MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Dédicaces & Remerciements

y
em
T ou s l
es l
aur é
ats d es s es si on s ant
éri eur es : Élèves Démographes à lIFORD
MENSA Academy

L es
d epui s

aut
eur s
cad
l exi st
en c
e

r em er ci ent

d e

lE ntr epri s e

pr euve
.

MENSA Academy
V ou s

vivant
e
f
ait
es

qu e
n otr e

s eul
fi ert
é

l
e

c
on stitu é
e

et

tr avail

d'un e
êt
es l
a

p ay
e.

é
qui p e

tr ès effi c
a c
e qui a p ermi s à c
e qu e c
e livr e s oit publi é d an s plu si eur s
AA
M ai s on s d'É diti on à lin st
ar d e Horizon + & Optimum , d' avoir mi s à l
a

di s p ositi on d es autr es p ays afri c
ain s qu el
qu es ex
em pl
air es.

La perfection n’étant pas de ce monde, toute suggestion/erreur relevée dans ce livre est
NS

la bienvenue. Vous pourrez le faire par mail : louishenri2018@[Link] ou via le

moyen téléphonique suivant - WhatsApp : +237 655 333 073. De ce fait, le message doit
se présenter comme suit : Suggestion(s)/erreur(s) à signaler - Stat & Proba Édition 2026
*** Vous vous présentez et enfin, vous indiquez la page, la suggestion ou l’erreur en
ME

question *** Toute question est également la bienvenue.

i
 ii

MENSA Academy
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

1556 Yaoundé II, IFORD

294 Yaoundé, ISSEA - Rue Pasteur
08 BP 03 Abidjan, ENSEA

y
45512 Dakar, ENSAE
03 BP 1079 Cotonou, ENEAM

em
1096 ASECNA, Niamey
2067 EAMAU, Lomé
[Link]

cad
Dans la même collection

Économie
Culture Générale,
Mathématiques ISE
AA
Statistiques descriptives,
Statistiques-Probabilités,
Mathématiques pour économistes

Toute reproduction ou représentation intégrale ou par-

tielle par quelque procédé que ce soit des pages pu-
NS

bliées dans le présent ouvrage, faite sans l’autorisation de

l’éditeur est illicite et constitue une contrefaçon. Seules
sont autorisées, les reproductions strictement réservées à
l’usage privé du copiste et non destinées à une utilisa-
ME

tion collective. Il s’agit donc de la propriété intellectuelle

de l’auteur et n’engage que lui et celle de l’Entreprise
MENSA Academy.

ISBN 13 : x xxxxxxx xxxxxx

ISBN 10 : y yyy yyy yyy
BookEditions
Horizon +
Optimum
MENSA Academy
 MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Avant-Propos

y
em
Chaque année, de centaines d’étudiants sont confrontés à des difficultés liées à leur pré-
paration au concours de l’IFORD et ce, pour quelques raisons dont la principale est la non-
exhaustivité des cours et la quasi-absence de certaines épreuves passées et évidemment leurs
corrigés. MENSA Academy met donc à votre disposition ce document qui va retracer les cha-
pitres importants pour braver son épreuve de statistique et probabilités au concours. Il présente

cad
un condensé de cours des chapitres phares, des résumés de certains chapitres et bien-sur, expli-
cite les anciens sujets en statistique et probabilité pour les voies A et B. Cependant, le chapitre
sur la statistique descriptive (caractéristiques de tendance centrale, de dispersion et de disper-
sion relative pour l’analyse univariée et bivariée) n’est pas présentée ici. Pour ceux qui feront les
AA
cours, vous aurez évidemment les notes de cours détaillant ligne par ligne ce chapitre, clé pour
le concours de l’IFORD puisqu’à ce niveau, les interprétations ont tout leur sens ■
NS
ME

iii
 iv

Félicitations aux Lauréats !

1. ISE long/AS (2024) MAKPUNE Andre (ISSEA)

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

AGHOKENG Sandra (ISSEA) NTONGME Arsène (ENSEA)

BETSI Marc (ISSEA) PAHANE Kerencia (ENSAE)

y
DASEBO Etienne (ENSEA) PELAP Franck Axel (ISSEA)
DJAM A BITANG (ISSEA) SOLANGE Difo (ISSEA)

em
EBALA Quentin (ISSEA) TCHUIDJANG Jorexe (ENSEA)
FIRIDA Aimée Brigitte (ISSEA) 4. IFORD (2024)
FOTIO Yan Mayel (ISSEA) AVOM Paul Antoine (3ème)
GAPILI Kadi (ISSEA) KUATE Cabrel (7ème)

cad
KAZE Ariane Laure (ENSEA)
LEMA Léocadie (ISSEA)
MBIDA William (ISSEA)
NGUIMATSIA Henri.
1. ISE Long/AS (2023)
ABENA BALA Marc Loïc (ISSEA)
NANTIA Mégane (ENSEA) AGNANGMA David Landry (ENSAE)
NDJOCKO Gaston (ISSEA) AKONO Joseph Ariel (ISSEA)
AA
NOUMEN Yvan Rayan (ISSEA) DAIFFERLE Marianne (ENSAE)
NZAMBOU Sagesse (ISSEA) DONKENG Manuelle Idrisse (ENSEA)
TAMETSA Anderson Bryan (ISSEA) HASSANA Mohamadou (ISSEA)
TIENGA Marc Jorel (ISSEA) MFOYET bdellatif (ISSEA)
TOUMBA Pascal (ENSEA) MOGUEM TABUE Erina Lucelle (ISSEA)
NS

YEMELI Horlus Boban (ISSEA) MOUALA NGABILANG Lucrèce (ENSEA)

YEMELI SAAH Crespo (ENSAE) NGUEAJIO DONGMO Franck (ENSAE)
YETNA OTTO Polycarpe (ISSEA) NKWA TSAMO Leslye Patricia (ENSAE)
ZEETSOP Boslin (ENSEA) ZE II Jonathan Patrick (ISSEA)
ZEUNANG Fredy (ENSEA) 2. ISE Option Eco (2023)
ME

2. ISE Option Eco (2024) ATEBA Joseph Stève (ISSEA)

ATEBA ONDOUA Aristide (ENSEA) IKIA AMBOYA Grace (ISSEA)
EWOUNDJO Christian (ISSEA) NJIFON MOUNCHINGAM (ISSEA)
DIMI Firsule (ENSEA) NYANGONO AKONO Jenny (ISSEA)
MALGOUBRI Abdou-Aziz (ENSEA) ONANA ABENA Valery (ENSEA)
NGOLLONG Franck Nelson (ENSEA) SEYDOU Ferdinand (ISSEA)
NOGA Dilane Cabbel (ISSEA) 3. ISE Option Maths (2023)
3. ISE Option Maths (2024) AWADJOU Rodrigue Pavel (ISSEA)
FOUDJIN Karlane (ENSEA) KENMOGNE Marelle Ingrid (ENSEA)
KUATE Cabrel (ISSEA) KEOUL Maab Mara (ISSEA)
 v

MAGUETSWET Rivalien (ISSEA) FARAITINI Christ Justin (ISSEA)

MATANG KUETE Josette (ENSAE) KAPI TCHIAWOU Blanche (ISSEA)
NGUIMGO Mikadeau (ISSEA) KENFACK Joséphine Elza (ISSEA)
YABOYA Anicet Marius (ISSEA) MBA-NZE Stéphane Emmanuel (ISSEA)

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
4. IFORD (2023) NGOUATIO Maguy Bricelle (ISSEA)
AWADJOU Rodrigue Pavel (1er) NGOUDJO DEUMAGA Kell (ENSEA)
CAROLINE EBONGUE (Voie A) TOUKAM LOWE Sandra (ISSEA)

y
KEOUL MAAB MARA 2. ISE Option Eco (2022)

em
MBENE NGUEDE Jessica (6ème) MISSENGUE Exaucée (ISSEA)
METOUKE ADIANG Vidal MOSSE Isabelle Danielle (ENSAE)
YABOYA Anicet Marius (7ème) NGAH KEDE Armel Bruno (ISSEA)
1. ISE Long/AS (2022) SHERIFFA MVUH (ISSEA)

cad
DITCHIBE Bertrand (ISSEA) TAGNE Rinel Valdy (ISSEA)
AA
NS
ME
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Table des matières

y
em
1 Présentation générale de l’IFORD 2
1.1 Conditions d’entrée à l’IFORD . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Les débouchés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Le programme de culture générale (Types A & B) . . . . . . . . . . . . . . . . 3
1.4

1.4.2
cad
Le programme de l’épreuve de probabilités et statistique (Concours B) . . . . .
1.4.1 Statistique descriptive . . . . . . . . . . . . . . . . . . . . . . . . . .
Probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
4
5
1.4.3 Statistique mathématique . . . . . . . . . . . . . . . . . . . . . . . . . 5
AA
1.5 Le programme de Mathématiques (Concours B) . . . . . . . . . . . . . . . . . 5
1.5.1 Éléments de la théorie des ensembles . . . . . . . . . . . . . . . . . . 5
1.5.2 Analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.3 Algèbre linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6 Le programme de l’épreuve de probabilités et statistique (Concours A) . . . . 7
1.7 Le programme de Mathématiques (Concours A) . . . . . . . . . . . . . . . . . 7
NS

1.7.1 Équations et inéquations . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.7.2 Éléments de la théorie des ensembles . . . . . . . . . . . . . . . . . . 8
1.7.3 Fonctions numériques d’une variable réelle . . . . . . . . . . . . . . . 8
ME

2 Lois de probabilité 9
2.1 Résumé des lois de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.1 Lois discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.2 Lois absolument continues . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2 Quelques exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . 13

3 Résumé du cours sur les intervalles de confiance et les tests d’hypothèse 17

3.1 Formules clés - Intervalles de confiance . . . . . . . . . . . . . . . . . . . . . 17
3.1.1 Moyenne d’une population : cas où 𝜎 est connu . . . . . . . . . . . . . 17
3.1.2 Moyenne d’une population : cas où 𝜎 est inconnu . . . . . . . . . . . . 17
3.1.3 Proportion d’une population . . . . . . . . . . . . . . . . . . . . . . . 18

vi
TABLE DES MATIÈRES vii

3.1.4 Taille d’échantillon de l’intervalle de confiance pour la moyenne d’une

population . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.1.5 Taille d’échantillon de l’intervalle de confiance pour la proportion d’une
population . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
3.2 Formules clés - Tests d’hypothèse . . . . . . . . . . . . . . . . . . . . . . . . 18

y
4 Généralités sur les tests d’hypothèse 20
4.1 Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

em
4.2 Exemples de problèmes de tests : . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.3 Cadre général des tests paramétriques . . . . . . . . . . . . . . . . . . . . . . 22
4.3.1 Principe de NEYMAN . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3.2 Test uniformément le plus puissant . . . . . . . . . . . . . . . . . . . . 24

5.2
cad
Test d’une hypothèse contre une autre
5.1 Cadre du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Théorème de NEYMAN - PEARSON . . . . . . . . . . . . . . . . . . . . . .
26
26
26
5.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.4 Probabilité critique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
AA
5.5 Lien entre test UPP de Neyman et statistique exhaustive . . . . . . . . . . . . . 30

6 Tests d’hypothèses composites 31

6.1 Tests d’hypothèses unilatérales . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6.1.1 Famille de lois à rapport de vraisemblances monotones (RVM) . . . . . 31
NS

6.1.2 Théorème de Lehman . . . . . . . . . . . . . . . . . . . . . . . . . . 32

6.2 Tests d’hypothèses bilatérales . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
6.2.1 Test de l’extérieur d’un intervalle . . . . . . . . . . . . . . . . . . . . 33
6.2.2 Test de l’intérieur d’un intervalle . . . . . . . . . . . . . . . . . . . . . 35
6.2.3 Cas particulier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
ME

6.3 Lien entre région critique du test et région de confiance du paramètre . . . . . . 36

7 Tests en présence de paramètres nuisibles et tests asymptotiques généraux 37

7.1 Paramètre scalaire en présence d’un paramètre nuisible . . . . . . . . . . . . . 37
7.2 Généralisation : test sur une fonction scalaire des paramètres . . . . . . . . . . 38
7.3 Tests asymptotiques généraux . . . . . . . . . . . . . . . . . . . . . . . . . . 39
7.3.1 Fondement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
7.3.2 Test de WALD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
7.3.3 Test du rapport des maxima de vraisemblance . . . . . . . . . . . . . . 40
7.3.4 Test des scores(Test du multiplicateur de Lagrange) . . . . . . . . . . . 41
 viii TABLE DES MATIÈRES

8 Tests de comparaison d’échantillons (Tests empiriques) 42

8.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
8.2 Comparaison de deux fréquences . . . . . . . . . . . . . . . . . . . . . . . . . 42
8.2.1 Comparaison d’une fréquence expérimentale et d’une fréquence théo-
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

rique (test de conformité) . . . . . . . . . . . . . . . . . . . . . . . . . 42

8.2.2 Comparaison de deux fréquences expérimentales (Test d’homogénéité) 43
8.3 comparaison de moyennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

y
8.3.1 Comparaison d’une moyenne expérimentale et une moyenne théorique

em
(Test de conformité) . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
8.3.2 Comparaison de deux moyennes expérimentales (Test d’homogénéité
dans deux échantillons indépendants) . . . . . . . . . . . . . . . . . . 44
8.3.3 Commparaison de deux moyennes expérimentales dans le cas d’échan-

8.4
8.4.1
8.4.2
cad
tillons appariés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Comparaison de deux variances . . . . . . . . . . . . . . . . . . . . . . . . .
Variance théorique et variance expérimentale (Test de conformité) . . .
Comparaison de deux variances expérimentales . . . . . . . . . . . . .
46
46
46
47
AA
9 Tests de l’adéquation du modèle : Tests non paramétriques 48
9.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
9.2 Le théorème de Pearson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
9.3 Tests d’adéquation à une loi spécifiée . . . . . . . . . . . . . . . . . . . . . . 49
9.3.1 Test de KOLMOGOROV . . . . . . . . . . . . . . . . . . . . . . . . 49
9.3.2 Test de KUIPER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
NS

9.3.3 Test d’adéquation du  2

. . . . . . . . . . . . . . . . . . . . . . . . . 50
9.4 Test du  2 d’adéquation à une famille de lois . . . . . . . . . . . . . . . . . . 50
9.5 Comparaison de l’échantillon (𝑙 > 2) : Test d’homogénéité . . . . . . . . . . . 51
9.6 Test d’indépendance entre deux caractères dans un tableau de contingence . . . 52
ME

9.7 Test du coefficient de corrélation . . . . . . . . . . . . . . . . . . . . . . . . . 52

10 Quelques anciens sujets 55

Statistique & Probabilités - IFORD Voie B session 2025 . . . . . . . . . . . . . . . 55
Statistique & Probabilités - IFORD Voie A session 2025 . . . . . . . . . . . . . . . 58
Statistique & Probabilités - IFORD Voie B session 2024 . . . . . . . . . . . . . . . 61
Statistique & Probabilités - IFORD Voie B session 2024 . . . . . . . . . . . . . . . 64
Statistique & Probabilités - IFORD Voie B session 2023 . . . . . . . . . . . . . . . 66
Statistique & Probabilités - IFORD Voie A session 2023 . . . . . . . . . . . . . . . 69
Statistique & Probabilités - IFORD Voie B session 2022 . . . . . . . . . . . . . . . 71
Statistique & Probabilités - IFORD Voie A session 2022 . . . . . . . . . . . . . . . 73
TABLE DES MATIÈRES 1

Statistique & Probabilités - IFORD Voie B session 2021 . . . . . . . . . . . . . . . 75

Statistique & Probabilités - IFORD B 2019 - Cameroun . . . . . . . . . . . . . . . . 78
Statistique & Probabilités - IFORD Voie A session 2019 . . . . . . . . . . . . . . . 80
Statistique & Probabilités - IFORD A 2019 - Cameroun . . . . . . . . . . . . . . . . 83

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Statistique & Probabilités - IFORD Voie B session 2018 . . . . . . . . . . . . . . . 85
Statistique & Probabilités - IFORD Voie A session 2018 . . . . . . . . . . . . . . . 88
Statistique & Probabilités - IFORD Voie B session 2017 . . . . . . . . . . . . . . . 91

y
Statistique & Probabilités - IFORD Voie A session 2017 . . . . . . . . . . . . . . . 94

em
Statistique & Probabilités - IFORD Voie A session 2016 . . . . . . . . . . . . . . . 97
Statistique & Probabilités - IFORD Voie B session 2015 . . . . . . . . . . . . . . . 99
Statistique & Probabilités - IFORD Voie A session 2015 . . . . . . . . . . . . . . . 103
Statistique & Probabilités - IFORD Voie B session 2014 . . . . . . . . . . . . . . . 105

cad
Statistique & Probabilités - IFORD Voie A session 2014 . . . . . . . . . . . . . . . 109
AA
NS
ME
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Chapitre 1

y
Présentation générale de l’IFORD

em
L’Institut de Formation et de Recherche Démographiques est un centre d’excellence pour la

cad
formation professionnelle des cadres africains et l’appui aux États membres et aux organismes
partenaires dans le domaine des sciences de la population et du développement. A ce titre, la
formation en Master Professionnel en Démographie à l’IFORD contribue d’une part au renfor-
cement des capacités et des compétences des cadres africains et des administrations afin qu’ils
assurent mieux l’élaboration, l’exécution, le suivi et l’évaluation des programmes et projets en
AA
matière de population et développement. D’autre part, elle apporte une contribution efficace et
efficiente aux cadres stratégiques (nationaux et internationaux) actuels de lutte contre la pau-
vreté, pauvreté qui touche particulièrement les jeunes. En 40 ans d’existence, l’IFORD a formé
près de 800 démographes.
NS

1.1 Conditions d’entrée à l’IFORD

L’entrée à l’IFORD se fait sur concours. A cet effet, un concours international est organisé
chaque année dans les 23 pays membres. Il faut noter toutefois qu’un pays peut ne pas éprouver le
besoin d’organiser le concours. L’organisation matérielle du concours est assurée généralement
ME

par la Direction nationale de la Statistique ou toute autre institution désignée par le pays desservi.
Les candidats, quel que soit leur pays d’origine, composent dans les centres ouverts dans leur
pays de résidence. Deux types de concours sont organisés et les diplômes requis diffèrent selon
le type de concours. Le concours type A est destiné aux candidats titulaires d’une licence dans
les filières suivantes :
— démographie ;
— Géographie ;
— Sociologie ;
— Anthropologie.
Le concours type B quant à lui est ouvert aux candidats titulaires d’un Diplôme d’Ingénieur

2
1.2. LES DÉBOUCHÉS 3

des Travaux Statistiques ou d’une licence dans les filières suivantes :

— Sciences Économiques ;
— Statistiques ;
— Mathématiques ;

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
— Informatique.
Peuvent également faire acte de candidature, pour chaque type de concours, les candidats titu-
laires de tout autre diplôme jugé équivalent par la Direction Exécutive de l’Institut. Le concours

y
porte sur trois épreuves d’une durée de 4 heures chacune et la note de chaque épreuve compte

em
pour 1/3 : une épreuve de culture générale commune à tous les candidats (concours type A et
type B), une épreuve de mathématiques et une épreuve de probabilités et statistique pour les
candidats de chaque type de concours.
L’admission des candidats au concours est prononcée par un jury qui travaille dans la sé-

cad
rénité et délibère en toute objectivité et seuls les meilleurs candidats sont retenus. L’admission
définitive est conditionnée par l’obtention d’une bourse d’études qui peut être financée directe-
ment par les gouvernements des pays membres ou indirectement par les organismes tels l ’UNFP
A, l’UNICEF, l’ACBF, la Banque Mondiale, la Coopération Française, la Coopération Belge,
l’Union Européenne, etc.
AA

1.2 Les débouchés

A leur sortie de l’IFORD, diverses portes sont ouvertes aux Jeunes professionnels démo-
graphes :
— Instituts nationaux de statistique ;
NS

— Fonction Publique ;
— Universités t Instituts de Recherche ;
— Organismes Internationaux et ONGs ;
— Toutes structures travaillant dans le domaine de la population et des ressources humaines ;
ME

— Secteurs privés ;
— etc.

1.3 Le programme de culture générale (Types A & B)

L’épreuve de culture générale porte sur un sujet d’ordre général ne nécessitant pas pour le
candidat de faire preuve de connaissances techniques particulières. Le candidat aura le choix
entre deux sujets : une dissertation ou un commentaire de texte portant sur un sujet d’ordre
général touchant aux problèmes de développement.
L’évaluation du candidat est basée sur sa capacité d’analyse et d’argumentation ainsi que sur
 4 CHAPITRE 1. PRÉSENTATION GÉNÉRALE DE L’IFORD

le degré de connaissance qu’il a des problèmes de développement. Sont aussi prises en compte
les aptitudes du candidat à bien rédiger la langue française. Il est recommandé au candidat, pour
la préparation de cette épreuve, de lire les ouvrages généraux sur l’actualité africaine et mondiale
relative à ces problèmes.
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

1.4 Le programme de l’épreuve de probabilités et statistique

y
(Concours B)

em
1.4.1 Statistique descriptive
1. Objet de la statistique descriptive, unités statistiques, caractères qualitatifs, caractères
quantitatifs, variables statistiques discrètes, variables statistiques continues.

cad
2. Distributions statistiques à un caractère : tableaux statistiques, représentation graphique.

3. Description numérique d’une variable statistique : caractéristiques de tendance centrale

(médiane, mode, moyenne) ; caractéristiques de dispersion (différences, écarts, écart qua-
dratique moyen, quartiles, moments centrés, moments non centrés) ; caractéristiques de
AA
forme (coefficient d’asymétrie, coefficient d’aplatissement) ; caractéristiques de concen-
tration (courbe de concentration, indice de concentration médiale).

4. Ajustement d’une distribution observée à une distribution théorique (loi binomiale, loi
de Poisson, loi gamma, loi normale, loi lognormale, loi de Pareto).

5. Distributions statistiques à deux caractères : tableaux statistiques, distributions margi-

NS

nales, distributions conditionnelles, indépendance, liaison fonctionnelle, représentation

graphique, papiers fonctionnels.

6. Description numérique des séries statistiques à deux caractères quantitatifs ; distributions

marginales et conditionnelles, moyennes et variances marginales, moyennes et variances
ME

conditionnelles, courbes de régression, rapport de corrélation, coefficient de corrélation

linéaire, principe de l’ajustement linéaire et droite des moindres carrés.

7. Séries chronologiques : composantes d’une série chronologique, méthode analytique et

méthodes empiriques d’analyse d’une série chronologique.

1.4.2 Probabilités
1. Analyse combinatoire : arrangement avec et sans répétition, permutations avec et sans
répétition, combinaisons avec et sans répétition.

2. Notion de probabilité : événements, espace de probabilités, mesure de probabilité.

1.5. LE PROGRAMME DE MATHÉMATIQUES (CONCOURS B) 5

3. Axiome des probabilités totales, axiome des’ probabilités composées (probabilité condi-
tionnelle, indépendance entre événements) ; théorème de Bayes.

4. Les schémas de tirages probabilistes : tirage exhaustif, tirage bernouillien, notion d’échan-
tillon.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
5. Variables aléatoires : variables aléatoires discrètes à une et deux dimensions, variables
aléatoires continues à une ou deux dimensions, caractéristiques d’une variable aléatoire

y
(moments centrés, moments non centrés), indépendance, liaison fonctionnelle, corréla-
tion, décomposition de la variance.

em
6. Fonctions génératrices des moments.

7. Principales lois d’usage courant : lois à une dimension (loi uniforme discrète, loi uni-
forme continue, loi de Bemoulli, loi binomiale, loi de Poisson, loi gamma, loi normale,

cad
loi log normale, loi béta, loi du 𝜒 2 , loi de Fisher-Snedecor, loi de Student), loi normale
à deux dimensions.

8. Fonctions de variables aléatoires : fonction d’une variable aléatoire, fonction de plusieurs

variables aléatoires, addition de variables aléatoires.

9. Convergences stochastiques et applications : inégalité de Bienaymé-Tchebychev, conver-

AA
gence en loi, convergence en probabilité, loi faible des grands nombres, théorème central
limite.

1.4.3 Statistique mathématique

NS

1. Estimation ponctuelle : estimation d’un ou plusieurs paramètres d’une loi de probabilité ;

estimation d’une ou de plusieurs caractéristiques d’une population finie.

2. Estimation par intervalles.

3. Test d’adéquation du 𝜒 2 .
ME

1.5 Le programme de Mathématiques (Concours B)

1.5.1 Éléments de la théorie des ensembles

1. Ensemble : inclusion, intersection, réunion, partie ou sous- ensemble, ensemble des par-
ties d’un ensemble, différence, ensemble produit, partition d’un ensemble.

2. Relations binaires : définition, propriétés possibles d’une relation binaire, relations d’ordre
et d’équivalence, classes d’équivalence, ensemble ordonné.

3. Applications : définition, injection, surjection, bijection.

 6 CHAPITRE 1. PRÉSENTATION GÉNÉRALE DE L’IFORD

4. Lois de composition : définition, propriétés possibles d’une loi de composition interne

(commutativité, associativité, élément neutre, élément symétrique, distributivité d’une
loi par rapport à une autre) ; loi de composition externe ; groupe ; anneau ; corps.
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

1.5.2 Analyse
1. Progressions arithmétique et géométrique.

y
2. Notions sommaires sur la structure de R ; notion de valeur absolue.

em
3. Nombres complexes ; formule de Moivre.
4. Suites et séries : règles classiques de convergence.
5. Fonctions réelles d’une variable réelle : continuité, limites dérivées, différentielles ; théo-
rème des accroissements finis ; formule de Taylor ; formule de Mac-Laurin.

cad
6. Principales fonctions réelles d’une variable réelle : fonction puissance, fonction loga-
rithme, fonction exponentielle.
7. Fonctions circulaires et principaux résultats de trigonométrie.
8. Développements limités au voisinage d’un point, développements limités à l’infini.
AA
9. Étude de la variation d’une fonction réelle d’une variable et construction des courbes
représentatives, extremum, point d’inflexion, asymptote parabolique.
10. Calcul intégral :
(a) Intégrale définie : méthodes classiques du calcul intégral, interprétation géométrique ;
(b) Intégrale généralisée : cas où. la fonction à intégrer devient infinie ; principaux cri-
NS

tères de convergence.
11. Fonctions réelles de plusieurs variables réelles :

(a) Limites et continuité (notions sommaires) ;

(b) Différentielles, dérivées partielles ; élasticités, lignes de niveau ou courbes d’indiffé-
ME

rence ;
(c) Extremum d’une fonction réelle de plusieurs variables réelles, multiplicateurs de La-
grange ;
(d) Intégrales doubles.

1.5.3 Algèbre linéaire

1. Espaces vectoriels.
2. Applications linéaires.
3. Matrices : définition, produit d’une matrice par un scalaire, somme et produit de matrices.
1.6. LE PROGRAMME DE L’ÉPREUVE DE PROBABILITÉS ET STATISTIQUE (CONCOURS A) 7

4. Déterminants, inversion d’une matrice régulière.

5. Résolution des systèmes d’équations linéaires (résolution matricielle).
6. Matrices carrées, diagonales, triangulaires, symétriques, antisymétriques.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
7. Puissances successives d’une matrice carrée. Applications à la résolution des équations
linéaires récurrentes.
8. Valeurs propres, vecteurs propres ; diagonalisation des matrices carrées ; formes quadra-

y
tiques.

em
1.6 Le programme de l’épreuve de probabilités et statistique
(Concours A)

cad
1. Espaces probabilisés finis ; axiomes des probabilités, indépendances entre événements ;
théorème de Bayes.
2. Schémas de tirage avec remise et sans remise.
3. Variable aléatoire réelle, discrète, finie : définition, fonction de répartition, loi de Be-
AA
mouilli, loi binomiale.
4. Couple de variables aléatoires réelles, discrètes, finies : loi du couple, lois marginales,
lois conditionnelles ; indépendance des deux variables du couple.
5. Espérance mathématique d’une variable aléatoire ; propriétés.
6. Variance, écart-type d’une variable aléatoire.
NS

7. Description statistique d’une population ou d’un échantillon : documents statistiques,

représentations graphiques, effectifs, fréquences, moyenne, écart-type.
ME

1.7 Le programme de Mathématiques (Concours A)

1.7.1 Équations et inéquations

1. Équation et inéquation du premier degré à une inconnue dans ℝ.
2. Système de deux équations du premier degré à deux inconnues ; déterminant.
3. Racine carrée d’un nombre positif ou nul ;
4. Équation du second degré à une inconnue dans ℝ, somme et produit des racines.
5. Signe du trinôme du second degré ; position d’un nombre par rapport aux zéros d’un
trinôme du second degré ; inéquations du second degré.
 8 CHAPITRE 1. PRÉSENTATION GÉNÉRALE DE L’IFORD

1.7.2 Éléments de la théorie des ensembles

1. Ensembles : inclusion, intersection, réunion, partie ou sous-ensemble, ensemble des par-
ties d’un ensemble, ensemble produit, partition d’un ensemble.
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

2. Relations binaires : définition, propriétés possibles, relations d’ordre et d’équivalence.

3. Applications : définition, injection, surjection, bijection.

y
4. Lois de composition interne : définition, commutativité, associativité, élément neutre,
élément symétrique, distributivité d’une loi par rapport à l’autre.

em
1.7.3 Fonctions numériques d’une variable réelle
1. Limite, continuité d’une fonction.

cad
2. Dérivée d’une fonction en un point ; dérivée d’une fonction composée de deux fonctions
dérivables ; application à l’étude du sens de variation ; représentation graphique.
3. Exemples de fonctions numériques d’une variable réelle.
4. Primitive d’une fonction : définition, propriétés ; application ; calcul d’aire.
AA
NS
ME
 MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Chapitre 2

y
Lois de probabilité

em
2.1 Résumé des lois de probabilité

2.1.1 cad
Lois discrètes
Distribution de Bernoulli

— Loi de probabilité : ℙ(𝑋 = 0) = 𝑞, ℙ(𝑋 = 1) = 𝑝 où 𝑞 = 1 − 𝑝.

AA
— Espérance : 𝔼(𝑋) = 𝑝 ; Variance : Var(𝑋) = 𝑝𝑞.
— Fonction génératrice : 𝔼(𝑧𝑋 ) = 𝑝𝑧 + 𝑞

Distribution Binomiale : (𝑛, 𝑝)

(𝑛) 𝑘 𝑛−𝑘
— Loi de probabilité : ℙ(𝑋 = 𝑘) = 𝑝 𝑞 , où 𝑞 = 1 − 𝑝 et 𝑘 = 0, ..., 𝑛.
NS

𝑘
— Espérance : 𝔼(𝑋) = 𝑛𝑝 ; Variance : Var(𝑋) = 𝑛𝑝𝑞.
— Fonction génératrice : 𝔼(𝑧𝑋 ) = (𝑝𝑧 + 𝑞)𝑛

Distribution de Poisson ((𝜆))

ME

𝜆𝑘
— Loi de probabilité : ℙ(𝑋 = 𝑘) = e−𝜆 , avec 𝑘 = 0, 1, ....
𝑘!
— Espérance : 𝔼(𝑋) = 𝜆 ; Variance : Var(𝑋) = 𝜆.
— Fonction génératrice : 𝔼(𝑧𝑋 ) = e𝜆(𝑧−1) .

Distribution Géométrique : (𝑝)

— Loi de probabilité : ℙ(𝑋 = 𝑘) = 𝑝𝑞 𝑘−1 , où 𝑞 = 1 − 𝑝 et 𝑘 = 1, ..., 𝑛.

1 𝑞
— Espérance : 𝔼(𝑋) = ; Variance : Var(𝑋) = 2 .
𝑝 𝑝
𝑝𝑧
— Fonction génératrice : 𝔼(𝑧 ) =
𝑋
.
1 − 𝑞𝑧

9
 10 CHAPITRE 2. LOIS DE PROBABILITÉ

Distribution Hypergéométrique : (𝑁, 𝑛, 𝑝)

(𝑁𝑝 )( 𝑁𝑞 )
— Loi de probabilité : ℙ(𝑋 = 𝑘) = 𝑘
(𝑁 )
𝑛−𝑘
, où 𝑞 = 1 − 𝑝 et
𝑛
max(0, 𝑛 − 𝑁𝑞 ) ⩽ 𝑘 ⩽ min(𝑁𝑝 , 𝑛).
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

𝑁 −𝑛
— Espérance : 𝔼(𝑋) = 𝑛𝑝 ; Variance : Var(𝑋) = 𝑛𝑝𝑞 .
(𝑁𝑞 ) 𝑁 −1
— Fonction génératrice : 𝔼(𝑧𝑋 ) = (𝑁𝑛 ) 𝐹 (−𝑛, −𝑁𝑝 ; 𝑁𝑞 − 𝑛 + 1; 𝑧).

y
𝑛

em
Distribution Binomiale négative
( ) 𝑟 𝑘
— Loi de probabilité : ℙ(𝑋 = 𝑘) = 𝑘+𝑟−1𝑟−1
𝑝 𝑞 , où 𝑞 = 1 − 𝑝 et 𝑘 = 0, 1, ...,.
𝑟𝑞 𝑟𝑞
— Espérance : 𝔼(𝑋) = ; Variance : Var(𝑋) = 2 .
𝑝 ( )𝑟 𝑝

cad
— Fonction génératrice : 𝔼(𝑧𝑋 ) =

Distribution de Pascal
𝑝
1 − 𝑞𝑧

( ) 𝑟 𝑘−𝑟
— Loi de probabilité : ℙ(𝑋 = 𝑘) = 𝑘−1
𝑟−1
𝑝 𝑞 , où 𝑞 = 1 − 𝑝 et 𝑘 = 𝑟, 𝑟 + 1, ....
AA
𝑟 𝑟𝑞
— Espérance : 𝔼(𝑋) = ; Variance : Var(𝑋) = 2 .
𝑝 ( )𝑟 𝑝
𝑝𝑧
— Fonction génératrice : 𝔼(𝑧𝑋 ) =
1 − 𝑞𝑧
Remarques
∑
+∞
𝑎(𝑎 + 1)...(𝑎 + 𝑛 − 1)...(𝑏 + 𝑛 − 1) 𝑧𝑛
• Fonction hypergéométrique : 𝐹 (𝑎, 𝑏; 𝑐; 𝑧) = .
𝑛=0
𝑐(𝑐 + 1)...(𝑐 + 𝑛 − 1) 𝑛!
• La somme de 𝑛 v.a. indépendantes suivant la loi de Bernoulli de paramètre 𝑝 suit une loi
NS

binomiale de paramètres 𝑛 et 𝑝 : (𝑛, 𝑝).

• La somme de deux v.a. indépendantes suivant les lois binomiales (𝑚, 𝑝) et (𝑛, 𝑝) suit
la loi binomiale : (𝑚 + 𝑛, 𝑝).
• La somme de deux v.a. indépendantes suivant les lois de Poisson (𝜆) et (𝜇) suit la loi
ME

de Poisson : (𝜆 + 𝜇).

• La somme de deux v.a. indépendantes suivant les lois binomiales négatives de paramètres
(𝑟, 𝑝) et (𝑠, 𝑝) suit la loi binomiale négative de paramètres (𝑟 + 𝑠, 𝑝).
• La somme de 𝑟 v.a. indépendantes suivant la loi géométrique (𝑝) suit la loi de Pascal de
paramètres (𝑟, 𝑝).

2.1.2 Lois absolument continues

Distribution uniforme :  (𝑎, 𝑏)
1
— Loi de probabilité : 𝟙 (𝑥).
𝑏 − 𝑎 [𝑎,𝑏]
2.1. RÉSUMÉ DES LOIS DE PROBABILITÉ 11

𝑎+𝑏 (𝑏 − 𝑎)2
— Espérance : 𝔼(𝑋) = ; Variance : Var(𝑋) = .
2 12
e −e
𝑏𝑡 𝑖𝑎𝑡
— Fonction caractéristique : 𝔼(e𝑖𝑡𝑋 ) = .
𝑖(𝑏 − 𝑎)𝑡

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Distribution Exponentielle : (𝜆)

— Loi de probabilité : 𝜆e−𝜆𝑥 𝟙ℝ+ (𝑥).

1 1

y
— Espérance : 𝔼(𝑋) = ; Variance : Var(𝑋) = 2 .
𝜆 𝜆
𝜆
— Fonction caractéristique : 𝔼(e ) =
𝑖𝑡𝑋
.

em
𝜆 − 𝑖𝑡

Distribution Normale :  (𝑚, 𝜎 2 )

( )
1 (𝑥 − 𝑚)2
— Loi de probabilité : √ exp − 2
.
2𝜎

cad 2𝜋𝜎
— Espérance : 𝔼(𝑋) = 𝑚 ; Variance : Var(𝑋) = 𝜎 2 .
1 2 2
— Fonction caractéristique : 𝔼(e𝑖𝑡𝑋 ) = e𝑖𝑚𝑡− 2 𝜎 𝑡 .

Distribution de Weibull : (𝜆, 𝑎)

AA
𝑎
— Loi de probabilité : 𝜆𝑎𝑥𝑎−1 e−𝜆𝑥 𝟙]0,+∞[ (𝑥).
( ) [ ( ) ( )2 ]
− 𝑎1 1 − 𝑎2 2 1
— Espérance : 𝔼(𝑋) = 𝜆 Γ + 1 ; Variance : Var(𝑋) = 𝜆 Γ +1 −Γ +1 .
𝑎 𝑎 𝑎

Distribution de Cauchy : (𝑎, 𝑏)

𝑎
— Loi de probabilité : .
NS

𝜋(𝑎2
+ (𝑥 − 𝑏)2 )
— Espérance : non définie ; Variance : non définie.
— Fonction caractéristique : 𝔼(e𝑖𝑡𝑋 ) = e𝑖𝑏𝑡−𝑎|𝑡| .

Distribution Gamma : Γ(𝑎, 𝜆)

ME

𝜆𝑎 𝑎−1 −𝜆𝑥
— Loi de probabilité : 𝑥 e 𝟙]0,+∞[ (𝑥).
Γ(𝑎)
𝑎 𝑎
— Espérance : 𝔼(𝑋) = ; Variance : Var(𝑋) = 2 .
𝜆 ( )𝑎 𝜆
𝜆
— Fonction caractéristique : .
𝜆 − 𝑖𝑡

Distribution Bêta : 𝐵(𝑎, 𝑏)

1
— Loi de probabilité : 𝑥𝑎−1 (1 − 𝑥)𝑏 𝟙]0,1[ (𝑥).
𝐵(𝑎, 𝑏)
𝑎 𝑎𝑏
— Espérance : 𝔼(𝑋) = ; Variance : Var(𝑋) = 2
.
𝑎+𝑏 (𝑎 + 𝑏) (𝑎 + 𝑏 + 1)
— Fonction caractéristique : 𝑀(𝑎, 𝑎 + 𝑏; 𝑖𝑡).
 12 CHAPITRE 2. LOIS DE PROBABILITÉ

Distribution du Khi-deux : 𝜒 2 (𝑛)

1 𝑛 𝑥
— Loi de probabilité : 𝑛 𝑥 2 −1 e− 2 𝟙]0,+∞[ (𝑥).
2 Γ( 2𝑛 )
2

— Espérance : 𝔼(𝑋) = 𝑛 ; Variance : Var(𝑋) = 2𝑛.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

𝑛
— Fonction caractéristique : (1 − 2𝑖𝑡)− 2 .

y
Distribution de Student :  (𝑛)
( )
Γ 𝑛+1 ( )− 𝑛+1

em
2 𝑥2 2
— Loi de probabilité : √ 1 + .
𝜋𝑛Γ( 2𝑛 ) 𝑛
𝑛
— Espérance : 0 si 𝑛 > 1 ; Variance : Var(𝑋) = si 𝑛 > 2.
( √ ) 𝑛
𝑛
− 2
|𝑡| 𝑛 2 ( √ )
2
— Fonction caractéristique : 𝐾 |𝑡| 𝑛 .
𝑛

cad
Distribution de Fisher :  (𝑚, 𝑛)
Γ(𝑛∕2)

𝑚 2 𝑛2
𝑚 𝑛
2

𝑥 2 −1
𝑚
2

— Loi de probabilité : 𝟙]0,+∞[ (𝑥).

𝐵( 𝑚2 , 2𝑛 ) (𝑚𝑥 + 𝑛) 2
𝑚+𝑛
AA
𝑛 2𝑛(𝑚 + 𝑛 − 2)
— Espérance : si 𝑛 > 2 ; Variance : Var(𝑋) = si 𝑛 > 4.
𝑛−2 ( ) 𝑚(𝑛 − 4)(𝑛 − 2)2
𝑚 𝑛 𝑛
— Fonction caractéristique : 𝑀 ; − ; 𝑖𝑡) .
2 2 𝑚
Remarques 1
+∞
— Fonction Gamma : Γ(𝑎) = 𝑥𝑎−1 e−𝑥 𝑑𝑥.
∫0
1
NS

— Fonction Bêta : 𝐵(𝑎, 𝑏) = 𝑥𝑎−1 (1 − 𝑥)𝑏−1 𝑑𝑥.

∫0
∑
+∞
𝑎(𝑎 + 1)...(𝑎 + 𝑛 − 1) 𝑧𝑛
— Fonction de Kummer : 𝑀(𝑎; 𝑏; 𝑧) = .
𝑛=0
𝑏(𝑏 + 1)...(𝑏 + 𝑛 − 1) 𝑛!
( )𝑣 ∑
+∞ ( 2 )𝑛
𝜋 𝐼−𝑣 (𝑧) − 𝐼𝑣 (𝑧) 𝑧 1 𝑧
— Fonction de Bessel modifiée : 𝐾𝑣 (𝑧) = où 𝐼𝑣 (𝑧) = .
ME

2 sin 𝜋𝑣 2 𝑛=0 𝑛!Γ(𝑛 + 𝑣 + 1) 4

Remarques 2
— La somme de 𝑛 v.a. indépendantes suivant la loi exponentielle 𝔼(𝜆) suit la loi Gamma
Γ(𝑛, 𝜆).
— La somme de deux v.a. indépendantes suivant les lois Gamma Γ(𝑎, 𝜆) et Γ(𝑏, 𝜆) suit la
loi Gamma Γ(𝑎 + 𝑏, 𝜆).
𝑋
— Si les v.a. indépendantes 𝑋 et 𝑌 suivent les lois Gamma Γ(𝑎, 𝜆) et Γ(𝑏, 𝜆), alors
𝑋+𝑌
suit la loi Bêta : (𝑎, 𝑏).
— La somme de deux v.a. indépendantes suivant les lois normales  (𝑚1 , 𝜎12 ) et  (𝑚2 , 𝜎22 )
suit la loi normale :  (𝑚1 + 𝑚2 , 𝜎12 + 𝜎22 ).
— Le quotient de deux variables indépendantes suivant la loi normale  (0, 1) suit la loi de
2.1. RÉSUMÉ DES LOIS DE PROBABILITÉ 13

Cauchy (1, 0) =  (1).

— La somme des carrés de n v.a. indépendantes suivant la loi normale  (0, 1) suit la loi
du Khi-Deux 𝜒 2 (𝑛) = Γ( 2𝑛 , 12 ).
— Si les v.a. indépendantes 𝑋 et 𝑌 suivent les lois normale  (0, 1) et du Khi-Deux 𝜒 2 (𝑛),

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
𝑋
alors suit la loi de Student  (𝑛).
𝑌 ∕𝑛
𝑚𝑋
— Si les v.a. indépendantes X et Y suivent les lois du Khi-Deux 𝜒 2 (𝑚) et 𝜒 2 (𝑛) alors,
𝑛𝑌

y
suit la loi de Fisher  (𝑚, 𝑛).

em
Approximation

Soit 𝑋 une v.a de loi (𝑛, 𝑝) alors si 𝑛 est assez grand,

cad (
𝑃 (𝑋 ⩽ 𝑥) ≃ 𝑃 𝑌 ⩽ 𝑥 +
1
2
)
.
AA
Où 𝑌 est une v.a de loi  (𝑛𝑝, 𝑛𝑝(1 − 𝑝)).
Ce résultat indique qu’il est possible d’évaluer des probabilités pour une v.a. binomiale en
utilisant une table de loi normale. On peut réécrire le résultat directement en fonction de la table
de la loi normale : ( )
𝑥 + 0, 5 − 𝑛𝑝
𝑃 (𝑋 ⩽ 𝑥) ≃ 𝑃 𝑍 ⩽ √ .
𝑛𝑝(1 − 𝑝)
NS

Où 𝑍 ⇝  (0, 1). Le terme "assez grand" s’interprète en fonction de la valeur de 𝑝.

— Si 0, 1 ⩽ 𝑝 ⩽ 0, 9 alors une taille de 𝑛 = 20 est suffisante pour une approximation
raisonnable de la probabilité.
— Si 𝑝 < 0, 1 il faudra une plus grande taille ,allant jusqu’à plus de 1000 si la valeur 𝑝 est
ME

très petite.
Le terme " 21 " est un facteur de correction pour la continuité. Le fait est qu’en utilisant une loi
normale pour effectuer une approximation d’une loi binomiale il y a un changement de support :
la binomiale a comme support 𝑆𝑋 = {0, 1, ..., 𝑛} tandis que la loi normale a comme support
𝑆𝑋 = {−∞, +∞}.
La distribution discrète de la v.a. originale implique que pour chaque valeur du support
𝑃 (𝑋 = 𝑥) > 0 mais dans un contexte de v.a. continue une des propriétés de ces v.a. est jus-
tement que 𝑃 (𝑋 = 𝑥) = 0. Pour palier ce problème, on considère la correction suivante :
( )
𝑃 (𝑋 = 𝑥) = 𝑃 𝑥 − 2 ⩽ 𝑋 ⩽ 𝑥 + 2 lorsqu’on utilise la loi normale. Cela permet d’obtenir
1 1

une approximation plus près de la réalité.

 14 CHAPITRE 2. LOIS DE PROBABILITÉ

2.2 Quelques exercices d’application

Exercice 1

On sait que la probabilité qu’une personne choisie au hasard travaille dans le domaine de
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

l’administration ou de la comptabilité est de 16 . Si on choisit au hasard 3 personnes, quelle est

la probabilité d’avoir au moins 2 personnes sur 3 qui travaillent dans l’administration ou la

y
comptabilité ?

em
Exercice 2

Dans une entreprise les ressources humaines font passer une entrevue préliminaire aux can-
didats et on sait par expérience que seulement 50% passent au travers de ce premier tri. Quelle

cad
est la probabilité que sur 5 candidats, il y en ait 4 ou plus qui passent la première entrevue ?

Exercice 3
AA
Les données disponibles sur la survie des entreprises démontrent que les nouvelles entre-
prises du domaine des communications ont une probabilité de passer le cap des 2 ans de 0.20.
Si 10 entreprises se sont implantées, quelle est la probabilité d’avoir au moins 4 «survivantes»
après 2 ans ?
NS

Exercice 4

Dans l’exemple précédant, si on sait qu’une entreprise en communication qui passe le cap des
2 ans a une probabilité de 23 de devenir une grande entreprise (plus de 50 employés), quelle est la
probabilité d’obtenir 4 grandes entreprises en communication sur les 10 qui se sont implantées ?
ME

Exercice 5

Dans une banque les clients arrivent une fréquence moyenne de 10 par heure. Quelle est la
probabilité qu’il y ait plus de 2 clients en 10 min ?

Exercice 6

Un cancer rare fait en moyenne 5 victimes par années à Ifordia. Quel est la probabilité que
ce cancer fasse plus de 8 victimes en 2009 ?
2.2. QUELQUES EXERCICES D’APPLICATION 15

Exercice 7
Dans la foret tropicale amazonienne il y a en moyenne 0.2 bois serpents (Marmoroxylon
racemosum) par ha. C’est un arbre rare qui est très recherché pour la fabrication de bijoux et
d’objets décoratifs.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Un exploitant forestier explore 10 ha par jour à la recherche de cet arbre et son exploitation
est rentable s’il y a au moins 3 jours par semaine (5 jours) pour lesquels il trouve au moins un

y
bois serpent.
Quelle est la probabilité que son exploitation soit rentable ?

em
Exercice 8
A une station de métro il y a une rame qui passe à toutes les 10 minutes exactement. Un

cad
client qui se présente à a station sans regarder l’heure devra attendre combien de temps ?

Exercice 9
Une centrifugeuse contient une pièce électronique peu fiable qui brise soudainement sans
signes précurseurs. De plus, le bris n’est pas détectable sans l’aide d’un technicien puisque la
AA
machine fonctionne toujours mais avec une précision moindre. Les inspections de la machine
par un technicien se font aux 6 mois. Lors d’une inspection le technicien diagnostique un bris
de la pi ce, quelle est la probabilité d’avoir utilisé une machine peu ®able plus de 2 mois ?

Exercice 10
NS

Il y a un tremblement de terre majeur en moyenne aux 150 ans à Ifordia. Quelle est la pro-
babilité qu’il y ait un tremblement de terre majeur dans les prochaines 30 années ?

Exercice 11
ME

La loi exponentielle est aussi une loi permettant de modéliser le temps de vie d’une compo-
sante électronique. Une montre digitale a une durée de vie moyenne de 100000 heures. Quelle
est la probabilité qu’elle ne fonctionne plus après 5 ans ?

Exercice 12
Soit 𝑍 une v.a de loi  (0, 1), évaluer :
𝑃 (𝑍 > 2), 𝑃 (𝑍 < −2), 𝑃 (2 < 𝑍), 𝑃 (−2 < 𝑍 < 2), 𝑃 (1 ⩽ 𝑍 < 1, 5), 𝑃 (1 < 𝑍 ⩽ 1, 5),
𝑃 (−1, 5 < 𝑍 < −1), 𝑃 (−1, 5 < 𝑍 < 1), 𝑃 (0, 5 > 𝑍), 𝑃 (𝑍 < −0, 5 ou 𝑍 > 0, 5),
𝑃 (𝑍 < −0, 5) et 𝑃 (𝑍 > 0, 5) et 𝑃 (𝑍 > 3, 6).
 16 CHAPITRE 2. LOIS DE PROBABILITÉ

Exercice 13
Un chercheur veut étudier le QI d’une population. L’expérience dans le domaine montre que
la v.a. qui donne le QI d’un individu de la population est une v.a. de loi  (100, 100), quelle est
la probabilité d’observer un individu ayant un QI de plus de 120 ?
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

On veut évaluer la probabilité qu’un individu ait un QI qui se retrouve dans un écart de moins
de 10 de la moyenne.

y
Supposons que le chercheur tire au hasard 10 personnes de la population, quelle est la pro-
babilité d’observer plus de 3 personnes ayant un QI de plus de 110 ?

em
Exercice 14
Un économiste prédit que le prix de l’essence en été suivra une normale  (80, 144). On

cad
veut obtenir la probabilité que l’essence soit moins de 78 cents.
En reprenant le m !me exemple, on cherche la limite telle que la probabilité d’avoir un prix
plus petit est de 20%.
AA
NS
ME
 MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Chapitre 3

y
Résumé du cours sur les intervalles de

em
confiance et les tests d’hypothèse

cad
Dans la suite, 𝑥 est la moyenne de l’échantillon, 𝑓 la proportion d’échantillon par rapport à
un caractère, 𝜇 est la moyenne de la population, 𝑝 la proportion de la population, 𝑀 la marge
d’erreur, 𝑛 la taille de l’échantillon, 𝑠 l’écart-type de l’échantillon et 𝐸 la marge d’erreur.
Le but d’une estimation par intervalle est de fournir des informations sur l’écart entre l’esti-
AA
mation ponctuelle fournie par l’échantillon et la valeur du paramètre de la population.

3.1 Formules clés - Intervalles de confiance

3.1.1 Moyenne d’une population : cas où 𝜎 est connu

NS

𝜎
IC1−𝛼 (𝜇) = 𝑥 ± 𝑧𝛼∕2 √
𝑛
𝑧𝛼∕2 √𝜎𝑛 est la marge d’erreur, 1 − 𝛼 (𝛼 étant le risque d’avoir tort) représente le niveau de
confiance, 𝑧𝛼∕2 représente la valeur 𝑧 fournissant une aire égale à 𝛼∕2 dans la queue supérieure
ME

de la distribution de probabilité normale centrée réduite.

3.1.2 Moyenne d’une population : cas où 𝜎 est inconnu

𝑠
IC1−𝛼 (𝜇) = 𝑥 ± 𝑡𝛼∕2 √
𝑛
𝑡𝛼∕2 √𝑠𝑛 est la marge d’erreur, 1 − 𝛼 (𝛼 étant le risque d’avoir tort) représente le niveau de
confiance, 𝑡𝛼∕2 est la valeur 𝑡 fournissant une aire égale à 𝛼∕2 dans la queue supérieure de la
∑
(𝑥𝑖 − 𝑥)2
distribution de Student avec 𝑛 − 1 ddl. On rappelle que : 𝑠 =
2
.
𝑛−1

17
 18CHAPITRE 3. RÉSUMÉ DU COURS SUR LES INTERVALLES DE CONFIANCE ET LES TESTS D’HYPOTH

3.1.3 Proportion d’une population

√
𝑓 (1 − 𝑓 )
IC1−𝛼 (𝑝) = 𝑓 ± 𝑧𝛼∕2
𝑛
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

√
𝑧𝛼∕2 𝑓 (1−𝑓 )
𝑛
est la marge d’erreur, 1−𝛼 (𝛼 étant le risque d’avoir tort) représente le niveau de
confiance et 𝑧𝛼∕2 représente la valeur 𝑧 fournissant une aire égale à 𝛼∕2 dans la queue supérieure

y
de la distribution de probabilité normale centrée réduite.

em
3.1.4 Taille d’échantillon de l’intervalle de confiance pour la moyenne d’une
population

cad 𝑛=
( )2
𝑧𝛼∕2 𝜎 2
𝐸2

3.1.5 Taille d’échantillon de l’intervalle de confiance pour la proportion

AA
d’une population

( )2
𝑧𝛼∕2 𝑝∗ (1 − 𝑝∗ )
𝑛=
𝐸2
La valeur de 𝑝∗ peut être déterminé par plusieurs procédures : en recourant à la proportion
d’échantillon, mener une étude pilote, intuition ou encore, prendre 𝑝 = 0, 5.
NS

3.2 Formules clés - Tests d’hypothèse

ME

TABLE 3.1 – Résumé des tests d’hypothèses relatifs à la moyenne d’une population : cas où 𝜎
est connu.
Test unilatéral inférieur Test unilatéral supérieur Test bilatéral
Hypothèses H0 ∶ 𝜇 ⩾ 𝜇0 H0 ∶ 𝜇 ⩽ 𝜇0 H0 ∶ 𝜇 = 𝜇0
H1 ∶ 𝜇 < 𝜇0 H1 ∶ 𝜇 > 𝜇0 H1 ∶ 𝜇 ≠ 𝜇0
𝑥 − 𝜇0 𝑥 − 𝜇0 𝑥 − 𝜇0
Statistique 𝑧= √ 𝑧= √ 𝑧= √
𝜎∕ 𝑛 𝜎∕ 𝑛 𝜎∕ 𝑛
Règle de rejet RH0 si 𝑝 ⩽ 𝛼 RH0 si 𝑝 ⩽ 𝛼 RH0 si 𝑝 ⩽ 𝛼
Zone de rejet RH0 si 𝑧 ⩽ −𝑧𝛼 RH0 si 𝑧 ⩾ 𝑧𝛼 RH0 si 𝑧 ⩽ 𝑧𝛼∕2 ou 𝑧 ⩾ 𝑧𝛼∕2
Note : RH0 : Rejet de H0 et 𝑝 est la p-value.
3.2. FORMULES CLÉS - TESTS D’HYPOTHÈSE 19

TABLE 3.2 – Résumé des tests d’hypothèses relatifs à la moyenne d’une population : cas où 𝜎
est inconnu.
Test unilatéral inférieur Test unilatéral supérieur Test bilatéral
Hypothèses H0 ∶ 𝜇 ⩾ 𝜇0 H0 ∶ 𝜇 ⩽ 𝜇0 H0 ∶ 𝜇 = 𝜇0

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
H1 ∶ 𝜇 < 𝜇0 H1 ∶ 𝜇 > 𝜇0 H1 ∶ 𝜇 ≠ 𝜇0
𝑥−𝜇 𝑥−𝜇 𝑥−𝜇
Statistique 𝑧= √0 𝑧= √0 𝑧= √0

y
𝑠∕ 𝑛 𝑠∕ 𝑛 𝑠∕ 𝑛
Règle de rejet RH0 si 𝑝 ⩽ 𝛼 RH0 si 𝑝 ⩽ 𝛼 RH0 si 𝑝 ⩽ 𝛼

em
Zone de rejet RH0 si 𝑡 ⩽ −𝑡𝛼 RH0 si 𝑡 ⩾ 𝑡𝛼 RH0 si 𝑡 ⩽ 𝑡𝛼∕2 ou 𝑧 ⩾ 𝑡𝛼∕2
Note : RH0 : Rejet de H0 et 𝑝 est la p-value.

TABLE 3.3 – Résumé des tests d’hypothèses relatifs à la proportion d’une population

Hypothèses cad
Test unilatéral inférieur Test unilatéral supérieur
H0 ∶ 𝜇 ⩾ 𝑓 0
H1 ∶ 𝜇 < 𝑓0
𝑓 − 𝑓0
H0 ∶ 𝜇 ⩽ 𝜇0
H1 ∶ 𝜇 > 𝜇0
𝑓 − 𝑓0
Test bilatéral
H0 ∶ 𝜇 = 𝑓0
H1 ∶ 𝜇 ≠ 𝜇0
𝑓 − 𝑓0
Statistique 𝑧= √ 𝑧= √ 𝑧= √
𝑓 (1−𝑓 ) 𝑓 (1−𝑓 ) 𝑓 (1−𝑓 )
AA
𝑛 𝑛 𝑛
Règle de rejet RH0 si 𝑝 ⩽ 𝛼 RH0 si 𝑝 ⩽ 𝛼 RH0 si 𝑝 ⩽ 𝛼
Zone de rejet RH0 si 𝑧 ⩽ −𝑧𝛼 RH0 si 𝑧 ⩾ 𝑧𝛼 RH0 si 𝑧 ⩽ 𝑧𝛼∕2 ou 𝑧 ⩾ 𝑧𝛼∕2
Note : RH0 : Rejet de H0 et 𝑝 est la p-value.
NS
ME
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Chapitre 4

y
Généralités sur les tests d’hypothèse

em
4.1 Introduction générale
cad
Les phénomènes sur lesquels sont faites les études statistiques sont considérés comme des
évènements aléatoires. L’étude est faite sur un échantillon de réalisation c’est-à-dire des valeurs
observées ou des résultats numériques.
AA
FIGURE 4.1 – Schéma illustratif
NS
ME

Ω ∶= Univers, 𝑋 ∶= Variable aléatoire ; 𝑃 : probabilité de distribution inconnue.

𝑃 𝑋
: distribution de probabilité inconnue a priori.
𝑋 étant aléatoire, l’information 𝑋(𝜔) est emprunte d’incertitude.

Comme il est difficile, voire impossible de remonter l’information jusqu’au niveau de l’uni-
vers Ω afin de connaître tous les paramètres de la distribution de probabilité 𝑃 , on est emmené
à prendre une décision en se basant sur un aspect partiel (l’échantillon observé) du phénomène
aléatoire. Il faut donc évaluer l’incertitude pour savoir jusqu’à quel point compter sur les conclu-
sions tirées des observations c’est-à-dire il faut évaluer le risque d’erreur de se tromper

20
4.2. EXEMPLES DE PROBLÈMES DE TESTS : 21

4.2 Exemples de problèmes de tests :

Exemple 4.2.1. La norme ISO est le système de certification des produits.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Une usine fabrique des pièces cylindriques qui seront commercialisées si le diamètre d’une
pièce est égal à 𝑑0 , ce qui correspond à la norme (valeur ISO acceptée dans le commerce). Le
service de contrôle de fabrication de l’usine doit contrôler chaque lot de pièces fabriqué avant

y
de mettre en vente. Ne pouvant contrôler l’ensemble des pièces des lots, le service va prélever
un échantillon de pièces dans un lot et procéder au contrôle ; Le lot contient 𝑁 pièces, 𝑛 pièces.

em
Après observation d’un échantillon, on peut obtenir le diamètre moyen 𝑑, la proportion des
pièces defectueuses 𝑝 (ne répondant pas à la norme). La décision de commercialiser ou non les
pièces fabriquées sera basée sur les seules observations des échantillons et non sur toutes les
pièces fabriquées dans un lot. Par exemple, commercialiser si la proportion 𝑝 < 𝑝0 fixé. On
[
cad ]
peut aussi dire 𝑑 ∈ 𝑑0 − 𝜖 , 𝑑0 + 𝜖 , 𝑎𝑣𝑒𝑐 𝜖 suffisamment petit.
Si d’aventure après décision il s’avère que la vraie proportion 𝑝 est supérieure à 𝑝0 aurait pris
un risque en décidant de mettre en vente ce lot. Le risque étant inévitable, car l’observation est
faite sur des échantillons, il faut donc mesurer et minimiser ce risque découlant de la prise de
décision.
AA
On vient de poser un problème de test d’hypothèse paramétrique car l’hypothèse porte sur le
paramètre 𝑝 ou le diamètre moyen 𝑑0 de l’expérience aléatoire.

Exemple 4.2.2. Le département des ressources humaines d’une grande boîte veut vérifier l’hy-
pothèse selon laquelle la participation à une formation peut améliorer le rendement au travail.
NS

Il constitue deux groupes :

• Groupe 1 : Ceux qui participent à la formation (groupe expérimental) ;
• Groupe 2 : Ceux qui ne participent pas à la formation (groupe témoin)
Le rendement de travail est mesuré dans chaque groupe sur un échantillon aléatoire. Le DRH
ME

compare les résultats des deux groupes en se basant sur l’hypothèse formulée au départ (avant
l’expérience). Les résultats peuvent confirmer ou infirmer l’hypothèse. Il s’agit ici d’un problème
de test consistant à comparer la valeur d’un paramètre dans deux échantillons issus d’une même
population. C’est un test de comparaison.

Exemple 4.2.3. Pour établir la période de garantie d’un appareil, un fabriquant observe un
échantillon de 200 appareils ? Il constate que la courbe de la durée de vie ressemble à celle
d’une loi exponentielle de paramètre 𝜆. Il fait donc l’hypothèse que la durée est constante et est
égale à 𝜆. L’hypothèse ne concerne pas un paramètre de la loi suivi par la population d’appareils
mais plutôt à l’adéquation d’une loi théorique connue aux observations (Loi appartenant à la
famille exponentielle).
 22 CHAPITRE 4. GÉNÉRALITÉS SUR LES TESTS D’HYPOTHÈSE

Remarque 4.2.1. Dans chacune de ces situations on a formulé clairement une hypothèse daont
on se demande si les observations sont compatibles avec ou au contraire semblent l’infirmer.
Cette hypothèse sera appelée hypothèse nulle ou hypothèse principale.

Remarque 4.2.2. Il faut noter qu’il ne s’agit pas a priori de confirmer à partir des observations
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

l’hypothèse à tester, mais de juger si les observations l’infirmeent suffisamment. En d’autres

termes, à l’issue d’un test si l’hypothèse à tester est acceptée c’est faute d’avoir pu suffisamment

y
l’infirmer

em
4.3 Cadre général des tests paramétriques
On considère un modèle statistique paramétrique

cad
( {
Ω𝑋 , 𝑃𝜃 ; 𝜃 ∈ Θ
})

Θ est l’ensemble des valeurs du paramètre 𝜃

𝑋 ∈ Ω𝑋 , 𝑋 = (𝑋1 , ⋯ , 𝑋𝑛 )

On fait l’hypothèse nulle 𝐻0 ∶ 𝜃 ∈ Θ. Cette hypothèse paramétrique

AA
{ }
Θ = Θ0 ∪ Θ1 , 𝑎𝑣𝑒𝑐 Θ0 = 𝜃 ∈ Θ 𝑣∸𝑟𝑖𝑓 𝑖𝑎𝑛𝑡 𝐻0 Θ0 ∩ Θ1 = ∅

On a 𝐻0 ⟺ 𝜃 ∈ Θ0 et 𝐻1 ⟺ 𝜃 ∈ Θ1

Définition 4.3.1. 𝐻0 : Hypothèse nulle (ou principale) et 𝐻1 : l’hypothèse alternative.

NS

Définition 4.3.2. Si Θ = {𝜃} est un singleton, l’hypothèse 𝐻0 ∶ 𝜃 = 𝜃0 est dite simple.

Dans les autres cas, l’hypothèse est dite composite.

Exemple 4.3.1. 𝑋 est la variable extraite d’une population atteinte d’une certaine maladie.
𝑋 = (𝑋1 , ⋯ , 𝑋𝑛 ) est i.i.d. On veut tester si la proportion 𝑝 de personnes atteintes ne dépasse
ME

pas un seuil 𝑝0 donné.

Dans le présent cas, on a :
[ ] ] ]
𝐻0 ∶ 𝑝 ⩽ 𝑝0 𝑒𝑡 𝐻1 ∶ 𝑝1 > 𝑝0 ; Θ0 = 0, 𝑝0 𝑒𝑡 Θ1 = 𝑝0 , 1

Soit 𝑥 = (𝑥1 , ⋯ , 𝑥𝑛 ) une réalisation de l’échantillon. Φ ∶ ℝ𝑛 ⟶ [0, 1] une mesure de

probabilité.

Définition 4.3.3. Φ est la fonction du test pour tester 𝐻0 ∶ 𝜃 ∈ Θ0 contre 𝐻1 ∶ 𝜃 ∈ Θ1 . Si

on rejette l’hypothèse 𝐻0 avec la probabilité Φ(𝑥) et on rejette 𝐻1 avec la probabilité 1 − Φ(𝑥).
4.3. CADRE GÉNÉRAL DES TESTS PARAMÉTRIQUES 23

Si on prend Φ(𝑥) = 1Θ1 (𝜃), on définit les ensembles :

𝑊 = {𝑥 ∶ Φ(𝑥) = 1} 𝑒𝑡 𝑊 = ℝ𝑛 − 𝑊

𝑊 est appelé région critique du test ou région de rejet de l’hypothèse nulle 𝐻0 . 𝑊 est par

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
contre appelé région d’acceptation de l’hypothèse nulle 𝐻0 . La fonction Φ et 𝑊 caractérisent
un problème un problème de test.

y
Erreurs de décision :

em
𝐻0 vraie 𝐻0 fausse
On accepte 𝐻0 Bonne décision (1 − 𝛼) Erreur de deuxième espèce 𝛽
On rejette 𝐻0 Erreur de première espèce 𝛼 Bonne décision (1 − 𝛽)

𝛼 = 𝑃 (rejeter 𝐻0 sachant 𝐻0 est vraie, ou à tort)

cad
𝛽 = 𝑃 ( Ne pas rejeter 𝐻0 sachant que 𝐻0 est fausse, ou à tort).

Définition 4.3.4. Le risque est défini comme la probabilité de commettre une erreur.

Définition 4.3.5. On appelle risque de première espèce, la probabilité de commettre une erreur
AA
de première espèce : 𝛼(𝜃) = 𝑃𝜃 (𝑊 ) = 𝑃𝜃0 (𝑊 ) 𝑎𝑣𝑒𝑐 𝜃 ∈ Θ0

Définition 4.3.6. On appelle risque de deuxième espèce, la probabilité de commettre une erreur
de deuxième espèce

𝛽(𝜃) = 𝑃𝜃 (𝑊 ) = 1 − 𝑃𝜃 (𝑊 ) = 1 − 𝑃𝜃1 (𝑊 ) 𝑎𝑣𝑒𝑐 𝜃 ∈ Θ1

{ }
NS

Définition 4.3.7. On appelle niveau (ou seuil du test), la valeur 𝛼 = 𝑠𝑢𝑝 𝛼(𝜃) ∶ 𝜃 ∈ Θ0 .

Définition 4.3.8. On appelle puissance du test la probabilité de rejeter 𝐻0 sachant que 𝐻0 est
fausse. On la note 𝜋𝜃 , avec

𝜋𝜃 = 𝐸𝜃 (Φ(𝑥)) = 1 − 𝛽(𝜃), 𝜃 ∈ Θ1
ME

Le test est puissant lorsque 𝛽 est faible, c’est-à-dire si le risque de deuxième espèce est faible.

Problématique : Quelque soit la décision prise au vue des observations, il subsiste un risque
de se tromper :
— Rejeter l’hypothèse alors qu’elle est vérifier (rejeter 𝐻0 à tort) ;
— Accepter l’hypothèse nulle alors qu’elle n’est pas vérifier (accepter 𝐻0 à tort).

Le problème revient donc à quantifier et à minimiser les deux risques. Or minimiser l’un des
risques tend à faire augmenter l’autre, ce qui conduit à un problème d’optimalité. En l’absence
d’une procédure de décision optimale, il va falloir faire recours à des principes de selection afin
 24 CHAPITRE 4. GÉNÉRALITÉS SUR LES TESTS D’HYPOTHÈSE

de chercher le test optimal parmi un ensemble de tests

Choix d’un test : Le choix d’un test sera fondé sur la fonction de risque 𝑅(𝑊 , 𝜃) définie à
partir de la fonction de perte 𝐿(𝜃, 𝑑) où 𝑑 est la décision prise.
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

[ ]
𝑅(𝑊 , 𝜃) = 𝐸𝜃 (𝐿(𝜃, 𝑑)) = 𝐿(𝜃, 𝑑1 )𝑃𝜃 (𝑊 ) + 𝐿(𝜃, 𝑑0 ) 1 − 𝑃𝜃 (𝑊 )

avec 𝐿(𝜃, 𝑑0 ) = 0, ∀𝜃 ∈ Θ0 𝑒𝑡 𝐿(𝜃, 𝑑1 ) = 0, ∀𝜃 ∈ Θ1

y
En d’autres termes : si on a deux régions critiques 𝑊1 et 𝑊2 telles que 𝑊1 >> 𝑊2 ( 𝑊1 est
meilleure que 𝑊2 en terme de risque)

em
𝛼𝜃 (𝑊1 ) ⩽ 𝛼𝜃 (𝑊2 ), ∀𝜃 ∈ Θ0 𝑒𝑡 𝛽𝜃 (𝑊1 ) ⩽ 𝛽𝜃 (𝑊2 ), ∀𝜃 ∈ Θ1

Le choix du test est fondé sur 𝛼(𝜃) et 𝛽(𝜃).

4.3.1
cad
Principe de NEYMAN
Il consiste à essayer de minimiser le risque de deuxième espèce en ayant bloqué celui de
première espèce à un niveau maximal acceptable. On suppose que le risque de deuxième espèce
AA
est lié à l’erreur de première espèce considérée comme la plus grave. On voit donc que les hy-
pothèses 𝐻0 et 𝐻1 ne jouent pas des rôles symétriques. Le seuil 𝛼 étant fixé, on cherche sous
cette contrainte s’il n’existe pas un test ayant pour risque de deuxième espèce inférieur à tous les
autres de même niveau, c-à-d un test plus puissant que tous les autres.
NS

4.3.2 Test uniformément le plus puissant

A priori un test de région critique 𝑊 ∗ peut être plus puissant que tout autre test de région
ME

critique 𝑊 pour certaines valeurs du paramètre 𝜃 et moins puissant pour d’autres valeurs de 𝜃.

𝑆𝑐ℎ∸𝑚𝑎1

Le test de région critique 𝑊 est plus puissant que le test 𝑊 ′ , ∀𝜃 ∈ Θ. Mais 𝑊 ′ et 𝑊 ε ne sont
pas comparables.
Le problème de NEYMAN est le suivant :
{
𝑀𝑖𝑛 𝛽𝜃 (𝑊 ) ∀𝜃 ∈ Θ1
𝑆𝑐 𝛼0 (𝑊 ) ⩽ 𝛼0 𝛼0 𝑑𝑜𝑛𝑛∸, ∀𝜃 ∈ Θ0

Définition 4.3.9. Un test 𝑊 ∗ solution du programme de NEYMAN est appelé test uniformément
le plus puissant de niveau 𝛼, noté 𝑈 𝑃 𝑃𝛼 , et vérifiant :
4.3. CADRE GÉNÉRAL DES TESTS PARAMÉTRIQUES 25

1. 𝑊 ∗ est de niveau 𝛼 ;
2. Pour tout autre test 𝑊 de même niveau, on a :

𝛽𝜃 (𝑊 ∗ ) ⩽ 𝛽𝜃 (𝑊 ), ∀𝜃 ∈ Θ1 𝑜𝑢 𝑒𝑛𝑐𝑜𝑟𝑒 𝜋𝜃 (𝑊 ∗ ) ⩾ 𝜋𝜃 (𝑊 ) ∀𝜃 ∈ Θ1

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Remarque 4.3.1. Le test 𝑈 𝑃 𝑃𝛼 est tel que la contrainte de niveau est saturé.

dans la suite on aura deux grandes familles de tests d’hypothèses : Les tests d’hypothèses

y
paramétriques et les tests d’hypothèses non paramatriques.

em
cad
AA
NS
ME
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Chapitre 5

y
Test d’une hypothèse contre une autre

em
5.1 Cadre du problème
cad
• L’hypothèse est dite simple si les ensembles Θ0 et Θ1 sont réduits à des singletons.
• Le modèle général d’un test d’hypothèses simples est donc
( { { }})
Ω𝑋 , 𝑃𝜃 , 𝜃 ∈ Θ = 𝜃0 , 𝜃1
AA
avec 𝑃𝜃0 et 𝑃𝜃1 parfaitement connues.

Remarque 5.1.1. 𝑃𝜃0 et 𝑃𝜃1 ne sont pas toujours identiques.

En adoptant le principe de NEYMAN, le niveau (ou seuil) 𝛼 du test est borné.

NS

∀𝛼 ∈ ]0, 1[ 𝛼(𝑊 ) = 𝑆𝑢𝑝𝜃0 𝑃𝜃 (𝑊 ) ⩽ 𝛼

Sous cette contrainte, on chercher à maximiser la puissance du test, c-à-d

{
ME

𝑀𝑎𝑥𝑃𝜃1 (𝑊 )
𝑊 ∕ 𝑃𝜃0 (𝑊 ) ⩽ 𝛼

5.2 Théorème de NEYMAN - PEARSON

Jersey NEYMAN (Moldavie 1894 - Californie 1981) et Karl PEARSON (Londres 1857 -
1936) Biometrica.

Théorème 5.2.1. ∀𝛼 ∈ [0, 1] pour le problème de test

{
𝐻0 ∶ 𝑃𝜃 = 𝑃𝜃0
𝐻1 ∶ 𝑃𝜃 = 𝑃𝜃1

26
5.3. EXEMPLES 27

Il existe 𝑘𝛼 ∈ ℝ+ et 𝛾𝛼 ∈ [0, 1] tels que le test le plus puissant de seul 𝛼 pour tester 𝐻0 contre
𝐻1 est donné par :
⎧ 1 si 𝐿(𝑃𝜃 , 𝑥)̃ > 𝑘𝛼 𝐿(𝑃𝜃0 , 𝑥)
̃
⎪ 1

𝜑(𝑥) = ⎨ 𝛾𝛼 si 𝐿(𝑃𝜃1 , 𝑥)
̃ = 𝑘𝛼 𝐿(𝑃𝜃0 , 𝑥)
̃
⎪

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
⎩ 0 𝐿(𝑃𝜃1 , 𝑥)
̃ < 𝑘𝛼 𝐿(𝑃𝜃0 , 𝑥)
̃
𝑥̃ = (𝑥1 , ⋯ , 𝑥𝑛 )

y
La région critique d’un tel test est donné
{ }
𝐿(𝑃𝜃1 , 𝑥)
̃

em
𝑊𝛼 = 𝑥̃ ∕ ⩾ 𝑘𝛼 𝑎𝑣𝑒𝑐 𝑘𝛼 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑃𝜃0 (𝑊𝛼 ) = 𝛼
𝐿(𝑃𝜃0 , 𝑥)̃
Intuitivement, si ce rapport est grand, cela signifie que 𝐿(𝑃𝜃1 , 𝑥)
̃ est plus vraisemblable que
𝐿(𝑃𝜃0 , 𝑥).
̃

moins puissant que 𝜑.

cad
Démonstration. Soit 𝜑′ une autre fonction du test de niveau 𝛼 ′ < 𝛼. Il faut montrer que 𝜑′ est
Soit 𝐴(𝑥) = 𝜑(𝑥) − 𝜑′ (𝑥), 𝐵(𝑥) = 𝐿(𝑃𝜃1 , 𝑥) ̃ 𝑒𝑡 𝑔(𝑥) = 𝐴(𝑥)𝐵(𝑥)
̃ − 𝑘𝛼 𝐿(𝑃𝜃0 , 𝑥)
Si 𝐵(𝑥) > 0 alors 𝜑(𝑥) = 1, donc 𝐴(𝑥)1 − 𝜑 (𝑥) ⩾ 0 et donc 𝑔(𝑥) ⩾ 0
′

Par conséquent,∀𝑥 ∈ Ω𝑋 , 𝑔(𝑥) ⩾ 0 cela implique que 𝑔(𝑥)𝑑𝑃𝜃 ⩾ 0 or

∫Ω𝑋
AA
𝑔(𝑥)𝑑𝑃𝜃 = 𝜑(𝑥)𝐿(𝑃𝜃 , 𝑥)𝑑𝑃
̃ 𝜃 − 𝜑′ (𝑥)𝐿(𝑃𝜃 , 𝑥)𝑑𝑃
̃ 𝜃 − ̃ 𝛼 𝑑𝑃𝜃 +
𝜑(𝑥)𝐿(𝑃𝜃 , 𝑥)𝑘 𝜑′ (𝑥)𝐿(𝑃𝜃 , 𝑥)𝑘
̃ 𝛼 𝑑𝑃𝜃
∫Ω ∫Ω 1 ∫Ω 1 ∫Ω 1 ∫Ω 1
𝑋 𝑋 𝑋 𝑋 𝑋

( )
𝑔(𝑥)𝑑𝑃𝜃 = Π𝜃1 (𝜑) − Π𝜃1 (𝜑′ ) + 𝑘𝛼 Π𝜃0 (𝜑′ ) − Π𝜃0 (𝜑) ⩾ 0
∫Ω𝑋
Ainsi, 1 − 𝛽(𝜑) − 1 + 𝛽(𝜑′ ) + 𝑘𝛼 (𝛼 ′ − 𝛼) ⩾ 0. Autrement,

𝛽(𝜑′ ) − 𝛽(𝜑) ⩾ 𝑘𝛼 (𝛼 − 𝛼 ′ ) > 0 ⟹ 𝛽(𝜑′ ) > 𝛽(𝜑)

NS

Donc 𝜑 est plus puissant que 𝜑′ .

Un test ayant une région critique de cette forme est appelé test de NEYMAN
ME

5.3 Exemples
Exemple 5.3.1. Test de la valeur de la moyenne dans le modèle gaussien, la variance étant
connue.
Les hypothèses étant simple, le modèle est
( { { } })
𝑋,  (𝑚, 𝜎 2 ); 𝑚 ∈ 𝑚0 , 𝑚1 , 𝑚0 < 𝑚1

Échantillon (𝑋1 , ⋯ , 𝑋𝑛 ) i.i.d de 𝑋. on veut tester les hypothèses suivantes :

⎧ 𝐻0 ∶ 𝑚 = 𝑚0
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
⎩ 𝐻1 ∶ 𝑚 = 𝑚1 𝑎𝑢 𝑠𝑒𝑢𝑖𝑙 𝛼 𝑑𝑜𝑛𝑛∸
 28 CHAPITRE 5. TEST D’UNE HYPOTHÈSE CONTRE UNE AUTRE

Le théorème de Neyman - Pearson implique qu’il existe un test 𝑈 𝑃 𝑃𝛼 de niveau 𝛼 dont la

région critique est de la forme :
{ }
𝐿(𝑥1 , ⋯ , 𝑥𝑛 ; 𝑚1 )
𝑊𝛼 = (𝑋1 , ⋯ , 𝑋𝑛 ) ∕ ⩾ 𝑘𝛼 𝑎𝑣𝑒𝑐 𝑘𝛼 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑃𝑚0 (𝑊𝛼 ) = 𝛼
𝐿(𝑥1 , ⋯ , 𝑥𝑛 ; 𝑚0 )
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Dans ce cas 𝐿 désigne la vraisemblance. Autrement dit,

( )
1 1 ∑𝑛
𝐿(𝑥1 , ⋯ , 𝑥𝑛 ; 𝑚) = 𝑛 × 𝑒𝑥𝑝 − 2𝜎 2 (𝑥𝑖 − 𝑚)2

y
𝑖=1
(2𝜋𝜎 2 ) 2
Après remplacement, on obtient l’expression suivante :

em
{ }
𝑛
∑ { }
𝑊𝛼 = (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ 2(𝑚1 − 𝑚0 ) 𝑥𝑖 + 𝑛(𝑚20 − 𝑚21 ) ⩾ 𝑘′𝛼 = (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ 2(𝑚1 − 𝑚0 )𝑥𝑛 + (𝑚20 − 𝑚21 ) ≥ 𝑘′′
𝛼
𝑖=1

Comme 𝑚0 < 𝑚1 , alors (𝑚1 − 𝑚0 )𝑥𝑛 est une fonction croissante de 𝑥𝑛 ,

{ }
𝑘′′𝛼 + (𝑚21 − 𝑚20 ) { }
𝑊𝛼 = (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ 𝑥𝑛 ≥ = (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ 𝑥𝑛 ≥ 𝑘′′′

On a :
{
cad
Détermination de 𝑘′′′
𝛼
:
2(𝑚1 − 𝑚0 )

}
𝛼

{
√ 𝑋 − 𝑚0 √ 𝑘′′′ − 𝑚0
}
𝑃𝑚0 (𝑊𝛼 ) = 𝛼 = 𝑃𝑚0 (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ 𝑋 𝑛 ≥ 𝑘′′′
𝛼 = (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ 𝑛 𝑛 ≥ 𝑛 𝛼
𝜎 𝜎
{ }
AA
√ 𝑘′′′ − 𝑚0 √ 𝑘′′′ − 𝑚0
Donc 𝛼 = 𝑃𝑚0 (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ 𝑈 ≥ 𝑛 𝛼
ce qui signifie que 𝑛 𝛼 = 𝑢1−𝛼 on
𝜎 𝜎
en déduit que
{ }
𝜎 𝜎
𝑘′′′
𝛼
= 𝑚0 + √ 𝑢1−𝛼 𝑒𝑡 𝑊𝛼 = (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ 𝑥𝑛 ≥ 𝑚0 + √ 𝑢1−𝛼
𝑛 𝑛
Remarque 5.3.1. 1. Intuitivement, on rejette l’hypothèse que la moyenne théorique 𝑚 soit
NS

la plus petite des deux moyennes lorsque la moyenne empirique est trop élevée.
2. La borne inférieure de la région critique 𝑊𝛼 se rapproche définiment de 𝑚0 lorsque 𝑛
tend vers +∞. Dans ces conditions on rejette 𝐻0 dès que 𝑥𝑛 dépasse de très peu 𝑚0 . En
effet, 𝑋 𝑛 étant un estimateur convergent de 𝑚, 𝑚0 constitue un point d’accumulation de
ME

la fonction densité de 𝑋 𝑛 et une valeur légèrement différente de 𝑚0 devient atypique.

3. La région critique 𝑊𝛼 ne dépend de 𝑚1 (la valeur de l’hypothèse alternative). Ainsi, 𝑊𝛼
est la région critique de tous les problèmes de tests de la forme
⎧ 𝐻0 ∶ 𝑚 = 𝑚0
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
⎩ 𝐻1 ∶ 𝑚 = 𝑚1 , 𝑚1 ⩾ 𝑚0
Par conséquent 𝑊𝛼 est la région critique des problèmes de tests de la forme
⎧ 𝐻0 ∶ 𝑚 = 𝑚0
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 𝑊𝛼 𝑒𝑠𝑡 𝑑𝑜𝑛𝑐 𝑈 𝑃 𝑃𝛼
⎪
⎩ 𝐻1 ∶ 𝑚 = 𝑚1 , 𝑚1 > 𝑚0
5.3. EXEMPLES 29

Puissance du test : 𝛼 étant fixé, il reste à évaluer 𝛽. 𝛽(𝑚1 ) = 1 − 𝛽(𝑚1 ) avec

({ })
𝜎
Π(𝑚1 ) )𝑃𝑚1 (𝑊𝛼 ) = 𝑃𝑚1 𝑋 𝑛 ⩾ 𝑚0 + √ 𝜇1−𝛼
𝑛

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
On obtient alors
({ }) { }
√ 𝑋 𝑛 − 𝑚1 √ 𝑚 − 𝑚1 ) √ (𝑚0 − 𝑚1 ) (√ 𝑚 − 𝑚 )
Π(𝑚 ) = 𝑃𝑚 𝑛 ⩾ 𝑛 0 + 𝜇1−𝛼 = 𝑃𝑚  (0, 1) ⩾ 𝑛 + 𝜇1−𝛼 = 1 − 𝐹 (0, 1) 𝑛 0 1
+ 𝜇1−𝛼

y
1 1 𝜎 𝜎 1 𝜎 𝜎

On obtient enfin

em
(√ 𝑚 − 𝑚 )
𝛽(𝑚1 ) = 𝐹 (0, 1) 𝑛 0 1
+ 𝜇1−𝛼
𝜎

Remarque 5.3.2. La puissance du test, et donc le risque de deuxième espèce 𝛽(𝑚1 ) dépend de
𝑚1 . Plus 𝑚1 est élevé plus 𝛽 est faible, et donc plus le test est puissant. Lorsque 𝑛 tend vers +∞,

cad
𝛽 tend vers 0 (Pas de risque de deuxième espèce).

Exemple 5.3.2. Dans le modèle, on veut tester la valeur de la variance (la moyenne 𝑚 supposée
( { })
connue). Le modèle est le suivant : 𝑋,  (𝑚, 𝜎 2 ); 𝜎02 < 𝜎12 On teste :

⎧ 𝐻0 ∶ 𝜎 2 = 𝜎 2
AA
⎪ 0

⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 𝑎𝑢 𝑠𝑒𝑢𝑖𝑙 𝛼
⎪ 2 2
⎩ 𝐻 1 ∶ 𝜎 = 𝜎1

Un raisonnement analogue au précédent permet d’obtenir l’égalité suivante :

{ }
∑
𝑛
(𝑥𝑖 − 𝑚)2 ⩾ 𝑘𝛼
NS

𝑊𝛼 = (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ 𝑎𝑣𝑒𝑐 𝑘𝛼 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑃𝜎 2 (𝑊𝛼 ) = 𝛼

0
𝑖=1

( )2
∑𝑛 𝑥𝑖 − 𝑚
Sous 𝐻0 ∶ 𝑖=1
2
⇝ (𝑛)
𝜎0
({ ( )2 })
ME

∑
𝑛
𝑥𝑖 − 𝑚 𝑘𝛼 𝑘𝛼
𝛼 = 𝑃𝜎 2 (𝑋1 , ⋯ , 𝑋𝑛 ) ∕ ⩾ = 𝐶1−𝛼 (𝑛)
0
𝑖=1
𝜎0 𝜎02 𝜎02

où 𝐶1−𝛼 (𝑛) est le fractile d’ordre 1 − 𝛼 de la loi du (𝑛)

2
Donc
{ }
∑
𝑛
𝑊𝛼 = (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ (𝑥𝑖 − 𝑚)2 ⩾ 𝜎02 𝐶1−𝛼 (𝑛)
𝑖=1

Toujours par analogie, on obtient le risque de deuxième espèce donnée par la relation
( )
𝜎02
𝛽(𝜎12 ) = 𝐹 2 𝐶1−𝛼 (𝑛)
(𝑛)
𝜎12
 30 CHAPITRE 5. TEST D’UNE HYPOTHÈSE CONTRE UNE AUTRE

5.4 Probabilité critique

Au lieu de décider en fonction du niveau du test choisi, les logiciels statistiques fournissent
des probabilités critiquespour le rejet de 𝐻0 .
Si 𝜑(𝑋) est la statistique du test, 𝑡 la valeur observée de 𝜑(𝑋), on aura
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Forme de la région critique 𝑊𝛼 Probabilité critique

{𝜑(𝑋) ⩾ 𝑘} 𝑃𝐻0 (𝜑(𝑋) ⩾ 𝑡)

y
{𝜑(𝑋) ⩽ 𝑘} 𝑃𝐻0 (𝜑(𝑋) ⩽ 𝑡)

em
𝛼0 étant le seuil choisi, si la probabilité critique 𝛼 est tel que 𝛼 < 𝛼0 , la valeur 𝑡 observée sur
l’échantillon se trouve dans 𝑊𝛼 . Donc on doit rejeter 𝐻0 . 𝛼 est appelé " p - value ".

5.5 Lien entre test UPP de Neyman et statistique exhaustive

Théorème 5.5.1. . cad
1. Si 𝑆 est une statistique exhaustive de l’échantillon, la rrégion critique du test 𝑈 𝑃 𝑃𝛼 ne
dépend que de 𝑆.
AA
2. Cette région critique peut être entièrement déterminée dans le modèle de 𝑆.

Démonstration. D’après le critère de factorisation, on a :

𝑓 (𝑥, 𝜃) = 𝑔(𝑥) × ℎ (𝑆(𝑥), 𝜃) 𝑔 ≥ 0 𝑒𝑡 ℎ > 0

NS

Le rapport des vraisemblances donne :

( )
̃ 𝜃1 ) ℎ 𝑆(𝑥), 𝜃1
𝐿(𝑥,
= ( )
̃ 𝜃0 ) ℎ 𝑆(𝑥), 𝜃0
𝐿(𝑥,

Donc 𝑊𝛼 est fonction des observations uniquement à travers la statistique 𝑆.

ME
 MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Chapitre 6

y
Tests d’hypothèses composites

em
6.1 Tests d’hypothèses unilatérales

cad
Les hypothèses sont composites lorsque Θ0 et Θ1 ne sont pas réduits à des singletons mais
sont plutôt des sous ensembles de ℝ, intervalles fermés ou non.
Le modèle étant :
( { })
𝑋, 𝑃𝜃 , 𝜃 ∈ Θ = Θ0 ∪ Θ1
AA
Les hypothèses à tester sont les suivantes :
⎧ 𝐻0 ∶ 𝜃 ≤ 𝜃 0 ⎧ 𝐻0 ∶ 𝜃 ≥ 𝜃0
⎪ ⎪
(1) ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 𝑜𝑢 (2) ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪ ⎪
⎩ 𝐻1 ∶ 𝜃 > 𝜃0 ⎩ 𝐻1 ∶ 𝜃 < 𝜃0
Remarque 6.1.1. 1. Pour résoudre le problème de test (2), il suffit de prendre 𝜆 = −𝜃 et se
NS

ramener au problème (1).

2. L’hypothèse alternative dans ce cadre n’est pas réduite à une seule loi.
3. Rien n’indique a priori l’existence d’un test 𝑈 𝑃 𝑃𝛼 . Il faut donc trouver des conditions
pour rechercher des tests 𝑈 𝑃 𝑃 .
ME

6.1.1 Famille de lois à rapport de vraisemblances monotones (RVM)

( )
Définition 6.1.1. Une famille de lois 𝑃𝜃 ; 𝜃 ∈ Θ de densité 𝑓 (𝑥, 𝜃) est le rapport de vrai-
semblances monotones ssi :
𝐿(𝑥,̃ 𝜃2 )
∀𝜃1 < 𝜃2 ,
𝐿(𝑥,̃ 𝜃1 )
est une fonction strictement croissante d’une statistique 𝑆 de l’échantillon.

Si ce rapport est strictement décroissant, on prendra 𝑇 = −𝑆.

Si 𝑃𝜃 appartient à l famille exponentielle, la densité s’écrirant

𝑓 (𝑥, 𝜃) = 𝐶(𝜃) × 𝑒𝑥𝑝 [𝛼(𝜃)𝑇 (𝑥) + 𝛽(𝜃)]

31
 32 CHAPITRE 6. TESTS D’HYPOTHÈSES COMPOSITES

alors 𝛽 est à RMV ssi 𝛼(𝜃) conserve un signe constant 𝑇 (𝑥).

Démonstration.
𝑓 (𝑥, 𝜃2 ) [( ) ( )]
= 𝑒𝑥𝑝 𝛼(𝜃2 ) − 𝛼(𝜃1 ) × 𝑇 (𝑥) + 𝛽(𝜃2 ) − 𝛽(𝜃1 )
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

𝑓 (𝑥, 𝜃1 )

est monotone de 𝑇 (𝑥) ssi 𝛼(𝜃2 ) − 𝛼(𝜃1 ) conserve un signe constant.

( { })
Exemple 6.1.1. Dans le modèle 𝑋,  (𝑚, 𝜎 2 ), 𝜎 2 𝑐𝑜𝑛𝑛𝑢 Pour 𝑚 > 𝑚1 on a :

y
[ ]
𝐿(𝑥1 , ⋯ , 𝑥𝑛 ; 𝑚2 ) ∑𝑛
( )

em
1 𝑛
= 𝑒𝑥𝑝 2
(𝑚2 − 𝑚1 ) 𝑥𝑖 − 2 𝑚22 + 𝑚21
𝐿(𝑥1 , ⋯ , 𝑥𝑛 ; 𝑚1 ) 𝜎 𝑖=1
2𝜎
∑𝑛
qui est une fonction croissante la statistique 𝑇 = 𝑖=1
𝑋𝑖 ou 𝑆 = 𝑋 𝑛 .

6.1.2 cad
Théorème de Lehman
Dans le cas où la loi de 𝑃𝜃 du modèle est une famille à RMV croissante pour la statistique
𝑇 , il existe, pour le problème de test

⎧ 𝐻0 ∶ 𝜃 ≤ 𝜃0
AA
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
⎩ 𝐻1 ∶ 𝜃 > 𝜃0 , 𝑎𝑢 𝑠𝑒𝑢𝑖𝑙 𝛼

un test 𝑈 𝑃 𝑃𝛼 dont la région critique est donnée par :

𝑊𝑈 𝑃 𝑃𝛼 = {𝑇 (𝑋) ≥ 𝑘} 𝑎𝑣𝑒𝑐 𝑃𝜃0 (𝑊𝑈 𝑃 𝑃𝛼 ) = 𝛼

NS

Remarque 6.1.2. La contrainte de niveau 𝑃𝜃0 (𝑊𝑈 𝑃 𝑃𝛼 ) = 𝛼 est satisfaite aux frontières de l’hy-
pothèse 𝐻0 ∶ 𝜃 = 𝜃0 .
Si la loi est discrète, on prendra le niveau 𝛼0 ≤ 𝛼, 𝛼0 le plus proche de 𝛼.
ME

Pour le problème :
⎧ 𝐻0 ∶ 𝜃 ≥ 𝜃0
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
⎩ 𝐻1 ∶ 𝜃 < 𝜃0
on reparamètre en prenant 𝜆 = −𝜃. Le rapport de vraisemblances est monotone décroissante en
𝑇 et croissante en 𝑆 = −𝑇 . On a :
{ }
𝑊𝑈 𝑃 𝑃𝛼 = {𝑆(𝑋) ≥ 𝑘} = 𝑇 (𝑋) ≤ 𝑘′

Par conséquent changer le sens des inégalités dans les hypothèses du test implique de changer
le sens de l’inégalité dans la région critique.
6.2. TESTS D’HYPOTHÈSES BILATÉRALES 33

Remarque 6.1.3. 1. Comme dans le cas du test de Neyman, la région critique 𝑊𝑈 𝑃 𝑃𝛼 étant
définie en termes de vraisemblances, elle ne dépend que des statistiques exhaustives.
2. L’inégalité de l’hypothèse nulle est large. Elle garantie que le niveau 𝛼 est effectivement
atteint sur l’ensemble des valeurs de Θ0 de l’hypothèse nulle.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
( { })
Exemple 6.1.2. 𝑋,  (𝑚, 𝜎 2 ), 𝑚 ∈ ℝ

⎧ 𝐻0 ∶ 𝑚 ≤ 𝑚0

y
⎪
1. ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 le modèle est à RMV croissante de 𝑇 (𝑋) = 𝑋 𝑛 , le théorème de Lehman
⎪

em
⎩ 𝐻1 ∶ 𝑚 > 𝑚0 { }
assure que : 𝑊𝑈 𝑃 𝑃𝛼 = {𝑇 (𝑋) ≥ 𝑘} = 𝑋 𝑛 ≥ 𝑘 avec
{ }
( ) 𝜎
𝑃𝑚0 𝑊𝑈 𝑃 𝑃𝛼 = 𝛼 𝑊𝑈 𝑃 𝑃𝛼 = 𝑋 𝑛 ≥ 𝑚0 + √ 𝜇1−𝛼

cad
Fonction puissance : .
∀𝑚 > 𝑚0 ,
𝑛

({ })
( ) (√ 𝑚 − 𝑚 )
𝜎
Π𝑚 = 𝑃𝑚 𝑊𝑈 𝑃 𝑃𝛼 = 𝑃𝑚 𝑋 𝑛 ≥ 𝑚0 + √ 𝜇1−𝛼 = 1−𝐹 (0, 1) 𝑛 0 + 𝜇1−𝛼
AA
𝑛 𝜎

Dans le même modèle, pour le problème

⎧ 𝐻0 ∶ 𝑚 ≥ 𝑚0
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
NS

⎩ 𝐻1 ∶ 𝑚 < 𝑚0
{ }
𝜎
on a 𝑊𝑈 𝑃 𝑃𝛼 = 𝑋 𝑛 ≤ 𝑚0 − √ 𝜇1−𝛼
𝑛
ME

6.2 Tests d’hypothèses bilatérales

On pose les problèmes de test dans lesquels l’une des hypothèses n’est pas un intervalle mais
( )
une réunion d’intervalles disjoints de ℝ. Θ0 𝑜𝑢 Θ1 𝑠𝑜𝑛𝑡 𝑛𝑜𝑛 𝑐𝑜𝑛𝑣𝑒𝑥𝑒𝑠

6.2.1 Test de l’extérieur d’un intervalle

On prend 𝜃1 < 𝜃2 , on teste les hypothèses suivantes :

⎧ 𝐻0 ∶ 𝜃 ≤ 𝜃1 𝑜𝑢 𝜃 ≥ 𝜃1
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
⎩ 𝐻1 ∶ 𝜃1 < 𝜃 < 𝜃2
 34 CHAPITRE 6. TESTS D’HYPOTHÈSES COMPOSITES
( { })
Théorème 6.2.1. Si le modèle 𝑋, 𝑃𝜃 , 𝜃 ∈ Θ appartirnt à la famille exponentielle, il existe
{ }
un test 𝑈 𝑃 𝑃𝛼 de région critique 𝑊𝛼 = 𝑘1 ≤ Π(𝑋) ≤ 𝑘2 avec 𝑘1 et 𝑘2 tels que 𝑃𝜃1 (𝑊𝛼 ) =
𝑃𝜃2 (𝑊𝛼 ) = 𝛼 (dans le cas d’une loi discrète, on prendre 𝛼0 ≤ 𝛼, avec 𝛼0 le plus petit proche de
𝛼.
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Remarque 6.2.1. Le niveau 𝛼 du test est atteint sur la frontière des valeurs des hypothèses.

Exemple 6.2.1. 𝑋 ⇝  (𝑚, 𝜎 2 )

y
⎧ 𝐻0 ∶ 𝑚 ≤ 𝑚1 𝑜𝑢 𝑚 ≥ 𝑚2
⎪

em
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
⎩ 𝐻1 ∶ 𝑚1 < 𝑚 < 𝑚2
𝑚∑
On suppose que 𝜎 2 connu. On a vu que dans ce modèle 2 𝑋𝑖 est une fonction strictement
𝜎
croissante
{ de 𝑚. D’après le}théorème il existe un test 𝑈 𝑃 𝑃 𝛼 de région critique
∑
𝑊𝛼 = 𝑘1 ≤
𝑛

𝑖=1

𝑃𝑚
cad
𝑋𝑖 ≤ 𝑘2 avec 𝑃𝑚1 (𝑊𝛼 ) = 𝑃𝑚2 (𝑊𝛼 ) = 𝛼 après transformation, les deux

conditions de niveau donnent

1
(
√ 𝑘′1 − 𝑚1
𝑛
𝜎
√ 𝑋 − 𝑚1
≤ 𝑛 𝑛
𝜎
√ 𝑘′ − 𝑚1
≤ 𝑛 2
𝜎
)
=𝛼 𝑃𝑚
2
(
√ 𝑘′1 − 𝑚2
𝑛
𝜎
√ 𝑋 − 𝑚2
≤ 𝑛 𝑛
𝜎
√ 𝑘′ − 𝑚2
≤ 𝑛 2
𝜎
)
=𝛼

on a deux intervalles de même longueur qui doivent avoir la même probabilité 𝛼.

AA
√ 𝑘′1 − 𝑚1
Soit 𝜖 tel que 𝑢𝜖 = 𝑛 on a
𝜎
( ) ( )
√ 𝑘′2 − 𝑚1 √ 𝑘′2 − 𝑚1
𝑃𝑚1 𝑢𝜖 ≤  (0, 1) ≤ 𝑛 = 𝛼 ⟺ 𝐹 (0,1) 𝑛 − 𝐹 (𝑢𝜖 ) = 𝛼
𝜎 𝜎
√ 𝑘′2 − 𝑚1
On a ainsi, 𝑛 = 𝑢𝜖+𝛼 donc
𝜎
NS

𝜎 𝜎
𝑘′1 = 𝑚1 + √ 𝑢𝜖 𝑒𝑡 𝑘′2 = 𝑚1 + √ 𝑢𝜖+𝛼
𝑛 𝑛
En injectant dans (2) on trouve
⎛ 𝜎
𝑚1 − 𝑚2 + √ 𝑢𝜖 𝑚1 − 𝑚2 + √ 𝑢𝜖+𝛼 ⎞
𝜎
⎜√ 𝑛 √ 𝑛 ⎟
ME

𝑃𝑚2 ⎜ 𝑛 ≤  (0, 1) ≤ 𝑛 ⎟=𝛼

⎜ 𝜎 𝜎 ⎟
⎜ ⎟
⎝ ⎠
⎡ 𝜎
𝑚1 − 𝑚2 + √ 𝑢𝜖 𝑚1 − 𝑚2 + √ 𝑢𝜖+𝛼 ⎤
𝜎
[ ] ⎢ √ 𝑛 √ 𝑛 ⎥
Les intervalles 𝑢𝜖 , 𝑢𝜖+𝛼 et ⎢ 𝑛 , 𝑛 ⎥ Soit de même lon-
⎢ 𝜎 𝜎 ⎥
⎢ ⎥
⎣ ⎦
√ 𝑚2 − 𝑚1
gueur et de même probabilité  (0, 1) étant syumétrique, 𝑛 + 𝑢𝜖 = −𝑢𝜖+𝛼 donc
√ 𝑚2 − 𝑚1 𝜎
𝑢𝜖 + 𝑢𝜖+𝛼 = 𝑛 . Ce qui détermine 𝜖 de manière unique. On en déduit 𝑘′1 et 𝑘′2 et la
𝜎
région critique 𝑊𝛼
6.2. TESTS D’HYPOTHÈSES BILATÉRALES 35

6.2.2 Test de l’intérieur d’un intervalle

On considère toujours 𝜃1 < 𝜃2 . On teste les hypothèses suivantes :

⎧ 𝐻0 ∶ 𝜃1 ≤ 𝜃𝜃2
⎪

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
⎩ 𝐻1 ∶ 𝜃 < 𝜃1 𝑜𝑢 𝜃 > 𝜃2

y
Définition 6.2.1. Un test de région critique 𝑊 est dit sans biais si
( ) ( )

em
∀𝜃 ∈ Θ0 , 𝑃𝜃 (𝑊 ) ≤ 𝛼 𝑒𝑡 ∀𝜃 ∈ Θ1 𝑃𝜃 (𝑊 ) ≥ 𝛼

Ces deux inégalités signifient que

∀𝜃 ∈ Θ0 , ∀𝜃 ′ ∈ Θ1 1 − 𝑃𝜃 (𝑊 ) ≥ 1 − 𝑃𝜃′ (𝑊 )

cad
Donc si le test est sans biais, la probabilité d’une bonne décision est toujours la plus grande
(quelle que soit). Donc la puissance du test est toujours supérieure au niveau du test.

Théorème 6.2.2. Si la famille de lois du modèle est de type exponentiel avec 𝛼(𝜃) strictement
croissante, alors pour le problème de test posé ; il existe un test 𝑈 𝑃 𝑃𝛼 de région critique 𝑊𝛼 =
{ }
AA
𝑇 (𝑋) ≤ 𝑘1 𝑜𝑢 𝑇 (𝑋) ≥ 𝑘2 avec 𝑃𝜃1 (𝑊𝛼 ) = 𝑃𝜃2 (𝑊𝛼 ) = 𝛼

Remarque 6.2.2. La double condition est souvent difficile à obtenir dans ce cas. On traite alors
le cas particulier suivant.

6.2.3 Cas particulier

NS

⎧ 𝐻0 ∶ 𝜃 = 𝜃0
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 On a considéré 𝜃1 = 𝜃2 = 𝜃0 . La région critique
⎪
⎩ 𝐻 ∶ 𝜃 ≠ 𝜃0
{1 }
𝑊𝛼 = 𝑇 (𝑋) ≤ 𝑘1 𝑜𝑢 𝑇 (𝑋) ≥ 𝑘2 avec 𝑃𝜃0 (𝑊𝛼 ) = 𝛼
ME

𝑆𝑐ℎ∸𝑚𝑎 𝑆𝑣𝑐ℎ∸𝑚𝑎

la fonction 𝜃 ⟼ 𝑃𝜃 (𝑊 ) atteint son minimum en 𝜃 = 𝜃0 , la fonction densité étant dérivable

(car exponentielle) 𝑃𝜃 (𝑊𝛼 ) = 𝑓 (𝑥, 𝜃)𝑑𝑥 on a
∫𝑊𝛼

𝜕𝑃𝜃 (𝑊𝛼 )
= 0 𝑒𝑛 𝜃 = 𝜃0 , 𝑓 (𝑥, 𝜃) = 𝐶(𝑥)𝑒𝑥𝑝 [𝛼(𝜃)𝑇 (𝑥) + 𝛽(𝜃)]
𝜕𝜃
On a
𝜕𝑃𝜃 (𝑊𝛼 ) 𝜕𝑓 (𝑥, 𝜃) 𝜕𝑙𝑜𝑔𝑓 (𝑥, 𝜃) ( ′ )
= 𝑑𝑥 = 𝑑𝑥 𝛼 (𝜃)𝑇 (𝑥) + 𝛽 ′ (𝜃) 𝑓 (𝑥, 𝜃)𝑑𝑥 = 0
𝜕𝜃 ∫𝑊𝛼 𝜕𝜃 ∫𝑊𝛼 𝜕𝜃 ∫𝑊𝛼
 36 CHAPITRE 6. TESTS D’HYPOTHÈSES COMPOSITES

Il vient que 𝛼 ′ (𝜃)𝑇 (𝑥) + 𝛽 ′ (𝜃) = 0 en 𝜃 = 𝜃0 on a

𝛼 ′ (𝜃) 𝑇 (𝑥)𝑓 (𝑥, 𝜃0 )𝑑𝑥 = −𝛽 ′ (𝜃0 ) 𝑓 (𝑥, 𝜃0 )𝑑𝑥 or 𝑓 (𝑥, 𝜃0 )𝑑𝑥 = 𝑃𝜃0 (𝑊𝛼 ) = 𝛼
∫𝑊𝛼 ∫𝑊𝛼 ∫𝑊𝛼
𝛼 ′ (𝜃0 )𝐸(𝑇 ) = −𝛽 ′ (𝜃0 )𝛼 Or d’après le théorème de Koopman, si le modèle appartient à la famille
exponentielle
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

𝛽 ′ (𝜃)
𝐸(𝑇 ) = − , 𝑇 (𝑥)𝑓 (𝑥, 𝜃)𝑑𝑥 = 𝛼𝐸𝛼0 (𝑇 ) , 𝐸𝜃0 (𝑇 1𝑊𝛼 ) = 𝛼𝐸𝜃0 (𝑇 ) = 𝐸𝜃 (𝑇 )𝐸𝜃0 (1𝑊𝛼 )
𝛼 ′ (𝜃) ∫𝑊𝛼

y
{ }
Dans la pratique, si la loi 𝑃𝜃 est symétrique par rapport à une valeur 𝛼 donnée 𝑊𝛼 = 𝑇 (𝑋) ≤ 𝑘1 𝑜𝑢 𝑇 (𝑋) ≥ 𝑘2

em
doit être symétrique par rapport à 𝛼 et vérifiant 𝑃𝜃0 (𝑊𝛼 ) = 𝛼. La deuxième condition est auto-
matiquement vérifiée.

Exemple 6.2.2. Pour le problème

⎧ 𝐻0 ∶ 𝑚 = 𝑚0

cad {
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
⎩ 𝐻1 ∶ 𝑚 ≠ 𝑚0
}
𝜎 𝜎
𝑊𝛼 = 𝑋 𝑛 ≤ 𝑚0 − √ 𝑢1−𝛼 𝑜𝑢 𝑋 𝑛 ≥ 𝑚0 − √ 𝑢1−𝛼
AA
𝑛 𝑛

6.3 Lien entre région critique du test et région de confiance

du paramètre

⎧ 𝐻0 ∶ 𝜃 = 𝜃0
NS

⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
⎩ 𝐻1 ∶ 𝜃 = 𝜃1
Si on note 𝑊𝛼 (𝜃0 ) la région d’acceptation de 𝐻0
{ } ( ) ( )
ME

𝐼𝐶1−𝛼 (𝜃) = 𝜃 ∕ 𝑋̃ ∈ 𝑊 𝛼 (𝜃0 ) 𝑃𝜃 𝜃 ∈ 𝐼𝐶1−𝛼 (𝜃) = 𝑃𝜃 𝑋̃ ∈ 𝑊 𝛼 (𝜃0 ) = 1 − 𝛼

Résumé sur la démarche générale d’un test :

1. Définir l’hypothèse nulle
2. Choisir la statistique du test et définir sa distribution de probabilité sous 𝐻0
3. Choisir le niveau de significativité du test 𝛼 et la région critique 𝑊𝛼
4. Calculer à partir des données de l’échantillon la valeur de la statistique du test
5. Prendre une décision concernant l’hypothèse 𝐻0
 MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Chapitre 7

y
Tests en présence de paramètres nuisibles

em
et tests asymptotiques généraux

7.1
( {
cad
Paramètre scalaire en présence d’un paramètre nuisible
})
(
𝜆
)
Le modèle est 𝑋, 𝑃𝜃 , 𝜃 ∈ Θ ; 𝜃 = . On veut tester les hypothèses sur 𝜆. La région
𝛿
critique du test va dépendre de 𝛿, 𝛿 étant inconnu. L’idée est de remplacer 𝛿 par un estimateur
AA
convergent. Ceci ne peut se faire que si on peut appliquer rigoureusement les théorèmes de
convergence, en particulier le théorème central limite. A défaut, on va choisir une "assez bonne"
statistique (ne faisant pas perdre beaucoup d’information). On se place dans le modèle de cette
statistique dont la loi ne dépend pas du paramètre nuisible 𝛿 mais seulement du paramètre testé
𝜆 et on procède au test.
NS

Exemple 7.1.1. (Test de la moyenne dans le modèle gaussien, variance connue)

⎧ 𝐻0 ∶ 𝑚 ≤ 𝑚0
⎪ { }

⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 On a vu que si 𝜎 est connu, la région critique du test est 𝑊𝛼 = 𝑋 𝑛 ≥ 𝑚0 + √𝜎𝑛 𝜇1−𝛼
⎪
⎩ 𝐻1 ∶ 𝑚 > 𝑚0
ME

où 𝜇1−𝛼 est le fractile d’ordre 𝛼 de  (0, 1). Si 𝜎 2 n’est pas connu, on le remplace par son esi-
( )2 √ 𝑋𝑛 − 𝑚
1 ∑𝑛
mateur convergent 𝑆𝑛2 = 𝑋𝑖 − 𝑋 𝑛 . On sait que 𝑛 converge en loi vers
𝑛 − 1 𝑖=1 𝜎
𝜎
 (0, 1) et converge presque sûrement vers 1. Par ailleurs, le théorème de Fisher indique que
𝑆𝑛
√ 𝑋𝑛 − 𝑚 (𝑛 − 1)𝑆𝑛2
𝑈 = 𝑛 et 𝑍 = sont deux variables indépendantes suivant respectivement
𝜎 𝜎2
 (0, 1) et (𝑛−1) . Par conséquent
2

√ 𝑋𝑛 − 𝑚
𝑛 ⇝ 𝑇 (𝑛 − 1)
𝑆𝑛
{ }
√ 𝑋𝑛 − 𝑚 √ 𝑋 𝑛 − 𝑚0
La vraie loi de 𝑛 étant connue, 𝑊𝛼 = 𝑛 ≥ 𝑡1−𝛼 (𝑛 − 1)
𝑆𝑛 𝑆𝑛

37
 38CHAPITRE 7. TESTS EN PRÉSENCE DE PARAMÈTRES NUISIBLES ET TESTS ASYMPTOTIQUES GÉNÉ

Exemple 7.1.2. (Test de la variance dans le modèle gaussien  (𝑚, 𝜎 2 ), 𝑚 étant inconnue.)
⎧ 𝐻0 ∶ 𝜎 2 ≤ 𝜎 2 { }
⎪ 0 ∑ (𝑋𝑖 − 𝑚)2
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 . Pour 𝑚 connue, on avait 𝑊𝛼 = 2
≥ 1−𝛼 2
(𝑛)
⎪ 𝑖
𝜎
2 2
⎩ 𝐻1 ∶ 𝜎 > 𝜎0
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Aucun théorème de convergence ne permet de remplacer 𝑚 par 𝑋 𝑛 . On va passer par 𝑆𝑛2 qui est
un estimateur sans biais optimal de 𝜎 2 . La loi 𝑆𝑛2 est à RVM pour 𝑆𝑛2 elle-même. Il existe un test
{ }
𝑆𝑛2
𝑈 𝑃 𝑃𝛼 solution du problème. La région critique est donnée par 𝑊𝛼 = (𝑛 − 1) 2 ≥ 1−𝛼 2
(𝑛 − 1)

y
𝜎

Remarque 7.1.1. 𝑆𝑛2 n’est pas une statistique exhaustive, donc en passant de l’échantillon au

em
modèle de 𝑆𝑛2 on perd de l’information.

7.2 Généralisation : test sur une fonction scalaire des para-

mètres cad
Ce test généralise le problème précédent. Dans la pratique, on va utiliser un bon estimateur
(l’EMV par exemple) de la fonction à tester et on se place dans le modèle de cet estimateur.
AA
Exemple 7.2.1. Une norme sanitaire impose qu’un produit alimentaire ne doit pas contenir un
taux d’une substance supérieure à un seuil 𝑠 pour une quantité 𝑁 donnée (le seuil 𝑠 ne doit
pas être dépassé dans 1 cas sur 𝑁). On prélève un échantillon de taille suffisament grande 𝑛 de
sorte que la variable représentant le taux de substance suive une loi normale. Le test consiste à
vérifier la conformité à la norme. On aura les hypothèses :
NS

⎧ ⎧ ( )
1 𝑋−𝑚 𝑠−𝑚 1
⎪ 𝐻0 ∶ 𝑃 (𝑋 > 𝑠) ≥ 𝑁 ⎪ 𝐻0 ∶ 𝑃 > ≥
⎪ ⎪ 𝜎 𝜎 𝑁
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 𝑜𝑢 ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
( )
⎪ 𝐻 ∶ 𝑃 (𝑋 > 𝑠) < 1 ⎪ 𝑋−𝑚 𝑠−𝑚 1
⎪ 1 𝑁 ⎪ 𝐻1 ∶ 𝑃 > <
⎩ ⎩ 𝜎 𝜎 𝑁
ME

⎧ 𝐻0 ∶ 𝑠 − 𝑚 − 𝜎𝜇1−𝛼 ≤ 0
⎪
Ce qui équivaut à ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 On connait de bons estimateurs de 𝑚 et 𝜎 que
⎪
⎩ 𝐻1 ∶ 𝑠 − 𝑚[(
− 𝜎𝜇1−𝛼 > 0
) ( )]
√ 𝑋𝑛 𝑚 (( ) ( ))
sont 𝑋 𝑛 et 𝑆𝑛 . On sait que 𝑛 − converge en loi vers 
0
,
𝜎2 0
0 2𝜎 4
𝑆𝑛2 𝜎2 0

√
Posons 𝑔(𝑦, 𝑧) = 𝑦 + 𝜇1− 1 𝑧 − 𝑠, on a ▽𝑔(𝑦, 𝑧) = (1, 2√1 𝑧 𝜇1− 1 ) ce qui signifie que
√ [ ]
𝑁 𝑁

𝑛 (𝑋 𝑛 + 𝜇1− 1 𝑆𝑛 − 𝑠) − (𝑚 + 𝜎𝜇1− 1 − 𝑠) converge en loi vers

𝑁 𝑁

( ( )( )) ( ( ))
( ) 𝜎2 0 1
1 2 1 2
 0, 1 𝜇 1 1 = 0 , 𝜎 1+ 𝜇 1
2𝜎 1− 𝑁 0 2𝜎 4 𝜇 1 2 1− 𝑁
2𝜎 1− 𝑁
7.3. TESTS ASYMPTOTIQUES GÉNÉRAUX 39
√
En posant 𝜆 = 𝑚 + 𝜎𝜇1− 1 − 𝑠 , 𝜆̂ 𝑛 = 𝑋 𝑛 + 𝜇1− 1 𝑆𝑛 − 𝑠, il vient que 𝑛(𝜆̂ 𝑛 − 𝜆) converge
( (𝑁 )) 𝑁
1
en loi vers  0 , 𝜎 2 1 + 𝜇2 1 . on peut donc tester les hypothèses dans le modèle de
2 1− 𝑁
𝜆̂ 𝑛 .
⎧ ⎫

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
⎧ 𝐻0 ∶ 𝜆 ≥ 0 ⎪ ⎪
⎪ ⎪√ 𝜆̂ 𝑛 − 𝜆 ⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 𝑊𝛼 = ⎨ 𝑛 √ ≤ −𝜇1−𝛼 ⎬, 𝜎 étant inconnue, si on sature la
⎪ ⎪ 𝜎 1 + 21 𝜇2 1 ⎪

y
⎩ 𝐻1 ∶ 𝜆 < 0 ⎪ 1− 𝑁 ⎪
⎩ ⎭
contrainte pour 𝐻0 (𝜆 = 0) on aura :

em
⎧ ⎫
⎪ ⎪ { ( √ ) }
⎪√ 𝜆̂ 𝑛 ⎪ 1 2
𝑊𝛼 = ⎨ 𝑛 √ ≤ −𝜇1−𝛼 ⎬ = 𝑋 𝑛 + 𝑆𝑛 𝜇1− 1 + 𝜇1−𝛼 1 + 𝜇 1 − 𝑠 ≤ 0
⎪ 1 2 ⎪ 𝑁 2 1− 𝑁
𝑆𝑛 1 + 2 𝜇 1
⎪ 1− 𝑁 ⎪
⎩ ⎭

7.3 cad
Tests asymptotiques généraux

7.3.1 Fondement
AA
Notons 𝜃̂𝑛 l’estimateur de vraisemblance de 𝜃 ∈ Θ ⊂ ℝ𝑝 .
√ ( ) ( )
La normalité asymptotique de 𝜃̂𝑛 implique que 𝑛 𝜃̂𝑛 − 𝜃 converge en loi vers  𝑂, 𝐼1−1 (𝜃)

( ) ( )
Lemme 7.3.1. (Slutsky) Pour 𝜃̂𝑛 asymptotiquement efficace, on 𝑛𝑡 𝜃̂𝑛 − 𝜃 𝐼 −1 (𝜃) 𝜃̂𝑛 − 𝜃
converge en loi vers (𝑞)
2
Sit 𝑔 la fonction vectorielle définie de Θ ⊂ ℝ𝑝 dans ℝ𝑝 . 𝑔 est donc
une fonction régulière. On aura
NS

( )
√ ( ) 𝜕𝑔(𝜃) −1 𝜕𝑔(𝜃) 𝑡
̂
𝑛 𝑔(𝜃𝑛 − 𝑔(𝜃)) 𝑐𝑜𝑛𝑣𝑒𝑟𝑔𝑒 𝑙𝑜𝑖 𝑣𝑒𝑟𝑠  0, 𝐼 (𝜃)
𝜕𝜃 𝜕𝜃
Soit Θ0 une partie de Θ telle que
⎧ 𝐻0 ∶ 𝜃 ∈ Θ0
ME

{ } ⎪
Θ0 = 𝜃 ∕ 𝑔𝑖 (𝜃) = 0 , 1 ≤ 𝑖 ≤ 𝑞 ≤ 𝑝 𝑂𝑛 𝑣𝑒𝑢𝑡 𝑡𝑒𝑠𝑡𝑒𝑟 ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
⎩ 𝐻1 ∶ 𝜃 ∈ Θ1
Cette situation est fréquente en économétrie lorsqu’il s’agit de tester la nullité
( de l’effet
{ d’un bloc
})
de variables exogènes sur la variable endogène . On se place dans le modèle 𝑋; 𝑃𝜃 , 𝜃 ∈ Θ
Définition 7.3.1. Dans ce modèle, un test de région critique 𝑊𝛼𝑛 , de niveau asymptotique 𝛼 est
dit convergent ssi :

∀𝜃 ∈ Θ0 , 𝑃𝜃 (𝑊𝛼𝑛 ) 𝑡𝑒𝑛𝑑 𝑣𝑒𝑟𝑠 1 𝑙𝑜𝑟𝑠𝑞𝑢𝑒 𝑛 𝑡𝑒𝑛𝑑 𝑣𝑒𝑟𝑠 + ∞

Le risque de deuxième espèce tend vers 0 lorsque 𝑛 tend vers +∞.

Pour résoudre le problème de test posé, on utilise trois tests équivalents qui sont convergents
 40CHAPITRE 7. TESTS EN PRÉSENCE DE PARAMÈTRES NUISIBLES ET TESTS ASYMPTOTIQUES GÉNÉ

7.3.2 Test de WALD

( ) ⎛ 0 ⎞ ⎛ 0 ⎞
ℎ(𝜃) ⎜ ⎟ ⎜ ⎟
La fonction 𝑔(𝜃) = , 𝐻0 ∶ ℎ(𝜃) = ⎜ … ⎟ 𝑂𝑛 𝑎 𝜃 = 𝜃0 ⟹ ℎ(𝜃0 ) = ⎜ ⋮ ⎟,
𝑘(𝜃) ⎜ ⎟ ⎜ ⎟
⎝ 0 ⎠ ⎝ 0 ⎠
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

𝑔 étant régulière, on a 𝑔(𝜃)

̂ = 𝑔(𝜃̂𝑛 ). Par conséquent, sous 𝐻0 , on écrit le Lemme de Slutsky
√ ( ) ( )
comme précédemment et obtient que 𝑛 𝑔(𝜃̂𝑛 ) − 𝑔(𝜃0 ) converge en loi vers 𝑞 0, 𝑀(𝜃0 )
𝑀(𝜃0 ) est une matrice 𝑞 × 𝑞 de variance - covariance

y
( ) ( )𝑡
𝜕𝑔(𝜃) 𝜕𝑔(𝜃)
𝑀(𝜃0 ) = 𝐼 −1 (𝜃0 )

em
𝜕𝜃 𝜃=𝜃0 𝜕𝜃 𝜃=𝜃0

On a ainsi
( )( )−1 ( )
𝑛𝑡 𝑔(𝜃̂𝑛 ) − 𝑔(𝜃0 ) 𝑀(𝜃0 ) 𝑔(𝜃̂𝑛 ) − 𝑔(𝜃0 ) 𝑞𝑢𝑖 𝑐𝑜𝑛𝑣𝑒𝑟𝑔𝑒 𝑣𝑒𝑟𝑠 (𝑞)
2

cad
sous 𝐻0 , la région critique du test de WALD est
{ ( )(
𝑊𝛼𝑛 = 𝑛𝑡 𝑔(𝜃̂𝑛 ) − 𝑔(𝜃0 ) 𝑀(𝜃0 )
)−1 ( )
𝑔(𝜃̂𝑛 ) − 𝑔(𝜃0 ) ≥ (𝑞),1−𝛼
2
}

Sous 𝐻1 , on a
( )( )−1 ( )
𝑔(𝜃̂𝑛 ) − 𝑔(𝜃0 ) 𝑀(𝜃0 ) 𝑔(𝜃̂𝑛 ) − 𝑔(𝜃0 ) ≥ 0
AA
𝑡

( )( )−1 ( )
Donc 𝑛𝑡 𝑔(𝜃̂𝑛 ) − 𝑔(𝜃0 ) 𝑀(𝜃0 ) 𝑔(𝜃̂𝑛 ) − 𝑔(𝜃0 ) → +∞. Ainsi, lim 𝑃𝜃∈Θ (𝑊𝛼𝑛 ) = 1 Le
𝑛→+∞ 0

test de WALD est convergent.

7.3.3 Test du rapport des maxima de vraisemblance

NS

Soit 𝑋 (𝜃)
̂ la vraisemblance sous l’hypothèse 𝐻0 ∶ 𝜃 ∈ Θ0 ,
( )
̂ = 𝑀𝑎𝑥 𝑋 (𝜃), 𝜃 ∈ Θ0
𝑋 (𝜃)
( )
ME

Or 𝜃̂ est le 𝑀𝑎𝑥 𝑋 (𝜃), 𝜃 ∈ Θ Par conséquent, si 𝐻0 est vraie, 𝑋 (𝜃) ̃ doit être proche de
𝑋 (𝜃̂𝑛 ). Le test du rapport des maxima de vraisemblance est basée sur la région critique :
{ } { }
 (𝜃)̃  (𝜃̂ )
𝑊𝛼 = 𝑋 ∈ ℝ𝑛 ∕ 𝑥 ≥ 𝑘𝛼 𝑜𝑢 𝑋 ∈ ℝ𝑛 ∕ 𝑋 𝑛 < 𝑘𝛼
̂𝑛
𝑥 (𝜃) ̃
𝑋 (𝜃)

𝑋 (𝜃̂𝑛 )
Pour trouver 𝑘𝛼 , il faut connaître la loi asymptotique du rapport .
 ̃
(𝑋 (𝜃) )
𝑋 (𝜃̂𝑛 )
On va faire un développement limité de Taylor à l’ordre 1 de 𝑙𝑜𝑔 qui donne
𝑋 (𝜃) ̃
( )𝑡
( ) ( ) 𝜕𝑙𝑜𝑔𝑋 (𝜃)
𝑙𝑜𝑔 𝑋 (𝜃̂𝑛 ) − 𝑙𝑜𝑔 𝑋 (𝜃)
̃ ≃ ̃ − 1 (𝜃̂𝑛 − 𝜃)𝐼
(𝜃̂𝑛 − 𝜃) ̃ −1 (𝜃𝑛 )(𝜃̂𝑛 − 𝜃)
̃ + (𝜃̂𝑛 − 𝜃)
̃
𝜕𝜃 𝜃=𝜃̂𝑛 2
7.3. TESTS ASYMPTOTIQUES GÉNÉRAUX 41

𝜕𝑙𝑜𝑔𝑋 (𝜃)
Or = 𝑆𝑋 (𝜃) (la fonction score) et 𝑆𝑋 (𝜃̂𝑛 ) = 0. On définit la statistique 𝐷𝑒𝑣 =
[ 𝜕𝜃 ]
2 𝑙𝑜𝑔𝑋 (𝜃̂𝑛 ) − 𝑙𝑜𝑔𝑋 (𝜃) ̃ qui asymptotiquement a la même loi que la statistique 𝑇 = (𝜃̂𝑛 −
𝜃)𝑡 𝐼 −1 (𝜃̂𝑛 )(𝜃̂𝑛 −𝜃) . 𝐷𝑒𝑣 est appelé la deviance. Par conséquent, en vertu des résultats précédents,
on a :

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
[ ]
̃ converge en loi vers  2 . La région critique
Théorème 7.3.1. 𝐷𝑒𝑣 = 2 𝑙𝑜𝑔𝑋 (𝜃̂𝑛 ) − 𝑙𝑜𝑔𝑋 (𝜃) (𝑞)
est donc :

y
{ }
2
𝑊𝛼 = 𝐷𝑒𝑣 ≥ (𝑞),1−𝛼

em
Remarque 7.3.1. La statistique du test de rapport des maxima de vraisemblance est plus facile
à calculer que celle du test de WALD.

7.3.4 Test des scores(Test du multiplicateur de Lagrange)

On considère 𝜃̃ ;{

0, 1 ≤ 𝑖 ≤ 𝑞 ≤ 𝑝
cad
l’estimateur du maximum de vraisemblance de 𝜃 sous la contrainte 𝑔𝑖 (𝜃) =
𝜃̃ = 𝑀𝑎𝑥𝐿𝑜𝑔𝑋 (𝜃)
𝑆.𝐶 ℎ(𝜃)
𝜃̃ est solution de l’équation

𝜕 ( )
𝐿𝑜𝑔𝑋 (𝜃) − 𝜆ℎ(𝜃) = 0 sous les conditions de normalité asymptotique de l’EMV. Sous
𝜕𝜃 ( )
AA
√ 𝜕𝑙𝑜𝑔𝑋 (𝜃)
̃ 𝜕𝑔(𝜃) −1 𝜕𝑔(𝜃) 𝑡
l’hypothèse 𝐻0 , la statistique 𝑛 converge en loi vers  0 , 𝑀 (𝜃)
𝜕𝜃 𝜕𝜃 𝜕𝜃
On obtient le théorème sous 𝐻0 . La statistique
[ ]𝑡 [ ]
𝜕 ̃ 𝜕 𝑙𝑜𝑔𝑋 (𝜃)
̃ 𝐼(𝜃) ̃
𝑆=𝑛 𝑙𝑜𝑔𝑋 (𝜃)
𝜕𝜃 𝜕𝜃
converge en loi vers (𝑞)
2
. On en déduit la région critique du test des scores
NS

{ }
2
𝑊𝛼 = (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ 𝑆 ≥ (𝑞)

Ces trois tests sont équivalents. On s’attend à ce que les conclusions obtenues des trois tests
soient les mêmes.
ME
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Chapitre 8

y
Tests de comparaison d’échantillons (Tests

em
empiriques)

8.1 cad
Position du problème
On dispose de deux échantillons etraits a priori de loi différentes et indépendants l’un de
l’autre. Échantillon 𝐸 1 ∶ (𝑋11 , ⋯ ; 𝑋𝑛1 ) de loi 𝑃𝜃1 . Échantillon 𝐸2 ∶ (𝑋12 , ⋯ , 𝑋𝑛2 ) de loi 𝑃𝜃2 . Le
AA
⎧ 𝐻0 ∶ 𝜃1 = 𝜃2 ⎧ 𝐻0 ∶ 𝜃1 ≤ 𝜃2
⎪ ⎪
problème de test est ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 𝑜𝑢 ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪ ⎪
⎩ 𝐻1 ∶ 𝜃 ≠ 𝜃2 ⎩ 𝐻1 ∶ 𝜃1 > 𝜃2

8.2 Comparaison de deux fréquences

NS

8.2.1 Comparaison d’une fréquence expérimentale et d’une fréquence théo-

rique (test de conformité)
ME

Dans une population 𝑃 , on étudie un caractère dichotomique prenant les modalités 𝐴 et 𝐴.

Soit 𝑝 la fréquence d’apparition du caractère (ou la proportion ou pourcentage) 𝐴 dans la popu-
lation ; 𝑓 la fréquence d’apparition de 𝐴 sur un échantillon de 𝑃 .
Question : l’échantillon observé est-il représentatif de la population 𝑃 , c’est-à-dire la différence
observée entre 𝑝 et 𝑓 est-elle dûe aux fluctuations d’échantillonnage ?
La taille 𝑛 de l’échantillon doit être telle que 𝑛 ≥ 30, 𝑛𝑝 > 5 𝑒𝑡 𝑛(1−𝑝) > 5. Soit 𝐹 la variable
aléatoire représentant la fréquence d’apparition de 𝐴, 𝐹 prend la valeur 𝑓 sur l’échantillon. La
𝐹 −𝑝 𝑓 −𝑝
statistique 𝑈 = √ ⇝  (0, 1) Sa valeur sur un échantillon est 𝑢 = √ .
𝑝(1−𝑝) 𝑝(1−𝑝)
𝑛 𝑛
Règles de décision pour un seuil 𝛼 donné.

42
8.2. COMPARAISON DE DEUX FRÉQUENCES 43

Test bilatéral
⎧ 𝐻0 ∶ 𝑓 = 𝑝
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 En notant 𝜇1− 𝛼 le fractile de  (0, 1), si −𝜇1− 𝛼 ≤ 𝑢 ≤ 𝜇1− 𝛼 , on rejette
⎪
2 2 2

⎩ 𝐻1 ∶ 𝑓 ≠ 𝑝

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
𝐻0 au seuil 𝛼.

y
Test unilatéral
⎧ 𝐻0 ∶ 𝑓 ≥ 𝑝

em
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 Si 𝑢 < −𝜇1−𝛼 on rejette 𝐻0 .
⎪
⎩ 𝐻1 ∶ 𝑓 < 𝑝
⎧ 𝐻0 ∶ 𝑓 ≤ 𝑝
⎪

8.2.2
cad
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
⎩ 𝐻1 ∶ 𝑓 > 𝑝
𝑆𝑖 𝑢 > 𝜇1−𝛼 𝑜𝑛 𝑟𝑒𝑗𝑒𝑡𝑡𝑒 𝐻0

Comparaison de deux fréquences expérimentales (Test d’homogé-

néité)
AA

Soient 𝑃1 et 𝑃2 deux populations (ou deux sous populations d’une même population 𝑃 ). Le
caractère dichotomique est onservé sur les deux populations où la fréquence d’apparition de la
modalité 𝐴 est 𝑝1 dans 𝑃1 et 𝑝2 dans 𝑃2 .
De 𝑃1 , on extrait un échantillon 𝐸1 de taille 𝑛1 , sur lequel la fréquenced’apparition de 𝐴 est 𝑓1 .
De même pour 𝑃2 , 𝐸2 de taille 𝑛2 de fréquence 𝑓2 .
NS

Supposons qu’on a : 𝑛1 ≥ 30, 𝑛1 𝑝1 ≥ 5, 𝑛1 𝑓1 ≥ 5, 𝑛1 (1 − 𝑝1 ) ≥ 5 𝑒𝑡 𝑛1 (1 − 𝑓2 ) ≥ 5

𝑛2 ≥ 30, 𝑛2 𝑝2 ≥ 5, 𝑛2 𝑓2 ≥ 5, 𝑛2 (1 − 𝑝2 ) ≥ 5, 𝑛2 (1 − 𝑓2 ) ≥ 5
Notons 𝐹1 la variable prenant la valeur 𝑓1 sur 𝐸1 , et 𝐹2 la variable prenant 𝑓2 sur 𝐸2 . Notons
𝑛 𝑓 + 𝑛2 𝑓2 (𝐹 − 𝐹2 ) − (𝑝1 − 𝑝2 )
𝑝̂ = 1 1 la statistique 𝑈 = √1 ⇝  (0, 1)
ME

𝑛1 + 𝑛2 ̂ 1 + 1)
̂ − 𝑝)(
𝑝(1 𝑛1 𝑛2
(𝑓 − 𝑓2 ) − (𝑝1 − 𝑝2 )
Sur 𝐸1 et 𝐸2 la statistique 𝑈 prend la valeur 𝑢 = √1
̂ − 𝑝)(
𝑝(1 ̂ 𝑛1 + 𝑛1 )
1 2
Règles de décision :

Test bilatéral
⎧ 𝐻0 ∶ 𝑝1 = 𝑝2
⎪ 𝑓1 − 𝑓2
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 Sous 𝐻0 , 𝑢 = √ Si −𝜇1− 𝛼 ≤ 𝑢 ≤ 𝜇1− 𝛼 , on ne
⎪
2 2
̂ − 𝑝)(
𝑝(1 ̂ 𝑛1 + 1
)
⎩ 𝐻1 ∶ 𝑝1 ≠ 𝑝2 1 𝑛2
rejette pas 𝐻0 .
 44 CHAPITRE 8. TESTS DE COMPARAISON D’ÉCHANTILLONS (TESTS EMPIRIQUES)

Test unilatéral
⎧ 𝐻0 ∶ 𝑝1 ≥ 𝑝2 ⎧ 𝐻0 ∶ 𝑝1 ≤ 𝑝2
⎪ ⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 𝑜𝑢 ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪ ⎪
⎩ 𝐻1 ∶ 𝑝1 < 𝑝2 ⎩ 𝐻1 ∶ 𝑝1 > 𝑝2
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

8.3 comparaison de moyennes

y
8.3.1 Comparaison d’une moyenne expérimentale et une moyenne théo-

em
rique (Test de conformité)
Dans la population 𝑃 , la variable 𝑋 a pour espérance 𝐸(𝑋) = 𝜇, et de variance 𝑉 𝑎𝑟(𝑋) =
∑𝑛 ∑𝑛
𝜎 2 . On extrait de 𝑃 un échantillon de taille 𝑛, 𝑋 𝑛 = 1𝑛 𝑖=1 𝑋𝑖 prend la valeur 𝑥𝑛 = 1𝑛 𝑖=1 𝑥𝑖 ,
1 ∑𝑛 1 ∑𝑛
la variance estimée de 𝑋 est 𝑆𝑛2 = 𝑛−1 (𝑋𝑖 −𝑋 𝑛 )2 et prend la valeur 𝑠2𝑛 = 𝑛−1 (𝑥 −𝑥𝑛 )2

Problème : cad 𝑖=1 𝑖=1 𝑖

La différence observée entre 𝑥𝑛 et 𝜇 est-elle dûe aux fluctuations d’échantillonnage ? On a les

règles de décision suivantes, au seuil de 𝛼 donné.
𝑋 −𝜇
AA
La statistique 𝑈 = 𝑛𝑆 ⇝ 𝑇 (𝑛 − 1) (on suppose ici que 𝑋 ⇝  (𝜇, 𝜎 2 )).
√𝑛
𝑛

Test bilatéral
⎧ 𝐻0 ∶ 𝑋 𝑛 = 𝜇
⎪ 𝑥 −𝜇
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 𝑈 prend la valeur 𝑢 = 𝑛 √ sur l’échantillon. On rejette 𝐻0 si l’on
⎪
NS

𝑠𝑛 ∕ 𝑛
⎩ 𝐻1 ∶ 𝑋 𝑛 ≠ 𝜇
a : −𝑡1− 𝛼 (𝑛 − 1) ≤ 𝑢 ≤ 𝑡1− 𝛼 (𝑛 − 1), où 𝑡1− 𝛼 (𝑛 − 1) est le fractile de la loi de Student 𝑇 (𝑛 − 1).
2 2 2

Test unilatéral
⎧ 𝐻0 ∶ 𝑋 𝑛 ≥ 𝜇
ME

⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 Si 𝑢 ≥ −𝑡1−𝛼 (𝑛 − 1) , on ne rejette pas 𝐻0 .
⎪
⎩ 𝐻1 ∶ 𝑋 𝑛 < 𝜇
Remarque 8.3.1. Pour 𝑛 grand, on a : 𝑡1−𝛼 (𝑛 − 1) ≃ 𝜇1−𝛼 et 𝑡1− 𝛼 (𝑛 − 1) ≃ 𝜇1− 𝛼 .
2 2

8.3.2 Comparaison de deux moyennes expérimentales (Test d’homogénéité

dans deux échantillons indépendants)
Population 𝑃1 : 𝜇1 , 𝜎12 ; on extrait un échantillon 𝐸1 ∶ 𝜇̂ 1 = 𝑋 1 , 𝑒𝑡 𝜎̂ 12 = 𝑆12 .
Population 𝑃2 : 𝜇2 , 𝜎22 ; on extrait un échantillon 𝐸2 ∶ 𝜇̂ 2 , 𝜎̂ 22 = 𝑆22 . On veut vérifier si 𝑃1 et
𝑃2 ont la même moyenne. Pour cela, on considère la différence entre 𝑋 1 et 𝑋 2 . La statistique
8.3. COMPARAISON DE MOYENNES 45

(𝑋 1 − 𝑋 2 ) − (𝜇1 − 𝜇2 )
𝑈= √ ⇝  (0, 1)
𝜎12 𝜎22
𝑛1
+ 𝑛2
Pour 𝑛1 et 𝑛2 grands, si 𝜎12 et 𝜎22 inconnues, on les estiment par 𝜎̂ 12 = 𝑆12 et 𝜎̂ 22 = 𝑆22 . On note
ainsi,

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
√
(𝑛1 − 1)𝑆12 + (𝑛2 − 1)𝑆22 (𝑋 1 − 𝑋 2 ) − (𝜇1 − 𝜇2 )
√

y
𝜎̂ = 𝑒𝑡 𝑈 = ⇝  (0, 1)
𝑛1 + 𝑛2 − 2 𝜎̂ 𝑛1 + 𝑛1
1 2

em
Cas des petits échantillons (𝑛1 < 30 ou 𝑛2 < 60) : On fait l’hypothèse
que les observations suivent la loi gaussienne.

Cas 𝜎1 = 𝜎2 = 𝜎
cad
(𝑋 1 − 𝑋 2 ) − (𝜇1 − 𝜇2 )
Ka variable 𝑇 = √ ⇝ 𝑇 (𝑛1 +𝑛2 −2), 𝜎 n’étant pas connu, on l’estime
𝜎 𝑛1 + 𝑛1
AA
par
1 2

√
(𝑛1 − 1)𝑆12 + (𝑛2 − 1)𝑆22
𝜎̂ =
𝑛1 + 𝑛2 − 2

𝑥 − 𝑥2
Sous 𝐻0 , 𝜇1 = 𝜇2 , la variable 𝑇 prende la valeur 𝑡 = √1 .
1 1
NS

𝜎̂ 𝑛 + 𝑛
1 2

⎧ 𝐻0 ∶ 𝜇1 = 𝜇2
⎪
Test bilatéral : ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
ME

⎪
⎩ 𝐻1 ∶ 𝜇1 ≠ 𝜇2
On rejette 𝐻0 si −𝑡1− 𝛼 (𝑛1 + 𝑛2 − 2) ≤ 𝑡 ≤ 𝑡1− 𝛼 (𝑛1 + 𝑛2 − 2)
2 2

⎧ 𝐻0 ∶ 𝜇1 ≥ 𝜇2
⎪
Test unilatéral : ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 On rejette 𝐻0 si 𝑡 ≤ 𝑡1−𝛼 (𝑛1 + 𝑛2 − 2).
⎪
⎩ 𝐻1 ∶ 𝜇1 < 𝜇2
⎧ 𝐻0 ∶ 𝜇1 ≤ 𝜇2
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 On rejette 𝐻0 si 𝑡 ≤ 𝑡1−𝛼 (𝑛1 + 𝑛2 − 2).
⎪
⎩ 𝐻1 ∶ 𝜇1 > 𝜇2
 46 CHAPITRE 8. TESTS DE COMPARAISON D’ÉCHANTILLONS (TESTS EMPIRIQUES)

Cas 𝜎1 ≠ 𝜎2
( )2 ( )2
𝑆12 𝑆22 𝑆12 ∕𝑛1 1 𝑆22 ∕𝑛2
On note 𝑆𝑑2 = + Soit 𝜆 l’entier tel que 1
= 1
+ .
𝑛1 𝑛2 𝜆 𝑛1 −1 𝑆𝑑2 𝑛2 − 1 𝑆𝑑2
(𝑋 1 − 𝑋 2 ) − (𝜇1 − 𝜇2 )
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

La variable 𝑇 = √ ⇝ 𝑇 (𝜆) On prendra 𝜆 l’entier le plus proche.

2
𝑆𝑑
𝑥1 − 𝑥2
Sous l’hypothèse 𝐻0 , la variable 𝑇 prend la valeur : 𝑡 = √ On calcule 𝑡 sur les échantillons

y
2
𝑆𝑑
et on effectue les tests comme précédement.

em
Remarque 8.3.2. Pour faire ces tests, il faut au préable tester l’égalité des variances des deux
populations.

8.3.3
cad
Commparaison de deux moyennes expérimentales dans le cas d’échan-
tillons appariés
Définition 8.3.1. Les échantillons 𝐸1 et 𝐸2 sont appariés (associés par paires) si à chaque
valeur 𝑋𝑖1 de 𝐸1 est associée une valeur 𝑋𝑖2 de 𝐸2 .
AA
Exemple 8.3.1. (Santé)
𝐸1 : groupe de malades avant application du traitement.
𝐸2 : groupe de même malades après traitement.
on calcule la variable 𝑑𝑖 = 𝑋𝑖1 − 𝑋𝑖2 On a ainsi l’échantillon (𝑑1 , ⋯ , 𝑑𝑛 ) qui a pour moyenne
∑𝑛 1 ∑𝑛 2 𝑋1 − 𝑋2
𝑑 = 1𝑛 𝑖=1 𝑑𝑖 et variance 𝑆𝑑2 = 𝑛−1 𝑑 2 − 𝑑 . La variable 𝑇 = √
𝑖=1 𝑖
converge en loi
𝑆𝑑2
NS

𝑛
⎧ 𝐻0 ∶ 𝑑 = 0
⎪
vers la loi de Student 𝑇 (𝑛 − 1). Le test consiste à comparer 𝑑 à 0. ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪
⎩ 𝐻1 ∶ 𝑑 ≠ 0
ME

Conclusion : Si 𝑛 > 30, on utilise la loi normale. Par contre, si 𝑛 ≤ 30 on utilise la loi de
Student.

8.4 Comparaison de deux variances

Il s’agit ici des observations suivant des lois gaussiennes.

8.4.1 Variance théorique et variance expérimentale (Test de conformité)

La variable 𝑋 définie sur la population 𝑃 . 𝐸(𝑋) = 𝜇 et 𝑉 𝑎𝑟(𝑋) = 𝜎 2 . On constitue un
échantillon 𝐸 de 𝑃 de taille 𝑛, de moyenne 𝑋 et de variance 𝑆 2 .
8.4. COMPARAISON DE DEUX VARIANCES 47

Question : La différence entre 𝜎 2 et 𝑆 2 est elle dûe aux fluctuations d’échantillonnage ?

2
On a : 𝑋 ⇝  (𝜇, 𝜎 2 ), 𝑌 2 = (𝑛 − 1) 𝑆𝜎 2 ⇝ (𝑛−1)
2
Sur l’échantillon 𝑌 2 prend la valeur
(𝑛−1) 2
𝑦2 = 𝜎2
𝑠

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
test bilatéral

y
⎧ 𝐻0 ∶ 𝑆 2 = 𝜎 2
⎪

em
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 au seuil 𝛼 donné. On cherche 𝑎 et 𝑏 tels que
⎪ 2 2
⎩ 𝐻1 ∶ 𝑆 ≠ 𝜎
𝑃 (𝑎 < 𝑌 2 ≤ 𝑏) = 1 − 𝛼 𝑎 =  2𝛼 (𝑛 − 1) 𝑒𝑡 𝑏 = 1− 𝛼 (𝑛 − 1). 𝑎 ≤ 𝑦 ≤ 𝑏 , on ne rejette pas 𝐻0
2 2
2 2

√ √
Pour 𝑛 > 30, on utilise l’approximation normale 2𝜈 − 1 ⇝  (0, 1) , 𝜈 étant

cad
le nombre de degré de liberté du  2 .

8.4.2 Comparaison de deux variances expérimentales

2𝑌 2 −

En reprenant les mêmes notations sur les échantillons 𝐸1 et 𝐸2 . On veut tester

AA
⎧ 𝐻0 ∶ 𝜎 2 ≤ 𝜎 2
⎪ 1 2
𝑆2 𝑆2
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 On sait que (𝑛1 −1) 𝜎 12 ⇝ (𝑛2 −1) et (𝑛2 −1) 𝜎 22 ⇝ (𝑛2 −1) indépendamment.
1 2
⎪ 2 2
1 2

⎩ 1
𝐻 ∶ 𝜎 1
> 𝜎2
𝑆 2 ∕𝜎 2
(𝑛1 − 1) 𝑛1 −11 𝑆12 𝜎22 𝑆12
1
= 𝑆22
× 𝜎12
⇝ 𝐹 (𝑛1 − 1, 𝑛2 − 1) La variable 𝑇 = 𝑆22
est paramétrée par
𝑆22 ∕𝜎22
(𝑛2 − 1) 𝑛 −1
NS

2
𝜎2 ∕𝜎12 .
2

Posons 𝜃 = 𝜎22 ∕𝜎12 La loi de 𝑇 est RVM croissant, donc il existe un test 𝑈 𝑃 𝑃𝛼 de région cri-
{ } ⎧ 𝐻0 ∶ 𝜃 ≤ 1
𝑆12 ⎪
tique : 𝑊𝛼 = (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ 2 ≥ 𝑘 pour tester les hypothèses ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 au seuil 𝛼.
𝑆2 ⎪
ME

⎩ 𝐻1 ∶ 𝜃 > 1
Avec 𝑃𝜃=1 (𝑊𝛼 ) = 𝛼
{ }
𝑆12
𝑊𝛼 = (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ ≥ 𝐹1−𝛼 (𝑛1 − 1, 𝑛2 − 1)
𝑆22
Pour tester les hypothèses
⎧ 𝐻0 ∶ 𝜎 2 = 𝜎 2 { }
⎪ 1 2 𝑆12 𝑆12
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒 𝑊𝛼 = (𝑥1 , ⋯ , 𝑥𝑛 ) ∕ 2 ≤ 𝐹𝛼1 (𝑛1 − 1, 𝑛2 − 1) 𝑜𝑢 2 ≥ 𝐹1−𝛼1 (𝑛1 − 1, 𝑛2 − 1)
⎪ 𝑆2 𝑆2
2 2
⎩ 𝐻 1 ∶ 𝜎1 ≠ 𝜎2
Avec 0 ≤ 𝛼1 < 𝛼
Remarque 8.4.1. On prendra le soin de mettre au numérateur la variance 𝑆𝑖2 la plus grande.
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Chapitre 9

y
Tests de l’adéquation du modèle : Tests

em
non paramétriques

9.1 Contexte cad

Dans les problèmes de test précédents on a fait l’hypothèse que les observations provenaient
de famille spécifiée dans le modèle, or face aux obserations et ayant un modèle à leur proposer,
il est nécessaire de soumettre ce modèle à une évaluation de son aptitude à rendre compte de la
AA
distribution du phénomèse étudié : il s’agit de l’adéquation du modèle des observations.
L’adéquation peut être juger d’un point de vue descriptif : QQ plot, PP gaussien, Droite de
Henry. Elle peut être testée rigoureusement, dans ce cas si 𝑃 est la vraie loi inconnue des obser-
vations et 𝑃0 la loi supposée être suivie par les observations. On va tester :
NS

⎧ 𝐻0 ∶ 𝑃 = 𝑃0 (𝑖𝑙 𝑦 𝑎 𝑎𝑑∸𝑞𝑢𝑎𝑡𝑖𝑜𝑛)
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪ ′
⎩ 𝐻1 ∶ 𝑃 ≠ 𝑃0 (𝑖𝑙 𝑛 𝑦 𝑎 𝑝𝑎𝑠 𝑎𝑑∸𝑞𝑢𝑎𝑡𝑖𝑜𝑛)
ME

9.2 Le théorème de Pearson

{ }
Soit 𝑃0 une loi discrète sur Ω fini. 𝑋 une variable aléatoire définie sur Ω = 𝑎1 , ⋯ , 𝑎𝑛 . 𝑋
peut être qualitative ou ordinale. Soit 𝑃 la vraie loi de 𝑋 inconnue et 𝑝𝑗 = 𝑃 (𝑋 = 𝑎𝑗 ) Soit
𝑁𝑗
(𝑋1 , ⋯ , 𝑋𝑛 ) un échantillon de 𝑋 de taille 𝑛, 𝑁𝑗 = 𝐶𝑎𝑟𝑑{𝑎𝑗 } 𝑓𝑛𝑗 =
𝑛
Théorème 9.2.1. ( 𝑗 )2
∑
𝑘
𝑓𝑛 − 𝑝𝑗 2
𝑛 𝑐𝑜𝑛𝑣𝑒𝑟𝑔𝑒 𝑒𝑛 𝑙𝑜𝑖 𝑣𝑒𝑟𝑠 (𝑘−1)
𝑗=1
𝑝𝑗
( 𝑗 )2
∑𝑘 𝑓𝑛 − 𝑝𝑗
𝑗=1
est la distance du  2 entre la distribution théorique (𝑝𝑗 ) et la distribution empi-
𝑝𝑗

48
9.3. TESTS D’ADÉQUATION À UNE LOI SPÉCIFIÉE 49
( 𝑗 )2
∑𝑘 𝑓𝑛 − 𝑝𝑗
rique de 𝑋, centrée sur 𝑝𝑗 . Or ∀𝑗, 𝑓𝑛𝑗 𝑐𝑜𝑛𝑣𝑒𝑟𝑔𝑒 𝑝𝑟𝑒𝑠𝑞𝑢𝑒 𝑠≊𝑟𝑒𝑚𝑒𝑛𝑡 𝑣𝑒𝑟𝑠 𝑝𝑗 , donc 𝑛 𝑗=1
𝑝𝑗
converge presque sûrement vers 0.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
9.3 Tests d’adéquation à une loi spécifiée
Soit 𝑃0 , une loi connue ; 𝑃 la vraie loi suivie par 𝑋, inconnue. Le problème de test est :
⎧ 𝐻0 ∶ 𝑃 = 𝑃0

y
⎪
⎨ 𝐶𝑜𝑛𝑡𝑟𝑒

em
⎪
⎩ 𝐻1 ∶ 𝑃 ≠ 𝑃0

9.3.1 Test de KOLMOGOROV

Notons 𝐹 la fonction de répartition de la variable aléatoire réelle 𝑋. 𝐹0 la fonction de répar-
tition de la loi 𝑃0 . cad
Théorème 9.3.1. Si 𝐹0 est la vraie loi des observations, alors, en notant
𝐾𝑛 = sup𝑥 |𝐹𝑛 (𝑥) − 𝐹0 (𝑥)|, on a
√
𝑛𝐾𝑛 𝑐𝑜𝑛𝑣𝑒𝑟𝑔𝑒 𝑒𝑛 𝑙𝑜𝑖 𝑣𝑒𝑟𝑠 𝐾
AA
Où 𝐾 est la variable de la loi de KOLMOGOROV qui est fixe et tabulée. La loi de 𝐾 n’a pas
une expression explicite. Sous 𝐻0 , on a :
[√ ] ∑
+∞
lim 𝑃 𝑛𝐾𝑛 ≤ 𝑡 = 1 − (−1)𝑘 𝑒𝑥𝑝(−2𝑘2 𝑡2 )
𝑛→+∞
𝑘=1
{√ }
NS

La région critique du test de KOLMOGOROV est donné par 𝑊𝛼 = 𝑛𝐾𝑛 ≥ 𝑘1−𝛼 où 𝑘1−𝛼
est le fractile d’ordre 1 − 𝛼 de la loi de KOLMOGOROV. 𝑘1−𝛼 est lue sur la table.
√
Exemple 9.3.1. 𝑛 = 1000, sup𝑥 |𝐹𝑛 (𝑥) − 𝐹0 (𝑥)| = 0.047, 𝑛𝐾𝑛 = 1.486, 𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 0.024Le
test obtenu est convergent car si 𝐹 = 𝐹0 , alors 𝐾𝑛 converge presque sûrement vers sup𝑥 |𝐹 (𝑥) −
ME

√
𝐹0 (𝑥)| = 𝛼 ≠ 0 et 𝑛𝐾𝑛 tend vers +∞

9.3.2 Test de KUIPER

Dans les conditions du test de KOLMOGOROV, en notant : 𝐾𝑛+ = sup𝑥 |𝐹 (𝑥)−𝐹0 (𝑥)| 𝑒𝑡 𝐾𝑛− =
sup |𝐹0 (𝑥) − 𝐹𝑛 (𝑥)| On pose 𝑉𝑛 = 𝐾𝑛+ + 𝐾𝑛−
𝑥 √
KUIPER a montré que 𝑛𝑉𝑛 converge en loi vers 𝑄, 𝑄 étant la variable d’une loi fixe tabulée.
La région critiqueb du test est :
{√ }
𝑊𝛼 = 𝑛𝑉𝑛 ≥ 𝑞1−𝛼

𝑞1−𝛼 étant le fractile d’ordre 1 − 𝛼 de la loi de KUIPER.

 50CHAPITRE 9. TESTS DE L’ADÉQUATION DU MODÈLE : TESTS NON PARAMÉTRIQUES

Remarque 9.3.1. En procédant par simulation, on montre que le test de KUIPER est plus puis-
sant que le test de KOLMOGOROV.

Autres tests : Anderson-Darling, Cramer-Von MISES. Deux échantillons indépendants issus

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

d’une même population.

y
9.3.3 Test d’adéquation du  2

em
En utilisant la distance du  2 , Si 𝑃0 est la vraie loi de 𝑋, de probabilité 𝑝𝑖0
( 𝑖 )
𝑖 2
∑𝑘 𝑓𝑛 − 𝑝0
𝑛 𝑖=1 converge en loi vers (𝑘−1)
2
La région critique du test est donnéepar
𝑝𝑖0

cad
Le test est auusi convergent.
𝑊𝛼 =
{
𝑛
∑
𝑘
( 𝑖

𝑖=1
𝑓𝑛 − 𝑝𝑖0
𝑝𝑖0
)2
2
≥ 1−𝛼 (𝑘 − 1)
}
AA
Remarque 9.3.2. L’utilisation de ce résultat asymptotique impose en pratique que les effectifs
théoriques (𝑛𝑝𝑖 ) et les effectifs empiriques (𝑛𝑓𝑛𝑖 ) soient supérieurs ou égaux à 5. D’où éventuel-
lement un regroupement des modalités 𝑋𝑖 de la variable 𝑋.

9.4 Test du  2 d’adéquation à une famille de lois

NS

on désire tester l’appartenance de la vraie loi inconnue 𝑃 à une famille de lois, paramétrique
{ }
⎧ 𝐻0 ∶ 𝑃 ∈ 𝑃 𝜃 , 𝜃 ∈ Θ
⎪
plutôt que l’adéquation à une loi spécifique connue. On aura les hypothèses : ⎨ 𝐶𝑜𝑛𝑡𝑟𝑒
⎪ { }
⎩ 𝐻1 ∶ 𝑃 ∉ 𝑃𝜃 , 𝜃 ∈ Θ
ME

𝑃𝜃 doit être la loi la plus vraisemblable possible, ce qui suppose d’estimer 𝜃 par la méthode du
maximum de vraisemblance. Puis on utilise la statistique de  2 pour tester l’adéquation de cette
loi aux observations. Cependant les mêmes observations sont utilisées deux fois. Premièrement
pour calculer de l’estimateur du maximum de vraisemblance, et deuxièmement pour calculer la
valeur de la statistique du test.
Fisher montre que si 𝜃 ∈ Θ ⊂ ℝ𝑝 , si 𝜃̂𝑛 est l’EMV de 𝜃, si 𝑝𝑖 (𝜃̂𝑛 ) est la probabilité de la loi du
modèle correspondant à l’EMV 𝑃𝜃̂𝑛 , on a :

( )2
𝑖 𝑖̂
∑ 𝑓𝑛 − 𝑝( 𝜃𝑛 )
𝑘
2
𝑛 ∸𝑐𝑜𝑛𝑣𝑒𝑟𝑔𝑒 𝑒𝑛 𝑙𝑜𝑖 𝑣𝑒𝑟𝑠 (𝑘−1)
𝑖=1 𝑝𝑖 (𝜃̂𝑛 )
9.5. COMPARAISON DE L’ÉCHANTILLON (𝑙 > 2) : TEST D’HOMOGÉNÉITÉ 51

𝑝 est le nombre de paramètre à estimer. Le nombre de degré de liberté (ddl) du  2 est diminué
de 𝑝. La région critique du test de niveau 𝛼 s’en déduit :

⎧ 𝑘 ( 𝑖 )2 ⎫ ⎧ 𝑘 ( )2 ⎫
⎪ ∑ 𝑓𝑛 − 𝑝𝑖 (𝜃̂𝑛 ) 2 ⎪ ⎪∑ 𝑛𝑖 − 𝑝𝑖 (𝜃̂𝑛 ) 2 ⎪
𝑊𝛼 = ⎨ 𝑛 ≥ 1−𝛼 (𝑘 − 𝑝 − 1)⎬ 𝑜𝑢 ⎨ ≥ 1−𝛼 (𝑘 − 𝑝 − 1)⎬

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
⎪ 𝑖=1 𝑝𝑖 (𝜃̂𝑛 ) ⎪ ⎪ 𝑖=1 𝑛𝑝𝑖 (𝜃̂𝑛 ) ⎪
⎩ ⎭ ⎩ ⎭

avec 𝑛𝑖 = 𝑛𝑓𝑛𝑖

y
La même remarque sur les effectifs reste valable.

em
Le test de KOLMOGOROV est plus puissant que le test de  2

( )2
𝑛𝑖 − 𝑛𝑝𝑖
𝑥𝑖 𝑛𝑖 𝑓𝑖 𝑝𝑖 𝑛𝑝𝑖 𝐹𝑛 𝐹0 |𝐹𝑛 (𝑥) − 𝐹0 (𝑥)|
𝑛𝑝𝑖
𝑥1
⋮
𝑥𝑖
⋮
𝑛1
⋮
𝑛𝑖
⋮
𝑓1
⋮
𝑓𝑖
⋮
cad
𝑝1
⋮
𝑝𝑖
⋮
𝑛𝑝1 𝐹1
⋮
𝑛𝑝𝑖 𝐹𝑖
⋮
𝐹01
⋮
𝐹0𝑖
⋮
⋮

⋮
⋮

⋮
Total 1 1 2
AA
𝑛 𝑛

9.5 Comparaison de l’échantillon (𝑙 > 2) : Test d’homogé-

néité
Sur la population 𝑃 , un caractère regroupé en 𝑘 groupes 𝐴𝑖 . On dispose de l’échantillon
NS

(𝑙 > 2) 𝐸1 , ⋯ , 𝐸𝑙 de la population 𝑃 . ∀𝑖 ∈ {1, ⋯ , 𝑘}, ∀𝑗 ∈ {1, ⋯ , 𝑙} on note 𝑂𝑖𝑗 =effectif

∑𝑙 ∑𝑘
observé de 𝐴𝑖 dans l’échantillon 𝑗. L’effectif total 𝑁 = 𝑗=1 𝑖=1 𝑂𝑖𝑗
On veut tester l’hypothèse 𝐻0 ∶ les différences observées dans les groupes entre les différents
échantillons (extraits d’une même population 𝑃 ) sont dues aux fluctuations d’échantillonnage.
ME

Procédé :
∑𝑙
𝑗=1
𝑂𝑖𝑗 𝑁𝑖.
• Calcul des effectifs théoriques 𝑐𝑖𝑗 sous 𝐻0 . On a 𝑝𝑖 = 𝑃 (𝐴𝑖 ) = =
𝑁 𝑁
L’effectif calculé du groupe 𝐴𝑖 dans l’échantillon 𝐸𝑗
( 𝑙 )
∑ 𝑁𝑖. × 𝑁.𝑗
𝐶𝑖𝑗 = 𝑝𝑖. 𝑂𝑖𝑗 = 𝑝𝑖 × 𝑁.𝑗 =
𝑗=1
𝑁
La statistique du test est
( )2
∑
𝑘
∑
𝑙
𝑂𝑖𝑗 − 𝐶 𝑖𝑗
2 2
𝑌 ⇝ (𝑘−1)(𝑙−1)
𝑖=1 𝑗=1
𝐶𝑖𝑗
 52CHAPITRE 9. TESTS DE L’ADÉQUATION DU MODÈLE : TESTS NON PARAMÉTRIQUES

En pratique, il faut s’assurer que 𝐶𝑖𝑗 ≥ 5 ; sinon, on regroupe des catégories 𝐴𝑖 . La région critique
{ }
du test est donnée par 𝑊𝛼 = 𝑌 2 ≥ 1−𝛼 2
((𝑘 − 1)(𝑙 − 1))

9.6 Test d’indépendance entre deux caractères dans un ta-

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

bleau de contingence

y
{ }
Dans une population 𝑃 , on mesure sur chaque individu les caractères 𝐴 et 𝐵. 𝐴 = 𝐴1 ; ⋯ , 𝐴𝑘 𝑒𝑡 𝐵 =
{ } ∑𝑘 ∑𝑙

em
𝐵1 ; ⋯ , 𝐵𝑙 Le tableau fournit 𝑂𝑖𝑗 =effectifs de (𝐴𝑖 , 𝐵𝑗 ), l’effectif total est 𝑁 = 𝑖=1 𝑗=1 𝑂𝑖𝑗 .
L’hypothèse à tester est 𝐻0 ∶ 𝐴 et 𝐵 sont deux caractères indépendants.
∑𝑙 ∑𝑘
En utilisant les mêmes notations qu’en haut, on a : 𝑁𝑖. = 𝑗=1 𝑂𝑖𝑗 𝑒𝑡 𝑁.𝑗 = 𝑖=1 𝑂𝑖𝑗
𝑁 𝑁.𝑗
sous 𝐻0 (𝐴 et 𝐵0 indépendants), 𝑃 (𝐴𝑖 , 𝐵𝑗 ) = 𝑃 (𝐴𝑖 ) × 𝑃 (𝐵𝑗 ) = 𝑖. × ∀𝑖, ∀𝑗.
𝑁 𝑁

cad
Les effectifs théoriques 𝐶𝑖𝑗 = 𝑁 × 𝑃 (𝐴𝑖 , 𝐵𝑗 ) =

2
∑𝑘 ∑𝑙
La statistique du test est 𝑌 = 𝑖=1 𝑗=1
(
𝑁𝑖. × 𝑁.𝑗
𝑁 )
𝑂𝑖𝑗 − 𝐶𝑖𝑗
𝐶𝑖𝑗
2
.

2
⇝ (𝑘−1)(𝑙−1) appelé Khi-deux de
contingence.
{ }
La région critique du test est 𝑊𝛼 = 𝑌 2 ≥ 1−𝛼 2
AA
((𝑘 − 1)(𝑙 − 1))

Remarque 9.6.1. On doit s’assurer que le 𝐶𝑖𝑗 ≥ 5 ; sinon regrouper des caractères dans 𝐴 ou
[ 𝑘 𝑙 ]
∑ ∑ 𝑁𝑖𝑗2
𝐵. 𝑌 2 = 𝑁 −1
𝑖=1 𝑗=1
𝑁𝑖. × 𝑁.𝑗
NS

9.7 Test du coefficient de corrélation

Le coefficient de corrélation entre deux variables 𝑋 et 𝑌 est :

𝐶𝑜𝑣(𝑋, 𝑌 ) 𝐸 [(𝑋 − 𝐸(𝑋))(𝑌 − 𝐸(𝑌 )]

𝜌= =√ [ ] [ ]
𝜎𝑥 𝜎𝑦
𝐸 (𝑋 − 𝐸(𝑋))2 × (𝑌 − 𝐸(𝑌 ))2
ME

Sur l’échantillon (𝑋𝑖 , 𝑋𝑗 ), avec 𝑖 = 1 ⋯ 𝑛 et 𝑗 = 1 ⋯ 𝑛, l’estimateur de 𝜌 est :

∑
𝑖 (𝑋𝑖 − 𝑋)(𝑌𝑖 − 𝑌 )
𝜌̂ = 𝑟 = √
∑ 2
∑ 2
𝑖 (𝑋𝑖 − 𝑋) 𝑖 (𝑌𝑖 − 𝑌 )

On peut donc tester l’absence de{corrélation entre 𝑋 et 𝑌 sur la base d’un échantillon. on teste
𝐻0 ∶ 𝜌 = 0
alors les hypothèses suivantes :
𝐻1 ∶ 𝜌 ≠ 0
Si 𝑋 et 𝑌 sont issues des lois normales, c’est-à-dire que 𝑋 et 𝑌 sont deux caractères statistiques
mesurés sur les mêmes individus.
9.7. TEST DU COEFFICIENT DE CORRÉLATION 53
( )
∑ ∑ 𝜎𝑥2 𝜎𝑥 𝜎𝑦 𝜌
𝑋 ⇝  (𝑚𝑥 , 𝜎𝑥2 ) , 𝑌 ⇝  (𝑚𝑦 , 𝜎𝑦2 ) et (𝑋, 𝑌 ) ⇝  (𝑚, ) avec =
𝜎𝑥 𝜎𝑦 𝜌 𝜎𝑦2
STUDENT démontre que sous 𝐻0 on a :
√
𝑅 𝑛−2

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
√ ⇝ 𝑇 (𝑛 − 2)
1 − 𝑅2

La région critique du test pour un seuil 𝛼 donné est :

y
𝑊𝛼 = {(𝑥, 𝑦) ∕ |𝑟| > 𝑐}

em
𝑟
La fonction 𝑟 ⟼ √ étant une fonction croissante, alors |𝑟| > 𝑐 implique
1 − 𝑟 2
√ √ √
|𝑟| 𝑛 − 2 𝑐 𝑛 − 2 𝑐 𝑛−2 𝛼
√ > √ donc √ est le fractile d’ordre 1 − de la loi de Student 𝑇 (𝑛 − 2) :
1 − 𝑟2 1 − 𝑐2

√
𝑐 𝑛−2
√
cad
1 − 𝑐2
= 𝑡
1−
1 − 𝑐2

𝛼 (𝑛 − 2) ⟹ 𝑐 = √
√
√
𝑡 𝛼 (𝑛 − 2)
1−
2
(
2

)2
2 √
√𝑛 − 2 + 𝑡 𝛼 (𝑛 − 2)
AA
1−
2

Remarque 9.7.1. .

1. Pour ce test, il est courant d’utiliser la transformation de Fisher lorsque la taille de

l’échantillon
( est ) grande 𝑖.𝑒 𝑛 > 30, la dite transformation de Fisher est :
NS

1 1+𝑟
𝑍 = 𝑙𝑛 = 𝐴𝑟𝑔𝑡ℎ(𝑟) La variable 𝑍 suit la loi normale de paramètres 𝐸(𝑍) =
(2 1)− 𝑟
1 1+𝜌 1
𝑙𝑛 et 𝑉 𝑎𝑟(𝑍) =
2 1−𝜌 𝑛−3

2. Cette transformation de Fisher, en sens inverse, permet de calculer l’intervalle de confiance

ME

asymptotique pour 𝜌. On a
( ) ( ) ( )
1 1+𝑟 𝜇1−𝛼∕2 1 1+𝜌 1 1+𝑟 𝜇1−𝛼∕2
𝑙𝑛 −√ ≤ 𝑙𝑛 ≤ 𝑙𝑛 +√
2 1−𝑟 𝑛−3 2 1−𝜌 2 1−𝑟 𝑛−3

3. Si les variables 𝑋 et 𝑌 ne sont pas gaussiennes, les résultats précédents restent valables
à condition que 𝑛 > 30 Cependant, 𝑟 = 0 n’implique pas que 𝑋 et 𝑌 sont indépen-
dantes.
 54CHAPITRE 9. TESTS DE L’ADÉQUATION DU MODÈLE : TESTS NON PARAMÉTRIQUES

Avec la transformation de Fisher, on peut faire le test courant suivant :

{
𝐻0 ∶ 𝜌 = 𝜌 0
𝐻1 ∶ 𝜌 ≠ 𝜌0 , 𝜌0 𝑑𝑜𝑛𝑛∸
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

La région critique du test est : 𝑊𝛼 = {|𝑟| > 𝑐} avec 𝑃𝐻0 (𝑊𝛼 ) = 𝛼. On obtient

y
±𝑡1−𝛼∕2 (𝑛 − 2)
𝑐=√
( )2
𝑛 − 2 + 𝑡1−𝛼∕2 (𝑛 − 2)

em
cad
AA
NS
ME
 MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Chapitre 10

y
Quelques anciens sujets

em
Statistique & Probabilités - IFORD Voie B session 2025
Exercice 1
cad
Un étudiant en Statistique veut organiser un jeu de hasard avec deux dés bien équilibrés,
Moyennant une mise qu’il lui faut déterminer, un joueur devra lancer les dés : s’il obtient un
double "6", on lui remettra quatre fois la mise ; si c’est un double (autre que des "6"), il recevra
AA
le double de sa mise initiale. A combien l’organisateur du jeu doit-il établir la mise s’il espère
faire un profit net moyen de 2 dollar par joueur ?

Exercice 2

On a évalué que si le nom d’une personne est sur la liste d’attente d’un centre hospitalier
NS

pour faire du bénévolat sur demande, la probabilité d’être appelée d’un mois est de 0,3.
La liste d’un Hôpital est de 30 noms.
1. Quelle est la probabilité que plus du tiers des personnes de cette liste soient appelées à
l’intérieur d’un mois ?
ME

2. Sachant que 7 personnes ont déjà été appelées, que devient la probabilité que plus du
tiers des personnes de cette liste soient appelées à l’intérieur d’un mois ?
3. Si la liste était de 60, combien peut-on espérer appeler de personnes à l’intérieur d’un
mois ?

Exercice 3

Soient 𝑋 et 𝑌 , deux variables aléatoires indépendantes de densités respectives 𝑓 et 𝑔 et de

fonctions de répartition respectives 𝐹 et 𝐺.
1. Donner les densités de 𝑈 = sup{𝑋, 𝑌 } et 𝑉 = inf{𝑋, 𝑌 }.

55
 56 CHAPITRE 10. QUELQUES ANCIENS SUJETS

2. Soient 𝑋1 , ..., 𝑋𝑛 , 𝑛 variables aléatoires indépendantes, de même loi, de densité :

𝑓 (𝑥) = 1[0,1] (𝑥)

Écrire les densités de 𝑈𝑛 = sup 𝑋𝑖1⩽𝑖⩽𝑛 .

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Exercice 4

y
Soit 𝑋 une variable aléatoire réelle continue représentant la mesure d’un phénomène phy-

em
sique dans une unité donnée. On donne sa densité : 𝑔(𝑥) = 𝜆𝑒−𝜆𝑥 , 𝑥 > 0, 𝜆 > 0. Or la donnée
observée est en réalité [𝑋], où [.] désigne la partie entière de 𝑋.

1. On pose 𝑌 = [𝑋]. Donner la loi de 𝑌 , son espérance et sa variance.

2. Que dire lorsque la donnée observée est, cette fois, l’entier le plus proche ?

Exercice 5
cad 𝛼𝜃 𝛼
La variable aléatoire 𝑋 suit une loi de Pareto si sa densité est donnée par : 𝑓 (𝑥) = 1 (𝑥)
𝑥𝛼+1 [𝜃,+∞[
AA
(𝛼 > 0, 𝜃 > 0).
( )
1. Calculer 𝐸 𝑋 𝑘 en précisant les conditions d’existence.

2. Déterminer le mode et la médiane de 𝑋.

Exercice 6
NS

Soit (𝑋𝑛 )𝑛∈ℕ∗ , une suite de variables aléatoires indépendantes, de même loi, de densité :

𝑓 (𝑥) = 𝑒−(𝑥−𝜃) 1[𝜃;+∞[ (𝑥), 𝜃>0

.
ME

1. Donner la loi de 𝑌𝑛 = min 𝑋𝑖1⩽𝑖⩽𝑛 (𝑥).

2. Montrer que 𝑌𝑛 converge en probabilité et en moyenne quadratique (𝐿2 ) vers 𝜃.

3. Vers quelle loi converge la variable aléatoire 𝑛(𝑌𝑛 − 𝜃) ?

Exercice 7

Un échantillon de 6 États a donné les résultats suivants pour les variables 𝑋 "consommation
annuelle de cigarettes par tête" et 𝑌 "taux de mortalité due au cancer des poumons pour 100
000" (Fraumini, 1968).
 57

État 𝑋 𝑌
Delaware 3400 24
Indiana 2600 20
Iowa 2200 17

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Montana 2400 19
New Jersey 2900 26
Washington 2100 20

y
Moyennes 2600 21

em
1. Calculer le coefficient de corrélation 𝑟 de l’échantillon. Un tel coefficient de corrélation
calculé à partir de données agrégées est appelé coefficient de corrélation "écologique".

2. Déterminer un intervalle de confiance à 95% pour le coefficient de corrélation 𝜌.

cad
3. Tester, au seuil d’erreur de 5%, l’absence de liaison entre la consommation de cigarettes
et le cancer du poumon.

Exercice 8
AA
Soient 𝑋, 𝑌 , 𝑍 trois variables aléatoires réelles telles que :
— 𝑋 suit une loi uniforme sur ]0, 1[ de densité : 𝑓 (𝑥) = 1]0,1[ (𝑥).
— la loi conditionnelle de 𝑌 pour 𝑋 = 𝑥 fixé admet pour densité :

𝑓𝑌 |𝑋=𝑥 (𝑦) = (𝑦 − 𝑥)𝑒−(𝑦−𝑥) 1]𝑥,+∞[ (𝑦)

NS

.
— la loi conditionnelle de 𝑍 pour (𝑋, 𝑌 ) = (𝑥, 𝑦) fixé admet pour densité :

𝑓𝑍|(𝑋,𝑌 )=(𝑥,𝑦) (𝑧) = (𝑦 − 𝑥)𝑒−𝑧(𝑦−𝑥) 1ℝ∗+ (𝑧)

ME

1. Calculer la densité du triplet (𝑋, 𝑌 , 𝑍).

2. Calculer la densité de 𝑍 et celle de la loi conditionnelle de (𝑋, 𝑌 ) sachant 𝑍 = 𝑧.

(√ ) (√ )
3. Calculer : 𝐸 𝑌 − 𝑋|𝑍 = 𝑧 et 𝐸 𝑌 −𝑋 .
( ) +∞ √
1 1
On donne Γ = 𝑢− 2 𝑒−𝑢 𝑑𝑢 = 𝜋.
2 ∫0
4. On pose 𝑈 = 𝑌 − 𝑋 et 𝑉 = 𝑍(𝑌 − 𝑋). Montrer que les trois variables 𝑋, 𝑈 , 𝑉 sont
mutuellement indépendantes et exprimer les densités de 𝑈 et de 𝑉 .
 58 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Statistique & Probabilités - IFORD Voie A session 2025

Exercice 1

Une cabine pour skieurs est conçue pour une charge totale-limite de 10 000 livres. La capacité
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

est limitée à 50 personne. On suppose que le poids moyen de tous les usagers de la cabine est de
190 livres et l’écart-type de 25 livres. Quelle est la probabilité que le poids total d’un groupe de

y
50 personnes choisies au hasard soit plus élevé que la charge limite de 10 000 livres ?

em
Exercice 2

On considère un échantillon suffisamment petit qui fera l’objet d’un suivi répété, afin d’esti-
mer le nombre de repas précuisinés dans une grande ville. Le taux de réponse élevé signifie que

cad
l’échantillon est essentiellement aléatoire. On a enregistré, lors de l’enquête, le nombre de repas
"prêts à consommer" pris par chaque individu au cours de la semaine précédente ; et en résumé
l’on obtient : 𝑋̄ = 0, 82, 𝑠 = 0, 48 et 𝑛 = 80. Calculer l’intervalle de confiance à 95% pour la
moyenne de la population totale de cette ville.
AA
Exercice 3

On a tiré de façon indépendante un échantillon de 15 professeurs d’une grande université :

10 hommes et 5 femmes, dont les salaires annuels sont les suivants (en milliers de dollars) :

Hommes (𝑋1 ) Femmes (𝑋2 )

NS

13 20 9
11 14 12
19 17 8
25 14 10
ME

22 15 16
𝑋̄ 1 = 16 𝑋̄ 2 = 11

Ces moyennes échantillon donnent une estimation grossière des moyennes 𝜇1 et 𝜇2 des po-
pulations sous-jacentes. Peut-être est-il possible de s’en servir pour mettre un point final à une
vieille querelle : un époux prétend qu’il n’y a pas de différence entre les salaires des hommes (𝜇1 )
et ceux des femmes (𝜇2 ). En d’autres termes, si on écrit la différence sous la forme Δ = 𝜇1 − 𝜇2 ,
il prétend que : Δ = 0.
Son épouse, au contraire, prétend que la différence est de 7000 dollars : Δ = 7.
Régler cette controverse, en construisant un intervalle de confiance à 95%.
 59

Exercice 4

L’industrie pour laquelle vous travaillez vient d’acquérir une nouvelle machine-outil pour
découper les tiges de métal nécessaires à la fabrication d’essieux. La notice du fabriquant assure
que la longueur des tiges coupées suit une loi normale avec un écart-type de 0, 15 mm. Avant de

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
lancer toute la production, vous désirez avoir une idée très précise sur la longueur moyenne des
tiges qui seront coupées. Sachant que vous travaillez avec un niveau de confiance de 99%, déter-

y
minez la taille d’échantillon nécessaire pour cerner cette longueur avec une précision inférieure
à 0, 02 mm.

em
Exercice 5

Les recherches en santé mentale montrent que le trouble de personnalité le plus fréquent est
celui de la personnalité limite, atteignant en grande majorité des femmes (75%).

cad
Sur 50 dossiers de cas de personnalité limite, quelle est la probabilité qu’il y ait au moins 40
dossiers de femmes ?

Exercice 6
AA
Supposons que la distribution a priori d’une pente 𝛽 de régression soit normale, avec une
valeur centrale de 5, 0 et un écart-type de 0, 50. Supposons en plus qu’un échantillon de 8 ob-
servations (𝑋, 𝑌 ) ait été prélevé, et qu’il fournisse les statistiques suivantes :
∑ ∑
𝑥𝑦 = 2100, 𝑥2 = 350, 𝑠 résiduel = 12, 7
NS

Supposons que 𝜎 est inconnu, de sorte que 𝑠 remplacera 𝜎 quand il le faudra, et, en consé-
quence, 𝑡0,025 remplacera 1, 96. Dans ce cas, calculer :
1. L’intervalle de confiance classique à 95%.
2. L’intervalle de confiance bayésien à 95%. Comment les comparer ?
ME

Exercice 7

Une étude plus complète de la fécondité (nombre d’enfants, ENFANT) de 4700 femmes dans
un pays, a inclus un autre facteur : 𝑋3 = 𝐴𝐺𝐸𝑀𝐴𝑅 =l’âge de la femme quand elle s’est mariée.
L’ensemble des variables à prendre en compte devient alors celui de la figure ci-dessous. On a
effectué la régression de chaque facteur en fonction de toutes les variables situées à gauche ; les
équations qui en résultent sont les suivantes :
— 𝑌 = 0, 062𝑋1 − 0, 05𝑋2 − 0, 28𝑋3
— 𝑋3 = 0, 012𝑋1 + 0, 38𝑋2
— 𝑋2 = −0, 032𝑋1
 60 CHAPITRE 10. QUELQUES ANCIENS SUJETS

On a fait figurer les valeurs de ces coefficients sur la figure ci-dessous. Calculer l’effet total
sur 𝑌 (nombre d’enfants) :
1. Des études 𝑋2 .
2. De l’âge 𝑋1 .
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

3. De l’âge au mariage 𝑋3 .

y
em
cad
AA
Exercice 8

Dans une école, on a mis sur pied un club des petits déjeuners car on estime à 15% la pro-
portion des enfants de cette école qui ne déjeunent pas le matin. Afin d’étudier ce phénomène
social, on forme un échantillon aléatoire constitué de 10 enfants.
1. Déterminer la loi de probabilité, l’espérance mathématique et la variance du nombre
NS

d’enfants de l’échantillon qui ne déjeunent pas le matin.

2. Quelle est la probabilité qu’il y ait moins de 4 enfants de l’échantillon qui ne déjeunent
pas le matin ?
3. Quelle est la probabilité qu’au moins 7 enfants de l’échantillon déjeunent le matin ?
ME

4. Quelle est la probabilité que 20% des enfants de l’échantillon ne déjeunent pas le matin ?

Statistique & Probabilités - IFORD Voie B session 2024

Exercice 1

Soient 𝑋 et 𝑌 deux variables aléatoires indépendantes de loi 𝑁(0, 1). On définit la variable
𝑋
aléatoire 𝑍 = .
𝑌
1. (a) Exprimer la densité de la loi de 𝑍 dite loi de Cauchy.
(b) Comparer les positions respectives de la loi de Cauchy et la loi 𝑁(0, 1).
 61

2. La loi de 𝑍 admet-elle des moments ?

3. Calculer la densité de la variable aléatoire 𝑈 = 𝜃 + 𝜎𝑍 (𝜃 ∈ ℝ, 𝜎 > 0).

Exercice 2

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Soit Ω = {1, 2, ..., 𝑛} (𝑛 ⩾ 1).
1
1. Définir une probabilité 𝑃 sur Ω telle que : 𝑖 ∈ Ω, 𝑃 ({𝑖}) = .

y
𝑛
2. Trouver une condition nécessaire et suffisante sur 𝑛 pour que : ∃(𝐴, 𝐵) ∈ 𝐹 (Ω) − {𝜑, Ω},

em
𝐴 et 𝐵 indépendants.
3. On note :
∀𝑝 ∈ Ω, 𝐴𝑝 = {𝑖 ∈ Ω∕𝑝 divise 𝑖}, 𝐾 = {𝑝, 𝑝diviseur premier de 𝑛}.
𝜑(𝑛) = Card{𝑞 ∈ Ω∕𝑞 est premier avec 𝑛}.

cad
(a) Montrer que si 𝑝1 , ..., 𝑝𝑘 sont éléments de 𝐾, alors 𝐴𝑝1 , ..., 𝐴𝑝𝑘 sont indépendants.

(b) Montrer que 𝜑(𝑛) = 𝑛

∏
𝑝∈𝐾
(
1−
1
𝑝
)
.

Exercice 3
AA
On a mis au point un test pour déceler une maladie qui provoque la débilité chez les enfants
dans une proportion de 620 sur 100000. Les premiers essais sur la fiabilité du test ont été très
encourageants : sur 500 enfants testés et qui avaient la maladie, seulement 5 ont eu un résultat
erroné avec un test négatif, alors que sur 2000 autres enfants testés, et qui n’étaient pas atteints
par la maladie, seulement 50 ont eu un résultat erroné, avec un test positif.
NS

Pour voir dans quelle mesure ce test sera fiable pour tester à grande échelle l’ensemble de la
population, calculer :
1. Si un enfant présente une réaction positive, à combien peut-on parier qu’il ait réellement
la maladie ? Et avec quelle probabilité ?
ME

2. Si un enfant présente une réaction négative au test, quel est alors le pari qu’il soit malade ?
Et avec quelle probabilité ?
3. Si le test pour cette maladie ne comportait aucune erreur, quelles seraient les probabilités
en 1) et en 2) ?

Exercice 4

Au défi étudiant, un des jeux consiste à lancer une pièce de 25 sur une table carrée de 1 m
de côté, située à 3 m du lanceur. La planche est séparée en 100 carrés identiques. Un des carrés
est rouge : s’il est touché par la pièce, 20 points sont attribués à l’équipe.
Considérant qu’il y a eu 400 lancers dans la soirée, quell est la probabilité qu’il y ait eu au moins
 62 CHAPITRE 10. QUELQUES ANCIENS SUJETS

de 4 attributions de 20 points ? (Utilisez la loi binomiale, puis examinez ce que vous auriez
obtenu en évaluant approximativement la probabilité désirée à l’aide d’une loi de Poisson).

Exercice 5
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

On considère 𝑛 variables aléatoires indépendantes (𝑋𝑖 ) de densité 𝑓𝑖 . On définit les probabi-

𝑋𝑖
lités : 𝑃𝑖 = 𝑓𝑖 (𝑡)𝑑𝑡.
∫−∞

y
∑
𝑛
Montrer que 𝑃 = − 2 ln 𝑃𝑖 suit une loi 𝜒 2 (2𝑛).

em
𝑖=1

Exercice 6

En 2004, un certain virus informatique a fait beaucoup de ravage durant les cinq jours qui
ont suivi sa première apparition dans un pays. Dans une Université de ce pays, on prétend que

cad
17, 9% des courriels étaient infectés. Pour convaincre ses membres de se procurer un bon anti-
virus, l’association des chargés de cours a prélevé un échantillon de 50 courriels (sans remise)
parmi les 10500 recus par ses membres durant ces 5 jours. Déterminer la probabilité qu’entre 7
et 12 de ces courriels étaient infectés.
AA
Exercice 7

Lors d’une étude sur le reboisement dans un secteur donné, 100 arbres sont choisis aléatoi-
rement. A l’aide des données ci-dessous, et sachant que le diamètre moyen obtenu est 260, 4 mm
et d’écart type, 30, 88 mm, peut-on penser, avec un seuil fixé à 10%, que le diamètre suit une loi
normale ?
NS

Diamètres des arbres (en mm) Nombres d’arbres

De 170 à moins de 190 1
De 190 à moins de 210 6
ME

De 210 à moins de 230 8

De 230 à moins de 250 16
De 250 à moins de 270 34
De 270 à moins de 290 22
De 290 à moins de 310 7
De 310 à moins de 330 4
De 330 à moins de 350 2
Total 100
 63

Exercice 8

Afin de comparer trois variétés de pommes de terre, on a fait l’expérience suivante : chaque
variété fut plantée au hasard sur trois parcelles de terre de taille égale, mais ayant chacune trois
types de sol différents. On a observé les rendements suivants, en boisseaux par parcelle :

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Sol Variété de pomme de terre

y
A B C

em
Sable 21 20 16
Argile 16 18 11
Terreau 23 31 24

cad
1. Construire le tableau ANOVA.
2. Calculer les intervalles de confiance à 95% pour les différences entre les trois variétés.
3. Le botaniste qui a développé la variété B a remarqué qu’il avait travaillé dix ans pour
AA
découvrir un produit qui pousse bien sur du terreau. Si on observe les données, peut-
on dire qu’il a réussi ? A la lumière de cette information, que pourrait-on dire quant à
l’analyse effectuée en 1) et en 2) ?

Statistique & Probabilités - IFORD Voie A session 2024

NS

Exercice 1

On lance deux dés équilibrés de couleur différente. On considère les évènements suivants :
ME

Q : le premier dé, le dé vert, donne 4.

T : le second dé, le dé rouge, donne 3.
A : la somme des résultats donne 7.
Que pouvez-vous affirmer au sujet de l’indépendance de A et Q ? A et T ? et 𝑄 ∩ 𝑇 ?

Exercice 2

Parmi les 530 étudiants embauchés pendant la période des vacances par le Service des Loisirs
de la ville, 13% sont âgés de plus de 21 ans. Quelle est la probabilité que sur un échantillon de 100
dossiers de ces employés choisis au hasard et avec remise, au moins 20% soient des employés
de plus de 21 ans ?
 64 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Exercice 3

Jerry et Poupou se sont intéressés aux résultats scolaires de 110 étudiants et à leurs habi-
tudes concernant le tabac. Les résultats montrent que ces étudiants ont des résultats scolaires
excellents, satisfaisants et médiocres dans les proportions de 20%, 60% et 20%. De plus, ils ont
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

repertorié que 30 des 110 étudiants fumaient beaucoup, 30 autres modéraient, et les autres, pas
du tout.

y
Jerry et Pougou sont sûrs qu’il y a indépendance entre les résultats scolaires et la consomma-

em
tion de tabac. Sans plus tarder, ils construisent un tableau de contingence illustrant la répartition
des étudiants selon ces deux aspects. Qu’obtiennent-ils ?

Exercice 4

cad
Un facteur doit distribuer 𝑛 lettres dans 𝑛 boites aux lettres dont on a retiré les plaques, les
rendant indiscernables. Comme les 𝑛 lettres portent 𝑛 noms différents, le facteur suppose qu’il
y a une lettre et une seule à distribuer dans chaque boite et il dispose donc les lettres au hasard.
Calculer la probabilité qu’une lettre qu moins soit distribuée à son destinataire réel. Calculer sa
AA
limite quand 𝑛 croit.

Exercice 5

Le comité de conservation des rivières d’une région examine la concentration de zinc à partir
de 12 échantillons prélevés sans remise dans les rivières de la région afin de savoir si les résultats
ont été modifiés depuis l’introduction des nouvelles lois. Ils obtiennent une moyenne de 2, 6
NS

grammes par millilitre. En supposant que l’écart type de la concentration de zinc de toutes leurs
rivières est le même que celui qui avait été trouvé l’an dernier, à savoir 0, 3𝑔∕𝑚𝑙, déterminer un
intervalle de confiance pour la concentration moyenne avec un niveau de confiance de 90%.
ME

Exercice 6

Une boite contient 12 billets numérotés de 1 à 12. Sarah en tire 3, sans remise. Soit 𝑋 la
variable aléatoire représentant le plus élevé des trois numéros tirés.

1. Donner la distribution de probabilité de 𝑋 et sa représentation graphique.

2. Quelle est la probabilité que le numéro tiré le plus élevé soit supérieur à 7 ?

Exercice 7

Le temps requis par Chloé pour se rendre au travail suit une loi Normale de moyenne 47 et
d’écart-type 8 minutes.
 65

1. Quelle est la probabilité qu’elle prenne plus d’une heure un certain matin pour se rendre
au travail ?
2. Si on considère que le temps requis un certain matin pour se rendre au travail n’influence
pas le temps requis les autres matins, quelle est la probabilité que sur 60 matins, Chloé

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
prenne plus d’une heure pour se rendre au travail plus de 5 fois ?

y
Exercice 8

Un jeu de rôles est organisé. Chaque participant doit choisir au hasard une profession (den-

em
tiste, notaire ou médecin), un moment clé de sa vie professionnelle (actif ou retraité) et un des
deux traits de caractère suivants : pessimiste ou optimiste. on note les choix de chacun. (Aucun
choix n’a plus de notoriété qu’un autre ...)

cad
1. Illustrer les possibilités de rôles par un diagramme en arbre.
On considère que tous les rôles sont équiprobables. Un rôle est choisi au hasard.
2. Quelle est la probabilité de tout rôle élémentaire qui peut être choisi ?
3. Quelle est la probabilité que le rôle choisi soit celui d’un retraité optimiste ?
AA
4. Quelle est la probabilité que le rôle choisi soit celui d’un médecin ou d’un optimiste ?
On suppose maintent que tous les rôles ne sont pas équiprobables et qu’on a :

𝑃 (𝐷𝐴𝑃 ) = 0, 025 𝑃 (𝑁𝐴𝑂) = 0, 1 𝑃 (𝑀𝑅𝑃 ) = 0, 1

𝑃 (𝑁𝐴𝑃 ) = 0, 05 𝑃 (𝑀𝐴𝑂) = 0, 2 𝑃 (𝐷𝑅𝑂) = 0, 025
𝑃 (𝑀𝐴𝑃 ) = 0, 1 𝑃 (𝐷𝑅𝑃 ) = 0, 025 𝑃 (𝑁𝑅𝑂) = 0, 1
NS

𝑃 (𝐷𝐴𝑂) = 0, 025 𝑃 (𝑁𝑅𝑃 ) = 0, 05_ 𝑃 (𝑀𝑅𝑂) = 0, 2.

5. Que devient la probabilité que le rôle choisi soit celui d’un retraité optimiste ?
6. Que devient la probabilité que le rôle choisi soit celui d’un médecin ou d’un optimiste ?
ME

Statistique & Probabilités - IFORD Voie B session 2023

Exercice 1

Soit l’expérience consistant à effectuer 4 fois le tir avec remise d’une boule à partir d’un sac
qui en contient 130 : 10 blanches, 20 noires et 100 vertes. On s’intéresse aux quantités possibles
de boules blanches tirées et à la probabilité que cela se produise.

1. Déterminer l’épreuve de Bernoulli sous-jacente à cette expérience.

2. Si B représente le nombre de boules tirées, déterminer sa loi de probabilité.
 66 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Exercice 2

Le nombre de rhumes attrapés par un individu en l’espace d’un an est une variable aléatoire
de Poisson de paramètre 𝜆 = 5. Un vaccin préventif est mis sur le marché par une compagnie
pharmaceutique. Lors de sa présentation au congrès des pharmaciens, la compagnie ne promet-
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

tait pas "absence totale de rhumes durant l’année pour les vaccinés", mais affirmait plutôt que
pour 75% des vaccinés, le paramètre sera abaissé 𝜆 à 3.

y
Un individu reçoit ce vaccin. Étant donné qu’il a attrapé exactement deux rhumes durant

em
l’année, quelle est la probabilité que le vaccin ait eu l’effet escompté sur lui ?

Exercice 3

cad
Trois hommes font un travail similaire d’empaquetage. Le nombre de boites empaquetées
par chacun, au cours de trois heures déterminées, est donné dans le tableau suivant :

Heure Homme
A B C
AA
11 - 12 24 19 20
13 - 14 23 17 14
16 - 17 25 21 17
NS

Calculer le tableau ANOVA, en y incluant la probabilité critique pour les deux hypothèses
nulles.
ME

Exercice 4

Un échantillon aléatoire de 4 notes est prélevé dans un amphithéâtre : 64, 66, 89 et 77. Dans
un autre amphithéâtre, on tire de façon indépendante un échantillon aléatoire de 3 notes. : 56, 71
et 53. Calculer l’intervalle de confiance pour la différence entre les deux moyennes des amphis :
𝜇1 − 𝜇2 .

Exercice 5

Un échantillon aléatoire de 7 femmes montrait une pente positive du taux de cholestérol dans
le sang, selon l’age. Si la pente des moindres carrés était de 0,024, avec un écart-type de 0,010,
quelle serait la pente bayésienne réduite ?
 67

Exercice 6

Dans une cafétéria, du lundi au vendredi inclusivement, le distributeur de lait fonctionne

environ 800 fois par semaine. La quantité de liquide versé à chaque remplissage suit une loi
normale de moyenne225 ml et d’écart-type 8 ml.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
1. Quelle est la probabilité que la moyenne de liquide contenue dans 20 verres remplis au
hasard, durant une semaine donnée, soit de plus de 228 ml ?

y
2. Quelle est la probabilité qu’un verre déborde si sa capacité est de 235 ml ?

em
3. Déterminer un intervalle centré à la moyenne dans lequel on retrouvera 75% des volumes
moyens de liquide contenu dans des échantillons de 20 verres remplis au hasard, durant
la même semaine.
4. Le responsable de la cafétéria a reçu de nouveaux verres, lesquels ne peuvent contenir

cad
plus de 220 ml. Il sait que le distributeur doit subir un ajustement s’il ne veut pas qu’une
majorité de verres débordent lors du remplissage. Si le le technicien n’ajuste pas la dis-
persion, à combien doit-il ajuster la moyenne afin qu’au plus 10% d’un échantillon de 25
de ces nouveaux verres, remplis la même semaine, ne débordent lors du remplissage ?
AA
Exercice 7

Soit 𝑋 = (𝑋𝑖 )i=1 à n , un vecteur aléatoire gaussien de dimension 𝑛, de loi 𝑁(𝑂, 𝐼𝑛 ).

Soit 𝜃 = (𝜃𝑖 )i=1 à n un vecteur de ℝ𝑛 . On définit la variable aléatoire :
∑
𝑛
𝑌 = ‖𝑋 + 𝜃‖ = 2
(𝑋𝑖 + 𝜃𝑖 )2 .
𝑖=1
NS

𝑌 suit une loi du khi-deux décentrée à 𝑛 ddl et de paramètre d’excentricité (ou de décentrage) :
∑𝑛
𝜆= 𝜃𝑖2 = ‖𝜃‖2 . On la note : 𝜒 2 (𝑛, 𝜆).
𝑖=1

1. Montrer que la loi de 𝑌 ne dépend que de la norme de 𝜃 et non de 𝜃 lui-même.

ME

2. Calculer son espérance et sa variance.

3. Si 𝑋 = (𝑋𝑖 )i=1 à n sont 𝑛 variables aléatoires indépendantes de lois respectives 𝑁(𝑚𝑖 , 𝜎𝑖 ).
∑
On dit que 𝑈 = 𝑋𝑖2 suit une loi du khi-deux décentrée généralisée. Calculer : 𝐸(𝑋)
et 𝑉 (𝑋).

Exercice 8

Des tests effectués sur une surface particulièrement rugueuse afin de mesurer l’endurance
des pneus de camions fabriqués selon un nouveau procédé. Or, sur cette surface, il s’avère que
des crevaisons se produisent pour 25% de ces pneus. Pour le prochain essai, 15 de ces nouveaux
pneus seront mis à l’épreuve.
 68 CHAPITRE 10. QUELQUES ANCIENS SUJETS

1. Quelle est la probabilité que moins de 4 crevaisons auront lieu ?

2. Déterminer 𝜇 et 𝜎, ainsi que la probabilité annoncée par l’inégalité de Chebyshev au sujet

de l’intervalle [𝜇 − 2𝜎, 𝜇 + 2𝜎], et interpréter cette probabilité dans le contexte.

3. Si 𝑋 représente le nombre de pneus crevés, déterminer ℙ(𝜇 − 2𝜎 ⩽ 𝑋 ⩽ 𝜇 + 2𝜎) à l’aide

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

du modèle suivi par 𝑋.

Deux lots de pneus sont formés : un contenant des pneus fabriqués selon le nouveau

y
procédé, l’autre, des pneus fabriqués selon l’ancien. En examinant seulement les rainures
des pneus, on sait que 60% des camionneurs affirmeraient préférer rouler avec des pneus

em
provenant du lot A. Or, un autre test est effectué : un camionneur, ayant choisi à l’aveugle
10 pneus provenant d’un même lot, fera rouler son camion sur la surface rugueuse.

4. Sachant que le lot A contient des pneus de l’ancien procédé et que 30% de ces anciens
pneus ne passaient pas le test de la surface rugueuse, calculer la probabilité que 2 pneus

cad
subissent une crevaison lors du test.

Statistique & Probabilités - IFORD Voie A session 2023

AA
Exercice 1

Vous vous promenez le long d’une voie ferrée, en pleine rêverie. Vous prenez soudain conscience
d’un grand bruit, droit derrière vous. En quoi consiste l’erreur de première espèce ? L’erreur de
deuxième espèce. Laquelle est la plus grave ? Que faites-vous ?
NS

Exercice 2

Soient 𝑋 et 𝑌 deux variables aléatoires suivant respectivement les lois 𝜒 2 (𝑝) et 𝜒 2 (𝑞) (𝑝 > 𝑞).
Soit 𝑍 une variable aléatoire indépendante de 𝑌 , telle que 𝑋 = 𝑌 + 𝑍.
Montrer que 𝑍 suit une loi 𝜒 2 (𝑝 − 𝑞).
ME

Exercice 3

Une chaine de fabrication produit 40 000 fours dont 32 000 (80%) sont bons, ne nécessitant
donc aucune modification. Le service de contrôle-qualité qui ne connait pas ces chiffres, prélève
un échantillon aléatoire de 10 fours pour estimer la qualité de l’ensemble de la fabrication.
Quelle est la probabilité que dans cet échantillon, on obtienne 5 fours défectueux et 5 bons ?

Exercice 4

Les deux variables aléatoires 𝑋 et 𝑌 ont la distribution conjointe 𝑝(𝑥, 𝑦) suivante :

 69

X Y
10 20 30 40
20 0,04 0,08 0,08 0,05
40 0,12 0,24 0,24 0,15

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Sont-elles indépendantes ?

y
Exercice 5

em
On suppose que les étudiants d’un cours de statistique ont des notes normalement distribuées
autour d’une moyenne de 72 avec un écart-type de 9.

1. Calculer la probabilité qu’un seul étudiant choisi au hasard ait une note supérieure à 80.

à 80. cad
2. Calculer la probabilité qu’un échantillon de 10 étudiants ait une note moyenne supérieure

3. Si la population n’était pas normale quelle aurait été la réponse pour la question 2) ?
AA
Exercice 6

Supposer que pour un échantillon aléatoire de 4 familles on observe les revenus annuels et
l’épargne correspondante suivante (en milliers de dollars) :

Famille Revenu X Épargne S

A 22 2,0
NS

B 18 2,0
C 17 1,6
D 27 3,2
ME

1. Estimer la droite de régression 𝑋 = 𝛼 + 𝛽𝑋.

2. Construire l’intervalle de confiance à 95% de la pente 𝛽.

3. Faire figurer sur un graphique les 4 points et la droite ajustée ; indiquer alors le ... possible,
les diverses pentes acceptables, découlant du calcul de l’intervalle de confiance de la
question 2).

Exercice 7

Dans une grande université, on a constitué, en 1969, des échantillons indépendants de 5

professeurs hommes et 5 professeurs femmes, et relevé les traitements annuels ci-dessous :
 70 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Femmes Hommes
9 19
12 9
8 12
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

10 11
16 22

y
em
1. Calculer un intervalle de confiance pour la différence du traitement moyen entre les
hommes et les femmes.

2. Dans quelle mesure une telle différence moyenne indique-t-elle une discrimination en-
vers les femmes ?

Exercice 8
cad
En 1954 une expérience fut menée sur une grande échelle pour tester l’efficacité d’un nou-
AA
veau vaccin contre la polio. Parmi les 740 000 enfants choisis dans les classes primaires à travers
le pays A, 400 000 étaient volontaires. La moitié d’entre eux furent choisis au hasard pour rece-
voir une injection du vaccin, la moitié restante, une injection placebo d’eau salée. Les résultats
furent les suivants :

Groupe Nombre d’enfants Nombre de cas de polio

NS

Vaccinés 200 000 57

Placebo (témoins) 200 000 142
Non volontaires 340 000 157
ME

1. Pour chacun des trois groupes, calculer le taux de polio (nombre de cas pour 100 000).

2. Estimer la réduction du taux de polio obtenue grâce à la vaccination, et donner l’intervalle

de confiance à 95%.

3. Supposer que tous les volontaires ont été vaccinés, les non-volontaires constituant le
groupe témoin.

(a) Avant d’analyser les données, critiquer cette procédure.

(b) Quelles sortes d’informations obtiendrait-on ? Auraient-elles apporté la réponse cor-
recte à la question 2) ?
 71

Statistique & Probabilités - IFORD Voie B session 2022

Exercice 1

L’entraineur d’une équipe de football affirme que cette année, la stratégie de jeu qu’il préco-

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
nise en 2𝑒 demie de jeu est meilleure qu’avant. Désireux de vérifier cette "bonne nouvelle", son
assistant examine les statistiques de matchs des années antérieures, lesquelles indiquent que la
moyenne de points accumulés en 2𝑒 demie est de 35. Avec un seuil de signification de 10%, et

y
en supposant que le nombre de points accumulés suit une loi normale, peut-on affirmer que l’en-

em
traineur a raison de vanter sa nouvelle technique si un échantillon de 25 matchs de cette année
révèle une moyenne de 38,1 points gagnés en 2𝑒 demie, avec un écart-type de 6,6.

Exercice 2

cad
L’Institut National de la Statistique d’un pays X rapporte qu’en 2008, la proportion de nais-
sances issues de parents non mariés atteignait 59,2%. Le Service de la planification des nais-
sances de IFORDIA croit que cette proportion était plus petite dans sa région. En utilisant un
seuil de 5%, peut-on confirmer cette croyance si un échantillon de 55 naissances choisies parmi
toutes les naissances ayant lieu à IFORDIA en 2008 révèle que 52,2% d’entre elles sont issues
AA
de parents non mariés ?

Exercice 3

L’an dernier, sur un échantillon aléatoire de 254 personnes ayant fait une réservation dans
un restaurant, 198 d’entre elles ont demandé une table dans la section non-fumeur. Cette année,
NS

sur un échantillon de 322 personnes, il y en a eu 265. Peut-on conclure avec un seuil de 10% que
la proportion des demandes pour la section non-fumeur a significativement augmenté ?

Exercice 4
ME

Des composantes électroniques peuvent être assemblées de deux façons différentes pour pro-
duire, semble-t-il, des mêmes fonctions. Or, ces montages n’étant pas infaillibles, on a répertorié
quatre types de mauvais fonctionnement. En examinant le tableau de fréquences ci-dessus, peut-
on conclure à l’indépendance entre les types de mauvais fonctionnement et les deux techniques
d’assemblage et ce, avec un seuil de signification de 5% ?

Assemblage Mauvais fonctionnement

Type 1 Type 2 Type 3 Type 4
Assemblage 1 44 23 18 10
Assemblage 2 16 5 6 13
 72 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Exercice 5

Soient 𝑋 et 𝑌 deux variables aléatoires indépendantes de loi 𝑁(0, 1).

𝑋
On définit la variable aléatoire 𝑍 = .
𝑌
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

1. Exprimer la densité de la loi de 𝑍 dite loi de Cauchy. Comparer les positions respectives
de la loi de Cauchy et de la loi 𝑁(0, 1).

y
2. La loi de 𝑍 admet-elle des moments ?

em
3. Calculer la densité de la variable aléatoire 𝑈 = 𝜃 + 𝜎𝑍 (𝜃 ∈ ℝ, 𝜎 > 0).

Exercice 6
|𝑥|
Soit 𝑓 (𝑥) = 𝑘e− 𝜃 , 𝜃 étant un paramètre réel strictement positif.

2. On pose 𝑌 =
𝜃
cad
1. Déterminer 𝑘 de façon que 𝑓 soit la densité de probabilité d’une variable aléatoire 𝑋.
𝑋
. Déterminer la loi de 𝑌 , appelée loi de Laplace normalisée.

3. Calculer 𝐸(𝑌 𝑟 ), ∀𝑟 ∈ ℕ∗ . En déduire 𝐸(𝑌 ) et 𝑉 (𝑌 ).

AA

Exercice 7

Par une expérience aléatoire contrôlée, Schunk et Lehman ont défini en 1954 la relation
entre la mortalité infantile et une thérapeutique par l’oxygène. Tous les enfants dont le poids à la
naissance était compris entre 1000 et 1850 g et qui étaient nés depuis moins de 12 heures avant
NS

leur admission en pouponnière, furent soumis, après tirage au hasard, à des traitements soit à
forte, soit à faible concentration d’oxygène. Les résultats furent les suivants :

Concentration en oxygène Survie (ou non) après trois mois

ME

Décédés Survivants Total

Forte 9 36 45
Faible 12 28 40
Total 21 64 85

1. Calculer l’intervalle de confiance approprié pour estimer l’effet d’une concentration d’oxy-
gène sur la mortalité infantile.

2. Calculer la probabilité critique pour 𝐻0 (pas d’effet).

3. Donner une interprétation littéraire simple des réponses obtenues en 1) et en 2).

 73

Statistique & Probabilités - IFORD Voie A session 2022

Exercice 1

Un groupe de 21 adultes est formé de 8 anglophones (5 femmes et 3 hommes), les autres étant

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
francophones. Sachant qu’il y’a 2 fois plus d’hommes que de femmes, quelle est la probabilité
qu’une personne choisie au hasard...

y
1. Soit anglophone, sachant que c’est une femme ?

em
2. Soit une femme, sachant que c’est une personne anglophone ?

Exercice 2

L’autobus passe au coin de la rue à 7h00, 7h15, 7h30, 7h45 et 8h00. Vous devez prendre cet

cad
autobus, mais vous ne connaissez pas son horaire. Vous décidez de vous pointer au coin de la
rue au hasard, entre 7h et 7h30.
Quelle est la probabilité que votre attente soit de moins de 5 minutes ?
AA
Exercice 3

Votre banque modifie son système de NIP (Numéro d’identification Personnelle). Doréna-
vant, ces codes seront composés de 2 lettres suivies de 3 chiffres. Combien de codes sont pos-
sibles avec ce nouveau système si les lettres et les chiffres doivent être tous différents ?
NS

Exercice 4

Soient 𝑋 et 𝑌 deux variables aléatoires discrètes avec les distributions de probabilité 𝑝𝑋 et

𝑝𝑌 et leur distribution conjointe 𝑝.
p Y 3 4 𝑝𝑋
ME

X Total
-1 0,1 0,1 0,2
0 0,1 0 0,1
1 0,3 0,2 0,5
2 0,1 0,1 0,2
𝑝𝑌 0,6 0,4 1
Total

1. Déterminer 𝐸(𝑥) et 𝐸(𝑌 ).

2. Utilisant si possible 𝐸(𝑋) et 𝐸(𝑌 ). déterminer 𝐸(8𝑋 + 230), 𝐸(𝑋 2 ), 𝐸(𝑋 + 𝑌 ) et

𝐸(𝑋, 𝑌 ).
 74 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Exercice 5

Lors d’un contrôle de qualité concernant le fonctionnement de souris d’ordinateurs, 113 sou-
ris sont déclarées non fonctionnelles sur un échantillon aléatoire de 1200 souris. Estimer, pour
l’ensemble des souris fabriquées par la compagnie, la proportion de souris non fonctionnelles
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

avec un niveau de confiance à 95%.

y
Exercice 6

em
La distribution des revenus de la population des hommes d’un pays était approximativement
la suivante en 1975.
Revenu annuel (en milliers de Proportion d’hommes ayant
dollars US) pour revenu (en %)
0-5
5 - 10
10 - 15
cad 36
23
20
15 - 20 11
20 - 25 5
AA
25 - 30 3
30 - 35 2

Exercice 7
NS

Dans une clinique, on cherche à mettre au point un test peu couteux et fiable, pour dépister
le diabète. Les résultats obtenus grâce au test sont les suivants : 95% des individus présentant
un résultat positif au test (i.e diagnostiqués comme ayant le diabète) sont effectivement diabé-
tiques. 98% des individus n’ayant pas le diabète présentent un test négatif (les 2% restant sont
diagnostiqués à tort comme diabétiques). La clinique dessert une population d’environ 10000
ME

patients et le taux de diabète est de 1% environ. Le directeur s’intéresse à 3 résultats :

1. Combien y-a-t-il environ de patients diabétiques qui ne soient pas dépistés comme tels
(test négatif) ?

2. Combien environ y-a-t-il de patients pour lesquels le diagnostique est positif (nécessitant
donc une surveillance particulière) ?

3. Quelle est la proportion des patients de la question 2 qui sont actuellement diabétiques ?

4. Le directeur ne peut croire à votre réponse de la question 3, expliquez aussi simplement

que possible pourquoi cette proposition est aussi faible.
 75

Statistique & Probabilités - IFORD Voie B session 2021

Exercice 1

Une maladie M affecte une personne sur 1000 dans une population donnée. On dispose d’un

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
test sanguin qui détecte M avec une fiabilité de 99% lorsque cette maladie est effectivement
présente. Cependant, on obtient aussi un résultat faussement positif pour 0,2% des personnes
saines testées.

y
Quelle est la probabilité qu’une personne soit réellement malade lorsque son test est positif ?

em
Exercice 2

Soient 𝑋 et 𝑌 deux variables aléatoires indépendantes de loi 𝑁(0, 1).

𝑋
On définit la variable aléatoire 𝑍 = .

cad 𝑌
1. Exprimer la densité de la loi de 𝑍 dite loi de Cauchy. Comparer les positions respectives
de la loi de Cauchy et de la loi 𝑁(0, 1).
2. La loi de 𝑍 admet-elle des moments ?
3. Calculer la densité de la variable aléatoire 𝑈 = 𝜃 + 𝜎𝑍 (𝜃 ∈ ℝ, 𝜎 > 0).
AA

Exercice 3

Afin d’augmenter le nombre de personnes transportées, une compagnie aérienne vend plus de
billets qu’elle n’a de places en pariant sur les absences de certaines de ses passagers. On suppose
qu’avec une probabilité 𝑝, le passager ne se présente pas à l’embarquement. Notons 𝑛 le nombre
NS

de places sur un vol et 𝑙 le nombre de billets vendus pour ce même vol. La compagnie rembourse
le billet si une personne présente à l’embarquement ne peut voyager à cause du surbooking.
On souhaite calculer 𝑙 afin que la compagnie ne doit rembourser les passagers sue dans les
1% des cas.
⎧
ME

⎪1 si le passager se présente à l’embarquement

Considérons 𝑋𝑖 = ⎨
⎪0 si le passager ne se présente pas à l’embarquement
⎩
On supposera les variables aléatoires 𝑋𝑖 indépendantes.
∑
𝑙
1. Donner la loi de 𝑋𝑖 puis celle de 𝑆𝑖 = 𝑋𝑖 .
𝑖=1
2. Donner une expression littérale (exacte), en fonction de 𝑝, 𝑛 et 𝑙, de la probabilité que la
compagnie soit obligée de rembourser.
3. Par application du théorème central limite, donner une approximation de cette quantité
en fonction de 𝑛, 𝑙, 𝑝, 𝑞 = 1 − 𝑝 et de la fonction 𝐹 de répartition de la loi Normale
centrée réduite.
 76 CHAPITRE 10. QUELQUES ANCIENS SUJETS

4. En déduire 𝑙 pour 𝑛 = 100 et 𝑝 = 0, 2.

Exercice 4

Soit 𝑋 une variable aléatoire réelle représentant la mesure d’un phénomène physique dans
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

une unité donnée. On donne sa densité 𝑔(𝑥) = 𝜆e−𝜆𝑥 , 𝑥 > 0, 𝜆 > 0. Or, la densité observée est
en réalité [𝑋] où [.] désigne la partie entière de 𝑋.

y
1. On pose 𝑌 = [𝑋]. Donner la loi de 𝑌 , son espérance et sa variance.

em
2. Que dire lorsque la donnée observée est, cette fois, l’entier le plus proche ?

Exercice 5

variance 225
( )2
𝑘𝑚
ℎ cad
La vitesse des véhicules sur une autoroute provinciale est en moyenne de 112km/h et de
. On considère que la loi normale est un bon modèle pour décrire la distri-
bution de cette variable.

1. Théoriquement, la limite maximale de vitesse sur les autoroutes est de 100km/h. Calculer
AA
la proportion de véhicules qui roulent à une vitesse supérieure à la limite permise selon
le modèle probabiliste utilisé.

2. A quelle vitesse un automobiliste devrait-il rouler sur une autoroute pour que 40% des
véhicules roulent moins vite que lui ?

3. Une voie ferrée longe une autoroute et un train y circule à 105 km/h. Quelle est la pro-
babilité que la vitesse du train et celle d’un véhicule choisi au hasard (et roulant dans la
NS

même direction que le train), diffèrent de plus de 10km/h ?

4. La distance de freinage (en m) est directement proportionnelle à la vitesse du véhicule

(en m/s) au carré. La relation entre ces deux quantités est exprimée par la relation 𝐷 =
−𝑉 2 ∕2𝑎, où 𝑎 est une constante négative représentant la décélérations due à la force de
ME

freinage.
Considérons ici que 𝑎 = −6(𝑚∕𝑠)2 . Quelle est la probabilité qu’il faille plus de 100
mètres à une voiture pour s’arrêter sur une autoroute provinciale ?

Exercice 6

Soient 𝑋 et 𝑌 deux variables aléatoires suivant respectivement les lois 𝑐ℎ𝑖2 (𝑝) et 𝜒 2 (𝑞) (𝑝 >
𝑞).
Soit 𝑍 une variable aléatoire indépendante de 𝑌 , telle que 𝑋 = 𝑌 + 𝑍.
Montrer que 𝑍 suit une loi 𝜒 2 (𝑝 − 𝑞).
 77

Exercice 7

Soient 𝑛 ∈ ℕ∗ et 𝜃 > 0. On rappelle qu’une variable aléatoire réelle 𝑌 suit la loi 𝛾(𝑛, 𝜃) si
𝜃𝑛
elle admet la densité : 𝑓𝑦 (𝑡) = 𝑡𝑛−1 e−𝜃𝑡 (𝑡 > 0, on pose 0! = 1).
(𝑛 − 1)!

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
∞
1. Déterminer 𝑡𝑛−1 e−𝜃𝑡 𝑑𝑡.
∫0
2. Soient 𝑌1 et 𝑌2 deux variables aléatoires indépendantes. On suppose que 𝑌1 suit une loi

y
𝛾(𝑛, 𝜃) et 𝑌2 suit une loi 𝛾(1, 𝜃) (loi exponentielle).

em
(a) Déterminer la loi de 𝑌1 + 𝑌2 .
(b) En déduire la loi de la somme de 𝑁 variables indépendantes et identiquement distri-
buées de loi 𝛾(1, 𝜃).
3. Soit 𝑋 une variable aléatoire réelle de densité 𝑓𝑥 (𝑡) = 𝜃𝑡𝜃−1 (0 < 𝑡 < 1). Calculer 𝐸(𝑋)
et 𝑉 (𝑋).

cad
4. Déterminer la loi de 𝑍 = log
𝑋
1
()
= − log(𝑋). Calculer 𝐸(𝑍).
5. On observe un n-échantillon 𝑋1 , 𝑋2 , ..., 𝑋𝑛 de variables indépendantes de même loi que
𝑋. Trouver l’estimateur du maximum de vraisemblance 𝑊𝑛 de 𝜃.
AA
6. Calculer le biais 𝐸(𝑊𝑛 ) − 𝜃 de l’estimateur.

Statistique & Probabilités - IFORD B 2019 - Cameroun

Exercice 1
NS

Dans une population, la probabilité de naissance d’un garçon est de 0,52. On sait d’autre
part que 2% des filles et 1% des garçons présentent à la naissance une luxation congénitale de la
hanche. On considère les évènements suivants :
G : " naissance d’un garçon "
L : "naissance d’une fille "
ME

L : " le nouveau-né souffre d’une luxation de la hanche.

1. Déterminer les probabilités de " L sachant G" (notation L/G) et de "L sachant F" (notation
L/F).
2. Calculer les probabilités des évènements " G et L" et " F et L ". En déduire la probabilité
de L.

Exercice 2

On considère une cible circulaire de rayon 𝑟 conçue pour un jeu de fléchettes, sur laquelle
𝑟 𝑟 3𝑟
des cercles de rayon , et ont été dessinés, délimitant ainsi 4 régions différentes.
4 2 4
 78 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Considérant que les fléchettes tirées sur cette cible le seront de façon aléatoire, calculer la
probabilité d’atteindre chaque région.

Exercice 3
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

La durée de fonctionnement d’un ordinateur avant sa première panne est une variable aléa-
toire continue dont la fonction de densité est donnée par :

y
⎧ −𝑥
⎪𝑐e 100 si 𝑥 ⩾ 0

em
𝑓 (𝑥) = ⎨
⎪0 si 𝑥 < 0
⎩
1. Quelle est la probabilité que l’ordinateur fonctionne moins de 100 heures avant sa pre-
mière panne ?

heures ?
cad
2. Quelle est la probabilité que cette durée de fonctionnement soit comprise entre 50 et 150

3. Trouver la fonction de répartition associée à cette variable.

4. Représenter la question 2) en utilisant cette fois la fonction de répartition.
AA
Exercice 4

Des vis et des rondelles de métal sont fabriquées pour s’imbriquer ensemble. Le diamètre
du trou de la rondelle suit une loi normale d’écart-type 0,07 mm, alors que le diamètre de la vis
suit une loi normale d’écart-type 0,05 mm. On prend une vis et une rondelle au hasard. Quelle
est la probabilité que les deux ne puissent pas s’imbriquer ?
NS

1. ... si le diamètre moyen de la vis et celui de la rondelle sont tous deux égaux à 20 mm ?
2. ... si 19,95 mm et 20,05 mm sont les diamètres moyens respectifs de la vis et de la ron-
delle ?
ME

Exercice 5
𝑆
Lorsque 𝑆 succès se produisent dans 𝑛 épreuves, la proportion de l’échantillon 𝑃 = est
𝑛
habituellement utilisée comme un estimateur de la probabilité du succès 𝜋. Mais, parfois, il y a de
𝑆 +1 ∗
bonnes raisons d’employer l’estimateur 𝑃 ∗ = . 𝑃 peut être écrit comme une combinaison
𝑛+2 ( ) ( )
𝑛𝑃 + 1 𝑛 1
linéaire de l’estimateur habituel 𝑃 : 𝑃 ∗ = = 𝑃+ .
𝑛+2 𝑛+2 𝑛+2
1. Quelle est l’erreur quadratique moyenne (ERQM) de 𝑃 ? Est-il consistant ?
2. Quelle est l’ERQM de 𝑃 ∗ ? Est-il consistant ?
3. Pour décider du meilleur estimateur entre 𝑃 et 𝑃 ∗ , a-t-on besoin de la consistance ? De
quel critère aurait-on besoin ?
 79

4. Dresser le tableau de l’efficacité de 𝑃 par rapport à 𝑃 ∗ , par exemple lorsque 𝑛 = 10 et

𝜋 = 0; 0, 1; 0, 2; ...; 0, 9; 1, 0 ;
5. Indiquer certaines circonstances possibles où l’on pourrait préférer utiliser 𝑃 ∗ au lieu de
𝑃 pour estimer 𝜋.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Exercice 6

y
Dans quelle mesure l’alcool affecte-t-il sérieusement le développement cérébral prénatal ?
Pour étudier cette question (Jones et al., 1974), on a retenu six femmes qui ont été des alcooliques

em
chroniques durant la grossesse. On a mesuré le QI de leurs enfants, 7 ans après la naissance des
∑
ces derniers. Cet échantillon de taille 6 a donné une moyenne de 78 et (𝑋 − 𝑋) ̄ 2 = 1805.
On a constitué un groupe témoin de 46 femmes représentant en gros les mêmes caractéris-
tiques (mêmes moyennes d’age, éducation, statut conjugal etc.) - n’ayant eu aucune tendance à

moyenne de 99 et cad
l’alcoolisme pendant leur grossesse. Leurs 46 enfants ont des résultats de QI qui donnent une
∑
(𝑋 − 𝑋)̄ 2 = 11520.

1. Si cette étude avait réalisée dans le cadre d’une expérience aléatoire, quel serait l’inter-
valle de confiance pour la différence de QI due à l’alcoolisme prénatal ?
AA
2. Puisqu’il s’agit en fait d’une étude empirique, comment devrait-on modifier l’affirmation
de 1) ?

Exercice 7

Dans un échantillon issu d’un lot de radios, 6 étaient défectueuses et 14 étaient bonnes.
NS

1. Calculez l’intervalle de confiance (IC classique) à 95% pour la proportion des radios
défectueuses dans le lot.
2. Supposons que le relevé des lots passés ait donné relativement peu de défectueux, et qu’il
pourrait être approximé par la distribution à priori.
ME

𝑃 (𝜋) ∝ 𝜋 1 (1 − 𝜋)9 .
Calculez l’IC bayésien à 95%. Quelle est la différence avec l’IC classique ?

Statistique & Probabilités - IFORD Voie A session 2019

Exercice 1

Dans le collège X, en Sciences de la nature, le programme est composé à parts égales de

filles et de garçons et 60% des élèves veulent se diriger dans le domaine de la santé. De plus, on
sait que la probabilité qu’un élève soit un garçon voulant aller dans un domaine autre que celui
de la santé est de 0,35.
 80 CHAPITRE 10. QUELQUES ANCIENS SUJETS

a) Symboliser les évènements mentionnés et relever les probabilités explicites de cette si-
tuation.
Un élève est choisi au hasard. Déterminer la probabilité des évènements suivants :

b) L’élève ne se dirige pas dans le domaine de la santé.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

c) L’élève est un garçon se dirigeant dans le domaine de la santé.

d) L’élève est un garçon ou un élève se dirigeant dans le domaine de la santé.

y
e) L’élève est une fille et elle ne se dirige pas dans le domaine de la santé.

em
Exercice 2

Vous vous réveillez la nuit avec un mal de tête et vous avalez un cachet provenant d’une

cad
bouteille sur votre table de nuit. Peu de temps après, vous vous réveillez avec des maux d’esto-
mac et vous vous rendez compte que sur votre table de nuit, il y a 3 flacons : 2 contiennent un
médicament contre le mal de tête, et le troisième contient un anti-inflammatoire qui cause effec-
tivement des maux d’estomac dans 80% des cas. Cependant, votre médecin vous avait averti que
les cachets pour le mal de tête pouvaient aussi provoquer des maux d’estomac dans 5% des cas.
AA
Quelle est la probabilité que vous vous soyez trompé de médicament au milieu de la nuit
sachant qu’en ce moment, votre estomac vous fait souffrir ?

Exercice 3
1
Une variable aléatoire peut prendre les valeurs 1, 2, 3 et 4. Sachant que : 𝑃 (𝑋 = 1) = ,
NS

4
3 7
𝑃 (𝑋 ⩽ 2) = et 𝑃 (𝑋 ⩽ 3) = .
4 8
1. Déterminer la loi de probabilité de cette variable.

2. Trouver son espérance mathématique et sa variance.

ME

Exercice 4

On tire au hasard 3 boules d’une urne en contenant 3 rouges, 4 blanches et 5 bleues. Soit R
et B les variables désignant respectivement le nombre de boules rouges et le nombre de boules
blanches tirées.

a) Trouver la distribution de la loi de probabilité 𝑃𝑅 de la variable R.

b) Trouver la distribution de la loi de probabilité 𝑃𝐵 de la variable B.

c) Calculer les probabilités 𝑃 (𝑅 = 𝑟𝑖 et 𝐵 = 𝑏𝑗 ) pour toutes les valeurs 𝑟𝑖 ∈ 𝐶𝐻(𝑅) et

𝑏𝑗 ∈ 𝐶𝐻(𝐵) et noter les résultats en utilisant la notation 𝑝(𝑟𝑖 , 𝑏𝑗 ) = 𝑝(𝑅 = 𝑟𝑖 et 𝐵 = 𝑏𝑗 ).
 81

d) Créer un tableau à double entrée avec en tête de lignes, les valeurs de 𝐶𝐻(𝑅) et en tête
colonnes, les valeurs de 𝐶𝐻(𝐵). A l’intersection des lignes et des colonnes, inscrire les
probabilités 𝑝(𝑟𝑖 , 𝑏𝑗 ) = 𝑝(𝑅 = 𝑟𝑖 et 𝐵 = 𝑏𝑗 ) correspondantes. Ajouter une colonne et une
ligne "Total". Que remarque-t-on ?

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Exercice 5

y
Une étude nationale sur les ménages a montré que le taux d’écoute d’une certaine émission
télévisée était de 30% pour les femmes et de 50% pour les hommes. Elle a montré par ailleurs

em
que si la femme suivait cette émission, la proportion des maris la suivant en même temps passait
à 60%. On tire un couple au hasard. Quelle est la probabilité que :

a) Les 2 conjoints suivant l’émission ?

b) Au moins l’un des 2 suive l’émission ?

cad
c) Aucun des 2 ne suive l’émission ?
d) Si le mari la suit, la femme la suive aussi ?
e) Si le mari ne la suit pas, la femme la suive ?
AA
Exercice 6

Pour un lot de 380 arbres de taille suffisante pour qu’ils soient vendus, on a mesuré, en pieds,
la diamètre du tronc à mi-hauteur (D) et la hauteur utilisable (H) de chaque arbre. Les 380 couples
de mesures ont été classés dans le tableau suivant (les effectifs ont été convertis en fréquences
relatives).
NS

D H
20 25
1,0 0,16 0,09
ME

1,25 0,15 0,30

1,50 0,03 0,17
1,75 0,00 0,10

Comme on peut considérer qu’un tronc est à peu près cylindrique, le volume 𝑉 de bois
correspondant à un tronc est 𝑉 = 0, 4𝐷2 𝐻.

a) Calculer le volume moyen de bois par arbre, 𝐸(𝑉 ).

b) L’écart-type de 𝑉 .
 82 CHAPITRE 10. QUELQUES ANCIENS SUJETS

c) Quel est le volume global du lot de 380 arbres ?

d) Calculer le diamètre moyen 𝐸(𝐷) et la hauteur moyenne 𝐸(𝐻).
Est-il exact que 𝐸(𝑉 ) = 0, 4 [𝐸(𝐷)]2 [𝐸(𝐻)]2 ?
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Statistique & Probabilités - IFORD A 2019 - Cameroun

y
Exercice 1

em
Un employé, responsable du contrôle de la qualité des lampes électriques, doit tester avec un
seuil de signification de 5 %, la durée moyenne théorique de 2500 heures d’une certaine marque
de lampes de 60 watts. il ait que la durée de vie de ces lampes suit une loi normale d’écart
type 55 heures. La moyenne obtenue pour un échantillon de 20 lampes est de 2479 heures. Que
décidera-t-il ?

Exercice 2
cad
Newton fait application pour le recrutement de clients par téléphone : il doit vendre de l’assu-
rance solde pour les détenteurs de carte de crédit d’une grande chaine de magasin. La probabilité
AA
qu’une personne rejointe par le téléphone accepte de s’assurer est de 0,22.

1. Quelle est la probabilité que le premier acheteur soit la personne rejointe au 4ième appel ?
2. Quelle est la probabilité que Newton doive faire au moins 4 appels avant d’avoir le pre-
mier acheteur ?
3. Sachant que ce matin, Newton n’a pas eu de succès avec ses 2 premiers appels, quelle est
NS

la probabilité qu’il n’ait pas d’acheteurs pour les 5 premiers appels d’aujourd’hui ?
4. Pensant à tous les employés comme Newton, combien doivent-ils faire d’appels en moyenne
pour avoir un premier acheteur ?
ME

Exercice 3

Un chien dépisteur de drogue a été entrainé selon une nouvelle méthode. A l’aéroport d’une
ville A, on rapporte qu’il détecte en moyenne 1,7 cas de passation de drogue par semaine et que
dans la vile B sa moyenne hebdomadaire passe à 2,3 cas.

1. Quelle est la probabilité que ce chien détecte plus de 5 cas en 2 semaines dans la ville
A?
2. On raconte dans le milieu que l’an dernier, à un des 2 aéroports, ce chien à déjà détecté
5 cas en une semaine. Sachant cela, quelle est la probabilité que ce soit dans la ville A si
le chien a été utilisé 2 semaines sur 3 dans la ville B ?
 83

Exercice 4

On se demande s’il existe une association entre les notes en statistique et en français des
élèves d’une classe de terminales. Voir tableau ci-après :

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Individus 1 2 3 4 5 6 7 8 9 10
Note en statistiques (X) 12 7 13 15 8 11 9 17 15 6
Note en français (Y) 15 18 5 12 3 16 15 13 8 14

y
1. Définir la population étudiée.

em
2. Quel test doit-on utiliser pour répondre à cette préoccupation ?
3. Calculer le coefficient de corrélation linéaire entre les deux séries 𝑋 et 𝑌 .

Exercice 5

𝑓 (𝑥)=
cad
1. Esquisser le graphe de la fonction suivante et montrer que c’est une fonction de densité

⎧𝑥
⎪ 4 𝑠𝑖 0 ≺ 𝑥 ≺ 1
⎪ 5𝑥
⎨ 4 − 1 𝑠𝑖 1 ⪯ 𝑥 ≺ 2 (10.1)
AA
⎪
⎪0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠
⎩
2. Soit 𝑋 une variable aléatoire qui obéit à cette fonction de densité.
3. Déterminer sa fonction de répartition.
4. Calculer les probabilités suivantes : 𝑃 (𝑋 ≺ 0, 5), 𝑃 (𝑋 ⪰ 1, 5), 𝑃 (0, 5 ≺ 𝑋 ≺ 1, 5).
NS

5. Calculer son espérance et sa variance.

Exercice 6

Le samedi midi, comme il y’a peu d’affluence à la cafétéria du collège, on n’y offre que deux
ME

options : le repas complet ou un gouter. Samedi dernier, 45 personnes, dont 32 locataires de la

résidence, se sont présentées à cette cafétéria. Il y’a eu 30 repas complets vendus et 75 % des
locataires de la résidence en ont acheté un. Afin de bien répondre à la demande, la responsable
de la cuisine offre toujours un tableau complet de ventes pour chaque période de repas, tenant
compte de la nature des clients (locataires ou non) et du type de repas acheté.

1. Qu’obtiendra-t-elle comme tableau de contingences pour ce samedi midi ?

On choisit une facture au hasard
2. Quelle est la probabilité que ce soit la facture d’un client occasionnel ?
3. Quelle est la probabilité que ce soit la facture d’un locataire ayant choisi un gouter ?
 84 CHAPITRE 10. QUELQUES ANCIENS SUJETS

4. Si on sait que la facture choisie est celle d’un locataire, quelle est la probabilité que ce
soit celle d’un gouter ?
5. Si on sait que la facture choisie est celle d’un gouter, quelle est la probabilité que ce soit
celle d’un locataire ?
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Statistique & Probabilités - IFORD Voie B session 2018

y
Exercice 1

em
Dans une menuiserie, on propose aux apprentis 4 activités pour la journée. Les 15 apprentis
(ne se connaissent pas) se répartissent aléatoirement entre les différentes activités.

1. Combien y a-t-il de répartitions possibles de ces apprentis ?

cad
2. Combien y a-t-il de configurations pour lesquelles ?
(a) Exactement trois activités ne soient pas désirées ?
(b) Deux activités exactement ne soient pas désirées ?
(c) Une activité exactement ne soit pas désirée ?
AA
3. Déduire des questions précédentes le nombre de configurations pour lesquelles chaque
activité a été désirée par au moins un apprenti.

Exercice 2

Dans un tiroir, se trouve 10 paires de gants (mains gauches et droites discernables) ; tous les
NS

gants sont de couleurs différentes. On prend simultanément 4 gants au hasard dans le tiroir.

1. Quelle est la probabilité d’avoir 2 paires de gants ?

2. Quelle est la probabilité d’avoir au moins une paire de gants ?
3. Quelle est la probabilité d’avoir exactement une paire de gants ?
ME

Exercice 3

1. Une secrétaire effectue 𝑛 appels vers 𝑛 correspondants distincts (𝑛 entier, 𝑛 ⩾ 2). On

admet que ces 𝑛 appels constituent 𝑛 expériences indépendantes et que pour chaque appel,
la probabilité d’obtenir le correspondant est 𝑝 et que la probabilité de ne pas l’obtenir est
𝑞 = 1 − 𝑝.
On note 𝑋 le nombre de clients obtenus.

(a) Quelle est la loi de 𝑋 ?

(b) Donner l’espérance et la variance de 𝑋.
 85

2. Après ces 𝑛 recherches, la secrétaire demande une deuxième fois, et dans les mêmes
conditions, chacun des 𝑛−𝑋 correspondants qu’elle n’a pas obtenus la première fois. Soit
𝑌 la variable aléatoire égale au nombre de correspondants obtenus lors de la deuxième
série d’appels et soit 𝑍 = 𝑋 + 𝑌 le nombre total de correspondants obtenus.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
(a) Quelles sont les valeurs prises par 𝑍 ?
(b) Calculer les probabilités 𝑝0 = 𝑃 (𝑍 = 0) et 𝑝1 = 𝑃 (𝑍 = 1).

y
Montrer que 𝑝1 = 𝑛𝑝𝑞 2𝑛−2 (1 + 𝑞).

em
(c) Calculer la probabilité conditionnelle : 𝑃(𝑋=𝑘) (𝑌 = ℎ) pour 𝑘 ∈ {0, ..., 𝑛} et ℎ ∈
{0, 𝑛 − 𝑘}.
∑
𝑠
(d) Démontrer que pour tout 𝑠 ∈ {0, ..., 𝑛}, 𝑃 (𝑍 = 𝑠) = 𝑃 (𝑋 = 𝑘 ∩ 𝑌 = 𝑠 − 𝑘).
𝑘=0
(e) Calculer 𝑃 (𝑍 = 𝑠) pour 𝑠 ∈ {0, ..., 𝑛} et montrer que 𝑍 suit une loi binomiale de

cad
paramètres 𝑛 et 𝑝(1 + 𝑞).
On pourra montrer que 𝐶𝑛𝑘 𝐶𝑛−𝑘
𝑠−𝑘
= 𝐶𝑛𝑠 𝐶𝑠𝑘 .

Exercice 4
AA
Le tableau ci-après donne les résultats de l’enquête "Internet : accès et utilisation" réalisée
auprès de 1000 individus dans un pays relatif à deux variables à savoir : "le nombre moyen
d’heures de connexion par mois" et "l’ancienneté en mois dans l’utilisation d’internet".

Ancienneté : Y
Heures connexion : X < 3 [3; 6[ [6; 12[ [12; 24[ [24; 36[ ⩾ 36 Total
NS

<2 42 3 75 46 9 42
[2; 5[ 1 5 9 4 5 14
[5; 10[ 32 6 87 63 10 76
[10; 20[ 9 8 86 42 10 40
ME

⩾ 20 31 15 100 59 14 57
Total

1. (a) Compléter le tableau et donner lui un titre.

(b) Comment appelle-t-on ce genre de tableau ?
(c) Quelle est la nature des variables étudiées ?
2. (a) Donnez le tableau de la distribution conditionnelle (effectifs absolus et fréquences en
pourcentage) de la variable 𝑌 sachant que la variable 𝑋 ⩾ 10.
 86 CHAPITRE 10. QUELQUES ANCIENS SUJETS

(b) Donner un titre à ce tableau.

3. Parmi les individus dont l’ancienneté est inférieure à 6 mois, quelle est la proportion de
ceux dont le nombre moyen d’heures de connexion par mois est au moins égal à 10h ?
4. On suppose que le nombre moyen d’heures de connexion par mois est au maximum égal
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

à 40h.
(a) Donner les fréquences cumulées de la distribution marginale de la variable 𝑋 et tracez

y
le graphe de cette distribution.

em
(b) Déduire les valeurs approchées (sans faire de calculs numériques) des quartiles de
cette distribution.
(c) Calculer la moyenne marginale de 𝑋 et sa variance.
5. Au seuil de 5%, peut-on dire que 𝑋 et 𝑌 sont indépendantes ?

Exercice 5
cad
La limite légale du taux de présence 𝑋 d’un polluant contenu dans les déchets d’usine est
6mg/kg. On effectue un dosage sur 12 prélèvements de 1kg, pour lesquels on observe les taux
𝑥𝑖 , 𝑖 = 1, ..., 12 tels que :
AA
∑
12
∑
12
𝑥𝑖 = 84 et 𝑥2𝑖 = 1413
𝑖=1 𝑖=1

On admet que 𝑋 suit une loi normale  (𝑚, 𝜎).

1. Résoudre avec un risque de première espèce fixé 𝛼 = 0, 025 le problème de test suivant :
NS

⎧
⎪H0 ∶ m = 6
⎨
⎪H1 ∶ m = m1 (m1 > 6)
⎩
2. Proposer une région critique pour le test suivant avec 𝛼 = 0, 025 :
ME

⎧
⎪H0 ∶ m ⩽ 6
⎨
⎪H1 ∶ m > 6
⎩
L’usine se conforme-t-elle à la législation ?
3. Peut-on calculer la puissance de ce dernier test ?

Exercice 6

L’effectif de la population d’un pays du 1er Janvier de l’année se présente comme indiqué
dans le tableau ci-après :
 87

Effectif de la population au 1er Janvier des années 1988 à 1991.

Dates Effectifs Population
1/1/1998 100 000 000
1/1/1989 102 000 000

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
1/1/1990 104 346 000
1/1/1991 105 598 152

y
em
1. Calculer le multiplicateur de cette population aux dates indiquées ;
2. A l’aide d’une moyenne géométrique, déduire le multiplicateur moyen ;
3. Donner le taux d’accroissement (en %) moyen annuel de cette population ;
4. En supposant que ce taux d’accroissement reste constant, quel est le temps de doublement

cad
de cette population ?

Statistique & Probabilités - IFORD Voie A session 2018

AA
Exercice 1

Une école de formation professionnelle de niveau Master compte 100 étudiants dont 60 en
Master 1 et 40 en Master 2. On veut en choisir quatre afin de préparer la fête de fin d’année ; il
faut un président, un vice-président, un trésorier et un secrétaire. Combien y a-t-il de groupes de
quatre étudiants :
NS

1. Au total ?
2. Avec deux étudiants de Master 1 et deux étudiants de Master 2 ?
3. Avec un président et un vice-président qui ne sont pas de la même classe ?
4. Avec un seul étudiant de Master 2 et qui serait président ?
ME

Exercice 2

Parmi 12 personnes, 9 fument des cigarettes, 3 fument la pipe, 2 fument des cigarettes et la
pipe.

1. Combien y a-t-il de non fumeurs ?

2. On choisit au hasard 3 personnes. Calculer les probabilités des évènements suivants :
(a) A : "Les 3 personnes choisies fument la pipe" ;
(b) B : "Aucune des 3 personnes choisies ne fume" ;
(c) C : "Au moins 2 des 3 personnes choisies fument la pipe".
 88 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Exercice 3

Une urne contient six boules numérotées de 1 à 6. On en tire trois simultanément. Soit 𝑋 la
variable aléatoire égale au plus petit des nombres obtenus.

1. Définir la loi de 𝑋.
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

2. Calculer 𝐸(𝑋), 𝑉 (𝑋) et 𝜎(𝑋.)

y
Exercice 4

em
Dans une école d’ingénierie, le temps nécessaire aux étudiants pour terminer une épreuve
d’examen est une variable normale, de moyenne 90 minutes et d’écart-type 15 minutes.

1. Quelle est la proportion des étudiants qui terminent l’épreuve en moins de 2 heures ?
2. Quelle devrait être la durée de l’épreuve si l’on souhaite que 90% des étudiants puissent
la terminer ?

Exercice 5
cad
Le tableau ci-après donne les résultats de l’enquête "Internet : accès et utilisation" réalisée
AA
auprès de 1000 individus dans un pays relatif à deux variables à savoir : "le nombre moyen
d’heures de connexion par mois" et "l’ancienneté en mois dans l’utilisation d’internet".

Ancienneté : Y
Heures connexion : X < 3 [3; 6[ [6; 12[ [12; 24[ [24; 36[ ⩾ 36 Total
NS

<2 42 3 75 46 9 42
[2; 5[ 1 5 9 4 5 14
[5; 10[ 32 6 87 63 10 76
[10; 20[ 9 8 86 42 10 40
⩾ 20 31 15 100 59 14 57
ME

Total

1. (a) Compléter le tableau et donner lui un titre.

(b) Comment appelle-t-on ce genre de tableau ?
(c) Quelle est la nature des variables étudiées ?
2. (a) Donnez le tableau de la distribution conditionnelle (effectifs absolus et fréquences en
pourcentage) de la variable 𝑌 sachant que la variable 𝑋 ⩾ 10.
(b) Donner un titre à ce tableau.
 89

3. Parmi les individus dont l’ancienneté est inférieure à 6 mois, quelle est la proportion de
ceux dont le nombre moyen d’heures de connexion par mois est au moins égal à 10h ?

4. On suppose que le nombre moyen d’heures de connexion par mois est au maximum égal
à 40h.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
(a) Donner les fréquences cumulées de la distribution marginale de la variable 𝑋 et tracez
le graphe de cette distribution.

y
(b) Déduire les valeurs approchées (sans faire de calculs numériques) des quartiles de

em
cette distribution.
(c) Calculer la moyenne marginale de 𝑋 et sa variance.

Exercice 6

cad
Le tableau ci-après donne la répartition (%) des salariés et non-salariés par sexe pour les
actifs de 15 ans ou plus ayant un emploi et vivant dans le pays Ifordia.
AA
Hommes Femmes
Non salariés 13,4 7,3
Salariés 86,6 92,7
Intérimaires 2,8 1,4
Apprentis 1,7 0,9
NS

Contrats à durée déterminée 6,0 10,8

Contrats à durée indéterminée 76,1 79,6
100 100
Total des emplois (milliers) 13 670 12 243
ME

1. Les femmes sont-elles plus souvent salariées que les hommes ? Justifier votre réponse.

2. La répartition entre les statuts "salarié" et "non-salarié" est-elle indépendante du sexe ?

Justifier votre réponse.

3. Pour l’ensemble des hommes et des femmes, quel est le pourcentage des non-salariés ?

4. Pour l’ensemble des hommes et des femmes, quel est le pourcentage des salariés ?

5. Pour l’ensemble des hommes et des femmes, quel est le pourcentage des apprentis ?
 90 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Statistique & Probabilités - IFORD Voie B session 2017

Exercice 1

Le pays Ifordia compte 770 000 habitants dont 60% sont d’origine asiatique, 39% sont noirs
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

et 1% blancs. On tire un échantillon de 7 personnes au hasard.

1. Quelle est la probabilité d’obtenir une majorité d’asiatique ?

y
2. Quelle est la probabilité de n’obtenir aucun blanc ?
3. Quel est le nombre espéré d’asiatique dans l’échantillon ?

em
Exercice 2

Soit 𝑥 une variable aléatoire continue et 𝑦 sa densité de probabilité définie par :

cad 1
−
4 32
𝑥
𝑦=
1. Représenter graphiquement les variations de 𝑦 dans son intervalle.
2. Donner la fonction de répartition de la variable 𝑥 étudiée.
3. Vérifier par le calcul et par la représentation graphique de la question 1) que :
AA
8( )
1 𝑥
− 𝑑𝑥 = 1.
∫0 4 32
4. Représenter graphiquement les variations de la fonction de répartition dans l’intervalle
[0; 8[.
4 ( )
1 𝑥
5. — Calculer : − 𝑑𝑥 = 1.
∫0 4 32
NS

— Vérifier l’exactitude du résultat obtenu au moyen des représentations graphiques des

questions 1 et 4.
6. — Calculer E(𝑥).
8 ( )
1 𝑥
— Vérifier que : (𝑥 − E(𝑥)) − 𝑑𝑥 = 0.
∫0 4 32
ME

7. Calculer 𝑉 (𝑥) et 𝜎𝑥 .

Exercice 3

Soient deux variables statistiques 𝑋 et 𝑌 mesurées au cours des 10 années successives :

Année 1 2 3 4 5 6 7 8 9 10
X 1 3 8 11 20 24 28 32 40 48
Y 15 15 17 18 21 22 25 27 32 39
 91

1. — Calculer le coefficient de corrélation linéaire entre les variables X et Y.

— Calculer les coefficients de la droite des moindres carrés de Y en X.
— Représenter le nuage des 10 points (X,Y) et tracer la droite des moindres carrés.
— Quelle est la part de la variance de Y expliquée par ce modèle linéaire ?

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
2. — Calculer le coefficient de corrélation linéaire entre X et 𝑍 = ln(𝑌 ).
— En déduire une relation approximative entre X et Y pour les 10 observations.

y
— Représenter le nuage des 10 points (X,Z) et tracer la relation trouvée.
— Quelle est la part de la variance de Y expliquée par cette relation ?

em
— Comparer cette relation avec le modèle linéaire de la question 1.

Exercice 4

Le stationnement des voitures dans une certaine ville ne peut se faire règlementairement

cad
dans des parkings payants. Un automobiliste en infraction a une probabilité égale à 𝑝 de se voir
infliger une contravention.
Si un automobiliste se met systématiquement en stationnement interdit 30 fois dans un mois,
quelle est la probabilité qu’il ait 15 contraventions au plus si 𝑝 = 0, 4 ? 𝑝 = 0, 7 ?
Préciser l’hypothèse nécessaire à la résolution de cet exercice.
AA

Exercice 5

Une usine fabrique des imprimantes laser dont la durée de vie (exprimée en millions de
pages) est une variable aléatoire suivant une loi  (2; 0, 25).

1. Calculer la probabilité que la durée de vie d’une imprimante soit supérieure à 2,2 millions
NS

de pages.
2. On tire au hasard, avec remise, 200 imprimantes dans la production.
— Calculer la probabilité que les deux premières imprimantes tirées aient une durée de
vie supérieure à 2,2 millions de pages.
ME

— Donner, en justifiant, la loi de la variable aléatoire 𝑍 égale au nombre d’imprimantes

tirées dont la durée de vie est supérieure à 2,2 millions de pages.
— Donner, en justifiant, une loi approchée de la loi de 𝑍.
— Calculer, en utilisant la loi approchée, 𝑝(𝑍 > 50) et 𝑝(50 ⩽ 𝑍 < 56).

Exercice 6

Dans le pays Ifordia, un sondage sur l’application des règles de sécurité sur la certitude des
projets d’installations nucléaires a donné les résultats suivants : sur les 420 personnes qui ont
répondu et qui avaient entre 18 et 30 ans, 24% ont répondu "Oui" ; parmi les 510 personnes qui
avaient entre 30 et 50 ans, 34% ont répondu "Oui".
 92 CHAPITRE 10. QUELQUES ANCIENS SUJETS

1. Calculer la probabilité critique pour H0 : pas de différence selon l’age.

2. Au seuil de 5%, peut-on rejeter H0 ?

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Exercice 7

y
Les résultats d’une enquête auprès d’une population africaine ont montré que 40% des in-
dividus ne sont jamais allés en Europe et que 55% des individus n’ont jamais pris l’avion, mais

em
que 25% sont déjà allés en Europe et ont déjà pris l’avion.
On note A, l’évènement : "Être allé en Europe" et B, l’évènement : "Avoir pris l’avion".

1. Quelle est la probabilité qu’un individu tiré au hasard dans cette population

cad
— Soit déjà allé en Europe ou ait déjà pris l’avion ?
— Ne soit jamais allé en Europe et n’ait jamais pris l’avion ?

2. Quelle est la probabilité qu’un individu tiré au hasard dans cette population soit déjà allé
en Europe sachant qu’il a déjà pris l’avion ?
AA

3. Les évènements A et B sont-ils indépendants ? incompatibles ?

Statistique & Probabilités - IFORD Voie A session 2017

NS

Exercice 1

Dans une ville du pays IFORDIA, on a procédé à un dénombrement de la population que l’on
a classée selon le sexe et l’age. Le résultat de ce dénombrement figure dans le tableau ci-après :
ME

Le groupe d’ages « 0 » est composé des enfants âgés de moins d’un an.
Le groupe d’age « 1-4 ans» concerne les enfants d’un an et plus qui n’ont pas encore fêté
leurs anniversaires.
Le groupe d’ages « 75 ans et plus» concerne les personnes âgées d’au moins 75 ans. Pour ce
groupe d’ages, on admettra qu’aucun individu de la population n’atteint l’age de 90 ans.
Les autres groupes d’ages notés « i-i+4» ou i est un nombre entier multiple de [Link]
groupe « i-i+4» concerne les personnes dont l’age est supérieur ou égal à i ans. qui n’ont pas
encore l’age de i+5 ans.
Répartition de la population par sexe et par groupes d’ages
 93

Masculin Féminin Total

Sexe
Groupe
d’ages

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
0 ans 350 323 673
1 - 4 ans 1182 1182 2364
5 - 9 ans 1354 1321 2675

y
10 - 14 ans 1377 1210 2587

em
15 - 19 ans 1206 1061 2267
20 - 24 ans 783 751 1534
25 - 29 ans 560 358 1098
30 - 34 ans 422 490 972

cad
35 - 39 ans
40 - 44 ans
45 - 49 ans
50 - 54 ans
393
368
313
257
550
396
366
239
973
764
679
496
55 - 59 ans 197 172 369
AA
60 - 64 ans 117 103 220
65 - 69 ans 40 59 99
70 - 74 ans 24 46 70
75 ans et + 21 57 78
Total 8964 8864 17828
NS

1. Dans la population totale, déterminer :

— La population des personnes âgées de moins de 20 ans ;
— La proportion des personnes âgées entre 15 et 49 ans.

2. Construire l’histogramme de la distribution de la population totale ;

ME

— Calculer l’age moyen de toute la population ;

3. On appelle « rapport de masculinité», noté RM par la suite,,le rapport de l’effectif de la

population masculine par l’effectif de la population féminine, soit :
effectif de la population masculine
𝑅𝑀 = .
effectif de la population feminine
— Calculer le rapport de masculinité pour l’ensemble de la population.

(a) — Calculer pour chaque groupe d’age, le rapport de masculinité. Ces rapports seront
calculés avec 2 décimales.
— Présenter sous forme d’un tableau statistique en les regroupant par classe d’am-
plitude 0,10 ; la première classe étant borné inférieurement par 0,30.
 94 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Exercice 2

Soit 𝑋 une variable aléatoire statistique définie sur 1000 individus. La fonction de fréquence
cumulée de x est définie ainsi :
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

⎧
⎪𝐹 (𝑥) = 0 𝑠𝑖 𝑋 ≺ −3
⎪
⎪𝐹 (𝑥) = 0, 10 𝑠𝑖 − 3 ⪯ 𝑋 ≺ 2

y
⎪
⎨𝐹 (𝑋) = 0, 45 𝑠𝑖 2 ⪯ 𝑋 ≺ 3 (10.2)
⎪

em
⎪𝐹 (𝑋) = 0, 85 𝑠𝑖 5 ⪯ 𝑋 ≺ 10
⎪
⎪𝐹 (𝑋) = 1 𝑠𝑖 10 ⪯ 𝑋
⎩
1. Combien de valeurs différentes 𝑋 prend-t-elle ?

cad
2. Pour combien d’individus 𝑋 prend-t-elle la valeur 2 ?
3. Quelle est la moyenne 𝜇 de 𝑋 ?
4. Quelle est la variance de 𝑋 ?

Exercice 3
AA
Montrer que la variance d’une distribution binomiale de paramètre n et p est au plus égale à
𝑛
4

Exercice 4

On se trouve en face de huit points A, B, C, D, E, F, G, H disposés de façons à ce que jamais

NS

on ne trouve plus de deux de ces points en ligne droite.

1. Combien de segment peut-on construire avec ces huits points ?

2. Combien de triangle peut-on construire avec ces huit points ?
ME

Exercice 5

Le tableau suivant récapitule les notes sur 20 de 10 élèves d’une école de formation profes-
sionnelle en science de la population au cours de l’année 2016 dans deux disciplines 𝑋 (écono-
mie) et 𝑌 (fécondité)

Élèves 𝑒1 𝑒2 𝑒3 𝑒4 𝑒5 𝑒6 𝑒7 𝑒8 𝑒9 𝑒10
X 8 11 12 16 10 11 18 12 13 6
Y 1 7 10 12 3 4 14 8 9 17

1. Calculer le coefficient de corrélation linéaire entre les variables 𝑋 et 𝑌 .

 95

2. Calculer les coefficients de la droite des moindres carrés de 𝑌 en 𝑋.

3. Représenter le nuage des 10 points (𝑋, 𝑌 ) et tracer la droite des moindres carrés.
4. Quelle est la part de la variance de 𝑌 non expliquée par la relation linéaire ?
5. Reprendre les questions 1 à 4 en excluant 𝑒1 0.

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
6. Comparer les deux modèles linéaires.

y
Exercice 6

em
Les résultats d’une enquête auprès d’une population africaines ont montré que 40% des in-
dividus ne sont jamais allés en Europe et que 55% des individus n’ont jamais pris l’avion, mais
que 25% sont déjà allés en Europe et ont déjà pris l’avion. On note A, l’événement « être allé en
Europe» et B, l’événement « avoir pris l’avion»

cad
1. Quelle est la probabilité qu’un individu tiré au hasard dans cette population :
— soit déjà allé en Europe ou ait déjà pris l’avion ?
— ne soit jamais allé en Europe et n’ait jamais pris l’avion ?
2. Quelle est la probabilité qu’un individu tiré au hasard dans cette population soit déjà allé
AA
en Europe sachant qu’il a déjà pris l’avion ?

Exercice 7

Pour déterminer l’age moyen de ses clients, une grande entreprise de confection pour homme
prélève un échantillon aléatoire de 50 clients et trouve 𝑋̄ = 36. Si on connait 𝜎 = 12, trouver
un intervalle de confiance à 95% pour l’age moyen de l’ensemble des clients.
NS

Statistique & Probabilités - IFORD Voie A session 2016

Exercice 1
ME

Dans une ville moyenne du pays IFORDIA, il y a quatre pharmacies.

1. On demande à chaque pharmacien quel jour hebdomadaire de fermeture lui convient

. De combien de façons différentes peuvent à priori se présenter les choix des quatre
pharmaciens.
2. Certains pharmaciens ayant choisi le même jour de fermeture, ce qui ne peut être accepté,
on réunit à nouveau les quatre pharmaciens en leur demandant de modifier éventuelle-
ment leur choix, les quatre jours de la semaine devant être différents.
3. On s’aperçoit que aucun pharmacien n’entend fermer le lundi, ni le mardi. Quels est alors
le nombre de choix différents ?
 96 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Exercice 2

Le tableau statistique suivant nous vous est présenté :

Variables 𝑥𝑖 Effectifs 𝑛𝑖
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

2 1
3 𝑛2
6

y
𝑛3
9 2

em
14 𝑛5
Total 10

Sachant que la moyenne arithmétique de cette distribution est égale à 7,5 et que sa variance
est égale à 14,85 ; calculer les effectifs manquants 𝑛2 , 𝑛3 , 𝑛5 .

Exercice 3 cad
Le prénom Monique s’écrit à l’aide de 7 lettres différentes. On prépare 7 morceau de papier
portant chacun l’une de ces lettres. On tire au hasard de ces papiers (un papier tiré n’est pas
AA
remis en jeu). Quelle est :

1. La probabilité d’avoir tiré les lettres i et u ?

2. La probabilité d’avoir tiré 2 voyelles exactement ?
3. La probabilité d’avoir tiré au moins une voyelle ?
4. La probabilité d’avoir tiré au moins une consonne ?
NS

Exercice 4

Au cours d’un sondage sur les élections présidentielles dans un pays donné, 24 personnes
sur 100 déclarent vouloir voter pour le candidat du parti socialiste.
ME

1. Déterminer un intervalle de confiance au niveau 0,95 pour la proportion d’électeurs vo-

tant pour ce candidat.
2. Déterminer la taille de l’échantillon qu’il aurait fallu choisir pour obtenir un intervalle
de confiance d’amplitude 2 × 10.

Exercice 5

Dans une classe de 25 élèves d’une école de formation professionnelle en démographie, on a

relevé les notes obtenues en analyse de la fécondité 𝑋 et en analyse de la mortalité 𝑌 . On obtient
le tableau suivant :
 97

𝑋|𝑌 4 8 10 12 14 Total
6 1 2 0 0 0
8 3 2 0 4 9
10 2 0 1 1

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
14 0 0 1 0
16 0 0 1 1 4

y
Total 4 5 2

1. Compléter ce tableau et donner lui un titre. Comment appelle-t-on ce genre de tableau ?

em
2. Déterminer les moyennes et les variances marginales des variables 𝑋 et 𝑌 .
3. Déterminer les moyennes et les variances conditionnelles de 𝑋 selon 𝑌 .
4. Vérifier la formule 𝑉 (𝑋) = 𝑉1 (𝑋)
̄ + 𝑉 (𝑋̄ 𝑗 )

Exercice 6
cad
Dans un pays sahélien, la probabilité qu’une personne donnée contracte la méningite en
un an est 0,4. La probabilité pour que cette personne soit atteinte d’une maladie G, autre que
la méningite, pendant la même période est 0,2. On suppose que contracter la méningite et la
AA
maladie G sont deux évènements indépendants.
Quelle est la probabilité pour que cette personne contracte au moins une de ces deux maladies
en un an ?

Statistique & Probabilités - IFORD Voie B session 2015

NS

Exercice 1

Une étude sur le chiffre d’affaires d’une population de 300 PME a donné les résultats (en
milliers de Francs CFA) :
ME

Minimum 3 500
Moyenne 4 900
Écart-type 650
Étendue ou écart inter-quartile 1 100
Médiane 4 600
Premier quartile 4 100
Étendu 5 000
 98 CHAPITRE 10. QUELQUES ANCIENS SUJETS

1. Définir la population, l’unité statistique, le caractère étudié et sa nature.

2. Donnez la valeur du troisième quartile et donnez sa signification ainsi que celles des deux
autres quartile.
3. Que signifie le fait que la moyenne soit supérieure à la médiane ?
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

4. Représenter l’histogramme de cette distribution avec quatre classes d’effectifs égaux.

y
Exercice 2

em
Le tableau suivant donne le revenu annuel moyen des ménages, en euros, pour les dix inter-
valles définis par déciles, et la part de chaque intervalle dans le revenu total.

Valeurs déciles (euros) Intervalles Rev. Moyen % masse totale des Rev.

cad
𝐷1 = 7304
𝐷2 = 11091
𝐷3 = 14099
𝐷4 = 17219
< 𝐷1
[𝐷1 , 𝐷2 [
[𝐷2 , 𝐷3 [
[𝐷3 , 𝐷4 [
3 845
9 318
12 601
15 640
2
3
5
6
𝐷5 = 20631 [𝐷4 , 𝐷5 [ 18 863 7
AA
𝐷6 = 24653 [𝐷5 , 𝐷6 [ 22 579 9
𝐷7 = 29361 [𝐷6 , 𝐷7 [ 26 904 11
𝐷8 = 35757 [𝐷7 , 𝐷8 [ 32 324 13
𝐷9 = 46642 [𝐷8 , 𝐷9 [ 40 548 16
⩾ 𝐷9 69 930 28
NS

1. Calculer le revenu annuel moyen des ménages.

2. Proposez deux indicateurs de tendance centrale, un indicateur de dispersion et un indi-
ME

cateur de dispersion relative. Donnez les valeurs de ces indicateurs.

3. Cette distribution de revenus est-elle symétrique ? (justifiez votre réponse).
4. Quelle est la part de l’ensemble des revenus perçus par les 4 dixièmes des ménages aux
revenus les plus faibles ?
5. Soient 𝐹1 = 10%, 𝐹2 = 20%,...,𝐹10 = 100% et 𝑅𝑖 la part de l’ensemble des revenus
perçus par l’ensemble des 𝐹𝑖 ménages aux revenus les plus faibles :
(a) Donnez les valeurs 𝑅𝑖 correspondant à chaque fréquence cumulée 𝐹𝑖 .
(b) Tracez la courbe joignant, dans l’ordre, les points (𝐹𝑖 , 𝑅𝑖 ). Comment s’appelle cette
courbe ?
 99

(c) A quoi est égal l’indice de concentration de Gini ? (on ne demande pas sa valeur).
(d) Quelles sont les valeurs minimum et maximum de cet indice ?
(e) A quelles situations correspondent-elles ?

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Exercice 3

Quel est le taux annuel moyen de croissance d’une grandeur qui double :

y
1. En 2 ans ?

em
2. En 5 ans ?
3. En 10 ans ?

Exercice 4

cad
Soient 𝐴 et 𝐵 deux évènements tels que :
𝑃 (𝐴) = 1∕4, 𝑃 (𝐴 ∪ 𝐵) = 1∕3 et 𝑃 (𝐵) = 𝑝.

1. Déterminer la valeur de 𝑝 dans chacun des cas suivants :

AA
(a) Les évènements 𝐴 et 𝐵 sont incompatibles ;
(b) Les évènements 𝐴 et 𝐵 sont indépendants ;
(c) L’évènement 𝐴 implique 𝐵 (𝐴 ⊂ 𝐵).
2. Peut-on avoir 𝐵 implique 𝐴 (𝐵 ⊂ 𝐴) ?
NS

Exercice 5

Le bureau des étudiants d’une école de formation professionnelle s’interroge sur l’opportu-
nité d’un achat groupé de micro-ordinateurs en début d’année académique. Le nombre d’étu-
diants qui se sont déclarés intéressés est égal à 200. Mais, suite à une expérience passée, le
bureau évalue la probabilité qu’un étudiant qui s’est intéressé, achète un ordinateur est égale à
ME

0,8. D’autre part, on suppose que le comportement de chaque étudiant est indépendant de celui
des autres.
Le bureau des étudiants cherche à déterminer le nombre d’ordinateurs à commander pour
limiter le risque d’avoir des ordinateurs invendus. Soit 𝑋 la variable aléatoire égale au nombre
de micro-ordinateurs achetés par les 200 élèves intéressés.

1. Quelle est la loi exacte de 𝑋 ? Par quelle loi peut-on l’approcher ? (justifiez vos réponses).
2. Calculez la probabilité qu’au plus 145 étudiants achètent un micro-ordinateur.
3. Le bureau des étudiants décide de commander 150 unités et prend en charge la garantie du
matériel pendant l’année académique sous la forme suivante : chaque étudiant acheteur
 100 CHAPITRE 10. QUELQUES ANCIENS SUJETS

verse une somme 𝑆 (en euro) en plus du prix d’achat au bureau des étudiants qui assume
le cout des éventuelles réparations.
On suppose que :
— les 150 ordinateurs sont vendus ;
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

— la probabilité qu’un ordinateur tombe en panne au cours de l’année est égale à 0,04 ;
— un ordinateur ne tombe pas plus d’une fois en panne au cours d’une année ;

y
— les pannes des 150 ordinateurs sont mutuellement indépendantes ;
— le cout de chaque réparation est fixé forfaitairement à 50 euros.

em
Soit 𝑌 , la variable aléatoire égale au nombre d’ordinateurs à réparer durant l’année
universitaire.

(a) Quelle est la loi exacte de 𝑌 ? Par quelle loi peut-on l’approcher ? (justifiez vos ré-
ponses).

cad
(b) Déterminez le plus petit nombre entier 𝑛 tel que : 𝑃 (𝑌 ⩽ 𝑛) ⩾ 0, 99.
(c) Soit 𝑍, la variable aléatoire égale au montant (en euros) de la ligne budgétaire "Ré-
paration des micro-ordinateurs" à la fin de l’année académique.
— Exprimer 𝑍 en fonction de 𝑆 et 𝑌 .
AA
— Calculer la valeur minimale de 𝑆 pour que la probabilité que cette ligne budgé-
taire soit déficitaire, soit inférieure à 0,01.

Exercice 6

Dans cet exercice, les durées de trajets sont supposées gaussiennes.

NS

Un directeur de société a son domicile dans la localité A. Il quitte son domicile à 8h45 et se
rend en voiture à son bureau qui ouvre à 9h. La durée du trajets est, en moyenne, de 13min, avec
un écart-type de 3 min.

1. Quelle est la probabilité pour le Directeur d’arriver en retard ?

ME

2. La secrétaire du directeur a son domicile en A, mais elle se rend au bureau en empruntant

en A le train de 8h32. Elle descend à la station B. Elle se rend de B à son bureau par
l’autobus qui part de B à 8h50 (sans attendre le train), et qui s’arrête devant le bureau.
La durée du trajet en train a pour moyenne 16 min, et pour écart-type 2 min, et la durée
du trajet en autobus a pour moyenne 9 min et pour écart-type 1 min. Les durées des deux
trajets sont supposées indépendantes.

(a) Quelle est la probabilité pour la secrétaire d’arriver à l’heure ?

(b) Quelle est la probabilité pour que le directeur ou la secrétaire arrivent à l’heure, les
durées des trajets du directeur et de la secrétaire étant supposées indépendantes ?
 101

Statistique & Probabilités - IFORD Voie A session 2015

Exercice 1

Exercice 1

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
Après avoir fait remplir un long questionnaire portant sur l’audience de la presse magazine
à 200 individus, un institut de sondage a établi la distribution suivante pour la durée d’interview

y
(en minutes) concernant ces 200 individus :

em
Durée (min) <25 [25, 30[ [30, 35[ [35, 40[ [40, 45[ [45, 50[ ⩾ 50
Effectif 18 32 36 40 30 24 20

cad
1. Définir la population, l’unité statistique, le caractère étudié et sa nature.
2. Calculez les trois quartiles de la distribution de la durée d’interview.
3. On considère que les durées minimum et maximum sont respectivement égales à 15 min
AA
et 60 min.
(a) Tracez la courbe des fréquences cumulées et l’histogramme.
(b) Calculez la moyenne et l’écart-type de la durée d’interview.

Exercice 2
NS

Le tableau suivant donne les notes de quatre matières d’un étudiant de Master niveau 1 en
Démographie :

Informatique Mortalité Sociologie Fécondité

ME

16 11 14 18
8 9
11 7
17

La deuxième note de fécondité est illisible, mais cet étudiant se souvient que la moyenne
arithmétique de l’ensemble de ses notes est égale à la moyenne arithmétique (non pondérée) des
moyennes des notes par matière.
Quelle est cette note de fécondité ?
 102 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Exercice 3

Sur une période de 5 ans, une population a eu un taux de croissance annuel moyen de 3%. On
a égaré la valeur du taux de croissance de la 1ère année, mais on sait que les taux de croissance
des 2ème et 3ème année étaient de 2%, que celui de la 5ème année était de 1%, et que celui de la
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

4ème année était de 3%.

Quel était le taux de croissance de la 1ère année ?

y
Exercice 4

em
Une enquête exhaustive dans le pays Ifordia montre que sur les 32 564 habitants de ce pays,
23 522 lisent la revue "Notre Ifordia", 18 859 lisent la revue "La vie de la population" et 11 422
lisent les deux revues.

cad
1. On interroge au hasard un habitant du pays Ifordia. Calculez la probabilité :
— que cet habitant ne lise ni "Notre Ifordia", ni "La vie de la population" ;
— que cet habitant lise "Notre Ifordia", mais ne lise pas "La vie de la population".

2. On interroge au hasard deux habitants du pays Ifordia, et on admet que leurs réponses
AA
sont indépendantes. Calculez la probabilité :
— que les deux habitants ne lisent aucune des deux revues ;
— qu’un habitant lise les deux revues et que l’autre n’en lise aucune.

Exercice 5
NS

Soit 𝑋, une variable aléatoire telle que 𝐸(𝑋) = 50 et 𝜎𝑋 = 12 et 𝑌 , une variable aléatoire
telle que : 𝐸(𝑌 ) = 30 et 𝜎𝑋 = 5. On suppose que 𝐶𝑜𝑣(𝑋, 𝑌 ) = 12, 5.

1. Calculer les espérances et les écarts-type des variables : 𝑍 = 𝑋 − 𝑌 et 𝑇 = 3𝑋 + 2𝑌 .

2. Sans effectuer de calcul numérique, précisez, en justifiant votre réponse, laquelle des
ME

deux variables aléatoires (𝑋 + 𝑌 ) et (𝑋 − 𝑌 ) à l’écart-type le plus petit.

Exercice 6

Un ascenseur porte la mention "charge maximale : 350 kg", cinq personnes de sexe masculin
montent ensemble dans cet ascenseur. On admettra que le poids d’un adulte de sexe masculin
suit une loi normale de moyenne 60 kg et d’écart-type 10 kg.

1. Soit 𝑌 , la variable aléatoire égale au poids total des cinq personnes. Donnez, en justifiant,
la loi de 𝑌 .

2. Quelle est la probabilité que l’ascenseur refuse de démarrer ?

 103

Statistique & Probabilités - IFORD Voie B session 2014

Exercice 1

Un examen est ouvert à des étudiants de formations initiales différentes : économie, statis-

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
tique, mathématiques. Le tableau ci-après présente les résultats obtenus par 286 candidats à cet
examen.

y
em
Résultat de l’examen Formations initiales
Économie Statistique Mathématiques Total
Réussite 14 59 54 154
Échec 21 36 75 132
Total
cad 62 95 129 286

1. Parmi les 154 candidats qui réussi à l’examen

AA
(a) Quel est le pourcentage des économistes ?
(b) Quel est le pourcentage des statisticiens ?
(c) Quel est le pourcentage des mathématiciens ?

2. Parmi les 286 candidats qui se sont présentés à l’examen

NS

(a) Quel est le pourcentage des économistes qui ont réussi àl’examen ?
(b) Quel est le pourcentage des statisticiens qui ont réussi à l’examen ?
(c) Quel est le pourcentage des mathématiciens qui ont réussi à l’examen ?
ME

3. Si on désigne par taux de réussite, le pourcentage des étudiants qui ont réussi à l’examen.
Déterminer le taux de réussite :

(a) Quelle que soit la formation initiale du candidat.

(b) Chez les économistes.
(c) Chez les statisticiens.
(d) Chez les mathématiciens.
(e) Représenter graphiquement les taux de réussite selon la formation initiale.

4. Le responsable de l’examen désire savoir si la formation initiale d’un étudiant influe sur
sa réussite. Quelle est sa conclusion au seuil de 5%.
 104 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Exercice 2

On dispose, pour un secteur industriel donné et sur une période de 11 années, de la série du
nombre de salariés Y et du chiffre d’affaires X du secteur.
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

Années Nombre de salariés (en milliers) Y Chiffre d’affaires (en millions) X

1957 294 624
1958 271 661

y
1959 314 728

em
1960 356 782
1961 383 819
1962 369 819
1963 402 938
1964
1965
1966
1967
cad 422
475
475
486
1023
1136
1227
1327
AA
On veut tester la réalité d’une relation linéaire entre X et Y.
Soit 𝑦𝑛 = 𝑎 + 𝑏𝑥𝑛 + 𝜀𝑛 (𝑛 = 1 à 11). Les hypothèse classiques du modèle linéaire simple
sont supposées réalisées, c’est-à-dire que 𝜀𝑛 est une variable aléatoire suivant une loi normale
centrée et d’écart-type 𝜎 :  (0, 𝜎).

1. Donner les estimations 𝑎̂ et 𝑏̂ des paramètres 𝑎 et 𝑏 obtenus par la méthode des moindres
NS

carrés ordinaires.
2. Calculer :
(a) L’estimateur de la variance 𝜎 2 .
(b) L’estimation de la variance de l’estimateur 𝑏.
̂
ME

(c) Le coefficient de détermination 𝑅2 de la régression.

3. On se pose le problème de test :
⎧
⎪H0 ∶ 𝑏 = 0
⎨
⎪H1 ∶ 𝑏 ≠ 0
⎩
(a) A quelle question ce test répond-t-il ?
(b) Peut-on dire que 𝑏 est significativement différent de zéro au risque 𝛼 = 0, 05 ?

4. On suppose que, connu de façon exogène, le chiffre d’affaires en 1970 est de 1772 mil-
lions.
 105

(a) Sur la base de la relation estimée jusque là à partir des données fournies, à combien
de salariés peut-on s’attendre en 1970 ?
(b) Sur la seule base de la relation linéaire estimée jusque là à partir des données fournies,
à combien de salariés peut-on s’attendre en 1970 ?

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
(c) Trouver un intervalle de confiance de niveau 0,95 pour l’effectif salarié du secteur.
(d) A posteriori, on démontre en 1970, 514 000 salariés. Que peut-on déduire de cette

y
observation supplémentaire ?

em
Exercice 3

Une compagnie d’assurance A assure 1000 clients pour un sinistre de type S. Chaque client
indépendamment des autres a, au moins au cours d’une année, une probabilité de 0,001 d’être

cad
sinistré. Le cout unitaire du remboursement du sinistre s’élève à 10 millions de francs. La com-
pagnie d’assurance règle le 31 décembre, sur ses réserves, le montant du remboursement des
sinistres de l’année et souhaite honorer ses engagements avec une probabilité de 0,999.

1. (a) Déterminer la loi exacte de nombre 𝑋 de sinistres constaté en une année.

AA
(b) Donner l’espérance et la variance de 𝑋.

2. Par quelle loi, cette loi exacte peut-elle être approximée ?

3. Après avoir déterminé, à partir de cette loi, la valeur de 𝑥0 telle que : 𝑃 (𝑋 ⩾ 𝑥0 ) >
0, 001 et 𝑃 (𝑋 ⩾ 𝑥0 + 1) < 0, 001, donner le montant des réserves que doit posséder la
compagnie d’assurance pour honorer ses engagements avec une probabilité de 0,999.
NS

4. Une deuxième compagnie, la compagnie d’assurance B, ayant les mêmes caractéristiques

propose à la compagnie A de fusionner avec elle.

(a) Déterminer la loi exacte du nombre Z des sinistres constatés en une année parmi
l’ensemble des 2000 clients, ainsi que la loi approchée de Z.
ME

(b) — Déterminer le montant des réserves que doivent posséder ensemble, les deux
compagnies si elles fusionnent et continuent d’honorer leurs engagements avec
une probabilité de 0,999.
— Comparer ce montant à celui des réserves dont devraient disposer les deux com-
pagnies non fusionnées.

Exercice 4

Une urne contient 𝑛 jetons numérotés de 1 à 𝑛. On effectue 𝑝 tirages avec remise. Soit 𝑋 la
variable aléatoire réelle égale au plus grand numéro tiré. Déterminer la loi de 𝑋.
 106 CHAPITRE 10. QUELQUES ANCIENS SUJETS

Exercice 5

Soit (𝑋𝑛 ), 𝑛 étant un entier naturel non nul, une suite de variables aléatoires indépendantes
telles que E(𝑋𝑛 ) = 𝑚 et V(𝑋𝑛 ) = 𝜎 2 . Montrer que si 𝑚 est inconnu alors :
( )2
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

1 ∑
𝑛
1∑
𝑇𝑛 = 𝑋𝑖 − 𝑋𝑗 est un estimateur sans biais de 𝜎 2 .
𝑛−1 𝑖=1
𝑛

y
Exercice 6

em
Les assistants sociaux travaillant pour une clinique psychiatrique sont si occupés qu’en moyenne
seuls 60% des patients prospectifs téléphonant pour la première fois obtiendront une communi-
cation avec l’un des assistants. On demande aux autres de laisser leur numéro de téléphone.
Trois fois quatre, un assistant trouve le temps de rappeler encore le jour même, autrement le

cad
rappel a lieu le lendemain.
L’Expérience a montré que dans cette clinique, la probabilité que le patient prospectif de-
mande une consultation est 0,8 s’il a pu parler immédiatement à 𝑚 assistants, tandis qu’elle
tombe à 0,6 et 0,4 respectivement s’il y a eu rappel du patient le jour même ou le lendemain.

1. Quel est le pourcentage parmi les gens qui appellent demanderont-ils une consultation ?
AA
2. Quel pourcentage des gens en consultation n’ont pas eu à attendre qu’on les rappelle ?

Statistique & Probabilités - IFORD Voie A session 2014

Exercice 1
NS

Une entreprise industrielle vend des machines-outils. On s’intéresse au nombre de machines

vendues en une journée. Pour cela, on définit la variable statistique 𝑋 associée au caractère
"nombre de machines vendues dans la journée". On observe les ventes pour 60 jours et on dresse
le tableau des ventes ci-après :
ME

Nombre de machines vendues dans la journée Nombre de jours de ventes

0 98
1 232
2 119
3 85
4 50
5 16
 107

1. Calculer les fréquences des ventes et les fréquences cumulées croissantes.

2. Donner la définition et calculer les caractéristiques de tendance centrale suivantes : le
mode, la médiane, la moyenne.
3. Calculer les caractéristiques de dispersion suivantes : la variance, l’écart-type, le coeffi-

MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026
cient de variation.

y
Exercice 2

Dans une maternité, on a observé un échantillon de 20 naissances selon le poids en kilo-

em
gramme et la parité :

N𝑜 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Poids 2,9 2,8 3,5 3,9 4,0 4,3 2,2 2,4 3,6 3,0 2,9 2,8 3,5 3,9 4,0 4,3 2,2 2,4
N𝑜 M P M

cad M M M P M M P
Notes : P = primipare ; M=multipare.
M P M M M

1. Un chercheur qui s’intéresse au poids seulement classe les naissances en deux catégories :
M P M

Poids inférieur à 3 kg et poids supérieur ou égal à 3 kg.

AA
(a) Présenter le tableau d’analyse.
(b) Déterminer le pourcentage des enfants de chaque catégorie de poids.

2. Si un chercheur s’intéresse à la parité seulement (primipare ou multipare),

(a) Présenter le tableau d’analyse.
(b) Déterminer le pourcentage des enfants de chaque parité.
NS

3. Si un chercheur s’intéresse au lien entre le poids (classement en deux catégorie de la

question 1.) et la parité,
(a) Présenter le tableau d’analyse.
(b) Déterminer le pourcentage :
ME

— des enfants multipares qui ont un poids inférieur à 3 kg.

— des enfants primipares qui ont un poids inférieur à 3 kg.
— des enfants multipares qui ont un poids supérieur ou égal à 3 kg.
— des enfants primipares qui ont un poids supérieur ou égal à 3 kg.
4. Au seuil de 5%, peut-on dire que le poids dépend de la parité ? Commenter votre réponse.

Exercice 3

Votre jeune frère de 4 ans, qui ne sait pas lire, veut vous aider à aménager votre chambre
d’étudiant. Il se propose pour placer vos livres dans la bibliothèque. Vous en avez 10 différents
dont 3 de mathématiques, 4 de statistique et 3 de démographie.
 108 CHAPITRE 10. QUELQUES ANCIENS SUJETS

1. Quelle est la probabilité que les 4 livres de statistique soient au début de la tablette ?
2. Quelle est la probabilité que les livres soient tous regroupés par matière ?
Après avoir placé les 10 livres sur la tablette, votre jeune frère s’ennuie et décide de
choisir 3 livres au hasard pour faire semblant d’étudier.
MENSA ACADEMY *** ÉCOLES DE BOURSE : ESA *** MANUEL D’EXERCICES - SESSION 2026

3. Quelle est la probabilité qu’il ait choisit des livres tous de matières différentes ?
4. Quelle est la probabilité qu’il ait choisit au moins 2 livres de la même matière ?

y
em
Exercice 4

Un jeu télévisé consiste en 10 questions successives auxquelles il peut être répondu par "oui"
ou par "non" (on répond obligatoirement). Une réponse est donc faite d’une succession de "oui"
et de "non".

cad
1. De combien de façons différentes la suite de 10 réponses peut-elle se présenter ?
2. De combien de façons différentes la réponse "oui" peut-elle figurer exactement 7 fois
dans la suite des dix réponses ?
3. De combien de façons différentes la réponse "non" peut-elle figurer exactement 3 fois
AA
dans la suite de dix réponses ?

Exercice 5
𝑥𝑖 − 𝑋̄
Soit 𝑍 une variable statistique définie à partir d’une variable statistique 𝑋 par : 𝑧𝑖 = .
𝜎𝑥
1. Calculer la moyenne de 𝑍.
NS

2. Calculer la variance de 𝑍.

Exercice 6

𝑋 suit une loi normale de paramètres 𝑚 et 𝜎 = 2. On considère un échantillon de taille

ME

∑
30
𝑛 = 30. On obtient 𝑥𝑖 = 360. Donner un intervalle de confiance pour un niveau de confiance
𝑖=1
0,95.