Introduction générale
• La statistique inférentielle a un aspect décisionnel et le
calcul des probabilité y joue un rôle fondamental.
• Etude statistique= étude des caractéristiques d’un
ensemble d’objets ( population composée d’individus.
• Recensement: les valeurs sont disponibles sur
l’ensemble de la population.
8
Introduction générale
• Sondage: étude d’une partie de la population (un
échantillon).
• Le statisticien n’étudie pas le caractère sur l’ensemble
de la population mais sur un échantillon extrait de la
population pour plusieurs raisons, entre autres:
9
Introduction générale
– La taille de la population peut être très
importante et le coût de l’enquête serait
trop important (coût et temps);
– L’accès à tous les individus de la population
est matériellement impossible (compléxité,
population indéfinie)
10
Introduction générale
• Un bon échantillon ( de qualité) doit
constituer une image réduite de l’ensemble de
la population (représentatif) dont on va
étudier un caractère bien défini. Dans le cas
contraire on dit que l’échantillon est biaisé.
11
Introduction générale
• Comment choisir un échantillon pour qu’il soit
représentatif? (techniques d’échantillonnage)
• Comment les paramètres de la population
peuvent- ils être estimés à partir de
l’échantillon? (estimation)
12
Introduction générale
• L’échantillonnage désigne l'opération destinée à
sélectionner une fraction d'une population, afin
de conduire des analyses.
• Méthodes de prélèvement d’un échantillon:
• Méthode des quotas;
• Échantillonnage aléatoire;
• Échantillonnage au hasard simple;
• Échantillonnage stratifié;
• Échantillonnage par grappe;…
13
• La problématique de l’inférence statistique
consiste, à partir d’un échantillon de données
(technique d échantillonnage, chapitre2)
provenant d’une population de loi de
probabilité inconnue, à déduire des propriétés
sur cette population : quelle est sa loi
(problème d’estimation, chapitre 3 et4),
comment prendre une décision en contrôlant
au mieux le risque de se tromper (problème
de test chapitre 5).
14
Introduction générale
• L'échantillonnage permet aux statisticiens de
tirer des conclusions au sujet d'un tout en y
examinant une partie. Il nous permet d'estimer
des caractéristiques d'une population en
observant directement une partie de l'ensemble
de la population. Les chercheurs ne s'intéressent
pas à l'échantillon lui-même, mais à ce qu'il est
possible d'apprendre à partir de l'enquête et à la
façon dont on peut appliquer cette information à
l'ensemble de la population.
15
CHI:LOIS USUELLES CONTINUES
• Loi normale très utilisée en statistique
inférentielle;
• Importante = une loi approchée par de nombreux
phénomènes naturels;
• Dépend de deux paramètres;
• Elle est symétrique.
16
ChI: LOIS USUELLES CONTINUES
I. LOI NORMALE
A. Loi normale générale
a. Définition
On dit qu’une v.a.r X suit une loi Normale de paramètres
et si :
17
ChI: LOIS USUELLES CONTINUES
b. Espérance et Variance :
c. Caractéristiques :
• La courbe de la loi Normale possède la forme en
« CLOCHE »
• La distribution normale est symétrique par rapport
à la droite verticale : X=µ
18
ChI: LOIS USUELLES CONTINUES
• Points d’inflexion sont situés à une distance
de cet axe de symétrie
• f atteint son maximum lorsque x=
19
ChI: LOIS USUELLES CONTINUES
• Remarque : La loi Normale générale n’est pas
Tabulée
B. La loi Normale Centrée et Réduite :
a. Variable Centré et Réduite :
• Soit X une v.a :
• S’appelle Variable Centrée.
• S’appelle Variable Centrée et Réduite.
20
ChI: LOIS USUELLES CONTINUES
• Si une V.A suit une loi normale générale, il est
difficile de calculer sa fonction de répartition F(x).
• Pour tous les calculs, on se ramène à la fonction
de répartition de la loi normale centrée réduite
(une loi TABULEE).
• Centrer et réduire une variable, c’est raisonner en
nombre d’écart type par rapport à la moyenne.
21
ChI: LOIS USUELLES CONTINUES
V.A centrée réduite a pour espérance 0 et écart
type 1
• E(U)= 0
• V(U)= 1
• La densité de probabilité de la loi normale
centrée réduite :
22
ChI: LOIS USUELLES CONTINUES
b. Théorèmes
si
Quelle est la loi de Y=a X+b?
ALORS
23
Chapitre I (suite)
• Sachant que X1 et X2 sont indépendant,
quelle est la loi de X= aX1+bX2 ?
• Conclusion
24
Chapitre I (suite)
• Exercice
• Soit . Donner la loi de probabilité de
• Soit .Donner la loi de
probabilité de
X1 et X2 sont indépendantes
25
Chapitre I (suite)
• C.Théoréme Central Limit (T.C.L)
Le TCL sera très précieux puisqu’il nous
expliquent que si on fait la somme d’un très
grand nombre de variables aléatoire de la loi
quelquonque, cette somme suit
approximativement une loi normale.
26
Chapitre I (suite)
• Soit avec (n) variables aléatoires
identiquement distribuées et indépendantes.
Alors :
• suit une loi Normale de paramètres
27
Chapitre I (suite)
D. Calcul des probabilités
a. fonction de répartition de
Soit et
Alors la fonction de répartition est notée
Avec
Cette fonction est Tabulée
28
Chapitre I (suite)
29
Chapitre I (suite)
La lecture de la table
• Elle donne la valeur de connue
• Elle donne la valeur de (u) pour connue
EXEMPLE
• Pour les valeurs négatives
• Pour les valeurs inférieures à 0,5, on utilise la
symétrie de la distribution
30
Chapitre I (suite)
• Pour certaines valeurs qui ne figurent pas sur
la table, on utilise l’intérpolation linéaire
31
Chapitre I (suite)
• Exercices d’applications
• Exercice1
• Soit
• Calculer
• La V.A X suit une loi normale d’espérance 550 et
d’Ecart type 100.
• Quelle est la probabilité pour que X soit moins de
650, plus de 746, moins de 500, entre 550 et 600
32
Chapitre I (suite)
Exercice II
• Le temps (en minutes) de fabrication d’un
bien par un ouvrier est représenté par une
variable normale (X). On considère deux
ouvriers A et B travaillent indépendamment
l’une de l’autre.
• Pour A
• Pour B
33
Chapitre I (suite)
• Si A et B commencent à travailler au même
instant, quelle est la probabilité que A termine
avant B, la première unité produite ?
Exercice III
• Calculer
• Déterminer la valeur de U
34
• A la fin de cette partie, l’étudiant doit être
capable de:
• Expliquer les caractéristiques d’une loi NORMALE;
• Définir et expliquer la valeur centrée réduite
correspondant a n’importe quelle observation
d’une variable normale (toute variable normale
peut se convertir en une variable normale
centrée réduite);
• Déterminer, a l’aide de la distribution normale
centrée réduite, la probabilité d’une variable
normale se trouvant dans un intervalle donne.
35
Chapitre I (suite)
II. Loi de khi-deux (Loi de Karl Pearçon)
a. Théorème
Soit U1,U2 ,…,Uv une suite de (v) variables Normales
Centrées et réduites indépendantes.
X suit une loi de chi deux x2 à (v) dégrée de liberté.
36
Chapitre I (suite)
(v représente le paramètre)
X=x2(v)
b.Caractéristiques de la distribution de x2(v)
• La distribution x2(v)est dissymétrique pour les
petites valeurs de (v)
• La distribution x2(v) commence à devenir symétrique à
partir v=30
37
Chapitre I (suite)
c. L’espérance et la variance
X=x2(v)
• E(X)= v
• V(X)= 2v
Exemple
X=x2(10) E(x2(10))= 10 V(x2(10))= 2 × 10
X=x2(5) E(x2(5))= 5 V(x2(5))= 2 × 5
38
Chapitre I (suite)
d. Comportement asymétrique (Approximation)
• Approximation de Fisher:
Si v≥30 alors: −
• Approximation générale:
Si v≥101 alors:
39
Chapitre I (suite)
e. Lecture de table de x2(v)
• La table x2(v) donne les valeurs de la V.A x2(v)
ayant la probabilité α d’être dépassée.
• Elle donne:
– La probabilité α si x2(v) et (v)sont connus
– La valeur de x2(v) si α et (v) sont connus.
40
Chapitre I (suite)
Exercices d’application
Exercice I
Déterminera la valeur de (k) dans chacun des
cas suivants :
• P(x2(17)>k)=0,25
• P(x2(24)>k)=0,01
• P(x2(29)<k)=0,90
41
Chapitre I (suite)
Exercice 2 :
1- Calculer le quantile d’ordre 10% pour la V.A x2(10) .
2- Déterminer la médiane de x2(15)
Exercice 3 :
Déterminer les valeurs k1 et k2 dans chacune d des
eux cas suivants :
• P(k1 < x2(9) < k2)=0,9
• P(k1 < x2(50) < k2)=0,98
42
Chapitre I (suite)
Rappel : le quantile d’ordre (α) de la variable X
est noté (q α) avec : P(X< q α) = α
Rappe2: La médiane est la modalité qui partage
la série statistique en deux parties égales.
Autrement dit :
La médiane est le quantile d’ordre α=0,50
43
Chapitre I (suite)
Exercice 4
En utilisant l’approximation de Fisher. Calculer la
valeur de k1 telle que :
P(x2(60) < k1)=0,8413
Exercice 5 :
Soit X= x2(200) Calculer la valeur de k telle que :
P(X>k)=0,0708
44
Chapitre I (suite)
III. Loi de Student (William Sealy Gosset)
a. Définition
Soit U=N(0,1) et X= x2(v)
Avec U et X sont indépendantes
Alors:
Suit une loi student à (v) degré de liberté.
• Notation : T = stud (v)
45
Chapitre I (suite)
b. Espérance mathématique et variance
Soit T = stud (v)
• E(T)= 0 (existe si v>1)
• V(T)= (existe si v>2)
c. Comportement asymétrique
Soit T = stud (v)
Si (v) tend vers l’infini alors T tend vers N(0,1)
46
Chapitre I (suite)
• Remarque
La loi de Student est généralement utilisée pour
les petits échantillons lorsque la variance de
la population est inconnue.
47
Chapitre I (suite)
IV. Loi de Fisher-Snédécor
a. Définition
X1= x2(v1) et X2= x2(v2)
X1 et X2 deux variables indépendantes
Alors la variable:
Suit une loi de Fisher de paramètres v1et v2 notée
48
Chapitre I (suite)
Remarque
La distribution de Fisher, comme celle de x2,
n’est pas symétrique.
b. Règle empirique de Fisher
• Avec est telle que:
49
Chapitre I (suite)
• La table donne les valeurs de F pour avec la
règle empirique :
50
