M147 - Cours (Alternatif 1)

UNIVERSITÉ HASSAN II DE CASABLANCA
FACULTÉ DES SCIENCES ET TECHNIQUES
1ère Partie
Statistique Descriptive
Pr. Abdelhak FAHSI

Département de Mathematiques
Module M147, Parcours MIP (S4)

Introduction générale
1ère partie : STATISTIQUE DESCRIPTIVE - Introduction Module M147 - MIP Pr. A. FAHSI
La statistique trouve ses applications dans plusieurs
domaines scientifiques de différentes natures : économie,
biologie, chimie, physique, sociologie, médecine, sciences
de l’ingénieur, ...
La statistique comporte deux grandes branches :
La Statistique Descriptive : C’est un ensemble de
techniques scientifiques permettant de présenter, résumer,
analyser et interpréter des données statistiques. Ces
techniques peuvent être numériques (élaboration de
tableaux, calcul de paramètres) ou graphiques
(visualisation par des représentations graphiques).
La Statistique Mathématique : C’est un ensemble de
méthodes mathématiques, basées sur la modélisation et le
calcul des probabilités, qui permettent à partir de l’étude
d’un échantillon de déduire des informations, faire des
prévisions et prendre des décisions concernant une
population plus grande.
Objectifs de ce cours :
Apprendre et comprendre les principales techniques
de la statistique descriptive à une dimension et à
deux dimensions.
Être capable de mettre en oeuvre ces techniques de
manière appropriée pour décrire, organiser, analyser et
interpréter des données statistiques.
En résumé, Au bout de ce cours, l’étudiant doit être
capable de répondre à ce type de questions :
Exercice 1
L’observation de la consommation énergétique quotidienne
(en kwh) dans un local commercial durant une année a
donné les résultats suivants :
Consommation [8, 10[ [10, 14[ [14, 16[ [16, 20[ [20, 24[
Effectif 55 60 80 120 50
1 Préciser la population étudiée, le caractère étudié et sa
nature.
2 Calculer la proportion des jours dont la consommation
est comprise entre 11 et 22 kwh.
3 Tracer les diagrammes qui permettent de représenter
cette distribution statistique.
4 Calculer le mode, la médiane, la moyenne et
l’écart-type.
Exercice 2
La distribution conjointe d’un groupe d’étudiants selon la
note obtenue en module de statistique (caractère X ) et le
nombre d’absence (caractère Y ) est représentée dans le
tableau suivant :
Y 0 1 2 3 4
X
[0, 6[ 0 4 3 8 12
[6, 10[ 3 7 10 12 18
[10, 12[ 6 8 9 8 7
[12, 14[ 7 6 5 3 2
[14, 16[ 8 3 2 0 0
[16, 20[ 9 4 1 0 0
1 Déterminer les distributions marginales.
2 Quelle est la proportion des étudiants :
a) ayant validé le module de statistique (note ≥ 10) ?
b) ayant un rattrapage (note comprise entre 5 et 10) ?
c) ayant validé le module et ayant 4 absences ?
3 Les variables X et Y sont-elles indépendantes ?
4 Calculer le mode, la médiane, la moyenne et l’écart
type marginaux.
5 Calculer la covariance des deux variables X et Y .
6 Calculer le coefficient de corrélation linéaire.
Plan du cours de Statistique
1 Chapitre 1 : Statistique descriptive 1D (séries simples)

I- Définitions
II- Organisation des données
II.1- Tableaux statistiques
II.2- Représentations graphiques
III- Réduction des données
III.1- Paramètres de tendance centrale
III.1- Paramètres de position
III.2- Paramètres de dispersion
2 Chapitre 2 : Statistique descriptive 2D (séries doubles)

I- Tableau de contingence
II- Paramètres d’une série double
III- Ajustement linéaire
I- Définitions et notations
Chapitre 1
Statistique descriptive à une

dimension
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1. Population (notée P) : On appelle population, l’ensemble de

tous les éléments (de même nature) sur lesquels on veut
effectuer l’étude statistique.
Exemple
- Les étudiants inscrits à la FSTM,
- Les voitures vendues au Maroc entre 2010 et 2016,
- Les jours de l’année 2020.
2. Individu : Chaque élément de la population est appelé

individu (ou unité statistique).
Les individus de la population peuvent être des êtres vivants,

des objets (voitures, livres, . . . ) ou des éléments abstraits
(accidents, jours, . . . ).
Le nombre des individus d’une population, noté N, est appelé

taille ou effectif total de la population.
3. Echantillon : Un groupe restreint d’individus prélevés dans

la population P (sous-ensemble de P) est appelé un
échantillon de P.
Remarque : On se limite à l’étude d’un échantillon lorsque’il

est impossible ou très difficile d’étudier la population dans sa
totalité.
4. Caractère (variable) statistique (noté X , Y , . . .) : On appelle

caractère ou variable statistique toute description qui peut être
observée ou mésurée pour chaque individu de la population.
Exemple
- La couleur des voitures fabriquées par une usine,
- Les notes d’un groupe d’étudiants,
- Le salaire des employés d’une entreprise,
- La consommation quotidienne d’électricité durant une année,
On distingue deux types de caractères :

Caractère qualitatif : C’est un caractère non mesurable.
Les valeurs du caractère ne sont pas numériques.
Exemple
La couleur, la nationalité, la situation familiale, . . .
Caractère quantitatif : C’est un caractère mesurable. Les

valeurs du caractère sont numériques.
Exemple
L’âge, le poids, la taille, le salaire, . . .
5. Série brute :
Considérons un caractère X sur une population P de taille N.
A chaque individu de la population est associée une valeur du

caractère, notée x(i) .
La suite des valeurs x(1) , x(2) , . . . , x(N) (non nécessairement

distintes) est appelée série brute du caractère X .
6. Modalités d’un caractère X : Les différentes valeurs

distinctes prises par le caractère X , notées x1 , x2 , . . . , xk , sont
appelées modalités de X .
L’ensemble des modalités d’un caractère X est noté :
X (P) = {x1 , x2 , . . . , xk }
k désigne le nombre de modalités de X .
Exemple
- Le caractère X = ”couleur” peut avoir comme modalités :
{noir, rouge, bleu, blanc, gris}
- Le caractère X = ”nombre d’enfants par famille” peut avoir
comme modalités : {0, 1, 2, 3, 4, 5 et plus}.
7. Effectif (noté ni ) : L’effectif d’une modalité xi est le nombre

d’individus présentant cette modalité.
L’effectif total de la population est égal à la somme des

effectifs de toutes les modalités du caractère étudié. On a :
k
X
ni = N
i=1
8. Effectif cumulé (noté Ni ) : On suppose le caractère de type

qualitatif (ordinal) et on suppose les modalités ordonnées :
x1 < x2 < . . . < xk
L’effectif cumulé d’une modalité xi est le nombre d’individus de

la population pour lesquels la valeur du caractère est
inférieure ou égale à xi . On a :
N1 = n1
i
X
Ni = nj = Ni−1 + ni , pour i ≥ 2
j=1
9. Fréquence ou proportion (notée fi ) : La fréquence d’une

n
modalité xi , est le rapport fi = i .
N
C’est la proportion des individus de la population présentant

cette modalité. On a :
Xk
fi = 1
i=1
Remarque
La fréquence fi appartient à l’intervalle [0, 1].
Souvent, on note les fréquences en pourcentage (avec le

symbole %) en les multipliant par 100.
10. Fréquence cumulée (notée Fi ) : La fréquence cumulée

d’une modalité xi est la proportion d’individus pour lesquels la
valeur du caractère est inférieure ou égale à xi . On a :
F 1 = f1
i
Ni X
Fi = = fj = Fi−1 + fi , pour i ≥ 2
N
j=1
11. Groupement en classes

Lorsque le nombre des modalités d’un caractère
quantitatif est élevé (supérieur à 15), on est généralement
conduit à regrouper les modalités en classes de la forme :
[xi−1 ; xi [, i = 1, 2, . . . , k
Exemple
Le caractère X = ”Note obtenue par les étudiants inscrits au
module M147” peut avoir comme modalités groupées en
classes :
[0; 5[, [5; 7[, [7; 10[, [10; 15[, [15; 20]
On appelle effectif d’une classe [xi−1 ; xi [ (noté ni ) le nombre

d’individus ayant une valeur du caractère appartenant à cette
classe.
On appelle effectif cumulé de la classe [xi−1 ; xi [ (noté Ni ) le

nombre d’individus pour lesquels la valeur du caractè est
inférieure ou égale à xi ,
On a des définitions analogues pour les fréquences et les

fréquences cumulées.
Remarque
Le groupement en classes d’une distribution statistique conduit
à une perte d’informations par rapport aux données initiales.
Le travail avec un tel groupement suppose alors l’hypothèse
de la répartition uniforme des données à l’intérieur de chaque
classe.
Ainsi, à toute intervalle I = [a; b] inclue dans une classe

[xi−1 ; xi [ d’effectif ni correspond un effectif n(A) défini par :
(b − a)
n(I) = ni ×
(xi − xi−1 )
L’effectif de toute valeur isolée sera alors égal à zéro.
Remarque
L’effectif cumulé de l’intervalle I = [a; b] est égale à l’effectif
cumulé de la valeur b (c’est le nombre d’individus ayant une
valeur du caractè ≤ b). A toute valeur isolée x appartenant à
une classe [xi−1 ; xi [ d’effectif ni correspond un effectif cumulé

N(x) défini par :
x − xi−1
N(x) = Ni−1 + ni ×
xi − xi−1
12. Types d’un caractère quantitatif:

On distingue deux types de caractère quantitatif :
Caractère discret :
Si les modalités d’un caractère quantitatif X sont considérées
sous forme de valeurs isolées, discrètes x1 , x2 , . . . , xk , on dit
que X est un caractère de type discret.
La famille {(xi , ni )1≤i≤k } ou {(xi , fi )1≤i≤k } est appelée

distribution statistique discrète associée au caractère X .
Caractère continu :
Si les modalités d’un caractère X sont groupées sous forme
de classes [x0 ; x1 [, [x1 ; x2 [, . . . , [xk−1 ; xk [, on dit que X est un
caractère de type continu.
La famille {([xi−1 ; xi [, ni )1≤i≤k } ou {([xi−1 ; xi [, fi )1≤i≤k } est

appelée distribution statistique continue associée au caractère
X.
II.2- Representations graphiques
La première étape dans une étude statistique consiste à

organiser les données statistiques observées pour pouvoir en
déduire un certain nombre de renseignements qualitatifs et
quantitatifs.
Cet objectif peut être atteint en présentant les données

observées sous forme de :
1 Tableaux statistiques,
2 Représentations graphiques,
Un tableau statistique consiste à résumer et présenter les

données d’une série statistique associée à un caractère X
sous forme de distributions d’effectifs ou de fréquences en
fonction des modalités :
Modalités Effectifs ...

xi ni
x1 n1
x2 n2
.. ..
. .
xk nk
Total N
Tableau statistique simple (distribution avec les effectifs)
Modalités Fréquences ...

xi fi
x1 f1
x2 f2
.. ..
. .
xk fk
Total 1
Tableau statistique simple (distribution avec les fréquences)
Modalités Effectifs Fréquences Eff. Cum. Fréq. Cum. ...

xi ni fi Ni Fi
x1 n1 f1 N1 = n1 F1 = f1
x2 n2 f2 N2 F2
.. .. .. .. ..
. . . . .
xk nk fk Nk = N Fk = 1
Total N 1
Tableau statistique détaillé
Exemple1 :
Dans un atelier de contrôle technique, on a enquêté sur l’état
mécanique d’un échantillon de 70 voitures, après 5 ans de leur
mise en circulation.
On a obtenu la série statistique brute suivante :
Bon Bon Moyen Bon Bon Mauvais

Excellent Moyen Bon Bon Excellent Moyen
Moyen Bon Excellent Mauvais Bon Bon
Bon Mauvais Excellent Bon Bon Excellent
Bon Moyen Mauvais Moyen Excellent Bon
Bon Moyen Excellent Bon Bon Excellent
Mauvais Moyen Excellent Bon Bon Moyen
Bon Excellent Bon Moyen Excellent Bon
Moyen Bon Excellent Bon Mauvais Moyen
Bon Bon Moyen Bon Bon Moyen
Mauvais Excellent Bon Moyen Bon Bon
Moyen Moyen Bon Excellent
Questions :
- Population étudiée ?
- Caractère étudié ?
- Modalités ?
- Nature du caractère ?
- Tableau statistique ?
Tableau statistique :
Les résultats statistiques de cette enquête (série brute) sont

résumés et présentés dans le tableau statistique suivant :
Etat Mécanique Effectif Fréquence ...

ni fi
Mauvais 7 0.1
Moyen 17 0.24
Bon 32 0.46
Excellent 14 0.2
Total 70 1
Exemple2 :
Dans un échantillon composé de 50 familles, on enquête sur le
nombre d’enfants par famille.
Les résultats de l’enquête statistique sont :
1 0 5 2 2 1 2 1 2 4
4 7 1 3 2 5 4 6 3 1
1 6 1 3 8 1 3 5 2 3
3 0 3 4 6 4 1 7 2 0
2 0 1 2 2 3 2 5 6 2
Questions :
- Modalités ?
- Nature du caractère ?
- Tableau statistique ?
Nombre Effectif ...

d’enfants ni
0 4
1 10
2 12
3 8
4 5
5 4
6 4
7 2
8 1
Total 50
Tableau statistique détaillé :
Nombre Effectif Eff. cum. Fréquence Fréq. cum. ...

d’enfants ni Ni fi Fi
0 4 4 0.08 0.08
1 10 14 0.2 0.28
2 12 26 0.24 0.52
3 8 34 0.16 0.68
4 5 39 0.1 0.78
5 4 43 0.08 0.86
6 4 47 0.08 0.94
7 2 49 0.04 0.98
8 1 50 0.02 1
Total 50 1
Exemple3 :
En mesurant la taille de 50 femmes enceintes, on a obtenu les
résultats suivants (en cm) :
152 151.5 160 165 170

159 168 161 164 156
158.5 167 157 170.5 161.5
169 156 158.5 160.5 152
156.5 166 152.5 170 165
154 170 165 155.5 166.5
162.5 152.5 168 169 158
157 161 154.5 162 158
153.5 157.5 163 155 153
160 169.5 154 161 162
- Modalités et nature du caractère ?
Le nombre des modalités observées étant élevé, il est donc
nécessaire de les grouper en classes. Le caractère étudié
sera alors traité comme un caractère continu.
On peut considérer le choix des classes suivantes :
[151; 155[
[155; 159[
[159; 163[
[163; 167[
[167; 171[
Taille Effectif ...

(en cm) ni
[151; 155[ 10
[155; 159[ 12
[159; 163[ 11
[163; 167[ 7
[167; 171[ 10
Total 50
II.2- Representations
graphiques
Bien que un tableau statistique résume toute l’information

d’une distribution statistique, la représentation graphique
permet de visualiser et de déceler les principales
caractéristiques de la distribution statistique (tendance,
symétrie, dispersion, concentration, . . . ).
La représentation graphique des données relatives à un

caractère repose (selon le type du caractère) sur la
proportionnalité des longueurs ou des surfaces aux
effectifs des différentes modalités du caractère.
Ainsi, suivant le type du caractère étudié, on utilise

différents modes de représentations graphiques.
A. Caractère qualitatif :
Pour un caractère qualitatif, on peut tracer un diagramme
cartésien (en rectangles) ou un diagramme sectoriel
(circulaire).
Considérons l’exemple1 : Etat mécanique des voitures :

Etat Mécanique Effectif Fréquence
ni fi
Mauvais 7 0.1
Moyen 17 0.24
Bon 32 0.46
Excellent 14 0.2
Total 70 1
A.1) Diagramme en rectangles (ou en tuyaux d’orgue) :
Dans un repère cartésien, on représente chaque modalité par

un rectangle dont la hauteur est égale à l’effectif (ou à la
fréquence) de la modalité et dont la base est constante.
(Les rectangles ont la même base et sont séparés par la

même distance).
Effectif
35
30
25
20
32
15
10
17
14
5
7
0
Mauvais Moyen Bon Excellent
A.2) Diagramme circulaire :
Chaque modalité est représentée par un secteur dont l’angle

αi (en degré) est donné par :
ni
αi = 360 × = 360 × fi
N
Le tableau suivant donne l’angle αi correspondant à chaque

modalité :
Etat Effectif Angle
Mécanique ni αi
Mauvais 7 36◦
Moyen 17 87.4◦
Bon 32 164.6◦
Excellent 14 72◦
Total 70 360◦
Diagramme circulaire Mauvais

10%
Excellent
20%
Moyen
24%
Bon
46%
B. Caractère quantitatif discret :

Pour un caractère quantitatif discret, on peut tracer un
diagramme en batôns, un polygone des fréquences, un
diagramme en escalier ou un diagramme circulaire.
Considérons l’exemple2 (Nombre d’enfants par famille) :
Nombre Effectif Fréquence Eff. cum. Fréq. cum.

d’enfants ni fi Ni Fi
0 4 0.08 4 0.08
1 10 0.2 14 0.28
2 12 0.24 26 0.52
3 8 0.16 34 0.68
4 5 0.1 39 0.78
5 4 0.08 43 0.86
6 4 0.08 47 0.94
7 2 0.04 49 0.98
8 1 0.02 50 1
Total 50 1
B.1) Diagramme en bâtons :
Le diagramme en bâtons consiste à représenter, dans un

repère cartésien, chaque modalité du caractère par un
segment de droite vertical dont la hauteur est égale à l’effectif
(ou à la fréquence) de la modalité.
15 0.3
Effectif ni Fréquence fi
10 0.2
5 0.1
0 xi 0 xi
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
Figure: Diagramme en bâtons.
B.2) Polygone des frèquences :
Le polygone des frèquences est construit en joignant par des

segments de droites les sommets des bâtons du diagramme
en bâtons.
15
10
ni
0
0 1 2 3 4 5 6 7 8 x
i
Figure: Polygone des fréquences.
B.3) Diagramme en escaliers - Fonction de répartition :
On suppose x1 < x2 < . . . < xk

On définit la fonction de répartition des effectifs, notée G,
définie de IR vers [0, N], par :
∀ x ∈ IR, G(x) est égale au nombre des individus de la
population pour lesquels la valeur du caractère est
inférieure ou égale à x (G(x) = effectif cumulé de x).
On définit la fonction de répartition des fréquences, notée
F , définie de IR vers [0, 1], par :
∀ x ∈ IR, F (x) est égale à la proportion des individus de
inférieure ou égale à x. (F (x) = fréquence cumulé de x).
Donc, d’après cette définition :

La fonction de répartition des effectifs G(x) est définie par :

 0 si x < x1
G(x) = N si xi ≤ x < xi+1 , 1 ≤ i ≤ k − 1
 i
N si x ≥ xk
La fonction de répartition des fréquences F (x) est définie par :


 0 si x < x1
F (x) = F si xi ≤ x < xi+1 , 1 ≤ i ≤ k − 1
 i
1 si x ≥ xk
Le diagramme en escalier (appelée aussi courbe cumulative

ou courbe des effectifs cumulées ou courbe des fréquences
cumulés), est la représentation graphique de la fonction de
répartition G(x) ou F (x).
G(x) F(x)
50 1
40 0.8
30 0.6
20 0.4
10 0.2
0 x 0 x
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
Figure: Courbe cumulative.
Remarque
F (x) (resp. G(x)) est nulle pour les valeurs de x
inférieures à la plus petite modalité x1 et elle est égale à 1
(resp. N) pour les valeurs de x supérieures ou égale à la
plus grande modalité xk .
F (x) (resp. G(x)) est constante, égale à F (xi ) (resp.
G(xi )), dans chaque intervalle xi ≤ x < xi+1 .
Ainsi, la courbe cumulative d’un caractère discret
présente l’aspect d’un escalier (fonction croissante et
constante par morceaux).
G(x)
On a : F (x) =
N
C. Caractère quantitatif continu :

Pour un caractère quantitatif continu, on peut tracer
l’histogramme, le polygone des fréquences, la courbe
cumulative ou le diagramme circulaire.
C.1) Histogramme et Polygone des fréquences :
Les modalités sont présentées sous forme de classes

[xi−1 ; xi [, 1 ≤ i ≤ k.
L’histogramme d’un caractère continu consiste à représenter

chaque classe [xi−1 ; xi [ du caractère par un rectangle vertical
dont la base est égale à l’amplitude de la classe, notée
ai = xi − xi−1 , et dont la hauteur hi est telle que la surface
Si = ai × hi du rectangle soit proportionnelle à l’effectif ni (ou à
la fréquence fi ) de la classe :
Si = C × ni ou bien Si = C × fi
avec C une constante arbitraire à choisir.
On distingue deux cas :
1er cas : Toutes les classes ont une même amplitude a.

Dans ce cas, pour tracer l’histogramme, on représente chaque
classe par un rectangle dont la hauteur est égale à l’effectif (ou
à la fréquence) de la classe. La base de tous les rectangles
étant la même (égale à l’amplitude a).
Cela revient à choisir la constante C égale à l’amplitude a.
Exemple3 : Taille des femmes enceintes (Classes de même

amplitude)
Taille Effectif
(en cm) ni
[151; 155[ 10
[155; 159[ 12
[159; 163[ 11
[163; 167[ 7
[167; 171[ 10
Total 50
Histogramme : Toutes les classes ont la même amplitude.
15
Effectif ni
10
0
151 155 159 163 167 171 Taille
Polygone des fréquences :
Lorsque toutes les classes ont une même amplitude, le

polygone des fréquences est construit, à partir de
l’histogramme, en joignant par des segments de droites les
milieux des côtés supérieurs des rectangles.
Les extrémités rejoignent l’axe des abscisses.
Polygone des fréquences : Classes de même amplitude.
15
Effectif ni
10
0
151 155 159 163 167 171 Taille
2ème cas : Les classes n’ont pas la même amplitude.

Dans ce cas, pour construire l’histogramme, chaque classe
[xi−1 ; xi [ doit être représentée par un rectangle dont la base
est égale à l’amplitude ai de la classe et dont la hauteur hi est
définie par :
ni fi
hi = C × ou bien hi = C ×
ai ai
où C est une constante de proportionnalité à choisir.
hi est appelée effectif corrigé (ou fréquence corrigée) de la

classe [xi−1 ; xi [.
Le choix de la constante C est arbitraire (on peut choisir par

exemple, C = 1).
Cependant, pour simplifier les calculs et/ou pour tracer le

polygone des fréquences, il faut choisir C égale au plus grand
diviseur commun des amplitudes ai .
Exemple3 : Taille des femmes enceintes (Classes avec des

amplitudes différentes)
Taille amplitude Effectif Eff. corrigé

(en cm) ai ni hi
[151; 155[ 4 10 10
[155; 159[ 4 12 12
[159; 167[ 8 18 9
[167; 171[ 4 10 10
Total 50
ni
avec hi = C × ( on a choisi C = PGDC(ai ) = 4).
ai
Histogramme : avec effectifs corrigés (amplitudes différentes).
15
Effectif corrigé hi
(C=4)
10
0 Taille
151 155 159 163 167 171
Remarque
La somme des aires des rectangles de l’histogramme est la

même dans les deux cas (même amplitude et amplitude
différentes)
15 15
Effectif ni Effectif corrigé hi
(C=4)
10 10
S1
5 5 S1+ S2
S2
0 0
151 155 159 163 167 171 Taille 151 155 159 163 167 171 Taille
Figure: La surface est conservée.
Polygone des fréquences (amplitudes différentes) :
Puisqu’on a choisi C = PGCD(ai ), alors chaque amplitude ai

est un multiple de C. On a alors :
ai = ki × C, avec ki un entier
Pour construire le polygone des fréquences, on considère

chaque rectangle de l’histogramme, de base ai = xi − xi−1 ,
comme une réunion de ki sous-rectangles de même base C.
Puis, on trace les milieux des côtés supérieurs des

sous-rectangles de base C et on joint ces milieux
successivement par des segments de droites.
Les extrémités du polygone rejoignent l’axe des abscisses.
Polygone des fréquences : amplitudes différentes.
15
(C=4)
10
0 Taille
151 155 159 163 167 171
Remarque
L’aire des rectangles de l’histogramme est égale à l’aire

délimité par le polygone des fréquences.
15 15
Effectif ni Effectif corrigé hi
(C=4)
10 10
5 5
0 0
151 155 159 163 167 171 Taille 151 155 159 163 167 171 Taille
Figure: La surface est conservée.
C.2) Courbe cumulative - Fonction de répartition :
Comme pour le cas discret, on définit pour un caractère

continu une fonction de répartition à partir des effectifs
cumulés ou à partir des fréquences cumulées :
On définit la fonction de répartition des effectifs, notée G,

définie de IR vers [0, N], par :
∀ x ∈ IR, G(x) est égale au nombre des individus de la
population pour lesquels la valeur du caractère est
inférieure ou égale à x (G(x) = effectif cumulé de x).
On définit la fonction de répartition des fréquences, notée
F , définie de IR vers [0, 1], par :
∀ x ∈ IR, F (x) est égale à la proportion des individus de
inférieure ou égale à x. (F (x) = fréquence cumulé de x)
G(x)
On a : F (x) = N
Remarque
Par définition, on a :
G(xi ) = Ni , pour 1 ≤ i ≤ k
F (xi ) = Fi , pour 1 ≤ i ≤ k
G(x0 ) = F (x0 ) = 0
avec Ni (resp. Fi ) est l’effectif cumulé (resp. la fréquence
cumulée) de la classe [xi−1 , xi [.
L’hypothèse d’équirépartition des données à l’intérieur de

chaque classe implique que la fonction de répartition est
linéaire à l’intérieur de chaque classe.
Ainsi, la fonction de répartition des effectifs G(x) et la
fonction de répartition des fréquences F (x) sont définies
par :

 0
 si x ≤ x0
G(xi )−G(xi−1 )
G(x) = G(xi−1 ) + xi −xi−1 (x − xi−1 ) si xi−1 ≤ x ≤ xi , 1 ≤ i ≤

 N si x ≥ xk

 0
 si x ≤ x0
F (xi )−F (xi−1 )
F (x) = F (xi−1 ) + xi −xi−1 (x − xi−1 ) si xi−1 ≤ x ≤ xi , 1 ≤ i ≤

 1 si x ≥ xk
La courbe cumulative est la représentation graphique de la

fonction de répartition G(x) ou F (x).
Exemple3 : Taille des femmes enceintes
Taille Effectif Eff. cum. Fréq. cum.

ni Ni Fi
[151; 155[ 10 10 0.2
[155; 159[ 12 22 0.44
[159; 163[ 11 33 0.66
[163; 167[ 7 40 0.8
[167; 171[ 10 50 1
Total 50
Effectif cumulé (G(x)) Fréquence cumulée (F(x))

N= 50 1
40 0.8
30 0.6
20 0.4
10 0.2
0 0
151 155 159 163 167 171 Taille 151 155 159 163 167 171 Taille
Figure: Courbe cumulative.
Remarque
La courbe cumulative est construite en joignant
successivement, par des segments de droites, les points
de coordonnées (xi , G(xi )) (ou (xi , F (xi ))), 0 ≤ i ≤ k .
Aux points extrêmes x0 et xk , la courbe est
horizontalement prolongée respectivement vers la gauche
et vers la droite.
Remarque
F (x) (resp. G(x)) est une fonction continue, croissante et
linéaire par morceaux.
Si X est un caractère continu, alors on a :
Pr (X ≤ a) = Pr (X < a) = F (a), (avec Pr =proportion)
La proportion des individus tel que X ≤ a est égale à la
proportion des individus tel que X < a. Ainsi, pour un
caractère continu, les inégalités large et les inégalités
strictes sont confondues.
On en déduit :
Pr (X > a) = Pr (X ≥ a) = 1 − F (a)
Pr (a ≤ X ≤ b) = Pr (a < X < b) = F (b) − F (a)
Pr (X = a) = 0

statistiques
Les tableaux statistiques et les représentations

graphiques présentent une information globale et détaillée
de la distribution d’un caractère.
Cependant, il est souvent très utile de chercher à réduire
l’information globale par des paramètres (ou indicateurs)
qui résument les caractéristiques essentielles de la
distribution et indiquent comment les valeurs de la série
se répartissent autour de ces paramètres.
Dans la suite, on va définir et interpréter les différents
types de paramètres les plus fréquemment utilisés en
statistique descriptive.
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
III.1- Paramètres de tendance

centrale
Les paramètres de tendance centrale permettent de savoir

autour de quelles valeurs, situées au centre, se répartissent
les données d’une série statistique.
Dans ce paragraphe, on va définir trois paramètres de

tendance centrale, fréquemment utilisés : la moyenne, le
mode et la médiane.
1- La moyenne
Définition
Soient P une population de taille N, X un caractère quantitatif
et x(1) , x(2) , . . . , x(N) la série statistique brute associée à X
(ces valeurs ne sont pas nécessairement toutes distinctes).
La moyenne arithmétique du caractère X , notée X , qu’on

appelle tout simplement moyenne, est égale à la somme de
toutes les valeurs observées divisée par le nombre de ces
valeurs :
N
1X
X = x(i)
N
i=1
Détermination pratique (à partir tableau statistique) :
a. Cas d’un caractère discret :
Soit {(xi , ni )1≤i≤k } une distribution statistique discrète. On a :
k k
1X X
X = ni xi = fi xi
N
i=1 i=1
Exemple
Considérons l’exemple 2 (Nombre d’enfants par famille) :
Les calculs peuvent être résumés dans le tableau suivant :
xi 0 1 2 3 4 5 6 7 8 Total
ni 4 10 12 8 5 4 4 2 1 50
ni × xi 0 10 24 24 20 20 24 14 8 144
Donc
144
X = = 2.88
50
b. Cas d’un caractère continu :
Soit {([xi−1 , xi [, ni )1≤i≤k } une distribution statistique continue.
En raison de l’hypothèse d’équi-répartition à l’intérieur des

classes, on suppose que la moyenne des observations à
l’intérieur d’une classe [xi−1 , xi [ est égale au centre de la
x + xi
classe ci = i−1 .
2
On a alors :
k k
1X X
X = ni ci = fi ci
N
i=1 i=1
Exemple
Considérons l’exemple 3 (Taille d’un groupe de femmes).

[xi ; xi+1 [ ni ci ni × ci
[151; 155[ 10 153 1530
[155; 159[ 12 157 1884
[159; 163[ 11 161 1771
[163; 167[ 7 165 1155
[167; 171[ 10 169 1690
Total 50 8030
Donc la taille moyenne est :
8030
X = = 160.6 cm
50
Propriétés :
Soient X une variable statistique, a et b deux constantes
réelles. Si on pose le changement de variables affine
Y = aX + b, alors on a :
Y = aX + b
Si une population de taille N est composée de m

sous-populations de tailles respectives N1 , N2 , . . . , Nm et
de moyennes respectives X 1 , X 2 , . . . , X m . Alors la
moyenne X de la population globale est donnée par :
m
1X
X = Ni X i
N
i=1
Si X et Y sont deux variables statistiques définies sur une

même population, alors on a :
X +Y =X +Y
Soient X une variable statistique et ϕ une fonction réelle.

Si on pose le changement de variables Y = ϕ(X ), alors
on a :
k
1X
Y = ni ϕ(xi )
N
i=1
les xi représentent les valeurs des modalités dans le cas

discret ou les centres des classes dans le cas continu.
2- Le mode
Définition
Le mode d’une variable statistique X , noté Mo (X ), est la valeur
du caractère qui admet le plus grand effectif (ou la plus grande
fréquence).
C’est la valeur du caractère la plus fréquente.
Remarque :
Le mode peut être calculé pour tous les types de
caractère.
Une distribution statistique peut avoir plusieurs modes.
Pour un caractère continu, le mode appartient à la classe
modale qui correspond à l’effectif corrigé le plus élevé.
Détermination pratique :
a. Caractère qualitatif ou quantitatif discret :

Dans ce cas, le mode s’obtient facilement à partir du tableau
statistique :
Considérons l’exemple1 : Etat mécanique des voitures.
Etat Effectif Fréquence
Mécanique ni fi
Mauvais 7 0.1
Moyen 17 0.24
Bon 32 0.46
Excellent 14 0.2
Total 70 1
”Bon” est la modalité qui admet le plus grand effectif. Donc, le
mode est Mo =Bon état.
Nombre d’enfants 0 1 2 3 4 5 6 7 8 Total

Effectif ni 4 10 12 8 5 4 4 2 1 50
L’effectif le plus élevé est n3 = 12. Il correspond à la modalité

x3 = 2. Donc, le mode de cette distribution statistique est
Mo = 2 enfants.
c. Cas d’un caractère continu :
Dans ce cas, on définit d’abord la classe modale qui

correspond à l’effectif corrigé le plus élevé ou la fréquence
corrigée la plus élevé.
La classe modale correspond donc à la classe dont le
rectangle sur l’histogramme a la hauteur la plus élevée.
Si on note [xi ; xi+1 [ la classe modale, alors on détermine la

valeur du mode Mo en tenant compte des deux classes
adjacentes à la classe modale par la méthode suivante :
Histogramme
Effectif corrigé
Classe modale
hi
∆
1
∆
2
h
i−1
hi+1
xi xi+1 x
Mo
On a :
Mo − xi x − Mo
= i+1
∆1 ∆2
D’où :
∆1
Mo = xi + (xi+1 − xi )
∆1 + ∆ 2
avec
∆1 = hi − hi−1
∆2 = hi − hi+1
hi = effectif corrigé de la classe modale [xi ; xi+1 [
hi−1 = effectif corrigé de la classe adjacente [xi−1 ; xi [
hi+1 = effectif corrigé de la classe adjacente [xi+1 ; xi+2 [.
Exemple
Considérons l’exemple3 (Taille des femmes enceintes) :
Taille Effectif
(en cm) ni
[151; 155[ 10
[155; 159[ 12
[159; 163[ 11
[163; 167[ 7
[167; 171[ 10
Total 50
Pour cet exemple, toutes les classes ont la même amplitude.

Donc, on a : hi = ni .
La classe modale est : [155; 159[.

Et on a :
∆1 = 12 − 10 = 2
∆2 = 12 − 11 = 1
d’où
2
Mo = 155 + 4 × = 157.66 cm
2+1
Considérons l’exemple3 avec des classes qui n’ont pas la

même amplitude :
Taille Effectif
(en cm) ni
[151; 155[ 10
[155; 159[ 12
[159; 167[ 18
[167; 171[ 10
Total 50
Les classes n’ont pas la même amplitude. Donc, on a : hi 6= ni .
Taille Effectif Amplitude Eff. corrigé

(en cm) ni ai (en cm) hi
[151; 155[ 10 4 10
[155; 159[ 12 4 12
[159; 167[ 18 8 9
[167; 171[ 10 4 10
Total 50
La classe modale est [155; 159[ (c’est la classe qui admet le

plus grand effectif corrigé). On a :
∆1 = 12 − 10 = 2
∆2 = 12 − 9 = 3
Donc
2
Mo = 155 + 4 ×
2+3
Le mode de cette distribution est donc :
Mo = 156.6 cm
Détermination graphique du mode :

On peut déterminer le mode graphiquement par une lecture
sur l’histogramme.
15
(C=4)
10
0
151 155 Mo 159 163 167 171 Taille
3- La médiane
Définition
La médiane d’une variable statistique X , notée Me (X ), est la
valeur centrale du caractère qui partage la population en deux
groupes de même effectif :
50% de la population ont des valeurs du caractère ≤ Me et
50% de la population ont des valeurs du caractère ≥ Me .
Remarque
Cette définition n’a de sens que si les valeurs de la
distribution statistique sont ordonnées par ordre croissant.
N 1
Me doit vérifier G(Me ) = ou F (Me ) = .
2 2

Soit {(xi , ni )1≤i≤k } une distribution statistique discrète
ordonnée : x1 < x2 < · · · < xk et soient N1 , N2 , . . . , Nk les
effectifs cumulés correspondants.
On a par définition Ni = G(xi ).
Dans le cas discret, la fonction de répartition G(x) n’est pas

continue (fonction en escalier). Donc, il n’existe pas, en
général, une valeur unique Me telle que G(Me ) = N/2.
Ainsi, on distingue deux cas :

N
1er cas : Si ne coı̈ncide avec aucune valeur Ni dans le
2
N
tableau, alors G(x) = n’admet pas de solution.
2
Dans ce cas, on considère que la médiane est la plus
petite modalité du caractère pour laquelle l’effectif cumulé
N
dépasse .
2
N
Ainsi, si on a Ni−1 < < Ni alors on considère :
2
Me = xi
N
2ème cas : Si coı̈ncide avec une valeur Ni , alors toute
2
valeur x comprise entre xi et xi+1 vérifie la définition de la
N
médiane G(x) = .
2
Dans ce cas, on prend la médiane égale à la valeur
centrale entre les deux modalités xi et xi+1 .
N
Ainsi, si on a = Ni alors on considère :
2
1
Me = (xi + xi+1 )
2
Remarque
Dans le premier cas, la valeur choisie pour la médiane ne

vérifie pas la définition initiale. On l’interprète alors en
disant que : au moins 50% de la population ont des
valeurs ≤ Me et au moins 50% de la population ont des
valeurs ≥ Me .
Dans le deuxième cas, la valeur choisie pour la médiane
vérifie la définition initiale. On dit alors que : exactement
50% de la population ont des valeurs ≤ Me et
exactement 50% de la population ont des valeurs ≥ Me .
Exemple
Nbr d’enfants 0 1 2 3 4 5 6 7 8 Total

Effectif ni 4 10 12 8 5 4 4 2 1 50
Eff. Cum. Ni 4 14 26 34 39 43 47 49 50
N
On a = 25 ne coı̈ncide avec aucun effectif cumulé.
2
On a 2 est la plus petite modalité pour laquelle l’effectif cumulé
N
dépasse .
2
Donc la médiane de cette distribution statistique est Me = 2
enfants.
Interprétation :
Plus de 50% des familles (26 familles) ont le nombre d’enfants
≤ 2 et plus de 50% des familles (36 familles) ont le nombre
d’enfants ≥ 2.
Remarque :
On a le même raisonement avec les fréquences cumulées :
Si Fi−1 < 0.5 < Fi , alors la médiane est la modalité de
fréquence cumulée Fi :
Me = xi
1
Si = Fi , alors la médiane est la valeur centrale entre les
2
deux modalités de fréquences cumulées respectives Fi et
Fi+1 :
1
Me = (xi + xi+1 )
2
Détermination graphique de la médiane : On peut déterminer

la médiane graphiquement par une lecture sur le diagramme
en escalier.
G(x)
N= 50
40
30
N/2
20
10
0 x
0 1 2 3 4 5 6 7 8

Soit {([xi−1 ; xi [, ni )1≤i≤k } une distribution statistique continue
et soient N1 , N2 , . . . , Nk les effectifs cumulés correspondants.
On a :
Ni = G(xi ), pour 1 ≤ i ≤ k , G(x0 ) = 0
La fonction de répartition G(x) est continue et croissante.

N
Donc, il existe une valeur unique Me telle que G(Me ) = .
2
Pour déterminer la médiane Me , on commence d’abord par

chercher la classe médiane : C’est la première classe pour
N
laquelle l’effectif cumulé est ≥ .
2
Si on note [xi−1 ; xi [ la classe médiane, on détermine la valeur
de la médiane Me ∈ [xi−1 ; xi [ par interpolation linéaire (en
tenant compte de l’hypothèse d’équirépartition à l’intérieur des
classes).
On a :
N
Me ∈ [xi−1 ; xi [ ⇔ Ni−1 ≤ < Ni
2
et on a :
Me − xi−1 N/2 − Ni−1
=
xi − xi−1 Ni − Ni−1
D’où
N/2 − Ni−1
Me = xi + (xi − xi−1 )
Ni − Ni−1
Remarque
On peut faire le même raisonement avec les fréquences

cumulées :
La classe médiane est la première classe pour laquelle la
1
fréquence cumulée est ≥ .
2
On a :
1
Me ∈ [xi−1 ; xi [ ⇔ Fi−1 ≤ < Fi
2
et on a :
Me − xi−1 1/2 − Fi−1
=
xi − xi−1 Fi − Fi
D’où
1/2 − Fi−1
Me = xi−1 + (xi − xi−1 )
Fi − Fi−1
Exemple
Taille Effectif Eff. cum. Fréquence Fréq. cum.

(en cm) ni Ni fi Fi
[151; 155[ 10 10 0.2 0.2
[155; 159[ 12 22 0.24 0.44
[159; 163[ 11 33 0.22 0.66
[163; 167[ 7 40 0.14 0.8
[167; 171[ 10 50 0.2 1
Total 50 1
N N
On a = 25. Donc on a 22 ≤ ≤ 33 et par conséquent, la
2 2
classe médiane est :
Me ∈ [159, 163[
D’où
25 − 22
Me = 159 + (163 − 159) = 160.09 cm
33 − 22
Interprétation : 50 % des femmes ont une taille ≤ 160.09 cm

et 50 % des femmes ont une taille ≥ 160.09 cm.
Détermination graphique :
50
40
30
N/2
20
10
0
151 155 159 163 167 171
M
e
Définition
Un paramètre de position d’ordre p (0 < p < 1) d’une variable
statistique X , noté Zp , (appelé aussi quantile ou fractile d’ordre
p), est la valeur du caractère qui permet de partager la
population de taille N en deux groupes de tailles respectives
p × N et (1 − p) × N et telle que :
Le premier groupe est formé des individus qui ont des valeurs
du caractère ≤ Zp et le deuxième groupe est formé des
individus qui ont des valeurs du caractère ≥ Zp .
Remarque
Cette définition n’a de sens que si les valeurs de la
distribution statistique sont ordonnées par ordre croissant.
Zp doit vérifier G(Zp ) = p × N ou F (Zp ) = p.
Dans la suite de ce paragraphe, on va définir les paramètres

de position les plus fréquemment utilisés qui sont les quartiles,
les déciles et les centiles.
1. Les quartiles
Définition
Les quartiles sont définis comme étant les trois paramètres de
position, notés Q1 , Q2 , Q3 , d’ordre resectifs 0.25, 0.5, 0.75,
qui permettent de diviser la population en quatre groupes de
même effectif (contenant chacun 25% des individus).
On a :
Q1 = Z0.25 , Q2 = Z0.5 , Q3 = Z0.75
Remarque
25% de la population ont des valeurs ≤ Q1 et 75% de la
population ont des valeurs ≥ Q1 .
75% de la population ont des valeurs ≤ Q3 et 25% de la
population ont des valeurs ≥ Q3 .
25% de la population ont des valeurs comprises entre Q1
et Q2 et 25% de la population ont des valeurs comprises
entre Q2 et Q3
Le 2ème quartile Q2 coı̈ncide donc avec la médiane Me .
2. Les déciles
Définition
Les déciles sont définis comme étant les 9 paramètres de
position, notés D1 , D2 , . . . , D9 , d’ordre resectifs
0.1, 0.2, . . . , 0.9, qui permettent de diviser la population en
dix groupes de même effectif (contenant chacun 10% des
individus).
On a :
D1 = Z0.1 , D2 = Z0.2 , ..., D9 = Z0.9
3. Les centiles
Définition
Les centiles sont définis comme étant les 99 paramètres de
position, notés C1 , C2 , . . . , D99 , d’ordre resectifs
0.01, 0.02, . . . , 0.99, qui permettent de diviser la population
en cent groupes de même effectif (contenant chacun 1% des
individus).
On a :
C1 = Z0.01 , C2 = Z0.02 , ..., C99 = Z0.99
Remarque
Entre deux déciles consécutifs, il y a 10% des individus de
la population.
Entre deux centiles consécutifs, il y a 1% des individus de
la population.
On a : Q2 = D5 = C50 = Me .
Le calcul et l’interprétation d’un paramètre de position d’ordre

p se font de manière similaire que pour la médiane.
Comme pour la médiane, il n’existe pas, en général, une

valeur Zp telle que G(Zp ) = p × N (ou F (Zp ) = p).
On distingue alors deux cas :
1er cas : Si p × N ne coı̈ncide avec aucune valeur Ni

dans le tableau, alors G(x) = p × N n’admet pas de
solution.
Dans ce cas, on considère que Zp est la plus petite
modalité du caractère pour laquelle l’effectif cumulé
dépasse p × N.
Ainsi, si on a Ni−1 < p × N < Ni alors on considère :
Zp = xi
2ème cas : Si p × N coı̈ncide avec une valeur Ni , alors

toute valeur x comprise entre xi et xi+1 vérifie la relation
G(x) = p × N.
Dans ce cas, on prend Zp égale à la valeur centrale entre
les deux modalités xi et xi+1 .
Ainsi, si on a p × N = Ni alors on considère :
1
Zp = (xi + xi+1 )
2
Remarque
Dans le premier cas, la valeur choisie pour Zp ne vérifie

pas la définition initiale.
On l’interprète alors en disant que : au moins (100 × p)%
de la population ont des valeurs ≤ Zp et au moins
(100 × (1 − p))% de la population ont des valeurs ≥ Zp .
Dans le deuxième cas, la valeur choisie pour Zp vérifie la
définition initiale.
On dit alors que : exactement (100 × p)% de la
population ont des valeurs ≤ Zp et exactement
(100 × (1 − p))% de la population ont des valeurs ≥ Zp .
En résumé,
Si Ni−1 < p × N < Ni , alors on prend Zp égal à la modalité
d’effectif cumulé Ni :
Zp = xi
Si p × N = Ni , alors on prend Zp égal à la valeur milieu
entre les deux modalités d’effectifs cumulés respectifs Ni
et Ni+1 :
1
Zp = (xi + xi+1 )
2
Exemple
Considérons l’exemple 2 (Nombre d’enfants par famille) :
Nombre Effectif Eff. cum.

d’enfants ni Ni
0 4 4
1 10 14
2 12 26
3 8 34
4 5 39
5 4 43
6 4 47
7 2 49
8 1 50
Q1 = Z0.25 = 1, (4 < p × N < 14)
Me = Q2 = Z0.5 = 2, (14 < p × N < 26)
Q3 = Z0.75 = 4, (34 < p × N < 39)
D1 = Z0.1 = 1, (4 < p × N < 14)
C1 = Z0.01 = 0, (0 < p × N < 4)
(0 + 1)
C8 = Z0.08 = = 0.5, (p × N = 4)
2
Interprétation :
Au moins 25 % des familles ont un nombre d’enfants ≤ 1 et au

moins 75% des familles ont un nombre d’enfants ≥ 1.
8% des familles ont un nombre d’enfants < 0.5 et 92 % des

familles ont un nombre d’enfants > 0.5.
Remarque
On a le même raisonement avec les fréquences cumulées :
Si Fi−1 < p < Fi , alors
Zp = xi
Si p = Fi , alors
1
Zp = (xi + xi+1 )
2
G(x)
N= 50
40
3N/4
0.68N
30
N/2
20
N/4
10
0 x
0 1 2 3C 4 5 6 7 8
68
Q1 Me Q3
Comme pour la médiane, on commence d’abord par chercher

la classe qui contient le paramètre Zp . C’est la première classe
pour laquelle l’effectif cumulé dépasse p × N (ou la fréquence
cumulée dépasse p). On a :
Zp ∈ [xi−1 , xi [ ⇔ Ni−1 ≤ p × N < Ni
La valeur de Zp s’obtient ensuite par interpolation linéaire :
On a :
Zp − xi−1 p × N − Ni−1
=
xi − xi−1 Ni − Ni−1
D’où
p × N − Ni−1
Zp = xi−1 + (xi − xi−1 )
Ni − Ni−1
Remarque
On peut faire le même raisonement avec les fréquences

cumulées :
On a :
Zp ∈ [xi−1 ; xi [ ⇔ Fi−1 ≤ p < Fi
et on a :
Zp − xi−1 p − Fi−1
=
xi − xi−1 Fi − Fi
D’où
p − Fi−1
Zp = xi−1 + (xi − xi−1 )
Fi − Fi−1
Exemple
Taille Effectif Eff. cum. Fréquence Fréq. cum.

(en cm) ni Ni fi Fi
[151; 155[ 10 10 0.2 0.2
[155; 159[ 12 22 0.24 0.44
[159; 163[ 11 33 0.22 0.66
[163; 167[ 7 40 0.14 0.8
[167; 171[ 10 50 0.2 1
Total 50 1
5−0
D1 = 151 + 4 = 153 cm
10 − 0
12.5 − 10
Q1 = 155 + 4 = 155.83 cm
22 − 10
37.5 − 33
Q3 = 163 + 4 = 165.57 cm
40 − 33
45 − 40
D9 = 167 + 4 = 169 cm
50 − 45
Interprétation : 10 % des étudiants ont une taille ≤ 153 cm et

90 % des étudiants ont une taille ≥ 153 cm.
50
0.9×N
40
0.75×N
30
20
0.25×N
10
0.1×N
0
151 D 155 Q 159 163 Q 167
1 1 3
D 171 9
Remarque : Symétrie d’une distribution statistique

On a :
Mo = Me = X si et seulement si la distribution est
symétrique
Remarque : Valeurs aberrantes

En utilisant les quartiles Q1 et Q3 , on peut détecter si il
existe des valeurs aberrantes dans une série statistique.
Pour cela, on calcule les deux limites suivantes :
Linf = Q1 − 1.5 × (Q3 − Q1 )
Lsup = Q3 + 1.5 × (Q3 − Q1 )

Toute valeur qui ne se trouve pas entre ces deux limites
est jugée aberrante.
1- L’étendue
2- L’étendue interquartiles
3- Ecart absolu moyen
4- Variance, Ecart-type
1- L’étendue
Les paramètres de tendance centrale et de position ne

donnent pas une information complète sur une distribution
statistique.
Deux distributions statistiques peuvent avoir les mêmes

paramètres de tendance centrale ou de position, mais cela ne
permet pas de conclure à une similitude entre ces deux
distibutions.
Ces dernières peuvent présenter des des dispersions très

différentes autour de ces mesures centrales.
On va définir quelques paramètres pour mesurer la dispersion.
1- L’étendue
1- L’étendue
1- L’étendue
Définition
L’étendue d’un caractère statistique X , noté ∆X , est la
différence entre la plus grande valeur et la plus petite valeur
observées :
∆X = Max(X ) − Min(X )
Ce paramètre présente un intérêt très limité du fait qu’il

dépend uniquement des valeurs extrêmes, qui peuvent être
des valeurs aberrantes.
1- L’étendue
2- L’étendue interquanrtiles
1- L’étendue
Définition
A partir des quartiles Q1 et Q3 , on peut définir un paramètre de
dispersion, noté ∆Q, appelé étendue interquartiles, défini par :
∆Q = Q3 − Q1
Le calcul de l’étendue interquartiles a l’avantage d’éviter

les valeurs extrêmes.
Plus l’intervalle interquartiles est large, plus la série est
dispersée.
1- L’étendue
1- L’étendue
Définition
L’écart absolu moyen d’un caractère statistique X , noté Em (X ),
est la moyenne arithmétique des valeurs absolues des écarts
à la moyenne :
k k
1X X
Em (X ) = |X − X | = ni |xi − X | = fi |xi − X |
N
i=1 i=1
Ce paramètre est peu maniable à cause des valeurs

absolues.
les xi représentent les modalités dans le cas discret ou
les centres des classes dans le cas continu.
1- L’étendue
1- L’étendue
Définition
La variance d’un caractère statistique X , notée V (X ), est la
moyenne arithmétique des carrés des écarts à la moyenne :
k k
1X X
V (X ) = (X − X )2 = ni (xi − X )2 = fi (xi − X )2
N
i=1 i=1
les xi représentent les modalités dans le cas discret ou les

centres des classes dans le cas continu.
Définition
L’écart-type, noté σ(X ), est la racine carrée de la variance :
p
σ(X ) = V (X )
1- L’étendue
Formule simplifiée de la variance :

Proposition
Pour calculer la variance, on peut utiliser la formule simplifiée
suivante :
k k
1X2 2 2 X 2
V (X ) = X2 −X = ni xi − X = fi xi2 − X
N
i=1 i=1
On dit que la variance est égale à la différence entre la

moyenne des carrées et le carré de la moyenne.
les xi représentent les modalités dans le cas discret ou les

centres des classes dans le cas continu.
1- L’étendue
Remarque
l’écart-type est le meilleur indicateur de la dispersion
d’une distribution statistique par rapport à sa moyenne.
Elle tient compte de toutes les valeurs de la série
statistique.
plus l’écart-type est faible, plus les valeurs du caractère

sont concentrées autour de la moyenne et plus
l’écart-type est élevé, plus les valeurs du caractère sont
dispersées autour de la moyenne.
l’écart-type est nulle si et seulement si toutes les valeurs

sont identiques et égales à la moyenne.
1- L’étendue
Propriétés
Si on pose Y = aX + b avec a et b deux constantes réelles,

alors on a :
V (Y ) = a2 V (X )
σ(Y ) = |a|σ(X )
1- L’étendue
Exemple Considérons l’exemple 3 (Taille d’un groupe de

femmes) :
[xi−1 ; xi [ ni ci ni × ci ni × ci2
[151; 155[ 10 153 1530 234090
[155; 159[ 12 157 1884 295788
[159; 163[ 11 161 1771 285131
[163; 167[ 7 165 1155 190575
[167; 171[ 10 169 1690 285610
Total 50 8030 1291194
1- L’étendue
Donc, on a :
8030
X = = 160.6 cm
50
1291194
X2 = = 25823.88
50
D’où
V (X ) = 25823.88 − 160.62 = 31, 52
p
σ(X ) = 31, 52 ' 5.61 cm
1- L’étendue
Remarque : Dispersion relative
La dispersion mesurée avec les paramètres présentés

précédemment est qualifiée d’absolue et elle s’exprime dans
l’unité de mesure du caractère.
Pour comparer la dispersion de deux distributions statistiques

ayant des unités différentes ou des ordres de grandeur
différents, il est nécessaire de considérer des mesures de
dispersion relative (valeurs sans unité).
1- L’étendue
5- Coefficient de variation
1- L’étendue
Définition
Le coefficient de variation d’une variable statistique X , noté
Cv (X ), est défini par :
σ(X )
Cv (X ) =
X
1- L’étendue
Remarque
Ce paramètre (nombre sans unité) qu’on peut exprimer en

pourcentage, permet de comparer les dispersion (ou
l’homogénéité) d’un ou de plusieurs caractères sur une ou
plusieurs populations.
Plus ce paramètre de dispersion relative est élevé , plus la

dispersion autour de la moyenne est élevée et plus
l’homogénéité est faible.
1- L’étendue
Exemple
On a mesuré le poids et la taille d’un échantillon de 50

hommes adultes. les résultats sont résumés dans le tableau
suivant :
Variable Moyenne Exart-type
X =taille 173.59 cm 13.86 cm
Y =poids 78,42 kg 11,98 kg
1- L’étendue
Pour comparer l’homogénéité de ces deux variables, on

calcule leur coefficient de variation :
13.86
Cv (X ) = = 0.0798 = 7.98%
173.59
11.98
Cv (Y ) = = 0.1528 = 15.28%
78.42
Donc la taille des hommes adultes est moins dispersée (plus
homogène) que leur poids.
1- L’étendue
Fin chapitre 1
1- L’étendue
Exercice 1
L’observation de la consommation énergétique quotidienne (en
kwh) dans un local commercial durant une année a donné les
résultats suivants :
Consommation [8, 10[ [10, 14[ [14, 16[ [16, 20[ [20, 24[
Effectif 55 60 80 120 50
1 Préciser la population étudiée, le caractère étudié et sa

nature.
2 Calculer la proportion des jours dont la consommation est
comprise entre 11 et 22 kwh.
3 Tracer les diagrammes qui permettent de représenter
cette distribution statistique.
4 Calculer le mode, la médiane, la moyenne et l’écart-type.
1- L’étendue
Exercice 2
La distribution conjointe d’un groupe d’étudiants selon la note
obtenue en module de statistique (caractère X ) et le nombre
d’absence (caractère Y ) est représentée dans le tableau
suivant :
Y 0 1 2 3 4
X
[0, 6[ 0 4 3 8 12
[6, 10[ 3 7 10 12 18
[10, 12[ 6 8 9 8 7
[12, 14[ 7 6 5 3 2
[14, 16[ 8 3 2 0 0
[16, 20[ 9 4 1 0 0
1- L’étendue
1 Déterminer les distributions marginales et leur natures.

4 Calculer le mode, la médiane, la moyenne et l’écart type
des distributions marginales.
5 Calculer la covariance du couple (X , Y ).
7 Déterminer les droites d’ajustement linéaire.
II- Paramètres statistiques
Chapitre 2
Statistique descriptive à deux

dimensions
Introduction
Très souvent, on peut envisager pour une même population

l’étude de deux caractères considérés simultanément.
Exemple :
- Notes de Mathématique et notes de Physique d’un groupe
d’étudiants.
- Nombre d’années d’ancienneté et revenus mensuels des

employés d’une entreprise.
Objectifs de ce chapitre :
Étendre les notions de la statistique descriptive à une
dimension au cas d’un couple de caractères (deux
dimensions).
Déterminer s’il y a une dépendance linéaire entre les deux
caractères.
Déterminer l’équation de cette dépendance éventuelle.
Notations et définitions
Désignons par X et Y les deux caractères qu’on veut étudier

sur une population P de taille N.
A chaque individu est associé un couple de valeurs, noté

(x(i) , y(i) ).
La suite des couples (x(1) , y(1) ), (x(2) , y(2) ), . . . , (x(N) , y(N) ) est
appelée série statistique brute associée au couple (X , Y ).
Ces valeurs ne sont pas nécessairement toutes distinctes.
Les modalités de X (valeurs distinctes) sont notées :
x1 , x2 , . . . , xk
Les modalités de Y sont notées :
y1 , y2 , . . . , yp
Les valeurs (xi , yj ), 1 ≤ i ≤ k, 1 ≤ j ≤ p, sont appelées

modalités du couple (X , Y ).
On appelle effectif de la modalité (xi , yj ), noté nij , le nombre

d’individus présentant cette modalité. On a :
p
k X
X
nij = N
i=1 j=1
On appelle fréquence de la modalité (xi , yj ), notée fij , la

proportion des individus présentant cette modalité. On a :
p
k X
X
fij = 1
i=1 j=1
Remarque
Pour les caractères quantitatifs, on peut procéder à des
groupement en classes pour l’un des caractères ou pour
les deux caractères.
On peut ainsi, définir des distributions doubles

semi-continues (un seul caracère est continu) ou
continues (les deux caractères sont continus).
Remarque
Pour une distribution continue, le groupement en classes
correspond à une perte d’informations par rapport aux
données initiales : On suppose alors que la répartition
des données à l’intérieur des classes est uniforme .
Ainsi, à toute partie A = [a; b] × [c; d] ⊂ [xi−1 ; xi [×[yj−1 ; yj [

correspond un effectif n(A) défini par :
(b − a)(d − c)
n(A) = nij ×
(xi − xi−1 )(yj − yj−1 )
avec nij = effectif de la modalité ([xi−1 ; xi [, [yj−1 ; yj [).
Comme en statistique descriptive à une dimension, les

données statistiques relatives à un couple de caractères
(X ,Y ), peuvent être présentées sous forme de distributions
d’effectifs ou de fréquences dans un tableau statistique.
Il s’agit d’un tableau à deux dimensions, appelé tableau de

contingence.
Dans ce tableau, on présente la distribution conjointe du

couple (X , Y ), la distribution marginale de X et la distribution
marginale de Y .
Tableau de contingence avec les effectifs
Y y1 y2 ... yj ... yp Total

X
x1 n11 n12 ... n1j ... n1p n1.
x2 n21 n22 ... n2j ... n2p n2.
.. .. .. .. .. ..
. . . . . .
xi ni1 ni2 ... nij ... nip ni.
.. .. .. .. .. ..
. . . . . .
xk nk1 nk2 ... nkj ... nkp nk.
Total n.1 n.2 ... n.j ... n.p N
- nij = effectif de la modalité (xi , yj ) du couple (X , Y )
- ni. = effectif de la modalité xi de X (∀ la valeur de Y ).
- n.j = effectif de la modalité yj de Y (∀ la valeur de X ).
Les nij sont appelés effectifs conjoints du couple (X , Y ).
Les ni. et n.j sont appelés effectifs marginaux, respectivement

de X et de Y .
On a les relations :
p
X
ni. = nij
j=1
k
X
n.j = nij
i=1
k
X p
X p
k X
X
ni. = n.j = nij = N
i=1 j=1 i=1 j=1
Tableau de contingence avec les fréquences

Le tableau des fréquences conjointes et marginales s’obtient
en divisant tous les effectifs par la taille de la poulation N :
Y y1 y2 ... yj ... yp Total

X
x1 f11 f12 ... f1j ... f1p f1.
x2 f21 f22 ... f2j ... f2p f2.
.. .. .. .. .. ..
. . . . . .
xi fi1 fi2 ... fij ... fip fi.
.. .. .. .. .. ..
. . . . . .
xk fk1 fk2 ... fkj ... fkp fk.
Total f.1 f.2 ... f.j ... f.p 1
On a :
nij
fij =
N
p
ni. X
fi. = = fij
N
j=1
k
n.j X
f.j = = fij
N
i=1
k
X p
X p
k X
X
fi. = f.j = fij = 1
i=1 j=1 i=1 j=1
- fij représente la proportion des individus ayant la modalité

(xi , yj ) du couple (X , Y ).
- fi. représente la proportion des individus ayant la modalité xi

de X (∀ la valeur de Y ).
- f.j représente la proportion des individus ayant la modalité yj

de Y (∀ la valeur de X ).
Les fij sont appelés fréquences conjointes du couple (X , Y ).
Les fi. et f.j sont appelés fréquences marginales,

respectivement de X et de Y .
Définition
La famille {((xi , yj ), nij ), 1 ≤ i ≤ k , 1 ≤ j ≤ p} est appelée
distribution conjointe du couple (X , Y ).
La famille {(xi , ni. ), 1 ≤ i ≤ k} est appelée distribution
marginale de X .
La famille {(yj , n.j ), 1 ≤ j ≤ p} est appelée distribution
marginale de Y .
les xi et yj représentent les valeurs des modalités dans le cas
discret ou les classes dans le cas continu.
Exemple
La distribution des notes de mathématique (variable X ) et des
notes de Physique (variable Y ) pour un groupe d’étudiants est
résumée dans le tableau de contingence suivant :
Y [0, 6[ [6, 10[ [10, 20] Total

X
[0, 6[ 18 9 0 27
[6, 10[ 3 21 9 33
[10, 12[ 2 8 77 87
[12, 16[ 0 3 34 37
[16, 20] 0 0 16 16
Total 23 41 136 200
Remarque : Indépendance statistique

Proposition
On a les équivalences suivantes :
Deux variables X et Y sont indépendantes
m
∀ (i, j), fij = fi. × f.j
m
ni. × n.j
∀ (i, j), nij =
N
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
Pour une distribution double, on peut calculer deux types de

paramètres :
Les paramètres qui caractérisent un seul caractère. Ils
concernent les distributions marginales.
Les paramètres qui décrivent la relation qui existe entre
les deux caractères considérés simultanément. Ils
concernent la distribution conjointe.
II.1- Paramètres des

distributions marginales
Les distributions marginales sont des distributions à une seule

dimension.
Elles peuvent être étudiées conformément à ce que nous

avons vu au chapitre 1.
Par exemple, les moyennes et variances marginales du couple

(X , Y ) sont définies par :
k
1X
X = ni. xi
N
i=1
p
1X
Y = n.j yj
N
j=1
k k
1X 1X 2
V (X ) = ni. (xi − X )2 = ni. xi2 − X
N N
i=1 i=1
p p
1X 1X 2
V (Y ) = n.j (yj − Y )2 = n.j yj2 − Y
N N
j=1 j=1
II.2- Covariance
Définition
La covariance d’un couple de variables (X , Y ), notée
Cov (X , Y ), est égale à la moyenne arithmétique des produits
des écarts aux moyennes marginales X et Y :
Cov (X , Y ) = (X − X )(Y − Y )
Pour calculer la covariance, on peut utiliser la formule

simplifiée suivante :
Cov (X , Y ) = X .Y − X .Y
On dit que la covariance est égale à la différence entre la

moyenne du produit et le produit des moyennes.
Calcul pratique de la covariance :

1er Cas : À partir des données individuelles :
Soit (x(1) , y(1) ), (x(2) , y(2) ), . . . , (x(N) , y(N) ) la série

statistique brute associée à (X , Y ) (ces valeurs ne sont
pas nécessairement toutes distinctes). On a :
N
1X
Cov (X , Y ) = (x(i) − X )(y(i) − Y )
N
i=1
ou bien
N
1X
Cov (X , Y ) = x(i) y(i) − X .Y
N
i=1
2ème Cas : À partir du tableau de contingence :
Soit {((xi , yj ), nij )1≤i≤k, 1≤j≤p } la distribution statistique

conjointe associée au couple (X , Y ). On a :
k p
1 XX
Cov (X , Y ) = nij (xi − X )(yj − Y )
N
i=1 j=1
ou bien
k p
1 XX
Cov (X , Y ) = nij xi yj − X .Y
N
i=1 j=1
Les xi et yj représentent les modalités dans le cas discret ou

les centres des classes dans le cas continu.
Exemple
Y [0, 6[ [6, 10[ [10, 20] Total

X
[0, 6[ 18 9 0 27
[6, 10[ 3 21 9 33
[10, 12[ 2 8 77 87
[12, 16[ 0 3 34 37
[16, 20] 0 0 16 16
Total 23 41 136 200

(xi et yj représentent les centres des classes, les valeurs entre
parenthèse représentent les produits nij xi yj ).
yj 3 8 15 Total ni. xi ni. xi2

xi
3 18 9 0 27 81 243
(162) (216) (0) (378)
8 3 21 9 33 264 2112
(72) (1344) (1080) (2496)
11 2 8 77 87 957 10527
(66) (704) (12705) (13475)
14 0 3 34 37 518 7252
(0) (336) (7140) (7476)
18 0 0 16 16 288 5184
(0) (0) (4320) (4320)
Total 23 41 136 200 2108 25318
(300) (2600) (25245) (28145)
n.j yj 69 328 2040 2437
n y 2 207 2624 30600Module 33431
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 M147 - MIP Pr. A. FAHSI
D’où les résultats :

2108
X = = 10.54
200
2437
Y =
= 12.185
200
25318
V (X ) = − (10.54)2 = 15.4984
200
33431
V (Y ) = − (12.185)2 = 18.6808
200
28145
Cov (X , Y ) = − 10.54 × 12.185 = 12.2951
200
Propriétés :
Si on pose les changements de variables affines
X 0 = aX + b et Y 0 = cY + d, alors on a :
Cov (X 0 , Y 0 ) = ac × Cov (X , Y )
V (X + Y ) = V (X ) + V (Y ) + 2Cov (X , Y )
V (aX + bY ) = a2 V (X ) + b2 V (Y ) + 2ab × Cov (X , Y )
|Cov (X , Y )| ≤ σ(X )σ(Y )
Propriétés :
Si X et Y sont indépandantes alors Cov (X , Y ) = 0. La
réciproque est fausse.
Si Cov (X , Y ) = 0 alors X et Y sont dites linéairement
indépandantes.
Cov (X , Y ) = 0 n’implique pas que X et Y sont
indépandantes (Il peut exister une relation non linéaire
entre les variables X et Y ).
Le signe de Cov (X , Y ) indique le sens de la monotonie
de la liaison entre X et Y (liaison croissante si
Cov (X , Y ) > 0, décroissante si Cov (X , Y ) < 0)
II.3- Coefficient de corrélation

linéaire
Définition
Le coefficient de corrélation linéaire d’un couple de variables
(X , Y ), noté r (X , Y ), est défini par :
Cov (X , Y )
r (X , Y ) =
σ(X )σ(Y )
Propriétés
r (X , Y ) a le même signe que Cov (X , Y )
On a : −1 ≤ r (X , Y ) ≤ 1.
Si X et Y sont indépandantes alors r (X , Y ) = 0. La
réciproque est fausse.
r (X , Y ) nous renseigne sur l’intensité de la dépendance
linéaire entre X et Y :
Plus |r | est proche de 1, plus la dépendance linéaire est
forte et plus |r | est proche de 0, plus la dépendance
linéaire est faible
r (X , Y ) = ±1 ⇔ dépendance linéaire parfaite (les N
points (x(i) , y(i) ) sont alignés).
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
L’objectif de cette dernière partie est d’étudier, visualiser et

mesurer les dépendances éventuelles entre deux variables
statistiques X et Y .
On se limitera à l’étude du modèle le plus simple qui peut lier

les deux variables X et Y . C’est le modèle linéaire (ou affine)
qui s’exprime par l’équation d’une droite : Y = aX + b.
Supposons que les observations des deux caractères X et Y

sont présentées sous forme de N données individuelles :
(x1 , y1 ), (x2 , y2 ), . . . , (xN , yN ).
Ces données peuvent être présentées sous forme d’un

tableau simple de ce type :
Individu 1 2 ... i ... N

Valeur de X x1 x2 ... xi ... xN
Valeur de Y y1 y2 ... yi ... yN
III.1- Nuage statistique
Pour visualiser la liaison éventuelle qui peut exister entre les

deux variables X et Y , on commence par représenter
graphiquement le nuage statistique (nuage de points) :
A chaque couple (xi , yi ), 1 ≤ i ≤ N, on fait correspondre un

point Mi , de coordonnées (xi , yi ), dans un repère cartésien.
Exemple
On considère un échantillon de 10 arbres pour chacun
desquels, on a mesuré (en cm) le diamètre (variable X ) et la
hauteur (variable Y ) :
X 15 21 17 22 20 13 19 15 18 23
Y 300 380 330 360 420 290 350 320 360 420
400
350
300
250 X
10 15 20
Figure: Nuage de points (xi , yi ).
La forme du nuage statistique obtenu peut informer sur le type

de dépendance possible entre X et Y .
Si les points du nuage sont plus ou moins alignés, on peut

envisager une relation linéaire entre X et Y qui peut
s’exprimer par une droite (D) d’équation Y = aX + b.
L’équation de cette droite peut être obtenue en utilisant la

méthode des moindres carrés.
Cette droite s’appelle droite d’ajustement linéaire de Y en

fonction de X ou droite de régression de Y en fonction de X .
III.2- Méthode des moindres

carrés
Définition
L’ajustement linéaire par la méthode des moindres carrés,
consiste à exprimer l’éventuelle relation linéaire entre X et Y
par une droite (D) d’équation Y = aX + b qui permet de
minimiser les distances entre les points du nuage Mi (xi , yi ) et
les points correspondants sur la droite Hi (xi , axi + b) (voir
Figure 2).
Cela revient à minimiser la somme :
N
X N
X
S= (Mi Hi )2 = (axi + b − yi )2
i=1 i=1
Y
(D)
M
n
Hn
H2
M
1
M
2
H
1 X
Figure: Fig.2 : Méthode des moindres carrées.
Théorème
La droite de régression de Y en fonction de X , notée (D), par
la méthode des moindres carrés, a pour équation Y = aX + b
avec :
Cov (X , Y )
a= , b = Y − aX
V (X )
En échangeant les rôles de X et de Y nous obtenons la droite

de régression de X en fonction de Y .
Théorème
La droite de régression de X en fonction de Y , notée (D 0 ), a
pour équation X = a0 Y + b0 avec :
Cov (X , Y )
a0 = , b 0 = X − a0 Y
V (Y )
Propriétés
Les paramètres a, a0 , Cov (X , Y ) et r (X , Y ) sont de même

signe.
a et a0 sont liés par la relation : aa0 = r 2
Les deux droites de régression (D) et (D 0 ) se coupent au
point moyen G = (X , Y ).
Exemple
Reprenons l’exemple précédent :
X 15 21 17 22 20 13 19 15 18 23
Y 300 380 330 360 420 290 350 320 360 420
Le nuage de points correspondant suggère un ajustement

linéaire.
Pour déterminer les droites de régression (D) et (D 0 ), les

calculs peuvent être résumés dans le tableau suivant :
xi yi xi2 yi2 xi yi
15 300 225 90000 4500
21 380 441 144400 7980
17 330 289 108900 5610
22 360 484 129600 7920
20 420 400 176400 8400
13 290 169 81400 3770
19 350 361 122500 6650
15 320 225 102400 4800
18 360 324 129600 6480
23 420 529 176400 9660
Total 183 3530 3447 1264300 65770
On obtient :
N
1X 183
X = xi = = 18.3
N 10
i=1
N
1X 3530
Y = yi = = 353
N 10
i=1
N
1 X 3447
X2 = xi2 = = 344.7
N 10
i=1
N
1 X 2 1264300
Y2 = yi = = 126430
N 10
i=1
N
1X 65770
XY = xi yi =
N 10
i=1
D’où
2
V (X ) = X 2 − X = 9.81
2
V (Y ) = Y 2 − Y = 1821
65770
Cov (X , Y ) = XY − X × Y = − 18.3 × 353 = 117.1
10
Donc les valeurs de a et b sont données par :
117.1
a= = 11.9368
9.81
b = 353 − 11.9368 × 18.3 = 134.5566
L’équation de la droite d’ajustement de Y en fonction de X est

donnée par :
(D) : Y = 11.94X + 134.56
De même, on obtient l’équation de la droite d’ajustement de X

en fonction de Y :
(D 0 ) : X = 0.064Y − 4.400
Pour observer graphiquement la qualité de l’ajustement

linéaire, on trace les deux droites (D) et (D 0 ) avec le nuage
des points
Y
(D’)
(D)
400
350
G
300
250 X
10 15 20
Figure: Droites deModule

1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 régression.
M147 - MIP Pr. A. FAHSI
qualité de l’ajustement linéaire
Plus l’angle entre les deux droites est petit, plus

l’ajustement est de bonne qualité.
On a un ajustement linéaire parfait si et seulement si les
deux droites sont confondues.
III.3- Mesure de la qualité de

l’ajustement linéaire
Avant de déterminer une droite de régression comme modèle

de liaison linéaire entre deux variables X et Y , il faut s’assurer
de sa bonne qualité.
Le paramètre qui permet de mesurer la qualité d’un

ajustement linéaire entre deux variables X et Y est le
coefficient de corrélation linéaire r (X , Y ).
Plus |r (X , Y )| est proche de 1, plus la qualité de l’ajustement

est bonne et plus |r (X , Y )| est proche de 0, plus la qualité de
l’ajustement est mauvaise.
Pour l’exemple précédent, on trouve :
117.1
r (X , Y ) = √ √ = 0.876
9.81 1821
La valeur de r (X , Y ) est assez proche de 1. On peut dire que

l’ajustement linéaire entre le diamètre et la hauteur d’un arbre
est de bonne qualité.
Remarque
De façon
√ générale, on peut considérer que :
3
• si ≤ |r (X , Y )| ≤ 1, la qualité de l’ajustement est
2
bonne. √
1 3
• si ≤ |r (X , Y )| < , la qualité de l’ajustement est
2 2
médiocre.
1
• si 0 < |r (X , Y )| ≤ , la qualité de l’ajustement est
2
mauvaise.
On a un ajustement linéaire parfait si et seulement si
|r (X , Y )| = 1.
Coefficient de détermination linéaire

Définition
Le coefficient de détermination linéaire, qu’on exprime en
pourcentage, est égal au carré du coefficient de corrélation
linéaire.
Ce paramètre permet de mesurer la proportion des variations

de l’une des variables qui peuvent être expliquées par l’autre
variable.
Exemple
Pour l’exemple précédent, on a trouvé r (X , Y ) = 0.876. Donc
le coefficient de détermination entre X et Y est égal à
r 2 = 76.74%
Cela signifie que la variable X n’explique que 76.74% des

variations de la variable Y . Le reste est expliqué par d’autres
facteurs.
Fin chapitre 2
Exercice 2
La distribution conjointe d’un groupe d’étudiants selon la note
obtenue en module de statistique (caractère X ) et le nombre
d’absence (caractère Y ) est représentée dans le tableau
suivant :
Y 0 1 2 3 4
X
[0, 6[ 0 4 3 8 12
[6, 10[ 3 7 10 12 18
[10, 12[ 6 8 9 8 7
[12, 14[ 7 6 5 3 2
[14, 16[ 8 3 2 0 0
[16, 20[ 9 4 1 0 0
1 Déterminer les distributions marginales et leur natures.

4 Calculer le mode, la médiane, la moyenne et l’écart type
des distributions marginales.
5 Calculer la covariance du couple (X , Y ).
7 Déterminer les droites d’ajustement linéaire.
UNIVERSITÉ HASSAN II DE CASABLANCA
FACULTÉ DES SCIENCES ET TECHNIQUES
2ème Partie
PROBABILITES
Pr. Abdelhak FAHSI

Département de Mathematiques
Module M147, Parcours MIP (S4)

I- Notions de base
II- Espace probabilisé
III- Probabilité conditionnelle
IV- Dénombrement
Chapitre 1
Calcul des Probabilités
2ème partie : PROBABILITÉS - Chapitre 1 Module M147 - MIP Pr. A. FAHSI

I- Notions de base
IV- Dénombrement
Le calcul des probabilités intervient dans l’étude des

phénomènes aléatoires pour lesquels le résultat est
imprévisible.
Le but principal de ce chapitre est de se familiariser avec le

raisonnement probabiliste.

I- Notions de base
I.1- Expérience aléatoire - Ensemble fondamental
I.2- Evénement
I.3- Evénements remarquables
IV- Dénombrement
I- Notions de base

I- Notions de base
I.2- Evénement
IV- Dénombrement
Définition
On appelle expérience aléatoire toute expérience dont le
résultat est imprévisible (n’est pas connu à l’avance), mais
dont l’ensemble de tous les résultats possibles est connu à
l’avance.
L’ensemble de tous les résultats possibles d’une expérience
aléatoire est appelé ensemble fondamental associé à cette
expérience. Il est noté Ω.

I- Notions de base
I.2- Evénement
IV- Dénombrement
Exemple :
Lancer un dé : Ω = {1, 2, 3, 4, 5, 6}
Lancer deux dés : Ω = {(i, j), 1 ≤ i ≤ 6; 1 ≤ j ≤ 6}
Groupe sanguin d’un individu : Ω = {A, B, AB, O}

I- Notions de base
I.2- Evénement
IV- Dénombrement
I.2- Evénement
Définition
Soit Ω un ensemble fondamental associé à une expérience
aléatoire.
On appelle événement toute partie de Ω, dont on sait dire, à
l’issue de l’expérience aléatoire, si elle est réalisée ou non.
On utilise les premières lettres de l’alphabet A, B, C, ..., pour
noter les événements.
Un événement A est dit réalisé si et seulement si le résultat de

l’expérience aléatoire est un élément de A.

I- Notions de base
I.2- Evénement
IV- Dénombrement
Exemple
On lance un dé.
Soit l’événement A = ”obtenir un numéro pair”.
On a : A = {2, 4, 6}.
On lance deux dés.
Soit l’événement B = ”la somme des numéros obtenus
est > à 10”.
On a : B = {(5, 6), (6, 5), (6, 6)}

I- Notions de base
I.2- Evénement
IV- Dénombrement
a) Evénement élémentaire
Un événement élémentaire est un événement constitué d’un
seul élément ωi ∈ Ω. On le note {ωi }
b) Evénement impossible
Un événement qui ne peut pas être réalisé, quelle que soit le
résultat de l’expérience aléatoire est appelé événement
impossible. On le note ∅

I- Notions de base
I.2- Evénement
IV- Dénombrement
c) Evénement certain
Un événement qui est toujours réalisé, quelle que soit l’issue
de l’expérience aléatoire est appelé événement certain. On le
note Ω
d) Evénement contraire
On appelle événement contraire d’un événement A,
l’événement qui est réalisé si et seulement si A n’est pas
réalisé. On le note A

I- Notions de base
I.2- Evénement
IV- Dénombrement
e) Intersection de deux événements

On appelle intersection de deux événements A et B,
l’événement qui est réalisé si et seulement si A et B sont
réalisés simultanément. On le note A ∩ B.
f) Union de deux événements

On appelle union de deux événements A et B, l’événement qui
est réalisé si et seulement si l’un au moins des événements A
ou B est réalisé. On le note A ∪ B
On peut généraliser ces deux dernières définitions à n

événements A1 , A2 , . . . , An .

I- Notions de base
I.2- Evénement
IV- Dénombrement
g) Implication
On dit que l’événement A implique l’événement B si et
seulement si la réalisation de A entraı̂ne la réalisation de B.
On note : A ⊂ B
h) Evénements incompatibles
Deux événements A et B sont dits incompatibles si et
seulement si, ils ne peuvent pas être réalisés simultanément.
Autrement dit, A et B sont incompatibles si et seulement si
A∩B =∅

I- Notions de base
I.2- Evénement
IV- Dénombrement
i) Système complet d’événements

On dit que n événements {A1 , A2 , . . . , An } forment un
système complet d’événements de Ω si et seulement si :
1 Ils sont deux à deux incompatibles :
∀ i 6= j, Ai ∩ Aj = ∅
2 Leur réunion est l’événement certain :
A1 ∪ A2 ∪ . . . ∪ An = Ω
On dit aussi que {A1 , A2 , . . . , An } forment une partition de Ω.
Exemple
Deux événements contraires A et A forment un système
complet de Ω.

I- Notions de base
I.2- Evénement
IV- Dénombrement
Remarques et Notations :
L’ensemble de tous les événements associés à une
expérience aléatoire est noté E(Ω). On a :
E(Ω) ⊂ P(Ω)
où P(Ω) est l’ensemble des parties de Ω.

Si Ω est fini, on a :
E(Ω) = P(Ω)
Si Ω est fini, le nombre d’éléments distincts d’un

événement A est appelé cardinal de A. On le note
Card(A).

I- Notions de base
I.2- Evénement
IV- Dénombrement
Remarque
On vient de définir une correspondance entre le langage des
événements (language probabiliste) et le langage des
ensembles (langage ensembliste).
Ainsi, on établit pour les événements des propriétés

analogues à celles connues sur les ensembles :

I- Notions de base
I.2- Evénement
IV- Dénombrement
Propriétés
Si A, B et C sont des événements de Ω, alors :

A=A
∅=Ω et Ω=∅
A∩A=∅ et A∪A=Ω
A∩A=A et A∪A=A
A∩Ω=A et A∪∅=A
A∩∅=∅ et A∪Ω=Ω

I- Notions de base
I.2- Evénement
IV- Dénombrement
A∩B =B∩A et A∪B =B∪A

A ∩ (B ∩ C) = (A ∩ B) ∩ C et
A ∪ (B ∪ C) = (A ∪ B) ∪ C
A ∩ (B ∪ C) = (A ∩ B) ∪ (A ∩ C) et
A ∪ (B ∩ C) = (A ∪ B) ∩ (A ∪ C)
A∩B =A∪B et A ∪ B = A ∩ B (Lois de Morgan)

I- Notions de base
I.2- Evénement
IV- Dénombrement
Si Ω est fini, alors on a :

Card(A) = Card(Ω) − Card(A)
Card(A ∪ B) = Card(A) + Card(B) − Card(A ∩ B)
Card(E(Ω)) = Card(P(Ω)) = 2Card(Ω)

I- Notions de base
II- Espace probabilisé II.1- Définition de la probabilité
III- Probabilité conditionnelle II.2- Cas particulier : Probabilité uniforme
IV- Dénombrement

I- Notions de base
IV- Dénombrement
II.1- Définition de la probabilité
Définition
Soit Ω un ensemble fondamental et E(Ω) l’ensemble des
événements associés.
On appelle probabilité sur E(Ω) toute application :
P : E(Ω) → [0, 1]
vérifiant :
(i) P(Ω) = 1
(ii) ∀ A, B ∈ E(Ω), si A et B sont incompatibles alors :
P(A ∪ B) = P(A) + P(B).
Le triplet (Ω, E(Ω), P) est appelé espace probabilisé.

I- Notions de base
IV- Dénombrement
Remarques :
- L’idée est donc d’associer à chaque événement A ∈ E(Ω) un

nombre réel positif compris entre 0 et 1, noté P(A), qui mesure
la chance qu’à l’événement A pour se réaliser.
- P(A) est appelé probabilité de l’événement A.

I- Notions de base
IV- Dénombrement
Propriétés d’une probabilité :
Soit (Ω, E(Ω), P) un espace probabilisé.

Si A est un événement, alors P(A) = 1 − P(A)
Si A ⊂ B alors P(A) ≤ P(B)
Si A1 , A2 , . . . , An sont n événements deux à deux
[ n n
X
incompatibles alors : P( Ak ) = P(Ak )
k=1 k=1
Si A et B sont deux événements quelconques, alors :
P(A ∪ B) = P(A) + P(B) − P(A ∩ B)

I- Notions de base
IV- Dénombrement
Proposition
Soit Ω = {ω1 , ω2 , . . . , ωi , . . .} un ensemble fondamental
dénombrable (fini ou infini).
La probabilité sur Ω est complètement définie par la donnée
des probabilités P({ωi }) des événements élémentaires. On a
alors : X
∀ A ∈ E(Ω), P(A) = P({ωi })
ωi ∈A

I- Notions de base
IV- Dénombrement
Proposition
Si Ω est fini et si tous les événements élémentaires ont la
même probabilité pour se réaliser (on dit qu’on a
équiprobabilité). Alors la probabilité P est définie par :
Card(A) Nombre de cas favorables

∀ A ∈ P(Ω), P(A) = =
Card(Ω) Nombre de cas possibles
Cette probabilité est appelée probabilité uniforme.
Remarque
En général, on n’a pas à démontrer qu’on a équiprobabilité.
C’est plutôt l’énoncé qui le suggère.

I- Notions de base
IV- Dénombrement
Exemples :
1) On lance un dé non truqué. Calculer la probabilité
d’obtenir un point pair.
2) On lance deux dés non truqués.
Calculer la probabilité des événements suivants :
A = “obtenir au moins un point pair”
B = “les deux dés ont le même numéro”
C = “le numéro du 1er dé est supérieur au numéro du
2ème dé”

I- Notions de base
IV- Dénombrement
3) Dans une urne contenant 9 boules numérotées de 1 à 9

et 26 boules numérotées de A à Z, on tire au hasard
successivement et avec remise 6 boules pour former un
mot de passe.
- Combien de mot de passe peut-on former ?
- Quelle est la probabilité d’obtenir un mot de passe
contenant 3 lettres suivies de 3 chiffres (événement A) ?
- Quelle est la probabilité d’obtenir un mot de passe
contenant autant de chiffres que de lettres (événement
B)?

I- Notions de base
IV- Dénombrement
Remarque1
Dans beaucoup de problèmes de calcul des probabilités,
l’énoncé suggère qu’on a une probabilité uniforme.
Ainsi, nous serons souvent confrontés aux problèmes de
dénombrement des cas favorables et des cas possibles.
D’où la nécessité de définir des méthodes de dénombrement
dans les différentes situations possibles (voir dernier
paragraphe de ce chapitre).

I- Notions de base
III.1- Définition et propriétés
III.2- Formules de base
III.3- Evénements indépendants
IV- Dénombrement

I- Notions de base
IV- Dénombrement
Question
Soit (Ω, E(Ω), P) un espace probabilisé et soient A et B deux
événements de E(Ω). On se pose la question suivante :
Le fait de savoir que l’événement A est réalisé a-t-il un effet sur
la probabilité de réalisation de l’événement B ?

I- Notions de base
IV- Dénombrement
Exemple
La répartition d’un groupe d’étudiants selon la note du module
de statistique et le sexe est représentée dans le tableau
suivant :
Sexe Masculin Féminin Total
Note de Math
[0, 7[ 4 3 7
[7, 10[ 17 15 32
[10, 20[ 21 36 57
Total 42 54 96

I- Notions de base
IV- Dénombrement
On choisit un étudiant au hasard et on considère les

événements suivants :
A = “l’étudiant choisi est un garçon”
B = “l’étudiant choisi a validé le module”
Calculer P(A), P(B), P(B sachant A) et P(A ∩ B).

Conclure.

I- Notions de base
IV- Dénombrement
On a :
42
P(A) = .
96
57
P(B) = .
96
21
P(B sachant A) = 6= P(B)
42
21
P(A ∩ B) =
96

I- Notions de base
IV- Dénombrement
Conclusion :
- Le fait de savoir que l’événement A est réalisé a changé la
probabilité de réalisation de l’événement B.
- on constate que :
P(A ∩ B)
P(B sachant A) =
P(A)

I- Notions de base
IV- Dénombrement
Définition
événements tel que P(A) 6= 0.
La probabilité de réalisation de l’événement B sachant que
l’événement A est réalisé, notée P(B|A), est définie par :
P(A ∩ B)
P(B|A) =
P(A)
On l’appelle probabilité conditionnelle et on lit probabilité de B

sachant A.
On utilise aussi la notation PA (B).

I- Notions de base
IV- Dénombrement
Proposition
L’application PA : E(Ω) → [0, 1], définie par :
P(A ∩ B)
∀ B ∈ E(Ω), PA (B) = P(B|A) =
P(A)
est une probabilité sur E(Ω), appelée probabilité conditionnelle

sachant A.
Remarque
Toutes les propriétés d’une probabilité P sont aussi valables
pour une probabilité conditionnelle PA :

I- Notions de base
IV- Dénombrement
P(Ω|A) = 1
P(B|A) = 1 − P(B|A)
si B1 et B2 sont incompatibles alors
P((B1 ∪ B2 )|A) = P(B1 |A) + P(B2 |A)
si B1 et B2 sont quelconques alors
P((B1 ∪ B2 )|A) = P(B1 |A) + P(B2 |A) − P((B1 ∩ B2 )|A)
...

I- Notions de base
IV- Dénombrement
La notion de probabilité conditionnelle permet de calculer des

probabilités complexes à partir de situations plus simples.
Le but de ce paragraphe est d’énoncer quelques formules de

base utilisées dans ce contexte.

I- Notions de base
IV- Dénombrement
Formule des probabilités composées :

événements de E(Ω). La formule des probabilités composées
permet, à partir de la probabilité conditionnelle, de calculer
une probabilité conjointe :
P(A ∩ B) = P(A) × P(B|A) = P(B) × P(A|B)

I- Notions de base
IV- Dénombrement
On peut généraliser cette formule à n événements

A1 , A2 , . . . , An :
P(A1 ∩ A2 ∩ · · · ∩ An ) =
P(A1 )P(A2 |A1 )P(A3 |A2 ∩ A1 ) . . . P(An |A1 ∩ A2 ∩ · · · ∩ An−1 )

I- Notions de base
IV- Dénombrement
Exemple
Une urne contient 3 boules blanches et 2 boules noires.
On tire au hasard, successivement et sans remise 2
boules.
Quelle est la probabilité de tirer 2 boules noires ?
Une urne contient 6 boules noires et 4 boules blanches.

On tire successivement et sans remise 3 boules.
Quelle est la probabilité de tirer 3 boules noires ?

I- Notions de base
IV- Dénombrement
Formule des probabilités totales :

événements de E(Ω). La formule des probabilités totales
permet, à partir de la probabilité conditionnelle, de calculer
une probabilité marginale :
P(B) = P(B|A) × P(A) + P(B|A) × P(A)

I- Notions de base
IV- Dénombrement
On peut généraliser à n événements :

Si {A1 , A2 , . . . , An } est un système complet d’événements.
Alors, pour tout événement B de E(Ω), on a :
n
X n
X
P(B) = P(Ai ∩ B) = P(B|Ai ) × P(Ai )
i=1 i=1

I- Notions de base
IV- Dénombrement
Exemple
Une urne U1 contient 5 boules noires et 6 boules blanches et
une urne U2 contient 6 boules noires et 12 boules blanches.
On transfère une boule de l’urne U1 vers l’urne U2 et ensuite
on tire 1 boule de l’urne U2 .
Quelle est la probabilité que la boule tirée soit noire ?

I- Notions de base
IV- Dénombrement
Formule de Bayes :
Soit (Ω, E(Ω), P) un espace probabilisé. Soient A et B deux

événements de E(Ω).
La formule de Bayes permet, à partir de la probabilité
conditionnelle P(B|A), de calculer la probabilité conditionnelle
inverse P(A|B) :
P(B|A) × P(A)
P(A|B) =
P(B)

I- Notions de base
IV- Dénombrement
Exemple
Trois machines M1 , M2 et M3 de fabrication mécanique
produisent respectivement 25%, 35% et 40% de la production
totale. 5% (respectivement 4% et 3%) des pièces produites
par M1 (respectivement par M2 et M3 ) sont défectueuses
(événement D).
On choisit une pièce au hasard.
Si la pièce choisie est défectueuse, quelle est la probabilité
qu’elle soit fabriquée par M1 ?

I- Notions de base
IV- Dénombrement
Remarque
On peut utiliser un diagramme en arbre pour décrire
graphiquement toutes les séquences possibles d’une
expérience aléatoire.
Les règles de construction de ce diagramme correspondent
aux formules de base qu’on vient de proposer.

I- Notions de base
IV- Dénombrement
III.3- Evénements indépendants :
Définition
Deux événements A et B sont dits indépendants si et
seulement si la réalisation de l’un n’a aucune influence sur la
probabilité de réalisation de l’autre.
On a alors :
P(A|B) = P(A) et P(B|A) = P(B)
Corollaire
Deux événements A et B sont dits indépendants si et
seulement si :
P(A ∩ B) = P(A) × P(B)

I- Notions de base
IV- Dénombrement
Exemple
On lance un dé deux fois. Soit les événements :
A = “obtenir un point pair au premier lancer”
B = “obtenir le point 1 ou 4 au deuxième lancer”
Les événements A et B sont-ils indépendants ?
On lance une pièce de monnaie 2 fois. On considère les

événements suivants :
A = “obtenir au plus un pile”;
B = “obtenir au moins un pile et au moins face”.
Les événements A et B sont-ils indépendants ?
Même question si on lance une pièce de monnaie 3 fois.

I- Notions de base
IV- Dénombrement
Remarques
Il ne faut pas confondre événements indépendants et
événements incompatibles :
A et B sont indépendants ⇔ P(A ∩ B) = P(A) × P(B)
A et B sont incompatibles ⇔ P(A ∪ B) = P(A) + P(B)
Dans une suite de tirages successifs avec remise, les
tirages sont indépendants.
Dans une suite de tirages successifs sans remise, les
tirages ne sont pas indépendants.
Si les événements A et B sont indépendants, il en est de
même pour A et B, pour A et B et pour A et B.

I- Notions de base
IV- Dénombrement
Généralisation à n evénements
Définition
n événements A1 , A2 , . . . , An d’un même espace probabilisé
sont dits indépendants dans leurs ensemble si pour toute
famille de p (p ≥ 2) événements Ai1 , Ai2 , . . . , Aip choisis parmi
les événements A1 , A2 , . . . , An , on a :
P(Ai1 ∩ Ai2 ∩ . . . ∩ Aip ) = P(Ai1 ) × P(Ai2 ) × . . . × P(Aip )
Remarque
n événements A1 , A2 , . . . , An peuvent être indépendants deux
à deux sans être indépendants dans leurs ensemble.

I- Notions de base
IV.1- Principe multiplicatif
IV.2- Principe d’addition
IV.3- Choix de p éléments parmi n éléménts distincts
IV- Dénombrement
IV- Dénombrement

I- Notions de base
IV- Dénombrement
Dans beaucoup de problèmes de calcul des probabilités,

l’énoncé suggère qu’on peut appliquer la formule de
probabilité uniforme (il suffit de vérifier que Ω est fini et qu’on a
équiprobabilité).
Ainsi, pour calculer la probabilité d’un événement A, on peut
utiliser la formule :
Nombre de cas favorables Card(A)
P(A) = =
Nombre de cas possibles Card(Ω)
Le but principal de ce dernier paragraphe est de rappeler les

formules de base de l’analyse combinatoire permettant le
dénombrement des cas favorables et des cas possibles.

I- Notions de base
IV- Dénombrement
IV.1- Principe de multiplication

Proposition
Si la réalisation d’un événement A se fait en k étapes
successives (l’une après l’autre) présentant respectivement
n1 , n2 , . . . , nk possibilités, alors le nombre total de possibilités
pour réaliser A est égale au produit : n1 × n2 × . . . × nk .

I- Notions de base
IV- Dénombrement
Exemple
Combien peut-on former de codes comportant deux lettres

suivies de trois chiffres non nuls ? (événement A)
Combien peut-on former de codes comportant deux lettres

distinctes suivies de trois chiffres distincts non nuls ? (évt B)
Un restaurant propose 4 choix pour l’entrée, 3 choix pour le

plat principal, 4 choix pour le dessert et 6 choix pour la
boisson. De combien de façons peut-on composer un repas ?

I- Notions de base
IV- Dénombrement

Proposition
Si la réalisation d’un événement A se fait par l’une ou bien
l’autre des k manières présentant respectivement
n1 , n2 , . . . , nk possibilités, alors le nombre total de possibilités
pour réaliser A est égale à la somme : n1 + n2 + . . . + nk .

I- Notions de base
IV- Dénombrement
Exemple
Combien peut-on former de codes avec cinq caractères : des

lettres suivies des chiffres non nuls avec au moins un
caractère de chaque type (événement A) ?
Combien peut-on former de codes comportant deux lettres et

trois chiffres non nuls (événement B) ?
On choisit un code au hasard dans B. Quelle est la probabilité

qu’il soit un code formé de deux lettres suivies de trois chiffres
non nuls (événement A2 ) ?

I- Notions de base
IV- Dénombrement
Soit E un ensemble formé de n éléments distincts qu’on peut

ordonner (E = {e1 < e2 < ... < en }). Soit p ∈ IN∗ .
On s’intéresse au calcul du nombre de possibilités pour choisir
p éléments parmi les n éléments de E ?
Pour répondre à cette question, on distingue les cas suivants :

I- Notions de base
IV- Dénombrement
Choix de p éléments distincts (événement noté D).

Choix de p éléments non distincts (événement D).
Choix de p éléments ordonnés (événement noté C).
Choix de p éléments non ordonnés (événement C).

I- Notions de base
IV- Dénombrement
p-liste
Proposition1
Le nombre de possibilités pour choisir p éléments
quelconques (distincts ou non, ordonnés ou non), parmi les n
éléments de E (événement noté Ω) est donné par :
Card(Ω) = np
Chacune de ces possibilités s’appelle liste de p éléments de E

ou p-liste de E.
On a Ω = D ∪ D = C ∪ C

I- Notions de base
IV- Dénombrement
Remarque
On fait appel au dénombrement avec les puissances np
lorsque, dans le choix des p éléments, on tient compte
des répétitions (éléments distincts ou non distincts) et on
tient compte de l’ordre (éléments ordonnés ou non
ordonnés).
Dans ce cas, on peut considérer p ≤ n ou bien p > n.
Par exemple, pour les tirages successifs avec remise, on
fait appel au dénombrement avec la puissance np .

I- Notions de base
IV- Dénombrement
Arrangements
Proposition2
Le nombre de possibilités pour choisir p éléments distincts
(ordonnés ou non ordonnés), parmi les n éléments de E
(événement D) est donné par :
n!
Card(D) = Apn =
(n − p)!
Chacune de ces possibilités s’appelle arrangement de p

éléments de E ou p-arrangement de E.

I- Notions de base
IV- Dénombrement
Remarque
On fait appel au dénombrement avec les arrangements Apn
lorsque, dans le choix des p éléments parmi n, on tient
compte de l’ordre et on ne tient pas compte des
répétitions.
Dans ce cas, on doit avoir p ≤ n. Sinon, l’événement D
est impossible (P(D) = 0 si p > n).
Par exemple, pour les tirages successifs sans remise, on
fait appel au dénombrement avec Apn .

I- Notions de base
IV- Dénombrement
Combinaisons
Proposition3
Le nombre de possibilités pour choisir p éléments distincts et
ordonnés parmi les n éléments de E (événement D ∩ C) est
donné par :
n!
Card(D ∩ C) = Cnp =
p!(n − p)!
Chacune de ces possibilités s’appelle combinaison de p

éléments de E ou p-combinaison de E.

I- Notions de base
IV- Dénombrement
Remarque
On fait appel au dénombrement avec les combinaison Cnp
lorsque, dans le choix des p éléments parmi n, on ne tient
compte ni de l’ordre ni des répétitions.
Dans ce cas, on doit avoir p ≤ n. Sinon, l’événement
D ∩ C est impossible.
Par exemple, pour les tirages simultanés, on fait appel au
dénombrement avec Cnp .

I- Notions de base
IV- Dénombrement
Combinaisons avec répétitions
Proposition4
Le nombre de possibilités pour choisir p éléments ordonnés
(distincts ou non distincts) parmi les n éléments de E
(événement C) est donné par :
p (n + p − 1)!
Card(C) = Cn+p−1 =
p!(n − 1)!
Chacune de ces possibilités s’appelle combinaison avec

répétition de p éléments de E ou p-combinaison avec
répétition de E.

I- Notions de base
IV- Dénombrement
Remarque
On fait appel au dénombrement avec les combinaisons
p
avec répétition Cn+p−1 lorsque, dans le choix des p
éléments parmi n, on tient compte des répétitions et on ne
tient pas compte de l’ordre.
Dans ce cas, on peut considérer p ≤ n ou bien p > n.
Par exemple, le nombre de possibilités pour choisir p
éléments parmi n, dans un ordre croissant au sens large
p
est égal à Cn+p−1 .

I- Notions de base
IV- Dénombrement
Remarque
Les résultats des 4 propositions précédentes peuvent être
résumés dans le tableau suivant :

I- Notions de base
IV- Dénombrement
événement D événement D Total

(éléments (éléments (On tient compte
distincts) non distincts) des répétitions)
événement C
(éléments Cnp p
Cn+p−1
ordonnés)
événement C
(éléments
non ordonnés)
Total
(On tient compte Apn np
de l’ordre)

I- Notions de base
IV- Dénombrement
Avec les propriétés du tableau de contingence, on peut

compléter le remplissage du tableau. Ce qui permet de
déduire les dénombrements des autres cas possibles.
Exemple
On considère E = {1, 2, 3, 4} et p = 3. On a :
événement D événement D Total

événement C Cnp = 4 16 p
Cn+p−1 = 20
événement C 20 24 44
Total Apn = 24 40 np = 64

I- Notions de base
IV- Dénombrement
Remarque
Lorsqu’on dit on tient compte des répétitions, cela veut
dire qu’on considère les choix possibles distincts ou non
distincts.
Lorsqu’on dit on ne tient pas compte des répétitions, cela
veut dire qu’on considère les choix possibles distincts.
Lorsqu’on dit on tient compte de l’ordre, cela veut dire
qu’on considère les choix possibles ordonnés ou non
ordonnés.
Lorsqu’on dit on ne tient pas compte de l’ordre, cela veut
dire qu’on considère les choix possibles ordonnés.

I- Notions de base
IV- Dénombrement
Exemples
Dans une urne qui contient 10 boules numérotées de 0 à
9, on tire successivement et avec remise 4 boules.
Calculer le nombre de choix possibles.
Même question si les tirages sont successifs et sans
remise.
Même question si les tirages sont simultanés.
Au loto sportif, on coche l’une des trois cases 1, N ou 2
pour chacun des 15 matchs programmés. Dénombrer le
nombre de grilles possibles.

I- Notions de base
IV- Dénombrement
Combien de droites peut-on tracer à partir de 5 points non

alignés ?
Dans un jeu de 52 cartes, on choisit 5 cartes au hasard.
Calculer le nombre de mains possibles, le nombre de
mains qui contiennent exactement 3 as et le nombre de
mains qui contiennent au moins 3 as.
On lance 4 fois un dé cubique équilibré dont les faces sont
numérotées de 1 à 6.
Calculer la probabilité pour obtenir une suite de nombres
dans un ordre strictement croissant.
Calculer la probabilité pour obtenir une suite de nombres
dans un ordre croissant au sens large.

I- Notions de base
IV- Dénombrement
Permutations : arrangements avec p = n
Proposition5
Le nombre de possibilités pour choisir n éléments distincts
(ordonnés ou non ordonnés) parmi les n éléments distincts de
E, noté Pn , est donné par :
Pn = Ann = n!
Chacune de ces possibilités s’appelle permutation de n

éléments distincts.

I- Notions de base
IV- Dénombrement
Exemple
De combien de façons peut-on placer 12 personnes en
rangée pour prendre une photo ?
De combien de façons peut-on ranger 4 livres de math, 3
livres de physique et 5 livres de chimie, si on ne fait
aucune distinction entre les spécialités des livres ?
De combien de façons peut-on ranger ces livres si on veut
que les livres de même spécialité restent ensemble ?

I- Notions de base
IV- Dénombrement
Permutations d’éléménts partiellement distinguables
Proposition6
Supposons que les n éléménts de E sont partiellement
distinguables (càd les n éléments ne sont pas tous distincts).
Supposons qu’on a n1 éléments identiques de type 1, n2
éléments identiques de type 2, . . . , nk éléments identiques de
type k avec n1 + n2 + · · · + nk = n.
Alors le nombre de permutations possibles de ces n éléments,
partiellement distinguables, noté Pn (n1 , n2 , . . . , nk ), est donné
par :
n!
Pn (n1 , n2 , . . . , nk ) =
n1 ! n2 ! . . . nk !

I- Notions de base
IV- Dénombrement
Exemples
Combien de mots de 9 lettres peut-on former avec les 9
lettres du mot EVENEMENT ?
Un enfant joue avec 2 jetons rouges identiques, 3 jetons
blancs identiques et 4 jetons noirs identiques.
De combien de façons différentes peut-il aligner ces 9
jetons ?
On dispose de 4 livres de math, 3 livres de physique et 5
livres de chimie.
De combien de façons peut-on les arranger si tous les
livres sont distinguables ?
De combien de façons peut-on les arranger si les livres de
chaque spécialité sont identiques ?

I- Notions de base
IV- Dénombrement
Fin chapitre 1

I- Définition
II- Loi de probabilité - Fonction de répartition
III- Paramètres d’une variable aléatoire
IV- Lois de probabilité usuelles
V- Couple de variables aléatoires
Chapitre 2
Variables aléatoires discrètes

I- Définition
Le but de ce chapitre et du chapitre suivant est d’introduire des

outils de calcul des probabilités avec les variables aléatoires.

I- Définition
I- Définition

I- Définition
Définition
On appelle variable aléatoire toute application définie sur
l’ensemble fondamental Ω et à valeurs dans R.
Autrement dit, toute application X : Ω → R, qui à chaque
élément ω ∈ Ω associe une valeur réelle X (ω), est appelée
variable aléatoire, notée X .
L’ensemble des valeurs possibles prises par la variable

aléatoire X est noté X (Ω).

I- Définition
Exemple
On lance deux dés.
Soit X l’application qui à chaque élément (i, j) ∈ Ω, associe la
somme i + j.
Alors, X est une variable aléatoire sur Ω et on a :
X (Ω) = {2, 3, 4, . . . , 12}

I- Définition
Remarque
Comme pour les variables statistiques, on distingue deux
types de variables aléatoires : les variables aléatoires
discrètes et les variables aléatoires continues.
Une variable aléatoire X est dite discrète si elle ne peut
prendre que des valeurs isolées (X (Ω) est un ensemble
fini ou dénombrable).
Une variable aléatoire X est dite continue si X (Ω) est non
dénombrable (X (Ω) est un intervalle ou une réunion
d’intervalles de R).
La suite de ce chapitre sera consacrée à l’étude des variables

aléatoires discrètes.

I- Définition
Remarques et notations
Soit X une variable aléatoire discrète. Soit X (Ω) = {x1 , x2 , ...}.
On suppose x1 < x2 < ... < xi < xi+1 < ....
Pour tout xi ∈ X (Ω). L’ensemble {ω ∈ Ω/X (ω) = xi } est
un événement de Ω. On le note (X = xi ).
Soit I ⊂ R. L’ensemble {ω ∈ Ω/X (ω) ∈ I} est un
événement de Ω. On le note (X ∈ I).
On utilise aussi les notations : (X ≤ a), (X > a),
(a < X ≤ b), ...

I- Définition
Exemple
On lance une pièce de monnaie trois fois.
Soit X = nombre de piles obtenues.
Calculer P(X = 1).
On lance un dé deux fois.
Soit Y = la somme des points obtenus.
Calculer P(Y ≤ 4).

I- Définition
II- Loi de probabilité - Fonction

de répartition d’une variable
aléatoire discrète

I- Définition
Définition
Soit (Ω, E(Ω), P) un espace probabilisé et soit X une variable
aléatoire discrète sur Ω.
On appelle loi de probabilité de X , l’application, notée PX ,

définie de X (Ω) vers [0, 1] par :
∀ xi ∈ X (Ω), PX (xi ) = P(X = xi )
On appelle fonction de répartition de X , l’application,

notée FX , définie de R vers [0, 1] par :
∀ x ∈ R, FX (x) = P(X ≤ x)

I- Définition
Propriétés caractéristiques :
La loi de probabilité PX doit vérifier :
1 ≤ PX (xi ) ≤ 1, ∀ xi ∈ X (Ω),
0X
2 PX (xi ) = 1.
xi ∈X (Ω)
La fonction de répartition FX doit vérifier :

1 FX est croissante (au sens large),
2 FX (x) = 0 pour x < x1 ,
3 FX (x) = 1 pour x ≥ max(xi ),
4 FX est constante sur chaque intervalle [xi , xi+1 [,
discontinue à gauche aux points xi ∈ X (Ω). Le saut de
discontinuité au point xi est égal à P(X = xi ).

I- Définition
Remarque
On a :
X
PX (xi ) = P(X = xi ) = P({ω})
ω∈(X =xi )
X
FX (x) = P(X ≤ x) = P(X = xi )
xi ≤x
Inversement, on peut déduire la loi de probabilité de X à
partir de sa fonction de répartition FX :
P(X = x1 ) = FX (x1 ),
P(X = xi ) = FX (xi ) − FX (xi−1 ), ∀ xi ∈ X (Ω) − {x1 }.

I- Définition
Exemple1
On lance deux dés. Soit X = la somme des points obtenus.
On a :
xi 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
fX (xi ) 36 36 36 36 36 36 36 36 36 36 36
1 3 6 10 15 21 26 30 33 35
FX (xi ) 36 36 36 36 36 36 36 36 36 36 1

I- Définition
Exemple2
On lance un dé jusqu’à l’obtention de la face numéro 3.
Soit X = le nombre de lancers effectués.
Déterminer la loi de probabilité et la fonction de répartition
de X .

I- Définition
On a X (Ω) = IN∗ .
On a la loi de probabilité :
1 5 k−1
P(X = k ) = ( )
6 6
D’où la fonction de répartition :
5
FX (k) = 1 − ( )k
6

I- Définition
5
Inversement, on a P(X > k) = ( )k .
6
Donc la fonction de répartition est donnée par :
5
FX (k) = 1 − ( )k
6
D’où la loi de probabilité :
1 5 k−1
P(X = k ) = FX (k) − FX (k − 1) = ( )
6 6

I- Définition
Remarque
Pour tout a, b ∈ R on a :
P(X ≤ a) = FX (a),
P(X > a) = 1 − FX (a),
P(a < X ≤ b) = FX (b) − FX (a),
P(X = a) = 0 si a 6∈ X (Ω)
P(X = xi ) = FX (xi ) − FX (xi−1 ), ∀ xi ∈ X (Ω)

I- Définition
III.1- Espérance mathématique
III.2- Variance - écart-type
III- Paramètres d’une variable

aléatoire

I- Définition

I- Définition
Définition
Soit (Ω, E(Ω), p) un espace probabilisé et soit X une variable
aléatoire discrète sur Ω. On appelle espérance mathématique
de X , appelée aussi moyenne de X , le nombre réel (si il
existe), noté E(X ), défini par :
X
E(X ) = xi × P(X = xi )
xi ∈X (Ω)
On peut utiliser aussi la formule :

X
E(X ) = X (ω) × P({ω})
ω∈Ω

I- Définition
Remarque
Si X (Ω) est fini, E(X ) existe toujours (Somme finie).

On peut remarquer la similitude des définitions de
l’espérance mathématique et de la moyenne arithmétique
d’une variable statistique discrète (les fréquences sont
remplacées par les probabilités).
Si X (Ω) est infini, E(X ) existe sous réserve de
convergence de la série numérique associée.

I- Définition
Remarque : Espérance d’une fonction de variable aléatoire
Soit X une variable aléatoire discrète et soit g une fonction

réelle. Alors g(X ) est une variable aléatoire discrète et on a :
X
E(g(X )) = g(xi )P(X = xi )
xi ∈X (Ω)
En particulier si g(X ) = X r , On obtient

X
E(X r ) = xri P(X = xi )
xi ∈X (Ω)
Lorsqu’il existe, E(X r ) s’appelle le moment d’ordre r de X .

I- Définition

I- Définition
Définition
aléatoire discrète sur Ω. On appelle variance de X le nombre
réel positif (si il existe), noté V (X ), défini par :
X
V (X ) = E (X − E(X ))2 = (xi − E(X ))2 P(X = xi )
xi ∈X (Ω)
On appelle écart-type de X le nombre réel positif, noté σ(X ),

défini par : p
σ(X ) = V (X )

I- Définition
Remarque
On peut utiliser la formula simplifiée :

V (X ) = E X 2 − (E(X ))2
 
X
= x2i P(X = xi ) − (E(X ))2
xi ∈X (Ω)

I- Définition
Exemple
On lance un dé et on suppose que :

on gagne 10 dh si on obtient la face numéro 1,
on gagne 5 dh si on obtient la face 2 ou 3,
on gagne 2 dh si on obtient la face 4,
et on perd 5 dh si on obtient la face 5 ou 6.
Calculer l’espérance et la variance du gain.

I- Définition
Propriétés :
Soient X et Y deux variables aléatoires définies sur un même

espace probabilisé et a et b deux constantes réelles, on a :
E(aX + b) = aE(X ) + b
V (aX + b) = a2 V (X )
E(X + Y ) = E(X ) + E(Y )
Si X et Y sont indépendantes alors :
E(XY ) = E(X )E(Y )
V (X + Y ) = V (X ) + V (Y )

IV.1- Loi uniforme
I- Définition
IV.2- Loi de Bernoulli
IV.3- Loi binomiale
IV.4- Loi hypergéométrique
IV.5- Loi géométrique
IV.6- Loi de Poisson
IV- Lois de probabilité

discrètes usuelles

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Dans ce paragraphe, on va présenter les lois de probabilité

des variables aléatoires discrètes, les plus fréquemment
utilisées pour décrire des modèles probabilistes usuels.
Cela nous permettra, si on reconnaı̂t une de ces lois pour la

variable aléatoire étudiée, d’appliquer toutes ses formules et
ses propriétés qui seront supposées déjà démontrées.

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
IV.1- Loi uniforme

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Définition
On dit qu’une variable aléatoire discrète X suit une loi
uniforme de paramère n si et seulement si
X (Ω) = {1, 2 . . . , n}
et
1
∀ k ∈ X (Ω) P(X = k) =
n
On note X → U(n).

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Proposition
Si X est une variable aléatoire discrète qui suit une loi
uniforme U(n), alors on a :
n+1
E(X ) =
2
n2 − 1
V (X ) =
12

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Exemple
Dans une urne contenant 1 boule blanche et 9 boules noires,
on tire au hasard successivement et sans remise une boule
jusqu’à l’obtention de la boule blanche. Soit X la variable
aléatoire qui désigne le nombre de tirages effectués.
Quelle est la loi de probabilité de X ?

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Epreuve de Bernoulli
Définition
On appelle épreuve de Bernoulli de paramètre p toute épreuve
aléatoire n’ayant que deux résultats possibles :
un résultat priviligié, noté S, appelé succès, avec la
probabilité p,
un résultat alternatif, noté S, appelé échec, avec la
probabilité q = 1 − p.
Exemple
On lance une fois un dé équilibré et on s’intéresse à
l’événement S = ”obtenir la face n◦ 3”.

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Loi de Bernoulli
Proposition
On considère une épreuve de Bernoulli de paramètre p.
Soit X la variable aléatoire désignant le nombre de succès
obtenus. Alors on a :
X (Ω) = {0, 1}
∀ k ∈ X (Ω) P(X = k ) = pk q 1−k

E(X ) = p et V (X ) = pq
X est appelée variable aléatoire de Bernoulli et la loi de

probabilité de X est appelée loi de Bernoulli de paramètre p.
On note X → B(1, p).
IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Remarque
Le modèle de Bernoulli est le plus simple des modèles

probabilistes, cependant il est fondamental.
Ceci est dû au fait que beaucoup d’épreuves aléatoires
peuvent être considérées comme des répétitions d’épreuves
de Bernoulli.

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Dans ce contexte, on va s’itéresser aux cas suivants :

Répétitions en nombre fixe et avec indépendance (loi
binomiale),
Répétitions en nombre fixe et sans indépendance (loi
hypergéométrique),
Répétitions en nombre aléatoire et avec indépendance
jusqu’à ce que l’on obtient le premier succès (loi
géométrique),
Répétitions en nombre aléatoire et avec indépendance
jusqu’à ce que l’on obtient les k premiers succès (loi
binomiale négative).

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
IV.3- Loi binomiale

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Définition
Soit X une variable aléatoire désignant le nombre de succès
obtenus lorsqu’on répète successivement cette épreuve n fois
de façon indépendante.
X est appelée variable binomiale et la loi de X est appelée loi

binomiale de paramètres n et p.
On note X → B(n, p).

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Exemple
Soit E un ensemble formé de N = (N1 + N2 ) éléments avec N1
éléments de type S (succès) et N2 éléments de type S.
On choisit au hasard, successivement avec remise, un
échantillon de n éléments dans l’ensemble E.
Soit X la variable aléatoire désignant le nombre d’éléments de

type S (nombre de succès).
Il s’agit d’une succession de n épreuves de Bernoulli

indépendantes et ayant le même paramètre p = NN1

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Proposition
Une variable aléatoire X suit une loi binomiale de paramètres
n et p si et seulement si :
X (Ω) = {0, 1, . . . , n}
∀ k ∈ X (Ω), P(X = k ) = Cnk pk q n−k

avec q = 1 − p
Proposition
Soit X une variable qui suit une loi binomiale de paramètres n
et p. Alors on a :
E(X ) = np et V (X ) = npq
IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Reconnaissance de la loi B(n, p)
Une variable aléatoire X suit une loi binomiale de paramètres

n et p si et seulement si on a les conditions suivantes :
- Le nombre de répétitions de l’épreuve de Bernoulli, de
paramètre p, est connu à l’avance (n répétitions).
- Les répétitions sont indépendantes.
- X représente le nombre de succès obtenus.

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Exemple
On lance un dé n fois.

Quelle est la probabilité d’obtenir k fois la face numéro 3 ?
Combien de lancers doit-on effectuer pour que la
probabilité d’obtenir au moins une fois le numéro 3 soit
supérieure à 0.9 ?

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Propriétés
Si X → B(n, p) et si Y = n − X , alors Y → B(n, q).
Si X et Y sont deux variables aléatoires indépendantes et
si X → B(n1 , p) et Y → B(n2 , p), alors la somme
S = X + Y suit une loi binomiale B(n1 + n2 , p).

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Définition
On suppose qu’on a N1 possibilités pour réaliser le succès et
qu’on a N2 = N − N1 possibilités pour réaliser l’échec (p = NN1 ).
Soit X une variable aléatoire désignant le nombre de succès
obtenus lorsqu’on effectue n répétitions non indépendantes
de cette épreuve (n ≤ N).
La loi de probabilité de X est appelée loi hypergéométrique de

paramètres N, N1 et n.
On note X → H(N, N1 , n).

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Exemple
Soit E un ensemble formé de N = (N1 + N2 ) éléments avec N1
éléments de type S (succès) et N2 éléments de type S.
On choisit au hasard, simultanément ou successivement sans
remise, un échantillon de n éléments dans l’ensemble E.
Soit X la variable aléatoire désignant le nombre d’éléments de

type S (nombre de succès).
Il s’agit d’une succession de n épreuves de Bernoulli non

indépendantes et ayant le même paramètre p = NN1

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Proposition
Une variable aléatoire X suit une loi hypergéométrique de
paramètres N, N1 et n si et seulement si :
X (Ω) ⊆ {0, 1, . . . , n}
n−k
CNk 1 CN−N 1
∀ k ∈ X (Ω), P(X = k) =
CNn

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Proposition
Soit X une variable aléatoire qui suit une loi hypergéométrique
de paramètres N, N1 et n. Alors on a :
E(X ) = np
N −n
V (X ) = npq
N −1
N1
avec p = N , q =1−p

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Reconnaissance de la loi H(N, N1 , n)
Une variable aléatoire X suit une loi hypergéométrique de

paramètres N, N1 et n si et seulement si on a les conditions
suivantes :
- Le nombre de répétitions de l’épreuve de Bernoulli est connu
à l’avance (n répétitions).
- Les répétitions ne sont pas indépendantes.
- La probabilité de succès est la même pour toutes les
épreuves (p = NN1 ).
- X représente le nombre de succès obtenus.

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Exemple
Dans un jeu de loto, on choisit au hasard 6 numéros distincts

parmi {1, 2, . . . , 49}.
Parmi les 49 numéros, il y a 6 numéros gagnants (succès).
1) Calculer la probabilité pour obtenir k numéros gagnants,
2) En moyenne, combien peut-on obtenir de numéros
gagnants ?

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Notons X la variable aléatoire correspondant au nombre de

numéros gagnants.
On a X → H(49, 6, 6), Donc
X (Ω) = {0, . . . , 6}
et
6−k
C6k C43
p(X = k) = 6
C49

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
On obtient :
k 0 1 2 3
P(X = k ) 0.436 0.413 0.132 0.0177
k 4 5 6
P(X = k ) 9, 69.10−4 1, 84.10−5 7, 15.10−8
6
On a E(X ) = np = 6 49 ' 0.735
Donc en moyenne, on obtient moins d’un numéro gagnant en

jouant une grille de loto.

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Propriétés
On montre la formule de Vandermonde :
Xn
CNk 1 CNn−k
2
n
= C(N1 +N2 )
k=0
Si X → H(N, N1 , n), alors Y = (n − X ) → H(N, N2 , n).
Si X et Y sont indépendantes et si X → B(n1 , p) et
Y → B(n2 , p), alors
S = (X + Y ) → B(n1 + n2 , p),
X |(S = m) → H(n1 + n2 , n1 , m),
Y |(S = m) → H(n1 + n2 , n2 , m).

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Généralisation : loi multinomiale, loi polygéométrique

Soit E un ensemble formé de N = (N1 + N2 + ... + Nr )
éléments avec N1 éléments de type S1 , N2 éléments de type
S2 , ..., Nr éléments de type Sr (r > 2).
Soit pi la proportion d’éléments de type Si (pi = NNi ).
On choisit au hasard un échantillon de n éléments dans
l’ensemble E.
Soit Xi la variable aléatoire désignant le nombre d’éléments de
type Si (1 ≤ i ≤ r ).
On note P(X1 = k1 , X2 = k2 , ..., Xr −1 = kr −1 ) la probabilité
d’obtenir k1 éléments de type S1 , k2 éléments de type S2 , ...,
kr −1 éléments de type Sr −1 et kr = n − (k1 + k2 + ... + kr −1 )
éléments de type Sr . On distingue deux cas :

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
1er cas : Choix de manière successive avec remise :

n!
P(X1 = k1 , X2 = k2 , ..., Xr −1 = kr −1 ) = pk1 pk2 ...prkr
k1 !k2 !...kr ! 1 2
Cette loi de probabilité s’appelle loi multinomiale de

paramètres n, p1 , p2 , ..., pr −1 (pr = 1 − p1 − p2 − ... − pr −1 ).
C’est une généralisation de la loi binomiale.

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
2ème cas : Choix de manière successive sans remise ou

simultanée :
CNk11 CNk22 ...CNkrr

P(X1 = k1 , X2 = k2 , ..., Xr −1 = kr −1 ) =
CNn
Cette loi de probabilité s’appelle loi

poly-hypergéométrique de paramètres
N, N1 , N2 , ..., Nr −1 , n (Nr = N − N1 − N2 − ... − Nr −1 ).
C’est une généralisation de la loi hypergéométrique.

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Approximation d’une loi hypergéométrique
Proposition
Soit X une variable aléatoire qui suit une loi hypergéométrique
de paramètres N, N1 et n.
Si N est grand devant n (N > 20n), alors on peut approximer
la loi hypergéométrique par une loi binomiale de paramètre n
et p = NN1
n−k
CNk 1 CN−N 1
≈ Cnk pk q n−k
CNn

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
On suppose maintenant qu’on répète, de manière

indépendante, une épreuve de Bernoulli de paramètre p
jusqu’à l’obtention du premier succès.
Donc, ce qui est aléatoire maintenant c’est le nombre de

répétitions nécessaires pour obtenir le premier succès.

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Définition
Soit X la variable aléatoire désignant le nombre de répétitions
indépendantes d’une épreuve de Bernoulli de paramètre p
jusqu’à l’obtention du premier succès.
La loi de probabilité de X est appelée loi géométrique de

paramètre p.
On note X → G(p).

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Proposition
Une variable aléatoire X suit une loi géométrique de
paramètre p si et seulement si :
X (Ω) = IN∗
∀ k ∈ X (Ω), P(X = k) = pq k−1
Proposition
Si une variable aléatoire X suit une loi géométrique de
paramètre p, alors on a :
1 q
E(X ) = et V (X ) = 2
p p
IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Reconnaissance
Une variable aléatoire X suit une loi géométrique de

paramètre p si et seulement si on a les conditions suivantes :
- Le nombre de répétions de l’épreuve de Bernoulli est
aléatoire.
- Les répétitions sont indépendantes.
- X représente le nombre de répétitions jusqu’à ce que le
premier succès se réalise.

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Généralisation : Loi binomiale négative
Définition
Soit X la variable aléatoire désignant le nombre de répétitions
indépendantes d’une épreuve de Bernoulli de paramètre p
jusqu’à l’obtention des r premiers succès.
La loi de probabilité de X est appelée loi binomiale négative

(ou loi de Pascal) de paramètres r et p.
On note X → BN (r , p).

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Proposition
Une variable aléatoire X suit une loi binomiale négative de
paramètres r et p si et seulement si :
X (Ω) = {r , r + 1, . . . , ∞}
r −1 r k−r
∀ k ∈ X (Ω), P(X = k ) = Ck−1 pq
Proposition
Si une variable aléatoire X suit une loi binomiale négative de
paramètres r et p, alors on a :
r q
E(X ) = et V (X ) = r 2
p p
IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Exemple
Une urne contient 5 boules blanches et 10 boules noires. On

effectue des titages suuccessifs et avec remise.
1) Quelle est la probabilité que la première boule blanche soit
tirée au 5ième tirage ?
2) Quelle est la probabilité que la 3ème boule blanche soit
tirée au 5ième tirage ?

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Soit X la variable aléatoire qui représente le nombre de boules

tirées jusqu’à l’obtention de la première boule blanche.
1
X → G( )
3
2 1 16
P(X = 5) = ( )4 =
3 3 243
Soit Y la variable aléatoire qui représente le nombre de boules
tirées jusqu’à l’obtention de 3 boules blanches.
1
Y → BN (3, )
3
1 2 8
P(Y = 5) = C42 ( )3 ( )2 =
3 3 81

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Définition
On dit qu’une variable aléatoire X suit une loi de Poisson de
paramètre λ > 0 si et seulement si :
X (Ω) = IN
et
λk e−λ
∀ k ∈ X (Ω), P(X = k ) =
k!
on note X → P(λ).

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Proposition
Soit X une variable aléatoire qui suit une loi de Poisson de
paramètre λ. Alors on a :
E(X ) = λ
V (X ) = λ

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Reconnaissance
On reconnait qu’une variable aléatoire X suit une loi de

Poisson de paramètre λ (noté λ = µ × s) si on a les conditions
suivantes :
- On s’intéresse à un phénomène aléatoire qui se produit en
moyenne µ fois par unité de temps.
- X représente le nombre de fois que ce phénomène se produit
(nombre de succès) durant une durée dégale à s unités.
(Le phénomène aléatoire se produit en moyenne λ fois durant

une durée égale à s unités).

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Exemple
On admet que le nombre moyen d’appels téléphoniques reçus

par un standardiste est égal à 12 appels par heure.
Quelle est la probabilité que ce standardiste reçoit au moins 3
appels durant une période de 10 mn ?

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Soit X la variable aléatoire qui compte le nombre d’appels

reçus pendant la durée s = 10mn = 16 h.
On a µ = 12 appels/heure. Donc, λ = µ × s = 2 et alors
X → P(2)
D’où
P(X ≥ 3) = 1 − P(X < 3) = 1 − 5e−2

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Propriétés
Si X et Y sont deux variables aléatoires indépendantes et
si X → P(λ1 ) et Y → P(λ2 ), alors
S = (X + Y ) → P(λ1 + λ2 ),
X |(S = n) → B(n, (λ1λ+λ
1
2)
),
Y |(S = n) → B(n, (λ1λ+λ
2
2)
).
Si X et Y sont deux variables aléatoires telle que leur
somme suit une loi de Poisson, alors X et Y sont
indépendantes et elles suivent eux mêmes des lois de
Poisson.

IV.1- Loi uniforme
I- Définition
IV.3- Loi binomiale
Approximation d’une loi binomiale
Proposition
Soit X une variable aléatoire qui suit une loi binomiable de
paramètres n et p.
Si n est assez grand (n ≥ 30) et p petit (p ≤ 0.1), de telle sorte
que le produit np soit ≤ 5, alors on peut approximer la loi
binomiale B(n, p) par une loi de Poisson de paramètre λ = np :
λk e−λ
Cnk pk q n−k ≈
k!

I- Définition
II- Loi de probabilité - Fonction de répartition V.1- Loi d’un couple aléatoire
III- Paramètres d’une variable aléatoire V.2- Variables aléatoires indépendantes
IV- Lois de probabilité usuelles V.3- Covariance
V- Couple de variables
aléatoires

I- Définition
V.1- Loi d’un couple aléatoire

I- Définition
Définition
Soit (Ω, E(Ω), P) un espace probabilisé et soient X et Y deux
variables aléatoires discrètes sur Ω.
On appelle loi de probabilité du couple (X , Y ) l’application,
notée P(X ,Y ) , définie de X (Ω) × Y (Ω) dans [0, 1] par :

∀ (xi , yj ) ∈ X (Ω)×Y (Ω), P(X ,Y ) (xi , yj ) = P (X = xi ) ∩ (Y = yj )
Les lois de probabilité de X et de Y s’appellent lois marginales

du couple (X , Y ).

I- Définition
Remarques :
Pour définir la loi de probabilité du couple (X , Y ), il faut et
il suffit de connaı̂tre les valeurs pij = P(X ,Y ) (xi , yj ),
∀ (xi , yj ) ∈ X (Ω) × Y (Ω).
X
On a : pij = 1.
i,j
X
P(X ,Y ) (I × J) = P((X ∈ I) ∩ (Y ∈ J)) = pij
xi ∈I,yj ∈J
Si X (Ω) et Y (Ω) sont finis, la loi du couple (X , Y ) et les

lois marginales de X et de Y peuvent être représentées
par un tableau à deux dimensions (tableau de
contingence) :

I- Définition
Exemple
Dans une urne contenant 8 boules rouges, 6 boules vertes et

4 boules blanches, on tire successivement sans remise 3
boules.
Soit X le nombre de boules rouges parmi les 3 boules tirées et
Y le nombre de boules vertes parmi les 3 boules tirées.
Déterminer la loi de probabilité du couple (X , Y ).

I- Définition
Le couple (X , Y ) suit une loi poly-hypergéométrique de

paramètres N = 18, N1 = 8, N2 = 6 et n = 3 :
C8k1 C6k2 C43−k1 −k2

P(X = k1 , Y = k2 ) = 3
C18
Y 0 1 2 3 Total
X
4 36 60 20 120
0 816 816 816 816 816
48 192 120 360
1 816 816 816 0 816
112 168 280
2 816 816 0 0 816
56 56
3 816 0 0 0 816
220 396 180 20
Total 816 816 816 816 1

I- Définition
V.2- Variables indépendantes

I- Définition
Définition
Deux variables aléatoires X et Y sont dites indépendantes si
et seulement si ∀ (xi , yj ) ∈ X (Ω) × Y (Ω), les événements
(X = xi ) et (Y = yj ) sont indépendants.

I- Définition
Corollaire
Deux variables aléatoires X et Y sont dites indépendantes si
et seulement si
∀ (xi , yj ) ∈ X (Ω) × Y (Ω), P(X ,Y ) (xi , yj ) = PX (xi ) × PY (yj )
On dit alors que la loi du couple (X , Y ) est égale au produit

des lois marginales.

I- Définition
V.3- Covariance

I- Définition
Définition
On appelle covariance des variables aléatoires X et Y le
nombre réel (si il existe), noté Cov (X , Y ), défini par :
Cov (X , Y ) = E(XY ) − E(X ).E(Y )
On a : X X
E(XY ) = xi .yj .pij
xi ∈X (Ω) yj ∈Y (Ω)

I- Définition
Propriétés :
Soient X et Y deux variables aléatoires et a et b deux

constantes réelles, on a :
Cov (X + a, Y + b) = Cov (X , Y )
Cov (aX , bY ) = ab.Cov (X , Y )
E(XY)=E(X).E(Y)+Cov(X,Y)
V(X+Y)=V(X)+V(Y)+2Cov(X,Y)
Si X et Y sont indépendantes alors Cov (X , Y ) = 0
La réciproque est fausse.

I- Définition
Exemple
\Y 0 1 2
X \
1 1
0 0 0
2 2
1 1 1
1 0
4 4 2
1 1 1
1
4 2 4
On a : E(X ) = 1/2, E(Y)=1, et E(XY)=1/2. Donc
Cov (X , Y ) = 0
Cependant X et Y ne sont pas indépendantes.

I- Définition
Exercice
Soient X et Y deux variables aléatoires indépendantes

définies sur un même univers, dont les lois de probabilité sont
données par :
xi 0 1 2 3
PX (xi ) 0.1 0.2 0.3 0.4
yi 1 2 3
PY (yi ) 0.25 0.5 0.25

I- Définition
1) Calculer l’espérance et la variance des deux variables.

2) Donner la loi de probabilité conjointe du couple (X , Y ).
3) Donner la loi de probabilité de T = X + Y et calculer E(T )
et V (T ).
4) Donner la loi de probabilité de Z = XY et calculer E(Z ) et
V (Z ).
5) Calculer Cov (X , Y ).

I- Définition
Fin chapitre 2

I- Définition
II- Fonction de répartition et fonction densité
III- Paramètres d’une variable aléatoire continue
IV- Lois usuelles
V- Approximations par une loi normale
Chapitre 3
Variables aléatoires continues

I- Définition
IV- Lois usuelles
I- Définition

I- Définition
IV- Lois usuelles
Définition
Soit Ω un univers infini non dénombrable.
Une variable aléatoire X définie sur Ω est dite continue si et
seulement si l’ensemble X (Ω) est infini non dénombrable.
X (Ω) est un intervalle de R ou une réunion d’intervalles de R.

I- Définition
IV- Lois usuelles
Exemple
On lance une flèche sur une cible matérialisée par un disque
de rayon R. On a :
Ω = {M(x, y) / x2 + y2 ≤ R}
On note X la variable aléatoire qui désigne la distance du point
d’impact de la flèche au centre du disque. On a :
X (Ω) = [0, R]
X (Ω) est un intervalle de R. Donc, X est une variable aléatoire

continue.

I- Définition
II.1- Fonction de répartition
II.2- Fonction densité de probabilité
IV- Lois usuelles
II- Fonction de répartition -

fonction densité de probabilité

I- Définition
IV- Lois usuelles

Définition
aléatoire continue sur Ω.
On appelle fonction de répartition de X , l’application, notée
FX , définie de R vers [0, 1] par :
∀ x ∈ R, FX (x) = P(X ≤ x)

I- Définition
IV- Lois usuelles
Soit X une variable aléatoire continue. Sa fonction de

répartition FX doit vérifier :
1 FX est croissante sur R (au sens large),
2 lim FX (x) = 0
x→−∞
3 lim FX (x) = 1,
x→+∞
4 FX est continue sur R,
Toute fonction vérifiant ces propriétés peut être considérée

comme la fonction de répartition d’une variable aléatoire
continue.

I- Définition
IV- Lois usuelles

Définition
Soit X une variable aléatoire continue et soit FX sa fonction de
répartition.
On appelle fonction densité de probabilité de X , notée fX , la
fonction dérivée de FX . C’est donc la fonction définie de R
vers [0, 1] par :
0
∀ x ∈ R, fX (x) = FX (x)

I- Définition
IV- Lois usuelles
Soit X une variable aléatoire continue. Sa fonction densité de

probabilité fX doit vérifier :
1 fX (x) ≥ 0 ∀x ∈ R,
Z +∞
2 fX (x)dx = 1.
−∞
Toute fonction vérifiant ces propriétés peut être considérée

comme la fonction densité de probabilité d’une variable
aléatoire continue.

I- Définition
IV- Lois usuelles
Définition
Soit X une variable aléatoire continue et soit fX sa fonction
densité de probabilité.
On peut définir la fonction de répartition de X à partir de la
fonction densité de probabilité par la formule suivante :
Z x
∀ x ∈ R, FX (x) = fX (t)dt
−∞

I- Définition
IV- Lois usuelles
Remarques et propriétés
Soit X une variable aléatoire continue.
On peut effectuer les calculs des probabilités pour X , soit
en utilisant sa fonction de répartition FX , soit en utilisant
sa fonction densité de probabilité fX . On a :
Z b
P(a < X ≤ b) = FX (b) − FX (a) = fX (t)dt
a
Ainsi, la probabilité pour que X prenne une valeur isolée x

est nulle :
∀ x ∈ R, P(X = x) = 0

I- Définition
IV- Lois usuelles
Par conséquent, pour une variable aléatoire continue X ,

les probabilités relatives à un intervalle avec les inégalités
larges ou strictes sont identiques :
Z a
P(X ≤ a) = P(X < a) = FX (a) = fX (t)dt,
−∞
Z +∞
P(X ≥ a) = P(X > a) = 1 − FX (a) = fX (t)dt,
a
P(a < X < b) = P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤
Z b
X < b) = FX (b) − FX (a) = fX (t)dt,
a

I- Définition
IV- Lois usuelles
Exemple1
Soit X une variable aléatoire continue dont la fonction de
répartition est définie par :
a − be−2x si x > 0

FX (x) =
0 sinon
1 Déterminer les constantes a et b.

2 Déterminer la fonction densité de probabilité de X .
3 Calculer les probabilités suivantes : P(X > 1),
P(−1 < X < 2), P ((−1 < X < 2)|(X > 1)).

I- Définition
IV- Lois usuelles
Exemple2
Soit X une variable aléatoire continue dont la fonction densité
de probabilité est définie par :
ke−2x si x ≥ 0

fX (x) =
0 sinon
1 Déterminer la constante k .
2 Calculer la probabilité des événements suivants : (X ≥ 1),
(−1 ≤ X ≤ 2).
3 Déterminer la fonction de répartition de X .
4 Déterminer la fonction densité de probabilité de la variable
aléatoire Y = 3 − 2X .

I- Définition
IV- Lois usuelles
Changement de variables aléatoires
Soient X une variable alétoire continue, FX sa fonction de

répartition, fX sa fonction densité de probabilité et soit g une
fonction réelle. Alors :
Y = g(X ) est une variable aléatoire dont on peut déterminer la
fonction de répartition ou/et la fonction densité à partir de
celles de X . On a :
FY (x) = P(Y ≤ x) = P(g(X ) ≤ x) = ...
La suite des calculs dépend de la nature de la fonction g(X )

(bijective, croissante, décroissante ou quelconque).

I- Définition
IV- Lois usuelles
Exemple1
Soit X une variable aléatoire continue et soit Y = exp(X ). On
a:

P(X ≤ ln(x)) si x > 0
FY (x) = P(Y ≤ x) = P(exp(X ) ≤ x) =
0 sinon
Donc FY est définie par :

FX (ln(x)) si x > 0
FY (x) =
0 sinon
et on obtient la fonction densité fY par dérivation de FY :

1
fY (x) = x fX (ln(x)) si x > 0
0 sinon

I- Définition
IV- Lois usuelles
Exemple2
Soit X une variable aléatoire continue et soit Y = X 2 . On a :
√ √
2 P(− x ≤ X ≤ x) si x > 0
FY (x) = P(Y ≤ x) = P(X ≤ x) =
0 sinon
Donc FY est définie par :

√ √
FX ( x) − FX (− x) si x > 0
FY (x) =
0 sinon
D’où :
(
1 √ √
√ (f ( x)
2 x X
+ fX (− x)) si x > 0
fY (x) =
0 sinon

I- Définition
IV- Lois usuelles
Exemple3
Soit X une variable aléatoire continue dont la fonction densité
de probabilité est donnée par :
4x3 si 0 < x < 1

fX (x) =
0 sinon
Déterminer la fonction densité de probabilité de la variable

Y = 1 − 3X 2 .

I- Définition
IV- Lois usuelles
On a
FY (x) = P(Y ≤ x) = P(1 − 3X 2 ≤ x)
1−x
= P(X 2 > )
3
( q q
1 − P(− 1−x3 ≤ X ≤ 1−x
3 ) si
1−x
3 >0
=
1 sinon
( q q
1 − FX ( 1−x
3 ) + FX (−
1−x
3 ) si x < 1
=
1 sinon

I- Définition
IV- Lois usuelles
D’où :
 q q
q1 1−x
+ fX (− 1−x
(fX ( 3 ) 3 )) si x < 1

fY (x) = 6 1−x
3
0 sinon

En remplaçant fX par son expression, on obtient :

2 1−x
fY (x) = 3 ( 3 ) si −2 < x < 1
0 sinon

I- Définition
II- Fonction de répartition et fonction densité III.1- Espérance mathématique
III- Paramètres d’une variable aléatoire continue III.2- Variance et écart-type
IV- Lois usuelles III.3- Quantiles
III- Paramètres d’une variable

aléatoire continue

I- Définition

Définition
Soit X une variable aléatoire continue et soit fX sa fonction
densité de probabilité.
L’espérance mathématique de X (si elle existe) est définie par :
Z +∞
E(X ) = x.fX (x)dx
−∞

I- Définition
Changement de variables aléatoires
Soient X une variable alétoire continue, fX sa fonction densité

de probabilité et soit g une fonction réelle continue. Alors :
Y = g(X ) est une variable aléatoire continue dont on peut
calculer l’espérance (si elle existe) en utilisant la fonction
densité de probabilité de X . On a :
Z +∞
E(Y ) = g(x)fX (x)dx
−∞

I- Définition
III.2- Variance et écart-type

Définition
On suppose que l’espérance de X existe.
La variance de X (si elle existe) est définie par :
V (X ) = E(X 2 ) − (E(X ))2
Définition
Si la variance de X existe, l’écart-type de X est défini par :
p
σ(X ) = V (X )

I- Définition
Propriétés
Soient X et Y deux variables aléatoires continues et a et b
deux constantes réelles. On a :
E(aX + b) = aE(X ) + b,
V (aX + b) = a2 V (X ),
E(X + Y ) = E(X ) + E(Y ),
Si X et Y sont indépendantes alors :
E(XY ) = E(X )E(Y )
V (X + Y ) = V (X ) + V (Y ).

I- Définition
III.3- Quantiles
Définition
Soit X une variable alétoire continue et soit FX sa fonction de
répartition.
On appelle quantile d’ordre k (0 < k < 1) de X la valeur, notée
zk , telle que : FX (zk ) = k .
La médiane, notée Me , est le quantile d’ordre 1/2.

Le premier quartile, noté Q1 , est le quantile d’ordre 1/4.
Le troisième quartile, noté Q3 , est le quantile d’ordre 3/4.
i
Le i ème décile, noté Di , est le quantile d’ordre ,
10
1 ≤ i ≤ 9.

I- Définition
Exemple
Soit X une variable aléatoire dont la fonction densité de
probabilité est définie par :

 x si x ∈]0, 1[
fX (x) = k − x si x ∈ [1, 2]
0 sinon

1) Déterminer la constante k.
2) Calculer les quartiles, l’espérance et la variance de X .
4) Soit Y une variable aléatoire définie par Y = 3 − 2X .
a) Déterminer la fonction densité de probabilité de Y .
b) Calculer les quartiles, l’espérance et la variance de Y .

I- Définition
II- Fonction de répartition et fonction densité IV.1- Loi uniforme
III- Paramètres d’une variable aléatoire continue IV.2- Loi exponentielle
IV- Lois usuelles IV.3- Loi Normale
IV- Lois usuelles

I- Définition
IV.1- Loi uniforme

I- Définition
Définition
Soit X une variable aléatoire continue. On dit que X suit la loi
uniforme sur l’intervalle [a, b] si et seulement si sa densité de
probabilité est définie par :

 1
si x ∈ [a, b]
fX (x) = b−a
 0 sinon
On note X → U([a, b]).

I- Définition
Proposition
Soit X une variable aléatoire continue qui suit une loi uniforme
sur l’intervalle [a, b]. Alors on a :

 x0
 si x ≤ a
−a
FX (x) = si x ∈ [a, b]
 b−a
si x ≥ b

1
a+b
E(X ) = Me (X ) =
2
(a − b)2
V (X ) =
12

I- Définition
Exemple
Le temps de retard d’un train suit une loi uniformément
distribuée entre 0 et 30 minutes.
1) Quelle la probabilité que l’attente d’arrivée de ce train dure
entre 10 et 15 minutes ?
2) Sachant que le train n’est pas arrivé après 10 minutes,
quelle est la probabilité que l’attente dure encore moins de 5
minutes ?
3) Quelle la probabilité que l’attente dure entre 20 et 40
minutes ?

I- Définition
Soit X =temps de retard du train. On a X → U([0, 30]).

D’où
15 − 10 1
1) P(10 ≤ X ≤ 15) = =
30 − 0 6
5
P(10 ≤ X ≤ 15) 1
2) P(X ≤ 15|X ≥ 10) = = 30 10 =
P(X ≥ 10) 1 − 30 4
1 40 − 20
3) P(20 ≤ X ≤ 40) = 6=
3 30 − 0

I- Définition
IV.2- Loi exponentielle

I- Définition
Définition
On dit qu’une variable aléatoire continue X suit la loi
exponentielle de paramètre λ (λ > 0) si et seulement si sa
densité de probabilité est définie par :
λe−λx si x ≥ 0

fX (x) =
0 sinon
On note X → E(λ).

I- Définition
Proposition
Soit X une variable aléatoire continue qui suit une loi
exponentielle de paramètre λ. Alors on a :
1 − e−λx si x ≥ 0

FX (x) =
0 sinon
ln(2)
Me(X ) =
λ
1
E(X ) =
λ
1
V (X ) = 2
λ

I- Définition
Remarque : Reconnaissance de la loi exponentielle

La loi exponentielle peut être liée à la loi de Poisson :
Proposition
Soit Y une variable aléatoire discrète qui suit une loi de
Poisson de paramètre λ.
Si X est une variable aléatoire continue qui représente le
temps qui sépare deux réalisations consécutives de ce
processus de Poisson, alors X suit une loi exponentielle de
paramètre λ.

I- Définition
Exemple
Dans une région, les pannes d’électricité se produisent en
moyenne deux fois par mois.
a) Quelle la probabilité que durant un mois, on observe au
moins 3 pannes ?
b) Quelle la probabilité que le temps qui sépare les deux
prochaines pannes soit inférieur à 10 jours ?

I- Définition
Soit Y = nombre de pannes par mois et soit X = le temps (en

mois) qui sépare 2 pannes consécutives.
On a Y → P(2) et X → E(2). Donc
a) P(Y ≥ 3) = 1 − P(X < 3) = 1 − 5e−2 .
b) P(X < 1/3) = FX (1/3) = 1 − e−2/3 .

I- Définition
Exemple
Les données statistiques montrent que les décès dans une
urgence se produisent avec une moyenne de 3 décès par
année.
Si une personne est décédée aujourd’hui, quelle est la
probabilité que le prochain décès soit dans plus de 4 mois ?

I- Définition
IV.3- Loi Normale

I- Définition
Définition
On dit qu’une variable aléatoire continue X suit la loi normale
(ou loi de Gauss) de paramètres m et σ si et seulement si sa
fonction densité de probabilité est définie par :
(x − m)2

1
fX (x) = √ exp − , ∀x ∈R
σ 2π 2σ 2
On note X → N (m, σ).

N (0, 1) est appelée loi normale centrée réduite.

I- Définition
Proposition
Soit X une variable aléatoire continue qui suit une loi normale
de paramètres m et σ. Alors on a :
E(X ) = Me (X ) = Mo (X ) = m
V (X ) = σ 2

I- Définition
Définition
Soit X une variable aléatoire continue qui suit une loi normale
de paramètres m et σ. La fonction de répartition de X est
définie par :
Z x
(t − m)2

1
FX (x) = √ exp − dt , ∀ x ∈ R
σ 2π −∞ 2σ 2
Remarque
La fonction de répartition d’une loi normale ne peut pas être
exprimée à l’aide de fonctions usuelles.

I- Définition
Pour surmonter cette difficulté, nous utilisons des

approximations numériques. Particulièrement, nous utilisons
une table qui donne les valeurs de la fonction de répartition de
la loi normale centrée réduite N (0, 1).
Evidemment, on ne peut pas avoir de telle table pour toutes
les lois normales N (m, σ).
Cependant, on peut déduire les valeurs de la fonction de

répartition d’une loi normale quelconque N (m, σ) à partir de
celle d’une loi normale centrée réduite N (0, 1) en utilisant la
proposition suivante :

I- Définition
Proposition
La fonction densité de probabilité et la fonction de répartition
de la loi normale centrée réduite N (0, 1) sont notées
respectivement ϕ(x) et Φ(x).
Soit X une variable aléatoire qui suit une loi normale de
paramètres m et σ (X → N (m, σ)). Alors, on a :

x−m
FX (x) = Φ
σ

1 x−m
fX (x) = ϕ
σ σ

I- Définition
Utilisation de la table numérique de Φ(x)
La table fournie en annexe de ce cours est une table à double

entrée avec laquelle on peut déterminer les valeurs
approchées de Φ(x), ∀ x ∈ R.
Cette table est composée d’une grande table pour les valeurs
de x comprises entre 0 et 2.99 et d’une petite table pour les
valeurs de x comprises entre 3 et 5.9 :

I- Définition
Pour les valeurs de x variant de 0 à 2.99, on cherche dans

la 1ère colonne de la grande table, la ligne qui correspond
à la partie entière et le chiffre décimal de x et on cherche
dans la 1ère ligne de la table, la colonne qui correspond
au chiffre centième de x.
A l’intersection de cette ligne et de cette colonne, on lit la
valeur de Φ(x).
Par exemple, la valeur de Φ(1.34) se trouve à
l’intersection de la ligne 1.3 et de la colonne 0.04
On trouve : φ(1.34) = 0.90988

I- Définition
Pour les valeurs de x comprises entre 3 et 5.9, on utilise la

petite table qui donne 1 − Φ(x) :
On cherche la ligne qui correspond à la partie entière de x
et la colonne qui correspond au chiffre décimal de x.
A l’intersection de cette ligne et de cette colonne, on lit la
valeur de 1 − Φ(x).
La notation {m; k} signifie : 1 − Φ(x) = m × 10−k .
Par exemple, la valeur de 1 − Φ(4.6) se trouve à
l’intersection de la ligne 4 et de la colonne 0.6
Donc, Φ(4.6) = 1 − 2.11 × 10−6 .

I- Définition
Pour les valeurs de x avec plus de 2 chiffres après la

virgule, on détermine Φ(x) soit par arrondi soit par
interpolation linéaire (pour plus de précision).
Par exemple, la valeur de Φ(1.3476) peut être approximée
soit par Φ(1.35) (on trouve 0.91149), soit par interpolation
à partir des valeurs de Φ(1.34) et de Φ(1.35) (on trouve
0.91110).
Pour les valeurs de x > 5.9, on considère que Φ(x) ' 1.
Pour les valeurs négatives de x, on utilise la propriété :
Φ(−x) = 1 − Φ(x)

I- Définition
Exemple
Soit X → N (45, 4).

1) Calculer P(X < 39), P(X ≥ 48) et P(39 < X < 48).
2) Calculer P(|X − m| ≤ σ).
3) Déterminer la valeur de a tel que P(X < a) = 0.40129.

I- Définition
1)
P(X < 39) = FX (39) = Φ( 39−45
4 ) = Φ(−1.5) = 0.06681
P(X ≥ 48) = 1 − FX (48) = 1 − Φ(0.75) = 0.22663
P(39 < X < 48) = Φ(0.75) − Φ(−1.5) = 0.70656
2)
P(|X −m| ≤ σ) = P(m−σ < X < m+σ) = 2Φ(1)−1 = 0.68268
3)
P(X < a) = 0.40129 ⇔ Φ( a−45
4 ) = 1 − Φ(0.25) = Φ(−0.25).
D’où a = 44

I- Définition
Propriété
Proposition
Si X1 et X2 sont deux variables aléatoires indépendantes de
lois respectives N (m1 , σ1 ) et N (m2 , σ2 ).
Alors la variable
q aléatoire S = X1 + X2 suit la loi normale
N (m1 + m2 , σ12 + σ22 ).

I- Définition
V.1- Approximation d’une loi binomiale
V.2- Approximation d’une loi de Poisson
IV- Lois usuelles
V- Approximations par une loi

normale

I- Définition
IV- Lois usuelles
Proposition
Soit X une variable aléatoire qui suit une loi binomiale B(n, p).
Alors :
Pour n suffisamment grand (n ≥ 30) et p et q pas trop proches
de zéro (np ≥ 5 et nq ≥ 5), la loi binomiale B(n, p) peut être
approximée par la loi normale de paramètres m = np et
√
σ = npq.
√
On note : B(n, p) ≈ N (np, npq).

I- Définition
IV- Lois usuelles
Proposition
Soit X une variable aléatoire qui suit une loi de Poisson P(λ).
Alors :
Pour λ suffisamment grand (λ ≥ 20), la loi de Poisson P(λ)
peut être
√ approximée par la loi normale de paramètres m = λ
et σ = λ.
√
On note : P(λ) ≈ N (λ, λ).

I- Définition
IV- Lois usuelles
Remarque : Correction de continuité
Il faut faire attention lorsqu’on approxime une loi d’une variable

discrète avec une loi normale qui est associée à une variable
continue.
Pour une loi discrète, les probabilités sont concentrées en des
points isolés, alors qu’une loi continue affecte une probabilité
nulle à tout point isolé.
Par exemple si X → B(100, 0.4), comment calculer P(X = 50)
avec la loi normale ?
(L’approximation par une loi normale est justifiée).

I- Définition
IV- Lois usuelles
Pour surmenter cette difficulté, on utilise ce qu’on appelle la

correction de continuité qui consiste à associer à toute valeur
entière k d’une variable discrète X (binomiale ou de Poisson),
l’intervalle [k − 0.5, k + 0.5] pour approximer P(X = k) avec la
loi normale. On pose donc :
P(X = k) = P(k − 0.5 ≤ X ≤ k + 0.5)

I- Définition
IV- Lois usuelles
De même, pour tout événement associé à la variable discrète

X (binomiale ou Poisson), on associe un événement avec une
correction de continuité de la façon suivante :
Événement associé à X Événement avec correction

(X = k) (k − 0.5 ≤ X ≤ k + 0.5)
(X ≥ k) (X ≥ k − 0.5)
(X > k) (X ≥ k + 0.5)
(X ≤ k) (X ≤ k + 0.5)
(X < k) (X ≤ k − 0.5)

I- Définition
IV- Lois usuelles
Exemple
1) On lance un dé 4500 fois. On appelle X la variable aléatoire

qui compte le nombre d’apparition de la face N◦ 3.
Calculer les probabilités suivantes :

- P(X = 800)
- P(700 ≤ X ≤ 800),
- P(700 < X < 800).
2) Une clinique traite en moyenne deux urgences par jour.

Quelle est la probabilité pour que la clinique traite plus de 70
urgences par mois ?

I- Définition
IV- Lois usuelles
Fin chapitre 3

M147 - Cours (Alternatif 1)

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

M147 - Cours (Alternatif 1)

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITÉ HASSAN II DE CASABLANCA

FACULTÉ DES SCIENCES ET TECHNIQUES

Pr. Abdelhak FAHSI

Module M147, Parcours MIP (S4)

La statistique comporte deux grandes branches :

1 Chapitre 1 : Statistique descriptive 1D (séries simples)

2 Chapitre 2 : Statistique descriptive 2D (séries doubles)

Statistique descriptive à une

1. Population (notée P) : On appelle population, l’ensemble de

2. Individu : Chaque élément de la population est appelé

Les individus de la population peuvent être des êtres vivants,

Le nombre des individus d’une population, noté N, est appelé

3. Echantillon : Un groupe restreint d’individus prélevés dans

Remarque : On se limite à l’étude d’un échantillon lorsque’il

4. Caractère (variable) statistique (noté X , Y , . . .) : On appelle

On distingue deux types de caractères :

Caractère quantitatif : C’est un caractère mesurable. Les

A chaque individu de la population est associée une valeur du

La suite des valeurs x(1) , x(2) , . . . , x(N) (non nécessairement

6. Modalités d’un caractère X : Les différentes valeurs

L’ensemble des modalités d’un caractère X est noté :

k désigne le nombre de modalités de X .

7. Effectif (noté ni ) : L’effectif d’une modalité xi est le nombre

L’effectif total de la population est égal à la somme des

8. Effectif cumulé (noté Ni ) : On suppose le caractère de type

x1 < x2 < . . . < xk

L’effectif cumulé d’une modalité xi est le nombre d’individus de

9. Fréquence ou proportion (notée fi ) : La fréquence d’une

C’est la proportion des individus de la population présentant

Souvent, on note les fréquences en pourcentage (avec le

10. Fréquence cumulée (notée Fi ) : La fréquence cumulée

11. Groupement en classes

On appelle effectif d’une classe [xi−1 ; xi [ (noté ni ) le nombre

On appelle effectif cumulé de la classe [xi−1 ; xi [ (noté Ni ) le

On a des définitions analogues pour les fréquences et les

Ainsi, à toute intervalle I = [a; b] inclue dans une classe

L’effectif de toute valeur isolée sera alors égal à zéro.

une classe [xi−1 ; xi [ d’effectif ni correspond un effectif cumulé

12. Types d’un caractère quantitatif:

La famille {(xi , ni )1≤i≤k } ou {(xi , fi )1≤i≤k } est appelée

La famille {([xi−1 ; xi [, ni )1≤i≤k } ou {([xi−1 ; xi [, fi )1≤i≤k } est

II- Organisation des données

La première étape dans une étude statistique consiste à

Cet objectif peut être atteint en présentant les données

II.1- Tableaux statistiques

Un tableau statistique consiste à résumer et présenter les

Modalités Effectifs ...

Tableau statistique simple (distribution avec les effectifs)

Modalités Fréquences ...

Tableau statistique simple (distribution avec les fréquences)

Modalités Effectifs Fréquences Eff. Cum. Fréq. Cum. ...

Tableau statistique détaillé

Bon Bon Moyen Bon Bon Mauvais

Les résultats statistiques de cette enquête (série brute) sont

Etat Mécanique Effectif Fréquence ...

Nombre Effectif ...

Tableau statistique détaillé :

Nombre Effectif Eff. cum. Fréquence Fréq. cum. ...

152 151.5 160 165 170

On peut considérer le choix des classes suivantes :

Taille Effectif ...

Bien que un tableau statistique résume toute l’information

La représentation graphique des données relatives à un