Eléments de statistique

Introduction
Les statistiques, à quoi ça sert ?
Que dit le dictionnaire ? Statistiques : Branche des mathématiques appliquées qui a pour objet l’étude des phénomènes mettant en jeu un grand nombre d’éléments. En économie, les statistiques permettent d’appréhender, à tous les niveaux : mondial, européen, français, les données économiques. Les statistiques sont largement utilisées dans les Départements Commercial et Marketing des entreprises. Elles permettent d’évaluer les besoins du marché, de préparer les opérations de prospection, des sondages et d’en analyser les résultats. En France, l’INSEE est chargée de l’établissement des statistiques économiques. Les missions de l’INSEE sont au nombre de 5 : Produire - Analyser - Diffuser - Coordonner - Former - Coopérer L’Institut national de la statistique et des études économiques (Insee) collecte, produit et diffuse des informations sur l’économie et la société française afin que tous les acteurs intéressés (administration, entreprises, chercheurs, médias, enseignants, particuliers) puissent les utiliser pour effectuer des études, faire des prévisions et prendre des décisions.

 

Un peu de terminologie
1 - Population statistique
Une population statistique est ensemble d’objets, d’unités sur lesquels portent des observations, ou donnant lieu à un classement statistique.

2 - Méthode d’étude d’une population
Deux méthodes peuvent être utilisées pour connaître les caractéristiques d’une population : Le recensement Le sondage

Recensement et sondage Le recensement, utilisable quand la population est peu nombreuse, ou par exemple dans la cas d’un recencement de la population d’un pays, consiste à relever les caractéristiques de chaque membre de la population. Il fournit en principe un résultat très proche de la réalité. On peut alors établir des statistiques sur les différentes caractéristiques relevées. Le sondage, utilisé quand le recensement est physiquement ou économiquement impossible, consiste à sélectionner une partie seulement de la population - appelée échantillon - et à réaliser un relevé des caractéristiques de chaque membre de l’échantillon. On réalise alors une étude statistique (extrapolation) pour tenter d’approcher la réalité de la population complète.

3 - Notion de variable statistique
L’étude statistique passera par l’observation de l’une des caractéristiques des membres de la population appelée "variable statistique". La variables statistique peut être de différents types : Quantitative quand on peut lui attribuer une valeur numérique (par exemple la taille des Français),

 

Qualitative quand on ne peut la quantifier (par exemple la couleur des cheveux), Continue quand elle peut prendre toutes les valeurs incluses dans son intervalle de variation (exemple le poids des Français), Discrète lorqu’elle ne peut prendre que certaines valeurs (par exemple le nombre de points obtenus lorsqu’on jette un dé à jouer).

 

Notions de série statistique 

1 - Présentation des séries statistiques
Une série statistique est constituée par l’ensemble des valeurs relevées sur la variable statistique considérée. Le résultat se présentera le plus souvent sous la forme d’un tableau.

Notion de classe
Pour faciliter l’analyse statistique, dans le cas où la variable - de type continue - prend un grand nombre de valeurs, on regroupera les valeurs en classes, chaque classe correspondant à un intervalle de variation. Par exemple, pour réaliser une statistique sur la taille des français adultes qui varie de 1,30 à 2,10 m, on pourra regrouper les tailles par intervalle de 5 cm ce qui entraînera la limitation à 17 classes (Voir schéma ci-dessous).

Distribution en classes

Présentation des séries statistiques
Soit un échantillon de 1177 personnes dont on veut caractériser la taille. La façon la plus simple de représenter les données collectées est le tableau :

 

Présentation en tableau On peut également présenter les données sous forme de diagramme à barres. On place en abscisse la valeur de la variable (ici les classes) et des barres verticales de hauteur proportionnelle au nombre d’éléments de la population associés à la valeur considérée.

Répartition en classes Le graphique à secteurs (plus communément appelé "camembert") peut également être utilisé pour une représentation qui montre mieux la répartition relaive des données.

 

.Graphique à secteurs (camembert) 2 . médiane. On trouve des caractéristiques de tendances globales (mode.   6  . Dans l’exemple précédent le l’analyse statistique de la taille des français.) 1 .. c’est la classe 9 (1m70 à 1m75) qui recueille l’effectif le plus large (124). moyenne) et des caractéristiques de dispersion de la population (étendue de variation.Caractéristiques globales des séries statistiques Il s’agit de caractériser la série statistique dans sa globalité suivant différents critères. etc . écart type.Caractéristiques globales Le Mode Le Mode est la valeur de la variable statistique rencontrée le plus fréquemment dans la série statistique.

Exemple de série multimodale La moyenne arithmétique La moyenne arithmétique d’une série statistique s’obtient en divisant la somme des valeurs observées par le nombre de valeurs. Formule de la moyenne arithmétique simple   7  . On parle alors de série multimodale. Par exemple. si l’on regroupe les deux populations pour avoir une statistique sur la taille des animaux de compagnie. on obtient des séries à un seul mode. puis sur la taille des chiens. A l’inverse. si l’on fait une statistique sur la taille des chats. on obtient une série à deux modes comme le montre le schéma ci-dessous.Exemple de série unimodale Attention : certaines séries statistiques peuvent avoir plusieurs modes.

Dans l’exemple précédent.425 + 1. Ainsi la moyenne pondérée est égale à la somme des produits de chaque valeur par l’effectif associé divisée par le nombre de valeur selon la formule suivante : Formule de la moyenne arithmétique pondérée Le calcul de la moyenne pondérée est illustrée par le tableau suivant qui reprend l’exemple de la taille des Français : Calcul de la moyenne pondérée La Médiane La médiane d’une série statistique est la valeur de la variable pour laquelle les effectifs associés respectivement aux valeurs supérieures et inférieures sont égaux. Elle se situe simplement au milieu de l’intervalle de variation de la variable.   8  .70 à 1.75.475 + .. La moyenne arithmétique pondérée tient compte de l’effectif associé à chaque valeur en pondérant cette valeur par cet effectif.325 + 1. On obtient une taille moyenne de 1.125 et en divisant le résultat par 17 le nombre de classes.725 c’est à dire le milieu de la classe 9 (1. + 2.375 + 1.075 + 2.. La moyenne arithmétique pondérée La moyenne arithmétique précédente (dite "simple") ne tient pas compte le la répartition de la population en fonction de la valeur de la variable. la valeur moyenne (ici la taille moyenne) est obtenue en additionnant les tailles centrales des différentes classes : 1.

On peut déterminer graphiquement la valeur de la médiane en traçant les courbes des cumuls des effectifs respectivement en valeurs croissante et décroissante comme le montre le tableau et le graphique suivant : détermination graphique de la médiane     9  .

63 cm :   10  . Dans notre exemple. Par définition.  3 . On considère la valeur absolue des écarts car on ne souhaite pas différentier les valeurs inférieures des valeurs supérieures à la moyenne.Caractéristiques de dispersion Intervalle de variation L’intervalle de variation appelé aussi "étendue" est la différence entre la valeur la plus élevée et la plus faible de la variable statistique. Cette dispersion fait l’objet de l’écart moyen et de l’écart type. on évalue l’écart par rapport à la valeur moyenne.30 m = 0. Néanmoins.Caractéristiques de dispersion des séries statistiques 2 . Ecart moyen Pour chacune des valeurs. On peut ainsi caractériser des séries statistiques en terme de plus ou moins grande étendue de variation.15 m . cette valeur vaut : 2.85 m. On peut évaluer l’écart moyen de la taille des français avec un résultat de 14. la moyenne arithmétique simple se situe au milieu de l’intervalle de variation. L’écart moyen est la moyenne des valeurs absolues des écarts de l’ensemble des valeurs par rapport à la moyenne (voir schéma ci-dessous). il s’agit d’une grandeur beaucoup moins significative que les caractéristiques qui expriment la dispersion des valeurs par rapport à la valeur moyenne.1.

Au lieu d’utiliser des valeurs absolues.Exemple de calcul d’écart moyen Une seconde méthode permet de caractériser l’écart de dispersion. on procède à l’élévation au carré de chaque écart individuel ce qui permet de rendre positifs tous les écarts. L’utilisation du carré des écarts permet d’annuler la compensation due aux sugnes des écarts. Physiquement. Variance et écart -type La variance d’une série statistique est donc la moyenne arithmétique des carrés des écarts des valeurs par rapport à la valeur moyenne. L’écart-type est égal à la racine carré de la variance. La moyenne de ces écarts sera la variance dont la racine carré donnera l’écart-type. La variance et l’écart-type sont donnés par les formules suivantes : Formules de la variance et de l’écart-type Le tableau suivant applique à l’exemple précédent le calcul de la variance et de l’écart-type :   11  . la variance correspond au "taux de variation" de la variable étudiée. Il s’exprime dans l’unité de la grandeur qu’il caractérise.

On pourra comparer leurs dispersions en "normant" leurs écarts-types par rapport à leurs moyennes en calculant un coefficient de variation égal à l’écart-type divisé par la moyenne. il faut prendre garde à leur valeurs moyennes respectives. On peut corriger ce biais en multipliant l’écart-type biaisé par la formule suivante : Lorsque l’on veut comparer la dispersion de deux séries statistiques. Dans la pratique l’écart-type sous-estime légèrement l’écart des données par rapport à la moyenne notamment pour les tailles de population ou d’échantillon faible.   12  . On a un écart-type et une variance dits "biaisés".Exemple de calcul d’écart-type L’écart-type caractérise la dispersion de la série statistique autour de la valeur moyenne. Plus l’écart-type est élevé plus la disportion est forte.

  13  . on calcule le rapport entre P1 et P0 selon la formule : Indice t1/t0 = (P1 / P0) x 100 La multiplication par 100 permet de fixer une base de 100 à la valeur initiale P0. 2002 et 2003 font l’objet du tableau suivant : Indice des prix à la consommation Nota : La base 100 avait été fixée à 100 en février 1999. On peut considérer l’exemple de l’indice des prix à la consommation dont les variations en 2001.Définitions Définition de l’indice On appelle indice un valeur qui mesure l’évolution d’une grandeur dans le temps. Pout caractériser l’évolution d’une grandeur P qui avait la valeut P0 au temps t0 et qui a la valeur P1 au temps t1.Les indices statistiques  1 .

9 % Changement de base Si P0 est l’indice de base (100) en février 1999 (t0).On peut tracer l’évolution de cet indice pendant 3 ans : Graphique de l’évolution de l’indice Taux de variation On peut raisonner également en taux de variation relative (augmentation ou dimunution) exprimé en % grâce à la formule suivante : Taux de variation (t1/t0) = (Valeur à t1 .8 Janvier 2003 106.100) / 100 ] x 100 = 4. on peut écrire :   14  .8 .Valeur à t0) / Valeur à t0 x 100 On passe de l’indice au taux de variation ainsi : Taux = indice .100 Considérons dans le tableau précédent les valeurs P1 et P2 des indices respectivement en janvier 2002 (t1) et janvier 2003 (t2) : Janvier 2002 104.9 Le taux de variation atteint en janvier 2002 est égal à : [(104.8 % De la même façon en janvier 2003 on atteint un taux de variation de 6.

en remplaçant P1 et P2 dans (3) : Indice (t2/t1) = (Indice (t2/t0) x P0 /100) x 100) / Indice (t1/t0) x P0 /100 Soit en simplifiant : Indice (t2/t1) = (Indice (t2/t0)) / Indice (t1/t0) x 100) Application numérique : Indice (2003 / 2002) = 106.9 / 104.8 x 100 = 102 On remarque que les taux de variation ne s’additionne pas comme le montre le schéma cidessous : Changement de base Attention : les taux de variation ne s’additionne pas.Indice (t1/t0) = (P1 x 100)/P0 (1) Indice (t2/t0) = (P2 x 100)/P0 (2) Si l’on veut prendre comme nouvelle base janvier 2002. on évalue l’indice de P2 ainsi : Indice (t2/t1) = (P2 x 100)/P1 (3) Grâce à (1)et (2) on peut déduire que : P2 = Indice (t2/t0) x P0 /100 P1 = Indice (t1/t0) x P0 /100 Soit. Deux augmentation successives de 20 % ne donne pas au final une augmentation de 40 % mais de 44 % !   15  .

9 Jean-Claude a été augmenté 4 fois aux mois de janvier 2000.4546 % Intuitivement on comprend mieux la différence en considérant des pourcentages beaucoup plus élevés.545 Le salaire de Jean-Claude vaut maintenant (en euros constants) : (S x 1. En effet. Jean-Claude a été embauché en février 1999. le pourcentage de variation à prendre en compte est de (100 -106..545 / 100 = S x 1. 2002 et 2003 Son salaire initial S est devenu : S x 1. Quand on passe de 100 à 150 on note une augmentation de + 50 %. Il a été augmenté de 4 % chaque année au mois de janvier.Comment tenir compte de l’inflation . mais quand de 150 on redescend à 100. soit.986 % (10. On demande quelle a été l’augmentation réelle de son pouvoir d’achat entre le moment de son embauche et janvier 2003 (juste après son augmentation)..O4 = S x 1. c’est une diminution de seulement 33 % (150 .4 %.O4 x 1. il faut prendre 100 comme base en 2003 et calculer l’indice correspondant en 1999.2 .Exercices pratiques Exercice 1 .9 x 100 = 6.09435 Son pouvoir d’achat réel n’a donc augmenté que de 9.9 % de l’augmentation de salaire 16. Incontournable !   16  .9 x 100 = 93. Attention : La simple déduction du pourcentage d’inflation 6. comme l’on souhaite tout ramener en 1999. Indice 1999/2003 = Indice 1999/1999 / Indice 2003/1999 x 100 = 100 / 106.16986) x 93.16986.O4 x 1.9) / 106.O4 x 1.08 %) ne donne pas une réponse exacte. à la valeur réelle qu’il avait en 1999.100)/150. On trouve dans le tableau de l’article précédent les indices des prix qui seront être utiles : février 1999 : 100 janvier 2003 : 106. 2001. Il a donc été augmenté d’environ 17 % (en euros courants). Si l’on souhaite ramener ce salaire de 2003.

Le taux de variation est de 200 %. On négligera l’inflation dans cet exercice. Vous notez que votre chiffre d’affaire a vu sa valeur tripler.Exercice 2 .246 Le taux de croissance moyenne annuelle a donc été de 24. Si C est le taux de croissance moyenne.Calculer une croissance moyenne dans le temps Vous faites le bilan de votre entreprise sur 5 ans. On a donc (1 + C)5 = 3 D’où 1 + C = 31/5 = 1. Vous aimeriez connaître votre croissance moyenne annuelle.6 %   17  . On peut déjà calculer l’indice de variation en 5 ans qui est de 300. on peut calculer le taux de croissance au bout de 5 ans qui est : (1 + C) x (1 + C) x (1 + C) x (1 + C) x (1 + C) = (1 + C)5.246 et C = 0.

on est souvent amené à évaluer une tendance à partir d’un ensemble de données.Ajustement statistique 1 . On dispose par exemple des chiffres donnant l’évolution du chiffre d’affaire sur plusieurs années (voir schéma ci-dessous).Différentes méthodes d’ajustement Dans le domaine commercial. Il serait intéressant de déterminer la tendance et éventuellement de caractériser l’évolution par une formule mathématique qui permettrait de faire des prévisions. Plusieurs méthodes sont utilisables : Méthode des points extrêmes Méthode des doubles moyennes (méthode de Mayer) Méthode des moindres carrés   18  .

Voir ci-dessous l’exemple de l’évolution du chiffre d’affaire : Les coordonnées des deux points sont les suivants : (x1 = 1999 .x + b avec a = 8 et b = .Méthode des points extrêmes La méthode des points extrêmes est la plus simple (simpliste ?) des méthodes d’ajustement. (y-y1) x (x2-x1) = (y2-y1) x (x-x1) soit en simplifiant : Formule de la forme y = a. Elle consiste à relier par une droite les deux points les plus extrêmes. y) avec les deux points extrêmes.15977 Prévisions : On peut extrapoler la droite précédente pour avoir une prévision du chiffre d’affaire pour l’année 2005 : y = 8 x 2005 .15977 = 63 M€ On voit immédiatement les limites de cette méthode dont le seul avantage est la simplicité. y2 = 55 M€) On peut déterminer l’équation de la droite qui passe par ces deux points en exprimant l’alignement d’un troisième point (x . La droite n’a que peu de chance d’être "centrée" dans le nuage de points puisqu’elle ne prend en compte que les coordonnées de deux d’entre-eux.2 .   19  . y1 = 15 M€) (x2 = 2004 .

Méthode des doubles moyennes La méthode des doubles moyennes ou méthode de Mayer consiste à partager les données en 2 groupes d’égale importance.67 = 47. Le schéma suivant illustre le procédé : Les coordonnées des deux points-moyens sont : M1 : x = 2000 .89 x 2005 . Elle est en fait intermédiaire entre cette dernière méthode et la méthode des moindres carrés   20  . y = 38 L’équation de la droite qui passe par ces deux points est la suivante : y = 4.67 La prévision pour le chiffre d’affaire donne donc : 4. puis à déterminer le point moyen de chacun des groupes.3 . y = 22. On trace alors la droite passant par ces deux points.3 M2 : x = 2003 .9756.8 M€ Cette méthode constitue donc une amélioration par rapport à la méthode des points extrêmes.9756. Les coordonnées des points moyens sont obtenues en moyennant respectivement les abscisses et les ordonnées des points de chaque groupe.89 x .

Méthode des moindres carrés La méthode des moindres carrés consiste à trouver la droite qui minimise la somme des carrés des distances entre chaque point et la droite. on démontre que les coefficients qui minimisent la somme des carrés des distances sont les suivants : En reprenant l’évolution du chiffre d’affaire traité précédemment on obtient les résultats suivants :   21  . Cette méthode est illustrée par le schéma suivant : Si la droite cherchée a comme équation y = ax+b.4 .

On peut alors utiliser les formules précédentes de l’ajustement linéaire.ax. Ajustement par une fonction puissance Si les deux variables présentent des variations géométriques.Ce qui donne le tracé de la droite des moindres carrés correspondante : Vous trouverez sur ce site un graphique interactif illustrant la méthode des moindres carrés.   22  . Ajustement exponentiel Lorsque l’on constate que l’une des variables observées varie de façon géométrique. on ajuste les données par une fonction puissance de la forme : y = b. on peut utiliser à la place de la droite des courbes non linéaires telles que les fonctions exponentielles ou les fonctions mettant en jeu des puissances. Généralisation à d’autres courbes d’ajustement Lorsque l’on doit traiter des phénomènes non linéaires.xa) = Log b + a.xa On ramène alors la fonction à un ajustement linéaire par un changement de variable logarithmique : Log y = Log (b.Log a. on ajuste les données par une fonction exponentielle de la forme y = b. On peut alors utiliser les formules de l’ajustement linéaire présentées précédemment.ax) = Log b + x.Log x. On se ramène alors à un ajustement linéaire par le biais d’un changement de variable logarithmique : Log y = Log (b.

création de nouveaux produits.Notions de probabilité  1 .Introduction Notion de probabilité Le calcul des probabilités consiste à mesurer l’apparition ou la non-apparition de certains événements. ou un autre chiffre sorte. intuitivement. pronostics électoraux. si l’on jette un dé. il y a 1 chance sur 6 que le 6. etc. assurances. Supposons que l’on tire successivement des cartes dans un jeu de 32 cartes sans remettre les cartes en place après chaque tirage. Par contre. A chaque nouveau jet. mécanique ondulatoire. les paris restent ouverts avec la même probabilité qu’avant le jet précédent. il existe des événements dont la réalisation affecte la probabilité des autres événements. Par exemple. Pour ce faire. A l’inverse. cette probabilité s’exprime par un nombre toujours compris entre 0 et 1. On évalue la probabilité qu’une condition se réalise en divisant le nombre de cas qui sont favorables à cette condition par le nombre de cas total. 1 correspond à une probabilité de 100 % (celle par exemple qu’un dé normal tombe sur un chiffre compris entre 1 et 6). on pressent qu’il y a une chance sur 6 pour que le dé tombe sur 6. résultats successivement obtenus en jetant un dé. Evénements dépendants ou indépendants On considère que deux événements sont indépendants lorsque la réalisation de l’un n’affecte en rien la probabilité de réalisation de l’autre. Par exemple. Il a une importance fondamentale dans tous les problèmes de prévision : jeux de hasard. nous avons supposé que chaque position du dé avait la même chance de succès (on dit que les positions sont équiprobables) et que puisqu’il y a 6 faces à un dé. Quelle est la probabilité que l’on tire le roi de coeur au   23  . il n’est pas possible de prédire à coup sûr que le dé va tomber sur le 6. recherche opérationnelle. météorologie. 0 correspond à une probabilité nulle (celle par exemple qu’un dé normal tombe sur un 7).

Probabilités composées Les probabilités composées permettent d’évaluer la probabilité d’une combinaison d’événements dont on connait individuellement les probabilités. Quelle est la probabilité de tirer le roi de coeur vert ? Probabilité de tirer un roi de coeur = 2 rois de coeur / 64 cartes = 1/32 Probabilité de tirer une carte verte = 32 cartes vertes /64 cartes = 1/2 Probabilité de tirer le roi de coeur vert = 1/32 x 1/2 = 1/64 On vérifie qu’en divisant le nombre de cas favorables (un seul roi de coeur vert) par le nombre de cas possibles (64 cartes) on trouve également 1/64. je dispose dans une urne d’un lot de 2 boules rouges et 4 boules noires... La probabilité de tirer successivement 2 boules rouges est donc de : 1/3 x 1/5 = 1/15. quelle est la probabilité que je tire les 2 boules rouges d’emblée ? Lors du premier tirage.premier tirage ? C’est 1/32. Par exemple. l’un vert l’autre jaune. quelle est la probabilité qu’on le tire au deuxième tirage ? Cela n’est plus 1/32. la probabilité de tirer une autre boule rouge au second tirage est de : 1/5 puisqu’il n’y a plus qu’une boule rouge et 4 boules noires dans l’urne. Si j’ai bien tiré une boule rouge. mais 1/31. On parle de probabilité conditionnelle quand on évalue la probabilité d’un événement E2 sachant que E1 s’est réalisé. Supposons que l’on dispose de deux jeux de 32 cartes. etc . Si ce roi n’a pas été tiré. Si les tirages se font sans remettre les boules dans l’urne. Cas d’événements indépendants La probabilité qu’un événement E1 se produise et qu’en même temps l’événement E2 se produise aussi est égale au produit des probabilités de chacun des événements. la probabilité que l’un des deux événements se produise est égale à la somme des probabilités individuelles de ces événements. la probabilité de tirer une boule rouge est de : 2/6 = 1/3. On les mélange en les brassant.   24  . Probabilités totales Etant donné les probabilités de réalisation des événements E1 et E2. Cas d’événements dépendants La probabilité qu’un événement E1 et E2 indépendants se produisent ensemble est égal à la probabilité que E1 se produise multipliée par la probabilité conditionnelle que E2 se produise après que E1 se soit produit.

x (n-1) x n Attention : les combinaisons s’entendent sans tenir compte de l’ordre des p éléments (la combinaison 1.. Soit un lot de n objets distincts et repérables.Par exemple.wanadoo.. 2/45 et 1/44. Au deuxième tirage. la probabilité d’avoir un bon numéro est de : 4 / 47. un 4 ou un 6. 4 est la même que la combinaison 2. Combien existe t’il de combinaisons différentes d’objets pris p par p. Au troisième tirage. la probabilité que vous ayez un bon numéro est de : 6 / 49. consultez le site personnel suivant : http://perso. 3. Ainsi on obtient les probabilités suivantes : 6/49. 3/46. la probabilité qu’un jet de dé donne un résultat pair est égal à la somme des probabilités d’obtenir un 2. Ppair = 1/6 + 1/6 + 1/6 = 1/2 Quelques exemples pratiques Exemple 1 . et 48 parce qu’il ne reste plus que 48 boules dans l’urne. Ce nombre est donné par la formule de combinaison de p parmi n : Cpn ) = n ! / p ! x (n -p) ! avec n ! = 1 x 2 x 3 x 4 x . la probabilité d’avoir à nouveau un bon numéro est de : 5 / 48 (5 parce qu’il ne me reste que 5 numéros en jeu.fr/cyberscargo.Sauriez-vous calculer la probabilité de gagner au loto avec les 6 numéros ? Rappelons qu’il y a 49 numéros dans l’urne du loto. La probabilité composée est le produit de ces 6 probabilités individuelles soit : P = (6 x 5 X 4 x 3 x 2 x 1) / (49 x 48 x 47 x 46 x 45 x 44) = 1 / 13 983 816 C’est donc bien une chance sur 14 millions ! Si vous êtes intéressé par tout ce qui tourne autour des probabilités autour du loto. 4). 5/48. 4/47.. 2.   25  . Ce calcul un peu laborieux est formalisé par ce qu’on appelle l’analyse combinatoire qui permet de dénombrer le nombre de combinaisons d’objets. Au premier tirage.. 1. 3.

Dans le premier cas (4). avec pour chacun d’eux une probabilité de 1/6 x 2 (une chance par dé). 1-4-2 et 1-2-4. il faut partir des 3 cas favorables précédents. Exemple 2 : le jeu de 421 Quelle est la probabilité de gagner au 421 en 3 jets de dé ? Le tableau suivant donne le cheminement pour atteindre le succès en 3 coups : Probabilité de succès au 421 en 3 coups Au premier lancer de dé. Au total. Si l’on a joué une seule combinaison de 6 chiffres.Dans notre calcul précédent .. soit globalement une probabilité de succès de 6/36 = 1/6. un 2 ou un 1 avec pour chacun une probabilité de 1/6 x 3 (une chance par dé). il s’agissait de calculer le nombre de combinaisons de 6 chiffres parmi 49 chiffres sans tenir compte de l’ordre dans lequel les boules tombent. on dénombre 6 voies possibles pour arriver au suuccès : 4-2-1. il y a 3 cas qui peuvent conduire au succès : obtenir un 4. Au troisième lancer. on n’a plus qu’une chance sur 6 d’obtenir le numéro manquant.   26  . Au deuxième lancer qui ne met plus en oeuvre que 2 dés. avec pour chacun d’eux une probabilité de 1/36.. 2-4-1. soit : C649 ) = 49 ! / 6 ! x (49 -6) ! = 49 ! / 6 ! x 43 ! C649 ) = 49 x 48 x x 43 x 42 x 41 x .. x 3 x 2 x 1) Soit en simplifiant : C649 ) = (49 x 48 x 47 x 46 x 45 x 44) / (6 x 5 x 4 x 3 x 2 x 1 ) = 13 983 816. x 3 x 2 x 1) / (6 x 5 x 4 x 3 x 2 x 1 ) x (43 x 42 x . la probabilité d’avoir la bonne est de 1 divisé par le nombre de combinaisons.. 2-1-4. 4-1-2. il n’y a plus que 2 cas favorables (obtention d’un 2 ou d’un 1). avec un dé unique.

Caractéristiques On peut caractériser une variable aléatoire de plusieurs façons : Par la loi de probabilité C’est la relation qui associe à chaque valeur de la variable la probabilité attribuée à cette valeur.Notion de variable aléatoire Définition Une variable est une variable aléatoire quand on peut attribuer à chaque valeur que peut prendre cette variable une probabilité connue. Comme pour les variables statistiques. Par l’espérance mathématique L’espérance mathématique est la moyenne arithmétique des différentes valeurs pondérées par la probabilité associée. les variables aléatoires peuvent être : discrètes (par exemple les valeurs indiquées par un dé). continues lorsqu’elles peuvent prendre toutes les valeurs dans leur intervalle de variation.   27  .2 .

  28  .Par la fonction de répartition La fonction de répartition donne la probabilité qu’une variable soit inférieure à une valeur donnée. Exemples de fonction de répartition On interprête la fonction de répartition des tailles ci-dessus en notant par exemple que 80 % des Français ont une taille inférieure ou égale à 80 %.

  29  . et la normer par rapport à l’écart-type.1). Elle se formule mathématiquement assez simplement à partir de ces deux paramètres : L’allure de la courbe représentant la loi normale est la suivante : Exemple de loi normale avec moyenne = 12 et écart-type = 3 Loi normale centrée réduite Pour "centrer" la courbe précédente.m)/ sigma suit la loi normale centrée réduite : N (0 . sigma) alors la variable aléatoire T = (X . C’est donc une courbe en forme de "cloche" comme celle de la répartition de la taille des Français. La loi normale se caractérise essentiellement par la moyenne et l’écart-type de la distribution. il suffit d’effectuer le changement de variable suivant qui fixe l’origine des abscisses au droit de la moyenne : T = (X . On démontre que si une variable aléatoire X suit une loi normale N (m .moyenne) /écart-type On obtient alors la loi normale centrée réduite. Cette loi caractérise des grandeurs qui se répartissent autour d’une valeur moyenne avec des probabilités qui diminuent de manière symétrique à mesure que l’on s’éloigne de la moyenne.Loi normale ou loi de Laplace-Gauss Présentation La loi normale a été proposée par Pierre-Simon Laplace (1749-1827) dans son ouvrage : Théorie analytique des probabilités.3 .

On a superposé ci-dessous. les courbes de la fonction de répartition et de la loi normale réduite centrée :   30  . On utilisera d’ailleurs plus facilement la fonction de répartition qui calcule la probabilité qu’une variable ait une valeur inférieure à une valeur donnée.L’équation de la loi normée réduite devien la suivante : L’allure de la courbe normée est la suivante : Loi normale centrée réduite Cette loi normée sera d’une utilisation beaucoup plus facile et on trouvera des tables qui permettent d’évaluer facilement les probabilités associées à certains valeurs ou plage de valeurs de la variable.

  31  .Loi normale centrée réduite et fonction de répartition On note que la courbe de la fonction de répartition coupe l’axe des ordonnées avec la valeur 0. La probabilité que la variable ait une valeur inférieure à la moyenne est donc de 50 % ce qui confirme la symétrie de la loi normale par rapport à la moyenne.5.

4 .Table de la loi normale et utilisation Propriétés de la loi normale La loi normale qui rend compte de beaucoup de phénomènes aléatoires est largement utilisée par l’intermédiaire. de la fonction de répartition associée. Le tableau suivant donne les valeurs de cette fonction pour les valeurs supérieures à 0 donc au delà de la valeur moyenne : Table des valeurs de la fonction de répartition La loi normale posséde plusieurs propriétés utilisables lors de son exploitation et qui sont illustrées par la figure suivante :   32  . notamment.

Propriété 2 : La probabilité globale étant de 1. la probabilité qu’une valeur soit supérieure à une valeur donnée (T0) est égale au complément à 1 de la probabilité que cette valeur soit inférieure à cette valeur. Propriété 3 : Considérant deux valeurs symétriques par rapport à la moyenne.Propriétés de la fonction de répartition de la loi normale Propriété 1 : La loi normale est symétrique : il y a autant de valeur inférieure que supérieure à la moyenne.T0) est égale à la probabilité que la valeur soit supérieure à la valeur positive (+ T0). La figure ci-dessous illustre cette dispersion : Caractérisation de la dispersion de la loi normale normée réduite Ainsi il peut être intéressant de garder en tête les chiffres suivants : 68 % des valeurs sont comprises dans la plage ±1 écart-type 95 % des valeurs sont comprises dans la plage ±2 écart-types   33  . les probabilités que la valeur soit inférieure à la valeur négative (. Caractéristiques de dispersion de la loi normale Il est intéressant de caractériser la dispersion de la loi normale en évaluant quelle est la proportion de valeurs comprises dans une plage centrée sur la moyenne et dont la taille est exprimée en écart-type.

69. 95 ou 99 %) de couvrir cette population.2451 soit 24. Nous lisons dans la table. On peut généraliser avec la formule : p(T>+T0) = 1 .7549 = 0.69 et + 2. On y lit que pour la valeur 2. On utilisera la symétrie de la loi normale (propriété 3) en écrivant que la probabilité qu’une valeur soit inférieure à .57 ? La table de la fonction de répartition nous donne les probabilités inférieures à une certaine valeur.7549.0. après un sondage.9949 = 0.p(T<+T0) Exemple 2 : Quelle est la probabilité qu’une valeur soit supérieure à la valeur négative .0. cette probabilité vaut 0.0. La probabilité recherchée est donc égale à 1 .p(T<+T0) Exemple 4 : Quelle est la probabilité qu’une valeur soit comprise entre les valeurs 0. Pour 0.69 ? La table précédente ne nous donne que les probabilités associées aux valeurs positives.69 est égale à la probabilité des valeurs inférieures à + 0.51 %.69.9949. La propriété 2 nous permet de dire que la probabilité qu’une valeur soit supérieure à 2. une plage de valeurs pour un contact. Soit en généralisant : p(T>-T0) = p(T<+T0) Exemple 3 : Quelle est la probabilité qu’une valeur soit inférieure à la valeur négative -0. Exemple 1 : Quelle est la probabilité qu’une valeur soit supérieur à 2.57.51 %.57 ?   34  .0.7549. Soit en généralisant : p(T<-T0) = p(T>+T0) = 1 . la probabilité correspondante de 0.57 est : 1 . la table nous donne une probabilité de 0.69 est égale à la probabilité qu’une valeur soit supérieure à + 0.0051 soit 0. un mailing ou autre en se donnant une probabilité donnée (68.69.69 ? La propriété 3 (symétrie de la loi normale) nous permet d’écrire que la probabilité des valeurs supérieures à .99 % des valeurs sont comprises dans la plage ±3 écart-types Exemples d’utilisation de la loi normale Cela pourra servir à sélectionner.0.

0.0.57. On prendra la valeur intermédiaire de 0. Les exemples 1 et 3 ont déjà permis de calculer ces 2 probabilités soit : P = 0. c’est à dire 15 % en deçà et 15 % au-delà de cette moyenne. il convient d’effectuer un petit raisonnement : Nous souhaitons couvrir 30 % de la population centrée autour de la moyenne.0.   35  .cette probabilité se calcule en retranchant de la probabilité que la valeur soit inférieure à 2. La table nous donne pour 65 % la valeur de la variable comprise entre 0. la probabilité que cette valeur soit inférieure à . comme la table ne donne que les valeurs au-delà de 50 %.69.385 à + 0. la probabilité correspondante. Néanmoins.P(T < T0) Exemple 5 : Quelle est la plage de valeurs que l’on doit retenir pour être sûr qu’une proportion donnée des valeurs y soit contenue ? C’est la problématique inverse des exemples précédents. si un fabricant de prêtà-porter veut vendre ses produits à 30 % de la population quelle plage de tailles doit-il couvrir ? Il suffit de rechercher dans la table de la fonction de répartition.7498 Soit en généralisant : P (T0 à T1) = P(T < T1) .385 autour de la moyenne.9949 .385 et la plage à sélectionner ira de .38 et 0. Cette plage couvre donc des probabilités de 35 à 65 %. Par exemple.39.2451 = 0.

On extrait avec remise en jeu un échantillon aléatoire de taille n parmi cette population. On procède alors par un sondage sur une partie seulement de la population.Echantillonnage avec remise (non exhaustif) Soit une population N dont une propriété présente une moyenne m et un écart-type s. Théorèmes Caractéristiques de la moyenne de l’échantillon 1 . On parle dans ce cas d’échantillonnage aléatoire. Remarques : Une population finie (dénombrable) sur laquelle on procède à un échantillonnage non exhaustif (on remet les éléments extraits dans la population se comporte comme une population infinie. C’est ce que l’on appelle un échantillon. Dans le cas inverse (on ne remet pas en jeu chaque élément extrait) l’échantillonnage est dit exhaustif. Ecart-type :   36  .Définitions et théorèmes Définitions La plupart du temps. Echantillonnage aléatoire Pour qu’un échantillon soit représentatif de la population. On démontre que la moyenne de tels échantillons est elle-même une variable aléatoire qui suit approximativement une loi normale ayant les caractéristiques suivantes : Moyenne = la moyenne de la population (m). il faut que chaque élément de la population ait les mêmes chances d’appartenir à l’échantillon. Un échantillonnage exhaustif (on ne remet pas en jeu les éléments extraits) portant sur une population très grande (vis à vis de la taille de l’échantillon) est considérée comme non exhaustif. Echantillonnage exhaustif Lors de l’échantillonnage. si chaque élément extrait est remis dans la population après relevé de ses caractéristiques. il est impossible économiquement d’étudier une population dans son intégralité. on parle d’échantillonnage non exhaustif.Echantillonnage statistique  1 .

  37  .Echantillonnage sans remise (exhaustif) Quand on ne peut remettre les éléments extraits. l’écart-type de la moyenne de l’échantillon vaudra : 1/5. Dans la pratique.18. La figure suivante compare les distributions de la population initiale et de la moyenne des échantillons : Il s’agit d’un écart-type faible qui donnera une bonne précision dans l’évaluation de la valeur de la moyenne. l’écart-type de la moyenne est obtenu par la formule : ATTENTION : dans ce qui précède il ne faut pas confondre l’écart-type (s) de la population étudiée de l’écart-type de la moyenne calculée sur l’échantillon. on considère que n est grand au-delà de 30. Caractéristiques des proportions Considérons une population dont une certaine proportion (p) d’éléments possède une certaine propriété. Dans ce cas.On vérifie que plus la taille de l’échantillon (n) est grand plus l’écart-type de la moyenne est faible.48 Si l’on considère la loi normale normée réduite de la population (écart-type = 1). on a n1/2 = 301/2 = 5. 2 . ce qui implique que plus l’incertitude sur la moyenne se réduit et se resserre autour de la moyenne. On aimerait connaître ce qu’il advient de cette proportion dans l’échantillon prélévé.48 = 0.

03. la proportion d’éléments possédant une propriété suit une loi normale ayant les caractéristiques suivantes : Moyenne : la proportion initiale.0. imaginons un échantillon de 100 personnes parmi une population dont 10 % mesurent plus de 1m80. on trouvera 68 % des valeurs de la proportion.On démontre que dans tout échantillon aléatoire de taille suffisante avec remise en jeu. on obtient un écart-type de la proportion dans l’échantillon égal à : 0.13].07 . Ecart-type : Par exemple. Cela signifie que dans une plage à ± 1 sigma autour de la proportion moyenne. c’est à dire dans l’intervalle [0. cela signifie que pour doubler la précision il faut multiplier la taille de l’échantillon par 4 !   38  . On note également que la précision augmente quand la taille de l’échantillon augmente mais en proportion de la racine de cette taille.

La fonction de répartition associée à la loi normale permet d’évaluer l’intervalle à considérer pour obtenir le taux de confiance recherché.   39  . de préférer l’estimation par intervalle de confiance Estimation ponctuelle 1 ..Ecart-type On prend comme meilleur estimée de l’écart-type de la population-mère. On remarque que la probabilité qu’une estimation ponctuelle soit parfaitement exacte est .Proportion de la même façon. 2 . nulle. on considère que la moyenne d’un échantillon prélevé est la meilleure estimation ponctuelle de la moyenne de la population-mère.2 . ou enfin voisine de zéro. C’est le problème inverse de l’échantillonnage. On dispose de renseignements sur un ou plusieurs échantillons et on cherche à connaître des informations sur la population-mère. 3 . On peut faire deux types d’estimation : L’estimation ponctuelle qui consiste à proposer une valeur pour la grandeur considérée..Moyenne D’une manière générale. la proportion relevée parmi l’échantillon. on prendra comme estimée ponctuelle de la proportion d’éléments de la population-mère possédant une certaine propriété. L’estimation par intervalle de confiance qui donne la probabilité que la grandeur soit comprise dans un intervalle donné. la valeur suivante : Estimation par intervalle de confiance La valeur à estimer est une variable aléatoire dont on peut estimer les caractéristiques.Estimation à partir d’un échantillon Introduction L’estimation consiste à donner la valeur la plus probable d’une grandeur. Il y a donc lieu quand c’est possible.

à lire sur la courbe précédente l’intervalle normé à considérer.   40  .975 ce qui correspond à la plage [-1.1 En inversant la formule. on a évalué la probabilité que la moyenne soit comprise dans l’intervalle [-X :+X].95 + 1)/2 = 0. que la variable ait une valeur inférieure à la valeur X.96] La courbe suivante donne la variation de l’intervalle à considérer en fonction du taux de confiance requis : L’estimation consistera à se donner un taux de confiance.1 d’où P(table) = (P(plage) + 1) / 2 Par exemple. si l’on souhaite un taux de confiance de 95 %.(1 . Cette valeur vaut : 1 .Dans la figure ci-dessus. P(X) . P(plage) = 2 x P(table) . sur la courbe de gauche.P(X)) = 2. Sur la courbe de droite.P(X). Il suffira de multiplier ce chiffre par l’écart-type de la distribution pour obtenir l’intervalle à prendre en compte.(1 . lue dans la fonction de répartition. on calcule la valeur qu’il faut lire dans la table de la fonction de répartition pour que la probabilité que la variable soit dans la plage [-X :+X]. on appelle P(X) la probabilité.P(X)) .+1.96 . la valeur à lire dans la table est : (0. La probabilité que la variable soit supérieure à X est naturellement 1 .

1. On obtient alors l’intervalle à prendre en compte : Exemple : Soit un échantillon de 100 personnes dont les tailles ont donné une moyenne de 1m75 et dont l’écart-type des tailles est égal à 0m13. 1. on obtient l’écart-type par la formule suivant : Dans la cas d’un échantillonnage exhaustif.Evaluation de l’intervalle à considérer On se donne alors un taux de confiance qui par lecture dans la courbe précédente nous donne un coefficient t. la proportion mesurée dans l’échantillon. Ce n’est évidemment qu’une valeur approchée sur laquelle on ne peut avoir aucun taux de confiance connu.13 m / 1OO1/2 = 0.013 m L’intervalle à prendre en compte est dont le suivant : [1. c’est la formule suivante qui s’applique : 2 .3. Estimation ponctuelle Comme pour la moyenne.3 x 0. on prendra pour valeur estimée d’une proportion dans la population-mère.013 . pour un taux de confiance de 80 %.1 .Evaluation de l’écart-type de la moyenne à estimer Dans le cas d’un échantillonnage indépendant (non exhaustif). un intervalle de : 1. à partir de l’échantillon.013] soit [1.75 + 1. d’estimer la proportion d’éléments de la population qui ont une propriété donnée.75 . Estimation par intervalle de confiance On suit le même cheminement que pour la moyenne :   41  .3 x 0.7669 m] 2 .7331 m . On calcule maintenant l’écart-type de la moyenne dans le cas d’un échantillon indépendant : 0.1. Dans quelle plage de taille doiton considérer cette moyenne pour avoir un taux de confiance de 80 % ? La courbe donnée plus haut nous indique.Moyenne 1 .Proportion Il s’agit.

On obtient alors l’intervalle à prendre en compte : Exemple : Dans le même échantillon que précédemment.1 x 0. Quelle est la proportion estimée pour la population-mère avec un taux de confiance de 95 % ? La courbe donnée plus haut nous indique. on a évalué que 10 % des personnes dépassaient 1m80.96.1 + 1.9 / 100)1/2 = 0.1 . 0.1.96 x 0. pour un taux de confiance de 95 %. on obtient l’écart-type par la formule suivant : Dans la cas d’un échantillonnage exhaustif.03] soit [0. On calcule maintenant l’écart-type de la moyenne dans le cas d’un échantillon indépendant : (0.0412 .03 L’intervalle à prendre en compte est dont le suivant : [0.03 .   42  . 0.1588] La proportion dans la population-mère est donc comprise entre 4 et 16 %.96 x 0. c’est la formule suivante qui s’applique : 2 .Evaluation de l’écart-type de la proportion à estimer Dans le cas d’un échantillonnage indépendant (non exhaustif).Evaluation de l’intervalle à considérer On se donne alors un taux de confiance qui par lecture dans la courbe précédente nous donne un coefficient t.1 .00091/2 = 0. un intervalle de : 1.

Dans les formules suivantes on appelle : N : la taille de la population-mère. Les taux de confiance les plus utilisés et les coefficients de marge associés sont donnés dans le tableau suivant : Cas de l’échantillon indépendant (non exhaustif) La formule donnant la taille de l’échantillon minimum est la suivante : Cas de l’échantillon indépendant (non exhaustif) La formule devient la suivante :   43  . n : la taille de l’échantillon. Le taux de confiance que l’on souhaite garantir sur la mesure. t : le coefficient de marge déduit du taux de confiance. p : la proportion des éléments de la population-mère qui présentent une propriété donnée. 3 paramètres doivent être pris en compte pour la détermination d’une taille minimum d’échantillon : La marge d’erreur que l’on se donne pour la grandeur que l’on veut estimer. e : la marge d’erreur. Pour des raisons économiques. La proportion connue ou supposée dans la population-mère. il est nécessaire d’utiliser une taille d’échantillon la plus réduite possible tout en obtenant un taux de confiance suffisant.3 .Taille d’un échantillon La taille de l’échantillon a une influence fondamentale sur la précision des estimations réalisées sur les caractéristiques de la population-mère.

052 = 384 Utilisation d’abaque On trouve dans la littérature technique différents types d’abaque qui permettent d’évaluer la taille des échantillons.96.(1p) soit 0. deux approches sont possibles : Réaliser un pré-sondage sur un échantillon de petite taille pour avoir une approximation de cette proportion. Exemple : Calculer la taille d’un échantillon indépendant pour avoir une marge d’erreur de 5 % avec un taux de confiance de 95 % sur une population dont on ne connait pas la proportion.175 qui correspond à p = 0.L’application des formules précédentes suppose la connaissance de la proportion d’éléments de la population-mère sur lesquel porte l’étude. on prend la valeur moyenne soit 0. Si l’on veut avoir un majorant de la taille de l’échantillon.25. la proportion p est présente sous la forme de la fonction p.5. Le graphique suivant en donne un exemple :   44  . Le taux de confiance de 95 % nous donne un coefficient de marge t = 1.226. On peut écrire : n = (1.25 correspondant à p = 0. Dans les formules précédentes. on prend la valeur maximum de p. Prenons un majorant de la taille en prenant p.175. avec une moyenne de 0.(1-p) varie entre les valeurs 0 et 0. Si l’on veut une approche plus fine qui minimise l’erreur faite sur l’évaluation de la taille.25.25 / 0. Estimer au mieux cette proportion.(1-p) = 0.96)2 x 0.(1-p) dont on a représenté ci-dessous la variation : Le terme p.

Au point d’intersection avec la courbe choisie (par exemple taux de confiance = 95 %).Pour l’utiliser.1).   45  . Au point d’intersection avec la courbe choisie (par exemple p = 0. on trace une droite horizontale qui croise les courbes correspondant à la proportion dans la population-mère. élever une verticale qui croise les courbes correspondant à différents taux de confiance. on trace une verticale qui va croiser l’axe des abscisses en un point qui donne la taille de l’échantillon (dans notre exemple 60).2. fixer la valeur de l’erreur admissible (par exemple 0.

Etude d’une distribution statistique Enoncé Soit un chenil où vivent 4 chiens dont les masses (M)s sont les suivantes : 1 .Exercices pratiques Exercice 1 . l’écart-type et la variance.Quelle est la distribution de fréquence de M ? Calculer la moyenne.   46  . Combien y a t-il d’échantillons différents possibles ? Caractériser chaque échantillon par sa moyenne et sa variance corrigée. 3 .On sélectionne sans remise un échantillon de 2 chiens dans le chenil.Mêmes questions avec un échantillonnage de 2 chiens mais avec un tirage avec remise. 2 . Quelle est la distribution de la moyenne et de la variance calculées précédentes. Calculer la moyenne et l’écart-type de cette distribution.

(4-2) ! = 24 / 2 x 2 = 6 Caractériser chaque échantillon par sa moyenne et sa variance corrigée.Distribution statistique Il convient de corriger l’écart-type biaisé compte tenu de la taille de l’échantillon : 2 . La distribution statistique de la moyenne est établie ci-dessous : La distribution statistique de l’écart-type est la suivante :   47  . Le tableau suivant liste les échantillons et calcule pour chacun d’eux la moyenne et la variance : Quelle est la distribution de la moyenne et de la variance calculées précédentes.Corrigé 1 .Echantillonnage sans remise (n = 2) Combien y a t-il d’échantillons différents possibles ?) Le nombre de combinaisons est donné par la formule suivante (avec p = 2 et n = 4) : Soit Nombre de combinaisons = 4 !/2 !.

  48  .

17 / (1000)1/2 = 0.00538) .75 + (1. 1.(1. La taille moyenne mesurée sur l’échantillon est de 1m75 avec un écart-type de 0m17. Ce qui donne l’intervalle suivant : [1.Dans quel intervalle doit on inclure la moyenne si l’on veut la connaître avec un taux de confiance de 95 % ? Corrigé L’écart-type calculé sur la distribution de la moyenne se calcule par la formule suivante : Ce qui donne : 0.00538 L’intervalle de confiance à considérer s’obtient par la formule suivante : Le coefficient multiplicateur (t) vaut 1.96 x 0.7445 .00538)] soit [1.75 .Exercice 2 .96 pour un taux de confiance de 95 %.7605]   49  .Estimation de la moyenne Enoncé Soit un échantillon de la population française de 1000 personnes.96 x 0. 1.

on estime que 10 % de la population a une taille supérieure à 1m80.     50  . on peut donc écrire : t x 0.9)/n)1/2 = 0. On aimerait savoir avec quel taux de confiance on peut affirmer que cette proportion est comprise entre 8 et 12 %.00949 Le demi-intervalle de confiance vaut : t x écart-type.00949 = 2.00949 = 0.Estimation de proportion Enoncé Dans un échantillon de 1000 personnes.107 La courbe suivante peut être consultée pour en déduire le taux de confiance : On lit donc un taux de confiance égal à environ 96 %.02 d’où t = 0.Exercice 3 .02 / 0.1 x 0. Corrigé L’écart-type calculé sur une proportion est donné par la formule suivante : Cet écart-type vaut : ((0.

Sign up to vote on this title
UsefulNot useful