1

République Démocratique du Congo

Enseignement Supérieur et Universitaire
Institut Supérieur de Commerce de Tshikapa

ISC / TSHIKAPA

COURS DE
STATISTIQUE DESCRIPTIVE
L1 LMD Informatique

Février 2025

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 2

Objectifs du cours
- Se familiariser avec la méthode statistique en général, en vue de décrire, de
résumer et d’analyser une population ou un ensemble de données ;
- Effectuer une analyse exploratoire d’un jeu de données ;
- Planifier une expérience simple pour obtenir des données ;
- D’interpréter les données pour aider à prendre des décisions éclairées ;
- Apprendre les principales techniques de statistique descriptive univariée et
bivariée.
- Être capable de mettre en œuvre ces techniques de manière appropriée dans un
contexte donné.
Moyens
- 50 heures pour le cours magistral interactif, les Travaux Pratiques (TP) et les Travaux
dirigés (TD) ;
- 25 heures pour les travaux personnels de l’étudiants (TPE).
Contenu de cours
Chapitre 1 : Généralités (12h)
1.1 Définitions fondamentales
1.1.1 La science statistique
1.1.2 Mesure et variable
1.1.3 Typologie des variables
1.1.4 Série statistique
1.2 Variables qualitatives nominales
1.2.1 Effectifs, fréquences et tableau statistique
1.2.2 Diagramme en secteurs et diagramme en barres

1.3 Variables qualitatives ordinales

1.3.1 Le tableau statistique
1.3.2 Diagramme en secteurs
1.3.3 Diagramme en barres des effectifs
1.3.4 Diagramme en barres des effectifs cumulés

1.4 Variable quantitative discrète

Cours de Statistique Descriptive L1 LMD Informatique
CT François KABULA KASONGO ISC Tshikapa
 3

1.4.1 Le tableau statistique

1.4.2 Diagramme en bâtonnets des effectifs
1.4.3 Fonction de répartition

1.5 Variable quantitative continue

1.5.1 Le tableau statistique
1.5.2 Histogramme
1.5.3 La fonction de répartition

Chapitre 2 : Statistique descriptive univariée (10h)

2.1 Paramètres de position
2.1.1 Le mode
2.1.2 La moyenne
2.1.3 Moyenne géométrique
2.1.5 Moyenne harmonique
2.1.6 Moyenne pondérée
2.1.7 La médiane
2.1.8 Quantiles

2.2 Paramètres de dispersion

2.2.1 L’étendue
2.2.2 La distance interquartile
2.2.3 La variance
2.2.4 L’écart-type
2.2.5 L’écart moyen absolu
2.2.6 L’écart médian absolu
Chapitre 3 : Analyse combinatoire (8h)
3.1 Arrangement
Cours de Statistique Descriptive L1 LMD Informatique
CT François KABULA KASONGO ISC Tshikapa
 4

3.1.1 Définition :
3.1.2 Arrangement avec répétition
3.2 Permutation
3.2.1 Définition : Calcul de Pn
3.2.2 Permutation avec répétition
3.2.3 Permutation circulaire
3.3 Combinaison
3.3.1 Définition :
3.3.2 Permutation avec répétition et Combinaison
3.3.3 Binôme de Newton
3.3.4 Combinaison avec répétition

Chapitre 4 : Calcul de probabilité (10 h)

4.1 Probabilités
4.1.1 Evénement
4.1.2 Opérations sur les événements
4.1.3 Relations entre les événements
4.1.4 Ensemble des parties d’un ensemble et système complet
4.1.5 Axiomatique des Probabilités
4.1.6 Probabilités conditionnelles et indépendance
4.1.7 Théorème des probabilités totales et théorème de Bayes

Chapitre 5 : Lois usuelles (10h)

5.1 Introduction
5.2 Loi de Bernoulli
5.3 Loi Normale
5.4 Loi de Poisson
5.5 T de Stundet

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 5

Sites web
1) Université de Neuchâtel
[Link] › files › shared › documents

2) Archive ouverte HAL

[Link] › Cours_Statistiques_Polisano

3) Institut Camille Jordan

[Link] › chekroun_statistiques

4) [Link] › SNV › PDF › Cours

5) Université Frères Mentouri - Constantine 1

[Link] › files › Cours-en-Ligne

6) Conseil national de la statistique

[Link] › Formations › sta01

7) Institut de Mathématiques de Toulouse

[Link] › asde

8) LAAS-CNRS
[Link] › kader › StatDes

9) Laboratoire de Mathématiques d'Orsay

[Link] › ex_...

10) [Link] › polycopies › NemicheStu3

11) [Link]
12) [Link]

13) Institut Camille Jordan

14) [Link] › chekroun_statistiques
2
15) Marcel Délèze
[Link] › sec2 › stat-descr › e...

16) Université TÉLUQ

[Link] › files › 2020/01 › M...
17) [Link]
18) [Link]
20CHEIKH
19) [Link]
probailit%C3%A9_FSJES_Casa_Chap_1%20(2).pdf
Cours de Statistique Descriptive L1 LMD Informatique
CT François KABULA KASONGO ISC Tshikapa
 6

CHAPITRE 1 : GÉNÉRALITÉS
1.1 Définitions Fondamentales
1.1.1 Science statistique

La statistique est l’étude de la collecte de données, leur analyse, leur traitement,

l’interprétation des résultats et leur présentation afin de rendre les données
compréhensibles par tous. C’est à la fois une science, une méthode et un ensemble de
techniques.
L’analyse des données est utilisée pour d’écrire les phénomènes étudiés, faire des
prévisions et prendre des décisions à leur sujet. En cela, la statistique est un outil essentiel
pour la compréhension et la gestion des phénomènes complexes.
Les données étudiées peuvent être de toute nature, ce qui rend la statistique utile
dans tous les champs disciplinaires et explique pourquoi elle est enseignée dans toutes
les filières universitaires, de l’économie à la biologie en passant par la psychologie et bien
sûr les sciences de l’ingénieur. Autrement dit La statistique s’applique à la plupart des
disciplines : agronomie, biologie, démographie, économie, sociologie, linguistique,
psychologie, . . .
La statistique consiste à :
– Recueillir des données.
– Présenter et résumer ces données.
– Tirer des conclusions sur la population étudiée et d’aider à la prise de décision.
– En présence de données dépendant du temps, nous essayons de faire de la
prévision.

Les statistiques sont des données chiffrées qui sont traitées par des méthodes
statistiques. Exemples : le nombre d’étudiants dans un auditoire, la population congolaise
en 2025, le nombre d’électeurs aux élections présidentielles de 2023, le nombre de
malades dans un hôpital, le nombre d’hectares des champs cultivés, etc.

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 7

1.1.2 Mesures et Variables

On s’intéresse à des unités statistiques ou unités d’observation : par exemple
des individus, des entreprises, des ménages. En sciences humaines, on s’intéresse dans
la plupart des cas à un nombre fini d’unités.

Sur ces unités, on mesure un caractère ou une variable, le chiffre d’affaires de

l’entreprise, le revenu du ménage, l’âge de la personne, la catégorie socioprofessionnelle
d’une personne. On suppose que la variable prend toujours une seule valeur sur chaque
unité.

Les variables sont désignées par simplicité par une lettre (X,Y,Z).
Les valeurs possibles de la variable, sont appelées modalités.
L’ensemble des valeurs possibles ou des modalités est appelé le domaine de la
variable.

En d’autres termes ; en statistique, on travaille sur des populations. Ce terme vient

du fait que la démographie, étude des populations humaines, a occupé une place centrale
aux débuts de la statistique, notamment au travers des recensements de population.

Mais, en statistique, le terme de population s’applique à tout objet

statistique étudié, qu’il s’agisse d’étudiants (d’une université ou d’un pays), de ménages
ou de n’importe quel autre ensemble sur lequel on fait des observations statistiques. Nous
définissons la notion de population.

L’ensemble sur lequel porte une étude statistique est appelé « population ».
Chaque élément de cet ensemble est appelé « individu » ou « unité statistique ».

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 8

1.1.3 Typologie des variables

1) Variable qualitative :

La variable est dite qualitative quand les modalités sont des catégories :
a) Variable qualitative nominale : La variable est dite qualitative nominale quand
les modalités ne peuvent pas être ordonnées. En d’autres termes, ces nombres
sont utilisés comme étiquettes distinctives et aucune opération mathématique
n’est possible ; car elles n’auraient aucune signification.
Exemples : les numéros des joueurs ; le numéro d’un compte bancaire ; le
numéro de plaque d’une moto ou d’une voiture, etc.
b) Variable qualitative ordinale : La variable est dite qualitative ordinale quand
les modalités peuvent être ordonnées. Le fait de pouvoir ou non ordonner les
modalités est parfois discutable. Par exemple : dans les catégories
socioprofessionnelles, on admet d’ordonner les modalités : « ouvriers »,
« employés », « cadres ».
Si on ajoute les modalités « sans profession », « enseignant », « artisan »,
l’ordre devient beaucoup plus discutable.
En d’autres termes : dans cette échelle, les nombres sont exprimés suivant la
relation « plus petit que », ou « plus grand que » afin de déterminer l’ordre de
grandeur.

2) Variable quantitative :
Une variable est dite quantitative si toute ses valeurs possibles sont numériques.
a) Variable quantitative discrète : Une variable est dite discrète, si l’ensemble des
valeurs possibles est dénombrable, c’est-à-dire, la variable peut prendre un
nombre fini des valeurs.

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 9

b) Variable quantitative continue : Une variable est dite continue, si l’ensemble

des valeurs possibles est continu, c’est-à-dire, lorsque la variable peut prendre
n’importe à priori (le cas échéant, dans un intervalle donné)

En définitive, nous avons le schéma suivant :

Remarque 1.1 Ces définitions sont à relativiser, l’âge est théoriquement une variable
quantitative continue, mais en pratique, l’âge est mesuré dans le meilleur des
cas au jour près. Toute mesure est limitée en précision !

Les modalités de la variable sexe sont masculin (codé M) et féminin (codé F)

Le domaine de la variable est {M, F}.
TDR : 1) Catégorisez les différentes valeurs, autour de vous :
a) Variables
b) Variables qualitatives
c) Variables quantitatives

1.1.4 Série statistique

On appelle série statistique la suite des valeurs prises par une variable X sur les
unités d’observation.
Une série s t a t i s t i q u e , ou d i s t r i b u t i o n s t a t i s t i q u e , associée
à un caractère, est 1!ensemble des valeurs du caractère, avec en regard, les fréquences
absolues ou r e l a t i v e s correspondantes.
Les statistiques désignent communément les données relatives
à une même caractéristique ou encore les résultats obtenus à p a r t i r de ces données.
Par exemple : les statistiques de l’emploi ou du chômage, les statistiques d'une certaine
Cours de Statistique Descriptive L1 LMD Informatique
CT François KABULA KASONGO ISC Tshikapa
 10

maladie.

Le nombre d’unités d’observation est noté n.

Les valeurs de la variable X sont notées

On s’intéresse à la variable « état-civil » notée X et à la série statistique des valeurs

prises par X sur 20 personnes. La codification est : C : célibataire ; M : marié(e) ; V :
veuf(ve) : D : divorcé(e).

1.2 Variable qualitative nominale

1.2.1 Effectifs, fréquences et tableau statistique

Une variable qualitative nominale a des valeurs distinctes qui ne peuvent pas
être ordonnées. On note J le nombre de valeurs distinctes ou modalités.
Les valeurs distinctes sont notées x1, . . . , xj , . . . , xJ .
On appelle effectif d’une modalité ou d’une valeur distincte, le nombre de fois
que cette modalité (ou valeur distincte) apparaît. On note nj l’effectif de la modalité xj.
La fréquence d’une modalité est l’effectif divisé par le nombre d’unités d’observation.

1.2.2 Diagramme en secteurs (diagramme circulaire) et diagramme en barres

Le tableau statistique d’une variable qualitative nominale peut être représenté

par deux types de graphique. Les effectifs sont représentés par un diagramme en barres
et les fréquences par un diagramme en secteurs ou diagramme circulaire.

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 11

1.3 Variable qualitative ordinale

1.3.1 Le tableau statistique

Les valeurs distinctes d’une variable ordinale peuvent être ordonnées, ce
qu’on écrit :

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 12

1.4 Variable quantitative discrète

1.4.1 Le tableau statistique
Un quartier est composé de 50 ménages, et la variable Z représente le nombre de
personnes par ménage. Les valeurs de la variable sont

Comme pour les variables qualitatives ordinales, on peut calculer les effectifs, les effectifs
cumulés, les fréquences, les fréquences cumulées. A nouveau, on peut construire le
tableau statistique :

1.4.2 Diagramme en bâtonnets des effectifs

Quand la variable est discrète, les effectifs sont représentés par des bâtonnets

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 13

1.4.3 Fonction de répartition

Les fréquences cumulées sont représentées au moyen de la fonction de répartition.

Cette fonction, présentée en figure ci-dessous est définie de R dans [0, 1] et vaut :

1.5 Variable quantitative continue

1.5.1 Le tableau statistique
Une variable quantitative continue peut prendre une infinité de valeurs possibles.
Le domaine de la variable est alors R ou un intervalle de R.
En pratique, une mesure est limitée en précision. La taille peut être mesurée en
centimètres, voire en millimètres.
On peut alors traiter les variables continues comme des construire le tableau
statistique, il faut procéder à des regroupements en classes.
Le tableau regroupé en classe est souvent appelé distribution groupée.
Si : (aj – bj) désigne la classe et j désigne la classe j, on note,
Cours de Statistique Descriptive L1 LMD Informatique
CT François KABULA KASONGO ISC Tshikapa
 14

de manière générale :
▪ aj : la borne inférieure de la classe j ;
▪ bj : la borne supérieure de la classe j ;
▪ mi : le point milieu de la classe j
▪ I = (a + b)/2 : la longueur d’intervalle
La répartition en classes des données n nécessite de définir à priori le nombre
de classes J et aj donc l’amplitude de chaque classe.
En règle générale, on choisit au moins cinq classes de même amplitude.
Cependant, ils existent des formules qui nous permettent d’établir le nombre de
classes et l’intervalle de classe (l’amplitude) pour une série statistique de N
observations :
Les démarches à suivre :
a) Chercher l’étendue simple (E)
L’étendue simple d’une série statistique est la différence entre la valeur la plus
élevée de la série et la valeur la plus petite ;
b) Le nombre de classes
Le nombre de classes est généralement compris entre 5 et 20, mais jamais inférieur
à 5 et supérieur à 20 ;
5 ≤ Nbcl ≤ 20
* avec
Nbcl = E/i
c) L’intervalle de classe i
L’intervalle de classe est constant (mais ceci n’est pas obligatoire). L’intervalle de
classe doit être un nombre entier, c’et-à-dire, un nombre pratique : 3 ;5 ;7 ;10 et le
multiple de 10.

Il existe aussi d’autres formules que l’on peut utiliser mais qui ne sont fréquentes

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 15

1.5.2 Tableaux des fréquences

On considère une série statistique sur un échantillon de taille N. les modalités (ou
les classes) de la variable étudiée sont notées Xi et leurs effectifs ne sont notés Ni.
On suppose qu’il existe K modalités (ou classes).
On a

C’est-à-dire que la somme des effectifs des modalités (ou des classes) est égale à la
taille de l’échantillon.

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 16

Exemple :

1.5.2 Histogramme

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 17

Histogramme desfréquences

1.5.3 La fonction de répartition

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 18

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 19

Chapitre 2 : STATISTIQUE DESCRIPTIVE UNIVARIEE

2.1 Paramètres de position
2.1.1 Mode
Le mode est la valeur distincte correspondant à l’effectif le plus élevé ; il est noté xM.
Si on reprend la variable « Etat civil », dont le tableau statistique est le suivant :
(VOIR TD)

2.1.2 La moyenne

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 20

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 21

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 22

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 23

2.1.4 Moyenne géométrique

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 24

2.1.5 Moyenne Harmonique

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 25

2.1.6 Moyenne Pondérée

Données groupées
Si les données sont groupées dans les classes suivant une distribution des
fréquences, la moyenne arithmétique est égale au rapport de la somme des produits de
la fréquence au point milieu de la classe correspondante et de la somme totale des
fréquences de la distribution.

X = f1m1 + f2m2 + ……+ fimi + …. fnmn

f1 + f2 + …… +fi + …. + fn

Avantage de la moyenne arithmétique

La moyenne arithmétique et un paramètre compréhensible pour le public et son
calcul est simple. Elle est l’une des valeurs de la tendance centrale des données
numériques.

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 26

Inconvénients
Dans les distributions à faibles effectifs, le calcul de la moyenne est très influencé
par les valeurs les plus grandes et les valeurs les plus petites.
2.1.7 La Médiane

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 27

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 28

Cas des données groupées

Si les observations sont présentées selon une distribution des fréquences cumulées
croissantes, la médiane ne peut être localisée exactement ; par contre, une très bonne
approximation est possible à l’aide de la formule suivante :

md = ai + I ( N/2 – fci-1 )
fméd
avec
- ai : limite inférieure de la classe ayant la fréquence la plus élevée ;
- N : nombre total d’observations
- fci-1 : fréquence cumulée de la classe qui vient avant la classe médiane
- fméd : fréquence de la classe médiane
Autrement dit :

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 29

2.1.8 Quartile

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 30

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 31

2.2 Paramètre de dispersion

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 32

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 33

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 34

Ecart-type des données groupées

Si les données se présentent sous forme d’une distribution des classes des
fréquences, la variance et l’écart-type se calculent par la formule suivante :
a) la variance

2 2
σ2= Σfimi – (Σfimi) /N
N-1
avec :
mi : le point milieu de la classe
N : nombre total d’observations
b) L’écart-type
2 2
σ = { Σfimi – (Σfimi) /N }1/2
N-1

Coefficient de variation

Le coefficient de variation nous permet d’obtenir une mesure relative de la

variation. Il nous permet également de juger le degré d’homogénéité d’une distribution,
et par conséquent, de la représentation de la moyenne comme mesure de la tendance
centrale.
Le coefficient de variation est une grandeur qui s’exprime en pourcentage, sans
dimension et permet de comparer deux variables statistiques de natures différentes. Il est
trouvé par la formule suivante :

CV = σ/X . 100
Deux cas se présentent :

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 35

a) Si CV ˂ 15 %, alors la distribution est homogène

b) Si CV ˃ 15 %, alors la distribution est hétérogène

Coefficient d’asymétrie
Le coefficient d’asymétrie indique la différence qui existe entre l’allure de la
courbe que prend une distribution quelconque par rapport à une distribution
parfaitement symétrique.

Ce coefficient est trouvé par la formule suivante

a=
3(X – md)
Trois cas peuvent se présenter : σ

a) Si a = 0, alors la distribution est symétrique

b) Si a ˂ 0, la distribution est asymétrique négative
c) Si a ˃ 0, la distribution est asymétrique positive.

a = 0, distribution symétrique a ˂ 0, asymétrie négative a ˃ 0 , 𝑎𝑠𝑦𝑚é𝑡𝑟𝑖𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒

EXERCICES

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 36

Exercice 2

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 37

Exercice 3

Exercice 4

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 38

Exercice 5

Exercice 6

Loyer (x 1000) Effectif

4–6 20
6-8 40
8 – 10 80
10 – 15 30
15 – 20 20
20 – 30 10

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 39

Exercice 7

Exercice 8

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 40

Exercice 9

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 41

Exercice 10

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 42

Exercice 11

Exercice 12

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 43

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 44

Chapitre 3 : ANALYSE COMBINATOIRE

3.1 Introduction

Le but de l'analyse combinatoire (techniques de dénombrement) est

d'apprendre à compter le nombre d’éléments d'un ensemble fini de grande cardinalité.
Autrement dit, le but de l’analyse combinatoire est le dénombrement
(Comptage) des groupes d’éléments formés à partir d’un ensemble.
On distingue deux types d’ensembles :

1. Tel que Ω={𝑎,𝑏,𝑐,𝑑}formé des éléments tous différents : dit discernable.

2. Tel que Ω={𝑎,𝑎,𝑏,𝑏,𝑏,}formé des éléments non différents: dit indiscernable.

Quelques Définitions

- Disposition est un groupe d’élément pris dans un ensemble

- Disposition sans répétition : c’est une disposition où un élément peut apparaître 0
ou 1 fois.
- Disposition avec répétition : un élément peut figurer plus d’une fois.
- Disposition ordonnée : l’ordre d’obtention d’un élément est important.
- Disposition non ordonnée : l’ordre d’obtention d’un élément n’est pas important,
on n’entient pas compte dans la caractérisation de la disposition.
L’analyse combinatoire est une branche des mathématiques qui étudie les
différentes façons de sélectionner, organiser et compter des objets ou des éléments dans
des ensembles finis. Elle se concentre sur l’étude des arrangements, des permutations et
des combinaisons, ainsi que sur d’autres concepts liés à la structure et à la manipulation
des ensembles discrets.
Les domaines d’applications de cette discipline des mathématiques sont
nombreux parmi eux :

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 45

L’analyse combinatoire est largement utilisée pour calculer des probabilités

dans divers scénarios, tels que les lancers de d´es, les tirages aléatoires et les jeux de
cartes. Elle est également utilisée pour déterminer le nombre de combinaisons possibles
dans des échantillonnages et des expériences aléatoires.
L’analyse combinatoire est utilisée en biologie et bioinformatique pour
modéliser et analyser les interactions entre les gènes, les protéines et les voies
métaboliques. Elle est également utilisée dans la conception de tests génétiques, la
recherche de motifs génétiques et la modélisation des réseaux biologiques.

3.2 Dénombrement

En analyse combinatoire, il est question de compter le nombre d’élément dans un

ensemble fini, de compter le nombre de configuration données, le nombre de
d’arrangement, le nombre de permutation, . . .. Ce concept se repose sur les deux
principes suivants :

3.2.1 Principe de multiplication

Ce principe stipule que si une tˆache peut être accomplie en m façons différentes
et qu’une seconde tâche peut être accomplie indépendamment de la première en n
façons différentes, alors les deux tâches peuvent être accomplies ensemble en m × n
façons différentes.

Exemple 1.2.6. Supposons que trois équipes participent à un tournoi dans lequel sont
déterminées une première, une deuxième et une troisième place. Pour faciliter
l’identification des équipes, nous allons les désigner par les lettres A, B, C. Cherchons le
nombre de manières différentes permettant d’attribuer le classement de ces 3 équipes.

- La première place peut être occupée par les trois équipes A, B, C (3 façons
différentes d’occuper cette place).
- Si la première place est déjà prise, il reste que 2 possibilités pour occuper la
deuxième place.
- Si les deux premières places sont occupées, alors il ne reste qu’une seule possibilité
pour occuper la dernière place.
Cours de Statistique Descriptive L1 LMD Informatique
CT François KABULA KASONGO ISC Tshikapa
 46

- Par le principe de la multiplication, le nombre de façons possibles pour classer les

équipes est :
- Le nombre de façon pour la première place × le nombre de façon pour la
deuxième place × le nombre de fa，con pour la troisième place = 3 × 2 × 1 = 6

3.2 Arrangement

3.2.1 Définition
Un arrangement est un ordre spécifique dans lequel les éléments d’un ensemble
sont placés.
Considérons un ensemble fini E contenant n éléments. Un arrangement de p ´
éléments de l’ensemble E est une permutation ordonnée de p éléments de E.

Exemple 1.3.1. Posons

E = {1, 2, 4, 5, 6, 7, 8, 9, 10}
1256, 5621, 1245, 2145, 2221, 1212, . . .

Remarque 1.3.1. Il ne s’agit pas de dénombrer ces permutations, il s’agit de savoir

leurs nombres, deux situations peuvent se présenter :

3.2.2 Arrangements avec répétition

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 47

3.2.3 Arrangements sans répétition

On appelle Arrangement sans répétition de p éléments choisis parmi n, une
disposition ordonnée sans répétition de 𝑝 éléments choisis parmi 𝑛, où chaque élément
figure une seule fois.
Le nombre d’arrangements sans répétition de p éléments choisis parmi n est
égale à :

Exemple :
On a 3 lettres a, b, c Les arrangements possibles de E={𝑎,𝑏,𝑐} pris deux à deux sont:
(𝑎,𝑏)(𝑎,𝑐)(𝑏,𝑎)(𝑏,𝑐)(𝑐,𝑎)(𝑐,𝑏).
Le nombre de résultat possible est :

Exemple
Dans une course de 18 chevaux, le nombre de tiercés possibles dans l’ordre correspondant
au nombre d’arrangement sans répétition (un seul classement possible pour un cheval)
de 3 parmi 18

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 48

3.3 Permutation
3.3.1 Permutation sans répétition

Une permutation sans répétition d’un ensemble de n éléments est une disposition
ordonnée de ces éléments, où chaque élément de l’ensemble figure une seule fois et y
occupe un rang déterminé (objets discernables).
Le nombre de permutation sans répétition qu’on peut former à partir d’un ensemble
de n éléments est égale à : 𝑷𝒏 = 𝒏!

Exemple On a 3 lettres a, b, c. Les permutations sont les sous-ensembles ordonnés de

{𝑎,𝑏,𝑐} sont :
(𝑎,𝑏,𝑐)(𝑎,𝑐,𝑏)(𝑏,𝑎,𝑐)(𝑐,𝑎,𝑏)(𝑐,𝑏,𝑎)(𝑏,𝑐,𝑎)

Le nombre de résultat possible est : 6 (6=3×2=3!)

donc

3.3.2 Permutation avec répétition

On appelle permutation avec répétition de 𝑛 éléments d’un ensemble E, une

disposition ordonnée des n éléments de l’ensemble E où le premier élément figure 𝒏𝟏 fois,
le second 𝒏𝟐 fois,…, et le dernier élément y figure 𝒏𝒓 fois. (objets indiscernables).
Le nombre de permutation avec répétition est noté

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 49

3.4 Combinaison et coefficients binomiaux

3.4.1 Combinaison sans répétition

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 50

3.4.2 Combinaison avec répétition

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 51

3.4.3 Coefficients binomiaux

Exemples

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 52

3.4.4 Binôme de Newton

Définition
La formule du binôme de Newton est une formule mathématique donnée par
Isaac Newton pour trouver le développement d'une puissance entière quelconque d'un
binôme. Elle est aussi appelée formule du binôme ou formule de Newton.

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 53

La formule générale de binôme de Newton Ou encore :

Exercices
1) Un groupe de 25 animaux composés de 10 tigres, 8 gazelles et 7 zèbres arrivent
dans un zoo composé de cellules alignées. De combien de fa，con peut-ont les
alignés en cellules différentes si :
a) Il y a aucune restriction sur les cellules.
b) Les tigres sont dans des cellules différentes alignées l’une derrière l’autre.
2) Combien de nombres différents de six chiffres existe-ils :
S’il y a aucune restriction.
Si les nombre doivent être divisible par 5.
Si les répétitions des chiffres sont exclues.

3)

4)

5)

6)

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 54

7)

8) Combien de repas complets différents peut-on former si une cafeteria propose

deux choix de soupe, trois choix de repas principal et trois choix de dessert ?
9) De combien de façons peut-on aller de Tanger à Casablanca, puis à Agadir si le trajet
entre chaque ville peut se faire en voiture, en autobus, par train ou par avion ?
10) En supposant qu'il n'y a pas de répétitions,
a) Combien de nombres de 3 chiffres peut-on former à l'aide des six chiffres
2,3,5,6,7 et 9 ?
b) Combien de ces nombres sont inférieurs à 400 ?
c) Combien sont pairs ?
d) Combien sont impairs ?
11) Combien de permutations distinctes peut-on former avec toutes les lettres des
mots (d’anagrammes) MISTASSINI, SOCIOLOGIQUE.
12) Une classe comporte 9 garçons et 3 filles.
a) De combien de manières le professeur peut-il faire un choix de 4 élèves ?
b) Combien de ces choix comportent au moins une fille ?
c) Combien comportent exactement une fille ?

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 55

Chapitre 4 : NOTIONS DE PROBABILITÉ

4.1 Espace probabilisé

4.1.1 Événement et ensemble fondamental
Une épreuve est une expérience dont l’issue n’est pas prévisible car répétée dans
des conditions identiques, elle peut donner lieu à des résultats différents ou aléatoires
(expérience aléatoire). L’ensemble des résultats possibles s’appelle l’ensemble
fondamental (ou référentiel, univers des possibles) et sera noté Ω.
Un événement est un ensemble de résultats (un sous-ensemble de l’univers) d’une
expérience aléatoire.
Comme l’événement est une affirmation concernant le résultat d’une expérience,
nous devons pouvoir dire, pour tout résultat de l’univers, si l’événement se réalise ou non.
Un événement donné, souvent défini par une proposition, est identifié à la partie de
l’univers pour laquelle il est réalisé.
On exige que la collection C des événements dispose de la structure d’une algèbre
de Boole :

Il est toujours possible d’associer à une variable aléatoire une probabilité et définir ainsi
une loi de probabilité. Lorsque le nombre d’épreuves augmente indéfiniment, les
fréquences observées pour le phénomène étudié tendent vers les probabilités et les
distributions observées vers les distributions de probabilité ou loi de probabilité.

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 56

4.2 Evènements incompatibles

Deux événements A et B sont dits incompatibles s’ils ne peuvent se réaliser

simultanément ; c’est-à-dire lorsque l’intersection des sous-ensembles A et B est vide :

N.B. :
En faisant ces choix on « modélise » le phénomène aléatoire, c’est-à-dire qu’on
émet des hypothèses quant à sa nature, permettant ensuite de calculer la probabilité
d’évènements sur cette base.
La branche des mathématiques dévouée au choix de la mesure de probabilité, donc
au choix du modèle, est la statistique.

Une probabilité P(A) est définie sur un évènement A :

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 57

Probabilité conditionnelle

La probabilité conditionnelle d’un évènement A sachant un évènement B dénote la

probabilité de A dans le cas où B est réalisé, notée
est définie par :

On a alors :

Remarques
• , Alors que
•

Evénements indépendants

Soient 2 événements A et B. Ils sont indépendants si la réalisation de A n’affecte pas la

réalisation de B, et inversement. On peut alors écrire

On dit encore que A et B sont indépendants si et seulement la probabilité de

réalisation simultanée de ces événements est égale au produit de leurs probabilités
individuelles :

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 58

Définition 4 Un ensemble d’événements est dit totalement indépendant si pour tout sous-
ensemble on a :

Les événements sont deux à deux indépendants si pour tous indices

Théorème de Bayes

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 59

Chapitre 5 : LOIS USUELLES DE PROBABILITE

5.1 LOIS DISCRÈTES

5.1.1 : Loi uniforme discrète

Une v.a. continue X suit une loi uniforme si sa densité de probabilité est donnée par:

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 60

5.1.2 : Répétition d'expériences indépendantes

Exemple

Exemple

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 61

5.2 LOI DE BERNOULLI

5.2.1 Définition

Une épreuve de Bernoulli est une expérience aléatoire dont le résultat peut être soit un succès,
soit un échec, mais pas les deux simultanément.

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 62

Exemple 1
On lance une pièce une fois et on note le résultat. On appelle succès le fait d’obtenir PILE et
échec le fait d’obtenir FACE.
Exemple 2
On choisit au hasard une pièce produite en série et on la teste pour détecter les défectuosités.
La pièce peut être défectueuse (succès) ou conforme (échec).
On lance un dé et on considère par exemple comme succès "obtenir un six" et comme échec
"ne pas obtenir un six".

5.2.2 Contexte
Lors d’une épreuve de Bernoulli, soit p la probabilité d’un succès et q = 1 − p la probabilité d’un
échec. Soit X le nombre de succès.
Alors RX = {0, 1}

Si X suit une loi de Bernoulli de paramètre p alors on note X ∼ Bernoulli(p) (ou Bern(p)).
Théorème
La fonction de répartition d’une variable X ∼ Bernoulli(p) est

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 63

Espérance et variance
Si X ∼ Bernoulli(p), alors
1. E(X) = p.
2. V(X) = p(1 − p).

5.3 LOI BINOMIALE

Remarque : n et p sont les paramètres de la loi binomiale.

On effectue n répétitions indépendantes d’une épreuve de Bernoulli dont la probabilité de
succès est p.
Soit X le nombre de succès parmi les n résultats. Alors X suit une loi binomiale de paramètres n
et p, dénoté
X ∼ B (n, p).
Méthode : Utiliser un arbre pondéré avec la loi binomiale

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 64

Contexte
On a RX = {0, 1, 2, . . ., n}
La fonction de masse d’une variable aléatoire X ∼ B(n, p) est
Cours de Statistique Descriptive L1 LMD Informatique
CT François KABULA KASONGO ISC Tshikapa
 65

pour x ∈ {0, 1, 2, . . . , n}.

La fonction de répartition de la loi binomiale est

Comme le calcul de FX(x) est fastidieux lorsque que n est grand, on utilise souvent en pratique
une table de loi binomiale
Exercices
1. Un lot contient 20 articles parmi lesquels 4 sont défectueux. On pige avec remise 7 articles du
lot. Calculer
a) La probabilité d’observer exactement un article défectueux.
b) La probabilité d’observer au moins 4 articles défectueux.
c) La moyenne et la variance du nombre d’articles défectueux.

2. Un procédé de fabrication produit 5% d’articles non conformes. Un échantillon de 50 unités

de cet article est prélevé. Quelle est la probabilité qu’il y ait plus de 7% d’articles non
conformes dans l’échantillon ?

3. Un laboratoire d’analyse chimique reçoit un lot de tube à essai. Ces tubes sont fournis par
trois sociétés différentes A, B et C dans les proportions suivantes : 50% , 30% et 20%. 2% des
tubes fabriqués par A, 3% de ceux fabriqués par B et 4% de ceux fabriqués par C présentent
des défauts. On choisit au hasard un tube à essai dans le lot reçu.
a. Quelle est la probabilité qu’il soit défectueux ?
b. Sachant que le tube choisi est défectueux, quelle est la probabilité qu’il provienne de la
société A ?

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 66

Correction

4. Une boite contient n boules noires et b boules blanches (n>1, b>1). On tire au hasard une
boule puis on la remet dans la boite avec k (k > 0) nouvelles boules de la même couleur que
la boule tirée. On choisit de nouveau une boule au hasard dans la boite. Soit N1 l’événement
« la première boule tirée est noire » et N2 l’événement « la deuxième boule tirée est noire ».

a. Calculer la probabilité de N1 .
b. Calculer la probabilité de tirer deux boules noires.
c. Calculer la probabilité de N2. Déduire de ce qui précède que P (N1/N2) = P (N2/N1).

Correction

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 67

Exercice 5

Solution

Exercice 6

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 68

Solution

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 69

5.6 LOI NORMALE N(µ,σ):

5.6.1 Définition

• Une v.a. continue X suit une loi normale de paramètres μ et σ>0 si sa densité de probabilité
est:

• On note X~N(µ,σ).
• La loi normale est encore connue sous le nom de loi de Gauss ou de Laplace-Gauss.
• La fonction de répartition de X est définie par

5.6.2 Loi Normale centrée, réduite :

• Si X suit une loi normale N(µ,σ), alors la v.a.

centrée réduite associée à X , suit une loi normale N(0,1), dite loi normale centrée, réduite.

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 70

On obtient :

Z est donc une v.a. continue dont la densité de probabilité est définie par :

C’est-à-dire Z~N(0,1).

• On peut ramener tout calcul sur la fonction de répartition d’une v.a. normale N(µ,σ) à un
calcul sur la fonction de répartition, notée Φ(x), d’une v.a. normale N(0,1).
• En effet, si X~N(µ,σ),

Soit Φ la fonction de répartition de X~N(0,1).

Exemple :

La taille d’un groupe de 2000 personnes obéit à une loi normale N(170 cm, 5 cm).
On demande de déterminer :
1. Le nombre de personnes dont la taille est comprise entre 168 cm et 175 cm.
2. La probabilité pour qu’une personne ait une taille supérieure à 180 cm.

Solution :

1. Définissons la variable centrée réduite T à partir de la variable aléatoire X:

Soit, en cherchant les valeurs de ø(1) et de ø(0.4) dans la table de la fonction intégrale de la loi
normale centrée réduite : croisement de la ligne 1,0 et de la colonne 0,00 ; croisement de la
ligne 0,4 et de la colonne 0,00.

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 71

Il y a donc: 2000 x 0,4967 ≈ 993 personnes dont la taille est comprise entre 168cm et 175cm.
La probabilité pour qu’une personne ait une taille supérieure à 180 cm est:
P(X>180)=P(T>2)=1- Φ(2)=1 - 0,9772 = 0,0228 soit une probabilité de 2,3%.
Il y a alors vraisemblablement 2000 x 0,0228 ≈ 45 personnes dont la taille dépasse 180 cm.

Remarques

5.7 LOI DE POISSON

5.7.1 Introduction

La loi de Poisson découverte au début du XIXe siècle par le magistrat français Siméon-Denis
Poisson s’applique souvent aux phénomènes accidentels où la probabilité p est très faible (p <

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 72

0,05). Elle peut également dans certaines conditions être définie comme limite d’une loi
binomiale.
5.7.2 Définition

On dit qu’une v. a. obéit à une loi de Poisson, si elle est susceptible de prendre toutes les valeurs
entières 0,1,2,…,k,…,n,… les probabilités associées étant p0 ,p1 ,p2 ,…,pk ,…,pn ,… avec

• λ étant un paramètre positif, et e la base des logarithmes népériens.

• La constante λ s’appelle le paramètre de la loi.
• La loi de Poisson est notée P (λ).

La loi de Poisson est appelée loi des petites probabilités. On l’utilise pour représenter des
phénomènes rares, tels que : nombre d’accidents, nombre de pannes, nombre de déchets dans
une fabrication…

5.8 Approximation d’une loi binomiale

Lorsque n devient grand, le calcul des probabilités d’une loi binomiale

devient très fastidieux. On va donc, sous certaines conditions, trouver une approximation de p k
plus maniable.

Comportement asymptotique :

alors

Remarque : Cette approximation est correcte si n  50 et np  5

Exemple : Soit une loi binomiale de paramètres (100 ; 0,01), les valeurs des probabilités pour k de 0 à 5
ainsi que leur approximation à 10-3 avec une loi de Poisson de paramètre ( = np =1) sont données dans
le tableau ci-dessous :

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 73

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 74

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 75

Pourquoi une loi de Poisson ? Un exemple

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 76

Exemple
Une machine utilisée dans une chaîne de production tombe en panne en moyenne 2 fois par
mois. Soit X le nombre de pannes par mois. En supposant que X suit une loi de Poisson, quelle est
la probabilité que dans un mois donné la machine
1. Ne tombe pas en panne ?
2. Tombe en panne au moins deux fois ?

Processus de Poisson

Considérons un type d’événement survenant dans le temps. Le comptage du nombre de

réalisations de l’événement est un processus de Poisson si
- Pour deux intervalles de temps disjoints, le nombre de réalisations dans l’un et l’autre
intervalle sont indépendants.
- Pour tout intervalle de temps de durée t, le nombre de réalisations suit une loi de Poisson
de paramètre c = λt, où λ > 0 est le nombre moyen de réalisations par unité de temps.

Exemples supplémentaires

Autres situations où la v.a. suit une loi de Poisson :

1. Le nombre de voitures arrivant à un feu de circulation en 5 minutes.

2. Le nombre de défauts sur une pièce usinée.
3. Le nombre d’erreurs typographiques sur une page d’un livre.
4. Le nombre de clients entrant dans un magasin en une journée.
5. Le nombre de particules alpha émises par un matériau radioactif en une minute.

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 77

Remarque :
On suppose, dans tous ces exemples, que le nombre moyen de réalisations de l’événement
d’intérêt par unité de temps, dimension, nombre d’épreuve, etc., est modéré.

5.9 LOI DE STUDENT :

• Une v.a. X suit une loi de Student à n degrés de liberté si sa densité de probabilités est définie
par:

• On peut montrer que: Si X est une v.a. normale centrée réduite N(0,1), si Y est une v.a. de χ2
(n) khi-deux à n degrés de liberté, et si X et Y sont indépendantes, alors la v.a.

suit une loi T(n) de Student à n degrés de liberté

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 78

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 79

Tables Statistiques des lois usuelles

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 80

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 81

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 82

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 83

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 84

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 85

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 86

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa
 87

Cours de Statistique Descriptive L1 LMD Informatique

CT François KABULA KASONGO ISC Tshikapa