1.
Les variables aléatoires : introduction simple
Une variable aléatoire (VA) est un nombre qui dépend du hasard.
Elle peut être :
Discrète : elle prend des valeurs séparées (0,1,2,3…)
Continue : elle prend toutes les valeurs d’un intervalle (comme un temps, une taille, un poids…)
Ton cours décrit les lois de probabilité les plus fréquentes.
Le vrai travail en statistiques est de reconnaître quand utiliser telle loi.
On commence.
I – LES LOIS DISCRÈTES
1. Loi de Bernoulli : la base du cours
Contexte
Tu l’utilises quand :
une expérience = une seule tentative
seulement deux résultats possibles : succès / échec
Exemples :
réussir un examen (1 = réussite, 0 = échec)
pile ou face (1 = pile, 0 = face)
un produit est conforme ou pas
Paramètre :
p = probabilité de succès
q = 1 - p = probabilité d'échec
Formule
La variable vaut :
1 avec probabilité p
0 avec probabilité q
2. Loi binomiale : répétition de Bernoulli
Contexte
Tu l’utilises lorsque :
tu répètes n fois une épreuve de Bernoulli
les épreuves sont indépendantes
la probabilité p reste la même à chaque essai
tu veux compter le nombre de succès
Exemples :
nombre de clients satisfaits parmi 20
nombre de piles en 10 lancers
nombre de produits défectueux dans 100 pièces
Notation : X ∼ B(n, p)
Formule de probabilité
Pour avoir k succès :
P (X = k) = Cnk pk (1 − p)n−k
Quand appliquer ?
Dès qu’on voit :
tirage avec remise, ou population très grande (proportion stable)
répétitions identiques
décompte de succès
3. Loi hypergéométrique : quand il n’y a PAS de
remise
Contexte
Tu l’utilises quand :
tu tires un échantillon sans remise
la taille de la population N est petite
la proportion change après chaque tirage
tu comptes le nombre de succès dans n tirages
Exemples :
tirer des cartes dans un jeu
contrôler un lot de 50 pièces en en prélevant 10
sélectionner sans remise des dossiers, des personnes…
Notation : X ∼ H(N , M , n)
où :
N = taille totale
M = nombre d’éléments ayant le caractère
n = taille tirée
Quand appliquer ?
→ Dès que tu lis sans remise et petite population.
Astuce :
Quand Nn < 0.1
la loi hypergéométrique devient très proche d’une binomiale.
4. Loi de Poisson : événements rares
Contexte
Elle décrit :
le nombre d'événements qui se produisent dans un temps donné
quand ces événements sont rares mais peuvent arriver n'importe quand
Exemples :
nombre d’appels reçus en une heure
nombre de voitures arrivant en 1 minute
nombre de pannes dans une journée
Paramètre :
λ = moyenne des événements sur la période
Notation : X ∼ P (λ)
Formule
λk −λ
P (X = k) = e
k!
Quand l’utiliser ?
événements indépendants
répartition dans le temps ou l’espace
fréquence moyenne connue
Très important :
La loi de Poisson approxime la binomiale si :
n ≥ 30
p très petit
np < 18
--> alors : λ = np
II – LES LOIS CONTINUES
1. Loi normale : la loi la plus importante en statistique
Contexte
Elle modélise :
des mesures influencées par beaucoup de petits facteurs
les erreurs de mesure
les tailles, poids, durées, performances…
Notation : X ∼ N (m, σ)
m = moyenne
σ = écart-type
La courbe est en cloche.
Pourquoi est-elle si importante ?
Le théorème central limite dit que : → la moyenne d’un grand échantillon suit (presque toujours) une loi
normale, même si les données d’origine ne sont pas normales.
2. Loi normale centrée réduite
C’est la normale standard : X ∼ N (0, 1)
On l’utilise pour pouvoir lire les probabilités dans une table.
On transforme :
X−m
T = σ
3. Loi uniforme
Contexte
Tu l’utilises si :
tous les résultats dans un intervalle [a,b] sont également probables
Exemple :
attendre un bus qui passe à n’importe quel moment d’une plage de 10 minutes
un numéro aléatoire entre deux valeurs
Densité = constante sur [a,b].
4. Loi exponentielle : durée de vie d’objets qui ne
s’usent pas
Contexte
Elle décrit le temps avant un événement :
le temps avant une panne
le temps entre deux arrivées de clients
la durée de vie d’un composant électronique
Plus l'objet a vécu longtemps, la probabilité de panne ne change pas → absence de vieillissement.
Paramètre :
α>0
III – ÉCHANTILLONNAGE ET ESTIMATIONS
1. Échantillons
On prélève n éléments pour étudier une population trop grande.
ˉn
La moyenne de l’échantillon s’appelle : X
Propriété essentielle :
E(Xˉ n ) = m
σ(Xˉ n ) = σn
→ plus l'échantillon est grand, plus la moyenne est précise.
2. Loi de la moyenne d'échantillon
Si la taille est :
n≥30 : la moyenne suit une loi normale
3. Intervalle d’acceptation
C’est un intervalle dans lequel la moyenne ou la proportion d’un échantillon doit tomber si tout fonctionne
normalement.
Forme générale :
σ σ
[m − tα , m + tα ]
n n
tα = valeur dans la table de la normale.
IV – ESTIMATION
1. Estimation ponctuelle
Voici les bonnes estimations :
moyenne → x ˉ
proportion → f
n
variance → n−1 σ ′2
n
écart-type → n−1 σ′
2. Intervalle de confiance (IC)
Tu construis une “fourchette” dans laquelle se trouve la vraie valeur avec une probabilité (95% par exemple).
Pour une moyenne (σ connu)
σ σ
IC = [xˉ − tα , xˉ + tα ]
n n
Pour une proportion
f (1 − f ) f (1 − f )
IC = [f − tα , f + tα ]
n n
V – TESTS D’HYPOTHÈSES
1. L’idée
On veut vérifier si une affirmation sur une population est vraie.
On compare :
H0 : hypothèse nulle (à tester)
H1 : hypothèse alternative
Exemple :
H0 : la moyenne = 250 g
H1 : la moyenne ≠ 250 g
2. Types d’erreurs
α : risque de dire que H0 est fausse alors qu’elle est vraie
(risque de 1ère espèce)
β : risque de dire que H0 est vraie alors qu’elle est fausse
(risque de 2e espèce)
3. Test du χ² (Khi-deux)
Utilisé pour :
tester si une distribution observée correspond à une loi théorique
comparer les fréquences observées et théoriques
IMPORTANT :
Taille théorique ≥ 5, sinon il faut regrouper les classes.
4. Test de comparaison
a) Comparer une moyenne à une norme
On regarde si la moyenne observée appartient à la région d’acceptation.
b) Comparer une proportion à une norme
Même principe.
c) Comparer deux moyennes
On étudie : x
ˉ1 − xˉ 2
d) Comparer deux proportions
On étudie : f1 − f2
RÉSUMÉ FINAL : QUELLE LOI UTILISER ?
Voici la carte mentale simple :
1. Une tentative, 2 résultats → Bernoulli
2. Plusieurs tentatives indépendantes → Binomiale
3. Plusieurs tirages SANS remise (population petite) → Hypergéométrique
4. Nombre d’événements dans un temps → Poisson
5. Variable continue centrée autour d’une moyenne → Normale
6. Moment d’un événement dans le temps → Exponentielle
7. Valeur également probable sur un intervalle → Uniforme