Sghir Aissa Chapitre 1.

Statistique descriptive

Exercice 4:
Considérons un échantillon de n = 10 fonctionnaires (ayant entre 40 et 50 ans) d’un
ministère. Soit X le nombre d’années de service et Y le nombre de jours d’absence pour
raison de maladie (au cours de l’année précédente) déterminé pour chaque personne
appartenant à cet échantillon.

xi 2 14 16 8 13 20 24 7 5 11
yi 3 13 17 12 10 8 20 7 2 8

1. Déterminer les moyennes de X et Y et la covariance entre X et Y .

2. Déterminer le coefficient de corrélation entre les variables X et Y . Donner une inter-
prétation.
3. Déterminer la droite de régression linéaire Y en fonction de X.
4. Tracer le nuage de points (X, Y ).
5. Tracer la droite de régression linéaire de Y en X.
6. vérifier que la droite de régression passe par le point (x̄, ȳ).
7. Établir, sur la base de ce modèle, le nombre de jours d’absence pour un fonctionnaire
ayant 22 ans de service.
8. Déterminer la variance résiduelle et le coefficient de détermination. Interpréter.

Exercice 5:
On étudie un échantillon de taille n = 100 sur lequel ont été mesurés deux caractères X
et Y . On a observé les résultats suivants:
100
X 100
X 100
X
xi = 800 yi = 1200 x2i = 7200
i=1 i=1 i=1

100
X 100
X
yi2 = 16000 xi yi = 10200
i=1 i=1

1. Déterminer les moyennes, les variances et la covariance de X et Y .

2. En déduire le coefficient de corrélation entre X et Y . Interpréter.
3. Déterminer la droite de régression linéaire de Y en X.
4. Déterminer la variance résiduelle et le coefficient de détermination. Interpréter.
5. Déterminer la droite de régression linéaire de X en Y .

Faculté des Sciences Oujda 25 Probabilités et Statistique SMC-S4

Chapitre 2

Notion de probabilités et
variables aléatoires

L’objectif ici de proposer un modèle mathématique permettant de décrire une situa-

tion aléatoire qui est définie à l’aide du langage des événements. La notion de probabilité
permet de quantifier la chance qu’ont les événements d’être réalisés ou non.

2.1 Vocabulaires
• Expérience aléatoire: on ne peut pas prédire a priori son résultat.
• Réalisation: un résultat possible de l’expérience aléatoire.
• Espace fondamental Ω: l’ensemble de tous les résultats possibles.
• Évènement: sous ensemble de Ω.
Exemples:

1) on tire simultanément deux boules dans

une urne qui contient quatres boules rouges,
deux boules bleues et une boule verte:

Ω = {(R1 , R2 ), (R1 , R3 ), (R2 , R3 ), (R1 , V1 ), ...} =⇒ card (Ω) = C72 = 21.

2) on lance une pièce de monnaie deux

fois:

Ω = {(P, P ), (F, P ), (P, F ), (F, F )} =⇒ card (Ω) = 4.

L’évènement A: (obtenir pile une seule fois) est A = {(F, P ), (P, F )}.

26
Sghir Aissa Chapitre 2. Notion de probabilités et variables aléatoires

3) on lance un dé une seule fois:

Ω = {1, ..., 6} =⇒ card (Ω) = 6.

L’évènement B: (obtenir un nombre pair) est A = {2, 4, 6}.

• L’union: A ∪ B est réalisé dés que A ou B est réalisé.
• L’intersection: A ∩ B est réalisé dés que A et B sont réalisés conjointement.
Dans un lancer de dé, si l’évènement A est (obtenir un nombre pair) et l’évènement
B est (obtenir un multiple de 3), alors A = {2, 4, 6}, B = {3, 6} et A ∩ B = {6}.

• Le complémentaire Ā: c’est l’évènement Ω\A.

Dans l’exemple du lancer de dé, pour A = {2, 4, 6}, on a Ā = {1, 3, 5}= (obtenir
un nombre impair).

2.2 Notion de probabilités

Définition
Une probabilité P sur un ensemble fini Ω = {ω1 , ..., ωn } est une pondération p1 , p2 , ..., pn
des éléments de cet ensemble telle que:
• Pour tout k ∈ [1 : n], pk ≥ 0.
• nk=1 pk = 1.
P

On attribue à toute éventualité ωi la probabilité pi = P ({ωi }) et on attribue à tout

évènement A ⊂ Ω la probabilité:
X
P (A) = pk .
k,ωk ∈A

Exemple:
Dans un lancer d’un dé équilibré, on a Ω = {1, ..., 6} et pk = P ({k}) = 1/6, pour tout
k ∈ [1 : 6]. Si l’évènement A est (obtenir un nombre pair strictement supérieur à 3) alors
A = {4, 6} et P (A) = P ({4}) + P ({6}) = 1/6 + 1/6 = 1/3.

Faculté des Sciences Oujda 27 Probabilités et Statistique SMC-S4

Sghir Aissa Chapitre 2. Notion de probabilités et variables aléatoires

Remarque
Dans le cas où les symétries font que tous les résultats possibles ω1 , ..., ωn sont équipro-
bables, on a:
card(A)
P (A) = .
card(Ω)
Dans l’exemple précédent, on a

card(A) 2 1
P (A) = = = .
card(Ω) 6 3

Propriétés
1. Soit A et B deux événements, alors

P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

2. 0 ≤ P (A) ≤ 1.
3. P (Ā) = 1 − P (A).
4. P (Ω) = 1, (événement certain) et P (∅) = 0, (événement impossible).

Probabilité conditionnelle et indépendance

• Soient deux événements A et B, si P (B) > 0, alors

P (A ∩ B)
PB (A) = .
P (B)

• On dit que deux événements A et B sont indépendants si P (A ∩ B) = P (A).P (A) ou

encore si PB (A) = P (A) ou PA (B) = P (B).

Exemple:
Nous jetons un dé équilibré et nous considérons les deux événements: A = (le résultat est impair)
et B = (le résultat est ≤ 4).
A = {1, 3, 5} ⇒ P (A) = 12
B = {1, 2, 3, 4} ⇒ P (B) = 32
A ∩ B = {1, 3} ⇒ P (A ∩ B) = 13
On a P (A ∩ B) = 13 = P (A).P (B) donc A et B sont indépendants.

2.3 Notion de variables aléatoires

La notion de variable aléatoire formalise l’association d’une valeur au résultat d’une
expérience aléatoire. Une variable aléatoire X est une application mesurable de l’en-
semble fondamental Ω dans R.

Faculté des Sciences Oujda 28 Probabilités et Statistique SMC-S4

Sghir Aissa Chapitre 2. Notion de probabilités et variables aléatoires

2.3.1 Variables aléatoires discrètes

Définition
• Une variable aléatoire discrète prend uniquement des valeurs dans un sous ensemble
discret E = {x1 , ..., xn , ...}.
• Une distribution de probabilité pX est une fonction qui associe à chaque valeur xi la
probabilité: pi = pX (xi ) = P (X = xi ).
Exemple:
On considère une expérience aléatoire consistant à lancer deux pièces de monnaie. L’en-
semble des résultats possibles est: Ω = {(P, P ), (F, P ), (P, F ), (F, F )}.
Considérons la variable aléatoire X représentant le nombre de faces obtenues. Les valeurs
prises par X sont 0,1,2.
p1 = P (X = 0) = 1/4, p2 = P (X = 1) = 1/2 et p3 = P (X = 2) = 1/4.
xi 0 1 2
pi = P (X = xi ) 1/4 1/2 1/4
Espérance mathématique
E(X) = 0 × 1/4 + 1 × 1/2 + 2 × 1/4 = 1.
Variance
V (X) = E(X − E(X))2 = (0 − 1)2 × 1/4 + (1 − 1)2 × 1/2 + (2 − 1)2 × 1/4 = 1/2.
Écart type p p
σ(X) = V (X) = 1/2 = 0.70.
Quelques lois discrètes usuelles

2.3.2 Variables aléatoires continues

Définition
• Une variable aléatoire X continue prend des valeurs dans un intervalle de R.
• La fonction de répartition de X est définie par:
Φ(x) = P (X ≤ x).

Faculté des Sciences Oujda 29 Probabilités et Statistique SMC-S4

Sghir Aissa Chapitre 2. Notion de probabilités et variables aléatoires

• X possède une densité notée f (x) telles que:

Z x
Φ(x) = P (X ≤ x) = f (t)dt ou encore F 0 (x) = f (x).
−∞

Espérance mathématique
Z +∞
E(X) = xf (x)dx.
−∞

Variance Z +∞
2
V (X) = E(X − E(X)) = (x − E(X))2 f (x)dx.
−∞
Quelques lois continues usuelles

Par exemple: si X suit la loi exponentielle E(λ), alors quand x > 0, sa fonction de ré-
partition vaut:
Z x Z x h ix
Φ(x) = P (X ≤ x) = f (t)dt = λ exp(−λt)dt = − exp(−λt) = 1 − e−λx .
−∞ 0 0

On calcule la moyenne par une intégration par partie:

Z +∞ Z +∞ h 1 + xλ i+∞ 1
E(X) = xf (x)dx = xλ exp(−λx)dx = − exp(−λx) = .
−∞ 0 λ 0 λ

• Loi normale N (0, 1) de moyenne 0 et de variance 1

La table statistique ci-dessus nous donne pour chaque z > 0 la valeur:

Φ(z) = P (Z ≤ z) = P (Z < z).

Faculté des Sciences Oujda 30 Probabilités et Statistique SMC-S4

Sghir Aissa Chapitre 2. Notion de probabilités et variables aléatoires

Pour z < 0, on a Φ(−z) = 1 − Φ(z).

On a aussi P (Z ≥ z) = P (Z > z) = 1 − Φ(z),
et P (a < X < b) = Φ(b) − Φ(a).
Exemples:
P (Z ≤ 0.25) = Φ(0.25) = Φ(0.20 + 0.05) = 0.5987. Cette dernière valeur est l’intersec-
tion de la ligne 0.2 et la colonne 0.05 dans la table statistique.
P (Z > 0.25) = 1 − Φ(0.25) = 1 − 0.5987 = 0.4013.
Φ(−0.25) = 1 − Φ(0.25) = 1 − 0.5987 = 0.4013.
P (|Z| < 0.25) = P (−0.25 < Z < 0.25) = Φ(0.25) − Φ(−0.25)
= Φ(0.25)−(1−Φ(0.25)) = 2Φ(0.25)−1 = 0.1974.

Loi normale N (µ, σ 2 ) de moyenne µ > 0 et de variance σ 2

X −µ
Si X suit la loi normale N (µ, σ 2 ) alors Z suit la loi normale N (0, 1) avec Z = .
σ
Exemple:
Si X ∼ N (72, 64) alors la moyenne est µ = 72 et l’écart type σ = 8. Dans ce cas la
variable aléatoire:
X − 72
Z= ∼ N (0, 1),
8
par suite  
X − 72 80 − 72
P (X > 80) = 1 − P (X ≤ 80) = 1 − P ≤
8 8
= 1 − P (Z ≤ 1) = 1 − Φ(1) = 1 − 0.8413 = 0.1587.

Faculté des Sciences Oujda 31 Probabilités et Statistique SMC-S4