Académique Documents
Professionnel Documents
Culture Documents
Page 1
Statistique descriptive & probabilités
Références …………………………………………………………………………………………… 48
Page 2
Statistique descriptive & probabilités
Chapitre.1
Statistique à une variable
1.1. Définitions:
a- Le mot « Statistiques », au pluriel désigne des collections de chiffres, présentés
parfois sous forme de tableaux, parfois traduites par des graphiques, et qui
regroupent toutes les observations faites sur des faits nombreux, et relatifs à un
même phénomène.
b- La « Statistique descriptive » est un ensemble de méthodes permettant de décrire
et d'analyser, systématiquement et de façon quantifiée des données statistiques
c- La « Statistique mathématique » est la science dont l'objet est de formuler des lois
de comportement à partir d'observation.
Elle s'appuie non seulement sur la statistique descriptive, mais aussi sur le calcul
des probabilités.
1.2. Vocabulaire:
La population statistique
est l’ensemble sur lequel porte l’étude.
Les individus ou les unités statistiques
sont les éléments qui composent la population statistique.
L’échantillon
est une partie de la population.
Le caractère
est l’aspect que l’on observe sur les individus, c’est le fait sur lequel se porte l’étude
statistique.
Il est souvent possible d’observer deux ou plusieurs caractères dans une même
étude.
Lorsque le caractère n’est pas susceptible d’une mesure (par exemple la nationalité
d’une personne, sa situation de famille, ..etc.), il est dit qualitatif, et on l’appelle aussi
modalité.
Lorsque, au contraire, ce caractère peut être mesuré (par exemple l’âge, le poids, la
taille.. etc), il est dit quantitatif, et on appelle sa mesure valeur ou variable
statistique.
La variable statistique peut être un nombre, et dans ce cas elle est dite discontinue
ou discrète, comme elle peut être un intervalle, et dans ce cas elle est dite continue.
Effectif ou fréquence absolue
Page 3
Statistique descriptive & probabilités
2.1. Exemple 1
D ’après une étude portée sur un échantillon de 100 familles, le nombre d’enfants
âgés de 0 à 16 ans est détaillé dans le tableau suivant:
2.2. Exemple 2
Répartition des versements effectués dans une banque, suivant le montant en
milliers de dirhams :
Le caractère est quantitatif sous forme d’intervalles , donc c’est une variable
statistique continue.
L’effectif total est 500, et les fréquences relatives sont comme suit:
Page 4
Statistique descriptive & probabilités
2.3. Exemple 3
Dans l’étude du nombre d’immatriculations, en milliers, de nouveaux véhicules en
France en 2007 pour quatre grands constructeurs, on a les résultats suivants:
Le caractère étudié ici est le type des nouveaux véhicules, donc c’est un caractère
qualitatif.
2.4. Exemple 4
On donnera ici un exemple d’un tableau statistique à deux entrées, c’est à dire
une étude statistique à deux variables.
C’est un tableau de répartition des enfants d’une école d’après leur âges et leur
poids.
Page 5
Statistique descriptive & probabilités
3.2. Histogramme
Pour représenter les effectifs ou les fréquences d’une variable statistique continue
ou d’une modalité, on utilise la représentation par histogramme (expls 2 et 3).
On porte en abscisse , bout à bout, des segments qui ont même amplitude,
représentants les classes.
Sur chacun des segments pour base, on construit un rectangle d’hauteur l’effectif
associé.
Remarque:
Dans une représentation par histogramme c’est la surface des rectangles qui est
proportionnelle aux effectifs.
Application à l’exemple 2
Page 6
Statistique descriptive & probabilités
120
100
80
60
40
20
3.3. Polygone:
Dans un histogramme, en joignant les milieux des sommets de ses rectangles on
obtient un polygone qui sert à donner l’allure général du phénomène étudié.
Application à l’exemple 2
Page 7
Statistique descriptive & probabilités
3.4. Courbe :
On représente les effectifs cumulés croissants et les effectifs cumulés décroissants
par des courbes ( de même pour les fréquences cumulées croissantes et les
fréquences cumulées décroissantes).
Application à l’exemple 1
Le tableau des effectifs cumulés croissants pour l’exemple 1 est le suivant:
Dans le cas d’une variable statistique continue, on trace la courbe des effectifs
cumulés croissants en associant l’image zéro à la valeur minimale du premier
intervalle, ainsi la valeur maximale du dernier intervalle aura pour image l’effectif
total.
Page 8
Statistique descriptive & probabilités
Application à l’exemple 2
Page 9
Statistique descriptive & probabilités
∑ x ∗n
q=
n
c- La moyenne géométrique est
g= ∏ x
ℎ=
∑
.
Remarques:
a- La moyenne quadratique est la racine carrée de la moyenne arithmétique de x²
𝟏
b- La moyenne harmonique est l’inverse de la moyenne arithmétique de 𝐱
.
c- Pour une variable statistique continue on définit les moyennes précédentes de
la même manière en prenant les milieux des intervalles comme étant les valeurs
𝒙𝒌
4.1.2. La médiane:
La médiane est la valeur qui partage la variable statistique en deux séries aux
effectifs égaux.
Dans la première série, on trouve les valeurs inférieures à la médiane.
Dans la seconde série on trouve les valeurs supérieures à la médiane.
On la note généralement par M.
Pour déterminer la médiane on utilise le tableau des effectifs cumulés croissant :
Pour une variable statistique discontinue, la médiane est la valeur ayant le
𝒏
premier effectif cumulé croissant supérieur strictement à 𝟐
Pour une variable statistique continue, l’intervalle ou la classe associée au
𝒏
premier effectif cumulé croissant strictement supérieur à 𝟐 est dite la classe
médiane , et la médiane est une valeur de cette intervalle. Sa détermination est
Page 10
Statistique descriptive & probabilités
plus pratique à l’aide de la courbe des effectifs cumulés croissants (ou aussi la
courbe des effectifs cumulés décroissants) puisque c’est l’antécédent de la moitié de
l’effectif total.
Chapitre.2
Statistique à deux variables
Une statistique à deux variables est une étude de deux caractères différents
sur une même population, comme dans l’exemple 4: la répartition des enfants
d’une école d’après leur âges et leur poids.
En fait, les données d’une série statistique à deux variables sont en général
représentées au départ sous forme de couples ( variable1; variable2), et puis
on les regroupe sous forme de classes.
Exemple 5:
On dispose des mesures de taille et de poids de 19 adolescents présentées par
paires (la taille; le poids).
{{140; 38,2} ; {161 ; 44,3} ; {155 ; 46,1} ; {148 ; 38,2} ; {155 ; 50,5} ; {123 ; 22,4} ; {160 ;
40,4} ; {140 ; 34,7} ; {165 ; 50,5} ; {172 ; 50,5} ; {155 ; 38,1} ; {160 ; 57,3} ; {142 ; 39,3}
; {157 ; 46,1} ; {142; 37,1} ; {148 ; 45,9} ; {180 ; 66,3} ; {167 ; 60} ; {165 ; 50,5}}
Page 12
Statistique descriptive & probabilités
[120 ;140[ 1 0 0 1
[140 ;160[ 6 4 0 10
[160 ;180] 0 6 2 8
Total 7 10 2 19
Page 13
Statistique descriptive & probabilités
Page 14
Statistique descriptive & probabilités
𝑁= 𝑁𝑙. = 𝑁. 𝑚
1
𝑋= 𝑁𝑙. ∗ X𝑙
𝑁
1
𝑌= 𝑁. 𝑚 ∗ Y𝑚
𝑁
1
𝑉 = 𝑁𝑙. ∗ X𝑙 − 𝑋
𝑁
1
𝑉 = 𝑁. 𝑚 ∗ Y𝑚² − 𝑌²
𝑁
σ = 𝑉
σ = 𝑉
Page 15
Statistique descriptive & probabilités
𝝈 (𝑿, 𝒀) = 𝐂𝐨𝐯(𝐗, 𝐘)
On trace une courbe qu’on appelle « courbe de régression » et qui passe entre les
observations d’un nuage de points.
Le plus souvent, on essaie de tracer une droite que l’on désigne alors par « droite
de régression » ou « droite de tendance ».
Page 16
Statistique descriptive & probabilités
Pour ceci on cherche la fonction 𝑓 telle que les différences (𝑌𝑚 − 𝑓(𝑋𝑙)) avec
𝑙 ∊ {1, … , 𝑝} et 𝑚 ∊ {1, … , 𝑞}, soient minimales.
Page 17
Statistique descriptive & probabilités
𝑛 ∗ (𝑌𝑚 − 𝑓(𝑋𝑙)) ²
soit minimale.
𝐂𝐨𝐯(𝐗, 𝐘)
𝒂 =
𝑽𝑿
𝒃 = 𝒀−𝒂𝑿
Remarque
Page 18
Statistique descriptive & probabilités
𝐂𝐨𝐯(𝐗, 𝐘)
𝐫 =
𝝈𝑿 ∗ 𝝈𝒀
Plus r est proche de +1 ou de -1, plus les deux caractères sont dépendants.
Page 19
Statistique descriptive & probabilités
Chapitre.3
Analyse combinatoire et notion de
probabilités
𝑛 .𝑛 .𝑛 …
Exemple
Supposons qu’une plaque d’immatriculation contient deux lettres distinctes suivies
de trois chiffres dont le premier est différent de zéro Combien de plaques
différentes peut-on imprimer?
Page 20
Statistique descriptive & probabilités
Théorème 1:
𝑛!
𝐴 =
(𝑛 − 𝑝)!
Lire « factorielle n ».
Et par convention 0! = 1.
𝑛!
𝑛 ! ⨯𝑛 !⨯ …⨯ 𝑛 !
1.4. Combinaisons:
On appelle combinaison de p objets parmi n, un sous ensemble contenant p
éléments.
𝑛
On désigne par 𝐶 ou 𝑝 le nombre de combinaisons de p objets parmi n.
Théorème 3:
𝑛 𝐴
𝑝 =𝐶 =
𝑝!
Propriétés:
1. 𝐶 =1= 𝐶
2. 𝐶 =𝑛= 𝐶
3. 𝐶 = 𝐶 pour tout 1 ⩽ p ⩽ n.
Page 21
Statistique descriptive & probabilités
Exemple:
Déterminer les éléments de l’ensemble produit AxBxC avec A={1, 2}, B={a, b, c}
et C={3, 4}
Page 22
Statistique descriptive & probabilités
2.1.2. Exemples :
Exemple1 :
On jette un dé et l’on observe le résultat obtenu.
A = { 2, 4, 6 }, B = { 1, 3, 5 } et C = { 2, 3, 5 }.
A ⋂ B = ∅, A ⋃ C = { 2, 3, 4, 5, 6 } et B ⋂ C = { 3, 5 }.
Page 23
Statistique descriptive & probabilités
Exemple2 :
On jette une pièce de monnaie et l’on observe la suite de piles P et de face F
obtenue.
L’ensemble fondamental est : S = {FFF, FFP, FPF, FPP, PFF, PFP, PPF, PPP }.
Exemple3 :
On jette une pièce de monnaie jusqu’à ce que l’on obtienne face, et l’on compte le
nombre de fois que l’on a jeté la pièce.
Définition :
On dit que P est une fonction de probabilité et que P(A) est la probabilité de
l’événement A si l’on a les axiomes suivants :
II. P(S) = 1.
Conséquences :
1) P(∅) = 0.
Page 24
Statistique descriptive & probabilités
P (A ∪ B ∪ C)
= P(A) + P(B) + P(C) − P(A ∩ B) − P(A ∩ C) − P(C ∩ B) + P(A ∩ B ∩ C)
Définition :
Si à chaque point a de S on attribue un nombre réel p , qu’on appelle
probabilité de a vérifiant les propriétés suivantes :
I. Pour tout k on a : 0 ≤ p ≤ 1.
Exemple4 :
On jette à l’air trois pièces de monnaie et l’on observe le nombre de faces obtenu.
Soit A l’événement tel qu’on ait au moins une fois face et B l’événement qui
correspondrait à soit trois faces ou trois piles, c’est à dire que : A = {1 ; 2 ; 3} et
B = {0 ; 3}.
Page 25
Statistique descriptive & probabilités
Exemple5 :
1) Quand on jette un dé bien équilibré.
3. 1. Probabilité conditionnelle :
Soit E un événement arbitraire d’un ensemble fondamental S tel que : P(E) > 0.
Définition :
La probabilité pour qu’un événement A se produise, l’événement E s’étant produit
auparavant, ou en d’autres termes, la probabilité conditionnelle de A sachant que
( ∩ )
E est réalisé, que l’on écrit 𝑃 𝐴 𝐸 𝑜𝑢 𝑃 (𝐴) est définie par : 𝑃 (𝐴) = ( )
Exemple6 :
On jette une paire de dés bien équilibrés.
Sachant que la somme est égale à 6, calculer la probabilité pour qu’au moins l’un
des dés ait donné un 2.
Pour ceci on a :
Page 26
Statistique descriptive & probabilités
= { (2 ; 1), (2 ; 2), (2 ; 3), (2 ; 4), (2 ; 5), (2 ; 6), (1 ; 2), (3 ; 2), (4 ; 2), (5 ; 2), (6 ; 2)}
( ∩ )
A ∩ E = { (2 ; 4), (4 ; 2) } . D’où 𝑃 (𝐴) = ( )
=
Théorème de la multiplication :
A et E deux événements tels que : P(E) > 0. On a donc 𝑃(𝐴 ∩ 𝐸) = 𝑃(𝐸). 𝑃 (𝐴)
P(A ∩ A ∩ A ∩ . . .∩ A )
= 𝑃(A ). 𝑃 ( A ). 𝑃 ∩ ( A ). 𝑃 ∩ ∩ ( A ). . . . 𝑃 ∩ ∩ ∩ . . .∩ (A )
Théorème de Bayes :
Soit B un événement et A , A , A . . . A une partition de S, c’est à dire que :
Exemple7 :
On jette une pièce de monnaie truquée de telle sorte que : p(F) = et p(P)=
Si c’est face qui apparaît, on choisit au hasard l’un des nombres allant de 1 à 9.
Si c’est pile que l’on obtient, on choisit au hasard l’un des nombres allant de 1 à 5.
Calculer la probabilité p pour que ce soit un nombre pair qui ait été choisi.
Page 27
Statistique descriptive & probabilités
On a alors,
p = P(P’)
= P(P ∩ F) + P(P ∩ P)
= × + × =
On peut lire cette probabilité demandée sur le diagramme en arbre avec les
probabilités correspondantes comme suit :
3. 2.Indépendance :
Définition :
On dit qu’un événement B est indépendant d’un événement A avec P(A)≠ 0 si :
𝑃 (B) = 𝑃(𝐵)
Conséquence :
A et B sont indépendants si et seulement si P(A ⋂ B) = P(A).P(B)
Page 28
Statistique descriptive & probabilités
Chapitre.4
Variables aléatoires discrètes
1.1 Définition
Une variable aléatoire X sur un ensemble fondamental S est une fonction de S
dans l’ensemble ℝ des nombres réels.
Si S est un ensemble discret, toute fonction à valeurs réelles, définie sur S est une
variable aléatoire. Et dans ce cas, on parle d’une variable aléatoire discrète.
1.2Exemple
On jette une pièce de monnaie trois fois, et l’on observe la suite de piles (P) et
de faces (F) obtenue.
et X(FFF) = 3.
Page 29
Statistique descriptive & probabilités
Propriété :
On définit les variables aléatoires X+Y, X + k, k.X et X.Y ( où k est un nombre
réel) sur l’ ensemble fondamental S de la manière suivante :
Pour tout s de S on a :
Notations :
On utilise les notations abrégées 𝑃( 𝑋 = 𝑎) 𝑒𝑡 𝑃( 𝑎 ≤ 𝑋 ≤ 𝑏) pour désigner les
probabilités :
2.1 Définition :
Soit X une variable aléatoire sur un ensemble fondamental S à valeurs finies. C’est
à dire 𝑋(𝑆) = { 𝑥 , 𝑥 , . . . , 𝑥 } .
Cette fonction f sur X(S) qui est définie par f(𝑥 )= P( X = 𝑥 ) est ce que l’on
appelle la distribution ou la loi de probabilité de X, que l’on donne habituellement
sous la forme d’’un tableau :
𝑥 𝑥 𝑥 … …
𝑓(𝑥 ) 𝑓(𝑥 ) 𝑓(𝑥 ) … …
Page 30
Statistique descriptive & probabilités
𝐸(𝑋) = 𝑥 × 𝑓(𝑥 )
Page 31
Statistique descriptive & probabilités
Page 32
Statistique descriptive & probabilités
Page 33
Statistique descriptive & probabilités
Page 34
Statistique descriptive & probabilités
Page 35
Statistique descriptive & probabilités
Page 36
Statistique descriptive & probabilités
Page 37
Statistique descriptive & probabilités
Page 38
Statistique descriptive & probabilités
Page 39
Statistique descriptive & probabilités
Page 40
Statistique descriptive & probabilités
Page 41
Statistique descriptive & probabilités
Page 42
Statistique descriptive & probabilités
Page 43
Statistique descriptive & probabilités
Page 44
Statistique descriptive & probabilités
Exemple :
X suit la loi binomiale B( n= 8 ; p = 0,5) dont la loi de probabilité est donnée par le
tableau suivant :
Graphiquement, on s’aperçoit que cette distribution peut être approchée par une
distribution normale.
Page 45
Statistique descriptive & probabilités
Alors :
µ
𝐸(𝑀 ) = µ , 𝑉(𝑀 ) = et pour n assez grand, la loi de 𝑍 = ; la
√
variable centrée réduite associée à 𝑀 ; est voisine de la loi normale centrée
réduite N(0 ;1).
Exemple :
On jette 180 fois un dé bien équilibré.
Soit X le nombre de fois oú la face 6 apparait, alors X suit la loi binomiale B(180 ;
p= 1/6) et E(X) = n.p = 30 et V(X) = n.p.q = 25.
Par conséquent
Page 46
Statistique descriptive & probabilités
Page 47
Statistique descriptive & probabilités
1- Fabrice MAZEROLLE
Statistique descriptive
Gualino éditeur (2006)
2- N. BRILLOUET – BELLUOT
Introduction aux probabilités et à la statistique
http://fribok.blogspot.com
3- Seymour LIPSCHUTZ
Probabilité
Serie Schaum
4- W.MASIERI
Notions essentielles de Statistiques et calcul des probabilités.
Sirey 1970
Page 48