Université Abdelmalek Essaâdi

Ecole Nationale des Sciences Appliquées

Tanger

Statistique Inférentielle
GINF1& GSTR1& GSEA1

Ahmed DRISSI
ahidrissi@[Link]

Ahmed DRISSI ENSA Tanger Page 1

 Préambule

Ces notes de cours sont destinées aux étudiants de la première année du cycle des ingénieurs,
des filières : Génie Informatique, Génie des Systèmes de Télécommunications et Réseaux ;
Génie des Systèmes Electroniques et Automatique de l’Ecole Nationale des Sciences
Appliquées, Tanger. Elles ont été rédigées, conformément au programme accrédité, dans le
but d’aider les étudiants à consolider leurs acquis en statistiques et probabilités et à maitriser
les nouvelles notions introduites dans ce cours. Les démonstrations de certains résultats de ce
polycopié, ainsi que plusieurs exemples et exercices seront données au tableau pendant les
séances de cours. Il est donc indispensable que l’étudiant assiste au cours et prend des notes,
pour qu’il puisse bien assimiler ce cours de statistiques inférentielle. Je serai reconnaissant à
tout lecteur qui aura l’amabilité de me signaler des erreurs que peut comporter ce manuscrit
ou de me suggérer une idée pour le parfaire.

Ahmed DRISSI

Pré-requis

1. La statistique descriptive (programmé à l’AP1)

2. Les probabilités (programmé à l’AP2)

Ouvrages Conseillés

1- Les fondements probabilistes des méthodes statistiques. Composé par

Economica. Paris. France janvier 1989. Europe Media Duplication SA.
2- FOUNDATIONS OF DESCRIPTIVE AND INFERENTIAL STATISTICS
HENK VAN ELST August 30, 2019
3- An Introduction to Statistical Inference and Data Analysis. Michael W. Trosset1 April 3, 2001

Ahmed DRISSI ENSA Tanger Page 2

 Contenu
Préambule ......................................................................................................................................... 2
Pré-requis .......................................................................................................................................... 2
Ouvrages Conseillés .......................................................................................................................... 2
Chapitre 1 : Rappel sur les lois des variables aléatoires ...................................................................... 5
I- Les variables aléatoires .......................................................................................................... 5
II- Les lois des variables aléatoires discrètes ............................................................................ 6
1. La loi de Bernoulli ............................................................................................................. 6
2. La loi binomiale ................................................................................................................. 6
3. La loi de poisson ................................................................................................................ 7
III- Les lois des variables aléatoires continues .......................................................................... 7
1. La loi uniforme .................................................................................................................. 7
2. La loi exponentielle ............................................................................................................ 7
3. La loi normale (ou de Gauss).............................................................................................. 8
4. La loi khi-deux ................................................................................................................... 9
5. La loi de Student .............................................................................................................. 10
6. Loi de Fisher .................................................................................................................... 10
IV- Convergence et Approximations des lois .......................................................................... 10
1. Définitions ....................................................................................................................... 10
2. La convergence vers la loi normale................................................................................... 10
i) Théorème centrale limite .................................................................................................. 10
ii) La convergence de la loi binomiale vers la loi normale ..................................................... 11
iii) L’approximation de la loi de poisson par la loi normale ................................................ 11
3. La convergence de la loi binomiale vers la loi de poisson ................................................. 12
Chapitre 2 : L’Échantillonnage ........................................................................................................ 13
I- Étude de la moyenne/écart type d'un échantillon ................................................................... 13
II- Étude d'une proportion dans un échantillon ....................................................................... 14
Chapitre 3 : L’Estimation ................................................................................................................ 16
I- Généralités sur les estimateurs ............................................................................................. 16
II- Estimation de la moyenne/écart type d’une population...................................................... 16
1- Estimation ponctuelle ....................................................................................................... 16
2- Estimation par intervalle de confiance .............................................................................. 18
III- Estimation d’une proportion ............................................................................................. 20
1- Estimation ponctuelle ....................................................................................................... 20

Ahmed DRISSI ENSA Tanger Page 3

 2- Estimation par intervalle de confiance .............................................................................. 21
IV- EXERCICES ................................................................................................................... 22
Chapitre 4 : Les tests statistiques ..................................................................................................... 23
I- Généralités ........................................................................................................................... 23
II- Test de conformité ........................................................................................................... 25
A- Test de conformité sur la moyenne ............................................................................... 26
B- Test de conformité sur une variance .............................................................................. 26
C- Test de conformité de la proportion .............................................................................. 26
III- Test de comparaison ......................................................................................................... 26
A- Comparaison de deux moyennes ................................................................................... 27
B- Comparaisons de deux variances .................................................................................. 27
C- Comparaisons de deux proportions ............................................................................... 27
IV- Test de khi-deux ............................................................................................................... 28
A- Test du χ2 d’adéquation à une loi théorique ................................................................. 28
B- Test du χ2 d’indépendance .......................................................................................... 29
C- Test du χ2 d’homogénéité ........................................................................................... 30
V- Exercices ......................................................................................................................... 31

Ahmed DRISSI ENSA Tanger Page 4

Chapitre 1 : Rappel sur les lois des
variables aléatoires
I- Les variables aléatoires
1. Définitions
- Une variable aléatoire est une variable associée à une expérience ou un ensemble
d’expériences aléatoires et servant à caractériser le résultat de cette expérience ou cet
ensemble d’expériences.
- On note 𝑝(𝑋 = 𝑘) la probabilité que la variable aléatoire 𝑋 prenne la valeur 𝑘.
- L’ensemble des valeurs admissibles 𝑘 et probabilités 𝑝(𝑋 = 𝑘) constitue une distribution
de probabilité.
- La relation entre 𝑘 et 𝑝(𝑋 = 𝑘) est appelé une loi de probabilité.
- La fonction 𝐹 (𝑥 ) = 𝑝(𝑋 ≤ 𝑥 ) est dite fonction de répartition de la variable aléatoire 𝑋.
2. Les variables aléatoires continues
Définition
Soit 𝑋 une variable aléatoire de fonction de répartition 𝐹. 𝑋 est dite Variable aléatoire
𝑥
continue s’il existe une fonction positive 𝑓 tell que 𝐹 (𝑥 ) = ∫−∞ 𝑓 (𝑡)𝑑𝑡 , ∀𝑥 ∈ 𝑅.
La fonction 𝑓 est appelée la densité de probabilité de 𝑋.
Propriété
Toute fonction de densité de probabilité 𝑓 d’une variable aléatoire 𝑋 vérifie les conditions
suivantes :
+∞
i. ∫−∞ 𝑓 (𝑡)𝑑𝑡 = 1
𝑏
ii.𝑝(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝐹 (𝑏) − 𝐹(𝑎) = ∫𝑎 𝑓(𝑡)𝑑𝑡
[Link] f est continue en 𝑥0 alors on a
- 𝐹 est derivable en 𝑥0
- 𝐹 ′ (𝑥0 ) = 𝑓(𝑥0 )
Remarque
La fonction de densité de probabilité 𝑓 est appelé aussi la loi de 𝑋.
Exercice d’application
Soit 𝑋 une variable aléatoire continue qui représente la durée de vie (exprimée en heures)
d’un équipement dont la fonction de densité est donnée par
𝑎
𝑓 (𝑥 ) = {𝑥 3 𝑠𝑖 𝑥 ≥ 100
0 𝑠𝑖𝑛𝑜𝑛
a) Déterminer 𝑎
b) Calculer la probabilité pour que l’équipement fonctionne encore après 200h
3. Les caractéristiques d’une variable aléatoire
i) L’espérance mathématique
Définition
On appelle espérance mathématique la valeur moyenne de la variable aléatoire, elle remplace
la moyenne arithmétique dans le cas d’une variable statistique.
Cas discret : 𝐸 (𝑋) = ∑ 𝑘𝑝(𝑋 = 𝑘)
+∞
Cas continu : 𝐸 (𝑋) = ∫−∞ 𝑥𝑓 (𝑥 )𝑑𝑥

ii) La variance

Ahmed DRISSI ENSA Tanger Page 5

Définition
La variance d’une variable aléatoire 𝑋 notée 𝑉 (𝑋) = 𝐸 (𝑋 2 ) − (𝐸(𝑋))2
+∞
Avec 𝐸 (𝑋 2 ) = ∫−∞ 𝑥 2 𝑓 (𝑥 )𝑑𝑥 dans le cas continu et 𝐸 (𝑋 2 ) = ∑ 𝑘 2 𝑝(𝑋 = 𝑘) dans le cas
discret.
𝜎(𝑋) = √𝑉(𝑋) : l’écart type de la variable aléatoire 𝑋.
Propriétés
Soient 𝑎 et 𝑏 deux canstantes et 𝑋 une variable aléatoire
1. 𝐸 (𝑎) = 𝑎 et 𝑉 (𝑎) = 0
2. 𝐸 (𝑎𝑋 + 𝑏) = 𝑎𝐸 (𝑋) + 𝑏
3. 𝑉 (𝑎𝑋 + 𝑏𝑌) = 𝑎2 𝑉 (𝑋) + 𝑏2 𝑉 (𝑌) + 2𝑎. 𝑏. 𝑐𝑜𝑣(𝑋, 𝑌) où 𝑐𝑜𝑣 (𝑋, 𝑌) = 𝐸(𝑋 −
𝐸 (𝑋))(𝑌 − 𝐸 (𝑌)) = 𝐸 (𝑋𝑌) − 𝐸 (𝑋). 𝐸(𝑌) et 𝑌 une variable aléatoire continue.
Exemple
1 2
( ) 𝑥 𝑠𝑖 0 < 𝑥 < 3
Soit 𝑋 une variable aléatoire de fonction de densité 𝑓 définie par 𝑓 𝑥 = {9
0 𝑠𝑖𝑛𝑜𝑛
2
𝐸 (𝑋) = 2.25. 𝑉 (𝑋) = 𝐸 (𝑋 2 ) − (𝐸(𝑋)) = 5.4 − 5.06 = 0.34
Exercices d’application
Exercice 1
Soit 𝑋 une variable aléatoire qui désigne la demande mensuelle d’un produit dont la fonction
de densité est définie par :
𝑎𝑒 −𝑎𝑥 𝑠𝑖 𝑥 ≥ 0
𝑓 (𝑥 ) = {
0 𝑠𝑖𝑛𝑜𝑛

i) Vérifie que 𝑓 est une densité de probabilité de 𝑋.

ii) Calculer la demande mensuelle moyenne
iii) Calculer la variance de cette demande
iv) Donner l’expression de la fonction de répartition
Exercice 2
Le producteur de certaines lampes d’éclairage affirme que ses lampes durent en moyenne 3
ans avec un écart type de 0.4 ans. Une lampe a été choisie au hasard dans sa production. Que
peut on peut dire de la probabilité que cette lampe dure :
1- Moins de 24 mois ou plus de 48 mois.
2- Plus de 18 mois et moins de 54 mois.

II- Les lois des variables aléatoires discrètes

1. La loi de Bernoulli
La loi de Bernoulli intervient dans le cas d’une seule expérience aléatoire à laquelle on
associe un évènement aléatoire quelconque. On dit que 𝑋~𝐵(𝑝) = 𝐵 (1, 𝑝) si la variable
aléatoire 𝑋 caractérise le nombre de succès au cours d’une seule expérience, elle prend les
valeurs 0 (échec) ou 1 (succès) avec 𝑝(𝑋 = 1) = 𝑝 et 𝑝(𝑋 = 0) = 1 − 𝑝

𝐸 (𝑋) = 𝑝; 𝑉 (𝑋) = 𝑝(1 − 𝑝); 𝜎 (𝑋) = √𝑝(1 − 𝑝)

2. La loi binomiale
Soit 𝑋 une variable aléatoire qui caractérise le nombre de succès au cours de n expériences
aléatoires indépendantes 𝑋 prend une valeur 𝑘 ∈ {0,1, … 𝑛} avec la probabilité 𝑝(𝑋 = 𝑘) =
𝐶𝑛𝑘 𝑝𝑘 (1 − 𝑝)𝑛−𝑘 . On dit que 𝑋 suit la loi binomiale de paramétre (𝑛, 𝑝). On note 𝑋~𝐵(𝑛, 𝑝).

Ahmed DRISSI ENSA Tanger Page 6

𝐸 (𝑋) = 𝑛𝑝; 𝑉 (𝑋) = 𝑛𝑝(1 − 𝑝); 𝜎(𝑋) = √𝑛𝑝(1 − 𝑝).

Exemples
- Le lancement d’une pièce de monnaie n fois (pile ou face) ;
- La qualité d’un produit (bon ou défectueux) dans un échantillon de n pièces.
- Sondage électorale (pour ou contre) sur un échantillon de n voix.
3. La loi de poisson
Elle convient pour la description des événements, dont les chances de réalisation sont faibles
et le nombre de réalisations varie de 0 à l’infini, ainsi que la fréquence moyenne est connue.

Exemples
Nombre de naissances dans un intervalle de temps.
Nombre d’appels reçus par un standard téléphonique.
Nombre de visiteurs d’un centre commercial.
𝜆𝑘 𝑒 −𝜆
𝑝( 𝑋 = 𝑘 ) = , 𝑘 = 0,1,2 … ; 𝑋~𝑃(𝜆) ; 𝐸 (𝑋) = 𝜆 = 𝑣𝑎𝑟(𝑋)
𝑘!

Exercice d’application
Le nombre moyen de patients qui arrivent à la salle d’urgence d’un hôpital par heure est de
10. Quelle est la probabilité que dans la prochaine heure moins de 4 patients arrivent ?

III- Les lois des variables aléatoires continues

1. La loi uniforme
Définition
Une variable aléatoire continue 𝑋 suit une loi uniforme sur un intervalle [𝑎, 𝑏], si sa fonction
de densité est donnée par
1
𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
𝑓 (𝑥 ) = {𝑏−𝑎 , on écrit 𝑋~𝑈([𝑎, 𝑏])
0 𝑠𝑖𝑛𝑜𝑛
Sa fonction de répartition est
0 𝑠𝑖 𝑥 ≤ 𝑎
𝑥−𝑎
𝐹 (𝑥 ) = { 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
1 𝑠𝑖 𝑥 > 𝑏
𝑎+𝑏 (𝑎+𝑏)2
𝐸 (𝑋 ) = ; 𝑉 (𝑋 ) = .
2 12

Exemple
Un étudiant qui se trouve dans un arrêt de bus et qui s’interroge sur le temps qu’il doit rester
en attente du prochain bus. Sachant que le bus passe toute les 60 min et qu’il n’y a aucune
information ni sur l’heure du dernier bus ni sur l’heure du prochain. Quelle est le temps
moyen que cet étudiant doit attendre jusqu’à l’arrivée du prochain bus ?

2. La loi exponentielle
Description
La loi exponentielle est l’intervalle de temps qui sépare deux événements par exemple :
- L’intervalle de temps séparant deux pannes consécutives.

Ahmed DRISSI ENSA Tanger Page 7

- Durée de vie d’une pièce
- Intervalle de temps séparant deux arrivés consécutifs à un guichet.

Définition
Une variable aléatoire 𝑋 suit une loi exponentielle de paramétre 𝜆 si sa fonction de densité 𝑓
est définie par
−𝜆𝑥
𝑓 (𝑥 ) = {𝜆𝑒 𝑠𝑖 𝑥 ≥ 0 et on écrit 𝑋~𝐸𝑥𝑝(𝜆)
0 𝑠𝑖𝑛𝑜𝑛
Les caractéristiques de la loi exponentielle
−𝜆𝑥
Fonction de répartition 𝐹(𝑥 ) = {1 − 𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛
1 1
L’espérance 𝐸 (𝑋) = 𝜆 ; la variance 𝑉 (𝑋) = 𝜆2

Exemple
Soit 𝑋 une variable aléatoire continue qui désigne la durée d’une conversation téléphonique
1
mesurée en min (i.e 𝑋~𝐸𝑥𝑝(𝜆) où 𝜆 = 10. Supposons qu’un étudiant arrive à un cabinet
téléphonique et quelqu’un passe juste devant lui. Quelle est la probabilité d’attente par cet
étudiant

i) Plus de 10min
ii) Entre 10 et 12 min.

Exercice d’application
Soit 𝑋 une variable aléatoire continue qui représente la durée de vie d’un système
électronique. Supposons que la durée de vie moyenne est 400h.
i) Quelle est la loi de 𝑋 ?
ii) Donner la fonction de répartition de 𝑋.
iii) Calculer 𝐸(𝑋) et 𝑉(𝑋)..
3. La loi normale (ou de Gauss)
Description
La loi normale caractérise un phénomène résultant de l’additionnement de plusieurs facteurs
qui sont indépendants. A titre d’exemple les cours d’une action dans la bourse.

Définition
Une variable aléatoire 𝑋 suit une loi normale de paramètres 𝜇 et 𝜎 si sa fonction de densité
1 𝑥−𝜇 2
1 − ( )
est définie par 𝑓 (𝑥 ) = 𝜎 𝑒 2 𝜎 , ∀𝑥 ∈ 𝑅 ; on écrit 𝑋~𝑁(𝜇, 𝜎).
√2𝜋

Les caractéristiques de 𝑁(𝜇, 𝜎).

+∞ 1 𝑥−𝜇 2
1
𝑥𝑒 2 𝜎 ) 𝑑𝑥
− (
𝐸 (𝑋 ) = ∫ =𝜇
−∞ 𝜎√2𝜋
𝑉 (𝑋 ) = 𝐸 (𝑋 2 ) − 𝐸 (𝑋 )2 = 𝜎 2

Remarque1

Ahmed DRISSI ENSA Tanger Page 8

 𝑋−𝜇
- 𝑋~𝑁(𝜇, 𝜎) ⇔ ~𝑁(0,1)
𝜎
- Si 𝑌~𝑁(0,1) on dit que 𝑌 suit une loi normale centré réduite.

Preuve de la remarque 1
𝑋−𝜇 𝑎−𝜇
𝑋≤𝑎⇔ ≤ .
𝜎 𝜎
1 𝑥−𝜇 2
𝑋−𝜇 𝑎−𝜇 1 𝑎 − ( )
⇔ 𝑝( ≤ ) = 𝑝 (𝑋 ≤ 𝑎 ) = ∫ 𝑒 2 𝜎 𝑑𝑥 .
𝜎 𝜎 𝜎 √2𝜋 −∞
𝑥−𝜇 1 𝑥−𝜇 1
1 − (𝑢)2 1 − (𝑢)2
=𝜎 ∫ 𝑒
𝜎 2 𝜎𝑑𝑢 = ∫ 𝜎 𝑒 2 𝑑𝑢 (par changement
√ 𝜋 −∞ √𝜋 −∞
variable).

Remarque 2
La loi normale est symétrique : le mode=la moyenne= la médiane.

Remarque 3
La loi normale centrée réduite est tabulée.
1 −𝑎 −1𝑡 2
𝑝(𝑋 ≤ −𝑎) = ∫ 𝑒 2 𝑑𝑡
√𝜋 −∞
1 𝑎 −1𝑡 2 1 +∞ −1𝑡 2
=− ∫ 𝑒 2 𝑑𝑡 = ∫ 𝑒 2 𝑑𝑡 = 𝑝(𝑋 ≥ 𝑎) = 1 − 𝑝(𝑋 ≤ 𝑎)
√𝜋 +∞ √𝜋 𝑎
On note ∅(𝑎) = 𝐹 (𝑎) = 𝑝(𝑋 ≤ 𝑎) = l’aire hachurée sur le graphe.
La valeur de ∅(𝑎) est déterminée à partir de la table normale centré réduite.

Exemple
Soit 𝑋 une variable aléatoire qui représente le résultat d’exploitation mensuel d’une
entreprise. Supposons que 𝑋~𝑁(100,40).
- Calculer la probabilité que 𝑋 soit inféreure à 120.
- Calculer la probabilité que 𝑋 soit compris entre 120 et 180.

Exercice d’application
Soit 𝑋 une variable aléatoire qui désigne le poids en kg d’un type de poisson. On suppose que
1 2
1
𝑋 suit la loi normale de fonction de densité 𝑓(𝑥 ) = 𝜎 𝑒 −18(𝑥−10) .
√ 18𝜋
- Donner 𝐸(𝑋) et 𝑉(𝑋)
- Donner la probabilité pour le poids d’un poisson donné est inférieur à 12kg.
- Sachant que le poids d’un type de poisson donné est supérieur à 8kg, donner la probabilité
pour que son poids soit inférieur à 12kg.
4. La loi khi-deux
Définition
Soient 𝑋1 , 𝑋2 , … . 𝑋𝑛 une suite de variable aléatoires indépendantes et identiquement
distribués (iid) tel que 𝑋𝑖 ~𝑁(0,1), ∀𝑖 = 1 … 𝑛 ; on dit que 𝑋 = 𝑋12 + 𝑋22 + ⋯ + 𝑋𝑛2 suit la loi
khi-deux à 𝑛 degrés de liberté et on écrit 𝑋~𝜒𝑛2 .

Les caractéristiques de la loi Khi-deux

Ahmed DRISSI ENSA Tanger Page 9

𝐸 (𝑋𝑛2 ) = 𝑛.
𝑉 (𝑋𝑛2 ) = 2𝑛.
Remarque
- La loi de 𝜒𝑛2 est tabulée.

5. La loi de Student
Définition
Soient 𝑋, 𝑌1 , 𝑌2 , … . 𝑌𝑛 une suite de variable aléatoires indépendantes et identiquement
𝑋
distribués (iid) tel que 𝑌𝑖 ~𝑁(0,1), ∀𝑖 = 1 … 𝑛 ; et ~𝑁(0,1) . On dit que 𝑇 = 2 2 2
suit
√𝑌1 +𝑌2 +⋯+𝑌𝑛
𝑛
la loi de Student à 𝑛 degré de liberté 𝑇𝑛 .
Remarque
La loi de Student est tabulée.

6. Loi de Fisher
𝑋1
La loi de Fisher 𝐹(𝑢,𝑣) de paramètres (𝑢, 𝑣) est la loi 𝑌 = 𝑢
𝑋2 lorsque 𝑋1 ~𝜒𝑢2 et 𝑋2 ~𝜒𝑣2 et 𝑋1 et
𝑣
𝑋2 sont indépendantes.
𝑣
La moyenne 𝐹(𝑢,𝑣) est 𝑣−2 pour 𝑣 ≥ 3. Une valeur proche de 1 lorsque v est grand.
Une variable qui suit la loi de Fisher ne prend que les valeurs positives.

IV- Convergence et Approximations des lois

1. Définitions
On considère une suite (𝑋𝑛 )𝑛 des variables aléatoires définies sur Ω. 𝑋 une autre variable
aléatoire sur Ω.
- On dit que 𝑋𝑛 converge en probabilité vers 𝑋 si ∀𝜀 > 0 lim 𝑝(|𝑋𝑛 − 𝑋| > 𝜀 ) = 0.
𝑛→∞
𝐿
- On dit que 𝑋𝑛 converge en loi vers 𝑋 (on note 𝑋𝑛 → 𝑋) si pour tout point 𝑥 où 𝐹 est
continue 𝐹𝑛 (𝑥) converge vers 𝐹(𝑥) avec 𝐹𝑛 fonction de répartition de 𝑋𝑛 et 𝐹 fonction de
répartition de 𝑋.

Propriété (admise)
La convergence en probabilité entraine la convergence en loi.

2. La convergence vers la loi normale

i) Théorème centrale limite
Théorème
Si 𝑋1 , 𝑋2 , … . 𝑋𝑛 une suite de variables aléatoires indépendantes et identiquement distribuées
(iid) alors .𝑆𝑛 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 converge en loi vers la loi normale 𝑁(𝑛𝜇, 𝜎√𝑛) avec
𝐸 (𝑋𝑖 ) = 𝜇 et 𝑉 (𝑋𝑖 ) = 𝜎, ∀𝑖 = 1, … 𝑛.
Preuve (à admettre)

Ahmed DRISSI ENSA Tanger Page 10

E(Sn ) = E(X1 ) + E(X2 ) + ⋯ . E(Xn ) = nμ . V(Sn ) = V(X1 ) + V(X2 ) + ⋯ . V(Xn ) = nσ2
donc σ(Sn ) = σ√n

Idée : Utilisant le Développement Limité de la fonction caractéristique.

Exemple
Considérons 400 étudiants qui se sont présentés au guichet de la photocopie de
l’établissement pour faire des copies de cours. Sachant que chacun d’eux a payé à la caisse un
montant 𝑀𝑖 , 𝑖 = 1 … 𝑛. Supposons que les 𝑀𝑖 sont des variables aléatoires indépendantes de
même loi inconnue, de moyenne égale à 10 DHs et de variance égale à 25DHs.

- Donner la probabilité que la recette totale de service de la photocopie soit supérieur à

4200 DHs.

ii) La convergence de la loi binomiale vers la loi normale

Théorème
Soit Xn une suite de variable aléatoire. Si X n ~β(𝑛, 𝑝), ∀𝑛 alors Xn converge en loi normale
𝑁(𝑛𝑝, √𝑛𝑝(1 − 𝑝)).
Preuve
On a Xn ~β(𝑛, 𝑝) alors on peut écrire Xn = Y1 + ⋯ + Y𝑛 avec Y𝑖 ~𝛽(𝑃) Bernouilli on a
𝐸 (Xi ) = 𝑛𝐸 (Yi ) = 𝑛𝑝 et 𝑉 (Xn ) = 𝑉 (Y1 ) + ⋯ + 𝑉 (Y𝑛 ) = 𝑝(1 − 𝑝) + ⋯ + 𝑝(1 − 𝑝) =
𝑛𝑝(1 − 𝑝) en effet 𝐸 (Yi ) = 𝑝 et 𝑉(Yi ) = 𝑝(1 − 𝑝). D’après le théorème central limite
𝐿
𝑋𝑛 → 𝑁(𝑛𝑝, √𝑛𝑝(1 − 𝑝)).
Application pratique
𝑛 est suffisamment grande si 𝑛 ≥ 50 ; c’est pourquoi les tables de la loi binominales
s’arrêtent en général à 𝑛 = 50 .
Remarque
On peut assimiler une loi binominale à une loi normale dès que 𝑛𝑝 > 15 et 𝑛𝑝(1 − 𝑝) > 15
ou 𝑛 > 30, 𝑛𝑝 > 5; 𝑛(1 − 𝑝) > 5.

Exemple 1
Etant donné une entreprise qui a distribué des produits de publicité à 1000 ménages. Sachant
que la probabilité pour qu’un ménage ayant reçu le produit soit intéressé par celui-ci est égale
à 0,45. Quelle est la probabilité d’avoir parmi les 1000 ménage 470 ménages intéressés par le
produit da publicité.
Exemple 2
On lance une pièce de monnaie 1000 fois. Quelle est la probabilité d’obtenir au moins 548
piles ?

iii) L’approximation de la loi de poisson par la loi normale

Théorème
Si 𝑋𝑛 une suite de variables aléatoires indépendantes de même loi de poisson 𝑃 (𝜆) alors 𝑆𝑛 =
𝐿
𝑋1 + ⋯ + 𝑋𝑛 ~𝑃(𝑛𝜆) et 𝑆𝑛 → 𝑁(𝑛𝜆, √𝑛𝜆).

Ahmed DRISSI ENSA Tanger Page 11

Preuve
Par récurrence sur 𝑛.
Pour 𝑛 = 1, 𝑆1 = 𝑋1 ~𝑃(𝜆).
Si 𝑆𝑛 ~𝑃(𝑛𝜆) et 𝑋𝑛+1 ~𝑃(𝜆) et puisque 𝑆𝑛 et 𝑋𝑛+1 sont indépendants, 𝑆𝑛+1 = 𝑆𝑛 +
𝑋𝑛+1 ~𝑃(𝑛𝜆 + 𝜆) = 𝑃((𝑛 + 1)𝜆). D’après un résultat précédent on aura
𝐸 (𝑆𝑛 ) = 𝐸 (𝑋1 ) + ⋯ + 𝐸 (𝑋𝑛 ) = 𝑛𝜆 et 𝑉 (𝑆𝑛 ) = 𝑉 (𝑋1 ) + ⋯ + 𝑉 (𝑋𝑛 ) = 𝑛𝜆 Et d’après le
𝐿
théorème central limite 𝑆𝑛 → 𝑁(𝑛𝜆, √𝑛𝜆).
En pratique
Lorsque 𝜆 ≥ 15, on peut approximer la loi de poisson 𝑃(𝜆) par la loi normale 𝑁(𝜆, √𝜆).
Exemple
16!
Si 𝑋~𝑝(16), 𝑝(𝑋 = 16) ≈ 𝑒 −16 16! ≈ 0.0992 ;
En approximant la loi 𝑝(16) par 𝑁(16,4) on obtient 𝑝(𝑋 = 16) ≈ 𝐹(16.5) − 𝐹(15,5) =
0.5 0.5
𝜙 ( 4 ) − 𝜙 (− ) = 2𝜙(0.125)~10.0995 .
4

3. La convergence de la loi binomiale vers la loi de poisson

Théorème
Soit 𝑋𝑛 une suite de variable aléatoire. Si 𝑋𝑛 ~𝛽 (𝑛, 𝑝𝑛 ) , lim 𝑛𝑝𝑛 = 𝜆 et lim 𝑝𝑛 = 0 alors
𝑛→+∞ 𝑛→+∞
𝐿
𝑋𝑛 → 𝑋~𝑃(𝜆).
Preuve
∀𝑛, 𝑝(𝑋𝑛 = 𝑘) = 𝐶𝑛𝑘 𝑝𝑛𝑘 (1 − 𝑝𝑛 )𝑛−𝑘 .
𝑛𝑝𝑛
(1 − 𝑝𝑛 )𝑛 = exp 𝑛 ln(1 − 𝑝𝑛 ) = exp 𝑛 ln (1 − ) ; Comme lim 𝑛𝑝𝑛 = 𝜆 on pose 𝑛𝑝𝑛 =
𝑛 𝑛→+∞
𝜆
𝑛𝑝𝑛 𝜆
𝜆 + 𝜀𝑛 avec 𝜀𝑛 → 0 ainsi ln (1 − ̃ − 𝑛 donc lim(1 − 𝑝𝑛 )𝑛 = 𝑒 𝑛(−𝑛) = 𝑒 −𝜆
)∞
𝑛
𝑛(𝑛−1)…(𝑛−𝑘+1) (𝑛𝑝𝑛 )𝑘 1
𝑝(𝑋𝑛 = 𝑘) = 𝑝𝑛𝑘 (1 − 𝑝𝑛 )𝑛−𝑘 = (1 − 𝑝𝑛 )𝑘 (1 − ) … (1 −
𝑘! 𝑘! 𝑛
𝑘−1 𝜆𝑘
) (1 − 𝑝𝑛 )−𝑘 d’où lim 𝑝(𝑋𝑛 = 𝑘) = 𝑒 −𝜆 . 1 ce qui correspond à la probabilité
𝑛 𝑘!
ponctuelle d’une variable aléatoire qui suit la loi de poisson 𝑃(𝜆).
En pratique
On peut remplacer 𝛽(𝑛, 𝑝) par 𝑃 (𝜆) avec 𝜆 = 𝑛𝑝 pour 𝑛 très grande (𝑛 > 50) et 𝑝 très petite
(𝑝 < 0.1).
Exemple
Parmi la production de pièces d’une machine 4% sont défectueuses. On prélève un
échantillon de 100 pièces. 𝑋 : le nombre de pièces défectueuse dans cet échantillon.
𝑋~𝛽 (100,0.04) ≈ 𝑃(𝜆) avec 𝜆 = 100𝑥0.04 = 4.
Calculons 𝑝(𝑋 = 0), 𝑝(< 10) et 𝑝(𝑋 > 5).

Ahmed DRISSI ENSA Tanger Page 12

Chapitre 2 : L’Échantillonnage
Considérons une population de taille 𝑁 assez importante, dans laquelle on s’interesse à
étudier deux caracteres : l’un quantitatif 𝑋 de moyenne 𝜇 et de variance 𝜎 2 , l’autre qualitatif
𝑌 de paramètre 𝑝. L'objectif de ce chapitre est de répondre à la problématique suivante :
comment, à partir d'informations (couple moyenne-écart-type ou proportion) connues sur une
population, peut-on prévoir celles d'un échantillon ?
L’échantillonnage aléatoire simple sans remise est sans doute plus naturel, mais
L’échantillonnage avec remise offre des propriétés plus intéressantes et surtout plus
commodes mathématiquement. Considérons X1 et X2 les variables aléatoires pour deux
tirages. Dans un échantillonnage sans remise, la valeur que prendra X2 dépend de la valeur
qui aura été prise par X1 par contre pour l’échantillonnage avec remise, X1 et X2 sont
indépendantes et ont la même loi que la loi du caractère étudié X. Si la population était de
taille infinie (en pratique si la population est très grande), tirer au hasard avec ou sans remise
revient à toute fin pratique au même.

I- Étude de la moyenne/écart type d'un échantillon

On considère une population sur laquelle est définie une variable aléatoire X, dont on connaît
l'espérance (ou la moyenne) 𝜇 et l'écart-type 𝜎 .On s'intéresse aux échantillons de taille n.
Auront-ils tous la même moyenne ? Non, certains peuvent être constitués d'éléments
atypiques et avoir une moyenne très différente de celle de la population (surtout si
l'échantillon est de petite taille). Notons 𝑋̅ la variable aléatoire qui, à chaque échantillon de
taille n, associe sa moyenne (𝑋̅ s'appelle encore la distribution des moyennes des
échantillons). Que peut-on dire de cette variable aléatoire 𝑋̅ ?
Théorème Central Limite (Version faible)
Soit une variable aléatoire 𝑋 qui suit une loi normale sur la population 𝑋 ∼ 𝑁(𝜇, 𝜎). On
prélève, au hasard, un échantillon (tirage avec remise) de taille n de moyenne 𝑋̅. Alors la
𝜎
variable aléatoire 𝑋̅ suit également une loi normale: 𝑋̅ ∼ 𝑁 (𝜇, 𝑛).
√
Démonstration
Notons 𝐸 = {𝑥1 , … 𝑥𝑛 } un échantilloa de n éléments prélevés au hasard dans la population.
Pour tout i compris entre 1 et n, notons 𝑋𝑖 , la variable aléatoire correspondant à la valeur du i-
éme élément 𝑥𝑖 , de l'échantillon. Nous savons, par hypothèse, que: 𝐸 (𝑋𝑖 ) = 𝜇 et 𝜎 (𝑋𝑖 ) = 𝜎.
𝑋 +⋯+𝑋
La moyenne 𝑋̅ des n valeurs de l'échantillon est: 𝑋̅ = 1 𝑛 𝑛 . D'après les propriétés de la
loi normale, nous savons qu'une combinaison linéaire de variables aléatoire qui suivent la loi
normale est encore une variable aléatoire qui suit la loi normale. Comme chaque variable
aléatoire 𝑋𝑖 ∼ 𝑁(𝜇, 𝜎) ; la variable aléatoire moyenne 𝑋̅ suit donc également une loi normale.
Calculons ses paramètres.
𝐸(𝑋 )+⋯+𝐸(𝑋𝑛 ) 𝑛𝜇
D'après la propriété de linéarité de l'espérance :𝐸 (𝑋̅) = 1 𝑛 = 𝑛 =𝜇
𝑉(𝑋 )+⋯+𝑉(𝑋 ) 𝑛𝜎 2 𝜎2 𝜎
D'après la propriété de variance, 𝑉 (𝑋̅) = 1 𝑛
= 𝑛2 = 𝑛 𝑑’où 𝜎 (𝑋̅) = 𝑛.
𝑛2 √
Théorème Central Limite (Version forte)
Soit une variable aléatoire 𝑋 qui suit une loi quelconque sur la population avec 𝐸 (𝑋) = μ et
σ(X) = σ. On prélève, au hasard, un échantillon (tirage avec remise) de taille n assez grande,

Ahmed DRISSI ENSA Tanger Page 13

de moyenne 𝑋̅. Alors la variable aléatoire 𝑋̅ suit approximativement une loi normale: 𝑋̅ ∼
𝜎
𝑁 (𝜇, 𝑛).
√
Remarque
En pratique dans le théorème centrale limite, l’infinie est traduit par 𝑛 assez grande
(généralement si 𝑛 > 30).
𝜎
Il ne faut pas confondre l'écart-type 𝑛 de la variable aléatoire 𝑋̅ (qui est définie sur
√
l'ensemble des échantillons possibles de taille n) avec l'écart-type d'un échantillon prélevé
𝜎
(écart type empirique). Pour éviter cette confusion, la quantité 𝑛 parfois appelée "erreur
√
type".
Résumé
σ
̅~N (μ,
Si la distribution de la population est normale X~N(μ, σ) alors X ).
√n
σ
̅~N (μ,
Si la distribution de la population est inconnue et si n ≥ 30 on aura X ).
√n
Exemple
Les statistiques des notes obtenues en mathématiques au BAC professionnel pour l'année
2014 sont : Moyenne nationale: 𝜇 =10,44 ; Écart-type : 𝜎 = 1,46 ; Une classe de BTS
comporte 35 élèves en 2014/2015 issus d'un BAC professionnel en 2014. Calculer la
probabilité que la moyenne de cette classe soit supérieure à 10.
Ici, nous ne connaissons pas la loi sur la population, mais l'effectif n de l'échantillon est
supérieur à 30. Nous allons donc pouvoir utiliser la version forte du théorème central limite.
Notons 𝑋̅ la variable aléatoire qui, à tout échantillon de taille n=35, fait correspondre sa
𝜎 1.46 𝑋̅−10.44
moyenne. Alors 𝑋̅ ∼ 𝑁 (𝜇, ) = 𝑁 (10.44; ) ; posons 𝑇 = 1.46 ainsi 𝑇 ∼ 𝑁(0; 1).
√𝑛 √35
√35

𝑋̅−10.44 10−10.44
Nous obtenons alors par centrage et réduction:𝑝(𝑋̅ ≥ 10) = 𝑝 ( 1.46 ≥ 1.46 )=
√35 √35
𝑝(𝑇 ≥ −1.78) = 𝑝(𝑇 ≤ 1.78) = 𝜙 (1.78)
Et par lecture directe de la table de la loi normale centrée-réduite : 𝜙(1.87)= 0,9625
Conclusion: il y a environ 96% de chance que, dans cette classe de BTS, la moyenne des
notes au baccalauréat de Mathématiques soit supérieure à 10.
II- Étude d'une proportion dans un échantillon
Cette fois-ci, on suppose une population sur laquelle on étudie un caractère (ou attribut) A
dont on connaît la proportion 𝑝 dans la population. On s'intéresse aux échantillons de taille 𝑛.
La proportion du caractère A dans les échantillons sera-t-elle toujours la même ?
Evidemment non, cette proportion varie en fonction de l'échantillon choisi. Notons 𝐹 la
variable aléatoire qui, à chaque échantillon de taille 𝑛, associe sa proportion du caractère A (F
s'appelle distribution des fréquences des échantillons). Que peut-on dire de cette variable
aléatoire 𝐹?
Théorème
Une population sur laquelle on étudie un caractère A répandu avec une fréquence 𝑝. On
prélève, au hasard, un échantillon (tirage avec remise de taille ≥ 30 ). On note 𝐹 la variable
aléatoire correspondante à la fréquence du caractère A dans l'échantillon. Alors la variable
𝑝(1−𝑝)
aléatoire F suit approximativement une loi normale : 𝐹~𝑁 (𝑝; √ ).
𝑛

Démonstration
Nous allons avoir ici un modèle binomial dont on sait qu'il converge vers la loi normale. Pour
tout 𝑖 compris entre 1 et , notons 𝑋𝑖 , la variable aléatoire définie par :

Ahmed DRISSI ENSA Tanger Page 14

 1 𝑠𝑖 𝑙𝑒 𝑖é𝑚𝑒 é𝑙é𝑚𝑒𝑛𝑡 𝑑𝑒 𝑙 ′ é𝑐ℎ𝑎𝑛𝑡𝑖𝑙𝑙𝑜𝑛 𝑝𝑜𝑠𝑠é𝑑𝑒 𝑙 ′ 𝑎𝑡𝑡𝑟𝑖𝑏𝑢 𝐴
𝑋𝑖 = {
0 𝑠𝑖𝑛𝑜𝑛
La variable aléatoire 𝑋𝑖 , suit une loi de Bernoulli de paramètre 𝑝 . La variable aléatoire
𝑋 = 𝑋1 + ⋯ + 𝑋𝑛 est donc binomiale de paramètres 𝑛 et 𝑝 : 𝑋~𝐵(𝑛, 𝑝) en conséquence
𝐸 (𝑋) = 𝑛𝑝 et 𝜎(𝑋) = √𝑛𝑝(1 − 𝑝).
𝑋
La variable aléatoire 𝐹 = 𝑛 correspond ainsi à la fréquence de l'attribut A dans l'échantillon
𝐸(𝑋) 𝜎(𝑋)
D'après les propriétés de l'espérance et de l'écart - type : 𝐸 (𝐹 ) = = 𝑝 et 𝜎 (𝐹 ) = =
𝑛 𝑛
𝑝(1−𝑝)
√ .
𝑛
Exemple
Une élection a eu lieu et un candidat a eu 40 % des voix. On prélève un échantillon de 100
bulletins de vote. Quelle est la probabilité que, dans l'échantillon, le candidat ait entre 35 % et
45% des voix ?
Ici , nous avons n = 100 et p = 0,4 . La variable aléatoire F correspondant à la fréquence des
0,4𝑥0,6 0,24
votes pour le candidat dans l'échantillon vérifie donc : 𝐹~𝑁 (0,4; √ ) = 𝑁 (0,4; √ 10 )
100
𝐹−0,4
Posons 𝑇 = √0,24
ainsi 𝑇~𝑁(0,1). Nous obtenons alors par centrage et réduction : 𝑝(0,35 ≤
10
𝐹 ≤ 0,45) = 𝑝(−1,02 ≤ 𝑇 ≤ 1,02) = 2∅(1,02) − 1 et par lecture directe de la table de la
loi normale centrée – réduite ∅(1,02) = 0,84361 d’où 𝑝(0,35 ≤ 𝐹 ≤ 0,45) = 0,6922 . Il y
a donc environ 69 % de chance que, dans un échantillon de taille n = 100, le candidat ait entre
35 et 45 % des voix.

En analysant l’exercice ci-dessus on constate que l’on dispose des informations sur la
population (ici l’ensemble des votes) parce que l’élection a déjà eu lieu. On en déduit des
informations sur l’échantillon. Mais dans la pratique, c’est souvent le phénomène réciproque
que nous étudierons : les élections n’ont pas encore eu lieu et on voudrait retrouver les
informations sur la population grâce un sondage réalisé sur un échantillon. D’où la deuxième
partie de ce polycopié est consacrée à l’estimation.

Ahmed DRISSI ENSA Tanger Page 15