Professional Documents
Culture Documents
STATISTIQUES PRATIQUES
Mohsine BENABDALLAH
Dpartement de Mathmatiques
bmohsine@gmail.com
SMP Semestre 3
Automne 2013
CHAPITRE 1 :
Modles d'espaces probabiliss
Dnition
Exemple
A = {, {P }, {F }, {P, F }}
Exercice
P (A) =
Card(A)
n
nombre de cas favorables
=
= .
nombre de cas possibles
Card()
N
Exemple
Pour les besoins d'un test sur un vaccin V , nous disposons de 10 volontaires,
3 d'entre eux appartiennent une mme famille. Deux personnes sont tires au
hasard. Quelle est la probabilit P (F ) que ces deux personnes soient de la mme
famille ?
Solution
4. A B = P (A) P (B) ;
5. P (A B) = P (A) + P (B) P (A B) ;
6. Si A1 , ..., An forment un systme complet d'vnements, alors pour tout
B A,
n
X
P (B) =
P (B Ai ).
i=1
Probabilit conditionnelle
Dnition
P (A|B) =
P (A B)
.
P (B)
Exemple
P (A|B) = P (A).
Consquence
P (A B) = P (A)P (B).
Exercice
P (B) =
n
X
P (Ai )P (B|Ai ).
i=1
Exemple de l'itinraire
Pour se rendre la facult des sciences, un tudiant a le choix entre 3 itinraires A, B et C . La probabilit qu'il a de choisir A(resp B ,C ) est 13 (resp
1 5
1
4 , 12 ). La probabilit d'arriver en retard en empruntant A(resp B ,C ) est 20 (resp
1 1
,
).
10 5
Quelle est probabilit que l'tudiant arrive en retard ?
Rponse
Formule de Bayes
Soient A1 , .., An un systme complet d'vnements et B A alors
P (Ai )P (B|Ai )
P (Ai |B) = Pn
.
j=1 P (Aj )P (B|Aj )
Retour l'exemple de l'itinraire
L'tudiant arrive en retard. Quelle est la probabilit qu'il ait emprunt l'itinraire C ?
Rponse
P (C|R) =
P (C)P (R|C)
P (A)P (R|A) + P (B)P (R|B) + P (C)P (R|C)
Exercice
Considrons deux urnes U1 et U2 . L'urne U1 contient 2 boules blanches et 3
boules noires. L'urne U2 contient 1 boule blanche et 4 boules noires. Appelons B
l'vnement "tirer une boule blanche" et N l'vnement "tirer une boule noire".
Dans chaque urne, il y a quiprobabili du choix des boules.
On choisit une urne au hasard, chaque urne ayant la mme probabilit d'tre
choisie que l'autre, puis on tire une boule de cette urne.
On sait qu'une boule blanche a t tire. Quelle est la probabilit d'avoir choisi
l'urne U1 ?
Exercice 9 :
Une usine de pellicules de photo dispose de trois machines A, B et C qui
fabriquent respectivement 20%, 50% et 30% de la production totale. Les proportions de pellicules dfectueuses fabriques par les machines A, B ou C sont
respectivement gales 6%, 5% et 3%.
On tire au hasard une pellicule dans la production, calculez :
la probabilit que cette pellicule soit dfectueuse ;
la probabilit qu'elle provienne de la machine A sachant qu'elle est dfectueuse ;
la probabilit qu'elle provienne de la machine A sachant qu'elle est non
dfectueuse.
Corrig Exercice 9 :
On a P (A) = 0.2, P (B) = 0.5, P (C) = 0.3 et en notant D l'vnement la
pellicule obtenue est dfectueuse.
Ainsi P (D|A) = 0.06, P (D|B) = 0.05, P (D|C) = 0.03.
la probabilit que cette pellicule soit dfectueuse est donne par
P (A|D) =
P (A) P (A D)
0.2(1 0.06)
P (A D)
=
=
0.954
P (D)
P (D)
CHAPITRE 2 :
Modles de variables alatoires
Dnition
Une variable alatoire relle sur (, A) est une application
X : R
telle que pour chaque x R
{ : X() = x} A
Exemple
Frquence
0.5
0.4
0.3
0.2
0.1
0
x P (X x)
Elle vrie les proprits suivantes
7
FX (a ) = lim FX (x)
xa
pi = 1.
sa variance
V(X) = E(X )2 =
n
X
pi (xi )2 =
i=1
n
X
pi x2i 2
i=1
et son cart-type
(X) =
V(X)
Exemple
Loi de probabilit
X = xi
pi
pi xi
pi x2i
0
1/3
0
0
5
1/6
5/6
25/6
6
1/3
2
12
10
1/6
5/3
50/3
Total
1
4,5
32,83
Proposition
E(X) = (1 p) 0 + p 1 = p
Sa variance vaut
Exemple
On tire au hasard une boule dans une urne contenant 18 boules rouges et 16
boules blanches. On dsire mettre en vidence le tirage d'une boule rouge. On
dnit alors la variable alatoire de Bernoulli X qui vaut 1 si la boule tire est
rouge et 0 sinon. Il reste dterminer p, c'est la probabilit de tirer une boule
rouge.
Variable Binomiale
On rpte la mme exprience de Bernoulli, de paramtre p, n fois de manire
indpendante et on dsigne par X le nombre de succs obtenus. Alors X est
appele variable binomiale de paramtre n et p qu'on note : X B(n, p). Sa
loi est donne par
Thorme
Exemple
On tire au hasard avec remise et de manire indpendante 5 boules d'une
urne contenant 18 boules rouges et 12 boules blanches. Si X est le nombre de
boules rouges obtenues,
18
alors X suit une loi binomiale de paramtre n = 5 et p = 30
= 0, 6. Donc,
Exercice 3 :
Corrig Exercice 3 :
L'univers est constitu de tous les 5-uplets constitus de F(lle) et G(garon).
= {F F F F F, F F F F G, F F F GF, ..., GGGGG}
Alors Card = 25 ,
1. Si on suppose la probabilit de naissance d'une lle gale la probabilit
de naissance d'un garon, alors et P ({}) = 215 ) pour tout et par
la suite, il reste dnombrer les cas favorables , c'est dire le nombre de
faons de choisir deux places parmi 5 pour y installer les deux garons et
remplir les autres par des lles. Ce nombre est gal C52 et la probabilit
C2
demande est 55 .
2
2. Si on suppose la probabilit de naissance d'une lle gale 0,48. Alors la
probabilit d'un garon est de 0,52 et la probabilit d'obtenir une combinaison (3 lles et deux garons) est gale (0, 48)3 (0, 52)2 ainsi la probabilit demande est gale
P (X = k) = e
k
, k = 0, 1, 2, ..
k!
10
On la note X P().
Thorme
Si X P() alors on a
E(X) = V (X) = .
Utilisation
La loi de Poisson est la loi discrte reprsentant un nombre d'vnements.
Elle est utilise pour dcrire :
la ralisation d'vnements peu probables, dans une succession d'preuves
trs nombreuses, au moins 50
le nombre d'accidents dans un atelier, le nombre de dfauts sur un appareil,
elle est la loi limite de la loi binomiale, quand n tend vers l'inni et p tend
vers zro, le produit np restant ni.
La loi de Poisson est la loi des vnements rares ou loi des petites probabilits.
Application 1
Selon les donnes rcoltes depuis plusieurs annes, le nombre de pannes
hebdomadaires du systme lectronique d'une entreprise suit une loi de Poisson de paramtre = 0, 05. Soit X la variable alatoire "nombre de pannes
hebdomadaires" :
(0, 05)k
P (X = k) = e0,05
k!
La probabilit que le systme tombe en panne une fois au cours d'une semaine
quelconque (k = 1) est gale 0, 04756.
La probabilit qu'il fonctionne sans panne (k = 0) est gale 0, 95122.
Quelle est la probabilit d'observer 2 pannes au cours d'une semaine ? d'un
mois ?
Application 2
La probabilit pour une ampoule lectrique de claquer son premier allumage est de 0, 01. On suppose poissonnienne cette loi cet ge. Sur un groupe
de 100 ampoules, quelle est la probabilit d'observer :
1. 0 claquage
2. 1 claquage
3. plus de 2 claquages
Rponse
E(X)
1
p
1
p
et V (X) =
q
p2 .
kpq k1 = lim
k=1
n
X
kpq k1
k=1
n
n
X
d X k
d k
(q ) = lim p
(q )
= lim p
n
n dq
dq
k=1
k=1
1
d 1 qn
p
=
= lim p (q
)=
n dq
1q
(1 q)2
p
Le calcul de la variance est laisse en exercice.
Application
Exercice
Une variable alatoire continue prend ses valeurs sur un ensemble inni non
dnombrable de points, elle dcrit par exemple la dure de vie d'une batterie de
voiture, l'heure d'arrive des voitures un page donn d'autoroute..
Il existe une fonction f non ngative, dnie pour toute valeur x de R et vriant,
pour toute partie A de R, la proprit :
Z
P (X A) =
f (x)dx.
A
Z
f (x)dx = 1
R
et la variance
2 = V ar(X) =
(x )2 f (x)dx.
Proposition
Dnition
On dit que la variable alatoire continue X suit la loi uniforme sur [a, b] si sa
densit est donne par :
1
si x [a, b]
ba
f (x) =
0 sinon .
On note alors X U[a,b] .
Thorme
E(X) =
a+b
2
(b a)2
V ar(X) =
12
0 si x < a
xa
si x [a, b]
F (x) =
ba
1 si x > b.
13
Proposition
La fonction de rpartition d'une variable alatoire suivant une loi exponentielle de paramtre est :
0 si x < 0
f (x) =
1 ex si x 0.
Thorme
E(X) =
1
1
, V ar(X) = 2 .
Dnition
Soit X une variable alatoire continue. On dit que X suit la loi normale de
paramtres m et 2 si sa fonction densit est donne par :
f (x) =
(xm)2
1
e 22 , x R.
2
14
Thorme
Proposition
X + Y N (m1 + m2 , 12 + 22 ).
Proposition
Xm
,
Proposition
15
u = 0 = 0, 0 + 0, 00 p1 = P (Z 0) = 0, 5
u = 1 = 1, 0 + 0, 00 p2 = P (Z 1) = 0, 8413
u = 1, 96 = 1, 9 + 0, 06 p3 = P (Z 1, 96) = 0, 9750
p4 = P (Z 1)1 P (Z 1) = 1 0, 8413 = 0, 1587
16
Rponse
Dterminer a.
Dterminer FX la fonction de rpartition de X .
Calculer, sous rserve d'existence, E(X p ) pour p N.
Quelle est la densit de Y = ln(X) ? Que valent E(Y ) et V (Y ) ?
Corrig Exercice 8 :
1. Pour que f soit une densit, Rf doit tre positive et d'intgrale gale 1.
Donc a doit vrier a > 0 et R f (x)dx = 1. Ainsi
Z
Z +
a
a
f (x)dx =
dx = = 1 a = 3
4
x
3
R
1
2. Pour x 1 FX (x) =R 0 car la fonction densit est nulle pour x 1. Pour
x
x > 1, on a F (x) = 1 t34 dt = 1 x13 .
R + 3xp
R + 1
p
3. On sait que 1
xn dx < n > 1. Ainsi E(X ) = 1
x4 dx =
R + 1
3 1
x4p dx < 4 p > 1 p < 3. Ainsi pour p 2 qui donne
Z +
3
1
dx =
.
E(X p ) = 3
4p
x
3
p
1
4. Puisque X() [1, +( alors Y () [0, +(. On dtermine la fonction
de rpartition de Y qu'on drive pour obtenir sa densit.
Soit y [0, +( alors
P (Y y) = P (ln(X) y) = P (X ey ) = FX (ey ) = 1
1
e3y
P
(Y
30
30 ) = 0, 8.
b160
b160
Ainsi on a P (Y 30 ) = 0, 2 30 = 0.841 b = 134.77
3. q = P (X 200|X > 160) =
P (X200)
P (X>160)
0.092
0.5 .
B(n, p) P(np)
c'est dire :
(np)k
.
k!
Approximation de la loi binomiale par la loi normale
On considre une variable alatoire X suivant une loi binomiale B(n, p), p
tant un paramtre x. Alors
P (X = k) enp
X np
lim p
= N (0, 1)
np(1 p)
n+
En pratique :
Si n > 30, np > 5 et np(1 p) > 5,
k+0,5np
)
P (X k) P (N (0, 1)
np(1p)
k0,5np
k+0,5np
P (X = k) P (
N (0, 1)
)
np(1p)
np(1p)
k0,5np
P (k X m) P (
N (0, 1) m+0,5np
)
np(1p)
19
np(1p)
Exemple
On lance une pice de monnaie "honnte" 1000 fois. Quelle est la probabilit
d'obtenir au moins 548 piles ?
On dsigne par X la variable alatoire dsignant le nombre de piles obtenus.
X suit une loi binomiale de paramtre n = 1000 et p = 1/2. On dsire calculer
P (X 548). On remarque que
P (X 547) P (N (0, 1)
547, 5 500
) P (N (0, 1) 3)
5 10
Dnition
f2n (t) =
2 2 n/21 t/2
t
e
, t > 0
(n/2)
Thorme
Si X suit la loi du Khi-deux n degrs de libert, alors X admet une esprance et une variance :
E(X) = n
V ar(X) = 2n
Remarque
Loi de Student
Dnition
X
p
Tn
Y /n
La fonction densit de probabilit de Tn est donne par
( n+1 )
t2
fTn (t) = 2
(1 + )(n+1)/2
n
n (n/2)
On a reprsent ci-dessus la densit de la loi de Student pour direntes
valeurs de n.( dans la gure).
21
Thorme
E(X) = 0
V ar(X) =
si n > 1
n
n2
Remarque
si n > 2.
22
CHAPITRE 3 :
Mthodes statistiques
Statistiques Descriptives
classe
Type de caractres
Qualitatif : non mesur par un nombre
nominal : quand les modalits ne peuvent pas tre ordonnes.
ordinal : quand les modalits peuvent tre ordonnes.
Quantitatif : mesur par un nombre
discret : si l'ensemble des valeurs possibles est dnombrable.
continu : si l'ensemble des valeurs possibles est continu.
Prsentation fonctionnelle
Soit une population, X un caractre, i un individu. On note X(i) ou xi
la valeur du caractre X pour l'individu i. Le caractre X est une application
de dans l'ensemble des modalits.
Exemples de caractres qualitatifs
a. Couleur d'une voiture dans un parking (Nominal)
population : les voitures du parking
caractre : la couleur
modalits : bleu, vert,..
b. Dcision nale un examen (Ordinal)
population : un amphi
individus : tudiants
caractre : dcision
modalits : ajourn,passable, AB,B,TB,excellent
Exemples de caractres quantitatifs
a. Nombre d'enfants par famille marocaine (Discret)
population : familles marocaines
caractre : nombre d'enfants
modalits : des nombres entiers.
b. Note l'examen de statistiques des tudiants de votre amphi
(Continu)
population : un amphi
individus : tudiants
caractre : note
modalits : [0, 20].
23
Classes
[a0 , a1 ]
[a1 , a2 ]
.
.
.
[ai1 , ai ]
.
.
.
[ak1 , ak ]
Total
di
d1 = f1 /A1
d2 = f2 /A2
.
.
.
di = fi /Ai
.
.
.
dk
|||
001111111122222222223333333333
333333333333333333333333333333
333333333333444444444444444444
444444455555555555555566666666
6 6 6 6 6 6 6 6 6 7 7 9 9 10
Echantillon de taille 133.
24
Solution
Xi
0
1
2
3
4
5
6
7
8
9
10
Total
ni
2
8
10
52
25
14
17
2
0
2
1
N = 133
i
2
10
20
72
97
111
128
130
130
132
133
|||
fi (%)
1.5
6.0
7.5
39.1
18.8
10.5
12.8
1.5
0
1.5
0.8
100
Fi (%)
1.5
7.5
15
54.1
72.9
83.4
96.2
97.7
97.7
99.2
100.0
|||
22
10
29
69
33
53
33
42
60
76
24
7
2
40
1
88
85
69
58
7
42
51
15
61
25
48
22
7
9
6
37
2
46
12
22
52
5
10
14
27
77
1
48
21
6
87
87
53
74
18
89
52
39
54
81
71
28
33
24
17
85
7
6
53
11
51
2
3
87
53
28
48
72
58
56
52
85
85
7
70
63
54
14
32
5
33
61
8
81
49
Ci
5
15
25
35
45
55
65
75
85
|||
ni
22
8
13
10
8
16
7
5
11
N = 100
fi (%)
22
8
13
10
8
16
7
5
11
100
Fi (%)
22
30
43
53
61
77
84
89
100
|||
25
Si X est discrte
Alors
F (x) =
0
Fi1
si x < xi
si xi1 x < xi , i 2
si x xk .
0 si x < a0
fi
Fi1 + Ai (x ai1 si ai1 x < ai , i 1
F (x) =
1 si x ak .
Reprsentations graphiques d'une srie de donnes
Variable nominale
Diagramme en btons
Diagramme en secteur
26
Variable discrte
Diagramme en btons car, dans ce cas, l'ordre et l'cart entre les btons
sont signicatifs.
Reprsentation d'une variable continue
Classes
[a0 , a1 ]
[a1 , a2 ]
.
.
.
[ai1 , ai ]
.
.
.
[ak1 , ak ]
Total
Amplitudes
A1
A2
.
.
.
Ai = ai ai1
.
.
.
Ak
|||
Amplitudes et
ni
fi
Densits de frquences
n1
f1
d1 = f1 /A1
n2
f2
d2 = f2 /A2
.
.
.
.
.
.
.
.
.
ni
fi
di = fi /Ai
.
.
.
.
.
.
.
.
.
nk
fk
dk
N 100%
|||
densits de frquences
Exercice
On a relev l'ge de 150 personnes. Les rsultats de l'enqute sont donnes
dans le tableau suivant :
27
Classes
[20, 25[
[25, 30[
[30, 35[
[35, 40[
[40, 50[
[50, 60[
Total
Eectifs
9
27
36
45
27
6
N=150
Ai
5
5
5
5
10
10
|||
ni
9
2
36
45
27
6
150
fi
6
18
24
30
18
4
100
Fi
6
24
48
78
96
100
|||
di
1.2
3.6
4.8
6
1.8
0.4
|||
Dnition
ni
19
14
12
6
fi (%)
37,3
27,5
23,5
11,8
Mode=A
Classes
[20, 25[
[25, 30[
[30, 35[
[35, 40[
[40, 50[
[50, 60[
Total
Ai
5
5
5
5
10
10
|||
ni
9
2
36
45
27
6
150
28
fi (%)
6
18
24
30
18
4
100
di
1.2
3.6
4.8
6
1.8
0.4
|||
Classe modale=[35,40[
Mdiane
Dnition
La mdiane est la valeur centrale de la srie. On dit qu'elle partage la
srie en deux moitis. Ainsi 50% des lments de l'chantillon ont une valeur
infrieure la mdiane et 50% une valeur suprieure.
En gnral, on note x(1) < x(2) < ...... < x(n) la srie ordonne par ordre
croissant de la srie brute x1 , x2 , ..., xn de donnes.
Alors,
Si n est impair
Si n est pair
M = x( n+1 )
2
1
M = {x( n2 ) + x( n2 +1) }
2
21, 25, 28, 30, 27, 24, 31, 21, 28, 30, 25, 28, 26, 25.
M=
x(7) + x(8)
26 + 27
=
= 26, 5.
2
2
Cas continu
Dnition La mdiane de la distribution d'une variable continue X , rpartie en classes [ai1 , ai [ est donne par :
si F (ai1 ) < 0, 5 et F (ai ) > 0, 5, la classe mdiane est [ai1 , ai [ et on
calcule la mdiane par interpolation linaire sur l'intervalle [ai1 , ai [ :
M = ai1 + (ai ai1 )
0, 5 F (ai1 )
F (ai ) F (ai1 )
ni
9
27
36
45
27
6
150
fi (%)
6
18
24
30
18
4
100
29
Fi (%)
6
24
48
78
96
100
|||
M = 35, 33
Quantiles
Soit dans l'intervalle ]0, 1[. On note x(1) < x(2) < ...... < x(n) la srie
ordonne par ordre croissant de la srie brute x1 , x2 , ..., xn de donnes. Alors on
dnit le nombre Q , quantile d'ordre , par
Si n n'est pas un entier naturel
Q = x([n]+1)
1
Q = { {x(n) + x(n+1) }
2
F (ai1 )
F (ai ) F (ai1 )
Quartiles-Dciles
Quartiles
Dciles
21, 25, 28, 30, 27, 24, 31, 21, 28, 30, 25, 28, 26, 25.
1
4
Ainsi, 14
3
4
ni
9
2
36
45
27
6
150
fi (%)
6
18
24
30
18
4
100
30
Fi (%)
6
24
48
78
96
100
|||
5
0
2
6
3
4
7
4
3
8
4
3
9
5
3
10
7
4
11
3
3
12
4
2
13
2
2
14
1
3
15
0
1
16
0
2
Rponses :
SM P1 : M = 10, Q0,25 = 8, Q0,75 = 11 SM P2 : M = 10, Q0,25 = 7, Q0,75 =
12, 5
Moyenne arithmtique Dnition
La moyenne arithmtique d'une srie de donnes x1 , ..., xn ou tout simplement
est dnie par :
moyenne, note X
n
X
X
1X
= 1
fi xi .
xi =
ni xi =
X
n i=1
n i=1
i=1
Dnition
Paramtres de dispersion
tendue
cart interquartile
IQ = Q0,75 Q0,25 . Cet intervalle englobe la moiti
31
Variance-cart type
Cas discret
V ar(X) =
X
1X
1X
(xi x
)2 =
ni (xi x
)2 =
fi (xi x
)2
n i=1
n i=1
i=1
Cas continu
k
V ar(X)
X
1X
ni (ci x
)2 =
fi (ci x
)2
n i=1
i=1
Thorme
V ar(X) =
X
1X 2
1X
xi x
2 =
ni x2i x
2 =
fi x2i x
2 .
n i=1
n i=1
i=1
Continu
k
X
1X
fi c2i x
2 .
V ar(X)
ni c2i x
2 =
n i=1
i=1
Dnition
On dnit l'Ecart-type :
(X) =
p
V ar(X).
Coecient de variation
L'objectif de ce coecient est de fournir un indice quantitatif permettant de
comparer la dispersion de deux distributions de faon indpendante du choix
des units de mesure.
(X)
C.V. = 100%
X
Plus le coecient de variation est lev, plus la dispersion autour de la moyenne
est leve.
Exemple
On considre les moyennes du semestre de deux classes de SMP :
Notes
ni de SM P1
ni de SM P2
5
0
2
6
3
4
7
4
3
8
4
3
9
5
3
10
7
4
11
3
3
12
4
2
13
2
2
14
1
3
15
0
1
16
0
2
Rgression linaire
32
La srie statistique est alors une suite de n couples des valeurs prises par deux
variables sur chaque individu :
X
1X
= 1
2;
X
xi , 2 (X) =
(xi X)
n i=1
n i=1
1X
1X
Y =
yi , 2 (Y ) =
(yi Y )2 .
n i=1
n i=1
Dnition
La covariance est dnie
n
Cov(X, Y ) =
1X
i Y ).
(xi X)(y
n i=1
Proprits de la covariance
Remarque
Thorme
Cov(X, Y ) =
1X
Y .
xi yi X
n i=1
33
Corrlation
Dnition
Le coecient de corrlation est dni par :
r(X, Y ) =
Cov(X, Y )
.
(X)(Y )
r2 (X, Y ).
r(X, Y ) mesure la dpendance linaire entre X et Y .
Nuages de points et Corrlation
Droite de rgression
Dnition
La droite de rgression est la droite qui ajuste au mieux un nuage de
points.
M (a, b) =
n
X
i=1
e2i
n
X
=
(yi a bxi )2 .
i=1
Y = Y .
Les valeurs ei = yi yi sont appeles rsidus. On a
= 0.
E
Nuage de points et Rsidu
Estimation de a et b
Thorme
b=
, a = Y bX.
2 (X)
L'quation de la droite de rgression de Y en X :
y=
Cov(X, Y )
+ Y .
(x X
2 (X)
Exemple 1
10
30
xi
yi
20
60
30
90
40
120
50
150
60
180
Exemple 2
Le tableau suivant donne la longueur totale X d'un oiseau (en cm) en fonction
de la longueur Y de son uf (en mm).
X
Y
X
Y
15
8
28
16
32
25
17
11
79
60
16
8
40
32
18
11
55
38
57
60
16
10
30
26
22
15
23
13
20
13
et Y des variables X et Y .
1. Calculer les moyennes respectives X
2. Calculer les variances respectives 2 (X) et 2 (Y ) des variables X et Y .
3. Calculer le coecient de corrlation linaire r(X, Y ) entre X et Y . Commenter ce rsultat.
4. Dterminer la droite de rgression linaire de Y en X .
5. Quelle longueur de l'uf peut-on prvoir pour une longueur totale de
l'oiseau de 70 cm ?
= 31, 2 cm et Y = 23, 07 mm.
1. X
2. V ar(X) = 2 (X) = 332, 29 cm2 et V ar(Y ) = 2 (Y ) = 285, 13 mm2 .
3. (X) = 18, 23 cm, (Y ) = 16, 89 mm, Cov(X, Y ) = 296, 32 cm.mm ainsi
r(X, Y ) 0, 96.
Le coecient de dtermination r2 (X, Y ) 0, 93 est proche de 1. Il existe
donc une forte dpendance linaire entre X et Y .
4. L'quation de la droite de rgression linaire est y = a+bx avec a 4, 76
et b 0, 89.
5. La longueur de l'uf 4, 76 + 0, 89 70 = 57, 54 mm.
Rgression non-linaire
De nombreux modles non-linaires se ramnent facilement aux modles
linaires par des simples transformations. Voici quelques cas frquents :
Dpendance
non-linaire
y = kex
Transformation
Y = log(y)
Droite de
rgression linaire
Y = log k + x
y = kx
Y = log(y), X = log(x)
Y = log(k) + X
y=
x
x+k
Y = y1 , X =
36
1
x
Y =
+ k X