Part I

Evenements aleatoires
1 Notion d'evenement
Une experience est dite aleatoire si sa realisation est soumise au hasard. Un evenement
est une proposition relative au resultat de l'experience. On dit que l'evenement est
realise ou non selon que la proposition est vraie ou fausse une fois l'experience accom-
plie.
Exemple: jeu de de; jeu de carte, lancer d'une piece de monnaie, duree de vie d'une
ampoule.
Soit l'ensemble de tous les resultats d'une experience aleatoire. est appele ensemble
fondamental.
Pour le jeu de de, = f1; 2; 3; 4; 5; 6g :

Pour le lancer d'une piece de monnaie, = fP ile; F aceg :

2 Algebre des evenements

2.1 Tribu
Soit un ensemble quelconque. On appelle tribu ou algebre sur , toute partie C
de P ( ) tels que :

1. ? 2 C

2. 8A 2 C alors A 2 C (C est stable par complementarite)

3. 8 (An )n2N 2 C alors [ An 2 C (C est stable par reunion denombrable)

n2N

2.2 Consequences

8 (An ) 2 C =) \ An 2C
n2N
On sait que
A 2 C =) A 2 C
=) A [ B 2 C =) A [ B 2 C =) (A \ B) 2 C
B 2 C =) B 2 C
(An )n2N 2 C =) An 2 C

[ An 2 C =) [ An 2 C =) \ An 2C
n2N n2N n2N

1
2.3 Espace probabilisable
On appelle espace probabilisable lie a l'experience aleatoire E le couple ( ; C) ou
est l'ensemble fondamental et C la tribu associee.

2.4 Correspondance entre ensembles et evenements

Langage Ensembliste Langage Probabiliste

A est une partie de (A 2 ) A est un evenement
? est l'ensemble vide ? est l'evenement impossible
est la partie pleine est l'evenement certain
fwg est un singleton fwg est un evenement elementaire
A est le complementaire de A relativement a A est l'evenement contraire de A
A \ B = ? , A et B sont deux parties disjointes A \ B = ? , A et B sont deux evenements
incompatibles
A \ B est l'intersection des parties A et B A \ B est la conjonction des evenements
A et B : "A et B"
A [ B est l'union des parties A et B "A [ B" est l'evenement "A ou B"
(A1 ; A2 ; :::; An ) est une partition de (A1 ; A2 ; :::; An ) forment un systeme complet
ou Ai \ Aj = ? 8i 6= j et [Ai = d'evenements (SCE)
A B (A est inclu dans B) La realisation de A entra^ne la realisation de B

3 Probabilite
3.1 De nition
Soit ( ; C) un espace probabilisable. On appelle probabilite sur ( ; C) toute applica-
tion P : C ! [0; 1] tels que :

1. P ( ) = 1
P
2. P [ An = P (An ) ou (An ) forment une suite d'evenements 2 a 2 incom-
n2N n2N
patibles : Ai \ Aj = ? 8i 6= j:

Alors le triplet ( ; C; P ) forme un espace probabilise (e.p)

3.2 Proprietes

Soit P une probabilite sur ( ; C) alors on a :

1. P (?) = 0

2
 2. 8A 2 C , P (A) = 1 P (A)

3. 8A; B 2 C et pour A B, on a P (BnA) = P (B) P (A) et P (A) P (B)

4. 8A; B 2 C , P (A [ B) = P (A) + P (B) P (A \ B)

P
5. 8 (An )n2N un SCE on a P (An ) = 1
n2N

Demonstrations:

1. =?
= [ ? et \?=?
P ( ) = P ( ) + P (?) = 1 =) P (?) = 0:

2. = A [ A, on a A \ A = ? =) P ( ) = P (A) + P (A) = 1 =) P (A) = 1 P (A)

3. B = A [ (BnA)
P (B) = P (A) + P (BnA) =) P (BnA) = P (B) P (A) et P (A) P (B)

4. A [ B = A [ (Bn (A \ B))
P (A \ B) = P (A) + P (Bn (A \ B)) = P (A) + P (B) P (A \ B)

5. P [ An = P ( ) = 1
n2N
P
P (An ) = 1 car (An )n forment un SCE
n2N

3.3 Theoreme - De nition

Soit ( ; C) un espace probabilisable ni. L'hypothese d'equiprobabilite de nit sur cet
espace une probabilite P unique donnee par :
8A 2 , P (A) = Card
Card
A

Card A s'appelle le nombres de cas favorables

Card s'appelle le nombres de cas possibles

3
4 Probabilite conditionnelle
4.1 De nition
Soit ( ; C; P ) un espace probabilise et soit B un evenement quelconque de probabilite
non nulle. Soit A un evenement quelconque.
On appelle probabilite conditionnelle de A sachant B est realise le nombre P (A=B)
de ni par P (A=B) = P P(A\B)
(B)
:
Consequences :

1. P (A \ B) = P (A=B)P (B)

2. P (A=B)P (B) = P (B=A)P (A)

3. P (A=B) 6= P (B=A)

Exemple:
Soit une famille qui a 2 enfants. Quelle est la probabilite que les 2 enfants soient des
garcons sachant que l'a^ne est un garcon.
Consigne :
- Trouver : l'ensemble fondamental ou le SCE
- Donner un nom a chaque evenement
- Traduire la probabilite recherchee
Solution
= f(G; G) ; (G; F ) ; (F; G) ; (F; F )g
Soit A l'evenement : A : "les 2 enfants sont des garcons"
Soit B l'evenement : B : "l'a^ne est un garcon"
La probabilite recherchee est P (A=B) = P P(A\B)
(B)
A = f(G; G)g , B = f(G; F ) ; (G; G)g
A \ B = f(G; G)g

P (A \ B) = Card(A\B)
Card
= 1
4
Card B 2 1
P (B) = Card = 4 = 2
P (A=B) = P P(A\B)
(B)
= 12

4.2 Theoreme de la probabilite totale (TPT)

Soit ( ; C; P ) un e.p et (Ai )i2I un SCE alors pour tout evenement B on a

P
P (B) = P (B=Ai )P (Ai )
i2I

Demonstration:
On a (Ai )i2I forment un SCE.

4
 = [ Ai
i2I

On a toujours B = B \ =B\ [ Ai = [ (B \ Ai )
i2I i2I
Ai \ Aj = ? pour i 6= j
(B \ Ai ) \ (B \ Aj ) = ? pour i 6= j
P P
P (B) = P (B \ Ai ) = P (B=Ai )P (Ai )
i2I i2I
Exemple:
Un individu est choisi au hasard dans une population possedant la proportion p 2]0; 1[
de tricheurs. On fait tirer une carte d'un jeu de 52 cartes a cet individu et on admet
que si cet individu est tricheur il est s^
ur de retourner un as. Quelle est la probabilite
que cet individu retourne un as ?
Solution:
Soit T : "Tricheur"
=T [T , T \T =?
T; T forment un SCE.
Soit B l'evenement "l'individu retourne un as".
4
La probabilite recherchee est P (B) = P (B=T )P (T ) + P (B=T )P (T ) = 1 p + 52 (1 p)
Exemple:
Soient deux urnes S1 et S2 : la premiere urne contient 13 boules blanches et 15 boules
noires. La deuxieme urne contient 14 boules blanches et 20 boules noires.
Soit p la probabilite de tirer une boule de S1 . On tire une boule au hasard. Quelle est
la probabilite que la boule tiree soit blanche?
Solution:
= S1 [ S2 et S1 \ S2 = ?

(S1 ; S2 ) forment un SCE.

Soit B :"la boule tiree est blanche"
La probabilite recherchee est P (B)
D'apres le TBT on a :
13 14
P (B) = P (B=S1 )P (S1 ) + P (B=S2 )P (S2 ) = 28
p + 34
(1 p)

4.3 Formule de Bayes - Probabilite des causes

Soit ( ; C; P ) un e.p et (Ai )i2I un SCE alors pour tout evenement B de probabilite
non nulle :
P (Ai =B) = P (B=A i )P (Ai )
P (B)
= PP P(B=Ai )P (Ai )
(B=Aj )P (Aj )
j2J

Exemple:
On prends un de au hasard parmi un lot de 100 des dont on sait que 25 sont truques.
Pour un de truque, la probabilite d'avoir 6 est 21 :
On lance le de choisi et on obtient 6.
quelle est la probabilite que ce de soit truque ?
Solution:

5
soit T : "le de est truque" et B : "Avoir 6"
On a = T [ T et T \ T = ? donc T; T forment un SCE.
La probabilite recherchee est P (T =B):
1 1
P (B=T )P (T ) 1
P (T =B) = P (B=T )P (T )+P (B=T )P (T )
= 1
2
1
4
+ 16 3 = 2
2 4 4
Exemple:
Soit une population formee de 40% d'hommes et 60% de femmes. Parmi les hommes
il y a 30% qui fument et parmi les femmes il y a 50% qui fument.
On prend une personne qui fume, quelle est la probabilite que cette personne soit un
homme ?
Solution:
Soient:
H:"Homme"
F :"Femme"
f :"fume"
= H [ F et H \ F = ? donc (H; F ) forment un SCE.
La probabilite recherchee est P (H=f ).
P (H=f ) = P (f =H)P
P (f )
(H) P (f =H)P (H)
= P (f =H)P (H)+P (f =F )P (F )
0:3 0:4
= 0:3 0:4+0:5 0:6
= 0:28

5 Independance
5.1 De nition
Deux evenements A et B d'un espace probabilise ( ; C; P ) sont dits independants ssi
P (A \ B) = P (A)P (B):
L'interpretation de deux evenements independants est l'equivalent de deux tirages avec
remise.
Si A et B sont independants alors P (A=B) = P P(A\B)
(B)
= P (A)P (B)
P (B)
= P (A)

5.2 Proposition
Soient A et B deux evenements d'un e.p ( ; C; P ). Si A et B sont independants alors
A et B sont independants, A et B sont independants, A et B sont independants.
Demonstrations:

On ecrit A comme une reunion disjointe A = (A \ B) [ A \ B :

P (A) = P (A \ B) + P A \ B = P (A)P (B) + P (A \ B) =) P (A \ B) =
P (A) P (A)P (B) = P (A) (1 P (B)) = P (A)P (B)
d'ou si A et B sont independants alors A et B sont aussi independants

B = (A \ B) [ A \ B
P (B) = P (A \ B) + P A \ B = P (A)P (B) + P A \ B =) P A \ B =
P (B) P (A)P (B) = P (B) (1 P (A)) = P (B)P (A)
D'ou si A et B sont independants alors A et B sont aussi independants

6
A\B = n (A [ B)
P (A \ B) = P ( ) P (A [ B) = P ( ) (P (A) + P (B) P (A \ B)) = 1
P (A) P (B) P (A)P (B) = (1 P (A)) (1 P (B)) = P (A)P (B)
D'ou si A et B sont independants alors A et B sont aussi independants

7
Part I
Variables aleatoires
1 Variables aleatoires reelles

Soit E une experience aleatoire et ( ; C; P ) un espace probabilise. A chaque resultat

de l'experience, on associe un nombre reel. On de nit ainsi une application:
X: ! R
w 7 ! X (w)
On appelle variable aleatoire reelle (v.a.r) toute application X : ! R ayant la
propriete suivante: Pour tout intervalle I de R , X 1 (I) = fw 2 tel que X (w) 2 Ig
soit un evenement.
X est une v.a.r ssi X 1 (I) est un evenement.

Notation:
(X = x) = fw 2 tel que X (w) = xg
(X < x) = fw 2 tel que X (w) < xg
(a < X < b) = fw 2 tel que a < X (w) < bg

Exemple:
Une piece de monnaie est lancee 2 fois. A chaque lance on associe a la v.a.r le nombre
de Piles obtenu.
X ( ) est l'ensemble des valeurs prises par la v.a.r X qui est egal au nombre de piles
obtenues au cours des 2 lances.
X ( ) = f0; 1; 2g :

De nition d'une v.a.r discrete:

Soit X ( ) l'ensemble des valeurs prises par la v.a.r X. On dit que X est une v.a.r
discrete si X ( ) est ni ou denombrable. Sinon on dit que X est une v.a.r absolument
continue ou continue.

2 Fonction de repartition:
Soit X une variable aleatoire reelle de nie sur un espace probabilise ( ; C; P ). On
appelle fonction de repartition de X la fonction numerique FX de nie sur R par :
FX : R ! [0; 1]
x 7 ! FX (x) = P (X x)

1
Proposition
Soit X une v.a.r et soit FX la fonction de repartition associee a X alors :
1. FX est toujours croissante
2. FX est positive
3. lim FX (x) = 0 et lim FX (x) = 1
x ! 1 x !+1

Probabilite d'un intervalle:

Soit X une v.a.r et FX sa fonction de repartition, 8a; b 2 R et pour a < b on a
P (a < X b) = FX (b) FX (a)
Demonstration:
(a < X b) = (X b) n (X a)
On a (X a) (X b) ( on a vu que si A B alors P (B n A) = P (B) P (A) )
P (a < X b) = P ((X b) n (X a))

3 Loi de probabilite
De nition
Soit X une v.a.r discrete. L'application de X ( ) dans R qui a chaque valeur prise par
la v.a X associe sa probabilite d'appelle loi de probabilite de X.
X( ) ! R
X = x 7 ! P (X = x)

Remarque
P P
Si X est une v.a.r discrete on a P (X = x) = P (X = xi ) = 1
x2X( ) i

Exemple:
un piece de monnaie lancee 2 fois. X est la v.a.r egale au nombre de Piles obtenus aux
cours des 2 lances.
X ( ) = f0; 1; 2g
La loi de probabilite de X est donnee par :
P (X = 0) = P (F ace \ F ace) = P (F ace) P (F ace) = 14
P (X = 1) = P ((F ace \ P ile) [ (P ile \ F ace)) = 41 + 14 = 12
P (X = 2) = P (P ile \ P ile) = P (P ile) P (P ile) = 14

2
P (X = 0) + P (X = 1) + P (X = 2) = 1

Exercice:
On lance une eche sur une cible. la probabilite d'atteindre la cible est 0; 4. On lance
3 fois la eche. Les 3 coups sont independants, a chaque coup reussi on gagne 5D . On
de nit X = gain obtenu a la n du jeu.
1) De nir X ( )
2) Etablir la loi de probabilite de X
3) De nir la fonction de repartition FX
4) Trouver le graphe de FX

Solution:

1) L'ensemble des valeurs possible de X :

X ( ) = f0; 5; 10; 15g

2) Loi de probabilite de X :
P (X = 0) = (0; 6)3 = 0; 216
P (X = 5) = 0; 4 0; 6 3 = 0; 432
P (X = 10) = (0; 4)2 0; 6 3 = 0; 288
P (X = 15) = (0; 4)3 = 0; 064

3) Fonction de repartition FX :
FX (x) = P (X x)
8
>
> 0 si x<0
>
>
< 0; 216 si 0 x<5
FX (x) = 0; 648 si 5 x < 10
>
>
>
> 0; 936 si 10 x < 15
:
1 si x 15

4 Moments d'une variable aleatoire reelle discrete

4.1 Esperance
On appelle esperance
Pn de X avec X (P) = fx0 ; :::; xn g le nombre E(X) s'il existe de ni
par E(X) = i=0 xi P (X = xi ) = xP (X = x).
x2X( )

4.2 Variance
Soit
P X une v.a.r2 tel que E(X) existe, on appelle variance de X le nombre V (X) =
i (xi E(X)) P (X = xi )

3
4.3 Ecart-type
p
On appelle ecart type de X, le nombre X de ni par X = V (X).

Exemple:

On lance 2 des. Soit X la v.a.r egale a la somme des points obtenus. De nir X ( ), la
loi de probabilite de X et calculer les moments (E(X); V (X) et X ) :

X ( ) = f2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12g

k 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
P (X = k) 36 36 36 36 36 36 36 36 36 36 36
P
E(X) = i xi P (X = xi ) = 7
P
E(X 2 ) = i x2i P (X = xi ) = 54; 833
P
V (X) = i (xi E(X))2 P (X = xi ) = E(X 2 ) (E(X))2 = 5; 833
p
X = V (X) = 2: 415

4.4 Fonction de variables aleatoires

Soit X une variable aleatoire discrete de nie sur un espace probabilise ( ; C; P ) et
' : R ! R une fonction numerique quelconque. On peut alors fabriquer une nouvelle
application de dans R de nie par ' X . Cette application est aussi notee ' (X)
est une v.a reelle sur et on a le resultat fondamental suivant
P : Si ' (X) admet une
esperance, celle-ci est donnee par la formule E (' (X)) = i ' (xi ) P (X = xi ):

4.5 Moments d'ordre r, r 2 N

On appelle moment d'ordre r, r 2 N de X, le nombre mr (X), s'il existe, de ni par :
P
mr (X) = E(X r ) = i xri P (X = xi ):
P
En particulier, si r = 1, m1 (X) = i xi P (X = xi ) = E(X):
Donc l'esperance de X est un moment d'ordre 1 de X.

4.6 Moments centres d'ordre r, r 2 N

Si X admet une esperance, on appelle moment centre d'ordre r, r 2 N de X, le nombre

r (X), s'il existe, de ni par :
P
r (X) = E((X E(X))r ) = i (xi E(X))r P (X = xi ):
P
En particulier, si r = 2, 2 (X) = i (xi E(X))2 P (X = xi ) = V (X):
Donc la variance de X est un moment centre d'ordre 2 de X.

4
4.7 Theoreme de Koenig-Huygens
Soit X une v.a.r discrete ayant une variance et a 2 R alors E (X a)2 = V (X) +
(E(X) a)2 :
en particulier, pour a = 0, E (X 2 ) = V (X) + (E(X))2 () V (X) = E (X 2 ) (E(X))2
Demonstration:
P
E (X a)2 = i (xi a)2 P (X = xi )
(xi a)2 = ((xi E(X)) + (E(X) a))2 = (xi E(X))2 +(E(X) a)2 +2 (xi E(X)) (E(X) a)
P P
E (X a)2 = i (xi E(X))2 P (X = xi ) + i (E(X) a)2 P (X = xi )
P
+2 i (xi E(X)) (E(X) a) P (X = xi )
P P
= V (X) + (E(X) a)2 i P (X = xi ) + 2 (E(X) a) i (xi E(X)) P (X = xi ) =
V (X) + (E(X) a)2

4.8 Proprietes de l'esperance et de la variance

Si X est une v.a.r discrete et a; b 2 R alors

1. E(aX + b) = aE(X) + b
2. V (aX + b) = a2 V (X)
3. V (a) = 0 (si X est une constante).

Demonstrations
P P P
1. E(aX + b) = i (axi + b) P (X = xi ) = a i xi P (X = xi ) + b i P (X = xi ) =
aE(X) + b
2. V (aX+b) = E (aX + b E(aX + b))2 = E (aX + b aE(X) b)2 = E a2 (X E(X))2 =
a2 E (X E(X))2 = a2 V (X)
3. V (a) = E(a E(a))2 = E(a a)2 = E(0) = 0

4.9 Variable centree et reduite associee a X

X E(X)
Soit X une v.a.r et X =
X
On a E(X ) = 0 et V (X ) = 1:
On dit que X est la variable centree et reduite associee a X.
En e et,
X E(X)
E(X ) = E = 1X E (X E(X)) = 0
X
X E(X) 1
V (X ) = V = 2 V (X) = 1:
X X

5
5 Variables aleatoires absolument continues ou con-
tinues
5.1 Densite de probabilite
Soit X une v.a.r de nie sur un espace probabilise ( ; C; P ) et FX (x) = P (X x) sa
fonction de repartition. On dit que X est une variable aleatoire absolument continue
s'il existe une fonction numerique f de nie sur R tel que :
1. 8x 2 R , f (x) 0
2. Rf est continue presque partout sur R
3. R f (x)dx = 1 Rx
4. 8x 2 R , FX (x) = 1 f (t)dt = P (X x)

On dit alors que f est une densite de probabilite de X.

Remarques:
1. FX (x) est l'aire delimitee par Cf ; l'axe des x et la droite d'equation X = x.
Rx
2. FX (x) = 1 f (t)dt = P (X x) = P (X < x) (dans le cas continu)
3. Dans le cas discret FX (x) = P (X x) 6= P (X < x)
4. Toute la theorie sur les integrales s'applique
Rb Ra Rb
5. P (a < x b) = FX (b) FX (a) = 1 f (t)dt 1
f (t)dt = a
f (t)dt
= P (a X b) (cas continu)
6. FX0 (x) = f (x).

X peut ^etre de nie soit

R par sa densite de probabilite soit par sa fonction de repartition.
P
Dans le cas continue, R f (t)dt = 1 et par analogie, dans le cas discret i P (X = xi ) =
1
La fonction f est donnee par analogie a Pi

6 Moments d'une variable aleatoire absolument con-

tinue
6.1 Esperance
R
On appelle esperance de X le nombre E(X), s'il existe, de ni par E(X) = R
tf (t)dt

6.2 Variance
Si E(X) Rexiste, on appelle variance de X, le nombre V (X), s'il existe, de ni par :
V (X) = R (t E(X))2 f (t)dt

6
6.3 Ecart-type
Si X admet
p une variance, on appelle ecart type de X le nombre X de ni par
X = V (X).

6.4 Fonction de variable aleatoire

Soit X une v.a.r absolument continue de densite f et ' une fonction numerique continue
et derivable sur X ( ) alors ' X = ' (X) est une v.a.r continue
R et si celle-ci admet
une esperance elle est donnee par la formule : E (' (X)) = R ' (t) f (t)dt

6.5 Moment d'ordre r, r 2 N

R
On appelle moment d'ordre r de X, r 2 N , le nombre mr (X) = R
tr f (t)dt

6.6 Moment centre d'ordre r, r 2 N

Si X admet une esperance, on appelle
R moment centre d'ordre r de X le nombre r (X)
s'il existe de ni par : r (X) = R (t E(X))r f (t)dt

7
Part I
Principales lois de probabilite
1 Lois discretes classiques
1.1 Loi uniforme sur un ensemble ni
Soit E = fx1 ; x2 ; :::; xn g R. On dit qu'une v.a X suit la loi uniforme sur E si
1
P (X = xi ) = n 8i 2 f1; :::; ng et on ecrit X ! U (n)
2
On a E(X) = n+1 2
et V (X) = n 12 1

Demonstration:
Soit X ! U (n)
P P P
E(X) = nx=1 xP (X = x) = nx=1 x n1 = n1 nx=1 x = n1 n(n+1)
2
= (n+1)
2
V (X) = E(X 2 ) (E(X))2
P P P
E(X 2 ) = nx=1 x2 P (X = x) = nx=1 x2 n1 = n1 nx=1 x2 = n1 n(2n+1)(n+1)
6
= (2n+1)(n+1)
6
2
(2n+1)(n+1) (n+1) n2 1
V (X) = 6 2
= 12

1.2 Loi de Bernoulli

Soit p 2 [0; 1]. On dit qu'une v.a X suit la loi de Bernoulli de parametre p notee B(p)
si X ne prend que deux valeurs : 0 et 1
La loi de Bernoulli resume toutes les experiences a deux issues possibles et qui sont
e ectuees une seule fois. Exemple : Blanc ou Noir, Vrai ou Faux, Pile ou Face, 0 ou 1.
1 = succes =) P (X = 1) = p
0 = echec =) P (X = 0) = 1 p
On note X ! B(p).
X admet des moments de tout ordre et on a :
E(X) = p
V (X) = p(1 p)

Demonstration:
P
E(X) = xP (X = x) ou X ( ) = f0; 1g
x2X( )
E(X) = 0 P (X = 0) + 1 P (X = 1) = p
V (X) = E(X 2 ) (E(X))2
P 2
E(X 2 ) = x P (X = x) = 02 P (X = 0) + 12 P (X = 1) = p
x2X( )
2
V (X) = p p = p (1 p)

1
1.3 Loi Binomiale
1.3.1 Modele probabiliste
Soient p 2 [0; 1] et n 2 N . On dit que X suit la loi Binomiale de parametres n
et p notee B(n; p) si X prend toutes les valeurs entieres comprises entre 0 et n avec
P (X = x) = Cnx px (1 p)n x et on note X ! B(n; p).
La loi Binomiale resume toutes les experiences a deux issues possibles seulement et qui
sont e ectuees n fois.
X admet des moments de tout ordre et on a :
E(X) = np
V (X) = np(1 p)

Demonstration:
P P Pn
E(X) = xP (X = x) = nx=0 xCnx px (1 p)n x
= np x=1 Cnx 11 px 1
(1 p)(n 1) (x 1)

x2X( )

= np (p + 1 p)n 1 = np (1)n 1 = np
P P
E(X(X 1)) = nx=2 x(x 1)P (X = x) = nx=2 x(x 1)Cnx px (1 p)n x
P
= n(n 1)p2 nx=2 Cnx 22 px 2 (1 p)(n 2) (x 2) = n(n 1)p2
E(X(X 1)) = E(X 2 ) E(X)
V (X) = E(X 2 ) E 2 (X) () V (X) = E(X(X 1)) + E(X) E 2 (X) = n(n 1)p2 +
np n2 p2 = np (1 p)

1.3.2 Stabilite de la somme de 2 variables aleatoires binomiales

Soient X et Y deux v.a.r independantes tels que X ! B(n; p) et Y ! B(m; p) alors
X + Y ! B(n + m; p).
Ce resultat se generalise a la somme de n v.a.r mutuellement independantes.

Demonstration:
Soit Z = X + Y:
X ( ) = f0; 1; ::; ng, Y ( ) = f0; 1; ::; mg , Z ( ) = f0; 1; ::; n + mg
P
P (Z = z) = P (X + Y = z) = zi=0 P (X = i et Y = z i)
P P
= zi=0 P (X = i)P (Y = z i) = zi=0 Cni pi (1 p)n i Cm z i z i
p (1 p)m (z i)
Pz
= i=0 Cni Cmz i z
p (1 p)n+m z = Cn+m z
pz (1 p)n+m z
=) Z ! B(n + m; p)

1.4 Loi Geometrique

1.4.1 Modele probabiliste
On considere une urne contenant des boules blanches en proportion p 2]0; 1[ et des
boules noires en proportion q = 1 p.

2
On tire alors successivement les boules une a une en remettant a chaque fois la boule
tiree. On note par X le rang de l'apparition de la premiere boule blanche. On dit que
X est le temps d'attente de la premiere boule blanche ou encore du premier succes.

1.4.2 De nition
Une v.a.r suit une loi geometrique de parametre p 2]0; 1[ si on a X ( ) = N et 8x 2 N
P (X = x) = p (1 p)x 1 et on ecrit X ! G(p).

1.4.3 Esperance et variance

1 1 p
Soit X ! G(p) alors E(X) = p
et V (X) = p2

Demonstration:
P P P
E(X) = xP (X = x) = xpq x 1
=p xq x 1
x>1 x>1 x>1
P x
@ q
@q x P P @qx x>1 @ q 1
Or xq x 1
= @q
et xq x 1
= @q
= @q
= @q 1 q
= (1 q)2
x>1 x>1
d'ou E(X) = p (1 1q)2 = p p12 = p1
P P P
E(X (X 1)) = x (x 1) P (X = x) = x (x 1) pq x 1
= p x (x 1) q x 1
=
x>1 x>1 x>1
P x
@2 q
P x 2
P @ 2 qx x>2 @ 2 q2 2q 2(1 p)
pq x (x 1) q = pq @q 2
= pq @q 2
= pq @q 2 1 q
= p2
= p2
x>2 x>2
E(X (X 1)) = E(X 2 ) E(X)
2
V (X) = E(X 2 ) (E(X))2 = E(X (X 1))+E(X) (E(X))2 = 2(1 p)
p2
+ p1 1
p
= 1 p
p2

1.5 Loi hypergeometrique

1.5.1 Modele probabiliste
On considere une urne contenant des boules blanches en proportion p 2]0; 1[ et des
boules noires en proportion q = 1 p.
On tire alors successivement les boules de cette urne mais sans remise. A chaque pas
de tirage, la composition de l'urne evolue au cours du tirage et les di erents pas de
tirage ne sont pas independants.
Soient:
N le nombre de boules au depart
N p le nombre de boules blanches
N q le nombre de boules noires
On tire n boules de cette urne.
Soit X la v.a.r egale au nombre de boules blanches obtenues.

3
1.5.2 De nition
Une v.a.r X suit une loi hypergeometrique de parametres N; n; p et on note
X ! H (N; n; p) si l'on a X ( ) = f0; 1; 2; :::; ng
x Cn x
CN p Nq
P (X = x) = n
CN
et on a E(X) = np et V (X) = np(1 p) N
N
n
1

Demonstration:
P P Cx Cn x Pn
E(X) = nx=0 xP (X = x) = nx=0 x N pC nN q = 1
CNn x=0 xCNx p CNn q x
N

Or on peut ecrire xCNx p = N pCNx p 1 1 on aura :

P Pn 1
E(X) = C1n nx=1 N pCNx p 1 1 CNn q x = C1n x=0 N pCNx p 1 1 CNn q 1 x
= Np n 1
n CN p+N q 1
CN
N N
Np n 1
= = N p Nn = np
n CN 1
CN
P
Remarque : nx=01 CNx p 1 1 CNn q 1 x
= CNn p+N
1
q 1 d'apres la Formule de Vandermonde

Exemple:
Une petite entreprise exploite 10 personnes : 2 patrons, 3 employes et 5 ouvriers.
Un journaliste veut questionner 3 personnes au hasard. soit X (respectivement Y ) la
v.a.r egale au nombre d'ouvriers (respectivement de patrons) parmi les 3 personnes
interrogees.
Donner les lois de probabilite des v.a.r X et Y .
5
X ( ) = f0; 1; 2; 3g , X ! H 10; 3; 10
2
Y ( ) = f0; 1; 2g , Y ! H 10; 3; 10
C5x C53 x
P (X = x) = 3
C10
C2x C83 x0
P (X = x0 ) = 3
C10

1.6 Loi de Poisson

1.6.1 Modele probabiliste
La loi de Poisson est utilisee pour decrire des evenements rares ou lies au temps exemple
:
- Nombre d'appels recus par un standard telephonique
- Nombre de defauts dont est a ecte un objet fabrique en serie
- Nombre de clients penetrant dans un magasin pour une periode de duree T .

1.6.2 De nition
Une v.a.r suit une loi de Poisson de parametre avec > 0 et on ecrit X ! P ( ).
x
X ( ) = N et 8x 2 N , P (X = x) = e x! et on a E(X) = V (X) =

4
Demonstration:
P P x P x 1
E(X) = xP (X = x) = xe x! = e (x 1)!
= e e =
x2N x2N x2N
P P x
2
P x 2
E(X (X 1)) = x (x 1) P (X = x) = x (x 1) e x! = e (x 2)!
=
x>1 x>1 x>2
2
e e = 2
E(X (X 1)) = E(X 2 ) E(X)
V (X) = E(X 2 ) (E(X))2 = E(X (X 1)) + E(X) (E(X))2 = 2
+ 2
=

1.6.3 Stablite de la somme de deux variabels aleatoires de Poisson

Soient X et Y deux v.a.r independantes tels que X ! P ( 1 ) et Y ! P ( 2 ) alors
X + Y ! P ( 1 + 2 ).
Ce resultat se generalise a la somme de n v.a.r mutuellement independantes.

Demonstration:
Soit Z = X + Y:
X ( ) = N, Y ( ) = N , Z ( ) = N
P P
P (Z = z) = P (X + Y = z) = zi=0 P (X = i et Y = z i) = zi=0 P (X = i)P (Y =
z i)
P i z i P z
= zi=0 e 1 i!1 e 2 (z2 i)! = e ( 1 + 2 ) zi=0 i!(z1 i)! i1 z2 i = e ( 1 + 2 ) ( 1 +z! 2 )
=) Z ! P ( 1 + 2 )

2 Principales lois de probabilites continues

2.1 Loi uniforme

Une v.a.r a valeurs dans [a; b] est dite uniformement repartie sur [a; b] si elle admet
pour densite:
1
b a
si a x b
f (x) =
0 sinon
La loi de densite f est appelee loi uniforme sur [a; b] notee U (a; b):
La fonction de repartition
8 d'une loi uniforme est :
< 0 si x < a
x a
F (x) = P (X x) = si a x b
: b a
1 si x > b
a+b (b a)2
X admet des moments de tout ordre et on a E(X) = 2
et V (X) = 12
Demonstration:

5
Si x < aR Rx
x
F (x) = 1 f (t)dt = 1 0dt = 0
Si a xR b Rx
x
F (x) = 1 f (t)dt = a b 1 a dt = b 1 a [t]xa = xb aa
Si x > bR Rb Rx Rb
x
F (x) = 1 f (t)dt = a b 1 a dt + b 0dt = a b 1 a dt = 1
8
< 0 si x < a
x a
D'ou F (x) = si a x b
: b a
1 si x > b
R +1 Rb t Rb h 2 ib
E(X) = 1 tf (t)dt = a b a dt = b a a tdt = b a t2 =
1 1 a+b
2
a
V (X) = E(X 2 ) (E(X))2
R +1 Rb Rb h 3 ib
t2 1 1 t a2 +ab+b2
E(X 2 ) = 1 t2 f (t)dt = a b a
dt = b a a
t2 dt = b a 3
= 3
a
a2 +ab+b2 a+b 2 (b a)2
V (X) = 3 2
= 12

2.2 Loi exponentielle

Soit 2 R + . Une v.a.r X a valeurs dans ]0; +1[ est dite exponentielle de parametre
si elle admet pour densite la fonction reelle
e x si x>0
f (x) =
0 sinon
et on note X ! ( )
La fonction de repartition de X est :
1 e x si x 0
FX (x) = P (X < x) =
0 sinon
X admet des moments de tout ordre.
E(X) = 1 , V (X) = 12 , E(X n ) = n!n
Demonstration:
R +1 R +1
E(X) = 1 tf (t)dt = 0 t e t dt = 1 (a l'aide d'une integration par parties)
R +1 R +1
E(X 2 ) = 1 t2 f (t)dt = 0 t2 e t dt = 22 (a l'aide d'une integration par parties)
1 2
V (X) = E(X 2 ) (E(X))2 = 2
2 = 1
2

2.3 Loi gamma

Soient > 0 et > 0. Une variable aleatoire X a valeurs dans R+ suit une loi Gamma
de parametres et si elle admet pour densite de probabilite la fonction :
( )
x 1 e x si x 0
f (x) =
0 sinon

et on note X ! G( ; )
On a E(X) = et V (X) = 2

6
Remarque:
G(1; ) = ( )

2.4 Loi de Normale

Soit m 2 R et 2R + . Une v.a.r X a valeurs dans R est dite normale de parametres

(x m)2
m et si elle admet pour densite la fonction reelle f de nie par fX (x) = p12 e 2 2
8x 2 R.
Remarques:
La v.a.r X est de loi normale N (m; ) si la v.a.r U = X m est de loi normale N (0; 1).
La v.a.r U est de loi normale N (0; 1) si la v.a.r X = U +m est de loi normale N (m; )
Proprietes:
Soit U une v.a de loi normale N (0; 1).
2
u
1) La densite de probabilite de U est : fU (u) = p1 e 2 8u 2 R.
Rx
2
La fonction de repartition de U est : FU (x) = f (u)du
1 U
2) fU est paire et admet un maximum pour u = 0 qui vaut FU (0) = p1
2
@2
@u2
(fU ) = 0 pour u = 1 ou u = 1
Le graphe de fU a l'allure d'une courbe en cloche assez applatie
Le graphe de Fu a l'allure d'une courbe en S assez etalee et il est symetrique par
rapport au point de coordonnees (0; 21 ).
Les valeurs de Fu (x) sont lues dans les tables statistiques.
Exemples :
Fu (1; 96) = 0; 9750
Fu (0) = 0; 5
Fu (1; 65) = 0; 9505
3) 8x 2 R , Fu ( x) = 1 Fu (x)
4) P (a x b) = P ( a m x m b m
) = FU b m FU a m
5) U admet des moments de tout ordre: E(U ) = 0 et V (U ) = 1 et donc E(X) = m et
V (X) = 2
6) Si X ! N (m1 ; 1 ) et Y ! N (m2 ; 2 ), si X et Y sont independantes alors X + Y !
p
2 2
N m1 + m2 ; 1 + 2

2.5 Lois derivees de la loi normale

2.5.1 Loi de Khi-deux
P
Soit Xi ! N (0; 1) pour i = 1; :::; n alors Z = ni=1 Xi2 ! 2 (n):
On dit que Z suit une loi de Chi-deux a n degres de liberte et on a E(Z) = n et
V (Z) = 2n.
Remarque :
2
(n) = G( n2 ; 12 )

7
2.5.2 Loi de Student
Soit Xi ! N (0; 1) pour i = 1; :::; n et Y ! N (0; 1) alors T = rPY ! T (n):
n X2
i=1 i
n

On dit que T suit la loi de Student a n degres de liberte.

On a E(T ) = 0 et V (T ) = nn 2

8
Part I
Couple de variables aleatoires
1 Couple aleatoire discret
1.1 Loi d'un couple
Soit (X; Y ) un couple de v.a.r discretes sur un espace probabilise ( ; C; P )
L'application
P : X( ) Y ( ) ! [0; 1]
(xi ; yj ) 7 ! pij = P (X = xi ; Y = yj )
s'appelle loi conjointe du couple (X; Y )

L'application
X( ) ! [0; 1]
xi 7 ! pi: = P (X = xi )
S'appelle la loi marginale de X

L'application
Y( ) ! [0; 1]
yj 7 ! p:j = P (Y = yj )
S'appelle la loi marginale de Y

Proposition:
P P PP
pij = pi: , pij = p:j et pij = 1
j i i j

1.2 Representation matricielle de la loi du couple (X; Y )

X n Y y0 y1 ::: yj ::: Loi marginale de X

x0 p00 p01 ::: p0j ::: p0
x1 p10 : ::: ::: p1
: : : :
: : : :
xi pi0 : pij pi
: : : :
: : : :
Loi marginale de Y p0 p1 ::: pj ::: 1

Exemple:
Une urne contient 9 boules dont 6 boules blanches, 1 boule noire et 2 boules vertes.
On tire simultanement 2 boules de l'urne et on note le nombre de boules blanches et le

1
nombre de boules noires qu'on a obtenues. Soit X la v.a.r egale au nombre de boules
blanches et Y la v.a.r egale au nombre de boules noires.
Determiner la loi conjointe du couple (X; Y ) ainsi que les loi marginales des v.a.r X et
Y.

Solution:
X( ) = f0; 1; 2g et Y ( ) = f0; 1g

X n Y 0 1 Loi de X
C60 C10 C22 1 C60 C11 C21 2 3
0 P (X = 0; Y = 0) = C92
= 36
P (X = 0; Y = 1) = C92
= 36 36
C61 C10 C21 12 C61 C11 C20 6 18
1 P (X = 1; Y = 0) = C92
= 36
P (X = 1; Y = 1) = C92
= 36 36
C62 C10 C20 15 15
2 P (X = 2; Y = 0) = C92
= 36
P (X = 2; Y = 1) = 0 36
28 8
Loi de Y 36 36
1

La loi conjointe du couple (X; Y ) est :

X n Y 0 1
1 2
0 36 36
12 6
1 36 36
15
2 36
0

Loi marginale de X :
x 0 1 2
3 18 15
P (X = x) 36 36 36

Loi marginale de Y :
y 0 1
28 8
P (Y = y) 36 36

1.3 Independance de deux variables aleatoires reelles

Soit (X; Y ) un couple de v.a.r de ni sur une espace probabilise ( ; C; P ). On dit que
les variables aleatoires X et Y sont independantes ssi 8(i; j) 2 N2 , P (X = xi ; Y =
yj ) = P (X = xi ) P (Y = yj ):

1.4 Covariance de deux variables aleatoires reelles

1.4.1 De nition
Soient X et Y deux v.a.r ayant chacune une esperance. On appelle covariance de X et
de Y si elle existe :
cov(X; Y ) = E [(X E(X)) (Y E(Y ))] = E(XY ) E(X)E(Y )
Proposition
Si X et Y sont independantes alors cov(X; Y ) = 0. La reciproque est fausse.
Si X et Y sont independantes alors E(XY ) = E(X)E(Y )

2
1.4.2 Relation entre variance et covariance
Soient X et Y deux v.a.r ayant chacune une variance alors (X + Y ) possede aussi une
variance et on a V (X + Y ) = V (X) + V (Y ) + 2cov(X; Y ):
Demonstration:
V (X + Y ) = E [(X + Y ) E(X + Y )]2 = E [(X E(X)) + (Y E(Y ))]2
= E(X E(X))2 + E (Y E(Y ))2 + 2E [(X E(X)) (Y E(Y ))] = V (X) + V (Y ) +
2cov(X; Y )
Remarques:

1. cov(aX + b; cY + d) = ac cov(X; Y ) pour tous reels a; b; c et d:

2. Si X et Y sont independantes alors cov(X; Y ) = 0 et V (X + Y ) = V (X) + V (Y ):
3. Soient X1 ; X2 ; :::; Xn n variables aleatoires ayant chacune une variance alors :
PP P PP
V (X1 + X2 + ::: + Xn ) = cov(Xi ; Xj ) = ni=1 V (Xi ) + cov(Xi ; Xj )
i j i 6= j

1.5 Inegalite de Cauchy-Schwarz

Soient X et Y deux v.a.r possedant chacune une variance, alors jcov(X; Y )j X Y
Demonstration:
Soit c 2 R, on a
E ((Y E(Y )) + c (X E(X)))2 0
2 2 2
E (Y E(Y )) + c (X E(X)) + 2c (Y E(Y )) (X E(X)) 0
2 2 2
E (Y E(Y )) + c E (X E(X)) + 2cE [(Y E(Y )) (X E(X))] 0
V (Y ) + c2 V (X) + 2c cov(X; Y ) 0
inegalite de second degre de la forme ac2 + bc + d 0 ou a = V (X); b = 2cov(X; Y ) et
d = V (Y )
0
= (cov(X; Y ))2 V (X)V (Y ) 0 () (cov(X; Y ))2 V (X)V (Y ) () jcov(X; Y )j
X Y

1.6 Coe cient de correlation lineaire

De nition
Soient X et Y deux v.a.r ayant chacune une variance non nulle. On appelle coe cient
de correlation lineaire de X et de Y :
cov(X; Y )
X;Y =
X Y
Remarques:

1. X;Y ne depend ni de l'unite de mesure ni d'un changement de repere

2. D'apres l'inegalite de Cauchy-Schwartz, j X;Y j 1
ac
3. (aX + b; cY + d) = jacj
(X; Y ) pour tous reels a; c 2 R+ et b; d 2 R.

3
1.7 Loi conditionnelle
Soient X et Y deux v.a.r discretes. Les ensembles X ( ) = fxi = i 2 Ig et Y ( ) =
fyj = j 2 Jg etant des ensembles nis ou denombrables, pour tout couple (i; j) 2 I J,
soit pij = P (X = xi ; Y = yj ):
P
Soit xi tel que pi: = j2J pij = P (X = xi ) > 0:

De nition:
On appelle loi conditionnelle de Y sachant [X = xi ], la mesure de probabilite PY =X=xi
de nie sur Y ( ) par :
P (X = xi ; Y = yj ) pij
PY =X=xi (Y = yj ) = P (Y = yj = X = xi ) = = .
P (X = xi ) pi:
On de nit de m^eme les lois conditionnelles de X sachant [Y = yj ].

De nition:
On appelle esperance conditionnelle de Y sachant [X = xi ], l'esperance de Y pour la
loi conditionnelle de Y sachant [X = xi ] :
P P p
E (Y = X = xi ) = j2J yj P (Y = yj =X = xi ) = j2J yj piji:
C'est la moyenne des valeurs de Y ponderees par les probabilites de ces valeurs sachant
[X = xi ].

Exemple:
Reprenons l'exemple precedent, determiner la loi de probabilite de Y = X = 1
Calculer E (Y =X = 1)

Solution:
la v.a Y = X = 1 prend les valeurs 0; 1
12
P (X = 1 ; Y = 0) 2
P (Y = 0 = X = 1) = = 36
18 =
P (X = 1) 36
3
6
P (X = 1 ; Y = 1) 1
P (Y = 1= X = 1) = = 36
18 =
P (X = 1) 36
3

Y = yj =X = 1 0 1
P (Y = yj =X = 1) 23 13
P 1
E (Y =X = 1) = yj P (Y = yj =X = 1) = 3

2 Couple aleatoire continu

2.1 Loi d'un couple
2.1.1 Loi conjointe
Soient X et Y deux v.a.r absolument continues de fonctions de repartition FX (x) =
P (X x) et FY (y) = P (Y y) et de densites fX (x) et fY (y) alors la fonction de

4
repartition du couple (X; Y ) est donnee par FX;Y (x; y) = P (X x et Y y) et la
densite fX;Y (x; y) du coupleR(X;RY ) et sa fonction de repartition FX;Y (x; y) sont liees
x y
par la formule FX;Y (x; y) = 1 1 fX;Y (x; y)dxdy.

2.1.2 Lois marginales

Les densites
R marginales sont :
fX (x) = R R fX;Y (x; y)dy
fY (y) = R fX;Y (x; y)dx

2.2 Independance de deux v.a.r

Les v.a.r X et Y sont dites independantes ssi P (X x et Y y) = P (X x)P (Y
y) () FX;Y (x; y) = FX (x)FY (y):
La fonction de repartition du couple est egale au produit des deux fonctions de repartition.
X et Y sont independantes ssi f(X;Y ) (x; y) = fX (x)fY (y):

2.3 Densite conditionnelle

Soit (X; Y ) un couple de v.a reelles de densite f(X;Y ) et de densites marginales fX et
fY .

De nition:
On appelle densite de Y conditionnelle a [X = x], la fonction fY =X=x de nie par :
(
f(X;Y ) (x;y)
si fX (x) > 0
fY =X=x (y) = fX (x)
sinon
De m^eme, on appelle densite de X conditionnelle a [Y = y], la fonction fX=Y =y de nie
par : (
f(X;Y ) (x;y)
si fY (y) > 0
fX=Y =y (x) = fY (y)
sinon
Remarque:

1. Ainsi, pour presque tout x on a f(X;Y ) (x; y) = fX (x)fY =X=x (y)

2. Si X et Y sont independantes, alors pour tout x tel que fX (x) > 0, on a

fY =X=x (y) = fY (y).

2.4 Esperance conditionnelle

De nition:
On appelle esperance conditionnelle de Y sachant [X = x], l'esperance de Y pour la
loi conditionnelle de
R Y sachant [X = x] :
E (Y = X = x) = R yfY =X=x (y)dy

5
On appelle esperance conditionnelle de X sachant [Y = y], l'esperance de X pour la
loi conditionnelle de
R Y sachant [Y = y] :
E (X = Y = y) = R xfX=Y =y (x)dx

Exemple:
Soit la fonction de densite conjointe :
e (x+y) si x 0 et y 0
fX;Y (x; y) =
0 sinon

1. Veri er que fX;Y est une densite de probabilite

2. Determiner les densites marginales de X et de Y . En deduire les lois de X et Y
3. X et Y sont elles independantes ? justi er.
4. Calculer la densite conditionnelles fY =X=x ainsi que l'esperance Y = X = x.

Solution:
R R
1. R R fX;Y (x; y)dxdy = 1 et fX;Y (x; y) 0 =) fX;Y est bien une densite de
probabilite
x y
e si x 0 e si y 0
2. fX (x) = et fY (y) =
0 sinon 0 sinon
X et Y suivent la loi exponentielle de parametre 1
3. Oui car fX;Y (x; y) = fX (x)fY (y)
4. fY =X=x = fY (y) car X et Y sont elles independantes et E(Y =X = x) = E(Y ) = 1

3 Changement de couple de variables aleatoires

Soit h : R2 ! R2 une application bijective et di erentiable.

Soit (X; Y ) = h ((U; V )) = (h1 (U; V ); h2 (U; V )) ou (X; Y ) est un couple de v.a dont la
densite fX;Y est connue. La densite du couple (U; V ) est obtenue par :

fU;V (u; v) = fX;Y (h1 (u; v); h2 (u; v)) jJ(h)j

avec !
@h1 (u;v) @h1 (u;v)
J(h) = det @u @v
@h2 (u;v) @h2 (u;v)
@u @v
ou J(h) est le jacobien de h

Exemple:
Soit (X; Y ) un couple de v.a.r de densite conjointe

6
 (x2 +y 2 )
4xye si x > 0 et y > 0
fX;Y (x; y) =
0 sinon
p
Determiner la densite du couple (U; V ) = X; X 2 + Y 2

Solution:
U =X p U =X U =X p
() ()
V = X2 + Y 2 Y 2 = V 2 X2 Y = V 2 U2
x>0 u>0 u>0
) ) )v>u>0
y>0 v 2 u2 > 0 v > u (car v > 0 et u > 0)
La densite conjointe du couple (U; V ) est :
fX;Y (x(u; v); y(u; v)) jdet Jj si v > u > 0
fU;V (u; v) =
0 sinon
@x @x
1 0
ou det J = @u @y
@v
@y = p u p v
= pv2v u2
@u @v v 2 u2 v 2 u2
On trouve : ( p
fX;Y (u; v 2 u2 ) pv2v u2 si v > u > 0
fU;V (u; v) =
0 sinon
2
4uve v si v > u > 0
fU;V (u; v) =
0 sinon

4 Fonction generatrice et fonction caracteristique

4.1 Fonction generatrice
De nition:
Soit X une v.a a valeurs dans N. On appelle fonction generatrice de X la fonction :
GX : [0; 1] ! [0; 1]
P
s 7 ! GX (s) = E(sX ) = +1 x
x=0 s P (X = x)
Proposition:
Soit X une v.a a valeurs dans N de fonction generatrice GX alors GX est une fonction
entiere sur [0; 1] de rayon de convergence superieur ou egal a 1.
Ainsi GX est continue sur [0; 1], inde niment derivable sur [0; 1] et elle determine la loi
(n)
GX (0)
de X (PX avec PX (X = n) = )
n!
GX (0) = P (X = 0)
P
GX (1) = +1 x=0 P (X = x) = P ( ) = 1
Proposition:
Soit X une v.a a valeurs dans N de fonction generatrice GX alors GX admet une derivee
a gauche en s = 1 ssi E(X) existe et nie et l'on a dans ce cas E(X) = G0X (1).
Remarque:
Plus generalement, GX admet une derivee d'ordre (p + 1) a gauche en s = 1 ssi
(p+1)
E(X(X 1):::(X p)) = GX (1)

7
En particulier pour p = 1 on a
E(X(X 1)) = G00X (1) () E(X 2 ) E(X) = G00X (1)
V (X) = E(X 2 ) (E(X))2 = G00X (1) + G0X (1) (G0X (1))2

Proposition:
Si X et Y sont independantes alors GX+Y (s) = GX (s)GY (s)

Fonctions generatrices de quelques lois usuelles :

Loi de Bernoulli : X ! B(p) alors GX (s) = 1 p + ps
Loi binomiale : X ! B(n; p) alors GX (s) = (1 p + ps)n
Loi geometrique : X ! G (p) alors GX (s) = 1 (1ps p)s
(s 1)
Loi de Poisson : X ! P ( ) alors GX (s) = e

Demonstrations:

Loi de Bernoulli
X ! B(p)
X( ) = f0; 1g
P (X = 1) = p et P (X = 0) = 1 p
P
E(sX ) = 1x=0 sx P (X = x) = s0 P (X = 0) + s1 P (X = 1) = 1 p + sp
On peut veri er que
E(X) = G0X (1) = p
V (X) = G00X (1) + G0X (1) (G0X (1))2 = p(1 p)

Loi binomiale
X ! B(p)
X( ) = f0; 1; :::; ng
P (X = x) = Cnx px (1 p)n x
P P Pn
E(sX ) = nx=0 sx P (X = x) = nx=0 sx Cnx px (1 p)n x
= x=0 Cnx (sp)x (1 p)n x
=
(1 p + sp)n
On peut veri er que
E(X) = G0X (1) = np
V (X) = G00X (1) + G0X (1) (G0X (1))2 = np(1 p)

Loi geometrique
X ! G(p)
X( ) = N
P (X = x) = (1 p)x 1 p
P Pn P1
E(sX ) = 1 x
x=1 s P (X = x) =
x
x=1 s (1 p)x 1 p = p
1 p x=1 (s(1 p))x = p
1 p
s(1
1 sp
p) 1 s(1 p)
= 1 s(1 p)
On peut veri er que
E(X) = G0X (1) = p1

8
V (X) = G00X (1) + G0X (1) (G0X (1))2 = 1 p
p2

Loi de Poisson
X!P( )
X( ) = N
x
P (X = x) = e x!
P Pn x Pn (s )x
E(sX ) = 1 x
x=0 s P (X = x) =
x
x=0 s e x!
=e x=0 x!
=e es = e (s 1)

On peut veri er que

E(X) = G0X (1) =
V (X) = G00X (1) + G0X (1) (G0X (1))2 =

4.2 Fonction caracteristique

De nition
Soit X une v.a.r de loi de probabilite PX : On appelle fonction caracteristique de X la
fonction :
X : R ! C
itX
t 7 ! X (t) = E(e )
En particulier
a- Si X est une [Link] X( ) = fxi ; i 2 Ig ou I N ni ou denombrable alors
itX itX
X (t) = E(e ) = e P (X = x i )
i2I
b- si X estRune variable absolument continue et admet pour densite fX alors X (t) =
+1
E(eitX ) = 1 eitx fX (x)dx
Propositions:
1- Deux variables aleatoires X et Y ont la m^eme loi ssi X = Y
2- Soit X une v.a.r. Si X admet un moment d'ordre n, n 2 N alors X est de classe
(n)
C n et X (t) = in E(X n eitX )

Exemples:
2 2
a) Soit X ! N (m; ) alors X (t) = eitm 2
t

Demonstration
X m
Soit U = , on a U ! N (0; 1)
R +1 R +1 u2 R +1 1
it)2 t2 z=u it
= E(eitU ) =
U (t) 1
eitu fU (u)du = 1
eitu p12 e 2 du = 1
p1
2
e 2
(u 2 du =
t2 R +1 1 2 t2
e 2 1 p12 e 2
z
dz = e 2

2 t2

X (t) = E(eitX ) = E(eit( U +m)

) = eitm E(eit U
) = eitm U (t ) = eitm 2

b) Soit X ! G( ; ) alors X (t) = it

9
Demonstration
R +1 R +1 R +1 ( it)
X (t) = E(eitX ) = 1
eitx fX (x)dx = 0
eitx ( )
x 1
e x
dx = ( it) 0 ( )
x 1
e ( it)x
dx =
it

10
Part I
Vecteurs aleatoires
On suppose dans la suite que toutes les v.a sont de nies sur le m^eme espace probabilise
( ; A; P ) :

1 Vecteurs aleatoires et lois de probabilite

Proposition 1
Une application X : ! Rd d'applications coordonnees X1 ; X2 ; :::; Xd est une variable
aleatoire (vecteur aleatoire) si et seulement si chaque application coordonnee
Xi : ! R est une v.a reelle.

Un vecteur aleatoire X a valeurs dans Rd est un d uplet (X1 ; X2 ; :::; Xd ) de v.a reelles.

1.1 Loi de probabilite d'un vecteur aleatoire

De nition 1
Soit (X1 ; X2 ; :::; Xd ) un v.a a valeurs dans Rd .

1. On appelle loi conjointe des v.a reelles X1 ; X2 ; :::; Xd , la loi du v.a (X1 ; X2 ; :::; Xd )
dans Rd

2. On appelle lois marginales, les lois PX1 ; :::; PXd des v.a reelles X1 ; :::; Xd .

1.2 Fonction de repartition d'un vecteur aleatoire

De nition 2
Soit X = (X1 ; :::; Xd ) un v.a a valeurs dans Rd . On appelle fonction de repartition du
v.a X la fonction FX : Rd ! [ 0; 1 ] telle que pour tout (x1 ; :::; xd ) 2 Rd ,
FX (x1 ; :::; xd ) = P (X1 x1 ; :::; Xd xd ) :

Proposition 2
Soit X = (X1 ; X2 ; :::; Xd ) un v.a a valeurs dans Rd de fonction de repartition FX , alors

1. FX est croissante par rapport a chaque variable

2. Pour tout i = 1; :::; d ,

lim FX (x1 ; :::; xd ) = 0 et lim FX (x1 ; :::; xd ) = 1
xi ! 1 x1 !+1;:::;xd !+1

1
Proposition 3
Soit X = (X1 ; X2 ; :::; Xd ) un v.a a valeurs dans Rd de fonction de repartition FX . Pour
tout k 2 f1; :::; dg, le v.a (X1 ; X2 ; :::; Xd ) a pour fonction de repartition :
F(X1 ;:::;Xd ) (x1 ; :::; xd ) = lim FX (x1 ; :::; xd )
xi ! +1
i = k + 1; :::; d
En particulier, le v.a Xk a pour fonction de repartition FXk (xk ) = lim FX (x1 ; :::; xd )
xi ! +1
i 6= k

2 Vecteurs aleatoires discrets

2.1 Vecteurs aleatoires - de nitions
De nition 3
Le v.a (X1 ; X2 ; :::; Xd ) est un v.a discret ssi chaque application coordonnee Xi : !R
est une v.a reelle discrete.

Proposition 4
Soit X = (X1 ; :::; Xd ) un v.a a valeurs dans Rd . La loi du v.a X est caracterisee par la
donnee de l'ensemble
n
f(xk ; k ) =k 2 Kg oRd R+
Ou X ( ) = xk = x1k ; x2k ; :::; xdk k 2 K et k = P (X = xk ) = P X1 = x1k ; :::; Xd = xdk
P
pour tout k 2 K avec k2K k = 1.

3 Vecteurs aleatoires absolument continus

Soit X = (X1 ; X2 ; :::; Xd ) un v.a a valeurs dans Rd .

De nition 4
Soit PX la loi de probabilite du vecteur aleatoire X = (X1 ; X2 ; :::; Xd ). On dit que PX
est absolument continue s'il existe une fonction reelle f : Rd ! R, telle que

(i) f 0 (ayant un nombre ni de points de discontinuite)

R R
(ii) f est integrable sur Rd etR +1
1 :::
+1
1 f (y1 ; :::; yd ) dy
R1
:::dyd = 1 de sorte que pour
tout B 2 BRd , PX (B) = B f (y1 ; :::; yd ) dy1 :::dyd = Rd f (y1 ; :::; yd ) IB (y1 ; :::; yd ) dy1 :::dyd :

La fonction f est appelee densite de la loi de probabilite de X ou simplement du v.a

X.

Proposition 5
Soit X = (X1 ; :::; Xd ) un v.a de fonction de repartition FX et densite fX alors :

2
 R x1 R xd
1. pour tout (x1 ; :::; xd ) 2 Rd , on a FX (x1 ; :::; xd ) = 1 ::: 1 fX (y1 ; :::; yd ) dy1 :::dyd

2. FX est continue sur Rd

3. FX est derivable presque partout sur Rd et telle que pour tout (x1 ; :::; xd ) ou fX
dF
est continue @x@1 :::@x
X
d
(x1 ; :::; xd ) = fX (x1 ; :::; xd )

3.1 Lois marginales

Proposition 6
Soit X = (X1 ; :::; Xd ) un v.a a valeurs dans Rd de densite fX , alors pour tout k 2
f1; :::; dg, le v.a (X1 ; :::; Xd ) a pour fonction de densite :
R
f(X1 ;:::;Xd ) (x1 ; :::; xd ) = Rd-k fX (x1 ; :::; xd ) dxk+1 :::dxd .

4 Moments d'un vecteur aleatoire

Proposition 7
Soit X = (X1 ; :::; Xd ) un v.a. Soit g : Rd ! R une fonction continue. Alors
g (X1 ; :::; Xd ) est une v.a reelle.
P
Si le v.a X est discret et jg (xi1 ; :::; xid )j P (X1 = xi1 ; :::; Xd = xid ) < 1
i1 2I1 :::id 2Id
P
on a alors E (g(X)) = g (xi1 ; :::; xid ) P (X1 = xi1 ; :::; Xd = xid )
i1 2I1 :::id 2Id
R R
Si le v.a X est absolument continu et +1
R +1 R +1 1 :::
+1
1 jg (x)j fX (x)dx1 :::dxd < 1 on
a alors E (g(X)) = 1 ::: 1 g (x) fX (x)dx1 :::dxd

4.1 Esperance d'un vecteur aleatoire

Proposition 8 (Inegalite de Schwartz)
Soient
q Xqet Y deux v.a reelles admettant des moments d'ordre 2. Alors jE(XY )j
E(X ) E(Y 2 )
2

De nition 5
soit X = (X1 ; :::; Xd ) un v.a a valeurs dans Rd tel que les v.a reelles X1 ; :::; Xd admettent
des esperances nies. On appelle esperance du vecteur X le vecteur de Rd :
E(X) = (E(X1 ); E(X2 ); :::; E(Xd ))
Ainsi, en utilisant l'ecriture matricielle on :
0 1 0 1
X1 E(X1 )
B : C B : C
B C B C
[X] = B C et E ([X]) = B C
@ : A @ : A
Xd E(Xd )

3
4.2 Matrice de covariance
De nition 6
Soit X = (X1 ; :::; Xd ) un v.a a valeurs dans Rd tel que les v.a reelles X1 ; :::; Xd admet-
tent des moments d'ordre 2. On appelle matrice de covariance de X la matrice carree
reelle d'ordre d de nie par X = (cov (Xi ; Xj ))1 i;j d .
0 1
V (X1 ) . . . cov (X1 ; Xd )
B C
B
B
cov (X2 ; X1 ) . . . cov (X2 ; Xd ) C
C
X =B
B . . . . . C
C
B C
@ . . . . . A
cov (Xd ; X1 ) . . . V (Xd )
En utilisant l'ecriture matricielle,
X = E ([X] E ([X])) ([X] E ([X]))t = E [X] [X]t E ([X]) (E([X]))t
ou [X]t est le transpose du vecteur [X].
Consequence
Soit X = (X1 ; :::; Xd ) un v.a de matrice de covariance X, alors
2
1. Pour tout 2 R, X = X

2. Pour tout a 2 R, a+X = X

t
3. ( X) = X

4. Soit une matrice A 2 Mq d et Y un v.a a valeurs dans Rq tel que Y = AX, alors
t
Y = A XA .

Proposition 9
Soient X1 ; X2 ; :::; Xn n v.a reelles admettant des moments d'ordre 2, alors :
P
n P
V (X1 + :::Xn ) = V (Xi ) + 2 cov(Xi ; Xj )
i=1 i<j

5 Fonction caracteristique d'un vecteur aleatoire

De nition 7
Soit X = (X1 ; :::; Xd ) un v.a a valeurs dans Rd . On appelle fonction caracteristique de
X, la fonction X : Rd ! C de nie par : !
d
X (s1 ; :::; sd ) = E eis1 X1 +:::+isd Xd = E eisk Xk :
k=1
t
En utilisant l'ecriture matricielle, (X1 ;:::;Xd ) (s1 ; :::; sd ) = E ei[s] [X]
Remarque
1. La loi du v.a X = (X1 ; :::; Xd ) est determinee par celles de toutes les combinaisons
lineaires de ses composantes.
2. Deux v.a X et Y a valeurs dans Rd ont la m^eme loi ssi X = Y

4
6 Changement de variables
Proposition 10
Soient et D deux ouverts de Rd . Soient X = (X1 ; :::; Xd ) un v.a a valeurs dans
de densite f(X1 ;:::;Xd ) et g : ! D un C 1 di emorphisme de dans D. Alors
Y = g(X) est un v.a de densite fY (y) = fX (h (y)) j(J(h(y))j 1D (y) ou h = g 1 est la
bijection reciproque de g et ou J(h(y)) est le jacobien de l'application h = (h1 ; :::; hd )
en y = (y1 ; :::; yd ) :
0 @h1 1
@y1
(h1 ; :::; hd ) . . . @h 1
@yd
(h1 ; :::; hd )
B C
B
B
. . . C
C
J(h(y)) = det B B . . . C
C
B C
@ . . . A
@hd @hd
@y1
(h1 ; :::; hd ) . . . @yd (h1 ; :::; hd )

7 Variables aleatoires independantes

On rappelle que les v.a X1 ; :::; Xn a valeurs dans Rd1 ; :::; Rdn sont independants si pour
n
tous A1 2 BRd1 ; :::; An 2 BRdn on a P (X1 2 A1 ; :::; Xn 2 An ) = P (Xi 2 Ai ):
i=1
Proposition 11
Soient X1 ; :::; Xn n v.a reelles independantes. Soient h1 ; :::; hn n fonctions reelles
de nies sur Rd , alors les v.a reelles h1 (X1 ); :::; hn (Xn ) sont independantes.

Proposition 12
Soient X1 ; :::; Xn n v.a reelles. Alors X1 ; :::; Xn sont independantes ssi pour tout
n
(x1 ; :::; xn ) 2 Rn on a F(X1 ;:::;Xn ) (x1 ; :::; xn ) = FXi (xi )
i=1

7.1 Independance de v.a discretes

Proposition 13
Soient X1 ; :::; Xn n v.a reelles discretes. Les v.a X1 ; :::; Xn sont independantes si pour
tout (x1 ; :::; xn ) 2 Rn :
n
P (X1 = x1 ; :::; Xn = xn ) = P (Xi = xi ):
i=1

7.2 Independance de v.a absolument continues

Proposition 14
Soit (X1 ; :::; Xn ) un v.a absolument continu a valeurs dans Rn . Alors les v.a reelles
X1 ; :::; Xn sont independantes ssi pour tout (x1 ; :::; xn ) 2 Rn :
n
f(X1 ;:::;Xn ) (x1 ; :::; xn ) = fXi (xi )
i=1

5
7.3 Independance et esperance
Proposition 15
Soient X1 ; :::; Xn n v.a reelles independantes, alors pour toutes fonctions reelles h1 ; :::; hn
telles que E (hi (Xi )) < 1 pour tout i 2 f1; :::; ng, on a
n
E (h1 (X1 ):::hn (Xn )) = E(hi (Xi ))
i=1

Proposition 16
Soient X1 ; :::; Xn n v.a reelles. X1 ; :::; Xn sont independantes ssi pour tout (s1 ; :::; sn ) 2
n
Rn on a (X1 ;:::;Xn ) (s1 ; :::; sn ) = Xk (sk )
k=1

6
Part I
Convergences

1 Divers modes de convergence

1.1 Convergence presque sure
De nition:
Soit (Xn )n2N une suite de v.a. On dit que la suite Xn converge presque surement vers
ps
une v.a X et on note Xn ! X si P (limn!+1 Xn = X) = 1.
n!+1

1.2 Convergence en probabilite

Soit (Xn )n2N une suite de v.a.r. On dit que la suite (Xn ) converge en probabilite
p
vers la constante a et on ecrit Xn ! a si 8" > 0 , lim P (jXn aj > ") = 0:
n!+1 n!+1
p
On dit que la suite (Xn )n2N converge en probabilite vers une v.a.r X si Xn ! X
n!+1
p
, (Xn X) ! 0
n!+1

1.3 Convergence en loi

De nition:
Soit (Xn )n2N une suite de v.a.r et (Fn )n2N leurs fonctions de repartition correspon-
dantes. On dit que la suite Xn converge en loi vers une v.a.r X de fonction de repartition
L
F et on ecrit Xn ! X si en tout point de continuite de F on a lim Fn (x) = F (x)
n!+1 n!+1

2 Inegalite de Markov et Bienayme-Tchebychev

2.1 Inegalite de Markov
Soit X une v.a.r tel que X ( ) R+ et E(X) = a (avec a 6= 0)
alors 8 > 0 , P (X > a) 6 1
Demonstration:
Cas d'une variable discrete:
X ( ) = fx0 ; x1 ; :::; xn g R+ et > 0 . Supposons que a 6= 0
P P P P
a= xi P (X = xi ) > xi P (X = xi ) () a > xi P (X = xi ) > aP (X =
xi > a xi > a xi > a
xi )
() a > aP (X > a) () P (X > a) 6 1

Cas d'une variable continue:

1
 R R +1 R +1 R +1 R +1
a = R tf (t)dt = 0 tf (t)dt > a tf (t)dt > a af (t)dt ) a > a af (t)dt ()
R +1
a > a a f (t)dt () a > aP (X > a) () P (X > a) 6 1

2.2 Inegalite de Bienayme-Tchebychev

Soit Y une v.a.r d'esperance m et de variance 2 (6= 0)
alors 8" > 0, P (jY mj > ") 6 "2
2

Demonstration:
On pose X = (Y m)2 donc E(X) = E (Y m)2 = V (Y ) = 2 :
2
On applique l'inegalite de Markov a la v.a.r X pour = " 2 et pour a = E(X) = 2

on aura:
P (X > a) 6 1 () P (X > "2 ) 6 "2 () P (Y m)2 > "2 6 "2
2 2

() P (jY mj > ") 6 "2

2

3 Loi faible des grands nombres et theoreme de la

limite centree
3.1 Loi faible des grands nombres
Soit (Xn )n2N une suite de v.a.r de m^eme loi,Pd'esperance m et de variance 2 et qui
n
Xi Sn p
sont deux a deux independantes. Soit Zn = i=1 = alors Zn ! m.
n n n!+1
Demonstration:
Il s'agit de demontrer que 8" > 0, lim P (jZn mj > ") = 0. On applique l'I.B.T a
n!+1
la variable aleatoire Zn .
Pn
1X
n
Xi
P (jZn E (Zn )j > ") 6 V (Zn )
"2
avec E (Zn ) = E i=1
= (E (Xi )) = m et
n n i=1
Pn X
n 2
i=1 Xi 1
V (Zn ) = V = (V (Xi )) =
n n2 i=1
n
D'ou 0 6 P (jZn E (Zn )j > ") 6 mj > ") = 0 et on peut ecrire
2
n"2
et lim P (jZn
n!+1
p
Zn ! m
n!+1
Proposition
Si (Xn ) converge en probabilite vers X alors (Xn ) converge en loi vers X. La reciproque
est fausse.

3.2 Loi forte des grands nombres

2
Soit (Xn )n2N une suite de v.a.r de m^eme loi,Pd'esperance m et de variance et qui
n
Xi Sn ps
sont deux a deux independantes. Soit Zn = i=1 = alors Zn ! m.
n n n!+1

2
3.3 Theoreme de la Limite Centree (TLC) ou Theoreme Cen-
tral Limite (TLC)
Soit (Xn )n2N une suite de v.a.r de nies sur ( ; C; P ) toutes de m^eme loi ayant une
esperance m et une variance 2 ( 2 6= 0) et supposees deux a deux independantes.
P L
Posons Sn = ni=1 Xi , Zn = Snn et Tn = Znp m alors Tn ! T ou T ! N (0; 1)
n n!+1

4 Exemples de convergences

4.1 Convergence de la loi Binomiale vers la loi de Poisson

Soit (Xn )n2N une suite de v.a.r tel que Xn ! B(n; pn ) et npn ! (avec > 0)
n!+1
L
alors Xn ! X ou X ! P ( ).
n!+1
En pratique, on approxime une loi Binomiale B(n; p) par une loi de Poisson P (np) si
n > 30, np < 10 et p < 0; 1.
Exemple:
Une usine de tubes electriques produit en moyenne 1% de tubes defectueux. On con-
sidere une commande de 300 tubes. Calculer la probabilite pourque parmi les 300 tubes
livres, il en ait :
a) Aucun tube defectueux
b) moins de 4 tubes defectueux.
Solution:
1 si le tube i est defectueux
On associe a chaque tube la v.a.r Xi = pour i =
0 sinon
1; :::; 300
P
Soit X = 300 i=1 Xi le nombre de tubes defectueux qui est la somme de v.a.r independantes
de Bernoulli donc X ! B(n = 300; p = 0:01)
a) P (X = 0) = C300 0
(0:01)0 (1 0:01)300 0 = 0:049
On peut utiliser une approximation
9 puisque :
n = 300 > 30 =
np = 300x1% = 3 < 10 =) B(n = 300; p = 0:01) ' P (np = 3)
;
p = 1% < 0:1
Le calcul de P (X = 0) en utilisant cette approximation donne :
0
P (X = 0) = e 3 30! = 0:0498
0 1 2 3
b) P (X < 4) = P (X 3) = e 3 30! + e 3 31! + e 3 32! + e 3 33! = 0:647

4.2 Convergence de la loi Binomiale vers la loi Normale

Proposition:
L
Soit (Sn )n2N une suite de v.a.r ou Sn ! B(n; p) alors Tn = pSn np
! T ou
np(1 p) n!+1
T ! N (0; 1)

3
Demonstration:
Toute v.a.r Sn ! B(n; p) s'ecrit comme somme de n v.a independantes de Bernoulli.
Sn = X1 + X2 + ::: + Xn ou Xi ! B(p):
On applique le TCL a la v.a.r Zn = X1 +X2n+:::+Xn = Snn
L
Tn = Zp
n E(Zn )
! T ou T ! N (0; 1)
V (Zn ) n!+1
Sn
p L
Tn = qn
p(1 p))
= pSn np
! T ou T ! N (0; 1)
np(1 p) n!+1
n
p
En pratique, on approche B(n; p) par N np; np(1 p) pour n > 20, np > 10,
n(1 p) > 10 et p pas trop proche de 0 ou 1.
Exemple:
A une election, un candidat a obtenu 45% des voix. On tire au hasard un echantillon
de 300 bulletins de vote. Quelle est la probabilite pourque le nombre d'electeurs qui
ont vote pour ce candidat soit entre 100 et 150.
Soit X la v.a egale au nombre de ceux qui ont vote pour le candidat en question parmi
les 300 electeurs. X ! B(300 ; 0; 45)
Comme n = 300 > 20, np = 135 > 10, n(1 p) = 165 > 10, p = 0:45 pas tres proche
de 0 et 1
alors
p on peut approcher cette loi Binomiale B(300 ; 0; 45) par la loi normale N (135 ;
135(0; 55)):
100 135 X 135 150 135
La probabilite recherchee est P (100 < X < 150) = P 8;62
< 8;62
< 8;62
=
150 135 100 135
F 8;62
F 8;62
= F (1: 74) F ( 4: 06) = F (1: 74) + F (4: 06) 1 = 0; 96

4.3 Convergence de la loi de Poisson vers la loi Normale

Theoreme:
Sp
n n
L
Soit (Sn )n2N une suite de v.a.r tel que Sn ! P (n ), > 0 alors Tn = n
! T
n!+1
ou T ! N (0; 1)
p
En pratique on approche P ( ) par N ; pour > 10:
Demonstration:
Toute v.a.r Sn ! P (n ) s'ecrit comme somme de n v.a.r independantes :
P
Sn = ni=1 Xi ou Xi ! P ( ):
On applique le TCL a la v.a.r Zn = Snn :
L
Tn = Zp
n
= Sp
n n
n
! T ou T ! N (0; 1)
n n!+1
Exemple:
Le nombre de pannes, par mois, sur une certaine machine suit ue loi de Poisson de
parametre 3. Un atelier fonctionne avec 12 machines de ce type qui sont independantes.
En un mois, quelle est la probabilite de constater :
a) plus de 42 pannes
b) entre 36 et 45 pannes
Solution:

4
Soit Xi le nombre de pannes sur la machine i.
P
Xi ! P (3) =) X = ni=1 Xi ! P (36) ou X est le nombre total de pannes par
mois. p
On sait que si X ! P ( ) et que > 10 alors P ( ) ' N ( ; )
Comme 36 > 10 alors P (36) ' N (36; 6)
a) P (X > 42) = 1 P (X 42) = 1 P ( X 6 36 42 36
6
) = 1 P (X 1) = 1 F (1) =
1 0:8413 = 0:1587
b) P (36 < X < 45) = P ( 36 6 36 < X 6 36 < 45 6 36 ) = P (0 < X < 1:5) = F (1:5) F (0) =
0:9332 0:5 = 0:4332

5
Part I
Estimation
1 Modele statistique
De nition:
On appelle modele statistique le triplet ; A; (P ) 2 ou ( ; A) est un espace proba-
bilisable, (P ) 2 est une famille de probabilite parametree sur ( ; A) et est l'ensemble
des parametres. La quantite est appelee le parametre.

Soit ( ) 2 une famille de lois de probabilite.

De nition:
On appelle un n-echantillon de loi une suite de n v.a.r independantes et de m^eme
loi .

2 Estimateurs
De nition:
Soit (X1 ; :::; Xn ) un n-echantillon de loi : On appelle estimateur de toute v.a
Tn = T (X1 ; :::; Xn ), fonction de l'echantillon prenant des valeurs dans . Ainsi un es-
timateur de est une v.a Tn = T (X1 ; :::; Xn ) et pour un n-uplet de donnees (x1 ; :::; xn )
realisation de (X1 ; :::; Xn ), la valeur prise par Tn est ^n .
^n = T (X1 ; :::; Xn ) est l'estimation du parametre .

Exemple:
Soit (X1 ; :::; Xn ) un n-echantillon de loi m ou m est l'esperance des Xi (m inconnue)
E(X1 ) =E(X2 ) = ::: = E(Xn )

Estimateur de m ?
Tn = T (X1 ; :::; Xn ) = X1 +:::+X
n
n
est un estimateur de m
Vn = T (X1 ; :::; Xn ) = X1 est un estimateur de m

3 Qualite des estimateurs

3.1 Estimateur sans biais
De nition:
Soit Tn un estimateur de admettant un moment d'ordre 1. On appelle biais de
l'estimateur Tn la quantite B (Tn ; ) = E (Tn ).

1
Tn est dit sans biais si B (Tn ; ) = 0 ou encore E (Tn ) = .

Exemple:
X1 +:::+Xn nm
1. E (Tn ) = E n
= n
= m.
E (Tn ) = m donc Tn est un estimateur sans biais de m.

2. E (Vn ) = E (X1 ) = m donc Vn est un estimateur sans biais de m.

X1 +X2
3. Un = T (X1 ; :::; Xn ) = 3
E (Un ) = E X1 +X
3
2 1
= 3 (E (X1 ) + E (X2 )) = 2m
3
6= m donc Un est un estimateur
avec biais de m.

Proposition:
2
Soit (X1 ; :::; Xn ) un n-echantillon de loi d'esperance m et de variance .
1
Pn
1. La moyenne empirique Xn = n i=1 Xi est un estimateur sans biais de m.
1
Pn 2
2. La variance empirique Sn2 = n 1 i=1 Xi Xn est un estimateur sans biais de
2
.

Demonstration:
P 2 P 2
(n 1) Sn2 = ni=1 Xi Xn = ni=1 (Xi m) + m Xn
P 2
= ni=1 (Xi m)2 + 2 (Xi m) m Xn + m Xn
P Pn 2
= ni=1 (Xi m)2 + 2 m Xn i=1 (Xi m) + n m Xn
P 2 2 P 2
= ni=1 (Xi m)2 2n Xn m + n m Xn = ni=1 (Xi m)2 n Xn m
P 2
On a trouve que (n 1) Sn2 = ni=1 (Xi m)2 n Xn m , L'esperance de tout ca
donne :
P 2 P
(n 1) E (Sn2 ) = ni=1 E (Xi m)2 nE Xn m = ni=1 V (Xi ) nV Xn =
2
n 2 n n = (n 1) 2
2
=) est un estimateur sans biais de Sn2 .

3.2 Estimateur e cace

De nition:
Soit Tn un estimateur de admettant un moment d'ordre 2. On appelle risque quadra-
tique de Tn la fonction

2
 RTn ( ) = E (Tn )2 = V (Tn ) + (E (Tn ) )2

Tn est dit meilleur qu'un estimateur Sn de si RTn ( ) RSn ( ).

Exemple 1:
Pn
RTn (m) = E (Tn m)2 = E (Tn E (Tn ))2 = V (Tn ) = V X1 +:::+Xn
n
= 1
n2 i=1 V (Xi )
2
= n12 n 2 = n (car les Xi sont independantes)
2
RTn (m) = n .

Exemple 2:
RVn (m) = E (Vn m)2 = E (X1 m)2 = E (X1 E (X1 ))2 = V (X1 ) = 2
.
On a RTn (m) RVn (m) =) Tn est un estimateur meilleur que Vn .

De nition:
On dit que Tn est un estimateur e cace de si Tn est un estimateur sans biais dont la
variance est egale a la borne inferieure de Cramer-Rao.
2 h 2 i
V (Tn ) = In1( ) ou In ( ) = E @ ln L(X;
@
)
= E @ ln L(X; )
@ 2

Exemple:
Soit (X1 ; :::;
PXn ) un n-echantillon ou les Xi sont de m^eme loi de Poisson P ( ). Montrer
que Tn = ni=1 Xi est un estimateur e cace de .
Tn est un estimateur sans biais de puisque E (Tn ) = .
Pn
n i=1 Xi
L(X; ) = e n X
Pn i=1 i
n
ln L(X; ) = n + Pn
( i=1 Xi ) ln ln ( i=1 Xi )
@ ln L(X; ) X
@
= n + i=1 i
Pn
@ 2 ln L(X; ) Xi
= i=1
@ 2 h 2
i P
@ 2 ln L(X; )
In ( ) = E @ 2
= 12 E [ ni=1 Xi ] = n2 = n
P
V (Tn ) = V ( ni=1 Xi ) = V (X i)
=n
1
P n
n
V (Tn ) = In ( )
=) i=1 Xi est un estimateur e cace de .

3.3 Estimateur convergent

De nition:

3
 p
Un estimateur Tn de est dit convergent s'il converge en probabilite vers (Tn ! )
n!+1
c'est a dire limn!+1 P (jTn j ") = 0

Exemple
Soit (X1 ; :::; Xn ) un n-echantillon de loi ou est l'esperance des Xi et 2 la variance
des Xi .
Xn est un estimateur convergent de : En e et, d'apres l'inegalite de Bienayme Tchebychev
appliquee a Xn on a
V (Xn ) V (Xi )
8" > 0, P Xn E Xn " "2
() P Xn E (Xi ) " n"2
V (Xi ) 2
P Xn E (Xi ) " n"2
() 0 P Xn " n"2
2
limn!+1 0 limn!+1 P Xn " limn!+1 n"2
p
=) limn!+1 P Xn " = 0 =) Xn !
n!+1

Proposition
Soit (X1 ; :::; Xn ) un n-echantillon de loi d'esperance m et de variance 2 .
P n
La moyenne empirique Xn = n1 i=1 Xi est un estimateur convergent de m.
P 2
La variance empirique Sn2 = n 1 1 ni=1 Xi Xn est un estimateur convergent de 2
.
p p
Xn ! m et Sn2 ! 2
n!+1 n!+1

4 Methodes d'estimation
4.1 Methode des moments (MM)
De nition:
Soit (X1 ; :::; Xn ) un n-echantillon de loi admettant un moment P d'ordre r 2 N . On
appelle moment empirique d'ordre k, k 2 f1; :::; rg , Xnk = n1 ni=1 Xik qui sont des
estimateurs des moments mk = E Xik .
Plus generalement, g Xn1 ; Xn2 ; :::; Xnr est un estimateur de g (m1 ; m2 ; :::; mr ) :

Exemple:
Soit (X1 ; :::; Xn ) un n-echantillon de loi .
E(X1 ) = E(X2 ) = ::: = E(Xn ) = m1
E(X12 ) = E(X22 ) = ::: = E(Xn2 ) = m2
D'apres la methode des moments, X1 +:::+X n
n
est un estimateur de m1 et
X 2 +:::+X 2
Xn2 = 1 n n est un estimateur de m2 .
V (X1 ) = V (X2 ) = ::: = V (Xn ) = 2
X 2 +:::+X 2 X1 +:::+Xn 2
V (X) = E (X E (X))2 = E (X 2 ) (E (X))2 = 1 n n n
= Zn est
un estimateur de 2 .
2 2 2
Vn = n1 X1 Xn + X2 Xn + ::: + Xn Xn

4
4.2 Estimation par la methode du maximum de vraisemblance
(MV)
De nition:
Soit (X1 ; :::; Xn ) un n-echantillon de loi . On appelle vraisemblance associee a la
realisation (x1 ; :::; xn ) l'application suivante :
L (x1 ; :::; xn ) : ! R+
7 ! L (x1 ; :::; xn ; )
8 n
< f (xi ) si admet f pour densite
i=1
ou L (x1 ; :::; xn ; ) = n n
: (Xi = xi ) = P (X = xi ) si est discrete
i=1 i=1
Un estimateur Tn (X1 ; :::; Xn ) de est appele estimateur de maximum de vraisemblance
(EMV) si L (x1 ; :::; xn ; Tn (X1 ; :::; Xn )) = supL (x1 ; :::; xn ; ) :
2
Dans le cas unidimensionnel, pour ouvert de R et L (x1 ; :::; xn ; :) est de classe C 2 par
rapport a sur et pour tout (x1 ; :::; xn ), l'EMV ^n est solution du systeme :
( @L ( @ ln L
@
= 0 @
=0
@2L () @ 2 ln L
@ 2
<0 @ 2
<0
= ^n = ^n

Exemple 1 (loi discrete)

Soit (X1 ; :::; Xn ) un n-echantillon de loi de Poisson P ( ).
x
P (X = xi ) = e xii! 8xi 2 N et pour 2 R.
n xi
n xi xi
n n
L (x1 ; :::; xn ; ) = e xi !
=e =e n
i=1 i=1 xi ! xi !
! i=1

xi xi
n
n n
ln L (x1 ; :::; xn ; ) = ln e n = ln e + ln ln xi !
xi ! i=1
i=1
Pn n
= n + ln i=1 xi ln xi !
i=1
La derivee premiere s'annule P ssi : Pn
n
@ ln L(x1 ;:::;xn ; ) i=1 xi i=1 xi
@
= 0 () n + = 0 () = n
La derivee seconde Ps'ecrit: n
@ 2 ln L(x1 ;:::;xn ; ) i=1 xi
@ 2
= 2 <0
L'estimation
Pn donnee par la methode du maximum de vraisemblance est donc ^ =
x i
i=1
n
=X

5
Exemple 2 (loi continue)
Soit (X1 ; :::; Xn ) un n-echantillon de loi N ( ; 1).
1 2
f (x) = p12 e 2 (x ) 8x 2 R et 8 2 R
n n
p1
1
(xi )2 p1
1
(xi )2
L (x1 ; :::; xn ; ) = f (xi ) = e 2 = n e 2
i=1 i=1 2 ( 2 )
n 1
Pn 2
ln L (x1 ; :::; xn ; ) = ln (2 )
2 i=1 (xi
2
)
La derivee premiere s'annule ssi : Pn
@ ln L(x1 ;:::;xn ; ) Pn xi
@
= 0 () i=1 (xi ) = 0 () = i=1
n
La derivee seconde s'ecrit:
@ 2 ln L(x1 ;:::;xn ; )
@ 2
= n<0
Pn
xi
Donc l'estimateur du maximum de vraisemblance est ^ = i=1
n
=X

5 Lois derivees de la loi normale

5.1 Loi de Khi-Deux

On dit qu'une variable aleatoire Z suit une loi de de Khi deux a n degres de liberte
(n > 0) si sa densite de probabilite est
n
(1) 2 n 1 1
z
f (z) = 2 n z 2 e 2 si z > 0
(2)

On note Z ! 2 (n)
E(Z) = n et V ar(Z) = 2n
P
On obtient la densite de Z en faisant le changement de variable Z = ni=1 (Yi )2 ou
Yi ! N (0; 1)

Soit Xi une v.a qui suit la loi normale de parametres m et .

Xi ! N (m; )
Aors Xi m suit la loi normale centree et reduite
Xi m
! N (0; 1)
Xn m
et p suit la loi normale centree et reduite
n
Xn m
p
! N (0; 1)
n
Soit Z la v.a egale a la somme de n carres de variables normales centrees et reduites,
alors Z suit la loi de Khi-deux a n degres de liberte.
P 2
Z = ni=1 Xi m ! 2 (n)
Xi m 2 1
On peut montrer que suit une loi Gamma de parametres 2
et 21 .
Xi m 2
! G( 12 ; 12 )
Xi m
Il su t de faire un changement de variable en prenant Y = ! N (0; 1) et de
chercher la loi de Y 2 .
Pn Xi m 2
i=1 ! G( n2 ; 12 ) = 2 (n)

6
Il y a une table de Khi-deux pour les valeurs de n p30:
2 (n)
p
Pour les valeurs de n > 30 on fait l'approximation : 2 2n 1 N (0; 1)

Remarques:
P 2 P 2
Soit ^ 2 = n1 ni=1 (Xi m)2 alors n^2 = ni=1 Xi m ! 2 (n)
P 2 2
Soit Sn2 = n 1 1 ni=1 Xi Xn (estimateur sans biais de la variance) alors (n 1)Sn
2 =
Pn Xi Xn
2
i=1 ! 2 (n 1)
P 2 P 2 2
En e et, ni=1 Xi Xn = ni=1 Xi m Xn m
p
n
Pn Xi m 2 2
ou i=1 ! 2 (n) et Xnp m ! 2 (1)
n

5.2 Loi de Student

On dit qu'une variable aleatoire T suit la loi de Student a n degres de liberte (n > 0)
si sa densite de probabilite est :
( n+1
2 ) 1
f (t) = p n+1 8t 2 R
n ( 2 ) ( 12 )
n
2
1+ tn 2

On note T ! t(n)
On obtient la densite de T en faisant le changement de variable T = pY Z
n
2
ou Y ! N (0; 1) et Z ! (n)

N (0;1)
t(n) = q
2 (n)
n

n
E(X) = 0 et V (X) = n 2
(si n > 2)

Remarques:
Xn m
p
r n Xn m
n^ 2
= p^
! t(n)
2 n
n

Xn m
p
n Xn m
s
(n 1)Sn2
= Sn
p
! t(n 1)
n
2
(n 1)

Il y a une table pour la loi de Student pour les valeurs de n < 30. Pour les valeurs de
n > 30 on peut faire l'approximation t(n) ' N (0; 1).

7
5.3 Loi de Fisher
On dit qu'une variable aleatoire X suit une loi de probabilite de Fisher a (n; m) degres
de liberte (n et m > 0) si sa densite de probabilite est :

( n+m
2 ) n2m 2 x2
n m n 1
f (x) = si x > 0:
( 2 ) ( 2 ) (nx+m) n+m
n m
2

On note X ! F (n; m)
2 (n)

On obtient la densite de X en faisant le changement de variable X = n

2 (m)
m

6 Intervalle de con ance

Soit (X1 ; :::; Xn ) un n-echantillon de loi ou 2 R:
De nition:
Soit 2 [0; 1]. On appelle intervalle de con ance de niveau (1 ) pour le parametre
un intervalle IC1 (dependant de l'observation) tel que P ( 2 IC1 ) = 1 .

6.1 Intervalle de l'esperance m d'une loi normale N (m; )

6.1.1 Cas ou est connu:
Soit (X1 ; :::; Xn ) un n-echantillon de loi N (m; )
p
n(Xn m)
suit la loi N (0; 1)
p
n(Xn m)
P t1 2 t1 2 = 1 avec FN (0;1) t1 2
=1 2
:
t1 est lue sur la table N (0; 1).
2
p
P t1 2 n Xn m t1 2
=1
() P t1 2
p
n
Xn m t1 2
p
n
=1
() P Xn t1 2
p
n
m Xn + t1 2
p
n
=1
Donc l'intervalle [Xn pn t1 2 ; Xn + p t
n 1 2
] est l'intervalle de con ance de niveau
(1 ) pour le parametre m.

Exemple:
Soit Soit (X1 ; :::;P
P Xn ) un n-echantillon de loi N (m; ) de taille n = 25. On donne
25 25 2
i=1 Xi = 50 et i=1 Xi = 220:
On suppose que m est inconnue et que = 2:
Construire un intervalle de con ance de niveau 95% pour la moyenne m de la popula-
tion.

Solution:

8
p
n(Xn m)
! N (0; 1)
IC95% (m) = [Xn pn t1 2 ; Xn + pn t1 2
]
Xn = 2, n = 25, = 2, t1 2 = 1:96
IC95% (m) = [1:216 ; 2:784]

6.1.2 Cas ou est inconnu:

Soit (X1 ; :::; Xn ) un n-echantillon de loi N (m; )
p
n(Xn m)
Sn
suit la loi de Student a (n 1) degres de liberte (ddl)
p
n(Xn m)
P t1 2 Sn
t1 2 = 1 avec Ft(n 1) t1 2 = 1 2
:
t1 2 est lue sur la table t(n 1) (ou sur la table N (0; 1) si n > 30)
Sn Sn
Donc l'intervalle [Xn t1 2 p n
; Xn + t1 2 p n
] est l'intervalle de con ance de niveau
(1 ) pour le parametre m.

Exemple:
m^eme donnees que l'exemple precedent mais on suppose que m et sont les deux
inconnues.
Donner un intervalle de con ance de niveau 95% pour la moyenne m de la population.

Solution:
p
n(Xn m)
Sn
! t(24)
P 2
Sn2 = n 1 1 Xi Xn = 24 1
(220 25 22 ) = 5
IC95% (m) = [Xn pn t1 2 ; Xn + pn t1 2 ]
p
Xn = 2, n = 25, t1 2 = 2:064, Sn = 5
IC95% (m) = [1: 077 , 2: 923]

6.2 Intervalle de la variance d'une loi normale N (m; )

6.2.1 Cas ou m est connu:
P
^n2 = n1 ni=1 (Xi m)2 est un estimateur sans biais de 2
2
n^n 2
2 suit la loi de Khi-deux ( ) a n degres de libertes.
n^n2
2 2
P 1 2 2 =1
ou
2 2
P = 2
2
2 2
P 1 =1 2
2

2
n^n 2
2
1 et 2
2 sont lues sur la table de 2
(n) et l'intervalle 2 ; n^2n est un intervalle de
1 2 2
2
con ance de niveau (1 ) pour le parametre .

9
Exemple:
P
m^eme donnees que l'exemple precedent mais on suppose que m = 2:5, ni=1 (Xi m)2 =
63: 75 et est inconnu.
Donner un intervalle de con ance de niveau 90% pour la variance 2 de la population.

Solution:
Pn
On estime 2
par ^n2 = 1
n i=1 (Xi m)2
2
n^n
2! 2 (25)
P
^n2 = n1 ni=1 (Xi m)2 = 2: 55
h 2 2
i
2 n^n n^n
IC90% ( ) = 2 ; 2
2 1

2 2 2
P = 2
= 5% =) = 14:611
2 2

2 2 2
P 1 =1 2
= 95% =) 1 = 37:652
2 2
2
IC90% ( ) = [1:693 ; 4:363]

6.2.2 Cas ou m est inconnu:

P 2
Sn2 = n 1 1 ni=1 Xi Xn est un estimateur sans biais de 2
.
(n 2
1)Sn 2
2 suit la loi de Khi-deux a (n 1) degres de liberte ( (n 1))
(n 2
1)Sn
2 2
P 2 1 =1
2 2
ou
2 2
P = 2
2
2 2
P 1 =1 2
2

2
(n 1)Sn 2
l'intervalle 2 ; (n 1)Sn
2 est un intervalle de con ance de niveau (1 ) pour le
1 2 2
parametre 2 .
Exemple:
m^eme donnees que l'exemple precedent mais on suppose que m et sont inconnues.
2
Donner un intervalle de con ance de niveau 90% pour la variance de la population.

Solution:
2 1
P 2
On estime par Sn2 = n 1
Xi Xn
2
(n 1)Sn
2! 2 (24)
1
Sn2 = 24 (220 25 22 ) = 5
h 2 2
i
IC90% ( 2 ) = (n 1)S
2
n (n 1)Sn
; 2
2 1

2 2 2
P = 2
= 5% =) = 13:8
2 2

2 2 2
P 1 =1 2
= 95% =) 1 = 36:4
2 2

IC90% ( 2 ) = [3: 297; 8: 696]

10
Part I
Test d’hypothèse
1 Introduction
On veut porter un jugement sur une hypothèse relative à la valeur particulière d’un
paramètre d’une population spécifique. Ce jugement est basé sur les résultats d’un
échantillon prélevé dans cette population et d’un certain risque d’erreur que nous ac-
ceptons de courir.
La construction d’un test d’hypothèse consiste effectivement à déterminer entre quelles
valeurs peut varier la statistique (ou l’écart réduit) en supposant l’hypothèse vraie, sur
la seule considération du hasard de l’échantillonnage.
Exemple : vérification de la durée moyenne de la semaine de travail des dirigeants des
petites et moyennes entreprises.
Selon l’enquête, la durée moyenne de la semaine de travail de ces dirigeants est de
54 heures. On aimerait vérifier cette affirmation auprès d’un échantillon aléatoire
de dirigeants de petites et moyennes entreprises en Tunisie. En supposant que le
traitement des résultats de l’échantillon donne une valeur moyenne de 51 heures comme
semaine de travail, peut-on considérer que l’écart entre les deux résultats (l’écart 54 −
51 = 3 heures) est-il uniquement imputable à l’hasard de l’échantillonnage ?
Cette approche repose sur deux notions importantes : celle d’hypothèse statistique et
celle de seuil de signification.

2 Hypothèse statistique
Soit l’hypothèse nulle que nous notons H0 : m = m0 (exemple : la durée moyenne de la
semaine de travail est de 54 heures) et soit la contre hypothèse ou hypothèse alternative
que nous notons H1 : m = m0 (exemple : la durée moyenne de la semaine de travail
n’est pas de 54 heures).
Le test H0 : m = m0 contre H1 : m = m0 s’appelle test bilatéral
Ce test équivaut à tester H0 : m = m0 contre H1 : m < m0 ou m > m0
Le test H0 : m = m0 contre H1 : m > m0 s’appelle test unilatéral à droite.
Le test H0 : m = m0 contre H1 : m < m0 s’appelle test unilatéral à gauche.

3 Seuil de signification d’un test d’hypothèse

Le risque consenti à l’avance, que nous notons α, est de rejeter à tort l’hypothèse nulle
H0 alors qu’elle est vraie (et de favoriser alors l’hypothèse alternative H1 ). La quantité
α s’appelle le seuil de signification du test et s’énonce en probabilité comme suit :

α = P (rejeter H0 / H0 est vraie)

1
A ce seuil de signification on fait correspondre une région de rejet de l’hypothèse nulle
(appelée région critique). L’aire de cette région correspond à la probabilité α.
Exemple:
Si α = 5%, cela signifie que l’on admet que la statistique peut prendre dans 5% des cas
une valeur se situant dans la zone de rejet de H0 bien que l’hypothèse H0 est vraie.
Il y a aussi une région complémentaire dite région de non rejet de H0 (appelée région
d’acceptation de H0 ) de probabilité 1 − α.
Dans un test d’hypothèse on ne peut jamais être certain que l’hypothèse nulle doit être
rejetée ou non. Les risques de se tromper sont résumés dans le tableau suivant :

Ne pas rejeter H0 (= décider H0 ) Rejeter H0 (= décider H1 )

Bonne décision Mauvaise décision
H0 est vraie Erreur de type I
1 − α = P (décider H0 / H0 est vraie) α = P (décider H1 / H0 est vraie)
α = risque de première espèce
Mauvaise décision Bonne décision
H1 est vraie Erreur de type II
β = P (décider H0 / H1 est vraie) 1 − β = P (décider H1 / H1 est vraie)
β = risque de seconde espèce

Risque de première espèce α

Nous définissons les risques de première et de seconde espèce comme suit :

Risque de première espèce : C’est le risque de rejeter à tort l’hypothèse H0 et de
favoriser l’hypothèse alternative H1 qu’on appelle aussi seuil de signification du test.
Ce risque noté α est fixé à l’avance (avant de recueillir les données).
Risque de seconde espèce : C’est le risque de ne pas rejeter H0 alors qu’elle est fausse
qu’on note β.

2
4 Tests
4.1 Test sur une moyenne
4.1.1 Etapes de construction d’un test d’hypothèse

D’après une société conseil, le salaire annuel moyen d’administrateur de banques de

données serait de 49738. Une enquête effectuée sur un échantillon aléatoire de 36
entreprises de ce secteur donne les résultats suivants concernant la rémunération des
administrateurs de banques de données :
X̄n = 50200 (Salaire moyen)
S = 1560 (racine de l’estimateur sans biais de la variance)
Est ce que les résultats de cette enquête permettraient de supporter l’affirmation de
cette société conseil ? Utiliser un seuil de signification de α = 5%.

1- Hypothèse statistique


H0 : m = 49738
H1 : m = 49738

2- Seuil de signification
α = 5%

3- Condition d’application du test

Grand échantillon (n = 36 > 30) provenant d’une population de variance inconnue.

4- La statistique
X̄n −m0
La statistique qui convient pour le test est Z = S
√
où m0 = 49738
n

et Z → Student(n − 1) mais puisque n = 36 > 30 alors Student(n − 1) ≃ N(0, 1)

5- Règle de décision
La zone d’acceptation de H0 correspond aux valeurs de Z tel que P (−t < Z < t) = 1−α
Si −t < Z < t alors on décide H0 : m = 49738
si Z < −t ou Z > t alors on décide H1 : m = 49738.
Pour ce cas, le seuil de signification est α = 5%
t = 1.96 et −t = −1.96
On rejette H0 si Z < −1.96 ou Z > 1.96

6- Calcul de l’écart réduit

50200−49738
Puisque X̄n = 50200, S = 1560 et n = 36 on aura Z = 1560
√
= 1. 77
36

7- Décision et conclusion
La valeur de Z = 1.77 se situe dans la région de non-rejet de H0 donc on ne peut rejeter
l’affirmation de la société conseil. On accepte H0 : m = 49738. L’écart observé entre
X̄n et m0 (50200 − 49738 = 462) n’est pas statistiquement significatif au seuil α = 5%.

3
4.1.2 Lois utilisées
Loi normale centrée et réduite La statistique Z suit la loi normale dans deux
cas. Dans le cas où l’échantillon est prélevé au hasard d’une population de variance
connue σ 2 la statistique du test Z = X̄n√−m
σ
0
suit la loi normale N (0, 1). Si la variance
n
de la population est inconnue et que la taille de l’échantillon n > 30 alors la statistique
Z = X̄n√−m
S
0
suit aussi la loi normale N (0, 1) (car on peut approximer une Student avec
n
une normale centrée et réduite quand n > 30).

Hypothèses Règle de décision du test
H0 : m = m0
Test bilatéral Décider H0 si −t1− α2 < Z < t1− α2


H1 : m = m0
H0 : m = m0
Test unilatéral à droite Décider H0 si Z < t1−α


H1 : m > m0
H0 : m = m0
Test unilatéral à gauche Décider H0 si Z > −t1−α
H1 : m < m0

Test unilatéral à gauche Test bilatéral Test unilatéral à droite

Exemple :

Pour un seuil de signification de 5%, les valeurs de t1− α2 et t1−α lues sur la table de la
fonction de répartition de la loi normale centrée et réduite sont :

4
Loi de Student Dans le cas où l’échantillon est de taille n < 30 et prélevé au hasard
d’une population de variance inconnue la statistique du test Z = X̄n√−m
S
0
suit la loi de
n
Student à n − 1 degrés de liberté.

Hypothèses


Règle de décision du test
H0 : m = m0
Test bilatéral Décider H0 si −t1− α2 ,n−1 < Z < t1− α2 ,n−1


H1 : m = m0
H0 : m = m0
Test unilatéral à droite Décider H0 si Z < t1−α,n−1


H1 : m > m0
H0 : m = m0
Test unilatéral à gauche Décider H0 si Z > −t1−α,n−1
H1 : m < m0

Test unilatéral à gauche Test bilatéral Test unilatéral à droite

Exemple :
Pour un seuil de signification de 5% et pour n = 10 (taille de l’échantillon) et pour
Z → Student(n − 1), les valeurs de t1− α2 ,n−1 et t1−α,n−1 lues sur la table de Student
sont :

4.2 Test sur une proportion

On se propose de tester si la proportion p d’éléments de la population présentant un
certain caractère quantitatif peut être considéré ou non comme égale à une valeur
hypothétique p0 .

5
Hypothèse nulle H0 : p = p0
Hypothèse alternative H1 : p = p0 (p < p0 ou p > po )

Soit un échantillon de grande taille (n > 30) prélevé au hasard d’une population
binomiale de sorte que np ≥ 5 et n(1 − p) ≥ 5, dans ce cas, l’écart réduit Z = fpn −p 0
(1−p )
0 0
n

est distribuée selon la loi normale N (0, 1).

Hypothèses


Règle de décision du test
H0 : p = p0
Test bilatéral Décider H0 si −t1− α2 < Z < t1− α2


H1 : p = p0
H0 : p = p0
Test unilatéral à droite Décider H0 si Z < t1−α


H1 : p > p0
H0 : p = p0
Test unilatéral à gauche Décider H0 si Z > −t1−α
H1 : p < p0

Exemple:
Un cadre d’une société conseil affirme que 36% des entreprises ont reçu des commandes
par internet. Une enquête sur le commerce électronique indique que sur un échantillon
de 256 entreprises, 96 font du commerce électronique. Peut-on considérer, au seuil de
signification de 5%, que l’affirmation du conseiller est vraisemblable ?
Etapes du test :

1-

Hypothèse statistique
H0 : p = 0.36
H1 : p = 0.36

2- Seuil de signification
α = 5%

3- Condition d’application du test

np ≥ 5 et n(1 − p) ≥ 5

4- La statistique
La statistique qui convient pour le test est Z = fpn −p 0
où p0 = 0.36 et Z → N(0, 1)
(1−p
0 0)
n

5- Règle de décision
La zone d’acceptation de H0 correspond aux valeurs de Z tel que
P (−t1− α2 < Z < t1− α2 ) = 1 − α
Si −t < Z < t alors on décide H0 : p = 0.36
si Z < −t ou Z > t alors on décide H1 : p = 0.36.
Pour ce cas, le seuil de signification est α = 5%
t0.975 = 1.96 et −t0.975 = −1.96

6
On rejette H0 si Z < −1.96 ou Z > 1.96

6- Calcul de l’écart réduit

96
Puisque fn = 256 = 0.375 , n = 256, p0 = 0.36 on aura Z = 0.375−0.36 = 0.5
0.36(1−0.36)
256

7- Décision et conclusion
La valeur de Z = 0.5 se situe dans la région de non-rejet de H0 donc on ne peut rejeter
l’affirmation du conseiller. On accepte H0 : p = 0.36.

4.3 Test sur une variance

La statistique du test dans le cas de test sur une variance est une Khi-deux.
Si la moyenne de la population est connue alors la statistique du test est :
nσ̂2
Z= σ2
→ Khi − deux(n)

Si la moyenne de la population est inconnue, la statistique du test est :

(n−1)S 2
Z= σ2
→ Khi − deux(n − 1).

Le tableau suivant résume dans le cas d’un test sur une variance les règles de décision
selon les hypothèses H1 pour le seuil de signification α.

Hypothèses


Règle de décision du test
H0 : σ 2 = σ02
Test bilatéral Décider H0 si χ2α < Z < χ21− α


H1 : σ 2 = σ02 2 2

H0 : σ 2 = σ02
Test unilatéral à droite Décider H0 si Z < χ21−α


H1 : σ 2 > σ02
H0 : σ 2 = σ02
Test unilatéral à gauche Décider H0 si Z > χ2α
H1 : σ 2 < σ02

Test unilatéral à gauche Test bilatéral Test unilatéral à droite

7
Exemple :
Pour un seuil de signification de 5% et pour n = 10 (taille de l’échantillon) et pour
Z → χ(10) (moyenne connue), les valeurs de χ2α ,n , χ21− α ,n χ21−α,n et χ2α,n lues sur la
2 2
table de Khi-deux à 10 degrés de liberté sont :

Exemple:
Selon le responsable de l’application des tests d’évaluation de l’entreprise PMX, la
variabilité des résultats aux tests de dextérité (habileté) n’excède pas 144 (σ = 12).
Les résultats à ce test obtenus sur un échantillon aléatoire de 20 employés donnent une
somme de carrés des écarts par rapport à la moyenne de 2952.
L’hypothèse selon laquelle σ 2 n’excède pas 144 est-elle acceptable au seuil de significa-
tion α = 5% ? Effectuer le test selon la démarche usuelle (7 étapes).

1-

Hypothèse statistique
H0 : σ 2 = 144
H1 : σ 2 > 144
2- Seuil de signification
α = 5%
3- Condition d’application du test
Echantillon aléatoire de taille n > 30 issu d’une population de moyenne inconnue
4- La statistique
2
La statistique qui convient pour le test est Z = (n−1)S
σ02
où σ02 = 144 et Z → χ2 (n − 1)
5- Règle de décision
La zone d’acceptation de H0 correspond aux valeurs de Z tel que
P (Z < χ21−α,n−1 ) = 1 − α
χ21−α,n−1 = χ20.95,19 = 30.1435
Si Z < 30.1435 alors on décide H0 : σ 2 = 144 sinon on décide H1 : σ 2 > 144
6- Calcul de la valeur de la statistique
2
Z = (n−1)S
σ02
= 2952
144
= 20. 5
7- Décision et conclusion
Z = 20.5 < 30.1435 =⇒ on décide H0 : σ 2 = 144. L’hypothèse selon laquelle σ 2
n’excède pas 144 est-elle acceptable au seuil de signification α = 5% .