Statistique 2

UCAO
Licence 1 Sciences Economiques

prof. armel yodé

Table des matières

1 Statistiques à deux variables 4

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Distribution conjointe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Distributions marginales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Distributions conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.4 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Liaison entre deux caractères qualitatifs . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Mesure de l’intensité de la liaison . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Coefficient de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.3.1 Exercice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.3.2 Exercice 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Liaison entre deux caractères quantitatifs . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Représentation graphique : nuage de points. . . . . . . . . . . . . . . . . 10
1.4.2 Covariance, coefficient de correlation linéaire . . . . . . . . . . . . . . . 10
1.4.3 Regression linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.4 Exemple 1 : Taux de cholestérol en fonction de l’âge . . . . . . . . . . . 13
1.4.5 Exemple 2 : Taille en fonction du poids . . . . . . . . . . . . . . . . . . . 14
1.5 Caractère quantitatif et caractère qualitatif . . . . . . . . . . . . . . . . . . . . . 15
1.5.1 Rapport de correlation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2 Analyse descriptive d’une série chronologique 18

2.1 Présentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.2 Les composantes d’une série chronologique . . . . . . . . . . . . . . . . . 19
2.1.3 Représentations graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.4 Modélisation d’une série chronologique . . . . . . . . . . . . . . . . . . . 20
2.1.5 Choix du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.5.1 Méthode de la bande . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.5.2 Méthode du profil . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.5.3 Méthode du tableau de Buys et Ballot . . . . . . . . . . . . . . 22
2.2 Estimation de la tendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.1 Moyennes mobiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.2 Méthode de Mayer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.3 Méthode des moindres carrés . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.3.1 Tendance linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.3.2 Tendance polynomiale . . . . . . . . . . . . . . . . . . . . . . . 24

2
TABLE DES MATIÈRES 3
2.3 Variations saisonnières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3.1 Estimation des coefficients saisonniers du modèle additif . . . . . . . . 24
2.3.2 Estimation des coefficients saisonniers du modèle multiplicatif . . . . . 25
2.4 Désaisonnalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Prévisions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6 Exemple : Modèle additif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3 Analyse combinatoire 31
3.1 Principes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.1 Arrangements sans répétitions . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.2 Arrangements avec répétitions . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.1 Combinaisons sans répétitions . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.2 Combinaisons avec répétitions . . . . . . . . . . . . . . . . . . . . . . . . 33

4 Espace probabilisé 34
4.1 Rappels de Théorie des ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2 Univers des possibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3 Evénements, Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4 Probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.5 Conditionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.6 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.6.1 Indépendance de deux évènements . . . . . . . . . . . . . . . . . . . . . . 38
4.6.2 Indépendance de n évènements . . . . . . . . . . . . . . . . . . . . . . . . 38
 Chapitre

1 Statistiques à deux variables

1.1 Introduction
La question centrale de ce chapitre est relative aux statistiques bivariées (deux variables).
Comment juger de l’intensité de la dépendance statistique esntre deux variables ?
Répondre statistiquement à cette question dépend de la nature des deux variables étu-
diées. Trois combinaisons sont possibles :
— Deux variables qualitatives :
— Une variable qualitative et une variable quantitative :
— Deux variables quantitatives
L’analyse dans ce cas n’est plus univariée mais bien bivariée. On analyse de manière simul-
tanée les caractéristiques des individus suivant deux variables.

1.2 Généralités

1.2.1 Distribution conjointe

Soit une population comprenant n individus pour chacun desquels on a fait une ob-
servation concernant simultanément les caractères X et Y . Le caractère X comporte les k
modalités X 1 , · · · , X k et le caractère Y , les l modalités Y1 , · · · , Yl . L’opération préliminaire de
mise en ordre des observations va consister à classer chacun des n individus dans les k × l
sous-ensembles définis par le croisement des caractères X et Y . A chacun des sous-ensembles
correspond une case du tableau statistique à double entrée où figurent en ligne les modalités
de X et en colonne les modalités de Y (tableau à k lignes et l colonnes). Ce tableau est
appelé tableau de contingence.
On note n i j l’effectif des individus présentant à la fois la modalité X i et la modalité Y j . La
fréquence des individus présentant à la fois la modalité X i et la modalité Y j est

ni j
fi j = .
n

La distribution conjointe des caractères X et Y est donnée par le tableau de contingence :

4
1.2. GÉNÉRALITÉS 5
HH Y Y
H
Y2 ··· Yj ··· Yl
X HH 1
X1 n 11 n 12 ··· n1 j ··· n 1l
X2 n 21 n 22 ··· n2 j ··· n 2l
.. .. .. .. .. .. ..
. . . . . . .
Xi n i1 n i2 ··· ni j ··· n il
.. .. .. .. .. .. ..
. . . . . . .
Xk n k1 n k2 ··· nk j ··· n kl

Exemple 1.2.1. Deux variables qualitatives : répartition de 22 personnes selon le genre et

le statut d’activité :
XXX
XXX Statut Actifs occupés Chômeurs Inactifs Total
Genre XXX
X
Masculin 5 5 1 11
Féminin 4 3 4 11
Total 9 8 5 22

Exemple 1.2.2. Deux variables quantitatives continues : répartition de 19 adolescents selon

la taille et le poids.
XXX
XXX Taille [20, 40[ [40, 60[ [60, 80]
Poids XXX
X
[120, 140[ 1 0 0
[140, 160[ 6 4 0
[140, 160[ 0 6 2

Exemple 1.2.3. Une variable quantitative continue et une variable qualitative : Répartition
d’un groupe de 50 personnes réparties par âge et par genre, tous âgés de moins de 45 ans.

PPGenre Homme
PP
Femme
Age PP
P
P
[0, 18[ 10 20
[18, 45[ 5 15

1.2.2 Distributions marginales

Le nombre d’individus présentant la modalité X i du caractère X n i• est
l
X
n i• = ni j.
j =1

La fréquence de la modalité X i est donnée par

n i•
f i• = .
n

Le nombre d’individus présentant la modalité Y j du caractère Y est

k
X
n• j = ni j.
i =1
6 CHAPITRE 1. STATISTIQUES À DEUX VARIABLES
La fréquence de la modalité Y j est donnée par
n• j
f• j = .
n

Nous avons
X l
k X k
X l
X
n= ni j = n i• = n• j
i =1 j =1 i =1 j =1

X l
k X k
X l
X
fi j = f i• = f • j = 1.
i =1 j =1 i =1 j =1

HH Y
HH Y1 Y2 ··· Yj ··· Yl Total
X H
X1 n 11 n 12 ··· n1 j ··· n 1l n 1•
X2 n 21 n 22 ··· n2 j ··· n 2l n 2•
.. .. .. .. .. .. .. ..
. . . . . . . .
Xi n i1 n i2 ··· ni j ··· n il n i•
.. .. .. .. .. .. .. ..
. . . . . . . .
Xk n k1 n k2 ··· nk j ··· n kl n k•
Total n •1 n •2 ··· n• j ··· n •l n

HH Y
HH Y1 Y2 ··· Yj ··· Yl Total
X H
X1 f 11 f 12 ··· f1 j ··· f 1l f 1•
X2 f 21 f 22 ··· f2 j ··· f 2l f 2•
.. .. .. .. .. .. .. ..
. . . . . . . .
Xi f i1 f i2 ··· fi j ··· f il f i•
.. .. .. .. .. .. .. ..
. . . . . . . .
Xk f k1 f k2 ··· fk j ··· f kl f k•
Total f •1 f •2 ··· f• j ··· f •l 1

La distribution marginale de X est donnée par le tableau ci-dessous :

Modalités de X Effectif Fréquence

X1 n 1• f 1•
X2 n 2• f 2•
.. .. ..
. . .
Xi n i• f i•
.. .. ..
. . .
Xk n k• f k•
total n 1

La distribution marginale de Y est donnée par le tableau ci-dessous :

1.2. GÉNÉRALITÉS 7
Modalités de Y Effectif Fréquence
Y1 n •1 f •1
Y2 n •2 f •2
.. .. ..
. . .
Yj n• j f• j
.. .. ..
. . .
Yl n •l f •l
total n 1

1.2.3 Distributions conditionnelles

Les distributions conditionnelles s’obtiennent en fixant la valeur d’une des deux variables.
La distribution conditionnelle de Y sachant X = X i est donnée par :

Y| X = X i Y1 ··· Yj ··· Yl Total

Effectif n i1 ··· ni j ··· n il n i•

Remarque 1.2.1. Nous pouvons ainsi définir k distributions conditionnelles de Y .

La distribution conditionnelle de X sachant Y = Y j est donnée par

X |Y = Y j X1 ··· Xi ··· Xk Total

Fréquence n1 j ··· ni j ··· nk j n• j

Remarque 1.2.2. Nous pouvons aussi définir l distributions conditionnelles de X .

Exemple 1.2.4. Deux variables qualitatives : répartition de 22 personnes selon le genre et
le statut d’activité :
XXX
XXX Statut Actifs occupés Chômeurs Inactifs Total
Genre XXX
X
Masculin 5 5 1 11
Féminin 4 3 4 11
Total 9 8 5 22

Statut | Genre=Masculin Actifs occupé Chomeurs Inactifs Total

Effectif 5 5 1 n 1• = 11
n 11 n 12 n 13
frequence f 11 = n 1• = 0.4545 f 21 = n 1• = 0.4545 f 31 = n 1• = 0.091 1

1.2.4 Indépendance
On dit que les caractères X et Y sont satistiquement indépendants dans l’ensemble des
n individus considérés si toutes les distributions conditionnelles de X sont identiques à la
distribution marginale en X .

Indépendance entre X et Y ⇐⇒ Pour tous ( i, j ), f i j = f i•

Puisque
ni j
ni j n fi j
f i j = = n• j = ,
n• j f• j
n
alors
f i j = f • j × f i j = f i• × f j i .
8 CHAPITRE 1. STATISTIQUES À DEUX VARIABLES
Ainsi, nous obtenons

Indépendance entre X et Y ⇐⇒ Pour tous ( i, j ), f i j = f i• f • j

n i• n• j
⇐⇒ Pour tous ( i, j ), ni j =
n
n i• n• j
⇐⇒ Pour tous ( i, j ), ni j − = 0.
n
Par symétrie :

Indépendance entre X et Y ⇐⇒ Pour tous ( i, j ), f j i = f • j

Lorsque deux variables dépendent statistiquement l’une de l’autre, on cherche à évaluer

l’intensité de leur liaison et, dans le cas de deux variables quantitatives, on examine si on
peut les considérer liées par une relation linéaire.

1.3 Liaison entre deux caractères qualitatifs

1.3.1 Mesure de l’intensité de la liaison
L’intensité de la liaison entre deux caractères qualitatifs est mesurée par
´2
n n
³
k X
l n i j − i•n • j
χ2 =
X
n i• n• j .
i =1 j =1 n

Le χ2 est toujours positif ou nul.

Exemple 1.3.1. Prenons k = 2 et l = 3

n i• n• j 2
³ ´
3 ni j −
2 X n
χ2 =
X
n i• n• j
i =1 j =1 n
µ¡ n i• n •1 ¢2 ¡ n n ¢2 ¡ n n ¢2 ¶
2
X n i1 − n n i2 − i•n •2 n i3 − i•n •3
= n i• n •1 + n i• n •2 + n i• n •3
i =1 n n n
n 1• n •1 ¢2 n 1• n •2 ¢2 n 1• n •3 ¢2 ¢2 ¢2 ¢2
n 21 − n2•nn•1 n 22 − n2•nn•2 n 23 − n2•nn•3
¡ ¡ ¡ ¡ ¡ ¡
n 11 − n n 12 − n n 13 − n
= n 1• n •1 + n 1• n •2 + n 1• n •3 + n 2• n • 1 + n 2• n •2 + n 2• n • 3
n n n n n n

On sait que :

X et Y sont indépendants ⇐⇒ f i j = f i• × f • j i = 1, . . . , k, j = 1, . . . , l.

Ainsi, nous avons

ni j n• j n i•
f i j = f i• × f • j ⇐⇒ = ×
n n n
n• j × n i•
⇐⇒ n i j =
n
n ×n
De ce fait on a χ2 = 0 si et seulement si n i j = i• n • j . La quantité χ2 mesure l’écart entre les
n ×n
effectifs observés n i j et ceux attendus i• n • j sous l’hypothèse d’indépendance. On dira que
X et Y ne sont pas indépendants si χ2 est trop grand.
1.3. LIAISON ENTRE DEUX CARACTÈRES QUALITATIFS 9
1.3.2 Coefficient de Cramer
Le coefficient de Cramer est défini par
s
χ2
C= .
n × min( k − 1, l − 1)

Nous avons 0 ≤ C ≤ 1. Si C ≈ 0, les deux caractères sont indépendants. Si C = 1, on parle de

dépendance entre X et Y .

Exemple 1.3.2. Prenons k = 2 et l = 3 Le coefficient de Cramer est défini par

s s s
χ2 χ2 χ2
C= = = .
n × min(2 − 1, 3 − 1) n × min(1, 2) n

1.3.3 Exercices
1.3.3.1 Exercice 1
Nous voulons étudier la liaison entre le type de musique X et l’âge Y . X a trois modalités
(chansons, jazz, classique) et Y a quatre modalités (jeunes, adulte femme, adulte homme,
vieux). Voici le tableau de contingence :

HH Y Jeunes
H
Adulte femme Adulte homme Vieux Total
X HH
Chansons 69 172 133 27 401
Jazz 41 84 118 11 254
Classique 18 127 157 43 345
Total 128 383 408 81 1000

Etudions la liaison entre X et Y .

Nous avons

n i• n• j 2
³ ´
4 ni j −
3 X n
χ2 =
X
n i• n• j = 52.9138.
i =1 j =1 n

Le coefficient de Cramer est

s s
χ2 χ2
C= = ≈ 0.16.
1000 × min(2, 3) 2000

La dépendance entre X et Y est très faible.

1.3.3.2 Exercice 2
Un site internet reçoit 113 457 visiteurs durant un mois. On désigne par X le navigateur
internet utilisé et Y le système d’exploitation utilisé.
10 CHAPITRE 1. STATISTIQUES À DEUX VARIABLES
hhh
hhhh
hhh Système d’exploitation (Y)
hhhh
hhhh Windows Mac Linux
hhh
Navigateur internet (X) hhhh
Chrome 14103 1186 427
Firefox 30853 4392 3234
Internet explorer 47389 23 0
Safari 668 6416 0
Autres 2974 40 1752

1. Identifier la population, sa taille ainsi que les variables étudiées en précisant leur type.
2. Quelle est la proportion de visiteurs sous Windows ?
3. Quelle proportion de visiteurs utilisent le navigateur Safari ?
4. Parmi les utilisateurs de Mac, quelle proportion utilise Chrome ?
5. Parmi les utilisateurs de Safari, quelle proportion est sous Windows ?
6. Représenter graphiquement la distribution des proportions par Navigateur pour chaque
système d’exploitation. Les variables X et Y sont-elles indépendantes ?

1.4 Liaison entre deux caractères quantitatifs

1.4.1 Représentation graphique : nuage de points.
On suppose que les deux caractères X et Y sont quantitatifs. Pour chaque individu i ,
on connaı̂t le couple de valeurs ( X i , Yi ) qui lui est attaché. Sur un graphique à axes de coor-
données rectangulaires, nous pouvons représenter chaque élément, par un point d’abscisse
X i et d’ordonnée Yi . Ce graphique est appelé graphique de corrélation ou nuage de points.
Schématiquement, le nuage peut revêtir trois aspects :
1. Les points représentatifs sont distribués sur toute la surface du graphique, à peu près
comme s’ils avaient été placés au hasard. C’est le signe qu’il n’y a aucun lien entre
les deux variables X et Y : on dit qu’elles sont indépendantes ;
2. Les points représentatifs sont , au contraire rangés le long d’une courbe (droite, arc
de cercle,...). Une loi rigoureuse préside alors aux relations entre les deux variables.
A chaque valeur de X correspond une seule valeur de Y . On dit qu’il y a liaison
fonctionnelle entre Y et X
3. La plupart des phénomènes identifiés à des distributions à deux variables se trouvent
entre ces deux extrèmes. Les points représentatifs se distribuent dans une région
privilégiée du dessin. Moins le nuage de points a d’épaisseur et plus on se trouve
proche de la liaison fonctionnelle : on dit qu’il y a une forte corrélation entre les deux
variables. Inversement, plus le nuage de points s’étale, moins ses limites sont précises,
plus on est proche de l’indépendance : la corrélation est faible.

1.4.2 Covariance, coefficient de correlation linéaire

La covariance entre les caractères X et Y est défini par
1X n
Cov( X , Y ) = ( X i − X n )(Yi − Y n )
n i=1
1X n
= X i Yi − X n Y n .
n i=1
1.4. LIAISON ENTRE DEUX CARACTÈRES QUANTITATIFS 11
La covariance est un indice symétrique, c’est à dire, Cov( X , Y ) = Cov(Y , X ) et peut prendre
toute valeur (négative, nulle ou positive).
Le coefficient de correlation linéaire entre les caractères X et Y est défini par
Cov( X , Y )
rXY =
σ X σY

où σ X et σY les écart-types respectifs de X et σY , sont définis

à !1/2 à !1/2
1X n 1X n
σX = ( X i − X n )2 σY = (Yi − Y n )2 .
n i=1 n i=1

Nous avons :
1. −1 ≤ r X Y ≤ 1.
2. Si r X Y > 0 alors les deux variables évoluent dans le même sens.
3. Si r X Y < 0 alors les deux variables n’évoluent pas dans le même sens.
4. | r X Y | = 1 ⇐⇒ les n points ( X i , Yi ) sont alignés.
5. r X Y = 0 ⇐⇒ Pas de liaison linéaire, mais possibilité d’une liaison d’un autre type.
6. X et Y indépendantes=⇒ r X Y = 0.

Figure 1.1 –
12 CHAPITRE 1. STATISTIQUES À DEUX VARIABLES

Figure 1.2 –

Remarque 1.4.1. • La covariance dépend des unités de mesure dans lesquelles sont
exprimées X et Y . Le coefficient de corrélation est un indice de liaison sans unité.
• La covariance et le coefficient de corrélation ne permettent de mettre en évidence
qu’une relation linéaire entre X et Y .
• Si deux variables sont statistiquement indépendantes (aucun lien), la corrélation est
nulle, mais l’inverse est faux : il peut exister un lien autre que linéaire entre elles.

1.4.3 Regression linéaire

Si | r X Y | ' 1, on peut supposer que X est cause de Y . Il est naturel de chercher, dans un
ensemble donné de fonctions, la fonction de X approchant Y ”le mieux possible” au sens d’un
certain critère. On dit que l’on fait la regression de Y sur X . Si l’on choisit pour ensemble de
fonctions celui des fonctions affines du type (aX + b), on parle de regression linéaire. C’est le
choix que l’on fait le plus fréquemment dans la pratique, le critère le plus usuel étant celui
des moindres carrés.
1.4. LIAISON ENTRE DEUX CARACTÈRES QUANTITATIFS 13
Le critère des moindres carrés. Il consiste à minimiser la quantité
n
[Yi − (aX i + b)]2 .
X
S (a, b) =
i =1

Solution. La minimisation de S en a et b fournit la solution suivante :

Cov( X , Y )
a= b = ȳ − a x̄.
σ2X

La droite d’équation y = ax + b est appelée droite de régression de Y sur X . Elle passe par
le point ( X n , Y n ).

1.4.4 Exemple 1 : Taux de cholestérol en fonction de l’âge

Sur un échantillon de 10 sujets d’âges différents, on a recueilli les données expérimentales
suivant :
- âge en année
- la concentration sanguine du cholestérol (en g/L).
Age ( X i ) 30 60 40 20 50 30 40 20 70 60
gl (Yi ) 1.6 2.5 2.2 1.4 2.7 1.8 2.1 1.5 2.8 2.6
Le taux de cholestérol est-il lié à l’âge ? La relation fonctionnelle est-elle linéaire ? Peut-on
prévoir le taux de cholestérol attendu à 35 ans, 75 ans ?
1. Représentation du nuage de points.
2.8
2.6
2.4
2.2
gl

2.0
1.8
1.6
1.4

20 30 40 50 60 70

Age
14 CHAPITRE 1. STATISTIQUES À DEUX VARIABLES
Les points sont rangés le long d’une droite. On peut donc supposer l’existence d’une
relation linéaire entre l’age et le taux de cholesterol.

2. Le coefficient de corrélation est donné par :

10
X
x i yi − 12 x12 y12
i =1
rXY = v v ≈ 0.95
u 10 u 10
uX uX
t x2 − 12( x )2 t yi2 − 12( y12 )2
i 12
i =1 i =1

Le coefficient de corrélation est positif. Ce qui signifie que l’age et le taux de choles-
terol évolue dans le même sens. De plus ils sont fortement corrélés ; ce qui confirme
la relation linéaire entre l’age et le taux de cholesterol.

3. Estimation des paramètres

P10
i =1 x i yi − 12 x12 y12
a= P 10 2
= 0.03
2
i =1 x i − 12( x12 )

b = y12 − âx12 = 0.92

4. La droite de regression est

gl = 0.03 ∗ age + 0.92

5. Prévisions A 35 ans le taux de cholestérol prédit est gl = 0.03 ∗ 35 + 0.92 = 1.97

A 75 ans le taux de cholestérol prédit est gl = 0.03 ∗ 75 + 0.92 = 3.17

1.4.5 Exemple 2 : Taille en fonction du poids

On dispose des mesures de taille et de poids de 19 adolescents. La variable X correspond

à la taille et la variable Y , le poids.

Taille ( X i ) 140 161 155 148 155 123 160 140 165 172 155
Poids (Yi ) 38.2 44.3 46.1 38.2 50.5 22.4 40.4 34.7 50.5 50.5 38.1

Taille ( X i ) 160 142 157 142 148 180 167 165

Poids (Yi ) 57.3 39.3 46.1 37.1 45.9 66.3 60 50.5
1.5. CARACTÈRE QUANTITATIF ET CARACTÈRE QUALITATIF 15

60
50
poids

40
30

40 60 80 100 120 140 160 180

taille

Le coefficient de correlation linéaire

[1] 0.5312239

Estimation des coefficients

Call:
lm(formula = poids ~ taille)

Coefficients:
(Intercept) taille
17.9617 0.1817

1.5 Caractère quantitatif et caractère qualitatif

1.5.1 Rapport de correlation
Soient n observations portant simultanément sur un caractère qualitatif X à k modalités
et sur un caractère quantitatif Y . Les observations du caractère quantitatif Y se répartissent
dans les k modalités de X . Nous notons n i• le nombre d’observations de Y relatifs à la i-ème
modalité de X , Yi j la j-ème mesure de Y pour la i-ème modalité de X et Y i la moyenne des
observations dans la i-ème modalité
n i•
1 X
Yi = Yi j .
n i• j=1
16 CHAPITRE 1. STATISTIQUES À DEUX VARIABLES
La moyenne des observations de Y dans la popultion entière est

1X n
Yn = n i• Y i .
n i=1

On définit :
- la variance intra-groupe
1X k
Vintra = n i• σ2i
n i=1
avec
n i•
1 X
σ2i = (Yi j − Y i )2
n i• j=1

- la variance inter-groupe
1X k
Vinter = n i• (Y i − Y n )2
n i=1

Formule de décomposistion de la variance totale σ2 :

σ2 = Vintra + Vinter .

Le rapport de corrélation est défini par

Vinter
η2Y | X =
σ2

η2X |Y est un nombre compris entre 0 et 1.

- η2X |Y = 0 ⇒ Vinter = 0 ⇒ Y i = Y n . Ce qui signifie que les moyennes de Y sont les mêmes
dans toutes les modalités de X . En moyenne, les données ne diffèrent pas selon qu’elles
se trouvent dans telle ou telle modalité de X .
- η2X |Y = 1 ⇒ Vintra = 0 ⇒ Yi j = Y i . Les données diffèrent d’un groupe à l’autre mais à
l’interieur même de chaque groupe, il n’y a aucune variabilité.

Remarque 1.5.1. Si η2X |Y est proche de 1, c’est que le caractère X explique une grande
partie de la variabilité des données alors que si sa valeur est proche de 0, elle n’en explique
que très peu.

1.5.2 Exemple
Liaison entre le sexe (caractère X ) et le salaire (caractère Y ).
Le caractère X admet deux modalités : femme et homme.

Salaire des femmes

1955 1764 1668 1441 1970 1795 1716 1911 1660 2001
1744 1676 1695 1652 1626 1698 1656 1739 1789 1716
1684 1445 1646 1617 1630 1440 1850 1252 1493 1537

Salaire des hommes

2283 2010 1970 2019 1941 2024 2046 1962 1948 2071
2108 1880 2008 2119 2030 2014 1919 1837 2094 2169
1.5. CARACTÈRE QUANTITATIF ET CARACTÈRE QUALITATIF 17
σ2F
Soient n F , l’effectif des femmes ; Y F la moyenne des salaires des femmes ; la variance des
salaires des femmes ; n H , l’effectif des hommes ; Y H la moyenne des salaires des hommes ;
σ2H la variance des salaires des hommes ; Y la moyenne générale des salaires (hommes et
femmes).
Nous avons
n F = 30 Y F = 1682.2 σ2F = 26959.56

n H = 20 Y H = 2022.6 σ2F = 9925.44

30Y F + 20Y H
Y= = 1818.36
30 + 20
La variance inter-groupe est :
1
½ ³ ´2 ³ ´2 ¾
Vinter = nF Y F − Y + nH Y H − Y = 27809.32
50

La variance totale est σ2 = 47955.23. Le rapport de correlation est

Vinter
ηY | X = ≈ 0.58.
σ2

On peut considérer que le caractère sexe explique environ 58% de la variabilité des salaires
observés.
 Chapitre

Analyse descriptive d’une série

2 chronologique

2.1 Présentation

2.1.1 Définitions
On appelle série chronologique (chronique, série temporelle) la distribution statistique
d’une variable au cours du temps. Les séries chronologiques sont des cas particuliers de séries
statistiques à deux variables, l’une des variables étant le temps.
Soit Nous ( X t , t ∈ T) une série chronologique ; l’ensemble T est appelé espace des temps :

T = {1, . . . , T }.

On donne deux dimensions au temps :

- le mois, unité de référence correspondant aux dates d’observation ; le mois peut être
le mois véritable mais également le trimestre, le semestre, etc.
- l’année composée d’un nombre p de mois ; le nombre p est appelé période ; par
exemple, p = 4 pour les observations trimestrielles, p = 12 pour les observations men-
suelles.

Soit X t l’observation d’une grandeur X à la date t. Si les observations sont faites sur n
années, et chaque année contenant p mois, on notera X i j l’observation du mois j de l’année
i . Nous avons
Xi j = Xt avec t = ( i − 1) p + j.

Le mois t est le j -ème mois de la i -ème année. Le nombre total d’observations est T = np.

t 1 2 ... T
Xt X1 X2 ... XT

18
2.1. PRÉSENTATION 19
XXX
XXX Mois mois 1 mois 2 ... mois j ... mois p
Années XXX
X
année 1 X 11 X 12 ... X1 j ... X1p
année 2 X 21 X 22 ... Xij ... X2p
..
.
année i X i1 X i2 ... Xij ... Xip
..
.
année n X n1 X n2 ... Xnj ... X np

Exemple 2.1.1. Chiffre d’affaires trimestriel d’une entreprise (en millions de francs)

t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Xt 2 8 6 12,5 5 10.5 9 15 7 12 10,5 17 8.5 14.5 12 19

XXX
XXX Mois Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
Années XXX
X
1976 2 8 6 12.5
1977 5 10.5 9 15
1978 7 12 10.5 17
1979 8.5 14.5 12 19

Exemple 2.1.2. Chiffre d’affaires trimestriel d’une entreprise (en millions de francs)
XXX
XXX Mois Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
Années XXX
X
2000 5,5 6,3 16,9 32,4
2001 23,1 17,5 37,8 62,7
2002 40,6 28,7 58,7 93,3
2003 58,5 39,9 79,5 123,1

2.1.2 Les composantes d’une série chronologique

Soit ( X t , t ∈ T) une série chronologique. On distingue différentes composantes fondamen-
tales dans une série chronologique :
- la tendance ou trend T t indiquant l’évolution à long terme du phénomène. Elle
traduit le comportement ”moyen” de la série.
- la composante saisonnière S t correspond à un comportement qui se répète avec
une certaine périodicité p ( p = 12 pour des données mensuelles, p = 4 pour des données
trimestrielles. . . ). Ce sont des fluctuations s’inscrivant dans le cadre de l’année et qui
se reproduisent de façon plus ou moins identiques d’une année à l’autre ; la période
notée p des variations saisonnières est la longueur exprimée en unité de
temps séparant deux variations saisonnières dues à un même phénomène.
- la composante résiduelle ε t représentant des fluctuations irrégulières et impré-
visibles ; ces fluctuations supposées en général de faible amplitude ; elles traduisent
l’effet des facteurs perturbateurs non permanents (grèves, guerre, intempéries,...)
20 CHAPITRE 2. ANALYSE DESCRIPTIVE D’UNE SÉRIE CHRONOLOGIQUE
Remarque 2.1.1. Ces trois composantes ne sont pas toujours simultanément présentes
dans une série chronologique. Certaines séries n’ont pas de tendance, d’autres n’ont aucune
composante saisonnière. D’autres n’ont pas de composantes résiduelle.

Nous supposons que :

- le mouvement saisonnier est périodique de période p :

S t = S t+ p = S t+2 p = . . . ;

le mouvement saisonnier relatif au mois j est S i j = S j quelque soit l’année i.

- Principe de conservation des aires : sur une année, l’influence des variations
saisonnières est nulle.

Le traitement des séries chronologiques peut avoir pour objectifs d’isoler et estimer une
tendance, isoler et estimer une composante saisonnière, et désaisonnaliser la série, de réaliser
une prévision, de construire un modèle explicatif en terme de causalité.

2.1.3 Représentations graphiques

Les deux représentations de la série temporelle conduisent à deux types de représentations

graphiques :

− Le chronogramme : on représente dans un repère orthonormé les points ( t, X t ) que

l’on relie par des segments de droite ; ce graphique permet une analyse sur l’ensemble
des n années. l’étude d’une série chronologique commence par l’examen de son chro-
nogramme ; Il en donne une vue d’ensemble, montre certains aspects, comme des
valeurs atypiques, d’éventuelles ruptures, un changement dans la dynamique de la
série.

− On représente les points ( j, Yi j ) que l’on relie par des segments de droites, ceci pour
chacune des années i ; ce graphique permet une analyse année par année et une
comparaison entre les différentes années

2.1.4 Modélisation d’une série chronologique

Un modèle est une image simplifiée de la réalité qui vise à traduire les mécanismes
de fonctionnement du phénomène étudié et permet de mieux les comprendre.On distingue
deux types de modèles : les modèles déterministes et les modèles stochastiques. Dans ce
cours, nous nous limitons aux modèles déterministes. Les deux modèles déterministes les
plus utilisés sont :

1. le modèle additif correspondant à des variations saisonnières dont la composition avec

la tendance conduit à une modulation d’amplitude constante :

X t = T t + S t + εt .
2.1. PRÉSENTATION 21

p
X
Principe de conservation des aires : S j = 0.
j =1

2. le modèle multiplicatif correspondant à une modulation d’amplitude variable crois-

sante avec la tendance :
X t = T t × (1 + S t ) × (1 + ε t ).

p
X
Principe de conservation des aires : S j = 0.
j =1
Nous observons dans la litterature d’autre forme du modèle multiplicatif :
— X t = T t × S t × εt
— X t = T t × S t + ε t (souvent qualifié de modèle mixte). Le principde de conservation
des aires dans ce cas est
p
X
S j = p.
j =1
22 CHAPITRE 2. ANALYSE DESCRIPTIVE D’UNE SÉRIE CHRONOLOGIQUE
Dans la suite, lorsque nous parlerons de modèle multiplicatif nous considérons la forme :
X t = T t × (1 + S t ) × (1 + ε t ).

2.1.5 Choix du modèle

2.1.5.1 Méthode de la bande
On utilise le graphe de la série et la droite passant par les minima et celle passant par
les maxima. Si ces deux droites sont parallèles, le modèle est additif. Si les deux droites ne
sont pas parallèles, le modèle est multiplicatif.

2.1.5.2 Méthode du profil

On utilise le graphique des courbes superposées. Si les différentes courbes sont parallèles,
le modèle est additif. Sinon le modèle est multiplicatif.

2.1.5.3 Méthode du tableau de Buys et Ballot

On calcule les moyennes et écarts-types pour chacune des périodes considérées et on
calcule la droite des moindres carrés σ = a x̄ + b. Si a est nul, c’est un modèle additif, sinon ,
le modèle est multiplicatif.
Exemple 2.1.3. Nous allons une application de la méthode de Buys-Ballot avec le tableau
suivant :
XXX
XXX Mois Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
Années XXX
X
1976 2 8 6 12.5
1977 5 10.5 9 15
1978 7 12 10.5 17
1979 8.5 14.5 12 19
Moyenne x 5.625 11.25 9.375 15.875
Ecart-type σ 2.43349 2.358495 2.21853 2.40767
2.2. ESTIMATION DE LA TENDANCE 23

2.2 Estimation de la tendance

2.2.1 Moyennes mobiles
Le principe de cette technique est de construire une nouvelle série en calculant des
moyennes arithmétiques successives de longueur p fixée à partir des données originales. Les
moyennes mobiles de longueur égale à la période p permettent d’éliminer ou d’amortir les
composantes saisonnière et résiduelle. On procède ainsi au lissage de la courbe pour mettre
en évidence la tendance générale.

• On appelle moyenne mobile centrée de longueur impaire p = 2 k + 1 à l’instant t la

valeur moyenne des observations

X t−k + X t−k+1 + . . . + X t−1 + X t + X t+1 + . . . + X t+k

Mt =
p

• On appelle moyenne mobile centrée de longueur paire p = 2 k à l’instant t la valeur

moyenne

0.5 X t−k + X t−k+1 + . . . + X t−1 + X t + X t+1 + . . . + 0.5 X t+k

Mt =
p

Remarque 2.2.1. La tendance à la date t peut être estimée par la moyenne mobile centrée
à la date t de longueur la période p si
- la tendance présente une faible courbure
- les variations saisonnières sont périodiques de période p et ont une influence nulle
sur l’année
- les variations résiduelles sont de faible amplitude.

Remarque 2.2.2. Les moyennes mobiles peuvent être influencées par les valeurs extrêmes.
Dans ce cas, on pourrait calculer les médianes mobiles de même ordre. Les moyennes mobiles
donnent une meilleure estimation que les moindres carrés.
24 CHAPITRE 2. ANALYSE DESCRIPTIVE D’UNE SÉRIE CHRONOLOGIQUE
2.2.2 Méthode de Mayer
On ajuste le nuage de points ( t, X t ) à une droite passant par les deux points ( t̄1 , X̄ 1 ) et
( t̄ 2 , X̄ 2 ) calculés de la manière suivante :
- on découpe la série en deux parties de même effectif
- pour chacune des deux parties, on calcule la moyenne des t et celle des X t : ( t̄1 , X̄ 1 )
et ( t̄2 , X̄ 2 ) ; on peut calculer les points médians au lieu des moyennes ; cela permet de
limiter l’influence des valeurs extrêmes.
- il reste à tracer la droite passant par les deux points.

2.2.3 Méthode des moindres carrés

2.2.3.1 Tendance linéaire
On ajuste le nuage de points ( t, X t ) à une droite d’équation at + b où le couple (a, b)
minimise la distance
T
( X t − (at + b))2 .
X
t=1

Nous obtenons
cov( t, X )
a= b = X̄ − a t̄
var ( t)
où
1 XT 1 XT
cov( t, X ) = tX t − t̄ X̄ var ( t) = t2 − t̄2
T t=1 T t=1

1 XT 1 XT
X̄ = Xt t̄ = t.
T t=1 T t=1

Remarque 2.2.3. La droite des moindres carrés ajuste au mieux au sens des moindres
carrés (c’est celle qui passe le plus près de l’ensemble des points), mais elle ne modélise pas
toujours bien la tendance.

2.2.3.2 Tendance polynomiale

On peut utiliser la méthode des moindres carrés afin d’ajuster le nuage de points ( t, X t )
à un polynôme de degré choisi. L’observation du graphe de la série donne une idée du degré
du polynôme (selon la forme de la courbe).

2.3 Variations saisonnières

2.3.1 Estimation des coefficients saisonniers du modèle additif
1. Calculer les moyennes mobiles : M i j
2. Calculer les différences entre les observations et les moyennes mobiles : X i j − M i j .
0
3. Calculer la moyenne S j des X i j − M i j
4. Calculer la moyenne
p
0 1 X 0
M = Sj
p j=1
0 0
5. Estimer S j par Se j = S j − M pour respecter le principe de conservation des aires.
2.4. DÉSAISONNALISATION 25
2.3.2 Estimation des coefficients saisonniers du modèle multiplica-
tif
1. Calculer les moyennes mobiles : M i j
Xij
2. Calculer les rapports des observations aux moyennes mobiles : .
Mi j
0 Xij
3. Calculer les moyennes des rapports S j des pour j = 1, . . . , p.
Mi j
4. Calculer la moyenne des moyennes
p
0 1 X 0
M = S j.
p j=1

0
Sj
5. Estimer S j par Se j = 0 − 1.
M

2.4 Désaisonnalisation
Désaisonnaliser une série chronologique, c’est éliminer la composante saisonnière sans
modifier les autres composantes. On appelle observation corrigée des variations saisonnières
ou observation désaisonnalisés, la valeur X i∗j cdobtenue en éliminant l’effet saisonnier sur
la valeur X i j . On la notera X t∗ . La désaisonnalisation permet de comparer des observations
dont les variations saisonnières sont différentes.
• Modèle additif : X i∗j = X i j − Se j
Xij
• Modèle multiplicatif : X i∗j =
1 + Se j

Remarque 2.4.1. - Les données X t∗ sont directement comparables car débarrassées de

l’effet des saisons et donc du caractère propre de chaque mois. On peut donc comparer
par exemple les données du mois de janvier à celles du mois d’aoùt.
- On peut avoir une meilleure estimation de la tendance à partir de la série désaison-
nalisée.

2.5 Prévisions
• Modèle additif : la prévision est :
h i
p
X i j = a ( i − 1) p + j + b + Se j .

• Modèle multiplicatif : la prévision est :

³ h i ´
p
X i j = a ( i − 1) p + j + b (1 + Se j ).

2.6 Exemple : Modèle additif

Nous revenons sur le tableau concernant le chiffre d’affaire trimestriel d’une entreprise
de 1976 à 1978.
26 CHAPITRE 2. ANALYSE DESCRIPTIVE D’UNE SÉRIE CHRONOLOGIQUE

Nous avions montré par les méthodes précédentes que le modèle est additif.

1. Tableau des moyennes mobiles. Nous utilisons la formule suivante :

2. Tableau des différences bservations ( X i j ) et moyennes mobiles ( M i j )

X i j − Mi j
2.6. EXEMPLE : MODÈLE ADDITIF 27

0 1³ ´
S1 = − 3.875 − 3.9375 − 4.3125 = −4.042
3
0 1³ ´
S 2 = 0.9375 + 0.625 + 1.25 = 0.935
3
0 1³ ´
S3 = − 1.5 − 1.125 − 1.3125 = −1.3125
3
0 1³ ´
S 4 = 4.3125 + 4.4375 + 4.6875 = 4.479
3

Comme

0 0 0 0
S 1 + S 2 + S 3 + S 4 = 0.0595 6= 0,

le principe de conservation des aires n’est pas respectée. Nous passons à l’étape sui-
vante.

3. Principe de conservation des aires. Posons

28 CHAPITRE 2. ANALYSE DESCRIPTIVE D’UNE SÉRIE CHRONOLOGIQUE

0 0 0 0
Les coefficients Se1 , Se2 , Se3 et Se4 respectent leprincipe de conservation des aires.

4. Séries désaisonnalisée :

0
X i∗j = X i j − Se j .
2.6. EXEMPLE : MODÈLE ADDITIF 29

5. Estimation de la composante résiduelle

6. Cas d’un modèle multiplicatif

30 CHAPITRE 2. ANALYSE DESCRIPTIVE D’UNE SÉRIE CHRONOLOGIQUE
 Chapitre

3 Analyse combinatoire

L’analyse combinatoire est un important outil dans de nombreuses branches des mathé-
matiques, notamment dans la théorie des probabilités et en statistique.

3.1 Principes
Il existe deux principes fondamentaux en analyse combinatoire :
— Principe additif : Si une tâche peut être accomplie de m manières, et si une autre
tâche peut être accomplie de n manières. Et si les deux tâches ne peuvent pas être
réalisées simultanément, alors la réalisation d’une ou de l’autre des deux tâches peut
être accomplie de m + n manières.
— Principe multiplicatif : Si une procédure peut être découpée en deux étapes, et
qu’il y a m facons possibles de réaliser la première étape, et qu’il y a n facons possibles
de réaliser la seconde étape, alors la procédure peut être accomplie de nm facons.

3.2 Arrangements
Définition 3.2.1. Un arrangement de p éléments choisis parmi n éléments est une dispo-
sition ordonnée de p de ces n éléments.
On distingue les arrangements avec répétitions et les arrangements sans répétitions.

3.2.1 Arrangements sans répétitions

C’est le nombre d’arrangements que l’on peut faire avec p éléments choisis parmi n
éléments, chacun d’eux ne peut figurer qu’une seule fois dans le même arrangement.
Définition 3.2.2. Le nombre d’arrangements sans répétitions de p éléments choisis parmi
n est
p n!
An =
( n − p)!
où n! = n × (n − 1) × . . . × 2 × 1.
Exemple 3.2.1. Le nombre d’arrangements sans répétitions que l’on peut faire avec deux
éléments choisis parmi trois éléments a, b, c est A 23 = 6. Ces 6 arrangements sont : (a,b),
(b,a), (a,c), (c,a), (b,c), et (c,b).

31
32 CHAPITRE 3. ANALYSE COMBINATOIRE
Remarque 3.2.1. Un arrangement sans répétitions est une permutation si p = n. Le
nombre de permutations de n éléments est :

A nn = n!

Exemple 3.2.2. Le nombre de permutations de 3 éléments a, b, c est P3 = 3! = 6. Ces 6

permutations sont : (a,b,c), (a,c,b), (b,a,c), (b,c,a), (c,a,b), et (c,b,a).

Exemple 3.2.3. Tirage sans remise : Une urne U contient n boules numérotés de 1 à n. On
tire successivement p boules de U sans les remettre dans l’urne. Il y a A np tirages différents
possibles.

3.2.2 Arrangements avec répétitions

C’est le nombre d’arrangements que l’on peut faire avec p éléments choisis parmi n
éléments, chacun d’eux peut figurer plusieurs fois dans le même arrangement.

Définition 3.2.3. Le nombre d’arrangements avec répétitions de p éléments choisis parmi

n est n p .

Exemple 3.2.4. Le nombre d’arrangements avec répétitions que l’on peut faire avec deux
éléments choisis parmi trois éléments a, b, c est 32 = 9. Ces 9 arrangements sont : (a, a),
(a, b), ( b, a), (a, c), ( c, a), ( b, b), ( b, c), ( c, b) et ( c, c).

Exemple 3.2.5. Tirage avec remise : Une urne U contient n boules numérotés de 1 à n.
On tire successivement p boules de U en remettant chaque fois dans l’urne la boule qu’on
vient de tirer. Le nombre de tirages possibles est donc n p .

3.3 Combinaisons
Définition 3.3.1. Une combinaison de p éléments choisis parmi n éléments est une dispo-
sition non ordonnée de p de ces n éléments.

On distingue les combinaisons avec répétitions et les combinaisons sans répétitions.

3.3.1 Combinaisons sans répétitions

C’est le nombre de combinaisons que l’on peut faire avec p éléments choisis parmi n
éléments, chacun d’eux ne peut figurer qu’une seule fois dans la même combinaison.

Définition 3.3.2. Le nombre de combinaisons sans répétitions de p éléments choisis parmi

n est :
p n!
Cn = .
p!( n − p)!

Exemple 3.3.1. Le nombre de combinaisons sans répétitions que l’on peut faire avec deux
éléments choisis parmi trois éléments a, b, c est C32 = 3. Ces 3 combinaisons sans répétitions
sont : (a, b), (a, c), et ( b, c).

Exemple 3.3.2. Une urne U contient n boules numérotée de 1 à n. On tire simultanément

p boules de U . Le nombre de tirages possibles vaut le nombre de combinaisons de p éléments
parmi n.
3.3. COMBINAISONS 33
3.3.2 Combinaisons avec répétitions
C’est le nombre de combinaisons que l’on peut faire avec p éléments choisis parmi n
éléments, chacun d’eux peut figurer plusieurs fois dans la même combinaison.
Définition 3.3.3. Le nombre de combinaisons avec répétitions de p éléments choisis parmi
n est :
p p
K n = C n+ p−1 .

Exemple 3.3.3. Le nombre de combinaisons avec répétitions que l’on peut faire avec deux
éléments choisis parmi trois éléments a, b, c est K 32 = C42 = 6. Ces 6 combinaisons sont :
(a, a), (a, b), (a, c), ( b, b), ( b, c) et ( c, c)

Exemple 3.3.4. Soit E = {R, V , B}. Alors (B, B, R, V , V ) est une combinaison avec répétition
de 5 éléments de E.

Exemple 3.3.5. On souhaite répartir p chiffons dans n tiroirs. On note les tiroirs t1 , . . . , t n .
A une répartition, on associe le mot t1 , . . . , t1 , t2 , . . . , t2 , . . . , t n , . . . , t n , où chaque t i est répété
autant de fois que le nombre de chiffons rangés dans le tiroir. On obtient une combinaison
avec répétitions.

Conseil : Lorsqu’on a affaire à un problème de dénombrement, on doit se demander quelle

est l’importance de l’ordre dans le problème. Lorsque l’ordre importe, on doit penser en
termes de permutation et d’arrangemen. Lorsque l’ordre n’est pas important, les combinai-
sons peuvent jouer un rôle clé dans la résolution du problème.
 Chapitre

4 Espace probabilisé

L’objet des probabilités est de modéliser des phénomènes aléatoires et de prédire avec
certitude leur évolution ou les conséquences qu’ils peuvent engendrer.

4.1 Rappels de Théorie des ensembles

Soient A et B deux ensembles. On note
- A ∪ B l’ensemble des éléments qui appartiennent à A ou à B
- A ∩ B l’ensemble des éléments qui appartiennent à A et à B ;
A et B sont dits disjoints si A ∩ B = ;
- B/ A est l’ensemble des éléments de B qui ne sont pas dans A ; l’ensemble des éléments
de Ω qui ne sont pas dans A est noté Ā .
Plus généralement, soit ( A i ) i∈ I une famille de sous-ensembles de Ω. On a
[
- x∈ A i ⇔ x appartient à l’un des sous-ensembles A i
i∈ I
\
- x∈ A i ⇔ x appartient à tous les sous-ensembles A i
i∈ I
[ \ \ [
- Ai = Ai Ai = Ai
i∈ I i∈ I i∈ I i∈ I

Définition 4.1.1. On appelle cardinal de A et on note card ( A ) le nombre d’éléments de A .

On a
Card ( A ∪ B) = Card ( A ) + Card (B) − Card ( A ∩ B).

4.2 Univers des possibles

Définition 4.2.1. Une expérience E est qualifiée d’aléatoire si on ne peut pas prévoir par
avance son résultat et si, répétée dans des conditions identiques, elle peut donner lieu à des
résultats différents.

Définition 4.2.2. L’univers des possibles (ou univers), noté Ω est défini par l’ensemble de
tous les résultats possibles qui peuvent être obtenus au cours d’une expérience aléatoire.

34
4.3. EVÉNEMENTS, TRIBU 35
La description explicite de l’ensemble Ω est la première étape dans la modélisation d’un
phénomène aléatoire. On distingue les univers comprenant un nombre fini de résultats de
ceux comprenant un nombre infini de résultats. Parmi les univers infinis, on distingue les
univers infinis non dénombrables des univers infinis dénombrables. Par exemple, l’univers
Ω = {ω1 , . . . , ω i , . . .} est un univers infini dénombrable puisque l’on peut identifier chacun des
éléments de Ω, même s’il en existe une infinité. En revanche, Ω = R est un exemple d’univers
infinis non dénombrables. Dans le cas d’un univers fini ou infini dénombrable, la taille de
l’univers est appelée cardinal de Ω et est noté card (Ω).
Exemple 4.2.1. Voici quelques expériences aléatoires et les univers des possibles corres-
pondants :
1. On lance une pièce. On a Ω = {pile, face}.
2. On jette un dé. On a Ω = {1, 2, 3, 4, 5, 6}.
3. On jette deux dés. On a

Ω = {( i, j ) : 1 ≤ i, j ≤ 6} = {(1, 1), (1, 2), (1, 3), . . .}.

4. Un bus est censé passer toutes les 30 minutes à l’école de police pour se rendre à Faya.
Un passager arrive à l’arrêt de bus. On cherche à modéliser son temps d’attente. A
priori, on peut supposer que ce temps d’attente est dans l’intervalle Ω = [0, 30].

4.3 Evénements, Tribu

Définition 4.3.1. Un événement (ou une partie) A est un sous-ensemble de l’univers des
possibles Ω vérifiant A ⊂ Ω .
Définition 4.3.2. Un événement constitué d’un seul élément est un événement élémentaire
(ou singleton).
Définition 4.3.3. Un événement certain correspond à l’univers des possibles Ω.
Définition 4.3.4. Un événement impossible est un événement qui ne se réalise jamais. Il
correspond à l’ensemble vide, noté ;
Exemple 4.3.1. On considère une expérience aléatoire correspondant au lancer d’un dé à 6
faces. L’univers est alors Ω = {1, 2, 3, 4, 5, 6}. L’événement ” nombre pair ”, noté A, correspond
au sous-ensemble de l’ univers Ω défini par A = {2, 4, 6}.
Définition 4.3.5. Soient deux événements A et B. La réalisation de l’événement C , défini
par C = A ∪ B implique la réalisation de l’événement A ou de l’événement B, ou des deux
événements A et B simultanément.
Définition 4.3.6. Soient deux événements A et B. La réalisation de l’événement D , défini
par D = A ∩ B entraı̂ne la réalisation de l’événement A et de l’événement B.
Définition 4.3.7. Deux événements A et B sont disjoints s’ils n’ont pas d’élément en com-
mun, c’est à dire, A ∩ B = ; . Ces deux événements sont donc incompatibles : la réalisation
simultanée de ces événements est impossible.
Définition 4.3.8. Deux événements A et A inclus dans un ensemble B sont complémen-
taires si leur union correspond à B, c’est à dire, A ∪ A = B et leur intersection est vide.
Définition 4.3.9. L’ensemble des parties, noté P (Ω), correspond à l’ensemble de tous les
événements réalisables à partir des événements élémentaires de l’univers Ω. Par convention
Ω ∈ P (Ω), ; ∈ P (Ω).
36 CHAPITRE 4. ESPACE PROBABILISÉ
Définition 4.3.10. Soit Ω un ensemble et A ⊂ P (Ω). On dit que A est une tribu sur Ω si
les trois conditions suivantes sont vérifiées :
• Ω∈A
• si A ∈ A alors Ā ∈ A (stabilité par passage au complémentaire)
• si ( A i ) i∈ I est une famille dénombrable d’éléments de A alors A i ∈ A . (stabilité par
[
i∈ I
réunion dénombrable)
Remarque 4.3.1. La tribu A sur Ω représente l’ensemble de tous les évènements sucep-
tibles de se produire au cours de l’expérience aléatoire E . Lorsque l’ensemble Ω est fini
ou dénombrable, on choisira pour A l’ensemble de toutes les parties de Ω, c’est-à-dire,
A = P (Ω).

Le couple (Ω, A ) est appelé espace probabilisable. Pour compléter la description d’un
phénomène aléatoire, il nous reste à introduire la notion de mesure de probabilité.

4.4 Probabilité
Pour une expérience aléatoire donnée, une fois déterminé le couple (Ω, A ) qui représente
l’univers Ω associé à cette expérience et la tribu des évènements A , on définit une application
de A à valeurs dans [0, 1] qui à chaque évènement associe sa probabilité, c’est à dire la chance
de réalisation de cet évènement.
Définition 4.4.1. On appelle probabilité sur (Ω, A ) une application P : A → [0, 1] telle
que :
(i) P(Ω) = 1
(ii) si ( A i ) i∈ I est une famille dénombrable d’éléments de A deux à deux disjoints ou
incompatibles (i.e. ∀ i 6= j, A i ∩ A j = ;) alors
à !
P P( A i ).
[ X
Ai =
i∈ I i∈ I

On appelle espace probabilisé le triplet (Ω, A , P).

1. P(;) = 0
2. L’évènement A tel que P( A ) = 0 est dit presque impossible.
3. L’évènement A tel que P( A ) = 1 est dit presque certain.
4. P( Ā ) = 1 − P( A ).
5. P( A 1 ∪ A 2 ) = P( A 1 ) + P( A 2 ) − P( A 1 ∩ A 2 ).
6. Si A 1 ⊆ A 2 alors P( A 1 ) ≤ P( A 2 ).
Exemple 4.4.1. Equiprobabilité.
On considère une expérience aléatoire E pour laquelle Card (Ω) est fini et les évènements
élémentaires sont équiprobables, c’est à dire ∀ω ∈ Ω, on a
1
P({ω}) = .
Card (Ω)
On choisit alors A = P (Ω), l’ensemble des parties de Ω et on a pour tout B ∈ P (Ω)
Card (B)
P( B ) = .
Card (Ω)
4.5. CONDITIONNEMENT 37

4.5 Conditionnement
Soit (Ω, A , P) un espace probabilisé. Dans ce chapitre, nous allons étudier deux notions
importantes : le conditionnement et l’indépendance. Le conditionnement permet de prendre
en compte une information supplémentaire dans le calcul d’une probabilité. L’indépendance
rend compte du fait que deux évènements n’ont aucune incidence l’un sur l’autre.
Définition 4.5.1. Soient A et B deux évènements tels que P(B) > 0. On appelle probabilité
conditionnelle de A sachant que B, le réel défini par
P( A ∩ B)
P( A /B) = .
P(B)
L’application A 7−→ P( A /B) définit une probabilité sur (Ω, A ).
Proposition 4.5.1. Formule des probabilités composées.
n
\
Soit A 0 , . . . , A n une suite d’évènements telle que A i 6= ;. Alors, on a
i =0
n
P( A i ) = P( A 0 ) × P( A 1 / A 0 ) × P( A 2 / A 0 ∩ A 1 ) × . . . × P( A n / A 0 ∩ A 1 ∩ . . . ∩ A n−1 ).
\
i =0

Exemple 4.5.1. Pour n = 1, on a

P( A 0 ∩ A 1 ) = P( A 0 ) × P( A 1 / A 0 ).
Pour n = 2, on a
P( A 0 ∩ A 1 ∩ A 2 ) = P( A 0 ) × P( A 1 / A 0 ) × P( A 2 / A 0 ∩ A 1 ).
Définition 4.5.2. Une famille finie d’évènements ( A i )1≤ i≤n deux à deux incompatibles tels
que ∪ni=1 A i = Ω est appelée système complet d’évènements.
Théorème 4.5.1. Formule des probabilités totales.
Soit {B1 , . . . , B n } un système complet d’évènements. Alors, nous avons
n
∀A ∈ A P( A ) = P(B i )P( A /B i ).
X
i =1

Exemple 4.5.2. Une urne contient des boules blanches et nores, marquées ou non. On sup-
pose que parmi les boules marquées, il y a 30% de boules blanches et parmi les non marquées
60%. Par ailleurs, on sait que 80% des boules sont marquées. Quelle est la probabilité de
tirer une boule blanche ?
Solution. On note
B =”la boule est blanche”
M =”la boule est marquée”
On a
P(B) = P(B ∩ M ) + P(B ∩ M c )
= P( M ) × P(B/ M ) + P( M c ) × P(B/ M c )
80 30 20 60 36
= × + × = .
100 100 100 100 100
Théorème 4.5.2. (Formule de Bayes)
Soit {B1 , . . . , B n } un système complet d’évènements et A un évènement tel que P( A ) > 0.
Alors, nous avons
P(B i )P( A /B i )
P( B i / A ) = n
.
P (B k )P( A /B k )
X
k=1
38 CHAPITRE 4. ESPACE PROBABILISÉ

4.6 Indépendance
4.6.1 Indépendance de deux évènements
Définition 4.6.1. Soient A et B deux évènements. On dit que A et B sont indépendants si
P( A ∩ B) = P( A )P(B).

Si A est tel que P( A ) > 0, l’indépendance de A et B s’écrit encore P(B/ A ) = P(B) et on

retrouve la notion intuitive d’indépendance : le fait que A se soit réalisé ne change rien quant
à la probabilité que B se réalise.
Proposition 4.6.1. Si A et B sont indépendants, alors il en va de même pour :
- les évènements Ā et B ;
- les évènements A et B̄ ;
- les évènements Ā et B̄

4.6.2 Indépendance de n évènements

Définition 4.6.2. Les évènements A 1 , . . . , A n sont dits mutuellement indépendants si
à !
P P( A i ).
\ Y
∀ I ⊂ {1, . . . , n}, Ai =
i∈ I i∈ I