Statistique 3 (5009)

Y. ASKOURA, MCF Universit Paris 2.

L2 conomie-gestion, Paris II,

2015/2016

Statistique 3 (5009) 1 / 41
Contenu du cours :
1. Notion de probabilit : Modle probabiliste. Probabilit
conditionnelle. Thorme de Bayes. Indpendance.
2. Variable alatoire :
Variable alatoire discrte. Esprance, variance. Moments.
Variable alatoire continue. Fonction de rpartition, densit.
3. Lois usuelles :
Lois usuelles discrtes : Bernoulli, binmiale, Hypergomtrique,
Poisson, Pascal.
Lois usuelles continues : uniforme, exponentielle, normale,
gamma, khi-deux.
4. Lois empiriques :
chantillon. Moyenne et variance empiriques. Loi de Student. Loi
de Fisher-Snedecor.
5. Lois multidimensionnelles :
Couple de variables alatoires discrtes. Loi marginale. Loi
conditionnelle. Loi dune sommes. Couple de variables alatoires
continues
Statistique 3 (5009) 2 / 41
Bibliographie

Gilbert SAPORTA, Probabilits analyse des donnes et

statistique, Ed. Technip, Paris 2006.
Jean-Pierre Lecoutre, Statistique et probabilits-cours et
exercices corrigs, 5ime dition, Dunod, Paris 2012.
Jean-Pierre Lecoutre, TD statistique et probabilits, 5ime dition,
Dunod, Paris 2011.

Statistique 3 (5009) 3 / 41
Bibliographie

LB1/AND/S : Anderson, Sweeney et Williams, Statistiques pour

lconomie et la gestion", De Boeck.
LB1/PIL/P : A. Piller, Probabilits pour conomistes", Ed.
Premium.
LB1/LAL/P : C. Lalibert, Probabilits et statistiques", Ed. ERPI.
LB1/REA/P : J. P. Rau et G. Chauvat, Probabilits et
statistiques", Ed. Armand Colin.
LB1/GOL/P : B. Goldfarb et C. Pardoux, Introduction la
mthode statistique", Ed. Dunod.

Statistique 3 (5009) 4 / 41
Dnombrement
Permutation : suite ordonne de n objets :

Il y a Pn = n! possibilits

Exemple : de combien de faons peut-on disposer 10 personnes

sur 10 chaises alignes ? rponse : 10! = 1 2 3 ... 10 faons.
Arrangement : de k objets parmi n : permutation de k objets parmi
n

n!
Il y a Akn = possibilits
(n k )!
Exemple : Combien faut-il dpenser pour gagner srement au
Quint+ une course 10 chevaux ? (Quint+ : un pari=2e sur
les 5 premiers chevaux dans leurs ordres darrives) rponse :
10!
5! 2e
Exemple : Combien de mots composs de 10 lettres distinctes,
26!
peut-on former avec un alphabet de 26 lettres ? rponse : (2610)!
Statistique 3 (5009) 5 / 41
Dnombrement

Permutation avec rptition : suite ordonne de k objets parmi n

o un objet peut figurer plusieurs fois :

Il y a Pnk = nk possibilits

Exemple : Combien de mots de passe composs de 5 lettres,

peut-on former avec un alphabet de 26 lettres ? rponse : 265
Combinaison : un sous-ensemble de k objets parmi n :

n!
Il y a Cnk = possibilits
k !(n k )!

Exemple : Combien dquipes de football un entraneur peut-il

15!
former avec 15 joueurs ? rponse : 11!(1511)! = 12131415
1234

Statistique 3 (5009) 6 / 41
Probabilit, gnralits
Une exprience alatoire est une exprience dont on ne peut
prvoir par avance le rsultat.
Lensemble de tous les rsultats possibles (ou issues) est appel
univers ou ensemble fondamental, not gnralement
Exemple 1. On lance un d : lunivers est = {1; 2; 3; 4; 5; 6}
Un vnement est un sous-ensemble dissues. Souvent dsign
par une assertion logique concernant le rsultat de lexprience.
Dans lexemple 1, obtenir un nombre pair est un vnement, il
est gal A = {2, 4, 6}, il est ralis si lune des issues 2,4 ou 6
est obtenue.
Un vnement lmentaire consiste en un seul lment.
Lvnement contraire (ou complmentaire) dun vnement A,
not A est constitu de lensemble des issues non incluses dans
A. Si A est ralis, A nest pas ralis, et rciproquement. On note
aussi A = \ A. Noter que A = A.
Statistique 3 (5009) 7 / 41
 vnement certain =univers ,
vnement impossible=,
Soient A et B deux vnements,
A B : cest lvnement (A et B) ou lintersection de A et B,
A B : cest lvnement (A ou B) ou lunion de A et B,
A et B sont dit incompatibles ssi la ralisation de lun exclut la
ralisation de lautre, autrement A B = .
Autres oprations :

A\B = {x A : x
/ B}

AB = (A\B) (B\A)

Statistique 3 (5009) 8 / 41
Proprits
Chacune des oprations et est associative et commutative.
A (B C) = (A B) C, AB =BA
A (B C) = (A B) C, AB =BA

Chacune des oprations et est distributive sur lautre :

A (B C) = (A B) (A C), A (B C) = (A B) (A C)
plus gnralement :
A ( Bi ) = (A Bi ) et A ( Bi ) = (A Bi )
iIN iIN iIN iIN

Le contraire de lunion (resp. lintersection) est lintersection (resp.

lunion) des contraires : A B = A B et A B = A B plus
gnralement :
Ai = Ai et Ai = Ai
iIN iIN iIN iIN

( dmontrer en exercice :indication double inclusion)

Statistique 3 (5009) 9 / 41
Exemple
Dans lexemple 1, le contraire de {2, 3} {3, 4, 5} est
{1, 4, 5, 6} {1, 2, 6} = {1, 6}.

Un systme complet dvnements (ou partition) de est une

collection A1 , A2 , ..., An dvnements de vrifiant :

i
S 6= j, Ai Aj =
Ai =

Exemple
= {1, 2, 3, 4, 5, 6}
{1,2}, {3,4,5,6} est un systme complet dvnements.
{1},{2}, {3},{4},{5},{6} est un systme complet dvnements.
{1,2,3}, {3,4,5,6} nest pas un systme complet dvnements.
{1},{2}, {3},{4,6} nest pas un systme complet dvnements.

Statistique 3 (5009) 10 / 41
Dfinition
Une collection dvnements C de lunivers est dite algbre
(tribu) ssi :
1) A C , A C ,
2) C est stable par union dnombrable : pour tout famille
dnombrable dvnements Ai , i IN, de C , on a Ai C .
S
iIN
3) C .

Remarque
La premire et la dernire condition impliquent que C ,
La premire et la deuxime conditions impliquent que C est stable
par intersection dnombrable,
En remplaant le mot dnombrable par fini, on obtient la
dfinition dune algbre.

Statistique 3 (5009) 11 / 41
Example
Tribu discrte : La collection de tous les vnements imaginables
P() de est une algbre.
Tribu grossire est C = {, }.
C = {E : E ou E est dnombrable} est une tribu.
Si = {1, ..., 10}, alors ;
C = {, , {1}, {2}, {1, 2}, \{1, 2}, \{1}, \{2}} est une tribu.

Dfinition
Soit C0 une collection densembles de . La plus petite tribu C
contenant C0 est appele tribu engendre par C0 . On note C = (C0 ).
(C0 ) est lintersection des tribus sur contenant C0 .

Example
Pour = IR, la tribu engendre par les intervalles ouverts de IR est
appele tribu borlienne de IR. Elle est aussi engendre par les
intervalles ferms, les intervalles de type (])[a, +[, a IR,...etc.
Statistique 3 (5009) 12 / 41
Modliser la chance
Dfinition
On appelle espace probabilisable un couple (; C ), o C est une
algbre dvnements de lunivers .

Une probabilit dun vnement est un nombre de [0 ;1], elle doit

vrifier cependant quelques conditions :

Dfinition
Une (loi de) probabilit sur (, C ) est une application P de C images
dans [0; 1] tq :
1) P() = 1,
2) Pour toute collection dnombrable dvnements P 22
incompatibles, Ai , i IN, on a : P( Ai ) = P(Ai )
iIN iIN
Le triplet (, C , P) est appel espace probabilis.

Statistique 3 (5009) 13 / 41
Proprits. Soient A, B, Ai , i IN des lments de C .
1) P() = 0,
2) P(A) = 1 P(A),
3) Si A B alors, P(A) P(B),
4) P(A B) = P(A) + P(B) P(A B),
S P
5) P( Ai ) P(Ai ),
iIN iIN
6) Si Ai , i IN, vrifie Ai Ai+1 et Ai = (on notera Ai ) alors,
limi P(Ai ) = 1
7) Si Ai , i IN, vrifie Ai Ai+1 et Ai = (on notera Ai ) alors,
limi P(Ai ) = 0
8) Si Ai , i IN, est un systme complet dvnements, alors,
X
E C , P(E) = P(E Ai )
iIN

Statistique 3 (5009) 14 / 41
Justifications

1)-4) sont videntes.


i
5) Posons B1 = A1 et Bi+1 = Ai+1 \ Aj . On a alors, Bi = Ai
j=1 P
et Bi est un systme complet.PDonc, P(A
Pi ) = P(Bi ) = P(Bi ).
Comme pour P tout i, Bi Ai , P(Bi ) P(Ai ) et donc
P(Ai ) P(Ai ).
6) Considrons les Bi comme dans 5). Alors, P(Ai ) = P( Bj ). Donc
P P ji
lim P(Ai ) = limi P(Bj ) = P(Bi ). Comme Bi est un systme
ji i P
complet, Ai = Bi = , do P(Bi ) = 1. Donc, lim P(Ai ) = 1.
i
7) Dcoule de 6) par passage au complmentaire.
8) vidente. Il suffit de remarquer que les E Ai sont 2 2
incompatibles et que leurs union est gale E.

Statistique 3 (5009) 15 / 41
Example
Considrons les rsultats suivants dune section de 100 tudiants :
70% des tudiants ont une note 10 dans lunit A.
80% des tudiants ont une note 10 dans lunit B.
90% des tudiants ont une note 10 dans lunit A OU dans
lunit B.
Quelle est la probabilit quun tudiant pris au hasard ait une note
10 dans lunit A et dans lunit B ?
Rponse : P(A B) = P(A) + P(B) P(A B) = 0.7 + 0.8 0.9 = 0.6
soit 60%.
Est-il possible davoir P(A) = 0.7, P(A B) = 0.6 ou P(A B) = 0.6 et
P(B) = 0.5 ?
Rponse : NON, pourquoi ?

Statistique 3 (5009) 16 / 41
Probabilits Conditionnelles
Supposons quon sait que B sest ralis. Nous rduisons
artificiellement donc lunivers B (lunivers restera toujours ) en
annulant les probabilit des vnements incompatibles avec B et en
augmentant les probabilits des vnement rencontrant B. On
cherche alors la probabilit quun vnement A se ralise.

Dfinition
Soit B un vnement avec P(B) 6= 0. On appelle probabilit
conditionnelle de A sachant (ou si) B, la quantit :

P(A B)
P(A/B) =
P(B)

Remarque
Il convient de vrifier que lapplication A 7 P(/B) dfinie est
une loi de probabilits sur (, C )

Statistique 3 (5009) 17 / 41
 F IGURE: La partie hachure reprsente A B

Example
On lance un d quilibr 6 faces. Sachant quun nombre 5 est
ralis quelle est la probabilit que ce soit un nombre pair :
B = {1; 2; 3; 4; 5} et A = {2; 4; 6}. Intuitivement p = 52 . Par la formule
2
P(AB) P({2;4})
prcdente :P(A/B) = P(B) = P({1;2;3;4;5}) = 6
5 = 52 .
6

Proprit (Formule des probabilits totales) : Soient Bi , i IN, un

systme complet dvnements, alors,
X
P(A) = P(A/Bj )P(Bj )
jIN

Statistique 3 (5009) 18 / 41
Example
Trois machines M1 , M2 et M3 fabriquent des boulons de mme type.
M1 sort en moyenne 0.3% de pices dfectueuses, M2 0.8% et M3 1%.
On mlange 1000 pices dans une caisse, dont 500 proviennent de
M1 , 350 de M2 et 150 de M3 . On tire au hasard un boulon de la caisse.
Calculer la probabilit quil soit dfectueux.
Rponse : Notons Mi : le boulon est fabriqu par Mi et D : le boulon
est dfectueux. M1 , M2 , M3 forme alors un systme complet
dvnements.
P(D) = P(D/M1 )P(M1 ) + P(D/M2 )P(M2 ) + P(D/M3 )P(M3 )
500 350 150
= 0.003 1000 + 0.008 1000 + 0.01 1000
= ......

Statistique 3 (5009) 19 / 41
vnements indpendants
Dfinition
A et B sont indpendants ssi P(A/B) = P(A) (quiv. P(B/A) = P(B))

La connaissance de B ne change pas la chance de ralisation de A et

vice-versa.
Si P(A/B) = P(A) alors, P(AB) P(AB)
P(B) = P(A) donc, P(A) = P(B) ou bien
P(B/A) = P(B). La dfinition est donc cohrente. En outre ce calcul
montre que
A et B sont indpendants P(A B) = P(A)P(B)

Example
On tire avec remise 2 fois de suite une boule dune urne contenant 3
boules blanches et 7 noires indiscernables au toucher. Alors,
A :obtenir une boule blanche au 1er tirage est indpendant de
B :obtenir une boule blanche au 2ime tirage. Ceci est vident. On
peut vrifier ce fait par le calcul.
Statistique 3 (5009) 20 / 41
Example (suite)
Notons n les boules noires et b les blanches. Alors,
= {bb; bn; nb; nn} ; A = {bb; bn} ; B = {bb; nb}
3 3 3 3 3 7
P(A B) = P(bb) = 10 10 = 0.09 ; P(A) = 10 10 + 10 10 = 0.3 et
3 3 7 3
P(B) = 10 10 + 10 10 = 0.3. On a bien P(A B) = P(A)P(B).

Indpendance mutuelle

Dfinition
Les vnements A1 , A2 , ..., An sont dits mutuellement indpendants ssi
pour tout sous-ensemble dindices I {1, ..., n}, on a :
  Y
P Ai = P(Ai )
iI
iI

Cette notion est plus forte que 2 2 indpendants

Statistique 3 (5009) 21 / 41
Furmule De Bayes

Premire formule de Bayes :

P(A/B)P(B)
P(B/A) =
P(A)
P(AB)
P(A/B)P(B) P(B)
P(B) P(AB)
En effet, P(A) = P(A) = P(A) = P(B/A)
Deuxime formule de Bayes : Soient Bi , i IN un systme
complet dvnements, alors,

P(A/Bi )P(Bi )
P(Bi /A) = P
P(A/Bj )P(Bj )
jIN

Il suffit dcrire,
P en utilisant la formule des probabilits totales :
P(A) = P(A/Bj )P(Bj ) dans la premire formule de Bayes.
jIN

Statistique 3 (5009) 22 / 41
Example
Trois machines M1 , M2 et M3 fabriquent des boulons de mme type.
M1 sort en moyenne 0.3% de pices dfectueuses, M2 0.8% et M3 1%.
On mlange 1000 pices dans une caisse, dont 500 proviennent de
M1 , 350 de M2 et 150 de M3 . On tire au hasard un boulon de la caisse,
il est dfectueux. Calculer la probabilit quil ait t fabriqu par M1 .
Rponse : Notons Mi : le boulon est fabriqu par Mi et D : le boulon
est dfectueux. Il sagit de calculer
P(D/M1 )P(M1 )
P(M1 /D) = P(D/M1 )P(M1 )+P(D/M 2 )P(M2 )+P(D/M3 )P(M3 )

500
0.003 1000
= 500 350
0.003 1000 +0.008 1000 150
+0.01 1000
0.26

Remarque
Pratiquement, la formule de Bayes sapplique comme dans lexemple
prcdent pour calculer des probabilits dvnements ayant caus
dautres (probabilits de cause).
Statistique 3 (5009) 23 / 41
Example
Une urne A contient 10 boules noires et 20 boules rouges. Une urne B
contient 10 boules noires et 40 boules rouges. On mlange les deux
urnes en versant leurs contenus dans une urne C. On tire au hasard
une boule de lurne C, elle est rouge. Quelle est la probabilit que
cette boule provient de lurne A ? Rponse : Notons A : la boule
provient de A, B : la boule provient de B 00 etR : la boule est rouge. A
et B forme un systme complet dvnements. Alors,
2 3
P(R/A)P(A) 3 8
P(A/R) = = 2 3 4 5
= 1/3
P(R/A)P(A) + P(R/B)P(B) 3 8 + 5 8

Statistique 3 (5009) 24 / 41
Variables alatoires :Exemple introductif.
On lance deux ds, si les deux chiffres obtenus sont identiques on
gagne ce chiffre, sinon on perd 1e.
Ici on dfinit une application X de lensemble
= {(i, j), i, j {1, ..., 6}} dans E = {1; 1, 2, 3, 4, 5, 6}.
Notons PX la probabilit sur les gains possibles. X = k dsigne
lensemble X 1 (k ) = {(i, j) : X (i, j) = k }.
La probabilit de gagner 4e est
PX (4) = P(X = 4) = P(X 1 (4)) = P({4, 4}) = 1/36

La probabilit de perdre 1e est

PX (1) = P(X = 1)
= P( \ {(1, 1); (2, 2); (3, 3); (4, 4); (5, 5); (6, 6)})
= 30/36
X est une variable alatoire, la loi de X est la loi probabilits sur les
valeurs de X , soit
PX (1); PX (1); ...; PX (6)
Statistique 3 (5009) 25 / 41
 F IGURE: Variable alatoire

Notons (IR, B) lensemble des nombres rels muni de sa tribu

(-algbre) borlienne B (B est la plus petite algbre contenant les
intervalles de IR : ou lintersection de toutes les algbres contenant
les intervalles de IR. On dit que B est engendre par les intervalles).

Dfinition
Une variable alatoire (v.a.) relle est une application X de (, C , P)
dans (IR, B) qui est mesurable, i.e., vrifiant :

X 1 (B) C , B B

Statistique 3 (5009) 26 / 41
La loi de X est la probabilit image PX de P par X , autrement dit :

PX (B) = P({w : X (w) B}) = P(X 1 (B))

Notons que PX est dfinie sur (IR, B). Dans lexemple prcdent la loi
de X est donne par le tableau suivant :

k 1 1 2 3 4 5 6

5 1 1 1 1 1 1
PX (k ) 6 36 36 36 36 36 36

Remarque
Les lois des v.a. discrtes peuvent tre donnes dans un tableau et
reprsentes par un diagramme en btons.

Statistique 3 (5009) 27 / 41
Fonction de rpartition
Dfinition
La fonction de rpartition F dune v.a. relle X est lapplication de IR
dans [0; 1] dfinie par

F (x) = P(X < x) = P(X 1 (] ; x[))

F IGURE: Fonction de rpartition de lexemple prcdent

Statistique 3 (5009) 28 / 41
Proprit : F est une fonction monotone croissante continue
gauche. Elle admet un nombre de discontinuits au plus dnombrable
et vrifie
F () = 0 et F (+) = 1 (1)
Rciproquement, toute fonction monotone croissante continue
gauche et vrifiant (1) dfinit une loi de probabilit unique sur IR.
Proprit : F permet de calculer les probabilits dintervalles :

P(a X < b) = F (b) F (a)

Dfinition
Une v.a. X est dite
discrte si elle prend au plus un nombre dnombrable de valeurs
(ou si ses valeurs sont isoles et peuvent tre numrotes).
continue si elle prend nimporte quelle valeur dans un intervalle
de IR ou dans IR entirement.
Statistique 3 (5009) 29 / 41
Si X est une v.a. discrte qui prend les valeurs x1 , x2 , x3 , ..., xn , ..., on
note pi = PX (xi ) la probabilit que X prend la valeur xi . Alors, sa
fonction de rpartition est donne par
X
F (x) = PX (xj ), x ]xi ; xi+1 ] et F (x) = 0 si x x0
0ji

On a aussi
pi = PX (xi ) = F (xi+1 ) F (xi )

Dfinition
le fractile dordre p ]0; 1[ dune v.a. X de fonction de rpartition F est
le rel xp vrifiant :
F (xp ) = P(X < xp ) = p

Statistique 3 (5009) 30 / 41
Variable continue
Certaines lois de probabilits continues (de v.a. continues) peuvent
tre dfinies partir de la notion de densit de probabilit.

Dfinition
Une densit
R de probabilit f est une fonction positive et intgrable
vrifiant IR f dx = 1.

Dfinition
Une loi de proba PX admet une densit f si, pour tout intervalle
I = [a, b] de IR, on a
Z Z b
PX (I) = f (x) dx = f (x) dx
I a

Dans ce cas la fonction de rpartition F de X est drivable et sa

Rb
drive est f . On a P(a < X < b) = a f (x) dx = F (b) F (a)

Statistique 3 (5009) 31 / 41
 F IGURE: Densit - Probabilit dun intervalle

Remarque
Si X est une v.a. continue alors, P(X = x) = 0, x IR. Donc,
P(a < X < b) = P(a X b) = P(a < X b)
= P(a X < b) = F (b) F (a)

Exemple : Soit X la v.a. avec la loi P(X > x) = ex pour x 0 et 1

sinon, admet pour densit : f (x) = ex = F 0 (x) = (1 P(X > x))0 si
x 0 et f (x) = 0 sinon.
Statistique 3 (5009) 32 / 41
Indpendance de variables alatoires
Dfinition
Soient X et Y deux v.a. relles dfinies sur le mme espace
probabilis (, C , P)
X et Y sont indpendantes ssi

P[(X E) (Y F )] = P(X E)P(Y F ); E, F B(IR)

(X , Y ) est un couple de v.a. dfini de (, C , P) dans IR2 . Sa loi produit

PXY est not, si X et Y sont indpendantes par PXY = PX PY
Corollary
X et Y sont indpendantes ssi la fonction de rpartition du couple
(X , Y ) dfinie par H(x, y ) = P(X < x Y < y ) est gale au produit
des fonctions de rpartition F et G de X et Y respectivement :

H(x, y ) = F (x)G(y )

F et G sont appeles fonctions de rpartition marginales

Statistique 3 (5009) 33 / 41
Corollary (suite)
Si X et Y admettent des densits f et g respectivement, alors, (X , Y )
admet pour densit :
h(x, y ) = f (x)g(y )

Statistique 3 (5009) 34 / 41
Esprance mathmatique
lesprance dune v.a. X discrte est donne par :
X
E(X ) = xi P(X = xi )
i
Cest la moyenne des valeurs de X pondres par leurs
probabilits.
Lesprance dune v.a. continue X de densit f , est donne par :
Z
E(X ) = xf (x) dx
IR

Example
La v.a. X de densit f (x) = ex si x 0 et f (x) = 0 sinon, a pour
esprance :
x + + 1 ex dx
R +
E(X ) = 0 xex dx = x 1
  R
e 0 0
= 0 + 1 x +
 
e 0
= 1 .
Statistique 3 (5009) 35 / 41
Lesprance de X scrit de faon gnrale comme :
Z
E(X ) = X (w)dP(w)

et nous pouvons montrer (rsultat-mesure/probabilit image) que
Z
E(X ) = xdPX (x)
IR

Remarque
Lesprance nexiste pas toujours.

De la linarit de lintgrale, on dduit la linarit de lesprance.

Proprits de lesprance : si a IR, on a :
E(a) = a,
E(aX ) = aE(X ),
E(X + a) = E(X ) + a,
E(X + Y ) = E(X ) + E(Y ).
X et Y sont indpendantes = E(XY ) = E(X )E(Y )
Statistique 3 (5009) 36 / 41
Theorem
Si : IR IR est une fonction relle quelconque et X une v.a. de
densit f , alors, Z
E((X )) = (x)f (x) dx
IR

Sans exiger de densit X , de faon gnrale :

Z Z
E((X )) = ( X )dP = (x)dPX (x)
IR

Ce rsultat permet de calculer lesprance de (X ) sans connatre sa

loi (uniquement avec la loi de X )

Statistique 3 (5009) 37 / 41
Variance
Dfinition
La variance de la v.a. X , note V (X ) ou X2 est dfinie par :

V (X ) = X2 = E([X E(X )]2 )

V (X ) = pi (xi E(X ))2

P
Cas discret :
i
Cas continue, X de densit f ,
Z
V (X ) = (x E(X ))2 f (x) dx
IR

Remarque
V (X ) mesure la dispersion de X autour de son esprance E(X ).
p
X = V (X ) est appel cart-type. Il a lavantage par rapport
la variance de sexprimer dans la mme unit de mesure que X , il
a donc plus de sens pour les interprtations.
Statistique 3 (5009) 38 / 41
Proprit de la variance :
Formule de Knig-Huyghens :

E([X a]2 ) = V (X ) + (E(X ) a)2

En effet,
E([X a]2 ) = E([(X E(X )) + (E(X ) a)]2 )
= E[(X E(X ))2 ] + E[(E(X ) a)2 ]
+2E[(X E(X ))(E(X ) a)]
= V (X ) + (E(X ) a)2 + 2(E(X ) a)E[X E(X )]
= V (X ) + (E(X ) a)2 + 2(E(X ) a)(E(X ) E(X ))
= V (X ) + (E(X ) a)2
Cela signifie que V (X ) est la valeur minimale de E([X a]2 ) quand a
varie dans IR. Pour a = 0, on a :
la formule classique :

V (X ) = E(X 2 ) E(X )2

Statistique 3 (5009) 39 / 41
Autres proprits
V (X + a) = V (X ), a IR.
V (aX ) = a2 V (X ),
V (X ) = 0 X = a,
Ingalit de Bienaym-Tchebychev relie lesprance et
lcart-type : pour tout k > 0, P(|X E(X )| > k ) k12
la covariance de X et Y est dfinie par
cov (X , Y ) = E[(X E(X ))(Y E(Y ))] = E(XY ) E(X )E(Y )

Si X et Y sont indpendantes, alors cov (X , Y ) = 0

V (X + Y ) = V (X ) + V (Y ) + 2cov (X , Y ).
Si X et Y sont indpendantes :
V (X + Y ) = V (X ) + V (Y )

V (XY ) = V (X )V (Y ) + V (X )(E(Y ))2 + E(X )(V (Y ))2 .

Soit admettant un D.L. dordre 2, alors,
V ((X )) (0 (E(X )))2 V (X )
Statistique 3 (5009) 40 / 41
Moments dordres suprieurs
Le moment centr dordre k (sil existe) est dfini par

k = E([X E(X )]k )

La variance est donc le moment centr dordre 2.

Si la densit de X est symtrique, alors, 2k +1 = 0
Le coefficient dasymtrie est
3
1 =
3
et le coefficient daplatissement est
4
2 =
4

Statistique 3 (5009) 41 / 41