Cours Exos Corrig S Proba Stat SMC 2015

Université Ibn Tofail SMC semestre 4 Printemps 2015
Faculté des Sciences, Kénitra
NOTES DE COURS
(48 pages)
Plan
I) Probabilités, événements et Probabilités conditionnelles

II) Variables aléatoires
III) Lois de probabilité les plus courantes : discrètes et continues
IV) Estimation ponctuelle et par intervalle d’une moyenne d’un écart-type et d’une
proportion
V) Cartes de contrôle de grandeurs mesurables et Cartes de contrôle par attributs
VI) Tests d’hypothèses
VII) Compléments du cours
VIII) Séries de TD
IX) Tables statistiques
Références bibliographiques :
- cours en ligne :statnet , http://www.agro-montpellier.fr/cnam-lr/statnet/

- BAILLARGEON, Introduction aux méthodes statistiques en contrôle de la qualité
(1995), Les édition SMG.
Pr. Elkettani
1
I) Probabilités
Exemple : Les produits de qualité : On prélève 96 pièces des

produits P, Q, R et S fabriqués par un atelier. On affecte à chaque pièce
un numéro d’ordre entre 1 et 96 puis on examine la qualité de sa forme
circulaire si elle est bonne ou mauvaise. On a obtenu les résultats
suivants :
P Q R S Total
Bonne 30 20 16 14 80
mauvaise 6 5 2 3 16
Total 36 25 18 17
Effectuons l’expérience suivante qui consiste à tirer au hasard un individu :
- Quelle est la probabilité que ce soit une pièce défectueuse? Quelle est la
probabilité que ce soit une pièce bonne et de type R ?
Un résultat ou issue de cette expérience aléatoire est l'un des 96 numéros.

L'ensemble  des issues s'appelle l'univers des possibles.
A) Evénement lié à une expérience aléatoire
La phrase ou assertion "l’individu choisi a le numéro 35" peut être vraie ou fausse.
On dira que cette assertion est un événement lié à l'expérience aléatoire "choisir au
hasard un individu".
On dira que cet événement est réalisé si, après une épreuve de l'expérience aléatoire
l’assertion devient vraie.
A chaque événement est associée une partie de  constituée des issues pour
lesquelles l'événement est réalisé. Pour l'événement "l’individu choisi est une pièce
de type S" est associée la partie de  formée de tous les numéros des pièces de type
S du tableau.
Si  est fini, à toute partie A de , ( A P ) est associé un événement, par
exemple l'événement "l'issue de l'expérience est un élément de A". Si  est fini,
P représente l'ensemble des événements associés à l'expérience. On appelle
événement élémentaire un événement qui n'est réalisé que par une seule issue de
l'expérience.
L'événement "le numéro choisi est le 35" est un événement élémentaire.
Un événement est dit impossible s'il n'est réalisé par aucune issue de l'expérience
aléatoire.
Pr. Elkettani
2
"L’individu choisi a le numéro 100" est ici un événement impossible (car les individus
ont les numéros de 1 à 96).
A un événement impossible on associe la partie vide, de .
Un événement est dit certain s'il est réalisé par toutes les issues de l'expérience
aléatoire.
"L’individu tiré au hasard est soit un homme, soit une femme" est ici un événement
certain.
A un événement certain on associe la partie.
Composition des événements
On peut composer les événements à l'aide des connecteurs logiques : et, ou, non.
Soit A l'événement : "l’individu choisi est une pièce mauvaise ".
Soit B l'événement : " l’individu choisi est une pièce de type P".
La conjonction A et B de ces deux événements est l'événement : A et B : " l’individu

choisi est une pièce mauvaise et de type P ".
A l'événement A et B est associée l'intersection des parties associées à A et B.
La disjonction A ou B des deux événements est l'événement :
" l’individu choisi est une personne célibataire ou bien c’est un homme "
A l'événement A ou B est associée la réunion des parties associées à A ou B.
La négation de l'événement A est l'événement : "l’individu choisi n’est pas mauvaise

".
A l'événement "non A" (ou ) est associé le complémentaire dans  de la partie

associée à l'événement A.
Deux événements A et B sont dits incompatibles s'il n'existe pas d'issues à

l'expérience réalisant simultanément A et B.
Les événements A : "l’individu choisi est une pièce mauvaise " et B : " l’individu choisi
est une pièce bonne " sont incompatibles.
Si A et B sont incompatibles, les parties de  qui leur sont associées ont une
intersection vide.
Pr. Elkettani
3
( P  ), c'est-à-dire P , l'ensemble des parties de , muni des

opérations d'union (  ), d'intersection (  ) et de complémentation ( ) s'appelle
l'algèbre des événements liée à l'expérience aléatoire.
B) Définition d'une probabilité
Soit E une expérience aléatoire ayant un nombre fini d'issues. Et soit  l'ensemble des
issues de cette expérience.
A tout événement A lié à E, c'est-à-dire à tout élément A de P , on associe un

nombre P(A), compris entre 0 et 1, appelé probabilité de A.
Une probabilité P définie sur P est une application P : P   [ 0 , 1 ] possédant

les propriétés suivantes :
1) P (  ) = 1
2) Si A et B sont deux événements incompatibles : P ( A  B ) = P ( A ) + P ( B )
Il en découle les premières conséquences suivantes :
Propriétés :
1) P (  ) = 0 . La probabilité de l'événement impossible est nulle.
2) Si est l'événement contraire de A, alors P ( )= 1-P(A)
3) Si A  B alors P ( A )  P ( B )
4) Si A et B sont deux événements quelconques P ( A  B )= P ( A ) + P ( B ) - P ( A 

B)
5) Si A1 , A2 , .... , An sont des événements deux à deux incompatibles
P ( A1  A2  ...  An ) = P ( A1 ) + P ( A2 ) + ... + P ( An )
Si A est un événement correspondant aux issues  1 ,  2 , .... ,  n,
A = { 1 2n}, alors P (A) = P ({ 1}) + P ({ 2} ) + ... + P ({ n})
La probabilité de A est la somme des probabilités des événements élémentaires dont la

réunion est égale à A.
Comment définir une probabilité à l'aide des probabilités des événements

élémentaires :
Inversement, soit E une expérience aléatoire ayant un nombre fini d'issues. Et soit
 1n l'ensemble des issues de E.
Pr. Elkettani
4
Pour définir une probabilité P sur P ( ) il suffit de définir les probabilités des
événements élémentaires, pi = P ( {  i })
Mais comme on doit avoir P (  ) = 1, il faut que : p1 + p2 + ... + pn = 1
Si cette condition est remplie, on définit alors la probabilité P ( A ) de tout événement

A par
P(A)= P ( {  } ) somme des probabilités des événements élémentaires dont la

réunion est égale à A.
Hypothèse d'équiprobabilité - Probabilité uniforme
Soit E une expérience aléatoire ayant un nombre fini d'issues. Et soit  1 2
 n l'ensemble des issues de E. Si on fait l'hypothèse que les événements
élémentaires { i} ont la même probabilité, on dit que l'on fait l'hypothèse
d'équiprobabilité. On doit alors avoir : pi = P ( {  i }) = pour que p1 + p2 + ... + pn = 1
et la probabilité P ( A ) d'un événement de P est :
P(A)= = où Card(A) désigne le nombre d'éléments de A.
C) Probabilités conditionnelles et Evénements Indépendants
1) Probabilité conditionnelle : Soit ( , P () , P ) un espace probabilisé fini et A

un événement lié à cet espace tel que P( A )  0
On définit l'application : PA : P   par : PA ( B ) = [P(A  B)/P(A)] qu’on note

aussi P(B | A) = PA ( B) qui est la notation traditionnelle, mais attention le symbole B
| A n'a pas de sens autonome : ce n'est pas un événement.
PA ( B) s'appelle la probabilité conditionnelle de B sous la condition que A soit réalisé.

PA est une probabilité définie sur l'espace probabilisé ( , P () , P ). PA a toutes les
propriétés d'une probabilité. En particulier : PA ( ) = 1 - PA ( B )
Sur l’exemple des produits de qualité, conditionnelles à l’événement B : « un produit

défectueux est réalisé, définir les probabilités que se soit de type P, Q, R ou S.
2) Evénements indépendants
Soit A et B deux événements d'un espace probabilisé non - nul. A et B sont dits indépendants
pour la probabilité P si : P(A  B) = P(A)P(B). On a alors dans ce cas : P(A|B) = P(A) : la
connaissance de B ne change pas P(A)
Pr. Elkettani
5
Exemple : le dé vert et le dé rouge
On lance deux dés parfaitement équilibrés, un rouge et un vert. Les issues de cette expérience
aléatoire sont les couples ( x1 , x2 ) où x1 est le résultat du jet du dé rouge et x2 le
résultat du jet du dé vert.
x1  , x2  {1,...,6} .  = {1,...,6}  {1,...,6}. On fait l'hypothèse d'équiprobabilité.
Soit IR l'événement "le dé rouge donne un no impair"
IR = { 1 , 3 , 5 } {1,...,6}
Soit IV l'événement "le dé vert donne un no impair"
IV = {1,...,6} { 1 , 3 , 5 }
P( IR ) = = = 0.5 et P( IV ) = = = 0.5
IR  IV = { 1 , 3 , 5 }  { 1 , 3 , 5 } et P(IR  IV) = = =
On adonc : P(IR  IV) = = 0.5  0.5 = P( IR ) P( IV ). Les événements IR et IV sont

indépendants.
P(IV | IR) = = = = et P(IV | IR) = P( IV ) = 0.5 .
Le résultat obtenu par le dé rouge ne conduit pas à modifier la probabilité des

résultats obtenus par le dé vert
II) Notion de variable aléatoire
1) Définitions :
Une variable aléatoire réelle X est une application qui associe à chaque issue d'une expérience
aléatoire un nombre réel.
Si est fini ou dénombrable, X est une variable aléatoire (v.a.) discrète.

Si est infini non dénombrable, X est une variable aléatoire (v.a.) continue.
On définit une probabilité Px sur
Exemple 1 (cas où X est une v.a. discrète ): on lance un dé "bien équilibré"
Pr. Elkettani
6
Il s'agit d'une expérience aléatoire où l'univers des possibles est :
On a équiprobabilité : Px ( A ) = pour tout A de (  ).
Posons : X = 0 si on obtient un nombre  3, et X = 1 si on obtient un nombre  3.
X est une variable aléatoire à valeurs dans :
L'événement ( X = 0 ) est : X-1 ({ 0 }) = { 1 , 2 }, partie de  de probabilité : P( X = 0 )

= .
De même ( X = 1 ) est le sous-ensemble de  = { 3,4,5,6}, donc PX ( 1 ) =
PX ( 0 ) = et PX ( 1 ) = définissent bien une probabilité sur = { 0 , 1 } ; (nombres

 0 de somme 1).
Exemple 2 (cas où X est une v.a. continue ):
M. Martin a décidé de prendre l'autobus. Il ne connaît pas les horaires de passage

mais il sait que ce bus passe régulièrement toutes les 15 mn. La durée de son attente
est une variable aléatoire X à valeur dans l'intervalle [0 , 15[ .
Cet intervalle n'est pas dénombrable : on ne peut pas l'écrire sous la forme : { x1 , x2
, ... , xi , ... }.
On dira que X est une variable aléatoire continue, c'est-à-dire que l'ensemble de ses
valeurs est un ensemble continu (généralement un intervalle réel ou entier).
Ici, on ne cherchera pas de probabilité de la forme P ( X = xi ). En effet la probabilité

d'attendre très exactement 3 mn par exemple, et pas 3 mn et 1/100e de seconde, ni 3
mn moins 1/millionnième de seconde ... sera nulle. Pour tout x, P ( X = x ) = 0.
Par contre, on pourra calculer des probabilités d'intervalles, de la forme :
- probabilité d'attendre moins de 10 mn, ou entre 3 et 5 mn, ou plus de 5 mn, etc...
2) La fonction de répartition
Pour cela, X sera caractérisé par sa fonction de répartition : F ( x ) = P ( X  x ).
"X  x" signifie l'événement correspondant, dont on calcule la probabilité.
. Si x  0 , (X  x ) =  (événement impossible), donc F ( x ) = 0.
Pr. Elkettani
7
. Si x > 15 , (X  x ) =  (événement certain), donc F ( x ) = 1.
Si x et y sont 2 nombres de [ 0 , 15 ], avec x < y : on a
( X  x )  ( X  y ), donc P ( X  x )  P ( X  y ), et F ( x )  F ( y )
donc x y  F ( x )  F ( y )
Par exemple la probabilité d'avoir à attendre moins de 3 mn est plus faible que celle
d'avoir à attendre moins de 5 mn
En conclusion F est une fonction croissante (au sens large) de 0 à 1.
Exemple: Ne connaissant absolument rien sur l'horaire de passage du dernier

bus, M. Martin va considérer que la probabilité d'avoir à attendre entre 10 et 11 mn
est la même que celle d'attendre entre 4 et 5 mn, ou entre 12.5 et 13.5 mn, etc...
Autrement dit, P ( a  X  b ) = F ( b ) - F ( a ) sera proportionnel à b - a,
donc F est linéaire sur [ 0 , 15 [ :
F(x) =0 si x  0
si 0  x 
= x / 15
15
=1 si x  1
Aussi bien dans les cas discret que continue, PX peut être caractérisée par la fonction de
répartition de X : F ( x ) = P (X  x )
F est une fonction croissante, de 0 à 1, en escalier si X est discrète, continue si X est continue.
Exemples de fonctions de répartition F :

Cas discret PX est définie par :
. F, fonction de répartition en escalier, croissante de 0 à 1. ou par les xi et les pi , nombres >=

0 de somme 1.
Pr. Elkettani
8
Cas continu
PX est définie par :
. F, fonction de répartition continue, croissante de 0 à 1.ou par
. f, fonction de densité, >= 0 , d'intégrale ("surface sous la courbe") 1.
3) Espérance et variance : La valeur moyenne que peut prendre une variable aléatoire X est
son espérance E ( X ).
La variabilité de X peut être caractérisée par sa variance V ( X ) ou par son écart-type
Pr. Elkettani
9
L'espérance mathématique d'une variable discrète est la moyenne de ses valeurs,

pondérée par leurs probabilités.
Par abus de langage, cette espérance est parfois

aussi appelée moyenne de X :
E (X) =  xi pi (somme finie ou infinie).
Attention, l'espérance de X n'est pas forcément

sa valeur la plus probable (c'est ce qu'on appelle
le mode) ; ce n'est pas forcément non plus l'une xi 1 2 3 4 5
des valeurs de . pi 0.05 0.15 0.35 0.15 0.10
xi 6 7 8 9 10
pi 0.05 0.05 0.05 0.03 0.02
Que soit fini ou dénombrable, on a aussi, pour toute fonction g réelle,
E ( g ( X ) ) =  g ( xi ) pi (somme finie ou infinie).
Exercice: retrouver pour l’exemple ci-dessus la valeur de E(X).
L'espérance mathématique d'une variable continue :
Dans le cas d'une variable continue X , de loi définie par une fonction de densité f ,
l'espérance s'écrit :
E ( X ) =  x f ( x ) dx et E [ g ( X ) ] =  g ( x ) f ( x ) dx
(Nous n'aurons pas à calculer véritablement de telles intégrales)
Ici aussi, E ( X ) est analogue à une moyenne.
Regardez quelques exemples de densités pour lesquelles on a positionné E ( X ).
Pr. Elkettani
10
La variance: Pour toute variable aléatoire X on définit la variance : V ( X ) = E [ ( X - E (

X ) )²]
. Si X est discrète : V ( X ) =  pi ( xi - E ( X ) )² ( X ) = ( pi xi ²)- (E ( X ) )²
Cette formule est identique à celle de la variance d'une série statistique, avec E (X) à
la place de
. Si X est continue, on a une formule analogue avec une intégrale à la place de la

somme.
V ( X ) = x-E(X)]² f ( x ) dx = x² f ( x ) dx-[x f ( x ) dx]²
Dans tous les cas la variance est égale à : "espérance du carré - carré des espérances"
V (X) = E ( (X - E (X))² ) = E (X ²) - (E (X))²
V ( X ) est toujours  0 , nulle quand X est constante, et d'autant plus grande que X
est "variable", ou "imprévisible" .
Même chose pour l'écart-type, qui s'exprime de plus dans la même unité que X.
4) Opérations : Si a et b sont des réels,
E(aX+b)=aE(X)+b,
V ( a X + b ) = a² V (X) ,
(a X + b) = | a | (X)
E (X+Y) = E (X) + E (Y)
et si X et Y sont indépendantes : E (XY) = E (X) E ( Y ) , et on a aussi : V ( X + Y ) = V ( X

)+V(Y),
il n'y a pas de formule analogue pour V (X Y) ni ( X Y)
5) Inégalité de Tchébichev :
Cette inégalité permet de mieux comprendre l'utilité de l'espérance et de l'écart-type, en

attendant la loi normale dans la leçon : "Principales lois continues".
6) Couples de variables aléatoires

Si X et Y sont numériques (discrètes ou continues), on définit la covariance entre X
et Y par :
cov ( X , Y ) = E ( X Y ) - E ( X ) E ( Y )
Pr. Elkettani
11
Et on a la relation : V ( X + Y ) = V ( X ) + V ( Y ) + 2 cov ( X , Y )
Mais afin d’avoir un coefficient qui ne dépend pas des échelles de X et de Y, on

définit le Coefficient de corrélation :
( X , Y ) =
Ainsi  est un nombre compris entre - 1 et + 1 ;  est nul si X et Y sont

indépendantes et  =  1 si Y est de la forme a X + b
Remarque importante : Si X et Y sont indépendants on a :
cov ( X , Y ) = 0 et V ( X + Y ) = V ( X ) + V ( Y ) Et par conséquent :  ( X , Y ) =

0 : X et Y sont non corrélées
la réciproque est fausse.
III) Lois les plus courantes
1) Loi uniforme discrète
- Exemples :
Numéro obtenu en lançant un dé ( ici n = 6 ), ou en

tirant un jeton de loto ( ici n = 49 ),
numéro d'ordre d'une personne prise au hasard sur

une liste, ...
- Loi de Probabilité :
P ( X = k ) = 1 / n , pour k = 1, 2, ... , n.
- Espérance et Variance :
E(X)=( ) et V ( X ) = ( n² - 1 ) / 12.
- Somme : La somme de deux lois uniformes, même indépendantes, n'est pas une
loi uniforme.
Exemple: La somme de deux dés dont la loi est représentée ci-dessous :
Pr. Elkettani
12
On voit bien que la loi représentée par ce diagramme en bâtons n’est pas uniforme.
2) Loi de Bernoulli
- Définition : X suit une loi de Bernoulli de paramètre p si
X ne prend que les valeurs 0 ou 1, avec les probabilités 1 - p
et p .
– Exemples :
. lancé d’une pièce de monnaie, les issues sont pile ou

face. Si la pièce n’est pas biaisée, p=0.5
. pièce d’une usine bonne ou mauvaise,
. oui ou non à un référendum
Loi de Probabilité : P ( X = 1 ) = p ; P ( X = 0 ) = 1 - p
- Espérance et Variance : E ( X ) = p et V(X)= p(1-p)
- Somme : La somme de n variables de Bernoulli indépendantes, de même

paramètre p, suit une loi binomiale B ( n , p )
3) Loi binomiale
- Définition : X suit une loi binomiale B ( n , p ) si X est la somme de n

variables de Bernoulli indépendantes, de même paramètre p.
C'est le nombre de réalisations d'un événement de probabilité p dans une suite de n

épreuves indépendantes (tirage avec remise).
- Loi de Probabilité : P ( X = k ) = pk ( 1 - p )n-k, pour k = 1, 2, ..., n
Pr. Elkettani
13
- Espérance et Variance : E ( X ) = np et V ( X ) = n p ( 1 - p )
-Exemples :
- nombre de "6" obtenus en lançant 10 fois un dé.
- nombre de pièces défectueuses sur un échantillon.
- nombre d'as obtenus lors d'un tirage de 5 cartes avec remise
- Somme : Si X1 et X2 sont indépendantes de lois respectives, B ( n1 , p ) et B

( n2 , p ) avec le même p, alors : X1 + X2 est de loi B ( n1 + n2 , p )
4) Loi de Poisson
quand n  , p 0 , np   , B ( n , p ) tend vers une loi dite loi de Poisson de
paramètre  définie
sur = { 0 , 1 , 2 , 3 , ... }
par : P ( X = k ) = e ;k ,
Elle est notée P (  ).
Il existe des tables contenant cette loi, ou sa fonction de répartition, pour différentes
valeurs de .
Exemple d’application :
Un standard téléphonique reçoit en moyenne 15 appels par heure entre 8 h et 9 h. Le

nombre moyen d'appels sur une période est proportionnel à la durée de la période.
Pr. Elkettani
14
Soit X le nombre d'appels reçus en 10 minutes (on suppose les appels

indépendants)
Pouvons-nous considérer que X suit une loi B ( 10 , 15/60 ) ?
Il peut y avoir plusieurs appels par minute, nous n'avons

donc pas le schéma de Bernoulli : appel - pas d'appel.
Par contre, si nous nous ramenons à une unité de temps

très faible, il ne pourra pas y avoir 2 appels simultanés.
La probabilité p d'avoir un appel durant ce laps de temps

devient très faible, le nombre d'unités de temps n devient
très grand, le produit np restant égal à 15/6, alors X suit une
loi P ( 15/6 ).
Propriétés de la loi de Poisson :
- si X est le nombre de fois où a lieu un événement par unité de temps (ou de

longueur, etc...),
- si le nombre moyen d'événements dans une période est proportionnel à la durée de

la période,
- si les événements sont indépendants et ne peuvent pas être simultanés,
alors X suit une loi de Poisson P ( ), où  est le nombre moyen par unité de temps :
P ( X = k ) = e k = 0, 1, 2, 3, ...
Espérance et variance
Si X suit une loi P ( ), on montre que : E ( X ) = et V ( X ) =  (l'espérance est

égale à la variance)
Somme : Si X et Y sont 2 variables indépendantes, de lois P ( 1 ) et P (  2 ) , X + Y

est de loi P (  1 +  2 ).
Pr. Elkettani
15
5) Loi normale centrée réduite :
X est une variable aléatoire de loi normale ("de Laplace-Gauss") centrée réduite si sa
fonction de densité f est donnée par l’expression:
 x
f ( x) = e -x²/2
C'est une fonction paire, de courbe "en cloche". Et on a :
E(X)=0 ( X est centrée )

V(X)=1 ( X est réduite )
La fonction de répartition de X, qui ne s'écrit pas de façon

simple, est tabulée. On la notera F.
Comme f est paire :
F(-x)=1-F(x)
P(Xx)=P(X-x)
Fonction de répartition de N ( 0 , 1 )
Fonction de densité de N ( 0 , 1 )
Les probabilités d'événements de la forme : X  x , X  x
Ou encore X  [ a , b ], etc... se calculent à partir de la

table.
7) Loi normale N ( m ,  ) :
si X est une variable aléatoire de loi N ( m , ),
est de loi normale centrée réduite. Fonction de densité de N ( m , )

E(X)=m
V(X)= ²
Sa fonction de densité et sa fonction de répartition se déduisent de celles de N (0 , 1).
Par exemple : P ( a  X  b ) = P(   )
= F( )-F( )
F étant la fonction de répartition de N ( 0 , 1 ). Elle est tabulée.
Pr. Elkettani
16
Un ordre de grandeur des variations

d’une variable aléatoire qui suit la loi N
( m , ) est donné dans le graphique qui
suit :
Propriétés :
1) Si X et Y suivent des lois
N ( m1, 1 ) et N ( m2, 2 ), alors la

variable aléatoire : a X + b Y suit une loi
N(m, )
où: m = a m1 + b m2
Et si X et Y sont indépendantes alors

on a : ² = a² ²1+ b² ²2
2) Toute combinaison linéaire de lois normales est une loi normale.
3) Si X et Y suivent 2 lois normales, et que X et Y sont non corrélées, elles sont

indépendantes.
Théorème central limite :
si X1 , X2 , ... , Xn ,... sont des variables aléatoires indépendantes, de même loi,

d'espérance µ et d'écart-type , alors, quand n , la loi
de tend vers la loi N ( 0 , 1 ).
Concrètement, si une variable X est le résultat d'une addition d'un grand nombre de
phénomènes aléatoires indépendants, X suit dans de nombreux cas
(approximativement au moins) une loi normale.
C'est la cas par exemple : du diamètre de pièces fabriquées en série, de la

fluctuation des ventes d'un produit autour de la moyenne, etc...
Convergence des lois binomiales vers la loi normale : Par application du théorème
central limite, Si X suit une loi B ( n , p ) et que n  , la loi de : tend

vers la loi N ( 0 , 1 ). Concrètement, si X suit une loi B ( n , p ) avec np  18, on peut
approximer la loi de X par N ( np , ) ; loi normale de même espérance et
même variance que X.
Pr. Elkettani
17
IV) Estimation
1) Estimation d’une moyenne
a) Estimation ponctuelle
On étudie la solidité de câbles métalliques : Soit X la charge de rupture d'un câble.
X est une variable aléatoire d'espérance m et de variance ².
Les mesures effectuées x1 , x2 , ... , xn sont la réalisation de X1 , X2 , ... , Xn , variables

indépendantes de même loi que X.
Un estimateur naturel de m est la moyenne empirique
1) Lorsque est connu, Si les X1 , X2 , ... , Xn sont indépendantes, de loi N( m ;
), suit une loi N( m ; )
2) Lorsque est inconnu (cas le plus fréquent !) on a recours à une

nouvelle loi de probabilité : la loi de Student.
Définition : une variable aléatoire T suit une loi de Student à n degrés de
liberté, notée T ( n ), si où U est de loi N ( 0 , 1 ), X de loi ² ( n ),

U et X étant indépendantes.
On peut démontrer que, dans le cas d'un échantillon gaussien, et S²

sont indépendantes.
Alors : suit une loi T ( n - 1 )
La densité de Student étant symétrique par rapport à x = 0, comme la loi

N ( 0 , 1 ), en appelant t le quantile 1 - / 2, on obtient :
P(-t t)=1- donc P ( -t m +t )=1-
En remplaçant et S par leurs valeurs calculées sur l'échantillon, on

obtient l'intervalle de confiance sur m
Pr. Elkettani
18
Comment utiliser la table de Student ? Lorsque T est de Student à 

degrés de liberté, cette table nous donne, en fonction de  (en ligne), et
de la probabilité p (en colonne), la valeur t telle que P ( T  t ) = p.
Pour obtenir le quantile 1 -  / 2 d'une loi de Student à n - 1 degrés de

liberté, il faut lire à l'intersection de la ligne n - 1 et de la colonne 1 -  / 2
le nombre t tel que
P ( T  t ) = 1 -  / 2, ou tel que : P ( - t  T  t ) = 1 - 
On constate que, lorsque n est grand, les valeurs de t sont presque

égales à celles de u .
En fait , on démontre que , lorsque n  , la loi de probabilité de T (à n

degrés de liberté) converge vers N ( 0 , 1 ).
En pratique, quand n est grand, il revient au même d'utiliser la loi de

Student ou la loi normale : u t
On réservera l'utilisation de la loi de Student au cas des petits

échantillons.
3) Et si X n'est pas gaussienne, le théorème central limite nous permet de dire
que est approximativement de loi N ( m , ) lorsque n est grand.
C'est pourquoi, lorsque n est grand (pratiquement dès que n  30), on appliquera les
formules de l'intervalle de confiance sur m, même si l'échantillon n'est pas issu d'une
population normale.
Dans le cas des petits échantillons on utilisera la loi de

Student.
b) Estimation par intervalle
Par exemple, si l'on sait que la taille X (en m) d'un individu

d'une population donnée suit une loi N(m ; 0.07), on sait que
sur un échantillon de n = 100 individus, suit une loi N (m ;
0.007),
Nous pouvons déterminer des intervalles de la forme P ( a   b ) = 1 -, où  est

donné, par exemple  = 0.05.
A l'aide de la table de la loi N (0 , 1), on peut écrire (intervalle centré sur 0) :
Pr. Elkettani
19
P ( m - 1.96 x 0.007   m + 1.96 x 0.007 ) = 0.95
ou, ce qui est équivalent : P ( - 0.0137  m  + 0.0137 ) = 0.95
En remplaçant par sa valeur numérique, calculée sur l'échantillon (c'est-à-dire

l'estimation de m), ici = 1.749 m, on a les 2 bornes de l'intervalle de confiance . m se
situe dans la fourchette [1.7353 1.7627] avec la probabilité 1 -  = 0.95.
On dira que [1.7353 1.7627] est un intervalle de confiance sur m de niveau 0.95.
Plus Généralement :
Nous savons comment estimer, ponctuellement, un paramètre. Mais, comme

l'estimation varie, d'un échantillon à l'autre, on aimerait savoir avec quelle précision
se fait l'estimation, dans quelle "fourchette" a le plus de chances d'être.
C'est le but de l'estimation par intervalle : si on peut déterminer la loi de en fonction

de , on peut construire des intervalles où se trouve avec une probabilité donnée :
Par exemple
P (  ( )    ( ) ) = 0.95
En inversant les rôles, on obtient des intervalles contenant avec une probabilité
donnée, de la forme : P (   ( )     ( ) = 0.95
Intervalle Unilatéral
On a construit ici un intervalle bilatéral (avec 2 bornes), centré sur m ( m est au centre
de l'intervalle). C'est le cas le plus fréquent.
On peut aussi vouloir se donner un intervalle unilatéral (recherche d'une seule borne)
de la forme ] - , a ] ou [ b, +  [
Par exemple on cherche une valeur a telle que P ( m  a ) =

0.95 :
(sachant que suit N (0,1) ). P ( 
On peut dire que, avec une probabilité de 0.95 (niveau de confiance), m ne dépasse
pas 1.76
On aura donc des intervalles de confiance de niveau 1 -  chaque fois que l'on pourra
écrire
P(a  b ) = 1 -  , ou P ( a  ) = 1 -  , ou P (  b) = 1 - 
Pr. Elkettani
20
2) Estimation d'un écart-type.
a) Si X1 , X2 , ... , Xn sont des variables aléatoires indépendantes de loi N ( m ; )
Alors S²(n-1) = ( Xi - )² est un estimateur de ².
Nous noterons S²(n-1) : S² , pour simplifier les notations
Et On a suit une loi du ² ( n - 1 ) degrés de liberté
Soit et les quantiles 1 -  / 2 et  / 2 de la loi du ² à n - 1 degrés de liberté :
P(   ) = 1 - Ceci est équivalent à :
P(  ² ) = 1 - ou à P(   ) = 1 - 
3) Estimation d’une proportion
a) : Estimation ponctuelle
Si l'on cherche à estimer, à partir d'un échantillon, la proportion de pièces

défectueuses fabriquées par une machine, ou le pourcentage de personnes
favorables à une personnalité, etc... on est amené à réaliser l'estimation ponctuelle
d'un paramètre p, proportion inconnue d'individus d'une population possédant un
certain caractère.
Au vu d'un échantillon aléatoire simple de taille n issu de cette population (tirage avec
remise), on peut estimer p par f = proportion d'individus possédant le caractère dans
l'échantillon. f est la réalisation de F = , où X est le nombre d'individus de

l'échantillon possédant le caractère.
Pr. Elkettani
21
X suit une loi B ( n , p ).
b) Estimation par intervalle
Voyons maintenant comment construire un

intervalle de confiance bilatéral symétrique sur p, de
niveau 1 - ;
c'est-à-dire qu'on cherche p1 et p2 tels que
P ( p  p1 ) =  / 2 et P ( p  p2 ) = / 2
et donc P ( p1  p  p2 ) = 1 - 
Par exemple, entre quelles valeurs p1 et p2 se situe le pourcentage p de pièces

défectueuses, avec une probabilité de 0.95
Supposons n assez grand et p pas trop proche de 0 ou 1, pour que la loi de n F soit
assimilée à une loi normale :
On approxime donc la loi B ( n , p ) par la loi N ( n , ),
Si U suit une loi N ( 0 , 1 ), nous pouvons à l'aide de la table déterminer u tel que
P ( U  - u ) = P ( U  u ) =  / 2.
Par exemple : si  = 0.05 , u = 1,96
Donc :
Soit : P ( p - u F p+u )= 1-
Nous devons maintenant inverser le problème : connaissant la valeur f prise par F,

nous devons déterminer des bornes sur p
f-u pf+u
Le problème n'est pas résolu car les bornes obtenues contiennent p, que l'on
cherche justement à estimer.
On a recours à une valeur approchée : on obtient une bonne valeur approchée de p1

et p2 en remplaçant p par f dans la formule exacte.
Pr. Elkettani
22
L’intervalle obtenu est :
f-u pf+u
V) Cartes de contrôle
INTRODUCTION
Une méthode utilisée pour maîtriser un procède est celle des cartes de contrôle. Cette
technique graphique permet d observer la variation du procédé dans le temps et de juger
statistiquement si un déréglage ou une variation inhabituelle s’est produit. La mise en œuvre
des cartes de contrôle permet de déterminer dans quelle mesure les fluctuations observées
d’une caractéristique de qualité que l’on veut maîtriser peuvent être considérées comme
raisonnables.
Une carte de contrôle comporte habituellement trois lignes ; les deux lignes en pointilles
indiquent respectivement la limite supérieure de contrôle (LSC) et la limite inferieure de
contrôle (LIC). La ligne centrale représente habituellement la moyenne générale de la mesure
statistique évaluée sur l’ensemble des échantillonnages effectues. Chaque point de la carte
correspond à la mesure statistique calculée sur chaque échantillon.
Une carte de contrôle est donc un moyen à la fois statistique et graphique de constater
l’évolution d’une caractéristique importante d’un procède de fabrication dans le temps et de
diagnostiquer les fluctuations anormales de cette caractéristique.
1) Carte de contrôle pour grandeur mesurable

La mise en œuvre de carte de contrôle pour maitrise une caractéristique mesurable consiste à
suivre dans le temps deux éléments importants de cette caractéristique :
- La tendance centrale ou le niveau moyen de la caractéristique.
- La dispersion de la caractéristique.
Les principales cartes utilisées en milieu industriel sont :
Pr. Elkettani
23
- carte et R = : carte de contrôle pour la moyenne et l’étendue

d’un échantillon
- carte et s : carte de contrôle pour la moyenne et l’écart type d’un

échantillon.
Les étapes à suivre pour l’élaboration des cartes et R =
1- Modalités de prélèvement des échantillons
a) taille de l’échantillon à prélever
b) fréquence de contrôle
c) nombre d’échantillon (sous groupe) à prélever
d) enregistrement des données
Exemple de tableau avec des échantillons de taille 5
no date X1 X2 X3 X4 X5 R=
1
2
3
18
19
20
2 -calcul de la moyenne et des étendues

Pour la période de contrôle, on doit calculer pour chaque sous –groupe, la moyenne et
l’étendue R
n : taille du sous-groupe (échantillon)
R= valeur maximale du sous-groupe
Valeur minimale du sous-groupe
3- représentation graphique de la moyenne et des étendues

L’axe verticale pour la carte correspond aux moyennes de chaque sous-groupe alors que
celui de la carte R correspond à l’étendue de chaque sous groupe et l’axe horizontal
correspond au numéro de l’échantillon ou à l’instant de prélèvement.
4- calcul des limites provisoires de contrôle

a) calculer la moyenne (moyenne globale) de l’ensemble des données ainsi que l’étendue
moyenne .
b) les limites provisoires de contrôle pour la carte s’obtiennent par :
Pr. Elkettani
24
(Limites supérieure de contrôle)

(Limites inferieure de contrôle)
Ou le coefficient est obtenu de la table 1.1 ci après.
Les limites provisoires de contrôle pour la carte R s’obtiennent par :
(Limites supérieure de contrôle)
(Limites inferieure de contrôle)
Ou sont obtenues de la table 1.1 tous ces coefficients dépendent de la taille
d’échantillon
Table 1.1
Taille de 2 3 4 5 6 7 8 9 10
l’échantillon
1 ,880 1,023 0,729 0,577 0,483 0 ?419 0,373 0,337 0,308
0 0 0 0 0 0,076 0,136 0,184 0,223
3,267 2,575 2,282 2 ,115 2,004 1,924 1,864 1,816 1,777
SOURCES ASTM Manual of Quality controle of materials, American Society of testing .

Materials, Philadelphia, Pa, 1996
1) Cartes de Contrôle par attributs (contrôle qualitatif)

Nous étudions ici la carte de contrôle d’une proportion, par exemple la proportion de pièces
non conformes dans une population.
Mise en œuvre de la carte p
1. modalité de prélèvement des échantillons
a)taille de l’échantillon : Pour que ce type de contrôle soit efficace il est nécessaire que
l’effectif soit suffisamment grand. Une taille supérieure à 30est requise
b) fréquence de contrôle : La fréquence d’échantillonnage doit permettre un suivi réaliste
des périodes de production pour que l’analyse de la carte conduise à un diagnostique
approprié.
c) nombre d’échantillons à prélever : Pour obtenir une bonne évaluation du comportement
du procédé et identifier éventuellement toutes les sources de variation, une série de
prélèvements successifs de 20 à 30 échantillons est requise.
2. calcul des proportions p
La proportion de non-conforme s’obtient par:
calcul des limites de contrôle
La ligne centrale indique la proportion moyenne de non-conformes pour l’ensemble des

échantillons. s’obtient par :
Pr. Elkettani
25
Les limites provisoires de contrôles s’obtient aisément ; il se situe à trois écarts-types de

chaque coté de la proportion moyenne.
Limite supérieure de contrôle
Limite inferieure de contrôle =

Si le calcul de la limite inferieure de contrôle donne une valeur négative, on fixe alors la
limite inferieure de contrôle à .
Carte p lorsque la taille d’échantillon varie
Si la taille d’échantillon varie de façon importante d’un échantillonnage à l’autre, il faut alors
calculer les limites de contrôle pour chaque.
La proportion moyenne se calcule toujours de la même façon, soit
Les limites de contrôle pour chaque échantillon sont alors :

, où est la taille d’échantillon i.
Exercice : Réaliser la carte p qui représente le tableau suivant:
née Taille de l’échantillon Nombre de défectueux proportion p

5 31 2 0,064516129
6 30 4 0,133333333
8 29 1 0,034482759
12 32 0 0
13 32 1 0,03125
Analyse du comportement du procédé : diagnostics
Voir BAILLARGEON, Introduction aux méthodes statistiques en contrôle de la qualité

(1995), Les éditions SMG.
L’objectif de la carte de contrôle est de suivre le comportement d’une variable statistique

dans le temps et d’être en mesure d’identifiées les fluctuations anormales.
On admettra que le processus est sous contrôle statistique si aucun point ne se situe à
l’extérieur des limites de contrôle ou encore si la disposition des points ne met pas en
évidence une tendance ou une suite de points qui permettrait de dénoter la présence de
causes précises affectant la variable concernée.
On regroupe habituellement les situations non maitrisées selon trois catégories
1. point à l’extérieur des limites de contrôle
2. suite ou tendance
3. autre comportements non aléatoires.
Un point à l’extérieur des limites de contrôle peut être attribuable à diverses raisons :
Pr. Elkettani
26
- le point correspondant à été mal reporté sur la carte ou le calcul de

la proportion de non-conforme est inexact
- le procédé s’est détérioré au cours de la période correspondante ce
qui exige une évaluation de la situation pour apporter les mesures correctives
appropriées.
- changement d’outil ou d’agent de contrôle.
Suites de points ou tendance :

Une suite de points Croissante ou décroissante, même si cette situation se manifeste à
l’intérieure des limites de contrôle va faire penser à une tendance. Voir si les conditions de
fabrication se sont.
Autres comportements non aléatoires :

Dans un procédé sous contrôle statistique (et en admettant que n est suffisamment grand, de
l’ordre de 5, qui est la condition d’approximation par la loi normale)
- environ 68% des points sont à l’intérieur de l’intervalle
correspondant à la moyenne 1 écart type ;
- environ 27% des points seront situé entre 1 écart -type et 2 écarts-
type de part et d’autre de la moyenne
- alors que les 5% restant seront entre 2 écarts types et 3 écarts types
de part et d’autre de la moyenne.
Une cause spéciale peut être présente si ces pourcentages ne sont pas respectés sur
la carte de contrôle. Il existe des logiciels spécialisés qui effectuent ces diagnostics
de façon automatique.
VI) Tests d’Hypothèses

Exemple 1 : Un mécanicien a commandé à un fabricant des pièces de 10
mm de diamètre ; mais il se demande si, par suite d'un étiquetage
douteux, on ne lui a pas livré par erreur des pièces de 11 mm de
diamètre.
On sait que, dans un lot de pièces "de m mm de diamètre", il peut y avoir

de légères variations et que le diamètre est en fait distribué selon une loi
normale N ( m ; 0.6 ). Le problème est de savoir si on a bien m = 10, et
non pas m = 11.
Si une pièce prise au hasard dans le lot mesure exactement 10 mm, est-
on sûr qu'il n'y a pas eu d'erreur ?
Si elle fait exactement 10.8 mm, est-on sûr qu'il y a eu erreur ?
Est-ce la même chose si, sur 10 pièces prises au hasard, on a un diamètre

moyen de 10.8 mm ?
Aura-t-on plus de doute sur l'hypothèse : m = 10 si, sur un échantillon de

10 pièces, le diamètre moyen est de 10.9 mm ?
A partir de quelle valeur de diamètre moyen n'a-t-on plus aucun doute ?
Pr. Elkettani
27
Le mécanicien décide de mesurer 10 pièces au hasard, et de renvoyer le

lot au fournisseur si le diamètre moyen de ces 10 pièces est "trop" grand,
c'est-à-dire s'il y a peu de chances qu'une telle moyenne soit due
uniquement au hasard. Dans le cas contraire, il conserve le lot comme
étant bien conforme à l'hypothèse : m = 10.
Ainsi, il fait ce que l'on appelle en statistique un test d'hypothèse : ici,

l'hypothèse à tester, dite hypothèse nulle et notée H0 est : m = 10.
Pour savoir si elle est acceptable, on prélève un échantillon, sur la base

duquel on décide, soit de conserver H 0 ( le diamètre moyen semble bien
être de 10 mm ), soit de la rejeter au profit d'une hypothèse alternative,
notée H1 ; ici c'est : m = 11.
Le problème est de déterminer la règle de décision : au delà de quelle

valeur le diamètre moyen dans l'échantillon sera-t-il "trop" grand pour
conserver H0?
Nous avons donc en présence pour le diamètre X d'une pièce du lot:

D'une part l’Hypothèse H0 : X suit une loi N ( 10 ; 0.6 )
D'autre part l'hypothèse alternative H1 : X suit une loi N ( 11 ; 0.6)
Difficile de pouvoir trancher sur la base d'une seule pièce ! On se basera

sur un échantillon : Le mécanicien décide, arbitrairement, de mesurer au
hasard n = 10 pièces, et de rejeter le lot si la moyenne de ces 10 pièces
dépasse 10.5 mm.
Si H0 est vraie, suit une loi : loi N ( 10 ; 0.19 ) Si H1 est vraie, suit une loi :
loi N ( 11 ; 0.19 )
, dont la valeur sur l'échantillon permettra de conclure, est appelée variable de décision.
La règle de décision adoptée ici est donc : - si < 10.5 on conserve H0 : le

lot correspond bien à la commande
- Et si > 10.5 on rejette H0 : le lot ne correspond pas à la commande.
Mais on a vu qu'on n'est jamais totalement sûr d'avoir pris la bonne

décision : Il existe un risque de rejeter à tort H0, dont on peut calculer la
probabilité :
Si H0 est vraie , suit une loi N ( 10 ; 0.19 ), et donc la probabilité de

rejeter H0 est : P ( > 10.5 ) = ? c'est le risque de rejeter un lot qui
correspondait bien à m = 10.
Cette valeur est appelée α = risque de 1ère espèce.
Pr. Elkettani
28
- après avoir bien précisé H0 et H1,
- on choisit le risque α qu'on ne veut pas dépasser a priori ( généralement

on fixe α = 0.01 ou 0.05 ), et ce n'est qu'ensuite qu'on établit la règle de
décision. Pour l'exemple : si α = 0.05, on décidera de rejeter H 0 pour >?
Et si α = 0.01, la valeur critique devient?
. De plus, le risque α n'est pas le seul ; on peut se tromper aussi en

conservant H0 alors qu'en fait c'est H1 qui est juste : c'est le risque de ne
pas mettre en évidence une réelle erreur de livraison.
Si H1 est vraie : suit une loi N ( 11 ; 0.19 ). Si on garde 10.5 comme

valeur critique, la probabilité de conserver H 0 est : P ( < 10.5 ) = ?
Cette valeur est appelée β = risque de 2ème espèce .
Récapitulons: Hypothèses en présence H0: m  10 , donc  N (10 ; 0.19 ). Et H1: m 

11 donc  N (11 ; 0.19 )
1 est parfois appelé le niveau du test. Et 1  est la probabilité : de rejeter un lot
effectivement mauvais.
P sera appelé la puissance du test ; c'est sa capacité à mettre en évidence

une réelle erreur d'étiquetage dans cet exemple.
Nous avons donc vu dans cet exemple les principales étapes de la réalisation du test
choix de H0 et H1, choix de n et choix de la variable de décision ( ici ), calcul de

la valeur critique
Elaboration de la règle de décision, calcul éventuel de  et de la puissance 1 
Il ne reste plus qu'à mesurer effectivement les valeurs de l'échantillon.
Soit les valeurs: 10.01 10.00 10.02 10.3 10.6 10.00 10.81 10.04 10.05 10.08
la conclusion sera : Accepter ou rejeter H0 ? ( sans oublier qu'on peut se tromper ).
Pr. Elkettani
29
Compléments du cours
Cette partie traite certaines parties du cours qui sont complémentaires et qui ne seront pas
abordés en amphithéâtre
A) Système complet d’événements :
Soit  l'ensemble des issues d'une expérience aléatoire E, A1, A2, ..., An des
événements liés à cette expérience aléatoire. Ils constituent un système complet
d'événements si :
1) ils sont deux à deux incompatibles : Ap  Aq =  si p  q
2) leur disjonction est l'événement certain : A1 A2 ... An = 
On considère une famille ayant deux enfants et les événements : A0 = "la famille a deux
garçons" , A1 = "la famille a deux filles" et A2 = "la famille a une fille et un garçon".
Les événements A0 , A1 et A2 constituent un système complet d'événements
Formule des probabilités totales
Soit ( , P () , P ) un espace probabilisé fini,
et ( B1,... , Bn ) un système complet d'événements liés à cet espace. C'est-à-dire qui

vérifie :
Bi  Bj =  si i  j et  = B1  B2  ...  Bn .
Soit A P (), on a : A = A  = (A  B1)(A  B2) ... (A  Bn). Voir la figure.
Les événements A  Bi sont deux à deux incompatibles

donc :
P( A ) = P(A  B1) + P(A  B2) + ... + P(A  Bn) =
= P(A|B1) P(B1) + P(A|B2) P(B2)+ ... + P(A|Bn) P(Bn)
Formule de Bayes
Soit ( , P () , P ) un espace probabilisé fini, A et B deux événements liés à cet
espace tels que P( A )  0 , P( B )  0. On a :
P(B | A) = (1ère formule de Bayes)
Si B1 , B2 , ... , Bn est un système complet d'événements
Pr. Elkettani
30
P( A ) = P(A | B1) P( B1 ) + P(A | B2) P ( B2 ) + ... + P(A | Bn) P( Bn )
et pour i 1, n} on a la 2ème formule de Bayes :
P(Bi | A) =
Exemple , Le trafiquant :
Une personne peu recommandable désire blanchir une certaine somme d'argent en
la déposant dans une banque suisse. Elle prend contact avec des passeurs. 30 % du
trafic se fait par avion ( B1 ) ; 30 % du trafic se fait par train (B2); 40 % du trafic se fait
en voiture (B3).
P( B1 ) = 0.3 = P( B2 ) et P( B3 ) = 0.4.
Soit A l'événement : "le trafic est découvert par la douane. On a les probabilités : P(A |
B1) = 0.2, P(A | B2) = 0.15, P(A | B3) = 0.1 .
Pour calculer P( A ) remarquons que B1 , B2 , B3 est un système complet d'événements.

Ils sont deux à deux incompatibles et on a,  = B1  B2  B3 où  est l'événement
certain. Alors on écrit :
A= A  = (A  B1) (A  B2)  (A  B3)
donc P( A ) = P(A  B1) + P(A  B2) + P(A  B3)
P( A ) = P(A | B1) P( B1 ) + P(A | B2) P( B2 ) + P(A | B3) P( B3 )
Cette formule s’appelle la formule des probabilités totales. Ici:
P(A)=0.30.2+0.30.15+0.40.1=0.14
Regardons maintenant la situation où l'argent a été saisi à la douane.
Quelle est la probabilité que l'on ait tenté de le passer par avion ? On cherche P(B1 |
A). P(B1 | A) = = Cette formule s'appelle la formule de
Bayes. On a P(A | B1) = = 0.413
Par contre si l'argent avait été mis en sécurité en Suisse, quelle aurait été la
probabilité que l'on ait tenté de le passer par avion ? On cherche P(B1 | )
P(B1 | )= = et P( ) = 1 - P( A ) = 1 - 0.145 = 0.855
Pr. Elkettani
31
P( | B1) = 1 - P(A | B1) = 1 - 0.2 = 0.8 et P(B1 | )= = 0.281
B) Les tests non paramétriques :
Dans l'exemple précédent on était sûr que X ( diamètre d'une pièce ) suivait une loi N
( m ; 0.6 ), et l'hypothèse nulle H0 portait uniquement sur la valeur du paramètre m ;
un tel test est dit paramétrique.
Par contre, si on ne connaît pas la répartition des diamètres, on peut se poser la

question : X suit-il une loi normale ? , et tenter d'y répondre à partir de mesures faites
sur un échantillon.
Ici H0 est : "X suit une loi normale", l'hypothèse ne portant pas uniquement sur la
valeur d'un (ou plusieurs) paramètre(s) et le test sera dit non-paramétrique. Citons
 les tests dits d'adéquation où H0 porte comme ici sur le type de loi de
probabilité suivie par une variable X.
 les tests d'indépendance (ou d'homogénéité) où H0 est l'hypothèse
d'indépendance entre 2 variables X et Y.
Par exemple: y a-t-il un lien entre la catégorie et l'âge des employés d'une entreprise
? ( H0 est : il n'y a pas de lien, et l'échantillon étudié doit, confirmer H0, ou l'infirmer).
En conclusion, les grandes étapes restent les mêmes :
1. Choix de H0 et H1
2. Choix de , risque de 1ère espèce ( rejeter à tort H0 vraie ), de n.
3. Choix d'une variable de décision T.
4. Détermination d'une région critique W ( ou région de rejet ).
Puis, au vu de l'échantillon, on applique la :
5. Règle de décision :
si t ( valeur calculée de T )  W, on accepte H0. si t  W, on rejette H0.
Pr. Elkettani
32
Série de travaux dirigés n° 1 : Analyse combinatoire, événements et probabilités
Exercice 1 Maigrir sans effort

La Société Maigrir Sans Effort qui vend des pilules coupe-faim fait passer chaque
année à ses employés une visite médicale. Voici les résultats du plus récent examen.
Sur 60 employés :
- 35 sont obèses (O)
- 30 sont hypertendus (H)
- 10 sont à la fois obèses et hyper - tendus
a) Calculer card (O U H )
b) Y a-t-il des employés en bonne santé dans cette société ? Combien ?
Réponses :
a) Card(OUH)= 35+30-10=55
b) Oui il y a des employés en bonne santé. Ils sont 5
Exercice 2 Le code bancaire
Pour accéder à un service bancaire il faut taper un code à 4 symboles. Ces symboles
peuvent être soit une lettre, soit un chiffre de 0 à 9.
1) Combien y-a-t-il de codes possibles ?
2) Quelle est la probabilité qu’un code ne contienne pas de chiffre ?
Réponses :
1) Il y a 26 lettres et 10 chiffres, soit 36 caractères différents. Et le nombre de codes
possibles est le nombre de quadruplets (x,y,z,t) pris parmi 36.
On a donc (36)4 = codes possibles.
2) Calculons le nombre de codes qui ne contiennent pas de chiffre. Ce sont les
quadruplets pris parmi 26 qui sont (26)4
Donc la probabilité demandée est (26/36) 4
Exercice 3 L’ homme d'affaires
Un homme d'affaires doit rendre visite à 5 clients qu’on note A, B, C, D et E
1) De combien de manières peut-il choisir ses trois premières destinations ?
2) Quelle est la probabilité que la destination A figure parmi les trois premières ?
Réponses :
Attention, dans l’énoncé, les clients sont notés de A à E.
1) Le nombre demandé est le nombre de sous ensemble de 3 éléments pris parmi 5 = C 53
2) Le nombre de choix de 3 destinations qui comprennent la destination A est égal au
nombre de choix de 2 destinations parmi B,C,D et E ; la destination A étant la 3ème .
Ce nombre est C42 et la probabilité recherchée est (C42)/( C53)
Exercice 4 : Le démarcheur
Un démarcheur vend à domicile des collections complètes de livres. Sa longue expérience lui
permet de connaître la probabilité du nombre d’exemplaires vendus par jour d'activité.
1) Compléter ce tableau
Nombre de collections
0 1 2 3 4 Plus de 4
vendues
Probabilité 0.2 0.3 0.2 0.15 0.1 0,05
Pr. Elkettani
33
2) Le démarcheur gagne 500 Dhs par collection vendue, et chaque jour il a 800 dhs de frais de
location et autres. Compléter le tableau.
Perte ou gain -800 DH -300 DH 200 DH

Probabilité
Plus de 1200
Perte ou gain 700 DH 1200 DH
DH
Probabilité
Quelle est la probabilité pour que le démarcheur perde de l'argent ?
Réponses :
La perte de 800 dhs a lieu si l’évènement « vente de 0 collection » se réalise , soit 0.2
La perte de 300 dhs a lieu si l’évènement « vente de 1 collection » se réalise , soit 0.3
Le gain de 200 dhs a lieu si l’évènement « vente de 2 collections » se réalise , soit 0.2
Le gain de plus de 1200 dhs a lieu si l’évènement « vente de plus de 4 collections » se

réalise , soit 0.05
Quelle est la probabilité pour qu'il gagne au moins 700 DH ?
L’évènement « il gagne au moins 700 dhs est aussi l’évènement vendre au moins 3
collections. C’est a somme des 3 probabilités des évènements simples qui le composent : soit
0,05 + 0.1 + 0.15 = 0.3
Exercice 5 : Le jeu de fléchettes
Une cible est constituée de disques concentriques A, B, C et D, de rayons respectifs 5 cm, 10

cm, 15 cm et 20 cm.
Un débutant au jeu des fléchettes, se place assez près de la cible, de manière à ne jamais la
rater. Mais ses tirs sont mal ajustés et tombent uniformément sur la cible (toute zone de même
aire ayant la même probabilité d'être atteinte).
Indiquer la probabilités pa, pb, pc et pd pour que son tir touche respectivement les cercles A, B,
C et D
Réponses : Tout d’abord = A U B U C U D.
Cet exercice est un exemple de la loi uniforme continue. Elle est ici continue sur les cercles.
Et sa caractéristique est que la proba est proportionnelle à la surface.
Pr. Elkettani
34
Il sufit de calculer les surfaces : Surface de A=П*52 Surface de B=П*102-П*52
Surface de C=П*152-П*102 Surface de D=П*202-П*152
Et la surface de = A U B U C U D =П*202
Ainsi P(X)=surface de X/ surface de Avec X = A, B, C et D
Exercice 6: Probabilités conditionnelles : le diabète
Dans une population formée de personnes ayant plus de 50 ans, la probabilité pour
qu’une personne donnée soit atteinte du diabète est 0.1. Soit A l’événement « être
atteint de diabète » : P( A ) = 0.1.
Il existe un test qui permet de savoir si une personne est atteinte du diabète. Soit B
l’événement « le test est positif ».
Mais la probabilité que le test soit positif quand une personne est réellement atteinte
du diabète est : P(B | A) = 0.95 P(B | A) s’appelle la sensibilité du test.
La probabilité pour que le test soit positif quand une personne n’est pas atteinte du
diabète est : P(B | ) = 0.02 . P(B | ) s’appelle la spécificité du test.
1) Compléter le tableau des conjonctions des événements

ci-contre A
2) Schématiser ces résultats par un diagramme B
d’arborescence.
Les événements A et B sont-ils indépendants ? Conclure
Réponse :
On a les formules: P(A  B) = P( A )P(B|A) et P(A  B) = P(B )P(A|B).
On en déduit ici que : P(A  B) = P( A ) P(A | B) = 0.1  0.95 = 0.095
P(  B) = P( ) P( | B) = 0.9  0.02 = 0.018 ,
P(A | ) = 1- P(B | A) = 0.05 . et P( | ) = 1 - P(B| ) = 0.98 ,
P(A  ) = P( A ) P( | A) = 0.1  0.05 . Et P(  ) = P( ) P( | ) = 0.9  0.98 =

0.882.
D'où on peut compléter le tableau où sont indiquées les probabilités des

conjonctions des événements indiqués :
On a A = A  = A  (B  ) = (A  B)  (A  ). Or A  B et A  sont
incompatibles. Donc P( A ) = P(A  B) + P(A  ) .
Pr. Elkettani
35
En ajoutant les probabilités qui se trouvent sur la première colonne du tableau

précédent on retrouve P( A ). On obtiendrait de même P( ) en ajoutant les
probabilités de la deuxième colonne du tableau. On obtient P( B ) (resp. P( ) ) en
ajoutant les probabilités de la 1e ligne (resp. 2e ligne) du tableau.
On peut schématiser ces résultats par le diagramme suivant:
On a P( A ) = 0.1 , P(A | B) = = = 0.84
Et P(A | )= = = 0.0056
Indépendance, conclusion
La probabilité. d'avoir le diabète est sensiblement modifiée par la connaissance du

résultat du test. Les événements A et B ne sont pas indépendants ; heureusement le
test n'est pas inutile !
Pr. Elkettani
36
Série de travaux dirigés n° 2 : Variables aléatoires et lois usuelles
Exercice 7 : Pucerons de rosiers :
On étudie le nombre de pucerons sur des feuilles de rosiers. Sur 100 feuilles examinées:
- 70 avaient au moins 1 puceron, - 65 en avaient au moins 2, - 55 en avaient au moins 3. Soit

X le nombre de pucerons sur une feuille de rosier prise au hasard parmi les 100.
1) X est-elle une variable aléatoire numérique ?
Oui car sur chaque feuille on peut associer le nombre le nombre de pucerons
2) Ecrire les probabilités 0.7, 0.65 et 0.55 à l'aide de la fonction de répartition F de X
0.7= P(X> 0) = 1- F(0)
0.65= P(X> 1) = 1- F(1)
0.55= P(X> 2) = 1- F(2)
3) Quelle est la probabilité pour qu'une feuille prise au hasard parmi les 100 ait 1 ou 2
pucerons ?
1ère solution : p= F(2)-F(0)= 0.45- 0.3= 0.15
2ème solution : p= proportion de au moins 1 puceron de laquelle on retranche la proportion

d’au moins trois = 0.7- 0.55
Exercice 8 : Location de planches à voile
Un loueur de planches à voile veut s'installer sur une petite plage. Des études préalables lui
permettent de penser que la demande par 1/2
journée est, en période estivale, une variable X
dont la loi de probabilité est : xi 0 1 2 3 4 5
1) S'il dispose de 3 planches à louer pour la 1/2 pi 0.2 0.3 0.2 0.1 0.1 0.1
journée, quelle est la loi de probabilité de Y :
"nombre de planches louées" ?
Réponse
yi 0 1 2 3
pi 0.2 0.3 0.2 0.3
Pr. Elkettani
37
2) Si le prix de location est de 25 Dh la demi-journée, et que chaque planche (louée ou non)

lui occasionne 3Dh par jour de frais, et chaque planche louée 2 Dhs supplémentaires,
comment peut-on écrire la variable : Z = bénéfice par demi-journée, en fonction de Y ?
Réponse
Z = 25 Y - 9 - 2 Y = 23 Y - 9
3) Quelle est la loi de probabilité de Z ? (un bénéfice peut être négatif ici).
Réponse
yi 0 1 2 3
zi -9 14 37 60
pi 0.2 0.3 0.2 0.3
Exercice 9 : Durée de fonctionnement d'une cafetière électrique
La durée de fonctionnement d'une cafetière électrique a pour fonction de répartition (en

heures) : F ( x ) = 1 - e-x/2000 si x > 0 et F ( x ) = 0 sinon
1) Quelle est la probabilité pour qu'elle tombe en panne dans les 1000 premières heures de
fonctionnement ?
Réponse
P(X 1000 ) = F ( 1000 ) = 1 - = 1 - 0.6065 = 0.3935
2) Quelle est la probabilité pour qu'elle fonctionne au moins pendant 2000 heures?
Réponse
P(X 2000 ) = 1 - F ( 2000 ) =
3) Si on achète une cafetière électrique d'occasion ayant servi pendant 1000 heures , quelle est
la probabilité pour qu'elle fonctionne encore au moins pendant 1500 heures ?
Réponse
P(X 2500 / X 1000 ) = = = 0.4724
Remarquez que la probabilité est la même que pour une cafetière neuve ! En fait c’est une
propriété de la loi exponentielle, dite « sans mémoire ».
Pr. Elkettani
38
Exercice 10 : Les courbes de densité
Les courbes ci-dessous sont les fonctions de densité de

plusieurs variables aléatoires.
a) Quelle est la variable dont l'espérance est la plus

grande?
Réponse
Ces densités étant symétriques, l'espérance est égale au

mode et donc : E ( Z ) > E ( X ) > E ( Y )
L'espérance est ici l'abscisse de l'axe de symétrie de la densité.
b) Quelle est celle dont la variance est la plus grande ?
Réponse
c'est la variable dont la densité est la plus 'étalée' qui a la plus grande variance. C’est Z.
c) Quelle est celle dont l'écart-type est le plus faible ?
Réponse
c'est X qui a la variance la plus petite, et donc le plus petit écart-type, puique c'est celle dont la
densité est la plus 'concentrée' autour de la moyenne.
Exercice 11 : Quelques calculs pour appliquer les formules
Soit X une variable aléatoire de loi de

probabilité ci-contre. xi -1 0 1 2 3 4
pi 0.1 0.2 0.3 0.2 0.1 0.1
1 - Calculer l'espérance et la variance de X
Réponse
E ( X ) = ( - 1 * 0.1 ) + ( 0 * 0.2 ) + ( 1 * 0.3 ) + ( 2 * 0.2 ) + ( 3 * 0.1 ) + ( 4 * 0.1 ) = 1.3
V ( X ) = moyenne des carrés - carré de la moyenne
= ( 1 * 0.1 ) + ( 0 * 0.2 ) + ( 1 * 0.3 ) + ( 4 * 0.2 )+ ( 9 * 0.1 ) + ( 16 * 0.1 ) - 1.3² = 2.01
2 - Calculer : E ( 4 X – 3) et (-2 X + 7)
Réponse
E ( 4 X - 3 ) = 4 E ( X ) - 3 = 4 * 1.3 - 3 = 2.2
L'écart-type de a X + b = | a | * écart-type de X, donc l'écart-type de ( - 2 x + 7 )= 2 * écart-type

de X =
Pr. Elkettani
39
3 - Si Y a la même loi que X, et que X et Y sont indépendantes, calculer V(2X-3Y)
réponse
V ( 2 X - 3 Y ) = V ( 2 X ) + V ( - 3 Y ) ( car X et Y sont indépendantes )
= 4 V ( X ) + 9 V ( Y ) = 13 * 2.01 = 26.13
V ( X ) = V ( Y ) = 2.01 puisque X et Y ont même loi.
Exercice 12: Dépouillement de référendum
Supposons qu'au cours d'un référendum, dans un bureau de vote où 100 personnes se sont
exprimées, il y a eu 51 "oui" et 49 "non". Les bulletins mélangés, on commence le
dépouillement. Soit X le nombre de bulletins "oui" trouvés sur les 5 premiers dépouillés.
1 - Donner la loi de probabilité de X .
Réponse
P(« oui » ) = p = 0,51
Pour k=0,…,5 on a : P(X=k) = ( C51k*C49(5-k) ) / C1005
xi Pi
0 0,025
1 0,144
2 0,312
3 0,325
4 0,163
5 0,031
2 - Quelle est son espérance ?
E( X ) = ( 0 * 0.025 ) + ( 1 * 0.144 ) + ( 2 * 0.312 ) + ( 3 * 0.325 ) + ( 4 * 0.163 ) + ( 5 * 0.031 ) = 2.55
C'est-à-dire en fait 51 % de 5.
3 - Quelle est sa variance ?
V ( X ) = ( 1 * 0.144 ) + ( 4 * 0.312 ) + ( 9 * 0.325 )+ ( 16 * 0.163 ) + ( 25 * 0.031 ) - ( 2.55 )² = 1.198
Exercice 13 : Quelle lessive préférez-vous ?
La lessive "Lavetout" est commercialisée sous 2 formes : poudre et liquide.
Un commercant veut savoir quelle est la forme préférée des consommateurs. Il en interroge 5
au hasard. Soit , pour j = 1 , 2 , 3 , 4 , 5 , la variable : Xj = 0 si la jème personne préfère la
poudre, et Xj = 1 si elle préfère le liquide.
X1 , X2 , X3 , X4 , X5 sont des variables aléatoires indépendantes, de même loi de probabilité...

Pr. Elkettani
40
Si en fait, sur l'ensemble des consommateurs, 51 % préfèrent le liquide,

quelle est la loi de Xj,
Réponse
xi Pi
0 0,49
1 0,51
quelle est E ( Xj ) ?, E(X)= 0,51

V ( Xj ) ? Var(X)= 0,51*0,49
Soit X le nombre de personnes (sur les 5 interrogées) qui préfèrent le liquide.
quelle est E(X)?, E(X)= 0,51*5
V ( X)? Var(X)= 0,51*0,49*5
Quelle est la loi de X ? X suit la loi Bin(5 ; 0,51)
Donner son expression. P(X=k) = Cnk(0,51)k(0,49)(5-k) pour k=0,…,5
Exercice 14 : Vis défectueuses
Tout d’abord notez que pour les limites utilisées pour l’approximation par la loi
normale : n=18 ou bien n=15, les deux valeurs limites sont acceptées. Pour une
illustration de cette approximation, rendez-vous sur le site internet de statnet,
au chapitre « variables aléatoires », à la leçon 5 « principales lois continue » et
regardez les simulations à la page 7 de cette leçon, c’est à l’adresse :
http://www.agro-montpellier.fr/cnam-lr/statnet/mod4/Lec5/M4L5_INT.htm
Une machine automatique fabrique des vis. Régulièrement 3 % de la production est

défectueuse. Calculer les probabilités :
1 ) d'avoir moins de 2 défectueuses dans un lot de 50 vis
Réponse : X suit une loi binomiale ( 50 , 0.03 )
P(X<2)=P(X=0) +P(X=1)= = 0.5553
: 2) d'avoir moins de 20 défectueuses dans un lot de 500 vis
Réponse :
X suit une loi binomiale n = 500 et p = 0.03 que l'on peut approximer par une loi de Poisson de
paramètre np = 15
( np < 18 donc on ne peut pas utiliser la loi normale )
P ( X < 20 ) = P ( X 19 ) = 0.8751
Pr. Elkettani
41
Voir ci-dessous un extrait de la loi de Poisson (15)
3) d'avoir moins de 200 défectueuses dans un lot de 5000 vis
Réponse :
La loi binomiale ( 5000 , 0.03 ) peut être approchée par une loi normale de paramètres np = 150
et = 12.0623, donc :
P ( X < 200 ) = F ( ) = F ( 4.1 ), soit presque 1.
4) Soit X le nombre de vis défectueuses dans un lot de 1000 pièces
Trouver le nombre N tel que : P ( X  N ) = 0.95 (arrondir à l'entier le plus

proche)
Réponse :
X suit une loi binomiale ( 1000 , 0.03 ), soit à peu près une loi normale ( 30 , 5.394 )
0.95 = F ( ) = F ( 1.6449 ) ( voir à la fin du polycopié la table des fractiles de la loi

Normale )
donc : = 1.6449, soit N = 39
k probabilités cumulées
... ...
18 0.8195
19 0.8751
20 0.9170
... ...
Loi de Poisson (15)
Exercice 15 Loi Normale
Soit X une variable aléatoire de loi N ( 3.5 , 0.1 )
1) déterminer le nombre a tel que :
P ( 3.5 - a  X  3.5 + a ) = 0.95
réponse :
Pr. Elkettani
42
suit une loi centrée réduite, donc :
P ( 3.5 - a < X < 3.5 + a ) = P ( - < < )
=F( )-F(- )= F( )-[1-F( )]
=2F( ) - 1 = 0.95
Donc F ( ) = 0.975 = F ( 1.96 )
a = 1.96 * 0.1 = 0.196
2) déterminer le nombre b tel que :
P ( 3.5 - b  X  3.5 + b ) = 0.99
Rép
suit une loi centrée réduite, donc :
P ( 3.5 - b < X < 3.5 + b ) = 2 F ( ) - 1 = 0.99
Donc F ( ) = 0.995 = F ( 2.5758 )
b = 0.1 * 2.5758 = 0.2576
3) Déterminer l'espérance et l'écart-type d'une variable aléatoire de loi normale

X, sachant que :
P ( X  5 ) = 0.8413 et P ( X 10 ) = 0.8770
Rép
P(X 5)=1-F( ) et 0.8413 = F ( 1 ),
donc =- 1
De même : P ( X 10 ) = F ( ) = 0.877
= F ( 1.16 ), donc = 1.16
5 - m = - , 10 - m = 1.16
ce système admet comme solutions :
m = 7.3148 et = 2.3148
Pr. Elkettani
43
Exercice 16 : Quel mode de transport
Pour se rendre à son travail, un employé doit faire :
- un trajet X à pied (en mn) qui est une variable de loi N ( 10 , 1 ),
- un trajet Y en bus de loi N ( 25 , 3 )
- un autre trajet à pied Z de loi N ( 12 , 1 )
1 ) Son trajet total suit-il une loi normale ?
Rép
le trajet total
T = X + Y + Z est une somme de variables de lois normales,
donc T suit une loi normale.
2 ) Si X, Y, Z sont indépendantes, donner l’espérance et l’écart-type en mn de son

trajet total
Rép :
T = X + Y + Z, donc :
E(T)=E(X)+E(Y)+ E( Z)
= 10 + 25 + 12 = 47 mn
3 ) Si Y est indépendante de X et Z, mais que le coefficient de corrélation entre X et

Z est de 0.8, quel est l'écart-type du trajet total T ?
Rép :
V(X+Y+Z)=V(Y)+ V( X+ Z)
= V ( Y ) + V ( X ) + V ( Z ) + 2 cov ( X , Z )
=V ( Y ) + V( X ) + V( Z) +2 ( X, Z ) (X ) (Z)
= 1 + 9 + 1 + 2 * 0.8 * 1 * 1 = 12.6
L'écart-type en est la racine carrée = 3.5496 mn
4) Calculer dans ces conditions : P ( 44  T  50 )
Rép :
Pr. Elkettani
44
T est une variable aléatoire

de loi normale ( 47 , 3.55 )
P ( 44 < T < 50 ) = F ( )-F( )

= F ( 0.845 ) - [ 1 - F ( 0.845 ) ] = 0.60
Exercice 17 : Théorème central limite
Supposons qu'on lance 100 fois un dé bien équilibré, et qu'on note X la somme des
points obtenus.
1) Calculer (avec 3 décimales) E ( X ) et Var (x)
Rép :
A chaque lancer du dé, on a les points 1, 2, 3, 4, 5, 6 avec la probabilité 1/6 ( loi uniforme
discrète ), soit une espérance de 3.5
et une variance de 2.9167 ( 35 / 12 )
X est la somme de 100 variables aléatoires indépendantes suivant cette loi, donc :
E ( X ) = 100 * 3.5 = 350
Et pour La variance du point obtenu à chaque lancer : les lancers sont indépendants, donc :
V ( X ) = 100 * = 291.667
2) En utilisant le théorème central limite, donner une valeur approchée de
P ( 320  X  380 )
Rép :
Le théorème central limite nous permet de dire

que la loi de X est proche de
la loi normale ( 350 , 17.078 ) :
P ( 320 < X < 380 ) = F ( )-F( )
=2F( ) - 1 = 0.926
3) Comparer à l'inégalité de Tchébichev concernant P ( 320  X  380 )
Rép :
Pr. Elkettani
45
P ( 320 X 380 ) = P ( | X - E ( X ) | 30 )
30 = t t = 1.7566 et 1 - = 0.6759
L'inégalité de Tchébichev est donc beaucoup plus ''large'' que l'approximation normale,
puisqu'elle est valable quelque soit la forme de la loi de X,
E ( X ) et V ( X ) étant fixées.
Série de travaux dirigés n° 3 : Estimation, cartes de contrôle et tests d’hypothèses
Exercice 18 :
Une usine produit des pièces sphériques de diamètre D. Compte tenu des
fluctuations de la production, D est une variable aléatoire d’espérance m et de
variance σ2.
Les mesures en millimètre du diamètre effectuées sur des pièces tirées au
hasard sont :
6 ; 6,1 ; 6,2 ; 6,3 ; 5,9 ; 6 ; 6,1 ; 6,2 ; 6,3 ; 5,9
a) Estimer m et σ
m=6,1 et σ=0,1414
le détail du calcul est :
x (x-moy)²
6 0,01
6,1 0
6,2 0,01
6,3 0,04
5,9 0,04
6 0,01
6,1 0
6,2 0,01
6,3 0,04
5,9 0,04
Moyenne
des carrés
Moy = 6,1 0,02
ecart-type 0,14142136 La racine
b) En supposant que l’écart-type σ est validé par le constructeur de la

machine qui fabrique les pièces et que D est une VA de loi normale N(m ;
σ=0,15mm) , donner l’ intervalle de confiance symétrique pour m de
niveau 95%.
P(-1,96 < [E(D)-6,1]/[0,15/racine(10)] < 1,96 )=0,95
1,96 étant le quantile d’ordre 1-0,95/2 de la N(0,1)
Pr. Elkettani
46
Donc 0,95=
= P{6,1-1,96* [0,15/racine(10)] < E(D) < 6,1 + 1,96* [0,15/racine(10)]}
Ce qui nous donne l’intervalle de confiance.
Exercice 19 : Les mesures des longueurs d’un échantillon aléatoire de N=200

tiges issu de la fabrication journalière d’une machine réglée pour produire des
tiges de même longueur m et d’écart-type σ, ont abouti aux estimations
suivantes : longueur moyenne estimée = 0,824 cm ; écart-type estimé = 0,042
cm.
1) Donner l’intervalle de confiance symétrique Ic à 98% de la moyenne m
Dans ce cas l’écart-type est estimé donc on doit utiliser la loi de

Student mais comme N est grand (> 30) on approxime la loi de student
par la loi normale centrée réduite et donc :
Soit L la variable longueur des tiges en cm
P(-1,96 < [E(L)-0,824]/[0,042/racine(200)] < 1,96 )=0,95
1,96 étant le quantile d’ordre 1-0,95/2 de la N(0,1)
Donc 0,95=
= P{0,824-1,96* [0,042/racine(200)] < E(L) < 0,824 + 1,96*
[0,042/racine(200)]}
Ce qui nous donne l’intervalle de confiance.
2) Quel doit être N minimum pour que longueur de I c ne dépasse pas 0,1
Maintenant 200 est remplacé par N et la longueur de I c <= 0,1
Soit l’inéquation : 2*1,96* [0,042/racine(N) ] <= 0,1
D’où la valeur minimale de N.
Exercice 20: Sur un échantillon de 300 pièces fabriquées par une machine, 60
sont défectueuses.
Donner une estimation et trouver un intervalle de confiance à 95% de la
proportion réelle de pièces défectueuses fabriquées par la machine.
L’intervalle de confiance symétrique de la variable proportion P est donnée par :
Pr. Elkettani
47
f-u Pf+u
où u = 1,96 est le quantile de 1-0,95/2 pour le niveau de confiance =0,95

et f est la proportion observée : ici f=60/300 = 0,2 et n=300.
Exercice 21 : A intervalles réguliers, un agent de contrôle prélève des

échantillons de taille n=4 d’un procédé de fabrication. Vingt-cinq échantillons
consécutifs ont permis d’obtenir les résultats suivants pour une certaine
caractéristique de qualité que l’on veut contrôler: ∑ j = 6000 et ∑Rj = 75
(j=1,…,25)
1) Calculer les limites de contrôle pour et pour R
2) Tracer les cartes de contrôle pour et pour R
3) Deux nouveaux échantillons de 4 observations ont donné les mesures

suivantes :
Echantillon n° 26 : X1 = 228 ; X2 = 233 ; X3 = 229 et X4 = 227

Echantillon n° 27 : X1 = 225 ; X2 = 223 ; X3 = 226 et X4 = 226
4) Placer les nouveaux et les nouveaux R sur les cartes. Que peut-on
conclure ?
Exercice 22: Une carte de contrôle pour grandeur mesurable est mise en œuvre
pour contrôler le diamètre d’une tige. A l’aide de 100 échantillonnages
successifs de taille n=4, on a obtenu les limites suivantes :
LSC( ) = 5,23 ; LIC( )= 3 ,77
et ∑ j = 4500 (j=1,…,100)
1) Déterminer la valeur de ∑Rj ; (j=1,…,100)
2) Quelles sont les limites de contrôle pour la carteR ?
Exercice 23 : Le tableau présente les résultats du contrôle de neuf échantillons

de 50 radiateurs pris de façon indépendante d’une chaîne de production
Numéro 1 2 3 4 5 6 7 8 9
Nombre de non 0 1 1 3 0 2 4 1 5
conformes
1) Déterminer la proportion de radiateurs non conformes pour chaque
échantillon
Pr. Elkettani
48
2) Pour ces échantillons, quelle est la proportion moyenne de non

conformes ?
3) Quel est l’écart-type de la proportion de non conformes ?
4) Quelles sont les limites de contrôle pour la carte P ?
5) Tracer la carte de contrôle et commenter
Exercice 24 : On dispose d’un n-échantillon (X1,…,Xn) d’une variable aléatoire

X de loi N(m,1). On veut tester l’hypothèse H0 « m=0 » contre l’hypothèse H1
« m ≠ 0 »au niveau α=0,05. Et on donne n= 40
1) Donner la région de rejet de H0
2) Les 40 observations ont donné une moyenne estimée égale à 2,2. Quelle
décision obtenez-vous H0 ou H1 ?
3) Calculer la puissance du test dans le cas où l’hypothèse H1 est « m = 2 »
Correction :
Caractéristiques du test :
Tester l’hypothèse H0 « m=0 » contre l’hypothèse H1 « m ≠ 0 »au niveau α=0,05
1) Détermination de la région de rejet de H0 :
On a l’équation α=0,05 = P(rejeter H0 alors que H0 est vraie) (I)
Où α est le risque de 1ère espèce.
Puisque H0 est vraie, m=0 et donc la loi de X est une N(0,1)
La statistique de test est puisque le test porte sur a moyenne.
La loi de est connue et ne dépend pas du paramètre, car on a :
Z = ( -m)/(1/√(n)) = (√40)* . Z suit la loi N(0,1) et est fonction de
Le test est bilatéral donc la région de rejet est de la forme (ǀ ǀ>u).

On rejette H0 pour les petites et pour les grandes valeurs de .
Donc (I) s’écrit : trouver u tel que P(ǀ ǀ>u ǀ X de loi N(0,1) )= α=0,05
 P(-u< < u ǀ X de loi N(0,1) )= α=0,95
P(-(√40)* u< Z < (√40)* u ǀ Z de loi N(0,1) )= α=0,95
Soit d’après la table : (√40)* u = 1,96  u= 1,96/(√40).
2) On a obtenu =2,2 qui est dans la région de rejet.
Donc on rejette H0 pour H1
3) Cette question est à laisser tout à fait pour a fin si le temps le permet.
La puissance du test pour m=2 est égale à la probabilité :
μ=(1-β) = (1- P(rejeter H1 quand H1 est vraie)) où β est le risque de 2ème
espèce.
Soit μ = P(rejeter H0 quand H1 est vraie).
Pr. Elkettani
49
μ= P(ǀ ǀ>u) et u= 1,96/(√40) qui définit la région de rejet de H0

Ce qui s’écrit aussi :
μ= 1- P{-1,96/(√40)] < < 1,96/(√40)}
La loi de est ici encore connue et ne dépend pas du paramètre, car on

a cette fois ci pour m=2:
Z = ( -m)/(1/√(n)) = (√40)*( -2) suit la loi N(0,1) et est fonction de .
On a μ=
1- P{ [-2-1,96/(√40)]/ (1/√(40)< ( -2)/(1/√(40) < [-2+1,96/(√40)]/
(1/√(40)}
μ= 1- P{[-2*(√40)-1,96] < Z < [-2*(√40)+1,96] et Z suit la loi N(0,1)}
Soit donc, d’après la symétrie de la loi normale, à lire de la table :
μ= 1- P{[2*(√40)-1,96] < Z < [2*(√40)+1,96]}=
= 1-P(10,69 < Z < 14,61)=1
Remarque : Cette puissance très élevée est obtenue pour m=2 car cette
valeur est très éloignée de la valeur de m en H0 qui est m=0. C'est-à-dire
que le test permet de choisir m=2 contre m=0 avec une puissance μ=1.
Exercice 25: Sur un échantillon de 500 pièces fabriquées par une machine, 80
sont défectueuses.
1) Trouver un intervalle de confiance à 95% de la proportion réelle p de
pièces défectueuses fabriquées par la machine.
2) Tester l’hypothèse H0 « p=0,1 » contre l’hypothèse H1 « p ≠ 0,1 » au
niveau α=0,05.
Réponse :
1) Soit F la variable aléatoire « fréquence ». La valeur observée de F est f= 80/500=0,16.
L’intervalle de confiance pour la proportion p est donné par l’approximation par la loi
de gauss car nous avons n très grand (n=500).
P { 0,16-1,96*√[0,16(1-0,16)/500] < p < 0,16 +1,96*√[0,16(1-0,16)/500] }= 0,95
L’intervalle est donc :
[0,16-1,96*√(0,16(1-0,16)/500) ; 0,16 +1,96*√(0,16(1-0,16)/500) ]
Caractéristiques du test :
Tester l’hypothèse H0 « p=0,1 » contre l’hypothèse H1 «p ≠ 0,1 »au niveau
α=0,05
Détermination de la région de rejet de H0 :
Pr. Elkettani
50
On a l’équation α=0,05 = P(rejeter H0 alors que H0 est vraie) (I)

Où α est le risque de 1ère espèce.
La statistique de test est F puisque le test porte sur une proportion.
La loi de F est connue et ne dépend pas du paramètre, car on a :
Z = (F-p)/(√(p(1-p)/n) suit la loi N(0,1) et est fonction de F
Le test est bilatéral donc la région de rejet est de la forme (ǀFǀ>u).

On rejette H0 pour les petites et pour les grandes valeurs de F.
Donc (I) s’écrit : pour p=0,1 trouver u tel que
P(ǀFǀ>u ǀ F approximée par une loi Normae )= α=0,05
 P(-u< F < u ǀ Z = (F-p)/(√(p(1-p)/n) de loi N(0,1) )= α=0,95
P((-u- 0,1)/√(0,1(1-0,1)/500) < Z < (u- 0,1)/√(0,1(1-0,1)/500) ǀ Z de loi
N(0,1) )= α=0,95
Soit à trouver u tel que : (u- 0,1)/√(0,1(1-0,1)/500)= 1,96
 u=1,96*0,3/√(500)+0,1
Conclusion : la valeur f observée n’est pas dans l’intervalle [-u , u] donc

on rejette H0.
Exercice 26 : Couples de Variables aléatoires - prévision (population et main d’œuvre)
Le tableau ci-dessous donne l'évolution de la population et de la main d'oeuvre d’un

pays de 1976 à 1986.
Observation X Y
1976 52.91 22.375
1977 53.15 22.615
1978 53.38 22.689
1979 53.61 23.05
1980 53.88 23.15
1981 54.18 23.221
1982 54.48 23.427
1983 54.73 23.312
1984 54.95 23.43
1985 55.17 23.5
1986 55.41 23.61
Si X est la population en millions d'individus, et Y la main d'oeuvre en millions

d'individus, Quelle sera la variable explicative ? Quelle sera la variable expliquée ?
A la vue du nuage de points, un ajustement affine de Y en X vous semble-t-il justifié?
Soit Y = a X + b l'ajustement affine de Y en X par la méthode des moindres carrés.
Pr. Elkettani
51
1 2 3 4 5
Observation X Y X² Y² XY
1 1976 52.91 22.38 2799.5 500.6 1183.9
2 1977 53.15 22.62 2824.9 511.4 1202.0
3 1978 53.38 22.69 2849.4 514.8 1211.1
4 1979 53.61 23.05 2874.0 531.3 1235.7
5 1980 53.88 23.15 2903.0 535.9 1247.3
6 1981 54.18 23.22 2935.5 539.2 1258.1
7 1982 54.48 23.43 2968.1 548.8 1276.3
8 1983 54.73 23.31 2995.4 543.5 1275.9
9 1984 54.95 23.43 3019.5 549.0 1287.5
10 1985 55.17 23.50 3043.7 552.3 1296.5
11 1986 55.41 23.61 3070.3 557.4 1308.2
Calculer, à partir de ce dernier tableau, les moyennes et , les variances s² (X) et

s² (Y) et la Covariance cov (X , Y). Et vérifier qu’on obtient l’équation: Y = 0.452 X - 1.367
Quel était en millions, l'effectif de la main d'oeuvre quand la population atteignait 50

millions d'habitants ?
Fonction de répartition Π de la loi

normale centrée réduite.
Probabilité de trouver une valeur

inférieure à u .
Π (-u) = 1 - Π (u)
u 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.50000 0.50399 0.50798 0.51197 0.51595 0.51994 0.52392 0.52790 0.53188 0.53586
0.1 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
0.2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0.3 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
0.4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0.5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
0.6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0.7 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
0.8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
0.9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
1.0 0.84134 0.84375 0.84614 0.84849 0.85083 0.85314 0.85543 0.85769 0.85993 0.86214
1.1 0.86433 0.86650 0.86864 0.87076 0.87286 0.87493 0.87698 0.87900 0.88100 0.88298
1.2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1.3 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774
1.4 0.91924 0.92073 0.92220 0.92364 0.92507 0.92647 0.92785 0.92922 0.93056 0.93189
1.5 0.93319 0.93448 0.93574 0.93699 0.93822 0.93943 0.94062 0.94179 0.94295 0.94408
1.6 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
1.7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
Pr. Elkettani
52
1.8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
1.9 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
2.0 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2.1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2.2 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
2.3 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2.4 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2.5 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2.6 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
2.7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2.8 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
2.9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
3.0 0.99865 0.99869 0.99874 0.99878 0.99882 0.99886 0.99889 0.99893 0.99896 0.99900
3.1 0.99903 0.99906 0.99910 0.99913 0.99916 0.99918 0.99921 0.99924 0.99926 0.99929
3.2 0.99931 0.99934 0.99936 0.99938 0.99940 0.99942 0.99944 0.99946 0.99948 0.99950
3.3 0.99952 0.99953 0.99955 0.99957 0.99958 0.99960 0.99961 0.99962 0.99964 0.99965
3.4 0.99966 0.99968 0.99969 0.99970 0.99971 0.99972 0.99973 0.99974 0.99975 0.99976
3.5 0.99977 0.99978 0.99978 0.99979 0.99980 0.99981 0.99981 0.99982 0.99983 0.99983
3.6 0.99984 0.99985 0.99985 0.99986 0.99986 0.99987 0.99987 0.99988 0.99988 0.99989
3.7 0.99989 0.99990 0.99990 0.99990 0.99991 0.99991 0.99992 0.99992 0.99992 0.99992
Fractiles de la loi du (ν)
Cette table donne les fractiles FP de la loi

de khi-deux
à ν degrés de liberté : P = Probabilité (
< FP )
Les colonnes P entre 0 et 1

Les
ν degrés de liberté entre 1 et 70
lignes
0.0 0.0 0.0 0.99
0.1 0.15 0.2 0.25 0.3 0.4 0.5 0.6 0.7 0.75 0.8 0.85 0.9 0.95 0.98 0.99
1 2 5 9
0.0 0.0 0.0 0.01 0.03 0.06 0.10 0.14 0.27 0.45 0.70 1.07 1.32 1.64 2.07 2.70 3.84 5.41 6.63 10.8
1
00 01 04 6 6 4 2 8 5 5 8 4 3 2 2 6 1 2 5 27
0.0 0.0 0.1 0.21 0.32 0.44 0.57 0.71 1.02 1.38 1.83 2.40 2.77 3.21 3.79 4.60 5.99 7.82 9.21 13.8
2
20 40 03 1 5 6 5 3 2 6 3 8 3 9 4 5 1 4 0 15
0.1 0.1 0.3 0.58 0.79 1.00 1.21 1.42 1.86 2.36 2.94 3.66 4.10 4.64 5.31 6.25 7.81 9.83 11.3 16.2
3
15 85 52 4 8 5 3 4 9 6 6 5 8 2 7 1 5 7 45 66
0.2 0.4 0.7 1.06 1.36 1.64 1.92 2.19 2.75 3.35 4.04 4.87 5.38 5.98 6.74 7.77 9.48 11.6 13.2 18.4
4
97 29 11 4 6 9 3 5 3 7 5 8 5 9 5 9 8 68 77 66
0.5 0.7 1.1 1.61 1.99 2.34 2.67 3.00 3.65 4.35 5.13 6.06 6.62 7.28 8.11 9.23 11.0 13.3 15.0 20.5
5
54 52 45 0 4 3 5 0 6 1 2 4 6 9 5 6 70 88 86 15
0.8 1.1 1.6 2.20 2.66 3.07 3.45 3.82 4.57 5.34 6.21 7.23 7.84 8.55 9.44 10.6 12.5 15.0 16.8 22.4
6
72 34 35 4 1 0 5 8 0 8 1 1 1 8 6 45 92 33 12 57
1.2 1.5 2.1 2.83 3.35 3.82 4.25 4.67 5.49 6.34 7.28 8.38 9.03 9.80 10.7 12.0 14.0 16.6 18.4 24.3
7
39 64 67 3 8 2 5 1 3 6 3 3 7 3 48 17 67 22 75 21
8 1.6 2.0 2.7 3.49 4.07 4.59 5.07 5.52 6.42 7.34 8.35 9.52 10.2 11.0 12.0 13.3 15.5 18.1 20.0 26.1
Pr. Elkettani
53
47 32 33 0 8 4 1 7 3 4 1 4 19 30 27 62 07 68 90 24
2.0 2.5 3.3 4.16 4.81 5.38 5.89 6.39 7.35 8.34 9.41 10.6 11.3 12.2 13.2 14.6 16.9 19.6 21.6 27.8
9
88 32 25 8 7 0 9 3 7 3 4 56 89 42 88 84 19 79 66 77
1 2.5 3.0 3.9 4.86 5.57 6.17 6.73 7.26 8.29 9.34 10.4 11.7 12.5 13.4 14.5 15.9 18.3 21.1 23.2 29.5
0 58 59 40 5 0 9 7 7 5 2 73 81 49 42 34 87 07 61 09 88
1 3.0 3.6 4.5 5.57 6.33 6.98 7.58 8.14 9.23 10.3 11.5 12.8 13.7 14.6 15.7 17.2 19.6 22.6 24.7 31.2
1 53 09 75 8 6 9 4 8 7 41 30 99 01 31 67 75 75 18 25 64
1 3.5 4.1 5.2 6.30 7.11 7.80 8.43 9.03 10.1 11.3 12.5 14.0 14.8 15.8 16.9 18.5 21.0 24.0 26.2 32.9
2 71 78 26 4 4 7 8 4 82 40 84 11 45 12 89 49 26 54 17 09
1 4.1 4.7 5.8 7.04 7.90 8.63 9.29 9.92 11.1 12.3 13.6 15.1 15.9 16.9 18.2 19.8 22.3 25.4 27.6 34.5
3 07 65 92 1 1 4 9 6 29 40 36 19 84 85 02 12 62 71 88 27
1 4.6 5.3 6.5 7.79 8.69 9.46 10.1 10.8 12.0 13.3 14.6 16.2 17.1 18.1 19.4 21.0 23.6 26.8 29.1 36.1
4 60 68 71 0 6 7 65 21 78 39 85 22 17 51 06 64 85 73 41 24
1 5.2 5.9 7.2 8.54 9.49 10.3 11.0 11.7 13.0 14.3 15.7 17.3 18.2 19.3 20.6 22.3 24.9 28.2 30.5 37.6
5 29 85 61 7 9 07 37 21 30 39 33 22 45 11 03 07 96 59 78 98
1 5.8 6.6 7.9 9.31 10.3 11.1 11.9 12.6 13.9 15.3 16.7 18.4 19.3 20.4 21.7 23.5 26.2 29.6 32.0 39.2
6 12 14 62 2 09 52 12 24 83 38 80 18 69 65 93 42 96 33 00 52
1 6.4 7.2 8.6 10.0 11.1 12.0 12.7 13.5 14.9 16.3 17.8 19.5 20.4 21.6 22.9 24.7 27.5 30.9 33.4 40.7
7 08 55 72 85 25 02 92 31 37 38 24 11 89 15 77 69 87 95 09 91
1 7.0 7.9 9.3 10.8 11.9 12.8 13.6 14.4 15.8 17.3 18.8 20.6 21.6 22.7 24.1 25.9 28.8 32.3 34.8 42.3
8 15 06 90 65 46 57 75 40 93 38 68 01 05 60 55 89 69 46 05 12
1 7.6 8.5 10. 11.6 12.7 13.7 14.5 15.3 16.8 18.3 19.9 21.6 22.7 23.9 25.3 27.2 30.1 33.6 36.1 43.8
9 33 67 117 51 73 16 62 52 50 38 10 89 18 00 29 04 44 87 91 19
2 8.2 9.2 10. 12.4 13.6 14.5 15.4 16.2 17.8 19.3 20.9 22.7 23.8 25.0 26.4 28.4 31.4 35.0 37.5 45.3
0 60 37 851 43 04 78 52 66 09 37 51 75 28 38 98 12 10 20 66 14
2 8.8 9.9 11. 13.2 14.4 15.4 16.3 17.1 18.7 20.3 21.9 23.8 24.9 26.1 27.6 29.6 32.6 36.3 38.9 46.7
1 97 15 591 40 39 45 44 82 68 37 92 58 35 71 62 15 71 43 32 96
2 9.5 10. 12. 14.0 15.2 16.3 17.2 18.1 19.7 21.3 23.0 24.9 26.0 27.3 28.8 30.8 33.9 37.6 40.2 48.2
2 42 600 338 41 79 14 40 01 29 37 31 39 39 01 22 13 24 59 89 68
2 10. 11. 13. 14.8 16.1 17.1 18.1 19.0 20.6 22.3 24.0 26.0 27.1 28.4 29.9 32.0 35.1 38.9 41.6 49.7
3 196 293 091 48 22 87 37 21 90 37 69 18 41 29 79 07 72 68 38 28
2 10. 11. 13. 15.6 16.9 18.0 19.0 19.9 21.6 23.3 25.1 27.0 28.2 29.5 31.1 33.1 36.4 40.2 42.9 51.1
4 856 992 848 59 69 62 37 43 52 37 06 96 41 53 32 96 15 70 80 79
2 11. 12. 14. 16.4 17.8 18.9 19.9 20.8 22.6 24.3 26.1 28.1 29.3 30.6 32.2 34.3 37.6 41.5 44.3 52.6
5 524 697 611 73 18 40 39 67 16 37 43 72 39 75 82 82 52 66 14 19
2 12. 13. 15. 17.2 18.6 19.8 20.8 21.7 23.5 25.3 27.1 29.2 30.4 31.7 33.4 35.5 38.8 42.8 45.6 54.0
6 198 409 379 92 71 20 43 92 79 36 79 46 35 95 29 63 85 56 42 51
2 12. 14. 16. 18.1 19.5 20.7 21.7 22.7 24.5 26.3 28.2 30.3 31.5 32.9 34.5 36.7 40.1 44.1 46.9 55.4
7 878 125 151 14 27 03 49 19 44 36 14 19 28 12 74 41 13 40 63 75
2 13. 14. 16. 18.9 20.3 21.5 22.6 23.6 25.5 27.3 29.2 31.3 32.6 34.0 35.7 37.9 41.3 45.4 48.2 56.8
8 565 847 928 39 86 88 57 47 09 36 49 91 20 27 15 16 37 19 78 92
2 14. 15. 17. 19.7 21.2 22.4 23.5 24.5 26.4 28.3 30.2 32.4 33.7 35.1 36.8 39.0 42.5 46.6 49.5 58.3
9 256 574 708 68 47 75 67 77 75 36 83 61 11 39 54 87 57 93 88 01
3 14. 16. 18. 20.5 22.1 23.3 24.4 25.5 27.4 29.3 31.3 33.5 34.8 36.2 37.9 40.2 43.7 47.9 50.8 59.7
0 953 306 493 99 10 64 78 08 42 36 16 30 00 50 90 56 73 62 92 02
3 15. 17. 19. 21.4 22.9 24.2 25.3 26.4 28.4 30.3 32.3 34.5 35.8 37.3 39.1 41.4 44.9 49.2 52.1 61.0
1 655 042 281 34 76 55 90 40 09 36 49 98 87 59 24 22 85 26 91 98
3 16. 17. 20. 22.2 23.8 25.1 26.3 27.3 29.3 31.3 33.3 35.6 36.9 38.4 40.2 42.5 46.1 50.4 53.4 62.4
2 362 783 072 71 44 48 04 73 76 36 81 65 73 66 56 85 94 87 86 87
3 17. 18. 20. 23.1 24.7 26.0 27.2 28.3 30.3 32.3 34.4 36.7 38.0 39.5 41.3 43.7 47.4 51.7 54.7 63.8
3 073 527 867 10 14 42 19 07 44 36 13 31 58 72 86 45 00 43 75 69
3 17. 19. 21. 23.9 25.5 26.9 28.1 29.2 31.3 33.3 35.4 37.7 39.1 40.6 42.5 44.9 48.6 52.9 56.0 65.2
4 789 275 664 52 86 38 36 42 13 36 44 95 41 76 14 03 02 95 61 47
3 18. 20. 22. 24.7 26.4 27.8 29.0 30.1 32.2 34.3 36.4 38.8 40.2 41.7 43.6 46.0 49.8 54.2 57.3 66.6
5 509 027 465 97 60 36 54 78 82 36 75 59 23 78 40 59 02 44 42 19
Pr. Elkettani
54
3 19. 20. 23. 25.6 27.3 28.7 29.9 31.1 33.2 35.3 37.5 39.9 41.3 42.8 44.7 47.2 50.9 55.4 58.6 67.9
6 233 783 269 43 36 35 73 15 52 36 05 22 04 79 64 12 98 89 19 85
3 19. 21. 24. 26.4 28.2 29.6 30.8 32.0 34.2 36.3 38.5 40.9 42.3 43.9 45.8 48.3 52.1 56.7 59.8 69.3
7 960 542 075 92 14 35 93 53 22 36 35 84 83 78 86 63 92 30 93 48
3 20. 22. 24. 27.3 29.0 30.5 31.8 32.9 35.1 37.3 39.5 42.0 43.4 45.0 47.0 49.5 53.3 57.9 61.1 70.7
8 691 304 884 43 93 37 15 92 92 35 64 45 62 76 07 13 84 69 62 04
3 21. 23. 25. 28.1 29.9 31.4 32.7 33.9 36.1 38.3 40.5 43.1 44.5 46.1 48.1 50.6 54.5 59.2 62.4 72.0
9 426 069 695 96 74 41 37 32 63 35 93 05 39 73 26 60 72 04 28 55
4 22. 23. 26. 29.0 30.8 32.3 33.6 34.8 37.1 39.3 41.6 44.1 45.6 47.2 49.2 51.8 55.7 60.4 63.6 73.4
0 164 838 509 51 56 45 60 72 34 35 22 65 16 69 44 05 58 36 91 03
4 22. 24. 27. 29.9 31.7 33.2 34.5 35.8 38.1 40.3 42.6 45.2 46.6 48.3 50.3 52.9 56.9 61.6 64.9 74.7
1 906 609 326 07 40 51 85 13 05 35 51 24 92 63 60 49 42 65 50 44
4 23. 25. 28. 30.7 32.6 34.1 35.5 36.7 39.0 41.3 43.6 46.2 47.7 49.4 51.4 54.0 58.1 62.8 66.2 76.0
2 650 383 144 65 26 57 10 55 77 35 79 82 66 56 75 90 24 92 06 84
4 24. 26. 28. 31.6 33.5 35.0 36.4 37.6 40.0 42.3 44.7 47.3 48.8 50.5 52.5 55.2 59.3 64.1 67.4 77.4
3 398 159 965 25 12 65 36 98 50 35 06 39 40 48 88 30 04 16 59 18
4 25. 26. 29. 32.4 34.4 35.9 37.3 38.6 41.0 43.3 45.7 48.3 49.9 51.6 53.7 56.3 60.4 65.3 68.7 78.7
4 148 939 787 87 00 74 63 41 22 35 34 96 13 39 00 69 81 37 10 49
4 25. 27. 30. 33.3 35.2 36.8 38.2 39.5 41.9 44.3 46.7 49.4 50.9 52.7 54.8 57.5 61.6 66.5 69.9 80.0
5 901 720 612 50 90 84 91 85 95 35 61 52 85 29 10 05 56 55 57 78
4 26. 28. 31. 34.2 36.1 37.7 39.2 40.5 42.9 45.3 47.7 50.5 52.0 53.8 55.9 58.6 62.8 67.7 71.2 81.4
6 657 504 439 15 80 95 20 29 68 35 87 07 56 18 20 41 30 71 01 00
4 27. 29. 32. 35.0 37.0 38.7 40.1 41.4 43.9 46.3 48.8 51.5 53.1 54.9 57.0 59.7 64.0 68.9 72.4 82.7
7 416 291 268 81 72 08 49 74 42 35 14 62 27 06 28 74 01 85 43 20
4 28. 30. 33. 35.9 37.9 39.6 41.0 42.4 44.9 47.3 49.8 52.6 54.1 55.9 58.1 60.9 65.1 70.1 73.6 84.0
8 177 080 098 49 65 21 79 20 15 35 40 16 96 93 35 07 71 97 83 37
4 28. 30. 33. 36.8 38.8 40.5 42.0 43.3 45.8 48.3 50.8 53.6 55.2 57.0 59.2 62.0 66.3 71.4 74.9 85.3
9 941 871 930 18 59 34 10 66 89 35 66 70 65 79 41 38 39 06 19 50
5 29. 31. 34. 37.6 39.7 41.4 42.9 44.3 46.8 49.3 51.8 54.7 56.3 58.1 60.3 63.1 67.5 72.6 76.1 86.6
0 707 664 764 89 54 49 42 13 64 35 92 23 34 64 46 67 05 13 54 60
5 30. 32. 35. 38.5 40.6 42.3 43.8 45.2 47.8 50.3 52.9 55.7 57.4 59.2 61.4 64.2 68.6 73.8 77.3 87.9
1 475 459 600 60 50 65 74 61 38 35 17 75 01 48 50 95 69 18 86 67
5 31. 33. 36. 39.4 41.5 43.2 44.8 46.2 48.8 51.3 53.9 56.8 58.4 60.3 62.5 65.4 69.8 75.0 78.6 89.2
2 246 256 437 33 47 81 07 09 13 35 42 27 68 32 53 22 32 21 16 72
5 32. 34. 37. 40.3 42.4 44.1 45.7 47.1 49.7 52.3 54.9 57.8 59.5 61.4 63.6 66.5 70.9 76.2 79.8 90.5
3 019 055 276 08 46 99 41 57 88 35 67 79 34 14 54 48 93 23 43 73
5 32. 34. 38. 41.1 43.3 45.1 46.6 48.1 50.7 53.3 55.9 58.9 60.6 62.4 64.7 67.6 72.1 77.4 81.0 91.8
4 793 856 116 83 45 17 76 06 64 35 92 30 00 96 55 73 53 22 69 71
5 33. 35. 38. 42.0 44.2 46.0 47.6 49.0 51.7 54.3 57.0 59.9 61.6 63.5 65.8 68.7 73.3 78.6 82.2 93.1
5 571 659 958 60 45 36 10 55 39 35 16 80 65 77 55 96 11 19 92 67
5 34. 36. 39. 42.9 45.1 46.9 48.5 50.0 52.7 55.3 58.0 61.0 62.7 64.6 66.9 69.9 74.4 79.8 83.5 94.4
6 350 464 801 37 46 55 46 05 15 35 40 31 29 58 54 19 68 15 14 62
5 35. 37. 40. 43.8 46.0 47.8 49.4 50.9 53.6 56.3 59.0 62.0 63.7 65.7 68.0 71.0 75.6 81.0 84.7 95.7
7 131 270 646 16 48 76 82 56 91 35 64 80 93 37 52 40 24 09 33 50
5 35. 38. 41. 44.6 46.9 48.7 50.4 51.9 54.6 57.3 60.0 63.1 64.8 66.8 69.1 72.1 76.7 82.2 85.9 97.0
8 914 078 492 96 51 97 19 06 67 35 88 29 57 16 49 60 78 01 50 38
5 36. 38. 42. 45.5 47.8 49.7 51.3 52.8 55.6 58.3 61.1 64.1 65.9 67.8 70.2 73.2 77.9 83.3 87.1 98.3
9 698 888 339 77 54 18 56 58 43 35 11 78 19 94 46 79 30 91 66 24
6 37. 39. 43. 46.4 48.7 50.6 52.2 53.8 56.6 59.3 62.1 65.2 66.9 68.9 71.3 74.3 79.0 84.5 88.3 99.6
0 485 699 188 59 59 41 94 09 20 35 35 26 81 72 41 97 82 80 79 08
6 38. 40. 44. 47.3 49.6 51.5 53.2 54.7 57.5 60.3 63.1 66.2 68.0 70.0 72.4 75.5 80.2 85.7 89.5 100.
1 273 512 038 42 64 64 32 61 97 35 58 74 43 49 36 14 32 67 91 887
6 39. 41. 44. 48.2 50.5 52.4 54.1 55.7 58.5 61.3 64.1 67.3 69.1 71.1 73.5 76.6 81.3 86.9 90.8 102.
2 063 327 889 26 70 87 71 14 74 35 81 22 04 25 30 30 81 53 02 165
6 39. 42. 45. 49.1 51.4 53.4 55.1 56.6 59.5 62.3 65.2 68.3 70.1 72.2 74.6 77.7 82.5 88.1 92.0 103.
Pr. Elkettani
55
3 855 143 741 11 77 12 10 66 51 35 04 69 65 01 23 45 29 37 10 442

6 40. 42. 46. 49.9 52.3 54.3 56.0 57.6 60.5 63.3 66.2 69.4 71.2 73.2 75.7 78.8 83.6 89.3 93.2 104.
4 649 960 595 96 84 36 50 20 28 35 26 16 25 76 15 60 75 20 17 717
6 41. 43. 47. 50.8 53.2 55.2 56.9 58.5 61.5 64.3 67.2 70.4 72.2 74.3 76.8 79.9 84.8 90.5 94.4 105.
5 444 779 450 83 93 62 90 73 06 35 49 62 85 51 07 73 21 01 22 988
6 42. 44. 48. 51.7 54.2 56.1 57.9 59.5 62.4 65.3 68.2 71.5 73.3 75.4 77.8 81.0 85.9 91.6 95.6 107.
6 240 599 305 70 02 88 31 27 84 35 71 08 44 24 98 85 65 81 26 257
6 43. 45. 49. 52.6 55.1 57.1 58.8 60.4 63.4 66.3 69.2 72.5 74.4 76.4 78.9 82.1 87.1 92.8 96.8 108.
7 038 421 162 59 11 15 72 81 61 35 93 54 03 98 88 97 08 60 28 525
6 43. 46. 50. 53.5 56.0 58.0 59.8 61.4 64.4 67.3 70.3 73.6 75.4 77.5 80.0 83.3 88.2 94.0 98.0 109.
8 838 244 020 48 22 42 14 36 40 35 15 00 61 71 78 08 50 37 28 793
6 44. 47. 50. 54.4 56.9 58.9 60.7 62.3 65.4 68.3 71.3 74.6 76.5 78.6 81.1 84.4 89.3 95.2 99.2 111.
9 639 068 879 38 33 70 56 91 18 34 37 45 19 43 67 18 91 13 27 055
7 45. 47. 51. 55.3 57.8 59.8 61.6 63.3 66.3 69.3 72.3 75.6 77.5 79.7 82.2 85.5 90.5 96.3 100. 112.
0 442 893 739 29 44 98 98 46 96 34 58 89 77 15 55 27 31 87 425 317
Pour ν > 70,
Table de la Loi de Student

Cette table donne les fractiles de la loi
de Student à ν degrés de liberté :
valeur t ayant la probabilité α d'être
dépassée en valeur absolue :
P ( - t < T < t ) = 1 - α.
Ou : P ( T < - t ) = α / 2 = P ( T > t )
ν (degré de liberté)
α bilatéral 1-α/2 (unilatéral)
de 1 à 140 voir
voir ligne 1 voir ligne 2
colonne 1
I 0.00 0.0
0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.05 0.02 0.01
5 01
1- 0.97 0.99 0.99 0.9
0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 0.99
α/2 5 5 75 995
ν
0.15 0.32 0.50 0.72 1.37 1.96 3.07 6.31 12.7 31.8 63.6 127. 636
1 1
84 49 95 65 64 26 77 37 06 21 56 32 .58
0.14 0.28 0.44 0.61 0.81 1.06 1.38 1.88 4.30 6.96 9.92 14.0 31.
2 2.92
21 87 47 72 65 07 62 56 27 45 5 89 6
0.13 0.27 0.42 0.58 0.76 0.97 1.24 1.63 2.35 3.18 4.54 5.84 7.45 12.
3
66 67 42 44 49 85 98 77 34 24 07 08 32 924
0.13 0.27 0.41 0.56 0.74 0.94 1.18 1.53 2.13 2.77 3.74 4.60 5.59 8.6
4
38 07 42 86 07 1 96 32 18 65 69 41 75 101
Pr. Elkettani
56
0.13 0.26 0.40 0.55 0.72 0.91 1.15 1.47 2.01 2.57 3.36 4.03 4.77 6.8
5
22 72 82 94 67 95 58 59 5 06 49 21 33 685
0.13 0.26 0.40 0.55 0.71 0.90 1.13 1.43 1.94 2.44 3.14 3.70 4.31 5.9
6
11 48 43 34 76 57 42 98 32 69 27 74 68 587
0.13 0.26 0.40 0.54 0.71 0.89 1.11 1.41 1.89 2.36 2.99 3.49 4.02 5.4
7
03 32 15 91 11 6 92 49 46 46 79 95 94 081
0.12 0.26 0.39 0.54 0.70 0.88 1.10 1.39 1.85 2.30 2.89 3.35 3.83 5.0
8
97 19 95 59 64 89 81 68 95 6 65 54 25 414
0.12 0.26 0.39 0.54 0.70 0.88 1.09 1.38 1.83 2.26 2.82 3.24 3.68 4.7
9
93 1 79 35 27 34 97 3 31 22 14 98 96 809
0.12 0.26 0.39 0.54 0.69 0.87 1.09 1.37 1.81 2.22 2.76 3.16 3.58 4.5
10
89 02 66 15 98 91 31 22 25 81 38 93 14 868
0.12 0.25 0.39 0.53 0.69 0.87 1.08 1.36 1.79 2.20 2.71 3.10 3.49 4.4
11
86 96 56 99 74 55 77 34 59 1 81 58 66 369
0.12 0.25 0.39 0.53 0.69 0.87 1.08 1.35 1.78 2.17 2.68 3.05 3.42 4.3
12
83 9 47 86 55 26 32 62 23 88 1 45 84 178
0.12 0.25 0.39 0.53 0.69 0.87 1.07 1.35 1.77 2.16 2.65 3.01 3.37 4.2
13
81 86 4 75 38 02 95 02 09 04 03 23 25 209
0.12 0.25 0.39 0.53 0.69 0.86 1.07 1.34 1.76 2.14 2.62 2.97 3.32 4.1
14
8 82 33 66 24 81 63 5 13 48 45 68 57 403
0.12 0.25 0.39 0.53 0.69 0.86 1.07 1.34 1.75 2.13 2.60 2.94 3.28 4.0
15
78 79 28 57 12 62 35 06 31 15 25 67 6 728
0.12 0.25 0.39 0.53 0.69 0.86 1.07 1.33 1.74 2.11 2.58 2.92 3.25 4.0
16
77 76 23 5 01 47 11 68 59 99 35 08 2 149
0.12 0.25 0.39 0.53 0.68 0.86 1.06 1.33 1.73 2.10 2.56 2.89 3.22 3.9
17
76 73 19 44 92 33 9 34 96 98 69 82 24 651
0.12 0.25 0.39 0.53 0.68 0.86 1.06 1.33 1.73 2.10 2.55 2.87 3.19 3.9
18
74 71 15 38 84 2 72 04 41 09 24 84 66 217
0.12 0.25 0.39 0.53 0.68 0.86 1.06 1.32 1.72 2.09 2.53 2.86 3.17 3.8
19
74 69 12 33 76 1 55 77 91 3 95 09 37 833
0.12 0.25 0.39 0.53 0.68 1.06 1.32 1.72 2.08 2.52 2.84 3.15 3.8
20 0.86
73 67 09 29 7 4 53 47 6 8 53 34 496
0.12 0.25 0.39 0.53 0.68 0.85 1.06 1.32 1.72 2.07 2.51 2.83 3.13 3.8
21
72 66 06 25 64 91 27 32 07 96 76 14 52 193
0.12 0.25 0.39 0.53 0.68 0.85 1.06 1.32 1.71 2.07 2.50 2.81 3.11 3.7
22
71 64 04 21 58 83 14 12 71 39 83 88 88 922
0.12 0.25 0.39 0.53 0.68 0.85 1.06 1.31 1.71 2.06 2.49 2.80 3.10 3.7
23
71 63 02 17 53 75 03 95 39 87 99 73 4 676
0.12 0.25 0.53 0.68 0.85 1.05 1.31 1.71 2.06 2.49 2.79 3.09 3.7
24 0.39
7 62 14 48 69 93 78 09 39 22 7 05 454
Pr. Elkettani
57
0.12 0.25 0.38 0.53 0.68 0.85 1.05 1.31 1.70 2.05 2.48 2.78 3.07 3.7
25
69 61 98 12 44 62 84 63 81 95 51 74 82 251
0.12 0.25 0.38 0.53 0.68 0.85 1.05 1.31 1.70 2.05 2.47 2.77 3.06 3.7
26
69 6 96 09 4 57 75 5 56 55 86 87 69 067
0.12 0.25 0.38 0.53 0.68 0.85 1.05 1.31 1.70 2.05 2.47 2.77 3.05 3.6
27
68 59 94 06 37 51 67 37 33 18 27 07 65 895
0.12 0.25 0.38 0.53 0.68 0.85 1.05 1.31 1.70 2.04 2.46 2.76 3.04 3.6
28
68 58 93 04 34 46 6 25 11 84 71 33 7 739
0.12 0.25 0.38 0.53 0.68 0.85 1.05 1.31 1.69 2.04 2.46 2.75 3.03 3.6
29
68 57 92 02 3 42 53 14 91 52 2 64 8 595
0.12 0.25 0.38 0.68 0.85 1.05 1.31 1.69 2.04 2.45 3.02 3.6
30 0.53 2.75
67 56 9 28 38 47 04 73 23 73 98 46
0.12 0.25 0.38 0.52 0.68 0.85 1.05 1.30 1.69 2.03 2.45 2.74 3.02 3.6
31
67 55 89 98 25 34 41 95 55 95 28 4 21 335
0.12 0.25 0.38 0.52 0.68 0.85 1.05 1.30 1.69 2.03 2.44 2.73 3.01 3.6
32
67 55 88 97 22 3 35 86 39 69 87 85 49 218
0.12 0.25 0.38 0.52 0.68 0.85 1.05 1.30 1.69 2.03 2.44 2.73 3.00 3.6
33
66 54 87 95 2 26 3 77 24 45 48 33 82 109
0.12 0.25 0.38 0.52 0.68 0.85 1.05 1.30 1.69 2.03 2.44 2.72 3.00 3.6
34
66 53 86 94 18 23 25 7 09 22 11 84 2 007
0.12 0.25 0.38 0.52 0.68 0.85 1.05 1.30 1.68 2.03 2.43 2.72 2.99 3.5
35
66 53 85 92 16 2 2 62 96 01 77 38 61 911
0.12 0.25 0.38 0.52 0.68 0.85 1.05 1.30 1.68 2.02 2.43 2.71 2.99 3.5
36
66 52 84 91 14 17 16 55 83 81 45 95 05 821
0.12 0.25 0.38 0.52 0.68 0.85 1.05 1.30 1.68 2.02 2.43 2.71 2.98 3.5
37
65 52 83 89 12 14 12 49 71 62 14 54 53 737
0.12 0.25 0.38 0.52 0.68 0.85 1.05 1.30 1.68 2.02 2.42 2.71 2.98 3.5
38
65 51 82 88 1 12 08 42 6 44 86 16 03 657
0.12 0.25 0.38 0.52 0.68 0.85 1.05 1.30 1.68 2.02 2.42 2.70 2.97 3.5
39
65 51 82 87 08 09 04 36 49 27 58 79 56 581
0.12 0.25 0.38 0.52 0.68 0.85 1.30 1.68 2.02 2.42 2.70 2.97 3.5
40 1.05
65 5 81 86 07 07 31 39 11 33 45 12 51
0.12 0.25 0.38 0.52 0.68 0.85 1.04 1.30 1.68 2.01 2.42 2.70 2.96 3.5
41
64 5 8 85 05 05 97 25 29 95 08 12 7 443
0.12 0.25 0.38 0.52 0.68 0.85 1.04 1.30 1.68 2.01 2.41 2.69 2.96 3.5
42
64 5 8 84 04 03 94 2 2 81 85 81 3 377
0.12 0.25 0.38 0.52 0.68 0.85 1.04 1.30 1.68 2.01 2.41 2.69 2.95 3.5
43
64 49 79 83 02 01 91 16 11 67 63 51 92 316
0.12 0.25 0.38 0.52 0.68 0.84 1.04 1.30 1.68 2.01 2.41 2.69 2.95 3.5
44
64 49 78 82 01 99 88 11 02 54 41 23 55 258
Pr. Elkettani
58
0.12 0.25 0.38 0.52 0.84 1.04 1.30 1.67 2.01 2.41 2.68 2.95 3.5
45 0.68
64 49 78 81 97 85 07 94 41 21 96 21 203
0.12 0.25 0.38 0.52 0.67 0.84 1.04 1.29 1.67 2.00 2.40 2.67 2.93 3.4
50
63 47 75 78 94 89 73 87 59 86 33 78 7 96
0.12 0.25 0.38 0.52 0.67 0.84 1.04 1.29 1.67 2.00 2.39 2.66 2.91 3.4
60
62 45 72 72 86 77 55 58 06 03 01 03 46 602
0.12 0.25 0.38 0.52 0.67 0.84 1.04 1.29 1.66 1.99 2.37 2.63 2.88 3.4
80
61 42 67 65 76 61 32 22 41 01 39 87 7 164
0.12 0.25 0.38 0.52 0.67 0.84 1.04 1.29 1.66 1.98 2.36 2.62 2.87 3.3
100
6 4 64 61 7 52 18 01 02 4 42 59 07 905
0.12 0.25 0.38 0.52 0.67 0.84 1.04 1.28 1.65 1.97 2.35 2.61 2.85 3.3
140
59 38 61 56 62 42 03 76 58 71 33 14 22 613
∞ loi
0.12 0.25 0.38 0.52 0.67 0.84 1.03 1.28 1.64 2.32 2.57 2.80 3.2
Nor 1.96
57 33 53 44 44 16 64 16 49 64 59 72 908
male
Pr. Elkettani
59

Cours Exos Corrig S Proba Stat SMC 2015

Transféré par

Droits d'auteur :

Formats disponibles

Cours Exos Corrig S Proba Stat SMC 2015

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Exos Corrig S Proba Stat SMC 2015

Transféré par

Droits d'auteur :

Formats disponibles

Université Ibn Tofail SMC semestre 4 Printemps 2015

Faculté des Sciences, Kénitra

I) Probabilités, événements et Probabilités conditionnelles

- cours en ligne :statnet , http://www.agro-montpellier.fr/cnam-lr/statnet/

Exemple : Les produits de qualité : On prélève 96 pièces des

Effectuons l’expérience suivante qui consiste à tirer au hasard un individu :

Un résultat ou issue de cette expérience aléatoire est l'un des 96 numéros.

A) Evénement lié à une expérience aléatoire

L'événement "le numéro choisi est le 35" est un événement élémentaire.

A un événement impossible on associe la partie vide, de .

A un événement certain on associe la partie.

Composition des événements

Soit A l'événement : "l’individu choisi est une pièce mauvaise ".

La conjonction A et B de ces deux événements est l'événement : A et B : " l’individu

A l'événement A et B est associée l'intersection des parties associées à A et B.

La disjonction A ou B des deux événements est l'événement :

A l'événement A ou B est associée la réunion des parties associées à A ou B.

La négation de l'événement A est l'événement : "l’individu choisi n’est pas mauvaise

A l'événement "non A" (ou ) est associé le complémentaire dans  de la partie

Deux événements A et B sont dits incompatibles s'il n'existe pas d'issues à

( P  ), c'est-à-dire P , l'ensemble des parties de , muni des

B) Définition d'une probabilité

A tout événement A lié à E, c'est-à-dire à tout élément A de P , on associe un

Une probabilité P définie sur P est une application P : P   [ 0 , 1 ] possédant

2) Si A et B sont deux événements incompatibles : P ( A  B ) = P ( A ) + P ( B )

Il en découle les premières conséquences suivantes :

1) P (  ) = 0 . La probabilité de l'événement impossible est nulle.

2) Si est l'événement contraire de A, alors P ( )= 1-P(A)

4) Si A et B sont deux événements quelconques P ( A  B )= P ( A ) + P ( B ) - P ( A 

5) Si A1 , A2 , .... , An sont des événements deux à deux incompatibles

Si A est un événement correspondant aux issues  1 ,  2 , .... ,  n,

La probabilité de A est la somme des probabilités des événements élémentaires dont la

Comment définir une probabilité à l'aide des probabilités des événements

Mais comme on doit avoir P (  ) = 1, il faut que : p1 + p2 + ... + pn = 1

Si cette condition est remplie, on définit alors la probabilité P ( A ) de tout événement

P(A)= P ( {  } ) somme des probabilités des événements élémentaires dont la

Hypothèse d'équiprobabilité - Probabilité uniforme

P(A)= = où Card(A) désigne le nombre d'éléments de A.

C) Probabilités conditionnelles et Evénements Indépendants

1) Probabilité conditionnelle : Soit ( , P () , P ) un espace probabilisé fini et A

On définit l'application : PA : P   par : PA ( B ) = [P(A  B)/P(A)] qu’on note

PA ( B) s'appelle la probabilité conditionnelle de B sous la condition que A soit réalisé.

Sur l’exemple des produits de qualité, conditionnelles à l’événement B : « un produit

Exemple : le dé vert et le dé rouge

x1  , x2  {1,...,6} .  = {1,...,6}  {1,...,6}. On fait l'hypothèse d'équiprobabilité.

Soit IR l'événement "le dé rouge donne un no impair"

Soit IV l'événement "le dé vert donne un no impair"

On adonc : P(IR  IV) = = 0.5  0.5 = P( IR ) P( IV ). Les événements IR et IV sont

P(IV | IR) = = = = et P(IV | IR) = P( IV ) = 0.5 .

Le résultat obtenu par le dé rouge ne conduit pas à modifier la probabilité des

II) Notion de variable aléatoire

Si est fini ou dénombrable, X est une variable aléatoire (v.a.) discrète.

On définit une probabilité Px sur

Exemple 1 (cas où X est une v.a. discrète ): on lance un dé "bien équilibré"

Il s'agit d'une expérience aléatoire où l'univers des possibles est :

On a équiprobabilité : Px ( A ) = pour tout A de (  ).

Posons : X = 0 si on obtient un nombre  3, et X = 1 si on obtient un nombre  3.

X est une variable aléatoire à valeurs dans :