233ezy H

§=13
=13
c =13 ¨=13 =13 1 = 13a = 13
R = 13´= 13¯= 13
Pr.Sahar SAOUD Probablité & Statistique

Probablité & Statistique
Filière SMC-4
Pr.Sahar SAOUD
Faculté des Sciences Appliquées Université Ibn Zohr

Objectifs du cours
Apprendre les principales techniques de la probabilité et de la

statistique.
Utilisation de méthodes statistiques multi-variées.
Etre capable de mettre en oeuvre ces techniques de manière

appropriée dans un contexte expérimental donné.

Plan du cours
Introduction & Motivation;

Probablité:
Généralités sur les Probabilités,
Les Modèles Probabilistes Discrets,
Les Lois Probabilistes Continues.
Echantillonnage;
Statistique:
Statistique descriptive,
Régression linéaire,
Régression multiple.

Rappel Mathématique
Théorie des ensembles
Un ensemble E est une collection d’objets. Un ensemble est

complètement défini par ses éléments.
On distingue trois types d’ensembles: des ensembles finis, des
ensembles dénombrables et des ensembles infinis.
Sans restreindre la généralité, nous nous intéressons ( dans le
cours) aux deux premiers types, c-à-d: les ensembles finis et
les ensembles dénombrables.







On dit qu’un ensemble E est fini s’il est vide (E = ∅ ;), ou s’il
existe un entier naturel n et une fonction bijective de
{1; 2; ...; n} dans E .
Lorsqu’un ensemble E est fini, on appelle le nombre de ses
éléments le cardinal de E et on le note Card(E ) ou encore
#E .
On dit qu’un ensemble E est dénombrable s’il existe une
fonction bijective de IN dans E .

Soit E un ensemble fini. Si F est un ensemble tel qu’il existe

une fonction bijective de E dans F , alors F est aussi un
ensemble fini et on a : card(E ) = card(F ).
On appelle partie de E ( ou sous-ensemble de E ) tout
ensemble A inclu dans E , et on écrit A ⊂ B.
L’ensemble formé par les parties de E est nommé l’ensemble
des parties de E et on le note P(E ).
Si E est un ensemble fini de cardianl n, alors P(E ) est aussi
un ensemble fini et son cardinal est P(E ) = 2n .


Soit E un ensemble fini et soient A, B et C des parties de E .
A ∩ B = B ∩ A , l’intersection est commutative.
A ∪ B = B ∪ A, la réunion est commutative.
(A ∩ B) ∩ C = A ∩ (B ∩ C ), l’intersection est associative.
A est le complémentaire de A dans E , c’est l’ensemble des
éléments de E qui n’appartiennent pas à A. On a :
A\B =A∩B
Loi de Morgan: A ∪ B = A ∩ B et A ∩ B = A ∪ B.


Soit E un ensemble non vide et fini et A et B deux parties de E .
Toute partie A de E est finie et on a : Card(A) ≤ Card(E ).
A = E ⇐⇒ Card(A) = Card(E ).
Si A ∩ B = ∅, Card(A ∪ B) = Card(A) + Card(B).
Card(A) = Card(E ) − Card(A).
Card(A ∪ B) = Card(A) + Card(B) − Card(A ∩ B).

Un couple (x, y ) est une liste ordonnée qui contient

respectivement x et y .
A noter que le couple (x, y ) est different du couple (y , x).
La liste ordonnée (x, y , z, t, ...) qui contient n éléments est
nommée un n− uplet.
La difference entre deux listes qui contiennent les mêmes
éléments est l’ordre de ces éléments.

Rappelons que, si m est un entier naturel non nul, le factoriel

de m est donné par:
m! = m ∗ (m − 1) ∗ (m − 2)...3 ∗ 2 ∗ 1
Par convention :
0! = 1

Analyse Combinatoire
En mathématiques, l’analyse combinatoire est l’étude des

différentes manières de ranger les éléments d’un ensemble
quelconque.
En effet, elle fournit des méthodes de dénombrement

particulièrement utiles en théorie des probabilités.
Dénombrer un ensemble E , c’est déterminer son cardinal.
Parler de l’analyse combinatoire, c’est aussi parler des

arrangements, des permutations, et des combinaisons.

En mathématiques, l’analyse combinatoire est l’étude des

différentes manières de ranger les éléments d’un ensemble
quelconque.
En effet, elle fournit des méthodes de dénombrement

particulièrement utiles en théorie des probabilités.
Dénombrer un ensemble E , c’est déterminer son cardinal.
Parler de l’analyse combinatoire, c’est aussi parler des

arrangements, des permutations, et des combinaisons.

En résumé
L’analyse combinatoire est un ensemble de techniques qui

permettent d’effectuer le comptage des cas de réalisation ou
de non réalisation d’un événement.
Elle fait essentiellement appel aux notions de tirages

exhaustifs (sans remise) et non exhaustifs (avec remise) ainsi
que de pertinence ou de non pertinence de l’ordre d’apparition
des événements.
Elle comprend l’étude des arrangements, des permutations et

des combinaisons.

En résumé
L’analyse combinatoire est un ensemble de techniques qui

permettent d’effectuer le comptage des cas de réalisation ou
de non réalisation d’un événement.
Elle fait essentiellement appel aux notions de tirages

exhaustifs (sans remise) et non exhaustifs (avec remise) ainsi
que de pertinence ou de non pertinence de l’ordre d’apparition
des événements.
Elle comprend l’étude des arrangements, des permutations et

des combinaisons.

Exemple introductif
Contexte : supposons que trois équipes A, B et C participent

à un tournoi dans lequel sont déterminées la première, la
deuxième et la troisième place.
Question : Quel est le nombre des manières différentes

permettant d’attribuer le classement de ces 3 équipes ?

Exemple introductif
Contexte : supposons que trois équipes A, B et C participent

à un tournoi dans lequel sont déterminées la première, la
deuxième et la troisième place.
Question : Quel est le nombre des manières différentes

permettant d’attribuer le classement de ces 3 équipes ?

Exemple introductif

Exemple introductif
On remarque que le nombre de possibilités de classement 6 est le

produit du:
Nombre de possibilités d’attribuer la première place : 3
possibilités.
Nombre de possibilités d’attribuer la deuxième place après que

la première place a été attribuée: 2 possibilités.
Nombre de possibilités d’attribuer la troisième place après que

les deux premières étant déjà fixées: 1 possibilité.

Principe général
Si une première opération peut être effectuée de n1 manières

différentes.
Puis une seconde opération peut être effectuée de n2 manières
différentes.
Puis une troisième opération peut être effectuée de n3
manières différentes.
...Et ainsi de suite jusqu’à une k ème opération qui peut être
effectuée de nk manières différentes.
Alors l’ensemble de toutes ces opérations peut être effectué
de:
n1 ∗ n2 ∗ ... ∗ nk
manières différentes.
Application
Vous achetez une valise à code de 4 chiffres. Combien de

possibilités avez-vous de choisir un code?
Réflichir: Une classe se compose de 12 filles et 9 garçons.

De combien de façons peuvent être choisis un président de
classe, un vice-président, un trésorier et un secrétaire, si le
trésorier doit être une fille, le secrétaire un garçon, et si un
étudiant ne peut exercer plus d’une charge?

Application
Vous achetez une valise à code de 4 chiffres. Combien de

possibilités avez-vous de choisir un code?
Réflichir: Une classe se compose de 12 filles et 9 garçons.

De combien de façons peuvent être choisis un président de
classe, un vice-président, un trésorier et un secrétaire, si le
trésorier doit être une fille, le secrétaire un garçon, et si un
étudiant ne peut exercer plus d’une charge?

Permutations
Définition
Etant donné un ensemble E tel que card(E ) = n. Une

permutation d’éléments de E est une liste (ordonnée) de tous
les éléments de E ( donc de longueur n).
Autrement, une permutation est une disposition ordonnée de

tous les éléments de E .
Pour plus de précision, une permutation de n éléments

distincts e1 ; ... ; en est un réarrangement ordonné, sans
répétition de ces n éléments.

Permutations
Théorème
Le nombre de permutations possibles sur les n éléments d’un

ensemble E , noté Pn , est n!:
Pn = n!
Démonstration. Par application du principe général:

1ère étape : n choix possibles.
2ème étape : n − 1 choix possibles.
...
nème étape : 1 choix possibles.

Permutations
Exemples:
Soit E l’ensemble donné par: E = {a, b, c, d}.
Une permutation possible de E est {a, c, b, d}.
Le nombre total des permutations possibles est : 4! = 24.

Permutations
Exemples:
Une maitresse de primaire doit placer 6 élèves sur une ligne.

Combien a-t-elle de possibilités?
Les quatre remplaçants d’une équipe de volley prennent place

sur le banc des remplaçants. De combien de manières
différentes peuvent-ils s’asseoir ?
On permute les lettres du mot BANC . Quel est le nombre des

mots possibles? Quel est le nombre de mots commençant par
B possibles?

Arrangements
Défnition
Etant donné un ensemble E contenant n éléments

(card(E ) = n), on appelle arrangements de p éléments de E
toutes listes ordonnées de p éléments pris parmi les n
éléments.
Pour obtenir un arrangement de p éléments de E , il faut donc

choisir p éléments parmi les n éléments de E et les ordonner
en leur mettant par exemple un numéro de 1 à p.
Le nombre d’arrangements de p objets pris parmi n est noté

Apn .

Arrangements
Exemples
Les arrangements de 2 éléments pris dans {a; b; c; d} sont :
(a, a), (a; b); (a; c); (a; d); (b, b); (b; a); (b; c); (b; d);
(c, c); (c; a); (c; b); (c; d); (d, d); (d; a); (d; b); (d; c)

Arrangements
Faites attention!!!!
Arrangements sans répétitions: Lorsque chaque élément ne

peut être observé qu’une seule fois dans un arrangement, le
nombre d’arrangements sans répétition de p éléments pris
parmi n est alors :
n!
Apn =
(n − p)!
On parle de tirage sans remise.
Arrangements avec répétitions: Lorsqu’un élément peut

être observé plusieurs fois dans un arrangement, le nombre
d’arrangement avec répetition de p éléments pris parmi n, est
alors :
Apn = n ∗ n ∗ ... ∗ n = np
On parle de tirage avec remise.
Arrangements
Exemples
Combien de mots de 3 lettres distinctes peuvent être formés

dans un alphabet de 26 lettres?
Combien de mots de 3 lettres peuvent être formés dans un

alphabet de 26 lettres?
La réponse est : A326 = 242526 = 15600.
La réponse est : A326 = 263 = 15576.

Arrangements
Exemples


La réponse est : A326 = 242526 = 15600.
La réponse est : A326 = 263 = 15576.

Arrangements
Exemples


La réponse est : A326 = 242526 = 15600.
La réponse est : A326 = 263 = 15576.

Combinaisons
Définition
Etant donné un ensemble E de cardinal n, une combinaison

de p éléments de E est un sous ensemble de E de cardinal p.
La notion d’ordre ou de numération des éléments n’existe

plus. Il y a moins de combinaisons de p éléments que
d’arrangements à p éléments.
Le nombre de combinaisons de p éléments pris parmi n est :

n!
Cnp =
(n − p)!p!

Combinaisons
Propriétés des combinaisons
Soient n et p deux entiers naturels

Cn0 = Cnn = 1
Cn1 = Cnn−1 = n
Symétrie: Cnn−p = Cnp
Formule de Pascal:Cnp = Cn−1
p p−1
+ Cn−1 ( A Montrer)
Formule de Newton: soient a et b deux réels alors:
k=n
X
(a + b)n = Cnk an−k b k
k=0

Applications
Combien de menus différents peut-on composer si on a le

choix entre 3 entrées, 2 plats et 4 desserts ?
Un questionnaire à choix multiples, autorisant une seule
réponse par question, comprend 15 questions. Pour chaque
question, on propose 4 réponses possibles. De combien de
façons peut-on répondre à ce questionnaire ?
En informatique, on utilise le système binaire pour coder les
caractères. Un bit est un élément qui prend la valeur 0 ou la
valeur 1. Avec 8 chiffres binaires (un octet), combien de
caractères peut-on coder ?
A l’occasion d’une compétition sportive groupant 18 athlètes,
on attribue une médaille d’or, une d’argent, une de bronze.
Combien y-a-t-il de distributions possibles (avant la
compétition, bien sur) ?

Probabilité
Définition: Expérience aléatoire
Une expérience aléatoire est une expérience dont on ne peut

pas prévoir le résultat de façon certaine.
Autrement-dit, lorsqu’on recommence l’expérience, le résultat
varie et semble dépendre du hasard.
On appelle l’ensemble des résultats possibles d’une expérience
aléatoire, noté Ω l’ensemble ou l’espace fondamental.
On ne s’intéresse qu’aux expériences aléatoires dont on peut
indiquer l’ensemble fondamental.

Probabilité


Probabilité


Probabilité


Probabilité
Exemples
Le jet d’un dé est une expérience aléatoire. L’espace

fondamental dans ce cas est Ω = {1; 2; 3; 4; 5; 6}.
On jette une pièce de monnaie deux fois de suite: c’est une
expérience aléatoire. L’espace fondamental est :
Ω = {PP, FF , PF , FP}.
On choisit au hasard un étudiant et on note sa taille; c’est une
expérience aléatoire.L’espace fondamental est : Ω = [a, b].
Le jet d’un dé dont toutes les faces sont les mêmes n’est pas
une expériance aléatoire car on est sûr du résultat de
l’expérience.

Probabilité
Exemples

Ω = {PP, FF , PF , FP}.
l’expérience.

Probabilité
Exemples

Ω = {PP, FF , PF , FP}.
l’expérience.

Probabilité
Exemples

Ω = {PP, FF , PF , FP}.
l’expérience.

Probabilité
Exemples

Ω = {PP, FF , PF , FP}.
l’expérience.

Probabilité
Exemples

Ω = {PP, FF , PF , FP}.
l’expérience.

Probabilité
Exemples

Ω = {PP, FF , PF , FP}.
l’expérience.

Probabilité
Définition:Evénements
Un événement est un sous ensemble de l’ensemble

fondamental.
Soit Ω l’ensemble issu du jet d’un dé. Alors Ω = {1; 2; 3; 4; 5; 6}.

Probabilité
Définition:Evénements
Un événement est un sous ensemble de l’ensemble

fondamental.
Soit Ω l’ensemble issu du jet d’un dé. Alors Ω = {1; 2; 3; 4; 5; 6}.

Probabilité
Evénements particuliers
On appelle événement impossible l’événement qui ne contient

aucune issue favorable à Ω et on le note ∅.
On appelle événement certain l’événement qui se réalise pour

toute éventualité, c’est-à-dire Ω.
L’événement A est l’événement contraire de l’événement A.

Probabilité
Evénements particuliers
Evénements Incompatibles: Deux événements A et B sont

incompatibles si la réalisation de l’un des événements exclue la
réalisation de l’autre. Autrement dit: A ∩ B = ∅.
Système Complet d’événements: A1 , A2 ,..., An forment un

système complet d’événements si les parties A1 , A2 ,..., An de
Ω constituent une partition de Ω tels que :
1 Ai ∩ Aj = ∅ ∀i 6= j.
2 Les Ai vérifient:
i=n
[
Ai = Ω
i=0

Probabilité
Exemple
Dans une urne, on a des cubes et des boules rouges et verts. On

tire un de ces objects au hasard. Soeint les événements suivants:
A1 : ”L’objet tiré est un cube.” A2 :” L’objet tiré est une
boule”.
B1 :”L’objet tiré est rouge” et B2:”L’objet tiré est vert”.
C1 :” L’objet tiré est une boule rouge”,C2 : ” L’objet tiré est

un cube rouge”, et C3 : ” L’objet tiré est vert”.
Chercher les systèmes complets possibles.

Probabilité
Exemple
Dans une urne, on a des cubes et des boules rouges et verts. On

tire un de ces objects au hasard. Soeint les événements suivants:
A1 : ”L’objet tiré est un cube.” A2 :” L’objet tiré est une
boule”.
B1 :”L’objet tiré est rouge” et B2:”L’objet tiré est vert”.
C1 :” L’objet tiré est une boule rouge”,C2 : ” L’objet tiré est

un cube rouge”, et C3 : ” L’objet tiré est vert”.
Chercher les systèmes complets possibles.

Probabilité
Définition: Tribu
Soit P l’ensemble des parties d’un ensemble Ω, et soit C une partie

non vide de P.
On dit que C est une tribu de parties de Ω s’elle vérifie les
conditions suivantes:
∀A ∈ C, A ∈ C.
Si A1 , A2 ,..., An ,... sont des éléments de C, alors :

[
An ∈ C
n∈N
Ω ∈ C.

Phénomène déterministe
Définition
On parle d’un phénomène déterministe si les résultats sont

connus sûrement au préalable.
Imaginons qu’on étudie le phénomène déterministe suivant: le

jet d’un dé qui a le numéro 6 sur toutes ses faces.
L’événement A = ”On tire un 6” se produit toujours, on lui

associe le nombre 1.
Par contre, l’événement B = ” On tire un 4” ne se produit

jamais , on lui associe une valeur 0.
Dans le cas déterministe, il n’y a que des événements qui

se produisent toujours ou qui ne se produisent jamais.
On associe uniquement des 0 ou bien des 1.

Définition






Définition






Définition






Définition






Phénomène aléatoire
Définition
Intéressons-nous à des phénomènes aléatoires; c’est à dire qui

arrivent ” peut être”. Il s’agit, en fait, de quantifier ce ” peut
être”.
Prenons un dé non truqué. L’événement A n’est plus certain:

on ne peut plus lui associer un 1. Mais il n’est pas impossible
non plus, donc on ne peut pas lui associer la valeur 0.
Il est entre certain et impossible, on lui associe une valeur

entre 0 et 1.
Plus ce nombre est proche de 1, plus l’événement a des fortes

chances de se produire, plus ce nombre est près de 0, plus
l’événement est rare.

Définition

être”.


entre 0 et 1.


Définition

être”.


entre 0 et 1.


Définition

être”.


entre 0 et 1.


Probabilité
Définition
Une probabilité est une application allant de l’ensemble des

événements Ω dans l’intervalle [0; 1]:
P : Ω −→ [0, 1]
A 7−→ P(A)
qui vérifie les trois critères suivants:
0 ≤ P(A) ≤ 1
P(Ω) = 1 et P(∅) = 0.
Si A ∩ B = ∅, alors:
P(A ∪ B) = P(A) + P(B)

Probabilité
Définition
Une probabilité est une application allant de l’ensemble des

événements Ω dans l’intervalle [0; 1]:
P : Ω −→ [0, 1]
A 7−→ P(A)
qui vérifie les trois critères suivants:
0 ≤ P(A) ≤ 1
P(Ω) = 1 et P(∅) = 0.
Si A ∩ B = ∅, alors:
P(A ∪ B) = P(A) + P(B)

Probabilité
Proposition
Si A ∩ B 6= ∅ alors,
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
Si on a A1 , A2 ,..., An des événements deux à deux disjoints ,
alors la probabilité P vérifie que:
i=n
[ i=n
X
P( Ai ) = P(Ai )
i=1 i=1
Si A est un événement, alors:
P(A) = 1 − P(A)
Si A et B sont deux événements tels que A ⊂ B alors:
P(A) ≤ P(B)
Probabilité
Application 1
Prenons l’exemple du jet d’une pièce de monnaie.Ω = {P, F }.
Considérons les événements: A1 = ∅ ; A2 = {P}, A3 = {F },

et A4 = {P; F } = Ω.
Soit l’application P donnée par: P(A1 ) = 0, P(A2 ) = 1/3,

P(A3 ) = 2/3 et P(A4 ) = 1.
Montrer que P est une probabilité.

Probabilité
Application 1
Prenons l’exemple du jet d’une pièce de monnaie.Ω = {P, F }.
Considérons les événements: A1 = ∅ ; A2 = {P}, A3 = {F },

et A4 = {P; F } = Ω.
Soit l’application P donnée par: P(A1 ) = 0, P(A2 ) = 1/3,

P(A3 ) = 2/3 et P(A4 ) = 1.
Montrer que P est une probabilité.

Probabilité
Application 2
Soit A et B deux évènements aléatoires avec P(A) = 1/2 et

P(B) = 1/2. Déterminer P(A ∪ B) lorsque:
1 A et B sont incompatibles.
2 P(A ∩ B) = 1/2.
Une urne contient des boules vertes, rouges et jaunes. On tire

une boule de l’urne. On note: A : ”Tirer une boule verte”, B
: ”Tirer une boule ni verte ni jaune”, C : ”Tirer une boule
rouge ou une boule jaune ”.
1 A et B sont-ils incompatibles?
2 B et C sont -ils incompatibles?
3 Traduire par des phrases les négations de A et B.

Equiprobablié
Définition Soient une expérience alétoire, un espace fondamental

et une probabilité. Supposons que l’ensemble fondamental Ω est
fini de cardinal n et s’écrit sous la forme:
Ω = {a1 , a2 , a3 , ..., an }
On suppose que chaque événement Ai = {ai } a la même

probabilité de réalisation p c’est à dire:
P(Ai ) = p pour tout i = 1, 2, .., n
Dans cette situation, on dit qu’on est dans le cas

d’équiprobablité.

Equiprobablié
Nous avons :
Ω = ∪ni=1 Ai
Or, on sait que P(Ω) = 1, et comme les événements sont
disjoints deux à deux:
P(Ω) = 1 = P(∪ni=1 Ai )
et
P(∪ni=1 Ai ) = Σni=1 P(Ai ) = np
Ce qui donne que :
1
p=
n
Donc pour chaque événement Ai , nous avons:
1
P(Ai ) = =p
n
Equiprobablié
Nous avons :
Ω = ∪ni=1 Ai
Or, on sait que P(Ω) = 1, et comme les événements sont
disjoints deux à deux:
P(Ω) = 1 = P(∪ni=1 Ai )
et
P(∪ni=1 Ai ) = Σni=1 P(Ai ) = np
Ce qui donne que :
1
p=
n
Donc pour chaque événement Ai , nous avons:
1
P(Ai ) = =p
n
Equiprobablié
Nous pouvons remarquer que tout événement A est une
réunion d’événements élémentaires Ai .
Alors pour un certain sous ensemble d’indices J de l’ensemble
{1, 2, 3..., n}, on peut écrire A:
A = ∪i∈J
Or les Ai sont disjoints deux à deux:
P
X X1 Card(A)
P(A) = P(Ai ) = = i∈J =
n n Card(Ω)
i∈J i∈J
Donc pour le cas d’équiprobabilité:
Card(A)
P(A) =
Card(Ω)
Autrement,
nombre de cas favorables
P(A) =
nombre de cas possibles
Equiprobablié
Nous pouvons remarquer que tout événement A est une
réunion d’événements élémentaires Ai .
Alors pour un certain sous ensemble d’indices J de l’ensemble
{1, 2, 3..., n}, on peut écrire A:
A = ∪i∈J
Or les Ai sont disjoints deux à deux:
P
X X1 Card(A)
P(A) = P(Ai ) = = i∈J =
n n Card(Ω)
i∈J i∈J
Donc pour le cas d’équiprobabilité:
Card(A)
P(A) =
Card(Ω)
Autrement,
nombre de cas favorables
P(A) =
nombre de cas possibles
Equiprobabilité
Exemples:
Soit l’exemple du jet d’un dé non truqué. On s’intéresse à

calculer la probabilié d’avoir l’événement : ” On obtient un
chiffre supérieur ou égal à 5”.
On lance 2 dés non truqués. Chercher la probabilité de

l’événement : ” on obtient au moins un chiffre impair”.

Probabilité conditionnelle
Définition
Etant donné une expérience aléatoire, un ensemble

fondamental et une probabilité P. Nous avons vu comment
calculer la probabilité d’un événement.
Nous nous intéressons toujours à calculer cette probabilité

mais sous la supposition de la possession d’une information
complémentaire étudiée.

Définition
Si A et B sont des événements tels que P(A) 6= 0, la

probabilité conditionnelle de B sachant que A notée P(B/A)
est donnée par:
P(A ∩ B)
P(B/A) =
P(A)
Par convention si P(A) = 0, on pose P(B/A) = 0.
On jet un dé. Quelle est la probabilité de l’événement A:

”Obtenir 2 ”, sachant l’événement B: ” Le nombre obtenu est
pair”?

Définition
Si A et B sont des événements tels que P(A) 6= 0, la

probabilité conditionnelle de B sachant que A notée P(B/A)
est donnée par:
P(A ∩ B)
P(B/A) =
P(A)
Par convention si P(A) = 0, on pose P(B/A) = 0.
On jet un dé. Quelle est la probabilité de l’événement A:

”Obtenir 2 ”, sachant l’événement B: ” Le nombre obtenu est
pair”?

Formule de Bayes
Si A et B sont deux événements, alors :

P(A)P(B/A)
P(A/B) =
P(A)P(B/A) + P(A)P(B/A)
Avec A c’est l’événement contraire de A.

Indépendance
On dit que les deux événements A et B sont indépendants si :
P(A ∩ B) = P(A)P(B)
Application: Le tableau suivant donne la répartition de 150

étudiants en fonction de la langue choisie et de la pratique
informatique choisie:
Word(W ) Excel(E ) PowerPoint(P)

Arabe(A) 45 18 27
Francais(F ) 33 9 18
Les événements ” étudier le Francais” et ” Pratiquer le Word”

sont-ils indépendants? Les événements ” Etudier l’Arabe” et ”
Pratiquer le Power Point” sont-ils indépendants?

Indépendance
On dit que les deux événements A et B sont indépendants si :
P(A ∩ B) = P(A)P(B)
Application: Le tableau suivant donne la répartition de 150

étudiants en fonction de la langue choisie et de la pratique
informatique choisie:
Word(W ) Excel(E ) PowerPoint(P)

Arabe(A) 45 18 27
Francais(F ) 33 9 18
Les événements ” étudier le Francais” et ” Pratiquer le Word”

sont-ils indépendants? Les événements ” Etudier l’Arabe” et ”
Pratiquer le Power Point” sont-ils indépendants?

Indépendance
Solution.
Il faut compléter le tableau en rajoutant la ligne et la colonne

total:
Word(W ) Excel(E ) PowerPoint(P) Total

Arabe(A) 45 18 27 90
Francais(F ) 33 9 18 60
Total 78 27 45 150
On sait que pour tout événement A:
Card(A)
P(A) =
Card(Ω)

Indépendance
On calcule séparément:
78 33
P(F ∩ W ) = P(W ) ∗ P(F /W ) = ∗
150 78
60 78
P(F ) ∗ P(W ) = ∗
150 150
On remarque que les deux valeurs sont différentes. On peut
conclure que les deux événements F et W ne sont pas
indépendants.
T.A.F.

Applications
Dans un magasin d’éléctroménager, on s’intéresse au

comportement d’un acheteur potentiel d’une machine à laver
et d’un lave-vaisselle. La probabilité pour qu’il achète une
machine à laver est de 0.6. La probabilité pour qu’il achète un
lave-vaisselle quand il a acheté une machine à laver est de 0.4.
La probabilité pour qu’il achète un lave-vaisselle quand il a
acheté de machine à laver est de 0.2.
Quelle est la probabilité pour qu’il achète une machine à laver

et un lave-vaisselle?
Quelle est la probabilité pour qu’il achète un lave-vaisselle ?
Le client achète un lave-vaisselle. Quelle est la probabilité

qu’il achète une machine à laver?

Variable Aléatoire
Exemple introductif
On joue à une pièce de monnaie non truquée.

La régle du jeu ( gagner ou perdre ) est la suivante
Si on fait pile, on gagne 100 dh.
Sinon, on fait face, on perd 50dh.

Exemple introductif
Cette situation peut être représentée à l’aide de la
modélisation probabiliste suivante:
L’expérience aléatoire est le jet de la pièce.
L’ensemble fondamental c’est Ω = {P; F }.
La probabilité est donnée par :
P(”Obtenir pile”) = P(”Obtenir face”) = 1/2
On définit la fonction du gain/perte notée X comme suit :
”R éaliser pile” −→ 100dh
”R éaliser face” −→ −50dh

X prend ses valeurs dans l’ensemble ΩX = {100, −50}.
X est une variable alétoire définie sur ΩX

Exemple introductif
Cette situation peut être représentée à l’aide de la
modélisation probabiliste suivante:
L’expérience aléatoire est le jet de la pièce.
L’ensemble fondamental c’est Ω = {P; F }.
La probabilité est donnée par :
P(”Obtenir pile”) = P(”Obtenir face”) = 1/2
On définit la fonction du gain/perte notée X comme suit :
”R éaliser pile” −→ 100dh
”R éaliser face” −→ −50dh

X prend ses valeurs dans l’ensemble ΩX = {100, −50}.
X est une variable alétoire définie sur ΩX

Définition
On se donne une expérience aléatoire, un espace fondamental Ω et
une probabilité P.
Une variable aléatoire X est une application de l’ensemble des

événements dans un ensemble de réels noté ΩX .
Si l’ensemble ΩX est fini ou dénombrable, on parle d’une

variable aléatoire discrète.
Si l’ensemble ΩX est un intervalle de IR, on parle d’une

variable aléatoire continue.

Types des Variables aléatoires

Une variable aléatoire est dite discrète lorsque les valeurs
réelles qu’elle est susceptible de prendre sont en nombre fini
ou dénombrable. Exemples:
Nombre de ”face” apparaissant après 10 jets d’une pièce ;
Nombre de véhicules passant à un carrefour dans une journée;
Nombre de clients entrant dans un magasin le samedi.
Une variable aléatoire est dite continue si elle peut prendre

toutes les valeurs d’un intervalle. Exemples:
Intervalle de temps entre 2 passages de train;
Durée de vie en secondes d’une pièce mécanique.
Une variable alétaoire est complétement définie par sa loi de
probabilité.

Types des Variables aléatoires

Une variable aléatoire est dite discrète lorsque les valeurs
réelles qu’elle est susceptible de prendre sont en nombre fini
ou dénombrable. Exemples:
Nombre de ”face” apparaissant après 10 jets d’une pièce ;
Nombre de véhicules passant à un carrefour dans une journée;
Nombre de clients entrant dans un magasin le samedi.
Une variable aléatoire est dite continue si elle peut prendre

toutes les valeurs d’un intervalle. Exemples:
Intervalle de temps entre 2 passages de train;
Durée de vie en secondes d’une pièce mécanique.
Une variable alétaoire est complétement définie par sa loi de
probabilité.

Loi de Probabilité
Définition
Soit X une variable aléatoire et ΩX son ensemble d’arrivée.
La loi de probabilité de la variable aléatoire X est la fonction

f définie de ΩX vers [0; 1], qui à chaque valeur x de ΩX
associe la probabilité de réalisation de l’événement ”X = x”
correspondant. Autrement dit:
f : ΩX −→ [0, 1]
x 7−→ f (x) = P(X = x)

Exemple
Reprenons l’exemple précédent.
La loi de probabilité f de la variable aléatoire X est la

fonction définie sur ΩX = {100, −50} vers [0, 1]
f : {100, −50} −→ [0, 1]
x 7−→ f (x) = P(X = x)

telle que:
f (100) = P(X = 100) = P(X = ”R éaliser pile”) = 1/2
f (−50) = P(X = −50) = P(X = ”R éaliser face”) = 1/2

Remarques
1 Quand on demande la loi de probabilité de la variable aléatoire

X , on exige deux choses:
Déterminer l’ensemble ΩX des valeurs x prises par X .
Déterminer la fonction f : x −
7 → f (x) = P(X = x).
2 On établie un tableau de la forme: sur la première ligne, on

énumère les valeurs prises par X et sur la seconde ligne on
donne les probabilités correspondantes.
3 Pour l’exemple:
x −50 100
P(X = x) 1/2 1/2

Remarques
1 Quand on demande la loi de probabilité de la variable aléatoire

X , on exige deux choses:
Déterminer l’ensemble ΩX des valeurs x prises par X .
Déterminer la fonction f : x −
7 → f (x) = P(X = x).
2 On établie un tableau de la forme: sur la première ligne, on

énumère les valeurs prises par X et sur la seconde ligne on
donne les probabilités correspondantes.
3 Pour l’exemple:
x −50 100
P(X = x) 1/2 1/2

Remarques
Quand on donne une fonction f et qu’on demande de montrer

que cette f définit une loi de probabilité, on exige deux
choses:
1 Montrer que f prend des valeurs positives: ∀x, f (x) ≥ 0.
P
2 Montrer que la somme des probabilités fait 1: f (x) = 1.

Remarques
Lorsque f est donnée par un tableau, il est très simple de

vérifier que tous les nombres de la seconde ligne sont positifs
et que la somme des nombres de cette seconde ligne est égale
à 1.
Il faut toujours penser que la variable aléatoire X est une

fonction : il est donc erroné d’écrire P(X ); par contre il faut
écrire P(X = x) qui a un sens puisque ”X = x” est un
événement.

Variable Aléatoire Discrète
Dans un premier temps, on étudiera les variables aléatoires

discrètes, à savoir:
Fonction de répartition.
Caractéristique d’une V.A.D.
Lois Classiques.

Définition et propriétés
La fonction de répartition de la variable aléatoire X est la

fonction, notée F , de IR dans [0; 1] définie par:
F : IR −→ [0, 1]
t 7→ F (t) = P(X < t)

La fonction de répartition F est une fonction croissante.
limt7→+∞ F (t) = 1; limtt7→−∞ F (t) = 0.
Si a < b alors, F (b) − F (a) = P(a ≤ X < b).

Exemple
Reprenons l’exemple précédent: ΩX = {−50; 100} et que X a

pour loi de probabilité: P(X = −50) = 1/2 et
P(X = 100) = 1/2.
Cette loi se représente graphiquement en mettant en
abscisseles valeurs prises par X et en ordonnée les valeurs de
la probabilité de l’événement ”X = x”

Exemple
Cherchons la fonction de répartition de X .

Il s’agit de déterminer P(X < t) pour t ∈ IR. Comme X
prend deux valeurs −50 et 100 il y a trois situation à
envisager:
1 Si t < −50, alors F (t) = P(X < t) = P(∅) = 0.
2 Si −50 < t ≤ 100, alors F (t) = P(X = −50) = 1/2.
3 Si 100 < t, alors:
F (t) = P(X < t) = P(X = −50 ou X = 100)
= P(X = −50) + P(X = 100) = 1

Exemple
Graphiquement, le graphe de la fonction de répartition est ”en

escalier”, on vérifie que les propriétés de croissance de 0 à 1
sont remplises.
Le graphe est le suivant:

Caractéristique d’une V.A.D
Définition
Soit X une v.a.d et soit f sa loi de probabilité.
On appelle espérence de X et on note E (X ) le nombre réel
(s’il existe): X
E (X ) = xi P(X = xi )
i
L’espérence de X représente une certaine mesure de la

moyenne de X .
Il faut bien comprendre que E (X ) est un nombre different de
X qui est une v.a. Par ailleurs, E (X ) est la valeur que l’on
espère avoir à partir de X .

Remarques
Soit X une v.a.d et soit f sa loi de probabilité.
Soit a ∈ IR. E (a) = a car a n’est pas aléatoire donc sa
probabilité est 1. En effet:
X
E (a) = ai P(a = ai ) = a ∗ 1 = a
i
Une v.a.d dont l’espérance est nulle est dite centrée.

Exemple
Soit le jet d’un dé non truqué. La variable aléatoire X est le
numéro obtenu.
Ω = {1; 2; 3; 4; 5; 6} et ΩX = {1; 2; 3; 4; 5; 6}
La loi de probabilité est donnée par:
P(X = 1) = P(X = 2) = P(X = 3) =
P(X = 4) = P(X = 5) = P(X = 6) = 1/6

L’espérence est :
X
E (X ) = xi P(X = xi ) = 1 ∗ P(X = 1) + 2 ∗ P(X = 2)
i
+3∗P(X = 3)+4∗P(X = 4)+5∗P(X = 5)+6∗P(X = 6) = 7/2

Définition
Soit m un entier naturel.
D’une façon générale, on appelle moment d’ordre m de X et
on note E (X m ) le nombre réel:
X
E (X m ) = (xi )m P(X = xi )
i
Pour l’exemple précédent :
E (X 2 ) = 91/6

Définition
Soit m un entier naturel.
D’une façon générale, on appelle moment d’ordre m de X et
on note E (X m ) le nombre réel:
X
E (X m ) = (xi )m P(X = xi )
i
Pour l’exemple précédent :
E (X 2 ) = 91/6

Définition
On appelle variance d’une variable aléatoire X et on

noteV (X ) , le nombre réel (s’il existe):
V (X ) = E (X − E (X ))2
ou encore
V (X ) = E (X 2 ) − (E (X ))2
La variance mesure la dispersion de X autour de sa valeur
centrale E (X ).
Une v.a pour laquelle la variance est égale à 1 est dite réduite.
On appelle écart type la racine carrée de la variance:

p
σX = V (X )

Application
On jette deux dés équilibrés. Soit X la variable aléatoire
représentant la somme des chiffres obtenus.
Déterminer la loi de probabilité f de X .
Calculer son espérence et sa variance.
Déterminer la fonction de répartition FX .
Repésenter graphiquement FX et f .
Calculer les probabilités des événements suivants:
”X ≥ 6”; ”X < 4”; ”2 ≤ X ≤ 8”

Lois classiques
Il existe un certain nombre de lois de probabilités qui reviennent

très souvent dans les modélisations probablistes et qu’il convient
de bien connaitre ainsi que leurs caractéristiques.

Loi de Bernouil B(p)
Cette loi est la plus simple, elle s’utilise lorsqu’on s’intéresse à

des variables aléatoires qui prennent uniquement deux valeurs:
on code le résultat de l’expérience par 0 si c’est un échec et 1
si c’est un succés.
Exemple: on veut savoir si une personne est fumeuse ou non

fumeuse. On codifie par ”1” la réponse ”oui” et par ”0” la
réponse ”non”.

Cette loi est la plus simple, elle s’utilise lorsqu’on s’intéresse à

des variables aléatoires qui prennent uniquement deux valeurs:
on code le résultat de l’expérience par 0 si c’est un échec et 1
si c’est un succés.
Exemple: on veut savoir si une personne est fumeuse ou non

fumeuse. On codifie par ”1” la réponse ”oui” et par ”0” la
réponse ”non”.

Définition
La variable aléatoire X suit une loi de Bernouilli de paramètre p
(0 ≤ p ≤ 1) si:
1 Elle prend deux valeurs
ΩX = {0; 1}
2 Sa loi est donnée par:
P(X = 1) = p, P(X = 0) = 1 − p

Définition
La variable aléatoire X suit une loi de Bernouilli de paramètre p
(0 ≤ p ≤ 1) si:
1 Elle prend deux valeurs
ΩX = {0; 1}
P(X = 1) = p, P(X = 0) = 1 − p

Exemple
1 On joue à pile ou face; la variable aléatoire X = ” résultat de

l’expérience” suit une loi de Bernouilli.
2 En effet, on a ΩX = {P; F } on codifie Pile par ”1” et Face

par ”0”. la loi de X est :
P(X = Pile) = p et P(X = Face) = 1 − p
3 Si la pièce n’est pas truquée:
p = 1/2

Théorème
La loi de Bernouilli est une loi de probabilité.
En effet,
P(X = 1) = p ≥ 0 et P(X = 0) = 1 − p ≥ 0.
P(X = 1) + P(X = 0) = p + (1 − p) = 1

Théorème
La loi de Bernouilli est une loi de probabilité.
En effet,
P(X = 1) = p ≥ 0 et P(X = 0) = 1 − p ≥ 0.
P(X = 1) + P(X = 0) = p + (1 − p) = 1

Théorème
Si X suit une loi de Bernouilli de paramètre p, alors:
E (X ) = p;
E (X ) = 1 ∗ P(X = 1) + 0 ∗ P(X = 0) = p
V (X ) = p(1 − p);
V (X ) = E (X 2 )−(E (X ))2 = 12 ∗P(X = 1)+02 ∗P(X = 0)−p 2
V (X ) = p − p2 = p(1 − p)

Théorème
E (X ) = p;
E (X ) = 1 ∗ P(X = 1) + 0 ∗ P(X = 0) = p
V (X ) = p(1 − p);
V (X ) = E (X 2 )−(E (X ))2 = 12 ∗P(X = 1)+02 ∗P(X = 0)−p 2
V (X ) = p − p2 = p(1 − p)

Théorème
E (X ) = p;
E (X ) = 1 ∗ P(X = 1) + 0 ∗ P(X = 0) = p
V (X ) = p(1 − p);
V (X ) = E (X 2 )−(E (X ))2 = 12 ∗P(X = 1)+02 ∗P(X = 0)−p 2
V (X ) = p − p2 = p(1 − p)

Théorème
E (X ) = p;
E (X ) = 1 ∗ P(X = 1) + 0 ∗ P(X = 0) = p
V (X ) = p(1 − p);
V (X ) = E (X 2 )−(E (X ))2 = 12 ∗P(X = 1)+02 ∗P(X = 0)−p 2
V (X ) = p − p2 = p(1 − p)

Loi binomiale B(n; p)
Cette loi s’utilise lorsqu’on répète une même expérience aléatoire

plusieurs fois de suite et que l’on s’intéresse au nombre de succès
ou d’échecs obtenus.

Définition
La variable aléatoire X suit une loi Binomiale notée B(n; p) de
paramètres n ∈ IN et p ∈ [0; 1] si:
1 Elle prend toutes les valeurs de 0 à n :
ΩX = {0; 1; :::; n}
∀k ∈ ΩX ; P(X = k) = Cnk p k (1 − p)n−k

Exemple
On joue 10 fois à pile ou face avec une pièce telle que :
P(”Avoirpile”) = 1/3 P(”Avoirface”) = 2/3
La variable aléatoireX = ”Nombre de piles obtenus” suit une

loi Binomiale (10; 1/3).
En effet, on lance 10 fois ΩX = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10}.
Soit k compris entre 0 et 10. Cherchons P(X = k).
La probabilité de l’événement ” faire k piles de suite puis n-k
faces ” est donnée par :
(1/3)∗(1/3)∗...∗(1/3)∗(2/3)∗(2/3)∗...∗(2/3) = (1/3)k ∗(2 = 3)10−ı̈?‘

Maintenant, il s’agit de trouver le nombre de façons de placer
k .
k piles parmi 10 lances c’est C10
Théorème
La loi binomiale est une loi de probabilité.
P(X = 0) = Cn0 p 0 (1 − p)n−0 = (1 − p)n ≥ 0

P(X = n) = Cnn p n (1 − p)n−n = ((p)n ≥ 0
et
Σnk=0 P(X = k) = P(X = 0) + ... + P(X = n)
= P(X = 0) = Cn0 p 0 (1 − p)n−0 + .. + Cnn p n (1 − p)n−n =
= (p + (1 − p))n = 1
E (X ) = np;
V (X ) = np(1 −ı̈?‘ 12 p).

Loi uniforme Un
La loi uniforme s’utilise dès qu’il s’agit d’effectuer un tirage ;

lancer un dé non truqué, tirer au hasard un individu dans une
population...

Loi uniforme Un
Définition
La variable aléatoire X suit une loi uniforme notée Un de
paramètre n si:
Elle prend toutes les valeurs de 1 à n
ΩX = {0; 1; ...; n}
Sa loi est donnée par:

1
∀k ∈ Ωk P(X = k) =
n

Loi uniforme Un
Exemple
On lance un dé non truqué.
La variable X = ” nombre obtenu” suit une loi uniforme U6 .
En effet, comme le dé est non truqué:
P(X = 1) = P(X = 2) = ... = 1/6

Loi uniforme Un
Théorème Si X suit une loi uniforme Un :
E (X ) = (n + 1)/2.
V (X ) = [(n + 1)(n − 1)]/12.

Loi de Poisson P(λ)
Cette loi s’utilise pour modéliser des événements rares.

Définition La variable aléatoire X suit une loi de Poisson notée
P(λ) de paramètre λ si:
Elle prend toutes les valeurs de 1 à +∞ :ΩX = {1, 2, ...}.
Sa loi est donnée par:
λk −λ
∀k ∈ ΩX , P(X = k) = e
k!
E (X ) = λ et V (X ) = λ.

Statistique vs Statistiques : la grande confusion!!!
Lorsqu’on entame le domaine statistique, pour une raison ou pour

une autre, le premier délire à franchir c’est de faire la distinction
entre :
La statistique: nom féminin singulier.
Les statistiques: au pluriel.
Question: Comment choisir le terme exacte pour la situation en

question?

Statistique vs Statistiques : la grande confusion!!!
Lorsqu’on entame le domaine statistique, pour une raison ou pour

une autre, le premier délire à franchir c’est de faire la distinction
entre :
La statistique: nom féminin singulier.
Les statistiques: au pluriel.
Question: Comment choisir le terme exacte pour la situation en

question?

Les statistiques
Les statistiques sont les données chiffrées sans faire la distinction

entre :
données brutes non encore organisées.
résultats d’une étude statistique.

La statistique
La statistique se définie comme étant:
Méthode scientifique du traitement des données.
Etymologiquement : science de l’état.
La statistique s’applique à la plupart des disciplines :

démographie, économie, sociologie, linguistique, psychologie,
agronomie, biologie,
...

La statistique
Scientifiquement, la statistique est l’ensemble des méthodes

rationnelles visant, pour un phénomène quelconque, à:
recenser: compter, dénombrer, énumérer, évaluer, inventorier.
organiser: arranger, combiner, coordonner, ordonnancer,

structurer.
présenter: disposer, donner, exposer.
résumer: abréger, récapituler, réduire, schématiser.
analyser: étudier, approfondir, explorer, méditer, potasser,

prospecter, s’initier.
Finalité: Aider à prendre une décision.

La statistique
Scientifiquement, la statistique est l’ensemble des méthodes

rationnelles visant, pour un phénomène quelconque, à:
recenser: compter, dénombrer, énumérer, évaluer, inventorier.
organiser: arranger, combiner, coordonner, ordonnancer,

structurer.
présenter: disposer, donner, exposer.
résumer: abréger, récapituler, réduire, schématiser.
analyser: étudier, approfondir, explorer, méditer, potasser,

prospecter, s’initier.
Finalité: Aider à prendre une décision.

Niveaux de la science statistique
La statistique en tant que méthode d’analyse comporte trois

niveaux:
Statistique Descriptive: c’est une étape de description qui

dégage l’essentiel de l’étude en question, tout en réalisant des
synthèses basées sur les caractéristiques et les graphiques. Il
s’agit d’un outil de l’analyse des données qui utilise des modes
de représentations graphiques, anisi que des caractéristiques
obtenues par des calculs algébriques telles que:
Indicateurs de valeur centrale: moyenne, médiane, mode;
Indicateurs de dispersion autour d’une valeur centrale:

variance, écart type...
...

Niveaux de la science statistique
Statistique probabiliste : C’est l’étude et l’analyse

mathématique des mécanismes aléatoires liés au phénomène
en question.
Statistique inférentielle : Elle permet de prendre des

décisions pour le future à partir des informations recueillies
des mécanismes aussi bien aléatoires que certains.

Le vocabulaire statistique
Identification:
Population : ou univers, c’est l’ensembles des unités étudiées

ou observée (personnes, objets â). On note N le nombre total
des éléments de la population.
Individu : ou unité statistique, c’est un élément de la

population. L’ensemble des individus constitue la population.
Caractère : ou variable statistique (notée X ), c’est l’aspect

particulier des individus de la population auquels on
s’intéresse. Il est à noter qu’un individu peut être décrit selon
un ou plusieurs caractères.
Modalités: on dit modalités d’une variable statistique et on

note xi , les différentes situations ou les valeurs prises par la
variable/ le caractère.
Exemples:
Un individu qui vient de décrocher un poste peut être décrit

selon son numéro de somme, ou son année de naissance...
Le nombre d’enfants par famille. La valeur de la variable pour

une famille sera un nombre entier de l’ensemble {0, 1, 2, ...}.
Chaque élément de cet ensemble est une modalité de la
variable en question.
L’état matrimonial d’un individu : célibataire, marié, veuf,

divorcé.
La couleur des yeux : bleus, verts, marrons, noirs.

Application 1: Dans le cadre d’une étude portant sur la couleur

préférée des modèles de voitures qu’il commercialise, un
concessionnaire X vous demande comment définir:
la population;
l’unité statistique;
le caractère et sa nature;
les modalités possibles.

Application 2: Une franchise de restauration de renommée, vous

demande de réaliser une étude prospective pour la mise en place
d’un nouveau restaurant, aux environs d’un établissement scolaire
et d’une zone d’habitation (1000 personnes). Les résultats de ce
travail devront faire apparaitre: La population; l’unité statistique;
le caractère et sa nature et les modalités du caractère

Typologie des variables:
Variable qualtitative: la variable est dite qualitative quand les

modalités sont des catégories. Dans ce cas, On distingue deux
types de variable catégorielle:
Variable qualitative nominale: la variable est dite qualitative

nominale quand les modalités ne peuvent pas être ordonnées.
En revanche, on peut assigner un nom. Ex: couleur des yeux
Variable qualitative ordinale: la variable est dite qualitative

ordinale quand les modalités peuvent être ordonnées.
Ex:qualité de vie.

Remarque Importante:
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.

Typologie des variables:
Variable quantitative: Une variable est dite quantitative si

toute ses valeurs possibles sont numériques. On distingue
deux types:
Variable quantitative discrète: une variable est dite discrète, si

l’ensemble des valeurs possibles est dénombrable. Ex: Nombre
d’enfants par couple, nombre d’années d’études,..
Variable quantitative continue: une variable est dite continue,

si l’ensemble des valeurs possibles est continu. Ex: taille,
poids, âge, salaires..

Effectifs & fréquences:
L’effectif total N ou n d’une population est le nombre
d’individus qui composent cette population.
On note ni l’effectif relatif à la modalité xi du caractère X .

En fait, l’effectif relatif ni représente le nombre d’individus de
la population qui présente la modalité xi . Si le caractère en
question présente p modalités, il vient que :
p
X
n = n1 + n2 + ... + np = ni
i=1
La fréquence relative fi d’une modalité xi est la proportion

d’individu de la population qui présente cette modalité. i-e:
ni
fi =
N
Effectifs & fréquences:

Il est à noter qu’une fréquence relative fi est une valeur inférieure
ou égale à 1:
ni
0 ≤ fi = ≤1
N
et de plus :
p p
X X ni N
fi = f1 + f2 + .... + fp = = =1
N N
i=1 i=1
Pour des raisons de commodité les fréquences fi sont données en

pourcentage (%)
ni
fi = × 100%
N

Représentation des données
Introduction:
La présentation des séries statistiques est l’étape préalable à tout
travail statistique. Elle peut prendre deux formes:
1 Tableau statistique.
2 Graphique.

Série statistique simple:

On appelle série statistique la suite des observations faites sur les
uinités statistiques lorsqu’on mesure une variable X ( qui peut être
qualitative ou quantitative).
Le nombre des observations est noté N c’est aussi l’effectif
total.
Les valeurs de la variable X sont notées :
o1 , o2 , ..., oN

Remarques:
? Une même valeur peut être observée plusieurs fois et doit de ce
fait être mentionnée autant de fois que le nombre de répétition.
? Pour toute exploitation des séries statistiques ( spécialement

pour les caractères quantitatifs), les observations doivent être
classées par ordre croissant. Cette phase préliminaire est appellée
le dépouillement.

Condensation des observations:

Afin de bien présenter les données de la distribution (série
statistique), il est nécessaire de porter les différentes modalités
ainsi que les effectifs correspondants dans un tableau statistique.
On distingue généralement deux catégories de tableaux statistiques

:
Un tableau spécifique pour les distributions non groupées :

cas des caractères qualitatifs et quantitatifs discrets.
Un tableau destiné pour les distributions groupées : cas des

caractères quantitatifs continues.

Distributions non groupées: Elles correspondent à deux cas de

figures: cas d’un caractère qualitatif et cas d’un
caractère quantitatif discret. Et dans les deux
situations, le tableau prend la forme standard
suivante:
Modalité xi effectif relatif ni fréquence relative fi

x1 n1 f1
x2 n2 f2
. . .
. . .
Total N 1

Distributions groupées: Elles ne concernent que les variables

quantitatives continues. Le recours au regroupement
des modalités n’est intéressant que si le nombre de
modalité (p) est assez important par rapport à
l’effectif total N. Dans ce cas, on regroupe les
observations faites en classes, et chaque classes est
caractérisée par :
1 Bornes : une classe contient deux bornes; une
inférieure Binf et l’autre supérieure Bsup . Pour
éviter le double comptage de l’une des deux
bornes dans deux classes adjacentes, on adapte
la convention francophone qui postule que la
borne inférieure appartient à la classe alors que
la borne supérieure ne l’est pas.

Distributions groupées: 1 Amplitude : notée ai qui se définie

comme la différence entre la borne supérieure et
la borne inférieure:
ai = Bsup − Binf
Il est à noter que dans une série statistique pas

toutes les calsses admettent les mêmes
amplitudes.
2 Centre de la classe: on le note ci et on le calcule

via la formule suivante :
Binf + Bsup
ci =
2


Ainsi, dans le cas d’un caractère quantitatif continu, le tableau
statistique prendra la forme suivante:
Classes xi effectif ni amplitude ai centre ci fréquence

[Binf 1 , Bsup1 [ n1 a1 c1 f1
[Binf 2 = Bsup1 , Bsup2 [ n2 a2 c2 f2
. . . . .
. . . . .
Total N − − 1

Effectifs cumulés:
Soit xi une des valeurs d’une série statistique. Pour cette valeur,
on calcule sur le tableau statistique:
L’effectif cumulé croissant noté (ECC) de la valeur xi , qui est

la somme des effectifs des valeurs inférieures ou égales à xi .
L’effectif cumulé décroissant noté (ECD) de la valeur xi , qui

est la somme des effectifs des valeurs supérieures ou égales à
xi .

fréquences cumulées:
Soit xi une des valeurs d’une série statistique. Pour cette valeur,
on calcule sur le tableau statistique:
La fréquence cumulée croissante notée (FCC) de la valeur xi ,

qui est la somme des fréquences des valeurs inférieures ou
égales à xi .
La fréquence cumulée décroissante notée (FCD) de la valeur

xi , qui est la somme des fréquences des valeurs supérieures ou
égales à xi .

Application NÂ◦ 1:
Des enfants sont classes d’après la durée écoulée entre la date du
mariage de leurs parents et la date de leur naissance. Les
observations faites sont consignées dans le tableau suivant :
Année Nombre d’enfants Année Nombre d’enfants

1 91 7 37
2 72 8 32
3 60 9 26
4 52 10 25
5 45 11 20
6 40
Ce tableau doit tre compris de la manière suivante : dans la

population étudiée 91 enfants sont nés pendant la première année
de mariage de leurs parents , 72 enfants sont nés pendant la
deuxième année de mariage , etcâ
Application NÂ◦ 1: Travail A faire
1 Déterminer la population, le caractère étudié et sa nature.
2 Dresser le tableau statistique correspondant.
3 Donner la signification du nombre écrit à l’intersection de : La

ligne ” année 5 ” et colonne ” fréquence fi ”.
4 Représenter graphiquement cette série statistique.s

Application NÂ◦ 2:
Soit le tableau suivant qui donne la répartition des naissances des
enfants suivant l’âge de la mère :
Age de la mère ( en années révolues) Nombres d’enfants

Moins de 20 ans 28600
20 à 24 227600
25 à 29 277100
30 à 34 172600
35 à 44 110900
45 ans et plus 2378
On note que les années sont données en années révolues. Par

conséquent, par exemple, la classe ” 20 à 24 ” signifie ” 20 à 25 ”,
etc â.

Application NÂ◦ 2: Travail A faire
1 Déterminer la population, le caractère étudié et sa nature.
2 Dresser le tableau o figureront les classes d’âge, les effectifs,

les fréquances, les effectifs cumulés croissants et décroissants
et les fréquences cumulées croissantes et décroissantes.
3 Donner la représentation graphique correspondante.

Représentations graphiques:
?Bien qu’un tableau statistique renferme toute l’information
concernant une série statistique, il est très utile de le traduire par
un graphique.
? En effet, les représentations graphiques ont l’avantage de

renseigner immédiatement sur l’allure générale de la distribution.
Ainsi, elles facilitent l’interprétation des données recueillies.
? Quelque soit la nature de la variable en étude, on distingue entre

deux types de représentations graphiques:
Diagrammes différentiels: dans lesquels on représente les
effectifs relatifs en fonction des modalités.
Diagrammes intégrales : dans lesquels on représente les
effectifs cumulatifs en fonction des modalités

variable qualitative:
Diagramme en tuyaux d’orgues: pour le construire, on

porte sur l’axe des abscisses les modalités xi et sur l’axe des
ordonnées les effectifs ni . Puis, on représente les modalités
par des rectangles dont la hauteur est proportionnelle à
l’effectif correspondant et dont la base est une constante sans
signification.
Exemple

variable qualitative:
Le diagramme circulaire : l’élaboration de ce diagramme

consiste à répartir un angle de 360Â◦ entre les différentes
modalités selon le poids de chacun dans l’ensemble de la
population.
Pour obtenir le secteur correspondant à chaque modalité, on
va se baser sur la règle de trois :
N −→ 360Â◦
ni −→ αi
pour obtenir :
ni
αi = 360. = 360fi
N
Exemple

Variable quantitaive discrète : diagrammes différentiels

Pour représenter graphiquement un caractère quantitatif discret,
on fait appel au diagramme en bâtons ou à un polygône des
fréquences simple à savoir:
Le diagramme en bâtons : qui consiste à représenter chaque

modalité xi du caractère X par un bâton dont la hauteur est
proportionnelle à l’effectif correspondant ni ou à la fréquence
fi .
Le polygône des fréquences : qui est construit en joignant par

une ligne brisée les sommets des bâtons formants le
diagramme en bâtons.
Exemple

Variable quantitaive discrète : diagrammes intégrals
On appelle diagramme intégral ou bien polygône des fréquences
cummulés la courbe de l’une des deux fonctions en escaliers
suivantes:

 0, pour X inférieur strictement à x




 N1 = n 1 , pour x1 ≤ X < x2 ;



 N2 = N1 + n2 , pour x2 ≤ X < x3 ;
N3 = N2 + n3 , pour x3 ≤ X < x4 ;



% N(X ) = ., ;
., ;




., ;




xk−1 ≤ X < xk ;



 Nk−1 = Nk−2 + nk−1 , pour

Nk = Nk−1 + nk = N, pour X ≥ xk .
Exemple
Variable quantitaive discrète :diagrammes intégrals

La deuxième fonction est:
X ≤ x1 ;

 N1 = N, pour




 N2 = N1 − n1 , pour x1 < X ≤ x2 ;



 N3 = N2 − n2 , pour x2 < X ≤ x3 ;
N4 = N3 − n3 , pour x3 < X ≤ x4 ;



& N(X ) = ., ;
., ;




., ;




Nk = Nk−1 − nk−1 , xk−1 < X ≤ xk ;



 pour

0, pour X suprérieur strictement à x
Exemple

Variable quantitaive continue : diagrammes différentiels
De la même manière qu’une variable quantitative discrète, on
représente un caractère quantitatif continu soit par un
histogramme ou bien un polygône des fréquences simple ( tout les
deux sont des représentations différentielles) :
Un hisogramme se compose de rectangles dont les bases sont
égales aux amplitudes des classes ai , et les hauteurs sont
proportionnelles :
aux effectifs ni si toutes les amplitudes sont égales.
aux effectifs dits corrigés nicorrig é ou bien aux densités di tels
que :
aN ni
nicorrig é = ni et di =
ai ai
si les classes n’ont pas toutes les mêmes amplitudes.
aN étant l’amplitude normale qui se répète le plus parmis
toutes les amplitudes.
Exemple
Variable quantitaive continue : diagrammes différentiels

Pour ce type de variable, le pôlygone des fréquences simple joint
les points:
de coordonnées (ci , nicorrig é ) pour les classes ayant des amplitudes

ai inférieures ou égales à l’amplitude normale aN (ai ≤ aN ).
de coordonnées (Binfi + a2N , nicor ) et (Bsupi − a2N , nicor ) pour les

classes ayant des amplitudes ai supérieures strictement à
l’amplitude normale aN (ai > aN ).
Variable quantitaive continue :diagrammes différentiels

Remarque : Le polygône des fréquences simple pour une variable
quatitative continue doit être toujours fermé avec l’axe des
abscisses en prenant deux points aux deux extrémités de
l’Histogramme .
Ces deux points sont :
aN
(Binf 1 − , 0)
2
et
aN
(Bsupk + , 0)
2
Exemple
Variable quantitaive continue : diagrammes intégrals
Le polygône des fréquences cumulées croissantes est la courbe

d’une fonction continue qui joint les points de coordonnées
(Bsupi , % Ni )
Le polygône des fréquences cumulées décroissantes est la courbe

d’une fonction continue qui joint les points de coordonnées
(Binfi , & Ni )
Il est à noter que dans les deux cas, on peut remplacer les effectifs
cumulés Ni par les fréquences cumulées Fi .
Exemple
Autres représentations graphiques: Diagramme en barres
Il présente des longueuers qui dépendent des effectifs relatifs.
La représentation nous donne une suite de rectangles qui pourront

être soit adjacentes soit distants d’une valeurs sans signification.
La base des rectangles n’a pas une signification réelle.
Le principe consiste à ramener en pourcentage l’ensemble des

effectifs se rapportants aux phénomènes étudiés.
Exemple:
Autres représentations graphiques: Coordonnées polaires
Dans un repère orthonormé, chaque point M est reperé par ses

coordonnées cartésiennes (x, y ).
Si on trace la demi-droite (Ox) dont l’origine O est nommé pôle,
on trouve que le même point M sera également reperé par la
connaissance de θ l’ongle limité par (Ox) et (OM) et la longueur ρ
ou r .
r et θ étant les coordonnées polaires de M.
Sans titre.jpg
Autres représentations graphiques: Coordonnées polaires
Cette représentation est intéressante lorsque les observations

statistiques sont faites à intervalles réguliers dans le temps (
horraires, mensuelles,..), et lorsque l’évolution du phénomène
observé se fait toujours dans le même sens.
Pour la représentation graphique du diagramme en coordonnées

polaires, on trace à partir d’un pole O les demi-droites formant
entre elles des ongles de degrés 360
k , et sur chaque demi-droite on
porte les effectifs correspondants. A la fin, on joint ensuite dans
l’ordre les points obtenus.
Exemple:
Réduction des données
La réduction des données vise à mettre en évidence un certain

nombre de paramètres qui permettent de caractériser de façon
simple la série statistique étudiée.
Il est à noter que la réduction des données ne concerne que les

variables quantitatives.
la réduction des données consiste à calculer:
Les paramètres de la tendance centrale nommés aussi

caractéristiques de position.
Les paramètres de dispersion.

Paramètres de position : La moyenne

I La Moyenne arithmétique: c’est l ’indicateur le plus
fréquement utilisé. Elle est égale à la somme des valeurs prises par
la variable étudiée dévisée par le nombre d’observations.
k
1 X
X̄ = ni x i
N
i=1
Paramètres de position :
ce qui donne encore :
k
X
X̄ = fi xi
i=1
A noter que lorsque la variable est continue, il faut remplacer xi

par le centre ci .
Paramètres de position :
ce qui donne encore :
k
X
X̄ = fi xi
i=1
A noter que lorsque la variable est continue, il faut remplacer xi

par le centre ci .
Paramètres de position : Le mode
I Le Mode: noté Mo c’est la valeur xi du caractère X qui

correspond à l’effectif ni le plus important ou à la fréquence la plus
élevée.
I Si on se présente avec une variable continue, on parle de toute
une calsse modale, et le mode on peut le prendre n’importe quelle
valeur dans cette classe. La convention c’est de considérer le
centre de cette classe comme étant le mode de la série statistique.
I Le mode présente l’avantage d’être déterminé facilement sur le

graphique, surtout lorsque l’effectif correspondant est nettement
supérieur aux autres effectifs. Par ailleurs, il ne doit pas être
retenu que s’il est unique.
Paramètres de position : La médiane
I La médiane: notée Me c’est la valeur du caractère qui sépare

l’effectif total en deux parties égales. Ainsi, il s’agit de la valeur du
caractère pour laquelle la fréquence cumulée Fi est égale à 0,5 ou
bien pour laquelle l’effectif cumulé croissant est égal à N2 .
I Pour déterminer la médiane, on fait la distinction entre le cas

quantitatif discret et le quantitatif continu.
La Médiane : Cas quantitatif discret
Après avoir dépouiller la série statistique, deux cas de figures se

présentent:
Si le nombre d’observations N est impaire, i-e N = 2t + 1 donc la

médiane est l’observation numéro t + 1:
Me = ot+1
Si le nombre d’observations N est paire, i-e N = 2t, on aurait

toute une classe médiane qui sera la classe [ot , ot+1 ] est on prend
comme valeur médiane le centre :
ot + ot+1
Me =
2
La Médiane : Cas quantitatif continu
Pour déterminer la médiane dans ce cas, on fait appel soit à la

méthode analytique ou la méthode graphique.
Méthode analytique: on cherche la classe médiane, c-à-d la

première classe dont l’effectif cumulé croissant est supérieur ou
égal à N2 . Soit i l’indice de la classe médiane, alors la valeur de la
médiane est calculée par la formule:
N
2 − Ni−1
Me = Binfi + ai
ni
Graphiquement, la médiane c’est l’intersection entre les deux

polygônes des fréquences cumulées croissantes et décroissantes.
Application N Â◦ 1
Soit la série suivante: 2, 6, 0, 4, 4, 4, 1, 3, 6, 4, 7
1 Présenter la série en tableau.
2 Donner les caractéristiques de la tendance centrale.

Application N Â◦ 2
Soit le tableau statistique suivant donnant la répartition des

enfants à charge dans une population quelconque:
xi ni
[0,1[ 12
[1,2[ 10
[2,4[ 5
[4,5[ 4
[5,6[ 2
plus que 6 1
Total 34
1 Compléter le tableau.
2 Calculer les paramètres de la tendance centrale.
Problèmatique : Supposons que deux séries statistiques

totalement différentes aient les mêmes paramètres de la tendance
centrale. Comment peut-on les différencier?
F Il est alors nécessaire de définir un certain nombre de valeurs

caractéristiques qui assureront une comparaison plus fine des
séries.
F Ces valeurs se trouvent généralement dispersés autour des

valeurs centrales, d’o l’appellation de caractéristiques de dispersion.
L’étendue est la différence entre la plus grande et la plus petite

observation:
Et = xmax − xmin
L’étendue est une mesure simple à calculer, mais il ne dépond dans

son calcul que des deux valeurs extrêmes et non pas l’ensemble des
observations.
Les quartiles Q1, Q2 et Q3 sont par définition les quantiles

25%,50% et 75%, càd des nombres présentant en-dessous d’eux
respectivement, 25%, 50% et 75% des données.
Les formules pour calculer ces quartiles sont:

N
4 − Ni−1
Q1 = Binfi + ai
ni
N
2 − Ni−1
Q2 = Binfi + ai = Me
ni
3N
4 − Ni−1
Q3 = Binfi + ai
ni
O i est l’indice de la classe dont l’effectif cumulé croissant est
inférieur ou égal, respectivement, à N4 , N2 et 3N
4
L’intervalle interquartile : I .I .Q = [Q1 , Q3 ] contient 50% des

observations. Il est à noter que tant que l’amplitude de cet
intervalle est petite tant que la dispersion est faible et inversement.
L’écart inter-quartile donné comme étant : E .I .Q = Q3 − Q1

s’interprète de la même façon que l’étendue.
L’écart inter-quartile présente le désavantage d’être insensible à la

présence de valeurs extrêmes.
La définition des divers déciles vient immédiatement à l’esprit si

l’on a en mémoire la définition des quartiles .
Le premier décile D1 est la valeur de la variable telle que 10% des

effectifs observés correspondent à des valeurs de la variable qui lui
soient inférieures et 90% des effectifs à des valeurs qui lui soient
supérieures.
Le second décile D2 est la valeur de la variable telle que 20% des

valeurs observées lui soient inférieures et 80% supérieures.Et ainsi
de suite.
Le cinquième décile se confond avec la médiane.
L’intervalle interdécile D9 − D1 contient 80% des observations.

La variance, notée V (X ) est la moyenne arithmétique des écarts

par rapport à la moyenne. Sa formule est :
k
1 X
V (X ) = ni (xi − X̄ )2
N
i=1
Sa formule la plus utilisée se présente comme :

k
1 X
V (X ) = ni xi2 − (X̄ )2
N
i=1
L’écart type σX c’est la racine carrée de la variance:

v
p
u
u1 X k
σX = V (X ) = t ni (xi − X̄ )2
N
i=1
Le coefficient de variation C .V se définie par:

σX
C .V =
X̄
Cette mesure est souvent utilisée car elle est dépourvue d’unité et
insensible aux changements d’échelle.
Le C .V s’interprète de la manière suivante : tant que cette mesure

tend vers 0 tant la dispersion est faible et inversement.
Analyse de la concentration
La notion de la concentartion a été présentée par le statistien

italien Corrado Gini en 1912, pour mesurer les inégalités dans le
distribution des revenus et des fortunes.
D’une façon plus générale, elle peut s’appliquer à des unités

statistiques pour mesurer les inégalités dans la répartition.
L’étude de la concentration concerne une variable quantitative

continue.
Pour analyser la concentration, on intoduit : la courbe de la

concentration, l’indice de Gini et la médiale.
La courbe de la concentration
Lorsqu’on traite la concentration d’une distribution statistique, on

n’étudie pas les valeurs xi et leurs positions, mais on analyse les
quantités globales que l’on nomme les masses des valeurs :
si = ni ci o ni l’effectif relatif et ci le centre de la classe.
La courbe de la concentration dite aussi Courbe de Lorenz consiste

à tracer une courbe telle que sur l’axe des abscisses on porte les
fréquences cumulées croissantes % Fi , et sur l’axe des ordonnées
les fréquences cumulées de la masse des valeurs Qi o:
h=i
X
% Fi = fh
h=1
h=i
X ni ci
Qi = qh avec qi = Pk=i
h=1 i=1 ni ci
.
La courbe de la concentration
Pus la Courbe de Lorenz est proche de l’axe des abscisses plus la

concentration est forte et plus elle est proche de la première
bissectrice plus la concentration est faible
Image2.jpg
L’Indice de Gini
La surface entre la Courbe de Lorenz et la première bissectrice est

l’aire de concentration.
L’indice de concentration de Gini :
k
X
Indice de Gini = 1 − fi (Qi + Qi−1 )
i=1
La médiale
Un autre moyen pour mesurer la concentration est l’indice de la

concentration défini par:
Ml − Me
Ic =
Etendu
Ml étant la médiale. C’est la valeur de la variable qui partage en
deux parties égales la masse totale.
Le calcul de la médiale repose sur le même principe que celui utilisé

pour déterminer la médiane en travaillant sur les Qi .
Si i est la classe médiale ( i-e dont Qi est la première valeur

supérieure à 0,5), par interpolation linéaire:
0, 5 − Qi−1
Ml = Binfi + ai
qi

233ezy H

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

233ezy H

Transféré par

Droits d'auteur :

Formats disponibles

§=13

Pr.Sahar SAOUD Probablité & Statistique

Faculté des Sciences Appliquées Université Ibn Zohr

Pr.Sahar SAOUD Probablité & Statistique

Apprendre les principales techniques de la probabilité et de la

Utilisation de méthodes statistiques multi-variées.

Etre capable de mettre en oeuvre ces techniques de manière

Pr.Sahar SAOUD Probablité & Statistique

Introduction & Motivation;

Pr.Sahar SAOUD Probablité & Statistique

Théorie des ensembles

Un ensemble E est une collection d’objets. Un ensemble est

Pr.Sahar SAOUD Probablité & Statistique

Théorie des ensembles

Un ensemble E est une collection d’objets. Un ensemble est

Pr.Sahar SAOUD Probablité & Statistique

Théorie des ensembles

Un ensemble E est une collection d’objets. Un ensemble est

Pr.Sahar SAOUD Probablité & Statistique

Théorie des ensembles

Un ensemble E est une collection d’objets. Un ensemble est

Pr.Sahar SAOUD Probablité & Statistique

Théorie des ensembles

Pr.Sahar SAOUD Probablité & Statistique

Théorie des ensembles

Soit E un ensemble fini. Si F est un ensemble tel qu’il existe

Pr.Sahar SAOUD Probablité & Statistique

Théorie des ensembles

Pr.Sahar SAOUD Probablité & Statistique

Théorie des ensembles

Pr.Sahar SAOUD Probablité & Statistique

Théorie des ensembles

Un couple (x, y ) est une liste ordonnée qui contient

Pr.Sahar SAOUD Probablité & Statistique

Théorie des ensembles

Rappelons que, si m est un entier naturel non nul, le factoriel

Pr.Sahar SAOUD Probablité & Statistique

En mathématiques, l’analyse combinatoire est l’étude des

En effet, elle fournit des méthodes de dénombrement

Dénombrer un ensemble E , c’est déterminer son cardinal.

Parler de l’analyse combinatoire, c’est aussi parler des

Pr.Sahar SAOUD Probablité & Statistique

En mathématiques, l’analyse combinatoire est l’étude des

En effet, elle fournit des méthodes de dénombrement

Dénombrer un ensemble E , c’est déterminer son cardinal.

Parler de l’analyse combinatoire, c’est aussi parler des

Pr.Sahar SAOUD Probablité & Statistique

L’analyse combinatoire est un ensemble de techniques qui

Elle fait essentiellement appel aux notions de tirages

Elle comprend l’étude des arrangements, des permutations et

Pr.Sahar SAOUD Probablité & Statistique

L’analyse combinatoire est un ensemble de techniques qui

Elle fait essentiellement appel aux notions de tirages

Elle comprend l’étude des arrangements, des permutations et

Pr.Sahar SAOUD Probablité & Statistique

Contexte : supposons que trois équipes A, B et C participent

Question : Quel est le nombre des manières différentes

Pr.Sahar SAOUD Probablité & Statistique

Contexte : supposons que trois équipes A, B et C participent

Question : Quel est le nombre des manières différentes

Pr.Sahar SAOUD Probablité & Statistique

Pr.Sahar SAOUD Probablité & Statistique

On remarque que le nombre de possibilités de classement 6 est le