Cours de Statistique & Probabilités

Notes provisoires de cours

Elie Zihindula Mushengezi

Bac 2 Polytechnique Année 2024-2025

Université catholique de Bukavu

 TABLE DES MATIÈRES

Introduction 3

Chapitre 1. Statistique à une variable 4

1. Recueil des données Statistiques 4
2. Définitions 5
3. Classement des différents types de variables 6
4. Distributions statistiques et Représentations 7
5. Fréquences cumulées et fonction de répartition 12
6. Caractéristiques d’une distribution. Tendance centrale et dispersion 13

Chapitre 2. Statistique à deux variables 26

1. Introduction 26
2. Notations et définitions 26
3. Distributions conditionnelles 28
4. Fréquences associées à un couple de variables statistiques. Indépendance 28
5. Étude des couples de variables quantitatives 30

Chapitre 3. Python et statistiques descriptives 42

1. Paramètres simples 42
2. Visualisation 45

Chapitre 4. Notions de probabilité 57

1. Vocabulaire 57
2. Notions de probabilité 58
3. Arbres 60
4. Probabilité conjointe 62

Chapitre 5. Variables aléatoires 65

1. Vocabulaire et définition 65
2. Loi de probabilité – Fonction de répartition 66
3. Espérance, variance et écart-type 67
4. Cas d’une variable aléatoire X continue 68
5. Moments d’une variable aléatoire 69

Chapitre 6. Lois de probabilité usuelles 73

1. Quelques commandes Python 73
2. Loi uniforme discrète 73
3. Loi de Bernoulli 74
4. Loi binomiale 75
5. Loi géométrique 78
1
 Table des matières 2

6. Loi de Poisson 80
7. Loi uniforme continue 83
8. Loi exponentielle 85
9. Loi normale 87
10. Loi du khi-deux 90
11. Loi de Student 92
12. Loi de Fisher-Snedecor 93
Chapitre 7. Estimation statistique 94
1. Généralités 94
2. Estimateur convergent 95
3. Estimateur sans biais 96
4. Estimateur de variance minimum 96
5. Dans la pratique 97
6. Cas général 100
Chapitre 8. Tests d’hypothèses 105
1. Introduction 105
2. Types d’erreur 106
3. Test de la moyenne 109
4. Test de la différence de deux moyennes 112
5. Autres tests 114
Chapitre 9. Test du Khi-deux 117
1. Introduction 117
2. Cas de χ2 simple 117
3. Tables de contingence 120
4. Distribution de la variance de l’échantillon 121
Chapitre 10. Tests non-paramétriques 123
1. Introduction 123
2. Le test des signes 123
3. Le test de Mann-Whitney 125
4. Le test des séquences 126
5. Le test de la corrélation des rangs 128
6. Le test de Kolmogorov-Smirnov 129
Chapitre 11. Analyse de la variance 131
1. Problème introductif et approche intuitive des concepts de base 131
2. Généralisation : test d’égalité des moyennes de k populations 133
3. ANOVA de Kruskall-Wallis (échantillons indépendants) 138
 INTRODUCTION 3

Introduction
La majorité des sciences, qu’il s’agisse des sciences expérimentales (Physique, Biologie, Méde-
cine, Chimie, Psychologie...) ou des sciences humaines (Pédagogie, Sociologie, Linguistique,
histoire, géographie,...), font appel à des données souvent nombreuses(issues, par exemple,
de sondages), qu’il convient de traiter à l’aide d’une méthodologie appropriée.
C’est là qu’intervient la statistique.

Commençons par préciser certains termes que nous allons rencontrer dans la suite de ce
cours.
D ÉFINITION 1. Selon la définition du Petit Robert, on désigne par le terme statistique, l’en-
semble des techniques d’interprétation mathématique appliquées à des phénomènes pour
lesquels une étude exhaustivede tous les facteurs est impossible, à cause de leur grand
nombre ou de leur complexité.
Remarquons que cette définition est très différente du sens parfois donné dans le langage
courant au mot statistique, c’est-à-dire un ensemble de données numériques comme par
exemple les statistiques de la mortalité infantile au Congo.

Ce que l’on appelle la Statistique Descriptive est l’ensemble des méthodes et techniques
mathématiques permettant de présenter, décrire et résumer des données statistiques.
Le champ d’application des Statistiques descriptives est très vite limité. D’où le recourt à un
autre type de statistique.
D ÉFINITION 2. La Statistique Inférentielle est l’ensemble des techniques visant à modéliser
les données statistiques en vue d’une extrapolation éventuelle à un ensemble plus vaste
et/ou à aider à une prise de décision.
La statistique inférentielle est abordée après le chapitre sur les « Lois de probabilités usuelles.»
CHAPITRE 1

STATISTIQUE À UNE VARIABLE

1. Recueil des données Statistiques

1.1. Le recensement. Introduisons par un exemple.
♢ E XEMPLE : Pour étudier la répartition des terres agricoles d’une région, on peut réali-
ser le recensement des exploitations agricoles (soit N leur nombre) et noter
pour chacune d’elles un certains nombre de caractéristiques comme : leurs
tailles, le type de cultures, l’age de l’exploitant, ....

Les résultats obtenus sont consignés dans un tableau :

N° Taille(ha) Age (années) Culture Nbre d’employés

1 50 50 riz 2
2 50,5 45 banane 4
3 35 38 maïs 3
.. .. .. .. ..
. . . . .
630 10 57 banane 1

TABLE 1. Résultat du recensement des exploitations agricoles de la région

A partir de cette table on pourra réaliser différentes études statistiques.

1.2. Le Plan d’expérience. Mieux qu’un discours, voici un exemple...
♢ E XEMPLE : Pour étudier l’effet d’un antidépresseur, on administre en double aveugle
un placebo et un principe actif. On mesure à intervalle régulier l’évolution
de la maladie. On cherche ensuite à en tirer des conclusions sur l’efficacité
du traitement.
Pour mesurer l’efficacité du produit on demande aux patients de répondre
à un questionnaire de ce type tous les mois pendant un an :
1. I say how bad or useless I am, for example, that I am a burden on others
2. I laugh or cry suddenly
3. I often moan and groan in pain or discomfort
4. I act nervous or restless
5. I keep rubbing or holding areas of my body that hurt or are uncomfortable
6. I talk about the future in a hopeless way
7. I get sudden frights
Les résultats obtenus sont consignés dans un tableau :
4
 2. DÉFINITIONS 5

Visite Individu Rep1 . . . Rep7 Groupe

1 1 0 ... 1 2
1 2 0 ... 0 1
.. .. .. .. .. ..
. . . . . .
1 175 1 ... 0 1
2 1 1 ... 1 2
2 2 0 ... 0 1
.. .. .. .. .. ..
. . . . . .
2 175 1 ... 0 1
12 1 1 ... 1 2
12 2 0 ... 0 1
.. .. .. .. .. ..
. . . . . .
12 175 1 ... 0 1

TABLE 2. Réponses de 175 personnes tous les mois pendant un an

Cet exemple est particulier dans la mesure où les individus sont indexés par le temps : c’est
ce que l’on appelle une série chronologique.
2. Définitions
D ÉFINITION 3. Un individu (ou unité statistique) est l’unité d’observation. Pour chaque
individu, on dispose d’une ou plusieurs observations.
♢ E XEMPLES : « Un élève, un étudiant, une sardine,... »
Dans les exemples précédents, les individus étaient :
1. Une exploitation agricole
2. Un patient
D ÉFINITION 4. Une population statistique est l’ensemble des individus sur lesquels on
effectue des observations. Elle est bien spécifiée s’il n’y a pas d’ambiguïté sur sa définition.
♢ E XEMPLES : « L’ensemble des élèves du secondaire de la ville de Bukavu, l’ensemble
des sambaza du lac Kivu,... »
Si on fait une étude géologique portant sur les chaînes montagneuses, la
population est l’ensemble des chaînes de montagne...
Dans les exemples précédents, les populations étaient :
1. L’ensemble des exploitations agricoles de la région
2. L’ensemble de personnes interrogées dans le cadre d’un essai thérapeu-
tique

D ÉFINITION 5. On appelle échantillon le sous-ensemble de la population qui est effective-

ment étudié.
□ R EMARQUE : Lors d’une étude statistique, la façon de sélectionner l’échantillon est aussi
importante que la manière de l’analyser. Il faut que l’échantillon soit re-
présentatif de la population. Pour cela, l’échantillonnage aléatoire est le
meilleur moyen d’y parvenir.
Les techniques d’échantillonnage sortent du cadre de ce cours.
En Statistique Descriptive on appelle parfois population l’ensemble des
individus effectivement étudiés, sans chercher à étendre les constatations
faites à une population plus vaste, ce dernier aspect relevant de la Statis-
tique Inférentielle.
 3. CLASSEMENT DES DIFFÉRENTS TYPES DE VARIABLES 6

D ÉFINITION 6. Une variable statistique (ou caractère statistique en Sciences humaines

ou encore champs en Informatique) est ce qui est observé ou mesuré sur les individus d’une
population statistique.
On notera souvent X (ou Y ) la variable étudiée.
□ R EMARQUE : Pour qu’une question posée soit considérée comme une variable, il faut
que toutes les réponses possibles soient exprimables, et que chaque indi-
vidu ne puisse donner qu’une seule réponse concernant le renseignement
demandé.
En terme mathématique cela renvoie à une application.
♢ E XEMPLES : Par exemple, pour le « sambaza du lac Kivu, » cela peut être la taille en cm,
le poids en grammes, la durée de vie en jours, la couleur,...
Pour un élève de la ville de Bukavu, on peut s’intéresser à la variable âge,
à sa note au cours de français, à son régime horaire des cours (« saha tano
ou subuhi »),..

Une variable associe à chaque individu une réponse et une seule. En statistique les réponses
possibles, c’est-à-dire les valeurs prises par la variable, sont appelées modalités. Un couple
(individu ; modalité associée) est appelé donnée ou observation.
Pour une variable étudiée sur un échantillon de taille N , le nombre d’observations est donc
N . L’ensemble des données pour une variable X s’appelle une série statistique. Le nombre de
modalités K d’une variable est en général inférieur à N . Les modalités seront souvent notées
xi pour i = 1, · · · , K.

3. Classement des différents types de variables

En considérant l’ensemble des modalités, on distingue différents types de variables.

3.1. Le type quantitatif. Une variable est dite quantitative lorsque ses modalités sont
des nombres qui résultent d’une mesure, d’un comptage. On parlera alors plus souvent de
valeurs de la variable plutôt que de modalités.
a) Lorsqu’il s’agit d’un comptage, on parlera de type quantitatif discret . C’est le cas en
particulier lorsque l’ensemble des modalités est un ensemble fini ou bien une partie de
l’ensemble des entiers naturels.
♢ E XEMPLES : « Le nombre d’enfants par femme » ;« le nombre de personnes par
foyer » ; « le nombre de lettres dans une ligne » ; « le nombre de mots
mémorisés par des enfants pendant deux minutes parmi une liste de
50 mots » ; « le nombre de médailles remportées aux JO » ;« le nombre
de villes de plus de 100 000 habitants » ; « le nombre de bits pour
représenter un nombre dans un ordinateur », « le nombre de fautes
dans une dictée » ...

b) Lorsque par contre, il s’agit de la mesure d’une grandeur physique, on parlera de type
quantitatif continu.
♢ E XEMPLES : « La taille du samabaza du lac Kivu en cm » ;« le poids en kg » ; les
précipitations en mm « ,« le nombre d’heures passées devant la té-
lévision » , « l’âge en années des élèves de la ville de Bukavu », « la
température journalière du mois de mars à Bukavu »,...
L’ensemble des modalités d’une variable de type quantitatif forme ce que l’on appelle
une échelle d’intervalle (expression employée particulièrement en Psychologie).
 4. DISTRIBUTIONS STATISTIQUES ET REPRÉSENTATIONS 7

Une différence entre les variables quantitatives continues et discrètes est que les valeurs
numériques associées aux premières peuvent subir des opérations arithmétiques (comme
l’addition,...) alors pour les dernières cela n’a aucun sens.

3.2. Le type qualitatif. Une variable est dite qualitative si elle n’est pas quantitative.

a) Une variable qualitative est dite ordinale lorsque ses modalités sont naturellement
ordonnées. L’ensemble des modalités d’une variable de type ordinal forme ce que l’on
appelle une échelle ordinale (expression employée particulièrement en Psychologie).
♢ E XEMPLES : On considère l’ensemble constitué des membres du personnel de
l’ISP-Bukavu et on s’intéresse à la variable Diplôme le plus élevé ;
cette dernière est ordinale, les modalités ne sont pas des nombres
mais sont naturellement ordonnées : EP, D4, D6, G3, L2, DEA, PhD.
On classe les élèves d’une classe selon leurs résultats à un examen.
La variable « Rang » ainsi définie est ordinale : ses modalités ne sont
pas « réellement » des nombres. En effet, elles ne représentent qu’un
classement ; l’écart entre le troisième et le quatrième n’est pas forcé-
ment le même qu’entre le quatrième et le cinquième.
On pourrait construire d’autres variables ordinales en considérant
par exemple l’avis (majoritaire) des étudiants de l’ISP sur la question
de déclarer l’enceinte de l’ISP « espace non fumeurs » avec les mo-
dalités : très favorable, plutôt favorable, plutôt défavorable et très
défavorable.

b) Une variable qualitative est nominale lorsque ses modalités ne sont pas naturellement
ordonnées.
♢ E XEMPLES : Variable « Sexe » dans l’ensemble des préfets des écoles secondaires
de Bukavu.
Variable « Nationalité » dans la population des étudiants de l’ISTM-
Bukavu.
« Le régime scolaire des élèves de Bukavu »,...
On se place dans la situation où on demande aux élèves d’une école
d’évaluer la manière dont les enseignants expliquent leurs cours. Les
élèves peuvent noter par 1, 2 ou 3 selon que l’enseignent est jugé
« Mauvais », « Bon » ou « Très bon » respectivement. Il s’agit là d’une
variable qualitative, les valeurs numériques étant plus des codes
qu’autre chose.

Une variable est dichotomique si elle n’a que 2 modalités.

4. Distributions statistiques et Représentations

4.1. Distributions statistiques. En présence d’une variable qualitative X pouvant prendre
K modalités x1 , x2 , ..., xK , on commence par réaliser un tri à plat, c’est à dire faire l’inventaire
des modalités ou valeurs rencontrées dans la série, avec les effectifs correspondants. On
construit donc un tableau de la forme :
 4. DISTRIBUTIONS STATISTIQUES ET REPRÉSENTATIONS 8

Modalités Effectifs
x1 n1
x1 n2
.. ..
. .
xK nK
Total N

TABLE 3. Tri à plat (distribution d’effectifs)

On parle alors de la distribution d’effectifs de la variable X.

On calcule ensuite les proportions (ou fréquence ) de chaque modalité en divisant l’effectif
de chaque modalité par l’effectif total
ni
fi =
N
On résume cette distribution dans un tableau de la forme :

Modalités fréquences
x1 f1
x1 f2
.. ..
. .
xK fK
Total 1

TABLE 4. Distribution de Fréquences

D ÉFINITION 7. Le mode de la variable X est la modalité ayant l’effectif le plus important.

♢ E XEMPLE : Considérons un tableau de la forme

Numéro de Cliente Signalétique

1 Mr
2 Mme
3 Mlle
.. ..
. .
627630 Mme

TABLE 5. Variable Signalétique

On va construire un tableau de la forme :

Signalétique Nombre de Clientes Proportions

Mr 60985 0,0972
Mme 424641 0,6766
Mlle 142004 0,2262
Total 627630 1

TABLE 6. Distributions de la Variable Signalétique

Le mode de la variable « Signalétique » est « Mme ».

Donnons un autre exemple.
 4. DISTRIBUTIONS STATISTIQUES ET REPRÉSENTATIONS 9

♢ E XEMPLE : Sur la CSP.

Dans un échantillon de mille individus, on fait le relevé de la catégorie
socio-professionnelle (CSP). Les résultats sont regroupés dans le tableau
suivant.
Effectifs et fréquences l’exemple.
i CSP xi Effectifs fréquences
1 Cadre supérieur 60 0.06
2 Patron 90 0.09
3 Cadre moyen 170 0.17
4 Ouvriers 320 0.32
5 Retraité 230 0.23
6 Agriculture 130 0.13
Total 1000 1

Le mode de la variable « catégorie socio-professionnelle » est « Ouvriers ».

4.2. Représentations graphiques. Très souvent, on préfère des représentations gra-

phiques à des tableaux. Les graphes apparaissent comme plus « parlants ». Ces représentions
sont adaptées au type de variable étudiée : nominale, ordinale, discrète ou continue.

4.2.1. Variables nominales . On dispose pour ces variables de diagrammes en bâtons ainsi
des diagrammes en circulaires (ou en « camembert » )
♢ E XEMPLE : On se réfère à l’exemple Sur la CSP.
a) Diagramme en bâtons
A chaque modalité xi on associe un « bâton » de longueur hi pro-
portionnelle à la fréquence fi (ou de manière équivalente, à l’effectif
ni .) On a donc,
hi = Cste × fi .
Pour une variable nominale, seules les hauteurs sont significatives,
l’ordre et l’écart des xi ne sont pas significatifs.
b) Diagramme circulaire
L’angle αi de chaque secteur est proportionnel à la fréquence fi . En
degrés, on a

αi = 360 × fi .
C’est la représentation la plus utilisée pour les variables nominales. Elle
est, en plus, plus fidèle que la précédente.
 4. DISTRIBUTIONS STATISTIQUES ET REPRÉSENTATIONS 10

Patrons
Cadres sup
0, 3 Employés
9%
17% 6%
0, 2 Agriculteurs
13%
0, 1

x1 x2 x3 x4 x5 x6
32% 23%
Ouvriers Retraités
Diagramme en bâtons
Diagramme circulaire

4.2.2. Variables ordinales et variables discrètes .

a) Variables ordinales On utilise les mêmes représentations que pour les variables
nominales. Toutefois, il convient de noter que, pour le diagramme en bâtons, l’ordre
des modalités a un sens concret, car il doit correspondre à l’ordre existant entre les
variables.
b) Variables discrètes Pour ce type de variables, on préfère le diagramme en bâtons car,
dans ce cas, l’ordre et l’écart entre les bâtons sont significatifs.
4.2.3. Variables continues . On considère une variable statistique continue dont le va-
leurs ont été rangées en classes [ai−1 , ai [. L’ amplitude de la classe [ai−1 , ai [ est Ai = ai − ai−1 .
Pour représenter graphiquement la distribution statistique d’une telle variable, on a recours
à un histogramme . Le principe est le suivant : à chaque classe, on fait correspondre un
rectangle de base l’intervalle [ai−1 , ai [ (pour la classe i) et de hauteur hi , de sorte que la surface
du rectangle soit proportionnelle à l’effectif. Ainsi, on calcule la hauteur hi du rectangle au
moyen de la formule suivante :
ni
hi =
ai − ai−1
D’un point de vue pratique, on constituera un tableau du type suivant.

Variables continues : amplitudes et fréquences

i classes effectifs ni fréquence fi Amplitudes Ai Hauteur hi
1 [a0 , a1 [ n1 f1 a1 − a0 n1 /(a1 − a0 )
2 [a1 , a2 [ n2 f2 a2 − a1 n2 /(a2 − a1 )
.. .. .. .. .. ..
. . . . . .
K [aK−1 , aK [ nK fK aK − aK−1 nK /(aK − aK−1 )
On obtient ainsi un graphique :
— en abscisse, on porte l’ensemble des valeurs prises par la variable découpée en classes,

— en ordonnée, on porte les hauteurs

nk
hi =
(ai − ai−1 )
— on trace enfin des rectangles.
□ R EMARQUE : Si les amplitudes sont toutes égales, on porte les effectifs en ordonnée.
 4. DISTRIBUTIONS STATISTIQUES ET REPRÉSENTATIONS 11

♢ E XEMPLE : Sur l’entreprise de 150 ouvriers

Dans une entreprise comptant 150 ouvriers, on a relevé l’âge de ceux
-ci. Les résultats de l’enquête sont donnés dans le tableau suivant.
Effectifs et amplitudes des classes
Classe Effectifs Amplitudes Hauteurs
[20, 25[ 9 5 1.8
[25, 30[ 27 5 5.4
[30, 35[ 36 5 7.2
[35, 40[ 45 5 9
[40, 50[ 27 10 2.7
[50, 60[ 6 10 0.6
Total N = 150

Dessin de l’histogramme
9

20 25 30 35 40 50 60

Histogramme et Polygone des fréquences

(1) A partir de l’histogramme d’une variable statistique continue, on peut tracer le poly-
gone des fréquences associé, en procédant de la manière suivante :

— on joint par des morceaux de droites les milieux des segments horizontaux supé-
rieurs des rectangles de l’histogramme ;
— on ajoute à droite et à gauche de l’histogramme des classes fictives, toutes deux
de même amplitude et d’effectif nul, ce qui donne alors lieu à deux nouveaux
segments.

□ R EMARQUE : On ne doit pas « lisser » la courbe ; il faut la laisser « brisée ».

 5. FRÉQUENCES CUMULÉES ET FONCTION DE RÉPARTITION 12

5. Fréquences cumulées et fonction de répartition

5.1. Fréquences cumulées. Pour les variables qualitatives ordinales et pour les variables
quantitatives, on peut exploiter la relation d’ordre existant entre les valeurs possibles de la
variable. On définit ainsi les distributions cumulées.

Distributions cumulées
i valeurs effectifs fréquences Effectifs cumulées Fréquences cumulées
1 x1 n1 f1 n1 f1
2 x2 n2 f2 n1 + n2 f1 + f2
.. .. .. .. .. ..
. . . . . .
K − 1 xK−1 nK−1 fK−1 n1 + n2 + · · · + nK−1 f1 + f2 + · · · + fK−1
K xK nK fK n1 + n2 + · · · + nK = N f1 + f2 + · · · + fK = 1

♢ E XEMPLE : Cette notion est illustrée à l’aide de l’exemple Sur la CSP précédent.
Distributions cumulées relatives à l’exemple.
i CSP xi fréquences fréq. cumulées
1 Cadre supérieur 0.06 0.06
2 Patron 0.09 0.15
3 Cadre moyen 0.17 0.32
4 ouvriers 0.32 0.64
4 Retraité 0.23 0.87
5 Agriculture 0.13 1
Total 1

5.2. Fonction de répartition. Cette notion ne concerne que les variables quantitatives.

D ÉFINITION 8. La fonction de répartition du caractère X est la fonction F, allant de l’en-

semble des réels vers [0, 1], définie par : F (x) = proportion d’individus de l’échantillon dont
la valeur de X est inférieure à x.
□ R EMARQUE : En probabilité, la fonction de répartition est définie comme la proportion
d’individus de l’échantillon dont la valeur de X est inférieure ou égale à x,
plutôt que strictement inférieure à x. Dans la littérature, on trouve l’une
ou l’autre des deux définitions, la première étant plus particulièrement
utilisée dans les manuels anglo-saxons et la seconde dans les manuels
français. L’utilisation de la première définition implique que l’on répartisse
les variables continues en classe de la forme ]ai−1 , ai ] et non en classe de la
forme [ai−1 , ai [.
Dans la pratique, on ne l’utilisera que pour des variables continues.
Pour ces dernières, la détermination de la fonction de répartition se fait de la manière sui-
vante.
Soit X une variable continue, dont les valeurs sont rangées en classes [a0 , a1 [, · · · [aK−1 , aK [,
avec des fréquences f1 , · · · , fK .
— On commence par calculer les valeurs de F aux points du découpage :
F (a0 ) = 0, F (a1 ) = f1 , · · · , F (aK−1 ) = f1 + f2 + · · · + fK−1 , F (aK ) = f1 + f2 + · · · + fK = 1
— Ensuite, dans chaque classe [ai−1 , ai [, on fait une interpolation linéaire (on relie les
points extrêmes par un segment de droite).
— Puis on prolonge la courbe par 0 à gauche de a0 et par 1 à droite de aK .
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 13

♢ E XEMPLE : Cette notion est illustrée à l’aide de l’exemple Sur la CSP par le tableau
suivant.
Fonction de répartition : exemple Sur la CSP .
Classes Effectifs fi F
[20, 25[ 9 0.06 0.06
[25, 30[ 27 0.18 0.24
[30, 35[ 36 0.24 0.48
[35, 40[ 45 0.30 0.78
[40, 50[ 27 0.18 0.96
[50, 60[ 6 0.04 1
Total N = 150

On a alors F (20) = 0, F (25) = 0.06, F (30) = 0.24, F (35) = 0.48, F (40) = 0.78, F (50) = 0.96 et
F (60) = 1.

Fonction de répartition

F
1

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

xi
10 20 30 40 50 60 70 80

6. Caractéristiques d’une distribution. Tendance centrale et dispersion

Jusqu’à présent, nous nous sommes intéressés uniquement à la représentation des données
statistiques. Cependant, s’il est vrai que les divers tableaux et graphes définis plus haut
"résument" la distribution, ils ne permettent aucune quantification.

Le but de ce paragraphe est donc de définir, pour chaque type de distribution statistique, un
certain nombre de caractéristiques (ou indicateurs), c’est-à-dire quelques nombres permettant
de résumer de manière quantitative (et non plus qualitative) chaque distribution. Bien
entendu, n’importe quelle quantité ne peut pas être un indicateur.
En 1950, le statisticien Yule a donné un certain nombre de propriétés de "bon sens" que
doivent, à priori, vérifier les indicateurs statistique. Selon lui, ceux-ci doivent :
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 14

— être définis de manière objective (et donc être indépendante de l’observateur) ;

— utiliser toutes les observations ;
— avoir une signification concrète, afin d’être compris par les non-spécialistes ;
— être simples à calculer ;
— être peu sensibles aux fluctuations d’échantillons (notion de la statistique inférentielle)
— se prêter aisément aux opérations mathématiques simples.
Nous nous limitons ici à 2 types de caractéristiques statistiques.
— celles dites de tendance centrale , qui donnent un « ordre de grandeur » de la variable
étudiée en dégageant la modalité de la variable la plus représentative ;
— celles dites de dispersion qui, elles, fournissent des informations sur la façon dont
les individus se répartissent (se (« dispersent ») autour de la tendance centrale.

Les caractéristiques d’une distribution

Type de la variable Tendance centrale Dispersion

Nominale Mode
Ordinale Mode, médiane, quartiles Écart inter-quartile
Quantitative mode, médiane, quantile, moyenne Écart type, écart inter-quartile

6.1. Caractéristiques de tendance centrale.

6.1.1. Mode . Nous en avons parlé récemment et il est défini pour tous les types de
variables.

D ÉFINITION 9. Nous étendons la définition donnée dans les sections précédentes.

— Si X est une variable statistique nominale, ordinale ou discrète, le mode de la distribu-
tion associée est la modalité de X la plus représentée, c’est-à -dire celle pour laquelle
l’effectif est le plus grand ;
— Si X est une variable continue, le mode (ou classe modale) de la distribution associée
est la classe dont la hauteur dans l’histogramme est la plus élevée.

♢ E XEMPLE : Le mode dans l’exemple Sur la CSP est la modalité « ouvrier » et la classe
modale dans l’exemple Sur l’entreprise de 150 ouvriers est la classe
« [35, 40[ »
6.1.2. Médiane et quantiles . Ces indicateurs sont définis pour toutes les variables sauf
les variables nominales.
Donnons une première définition simple de la médiane :

D ÉFINITION 10. La médiane est la valeur de la variable telle que le nombre d’observations
supérieures ou égales à cette valeur est égal au nombre d’observations strictement inférieures
à cette valeur.
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 15

♢ E XEMPLE : On considère une population composée de 11 personnes et la variable âge

qui associe à chaque individu son âge en nombre d’années révolues. Voici
la liste des âges :
8 9 15 20 21 12 15 16 22 25 13.
On cherche maintenant l’âge situé au milieu de la liste des données. Cet
âge va permettre de partager les données en deux groupes de même taille,
un groupe dont les données sont inférieures à cet âge et un groupe dont les
données sont supérieures. Il suffit donc pour déterminer cet âge (appelé
âge médian), d’écrire la liste des données par ordre croissant :
8 9 12 13 15 15 16 20 21 22 25.
Il y a ici 11 données, la donnée située au milieu de cette liste est donc la 6
ième donnée : c’est donc 15 ans ( le deuxième 15 de notre liste).
On peut remarquer que dans cet exemple, le nombre de données est impair,
ce qui a joué un rôle important dans la détermination de la médiane.
♢ E XEMPLE : On considère maintenant une population composée de 12 personnes et
toujours la même variable âge. Voici la liste des données (des âges) écrites
par ordre croissant :
8 12 14 15 16 17 18 18 19 19 20 20
On cherche de nouveau l’âge situé au milieu de la liste des données. Il y
a ici 12 données. On n’a donc pas une donnée située au milieu, il faut en
prendre deux : la 6-ième et la 7-ième. On a donc le choix pour la médiane
entre 17 ans et 18 ans. On décide alors de prendre la donnée dont le rang
N
est immédiatement après . La médiane sera donc ici la 7-ième donnée,
2
c’est-à-dire 18 ans. Ce choix pouvant s’étendre sans difficulté au cas où N
est impair, on décide de le prendre pour définition.

D ÉFINITION 11. Étant donnée une variable ordinale ou quantitative discrète sur une po-
pulation de taille N , on appelle médiane (notée Méd) la donnée dont le rang est situé
N
immédiatement après dans la liste des données écrites par ordre croissant.
2
□ R EMARQUE : Lorsque la variable étudiée est quantitative et N pair (comme pour le
deuxième cas), certains auteurs prennent pour médiane la moyenne arith-
métique des deux données situées au milieu de la liste des données écrites
par ordre croissant. Nous n’avons pas retenu ce choix car il ne s’applique
pas aux variables ordinales en général et de plus cette définition de la
médiane ne pourrait pas se généraliser simplement aux situations que
nous allons aborder ensuite.
En revenant à la première définition, on voit que, par exemple, pour les variables continues,
cela revient à chercher un x tel que F (x) = 0, 5. En règle générale, cette valeur x n’existe pas
dans le tableau de données dont on dispose.

C’est pourquoi on adopte la définition suivante.

D ÉFINITION 12. La médiane de la distribution de X est donnée par :

— Pour les variables ordinales ou discrètes :
• si la fréquence cumulée en xi−1 est < 0.5 et celle en xi est > 0.5, alors que la médiane
vaut xi
• si la fréquence cumulée en xi−1 est égale à 0.5, alors la médiane vaut xi .
— Pour les variables continues, réparties en classe [ai−1 , ai [ :
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 16

• si F (ai−1 ) < 0, 5 et F (ai ) > 0, 5, la classe médiane est [ai−1 , ai [ et on calcule la

médiane par interpolation linéaire sur l’intervalle [ai−1 , ai [ :

0, 5 − F (ai−1 )
M ed = ai−1 + (ai − ai−1 )
F (ai ) − F (ai−1 )

avec F fonction de répartition de X,

• si F (ai−1 ) = 0, 5, la médiane vaut ai−1

0.5

ai
a1 a2 ai−1 ai aK−1 aK

Méd
Détermination graphique de la médiane

♢ E XEMPLE : Dans l’exemple précédent Sur l’entreprise de 150 ouvriers , l’intervalle

médian est [35, 40[ car F (35) = 0, 48 < 0, 5 < F (40) = 0, 78. En appliquant
la formule, on obtient
0, 5 − F (35) 0, 5 − 0, 48
M ed = 35 + (40 − 35) = 35 + 5 = 35, 33
F (40) − F (35) 0, 78 − 0, 48
□ R EMARQUE : La médiane est peu sensible aux valeurs extrêmes de la variable, donc aux
erreurs de mesures qui, bien souvent, produisent des valeurs aberrantes.
On dit que la médiane est robuste ou résistante.
Cette notion de médiane peut se généraliser à celle de quantile . Soit α dans l’intervalle ]0, 1[.
Si F (ai−1 ) < α et α < F (ai ), on définit le nombre Qα , quantile d’ordre α, par

α − F (ai−1 )
Qα = ai−1 + (ai − ai−1 )
F (ai ) − F (ai−1 )

Les cas particuliers les plus usités sont :

— les quartiles :
Q0,25 = 1er quartile. On note aussi Q0.25 = Q1
Q0,5 = médiane, c’est le deuxième quartile, Q2 .
Q0,75 = dernier quartile ; on dit aussi troisième quartile et on note Q3 .
— les déciles (Q0,1 , Q0,2 , · · · , Q0,9 ).
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 17

♢ E XEMPLE : Dans l’exemple Sur l’entreprise de 150 ouvriers , on a bien Q0,25 = 30, 2
et Q0,75 = 39, 5. En effet, on a F (30) = 0, 24 < 0, 25 et F (35) = 0, 48 > 0, 25;
et donc [30, 35[ est la classe du premier quartile. On calcule alors
0, 25 − 0, 24 5 ∼
Q0,25 = 30 + (35 − 30) = 30 + = 30, 2
0, 48 − 0, 24 24
De manière analogue, on a Q3 ∈ [35, 40[ car F (35) = 0, 48 < 0, 75 et
F (40) = 0, 78 > 0, 75. On obtient alors
0, 75 − 0, 48 27
Q0,75 = 35 + (40 − 35) = 35 + 5 = 39, 5
0, 78 − 0, 48 30
On peut, par ailleurs, définir la notion suivante : si α est dans ]0, 1/2], l’intervalle de variation
au risque α est l’intervalle noté
Iα = [Q α2 , Q1− α2 ]
A gauche et à droite de cet intervalle, il y a une proportion α2 d’individus (intervalle contient,
de ce fait, une proportion 1 − α d’individus).
Par exemple, l’intervalle de variation au risque 1/2 est l’intervalle [Q0,25 , Q0,75 ] celui -ci est
représenté par le box-plot (ou boite - à - pattes).

Le box-plot

a0 aK
Méd
Q0.25 Q0.75

□ R EMARQUE : Le box-plot est aussi appelé la boîte à moustache . On la construit de la

manière suivante :
(1) On trace une boîte rectangulaire de largeur arbitraire et de longueur
Q3 − Q1
(2) On partage la boîte par un segment horizontal passant par son
centre et s’étendant de min(X) à max(X).
(3) On marque sur ce segment, par un trait, la position de la médiane
Méd
(4) On voit la moustache de gauche de min(X) à Q0.25 et celle de droite
de Q0.75 à max(X).
6.1.3. Moyenne arithmétique . Elle n’est définie que pour les variables quantitatives et,
pour celles -ci, c’est la caractéristique de tendance centrale la plus « naturelle » et la plus
utilisée.
Notation : la moyenne (arithmétique) d’une variable X sera notée X et N = n1 + · · · + nK
On définit la moyenne arithmétique de la manière suivante.
D ÉFINITION 13. On distingue différents cas selon le type de la variable.
• Si X est une variable quantitative discrète, donnée par sa distribution d’effectifs
(xi , ni ), i = 1, · · · , k, alors la moyenne de X est donnée par :
1
X= (n1 x1 + n2 x2 + · · · + nk xk )
N
• Si X est une variable continue rangée en classe [ai−1 , ai [, la moyenne de X est
1
X= (n1 c1 + n2 c2 + · · · + nk ck )
N
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 18

où, pour tout i, ci est le centre de la classe [ai−1 , ai [, soit

ai−1 + ai
ci =
2
On dira qu’une variable est centrée si sa moyenne est nulle.
□ R EMARQUE : (1) La moyenne peut être définie à l’aide des fréquences :
X = (f1 x1 + f2 x2 + · · · + fk xk )
pour les variables discètes et
X = (f1 c1 + f2 c2 + · · · + fk ck )
pour les variables continues.
(2) il existe d’autres sortes de moyenne ( géométrique ,
harmonique ,...) dont nous parlons pas dans la suite ;
(3) la moyenne, prenant en compte toutes les valeurs observées, est très
sensible aux observations aberrantes ;
(4) chaque fois que la répartition est assez symétrique (ce qui se traduit
par un histogramme proche d’une courbe « en cloche »), la moyenne,
le mode et la médiane sont proches. La moyenne est plus élevée
que le mode ou la médiane si la répartition est dissymétrique, avec
un accent vers les valeurs élevées ; si l’accent est, par contre, sur
les valeurs faibles, la moyenne est plus petite que le mode ou la
médiane.
6.1.4. Moyenne géométrique . La moyenne géométrique est utilisée quand on étudie les
variations relatives, en particulier les accroissements. La moyenne géométrique est utilisée
pour calculer le multiplicateur moyen d’une grandeur.
Soit Y une grandeur qui croît successivement de r1 , r2 ,· · · ,ri
Yi = Y0 (1 + r1 )(1 + r2 ) · · · (1 + ri−1 )(1 + ri ) = Y0 (1 + r)i
q
Le multiplicateur moyen 1 + r est obtenu en calculant 1 + r = i YY0i , qui est la moyenne
géométrique des multiplicateurs.
La formule générale moyenne géométrique (notée G) est la suivante :
v
u k k
uY X
n ni
(6.1) G= t x i avec n = n.i
i=1 i

On utilise également la forme logarithmique

k k
1X X
(6.2) log(G) = ni log(xi ) = fi log(xi )
n i=1 i=1

♢ E XEMPLE : Calculs d’un taux de croissance moyen

Les variations annuelles du PIB en valeur d’un pays donné sont les sui-
vantes par rapport à l’année précédente.
Années 1 2 3 4 5
Taux de croissance (en %) 10,0 8,5 7 5,6 8,0
(1) Calculer le taux de croissance annuel moyen en valeur de l’année 0
à l’année 5 ?
(2) Calculer le taux de croissance annuel moyen en valeur de l’année 1
à l’année 5 ?
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 19

♢ E XEMPLE : Suite de l’exemple

Nous ne pouvons pas obtenir directement le taux de croissance, nous
devons tout d’abord calculer le multiplicateur moyen (1 + r) qui est la
moyenne géométrique des multiplicateurs annuels.
v
u 5
uY
5
(1 + r) = t (1 + r ) i
i=1

Le tableau ci-dessous fournit la série des multiplicateurs :

Années 1 2 3 4 5 5/0 5/1

Multiplicateurs 1,10 1,085 1,07 1,056 1,08 1,456444282 1,324040256
Entre l’année 0 et l’année 5, le multiplicateur moyen est :
1 + r = 5 1, 456444282 ∼
p
= 1, 0781.
Le taux de croissance moyen est de 7,8 %. Pour le taux de croissance moyen
entre l’année 1 et l’année 5, le calcul est analogue sur quatre ans :
1 + r = 4 1, 324040256 ∼
p
= 1, 0727.
Le multiplicateur est d’environ 1,073, ce qui correspond à un taux de
croissance moyen de 7,3 %
6.1.5. Moyenne harmonique . La moyenne harmonique (notée H) est utilisée pour esti-
mer la moyenne des inverses c’est en particulier le cas quand la grandeur à une dimension
de vitesse. La moyenne harmonique est définie par :

k k
1 1 X ni X f i X
(6.3) = = avec fi = 1.
H N i=1 xi i=1
x i i

♢ E XEMPLE : Vitesse moyenne

Sur le trajet de Paris à Grenoble, le TGV roule à 240 km/h sur 60 % du
trajet, 150 km/h sur 25 % et à 120 km/h sur 15 % du trajet. À quelle vitesse
moyenne parcourt-il l ?ensemble du trajet ? La vitesse moyenne entre Paris
et Grenoble est obtenue par le rapport entre la distance parcourue et le
temps mis pour la parcourir. La moyenne est donc une moyenne harmo-
nique des vitesses. Nous pouvons le montrer simplement. Soit x la distance
entre Paris et Grenoble. Alors on a
x 0, 6x 0, 25x 0, 15x
x = v · t, v = , t = t1 + t2 + t3 avec t = + +
t 240 150 120
Par suite
1 0, 6 0, 25 0, 15
= + + = 0, 00541667.
v 240 150 120
Soit une vitesse moyenne de v = 184,6 km/h.
La vitesse moyenne est la moyenne harmonique des vitesses pondérées
par la part de la distance parcourue. La vitesse moyenne est obtenue
par application de la formule de définition de la moyenne harmonique :
1
= ki=1 vfii . Le calcul de la vitesse moyenne ne nécessite la connaissance
P
v
ni de la distance à parcourir ni des temps correspondant à chaque fraction
du trajet. Il est facile de vérifier que la moyenne arithmétique est de 199,5
km/h (0, 6 · 240 + 0, 25 · 150 + 0, 15 · 120 = 199, 5 ). Est-ce la vitesse moyenne
du TGV ? Quel est le bon résultat ?
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 20

♢ E XEMPLE : Suite de l’exemple

La distance Grenoble-Paris en TGV est de 579 kilomètres. Le tableau ci-
dessous fournit les éléments de calcul de la vitesse moyenne sans recourir
à la moyenne harmonique.
Vitesses Fréquences Distances parcourues Temps
vi fi di = fi · 519 ti = di /vi
240 0,6 347,4 1,4475
150 0,25 144,75 0,965
120 0,15 86,85 0,72375
1 579 3,13625
La vitesse moyenne est alors v = d/t = 579/3, 13625 ∼ = 184, 6.
♢ E XEMPLE : Coût d’acquisition d’actions
Un épargnant a réalisé diverses opérations d’achat d’action d’une société
cotée. Le cours étant de 9,9 EUR a-t-il intérêt à vendre ?
Montants des acquisitions (en EUR) Valeur unitaire de l’action
vi xi
30 000 5,6
11 000 8,8
22 000 10,3
17 000 8,2
18 000 7,8
5 000 11,0
Pour prendre sa décision, l’épargnant doit calculer la valeur moyenne
d’acquisition des actions. Cette valeur est obtenue en calculant la moyenne
harmonique des coûts d’acquisition des actions, en effet la valeur moyenne
des actions acquises est le résultat du calcul suivant :
P6
v vi v
H = = P6i=1 = v1
n i=1 ni x1
+ x2 + x3 + xv44 + xv55 + xv66
v2 v3

103000
= 30000 11000 22000 17000 18000 5000
5,6
+ 8,8 + 10,3 + 8,2 + 7,8 + 11,0
Ce qui est très exactement le calcul d’une moyenne harmonique :
1 n 1 30000 11000 22000 17000 18000 5000
= = = + + + + +
H v 103000 5, 6 8, 8 10, 3 8, 2 7, 8 11, 0
k
1X 1
= ni = × 13578, 5 = 0, 131829842
v i=1 103000
Par suite H ∼ = 7, 6. En vendant au taux de 9,9, l’épargnant réalise un
bénéfice de 9,9-7,6 = 2,3 EUR par action.
Le recours à la moyenne harmonique évite d’avoir à déterminer le nombre
des actions acquises sachant que dans le prix d’achat sont compris divers
coûts annexes.
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 21

♢ E XEMPLE : Suite de l’exemple

Un autre calcul est envisageable en calculant le nombre d’actions théo-
riques à chaque opération. Les résultats sont identiques.

Montants des acquisitions Valeur unitaire de l’action Nombre d’actions

vi xi ni = vi /xi
30000 5,6 5 357,1
11000 8,8 1 250,0
22000 10,3 2 135,9
17000 8,2 2 073,2
18000 7,8 2 307,7
5000 11 454,5
103000 13578,5
Le coût d’acquisition d’une action est obtenu par le rapport entre la totalité
du coût des acquisitions sur le nombre théorique d’actions.
P
vi 103000 ∼
x= P = = 7, 6
ni 13578, 5
La moyenne harmonique est également utilisée pour le calcul des cours moyens des devises.

6.2. Caractéristiques de dispersion. Les caractéristiques de tendance centrale donnent

un ordre de grandeur du caractère statistique observé. Il est intéressant d’obtenir des in-
formations sur la variabilité des observations et de leur dispersion autour de la tendance
centrale. Intuitivement, une « bonne » caractéristique de dispersion doit être telle que, plus la
variabilité est grande autour de la tendance centrale correspondante, plus cette caractéristique
doit être grande, et inversement lorsqu’il y a peu de dispersion, la caractéristique doit être
voisine de zéro. La caractéristique de dispersion doit toujours être positive.
6.2.1. Étendue . Elle n’est pas définie pour les variables nominales.

D ÉFINITION 14. L’étendue est l’écart entre la modalité la plus haute et la modalité la moins
élevée : E = Xmax − Xmin .
Cette mesure est peu pratique et très sensible aux valeurs extrêmes de la série (erreurs de
saisie,...)

6.2.2. Écart inter-quartile . Il est défini pour toutes les variables, excepté les variables
nominales.

D ÉFINITION 15. L’écart inter-quartile est la distance entre le 1er et le 3e quartile. Il vaut donc
Q0,75 − Q0,25 . Il représente les valeurs extrêmes d’une dispersion de 50 pour cent des effectifs
autour de la médiane.

Le rapport interquantile :
Qn
IQ(x) =
Q1
est un nombre sans dimension qui mesure le rapport entre le dernier et le premier quantiles.
Prenons l’exemple des quartiles. Le rapport interquartile est le rapport des quartiles
Q3
IQ = ,
Q1
il fournit une mesure relative des écarts entre les 25 % de la distribution ayant les valeurs les
plus basses et les 25 % de la distribution disposant des valeurs de la variable les plus élevées.
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 22

♢ E XEMPLE : Répartition des SAU viticoles.

Classes (en ha) ai fi Fi

[0; 5[ 5 8,3 8,3
[5; 15[ 10 25,0 33,3
[15; 25[ 10 18,3 51,7
[25; 50[ 25 33,3 85,0
[50; 100[ 50 11,7 96,7
[100; 150] 50 3,3 100,0
100,0
Après calculs
Q1 = 11,7 ha Q2 =Med = 24,1 ha et Q3 = 41,5 ha
Par suite
Q3 41, 5 ∼
IQ = Q3 − Q1 = 41, 5 − 11, 7 = 29, 8 IQ = = = 3, 6
Q1 11, 7
6.2.3. Écart absolu moyen . L’écart absolu moyen (noté mad) est la moyenne arithmé-
tique des écarts absolus par rapport à la médiane ou à la moyenne. Avec xi valeur des
observations, x moyenne des observations, M ed la médiane, l’écart absolu moyen des écarts
par rapport à la médiane se calcule selon la formule suivante :

k k
1X X
mad(M ed) = ni |xi − M ed| = fi |xi − M ed|
n i=1 i=1

Par rapport à la moyenne, on remplace M ed par x̄

k k
1X X
mad(x̄) = ni |xi − x̄| = fi |xi − x̄|
n i=1 i=1

♢ E XEMPLE : Répartition des SAU viticoles : écart absolu moyen à la médiane (24,1).

Classes (en ha) ci fi |ci − M ed| fi |ci − M ed|

[0; 5[ 2,5 8,3 21,6 179,3
[5; 10[ 7,5 25,0 16,6 415
[10; 20[ 15,0 18,3 9,1 166.5
[20; 50[ 35,0 33,3 10,9 362.97
[50; 100[ 75,0 11,7 50,9 595.5
[100; 170] 135,0 3,3 110,9 365,97
100,0 2085.28
2085.28 ∼
mad(M ed) = = 20.9ha
100
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 23

♢ E XEMPLE : Répartition des SAU viticoles : écart absolu moyen à la moyenne (29,8).

Classes (en ha) ci fi |ci − x̄| fi |ci − x̄|

[0; 5[ 2,5 13,0 29,3 409.5
[5; 10[ 7,5 16,0 21,8 356.8
[10; 20[ 15,0 22,0 11,8 325.6
[20; 50[ 35,0 34,0 5,7 176.8
[50; 100[ 75,0 12,0 43,2 542.4
[100; 170] 135,0 3,0 93,2 315.6
100,0 2126.7
2126.7 ∼
mad(x̄) = = 21, 3ha
100
6.2.4. Écart-type. Variance . Ils ne sont définis que pour les variables quantitatives.

D ÉFINITION 16. La variance est la moyenne des carrés des écarts à la moyenne ; c’est-à-dire :
— pour une variable discrète :

i=k
! i=k
!
1 X
2 1 X 2
(6.4) V ar(X) = ni (xi − X) = ni x2i −X
N i=1
N i=1

— pour une variable continue rangée en classes [ai−1 , ai [, de centres ci :

i=k
! i=k
!
1 X 1 X 2 2
(6.5) V ar(X) = ni (ci − X)2 = n i ci −X
N i=1
N i=1

Dans chaque cas, c’est la seconde expression qui sera la plus utilisée pour effectuer les calculs.
L’ Écart-type est par définition la racine carrée de la variance :

p
σ(X) = V ar(X)

□ R EMARQUE : Les formules (6.4) et (6.5) sont valables lorsque les calculs portent sur
TOUTE la population. Lorsqu’il s’agit d’un échantillon extrait de la popu-
lation le dénominateur N est remplacé par N − 1.
□ R EMARQUE : Le coefficient de variation
Il est défini par le rapport de la moyenne arithmétique à l’écart type, c’est
un nombre sans dimension. Il varie comme la dispersion autour de la
moyenne, plus il est important et moins la moyenne est significative pour
décrire la distribution.
σ(X)
CV =
X
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 24

♢ E XEMPLE : Dans l’exemple Sur l’entreprise de 150 ouvriers , la moyenne vaut 35,65
et la variance 56,4525. Voici le détails des calculs.

Classe xi Effectifs ni ni × xi ni × x2i

[20, 25[ 22.5 9 202,5 4556,25
[25, 30[ 27.5 27 742,5 20418,75
[30, 35[ 32.5 36 1170 38025
[35, 40[ 37.5 45 1687,5 63281,25
[40, 50[ 45 27 1215 54675
[50, 60[ 55 6 330 18150
Total N = 150 5347,5 199106,25
On en déduit que
5347, 5
X= = 35.65
150
et
199106, 25
Var(X) = − 36.652 = 1327, 375 − 1270, 9227 = 56, 4525
150
Par suite,
56, 4525 ∼
p
σ(X) = = 7.5135
De même,
σ(X) 7.5135 ∼
CV = = = 0.2108
X 35, 65

6.3. Les coefficients de dissymétrie. Plusieurs coefficients permettent d’estimer la dissy-

métrie d’une distribution. Les coefficients d’asymétrie les plus simples mesurent la répartition
des valeurs de part et d’autre d’une valeur centrale, d’autres nécessitent des calculs supplé-
mentaires. Les coefficients les plus utilisés en statistique descriptive sont les moins complexes.
Les calculs des coefficients utiliseront l’exemple de la distribution des SAU viticoles :

F IGURE 1. Répartition des SAU viticoles.

Classes (en ha) ci fi f i ci fi c2i fi (ci − c̄)3
[0; 5[ 2,5 8,3 32,5 52,1 -209435,8404
[5; 15[ 10,0 25,0 120,0 2500,0 -258708,8885
[15; 25[ 20,0 18,3 330,0 7333,3 -30058,48006
[25; 50[ 37,5 33,3 1190,0 46875,0 6200,214603
[50; 100[ 75,0 11,7 900,0 65625,0 941129,385
[100; 150] 125,0 3,3 405,0 52083,3 2699249,145
100,0 2977,5 174468,8 3148375,5

Un premier coefficient mesure l’écart relatif du mode et de la moyenne à un indicateur de

dispersion. Avec l’écart type, on obtient le premier coefficient de dissymétrie de Pearson :

moyenne − mode X − M0
D1 = =
écart type σ(X)
D1 est un nombre sans dimension.
(1) D1 = 0 la courbe est symétrique par rapport au mode
(2) D1 > 0 la courbe est étalée à droite
(3) D1 < 0 la courbe est étalée à gauche.
 6. CARACTÉRISTIQUES D’UNE DISTRIBUTION. TENDANCE CENTRALE ET DISPERSION 25

Le second coefficient de Pearson (D2 ) estime l’asymétrie par le rapport de l’écart entre la
moyenne et la médiane à l’écart type.
moyenne − médiane X − M ed
D2 = 3 =3
écart type σ(X)
Pour une distribution symétrique, D2 est nul, pour une distribution étalée vers la droite D2
est positif, dans le cas inverse D2 est négatif.
♢ E XEMPLE : Dans l’exemple de la distribution des SAU viticoles :

X − M0 31, 8 − 10, 6 ∼
D1 = = = 0, 78
σ(X) 27, 1
La distribution est étalée à droite.
De même, le second coefficient est
c̄ − M ed 31, 8 − 24, 1
D2 = 3 =3 = 0, 85.
σ(c) 27, 1
Le coefficient d’asymétrie de Yule et Kendall , que l’on nomme s, ne nécessite que la connais-
sance des trois quartiles :
(Q3 − Q2 ) − (Q2 − Q1 )
s= ·
(Q3 − Q2 ) + (Q2 − Q1 )
Avec :
(1) s = 0 la distribution est symétrique
(2) s > 0 la distribution est oblique à gauche (étalée vers la droite)
(3) s < 0 la distribution est oblique à droite (étalée vers la gauche)
♢ E XEMPLE : Dans l’exemple de la distribution des SAU viticoles :
(41, 5 − 24, 1) − (24, 1 − 11, 7) 5
s= = > 0.
(41, 5 − 24, 1) + (24, 1 − 11, 7) 29, 8
Ce coefficient indique également une distribution étalée vers la droite.
Le coefficient de Fischer :
Il est plus algébrique dans sa conception que les précédents, il fait intervenir des écarts à la
puissance 3. L’usage de cet indicateur est réservé à des modèles économiques plus complexes
que les précédents.
Pk 3
i=1 fi (xi − x̄)
γ1 = h i 3/2
Pk 2
i=1 f i (x i − x̄)
Avec :
(1) γ1 = 0 distribution symétrique
(2) γ1 > 0 distribution étalée à droite
(3) γ1 < 0 distribution étalée à gauche
Le dénominateur de cette formule est le cube de l’écart type.
♢ E XEMPLE : Pour l’exemple précédent
3148, 755 ∼
γ1 = = 0, 16
27, 13
Cet indicateur confirme les conclusions des indicateurs précédents
CHAPITRE 2

STATISTIQUE À DEUX VARIABLES

1. Introduction
Il existe beaucoup de situations pour lesquelles on s’intéresse, sur le même échantillon, à
plusieurs caractères statistiques en même temps. On souhaiterait savoir si des liens existent
entre ces caractères ou, tout au moins, entre leurs distributions statistiques.
♢ E XEMPLES : (1) L’âge et taille des enfants entre 0 et 20 ans
(2) Le prix du mètre carré et année d’achat de terrains
(3) Allongement de ressorts et force appliquée
(4) La température et la réaction chimique d’un mélange,
(5) L’âge et le salaire des employés d’une entreprise,
(6) La taille et le poids des individus
Il ne s’agit alors plus d’étudier les caractères séparément, mais simultanément. Dans ce cha-
pitre, nous présentons les outils permettant de réaliser l’étude simultanée de deux variables
statistiques.

2. Notations et définitions
2.1. Notations. On considère, dans toute la suite, une population (ou un échantillon) de
N individus sur laquelle on étudie deux caractères statistiques X et Y. La variable étudiée est
donc le couple (X, Y).
Les valeurs (ou modalités) de ces variables seront notées à nouveau par des lettres minus-
cules : xi , i = 1, · · · , K pour X et yj , j = 1, · · · , L pour Y si ce sont des variables qualitatives
ou discrètes et, pour les variables continues, on notera [ai−1 , ai [ les classes pour X et [bi−1 , bi [
les classes pour Y.
L’effectif correspondant au couple (xi , yj ) de modalités i et j (resp. aux classes [ai−1 , ai [
et [bi−1 , bi [ ) sera noté nij . On appellera alors distribution jointe de X et Y l’ensemble des
informations (xi , yj , nij ), resp. ([ai−1 , ai [, [bi−1 , bi [, nij ) pour i = 1, · · · , K et j = 1, · · · L) Bien
évidemment, l’effectif total N de l’échantillon s’obtient en effectuant la somme suivante :
K X
X L L X
X K
N= nij = nij
i=1 j=1 j=1 i=1

2.2. Tableau de contingence. Pour représenter la distribution jointe de X et Y, on recourt

à un tableau à double entrée, appelé tableau de contingence (ou tableau croisé) (tableau 11)

26
 2. NOTATIONS ET DÉFINITIONS 27

Tableau 11- tableau de contingence

Y
X y1 y2 · · · yj · · · yL Totaux lignes
x1 n11 n12 · · · n1j · · · n1L n1.
x2 n21 n22 · · · n2j · · · n2L n2.
··· ··· ··· ··· ··· ··· ··· ···
xi ni1 · · · · · · nij · · · niL ni.
··· ··· ··· ··· ··· ··· ··· ···
xK nK1 · · · · · · nKj · · · nKL nK.
Totaux n.1 · · · · · · n.j · · · n.L N = n..
colonnes

Où on a posé
L
X K
X
ni. = nij et n.j = nij
j=1 i=1

Ainsi :
— à l’intérieur du tableau, on lit la distribution joint de X et Y, soit les effectifs nij ;
— en marge à droite (totaux en lignes), on lit la distribution de X ; pour chaque i, ni.
représente le nombre d’individus prenant la valeur xi pour le caractère X ;
— en marge en bas (totaux en colonnes, on lit celle de Y : pour chaque j, n.j représente le
nombre d’individus prenant la valeur yj pour le caractère Y.
Les distributions de X et Y sont les distributions marginales du couple (X,Y).
♢ E XEMPLE : Sur l’opinion des Congolais
On réalise une enquête auprès d’un échantillon de 1000 personnes,
représentatif de la population congolaise, âgées de 21 ans à 60 ans. Le but
de cette enquête est de connaitre l’opinion des Congolais (X) sur le projet
de réforme constitutionnelle proposé par un parti politique en fonction de
leur âge (Y) .

Tableau de contingence de l’exemple

Y
X [21, 30[ [30, 50[ [50, 60[ Totaux lignes
Favorable 150 180 120 450
Défavorable 40 130 140 310
S’abstient 10 20 60 90
Refuse de 20 50 80 150
répondre
Totaux co- 220 380 400 1000
lonnes

La distribution marginale de l’opinion X se lit dans la dernière colonne :

X Favorable Défavorable S’abstient Refuse Total
ni. 450 310 90 150 1000

Par exemple, le nombre de personne défavorables au projet, quel que soit leur âge est : 310.

La distribution marginale de la variable Y se lit dans la dernière ligne :

Y [21, 30[ [30, 50[ [50, 60[ Total
ni. 220 380 400 1000
 4. FRÉQUENCES ASSOCIÉES À UN COUPLE DE VARIABLES STATISTIQUES. INDÉPENDANCE 28

3. Distributions conditionnelles
On veut connaître la façon dont varie l’une des variables lorsque l’autre a une valeur donnée
(resp. : prend ses valeurs dans une classe donnée). La réponse à cette question est fournie par
le tableau de contingence (tableau 11) :
— à la ligne i du tableau de contingence, on lit la distribution de la variable Y sachant
que X = xi (notée Y|X =xi )(resp. sachant que X est dans [ai−1 , ai [, notée Y|X ∈[ai−1 ,ai [ ) ;
— à la colonne j, on lit la distribution de X sachant que Y = yj ( notée X|Y =yj )(resp.
sachant que Y est dans [bj−1 , bj [, notée X|Y ∈[bj−1 ,aj [ ) ;
♢ E XEMPLES : Dans l’exemple précédent Sur l’opinion des congolais , la distribution
conditionnelle de l’opinion exprimée par les individus âgés de plus de 50
ans est donnée par la troisième colonne, c’est-à-dire :

X|Y ∈[50,60[ Favorable Défavorable s’abstient Refuse Total

ni3 120 140 60 80 400
On a aussi, toujours pour le même exemple,
Y |X= S’abstient [21, 30[ [30, 50[ [50, 60[ Total
n3j 10 20 60 90

□ R EMARQUE : Des données d’un tableau de contingence, on peut extraire :

a) deux distributions marginales ;
b) autant de distributions conditionnelles relatives au caractère Y que le
caractère X a de modalités ;
c) autant de distributions conditionnelles relatives au caractère X que le
caractère Y a de modalités.
Dans l’exemple précédent, il y a quatre distributions conditionnelles de Y pour X donné
(répartition par âges des personnes ayant une opinion donnée), trois distributions condition-
nelles de X pour Y donnée) et deux distributions marginales, l’une par âges et l’autre par
opinions.
4. Fréquences associées à un couple de variables statistiques. Indépendance
Voici un exemple qui servira d’illustration tout au long de cette section.
♢ E XEMPLE : Sur l’oral d’un concours
À l’oral d’un concours, chaque candidat est noté sur deux matières (dé-
signées par X et Y). Les résultats obtenus pour un échantillon de 100
candidats sont donnés dans le tableau suivant.
Tableau initial
Y
X [0, 4[ [4, 8[ [8, 12[ [12, 16[ [16, 20[ Totaux lignes
[0, 4[ 3 4 2 0 0 9
[4, 8[ 6 10 8 2 0 26
[8, 12[ 1 8 20 12 3 44
[12, 16[ 0 0 8 7 3 18
[16, 20[ 0 0 1 0 2 3
Totaux co- 10 22 39 21 8 100
lonnes
 4. FRÉQUENCES ASSOCIÉES À UN COUPLE DE VARIABLES STATISTIQUES. INDÉPENDANCE 29

4.1. Fréquences pour un couple de variables.

D ÉFINITION 17. On appelle
nij
(1) fréquence du couple (xi , yj ) la quantité fij =
N
(2) fréquence marginale de xi
On a ainsi

(1) f11 = 0, 03
4.2. Indépendance de deux variables. La notion de fréquence conditionnelle permet de
définir mathématiquement celle d’indépendance entre deux variables statistiques.
D ÉFINITION 18. Deux variables X et Y sont indépendantes si, pour tous i, j, X sachant
Y = yj a la même distribution que X et Y sachant X = xi a la même distribution que Y. Cela
se traduit par
ni. × n.j
nij =
N
Malheureusement, cette définition est théorique en ce sens que, sur un tableau de données
réelles, cette relation n’est pratiquement jamais vérifiée. On est donc amené à introduire
un outil statistique permettant de mesurer la « distance à l’indépendance » afin de pouvoir
décider si les variables étudiées sont indépendantes ou si, au contraire, il semble exister
une relation de causalité entre elles. Pour cela, au tableau de contingence initial, on associe
un nouveau tableau, appelé tableau des effctifs théorique sous l’hypothèse d’indépendance
construit, en remplaçant, dans le tableau initial, les effectifs nij par les effectifs qu’on devrait
avoir théoriquement si les deux variables étaient indépendantes, c-est-à-dire,
ni. × n.j
eij =
N
Dans l’exemple Sur l’oral d’un concours , on a

Tableau théorique.

Y
X [0, 4[ [4, 8[ [8, 12[ [12, 16[ [16, 20[
[0, 4[ 0,9 1,98 3,51 1,89 0,72
[4, 8[ 2,6 5,72 10,14 5,46 2,08
[8, 12[ 4,4 9,68 17,16 9,24 3,52
[12, 16[ 1,8 3,96 7,02 3,78 1,44
[16, 20[ 0,3 0,66 1,17 0,63 0,24

On calcule alors la distance du khi-deux associée à la distribution initiale.

D ÉFINITION 19. On appelle distance du khi-deux associée aux variables X et Y, la quantité
K X L
X (eij − nij )2
χ2 =
i=1 j=1
eij

On note alors que

(1) si χ2 est proche de 0, on peut conclure à l’indépendance de X et Y
(2) si χ2 est grand, on peut supposer l’existence d’une relation entre X et Y .
Dans l’exemple Sur l’oral d’un concours , on a, après calculs, χ2 = 51, 72. On peut donc
conclure qu’il y a une relation entre les notes obtenues aux deux matières du concours.
 5. ÉTUDE DES COUPLES DE VARIABLES QUANTITATIVES 30

5. Étude des couples de variables quantitatives

⊠ N OTATION : Dans toute la suite, les quantités xi et yj désignent indifféremment les
valeurs d’une variables discrète ou les centres des classes d’une variable
continue rangée en classes.

5.1. Caractéristiques associées. Nous présentons une généralisation des notions intro-
duites au chapitre premier sur une variable à deux variables.

Les moyennes des distributions marginales se calculent via les formules suivantes.
• Moyenne de la variable X
K K K L
1 X X 1 XX
X= ni. xi = fi. xi = nij xi
N i=1 i=1
N i=1 j=1

• Moyenne de Y
L L K L
1 X X 1 XX
Y = n.j yj = f.j yj = nij yj
N j=1 j=1
N i=1 j=1

♢ E XEMPLE : Calculons les moyennes des distribution marginales X et Y de l’exemple

Sur l’oral d’un concours donné au paragraphe précédent.
On obtient le tableau suivant pour la variable X
X xi ni. ni. xi ni. x2i
[0, 4[ 2 9 18 36
[4, 8[ 6 26 156 336
[8, 12[ 10 44 440 4400
[12, 16[ 14 18 252 3528
[16, 20[ 18 3 54 972
Total 100 920 9272
On a le tableau suivant pour Y
Y yj n.j n.j yj n.j yj2
[0, 4[ 2 10 20 40
[4, 8[ 6 22 132 792
[8, 12[ 10 39 390 3900
[12, 16[ 14 21 294 4116
[16, 20[ 18 8 144 2592
Total 100 980 11439
On déduit directement de ces tableaux que X = 9, 2 et Y = 9, 8.

Les variances des distributions marginales :

• Variance de X !
K
1 X 2
Var(X) = ni. x2i −X
N i=1
• Variance de Y !
L
1 X 2
Var(Y ) = n.j yj2 −Y
N j=1
 5. ÉTUDE DES COUPLES DE VARIABLES QUANTITATIVES 31

On peut également calculer la moyenne et la variance pour les distributions conditionnelles.

♢ E XEMPLE : Revenons à l’exemple Sur l’oral d’un concours. Les dernières colonnes
des tableaux précédents permettent de calculer
1
Var(X) = × 9272 − (9, 2)2 = 92, 72 − 84, 64 = 8, 08
100
mais aussi
1
Var(Y ) = × 11439 − (9, 8)2 = 114, 39 − 96, 04 = 18, 35.
100

5.2. Résumé d’un couple de variables quantitatives. Courbes de régression. L’objectif

est d’étudier l’intensité de la liaison qui peut exister entre ces caractères pour ensuite établir
une relation. L’étude de l’influence d’une variable sur une autre se base sur l’analyse d’un
nuage de points.
♢ E XEMPLES : (1) On considère deux variables : la masse x suspendue à un ressort
et l’allongement y de celui-ci. On supposera que l’allongement du
ressort est proportionnelle à la masse suspendue pour ensuite re-
chercher la constante de dureté du ressort.
(2) La taille x d’un individu et son poids y. On voudrait savoir si en
moyenne à une grande taille est associée un poids élevé. La connais-
sance d’une telle fonction permet de déterminer un poids idéal par
rapport à la taille.
(3) Le nombre d’année d’étude x et le salaire y. On voudrait savoir si,
en moyenne, à un nombre plus élevé d’année d’étude correspond
un salaire lui aussi plus élevé. Est-il rentable d’étudier ? Quel devrait
être le salaire "normal" de quelqu’un qui a fait x années d’étude.
La méthode de « régression » permet de déterminer si une tendance existe et si elle est de
qualité. Le vocable "tendance" est important car il ne s’agit pas forcément de variables liées
de manière fonctionnelle y = f (x) comme dans le cas de l’allongement du ressort.
Il s’agit aussi de découvrir des "évolutions simultanées" de variables non fonctionnelles (c’est
l’exemple de la taille et du poids : des personnes de même taille peuvent parfaitement avoir
des poids différents ce qui n’empêche de penser que globalement, plus on est grand, plus on
devrait être lourd).
Si la relation qui unit deux grandeurs est fonctionnelle, elle est parfaitement significative.
Dans les autres cas, on doit s’interroger sur la pertinence de cette relation. Est-ce une tendance
forte ou faible ?
La régression linéaire est la méthode la plus simple qui permet de répondre à ces questions.
Elle a pour objectif de faire passer au mieux une droite au travers d’un nuage de points.

5.3. Vocabulaire - Écriture mathématique. Soient X et Y deux caractères quantitatifs

d’une même population de taille N notée Ω = {w1 , ..., wN }. On dit que « deux variables » X
et Y définissent sur Ω une série statistique à deux variables (xi ; yi )1⩽i⩽N , avec
X(Ω) = {xi }1⩽i⩽N et Y (Ω) = {yi }1⩽i⩽N
lorsque :
(1) x1 ⩽ x2 ⩽ ... ⩽ xN (ou y1 ⩽ y2 ⩽ ... ⩽ yN , mais pas forcément les deux en même
temps)
(2) X(Ω) et Y (Ω) ne sont pas des singletons
(3) les couples (xi ; yi )1⩽i⩽N sont deux à deux distincts
Dans un repère : (O;⃗i; ⃗j) orthonormé, l’ensemble des points Mi de coordonnées (xi ; yi ) est
appelé nuage de points associé à la série statistique.
 5. ÉTUDE DES COUPLES DE VARIABLES QUANTITATIVES 32

Dans une série statistique à deux variables x et y de moyennes respectives x et y, le point G

de coordonnées (x; y) avec
x1 + x2 + . . . + xN y1 + y2 + . . . + yN
x= et y =
N N
est appelé le point moyen du nuage de points associé à la série statistique.
On présente dans les lignes qui suivent deux méthodes permettant de réaliser un ajustement
affine (à l’aide d’une droite) d’un nuage de points Mi du plan de coordonnées données
(xi ; yi ) et de formuler des estimations à l’aide de l’équation trouvée. Avant d’en arriver là,
voici d’abord un petit exemple.
♢ E XEMPLE : On sélectionne 10 personnes inscrites à un stage de formation. Avant le
début de la formation, ces stagiaires subissent une épreuve A notée de 0 à
20. A l’issue du stage, une épreuve B identique à la première est notée aussi
de 0 à 20. Les résultats sont rassemblés dans le tableau suivant. Peut-on
quantifier, si cela est possible, une corrélation entre les deux caractères ?
Epreuve A 3 4 6 7 9 10 9 11 12 13
Epreuve B 8 9 10 13 15 14 13 16 13 19
Ici,
Taille de la population : N = 10
Ω = {(3; 8), (4; 9), (6; 10), (7; 13), (9; 13), (9; 15), (10; 14), (11; 16), (12; 13), (13; 19)}
X(Ω) = {3, 4, 6, 7, 9, 9, 10, 11, 12, 13}
Y (Ω) = {8, 9, 10, 13, 13, 15, 14, 16, 13, 19}
G = (8, 4 ; 13)
Voici ensuite un petit rappel mathématique sur la détermination d’une équation de droite en
dimension deux. On se donne un repère cartésien (O;⃗i; ⃗j). Le cas le plus simple consiste à
se donner deux points distincts A(a1 , a2 ) et B(b1 , b2 ) et à chercher une équation de la droite
D = AB. On commence par déterminer la pente ou le coefficient angulaire de la droite qui
se note souvent par m :
b2 − a2
m=
b 1 − a1
sous hypothèse que b1 ̸= a1 . On écrit alors l’équation sous la forme
D = AB ≡ y = mx + p
le réel p s’appelle ordonnée à l’origine et se calcule en observant que A ou B appartient à la
droite AB :
a2 = ma1 + p ⇔ p = a2 − ma1 ou b2 = mb1 + p ⇔ p = b2 − mb1
♢ E XEMPLE : Soit à déterminer une équation de la droite passant par les points A(2, 3) et
B(1, 1). On voit bien que les points sont distincts. On calcule la pente par
1−3
m= = 2.
1−2
On obtient l’ordonnée à l’origine
p = a2 − ma1 = 3 − 2.2 = −1 ou p = b2 − mb1 = 1 − 2.1 = −1.
D’où l’équation est
AB ≡ y = 2x − 1.

Lorsque a1 = b1 , c’est-à-dire lorsque les points A et B ont même abscisse, la droite AB est
parallèle à l’axe des ordonnées et pour équation
AB ≡ x = a1 .
 5. ÉTUDE DES COUPLES DE VARIABLES QUANTITATIVES 33

Lorsque a2 = b2 , c’est-à-dire lorsque les points A et B ont même ordonnée, la droite AB est
parallèle à l’axe des abscisses et pour équation

AB ≡ y = a2 .

♢ E XEMPLE : On donne les points A = (2, 3), B(1, 1) et C = (2, 1).

Déterminons une équation pour chacune de droites AC et BC.
Pour la droite AC, les points A et C ayant même abscisse,
AC ≡ x = 2
De même,
BC ≡ y = 1.
C’est une parallèle à l’axe des abscisses.
Plus généralement, deux droites D1 et D2 sont parallèles lorsqu’elles ont même coefficient
angulaire : m1 = m2 .
♢ E XEMPLE : On donne les points A = (1, 3) et B = (−1, 2) et C = (0, 2) et la droite D
d’équation D ≡ y = x. On demande d’écrire une équation cartésienne de
la droite D′ passant par C et parallèle à AB. Les droites D et D′ sont-elles
parallèles ?
On a
2−3 1
D′ ≡ y = mx + p avec m = =
−1 − 1 2
On calcule p en utilisant le fait que C ∈ D′ :
1
p = y − mx = 2 − × 0 = 2.
2
On écrit alors
1
D′ ≡ y = x + 2.
2
La pente de D vaut 1; elle est bien différente de celle de D′ : les droites D
et D′ ne sont donc pas parallèles.

5.4. La méthode des points moyens ou méthode de Mayer. On scinde le nuage complet
en deux sous-nuages ayant à peu près le même nombre de points, le premier sous-nuage
contenant les points ayant les plus petites abscisses. On calcule les coordonnées des points
moyens des deux sous-nuages. La droite de Mayer est la droite passant par ces deux points.
On peut montrer qu’elle passe aussi par le point moyen du nuage. Cette méthode est très
rapide et fournit une droite tout à fait convenable lorsque les points du nuage sont « presque »
alignés. Malheureusement, celle-ci ne permet pas de donner une mesure de sa fiabilité.
La méthode
La série statistique est donnée sous la forme d’un tableau à deux variables x et y. L’objectif
est de rechercher une corrélation affine entre les deux variables de la forme : y = mx + p. On
admet que cette corrélation est réalisable.

(1) On commence par séparer ce tableau en deux parties : les deux sous-nuages.

(2) On calcule ensuite les coordonnées des points moyens G1 et G2 de chaque sous-nuage.

(3) On trace la droite DG1 G2 appelée droite d’ajustement du nuage ou droite de Mayer
dont on détermine une équation y = mx + p.

(4) On utilise cette équation pour réaliser des estimations en dehors des valeurs connues
xi et yi du tableau.
 5. ÉTUDE DES COUPLES DE VARIABLES QUANTITATIVES 34

♢ E XEMPLE : La fréquentation touristique d’une station balnéaire est donnée de 1994 à

2001 dans le tableau :

Année 1994 1995 1996 1997 1998 1999 2000 2001

Rang xi 1 2 3 4 5 6 7 8
Nombre de touristes
yi en milliers 24,4 26,3 27,8 29,5 30,7 32,8 34,4 35,7
(1) Représenter le nuage de points (xi , yi ) dans un repère orthogonal
du plan.
(2) Calculer les coordonnées des points moyens moyens G1 et G2 des
deux sous-nuages.
(3) Placer ces points et tracer la droite d’ajustement du nuage DG1 G2 .
(4) Determiner une équation de cette droite sous la forme y = mx + p
(5) On suppose que l’ajustement du nuage par la droite permet de
formuler des prévisions.
Déterminer le nombre de touristes que l’on peut prévoir en 2004.
A partir de quelle année la fréquentation touristique dépassera
45000 touristes ?

Corrigé non détaillé

40
38
36 •
34 •
32 ••
• G2
30 •
28 •
26 ••
24 • G1
22
20
18
16
14
12
10
8
6
4
2
0 1 2 3 4 5 6 7 8 9

On remarque la forme « allongée » du nuage de points, ce qui permet d’envisager l’ajustement

réalisé et la corrélation entre X et Y .
(1) Points moyens :
G1 (2, 5; 27) et G2 (6, 5; 33, 4) ces coordonnées sont obtenues en calculant les moyennes
arithmétiques des coordonnées respectives des points de chaque sous-nuage.
La droite d’ajustement et la représentation graphique :DG1 G2 a une équation : y =
1, 6x + 23 cette équation est obtenue en utilisant la méthode rappelée ci-avant.
(2) Estimations :
(a) En 2004, x = 11 et en remplaçant dans l’équation, on obtient ŷ = 1, 6×11+23 = 40, 6
soit 40600 touristes. On remarque la notation ŷ de l’estimation.
(b) ŷ ⩾ 45 soit : 1, 6x̂ + 23 ⩾ 45 donne après résolution : x̂ ⩾ 13, 75 soit en 2007.
(3) Représentation du nuage et de la droite d’ajustement :
 5. ÉTUDE DES COUPLES DE VARIABLES QUANTITATIVES 35

♢ E XEMPLE : On veut isoler un mur en béton par une couche d’isolant. On mesure la
résistance thermique y en unité SI* du mur après isolation en fonction
de l’épaisseur de la couche isolante x en cm. Les résultats sont dans le
tableau :
épaisseur xi 2 4 6 8 10 12 15 20
résistance yi 0.83 1.34 1.63 2.29 2.44 2.93 4.06 4.48
(1) Représenter le nuage de points associé à cette série.
(2) En détaillant la méthode complète, déterminer une équation de la
droite d’ajustement du nuage et tracer cette droite. Ne pas oublier
de placer G1 et G2 .
(3) A l’aide de l’ajustement trouvé, quelle résistance peut-on espérer
pour un mur protégé par une épaisseur de 25 cm d’isolant ?
Quelle épaisseur d’isolant faut-il prévoir pour obtenir une résis-
tance du mur de 3, 50 unité SI* ? (on admet que l’on peut utiliser
l’ajustement dans cette dernière situation)
Placer clairement les points correspondants sur le graphique en les
nommant A et B .
*SI : système international

4.5 •
4 •
3.5 •
G2
3 •
2.5
• •
2

1.5 • •
• G1
1
•
0.5

1 2 3 4 5 6 7 8 9 10 11 12 15 20

0
Corrigé non détaillé
(1) Série statistique à deux variables :
Les points moyens sont : G1 (5; 1, 52) et G2 (14, 25; 3, 48) L’équation de la droite de
Mayer, obtenue avec la méthode du cours est
y = 0, 21 x + 0, 47
(2) Estimations :
En utilisant : y = 0, 21 x + 0, 47 et en remplaçant x ou y par les valeurs proposées, on
obtient :
ŷ = 5, 75 USI et x̂ = 14, 36 cm
 5. ÉTUDE DES COUPLES DE VARIABLES QUANTITATIVES 36

(3) Représentation graphique :

5.4.1. Enoncé. Le tableau ci-dessous donne la consommation de fuel domestique d’une
habitation par jour en fonction de la température extérieure moyenne.
Température en °C ti −5 −4 −1 2 5 7 9 11
Consommation en litres yi 38 36 30 28 25 20 15 12
(1) Représenter le nuage de points et justifier un ajustement affine.
(2) En détaillant toutes les étapes déterminer une équation de l’ajustement par la méthode
des points moyens. On donnera l’équation sous la forme y = mt + p où t est la
température et y la consommation.
(3) Donner une estimation de la consommation de fuel un jour où la température exté-
rieure moyenne est de −10 °C.
(4) Donner une estimation de la température extérieure un jour où la consommation de
fuel est de 9 l.
Représentation graphique

40
•
• 35
•
G1 • 30
•
25 •
20 •
•
15 G2 •
•
10

−6 −5 −4 −3 −2 −1 0 1 2 3 4 5 6 7 8 9 10 11

5.4.2. Corrigé non détaillé.

(1) On obtient le nuage et la droite d’ajustement ∆G1 G2 avec les points : G1 (−2; 33) et
G2 (8; 18). L’ajustement est justifié par la forme du nuage.
(2) Une équation de la droite des points moyens est obtenue avec la méthode du cours.
18−33
On obtient : m = 8−(−2) = −1, 5 18 = −1, 5 · 8 + p p = 18 + 12 = 30
soit finalement : y = −1, 5 t + 30
(3) Les estimations sont obtenues avec l’équation précédente et vérifiées sur le graphique :
si t = −10 on obtient y = −1, 5 · (−10) + 30 = 45 soit 45 l de fuel.
−21
Si y = 9, on résoud : −1, 5 t + 30 = 9 ce qui donne t = −1,5 = 14 soit une température
de 14 °C.
5.5. Méthode des moindres carrés. On reste toujours dans cette idée de points Mi (xi ; yi )
approximativement alignés et d’une relation du type y = mx + p « résumant » correctement
une corrélation entre les deux variables X et Y . Pour chaque valeur xi observée, la valeur
calculée correspondante ŷi = mxi + p diffère de la valeur observée yi d’un écart résiduel δi qui
peut être positif ou négatif. On a donc pour chaque couple d’observation (xi , yi ), la relation
suivante :
δi = yi − ŷi = yi − (m · xi + p)
 5. ÉTUDE DES COUPLES DE VARIABLES QUANTITATIVES 37

Un ajustement affine (on dit souvent linéaire ; c’est un abus) par la méthode des moindres
carrés, consiste à déterminer la fonction du premier degré

f : x 7−→ mx + p

telle que la somme des carrés de résidus des y en x

N
X
S= [yi − (mxi + p)]2
i=1

soit minimale.
Avant de poursuivre, disons un mot sur quelques notions importantes de l’étude statistique
de deux variables.

D ÉFINITION 20. On appelle covariance de X et Y la moyenne des produits des écarts de

chaque variable à sa moyenne
N
1 X
Cov(X, Y ) = (xi − x) (yi − y)
N i=1

Lorsque les données sont groupées en classes, on adapte cette définition par
K L K L
!
1 XX 1 XX
Cov(X, Y ) = nij (xi − x)(yj − y) = nij xi yj − x y
N i=1 j=1 N i=1 j=1

On note aussi
Cov(X, Y ) = σXY = σ(X, Y )
□ R EMARQUE : Le calcul de la covariance donne une information précieuse sur la forme
du nuage de points.
♢ E XEMPLE : On donne le tableau suivant

X 1 2 3 4 5 6 7 8 9 10 11 12
Y 40 42 44 45 48 50 52 55 58 63 68 70

Calculons la covariance Cov(X, Y ). On a directement les moyennes X =

635
6, 5 et Y = = 52, 92. On dresse le tableau suivant
12
xi − X yi − Y (xi − X)(yi − Y ) xi yi
1-6,5=-5,5 40-52,92=-12,92 71,06 40
2-6,5=-4,5 42-52,92=-10,92 49,14 84
3-6,5=-3,5 44-52,92=-8,92 31,22 132
4-6,5=-2,5 45-52,92=-7,92 19,8 180
5-6,5=-1,5 48-52,92=-4,92 7,38 240
6-6,5=-0,5 50-52,92=-2,92 1,46 300
7-6,5=0,5 52-52,92=-0,92 -0,46 364
8-6,5=1,5 55-52,92=2,08 3,12 440
9-6,5=2,5 58-52,92=5,08 12,7 522
10-6,5=3,5 63-52,92=10,08 35,28 630
11-6,5=4,5 68-52,92=15,08 67,86 748
12-6,5=5,5 70-52,92=17,08 93,94 840
 5. ÉTUDE DES COUPLES DE VARIABLES QUANTITATIVES 38

♢ E XEMPLE : Suite de l’exemple

Par suite,
71, 06 + 49, 14 + · · · + 35, 28 + 67, 86 + 93, 94
Cov(X, Y ) = = 32, 7
12
Ou encore
40 + 84 + 132 + · · · + 630 + 748 + 840
Cov(X, Y ) = − 6, 5 × 52, 92
12
= 376, 67 − 343, 98 = 32, 69
Un dernier exemple avant de revenir à la « méthode des moindres carrés ».
♢ E XEMPLE : On donne le tableau suivant(exemple traité dans les pages précédentes.)
Y
X [0, 4[ [4, 8[ [8, 12[ [12, 16[ [16, 20[ Totaux lignes
[0, 4[ 3 4 2 0 0 9
[4, 8[ 6 10 8 2 0 26
[8, 12[ 1 8 20 12 3 44
[12, 16[ 0 0 8 7 3 18
[16, 20[ 0 0 1 0 2 3
Totaux co- 10 22 39 21 8 100
lonnes

On rappelle que x = 9, 2 et Y = 9, 8.
D’où
3 × 2 × 2 + 4 × 2 × 6 + · · · + 0 × 18 × 14 + 2 × 18 × 18
Cov(X, Y ) =
100
− 9, 2 × 9, 8 = 9, 6
Arrêtons un moment avec les exemples et revenons à nos moutons...

Avec les notations précisées précédemment, la somme S est minimale pour

Cov(X, Y )
m=
Var(X)
et ce qui suit explique pourquoi.
5.5.1. Première étape : le point G est sur cette droite. On considère la somme
n
X
S= [yi − (m · xi + p)]2
i=1

comme un polynôme du second degré en p.

En effet,
[yi − (m · xi + p)]2 = [(yi − m · xi ) − p]2 = (yi − m · xi )2 − 2p (yi − m · xi ) + p2
donc
n
X n
X
[yi − (m · xi + p)]2 = (yi − m · xi )2 − 2p (yi − m · xi ) + p2
 
i=1 i=1
n
X n
X n
X
= (yi − m · xi )2 − 2p (yi − m · xi ) + p2
i=1 i=1 i=1
n
X n
X
= (yi − m · xi )2 − 2p (yi − m · xi ) + np2
i=1 i=1
 5. ÉTUDE DES COUPLES DE VARIABLES QUANTITATIVES 39

Le polynôme S est un polynôme du second degré en p de la forme

S = A · p2 + B · p + C
avec
n
X n
X
A=n , B =−2 ( yi − axi ) et C = (yi − m · xi )2
i=1 i=1
B
Comme n > 0, la somme S est minimale pour p = −
2A
Soit
Xn
2 (yi − m · xi ) n
i=1 1X
p= = (yi − m · xi )
2n n i=1
n n n n
1X 1X 1X 1X
= yi − m · xi = yi − m · xi
n i=1 n i=1 n i=1 n i=1
Or
n n
1X 1X
yi = y et xi = x
n i=1 n i=1
Donc la somme S est minimale pour :
p = y − mx
Cette dernière égalité peut encore se réécrire :
y = mx + p
D’où la propriété suivante :
La droite d’ajustement affine par la méthode des moindres carrés passe par le point moyen
du nuage.
5.5.2. Deuxième étape : détermination de la pente. Pour déterminer m remplaçons p par son
expression, ce qui donne
n
X n
X
2
S= [yi − (m · xi + y − mx)] = [(yi − y) − m (xi − x)]2
i=1 i=1

Développons la somme S de manière à obtenir un polynôme du second degré en m :

n
X n
X 2
(yi − y)2 − 2m (yi − y) (xi − x) + m2 (xi − x)2
 
[(yi − y) − m (xi − x)] =
i=1 i=1
Xn n
X n
X
= (yi − y)2 − 2m (yi − y) (xi − x) + m2 (xi − x)2
i=1 i=1 i=1
n
X n
X n
X
= (yi − y)2 − 2m (yi − y) (xi − x) + m2 (xi − x)2
i=1 i=1 i=1

S est un polynôme du second degré en m de la forme

S = A · m2 + B · m + C
avec
n
X n
X n
X
2
A= (xi − x) = 2
n.σX , B =−2 (yi − y) (xi − x) et C = (yi − y)2 = n.σY2
i=1 i=1 i=1
2
où σX est la variance de la première série statistique et σY2 celle de la deuxième série statistique.
 5. ÉTUDE DES COUPLES DE VARIABLES QUANTITATIVES 40

2 B
Comme σX > 0, la somme S est minimale pour m = − . Soit
2A
n n
X 1X
2 (yi − y) (xi − x) (yi − y) (xi − x)
i=1
n i=1 σXY
m= 2
= 2
= 2
2n.σX σX σX
5.5.3. Coefficient de corrélation. Le coefficient de corrélation linéaire de X et Y , noté
r(X, Y ) ou Corr(X, Y ), est défini par :
Cov(X, Y )
r(X, Y ) =
σ(X) · σ(Y )
Le coefficient de corrélation (introduit par K. Pearson en 1896) a pour objectif de quantifier
le degré de dépendance entre deux variables. La pertinence de cette mesure a très vite été
contestée (notamment par M. Fréchet en 1934) et il s’est avéré que le coefficient de corrélation
n’est pas au sens mathématique du terme une mesure de dépendance.
La valeur de r est telle que
−1 ⩽ r ⩽ 1
Un bon ajustement doit donner une valeur telle que |r| soit voisin de 1. En l’absence de
renseignements complémentaires, on admet généralement qu’un coefficient de corrélation
supérieur en valeur absolue à 0,75 justifie la recherche d’un alignement statistique. (|r| ⩾ 0, 75)
On peut se reporter au tableau suivant pour interpréter le résultat :
Parfaite Forte Moyenne Faible Inexistante Faible Moyenne Forte Parfaite
-1 ]-1 ; -0,87] ]-0,87 ; -0,75] ]-0,75 ; -0,5] ]-0,5 ; 0,5[ [0,5 ; 0,75[ [0,75 ; 0,87[ [0,87 ; 1[ 1
Le coefficient de corrélation n’est pas sensible aux unités de chacune des variables. Par
exemple, le coefficient de corrélation linéaire entre l’âge et le poids d’une personne sera
identique que l’âge soit mesuré en semaines, en mois ou en années.
□ R EMARQUES :
(1) si |r| = 1, il existe une relation fonctionnelle linéaire entre X et Y
(2) si r = 0, Y est indépendante de X : la covariance est nulle et la droite de régression est
horizontale
(3) la liaison entre X et Y est d’autant plus intime que |r| est voisin de 1, et d’autant plus
faible que |r| est voisin de 0.
(4) La droite d’ajustement affine de y en x par la méthode des moindres carrés est aussi
appelée droite de régression de y en x par la méthode des moindres carrés.
(5) Le lien mis en évidence entre deux variables quantitatives x et y par la droite d’ajus-
tement affine ne signifie pas nécessairement que l’une soit la cause de l’autre, mais
simplement qu’il existe une corrélation dans l’évolution des deux variables. Générale-
ment, il existe une troisième variable dont dépendent les deux premières.
♢ E XEMPLE : Qu’il existe une corrélation forte entre le rendement des impôts en
Angleterre et la criminalité au Japon, indique que les deux sont liés à
l’augmentation globale de la population.
(6) La covariance est un indicateur du sens de la variation simultanée des séries quantita-
tives x et y. Si les données x et les données y croissent globalement en même temps,
alors σXY ⩾ 0, tandis que si la tendance des données y est décroissante lorsque les
données x croissent alors σXY ⩽ 0.
(7) Le carré du coefficient de corrélation est le coefficient de détermination (r2 ). Le coeffi-
cient de détermination est une mesure de la précision de l’ajustement de la droite de
régression. D’une valeur comprise entre 0 et 1, il mesure l’adéquation entre le modèle
et les données observées.
 5. ÉTUDE DES COUPLES DE VARIABLES QUANTITATIVES 41

♢ E XEMPLE : r2 = 35% signifie que 35% des variations de la variable dépendante sont
expliqués par le modèle de régression et que 65% restent par conséquent
inexpliqués.
♢ E XEMPLE : Un organisme bancaire du secteur hôtelier a besoin de prévoir en fonction
du montant des prêts accordés aux professionnels quelles sommes il doit
lui-même emprunter sur les marchés financiers. Pour cela il réalise une
étude sur les 12 trimestres écoulés. Le montant global des prêts accordés
chaque trimestre est donné en millions d’euro. Tous les calculs sont faits à
0, 1 près.
Rang du trimestre xi 1 2 3 4 5 6 7 8 9 10 11 12
Montant yi 40 42 44 45 48 50 52 55 58 63 68 70
(1) On envisage de résumer quantitativement les valeurs observées à
l’aide d’un ajustement affine des 12 points (xi ; yi ).
(a) Donner une équation de la droite ∆1 d’ajustement par la mé-
thode des moindres carrés.
(b) Déterminer une estimation des prêts accordés au quatrième tri-
mestre 2003 sachant que le point (1; 40) est celui du quatrième
trimestre 2000.
(2) Cette extrapolation des données repose sur les 12 trimestres pré-
cédents l’étude, mais pour tenir compte de l’évolution récente, on
se limite aux quatre dernières observations. Reprendre alors la mé-
thode des moindres carrés pour déterminer une équation du nouvel
ajustement affine ∆2 et donner la prévision plus réaliste pour le
quatrième trimestre 2003.
(3) Dans un repère orthogonal, représenter le nuage des 12 points et
les deux droites ∆1 et ∆2 . Unités graphiques : 1 cm pour 1 rang
sur l’axe des abscisses et 1 cm pour 5 millions d’euro sur l’axe des
ordonnées en commençant à la graduation 35.
Solution sommaire
(1) On sait que Cov(X, Y ) = 32, 69. On calcule les variances : Var(X) =
54, 17 − 6, 52 = 11, 92 et Var(Y ) = 2892, 92 − 52, 922 = 92, 40. On
obtient alors
32, 69
m= = 2, 74 et p = y − mx = 35, 09
11, 92
On en déduit l’équation de la droite : y = 2, 7x + 35. On calcule aussi
r = 0, 98. L’ajustement est justifié.
(2) x = 16 donne la valeur estimée : y = 2, 7 · 16 + 35 = 78, 2 millions
d’euros.
(3) On obtient en gardant la même numérotation des trimestres :
y = 4, 1x + 21, 7 et r = 0, 98. L’ajustement est de bonne qualité.
La prévision est alors : y = 4, 1 · 16 + 21, 7 = 87, 3 millions d’euros.
La calculatrice fournit toutes les valeurs utiles de l’ajustement ou régression linéaire.
CHAPITRE 3

PYTHON ET STATISTIQUES DESCRIPTIVES

1. Paramètres simples

42
 1. PARAMÈTRES SIMPLES 43

1.1. Comparaison des moyennes. Pour les ensembles de données contenant des valeurs
positives avec au moins une paire d’individus inégaux, la moyenne géométrique est inférieure
à la moyenne arithmétique. De plus, en raison de sa nature multiplicative, la moyenne
géométrique peut être utilisée pour comparer les entrées à différentes échelles.
Vintage Rater Rate Vintage Rater Rate
2249 Musiker 3.5 2286 Musiker 4.5
Raffi 80 Raffi 75
Dans ce cas, Musiker a fourni ses notes dans une échelle de 1 à 5, alors que Raffi a attribué
une note sur une échelle de 1 à 100. Si nous devions prendre la moyenne arithmétique des
données brutes, nous aurions la vision biaisée suivante :
 1. PARAMÈTRES SIMPLES 44

(1) Millésime 2249 : (3,5 + 80)/2 = 41,75

(2) Millésime 2286 : (4,5 + 75)/2 = 39,75
Nous avons des notes pour un vin Château Picard en deux échelles différentes.
Avec la moyenne arithmétique, le millésime 2249 semble le meilleur vin. Cependant, le fait
que nous ayons des notes avec des échelles différentes signifient que les grands nombres
auront une grande influence sur la moyenne arithmétique. Utilisons la moyenne géométrique
pour voir comment les choses se passent : la moyenne géométrique nous permet de faire une
meilleure comparaison.
√
(1) Millésime 2249 : 3, 5 × 80 = 16, 73
√
(2) Millésime 2286 : 4, 5 × 75 = 18, 37

Notez que la moyenne de l’harmonique est toujours est la moindre des trois moyennes
discutées. La moyenne arithmétique étant la plus grande de trois. La moyenne harmonique
est une mesure de centralité utile lorsque nous sommes intéressés par des données relatives
aux ratios ou aux taux. En particulier pour le ratio P/E, Coûts/Bénéfices. Considérons la
situation suivante.
Entreprise Capitalisation Revenus Ratio P/E
Weyland Corp 60 milliards USD 2.5 milliards USD 23
Cyberdyne Systems 40 milliards USD 3 milliards USD 13.33

♢ E XEMPLE : Suppososns maintenant que nous avons fait un investissement de 20 %

dans Wayland et le reste dans Cyberdyne. Nous pouvons calculer le Rap-
port P/E avec une moyenne harmonique pondérée définie comme par :
Pn
wi 0.2 + 0.8
Pn i −1 = 0.2 0.8 = 14.63.
i w i xi 24
+ 13.33
La moyenne arithmétique surestime le résultat
(0, 2)(24) + (0, 8)(13, 22) = 18, 93.
Un autre exemple.
♢ E XEMPLE : Un chauffeur parti dépanner un autre fait 180 km en 2.6 h. Le retour
s’effectue en 8h. Quelle est la vitesse moyenne ? La moyenne arithmétique
donne le résultat suivantt
 
180 180
0.5 + = 45.86 km/h.
2.6 8
La moyenne harmonique est
0.5 + 0.5
180 −1

−1 = 33.96 km/h.
+ 0.5 × 180


0.5 × 2.6 8
La valeur de la moyenne harmonique, contrairement à la moyenne arith-
métique, indique combien le voyage aller a été très rapide.
 2. VISUALISATION 45

□ R EMARQUE : En machine learning (ou en IA) on compare l’efficacité de plusieurs al-

gorithmes de classification avec le F1 -score : ce n’est rien d’autre que la
moyenne harmonique du rappel et de la precision.
1.2. La dispersion.
1.2.1. Étendue . La méthode .ptp() (peak-to-peak) de NumPy peut être utilisée

2. Visualisation
2. VISUALISATION 46
2. VISUALISATION 47
2. VISUALISATION 48
2. VISUALISATION 49
2. VISUALISATION 50
2. VISUALISATION 51
2. VISUALISATION 52
2. VISUALISATION 53
2. VISUALISATION 54
2. VISUALISATION 55
2. VISUALISATION 56
CHAPITRE 4

NOTIONS DE PROBABILITÉ

Objectifs
• Connaître les notions d’expérience aléatoire et d’événement.
• Comprendre la notion d’univers probabilisable.
• Comprendre la notion de probabilité.
• Comprendre la notion de probabilité conditionnelle.
• Connaître la notion d’indépendance.
• Savoir appliquer le théorème de Bayes et la formule des probabilités totales.
Historiquement, la notion de probabilité s’est dégagée à partir d’exemples simples empruntés
aux jeux de hasard (le mot hasard vient de l’arabe az-zahr : le dé).

1. Vocabulaire
1.1. Expérience aléatoire.
D ÉFINITION 21. On appelle expérience aléatoire une expérimentation ou un phénomène
conduisant à plusieurs résultats et pour lequel on ne peut pas savoir a priori quel résultat se
produira 1.
Une autre façon de le dire : une expérience aléatoire est une expérience renouvelable, en
théorie ou en pratique, et qui, renouvelée dans des conditions identiques ne donne pas
forcément le même résultat à chaque renouvellement.
Ces différents résultats sont appelés issues

D ÉFINITION 22. L’univers des possibles (ou univers), noté Ω (prononcer grand oméga), est
défini par l’ensemble de tous les résultats possibles qui peuvent être obtenus au cours d’une
expérience aléatoire.
Donnons nous deux exemples d’expériences aléatoires que nous utiliserons plusieurs fois
dans le chapitre.
Expérience 1 . On lance une pièce de monnaie et on regarde la face supérieure.
Les issues possibles de cette expérience aléatoire sont : pile (P), face (F)). On a alors Ω = {P,F}

1. Ou épreuve (ou encore cas) suivant les différentes littératures ou les différents auteurs.
57
 2. NOTIONS DE PROBABILITÉ 58

Expérience 2 . On jette un dé et on observe la face supérieure.

Les issues de cette expérience aléatoire sont les nombres : 1 ; 2 ; 3 ; 4 ; 5 ; 6. On note alors
Ω = {1 , 2 , 3 , 4 , 5 , 6}.
1.2. Événements.
D ÉFINITION 23. On appelle événement une partie de l’ensemble des issues d’une expérience
aléatoire.
L’événement est dit élémentaire s’il ne correspond qu’à une seule et unique issue.
Pour désigner un événement, on a l’habitude de procéder de deux manières :
• soit par une phrase explicite qui définit clairement les issues que l’on souhaite garder.
Dans l’expérience 2, on pourrait considérer l’événement : « le nombre désigné par la
face supérieure du dé est pair », qui correspondrait à la partie {2 ; 4 ; 6} de toutes les
issues possibles de l’expérience.
• soit par les issues elles-mêmes.
Dans l’expérience 1, on pourrait considérer l’événement : « pile ».
C’est un événement élémentaire.
Dans les deux cas, on peut nommer l’événement d’une lettre majuscule (« soit A l’événement. . . »)
D ÉFINITION 24. Deux événements sont dits incompatibles s’ils ne peuvent pas se produire
en même temps.
E XEMPLE 1. On revient aux deux cas précédents.
• Dans l’expérience 1, les événements « pile » et « face » sont incompatibles. En effet, si
une face de la pièce est montrée, l’autre est cachée.
• Dans l’expérience 2, les événements « la face supérieure du dé est 1 » et « la face
supérieure du dé est 2 » sont incompatibles. En effet, un dé immobilisé ne peut
montrer les faces 1 et 2 en même temps.

2. Notions de probabilité
Lorsqu’on fait une expérience aléatoire, on peut la renouveler un certain nombre de fois et
calculer à chaque fois la fréquence (au sens statistique) d’un événement particulier. Celle-ci
correspond au rapport du nombre de fois où l’événement se produit au nombre de fois où
l’expérience est réalisée.
Sur un petit nombre d’expériences, cette fréquence peut beaucoup varier. Par contre, si l’on
renouvelle l’expérience un très grand nombre de fois (à l’aide d’une calculatrice ou d’un
tableur par exemple), on voit cette fréquence qui variait beaucoup se stabiliser autour d’une
valeur.
 2. NOTIONS DE PROBABILITÉ 59

Le calcul des probabilités se propose de déterminer cette fréquence théorique dans ce dernier
cas, où l’expérience aléatoire est renouvelée un très grand nombre de fois. . .
Ce qui nous amène à considérer la définition suivante.

2.1. Définitions.
D ÉFINITION 2.1. La probabilité d’un événement A est noté Pr(A) et correspond au rapport :
nombre d′ issues favorables
Pr(A) =
nombre d′ issues possibles
□ R EMARQUES : (1) La définition ci-dessus n’a de sens que si les résultats de l’ex-
périence ont la même "chance" d’aboutir (i.e dans une situation
d’équiprobabilité – voir définition 26). Dans le cadre de l’expérience
2, cette formule ne serait pas valable si le dé utilisé était pipé...
(2) Il faut bien retenir que la probabilité d’un événement n’a rien de
prédictif ! Il n’a que le sens de sa définition, à savoir : "si on re-
nouvelle un très grand nombre de fois l’expérience, la fréquence
de l’événement considéré sera un nombre proche de la probabilité
calculée".
E XEMPLE 2. Cherchons les probabilités des événements du paragraphe 1.2 précédent.
• Dans l’expérience 1, considérons l’événement A : "pile".
C’est un événement élémentaire donc il n’y a qu’une seule issue favorable. Le nombre
d’issues possible est 2. On en conclut que Pr(B) = 21 .
• Dans l’expérience 2, considérons l’événement B : "le nombre désigné par la face
supérieure du dé est pair".
Il y a 3 issues favorables et 6 issues possibles donc Pr(B) = 63 = 12 .
D ÉFINITION 25. Cas particuliers Considérons un évènement A.
• Lorsque Pr(A) = 0 alors l’événement est dit impossible.
• Lorsque Pr(A) = 1 alors l’événement est dit certain.
E XEMPLE 3. Simple illustration.
• Dans l’expérience 1, considérons l’événement Z : "la pièce se positionne sur la tranche".
L’issue "tranche" ne fait pas partie des issues possibles donc Pr(Z) = 0 et l’événement
Z est impossible.
• Dans l’expérience 2, considérons l’événement Y : "la face supérieure du dé est un
nombre inférieur ou égal à 6". Il est clair que les issues possibles sont toutes des issues
favorables à l’événement Y . On a donc Pr(Y ) = 1 et l’événement Y est certain.
D ÉFINITION 26. Équiprobabilité.
Lorsque les événements élémentaires d’une même expérience aléatoire ont des probabilités
égales on dit alors qu’il y a équiprobabilité.
E XEMPLE 4. On revient au cas précédent.
• Dans l’expérience 1, les événements "pile" et "face" ont tous deux des probabilités
égales à 12 . Ils sont donc équiprobables.
• Dans l’expérience 2, les événements élémentaires "la face supérieure du dé est le
nombre n" où n est un nombre entier compris entre 1 et 6 ont tous des probabilités
égales à 16 . Ils sont donc équiprobables.
2.2. Propriétés.
P ROPOSITION 2.1. Si A est un événement d’une expérience aléatoire, on a
0 ⩽ Pr(A) ⩽ 1
 3. ARBRES 60

En effet, partons du rapport

nombre d′ issues favorables
.
nombre d′ issues possibles
On a bien que
0 ⩽ nombre d′ issues favorables ⩽ nombre d′ issues possibles.
P ROPOSITION 2.2. La somme des probabilités de tous les événements élémentaires constitués à partir
des issues d’une expérience aléatoire est égale à 1.
E XEMPLE 5. Dans l’expérience 1 du paragraphe 1.1, l’événement A : "pile" et l’événement B :
"face" constituent les seuls événements élémentaires (les seules issues étant pile et face).
On a Pr(A) = 21 et Pr(B) = 12 . On a donc bien Pr(A) + Pr(B) = 21 + 21 = 1.
P ROPOSITION 2.3. Événement contraire.
Soit A un événement. On note A l’événement contraire de A, mathématiquement, c’est le complémen-
taire de A. On a :
Pr(A) + Pr(A) = 1
E XEMPLE 6. Dans l’expérience 2, considérons l’événement B : "la face supérieure du dé est
1". L’événement contraire B de B est "la face supérieure du dé est différente de 1".
On a Pr(B) = 16 . Donc Pr(B) = 1 − Pr(B) = 1 − 16 = 56 . Il y a bien 5 issues favorables (tous les
nombres 2 ; 3 ; 4 ; 5 ; 6 conviennent) parmi 6 issues possibles.
P ROPOSITION 2.4. Événements incompatibles.
On considère deux événements A et B incompatibles.
Soit C l’événement "A ou B se produit" ; qu’on note aussi A ∪ B. On a alors
Pr(C) = Pr(A) + Pr(B)
E XEMPLE 7. Dans l’expérience 2, considérons l’événement A : "la face supérieure du dé est 1
ou 6".
La probabilité de l’événement : "la face supérieure du dé est 1" vaut 16 .
La probabilité de l’événement : "la face supérieure du dé est 6" vaut 16 aussi.
Les deux événements ci-dessus étant incompatibles, on en déduit que
1 1 2 1
Pr(A) = + = = .
6 6 6 3
3. Arbres
3.1. Un support visuel. On a l’habitude de visualiser toutes les issues possibles d’une
expérience aléatoire à l’aide d’un arbre, appelé arbre des possibles.

Expérience 1 Expérience 2
Les issues possibles sont 1 ; 2 ; 3 ; 4 ; 5 ; 6.
On note P et F les issues "pile" et "face" res- On construit alors l’arbre suivant :
pectivement. 1
On construit alors l’arbre suivant :
2

P 3

5
F 6

On peut aussi indiquer sur chaque branche de l’arbre les probabilités des événements élé-
mentaires correspondants à chacune des issues possibles : l’arbre est alors un arbre pondéré.
 3. ARBRES 61

Expérience 1 Expérience 2
1
1/6 2
1/6
1 P 1/6 3
2
1/6
4
1/6
1/6 5
1
2 F 6

3.2. Exemple d’utilisation. On se donne une urne (figure 1) dans laquelle sont placées 12
boules indiscernables au touché et toutes marquées d’un numéro de 1 à 5.

1
1/3
2
1/6
1/4 3
1 3 2 1
1/6
4
3 1 4 5 1/12

5
2 3 4 1
F IGURE 2. Arbre pondéré
F IGURE 1. Urne contenant 12 de l’expérience : "on tire une
boules numérotées de 1 à 5 boule et on lit son numéro"

Considérons l’événement A :"la boule tirée ne porte pas le numéro 1"

1/3
2
1/6 1
1
3

1/4 3 correspond à
2
Non 1 3
1/6
4
Non 1
1/12

F IGURE 3. Utilisation d’un arbre pondéré

Additionnons les probabilités des différentes issues autres que 1 (figure 3) :

1 1 1 1 8 2
+ + + = =
6 4 6 12 12 3
.
2
On a donc Pr(A) = 3
qui est la probabilité que la boule tirée ne porte pas le no 1.
 4. PROBABILITÉ CONJOINTE 62

4. Probabilité conjointe
La probabilité que deux événements A et B se réalisent est appelée probabilité conjointe de
A et B, notée Pr(A ∩ B) et s’énonçant probabilité de A et B. Le calcul de cette probabilité
s’effectue de manière différente selon que A et B sont dépendants ou indépendants, c’est-à-
dire selon que la réalisation de l’un influence ou non celle de l’autre.

4.1. Événements indépendants. Commençons par un exemple.

E XEMPLE 8. Je lance un dé rouge et un dé vert et je cherche la probabilité d’obtenir un total
de 2. Je dois donc obtenir 1 avec chacun des deux dés. La probabilité d’obtenir 1 avec le dé
rouge est 1/6 et demeurera 1/6 quelque soit le résultat du dé vert.
Les deux événements « obtenir 1 avec le dé rouge » et « obtenir 1 avec le dé vert » sont
indépendants.
P ROPRIÉTÉ 1. Si deux événements sont indépendants, la probabilité qu’ils se réalisent tous les deux
est égale au produit de leurs probabilités respectives. On peut donc écrire :
Pr(A ∩ B) = Pr(A) × Pr(B).
Dans notre exemple : Pr(total = 2) = Pr(dé vert = 1) × Pr(dé rouge = 1) = 1/36.

□ R EMARQUES : • Les tirages avec remise constituent une bonne illustration d’événements
indépendants.
• Pour A et B quelconques,
Pr(A ∪ B) = Pr(A) + Pr(B) − Pr(A ∩ B)
4.2. Événements dépendants - probabilité conditionnelle. Si deux événements sont dépen-
dants plutôt qu’indépendants, comment calculer la probabilité que les deux se réalisent, puisque la
probabilité de réalisation de l’un dépend de la réalisation de l’autre ? Il nous faut connaître pour cela le
degré de dépendance des deux événements qui est indiqué par la notion de probabilité conditionnelle.
D ÉFINITION 27. Soient A et B deux événements, A étant supposé de probabilité non nulle.
On appelle probabilité conditionnelle de B par rapport à A, la probabilité de réalisation de
l’événement B sachant que A est réalisé. On la note
Pr(A ∩ B)
Pr(B|A) = .
Pr(A)
Pr(B|A) se lit « p de B si A » ou « p de B sachant A ».

□ R EMARQUE : L’application :
pB : A 7→ pB (A) = Pr(A|B) : Ω → [0, 1],
est une probabilité sur Ω et vérifie toutes les propriétés d’une probabilité.

D ÉFINITION 28. Une suite d’événements A1 , . . . , An est appelé un système complet si

(1) Chaque Ai contient au moins une issue ; i.e
Ai ̸= ∅, ∀i;
(2) Les événements sont deux à deux incompatibles ; i.e
Ai ∩ Aj = ∅, ∀i ̸= j;
(3) Chaque issue appartient à l’un des événements du système ; i.e
n
∪ Ai = Ω
i=1
 4. PROBABILITÉ CONJOINTE 63

T HÉORÈME 4.1. (Théorème des probabilités composées ou règle de la multiplication).

Pr(A ∩ B) = Pr(B|A) Pr(A) = Pr(A|B) Pr(B).
En voici une généralisation. Soit A1 , . . . , Ak un système complet d’évènements. Alors
k
X k
X
Pr(B) = Pr(B ∩ Aj ) = Pr(Aj ) Pr(B|Aj ).
j=1 j=1

T HÉORÈME 4.2. (Formule de Bayes). Soit A1 , . . . , Ak un système complet d’évènements. Soit E un

évènement de probabilité non nulle. Alors
Pr(Aj ∩ E) Pr(Aj ) Pr(E|Aj )
Pr(Aj |E) = = Pk .
Pr(E) i=1 Pr(A i ) Pr(E|A i )
□ R EMARQUE : Les tirages sans remise constituent une bonne illustration d’événements dépen-
dants.
E XEMPLE 9. Une urne contient 5 boules noires et 3 boules blanches. Quelle est la probabilité
d’extraire 2 boules blanches en 2 tirages ?
Solution
Appelons B1 , l’événement : obtenir une boule blanche au premier tirage.
Appelons B2 , l’événement : obtenir une boule blanche au deuxième tirage.
La probabilité cherchée Pr(B1 ∩ B2 ) est égale à Pr(B1 ) × Pr(B2 |B1 ). Or Pr(B1 ) vaut 3/8 et
Pr(B2 |B1 ) est égale à 2/7 puisque lorsqu’une boule blanche est sortie au premier tirage,
il ne reste plus que 7 boules au total, dont 2 seulement sont blanches. On conclut que
Pr(B1 ∩ B2 ) = 38 × 27 = 28
3
.

Comment aborder un exercice de probabilités ?

Dans de nombreux problèmes, la recherche des solutions peut être facilitée par la démarche suivante.
(1) Déterminer la liste des événements élémentaires ou décrire le contenu de l’univers Ω.
(2) Rechercher la mesure de probabilité associée à cet univers.
• Soit la probabilité est uniforme et dans ce cas, la probabilité d’un événement A est donnée
cardA
par Pr(A) = .
cardΩ
• Soit on détermine la probabilité de chaque événement élémentaire en n’oubliant pas que la
somme de toutes les probabilités de ces événements élémentaires est égale à 1.
(3) Identifier correctement le ou les événements dont on cherche à évaluer la probabilité.
(4) Utiliser la formule appropriée permettant de calculer la probabilité demandée. On pourra se
poser la question suivante : Doit-on calculer la probabilité ?
• D’un événement élémentaire ?
• D’un événement contraire ?
• Événements compatibles ou incompatibles (probabilités totales) ?
• Événements dépendants ou indépendants (probabilités composées) ?
E XEMPLE 10. On jette deux dés non pipés. Quelle est la probabilité d’obtenir un total de 7
points ?
Solution
• L’univers est l’ensemble de tous les résultats possibles lorsqu’on jette deux dés. Imagi-
nons que les deux dés sont reconnaissables et les résultats sont donc tous les couples
(a, b) où a et b sont des nombres compris entre 1 et 6. Il contient donc 36 éléments. On
peut écrire Ω = {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6} et card(Ω) = 36.
• Tous les résultats possibles sont équiprobables. La mesure de probabilité est donc
uniforme sur Ω.
 4. PROBABILITÉ CONJOINTE 64

• L’événement dont on cherche la probabilité est (somme = 7). Il est composé des
événements élémentaires (1, 6), (6, 1), (2, 5) , (5, 2), (3, 4), (4, 3). Ils sont au nombre de
6. On peut écrire : card(somme = 7) = 6.
• Finalement, étant donné que Pr(A) = cardA
cardΩ
, on obtient Pr(somme = 7) = 36 6
= 16 .
E XEMPLE 11. Cette fois-ci les dés sont pipés : les numéros pairs sont deux fois plus probables
que les numéros impairs. Quelle est la probabilité d’obtenir un total différent de 8 ?
Solution
• L’univers est toujours le même.
• On cherche à déterminer la mesure de probabilité sur Ω dans le cas où les dés sont
truqués : elle n’est plus uniforme.
Il faut répondre à la question : lorsqu’on lance un seul dé, quelle est la probabilité de
chaque numéro ?
• Tous les numéros pairs ont la même probabilité que l’on note p+ ; tous les numéros
impairs ont la même probabilité que l’on note p− . L’énoncé nous permet d’écrire que
p+ = 2p− .
• D’autre part, étant donné que les numéros 1,2,3,4,5,6 constituent l’ensemble des ré-
sultats d’un jet de dé, la somme des probabilités de ces 6 résultats vaut 1. D’où
3p+ + 3p− = 1, soit encore 9p− = 1. D’où p− = 91 et p+ = 29 .
• L’événement dont on cherche la probabilité est (somme ̸= 8). Chercher directement la
probabilité de cet événement nous obligerait à considérer beaucoup de cas. Il sera donc
plus rapide de déterminer d’abord la probabilité de l’événement contraire (somme = 8).
Ce dernier est constitué des événements élémentaires (2, 6), (6, 2), (3, 5), (5, 3), (4, 4).
• Les résultats des deux dés sont indépendants. Nous pouvons donc affirmer que
2 2 4
Pr({(2, 6)}) = Pr({2}) × Pr({6}) = × = .
9 9 81
4
De même, Pr({(6, 2)}) = Pr({(4, 4)}) = 81 , alors que
1
Pr({(5, 3)}) = Pr({(3, 5)}) =
81
14 67
• Finalement Pr(somme = 8) = 81 et Pr(somme ̸= 8) = 81 .
CHAPITRE 5

VARIABLES ALÉATOIRES

Objectifs
• Définir la notion de variable aléatoire discrète ou continue.
• Introduire la notion de loi de probabilité.
• Connaître la signification d’une fonction de densité ou d’une fonction de masse.
• Savoir utiliser une fonction de répartition et un quantile.
• Définir la notion de moments.
• Introduire les notions de loi conditionnelle et de loi jointe.
• Définir la notion d’indépendance statistique.
1. Vocabulaire et définition
On considère une expérience aléatoire. On note Ω l’univers de cette expérience.
D ÉFINITION 29. On appelle variable aléatoire (quantitative 1) toute application, notée sou-
vent X, de Ω vers R.
(1) Si l’image de Ω par X est un intervalle de R on dit que la variable est continue.
(2) Si l’image de Ω par X est un ensemble de valeurs isolées de R on dit que la variable X est
discrète.
E XEMPLE 12. Sur une boîte de 6 jetons.
Une boîte contient six jetons sur lesquels sont inscrits les entiers : −3 ; −2 ; 1 ; 2 ; 3 ; 4. Un tirage
consiste à tirer simultanément deux jetons. On considère la variable aléatoire X qui à chaque
tirage associe la somme des deux entiers inscrits sur les deux jetons tirés. L’ensemble des va-
leurs prises par X, noté X(Ω), est l’image de Ω par X, X(Ω) = {−5; −2; −1; 0; 1; 2; 3; 4; 5; 6; 7}.
La variable aléatoire X est discrète.
1.1. Probabilité image définie par une variable aléatoire.
• On définit une nouvelle probabilité définie sur X(Ω)
• Pour tout k de X(Ω), on note Pr(X = k) = Pr({ω ∈ Ω|X(ω) = k})
□ R EMARQUE : Puisque les événements élémentaires {k}k=X(ω) , constituent un système exhaustif
de X(Ω), lorsque ω parcourt tout l’univers Ω, on a bien que
X
Pr(X = k) = 1
k∈X(Ω)

1. La notion de variable aléatoire qualitative peut semblablement être introduite.

65
 2. LOI DE PROBABILITÉ – FONCTION DE RÉPARTITION 66

E XEMPLE 13. Pour l’exemple précédent Sur une boîte de 6 jetons,

2
Pr(X = 0) = Pr({(−3; 3); (−2; 2)}) =
15
En effet, on a  
6 6!
Card(Ω) = = = 15
2 2! × 4!
avec
Ω = {(−3, −2); (−3, 1); (−3, 2); (−3, 3); (−3, 4); (−2, 1); (−2, 2); (−2, 3);
(−2, 4); (1, 2); (1, 3); (1, 4); (2, 3); (2, 4); (3, 4)}
On voit que seuls les couples (−3, 3) et (−2, 2) correspondent à une somme nulle. De même,
on a
1
Pr(X = 4) = Pr({(1, 3)}) = .
15
et
Pr(X = 8) = Pr(∅) = 0
P
On observe que la somme k Pr(X = k) vaut bien 1. Les détails à la section suivante.

2. Loi de probabilité – Fonction de répartition

D ÉFINITION 30. La loi de probabilité de la variable aléatoire X est la fonction :
X(Ω) −→ [0; 1]
k 7−→ Pr(X = k)
E XEMPLE 14. On peut représenter la loi de probabilité de la v.a. X par un tableau de valeurs.
Pour l’exemple Sur une boite de 6 jetons, on a
k −5 −2 −1 0 1 2 3 4 5 6 7
1 1 2 2 2 1 1 1 2 1 1
Pr(X = k)
15 15 15 15 15 15 15 15 15 15 15
D ÉFINITION 31. La fonction de répartition ou la probabilité cumulée de la variable aléatoire
X est la fonction F :
R −→ [0; 1]
x 7−→ F (x) = Pr(X ⩽ x)
On note aussi F par FX , si une confusion est à craindre.
E XEMPLE 15. Illustrons avec l’exemple Sur une boite de 6 jetons. On a pour

 0 pour x ∈] − ∞, −5[  9
1


pour x ∈ [−5, −2[ pour x ∈ [2, 3[

 
15
 

 15 

10
2

 


 pour x ∈ [−2, −1[

 pour x ∈ [3, 4[
 15
 
 15
 
 4
  12

pour x ∈ [−1, 0[ pour x ∈ [4, 5[
F (x) = 15 F (x) = 15
 6
  13

 pour x ∈ [0, 1[  pour x ∈ [5, 6[
15
 

 15 

14
8

 

pour x ∈ [1, 2[  15 pour x ∈ [6, 7[

 


 15 
 
 9 pour x ∈ [2, 3[


 1 pour x ∈ [7, +∞[
15
Représentation graphique :
 3. ESPÉRANCE, VARIANCE ET ÉCART-TYPE 67

Fonction de répartition
F
1

◦
13
15 ◦
◦
11
15

◦
9
15 ◦
◦
7
15

◦
5
15

◦
3
15

◦
◦ 1
15

◦ xi
−7 −6 −5 −4 −3 −2 −1 0 1 2 3 4 5 6 7 8 9 10 11

3. Espérance, variance et écart-type

On décide de déterminer la moyenne des valeurs prises par la v.a. X, dans notre exemple la somme des
valeurs obtenues multipliées par leur probabilité est :
1 1 2 2 2 1 1 1 2 1 1 5
×(−5)+ ×(−2)+ ×(−1)+ ×0+ ×1+ ×2+ ×3+ ×4+ ×5+ ×6+ ×7 =
15 15 15 15 15 15 15 15 15 15 15 3
Ce nombre est appelé espérance mathématique de X, on le note E(X).
D ÉFINITION 32.
L’espérance mathématique ou moyenne d’une variable aléatoire discrète prenant n valeurs
xi avec les probabilités Pr(X = xi ) = pi , où 1 ≤ i ≤ n est :
n
X
E(X) = p i xi .
i=1

P ROPRIÉTÉ 2. Soient a et b deux réels, X et Y deux variables aléatoires d’espérances mathéma-

tiques respectives E(X) et E(Y ). On démontre que aX + b est une variable aléatoire d’espérance
mathématique E(aX + b) = aE(X) + b et que E(X + Y ) = E(X) + E(Y ).
D ÉFINITION 33.
La variance d’une variable aléatoire X est, si elle existe, l’espérance de la variable aléatoire
(X − E(X))2 . On la note V (X).
 4. CAS D’UNE VARIABLE ALÉATOIRE X CONTINUE 68

On a :
(X − E(X))2 = X 2 − 2E(X) × X + E(X)2 .
Donc V (X) = E(X 2 − 2E(X) × X + E(X)2 ) d’après la propriété V (X) = E(X 2 ) + 2E(X) ×
E(X) + E(X)2 d’où
V (X) = E(X 2 ) − E(X)2
♢ P ROPRIÉTÉ : König-Huygens. La variance d’une variable aléatoire X, si elle existe, est :

V (X) = E(X 2 ) − E(X)2 .

Ce qui implique, en particulier, pour tous réels a et b,
V (aX + b) = a2 V (X).

p
D ÉFINITION 34. L’écart-type de la variable aléatoire X est σ(X) = V (X).

4. Cas d’une variable aléatoire X continue

D ÉFINITION 35. On appelle densité de probabilité de X la fonction définie de X(Ω) vers
[0, 1] par
f (k) = Pr(X = k).
Admettons que X ne prenne pas de valeur négative. Autrement dit, si X(Ω) ⊂ [0, +∞[, alors
la fonction de répartition de la variable aléatoire X est la fonction F , définie de R vers [0, 1]
par Z x
F (x) = f (t) dt.
0

On remarque que la fonction de répartition F est croissante sur R.

On a alors la propriété remarquable suivante :
P ROPRIÉTÉ 3. Pour tous a et b tels que b ≥ a ≥ 0 :
Z b
Pr(a ≤ X ≤ b) = F (b) − F (a) = f (t) dt
a

Pr(a ⩽ X ⩽ b)
fX (x)
a t
b

D ÉFINITION 36. L’espérance mathématique d’une variable aléatoire continue X de densité

de probabilité f est :
Z +∞
E(X) = tf (t)dt.
−∞

La variance et l’écart-type d’une variable aléatoire continue sont définis de la même manière que pour
une variable aléatoire discrète.
D ÉFINITION 37. La variance d’une variable aléatoire X est, si elle existe, l’espérance de la
variable aléatoire (X − E(X))2 . On la note V (X).
 5. MOMENTS D’UNE VARIABLE ALÉATOIRE 69

P ROPRIÉTÉ 4. La variance d’une variable aléatoire X, si elle existe, est :

V (X) = E(X 2 ) − E(X)2 .
p
D ÉFINITION 38. L’écart-type de la variable aléatoire est σ(X) = V (X).

5. Moments d’une variable aléatoire

Une loi de probabilité discrète peut être caractérisée de façon équivalente par sa densité ( appelée aussi
fonction de masse) ou par sa fonction de répartition. Il existe une troisième façon de donner la même
information : on utilise pour cela les moments.
Les moments sont des indicateurs de dispersion de la loi de probabilité. Ainsi, il est possible de
définir une loi de probabilité à partir de la population de ses moments, c’est-à-dire à partir de l’ensemble
des moments qui peuvent être associés à cette distribution.
On distingue les moments ordinaires (ou moments non centrés) des moments centrés. La définition
générale des moments (ou intégrale de Riemann-Stieltjes), applicable tant dans le cas d’une variable
aléatoire discrète que dans le cas d’une variable aléatoire continue, est la suivante
D ÉFINITION 39. Le moment ordinaire (non centré) d’ordre k ∈ N de la loi de probabilité de
X est défini par :
Z +∞
k
(5.1) mk = E(X ) = xk dFX (x)
−∞

Le moment centré d’ordre k ∈ N de la loi de probabilité de X est défini par :

Z +∞
k
(5.2) µk = E((X − E(X)) ) = (x − E(X))k dFX (x)
−∞

où FX désigne la fonction de répartition de la loi de X. Par définition :

m0 = E(1) = 1, µ0 = E(1) = 1 et µ1 = E(X − E(X)) = 0,
puisque E(X − E(X)) = E(X) − E(X) = 0.
Dans le cas d’une variable aléatoire discrète, les moments peuvent s’exprimer en fonction de
la fonction de masse.
D ÉFINITION 40. Soit X une variable aléatoire discrète caractérisée par une fonction de masse
fX (x) = Pr(X = x), ∀x ∈ X(Ω) où X(Ω) = {x1 , . . . , xn } est un univers de dimension finie. Le
moment ordinaire d’ordre k ∈ N de la loi de probabilité de X est défini par
n
X
k
mk = E(X ) = xki Pr(X = xi )
i=1

Le moment centré d’ordre k ∈ N de la loi de probabilité de X est défini par :

n
X
µk = E(X − E(X))k = (xi − E(X))k Pr(X = xi )
i=1

□ R EMARQUE : Dans le cas où l’univers des réalisations X(Ω) est un univers infini, mais dé-
nombrable, tel que X(Ω) = {x1 , . . . , xn , . . .)}, les définitions des moments
ordinaires et centrés deviennent :
X n
k
mk = E(X ) = lim xki Pr(X = xi )
n→∞
i=1
et n
X
k
µk = E(X − E(X)) = lim (xi − E(X))k Pr(X = xi )
n→∞
i=1
 5. MOMENTS D’UNE VARIABLE ALÉATOIRE 70

E XEMPLE 16. On considère une variable aléatoire discrète Z admettant une distribution de
paramètre p ∈ [0, 1] telle que Z(Ω) = N∗ et admettant comme fonction de masse est la fonction
définie par :
f (zi ) = Pr(Z = zi ) = p(1 − p)zi −1 , ∀zi ∈ {1, 2, . . . , n, . . .})
Dans ce cas, l’univers de résultats Z(Ω) est infini dénombrable. Déterminons les trois premiers
moments ordinaires associés à la loi de probabilité de Z. Nous savons que m0 = E(Z 0 ) = 1.
Pour les ordres suivants, il vient :
n
X 1
m1 = E(Z) = lim p × i × (1 − p)i−1 =
n→∞
i=1
p
De même, on a
n
2
X 2−p
m2 = E(Z ) = lim p × i2 × (1 − p)i−1 =
n→∞
i=1
p2
Ces résultats s’obtiennent par application des notions mathématiques apprises au cycle
inférieur. 2
Une façon plus simple de retrouver les moments consiste à utiliser la fonction génératrice
des moments.
D ÉFINITION 41. La fonction génératrice des moments d’une variable aléatoire X, telle que
E(X) existe, est définie par :
Z +∞
Mx (t) = E(exp(tX)) = exp(tx)dFX (x) ∀t ∈ R
−∞

De cette définition générale, valable pour tout type de variable (discrète ou continue), nous
pouvons déduire une définition spécifique aux variables discrètes.
D ÉFINITION 42. Soit X une variable aléatoire discrète définie sur un univers fini X(Ω) =
{x1 , . . . , xn }, sa fonction génératrice des moments est égale à :
n
X
µx (t) = E(exp(tX)) = exp(ti x) Pr(X = xi )∀t ∈ R
i=1

Quel est le lien entre la fonction génératrice des moments et les moments ordinaires (mk ), k ∈
N ? On montre que la fonction génératrice des moments peut toujours se réécrire sous la
forme d’un développement en séries entières tel que :
t2 m2 t3 m3 t k mk
MX (t) = 1 + tm1 ++ + ··· + ···
2! 3! k!
En dérivant cette fonction par rapport à t, on obtient :
∂MX (t) t2 m3 tk−1 mk
MX′ (t) = = m1 + tm2 + + ··· + ···
∂t 3 k−1
Si l’on souhaite obtenir le moment ordinaire d’ordre 1, il suffit d’évaluer l’expression de cette
dérivée en t = 0, on obtient immédiatement MX′ (0) = m1 . Si l’on souhaite obtenir le moment
d’ordre 2, il convient alors de dériver deux fois la fonction génératrice et d’évaluer cette
dérivée seconde en 0, i.e. MX′′ (0) = m2 , et ainsi de suite.
2. Pour la première égalité, on se sert de la commutation entre « sommation », « dérivation » et « calcul de
limite » et de suites géométriques :
n n n
! n
!
1 − xn
 
X
i−1
X d i

d X i d X i d
i·x = x = x = x = x
i=1 i=1
dx dx i=1 dx i=1 dx 1−x

Il reste à calculer la limite et . . . à dériver.

 5. MOMENTS D’UNE VARIABLE ALÉATOIRE 71

P ROPRIÉTÉ 5. Fonction génératrice des moments

Si le moment ordinaire d’ordre k ∈ N de la variable X existe, il correspond à la dérivée d’ordre k de la
fonction génératrice des moments évaluée au point t = 0.
∂ k MX (t)
mk =
∂tk t=0

E XEMPLE 17. On considère une variable aléatoire discrète Z admettant une distribution
de paramètre p ∈ [0, 1] telle que Z(Ω) = N∗ et admettant comme fonction génératrice des
moments la fonction définie par :
pet
MZ (t) =
1 − qet
avec q = 1 − p et e le nombre de Neper. Déterminons les moments ordinaires d’ordres l et
2 associés à la loi de probabilité de Z. Commençons par dériver la fonction génératrice des
moments :
pet ∂ 2 MZ (t) pet (1 + 2q − 2(q + q 2 )et + q 2 e2t )
MZ′ (t) = et =
(1 − qet )2 ∂t2 (1 − qet )3
Dès lors, il vient :
∂MZ (t) p 1
m1 = E(Z) = = =
∂t t=0 (1 − q)2 p
et
∂ 2 MZ (t)
m2 = E(Z 2 ) =
∂t2 t=0
pet (1 − et + 2q)
=
(1 − q)3
2−p
=
p2
On retrouve les résultats de l’Exemple 16 précédent.

5.1. Moments remarquables. Certains des moments sont si importants que l’on leur a
attribué un nom spécifique : espérance, variance, etc. Ces sont les moments remarquables.

Espérance. Notée aussi par E(X), elle correspond au moment ordinaire d’ordre un, i.e.
m1 . Ce moment donne une idée de la « moyenne » des réalisations de la variable aléatoire
X que l’on peut obtenir si l’on effectue plusieurs tirages de cette variable. Plus précisément,
l’espérance est définie comme la somme pondérée des réalisations dans laquelle les pondéra-
tions sont déterminées par les probabilités associées.
On étend la notion d’espérance au cas infini.
D ÉFINITION 43. L’espérance d’une variable aléatoire discrète X définie sur un support infini
X(Ω) = {x1 , . . . , xn , . . .} est égale à :
n
X
E(X) = lim xi Pr(X = xi )
n→∞
i=1

Souvent dans la pratique, on est amené à exprimer une variable aléatoire en fonction d’une
autre. Par exemple, on s’intéresse à la variable Y définie par Y = X 2 ou Y = 2 + 3X.
Comment déterminer l’espérance d’une transformée ou d’une fonction de la variable X sans
nécessairement connaître sa loi de probabilité ? On utilise pour ce faire la propriété suivante,
valable tant pour les variables aléatoires discrètes que pour les variables aléatoires continues.
 5. MOMENTS D’UNE VARIABLE ALÉATOIRE 72

P ROPRIÉTÉ 6. Espérance d’une fonction de variable aléatoire.

Soit X une variable aléatoire discrète définie sur un support fini X(Ω) = {x1 , . . . , xn } fini. Et soit
x 7→ g(x) une fonction. L’espérance de la variable aléatoire g(X) est alors définie par :
X n
E(g(X)) = g(xi ) Pr(X = xi );
i=1
pour autant que cette somme soit finie.
Variance. C’est un indicateur de la dispersion de la loi de probabilité autour de l’espérance. La
variance correspond au moment centré d’ordre 2, i.e. µ2 . Elle peut être interprétée comme la « moyenne »
des réalisations en écart à l’espérance E(X) : plus la variance est élevée, plus les réalisations de la
variable X auront de grandes chances d’être éloignées de la valeur de l’espérance.
E XEMPLE 18. On considère une variable aléatoire discrète Z distribuée selon une loi discrète
sur Z(Ω) = {1, . . . , n} telle que fZ (z) = Pr(Z = z) = 1/n.
• On calcule l’espérance mathématique par
n n
X 1X 1 n(n + 1) n+1
E(Z) = i Pr(Z = i) = i= × =
i=1
n i=1 n 2 2
• Son moment ordinaire d’ordre deux est égal à :
n n
X 1 X 2 2n2 + 3n + 1
E(Z 2 ) = i2 Pr(Z = i) = i =
i=1
n i=1
6
En effet, pour calculer la somme S = ni=1 i2 , on procède par
P

Xn Xn
3
(1 + i) = (1 + 3i + 3i2 + i3 )
i=0 i=0
n
X n
X n
X
2
= n+1+3 i+3 i + i3
i=1 i=1 i=1
n
n(n + 1) X
= n+1+3 + 3S + i3
2 i=1
Comme on a n n
X X
3 3
(1 + i) = (1 + n) + i3 ,
i=0 i=1
on obtient que
n(n + 1) (n + 1)(2n2 + n) n(2n2 + 3n + 1)
3 S = (n + 1)3 − (n + 1) − 3 = =
2 2 2
• D’après la formule de König-Huygens, la variance est égale à :
2
2n2 + 3n + 1) n2 − 1

2 2 n+1
V (Z) = E(Z ) − [E(Z)] = − =
6 2 12
CHAPITRE 6

LOIS DE PROBABILITÉ USUELLES

D ÉFINITION 44. Le quantile d’ordre α de la loi de probabilité de X, noté FX−1 (α), est la plus
petite réalisation appartenant à X(Ω) associée à une probabilité cumulée supérieure ou égale
àα
FX FX−1 (α) = Pr X ⩽ FX−1 (α) ⩾ α, ∀α ∈ [0, 1]

Concrètement, le quantile d’ordre α est le nombre β qui satisfait

Pr(X ⩽ β) = α/100.
Par construction, un quantile d’une loi de distribution discrète appartient à l’univers des réalisations
X(Ω) : c’est une réalisation de la variable X. Le quantile d’ordre α peut être noté FX−1 (α) ou Qα .
L’interprétation d’un quantile est la suivante. Si le quantile d’ordre α = 0, 05 est égal à F −1 (0, 05) =
2, cela signifie qu’il y a 5 % de chances que les réalisations de la variable aléatoire discrète X soient
inférieures ou égales à 2.

1. Quelques commandes Python

(1) probability density function (pdf) : fonction de densité. [Link] (x) = Pr(X ⩽ x)
(2) survival function (sf) : [Link] (x) = 1 − Pr(X ⩽ x)
(3) percentile point function (ppf) : inverse de pdf. [Link] (α) = x ⇔ [Link] (x) = α
(4) inverse survival function (isf) :
(5) random variate sample (rvs) :

2. Loi uniforme discrète

La loi uniforme discrète est une loi de probabilité définie sur un support fini pour laquelle toutes les
réalisations sont équiprobables. Les exemples typiques d’application de cette loi sont ceux du lancer
d’un dé parfaitement équilibré, du tirage d’une carte au hasard ou du tirage d’un numéro au hasard
dans une loterie.

2.1. Fonction de masse et fonction de répartition.

D ÉFINITION 45. La variable aléatoire discrète X suit une loi uniforme discrète sur le support
fini X(Ω) = {x1 , . . . , xn }, si sa fonction de masse est définie par :
1
fX (x) = Pr(X = x) = ∀x ∈ X(Ω)
n
73
 3. LOI DE BERNOULLI 74

On vérifie que toutes les réalisations ont la même probabilité : c’est la propriété d’équiproba-
bilité qui caractérise la loi uniforme. Notons que les réalisations peuvent être quantitatives, c’est-
à-dire correspondre à des nombres (par exemple si X(Ω) = {1, 2, 3, 4, 5, 6} dans le cas d’un lan-
cer de dé). Elles peuvent être aussi qualitatives (si elles ne sont pas des nombres), par exemple si
X(Ω) = {´ valet ˇ, ´ dame ˇ, ´ roi ˇ} dans le cas le cas d’un jeu de cartes à trois cartes. Dans tous
les cas, toutes ces réalisations ont la même probabilité de survenue.

Afin de simplifier les notations, nous allons considérer le cas où la variable X est définie sur un
ensemble d’entiers consécutifs X(Ω) = {a, a + 1, . . . , b − 1, b} avec n = b − a + 1.
Dans ce cas, la fonction de masse devient :
1
fX (x) = Pr(X = x) = ∀x ∈ X(Ω)
b−a+1
E XEMPLE 19. Considérons une variable aléatoire X distribuée selon une loi uniforme discrète
sur X(Ω) = {1, . . . , 10}, sa fonction de masse est définie par fX (x) = 1/10, ∀x ∈ X(Ω).
Toutes les réalisations ont la même probabilité.
D ÉFINITION 46. Si la variable aléatoire X admet une loi uniforme discrète sur X(Ω) =
{a, a + 1, . . . , b − 1, b}, sa fonction de répartition FX (x) = Pr(X ⩽ x) est définie par

 0 si x < a
FX (x) = x−a+1 si a⩽x⩽b
 b−a+1
1 sinon, i.e. si x > b
pour tout x ∈ R.
Rappelons qu’une fonction de répartition est toujours définie sur R, y compris dans le cas d’une variable
aléatoire discrète. Cette fonction de répartition se présente sous la forme de « marches d’escalier » sur
le segment [a, b], la « hauteur » des marches étant égale à 1/(b − a + 1), c’est-à-dire 1/10 dans le cas
de notre exemple.
2.2. Moments. La fonction génératrice des moments de la loi uniforme discrète sur le support
X(Ω) = {a, . . . , b} est égale à :
b−a+1
exp(a · t) X
MX (t) = exp(i · t)
b − a + 1 i=1
De cette fonction génératrice, on peut déduire l’espérance et la variance.

♢ P ROPRIÉTÉ : Espérance et variance de la loi uniforme discrète

Si X admet une loi uniforme discrète sur X(Ω) = {a, a + 1, · · · , b − 1, b}, alors :
a+b (b − a + 1)2 − 1
E(X) = et Var(X) =
2 12
3. Loi de Bernoulli
La loi de Bernoulli, du nom du mathématicien suisse Jacques Bernoulli (1654-1705), est une loi de
probabilité discrète définie sur un support fini comportant deux réalisations. C’est la loi que l’on utilise
pour représenter des variables aléatoires dichotomiques ou binaires, c’est-à-dire à deux modalités.
E XEMPLES 1. La loi de Bernoulli peut être appliquée sur des supports du type X(Ω) =
{´ pair ˇ, ´ impair ˇ}, X(Ω) = {´ succs ˇ, ´ chec ˇ} ou X(Ω) = {10, 35}.
Ces trois exemples montrent que la loi de Bernoulli peut être appliquée à des variables quantitatives ou
à des variables qualitatives. Toutefois, il est toujours possible d’exprimer une variable dichotomique
qualitative sous la forme d’une variable quantitative en utilisant un codage (a, b) ∈ R2 .
Par exemple, on pose X = 2 si « succès » et X = 3 si « échec ». Il existe bien évidemment une
infinité de codages (a, b) possibles. Par convention, on utilise toujours le codage binaire (0, 1). Ainsi,
 4. LOI BINOMIALE 75

quel que soit le problème modélisé (quantitatif ou qualitatif), on considère l’univers des réalisations
X(Ω) = {0, 1}.
3.1. Fonction de masse et fonction de répartition.
D ÉFINITION 47. La variable aléatoire discrète X suit une loi de Bernoulli si sa fonction de
masse est définie par :
fX (x) = Pr(X = x) = px (1 − p)1−x ∀x ∈ X(Ω) = {0, 1},
où le paramètre p est un réel vérifiant p ∈]0, 1[.
Si X suit une loi de Bernoulli de paramètre p, alors on note X ∼ B(p). Le paramètre p, appelé
probabilité de succès, correspond à la probabilité que X prenne une réalisation égale à 1, i.e.
Pr(X = 1) = p.
D ÉFINITION 48. Si la variable aléatoire X admet une loi de Bernoulli de paramètre p ∈]0, 1[,
sa fonction de répartition FX (x) = Pr(X ⩽ x) est définie par, pour tout x ∈ R :

 0 si x < 0
FX (x) = 1 − p si 0 ⩽ x < 1
1 sinon, i.e. si x ⩾ 1


Comme pour toute variable aléatoire discrète, la fonction de répartition de la loi de Bernoulli se présente
sous la forme d’une fonction en marches d’escalier.
3.2. Moments. La fonction génératrice des moments de la loi de Bernoulli B(p) est définie par :
MX (t) = (1 − p) + p exp(t), ∀t ∈ R.
De cette fonction génératrice, on peut dériver l’espérance et la variance.

♢ P ROPRIÉTÉ : Espérance et variance de la loi de Bernoulli

Si X admet une loi de Bernoulli de paramètre p ∈]0, 1[, alors :
E(X) = p Var(X) = p(1 − p)
On remarque que les contraintes sur la probabilité de succès p ̸= 0 et p ̸= 1 garantissent
que la variance de la variable X soit non nulle. De plus, c’est l’utilisation d’un codage (0, 1)
pour représenter les variables dichotomiques qui permet d’obtenir l’égalité entre l’espérance
de la variable X et la probabilité de succès :
E(X) = p × 1 + (1 − p) × 0 = p
4. Loi binomiale
On considère une expérience aléatoire n’ayant que deux issues A et A, on répète cette expérience n fois
en supposant que chaque expérience est indépendante des précédentes et on pose p la probabilité de A
et q = 1 − p la probabilité de A
Soit X la variable aléatoire qui à n expérience associe le nombre de fois où A est réalisé. La variable
aléatoire X suit la loi de probabilité binomiale de paramètres n et p, notée B(n, p).
On admet les résultats suivant :
P ROPRIÉTÉ 7. Si une variable aléatoire X suit la loi de probabilité binômiale de paramètres n et
p alors on a :
• Pr(X = k) = Cnk pk (1 − p)n−k = Cnk pk q n−k
√
• E(X) = np, V (X) = npq et σ(X) = npq

Une représentation graphique dans Python

 4. LOI BINOMIALE 76

E XEMPLE 20. Dans une classe de 25 élèves, chaque semaine un professeur choisit un élève
pour corriger un exercice. On considère la variable aléatoire X qui à chaque année de 39
semaines associe le nombre de fois que l’élève Ako est interrogé. Comme il y a 25 élèves
1
la probabilité que l’élève Ako soit interrogé est de 25 , il y a 39 semaines et les tirages sont
1
indépendants donc la variable aléatoire X suit la loi binomiale B(39, 25 ).
7 24 32
1
≈ 7 × 10−4 .
7



La probabilité pour qu’il soit interrogé 7 fois est Pr(X = 7) = C39 25 25
1
L’espérance de la variable aléatoire X est E(X) = np = 39 × 25 = 1, 56
Calculs dans Python.

Dans Python, il y a plusieurs commandes pour travailler avec des distributions de probabilité comme
la distribution binomiale. Ces commandes sont données par
Commande Tâche
[Link](k,n,p) Pr(X = k)
[Link](k,n,p) Pr(X ⩽ k)
[Link](k,n,p) Simulation de k variables aléatoires
 4. LOI BINOMIALE 77

Pour l’exemple précédent, la probabilité Pr(X = 7) se calcule par

et la probabilité Pr(X ⩽ 2) vaut

E XEMPLE 21. De nombreuses compagnies aériennes signalent qu’environ 12 % de tous les

passagers ayant fait une réservation ne se présentent pas à la porte d’embarquement en raison
d’annulations et de non-présentation. Si une compagnie aérienne vend 110 billets pour un
vol de 100 places passagers, quelle est la probabilité que la compagnie aérienne ait surréservé
(vendu plus de billets que les sièges) ?

Soit X le nombre de détenteurs de billets qui arrivent à la porte. Si nous supposons que les
arrivées aux portes des passagers sont indépendantes, alors X a une distribution binomiale
avec n = 110 et p = 1 − 0.12 = 0.88. La probabilité recherchée est alors
110
X
Pr(X > 100) = Pr(X = k) ≃ 0.137
k=101

Dans Python, on part de Pr(X > 100) = 1 − Pr(X ⩽ 100), pour écrire

Pour un vol de 100 sièges, supposons que la compagnie aérienne souhaite vendre le nombre
maximum de billets de sorte que le risque de surréservation soit inférieur à 5 %. Les compa-
gnies aériennes appellent cela une stratégie de surréservation au « seuil de dépassement de 5
% ». Combien de billets la compagnie aérienne peut-elle vendre ?

Soit n le nombre de billets vendus. Trouver n tel que Pr(X > 100) ⩽ 0.05, où X ∼ B(n, 0, 88).
Les essais et erreurs en utilisant Python montrent que pour n = 108, Pr(X > 100) = 0.0449.
Et pour n = 109, Pr(X > 100) = 0.0823. Par conséquent, on doit vendre n = 108 billets.

Pour simuler la probabilité de surréservation lorsque 108 billets sont vendus, on génère 108
variables aléatoires de Bernoulli avec p = 0.88.
 5. LOI GÉOMÉTRIQUE 78

Pour vérifier si plus de 100 billets sont vendus et si la compagnie aérienne est en surréserva-
tion, tapez

qui renvoie 1 si trop de billets sont vendus, et 0 sinon.

Ici, nous simulons la probabilité de surréservation sur la base de 10 000 essais.

5. Loi géométrique
La loi géométrique est une loi de probabilité discrète pouvant être définie soit sur l’ensemble des entiers
N, soit sur l’ensemble des entiers non nuls N∗ . Lorsqu’elle est définie sur N∗ , la loi géométrique de
paramètre p correspond à l’expérience aléatoire suivante. On répète de manière indépendante une
expérience de Bernoulli avec une probabilité de succès égale à p jusqu’au premier succès. Soit X la
variable qui correspond au rang du premier succès : ce rang est nécessairement supérieur ou égal à 1
et inférieur ou égal à n, donc X ∈ X(Ω) = {1, 2, · · · , n, · · · }. La variable X admet une distribution
géométrique de paramètre p notée :
X ∼ G(p)
Lorsqu’elle est définie sur N, la loi géométrique correspond à la distribution du nombre d’échecs
Y = X − 1 avant le premier succès. Le nombre d’échecs peut être égal à 0 en cas de réussite à la
première expérience de Bernoulli. La variable Y ∈ Y (Ω) = {0, 1, · · · , n, · · · } est distribuée selon une
loi géométrique de paramètre p, notée de la même façon Y ∼ G(p). Il convient donc de faire attention
au support de la loi géométrique afin d’éviter les confusions.
5.1. Commandes dans Python. Lorsque l’on s’intéresse au rang du premier succès, les com-
mandes dans Python sont les suivantes
[Link](k,p) [Link](k,p) [Link](k,p) [Link](k,p)
Sinon, on recourt aux commandes suivantes
[Link](k+1,p) [Link](k+1,p) [Link](k+1,p) [Link](k+1,p)
5.2. Fonction de masse et fonction de répartition.
D ÉFINITION 49. La variable aléatoire discrète X définie sur X(Ω) = N suit une loi géomé-
trique G(p) si sa fonction de masse est définie par :
fX (x) = Pr(X = x) = (1 − p)x p ∀x ∈ N.
Si cette variable est définie sur X(Ω) = N∗ , sa fonction de masse devient :
fX (x) = Pr(X = x) = (1 − p)x−1 p ∀x ∈ N∗ ,
 5. LOI GÉOMÉTRIQUE 79

où la probabilité de succès p est un réel vérifiant p ∈]0, 1].

D ÉFINITION 50. Si la variable aléatoire X admet une loi géométrique G(p) sur X(Ω) = N, sa
fonction de répartition FX (x) = Pr(X ⩽ x) est donnée par, pour tout x ∈ R, :

0 si x < 0
FX (x) =
1 − (1 − p)⌊x⌋+1
Si cette variable est définie sur sur X(Ω) = N∗ , sa fonction de répartition devient

0 si x < 0
FX (x) =
1 − (1 − p)⌊x⌋
où ⌊x⌋ désigne la partie entière de x, c’est-à-dire, le plus grand entier inférieur ou égal à x.
E XEMPLE 22. Soit Y une variable aléatoire discrète définie sur Y (Ω) = N telle que X ∼ G(0.1),
alors :
• Pr(X ⩽ 1) = FX (1) = 1 − (1 − 0, 1)⌊1⌋+1 = 1 − 0, 92 = 0, 19
• Pr(X ⩽ 1, 2) = FX (1, 2) = 1 − (1 − 0, 1)⌊1,2⌋+1 = 1 − 0, 92 = 0, 19
Dans Python, on a

Pour les deux définitions de la fonction de répartition on vérifie toujours que lim FX (x) = 1.
x→∞

5.3. Moments. La fonction génératrice des moments de la loi G(p) définie sur N est :
p
MX (t) = ∀t ∈ R.
1 − (1 − p) exp(t)
Dans le cas où la loi géométrique est dé finie sur N∗ , cette fonction devient :
p exp(t)
MX (t) = ∀t < − ln(1 − p).
1 − (1 − p) exp(t)
De cette fonction génératrice, on peut notamment dériver l’espérance et la variance de la loi géomé-
trique.

P ROPRIÉTÉ 8. Espérance et variance de la loi géométrique.

Si X admet une loi géométrique G(p) définie sur X(Ω) = N alors :
1−p 1−p
E(X) = et Var(X) =
p p2
Si cette loi est définie sur X(Ω) = N∗ alors :
1 1−p
E(X) = et Var(X) =
p p2
 6. LOI DE POISSON 80

5.4. Propriété de Markov. La loi géométrique possède la propriété d’être « sans mémoire ».
L’idée est que lorsque l’on compte le nombre d’échecs avant un succès dans une répétition d’expériences
indépendantes de Bernoulli, la probabilité conditionnelle de succès au k ème tirage ne dépend pas du
nombre d’échecs préalables. Il n’y a pas de mémoire du nombre d’échecs (ou de succès). Cette propriété
est parfois appelée propriété de Markov.

P ROPRIÉTÉ 9. Absence de mémoire

Si la variable X suit une loi géométrique G(p) alors pour tout (t, s) ∈ R2+ : on a
Pr(X > s + t|X > t) = Pr(X > s)

6. Loi de Poisson
La loi de Poisson, du nom du mathématicien français Denis Poisson (1781- 1840), est une loi de proba-
bilité discrète définie sur l’ensemble des entiers N. Cette loi est notamment utilisée pour représenter
un nombre d’événements se produisant dans un laps de temps donné. Dit autrement, c’est une loi
permettant de modéliser des variables de comptage. Elle est généralement utilisée pour modéliser les
phénomènes d’occurence rare. Par exemple le nombre de dépôts de brevets sur une année, le nombre de
voitures arrivant à un péage pendant un intervalle de quelques minutes, etc.
D ÉFINITION 51. On dit qu’une variable aléatoire X, à valeurs dans N, suit une loi de Poisson
de paramètre λ, notée P(λ), (λ > 0), si et seulement si, pour tout entier naturel k,
λk
Pr(X = k) = e−λ
k!
On admet les résultats suivants :
P ROPRIÉTÉ 10. Si une variable aléatoire X suit la loi de Poisson de paramètre λ alors on a :
√
E(X) = λ Var(X) = λ σ(X) = λ
On retiendra :
(1) que sous certaines conditions, on peut approcher une loi binomiale par une loi de Poisson ayant
la même espérance ;
(2) qu’une loi de Poisson intervient dans la modélisation de phénomènes aléatoires où le futur est
indépendant du passé.
Exemples :
− les pannes de machines,
− les sinistres,
− les appels téléphoniques dans un standard,
− les files d’attentes,
− la mortalité,
− les stocks
− ...
6.1. Représentation graphique.
On importe la distribution
 6. LOI DE POISSON 81

6.2. Les commandes dans Python. On a, comme précédemment, on utilise les fonctions
suivantes
[Link](x,λ) [Link](x,λ) [Link](q,λ)
On en précise l’usage dans le tableau suivant
Paramètre spécification
x vecteur de quantiles (entiers non négatifs).
q vecteur de quantiles.
λ vecteur de moyennes (non négatives).
6.3. Fonction de masse et fonction de répartition. La variable aléatoire discrète X définie
sur X(Ω) = N suit une loi de Poisson P(λ) avec λ ∈ R+ , si sa fonction de masse est définie par :
λx exp(−λ)
fX (x) = Pr(X = x) = ∀x ∈ N
x!
E XEMPLE 23. Soit Y une variable aléatoire discrète définie sur Y (Ω) = N telle que X ∼ P(0.2),
alors :
0, 20 exp(−0, 2)
• Pr(X = 0) = = exp(−0, 2) = 0, 8187
0!
0, 21 exp(−0, 2)
• Pr(X = 1) = = 0, 2 · exp(−0, 2) = 0, 1637
1!
0, 22 exp(−0, 2)
• Pr(X = 2) = = 0, 0164
2!
Avec Python on obtient directement :

D ÉFINITION 52. Si la variable aléatoire X admet une loi P(λ) sur X(Ω) = N, sa fonction de
répartition FX (x) = Pr(X ⩽ x) est définie pour tout x ∈ R par

 0⌊x⌋
 si x < 0
⌊x⌋
FX (x) = X X λi exp(−λ)
 Pr(X = i) = si x ⩾ 0,

i=0 i=0
i!
 6. LOI DE POISSON 82

où ⌊x⌋ désigne le plus grand entier inférieur ou égal à x.

E XEMPLE 24. Soit Y une variable aléatoire discrète définie sur Y (Ω) = N telle que X ∼ P(0.2).
Calculons les probabilités Pr(X ⩽ 1) et Pr(X ⩽ 1, 87). On a
⌊1⌋ 1
X X
• FX (1) = Pr(X ⩽ 1) = Pr(X = i) = Pr(X = i) = Pr(X = 0) + Pr(X = 1) = 0, 9824
i=0 i=0
⌊1,87⌋ 1
X X
• FX (1, 87) = Pr(X ⩽ 1, 87) = Pr(X = i) = Pr(X = i) = FX (1) = 0, 9824
i=0 i=0
Reprenons les mêmes calculs, cette fois-ci avec Python

6.4. Moments. La fonction génératrice des moments de la loi de Poisson P(λ) est définie
par :
MX (t) = exp(λ(exp(t) − 1)) ∀t ∈ R
De cette fonction génératrice, on peut dériver l’espérance et la variance.

6.5. Autre propriété. La somme de variables de Poisson est distribuée selon une loi de
Poisson.

P ROPRIÉTÉ 11. Somme de lois de Poisson.

Si les variables X1 , · · · , Xn sont indépendantes et sont telles que Xi ∼ P(λi ) avec λi > 0 pour
i = 1, · · · , n alors
Xn
Xi ∼ P(λ) avec λ = λ1 + · · · + λn .
i=1

E XEMPLE 25. Selon les données recueillies depuis plusieurs années, le nombre de pannes
hebdomadaires du système informatique d’une entreprise suit une loi de Poisson de para-
mètre λ = 0.05.
• Soit X la variable aléatoire « nombre de pannes hebdomadaires » :
e−0.05 (0.05)k
Pr(X = k) =
k!
La probabilité que le système tombe en panne une fois au cours d’une semaine quelconque
(k = 1) est égale à 0,04756.
La probabilité qu’il fonctionne sans panne (k = 0) est égale à 0,95122.
• La loi de Poisson est notamment utilisée pour décrire la réalisation d’événements peu
probables, dans une succession d’épreuves très nombreuses, au moins 50.
On considère une année (50 semaines) de fonctionnement de ce système. Le nombre de
pannes Y obéit à une loi de Poisson de paramètre λ′ = 0, 05 × 50 = 2, 5.

e−2.5 (2.5)k
Pr(Y = k) =
k!
La probabilité d’observer 2 pannes au cours de l’année (k = 2) est égale à 0,2565 et la
probabilité d’en observer 4 est égale à 0,1336.
 7. LOI UNIFORME CONTINUE 83

E XEMPLE 26. Ako dépense 2 $ en fournitures pour installer son stand de limonade. Il charge
25 cents la tasse. Supposons que le nombre de tasses qu’il vend en une journée suive une
distribution de Poisson avec λ = 10. Décrire son profit en fonction d’une variable aléatoire et
trouvez la probabilité que le stand de limonade réalise un bénéfice positif.
Soit X le nombre de tasses que Ako vend en une journée. Alors X ∼ P(10). Si Ako vend x
tasses alors son profit est de 25x − 200 cents. La variable aléatoire Y = 25X − 200 définit son
profit en fonction de X, le nombre de tasses vendues.
Puisque X prend les valeurs 0, 1, 2, · · · , Y prend les valeurs −200, −175, −150, . . ..
La probabilité que Ako réalise un profit positif est
Pr(Y > 0) = Pr(25X − 200 > 0) = Pr(X > 8) = 1 − Pr(X ⩽ 8) = 0.667.
Avec Python, on a

Pour simuler le bénéfice d’une journée en cents pour le stand de limonade, on tape

Pour simuler la probabilité de réaliser un bénéfice positif, on tape

7. Loi uniforme continue

La loi uniforme continue est une loi de probabilité continue définie sur un intervalle [a, b] ⊂ R
et caractérisée par une fonction de densité constante pour toutes les valeurs réelles x ∈ [a, b].
Contrairement à la loi uniforme discrète, l’idée d’équiprobabilité de la loi uniforme continue
ne se traduit pas au niveau de la probabilité d’une réalisation particulière, puisque pour une
loi continue la probabilité d’être en un point est nulle. Elle se traduit par le fait que tous les
intervalles de même longueur inclus dans le support [a, b] ont la même probabilité. Si X suit
une loi uniforme continue sur le segment [a, b], on note :
X ∼ U[a,b]
7.1. Fonction de densité et fonction de répartition. Soient deux valeurs réelles a et b,
telles que b ⩾ a.
D ÉFINITION 53. La variable aléatoire réelle X suit une loi uniforme continue sur le support
X(Ω) = [a, b] si sa fonction de densité est définie par :
1
fX (x) = ∀x ∈ [a, b]
b−a
Rappelons que fX (x) = 0 si x ∈ / X(Ω) = [a, b]. Dans le cas particulier où a = 0 et b = 1, on
parle de loi uniforme (continue) standard.
E XEMPLE 27. Considérons une variable aléatoire X distribuée selon une loi uniforme continue
sur X(Ω) = [0, 20], sa fonction de densité est définie par

1/20, ∀x ∈ [0, 20]
fX (x) =
0 si x ∈ / [0, 20].
 7. LOI UNIFORME CONTINUE 84

D ÉFINITION 54. Si la variable aléatoire X admet une loi uniforme continue sur X(Ω) = [a, b],
sa fonction de répartition FX (x) = P r(X ⩽ x) est définie par, pour tout x ∈ R :

 0x −sia x < a

FX (x) = si a ⩽ x ⩽ b
 b−a

1 si x > b
E XEMPLE 28. Soit X ∼ U[0,20] , alors FX (5) = Pr(X ⩽ 5) = (5 − 0)/20 = 1/4. Inversement, le
fractile d’ordre α = 0, 25 est égal à FX−1 (0, 25) = 5.

7.2. Moments. La fonction génératrice des moments de la loi uniforme U[a,b] est égale à :
exp(tb) − exp(ta)
MX (t) =
t(b − a)
pour tout t ∈ R.
De cette fonction génératrice, on peut dériver l’espérance et la variance.
P ROPRIÉTÉ 12. Espérance et variance de la loi uniforme continue.
Si X admet une loi uniforme continue sur X(Ω) = [a, b], alors :
a+b (b − a)2
E(X) = et Var(X) =
2 12
7.3. Autres propriétés. La loi uniforme standard U[ 0, 1] est particulièrement utile pour générer
des nombres au hasard de n’importe quelle distribution continue (loi normale, loi de Student, etc.).
Ce résultat est dû à la propriété dite de transformation intégrale de probabilité ou propriété PIT
(probability integral transform).

P ROPRIÉTÉ 13. PIT

Soit Y une variable aléatoire continue admettant une fonction de répartition FY (y) définie sur R.
Alors, la variable aléatoire X = FY (Y ) admet une distribution uniforme standard :
X = FY (Y ) ∼ U[0,1]
La propriété PIT est utilisée par tous les logiciels de statistique ou les tableurs pour générer un nombre
au hasard y dans n’importe quelle distribution associée à la fonction de répartition FY (y). Pour cela,
on adopte la démarche suivante :
(1) On tire un nombre au hasard dans la loi uniforme standard, c’est-à-dire une réalisation x d’une
variable aléatoire X distribuée selon une loi U[0,1] .
(2) On cherche la valeur de y telle que FY (y) = x. Par inversion de la fonction de répartition, il
vient y = FY−1 (x).
E XEMPLE 29. Soit Y une variable aléatoire réelle telle que FY (y) = 1 − exp(−y). La variable
aléatoire X = FY (Y ) = 1 − exp(−Y ) admet une distribution uniforme sur [0, 1]. Par consé-
quent pour tirer un nombre au hasard dans la loi de Y , on commence par tirer un nombre
au hasard dans la loi U[0,1] . Si par exemple on obtient une réalisation x = 0, 2541, alors une
réalisation y de Y est donnée par :
y = FY−1 (0, 2541) = − ln(1 − 0, 2541) = 0, 2932
Quelques commandes de Python pour une loi uniforme continue sur [a, b] :
Commande Exécution
[Link](x,a,b) Pr(X ⩽ x)
[Link](x,a,b) f (x)
[Link](q,a,b)
 8. LOI EXPONENTIELLE 85

Les valeurs par défaut sont a = 0 et b = 1.

Revenons sur l’exemple précédent.

Les limites dans lesquelles chercher le zéro sont obtenues par

Le choix se fait de sorte à avoir des valeurs de signes différentes.

Bien évidemment ! ! !

8. Loi exponentielle
La loi exponentielle est une loi de probabilité continue définie sur des valeurs réelles posi-
tives. Cette loi correspond au temps mesuré entre des événements issus d’un processus de
Poisson, i.e. un processus continu de comptage dans lequel les événements arrivent de façon
continue et indépendamment les uns des autres avec une intensité constante. Tout comme sa
loi discrète équivalente (la loi géométrique), une loi exponentielle permet de modéliser la
durée de vie d’un phénomène sans mémoire.
La fonction de densité de la loi exponentielle dépend d’un paramètre réel λ strictement positif,
appelé intensité. Si X suit une loi exponentielle d’intensité λ > 0 sur X(Ω) = R+ , on note :
X ∼ E(λ)
 8. LOI EXPONENTIELLE 86

8.1. Fonction de densité et fonction de répartition.

D ÉFINITION 55. La variable aléatoire réelle X suit une loi exponentielle de paramètre λ ∈ R+
sur le support X(Ω) = R+ si sa fonction de densité est définie par :
fX (x) = λ exp(−λx) ∀x ∈ R+
D ÉFINITION 56. Si la variable aléatoire X admet une loi exponentielle de paramètre λ > 0
sur X(λ) = R+ , sa fonction de répartition FX (x) = Pr(X ⩽ x) est définie par :
FX (x) = 1 − exp(−λx) ∀x ∈ R
8.2. Moments. La fonction génératrice des moments de la loi E(λ) est égale à :
 −1
t
MX (t) = 1 − ∀t ∈ R.
λ
De cette fonction génératrice, on peut dériver l’espérance et la variance.
P ROPRIÉTÉ 14. Espérance et variance de la loi exponentielle.
Si X suit une loi exponentielle de paramètre λ > 0, alors :
1 1
E(X) = et Var(X) = 2
λ λ
Tout comme la loi géométrique, la loi exponentielle est une loi sans mémoire. Elle satisfait la propriété
de Markov.
8.3. Les commandes dans Python. Voici les trois commandes pour une simple prise en main
[Link](x,λ) [Link](x,λ) [Link](q,λ)
E XEMPLE 30. Pour illustrer, supposons qu’Awa et Zawa attendent toutes les deux un autobus.
Les bus arrivent environ toutes les 30 minutes selon une distribution exponentielle. Awa
arrive à l’arrêt de bus au temps t = 0. Le temps jusqu’à l’arrivée du prochain bus a une
distribution exponentielle avec λ = 1/30. Zawa arrive à l’arrêt de bus 10 minutes plus tard, à
l’instant t = 10. L’absence de mémoire de la distribution exponentielle signifie que le temps
d’attente de Zawa sera suit également une distribution exponentielle avec λ = 1/30. Elles
attendront toutes les deux le même laps de temps.
Voici une simulation du temps d’attente avec n = 10 000

Puis avec n = 100 000

 9. LOI NORMALE 87

Même distribution pour les deux.

9. Loi normale
D ÉFINITION 57. La variable aléatoire X suit la loi normale de paramètres m (m ∈ R) et
σ (σ ≥ 0), notée N (m, σ) lorsque sa densité de probabilité est la fonction f définie sur R par
1 1 t−m 2
f (t) = √ e− 2 ( σ )
σ 2π
On admet les résultats suivants :
P ROPRIÉTÉ 15. Si une variable aléatoire X suit la loi normale de paramètres m et σ alors on a :
E(X) = m V (X) = σ 2 σ(X) = σ
9.1. Loi normale centrée réduite N (0, 1).
T HÉORÈME 9.1. Si une variable aléatoire X suit la loi normale N (m, σ) alors la variable aléatoire
Z = X−mσ
suit la loi normale centrée réduite N (0, 1). La densité de probabilité de cette loi et la fonction
de répartition sont :
Z t
1 − t2
f (t) = √ e 2 et Pr(Z ≤ t) = f (t)dt
2π −∞
Ce théorème permet de limiter l’étude des lois normales à celle de la loi normale centrée réduite N (0, 1).
D ÉFINITION 58. La fonction de répartition de la loi normale centrée réduite N (0, 1), notée
Φ(x), est définie par pour tout x ∈ R :
Z x Z x  2
1 t
Φ(x) = f (t)dt = √ exp − dt
−∞ −∞ 2π 2
Supposons que X ∼ N (m, σ) et que l’on veuille calculer FX (c) = Pr(X ≤ c) où c est une valeur
réelle. On peut alors exprimer cette probabilité cumulée à l’aide de la fonction de répartition Φ(.) de la
loi N (0, 1).    
X −m c−m c−m
FX (c) = Pr(X ≤ c) = Pr ⩽ =Φ ,
σ σ σ
X −m
puisque la variable centrée réduite suit une loi normale centrée réduite.
σ
 9. LOI NORMALE 88

9.2. Commandes dans Python.

[Link](x,µ, σ) [Link](x,µ, σ) [Link](q,µ, σ)
Les valeurs par défaut de ces paramètres sont µ = 0 et σ = 1.
E XEMPLE 31. Soit X une variable aléatoire réelle distribuée normalement avec m = 0.6 et
σ 2 = 4. Calculons la probabilité cumulée Pr(X ⩽ −0, 5).
 
X − 0.6 −0.5 − 0.6
FX (−0.5) = Pr(X ⩽ −0.5) = Pr √ ⩽ √ = Φ(−0.55)
4 4
Partant de Φ(−0, 55) = 0, 2912 on obtient Pr(X ⩽ −0, 5) = 0, 2912. Voyons comment cela se
met en œuvre dans Python.

Les tables usuelles donnent Φ pour des valeurs positives.

La propriété suivante permet de faire les calculs pour des valeurs négatives.

P ROPRIÉTÉ 16. Fonction de répartition de la loi normale centrée réduite.

Puisque la densité de la loi normale centrée réduite N (0, 1) est symétrique par rapport à son espérance
égale à 0, on a
• Φ(0) = 0.5
• Φ(−x) = 1 − Φ(x), pour tout réel x.
E XEMPLE 32. Soit X une variable aléatoire réelle telle que X ∼ N (0.6, 4). Calculons les
probabilités cumulées Pr(X ⩾ 1, 86) et Pr(X ⩽ −0.22) à partir de la table statistique de la loi
normale centrée réduite. On a pour la première probabilité :
Pr(X ⩾ 1.86) = 1 − Pr(X ⩽ 1.86)
 
X − 0.6 1.86 − 0.6
= 1 − Pr √ ⩽ √
4 4
= 1 − Φ(0.63) = 1 − 0.735653 = 0.264347
Et pour la seconde
 
X − 0.6 −0.22 − 0.6
Pr(X ⩽ −0.22) = Pr √ ⩽ √
4 4
= Φ(−0.41) = 1 − Φ(0.41)
= 1 − 0.659097 = 0.340903
Avec Python, on a directement

9.3. Quantiles de la loi normale. Les quantiles de la loi normale s’obtiennent par inver-
sion de la fonction de répartition. Notons que l’on peut toujours obtenir les quantiles d’une
loi normale N (m, σ 2 ) à partir des quantiles d’une loi normale centrée réduite, notés Φ−1 (α).
 9. LOI NORMALE 89

P ROPRIÉTÉ 17. Quantiles.

On peut toujours exprimer le quantile FX−1 (α) d’une loi N (m, σ 2 ) en fonction du quantile Φ−1 (α) de
la loi normale centrée réduite comme :
FX−1 (α) = m + σΦ−1 (α) ∀α ∈ [0, 1].
E XEMPLE 33. Soit X une variable aléatoire réelle telle que X ∼ N (0, 6; 4). Déterminons le
quantile d’ordre α = 10% de cette loi en partant de Φ−1 (0, 1) = −1.2816. On a alors
√ √
FX−1 (0, 1) = 0, 6 + 4Φ−1 (0, 1) = 0, 6 + 4(−1, 2816) = −1, 9632
Par définition si X ∼ N (0, 6; 4) alors Pr(X ⩽ −1, 9632) = 0, 1.
Comment déterminer les quantiles de la loi normale centrée réduite ? Puisque la fonction de
répartition de cette loi n’a pas de forme analytique, sa fonction de répartition inverse Φ−1 (α)
n’en a pas non plus. On doit donc recourir à des tables statistiques ou à des logiciels (par
exemple la fonction [Link] d’Excel).
Tout d’abord remarquons que les valeurs des tables correspondent à des probabilités cumu-
lées qui sont toutes supérieures à 0,5, puisque la fonction de répartition est évaluée pour des
valeurs z ≥ 0 pour lesquelles Φ(z) ≥ 0, 5. Dès lors, deux cas de figure doivent être distingués
suivant la valeur de la probabilité α.
• Premier cas. Si l’on cherche un quantile pour une probabilité α ≥ 0, 5, la lecture de
ce quantile se fait directement. On cherche dans la table la valeur la plus proche de α (ou
les valeurs encadrant α) et l’on reconstruit la valeur du quantile Φ−1 (α) par addition des
nombres figurant en en-tête de colonne et de ligne.
Par exemple, si l’on cherche Φ−1 (0, 95), les valeurs les plus proches de 0,95 figurant dans la
table sont 0,949497 et 0,950529. Ces valeurs correspondent respectivement à des réalisations
égales à 1,64 (=1,6 +0,04) et 1,65 (=1 +0,05). Le quantile à 95 % est donc compris entre 1,64 et
1,65.
• Deuxième cas. Si l’on cherche un quantile pour une probabilité α < 0, 5, on utilise la
propriété suivante.

P ROPRIÉTÉ 18. Quantiles de la loi normale centrée réduite.

Puisque la densité de loi normale centrée réduite N (0, 1) est symétrique par rapport à son espérance
égale à 0, sa fonction de répartition inverse vérifie :
(1) Φ−1 (0.5) = 0
(2) Φ−1 (α) = −Φ−1 (1 − α) pour tout α ∈ [0, 1].
E XEMPLE 34. Déterminons le quantile d’ordre α = 0, 025 de la loi normale centrée réduite.
Par définition Φ−1 (0, 025) = −Φ−1 (0, 975). On cherche alors le quantile à 97,5 % dans une
table selon la méthode précédente. On trouve que ce quantile est compris entre 1,95 et 1,96.
Par conséquent, Φ−1 (0, 025) est compris entre -1,95 et -1,96.
E XEMPLE 35. On suppose que X ∼ N (0, 6; 4), déterminons les quantiles FX−1 (α) d’ordres
α = 0, 05 et α = 0, 90. Nous savons que :
√
FX−1 (0, 05) = 0, 6 + 4 × Φ−1 (0, 05)
Sachant que Φ−1 (0, 05) = −Φ−1 (0, 95), on cherche dans la table la valeur la plus proche de
0,95. On trouve la probabilité 0,950529 associée à une réalisation de 1,65 (=1,6 + 0,05). Par
conséquent Φ−1 (0, 05) ≃ −1, 65.
FX−1 (0, 05) = 0, 6 + 2(−1, 65) ≃ −2, 70
On obtient le quantile FX−1 (0, 90) par lecture directe de la table :
√
FX−1 (0, 90) = 0, 6 + 4 × Φ−1 (0, 90) ≃ 0, 6 + 2 × 1, 28 ≃ 3, 16
 10. LOI DU KHI-DEUX 90

9.4. Quantiles avec Python. La commande Python pour trouver les quantiles d’une
distribution de probabilité est obtenue en faisant suivre le nom de la distribution des lettres
ppf. Les quantiles normaux sont trouvés avec la commande qnorm. Pour trouver le 90e
quantile de la distribution normale N (0.6, 2), on tape

10. Loi du khi-deux

La loi du khi-deux (ou « khi carré ») est une loi de probabilité continue définie sur l’ensemble
des réels positifs R+ . Sa densité dépend d’un paramètre appelé nombre de degrés de liberté,
noté k, avec ∈ N∗ . Si une variable aléatoire X définie sur X(Ω) = R+ suit une loi du khi-deux
à k degrés de liberté, on note alors :
X ∼ χ2 (k)
□ R EMARQUE : Le nombre de degrés de liberté k est un entier non nul, on ne peut donc
pas définir une loi du khi-deux χ2 (0) ou χ2 (1/2) par exemple.
La distribution du khi-deux à k degrés de liberté correspond à la distribution de la somme des
carrés de k variables aléatoires indépendantes admettant une distribution normale centrée et
réduite.
Définition d’une loi de khi-deux.
Soient X1 , · · · , Xk des variables aléatoires réelles indépendantes telles que Xi ∼ N (0, 1) pour
i = 1, · · · , k. Alors :
X12 + · · · + Xk2 ∼ χ2 (k)

Par définition, si la variable X suit une loi normale centrée réduite, la variable X 2 suit une
distribution du khi-deux à 1 degré de liberté.
□ R EMARQUE : Puisque la loi du khi-deux correspond à la loi de la somme de carrés de
variables normales, cette loi ne peut être définie que sur R+ : la réalisation
d’une variable du khi-deux n’est jamais négative.
 10. LOI DU KHI-DEUX 91

10.1. Graphique. Voici à quoi peut ressembler une distribution de χ2 :

Et le code pour ces graphiques

10.2. Moments. La fonction génératrice des moments de la loi χ2 (k) est égale à :
k 1
MX (t) = (1 − 2t)− 2 ∀t <
2
De cette fonction génératrice, on peut dériver l’espérance et la variance.
P ROPRIÉTÉ 19. Espérance et variance de la loi du khi-deux.
Si X suit une loi du khi-deux à k degrés de liberté, alors :
E(X) = k et Var(X) = 2k
10.3. Autre propriété.

P ROPRIÉTÉ 20. Additivité de la loi du khi-deux.

Soient X1 , · · · , Xn des variables aléatoires réelles indépendantes telles que Xi ∼ χ2 (ki ) pour i =
1, · · · , n. Alors :
(X1 + · · · + Xn ) ∼ χ2 (k1 + · · · + kn )
10.4. Dans Python. On appelle la distribution par
chi2
E XEMPLE 36. Supposons que X ∼ χ2 (5) et que l’on souhaite calculer la probabilité cumulée
FX (1.61) = Pr(X ⩽ 1.61). On a directement

Si l’on cherche à calculer le quantile d’ordre α = 5% on procède par

 11. LOI DE STUDENT 92

11. Loi de Student

La loi de Student (ou distribution t), du pseudonyme choisi par William Gosset ( 1876-1937), est
une loi de probabilité continue définie sur l’ensemble des réels R. Cette loi est très utilisée dans la
construction d’intervalles de confiance, pour établir la distribution de certaines statistiques de test et
notamment du test de Student ou test-t.
La densité d’une loi de Student dépend d’un paramètre appelé nombre de degrés de liberté, noté ν, avec
ν ∈ N∗ . Si une variable aléatoire X définie sur X(Ω) = R suit une loi de Student à ν degrés de liberté,
on note alors :
X ∼ t(ν)
La distribution de Student à u degrés de liberté correspond à la distribution d’un ratio de deux variables
indépendantes respectivement distribuées selon une loi normale standard et une loi du khi-deux à ν
degrés de liberté.
P ROPRIÉTÉ 21. Définition d’une loi de Student.
Soient Y et Z deux variables aléatoires réelles indépendantes telles que Y ∼ N (0, 1) et Z ∼ χ2 (ν),
alors :
Y
p ∼ t(ν)
Z/ν
Puisque la variable normale Y est distribuée sur R et la variable Z (khi-deux) sur R+ , la loi de Student
est définie sur R
11.1. Graphique.

Le code dans Python

Et le graphique
 12. LOI DE FISHER-SNEDECOR 93

12. Loi de Fisher-Snedecor

12.1. Présentation de la loi. La loi de Fisher-Snedecor (ou loi de Fisher), du nom des statisticiens
britannique Ronald Fisher ( 1890- 1962) et américain George Snedecor (1881- 1974), est une loi de
probabilité continue définie sur l’ensemble des réels positifs R+ . Cette loi est notamment utilisée pour
caractériser la distribution de certaines statistiques de test sous l’hypothèse nulle et en particulier
celle du test de Fisher ou F-test. La densité d’une loi de Fisher dépend de deux paramètres n et m qui
correspondent à des nombres de degrés de liberté, avec (n, m) ∈ N∗ × N∗ . Si une variable aléatoire X
définie sur X(Ω) = R+ suit une loi de Fisher à n et m degrés de liberté, on note :
X ∼ F(n, m)
P ROPRIÉTÉ 22. Distribution d’une loi de Fisher.
Soient Y et Z deux variables aléatoires réelles indépendantes telles que Y ∼ χ2 (n) et Z ∼ χ2 (m),
alors :
Y /n
∼ F(n, m)
Z/m
12.2. Graphique.
Le code dans Python

Et le graphique
CHAPITRE 7

ESTIMATION STATISTIQUE

L’objet de ce chapitre n’est pas de donner une méthode générale d’estimation, mais plutôt d’exposer
quelques propriétés et définitions qui seront reprises par la suite.

1. Généralités
L’estimation consiste à rechercher la valeur numérique d’un ou plusieurs paramètres inconnus d’une
loi de probabilité à partir d’observations (valeurs prises par la v.a. qui suit cette loi de probabilité).
On utilise pour cela un estimateur fonction de la v.a. étudiée : quand la v.a. prend comme valeur
l’observation, la valeur de l’estimateur est appelée estimation.

L’exemple suivant illustre ces définitions.

E XEMPLE 37. On s’intéresse au GMQ (Gain Moyen Quotidien) des porcs . Supposons que ce
GMQ que nous noterons X est distribué normalement, en d’autres termes que X suit une loi
N (µ, σ 2 ), où µ représente le GMQ moyen de toute la population de porcs et σ 2 la variance de
la distribution des GMQ. Les paramètres µ et σ 2 sont inconnus, l’objet de l’estimation est de
trouver une valeur « raisonnable » pour ces paramètres. Deux possibilités s’offrent à nous :
(1) soit on peut mesurer le GMQ de tous les porcs de la population et, dans ce cas, les
paramètres µ et σ 2 seront parfaitement connus,
(2) soit la population est trop grande, et, on est obligé de travailler sur un échantillon.
Cet échantillon va nous donner des informations sur les vraies valeurs (celles de la popu-
lation) µ et σ 2 . Supposons que l’on ait étudié le GMQ (en grammes) sur un échantillon de
taille n = 10. Notons x1 , x2 , · · · , x10 , le GMQ des porcs N ◦ 1, N ◦ 2, · · · , N ◦ 10 de cet échantillon.
La moyenne de l’échantillon P (notée x) est une « approximation » de la moyenne µ de la
population. La quantité x = n ni=1 xi est un estimateur de µ.
1

Num Porc 1 2 3 4 5 6 7 8 9 10
GMQ (gr) 500 530 560 510 620 560 540 610 600 580
Table des Gains Moyens Quotidiens observés sur un échantillon de 10 porcs. Le mot P estima-
teur se réfère au procédé de calcul utilisé pour approximer µ. La quantité x = 1/10 × xi =
561 est une estimation de µ.
Le mot estimation se réfère à la valeur numérique utilisée pour approximer. En général, un
estimateur est une variable aléatoire, en d’autres termes l’estimation du paramètre dépend
des individus présents dans l’échantillon.
Si un autre échantillon avait été considéré, une autre estimation du paramètre aurait été
obtenue. Le choix de l’estimateur se fait selon des critères qui mesurent sa proximité au
94
 2. ESTIMATEUR CONVERGENT 95

paramètre inconnu.

Nous allons dans ce qui suit présenter la liste des critères les plus souvent utilisés pour définir
les « qualités » d’un estimateur.
2. Estimateur convergent
Une des propriété élémentaires que doit remplir un estimateur est d’être convergent. En
d’autres termes, lorsque la taille de l’échantillon tend vers l’infini, il faut que l’estimateur se
« rapproche » du paramètre qu’il estime. Il existe plusieurs façons de mesurer cette proximité
qui donnent lieu à la définition de plusieurs types de convergence. Notre objectif n’étant pas
ici de faire un cours de statistiques fondamentales, nous nous bornerons à citer les principaux
types de convergence et à les illustrer à l’aide des deux exemples suivants.

E XEMPLES 2.
(1) Soient X1 , · · · , Xn , n variables aléatoires de même loi N (µ, σ 2 ). On s’intéresse à la
1 Pn
convergence de la moyenne empirique X = Xi vers µ.
n i=1
(2) Soit X une variable aléatoire distribuée selon une loi B(n, p). On s’intéresse à la conver-
gence de p̂n = X/n vers p.
Dans un cadre plus général, nous noterons Tn un estimateur du paramètre θ obtenu à partir
d’un échantillon de taille n qui vérifie pour tout n, E(Tn ) = θ.
D ÉFINITION 59. : L’estimateur Tn est convergent en moyenne quadratique si :
V ar(Tn ) → 0
quand n → ∞.
Rappelons que la variance d’une variable aléatoire est définie par
V ar(Tn ) = E(Tn − E(Tn ))2 = E(Tn − θ)2
Dire que Tn converge en moyenne quadratique signifie en fait que lorsque n tend vers l’infini
la distance moyenne qui sépare Tn de θ tend vers 0. Il est facile d’établir que
σ2
V ar(X n ) =
n
Par conséquent lorsque n → ∞, on a V ar(X n ) → 0. De même
p(1 − p)
V ar(p̂n ) =
n
tend vers 0 quand n tend vers ∞.
D ÉFINITION 60. L’estimateur Tn est convergent en probabilité si : pour tout ε > 0 fixé la
quantité Pr(||Tn − θ|| > ε) tend vers 0 quand n tend vers ∞.
Ce type de convergence peut s’interpréter de la façon suivante. Supposons que l’on se fixe
un intervalle de largeur 2ε centré sur θ. Supposons de plus que nous disposons d’un grand
nombre de réalisations de Tn (obtenu avec un grand nombre d’échantillons de taille n). On
s’intéresse au pourcentage de ces réalisations qui « tombent » en dehors de cet intervalle. Alors,
l’estimateur Tn converge en probabilité vers θ si ce pourcentage tend vers 0 quand n tend
vers l’infini. Il faut noter que ceci ne présume en rien de la distance qui sépare les réalisations
de Tn en dehors de l’intervalle, de la valeur de θ. En revanche, si Tn converge en moyenne
quadratique alors il converge en probabilité. Nous avons vu avant que la moyenne empirique
(resp. p̂) converge en probabilité vers µ (resp. p). La preuve est une simple application de
l’inégalité de Tchebychev.
 4. ESTIMATEUR DE VARIANCE MINIMUM 96

D ÉFINITION 61. L’estimateur Tn est presque sûrement convergent si :

Pr( lim Tn ̸= θ) = 0.
n→∞

On voit à travers cette définition que la convergence presque sure est une convergence
beaucoup plus « forte » que la convergence en probabilité : elle implique la convergence en
probabilité. Pour obtenir une convergence presque sure, il est nécessaire que la convergence
en probabilité soit suffisamment rapide pour que n assez grand un très faible pourcentage de
réalisations de Tn ne tombent en dehors de l’intervalle que nous avons défini précédemment.
En réfléchissant un peu, on peut voir que si Tn converge en probabilité alors, il est possible de
trouver une sous suite de (Tn )n qui converge presque surement. La preuve de la convergence
presque sure de la moyenne empirique et de p̂ repose sur l’utilisation de la loi forte des
grands nombres dont la démonstration de ce théorème sort des objectifs de ce cours.

3. Estimateur sans biais

Un estimateur peut être sans biais. Un estimateur est sans biais si, à taille de l’échantillon
finie et fixée, les différentes estimations d’un même paramètre sur différents échantillons ad-
mettent le paramètre à estimer comme espérance ; ou plus simplement, si T est un estimateur
de θ , E(T ) = θ. L’opérateur E(.) est utilisé pour symboliser la moyenne de population de la
variable aléatoire sur laquelle il opère.

Revenons à notre exemple des GMQ et supposons que 1000 échantillons aient été faits. Ces
1000 échantillons ont fournis 1000 estimations du GMQ moyen (celui de la population).
Dire que x est un estimateur sans biais de µ équivaut à dire que sur un grand nombre
d’échantillons, µ est la moyenne des xi . On pourrait croire à tort que tous les estimateurs
usuels sont sans biais, c’est faux, les exemples suivants sont les plus connus. Un estimateur
classiquement utilisé pour la variance est :
n
1X
σ̂n = (xi − xi )2
n i=1
C’est un estimateur biaisé de la variance, il sous-estime en moyenne la variance de population,
puisque
1
E(σ̂n ) = (1 − )σ
n
On voit à partir de la formule précédente qu’un estimateur sans biais de la variance est donné
par
n
1 X
σ̂n−1 = (xi − xi )2
n − 1 i=1
Si la moyenne de population µ est connue, il est facile de montrer qu’un estimateur sans biais
de la variance est donnée par
n
1X
σ̂ = (xi − µ)2
n i=1

4. Estimateur de variance minimum

Un estimateur peut être de variance minimum. Comme le montre le schéma ci-dessus, x est
aléatoire, en d’autres termes pour différents échantillons, on obtient différentes estimations
de µ. En général, on utilise comme indice de dispersion de l’estimateur sans biais T de θ, la
quantité E[(T − θ)2 ]. C’est-à-dire la moyenne des carrés des écarts de T au paramètre estimé
θ. Cette quantité n’est autre que la variance (théorique c-à-d calculée avec les paramètres
de population) de l’estimateur quand il est sans biais. Un critère de choix des estimateurs
est que sa dispersion ne soit pas trop grande. Une technique d’estimation (le maximum de
 5. DANS LA PRATIQUE 97

vraisemblance) permet de construire des estimateurs qui asymptotiquement sont de variance

minimum. La plupart des estimateurs que vous utilisez classiquement sont des estimateurs de
variance minimum, en d’autres termes, il n’existe pas d’estimateurs plus « précis » permettant
d’estimer la quantité que vous étudiez.
E XEMPLE 38. On veut estimer le GMQ d’une population de porc. À cet effet deux échantillons
indépendants sont tirés. Sur le premier échantillon de taille 10, une moyenne de x = 580 g est
observée, sur le second échantillon de taille 30, on observe une moyenne y de 620 g. Pour
estimer la moyenne de population, on vous propose deux procédés de calcul
x+y 580 + 620 10x + 30y
z1 = = = 600 et z2 = = 610
2 2 10 + 30
A votre avis, y a t-il une estimation meilleure que l’autre ? Pour répondre à cette question
simple, nous allons examiner deux propriétés de ces estimateurs. Tout d’abord, nous allons
regarder si ces estimateurs sont biaisés, nous examinerons ensuite la « précision » de chacun
de ces estimateurs. Nous noterons par la suite
10 30
1 X 1 X
X= Xi et Y = Yi
10 i=1 30 i=1
et nous supposerons que les v.a Xi sont indépendantes, que les v.a Yi sont indépendantes
et que les Xi et les Yi sont indépendantes. Pour examiner le biais éventuel de chacun des
estimateurs Z1 et Z2 , il suffit de calculer leur espérance :
X +Y
E(Z1 ) = E( ) = 1/2(E(X) + E(Y ))
2
Or nous savons que les porcs proviennent de la même population et que X et Y sont des
estimateurs non biaisés de µ. On en déduit que
E(Z1 ) = 1/2(E(X) + E(Y )) = 1/2(µ + µ) = µ
De même, on a
10X + 30Y
E(Z2 ) = E( ) = (10/40)E(X) + (30/40)E(Y )) = 1/4µ + 3/4µ = µ.
40
On voit que Z1 et Z2 sont des estimateurs non biaisés de µ : ce critère ne suffit donc pas
pour faire un choix. Comme ces estimateurs sont non biaisés, un indice de mesure de leur
dispersion est donné par leur variance :
1 σ2 σ2 σ2
   
X +Y
V ar(Z1 ) = V ar = 1/4(V ar(X) + Var(Y )) = + =
2 4 10 30 30
et
1 σ2 9 σ2 σ2
 
X 3Y 1 9
V ar(Z2 ) = V ar + = V ar(X) + V ar(Y ) = + =
4 4 16 16 16 10 16 30 40
L’estimateur Z2 a donc une variance plus petite que l’estimateur Z1 .

5. Dans la pratique
L’objet de cette section est de montrer l’utilisation de certains estimateurs couramment
rencontrés en statistiques. Le mot estimation recouvre en fait deux types de techniques :
(1) l’estimation ponctuelle : une valeur du paramètre à estimer,
(2) l’estimation par intervalle : un intervalle dans lequel il est vraisemblable de trouver
avec une probabilité donnée 1 − α le paramètre à estimer. (On parle alors d’intervalle
de confiance de sécurité 1 − α).
□ R EMARQUE : Extrait de la table de la loi normale centrée
 5. DANS LA PRATIQUE 98

Seuil de Confiance 99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50%
zc 3 2.58 2.33 2.05 2 1.96 1.645 1.28 1 0.6745

5.1. Estimation d’une moyenne. En utilisant les considérations soulignés dans le para-
graphe précédents, les limites de confiance de la moyenne de la population sont données par
la relation :
X ± zc σX
où zc dépend du seuil de confiance désiré et s’obtient à partir du tableau précédent.
En utilisant les résultats obtenus dans la théorie d’échantillonnage, les limites précises de
confiance de la moyenne de la population sont donc données par l’expression :
σ
X ± zc √ si la population est considérée comme infinie, ou alors
n
r
σ N −n
X ± zc √ si la population est considérée comme finie
n N −1
Il convient de remarquer que de manière générale, l’écart-type de la population est inconnu
de sorte que les limites de confiance s’obtienne en utilisant l’estimation empirique σ̂ de σ.
5.2. Estimation d’une fréquence. Si la statistique S est la proportion de succès dans un
échantillon de taille n tiré d’une population binomiale pour laquelle la fréquence de succès
vaut p, les limites de confiance de p sont données par P ± zc σp où P est la proportion de
succès dans l’échantillon de taille n.
Il résulte des sections précédentes que dans ce cas, les valeurs explicites des limites de
confiance sont : r r
pq p(1 − p)
P ± zc = P ± zc
n n
la population étant supposée ici infinie et dans le cas contraire on a :
r r
pq N − n
P ± zc
n N −1
5.3. Estimation des différences. Considérons S1 et S2 deux statistiques d’échantillonnage
ayant des distributions voisines de la loi normale.
D’après les considérations précédentes, les limites de confiance de la différence des para-
mètres de la population correspondant à S1 et S2 sont données par :
q
S1 − S2 ± zc σS1 −S2 = S1 − S2 ± zc σS2 1 + σS2 2

S’agissant de la somme de ces mêmes paramètres, les limites de confiance sont données par :
q
S1 + S2 ± zc σS1 +S2 = S1 + S2 ± zc σS2 1 + σS2 2

Il convient de souligner que ces relations ne sont valables que lorsque les échantillons sont
indépendants.
De manière particulière, les limites de confiance de la différence de deux moyennes de
populations, dans le cas où ces populations sont infinies, sont données par :
s
σ12 σ22
X 1 − X 2 ± zc σX 1 −X 2 = X 1 − X 2 ± zc +
n1 n2
où X 1 , σ1 , n1 et X 2 , σ2 , n2 sont respectivement les moyennes, les écart-types et les tailles de
deux échantillons extraits des populations.
 5. DANS LA PRATIQUE 99

S’agissant de la différence de deux fréquences théoriques dans le cas des populations infinies,
les limites de confiance sont :
s
p1 (1 − p1 ) p2 (1 − p2 )
P1 − P2 ± zc σP1 −P2 = P1 − P2 ± zc +
n1 n2
où P1 et P2 sont les fréquences des échantillons, n1 et n2 les tailles de ces deux échantillons et
p1 et p2 les fréquences dans les deux populations (estimées par p1 et p2 ).
5.4. Estimation d’un écart-type. Il arrive aussi qu’on ait besoin d’estimer l’écart-type
d’une population à partir de celui d’échantillons.
On démontre dans ce cas que les limites de confiance de l’écart-type σ d’une population dis-
tribuée normalement, σ étant estimé par l’écart-type s d’un échantillon, ont pour expression :
σ
s ± zc σs = s ± zc √
2n
□ R EMARQUE : Les limites de confiance à 50% des paramètres d’une population cor-
respondant à une statistique S sont données par ( vérifier sur la table
) S ± 0.6745σS .
La quantité 0.6745σS s’appelle erreur probable de l’estimation.
5.5. Exemples d’application.

I. La moyenne et l’écart-type des charges maximales supportées par 60 câbles sont respective-
ment 11.09 tonnes et 0.73 tonnes.
Déterminer les limites de confiance :
a) à 95% , b) à 99% de la charge moyenne de tous les câbles produits par l’usine.
Réponses : a) 11.09 ± 0.18 tonnes b) 11.09 ± 0.24 tonnes.
Avec Python on a

II. Une usine possède 500 câbles. Un test sur 40 câbles choisis au hasard a donné une résis-
tance de rupture moyenne de 2400 kg et un écart-type de 150 kg.
a) Quelles sont les limites de confiance à 95% et à 99% pour l’estimation de la résistance de
rupture moyenne des 460 câbles restants ?
b) Avec quel degré de confiance peut-on dire que la résistance de rupture moyenne des 460
câbles restants vaut 2400 ± 35 Kg ?
Reponses : a) 2400 ± 45 kg, 2400 ± 59 kg b) 87.6%
 6. CAS GÉNÉRAL 100

III. On administre des somnifères sous forme de pilules à deux groupes de malades, A et B,
comprenant respectivement 50 et 100 individus. On a donné au groupe A des pilules d’un
type nouveau et au groupe B des pilules classiques.
Les patients du groupe A ont dormi 7.82 heures en moyenne, ceux du groupe B 6.75 heures.
L’écart-type étant pour le groupe A de 0.24 heure, pour le groupe B de 0.30 heure, calculer les
limites de confiance a) à 95%, b) à 99% pour la différence des moyennes d’heures de sommeil
provoquées par les deux somnifères.
Réponses : a) 1.07 ± 0.09 heure, b) 1.07 ± 0.12 heure.

6. Cas général
Dans les lignes précédentes, la taille de l’échantillon était supposée suffisamment grande.
Voici ce qui se passe en générale, même lorsque n < 30.
6.1. Estimation des paramètres d’une loi normale. Soient X1 , · · · , Xn n v.a indépen-
dantes de même loi N (µ, σ 2 ). Nous commençons par estimer la variance puis nous estimons
la moyenne. Afin d’effectuer des estimations par intervalle, nous avons besoin de la proposi-
tion suivante :
1 Pn 2 1 Pn
P ROPOSITION 6.1. Soient X = i=1 Xi et σ̂n−1 = (Xi − X)2 . Alors on a
n n − 1 i=1
σ2
(1) X ∼ N (µ, )
n
2
(2) X et σ̂n−1 sont indépendants.
 6. CAS GÉNÉRAL 101

Pour illustrer l’emploi des formules, nous reprendrons les données de l’exemple des GMQ
précédent (nous supposons donc que la normalité des GMQ est déjà démontrée).
Num Porc 1 2 3 4 5 6 7 8 9 10
GMQ (gr) 500 530 560 510 620 560 540 610 600 580
Estimation de la moyenne
Un estimateur sans biais de la moyenne est donné par
n
1X
X= Xi
n i=1
En utilisant l’affirmation (1) de la proposition, il vient
√ X −µ
n ∼ N (1, ∞)
σ
et après d’autres développements mathématiques (en utilisant la loi du χ2 et l’indépendance
2
de X et σ̂n−1 ), on déduit
X −µ
T = σ̂2 ∼ Studentn−1
n−1
√
n
Un intervalle confiance de sécurité 1 − α de µ est donc donné par
r r
2 2
1−α/2 σ̂n−1 1−α/2 σ̂n−1
(MOY) X − tn−1 ⩽ µ ⩽ X + tn−1
n n
ou encore
1−α/2 1−α/2
X − tn−1 se ⩽ µ ⩽ X + tn−1 se
1−α/2
avec tn−1 est la valeur limite au seuil 1 − α/2 d’une loi du student à n − 1 degrés de liberté.
E XEMPLE 39. Une application
Dans notre exemple n = 10 et une estimation de la moyenne est donnée par X = 561. Un
intervalle de sécurité 0.95 peut alors facilement être construit : la table de Student nous donne
1−0.05/2
pour 10-1 = 9 degrés de liberté t9 = 2.262 nous en déduisons donc que nous avons 95
chances sur 100 de trouver la moyenne de population dans l’intervalle
" r r #
1721.11 1721.11
561 − 2.262 ; 561 + 2.262 soit 526.6 ⩽ µ ⩽ 595.36
10 10
 6. CAS GÉNÉRAL 102

□ R EMARQUE : Il y a souvent confusion entre l’intervalle de confiance de la moyenne

défini par (MOY ) et l’intervalle dans lequel se trouve une certaine fraction
de la population défini comme suit :
r r
1−α/2 n+1 2 1−α/2 n+1 2
(POP) X − tn−1 σ̂n−1 ⩽ µ ⩽ X + tn−1 σ̂n−1
n n
Cette confusion est souvent renforcée par des présentations de résultats de
la forme X ± et où et est une quantité qui est soit SD soit se. Il est clair que
pour être interprétable il est nécessaire de savoir ce que et représente.
Pour obtenir (POP), considérons une v.a X indépendante des (Xi )i et de loi N (µ, σ 2 ). Alors
X − X ∼ N (0, σ 2n+1 ) et en reprenant le même raisonnement que celui que nous venons de
n
faire pour la construction de (MOY), il est facile d’obtenir le résultat. Dans notre exemple,
l’intervalle dans lequel se trouvent 95% de la population vaut
" r r #
11 11
561 − 2.262 1721.11; 561 + 2.262 1721.11 soit [447.00; 674.99]
10 10
En utilisant le théorème « central limit » il est facile de voir que l’intervalle de confiance de
la moyenne (MOY ) ne dépend pas tellement de la distribution des données si la taille de
l’échantillon est suffisante. En d’autres termes, l’hypothèse de normalité de la distribution
peut être relaxée pour des échantillons de taille assez grande. En revanche, il est clair que la
forme de la distribution est très importante pour les intervalles dans lesquels se trouvent une
certaine portion de la population (POP).

6.2. Estimation d’un pourcentage. L’objet de ce paragraphe est de montrer les techniques
de construction des intervalles de confiance des pourcentages. Pour construire un intervalle
de confiance, nous avons besoin d’identifier les lois de probabilités sous-jacentes. A cet effet
prenons des notations. Soit X une variable aléatoire distribuée selon une loi Binomiale de
paramètres N et p. X est donc le nombre d’individus qui satisfait une certaine condition de la
forme (0, 1) avec une probabilité p. La quantité N est déterministe et connue et on cherche
une valeur raisonnable de p. Il est clair qu’un estimateur sans biais de p est donné par p̂ = Np .
En revanche, la recherche d’un intervalle de confiance de p pose quelques problèmes : les
seuls intervalles faciles de construire ne sont qu’approximatifs et ils ne deviennent vraiment
fiables que lorsque n est assez grand.
Méthode 1 (exacte)
Cette méthode de construction d’intervalle de confiance est exacte. Par conséquent aucune
hypothèse concernant la taille de l’échantillon n’est requise. Il est difficile de l’utiliser directe-
ment sans faire appel à des techniques d’analyse numérique ; aussi on a souvent recours à
des tables ou à des logiciel spécialisés.
Notons p̂sup la solution de
x  
X N i
p (1 − p)N −i = α/2
i=1
i
et p̂inf la solution de
N  
X N i
p (1 − p)N −i = α/2
i=x
i
 
alors un intervalle de sécurité 1 − α est donné par p̂inf ; p̂sup .
Méthode 2
 6. CAS GÉNÉRAL 103

Cette méthode repose sur le même principe que la méthode exacte. On approxime la loi
Binomiale (de paramètres N et p par la loi de Poisson de paramètre N p. Il faut donc que les
[Link] pour cette approximation soient vérifiées (N grand p petit, N p raison-
nable).
Méthode 3
Grace au théorème central limit et à la loi des grand nombres, nous savons que pour N assez
grand, la quantité
p̂ − p
Z=q
p̂(1−p̂)
N
est approximativement distribuée selon une loi N (0, 1). (Il faut que les conditions requises
pour cette approximation soient vérifiées ) Un intervalle de sécurité 1 − α est donc donné par
r r
p̂(1 − p̂) p̂(1 − p̂)
p̂ − z1−α/2 ⩽ p ⩽ p̂ + z1−α/2
N N
où z1−α/2 est la valeur limite au seuil α/2 d’une loi N (0, 1) (Si α = 0.05 alors z1−α/2 = 1.96 ).
Application :
On s’intéresse au pourcentage d’animaux porteur d’une anomalie. Supposons que sur un
échantillon de taille N = 100 on a observé x = 10 animaux porteurs de cette anomalie alors
p̂ = 0.1 = 10/100. Notre objectif est de construire l’intervalle de confiance de sécurité 1 − α.
En utilisant la méthode 1 nous devons résoudre :
10  
X 100
i
p̂sup (1 − p̂sup )100−i = 0.025
i=1
i
et
100  
X N
(p̂inf )i (1 − p̂inf )N −i = 0.025
i=10
i
Un calcul avec un logiciel spécialisé nous donne p̂sup = 0.1762 et p̂inf = 0.0491. En effet, voici
les calculs avec R :

On obtient la limite supérieure puis inférieure par

et
 6. CAS GÉNÉRAL 104

L’intervalle de confiance de sécurité 0.95 de p est donc : [0.0491; 0.1762].

Enfin, la construction d’un intervalle de confiance de sécurité 95% avec la méthode 3 nous
conduit à " r r #
0.1 × 0.9 0.1 × 0.9
0.1 − 1.96 ; 0.1 + 1.96 = [0.0412; 0.1588]
100 100
Ces résultats sont proches de ceux que l’on obtient avec la méthode exacte et sont obtenus
grâce à un calcul direct.
CHAPITRE 8

TESTS D’HYPOTHÈSES

1. Introduction
Nous avons étudié, dans le chapitre précédent, le problème de l’estimation des paramètres
d’une population. Un autre problème fondamental de la théorie statistique est le test des
hypothèses concernant une population. En ce qui concerne la distribution normale, le test de
la population se réduit au test des paramètres µ et σ. Pour la distribution binomiale, nous
avons à tester le paramètre p et pour la distribution exponentielle ou celle de Poisson il
suffit de tester la moyenne µ. Les tests que nous étudierons dans ce chapitre sont des tests
d’hypothèses statistiques. Une hypothèse statistique est une supposition sur la densité de
probabilité d’une variable aléatoire. Le test d’une hypothèse statistique est une procédure
pour décider s’il faut accepter ou refuser une hypothèse.
E XEMPLE 40. La durée de vie de certaines ampoules électriques suit la loi exponentielle :
f (x) = θe−θx x⩾0
On possède des ampoules électriques, mais on ne sait pas s’il s’agit d’ampoules de la marque
A ou de la marque B. La durée de vie moyenne des ampoules de la marque A est de 100
heures, celle de la marque B 200 heures.
Supposons que l’on croit que les ampoules soient de la marque A, donc avec une durée de
vie moyenne de 100 h.
Nous avons ici une hypothèse statistique, qu’on appelle H0 , ou hypothèse nulle, en ce
sens que la différence entre la valeur trouvée avec un échantillon et la vraie valeur est due
uniquement à une erreur d’échantillonnage. Par conséquent, il n’y a pas de différence entre
la population et l’échantillon, les membres de l’échantillon proviennent de la population en
question. Cette hypothèse H0 est donc l’hypothèse que la durée de vie moyenne soit 100 h.
On écrit :
H0 : θ0 = 1/100 = 0.01
L’hypothèse contraire, qu’on appelle H1 , est celle d’une durée de vie moyenne de 200 h,
donc :
H1 : θ1 = 1/200 = 0.005
Si l’on veut tester l’hypothèse H0 , on prend un échantillon et on détermine la durée de vie
moyenne.
Supposons que l’on teste une seule ampoule, de manière à pouvoir représenter graphique-
ment la densité de probabilité. On détermine donc la durée de vie de cette ampoule. On a
alors une observation de la variable aléatoire x et, sur la base de cette valeur de x, on prend
la décision d’accepter l’hypothèse H0 ou de la refuser. Refuser H0 correspond évidemment à
accepter l’hypothèse H1 . Il faut déterminer quelles sont les valeurs de x où H0 est acceptée,
105
 2. TYPES D’ERREUR 106

les autres valeurs étant alors celles où H0 est refusée. Les valeurs de x pour lesquelles H0
est rejetée déterminent ce qu’on appelle la région critique du test. La région critique du test
d’une hypothèse statistique est la partie de l’espace d’échantillonnage qui correspond au rejet
de l’hypothèse testée. Construire un test pour H0 revient alors à choisir la région critique.

2. Types d’erreur
Supposons que le statisticien décide que la région critique soit formée par les valeurs su-
périeures à 200 (x > 200). Pour savoir s’il s’agit d’un choix judicieux, il faut analyser les
conséquences. Si H0 est vraie et la valeur de x est plus grande que 200, on prend une
décision incorrecte, car on rejette une hypothèse vraie. Ce genre d’erreur est appelé une
erreur de type I . Si H0 est fausse et la valeur de x est plus petite que 200, on prend aussi
une décision incorrecte, car on accepte une hypothèse fausse. Ce genre d’erreur est appelé
une erreur de type II .
On peut réunir les différentes possibilités dans le tableau suivant :
H0 vraie H0 fausse
H0 acceptée décision correcte erreur de type II
H0 rejetée erreur de type I décision correcte

Il faut mesurer la possibilité de faire les deux types d’erreur, de manière à pouvoir déterminer
si le choix de la région critique est satisfaisant. Cette probabilité est donnée par la grandeur de
l’erreur. La grandeur de l’erreur de type I est la probabilité (α) que la valeur de l’échantillon
tombe dans la région critique lorsque H0 est vraie :

α = Pr( rejeter H0 /H0 est vraie )

La grandeur de l’erreur de type II est la probabilité (β) que la valeur de l’échantillon tombe
dans la région d’acceptation lorsque H0 est fausse :

β = Pr( accepter H0 /H0 est fausse )

On obtient un bon test en utilisant le principe suivant : parmi tous les tests qui ont la même
grandeur de l’erreur de type I, choisir celui qui a la plus petite grandeur de l’erreur de type
II. En général, la grandeur de l’erreur de type II augmente lorsque celle de l’erreur de type
I diminue. On ne peut pas minimiser les deux erreurs à la fois. Pour cette raison, on prend
souvent une valeur donnée pour α, la grandeur de l’erreur de type I, et on minimise β, la
grandeur de l’erreur de type II.
Pour α on utilise très souvent une valeur de α égale à 0.05, c’est-à-dire qu’approximativement
dans 5% des cas l’hypothèse vraie est rejetée. Si l’erreur de type I est considérée comme plus
sérieuse que celle de type II, on peut prendre des valeurs plus petites pour α.
Reprenons notre exemple des ampoules électriques. On a, pour l’hypothèse nulle :

Z +∞
H0 : θ0 = 0.01 α= 0.01e−0.01 x dx = e−2 = 0.13534
200

Et pour l’hypothèse alternative,

Z 200
H1 : θ1 = 0.005 β = 0.005e−0.005 x dx = 1 − e−1 = 0.98168
0

Voici les calculs avec Python

 2. TYPES D’ERREUR 107

Pour déterminer si le choix de la région critique a été judicieux, nous allons comparer ce test
avec un autre test ayant lui aussi α = 0.135. Prenons le test qui considère la région critique à
gauche d’un certain point x0 plutôt qu’à droite. On a alors :
Z x0
α= 0.01e−0.01 x dx = 0.13534
0

ce qui donne x0 = 14.5. La valeur de β est :

Z +∞
β= 0.005e−0.005 x dx = 0.9298737
14.5

Pour une même valeur de α, on a une valeur de β plus élevée et alors le premier test est
supérieur à celui-ci. Tous les deux tests ont des valeurs très grandes d’erreur de type II, mais
ceci est dû au fait qu’on a pris un échantillon de grandeur 1.

Puissance d’un test

Souvent, l’hypothèse H1 n’est pas donnée d’une manière précise, comme dans l’exemple
ci-dessus. On connaît rarement quelle est la valeur de θ si H0 est fausse. Or, β dépend
naturellement de la valeur de θ considérée. Pour analyser le pouvoir du test, il faut comparer
les erreurs de type II pour différentes valeurs de θ.
Nous avons une fonction β(θ). Comme on préfère travailler avec la région critique, on prend
1 − β(θ). Cette fonction est appelée la fonction de puissance du test. La fonction de puissance
d’un test est une fonction du paramètre β donnant la probabilité que la valeur de l’échantillon
tombe dans la région critique, lorsque θ est la vraie valeur du paramètre.
Comme Pr(θ) = 1−β(θ), minimiser β(θ) est la même chose que maximiser Pr(θ). Le théorème
de Neyman-Pearson permet de montrer que le premier test (celui avec la région critique
à droite) est le meilleur test pour tout θ < 1/100 comme hypothèse alternative (au lieu de
θ = 1/200).
 2. TYPES D’ERREUR 108

E XEMPLE 41. Une qualité A de betteraves donne en moyenne 190 g de sucre, tandis qu’une
autre qualité B en donne 196 g. On suppose que dans les deux cas l’écart-type est le même et
qu’il est égal à 15 g.
On prend un échantillon de 36 betteraves et on veut analyser s’il s’agit de la qualité A ou de
la qualité B.
On pourrait prendre le chiffre x0 = 193 (on est ainsi à mi-chemin) √ comme valeur critique. On
a que x est distribuée normalement avec écart-type σx = 15/ 36 = 2.5.
Ainsi, l’aire sous la courbe est 0.1151 (z = 1.2), à la droite de 193 pour A et à la gauche de 193
pour B :

H0 : µ = 190 H1 : µ = 196

β α
1.87 1.90 1.93 1.96

Voici le code Python pour calculer cette aire.

Si l’on choisit α = 0.05 on peut trouver x0 = 190 + 1.645 × 2.5 = 194.1. On obtient alors
β = 0.2236.

Pour cette valeur de x0 , l’erreur de deuxième espèce est

Si cette valeur de β est considérée comme trop grande, on peut accroître le nombre d’éléments
de l’échantillon. Comme la grandeur de l’erreur
√ de type I est donnée par l’aire de la distri-
bution normale N (µ0 , σ) pour x > µ0 + z0 σ/ n et√celle de l’erreur de type II par l’aire de la
distribution normale N (µ1 , σ) pour x < µ1 − z1 σ/ n, on obtient la grandeur de l’échantillon
pour des valeurs prédéterminées de α et de β en résolvant l’équation :
√ √
µ0 + z0 σ/ n = µ1 + z1 σ/ n
par rapport à n. On trouve :
(z1 + z0 )2 σ 2
n=
(µ1 − µ0 )2
 3. TEST DE LA MOYENNE 109

Si, dans l’exemple ci-dessus, on désire avoir α = 0.05 et β = 0.025 il faut prendre un
échantillon de grandeur :
(1.645 + 1.96)2 × 152
n= = 81.2
(196 − 190)2
c’est-à-dire 82 betteraves.

□ R EMARQUE : Il faut bien noter que la valeur de la moyenne de l’échantillon ne doit

jamais influencer le choix de la région critique. Ce choix doit être fait avant
de connaître le résultat de l’échantillon.
3. Test de la moyenne
Un test de la moyenne consiste à déterminer si une certaine population a une moyenne
donnée.
E XEMPLE 42. Un fabricant de produits diététiques indique sur l’emballage que ses produits
ont un contenu moyen en vitamine C de 16 mg. On peut tester cette affirmation de la manière
suivante. Soit :
H0 : µ = 16; H1 : µ ̸= 16
Prenons α = 0.10. Un échantillon de 49 produits donne un contenu moyen de 15.82 mg avec
variance s2 = 0.49. On obtient alors σx2 = 0.49/49 = 0.01; σx = 0.1
Graphiquement on a :

90%

5% 5%
• • •
µ − 1.645σx µ µ + 1.645σx

L’intervalle est ici 16 ± 1.645 × 0.1 = 16 ± 0.1645, c’est-à-dire [15.83, 16.1645]. Comme la
moyenne est de 15.82, l’hypothèse H0 est rejetée, car x tombe dans la région critique.
Le test ci-dessus est appelé un test bilatéral, puisqu’on admet que le contenu en vitamine C
pourrait être soit supérieur soit inférieur à la moyenne.
Si l’on suspecte que le produit a une tendance à avoir une quantité inférieure à la moyenne,
on peut prendre H1 : µ < 16. Dans ce cas nous avons un test unilatéral et la région critique
est à gauche :
 3. TEST DE LA MOYENNE 110

90%

10%
• • •
µ − 1.282σx µ µ + 1.282σx

Si l’on prend α = 0.10, on trouve la région critique : 16 − 1.282 × 0.1 = 15.8718 c’est-à-dire
] − ∞, 15.8718].
Comme x = 15.82, l’hypothèse H0 est rejetée. Si H1 était µ > 16, la région critique serait à
droite.
 3. TEST DE LA MOYENNE 111

On peut donner les valeurs suivantes dans le cas de la distribution normale :

α z0
test bilatéral test unilatéral
0.10 1.645 1.282
0.05 1.96 1.645
0.025 2.24 1.96
0.02 2.326 2.054
0.01 2.576 2.326
0.005 2.81 2.576
La valeur de 1.96 correspond à un seuil bilatéral de 5% ou à un seuil unilatéral de 2.5% et
la même relation est valable pour les autres valeurs. Dans le cas d’un test bilatéral, l’hypo-
thèse H0 est acceptée si x tombe dans l’intervalle µ ± z0 σx . La région critique se trouve à
l’extérieur de cet intervalle. Lorsque le test est unilatéral, la région critique est à droite de
µ + z0 σx , si l’on prend comme contre hypothèse une moyenne supérieure à la valeur testée, et
à gauche de µ−z0 σx si la contre-hypothèse implique une moyenne inférieure à la valeur testée.

Les logiciels statistiques calculent souvent la valeur p d’un test. Il s’agit de la probabilité
d’obtenir une valeur de x supérieure ou égale au résultat de l’échantillon x0 lorsque l’hypo-
thèse H0 est vraie. Si cette probabilité est supérieure au seuil de signification (α), l’hypothèse
H0 est acceptée. On rejette l’hypothèse H0 dans le cas contraire.
x0 − µ
Soit zp la valeur standardisée . La valeur p est alors la probabilité suivante :
σx
(1) Test unilatéral avec région critique à droite : Pr(z > zp )
(2) Test unilatéral avec région critique à gauche : Pr(z < zp )
(3) Test bilatéral : Pr(|z| > zp )
Dans l’exemple ci-dessus la valeur p est la probabilité d’obtenir une valeur de x inférieure ou
égale à 15.82. Cette probabilité est Pr(z < −1.8) = 0.0359. Avec α = 0.10, l’hypothèse H0 est
rejetée.

Pour le test bilatéral, on a

Une application intéressante du test de la moyenne est représentée par le contrôle de la qualité
d’un produit. Supposons qu’une machine fabrique des objets utilisés dans les montres. Il
faut que le diamètre de cet objet soit très précis. En général, on procède de la manière suivante.

Un inspecteur contrôle périodiquement un échantillon d’objets fabriqués pour voir si le

diamètre est exact. Si l’on prend un échantillon chaque heure et l’on note les résultats, on
aura, après quelque temps, une longue série de moyennes. La moyenne de ces moyennes
peut être considérée comme la vraie moyenne de la population et l’écart-type comme σx . Il
est par conséquent possible de calculer l’intervalle
[µ + 3σx , µ + 3σx ] .
 4. TEST DE LA DIFFÉRENCE DE DEUX MOYENNES 112

En utilisant la loi normale, nous pouvons dire que l’on a une probabilité de 0.997 d’avoir
x qui tombe à l’intérieur de cet intervalle. Par conséquent, si x tombe à l’extérieur de cet
intervalle, il y a beaucoup de raisons de croire que la machine doit être réglée. On utilise 3
fois l’écart-type, car l’expérience a montré que c’est la valeur qui convient du point de vue
pratique. Si l’on prend 2 fois l’écart-type, le 5% des valeurs de x tombent à l’extérieur de
l’intervalle et on risque de régler la machine inutilement.
Une fois que les valeurs de µ et de σx ont été calculées, on peut construire ce qu’on appelle le
diagramme de contrôle (de qualité).

µ − 3σx

•
• •
• •
µ •
•
• •
• •
• •
• •
µ − 3σx
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 No échantillons

Chaque point correspond à la valeur de x obtenue lors de l’inspection, après avoir récolté
les données initiales de manière à pouvoir calculer l’intervalle. Comme les points sont à
l’intérieur de l’intervalle, il ne faut pas régler la machine. La grandeur de l’échantillon est
souvent égale à 5. Il est par conséquent possible que l’approximation par la loi normale ne
soit pas très bonne. Toutefois, l’expérience a montré que l’intervalle de 3σx suffit.

4. Test de la différence de deux moyennes

Nous avons déjà vu que si x1 et x2 sont deux variables normales indépendantes, avec moyenne
µ1 et µ2 et écart-type σ1 et σ2 , alors la variable x1 − x2 possède une distribution normale avec
moyenne µ1 − µ2 et écart-type :
s
p σ12 σ22
σx−y = σx + σy = +
n1 n2
Ce résultat peut être utilisé pour tester la différence de deux moyennes.
E XEMPLE 43. On veut acheter des batteries pour automobiles. Les marques A et B ont le
même prix. On teste un échantillon de ces batteries pour déterminer si la qualité est la même,
en mesurant la durée de vie. On prend un échantillon de 40 batteries de la marque A et un
échantillon de 50 batteries de la marque B. On obtient les résultats suivants :
xA = 1100; xB = 1093; sA = 21.9; sB = 20
Il semblerait que la marque A soit meilleure, mais ceci peut être dû au fait d’avoir pris par
hasard des batteries ayant une durée de vie supérieure à celle de la population. Nous voulons
par conséquent tester l’hypothèse que la qualité est la même. On a alors :
H0 : µA − µB = 0
(c’est-à-dire µA = µB ). Vous comprenez maintenant pourquoi H0 est appelée l’hypothèse
nulle, car elle suppose que la différence est nulle. L’hypothèse H1 est :
H1 : µA ̸= µB
 4. TEST DE LA DIFFÉRENCE DE DEUX MOYENNES 113

Nous avons vu que la différence xA − xB peut être considérée comme une variable normale
avec moyenne nulle et écart-type :
r
(21.9)2 (20)2
σxA −xB = + = 4.47
40 50
où σA et σB ont été remplacés par sA et sB respectivement. Comme n1 , n2 > 30, cette substitu-
tion est acceptable. Les calculs dans Python

Prenons α = 0.05. La région d’acceptation est par conséquent :

0 ± 1.96σxA −xB = ±1.96 × 4.47 = ±9

Région critique en gris

−9 −6 −3 0 3 6 9 xA − xB

Comme
xA − xB = 1100 − 1093 = 7,

l’hypothèse H0 est acceptée, c’est-à-dire la différence entre les deux moyennes n’est pas
significative.
Voici les calculs dans Python :

Ceci ne signifie pas qu’il faille nécessairement croire que les deux marques ont la même
qualité. Le test indique seulement que les résultats des deux échantillons n’indiquent pas une
différence significative de qualité.
 5. AUTRES TESTS 114

□ R EMARQUE : Le test d’une hypothèse statistique est une règle pour prendre une déci-
sion. Si la valeur tombe dans la région critique, on dit que le résultat du
test est significatif. Un autre type de test, qui a souvent des avantages
considérables, est celui obtenu de la manière suivante. On décide soit d’ac-
cepter l’hypothèse H0 , soit de rejeter l’hypothèse H0 , soit de prendre un
échantillon plus large. Avec cet échantillonnage séquentiel on parvient sou-
vent à une décision avec un échantillon plus petit. Dans les cas considérés
jusqu’à présent, la grandeur de l’échantillon était fixe. L’échantillonnage
séquentiel est traité dans des ouvrages avancés de statistique. Par ailleurs,
nous verrons ci-dessous comment les méthodes bayésiennes déterminent
la grandeur de l’échantillon.

5. Autres tests
Comme la loi normale représente une approximation de la distribution binomiale, nous pou-
vons considérer le test d’une proportion en utilisant les méthodes pour grands échantillons,
examinées dans la section précédente.
E XEMPLE 44. Dans une ville, les automobilistes sont assurés auprès de deux compagnies. Les
clients de chaque compagnie représentent le 50% du total des automobilistes. À la suite de
modifications des conditions d’assurance, la direction de la compagnie A veut savoir si ce
rapport est toujours le même. En effet, selon les informations de ses agents, le nombre de
clients de la société B aurait augmenté. Une enquête auprès de 200 automobilistes choisis au
hasard révèle que 120 sont assurés auprès de la compagnie B.
Déterminer si l’hypothèse d’un rapport de 0.5 est encore valable. Nous avons à tester l’hy-
pothèse H0 : p = 1/2, où p représente la proportion d’automobilistes assurés auprès de la
compagnie B.
La contre-hypothèse est H1 : p > 1/2. Il s’agit donc d’un test unilatéral.
Nous avons vu que p̂ = x/n peut être considérée comme une variable normale avec moyenne
1/2 et écart-type :
r r
p×q 1/2 × 1/2
= ≃ 0.035
n 200
Dans le calcul de l’écart-type, il faut toujours utiliser la valeur de p de l’hypothèse nulle. La
région d’acceptation est, en utilisant α = 0.05 :
p̂ < p + 1.645σp = 1/2 + 1.645 × (0.035) = 0.56
Comme p̂ = 120/200 = 0.6, cette valeur tombe dans la région critique et l’hypothèse H0 est
rejetée. L’hypothèse que la proportion d’automobilistes assurés auprès de la compagnie B
soit supérieur à 0.5 est ainsi acceptée.

Une autre application du test de la valeur p de la distribution binomiale est donnée par
l’examen du pourcentage de pièces défectueuses, à l’aide du diagramme de contrôle. On
applique la même technique discutée dans la section précédente. Avec l’expérience on déter-
mine la valeur de p. Une fois que cette valeur est calculée, on peut construire le diagramme
de contrôle :
 5. AUTRES TESTS 115

p − 3 pq
p
n

•
• •
• •
p •
•
• •
• •
• •
• •
p pq
p+3 n
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 No échantillons

On doit parfois tester la différence de deux proportions. Nous savons que si p̂1 et p̂2 sont
des variables normales avec moyenne p1 et p2 , alors p̂1 − p̂1 est une variable normale avec
moyenne p1 − p2 et écart-type :
r
p1 × q 1 p2 × q2
σ̂p1 −p2 = +
n1 n2
L’hypothèse est H0 : p1 = p2 . Dans le calcul de l’écart-type, il faut alors utiliser la même
valeur pour p1 et p2 .

E XEMPLE 45. On désire analyser l’effet de deux marques de pastilles contre le refroidissement.
On donne à 200 personnes les pastilles de la marque A et à 100 autres les pastilles de la marque
B. 152 personnes du premier groupe n’ont pas eu de refroidissement, tandis qu’il n’y en a eu
que 61 dans le deuxième groupe. Peut-on conclure qu’il n’y a pas de différence entre les deux
marques ?
Nous avons :
pˆ1 = 152/200 = 0.76 et pˆ2 = 61/100 = 0.61
On a
r
p1 × q 1 p2 × q2
σ̂p1 −p2 = +
200 100
Comme on ne connaît pas la valeur de p1 et p2 , il faut l’estimer. Sous l’hypothèse H0 : p1 =
p2 = p, une estimation de p peut être obtenue de la manière suivante :
n1 p1 + n2 p 2
p̂ =
n1 + n2
Nous avons alors :
152 + 61
p̂ = = 0, 71
300
r
0.71 × 0.29 0.71 × 0.29
σ̂p1 −p2 = + = 0.056
200 100
Les valeurs de p1 et p2 utilisées dans le calcul de l’écart-type sont identiques puisqu’on teste
l’hypothèse nulle. Comme H1 est p1 ̸= p2 , il faut utiliser un test bilatéral. En prenant α = 0.05,
on obtient l’intervalle :
0 ± 1.96 × 0.056 = ±0.11
Nous avons p̂1 − p̂2 = 0.15 et alors l’hypothèse H0 est rejetée. Il semble que les pastilles de la
marque A soient plus efficaces.
5. AUTRES TESTS 116
CHAPITRE 9

TEST DU KHI-DEUX

1. Introduction
Nous avons testé dans le chapitre précédent des hypothèses concernant des moyennes ou
des proportions. Il nous faut considérer maintenant des problèmes liés à l’écart-type. Il y a
aussi à étudier les problèmes qui ne peuvent pas être analysés avec la distribution binomiale
car ils comportent plusieurs résultats et non pas uniquement des succès ou des échecs. Ces
deux séries de problèmes peuvent être étudiés à l’aide de la distribution χ2 proposée par Karl
Pearson. Nous commençons par considérer un exemple du deuxième groupe de problèmes.

2. Cas de χ2 simple
Supposons qu’une expérience peut donner k résultats possibles. On peut réunir les résultats
en k classes ou groupes. Si l’expérience est répété n fois et l’on inscrit les fréquences dans les
classes correspondantes, on peut se demander si ces valeurs sont conformes aux fréquences
données par la théorie.

E XEMPLE 46. Prenons l’exemple d’un dé qu’on lance 60 fois. Supposons que l’on obtienne les
résultats suivants :

1 2 3 4 5 6
Fréquences observées 16 3 9 14 5 13
Fréquences théoriques 10 10 10 10 10 10
Si le dé est bien équilibré on s’attend à une fréquence de 10 pour chaque résultat. On veut
alors savoir si les fréquences empiriques (ou observées) sont compatibles avec les fréquences
espérées (ou théoriques). Pour tester cette hypothèse on utilise une mesure, appelée khi au
carré, qui est définie de la manière suivante :
k
2
X (oi − ei )2
χ =
i=1
ei
avec oi : fréquence observée, ei : fréquence espérée et k nombre de classes. Dans le cas du dé
on obtient la valeur suivante :
(16 − 10)2 (3 − 10)2 (9 − 10)2 (14 − 10)2 (5 − 10)2 (13 − 10)2
χ2 = + + + + + = 13.6
10 10 10 10 10 10
Si les fréquences empiriques coïncident avec les fréquences théoriques on a une valeur de
0 pour χ2 . Par conséquent, des valeurs élevées de χ2 indiquent que les deux fréquences ne
sont pas les mêmes. On pourrait jeter un dé bien équilibré 60 fois et répéter l’expérience
plusieurs fois. Les valeurs des χ2 obtenues donneraient la fréquence relative d’avoir une
valeur donnée de χ2 . Il est toutefois possible d’utiliser des méthodes mathématiques plus
117
 2. CAS DE χ2 SIMPLE 118

efficaces pour calculer la fréquence théorique. Cette distribution théorique devrait être une
distribution discrète car il y a seulement un nombre limité de valeurs possibles pour les
fréquences. Toutefois, il est beaucoup plus simple de travailler avec une distribution continue,
comme on l’a déjà vu avec l’approximation de la loi binomiale par la loi normale. Supposons
qu’on a une variable normale standardisée x et l’on veut obtenir la distribution de y = χ2 .
On peut montrer que la distribution de y est :
1
g(y) = √ y −1/2 e−y/2 y > 0; e nombre de Neper
2π
Cette fonction définit la distribution χ2 pour 1 degré de liberté (ν = 1). La formule générale
de la distribution y = χ2 est donnée par :
2 /2
2 (χ2 )ν/2−1/2 e−χ
f (χ ) =
2ν/2 Γ(ν/2)
où Γ désigne la fonction gamma
Z +∞
γ(t) = xt−1 e−x dx t>0
0
En utilisant l’intégration par parties on obtient :
Γ(t) = (t − 1)Γ(t − 1), t>1
Comme Γ(1) = 1 on a, pour des valeurs entières de t :
Γ(n + 1) = n!
√
On a également Γ(1/2) = π
On peut prouver le théorème suivant :
T HÉORÈME 2.1. Soient x1 , x2 , · · · , xn des variables normales indépendantes de moyenne nulle et
variance unitaire. La somme des carrés de ces n variables a une distribution χ2 avec n degrés de liberté.
Le nombre de degrés de liberté dans le cas de fréquences observées et empiriques est :
ν =k−1
où k est le nombre de classes. Comme dans l’exemple précédent la somme des fréquences
empiriques est 60, la valeur de la 6-ième classe est déterminée une fois qu’on connaît les
fréquences des autres classes. Par conséquent on a ici ν = 5.
Si l’on regarde dans la table de la distribution de χ2 on trouve, en prenant un seuil de
signification de 5%, on obtient la valeur χ20.05 = 11.1 pour ν = 5. Comme on avait obtenu une
valeur empirique de 13.6, l’hypothèse que le dé soit bien équilibré est rejetée puisque cette
valeur tombe dans la région critique.
Les calculs dans Python donnent pour χ2 observée :

On a comparé cette valeur de khi-2 avec

 2. CAS DE χ2 SIMPLE 119

La p−valeur peut être calculée par :

Lorsque la probabilité doit être estimée en prenant les résultats de l’échantillon (par exemple,
probabilité d’une panne), alors il y a un degré de liberté de moins. En général, le nombre de
degrés de liberté est égal à (n − 1) moins le nombre de paramètres estimés. La distribution
χ2 n’est qu’une approximation de la distribution χ2 discrète. Il faut alors utiliser le test χ2
seulement lorsque cette approximation est bonne. L’expérience et la théorie indiquent que
l’approximation est bonne lorsque les fréquences théoriques dans les classes sont au moins
égales à 5.
Si l’on a des fréquences inférieures à 5 on peut réunir les classes. Si k < 5 c’est mieux d’avoir
des fréquences plus grandes que 5.
Il convient de noter que le test d’une fréquence théorique ne peut être qu’un test unilatéral,
avec la région critique à droite.

E XEMPLE 47. On veut analyser les accidents d’auto causés par des automobilistes ayant
moins de 25 ans. On a les valeurs données par le tableau suivant :
âge 18 19 20 21 22 23 24
nombre d’accidents 6 10 20 15 21 18 10
automobilistes < 25 ans 4% 13% 15% 17% 19% 10% 22%
fréquences théoriques 4 13 15 17 19 10 22
Comme la première classe n’a qu’une fréquence théorique de 4, on réunit les deux premières
classes :
âge 18-19 20 21 22 23 24
nombre d’accidents 16 20 15 21 18 10
automobilistes < 25 ans 17% 15% 17% 19% 10% 22%
fréquences théoriques 17 15 17 19 10 22
La valeur de χ2 est de 15.12. Pour ν = 5 on a une valeur théorique de 11.1 au seuil de 5%. La
valeur empirique tombe dans la région critique et par conséquent, on rejette l’hypothèse nulle
de l’indépendance entre l’âge et le nombre d’accidents et on peut donc dire que le nombre
d’accidents est en relation avec le fait que les automobilistes sont âgés de moins de 25 ans.
 3. TABLES DE CONTINGENCE 120

3. Tables de contingence
Les cas considérés dans la section précédente avaient des résultats qui pouvaient être classés
en utilisant une seule variable. Dans l’exemple du dé on avait la variable « numéro de la face
obtenue ». Ce test χ2 est appelé test χ2 simple. Nous voulons considérer maintenant le cas
de deux variables utilisées pour classifier les résultats de l’expérience. Le test employé sera
par conséquent appelé χ2 double. On n’examinera qu’un test d’indépendance entre les deux
variables. Un tableau avec des fréquences classifiées en employant deux variables est appelé
une table de contingence. Les tables de contingence sont utilisées pour l’étude des relations
entre deux variables. On veut savoir si les deux variables sont reliées entre elles. On peut
donner une réponse à cette question avec le test χ2 .

E XEMPLE 48. Le tableau suivant contient le nombre de voitures achetées auprès d’un garagiste
en un mois :
genre de voiture
méthode de paiement neuve d’occasion total
au comptant 15 5 20
à tempérament 45 35 80
total 60 40 100
Est-ce que les deux caractéristiques (genre de voiture et méthode de paiement) sont indépen-
dantes ? On ne connaît pas ici les différentes probabilités comme c’était le cas pour le dé. Il
faut alors procéder de la façon suivante pour trouver les fréquences théoriques.

Si l’on considère plusieurs expériences concernant 100 achats de voitures et si l’on tient
compte uniquement des résultats ayant les mêmes totaux partiels, on peut calculer des
fréquences théoriques de la manière suivante. Comme les totaux partiels sont fixes, il y
aura toujours 20 achats au comptant. Par conséquent, s’il n’y a pas de relation entre genre
de voiture et achat au comptant on s’attend à un nombre de voitures neuves achetées au
comptant égal au 20% des 60 voitures neuves. On obtient les autres fréquences théoriques de
la même manière. Ces valeurs sont réunies dans le tableau suivant :
genre de voiture
méthode de paiement neuve d’occasion total
au comptant (20 × 60)/100 = 12 (20 × 40)/100 = 8 20
à tempérament (80 × 60)/100 = 48 (80 × (40)/100 = 32 80
total 60 40 100
La valeur de χ2 est par conséquent :
2 (12 − 15)2 (8 − 5)2 (48 − 45)2 (32 − 35)2
χ = + + + = 2.34
12 8 48 32
Appel du test dans Python ;

Application du khi-deux avec la paramètre correction = FALSE :

 4. DISTRIBUTION DE LA VARIANCE DE L’ÉCHANTILLON 121

Application du khi-deux avec la valeur par défaut de correction :

Ce résultat renseigne que la valeur par défaut de correction est TRUE

Il nous faut maintenant calculer les degrés de liberté. Si les totaux sont donnés on ne peut
choisir qu’une fréquence, les autres doivent être telles que les totaux respectifs soient obtenus.
En général, si on a ℓ lignes et c colonnes, on peut avoir (ℓ − 1) lignes indépendantes et (c − 1)
colonnes indépendantes. Par conséquent le nombre de degrés de liberté est donné par :
ν = (ℓ − 1)(c − 1)
et dans notre cas on a : ν = (2 − 1)(2 − 1) = 1.

Nous avons déjà indiqué que les valeurs de χ2 données par les tables sont calculées à l’aide
d’une fonction continue.
Lorsqu’on a un seul degré de liberté on procède à une correction de la valeur empirique de
χ2 . Cette correction est appelée correction de continuité de Yates. On a :
K
X (|ei − oi | − 0.5)2
χ2c =
i=0
ei
Dans notre cas on obtient :
2 (3 − 0.5)2 (3 − 0.5)2 (3 − 0.5)2 (3 − 0.5)2
χc = + + + = 1.63
12 8 48 32

La valeur donnée par la table est (pour une valeur de α = 0.05) χ20.05 = 3.84.
Par conséquent, on accepte l’hypothèse qu’il n’y a pas de relation entre le genre de voiture
achetée et la méthode de paiement dans la population.

4. Distribution de la variance de l’échantillon

La distribution χ2 peut être utilisée pour tester la variance d’un échantillon. On va considérer
ce problème à l’aide d’un exemple.
E XEMPLE 49. On veut analyser combien de variation il y a dans le prix d’un kg de sucre
vendu dans une ville. On prend un échantillon de 20 magasins et on obtient une moyenne de
2.92 (en milliers de Fc) avec un écart-type (s) de 0.4. Quel est l’intervalle de confiance à 95%
pour l’écart-type de tous les magasins (c’est-à-dire l’écart-type de la population) ?
Supposons que l’on procède à un large nombre d’expériences du même genre et que le prix
soit distribué normalement avec écart-type σ. Si l’on connaît σ, on peut calculer chaque fois
la valeur du rapport :
(n − 1)s2
U=
σ2
 4. DISTRIBUTION DE LA VARIANCE DE L’ÉCHANTILLON 122

Ces différentes valeurs de U peuvent être classifiées de manière à avoir une distribution
théorique de U . Il y a toutefois des méthodes mathématiques qui permettent d’arriver à la
distribution théorique sans procéder à un grand nombre d’expériences.
On peut montrer que la distribution de U est une distribution χ2 avec ν = n − 1 degrés de
liberté.
E XEMPLE 50. Le diamètre de certaines pièces fabriquées par une machine est de 3200 mm
avec un écart-type de 80 mm. Si l’écart-type devient plus grand il faut réviser la machine.
Un échantillon de 101 pièces donne un écart-type de 90 mm. Tester l’hypothèse d’une
augmentation de la variance.
Les hypothèses sont les suivantes :
H0 : σ = 80 H1 : σ > 80
Il s’agit donc d’un test unilatéral. Le nombre de degrés de liberté est de n − 1 = 100. La valeur
de U est donnée par :
(n − 1)s2 100 × 902
U= = = 126.6
σ2 802
En prenant un seuil de signification de 5% on s’aperçoit que cette valeur tombe dans la région
critique et alors l’hypothèse H0 est rejetée. On peut calculer la p−valeur :

□ R EMARQUE : S’il y a plus de 100 degrés de liberté on peut considérer la variable :

√ √
z = 2U − 2ν − 1
comme une variable normale avec moyenne zéro et écart-type égal à 1.
E XEMPLE 51. Comme l’exemple ci-dessus a 100 degrés de liberté, on pourrait comparer la
solution obtenue en utilisant cette variable. On a :
√ √
z = 2 × 126.3 − 2 × 100 − 1 = 1.81
Ici aussi l’hypothèse est rejetée car cette valeur est supérieure à 1.645.

Le test de la variance de l’échantillon suppose que la population suit la loi normale. En

conclusion, nous avons utilisé le test χ2 pour :
(1) déterminer si des données peuvent être considérées comme provenant d’une distribu-
tion théorique, ou, en d’autres termes, juger de la valeur d’une hypothèse concernant
une population dont on ne connaît qu’un échantillon. Le même principe peut être
appliqué pour juger de la qualité d’un ajustement statistique ;
(2) déterminer si les deux variables d’une table de contingence sont indépendantes ;
(3) tester la variance d’un échantillon.
CHAPITRE 10

TESTS NON-PARAMÉTRIQUES

1. Introduction
Les tests que nous avons utilisés jusqu’ici sont des tests paramétriques car nous avons
supposé que la population suivait une certaine distribution (la distribution normale dans
la plupart des cas), définie à partir de paramètres tels que la moyenne et la variance. Il
existe aussi des tests qui ne sont pas basés sur une distribution donnée de la population.
Ces tests sont appelés des tests non paramétriques. Ils sont en général moins puissants que
les tests paramétriques mais parfois ils sont les seuls à pouvoir être utilisés. Par exemple, si
l’échantillon est petit et la variable ne suit pas une loi normale on ne peut pas utiliser le test
de Student. Si l’on veut tester la différence entre deux variables, on peut alors prendre le test
de Mann-Whitney. Dans ce chapitre on présentera les principaux tests non paramétriques.
On prendra souvent de grands échantillons de manière à pouvoir utiliser une approximation
de la région critique selon la loi normale.

2. Le test des signes

Le test des signes est utilisé pour tester des hypothèses sur la position centrale d’une distri-
bution. On l’applique souvent dans le cas d’échantillons appariés.

E XEMPLE 52. On demande à 9 individus de noter deux produits sur une échelle de 1 à 10.
Voici les résultats :
A : 5 6 9 4 1 7 3 8 10
B: 2 3 8 6 5 4 7 8 9
La différence entre les deux notes est :
A - B : 3 3 1 -2 -4 3 -4 0 1
On a 5 différences positives, 3 différences négatives et une différence nulle. L’hypothèse H0
est celle d’une différence nulle entre les deux produits. Ceci signifie que la médiane des
différences doit être zéro. On peut alors supposer que la probabilité d’avoir un signe positif
est de 0.5 (H0 : p = 0.5).
Supposons que A est un nouveau produit et le fabricant affirme qu’il est meilleur. On prendra
alors comme contre-hypothèse une probabilité supérieure à 0.5 (H1 : p > 0.5). Nous avons 5
signes positifs sur 8 (les différences nulles sont éliminées).
L’acceptation ou le rejet de H0 dépend de la région critique. Si l’on choisit comme région
critique un nombre de signes positifs égal ou supérieur à 7, on a un seuil de signification de
123
 2. LE TEST DES SIGNES 124

3.51%
8  
X 8
(0.5)x (0.5)8−x = 0.0351
x=7
x
Dans ce cas l’hypothèse H0 est acceptée car on n’a que 5 signes positifs.

Lorsque n est supérieur à 30, on peut utiliser l’approximation normale de la distribution

binomiale. Le test des signes peut être utilisé pour tester une médiane donnée. Le nombre de
valeurs en dessous de la médiane doit être le même que celui au-dessus de la médiane.

E XEMPLE 53. Selon un journal spécialisé, le prix médian de l’essence vendue en Suisse est de
1.30 le litre. Un échantillon de 100 stations choisies au hasard donne 20 stations avec un prix
de 1.30, 44 stations avec un prix supérieur et 36 avec un prix inférieur à 1.30. Nous voulons
tester l’indication du journal spécialisé en utilisant un seuil de signification de 5%. Nous
44
avons 44 signes positifs et 36 signes négatifs. La proportion estimée p̂ = = 0.55 tombe
80
dans la région d’acceptation de l’hypothèse H0 : p = 0.5. Le test bilatéral confirme l’indication
du journal spécialisé. En effet, on peut calculer le seuil en termes de signes positifs (prix >
1.30) correspondant à 5%.
En phyton, il faut annuler la fonction suivante :
 3. LE TEST DE MANN-WHITNEY 125

3. Le test de Mann-Whitney
Lorsqu’on a deux échantillons indépendants, on peut tester l’hypothèse qu’ils proviennent
de la même population (même moyenne) en utilisant le test de Mann-Whitney. Ce test est
basé sur la statistique :
n1 (n1 + 1)
U = n1 n2 + − R1
2
où n1 et n2 sont les grandeurs respectives des deux échantillons et R1 est la somme des
rangs des données du premier échantillon (la somme des rangs des données du deuxième
échantillon est R2 = (n1 + n2 )(n1 + n2 + 1)/2 − R1 . On peut montrer que U a une espérance
mathématique de
n1 n2
E(U ) =
2
et une variance de
n1 n2 (n1 + n2 + 1)
Var(U ) =
12
Il existe des tables qui donnent les valeurs critiques pour ce test.

Lorsque la grandeur des deux échantillons est supérieure à 10, on peut montrer que U suit
approximativement une loi normale.
E XEMPLE 54. On désire tester l’aptitude de 12 hommes et de 12 femmes pour un certain
travail administratif. Voici les points obtenus :
Hommes : 80 79 92 65 83 84 95 78 81 85 73 52
Femmes : 82 87 89 91 93 76 74 70 88 99 61 94
On commence tout d’abord à ranger ces valeurs de la plus petite à la plus grande et on
indique s’il s’agit d’un homme ou d’une femme. Obtient la suite suivante :

52 61 65 70 73 74 76 78 79 80 81 82 83 84 85 87 88 89 91 92 93 94 95 99
H F H F H F F H H H H F H H H F F F F H F F H F
On additionne ensuite le rang des hommes (H) :
R1 = 1 + 3 + 5 + 8 + 9 + 10 + 11 + 13 + 14 + 15 + 20 + 23 = 132
Si le rang est le même, on prend la moyenne (par exemple 2.5 = (1+4)/2 au lieu de 3 si l’on
avait 52 61 61 70 · · · et 3 = (1+5)/2 si l’on avait 52 61 61 61 73· · · ).
La statistique U est :
12 × 13
U = 12 × 12 + − 132 = 90
2
p
Son espérance est de (12 × 12/2) = 72 et l’écart-type de 12 × 12 × 25/12 = 17.3.
Calculs dans Python avec ces données :

Calcul de la statistique :
 4. LE TEST DES SÉQUENCES 126

Pour avoir la statistique U = 90, il suffit de permuter Homme et Femme :

On voit que, dans les deux cas, la p−valeur est la même.

L’hypothèse H0 correspond au cas où il n’y a aucune différence entre les deux variables.
La contre-hypothèse est que les deux variables sont différentes. Dans cet exemple on teste
l’hypothèse que les résultats des hommes et ceux des femmes sont identiques. Si l’on prend
un seuil de signification de 5%, on accepte l’hypothèse H0 . En effet, on a bien une p−valeur
dépassant le seuil de 5% :

La valeur standardisée étant z = 1.04, on aboutit à la même conclusion que précédemment

au seuil de 5%. Les deux résultats, pour Homme et Femme, sont donc identiques.

4. Le test des séquences

Nous avons souvent supposé que l’échantillon était aléatoire. On peut vérifier cette hypothèse
en utilisant le test des séquences. Une séquence est une série d’observations identiques (par
exemple, une série de « pile » lorsqu’on jette une pièce de monnaie plusieurs fois).
Soit R le nombre total de séquences. On peut montrer que si l’échantillon est aléatoire, la
moyenne et la variance du nombre de séquences sont :
2n1 n2 2n1 n2 (2n1 n2 − n1 − n2 )
E(R) = +1 V ar(R) =
n1 + n2 (n1 + n2 )2 (n1 + n2 − 1)
où n1 est le nombre de valeurs de la première séquence et n2 celui de la deuxième séquence.
Il existe des tables avec des valeurs critiques pour R. Lorsque n1 et n2 sont supérieurs à
30, on peut tester l’hypothèse d’un échantillon aléatoire en utilisant la valeur standardisée
R−µ
z= où R est le nombre de séquences.
σ
E XEMPLE 55. Les variations du cours d’une action ont été les suivantes :
AAA/DD/A/D/AA/DD/A/D/AAA/DD/A/D/AA/D/A/DD/AAAA/DD/AA/
DDDD/AA/D/A/D/AAA/DD/A/D/AAA/DDD/A/DD/AA/DDD/AAAA/D/A
 4. LE TEST DES SÉQUENCES 127

où A désigne une augmentation et D une diminution.

On a au total 37 séquences (19 séquences avec des augmentations et 18 séquences avec des
diminutions). Il y a eu 38 augmentations et 32 diminutions. La valeur espérée du nombre
total de séquences et la variance sont :
2 × 38 × 32
E(R) = + 1 = 35.74
38 + 32
et
2 × 38 × 32(2 × 38 × 32 − 38 − 32)
V ar(R) = = 16.99
(38 + 32)2 (38 + 32 − 1)
En prenant un seuil de signification de 5%, on accepte l’hypothèse d’un phénomène aléatoire :
37 − 35.74
z= √ = 0.31.
16.99

On peut aussi utiliser ce test en prenant les différences positives ou négatives par rapport à la
médiane de l’échantillon.

Calculs dans Python :

 5. LE TEST DE LA CORRÉLATION DES RANGS 128

5. Le test de la corrélation des rangs

Il arrive parfois que l’on ne puisse faire que des classements sur les éléments de la population.
Dans ce cas, le lien entre deux variables peut être analysé en utilisant le test de la corrélation
des rangs, proposé par Spearman.
Soit vi = rang(Xi ) le rang de la i-ème observation de la variable X et si = rang(Yi ) celui de la
i-ème observation de la variable Y (i = 1, 2, · · · , n).
Le coefficient de corrélation des rangs de Spearman est :
6 d2i
P P
(vi − v)(si − s))
rS = pP =1−
n(n2 − 1)
P
(vi − v)2 (si − s)2
où di = vi − si . Il existe des tables qui donnent les valeurs critiques de rS .

Lorsque la grandeur de l’échantillon est supérieure à 30, on peut utiliser la distribution

normale. Sous l’hypothèse de corrélation nulle, rS suit approximativement une distribution
1
normale avec moyenne 0 et variance .
n−1
E XEMPLE 56. Une entreprise désire tester s’il y a un lien entre les statistiques des ventes de
ses employés et les cours de perfectionnement offerts à tout son personnel. Un test passé par
32 vendeurs ayant suivi le cours donne un classement de leur aptitude à la vente. En utilisant
les statistiques sur les ventes, on obtient alors les classements suivants :
vendeur no. : 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
rang du test 25 12 11 9 23 14 7 8 19 4 26 24 1 15 18 13
rang des ventes 12 9 15 14 8 7 25 11 23 18 24 13 19 26 1 4
différence (di ) 13 3 -4 -5 15 7 -18 -3 -4 -14 2 11 -18 -11 17 9
vendeur no. : 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32
rang du test 2 3 27 28 17 10 5 6 20 29 21 22 30 31 32 16
rang des ventes 3 2 30 32 21 27 5 6 22 10 16 20 31 29 28 17
différence (di ) -1 1 -3 -4 -4 -17 0 0 -2 19 5 2 -1 2 4 -1
Le coefficient de corrélation des rangs est :
6 × 2726
rS = 1 − = 0.50
32 × 1023
En prenant un seuil de signification de 5%, on rejette l’hypothèse de corrélation nulle (z=
2.79). Il y a un lien entre le test d’aptitude à la vente et les performances des employés.
S’il y a des rangs identiques, il faut prendre la moyenne, comme dans le test de Mann-Whitney.
Dans ce cas, le coefficient de corrélation des rangs est calculé en utilisant la formule suivante :
P
vi si − C
rS = p P 2
( vi − C)( s2i − C)
P

n(n + 1)2
où C = .
4
Lorsqu’il y a des valeurs aberrantes dans les données, le coefficient de corrélation des rangs
de Spearman donne un meilleur résultat que le coefficient de corrélation usuel car une valeur
aberrante ne cause pas une forte différence dans les rangs.

Calculs dans Python

On appelle le test et les données :

 6. LE TEST DE KOLMOGOROV-SMIRNOV 129

On applique le test dans Python :

6. Le test de Kolmogorov-Smirnov
Dans le chapitre précédent nous avons utilisé le test χ2 pour vérifier si des fréquences
empiriques étaient conformes à une distribution théorique. L’utilisation de ce test exigeait des
fréquences théoriques au moins égales à 5 dans les classes. Le test de Kolmogorov-Smirnov
est un test non paramétrique qui peut être utilisé aussi dans le cas de fréquences théoriques
inférieures à 5. Il est basé sur les différences en valeur absolue entre les fréquences théoriques
et les fréquences empiriques cumulées.
La statistique Dn utilisée par le test de Kolmogorov-Smirnov est la plus grande différence en
valeur absolue entre les fréquences théoriques cumulées (Fe ) et les fréquences empiriques
cumulées (Fo ) :
Dn = |Fe − Fo |
Il existe des tables qui donnent la valeur critique de Dn . Pour des échantillons supérieurs à
30, on peut calculer ces valeurs en utilisant l’expression
a
√
n
avec
seuil de signification a
1% 1.63
5% 1.36
10% 1.22
n étant le nombre total de fréquences.
E XEMPLE 57. Si l’on reprend le premier exemple du chapitre précédent d’un dé qu’on lance
60 fois, on obtient :
No sorti fr. obs. fr. rel. cum fr. théo. fr. rel. cum. différ. absolue.
1 16 0.267 10 0.167 0.100
2 3 0.317 10 0.333 0.016
3 9 0.467 10 0.500 0.033
4 14 0.700 10 0.667 0.033
5 5 0.783 10 0.833 0.050
6 13 1.000 10 1.000 0.000
√
On a Dn = 0.1000. La valeur critique est 0.176 = 1.36/ 60 pour un seuil de signification de
5%. L’hypothèse H0 d’une distribution uniforme est acceptée. Calculs dans Python

On appelle les données :

 6. LE TEST DE KOLMOGOROV-SMIRNOV 130

On applique la fonction kstest() de Python

Ce résultat est conforme aux précédentes conclusions. Mais maquent de précision. Voici
comment faire autrement.

□ R EMARQUE : Le résultat est différent de celui obtenu au chapitre précédent : le pouvoir

du test de Kolmogorov-Smirnov est supérieur à celui du test χ2 mais il ne
faut pas oublier que tous les tests ont des erreurs de type II plus ou moins
importantes.
Le test de Kolmogorov-Smirnov est bien adapté au cas des distributions
continues car il n’exige pas de classer les fréquences dans différents
groupes. Par contre, il ne peut pas être utilisé lorsque les paramètres de
la distribution théorique doivent être estimés en utilisant les valeurs de
l’échantillon.
CHAPITRE 11

ANALYSE DE LA VARIANCE

Dans les sections précédentes, nous avons appris à effectuer des tests de comparaison des
moyennes de deux populations. L’analyse de la variance (ANOVA) peut être utilisée pour
tester l’hypothèse d’égalité de plus de deux populations.
Pour bien aborder les concepts de base, nous partons d’un exemple introductif et nous en
déduisons des techniques plus générales.
1. Problème introductif et approche intuitive des concepts de base
La compagnie NCP fabrique des imprimantes et des télécopieurs dans des usines implan-
tées à Atlanta, Dallas et Seattle. Pour savoir comment les employés de ces usines évaluent
subjectivement la qualité du système de gestion, un échantillon aléatoire de 6 employés a
été sélectionné dans chaque usine et les travailleurs ont répondu à un questionnaire sur la
qualité du système de gestion de leur usine. Les évaluations obtenues de 18 employés sont
présentées dans le tableau suivant :
Observations Usine 1 Atlanta Usine 2 Dallas Usine 3 Seattle
1 85 71 59
2 75 75 64
3 82 73 62
4 76 74 69
5 71 69 75
6 85 82 67
On va utiliser ces données pour tester l’hypothèse selon laquelle les évaluations seraient,
en moyenne, identiques dans les trois usines. On commence par compléter ces données en
calculant les moyennes, les variances ainsi que les écart-types dans les échantillons :
Observations Usine 1 Atlanta Usine 2 Dallas Usine 3 Seattle
1 85 71 59
2 75 75 64
3 82 73 62
4 76 74 69
5 71 69 75
6 85 82 67
Moyenne de l’échantillon 79 74 66
Variance de l’échantillon 34 20 32
Écart-type de l’échantillon 5.83 4.47 5.66
Dans ce cas les employés de l’usine d’Atlanta forment la population 1, ceux de l’usine de
Dallas la population 2 et ceux de Seattle la population 3.
En notant respectivement µ1 , µ2 et µ3 les moyennes dans chacune de ces trois populations, les
hypothèses à tester sont les suivantes :
(1) H0 : µ1 = µ2 = µ3
(2) H1 : au moins deux moyennes ne sont pas égales
131
 1. PROBLÈME INTRODUCTIF ET APPROCHE INTUITIVE DES CONCEPTS DE BASE 132

Il convient de souligner que si l’hypothèse nulle H0 est rejetée, on en déduit pas que toutes ces
moyennes sont différentes mais qu’au moins deux populations ont des moyennes différentes.
Comment procède-t-on pour déterminer si les écarts observés entre les moyennes de ces
trois populations sont assez importants pour rejeter l’hypothèse nulle H0 ?
En reconsidérant notre exemple introductif, il comporte deux principales variables : la locali-
sation de l’usine (Atlanta, Dallas et Seattle) et l’évaluation de la qualité. Comme l’objectif
est de déterminer si la moyenne des notes est la même pour les trois usines, la note d’évalua-
tion est la variable de réponse ou encore variable dépendante et la localisation de l’usine est
la variable indépendante ou encore facteur.
Dans le cas général, les différentes valeurs d’un facteur sélectionné pour le besoin de l’étude
sont appelés les niveaux du facteur ou traitements. Ainsi, pour cet exemple, les trois traite-
ments sont Atlanta, Dallas, Seattle. Ces traitements définissent les populations qu’on étudie
dans l’exemple et pour chacun de ces traitements (populations), la variable de réponse est la
note d’évaluation.
L’utilisation de l’Anova exige les trois hypothèses suivantes :
• Pour chaque population, variable de réponse est distribuée normalement.
• La variance σ 2 de la variable de réponse est la même pour toutes les populations.
• Les observations doivent être indépendantes.
Si les échantillons sont de même taille, l’Anova reste valable lorsque l’hypothèse de normalité
des distributions de la population n’est pas respectée.
Logiquement, si nous estimons que les moyennes de ces trois échantillons sont suffisamment
voisines les unes des autres (cas dans lequel la variabilité entre ces moyenne sera faible), la
vraisemblance de l’hypothèse nulle H0 sera renforcée. Si au contraire la variabilité parmi les
moyennes des échantillons est importante, c’est la vraisemblance de l’hypothèse alternative
H1 qui sera renforcée.
Si l’hypothèse nulle H0 : µ1 = µ2 = µ3 est supposée vraie, on peut alors utiliser la variabilité
parmi les moyennes des échantillons pour développer un estimateur de σ 2 .

Ainsi, en supposant vraie l’hypothèse nulle pour l’exemple introductif, chacune des trois
moyennes d’échantillons x1 = 79, x2 = 74 et x3 = 66, calculées dans le tableau ci-dessus est
considérée comme une valeur tirée aléatoirement d’une distribution d’échantillonnage . Dans
ce cas la moyenne et la variance de ces trois valeurs peuvent être utilisées pour estimer la
moyenne et la variance de la distribution d’échantillonnage.
Pour l’exemple introductif, la meilleure estimation de la moyenne de la distribution d’échan-
tillonnage de la moyenne est la moyenne des moyennes des trois échantillons.
79 + 74 + 66
Ainsi, µ = = 73. Cette estimation s’appelle moyenne globale d’échantillon. Par
3
ailleurs, une estimation de la variance de la distribution d’échantillonnage de la moyenne est
fournie par la variance des moyennes des trois échantillons :
(79 − 73)2 + (74 − 73)2 + (66 − 73)2 86
sx2 = = = 43·
3−1 2
σ2
De la relation σx2 = n
, nous déduisons que :
σ 2 = ns2X = 6 × 43 = 258
La quantité σ 2 = ns2X est l’estimation inter-échantillon de σ 2
Il convient de souligner que l’estimation inter-échantillon de la variance suppose
d’avance que l’hypothèse nulle soit vraie et dans ce cas chaque échantillon provient
de la même population et il n’ya donc qu’une seule distribution d’échantillonnage de
la moyenne.
 2. GÉNÉRALISATION : TEST D’ÉGALITÉ DES MOYENNES DE k POPULATIONS 133

Si l’hypothèse nulle est fausse (les moyennes des populations sont différentes), les trois échan-
tillons sont considérés comme issus des populations normales des moyennes différentes et il
y a donc trois distributions d’échantillonnages différentes. En toute logique, la quantité s2X
sera plus grande, de même que l’estimation inter-échantillon ns2X de σ 2 . On dit dans ce cas
que l’estimation inter-échantillon de la variance surestime la variance de la population
σ2.

On exploite également la variation à l’intérieur de chaque échantillon pour mener à bien

l’Anova. En fait, chacune des variances calculées dans chacun des échantillons fournit une
estimation de la variance σ 2 de la population et on peut donc regrouper les estimations
individuelles de σ 2 dans une estimation commune appelée estimateur intra-échantillon de
la variance. L’estimateur intra-échantillon de la variance n’est donc pas affecté par le fait que
les moyennes des populations soient égales ou pas(cette estimation est indépendante de
l’hypothèse nulle). Dans le cas où on prend des échantillons de même taille, l’estimateur
intra-échantillon de la variance peut être obtenu en calculant la moyenne des variances
individuelles des échantillons.
Pour le cas de notre exemple liminaire, l’estimation intra-échantillon de la variance vaut :
34 + 20 + 32
= 28.67
3
En résumant l’exemple introductif, l’estimateur inter-échantillon de la variance(258) est
sensiblement grand par rapport à l’estimateur intra-échantillon (28.67). Le rapport de ces
258
deux estimateur vaut = 8.998954 ≈ 9.
28.67
A ce stade il est pertinent de rappeler la grande différence entre les deux estimateurs
de la variance de la population :
(1) l’estimateur inter-échantillon fournit une bonne estimation de la variance de la popu-
lation, uniquement lorsque l’hypothèse nulle est vraie. Si l’hypothèse H0 est fausse,
l’estimateur inter-échantillon surestime la variance de la population.
(2) l’estimateur intra-échantillon fournit une bonne estimation de la variance de la popu-
lation quelle que soit l’hypothèse nulle.
(3) Il va donc de soi que si l’hypothèse nulle est vraie, les deux estimateurs devraient être
proches et leur rapport s’approcherait de 1. Si l’hypothèse nulle est fausse, le rapport
de ces deux estimateurs sera donc significativement supérieur à 1.
Le besoin urgent à ce stade est donc de disposer d’un cadre théorique rigoureux nous
permettant de trancher dans quel cas ce rapport sera considéré comme suffisamment éloigné
de l’unité pour qu’il faille rejeter l’hypothèse nulle.

2. Généralisation : test d’égalité des moyennes de k populations

Lorsqu’il est question de tester l’égalité des moyennes de k populations, la forme générale
des hypothèses à tester est la suivante :
(1) H0 : µ1 = µ2 = · · · = µk
(2) H1 : il n’y a pas d’égalité entre les moyennes de toutes les populations
Dans ce cadre général, notons µj la moyenne de la jième population et supposons qu’un
échantillon aléatoire de taille nj soit extrait de chacune des k populations (traitements).
Notons :
• xij la valeur de l’observation i du traitement j ;
• nj le nombre d’observations du traitement j ;
• xj la moyenne d’échantillon du traitement j ;
• s2j la variance d’échantillon du traitement j ;
 2. GÉNÉRALISATION : TEST D’ÉGALITÉ DES MOYENNES DE k POPULATIONS 134

• sj l’écart-type d’échantillon du traitement j

La moyenne et la variance d’un échantillon issu de la population j sont respectivement :
Pnj Pnj
i=1 xij (xij − xj )2
xj = et sj = i=1
2
nj nj − 1
La moyenne globale des échantillons, notée x est, naturellement, la somme de toutes les
observations divisée par le nombre total d’observations :
Pk Pnj
j=1 i=1 xij
x= avec nT = n1 + n2 + · · · + nk
nT
Si les échantillons sont de taille identique, la moyenne globale des échantillons est égale à la
moyenne des moyennes des k échantillons.

2.1. Estimation inter-échantillon de la variance de la population. L’estimateur inter-

échantillon de la variance σ 2 de la population, appelé souvent carré moyen dû aux traitements
et noté alors CM T vaut :
Pk 2
j=1 nj (xj − x)
CM T =
k−1
Le numérateur du CMT est la somme des carrés dus aux traitements et se note parfois SCT.
Le dénominateur représente le nombre de degré de liberté associés à SCT.

C’est pourquoi dans certains ouvrages, le carré moyen dû aux traitements se note (de manière
équivalente) :
k
SCT X
CM T = avec SCT = nj (xj − x)2
k−1 j=1

Si l’hypothèse nulle est vraie, CMT fournit une estimation sans biais de la variance σ 2 .
Si par contre les moyennes des k populations ne sont pas égales, CMT n’est pas un
estimateur sans biais de σ 2 et dans ce cas il le surestime.
Revenons à l’exemple introductif. On a le tableau complété suivant :

Observations Usine 1 Atlanta Usine 2 Dallas Usine 3 Seattle

1 85 71 59
2 75 75 64
3 82 73 62
4 76 74 69
5 71 69 75
6 85 82 67
Moyenne de l’échantillon 79 74 66
Variance de l’échantillon 34 20 32
Ecart-type de l’échantillon 5.83 4.47 5.66

SCT 516
SCT = 6(79 − 73)2 + 6(74 − 73)2 + 6(66 − 73)2 = 516 et CMT = = = 258
k−1 2
2.2. Estimation intra-échantillon de la variance de la population. L’estimateur intra-
échantillon de la variance, appelé aussi carré moyen dû aux erreurs et noté alors CME
vaut :
Pk 2
j=1 (nj − 1) sj
CME =
nT − k
 2. GÉNÉRALISATION : TEST D’ÉGALITÉ DES MOYENNES DE k POPULATIONS 135

Le numérateur du CME s’appelle aussi somme des carrés dûs aux erreurs et se note SCE
tandis que le dénominateur correspond aux degrés de libertés associés à SCE. Ainsi :
k
SCE X
CME = avec SCE = (nj − 1) s2j
nT − k j=1

Il est très utile de garder à l’esprit que CME est basée sur la variabilité à l’intérieur de
chaque traitement et il n’est pas influencé par le fait que l’hypothèse nulle soit vraie
ou pas. CME est toujours un estimateur sans biais de la variance σ 2 de la population.
En revenant à l’exemple introductif :
k
X
SCE = (nj − 1) s2j = (6 − 1) × 34 + (6 − 1) × 20 + (6 − 1) × 32 = 430
j=1
et
SCE 430
CME = = = 28.67
nT − k 18 − 3
2.3. Test de Fisher et comparaison des estimations de la variance.
Les quantités CME et CMT fournissent deux estimations indépendantes de σ 2 . Dans l’hypo-
CMT
thèse de normalité, la distribution d’échantillonnage du rapport de ces deux estimateurs
CME
indépendants de σ 2 suit une loi dite de Fisher avec au numérateur k − 1 degré de liberté et
au dénominateur nT − k degrés de liberté.
Dans la pratique le test d’égalité des moyennes des k populations se résume en ceci :
(1) définir les hypothèses à tester :
• H0 : µ1 = µ2 = · · · = µk
• H1 : il n’y a pas d’égalité entre les moyennes de toutes les populations
CMT
(2) définir la statistique F =
CME
(3) Règle de décision au seuil de signification α : on rejette H0 si F > Fα
• La valeur de Fα est lue sur la table de Fisher annexée à ce brouillon où on considère
k − 1 degrés de liberté au numérateur et nT − k degrés de liberté au dénominateur.
Considérons de nouveau l’exemple introductif. Supposons que l’on soit prêt à accepter un
risque d’erreur de 5% . La table de Fisher nous donne comme valeur critique F0.05 = 3.68.
Cela correspond à 3 − 1 = 2 degrés de liberté au numérateur et à 18 − 3 = 15 degrés de liberté
au dénominateur.

Comme pour ce cas

CMT
≈ 9 > 3.68,
CME
nous rejetons l’hypothèse nulle.
L’analyse de la variance confirme donc la conclusion selon laquelle les moyennes des notes
d’évaluation dans les trois usines ne sont pas égales.
2.4. Tableau de l’ANOVA.

Dans la pratique les calculs précédents sont souvent résumés dans un tableau appelé : tableau
de l’Anova.
La forme générale d’un tel tableau est la suivante :
Source de variation Somme des carrés Degrés de liberté Carré moyen F
SCT CM T
Traitements SCT k−1 CM T = k−1 CM E
Erreur SCE nT − k CM E = nSCE
T −k
Total SCtot nT − 1
 2. GÉNÉRALISATION : TEST D’ÉGALITÉ DES MOYENNES DE k POPULATIONS 136

Dans l’esprit de ce tableau, la somme des carrés associée à la source de variation dite totale
est appelée somme totale des carrés notée SCtot .
Il convient de remarquer que
SCtot = SCT + SCE
et le nombre de degrés de liberté associés à cette somme totale des carrés est la somme des
degrés de liberté associés aux estimateurs inter-et intra-échantillons de σ 2
Notons que SCtot
nT −1
(SCtot divisé par ses degrés de liberté) est la variance totale de l’échantillon
que nous obtiendrions si nous traitions l’ensemble de toutes les observations comme un seul
ensemble de données.
Ainsi SCtot peut être divisé en deux sommes des carrés : la somme des carrés dus aux
traitements et la somme des carrés dus aux erreurs. Les degrés de liberté associés à
SCtot peuvent être également partagés entre ceux de SCT et SCE :
nT − 1 = (k − 1) + (nT − k) .
Ainsi, vue dans ce sens, l’analyse de la variance est un processus de partage de la somme
totale des carrés et des degrés de liberté entre leurs sources : traitements et erreurs .

2.5. Les calculs avec Python.

On vérifie l’égalité des variances par le test de Bartlett

Il y a aussi le test de Levene qui est plus robuste

 2. GÉNÉRALISATION : TEST D’ÉGALITÉ DES MOYENNES DE k POPULATIONS 137

2.6. Le test de comparaisons multiples de Scheffé. Le rejet de l’hypothèse nulle signifie

qu’au moins deux moyennes sont différentes mais la démarche menée dans les sections précé-
dentes ne permet pas d’identifier ces moyennes. On doit alors procéder à des tests multiples
de comparaison de ces moyennes. Il existe une grande diversité de tests de comparaison
multiple : le premier que nous présentons ici est le test dit de Scheffé . Ce test a l’avantage
d’être moins enclin à produire une erreur de type II 1 et est très général dans ses applications.
Le test de Scheffé est très flexible et permet la comparaison entre deux groupes ou entre deux
ensembles de groupes. Par exemple, si nous avons 4 groupes, il nous permet de comparer
chaque groupe avec les autres ou de faire une comparaison entre les groupes 1 et 2 versus les
groupes 3 et 4, ou 1 versus 2, 3 et 4, etc. Qu’il y ait ou non le même nombre d’observations
dans les divers groupes, on peut l’utiliser. Enfin, les informations requises par le test de
Scheffé disponibles à partir du tableau des sources de variance de l’ANOVA, ce qui facilite
beaucoup les calculs requis.
En principe, le test de Scheffé suit la logique habituelle. Nous allons calculer une nouvelle
statistique (Cobs ) qui sera comparée à une valeur critique (Ccrit ). Dans cette application, la
statistique Ccritique n’étant pas donnée par des tables, il faudra la dériver à partir du tableau
de la distribution de la statistique F.
|µi − µj |
Cobs = s  
1 1
CME +
ni nj
avec p
Ccrit = (k − 1)Fcrit
où le Fcrit est celui que l’on retrouve dans le tableau de la distribution des valeurs de F pour
le nombre de degrés de liberté provenant de l’analyse de variance initiale.
En revenant à l’exemple précédent, on procède de la manière suivante.
|79 − 74|
(1) Atlanta et Dallas. On a Cobs = p = 1.6174
28.67(1/6 + 1/6)
|79 − 66|
(2) Atlanta et Seattle. On a Cobs = p = 4.2057
28.67(1/6 + 1/6)
|74 − 66|
(3) Dallas et Seattle. On a Cobs = p = 2.5881
28.67(1/6 + 1/6)
Au seuil de 5%, on lit dans les tables, avec k − 1 = 2 et nT = 18, que la valeur critique de F
vaut Fcrit (k − 1, nT − k) = 3.68. Par conséquent,
√
Ccrit = 2 × 3.68 ≃ 2.7
On en tire que la différence entre Atlanta et Seattle est la seule significative au seuil de 5%.
□ R EMARQUE : Si la valeur de F prouve des différences entre les moyennes des groupes
de comparaison il est possible de comparer ces moyennes deux à deux
en appliquant le test t de Student où la variance intra-groupe remplacera
la variance commune comme avec le test de Scheffé. On se sert donc de
l’égalité
tobs = Cobs ·
La lecture de t montre que, à α = 0, 05 et à DDL = nT − k = 15, t critique =
2.13, nous pouvons donc conclure que :
(1) La différence entre Atlanta et Dallas n’est pas significative
(2) Celle entre Atlanta et Seattle est significative
(3) Celle entre Dallas et Seattle est significative
1. Il a par conséquent tendance à induire une plus grande erreur I.
 3. ANOVA DE KRUSKALL-WALLIS (ÉCHANTILLONS INDÉPENDANTS) 138

Bien noter la différence de conclusion entre Scheffé et Student.

2.7. Signification clinique de la différence.
On peut vouloir apprécier la portée de la différence entre les moyennes.
On calcule alors la Signification clinique de la différence : Omega carré (ω 2 )
SCE − (k − 1)(CME)
ω2 =
SCtot + CME
Grille de Keppel (1991)
Si 0.01 < ω 2 < 0.06 : la différence est faible
Si 0.06 < ω 2 < 0.15 : la différence est modérée
Si 0.15 < ω 2 : la différence est élevée
E XEMPLE 58. Illustration. P
Source de variance carrés DDL Carré moyen F
Intergroupe 50.74 4 12.69 8.03
Intra-groupe 47.43 30 1.58
Total 98.17 34
La signification clinique de la différence vaut alors
50.74 − (4)(1.58)
ω2 = = 0.45
98.17 + 1.58
La différence est donc élevée.
Pour les données portant sur les trois usines de NCP, on procède comme suit.
E XEMPLE 59. P
Source de variance carrés DDL Carré moyen F
Intergroupe 516 2 258 9
Intra-groupe 430 15 28.67
Total 946 18
La signification clinique de la différence est donnée par
516 − (2)(28.67)
ω2 = ≃ 0.47
946 + 28.67
Les différences observées sont donc élevées.

3. ANOVA de Kruskall-Wallis (échantillons indépendants)

On calcule la statistique suivante
!
  P 2 P 2 P 2
12 ( R1 ) ( R2 ) ( Rk )
H= × + + ··· + − 3(nT + 1)
nT (nT + 1) n1 n2 nk
avec
• nT nombre total de sujets

• nk nombre de sujets dans le groupe k

P
• Rk somme des rangs du groupe k
Pour obtenir les rangs, on mélange les sujets et on attribue le rang 1 au résultat le plus élevé
et le rang nT au résultat le plus bas.
On fait l’approximation H ≃ χ2 , avec ddl = k − 1, et on teste les hypothèses :
• H0 : il n’y a pas de différence entre les groupes
• H1 : il y a au moins un groupe qui diffère des autres.
 3. ANOVA DE KRUSKALL-WALLIS (ÉCHANTILLONS INDÉPENDANTS) 139

E XEMPLE 60. On considère le tableau suivant où les rangs sont déjà déterminés.
Groupe 1 Groupe 2 Groupe 3
15 13 3.5
11 8 16.5
Rangs 18 7 1
16.5 3.5 5
12 14 6
10 9 2
Somme 82.5 54.5 34.0
Moyenne 13.75 9.08 5.67
En appliquant la formule on obtient
82.52 54.52 34.02
 
12
H= × + + − 3(18 + 1) = 6.93
18(18 + 1) 6 6 6
Ici ddl = 3 − 1 = 2; et donc au seuil α = 0.05, la valeur critique donnée par les tables de χ2
est 5.99. Puisque 6.67 dépasse la valeur critique, on rejette H0 : au moins une moyenne est
différente des autres. On peut utiliser Python comme une calculatrice et appliquer la formule
donnant la statistique H :

L’exemple précédent porte sur l’appréciation chiffrée de la performance managériale du

Conseil d’administration d’une entreprise de télécommunication. On a interrogé 18 personnes
réparties en 3 groupes : cadres supérieurs, cadres moyens et personnel de bureau.

On applique la fonction kruskal de Python :

Si on calcule les rangs et qu’on applique la même méthode, les résultats restent inchangés,
comme on le voit dans les lignes suivantes. En effet, voici les données brutes
3. ANOVA DE KRUSKALL-WALLIS (ÉCHANTILLONS INDÉPENDANTS) 140
 TABLE DES MATIÈRES

141