MJ Cours de Statistique Descriptive et Calcul de probabilité

Chapitre 1

INTRODUCTION A LA METHODE STATISTIQUE

I-INTRODUCTION ET TERMINOLOGIE :

Il est nécessaire, avant d’exposer les différentes méthodes utilisées, de donner la terminologie
c'est-à-dire la définition des termes statistiques qui vont êtres utilisés le long de ce cours. Nous devons
tout d’abord faire la distinction entre les deux notions suivantes :
- STATISTIQUES : (avec s, au pluriel) désigne tout ensemble de données chiffrées
relatives à un phénomène donné et recueillies en générale par des organismes spécialisés.
Par exemple : INS : Institut National de la Statistique centralise toutes les informations statistiques
publiques et même privée. On y trouve toutes les données sociodémographiques, économiques et
financières du pays. Il publie par exemple : l’économie de la Tunisie en chiffres ce sont les
renseignements relatifs aux prix, salaires, production agricoles, échanges extérieurs, consommation….
On remarque bien que ces statistiques sont importantes et nécessaires pour le travail d’un statisticien
mais elles sont insuffisantes d’où la définition de la deuxième notion à savoir :
- STATISTIQUE : (sans s, au singulier) est la science et l’ensemble des procédés avec
lesquels on va pouvoir étudier les statistiques ; afin de répondre à certaines questions relatives à un ou
plusieurs phénomène étudié. Donc la statistique est l’outil de travail de la matière première constituée par
les statistiques.
On appellera données statistiques un ensemble de mesure observées sur une population donnée relative à
un ou plusieurs caractères.

Section 1 : DEFINITION ET TERMINOLOGIE

1) population :
Une population est un ensemble d’individus ou d’unités statistiques. Une population au sens statistique,
n’est pas nécessairement un ensemble d’être humains. Elle peut être constituée de n’importe quel
ensemble d’objets concernés par l’étude.
a) Exemples :
La population des ménages d’une cité, des vaches laitières en Tunisie, des étudiants d’une faculté.
 Une population peut être exhaustive c'est-à-dire couvrir l’ensemble de touts les individus
concernés comme elle peut être une partie de cet ensemble, dans ce cas on parle d’échantillon. Si
on revient à l’exemple des étudiants d’une faculté, les étudiants de la première année de cette
faculté représentent un échantillon de la population totale.
2) unité statistique ou individu :
C’est un seul élément de l’ensemble de la population. Une population est donc composée de plusieurs
unités statistiques ou individus.
b) Remarque :
Une population comporte toujours des unités homogènes (de même type, même nature) dont le
nombre est fini. Une population ne peut pas comportée en même temps des voitures et des vaches.

1
MJ Cours de Statistique Descriptive et Calcul de probabilité

3) Caractère – Modalité :
Un caractère est un aspect observable du phénomène étudié : c’est une dimension du phénomène.
Une unité statistique peut être observée selon plusieurs caractères.
Exemple : P : population de voitures circulant à Nabeul ;
U : unité statistique : une voiture parmi ces voitures ;
C : caractères : âge ; marque ; maison ; prix ; puissance……
Chaque caractère se définit par l’ensemble des modalités qui sont les différentes valeurs possibles ou les
différents états possibles ou les différentes situations possibles du caractère.
Exemple : P : population des étudiants de la 1ère année de FESG Nabeul ;
U : Individu : un étudiant de la 1ère année de FESG Nabeul ;
C : caractères : Sexe ; M : modalité : M ; F (deux)
Moyenne en BAC : M : modalité : tout l’intervalle [9,20] (infinité)
Age en année : M : modalité : 17-18-19-20-21-22-23-24-25 ( neuf)

On remarque que les modalités sont soient des états soient des chiffres, ce qui nous amène à dire qu’il y a
deux types de caractères : qualitatifs et quantitatifs.
a) Caractères qualitatifs : ce sont les caractères dont les modalités diffèrent par leur nature. Ces
modalités ne peuvent être mesurée, elle sont plutôt identifiées ou constatées. Comme par exemple
les caractères : sexe ; couleur ; marque….. la liste des modalités est appeler Nomenclature.
b) Caractères quantitatifs : ils possèdent des modalités mesurables chiffrées telle que par
exemple : taille, âge, revenu…….on distingue :
 Caractères quantitatifs discrets : c’est un caractère qui ne peut prendre que des valeurs
isolées dans un intervalle donné, ces valeurs sont souvent des valeurs entiers. Exemple :
nombre d’enfant : 1,…6 ; ou encore le nombre de matières à étudiés : 1 ;….15.
 Caractères quantitatifs continus : c’est un caractère qui ne peut prendre que des valeurs
qui appartiennent à un intervalle donné. Exemple : âge ; taille ; poids ; revenu…

Les caractères sont aussi appelés VARIABLES STATISTIQUES donc on distingue trois types de
variables à savoir : variables qualitatives, variables quantitatives discrètes et variables quantitatives
continues.

II-TABLEAUX ET GRAPHIQUES :

L’information statistique collectée sous forme de données individuelles, n’est pas facilement
exploitable et sa manipulation est lourde, il est donc nécessaire de résumer les caractères sous forme de
tableaux.
Par ailleurs, l’information statistique ne peut jamais être publiée sous sa forme brute, il faut la représenter
sous forme simplifiée par des tableaux : on parle alors de données groupées ou classées ce qui nous donne
ce qu’on appelle distribution statistique (DS).
Une DS est une répartition de la population observée selon les différentes modalités du ou des
caractères retenus. Si on retient un seul caractère, alors la DS est dite à une seule dimension et on présente
alors un tableau à une seule dimension ou encore un tableau à simple entrée.
La DS peut aussi être représentée par un graphique qui a l’avantage de donner une lecture visuelle
immédiate des aspects dominants.
Les tableaux et les graphiques diffèrent selon la nature du caractère étudié.

2
MJ Cours de Statistique Descriptive et Calcul de probabilité

Section 1 : REPRESENTATION DES CARACTERES QUALITATIFS

1) tableaux statistiques :
Soit une population P de N individus, sur laquelle on observe le caractère qualitatif C qui comporte k
modalités (nomenclatures) notés M1 ; M2 ......... Mk. Soit ni le nombre d’individus de la population qui
présentent la modalité Mi du caractère C. ni est l’effectif de la modalité Mi et on a ∑ = .
On appelle tableau statistique de la population P décrite selon le caractère C, le tableau des couples
(Mi , ni).
Répartition de la population P selon le caractère C :

modalités effectifs
M1 n1
... ...
Mi ni
... ...
Mk nk
total N

Pour représenter un tableau statistique, trois règles doivent être respectées :

- il faut mettre le titre du tableau ;
- il faut mettre la source ou l’origine de l’information chiffrées (en bas et à droite) ;
- il faut indiquer les unités utilisées pour les effectifs.
On appelle fréquence de la modalité Mi le quotient : = et on peut aussi définir le pourcentage de la
manière suivante : = 100 × . Ainsi : ∑ = 1 ∑ = 100.

a) Exemple : répartition des 1000 voitures du gouvernorat de Nabeul selon la couleur :

couleurs effectifs fréquences

Bleu 150 …….
Noire 280 …….
Rouge 220 …….
Jaune 250 …….
autres 100 …….
total 1000 1
Source : exemple
P : Population étudiée :
C : Caractère :
M : Ensemble des modalités :

2) représentation graphique :
Pour les caractères qualitatifs, deux types de graphiques sont utilisés :
a) Diagramme en secteurs :
La distribution est représentée par un cercle divisé en k secteurs (chaque modalité sera représentée à
l’aide d’un secteur sur le cercle), la superficie du secteur (l’angle de chaque secteur noté  i ) est
proportionnelle à l’effectif ou à la fréquence de cette modalité. On a donc  i  360 fi

3
MJ Cours de Statistique Descriptive et Calcul de probabilité

couleur angle αi pourcentage pi

Bleu ……. …….
Noire ……. …….
Rouge ……. …….
Jaune ……. …….
autres ……. …….
total 360 100

Distribution des voitures selon la Couleur

b) Le graphique en tuyaux d’orgue :

C’est une représentation graphique d’un ensemble de rectangles dans un repère orthonormé ayant :
En abscisses : les modalités du caractère. La largeur de chaque rectangle est la même quelle que
soit la modalité, la largeur n’est pas une mesure.
En ordonnées : les valeurs des effectifs ou des fréquences.
La représentation des rectangles peut se faire selon un ordre arbitraire des modalités.

Distribution des voitures selon la Couleur

300

250

200

150

100

50

0
Bleu Noire Rouge Jaune Autres

4
MJ Cours de Statistique Descriptive et Calcul de probabilité

L’aire ou la surface du rectangle est proportionnelle à l’effectif ou à la fréquence de la modalité puisque

les rectangles ont tous la même largeur (choisie par l’utilisateur).

Section 2 : REPRESENTATION DES CARACTERES QUANTITATIFS DISCRETS

1) Les tableaux :
La présentation générale sous forme de tableau se présente comme suit :
Répartition de la population P selon le caractère C :
modalités effectifs fréquences
M1 n1 f1
... ... ...
Mi ni fi
... ... ...
Mk nk fk
total N 1

Les Mi sont la plupart des cas des nombres entiers (variable discrète). La dernière modalité Mk est
souvent un regroupement de plusieurs valeurs dont les effectifs sont trop faibles pour constituer des
modalités à part entière.
a) Exemple : répartition des étudiants d’un amphi selon le nombre de frères et sœurs :
nombre de frères et sœurs effectifs fréquences
0 18 …….
1 30 …….
2 60 …….
3+ 42 …….
total 150 1

2) fonction de répartition : fréquences cumulés croissants :

Les caractères quantitatifs discrets ont des modalités ordonnées (pas comme le cas des caractères
qualitatifs), de ce fait, on peut construire la fonction de répartition.
Notation : X est la valeur du caractère quantitatif discret ;
x est une valeur particulière donnée à ce caractère.
a) Définition :
La fonction de répartition d’un caractère quantitatif discret est une application F de IR dans l’intervalle
[0,1] définie de la façon suivante :
F : IR [0,1]
x F(x) = P (X<x)
De cette définition de la fonction de répartition découlent les considérations suivantes :
 F est définie quelle que soit x appartenant à IR, x correspond ou non à une modalité de X ;
 F(x) = 0 quelle que soit x ≤ M1 en particulier F (M1) = 0 ;
 F (M2) = P (X< M2) = P (X = M1) = f1 ;
 F (M3) = P (X< M3) = P (X = M1 ou X = M2 ) = f1 + f2 ;
 En générale pour i ≥ 2 ;
F(Mi) = P (X< Mi) = P (X = M1 ou X = M2 ..... ou X = Mi-1) = f1 + f2 + .... + fi-1 ;
 F(x) = 1 quelle que soit x > Mk ;
 F est une fonction non décroissante, elle est croissante ou constante puisque ces valeurs sont de
plus en plus grandes ou constantes. D’une manière générale, la fonction de répartition d’un
caractère discret est constante par intervalle.

5
MJ Cours de Statistique Descriptive et Calcul de probabilité

Tableau des valeurs remarquables de la fonction de répartition :

Mi fi F (Mi) N (Mi)
M1 f1 0 0
M2 f2 f1 n1
.... .... .... ....
Mi fi f1 +f2 +....+fi-1 n1 +n2 +....+ni-1
.... .... .... ....
Mk fk f1 +f2 +....+fi ....+fk-1 n1 +n2 +....+ni ....+nk-1

- la grandeur F (Mi) est appelée fréquence cumulée croissante de la modalité Mi ;

- On peut aussi définir des effectifs cumulés croissants avec ( ) = ( < )
- On peut définir des fréquences cumulés décroissants avec ( ) = ( ≥ ) = 1 – ( ).
C’est la répartition d’individus ayant une valeur de la variable supérieur ou égale à .
b) Application :
Reprenant l’exemple précédent : de la répartition des étudiants d’un amphi selon le nombre de frères et
sœurs :

Nombre de fi N(x) F(x) G(x)

frères et sœurs
0 18 0,12 ……. ……. …….
1 30 0,20 ……. ……. …….
2 60 0,40 ……. ……. …….
3+ 42 0,28 ……. ……. …….
total 150 1 --- --- ---

3) Les graphiques :
Les caractères quantitatifs discrets donnent lieu à deux types de représentations graphiques.

a) Diagramme intégral ou courbe cumulative :

C’est la courbe de la fonction de répartition, qui est une courbe en escalier et discontinue.
Représentation graphique de la fonction de répartition de la variable nombre de frères et sœurs :

6
MJ Cours de Statistique Descriptive et Calcul de probabilité

( )
1

0,72

0,32

0,12

0 1 2 3+
b) Diagramme différentiel (diagramme en bâtons)
Chaque modalité est représentée (dans un repère orthonormé : modalité en abscisses et effectifs ou
fréquences en ordonnés) par un segment vertical dont la longueur est proportionnelle à l’effectif ou à la
fréquence.
 Reprenant le même exemple :

0,40

0,28

0,20

0,12

0 1 2 3+

Section 3 : REPRESENTATION DES CARACTERES QUANTITATIFS

CONTINUS

1) Modalités et tableaux :
Les modalités appartiennent à des intervalles [a, b] de IR avec a et b qui sont respectivement la plus petite
et la plus grande valeur observées.

7
MJ Cours de Statistique Descriptive et Calcul de probabilité

[a, b] sera donc subdivisé en k sous – intervalles disjoints [ei-1, ei[ : par convention fermé à gauche et
ouvert à droite. Chaque sous – intervalle est appelé classe, la différence ei - ei-1 = ai s’appelle amplitude de
la classe.
On pose a = e0 et b = ek
On définit ainsi k modalités Mi constituées par k classes :
M1 = [e0, e1[ ; M2 = [e1, e2[ ; ................ Mi = [ei-1, ei[ ; ......... Mk = [ek-1, ek[ ;
L’effectif ni de la classe Mi = [ei-1, ei[est le nombre d’individus qui ont une valeur de la variable supérieur
ou égale à ei-1 et strictement inférieur à ei.
Le tableau se présente alors de la manière suivante :

modalités effectifs fréquences

M1 n1 f1
M2 n2 f2
... ... ...
Mi ni fi
... ... ...
Mk nk fk
total n 1

a) Exemple : répartition des ouvriers d’une usine selon les dépenses journalière :

Dépenses en DT effectifs fréquences

[10, 15[ 42 …….
[15, 18[ 66 …….
[18, 24[ 103 …….
24 et + 89 …….
total 300 1

b) Remarque :
R1 : il arrive souvent que les bornes et ne soient pas définies avec précision c’est à dire : moins
que et : plus que .
Cette imprécision provient du fait que les valeurs limites et sont assez éloignées. Alors par
convention : pour fixer , on prend la même amplitude que la classe suivante, de même pour fixer on
prend l’amplitude de la classe précédente.
R2 : le problème du découpage en classe : autrement dit le problème du choix du nombre k, il faut retenir
qu’il n’existe pas de règles universelles et que le nombre de classes ne doit pas être ni trop grand ni trop
petit. En général, k appartient à l’intervalle] 6, 13[avec des effectifs plus ou moins équilibrés entre les
classes.

2) La fonction de répartition :
On garde la même définition que dans le cas discret. Cependant certaines remarques doivent êtres faites :
F(x) = 0 quelle que soit x ≤ e0 c’est à dire F (e0) = 0 ;
F(e1) = f1 ;
F(e2) = f1 + f2 ;
........
F(ei) = f1 + f2 + ...... + fi;
........
F (ek) = f1 + f2 + ...... + fi + ....... + fk = 1;

8
MJ Cours de Statistique Descriptive et Calcul de probabilité

Quelle que soit x appartenant à [ei-1, ei [d’une classe donnée, F(x) n’est pas déterminer avec exactitude.
On supposera que la fonction F est linéaire et non pas constante entre ei-1 et ei comme dans le cas discret.
Avec cette hypothèse de linéarité de la fonction de répartition à l’intérieur des classes, on peut déterminer
F(x) quelle que soit x, cette détermination se fait par interpolation linéaire.
Interpolation linéaire:
ei-1 F (ei-1)
( ) ( ) ( ) ( )
x F (x) =
ei F (ei)

a) Exemple : Reprenant l’exemple des dépenses journalières :

Dépenses en DT fréquences fonction de répartition

[10, 15[ 0,140 …….
[15, 18[ 0,220 …….
[18, 24[ 0,343 …….
[24, 30[ 0,297 …….
total 1 ----

3) Les graphiques :
Les caractères quantitatifs continus font l’objet de deux représentations graphiques :
a) Diagramme intégral ou courbe cumulative :
C’est la courbe de la fonction de répartition qui est une courbe croissante et continue.
Représentation graphique de cette fonction de répartition :

F(x)
1

0,703

0,36

0,14

0 10 15 18 24 30 x
b) Histogramme ou diagramme différentiel :
C’est un ensemble de k rectangles superposés (l’un à coté de l’autre), il s’agit d’un rectangle par modalité
ou par classe. La base ou la largeur de chaque rectangle est égale à l’amplitude de la classe et la longueur
est égale à son effctif ou à sa fréquence. Deux cas peuvent se présenter :

9
MJ Cours de Statistique Descriptive et Calcul de probabilité

Cas n°1 : toutes les amplitudes sont égales : la représentation de l’histogramme est directe.
Cas n°2 : les classes ont des amplitudes différentes, on choisit par exemple la plus petite amplitude ou la
plus fréquente comme amplitude de reférence et on calcule les fréquences corrigées ou les effectifs
corrigées qui vont représentées les longueurs des rectangles.
= = .avec sont respectivement l’amplitude de référence
et de la classe.
En résumé, pour construire un histogramme, quatre étapes sont nécessaires :
- calculer l’amplitude de chaque classe ;
- choisir l’amplitude de reférence qui est la plus petite ou la plus répandue ;
- calculer les fréquences corrigées ;
- tracer l’histogramme qui est un ensemble de k rectangles juxtaposés dont la largeur est égal à
l’amplitude initiale de la classe et la longueur égale à la fréquence corrigée.
Reprenant une autre fois le même exemple des dépenses journalières :
Choisissons 6 comme amplitude de référence.

Dépenses en DT fréquences Les Amplitudes Fréquences corrigées

[10, 15[ 0,140 ……. …….
[15, 18[ 0,220 ……. …….
[18, 24[ 0,343 ……. …….
[24, 30[ 0,297 ……. …….
total 1 ---- -------

= × = ; = × =
fic

0,440

0,343

0,297

0,168

0 10 15 18 24 30 Les dépenses journalières

10
MJ Cours de Statistique Descriptive et Calcul de probabilité

Chapitre 2

LES PARAMETRES DE TENDANCE CENTRALE

ET DE DISPERSION

Les tableaux et graphiques examinés au cours du chapitre précédent rendent l’information

statistique brute plus lisible et plus manipulable.
Ce chapitre a pour objectif de résumer encore davantage la DS par quelques grandeurs significatives
appelées paramètres de tendance centrale et de dispersion.

I- LES PARAMETRES DE TENDANCES CENTRALE OU DE

POSITION :

Section 1 : LE MODE : Mo

1) Définition :
- Le mode Mo est la valeur ou l’état de la variable statistique c’est à dire la modalité qui correspond à
l’effectif le plus élevé ou à la fréquence la plus élevée.
C’est donc la valeur la plus fréquente pour la population.
- Le mode Mo est la valeur la plus fréquente dans une série statistique.

2) Détermination :
- Dans les cas qualitatifs et quantitatifs discrets, la détermination du Mode est immédiate ; exemples :
a) Le cas quantitatifs discrets : La répartition du nombre d’enfants par familles :

Nombre Nombre de
d’enfants familles
0 15
1 25
2 10 Mo =
3 35
4 74
5+ 12

b) Le cas qualitatif : La répartition des voitures selon leurs couleurs :

Couleurs de Nombre de
voitures voitures
Noire 17
Jaune 59 Mo =
Bleu 53
Autre 59

c) Le cas d’un caractère quantitatif continu : Il s’agit de déterminer une classe modale, deux cas
sont possibles :
 Toutes les classes ont la même amplitude : la classe modale est celle qui correspond à l’effectif le plus
élevé ou à la fréquence la plus élevée

11
MJ Cours de Statistique Descriptive et Calcul de probabilité

 les classes ont des amplitudes différentes : on calcule les fréquences corrigées, la classe modale sera
celle qui correspond à la fréquence corrigée la plus élevée.
Remarque :
R1 : sur l’histogramme, la classe modale est celle qui correspond au rectangle ayant la longueur la plus
élevée ;
R2 : on peut considérer le centre Ci d’une classe modale comme étant le mode Mo ;
R3 : une DS peut être PLURIMODALE ; si elle admet plus qu’un mode ou UNIMODALE ; si elle admet
un mode unique.
 Détermination graphique et par le calcul:
Une entreprise a enquêté 100 délégués médicaux sur le nombre de Km qu’ils effectuaient par jour
pour la vente de ces produits. Le tableau suivant résume les résultats obtenus.
Trajet Effectifs Amplitude Effectifs fréquences fréquences
corrigés corrigées
[10, 20[ 13 ……. ……. ……. …….
[20, 40[ 28 ……. ……. ……. …….
[40, 50[ 21 ……. ……. ……. …….
[50, 80[ 24 ……. ……. ……. …….
[80, 100[ 14 ……. ……. ……. …….
total 100 ---- ---- 1 ----

Choisissons 10 comme amplitude de référence.

= = .avec sont respectivement l’amplitude de référence et
de la classe.
nic

21

14
13

8
7

0 10 20 40 50 80 100
Mo = Trajet

= + ×
+

12
MJ Cours de Statistique Descriptive et Calcul de probabilité

Avec :
- LMo : La limite (borne) inférieure de la classe modale,
- d1 : La fréquence corrigée de la classe modale - la fréquence corrigée de la classe précédente,
- d2 : La fréquence corrigée de la classe modale - la fréquence corrigée de la classe suivante,
- A : L’amplitude de la classe modale.
d) Application : ∈ 40,50
… … … …
= ⋯ + ( … × = … + ( … × … = ⋯ Km/j.
… ) ( … … ) … ) ( … … )

Le kilométrage le plus souvent effectué par les délégués médicaux est de 43 Km et demi par jour (la
plupart des délégués médicaux ont effectué 43,5 Km/j).

Section 2 : LA MEDIANE : Me

1) Définition :
La médiane Me est la valeur de la variable telle que 50 % de l’effectif total ait une valeur inférieur
strictement à Me et 50 % ait une valeur supérieure ou égale à Me. La médiane partage alors la population
en deux parties d’effectifs égaux.
Analytiquement et à partir de la fonction de répartition, la médiane Me est définie comme suit :
F ( Me)  0,5

a) Le cas qualitatif : Dans ce cas, les modalités ne sont pas des valeurs ordonnées donc pas de
fonction de répartition et par la suite pas de médiane.

b) Le cas discret : Dans ce cas, en général la médiane n’existe pas, cependant dans certains cas
rares, on tombe exactement sur une modalité Mi qui correspond à une valeur 0,5 de la fonction de
répartition et donc Mi sera la médiane. On peut prendre comme médiane la modalité qui
correspond à une valeur de la fonction de répartition proche de 0,5 c’est à dire appartenant à
l’intervalle [0,48 ; 0,52]. Sinon la médiane n’existe pas.

c) Le cas continu : Dans ce cas, deux étapes sont nécessaires pour déterminer la médiane :
* déterminer la classe médiane [ei-1 ; ei] en vérifiant : ( ) < 0,5 < ( )
* on déterminera la valeur exacte de la médiane par interpolation linéaire à l’in térieur de la classe
médiane.
 Exemple : Reprenant l’exemple précédent :

Trajet effectifs fréquences fréquences fréquences

cumulées cumulées
croissantes F(X) décroissantes
G(X)
[10, 20[ 13 0,13 ……. …….
[20, 40[ 28 0,28 ……. …….
[40, 50[ 21 0,21 ……. …….
[50, 80[ 24 0,24 ……. …….
[80, 100[ 14 0,14 ….... …….
total 100 1 --- ----

13
MJ Cours de Statistique Descriptive et Calcul de probabilité

(40) = 0, … < 0,5

On a donc comme classe médiane l’intervalle [ …. ; …. [ ⇒
(50) = 0, … . > 0,5
… ----------------- …
Me ----------------- 0,5
… ------------------ …
À l’aide d’une interpolation linéaire, on aura Me = 44,286 Km/j.
50% des représentants ont effectué un trajet inférieur à 44,286 Km/j et l’autre 50% ont effectué plus de
44,286 Km/j dans leur déplacement.

2) Détermination graphique de la médiane :

En utilisant la courbe de la fonction de répartition (courbe cumulative), on prend le point d’ordonnée 0,5 ;
on le projette sur la courbe et ensuite sur l’axe des abscisses ce qui nous permet d’obtenir la Médiane.
Représentation graphique de cette fonction de répartition :

F(x)

1,000

0,860

0,620

0,500

0,410

0,130

10 20 40 50 80 100 x

Me = 44,286 Km/j

Section 3 : La MOYENNE ARITHMETIQUE : X

1) définition :
La moyenne arithmétique d’une variable statistique relative à une population est la somme des valeurs
observées divisée par le nombre d’observations. Pour la suite de ce cours, on convient de choisir les
notations suivantes :
- pour le cas des variables aussi bien discrètes que continues, on adopte la notation suivante : x1, x2, x3,
......xi, .......... xk pour les modalités et n1, n2, n3, ......ni, .......... nk pour les effectifs qui représentent les
pondérations.
∑
= =

14
MJ Cours de Statistique Descriptive et Calcul de probabilité

Pour le cas discret, xi est la valeur de la modalité. Dans le cas continu, on prend le centre de la
classe au lieu de xi puisque les modalités sont des intervalles et non pas des valeurs isolées.
Il faut remarquer que la moyenne arithmétique n’est pas une donnée qui a une existence réelle,
qu’elle n’est pas un nombre entier. Même dans le cas discret, si la variable est par exemple le nombre
d’enfant, on peut accepter une moyenne arithmétique de 2,58.

a) Exemples :
i. Soit la répartition des étudiants d’une classe de TD selon le nombre de leurs puces téléphoniques :

Nombre de puce (xi) Nombre d’étudiants

(ni)
1 8
2 14
3+ 3
Total 25

( … × … ) + ( … × … ) + ( … × … )
= = …
Le nombre moyen de puces téléphoniques de ces étudiants est de 1,8.

ii. Reprenant l’exemple des représentants :

Trajet effectifs fréquences Centre des
classes ci
[10, 20[ 13 0,13 …….
[20, 40[ 28 0,28 …….
[40, 50[ 21 0,21 …….
[50, 80[ 24 0,24 …….
[80, 100[ 14 0,14 …….
total 100 1 ---

( … × … )+( … × … )+( … × … )+( … × … )+( … × … )

= = /

= ( … × … ) + ( … × … ) + ( … × … ) + ( … × … ) + ( … × … ) = /

Les représentants effectuent en moyenne un trajet de 48 Km/j.

b) Propriétés :
P1- propriété de linéarité :
Si la variable Y est une transformation linéaire d’une autre variable X, alors la même transformation
linéaire est valable sur leurs moyennes arithmétiques : = + alors = +
P2- si P1 et P2 sont deux sous populations d’effectifs respectifs et avec des moyennes arithmétiques
respectives et alors la population = d’effectifs total : = + a pour moyenne
arithmétique :
+
=

Cette propriété reste valable pour le cas de plusieurs sous populations.

15
MJ Cours de Statistique Descriptive et Calcul de probabilité

Section 4 : AUTRES MOYENNES ET GENERALISATION

1) La moyenne quadratique : Noté Q est celle dont le carré est égal à la moyenne arithmétique
des carrés des valeurs de la variable prises par la population :

∑ ∑ =1 2
= et donc =
Pour le cas continu, xi sera remplacé par ci.
a) Application : Reprenant l’exemple de la répartition des étudiants d’une classe de TD :

∑ =1 2 ( … × … ) + ( … × … ) + ( … × … )
= = = ,

2) La moyenne géométrique : Noté G est la valeur de la variable telle que le logarithme de G

soit égale à la moyenne arithmétique des logarithmes des valeurs observées :

∑ × ( )
= Et donc = … ...

a) Application : Reprenant l’exemple de la répartition des étudiants d’une classe de TD :

= … ... = √ … × … × … = 1,682

b) Propriétés :
- La moyenne géométrique du produit est égale au produit des moyennes géométriques :
= × alors ( ) = ( ) × ( )
- La moyenne géométrique du quotient est égale au quotient des moyennes géométriques :
( )
= alors ( ) = ( ).
3) La moyenne harmonique : Noté H est la valeur de la variable dont l’inverse est égale à la
moyenne arithmétique des inverses des observations :

= ∑ Et donc =
∑

a) Application : Reprenant l’exemple de la répartition des étudiants d’une classe de TD :

25
= = … … … = 1,563
∑ + +
… … …
Remarque :
- La moyenne quadratique : est utilisée surtout en économétrie.
- La moyenne géométrique est utilisée pour calculer le taux de croissance moyen ainsi que les anuitées.
- La moyenne harmonique est utilisée pour mesurer les unités composées comme par exemple : Km/h ;
DT/$...
-Dans le cas continu et lors du calcul de ces différentes moyennes, xi sera remplacé par ci.
4) Comparaisons des différentes moyennes : pour une même distribution ou variable, les
différentes moyennes vérifient l’inégalité suivante : < < <

16
MJ Cours de Statistique Descriptive et Calcul de probabilité

II- LES PARAMETRES DE DISPERSION ET DE FORME :

Les indicateurs de tendance centrale (Mode, Médiane et moyenne arithmétique) sont insuffisants
pour permettre de résumer et de comparer les séries statistiques pour la simple raison qu’on peut avoir
plusieurs séries qui possèdent les mêmes valeurs pour ces paramètres mais avec des distributions qui se
font d’une manière nettement différentes, d’où la nécessité de calculer d’autres indicateurs capable de
rendre compte des écarts entre les différentes valeurs observées et les valeurs centrales.

Section 1 : L’ETENDUE : e

On appelle étendue d’une série statistique, la différence entre la plus élevée et la plus faible des
valeurs observées, soit :
= −
Dans l’exemple précèdent = ⋯ − ⋯ = ⋯

Section 2 : LES ECARTS INTERQUANTILES : LES QUANTILES

Comme pour la médiane, on s’intéresse ici aux valeurs de la variable qui partagent la population
en 4, en 10 et 100 parties de même effectif. Ces valeurs sont appelées respectivement quartiles, déciles et
centiles.
1) Les quartiles :
Ils sont en nombre de trois notés Q1, Q2 et Q3, ils partagent la population en 4 groupes d’effectif égal.
Q1 : premier quartile : valeur de la variable telle que 25 % des observations lui soient inférieures.
F (Q1) = 0,25 ;
Q2 : deuxième quartile : valeur de la variable telle que 50 % des observations lui soient inférieures.
F (Q2) = 0,5 (Q2 = Me) ;
Q3 : troisième quartile : valeur de la variable telle que 75 % des observations lui soient inférieures.
F (Q3) = 0,75 ;
L’intervalle d’amplitude Q1- Q3 est appelé intervalle interquartile et noté : [Q1,Q3].
Cet intervalle comporte 50% des observations.
2) Les déciles :
En nombre de neuf notés D1, D2, ....., D9, ils partagent la population en 10 groupes d’effectif égal.
a) Exemple :
D1 : premier décile : valeur de la variable telle que 10 % des observations lui soient inférieures.
F (D1) = 0,1 ;
D5 : cinquième décile : valeur de la variable telle que 50 % des observations lui soient inférieures.
F (D5) =F(Me)= 0,5
D9 : neuvième décile : valeur de la variable telle que 90 % des observations lui soient inférieures.
F (D9) = 0,9 ;
3) Les centiles :
en nombre de 99 notés C1, C2,.........C99, ils partagent la population en 100 groupes d’effectif égal. Ils sont
aussi appelés les percentiles.
a) Exemple :
C1 : premier centile : valeur de la variable telle que 1 % des observations lui soient inférieures.
F (C1) = 0,01 ;
C50 : cinquantième décile : valeur de la variable telle que 50 % des observations lui soient inférieures.
F (C50) = F(Me)= 0,5
C99 : quatre vingt dix-neuvième décile : valeur de la variable telle que 99 % des observations lui soient
inférieures. F (C99) = 0,99 ;

17
MJ Cours de Statistique Descriptive et Calcul de probabilité

4) Application : Reprenant l’exemple précédent :

Trajet effectifs fréquences F(X)

[10, 20[ 13 0,13 0,13
[20, 40[ 28 0,28 0,41
[40, 50[ 21 0,21 0,62
[50, 80[ 24 0,24 0,86
[80, 100[ 14 0,14 1
total 100 1 ---

(10) = 0 ; (20) = 0,13 ; (40) = 0,41 ; (50) = 0,62 ; (80) = 0,86 (100) = 1.
Cherchons le premier quartile, le sixième décile et le deuxième centile.
- F(Q1)=0,25
F (……) = ………... < 0,25
F (…....) = ………… > 0,25
…… ----------------- ………
Q1 ---------------- 0,25
…… ------------------ ………
À l’aide d’une interpolation linéaire, on aura Q1 =28,571 Km/j.
- F(D6)=0,6
F (…..) = …………. < 0,6
F (…..) = ………… > 0,6
……. ----------------- ……..
D6 ----------------- 0,6
……. ------------------ …….
À l’aide d’une interpolation linéaire, on aura D6 =60 Km/j.
- F(C2)=0,02
F (……) =………. < 0, 02
F (……) = ……….. > 0, 02
…… ----------------- ……..
C2 ------------------ 0,02
…… ------------------ ……..
À l’aide d’une interpolation linéaire, on aura C2 =11,538 Km/j.

Section 3 : MESURE DE LA DISPERSION AUTOUR DE LA MOYENNE

1) variance et écart type : on appelle variance d’une variable, la moyenne arithmétique des carrés des
écarts entre les valeurs de cette variable et leur moyenne.
( )= ∑ ( − ) =∑ ( − )

18
MJ Cours de Statistique Descriptive et Calcul de probabilité

On peut écrire la variance sous une autre forme appelée formule développée :
1
( )= −( ) = −( )

a) Démonstration :

( )= ( − ) = [( ) −2 ( )+ ( ) ]= −2 ( )+( )

= ( ) − 2( ) + ( ) = ( )−( )

b) Remarque :
 Pour le cas continu, xi sera remplacé par ci.

 Cette formule développée de la variance est plus facile à retenir et aussi plus rapide à calculer.
 Si = avec est une constante alors ( ) = ( ) = 0
 Si = + alors ( ) = ( + ) = ( ) + ( ) = ( ) = ∑ ( ) −( )
( + ) = ²∑ ( ) − ( ) = ² [∑ ( ) − ( ) ] = ² ( ) .

c) L’écart type :
La variance est exprimée dans le carré de l’unité de la variable, C’est pour cela elle n’est pas facile à
interpréter ce qui nous amène à calculer sa racine carrée appelé : écart type et noté :
= ( )
L’écart type s’exprime dans la même unité que la variable. Plus l’écart type est grand, plus la dispersion
des observations autour de la moyenne est forte.

2) Le coefficient de variation :
L’écart type et les indicateurs de tendance centrale sont exprimés dans la même unité de mesure de la
variable, ainsi pour comparer la dispersion de deux ou plusieurs distributions exprimées dans des unités
différentes, il est indispensable d’utiliser un indicateur de dispersion indépendant de l’unité de mesure, on
utilise le coefficient de variation noté : ( ), c’est un nombre sans unité définit par : ( )= .
a) Application : Reprenant l’exemple des représentants :

Trajet Effectifs Centre des ni (ci ) 2 Fréquences ci  X (ci  X ) 2 f i ( ci  X ) 2

ni classes ci fi
[10, 20[ 13 15 ……. 0,13 ……. ……. …….
[20, 40[ 28 30 ……. 0,28 ……. ……. …….
[40, 50[ 21 45 ……. 0,21 ……. ……. …….
[50, 80[ 24 65 ……. 0,24 ……. ……. …….
[80, 100[ 14 90 ……. 0,14 ……. ……. …….
total 100 --- 285450 1 --- -- 550,5
1 …
( )= −( ) = ( − ) = − ( … ) = 550,50
…
= ( ) = √ … = 23,463 /
…
( )= = = 0,488 /
…

19
MJ Cours de Statistique Descriptive et Calcul de probabilité

Section 4 : MOMENTS D’UNE SERIE STATISTIQUE

1) Les moments non centrés :

1
( )= =

- Le moment non centré d’ordre 1 est égale à ( )=

2
- Le moment non centré d’ordre 2 est égale à ( )= ∑ =
2) Les moments centrés :
1
= ( − ) = ( − )

- Le moment centré d’ordre 1 est égale à = ∑ ( − ) =∑ ( − ) =0

- Le moment centré d’ordre 2 est égale à = ( )= ∑ ( − ) =∑ ( − )

Section 6 : INDICATEURS DE FORME

Pour avoir une idée satisfaisante et plus précise sur la forme de la distribution, il est nécessaire de
calculer les indicateurs de forme. On distingue les indicateurs d’asymétrie et les indicateurs
d’aplatissement. Ces indicateurs sont des nombres sans unités de mesure.

1) L’asymétrie :
Une distribution est dite symétrique si les observations se répartissent dans la même proportion de part et
d’autre des trois valeurs centrales (mode, médiane et moyenne). Les mesures d’asymétrie permettent de
quantifier le degré de déviation de la forme de la distribution par rapport à une distribution symétrique.

a) Comparaison de la moyenne, médiane et mode :

Selon les positions respectives des paramètres, on peut donner une première impression sur l’allure ou la
forme de la distribution :
- si = = alors la distribution est symétrique ;
- si < < alors la distribution est asymétrique étalée vers la droite ;
- si > > alors la distribution est asymétrique étalée vers la gauche.
b) Le coefficient de Fisher : noté 1 = 33
Si : 1 < 0 : distribution étalée vers la gauche ;
Si = 0 : distribution symétrique ;
Si 1 > 0 : distribution étalée vers la droite.
c) Le coefficient de Pearson :
Noté et il est basé sur la moyenne, le mode et l’écart type : =
Si < 0 : distribution étalée vers la gauche ;
Si = 0 : distribution symétrique ;
Si > 0 : distribution étalée vers la droite.

20
MJ Cours de Statistique Descriptive et Calcul de probabilité

2) aplatissement :
Une distribution est d’autant plus « plate » que la dispersion des observations autour des valeurs
centrales est forte.
a) le coefficient de Pearson : noté  et définit par : = 44
Si < 3 : distribution hyponormale (plus aplatie que la normale) ;
Si = 3 : distribution normale ;
Si < 3 : distribution hypernormale (moins aplatie que la normale).

b) le coefficient de Fisher : noté 2 = − 3

Si < 0 : distribution hyponormale (plus aplatie que la normale) ;
Si = 0 : distribution normale ;
Si > 0 : distribution hypernormale (moins aplatie que la normale).

3) Application :
Reprenant l’exemple des représentants et étudiant la forme de cette distribution.
1/ la symétrie :
- On sait que Mo = 43,50 Km/j; Me = 44,286 Km/j et = 48 /
En les comparant on a : Mo < Me < alors la distribution est asymétrique étalée vers la droite.

Trajet Effectifs Centre des (c i  x ) (ci  x) 3 ni (ci  x) 3 ni (ci  x) 4

ni classes ci
[10, 20[ 13 15 ……. ……. ……. …….
[20, 40[ 28 30 ……. ……. ……. …….
[40, 50[ 21 45 ……. ……. ……. …….
[50, 80[ 24 65 ……. ……. ……. …….
[80, 100[ 14 90 ……. ……. ……. …….
total 100 --- --- --- 524100 63926250
1 …
= ( − ) = ( − ) = = 5241
…
....
- le coefficient de Fisher : 1 = 33 = = 0,406
…
On constate que 1 > 0 : distribution étalée vers la droite.
…
- le coefficient de Pearson : = = = 0,192
…
Comme > 0 : distribution étalée vers la droite.
2/ L’aplatissement :
1 …
= ( − ) = ( − ) = = 639262,5
…

…
Le coefficient de Pearson : noté  et définit par : = 4
4 = …
= 2,109

On remarque que  < 3 : distribution hyponormale (plus aplatie que la normale).

Le coefficient de Fisher : noté ; 2 = − 3 = … − 3 = −0,89
Puisque  2 < 0 alors la distribution hyponormale (plus aplatie que la normale).

21
MJ Cours de Statistique Descriptive et Calcul de probabilité

Chapitre 3

ÉVÉNEMENTS ALEATOIRES ET CONCEPT PROBABILITE

Section 1 : Événements aléatoires :

1) Expériences aléatoires :
On dit qu’une expérience E est une expérience aléatoire si seulement si on n’est pas certain du résultat
obtenu en d’autre terme il y a plusieurs cas possibles.
- Exemple: lorsqu’on jette un dé, l’ensemble des résultats est {1, 2, 3, 4, 5, 6}.
 Les résultats d’une expérience sont appelés : des éventualités.
2) Ensemble fondamental :
On l’appelle aussi espace fondamental ou encore univers des possibles noté : Ω ; c’est l’ensemble de
tout les résultats possible associés à une expérience :Ω = {W ; i ∈ I}.
a) Remarque : l’ensemble Ω peut prendre plusieurs formes :
 Ω peut être fini.
- Exemple : Le jet d’une pièce de monnaie : Ω = {pile ; face}
 Ω peut être infini dénombrable.
-Exemple : Le jet d’une pièce de monnaie et on s’arrête lorsqu’on obtient pile au premier jet :
Ω={p, fp, ffp, fffp,…fffffff….p, ………………}
 Ω peut être infini non dénombrable.
- Exemple : Soit une expérience qui consiste à lancer une flèche sur le plan du tableau et on
s’intéresse au point de contact entre la flèche et le tableau. Dans ce cas il y a une infinité de point ;
Ω= {l’ensemble de tout le plan}
3) Evènement aléatoire :
On appelle évènement aléatoire un sous ensemble ou une partie de l’ensemble des résultats possibles
dont on peut dire suite à la réalisation de l’expérience si elle est effectuée ou non.
 Exemple : Soit un espace fondamental Ω= {1, 2, 3, 4, 5, 6} ; donner les ensembles associé
aux évènements suivant :
1/ Obtenir le nombre 1 ; soit W = { … }
2/ Obtenir un nombre paire ; soit W = { … ; … ; … }
3/ Obtenir un nombre impaire ; soit W = { … ; … ; … }

22
MJ Cours de Statistique Descriptive et Calcul de probabilité

a) Définition de quelques évènements :

- Evènement élémentaire : c’est un sous ensemble de Ω qui est composé d’un seul élément (réduit à un
singleton).
- Evènement certain : il est confondu avec l’ensemble des possibles Ω.
-Evènement impossible : il est confondu avec le sous ensemble vide ∅ .
b) opérations sur les évènements :
- Union : noté par  ; A  B expliqué en terme d’évènement ; c’est soit A soit B ; soit les deux
simultanément qui se réalise. Elle se traduit par "OU".
- Intersection : noté par  ; A  B s’explique en terme d’évènement par la réalisation simultanée des
deux évènements A et B. Elle se traduit par "ET".
- Complémentaire : L’évènement complémentaire à l’évènement A est l’évènement ̅ qui se traduit par la
non réalisation de A.
- Inclusion : noté par  , si on a deux évènements A et B tel que A  B en terme d’évènement la
réalisation de A entraîne la réalisation de B.
- Evènements incompatibles : appelée encore distincts ou encore disjoints. On dit que deux évènements A
et B sont incompatibles si A  B= ∅.
Remarque :
La relation d’incompatibilité est une relation entre évènements.
- Système complet d’évènement : Soit une suite d’évènements A1 , A2, ...,An tel que
∩ = ∅ ; ∀ ≠ ⋃ = Ω ; on dit que la suite Ai constitue une partition de Ω où un
système complet d’évènement.
Section 2 : Concept de probabilité :
1) Espace probabilisable :
Soit l’espace probabilisable (Ω; φ) où φ est l’ensemble des évènements qui appartiennent à Ω et W
un évènement. On appelle probabilité sur (Ω; φ) ; l’application  définie par : : → [0; 1]
→ ( )
OBJECTIF : associer à chaque évènement w de l’ensemble des possibles Ω un réel appartenant à
0;1 qu’on appellera probabilité de w et ayant les propriétés suivantes : Axiomes de probabilités :
 ( Ω) = 1
 (w ∪ w ) = (w ) + (w ) si w ∩ w = ∅
 0 ≤ ( ) ; ∀ ⊂Ω

23
MJ Cours de Statistique Descriptive et Calcul de probabilité

2) Notions utiles :
 la probabilité de l’évènement certain est égale à : (Ω) = 1
 la probabilité de l’évènement impossible est égale à : P(∅) = 0
 la probabilité de l’évènement complémentaire est égale à : ( ̅) = 1 − ( ).
Démonstration : ∩ ̅ = ∅ ∪ ̅ = Ω donc
( ∪ ̅ ) = ( Ω) = 1 = ( ) + ( ̅ ) = 1 A
A

3) Remarque :
 Si un évènement en implique un autre, sa probabilité est plus petite :
⊂ ⟹ ( )≤ ( )
 La probabilité de l’union de 2 évènements s’obtient par la formule de Poincaré :
( ∪ ) = ( ) + ( ) − ( ∩ ) car ( ∩ ) ⊂ ( ∩ ) ⊂

A B

A Ω B
 Soit Ω un espace fondamental et soient A et B deux évènements distincts ou non ; on a :
( ̅∩ ) = ( )− ( ∩ )

A B
A B A B

A Ω B
Démonstration : ( ) = (Ω ∩ B) = ([ ∪ ̅ ] ∩ ) = ( ∩ ) + ( ̅ ∩ )
Puisque ⊂ Ω et ̅ forment un système complet d’évènement
 Deux évènements A et B ayant la même probabilité :  ( A)   ( B ) sont équiprobables.
4) Formule de la place :
Lorsqu’on est en présence d’évènements élémentaires, équiprobables et distincts ; la probabilité d’un
évènement est donnée par la formule suivante :
Nombre de cas favorable à A
( )=
Nombre de cas possible
…
 Exemple : Lancer un dé et chercher la probabilité d’avoir comme résultat 1 : (1) = .
…

24
MJ Cours de Statistique Descriptive et Calcul de probabilité

5) Loi de probabilité :
Soit un univers des possibles Ω et l’ensemble des évènements appartenant à Ω.
Une probabilité ou loi de probabilité P est une application de : → [0; 1] vérifiant :
Les axiomatiques de Kolmogorov :
1/ ( ) ≥ 0
2/ (Ω) = 1
3/ si w , w … w est une suite d’évènement mutuellement exclusifs alors : (⋃ )=∑ ( )
- Toute fonction qui vérifie ces trois propriétés est une loi de probabilité.
6) Probabilité conditionnelle :
a) Définition :
On définit la probabilité conditionnelle de l’évènement B par rapport à l’évènement A (ou probabilité
de B sachant A) par :
( ∩ ) ( ∩ )
= ( ) ≠ 0 ; = ( )≠0
( ) ( )
 Cette définition permet d’obtenir :
( ∩ )= × ( )= × ( ) ( ) ≠ 0 ( ) ≠ 0
 Exemple : Considérons l’expérience qui consiste à jeter un dé. Si avant l’expérience on vous
donne l’information supplémentaire suivante : le résultat est un nombre impair. Par suite,
connaissons cette information qu’elle est la probabilité d’avoir un ?
Soit l’évènement A : " avoir un" et l’évènement B : "avoir un nombre impair".
 Réponses : Comme …. ⊂ ….. donc (… .∩ … . ) = (… . )
( ∩ ) (… )
= = ( )≠0
( ) (… )
….
….. ….. ( ) … …..
( )= ; ( )= et = = …. =
….. ….. ( ) …...
….

b) Indépendance stochastique:
Deux évènements sont stochastiquements indépendants, si la donnée de l’information sur la réalisation de
B (respectivement de A) n’agit en rien sur la probabilité de réalisation de A (respectivement de B). C’est-
( ∩ )
à-dire : ( )= = ( )≠0
( )

Donc, on déduit que si les évènements A et B sont indépendants alors :

  A  B     A   B 
On dit que A et B sont stochastiquements indépendants.
Remarque : Si A et B sont stochastiquement indépendants alors ̅ et B ; A et B ; A et B sont indépendants.

25
MJ Cours de Statistique Descriptive et Calcul de probabilité

c) Les théorèmes de Bayes :

( ∩ ) × ( )
 Théorème de Bayes : = = ( )≠0
( ) ( )

 Formule de Bayes Généralisée :

On considère un système complet d’évènements : d’évènements A1 , A2, ...,An tel que ∩ =∅
∀ ≠ ⋃ = Ω et B un évènement de ; par définition on a :

( ∩ ) × ( )
= = avec ( ) ≠ 0
( ) ( )

( ∩ ) × ( )
Ou encore = = ∈ {1; 2 … }
( ) ∑ ×

( ) = ( ∩ Ω) et on sait queΩ = ( )= ∩ = × ( )

 Exemple :
12 appareils sont en exploitations, 3 d’entre eux sont fabriquées par l’usine I, 4 par l’usine II et 5 par
l’usine III.
Les appareils provenant de l’usine I passent à l’essai avec une probabilité de 0,9.
Les appareils provenant de l’usine II passent à l’essai avec une probabilité de 0,8.
Les appareils provenant de l’usine III passent à l’essai avec une probabilité de 0,75.
Déterminer la probabilité pour qu’un appareil choisi au hasard passe à l’essai.
 Réponse :
Soit l’évènement B : l’appareil choisi passe l’essai.
Soit les évènements Aj : l’appareil provient de l’usine j. (j=1 ;2 ;3).

On sait que : (…⁄…) = ⋯ ; (…⁄…) = ⋯ (…⁄…) = ⋯

… … …
On a aussi : (… ) = … ; (… ) = … (… ) = …

Donc : ( )=∑ × ( )

= × ( )+ × ( )+ × ( )

… … …
= ⋯ × + … × + … × = ⋯ + ⋯ + ⋯ = 0,8041
… … …

26
MJ Cours de Statistique Descriptive et Calcul de probabilité

Chapitre 4

LES VARIABLES ALEATOIRES REELLES

I- Introductions :
Une variable dont la valeur est déterminer en fonction du résultat d’une expérience aléatoire est appelée
variable aléatoire (V.A).
Une variable aléatoire (VA) est donc une fonction à valeurs défini sur l’ensemble fondamental.
X :   IR
Autrement dit, une variable aléatoire (V.A) réelle X est une application de  dans IR ;
Wi  X i
On distingue généralement les variables aléatoires dites discrètes et celle qualifié de continue.
IR
W1…. X xi
Wi…
Wn
Pi
P(X=xi)=pi
0 pi 1
II- Variables aléatoires discrètes :
Section 1 : Définition :
Une variable aléatoire est dite discrète si l’ensemble de ces valeurs X ( ) est dénombrable (fini ou
infini) ; comme par exemple : pour tout X, nous avons une application de  dans IN :   IN .
1) Exemple : si on lance une pièce de monnaie deux fois  est égale à :   PP , PF , FP , FF  à
partir de cet ensemble on peut définir diverses variables aléatoires dont par exemple :
X : Nombre total de pile
Y : Avoir un si pile apparait en premier lieu sinon zéro.
Eventualité X Y
PP 2 1
PF 1 1
FP 1 0
FF 0 0
Valeurs des V.As

27
MJ Cours de Statistique Descriptive et Calcul de probabilité

On remarque X est une V.A prenant des valeurs dans l’ensemble 0;1;2 alors que Y est aussi une VA

définie sur le même ensemble fondamental que X mais prend ces valeurs dans l’ensemble 0;1 .

Section 2 : Loi de probabilité :

La loi de probabilité d’une variable X, on dit aussi la distribution de X, est le mode de répartition de la
probabilité de  sur l’ensemble des observations.
Il en résulte que connaitre la loi de probabilité de X ; c’est être capable d’attribuer une probabilité à
chaque valeur xi de la V.A.
Remarque : une loi de probabilité n’est établie que si ∑ =1
La loi de probabilité relative à la V.A.D X est comme suit ;
Distribution de X ou Loi de probabilité de X
0 1 2 total
… … …
P(xi) 1
… … …

Section 3 : Fonction de répartition :

La fonction de répartition d’une variable aléatoire discrète (V.A.D) X est la fonction F donnée pour
tout x de l’ensemble de définition de X par : ( ) = ( ≤ ) ; en d’autre terme c’est l’application
0 <
⎧
( ≤ ) ≤ <
F : IR  0;1 ⎪
.
suivante : ( )=
x  F ( x )  P( X  x ) ⎨ .
càd
⎪ .
⎩ ( ≤ ) ≤ <
- La fonction de répartition F vérifie les trois propriétés suivantes :
1/ F est une fonction croissante.
2/ lim F ( x )  0 et lim F ( x )  1
x   x  

3/pour une V.A.D X, F est une fonction en escalier continue à droite.

1) Remarque :
Lorsque l’ensemble de définition de X est ={ , , ,…, } on a les résultats suivants :
1/ F(x)=0 pour tout ∈ [−∞; ]
2/ F garde la même valeur F(xi) sur tout l’intervalle [ ; [
3/ Au point xi ; F fait un saut en hauteur égale à la probabilité P(X=xi)
4/ On a en particulier ( = )= ( )− ( − 1)

28
MJ Cours de Statistique Descriptive et Calcul de probabilité

2) Exemple : Reprenant l’exemple précédent :

… < 0
… … 0 ≤ < 1
F(0)=F(X=0)= ( ≤ 0) = ( = 0) = … ( ) =
… 1 ≤ < 2
… ≥ 2
… … …
F(1)=F(X=1)= ( ≤ 1) = ( = 0) + ( = 1) = … + … = …
… … …
F(2)=F(X=2)= ( ≤ 2) = ( = 0) + ( = 1) + ( = 2) = … + … + … = 1
F(x)
1

0,75

0,5

0,25

0 1 2 xi
Section 4 : Espérance mathématique :
1) Définition :
L’espérance mathématique E(X) de la V.A X est la moyenne arithmétique des valeurs possibles
pondérées par les probabilités correspondantes. Dans le cas d’une VA discrètes on a :

( )= ( = )

Il est facile de monter que l’espérance mathématique d’une V.A (aussi bien continue que discrète)
vérifie les propriétés suivantes :
1/ Si b est une constante alors ( ) =
2/ Si a et b deux constantes et X une VA alors ( + ) = ( ) +
3/ soient deux VAs et ; on a ( ± ) = ( ) ± ( )
Exemple : suite du même exemple :

… … …
( )= ( = ) = ⋯ × +⋯× +⋯× = 1
… … …

Section 5 : Variance et écart type :

1) La variance : La variance de la VA X est : V(X) mesure l’amplitude de la variabilité de X, elle est
définie comme l’espérance des carrés des écarts à l’espérance :
( ) = [( − ( )) ] = ( ) − [ ( )]
Pour les VA discrètes on a plus précisément :

29
MJ Cours de Statistique Descriptive et Calcul de probabilité

( )= [ − ( )] ( = )= ( = )− ( = )

2) L’écart type :
L’écart type de la V.A X ( ) est la racine carrée de la variance :
= ( )= ( ) − [ ( )]
a) Remarque : on montre que la variance d’une V.A (aussi bien continue que discrète) vérifie
les propriétés suivantes :
1/ Si b est une constante alors ( ) = 0
2/ Si a et b deux constantes et X une VA alors ( + ) = ( )
b) Exemple : suite du même exemple :
… … … …
( ) = (… − ⋯ ) + (… − ⋯ ) + (… − ⋯ ) =
… … … …
… …
= ( )= =
… √…
Section 6 : Les moments centrés et non centrés :
On appelle moment non centré d’ordre ( ∈ ) de X, et noté : ( ), le nombre réel, s’il
existe, définie par : =∑[ ( )] = ∑ = ( )
- Cas particulier : m0=∑ = ( ) = 1 ; m1=∑ = ( ); m2=∑ = ( )
Les moments centrés d’ordre K, noté ( ), l’expression suivante :

( ) = [ − ( )] = [ − ( )] ( = )

- Cas particulier ( ) = [ − ( )] = ( ) − [ ( )] = ( ) − ( ) = 0 :


2  E X  E( X ) 
2
 
 E X 2  2 XE ( X )  E ( X ) 2  E ( X 2 )  2E ( X )  E ( X )
2 2

( ) = [ − ( )] = ( ) − [ ( )] = ( )
Section 7 : Fonction génératrice des moments:
Il est parfois difficile de déterminer la distribution d’une probabilité d’une V.A par les méthodes directes.
Néanmoins en faisant correspondre à chaque variable une fonction dont la connaissance est équivalente à
la connaissance de la distribution de probabilité, nous pourrons identifier la loi.
1) Définition :
On appelle fonction génératrice des moments d’une V.A X noté par MX(t), l’expression suivante :
( )= ( )=∑ ( = )
Cette fonction nous permet de retrouver facilement les moments d’une loi, en effet, le nème moment
est égale au nème dérivée de MX(t) évalué au point t=0 :

30
MJ Cours de Statistique Descriptive et Calcul de probabilité

( ) ( ) ( )
= = = =

( ) ( )
Au point t=0 on aura : = | =∑ = = ( )
( )
( ) ( ) ( )
= = = =

( ) ( )
Au point t=0 on a : = | =∑ = = ( )
.
.
.

( )
( ) ( ) ( )
= = = =

( ) ( )
Au point t=0 on a : = | =∑ = = ( )

2) Application :
A la caisse d’un super marché, le client peut payer en espèces ou par carte bancaire. Pour chaque client se
présentant à la caisse, on définit X telle que : = 1 Si le mode de payement est par carte bancaire et
= 0 sinon.
La loi de probabilité de X est définie par la fonction de probabilité suivante :
( = ) = (1 − ) ∈ {0; 1}

0
1/ Etablir le moment non centré x de X tel que ∈ ∗, en déduire ( )
2/ Calculer la fonction génératrice des moments d’une V.A puis déduire ( ) .

3) Réponse :

31
MJ Cours de Statistique Descriptive et Calcul de probabilité

III- Variables aléatoires continues :

Section 1 : Définition :
Une V.A est dite continue si l’ensemble de ces valeurs X( ) est non dénombrable en d’autre terme elle
peut prendre ces valeurs dans un intervalle. C’est une application de dans IR ; Ω →IR.
Beaucoup de mesures de quantités s’exprime en terme de V.A.C comme : la durée d’un appelle
téléphonique ; le poids d’un individu ou encore la direction du vent qui peut prendre n’importe quel angle
entre 0° et360°…………
Section 2 : Fonction de répartition :
On appelle fonction de répartition d’une V.A.C la fonction F définie par :

( ) = ( ≤ ) = ( )

Pour un nombre réel x ; la fonction de répartition de X correspond donc à la probabilité que X soit
inférieur ou égale à x.
Remarque : Lorsque la V.A.C , la probabilité de soit exactement égale à une valeur précise est
nulle : ( = ) = 0.
1) Propriétés :
- 0 ≤ ( ) ≤ 1 ; lim → ( )=0 lim → ( )=1 .
- F est une fonction croissante, continue et dérivable sur Df.
- La représentation graphique d’une fonction de répartition d’une V.A.C se présente comme suit :
F(x)
1
F(b) - - - - - - - -
F(a) - - - - - -

0 a b xi
La probabilité que la V.A.C X prend une valeur dans l’intervalle ] ; ] est :
( ∈ ] ; ]) = ( ≤ ≤ ) = ( ≤ )− ( ≤ )= ( )− ( )
a- Exemple : soit la V.A.C X donné par la fonction de répartition :
0 < 2
( )= ( − 2) 2 ≤ ≤ 3 .Calculer la probabilité que X tombe dans l’intervalle[2,5 ≤ ≤ 3,5].
1 > 3
(2,5 ≤ ≤ 3,5) = ( ≤ ⋯ ) − ( ≤ ⋯ ) = (… ) − ( … ) = ⋯ −(… − ⋯ ) = ⋯ − ⋯ = ⋯

32
MJ Cours de Statistique Descriptive et Calcul de probabilité

Section 3 : Fonction de densité :

Une fonction est appelée densité de probabilité de la V.A.C X si elle correspond à la dérivée de la
( )
fonction de répartition F(x) au point x : ( ) = = ( )

La probabilité que X prend une valeur comprise entre deux borne a et b est donc égale à :

( ≤ ≤ )= ( ) − ( ) = ( ) = ( )− ( )

La surface hachurer représente la probabilité entre a et b càd :

( ≤ ≤ ).
a b

1) Remarque :
1/ La loi de probabilité d’une V.A .C est entièrement définie par sa densité de probabilité.
2/ Toute densité de probabilité f vérifie les deux propriétés suivantes :
- ( ) ≥ 0 pour tout appartenant au domaine de f ( ).

- ∫ ( ) =1
2) Exemple : On continue avec l’exemple précédent : Chercher la fonction de densité
( )
On sait que ( ) = = ( ) , on a alors :

Section 4 : Espérance mathématique :

Soit la V.A.C X, prenant ces valeurs sur un intervalle D ; on appelle valeur moyenne ou espérance
.
mathématique de X ; si elle existe ; le nombre : E(X) = ∫ ( ) =
Remarque : dans le cas ou ( ) = ±∞ ou elle est en fonction de ; on dit que espérance n’existe pas.
1) Propriétés : soit la V.A X et deux constantes a et b.
- ( ) = ; ( ) = ( ) et aussi ( + ) = ( ) +
2) Exemple : suite de la même application : Calculer l’espérance mathématique.

33
MJ Cours de Statistique Descriptive et Calcul de probabilité

Section 5 : Variance et écart type :

La variance mesure la déviation par rapport à la moyenne :

. .
V(X)= =∫( − ) ( ) =∫ ( ) − = E(X ) − (E(X))

L’écart type est la racine carrée de la variance : = ( ).

1) Propriétés : soit X une V.A X et deux constantes a et b.
- ( )= ( )
- ( + ) = ([a X + b] − E[aX + b] ) = ( + − ( )− )= ( − ( )) = ( )
2) Application : suite du même exemple : Calculer la variance et l’écart type.

Section 6 : Les moments centrés et non centrés :

On appelle moment non centré d’ordre K (K IN) de X ; le moment rapportés à l’origine, et noté :

( ), le nombre réel, s’il existe, définie par : ( )= ( )=∫ ( ) .

Les moments centrés d’ordre K (K IN) de X ; est le moment rapportés à la moyenne, noté ( ) :

( ) = [ − ( )] = ( − ) ( )

- Cas particulier ( ) = [ − ] = − [ ]= − =0:

( )= [ − ] = ( )−[ ] = ( )− ( ) = ( )
1) Application : suite du même exemple :
Calculer ( ) puis déduire ( ).

34
MJ Cours de Statistique Descriptive et Calcul de probabilité

Section 7 : Fonction génératrice des moments:

1) Définition :
On appelle fonction génératrice des moments d’une V.A X noté par MX(t), l’expression suivante :
( )= ( )=∫ ( )
Cette fonction nous permet de retrouver facilement les moments d’une loi, en effet, le nème moment
( ) ( )
est égale au nème dérivée de MX(t) évalué au point = 0 : ( )= (0) = |

a) Démonstration :

( )
( )= ( ) =
!

( ) ( ) ( )
( )= = 1+ + + … = 1+ ( )+ + …
! 2! 3! 2! 3!

( ) ( )
= ( )+ ( )+ ( ) … . . ⇒ | = ( ).
2
2) Propriétés :
- (0) = ( )= ( ) = (1) = 1
( )= ( )
- = ( )= ( ) = ( )
3) Théorème :
Pour X et Y aient la même loi, il est nécessaire et suffisant qu’elles admettent la même fonction
génératrice des moments : ( )= ( ) ⇒ ont la même loi.
.

4) Application :
e si x ≥ 0
Soit la fonction de f(x) =
0 ailleurs
Déterminer ( ) puis en déduire ( ).
5) Réponse :

35
MJ Cours de Statistique Descriptive et Calcul de probabilité

Section 8 : Transformation d’une variable aléatoire :

1) première méthode :
Soit X est une V.A de densité ; = ( ) tel que est une fonction monotone. Si est continue et
( )
( ( ))
est à dérivée continue ; alors : ( )= ∈
0

2) Deuxième méthode :
En se basant sur la définition de la fonction de répartition de la V.A Y et celle de X et sur la fonction
= ( ) ; on peut retrouver ( ) et en la dérivant on retrouve la fonction de densité des Y.

a- Exemple : suite de l’application :

Chercher la densité de Y sachant que : ( ) = = 2 de deux méthodes.
b- Réponse :

36
MJ Cours de Statistique Descriptive et Calcul de probabilité

Chapitre 5

LES LOIS DE PROBABILITE

I- Introductions :
La plupart des phénomènes aléatoires peuvent être décrits par un petit nombre de lois de probabilité.
Donner la loi de probabilité qui décrit au mieux le phénomène aléatoire étudié est beaucoup plus
informatif que donner uniquement quelques caractéristiques comme la moyenne ou la variance.
Il est important de connaitre les modèles probabilistes les plus susceptibles de convenir à la description du
phénomène aléatoire étudié.
Le processus de modélisation passe par les étapes suivantes :
1. L’observation du phénomène donne une distribution expérimentale ou empirique.
2. L’analyse de la distribution empirique (graphique, moyenne, étc…) donne une première idée sur
la nature du phénomène étudié.
3. On choisit ensuite parmi les différentes lois de probabilité celle qui semble convenir le mieux.
4. Utiliser le modèle ainsi obtenu pour la prévision et l’optimisation.

II- Les lois de probabilités discrètes :

Section 1 : La loi uniforme :
On dit qu’une V.A X suit la loi uniforme discrète, si pour un nombre finie de valeurs réelles
X(Ω) = {1, 2, … , n} ; sa loi de probabilité est définie par : P(X = x ) = ; ⊮ i ∈ {1; 2; … ; n}.

- L’expérience aléatoire consiste ici à choisir au hasard un objet parmi n objet numérotés de 1 à n et
équiprobable (le lancer d’un dé par exemple).
1) Caractéristiques:

1 1 n( n + 1 ) n + 1
E(X ) = k P(X = k) = k = =
n n 2 2

1 1 n(n + 1)(2n + 1) (2n + 1)(n + 1)

E(X ) = k P(X = k) = k = =
n n 6 6

(2n + 1)(n + 1) (n + 1) (n + 1)(n − 1)

V(X) = E[(X − E(X)) ] = E(X ) − [E(X)] = − =
6 4 12

37
MJ Cours de Statistique Descriptive et Calcul de probabilité

Section 2 : Loi de probabilité de Bernoulli:

Cette loi de probabilité illustre toute expérience aléatoire à deux issues effectuées une seule fois
(passer l’examen de stat et avoir la moyenne ou non).
1 si l étudiant a eu sa moyenne
Ces deux résultats on peut les codés par 0 et 1 comme suit :X
o sinon
Soit p la probabilité d’avoir la moyenne ; la loi de Bernoulli est alors : X ↝ β(1; p) si X(Ω) = {0; 1}
P(X = 1) = p et P(X = 0) = 1 − p = q
1) Caractéristiques:

m (X) = E(X ) = x P(X = x) = 0 × P(X = 0) + 1 × P(X = 1) = p

E(X ) = k P(X = k) = 0 × P(X = 0) + 1 × P(X = 1) = p

On a: X(Ω) = {0; 1} ⟹ X (Ω) = {0 ; 1 } = {0; 1} = X(Ω) ⟹ X = X ⟹ E(X ) = E(X) = p

V(X) = E[(X − E(X)) ] = E(X ) − [E(X)] = p − p = p(1 − p) = p. q
La forme symétrique de la loi de Bernoulli est : P(X = k) = p (1 − p) avec k ∈ {0; 1}
La fonction génératrice des moments de X est définie par : M (t) = E(e ) = q + e p

M ( t) = e p (1 − p) = e p (1 − p) + e p (1 − p) = (1 − p) + e p = q + e p

Section 3 : La loi Binomiale :

1) Théorème :
Si X ↝ β(n; p) c’est équivalent de dire que X est la somme de n V.A indépendants et identiquement
distribuer (idd) selon la loi Bernoulli.
- Soit une suite X /i ∈ {1; 2; . . ; n} de n variables de Bernoulli indépendants et X la V.A liée au
nombre de " réussite" acquis au terme de n épreuves.
- La loi suivie par X vérifie les trois conditions qui caractérisent la loi Binomiale :
1. Le nombre d’épreuves est fixé et connue à l’avance ; c’est n.
2. A chaque épreuve, il existe une alternative : " réussite" ou " échec".
3. La probabilité p d’obtention d’une " réussite" dans différents épreuves est constante. C à d
les épreuves sont mutuellement indépendantes.
On dit qu’une V.A X suit la loi Binomiale de paramètre n et p ; notée : X ↝ β(n; p) / X(Ω) = {1; 2; . . ; n}
P(X = k) = C p (1 − p)

38
MJ Cours de Statistique Descriptive et Calcul de probabilité

2) Caractéristiques :
On considère la suite X /i ∈ {1; 2; . . ; n} de variables de Bernoulli indépendants ; alors
X = X + X + ⋯ + X . Donc m (X) = E X = E X + X + ⋯+X =∑ E X = n.p

E(X ) = E(X + X + ⋯ + X ) = E(X ) = n E(X ) = n. p

De même la variance est égale à : V(X) = V(X + X + ⋯ + X ) = ∑ V(X ) = n V(X ) = n. p. q

M ( t) = E ( e ) = E e ( ⋯ )
= E(e )E(e ) … … … E(e ) = E(e ) = (q + e p)
3) Remarque :
- Si X ↝ β(n; p) alors(n − X) ↝ β(n; 1 − p) = β(n; q).
- Si X ↝ β(n; p) et Y ↝ β(m; p) avec X et Y indépendants alors X + Y ↝ β(n + m; p) .

Section 4 : La loi de poisson:

1) Définition :
La V.A qui suit la loi de poisson peut prendre un nombre variable de résultats de façon que la probabilité
d’obtention d’une valeur k par la V.A X décroit très rapidement lorsque k augmente.
C’est la loi des évènements rares comme par exemple :
Le nombre d’appels téléphoniques reçus pendant une minute par un standard (la probabilité d’avoir un
appel est supérieur à la probabilité d’avoir cinq appels durant une minute) ; le nombre de bateaux qui
rentre au port pendant une journée : plus le nombre augmente plus la probabilité diminue.

X suit la loi de poisson de paramètre, notée λ par : X ↝ ℘(λ) tel que : P(X = k) = e !
si k ∈ IN
o sinon
2) Caractéristiques :

λ
λ
E(X ) = k P(X = k) = ke = λ e
k! (k − 1)!

Or e = ∑ ⟹ on pose x=k-1 alors si k ⟶ 1 on a x ⟶ 0 donc ∑ ( )!

=∑ =e
! !

λ
E(X) = λ e = λ e e = λ
(k − 1)!

De même nous avons : V(X) = E(X) = λ.

(λe )
λ e ( )
M ( t) = E e = e P(X = k) = e =e = e .e =e
k! k!

Remarque : Si X ↝ ℘(λ) et Y ↝ X ↝ ℘(θ) avec X et Y indépendants alors X + Y ↝ ℘(λ + θ).

39
MJ Cours de Statistique Descriptive et Calcul de probabilité

Section 5 : La loi Géométrique :

1) Définition :
On répète des expériences de Bernoulli (P) jusqu’à l’observation du premier succès ; le nombre d’essais
nécessaires à l’obtention de ce premier succès est une V.A X ↝ G(P).
On a pour tout entier positif : P(X = ) = p(1 − p) = pq
2) Caractéristiques :
1 1−p q
E(X) = et V(X) = =
p p p

III- Les lois de probabilités continues :

Section 1 : La loi Uniforme :
La loi de probabilité uniforme définie sur [a , b] généralise la notion d’équiprobabilité au cas continue. Sa
si x ∈ [a , b]
densité de probabilité est constante sur [a , b] et vaut : f(x) =
0 sinon
La fonction de répartition d’une V.A.C Uniforme est données par :
0 si x <
⎧
⎪ 1 x−a
F(x) = f(t)dt = 0dt + dt = si x ∈ [a , b]
⎨ b−a b−a
⎪
⎩ 1 si x >
1) Caractéristiques :

1 1 x b −a
m =E X = x dt = =
b−a b−a k+1 (b − a)(k + 1)

b −a a+b b −a
m = E(X ) = = et m = E(X ) =
2(b − a) 2 3(b − a)
b −a a+b (b − a)
V(X) = E(X ) − [E(X)] = − =
3(b − a) 2 12

1 −
( ) = E( )= =
b−a b−a

Section 2 : La loi Gamma :

1) Présentation de la fonction Gamma :

Soit la fonction Gamma définie comme suit : ( ) = ∫ ∈ ∈

Cette relation satisfait plusieurs relations utiles ; en particulier :

40
MJ Cours de Statistique Descriptive et Calcul de probabilité

( + 1) = ∫ =∫ + [− ] = ( ) si >0

(1) = ∫ = [− ] = 1 ⟹ (1) = 1 et =∫ =√

En se basant sur les deux formules précédentes ; on a :

Γ(α + 1) = αΓ(α) = α(α − 1)Γ(α − 1) = α(α − 1)(α − 2) … (2)Γ(1) = α! ⟹ Γ(α + 1) = α!
2) La densité de probabilité (d.d.p) de la loi Gamma :
On dit qu’une V.A X suit la loi Gamma de paramètre ; notée : ↝ ( , ) si et seulement si :
1
( )= > 0 ; > 0 > 0.
( )
3) Caractéristiques :
a) La fonction génératrice des moments et l’espérance mathématique:

1 1 1
( )= = = x . /1/
( ) ( ) ( )

La d.d.p de la loi est comme suit : ( ) = ( )

> 0 ; > 0 > 0.

- On sait que : ∫ ( ) =1= ∫ ⟺ ( ) =∫ . /2/

( )

En remplaçant /2/ dans /1/ ; on trouve :

( )= ( ) = = (1 − ) 1 − > 0 ⟺ < .
( ) ( )

En effet si ≥ alors la quantité − dans l’intégrale /1/ n’est pas positif et l’intégrale /2/ est alors

infinie ; donc la loi Gamma n’existe que si < .

( ) (1 − ) .
( )= | = | = | = .
(1 − )
b) Le moment non centré d’ordre K et la variance:

1 ( )
1 ( + )
( )= ( )= = ( + ) =
( ) ( ) ( )

( )
Or La fonction = est la densité de la loi Gamma tel que ↝ ( + ; ) donc
1 ( ) ( )
=1⇔ = ( + )
( + )
( )
De même on a : ( ) = ( )− ( ) =
( )
− ( . ) = ( + 1). −( . ) = .

41
MJ Cours de Statistique Descriptive et Calcul de probabilité

4) Théorème de stabilité de la loi Gamma :

Soit X et Y deux V.A indépendants suivant respectivement ( ; ) ( ; ) alors la V.A
= + ↝ ( + ; ).

Section 3 : La loi Exponentielle :

La loi exponentielle est très utilisée pour étudier la durée de vie et en informatique pour modéliser la
durée du temps. Sa densité de probabilité est donnée par :

f(x) = θe si x ≥ 0 et θ > 0 On l’écrit X ↝ exp (θ)

0 ailleurs
On remarque la densité de la loi exponentielle de paramètre θ > 0 est identique à la loi Gamma de

paramètre 1; donc X ↝ exp (θ) ⇔ ↝ (1, )

1) Caractéristiques :
La fonction de répartition de cette loi est donnée par : Soit ≥ 0 et θ > 0.

( )= ( ≤ )= θ =1−

Les caractéristiques la loi exponentielle X ↝ exp (θ)sont déduites directement de celles de la loi

Gamma : ↝ (1, ).

θ
( )= ( )= 1− = < θ
θ θ−
1
( + 1) 1 1
( )= ( )= θ = ( + 1) = (K!)
(1) θ θ
1 1 1 1
( )=1× = ( ) = 1 × =
θ θ θ θ

Section 4 : La loi Normal (ou de Laplace – Gauss):

Cette loi joue un rôle central dans les études statistiques. En effet, la loi Normale ainsi que les lois qui lui
sont associés sont assez maniable analytiquement.
On dit qu’une V.A X suit la loi Normale de paramètres , et on la note : ↝ ( , ). Sa d.d.p est :
1 ( )
( )= ∈
√2
1) Représentation et propriétés de la d.d.p :

f(x)
√

42 
 
MJ Cours de Statistique Descriptive et Calcul de probabilité

La d.d.p est une fonction symétrique par rapport à = ; elle atteint son maximum au point , et
√

elle admet deux points d’inflexion : = − = + .

La fonction de répartition de la loi Normale est de la forme :

1 ( )
( )= ( ≤ )= ( ) =
√2

En se basant sur la propriété de la symétrie : ( ) = 1 − (− )

(| | ≤ ) = (− ≤ ≤ ) = ( ) − (− ) = ( ) − [1 − ( )] = 2 ( ) − 1
2) Caractéristiques :

1 ( ) −
( )= = ⟺ = + ⟹ =
√2

Bornes : si → +∞ → +∞ → −∞ → −∞

1 ( )

( )= =
√2 √2

( )
Or −2 =( − ) − ⟹ ( )= ∫
√

Soit = − ⟹ =

( )= ∫ or dans le cas où = 0 = 1 ; la loi Normale à pour d.d.p la
√

fonction ( ) = et on sait que ∫ = 1 alors ( )=

√ √

( )= ( )| =( + ) | =

( )= ( )| = + (t + ) | = +

( )=( + )− =
Donc la loi Normale est définie par sa moyenne et son écart type .

Section 6 : La loi Normal centrée réduite :

On dit qu’une V.A X est Normale centrée réduite si elle a comme moyenne 0 et comme écart type 1 ;

notée N(0 ;1). Sa d.d.p s’écrit comme suit : ( ) = ∈
√

On remarque que ( ) est continue donc on a : ( )= =− ( ) et ( )=
√ √

43
MJ Cours de Statistique Descriptive et Calcul de probabilité

Sa fonction de répartition s’écrit alors comme suit :

1
( )= ( ≤ )= ( ) =
√2

On sait que : ( ) = 1 − (− ) (| | ≤ ) = 2 ( ) − 1
Puisque la loi Normale centrée réduite est symétrique par rapport à l’origine alors elle atteint son
maximum au point (0; ) et elle possède deux points d’inflexions : = 1 = −1.
√
1) Caractéristiques :

1
( )= ( ) = = =0
√2 √2

1 1
( )= ( )= ( ) = = − + =1
√2 √2 √2

Avec = ℎ =

( ) =

2) Théorème de stabilité de la loi Normale :

Toute combinaison affine de V.A Normales indépendantes est une V.A Normale. Par exemple :
↝ ( , ); ↝ ( , σ ) et ; sont deux V.A indépendantes alors pour tout V.A Y on a :
= + avec et sont des constantes quelconques : ↝ ( + ; + )
a) Démonstration :
( )
( )= ( ) ( )= =
Donc ↝ ( + ; + )

3) Lecture de la table de la loi Normale :

Pour pouvoir utiliser la table, il faut d’abord centrée et réduire ↝ ( , )⟹ = ↝ (0,1)
− − − − −
( < < )= < < = −
- Dans le cas où < 0 ; on la traite en utilisant la relation ( ) = 1 − (− )
- La probabilité se trouve à l’intérieur de la table, par contre la valeur de x est la somme de deux
valeurs ; l’une se trouvant sur la première ligne de la table et l’autre sur sa première colonne.

a) Applications :
1/ Déterminer (1,96) ; (−1,65 < < 0,51) et (| | < 1,18) et aussi ( ) = 0,9842
2/ Déterminer ( < 7) et tel que ↝ (3,2)

b) Réponse :

44
MJ Cours de Statistique Descriptive et Calcul de probabilité

IV- Les lois dérivées de la loi Normale:

Section 1 : La loi de Khi- Deux :
Soient , ,……… une de n V.A i.i.d distribuées suivant la loi Normale centrée réduite.
On pose = = + + ⋯……+ suit une loi de probabilité appelée: Khi- Deux( ) de degrés
de libertés n ; sa d.d.p est de la forme :
1
> 0
( )= 2
2
0
1
= 1 : ( ) = = ( )
√2
1) Caractéristiques :

On remarque la densité de la loi de Khi- Deux de paramètre est identique à la loi Gamma de

paramètre ; 2 donc X ↝ ⇔ ↝ ( ; 2)

Les caractéristiques la loi de Khi- Deux sont déduites directement de celles de la loi Gamma tel que
↝ ( , 2).

( ) = (1 − 2 ) 1 − 2 > 0 ⟺ < .
n
( )=×2=
2
n
( ) = × 2 = 2n
2
n
(2 ) ×
2+
( )= ( )= n
2
2) Stabilité de la loi de Khi- Deux :
La loi de Khi- Deux est stable par addition ; en effet, si ↝ ↝ alors + ↝
3) Lecture de la table :
La première ligne représente les probabilités ; la première colonne représente les degrés de libertés et à
l’intérieur de cette table on retrouve les valeurs prisent par la variable aléatoire Y.

45
MJ Cours de Statistique Descriptive et Calcul de probabilité

a) Exemples :
Soient ↝ ; ↝ et Y = + ; chercher si ( > ) = 0,99 et calculer ( < 21,689)
Chercher b tel que : (Y > ) = 0,25
b) Réponses :

Section 2 : La loi de Student :

Soit ( , ) un couple de V.A indépendantes tel que ↝ (0,1) et ↝ alors la V.A = possède

n+1
1
−
une densité de probabilité : ( ) = 1
2
× 2 × 1+ ; ∀ ∈
2 2
La loi de probabilité de t est appelée loi de Student de n degré de liberté ; noté par : ↝ ( ).
Remarque : La distribution de Student est une loi symétrique càd (t ≤ ) = 1 − (t ≤ − ) ⟺
( ) = 1 − (− ).

1) Caractéristiques :
Comme ↝ (0,1) et = = . , on a alors :

1 1
( )= ⎛ . ⎞ = ( ). ⎛ ⎞ = 0 ( ) = 0 ( ) = 0 > 1
⎝ ⎠ ⎝ ⎠

( )= ( ) − ( ( )) = ( ). = = > 2.

2) Lecture de la table :
La première ligne représente les probabilités ; la première colonne représente les degrés de libertés et à
l’intérieur de cette table on retrouve les valeurs prisent par la variable aléatoire T.
a) Exemples : soient ↝ ( ) ; chercher a tel que ( ≥ ) = 0,2 et ( < ) = 0,01
b) Réponses :

Section 3 : La loi de Fisher- Snedecor :

Soit ( , ) un couple de V.A indépendantes tel que ↝ et ↝ alors la V.A = suit la loi
de Fisher de degrés de libertés n1 et n2.
Cette loi admet comme d.d.p :

46
MJ Cours de Statistique Descriptive et Calcul de probabilité

0 ≤ 0
⎧
+
( )= ( 2 ) ×
⎨ ( + w)
⎩ (2)
2

1) Caractéristiques :
2 ( + − 2)
( )= > 2 ( ) = >4
−2 (n − 2) ( − 4)

a) Remarque : Cas où (n1) ou (n2) ne figure pas sur la table :

1 1
↝ ( ; )⟺ = ⟺ = ⟺ ↝ ( ; )

2) Lecture de la table :
C’est une table à double entrée tel que dans la première ligne nous avons le premier degré de liberté (n1)
et dans la première colonne nous avons le second degré de liberté (n2) et à l’intérieur de cette table on
retrouve les valeurs prisent par la variable aléatoire W pour les probabilités 0,95 ;0,975 ;0,99……….

3) Applications :
1/ soit ↝ (7; 26) chercher a tel que : ( < ) = 0,95 et ( > ) = 0,025
2/ soit ↝ (24; 1) .Chercher ( < ) = 0,025.

4) Réponse :

V- Approximation :
1) Définition :
1) Pour n grand la loi Binomiale peut être approximé soit par la loi de Poisson (si P est petite) ; soit
par la loi Normale ; en d’autre terme si :
− ≥ 30 ≤ 0,1 à ≤ 10 ( , ) est approximé à la loi de Poisson ℘( = ).
− > 30 ; > 15 > 15 ( , ) est approximé à la loi Normale ( , ) tel que

= et = (1 − ) = .
2) Lorsque est grand càd ≥ 10 la loi de Poisson est approximé à la loi Normale de paramètre
= et =√ .

47
MJ Cours de Statistique Descriptive et Calcul de probabilité

2) Applications :

a) Exercice 1 :

Dans une chaine de fabrication, 5% des pièces sont défectueuses ; on prélève une pièce, on examine si
elle est défectueuse et on la remplace parmi les autres. On répète 120 fois cette expérience. On désigne
par X la variable aléatoire qui à chaque tirage de 120 pièces associe le nombre des pièces défectueuses.
1/ Identifier la loi suivie par X.
2/ Donner une approximation à cette loi.

b) Réponse 1:

c) Exercice 2 :
On jette un dé 180 fois. On note par la variable aléatoire : « le nombre de obtenue est 3 ».
1/ Quelle est la loi de ?
2/ Calculer la probabilité pour que soit compris entre 29 et 32.
3/ Calculez la probabilité pour que X soit compris entre 29 et 32.

d) Réponse 2 :

48