , 9 .
La valeur r Q = 0,856 ne f i g u r e pas e x p l i c i t e m e n t sur l a t a b l e
7 de l a v a r i a b l e Ζ de Fisher. On peut i n t e r p o l e r entre 0 , 8 5
et 0,86, mais on peut aussi bien appliquer repression (7.80)

On trouve

Pour ρ = 0 , 9 , l a t a b l e 7 donne y z = 1,472

Par a i l l e u r s , σ χ = \/ n [ 3 = \ [ \ = 0,333

d'oü ζ • | U 2 7
^ 3 3 ; - 4 7 2 1
=0,582

La t a b l e 3 de l a l o i normale donne, pour un t e s t u n i l a t e r a l

Ε. Ajustement lineaire-correlation 261

ä 5 %, une v a l e u r de t = 1,645. On a done ζ < t , on ne peut

α α
rejeter Η .
J
ο
. Exemple 3
!
Dans 1 exemple precedent, determiner l e s l i m i t e s de
confiance ä 95 % du c o e f f i c i e n t de c o r r e l a t i o n de l a popula-
tion.
On a t o u j o u r s
Ζ = 1,278 et σ ζ = 0,333
1
L I n t e r v a l l e de confiance ä 95 % de u e s t done
ζ
1 ,278 -[1 ,96 χ 0,333] < U z < 1 ,278 +[1 ,96 χ 0,333]
0,625 < uz < 1,930
On en d e d u i t , s o i t par i n t e r p o l a t i o n sur l a t a b l e 7, s o i t ä
p a r t i r de l ' e x p r e s s i o n (7.80)
0,554 < ρ < 0,958
EXERCICES CHAPITRE 7 Α. ECHANTILLONNAGE

I. Dans une p o p u l a t i o n de 5 o b j e t s , on etudie l e caractere

X associe au poids de chacun de ces o b j e t s . Les poids mesures
sont :
2,5 kg ; 2,53 kg ; 2,6 kg ; 2,62 kg ; 2,7 kg.
1°) Determiner l a valeur moyenne Ε (X) = Μ e t 1'ecart-type
σ ( Χ ) de c e t t e d i s t r i b u t i o n de poids.
2°) Quel e s t l e nombre k^ d ' e c h a n t i l l o n s ( t i r a g e e x h a u s t i f )
f
de t a i l l e η = 3 que l o n peut o b t e n i r ä p a r t i r de l a popula-
t i o n de ces 5 o b j e t s ?
3°) C a l c u l e r l a moyenne Ε (m) e t 1'ecart-type σ (m) de l a
d i s t r i b u t i o n d'echantillonnage des moyennes des d i f f e r e n t s
echantillons.

4°) V e r i f i e r que Ε
est l ' e f f e c t i f total.
(Cas d'une p o p u l a t i o n f i n i e e t d'un e c h a n t i l l o n e x h a u s t i f ) .

SOLUTION

1°) La d i s t r i b u t i o n des poids a pour valeur moyenne

2,5+2,53+2,6+2,62+2,7
Μ = Ε (Χ) =
=
= 2,59 kg
5
L'ecart-type e s t egal ä

σ (Χ) = σ = [(Χ - M)J

2

2 2 2
2 "11/2 2
(2,5-2,59) +(2,53-2,59) +2,6-2,59) +(2,62-2,59) +(2,7-2,59)
Exercices Α. Echantillonnage 263

2°) Le nombre est l e nombre de fagons de c h o i s i r 3 o b j e t s

parmi l e s 5, d'oü

k C = 1 0
3 - 5 - ΤΓΓΓ
Les e c h a n t i l l o n s de poids sont :
(2,5;2,53;2,6) (2 ,5;2 ,53;2,62) (2 ,5;2 ,53;2 ,7) (2 ,5;2 ,6;2,62)
(2,5;2,6;2,7) (2 ,5;2 ,62;2,7) (2,53;2,6;2 ,62) (2,53;2 ,6;2,7)
(2,53;2,62;2,7) (2,6;2,62;2,7).
1
3°) La d i s t r i b u t i o n d e c h a n t i l l o n n a g e de l a moyenne e s t :
{2,543;2,550;2 ,577;2,573;2,600;2,607;2,583;2,610;2,617;2,640}
On en d e d u i t successivement :
Σ m.
Ε (m)= — - = 2,590
k
3
2
V(m) = (m - E ( m ) )
2 2 2 2 2
v(m) -(-0,047) +(-0,040) +(-0,013) +(-0,017) +(0,01)
V
' 10
2 2 2 2 2
(0,017) +(-0,007) +(0,02) +(0,027) +(0,05)
+
10
V (m) = 0,0008
σ (m) = 0,0289
4°) On v o i t que
Ε (m) = Μ
On peut v e r i f i e r que

0 Ι Ν - η
0 (m) =
/η"
avec Ν = 5 et η = 3.
En e f f e t :

α (π,) _ v l = o,0289
264 chapitre 7

II. Reprendre les donnees du probleme I en supposant ä pre-

T
sent des e c h a n t i l l o n s de t a i l l e 2 non e x h a u s t i f s , c e s t ä
d i r e que l e poids du meme o b j e t peut i n t e r v e n i r plusieurs
fois.
f
1°) Quel sera l e nombre d e c h a n t i l l o n s de t a i l l e 2 ?
C a r a c t e r i s e r ces e c h a n t i l l o n s en f a i s a n t figurer les poids
des o b j e t s .

2°) Dresser l a d i s t r i b u t i o n des valeurs moyennes. En calcu-

T
l e r l a v a l e u r moyenne Ε (m) e t 1 e c a r t - t y p e σ (m).

3°) V e r i f i e r que Ε (m) = Μ e t que σ (m) = ° ^

SOLUTION

1°) I I y a 5 choix possibles pour l e premier poids et 5 choix

possibles pour l e deuxieme, d'oü = 5 x 5 = 25. C'est aussi
le nombre d'arrangements avec r e p e t i t i o n s de 5 o b j e t s p r i s 2
2 2
ä 2, s o i t A = 5 = 25.
5

(2,5;2,5) (2,5;2,53) (2,5;2,6) (2,5;2,62) (2,5;2,7)

(2,53;2,5)(2,53;2,53)(2,53;2,6)(2,53;2,62)(2,53;2,7)
(2,6;2,5) (2,6;2,53) (2,6;2,6) (2,6;2,62) (2,6;2,7)
(2,62;2,5)(2,62;2,53)(2,62;2,6)(2,62;2,62)(2,62;2,7)
(2,7;2,5) (2,7;2,53) (2,7;2,6) (2,7;2,62) (2,7;2,7)
2°) La d i s t r i b u t i o n des v a l e u r s moyennes est :
{2,5;2,515;2,55;2,56;2,6;2,515;2,53;2,565;2,575;2,615;2,55;2,565;
2,6;2,61;2,65;2,56;2 ,575;2,61;2,62;2,66;2,6;2,615;2,65;2,66;2,7 }
On en d e d u i t l a valeur moyenne Ε (m) = 2,59 kg e t l a variance

2 2 2 2
V (m) - (m-E (m) ) = U ,5-2 ,59) +(2 ,5 15-2 ,59) +... +(2,7-2,59)

= 0,00248
d'oü σ (m) = 0,0498.
Exercices Α. Echantillonnage 265

!
3°) On v e r i f i e que l o n a encore Ε (m) = Ε (Χ) = Μ, mais
σ
c e t t e f o i s σ (m) = ^ avec η

III. Sur 10 personnes vaccinees, 8 reagissent positivement.

On considere tous les e c h a n t i l l o n s de t a i l l e 9 p r i s dans c e t t e
p o p u l a t i o n de 10 personnes.
T
1°) Quel est l e nombre k d e c h a n t i l l o n s en considerant les
tirages exhaustifs ?
f
2°) Quelle est l a d i s t r i b u t i o n F des frequences d a p p a r i t i o n
de l'evenement : " r e a c t i o n p o s i t i v e " ?
2
Trouver sa v a l e u r moyenne y F et sa variance Vp = öp
3°) En supposant que l a d i s t r i b u t i o n mere s u i t une l o i b i n o -
miale, v e r i f i e r que
Ε (f) = ρ
et que
V U ;
" η (Ν - 1)
ρ etant l a p r o b a b i l i t e elementaire pour qu'une personne rea-
gisse positivement au v a c c i n .
4°) Quelles s e r a i e n t l a moyenne et l a variance de l a d i s t r i ­
b u t i o n des frequences s i on a v a i t considere tous les echan­
t i l l o n s non e x h a u s t i f s de t a i l l e 9 ?

SOLUTION

1°) Le t i r a g e est e x h a u s t i f . On peut facilement c a l c u l e r l e

!
nombre d ' e c h a n t i l l o n s possibles. C est l e nombre de fa9ons de
c h o i s i r 9 personnes parmi 10, d'oü
k
= \o c m 10

Si on associe l ' i n d i c e Ρ aux personnes q u i reagissent p o s i t i ­

f
vement e t l i n d i c e Ν aux personnes q u i reagissent negativement,
266 chapitre 7

les 10 e c h a n t i l l o n s seront constitues par :

2 f o i s (8 Ρ, I N ) car i l y a cj = 2 faQons de c h o i s i r
1 Ν parmi 2 Ν
et 8 f o i s (7 P, 2 N) car i l y a Cg = 8 fagons de c h o i s i r
7 Ρ parmi 8 P.
2°) La d i s t r i b u t i o n des frequences est :

f = r£. ζ. ζ. ζ. Ζ. Ζ. Ζ. Ζ. Ζ τ
9' 9' 9' 9' 9' 9' 9' 9' 9' 9
La valeur moyenne e s t

Ε (f) =
2 * Ι 2+_ 8 x l» = o,8
La variance e s t
10
2
Σ
. _.
(f· " E ( f ) )
ι

V (f)= — = 0,001975

3°) La p r o b a b i l i t e ρ e s t egale ä

ρ = Tö ' °'8
On v e r i f i e bien que Ε ( f ) = ρ e t que
ZJil£l N ^ n x ^ x J M = W_^9 χ __
Q > Q Q l 9 7 5 y ( f )

4°) Pour un echantillonnage non e x h a u s t i f , i l e s t f a s t i d i e u x

de c a l c u l e r Ε ( f ) e t σ ( f ) ä l ' a i d e des frequences des d i f f e -
rents echantillons.
T o u t e f o i s , en appliquant l e s equations (7.10) e t (7.11)
on a :
E ( f ) = ρ = 0,8
V ( f ) = P^iZ£l = Q>8 x 0,2 „ 8

η y •

IV. Soit une v a r i a b l e a l e a t o i r e X representant l e nombre de

3
globules rouges par mm de sang d ' i n d i v i d u s p r i s au hasard
dans une p o p u l a t i o n donnee. On suppose que X s u i t une l o i
Exercices A. Echantillonnage 267

normale. La valeur moyenne Ε (X) e t 1'ecart-type σ (X) sont :

3 3
chez l'homme : x"j~ = 5 000 000/mm ; o } = 255100/mm
3 3
chez l a femme : x ~ = 4 500 000/mm ; σ 2 = 255 100/mm

1°) Determiner, successivement, pour l e s hommes e t pour l e s

T
femmes, 1 encadrement du nombre de globules rouges, en se
l i m i t a n t ä un r i s q u e d'erreur de 5 %.
2°) On c h o i s i t , au hasard, un homme e t une femme dans c e t t e
p o p u l a t i o n . Quelle e s t l a p r o b a b i l i t e pour que l e nombre de
globules rouges chez l'homme s o i t i n f e r i e u r ä c e l u i de l a
femme ?

SOLUTION
• pOO
1°) Pour l'homme

2,5 %

Xj e s t t e l que
Ρ (χ £ χ £ χ ) = 0,50 - 0,025 = 0,475
soit
χ -χ
G ( ~ ) = 0,475

qui donne, d'apres l a t a b l e 3 :

= 1,96
σ
par consequent
3
x = [ i , 9 6 χ 255 100]+ 5 000 000 = 5 500 000/mm
L'encadrement du nombre de globules rouges, chez l'homme, au
risque de 5 % e s t done :
3 3
4 500 000/mm £ χ £ 5 500 000/mm
268 chapitre 7

Pour l a femme, un raisonnement analogue conduit ä l a r e l a t i o n

= 1 ,96

d'oü
3
x 2 = [ 1 ,96 χ 255 100]+ 4 500 000 - 5 000 000/mm
L'encadrement du nombre de globules rouges, chez l a femme, au
risque de 5 % e s t :
3 3
4 000 000/mm £ χ £ 5 000 000/mm

2°) Si l'on prend comme nouvelle v a r i a b l e aleatoire y la d i f ­

ference des nombres de globules rouges chez l'homme e t l a femme,
on d o i t a l o r s c a l c u l e r l a p r o b a b i l i t e pour que y s o i t negatif.

Les deux e c h a n t i l l o n s (hommes et femmes) correspondent a

des s t a t i s t i q u e s independantes, l a moyenne e t l ' e c a r t - t y p e de
la nouvelle v a r i a b l e a l e a t o i r e sont :
3
y x 2 = 500 000 /mnf
1
2 2
σ ο χ + σ = 255 1C0 /2 360 700 /mnT

On cherche l a p r o b a b i l i t e pour que y < 0 s o i t

0 - 500 000
Ρ (y < 0) = Ρ ( t < ) = Ρ ( t < - 1,39)
360 700
Ρ ( t < - 1,39) = 0,50 - G(l,39) = 0,50 - 0,4177 = 0,0823.
La p r o b a b i l i t e pour que l e nombre de globules rouges
s o i t plus p e t i t chez un homme que chez une femme e s t de 0,0823.

Ap(t)
EXERCICES CHAPITRE 7 Β. ESTIMATION

I. On r e l e v e dans 1'analyse du sang de 100 malades, un poids

moyen de calcium m^ = 120 mg avec un e c a r t - t y p e = 10 mg.
Ces 100 malades representent un e c h a n t i l l o n p r i s au hasard
dans une p o p u l a t i o n Ν de gens h o s p i t a l i s e s pour des anomalies
sanguines (N » 100).
1°) En supposant que l a d i s t r i b u t i o n de poids de calcium e s t
f
normale, quel e s t 1 encadrement du poids de calcium pour un
malade p r i s dans c e t e c h a n t i l l o n , s i l'on accepte un r i s q u e
de 5 % ?
2°) Donner 1 ' I n t e r v a l l e de confiance ä 95 % r e l a t i f au poids
moyen de calcium pour 1'ensemble des malades.

SOLUTION

1 ) On appelle X l a v a r i a b l e a l e a t o i r e q u i represente l e
poids de calcium pour un malade. Cette v a r i a b l e X s u i t une l o i
normale. Puisque l'on e s t dans l e cas d'un "grand e c h a n t i l l o n "
(n = 100), on peut considerer que l a d i s t r i b u t i o n e s t aussi
normale dans 1 ' e c h a n t i l i o n . On a a l o r s , d'apres (7.21) :
120 -11,96 x \0}ζ Χ $ 120 +[1,96 x 10]
100,4 mg < Χ < 139,6 mg
1
2°) D'apres l a r e l a t i o n (7.19), on peut estimer l e c a r t - t y p e
par S^ - a^. En appliquant (7.32) on a :

σ σ
ι ι
m - t — £ Μ £ m, + t —
1 α 1 α — 7
/η /η
avec mj = 120 mg ; o = 10 mg ;] t ^ = 1,96 ( r i s q u e de 5 %)
car η = 100 > 30
270 chapitre 7

L'Intervalle de c o n f i a n c e du poids moyen de calcium dans

la population-mere est :

1 2 0 - [Link] ^ M ^ 1 2 0 + 1,96 x 10
• loo /Töö

118,04 mg S Μ £ 121,96 mg •

II. La mesure de l a puissance de 5 machines ä l a v e r , issues

T
d une meme chaine de f a b r i c a t i o n a donne l e s r e s u l t a t s s u i -
vants (en w a t t s ) :
3550 - 3560 - 3580 - 3600 - 3620
Entre q u e l l e s l i m i t e s v a r i e l a puissance moyenne de l ' e n -
semble des machines ä laver de l a s e r i e , au r i s q u e de 5 % ?

SOLUTION

On appelle E(X) = Μ l a valeur moyenne, sur l'ensemble des

machines ä l a v e r , du caractere X q u i est l a puissance de ces
machines.

L ' e c h a n t i l l o n est p e t i t (n=5), on applique l a r e l a t i o n

( 7 3 3 )
·
S S
l l
m - t — ^ M ^ m + t —
1 s
™ /— 1 s^ r-

3550 + 3560 + 3580 + 3600 + 3620

m = = 3582 w.
O C Q O

5
- ° 2-11/2

D'apres (7,20) : S =\ J
, | = /820 = 28,636

et t donne par l a t a b l e 4 pour ot = 0,05 e t un nombre de degres

de l i b e r t e V = 5 - 1 = 4, est egal ä :
Exercices Β. E s t i m a t i o n 271

2 7 7 6
Sa - >

Par consequent l e s l i m i t e s pour l a puissance moyenne sont

'820 ^820
3582 - 2,776 x Μ < 3582 + 2,776 *
/5
soit
3546 < Μ < 3618

f
I I I . Une etude sur l e s s a l a i r e s mensuels de 50 o u v r i e r s d une
usine a donne une moyenne de 3000 F et un e c a r t - t y p e de 500F.
Quel r i s q u e prend-on en estimant l a moyenne des s a l a i r e s des
f
300 o u v r i e r s employes dans l u s i n e ä 3000 F + 100 F ?

SOLUTION

Le caractere X etudie represente l e s a l a i r e des o u v r i e r s

dans 1'usine. Dans 1 ' e c h a n t i l l o n des 50 o u v r i e r s , ce caractere
a pour moyenne m^ = 3000 F et pour ecart-type = 500 F. Pour
1'ensemble des 300 o u v r i e r s de 1'usine on aura, s i E(X) = Μ

(1) 3000 - 100 < Μ < 3000 + 100

On est dans l e cas d'une population f i n i e et d'un e c h a n t i l ­
lonnage e x h a u s t i f , on u t i l i s e done l a r e l a t i o n (7.34) :

/o\ σ /Ν-η x . ο Ι N-n

(2) m . ~ t — ι / - — r - <· Μ < m. + t — \ — -

En comparant (1) et (2) ; on en deduit :

100 = t — ι/ —τ a v e c
Ν = 300 e t η = 50.
α - V Ν-1 Λ

D'apres (7.19) on a : σ ^\/-^τ σ, = \/4£ χ 500.

γ η-1 Ι γ 49
par s u i t e :
272
chapitre 7

100 = _
t α
500 \/AoO
-^r-r - 50
3 0 0
,c ow -
τ— =65,314
1
t α
/49 V -
SOLt

La t a b l e 3 de l a l o i normale donne
G(l,53) = 0,4370
Le degre de confiance correspond ä
0,4370 χ 2 = 0,8740
D'oü l e risque cherche :
1 - 0,8740 = 0,1260 "
- 1,53 0 +1,53 t

IV. Les demi-pensionnaires d'une cantine s c o l a i r e ont ete i n -

toxiques. On suppose que l a maladie s'est declaree, chez l e s
eleves,.de maniere a l e a t o i r e .
Un examen, sur 100 enfants ayant mange ä l a cantine ce
j o u r - l a , a revele que 20 d'entre eux sont a f f e c t e s de t r o u b l e s
d i g e s t i f s . Quelle est l a p r o p o r t i o n d ' i n d i v i d u s intoxiques
parmi l e s 2000 eleves presents ce jour-lä ä l a c a n t i n e , au
risque de 3 % ?

SOLUTION

On dispose d'un e c h a n t i l l o n de 100 eleves oü l e c a r a c t e r e

X etudie ne peut prendre que deux valeurs : X = 1 pour l e s
eleves a f f e c t e s de t r o u b l e s d i g e s t i f s et X = 0 pour ceux q u i
ne l e sont pas. La frequence d ' a p p a r i t i o n de X = 1 e s t
f 2
. = 7S> - °> -
On applique l a r e l a t i o n (7.37) oü l'on remplace

0(f) - V — para(f)=y ψ —
Exercices Β. E s t i m a t i o n 273

On a done

C
a V η V N-T Ρ 1 'aV 5 V N-T

avec Ν = 2000, η = 100 et t correspondant au r i s q u e de 3 %,

dans l a l o i normale.
G ( t ) = 0,50 - Ζψ-
a = 0,485

ce q u i e n t r a i n e t ^ = 2,17
d'oü

0.2 - 2,17 W^rh^ 2

J Zo'-T S
" °· * 2

/θ,2χΟ,8 / 2000-100
+ 2 9 1 7 - 1
γ loo "V ^ o o
0, 1154 < ρ < 0,2846.
Sur l e s 2000 eleves i l y aura done entre 231 e t 569 eleves
intoxiques. •

V. 1) La teneur en glucose dans l e sang ou glycemie des s u j e t s

d'une p o p u l a t i o n donnee est supposee d i s t r i b u t e suivant une l o i
normale de v a l e u r moyenne μ = 1 g e t d'ecart-type 0,2 g. Quelle
est pour un i n d i v i d u , l a p r o b a b i l i t e d*avoir une glycemie com­
p r i s e e n t r e 0,70 g e t 1,2 g ? Pour 1000 personnes examinees,
combien en moyenne auront une glycemie comprise entre les valeurs
precedentes (0,70 g e t 1,2 g ) .
2) La d e t e r m i n a t i o n de 1 ' I n t e r v a l l e de confiance (IC) ä par-
t i r des glycemies obtenues pour un e c h a n t i l l o n d ' e f f e c t i f
n(n > 30), a donne pour les s u j e t s d'une deuxieme p o p u l a t i o n les
v a l e u r s suivantes pour les bornes de cet Intervalle : 1,14 g e t
1,26 g. Quelle est l a valeur moyenne observee X des glycemies
1
des s u j e t s composant 1 e c h a n t i l l o n e t u d i e ?
Au r i s q u e d'erreur 5 %, quel est l ' e f f e c t i f de 1'echan-
T
t i l l o n e t u d i e ? On prendra pour valeur de 1 e s t i m a t i o n de l a
variance de l a d i s t r i b u t i o n des glycemies de c e t t e deuxieme
2
p o p u l a t i o n : 0,09 g . ou J^- = 0,3 g.
f
EXTRAIT D EXAMEN PARIS-OUEST - 1976.
 274
ch pitre 7
(

SOLUTION
0,70-1
1°) P(0,70 g ι χ < 1,2 g) = P(- 1,5 < t < 1)
;
0,2 " 0,2
Ap(t)
D'apres l a p r o p r i e t e de a l o i nor­
male centree r e d u i t e on t :
P ( - l , 5 < t < l ) = G ( l ) + G(l 5) =
0,3413 + 0 4332

r
P(0,70 g < χ < 1,2 g) = ),7745. .
- 1,5 1 t

Pour 1000 personnes examinees, i l y aura en moyeme

0,7745 χ 1000 ~ 775 personnes q u i auront une glycemie :omprise
entre 0,70 g e t 1,2 g.
2°) L ' I n t e r v a l l e de confiance (1,14 g, 1,26 g) est cerrre sur X.
, τ. 1,26 g + 1,14
2
On aura done Χ = — — ^ — = 1,20 g. Par s u i t e οι a :

1,14 < Χ < 1,26 q u i , compare ä (7.30) donne :

+
t Q~ = 1,26 e t m, - t ~= a 1,14
vn ' vn
qui e n t r a i n e :
t .σ
α
2t_. — = 1,26 - 1,14 = 0,12, s o i t η =
/η 0,06

t correspondant au risque de 5 %, done t = 1,96 et c est estime

2
1 96 χ 0 3
1 2
par 0,3 g. Par consequent : η = — —Q~Qg— —) ~ 96 s u j t t s .

VI. Lorsque l e depouillement d'une e l e c t i o n presidentLelle

sera termine, on saura que sur Ν v o t a n t s , i l y aura N^ v o i x
pour l e candidat A e t N^ = Ν - N^ pour l e candidat B. Mais l e s
s t a t i o n s de radio veulent donner l e s r e s u l t a t s "des 2( heures"
en se basant sur les r e s u l t a t s de η votants (dont n^ \oix pour
A e t η = η - η. v o i x pour Β ) , c e t echantillonnage prcvenant
D A

de d i v e r s bureaux de votes r e p r e s e n t a t i f s oü des r e s u l t a t s

p a r t i e l s sont dejä connus.
Exercices Β. E s t i m a t i o n 275

1°) Quel e s t l e nom de l a l o i de p r o b a b i l i t e s u i v i e par n^

1
(on considere que 1 e c h a n t i l l o n n a g e correspond a un t i r a g e au
hasard).
2°) Sachant que pour c e t t e l o i l a variance de η. est npq avec :
N
\ B . 2
p = —e t que q = — , c a l c u l e r l a variance Ο de l a f r e -
n
A
quence raesuree : α = — .
3°) En f a i t , ρ e t q sont des v a l e u r s theoriques que l'on ne
peut qu'estimer d'apres l e s r e s u l t a t s de 1'echantillonnage.
Estimer l a v a r i a n c e de α.
4°) Quel e s t 1 ' I n t e r v a l l e de confiance de α au s e u i l de 5 %
(c'est-ä-dire q u ' i l y a 95 chances sur 100 que l a v r a i e valeur
N^/N s o i t dans c e t Intervalle).

5°) A p p l i c a t i o n nuraerique : α = 49 %, q u e l l e v a l e u r de η per-

mettra d'annoncer l e nom de l ' e l u avec 95 chances sur 100 de
ne pas se tromper, discuter.
EXTRAIT D'EXAMEN LARIBOISIERE - 1975

SOLUTION
T
1°) L evenement considere e s t : sur η v o t a n t s , i l y a n^ v o i x
pour A e t n a t u r e l l e m e n t η β = η - n^ v o i x pour B. S i ρ est l a
p r o b a b i l i t e elementaire (sur 1 vote) pour que A s o i t c h o i s i
a l o r s q = l - ρ e s t l a p r o b a b i l i t e elementaire pour que Β s o i t
choisi.
Par s u i t e
n n n n
A A ~A
P(n^) = ρ (1-p) . La l o i de p r o b a b i l i t e est une
l o i binömiale.
L'echantillon e t a n t r e p r e s e n t a t i f de l a p o p u l a t i o n , l e s
p r o b a b i l i t e s elementaires d'un vote en faveur de A e t en faveur
de Β sont respectivement egales ä
N N
A , B
ρ = - q = 1 - ρ = —
 276
chapitre 7

NN
2°) V ( n ) = npq = η — j - .
A

Puisque α = - χ n , on a V(ot) = -\r V(n ) . Par s u i t e

„ „ η Α Z A
σ 2 A
2
tiN
η Π
Α Β

3°) S i l ' o n estime ρ e t q par — et — alors :

n n
A B
V(n ) = η -!ψ e t
η
η η
2
V(a) = σ = -L v ( n ) = - ~
η η
4°) S i l ' o n suppose que 1 ' e c h a n t i l l o n v e r i f i e η > 30 a l o r s
1'equation (7.38) donne :
J/2

avec t correspondant au r i s q u e de 5 %, c'est-ä-dire t = 1,96.

n n
A R
5°) A.N : Oi = — = 0,49 d'oü — = 1 - 0,49 = 0,51.
η η
1
D'apres 1 e c h a n t i l l o n t i r e au hasard, c'est l e candidat Β
qui est e l u . A l'echelon n a t i o n a l , s i l ' o n veut que Β s o i t e l u
il f a u t que l e pourcentage ρ de v o i x en faveur de A s o i t infe-
rieur a 50 %. I l suffit done
I/o
η. r η, n-i '

9 0 , 5 1
D'oü 0,49 + 1 , 9 6 y / ^ - ^ < 0,50 s o i t
1 96 ^
η > (j^gyO (0,49 x 0,51) s o i t η > 9600 v o i x .
A c o n d i t i o n de prendre un e c h a n t i l l o n dont l a t a i l l e e s t
au minimum de 9 600 v o i x , on pourra conclure que l e candidat
Β a 95 chances sur 100 d'etre e l u . I I est b i e n e v i d e n t que,
Exercices C. Tests de s i g n i f i c a t i o n 277

si. l'on veut diminuer l e risque d'erreur ( t ^ augmente) alors η

d o i t e t r e plus grand. Par exemple avec un risque de 1 % ( t =
2,58), η devra e t r e plus grand que 16634.

EXERCICES CHAPITRE 7 C. TESTS DE SIGNIFICATION

I. Le gouvernement d'un pays a decide de f i x e r , ä 1'echelon

national, l e p r i x d'un p r o d u i t . I I t o l e r e une d i s t r i b u t i o n
des p r i x s u i v a n t une l o i normale de moyenne Μ = 100 F avec un
e c a r t - t y p e de 10 F.
Ne pouvant v e r i f i e r les nombreux p o i n t s de vente, i l con­
sidere un e c h a n t i l l o n de 36 points de vente oü l a moyenne des
p r i x du p r o d u i t est de 105 F. D o i t - i l considerer que ces p r i x
sont en dehors de 1 ' I n t e r v a l l e t o l e r e , avec un s e u i l de s i g n i -
f i c a t i o n de 5 % ?

SOLUTION

On a un e c h a n t i l l o n de t a i l l e η = 36 dont l a moyenne des

valeur du c a r a c t e r e X ( p r i x du p r o d u i t ) est = 105 F, a l o r s
que dans l a population-mere Ε(Χ) = Μ = 100 F e t σ = 10 F.
- hypothese n u l l e Η :
ο
Les p r i x pratiques dans 1 ' e c h a n t i l I o n appartiennent ä
l'intervalle tolere.
- Le c r i t e r e de t e s t est l ' e c a r t r e d u i t determine par 1'equa-
t i o n (7.44)
M
_ Κ " l j105 - 100] _
t
o __σ _K)_
/η" /36~
- L'intervalle I correspond ä un s e u i l de s i g n i f i c a t i o n de
5 %.
278 chapitre 7

Pour une l o i normale, I est donne par l a t a b l e 3

I = Γ-1,96 ; 1 ,96].
Par consequent
t $ I
ο α
On r e j e t t e l'hypothese n u l l e , on peut considerer que l e s
p r i x sont en dehors de l ' i n t e r v a l l e tolere.

II. Desirant juger l e t r a v a i l d'un o u v r i e r a j u s t e u r , un chef

d ' a t e l i e r preleve un e c h a n t i l l o n de 50 pieces m e t a l l i q u e s dans
sa p r o d u c t i o n . On associe l e caractere X a l'epaisseur de ses
pieces. On d o i t a v o i r E(X) = 5 mm. Les r e s u l t a t s de l a v e r i f i c a ­
t i o n sont portes dans l e tableau suivant :

n. χ , en mm
J J

5 4,8

15 4,9

20 5,0

10 5,1

η = 50

Cette f a b r i c a t i o n e s t - e l l e conforme aux exigences, au

s e u i l de 1 %.

SOLUTION

- Hypothese n u l l e H : La s e r i e est conforme aux normes

q

exigees.
Exercices C. Tests de s i g n i f i c a t i o n 279

- Le c r i t e r e de t e s t sera l ' e c a r t r e d u i t donne par (7.44)

oü σ sera estime par S* d e f i n i par (7.20).

t
ο

/n
[5 χ 4 , 8 ] + [ 1 5 χ 4 , 9 ] + [20 χ 5 , 0 ] + [ 1 0 χ 5,1] . -,
avec nij = — ^ — = 4 , 9 7 mm
n

[ :: 1
;v :
- w - - 1

t = μ,97 - 5| m 3
J
ο 0,091 '
/5Ö
f
- L I n t e r v a l l e 1 ^ pour un s e u i l de s i g n i f i c a t i o n de 1 %
est
I a = [-2,6, + 2,6].
Par s u i t e :
t e l .
° α
f
On n a done aucune r a i s o n de considerer cet echantillon
comme non conforme aux exigences de f a b r i c a t i o n .

III. 20 % des ampoules provenant d'une c e r t a i n e f a b r i c a t i o n

f
peuvent f o n c t i o n n e r plus de 200 heures. A l a s u i t e d u n nouveau
t r a i t e m e n t applique au f i l a m e n t , on c o n s t a t e , sur un e c h a t i l -
1
lon de 100 ampoules, que 30 d e n t r e e l l e s f o n c t i o n n e n t plus de
200 heures.
1
L a m e l i o r a t i o n apparente e s t - e l l e s i g n i f i c a t i v e au s e u i l
de 5 % ?
280 chapitre 7

SOLUTION

- Hypothese H q : Le nouveau t r a i t e m e n t n'a pas ameliore

l a duree de v i e des lampes.
- Le c r i t e r e de t e s t est l ' e c a r t j f - p| exprime en
ecart-type o ( f ) , d e f i n i par (7.47)
f
l l~Pi 30
t Q - a V ec f - —
1 - 0,30 ; ρ = 0,20 ;
pq

q=l-p=0,80;n=100

. _ 0,309 - 0,20y 0 .
soit t = = 2,5.
0
/0,20 χ 0,80

V 100

- Pour conclure ä une a m e l i o r a t i o n , i l convient d'appliquer

un t e s t u n i l a t e r a l . La v a r i a b l e t l i e au r i s q u e de 5 % est
t e l l e que G ( t > = 0,50 a - 0,05 = 0,45 d'oü t = 1,645.
On a a l o r s t > t , on d o i t r e j e t e r l'hypothese Η et
J J
ο α ^ ο
considerer que l e nouveau t r a i t e m e n t correspond probablement
ä une a m e l i o r a t i o n , au s e u i l de 5 %.

IV. Selon les l o i s de l ' h e r e d i t e mendelienne on d o i t s'at-

tendre ä trouver une p r o p o r t i o n theorique ρ = 0,25 de sourds
muets de naissance lorsque les parents sont des consanguins
porteurs d'un c e r t a i n gene r e c e s s i f .
On considere une p o p u l a t i o n de nouveaux nes issus de tels
mariages. Pour evaluer l a p r o p o r t i o n p' de sourds muets de n a i s ­
sance dans c e t t e p o p u l a t i o n on y preleve par t i r a g e au s o r t des
echantillons d ' e f f e c t i f η = 300.
1°) En se plagant dans l e cas de l'hypothese n u l l e , p' = p,
peut-on admettre que pour de t e l s e c h a n t i l l o n s l a p r o p o r t i o n p Q

de sourds muets qu'on y observe s u i t une l o i normale ?

Exercices C. Tests de s i g n i f i c a t i o n 281

Si t e l e s t l e cas p r e c i s e r l a v a l e u r des deux parametres,

moyenne e t e c a r t type de c e t t e l o i .
2°) a) Determiner pour p Q un I n t e r v a l l e de p a r i au r i s q u e
α = 0,05.
Peut-on accepter l'hypothese n u l l e s i pour η = 300 on
observe :
b) 72 sourds muets
c) 96 sourds muets ; dans ce d e r n i e r cas p r e c i s e r e t i n ­
t e r p r e t e r l e degre de s i g n i f i c a t i o n P.
EXTRAIT D'EXAMEN PARIS OUEST - 1976

SOLUTION

1°) A l ' i n t e r i e u r d'un e c h a n t i l l o n , l a v a r i a b l e a l e a t o i r e

(nombre de sourds muets) s u i t une l o i binomiale d ' e f f e c t i f
η = 300, avec une p r o b a b i l i t e de r e a l i s a t i o n egale, dans l e
cas de l'hypothese n u l l e , ä ρ = 0,25. Pour un e f f e c t i f aussi
grand, l a v a l e u r moyenne m = np = 300 χ 0,25 = 75 de sourds
muets montre que l ' o n peut approcher l a l o i b i n o m i a l e par l a
l o i normale de parametres

m = 75 e t σ = /cvpq = v/Sq = /75 χ (1-0,25) = /75~T~0,75 = /7,5 χ 7,5

s o i t σ = 7,5
2°) a) D'apres (7,37) on a ;

ρ - t \/— < ρ 1 < ρ + t \ / — avec :

αγ η ο ay η

ρ = 0,25 ; q = 1 - ρ = 0,75 ; η = 300 ; t = 1,96

d'oü 0,25 - 1,96 y / ^ 5 ^ 0 ^ 5 < p ^ < ^ + ] > 9 6

25 χ 0,75
300

0,201 < ρ < 0,299.

K
' o '

L * I n t e r v a l l e de p a r i a u r i s q u e d e 5 % est
280
chapitre 7

SOLUTION

- Hypothese H q : Le nouveau t r a i t e m e n t n'a pas ameliore

l a duree de v i e des lampes.
- Le c r i t e r e de t e s t est l ' e c a r t j f j - p| exprime en
ecart-type o ( f ) , d e f i n i par (7.47)
f p
l l " l 30
t Q = — avec f j = - j ^ = 0,30 ; ρ = 0,20 ;

q = 1 -p=0,80 ; η = 100

e o i t t = 0,30 -0,20
ο /θ,20 x 0,* o
/
V
0

100

- Pour conclure ä une a m e l i o r a t i o n , i l convient d'appliquer

un t e s t u n i l a t e r a l . La v a r i a b l e t l i e au risque de 5 % est
t e l l e que G ( t > = 0,50 a - 0,05 = 0,45 d'oü t = 1,645.
On a a l o r s t > t , on d o i t r e j e t e r l'hypothese Η et
J J y
ο
α ο
considerer que l e nouveau t r a i t e m e n t correspond probablement
ä une a m e l i o r a t i o n , au s e u i l de 5 %.

IV. Selon l e s l o i s de l ' h e r e d i t e mendelienne on d o i t s'at-

tendre ä t r o u v e r une p r o p o r t i o n theorique ρ = 0,25 de sourds
muets de naissance lorsque les parents sont des consanguins
porteurs d'un c e r t a i n gene r e c e s s i f .
On considere une p o p u l a t i o n de nouveaux nes issus de tels
mariages. Pour evaluer l a p r o p o r t i o n p' de sourds muets de nais­
sance dans c e t t e p o p u l a t i o n on y preleve par t i r a g e au s o r t des
echantillons d ' e f f e c t i f η = 300.
1°) En se p l a ^ a n t dans l e cas de l'hypothese n u l l e , p' = p,
peut-on admettre que pour de t e l s e c h a n t i l l o n s l a p r o p o r t i o n p Q

de sourds muets qu'on y observe s u i t une l o i normale ?

Exercices C. Tests de s i g n i f i c a t i o n 281

Si t e l est l e cas p r e c i s e r l a v a l e u r des deux parametres,

moyenne e t ecart type de c e t t e l o i .
2°) a) Determiner pour ρ un I n t e r v a l l e de p a r i au r i s q u e
α = 0,05.
Peut-on accepter l'hypothese n u l l e s i pour η = 300 on
observe :
b) 72 sourds muets
c) 96 sourds muets ; dans ce d e r n i e r cas p r e c i s e r e t i n ­
t e r p r e t e r l e degre de s i g n i f i c a t i o n P.
EXTRAIT D'EXAMEN PARIS QUEST - 1976

SOLUTION

1°) A l ' i n t e r i e u r d'un e c h a n t i l l o n , l a v a r i a b l e a l e a t o i r e

(nombre de sourds muets) s u i t une l o i b i n o m i a l e d ' e f f e c t i f
η = 300, avec une p r o b a b i l i t e de r e a l i s a t i o n egale, dans l e
cas de l'hypothese n u l l e , ä ρ = 0,25. Pour un e f f e c t i f aussi
grand, l a v a l e u r moyenne m = np = 300 χ 0,25 = 75 de sourds
muets montre que l ' o n peut approcher l a l o i b i n o m i a l e par l a
l o i normale de parametres

m = 75 e t σ = /npq = Jmq = /75 χ (1-0,25) = /75 χ 0,75 = /7,5 χ 7,5

s o i t a = 7,5
2°) a) D'apres (7*37) on a :

ρ - t \ / — < ρ < ρ + t \ / — avec : n

ay η *o ay

ρ = 0,25 ; q = 1 - ρ = 0,75 ; η = 300 ; t = 1,96

25 χ 0,75
, 2 5 < 2 5+ 1 ) 9 6
d'oü 0,25 - 1,96 γ / ° 3οο^^- < P Q °' \ ^ 300

0,201 < ρ < 0,299.

' *ο '

L'Intervalle de p a r i a u risque de 5 % est

 282 chapitre 7

I = [0,201 ; 0,299].

b) S i , pour η = 300 nouveaux-nes, i l y a 72 sourds muets

alors
Pj = ^ = 0,24.

on a a l o r s p! e I on ne d o i t pas r e j e t e r Η .
Η α ο
96
c) Pour 96 sourds muets on a p^ = -^qq 0,32. =

Cette f o i s p i £ I ,, on d o i t r e j e t e r Η au risque de 5 % de
r J
2 (Χ ο
se tromper.
On peut chercher l e degre de s i g n i f i c a t i o n Ρ pour que p^ e 1^.
On a
,J - 0, 2 - 0,25 •
3 t J S ^ O J l

3 2 2 5
e«^ h - °» - °» - 0 Q
soit t = ,25 χ 0,75 = z,o.
300

A c e t t e valeur de t ^ correspond un degre de s i g n i f i c a t i o n

Ρ = 0,99. On a au plus une chance sur cent de se tromper en
rejetant Η
J
ο

V. Deux f i l i a l e s f a b r i q u e n t des p i l e s e l e c t r i q u e s de 4,5 v o l t s

Dn e c h a n t i l l o n i i j = 100 p i l e s de l a f i l i a l e A a donne une duree
de v i e moyenne m^ = 84 heures avec un e c a r t - t y p e ο ^ = 8 heures.
Un e c h a n t i l l o n n^ = 150 p i l e s prelevees dans l a f i l i a l e Β a
donne une duree de v i e moyenne = 80 heures avec un ecart-type
Ο2 ~ 5 heures. La d i f f e r e n c e des moyennes des durees de v i e ob­
servees dans l e s deux e c h a n t i l l o n s , e s t - e l l e imputable ä une sup
r i o r i t e de f a b r i c a t i o n ou t o u t simplement ä des fluctuations
d'echantillonnage, au r i s q u e de 5 % .
Exercices C. Tests de s i g n i f i c a t i o n 283

SOLUTION

Hypothese H q : Les deux f a b r i c a t i o n s sont comparables.

nj et n 2 etant superieurs 30, sous l'hypothese H , la variable
q

~ rrij est d i s t r i b u t e normalement, avec une valeur moyenne

n u l l e et un ecart-type donne par 1'equation (7.49)
/ 2 ^2\l/2

m m m n n
2 " l 2 *?1 \ l 2/

Pour et on peut u t i l i s e r les estimateurs suivants :

2
J- N
A Jl
s = σ χ Γ ~ σ.
Α 1 η -1 1
Λ
η
2 2 Β 2
S = σ Χ σ
B 2 ΐΤΗΓ * 2 ·

La v a r i a b l e r e d u i t e du t e s t est done :

jm 2 - 1 m] 8 4 - 80 ,

m m
2 " l (_A_ + ^ - )
v }
100 150
Devant decider d'une s u p e r i o r i t e de f a b r i c a t i o n , on uti­
l i s e un t e s t u n i l a t e r a l .
Au s e u i l de 5 % : t =1,645.
α
Par s u i t e t > 1,645, i l f a u t done r e j e t e r l'hypothese
n u l l e et a t t r i b u e r l a d i f f e r e n c e des durees de v i e ä une autre
cause que l e hasard, probablement ä une m e i l l e u r e f a b r i c a t i o n
dans l a f i l i a l e Α.

VI. On a mesure sur 6 champions c y c l i s t e s et 7 champions de

n a t a t i o n une v a r i a b l e physiologique, l a consommation maximum
d'oxygene par minute rapportee au poids c o r p o r e l ( l e nombre
maximun au cours d'un e f f o r t de plus en plus i n t e n s e , de m i l -
 284 chapitre 7

l i l i t r e s d'oxygene absorbes par kilogramme de poids de corps

et par minute). V o i c i l e s r e s u l t a t s :
C y c l i s t e s : 73, 71, 69, 72, 74, 70.
Nageurs : 64, 69, 73, 68, 69, 67, 66.
L'estimation de l a variance de l a p o p u l a t i o n des c y c l i s t e s
est egale ä 3,5, c e l l e de l a p o p u l a t i o n des nageurs egale ä 8.
(On donne les valeurs de l a q u a n t i t e £(Xj - X) respectivement
egales ä 17,5 pour l e s c y c l i s t e s e t 48 pour l e s nageurs).
On se demande s i l a consummation maximum d'oxygene d i f -
f e r e dans l e s deux populations de reference.
1
1°) On p o s t u l e r a les c o n d i t i o n s d a p p l i c a t i o n du t e s t c h o i s i .
2°) On estimera l a variance commune dans l e cas de l'hypothese
nulle Η .
ο
3°) Pour un r i s q u e α = 0,05 ( r i s q u e de premiere espece) que
peut-on conclure ?
1
EXTRAIT D EXAMEN PARIS OUEST - 1976

SOLUTION

1°) Les e f f e c t i f s n^ = 6 e t n^ = 7 des 2 e c h a n t i l l o n s sont

p e t i t s ( > 30), on c h o i s i t done l e t e s t de Student avec pour
hypothese n u l l e H q : La consommation maxium est l a meme
pour l e s 2 populations de reference. Hj : La consommation maxi­
mum des cyclistes est plus granäe que celle des nageurs ( t e s t
unilateral).
Pour s i m p l i f i e r l e probleme, on suppose que l e s deux
populations sont normales e t qu'elles ont l a meme variance
2 2
ο* = s donnee par (7.31).

( n | ) s + (n )s
,o, 2 )- ! 2-' B
2 ) 5 a v e c
' (η,-1) + (n -l)
2

2 2 2 2
(n -l)s ] A = njOj e t ( n - l ) s = ^ °2'
2 ß 2
Exercices C. Tests de s i g n i f i c a t i o n 285

_ « ι j 2 = x
2 x
-2
e t σ = x
2 2 X
-2
Calcul de j ~ j 2 2 ~ 2

73+71+69+72+74+70 _
x = 7 1 5 e t
l ' 6 ' mlA
[Link]
64 + 69 + 73 + 68 + 69 + 67 + 66 C Q
x = = 6 8
2 7 mlA
[Link]
de rneme on aura :
2 2
χ = 5115,167 χ = 4630,857
d'oü

σ 2
= 5115,67 - ( 7 1 , 5 ) 2
= 2,917 e t σ 2
= 4630,857 - 68 = 6,857 2

2 n 1 ) s = 6 , 8 5 7 χ 7 4 8
(nj-Ds = 2,917 χ 6 = 17,5 ( 2 ~ B "

On a done s = —-= 7— = 5,95.

D + D

3°) D'apres (7.51) l ' e c a r t r e d u i t e s t donne par

* - . 71,5-68 . ^
Vn, n 0 V 6 7
2
Pour un t e s t u n i l a t e r a l , ä 5 Ζ e t V = η } + n 2 - 2 = 6 +
7 - 2 = 1 1 , on a t = 1,796, d'oü t > t , on d o i t r e j e t e r H Q

et garder H j .

V I I . Une agence de p u b l i c i t e a f f i r m e qu'un p r o d u i t d ' e n t r e t i e n

est e f f i c a c e ä plus de 98 % pour deboucher e v i e r s e t lavabos
en 2 heures, q u e l l e que s o i t l a nature de 1 O b s t r u c t i o n .
Une a s s o c i a t i o n pour l a defense du consommateur f a i t une
enquete q u i revele que sur 100 lavabos bouches seulement 90
sont debouches en 2 heures. Doit-on f a i r e un proces ä 1'agence
de p u b l i c i t e , au r i s q u e de 2 % ?
286 chapitre 7

SOLUTION

- Hypothese H q : La p r o b a b i l i t e d ' e f f i c a c i t e du p r o d u i t
est superieure a ΰ,98.
On appelle X l a v a r i a b l e a l e a t o i r e representant l e nombre
de lavabos ou e v i e r s debouches en 2 heures. Sous l'hypothese
Η , on suppose que X s u i t une l o i normale de parametres
E(X) = m = 0,98 χ 100 = 98 et σ(X) = Λ/98 χ 0,02 = 1,4.

I I s'agit done de savoir s i 90 est dans l ' i n t e r v a l l e de

confiance ä 2 %

t -JiV_§ül .7. e 5

o 1,4
Par a i l l e u r s I = Γ-2,33 ; 2,33]
d'oü t j I .
ο α
On d o i t r e j e t e r l'hypothese n u l l e , l a p u b l i c i t e est proba-
blement mensongere.

V I I I . On a etudie l a consommation d'essence, sur 100 km, de v o i -

tures de meme marque e t de meme c y l i n d r e e , c h o i s i e s au hasard
parmi deux chaines de f a b r i c a t i o n . Ces v o i t u r e s sont conduites
par l e meme conducteur sur l e meme c i r c u i t . Les r e s u l t a t s sont :

Nbs de voitures Consummation Nbs de voitures Consommation

de l a chaine A en l i t r e s de l a chaxne Β en l i t r e s
pour 100 km pour 100 km
N
l X
l N 2 X
2

1 8 0 8
3 9 4 9
4 10 6 10
5 11 4 11
3 12 2 12
Exercices C. Tests de s i g n i f i c a t i o n 287

On suppose que l a consommation, pour l e s deux chaines de

f a b r i c a t i o n , s u i t une l o i normale de meme e c a r t - t y p e σ.
L'ecart dans l e s 2 e c h a n t i l l o n s e s t - i l du ä des f l u c t u a -
T
t i o n s d e c h a n t i l l o n n a g e , au r i s q u e de 1 % ?

SOLUTION

- Hypothese H q : L'ecart est du ä des f l u c t u a t i o n s d'echan-

tillonnage .
Calcul de E(x,) m , E(x = m , σ j et σ
i 1> 2
2"

N N x
l X
l V i i ? . N
2 X
2- N X
2 2 N X
2 2

1 8 8 64 0 8 0 0

3 9 27 243 5 9 45 405

4 10 40 400 6 10 60 600

5 11 55 605 3 1 1 33 363

3 12 36 432 2 i2 24 288

16 166 1744 16 162 1656

E(x = 10,375 E(x ) = = 10,125

i> • l m 2

2
= 1,359 = 0,984
°2
*
On estime 0 par s defini par (7.52) s o i t
(n
*2 " , ) S
A ->·ϊ + 2
2 2
avec s = A σ = 1,450 et
(n ,-.) ( n ~ 1)
+ 2
A

2 2 n
*2
,050 d'oü s = 1,250.
η 2" 4-> 1

La v a r i a b l e r e d u i t e e s t , d'apres (7.53)
288 Chapitre 7

Cette v a l e u r d o i t e t r e comparee ä t = 2,75 (risque 1 % ,

V = Π 6 χ 21 - 2 = 30), deduit de l a d i s t r i b u t i o n de Student
On trouve que t Q < t ^ . On ne peut pas r e j e t e r l'hypothese
n u l l e . L'ecart observe est ρrobablernent du aux f l u c t u a t i o n s
d'echantillonnage.

IX. On compare l e s e f f e t s d'un meme t r a i t e m e n t dans deux

hopitaux d i f f e r e n t s . Dans un premier h o p i t a l , sur 100 malades
t r a i t e s , 70 montrent des signes de guerison a l o r s que dans l e
deuxieme h o p i t a l , sur 150 malages t r a i t e s , 100 sont sur l e
p o i n t de g u e r i r . Quelle conclusion peut-on t i r e r , au risque
de 5 % ?

SOLUTION

- L'hypothese n u l l e est l'hypothese q u i c o n s i s t e ä d i r e que

les 2 pourcentages sont l e s memes, l a d i f f e r e n c e n'etant due
qu'au hasard. Dans ce cas, l e s deux hopitaux presentent, pour l e s
malades t r a i t e s , l a meme p r o b a b i l i t e ρ de guerison.
- On d o i t comparer t q u i est egal d'apres (7.55) ä
f f
l " 2
ό ν . .
[ / 2
avec l eic«o eu fi f,i.c i« e n t Lt = 1,645 correspon-
i e U l 0

dant au risque de 5 7„, pour un t e s t u n i l a t e r a l , e t une l o i normal«

f = = 7 0 f = 6 7
l W °> · 2 = W ° ' ·
! = =
ρ e s t estime par l e q u a t i o n (7.56) ρ = —-—+~χί —250

7 0 7
t °' - °»; 0,498.

On a done t < t , par consequent

a l a d i f f e r e n c e n'est pas
s i g n i f i c a t i v e . E l l e d o i t e t r e imputee au hasard.
EXERCICES CHAPITRE 7 D. TEST DU X

I. On veut savoir s i deux des sont b i e n e q u i l i b r e s . On

j e t t e 108 f o i s l e s deux des e t 1 On o b t i e n t , en a d d i t i o n n a n t
les 2 c h i f f r e s s o r t a n t s , 12 f o i s un 6, 15 f o i s un 9 e t 8 f o i s
un 11. Que peut-on conclure sur l a nature des des, au s e u i l
de 5 % ?

SOLUTION

Hypothese H q : Les deux des sont b i e n e q u i l i b r e s .

2
La r e l a t i o n (7.61) donne l'expression de Xc v
r
2
2 (n.-np.)-
χ = V avec Jn. = η = 108 e t p. = p r o b a b i l i t e
A L κ v
c np^ ^ ι ι
theorique d'avoir 1'evenement i sous l'hypothese H . Q

Les evenements a considerer sont, sur un j e t de 2 des,

f f
l ' o b t e n t i o n d un 6, d'un 9 ou d un 11. I I e s t f a c i l e de v o i r
q u ' i l y a successivement 5 faQons d'avoir un 6 avec 2 des,
4 fagons d'avoir un 9 et 2 fagons d'avoir un 11. Par s u i t e
e<> = 6 5 x
l * Ζ =16 P : ( 9 )
= * ϊ * l -36
4 e t p ( 1 1 ) =

2 x
1 1
x
2 ^
7 7 = Tz · Par s u i t e
6 6 36
2 2 2
2(12 - 108 * ^ ) (15 - 108 * - ~ ) (8 - 108 * - ~ )
χ S 4 - 4
1 0 8
108 * 4z TZ 1 0 8 x
*
36 36 36
2 2 2
γ 2 _ (12 - 1 5 ) (15 - 1 2 ) (8 - 6 ) _ _ 9
X Z , U Z
c 15 12 6 -
2
La table du X donne pour α = 0,05 et ν = 3 - 1 = 2
2
X = 5,99.
2 2
Par consequent X^ < Χ , l'hypothese H r e s t e v a l a b l e . Les q

deux des ne sont probablement pas truques.

290
chapitre 7

II. Appliquer l e t e s t du χ , au s e u i l de 1 % ä l ' e x e r c i c e

I I du c h a p i t r e 6C.
Doit-on conclure que l a s o l u t i o n e s t homogene ?

SOLUTION

On a obtenu :

k=nombre de nj=nombre experimen- ^^norabre theorique

bacteries t a l de plaquettes de plaquettes

0 74 74

1 22 , 22,2 ι
26 25,5
2 4 i 3,3 >

Hypothese Η : l a s o l u t i o n est homogene.

2
Calcul de X c : Pour o b t e n i r des valeurs de np^ supe-
r i e u r e s ä 5, on groupe l e s deux dernieres classes
2
χ 2 . ÜL^ml + (26 - 2 5 . 5 )
5 = 0 ; 0 0 9 8 >

2
La v a l e u r de χ
est donnee pour α = 0,01 et ν= 2 - 1 = 1
2
(apres regroupement) par χ = 6,63.
2 2
On a done X < X .
c
On garde 1'Hypothese H , lä s o l u t i o n est pföbählement
q

homogene.

III. On pose 50 questions ä un candidat q u i ne d o i t repondre

que par o u i ou par non. A p a r t i r de combien de reponses exactes
p o u r r a - t - o n considerer que ce candidat n'a pas repondu au
hasard, au s e u i l de 2,5 % ?
 2
Exercices D. Test du X 291

SOLUTION ,

Hypothese H q : Le candidat repond au hasard.

Avec l'hypothese H , i l donnera a l o r s
q

50 χ τ; = 25 bonnes reponses.

51 η est l e nombre de reponses exactes donnees reellement

par l e candidat a l o r s
2 2 2 2
χ _ (n-25) ^ [(50-n) - 2 5 1 _ ( n - 2 5 )
0

c 25 25 25
2 ^ 2
I I f a u t comparer χ^ ä χ determine par l e r i s q u e ct = 0,025
et l e nombre de degres de l i b e r t e V = k - 1 = 2 - 1 = 1.
2
La t a b l e 5 donne χ = 5,02. I I f a u t done que
2
X^ ^ 5,02 s i l ' o n veut r e j e t e r l h y p o t h e s e H , s o i t
!
q
2
9 (n " 2 5 ) > 5,02
25
avec naturellement l a c o n d i t i o n
η > 25 s o i t
2 5 02 χ 25
(n - 25) > •» • • — = 62,75
d'oü
η - 25 > 7,92 ^ 8
Par s u i t e η ^ 25 + 8 = 33.
A p a r t i r de 33 reponses exactes, au s e u i l de 2,5 %, on
pourra d i r e que l e candidat ne repond pas au hasard.

IV. Un referendum, ä 1'echelon n a t i o n a l , a donne 55 % de o u i ,

40 % de non et 5 % de b u l l e t i n s blancs ou nuls.
On recherche une v i l l e t e s t pour l e s e l e c t i o n s ä v e n i r .
On en trouve une q u i ,sur 10 000 v o t a n t s , a donne l e s r e s u l t a t s
suivants :
294
chapitre 7

On en d e d u i t , d'apres (7,33)
2 2 2 2
2 s (45 - 42,5) (5 - 7 , 5 ) (40 - 4 2 , 5 ) (10 - 7 , 5 )
X
c 42,5 7,5 42,5 7,5
2
X = (0,147 + 0,833) x 2 = 1,96.
c
Le nombre de degres de l i b e r t e est
2
ν = (k-l)(i-l) = l x l = l d'oü Χ _ = 3,84
2 2 ^»
χ < χ , on peut done accepter l'hypothese Η au s e u i l de 5 %.

VI. Des promoteurs veulent implanter un grand centre commer­

c i a l , l i s h e s i t e n t entre t r o i s l o c a l i t e s A, Β e t C q u i ont
respectivement 50000, 20000, 30000 h a b i t a n t s . I i s decident de
proceder ä un sondage sur 10 % de l a p o p u l a t i o n de chaque
l o c a l i t e . A l a f i n de l e u r enquete, i l s dressent l e tableau
suivant :

1 2 3
lllMV:
\ reponse T o t a l des
Favorable Defavorable sans o p i n i o n gens
interroges
loca l i t e i \
K- =
, J
j
I A 3000 1000 1000 5000

h i -
2 Β 1000 700 300 2000

3 C 2000 800 200 3000

h i ν i2
1 1
= 2500 1
= 1500 10 000
= 6000
Exercices D. Test du X 295

Les t r o i s l o c a l i t e s o n t - e l l e s repondu me maniere equi

valente ?

SOLUTION

Hypothese H^ : Les t r o i s l o c a l i t e s ont repondu de maniere

equivalente. La r e l a t i o n (7.64) donne l e tableau suivant

\. 3 1 2 3
i

5000 χ 6000 5000 χ 2500 5000 χ 1500

1 10000 10000 10000
3000 1250 750

2000 χ 6000 2000 χ 2500 2000 χ 1500

2 10000 10000 10000
1200 500 300

3000 χ 6000 3000 χ 2500 3000 χ 1500

3 10000 10000 10000
1800 750 450

D'oü l e c a l c u l de X c d e d u i t de l a r e l a t i o n (7,65)
2 2 2 2
χ = (3000 - 3000) (1000 - 1250) (1000 - 7 5 0 )
c +
3000 1250 750
2 2 2
+ (1000 - 1200) (700 - 5 0 0 ) (300 - 3 0 0 )
+
1200 500 300
2 2 2
(2000 - 1800) (800 - 7 5 0 ) (200 - 4 5 0 )
1800 750 450 °
Le nombre de degres de l i b e r t e est
2 2
ν = (k-l)(£-l) = (3-1) (3-1) = 4 ce q u i e n t r a i n e X c > X quel
que s o i t l e risque p r i s . Les t r o i s l o c a l i t e s n'apprecient pas
?
de maniere identique 1 i n s t a l l a t i o n d'un centre commercial.
296 chapitre 7

V I I . On observe, chez les cobayes, l e nombre de r e a c t i o n s a l -

l e r g i q u e s ä une t e i n t u r e de goudron administree par injection
intradermique. Cette t e i n t u r e est administree 4 f o i s ä des
i n t e r v a l l e s de temps suffisamment espaces pour que les 4 admi-
n i s t r a t i o n s soient considerees sans e f f e t les unes sur les
autres.
T
Apres chaque a d m i n i s t r a t i o n , l a r e a c t i o n de l a n i m a l peut
e t r e p o s i t i v e ou non (on suppose que l a p r o b a b i l i t e d'une
r e a c t i o n p o s i t i v e est l a meme pour tous les cobayes). Pour
chaque cobaye, on compte l e nombre de r e a c t i o n s p o s i t i v e s . On
o b t i e n t les r e s u l t a t s suivants :

Nombre de r e a c t i o n s Nombre de
p o s i t i v e s par cobayes
cobaye observes
χ. >: :::; : : : ^
: X : : :

J
0 52
1 84
2 42
3 16
4 6
Total 200

A) Etude du caractere dichotomique : r e a c t i o n positive,

reaction negative.

1°) C a l c u l e r l e nombre t o t a l d ' i n j e c t i o n s , l e nombre t o t a l e t

l a frequence experimentale des reactions p o s i t i v e s .
2°) Estimer ponctuellement l a p r o b a b i l i t e d'observer une reac­
t i o n p o s i t i v e ä l a s u i t e d'une seule a d m i n i s t r a t i o n d'urie
teinture.
3°) C o n s t r u i r e l ' i n t e r v a l l e de confiance de c e t t e probabilite
caracterise par l e niveau de p r o b a b i l i t e Ρ = 0,90.
Exercices D. Test du X 297

B) Etude chez les cobayes.

1°) On veut a j u s t e r un modele binomial aux donnees experimen-
t a l e s . Queis sont ses parametres ?
T
2°) C a l c u l e r les p r o b a b i l i t e s p j d observer l e s d i f f e r e n t e s
v a l e u r s x_. (j=0,1,2,3,4) . En deduire l e s e f f e c t i f s theoriques
de l a d i s t r i b u t i o n binomiale.
3°) L'ajustement binomial e s t - i l v a l a b l e ?
4°) Au debut du probleme, on a suppose que l e s 4 a d m i n i s t r a ­
t i o n s successives de l a t e i n t u r e e t a i e n t sans e f f e t l e s unes
sur l e s autres au cours du temps. Que peut-on d i r e de c e t t e
hypothese compte-tenu du r e s u l t a t de l a 3eme question ?

E f f e c t i f s theoriques
J (distribution
binomiale)
0 52
1 84 0,41 16 82,32
2 42 0,2646 52,92
3 16 0,0756 15,12
4 6
Total 200 200,00

N.B. : resuLtats p a r t i e l s
EXTRAIT D'EXAMEN LYON - 1976

SOLUTION

A) Etude du caractere dichotomique

! x
1°) - Le nombre t o t a l d i n j e c t i o n s e s t : η = 200 4 = 800
- Le nombre t o t a l de r e a c t i o n s p o s i t i v e s e s t :
x x X
n + = l * 8 4 + 2 4 2 + 3 1 6 + 4 6 = 240.
- La frequence experimentale des r e a c t i o n s p o s i t i v e s e s t
n
+ 240 _ Λ
 298
chapitre 7

2°) On peut estimer ponctue1lernent l a p r o b a b i l i t e dObserver

une r e a c t i o n p o s i t i v e ä l a s u i t e d'une seule i n j e c t i o n par l a
frequence f
ρ - 0,30.
3°) La r e l a t i o n (7,38) donne :

f - ^./ia...^ * ι- . /£3
Si l'on estime, sous l e r a d i c a l , ρ par f et q par 1 - f +

on o b t i e n t :
/f ('-f )
+ + /f (i
Ε - t λ/— — < ρ < f + t V-^- — avec t corres­
pondant au r i s q u e de 0,10, s o i t , en supposant que l a v a r i a b l e
a l e a t o i r e s u i t une l o i normale ; t ^ = 1,645.
Par s u i t e :

Λ λ ate. /θ,30 χ 0,70 . . ^ . . 0 /θ,30 c / χ 0,70

0,30 - 1,645 ^ 8 Q Q < ρ < 0,30 + 1 ,645 ^ 8(χ)'

0,273 < ρ < 0,327

Β) Etude chez les cobayes :

1°) Les parametres de l a l o i bin6miale pour l a v a r i a b l e alea­

t o i r e χ (= nombre de r e a c t i o n s p o s i t i v e s d'un cobaye) sont :
η = 4 et ρ = 0,30 ( c f . A 2°)) d'oü m = np = 1,2 et
σ = /npq = /mq~= /l ,2 χ 0,7 = 0,916.
X i 4 X
2°) P(x.) = C ^ ( p ) (l-p) " i on deduit :
P(0) = 0,240) ; P(J) = 0,4116 ; P(2) = 0,2646 ; P(3) = 0,0756 ;
P(4) = 0,0081; d'oü les e f f e c t i f s : n i = 200 χ P ^ ) , s o i t
n Q = 48,02 ; n } = 82,32 ; n 2 = 59,92 ; n 3 = 15,12 ; n 4 = 1,62.

3°) Hypothese H q = l'ajustement binomial est v a l a b l e .

Hypothese H^ = l'ajustement binomial n'est pas v a l a b l e .
2
La v a l e u r de X c est donnee par (7,62) :
2
2 4 (n. - np ) i

γ = Υ L
avec l a c o n d i t i o n np. > p
5.
c . n np. i
ι=0 ι
Exercices D. Test du χ' 299

Or = 1,62. On groupe done l e s deux dernieres classes.

D'oü
2 2 2
2 = (52 - 48,02) (84 - 8 2 , 3 2 ) (42 - 52,92) +
X +
c 48,02 82,32 52,92
2
(22 - 16,74) = 4,27.
+
16,74
2
1
Si 1 on prend l e s e u i l de s i g n i f i c a t i o n a 95 % , a l o r s χ
d o i t e t r e p r i s pour α = 0,05 e t v = 4 - 1 - 1 = (nombre de
classes - 1) - nombre de parametres estimes.
I c i l e parametre estime est ρ - f
Ζ
2 2
χ = 5,99 > x . c

On garde done l'hypothese H . Q

4°) Puisque 1'ajustement binomial q u i est probablement v a l a b l e ,

necessite que l e s 4 a d m i n i s t r a t i o n s successives de l a t e i n t u r e
s o i e n t sans e f f e t l e s unes sur l e s a u t r e s , on peut done conclure
que c e t t e d e r n i e r e hypothese est probablement v a l a b l e .

V I I I . D'apres l e s r e s u l t a t s au referendum du 27/4/69 l e s 3

communes suivantes peuvent-elles e t r e considerees comme
homogenes,en ce q u i concerne l e u r e l e c t o r a t :

QUI NON ABSTENTION TOTAL

Nein' 11 y 15000 J6000 9000 40000

Corbeil 6000 10000 4000 20000

Mazamet 4000 4000 2000 10000

25000 30000 15000 70000

EXTRAIT D'EXAMEN KREMLIN-BICETRE - 1975

 300
chapitre 7

SOLUTION

Hypothese H q : Les 3 communes sont homogenes

Sous l'hypothese Η ,
ο'
r>'wt\ _ 25000 5 , , 30000 6 ,, , , _ 3
P (
~ 7Ö00Ö
0 U 1 ) =
14 ρ ( η θ η ) = =
700ÖÖ 14 ° o u
P ( A B S )
= 14

On en deduit done l e tableau des np^ pour chaque commune.

OUI NON ABSTENTION TOTAL

•

n. np(oui) n. np(non) n. np (abs)

1 1

Neuilly 15000 14286 16000 17143 9000 8571 40000

Corbeil 6000 7143 10000 8571 4000 4286 20000

Mazamet 4000 3571 4000 4286 2000 2143 10000

25000 25000 30000 30000 15000 15000 70000

2 2
2 = (15000 - 14286) + (16000 - 17143) +

2 2 2
(9000 - 8 5 7 1 ) (6000 - 7143) (10000 - 8 5 7 l )
8571 7143 8571
2 2 2
(4000 - 4 2 8 6 ) (4000 - 3 5 7 l ) (4000 - 4 2 8 6 ) +

* ~ " 4286 3571 4286

2
^ (2000 - 2 1 4 3 ) _
+ 6 5 4
2Ϊ43
2 2
On v o i t done que χ^ > χ quel que s o i t l e r i s q u e c h o i s i :
on d o i t done r e j e t e r l'hypothese Η . Les d i f f e r e n c e s observees
ο
sont s i g n i f i c a t i v e s : l ' e l e c t o r a t des 3 communes est d i f f e r e n t .
EXERCICES CHAPITRE 7 Ε. AJUSTEMENT LINEAIRE - CORRELATION

I. D e s i r a n t s a v o i r s i 1 a c c e l e r a t i o n que s u b i t un corps e s t
1

n u l l e ou constante, un experimentateur mesure l a d i s t a n c e que

p a r c o u r t cet o b j e t en f o n c t i o n du temps. I I trouve :

1 2 3 4

)L(m) 30 1 10 220 375

1°) Tracer l e diagramme de d i s p e r s i o n

2°) Determiner l e c o e f f i c i e n t de c o r r e l a t i o n dans 1 Hypothese
a) d'un mouvement r e c t i l i g n e uniforme i - a t ( a c c e l e r a t i o n nu
2
b) d'un mouvement uniformement accelere i = a t ( a c c e l e r a ­
tion constante)
3°) Representer, dans l e s cas a) e t b ) , l a d r o i t e de regression.

2°)
SOLUTION
a) On suppose 1 a c c e l e r a ­
T

1°)
t i o n nulle. I I faut ajuster

'l(m) a l o r s l e s donnees ä une d r o i t e

400
i = a t + b.
f
Afin d'utiliser l expression
300
( 7 . 7 6 ) du c o e f f i c i e n t de c o r -
relation soit :
200 4 4
4 i.= l^ ,iι= l
. ^, ι
I t.i. -
1 1
100 i-i

2 ^ V*„2 -i=, ι
0 1 2 3 4 t(s) It η 1
i=l i=l
302
chapitre 7

on dresse l e tableau suivant :

li t.? t.l.
• 1 1
1 30 1 900 30

2 1 10 4 12100 220

3 220 9 48400 660

4 375 16 140625 1500

10 735 30 202025 2410

10 χ 735
2410 -
0,989
(10)
4
T
b) Si l o n suppose 1'acceleration constante, l a r e l a t i o n
qui e x i s t e entre l a distance parcourue i et l e temps mis pour
2
l a p a r c o u r i r t, est une r e l a t i o n du type il = a t
Si l ' o n pose X = Log t et Y = Log I
on a :
2
Log I = Log( t ) = Log α + 2 Log t , s o i t
Υ = 2X + b.
On u t i l i s e t o u j o u r s l a r e l a t i o n (7.76), mais c e t t e f o i s on
dresse l e tableau par rapport ä et Y_^ 2
t. I. Y.=Log£.
0
.x 2
Y X.Y.
1 1
ι ι 1 ° 1 1 1 1 1

1 30 0 3,401 0 11,568 0

2 1 10 0,693 4,700 0,480 22,095 3,258

3 220 1 ,099 5,394 1 ,207 29,091 5,926

4 375 1 ,386 5,927 1 ,922 35,128 8,216

3,178 19,422 3,609 97,882 17,400

Exercices Ε. Ajustement Lineaire-correlation 303

17 λ 3,178 χ 19,422
= 1 000
r = τ J 5ΤΤ '
[<3,<,609 - ( 3
^ 7 8 )
) (97,882 - (Ιϊψλ )| 2
En comparant l e s deux c o e f f i c i e n t s de c o r r e l a t i o n , on peut
r e j e t e r l'hypothese d'un mouvement uniforme ( a c c e l e r a t i o n nulle).
3°) I I f a u t determiner dans l e s deux cas a) e t b) l a d r o i t e de
regression
a) En supposant Ζ = a t + b, on o b t i e n t , en u t i l i s a n t (7.70)
4 4
4
J , ti. i* . - 4 \ i 4z l _ / \4l ^ - y v 7 v
2 4 , o - 4 χ 1° χ ψ
1 = 1 4 4
= 114,5
4 0 /.L'iV 30 - 4<-£)
x
i=l

4 4
I ι. i t .
1 1
κ i=l i=l 735 _ 10 , _
b = — a = — - 114,5 x χ
1 W
= " 102,5.
Λ Ο

D'oü £ = 114,5 t - 102,5

b) Si l e mouvement est uniformement accelere alors l a

d r o i t e de regression sera obtenue par rapport aux v a r i a b l e s
Log 1 et Log t s o i t d'apres 2°) Y = aX + b avec

\ X.Y. - — — 7 17,4 - 4 χ
i-l — - • - ' 4 4
a = = ι ,816

2
\ a
i ) 2
- ' ^ ~ ) 3,609 - 4(i^Zi)

4 4
1 = 1
l \ I 1
χ-
κ
b - - a i—=-lς - = 19,422
^ , 1,816
a i, χ3,178 , -3,413
k

D'oü Υ = 1.816X + 3,413.

 304 chapitre 7

Representations graphiques

a) A c c e l e r a t i o n n u l l e b) A c c e l e r a t i o n constante

4 Um)

II. On s'interesse aux v a r i a t i o n s de l a valeur du taux de

c h o l e s t e r o l sanguin avec l e poids c o r p o r e l chez des s u j e t s
sains.
1°) Dans l a population des employes d'une a d m i n i s t r a t i o n , on
t i r e au s o r t 100 personnes ; pour chacune de ces personnes on
note :
son poids c o r p o r e l ,
son taux de c h o l e s t e r o l sanguin.
La c o r r e l a t i o n observee entre l e poids c o r p o r e l e t l e
taux de c h o l e s t e r o l sanguin vaut + 0,30.
Montrez que [Link] v a l e u r d i f f e r e s i g n i f i c a t i v e m e n t de 0
au r i s q u e d'erreur 5 % ; precisez l e degre de s i g n i f i c a t i o n
de c e t t e d i f f e r e n c e .
Exercices Ε. Ajustement l i n e a i r e - c o r r e i a t i o n 305

2°) D'apres ce r e s u l t a t , l e taux de c h o l e s t e r o l sanguin

moyen des personnes de l a p o p u l a t i o n pesant 90 kg e s t - i l
inferieur
egal
superieur
ä c e l u i des personnes de l a p o p u l a t i o n pesant 70 kgs ?
Precisez ä q u e l l e p o p u l a t i o n s'applique ce r e s u l t a t .

EXTRAIT D'EXAMEN - COCHIN 1976

SOLUTION
f
1°) L e c h a n t i l l o n c h o i s i a pour t a i l l e η = 100.
Les caracteres etudies sont : l e taux de c h o l e s t e r o l
sanguin e t l e poids c o r p o r e l , done l e u r nombre est 2.
On en deduit l e nombre de degres de l i b e r i e V = 100 - 2 = 98
Parmi les 2 methodes possibles ( c f . exemples du c h a p i t r e 7 ) , on ne
:
peut pas u t i l i s e r l a t a b l e 4 car e i l e s'arrete ä v = 30. On u t i l i s e r a
l e c r i t e r e de t e s t " r " e t l e c r i t e r e de t e s t "ζ",
ο
Hypothese H q : ρ = 0, hypothese Hj : ρ φ 0
Ü
a) C r i t e r e de t e s t : r = (7.79)
2
t + V
En i n t e r p o l a n t entre l e s v a l e u r s V = 90 e t ν = 100,
l a t a b l e 6 donne pour α = 0,05,

r - o, 050 - ( ° -
2
2 0 5 0
- °> 1 9 4 6 )
* 8
soitr =0,1967.
α ' 10 α '
Par consequent r = 30 > r , on r e i e t t e done Η .
^ ο α ο

b) C r i t e r e de t e s t : ζ = — (7.83).
ζ

D'apres (7.80) ζ = ^LogC-}-^) = ^Log(| * = 0,3095.

Pour l'hypothese H o (p = 0) U z = |Log(j * P

) = 0.
306
chapitre 7

D'autre p a r t , d'apres (7.82) σ = 0,1015.

/100 - 3
Le c r i t e r e de t e s t est a l o r s donne par l ' e q u a t i o n (7.83)
soit ι ι
1Z Ρ
- ζ' 0 3095
z J u
σ 0,1015 > ^-
ζ
La t a b l e 3 donne, pour un risque de 5 % s o i t pour
G ( t ) = 0,50 -
a = 0,475 une valeur t = 1,96.

On a ζ > t , on r e j e t t e done Η .
α ο
La v a l e u r observee d i f f e r e s i g n i f i c a t i v e m e n t de 0 au
risque de 5 %.
Le degre de s i g n i f i c a t i o n s est determine par
s = F(| t| > 3,049)
4p(t) s o i t s = 2 [ 0 , 5 - G(3,049)]
avec G(3,049) =- 0,4989 d'apres
la table 3
4
s = 2Γθ,5 - 0,49891 = 22xlO~

-3,05 3,05 t

2°) D'apres l e r e s u l t a t r ^ = + 0,30 est s i g n i f i c a t i f ; cela

s i g n i f i e que l e taux de c h o l e s t e r o l v a r i e dans l e meme sens
que l e poids des s u j e t s . Par s u i t e , l e taux de c h o l e s t e r o l
sanguin moyen des personnes pesant 90 kg est superieur a
c e l u i des personnes pesant 70 kg.
I I f a u t remarquer que 1 ' e c h a n t i l l o n a ete p r i s dans
une p o p u l a t i o n des employes d'une a d m i n i s t r a t i o n . C'est done
ä ce type de population que s'applique ce r e s u l t a t .

I I I . On considere un e c h a n t i l l o n de 10 personnes, p r i s au
hasard dans une p o p u l a t i o n e t on mesure, pour chaque i n d i v i d u ,
Exercices Ε. Ajustement lineaire-correlation 307

deux caracteres d i f f e r e n t s : l a longueur des bras e t l a

t a i l l e . On trouve :

individu 3 4 5 8 9 10

X=longueur
68 69 70 72 72 74 75 75 80 80
des bras
(cm)

Y =
1 ,60 1 ,68 1 ,70 1 ,68 1,75 1 ,80 1 ,80 1 ,85 1 ,90 1,75
taille(m)

1°) Que pouvez-vous dire ä propos du coefficient de correla-

tion ρ de la population, au s e u i l de 5 % ?

2°) Determiner 1'Intervalle de confiance ä 95 % du coefficient

ρ de la population.

SOLUTION

1°) Les donnes du tableau permettent de c a l c u l e r facilement

E(X) = X et E(Y) = Ϋ
On trouve X = 73,5 cm et Ϋ - 1,751 m.
On u t i l i s e l a r e l a t i o n (7.75) pour c a l c u l e r r s o i t
10

I (x. - X ) ( Y . - Y)

z ζ
( j ( x . - x ) ( j ; (γ.-γ) )ρ

( v o i r l e tableau de l a page suivante)

2
On trouve done que *r = ' _ o 7864.
?

1
(156,5 * 0,0723)
Effectuons l e t e s t de l'hypothese ρ = 0.
Hypothese n u l l e H Q : Hypothese a l t e r n a t i v e II^
ρ = 0 ρ > 0
 308 chapitre 7

2
Χ. Υ. <χ -χ)
£
(Υ Υ) Γ
(X.-X)(Υ.-Υ) (χ -χ) £
2
(Υ.-Υ)
1 1

68 1 ,60 -5,5 -0,151 0,8305 30,25 0,0228

69 1 ,68 -4,5 -0,071 0,3195 20,25 0,005(
70 1 ,70 -3,5 -0,051 0,1785 12,25 0,0026
72 1 ,68 "1,5 -0,071 0,1065 2,25 0,0050
72 1 ,75 "1,5 -0,001 0,0015 2,25 ίο" 6

74 1 ,80 0,5 0,049 0,0245 0,25 0,002^

75 1 ,80 1,5 0,049 0,0735 2,25 0,002^
75 1 ,85 1,5 0,099 0,1485 2,25 0,0098
80 1 ,90 6,5 0, 149 0,9685 42,25 0,0222
80 1,75 6,5 -0,001 -0,0065 42,25 6
ίο"

2,645 156,5 0,0723

r Λ7
On u t i l i s e comme c r i t e r e t =
ο
2
I- r
Ο
avec r = r = 0,7864
ο
v = 1 0 - 2 = 8 ( n = 10, nombre de caracteres e t j -
dies = 2 ) .
On en deduit t = 3 , 6 .
ο
La t a b l e 4 donne, pour ν = 8 et pour un t e s t u n i l a t e r a l
ä 5 % une valeur t = 1,86.
Par consequent t > t ^ , on r e j e t t e l'hypothese H .
Q Q

2°) On f a i t l a t r a n s f o r m a t i o n de F i s h e r , s o i t d'apres (7.80)

1 /J_+r.
T 1 ,1 + 0,7864,
T , _, in
L } = L g( ) = 1 6 1 9
ζ = 2 °g(-r^7 2 ° l - 0; 864 7 '° '

Avec σ = —! = — — = 0,3780.

L ' i n t e r v a l l e de confiance ä 95 % de u est

ζ
Exercices Ε. Ajustement lineaire-correLation 309

1,0619 - 1,96 χ 0,3780 < P z < 1,0619 + 1,96 χ 0,3780

s o i t 0,3210 < u z < 1,8028.

Pour t r o u v e r l ' i n t e r v a l l e de confiance de p, on u t i l i s e
l a formule (7.81) : μ ζ = ^Log(| * ^ ) .
e 2Uz _ , '
On trouve a l o r s ρ = .
2lJ
e z + 1
Par consequent, l ' i n t e r v a l l e de confiance ä 95 % du coef-
f i c i e n t de c o r r e l a t i o n ρ de l a p o p u l a t i o n est :
0,3104 < ρ < 0,9471.
Naissance du calcul des probabilites

Le c a l c u l des p r o b a b i l i t e s est ne tardivement, au m i l i e u du

dix-septieme s i e c l e . Tres v i t e , ce q u i est remarquable, i l sera
u t i l i s e pour des etudes s o c i a l e s . A i n s i , des que l a t h e o r i e
semble suffisamment e f f i c a c e , e i l e est appliquee lä meme oü sa
mise en oeuvre est l a p l u s d e l i c a t e .

I - Genese

Bien que l a n o t i o n de p r o b a b i l i t e apparaisse des l e m i l i e u

du seizieme s i e c l e , p u i s chez G a l i l e e (1564-1642) ( c f . Γ4]
p. 279), c'est l a r e s o l u t i o n par B l a i s e Pascal (1623-1662) du
"probleme des p a r t i e s " ( j u s t e partage des mises entre deux par-
tenaires interrompant l e j e u avant sa f i n ) q u i marque l a v e r i ­
t a b l e naissance du c a l c u l des p r o b a b i l i t e s . Durant I ' e t e 1654,
Pascal correspond avec P. Fermat (1601-1665) e t l u i soumet ses
raisonnements. S ' i l ne s ' a g i t ä proprement p a r i e r que de denom-
brement, l a s o l u t i o n de Pascal degage l e s n o t i o n s fundamentales
1
de r e s u l t a t p o s s i b l e et d e q u i p r o b a b i l i t e . Sans l'enoncer e x p l i -
citement, Pascal u t i l i s e l a n o t i o n d'esperance mathematique. I I
donnera ensuite une n o u v e l l e demonstration de sa s o l u t i o n ,
T
u t i l i s a n t ses r e s u l t a t s d a n a l y s e combinatoire - q u ' i l fonde
par son T r a i t e du t r i a n g l e a r i t h m e t i q u e . A ses debuts, l e c a l c u l
T
des p r o b a b i l i t e s n e s t pas autre chose qu'une a p p l i c a t i o n de
1
l a n a l y s e combinatoire. Un grand pas est cependant f r a n c h i : l e s
notions de combinatoire et de p r o b a b i l i t e prennent des sens
nouveaux.
 312 Naissance du c a l c u l des p r o b a b i l i t e s

Malgre quelques p r o p r i e t e s e t a b l i e s auparavant

-
,ΙΙν Π. (Π 1 ) . ·- ι τ ry
(y) - ~ — - au t r o i s i e m e s i e c l e apres J.C., e t
,n n. ( n - 1 ) . . . (n-p+1)
N . ..^ .^ - , ~ Γ ι Ί r/\
a u
( ) = —- -r—pr^—τ—- t r o i s i e m e s i e c l e ( c f . 1.1 J p. 6 4 ) ,
ρ p. ( p . 1 ) . . . 1
1 ! f
l a n a l y s e combinatoire n a p p a r a i t qu avec l e T r a i t e du t r i a n g l e
a r i t h m e t i q u e . Pour l e s philosophes du dix-septieme s i e c l e , - l e s
mathematiques, comme l a physique, sont encore, e t r e s t e r o n t
longtemps, une branche de l a p h i l o s o p h i e l a combinatoire e s t
essentiellement un mode de r e f l e x i o n . Suivant Descartes dans ses
t e n t a t i v e s pour i n t r o d u i r e l a r i g u e u r e t l a j u s t e s s e du r a i s o n ­
nement mathematique aux autres domaines de l a connaissance,
L e i b n i z (1646-1716) cherchera ä c o n s t r u i r e une "combinatoire
algebrique de l a pensee". Cette n o t i o n de combinatoire e t l e
pas q u i e s t f r a n c h i par l e T r a i t e du t r i a n g l e a r i t h m e t i q u e
s'expliquent par l e s o b j e c t i f s des philosophes c l a s s i q u e s .
L'Europe du dix-septieme s i e c l e e s t profondement reli-
gieuse, mais i l n'y a plus u n i t e de l a f o i . Les schismes e t
l e s controverses theologiques f o n t que l a t h e o l o g i e - ou une
t h e o l o g i e - n'est plus l a reference i n e l u c t a b l e de t o u t e con-
naissance. La f o i e s t cependant presente en l'homme " r o i e t
p r e t r e " , r o i pour dominer l a n a t u r e , p r e t r e pour l o u e r Dieu.
I I s ' a g i t autant de d e c h i f f r e r l e "langage mathematique que
p a r l e l a n a t u r e " ( G a l i l e e ) que de dominer. La croyance en une
harmonie du monde creee par Dieu e t a c c e s s i b l e ä 1 ' i n t e l l i g e n c e
humaine e s t u n i v e r s e l l e , b i e n que sous des formes d i f f e r e n t e s .
Cette harmonie du monde n'est pas 1 ' o r d r e d'une mecanique b i e n
r e g l e e . Les r e v o l u t i o n s des a s t r e s , l e s cycles de l a n a t u r e
sont vus comme des chants de louange ä Dieu, chants dont l a
musique s e r a i t p e r c e p t i b l e ä t r a v e r s 1 ' e x p r e s s i o n mathematique
des r e g u l a r i t e s de ces c y c l e s . Kepler (1571-1630) donne un bon
exemple de c e t t e cosmogonie l o r s q u ' i l pose une harmonie e n t r e
les planetes du S y s t e m e s o l a i r e e t l a T r i n i t e , pour defendre l e
Naissance du c a l c u l des p r o b a b i l i t e s 313

Systeme de Copernic. L'homme comprend l a nature par sa propre

r a i s o n : on est l o i n de l a s c o l a s t i q u e , e t c e t t e l i b e r t e n'est
certainement pas etrangere ä l a Reforme. Un des f r u i t s de c e t t e
l i b e r t e est que l e philosophe se consacre maintenant ä des rea-
l i s a t i o n s p r a t i q u e s u t i l e s , t a n t par goüt que par necessite de
subvenir ä ses besoins car, rangon de c e t t e l i b e r t e , l e s grands
philosophes n'enseignent pratiquement jamais. C'est a i n s i que
l e s r e f l e x i o n s sur l e s jeux du hasard ne sont pas f u t i l e s au
temps de Pascal. A t r a v e r s un probleme t e l que c e l u i des p a r t i e s
ses contemporains cherchent a percer les harmonies n a t u r e l l e s du
hasard. I I s ' a g i t de d e c o u v r i r l e s harmonies du monde e t non
d'en c o n s t r u i r e une r e p r e s e n t a t i o n . Le dix-septierae s i e c l e v o i t
l a naissance de l a methode s c i e n t i f i q u e dont Descartes d i s a i t
q u ' e l l e enseigne... ä denombrer exactement toutes les c i r c o n s -
f
tances de ce que l o n cherche. On trouve chez de nombreux
philosophes l ' i d e e qu'en s'obstinant ä combiner l e s pensees,
f u t - c e de maniere anarchique, on est assure d'obtenir un
r e s u l t a t i n t e r e s s a n t . Le passage d'une t e l l e n o t i o n de l a
combinatoire au c a l c u l combinatoire represente done une enorme
T
r e s t r i c t i o n des o b j e c t i f s , mais cela permet l a c r e a t i o n d un
outil efficace.

De meme, l a genese du c a l c u l des p r o b a b i l i t e s est mani-

f e s t e par l a r e s t r i c t i o n de l a n o t i o n de p r o b a b i l i t e . Lorsque
Pascal, fermat, Roberval e t d'äutfes c h e r c h e n t a r e s o u d r e un
probleme pose par un j e u du hasard, i l s ne s'attachent pas ä
montrer qu'une o p i n i o n est plus ou moins probable, mais ä c a l -
culer l a p r o p o r t i o n de chances de r e a l i s a t i o n d'un evenement.
I I n'est pas sans s i g n i f i c a t i o n que Pascal se s o i t oppose aux
d o c t r i n e s des c a s u i s t e s de l a Compagnie de Jesus, selon lesquels
une o p i n i o n peut se j u s t i f i e r des l o r s q u ' e l l e n'est pas t o t a -
lement improbable ( c f . Les P r o v i n c i a l e s ) .
En 1657 Huyghens (1629-1695) p u b l i e un t r a i t e de c a l c u l des
314 Naissance du c a l c u l des probabilites

p r o b a b i l i t e s , Du c a l c u l dans les jeux de hasard, oü les notions

f
de p r o b a b i l i t e et d esperance mathematique, dans l e cas d'une
v a r i a b l e a l e a t o i r e f i n i e , sont e x p l i c i t e m e n t d e f i n i e s . Huyghens
n ' u t i l i s e cependant pas 1'analyse combinatoire dans les resolu-
t i o n s de problemes q u ' i l expose.

I I - Premieres a p p l i c a t i o n s du c a l c u l des probabilites

L'analyse au service du c a l c u l des probabilites.

Durant l e d i x - h u i t i e m e s i e c l e , l e c a l c u l des probabilites

se developpe suivant deux axes : 1 ' a p p l i c a t i o n de ce c a l c u l au
domaine s o c i a l d'une p a r t , 1 ' i n t r o d u c t i o n de 1'analyse dans ce
c a l c u l d'autre p a r t . Le c a l c u l des p r o b a b i l i t e s se l i b e r e des
jeux de hasard et c e t t e l i b e r a t i o n f a v o r i s e son extension.

1) Premieres applications
Les premieres a p p l i c a t i o n s de l a t h e o r i e des probabilites
f u r e n t des prolongements d'etudes d'arithmetique p o l i t i q u e ap-
paraissant ä l a f i n du dix-septieme s i e c l e , qui sont de veri-
tables etudes economiques developpant les premieres methodes de
s t a t i s t i q u e d e s c r i p t i v e . Par a r i t h m e t i q u e p o l i t i q u e , on entend
a l o r s c e l l e dont les operations ont pour but des recherches
u t i l e s ä l ' a r t de gouverner les peuples : nombre d'habitants
d'un pays, q u a n t i t e de n o u r r i t u r e q u ' i l s doivent consommer,
t r a v a i l q u ' i l s peuvent accomplir, temps q u ' i l s ont i v i v r e ,
f e r t i l i t e des t e r r e s , frequence des naufrages, e t c . . . ( c f .
Condorcet, a r t i c l e a r i t h m e t i q u e p o l i t i q u e de 1'Encyclopedic).
Nicolas B e r n o u i l l i (1687-1759) s'appuiera sur de t e l s recen-
sements pour determiner au bout de combien de temps on peut
supposer, avec une p r o b a b i l i t e f i x e e , qu'un absent d'un age
donne est mort, a f i n de pouvoir partager son h e r i t a g e (cf.
1 ' a r t i c l e Absent de 1'Encyclopedie). Dans sa D i s s e r t a t i o n sur
1'usage de l ' a r t de l a conjecture dans l e d r o i t , de 1709,
Naissance du c a l c u l des p r o b a b i l i t e s 315

N. B e r n o u l l i i expose egaleraent comment evaluer une rente v i a -

gere, q u e l l e p a r t peut reclamer un f i l s dans l a succession de
son pere, lorsque ce d e r n i e r l a i s s e une femme enceinte, suivant
l e s p r o b a b i l i t e s q u ' e l l e a i t un ou p l u s i e u r s enfants, a i n s i que
l a d e t e r m i n a t i o n du p r i x des assurances.
Les t e n t a t i v e s de Condorcet (1743-1794), en vue de l a f o n -
d a t i o n d'une science s o c i a l e mathematique, c o n s t i t u e n t un cas
p a r t i c u l i e r i n t e r e s s a n t d ' u t i l i s a t i o n du c a l c u l des p r o b a b i l i t e s .
Au c o n t r a i r e de ses contemporains p r o b a b i l i s t e s pour q u i les
a p p l i c a t i o n s ne v i s e n t qu'ä p r e c i s e r l e s methodes du c a l c u l e t a
montrer son i n t e r e t , Condorcet v o i t dans c e t t e t h e o r i e l ' o u t i l
permettant 1 ' i n t r o d u c t i o n des mathematiques dans 1'etude de
phenomenes sociaux, t e l l e choix c o l l e c t i f ( c f . [ 2 ] ) . C'est a i n s i
q u ' i l etend l a n o t i o n d'arithmetique p o l i t i q u e , d i s t i n g u a n t t r o i s
aspects : l a recherche des donnees s t a t i s t i q u e s ( l e s f a i t s ) e t
l a r e d u c t i o n de ces donnees, l e u r i n t e r p r e t a t i o n , ( l e s conse-
quences) e t , f i n a l e m e n t , l a d e t e r m i n a t i o n de l a p r o b a b i l i t e de
ces f a i t s e t de ces consequences ( c f . Condorcet, a r t i c l e
A r i t h m e t i q u e p o l i t i q u e de 1'Enclyclopedie).

Le choix du domaine s o c i a l comme t e r r a i n p r i v i l e g i e d ' a p p l i -

c a t i o n du c a l c u l des p r o b a b i l i t e s peut s'expliquer par R e v o l u -
tion economique du d i x - h u i t i e m e s i e c l e . Le Systeme capitaliste
naissant n e c e s s i t e une connaissance macro-economique du marche
du t r a v a i l , l e developpement du commerce e t 1 a p p a r i t i o n de com-
pagnies d'assurances f a v o r i s e n t des etudes s t a t i s t i q u e s . Les
travaux d'arithmetique p o l i t i q u e se m u l t i p l i e n t done. Les proba-
b i l i s t e s t r o u v e n t a i n s i rassemblees des donnees susceptibles
d ' i n t e r p r e t a t i o n . Par a i l l e u r s i l ne f a u t pas n e g l i g e r 1 ' i n t e r e t
que p o r t e n t les raathematiciens du d i x - h u i t i e m e s i e c l e , comme
les philosophes e t les p h y s i c i e n s , aux questions politiques,
economiques ou s o c i a l e s .
Pour les philosophes des lumieres, q u i posent l e p r i n -
316 Naissance du c a l c u l des p r o b a b i l i t e s

cipe de 1'unite de l a nature, i l ne s u f f i t pas d'etendre les

domaines de l a connaissance, mais i l f a u t c o n s t r u i r e un
Systeme, r e d u i r e ä un p e t i t nombre de regies ou notions gene-
r a l e s chaque Science ou chaque A r t en p a r t i c u l i e r , . . . renfermer
en un Systeme q u i s o i t un les branches i n f i n i m e n t variees de
l a science humaine ( c f . d'AIembert, Discours p r e l i m i n a i r e ä
1'Encyclopedie). Car, pour d'Alembert comme pour Condorcet et
l e u r s contemporains, pour peu qu'on a i t r e f l e c h i s u r l a l i a i s o n
que les decouvertes ont e n t r ' e l l e s , i l est f a c i l e de s'aper-
cevoir que l e s Sciences et l e s A r t s se p r e t e n t mutuellement des
secours, et q u ' i l y a par consequent une chaine q u i l e s u n i t
( c f . d'Alembert, Dicours p r e l i m i n a i r e a 1 E n c y c l o p e d i e ) .
Rapprocher d i v e r s domaines de l a connaissance, appliquer une
science ä une autre sont done des elements de l a methode scien-
t i f i q u e du d i x - h u i t i e m e s i e c l e . I I est de l ' i n t e r e t de l a
v e r i t e que Ties sciences] se reunissent t o u t e s , parce q u ' i l
n'en est pas une seule q u i ne tienne a toutes l e s autres p a r t i e s
du Systeme s c i e n t i f i q u e par une dependance plus ou moins imme-
d i a t e . I I n'en est pas une oü l'on puisse rompre l a chaine sans
n u i r e aux deux p o r t i o n s que l'on a u r a i t separees ( c f . Condorcet,
Fragment sur l ' A t l a n d i d e , c i t e par Roshdi Rashed [ 2 ] p. 15).
Les a p p l i c a t i o n s du c a l c u l des p r o b a b i l i t e s au domaine s o c i a l
s ' i n s c r i v e n t done dans c e t t e recherche, ou c o n s t r u c t i o n , d'une
c o n t i n u i t e entre l e s d i v e r s domaines de l a connaissance. Ces
a p p l i c a t i o n s f u r e n t cependant diversement aeeeptees. Pour cer-
t a i n s , une connaissance n'est c e r t a i n e que l o r s q u ' e l l e se p l i e
aux modes de deduction mathematiques. Les mathematiques sont
done l ' o u t i l par excellence de 1'organisation des sciences et
de leurs extensions. Chez d'Alembert, ce p o i n t de vue n'est
pas exempt d'un r i g o r i s m e quelque peu s t e r i l e . Pour d ' a u t r e s ,
i l e x i s t e deux ordres de v e r i t e : mathematique e t physique
( c f . l e Discours p r e l i m i n a i r e ä l ' H i s t o i r e n a t u r e l l e de B u f f o n ) .
Naissance du c a l c u l des p r o b a b i l i t e s 317

1
Ces derniers l i m i t e n t les p o s s i b i l i t e s d a p p l i c a t i o n des
mathematiques. Dans ce c o n t e x t e , l e p r o j e t de Condorcet pre-
sente une grande o r i g i n a l i t e . I I ne se donne pas en e f f e t
pour o b j e c t i f de montrer les p o s s i b i l i t e s d ' a p p l i c a t i o n du
T
c a l c u l des p r o b a b i l i t e s , mais se s e r t de ce c a l c u l comme d un
T
o u t i l permettant l a c o n s t i t u t i o n d une science s o c i a l e . I I se
preoccupe done p l u t o t des fondements philosophiques des
concepts de l a t h e o r i e que du developpement de l a t h e o r i e elle-
meme.
Le c a l c u l des p r o b a b i l i t e s f u t egalement applique aux
T
erreurs d'observations. L ' e s t i m a t i o n d une grandeur ä l ' a i d e
1
d o b s e r v a t i o n s , e c r i t Gauss (1777-1855) avec une erreur plus
T
ou moins grande, peut e t r e comparee ä un j e u de hasard oü l o n
ne peut que perdre, e t oü ä chaque erreur correspond une p e r t e
(Gauss, Werke, c i t e par Μ. Loeve, [ 4 ] p. 285). Legendre (1752-
1833) e t Gauss developperont l a methode des moindres carres,
Laplace (1749-1827) une methode v o i s i n e .

2) L'analyse au s e r v i c e du c a l c u l des p r o b a b i l i t e s
Ces applications du c a l c u l des p r o b a b i l i t e s f u r e n t pos­
s i b l e s grace aux travaux- de Jacques B e r n o u i l l i (1654-1705). I I
!
f u t l e premier, ä n o t r e connaissance, ä a v o i r reclame 1 a p p l i -
!
c a t i o n de ce c a l c u l au domaine s o c i a l . Mais c e s t surtout son
theoreme, l a l o i des grands nombres decouverte en 1689 e t
publii§ däfiS l ' A f t de dresser des conjectures en 1713, qui
marque l a naissance du c a l c u l des p r o b a b i l i t e s comme t h e o r i e
mathematique. S i S est l e nombre de r e a l i s a t i o n s d'un evenement
^ η
Ε au cours de η epreuves independantes e t i d e n t i q u e s , s i ρ est
l a p r o b a b i l i t e de r e a l i s a t i o n de 1'evenement E, a l o r s l a l o i
des grands nombres de J. B e r n o u i l l i enonce que, pour t o u t ε > 0,
s
lim P ( | —η - p|
* ι < ε) = 1

1
En d'autres termes, lorsque l e nombre d epreuves augmente
318 Naissance du c a l c u l des p r o b a b i l i t e s

η
les frequences — de r e a l i s a t i o n de l'evenement Ε sont presque
sürement egales ä l a p r o b a b i l i t e ρ de r e a l i s a t i o n de cet eve­
nement. Ce theoreme f u t ä l ' o r i g i n e de travaux e t de recherches
qui se sont p o u r s u i v i s durant l e d i x - h u i t i e m e e t l e dix-neuvieme
s i e c l e . Son importance v i e n t egalement de ce q u ' i l fonde l e
p o i n t de vue f r e q u e n t i s t e en p r o b a b i l i t e e t se trouve a i n s i ä
l ' o r i g i n e du developpement de l a s t a t i s t i q u e . On peut distinguer
entre deux types d ' i n t e r p r e t a t i o n s : d'une p a r t une e s t i m a t i o n
subjective du nombre de r e a l i s a t i o n s d'un evenement, d'autre
p a r t une e s t i m a t i o n de l a p r o b a b i l i t e d'un evenement par l a
l i m i t e des frequences empiriques observees. Cette seconde i n -
t e r p r e t a t i o n s'appuie done sur l a l o i des grands nombres.
Condorcet, q u i f u t l ' u n des premiers ä se pencher sur c e t t e
d i s t i n c t i o n , presente a i n s i ces deux sources de p r o b a b i l i t e s :
l'une renferme l e s p r o b a b i l i t e s t i r e e s de l a c o n s i d e r a t i o n de
l a nature meme, e t du nombre des causes ou des raisons q u i
peuvent i n f l u e r sur l a v e r i t e de l a p r o p o s i t i o n dont i l s ' a g i t ;
1'autre n'est fondee que sur 1'exprerience du passe, q u i peut
nous f a i r e t i r e r avec confiance des conjectures pour l'avenir,
l o r s du moins que nous sommes assures que l e s memes causes q u i
ont p r o d u i t l e passe e x i s t e n t encore, e t sont pretes ä produire
1'avenir ( [ 2 ] p. 123). Le debat entre l e s types d'interpretations
de l a p r o b a b i l i t e se poursuivent encore, b i e n que l e s mathema-
t i c i a n s se rällient generalement au point de vue frequentiste.
A l a s u i t e de J. B e r n o u i l l i , e t en u t i l i s a n t son theoreme, de
Moivre (1667-1754) trouve l a " l o i normale. Dans son t r a i t e
Doctrine of chances, p u b l i e en 1718, fondamental ä son epoque,
i l e x p l i c i t e l e s concepts d'independance e t de p r o b a b i l i t e condi-
t i o n n e l l e . I I demontre egalement l e theoreme de convergence vers
l a l o i normale dans un cas p a r t i c u l i e r . Ce theoreme montre que
pour t o u t r e e l t
Naissance du c a l c u l des p r o b a b i l i t e s 319

s Ä
•x /2 dx
l i m P(- η <t) =
n-H-oo Vnp(l-p) /2rr

(pour 0 < ρ < 1 ) .

I I sera demontre dans l e cas general par Laplace. Le

theoreme a c t u e l de convergence vers l a l o i normale ne sera
correctement demontree qu'ä l a f i n du dix-neuvieme s i e c l e , ä l a
s u i t e des travaux de Tchebychef (1821-1894), Markov (1856-1922)
et Liapounov (1857-1918). Auparavant, Laplace a v a i t tente
d'etendre son theoreme de convergence ä des sommes de v a r i a b l e s
a l e a t o i r e s independantes, e t Poisson (1781-1840) l ' a v a i t
etendu ä des s u i t e s d'evenements independants.
A l a s u i t e de J. B e r n o u i l l i e t de Moivre, Laplace deve-
loppe l e s methodes de l'analyse au service du c a l c u l des
p r o b a b i l i t e s : La methode l a plus generale e t l a plus d i r e c t e
pour resoudre l e s questions de p r o b a b i l i t e s consiste ä l e s
f
f a i r e dependre d equations aux d i f f e r e n c e s finies. (Theorie
analytique des p r o b a b i l i t e s ) . En 1771, Laplace p u b l i e ses
Recherches sur l e c a l c u l i n t e g r a l aux d i f f e r e n c e s infiniment
p e t i t e s e t aux d i f f e r e n c e s f i n i e s e t un Memoires sur l e s s u i t e s
r e c u r r o - r e c c u r e n t e s e t l e u r s usages dans l a t h e o r i e du hasard,
oü i l montre comment resoudre un probleme t e l que c e l u i des
p a r t i e s par l e s equations aux d i f f e r e n c e s finies.

3) Le probleme de Bayes
Un d e r n i e r p o i n t important des recherches des p r o b a b i l i t e s
du d i x - h u i t i e m e s i e c l e est l e probleme de Bayes. Ce probleme a
interesse t a n t l e s t h e o r i c i e n s de 1 ' i n t r o d u c t i o n de l'analyse
dans l e c a l c u l des p r o b a b i l i t e s , comme Laplace, que l e s a r t i -
sans des a p p l i c a t i o n s de l a t h e o r i e , comme Condorcet. A l a f i n
du d i x - h u i t i e m e s i e c l e , Bayes (1702-1761) a cherche ä c a l c u l e r
l a p r o b a b i l i t e des causes : "Donne" l e nombre des r e a l i s a t i o n s
et des non r e a l i s a t i o n s d'un evenement inconnu, "demandee" l a
 320 Naissance du c a l c u l des p r o b a b i l i t e s

chance que l a p r o b a b i l i t e de r e a l i s a t i o n de cet evenement dans

une seule epreuve se trouve entre deux degres de p r o b a b i l i t e s
que l'on peut nommer ( c f . Bayes, An essay towards s o l v i n g a
problem i n the d o c t r i n e of chances, c i t e par Roshdi Rashed i n
[ 2 ] p. 5 5 ) . I I s ' a g i t done d'approcher l a p r o b a b i l i t e d'un eve-
nement ä p a r t i r de ses frequences de r e a l i s a t i o n dans une s u i t e
f
d epreuves. Ce probleme est symetrique de l a l o i des grands
nombres de J. B e r n o u i l l i , qui permet d'approcher les frequences
ä p a r t i r de l a p r o b a b i l i t e d'un evenement. En 1774, Laplace
p u b l i e un Memoire sur l a p r o b a b i l i t e des causes ou i l enonce l e
p r i n c i p e de Bayes sous une forme v o i s i n e de l a f o r m u l a t i o n
actuelle : s i un evenement Ε a ete r e a l i s e m f o i s dans η
epreuves independantes et identiques, e t s i on suppose a
priori l a d i s t r i b u t i o n de l a p r o b a b i l i t e ρ de l'evenement Ε
uniforme sur a,b , a l o r s l a p r o b a b i l i t e c o n d i t i o n n e l l e est
egale ä :

P(a < ρ < b/E a ete r e a l i s e m f o i s dans η epreuves)

b m,. \n-m,
χ (1-x) dx
_·'a
m, νΠ-m,
χ (1-x) dx
J
0
Pour pouvoir e t r e u t i l i s e dans des problemes p r a t i q u e s , ce
r e s u l t a t suppose l a connaissance de p r o b a b i l i t e a p r i o r i . A l a
s u i t e de Bayes, Laplace e t Condorcet considerent que l'on peut
regarder ces p r o b a b i l i t e s comme egales lorsqu'on n'a aucune r a i ­
son de penser que l'une est plus grande que l e s autres. Lors-
qu'on ne v o i t aucune r a i s o n q u i rende l ' u n plus probable que
1'autre, parce que, quand b i e n meme i l y a u r a i t une inegale
p o s s i b i l i t e e n t r e eux, comme nous ignorons de quel cote e s t l a
plus grande, c e t t e i n c e r t i t u d e nous f a i t regarder l ' u n comme
aussi probable que 1'autre ( c f . Laplace, Memoire...). C'est l e
principe d'indifference de Laplace.
Naissance du c a l c u i des p r o b a b i l i t e s 321

Le debat entre s u b j e c t i v i s t e s et f r e q u e n t i s t e s s'est tres t o t

c r i s t a l l i s e autour de 1 ' u t i l i s a t i o n de l a formule de Bayes et
du p r i n c i p e d ' i n d i f f e r e n c e . Jusqu'ä l a f i n du dix-neuvieme
s i e c l e , l e s s t a t i s t i c i e n s ont cherche ä e v i t e r l'emploi du
theoreme de Bayes.
A l a f i n du dix-huitieme s i e c l e , les fondements du c a l c u l
des p r o b a b i l i t e s sont e t a b l i s . Certes l a t h e o r i e n'est pas
encore a f f r a n c h i e du debat philosophique sur 1 ' i n t e r p r e t a t i o n
de l a p r o b a b i l i t e . Mais l e s p r o b a b i l i t e s mathematiques vont se
developper sans egard pour ce debat.

F.B.
322 Naissance du calcuL des p r o b a b i l i t e s

Bibliographie sommaire

[ 1 ] N. Bourbaki Elements d ' h i s t o i r e des mathematiques

Paris, 1974

[ 2 ] M. de Condorcet Mathematique et s o c i e t e , choix de textes

et commentaires par Roshdi Rashed
Paris, 1974

[ 3 ] Ch. Gouraud H i s t o i r e du c a l c u l des p r o b a b i l i t e s des

o r i g i n e s ä nos j o u r s
P a r i s , 1848

Γ4] M. Loeve Calcul des p r o b a b i l i t e s i n J. Dieudonne

Abrege d ' h i s t o i r e des mathematiques
Paris, 1978

Γ5] J. Montucla H i s t o i r e des mathematiques

P a r i s , 1802

.6j H. Burrow Arton The Enlightenment e t ses adversaires

( H i s t o i r e de l a p h i l o s o p h i e , Encyclopedic
de l a Pleiade)
P a r i s , 1973

[ 7 ] J. Deprun Philosophies et problematique des lumieres

( H i s t o i r e de l a p h i l o s o p h i e , Encyclopedic
de l a Pleiade)
Paris, 1973
 Naissance du calcul des p r o b a b i l i t e s 323

Γ8] G. Rodis Levis Descartes et a n t i c a r t e s i e n s frangais

( H i s t o i r e de l a p h i l o s o p h i e , Encyclopedie
de l a Pleiade)
Paris, 1973

[ 9 ] J. Ehrard L'idee de nature en France ä l'aube des

lumieres
Paris, 1970

[ 1 0 ] A. Koyre Etudes galileennes

Paris, 1966

[ 1 1 ] B. Matalon Epistemologie des p r o b a b i l i t e s

(Logique et connaissance s c i e n t i f i q u e ,
Encyclopedie de l a Pleiade)
Paris, 1976
Tables
 k n
Table 1 : L o i binomiale P(X = k ) = p q'

Ρ
η
κ.
0,10 0,20 0,30 0,40 0,50

2 0 0,8100 0,6400 0,4900 0,3600 0,2500

1 0,1800 0,3200 0,4200 0,4800 0,5000
2 0,0100 0,0400 0,0900 0,1600 0,2500

3 0 0,7290 0,5120 0,3430 0,2160 0, 1250

1 0,2430 0,3840 0,4410 0,4320 0,3750
2 0,0270 0,0960 0,1890 0,2880 0,3750
3 0,0010 0,0080 0,0270 0,0640 0,1250

4 0 0,6561 0,4096 0,2401 0,1296 0,0625

1 0,2916 0,4096 0,4116 0,3456 0,2500
2 0,0486 0,1536 0,2646 0,3456 0,3750
3 0,0036 0,0256 0,0750 0,1536 0,2500
4 0,0001 0,0016 0,0081 0,0256 0,0625

5 0 0,5905 0,3277 0,1681 0,0778 0,0312

1 0,3280 0,4096 0,3602 0,2592 0,1562
2 0,0729 0,2048 0,3087 0,3456 0,3125
3 0,0081 0,0512 0,1323 0,2304 0,3125
4 0,0004 0,0064 0,0284 0,0768 0,1562
5 0,0000 0,0003 0,0024 0,0102 0,0312

6 0 0,5314 0,2621 0,1176 0,0467 0,0156

1 0,3543 0,3932 0,3025 0,1866 0,0938
2 0,0984 0,2458 0,3241 0,3110 0,2344
3 0,0146 0,0819 0,1852 0,2765 0,3125
4 0,0012 0,0154 0,0595 0,1382 0,2344
5 0,0001 0,0015 0,0102 0,0369 0,0938
6 0,0000 0,0001 0,0007 0,0041 0,0156

7 0 0,4783 0,2097 0,0824 0,0280 0,0078

1 0,3720 0,3670 0,2471 0,1306 0,0547
2 0,1240 0,2753 0,3177 0,2613 0,1641
3 0,0230 0,1147 0,2269 0,2903 0,2734
4 0,0026 0,0287 0,0972 0,1935 0,2734
5 0,0002 0,0043 0,0250 0,0774 0,1641
6 0,0000 0,0004 0,0036 0,0172 0,0547
7 0,0000 0,0000 0,0062 0,0016 0,0078
 00
ο 3

VD 00 "»J CT» C/ι 4> CO hO — * Ο C O V J C J N U I J > U ) M — Ο

Ο

ο ο ο ο ο ο ο ο ο ο ο o o o o o o o o o o o o o o o o o o o 1
Ο Ο Ο Ο Ο Ο Ο Ο — U> U ) O O O O O O O — LOU) O O O O O O — Lo4> 1
O O O O O O - ^ i ^ C O ^ O O O O O O J ^ ^ J O O O O O O O O O U > - O 0 0 U >
Ο θ Ο Ο Ο - - ^ ω ^ ο ο O O O O O ^ - P ^ N J ^ ^ J O O O O J ^ W O O M O
0, 10

O O O O - O i h o f - v j J S v J O O O - Ο Ο ^ Ο Μ Ο ί · ^ Ο Ο Ο -P> 0> — 00 αν i n

ο ο ο ο ο ο ο ο ο ο ο o o o o o o o o o o o o o o o o o o o
O O O O O O O M W N - O O O O O O — w w - Ο Ο Ο Ο Ο — NDLO—•
Ο Ο Ο Ο θ Ν > 0 0 Ο θ σ \ Ο O O O O — σ \ ν ΐ θ θ ω O 0 0 0 - P > 4 > V £ > L O O >
O O O O m c ^ O O — Ν> 00 O O O N 5 0 > 0 » 0 > N ) t O ^ O O - ^ U l O M j J U i N j
O O W C O U i - M O O W O - - N ) V O 0 0 O > U i 0 0
0,20 j

ο ο ο ο ο ο ο ο ο ο ο o o o o o o o o o o o o o o o o o o o
O O O O O - W M N - O O O O O O — ' K J N i — ο o o o o — N>N)>- ο
O O O O W O O ^ w r o r o O O O M s l s l O N C ^ U i ^
0,30

Ο — - O O 0 0 V O — O O L n — hO o o w - w - o > o > u i o - N ) O N - - ' L n v J O >

'
O - O ^ O O U i L n 0 0 0 0 0 > J > »

ο ο ο ο ο ο ο ο ο ο ο o o o o o o o o o o o o o o o o o o o
O O O O - W i o w - O O O O O O — N) ho - o o O O O — r o r o h o O O ο
0 0 - · > - Ο ΐ / ' - Μ ^ Ο Ο Ο w v j σ\ u i i n σ\ ο - O O M v J W ^ J O O O -
O - O N - O O m o o o ^ O U > — J > - « J O O — o o O v J - U ) N ) 0 0 v £ ) ^ ) 0 >
— 0 > 0 > U i L n - v J O O O ^ > U ) 0 W U i N ) W W 0 0 0 0 t O l n - ο

ο ο ο ο ο ο ο ο ο ο ο o o o o o o o o o o o o o o o o o o o
O O O - W M r o - O O O O O O — N)ho — o o o O O — K J h o h o — ' O O
Ο Ο -C- — Ο 4> Ο — -Ρ> Ο Ο O W O - s l - O W O
N J - v J O - i ^ C J N C j N ^ O ^ N J
0,50

c o — vo oo ω oo vo - u>
Ο 00 VO Ν) - — — ' hO ν£> 00 Ο »X>K)-F>004>-00-P-NJVO
 Loi de Poisson P(X

0, 0,2 0,3 0,4 0,5 0,6 0,7 ο,ε 0,9 I ,0

0,9048 0,8187 0,7408 0,6703 0,6065 0,5488 0,4966 0,4493 0,4066 0,3679
0,0905 0,1637 0,2222 0,2681 0,3033 0,3293 0,3476 0,3595 0,3659 0,3679
0,0045 0,0164 0,0333 0,0536 0,0758 0,0988 0,1217 0,1438 0 , 164 7 0 , 1839
0,0002 0,0011 0,0033 0,0072 0,0126 0,0198 0,0284 0,0383 0 , 0 4 94 0 , O b 13
0,0000 0,0001 0,0002 0,0007 0,0016 0,0030 0,0050 0,0077 0,0111 0,0153

0,0000 0,000 0,0000 0,0001 0,0002 0,0004 0,0007 0,0012 0,0020 0,0031
0,0000 0,000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0003 0,0005
0,0000 0,000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001

1 ,1 1 ,2 1,3 1 .4 1,6 1 , 1 , 1 ,9 2,0

0,3329 0,3012 0,2725 0,2466 0,2231 0,2019 0 , 1827 0,1653 0 , 1496 0 , 1353
0,3662 0,3614 0,3543 0,3452 0,3347 0,3230 0,3106 0,2975 0,2842 0,2707
0,2014 0,2169 0,2303 0,2417 0,2510 0,2584 0,2640 0,2678 0,2700 0,2707
0,0738 0,0867 0,0998 0,1128 0,1255 0,1378 0,1496 0,1607 0,1710 0,1804
0,0203 0,0260 0,0324 0,0395 0,0471 0,0551 0,0636 0,0723 0,0812 0,0902

0,0045 0,0062 0,0084 0,0111 0,0141 0,0176 0,0216 0,0260 0,0309 0,0361
0,0008 0,0012 0,0018 0,0026 0,0035 0,0047 0,0061 0,0078 0,0098 0,0120
0,000l 0,0002 0,0003 0,0005 0,0008 0,0011 0,Ό015 0,0020 0,0027 0,0034
0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0003 0,0005 0,0006 0,0009
0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002

λ
2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 3,0

0,1225 0,1108 0,1003 0,0907 0,0821 0,0743 0,0672 0,0608 0,0550 0,0498
0,2572 0,2438 0,2306 0,2177 0,2052 0,1931 0,1815 0,1703 0,1596 Ο,1494
0,2700 0,2681 0,2652 0,2613 0,2565 0,2510 0,2450 0,2384 0,2314 0,2240
0,1890 0,1966 0,2033 0,2090 0,2138 0,2176 0,2205 0,2225 0,2237 0,2240
0,0992 0,1082 0,1169 0,1254 0,1336 0 , 1414 0,1488 0,1557 0,1622 0,1680

0,0417 0,0476 0,0538 0,0602 0,0668 0,0735 0,0804 0,0872 0,0940 0,1008
0,0146 0,0174 0,0206 0,0241 0,0278 0,0319 0,0362 0,0407 0,0455 0,0504
0,0044 0,0055 0,0068 0,0083 0,0099 0,0118 0,0139 0,0163 0,0188 0,0216
0,0011 0,0015 0,0019 0,0025 0,0031 0,0038 0,0047 0,0057 0,0068 0,0081
0,0003 0,0004 0,0005 0,0007 0,0009 0,0011 0,0014 0,0018 0,0022 0,0027

10 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0004 0,0005 0,0006 0,0008
1 1 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0002
12 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001

λ
k 3, 1 3,2 3,3 3,4 3,5 3,6 3,7 3,9 ,0

0 0,0450 0,0408 0,0369 0,0334 0,0302 0,027 3 0,0247 0,0224 0,0202 0,0183
0,1397 0,1304 0,1217 0,1135 0,1057 0,0984 0,0915 0,0850 0,0789 0,0733 (
0,2165 0,2087 0,2008 0,1929 0,1850 0,1771 0,1692 0,1615 0 , 1539 Ο , 1465 ι
0,2237 0,2226 0,2209 0,2186 0,2158 0,2125 0,2087 0,2046 0,2001 0 , 1954 I
0,1734 0,1781 0,1823 0,1858 0,1888 0,1912 0,1931 0,1944 0, 195! Ο , 1954 J
0,1075 0,1140 0,1203 0,1264 0,1322 0,1377 0 , 1429 0 , 1477 0 , 1522 0,1563
0,0555 0,0608 0,0662 0,0716 0,0771 0,0826 0,0881 0,0936 0,0989 0 , 1042
0,0246 0,0278 0,0312 0,0348 0,0385 0,0425 0,0466 0,0508 0,0551 0,0595
0,0095 0,0111 0,0129 0,0148 0,0169 0,0191 0,0215 0,0241 0,0269 0,0298
0,0033 0,0040 0,0047 0,0056 0,0066 0,0076 0,0089 0,0102 0,0116 0,0132

10 0,0010 0,001 3 0,0016 0,0019 0,0023 0,0028 0,0033 0,00*39 0,004 5 0,0053
1 1 0,0003 0,0004 0,0005 0,0006 0,0007 0,0009 0,0011 0,0013 0,0016 0,0019
0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0003 0,0004 0,0005 0,0006
13 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0001 0,0002 0,0002
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
Table 3 : Function (Ι*.· r e p a r t i t i o n de l a l o i normal

I -V" ,
P(ü Τ L ) = C(t )
— e - αr
~ J

i o( t )

La t a b 1e donne aussi la valeur de t teile

que

p(o · τ t ) = -

ού 1 2st le seuil de confianc«

t 0 1 5 6 7 8 9
"1
0,0 0,0000 0 , 0040 j0,0080 0,0120 1
0,0160 ο, 0199 0,0239 0,0279 0,0319 0,0359
0, 1 0,0398 0 , 04 38 ι 0,0478 0,0517 I0,0557 ο, 0596 0 , 0 6 3 6 0,0675 0,0714 0,0753
0,2 0,0793 o , 0832 ! 0,0871 0,0910 Ι 0,0948 ο, 0987 0 , 1 0 2 6 0,1064 0 , 1 103 0,1141
0,3 0,1179 o , 1217 ;0,1255 0 , 1293 :0,1331 ο, 1368 0,1406 0,1443 0 , 1480 0,1517
0,A 0,1554 o , 1591 ι 0,1628 0,1664 ; ο,1700 ο, 1736 j 0 , 1 7 7 2 0,1808 0,1844 0,1879
0,5 0 , 1 9 1 5 1 0 , 1950 ί0,1985 0,2019 j 0,2054 0, 2088 0 , 2 1 2 3 0,2157 0,2190 0,2224
0,6 0,2257 o , 2291 !0,2324 j 0,2357 ! 0,2389 0, 2422 0 , 2 4 5 4 0,2486 0,2517 0,2549
0, 7 0 , 2 580 o , 261 1 ;0,2642 - 0,2673 ! 0,2704 0, 2734 0 , 2 7 6 4 0,2794 0,2823 0,2852
0,8 0,2881 o , 2910 I0,2939 ! 0,2967 j 0,2995 0, 3023 0 , 3 0 5 1 0,3078 0,3106 0,3133
0,9 0,3159 0 3186 ! 0,3212 j 0,3238 I 0,3264 0
3289 0 , 3 3 1 5 0,3340 0,3365 0,3389

1 ,0 0,3413 0 3438 ί0,3461 3485 Ι 0,3508 0, 3531 0,3554 0,3577 0,3599 0,3621
1 , ! 0,3643 0 3665 !0,3686 3708 j 0,3729 0 3749 0,3770 0,3790 0,3810 0,3830
1 ,2 0,3849 0 3869 ! 0,3888 3907 Ι 0,3925 0 3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0 4049 Ι 0,4066 4082 j 0,4099 0 41 15 0,4131 0,4147 0,4162 0,4177
! ,4 0,4192 0 4 207 I 0,4222 4236 ' 0,4251 0 4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0 4345 I 0,4357 4370 0,4382 0 4394 0,4406 0,4418 0,4429 0,4441
! ,6 0,4452 0 4463 ί 0,4474 4484 0,4495 0 4505 0,4515 0,4525 0,4535 0,4545
1 ,7 0,4554 0 4564 ί 0,4573 4582 0,4591 0 4599 0,4608 0,4616 0,4625 0,4633
1 ,8 0 , 4 641 0 4649 I 0,4656 i 0 4664 0,467 1 0 4678 0,4686 0,4693 0,4699 0,4706
1,9 0 , 4 7 13 0 4719 ! 0,4726 Ι 0 4732 0,4738 0 4744 0 , 4 750 0,4756 0,4761 0,4767

2,0 0,4772 0 4778 0 , 4 788 0,4793 0 4798 0,4803 0,4808 0,4812 0,4817
2, 1 0,482 1 0 4826 ; 0 , 4 8 3 0 0,4834 0,4838 0 4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0 4864 0,4871 0,4875 0 4878 0 , 4 8 8 1 0,4884 0,4887 0,4890
2,3 0,4893 0 4896 0,4901 0 , 4 904 0 4906 0 , 4 9 0 9 0,4911 0,4913 0,4916
2,4 0,4918 0 4920 0,4925 0,4927 ο 4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0 4940 0,4943 0,4945 ο 4946 0,4948 0,4949 0,495! 0,4952
2,6 0,4953 0 4955 I 0 , 4 9 5 6 0,4957 0,4959 0 4960 0,4961 0,4962 0,4963 , 0,4964
2,7 0,4965 0 4966 ί 0 , 4 9 6 7 0,4968 0,4969 0 4970 0,4971 0,4972 0,4973 ; 0,4974
2,8 0,4974 0 4975 0,4977 0,497 7 ο 4978 0,4979 ;0,4979 0,4980 • 0,4981
2,9 0 , 4 981 o, 498 2 0,4983 0,4 984 j 0, 4984 0,4985 0 , 4 9 8 5!
0,4986 ' 0,4986
I

0 , 4 988
I 0,4989 0,4989 0,49 '·0 0 , 4 9 9 0
3,0 0,4987 o , 4987 j 0,4987 0,4988 4 989 (

0,499) !ο
3, 1 0 , 4 990 ,0 4991 I0,4991 0,4992 4992 0 , 4 992 0,4992 0,4993 i 0 , 4 9 9 3
1°
3,2 0,4993 1 ο 4903 j 0,4994 0 , 4 994 0,49'>'. ! ο 4 994 0 , 4 994 0,4995 0,4995 ί 0,4995
3, 3 0,4995 0 4 995 ;0,4995 0 , 4 996 0,4996 0 4996 0 , 4 996 0,4996 0 , 4 996 0 , 4 9 9 7
3,4 0,4997 0 4 99 7 '0,4997 0,4997 0,4997 0 4997 0,4 997 0,4997 0,4997 0,4998
3,5 0,4998 j o 4998 10,4998 0,4998 0,4998 ο 4 998 0,4998 0,4998 0,4998 0 , 4 998
3,6 0 , 4 998 0
4998 I0,4999 0,4999 0,4999 0!
4999 0,4999 0,4999 0,4999 0,4999
3,7 0,4999 0 4999 0,4999 I0,4999 0,4999 0 4999 0,4999 0,4999 0,4999 0,4999
3,8 0 , 4 999 ίο 4 999 0,4999 I0,4999 0,4999 0 4999 0,4999 0,4999 0,4999 0,4999
3,9 0,5000 ';0 5000 ;0,5000 I0,5000 0,5000 0 :
5000 0,5000 0,5000 0,5000 > 0,5000

4,0 0,5000 ίο sooo !0,5000 0,5000 0,5000 0,5000 0,5000

ι ... I
 Table 4 : Distribution de Student

Table donnant la valeur de t telle que

oü α est le risque

sa sa

a
0,90 0,50 0,40 0,30 0,20 0 , 10 0,05 0,01 0,001
ν N s

1 0 , 158 1 ,000 1,376 1 ,963 3,078 6,314 12,706 63,657 636,619

2 0 , 142 0,816 1,061 1 ,386 1 ,886 2,920 4,303 9,925 31,958
3 0 , 137 0,765 0,978 1 ,250 1,638 2,353 3,182 5,841 12,929
4 0 , 134 0,741 0,941 1 ,190 1,533 2,132 2,776 4,604 8,610
5 0 , 132 0,727 0,920 1 ,156 1 ,476 2,015 2,571 4,032 6,869
6 0 , 131 0,718 0,906 1 , 134 1 ,440 1 ,943 2,447 3,707 5,949
7 0,130 0,71 1 0,896 1,119 1 ,415 1,895 2,365 3,499 5,408
8 0 , 130 0,706 0,889 1 , 108 1 ,397 I ,860 2,306 3,355 5,041
9 0 , 129 0,703 0,883 1 ,100 1 ,383 1,833 2,262 3,250 4,781
10 0,129 0,700 0,879 1 ,083 1 ,372 1 ,812 2,228 3,169 4,587

1 I 0 , 129 0,697 0,876 1 ,088 1 ,363 1 ,796 2,201 3,106 4,437

12 0 , 128 0,695 0,873 I ,083 1 ,356 1 ,782 2 , 179 3,055 4,318
13 0 , 128 0,694 0,870 1 ,079 1 ,350 1 ,771 2 , 160 3,012 4,221
14 0,128 0,692 0,868 1 ,076 1 ,345 1 ,761 2,145 2,977 4,140
15 0 , 128 0,691 0,866 1 ,074 1 ,341 1 ,753 2,131 2,947 4,073
16 0 , 128 0,690 0,865 1 ,071 1 ,337 1 ,746 2,120 2,921 4,015
17 0 , 128 0,689 0,863 1 ,069 1 ,333 1 ,740 2,110 2,898 3,965
18 0 , 127 0,6f,8 0,862 1 ,067 1 ,330 1 ,734 2,101 2,878 3,922
19 0 , 127 0,688 0,861 1 ,066 1 ,328 I ,729 2,093 2,861 3,883
20 0 , 127 0,687 0,860 1 ,064 1 ,325 1 ,725 2,086 2,845 3,850

21 0 , 127 0,686 0,859 1 ,063 1 ,323 1 ,721 2,080 2,831 3,819

22 0 , 127 0,686 0,858 1,061 1 ,321 1,717 2,074 2,819 3,792
23 0 , 127 0,685 0,858 1 ,060 1,319 1,714 2,069 2,807 3,767
2A 0 , 127 ; 0,685 0,857 ; 1,059 1,318 1,711 2,064 2,797 3,745
25 0 , 127 , 0,684 0,856 1,058 1,316 1 ,708 2,060 2,787 3,725
26 0 , 127 , 0,68A 0,856 ι 1,058 1,315 1 ,706 2,056 2,779 3,707
27 0 , 127 : 0,684 0,855 ! 1,057 1 ,314 1,703 2,052 2,771 3,690
28 0 , 127 ί 0,683 0,855 1 1,056 1,313 1 ,701 2,048 2,763 3,674
29 0 , 127 j 0,683 0,854 ! 1,055 1,311 1 ,699 2,045 2,756 3,659
30 0 , 127 0,683 0,854 j 1,055 1,310 1,697 ι 2,042 2,750 3,646
Table 5 : Distribution du χ~

Table donnant la valeur de χ

ayant la probabilite α d'etre

depassee
2 2
P(X * X„) = α

\ . α
ν V 0,990 0,975 0,950 0,900 0 , 100 0,050 0,025 0,010 0,001

1 0,0002 0,0010 0,0039 0,0158 2,71 3,84 5,02 6,63 10,83

2 0,02 0,05 0 , 10 0,21 4,61 5,99 7,38 9,21 1 3,82
3 0 , 12 0,22 0,35 0,58 6,25 7,81 9,35 1 1 ,34 16,27
4 0,30 0,48 0,71 1 ,06 7,78 9,49 11,14 13,28 18,47
5 0,55 0,83 1,15 1 ,61 9,24 1 1 ,07 12,83 15,09 20,52
6 0,87 1,24 1 ,64 2,20 10,64 12,59 14,45 16,81 22,46
7 1 ,24 1,69 2,17 2,83 12,02 14,07 16,01 18,47 24,32
8 1 ,65 2,18 2,73 3,49 13,36 15,51 17,53 20,09 26,13
9 2,09 2,70 3,33 4,17 14,68 16,92 19,02 21 , 6 7 27,88
10 2,56 3,25 3,94 4,87 15,99 18,31 20,48 23,21 29,59

1 1 3,05 3,82 4,57 5,58 17,27 19,67 21 , 9 2 24,72 31 , 2 6

12 3,57 4,40 5,23 6,30 18,55 21 , 0 3 23,34 26,22 32,91
13 4,1 1 5,01 5,89 7,04 19,81 22,36 24,74 27,69 34,53
14 4,66 5,63 6,57 7,79 21 , 0 6 23,68 26,12 2 9 , 14 36,12
15 5,23 6,26 7,26 8,55 22,31 25,00 27,49 30,58 37,70
16 5,81 6,91 7,96 9,31 23,54 26,30 28,84 32,00 39,25
17 6,41 7,56 8,67 10,08 24,77 27,59 30,19 33,41 40,79
18 7,01 8,23 9,39 10,86 25,99 28,87 31 , 5 3 34,80 42,31
19 7,63 8,91 1 0 , 12 1 1 ,65 27,20 30,14 32,85 3 6 , 19 43,82
20 8,26 9,59 10,85 12,44 28,41 3! , 4 1 3 4 , 17 37,57 45,32

21 8,90 10,28 1 1 ,59 13,24 29,61 32,67 35,48 38,93 46,80

22 9,54 10,98 12,34 14,04 30,81 33,92 36,78 40,29 48,27
23 10,20 1 1 ,69 13,09 14,85 32,01 35, 1 7 38,08 41 , 6 4 49,73
24 10,86 12,40 13,85 15,66 33,20 36,41 39,37 42,98 51 , 18
25 1 1 ,52 13,12 14,61 16,47 34,38 37,65 40,65 44,31 52,62
26 12,20 12,84 15,38 1 7,29 35,56 38,88 41 , 9 2 45,64 54,05
27 12,88 13,57 1 6 , 15 18,11 36,74 40, 1 1 4 3 , 19 46,96 55,48
28 13,57 15,31 16,93 18,94 37,92 41 , 3 4 44,46 48,28 56,89
29 14,26 16,05 17,71 19,77 39,09 42,56 45,72 49,59 58,30
30 14,95 16,79 18,49 20,60 40,26 43,77 46,98 50,89 59,70
Table 6 : C o e f f i c i e n t de c o r r e l a t i o n

Table donnant l a v a l e u r de r t e l l e que

P(-r < r < r ) = 1 - α
α α

\ α
0,10 0,05 0,02 0,01
ν ^ \
1 0,9877 0,9969 0,9995 0,9999
2 0,9000 0,9500 0,9800 0,9900
3 0,8054 0,8783 0,9343 0,9587
4 0,7293 0,8114 0,8822 0,9172
5 0,6694 0,7545 0,8329 0,8745
6 0,6215 0,7067 0,7887 0,8343
7 0,5822 0,6664 0,7498 0,7977
8 0,5494 0,6319 0,7155 0,7646
9 0,5214 0,6021 0,6851 0,7348
10 0,4973 0,5760 0,6581 0,7079

11 0,4762 0,5529 0,6339 0,6835

12 0,4575 0,5324 0,6120 0,6614
13 0,4409 0,5139 0,5923 0,6411
14 0,4259 0,4973 0,5742 0,6226
15 0,4124 0,4821 0,5577 0,6055
16 0,4000 0,4683 0,5425 0,5897
17 0,3887 0,4555 0,5285 0,5751
18 0,3783 0,4438 0,5155 0,5614
19 0,3687 0,4329 0,5034 0,5487
20 0,3598 0,4227 0,4921 0,5368

25 0,3233 0,3809 0,4451 0,4869

30 0,2960 0,3494 0,4093 0,4487
35 0,2746 0,3246 0,3810 0,4182
40 0,2573 0,3044 0,3578 0,3932
45 0,2428 0,2875 0,3384 0,3721
50 Ö,23ö6 0,2732 0,3218 0,3541
60 0,2108 0,2500 0,2948 0,3248
70 0,1954 0,2319 0,2737 0,3017
80 0,1829 0,2172 0,2565 0,2830
90 0, 1726 0,2050 0,2422 0,2673

100 0,1638 0,1946 0,2301 0,2540

Table 7 : Valeurs de l a v a r i a b l e Ζ de Fisher
correspondant au c o e f f i c l e n t | d e c o r r e l a t i o n r , Ζ 1 A + r*
= 2 8 T^T -
T
L o ( )
e

r 0,00 0,01 0,02 0,03 0,04

0,0 0,00000 0,01000 0,02000 0,03001 0,04002

0,1 0,10034 0,11045 0,12058 0,13074 0,14093
0,2 0,20273 0,21317 0,22366 0,23419 0,24477
0,3 0,30952 0,32055 0,33165 0,34283 0,35409
0,4 0,42365 0,43561 0,44769 0,45990 0,47223

0,5 0,54931 0,56273 0,57634 0,59014 0,60415

0,6 0,69315 0,70892 0,72500 0,74142 0,75817
0,7 0,86730 0,88718 0,90764 0,92873 0,95048
0,8 1,09861 1,12703 1,15682 1,18813 1,22117
0,9 1,47222 1,52752 1,58902 1,65839 1,73805

r 0,05 0,06 0,07 0,08 0,09

0,0 0,05004 0,06007 0,07012 0,08017 0,09024

0,1 0, 151 14 0,16139 0,17167 0,18198 0,19234
0,2 0,25541 0,26611 0,27686 0,28768 0,29857
0,3 0,36544 0,37689 0,38842 0,40006 0,41180
0,4 0,48470 0,49731 0,51007 0,52298 0,53606

0,5 0,61838 0,63283 0,64752 0,66246 0,67767

0,6 0,77530 0,79281 0,81074 0,82911 0,84795
0,7 0,97295 0,99621 1,02033 1,04537 1,07143
0,8 1,25615 1,29334 1,33308 1,37577 1,42192
0,9 1,83178 1,94591 2,09229 2,29756 2,64665
INDEX DES SYMBOLES

R e t Ν d e s i g n e n t r e s p e c t i v e m e n t 1'ensemble des nombres r e e l s e t

1'ensemble des e n t i e r s naturels

27

57
η
η! 58

59

60

(repetition r ) 61

Ρ (r 61
η 1' 2'· ... r
Γ k )

63

n
() 64
P
( " -64
r,,r ... 2

["] 66
84
Α υ Β
84
Α η Β

84
s
(Χ = a ) 142
(Χ * a ) 142
(Χ e Ε) 142
• ^(η,ρ) 101 & I 3 I
y
^ (N,n,r) 102
154
. Γ(πι,σ) 158
2
1213
Χ I 241
d.d.l. 215
INDEX

D
Additivite (σ-addit i v i t e ) 89 Decile 36
Arrangement 57 Degre de l i b e r t e (d.d.l.) 215
Arrangement avec r e p e t i t i o n 58 D e n s i t e de p r o b a b i l i t e
Β (d'une v a r i a b l e aleatoire) 145
Bayes ( t h e o r e m e de) 97 Deviation 39
B e r n o u i l l i ( v a r i a b l e de) Diagramme
exercice 6A-I 166 - differentiel 25
Biais (estimation sans) 215 - en b a t o n s 11
- i n t e g r a l ( o u diagramme
Bienayme des f r e q u e n c e s c u m u l e e s ) 12
( i n e g a l i t e de Bienayme- Distribution statistique
Tchebychef f ) 148 ( a s s o c i e ä un c a r a c t e r e ) 3
Bilateral (test) 232 Dominante ( o u mode) 37
Binömiale ( l o i ) 1 Ol & 105 Ε
B u f f o n ( p r o b l e m e de) Ecart
- de v a r i a t i o n
e x e r c i c e 5B-VI 114
(ou e t e n d u e ) 39
C - interquartile 39
- moyen a r i t h m e t i q u e 40
Caractere 1
- type (d'un c a r a c t e r e ) 40
Cauchy ( l o i de) (d'une v a r i a b l e
e x e r c i c e 6A-VI 171 aleatoire) 148
Certain
Echantillon 3
- evenement c e r t a i n 82
- evenement presque E f f e c t i f (d'une v a l e u r d'un
certain 92 caractere) 3
E l e m e n t a i r e (evenement) 82
Code 6
Ensemble f o n d a m e n t a l 83
Combinaison 63
Epreuve 82
Combinaison g e n e r a l i s e d 64
Combinaison avec r e p e t i t i o n 66 Equiprobables (evenements) 87

C o n d i t i o n de n o r m a l i s a t i o n 90 Esperance m a t h e m a t i q u e s ( o u
moyenne) 146
Continue
Estimateur 214
(variables a l e a t o i r e absolu-
ment c o n t i n u e ) 145 Etendue ( o u e c a r t de v a r i a ­
Continue ( l o i continue u n i - tion) 39
forme)
Evenement 82
e x e r c i c e 6A-V 169
Exhaustif (echantillonnage) 209
Correlation ( c o e f f i c i e n t de) 251
Experience a l e a t o i r e 82
Covariance 253
 338 Index

F Μ
F o n c t i o n de d i s t r i b u t i o n Mediane 33
- d'un c a r a c t e r e 25
Mere ("Paradoxe" du
- d'une v a r i a b l e a l e a t o i r e 144
C h e v a l i e r de)
Fonction re r e p a r t i t i o n e x e r c i c e 5B-IV 112
- d'un c a r a c t e r e 25
Mode (ou d o m i n a n t e ) 37
- d'une v a r i a b l e a l e a t o i r e 145
Moment
Frequence a b s o l u e (d'une
- d'un c a r a c t e r e 43
v a l e u r d'un c a r a c t e r e ) 3 - d'une v a r i a b l e alea­
toire 148
Frequences cumulees 7
Moyenne (d'une v a r i a b l e
Frequence r e l a t i v e (d'une
a l e a t o i r e , ou e s p e r a n c e
v a l e u r d'un c a r a c t e r e ) 3
mathematique) 146
Moyenne
G - arithemtique 27
Galton (experience de) 162 - geometrique 31
- harmonique 32
Grands nombres ( l o i d e s ) 148 - quadratique 33

Histogramme 13
Ν
Newton (Binome de) - 65
Hypergeometrique ( l o i ) 102
Normale (loi) 158
Normalisation (condition
de) 90
I
Impossibles
- evenement i m p o s s i b l e 82
Ρ
- evenement p r e s q u e
impossible 92 Pascal ( T r i a n g l e de) 65
e x e r c i c e 4C-V 74
Incompatibles (evenements) 84
P e a r s o n ( C r i t e r e de) 241
Independants (evenements) 97
Percentile 36
Individu statistique 1
Permutation 60
I n t e r v a l l e de c o n f i a n c e 217
Permutation circulaire 61

Permutation avec r e p e t i t i o n 61
P o i s s o n ( l o i de) 154
Κ
2
Polygone
X 2 - des e f f e c t i f s cumules 15
- d i s t r i b u t i o n du χ 213
2
- t e s t du χ 240 - des f r e q u e n c e s 11
Population 1
Probabilite 89
L
Probabilites composees 96
Laplace-Gauss ( l o i de) 158
Probabilite totales
L o i de p r o b a b i l i t e (d'une (theoreme d e s ) 93
variable aleatoire) 143 P r o b a b i l i t e uniforme 87
I ndex 339

Quartile 36 T c h e b y c h e f f ( i n e g a l i t e de
Bienayme-Tchebycheff) 148
R
U
Regression ( d r o i t e de) 251
Uniforme (probabilite) 87
S
Unilateral (test) 232
Serie s t a t i s t i q u e (associee
Univers
a un c a r a c t e r e ) 3
- (ou p o p u l a t i o n ) 1
Student ( d i s t r i b u t i o n de) 212 - ( o u ensemble fondamen-
tal) 83
Τ
Tableau V
-· de f r e q u e n c e s ä un Variable aleatoire 142
caractere 6
- de f r e q u e n c e s ä deux Variance
caracteres 8 - d'un c a r a c t e r e 40
- de f r e q u e n c e s cumulees 7 - d'une v a r i a b l e alea-
toire 148
I m p r i m e en F r a n c e , B o i s s e a u , T o u l o u s e
Depot l e g a l : q u a t r i e m e t r i m e s t r e 1978
f
Numero d e d i t i o n 5889
Hermann, e d i t e u r s des s c i e n c e s e t des a r t s