Introduction aux prob-Stat

ΔϳΑόηϟ΍Δϳρ΍έϘϣϳΩϟ΍Δϳέ΋΍ίΟϟ΍ΔϳέϭϬϣΟϟ΍
ϲϣϠόϟ΍ΙΣΑϟ΍ϭϲϟΎόϟ΍ϡϳϠόΗϟ΍Γέ΍ίϭ
8QLYHUVLWp0RKDPHG.KLGHU%LVNUD Γέ˰˰˰˰ϛγΑˬέ˰˰οϳΧ༝Δ˰˰όϣΎΟ
)DFXOWpGHVVFLHQFHVH[DFWHVHWGHV ϡϭ˰˰ϠϋϭΔ˰ϘϳϗΩϟ΍ϡϭ˰˰Ϡόϟ΍Δ˰˰ϳϠϛ
VFLHQFHVGHODQDWXUHHWGHODYLH ΓΎ˰˰ϳΣϟ΍ϭΔ˰˰όϳΑρϟ΍
'pSDUWHPHQWGH0DWKpPDWLTXHV ΕΎϳοΎϳέϟ΍ϡ˰˰˰γϗ
SUPPORT DE COURS
Conforme au programme de la 1ière année MI
Présenté à la Faculté des Science Exacte et Science de la Nature et de la Vie,

Département de Mathématiques en vue de préparation de
Par : DrLAKHDARI Imad Eddine
Introduction aux probabilités

et statistique descriptive
Année Universitaire 202/202

Avant-propos
Ce polycopié est le support du cours Introduction aux probabilités et statistique descriptive
destiné aux étudiants de la première année MI de département de mathématiques de l’université
de Biskra dont je suis responsable. Mais peut être utile à toute personne souhaitant connaı̂tre et
surtout utiliser les outils élémentaires des probabilités et de statistique.
La première partie du polycopié contient deux chapitres, le premier chapitre est dédié pour les
concepts de base de la statistique descriptive, les tableaux statistiques (Cas de caractère qualitatif
et quantitatif), et la représentation graphique et numérique des données, le deuxième chapitre est
consacré pour les caractéristiques de tendance centrale ou de position, et les caractéristiques de
dispersion.
La deuxième partie permet aux étudiants de comprendre les notions fondamentaux en proba-
bilités : Analyse combinatoire, Théorie et calcul des probabilités, les variables aléatoires.
Pour élaborer ce polycopié , je me suis appuyé sur diférentes références, des ouvrages reconnus
dans la discipline, mais aussi des ressources en ligne qui sont de plus en plus présents aujourd’hui
dans la diffusion de la connaissance.
Enfin, toutes suggestions ou commentaires qui peuvent améliorer ce polycopié seront les bien-
venu.
Table des matières
Table des matières i
Introduction 1
1 Notions de base et vocabulaire statistique 4

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Concepts de base de la statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Les tableaux statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Représentation graphique d’un caractère qualitatif . . . . . . . . . . . . . . 6
1.3.2 Représentation graphique d’un caractère quantitatif (cas discret) . . . . . . 7
1.3.3 Représentation graphique d’un caractère quantitatif (cas continu) . . . . . 9
2 Représentation numérique des données 14

2.1 Caractéristiques numérique d’une variable statistique . . . . . . . . . . . . . . . . 14
2.1.1 Caractéristique de tendance centrale . . . . . . . . . . . . . . . . . . . . . 14
2.1.2 Caractéristiques de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Exemples d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3 Calcul des probabilités 24

3.1 Analyse combinatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.2 Principe fondamental généralisé . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.3 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.4 Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.5 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Théorie et calcul des probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 Notions de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.3 Les ensembles finis et équiprobables . . . . . . . . . . . . . . . . . . . . . . 30
3.2.4 Probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.5 Evènements indépendants : . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.6 Principe des probabilités totales . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.7 Formule de Bayes : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3 Les variables aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.2 Définition mathématique de la variable aléatoire . . . . . . . . . . . . . . . 34
3.3.3 Types de variable aléatoire : . . . . . . . . . . . . . . . . . . . . . . . . . . 34
ii
Table des matières
3.3.4 Loi de probabilité : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.3.5 La fonction de répartition : . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.6 Les propriétés de cette fonction : . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.7 Densité de probabilité : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.8 Espérence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.9 La variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.10 L’écart type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Bibliographie 37
1
Introduction
La théorie des probabilités permet de modéliser les phénomènes aléatoires (initialement déve-
loppée à partir des jeux de hasard, puis étendue à l’ensemble des sciences expérimentales). Cette
théorie permet aussi de construire des modèles de ces phénomènes et d’y effectuer des calculs théo-
riques (On peut prédire les fréquences d’apparition d’événements à partir d’un modèle probabiliste
d’un jeu de hasard).
Le mot hasard vient de l’arabe : az-zahr (le dé). En français ce mot désigne tout d’abord un
jeu de dés, puis plus généralement un évenement aléatoire.
Á partir du 17ième siècle plusieurs principes de calcul de probabilités ont été avancés, parmi
eux : Les travaux de Pierre de Fermat, Blaise Pascal et Christian Huygens, puis Pierre-Simon de
Laplace, Abraham de Moivre, jacque Bernouli et Denis Siméon Poisson (18ième siècle), et Carl
Friedrich Gauss et Henri Poincaré (19ième siècle).
C’est à partir de 1933 que Andrei Kolmogorov introduit rigoureusement la théorie des proba-
bilités, cela nécessite le développement des théories de la mesure et de l’intégration.
La statistique est la discipline qui sert à étudier des phénomènes à travers la collecte de données,
l’élaboration des procédures pour traiter, analyser et interpréter les resultats de ces données afin
de les rendre compréhensibles par tous.
Le terme ” statistique ” remonte au latin classique ” status ” i.e : état qui, par une série
d’évolution aboutit au français statistique
(status → stato → statista(1633) → statistica(1672) → statisticus(1771) → statistique).
Vers la même époque statistik apparait en allemend, tandis que les anglais utilisent l’expression
political arithmetic jusqu’en 1798, date à laquel le mot statistics entre dans le dictionnaire de cette
langue.
Aux temps anciens, la statistique consiste qu’à la collection d’information sur les états, ac-
tuellement , la statistique désigne à la fois un ensemble de données d’observation et l’activité qui
consiste dans leur recueil, leur traitement et leur interprétation.
Ce document est structuré en trois chapitres :

Le premier chapitre concerne les concepts de base de la statistique descriptive, les tableaux
statistiques : Cas de caractère qualitatif (Représentation circulaire par des secteurs, Représentation
2
Introduction
en tuyaux d’orgue, Diagramme en bandes), cas de caractère quantitatif (Diagramme en batons,

Histogramme, Polygone).
Le deuxième chapitre est consacré pour la représentation numérique des données : les caracté-
ristiques de tendance centrale ou de position (La médiane, Les quartiles, Intervalles interquartile,
Le mode, La moyenne arithmétique, La moyenne arithmétique pondérée, La moyenne arithmé-
tique géométrique, La moyenne harmonique, La moyenne quadratique), et les caractéristiques de
dispersion (L’étendu, L’écart type, L’écart absolue moyen, Le coefficient de variation).
Le dernier chapitre permet aux étudiants de comprendre les notions fondamentaux en proba-
bilités : Analyse combinatoire, calcul des probabilités, les variables aléatoires.
3
Chapitre 1
Notions de base et vocabulaire statistique
1.1 Introduction
Ce chapitre permet de définir les notions de base de la statistique descriptive, et les tableaux
statistiques dont des différentes représentations graphiques d’un caractère qualitatif, et quantitatif
(discret et continu) seront traitées.
1.2 Concepts de base de la statistique

Population : c’est l’ensemble de tous les éléments concernés par l’étude, appelée aussi univers.
Par exemple la section A de la 1ère année MI.
Individus : c’est chaque élément de la population, applées aussi unités statistiques peuvent
être des êtres humains, des objets . . .
Caractère (Variable) : c’est la propriété caractéristique des éléments de la population, les
différents caractères étudies habitiellement sont : l’âge, la taille, le poids, la nationalité, le groupe
sanguin . . .
Modalités : ce sont les différentes situations possibles d’un caractère. Par exemple, le caractère
sexe présente deux modalités (Féminin, Masculin).
Les modalités doivent être incompatibles (un individu ne peut appartenir à plus d’une modalité
à la fois).
Effectif (Fréquence absolue) : est le nombre d’individu présentant chaque modalité.
L’échantillon : est un sous ensemble de la population souvent le nombre des individus d’une
population est assez grand, alors le traitement des résultats sera très délicat, dans ce cas on doit
prendre un sous ensemble de la population choisi aléatoirement pour avoir toutes les propriétés
qui existent dans la population.
Taille : le nombre des éléments de l’échantillon.
x
x x x Population
Echantillon
x
x x Individus
x
x
x
x
x x
x
x x
Les caractères statistiques se décomposent en deux types :
4
Chapitre 1. Notions de base et vocabulaire statistique
Caractère qualitatif : Tout caractère qu’on ne peut pas mesurer. Par exemple : le sexe, la
profession, la nationnalité, région d’habitation, ...
Il y a deux types de caractère qualitatif :
— Caractère qualitatif nominale : ses modalités ne sont pas naturellement ordonnés (statut
matrimonial, sexe).
— Caractère qualitatif ordinale : ses modalités peut être doté d’une relation d’ordre (niveau
d’instruction).
Caractère quantitatif : C’est un caractère mesurable autrement dit on peut assosier à chaque
individu de la population une valeur réelle, par exemple : la taille, le poids, la moyenne des
étudiants.
Remarque 1.1 Par fois, pour raisons de traitement on essaye de traduire à l’aide d’un codage
les caratères qualitatifs en nombres réeles pour quelle devienne une variable quantitative.
Caractère
Quantitatif Qualitatif
Continue Discret Nominale Ordinale
1.3 Les tableaux statistiques

Au cours d’une étude statistique les données sont recueillies de façon désordonnée. Cette masse
d’informations ne peut fournir des renseignements que si l’information en question est classée et
mise en ordre, ce classement ne peut se faire que dans des tableaux statistiques qui servent de
documentation statistique.
On traduit les tableaux statistiques par des graphiques de façon à visualiser le comportement
du caractère statistique.
1.3.0.1 Fréquence absolue (effectif ) et fréquence relative

Considérons une population composé de n individus décrits selon caractère X, constitué de la
modalité x1 , x2 , ..., xk .
La présentation de cette information dans un tableaux consiste à dénombrer le nombre d’indi-
vidus possédant chaque modalité puis de les ordonner.
Le tableaux théorique est le suivant
Modalités Xi ducaractres x1 x2 ... xi ... xk

Nombre d’individus ni n1 n2 ... ni ... nk
Effectif (ou fréquence absolue) : on appelle effectif ou fréquence absolue le nombre ni d’individu
ayant pris la modalité xi du caractère X.
Les observations ordonnées forment une série statistique (on distribution statistique) qui est
constituée de l’ensemble des données et les effectifs correspondant.

(xi , ni ) , i = 1, k est une série statistique.
5

k
ni = n = n1 + n2 + ... + nk .
i=1
Féquence (Fréquence relative) : on appelle fréquence ou fréquence relative de la modalité xi le

ni
nombre fi = : c’est la proportion d’individus ayant pris la modalité xi .
n

k
fi = f1 + f2 + ... + fk = 1.
i=1
1.3.1 Représentation graphique d’un caractère qualitatif

Lorsque le caractère est qualitatif, les modalités xi sont ordonnées selon les effectifs ni ( ou ) .
Exemple 1.1 La répartition des travailleurs d’une entreprise selon la qualification à été comme
suit : 10 Ingénieurs, 30 Employés, 140 Ouvriers et 20 Techniciens.
Pour interpréter ces données, on doit les ranger dans un tableaux statistique
Qualification Nombre de travailleurs ni Fréquance relative fi

Ouvriers 140 0.7
Employés 30 0.15
Techniciens 20 0.10
Ingénieurs 10 0.05
Total 200 1
1.3.1.1 Représentation en tuyaux d’orgue

Ce type de représentation s’obtient en construisant autant de colonnes que de modalités du
caractère. Ces colonnes sont des rectangles de base constante et de hauteur proportionnelle aux
fi (ou ni ) .
1.3.1.2 Représentation en diagramme circulaire

Le diagramme circulaire permet de visualiser la part relative de chaque modalité du caractère.
Le support de cette représentation est un cercle divisé en autant de portions que de modalités du
caractère.
L’angle θi indiquant la portion est donné par :
ni
θi = 360◦ × = 360◦ × fi
n
Exemple 1.2 La répartition des travailleurs selon la qualification
θ1 = 360◦ × f1 = 360◦ × 0.7 = 252◦

θ2 = 360◦ × f2 = 360◦ × 0.15 = 54◦
θ3 = 360◦ × f3 = 360◦ × 0.10 = 36◦
θ4 = 360◦ × f4 = 360◦ × 0.05 = 18◦
6
160
Ingénieurs
140 5%
Techniciens
10%
120
Employés
100
15%
80
Ouvriers
70%
60
40
20 Ouvriers Employés Techniciens Ingénieurs
0
Ouvriers Employés Techniciens Ingénieurs
Diagramme circulaire
Diagramme en Tuyaux des effectifs des fréquences
Figure 1.1: Présentation graphique de la répartition des ouvriers : En tuyaux d’orgue (à gauche)
et Diagramme circulaire (à droite).
1.3.2 Représentation graphique d’un caractère quantitatif (cas dis-

cret)
Exemple 1.3 Distribution statistique du nombre de pièces par logement
Nombre de pièces xi 1 2 3 4 5 6 Total
Nombre de logement ni 5 10 20 30 25 10 100
fi 0.05 0.1 0.20 0.30 0.25 0.10 1
Tabelaux statistique de la répartition des logements selon le nombre de pièces.
La répresentation graphique adéquate d’un caractère statistique (variable) discret est le dia-
gramme en bâtons : à chaque valeur xi de la variable statistique on fait correspondre un bâton
dont la hauteur est proportionnelle à ni ou fi .
0.35 fi 0.35
fi
Plygone des fréquens
0.3 0.3
0.25 0.25
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
1 2 3 4 5 6 0 1 2 3 4 5 6 7 8
x x
Figure 1.2: Diagramme en Batons.
Remarque 1.2 Si l’on joint les sommets des bâtons on obtient le polygônes des effectifs (ou des
fréquences).
Effectif cumulée (resp. Fréquence cumulée) : On appelle effectif cumulée (resp. Fréquence
cumulée) le nombre Ni (resp. Fi ) telle que :

i
i
Ni = nj (resp. Fi = fj ),
j=1 j=1
7
la fréquence Fi répond à la question quelle est la proportion d’individus ayant le caractère

inferieur à xi+1 ou superieur ou égale à xi .
La courbe cumulative ou polygône des fréquences cumulées (absolues ou relatives) est la re-
présentation graphique de ces fréquences cumulées.
Dans le cas d’une variable statistique discrète, la courbe cumulative est la représentation d’une
fonction en escalier dont les paliers horizontaux ont pour coordonnées (xi , Fi ). Cette fonction
appelée fonction de répartition emperique, définie par :
F : R −→ [0, 1] .
x −→ F (x) ,
telle que ⎧
⎪
⎪ 0 si x < x1
⎪
⎪
⎪
⎪ f1 si x1 ≤ x < x2
⎪
⎪
⎪
⎪ f1 + f2 si x2 ≤ x < x3
⎪
⎪
⎪
⎨
..
.
F (x) =
⎪
i
⎪
⎪ fj si xi ≤ x < xi+1
⎪
⎪
⎪
⎪ j=1
⎪
⎪
⎪
⎪
..
⎪
⎪ .
⎩ 1 si x ≥ xk .
Exemple 1.4 Lors d’une expérience biologique sur la fréquence d’un champignon bien précis dans
un certain milieu, l’expérimentateur a constaté que la distribution des fréquences de ces champi-
gnons sur n sites, de ce milieu, peut-être résumer comme suit :
Xi 5 6 7 8 9
fi 0.05 0.10 0.40 0.30 0.15 1
Pour l’exemple 1.3.3 : répartition des champignons dans le milieu étudié on aura :
Xi 5 6 7 8 9
fi 0.05 0.10 0.40 0.30 0.15 1
Fi 0.05 0.15 0.55 0.85 1
Remarque 1.3 La fonction F est discontinue en chaque point de la variable statistique.
8

Fi &URLVVDQWHV

x
Figure 1.3: Diagramme des fréquences cumulatives croissantes.
1.3.3 Représentation graphique d’un caractère quantitatif (cas continu)

Dans le cas d’une variable statistique continue, pour établir le tableaux statistique, il faut
effectuer au préalable une répartition en classe des données. Une classe est définie par la donnée
de ses extremitée inferieur et superieur : par convention [ei−1 , ei ] .
Cela nécessite de définir le nombre de classe et l’amplitude assiciée à chaque classe.
La ième classe par exemple est donnée par [ei−1 , ei ] où
ei−1 : l’extrémité inferieur.
ei : l’extrémité superieur.
ai : (ei−1 , ei ) amplitude de la ième classe.
ei + ei−1
Le centre de cette classe est xi = .
2
Remarque 1.4 1. En génerale, on choisit des classes de même amplitude.
2. Le choix du nombre de classes et de leur amplitude se fait en fonction de l’effectif total (n)
de la population.
3. Toute diminution du nombre de classes et toute augmentation de l’amplitude, conduit à une
pert d’information.
4. Règle de Sturge : nombre de classe 1 + (3, 3 log N ) , et l’amlplitude est
max xi − min xi étudue de la
a= = .
nombre de classes nombre de classes
Le tableaux statistique d’une variable statistique continue se présente sous la forme sui-
vante :
Classes Centre xi ni fi
[e0 , e1 ] x1 n1 f1
[e1 , e2 ] x2 n2 f2
.. .. .. ..
. . . .
[ei−1 , ei ] xk nk fk
5. Les modalités d’une variable statistique continues sont les centres des classes
ei + ei−1
xi = .
2
6. Pour représenter graphiquement une variable statistique continues on utilise l’histogramme :
qui consiste une généralisation du diagramme en bâtons à la notion de classe.
9
ni fi
ai ai+1 x ai ai+1 x
Figure 1.4: Illustration de représentation graphique d’une classe
Exemple 1.5 Les données ci-dessous sont issues d’une expérience dans laquelle la concentration
de calcium dans le plasma a été mesurée chez 40 personnes ayant subi l’administration d’un
traitement hormonal.
X [10,16[ [16,22[ [22,28[ [28,34[ [34,40[ [40,46[
ni 4 6 17 8 4 1
fi 0.100 0.150 0.425 0.200 0.100 0.025
Histogramme des effectifs Histogramme des fréquences

ni fi
16 0.4
14 0.35
12 0.3
10 0.25
8 0.2
6 0.15
4 0.1
2
0.05
0
5 10 15 20 25 30 35 40 45 0
X 5 10 15 20 25 30 35 40 45
X
Figure 1.5: Histogramme des effectifs et Histogramme des fréquences
1.3.3.1 Séries statistiques à classes égales (même amplitude)

Chaque classe est représentée par un réctangle dont la base est l’amplitude et la hauteur au
proportionnel à la fréquence (absolue ou relative).
Exemple 1.6 On considère la répartition des ouvriers d’une entreprise selon le salaire mensuel
(en DA). Les résultats sont donnés dans le tableaux suivant :
Classes ni fi Fi Fi

[3, 4[ 16 0.16 0.16 = F (4) 1 = F (3)
[4, 5[ 22 0.22 0.38 = F (5) 0.84 = F (4)
[5, 6[ 44 0.44 0.88 = F (6) 0.62 = F (5)
[6, 7[ 08 0.08 0.90 = F (7) 0.18 = F (6)
[7, 8[ 10 0.10 1 = F (8) 0.10 = F (7)
Total 100 1
Le polygone des effectifs ou des fréquences est la ligne joignant les milieux de cotés superieur
des réctangles.
Remarque 1.5
10

3RO\J{QHGHVHIIHFWLIV

Qi

X
Figure 1.6: Histogramme et polygone des effectifs
— L’aire de chaque réctangle,

le cas des effectifs, est égale à ni × a et l’aire de tout
dans
l’histogramme est ni × a = a ni = a × n.
— L’aire de chaque réctangle,
le cas des fréquence, est égale à fi × a et l’aire de tout
dans
l’histogramme est fi × a = a fi = a.
1.3.3.2 Séries statistiques à classes inégales (amplitudes différentes)

Chaque classe est représentée par un réctangle dont la base est égale à l’amplitude et la hauteur
égale à la fréquence divisée par l’amplitude (fréquences corrigées).
Remarque 1.6 Dans ce cas, l’aire de chaque réctangle est

ni
ai × = ni ,
ai
est proportionnelle à la fréquence ou l’éffectif de la classe.
En pratique, pour simplifier les calculs, on choisit l’amplitude unité a = pgcd (ai ) ou bien a
l’amplitude la plus répetée.
Exemple 1.7 La répartition d’un groupes d’individus par taille (cm) est donnée par le tableau
suivant :
fi
Taille(cm) ni fi ai fi = × a (fi corrigées) Fi
ai
[150, 160[ 33 0.33 10 0.165 1 = F (x ≤ 150)
[160, 170[ 14 0.14 10 0.070 0.84 = F (160)
[170, 175[ 21 0.21 05 0.210 0.62 = F (170)
[175, 180[ 16 0.16 05 0.160 0.18 = F (175)
[180, 185[ 11 0.11 05 0.110 0.10 = F (180)
[185, 190[ 05 0.05 05 0.050 0.05=F(185)
Total 100 1 0= F (X ≥ 190)
a = 5cm = pgcd(10, 5), a est aussi l’amplitude la plus répétée.

Soit x ∈ [ei−1 , ei [ , déterminons la valeur de la fonction de répartition empérique au point x i.e
F (x).
11
+LVWRJUDPPHGHVIUpTXHQFHVFRUULJpHV &RXUEHGHVIUpTXHQFHVFXPXOpHVGpFURLVVDQWHV

3RO\JRQHGHV
IUpTXHQFHVFRUULJpHV

fi

Fi

X X
Figure 1.7: Présentation graphique cas de classes inégales : Histogramme des fréquence corrigées
(à gauche) et courbe des fréquences cumulées décroissante (à droite).
où
F (ei ) − F (ei−1 ) F (x) − F (ei−1 )
tgα = =
ei−1 − ei x − ei−1
fi F (x) − F (ei−1 )
= =
ai x − ei−1
fi
⇒ (x − ei−1 ) = F (x) − F (ei−1 ) .
ai
On aura :
x − ei−1
× fi .
F (x) = F (ei−1 ) +
ai
D’où la fonction de répartition empérique d’une variable statistique continue de classes
[e0 , e1 [ , ... [ek−1 , ek [ est
F : R −→ [0, 1] .
x −→ F (x) ,
telle que ⎧
⎪ 0 si x ≤ e0
⎨ x − ei−1
F (x) = F (ei−1 ) + × fi si x ∈ [ei−1 , ei [
⎪
⎩ ai
1 si x ≥ ek
Exemple 1.8 Reprenons l’exemple de répartition des ouvries selon le salaire mensuel (en DA).
Classes fi Fi Fi

[3, 4[ 0.16 0.16 = F (4) 1 = F (3)
[4, 5[ 0.22 0.38 = F (5) 0.84 = F (4)
[5, 6[ 0.44 0.88 = F (6) 0.62 = F (5)
[6, 7[ 0.08 0.90 = F (7) 0.18 = F (6)
[7, 8[ 0.10 1 = F (8) 0.10 = F (7)
Total 1
12
&XPXODWLYHVFURLVVDQWH &XPXODWLYHVGpFURLVVDQWH

i
F

X
Figure 1.8: Courbe des fréquences cumulatives croissantes et décroissantes
13
Chapitre 2
Représentation numérique des données
2.1 Caractéristiques numérique d’une variable statistique

On considère deux types de caractéristiques pour une distribution :
- Les caractéristiques de tendance centrale ou de position.
- Les caractéristiques de dispersion.
2.1.1 Caractéristique de tendance centrale

Les caractéristiques de tendance centrale sont des valeurs qu’on retrouve au centre des obser-
vations, elles nous indiquent l’ordre de grandeur des données, ce sont : le mode, la médiane et la
moyenne arithmétique.
2.1.1.1 Le mode
a) Cas discret : on appelle mode noté par Mo d’une variable statistique discrète la valeur de
cette variable qui a la fréquence la plus élevée.
Dans l’exemple 1.3.3, le mode Mo = 4 (car la valeur 4 a le plus grande effectif).
Remarque 2.1 Sur le diagramme en batôns, le mode correspond à la valeur de la variable qui
correspond au plus long batôn.
b) Cas continu : Dans ce cas on parle plutôt de ”classe modale” qui est la classe dont la
fréquence par amplitude unité est la plus élevée.
Dans l’exemple 1.3.4, la classe modale est [5, 6[ .
Dans l’exemple 1.3.5, la classe modale est [150, 160[ .
Remarque 2.2 Dans le cas continu, on peut appeler mode le centre de la classe modale.
Pour un calcul approché, on utilise la formule suivante : soit la classe modale [ei−1 , ei [ .
On a Mo ∈ [ei−1 , ei [
1
Mo = ei−1 + ai ,
1 + 2
avec ai l’amplitude de la classe [ei−1 , ei [ .

1 : l’excés de la classe modale par rapport à la classe précedente.
2 : l’excés de la classe modale par rapport à la classe suivaie.
Graphiquement : Mo = ei−1 + d (d calculée en utilisant l’echelle).
14
Chapitre 2. Représentation numérique des données

&ODVVHPRGDOH

n(f)
i

i

aií1 ai ai+1 ai+2
Mo
Figure 2.1: Illustration de détermination du mode graphiquement.
Remarque 2.3 Pour le calcule du mode, et dans le cas des classes inégales, il faut corrigées les
fréquences.
Une série statistique peut être unimodale (un seul mode), bimodale (2 modes), multimodale
(plusieurs modes).
2.1.1.2 La médiane
La médiane Me est la valeur de la variable statistique qui partage les individus supposés rangées
dans l’ordre croissant (ou décroissant), de la variable en deux effectifs égaux.
Exemple 2.1 Soit la série : {12 ; 26 ; 6; 3 ; 32 ; 15 ; 21} ,

ou l’ordonne {3 ; 6 ; 12 ; 15 ; 21 ; 26 ; 32} .
La médiane est Me = 15.
D’une manière générale, la médiane d’une variable statistique est la valeur notée Me telle que
1
F (Me ) = = 0.5, avec F est la fonction de répartition empérique.
2
a) Calcul de la médiane (cas discret) :
Soit x(1) , x(2) , ...x(n) , les n observations d’une variable statistique discrète rangées dans l’ordre
croissant :
x(1) ≤ x(2) ≤ ... ≤ x(n) .
Premier cas : n impair, n = 2p + 1 :
x(1) ≤ x(2) ≤ ... ≤ x(p) ≤ x(p+1) ≤ x (p+2) ≤ ... ≤ x(2p+1) .
p observations p observations

Me = x(p+1) : La valeur de la variable située à l’ordre (p + 1) (p + 1)ème observations .
Deuxième cas : n pair, n = 2p :
x(1) ≤ x(2) ≤ ... ≤ x(p) ≤ x(p+1) ≤ x (p+2) ≤ ... ≤ x(2p) .
p observations p observations
x(p) + x(p+1)
Me = , x(p) , x(p+1) est appelé inrtvalle médian.
2
Exemple 2.2 Soit la série suivante.
15
2 , 2 , 3 , 3 , 3 , 4 , 5 , 6 , 6 , 7 , 8 , 8 , 9
n = 13 n est impair =⇒ Me = x n+1 2
= x(7) = 5.
=⇒ Me = 5.
2 2 3 3 3 4 5 6 6 7 8 8 9
↑
X(7)
On peut aussi déterminer la médiane graphiquement à partir de la courbe cumulative croissante
ou décroissante.
Remarque : peut être Me ∈aux
/ valeur de la série (n’appartient pas).
b) Calcul de la médiane (cas continu) :
Comme la fonction F est continue, monotone () entre 0 et 1, la médiane est l’unique solution
1
de l’équation F (x) = .
2
- Détermination graphique de la médiane : (méthode d’interpolation)
Soit d’abord la classe médiane [ei−1 , ei [ .
n/2
0
Me
Figure 2.2: Illustration de détermination de la mediane graphiquement.
F (ei−1 ) < 0.5 < F (ei )

F (ei ) − F (ei−1 ) 0.5 − F (ei−1 )
tgα = =
ei − ei−1 Me − ei−1
fi 0.5 − F (ei−1 )
⇒ = .
ai Me − ei−1
D’où
fi (Me − ei−1 ) = ai (0.5 − F (ei−1 ))
pour la suite
0.5 − F (ei−1 )
Me = ei−1 + ai
fi
ai : amplitude
fi : fréquence de la classe médiane.
Graphiquement
Me = ei−1 + d (d calculée à partir de l’échelle).
2.1.1.3 Moyenne arithmétique

a) Cas discret :
Moyenne arithmétique simple : c’est la somme de toutes les observations divisée par le nombre
total d’observations.
16
Exemple 2.3 si les notes d’un étudiant sont de : 10 , 15 , 8, alors la moyenne arithmétique
simple est de 10+15+8
3
= 11.
Moyenne arithmétique pondérée : si les notes au baccalauréat d’un élève sont de 11
20
en fran-
10 13
çais (coefficient 5), de 20 en Maths (coefficient 7), de 20 en histoire (coefficient 3), sa moyenne
arithmétique pondérées est de x = (11×5)+(10×7)+(13×3)
3
= 10, 93.
donc
1
k
n1 x1 + n2 x2 + ... + nk xk
x= n i xi =
n i=1 n

k
x= fi xi (Moyenne pondérée).
i=1
a) Cas continu : les modalités sont regroupées par classes par convention, on choisit les xi
les centres de chaque classe et on utilise la même formule

k
x= fi xi (xi centre de la ième classe).
i=1
ei−1 + ei
xi = .
2
La Moyenne quadratique : MQ d’une série de n valeurs x1 , x2 , ...xn correspondent respective-
ment les effectifs n1 , n2 , ...nk est égale :

k
1
MQ = ni x2i
n i=1
La moyenne quadratique MQ des valeurs : -2 , 5 , -8 , 9 , -4 , est

Exemple 2.4
1
MQ = (−2)2 + (5)2 + (−8)2 + (9)2 + (−4)2 = 6.16.
5
La moyenne géométrique : est la racine nième définie comme suit :
√
G = n x1 × x2 × x3 . . . × xn
La moyenne Harmonique :
1 n
H= =
1
k
k
ni ni
n i=1 xi i=1
xi
Exemple 2.5 H des 1, 4 , 8 , 10 , 12 est

5
H= = 3, 2.
1 1 1 1 1
+ + + +
1 4 8 10 12
Remarque 2.4 On a la relation suivante entre les différentes moyenne :
H ≤ G ≤ x ≤ MQ
Position respective du mode, la médiane et de la moyenne
Considérons une série statistique unimodale.
1. Lorsque la série statistique est symétrique, les trois paramètre de tendance centrale sont
confondus.
2. Lorsque la série statistique est asymétrique, la médiane est généralement comprise entre le
mode et la moyenne et elle est plus proche de cette dernière.
17
2.1.2 Caractéristiques de dispersion

Exemple 2.6 Soit les 2 séries statistiques :

X = 6 , 6 , 7 , 7 , 8 , 9 , 9 , 10 ,10 .

Y = 1 , 2 , 4 , 6, 8 ,10 , 12 , 14, 15 .
On remarque X et Y ont même moyenne et même médiane x = y = Me = 8 mais elle sont
differentes, la première X est moins dispersée que la second.
Exemple 2.7 Considérons la série statistique X de k valeurs rangées dans l’ordre croissant :
x(1) ≤ x(2) ≤ ...x(k) .
2.1.2.1 L’étendue :
On appelle étendue , notée par ”e” la difference entre les deux valeurs extrêmes : la plus petite
et la plus grande valeur observée.
e = max (xi ) − min (xi ) = x(k) − x(1) .
1≤i≤k 1≤i≤k
2.1.2.2 Variance et écartype :

On appelle variance empérique de la variable statistique X de valeurs xi . 1 ≤ i ≤ k, d’effectifs

k
ni : 1 ≤ i ≤ k, ni = n
i=1
1
k k
V (X) = ni (xi − x)2 = fi (xi − x)2 .
n i=1 i=1
On appelle écartype empérique noté σX .

k k
1
σX = V (X) = ni (xi − x) = fi (xi − x)2 .
2
n i=1 i=1
1. V (X) ≥ 0.
1 2
k k
2. V (X) = ni xi − x2 = fi x2i − x2 .
n i=1 i=1
3. Soit x et V (X) la moyenne et la variance de la variable statistique X.

On définit une nouvelle variable X de moyenne x et de variance V X . telle que :
xi − x0
xi = , i = 1, k et x0 , a, sont des constantes, alors : V (X) = a2 V X et σX = aσX .
a
Remarque 2.5 Lorsqu’on compare deux séries statistiques de mêmenature celle qui a σX la plus
élevé est la plus dispersée.
σX
Le coefficient de variation : c’est un coefficient de dispersion défini par : Cv = .
|x|
1. Cv est une quantité sans unité.
2. Cv est indépendant des unités choisies.
3. Cv permet de comparer 2 séries exprimées dans deux unités différentes.
18
2.1.2.3 Ecart-inter-quartiles
Les quantiles : ces quantiles généralisent la médiane.
- Un quantile d’ordre α (0 ≤ α ≤ 1), noté xα , est la racine de l’équation F (x) = α, i.e une
proportion égale à α des individus possède un caractère X inferieur à xα .
- On utilise couramment les quartiles : ce sont les valeurs du caractère xi qui partage la série
en 4 sous ensembles égaux. Il y en a donc 3, on les notes Q1 , Q2 , Q3 , avec Q1 est le quantile d’ordre
1 1 3
, et Q2 quantile d’ordre et Q3 quantile d’ordre .
4 2 4
1 1 3
i.e F (Q1 ) = , F (Q2 ) = = F (Me ) , et F (Q3 ) = .
4 2 4
Lintervalle inter-quartiles : contient 50% de la population laissant à droite 25%.
L’écart-inter-quartiles est donné par : Q3 − Q1 .
Détermination pratique : pour déterminer Q3 −Q1 , il faut d’abord calculer Q1 et Q3 en utilisant
le même méthode que celle utilisée pourbdéterminer la médiane.
Détermination pratique des quartiles :
Soit l’exemple suivant :
Me
0 0 1 1 1 ↓ 1 1 2 4 4
x(5) + x(6) 1+1

n = 10 = 2 × 5 ⇒ Q2 = Me = = = 1.
2 2
La 1ère moitié de la série :
0 0 1 1 1
p = 5 = 2 × 2 + 1 ⇒ Q1 = x(3) = 1.
La 2ième moitié de la série :
1 1 2 4 4
p = 5 = 2 × 2 + 1 ⇒ Q3 = x(3) = 2.
Si on ajoute une observation dans cet exemple :
Me
↓
0 0 1 1 1 1 1 2 2 4 4
Q2 = Me = x(6) = 1.
0 0 1 1 1 1 1 2 2 4 4
n = 11 = 2 × 5 + 1 ⇒ Q1 = 1.
Q3 = x(3) = 2.
Détermination pratique des quartiles :
méthode algébrique (cas discret)
1. Si n = 4p = 2(2p) (pair).
x(2p) + x(2p+1)
Me =
2
x(p) + x(p+1) x(3p) + x(3p+1)
Q1 = et Q3 = .
2 2
2. Si n = 4p + 1 = 2(2p) + 1 (impair). Me = x(2p+1)
x(p) + x(p+1) x(3p+1) + x(3p+2)
Q1 = et Q3 = .
2 2
3. Si n = 4p + 2 = 2(2p + 1) (pair).
x(2p+1) + x(2p+2)
Me =
2
Q1 = x(p+1) et Q3 = x(3p+2) .
19
4. Si n = 4p + 3 = 2(2p + 1) + 1 (impair).
Me = x(2p+2)
Q1 = x(p+1) et Q3 = x(3p+2) .
Méthode graphique : Graphiquement on determine les trois quantités comme suite :
— Si F (xi−1 ) < 0.5 < F (xi ) ⇒ Me = xi .
— Si F (xi−1 ) < 0.25 < F (xi ) ⇒ Q1 = xi .
— Si F (xi−1 ) < 0.5 < F (xi ) ⇒ Q3 = xi .
xi + xi−1
— Si ∀x ∈ ]xi−1 , xi [ , F (x) = 0.5 ⇒ Me = .
2
Cas continu : La même démarche suivie dans le cas de la médiane reste valable pour la
détermination des deux quantiles Q1 et Q3 .
— Si F (ei ) = 0.5 alors ei = Q2 = Me
— Si F (ei ) = 0.25 alors ei = Q1
— Si F (ei ) = 0.75 alors ei = Q3
— Si F (ei−1 ) ≤ 0.5 ≤ F (ei ) alors
0.5 − F (ei−1 )
Me = ei−1 + ai ,
fi
avec [ei−1 , ei [ classe médiane.
— Si F (ei−1 ) ≤ 0.25 ≤ F (ei ) alors
0.25 − F (ei−1 )
Q1 = ei−1 + ai ,
fi
avec Q1 ∈ [ei−1 , ei [.
— Si F (ei−1 ) ≤ 0.75 ≤ F (ei ) alors
0.75 − F (ei−1 )
Q3 = ei−1 + ai ,
fi
avec Q3 ∈ [ei−1 , ei [.
2.2 Exemples d’application

Dans cette section nous présentons deux exemples d’applications des différentes notions intro-
duites dans le chapitre 1 et le présent chapitre.
Exercice 2.1 Lors d’une expérience biologique sur la fréquence d’un champignon bien précis
dans un certain milieu, l’expérimentateur a constaté que la distribution des fréquences de ces
champignons sur n sites, de ce milieu, peut-être résumer comme suit :
Nombre champignons (Xi ) 5 6 7 8 9

Fréquence (fi ) 0.05 0.10 0.40 0.30 0.15
1. Déterminer le mode de la série.

2. Présenter graphiquement les fréquences cumulées croissantes.
3. Déterminer graphiquement la médiane (M e) et la quantile d’ordre 80% (Q80% ).
4. Déterminer graphiquement l’interquartile Q3 − Q1 .
20
5. Calculer la moyenne, la variance ainsi que l’écart-type de la série.
Solution 2.1
Xi 5 6 7 8 9
fi 0.05 0.10 0.40 0.30 0.15 1
Fi 0.05 0.15 0.55 0.85 1
Xi ∗ fi 0.25 0.60 2.80 2.40 1.35 7.40
Xi2 ∗ fi 1.25 3.60 19.60 19.20 12.15 55.80
1. D’après le tableau des données le plus grand l’effectif est f3 = 0.4 qui correspond à X3 = 7
donc M o = X3 = 7.
2. Présenter graphiquement les fréquences cumulées croissantes.
0.8
Fi (Croissantes)
0.6
0.4
0.2
0
4 5 6 7 8 9 10
x
Q =Me Q =Q
1 3 80%
3. D’après le graphe des effectifs cumulées croissantes on : M e = 7 et Q80% = 8.

4. D’après le graphe des effectifs cumulées croissantes on : Q1 = 7 et Q3 = 8 alors l’interquartile
Q3 − Q1 = 8 − 7 = 1.
5. La moyenne, la variance ainsi que l’écart-type de la série sont :

5
X = fi Xi = 7.40
i=1
5
2
V ar(X) = fi Xi2 − X = 55.80 − (7.40)2 = 1.04
i=1
√
σ(X) = V ar(X) = 1.04 = 1.0198.
Exercice 2.2 Pour l’analyse de l’âge de l’enfant (en mois) à la date de sa prise du vaccin ROR,
un recueil de données au niveau d’un centre de vaccination nous a fournis le tableau suivant :
Âge (en mois) [11 ; 13[ [13 ; 15[ [15 ; 17[ [17 ; 19[ [19 ;21[
Effectifs (ni ) 24 15 12 6 3
1. Quel est le caractère étudié et sa nature ?
2. Déterminer graphiquement et par calcul l’âge médiane.
21
3. Calculer l’âge moyen et la variance de l’âge de vaccination.

4. Notons σ(X) l’écart-type de l’échantillon alors, donner le nombre d’enfants vaccinés par
ROR dont l’âge est :
(a) Supérieur à X + σ(X),
(b) Inférieur à X − σ(X),
(c) Compris entre X − σ(X) et X + σ(X).
Solution 2.2
Âge (en mois) [11 ; 13[ [13 ; 15[ [15 ; 17[ [17 ; 19[ [19 ;21[
Effectifs (ni ) 24 15 12 6 3 60
Ni 24 39 51 57 60
Xi ∗ ni 288 210 192 108 60 858
Xi2 ∗ ni 3456 2940 3072 1944 1200 12612
1. Le caractère étudié est : l’âge d’un enfant, la nature du caractère est : Quantitatif continu.
60
50
n’ =49
i
40
n/2=30
20
n’i=11
10
0
8 10 12 14 16 18 20 22 24
X̄ + σ(X) =11.9104 X̄ + σ(X) =16.6896
2. Me=13.8
D’après le graphe des effectifs cumulés croissants la médiane est : M e = 13.8. La médiane
par calcul est donnée par :
n
2
− Ni
M e = ai + (ai+1 − ai ) ∗
Ni+1 − Ni
On a n/2 = 30 et d’après les effectifs cumulés croissants on a Ni = 24 ≤ n/2 = 30 ≤
Ni+1 = 39 d’où la classe de la médiane est : [ai , ai+1 [= [13; 15[ donc :

30 − 24
M e = 13 + (15 − 13) = 13.80
39 − 24
3. La moyenne et la variance de la série sont :
1
5
858
X = ni Xi = = 14.30
n i=1 60
1
5
2 12612
V ar(X) = ni Xi2 − X = − (14.30)2 = 5.71
n i=1 60
22

4. Pour répondre à√la présente question il faut d’abord calculer l’écart-type σ(X) = V ar(X)
alors : σ(X) = 5.71 = 2.3896
(a) D’après la figure des effectifs cumulés croissante le nombre d’enfant ayant un âge supé-
rieur à X + σ(X) = 16.6896 est 60-49=11 enfants.
(b) D’après la figure des effectifs cumulés croissante le nombre d’enfant ayant un âge infé-
rieur à X − σ(X)=11.9104 est 12 enfants.
(c) On déduit que le nombre d’enfant ayant un âge entre X − σ(X) et X + σ(X) est
60 − 11 − 12 = 37 (49-12=37)enfants.
Exercice 2.3 On dispose d’un échantillon de N réponses d’étudiants à la question suivante : ”A

quel âge avez-vous obtenu votre Bac ?”. Les résultats obtenus sont résumés dans le tableau suivant :
Âges 16 17 18 19 20 21 22
Effectifs cumulés croissants 5 30 75 95 110 118 122
1. Quel est le nombre d’étudiants questionnés.

2. Calculer l’âge moyen d’obtention du Bac.
Solution 2.3 On dispose d’un échantillon de N réponses d’étudiants à la question suivante : ”A

quel âge avez-vous obtenu votre Bac ?”. Les résultats obtenus sont résumés dans le tableau suivant :
Âges 16 17 18 19 20 21 22
Ni 5 30 75 95 110 118 122
ni 5 25 45 20 15 8 4 122
ni ∗ X i 80 425 810 380 300 168 88 2251
1. Le nombre d’étudiants questionnés est 122.

2. Pour calculer la moyenne il faut d’abord calculer les effectifs (voir ligne 3 du tableau) et la
moyenne seras alors :
1
5
2251
X = ni Xi = = 18.4508.
n i=1 122
23
Chapitre 3
Calcul des probabilités
3.1 Analyse combinatoire

3.1.1 Introduction
L’analyse combinatoire est l’étude des différents manières pour ranger des objets, ces
objets peuvent être des nombres, des individus, des lettres, etc. . . .
Mathématiquement, l’analyse combinatoire est la théorie de dénombrement. Elle s’emploie pour
dénombrer divers types de groupements que l’on peut faire à partir d’ensembles finis. En effet, on
entend par analyse combinatoire l’ensemble de méthodes, permettant de déterminer le nombre de
tous les résultats possibles d’une expérience particulière. Ces méthodes seront présentées comme
suit :
3.1.2 Principe fondamental généralisé

Si nous avons r expériences dont les résultats possibles sont respectivement n1 , n2 , n3 . . . , nr ,
alors nous aurons au total n1 × n2 × n3 . . . × nr résultats possibles pour les r expériences prises
ensemble.
Exemple 3.1 Le comité de planification d’un collège est constitué de 2 étudiants de première
année, 5 étudiants de deuxième année, 3 étudiants de troisième année et 6 étudiants de quatrième
année. Un sous-comité de 4 étudiants, comportant un représentant de chaque classe, doit être
choisi. Combien de choix possibles peut-on former un tel sous-comité ?
Réponse : nous pouvons considérer le choix d’un sous-comité comme le résultat combiné de 4
expériences distinctes, chacune consistant à choisir un représentant unique dans l’une des classes.
Par conséquent, en appliquant le principe fondamental de dénombrement généralisé, il y a 2 × 5 ×
3 × 6 = 180 possibilités.
3.1.3 Arrangements
Soit un ensemle de n éléments tous distincts {a, b, . . . s} .
Définition 3.1 On appelle Arrangement avec répétition de p élément choisi parmi n, toute
disposition ordonnée de p élément parmi n avec répétition d’un ou plusieur éléments.
Le nombre d’arrangements noté Apn est égale à
Apn = np = n × n × n × . . . n
n fois
24
Chapitre 3. Calcul des probabilités
Exemple 3.2 Un numéro d’appel est composé de 8 chiffres, ce numéro est une disposition ordon-
née avec répétition de 8 éléments parmi 10 : {0, 1, 2, 3, . . . 9} donc un numéro est un arrangement
avec répétition A810 = 108 .
Définition 3.2 On appelle Arrangement sans répétition ou simplement arrangement de p

élément choisi parmi n, une disposition ordonnée sans répétition de p élément parmi n.
Le nombre d’arrangement noté Apn est égale à
n!
Apn = = n (n − 1) (n − 2) . . . (n − (p − 1)) 1 ≤ p ≤ n.
(n − p)!
Exemple 3.3 Quel est le nombre de tiercés dand l’ordre, d’une course de 10 chevaux.
L’ordre est important et on ne peut pas avoir de répétition, donc il s’agit d’arrangement sans
répétition de trois éléments choisis parmi 10, leor nombre est égale à
10! 10!
A310 = = = 10 × 9 × 8 = 720 tiercés possibles.
(10 − 3)! 7!
3.1.4 Permutations
Définition 3.3 On appelle Permutation sans répétition ou simplement permutation un
rangement, ou un claseement ordonné de n objets.
Exemple 3.4 Si nous disposons de trois objets a, b, c, les permutations possibles sont les sui-
vantes :
abc, acb, bac, bca, cab, cba.
Soit 6 permutations au total i.e
n! = 3! = 6.
Remarque 3.1 Le nombre de permutations ou bien une permutation est un arrangement sans
répétition de n éléments choisis parmi n :
n!
n! = = n!
0!
Définition 3.4 Permutation avec répétition
Le nombre de permutations que l’on peut obtenir si certains des objets sont identiques est plus
faible que si tous les objets etaint distincts.
Exemple 3.5 Nous disirons ranger trois boules vertes et deux boules bleues toutes identiques
excepté leur couleur. Nous avons bien 5 objets à notre disposition, mais nous ne pouvons pas faire
la distinction entre les boules vertes ou les boules bleues. Le nombre de permutations sera donc
5!
.
3! × 2!
Dans le cas général l’orsque nous avons n objets comprenant respectivement n1 , n2 , n3 . . . nr
termes identiques, le nombre de permutation est égale à
n!
.
n1 ! × n2 ! . . . nr !
25
3.1.5 Combinaisons
Soit un ensemble de n éléments distincts {a, b, . . . s}
Définition 3.5 On appelle Combinaisons sans répétition ou simplement Combinaisons de

p éléments, choisis parmi les n, une disposition non ordonnée sans répétition noté par
n!
Cnp = .
p! (n − p)!
Exemple 3.6 Trouver le nombre de tircés dans le désordre, dans une course de 10 chevaux.
Réponse :
3 10!
C10 = .
3! (10 − 3)!
?
Propriété 3.1 1) Cnp = Cnn−p .
n! n!
Cnn−p = = = Cnp .
(n − p)! (n − (n − p))! (n − p)!p!
? p p−1
2) Cnp = Cn−1 + Cn−1 .
p p−1 (n − 1)! (n − 1)!
Cn−1 + Cn−1 = +
p! ((n − 1) − p)! (p − 1)! (n − 1 − (p − 1))!
(n − 1)! (n − 1)!
= +
p! (n − p − 1)! (p − 1)! (n − p)!
On remarque que
(n − p)! = (n − p) (n − p − 1)! et p! = p (p − 1)!.
Donc
p p−1 (n − p) (n − 1)! p (n − 1)!

Cn−1 + Cn−1 = +
(n − p) p! (n − p − 1)! p (p − 1)! (n − p)!
(n − p) (n − 1)! + p (n − 1)!
=
p! (n − p)!
(n − 1)! (n − p + p)
=
p! (n − p)!
(n − 1)!n
=
p! (n − p)!
n!
=
p! (n − p)!
= Cnp .
?
3) Cnn = 1.
Théorème 3.1 Binome de Newton

∀x, y ∈ R et ∀n ∈ N∗ on a :
n

n
n
(x + y) = Cnk xn−k y k = Cnk xk y n−k
k=0 k=0
n (n − 1) xn−2 2
= xk + nxn−1 y + y + . . . + nxy n−1 + y n .
2
26
Exemple 3.7
2

n
(x + y) = Cnk xn−k y k
k=0
= C20 x2 y 0
+ C21 x1 y 1 + C22 x0 y 2
= x + 2xy + y 2
2
(x + y)5 = x5 + 5x4 y + 10x3 y 2 + 5xy 4 + y 5
(x + y)6 = x6 + 6x5 y + 15x4 y 2 + 20x3 y 3 + 15x2 y 4 + 6xy 5 + y 6

Le développement de (x + y)n possède les propriétés suivantes :
1. Il ya n + 1 termes.
2. Dans chaque terme la somme des exposants de x et y est égale à n.
3. De terme en terme, l’exposant de x décroit de n à 0 et l’exposant de y croit de 0 à n.
4. Le coéfficient de chaque terme est Cnk où k est l’exposant soit de x, soit de y.
5. Les coéfficient des terms équidistants des extrémités sont égaux.
Remarque 3.2 les coéfficients des puissances successives de x + y peuvent être rangés dans un
tableau triangulaire qu’on appelle triangle de Pascal.
(x + y)0 = 1
(x + y)1 = x + y
(x + y)2 = x2 + 2xy + y 2
(x + y)3 = x3 + 3x2 y + 3xy 2 + y 3
(x + y)4 = x4 + 4x3 y + 6x2 y 2 + 4xy 3 + y 4
(x + y)5 = x5 + 5x4 y + 10x3 y 2 + 10x2 y 3 + 5xy 4 + y 5
(x + y)6 = x6 + 6xy + 15x4 y 2 + 20x3 y 3 + 15x2 y 4 + 6xy 5 + y 6
Le triangle de Pascal a les propriétés suivantes :

(a) Le premier et le dernier nombre de chaque ligne est 1.
(b) Chacun des autres nombres du tableau peut s’obtenir en ajoutant les deux nombres situés
directement au dessus de lui. Par exemple
10 = 4 + 6,
15 = 5 + 10.
Notons que la propriétés (b) est équivalente au

p p−1
Cnp = Cn−1 + Cn−1 .
27
1
1 1
1 2 1
1 3 3 1
1 4 6 4 1
1 5 10 10 5 1
1 6 15 20 15 6 1
3.2 Théorie et calcul des probabilités

3.2.1 Introduction
Dans ce qui suit , nous allons présenter les notions de base des probabilités, les ensembles finis et
équiprobables, les probabilités conditionelles, les evènements indépendants, les probabilités totales
et la formule de Bayes.
3.2.2 Notions de base

3.2.2.1 L’expérience aléatoire
On dit qu’une expérience est aléatoire si on ne peut pas prévoir son résultat même si on répète
l’experience plusieurs fois.
Exemple 3.8 On jete un dé ou une pièce de monnaie et on observe la face supérieure.
3.2.2.2 L’événement
Soit une expérience aléatoire qulconque.
- On note les différents résultats par {w1 , w2 . . . wn } .
- On apppelle les singletons {w1 } , {w2 } des événements élémentaires.
- L’union de deux ou plusieurs événements élémentaires {w1 , w2 } , {w1 , w2 , w3 } , . . .Sont des
événements composés.
- On note l’ensemnle de tous les résultats possibles par Ω.
- On appelle Ω l’événement certain ou aussi l’ensemble fondamontale.
- On note Ω (le compémentaire) par φ et l’on appelle événement impossible.
Exemple 3.9 * On considère l’expérience aléatoire de dé.

Ω = {1, 2, 3, 4, 5, 6} .
A : Obtenir la face 2 , A = {2} (événement élémentaire).
B : Obtenir un chiffre pair , B = {2, 4, 6} (événement composé).
* L’expérience de La monnaie
Ω = {F, P } .
28
3.2.2.3 Réalisation d’un événement

Soit une expérience aléatoire, Ω son ensemble fondamentale et A un événement dépendant de cette
expérience.
- Si le résultat obtenu noté par w appartient à A (w ∈ A), on dit que A est réalisé (à travers
w).
- Dans le cas contraire (w ∈ / A), alors n’est pas réalisé.
A chaque éxpérience aléatoire, on associé le couple (Ω, P (Ω)) tels que :
Ω : l’ensemble fondamental et P (Ω) est l’ensemble de tous les événements dépendants de cette
expérience.
3.2.2.4 Opérations sur les événements

Soit P (Ω) l’ensemble des événements et A, B deux événements de P (Ω) :
Symbole Terminologie d’ensembles Terminologie d’événements

Ω L’ensemble total L’ensemble fondamental
(événement certain)
w Elément Résultat
A Un sous-ensemble Un événement
A Complémentaire de A Négation de A (A non réalisé)
φ L’ensemble vide L’événement impossible
A∩B =φ L’intersection de A et B est vide (disjoints) A et B sont incompatibles
Notions mathématiques des probabilités (Kolmogrov 1933)

Soit Ω l’ensemble fondamental associé à une éxpérience aléatoire et P (Ω) l’ensemble des événe-
ments.
On considère l’application suivante :
P : P (Ω) −→ Ω
A −→ P (A)
On dit que P est une probabilité et P (A) est la probabilité de l’événement A si :
1- ∀A ∈ P (Ω) : 0 ≤ P (A) ≤ 1.
2- P (Ω) = 1.
3- Si A, B ∈ P (Ω) tels que A ∩ B = φ, alors P (A ∪ B) = P (A) + P (B) .
4- Si {Ai }∞
i=1 un ensemble d’événements dénombrables et disjoints deux à deux, alors
∞ ∞
P ∪ Ai = P (Ai ) .
i=1
i=1
Définition 3.6 On appelle le triplet (Ω, P (Ω) , P ) un espace de probabilités.

Considéront dans toutes les propositions suivantes que (Ω, P (Ω) , P ) est un espace de probabilités.
Proposition 3.1 Si A est le complémentaire de l’événement A, alors

P A = 1 − P (A) .
Cas particulier :
φ = Ω ⇒ P (φ) = P Ω = 1 − P (Ω) = 1 − 1 = 0.
29
Proposition 3.2 Soient A, B ∈ P (Ω) , alors

P (A |B ) = P A ∩ B = P (A) − P (A ∩ B) ,
où
A |B = {x ∈ Ω |x ∈ A ∧ x ∈
/ B}
Cas particulier :
Soient A, B ∈ P (Ω) tels que : B ⊂ A, alors P (B) ≤ P (A) .
Proposition 3.3 Soient A, B ∈ P (Ω) , alors
P (A ∪ B) = P (A) + P (B) − P (A ∩ B) .
Corollaire 3.1 Soient A, B, C trois événements de P (Ω) , alors
P (A ∪ B ∪ C) = P (A) + P (B) + P (C) − P (A ∩ B)

− P (A ∩ C) − P (B ∩ C) + P (A ∩ B ∩ C) .
3.2.3 Les ensembles finis et équiprobables

Souvent, dans des éxperiences aléatoires pratiques ça demande qu’on associé des probabilités égales
à tous les éléments de l’ensemble Ω.
Dans ce cas, on appelle (Ω, P (Ω) , P ) un espase uniforme.
Soit Ω = {a1 , a2 . . . an } , tels que : ∀i = 1, . . . n, ∀j = 1, . . . n, P (ai ) = P (aj ) .
On a :
n
Ω = ∪ {ai }
i=1
n

⇒ 1 = P (Ω) = P ∪ ai
i=1

n
⇒1= P (ai ) = nP (ai )
i=1
1
⇒ P (ai ) = , ∀i = 1, . . . n
n
Donc : Si A est un événement composé de k éléments (élémentaires), alors :
1 k
P (A) = k. = ou on écrit aussi :
n n
Card (A) Nbr de cas favorables

P (A) = = .
Card (Ω) Nbr de cas possibles
Exemple 3.10 On lance un dé équilibré :

A : Obtenir un chiffre impair .
B : Obtenir un chiffre supérieur à 2 .
On a chaque face des 6 faces a la même chance d’apparaitre (la même probabilité).
Ω = {1, 2, 3, 4, 5, 6} , Card(Ω) = 6 = n.
∀1 ≤ i, j ≥ 2, P (ai ) = P (aj ) = 16 .
(A)
A = {1, 3, 5} , P (A) = Card
Card (Ω)
= 36 = 12 .
B = {2, 3, 4, 5, 6} , P (B) = Card(B)
Card(Ω)
= 56 .
30
3.2.4 Probabilités conditionnelles

Définition 3.7 Soit (Ω, P (Ω) , P ) un espace de probabilité et A, B deux événement de P (Ω) tels
que P (A) > 0.
La probabilité conditionnelle que l’événement B Soit réalisé sachant que A est réalisé notée
par P (B |A ) est donné par
P (A ∩ B)
P (B |A) = .
P (A)
Si (Ω, P (Ω) , P ) est un éspase uniforme, alors :
Card P (A ∩ B)
P (B |A ) = .
Card P (A)
Exemple 3.11 On lance deux dés bien équilibrés. Sachant que la somme deux faces obtenues est
6, quelle est la probabilité qu’un dé a donné la face 2.
Ω = {1, 2, 3, 4, 5, 6} × {1, 2, 3, 4, 5, 6}
= {(1, 1) , (1, 2) , . . . (6, 6)} .
Card (Ω) = 36.
A : La somme des deux faces est 6 .

B : Un dé donné la face 2 .
A = {(1, 5) , (5, 1) , (2, 4) , (4, 2) , (3, 3)} . Card (A) = 5.
B = {(2, 1) , (2, 2) , (2, 3) , (2, 4) , (2, 5) , (2, 6) , (1, 2) , (3, 2) , (4, 2) , (5, 2) , (6, 2)} . Card (B) =
11.
P (A ∩ B) Card (A ∩ B)
P (B |A ) = = =?
P (A) Card (A)
A ∩ B = {(2, 4) , (4, 2)} , Card (A ∩ B) = 2.
P (B |A ) = 25 .
Résultats : P (A∩B)
P (B |A ) = P (A) P (A ∩ B) = P (B |A ) .P (A)
P (A∩B) ⇒
P (A |B ) = P (B)
P (A ∩ B) = P (A |B ) .P (B)
On peut généraliser le premier résultat à n événements quelconques :
P (A1 ∩ A2 ∩ A3 ∩ . . . An ) = P (A1 ) .P (A2 |A1 ) × P (A3 |A1 ∩ A2 )

× . . . P (An |A1 ∩ A2 ∩ A3 ∩ . . . An−1 ) .
Exemple 3.12 Une urne contient 12 pièces dont 4 sont défectueuses. On tire 3 pièces l’une après
l’autre sans remise.
Quelle est la probabilité que les trois pièces tirées ne soient pas défectueuses.
A1 : La 1ière pièce tirée n’est pas défectueuse.
A2 : La 2ième pièce tirée n’est pas défectueuse.
A3 : La 3ième pièce tirée n’est pas défectueuse.
La probabilité que la 1ière pièce et la 2ième pièce et la 3ième pièce ne soient pas déféctueuses est
de calculer
P (A1 ∩ A2 ∩ A3 ) = P (A1 ) .P (A2 |A1 ) × P (A3 |A1 ∩ A2 )

8 7 6
= × × .
12 11 10
31
3.2.5 Evènements indépendants :

Définition 3.8 On dit que A et B sont deux événements indépendants ssi :
P (A ∩ B) = P (A) × P (B) .
On peut également utiliser la probabilité conditionnelle :
P (B |A ) = P (B) et P (A |B ) = P (A) .
Car :
P (A ∩ B) P (A) × P (B)
P (B |A ) = = = P (B) .
P (A) P (A)
Exemple 3.13 On lance une pièce de monnaie equilibrée deux fois successives. On a :
Ω = {(F, F ) , (F, P ) , (P, F ) , (P, P )} , Card (Ω)

A : Obtenir P au premier lancé .
B : Obtenir P au deuxième lancé .
Quelle est la probabilité d’obtenir P au premier et au deuxième lancé ?
A = {(P, P ) , (P, F )} , B = {(P, P ) , (F, P )} ,
A ∩ B = {(P, P )} .
(A∩B)
P (A ∩ B) = CardCard (Ω)
= 14 .
Card (A) 2
P (A) = Card (Ω)
= 4
= 12 .
Card (B) 2
P (B) = Card (Ω) = 4
= 12 .
P (A ∩ B) = 14 = 12 × 12 = P (A) × P (B) ⇒ A, B sont indépendants.
Remarque 3.3 Il faut distinguer entre les événements indépendants et les événements incompa-
tibles.
On peut avoir des événements indépendants et non incompatibles cas contraire est vrai.
A et B sont incompatibles ⇔ A ∩ B = φ.
A et B sont incompatibles ⇔ P (A ∩ B) = P (A) .P (B) .
3.2.6 Principe des probabilités totales

Soit (Ω, P (Ω) , P ) un espace de probabilité. On dit que les événements {A1 , A2 . . . An } forment
un système complet pour Ω :
- ∀i = 1, . . . n, Ai = φ ⇔ P (Ai ) > 0.
- Ai ∩ Aj = φ, ∀i, j = 1, . . . n, et i = j.
n n
- ∪ Ai = Ω ⇔ P (Ai ) = 1.
i=1
i=1
Soit A un événement
n quelconque
de P (Ω),on peut écrire :
n
A = A ∩ Ω = A ∩ ∪ Ai = ∪ (A ∩ Ai )
i=1 i=1
n n
⇒ P (A) = P ∪ (A ∩ Ai ) = P (A ∩ Ai ) .
i=1
i=1
Puisque {Ai } sont disjoints deux à deux, alors {A ∩ Ai } sont aussi disjoints deux à deux, alors
n
P (A) = P (A |Ai ) × P (Ai ) .
i=1
32
Exemple 3.14 Soit U1 , U2 , U3 trois urnes telles que :

U1 : contient 10 lampes dont 4 sont défectueuses.
U2 : contient 6 lampes dont 1 est défectueuse.
U3 : contient 8 lampes dont 3 sont défectueuses.
On choisit au hasard une urne, puis tire de cette dernière une lampe.
Quelle est la probabilité que cette lampe soit défectueuse ?
1) Le choix de l’urne.
2) Le tirage d’une lampe.
U1 : On choisit l’urne 1
P (U1 ) = P (U2 ) = P (U3 ) = 13 .
{U1 , U2 , U3 } forment un système complet.
D : On tire une lampe défectueuse
P (D) = P (D |U1 ) × P (U1 ) + P (D |U2 ) × P (U2 ) + P (D |U3 ) × P (U3 )

1 4 1 3
= + + = 0.315.
3 10 6 8
3.2.7 Formule de Bayes :

Soit {Ai }ni=1 un système complet pour Ω et A un événement quelconque de Ω.
On suppose que A est réalisé et on veut maintenant calculer la probabilité que A réalise à
travers Ai pour i fixé.
On a :
P (Ai ∩ A)
P (Ai |A) =
P (A)
P (A |Ai ) × P (Ai )
= n .

P (A |Ai ) × P (Ai )
i=1
Le meme exemple précédent, calculer la probabilité que la lamp défectueuse soit tirée de l’urne
3?
P (U3 |D ) =?
3
P (U3 ∩ D) P (D ∩ U3 ) P (D |U3 ) × P (U3 ) ×1
P (U3 |D ) = = = = 8 3 = 0.397.
P (D) P (D) P (D) 0.315
3.3 Les variables aléatoire

3.3.1 Introduction
Souvent, il est nécessaire d’associer à chaque résultat d’une experience aléatoire précise une
valeur réelle. Donc, la variable aléatoire est l’expression mathématique pour nécessité.
Par exemple, si on a une expérience de lancer une pièce de monnaie 3 fois successives, donc :
L’ensemble fondamental
Ω = {(P, P, P ) , (P, P, F ) , (P, F, P ) , (F, P, P ) , (F, F, P ) , (F, P, F ) , (P, F, F ) , (F, F, F )} .
Supposons qu’on s’intéresse au nombre de faces obtenu à travers 3 lancés.
33
(P, P, P ) → 0 i.e X (P, P, P ) = 0

(P, P, F ) , (P, F, P ) , (F, P, P ) → 1 i.e X (P, P, F ) = X (P, F, P ) = X (F, P, P ) = 1
(F, F, P ) , (F, P, F ) , (P, F, F ) → 2 i.e X (F, F, P ) = X (F, P, F ) = X (P, F, F ) = 2
(F, F, F ) → 3 i.e X (F, F, F ) = 3
3.3.2 Définition mathématique de la variable aléatoire

Soit (Ω, P (Ω) , P ) un espace de probabilité. On appelle X une variable aléatoire toute appli-
cation de Ω vers R telle que :
X:Ω→R
w → X (w)
w événement élémentaire.
L’ensemble des valeurs possibles prises par X est :
X (Ω) = {0, 1, 2, 3} (L’exemple ci-dessus).
Exemple 3.15 On lance un dé deux fois successives. Soit X une v.a qui représent la somme des
deux chiffres obtenus.
Les valeurs possibles de X sont :
X : Ω = {0, 1, 2, . . . , 6} × {0, 1, 2, . . . , 6} → R.
X (Ω) = {2, 3, . . . , 12} .
X = 2 → {(1, 1)} .
X = 3 → {(1, 2) , (2, 1)} .
..
.
X = 12 → {(1, 1)} .
3.3.3 Types de variable aléatoire :

Soit (Ω, P (Ω) , P ) un espace de probabilité, le type d’une variable aléatoire dépend en grand
partie de la valeur de l’ensemble X (Ω) ⊂ R.
a) Variable aléatoire discrète :
Si X (Ω) est un ensemble formé de valeurs isdées (distincts) alors X est une variable aléatoire
discrète.
b) Variable aléatoire continue :
Si X (Ω) est un ensemble qui prend toutes les valeurs d’un intervalle de R, alors X est une
variable aléatoire continue.
3.3.4 Loi de probabilité :

Si X est une variable discrète qui prend les valeurs {x1 , x2 , . . . , xn } avec les probabilités :
{P (X = x1 ) , P (X = x2 ) . . . , P (X = xn )} respectivement.
On appelle loi de probabilité la fonction tabulaire suivante :

PX (xi ) = P X −1 (xi ) = P ({w ∈ Ω : X (w) = xi }) .
xi x1 x2 ... xn
P (X = xi ) P (X = x1 ) P (X = x2 ) . . . P (X = xn )
- ∀xi ∈ X (Ω) : P (X = xi ) ≥ 0.
n
- P (X = xi ) = 1.
i=1
34
Exemple 3.16
P (X = 0) = P ({(P, P, P )}) = 18 .
P (X = 1) = P ({(P, P, F ) , (F, P, P ) , (P, F, P )}) = 38 .
P (X = 2) = P ({(F, F, P ) , (F, P, F ) , (P, F, F )}) = 83 .
P (X = 3) = P ({(F, F, F )}) = 18 .
Alors, on peut écrire la loi de probabilité sous la forme :
xi 0 1 2 3
P (X = xi ) 18 38 38 18
3.3.5 La fonction de répartition :

Soit X une variable aléatoire défine sur Ω, on a appelle fonction de répartition associée à X
l’application escalier F définie comme suit :
F : R → [0, 1]
x → FX (x) = P {X ≤ x}
= P {(]−∞, x])}
= P (X = xk )
xk ∈ X (Ω) , xk ≤ x
3.3.6 Les propriétés de cette fonction :

lim F (x) = 0, Si a ≤ b ⇒ FX (a) ≤ FX (b)
x→−∞
lim F (x) = 1 P (a < X ≤ b) = FX (b) − FX (a)
x→+∞
0 ≤ F (x) ≤ 1,
- F est continue sur R |X (Ω) et continue à droite à chaque point appartenant à X (Ω) .
⎧
⎪
⎪ 0 si x ∈ ]−∞, 0[
⎪
⎪
⎨ 18 si x ∈ [0, 1[
1
Exemple 3.17 F (x) = si x ∈ [1, 2[
⎪
⎪
2
7
⎪ 8
⎪ si x ∈ [2, 3[
⎩
1 si x ∈ [3, +∞[
3.3.7 Densité de probabilité :

Définition : Si la fonction de répartition FX est dérivable, sa dérivée notée par
∂FX (x)
fX (x) = ,
∂x
s’appelle densité de probabilité de la variable aléatoire relle X et on dit aussi que X est
absolument continue.
Proposition : Si
X une variable aléatoire réelle de densité fX (x) alors :
x
1) FX (x) = fX (t) dt.
−∞
2) fX (x) est positive.
b
3) P (a < x ≤ b) = f (x) dx.
+∞a
4) f (x) dx = f (x) dx = 1.
R −∞
5) P (X = x) = 0.
35
Bibliographie
3.3.8 Espérence
L’espérence mathématique pour une variable aléatoire discrète est défini par le nombre :

n
E (X) = xi P (X = xi ) , (X (Ω) = {x1 , x2 , . . . , xn }) .
i=1
3.3.9 La variance
La variance pour une variable aléatoire discrète est défini par :

V (X) = E X 2 − E2 (X) .

n
où E (X 2 ) = x2i P (X = xi ) .
i=1
3.3.10 L’écart type

L’écart type est défini par :
σ (X) = V (X).

n
Exemple 3.18 E (X) = xi P (X = xi ) = 0 × 18 + 1 × 38 + 2 × 38 + 3 × 1
8
= 32 .
i=1

n
V (X) = x2i P (X = xi ) − E2 (X)
i=1 2
= 02 18 + 12 38 + 22 38 + 32 18 − 32 = 34 .
√
σ (X) = V (X) = 23 .
E (aX + b) = aE (X) + b
Proposition 3.1 ∀a, b ∈ R.
V (aX + b) = a2 V (X) .
36
Bibliographie
[1] D. Meghlaoui. Introduction à la Statistique Descriptive. Ecole Préparatoire en Sciences Eco-

nomiques Commerciales et des Sciences de Gestion de Constantine, 2010.
[2] B. Grais. Exercices de statistique descriptive.
[3] B. Grais. Statistique descriptive. (3ème edition).
[4] J.J. Droesbe. Ensemble de la statistique.
[5] H. Hamadani. Statistique descriptive avec exercices corrigés.
[6] F. Carrat and A. Mallet. Biostatistique. Faculté médecine-Université Pierre et Marie Curie,
2013.
[7] C. Suquet. Introduction au calcul de probabilités. Université des Sciences et Technologies de
Lille U.F.R. de Mathématiques Pures et Appliquées. France, 2003.
37

Introduction aux prob-Stat

Transféré par

Droits d'auteur :

Formats disponibles

Introduction aux prob-Stat

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Introduction aux prob-Stat

Transféré par

Droits d'auteur :

Formats disponibles

ΔϳΑόηϟ΍Δϳρ΍έϘϣϳΩϟ΍Δϳέ΋΍ίΟϟ΍ΔϳέϭϬϣΟϟ΍

Présenté à la Faculté des Science Exacte et Science de la Nature et de la Vie,

Par : DrLAKHDARI Imad Eddine

Introduction aux probabilités

Année Universitaire 202/202

Table des matières i

1 Notions de base et vocabulaire statistique 4

2 Représentation numérique des données 14

3 Calcul des probabilités 24

3.3.4 Loi de probabilité : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

(status → stato → statista(1633) → statistica(1672) → statisticus(1771) → statistique).

Ce document est structuré en trois chapitres :

en tuyaux d’orgue, Diagramme en bandes), cas de caractère quantitatif (Diagramme en batons,

1.2 Concepts de base de la statistique

Les caractères statistiques se décomposent en deux types :

Continue Discret Nominale Ordinale

1.3 Les tableaux statistiques

1.3.0.1 Fréquence absolue (eﬀectif ) et fréquence relative

Modalités Xi ducaractres x1 x2 ... xi ... xk

Féquence (Fréquence relative) : on appelle fréquence ou fréquence relative de la modalité xi le

1.3.1 Représentation graphique d’un caractère qualitatif

Qualiﬁcation Nombre de travailleurs ni Fréquance relative fi

1.3.1.1 Représentation en tuyaux d’orgue

1.3.1.2 Représentation en diagramme circulaire

θ1 = 360◦ × f1 = 360◦ × 0.7 = 252◦

20 Ouvriers Employés Techniciens Ingénieurs

1.3.2 Représentation graphique d’un caractère quantitatif (cas dis-

Figure 1.2: Diagramme en Batons.

la fréquence Fi répond à la question quelle est la proportion d’individus ayant le caractère

Remarque 1.3 La fonction F est discontinue en chaque point de la variable statistique.

Figure 1.3: Diagramme des fréquences cumulatives croissantes.

1.3.3 Représentation graphique d’un caractère quantitatif (cas continu)

Figure 1.4: Illustration de représentation graphique d’une classe

Histogramme des effectifs Histogramme des fréquences

Figure 1.5: Histogramme des eﬀectifs et Histogramme des fréquences

1.3.3.1 Séries statistiques à classes égales (même amplitude)

Classes ni fi Fi Fi

Figure 1.6: Histogramme et polygone des eﬀectifs

— L’aire de chaque réctangle,

1.3.3.2 Séries statistiques à classes inégales (amplitudes diﬀérentes)

Remarque 1.6 Dans ce cas, l’aire de chaque réctangle est

a = 5cm = pgcd(10, 5), a est aussi l’amplitude la plus répétée.

Classes fi Fi Fi

Figure 1.8: Courbe des fréquences cumulatives croissantes et décroissantes

2.1 Caractéristiques numérique d’une variable statistique

2.1.1 Caractéristique de tendance centrale

avec ai l’amplitude de la classe [ei−1 , ei [ .

Figure 2.1: Illustration de détermination du mode graphiquement.

Exemple 2.1 Soit la série : {12 ; 26 ; 6; 3 ; 32 ; 15 ; 21} ,

x(1) ≤ x(2) ≤ ... ≤ x(p) ≤ x(p+1) ≤ x (p+2) ≤ ... ≤ x(2p+1) .

x(1) ≤ x(2) ≤ ... ≤ x(p) ≤ x(p+1) ≤ x (p+2) ≤ ... ≤ x(2p) .

Figure 2.2: Illustration de détermination de la mediane graphiquement.

F (ei−1 ) < 0.5 < F (ei )

2.1.1.3 Moyenne arithmétique

 La moyenne quadratique MQ des valeurs : -2 , 5 , -8 , 9 , -4 , est

Exemple 2.5 H des 1, 4 , 8 , 10 , 12 est

2.1.2 Caractéristiques de dispersion

2.1.2.2 Variance et écartype :

On appelle écartype empérique noté σX .

x(5) + x(6) 1+1

Par : DrLAKHDARI Imad Eddine

Année Universitaire 202/202

La moyenne quadratique MQ des valeurs : -2 , 5 , -8 , 9 , -4 , est