2

Préface

Ce polycopié est un ouvrage destiné aux étudiants de première année Mathématiques et

informatique, mais aussi à tous les étudiants ayant besoin d’outils de probabilités et de statis-
tique descriptive. Le lecteur trouvera une section consacrée au cours, suivie à la fin de chaque
chapitre par une section d’exercices corrigés. La plupart de ces exercices ont été tirés de travaux
dirigés ou ont été utilisés lors d’évaluations des connaissances.
Nous avons scindé ce document en trois chapitres.
- Nous introduisons dans le chapitre 1 les notions de base et le vocabulaire de la statistique
descriptive.
- Le deuxième chapitre est dédié aux représentations numériques des données statistiques.
- Dans le troisième chapitre, nous avons présenté la partie calcul des probabilités et un complément
sur l’analyse combinatoire.
À la fin de chaque chapitre, le lecteur découvrira une série d’exercices types accompagnés de
leurs corrigés, présentés de manière progressive et détaillée.
Nous espérons que ce polycopié réponde aux attentes des étudiants et qu’il les aidera à réussir.

Mots clés : Statistique descriptive ; Représentation numérique des données ; Calcul des proba-
bilités
 3

Semestre : 02
Unité d’enseignement : Méthodologique.
Matière : Introduction aux probabilités et à la statistique descriptive
Crédits : 3
Coefficient : 2
Objectif de l’enseignemet :
Introduire les notions fondamentales de probabilités et en séries statistiques à une variables.
Connaissances préalables recommandées : Mathématiques de base.
Contenu de la matière :
Chapitre 1 : Notions de base et vocabulaire statistique.
• Concepts de base de la statistique (Population et individu, Variable ou caractère).
• Les tableaux statistiques : Cas de variables qualitatives (Représentation circulaire par des
secteurs, Représentation en tuyaux d’orgue, Diagramme en bandes, cas de variables quantita-
tives (Diagramme en bâtons, Histogramme, Polygone).
Chapitre 2 : Représentation numérique des données.
• Les caractéristiques de tendance centrale ou de position (La Médiane, Les quartiles, Le mode,
La moyenne arithmétique, La moyenne arithmétique pondérée, La moyenne géométrique, La
moyenne harmonique, La moyenne quadratique).
• Les caractéristiques de dispersion (L’étendu, L’écart-type, L’écart absolu moyen, Le coeffi-
cient de variation).
Chapitre 3 : Calcul des probabilités.
• Analyse combinatoire : (Principe fondamental de l’analyse combinatoire, Arrangements, Per-
mutations, Combinaisons).
• Espace probabilisable : (Expérience aléatoire, Evénements élémentaires et composés, Réalisation
d’un événement, Evénement incompatible, Système complet d’événements, Espace probabili-
sable, Concept de probabilité).
• Espace probabilisé : (Définitions, conséquence de la définition, probabilité conditionnelle,
événements indépendants, expériences indépendantes).
• Construction d’une probabilité.
• Probabilités conditionnelles, indépendance et probabilités composées (Probabilités condition-
nelles, Indépendance, Indépendance mutuelle, Probabilités composés, Formule de Bayes).
Mode d’évaluation : Examen (60%), contrôle continu (40% )
Références .
G. Calot, Cours de statistique descriptive, Dunod, Paris, 1973. .
P. Bailly, Exercices corrigés de statistique descriptive, OPUs Alger, 1993. .
H. Hamdani, Statistique descriptive avec initiation aux méthodes d’analyse de l’information
 4

économique : exercices et corriges, OPU Alger, 2006. .

K. Redjdal, Probabilités, OPU Alger, 2004
Table des matières

1 Eléments de la statistique descriptive 7

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Concepts de base de la statistique . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Variable statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Tableaux statistiques et représentations graphiques . . . . . . . . . . . . . . . . 9
1.3.1 Cas d’un caractère qualitatif . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.2 Cas d’une variable quantitative discrète . . . . . . . . . . . . . . . . . . . 11
1.3.3 Cas d’une Variable quantitative continue . . . . . . . . . . . . . . . . . . 13
1.3.4 Règle de STURGES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 La courbe cumulative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4.1 Le cas dune variable quantitative discrète . . . . . . . . . . . . . . . . . . 16
1.4.2 Le cas d’une variable quantitative continue . . . . . . . . . . . . . . . . . 18
1.5 Série d’exercices N° 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.6 Solutions des exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2 Description numérique des données 26

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2 Les paramètres de tendance centrale et de position . . . . . . . . . . . . . . . . 26
2.2.1 Le mode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.2 La médiane notée Me . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.3 Les quartiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.4 La moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3 Paramètres de dispersion (caractéristiques de dispersion) . . . . . . . . . . . . . 38
2.3.1 L’étendu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.2 L’écart absolu moyen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3.3 L’écart interquartile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3.4 La variance et L’écart-type . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3.5 Coefficient de variation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

5
 2.4 Exercices (Série 2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.5 Solution des exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3 Calcul des probabilités 53

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2 Ensemble fondamental et événement . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3 Espace de probabilités (Le modèle probabiliste de Kolmogorov) . . . . . . . . . 56
3.3.1 Cas où Ω est fini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.4 Probabilité conditionnelle et indépendance . . . . . . . . . . . . . . . . . . . . . 58
3.4.1 Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.4.2 Formule des probabilités totales . . . . . . . . . . . . . . . . . . . . . . . 60
3.4.3 Formule de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.4.4 Indépendance stochastique . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.5 Complément du cours : Eléments d’Analyse combinatoire . . . . . . . . . . . . . 64
3.5.1 Les outils . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.5.2 Principes de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.5.3 Eléments discernables et éléments indiscernables . . . . . . . . . . . . . . 66
3.5.4 Les différentes dispositions . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.5.5 Les arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.5.6 Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.5.7 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.6.1 Exercices sur l’analyse combinatoire (Série 3) . . . . . . . . . . . . . . . 71
3.6.2 Corrigés des exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.6.3 Exercices de Probabilités (Série 4) . . . . . . . . . . . . . . . . . . . . . . 75
3.6.4 Corrigés des exercices de probabilités . . . . . . . . . . . . . . . . . . . . 77
Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Chapitre 1

Eléments de la statistique descriptive

1.1 Introduction
La statistique est un ensemble de méthodes et techniques scientifiques qui sont utilisées à
recueillir, de classer et de résumer l’information sur un sujet donné. Ensuite, il s’agit d’analyser
et d’expliquer pour prendre une décision éclairée. Elle est utilisée dans l’économie, la biologie,
la psychologie, les sciences de l’ingénieur ... etc.
Pour plus de détails, le lecteur est invité à consulter [3, 4, 8, 9, 2, 6, 11]

1.2 Concepts de base de la statistique

Définition 1.1. Population
On appelle population l’ensemble des éléments (objets, personnes, animaux, virus, ....) sur
lesquels porte l’étude statistique. Cet ensemble sera noté Ω.

Exemple 1.1. On considère l’ensemble des étudiants de la filière mathématiques et informa-

tique (MI). On s’intéresse aux moyennes générales, obtenues par les étudiants, dans le premier
semestre. Dans ce cas Ω = ensemble des étudiants de première année MI.

Définition 1.2. Individu (ou unité statistique)

Un individu est un élément d’une population et on l’appelle aussi ”unité statistique”. Il est noté
ω, avec ω ∈ Ω.

Exemple 1.2. Si on étudie la production annuelle d’un laboratoire de boites de plaquenil

(médicament utilisé dans le traitement de la covid-19). Alors, la population est l’ensemble des
boites produites durant l’année et une boite constitue un individu.

Définition 1.3. Echantillon

En générale, il est difficile de faire l’étude de toute la la population. Donc, on réduit l’étude à

7
1.2. CONCEPTS DE BASE DE LA STATISTIQUE

examiner une partie de cette population. Cette partie est nomée échantillon.
Le nombre d’individus que contient un échantillon est dit taille de l’échantillon.

Remarque 1.1. .

1. Une enquête statistique est l’action qui consiste à étudier l’ensemble des individus
d’un échantillon ou de la population.
2. Un Recensement représente une enquête statistique où l’échantillon étudié est égal à
la population.
3. Dans le cas où l’étude est portée sur un échantillon de la population, on dit qu’on fait un
sondage.
4. Les données statistiques englobe les individus sur lesquels porte l’étude statistique,
l’ensemble des variables considérées et les observations de ces variables sur les individus.

1.2.1 Variable statistique

Définition 1.4. On peut décrire un individu selon une ou plusieurs caractéristiques qu’on
appelle variables statistiques ou caractères . Ces variables sont notées par les lettre ma-
juscules X, Y ,...
X est une application définie sur Ω dans un autre ensemble noté Θ :
X : Ω −→ Θ
ω 7−→ X(ω)

Exemple 1.3. (Quelques exemples de Caractères )

La taille, la température, la catégorie socioprofessionnelle, l’âge, la nationalité, la couleur des
yeux,le prix, la surface, la distance, le salaire,...

Définition 1.5. Les modalités d’une variable statistique sont les différentes valeurs qu’elle
peut prendre et on les note par xi ,yi ...

Exemple 1.4. .
- Si le caractère considéré est ”le nombre d’enfants par famille”, les modalités peuvent être ”
0,1,2,3,...”
– Si la variable est ”situation familiale”, les modalités sont ”célibataire, marié, divorcé”.

On classe les variables statistiques en deux catégories : la variable statistique qualitative et

la variable statistique quantitative.
• Variable statistique qualitative (Caractère qualitatif)

8
1.3. TABLEAUX STATISTIQUES ET REPRÉSENTATIONS GRAPHIQUES

Définition 1.6. Lorsque les modalités d’un caractère ne sont pas mesurables, on qualifie ce
caractère de caractère qualitatif. Les modalités d’un caractère qualitatif ne peuvent pas être or-
données. Par exemple, il est impossible d’ordonner la modalité ”marié” et la modalité ”divorcé”.

Exemple 1.5. Si on considère la variable quantitative : l’état d’une voiture. Les modalités
possibles : Ancienne, Dégradée, Neuve.

• Variable statistique quantitative

Définition 1.7. Lorsque les modalités du caractère sont des nombres, on dit que le caractère
est quantitatif.

Il y a deux sortes de caractère quantitatif : le caractère discret et le caractère continu.

Définition 1.8. Un caractère quantitatif est dit

— discret si le caractère prend un nombre fini ou dénombrable de valeurs. Par exemple : le
nombre d’appartement par quartier dans une ville.
— continu si le caractère prend toutes ses valeurs dans des intervalles de l’ensemble des
nombres réels, il est dit continu. Par exemple : ”la taille”, ”le poids”,...

Exemple 1.6. Un exemple intéressant pour différencier les variables discrètes des variables
continues est de considérer la taille des pieds qui est une variable continue et les pointures des
chaussures qui est une variable discrète.

Remarque 1.2. Une variable quantitative discrète qui prend un grand nombre de valeurs dis-
tinctes est étudiée comme une variable continue.

1.3 Tableaux statistiques et représentations graphiques

Le but de la statistique descriptive est de résumer l’information contenue dans les observa-
tions en utilisant des tableaux, graphiques ou paramètres numériques.
La manière la plus basique de représenter des données statistiques est l’énumération des obser-
vations. On appelle cette énumération une série statistique. On note que dans certains cas, des
valeurs peuvent être répétées.
Dans les cas où les observations sont nombreuses, il est avantageux de les porter dans un
tableau des effectifs ou des fréquences qu’on appelle tableau statistique. La construction du
tableau statistique suit le même principe pour les différents caractères, impliquant le comp-
tage des observations. Cependant, la méthode de construction du tableau statistique varie en
fonction de la nature de la variable statistique (quantitative continue, quantitative discrète,

9
1.3. TABLEAUX STATISTIQUES ET REPRÉSENTATIONS GRAPHIQUES

qualitative).
Les représentations par des tableaux offre un moyen efficace et simple pour décrire des données
statistiques. Elles sont utilisées pour plusieurs raisons, notamment
- simplifier la lecture des informations d’une série statistique.
- comparer deux séries statistiques.
La construction des tableaux dépend de la nature de la variable statistique.

1.3.1 Cas d’un caractère qualitatif

1. On note par n la taille de l’échantillon étudié. Elle est appelée aussi l’effectif total.
2. On note par mi les différentes modalités du caractère.
3. ni est l’effectif partiel (ou absolu), c’est le nombre d’individus ayant la modalité mi . On
a i=k
P
i=1 ni = n, avec k est le nombre des modalités de la variable statistique.
ni
4. fi = n
est la fréquence relative ou fréquence partielle. C’est la proportion d’individus qui
Pi=n
possède la modalité mi . On a alors i=1 fi = 1.

Le tableau statistique d’un caractère qualitatif est donné par.

Modalité mi du caractère C m1 m2 ... mk Total

Nombre d’individus (effectif) ni n1 n2 ... nk n

On utilise deux types de représentation graphique.

(1) Les diagrammes circulaires consistent à diviser un disque en secteurs. Chaque secteur représente
une modalité observée. Et dont la surface est proportionnelle à l’effectif de la modalité.
ni
La modalité mi occupe un secteur de degré θi = fi × 360◦ = n
360◦ .
(2) Représentation cartésienne (diagramme en tuyaux d’orgue). Les modalités sont placées le
long de l’axe horizontal, tandis que les fréquences ou les effectifs sont données sur l’axe vertical.
Voir l’exemple ci-dessous.

Exemple 1.7. On considère la représentation de 200 jeunes selon leurs sport préférés.

sport préféré mi football Natation Athlétisme Tennis Total

ni 60 50 45 45 200
fi 0,3 0.25 0.225 0.225 1
θi = 360 × fi 108 90 81 81 360

Le diagramme circulaire est donné par la FIGURE 1.1.

10
1.3. TABLEAUX STATISTIQUES ET REPRÉSENTATIONS GRAPHIQUES

Figure 1.1 – Représentation de 200 jeunes selon leurs sports préférés.

Le diagramme en tuyaux d’orgue est donné par la FIGURE 1.2.

Figure 1.2 – Représentation de 200 jeunes selon leurs sports préférés.

1.3.2 Cas d’une variable quantitative discrète

Nontons X la variable statistique étudiée, avec X(Ω) = {x1 , x2 , ..., xk }.
x1 ,x2 ,...,xk sont les différentes valeurs de la variable quantitative discrète X dans un échantillon
de taille n.
1. On note par ni le nombre d’individus associés à la modalité xi . On l’appelle effectif partiel
i=k
X
de xi , i = 1, 2, ..., k. ni = n, où n est la taille de l’échantillon.
i=1

11
1.3. TABLEAUX STATISTIQUES ET REPRÉSENTATIONS GRAPHIQUES

i=k
X
ni
2. fi = n
est la fréquence relative de la modalité xi , i = 1, 2, ..., k. On a fi = 1
i=1
La forme général d’un tableau statistique pour une variables quantitative discrète est la
suivante
xi x1 x2 ... xk Total
Effectifs ni n1 n2 ... nk n

Pour la représentation d’une variable quantitative discrète, on utilise un graphique appelé

le diagramme en bâtons. Les valeurs de la variable statistique (V.S) xi , i = 1, ..., k sont
représentées sur l’axe des abscisses et les fréquences (ou les effectifs) sont représentées sur l’axe
des ordonnées. Dans le diagramme en batons, on dessine pour chaque modalité de la variable
un trait de hauteur égale à la fréquence (ou effectif) de cette modalité.
On complète ce diagramme par un polygone des fréquences ou des effectifs : ce qui revient à
relier par des segments de droites les points (xi , fi ).

Exemple 1.8. Répartition des familles selon le nombre d’enfants.

xi 0 1 2 3 4 5 6 Total
ni 6 15 12 11 8 3 1 56

15

10

0
0 1 2 3 4 5 6

Figure 1.3 – Représentation de 56 familles selon le nombre d’enfants.

12
1.3. TABLEAUX STATISTIQUES ET REPRÉSENTATIONS GRAPHIQUES

15

10

ni
5

0
0 1 2 3 4 5 6
xi

Figure 1.4

Le polygone des effectifs est donné dans la FIGURE 1.4.

1.3.3 Cas d’une Variable quantitative continue

Soit X la variable statistique étudiée, avec (ω) = [a, b].
Dans le cas où la variable statistique (V.S.) est continue, on regroupe les modalités en k classes
disjointes qu’on notera Ci = [ei , ei+1 [, i = 1, ..., k − 1, avec [a, b] = [e1 , e2 [∪[e2 , e3 [∪... ∪ [ek−1 , ek ].

i=k−1
[
1. [ei − ei+1 [ contient toute les modalités possibles de la série statistique.
i=1
2. On note par ei la borne inférieure de la classe [ei , ei+1 [.
3. On note par ei+1 la borne supérieure de la classe [ei , ei+1 [
4. Par convention la borne supérieure d’une classe n’est pas inclue dans cette classe sauf
pour la dernière qui peut être inclue (intervalle fermé).
5. ai = ei+1 − ei est l’amplitude de la classe Ci = [ei , ei+1 [ .
ei+1 +ei
6. On note xi = 2
le centre de la classe Ci .
7. on note ni l’effectif de la classe Ci . C’est le nombre d’individus dont les valeurs du caractère
est dans la classe [ei , ei+1 [.
ni
8. Dans un échantillon de taille n, fi = n
est la fréquence relative de la classe [ei , ei+1 [.
La tableau statistique est comme suit

Classes [e1 , e2 [ [e2 , e3 [ ... [ek , ek+1 [ Total

Effectifs ni n1 n2 ... nk n

13
1.3. TABLEAUX STATISTIQUES ET REPRÉSENTATIONS GRAPHIQUES

La représentation graphique d’une V.S. continue est appelée histogramme.

(1) Dans le cas où les amplitudes des classes sont égales à a, les différentes classes sont
représentées sur l’axe des abscisses. Un rectangle de largeur égale à a est dessiné au-dessus
de chaque classe Ci , dont la hauteur est proportionnelle à l’effectif ni (ou à la fréquence fi ).
(2) Dans le cas où les amplitudes des classes sont différentes. On commence par corriger les
la plus petite amplitude
effectifs comme suit. L’effectif de Ci : hi = ni × l0 amplitude de la classe Ci
. Ensuite, l’histo-
gramme est tracé comme dans (1).
(3) Le polygone statistique des fréquences (ou des effectifs ) : est tracé en reliant les milieux
des sommets des rectangles de l’histogramme des fréquences (ou des effectifs) en utilisant des
segments de droite.

Exemple 1.9. Soient les taux de glycémie observés sur un échantillon de 100 patients représentés
dans le tableau statistique :

Classes [0.8,0.85[ [0.85,0.90[ [0.90,0.95 [0.95,1[ Total

ni 15 20 35 30 100

La représentation graphique de cette série est donnée dans la FIGURE 1.5.

30

20

10

0
0.8 – 0.85

0.85 – 0.9

0.9 – 0.95

0.95 – 1

Figure 1.5 – Représentation de 100 patients selon leurs taux de glycémie

1.3.4 Règle de STURGES

Soient x1 , x2 , ..., xn les valeurs observées d’une variable statistique continue.
Question : En combien de classes partager les valeurs de la variable X ?

14
1.3. TABLEAUX STATISTIQUES ET REPRÉSENTATIONS GRAPHIQUES

Réponse : L’une des réponse à cette question est donnée par la règle de STURGES (Herbert
STURGES (1882-1958)). Il a donné une valeur approximative pour le nombre de classe k en
fonction de la taille n de l’échantillon 1 + 3.3log10 (n).
Le nombre de classes est égal à l’entier le plus proche de 1 + 3.3log10 (n). En utilisant cette
formule, on obtient la table ci-dessous.
La table de STURGES est donnée comme suit.

Nombre de données (n) Nombre de classe

12 à 23 5
24 à 46 6
47 à 93 7
94 à 187 8
188 à 376 9
377 à 756 10
757 à 1519 11
1520 à 3053 12
3054 à 6135 13
6136 à 12328 14
12329 et plus 15

Par exemple, pour un échantillon de taille n = 100, la règle de STURGES donne le nombre 7.6,
on doit donc prendre le nombre de classes égale à 8.
Pour séparer une série de données brutes en classes, on procède de la manière suivante.
→ Déterminer le nombre de classes viséss (REGLE DE STURGES) ;
→ Déterminer l’amplitude approximative des classes

xmax − xmin
;
nombre de classes

où xmin = la plus petite modalité de la variable X et xmax = la plus grande modalité de X.
Arrondir à une amplitude définitive a facile à lire.
xmax −xmin
(Par exemple si on trouve nombre de classes
= 2.101, alors pour faciliter la lecture on prend
a = 2).
→ Déterminer la borne inférieure de la première classe notée e1 . Elle est fixée de manière à
contenir la valeur minimum prise par la variable : e1 ≤ xmin ; (inférieur ou égale à la plus petite
valeur de la série statistique).
→ Créer les classes :
- construire la première classe : [e1 , e1 + a[ ;

15
1.4. LA COURBE CUMULATIVE

- pour trouver les classes suivantes, il suffit d’ajouter à chaque fois l’amplitude a ;
→ Trouver l’effectif de chaque classe en faisant la somme des effectifs des éléments contenus
dans chaque classe.

1.4 La courbe cumulative

Définition 1.9. Soit X une variable statistique quantitative discrète. Soient x1 , x2 ,· · · ,xn les
différentes valeurs de X. On appelle
— effectif cumulé croissant de xi , la somme des effectifs partiels de xi et les effectifs
de toutes les valeurs de la variable qui sont inférieures à xi . Il est définit par la formule

Ni = n1 + n2 + · · · + ni ;

— fréquence cumulé de xi , est définie par la somme

F i = f1 + f2 + · · · + fi .

Remarque 1.3. .
- Pour une série statistiques quantitative continue. End’autre termes, les valeurs sont regroupées
en classes. L’effectif cumulé d’une classe (la fréquence cumulée) est donné en additionnant les
effectifs partiels (fréquences cumulée) de cette classe et de toutes les classes qui précèdent cette
classe.
-On définit aussi l’effectif cumulé de la première valeur (de la première classe) par l’effectif
partiel de cette valeur ( classe). Et l’effectif cumulée de la dernière valeur (classe) est donné
par la taille de l’échantillon n.
- Dans une série statistique, on définit la fréquence cumulée de la première valeur (la première
classe) par la fréquence de cette valeur (classe). On définit aussi la fréquence cumulée de la
dernière valeur (la dernière classe) par le nombre égal à 1.

1.4.1 Le cas dune variable quantitative discrète

Soit X une variable quantitative discrète. On note x1 , x2 , ..., xk ses modalités, ordonnées par
ordre croissant.

Définition 1.10. On appelle fonction de répartition de la variable X, la fonction F définie de

16
1.4. LA COURBE CUMULATIVE

R à valeur dans [0, 1] comme suit :


 0 si x < x1


F (x) = Fi si xi ≤ x < xi+1

 1 si x ≤ x

k

On rappelle que la fonction de répartition d’une variable quantitative discrète est constante par
morceaux.
La représentation graphique de la fonction de répartition est dite courbe cumulative.

Exemple 1.10. Dans un village de 100 familles. On s’intéresse à la variable X : Le nombre

de personnes par famille.
On obtient le tableau statistique suivant

xi 2 3 4 5 6 7 8 Total
ni 10 15 12 18 15 14 16 100
ni
fi = 100
0.1 0.15 0.12 0.18 0.15 0.14 0.16 1
Fi 0.1 0.25 0.37 0.55 0.7 0.84 1 /

La fonction de répartition est donnée par




 0 si x < 2

0.1 si 2 ≤ x < 3





0.25 si 3 ≤ x < 4






 0.37 si 4 ≤ x < 5
F (x) =
 0.55 si 5 ≤ x < 6



0.7 si 6 ≤ x < 7





0.84 si 7 ≤ x < 8






 1 si 8 ≤ x

17
1.4. LA COURBE CUMULATIVE

1.0
0.8
0.6
0.4
0.2
0.0

2 4 6 8

Figure 1.6 – La courbe cumulative de la variable X

1.4.2 Le cas d’une variable quantitative continue

Soit X une variable statistique quantitative continue dont la répartition des observations
en classes est donnée par : [e1 , e2 [, [e2 , e3 [, ..., [ek , ek+1 [.

Définition 1.11. On appelle fonction de répartition de la variable X la fonction F (.) définie

de R dans [0, 1], par

 0 si x < e1


x−ei
F (x) = Fi−1 + ei+1 −ei
× fi si ei ≤ x < ei+1


 1 si e ≤ x
k

Exemple 1.11. On a relevé la taille en cm de 20 élèves.

Classes [104,108[ [108,112[ [112,116[ [116,120[ Total

ni 4 5 8 3 20
ni
fi = 20
0.2 0.25 0.4 0.15 1
Fi 0.2 0.45 0.85 1 /

18
1.4. LA COURBE CUMULATIVE

La fonction de répartition est donnée par




 0 si x < 104

x−0.104
× 0.2 si 104 ≤ x < 108


4



 0.2 + x−108 × 0.25 si 108 ≤ x < 112

4
F (x) = x−112


 0.45 + 4 × 0.4 si 112 ≤ x < 116

0.85 + x−116 × 0.15 si 116 ≤ x < 120




 4
 1 si 120 ≤ x

1.0
0.8
0.6
0.4
0.2
0.0

104 108 112 116 120

Figure 1.7 – La courbe cumulative de la variable X

19
1.5. SÉRIE D’EXERCICES N° 1

1.5 Série d’exercices N° 1

Exercice 1.1. Quelle est la nature de la variable statistique dans les cas suivants :
- Couleur des yeux.
- Le nombre de maison dans un village.
- Distance
- Nationalité
- Nombre d’enfants par famille
- Lieu de résidence.
- Marque de voiture.
- Le salaire d’employés d’une banque.
- La durée de vie des ampoules.
- La rigidité des ressorts.
- La masse d’une prothèse dentaire.

Exercice 1.2. 120 clients d’une cafétéria ont répondu à un questionnaire sur leur satisfaction
du service. Les résultats de cette enquête sont donnés comme suit
4 clients ont répondu par ”très peu”. 5 des clients ont répondu par ”un peu”. 24 clients ont
répondu par ”moyennement”. 36 clients ont répondu par ”bien”. 25 on répondu par ”très bien”.
26 clients ont répondu par ”excellent”.
1. Déterminez la population et la variable étudiées.
2. Précisez la nature de la variable et ses modalités.
3. Dresser le tableau statistique de cette série (effectifs).
4. Donner les deux types de représentation graphique de cette variable.

Exercice 1.3. La liste suivante est donne les prénoms d’un groupe d’étudiants, suivis entre
parenthèses du nombre de livres que chacun d’entre eux a lus au cours de l’année dernière :
Ali (2), Kamel (3), Lamia (1), Lamys (3), Ines (2), Karim (2) Sami (0), Sonia (1), Farida (3),
Laura (3), rayan (0), Rachel (3), Marie (1), Massy (3), Jugurtha (4), Masten (4), Massinissa
(2), Vanessa (4), Sofia (2), Djura (1), Samia (3), Ilyas (2) ; Amelia (4), Emilie (3), Lina (2).
1. Déterminez la population et la variable étudiées.
2. Précisez la nature et les modalités de la variable.
3. Dresser le tableau statistique de cette série (effectifs, fréquences)
4. Représenter la distribution des effectifs par un diagramme en bâtons.
5. Donner le polygone des effectifs.

Exercice 1.4. On considère un échantillon d’étudiantes. On a mesuré le poids de chacune. Les

poids ont été arrondies à l’entier. Nous obtenons les résultats suivants :

20
1.6. SOLUTIONS DES EXERCICES

53 -53 -53 -53 -58 -58 -58 -58 -58 -63 -63 -63 -63 -64 -64 -65 -65 -65 -65- 67- 67- 67 -67- 70-
70- 70 -70- 72- 72 -75- 75 -75- 75 -77- 77- 77- 85 -85 -85 -87.
1. Quelle est la population étudiée ? Quel est le caractère étudié ? Quelle est sa nature ?
2. En utilisant la règle de STURGES, répartir les données en classes de même amplitude.
3. Donner le tableau statistique des effectifs et des fréquences.
4. Donner l’histogramme des effectifs.

1.6 Solutions des exercices

Solution de l’exercice 1.1. .
- ”Couleur des yeux” est une variable qualitative.
- ”Le nombre de maison dans un village” est une variable quantitative discrète.
- ”Distance” est une variable quantitative continue.
- ”Nationalité” est une variable qualitative.
- ”Nombre d’enfants par famille” est une variable quantitative discrète.
- ”Lieu de résidence” est une variable qualitative.
- ”Marque de voiture” est une variable qualitative.
- ”Le salaire d’employés d’une banque” est une variable quantitative continue.
- ”La durée de vie des ampoules” est une variable quantitative continue.
- ”La rigidité des ressorts” est une variable quantitative continue.
-”La masse d’une prothèse dentaire” est une variable quantitative continue.

Solution de l’exercice 1.2. .

1. La population étudiée Ω est l’ensemble des clients de la cafétéria.
La variable étudiée X est ”La satisfaction des clients de la cafétéria”.
2. La variable est qualitative.
Les modalités de la variable sont : ”très peu”, ”un peu”, ”moyennement”, ”bien”, ”très bien”,
”excellent”.
3. Le tableau statistique associé à la distribution des effectifs.

Satisfaction très peu un peu moyennement bien très bien excellent Total
Effectifs ni 4 5 24 36 25 26 120

4. Les deux types de représentation graphique de cette variable :

(1) Le diagramme circulaire est donné par la FIGURE 1.8.

21
1.6. SOLUTIONS DES EXERCICES

On calcule l’angle θi correspondant à l’effectif ni , i = 1, 2, ..., 6.

ni
θi = fi × 360 = × 360.
n

Satisfaction très peu un peu moyennement bien très bien excellent Total
Effectifs ni 4 5 24 36 25 26 n=120
ni
θi = n
× 360 12 15 72 108 75 78 360

Figure 1.8 – Le diagramme circulaire.

(2) Le diagramme en tuyau d’orgue est donné par la FIGURE 1.9.

Figure 1.9 – Le diagramme en tuyaux d’orgue

22
1.6. SOLUTIONS DES EXERCICES

Solution de l’exercice 1.3. .

1. La population étudiée Ω est le groupe d’étudiants.
La variable étudiée est X = nombre de livres que chacun d’entre eux a lus au cours de l’année
dernière.
2. La variable étudiée est quantitative discrète.
L’ensemble des modalités est X(Ω) = {0, 1, 2, 3, 4}.
3. Le tableau statistique associé contient trois lignes :
-la première ligne contient les modalités xi de X ;
-la deuxième ligne contient les effectifs ni associés à chacune de ces modalités ; -la troisième
ni
ligne contient les fréquences fi = n
.
Le tableau statistique associé à X est le suivant :

xi 0 1 2 3 4 Total
ni 2 4 7 8 4 25
ni 0.08 0.16 0.28 0.32 0.16 1

Le diagramme en bâtons est donné par la FIGURE 1.10.

8
ni

2
0 1 2 3 4
xi

Figure 1.10

5) Le polygone des effectifs est donné par FIGURE 1.11 (lignes brisées de couleur bleue) :

23
1.6. SOLUTIONS DES EXERCICES

6
ni

2
0 1 2 3 4
xi

Figure 1.11

Solution de l’exercice 1.4. .

1. La population étudiée Ω : l’ensemble des étudiantes .
Le caractère étudié X : le poids.
La nature du caractère : il est quantitatif continu.
2. On calcule 1 + 3.3log10 (40) = 6.28.
En appliquant la règle de STURGES, on partage les valeurs de la série en 6 classes.
xmax −xmin 87−53
L’amplitude des classes est donnée par a = nombre de classes
= 6
= 5.66 et on arrondi à
6.
La répartition des données en classes : [53 − 59[, [59 − 65[, [65 − 71[, [71 − 77[, [[77 − 83[ et
[83 − 89[.
3. On obtient le tableau statistique suivant

Classes [53-59[ [59-65[ [65-71[ [71-77[ [[77-83[ [83-89[ Total

Effectifs ni 9 6 12 6 3 4 40
ni
Fréquences fi = 40
0.225 0.15 0.3 0.15 0.075 0,1 1

4. La représentation graphique : L’histogramme des effectifs : FIGURE 1.12.

24
1.6. SOLUTIONS DES EXERCICES

10

0 53 – 59

59 – 65

65 – 71

71 – 77

77 – 83

83 – 89
Figure 1.12

25
Chapitre 2

Description numérique des données

2.1 Introduction
Dans le chapitre 1, on s’est focalisé sur la manière de résumer les données d’une série
statistique dans des tableaux de fréquences (ou des effectifs) et selon la nature des variables.
Aussi, nous avons donné les différentes représentations graphiques. Pour plus de détail, voir les
références [4, 8, 9, 2, 6, 16, 14].
Dans ce chapitre, on présentera deux types de valeurs numériques pour caractériser les variables
statistiques :
- Les paramètres de tendance centrale ou de position qui sont utilisés à mesurer l’ordre de
grandeur des observations.
- Les paramètres de dispersion qui servent à mesurer la dispersion (l’étalement) des observations
autour d’un paramètre de position (de tendace centrale).

2.2 Les paramètres de tendance centrale et de position

Les mesures de tendance centrale sont utilisés pour résumer un ensemble de données concer-
nant une variable quantitative. Elles identifient une valeur autour de laquelle des données ont
tendance à se regrouper.
Les trois paramètres de tendance centrale les plus utilisés sont : la moyenne, la médiane et le
mode. Ils s’expriment dans la même unité que celle de la variable statistique.

2.2.1 Le mode
Définition 2.1. Le mode
Le mode est la valeur de la variable à laquelle est associé le plus grand effectif ou la plus grande

26
2.2. LES PARAMÈTRES DE TENDANCE CENTRALE ET DE POSITION

fréquence. C’est la valeur la plus observée. Il est dénoté par MO .

Le mode est un outil d’analyse statistique utilisé pour identifier la valeur la plus fréquente
d’une variable statistique. Il est possible de trouver des distributions ayant deux ou plusieurs
modes. Elles sont dits distribution bimodales ou plurimodales.
Calcul du Mode Mo : On distingue deux cas.
→ Dans le cas d’une variable quantitative discrète, le mode est déterminé directement à partir
du tableau des fréquences (ou des effectifs).

Exemple 2.1. On considère la V.S. donnée par le tableau statistique :

xi 1 2 3 4 5 6 7 Total
ni 1 4 3 7 1 5 2 23

Il est clair qu à partir du tableau, Mo = 4.

→ Dans le cas d’une variable quantitative continue, on commence par définir la classe
modale.

Définition 2.2. La classe modale est la classe ayant l’effectif le plus élevé. On utilise l’ef-
fectif ramené à l’unicité d’amplitude.

Si [ei , ei+1 [ est la classe modale, alors

∆1
Mo = ei + × × ai ,
∆1 + ∆2

avec
ei est la borne inférieure de la classe modale ;
ai est l’amplitude de la classe modale ;
∆1 = ni − ni−1 la différence d’effectif entre la classe modale et la classe précédente ;
∆2 = ni − ni+1 la différence d’effectif entre la classe modale et la classe suivante ;
ni est l’effectif de la classe modale ;
ni−1 est l’effectif de la classe qui précède la classe modale ;
ni+1 est l’effectif de la classe qui suit la classe modale.

Remarque 2.1. On utilise la même formule pour calculer le mode avec

∆1 = fi − fi−1 la différence des fréquences entre la classe modale et la classe précédente ;
∆2 = fi − fi+1 la différence des fréquences entre la classe modale et la classe suivante.

27
2.2. LES PARAMÈTRES DE TENDANCE CENTRALE ET DE POSITION

Exemple 2.2. On considère le tableau statistique suivant.

Classes [25-30[ [30-35[ [35-40[ [40-45[ [45-50[ Total

ni 10 35 55 60 50 200

Toutes les classes ont la même amplitude, la classe modale est [40 − 45[. Le mode est donné par

∆1
Mo = ei + ai ×
∆1 + ∆2
60 − 55
= 40 + 5 ×
(60 − 55) + (60 − 50)
5
= 40 + 5 ×
5 + 10
= 41, 7.

Remarque 2.2. Le choix du paramètre de tendance centrale dépend de l’objectif visé dans
l’analyse d’une série statistique. Par exemple, dans le context économique, les fabricants d’une
marque de téléviseurs cherchent à identifier les modèles les plus vendus pour établir une stratégie
de production. Dans de telles situations, le mode se révèle particulièrement intéressant en tant
que mesure de description des données.

2.2.2 La médiane notée Me

Définition 2.3. La médiane
La médiane est la valeur de la V.S. qui sépare les données, triées par ordre croissant, en deux
parties d’effectifs égaux. 50 % des valeurs sont supérieures à la médiane et 50 % des valeurs
sont inférieures à la médiane. Il s’agit de la valeur de la variable statistique qui correspond à
1
l’ordonnée 2
dans la courbe cumulative c-à-d F (Me ) = 21 .

Calcul de la médiane : On distingue deux cas :

→ Dans le cas où les valeurs prises par la variable statistique ne sont pas regroupées
en classes (Variable quantitative discrète) :
Soient x1 , x2 ,...,xn les n valeurs d’une variable statistique rangées par ordre croissant (x1 ≤
x2 ≤ .... ≤ xn ). Deux cas sont possibles :
xp +xp+1
Si n = 2p (n est pair ), on a Me = 2
.
Si n = 2p + 1 ( n est impair ), on a Me = xp+1 .

Exemple 2.3. L’ensemble des nombres 3, 3, 3,4, 4, 5, 6, 8, 8, 10, 11 a pour médiane 5. En

effet, on a le nombre de données est n = 11 = 2 × 5 + 1 est impaire donc la médiane est

28
2.2. LES PARAMÈTRES DE TENDANCE CENTRALE ET DE POSITION

Me = x6 = 5.
50% 50%
z }| { z }| {
3,3,3,4,4, |{z}
5 , 6,8,8,10,11
Me =5

Exemple 2.4. L’ensemble des nombres 5, 5, 6, 9, 11, 12, 15, 19.

x4 +x5
On a n = 8 = 2 × 4 est pair, donc Me = 2
= (9 + 11)/2 = 10.

50% 50%
z }| { z }| {
5, 5, 6 9, 11 12, 15, 19 .
| {z }
Me =(9+11)/2

→ Dans le cas où les valeurs de la variables sont regroupées en classes (Variable
quantitative continue) :

1
0.5 − Fi 2
− Fi
Me = ei + × ai = e i + × ai ,
Fi+1 − Fi fi
où
[ei ; ei+1 [ la classe médiane : la classe pour laquelle l’effectif cumulé dépasse pour la 1ère fois
n
Ni ≥ 2
(la fréquence cumulée dépasse pour la 1ère fois≥ 0.5) ;
ei est la borne inférieure de la classe médiane ;
ai est l’amplitude de la classe médiane ;
fi est la fréquence de la classe médiane ;
Fi est la fréquence cumulée de la classe qui précède la classe médiane ;
Fi+1 est la fréquence cumulée de la classe médiane.
Autre formulation
n
2
−S
Me = ei + × ai ,
nme
avec
n est la taille de l’échantillon étudié ;
nme est l’effectif de la classe médiane [ei − ei+1 [ ;
S est l’effectif cumulé de la classe qui précède la classe médiane.

Exemple 2.5.

classes [10-20[ [20-30[ [30-40[ [40-50[ [50-60[ [60-70[ Total

ni 10 15 20 35 15 5 100
fi 0.1 0.15 0.2 0.35 0.15 0.05 1
Fi 0.1 0.25 0.45 0.8 0.98 1 –

29
2.2. LES PARAMÈTRES DE TENDANCE CENTRALE ET DE POSITION

n
La classe médiane est celle qui a l’effectif cumulé ≥ 2
= 50 (Fi ≥ 0.5).
On a F3 = 0.45 < 0.5 et F4 = 0.8 ≥ 0.5, la classe médiane est [40 − 50[.

0.5 − 0.45
Me = 40 + = 41.42
0.35

2.2.3 Les quartiles

Dans une série de donnés triées par ordre croissant, la médiane est la valeur qui divise
l’ensemble des données en deux parties égales. En étendant ce concept, on intéresse dans cette
section aux valeurs qui divisent l’ensemble des données en quatre parties égales. Ces valeurs
sont notées Q1 , Q2 et Q3 . Elles sont dites le premier, le deuxième et le troisième quartile, res-
pectivement. Notons que le deuxième quartile Q2 coincide avec la médiane.

Question : Que peut on déduire de la connaissance des paramètres Q1 et Q3 d’une série ?

Réponse :
-Au moins un quart (25%) des valeurs de la séries sont inférieures ou égales à Q1 .
-Au moins trois quarts (75%) des valeurs de la séries sont inférieures ou égales à Q3 .
- Environ (50%) des valeurs de la séries se trouvent dans l’intervalle interquartile [Q1 , Q3 ].

25% 25% 25% 25%

xmin z................Q
}| { z................M
1
}| {
e ................Q3 ................xmax
z }| { z }| {

Calcul des quartiles

Question : Comment déterminer les quartiles Q1 et Q3 d’une série ?

→ Dans le cas où les valeurs prises par la variable statistique ne sont pas regroupées
en classe (Variable quantitative discrète) :
Soient x1 , x2 ,...,xn les n valeurs d’une variable statistique, ordonnées par ordre croissant :
x1 ≤ x2 ≤ .... ≤ xn .
On calcule la fraction n4 . Quatre cas sont possibles :selon que le le résultat est entier ou pas.

Cas 1 : n = 4q :
xq + xq+1 x3q + x3q+1
Q1 = Q3 = .
2 2
Cas 2 : n = 4q + 1 :
Q1 = xq+1 Q3 = x3q+1 .

30
2.2. LES PARAMÈTRES DE TENDANCE CENTRALE ET DE POSITION

Cas 3 : n = 4q + 2 :
Q1 = xq+1 Q3 = x3q+2 .

Cas 4 : n = 4q + 3 :
Q1 = xq+1 Q3 = x3q+3 .

Exemple 2.6. On observe le nombre d’accident par jours, au niveau d’une intersection, pour
une période de 100 jours.

xi (nombre d0 accidenst) 0 1 2 3 4 5 6 7 Total

ni (nombre de jours) 13 27 27 19 9 3 1 1 100
Ni 13 40 67 86 95 98 99 100 –

1+1 2+2 3+3

On a 100 = 4 × 25, Q1 = 2
= 1, Q2 = Me = 2
= 2 et Q3 = 2
= 3.

→ Dans le cas où les valeurs de la variable sont regroupées en classes (Variabale
quantitative continue) :
Supposons que le premier quartile (respectivement le troisième quartile) se situe dans la classe
[ei , ei+1 [, alors
0.25 − Fi
Q 1 = e i + ai ,
fi
0.75 − Fi
( resp. Q3 = ei + ai ),
fi
avec
ei est la borne inférieure de la classe correspendante ;
ai est l’amplitude de la classe correspendante [ei , ei+1 [ ;
fi est la fréquence de la classe correspendante [ei , ei+1 [ ;
Fi est la fréquence cumulée de la classe qui précède la classe correspendante [ei , ei+1 [.
Autres formulations
n
− S1
Q1 = ei + ai 4 ;
nQ1
3n
4
− S2
( resp. Q3 = ei + ai ),
nQ3
avec :
n est la taille de l’échantillon ;
nQi est l’effectif de la classe qui contient le quatrile Qi ;
S1 (resp. S2 ) est l’effectif cumulé de la classe qui précède la classe qui contient le quartile Q1
(resp. Q3 ).

31
2.2. LES PARAMÈTRES DE TENDANCE CENTRALE ET DE POSITION

Remarque 2.3.
Q1 ∈ [ei , ei+1 [ signifie que [ei , ei+1 [ est la première classe où Fi ≥ 0.25 (S1 ≥ n4 ).
3n
Q3 ∈ [ei , ei+1 [ signifie que [ei , ei+1 [ est la première classe où Fi ≥ 0.75 (S2 ≥ 4
).

Exemple 2.7. On considère un échantillon de 100 pesées en grs de pièces fabriquées dans une
entreprise.

classes [30-40[ [40-50[ [50-60[ [60-70[ [70-80[ [80-90[ Total

ni 10 10 15 33 25 7 100
Ni 10 20 35 68 93 100 –

100
Le première effectif cumulé ≥ 4
= 25 est N3 = 0.35, donc Q1 est dans la classe [50 − 60[.

100
4
− 20
Q1 = 50 + 10 × = 53.33grs
15

100
Le première effectif cumulé ≥ 3 × 4
= 75 est N5 = 93, donc Q3 est dans la classe [70 − 80[.

100
3× 4
− 68
Q3 = 70 + 10 × = 72.8grs.
25

2.2.4 La moyenne
La moyenne représente le principal indicateur de tendance d’une série de données. La
moyenne peut être qualifiée de différentes manières : arithmétique, géométrique, quadratique,
harmonique.
Pour chacune de ces notions, on donnera dans ce qui suit, les expressions mathématiques
qui permettent de les calculer.
- La moyenne simple : Le calcul est réalisé à partir d’un tableau où chaque élément ne correspond
qu’à une seule information. Ou en se basant sur une série de données qui n’est pas récapitulée
dans un tableau.
- La moyenne pondérée : est déterminée en utilisant un tableau statistique. Dans ce cas, l’effectif
ni correspond au poids de l’observation xi .
Soit X la variable statistique étudiée. Soit x1 , x2 , ..., xn un échantillon de taille n.
Selon la nature de la variable, on peut les placer dans un tableau statistique. On a donc deux
cas (voir Chapitre 1) :

32
 2.2. LES PARAMÈTRES DE TENDANCE CENTRALE ET DE POSITION

On rappelle que dans le cas d’une variable quantitative discrète :

xi x1 x2 ... xk Total
Effectifs ni n1 n2 ... nk n
fréquences fi f1 f2 ... fk 1

Dans le cas d’une variable quantitative continue :

Classes [e1 ; e2 [ [e2 ; e3 [ ... [ek ; ek+1 [ Total

Centres des classes x1 x2 ... xk -
Effectifs ni n1 n2 ... nk n

Pour le calcul des moyennes dans le cas d’une variable quantitative continue les xi sont les
centres des classes.

La moyenne arithmétique

La moyenne arithmétique est le paramètre de tendance centrale le plus utilisée pour ca-
ractériser une série d’observations. On donne la définition de la moyenne comme suit.
• La moyenne arithmétique simple des n observations est définie par la somme des n observa-
tions xi divisée par le nombre n.
n
1X
X= xi .
n i=1

• La moyenne arithmétique pondérée : pour des données classées dans un tableau statistique
des effectifs (ou des fréquences), la moyenne est définie par
- En utilisant les effectifs :
k
1X
X= ni xi .
n i=1

- En utilisant les fréquences relatives :

k k k
1X X ni X
X= n i xi = xi = f i xi .
n i=1 i=1
n i=1

Remarque 2.4. .
Pk
— i=1 ni (xi − X) = 0
Pk 2
— i=1 ni (xi − α) = 0 est minimal pour α = X.

33
 2.2. LES PARAMÈTRES DE TENDANCE CENTRALE ET DE POSITION

Exemple 2.8. Les notes sur 20 obtenues en Statistique par une étudiante sont les suivantes :

Contrôle Contrôle1 contrôle2 partiel

Notes 12 14 11

12+14+11
La moyenne semestrielle de cette étudiante si les notes ont le même coefficient : x = 3
=
12.33.
Si les deux contrôles continus sont affectés du coefficient 2 et le partiel affecté du coefficient 3,
2×12+2×14+3×11 85
x= 7
= 7
.

Exemple 2.9. Un voiture roule durant une heure à la vitesse constante de 110 km/h et durant
une heure à la vitesse constante de 130 km/h.
Question : Calculer la vitesse constante à laquelle la voiture aurait dû rouler pendant la durée
totale (2h) du trajet pour faire la même distance ?
Réponse : Soit d la distance parcourue, v la vitesse et t le temps. On sait que

d = v × t.

La premiere partie a duré 1 heure en roulant à la vitesse de 110 km/h, ce qui fait que la voiture
a fait 110 km.
La deuxième partie a duré 1 heure en roulant à la vitesse de 130 km/h, donc la voiture a
parcouru 130 km.
Par conséquent, la vitesse moyenne de la voiture v vérifie : 110 + 130 = v × (1 + 1), ce qui
110+130
donne v = 2
km/h.
Ceci donne la moyenne arithmétique de 110 et de 130.

Définition 2.4. (Symétrie)

Les trois valeurs centrales d’une série statistique sont : la moyenne, le mode et la médiane. Ces
paramètres résument l’ensemble des valeurs de la série considérée. Si dans la série statistique
le mode est unique, on a :
— Une série de données X est symétrique si les observations sont réparties de façon équiprobable
autour de la moyenne X. Dans ce cas on a X = Mo = Me . Sinon, la série est dissymétrique
(assymétrique).
— Une série X est asymétrique à droite si son diagramme s’étale à droite : Mo < Me ≤ X. Elle
possède un étalement à droite et une oblique à gauche.
— Une série est asymétrique à gauche lorsque son diagramme s’étale à gauche : X ≤ Me < Mo .
Elle possède un étalement à gauche et une oblique à droite.

34
2.2. LES PARAMÈTRES DE TENDANCE CENTRALE ET DE POSITION

La moyenne géométrique notée G

On sert de la moyenne géométrique G dans le calcul des taux moyens.

Elle est calculée uniquement pour des nombres positifs.

• La moyenne géométrique simple : La moyenne géométrique de n valeurs positives xi est

la racine nième du produit de ces valeurs. Notée G , c’est à dire
n
√ Y 1
G= n
x1 .x2 ...xn = [ xi ] n .
i=1

Il est plus simple de calculer logG.

n n
1 Y 1X
logG = log( xi ) = logxi .
n i=1
n i=1

n
X
1
n
logxi
G=e i=1

• La moyenne géométrique pondérée : Pour des données qui sont regroupées dans un tableau
statistique des effectifs (avec xi > 0), on a

q k
1
Y
G= n
xn1 1 .xn2 2 ...xnk k = [ xni i ] n
i=1

k k
1 Y 1X
logG = log( xni i ) = ni logxi
n i=1
n i=1

k
X
1
n
ni logxi
G=e i=1

Exemple 2.10. .
Le prix d’un produit a augmenté en janvier d’une année donnée, de 0, 8 % et en février de la
même année de 0, 7 %.

En notant P1 le prix en janvier, on a

0.8
- on obtient au premier du mois de février, P2 = P1 + 100 × P1 = P1 × (1 + 0.008) = P1 × 1.008;

35
2.2. LES PARAMÈTRES DE TENDANCE CENTRALE ET DE POSITION

0.7
-et au 1er mois de mars,on obtient P3 = P2 + P
100 2
= P2 × 1.007 = P1 × 1.008 × 1.007.
- Si on note le pourcentage d’augmentation sur les deux premiers mois par T . Donc,

T T
P2 = P1 × (1 + ) et P3 = P2 × (1 + ),
100 100

donc
T 2
P3 = P1 × (1 + ).
100

Le taux T est réalise l’équation

T 2
(1 + ) = 1.008 × 1.007.
100

t
√
1+ 100
= 1.008 × 1.007 = 1.0075 est la moyenne géométrique de 1.008 et de 1.007.
t = 0.75%.

La moyenne harmonique

On utilise cette moyenne pour les grandeurs quotients. Par exemple les vitesses.

• Soient n valeurs positives xi , la moyenne harmonique simple est définie par xi :

n
H = Pn 1 .
i=1 xi

• La Moyenne harmonique pondérée : pour des données résumées dans un tableau statistique
des effectifs, la moyenne harmonique est définie par

n
H = Pk ni
.
i=1 xi

Exemple 2.11. .
Ines se déplace en voiture. Sa vitesse à l’aller est de 10 km/h et celle au retour est de 20 km/h.
Soit D la distance en km du trajet à l’aller.
Pour calculer sa vitesse moyenne v sur tout le parcours, on procède comme suit.
- La distance totale parcourue est 2D.
- Soit t1 le temps (en h) pour effectuer le trajet de l’aller, soit t2 le temps (en h) pour effectuer
le trajet du retour. On a D = 10 × t1 et D = 20 × t2 , donc

36
2.2. LES PARAMÈTRES DE TENDANCE CENTRALE ET DE POSITION

D
- le temps pour l’aller : t1 = 10
;
D
- le temps pour le retour : t2 = 20
;
D D
- le temps total t1 + t2 = 10
+ 20
.
- Si on note par v1 = 10km/h et v2 = 20 km/h. La vitesse moyenne v sur le trajet aller retour
2×D 2×D
vérifie v = t1 +t2
. Donc t1 + t2 = v
. Par conséquent,

2×D D D
= + .
v v1 v2

- On obtient
2
v= 1 1 = 13, 33km/h
v1
+ v2

. C’est la moyenne harmonique de 10 et de 20.

La moyenne quadratique notée Q

• Moyenne quadratique simple : des n observations xi , est définie par

v
u n
u1 X
Q=t x2 .
n i=1 i

• La Moyenne quadratique pondérée : pour des données résumées dans un tableau statistique
des effectifs, la moyenne quadratique est définie par
v
u k
u1 X
Q=t ni x2i .
n i=1

Exemple 2.12. Soient deux disques de rayons respectifs 8 cm et 9 cm.

Questions :
1- Calculer la somme des aires de ces disques.
2- Quel est le rayon par lequel il faut remplacer les deux rayons pour obtenir la même somme ?
- L’aire du disque de rayon 8 cm est A1 = π82 cm2 et l’aire du disque de rayon 9cm est
A2 = π × 92 cm2 . Par conséquent, la somme est π × (82 + 92 ) cm 2 .
- On cherche le rayon R qui permet de réaliser π × (82 + 92 ) = π × R2 , donc 82 + 92 = 2R2 , et
82 +92
R2 = 2
.
q
82 +92
- R > 0 donc R = 2
.
- R est simplement la moyenne quadratique de 8 et de 9.

37
2.3. PARAMÈTRES DE DISPERSION (CARACTÉRISTIQUES DE DISPERSION)

Remarque 2.5. Sur un même échantillon, on a les inégalités

2
H<G<X<Q et G = H × X.

2.3 Paramètres de dispersion (caractéristiques de dis-

persion)
Pour décrire deux séries de données relatives aux même phénomène, les mesures de tendance
centrale peuvent s’avérer insufisantes. Par exemple, si on considère les salaires horaires (en DA)
dans une entreprise
495; 497; 500; 503; 505

Et dans une autre entreprise

450; 475; 500; 525; 550

Dans les deux séries de données, la médiane et la moyenne sont identiques et constantes :
X = 500 DA et Me = 500 DA. Cependant, ces deux séries se distinguent et ce qui les distingue
réside dans la dispersion ou la variabilité des données. Dans cette situation, la deuxième série
présente une dispersion bien plus importante que la première. Par exemple, on constate que
leurs écarts à la moyenne xi − X sont différents.

5; 3; 0; 3; 5

50; 25; 0; 25; 50

Par conséquent, il est essentiel de décrire une série statistique en utilisant non seulement des
paramètres de position, mais également des paramètres de dispersion.
Les paramètres de dispersion sont employés afin d’évaluer la variabilité de la série. En d’autres
termes, il s’agit de décrire la distance entre toutes les données et le paramètre de tendance
centrale.
Il existe plusieurs mesures de la dispersion et les plus utilisés sont : L’étendue, l’écart absolu
moyen, l’écart interquartile, l’écart type et le coefficient de variation.

38
2.3. PARAMÈTRES DE DISPERSION (CARACTÉRISTIQUES DE DISPERSION)

2.3.1 L’étendu
Définition 2.5. L’étendu est l’écart entre la plus grande et la plus petite valeur d’une variable
statistique quantitative.

L’étendu d’un ensemble de valeur x1 , x2 , ..., xk d’une variable statistique X est définie par

E = max(xi ) − min(xi ).

Exemple 2.13. L’étendue de l’ensemble 2, 3, 3, 5, 5, 8, 10, 12,13,15,16,20,23 est E = 23−2 =

21.

2.3.2 L’écart absolu moyen

Définition 2.6. L’écart absolu moyen noté (e) de la variable statistique X est définie
comme la moyenne arithmétique des valeurs absolues des écarts à la moyenne arithmétique.

Il est donné par

e = n1 ni=1 |xi − X|, si on considère que les n valeurs données x1 , x2 , · · · , xn sont toutes
P

évaluees.
e = n1 ki=1 ni |xi − X|, la série possède k valeurs distinctes x1 , x2 , · · · , xk avec des effectifs
P

d’apparitions n1 , n2 , · · · , nk , respectivement.
e = n1 ki=1 ni |xi − X|, les données de la série sont regroupées en k classes d’effectifs d’appa-
P

ritions n1 , n2 , · · · , nk , xi sont le centre de la classe [ei ; ei+1 [.

Remarque 2.6. Si on possède des fréquences relatives fi au lieu des effectifs ni , on calcule
ni
l’étendu en remplaçant les fractions n
par fi dans les expressions de l’étendu.

Exemple 2.14. Ce paramètre montre la différence de dispersion entre les deux séries

49; 497; 500; 503; 505

et
450; 475; 500; 525; 550.

On a pour la première série

|495 − 500| + |497 − 500| + |500 − 500| + |503 − 500| + |505 − 500| 16
e= = = 3, 2
5 5

39
2.3. PARAMÈTRES DE DISPERSION (CARACTÉRISTIQUES DE DISPERSION)

et pour la deuxième série

|450 − 500| + |475 − 500| + |500 − 500| + |525 − 500| + |550 − 500| 150
e= = = 30.
5 5

2.3.3 L’écart interquartile

Définition 2.7. On définit par
l’intervalle interquartile, l’intervalle [Q1 , Q3 ]. Il contient 50% des observations, en laissant 25%
à gauche et 25% à droite. Il contient la moitié des observations.
l’écart interquartile, la différence entre le troisième quartile et le premier quartile

EQ = Q3 − Q1 .

Exemple 2.15.
1. On reprend l’Exemple 2.7, on a trouvé Q1 = 53.33grs et Q3 = 72.8grs. Donc
EQ = 72.8 − 53.33 = 19.47 grs.

2.3.4 La variance et L’écart-type

Les mesures de dispersion les plus utilisées sont l’écart-type et la variance.

Définition 2.8. La variance est la moyenne des carrés des écarts par rapport à la moyenne
arithmétique.

• Dans le cas où le valeurs x1 , x2 , · · · , xn de la variable statistique X ne se répètent pas, la

variance est donnée par
n
1X
2
σ = (xi − X)2 .
n i=1

Pour la simplicité de calcul, on utilise le théorème de Koenig

n n
2 1X 1X 2 2
σ = (xi − X)2 = xi − X .
n i=1 n i=1

• Si à chaque valeur x1 , x2 , · · · , xk de la variable statistique X correspond des effectifs d’appa-

rition n1 , n2 , · · · , nk , respectivement, la variance est définie par

k
2 1X
σ = ni (xi − X)2 .
n i=1

40
 2.3. PARAMÈTRES DE DISPERSION (CARACTÉRISTIQUES DE DISPERSION)

• En utilisant les fréquences relatives, la formule de la variance est

k
X
2
σ = fi (xi − X)2 .
i=1

• Dans le cas où les données sont regroupées en k classes de fréquences d’apparitions n1 , n2 , · · · , nk ,
avec xi est le centre de la classe [ei ; ei+1 [, la variance est donnée par

k
2 1X
σ = ni (xi − X)2
n i=1

Remarque 2.7. En développant la somme des différences au carré dans la formule

k
2 1X
σ = ni (xi − X)2 ,
n i=1

1
Pk 2
on peut simplifier l’expression comme suit σ 2 = n i=1 ni x2i − X .

Définition 2.9. L’écart-type est donné comme étant la racine carrée de la variance
v
u n
√ u1 X
σ = σ2 = t (xi − X)2
n i=1

Dans le cas où les valeurs de la variable statistique se répètent, l’écart-type devient
v v
u k u k
u1 X uX
σ= t ni (xi − X)2 = t fi (xi − X)2
n i=1 i=1

Remarque 2.8.
—
— La variance est toujours un nombre réel positif σ 2 ≥ 0. Elle mesure la dispersion (la variabilité
des données) de la variable statistique autour de la moyenne. Son unité est le carré de l’unité
de la variable statistique.
— Il peut être compliqué d’utiliser la variance comme indicateur de dispersion car le carré entraı̂ne
une modification des unités. Ainsi, il n’y a pas de signification directe, à la différence de l’écart-
type qui se manifeste dans les mêmes unités que la moyenne.
— L’écart-type d’une série est d’autant plus bas (c’est-à-dire proche de 0) qu’elle sera regroupée
autour de la moyenne, avec des valeurs très proches.

41
2.3. PARAMÈTRES DE DISPERSION (CARACTÉRISTIQUES DE DISPERSION)

Exemple 2.16. On reprend les deux séries de salaires horaires

495; 497; 500; 503; 505

et
450; 475; 500; 525; 550

On calcule la variance de chacune, on trouve

pour la première série σ 2 = 13, 6, σ = 3.69
et pour la deuxième série σ22 = 1250, σ = 35.36.
Le rapport entre les écarts-types des deux séries est proche du rapport des écarts absolu moyen.
Ces deux paramètres donnent les mêmes informations.

2.3.5 Coefficient de variation

Le coefficient de variation est un coefficient qui ne possède aucune unité et est exprimé
en pourcentage. Son utilisation consiste à comparer des séries de valeurs dont les échelles de
mesure ne sont pas identiques. Par exemple, il permet de faire une comparaison des différences
salariales entre deux pays qui utilisent deux monnaies différentes. La formule donne le coefficient
de variation.
σ
Cv = .
X
Remarque 2.9. Un coefficient de variation élevé indique une dispersion importante autour
de la moyenne arithmétique.

42
2.4. EXERCICES (SÉRIE 2)

2.4 Exercices (Série 2)

Exercice 2.1. La représentation des femmes âgées de 40 à 50 ans d’après le nombre de leurs
enfants vivants est donnée par le tableau ci-dessous.

nbre d’enfants xi 0 1 2 3 4 Total

Effectif ni 20 20 30 10 20 100

1 - Quelle est la population observée ?

2 - Donner le caractère étudié et préciser sa nature.
3 -Dresser le tableau des effectifs, des fréquences relatives, des effectifs cumulés croissants et
des fréquences cumulées croissantes.
4- Quel est le pourcentage des femmes ayant moins de 2 enfants ?
5 - Quel est le pourcentage des femmes dont le nombre d’enfants vivants est au plus 3 ?
6 - Quel est le pourcentage des femmes dont le nombre d’enfants vivants est au moins 2 ?
7- Donner la représentation graphique adéquate.
8 - Calculer les paramètres de position : le mode, la médiane, le premier et le troisième quartile
et la moyenne arithmétique.
9 - Calculer : l’étendu, l’écart-type et le coefficient de variation.

Exercice 2.2. Le montant des ventes d’un magasin et le nombre d’articles vendus pendant une
année sont donnés dans le tableau statistique

Classes [15-20[ [20-25[ [25-30[ [30-35[ [35-40[ [40-45[ Total

Effectis ni 70 70 50 70 80 60 400

1- Quel est le type de la variable étudiée ?

2- Dresser le tableau des effectif cumulés, fréquences relatives, et fréquence cumulées.
3- Donner la représentation graphique adéquate.
4- Calculer le mode, la médiane, les quartiles et la moyenne arithmétique. Comparer les pa-
ramètres X, Me et Mo et donner une interprétation.
5- Calculer l’écart interquartile, l’écart type ainsi que le coefficient de variation.
6- Donner un intervalle qui contient 50% de valeurs centrales. Que représente les bornes de cet
intervalle ? interprétez.

Exercice 2.3. Un agent de police a relevé les vitesses(km/h) suivantes :

120 − 128 − 93 − 102 − 111 − 148 − 118 − 92 − 158 − 136 − 127 − 117
104 − 119 − 121 − 102 − 125 − 124 − 88 − 138 − 103 − 115 − 132 − 99

43
2.4. EXERCICES (SÉRIE 2)

115 − 132 − 128 − 141 − 122 − 115 − 107 − 126 − 132 − 144 − 110 − 137
112 − 102 − 126 − 145 − 135 − 107 − 123 − 96 − 108 − 122 − 120 − 124
151 − 152 − 128 − 121 − 118 − 131 − 108 − 141 − 143 − 146 − 108 − 113.
1) Quelle est la population étudiée ? Quelle la variable statistique étudiée ? Quelle est sa na-
ture ? Quelle est la taille de l’échantillon étudié ?
2) Donner l’étendu de la série statistique.
3) En utilisant la règle de Sturges, répartir les données en des classes de même amplitude.
4) Donner le tableau statistique des effectifs, effectifs cumulés, fréquences et fréquences cu-
mulées.
5) Calculer le mode et la médiane. Donner une interprétation des résultats.
6) Tracer l’histogramme de la série.
7) Calculer graphiquement le mode.
8) Tracer le polygone statistique.
9) Calculer les quartiles et l’écart interquartile.
10) Calculer la moyenne et la variance.
11) Comparer les paramètres X, Mo et Me . Conclure.

Exercice 2.4. On a mesuré la taille (en cm) de 100 étudiants de la section C.

Taille (cm) [130-140[ [140-150[ [150-160[ [160-170[ [170-180[ [180-190[ [190-200[

Nbre d’étudinats 4 8 14 16 30 20 8

1) Quelle est la population étudié ? Quelle est la variable étudiée ? Quelle est sa nature ?
2) Donner le tableau statistique des effectifs, fréquences, effectifs cumulés et fréquences cu-
mulées.
3) Calculer les mesures de tendance centrale (la moyenne arithmétique, le mode et la médiane),
puis comparer ces trois paramètres. La distribution est-elle symétrique ? si non dans quel sens
présenterait-elle un étalement ?
4) Représenter ces 3 paramètres sur l’histogramme.

44
2.5. SOLUTION DES EXERCICES

2.5 Solution des exercices

Solution de l’exercice 2.1. .
1-La population observée : les femmes âgées de 40 à 50 ans.
2- Le caractère : nombre d’enfants vivants. Sa nature : quantitatif discret.
3- Le tableau statistique

xi 0 1 2 3 4 Total
ni 20 20 30 10 20 100
Ni 20 40 70 80 100 / .
fi 0.2 0.2 0.3 0.1 0.2 1
Fi 0.2 0.4 0.7 0.8 1 /

4-Le pourcentage des femmes ayant moins de 2 enfants est :

(0.2 + 0.2) × 100% = 40%.
5 - Le pourcentage des femmes dont le nombre d’enfants vivants est au plus 3 est
(0.2 + 0.2 + 0.3 + 0.1) × 100% = 80%.
6 - Le pourcentage des femmes dont le nombre d’enfants vivants est au moins 2 est :
(0.3 + 0.1 + 0.2) × 100% = 60%.

7-La représentation graphique :

30
ni

25

20

15

10
0 1 2 3 4
xi

Figure 2.1 – Le diagramme en bâtons

45
2.5. SOLUTION DES EXERCICES

8 -Les paramètres de position

- Le mode MO : est la modalité la plus répétée est Mo = 2 (n3 = 30 est l’effectif le plus élevé).
- La médiane : on a n = 100 est pair donc n = 2 × 50, posons k = 50.

xk + xk+1 2+2
Me = = = 2.
2 2

(x50 et x51 sont déterminés en utilisant les effectifs cumulés Ni ).

50% des femmes ont un nombre d’enfants ≤ 2.
- Le premier quartile et le troisième quartile : Soit xq et xq+1 les valeurs des observations classées
respectivement en qième et (q + 1)ième position (lorsque les observations sont classées par ordre
croisant).
On a n = 100 = 4 × 25, posons q = 25.

xq + xq+1 1+1 1 x3q + x3q+1 3+3

Q1 = = = et Q3 = = = 3.
2 2 2 2 2

(x25 , x26 , x75 et x76 sont déterminés en utilisant les effectifs cumulés Ni ).
50% des femmes ont le nombre d’enfants entre 1 et 3 .
- La moyenne arithmétique x :

xi 0 1 2 3 4 Total
ni 20 20 30 10 20 100
.
n i xi 0 20 60 30 80 190
ni x2i 0 20 120 90 320 550

i=5
1X 190
x= ni xi = = 1, 9.
6 i=1 100

On a X ≤ Mo = Me . La série statistique nest pas symétrique. Elle présente un étalement vers

la gauche.
8 - Les paramètres de dispersion :
- L’étendu : E = max(xi ) − min(xi ) = 4 − 0 = 4.
p
- L’écart-type : σ = V (X), où V (X) est la variance et on a

i=5
1 X 550
V (X) = ni x2i − x2 = − (1.9)2 = 1, 89.
100 i=1 100

46
2.5. SOLUTION DES EXERCICES

√
Donc σ = 1.89 = 1.37.
σ 1.37
- Le coefficient de variation : donné par Cv = x
= 1.9
= 0.72

Solution de l’exercice 2.2. .

1- La variable est quantitative continue.
2- Le tableau statistique

Classe [15-20[ [20-25[ [25-30[ [30-35[ [35-40[ [40-45[ Total

ni 70 70 50 70 80 60 400
Ni 70 140 190 260 340 400 / .
fi 0.175 0.175 0.125 0.175 0.2 0.15 1
Fi 0.175 0.35 0.475 0.65 0.85 1 /

3- La représentation graphique

80

60

40

20

0
15 – 20

20 – 25

25 – 30

30 – 35

35 – 40

40 – 45

Figure 2.2 – L’histogramme des effectifs

4-
-Le mode :
La classe modale est [35 − 40[ (la classe possédant le plus grand effectif ).
La borne inférieure de la classe modale e5 = 35.

47
2.5. SOLUTION DES EXERCICES

L’amplitude de la classe modale est a5 = 5.

∆1 80 − 70
Mo = ei + × ai = 35 + × 5,
∆1 + ∆2 (80 − 70) + (80 − 60)

d’où MO = 36.67.

La médiane : La classe médiane est [30 − 35[, (la classe pour laquelle la fréquence cumulée
400
dépasse pour la 1ère fois 0.5 – l’effectif cumulé dépasse pour la 1ère fois 2
).
On a : e4 = 30 est la borne inférieure de la classe médiane.
a4 = 5 est l’amplitude de la classe médiane.
S = N3 = 190 est l’effectif cumulé de la classe [25 − 30[ .
nme = n4 = 70 est l’effectif de la classe médiane.
n
2
−S 200 − 190
Me = ei + × ai = 30 + × 5 = 30, 71.
nme 70

- Le premier quartile : On a Q1 ∈ [20−25[ (la classe pour laquelle la fréquence cumulée dépasse
pour la 1ère fois 0.25), notée [e2 − e3 [.
n2 = 70 est l’effectif de la classe [20 − 25[.
N1 = 70 est l’effectif cumulé croissant de la classe [15 − 20[.
a2 = 5 est l’amplitude de la classe [20 − 25[.
n
4
− N1 100 − 70
Q1 = e2 + × a2 = 20 + × 5 = 22.14.
n2 70

Le troisième quartile : On a Q3 ∈ [35−40[ (la classe pour laquelle la fréquence cumulée dépasse
pour la 1ère fois 0.75), notée [e5 − e6 [.
n5 = 80 est l’effectif de la classe [35 − 40[.
N4 = 260 est l’effectif cumulé de la classe [30 − 35[.
a5 = 5 est l’amplitude de la classe [35 − 40[.

3×n
4
− N4 300 − 260
Q3 = e5 + × a5 = 35 + × 5 = 37.5
n5 80

- La moyenne arithmétique :

48
2.5. SOLUTION DES EXERCICES

Classe [15-20[ [20-25[ [25-30[ [30-35[ [35-40[ [40-45[ Total

Centre(xi ) 17.5 22.5 27.5 32.5 37.5 42.5 /
ni 70 70 50 70 80 60 400 .
ni xi 1225 1575 1375 2275 3000 2550 12000
ni x2i 21437.5 35437.5 37812.5 73937.5 112500 108375 389500
i=6
1X 12000
x= ni xi = = 30.
n i=1 400

X < Me < Mo , la distribution n’est pas symétrique. Elle présente un étalement vers la gauche.
5-
- L’écart interquartile : EQ = Q3 − Q1 = 37.5 − 22.14 = 15.30.
p
- L’écart type : L’écart-type σ = V (X), où V (X) est la variance de X donnée par

i=6
1X 389500
V (X) = ni x2i − x2 = − 302 = 73.75.
n i=1 400

√
Donc σ = 73.75 = 8.59.
σ 8.59
- Le coefficient de variation : Cv = x
= 30
= 0.286.
6- L’intervalle qui contient 50% de valeurs centrales est l’intervalle interquartile, délimité par
le premier quartile et le troisième quartile : Q3 = 37.5 et Q1 = 22.14.
C’est-à-dire 50% des articles vendus ont un montant compris entre 22.14 et 37.5.

Solution de l’exercice 2.3. .

1) La population étudiée : L’ensemble des voitures.
La variable statistique étudiée : X : La vitesse.
La nature de la variable est quantitative continue.
La taille de l’échantillon est n = 60.
2) L’étendu de la série est donné par e = xmax − xmin = 158 − 88 = 70.
3) Le nombre de classes : on calcule 1 + 3.3log10 (60) = 6.87, donc le nombre de classe est k = 7.
xmax −xmin 70
L’amplitude des classes : a = k
= 7
= 10.
Les classes : [88 − 98[, [98 − 108[, [108 − 118[, [118 − 128[, [128 − 138[, [138 − 148[, [148 − 158].

49
2.5. SOLUTION DES EXERCICES

est dispersée.
11) On a Mo < Me < X. La série n’est pas symétrique.

52
Chapitre 3

Calcul des probabilités

3.1 Introduction
Les probabilités servent à modéliser une expérience aléatoire.
On commence par décrire les différentes issues possibles (éventualités) de cette expérience
aléatoire. Ensuite, l’objectif est d’associer à chacune de ces éventualités un nombre compris
entre 0 et 1 qui mesure la chance qu’elles ont de se réaliser. Ce chapitre est basé sur les
références [1, 5, 8, 12, 13, 10, 7]

3.2 Ensemble fondamental et événement

Le mot ”Aléatoire” vient du latin ”aléa” qui signifie ”les dés”.
Un phénomène aléatoire est un processus lié au hasard.
Expérience aléatoire : On considère qu’une expérience est aléatoire lorsque elle vérifie les

53
3.2. ENSEMBLE FONDAMENTAL ET ÉVÉNEMENT

trois conditions :
• on connaı̂t tous les résultats éventuels de l’expérience ;
• le résultat de l’expérience n’est pas prévisible. En d’autres termes, il est impossible de
déterminer avec certitude à l’avance.
• L’expérience peut être reproduite dans les mêmes conditions.

→ L’ensemble des résultats possibles d’une expérience aléatoire est dit ensemble fondamen-
tal (ou univers de l’expérience aléatoire). On le note Ω.
La notion de probabilité est utilisée pour évaluer les chances qu’un événement se produise. La
représentation précise de l’ensemble fondamental Ω est indispensable pour cette quantification.

Définition 3.1. .
- Un événement élémentaire est un singleton {ω} ⊂ Ω.
- Un événement aléatoire (ou un événement) A est un sous ensemble de Ω : A ⊂ Ω
(A ∈ P(Ω). Où P(Ω) est l’ensemble des parties de Ω.

Exemple 3.1. On lance un dé cubique équilibré, à six faces numérotées de 1 à 6, et on note
le résultat obtenu.
C’est une expérience aléatoire à six issues :
- Il y a six résultats possibles : Ω = {1, 2, 3, 4, 5, 6} ;
- On ne peut pas prévoir le résultat de cette expérience ;
- et on peut refaire l’expérience plusieurs fois.
Un exemple d’un événement élémentaire est : ”on obtient le nombre 6”.

Exemple 3.2. On lance une pièce de monnaie et on regarde la face supérieure. Il ya deux
résultats possibles : Pile (P) et Face (F).
C’est une expérience aléatoire, on a Ω = {P, F }.

Exemple 3.3. On observe la durée de vie d’une lampe.

C’est une expérience aléatoire. On a Ω = [0, +∞[.

Définition 3.2. .
• A = ∅ est dit événement impossible : c’est un événement qui ne peut pas se réaliser.
• A = Ω est dit événement certain.
• Soit A un événement. Soit ω le résultat de l’expérience. On dit que A se réalise ⇐⇒ ω ∈ A.

Exemple 3.4. On reprend l’Exemple 3.1, on a

- Un événement impossible : ” on tire le nombre 15”.
- Un événement certain : ”on tire un nombre entier positif”.

54
 3.2. ENSEMBLE FONDAMENTAL ET ÉVÉNEMENT

Un événement est un élément de P(Ω) (l’ensemble des partie de Ω), qui suit la théorie des
ensembles. Un lexique spécifique aux événements est présent, distinct du lexique de la théorie
des ensembles. Ci-dessus un tableau de correspondance entre les deux vocabulaires.

Notation Vocabulaire théorie des ensembles Vocabulaire probabiliste

Ω ensemble fondamenta événement certain
∅ ensemble vide événement impossible
ω élément de Ω est dit événement élémentaire
A sous-ensemble de Ω événement
ω∈A ω appartient à A ω réalise l’événement A
A⊂ B A inclus dans B L’événement A implique l’évènemet B
A∪B réunion de A et B Un au moins des deux événements est réalisé (A ou B)
A∩B intersection de A et B Les deux événement A et B sont tréalisés (A et B)
A ou Ac Complémentaire de A dans Ω événement contraire de A
A∪B =∅ Aet B disjoints A et B incompatibles

Remarque 3.1. Les opérations logiques relatives aux événements comme ”ou”, ”et”, la ”négation”
se manifestent par des opérations ensemblistes comme suit : La réunion, l’intersection et
la complémentare sont respectivement utilisées.
• A ∪ B se réalise ssi A se réalise ou B se réalise : A ou B.
• A ∩ B se réalise ssi A se réalise et B se réalise : A et B.
• A se réalise ⇐⇒ A ne se réalise pas.
Les propriétés de ces opérations telles que la commutativité, l’associativité et la distributi-
vité, telles qu’elles sont vues en théorie des ensembles, demeurent valides pour les événements
aléatoires.

Le couple (Ω, P(Ω)) est dit un espace probabilisable. Mais, même si Ω est fini, le nombre
d’éléments de P(Ω) est 2card(Ω) peut être un nombre très élevé. Il vaut mieux dans ce cas de ne
considérer qu’une famille restreinte A de parties de Ω (A ⊂ P(Ω)).
Afin que les résultats des opérations telles que intersection,réunion, complémentaire, restent
des événements, cette famille d’événements doit vérifier les conditions suivantes.

Propriétés 3.1. .

1. Ω ∈ A ;
2. ∀A ∈ A, A ∈ A;
3. si (An )n≥1 est une famille dénombrable d’éléments de A alors, An ∈ A.
S
n≥1

55
 3.3. ESPACE DE PROBABILITÉS (LE MODÈLE PROBABILISTE DE KOLMOGOROV)

→ A est dite alors tribu ou σ-algèbre sur Ω .

→ Le couple (Ω, A) est appelé espace probabilisable.

Exemple 3.5. ∀ Ω non vide, on a {∅, Ω} et P(Ω) sont des tribus sur Ω.

3.3 Espace de probabilités (Le modèle probabiliste de

Kolmogorov)
Définition 3.3. Soient Ω un ensemble fondamental non vide et A une tribu sur Ω. On appelle
une mesure de probabilité p définie sur (Ω, A) une application :

p : A → [0; 1]
A 7→ p(A)

telle que
1. 0 ≤ p(A) ≤ 1, ∀A ∈ A
2. p(Ω) = 1.
3. Pour toute suite (An )n≥1 d’événements incompatibles (An ∩ Am = ∅, n 6= m), on a

∞
[ ∞
X
p( An ) = p(An )(propriété de σ−additivité).
n=1 n=1

→ Le triplet (Ω, A, p) est dit espace probabilisé ou espace de probabilités.

Remarque 3.2. Dans le cas d’un ensemble Ω fini, l’axiome 3 de cette définition est substitué
par
pour toute famille {A1 , · · · , An } d’événements incompatibles (An ∩ Am = ∅, n 6= m), on a

i=n
[ i=n
X
p( Ai ) = p(Ai ) (axiome d’additivité).
i=1 i=1

Remarque 3.3. La probabilité d’un événement E désigne la la chance que l’événement E se

réalise.

Proposition 3.1. On considère deux événements A et B.

1. p(A) = 1 − p(A) , (car ∀A ∈ A, A ∪ A = Ω, on a p(Ω) = p(A) + p(A) = 1)
2. p(∅) = 1 − p(Ω) = 0

56
 3.3. ESPACE DE PROBABILITÉS (LE MODÈLE PROBABILISTE DE KOLMOGOROV)

3. ∀A, B ∈ A, A ⊂ B, on a p(A) ≤ p(B) (Inégalité de Boole).

4. ∀A, B ∈ A, on a p(A ∪ B) = p(A) + p(B) − p(A ∩ B)
5. ∀A, B ∈ A, on a p(A \ B) = p(A) − P (A ∩ B) .

Remarque 3.4. . Soit E un événement.

1) E est dit un événement certain si et seulement si p(E) = 1.
2) E est dit un événement impossible si et seulement si p(E) = 0.

3.3.1 Cas où Ω est fini

Soit Ω un ensemble fini. Si Ω = {ω1 , ω2 , · · · , ωn }, on note pi = p({ωi }), i = 1, · · · n, la
probabilité de réalisation de ωi . On a

i=n
X
0 ≤ pi ≤ 1 et pi = 1.
i=1

(Ω, P(Ω), p) est un espace probabilisé.

X
On considère un événement A (A ⊂ Ω), on a p(A) = pi . Ceci indique que la proba-
ωi ∈A
bilité d’un événement A est déterminée en sommant les probabilités de tous les événements
élémentaires qu’il contient. Par exemple A = {ω1 , ω3 }, on a p(A) = p1 + p3 .

L’hypothèse d’équiprobabilité : (La probabilité uniforme)

Dans certaines expériences aléatoire, telle que le jet d’un dé équilibré, les événements élémentaires
possède la même probabilité de réalisation. Dans ces situations, on affirme que les événements
élémentaires sont équiprobables.
Dans cette situation, notons p la probabilité de chaque événement élémentaire. Ce qui donne
p1 = p2 = · · · = pn = n1 =p, et par conséquent, la probabilité d’un événement A est définie par

card(A) |A| nombre de cas favorables

p(A) = = =
card(Ω) |Ω| nombre de cas possibles

. Cette probabilité est dite probabilité uniforme sur (Ω, P(Ω)).

Un cas favorable à un événement E est un événement élémentaire qui réalise E.

Il est important de noter que cette formule est valide uniquement lorsque les événements
élémentaires sont équiprobable. Dans cette situation, on calcule les probabilités en calculant le

57
3.4. PROBABILITÉ CONDITIONNELLE ET INDÉPENDANCE

cardinal des ensembles en question.

Notation. On note le cardinal d’un ensemble E par card(E) = |E|.

Exemple 3.6. On lance un dé cubique équilibré à six faces numérotées de 1 à 6, et on note le
résultat obtenu.
Il y a six résultats possibles : Ω = {1, 2, 3, 4, 5, 6}. Le dé est non truqué (bien équilibré),
donc on a l’équiprobabilité.
La mesure de probabilité p est définie par

ωi 1 2 3 4 5 6
pi = p({wi }) 1/6 1/6 1/6 1/6 1/6 1/6

Soit P(Ω) l’ensemble des parties de Ω, on obtient l’espace probabilisé (Ω, P(ω), p).
|A| 2
- Soit A = {1, 6}, p(A) = |Ω|
= 6
= 13 .
|A| |{2,4,6}| 3
- Soit A l’événement : ”obtenir une face paire”. On a p(A) = |Ω|
= |Ω|
= 6
= 12 .

Remarque 3.5. Exprimer une expérience aléatoire sous forme d’un modèle probabiliste im-
plique
- La définition de l’ensemble fondamental Ω ;
- la définition de la tribu A ;
- la définition d’une mesure de probabilité sur Ω.
Le choix du modèle lié à une expérience aléatoire doit être fait d’une manière aussi simple que
possible, tout en prenant en considération la nature du problème à résoudre.

3.4 Probabilité conditionnelle et indépendance

3.4.1 Probabilité conditionnelle

On considère un espace probabilisé (Ω, A, p) et un événement B tel que p(B) 6= 0.
Il arrive parfois que la probabilité d’un événement A soit déterminée en tenant compte du fait
que l’événement B a déjà eu lieu.
L’ensemble des résultas possibles est donné par B. Ainsi, la réalisation de l’événement B en-
traı̂ne une modification de la probabilité de réalisation d’un événement élémentaire.

Exemple 3.7. On lance 2 fois de suite une pièce de monnaie bien équilibrée.
On considère les événements :

58
3.4. PROBABILITÉ CONDITIONNELLE ET INDÉPENDANCE

E1 : ”Le premier lancer donne pile” ;

E2 : ”Les deux lancers donnent pile”.
Calculer la probabilité d’avoir 2 piles en tenant compte du résultat du 1er lancer qui a donné
pile ?

Définition 3.4. Soit (Ω, A, p) un espace probabilisé. Soit B un événement tel que p(B) > 0.
La probabilité conditionnelle d’un événement A sachant que B s’est produit, est définie par

p(A ∩ B)
p(A/B) = .
p(B)

Remarque 3.6. .
- On note pB (A) et on lit la probabilité de A sachant B.
- Si B = ∅, pB (.) n’est pas définie.
- Il ya uniquement les événements qui ont une partie commune avec B qui peuvent se produire.
- La probabilité conditionnelle pB constitue une nouvelle mesure de probabilité sur l’espace
probabilisable (Ω, A). Elle regroupe toutes les caractéristiques d’une probabilité. Ainsi, on dispose
des caractéristiques suivantes :
(1) Pour deux événements E1 et E2 , nous avons p(E1 ∪ E2 /B) = p(E1 /B) + p(E2 /B), si
E1 ∩ E2 = ∅.
(2) p(E/B) = 1 − p(E/B), pour un événement E.

Exemple 3.8. On lance un dé cubique à six faces numérotées de 1 à 6.

Ω = {1, 2, 3, 4, 5, 6}.
A = P(Ω) ensemble des parties de Ω.
On définit la mesure de probabilité p par

ωi 1 2 3 4 5 6
pi = p({wi }) 1/4 1/4 1/8 1/8 1/8 1/8

On considère l’événement B : ”un résultat paire”. B = {2, 4, 6}.

1
On a p(B) = 4
+ 18 + 1
8
= 4
8
= 12 .
Si on considère l’événement A : ”le résultat < 5.
1
p(A∩B) p({2, 4}) + 18
On a A = {1, 2, 3, 4}, alors p(A/B) = p(B)
= 1 = 4
1 = 34 .
2 2

Propriétés 3.2. (Formule des Probabilités composées)

Soient A et B deux événements de Ω tels que 0 < p(A), p(B), donc

p(A ∩ B) = p(B/A) × p(A) = p(A/B) × p(B).

59
3.4. PROBABILITÉ CONDITIONNELLE ET INDÉPENDANCE

On peut généraliser cette formule à l’intersection de n événements de la manière suivante :

i=n
B1 , B2 , · · · , Bn , n ≥ 2, tels que 0 < p(∩i=1 Bi ), on a

p(B1 ∩ B2 ∩ · · · ∩ Bn ) = p(B1 ) × p(B2 /B1 ) × p(B3 /B1 ∩ B2 ) × · · · × p(Bn /B1 ∩ · · · ∩ Bn−1 ).

Exemple 3.9. Supposons qu’il y ait deux urnes U1 et U2 , contenant chacune 3 boules noires et
5 boules blanches. Une boule est extraite de la première urne U1 , on enregistre sa couleur et on
la remet dans l’urne U2 . Par la suite, une boule est extraite de la deuxième urne U2 . Calculer
la probabilité d’obtenir deux fois une boule noire ?
Réponse : Notons
N1 : ”La boule tirée de U1 est noire”.
N2 :” La boule tirée de U2 est noire”.
Il est clair qu’on cherche à calculer p(N1 ∩ N2 ).
3
On a p(N1 ) = 8
et p(N2 /N1 ) = 49 . Puisque le premier tirage a donné une boule noire, il y a
maintenant 4 boules noires dans l’urne U2 . Par conséquent,

3 4 1
p(N1 ∩ N2 ) = p(N1 )p(N2 /N1 ) = . = .
8 9 6

3.4.2 Formule des probabilités totales

Il arrive parfois que la probabilité p(A) ne puisse pas être évaluée directement, alors qu’on
peut calculer p(A/Bi ) et p(Bi ) pour i = 1, 2, · · · , n. pour i = 1, 2, · · · , n. Où {B1 , B2 , · · · , Bn }
est une partition de Ω.
Dans la proposition ci-dessous, on donne la réponse à la question : Comment calculer p(A) et
p(Bi /A) ?

Proposition 3.2. (Formule des probabilités Totales : un cas particulier)

On considère un espace de probabilité (Ω, A, p). Soit B un événement tel que 0 < p(B) < 1.
Pour tout événement A, on a

p(A) = p(A|B) × p(B) + p(A|B) × p(B).

Proposition 3.3. (Formule des probabilités totales : la généralisation)

Soit (Ω, A, p) un espace de probabilité. Soit {B1 , B2 , · · · , Bn } une partition deΩ, telle que

60
3.4. PROBABILITÉ CONDITIONNELLE ET INDÉPENDANCE

p(Bi ) > 0, pour tout i = 1, · · · , n. Alors, pour tout événement A, on a

i=n
X
p(A) = p(A/Bi ) × p(Bi ).
i=1

i=n
[ i=n
[
Démonstration. Comme A = A ∩ Ω = A ∩ ( Bi ) = (A ∩ Bi ), on déduit que
i=1 i=1

i=n
[ i=n
X
p(A) = p( (A ∩ Bi )) = p(A/Bi ) × p(Bi ).
i=1 i=1

On rappelle la définition d’une partition de Ω (voir cours d’Algèbre L1).

Définition 3.5. Une famille d’événements (Bi )i∈I est dite une partition (un système complet
d’événements) de l’ensemble Ω si les deux conditions suivantes sont satisfaites :
(i) ∪i∈I Bi = Ω ;
(ii) pour tous i 6= j, Bi ∩ Bj = ∅ ( les événements Bi sont deux à deux incompatibles).

Exemple 3.10. (Un exemple dit Le problème du tricheur)

Dans une population, on admet qu’il y a la proportion p ∈]0, 1[1 de tricheurs. On choisit une
individu au hasard dans cette population. Il extrait une carte d’un jeu de 52 cartes. Lorsqu’un
individu est un tricheur, il est certain qu’il va tirer un as. Calculer la probabilité que cet individu
tire un as ?
Réponse :
On considère les événements :
T : ”L’individu choisi est un tricheur” ; A : ”L’individu tire un as”.
On a {T, T} est un système complet d’événement, T ∪ T = Ω et T ∩ T = ∅. En utilisant la
formule des probabilités totales, on calcule

4 1 + 12p
p(A) = p(T)p(A/T) + p(T)p(A/T) = p × 1 + (1 − p) × = .
52 13

3.4.3 Formule de Bayes

Proposition 3.4. (Formule de Bayes)
Soit (Ω, A, p) un espace de probabilité. Soit {B1 , B2 , , · · · , Bn } ⊂ A est une partition de Ω,
vérifiant p(Bi ) > 0, pour tout i = 1, · · · , n. Alors pour tout événement A ∈ A tel que p(A) > 0,

61
3.4. PROBABILITÉ CONDITIONNELLE ET INDÉPENDANCE

on a
p(A/Bj ) × p(Bj )
p(Bj /A) = i=n
, ∀j = 1, · · · , n.
X
p(A/Bi ) × p(Bi )
i=1

Pour deux événements A et B de probabilités non nulles, on a

p(A/B) × p(B)
p(B/A) = .
p(A/B) × p(B) + p(A/B) × p(B)

(Motivation : on s’intéresse à calculer la probabilité de B sachant A en utilisant la probabilité

de A sachant B).

Démonstration. D’après la définition de la probabilité conditionnelle, on écrit

p(Bj ∩ A) p(A/Bj ) × p(Bj )

p(Bj /A) = = .
p(A) p(A)

On utilise la formule des probabilités totales pour p(A) pour obtenir le résultat recherché.

3.4.4 Indépendance stochastique

Soit (Ω, A, p) un espace de probabilité. Soient A et B deux événements tels que p(B) > 0.
Affirmer que la réalisation de B n’affecte pas la réalisation de A s’exprime par p(A/B) = p(A).

Définition 3.6. Soient A et B deux événements d’un espace de probabilisé (Ω, A, p), de probabi-
lités non nulles (0 < p(A), p(B) ≤ 1). On dit que A et B sont (stochastiquement) indépendants
si et seulement si
p(A/B) = p(A) ou p(B/A) = p(B)

Exemple 3.11. On considère un jeu de 32 cartes. On tire sans remise deux cartes.
A : ”La carte tirée au premier tirage est un roi”
et B : ”La carte tirée au deuxième tirage est un roi”
Si le tirage est sans remise, ces deux événements ne sont pas indépendants.
Dans un tirage avec remise, les événements A et B sont indépendants.

Proposition 3.5. (Caractérisation de deux événements indépendants)

Deux événements A, B ∈ A d’un espace probabilisé (Ω, A, p). Ils sont dits indépendants si et
seulement si
p(A ∩ B) = p(A) × p(B).

62
3.4. PROBABILITÉ CONDITIONNELLE ET INDÉPENDANCE

Exemple 3.12. On considère un jeu de 32 cartes. On tire une carte au hasard. Soient les
événements :
F : ”obtenir une figure”.
C : ”obtenir un coeur”.
L’événement F ∩ C : ”obtenir une dame de coeur ou un valet de coeur ou un roi de coeur”.
12 3 8
Et on a p(F ∩ C) = 3/32 ; p(F ) = 32
= 8
et p(C) = 32
= 14 .
On a l’égalité des probabilités : p(F ∩ C) = p(F ) × p(C) ce qui montre que les événements F
et C sont indépendants.

Théorème 1. Soient (Ω, A, p) un espace de probabilité et A et B deux événements. Si A et B

sont indépendants, alors 1) A et B sont indépendants, 2) A et B sont indépendants et 3) les
événements A et B sont indépendants.

Démonstration. Soient A et B deux événements indépendants, on a

A = (A ∪ B) ∪ (A ∩ B), avec (A ∪ ∩B) ∪ (A ∩ B) = ∅, donc
p(A) = P ((A ∩ B)) + P ((A ∩ B))
Or A et B sont indépendants, p(A) = p(A) × p(B) + p((A ∩ B))
p(A ∩ B) = p(A) − p(A) × p(B) = p(A)(1 − p(B)) = p(A)p(B).
Ce qui prouve que A et B sont indépendants.
En appliquant ce résultat aux événements B et A, on trouve que A et B sont indépendants.
On fait le même raisonnement pour A et B.

Définition 3.7. Soit (Ω, A, p) un espace de probabilité. Si on considère n événements Ai , n > 2,

on a les définitions
- on dit que A1 , A2 , · · · , An sont indépendants deux à deux si

p(Ai ∩ Aj ) = p(Ai ) × p(Aj ), 1 ≤ i 6= j ≤ n.

- On dit que A1 , A2 , · · · , An ∈ A sont mutuellement indépendants si pour toute partie I de

l’ensemble {1, 2, . . . , n} on a
\ Y
p( Ai ) = p(Ai ).
i∈I i∈I

Exemple 3.13. Dans le cas de 3 événements A,B et C, ils sont :

- mutuellement indépendants si :
p(A ∩ B) = p(A)p(B), p(A ∩ C) = p(A)p(C), p(B ∩ C) = p(B)p(C) et p(A ∩ B ∩ C) =
p(A)p(B)p(C) ;

63
3.5. COMPLÉMENT DU COURS : ELÉMENTS D’ANALYSE COMBINATOIRE

- indépendants deux à deux si :

p(A ∩ B) = p(A)p(B), p(A ∩ C) = p(A)p(C), p(B ∩ C) = p(B)p(C).

3.5 Complément du cours : Eléments d’Analyse combi-

natoire
L’analyse combinatoire est la discipline des mathématiques qui étudie les différentes manières
de disposer des objets. Il s’agit d’un ensemble de méthodes et techniques pour évaluer le nombre
de dispositions qu’on peut former à l’aide des éléments d’un ensemble fini.
Ces méthodes et techniques sont utilisées afin de calculer le nombre de toutes les réalisations
possibles d’une expérience aléatoire. Ce qui fait que cette branche est indispensable dans le
calcul des probabilités.

3.5.1 Les outils

Les tableaux, les listes et les arbres de classement.

Les tableaux :
Question : On lance successivement deux dés à 3 faces, numérotées de 1 à 3. Combien y a-t-il
d’issues (résultats possibles) ?
1 2 3
1 (1,1) (1,2) (1,3)
2 (2,1) (2,2) (2,3)
3 (3,1) (3,2) (3,3)

Réponse : Il y a 3 × 3 = 9 résultats possibles.

Dans un tableau il n’est pas possible de mettre plus de deux paramètres.

Les listes :
Question : Combien de mots peut on former avec les lettres H, E,L, et D (sans répétition) ?

64
3.5. COMPLÉMENT DU COURS : ELÉMENTS D’ANALYSE COMBINATOIRE

HEDL HELD LHDE DLEH

HEDL EHLD LHED DELH
ELHD HLED LDEH DHEL
HLDE LDHE ELDH DHLE
HDEL EDHL DLHE LEDH
HDLE EDLH LEHD DEHL

Réponse : On peut former 24 mots différents avec les lettres H , E, L et D.

On note que la liste est très longue et on peut oublier des éléments ou de les représenter plu-
sieurs fois.

L’arbre de classement :

Définition 3.8. Un arbre de classement est un schéma qui sert à dénombrer tous les résultats
possibles d’une expérience aléatoire.

Question : Combien de mots peut on former avec les lettres M,I et N (sans répétition) ?

M I N

I N M N I M

N I N M M I
Réponse : Le nombre de mots qu on peut écrire avec les lettres M, I et N est : 6.

3.5.2 Principes de base

Le Principe de multiplication : On considère une expérience qui se décompose en m
sous expériences. Si la ième expérience a ni résultats possibles pour i = 1, 2, · · · , m. Le nombre
total de résultats possibles de cette expérience est :

i=m
Y
ni = n1 × n2 × · · · × nm .
i=1

Exemple 3.14. Question : On veut calculer le nombre de manières possibles de choisir un code
de 8 chiffres. La question : Combien de possibilités de choisir un code de 8 chiffres ?

65
3.5. COMPLÉMENT DU COURS : ELÉMENTS D’ANALYSE COMBINATOIRE

Réponse :
Il y a n1 = 10 manières distinctes de choisir le premier chiffre.
Il y a n2 = 10 manières distinctes de choisir le deuxième chiffre.
Il y a n3 = 10 manières distinctes de choisir le troisième chiffre.
Ainsi de suite, il y a n8 = 10 manières distinctes de choisir le 8 ème chiffre.
Ce qui donne le nombre total
i=8
Y
ni = 108 .
i=1

de manières différentes de constituer un code.

Le Principe d’addition
Ce principe se résume comme suit. Dans une expérience, la première opération, notée o1 , peut
être réalisée de n1 manières différentes. La deuxième opération, notée o2 , peut être réalisée de
n2 manières différentes,..., et l’opération om peut être réalisée de nm manières différentes.
On obtient le nombre de façons différentes d’effectuer une de ces opérations est

n1 + n2 + ... + nm .

Exemple 3.15. .
Question On s’intéresse au calcule du nombre de menus différents que nous avons avec le choix
entre quatre restaurants, le premier possède 13 menus, le second possède 23 menus, le troisième
possède 18 menus, et le quatrième possède 32 menus.
Réponse : On peut manger soit au premier restaurant, soit au deuxième, soit au troisième, soit
au quatrième.
Le nombre de choix possibles de menus est donc 13 + 23 + 18 + 32 = 86.

3.5.3 Eléments discernables et éléments indiscernables

Soient e1 , e2 , · · · , en les n éléments de l’ensemble Ω, on a card(Ω) = n.
On dit que les objets ei et ej sont indiscernables s’ils sont équivalents.
On dit que les éléments ei et ej sont discernables, si ils sont distincts (différents).

Exemple 3.16. Les éléments de Ω peuvent être

1) discernables 2 à 2, {1, 2, 4, b, c, d, e, f, g, h, k} ;
2) tous indiscernables {1, 1, 1, 1, 1, 1, 1, 1, 1} ;
3) discernables ou indiscernables {1, 1, 3, a, a, b, b, c, b, g, hd, c, a}.

66
3.5. COMPLÉMENT DU COURS : ELÉMENTS D’ANALYSE COMBINATOIRE

3.5.4 Les différentes dispositions

Soit Ω un ensemble fondamental contenant n éléments. On extrait au hasard k éléments de
Ω. On obtient un échantillon de taille k qu’on appellera ”une disposition”. On s’intéresse au
calcul du nombre de manières différentes d’obtenir cette disposition.
Pour obtenir ce nombre, il est nécessaire de spécifier les éléments suivants :
Chaque élément d’une disposition est caractérisé par :
• le nombre d’occurrences d’un élément dans la disposition. Il est possible d’effectuer une
disposition avec ou sans répétition en prenant en considération le fait qu’un élément peut être
utilisé à plusieurs fois ou une seule fois.
• la place d’un élément dans la disposition. Si la place d’un élément dans une disposition est
importante, on qualifie cette disposition d’ordonnée. Sinon, elle est non ordonnée.

Définition 3.9. (Définitions)

1) Une disposition sans répétition est une disposition où chaque élément peut se présenter soit
une fois, soit jamais (1 fois ou 0 fois).
2) Dans une Disposition avec répétition , chaque élément peut apparaı̂tre plus d’une fois.
3) Une disposition ordonnée est une disposition où l’ordre d’obtention d’un élément est signifi-
catif. Par exemple dans les situations telles que la composition des chiffres formant un numéro
de téléphone ou un code.
4) Une disposition non ordonnée est une disposition où l’ordre d’obtention d’un élément n’est
pas important. On ne tient pas compte de l’ordre dans la formation de la disposition.

3.5.5 Les arrangements

Soit Ω un ensemble fondamental contenant n éléments. On constitue un échantillon de taille
k pris parmi les éléments de Ω.

Définition 3.10. On appelle arrangement de k éléments parmi n (0 ≤ k ≤ n) toute disposition

ordonnée de k éléments pris parmi les n éléments.
Attention On tient compte de l’ordre des éléments.

Définition 3.11. (Arrangement avec répétition)

Si dans un arrangement un élément peut ête observé plusieurs fois, l’arrangement est appelé
arrangement avec répétition de k éléments pris parmi n éléments.
Le nombre d’arrangement avec répétition de k éléments pris parmi n est

Akn = nk .

67
3.5. COMPLÉMENT DU COURS : ELÉMENTS D’ANALYSE COMBINATOIRE

Remarque 3.7. Dans le cas d’un arrangement avec répétition, les k éléments de la disposition
ne sont pas nécessairement tous discernables. Ce qui correspond à un tirage avec remise ou
l’ordre est important.

Exemple 3.17. .
• Question 1 : Combien de mots de 7 lettres peut on constituer avec un alphabet à 26 lettres ?
Réponse : 26 × 26 × 26 × 26 × 26 × 26 × 26 = 267 .
• Question 2 : On jette deux fois de suite un dé à 12 faces. Quel est le nombre résultats possibles
en tenant compte de l’ordre ?
Réponse : 12 × 12 = 122 = 144.

Définition 3.12. (Un arrangement sans répétition).

Un arrangement est dit sans répétition si chaque élément n’est observé qu’une seule fois
dans l’arrangement.
Le nombre d’arrangements sans répétition de k élément pris parmi n est

n!
Akn = .
(n − k)!

Remarque 3.8. Dans un arrangement sans répétition, les k objets de la disposition sont tous
discernables. Dans ce cas, on dit que le tirage est sans remise et avec ordre.
On a 0 ≤ p ≤ n et n ∈ N ∗

Exemple 3.18. .
Question : De combien de façons peut on disposer 4 personnes dans un salon de 15 places ?
15!
Réponse : (15−4)!
=.

3.5.6 Permutations
Soit Ω un ensemble fondamental contenant n éléments. On extrait un échantillon de taille
n parmi les éléments de Ω.

Définition 3.13. (Permutation sans répétition)

On appelle permutation sans répétition de n éléments discernables, un arrangement de n éléments
choisis parmi n éléments.
Le nombre de permutations de n éléments discernables est

Pn = n!.

Exemple 3.19. .
Question 1 : De combien de manière peut on disposer 10 étudiants dans une salle de 10 places ?

68
3.5. COMPLÉMENT DU COURS : ELÉMENTS D’ANALYSE COMBINATOIRE

Réponse : 10!.
Question 2 : De combien de manières différentes peut on placer 4 personnes l’une à côté de
l’autre ?
Réponse : Il y a 4 choix pour la 1ère place, 3 choix pour la 2ème place, puis 2 choix, et 1 choix.
Par conséquent, il y a 4 × 3 × 2 × 1 = 24 manières différentes de placer ces 4 personnes.

Définition 3.14. (Permutation de n objets, dont k seulement sont distincts (discernables))

C’est une disposition ordonnée de n éléments choisis dans k classes d’éléments distinctes. On
note le nombre d’éléments dans la classe i par ni , 1 ≤ i ≤ k, avec n1 + n2 + · · · + nk = n.
Le nombre de permutation avec répétition est

n!
Pn (n1 , n2 , · · · , nk ) = .
n1 ! × n2 ! × · · · × nk !

Exemple 3.20. .
Question : Quel est le nombre de mots différents qu’on peut former avec les lettres du mot
”STATISTIQUES” ?
Réponse : Il y a n = 12 lettres et 7 groupes distincts k = 7 : n1 = 3 (trois S), n2 = 3 (trois T),
n3 = 2 (deux I), n4 = 1 (un E), n5 = 1 (un A), n6 = 1 (un U), n7 = 1 (un Q). On obtient le
nombre de mots distincts qui est égal au nombre de permutations avec répétition :

12!
.
3!3!2!1!1!1!1!

3.5.7 Combinaisons
Soit Ω un ensemble fondamental contenant n éléments. On forme un échantillon de taille k
pris parmi les n éléments de Ω.

Définition 3.15. (Combinaison sans répétition (sans remise-simultanément)).

Une combinaison sans répétition de k éléments parmi n (1 ≤ k ≤ n) est une disposition non
ordonnée et sans répétition, de k éléments choisis parmi n éléments discernables. Le tirage des
k éléments est fait simultanément, donc sans remise. La notion d’ordre n’a ps d’importance et
une combinaison sans répétition est un ensemble de k éléments discernables.
Le nombre de combinaisons sans répétition de k éléments choisi parmi n est donné par

Akn n!
Cnk = = .
k! k!(n − k)!

Remarque 3.9. .
- Une combinaison sans répétition correspond à un tirage sans remise et sans tenir compte de
l’ordre.

69
3.5. COMPLÉMENT DU COURS : ELÉMENTS D’ANALYSE COMBINATOIRE

- Le nombre de combinaisons sans répétition de k éléments pris parmi n est égale au nombre
de combinaisons sans répétition de n − k éléments pris parmi n.

Exemple 3.21. .
• Question 1 : De combien de façons peut-on choisir un groupe de 35 étudiants parmi un groupe
de 120 étudiants ?
35 120!
Réponse : C120 = 35!(120−35)!
.
• Question 2 : A un examen, un candidat doit répondre à 3 questions sur 5. Calculer le nombre
de choix possibles pour le candidat ?
5!
Réponse : C53 = 2!(5−3)!
.
• Question 3 : A un examen, on considère qu’un étudiant doit répondre à 3 questions sur 5.
Sous l’hypothèse que la première question est imposée, calculer le nombre de choix possibles
pour le candidat ?
Réponse : C42 . Car le candidat est obligé de répondre à la première question. Parmi les 4
question, il ne lui reste que 2 questions à choisir.

Définition 3.16. (Combinaison avec répétition (avec remise)).

Une combinaison avec répétition dek éléments parmi n est une disposition, non ordonnée, de
k éléments choisis parmi n éléments distincts et qui peuvent se répéter.
Le nombre de combinaisons avec répétition de k éléments parmi n est

(k + n − 1)!
Knk = C(n+k−1)
k
= .
k!(n − 1)!

Remarque 3.10. Une combinaison avec répétitions correspond au cas d’un tirage sans ordre
et avec remise.

70
3.6. EXERCICES

3.6 Exercices

3.6.1 Exercices sur l’analyse combinatoire (Série 3)

Exercice 3.1. .
Un numéro de téléphone commence par le chiffre 0 suivi de 8 chiffres.
1- Combien de numéro de téléphone peut on former ?
2- Combien de ces numéros de téléphone ne comportant pas le chiffre 2 ?
3- Combien de numéros de téléphone qui se terminent par 23 ?

Exercice 3.2. .
1- De combien de façons peut on aligner 5 livres de statistique, 2 livres d’algèbre et 4 livres
d’analyse sur une étagère ?
2- De combien de façons différentes peut-on placer l’une à côté de l’autre, 10 boules marrons,
3 vertes, 5 blanches et 2 bleues ?

Exercice 3.3. .
1)Combien de nombres de 4 chiffres différents peut on former à l’aide des chiffres {2, 3, 4, 5, 6, 7} ?
2) Combien de ces nombres sont multiples de 5 ?
3) Combien de ces nombres sont plus petit que 5000 ?

Exercice 3.4. .
Combien de mots de 11 lettres peut-on former avec les 26 lettres de l’alphabet si
a) on utilise chaque lettre une seule fois ?
b) on peut réutiliser les lettres ?

Exercice 3.5. .
De combien de façons différentes peut-on répartir 5 hommes et leurs femmes sur une rangée
de 10 chaises dans les cas suivants :
a) Sans aucune condition
b) Si chaque homme doit être assis à coté de sa femme ?

Exercice 3.6. .
Cinq garçons et quatre filles s’assoient sur un banc.
1. Quel est le nombre de dispositions possibles ?
2. Donner le nombre de dispositions possibles si les garçons sont d’un côté et les filles de l’autre.

71
3.6. EXERCICES

3. Donner le nombre de dispositions possibles si chaque fille est intercalée entre deux garçons.
4. Traiter les mêmes questions s’ils s’assoient autour d’une table ronde.

Exercice 3.7. On forme un groupe de 7 personnes choisies parmi 31 étudiantes et 27 étudiants.

1) Quel est le nombre de façons de constituer ce groupe ?
2) Quel est le nombre de façons de constituer ce groupe avec uniquement des étudiantes ?
3)Quel est le nombre de façons de constituer ce groupe avec uniquement des personnes du même
sexe.
4) Quel est le nombre de façons de constituer ce groupe avec au moins un étudiant et au moins
une étudiante.

Exercice 3.8. .
k−1
k
Montrer la formule du triangle de Pascal : n ≥ k, Cnk = Cn−1 + Cn−1 .

72
3.6. EXERCICES

3.6.2 Corrigés des exercices

Solution de l’exercice 3.1. 1) C’est le nombre d’arrangements avec répétition : A810 = 108 .
2) A89 = 98 .
3) A610 = 106 .

Solution de l’exercice 3.2. .

1-Le nombre de façons différentes d’aligner ces 11 livres est le nombre de permutations sans
répétition : P11 = 11!.
2- Le nombre de façons différentes de placer ces 20 boules est le nombre de permutation avec
20!
répétition : P20 (10, 3, 5, 2) = 10!×3!×5!×2!
.

Solution de l’exercice 3.3. .

6!
1)C’est le nombre d Arrangements sans répétition : A46 = 2!
5!
2) A35 = 2!
3! 5!
3) A3 × A35
1
= 2!
× 2! . On peut choisir le premier chiffre à gauche de A13 façons différentes et les
trois autres chiffres sont pris parmi les 5 restant.

Solution de l’exercice 3.4. .

a) C’est le nombre possible d’arrangements sans répétition que l’on peut faire avec un échantillon
de 11 éléments parmi 26 : A11
26 = 26!/15!.
b) A chaque position (1 à 11), on peut mettre 26 lettres différentes donc le nombre sera : le
nombre d’arrangements avec répétition : A2 611 = 2611 .

Solution de l’exercice 3.5. .

a) Aucune condition : 10!
b) 5!2!2!2!2!2!. Un couple est considéré comme une seule personne.

Solution de l’exercice 3.6. .

1) (5 + 4) = 9!
2) (5!4!) × 2
3) 5! × 4! ( GFGFGFGFG)
Si la table est ronde on a toutes les place sont identiques :
1) Une personne est fixée et on place les autres : C’est le nombre de permutations sans répétition
(9 − 1)!
2) 5!4!
3) Une fille intercalée entre deux garçons ça donne (GFGFGFGFG). C’est à dire deux garcons
sont cote à cote. On les considère comme une seule personne. On obtient en permutant les

73
3.6. EXERCICES

garçons entre eux (4!), en permutant les filles entre elle (4!), et en permutant les deux garçons
4!4!2!
entre eux : 4!4!2!. Comme c’est une table ronde, la réponse est : 8

Solution de l’exercice 3.7. .

7
1) C31+27 , nombre de combinaison de 7 choisis parmi 58.
7
2) C27
7 7
3) C27 + C31
7 7 7
4) C58 − C27 − C31

Solution de l’exercice 3.8.

k−1 (n−1)! (n−1)!

Ckn−1 + Cn−1 = k!(n−1−k)!
+ (k−1)!(n−1−k+1)!
=

(n − 1)!(n − k) (n − 1)!k
= +
k!(n − k)! k!(n − 1 − k + 1)!

(n − 1)! (n − k) + k n!
= ( = = Cnk
k! (n − k)! k!(n − k)!

74
3.6. EXERCICES

3.6.3 Exercices de Probabilités (Série 4)

Exercice 3.9. Soient A, B et C trois événements d’un espace de probabilité (Ω, A, p). Exprimer
en fonction de A, B et de C les événements suivants :
1. Aucun événement ne se réalise.
2. Au moins un événement se réalise.
3. Au moins deux événements se réalisent
4. Au plus deux événements se réalisent.
5. Au plus un événement se réalise.
6. Exactement deux événement se réalisent.
7. Les trois événements se réalisent.

Exercice 3.10. Soient A et B deux événements tels que P (A) = 1/5 et P (A ∪ B) = 1/2.
1. Sous l’hypothèse que A et B soient incompatibles. Calculer P (B) .
2. Sous l’hypothèse que A et B soient indépendants. Calculer P (B)) .
3. Calculer P (B) avec l’hypothèse que l’événement A ne peut être réalisé que si l’événement B
est réalisé.

Exercice 3.11. ;
I) On jette une pièce de monnaie, bien équilibrée, trois fois de suite.
1) Donner la liste de tous les résultats possibles (i.e. l’ensemble fondamental Ω) en notant P
pour pile et F pour face.
2) Préciser l’espace de probabilité.
3) Donner la probabilité des événements suivants.
A :”Le tirage ne comporte que des faces”.
B : ”Le tirage comporte au moins une fois pile.
II) Reprendre les mêmes questions, si on lance trois pièces de monnaies identiques en même
temps.

Exercice 3.12. Un sac contient 5 jetons verts et 4 jetons rouges.

1) On tire successivement et au hasard 3 jetons du sac, sans remettre le jeton tiré. Calculer les
probabilités :
a) De ne tirer que 3 jetons verts ;
b) De ne tirer aucun jeton vert ;
c) De tirer au plus 2 jetons verts ;
d) De tirer exactement 1 jeton vert.
2) On tire simultanément et avec remise 3 jetons du sac. Reprendre alors les questions a), b),
c) et d).

75
3.6. EXERCICES

Exercice 3.13. Un tireur possède deux tentatives pour atteindre une cible. On suppose qu’il
atteint sa cible la première fois dans 75% des cas. Lorsque il échoue dans le premier tir, il
réussit le second tir dans 90% des cas.
Quelle est la probabilité pour qu’il n’atteint pas la cible deux fois de suite ?

Exercice 3.14. Parmi les étudiants d’un département de mathématiques 40% suivent l’option
A1 , 30% suivent l’option A2 et 30% suivent l’option A3 . Chaque étudiant suive une seule option.
La proportion d’étudiants qui n’ont pas la moyenne dans l’option A1 est de 10%, dans l’option
A2 de 5% et dans l’option A3 de 5%. On choisit un étudiant au hasard.
1. Calculer la probabilité qu’il n’ait pas la moyenne.
2. Sachant qu’il n’a pas la moyenne, calculer la probabilité a posteriori qu’il ait suivi l’option
A1 , A2 ou A3 .

Exercice 3.15. Dans une population en cas de migraine trois patients sur cinq optent pour
le médicament M1 et deux malades sur cinq choisissent un médicament M qui comportent des
effets secondaires :
Avec le médicament M1 , on observe 80% des malades qui sont soulagés.
Avec le médicament M, on observe 95% des malades qui sont soulagés.
1. Calculer le taux global de personnes soulagées ?
2. Calculer la probabilité pour un patient d’avoir pris le médicament M1 sachant qu’il est sou-
lagé ?

Exercice 3.16. On s’intéresse à l’étude dune mutation génétique sur des nourrissons. On effec-
tue un dépistage. Il existe 3% des bébés qui possèdent cette mutation. On commence le dépistage
par un test qui donne 98% de résultats qui sont positifs pour les bébés ayant la mutation et 3%
de résultats qui sont positifs pour les bébés n’ayant pas cette mutation.
1. Déterminer la probabilité qu’un bébé pris au hasard soit atteint de cette mutation sachant
que le test a donné un résultat positif ?
2. Déterminer la probabilité qu’un bébé pris au hasard soit indemne de cette mutation sachant
que le test a donné un résultat négatif ?

76
3.6. EXERCICES

3.6.4 Corrigés des exercices de probabilités

Solution de l’exercice 3.9. .
1. A ∩ B ∩ C.
2.A ∪ B ∪ C.
3.(A ∩ B ∩ C) ∪ (A ∩ B ∩ C) ∪ (A ∩ B ∩ C) ∪ (A ∩ B ∩ C).
4. A ∪ B ∪ C.
5.(A ∩ B ∩ C) ∪ (A ∩ B ∩ C) ∪ (A ∩ B ∩ C) ∪ (A ∩ B ∩ C).
6.(A ∩ B ∩ C) ∪ (A ∩ B ∩ C) ∪ (A ∩ B ∩ C).
7.A ∩ B ∩ C.

Solution de l’exercice 3.10. .

1. A et B incompatibles donc A ∩ B = ∅ d’où P (A ∪ B) = P (A) + P (B) =⇒ P (B) = 1/2 − 1/5.

2. A et B indépendants : P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = P (A) + P (B) − P (A)P (B) =

P (A∪B)−P (A) 1/2−1/5
P (A) + P (B)(1 − P (A), d’où P (B) = 1−P (A)
= 1−1/5
= 3/8.

3. A ne peut être réalisé que si B est réalisé : tous les événements de A sont dans B,
P (A∩B) = P (A), donc P (A cupB) = P (A)+P (B)−P (A∩B) = P (A)+P (B)−P (A) = P (B),
donc P (B) = P (A ∪ B) = 1/2.

Solution de l’exercice 3.11. .

I) On lance une pièce de monnaie bien équilibrée, trois fois de suite.

1)L’ensemble fondamental est constitué de triplet ordonnés dont les éléments symbolisent pile
(P) et face (F).

Ω = {(P, P, P ), (P, P, F ), (P, F, F ), (F, F, F ), (F, P, P ), (F, F, P ), (F, P, F ), (P, F, P )}.

Il ya 2 × 2 × 2 = 8 resultats possibles.

2) L’espace de probabilité (Ω, P(Ω), p), où P(Ω) est l’ensemble des parties de Ω et p est la
1
mesure de probabilité donnée par p(ω) = 8
, ∀ω ∈ Ω (car les événements élémentaires sont
équiprobables).

card(A)
• A = {(F, F, F )}, donc p(A) = p({(F, F, F )}) = card(Ω)
= 18 .

77
3.6. EXERCICES

• B = {(F, F, P ), (F, P, F ), (P, F, F ), (F, P, P ), (P, F, P ), (P, P, F ), (P, P, P )}, donc

card(B) 7
p(B) = p({(F, F, P ), (F, P, F ), (P, F, F ), (F, P, P ), (P, F, P ), (P, P, F ), (P, P, P )}) = = .
card(Ω) 8

1
On peut aussi remarquer que B = A, donc p(B) = 1 − p(A) = 1 − 8
= 78 .

II) On lance trois pièces de monnaies identiques et bien équilibrées en même temps.
1) L’ensemble fondamental est constitué de triplet non ordonnés dont les éléments symbolisent
pile (P) et face (F).
L’ensemble des résultats possibles : (ensemble fondamental) :

Ω = {{P, P, P }, {P, P, F }, {P, F, F }, {F, F, F }}.

card(Ω) = 4, il ya 4 résultats possibles.

2) L’espace de probabilité (Ω, P(Ω), p), où P(Ω) est l’ensemble des parties de Ω et p est la
1
mesure de probabilité donnée par p(ω) = 4
, ∀ω ∈ Ω (car les événements élémentaires sont
équiprobables).

3) Les événements élémentaires sont équiprobables, donc

card(A)
• p(A) = p({{F, F, F }}) = card(Ω)
= 41 , A = {(F, F, F )}.

• B = {{F, F, P }, {F, P, P }, {P, P, P }}, donc

card(B) 3
p(B) = p({{P, P, P }, {P, P, F }, {P, F, F }}) = = .
card(Ω) 4

Solution de l’exercice 3.12. .

1)Tirages successifs sans remise de 3 jetons parmi 9 : un tirage successif et sans remise de 3
jetons parmi 9 est un arrangement sans répétition de 3 éléments parmi 9. Il ya A39 = 9×8×7 =
504.
A35 5
a) Notons A l’événement :”tirer 3 jetons verts”. On a p(A) = A39
= 42
.

A34
b) Notons B l’événement ”ne tirer aucun jetons vert” . On a p(B) = A39
= 1/21.

c) Notons C l’événement ”tirer au plus 2 jetons vert”. On a deux méthodes.

78
3.6. EXERCICES

5 37
Méthode 1 : On remarque que C = A. Donc, p(C) = 1 − p(A) = 1 − 42
= 42
.

Méthode 2 : On note les événements E1 :”ne tirer aucun jeton vert” ; E2 : ”Tirer un jeton
vert et deux jetons rouges” ; E3 : ”tirer exactement deux jetons vert”.

Ne tirer aucun vert Choix de la place du jeton vert-Choix dun vert et de deux rouges. Tirer exactement deux verts
z}|{ z }| { z }| {
A34 + 3 × A15 × A24 + 3 × A25 × A14
p(C) =
A39

37
= 42
.
Le tirage est successif, donc on induit un ordre. Dans le tirage exactement d’un jeton vert, il
faut multiplier par 3, c’est à dire choisir une place pour le jeton vert.

Dans l’événement E3 , il faut choisir une place pour le jeton rouge, d’où la multiplication par 3
(le nombre de places) dans le calcul de la probabilité.

3×A15 ×A24 5
d) Soit D l’événement ”tirer exactement 1 jeton vert”. p(D) = A39
= 14
.

2) Tirages successif et avec remise de 3 jetons parmi 9. : on compte le nombre d’arrangements

avec répétitions. card(Ω) = A39 = 93 .

card(A) A35 53
a) p(A) = card(Ω)
= 93
= 93
.

card(B) A34 43
b)p(B) = card(Ω)
= 93
= 93
.

c) p(C) = 1 − p(A).

card(D) 3×A15 ×A14

d) p(D) = card(ω)
= 93
.

Solution de l’exercice 3.13. .

Il réussit le premier tir dans 75% des cas et il échoue dans 25% des cas.
Il réussit le second tir dans 90% des cas et il échoue dans 10% des cas.
On note les événements (i = 1, 2) :
Ei : le tireur échoue au ième tir.
Ri : le tireur réussit le ième tir
La probabilité que le tireur échoue deux fois est donnée par p(E2 ∩ E1 ) = p(E1 ) × p(E2 /E1 ) =
25 10
100
× 100
.

79
3.6. EXERCICES

L’arbre pondéré

0.75 R1

0.90 R2

0.25 E1

0.10 E2

Solution de l’exercice 3.14. Pour i ∈ {1, 2, 3}, on note les événements

Bi : ”Un étudiant suit l’option Ai ” ;
C : ” Un étudiant n’a pas obtenu la moyenne”.
On a P (A1 ) = 0.4 ; P (A2 ) = 0.3 ; P (A3 ) = 0.3 ; P (C|A1 ) = 0, 1 ; P (C|A2 ) = 0.5 ; P (C|A3 ) =
0.5.

1. P (C) = P (C|A1 )×P (A1 )+P (C|A2 )×P (A2 )+P (C|A3 )×P (A3 ) = 0.1×0.3+0.5×0.3 = 0.18.

P (C|Ai )×P (Ai )

2. P (Ai |C) = P (C)
, i = 1, 2, 3. On obtient,
P (C|A1 )×P (A1 )
P (A1 |C) = P (C)
= 0.1×0.3
0.18
= 0.16.

Solution de l’exercice 3.15. On note les événements suivants :

S : ”Une personne est soulagée”
M1 : ”une personne ayant pris le médicament M1 ”.
M : ”Une personne ayant prix le médicament M”

1. Le taux de personnes soulagées :

On a p(M ) = 2/5 ; p(M1 ) = 3/5.
On a S = S ∩ Ω = S ∩ (M1 ∪ M )) ( M1 ∩ M = ∅ et M1 ∪ M = Ω). De la formule des probabilités
totales :

p(S) = p(S∩(M1 ∪M ) = p((S∩M1 )∪(S∩M )) = p(S∩M1 )+p(S∩M ) = p(S/M1 )p(M1 )+p(S/M )p(M )

3 2
p(S) = × 0.8 + × 0.95 = 0.86.
5 5

80
3.6. EXERCICES

2. La probabilité pour un patient d’avoir pris M1 sachant qu’il est soulagé :

3
p(M1 ∩ S) p(M1 ) × p(S/M1 ) 5
× 0.80
p(M1 /S) = = = = 0.41
p(S) P (S) 0.86

81
Bibliographie

[1] J. P. Lecoutre, Statistique et probabilités, Dunod, Paris, 5eme Edition, 2012.

[2] G. Calot, Cours de statistique descriptive, Dunod, Paris, 1973.
[3] P. Bailly, Exercices corrigés de statistique descriptive, OPUs Alger, 1993.
[4] H. Hamdani, Statistique descriptive avec initiation aux méthodes d’analyse de l’informa-
tion économique : exercices et corriges, OPU Alger, 2006.
[5] K. Redjdal, Probabilités, OPU Alger, 2004.
[6] C. Leboeuf, Jean Louis Roque et Jean Guegand,Cours de probabilités et de statistiques
2ème édition,ellipses (1996).
[7] M. Nemiche. Exercices corrigés de statistiques et probabilités, 2015.
https ://[Link]/nemiche/cursos/polycopies/[Link]
[8] A. Perrut, cours de probabilités et statistiques.
https ://[Link]/irem/IMG/pdf/PolyTunisA [Link]
[9] A. Chekroun. Statistiques descriptives et exercices.
http ://[Link]/ chekroun/Files/[Link]
[10] S. Picchione. Combinatoire et probabilités 4eme année. 2012-
[Link] :///C :/Users/Personal/Downloads/[Link]-et-
[Link]
[11] Zarrouk Fayçal, ISSEP Ksar-Said. Cours de statistiques.
[12] J. P. Javet. Combinatoire et Probabilités. http ://[Link]/javmath/polycopie/3Ms
[13] R. Rakotomalala. Probabilités et Statistique. https ://[Link]-
[Link]/ricco/cours/cours/[Link].
[14] http ://[Link]/fileadmin/templates/Fcad/[Link]
[15] https ://[Link]/app/cours/ ?theme=probachap=5/
[16] https ://[Link]/cnam-lr/statnet/mod1/[Link].

82