Première année de médecine

Biostatistique
Riad Benchoucha
Ce document est distribué gratuitement
21 octobre 2011
LATEX
 Avant-propos
Ce modeste ouvrage, conçu comme un simple résumé, a pour objectif de présenter les bases de
la statistique aux étudiants de première année de médecine, ainsi qu’à tous ceux qui dans d’autres
disciplines, s’intéressent à cette science.
C’est en constatant le manque de livres au niveau de notre université, que j’ai décidé d’apporter ma
contribution. Tout au long de sa réalisation, j’ai été guidé par le souci de m’adresser à un large public et
de présenter les informations de la manière la plus simple et didactique que possible.

Je serais bien évidement heureux que les lecteurs me fassent part de leurs suggestions et critiques afin
que je puisse améliorer et parfaire cet ouvrage. Je reste pour cela joignable par e-mail ([email protected]).

Riad BENCHOUCHA
Étudiant en médecine

I
 Chapitre

1
Dans ce chapitre
1.1 Vocabulaire de base
1.2 Série statistique
1.3 Représentations graphiques

Introduction à l’étude de la
statistique descriptive

La statistique descriptive est la branche des statistiques qui regroupe les nom-
breuses techniques utilisées pour décrire, c’est-à-dire de résumer ou représenter,
un ensemble relativement important de données.

1
2 Introduction à l’étude de la statistique descriptive

1.1 Vocabulaire de base

Population statistique : toute étude statistique porte sur un ensemble appelé population. Les éléments
de cette population sont les individus (ou unité statistique). Les premières études statistiques étaient
démographiques et on a gardé ce vocabulaire.
Échantillon : lorsque la population est nombreuse, on travaille sur un ou plusieurs échantillons. Pour
étendre les résultats collectés à l’ensemble de la population, il est important que l’échantillon soit
représentatif et non biaisé.
Caractère ou variable : lors d’une étude statistique, on s’intéresse à un aspect des individus de la popu-
lation appelé variable ou caractère.
La variable prend différentes valeurs que l’on appelle modalités.

Variable quantitative : si on peut mesurer cet aspect, c’est-à-dire y faire des opérations, la variable
est dite de nature quantitative. Exemple : le poids
– Si la variable quantitative ne prend que quelques valeurs, dites isolées, elle est discrète.
Exemple : le nombre d’enfants
– Si la variable quantitative prend n’importe quelle valeur d’un intervalle, elle est continue.
Exemple : le poids
Variable qualitative : si l’aspect ne se traduit pas par des nombres, ou n’est pas mesurable, la
variable est de nature qualitative. Exemple : la couleur des yeux.
– Mesurées dans une échelle nominale, les modalités sont exprimables par des noms et ne
sont pas hiérarchisées.
Exemple : la couleur du pelage, les groupes sanguins, les différents nucléotides de l’ADN.
– Mesurées dans une échelle ordinale, les modalités traduisent le degré d’un état caractérisant
un individu sans que ce degré ne puisse être défini par un nombre qui résulte d’une mesure.
Les modalités sont alors hiérarchisées.
Exemple : le stade d’une maladie.

1.2 Série statistique

1.2.1 Modalités et classes
A. Variable discrète :

Dans le cas d’une variable discrète, les différentes modalités du caractère étudié seront notées x1 , x2 , x3
, · · · , xi .

B. Variable continue :

Dans le cas d’une variable continue, on procède à un regroupement par classes.

Amplitude d’une classe : l’amplitude, ou l’intervalle d’une classe statistique bornée est sa largeur. L’am-
plitude de la classe [a, b[ est b − a. On parle aussi d’étendue d’une classe.
Étendu d’une série statistique : l’étendue d’une série statistique est la différence entre les deux valeurs
extrêmes prises par un caractère quantitatif, on notera : E = xmax − xmin .

Regroupement par classes En règle générale, on choisit des classes de même amplitude. Pour que
la distribution en fréquence ait un sens, il faut que chaque classe comprenne un nombre suffisant de
valeurs (ni ).
1.3 Représentations graphiques 3

Diverses formules empiriques permettent d’établir le nombre de classes pour un échantillon de

taille N . Nous utiliserons celle-çi, soit :
– k le nombre de classes (k ∈ N) ;
– N l’effectif total ;
– E l’étendue de la série ;
– a l’amplitude de la classe.
√ E
k= N ; a=
k
Remarque : a > E/k , arrondir supérieurement.

1.2.2 Effectif
A. Effectif d’une modalité ou d’une classe
L’effectif d’une modalité xi est égal au nombre d’individus qui prennent cette valeur, on le note ni .
Les différents effectifs seront notés n1 , n2 , n3 , . . . . . . , ni .

B. Effectif total
L’effectif total est égal au nombre d’individus de la population, on le note N. On a donc :
i
X
N = n1 + n2 + n3 + . . . . . . + ni = nk
k=1

1.2.3 Fréquence
La fréquence d’une valeur est le rapport de l’effectif de cette valeur sur l’effectif total.
La fréquence de la modalité xi , notée fi , est donc égale à :
ni
fi =
N

1.2.4 Effectifs ou fréquences cumulés

Effectif cumulé croissant : l’effectif cumulé croissant d’une valeur xi est la somme des effectifs des va-
leurs inférieures ou égales à xi .
Fréquence cumulée croissante : la fréquence cumulée croissante d’une valeur xi est la somme des fré-
quences de valeurs inférieures ou égales à xi .
Effectif cumulé décroissant : l’effectif cumulé décroissant d’une valeur xi est la somme des effectifs des
valeurs supérieures ou égales à xi .
Fréquence cumulée décroissante : la fréquence cumulée décroissante d’une valeur xi est la somme des
fréquences des valeurs supérieures ou égales à xi .

1.3 Représentations graphiques

Les représentations graphiques ont l’avantage de renseigner immédiatement sur l’allure générale de
la distribution. Elles facilitent l’interprétation des données recueillies.

1.3.1 Caractère quantitatif discret

A. Diagramme en bâtons
Il sert à représenter en général un caractère quantitatif discret. La hauteur de chaque bâton représen-
tant une valeur est proportionnelle à l’effectif (ou la fréquence) correspondant(e).
4 Introduction à l’étude de la statistique descriptive

Remarque : si 0 (zéro) est une modalité du caractère, il est d’usage de décaler l’origine.

B. Polygone des fréquences

Le polygone des fréquences est obtenu en joignant les sommets des bâtons par une ligne brisée.

C. Diagramme cumulatif
Le diagramme cumulatif est obtenu en reliant les bâtons cumulés par une ligne en escalier.

1.3.2 Caractère quantitatif continu

A. Histogramme
Il sert à représenter un caractère quantitatif continu. L’aire de chaque rectangle est proportionnelle à
l’effectif (ou la fréquence) de la valeur correspondante.

B. Polygone des fréquences

Le polygone des fréquences est obtenu en joignant les milieux des sommets des rectangles par une
ligne brisée. On joindra les milieux des sommets du premier et dernier rectangle avec, respectivement,
a a
les points (a0 − ; 0) et (ak + ; 0).
2 2

C. Courbe cumulative
La courbe cumulative est obtenue en reliant les points ayant pour abscisse la borne supérieur de la
classe et l’ordonnée nic ou fi c . On joindra le premier point obtenu avec le point (a0 ; 0).

Remarque : une courbe cumulative bien tracée ne comporte pas de cassures et a une forme en s
allongé.

1.3.3 Caractère qualitatif

A. Diagramme à bande
Le diagramme à bande ou en tuyaux d’orgue sert à représenter un caractère qualitatif (souvent or-
dinal), chaque modalité est représentée par une bande de longueur proportionnelle à l’effectif ou la
fréquence. Les différentes bandes doivent avoir la même largeur.
Pour comparer des séries dans le temps, il suffit de tracer sur le même diagramme des bandes juxta-
posées aux premières, d’égales largeurs que ces dernières mais de couleurs différentes.

Remarque : les modalité étant non mesurables, on ne met pas de flèche sur l’axe des abscisses.

B. Diagramme circulaire
Le diagramme circulaire ou à secteurs sert à représenter en général un caractère qualitatif nominal.
Chaque secteur angulaire représentant une valeur ou modalité est proportionnel à l’effectif (ou fréquence)
correspondant.

Remarque : on représente souvent les caractères qualitatifs nominaux par un diagramme à bandes
car il est plus facile à dessiner et permet une comparaison dans le temps de plusieurs séries.
1.3 Représentations graphiques 5

Ni

1 2 3 4 5 6 7 8 9 10 Xi

FIGURE 1.1 – En bleu le diagramme en bâtons, en noir le polygone des fréquences.

Nic

1 2 3 4 5 6 Xi

FIGURE 1.2 – En bleu le diagramme cumulatif.

6 Introduction à l’étude de la statistique descriptive

Fic
1

1 2 3 4 5 6 7 8 9 10 Xi
FIGURE 1.3 – En couleurs l’histogramme, en noir le
polygone des fréquences. FIGURE 1.4 – Courbe cumulée.

Australie
Autres
Canada

UK

USA

FIGURE 1.5 – Diagramme à bande. FIGURE 1.6 – Diagramme circulaire.

 Chapitre

2
Dans ce chapitre
2.1 Paramètres de position
2.2 Paramètres de dispersion

Les paramètres statistiques

Lorsque l’on est en face d’une série statistique comportant un grand nombre
de termes, il devient difficile d’analyser directement l’ensemble des données.
Nous avons vu que la représentation graphique permettait d’extraire une cer-
taine information. En complément de cette analyse qualitative, le statisticien
est amené à simplifier la distribution observée par des caractéristiques ou para-
mètres, significatives. Nous distinguerons deux types de caractéristiques : celles
de la position et celles de dispersion.

7
8 Les paramètres statistiques

2.1 Paramètres de position

Ces paramètres ont pour objectif dans le cas d’un caractère quantitatif de caractériser l’ordre de
grandeur des observations.

2.1.1 Moyenne arithmétique

Soit un échantillon de n valeurs observées x1 , x2 , · · · , xn d’un caractère quantitatif X, on définit sa
moyenne arithmétique x̄ comme :
n
1X
x̄ = xi
n
i=1

– Lorsque les valeurs x1 , x2 , · · · , xi se répètent réspectivement n1 , n2 , · · · , ni , il faut les pondérer par

les effectifs correspondants :
i i
1 X X
x̄ = nk · xk ; N = nk
N
k=1 k=1

– La moyenne de la série xi associée aux fréquences fi est :

i
X
x̄ = fk · xk
k=1

– Pour des données groupées en classes, on peut calculer une valeur approximative de la moyenne
en supposant que tous les individus d’une classe se situent au centre de celle-ci. xi représente alors
le centre de la classe.

2.1.2 Propriétés de la moyenne arithmétique

– Lorsqu’on augmente chacune des valeurs du caractère du même réel b, la moyenne augmente
également de b (linéarité de la moyenne arithmétique) :

x + b = x̄ + b
– Lorsqu’on multiplie chacune des valeurs du caractère par un même réel a, la moyenne est multi-
pliée par a (linéarité de la moyenne arithmétique) :

a × x = a · x̄
– La somme des écarts à la moyenne est nulle :
n
X
(xi − x̄) = 0
i=1

Remarque : On utilisera ces propriétés lors d’un changement de variable statistique (voir section
2.2.6 page 11).

A. Le mode
Le mode M o d’une série statistique est la valeur du caractère la plus fréquente ou dominante dans
l’échantillon.
Dans le cas d’une variable continue, la classe modale correspond à la classe de fréquence maximale
dans la distribution des fréquences. On peut identifier le mode comme la valeur médiane de la classe
modale.
2.1 Paramètres de position 9

Remarque : une série peut être unimodale ou plurimodale.

B. Quantile d’ordre α
On appelle quantile d’ordre α (α ∈]0; 1[) le nombre noté qα tel qu’il y ait nα des observations qui lui
sont inferieures dans une série ordonnée de taille n.

Certains quantiles ont des noms spéciaux :

– les 100-quantiles sont appelés centiles ou percentiles selon un anglicisme fréquent ;
– les 10-quantiles sont appelés déciles ;
– les 5-quantiles sont appelés quintiles ;
– les 4-quantiles sont appelés quartiles ;
– le 2-quantile est appelé médiane.

Calcul des quantiles

 1 (x + x

nα nα+1 ) si nα ∈ N
qα = 2 (2.1)
xE[nα+1] si nα ∈
/N


E [nα + 1] désignant la partie entière de nα + 1.

Interpolation linéaire
Soit f une fonction définie sur R, [a; b] un intervalle de R et c un nombre réel .
Quand il n’est pas possible de calculer l’image de c par f , on utilise une interpolation linéaire, cela
consiste à remplacer f (c) par g(c) ou g est la fonction affine telle que g(a) = f (a) et g(b) = f (b).
On remplacera alors la courbe représentative de f sur [a; b] par la droite (AB). On dit que l’on a
déterminé f (c) par interpolation linéaire.

g(c)

f(c)
A

a c b

FIGURE 2.1 – Interpolation linéaire.

f (b) − f (a)
f (c) ' f (a) + (c − a)
b−a

Calcul des quantiles par interpolation linéaire

On montre grâce au théorème de THALÈS que :

qα − l1 nα − F1
=
l2 − l1 F2 − F1
Avec :
– l1 et l2 les éxtrémités de la classe contenant qα ;
– F1 la fréquence (ou effectif) cumulée de la classe avant [l1 ; l2 ] ;
– F2 la fréquence (ou effectif) cumulée de la classe [l1 ; l2 ].
10 Les paramètres statistiques

F2
n

F1

l1 q l2

FIGURE 2.2 – Interpolation linéaire.

2.2 Paramètres de dispersion

Ces paramètres ont pour objectif dans le cas d’un caractère quantitatif de caractériser la variabilité
des données dans l’échantillon.

2.2.1 La variance
Soit un échantillon de n valeurs observées x1 , x2 , · · · , xn d’un caractère quantitatif X, x̄ sa moyenne
arithmétique. On définit la variance, notée σ 2 ou var(x) comme la moyenne arithmétique des carrés des
écarts à la moyenne.

n
1X
σ2 = (xi − x̄)2
n
i=1

Lorsque les valeurs x1 , x2 , · · · , xi se répètent réspectivement n1 , n2 , · · · , ni , il faut les pondérer par

les effectifs correspondants :

i i
2 1 X 2
X
σ = nk · (xk − x̄) ; N = nk
N
k=1 k=1

Pour des commodités de calcul, on utilisera la formule développée suivante (théorème de KŒNIG) :

i i
1 X
2 2 2
X
σ = (nk · xk ) − x̄ ; N = nk
N
k=1 k=1

– Pour des données groupées en classes, xi représente le centre de la classe.

– De part sa définition, la variance est toujours un nombre positif.
– La dimension de la variance est le carré de celle de la variable.

2.2.2 L’écart type

L’écart-type d’une série (ou écart quadrique) est la racine carrée de sa variance.
p
σ(x) = V (x)

L’écart-type s’exprime dans les mêmes unités que la moyenne.

Remarque : La variance et l’écart-type sont des paramètres de dispersion absolue qui mesurent la
variation absolue des données indépendamment de l’ordre de grandeur des données.
2.2 Paramètres de dispersion 11

2.2.3 Coefficient de variation

Le coefficient de variation noté CVx est un indice de dispersion relatif égal à :
σx
CVx =
x̄
Exprimé en pour cent, il est indépendant du choix des unités de mesure permettant la comparaison
de distributions de fréquence d’unité différente.

2.2.4 Étendu d’une série statistique

L’étendu d’une série statistique est la différence entre les deux valeurs extrêmes prises par un caractère
quantitatif, on notera :
E = xmax − xmin

2.2.5 L’écart absolu moyen

On appelle écart absolu moyen que l’on désigne par e la moyenne arithmétique des écarts absolus
entre les valeurs du caractère et la moyenne arithmétique.
i i
1 X X
e= |xk − x̄| ; N = nk
N
k=1 k=1

2.2.6 Écart interquartile

L’intervalle interquartile (écart interquartile) est la différence entre le premier et le troisième quartile.

Qi = Q3 − Q1
L’intervalle interquartile élimine le premier 25% et le dernier 25% soit la tête et la queue, des ob-
servations. On ne garde que les 50% au centre. L’intervalle interquartile est une bonne mesure de la
dispersion des données d’une variable.

Changement de variable statistique

Le calcul de la variance ou de la moyenne est parfois laborieux à cause des valeurs élevées de xi ,
c’est pourquoi on est souvent ammené à effectuer un changement de la variable statistique.

x=ay+b

On choisira :
– a l’amplitude de la classe ;
– b le mode.
On écrira y, on calculera ȳ et σy 2 , respectivement la moyenne de la variance de y, puis on utilisera
ces formules :

x̄ = aȳ + b
σx 2 = a2 σy 2
 Chapitre

3
Dans ce chapitre
3.1 Principe fondamental de l’analyse combinatoire
3.2 Arrangements
3.3 Permutations
3.4 Combinaisons

L’analyse combinatoire

L’analyse combinatoire est l’ensemble des techniques qui servent, en mathé-

matiques, à compter (ou dénombrer) le nombre de dispositions que l’on peut
former à partir des éléments d’un ensemble fini de grande cardinalité.

13
14 L’analyse combinatoire

3.1 Principe fondamental de l’analyse combinatoire

Soit ξ une expérience globale composée d’une succession de k sous-expériences. Si l’expérience ξ1
a n1 résultats, la ξ2 : n2 résultats ... la ξk : nk résultats, alors le nombre total n de résultats possibles de
l’expérience globale est :
k
Y
n= ni
i=1

3.2 Arrangements
3.2.1 Arrangements sans répétition
En mathématiques, lorsque nous choisissons p objets parmi n objets discernables et que l’ordre dans
lequel les objets sont sélectionnés revêt une importance, nous pouvons les représenter par un k-uplet
d’éléments distincts et on en constitue une liste ordonnée sans répétition possible, c’est-à-dire dans
laquelle l’ordre des éléments est pris en compte, si l’on permute deux éléments de la liste, on a une liste
différente, et un élément ne peut être présent qu’une seule fois.

Une telle liste ordonnée est appelée un arrangement de n éléments p à p (p ∈ N∗ , n ∈ N∗ et p 6 n).

Le nombre d’arrangements que l’on peut faire est noté Apn et vaut :

n!
Apn = n(n − 1)(n − 2)...(n − p + 1) =
(n − p)!
Exemple : À un examen, cinq candidats tirent les uns après les autres un sujet dans une urne conte-
nant des questions toutes différentes. Le premier tirage se fera sur un ensemble de 50 questions possibles.
À chaque tirage suivant, la question qui vient d’être tirée est enlevée de l’urne. Ainsi, en faisant passer
les cinq candidats, le tirage se fait d’abord sur 50, puis sur 49, et ainsi de suite jusqu’à 46 qui représente
l’ensemble des questions restantes dans l’urne pour le dernier tirage. L’arrangement va consister à addi-
tioner à chaque modification possible de cet ensemble de départ la nouvelle probabilité de piocher une
question donnée. La solution pour cet exemple est donc un arrangement de 5 (p) à 50 (n).

50!
A550 = 50(49)(48)(47)(46) = = 254 251 200
45!

3.2.2 Arrangements avec répétition

Un arrangement avec répétition de p élements choisis parmi n est une liste ordonnée de ces p éle-
ments avec une eventuelle répétition de un ou plusieurs élements. Le nombre d’arrangements avec répé-
tition que l’on peut faire est noté αnp et vaut :

αnp = np

Exemple : Dans l’exemple précédant, si on remettait la question tirée de nouveau dans l’urne à
chaque tirage, ce serait un arrangement avec répétition de 5 (p) à 50 (n), et la solution vaudrait :
5
α50 = 505 = 312 500 000

3.3 Permutations
3.3.1 Permutations sans répétition
Une permutation de n objets distincts, correspond à toute suite ordonnée de ces n objets distincts ou
tout arrangement n à n de ces objets.
3.4 Combinaisons 15

Le nombre de permutations de n objets distincts est noté Pn et vaut :

Pn = n!

Remarque : La permutation de n objets constitue un cas particulier d’arrangement sans répétition de

p objets pris parmi n lorsque p = n.

3.3.2 Permutations avec répétition

On considère n objets parmi lesquels r1 sont semblables entre eux, r2 sont semblables entre eux, ...,
rk sont semblables entre eux.
Le nombre de permutations de ces n éléments avec répétitions et noté Pn (r1 , r2 , ..., rk ) et vaut :
n!
Pn (r1 , r2 , ..., rk ) = Qk
i=1 ri !

3.3.3 Permutations circulaires

Les permutations circulaires sont les différentes dispositions qu’on peut donner aux objets placés sur
un cercle. Le nombre de permutations circulaires d’un ensemble à n éléments distincts est le nombre
noté P Cn défini par :
P Cn = (n − 1)!

Exemple : Pour trois objets, les permutations abc, bca, cab n’en font qu’une, et de même pour bac,
acb, cba puisqu’on peut choisir librement le premier objet.

3.4 Combinaisons
3.4.1 Combinaisons sans répétition
En mathématiques, lorsque nous choisissons p objets parmi n objets distincts (discernables), numé-
rotés de 1 à n et que l’ordre dans lequel les objets sont placés (ou énumérés) n’a pas d’importance, nous
pouvons les représenter par un sous-ensemble à k éléments.

Un tel sous-ensemble à k éléments est appelé une
combinaison de p éléments parmi n. Le nombre
de combinaisons que l’on peut faire est noté Cnp ou nk et vaut :
 
p n n!
Cn = =
k (n − p)! p!
Voici pourquoi :
– Il y a Apn manières de tirer p objets parmi les n en les ordonnants.
– Une fois les p objets tirés, il y a Pp = p! manières de les ordonner.
Apn
– Il y a donc manières de tirer p objets parmi n sans les ordonner.
p!

A. Propriétés

Cnp = Cnn−p
p p−1
Cnp = Cn−1 + Cn−1

n−p
Cnp+1 = · Cnp
p+1
16 L’analyse combinatoire

3.4.2 Cominaisons avec répétition

Il s’agit de dispositions non ordonnées de p éléments pris parmi n, discernables, avec répétition
éventuellement.
 
n p
= Cn+p−1
k
 Chapitre

4
Dans ce chapitre
4.1 Vocabulaire de base
4.2 Lois de probabilités conditionnelles

Calcul de probalilités

17
18 Calcul de probalilités

4.1 Vocabulaire de base

Probabilité : la probabilité (du latin probabilitas) est une évaluation du caractère probable d’un évène-
ment. La probabilité d’un événement est un nombre réel compris entre 0 et 1. Plus ce nombre est
grand, plus le risque (ou la chance, selon le point de vue) que l’événement se produise est grand.
Expérience aléatoire : une expérience est dite aléatoire si ses résultats ne sont pas prévisibles avec certi-
tude en fonction des conditions initiales.
Épreuve : on appelle épreuve la réalisation d’une expérience aléatoire.
Espace fondamental (univers) : l’espace fondamental ou univers, noté Ω est l’ensemble de tous les éve-
nements élémentaires d’une expérience aléatoire.
Évènement élémentaire (éventualité) : un événement élémentaire ou éventualité, noté ωi est un sous-
ensemble de l’univers constitué d’un seul élément.
Évènement : on appelle évènement la propriété du système qui une fois l’épreuve effectuée est ou n’est
pas réalisée. Un évenement est noté par une lettre capitale, par exemple A, il correspond à un sous
ensemble de Ω(A ⊂ Ω).
Évènement certain : l’univers Ω est appelé événement certain.
Évènement impossible : l’ensemble vide ∅ est appelé événement impossible.

4.1.1 Opérations sur les évenements

4.1.2 L’union
L’événement A ∪ B est réalisé dès que A ou B est réalisé. Dans un lancer de dé, si l’événement A
est « obtenir un nombre pair » et l’événement B « obtenir un multiple de 3 », l’événement A ∪ B est
l’événement « obtenir un nombre pair OU un multiple de 3 », c’est-à-dire {2; 3; 4; 6}.

4.1.3 L’intersection
L’événement A∩B (noté parfois A·B) est réalisé dès que A et B sont réalisés dans la même expérience.
Dans un lancer de dé, si l’événement A est « obtenir un nombre pair » et l’événement B « obtenir un
multiple de 3 », l’événement est l’événement « obtenir un nombre pair ET multiple de 3 », c’est-à-dire
{6}.
Évènement contraire : l’événement contraire de A, noté Ā contient tous les éléments de Ω qui ne sont
pas dans A. C’est l’événement qui est réalisé dès que A n’est pas réalisé.
Événements incompatibles : lorsque deux événements ont une intersection vide, c’est qu’il ne peuvent
pas être réalisés au cours d’une même expérience. On les appelle alors événements incompatibles
ou mutuellement exclusifs.

4.1.4 Probabilité sur un ensemble fini

A. Définition mathématique
À chaque événement on associe un nombre positif compris entre 0 et 1, sa probabilité. Àfin d’éviter
toute discussion de nature philosophique sur le hasard, la théorie moderne des probabilités repose sur
l’axiomatique suivante :
AXIOMATIQUE DE KOLMOGOROV On appelle probabilité sur un ensemble fini Ω est une
application P de Ω dans [0; 1] vérifiant :
– P (Ω) = 1 ;
– pour tout ensemble dénombrable d’évenements incompatibles A1 , A2 ...Ai on a :
i
X
P (A1 ∪ A2 ∪ ... ∪ Ai ) = P (Ak )
k=1
4.2 Lois de probabilités conditionnelles 19

B. Equiprobabilité
Si on estime que toutes les éventualités sont équiprobables, et si on note |Ω|, le cardinal de Ω, c’est-
à-dire le nombre d’éléments dans Ω, chaque éventualité a une probabilité d’apparition de :
1
P ({ω1 }) = P ({ω2 }) = ... = P ({ωi }) =
|Ω|
Dans ce cas, et uniquement dans ce cas la probabilité de l’événement A est donnée par la formule :
|A|
P (A) =
|Ω|

C. Propriétés élémentaires
Des axiomes on déduit immédiatement les propriétés suivantes :
Propriété 1 : p(Ω) = 1
Propriété 2 : p(∅) = 0
Propriété 3 : p(A) = 1 − p(A)
Propriété 4 : p(A ∪ B) = p(A) + p(B) − p(A ∩ B)
Propriété 5 : p(A − B) = p(A ∩ B̄) = p(A) − p(A ∩ B)
Propriété 7 : p(A ∪ B ∪ C) = p(A) + p(B) + p(c) − [p(A ∩ B) + p(A ∩ C) + p(B ∩ C) + p(A ∩ B ∩ C)]

D. Rappels utiles sur les opérations appliquées aux ensembles

Lois associatives
A ∪ (B ∪ C) = (A ∪ B) ∪ C
A ∩ (B ∩ C) = (A ∩ B) ∩ C

Lois distributives
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C)

4.2 Lois de probabilités conditionnelles

4.2.1 Introduction et définitions
Supposons que l’on s’intéresse à la réalisation d’un évenement A, tout en sachant qu’un événement B
est réalisé (voir figure 4.2.1). Si A et B sont incompatibles la question est tranchée : A ne se réalisera pas,
mais si A ∩ B 6= ∅, il est possible que A se réalise ; cependant, l’univers des possibles n’est plus Ω tout
entier, mais est restreint à B. En fait, seule nous intéresse la réalisation de A à l’interieur de B, c’est-à-dire
A ∩ B par rapport à B.
Ceci justifie la définition suivante :
DÉFINITION
Soit B un événement de probabilité non nulle. On appelle probabilité conditionnelle A
sachant B (ou encore de A si B) le rapport noté P (A/B) :

P (A ∩ B)
P (A/B) =
P (B)
En cas d’équiprobabilité, nous aurons :
|A ∩ B|
P (A/B) =
|B|
20 Calcul de probalilités

B
A

FIGURE 4.1 – Intersection de deux sous ensembles A et B.

A. Probabilité de l’intersection
Pour deux événements nous avons :

P (A ∩ B) = P (A/B) · P (B) = P (B/A) · P (A)

Pour plus de deux événements, nous aurons :

P (A ∩ B ∩ C) = P (A) · P (B/A) · P (C/A ∩ B)

4.2.2 Indépendance
A. Indépendance de deux événements
DÉFINITION
A est indépendant de B si P (A/B) = P (A)
A et B sont indépendants si et seulement si P (A/B) = P (A) et P (B/A) = P (B)
A et B sont indépendants si et seulement si P (A ∩ B) = P (A) · P (B)

B. Indépendance mutuelle
DÉFINITION
Soit A1 , A2 , ..., An des événements, ils sont dits mutuellement indépendants si et seulement
s’ils sont indépendants deux à deux.

C. Formules de BAYES
Les formules de BAYES ont pour but d’exprimer P (A/B) en fonction de P (B/A).
Soit Bi un système complet d’événements.

Première formule X
P (A) = P (A/Bi ) · P (Bi )
i

Deuxième formule
P (A/Bi ) · P (Bi )
P (Bi /A) = P
k P (A/Bk ) · P (Bk )
 Table des matières

1 Introduction à l’étude de la statistique descriptive 1

1.1 Vocabulaire de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Série statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1 Modalités et classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
A. Variable discrète : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
B. Variable continue : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 Effectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
A. Effectif d’une modalité ou d’une classe . . . . . . . . . . . . . . . . . . 3
B. Effectif total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3 Fréquence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.4 Effectifs ou fréquences cumulés . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Représentations graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1 Caractère quantitatif discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
A. Diagramme en bâtons . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
B. Polygone des fréquences . . . . . . . . . . . . . . . . . . . . . . . . . . 4
C. Diagramme cumulatif . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2 Caractère quantitatif continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
A. Histogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
B. Polygone des fréquences . . . . . . . . . . . . . . . . . . . . . . . . . . 4
C. Courbe cumulative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.3 Caractère qualitatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
A. Diagramme à bande . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
B. Diagramme circulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2 Les paramètres statistiques 7

2.1 Paramètres de position . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.1 Moyenne arithmétique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.2 Propriétés de la moyenne arithmétique . . . . . . . . . . . . . . . . . . . . . . . 8
A. Le mode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
B. Quantile d’ordre α . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Paramètres de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 La variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.2 L’écart type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.3 Coefficient de variation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

21
22 TABLE DES MATIÈRES

2.2.4 Étendu d’une série statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.2.5 L’écart absolu moyen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.6 Écart interquartile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

3 L’analyse combinatoire 13
3.1 Principe fondamental de l’analyse combinatoire . . . . . . . . . . . . . . . . . . . . . . 14
3.2 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.1 Arrangements sans répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.2 Arrangements avec répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.1 Permutations sans répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.2 Permutations avec répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3.3 Permutations circulaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.4 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.4.1 Combinaisons sans répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
A. Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.4.2 Cominaisons avec répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

4 Calcul de probalilités 17
4.1 Vocabulaire de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.1.1 Opérations sur les évenements . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.1.2 L’union . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.1.3 L’intersection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.1.4 Probabilité sur un ensemble fini . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
A. Définition mathématique . . . . . . . . . . . . . . . . . . . . . . . . . 18
B. Equiprobabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
C. Propriétés élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . 19
D. Rappels utiles sur les opérations appliquées aux ensembles . . . . . . . 19
4.2 Lois de probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.2.1 Introduction et définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
A. Probabilité de l’intersection . . . . . . . . . . . . . . . . . . . . . . . . 20
4.2.2 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
A. Indépendance de deux événements . . . . . . . . . . . . . . . . . . . . 20
B. Indépendance mutuelle . . . . . . . . . . . . . . . . . . . . . . . . . . 20
C. Formules de BAYES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20