Mathématique Financier 2022

Chapitre 2.
Mathématiques financières
Clément Amzallag
Dans Questions de société 2022, pages 31 à 69
Éditions EMS Editions
ISBN 9782376876137
© EMS Editions | Téléchargé le 10/06/2023 sur www.cairn.info via CERIST (IP: 193.194.76.5)
Article disponible en ligne à l’adresse

https://www.cairn-sciences.info/mathematiques-pour-filieres-commerciales--9782376876137-page-31.htm
Découvrir le sommaire de ce numéro, suivre la revue par email, s’abonner...

Flashez ce QR Code pour accéder à la page de ce numéro sur Cairn.info.
Distribution électronique Cairn.info pour EMS Editions.

La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les limites des conditions générales d'utilisation du site ou, le
cas échéant, des conditions générales de la licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie, sous quelque
forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est
précisé que son stockage dans une base de données est également interdit.
CHAPITRE 2.
MATHÉMATIQUES FINANCIÈRES
▶ L’arrondi bancaire
▶ L’épargne (intérêts simples et composés, comptes sur
livret, annuités et suites d’annuités)
▶ Les remboursements d’emprunts (à mensualité
constante, à amortissement constant, in fine)
32 MATHÉMATIQUES POUR FILIÈRES COMMERCIALES
2.1. L’arrondi bancaire

L’arrondi bancaire est pratiqué par les établissements financiers
lorsqu’ils doivent arrondir une somme calculée à l’aide d’une procédure
de mathématiques financières.
Règles de l’arrondi bancaire :

• Si la valeur exacte est plus proche de l’arrondi inférieur,
on arrondit à la valeur inférieure.
• Si la valeur exacte est plus proche de l’arrondi supérieur,
on arrondit à la valeur supérieure.
• Si la valeur exacte est à égale distance de l’arrondi supé-
rieur et de l’arrondi inférieur, on arrondit vers le chiffre
pair.
Cela permet de minimiser l’erreur statistique inhérente à l’arrondi. En

effet, sur une grande quantité de données, on peut supposer qu’environ la
moitié des arrondis se feront par défaut et l’autre moitié par excès. Ainsi
les arrondis pas défaut et les arrondis par excès se compenseront.
On ne pratique l’arrondi bancaire que sur des valeurs monétaires,
dans le cadre d’opérations bancaires.
Exercice 2.1. Effectuez les arrondis des sommes suivantes :
Arrondi à l’euro Arrondi au centime
1 244,35 €≈ 633, 965 €≈
3 576,5 €≈ 5 368,568 5 €≈
2 877,5 €≈ 302,935 €≈
Remarque sur les arrondis :

On peut arrondir une valeur décimale par défaut, par excès,
vers l’entier le plus proche, ou pratiquer l’arrondi bancaire.
Les arrondis dépendent du contexte dans lequel on les effec-
tue. Il n’y a pas de méthode systématique pour savoir com-
ment arrondir. Il faut procéder au cas par cas. Il revient donc
au lecteur de décider, en fonctions du cas étudié, quel est le
nombre de décimales pertinentes et quelle est la méthode
d’arrondi la mieux appropriée. Aucune consigne d’arrondi
ne sera donc donnée dans les énoncés de cet ouvrage.
En situation professionnelle, les décisions concernant les arrondis sont

également prises en fonction du contexte.
Mathématiques financières 33
2.2. Intérêts
Principe : Une personne physique ou morale (prêteur) prête de
l’argent à une autre (emprunteur).
Le prêteur rend un service à l’emprunteur en se privant temporaire-
ment d’une partie de son capital. L’emprunteur rémunère donc le prêteur
pour ce service en lui versant des intérêts en plus du remboursement du
capital emprunté.
Exemples : Épargne, emprunts, agios, placements.
Les éléments à connaître pour calculer le montant des intérêts sont :
• Le capital sur lequel les intérêts sont calculés ;
• Le taux d’intérêt ;
• La période à laquelle se rapporte ce taux (le plus souvent, le taux
d’intérêt sera annuel) ;
• La durée de l’opération ;
• Le mode de calcul de l’intérêt.
Nous allons étudier deux catégories de modes de calcul :
• L’intérêt simple ;
• L’intérêt composé.
2.3. Intérêts simples
Exemple 2.1. On achète pour 4 000 € d’obligations remboursables sur

cinq ans à un taux simple de 4 % annuels.
Quelle somme totale va-t-on toucher en contrepartie ?
Les obligations sont des titres d’emprunt générés par une entreprise,
qui, en contrepartie de leur achat, rémunère l’acheteur sur une durée fixée
d’avance à un taux d’intérêt simple fixé d’avance. Les intérêts sont souvent
payés sous forme de coupons trimestriels. Le remboursement du capital
peut être effectué avec les intérêts ou bien « in fine » (au terme de la pé-
riode de remboursement).
Réponse : 4 % de 4 000 € par an : 0,04 × 4 000 = 160 € par an
160 × 5 = 800 € d’intérêts
L’entreprise reversera donc au total 4 000 + 800 = 4 800 €
Formule des intérêts simples :

Intérêts = Taux × Capital × Durée
Lorsque l’on applique la formule des intérêts simples, le montant de

l’intérêt est proportionnel à la durée de l’opération.
On peut être amené à calculer le montant de l’intérêt, le taux, le capital
emprunté ou la durée de l’opération.
Le taux d’intérêts est en général annuel. C’est pourquoi, dans la for-
mule, la durée doit être exprimée en années. Lorsque la durée de l’opéra-
tion est donnée en mois, il convient de la diviser par 12 pour la convertir
en années. (Il y a 12 mois dans une année.)
Si elle est donnée en jours, alors pour la convertir en année, on peut :
• Soit la diviser par 365 (on parle alors d’intérêt civil) ;
• Soit la diviser par 360 (on parle alors d’intérêt commercial).
Les organismes privés pratiquent l’intérêt commercial, les organismes
publics pratiquent l’intérêt civil. Dans cet ouvrage, faute de précisions
supplémentaires, on pratiquera l’intérêt commercial.
Des associations de consommateurs ont mené des actions en justice
contre la pratique de l’intérêt commercial, également appelé intérêt lom-
bard. Au moment où le présent ouvrage est rédigé, aucune jurisprudence
claire ne s’est dégagée. La Cour de Cassation a rejeté une demande d’inter-
diction de ce mode de calcul au motif que le déséquilibre n’est pas signifi-
catif entre les parties (Arrêt n° 415 du 9 septembre 2020, 19-10 651).
Quand applique-t-on la formule des intérêts simples ?
Elle sert pour calculer le montant des intérêts sur une durée représen-
tant un morceau d’année. (Par exemple, le montant des intérêts générés
en fin d’année par une opération sur un livret bancaire, ou le montant
des agios sur les comptes à découvert, calculés trimestriellement.)
En outre, les emprunts obligataires et les bons du trésor sont généra-
lement remboursés en intérêts simples quelle que soit leur durée (d’où
l’exemple 2.1).
2.4. Livrets d’épargne

Les comptes sur livrets (livret A, LEP, LDD) adoptent un mode de
calcul de la durée particulier. La durée est toujours comptée en quin-
zaines.
Ce mode de comptage est une simplification de calcul, due au grand
nombre d’opérations effectuées sur ce type de plan d’épargne.
Une année comporte 12 mois. On divise chaque mois en 2 quinzaines
(du 1er au 15, puis du 16 à la fin du mois). Chaque année comporte donc
24 quinzaines.
Le calcul des intérêts se fait toujours au 31 décembre de l’année cou-

rante et le montant des intérêts est crédité sur le compte le 1er janvier de
l’année suivante (sauf clôture du livret en cours d’année).
Pour toute opération (dépôt ou retrait) sur un livret, la durée sera un
nombre entier de quinzaines, séparant la date de l’opération de la date
de calcul des intérêts.
Règles de calcul des quinzaines :

• Si un dépôt est effectué sur ce livret, alors le nombre de
quinzaines où ce dépôt produira des intérêts ne prend
pas en compte la quinzaine du dépôt (la date de valeur
est le premier jour de la quinzaine suivante).
• Si un retrait est effectué sur ce livret, alors le nombre de
quinzaines où la somme retirée cessera de produire des
intérêts prend en compte la quinzaine du retrait (la date
de valeur est le premier jour de la quinzaine du retrait).
La date de valeur est la date à partir de laquelle l’opération bancaire

est prise en compte pour le calcul des intérêts.
Par exemple, si l’on effectue un dépôt le 17 avril, sa date de valeur sera
le 1er mai (premier jour de la quinzaine suivante).
Si l’on effectue un retrait le 18 mars, sa date de valeur sera le 16 mars
(premier jour de la quinzaine courante).
Pour chaque dépôt ou retrait, comme les intérêts seront calculés au
plus tard le 31 décembre de l’année courante, on appliquera la formule
des intérêts simples pour calculer le montant des intérêts gagnés ou per-
dus suite à l’opération.
Exemple 2.2. Sur mon livret A à 0,5 % d’intérêts annuels, je dépose 600 €

le 27 mars.
La date de valeur de ce dépôt est le 1er avril (premier jour de la quin-
zaine suivante). Au 31 décembre suivant se seront écoulés 18 quinzaines
depuis le 1er avril (les 9 mois d’avril à décembre).
Le montant des intérêts générés par ce dépôt sera donc de
crédités sur mon compte au 1er janvier suivant.
Exemple 2.3. De mon livret A à 0,5 % d’intérêts annuels, je retire 600 €

le 27 mars.
La date de valeur de ce retrait est le 16 mars (premier jour de la quin-
zaine courante). Au 31 décembre suivant se seront écoulés 19 quinzaines
depuis le 16 mars (les 9 mois de l’exemple 10 et la deuxième quinzaine

de mars).
Le montant des intérêts perdus suite à ce retrait sera donc de
La durée est divisée par 24 car le taux d’intérêt est annuel (il y a
24 quinzaines dans une année).
La valeur exacte est de -2,375 € que l’on arrondit à -2,38 € par arrondi
bancaire (voir 2.1).
Cela signifie que le 1er janvier suivant, je toucherai 2,38 € d’intérêts en
moins, suite à ce retrait.
Si plusieurs opérations sont effectuées au cours d’une même année
sur un compte sur livret, il est conseillé de présenter le calcul dans un
tableau comme suit :
Durée (quin-
Date Opération Intérêts
zaines)
31/12 1 250 € 24
27/03 600 € 18
16/05 -300 € 15
Les 1 250 € de la première ligne du tableau correspondent au solde de

l’année précédente (intérêts de l’année précédente compris).
À la fin de l’année courante, les intérêts acquis seront donc de :
6,25 + 2,25 − 0,94 = 7,56 €
Le solde du compte au 1er janvier de l’année suivante sera donc de :
1 250 + 600 − 300 + 7,56 = 1 557,36 €
2.5. Taux moyen sur plusieurs placements
Exemple 2.4. On effectue deux placements auprès d’un établissement

privé, début janvier :
• Un placement de 7 000 € pendant 8 mois à un taux simple de 5 %
annuels ;
• Un placement de 15 000 € pendant 55 jours à un taux de 3,5 %
annuels.
À quel taux unique aurait-il fallu placer ces deux capitaux pour qu’ils
génèrent le même intérêt ? (taux moyen de placement)
Approximation par ordre de grandeur : Le taux cherché est une
moyenne entre 3,5 % et 5 %. Il doit donc se trouver entre ces deux valeurs
(pas forcément au milieu car les durées et les sommes placées sont diffé-
rentes).
Réponse : Commençons par calculer le montant des intérêts acquis sur
ces deux opérations.
Les opérations ont eu lieu début janvier et durent moins d’un an. Il
n’y a donc pas de calcul des intérêts au 31 décembre. Les intérêts peuvent
donc être calculés directement par la formule des intérêts simples.
• Pour le premier placement :
• Pour le second placement :
Les placements ont été effectués auprès d’un établissement privé, on
applique donc l’intérêt commercial (ramenant une année à 360 jours).
Les intérêts acquis se montent donc au total à 233,33 + 80,21 = 313,54 €
On cherche le taux t moyen auquel ces deux placements auraient dû
être pour donner à terme les mêmes intérêts acquis.
Avec ce taux t, le premier placement aurait rapporté
euros.
Avec ce taux t, le second placement aurait rapporté
euros.
Les intérêts acquis seraient alors au total de
euros.
Pour que ces intérêts soient égaux à 313,54 €, il faut :
Donc,
Le taux moyen pour ces deux placements est donc d’environ 4,51 %
(ce qui correspond à l’ordre de grandeur que nous espérions trouver).
On peut appliquer un raisonnement semblable à celui détaillé dans
l’exemple 2.4 pour calculer le taux moyen à plus de deux placements.
2.6. Exercices d’application : intérêts simples
Exercice 2.2. Les Obligations Assimilables du Trésor (OAT) sont des

bons du trésor émis pour une durée supérieure à deux ans et acces-
sibles aux particuliers. Vous faites l’acquisition de 15 000 € d’OAT
rémunérées à un taux de 2 % annuels pour une durée de cinq ans.
a) Quel est le montant des intérêts annuels que vous reverse l’État ?
b) Quel est le montant de vos intérêts acquis à terme ?
Exercise 2.31. You purchase bonds for $3,000 from a society named A,

refundable within ten years with an interest rate of 2.636%. You also
purchase bonds for $9,000 from a society named B, refundable within
five years at an interest rate of 2.097%.
a) Compute the amount of the interest for each deal.
b) Compute the average interest rate for both deals.
Exercice 2.4. Alphonse ouvre son livret Jeune le 25 mai en y déposant
750 €.
Quels seront les intérêts acquis au 1er janvier suivant ?
Exercice 2.5. Charles ouvre son livret Jeune le 7 novembre 2016 en y

déposant 300 €.
Voici la liste des opérations effectuées en 2016.
Date Opération
23/11/2016 - 100 €
7/12/2016 +175 €
21/12/2016 +305 €
Calculer le montant des intérêts acquis au 1er janvier 2017.
1. Amount : Montant ; Bonds : Obligations ; Average : Moyen ; Rate : Taux ; Refundable :

Remboursable.
Exercice 2.6. Construire au tableur une feuille de calcul permettant à

partir du solde d’un compte sur livret au 1er janvier de l’année n et des
opérations effectuées durant l’année n de calculer le solde du compte
au 1er janvier de l’année n + 1.
Solutions :
2.2. a) 300 € b) 1 500 €
2.3. a) 790,80 USD ; 943,65 USD b) 2,312 6 %
2.4. 8,75 €
2.5. 0,65 €
2.7. Intérêts composés

Exemple 2.5. Le 31 décembre, on place 4 000 € sur un plan d’épargne
rémunéré à 4 % annuels pendant une durée de 5 ans.
Si l’on n’effectue aucune autre opération sur ce plan d’épargne, quelle
somme sera à son crédit au terme des cinq ans ?
Réponse : Il faut prendre en compte le fait que les intérêts seront calcu-
lés à chaque 31 décembre et crédités au capital. Donc, la base de calcul
des intérêts sera différente chaque année. Augmenter le capital de 4 %
revient à le multiplier par 1,04 qui est le coefficient multiplicateur associé
(voir 1.3).
Année Capital à terme
1 4 000 × 1,04 = 4 160 €
2 4 160 × 1,04 = 4 326,40 €
3 4 326,4 × 1,04 ≈ 4 499,46 €
4 4 499,46 × 1,04 ≈ 4 679,43 €
5 4 679,43 × 1,04 ≈ 4 866,61 €
Le capital à terme se montera donc à 4 866,61 €.

En comparant les résultats de l’exemple 2.1 et de l’exemple 2.5, on
se rend compte qu’à somme placée et taux équivalents, le montant des
intérêts acquis est différent selon qu’il s’agit d’un placement sur un
plan d’épargne ou d’un achat d’obligations. La formule des intérêts
simples n’aurait donc pas permis de trouver directement le résultat de
l’exemple 2.5. Ceci tient au fait que contrairement aux obligations, les
plans d’épargne créditent chaque année les intérêts au capital, et ces in-
térêts produisent alors eux-mêmes des intérêts.
Pour calculer directement le capital acquis au terme des cinq ans, il

faut par conséquent utiliser une autre formule.
Les 4 866,61 euros (représentant la valeur acquise au terme de cinq
ans) sont le résultat de cinq multiplications successives de 4 000 par 1,04.
En écriture mathématique, nous avons effectué :
4 000 × 1,04 × 1,04 × 1,04 × 1,04 × 1,04 = 4 866,61
Plus simplement :
4 000 × 1,045 = 4 866,61
Ceci nous donne la formule de calcul à appliquer pour créditer des
intérêts sur un plan d’épargne au cours de plusieurs années successives.
Formule des intérêts composés :

Valeur acquise =
Capital initial × Coefficient multiplicateurDurée
Utilisation de la formule des intérêts composés :

• On utilisera cette formule pour connaître la valeur acquise et les in-
térêts acquis sur une période couvrant plusieurs années pleines (du
1er janvier au 31 décembre), pour des plans d’épargne. Attention :
On rappelle que pour des obligations ou bons du trésor, les calculs se
font en intérêts simples, les coupons étant versés par trimestre.
• Contrairement à la formule des intérêts simples, la formule des
intérêts composés calcule la valeur acquise, et non le montant des
intérêts. Si l’on souhaite connaître le montant des intérêts acquis, il
faut ensuite retrancher de la valeur acquise le capital initial.
• Contrairement à la formule des intérêts simples, la formule des in-
térêts composés utilise le coefficient multiplicateur et non le taux
d’intérêt. Par exemple, pour un taux d’intérêt annuel de 2 %, on
substituera 0,02 dans la formule des intérêts simples et 1,02 dans la
formule des intérêts composés.
Le calcul de la valeur acquise revient à une utilisation de la formule
des intérêts composés.
Pour retrouver le capital initial, à partir de la valeur acquise, on peut
utiliser la formule des intérêts composés, puis résoudre une équation
simple (voir exercices d’application).
Pour retrouver la durée d’une opération ou le taux d’intérêt, voir les
exemples 2.6 et 2.7, ci-dessous.
En résumé :
Pour un plan d’épargne, le mode de calcul adopté est celui
qui profite à l’épargnant :
• Intérêts simples pour des morceaux d’années (avec
calcul des intérêts au 31 décembre de chaque année ou
à la clôture) ;
• Intérêts composés pour plusieurs années pleines du
1er janvier au 31 décembre.
Exemple 2.6. Retrouver le taux d’intérêt. À quel taux faut-il placer

10 000 € pour doubler son capital au bout de dix ans ?
Réponse : Faute d’informations supplémentaires, on supposera que les
dix années vont du 1er janvier au 31 décembre (le placement n’a pas été
effectué en cours d’année). Nous sommes donc dans le cadre de l’utilisa-
tion de la formule des intérêts composés. Le capital initial est de 10 000 €.
La valeur acquise doit être de 20 000 €, et la durée est de 10 ans.
On cherche le coefficient multiplicateur k.
Attention : La formule des intérêts composés donne le coefficient multi- © EMS Editions | Téléchargé le 10/06/2023 sur www.cairn.info via CERIST (IP: 193.194.76.5)
plicateur. Il faut donc revenir au taux en retranchant 1 (voir 1.3).
1,071 8 − 1 = 0,071 8
Le taux doit donc être de 7,18%.
Utiliser la touche de la calculatrice pour le calcul final.
Exemple 2.7. Retrouver la durée. Un taux de 7,18 % étant considéré irréa-

liste, on cherche à savoir en combien de temps on pourra doubler un
capital de 10 000 € avec un placement rapportant en moyenne 3 %
annuels.
En raisonnant par ordre de grandeur et en comparant avec l’exemple
précédent, il est évident que cela prendra plus de 10 ans.
Réponse : Le coefficient multiplicateur correspondant au taux de 3 % est

1,03. Comme précédemment, on substitue les données dans la formule
des intérêts composés.
20 000 = 10 000 × 1,03d
On cherche à résoudre cette équation.
Pour retrouver la valeur d’une inconnue figurant en exposant, il faut

utiliser la fonction logarithme.
L’opération se fera exclusivement à la calculatrice. Les calculatrices
comportent deux touches de logarithme (une touche log et une touche
ln). On peut utiliser indifféremment l’une ou l’autre des touches, à condi-
tion d’utiliser toujours la même.
Cela résulte de la formule du changement de base des logarithmes.
On saisira à la calculatrice le calcul suivant :
La calculatrice affiche environ 23,45. Ayant utilisé la formule des inté-

rêts composés, nous raisonnons en années pleines.
Le résultat obtenu signifie qu’au terme de 23 ans, nous n’aurons pas
encore doublé notre capital et qu’il faudra donc 24 ans pour le faire.
Si nous désirons retirer un capital d’au moins 20 000 € sans attendre
la fin de la 24e année, alors il faudra se servir de la formule des intérêts
simples pour savoir exactement quand, au cours de la 24e année, la somme
de 20 000 € sera atteinte avec la prise en compte des intérêts à la clôture.
(Il s’agira alors en effet d’un raisonnement sur un morceau d’année.)
2.8. Exercices d’application : intérêts
Exercice 2.7. Béatrice ouvre son livret Jeune le 18 juin 2016 en y dépo-

sant 500 €. Elle n’effectue aucune autre opération dessus. De quelle
somme disposera-t-elle sur ce livret le 1er janvier 2022 ?
Exercice 2.8. (Exercice long) Damien ouvre son livret Jeune le 11 fé-

vrier 2016 en y déposant 400 €. Il effectue des versements de 100 €
chaque trimestre, les 3 janvier, 3 avril, 3 juillet et 3 octobre de chaque
année. Il clôture son livret Jeune le 7 juin 2018. Combien la banque
reverse-t-elle alors sur son compte courant ?
Exercice 2.9. Fabrice veut pouvoir disposer de 12 000 € pour financer

des études à l’étranger dans cinq ans. Quelle somme minimale doit-il
placer sur son plan d’épargne à 3 % annuel ?
Exercice 2.10. Sachant que le livret de la Société Générale est rémunéré

à 0,3 % pour l’année 2016, combien fait gagner la promotion ci-des-
sous à un épargnant qui dépose 30 000 € pour au moins trois mois ?
Exercice 2.11.
a) Gérald prévoit d’effectuer des travaux à son domicile dans trois ans.
À quel taux doit-il placer 15 000 € pour disposer des 16 200 € néces-
saires ?
b) À quel taux annuel faut-il placer 5 000 € pour obtenir une valeur
future de 7 500 € à cinq ans ?
c) À quel taux annuel faut-il placer un capital pour le doubler à 30 ans ?
d) 50 unités monétaires d’un certain pays en janvier 2000 procuraient
le même pouvoir d’achat que 63,55 unités en janvier 2010. Quel a été
le taux moyen d’inflation mensuel dans ce pays ?
Exercice 2.12.
a) Un capital de 6 000 € est placé sur un compte d’épargne à un taux
d’intérêt annuel de 1,5 %. En combien d’années entières ce capital
atteindra-t-il au moins 7 000 € ?
b) Combien d’années entières faut-il placer un capital à un taux d’inté-
rêt annuel de 2 % pour le multiplier au moins par 1,5 ?
c) Si la hausse mensuelle du prix du kilo de pain dans un pays est
régulièrement de 0,15 % par mois, en combien de mois entiers le prix
au kilo du pain passera-t-il de 25 unités à au moins 30 unités ?
Solutions :
2.7. 557,56 €
2.8. 1 339,05 €
2.9. 10 351,31 €
2.10. 240 €
2.11. a) Environ 2,6 % b) 8,45 % c) 2,34 % d)0,2 %
2.12. a) 11 ans b) 21 ans c) 122 mois
2.9. Annuités
En général, on ne se constitue pas un capital en un seul versement.
On verse à un organisme financier une somme à intervalles réguliers.
L’opération produit des intérêts qu’il convient de calculer.
La somme versée périodiquement s’appelle annuité.
L’annuité peut être annuelle, mensuelle, trimestrielle… (période de
l’annuité).
La valeur équivalente à la somme des valeurs des montants versés
pour la constitution du capital, calculée à la date d’ouverture du plan
d’épargne (ou à n’importe quelle date antérieure), s’appelle valeur ac-
tuelle.
Le capital acquis (avec les intérêts) s’appelle valeur acquise.
Nous allons, dans ce paragraphe et les suivants, voir comment calcu-
ler la valeur acquise et la valeur actuelle d’un plan d’épargne :
• dans le cas d’annuités aux montants indépendants les uns des
autres ;
• dans le cas d’annuités constantes ;
• dans le cas d’annuités dont les montants progressent de façon
arithmétique ;
• dans le cas d’annuités dont les montants progressent de façon géo-
métrique.
Quelques éléments du vocabulaire des annuités :

Le montant de chaque annuité s’appelle un terme.
L’annuité pour le payeur constitue une rente pour le bénéficiaire.
Rente certaine : le nombre de termes est connu d’avance.
Rente aléatoire : rente dont un événement imprévu peut interrompre
le versement.
Rente temporaire : rente dont le nombre de termes est fini.

Rente perpétuelle : rente non temporaire.
Rente immédiate ou à termes échus : la date de référence se situe une
période avant le premier versement.
Rente différée : la date de référence se situe plus d’une période avant
le premier versement.
Rente anticipée : la date de référence se situe moins d’une période
avant le premier versement.
On peut imaginer le cas d’un professionnel qui ouvre un commerce et
contracte un plan d’épargne pour faire fructifier sa trésorerie, à la faveur
d’une conjoncture financière favorable, mais ne commence à l’alimenter
par annuités que lorsqu’il atteint son seuil de rentabilité.
Rente anticipée d’une période : la date de référence est celle du pre-
mier versement.
Par exemple, si l’on verse la première annuité le jour de l’ouverture du
plan d’épargne.
Dans ce cas, la rente est aussi dite à échoir ou versée d’avance.
2.10. Annuités indépendantes

Il s’agit d’annuités dont les montants n’ont, a priori, aucun rapport les
uns avec les autres et ne suivent aucune progression particulière.
Exemple 2.8. Antoine exerce une profession libérale. Il alimente un plan

d’épargne rémunéré à 3 % annuels en versant au début de chaque
année les montants indiqués dans le tableau suivant.
Date Annuité
1/01/2017 5 217 €
1/01/2018 4 312 €
1/01/2019 2 457 €
1/01/2020 3 989 €
1/01/2021 6 071 €
Quelle a été la valeur acquise par son plan d’épargne le 1er janvier
2021 ?
Quels ont été les intérêts acquis sur toute la période ?
Réponse : Nous allons compléter le tableau d’annuités en y ajoutant une
date de référence (qui est la date à laquelle nous effectuons le calcul) et
des colonnes supplémentaires qui indiqueront le nombre de périodes à

prendre en compte pour chaque annuité et qui permettront de calculer
la valeur acquise par chaque annuité.
La valeur acquise du plan d’épargne sera alors la somme de toutes les
valeurs acquises par les annuités.
Comme les durées sont ici des nombres entiers d’années, nous utilise-
rons la formule des intérêts composés pour calculer les valeurs acquises
(voir 2.7).
Le nombre de périodes est compté depuis la date de l’opération (en
tête de ligne), jusqu’à la date de référence.
Date de référence 1/01/2021

Date Annuité Nombre de périodes Valeur acquise
4 périodes depuis le
1/01/2017 5 217 € 1/01/2017 jusqu’à la 5 217 × (1,03)4 = 5 871,78 €
date de référence
1/01/2018 4 312 € 3 4 312 × (1,03)3 = 4 711,84 €
1/01/2019 2 457 € 2 2 457 × (1,03)2 = 2 606,63 €
1/01/2020 3 989 € 1 3 989 × (1,03)1 = 4 108,67 €
1/01/2021 6 071 € 0 6 071 × (1,03)0 = 6 071 €
Valeur acquise 23 369,92 € (somme de toute la colonne)
La valeur acquise de son plan d’épargne sera alors 23 369,92 €.

Pour calculer les intérêts acquis, on additionne tous les montants ver-
sés, et on les retranche de la valeur acquise.
Montants versés : 5 217 + 4 312 + 2 457 + 3 989 + 6 071 = 22 046 €
Intérêts acquis : 23 369,92 − 22 046 = 1 323,92 €
Ordre de grandeur : La valeur acquise par chaque versement est évi-
demment toujours supérieure au montant du versement (puisqu’elle com-
prend les intérêts). De même, la valeur acquise totale est toujours supé-
rieure à la somme des montants versés.
Exemple 2.9. Pour le cas étudié à l’exemple 2.8, calculer la valeur actuelle

en considérant que la rente est à termes échus.
Réponse : Il faut tout d’abord déterminer la date de référence car c’est elle
qui nous permettra de compter les périodes. Ensuite, nous procéderons
de la même manière que pour la valeur acquise.
La rente étant à termes échus, la date de référence se situe une période

avant le premier versement (voir définitions du 2.9). Ici, les périodes sont
des années.
D’après le tableau, le premier versement a lieu le 1/01/2017 donc la
date de référence sera le 1/01/2016.
Date Annuité Nombre de périodes Valeur actuelle
-1 période depuis le
1/01/2017 5 217 € 1/01/2017 jusqu’à la 5 217 × (1,03)-1 = 5 065,05 €
date de référence
1/01/2018 4 312 € -2 4 312 × (1,03)-2 = 4 064,47 €
1/01/2019 2 457 € -3 2 457 × (1,03)-3 = 2 248,50 €
1/01/2020 3 989 € -4 3 989 × (1,03)-4 = 3 544,17 €
1/01/2021 6 071 € -5 6 071 × (1,03)-5 = 5 236,90 €
Valeur actuelle 20 159,09 € (somme de toute la colonne)
Attention : Comme on va toujours de la date de l’opération

vers la date de référence (jamais en sens inverse), on comp-
tera les périodes à l’aide de nombres négatifs. S’il y a une pé-
riode entre le 1/01/2017 et le 1/01/2018, alors il y a -1 période
entre le 1/01/2017 et le 1/01/2016.
Interprétation : Verser 5 217 € sur son plan d’épargne le 1/01/2017

produit les mêmes intérêts à terme que de verser 5 065,05 € le 1/01/2016.
Si Antoine avait versé d’un coup la somme de 20 159,09 € sur le plan
d’épargne le 1/01/2016, il aurait obtenu la même valeur acquise à terme.
Vérification à la calculatrice :
On retrouve bien la valeur acquise de l’exemple 16 (avec une diffé-

rence d’un centime qui est due aux arrondis).
Ordre de grandeur : La valeur actuelle pour chaque versement est tou-
jours inférieure au montant du versement. La valeur actuelle totale est
toujours inférieure au total des versements.
Exemple 2.10. Pour le cas étudié à l’exemple 2.8, calculer la valeur ac-

tuelle en considérant que la rente est différée de 2 périodes.
Réponse : Il faut tout d’abord déterminer la date de référence car c’est elle
qui nous permettra de compter les périodes. Ensuite, nous procéderons
de la même manière que pour la valeur acquise.
La rente étant différée de 2 périodes, la date de référence se situe trois
périodes avant le premier versement. En effet, la situation standard est
la rente à termes échus. On considère donc ici qu’au lieu d’effectuer le
premier versement une période après la date de référence, on l’a effec-
tué trois périodes après (puisque l’on a différé de deux périodes). Ici, les
périodes sont des années.
Une fois la date de référence trouvée, on procède comme précédem-
ment.
-3 périodes depuis le
1/01/2017 5 217 € 1/01/2017 jusqu’à la 5 217 × (1,03)-3 = 4 774,29 €
date de référence
1/01/2018 4 312 € -4 4 312 × (1,03)-4 = 3 831,16 €
1/01/2019 2 457 € -5 2 457 × (1,03)-5 = 2 119,43 €
1/01/2020 3 989 € -6 3 989 × (1,03)-6 = 3 340,72 €
1/01/2021 6 071 € -7 6 071 × (1,03)-7 = 4 936,28 €
Valeur actuelle 19 001,88 €
Exemple 2.11. Pour le cas étudié à l’exemple 2.8, calculer la valeur ac-

tuelle en considérant que la rente est versée d’avance.
Réponse : Comme précédemment, il faut tout d’abord déterminer la date
de référence. Ensuite, nous procéderons de la même manière que pour
la valeur acquise.
La rente étant versée d’avance, la date de référence est celle du premier
versement (voir 2.9).
Une fois la date de référence trouvée, on procède comme aux exemples
2.9 et 2.10.

1/01/2017 5 217 € 0 5 217 × (1,03)0 = 5 217 €
1/01/2018 4 312 € -1 4 312 × (1,03)-1 = 4 186,41 €
1/01/2019 2 457 € -2 2 457 × (1,03)-2 = 2 315,96 €
1/01/2020 3 989 € -3 3 989 × (1,03)-3 = 3 650,50 €
1/01/2021 6 071 € -4 6 071 × (1,03)-4 = 5 394 €
Valeur actuelle 20 763,87 €
Dans le cas général où les annuités ne sont pas versées le premier jan-
vier, alors le calcul à faire doit prendre en compte le fait que les intérêts
du plan d’épargne sont crédités au 1er janvier de l’année courante. Pour
chaque annuité, il y a donc une partie à calculer en intérêts simples (pour
aller jusqu’au premier calcul d’intérêts), puis en intérêts composés pour
les années pleines, puis en intérêts simples pour arriver à la date de réfé-
rence si celle-ci n’est pas un 1er janvier. Pour simplifier, un tel exemple
n’est pas traité ici mais le lecteur a tous les outils pour le modéliser seul.
2.11. Exercices d’application : annuités indépendantes

Exercice 2.13. Sur un placement à 2,5 % d’intérêts annuels, on dépose
les sommes suivantes sans faire d’autres opérations :
Date Versement
31/12/2016 5 000 €
31/12/2017 3 250 €
31/12/2018 2 500 €
31/12/2019 4 800 €
31/12/2020 2 000 €
Quelle sera la valeur acquise au 31/12/2020 ?

Date Versement
1/1/2016 2 700 €
1/1/2017 1 100 €
1/1/2018 570 €
1/1/2019 1 200 €
1/1/2020 2 300 €
a) Quelle sera la valeur acquise au 31/12/2020 ?

b) À combien se montent les intérêts acquis ?

Date Versement
1/1/2017 1 500 €
1/1/2018 300 €
1/1/2019 250 €
1/1/2020 200 €
1/1/2021 ?
Au 1/1/2022, les intérêts acquis se montent à 181,16€.

Quel est le montant du versement du 1/1/2021 ?
Exercice 2.16. On verse 700 € au début de chaque année sur un livret

rémunéré à 2 % annuels. On modélise la situation sur tableur dans la
feuille de calcul ci-dessous.
a) Quelle formule a-t-on inscrite en cellule C2, puis étirée et C3 et C4 ? © EMS Editions | Téléchargé le 10/06/2023 sur www.cairn.info via CERIST (IP: 193.194.76.5)
b) Quelles formules doit-on inscrire dans les cellules F4, F5 et F6 ?

c) Quels nombres s’affichent alors dans les cellules F5 et F6 ?
Exercice 2.17. Pour les données de l’exercice 2.13 :

a) Calculer la valeur actuelle dans le cas d’une rente à termes échus.
b) Calculer la valeur actuelle dans le cas d’une rente à échoir.
c) Calculer la valeur actuelle dans le cas d’une rente différée de deux
périodes.
Solutions :
2.13. 18 565,52 €
2.14. a) 8 345,29€ b) 475,29 €
2.15. 500 €
2.16. a) =B2*(1+F$1)^(F$2-A2)
b) =SOMME(B:B) =F6-F4 =SOMME(C:C)
c) 85,13 € et 2 185,13 €
2.17. a) 16 409,22 € b) 16 819,45 € c) 15 618,53 €
2.12. Suite d’annuités constantes

Dans ce paragraphe et les deux suivants, nous allons voir que, dans
le cas où le montant des annuités est constant ou suit une progression
logique, alors la valeur acquise et la valeur actuelle peuvent être détermi-
nées par des formules de calcul et qu’il n’y a donc pas besoin de réaliser
de tableau d’annuités, comme dans le paragraphe précédent.
Remarque : Pour la valeur actuelle, les rentes seront supposées à termes
échus dans les paragraphes 2.12, 2.13 et 2.14.
Exemple 2.12. On alimente un plan d’épargne rémunéré à 3 % annuels

en y versant chaque année 5 000 € à partir du 1/01/2024 et pendant
cinq ans.
Déterminer la valeur acquise au jour du cinquième versement.
Pour déterminer les formules de calcul, nous allons dresser un ta-
bleau d’annuités comme précédemment.
Commençons par la valeur acquise. Le cinquième versement aura
lieu le 1/01/2028, ce qui nous donne la date de référence.
Date Annuité Nombre de périodes Valeur acquise
1/01/2024 5 000 € 4 5 000 × (1,03)4
1/01/2025 5 000 € 3 5 000 × (1,03)3
1/01/2026 5 000 € 2 5 000 × (1,03)2
1/01/2027 5 000 € 1 5 000 × (1,03)1
1/01/2028 5 000 € 0 5 000 × (1,03)0
Le résultat de chaque calcul a été volontairement omis, afin de se

concentrer sur les formules des intérêts composés figurant dans la der-
nière colonne.
En observant ces formules, on se rend compte qu’elles forment une
suite géométrique de cinq termes, de raison 1,03 et de premier terme
5 000 (si l’on lit de bas en haut).
Rappel : Une suite de nombre est géométrique si le quotient de deux

nombres consécutifs de la suite est constant. Ce quotient constant est ap-
pelé la raison de la suite.
Par exemple, la suite 3; 6; 12; 24; 48; 96 est une suite géométrique de
premier terme égal à 3, comprenant six termes et de raison 2 (chaque
nombre de la suite est égal à 2 fois celui qui le précède).
Il existe une formule pour calculer la somme de n termes d’une suite
géométrique. Si l’on appelle le premier terme u1 et la raison q, alors on a :
Nous pouvons donc nous servir de cette formule pour calculer direc-
tement la valeur acquise du plan d’épargne, qui s’avère être la somme des
termes d’une suite géométrique. Nous obtenons donc le résultat final en
un seul calcul au lieu de cinq.
Le lecteur peut vérifier qu’en faisant les calculs séparément, comme au

2.10, on obtient le même résultat.
Nous nous rendons compte à l’étude de l’exemple précédent, que nous
aurons pu trouver cette valeur acquise à l’aide de la formule de la somme
des termes d’une suite géométrique, sans même faire le tableau. Nous
pouvons donc en déduire une formule générale qui donnera la valeur
acquise d’un plan d’épargne alimenté par annuités constantes.
Nous ne le détaillerons pas ici, mais par un raisonnement équivalent,
on détermine également une formule donnant la valeur actuelle du plan
d’épargne (nous nous limiterons aux rentes à termes échus, même si des
formules peuvent être également déterminées pour les rentes anticipées
ou différées).
Formules pour les suites d’annuités constantes :
Notations :
A : montant de l’annuité constante
t : taux d’intérêt (au format décimal)
n : nombre d’annuités
Exemple 2.13. Quel est le montant du versement annuel fixe qui permet,

après 10 annuités, de se constituer un capital de 100 000 € à un taux
d’intérêt de 3 % annuels ?
Ordre de grandeur : 100 000 ÷ 10 = 10 000. Donc, sans intérêts, il
aurait fallu verser 10 fois 10 000 €. Avec les intérêts, on s’attend donc à ce
que le montant des annuités soit légèrement inférieur à 10 000 €.
Réponse : Ici, les données de l’énoncé sont :
• Nombre d’annuités : n = 10
• Valeur acquise = 100 000 €
• Taux d’intérêt : t = 0,03
Nous substituons donc ces données dans la formule de calcul de la
valeur acquise ci-dessus et nous obtenons l’équation suivante :
On résout cette équation pour répondre à la question posée :

Il faudra donc verser chaque année 8 723,05 € sur le plan d’épargne
pour disposer de 100 000 € après 10 ans.
2.13. Suite d’annuités en progression arithmétique

Rappel : Une suite de nombre est arithmétique si la différence entre
deux nombres consécutifs de la suite est constante. Cette différence
constante est appelée la raison de la suite.
Par exemple, la suite 3; 5; 7; 9; 11; 13 est une suite arithmétique de pre-
mier terme égal à 3, comprenant six termes et de raison 2 (chaque nombre
de la suite est égal à celui qui le précède plus 2).
Si l’on décide d’alimenter un plan d’épargne en faisant augmenter
(ou diminuer) les annuités selon une progression arithmétique, alors il
existe des formules permettant de calculer la valeur acquise et la valeur
actuelle (pour une rente à termes échus) du plan d’épargne sans avoir
besoin de dresser le tableau d’annuités.
Formules pour les suites d’annuités en progression

arithmétique :
Notations :
a : montant de la première annuité
r : raison de la suite
Exemple 2.14. On place une certaine somme sur un compte rémunéré à

1,9 % le 1/1/2021 et, chaque année, on effectue un versement supé-
rieur de 100 € à celui de l’année précédente.
Immédiatement après le cinquième versement, on dispose de
8 809,65 €.
Quel est le montant du premier versement ?
Réponse : Les mots « on effectue un versement supérieur de 100 € à celui
de l’année précédente » indiquent une suite d’annuités en progression
arithmétique. L’énoncé nous indique les données suivantes :
• Taux d’intérêt : t = 0,019
• Nombre d’annuités : n = 5
• Valeur acquise = 8 809,65
• Raison de la suite : r = 100
On substitue ces données dans la formule de la valeur acquise des
suites d’annuités en progression arithmétique. On obtient alors l’équa-
tion suivante :
Il est conseillé de s’aider de la calculatrice pour résoudre cette équa-

tion.
Le montant du premier versement était donc de 1 500 €.
2.14. Suite d’annuités en progression géométrique

Une suite d’annuité suit une progression géométrique si le montant
des versements augmente (ou diminue) à chaque période d’un pourcen-
tage constant. Dans ce cas, il existe des formules permettant de calculer
la valeur acquise et la valeur actuelle du plan d’épargne (pour une rente à
termes échus), mais nous allons devoir distinguer deux cas, comme nous
allons le voir en étudiant les deux exemples suivants.
Exemple 2.15. Cas où le taux de progression des annuités est différent

du taux d’intérêt : On décide de verser 20 000 € sur un placement
rémunéré le 1/1/2021, puis, chaque année, d’effectuer un versement
supérieur de 3 % au versement de l’année précédente.
De quelle somme disposera-t-on après le quatrième versement si le
taux d’intérêt est de 2,5 % annuels ?
La donnée « un versement supérieur de 3 % au versement de l’année
précédente » indique une suite d’annuités en progression géométrique.
On commence par dresser le tableau d’annuités, de manière à déter-
miner la formule de calcul.
Date Versement Périodes Valeur acquise
1/01/2021 20 000 3 20 000 × 1,0253
1/01/2022 20 000 × 1,03 2 20 000 × 1,03 × 1,0252
1/01/2023 20 000 × 1,032 1 20 000 × 1,032 × 1,025
1/01/2024 20 000 × 1,033 0 20 000 × 1,033
En observant la colonne « valeur acquise », on constate que l’on peut

passer d’une ligne à l’autre en multipliant par 1,03 et en divisant par
1,025. Les quatre valeurs acquises forment donc une suite géométrique
de raison . On peut donc calculer leur somme à l’aide de la formule

de la somme des termes d’une suite géométrique, donnée au 2.12. C’est
ainsi que l’on en déduira la formule de calcul de la valeur acquise.
Nous terminerons le calcul après avoir donné les formules. En pratique,
nous n’aurons pas besoin de dresser le tableau.
Exemple 2.16. Cas où le taux de progression des annuités est égal au taux

d’intérêt : On décide de verser 20 000 € sur un placement rémunéré
le 1/1/2021, puis, chaque année, d’effectuer un versement supérieur
de 3 % au versement de l’année précédente.
De quelle somme disposera-t-on après le quatrième versement si le
taux d’intérêt est de 3 % annuels ?
Comme pour l’exemple 2.15, on commence par dresser le tableau
d’annuités, de manière à déterminer la formule de calcul.
Date Versement Périodes Valeur acquise
1/01/2021 20 000 3 20 000 × 1,033
1/01/2022 20 000 × 1,03 2 20 000 × 1,03 × 1,032
1/01/2023 20 000 × 1,032 1 20 000 × 1,032 × 1,03
1/01/2024 20 000 × 1,033 0 20 000 × 1,033
Cette fois, en observant les valeurs de la colonne « valeurs acquise »,
on constate qu’elles sont toutes égales (en additionnant les exposants des
puissances). La valeur acquise du plan vaut donc quatre fois celle de l’une
des lignes. Dans ce cas, nous utiliserons donc des formules différentes de
celles de l’exemple 2.15.
Remarque : Pour l’exemple 2.15 comme pour l’exemple 2.16, on peut
faire un raisonnement similaire sur le calcul de la valeur actuelle.
Formules pour les suites d’annuités en progression

géométrique :
• Si le taux de progression des annuités est différent du
taux d’intérêt :
• Si le taux de progression des annuités est égal au taux

d’intérêt :
Notations :
a : montant de la première annuité
q : coefficient multiplicateur de la progression des montants
des annuités
Attention : Si les annuités augmentent à chaque période de 3%, alors

q = 1,03 et pas 0,03. Il s’agit du coefficient multiplicateur et non du taux
de progression.
Nous pouvons donc utiliser ces formules pour répondre aux ques-
tions des exemples 2.15 et 2.16. En pratique, pour des suites d’annuités
en progression géométrique, il est inutile de dresser le tableau d’annuités
puisque les formules donnent directement le résultat.
Ordre de grandeur : Pour l’exemple 2.15, le premier versement est de
20 000 € et les trois autres versements sont légèrement supérieurs. On a
versé en tout un peu plus de 80 000 € et l’on s’attend donc à trouver une
valeur acquise supérieure à ce montant (en raison des intérêts).
Fin de l’exemple 2.15 : Ici, le taux de progression des annuités est dif-
férent du taux d’intérêt. On utilisera donc les formules du premier cadre
ci-dessus.
Ordre de grandeur : Dans l’exemple 2.16, le taux d’intérêt est légère-

ment supérieur à celui de l’exemple 2.15. On s’attend donc à trouver une
valeur acquise légèrement plus élevée que 86 783,68 €.
Fin de l’exemple 2.16 : Ici, le taux de progression des annuités est égal
au taux d’intérêt. On utilisera donc les formules du second cadre ci-des-
sus.
2.15. Exercices d’application : suites d’annuités
Exercice 2.18. On dépose 1 000 € par an sur un placement rémunéré

à 5 % annuels pendant six ans.
a) Calculer la valeur acquise.
b) Calculer les intérêts acquis.
c) Calculer la valeur actuelle.
Exercice 2.19. Calculer le montant de l’annuité constante de chacun de

ces placements :
a) Taux d’intérêt : 2 %, Nombre d’années : 3, Valeur acquise : 15 302 €
b) Taux d’intérêt : 1 %, Nombre d’années : 7, Intérêts acquis :
1 708,28 €
c) Taux d’intérêt : 2,5 %, Nombre d’années : 4, Valeur actuelle :
8 803,02 €
Exercice 2.20. On modélise un versement d’annuités constantes sur

tableur comme suit :
a) Quelles formules entrer dans les cellules B5, B6 et B7 ?

b) Quels nombres apparaissent alors en B5, B6 et B7 ?
Exercice 2.21.
a) Pendant combien d’années a-t-on versé 10 000 € annuels sur un
placement rémunéré à 2,5 % annuels pour obtenir une valeur acquise
de 75 474,30 € ?
b) Pendant combien d’années a-t-on versé 5 000 € annuels sur
un placement rémunéré à 3 % annuels si la valeur actuelle est de
27 085,96 € ?
Exercice 2.22. Le taux de rémunération annuel d’un placement est de

1 %. On effectue des versements mensuels de 750 €. À combien se
montent les intérêts acquis de ces versements au bout d’un an ?
Exercice 2.23.
a) Sur un placement rémunéré à 3,7 % annuels, Alain effectue un ver-
sement par an pendant dix ans. Le premier versement est de 975 €
et chacun des autres versements est supérieur de 25 € au précédent.
Calculer la valeur actuelle, la valeur acquise et les intérêts acquis au
bout des dix années.
b) Sur ce même placement, Bertrand effectue un premier versement
annuel, puis cinq autres versements annuels dont chacun est supé-
rieur de 100 € au précédent. La valeur acquise est de 6 263,29 €. À
combien se monte le premier versement ?
c) Sur ce même placement, Caroline effectue neuf versements annuels
en progression arithmétique. Le premier versement est de 450 €. La
valeur actuelle est de 3 817,06 €.
À combien se monte la différence entre deux versements consécu-
tifs ?
Exercice 2.24. On considère un placement rémunéré à 5 % annuels.
a) On y effectue un premier versement annuel de 1 000 €, puis cinq
autres versements annuels dont chacun est d’un montant supérieur
de 3 % au précédent.
Calculer la valeur acquise et la valeur actuelle.
b) On y effectue quinze versements en progression géométrique dont
chacun (sauf le premier) est d’un montant supérieur de 4 % au précé-
dent, pour obtenir une valeur acquise de 57 681,82 €.
Quel a été le montant du premier versement ?
Exercice 2.25.
a) Sur un placement rémunéré, on effectue un premier versement
annuel de 6 300 €, puis trois autres versements annuels de sorte que
chacun d’eux soit supérieur au précédent d’un pourcentage égal au
taux d’intérêt annuel de ce placement.
Si l’on obtient une valeur acquise de 27 376,62 €, à combien se monte
le taux d’intérêt annuel ?
b) Sur ce même placement, on effectue des versements annuels en
progression géométrique de sorte que chaque versement (sauf le pre-
mier) soit d’un montant supérieur de 2,8 % au précédent. Le premier

versement est de 9 700 €. La valeur actuelle est de 94 357,98 €.
Combien de versements ont été effectués ?
Solutions :
2.18. a) 6 801,91 € b) 801,91 € c) 5 075,69 €
2.19. a) 5 000 € b) 8 000 € c) 2 340 €
2.20. a) B5 : =B2*((1+B1)^B3-1)/B1 B6: =B5-B3*B2
B7: =B2*(1-(1+B1)^-B3)/B1
b) 3 762,33 € 262,33 € 3 186,81 €
2.21. a) 7 ans b) 6 ans
2.22. 41,18 €
2.23. a) 8 892,26 € 12 787,91 € 1 912,91 € b) 712 €
c) 15 €
2.24. a) 7 302,17 € et 5 448,99 € b) 2 075 €
2.25. a) 2,8% b) 10
2.16. Remboursement d’emprunts, amortissements

Dans les paragraphes 1 à 15, nous avons traité de l’épargne. Dans ce
paragraphe et les suivants, nous allons traiter des emprunts bancaires et
de leur remboursement.
On traitera ici le cas des emprunts indivis, c’est-à-dire des emprunts
ne concernant qu’un seul prêteur (en général un organisme financier).
Le prêteur se prive d’une partie de son capital en la mettant à disposi-
tion de l’emprunteur. En contrepartie, l’emprunteur verse des intérêts au
prêteur en plus du remboursement de la somme. Les intérêts constituent
donc la rémunération du prêteur pour le service rendu à l’emprunteur.
Taux Annuel Effectif Global (TAEG) : Taux d’intérêt comprenant :
• La rémunération du préteur (Taux nominatif) ;
• Les frais divers (ex. : frais d’inscription, de dossier…) ;
• L’assurance du prêt.
La mention du TAEG est obligatoire dans toute offre de crédit ou toute
publicité pour un crédit, aux termes de l’article L-314.5 du Code de la
Consommation.
L’emprunt est remboursable par annuités, chaque annuité compre-
nant :
• Une part consacrée au remboursement du capital (l’amortisse-

ment) ;
• Une part consacrée au paiement des intérêts.
Le tableau récapitulatif listant les annuités s’appelle tableau d’amor-
tissement.
La somme des intérêts représente le coût de l’emprunt ou du crédit.
Nous allons apprendre à analyser des emprunts bancaires de ma-
nière à :
• dresser leur tableau d’amortissement ;
• calculer leur coût pour l’emprunteur.
Dans les paragraphes 17 à 20, on analysera l’exemple d’un emprunt
de 100 000 €, remboursable par mensualités sur une durée de 17 ans,
soumis à un TAEG de 2,4 %.
On emprunte un capital C, à un Taux Annuel Effectif Global pendant
une durée . Nous allons d’abord trouver les valeurs de C, n et t pour le cas
mentionné ci-dessus.
On a évidemment C = 100 000 €.
L’emprunt étant remboursable par mensualités, la durée de l’emprunt
se mesurera en mois. n est donc le nombre de mois contenus dans 17 an-
nées.
n = 17 × 12 = 204 mois
Les périodes étant des mois, nous avons besoin du taux d’intérêt
mensuel. Il faut donc le déduire du taux annuel donné.
On trouve le taux mensuel en divisant le taux annuel par 12.
(soit 0,2 % d’intérêt mensuel)
Remarque : La division par 12 est une approximation utilisée par les

banques pour déterminer le taux mensuel avec lequel elles vont travailler.
L’exactitude mathématique aurait voulu que le taux mensuel soit obtenu
en calculant la racine douzième du coefficient multiplicateur annuel, puis
en retranchant 1. Mais ce n’est pas ainsi que les banques procèdent.
L’emprunteur potentiel sollicite un emprunt auprès d’une banque ou
d’une société de crédit. Les deux parties évaluent alors, en fonction des
revenus de l’emprunteur, sa capacité de remboursement et son reste à
vivre (de manière à s’assurer que l’emprunteur aura les moyens de rem-
bourser son dû et de subvenir à ses besoins durant cette période). Puis,
elles déterminent la durée de l’emprunt, négocient le taux d’intérêt et
les modalités de remboursement (période de remboursement, pénali-
tés de remboursement anticipé, assurance, caution…). Elles se mettent

enfin d’accord sur le mode de remboursement de l’emprunt. Le prêteur
collecte les pièces de l’emprunteur, édite le contrat (mentionnant obli-
gatoirement le coût total de l’emprunt et détaillant le tableau d’amortis-
sement) et le fait signer par toutes les parties, puis débloque les fonds et
lance les prélèvements sur le compte de l’emprunteur.
Dans les trois paragraphes suivants, nous allons étudier trois modes
différents de remboursement d’un emprunt bancaire :
• le remboursement à annuités constantes,
• le remboursement à amortissement constant,
• le remboursement in fine.
Dans le cas étudié, les périodes sont des mois mais les formules de
calcul qui seront données sont utilisables pour tous types de périodes (an-
nées, trimestres…).
2.17. Remboursement d’emprunt par annuités constantes

Ce mode de remboursement consiste à verser au prêteur le même
montant à chaque période, pendant toute la durée du remboursement. Il
convient donc de calculer le montant de l’annuité constante en fonction
de C, n et t.
Formule de calcul de l’annuité constante :
Appliquons cette formule au cas étudié :
L’emprunteur remboursera donc 597,46 € chaque mois pendant

17 ans.
On dresse ensuite le tableau d’amortissement :
Mois Restant dû Intérêts Amortissement Mensualité
1 100 000 € 200 € 397,46 € 597,46 €
2 99 602,54 € 199,21 € 398,26 € 597,46 €
3 99 204,28 € 198,41 € 399,05 € 597,46 €
… et ainsi de suite jusqu’au dernier mois (période n°204).

Étapes de remplissage du tableau d’amortissement :

1. Le premier restant dû est égal au capital emprunté (ici : 100 000 €).
2. Dans toute la colonne « mensualité », on reporte la valeur de la
mensualité constante trouvée précédemment (ici : 597,46 €).
3. On calcule les intérêts de la première ligne en multipliant le
restant dû par le taux d’intérêt mensuel (ici : 100 000 × 0,002 =
200 €).
4. L’amortissement est la différence entre la mensualité et les inté-
rêts (ici : 597,46 − 200 = 397,46).
5. Le restant dû de la ligne suivante est la différence entre le restant
dû et l’amortissement (ici : 100 000 − 397,46 = 99 602,54).
6. On recommence les étapes précédentes pour toutes les lignes du
tableau.
Remarque : Plus les périodes passent, plus le restant dû diminue, plus
les intérêts à payer diminuent. Les mensualités restant constantes, il en
résulte que l’amortissement augmente période après période.
Il reste à calculer le coût total de l’emprunt.
Le coût de l’emprunt est la différence entre la somme rem-

boursée et la somme empruntée.
Ici, nous avons remboursé 204 fois 597,46 € et nous avons emprunté
100 000 €.
Le coût total de l’emprunt se montera donc à 204 × 597,46 − 100 000 =
21 881,84 €.
En général, étant donné le très grand nombre de lignes du tableau
d’amortissement, on le modélise au tableur. On peut alors retrouver la va-
leur du coût de l’emprunt en effectuant la somme de la colonne « Intérêts ».
On trouve évidemment le même résultat, moyennant la correction des
arrondis.
2.18. Remboursement d’emprunt à amortissement

constant
Ce mode de remboursement consiste à amortir à chaque période la
même fraction de la somme à rembourser. Il convient donc de calculer le
montant de l’amortissement constant en fonction de C et n.
Ce calcul est extrêmement simple. En effet, nous connaissons le mon-
tant à amortir et le nombre de périodes pour le faire. L’amortissement
constant à chaque période est donc le résultat d’une simple division.
Formule de calcul de l’amortissement constant :
Pour le cas étudié, nous avons 100 000 € à amortir en 204 périodes. Le

montant de l’amortissement constant sera donc :
L’emprunteur amortira donc 490,20 € chaque mois pendant 17 ans

(hors intérêts).
On dresse ensuite le tableau d’amortissement :
1 100 000 € 200 € 490,20 € 690,20 €
2 99 509,80 € 199,02 € 490,20 € 689,22 €
3 99 019,60 € 198,04 € 490,20 € 688,24 €
… et ainsi de suite jusqu’au dernier mois (période n°204).
Étapes de remplissage du tableau d’amortissement :

1. Le premier restant dû est égal au capital emprunté (ici : 100 000 €).
2. Dans toute la colonne « amortissement », on reporte la valeur de
l’amortissement constant trouvé précédemment (ici : 490,20 €).
3. On calcule les intérêts de la première ligne en multipliant le
restant dû par le taux d’intérêt mensuel (ici : 100 000 × 0,002 =
200 €).
4. La mensualité est la somme de l’amortissement et des intérêts
(ici : 490,20 + 200 = 690,20).
5. Le restant dû de la ligne suivante est la différence entre le restant
dû et l’amortissement (ici : 100 000 − 490,20 = 99 509,80).
6. On recommence les étapes précédentes pour toutes les lignes du
tableau.
Remarque : Plus les périodes passent, plus le restant dû diminue, plus
les intérêts à payer diminuent. L’amortissement restant constant, il en
résulte que les mensualités diminuent période après période. Ce mode de
remboursement peut aider à préserver son pouvoir d’achat sur la période
de remboursement, à condition d’avoir les moyens de payer des mensua-
lités élevées au début.
Il reste à calculer le coût total de l’emprunt.
Le coût de l’emprunt est la somme des intérêts.
Le restant dû diminuant régulièrement du même montant, il en est de

même des intérêts, qui sont proportionnels au restant dû. Les montants
successifs des intérêts forment donc une suite arithmétique. Il existe par
conséquent une formule pour calculer la somme de ses termes et nous en
déduiront une formule de calcul du coût de l’emprunt à amortissement
constant.
Rappel : Pour une suite arithmétique de premier terme u1, de raison r
et comprenant n termes, la somme de ses termes se calcule ainsi :
Coût de l’emprunt à amortissement constant :
où a représente l’amortissement constant.
Ici, nous obtenons :

Le coût total de l’emprunt se montera donc à 20 499,84 €.
On remarque que le coût est légèrement moins élevé que pour le rem-
boursement par annuités constantes. Cela tient au fait que le restant dû
diminuant plus rapidement au début du remboursement, les intérêts
à payer diminuent plus rapidement également. Pour rembourser par
amortissement constant, il faut néanmoins avoir les moyens de payer
des mensualités élevées au début. L’intérêt du remboursement par amor-
tissement constant est que, les mensualités étant élevées au début, puis
diminuant, il permet de compenser l’inflation et de faire baisser plus
rapidement son taux d’endettement.
2.19. Remboursement d’emprunt in fine

Le principe du remboursement d’emprunt in fine est le suivant : pen-
dant toute la durée du prêt, on ne paie que les intérêts sans rembourser
le capital initial.
Le capital initial est remboursé dans sa totalité avec la dernière an-
nuité.
On dresse le tableau d’amortissement.

1 100 000 € 200 € 0€ 200 €
2 100 000 € 200 € 0€ 200 €
⁞ ⁞ ⁞ ⁞ ⁞
203 100 000 € 200 € 0€ 200 €
204 100 000 € 200 € 100 000 € 100 200 €
Le calcul des intérêts se fait comme précédemment.

Toutes les lignes sont identiques sauf la dernière.
Le coût de l’emprunt est égal à la somme des intérêts.
On doit donc additionner n fois le résultat de C x t.
Coût de l’emprunt in fine : S = n × C × t
Ici, le coût de l’emprunt se monte à 204 × 100 000 × 0,002 = 40 800 €.

Le remboursement in fine est donc bien plus onéreux que les autres
modes de remboursement. Il est utilisé par des organismes qui ont be-
soin de disposer de fonds important pendant toute la période du prêt
(par exemple des États).
Quand on décide de rembourser in fine, il faut se donner les moyens
de payer la dernière annuité qui est très élevée. On peut pour cela faire
fructifier les fonds à disposition de manière à produire suffisamment
de richesse à terme. On peut également contracter un nouvel emprunt
juste avant l’expiration du premier. Le remboursement in fine comporte
donc une prise de risque. Il concerne principalement les organisations
et entreprises pérennes, les États, les collectivités locales. Il est moins
pertinent pour les particuliers.
2.20. Exercices d’application : amortissements
Exercice 2.26. On contracte un emprunt d’un montant de 75 000 €

remboursable sur 20 ans à un TAEG annuel de 4 %. On choisit un
remboursement mensuel à mensualités fixes.
a) Quel est le montant de la mensualité ?
b) Dresser les trois premières lignes du tableau d’amortissement.
c) Quel est le coût total du crédit ?
d) Quel aurait été le coût total du crédit si l’on avait choisi un rem-
boursement annuel ?
Exercice 2.27. Pour le même emprunt qu’à l’exercice précédent, on

choisit un remboursement mensuel à amortissement fixe.
a) Quel est le montant de l’amortissement ?
b) Dresser les trois premières lignes du tableau d’amortissement.
c) Quel est le coût total du crédit ?
d) Quel aurait été le coût total du crédit si l’on avait choisi un rem-
boursement annuel ?
Exercice 2.28. Pour le même emprunt qu’à l’exercice précédent, on

opte pour un remboursement in fine avec paiement d’intérêts annuel.
a) Détailler le montant des différentes annuités.
b) Quel est le coût total du crédit ?
c) Quel aurait été le coût total du crédit si l’on avait choisi un rembour-
sement mensuel ?
Exercice 2.29. Pour financer l’achat de sa maison, la famille Duplan

veut contracter un emprunt immobilier de 90 000 € à un TAEG annuel
de 3 % sur 30 ans. Ils optent pour un remboursement in fine, espérant
placer le montant de l’amortissement économisé pour compenser le
surcoût de crédit. Ils remboursent les intérêts par mensualités.
a) Donner le coût total du crédit avec un remboursement in fine et
le coût total du crédit avec un remboursement à amortissement
constant.
M. et Mme Duplan cherchent donc un placement où ils effectueraient
chaque mois pendant 30 ans un versement correspondant au mon-
tant de l’amortissement, leur permettant ainsi de rembourser le capi-
tal avec la dernière mensualité.
b) S’ils choisissent une assurance-vie à 2,7 % annuels, auront-ils réa-
lisé une bonne opération ?
Exercice 2.30.
a) M. Duval rembourse un crédit immobilier à un taux de 2,5 % an-
nuels par mensualités de 402,26 € sur 12 ans. Quel est le montant du
capital emprunté ?
b) Mme Lapierre rembourse un prêt de 65 000 € par versements tri-
mestriels constants de 1 905,28 € à un taux annuel de 3,2 %. Quelle
est la durée de son crédit ?
Exercice 2.31. Mme Delarue rembourse un crédit sur 9 ans à amor-

tissement constant en effectuant des versements semestriels. La
somme empruntée est de 37 260 € et le coût total du crédit est de
6 371,46 €.
a) Retrouver le TAEG annuel.
b) Quelle aurait été le coût du crédit si Mme Delarue avait opté pour
des versements constants ?
Exercice 2.32. La famille Galipeau veut acheter une maison à 250 000 €

avec un apport initial de 155 000 €. Leur banquier estime leur capa-
cité de remboursement à 850 € mensuels et leur parle d’un crédit à
un TAEG annuel de 2,4 %.
a) En optant pour des mensualités constantes, en combien d’années
entières au minimum vont-ils pouvoir rembourser ce crédit ?
b) À quel coût ?
c) Quel aurait été le coût du crédit si la famille Galipeau avait opté
pour un remboursement in fine sur la même durée ?
Exercice 2.33. Construire la feuille de calcul suivante au tableur, modé-

lisant un tableau d’amortissement avec remboursement par mensua-
lités constantes :
a) Quelle formule taper en cellule I2 ?
b) Quel est le montant de l’amortissement et des intérêts du 75e mois ?
Modéliser au tableur un tableau d’amortissement avec rembourse-
ment à amortissement constant.
Solutions :
2.26. a) 454,49 €
b) Amortissements : 204,49 € 205,17 € 205,85 €
c) 34 076,46 € d) 35 372,63 €
2.27. a) 312,50 €
b) Mensualités : 562,5 € 561,46 € 560.42 €
c) 30 125 € d) 31 500 €
2.28. a) 19 annuités de 3 000 € et une annuité de 78 000 €
b) 60 000 € c) 60 000 €
2.29. a) in fine : 81 000 € am. constant : 40 612,50 €
b) Oui : ils économisent 7 275,03 €
2.30. a) 50 000 € b) 10 ans
2.31. a) 3,6 % b) 6 692,96 €
2.32. a) 11 ans b) 13 185,54 € c) 25 080 €
2.33. a) =B1/12*(1+B1/12)^(B3*12)*B2/((1+B1/12)^(B3*12)-1)
b) Amortissement : 347,73 € Intérêts : 54,53 €
Chapitre 3. Mathématiques pour l’économie
Clément Amzallag
ISBN 9782376876137



CHAPITRE 3.
MATHÉMATIQUES POUR
L’ÉCONOMIE
▶ Loi de l’offre et de la demande

▶ Élasticité-prix de la demande
▶ Coûts de production et bénéfices
Mathématiques pour l’économie 75
3.1. Offre et demande

Le but de ce paragraphe est d’apprendre à estimer, sur la base des
besoins d’une entreprise et du comportement des prospects, un prix de
vente optimal et un chiffre d’affaires prévisionnel dans le cadre du dé-
ploiement d’un nouveau produit sur un marché.
Pour cela, nous allons modéliser par des fonctions affines l’offre, puis
la demande, ce qui nous servira à trouver un point d’équilibre qui nous
donnera les indicateurs recherchés.
Les fonctions d’offre et de demande calculent le prix unitaire (y) en
fonction de la quantité vendue (x).
On notera dans la suite :
Fonction d’offre : y = a1 × x + b1
Fonction de demande : y = a2× x + b2
Principe de l’offre : Plus le fournisseur espère vendre, plus il fixera
un prix élevé.
Principe de la demande : Plus le prix d’un produit est élevé, moins il
se vendra.
Dans le cas général, la fonction d’offre sera croissante (a1 > 0) et la
fonction de demande décroissante (a2 < 0).
Ces deux principes semblent se contredire, c’est pourquoi le but est
d’arriver à un « compromis » entre les deux, appelé point d’équilibre.
Figure 1. Représentation graphique de l’offre et de la demande
La procédure à suivre est détaillée dans l’exemple ci-après.

Exemple 3.1. Un fabricant de stylos fournit aux revendeurs des boîtes de

50 stylos. Il se fixe un prix de vente minimal de 1 € par boîte, avec
l’objectif de vendre 500 boîtes à 2 € chacune.
Une étude de marché lui apprend qu’en fixant le prix de la boîte à
1,20 €, il pourra en vendre 800, et qu’en le fixant à 2 €, il ne pourra en
vendre que 400.
Quel est le prix optimal d’une boîte ?
Combien de boîtes peut-il espérer vendre à ce prix ? Quel sera alors
son chiffre d’affaires ?
Première étape : trouver la fonction d’offre

On cherche les valeurs de a1 et b1.
x représente la quantité et y représente le prix unitaire.
Le fournisseur se fixe un prix de vente minimal de 1 € par boîte. Cela
signifie que, même à 0 ventes, il ne descendra pas sous ce prix.
On substitue les données de l’énoncé dans la fonction d’offre :
y = a1 × x + b1
0 boîte vendue → 1 € la boîte donc 1 = a1 × 0 + b1
500 boîtes vendues → 2 € la boîte donc 2 = a1 × 500 + b1
On obtient un système de deux équations à deux inconnues :
On résout ce système comme on le souhaite pour trouver les valeurs

de a1 et b1.
On peut procéder « à la main » par substitution, combinaison, déter-
minants… On peut aussi utiliser les solveurs des calculatrices. Voir à ce
sujet les tutoriels de la chaîne Youtube MathsEnVideo Sup.
On trouve a1 = 0,002 et b1 = 1.
La fonction d’offre est donc y = 0,002x + 1.
Deuxième étape : trouver la fonction de demande

La démarche est similaire à celle de la fonction d’offre.
On cherche les valeurs de a2 et b2.
x représente la quantité et y représente le prix unitaire.
On substitue les données de l’énoncé dans la fonction de demande :
y = a 2× x + b 2
800 boîtes vendues → 1,20 € la boîte donc 1,20 = a2× 800 + b2
400 boîtes vendues → 2 € la boîte donc 2 = a2× 400 + b2
On obtient un système de deux équations à deux inconnues :
On résout ce système comme on le souhaite pour trouver les valeurs

de a2 et b2.
On trouve a2 = −0,002 et b2= 2,8.
La fonction d’offre est donc y = −0,002x + 2,8.
Troisième étape : trouver le point d’équilibre
Le point d’équilibre est la solution du système d’équations

constitué de la fonction d’offre et de la fonction de demande.
Nous devons donc résoudre le système :

Attention : Pour ceux qui utilisent le solveur de la calculatrice, les
équations du système devront être réordonnées. Voir à ce sujet les tutoriels
de la chaîne Youtube MathsEnVideo Sup.
La résolution du système donne : x = 450 y = 1,9
On rappelle que x représente la quantité optimale et y le prix unitaire
optimal.
Le fournisseur peut donc espérer vendre 450 boîtes au prix unitaire
de 1,90 €.
Chiffre d’affaires prévisionnel :
Le chiffre d’affaires est la somme des ventes.
Chiffre d’affaires = Nombre de ventes × Prix unitaire
Le chiffre d’affaires vaut donc 450 x 1,90 = 855 €.
3.2. Élasticité-prix de la demande

L’élasticité-prix de la demande est le pourcentage de variation de la
demande observé pour une augmentation des prix de 1 %.
C’est un indicateur utilisé en marketing pour déterminer le comporte-
ment du consommateur face à une évolution des prix. Il intervient donc
dans la stratégie prix de l’entreprise par rapport au produit.
Calcul de l’élasticité :
En général, l’élasticité est un nombre négatif. En effet, la demande

diminue lorsque le prix augmente.
Les biens ayant une élasticité négative sont dits normaux.
Lorsque l’élasticité est positive, une augmentation des prix se traduit
par une augmentation de la demande. C’est le cas par exemple des biens
de Velben (les produits dont le prix élevé attirent le consommateur car
ils lui renvoient une image positive du produit).
Plus l’élasticité est grande (en valeur absolue), plus les consomma-
teurs réagissent à la variation du prix.
Les biens ayant une élasticité entre −1 et 1 sont dits inélastiques.
C’est le cas par exemple des biens de Giffen (les produits dont le
consommateur ne peut se passer quel que soit leur prix).
Exemple 3.2. La fonction de demande des boîtes de stylos était

y = −0,002x + 2,8 (voir exemple 3.1).
Calcul de la demande pour une prix unitaire de 1,30 € :
1,3 = −0,002x + 2,8
x = 750 boîtes
Si le prix passe à 1,40 € :
1,4 = −0,002x + 2,8
x = 700 boîtes
Taux de variation du prix :
Taux de variation de la demande :
Élasticité :
À 1,30 € la boîte, le prix est inélastique. Les stylos sont considérés
comme des produits de base.
On vérifie de même que pour une variation des prix de 2,50 € à 2,60 €,
l’élasticité est de −8,33.
La clientèle visée par cette gamme de prix réagira donc plus forte-
ment à une variation.
3.3. Coût et bénéfice

Le but de ce paragraphe est d’apprendre des éléments de gestion des
coûts de production, d’estimation et d’optimisation du bénéfice attendu.
On étudiera donc une fonction de coût, qui calculera le coût de pro-
duction en fonction de la quantité produite, et que l’on notera C(n), où n
représente la quantité produite.
On étudiera également une fonc-
tion de bénéfice, qui calculera le béné- Figure 2. Exemple de fonction de coût
fice réalisé en fonction la quantité pro-
duite et vendue et que l’on notera B(n).
Les coûts et bénéfices seront modé-
lisés par des fonctions quadratiques
(des polynômes du second degré). B et
C auront donc chacune une formule de
calcul de la forme a × x2 + b × x + c.
Leurs représentations graphiques se-
ront donc des branches de parabole.
Les coûts de production ne pouvant
être négatifs et augmentant avec la
quantité produite, la parabole de coût
devra obligatoirement être convexe,
avec un minimum pour n < 0 et sans
racines positives.
Pour la fonction de coût, on aura a > 0.
Si une trop faible quantité est Figure 3. Exemple de fonction de bénéfice
vendue, on peut supposer que le
fournisseur perdra de l’argent.
De même, si la quantité produite
et vendue est trop importante, les
coûts de production augmentant
plus rapidement que le chiffre
d’affaires, le bénéfice va égale-
ment diminuer. Ce phénomène
est impliqué par la loi des ren-
dements décroissants, énoncée
par l’économiste David Ricardo.
D’autre part, vendre un produit
n’aurait aucun sens si les coûts
étaient tellement élevés que le bé-
néfice ne pouvait être positif. La parabole des bénéfices devra donc obli-
gatoirement être concave, avec un maximum pour n > 0 et deux racines
réelles positives.
Pour la fonction de bénéfices, on aura a > 0 et ∆ > 0.
Rappel : Le discriminant ∆ du trinôme ax2 est égal à b2 − 4ac. S’il est

positif, alors le trinôme a deux racines réelles. S’il est strictement négatif,
le trinôme n’a aucune racine réelle.
Pour simplifier, on supposera que toute la production est vendue. Par
exemple, on pourra considérer le cas d’un fournisseur qui ne produit que
sur commande et ne stocke pas.
Nous allons à présent étudier sous forme d’exemple les réponses à
trois questions-type.
Exemple 3.3. Le coût de fabrication C(n) de n articles de sport est donné

par la fonction : C(n) = 0,016n2 + 4,8n + 200
À partir de quel nombre d’articles fabriqués le coût total est-il supé-
rieur à 5 000 € ?
Remarque : Pour trouver la fonction de coût, on peut effectuer plusieurs
relevés de coûts de production en fonction de la quantité produite (impé-
rativement au moins trois), puis effectuer un ajustement quadratique sur
ces relevés.
Réponse : On traduit en formule mathématique la question de l’énoncé.
Le coût est supérieur à 5 000 € : 0,016n2 + 4,8n + 200 > 5 000 €
Pour résoudre une inéquation du second degré comme celle obtenue,
il faut d’abord obtenir 0 dans le membre de droite. On soustrait donc
5 000 aux deux membres.
0,016n2 + 4,8n − 4 800 > 0
On trouve ensuite les racines du trinôme figurant dans le membre de
gauche.
Pour trouver les racines du trinôme, on peut utiliser un solveur de cal-
culatrice (voir tutoriels sur la chaîne Youtube MathsEnVideo Sup). On
peut également utiliser les formules apprises au lycée.
Discriminant du trinôme : ∆ = b2 − 4×a×c
Racines du trinôme (si ∆ est positif) :
Ici, on trouve les racines suivantes : n1 ≈ 417,89 n2 ≈ −717,8
On représente ensuite graphi-
quement (grossièrement) le tri-
nôme étudié et on lit la solution sur
le graphique.
Comme le nombre d’articles de sport doit être un entier, on voit sur le

graphique qu’il faudra au moins produire 418 unités pour que les coûts
de production dépassent 5 000 €.
Exemple 3.4. Avec la fonction de coût de l’exemple 3.3, et en vendant les

articles à 20 € HT pièce, combien faut-il en vendre pour ne pas perdre
d’argent ?
Réponse : « Ne pas perdre d’argent » signifie dégager un bénéfice positif
ou nul. Nous devons donc déterminer la fonction de bénéfice. Nous la
déduisons de l’égalité suivante :
Bénéfice = Chiffre d’affaires − Coût
Chiffre d’affaires : Si nous vendons n articles à 20 € pièce, nous géné-

rons alors une chiffre d’affaires de 20n.
La fonction de coût est donnée.
Pour trouver la fonction de bénéfice, nous appliquons donc la formule
de l’encadré.
B(n) = 20n − C(n)
B(n) = 20n − (0,016n2 + 4,8n + 200)
B(n) = 20n − 0,016n2 − 4,8n − 200
B(n) = −0,016n2 + 15,2n − 200
On veut un bénéfice positif ou nul : −0,016n2 + 15,2n − 200 ≥ 0
On trouve les racines : n1 ≈ 13,345 n2 ≈ 936,65
Représentation graphique :
Le nombre d’articles devant être un entier, on voit sur le graphique

que le fournisseur dégagera un bénéfice s’il vend entre 14 et 936 articles.
Exemple 3.5. Le fournisseur des exemples 3.3 et 3.4 ne se contente pas

de vouloir un bénéfice positif, il veut le plus grand bénéfice possible.
Comment maximiser le bénéfice ?
Réponse : Le bénéfice maximal se trouve évidemment au sommet de la
parabole ci-dessus, comme indiqué ici :
Rappel : Une parabole y = ax2 + bx + c a son sommet en

Les ventes optimales correspondent à un nombre de ventes de
ventes.
Pour connaître le montant du bénéfice maximal dégagé dans ce cas, il
suffit de substituer 475 dans la fonction de bénéfice trouvée précédemment.
B(475) = −0,016 × 4752 + 15,2 × 475 − 200 = 3 410 €
On maximise le bénéfice en produisant et vendant 475 articles pour
un bénéfice de 3 410 €.
Le contexte sera d’autant meilleur pour le fournisseur que la quantité
optimale maximisant le bénéfice se rapproche de la quantité d’équilibre
trouvée après étude de l’offre et de la demande. À lui d’agir sur ses coûts
de production et ses commandes de manière que ce soit le cas.
3.4. Exercices d’application : offre, demande, coût, bénéfice
Exercice 3.1. Étant données la fonction d’offre et la fonction de de-

mande, déterminer le prix unitaire optimal, la quantité vendue atten-
due et le chiffre d’affaires dans ce cas.
a) Offre : y = 0,18x + 27 Demande : y = −0,15x + 54
b) Offre : y = 0,02x + 350 Demande : y = −0,1x + 612
Exercice 3.2. On lance sur le marché un nouveau parfum. On souhai-

terait que le prix de vente ne descende pas sous 40 €. On souhaiterait
également vendre 1 000 exemplaires à 70 € l’un.
a) Écrire la fonction d’offre.

b) L’étude de marché montre que les parfums ne se vendront pas
pour un prix supérieur ou égal à 120 € l’exemplaire et que l’on peut
espérer vendre 900 exemplaires si l’on fixe le prix unitaire à 60 €.
Écrire la fonction de demande.
c) Déterminer le prix unitaire optimal, la quantité vendue attendue et
le chiffre d’affaires dans ce cas.
Exercice 3.3. Un constructeur automobile sort un nouveau modèle

de berline qu’il souhaite mettre sur le marché à un prix minimal
de 27 000 € avec comme objectif d’en vendre 9 000 exemplaires à
45 000 € l’unité au cours du premier exercice.
L’étude de marché montre qu’il vendra 1 000 voitures s’il fixe le prix à
60 000 € et qu’il en vendra 10 000 s’il fixe le prix à 36 000 €.
Déterminer le prix optimal d’une voiture, la quantité vendue attendue
et le chiffre d’affaires dans ce cas.
Exercice 3.4. Un gros producteur de cacao ivoirien cherche à expor-

ter vers les États-Unis. Les négociateurs américains indiquent qu’ils
sont prêts à acheter 1 000 tonnes à 1 500 USD la tonne mais que si
le prix montait à 2 000 USD la tonne, ils n’en achèteraient plus que
750 tonnes. Le producteur, lui, aurait aimé vendre 1 000 tonnes pour
3 000 USD la tonne et 750 tonnes pour 2 875 USD la tonne.
Sur quel prix et quelle quantité peut-on penser qu’ils vont se mettre
d’accord ? Quel sera le prix total de la vente ?
Exercice 3.5. Un équipementier sort une nouvelle gamme de chaus-

sures de sport et interroge un échantillon de 1 500 consommateurs
afin de déterminer la stratégie prix. Voici les résultats partiels de cette
enquête :
Modèle Léopard-S01 Cheetah-MX30
Prix 55 € 130 €
Nombre d’acheteurs 900 300
Prix 65 € 180 €
Nombre d’acheteurs 700 400
a) Déterminer la fonction de demande de chacun de ces deux mo-

dèles.
b) Déterminer l’élasticité-prix de chacun de ces deux modèles entre
les deux prix indiqués.
c) Commenter les élasticités-prix trouvées précédemment. Quelles

hypothèses peut-on faire sur la gamme de chacun de ces deux pro-
duits ? Peut-il s’agir de biens de Giffen ? de biens de Velben ?
Exercice 3.6. Pour chaque question on donne : le prix unitaire, la fonc-

tion de coût et on demande de : retrouver la fonction de bénéfice,
l’intervalle dans lequel le bénéfice est positif et le bénéfice maximal
possible.
a) Fonction de coût : c(n) = 0,03n2 − 11n + 10 125
Prix unitaire : 25 €
b) Fonction de coût : c(n) = 0,1n2 − 480n + 611 000
Prix unitaire : 120 €
Exercice 3.7. Le prix de vente d’un article est fixé à 250 €. La fonction

donnant le coût de production en fonction du nombre d’articles pro-
duits est :
c(x) = 0,08x2 − 2 150x + 16 000 000
a) Dans quel intervalle doit se situer le nombre d’articles vendus pour
que le bénéfice soit positif ?
b) Quel est le bénéfice maximal possible ? À combien de ventes cor-
respond-il ?
c) Quel est le coût de production de 12 000 articles ? Quel bénéfice
tirera-t-on de leur vente ?
Exercice 3.8. Pour un article donné, la fonction donnant le coût de

production en fonction du nombre d’articles produits est :
c(n) = 0,01n2 − 92,65n + 229 772
La fonction donnant le bénéfice en fonction du nombre d’articles pro-
duits est
b(n) = −0,01n2 + 110,65n − 229 772
a) À combien est fixé le prix de vente unitaire ?
b) Dans quel intervalle le bénéfice est-il positif ?
c) Comment varient les coûts de production dans cet intervalle ?
Exercice 3.9. Un fabricant de clés USB fixe le prix de vente de ses ar-

ticles en fonction des contraintes suivantes :
Il ne veut pas vendre à un prix unitaire inférieur à 20 €.
Les clients ne paieront pas plus de 60 € pièce.
Il aimerait vendre 10 000 clés USB à 45 € pièce.

Il prévoit qu’il vendrait 10 000 clés USB si elles étaient à 35 € pièce.
a) Quel prix de vente optimal fixera-t-il et combien de clés USB prévoi-
ra-t-il de vendre à ce prix ?
b) Le coût de production des clés USB est donné par la fonction de
coût suivante :
c(x) = 0,025x2 − 478,25x + 1 953 125
Quel bénéfice pense-t-il tirer de la vente des clés ?
c) Entre quelles quantités doit varier la production pour que le fabri-
cant ne perde pas d’argent ?
Solutions :
3.1. a) Qté : 81,82 art. PU : 41,73 € CA : 3 414,05 €
b) Qté : 2183,33 art. PU : 393,67 € CA : 859 505,56 €
3.2. a) y = 0,03x + 40 b) y ≈ −0,067x + 120
c) Qté : 828 PU : 64,83 € CA : 53 650 €
3.3. Qté : 7 643 voitures PU : 42 286 € CA : 323 183 673 €
3.4. 700 USD par tonne pour 400 tonnes CA : 1 080 000 USD
3.5. a) y = −0,05x + 100 ; y = 0,5x − 20 b) −1,22 ; 0,86
3.6. a) b(n) = −0,03n + 36n − 10 125, [450;750], 675 €, pour 600 ventes
2
b) b(n) = −0,1n2 + 600n − 611 000, [1 300;4 700], 289 000 €, pour

3 000 ventes
3.7. a) [10 000;20 000] b) 2 millions d’€ pour 15 000 ventes
c) 1 720 000 €, 1 280 000 €
3.8. a) 18 € b) Entre 2 770 et 8 295 ventes
c) Entre 15 171 € et 149 310 €
3.9. a) 8 000 clés à 40 € pièce b) 196 875€
c) Entre 6 250 et 12 500 clés
Chapitre 4. Statistiques descriptives
Clément Amzallag
ISBN 9782376876137



CHAPITRE 4.
STATISTIQUES DESCRIPTIVES
▶ Séries statistiques qualitatives, quantitatives discrètes,

continues
▶ Diagrammes
▶ Paramètres de position (mode, médiane, moyenne)
▶ Indicateurs commerciaux liés à la moyenne et à la
médiane
▶ Paramètres de dispersion (étendue, quantiles, écart-
type)
Statistiques descriptives 87
4.1. Séries statistiques

Les statistiques descriptives servent à analyser une série de don-
nées concernant un ou plusieurs caractère(s) d’une population donnée.
Après avoir collecté ces données brutes (par exemple en effectuant une
enquête), on peut les présenter sous forme de tableau, de diagramme et
calculer des indicateurs qui décrivent la série de données, quant aux po-
sitions de ses valeurs et à leur dispersion.
Dans ce chapitre, nous analyserons à chaque fois un seul caractère
d’une population donnée. Dans le chapitre 5, nous apprendrons à ana-
lyser conjointement deux caractères d’une même population. Enfin, les
chapitres 10 et 11 seront consacrés aux statistiques inférentielles (princi-
palement l’élaboration et l’analyse de sondages et d’enquêtes d’opinion).
Il existe principalement trois sortes de séries statistiques qu’il est im-
portant de connaître et de différencier :
• Les séries qualitatives ;
• Les séries quantitatives discrètes ;
• Les séries quantitatives continues.
Donner une série statistique consiste à fournir les informations sui-
vantes :
• Les valeurs que prend la série d’une part ;
• L’effectif de chaque valeur (le nombre de données qui prennent
chaque valeur), ou bien ;
• La fréquence de chaque valeur (la proportion de données qui
prennent chaque valeur) d’autre part.
C’est la nature des valeurs qui définit le caractère de la série.
Nous allons à présent donner un exemple de chaque série, que nous
exploiterons durant tout le chapitre 4.
Série qualitative
Répartition des étudiants d’un IUT par département d’inscription :
Carrières
Département GEA GE2I GIM Info. TC
sociales
Nombre
385 612 553 467 213 270
d’étudiants
• Population étudiée : les étudiants d’un IUT.

• Caractère étudié : leur département d’inscription.
Autres caractères que l’on aurait pu étudier : leur âge, leur ville de rési-
dence, le temps de trajet au domicile…
• Valeurs : les départements de l’IUT.
Les valeurs ne sont pas des nombres avec lesquels il est pos-
sible de calculer. La série est donc qualitative.
• Effectifs : le nombre d’étudiants dans chaque département.

Par exemple, le département Carrières Sociales contient 385 étudiants.
Paramètres de référence :
• L’effectif total : le nombre de données analysées.
Calcul de l’effectif total : 385 + 612 + 553+ 467 + 213 + 270 = 2 500 étu-
diants.
• Les fréquences : les proportions exprimées sous forme de pour-
centage, de fraction ou de nombre décimal.
Carrières
sociales
Fréquences 15,4 % 24,48 % 22,12 % 18,68 % 8,52 % 10,8 %
Exemple de calcul : , soit 15,4 % des étudiants sont inscrits
en Carrières Sociales
• Le mode : la valeur qui a le plus grand effectif (ou la plus grande
fréquence).
Dans cette série, le mode est GEA. C’est le département qui a le plus
d’inscrits.
Série quantitative discrète : (on dira plus simplement série discrète)
Étude du nombre de voitures pas foyer dans un quartier.
Nombre de voitures 0 1 2 3 ou plus
Nombre de foyers 57 215 203 48
• Population étudiée : les foyers d’un quartier.

• Caractère étudié : le nombre de voitures possédées.
Autres caractères que l’on aurait pu étudier : la taille du logement, l’an-
cienneté dans le quartier, la CSP du chef de famille…
• Valeurs : les différents nombres de voitures.
Ici, les valeurs sont des nombres : la série est donc quantita-
tive. Ces nombres sont consécutifs catégorie après catégorie
et il est impossible d’obtenir une valeur entre deux nombres
consécutifs : la série est donc discrète.
• Effectifs : les nombres de foyers dans chaque catégorie.

Par exemple, 57 foyers n’ont aucune voiture.
Paramètres de référence :
• Effectif total, fréquences, mode, comme pour les séries discrètes.
• Paramètres de position et de dispersion (voir plus loin) : médiane,
moyenne, étendue, quantiles, écart-type.
Remarque : Certains caractères qualitatifs sont numérisables (par
exemple les mois de l’année, les indices de satisfaction…). On peut alors si
c’est pertinent pour l’étude, les traiter comme des caractères quantitatifs
discrets.
Série quantitative continue

Appelée aussi plus simplement série continue.
Montant des tickets des clients d’un magasin sur une journée.
Montant du ticket [0€;50€[ [50€;200€[ [200€;500€[ [500€;1 000€[
Nombre de clients 258 192 149 149
• Population étudiée : les clients d’un magasin sur une journée.

• Caractère étudié : le montant de leurs tickets de caisse.
• Valeurs : les différents montants des tickets de caisse.
Les valeurs sont des nombres, c’est donc une série quantita-
tive. Cependant, ces nombres sont regroupés en intervalles
et non pas triés par valeurs consécutives : la série est donc
continue.
• Effectifs : les différents nombres de clients par catégorie.

Par exemple, 258 clients ont dépensé moins de 50 €.
• Paramètres de référence : les mêmes que pour les séries discrètes
Le mode de calcul sera cependant totalement différent selon que la série
est discrète ou continue (nous verrons cela plus loin).
4.2. Diagrammes
Il est fortement conseillé de titrer chaque diagramme, ainsi que les
axes lorsqu’il y en a.
Le diagramme doit être lisible et compréhensible par une personne
n’ayant aucune connaissance en statistiques et n’ayant pas lu l’étude l’ac-
compagnant dans le détail.
Principaux diagrammes adaptés aux séries qualitatives

Le diagramme en bâtons (ou en tuyaux d’orgue) :
• Il est adapté pour mettre en évidence les effectifs.
• C’est un diagramme réalisable sans calcul préalable.
• La hauteur de chaque bâton est proportionnelle à l’effectif, suivant
l’axe vertical gradué.
• Le titre du diagramme et les titres des axes doivent figurer.
• L’axe numérique doit être uniformément gradué.
• Les bâtons ne doivent pas être collés les uns aux autres.
• Le nom de chaque valeur doit figurer sous chaque bâton.
• Les bâtons ne doivent pas forcément être de couleurs différentes.
• Pour davantage de précision, on peut faire figurer des étiquettes
de données, indiquant l’effectif exact à l’intérieur ou au-dessus de
chaque bâton.
Le diagramme circulaire :
• Il est adapté pour mettre en évidence les fréquences.

Par exemple, on voit bien sur ce diagramme que les étudiants de GEA
regroupent environ le quart de l’effectif total. Sur le diagramme en bâtons,
cela se voit beaucoup moins.
• Il faut calculer l’angle attribué à chaque valeur avant de le tracer,
car les angles sont proportionnels aux effectifs.
Calcul des angles :
Carrières
sociales
Angles 55,44° 88,128° 79,632° 67,248° 30,672° 38,88°
Exemple de calcul :
On trace ensuite un cercle, un rayon, et on complète le diagramme en
respectant les angles de chaque secteur.
• Le titre du diagramme doit figurer.
• Il faut faire figurer les valeurs, soit à l’intérieur de chaque secteur,
soit dans une légende à côté du diagramme. Pour plus de précision,
on peut aussi inscrire les effectifs ou les fréquences en étiquette de
données dans chaque secteur.
• Les secteurs se touchant, ils doivent être clairement séparés, et de
préférence de couleurs différentes.
• On peut aussi réaliser un diagramme semi-circulaire (sur 180° au

total).
Le radar :
• Il est adapté pour différencier les effectifs faibles et les effectifs

élevés. Par exemple, il est utilisé lors des conseils de classe pour
identifier les élèves les plus forts (ceux dont le polygone est large
et proche des bords) et les élèves les plus en difficulté (ceux dont le
polygone est plus ramassé autour du centre).
• Il peut se tracer sans calcul préalable.
Principaux diagrammes adaptés aux séries quantitatives discrètes

La courbe :
• Elle est adaptée pour mettre en évidence les effectifs et les progres-
sions (augmentation, diminution en fonction de l’évolution des
valeurs).
• C’est un diagramme réalisable sans calcul préalable.
• Les axes doivent être uniformément gradués.
• Le nom de chaque valeur doit figurer sous chaque point.
• Les points doivent être reliés par des segments.
• Pour davantage de précision, on peut faire figurer des étiquettes
de données, indiquant l’effectif exact à proximité de chaque point.
On peut aussi réaliser un diagramme en bâtons pour une série dis-
crète.
Pour mettre en évidence les fréquences, on peut réaliser un dia-
gramme circulaire ou semi-circulaire.
Principaux diagrammes adaptés aux séries quantitatives continues

L’histogramme
• Il est constitué de rectangles juxtaposés entre un axe des abscisses

gradué et un axe des ordonnées gradué.
• L’axe des abscisses représente les valeurs, l’axe des ordonnées re-
présente les densités d’effectif (voir plus bas). L’axe des ordonnées
n’est pas toujours représenté.
• L’aire de chaque rectangle est proportionnelle aux effectifs.
Attention : la hauteur des rectangles n’est pas proportion-

nelle aux effectifs.
Les rectangles bleu et jaune correspondent au même effectif, mais n’ont

pas la même hauteur. Ils ont la même aire.
• Ce diagramme ne peut donc être dessiné sans calcul : il faut calcu-
ler la densité d’effectif, qui est l’indice qui nous donnera la hauteur
de chaque rectangle.
Calcul de la densité d’effectif :
• Étape 1 : Calcul de l’amplitude de chaque classe.
L’amplitude d’une classe est la différence entre la borne inférieure de
cette classe et la borne inférieure de la classe suivante. C’est la « largeur »
de l’intervalle.
• Étape 2 : Calcul de la densité d’effectif.
La densité d’effectif est le rapport entre l’effectif de chaque classe et
son amplitude.
Amplitude 50 150 300 500
Densité d’effectif 5,16 1,28 0,50 0,30
Exemple de calcul de l’amplitude : pour la classe [0€;50€[ : 50 − 0 = 50

Exemple de calcul de la densité d’effectif :
On trace ensuite l’histogramme en disposant les rectangles entre les
valeurs limites de chaque classe. Leur hauteur doit correspondre à la den-
sité d’effectif sur l’axe des ordonnées.
• Les axes doivent être uniformément gradués.
• Les rectangles étant juxtaposés, il est conseillé d’utiliser un code
couleur.
• Pour davantage de précision, il est conseillé de faire figurer des éti-
quettes de données, indiquant l’effectif exact à l’intérieur de chaque
rectangle. On peut aussi tracer un rectangle-type à proximité du
diagramme, en indiquant à combien de clients il correspond.
Cas particulier : pour les histogrammes à amplitude constante (si
toutes les amplitudes sont égales), on peut mettre les effectifs en ordonnée
et tracer directement l’histogramme, sans calculer les densités d’effectifs.
Pour mettre en valeur les fréquences, on peut tracer un diagramme

circulaire ou semi-circulaire pour une série continue.
Le diagramme en bâtons et la courbe ne sont pas adaptés aux séries
continues.
Diagrammes au tableur
Pour réaliser un diagramme au tableur, on saisit le tableau de don-
nées dans les cellules, on le sélectionne et on choisit le diagramme à tra-
cer dans l’onglet « Insertion ».
Figure 4. Diagramme sous Microsoft Excel
iagrammes en bâtons (le tableur indique « histogramme »
:D
mais trace en fait des diagrammes en bâtons)
: Courbes : Diagrammes circulaires : Radars
L’histogramme tel qu’il est décrit ci-dessus n’est actuellement pas pris
en charge par le tableur.
4.3. Exercices d’application : diagrammes

Exercice 4.1. Tracer un diagramme en bâtons et un diagramme circu-
laire représentant ces données :
Valeur Rouge Vert Bleu Jaune

Effectif 113 78 59 147
Exercice 4.2. a) Tracer une courbe représentant ces données concer-

nant le nombre de personnes vivant dans chaque appartement d’une
cité donnée.
Nombre de personnes par foyer 1 2 3 4 5 6 7

Nombre de foyers 2 28 115 205 146 18 5
b) Interpréter le nombre 205 figurant dans le tableau d’effectifs.
Exercice 4.3. Voici un diagramme circulaire donnant la répartition des

locataires d’un court de tennis pendant l’année suivant leur tranche
d’âge :
a) Sachant que le court a été loué
1 232 fois durant l’année, estimer les
effectifs de chaque classe (les pour-
centages ont été arrondis à l’unité).
Donner des fourchettes d’effectifs.
b) Représenter ces données sur un
diagramme en bande de 10 cm de lon-
gueur.
Exercise 4.4. Elections for the parliament of Canada were held in 2015.

Here are the results1:
Conserva- New Bloc

Party Liberals Greens
tives Democrats Québécois
Number
184 100 43 10 1
of seats
Construct a semicircular diagram for this data set2.
Exercice 4.5. Sur une portion de route limitée à 110 km/h, on mesure

les vitesses de véhicules et l’on obtient les résultats suivants :
Vitesse (km/h) Nombre de véhicules
[90;95[ 5
[95;100[ 29
[100;105[ 72
[105;110[ 107
[110;115[ 38
a) Représenter ces données dans un histogramme.
1. Source: suffragio.org/tag/canada-2
2. Data set : Série de données.
b) En affinant les résultats, on trouve que 23 personnes roulaient à une

vitesse comprise entre 110 km/h et 112 km/h et 15 personnes roulaient
à une vitesse comprise entre 112 km/h et 115 km/h. Reconstruire l’his-
togramme en tenant compte de ces nouvelles données.
Exercice 4.6. Voici des données tirées du rapport du jury de l’agréga-

tion externe de mathématiques, session 2015 :
Tranche d’âge Nombre de candidats

21 à 23 ans 194
24 à 26 ans 478
27 à 29 ans 439
30 à 33 ans 470
34 à 40 ans 744
41 à 50 ans 717
51 à 56 ans 164
57 à 66 ans 46
Représenter ces données dans un histogramme.

Exercice 4.7. Voici une liste de 30 nombres entiers :
18, 20, 20, 18, 12, 18, 10, 22, 22, 6, 15, 11, 14, 17, 22, 10, 16, 23, 15, 13,
3, 12, 18, 10, 24, 14, 15, 24, 22, 14
Regrouper ces données en cinq classes d’effectifs sensiblement égaux
et les représenter sous forme d’histogramme.
Exercice 4.8. Représenter la moyenne de Pauline et la moyenne de sa

classe sur un radar.
Moyenne
Matières Coef T1 T2
Élève Clas. − +
MATHEMATIQUES 7,00 17,69 14,76 13,00 10,36 5,33 17,17
PHYSIQUE-CHIMIE 6,00 18,31 15,01 15,73 11,11 0,50 16,10
SCIENCES VIE & TERRE 6,00 11,40 14,30 16,30 11,10 4,00 16,70
FRANCAIS 4,00 14,80 12,71 14,73 9,85 1,00 15,45
HISTOIRE & GEOGRAPH. 3,00 14,83 13,25 17,00 9,51 2,50 17,00
ANGLAIS LV1 3,00 17,41 15,26 18,00 13,51 5,50 18,00
ALLEMAND 1&2 2,00 18,00 17,50 15,56 11,32 7,20 17,33
SECTION EUR. 2,00 19,38 18,75 13,45 12,26 6,50 17,54
ANGLAIS LET.ETRANG. 1,00 18,75 17,50 16,57 12,31 7,00 17,57
HIST.EURO.ANGLAIS 1,00 20,00 20,00 10,33 12,20 6,00 17,50
ED.PHYSIQUE & SPORT 2,00 16,00 14,00 15,00 14,29 12,00 16,00
Moyennes générales 16,20 14,78 15,24 11,14
4.4. Paramètres d’une série statistique

Nous allons à présent étudier les principaux paramètres de position et
paramètres de dispersion des séries statistiques quantitatives.
Les paramètres de position indiquent autour de quelles valeurs cen-
trales se situent les valeurs d’une série quantitative.
Les paramètres de position abordés ici sont :
• le mode (voir 4.1) ;
• la médiane ;
• la moyenne.
Les paramètres de dispersion indiquent si les valeurs de la série sont
plutôt homogènes ou plutôt étendues autour des paramètres de positions.
Les paramètres de dispersion abordés ici sont :
• l’étendue ;
• les quantiles ;
• l’écart-type.
4.5. Médiane (séries discrètes)

La médiane est le paramètre de position qui sépare (autant que pos-
sible) la population étudiée en deux parties de même taille :
• au moins la moitié des effectifs ont une valeur inférieure ou égale
à la médiane ;
• au moins la moitié des effectifs ont une valeur supérieure ou égale
à la médiane.
Nous noterons la médiane me.
Nous allons voir sur un exemple la procédure de calcul de la médiane,
pour une série quantitative discrète.
Nous reprenons donc l’exemple étudié précédemment :

Calculons l’effectif total : N = 57 + 215 + 203 + 48 = 523 foyers étudiés.

Si nous écrivions dans l’ordre croissant, les 523 réponses des foyers in-
terrogés, la médiane serait la valeur écrite au milieu de cette liste. Comme
il est trop fastidieux de le faire, nous allons procéder autrement.
On calcule ensuite la position de la médiane.
Position de la médiane :
Si nous écrivions les 523 valeurs par ordre croissant, la médiane serait
la 262e valeur écrite.
On calcule les effectifs cumulés croissants pour savoir combien vaut
la 262e valeur :

Effectifs cumulés 57 272 475 523
Détails du calcul :
• 57 + 215 = 272
• 272 + 203 = 475
Les 57 premières valeurs sont des 0, les 272 premières valeurs sont des
0 ou des 1.
Il en résulte que la 262e valeur est un 1.
Donc, me = 1 (la médiane vaut 1).
La médiane est la plus petite valeur pour laquelle l’effectif

cumulé est supérieur ou égal à la position de la médiane.
Interprétation : Au moins la moitié des foyers n’ont pas plus d’un vé-
hicule.
Si l’effectif total est un nombre pair, alors la position de la médiane ne
sera pas un nombre entier. On procède néanmoins comme précédem-
ment.
Exemple 4.1. Si la répartition des voitures était la suivante :

262,5 se trouve entre 262 et 263.
Cela signifie que la médiane est la moyenne de la 262e et de la 263e va-
leur.
En regardant les effectifs cumulés, on voit que la 262e valeur et la
263e valeur valent toutes deux 1.
Donc, la médiane vaut 1.
Exemple 4.2. Cas particulier rare

Si la répartition des voitures était la suivante :
La médiane est donc la moyenne de la 262e valeur et de la 263e valeur.
D’après les effectifs cumulés, la 262e valeur vaut 1 alors que la 263e va-
leur vaut 2.
Dans ce cas, la médiane vaut 1,5 (soit la moyenne des valeurs 1 et 2).
Interprétation : Exactement la moitié des foyers n’ont pas plus d’un
véhicule. Exactement la moitié des foyers ont au moins deux véhicules.
4.6. Médiane (séries continues)

Dans le cas des séries continues, les valeurs ne sont pas précisément
connues, puisqu’elles sont regroupées par intervalles. Nous ne pouvons
donc pas calculer précisément la médiane comme précédemment, mais
nous pouvons l’estimer au moyen d’une procédure nommée l’interpo-
lation linéaire.
Nous la décrivons ci-après au moyen de l’exemple de série continue
étudié précédemment.
On commence par calculer les effectifs cumulés :

On trace ensuite le polygone des effectifs cumulés croissants :

• On met en abscisse du polygone les valeurs (les montants des tic-
kets).
• On met en ordonnée les effectifs cumulés.
• Le polygone commence toujours sur l’axe des abscisses (pas forcé-
ment à l’origine).
Les 258 premiers clients ont dépensé moins de 50 € donc on place un
point à (50,258) et on le relie avec le point de départ.
• On relie les points comme sur l’exemple ci-dessus.
Le polygone est toujours croissant car il est basé sur les effectifs cumulés
croissants.
On n’a pas besoin de tracer le polygone très précisément pour trouver
la valeur de la médiane. Un dessin sommaire suffit (même s’il n’est pas à
l’échelle).
On trouve la position de la médiane :
Position de la médiane
Attention : la formule de calcul est différente pour les sé-

ries discrètes. Il ne faut donc pas confondre séries discrètes
et séries continues.
Ici : : la position de la médiane est 374.
Attention : si la position de la médiane n’est pas un nombre

entier, on travaille avec la valeur décimale. On n’arrondit
pas à l’entier.
• On repère la position de la médiane sur l’axe des ordonnées du

polygone (ligne horizontale 374 de l’exemple ci-avant).
• L’abscisse du point d’intersection avec le polygone est la médiane
cherchée (pointillés de l’exemple ci-avant).
• On trouve l’équation du segment coupé par la médiane sur le poly-
gone (trait plus épais entre les 2 ronds).
On peut trouver cette équation « à la main », en appliquant des méthodes
de géométrie analytique. La calculatrice donne également cette équation à
partir des coordonnées des extrémités du segment. Voir pour cela les tuto-
riels « Interpolation Linéaire » sur la chaîne Youtube MathsEnVideo Sup.
Ici, l’équation du segment est y = 1,28 × x + 194
On substitue la position de la médiane à la place de y et l’on résout
l’équation obtenue pour trouver la médiane.
374 = 1,28 × x + 194
180 = 1,28 × x
x ≈ 140,63
On estime donc le panier médian à 140,63 €.
Interprétation : faute d’informations plus détaillées, on considère que
la moitié des clients ont dépensé moins de 140,63 €.
4.7. Moyenne
La moyenne est la valeur qui aurait été commune à l’ensemble de la
population si la répartition avait été uniforme.
Pour l’exemple de série discrète : le nombre de voitures moyen par
foyer est le nombre de voitures que chaque foyer aurait eu si les voitures
avaient été réparties uniformément dans tous les foyers, à quantité totale
de voitures égale.
Nombre de voitures 0 1 2 3
• On calcule d’abord l’effectif total (523 foyers, comme déjà calculé

plus haut).
• La moyenne vaut la somme des produits des deux lignes du ta-
bleau, divisée par l’effectif total :
voiture par foyer.
La notation mathématique de la moyenne d’une série statis-

tique est .
En pratique, on préférera saisir les valeurs et effectifs dans le tableau

« Statistiques » de la calculatrice et utiliser la fonction Stats-1Var qui
affiche directement la moyenne. Voir pour cela les tutoriels de la chaîne
Youtube MathsEnVideo Sup (chercher les listes de lecture « Calculatrice
Casio » ou « Calculatrice TI »).
On peut également calculer la moyenne au tableur. Pour cela, on sai-
sit le tableau d’effectifs sur une feuille de calcul. Attention : il ne faut
pas se servir de la fonction MOYENNE du tableur, mais de la fonction
SOMMEPROD (voir le tutoriel sur la liste de lecture « Tableur » de la
chaîne Youtube MathsEnVideo Sup).
Figure 5. Calcul de la moyenne au tableur
Pour l’exemple de série continue : le panier moyen est le montant

commun aux tickets de tous les clients s’ils avaient tous dépensé le même
montant (à chiffre d’affaires égal sur la journée étudiée).
Comme on ne peut pas calculer avec des intervalles, on remplace
chaque intervalle par son centre.
Cela revient à supposer que les dépenses des clients se répartissent uni-
formément dans l’intervalle ce qui, pour un grand nombre de clients, est
très probable.
Centre de la classe 25€ 125€ 350€ 750€

Dépenses [0€;50€[ [50€;200€[ [200€;500€[ [500€;1 000€[
Exemples de calcul des centres de classes : ;

On estime ensuite la moyenne à la main, à la calculatrice ou au ta-
bleur à partir des centres de classe et des effectifs, en procédant exacte-
ment comme pour les séries discrètes.
Le panier moyen est donc de 259,83 €.

On constate que la moyenne est très différente de la médiane. Il ne faut
donc pas confondre les deux notions. Voici deux illustrations évidentes de
la différence entre moyenne et médiane :
Exemple 4.3. Considérons la série de trois nombres 1; 2; 3.

On trouve de manière évidente que la moyenne de ces trois nombres
vaut 2 et la médiane de ces trois nombres vaut également 2.
Mais si l’on remplace le nombre 3 par 10 000 :
1; 2; 10 000
La moyenne de cette série a fortement augmenté et vaut à présent
environ 3 334,33.
Par contre, la médiane vaut toujours 2.
La médiane se trouve par définition au centre des valeurs de la série
statistique. Ce n’est pas le cas de la moyenne.
Exemple 4.4. Considérons la série statistique

9; 9; 9; 9; 9; 9; 9; 9; 9; 9; 9; 9; 9; 9; 10
C’est une série de 15 nombres, dont la moyenne se trouve évidem-
ment entre 9 et 10.
14 nombres de cette série sont inférieurs à la moyenne et un seul lui
est supérieur. La moyenne n’est donc absolument pas au centre des va-
leurs de la série.
Ordre de grandeur : La seule chose dont on peut être certain sur la
moyenne, c’est qu’elle se trouve entre le minimum et le maximum de la
série.
4.8. Indicateurs commerciaux de position

Dans ce paragraphe, nous allons continuer à passer en revue les prin-
cipaux indicateurs commerciaux abordés au §1.4, en étudiant ceux qui
sont liés à la moyenne et à la médiane.
L’indice de vente est le nombre moyen d’articles par ticket de caisse.
Surveiller l’indice de vente permet de savoir s’il faut mettre en place un
dispositif d’incitation aux ventes additionnelles.
L’indice de vente se calcule comme la moyenne d’une série discrète
(par Stats-1Var).
Le panier moyen est la moyenne des montants des tickets de caisse.
Autrement dit, c’est la somme moyenne dépensée par client.
Le panier moyen fournit un indicateur du comportement du consom-
mateur, lié au chiffre d’affaires du magasin.
Le panier moyen peut se calculer précisément au tableur, au moyen
du fichier récapitulant tous les tickets de caisse. Il peut également être
estimé comme moyenne d’une série continue.
Le panier médian est la médiane des montants des tickets de caisse.
Autrement dit, la moitié des clients ont dépensé moins que le panier
médian.
Le panier médian fournit un indicateur du comportement du consom-
mateur, lié au profil des clients.
Le panier médian peut se déterminer précisément au tableur, au
moyen du fichier récapitulant tous les tickets de caisse. Il peut également
être estimé comme médiane d’une série continue, par interpolation li-
néaire.
4.9. Exercices d’application : paramètres de position
Exercice 4.9. Ce tableau répertorie le nombre de personnes par foyer

dans une cité HLM donnée.

Nombre de foyers 2 28 115 205 146 18 5
a) Donner le mode de la série. Interpréter le résultat.

b) Calculer le nombre moyen de personnes par foyer.
c) Calculer le nombre médian de personnes par foyer. Interpréter le
résultat.

[90;95[ 5
[95;100[ 29
[100;105[ 72
[105;110[ 107
[110;115[ 38
a) Donner la classe modale de cette série.

b) Estimer la vitesse moyenne de tous ces véhicules.
c) Estimer la vitesse médiane de tous ces véhicules. Interpréter le
résultat.

21 à 23 ans 194
24 à 26 ans 478
27 à 29 ans 439
30 à 33 ans 470
34 à 40 ans 744
41 à 50 ans 717
51 à 56 ans 164
57 à 66 ans 46
a) Donner la classe modale de cette série.

b) Estimer l’âge moyen des candidats (sous forme de nombre déci-
mal).
c) Estimer l’âge médian des candidats (sous forme de nombre déci-
mal). Interpréter le résultat.
Exercice 4.12. Voici une série statistique :
Valeurs De 3 à 11 De 12 à 14 De 15 à 17 De 18 à 20 De 22 à 24
Effectifs 6 6 3 6 9
a) Donner sa classe modale.

b) Estimer sa moyenne.
c) Estimer sa médiane.
Exercice 4.13. Dans les cités HLM d’une ville, on a compté le nombre

d’étages de chaque immeuble et répertorié les résultats dans la feuille
de calcul suivante :
a) Quelles formules saisir dans les cellules I1 et I2 ?

b) Quels nombres apparaîtront alors dans ces cellules ?
Exercice 4.14. Des collégiens se sont entraî-

nés au saut en hauteur et leurs performances
ont été résumées dans le diagramme circu-
laire ci-contre.
a) Estimer la hauteur moyenne des sauts.
b) Estimer la hauteur médiane des sauts.
Interpréter le résultat.
Exercise 4.15.3 Here are the results of a survey asking the members of

two football clubs in how many tournaments they took part last five
years.
a) Explain the meaning of
the first column, for Pacific
City.
b) Compare the average
number of tournaments ta-
ken by each of the two clubs
members.
c) Which club sends pro-
portionally more members
to tournaments?
3. Survey : Enquête ; Average : Moyen.

Exercice 4.16. Construire une série de données de moyenne égale à 3

et de médiane égale à 4.
Exercice 4.17. Vous êtes le mana-

ger de Clarie et Jordan, vendeurs
en magasin de sportswear. En
fonction des données indiquées,
estimer leurs indicateurs com-
merciaux, comparer leurs per-
formances et suggérer des axes
d’amélioration pour chacun.
Panier/client Moins de 30 € 30 € à 50 € 50 € à 100 € Plus de 100 €

Clarie 15 clients 30 clients 39 clients 27 clients
Jordan 8 clients 13 clients 25 clients 27 clients
Solutions :
4.9. a) 4 b) Environ 4,039 c) 4
4.10. a) [105;110[ b) ≈105,37 km/h c) ≈105,91 km/h
4.11. a) 34 à 40 ans b) ≈35,88 ans c) ≈34,42 ans
On peut estimer que la moitié des candidats ont moins de 34,42 ans
(34 ans, 5 mois et 2 jours).
4.12. a) 22 à 24 b) 16,9 c) 18
4.13. a) En I1 : =SOMME(B2:F2) En I2 : =SOMMEPROD(B1:F1;B2:F2)/I1
b) 25 10,24
4.14. a) 109,875 cm b) ≈ 109,49 cm
4.15. b) Atlantic City : 2.5 tpm Pacific City : ≈2.28 tpm
c) Atlantic City leads.
4.16. Par exemple : 0, 0, 0, 4, 4, 5, 5, 6
4.17. IV 2,71 ; 3,58 PM 68,38 € ; 62,53 € Pme 63,46 € ; 55 €
4.10. Étendue
L’étendue est la différence entre la valeur la plus haute et la valeur la
plus basse.
Exemple 4.5. Série discrète :

Calcul de l’étendue : E = 3 − 0 = 3
L’étendue vaut 3.
Interprétation : il y a 3 voitures d’écart entre le foyer comptant le plus
grand nombre de voitures et le foyer comptant le plus petit nombre de
voitures.
Exemple 4.6. Série continue :

Dépenses [0€;50€[ [50€;200€[ [200€;500€[ [500€;1 000€[
Estimation de l’étendue : E = 1 000 − 0 = 1 000
L’étendue est estimée à 1 000.
Interprétation : faute d’informations plus précises, on estime à 1 000 €
l’écart entre le plus grand ticket et le plus petit ticket.
4.11. Quantiles
On souhaite répartir une population, rangée par ordre croissant de
valeurs en groupes de même taille.
Les valeurs limites de chaque groupe sont appelées quantiles.
On se servira essentiellement des quantiles particuliers :
Si l’on répartit la population en quatre groupes de même taille, les
quantiles correspondant sont appelés quartiles.
Le premier quartile est noté Q1, le troisième quartile est noté Q3.
On ne considère en général pas le deuxième quartile, on utilise la mé-
diane à sa place.
Voici un tableau de fréquences modélisant (en principe) la réparti-
tion :
Valeurs [Min;Q1[ [Q1;me[ [me;Q3[ [Q3;Max[
Fréquences 25 % 25 % 25 % 25 %
Dans les faits, pour les séries discrètes, la répartition peut faire que les
pourcentages soient différents de 25 % dans chaque catégorie. Les quar-
tiles trouvés sont néanmoins les meilleures valeurs limites.
Si l’on répartit la population en dix groupes de même taille, les quan-
tiles correspondant sont appelés déciles.
Les déciles sont notés D1, … , D9.
Valeurs [Min;D1[ [D1;D2[ … [D9;Max[
Fréquences 10 % 10 % … 10 %
Si l’on répartit la population en cent groupes de même taille, les quan-

tiles correspondant sont appelés centiles.
Les centiles sont notés C1, … , C99.
Valeurs [Min;C1[ [C1;C2[ … [C99;Max[

Fréquences 1 % 1 % … 1 %
Lors de l’étude statistique, plus on a affaire à une population impor-

tante, plus on a tendance à choisir de travailler avec des centiles plutôt que
des quartiles.
En pratique, rien n’empêche de travailler avec d’autres quantiles que
ces trois-là. Ce n’est en général pas l’usage, mais si on désire le faire, la
démarche décrite ci-après s’adapte facilement.
4.12. Calcul des quantiles (séries discrètes)

La démarche ressemble fort au calcul de la médiane (voir 4.5).
Nous reprenons l’exemple de série discrète étudié dans ce chapitre :
Calcul du 7e décile :
Le calcul de n’importe quel autre quantile se fait de la même manière.
On calcule les effectifs cumulés (voir 4.5).

On détermine la position du quantile : pour le 7e décile, on multiplie
l’effectif total par .
Si le résultat obtenu n’est pas entier, on l’arrondit à l’entier supérieur

(pas au plus proche).
366,1 ≈ 367
Le 7e décile sera en 367e position des valeurs écrites par ordre crois-
sant.
La valeur du quantile est la première valeur dont l’effectif cumulé est
supérieur ou égal à la position du quantile.
D7 = 2
Interprétation : au moins 7 foyers sur 10 n’ont pas plus de 2 voitures.
4.13. Calcul des quantiles (séries continues)

La démarche ressemble fort au calcul de la médiane (voir 4.6).
Attention : La fonction Stats-1Var des calculatrices donne des valeurs
de quartiles. Pour les séries continues, ces valeurs sont en général fausses
(la calculatrice ne peut pas deviner que l’utilisateur a remplacé les inter-
valles d’une série continue par les centres des classes).
Il ne faut donc pas reprendre les valeurs de la calculatrice

pour déterminer les quartiles. Il faut procéder comme ci-
après.
Nous reprenons l’exemple de série continue étudié dans ce chapitre :

Calcul du 65e centile :

Le calcul de n’importe quel autre quantile se fait de la même manière.
On calcule les effectifs cumulés.
On trace le polygone des effectifs cumulés croissants (voir 4.6 pour la

procédure).
On détermine la position du quantile cherché : pour le 65e centile, on
multiplie l’effectif total par .
Attention : Contrairement aux séries discrètes, on n’arrondit
pas à l’entier. On continue à travailler avec la valeur déci-
male.
On repère la position du quantile sur l’axe des ordonnées du polygone

(ligne horizontale 486,2).
L’abscisse du point d’intersection avec le polygone est le quantile
cherché (ligne verticale C65).
On trouve l’équation du segment coupé par le quantile sur le poly-
gone (trait gras).
On peut trouver cette équation « à la main », en appliquant des méthodes
de géométrie analytique. La calculatrice donne également cette équation à
partir des coordonnées des extrémités du segment. Voir pour cela les tuto-
riels « Interpolation Linéaire » sur la chaîne Youtube MathsEnVideo Sup.
Ici, l’équation du segment est y = 0,496 × x + 350,667
On substitue la position du quantile à la place de y et l’on résout
l’équation obtenue pour trouver le quantile.
486,2 = 0,496 × x + 350,667

135,533 = 0,496 × x
x ≈ 272,89
On estime donc le 65e centile à 272,89 €.
Interprétation : faute d’informations plus détaillées, on considère que
65 % des clients ont dépensé moins de 272,89 €.
4.14. Variance, écart-type

La variance et l’écart-type sont des paramètres faciles à obtenir et qui
renseignent immédiatement sur la dispersion d’une série statistique.
La variance et l’écart-type sont des nombres positifs.
Plus leurs valeurs sont grandes, plus les valeurs de la série statistique
sont dispersées, plus la population étudiée est hétérogène.
Plus leurs valeurs sont proches de 0, plus les valeurs de la série statis-
tique sont regroupées, plus la population étudiée est homogène.
Cas extrême : lorsque la variance et l’écart-type valent 0, cela signifie
que pour toute la population, le caractère étudié prend la même valeur.
La variance est la moyenne des carrés des écarts à la moyenne.
Nous la noterons V.
Exemple 4.7. Calcul de la variance pour une série discrète :

V ≈ 0,65
L’écart-type est la racine carrée de la variance.
Nous le noterons σ (lettre grecque sigma minuscule)
En pratique, nous ne ferons pas ce calcul à la main. En effet, la fonc-

tion Stats-1Var de la calculatrice donne immédiatement la valeur de
l’écart-type (voir les tutoriels Moyenne et écart-type pour calculatrices
Casio et TI sur la chaîne Youtube MathsEnVideo Sup).
Le fait de trouver l’écart-type à la calculatrice rend la notion de va-
riance inutile. Si l’on tient à la trouver, on peut toujours élever l’écart-type
au carré. La variance est plus utile en mathématiques pures qu’en mathé-

matiques appliquées car c’est une fonction plus simple à étudier.
L’avantage de l’écart-type est qu’il s’exprime dans la même unité de
mesure que les valeurs. Ici, 0,806 représente un nombre de voitures. Ce
n’est pas le cas de la variance. Nous pouvons donc additionner la moyenne
et l’écart-type, ce que nous ferons en statistiques inférentielles et en proba-
bilités, dans la suite de l’ouvrage.
Interprétation : nous pouvons dire de l’étude de cette série discrète
que dans ce quartier, il y a en moyenne 1,46 voiture par foyer, avec un
écart-type de 0,806 voiture en plus ou en moins.
Pour les séries continues : la variance et l’écart-type s’estiment de la
même manière que pour les séries discrètes, en remplaçant les intervalles
par leurs centres, comme au 4.7. Nous ne détaillerons donc pas le calcul
ici.
Le lecteur est cependant invité à vérifier que pour l’exemple de série
continue étudié plus haut, le panier moyen est estimé à 259,83 €, avec un
écart-type de 270,49 € en plus ou en moins.
Puisqu’en général, nous calculerons l’écart-type à la calculatrice avec
Stats-1Var, nous obtiendrons également la moyenne par la même occa-
sion, ce qui rend inutile le calcul de la moyenne à la main.
4.15. Exercices d’application : paramètres de dispersion
Exercice 4.18. Ce tableau répertorie le nombre de personnes par foyer

dans une cité HLM donnée.

Nombre de foyers 2 28 115 205 146 18 5
a) Quelle est l’étendue de la série ? Interpréter cette étendue.

b) Calculer Q1, D1 et C1 (le premier quartile, le premier décile et le
premier centile) et les interpréter.
c) Donner l’écart-type et la variance.

[90;95[ 5
[95;100[ 29
[100;105[ 72
[105;110[ 107
[110;115[ 38

b) Estimer Q3 et D3 et les interpréter.
c) Estimer l’écart-type et la variance.

21 à 23 ans 194
24 à 26 ans 478
27 à 29 ans 439
30 à 33 ans 470
34 à 40 ans 744
41 à 50 ans 717
51 à 56 ans 164
57 à 66 ans 46

b) Estimer Q3 et C75. Que remarque-t-on ? Pourquoi ? Interpréter le
résultat.
c) Estimer l’écart-type et la variance.
Exercice 4.21. Voici une série statistique continue :
Valeurs De 3 à 12 De 12 à 15 De 15 à 18 De 18 à 21 De 22 à 25
Effectifs 6 6 3 6 7
a) Quelle est son étendue ?

b) Calculer D4.
Exercice 4.22. Dans les cités HLM d’une ville, on a compté le nombre

d’étages de chaque immeuble et répertorié les résultats dans la feuille
de calcul suivante :
a) Quelles formules saisir dans les cellules B3, I3 et I4 ?

b) Quels nombres apparaîtront alors dans ces cellules ?
Exercice 4.23. Des collégiens se sont entraînés au saut en hauteur et

leurs performances ont été résumées dans le diagramme circulaire
ci-contre.
a) Quelle est l’étendue de la série ?
Interpréter.
b) Calculer et interpréter C17.
Exercise 4.24. Here are the results of a survey asking the members of

two football clubs in how many tournaments they took part over the
last five years.
a) Compute the first quar-
tiles of the two series.
Explain the meaning of each
result.
b) Compute the standard
deviations4 of both series.
4. Standard deviation : Écart-type.

Solutions :
4.18. a) 6 b) Q1 = 3 per. ; D1 = 3 per. ; C1 = 2 per.
c) V ≈ 0,977per.2 σ ≈ 0,989 per.
4.19. a) 25 km/h b) Q3 ≈ 108,84 km/h ; D3 = 102,87 km/h
c) σ ≈ 4,74 km/h V ≈ 22,45 km2/h2
4.20. a) 46 ans
b) Q3= C75 ≈ 42,59 ans (42 ans 7 mois et 2 jours) car 3/4 = 75 %
c) σ ≈ 9,24 ans V ≈ 85,43 ans2
4.21. a) 22 b) D4 = 15 c) σ ≈ 5,586 V ≈ 31,21
4.22. a) B3 : =(B1-$I2)^2
I3 : =SOMMEPROD(B3:F3;B2:F2)/I1
I4 : =RACINE(I3)
b) B3 : 27,458 I3 : 13,622 I4 : 3,691
4.23. a) 45 cm b) 101,03 cm c) σ ≈ 9,05 cm V ≈ 81,92 cm2
4.24. a) Q1 = 1 in both clubs b) σAtlantic ≈ 1.605 σPacific≈ 1.541
Exercices de révision. Chapitres 1 à 4
Clément Amzallag
ISBN 9782376876137



EXERCICES DE RÉVISION
CHAPITRES 1 À 4
Exercices de révision 119
Exercice R9. Les magasins Habi’Stop et Vet’City ont réalisé le même

chiffre d’affaires en janvier. Habi’Stop a vu son chiffre d’affaires aug-
menter de 15 % en février, puis baisser de 20 % en mars et enfin aug-
menter de 5 % en avril.
Vet’City a vu son chiffre d’affaires augmenter de 5 % en février, puis
augmenter de 15 % en mars, puis baisser de 25 % en avril.
a) Comparer les taux moyens de variation mensuels dans les deux
magasins.
b) Lequel de ces deux magasins a cumulé le plus grand chiffre d’af-
faires de janvier à avril ?
Exercice R10. L’entreprise Liba lance sur le marché un nouveau coffret

de produits de beauté d’entrée de gamme. Pour savoir quel prix de
vente unitaire elle doit fixer, elle se base sur les données
suivantes :
• Les actionnaires ne désirent en aucun cas vendre les cof-
frets à moins de 20 € pièce.
• Si l’on était certain de vendre 16 000 coffrets, on fixerait
un prix unitaire de 30 €.
• Le coffret ne se vendra pas à plus de 35 € pièce.
• On peut espérer vendre 10 000 coffrets si l’on fixe le prix unitaire à
22,50 €.
a) Écrire les fonctions d’offre et de demande.
b) Déterminer le prix de vente unitaire optimal et la quantité vendue
attendue.
c) Le coût de production de n coffrets se calcule suivant la formule
c(n) = n2 − 15 975 n + 61 750 000
Quel bénéfice est attendu de la vente du nombre de coffrets trouvé à
la question précédente ? Est-ce le bénéfice maximal possible ?
d) Pour quelle fourchette de coffrets vendus le bénéfice sera-t-il posi-
tif ?
Exercice R11. Pour financer l’achat de son logement, Pierre veut

contracter un emprunt d’un montant de 127 000 €, remboursable
sur 30 ans. La Banque Superficielle du Commerce Relatif (BSCR) lui
propose un crédit à un TAEG de 2,25 %.
a) S’il veut minimiser le coût total de ce crédit, choisira-t-il de rem-
bourser à taux fixe, à amortissement fixe ou bien in fine ?
b) La capacité de remboursement mensuelle de Pierre est estimée à

600 €. Vérifier qu’il peut se permettre de choisir le mode de rembour-
sement de la question a).
c) On modélise son tableau d’amortissement sur feuille de calcul
comme suit :
Quelles formules doit-on saisir en C2, D2, E2 et H3 ? (Attention aux

$ et aux unités.)
d) Compléter les trois premières lignes du tableau d’amortissement.
e) Calculer le coût total du crédit.
f) Juste avant de signer, Pierre repère un placement à 3 % d’intérêts
annuels. Il songe alors à demander un remboursement in fine et à ver-
ser mensuellement le montant de l’amortissement sur ce placement.
A-t-il raison ?
Exercice R12. Maryse ouvre un compte sur livret rémunéré à 1 % an-

nuels en y déposant 2 500 € le 23 avril 2018. Elle en retire 300 € le
14 août 2018 puis y dépose 170 € le 13 octobre 2018.
a) Calculer les intérêts acquis et le solde au 1er janvier 2019.
b) Maryse n’effectue aucune autre opération sur ce livret jusqu’à sa
clôture le 2 février 2022. Quel sera le solde à la clôture du compte ?
Exercice R13. La Grac, grand magasin de biens cultu-

rels réalise une étude sur les prix de vente des livres
de Science-Fiction qu’elle propose dans ses rayons.
Moins De 10 € De 30 € De 70 €
Prix de vente
de 10 € à 30 € à 70 € à 120 €
Nombre de titres 85 45 27 32
a) Représenter cette série de données dans un histogramme.

b) Estimer le prix de vente moyen et l’écart-type de la série.
c) Estimer le premier quartile, la médiane et le neuvième décile.
Interpréter ces résultats.
Exercice R14. Voici quelques indicateurs concernant un magasin de

dégustation et de vente à emporter de sushi et autres produits japo-
nais situé dans un CCR (Centre Commercial Régional).
• Nombre de passants quotidiens devant

le magasin : 11 275
• Nombre d’entrées quotidiennes : 812
• Nombre de tickets de caisse par jour : 619
• Nombre de ventes-fidélité en 2022 :
92 850
• Nombre de cartes de fidélité inactives en
2022 : 20 367
Calculer tous les indicateurs commerciaux possibles à partir de ces

données et déterminer lesquels seront à améliorer pour l’année sui-
vante.
Exercice R15. Une entreprise fabricant du gros électroménager invite

à une réunion commerciale un échantillon de 1 500 personnes inté-
ressées par l’achat d’un réfrigérateur, pour leur présenter un nouveau
modèle de réfrigérateur connecté qu’elle compte lancer sur le mar-
ché bientôt. On recueille l’avis des membres de l’échantillon sur le
prix d’achat auquel ils évaluent l’appareil. 750 personnes disent être
prêtes à acheter le réfrigérateur si le prix ne dépasse pas 3 200 €. En
revanche, 1 194 personnes répondraient favorablement à un prix de
vente de 2 800 €.
a) Les données ci-dessus permettent-elles de déterminer la fonction
d’offre ou la fonction de demande ? Déterminer la fonction indiquée.
b) D’autre part, en se basant sur un prix de vente estimé à 3 000 €
l’unité, le responsable financier de l’entreprise a déterminé que les
coûts de production de l’appareil sont calculés à partir de la quantité
produite à partir de la fonction :
c(n) = 0,026 7n2 + 2 600n + 960 000
Déterminer la fonction de bénéfice associée.
c) Dans quel intervalle doit se situer la production afin que l’entreprise
ne perde pas d’argent (l’entreprise produit sur commande et n’a pas
d’invendus) ?
d) Quel nombre de ventes permet de maximiser le bénéfice ? À quel
montant se monte-t-il alors ?
e) Le PDG de l’entreprise fixe pour le prix unitaire de l’appareil un
plancher de 2 500 € en dessous duquel il ne descendra pas, et un
objectif de vendre 7 700 appareils à 3 100 € l’unité. Déterminer la

fonction associée à ces données.
f) Déterminer le prix de vente optimal en fonction de l’offre et de la
demande sur l’échantillon interrogé.
g) L’entreprise a vendu 7 200 réfrigérateurs durant la première année.
Pour l’année suivante, elle étudie la possibilité d’augmenter le prix de
vente de 1,5 %, par rapport au prix optimal de la question précédente
(arrondi à l’euro). Une étude de marché montre que cela permettrait
d’espérer 7 600 ventes sur l’année suivante. Dans ce cas, la réaction
des consommateurs à l’augmentation est-elle forte ? Ce réfrigérateur
connecté est-il un bien de Giffen ? de Velben ? Comment définir son
positionnement ?
Exercice R16. On s’intéresse aux performances du site

www.caroldic.com qui vend en ligne des pièces détachées pour auto-
mobiles anciennes.
a) Le site finance une campagne de publicité ciblée sur les réseaux
sociaux, qui ont généré 1 027 connexions pour 53 018 impressions
au cours du mois dernier. Ces 1 027 connexions ont donné lieu à un
achat 247 fois.
Quels indicateurs commerciaux ces données permettent-elles de cal-
culer ? Les calculer.
b) Le site incite systématique-
ment à la vente additionnelle
en proposant des produits
similaires ou complémentaires
à ceux consultés. Le nombre de
produits achetés par client est
récapitulé dans le diagramme
ci-contre. Le prix moyen d’un
article est de 67,49 €.
Calculer l’indice de vente et en déduire le panier moyen.
c) Au vu de ses avis sur Google, le site a-t-il un bon NPS ?
Solutions :
R9. a) Habi’Stop : −1,146 %/mois Vet’City : −3,25 %/mois
b) Vet’City a gagné plus.
R10. a) o(n)=0,000 625n + 20 d(n) = −0,001 25n + 35
b) 8 000 coffrets à 25 € pièce
c) 2 250 000 € : c’est le bénéfice maximal
d) entre 6 500 et 9 500 coffrets
R11. a) A amortissement fixe
b) Plus grande mensualité : 590,90 €
c) C2 : =B2*H$1/12 D2 : =B$2/(H$2*12) E2 : =C2+D2
H3 : =SOMME(C2:C361)
d)
e) 42 981,56 €
f) Oui (Valeur acquise − Coût du crédit = − 8 566,61 € seulement)
R12. a) 15,77 € 2 385,77 € b) 2 460,11 €
R13. b) ≈ 30,23 € ; σ ≈ 32,82 €
c) Q1 ≈ 5,56 € me ≈ 14,22 € ; D9 ≈ 90,47 €. Un quart des livres
coûte moins de 5,56 €. La moitié des livres coûtent moins de 14,22 €.
Neuf dixièmes des livres coûtent moins de 90,47 €.
R14. 7,2 % ; 58,7 ; 76,23 % ; 21,89 % ; 78,11 %
R15. a) y = −0,9x + 3 875 b) b(n) = −0,026 7n2 + 400n − 960 000
c) 3002 ; 11 980 d) 7 491 ; 538 127 €
e) y = 0,078x + 2 500 f) 1 406 ; 2 610 €
R16. a) 1,94 % ; 24,05 % b) 1,95 ; 131,70 €
Chapitre 5. Statistiques bivariées
Clément Amzallag
ISBN 9782376876137



CHAPITRE 5.
STATISTIQUES BIVARIÉES
▶ Distributions jointes, marginales, conditionnelles

▶ Ajustement linéaire
▶ Séries chronologiques
▶ Test d’indépendance du
Statistiques bivariées 125
5.1. Distributions jointes

Dans ce chapitre, nous allons étudier simultanément deux caractères
d’une même population, afin d’établir ou d’infirmer un éventuel lien
entre eux.
Exemple 5.1. On souhaite savoir s’il y a un lien entre le temps passé par

les clients à l’intérieur d’un magasin et le montant de leurs achats.
On étudie les comportements des clients dans le magasin concerné
sur une journée.
On rassemble les données dans un tableau de contingence :
Montant des
achats Moins de 100 € De 100 € à 250 € Plus de 250 €
Temps passé
Moins d’une heure n1,1 227 n1,2 204 n1,3 158
Entre une et deux heures n2,1 97 n2,2 152 n2,3 140
Plus de deux heures n3,1 45 n3,2 48 n3,3 49
Repérage des effectifs dans le tableau : On notera nij l’effectif de la

ligne i et de la colonne j.
Par exemple, n2,3 = 140 (effectif sur la 2e ligne et la 3e colonne).
Interprétation : Lors de cette étude, 140 clients ont passé entre une et
deux heures dans le magasin et y ont dépensé plus de 250 €.
On peut aussi dresser le tableau de contingence des fréquences :
Pour calculer les fréquences, on calcule d’abord l’effectif total en addi-
tionnant tous les effectifs.
L’effectif total vaut 1 120.
Puis, on rapporte chaque effectif à l’effectif total.
Par exemple, pour la 1re case : , soit 20,27 % environ.
On notera fij la fréquence de la ligne i et de la colonne j.
Montant des
achats Moins de 100 € De 100 € à 250 € Plus de 250 €
Temps passé
Moins d’une heure f1,1 20,27 % f1,2 18,21 % f1,3 14,11 %
Entre une et deux heures f2,1 8,66 % f2,2 13,57 % f2,3 12,50 %
Plus de deux heures f3,1 4,02 % f3,2 4,29 % f3,3 4,37 %
Par exemple, f2,3 = 12,5 %.

Interprétation : 12,5 % des clients ayant participé à l’étude sont restés

entre une et deux heures dans le magasin et y ont dépensé plus de 250 €.
Attention aux erreurs d’interprétation : les pourcen-

tages ont été calculés en se rapportant au total des clients
ayant participé à l’étude. L’interprétation de chaque pour-
centage doit rendre compte de cela.
Les interprétations commençant par « 12,5 % des clients
ayant dépensé plus de 250 €… » ou bien « 12,5 % des clients
restés entre une et deux heures dans le magasin… » sont
donc fausses.
5.2. Distributions marginales

Lorsque l’on souhaite étudier un seul des caractères dans sa globalité,
on fait les totaux de chaque ligne ou de chaque colonne.
La suite de ces totaux s’appelle distribution marginale du caractère.
Elles se trouvent en effet en marge du tableau de contingence.
En calculant les distributions marginales pour l’exemple 5.1, on ob-
tient :
Montant des
Moins de De 100 € à Plus de
achats Total
100 € 250 € 250 €
Temps passé
Moins d’une heure 227 204 158 n1* 589
Entre une et deux heures 97 152 140 n2* 389
Plus de deux heures 45 48 49 n3* 142
Total n*1 369 n*2 404 n*3 347 N 1 120
Exemples de calcul :
227 + 204 + 158 = 589
227 + 97 + 45 = 369
On notera ni* le total de la ie ligne.
Par exemple, n2* = 389
Interprétation : 389 clients ont passé entre une et deux heures dans le
magasin.
Notons que cette interprétation n’évoque pas le montant dépensé.
On notera n*j le total de la je colonne.

Par exemple, n*3 = 347
Interprétation : 347 clients ont dépensé plus de 250 €.
Notons que cette interprétation n’évoque pas le temps passé dans le
magasin. Les distributions marginales servent donc bien à travailler sur
un seul des deux caractères étudiés, en ignorant temporairement l’autre.
On notera N l’effectif total.
N = 1 120
Interprétation : 1 120 clients ont participé à l’étude.
Attention : Pour trouver l’effectif total, il faut additionner

les totaux des lignes ou les totaux des colonnes mais pas les
deux ensemble.
309 + 404 + 347 = 1 120

ou bien 389 + 389 + 142 = 1 120
On peut aussi calculer les fréquences marginales :
Montant des
achats Total
100 € 250 € 250 €
Temps passé
Moins d’une heure 20,27 % 18,21 % 14,11 % f1* 52,59 %
Entre une et deux heures 8,66 % 13,57 % 12,5 % f2* 34,73 %
Plus de deux heures 4,02 % 4,29 % 4,37 % f3* 12,68 %
Total f*1 32,95 % f*2 36,07 % f*3 30,98 % 100 %
On notera fi* le total de la ie ligne.

Par exemple, f2* = 34,73 %
Interprétation : 34,73 % des clients ont passé entre une et deux heures
dans le magasin.
On notera f *j le total de la je colonne.
Par exemple, f *3 = 30,98 %
Interprétation : 30,98 % clients ont dépensé plus de 250 €.
Travailler sur un seul caractère à l’aide des distributions marginales,
permet de calculer ses paramètres de position et de dispersion, ainsi que
de tracer des diagrammes le concernant, en utilisant les outils vus au cha-
pitre 4.
À l’aide des distributions marginales, on pourrait par exemple esti-

mer le temps moyen passé par les clients dans le magasin, leur ticket
médian, les écarts-type, les quantiles…
5.3. Distributions conditionnelles

Concernant l’exemple précédent, nous allons traiter trois questions,
en apparence similaires mais ayant des réponses différentes.
• Question 1 : Quelle est la proportion des clients qui passent moins
d’une heure au magasin et dépensent plus de 250 € ?
• Question 2 : Quelle est la proportion des clients qui passent moins
d’une heure au magasin parmi ceux qui dépensent plus de 250 € ?
• Question 3 : Quelle est la proportion des clients qui dépensent plus
de 250 € parmi ceux qui passent moins d’une heure au magasin ?
■ Réponse 1 : La réponse à la question 1 figure dans le tableau des
fréquences conjointes ci-dessus. Pour rappel, 158 clients sur un total de
1 120 passent moins d’une heure dans le magasin et dépensent plus de
250 €. La proportion cherchée est donc .
Environ 14,11 % des clients passent moins d’une heure dans le maga-
sin et dépensent plus de 250 €
■ Réponse 2 : La question 2 ne porte que sur les clients qui dépensent
plus de 250 € en ignorant les autres. Dans le tableau d’effectifs, il ne faut
donc regarder que la 3e colonne :
Montant des
achats Plus de 250 €
Temps passé
Moins d’une heure 158
Entre une et deux heures 140
Plus de deux heures 49
Total 347
158 clients passent moins d’une heure dans le magasin parmi les 347

qui dépensent plus de 250 €. La proportion cherchée est donc .
Environ 45,53 % des clients dépensant plus de 250 € passent moins
d’une heure au magasin.
■ Réponse 3 : La question 3 ne porte que sur les clients qui passent
moins d’une heure dans le magasin en ignorant les autres. Dans le ta-
bleau d’effectifs, il ne faut donc regarder que la 1re ligne :
Montant des
achats Total
100 € 250 € 250 €
Temps passé
Moins d’une heure 227 204 158 589
158 clients dépensent plus de 250 € parmi les 589 qui passent moins
d’une heure dans le magasin. La proportion cherchée est donc .
Environ 26,83 % des clients passant moins d’une heure dans le maga-
sin dépensent plus de 250 €.
La réponse à la question 1 est une proportion calculée sur la base de
l’effectif total. C’est une fréquence conjointe.
Les réponses aux questions 2 et 3 sont des proportions calculées sur
la base d’effectifs marginaux. Ce sont des fréquences conditionnelles.
Nous avons vu plus haut que la notation mathématique des fréquences
conjointes était du type fi,j, où i est le numéro de la ligne et j est le numéro
de la colonne.
Calcul des fréquences conditionnelles :

La fréquence conditionnelle de la donnée numéro j sur la ligne i sera
notée .
D’après la réponse 3, on a .
La fréquence conditionnelle de la donnée numéro i sur la colonne j
sera notée .
D’après la réponse 2, on a .
Dans ce paragraphe, nous avons appris à ne considérer temporaire-
ment qu’une ligne ou une colonne du tableau. Ceci permet de réaliser
une étude statistique sur une catégorie de population. (Par exemple,
n’étudier que les clients qui dépensent plus de 250 €.)
On peut ainsi, si c’est pertinent pour l’étude statistique, calculer des
paramètres de position ou de dispersion conditionnels, en utilisant les
outils vus au chapitre 4.
Par exemple, on pourrait estimer le panier moyen des clients qui
passent moins d’une heure au magasin et voir s’il est significativement
différent du panier moyen des clients qui y passent plus de deux heures.
On pourrait aussi voir si la dispersion des temps passés dans le maga-

sin est différente chez les clients dépensant peu de chez les clients dépen-
sant beaucoup.
Croiser ces données pourrait nous fournir une indication quant à un
éventuel lien entre le temps passé dans le magasin et le montant du ticket
de caisse, et ainsi nous renseigner sur le comportement des consomma-
teurs.
5.4. Exercices d’application : distributions
Exercice 5.1. On a recensé le nombre de ventes mensuelles (en mil-

liers) de trois jeux vidéo sortis récemment dans les magasins de trois
villes :
Oblivion’s Dungeon of
World of Titans Total
quest III the dark realm
Saint-Brieuc 4,2 1,3 1,7
Rodez 3,6 0,9 2
Bourges 5,3 1,5 2,2
Total
a) Compléter le tableau avec les distributions marginales.
b) Lire dans le tableau et interpréter n2,3 et n3,*.
c) Dresser le tableau de contingence des fréquences et des fréquences
marginales.
d) Lire dans ce tableau et interpréter f 3,1 et f *,1.
e) Parmi tous les achats comptabilisés, quelle proportion représentent
les Ruthénois acquéreurs de World of Titans ? Préciser sa notation
mathématique.
f) Parmi ceux qui ont acheté Oblivion’s quest III, quelle est la propor-
tion de Berruyers ? Préciser sa notation mathématique.
g) Parmi les Briochins, quelle est la proportion des acquéreurs de
DotDR ? Préciser sa notation mathématique.
Exercice 5.2. Sur un site d’achats en ligne, on a étudié les notations

des clients (de 1 étoile pour la plus mauvaise note à 5 étoiles pour
la meilleure note) et on les a réparties suivant le montant de leurs
achats, obtenant ainsi le diagramme suivant :
a) Dresser un tableau de contingence des effectifs correspondant à

ces données.
b) Estimer la dépense médiane des internautes qui ont donné 5 étoiles.
c) Estimer la dépense médiane de tous les internautes.
d) Lesquels sont les plus satisfaits entre les internautes ayant dépen-
sé moins de 100 € et les internautes ayant dépensé plus de 500 € ?
e) Estimer et interpréter le troisième quartile des dépenses des inter-
nautes ayant donné 3 étoiles.
f) D’après leurs écarts-types, quelle population a la notation la plus
homogène entre les internautes ayant dépensé entre 100 € et 250 €
et les internautes ayant dépensé entre 250 € et 500 € ?
g) Tracer l’histogramme des dépenses des internautes ayant donné
4 étoiles.
Exercice 5.3. La feuille de calcul suivante répertorie les chiffres d’af-

faires des commerciaux d’une société de soutien scolaire à domicile
sur six mois.
a) Quel est le chiffre d’affaires moyen réalisé par un commercial du-

rant ce semestre ?
b) Quelle formule faut-il saisir au tableur pour obtenir le résultat de la

question a) ?
c) Le titre d’employé du semestre est décerné au commercial dont le
rapport est le plus élevé (ce qui incite à avoir une moyenne
élevée tout en maintenant des résultats homogènes). Qui sera
l’employé(e) du semestre ?
Solutions :
5.1. a) 7,2 – 6,5 – 9 – 13,1 – 3,7 – 5,9 – 22,7 b) 2 – 9
c) St. B. 18,5 % + 5,73 % + 7,49 % ≈ 31,72 %
Rod. 15,86 % + 3,96 % + 8,81 % ≈ 28,63 %
Bou. 23,35 % + 6,61 % + 9,69 % ≈ 39,65 %
Total 57,71 % + 16,3 % + 25,99 % = 100 %
d) 23,35 % – 57,71 % e) 15,86 %
f) 40,54% g) 23,61 %
5.2. b) 150,45 € c) 131,80 €
d) Ceux qui ont dépensé plus de 500 € e) 284,08 €
f) Ceux qui ont dépensé entre 250 € et 500 €
5.3. a) 12 141 b) =MOYENNE(B2:G5) c) Dominique
5.5. Indépendance au sens strict

En étudiant deux caractères d’une même population, on cherche à
déterminer s’il existe un lien statistique entre eux.
Dans l’exemple des paragraphes 5.1 à 5.3, on pourrait par exemple se
demander si le temps passé à l’intérieur du magasin est statistiquement
lié au montant du ticket de caisse du client.
Voilà pourquoi il est important en premier lieu de donner un sens
mathématique à la notion d’indépendance au sens strict, qui représente
la situation où il n’y a aucun lien statistique entre les deux caractères
étudiés. L’indépendance au sens strict se caractérise assez facilement à
partir des tableaux de contingence vus aux paragraphes 5.1 à 5.3.
S’il n’y a aucun lien entre les deux caractères étudiés, on dit qu’ils sont
indépendants.
S’il y a un lien, on dit que les deux caractères sont liés.
On considérera que les deux caractères étudiés sont indé-

pendants au sens strict si, lorsque l’on extrait du tableau
de contingence deux lignes, deux colonnes ou quatre cases
disposées en rectangle, on obtient toujours un tableau de
proportionnalité.
Condition sur les fréquences : les deux caractères sont
indépendants si pour toutes les valeurs de i et de j, on a :

ou bien
ou bien
En effet, l’égalité signifie que la fréquence de la valeur i dans

la colonne j est égale à la fréquence de la valeur i dans toute la population.
Donc, la fréquence de la valeur i reste identique dans toutes les colonnes
du tableau, c’est-à-dire dans toutes les catégories de la population définie
par le second caractère. Donc, le second caractère n’a aucune influence
sur le premier, ce qui caractérise la notion d’indépendance.
De même, signifie que la fréquence de la valeur j dans la
ligne i est égale à la fréquence de la valeur i dans toute la population. On
en tire les mêmes conclusions.
D’autre part on a vu au 5.3 que . En substituant cette égalité
dans la condition, on obtient :
, d’où découle la troisième condition . Or, cette der-
nière condition peut se réécrire et l’on retrouve les pro-
duits en croix qui caractérisent la proportionnalité dans tout le tableau.
La notion intuitive d’indépendance de caractères est donc bien cohé-

rente avec la définition mathématique et avec la proportionnalité.
On pourrait se servir de cette propriété pour vérifier si les conditions
d’indépendance au sens strict sont réunies dans les résultats d’une étude
statistique. Dans les faits, on ne le fait jamais. En effet, il serait miracu-
leux que les résultats d’une enquête de terrain aboutissent à une stricte
proportionnalité des effectifs de toutes les catégories. L’indépendance au
sens strict ne se produit donc jamais dans le monde réel. Elle représente
plutôt une situation théorique dont on vérifiera si l’on est proche ou éloi-
gné, pour pouvoir décider si l’on considère qu’il y a indépendance entre
les caractères étudiés ou non. Cela constitue le principe du test d’indé-
pendance du χ2 que nous verrons plus loin.
Par contre, il est important de savoir remplir un tableau de fréquences
sous l’hypothèse d’indépendance au sens strict. Pour cela, étudions
l’exemple suivant :
Exemple 5.2. On admet que l’ancienneté d’un compte courant bancaire

est indépendante du montant à son crédit.
Compléter le tableau de fréquences suivant :
Moins de De 500 € à De 1 000 € Plus de
Total
500 € 1 000 € à 3 000 € 3 000 €
Moins
5 %
d’un an
De 1 à
37 %
10 ans
Plus de
58 %
10 ans
Total 49 % 24 % 19 % 8 % 100 %
Réponse : L’énoncé fait l’hypothèse d’indépendance au sens strict, sans

laquelle nous n’aurions pas suffisamment de renseignements pour rem-
plir ce tableau.
Nous en déduisons donc que la fréquence de chaque case peut se cal-
culer d’après la formule .
Par exemple : f1,1 = 0,49 × 0,05 = 0,024 5
Interprétation : 2,45 % de tous les comptes courants sont ouverts de-
puis moins d’un an et ont moins de 500 € à leur crédit.
On procède de la même manière pour remplir les autres cases du ta-
bleau.
On obtient finalement les réponses suivantes :

Moins de De 500 € à De 1 000 € Plus de
Total
500 € 1 000 € à 3 000 € 3 000 €
Moins
2,45 % 1,2 % 0,95 % 0,4 % 5 %
d’un an
De 1 à
18,13 % 8,88 % 7,03 % 2,96 % 37 %
10 ans
Plus de
28,42 % 13,92 % 11,02 % 4,64 % 58 %
10 ans
Total 49 % 24 % 19 % 8 % 100 %
Dans la suite, nous allons exposer les procédures de caractérisation

du lien entre deux caractères considérés lors d’une étude statistique.
Si les deux caractères étudiés sont quantitatifs, ou numérisables, nous
procéderons par ajustement linéaire.
Si au moins l’un des deux caractères est qualitatif et non numérisable,
nous effectuerons un test d’indépendance du χ2 .
5.6. Ajustement linéaire

On utilisera l’ajustement linéaire pour caractériser la force d’un lien
entre deux caractères quantitatifs. Nous distinguerons trois étapes dans
ce processus :
1. Représentation des données sur un diagramme en nuage de points.
2. Estimation de la force du lien entre les deux caractères par le calcul
du coefficient de corrélation linéaire.
3. Le cas échéant, on pourra déterminer la droite de régression modé-
lisant le lien entre les deux caractères et s’en servir pour faire des
prévisions et des conjectures.
Nous étudierons ici le modèle linéaire, c’est-à-dire que nous essaierons
de savoir si l’éventuel lien entre les deux caractères peut être modélisé par
une droite. Il existe d’autres sortes de liens statistiques que le lien linéaire
(quadratique, sinusoïdal, exponentiel…) mais nous ne les étudierons pas
ici.
Il est possible que le lecteur assimile donc parfois abusivement l’absence
de lien linéaire à l’indépendance : ce n’est pas toujours le cas. S’il n’existe
pas de lien linéaire fort entre les deux caractères étudiés, il se peut qu’il
existe une autre sorte de lien. Nous aurons l’occasion d’y revenir succinc-
tement.
Exemple 5.3. On a répertorié les masses de six femelles éléphant d’Afrique

d’âge divers.
Prune Vanille Roberta Rosette Cary Miko
Âge
120 240 360 480 600 720
(mois)
Masse
1 920 3 827 5 542 6 995 8 681 11 207
(kg)
La population étudiée est composée de 6 éléphantes. Les deux carac-

tères considérés sont l’âge et la masse.
Ce sont deux caractères quantitatifs. Pour déterminer s’ils sont liés,
nous procéderons donc par ajustement linéaire.
L’un des deux caractères sera noté x, l’autre sera noté y.
Comment choisir lequel est x et lequel est y ? En général, nous ef-
fectuons l’étude parce que nous avons l’intuition d’un lien de cause à
effet entre les deux caractères. Nous assimilons l’un des caractères à la
« cause » et l’autre à la « conséquence ». Il est plus naturel de noter x le
caractère « cause » et y le caractère « conséquence », si c’est pertinent.
Ici, il est naturel de se demander si l’âge de l’éléphante a une influence
sur sa masse. La question inverse n’aurait aucun sens. Nous noterons
donc l’âge x et la masse y.
La première étape consiste à réaliser un diagramme en nuage de
points avec x en abscisse et y en ordonnée, comme ci-dessous.
Figure 6. Diagramme en nuage de points

L’éléphante Prune, âgée de 120 mois et pesant 1 920 kilos a été repré-

sentée sur ce diagramme par le point de coordonnées (120;1 920), en-
touré sur le diagramme. Les autres éléphantes ont été représentées de la
même manière, suivant leur âge et leur masse.
On essaie de conjecturer un lien linéaire entre les deux caractères étu-
diés.
Ici, les points du diagramme ont l’air proches d’être alignés sur une
droite croissante, on conjecture donc un lien croissant. D’après le dia-
gramme, plus l’âge de l’éléphante augmente, plus sa masse a l’air d’aug-
menter.
Attention : Un diagramme n’est pas une preuve. Seule

l’étude qui va suivre pourra faire office d’élément de preuve.
Le diagramme peut néanmoins être présenté dans l’étude
pour étayer son argumentation.
Dans d’autres circonstances, on peut tout à fait trouver un lien linéaire

décroissant.
On regarde un diagramme en nuage de points un peu comme un méde-
cin regarderait la radio du bras d’un patient, en cherchant à remarquer
quelque chose.
On peut conjecturer un lien croissant ou décroissant dès lors que l’on
remarque sur le diagramme une tendance globale à la hausse ou à la
baisse. La tendance n’est en général pas aussi nette que sur l’exemple ci-
dessus. Quelques exceptions à la tendance n’empêcheront pas la conjec-
ture.
Une fois la conjecture émise, nous la validons (ou l’infirmons) par des
méthodes statistiques rigoureuses, comme dans la suite.
5.7. Covariance, corrélation

On appelle covariance de l’âge et de la masse la moyenne des pro-
duits des écarts des âges et des masses à leur moyenne.
La covariance est notée .1
Nous supposons calculées les moyennes des âges et des masses des
éléphantes :
• Moyenne des âges : mois.
• Moyenne des masses : .
1. D’autres notations existent.

En appliquant la définition ci-dessus, on obtient un calcul long et fas-

tidieux :
La longueur de cette formule dépendant du nombre de données étu-

diées, elle peut vite devenir ingérable. On lui préférera une autre formule,
dont on admettra l’équivalence :
Pour appliquer cette dernière formule, nous avons besoin de connaître

l’effectif total N (ici 6 éléphantes), les valeurs moyennes de x et y (don-
nées ci-dessus) et la valeur de (la somme des produits des valeurs de
x par les valeurs de y).
Ces quatre valeurs sont néanmoins données immédiatement par la
fonction Stats-2Var de la calculatrice.
Figure 7. Stats-2Var sur TI Figure 8. Stats-2Var sur Casio

Voir pour cela les tutoriels « Calcul de corrélation » pour les calcula-
trices Casio et TI sur la chaîne Youtube MathsEnVideo Sup.
Calcul de la covariance :
Caractéristiques de la covariance :
• La covariance peut être positive, négative ou nulle.
• Si la covariance est positive, elle témoigne d’un lien croissant entre
les deux caractères (plus x augmente, plus y a tendance à augmen-
ter).
• Si la covariance est négative, elle témoigne d’un lien décroissant
entre les deux caractères (plus x augmente, plus y a tendance à
diminuer).
• Une covariance égale à 0 témoigne de l’absence de lien linéaire
entre les caractères (mais pas forcément de l’indépendance).
• Plus la valeur absolue de la covariance est grande, plus le lien entre

les caractères est fort.
Cette dernière remarque recèle la raison de l’inutilité de la

covariance pour ce qui nous concerne. En effet, nous n’avons
aucun moyen de savoir si le nombre que nous obtenons doit
être considéré comme petit ou grand. La seule donnée de la
covariance ne nous permet donc pas de conclure sur la force
du lien.
Nous aurons donc besoin d’un autre paramètre, qui a toutes les pro-
priétés de la covariance citées ci-dessus, sans en avoir cet inconvénient.
Il s’agit du coefficient de corrélation linéaire, plus simplement appelé
corrélation.
On appelle coefficient de corrélation linéaire le rapport entre la co-
variance et le produit des écarts-types.
La corrélation est notée rxy.
Le numérateur de la corrélation est la covariance que nous venons

d’obtenir.
Au dénominateur, on trouve le produit de l’écart-type de x par l’écart-
type de y. Les valeurs des deux écarts-type sont obtenues par Stats-2Var
à la calculatrice, sous les notations σx et σy (voir Figures 7 et 8).
Calcul de la corrélation :
• Le coefficient de corrélation est toujours compris entre −1 et 12.

• Plus il est proche de 1 (resp. de −1), plus les points du diagramme
sont proches d’être alignés sur une droite croissante (resp. décrois-
sante), plus le lien linéaire est fort entre les deux caractères étudiés.
Si la valeur absolue de la corrélation est entre 0,95 et 1, alors on consi-
dérera que le lien entre les deux caractères est très fort.
Si la valeur absolue de la corrélation est inférieure à 0,8, on considé-
rera qu’il n’y a pas de lien linéaire significatif entre les caractères étudiés.
Attention : il peut néanmoins y avoir un autre type de lien, non linéaire.
La corrélation obtenue ici est très élevée. On considère donc que le
lien entre l’âge et la masse des éléphantes est très fort.
2. C’est une conséquence des inégalités de Cauchy-Schwarz et de Hölder, qui sont des théo-
rèmes d’algèbre des espaces vectoriels normés. Le produit scalaire de deux vecteurs étant
toujours inférieur ou égal au produit des normes, leur quotient a une valeur absolue infé-
rieure ou égale à un. Nous n’entrerons pas davantage dans le détail.
Attention : Un lien linéaire fort ne signifie pas un lien de

cause à effet. Le fait d’observer une forte corrélation entre x
et y ne veut pas dire que x est la cause de y.
En effet, y pourrait être la cause de x. Il pourrait également exister un

troisième facteur z qui soit la cause à la fois de x et de y.
Même si nous avons entamé un ajustement linéaire avec l’idée que le
caractère x pourrait être la cause des valeurs de y, une forte corrélation
ne prouve pas que ce soit le cas. Il est donc important de ne pas faire
cette conclusion trop rapidement car cela entraîne des erreurs de raison-
nement qui peuvent avoir des conséquences graves sur la gestion d’une
entreprise, des décisions politiques ou autres domaines cruciaux. L’étude
de la causalité est l’objet d’un autre domaine des statistiques que nous
n’aborderons pas ici.
Dans le cas où la corrélation est assez forte, nous pouvons nous servir
de nos données pour essayer d’un conjecturer ou d’en prévoir d’autres.
C’est l’objet du paragraphe suivant.
5.8. Droite de régression

Reprenons le diagramme en nuage de points. Bien que les points ne
soient pas strictement alignés, il est facile d’imaginer une ligne droite
qui passerait à proximité de ces points.
Figure 9. Droite de régression
Il existe une unique droite dont la somme des distances aux points
du nuage est minimale. Cette droite s’appelle la droite de régression de
y en x.
Comme toutes les droites non verticales, elle admet une équation de
la forme y = ax + b. Cette équation nous sera utile pour faire des prévi-
sions et conjectures sur la base des données en notre possession.
Equation de la droite de régression linéaire :

avec :
En pratique, les valeurs de a et de b sont données par la calculatrice

avec la fonction Reg pour la calculatrice Casio et la fonction Reglin (ax+b)
pour la calculatrice TI, ou bien au tableur, à l’aide des fonctions INDEX
et DROITEREG. Il existe des méthodes pour trouver l’équation de la
droite de régression par le calcul, notamment la méthode des moindres
carrés, mais nous ne les aborderons pas ici.
Voir à ce sujet les tutoriels « Droite de régression » sur la chaîne Youtube
MathsEnVideo Sup.
Ici, nous obtenons a ≈ 14,869 et b = 117.
L’équation de la droite de régression est donc y = 14,869x + 117.
Interprétation : 14,869 est le nombre de kilogrammes que l’on estime
gagnés par une éléphante chaque mois.
117 est la masse estimée d’une éléphante de 0 mois suivant ce modèle3.
Prévisions et conjectures :
• Question 1 : Une éléphante est âgée de 300 mois. Estimer la masse
qu’elle devrait normalement avoir si elle n’a pas de problème pon-
déral.
• Question 2 : Une éléphante de 7 500 kg est trouvée blessée dans la
savane. Estimer son âge.
■ Réponse 1 : La droite de régression est y = 14,869x + 117 où x repré-
sente l’âge et y représente la masse. Nous substituons donc 300 à la place
de x et nous calculons :
y = 14,869 × 300 + 117 = 4 578
D’après ce modèle, une éléphante de 300 mois en bonne santé pèserait
environ 4 578 kg.
■ Réponse 2 : Ici, nous connaissons la masse de l’éléphante. Nous la
substituons donc à la place de y dans l’équation de la droite de régres-
sion :
3. Le modèle n’est cependant pas forcément pertinent pour les éléphantes de tous âges.
7 500 = 14,869x + 117

Nous résolvons l’équation pour trouver x.
14,869 × x = 7 383
D’après ce modèle, l’éléphante devrait être âgée d’environ 497 mois.

La forte corrélation trouvée précédemment est garante de la fiabilité
de ces conjectures.
5.9. Ajustement linéaire au tableur

On présente ici la feuille de calcul sur laquelle on a modélisé l’exemple
précédent et les formules à saisir dans chacune des cellules.
Figure 10. Ajustement linéaire au tableur

Covariance : en cellule F5 :
=COVARIANCE.PEARSON(B2:G2;B1:G1)
Le .PEARSON ne doit pas être saisi que sur Microsoft Excel.
Corrélation : En cellule F6 :
=COEFFICIENT.CORRELATION(B2:G2;B1:G1)
Droite de régression : y = ax + b
• Pour a (cellule F7) : =INDEX(DROITEREG(B2:G2;B1:G1) ; 1)
• Pour b (cellule F8) : =INDEX(DROITEREG(B2:G2;B1:G1) ; 2)
Attention : Dans la fonction DROITEREG, bien saisir la

ligne de y en premier argument et la ligne de x en second
argument et pas l’inverse.
Rappel : Il s’agit de la droite de régression de y en x.

Écart-type :
• En cellule F9 : =ECARTYPE.PEARSON(B1:G1)
• En cellule F10 : =ECARTYPE.PEARSON(B2:G2)
Le .PEARSON ne doit pas être saisi que sur Microsoft Excel.
Moyenne :
• En cellule F11 : =MOYENNE(B1:G1)
• En cellule F12 : =MOYENNE(B2:G2)
Pour tracer un diagramme en nuage de points au tableur, il faut sélec-
tionner le tableau de données, puis aller sur l’onglet Insertion est cliquer
sur l’icône .
On peut faire figurer la droite de régression sur le diagramme. Pour
cela, avec Microsoft Excel, il faut le sélectionner, puis aller sur l’onglet
Création et cliquer sur l’option Ajouter un élément de graphique –>
Courbe de tendance –> Linéaire (à gauche de l’écran).
5.10. Exercices d’application : indépendance, ajustement

linéaire
Exercice 5.4. On étudie un éventuel lien statistique entre la taille des
appartements d’une grande ville, la distance de ces appartements au
centre-ville et le nombre d’occupants. Sur un panel de 2 000 apparte-
ments, on recueille les données suivantes :
Plus de Moins de Plus de Moins de
100 m2 100 m2 100 m2 100 m2
Moins de Au plus
373 458 296 344
1 km 4 occupants
Plus de Au moins
552 617
1 km 5 occupants
a) Compléter le tableau de droite.

b) La taille des appartements semble-t-elle liée à la distance au centre-
ville ? Si oui, quel lien observe-t-on ?
c) La taille des appartements semble-t-elle liée au nombre d’occu-
pants ? Si oui, quel lien observe-t-on ?
Exercice 5.5. Une enquête de satisfaction a été menée parmi les ache-

teurs de téléviseurs d’une certaine marque. De cette enquête, il ressort
qu’il n’y a aucun lien entre la taille de l’écran et le degré de satisfaction
des clients. Compléter le tableau de contingence des fréquences :
32’ 42’ 60’ 80’ Total

Très satisfaits 53 %
Satisfaits 28 %
Mécontents 14 %
Très mécontents
Total 13 % 35 % 38 %
Exercice 5.6. On relève les moyennes annuelles en français et en ma-

thématiques de quinze élèves de Première de lycée général.
a) Représenter ces données sur un diagramme en nuage de points.

Peut-on observer une tendance générale ? Si oui, énoncer une conjec-
ture.
b) Calculer la covariance et le coefficient de corrélation entre les notes
de français et les notes de mathématiques de ces quinze élèves.
c) Quelles formules entre-t-on dans les cellules B4 et B5 du tableur ?
d) Donner l’équation de la droite de régression de Y en X, où la va-
riable X représente les notes de français et la variable Y les notes de
mathématiques.
e) Estimer la moyenne en mathématiques d’un élève ayant une
moyenne de 5 en français.
f) Estimer la moyenne en français d’un élève ayant une moyenne de
18 en mathématiques.
Exercice 5.7. On effectue une étude de marché dans le cadre du lance-

ment d’un nouveau stylo haut de gamme. Dans ce cadre, on présente
ce stylo à un panel de 1 000 acheteurs potentiels. À la fin de la présen-
tation, on demande aux membres du panel de remplir un question-
naire d’où est tirée la question suivante :
Les réponses du panel sont détaillées dans le tableau suivant :
Prix 70 € 75 € 80 € 85 € 90 € 95 € 100 €
Nombre
777 631 536 404 271 165 20
d’acheteurs
a) Représenter ces données sur un diagramme en nuage de points. Si

possible, faire une conjecture.
b) Calculer la covariance et le coefficient de corrélation entre le prix
unitaire et le nombre d’acheteurs.
c) Donner l’équation de la droite de régression qui donne le prix uni-
taire en fonction du nombre d’acheteurs (on laissera deux décimales
après la virgule).
d) Estimer le nombre de clients du panel acceptant de payer 65 €
pour ce stylo.
e) Estimer le prix que 500 clients du panel accepteraient de payer pour
ce stylo.
f) Le fabricant a fixé un prix de vente minimal de 50 €. Il avait espéré
convaincre 910 membres du panel de payer un prix unitaire de 85 €.
Quel prix unitaire sera finalement fixé ?
Exercice 5.8. Entre deux variables X et Y, on observe une corrélation

de 95 %.
La moyenne de X est de 5 et son écart-type de 0,76.
La moyenne de Y est de 7 et son écart-type de 0,92.
a) Calculer la covariance de X et Y.
b) Trouver l’équation de la droite de régression de Y en X.
c) Trouver l’équation de la droite de régression de X en Y.
d) Reprendre les questions précédentes avec une corrélation de
−95 %.
Exercice 5.9. On considère le tableau suivant :
x
y
a) Inscrire dans ce tableau quatre nombres distincts pris au hasard.

b) Calculer la covariance de x et y.
c) Calculer le coefficient de corrélation de x et y.
d) Pouvait-on prévoir le résultat de la question c) ?
Solutions :
5.4. a)
629-731 b) Oui, les plus grands appartements
semblent plus éloignés du centre. c) Non
5.6. b) 13,4 – 0,787 c) =COVARIANCE(B1:P1;B2:P2)
=COEFFICIENT.CORRELATION(B1:P1;B2:P2)
d) y = 0,786x + 2,834 e) 6,8 f) 19,3
5.7. b) -2 491,43 ; -0,999 c) y = −0,04x + 101 d) 900
e) 81 f) 75 €
5.8. a) 0,664 24 b) Y = 1,15X + 1,25 c) X = 0,785y − 0,493
e) −0,664 24 ; Y = −1,15X + 12,75 ; X = −0,785y + 10,493
5.9. c) 1 ou −1
5.11. Séries chronologiques

Une série chronologique est une série où l’on observe l’évolution
d’un indicateur numérique en fonction du temps.
Pour étudier une série chronologique, le temps étant un caractère
numérisable, nous procéderons comme précédemment par ajustement
linéaire.
Lors de l’étude d’une série chronologique, x représentera toujours le
temps (en abscisse) et y représentera l’indicateur étudié (en ordonnée).
Exemple 5.5. Un développeur de jeux vidéo lance la publicité de sa der-

nière production sur les sites de streaming et mesure le nombre de
vues au fil du temps. Le tableau suivant donne les résultats.
Jours 1 2 3 4 5 6
Nombre
19 867 42 512 61 013 68 587 78 515 87 218
de vues
Remarque : Les effectifs figurant dans ce tableau sont des effectifs cu-
mulés. Les 42 512 vues du 2e jour comprennent les 19 867 vues du premier
jour.
a) Représenter ces données sur un diagramme en nuage de points. À
partir de quel jour observe-t-on un infléchissement de la tendance ?
b) Calculer le coefficient de corrélation linéaire sur une période perti-
nente. Commenter le résultat.
c) Si la tendance observée se confirme, combien de vues prévoit-on à
la fin du 10e jour ?
d) Si la tendance observée se confirme, au bout de combien de jours
dépassera-t-on 200 000 vues ?
Remarque : Les prévisions effectuées par ajustement linéaire ne seront
valides que si la tendance observée se confirme. Elles peuvent être per-
turbées par des événements que le modèle statistique ne peut pas prévoir.
Par exemple, si la plateforme de streaming tombe en panne juste après le
sixième jour, il faudra revoir le nombre de vues à la baisse. Si par contre,
peu après le sixième jour, le jeu vidéo est recommandé par un influenceur
très populaire, le nombre de vues sera vraisemblablement plus haut que ce
que le modèle prévoit.
Réponse :
a)
On observe une tendance croissante qui s’infléchit à partir du troi-

sième jour (l’augmentation du nombre de vues a l’air de ralentir).
b) Pour ne pas être influencés par la tendance obsolète des deux pre-
miers jours, nous effectuerons l’ajustement linéaire à partir des données
des quatre derniers jours uniquement. À l’aide des valeurs obtenues par
la fonction Stats-2Var de la calculatrice, on obtient la covariance sui-
vante :
Nous obtenons une corrélation très forte donc les prévisions seront
fiables si la tendance observée se poursuit.
c) On trouve à la calculatrice l’équation de la droite de régression sur
les jours 3 à 6 :
y = 8 854,3x + 33 988,9
On substitue x = 10 :
8 854,3 × 10 + 33 988,9 = 122 531,9 que l’on arrondit à 122 532 car un
nombre de vues doit être entier.
On prévoit donc environ 122 532 vues à la fin du 10e jour.
C’est une prévision. Il n’y a aucune garantie que le nombre de vues soit
exactement celui-là (c’est même peu probable). En revanche, il constitue
certainement une approximation pertinente.
d) On substitue 200 000 à la place de y dans l’équation de la droite de
régression :
200 000 = 8 854,3x + 33 988,9
On résout l’équation obtenue :
8 854,3x = 166 011,1
x ≈ 18,75
On prévoit donc de dépasser 200 000 vues à la fin du 19e jour.
Dans ce contexte, on arrondira à l’entier supérieur, même s’il est plus
éloigné. En effet, le modèle prévoit qu’au terme de 18 jours, les 200 000 vues
ne seront pas encore atteintes, mais qu’elles le seront après 19 jours.
5.12. Numérotation des périodes

Dans le cas où les périodes ne sont pas représentées par des nombres,
comme c’était le cas dans l’exemple 5.5, on devra les numéroter pour
pouvoir effectuer l’ajustement linéaire.
Exemple 5.6. Une entreprise connaît quelques difficultés. Voici ses

chiffres d’affaires des derniers mois4 :
Novembre Décembre Janvier Février
Mois Mars 2021
2020 2020 2021 2021
C.A. (k€) 327 310 289 263 247
Vous présentez cette situation aux investisseurs pour les convaincre

de financer un plan de communication. Vous préparez donc un argu-
mentaire contenant des éléments de preuve quantitatifs.
a) Représenter au tableur le diagramme en nuage de points et la droite
de régression correspondante (voir fin du paragraphe 5.6).
b) Calculer et commenter le coefficient de corrélation linéaire.
c) En se basant sur cette tendance, à combien le modèle statistique
chiffre-t-il la perte de chiffre d’affaires mensuelle ?
d) En se basant sur cette tendance, prévoir le CA de juin 2021.
e) En se basant sur cette tendance, quand le CA passera-t-il sous la
barre des 160 000 € (entraînant la nécessité d’un dépôt de bilan) ?
Réponse :
a)
4. Il s’agit d’un secteur dans lequel il n’y a pas de saisonnalité.

b) Lorsqu’il est impossible de saisir à la calculatrice ou au tableur les

noms des périodes, car ceux-ci ne sont pas des nombres, on prend l’ini-
tiative de numéroter les périodes de manière cohérente.
On numérote les périodes comme suit :
N° de
1 2 3 4 5
période
Novembre Décembre Janvier Février
Mois Mars 2021
2020 2020 2021 2021
C.A. (k€) 327 310 289 263 247
Il est déconseillé de se servir des numéros des mois. En effet, si l’on

donne le numéro 11 au mois de novembre 2020, alors le numéro 1 dési-
gnera automatiquement le mois de janvier 2020. Le mois de janvier 2021
devra recevoir le numéro 13.
On saisit les numéros de périodes et les CA à la calculatrice et l’on
substitue les données obtenues par Stats-2Var à la calculatrice dans les
formules données au 5.7.
Calcul de la covariance :
La tendance observée étant clairement décroissante, il est normal d’ob-
tenir une covariance et une corrélation négatives.
On trouve une très forte corrélation. Si la baisse du chiffre d’affaires
se poursuit à ce rythme, les prévisions effectuées par la suite seront très
fiables.
c) La réponse à cette question est le coefficient directeur de la droite
de régression. On trouve à la calculatrice l’équation de la droite de ré-
gression :
y = −20,7x + 349,3
Attention : Le CA est donné en k€ (milliers d’euros) dans le tableau.
Le coefficient directeur est de −20,7. Le modèle statistique chiffre donc
la perte de chiffre d’affaires à 20 700 € par mois.
d) Il faut trouver le numéro de période correspondant à juin 2021,
puis le substituer à la place de x dans l’équation de la droite de régression.
En continuant la numérotation des périodes après mars 2021, on voit
que juin 2021 est la période numéro 8. On substitue donc x = 8 :
y = −20,7 × 8 + 349,3 = 183,7
Le chiffre d’affaires de juin 2021 est estimé à 183,7 k€, soit 183 700 €.

e) Attention : 160 000 € correspondent à 160 k€. On substitue donc
160 à la place de y dans l’équation de la droite de régression :
160 = −20,7x + 349,3
On résout l’équation obtenue :
−189,3 = −20,7x
x ≈ 9,14
Un numéro de période est un entier. Le modèle estime que le CA ne
sera pas encore passé sous la barre des 160 k€ à la période n°9, mais qu’il
le sera à la période n°10.
La période n°10 correspond au mois d’août 2021.
On estime donc que le chiffre d’affaires passera sous la barre des
160 000 € en août 2021 si rien n’est fait pour améliorer la situation.
5.13. Exercices d’application : séries chronologiques
Exercice 5.10. Chacune des droites de régression données représente

la tendance d’une série chronologique exprimée en mois. Pour chaque
tendance, estimer :
• la valeur de la variable étudiée à deux ans ;
• le temps nécessaire pour que la variable étudiée prenne la va-
leur 24.
a) y = 0,3x − 1,2 b) y = −18,87x + 327,32
c) y = −42,87x + 1 003,29 d) y = 12,27x − 42,33
Exercice 5.11. En se basant sur les données du tableau ci-après, esti-

mer le taux de chômage (en % de la population active) au 1er trimestre
2015 dans le département des Deux-Sèvres.
On précisera l’équation
de la droite de régres-
sion utilisée ainsi que
le coefficient de corréla-
tion.
Exercice 5.12. Voici les chiffres d’affaires mensuels d’une grande entre-

prise sur quelques mois :
Mois Janvier Avril Mai Juin Juillet

C.A. (en M€) 302,7 206,3 327,3 339,5 358,4
a) Représenter ces données sur un diagramme en nuage de points.

b) Estimer les chiffres d’affaires de février et mars par ajustement
linéaire sur les cinq mois donnés.
c) Estimer les chiffres d’affaires de février et mars par ajustement li-
néaire sur les mois de janvier et avril uniquement.
d) Imaginer une conjoncture pour laquelle un ajustement sur cinq
mois sera plus approprié et une conjoncture pour laquelle un ajuste-
ment sur deux mois sera plus approprié.
Exercice 5.13. On mesure année après année l’enneigement maximal

en haut des pistes d’une station de sports d’hiver. On obtient les ré-
sultats détaillés dans le graphique ci-dessous.
a) Selon la tendance obser-
vée, combien de centimètres
de neige estime-t-on perdre
chaque année ?
b) Si cette tendance se
confirme, en quelle année
peut-on prévoir qu’il y aura
moins de 108 cm de neige en
haut des pistes ?
Exercice 5.14. Le confiseur Elita lance une campagne publicitaire pour

soutenir les ventes de ses paquets de bonbons Carnaval et en observe
les résultats, détaillés dans le
graphique ci-contre. Les pa-
quets sont vendus aux fournis-
seurs au prix de 1,25 € l’unité.
a) D’après le graphique, de
quel jour datez-vous l’impact
de la campagne publicitaire ?
b) Estimer le nombre de pa-
quets que l’on aurait vendu le
27 mars si l’on n’avait pas lancé de campagne publicitaire.
c) Quel est le montant du chiffre d’affaires supplémentaire généré par
cette campagne publicitaire le 27 mars ?
d) On admet que la tendance observée se poursuit jusqu’au 31 mars

inclus. Calculer le montant du chiffre d’affaires supplémentaire géné-
ré par la campagne publicitaire jusqu’au 31 mars inclus.
Exercice 5.15. Depuis quelques années, le nombre de clients de la so-

ciété Berlidor a tendance à régresser alors que son concurrent Istel
conquiert davantage de parts de marché. Néanmoins, Berlidor reste
pour l’instant leader dans son domaine.
En analysant les données suivantes, estimer le moment où Istel
prendra le leadership si la tendance observée se poursuit. Illustrer
le raisonnement à l’aide d’un diagramme. Préciser quelle évolution
annuelle on peut prévoir pour chacune de ces deux sociétés.
Année 2016 2017 2018 2019
Nb. de clients Berlidor 152 347 134 847 135 008 129 958
Nb. de clients Istel 75 309 85 215 92 217 97 212
Exercice 5.16. On analyse les chiffres d’affaires mensuels réalisés par

un commercial de janvier à juillet :
Mois Janvier Février Mars Avril Mai Juin Juillet

CA en € 8 451 3 287 1 478 5 392 2 775 9 563 2 677
a) Sur la base de ces données, estimer par ajustement linéaire son

chiffre d’affaires au mois d’août.
b) Prouver que la prédiction réalisée au a) n’est pas très fiable.
Solutions :
5.10. a) 6 ; 7 ans b) −125,56 ; 17 mois c) −25,59 ; 23 mois
d) 252,15 ; 5,41 mois
5.11. Droite régression : y = 0,12x + 7,24 r ≈ 0,95
Taux T1 2015 : 7,96 %
5.12. b) 275,8 – 287,7 c) 270,6 – 238,4 d) L’ajustement
5.13. a) 6,1 cm b) 2024
5.14. a) 27 mars b) 11 509 c) 11 670 €
d) 57 195 €
5.15. Début 2021
5.16. a) 4 307 € b) r = −0,08
5.14. Test d’indépendance du Khi²

On réalise une étude statistique pour établir ou infirmer un lien entre
deux caractères. Si l’un des deux caractères est qualitatif non numéri-
sable (par exemple des noms de personnes, des marques, des couleurs…),
l’ajustement linéaire décrit précédemment est impossible. Dans ce cas,
on se rabat sur le test d’indépendance du χ2 (la lettre grecque Khi).
En statistiques, un test est une procédure visant à valider ou non une
hypothèse.
On pourra l’assimiler à un algorithme qui répond à une certaine
question par « oui » ou par « non ».
Ici, l’hypothèse que nous cherchons à valider ou infirmer est l’indé-
pendance des deux caractères étudiés. Nous avons vu au 5.5 qu’une dis-
tribution statistique résultant d’une enquête de terrain ne donnait prati-
quement jamais d’indépendance au sens strict, la question ne porte donc
pas sur l’indépendance au sens strict, puisque ses conditions sont bien
trop fortes pour être réalisables dans le monde réel.
Il en résulte que même si deux caractères sont vraiment indépen-
dants, une enquête de terrain ne donnera pas d’indépendance au sens
strict. Par contre, si l’enquête porte sur un effectif total suffisamment
élevé, on peut penser que la distribution obtenue ne sera pas très éloi-
gnée de l’indépendance au sens strict5. Intuitivement, il serait étonnant
d’obtenir une distribution très déséquilibrée par rapport à la réalité de la
population totale.
On considèrera donc que les deux caractères étudiés sont indépen-
dants si la distribution donnée par leur étude n’est « pas trop éloignée »6
d’une distribution d’indépendance au sens strict.
Le test d’indépendance du χ2 répond par oui ou par non à la ques-
tion : « Peut-on considérer les deux caractères étudiés comme indépen-
dants ? »
Pour mettre en évidence son fonctionnement, nous allons l’étudier
sur un exemple.
Exemple 5.7. Un fabricant de jouets pour enfants aimerait savoir, de ma-

nière à orienter sa production, si les couleurs préférées des jeunes en-
fants évoluent avec leur âge. Il organise donc un événement destiné
aux enfants de 4 à 6 ans, au cours duquel il offre aux jeunes invités
un ballon en mousse dont ils choisissent la couleur. Un employé note
l’âge de chaque enfant et la couleur du ballon choisi.
5. Ceci résulte de théorèmes de probabilités tels que la Loi faible des grands nombres et le
théorème Central-Limite. Le propos de cet ouvrage n’est pas d’exposer les démonstrations
mathématiques.
6. Nous définirons cette notion par la suite.
À la fin de l’événement, les données suivantes ont été collectées sur les
ballons choisis par les enfants :
Âge
4 ans 5 ans 6 ans Total
Couleur
Bleu 97 72 99 268
Rouge 155 147 135 437
Vert 108 89 115 312
Total 360 308 349 1 017
Cette distribution permet-elle de conclure à l’indépendance entre

l’âge et la couleur choisie ?
Réponse : L’un des deux caractères étudié (la couleur) étant qualitatif
et non numérisable, nous effectuons un test d’indépendance du χ2 pour
répondre à la question posée.
Pour les besoins du test, nous travaillons sous hypothèse d’indépen-
dance des caractères (cette hypothèse pourra être validée ou rejetée à la
fin du test).
Cette hypothèse s’appelle l’hypothèse nulle, et est souvent notée H0.
L’hypothèse contraire (hypothèse alternative), est notée H1.
Il est fortement conseillé de rédiger le test en quatre étapes numéro-
tées, comme suit :
Étape 1 : calcul des effectifs théoriques.

Les effectifs présents dans le tableau de l’énoncé proviennent de l’ex-
périence réalisée sur le terrain. On les appelle effectifs observés.
Les effectifs observés sont notés Oij, où i désigne le numéro de la ligne
et j le numéro de la colonne (voir 5.1).
Le but de l’étape 1 est de calculer les effectifs qui auraient été obtenus
si l’on avait été dans une situation d’indépendance au sens strict.
Ces effectifs sont appelés effectifs théoriques.
Les effectifs théoriques sont notés Cij.
Les effectifs théoriques résultant de l’indépendance au sens strict, on
les obtient au moyen des produits en croix (voir 5.5).
Formule des effectifs théoriques :
Pour les notations Oi,*, O*,j et N, voir 5.2.

Effectifs théoriques 4 ans 5 ans 6 ans

Bleu 92,5 86,2 89,3
Rouge 150,8 140,5 145,7
Vert 107,7 100,3 104
Exemple de calcul :
Les effectifs théoriques, comme toutes les valeurs statistiques théo-
riques (moyenne, écart-type…), n’ont pas à être arrondies à l’entier. Au
contraire, plus l’on conservera de décimales dans les calculs, plus le ré-
sultat du test sera précis.
Interprétation : S’il y avait eu indépendance au sens strict, alors envi-

ron 92,5 enfants de 4 ans auraient choisi une balle bleue, au lieu des
97 observés.
L’étape 1 est terminée une fois les effectifs théoriques obtenus. La
suite du test consistera donc à comparer le tableau des effectifs obser-
vés et celui des effectifs théoriques et à décider s’ils sont suffisamment
proches l’un de l’autre pour pouvoir conclure à l’indépendance.
Étape 2 : vérification des conditions d’applications du test.

Pour pouvoir effectuer un test du χ2, certaines conditions doivent être
réunies. Nous avons déjà évoqué la première condition, qui est d’avoir
un effectif total suffisamment grand. Par ailleurs, une répartition en ca-
tégories trop fines et trop nombreuses pourrait fausser les calculs à venir.
Conditions d’application du test :

1. L’effectif total doit être supérieur à 30.
2. Tous les effectifs théoriques doivent être supérieurs ou
égaux à 5.
Dans l’exemple étudié, les deux conditions sont réunies, ce qui ter-
mine l’étape 2.
Que faire si les conditions ne sont pas réunies ?
• Si l’effectif total est inférieur ou égal à 30, il est impossible de conti-
nuer le test en l’état. Le commanditaire de l’étude statistique devra
donc agrandir son échantillon, puis recommencer le test avec suf-
fisamment de données.
• Si l’un (au moins) des effectifs théoriques est inférieur ou égal à
5, alors ce problème peut également être résolu en agrandissant
l’échantillon. Cependant, cette option a un coût humain et maté-
riel. Le problème peut venir, non pas de la taille de l’échantillon,
mais du fait que l’on ait distingué trop de catégories trop fines.
On peut donc le solutionner en regroupant suffisamment de caté-
gories, jusqu’à ce que tous les effectifs théoriques restants soient
supérieurs à 5.
Voir à ce sujet l’exemple 5.8, plus loin.
Étape 3 : mesure de l’écart entre l’observé et le théorique.

Le but de cette étape est de mesurer par un seul nombre l’écart entre
le tableau des effectifs observés et celui des effectifs théoriques.
Ce nombre s’appelle le χ2 observé et est noté .
Pour cela, on calcule les contributions au χ pour chaque case du
2
tableau de données et l’on dresse le tableau des contributions au χ2.
Formule des contributions au χ 2 :
Contributions au χ2 4 ans 5 ans 6 ans

Bleu 0,219 2,330 1,046
Rouge 0,116 0,300 0,781
Vert 0,001 1,277 1,163
Exemple de calcul :
Le χ2 observé est la somme de toutes les contributions au χ2 du tableau.
L’addition de ces neuf nombres donne .
L’obtention du χ observé termine l’étape 3.
2
Étape 4 : fin du test.

À l’étape précédente, nous avons obtenu une évaluation chiffrée de
l’écart entre les effectifs observés et théoriques. Le but de l’étape 4 est de
décider si cet écart est raisonnable (auquel cas les caractères seront consi-
dérés indépendants), ou bien s’il est trop élevé (auquel cas les caractères
seront considérés liés).
Nous allons définir une valeur maximale que le χ2 observé ne devra
pas dépasser pour conclure à l’indépendance.
Cette valeur est nommée χ2 théorique et notée . On dit aussi va-
leur critique du χ2.
Le χ2 théorique, appelé aussi valeur critique du χ2, est la valeur de k
pour laquelle la probabilité que le χ2 observé soit supérieur ou égal à k est
égale au seuil d’erreur, par la loi de probabilité du χ2 prenant en paramètre
le nombre de degrés de liberté.
On se basera pour le trouver sur la table des valeurs critiques du χ2, don-
née en figure 11. On le trouve également au tableur à l’aide des fonctions
LOI.KHIDEUX.INVERSE et LOI.KHIDEUX.INVERSE.DROITE.
La valeur du χ2 théorique dépend de deux paramètres : notre « degré
de sévérité » et la taille du tableau étudié.
Nous définissons d’abord un seuil d’erreur, noté α (la lettre grecque
alpha). Il s’agit de la probabilité de rejeter l’hypothèse d’indépendance
alors que les caractères sont indépendants.
Plus le seuil d’erreur est élevé, plus il est probable que l’hypothèse d’in-
dépendance soit rejetée.
La détermination de la valeur de α est arbitraire. Elle est décidée en
fonction des conséquences qu’entraînerait le rejet à tort de l’hypothèse
d’indépendance. Les valeurs les plus utilisées sont α = 0,05 et α = 0,01
mais nous pourrons en utiliser d’autres dans les exercices d’application.
On peut également noter le seuil d’erreur sous forme de pourcentage
(α = 5 %, α = 1 %...).
Nous travaillerons ici avec α = 5 % = 0,05.
Le second paramètre est fonction de la taille du tableau. En effet, un
tableau avec un grand nombre de lignes et de colonnes obtiendrait mé-
caniquement un χ2 observé plus grand qu’un petit tableau, du fait de la
quantité de contributions à additionner à l’étape 3. Il ne serait donc pas
logique de définir le même χ2 théorique pour deux tableaux de tailles
différentes.
Le paramètre qui mesure la taille du tableau est appelé nombre de
degrés de liberté et est noté DDL.
Dans l’exemple 5.7, nous avons un tableau à trois lignes et trois co-
lonnes.
Nous obtenons donc DDL = (3 − 1) × (3 − 1) = 4.
À l’aide du seuil d’erreur et du nombre de degrés de liberté, on lit le χ2
théorique sur la table des valeurs critiques du χ2 7, donnée en page suivante.
7. Les valeurs de cette table sont les bornes pour lesquelles la variable aléatoire du χ2 observé a
une probabilité de dépasser le χ2 théorique égale au seuil d’erreur, sachant qu’elle suit la loi
de probabilité du χ2 admettant pour paramètre le DDL.
Figure 11. Table du Khi²

Statistiques bivariées
159
Le seuil d’erreur vaut 0,05 et DDL = 4. Nous trouvons le χ2 théorique

à l’intersection de la colonne 0,05 et de la ligne 4.
On trouve ≈ 9,487 7
Si, alors les variables sont considérées indépen-

dantes.
Si, alors les variables sont considérées liées.
Ici, on a , donc on valide l’hypothèse d’indépendance.

Interprétation : On considère que les couleurs préférées des enfants de 4
à 6 ans n’évoluent pas avec leur âge.
Exemple 5.8. Regroupement de catégories : Reprenons le test avec les

données suivantes :
Âge
4 ans 5 ans 6 ans Total
Couleur
Bleu 6 6 3 15
Rouge 8 7 7 22
Vert 5 5 6 16
Total 19 18 16 53
Étape 1 : calcul des effectifs théoriques :
Théoriques 4 ans 5 ans 6 ans
Bleu 5,3774 5,0943 4,5283
Rouge 7,8868 7,4717 6,6415
Vert 5,7358 5,4340 4,8302
Exemple de calcul :
Étape 2 : vérification des conditions d’application du test :

Les conditions ne sont pas réunies car la colonne « 6 ans » comporte
des effectifs théoriques inférieurs à 5. Nous effectuons donc un regrou-
pement cohérent des catégories « 5 ans » et « 6 ans » pour obtenir les
tableaux suivants :
Observés 4 ans 5 ou 6 ans Total

Bleu 6 9 15
Rouge 8 14 22
Vert 5 11 16
Total 19 34 53
Exemple de calcul : 6 + 3 = 9
Théoriques 4 ans 5 ou 6 ans
Bleu 5,3774 9,6226
Rouge 7,8868 14,1132
Vert 5,7358 10,2642
Exemple de calcul : 5,094 3 + 4,528 3 = 9,622 6

À présent, les conditions sont réunies.
Pour des tableaux plus grands, on peut avoir à regrouper davantage de
lignes ou de colonnes jusqu’à ce que les conditions soient réunies.
Étape 3 : valcul du χ2 observé :
Contributions 4 ans 5 ou 6 ans
Bleu 0,0721 0,0403
Rouge 0,0016 0,0009
Vert 0,0944 0,0528
Exemple de calcul :
Le χ2 observé est la somme de toutes les contributions.
Étape 4 : fin du test. Calcul du nombre de degrés de liberté :

Avec 3 lignes et 2 colonnes : DDL = (3 − 1) × (2 − 1) = 2.
Attention : On calcule le nombre de degrés de liberté à

l’aide du tableau aux catégories regroupées, pas du tableau
d’origine.
Avec un seuil d’erreur de 5 %, nous lisons sur la table du χ2 :
Ici, on a , donc on valide l’hypothèse d’indépendance.

Interprétation : On considère que les couleurs préférées des enfants de 4

à 6 ans n’évoluent pas avec leur âge.
Au tableur : Le test d’indépendance du Khi² se programme aisément
au tableur, tous les calculs effectués étant basiques. On rappelle qu’en
langage tableur, * correspond à la multiplication et ^ correspond à la
puissance (appuyer sur AltGr+9).
Pour trouver la valeur du χ2 théorique, on utilise la fonction
=LOI.KHIDEUX.INVERSE, qui prend en paramètres :
• 1 − seuil d’erreur
• DDL
Voir capture d’écran ci-dessous :
Figure 12. Test d’indépendance du Khi² au tableur

Attention au premier paramètre de la fonction =LOI.
KHIDEUX.INVERSE : ce n’est pas le seuil d’erreur seul, mais
1-seuil d’erreur.
On peut aussi utiliser la fonction LOI.KHIDEUX.INVERSE.

DROITE, qui prend en paramètre le seuil d’erreur et le nombre de degrés
de liberté.
Voir le tutoriel de construction de cette feuille de calcul sur la chaîne
Youtube MathsEnVideo Sup, dans la vidéo Test d’indépendance du Khi²
au tableur.
5.15. Exercices d’application : test d’indépendance du χ2
Exercice 5.17. Dans les tableaux suivants, les effectifs observés sont
écrits en noir et les effectifs théoriques sont écrits en gris. Terminer
le test du χ2 et dire si les deux caractères étudiés sont indépendants.
(Attention aux conditions d’application du test.)
a) Seuil d’erreur : 5 %
A B C D
α 35 34,6 12 17,4 5 7,7 38 30,3
β 37 39,6 23 20 8 8,8 35 34,6
γ 42 39,2 26 19,8 10 8,7 24 34,3
δ 78 85 43 42,8 25 18,8 75 74,4
ε 56 49,6 21 25 7 11 45 43,4
b) Seuil d’erreur : 20 %

2 kg 3 kg 4 kg 5 kg 6 kg 7 kg 8 kg
Noir 5 8,3 8 12,2 15 16,2 35 18,4 17 17,1 9 7,3 4 3,4
Blanc 12 8,7 17 12,8 18 16,8 23 29,6 18 17,9 6 7,7 3 3,6
Exercice 5.18. On a effectué une enquête sur cinq des auto-écoles
d’une ville en étudiant pour chacun des clients des cinq dernières
années, combien de fois ils ont dû passer leur examen du permis de
conduire avant de l’obtenir. Le tableau suivant regroupe les résultats :
Plus de
1 fois 2 fois 3 fois 4 fois Abandon
4 fois
Auto-école
470 257 155 72 15 25
Habois
Auto-école Orry 524 296 166 74 24 10
Auto-école Ibry 327 198 142 68 13 12
Auto-école
358 285 106 47 23 20
Ecque-Tedefon
Auto-école
425 267 113 59 13 16
Hippie et Geai
a) Interpréter les nombres 20 et 267 figurant dans le tableau.

b) En prenant un seuil d’erreur de 10 %, peut-on considérer que le
nombre d’examens nécessaires pour obtenir son permis de conduire
dépend de l’auto-école choisie ?
Exercice 5.19. Une compagnie aérienne low-cost veut établir des tarifs

pour les bagages transportés en soute. Dans ce cadre, on cherche à
savoir s’il y a un lien entre la durée du vol et la masse de bagages
emportés par les passagers. Une étude est menée sur trois vols tests
et donne les résultats
détaillés dans le dia-
gramme ci-contre.
a) Dresser le tableau de
contingences correspon-
dant à ces données.
b) Combien y avait-il de
passagers dans le vol
long-courrier ?
c) Avec un seuil d’erreur
de 2 %, considérera-t-on
qu’il y a un lien entre la
masses des bagages et la durée du vol ?
Exercice 5.20. On a préparé la feuille de calcul ci-dessous pour effec-

tuer un test d’indépendance du χ2.
a) Quel nombre saisir
en cellule H10 ?
b) Quelles formules se-
ront saisies en cellules
B5, H2, B8, H8 et H11 ?
c) Quelle sera la conclu-
sion du test ?
Exercice 5.21. Un grand groupe agroalimentaire européen lance une

étude sur l’évolution du prix au kilo du café de Colombie payé par les
torréfacteurs. On
cherche à savoir s’il y
a un lien avec les
masses transportées
lors de leur achemi-
nement au port du
Havre. Les données
recueillies sont repré-
sentées dans le gra-
phique ci-contre.
a) Regrouper ces données dans un tableau de contingences.

b) Le prix au kilo est-il indépendant de la masse transportée (avec un
seuil d’erreur de 20 %) ?
Solutions :
5.17. a) Les caractères sont indépendants ( et ≈ 21,026 1).
b) Les caractères sont liés ( ≈ 22,97 et ≈ 7,289 3).
5.18. a)
20 clients de l’auto-école Ecque-Tedefon ont abandonné.
267 clients de l’auto-école Hippie et Geai ont obtenu leur
permis à la deuxième tentative.
b) Oui ( ≈ 54,654 et ≈ 28,412).
5.19. b) 480 c) Oui ( ≈ 32,491 et ≈ 15,033 2)
5.20. a) 4
b) en B5 : =SOMME(B2:B4)
en H2 : =B5*E2/E5
en B8 : =(B2-H2)^2/H2 en H8 : =SOMME(B8:D10)
en H11 : =LOI.KHIDEUX.INVERSE(1-H9;H10)
c) Les caractères sont indépendants
( ≈ 4,654 et ≈ 9,487 7).
5.21. b) Non ( ≈ 10,351 et ≈ 8,558 1)
Chapitre 6. Dénombrement
Clément Amzallag
ISBN 9782376876137



DÉNOMBREMENT
▶ Combinaisons
▶ Arrangements
▶ Permutations
CHAPITRE 6.
Dénombrement 171
6.1. Introduction au dénombrement

Le but du dénombrement est de compter le nombre de manières d’ef-
fectuer des sélections et des classements. Nous apprendrons donc ici à
répondre aux questions commençant par « Combien y a-t-il de manières
de… ».
En situation professionnelle, nous travaillons en général sur un
nombre de données important. Ceci implique que le nombre de mé-
thodes de classement et de sélection sera encore plus important. Nous
travaillerons donc ici avec de grands nombres et en conséquence, nous
ne pouvons pas dénombrer ces méthodes en en faisant la liste exhaus-
tive. Nous aurons besoin pour arriver au résultat de méthodes de calcul
et de formules que nous exposerons dans les paragraphes suivants.
Suivant les cas, les modes de classement et les données, nous aurons
affaire dans cet ouvrage à trois méthodes de dénombrement : les permu-
tations, les arrangements et les combinaisons.
On utilise les permutations pour compter les manières de classer
tous les éléments d’un ensemble fini.
On utilise les arrangements pour compter les manières d’opérer une
sélection d’éléments dans un ensemble et d’appliquer un traitement dif-
férent à chaque élément sélectionné.
On utilise les combinaisons pour compter les manières d’opérer une
sélection d’éléments dans un ensemble, en appliquant le même traite-
ment à tous les éléments sélectionnés.
On récapitule les trois modes de calcul sur le schéma de la figure 13.
Dans les trois pa-
ragraphes suivants, Figure 13. Choix de la méthode de dénombrement
nous allons donner
les exemples et les for-
mules de calcul pour
chacune de ces mé-
thodes.
6.2. Permutations
Exemple 6.1. Combien y a-t-il d’anagrammes au mot CAMION ?

On appelle anagramme un mot formé des mêmes lettres qu’un mot
donné, qu’il ait un sens ou non. Par exemple, MCNIOA est une ana-
gramme du mot CAMION. AMINOC en est une autre.
Le lecteur est invité, avant de lire la suite, à essayer de deviner intuiti-
vement l’ordre de grandeur de la réponse. Y en a-t-il :
 Plusieurs dizaines ?
 Plusieurs centaines ?
 Plusieurs milliers ?
Réponse : Il s’agit dans cette question de considérer toutes les lettres du
mot CAMION (sans opérer de sélection), et de les réordonner. D’après la
figure 13, c’est une permutation.
Pour mieux comprendre le problème, nous dessinons 6 cases repré-
sentant 6 emplacements pour les lettres du mot CAMION :
C
Nous avons, à titre d’exemple, placé la lettre C en troisième position,
mais nous aurions pu la placer partout ailleurs.
• Il y a donc 6 manières de choisir un emplacement pour la lettre C.
• La lettre C étant placée, il reste 5 manières de choisir un autre em-
placement pour la lettre A.
• Les lettres C et A étant placées, il reste 4 manières de choisir un
autre emplacement pour la lettre M.
• Les lettres C, A et M étant placées, il reste 3 manières de choisir un
autre emplacement pour la lettre I.
• Les lettres C, A, M et I étant placées, il reste 2 manières de choisir
un autre emplacement pour la lettre O.
• Les lettres C, A, M, I et O étant placées, il ne reste qu’un seul em-
placement libre pour la lettre N.
Le nombre total d’anagrammes est donc 6 × 5 × 4 × 3 × 2 × 1 = 720
anagrammes (dont le mot CAMION lui-même, qui est sa propre ana-
gramme).
Le nombre 6 × 5 × 4 × 3 × 2 × 1 est appelé factorielle de 6 et est
noté 6!
Le nombre n × (n−1) × … × 2 × 1 est appelé factorielle de n et est noté
n!
Dénombrement 173
Le point d’exclamation fait partie de la notation.

Par exemple, 4! = 4 × 3 × 2 × 1 = 24.
Le nombre de permutations de n éléments est n!
À la calculatrice :
Les fonctions de dénombrement sont dans le menu Probabilités de la
calculatrice.
• Calculatrice Casio : pour calculer 6!, taper 6, puis OPTN, puis F6,
puis PROB, puis F1, et terminer par EXE pour afficher le résultat.
• Calculatrice TI : pour calculer 6!, taper 6, puis math, puis F6, puis
trois fois sur ‣ pour arriver au menu PROB, puis sélectionner l’op-
tion 4 !, et terminer par entrer pour afficher le résultat.
Les tutoriels pour la calculatrice se trouvent sur la chaîne Youtube
MathsEnVideo Sup.
Au tableur :
La fonction =FACT calcule la factorielle d’un nombre, comme indi-
qué sur la figure 14.
Figure 14. Permutations au tableur
6.3. Arrangements
Exemple 6.2. Huit coureurs sont au départ du 110 mètres haies. Combien

y a-t-il de podiums possibles ?
Exemple de podium :
 Or : coureur 7
 Argent : coureur 5
 Bronze : coureur 4
Autre exemple de podium :
 Or : coureur 4
 Argent : coureur 7
 Bronze : coureur 5
Il peut donc y avoir plusieurs podiums différents avec les mêmes cou-
reurs.
Troisième exemple de podium :
 Or : Coureur 3
 Argent : Coureur 2
 Bronze : Coureur 8
Réponse : Ici, on opère une sélection de trois coureurs médaillés parmi
huit au départ. Comme les coureurs recevront une médaille différente
en fonction de leur classement, l’ordre de sélection a une importance. Il
s’agit donc d’un arrangement.
Il y a 8 candidats possibles à la médaille d’or.
Une fois la médaille d’or attribuée, il reste 7 candidats possibles pour
la médaille d’argent.
Une fois les médailles d’or et d’argent attribuées, il reste 6 candidats
possibles pour la médaille de bronze.
Le nombre de podiums possibles est donc 8 × 7 × 6 = 336 podiums.
Le calcul menant à la réponse ressemble au calcul de 8!, auquel il man-
querait « × 5 × 4 × 3 × 2 × 1 ». C’est donc . Le nombre 5 est la différence
entre le nombre de coureurs et le nombre de médaillés. À partir des don-
nées de l’énoncé, le calcul effectué a donc été : .
Si l’on appelle n la population totale et p le nombre de per-

sonnes sélectionnées parmi cette population, alors le nombre
d’arrangements de p parmi n est noté et se calcule ainsi :
Dénombrement 175
Exemple 6.3. L’un des coureurs a fait un faux départ et a été disqualifié.

Combien y a-t-il de podiums possibles parmi les coureurs restants ?
Ordre de grandeur : on peut supposer que l’on en trouvera un peu
moins de 336.
Réponse : Il reste 7 coureurs parmi lesquels 3 médaillés. Chaque médail-
lé recevant une médaille différente suivant son classement, il s’agit d’un
arrangement de 3 parmi 7.
podiums.
Les fonctions de dénombrement sont dans le menu Probabilités de la
calculatrice.
• Calculatrice Casio : pour calculer , taper 8 (le plus grand des
deux nombres d’abord), puis OPTN, puis F6, puis PROB, puis F2,
puis 3 (le plus petit des deux nombres à la fin) et terminer par EXE
pour afficher le résultat.
• Calculatrice TI : pour calculer , taper 8 (le plus grand des deux
nombres d’abord), puis math, puis F6, puis trois fois sur ‣ pour ar-
river au menu PROB, puis sélectionner l’option 2 Arrangement,
puis taper 3 (le plus petit des deux nombres à la fin et terminer par
entrer pour afficher le résultat.
Les tutoriels pour la calculatrice se trouvent sur la chaîne Youtube
MathsEnVideo Sup.
Au tableur :
Attention : la fonction qui calcule les arrangements au ta-

bleur s’appelle =PERMUTATION, même s’il ne s’agit pas des
permutations vues au 6.2.
Son utilisation est décrite dans la figure 15.
Figure 15. Arrangements au tableur

6.4. Combinaisons
Exemple 6.4. Sur quinze finalistes d’un jeu-concours offrant un séjour

au ski, on tire au sort cinq partants. Combien y a-t-il de tirages pos-
sibles ?
Réponse : Contrairement à l’exemple 6.2, ici les 5 participants tirés au
sort seront traités de la même manière. L’ordre dans lequel les gagnants
sont choisis n’a donc pas d’importance. Les tirages 4, 7, 2, 9, 12 et 9, 12,
2, 7, 4 sont assimilés à un seul et même tirage. Il s’agit donc d’une com-
binaison.
Si l’ordre de tirage au sort des gagnants avait une importance, on au-
rait obtenu un arrangement de 5 parmi 15, soit . Cependant,
chaque tirage aurait été compté autant de fois qu’il y a de permutations
des 5 gagnants, soit 5! fois.
Pour obtenir le nombre correct de tirages, il faut donc diviser le
nombre d’arrangements de 5 parmi 15 par le nombre de permutations
de 5.
On obtient donc :
tirages possibles.
Si l’on appelle n la population totale et p le nombre de per-

sonnes sélectionnées parmi cette population, alors le nombre
de combinaisons de p parmi n est noté et se calcule ainsi :
On peut également utiliser la notation .

Dénombrement 177
Exemple 6.5. Combien y aurait-il eu de tirages possibles avec 4 gagnants

sur 9 finalistes ?
Ordre de grandeur : avec moins de participants et moins de gagnants,
on peut s’attendre à ce qu’il y ait moins de tirages que 3 003.
Réponse : Il y a sélection de 4 éléments parmi 9. L’ordre des sélectionnés
n’a pas d’importance, il s’agit donc d’une combinaison.
tirages
C’est en gros la même procédure que pour les arrangements.
• Calculatrice Casio : pour calculer , taper 9 (le plus grand des
deux nombres d’abord), puis OPTN, puis F6, puis PROB, puis F3,
puis 4 (le plus petit des deux nombres à la fin) et terminer par EXE
pour afficher le résultat.
• Calculatrice TI : pour calculer , taper 9 (le plus grand des deux
nombres d’abord), puis math, puis F6, puis trois fois sur ‣ pour ar-
river au menu PROB, puis sélectionner l’option 3 Combinaison,
puis taper 4 (le plus petit des deux nombres à la fin) et terminer
par entrer pour afficher le résultat.
Au tableur : La fonction calculant le nombre de combinaison au ta-
bleur est =COMBIN. Voir Figure 16 pour son utilisation.
Figure 16. Combinaisons au tableur

6.5. Exercices d’application : dénombrement
Exercice 6.1. a) Un supermarché vend 12 catégories de produits ali-

mentaires à répartir dans 12 rayons numérotés de A à L. Combien y
a-t-il de façons d’ordonner ces rayons les uns par rapport aux autres ?
b) Les quatre catégories de produits surgelés doivent obligatoirement
être disposés dans les rayons I, J, K et L. Combien y a-t-il de manières
d’ordonner les produits surgelés les uns par rapport aux autres ?
c) Combien y a-t-il de manières d’ordonner les 12 catégories en ran-
geant les surgelés dans les rayons I, J, K et L ?
Exercice 6.2. Calculer les nombres suivants à la calculatrice :

a) b) c) d) e) f)
Exercice 6.3. Un tirage au sort est organisé entre quinze candidats

pour la remise des lots suivants : un voyage à Berlin, un lecteur DVD,
un bon d’achats de 50 € et un lot de deux places de cinéma.
a) Le règlement interdit qu’un seul candidat gagne plusieurs lots.
Combien y a-t-il de répartitions possibles des lots ?
b) Le règlement autorise qu’un seul candidat gagne plusieurs lots.
Combien y a-t-il de répartitions possibles des lots ?
c) Le règlement autorise qu’un seul candidat gagne plusieurs lots.
Quelle est la probabilité que les quatre lots aient été gagnés par quatre
candidats différents ?
Exercice 6.4. Calculer les nombres suivants à la calculatrice :

a) b) c) d) e) f)
g) Deux des calculs précédents ont donné le même résultat. Expliquer
pourquoi on pouvait le prévoir.
Exercice 6.5. Le service recouvrement d’une entreprise décide d’en-

voyer des lettres de relance simples à certains des clients en léger re-
tard de paiement et des lettres recommandées à certains des clients
en retard important.
a) Sur 33 factures impayées depuis moins d’un mois, 22 feront l’objet
d’une lettre de rappel simple. Combien y a-t-il d’échantillons de desti-
nataires possibles ?
b) Sur 19 factures impayées depuis plus d’un mois, 9 feront l’objet
de lettres recommandées. Combien y a-t-il d’échantillons de destina-
taires possibles ?
Dénombrement 179
Exercice 6.6. Plusieurs succursales d’une grande entreprise publient un

classement des meilleurs commerciaux, chacune suivant ses règles :
• La succursale de Reims publie le classement complet de ses
11 commerciaux.
• La succursale de Pont-à-Mousson publie le classement des 5 meil-
leurs commerciaux parmi ses 32 commerciaux, par ordre décrois-
sant de chiffre d’affaires.
• La succursale de Pontarlier publie le classement de ses 9 meilleurs
commerciaux, par ordre décroissant de chiffre d’affaires.
• La succursale du Puy-en-Velay publie la liste des cinq meilleurs
commerciaux parmi ses 32 commerciaux, sans les classer les uns
par rapport aux autres.
a) Combien de compositions possibles y a-t-il pour la liste publiée par
la succursale ponote ?
b) Combien de classements possibles y a-t-il pour la succursale mus-
sipontaine ?
c) Combien de classements possibles y a-t-il pour la succursale ré-
moise ?
d) La succursale pontissalienne avait 259 459 200 classements pos-
sibles. Combien de commerciaux compte-t-elle ? (On peut procéder
par essai/erreur.)
Exercice 6.7. Le Mastermind est un jeu de société où un « maître du

code » doit faire deviner à un joueur une combinaison secrète com-
posée de quatre couleurs. Le joueur dispose de pions de huit couleurs
différentes et suggère quatre de ces huit couleurs. Le maître du code
lui indique alors par un jeton blanc les couleurs figurant dans la com-
binaison et mal placées et par un jeton noir les couleurs figurant dans
la combinaison et bien placées.
a) Les joueurs se mettent d’accord pour que la combinaison secrète
soit composée de quatre couleurs différentes. Le joueur qui devine
essaie quatre couleurs différentes. Combien a-t-il de possibilités (en
tenant compte du placement) ?
b) Combien a-t-il de possibilités (sans tenir compte du placement) ?
c) En réponse à la suggestion du joueur, le maître du code place un
seul jeton noir. Combien de possibilités cohérentes a le joueur pour
son deuxième essai (en tenant compte du placement) ?
Exercice 6.8. Le Tarot se joue avec un jeu de 78 cartes, parmi lesquelles

21 atouts. Au début de la partie, on distribue 18 cartes à chacun des
quatre joueurs, formant ainsi sa main. Les six cartes restantes sont
écartées.
a) Combien y a-t-il de mains différentes possibles ?
b) Combien y a-t-il de mains différentes comportant exactement
10 atouts possibles ?
c) Quelle est la probabilité de se voir distribuer exactement 10 atouts ?
Solutions :
6.1. a) 479 001 600 b) 24 c) 967 680
6.2. a) 57 657 600 b) 3 360 c) environ 3,487 1× 10 12
d) 32 432 400 e) 11 880 f) 1 722
6.3. a) 32 760 b) 50 625 c) environ 64,72 %
6.4. a) 11 440 b) 560 c) 560 d) 6 435
e) 495 f) 861
6.5. a) 193 536 720 b) 92 378
6.6. a) 201 376 b) 24 165 120 c) 39 916 800
d) 13
6.7. a) 1 680 b) 70 c) 96
6.8. a) environ 2,125 66 × 10
17
b) environ 5,828 32 × 1014
c) Environ 0,27 %
Chapitre 7. Probabilités simples
Clément Amzallag
ISBN 9782376876137



CHAPITRE 7.
PROBABILITÉS SIMPLES
▶ Calcul de probabilités par nombre de cas favorables et

nombre de cas possibles
▶ Événements, notations mathématiques
▶ Événement contraire
▶ Intersection, réunion d’événements
▶ Principe d’inclusion-exclusion (deux événements)
▶ Formule des probabilités totales
▶ Probabilités conditionnelles
▶ Arbre pondéré
▶ Formule de Bayes
7.1. Calcul de probabilités

Dans ce chapitre, nous définirons les notions d’événement, et de pro-
babilité d’un événement. Nous nous aiderons d’exemples pour consti-
tuer un formulaire qui permettra de calculer les probabilités que nous
chercherons, en nous adaptant aux circonstances du cas étudié. Pour la
clarté de l’étude des applications, le calcul des probabilités ne sera pas
défini rigoureusement d’un point de vue mathématique. Le lecteur dési-
rant une définition rigoureuse du calcul des probabilités se reportera aux
ouvrages spécialisés sur le sujet1.
Nous considérerons un ensemble que nous appellerons univers. Cet
ensemble sera en général constitué des membres de la population que
nous étudions.
Nous nous limiterons au cas où l’univers est un ensemble fini.
Toute sous-partie de l’univers sera appelée un événement.
En pratique, un événement sera défini conformément au sens du mot
« événement » dans le langage courant : une situation qui peut se pro-
duire ou ne pas se produire. La sous-partie de la population (l’univers)
pour laquelle cet événement se produit constituera l’événement au sens
mathématique.
La probabilité d’un événement est le rapport entre le nombre d’élé-
ments dans l’événement et le nombre d’éléments dans l’univers.
Une probabilité est donc le résultat de la division d’un nombre entier
par un nombre plus grand.
Par conséquent, une probabilité est toujours un nombre

compris entre 0 et 1.
Les nombres 0 et 1 peuvent être des probabilités d’événements.

Attention à ne pas confondre un événement (qui est un nombre), avec
une probabilité (qui n’est pas un nombre).
Nous exprimerons souvent les probabilités sous forme de pourcen-
tage ou de fraction simplifiée. Pour le passage de la notation décimale à
celle de pourcentage, voir 1.1.
Nous allons voir au cours de l’étude de l’exemple 7.1 et des suivants les
notations mathématiques des concepts définis ci-dessus et les formules
de calcul nécessaires pour calculer des probabilités.
1. Je me suis par exemple servi pour préparer l’agrégation des livres de Xavier Gourdon, Jean-
Etienne Rombaldi, Pierre-André Zitt et Djalil Chafai.
Probabilités simples 183
Exemple 7.1. On interroge 529 automobilistes sur leur âge et la marque

de leur voiture (Peugeot, Renault ou Citroën). Puis, on en sélectionne
un au hasard pour lui remettre un lot. Les données suivantes sont
recueillies : on suppose que tous les automobilistes interrogés ont une
seule voiture, de l’une de ces trois marques.
• Parmi les 18-25 ans, 25 personnes ont une Peugeot et 73 personnes
ont une Renault.
• Parmi les 92 personnes de plus de 55 ans, 42 ont une Renault et 19
ont une Citroën.
• 328 personnes interrogées ont entre 25 et 55 ans.
• 178 personnes interrogées ont une Peugeot et 217 ont une Renault.
Quelle est la probabilité de l’événement C : « Le gagnant possède une
Citroën » ?
Réponse : 529 − 178 − 217 = 134 Citroën sur 529 automobiles.
Il y a 25,33 % de chances que le gagnant possède une Citroën.
Nous noterons les événements au moyen de lettres majus-

cules A, B, C…Z (sauf la lettre P).
Nous noterons la probabilité de chaque événement P(A),
P(B) … P(Z).
Rappel : Attention à ne pas confondre un événement avec sa probabi-

lité. Ce serait la même erreur que de confondre une personne avec son âge.
Quelle est la probabilité de l’événement J : « Le gagnant a entre 18 et
25 ans » ?
Réponse : 529 − 92 − 328 = 109 personnes de 18-25 ans sur 529.
Il y a 20,6 % de chances que le gagnant ait entre 18 et 25 ans.

Quelle est la probabilité de l’événement : « le gagnant a entre 18
et 25 ans et possède une Citroën » ?
Réponse : 109 − 25 − 73 = 11 personnes sur 529 au total.
Il y a 2,08 % de chances que le gagnant possède une Citroën et ait

entre 18 et 25 ans.
L’ensemble des éléments communs aux événements A et B est un évé-

nement que l’on notera A B et qui est appelé l’intersection de A et B.
En pratique, A B correspond à l’événement signifiant que « A et B se
produisent tous les deux ».
P (A B) est toujours plus petite que P(A) et P(B).

Attention : Contrairement à ce que croient ceux qui se sou-
viennent mal de leurs cours de lycée, P (A B) n’est en géné-
ral pas égal à P(A) × P(B). Nous verrons au 7.5 quels sont les
cas pour lesquels cette égalité est vraie.
Quelle est la probabilité de l’événement : « Le gagnant a entre

18 et 25 ans ou possède une Citroën » ?
Réponse :
Il y a 43,86 % de chances que le gagnant ait entre 18 et 25 ans ou pos-
sède une Citroën.
Pour connaître le nombre de personnes qui ont entre 18 et 25 ans ou
possèdent une Citroën, nous additionnons le nombre de personnes de 18-
25 ans avec le nombre de détenteurs d’une Citroën, puis nous soustrayons
le nombre de 18-25 ans qui ont une Citroën, que nous avons compté deux
fois. Nous divisons tout par l’effectif total de la population étudiée pour
obtenir des probabilités.
L’ensemble des éléments qui appartiennent à l’un ou l’autre des événe-
ments A et B (voire aux deux) est un événement que l’on notera A B et
qui est appelé la réunion de A et de B.
En pratique, A B correspond à l’événement signifiant que « A ou B se
produit, les deux pouvant éventuellement se produire ensemble ».
P(A B) est toujours plus grande que P(A)et que P(B).
Quelle est la probabilité de l’événement : « Le gagnant a plus de

25 ans » ?
Réponse :
Il y a 79,4 % de chances que le gagnant ait plus de 25 ans.
L’ensemble des éléments qui n’appartiennent pas à est un événe-
ment que l’on notera et qui est appelé événement contraire de .
En pratique, correspond à l’événement « ne se produit pas ».
À retenir :
Une probabilité est une proportion comprise entre 0 et 1 ou
100 %.
La probabilité qu’un événement A se produise est notée P(A).
La probabilité que deux événements A et B se produisent
simultanément est notée P(A B).
En général, on calculera une probabilité d’événement « simple » ou

d’intersection en appliquant le principe d’équiprobabilité :
La probabilité qu’au moins un des deux événements A ou B

se produise est notée P (A B)
Remarque : Ne pas oublier de retrancher P(A B).

Cette formule est la seule que nous verrons dans laquelle intervient
la réunion de deux événements. Si le lecteur étudie un cas où la réunion
d’événements intervient, il devra donc se servir (entre autres) de cette
formule.
Cette formule (ou plutôt sa généralisation à n événements) est appelée
le principe d’inclusion-exclusion, ou bien la formule de Poincaré.
La probabilité qu’un événement A ne se produise pas est

notée .
Un événement dont la probabilité vaut 0 est dit événement impos-

sible.
Un événement dont la probabilité vaut 1 ou 100 % est dit événement
certain.
En pratique c’est un événement qui ne peut pas se produire (resp. qui se
produit obligatoirement), même si ce n’est pas tout à fait vrai dans le cas
d’univers infinis, que nous n’aborderons pas dans cet ouvrage.
7.2. Formule des probabilités totales

La formule des probabilités totales permet de reconstituer la proba-
bilité d’un événement « simple » du cas étudié (un événement défini par
une seule lettre) à partir de probabilités d’intersection faisant interve-
nir cet événement. Nous allons la mettre en évidence en poursuivant
l’exemple 7.1.
Suite de l’exemple 7.1. On appelle M l’événement : « Le gagnant a entre

25 et 55 ans ».
On appelle R l’événement : « Le gagnant a une Renault ».
On appelle G l’événement : « Le gagnant a une Peugeot ».
(On rappelle que l’on ne peut pas l’appeler P.)
On appelle C l’événement : « Le gagnant a une Citroën ».
Interpréter et calculer, P (M R), P (M G), P (M C), P (M).
Que remarque-t-on ?
Réponse : M R signifie « Le gagnant a entre 25 et 55 ans et a une
Renault ».
D’après les données à notre disposition, il y a 217 − 73 − 42 = 102 per-
sonnes dans ce cas (217 propriétaires de Renault, moins ceux qui ne sont
pas dans la bonne tranche d’âge).
Cela donne une probabilité de de chances que le gagnant ait
entre 25 et 55 ans et ait une Renault.
M C signifie « Le gagnant a entre 25 et 55 ans et a une Citroën ».
D’après les données à notre disposition, il y a 134 − 19 − 11 = 104 per-
sonnes dans ce cas (104 propriétaires de Citroën, moins ceux qui ne sont
pas dans la bonne tranche d’âge).
entre 25 et 55 ans et ait une Citroën.
M G signifie « Le gagnant a entre 25 et 55 ans et a une Peugeot ».
D’après les données à notre disposition, il y a 328 − 102 − 104 = 122
personnes dans ce cas (328 personnes de 25 à 55 ans, moins ceux qui ont
une autre marque de voiture).
entre 25 et 55 ans et ait une Peugeot.
Il y a 328 personnes de 25-55 ans sur un total de 529 personnes.
P(M) vaut donc de chances que le gagnant ait entre 25 et
55 ans.
En observant les quatre valeurs calculées, on remarque que la

somme des trois premières est égales à la quatrième, autrement dit que :
.
Nous venons d’écrire la formule des probabilités totales.
Intuitivement, cette formule est une évidence. Elle est équivalente au
fait que les candidats de 25 à 55 ans ont tous, soit une Peugeot, soit une
Renault, soit une Citroën, ce que nous savions depuis le début. Encore faut-
il que les conditions de l’énoncé soient respectées, c’est-à-dire que chaque
automobiliste n’ait qu’une seule voiture de l’une de ces trois marques.
Ce qui rend cette formule vraie est le fait que tout élément de l’univers
appartient à un seul des trois événements G, R ou C.
Une suite d’événements A1, A2 … An forme une partition de l’univers
si :
• aucun de ces événements n’est vide ;
• tout élément de l’univers appartient à un et un seul de ces événe-
ments.
Formule des probabilités totales :

Si A1, A2 … An sont des événements qui forment une parti-
tion de l’univers étudié, alors pour tout événement B, on a :
Cas particulier (très fréquent) : partition à deux événements.
On remarque que pour tout événement A, une partition de l’univers
est formée par les événements A et Ᾱ. En effet, tout élément de l’univers
appartient à A ou n’y appartient pas.
Autrement dit, pour un élément de l’échantillon étudié : soit A se pro-
duit, soit A ne se produit pas. C’est une évidence.
On peut donc écrire la formule des probabilités totales pour cette par-
tition particulière entre A et Ᾱ.
Formule des probabilités totales (deux événements) :

Pour tous événements A et B, on a :
7.3. Conseils méthodologiques

Voici quelques conseils pour traiter rigoureusement et pour faciliter
l’étude d’un cas au moyen des probabilités.
Étape 1 : définir les événements

Donner des noms explicites aux événements, et ne pas les nommer
systématiquement A, B, C… Le nom d’un événement est une lettre ma-
juscule. Toutes les lettres sont permises sauf P.
Attention : il faut nommer judicieusement les événements. Il n’est pas
toujours pertinent de nommer d’une seule lettre les événements décrits
dans un énoncé. Il vaut mieux identifier les différentes dimensions du pro-
blème étudié et leur donner des noms simples. Il est fortement conseillé
d’utiliser le moins de lettres différentes possible et d’exprimer les événe-
ments les uns en fonction des autres chaque fois que cela se peut.
Étape 2 : écrire les données de l’énoncé

Écrire les données de l’énoncé en écriture mathématique en se ser-
vant des notations définies.
Les données de l’énoncé ne sont pas toujours les probabilités des évé-
nements définis à l’étape 1. (Il est même assez rare que ce soit le cas.) Les
données de l’énoncé peuvent être des événements complexes à écrire à par-
tir des événements définis, comme dans le c) de l’exercice résolu ci-dessous.
Étape 3 : écrire en écriture mathématique ce que l’on cherche

Pour chaque question posée : écrire la probabilité cherchée en écri-
ture mathématique.
Puis, la calculer en se servant des données de l’énoncé et des formules.
Enfin, répondre par une phrase à la question posée.
Si le lecteur se sert d’une formule (comme ce sera très souvent le cas),
écrire la formule en lettres avant de substituer les données.
Bis repetita : il est inutile de recommencer les étapes 1 et 2 à chaque
question. Par exemple, au b) de l’exercice résolu ci-dessous, nous ne re-
commençons pas les étapes 1 et 2, nous nous servons de ce qui a été fait
au a).
Cependant, si vous définissez de nouveaux événements il faudra re-
commencer les étapes 1 et 2, comme au c) de l’exercice résolu ci-après.
Exemple 7.2. Dans un groupe de 50 chiens, il y a 20 caniches et 16 ber-

gers allemands. Les autres chiens sont des labradors.
On choisit l’un de ces chiens au hasard.
a) Quelle est la probabilité de choisir un caniche ?
b) Quelle est la probabilité de choisir un chien qui n’est pas un ca-
niche ?
c) La probabilité de choisir un caniche femelle est de . La probabilité
de choisir un berger allemand femelle est de . La probabilité de choisir
un labrador femelle est de .
Quelle est la probabilité que le chien choisi soit une femelle ?
Réponse :
a) Définition des événements :
On appelle C l’événement : « Le chien choisi est un caniche ».
On appelle B l’événement : « Le chien choisi est un berger allemand ».
On appelle L l’événement : « Le chien choisi est un labrador ».
Données de l’énoncé :
Nombre de labradors : 50 − 20 − 16 = 14 labradors
On cherche : P(C)
Comme vu plus haut, .
La probabilité de choisir un caniche est de .
b) On cherche :
La probabilité de ne pas choisir un caniche est de .

c) Définition des événements :
On appelle F l’événement : « Le chien choisi est une femelle ».
Données de l’énoncé :
On cherche : P(F)
D’après la loi des Probabilités Totales :
La probabilité de choisir une femelle est de .
7.4. Exercices d’application : calcul de probabilités
Exercice 7.1. Un vote est organisé pour aider à choisir le logo d’une or-
ganisation humanitaire : on a demandé à 1 000 participants de choisir
une couleur (blanc, rouge ou vert) et une forme géométrique (disque,
carré, triangle).
Voici les couleurs choisies par les personnes ayant choisi un disque :
Blanc Rouge Vert

32 178 132
D’autre part, 256 participants ont choisi un carré rouge et 77 un

triangle blanc.
En tout, 587 personnes ont manifesté leur préférence pour la couleur
rouge, 271 pour la couleur verte et 346 pour un triangle.
On sélectionne un participant au hasard.
a) Quelle est la probabilité qu’il ait voté pour un triangle rouge ?
b) Pour noter les probabilités en notation mathématique, on donne
aux différents choix des participants les noms B, R, V, D, C et T, sui-
vant les initiales de l’objet de leur choix. Calculer et interpréter P(D),
P(C) et P(T V).
c) Donner la notation mathématique et la valeur de la probabilité que
le participant choisi au hasard ait voté pour un triangle ou pour la
couleur rouge.
d) Donner la notation mathématique et la valeur de la probabilité que
le participant choisi au hasard n’ait pas voté pour la couleur rouge.
e) À l’aide de la formule des probabilités totales, calculer la probabilité
que le participant choisi au hasard ait voté pour un carré vert.
Exercice 7.2. a) On donne P(A) = 0,8, P(B) = 0,75 et P(A B) = 0,65.

Calculer P(A B).
b) On donne P(A) = 32 %, P(B) = 57 % et P(A B) = 72 %.
Calculer P(A B).
c) On donne P(A) = , P(B) = et P(A B) = . En remarquant que A
et forment une partition, calculer , puis en déduire .
Exercice 7.3. A, B et C sont des événements qui forment une partition

de l’univers étudié. X est un événement.
a) On donne , et . Calculer
.
b) On donne . Peut-on avoir et ?
Exercice 7.4. a) Combien y a-t-il de manières de sélectionner cinq per-

sonnes dans un groupe de dix ?
b) Dans un groupe de dix personnes (cinq hommes et cinq femmes),
on en sélectionne cinq aléatoirement. Quelle est la probabilité que la
sélection soit composée de trois hommes et deux femmes ?
c) Sous les mêmes hypothèses que précédemment, quelle est la
probabilité que la sélection soit composée de trois femmes et deux
hommes ?
d) Soit A l’événement : « L’un des deux sexes n’est représenté qu’une
seule fois dans la sélection. » Calculer P(A).
e) En déduire la probabilité que la sélection soit composée exclusive-
ment de personnes du même sexe.
Exercice 7.5. Sur 2 582 personnes interrogées, 1 687 déclarent être

en possession d’une carte de paiement Visa, 1 501 disent avoir une
Mastercard et 688 disent avoir les deux cartes de crédit à la fois. On
choisit au hasard l’une de ces personnes.
On appelle V l’événement « Cette personne a une carte Visa ».
On appelle M l’événement « Cette personne a une carte Mastercard ».
a) Calculer et interpréter .
b) Quelle est la notation mathématique de l’événement « Cette per-
sonne n’a aucune des deux cartes de crédit » ? Calculer sa probabilité.
c) Calculer et interpréter .
d) Calculer la probabilité que la personne ait exactement une seule
carte de crédit.
Exercice 7.6. On lance un dé équilibré à six faces et on continue de le

lancer jusqu’à ce que l’on obtienne le résultat 6.
a) Compléter le tableau suivant :
k 1 2 3 4
Probabilité de lancer le dé exactement k fois
b) Quelle est la probabilité de lancer le dé plus de trois fois ? plus de

quatre fois ?
Exercice 7.7. Dans un pays imaginaire, il n’y a que trois banques : la

banque A, la banque B et la banque C.
La banque A accorde un crédit à 45 % des particuliers qui en font la
demande.
La banque B accorde un crédit à 68 % des particuliers qui en font la
demande.
La banque C accorde un crédit à 52 % des particuliers qui en font la
demande.
On étudie un groupe de particuliers qui n’ont déposé qu’une seule
demande de crédit à l’une de ces trois banques. 13 % d’entre eux se
sont adressés à la banque A. 72 % d’entre eux se sont adressés à la
banque B et le reste à la banque C.
Ludovic est un membre de ce groupe.
Quelle est la probabilité que son crédit lui soit accordé ?
Solutions :
7.1. a) 15,3 % b) 34,2 % ; 31,2 % ; 11,6 % c) 78 %
d) 41,3 % e) 2,3 %
7.2. a) 0,9 b) 0,17 c) ;
7.3. a) 0,53
7.4. a) 252 b) 39,68 % c) 39,68 % d) 19,84 %
e) 0,8 %
7.5. a) 96,82 % b) 3,18 % c) 31,49 % d) 70,18 %
7.6. a) 16,67 % ; 13,89 % ; 11,57 % ; 9,65 % b) 57,87 % ; 48,22 %
7.7. 62,61 %
7.5. Probabilités conditionnelles
Exemple 7.3. Quelqu’un lance un dé à six faces.

Quelle est la probabilité qu’il ait obtenu un résultat pair ?
Figure 17. Résultats du jet de dé
Réponse : Il y a trois résultats pairs possibles sur six au total.

La probabilité est donc de .
La réponse à cette question était évidente. Reposons à présent la même
question en ajoutant une information qui va changer la réponse.
Quelqu’un lance un dé à six faces et obtient un résultat supérieur à 3.
Quelle est la probabilité qu’il ait obtenu un résultat pair ?
Figure 18. Jet de dé supérieur à 3

Réponse : Il n’y a plus que trois résultats possibles, parmi lesquels deux
conviennent.
La probabilité est donc de .
L’information supplémentaire donnée (obtient un résultat supérieur
à 3) a modifié la probabilité d’obtenir un résultat pair.
Il est donc utile de définir des probabilités qui tiennent compte d’in-
formations supplémentaires : les probabilités conditionnelles.
On appelle A l’événement « Obtenir un résultat pair ».
On appelle B l’événement « Obtenir un résultat supérieur à 3 ».
La probabilité d’avoir obtenu un résultat pair est notée : .
La probabilité d’avoir obtenu un résultat pair en sachant qu’on a ob-
tenu un résultat supérieur à 3 est notée et se lit « proba-
bilité de A sachant B ».
Autre notation possible :
On appelle probabilité conditionnelle toute probabilité notée
ou qu’un élément de l’univers appartienne à un événement, sa-
chant qu’il en appartient à un autre.
Pour obtenir la probabilité ci-dessus, nous avons divisé le nombre de

résultats pairs et supérieurs à 3 par le nombre de résultats supérieurs à 3.
Nous avons donc divisé le nombre d’éléments de par le nombre
d’éléments de B.
On en déduit donc la formule de calcul des probabilités condition-
nelles :
Formule des probabilités conditionnelles :
Evénement contraire et probabilité conditionnelle :
On a pour tous événements A et B :
Intuitivement, c’est évident : sachant que B se produit, alors soit A se

produit, soit A ne se produit pas.
Probabilités conditionnelles et probabilités totales : de la formule ci-
dessus, on déduit que = × . (La formule sert d’ail-
leurs plus souvent sous cette forme.)
On peut substituer cette égalité dans la formule des probabilités to-
tales du paragraphe 2 et l’on obtient une autre version de cette formule :
Formule des probabilités totales :

Si A1, A2 … An sont des événements qui forment une parti-
tion de l’ensemble étudié,
Alors pour tout événement B, on a :
Formule des probabilités totales (deux événements) :

7.6. Indépendance d’événements

On dit que deux événements sont indépendants si la donnée qu’un
élément quelconque de l’univers appartient à l’un d’eux ne change pas la
probabilité qu’il appartienne à l’autre.
Intuitivement, on dit que deux événements sont indépendants si le
fait que l’un se produise ne change pas la probabilité de l’autre de se
produire.
A et B sont indépendants si :
La première égalité traduit bien la notion d’indépendance : le fait de

savoir que B se produit ne change pas la probabilité de A de se produire.
La seconde égalité se démontre mathématiquement à partir de la
première et de la formule des probabilités conditionnelles vue au para-
graphe 5. En effet, cette formule dit :
En multipliant à gauche et à droite par P(B), on obtient :

Or, si A et B sont indépendants, alors on peut remplacer P(A|B) par
P(A), ce qui donne la deuxième formule.
Attention : la formule n’est donc pas

toujours vraie. Elle n’est vraie que si A et B sont indépen-
dants. Il faut donc prendre la précaution de le vérifier avant
de l’utiliser. Il vaut mieux si possible utiliser la formule des
probabilités conditionnelles qui, elle, est toujours vraie.
Ceci précise la mise en garde faite au paragraphe 1.
Nous allons voir comment :

• décider si deux événements sont indépendants ;
• utiliser l’information que deux événements sont indépendants.
Fin de l’exemple 7.3. Lors du jet d’un dé à six faces équilibré, les événe-

ments A : « On obtient un résultat pair » et B : « On obtient un résul-
tat supérieur à 3 » sont-ils indépendants ?
Intuitivement, on pourrait penser que ces événements sont indépen-

dants car on ne voit pas bien le rapport entre les deux. Pourtant…
Réponse : On a vu précédemment que et que . Comme

l’égalité n’est pas vérifiée, on en déduit que ces événements ne sont pas
indépendants.
Il vaut donc mieux vérifier mathématiquement l’indépendance d’évé-
nement plutôt que de se fier à une intuition qui, comme ici, peut être trom-
peuse.
Exemple 7.4. On admet que le choix d’un parfum de glace est indépen-

dant du genre du client. On considère le prochain client d’un glacier.
On appelle C l’événement : « Le client commande une glace au choco-
lat » et l’on donne P(C) = 20 %.
On appelle H l’événement : « Le client est un homme » et l’on donne
P(H) = 49 %.
Interpréter et donner les valeurs de et de .
Réponse : est la probabilité que le prochain client soit un

homme et qu’il commande une glace au chocolat.
Comme C et H sont donnés indépendants, on a :
Il y a donc 9,8 % de chances que le prochain client soit un homme qui
commande une glace au chocolat.
est la probabilité que le prochain client commande une glace
au chocolat sachant que c’est un homme.
C et H étant donnés indépendants, on a :
Si le prochain client est un homme, il y a 20 % de chances qu’il com-

mande une glace au chocolat.
Confondre et est l’une des erreurs les plus fréquentes
en calcul de probabilités.
Lorsque l’on considère , on suppose acquis le fait que l’événe-
ment B est réalisé, et l’événement A est, au contraire, incertain (et l’on
cherche sa probabilité).
Alors que lorsque l’on considère , les événements A et B sont
tous deux incertains. L’analyse précise des données du cas étudié per-
mettra au lecteur de décider s’il doit utiliser une probabilité de réunion
d’événements ou une probabilité conditionnelle.
7.7. Arbres pondérés, expériences à deux étapes
Exemple 7.5. Un biathlète s’entraîne au tir avec une probabilité de 60 %

de toucher la cible au premier tir.
S’il réussit son premier tir, alors sa motivation grandit et il a 75 % de
chances de toucher la cible au tir suivant.
En revanche, s’il rate son premier tir, il est déprimé et n’a plus que
45 % de chances de toucher la cible au tir suivant.
Quelle est la probabilité qu’il réussisse son deuxième tir ?
Réponse :
Définition des événements :
• On appelle A l’événement : « Il reussit son premier tir ».
• On appelle B l’événement : « Il réussit son deuxième tir ».
Il est inutile de définir davantage d’événements. Tout autre événement
pourra s’exprimer en fonction de A et B.
Données :
•
•
•
On cherche .
Nous constatons que l’expérience réalisée dans ce cas comporte deux
étapes : le premier tir et le deuxième tir. Il peut être utile pour la modéliser
et mieux la comprendre de la représenter sur un arbre pondéré.
Figure 19. Arbre pondéré

L’arbre pondéré
• L’arbre se construit et se lit de gauche à droite : 1re étape
à gauche, 2e étape à droite de la première et ainsi de suite
s’il y a plus de deux étapes.
• Les noms des événements s’écrivent à l’extrémité des
branches des arbres.
• Les probabilités s’écrivent au milieu de chaque branche.
• À partir de la deuxième étape, les probabilités figurant
sur les branches sont des probabilités conditionnelles.
• À l’extrémité droite de l’arbre, on multiplie toutes les pro-
babilités des branches du chemin correspondant et l’on
calcule ainsi des probabilités d’intersections.
En effet, pour la branche du haut, on a :

= × = 0,6 × 0,75 = 0,45
On reconnaît l’utilisation de la formule des probabilités conditionnelles
du paragraphe 5.
On peut vérifier que la somme de toutes les probabilités d’intersection
calculées à la droite de l’arbre vaut bien 100 %.
D’après la formule des probabilités totales (voir 7.2), on a :
Autrement dit, pour calculer P(B), il suffit d’additionner toutes les pro-
babilités calculées à la droite des branches menant à B.
Il y a 63 % de chances que le tireur réussisse son deuxième tir.
7.8. Exercices d’application : probabilités conditionnelles
Exercice 7.8. Dans cet exercice, A et B sont deux événements. Les

questions sont indépendantes les unes des autres.
a) On donne = 6,11 % et P(B) = 47 %. Calculer .
b) On donne = 29 % et P(B) = 37 %. Calculer .
c) On donne = 14,44 % et = 38 %. Calculer P(B).
Exercice 7.9. Dans le cadre de la 20e journée du championnat de 27e di-

vision, le Football Club de l’Esche en Thillon accueille le F.C. Cartipe.
Le stade sera plein, 85 % des spectateurs soutiendront l’équipe locale
et les autres soutiendront l’équipe adverse.
65 % des supporters de l’Esche en Thillon viendront au stade avec

l’écharpe de leur club préféré, ainsi que 90 % des supporters du
FC Cartipe.
Sur le chemin du stade, Julien aperçoit un supporter au loin.
a) Quelle est la probabilité qu’il soit pour le FC Cartipe et qu’il n’ait
pas d’écharpe ?
b) Quelle est la probabilité qu’il soit pour l’Esche en Thillon et qu’il
n’ait pas d’écharpe ?
c) Quelle est la probabilité qu’il n’ait pas d’écharpe (si l’on ne connaît
pas l’équipe qu’il soutient) ?
Exercice 7.10. On considère deux événements A et B. Dans chacune

des questions suivantes, déterminer d’après les données si A et B
sont indépendants.
a) P(A) = 0,7 P(B) = 30 % = 0,21
b) P(A) = 0,8 P(B) = 0,27 P(A B) = 0,83
c) P(A) = 0,5 = 0,3 P(A B) = 0,65
d) P(B) = 0,7 P(A B) = 0,3 = 0,5
Exercice 7.11. On arrive sur la place Quideut par la rue des Cent Îles ou
par l’avenue Dumessie, qui sont à sens unique. On en repart par l’ave-
nue de Lanuy ou par le boulevard Hyance, qui sont également à sens
unique.
70 % du trafic entrant sur
la place arrive de l’avenue
Dumessie et 85 % du trafic
sortant emprunte le boule-
vard Hyance.
a) 4,5 % des automobi-
listes arrivent par la rue des
100 Îles et repartent par
l’avenue de Lanuy. La route
d’arrivée sur la place est-elle
indépendante de la route de départ de la place ?
b) Sachant qu’un automobiliste est arrivé par la rue des 100 Îles, quelle
est la probabilité qu’il reparte par l’avenue de Lanuy ?
c) Représenter cette situation par un arbre pondéré.
d) Hubert se trouve dans sa voiture sur la place Quideut. Quelle est la
probabilité qu’il soit arrivé par l’avenue Dumessie et qu’il reparte par
le boulevard Hyance ?
e) Aujourd’hui, des travaux engendrent des encombrements sur l’ave-

nue Dumessie et sur l’avenue de Lanuy. Quelle est la probabilité qu’un
automobiliste passant sur la place Quideut soit retardé par ces en-
combrements ?
Exercice 7.12. Monsieur Dubois doit partir en voyage d’affaire à Delhi

un jour où des perturbations entraînent des retards de vol. Il a une
correspondance d’une heure à Francfort et craint de manquer le deu-
xième vol, ce qui arrivera si celui-ci est à l’heure et si le premier ne
l’est pas.
On sait que la probabilité que le premier vol soit à l’heure est de 87 %,
et que la probabilité que les deux vols soient à l’heure est de 79,17 %.
On sait aussi qu’il y a 2,73 % de chances que les deux vols aient du
retard.
a) Tracer et compléter l’arbre pondéré correspondant à cette situation.
b) Donner la probabilité que M. Dubois manque le vol Francfort-Delhi.
Préciser la notation mathématique de cette probabilité en fonction
des noms donnés aux événements.
Exercice 7.13. Un mois après le lancement d’un nouveau modèle de

chaussures de sport, le fabricant cherche à évaluer l’impact de sa
campagne publicitaire en menant une enquête. On choisit au hasard
l’un des participants à cette enquête.
On nomme les événements ainsi :
M : « Le participant a acheté une paire de chaussures du nouveau
modèle ».
C : « Le participant a eu connaissance de la campagne publicitaire ».
Les données recueillies sont récapitulées dans l’arbre pondéré sui-
vant :
a) Compléter l’arbre pondéré en précisant les probabilités sur toutes

les branches ainsi que les probabilités des intersections d’événements
(en bout de branche).
b) Quelle est la probabilité que le participant choisi ait vu la campagne
publicitaire ?
c) Dresser l’arbre de probabilités inverse (celui pour lequel C figure en
première étape et M en seconde étape).
d) Peut-on supposer au vu de ces données que la campagne publici-
taire a eu un impact ?
Solutions :
7.8. a) 13 % b) 10,73 % c) 38 %
7.9. a) 1,5 % b) 29,75 % c) 31,25 %
7.11. b) 15% d) 59,5 % e) 74,5 %
7.12. b) 10,27 %
7.13. b) 55,15 %
7.9. Formule de Bayes

La formule de Bayes, du nom du mathématicien britannique Thomas
Bayes (qui vécut au XVIIIe siècle) est une formule de probabilités per-
mettant, pour deux événements A et B, de calculer connaissant
.
Nous allons mettre en évidence par un exemple l’utilité de connaître
et de ne pas se contenter de . Ensuite, nous écrirons et
démontrerons la formule de Bayes. Puis, nous verrons son application
dans un autre exemple.
Exemple 7.6. Un laboratoire pharmaceutique veut commercialiser un

test de dépistage d’une maladie en mettant en avant les données sui-
vantes :
• 0,01 % de la population est touché par la maladie.
• Le test est positif sur 99 % des malades.
• Le test est négatif sur 99,99 % des personnes qui ne sont pas ma-
lades.
Quelques mois après la mise sur le marché, un scandale sanitaire
éclate. Pourquoi ?
Il est bon de préciser, surtout après la crise sanitaire, que les agences
sanitaires ne se contentent pas d’aussi peu de renseignements avant d’au-
toriser la mise sur le marché de produits médicaux. Les choses ont été
volontairement simplifiées pour les besoins de l’exercice.
Les données semblent prouver que le test est très efficace. En réalité,
nous allons prouver à l’aide des formules de probabilités vues jusqu’à pré-
sent qu’il ne l’est pas du tout.
Réponse : Définition des événements :

• On considère une personne testée prise au hasard.
• On appelle M l’événement : « La personne testée est malade ».
• On appelle T l’événement : « La personne testée est positive » (au-
trement dit, le test la désigne comme malade).
Données :

Nous allons à présent calculer et interpréter une série de probabilités :
• Calcul de :
On applique la formule des probabilités conditionnelles :
Il y a 0,009 9 % de chances qu’une personne testée au hasard soit
malade et testée positive.
• Calcul de :
C’est l’événement contraire de M :
99,99 % de la population n’est pas touché par la maladie.

• Calcul de :
C’est l’événement contraire de :
0,01 % des personnes qui ne sont pas malades sont testées positives
par erreur. (Ce sont les « faux positifs ».)
• Calcul de :
Il y a 0,009 999 % de chances qu’une personne testée au hasard ne soit

pas malade et soit testée positive par erreur.
• Calcul de P(T) :
On applique la formule des probabilités totales :
Il y a 0,019 899% de chances qu’une personne testée au hasard soit

testée positive.
• Calcul de :
Il y a 49,75 % de chances qu’une personne testée positive soit réelle-

ment malade.
Ce dernier résultat explique le scandale sanitaire : un peu plus de
la moitié des personnes testées positives étaient en fait en bonne santé.
Le test, malgré des données de départ qui paraissaient encourageantes,
n’était en fait pas fiable.
La leçon à tirer de l’étude de cet exemple est que la donnée seule d’une
probabilité conditionnelle peut nous induire en erreur sur la situation que
l’on traite. Il peut être utile de déterminer la probabilité conditionnelle « en
sens inverse » pour avoir un nouveau regard sur la situation. La formule
de Bayes permet de le faire bien plus rapidement que dans l’exemple 7.6.
Nous allons à présent établir la formule de Bayes :
Ecrivons la formule des probabilités conditionnelles qui calcule
et celle qui calcule .
Multiplions les deux membres de ces égalités par les dénominateurs :
Or, et désignent le même événement. (« A et B se pro-

duisent tous les deux. »)
Toutes ces probabilités sont donc égales. La formule de Bayes est l’ex-
pression de cette égalité.
Formule de Bayes :
Appliquons-la dans l’exemple 7.7 ci-après, pour mettre en évidence le

gain de temps par rapport à l’exemple 7.6.
Exemple 7.7. Des enfants de 10 et 11 ans portent des T-shirts rouges et

verts.
57 % des enfants portent un T-shirt rouge.
38 % des enfants ont 10 ans.
42 % des enfants de 10 ans portent un T-shirt rouge.
On choisit au hasard un enfant portant un T-shirt rouge.
Quelle est la probabilité qu’il ait 10 ans ?
Réponse : On définit les événements : on choisit un enfant au hasard.
On appelle R l’événement : « l’enfant choisi porte un T-shirt rouge ».
On appelle D l’événement : « l’enfant choisi a 10 ans ».
Écrivons maintenant les données en écriture mathématique :
• P(R) = 0,57
• P(D) = 0,38
• P(R|D) = 0,42
On cherche P(D|R).
Puisque R|D et D|R apparaissent dans le cas étudié, nous allons écrire
la formule de Bayes pour R et D :
On substitue à présent les données de l’énoncé :
On divise les deux membres par 0,57 :
Il y a 28 % de chances qu’un enfant portant un T-shirt rouge ait 10 ans.

7.10. Exercices d’application : formule de Bayes
Exercice 7.14. a) On donne P(A) = 0,65 ; P(B) = 0,59 ; P(A|B) = 0,48.

Calculer P(B|A).
b) On donne P(A) = 75 % ; P(A|B) = 52 % ; P(B|A) = 36 %. Calculer
P(B).
c) On donne P(A) = ; P(B) = ; = . Calculer P( |B).
d) On donne P(A) = 3,7 % ; P(B|A) = 98,3 % ; P(B| ) = 0,1 %. Calculer
P(A|B).
Exercice 7.15. On effectue une étude, dans une ville française, sur les
foyers ayant recours aux services à la personne pour les tâches mé-
nagères. De cette enquête, il ressort que des foyers faisant appel
à une aide-ménagère sont composés d’au moins quatre personnes.
D’autre part, les trois quarts des foyers de cette ville comptent moins
de quatre personnes. Enfin, 27 % des foyers recourent aux services
d’une aide-ménagère.
Un habitant de cette ville déclare vivre seul.
Quelle est la probabilité qu’il emploie une aide-ménagère ?
Exercice 7.16. On mène une étude sur une population de particuliers
qui déposent une demande de crédit immobilier à leur banque. On
sélectionne un particulier au hasard.
On appelle C l’événement : « La demande de crédit de ce particulier
est accordée ».
On appelle M l’événement : « Ce particulier bénéficie de la caution de
sa mutuelle ».
a) Compléter les deux arbres de probabilité suivants :
b) Compléter le tableau suivant :
C C Total
M
M
Total 100%
c) Donner et interpréter les valeurs suivantes : , ,

, .
Exercice 7.17. La promotion du bac général de 1989 comptait 299 486 ba-

cheliers alors que la promotion de 2014 comptait 624 700 bacheliers2.
D’autre part, le graphique suivant décrit la répartition des mentions :
a) On sélectionne au hasard un bachelier de l’une des deux promo-
tions citées plus haut.
On appelle A l’événement : « Le bachelier sélectionné est de la pro-
motion 1989 ».
On appelle T l’événement : « Le bachelier sélectionné a obtenu la
mention Très bien ».
Tracer un arbre pondéré pour les événements A et T.
b) Si le bachelier sélectionné a obtenu la mention Très bien, quelle est
la probabilité qu’il soit issu de la promotion 1989 ?
2. Source : education.gouv.fr
Exercice 7.18. Chez un revendeur de jeux vidéo, on effectue une étude

comparative entre les clients porteurs de carte de fidélité ayant acheté
Super Baseball League I et les clients ayant acheté Super Baseball
League II.
La base de données donne les informations suivantes :
• 70 % des clients ont acheté SBL2.
• des clients ayant acheté SBL2 avaient acheté SBL1.
• 30 % des clients n’ont acheté aucun des deux jeux.
SBL1 était-il un bon jeu ?
Exercice 7.19. D’après un site de vente en ligne, les clients ayant acheté

L’échiquier du mal de Dan Simmons sont nombreux à avoir acheté
Ilium (du même auteur).
En fait, en enquêtant parmi les amateurs de littérature fantastique,
on estime que 5 % d’entre eux ont acheté L’échiquier du mal. Parmi
les acquéreurs de L’échiquier du mal, 18 % des personnes n’ont pas
acheté Ilium. Parmi les acquéreurs d’Ilium, 7 % des personnes n’ont
pas acheté L’échiquier du mal.
On interroge un amateur de littérature fantastique au hasard. Quelle
est la probabilité qu’il ait lu Ilium ?
Solutions :
7.14. a) 43,57 % b) 51,92 % c) 54,69 % d) 97,42 %
7.15. 8 %
7.16. c) 59,64 % 38,76 % 57 % 96,04 %
7.17. b) 3,46 %
7.18. Vraisemblablement oui.
7.19. 4,41 %
Chapitre 8. Variables aléatoires réelles
Clément Amzallag
ISBN 9782376876137



CHAPITRE 8.
VARIABLES ALÉATOIRES RÉELLES
▶ Notation mathématique
▶ Variables aléatoires discrètes et continues
▶ Espérance et écart-type
▶ Changement de variable aléatoire
Variables aléatoires réelles 209
8.1. Notion de variable aléatoire réelle

Lors de la réalisation d’une expérience aléatoire, on peut vouloir étu-
dier la valeur prise par un paramètre numérique dépendant du choix des
éléments de l’univers sélectionné. On associe alors à ce paramètre une
variable aléatoire.
Il est question dans ce chapitre de variables aléatoires réelles, c’est-à-
dire qui sont des nombres réels. Il existe d’autres types de variables aléa-
toires (par exemple les vecteurs aléatoires), mais nous ne les étudierons
pas ici.
Nous sous-entendrons donc l’adjectif « réelle » la plupart du temps et
nous pourrons utiliser l’abréviation v.a.r pour désigner une variable aléa-
toire.
Exemple 8.1. On sélectionne l’un après l’autre dix clients d’un magasin.

On appelle X la variable aléatoire qui représente le nombre de femmes
parmi les clients choisis.
Cela peut faire partie d’une étude du genre de la clientèle, dans le cadre
de l’étude de la demande.
Entre autres variables aléatoires que l’on aurait pu choisir d’étudier :
l’âge moyen des clients, leur panier moyen, la distance médiane du maga-
sin à leur domicile… ou tout autre indicateur numérique.
On nomme chaque variable aléatoire par une lettre majuscule diffé-
rente de E, P et V.
Lorsque l’on étudie une variable aléatoire, il est d’usage de commen-
cer par déterminer son type et les valeurs qu’elle peut prendre.
Une variable aléatoire dont les valeurs possibles constituent un en-
semble fini ou dénombrable est une variable aléatoire discrète.
Une variable aléatoire dont les valeurs possibles constituent un ou
plusieurs intervalle(s) est une variable aléatoire continue.
La variable aléatoire X peut prendre les valeurs : 0, 1, 2, 3, 4, 5, 6, 7, 8,
9 et 10. C’est donc une variable aléatoire discrète.
Chacune des valeurs possibles de X a une certaine probabilité d’être
la valeur constatée lors de l’expérience. Par exemple, il est possible qu’il
y ait 3 femmes parmi les dix personnes, et il est également possible qu’il
y en ait un autre nombre. Il existe donc une certaine probabilité que X
vaille 3, que l’on notera P(X = 3). Cette probabilité prend évidemment
une valeur entre 0 et 1 :
Par exemple, P(X = 3) = 0,12 signifie : « Il y a 12 % de chances qu’il y
ait exactement 3 femmes parmi les dix personnes sélectionnées ».
La probabilité qu’une variable aléatoire X prenne la valeur k

est notée P(X = k).
On note à l’intérieur des parenthèses suivant le P la condition que

doit vérifier la variable aléatoire. Cette condition n’est pas forcément une
égalité. C’est même le plus souvent une inégalité.
Par exemple, P(X < 5) est la probabilité qu’il y ait moins de 5 femmes
parmi les dix personnes sélectionnées.
P(X ≤ 5) est la probabilité qu’il y ait au maximum 5 femmes parmi les
dix personnes sélectionnées.
Il est important de comprendre la différence entre P(X < 5) et P(X ≤ 5).
Ces deux probabilités ne sont en général pas égales.
La fonction qui à chaque valeur possible d’une variable aléatoire
disc X et de sa probabilité s’appelle loi de probabilité de X.
La donnée de la loi de probabilité d’une variable aléatoire X permet de
calculer n’importe quelle probabilité concernant X. Il est donc d’usage,
en étudiant une variable aléatoire, d’essayer de déterminer sa loi de pro-
babilité.
L’étude des probabilités est faite dans un cadre de mathématiques ap-
pliquées à un contexte commercial. Elle n’est pas effectuée de façon rigou-
reuse à partir des définitions de tribu, de variable aléatoire, de fonction de
répartition, de densité de probabilité et de distribution de probabilité. La
définition ci-dessus de loi de probabilité est pertinente dans le cas d’une
v.a.r. discrète et suffira au lecteur dans les cas traités dans cet ouvrage.
On conseillera au lecteur désireux de consulter un exposé rigoureux de la
théorie de probabilités la consultation d’ouvrages spécialisés tels que ceux
de Jean-Etienne Rombaldi, Xavier Gourdon, Djalil Chafai et Pierre-André
Zitt. Les références ne manquent pas.
Exemple 8.2. Dans une banque, on sélectionne aléatoirement un Plan

Epargne Logement ouvert par un client.
On appelle M la variable aléatoire comptant le montant au crédit de
ce P.E.L.
Entre autres variables aléatoires que nous aurions pu considérer : l’an-
cienneté du PEL, l’âge du titulaire…
Dans cet exemple, on ne considère pas la v.a.r. comme discrète, mais
on considère qu’elle peut prendre toutes les valeurs depuis le montant
minimal (540 €) jusqu’au plafond du P.E.L (61 200 € à la rédaction de cet
ouvrage).
La variable aléatoire M est donc continue.
Si une variable aléatoire X est continue, alors pour toute va-

leur de k, on a : P(X = k) = 0
Pour les initiés : sous réserve que la densité de probabilités associée soit
continue, ce qui sera le cas dans cet ouvrage.
Nous ne considérerons donc pas les probabilités qu’une variable aléa-
toire continue soit égale à une certaine valeur. Nous ne considérerons
que les probabilités qu’elle appartienne à un certain intervalle.
Par exemple :
• P(M ≤ 3 500) est la probabilité qu’il y ait moins de 3 500 € au crédit
de ce PEL.
• P(10 000 ≤ M ≤ 50 000) est la probabilité qu’il y ait entre 10 000 €
et 50 000 € sur ce PEL.
• P(M ≥ 7 000) est la probabilité qu’il y ait plus de 7 000 € sur ce PEL.
• P(M = 6 350) vaut 0 et ne sera pas considéré pour une variable
continue.
Voyons à présent un exemple d’étude de v.a.r. :
Exemple 8.3. Un boulanger étudie le nombre de pains au chocolat acheté

par ses clients pour savoir s’il a intérêt à proposer des promotions.
Seuls les clients achetant effectivement au moins un pain au chocolat
sont pris en compte. Il vend ses pains au chocolat à 1,15 € l’unité.
On appelle C la variable aléatoire comptant le nombre de pains au
chocolat acheté par un client.
La loi de probabilité de C est en grande partie donnée par le tableau
suivant :
10 ou
k 1 2 3 4 5 6 7 8 9
plus
P(C = k) 60 % 14 % 7 % 5 % 3,5 % 3 % 2,3 % 2 % 1,8 % 1,4 %
a) De quel type est cette v.a.r. et quelles valeurs peut-elle prendre ?

b) Donner la valeur de P(C = 2) et interpréter le résultat.
c) Un client veut acheter des pains au chocolat. Quelle est la probabi-
lité qu’il y consacre entre 5 et 10 € ?
Réponse : a) Il s’agit d’une variable aléatoire discrète qui peut prendre
des valeurs entières strictement positives (dans la limite de la capacité de
production du boulanger).
b) P(C = 2) = 0,14
Il y a 14 % de chances qu’un client achète exactement 2 pains au cho-

colat.
c) Attention : C ne compte pas la dépense du client, mais le nombre
de pains au chocolat achetés. Il faut donc revenir au nombre de pains au
chocolat achetés.

Pour dépenser entre 5 € et 10 €, il faut acheter entre 4,35 et 8,7 pains
au chocolat, soit entre 5 et 8 pains au chocolat.
Si l’on en achète 4, on paiera moins de 5 €. Si l’on en achète 9, on paiera
plus de 10 €. Il convient donc ici de ne pas arrondir les valeurs décimales
au nombre le plus proche, mais de manière à rester à l’intérieur de l’inter-
valle de prix donné.
On cherche donc P(5 ≤ C ≤ 8).
Pour calculer la probabilité qu’une variable aléatoire se situe

dans une plage de valeurs, on additionne les probabilités
qu’elle soit égale à chacune de ces valeurs.
P(5 ≤ C ≤ 8) = 0,035 + 0,03 + 0,023 + 0,02 = 0,108 = 10,8 %

La probabilité que le client achète pour entre 5 € et 10 € de pains au
chocolat est donc de 10,8 %.
Attention : lorsque la question étudiée porte sur autre
chose que ce que la variable aléatoire compte, il faut revenir
à la grandeur comptée par la variable aléatoire.
8.2. Exercices d’application : notion de variable aléatoire
Exercice 8.1. a) X est une variable aléatoire prenant uniquement les

valeurs entières de 0 à 5 et telle que :
k 0 1 2 3 4
P(X = k) 1/3 1/12 1/4 1/6 1/24
Calculer P(X = 5), P(X ≤ 3), P(X < 3).
b) Y est une variable aléatoire prenant uniquement les valeurs entières

positives ou nulles et telle que pour tout entier k, on a .
Calculer P(Y = 3), P(Y ≤ 3) et P(Y ≥ 4).

Exercice 8.2. On lance un dé à six faces équilibré et l’on nomme S la

variable aléatoire réelle comptant le nombre de lancers nécessaires
pour obtenir un 6.
a) Quelles valeurs peut prendre S ?
b) Interpréter l’événement S = 1.
c) Écrire en notation mathématique et calculer la probabilité que l’on
obtienne 6 pour la première fois au troisième lancer.
d) Interpréter et calculer P(S > 3).
Exercice 8.3. Dans un hypermarché, un article est porteur de l’offre

promotionnelle ci-contre :
On effectue une enquête
sur les clients ayant pro-
fité de cette offre. On
appelle A la variable aléa-
toire comptant le nombre
d’articles achetés donnant
droit à la promotion lors du passage en caisse de l’un de ces clients
pris au hasard.
Le tableau ci-dessous donne la loi de probabilité de A.
k 1 2 3 4 5
P(A = k) 67 % 15 % 8 % 4 %
L’article coûte 5,40 € à l’unité hors promotion.

a) Lire dans le tableau et interpréter P(A = 2).
b) Compléter le tableau et interpréter le nombre manquant. Quelle
donnée de l’énoncé permet de faire le calcul ?
c) Quelle est la probabilité que la promotion ait fait économiser 3,24 €
au client ?
d) Quelle est la probabilité que la promotion ait fait économiser moins
de 4 € au client ?
e) Quelle est la probabilité que la promotion ait fait économiser plus
de 2 € au client ?
Exercice 8.4. On dit qu’une variable aléatoire discrète suit une loi de

probabilité uniforme si elle ne peut prendre qu’un nombre fini de va-
leurs et si les probabilités de toutes ces valeurs sont égales.
a) Parmi ces variables aléatoires, laquelle suit une loi uniforme ?
A : la variable aléatoire comptant la somme des résultats donnés par

le jet de deux dés équilibrés.
B : la variable aléatoire donnant le résultat du jet d’un dé truqué.
C : la variable aléatoire comptant le nombre de lancers nécessaires
pour qu’une pièce de monnaie tombe sur pile.
D : la variable aléatoire donnant le résultat du jet d’un dé à 20 faces
équilibré.
E : la variable aléatoire donnant le montant du gain d’un joueur de
loto.
b) Pour la variable aléatoire choisie à la question a), donner la proba-
bilité qu’elle prenne la valeur 3, la probabilité qu’elle prenne la valeur
11 et la probabilité qu’elle prenne une valeur comprise entre 3 et 11
(3 et 11 inclus).
Exercice 8.5. Un négociant

en blé vend ses stocks au
cours du marché. La quan-
tité vendue (en tonnes)
chaque mois est représen-
tée par une variable aléa-
toire B. Les documents ci-
contre donnent les cours
moyens du blé mois par
mois, ainsi que des rensei-
gnements concernant la loi de probabilité que suit B.
k (tonnes) 1 500 1 800 2 000 2 200 2 500

P(B < k) 4,78 % 25,25 % 50 % 74,75 % 95,22 %
a) Interpréter l’indice 74,75 % du tableau ci-dessus.

b) Calculer la probabilité que le négociant vende entre 1 800 t et 2 200 t
de blé le mois prochain.
c) Calculer la probabilité que le négociant ait réalisé un chiffre d’af-
faires compris entre 324 000 € et 405 000 € en décembre.
d) Calculer la probabilité que le négociant ait réalisé un chiffre d’af-
faires supérieur à 367 400 € en février.
e) Si la tendance observée au cours des cinq mois donnés se confirme,
estimer la probabilité que le négociant réalise un chiffre d’affaires
compris entre 256 650 € et 342 200 € au mois d’avril.
Exercice 8.6. Le montant des achats des clients dans un magasin se

répartit uniformément entre 50 € et 300 € (aucun client ne dépense
moins de 50 € ni plus de 300 €).
Calculer la probabilité que le prochain client dépense entre 100 € et
200 €.
Solutions :
8.1. a) , , b) , ,
8.2. c) 11,57 % d) 57,87 %
8.3. a) 15 % b) 6 % c) 8 % d) 90 % e) 33 %
8.4. a) D b)
8.5. b) 49,5 % c) 45,22 % d) 25,25 % e) 45,22 %
8.6. 40 %
8.3. Espérance d’une variable aléatoire réelle
Exemple 8.4. Patrick est commercial dans une concession automobile.

Lors de ses précédentes journées de travail, il a vendu une voiture
par jour les deux tiers du temps, deux voitures par jour un dixième
du temps, trois voitures par jour un quinzième du temps. Le reste des
journées, il n’a pas vendu de voitures.
En se basant sur ces données, quel nombre de voitures peut-il espérer
vendre chaque jour ?
Réponse : On appelle A la variable aléatoire comptant ses ventes quoti-
diennes.
A est discrète, finie et peut prendre les valeurs 0, 1, 2 ou 3.
La somme des probabilités de toutes les valeurs possibles de A
vaut 1. La probabilité que Patrick ne vende aucune voiture vaut donc :
.
Nous pouvons donc dresser le tableau donnant la loi de probabilité

de A.
k 0 1 2 3
P(A = k)
On considère que le nombre de voiture qu’il peut espérer vendre chaque

jour est égal au nombre de voitures qu’il vend en moyenne. Nous allons
donc calculer la moyenne des valeurs possibles de A, pondérée par leurs
probabilités respectives.
Ce nombre est appelé espérance de A et noté E(A).

L’espérance d’une variable aléatoire discrète finie est la moyenne de
ses valeurs possibles pondérée par leurs probabilités respectives.
L’espérance d’une variable aléatoire discrète infinie est la somme infinie
d’une série.
L’espérance d’une variable aléatoire continue se calcule grâce à une
intégrale.
Nous n’étudierons pas ces deux cas dans cet ouvrage.
En pratique, pour calculer l’espérance, on se sert de Stats-1var à la
calculatrice.
Suite de l’exemple 8.4. Patrick touche une rémunération fixe de 1 000 €

mensuels nets et une commission de 50 € par voiture vendue. Il tra-
vaille 25 jours par mois.
Calculer l’espérance de sa rémunération mensuelle.
Réponse : On appelle R la variable aléatoire comptant sa rémunération
mensuelle.
Lien entre R et A : R = 25 × 50 × A + 1 000 = 1 250 × E(A) + 1 000
Intuitivement, on peut comprendre que :
Si l’on multiplie toutes les valeurs d’une série statistique par un
nombre a, alors sa moyenne sera également multipliée par a. Il en va de
même pour les variables aléatoires, qui ont des propriétés parallèles à
celles des séries statistiques.
Si l’on ajoute un nombre b à toutes les valeurs d’une série statistique,
alors sa moyenne augmentera également de b unités (ou diminuera si b
est négatif).
Pour passer de A à R, on multiplie les valeurs de A par 1 250, puis l’on

ajoute 1 000. Il suffit de procéder de la même manière avec E(A) pour
obtenir E(R).
Alors E(R) = 1 250 × E(A) + 1 000
Patrick peut espérer gagner 2 333 € par mois en moyenne.
Changement de variable aléatoire :

Si deux variables aléatoires X et Y sont liées par la relation
Y = a × X + b, alors leurs espérances sont liées par la même
relation :
E(Y) = a × E(X) + b
On dit que l’espérance est un opérateur linéaire.

L’espérance est, en probabilités, ce que la moyenne est en statistiques.
On constate que grâce à la linéarité de l’espérance, nous avons réussi à
déterminer précisément et facilement l’espérance de la variable aléatoire
R sans connaître sa loi de probabilité (qui est d’ailleurs assez longue et
compliquée à écrire).
Nous avons donc vu deux manières de calculer l’espérance d’une va-
riable aléatoire réelle discrète finie :
• Si l’on connaît sa loi de probabilité, on en détermine la moyenne
(par exemple à l’aide de la fonction Stats-1Var) ;
• Si l’on ne connaît pas sa loi de probabilité, on la déduit de l’espé-
rance d’une autre variable aléatoire dont on connaît la loi, après
avoir exprimé la seconde variable aléatoire en fonction de la pre-
mière.
8.4. Variance et écart-type d’une variable aléatoire

La variance et l’écart-type d’une variable aléatoire discrète sont deux
paramètres qui mesurent la dispersion de ses valeurs, pondérées par
leurs probabilités respectives.
La variance de la v.a.r. X est notée V(X).
L’écart-type de la v.a.r. X est noté σ(X).
Ces notions correspondent aux notions éponymes vues au 4.14 en sta-
tistiques.
Ces notions se généralisent bien entendu aux variables aléatoires conti-
nues, mais ce n’est pas l’objet de ce cours.
Les formules de calcul sont les mêmes que celles vues au chapitre 4,
§14 mais on peut les obtenir à la calculatrice, à l’aide de la fonction Stats-
1Var.
Fin de l’exemple 8.4. a) Calculer la variance et l’écart-type du nombre de

ventes quotidiennes de Patrick.
b) En déduire la variance et l’écart-type de sa rémunération men-
suelle.
c) Quel conseil peut-on donner à Patrick pour la gestion de ses fi-
nances ?
Réponse : a) En saisissant la loi de probabilité de A à la calculatrice et en
utilisant la fonction Stats-1Var, on obtient σ(X) ≈ 0,727.
L’écart-type est la racine carrée de la variance donc la variance est le
carré de l’écart-type.
V(X) ≈ 0,7272 ≈ 0,529
Patrick vend donc en moyenne environ 1,067 voitures par jour avec
un écart-type de 0,727 voitures en plus ou en moins.
b) Ne connaissant pas la loi de probabilité de R, nous devons déduire
sa variance et son écart-type de celles de A.
On rappelle que la variance se calcule en faisant une moyenne de carrés
d’écarts à la moyenne, à partir des valeurs de la variable aléatoire. Par
conséquent, si l’on multiplie les valeurs d’une série statistique ou d’une
variable aléatoire par un nombre a, sa variance sera multipliée par a2.
L’écart-type étant la racine carrée de la variance, celui-ci sera multiplié
par la valeur absolue de a.
Par contre, intuitivement, si l’on ajoute une constante b aux valeurs
d’une série statistique ou d’une variable aléatoire, on peut concevoir que sa
dispersion n’en sera pas modifiée. Les valeurs de la série seront simplement
décalées mais elles ne seront pas plus homogènes ou plus hétérogènes. Par
conséquent, ajouter une constante aux valeurs d’une série statistique ou
d’une variable aléatoire ne modifiera pas sa variance, ni son écart-type.
On rappelle que R = 1 250 × A + 1 000.
Par conséquent : V(R) = 1 2502 × V(A) ≈ 1 2502 × 0,529 ≈ 826 389
Pour calculer σ(R), on peut procéder de deux façons différentes :
•
ou bien
• σ(R) = |1 250| × σ(A) ≈ 1 250 × 0,727 ≈ 909 €
Patrick peut donc espérer gagner 2 333 € par mois en moyenne, avec
un écart-type de 909 € en plus ou en moins.
c) L’écart-type étant relativement important au regard de l’espérance,
Patrick constate des variations importantes dans ses rémunérations
mensuelles. On peut donc lui conseiller d’économiser une partie de ses
rémunérations les plus importantes afin de pouvoir faire face aux mois
où il gagnera beaucoup moins.
Si deux variables aléatoires X et Y sont liées par la relation

Y = a × X + b, alors :
• leurs variances vérifient :
• leurs écarts-types vérifient :
8.5. Exercices d’application : variance et écart-type
Exercice 8.7. A et B sont deux variables aléatoires réelles.

a) On donne B = 3A + 5 ; E(A) = 7 ; V(A) = 16. Calculer σ(A) ; E(B) ;
V(B) ; σ(B).
b) On donne B = 10 − A. L’espérance de A vaut 30, l’écart-type de A
vaut 3. Calculer la variance de A, l’espérance de B, la variance de B,
l’écart-type de B.
Exercice 8.8. X est une variable aléatoire vérifiant :
k 0 1 2 3 4 5
P(X=k) 1/3 1/12 1/4 1/6 1/24 1/8
a) Vérifier que la loi de probabilité de X est entièrement donnée dans

le tableau ci-dessus.
b) Calculer E(X), V(X) et σ(X).
c) On donne Y = 2X – 1. Sans donner la loi de probabilité de Y, calculer
E(Y), V(Y) et σ(Y).
d) Calculer P(Y < 3) et P(Y ≤ 3).
Exercice 8.9. Dans un hypermarché, un article est porteur de l’offre

promotionnelle ci-dessous :
On effectue une enquête sur les clients ayant profité de cette offre. On
appelle A la variable aléatoire comptant le nombre d’articles achetés
donnant droit à la promotion lors du passage en caisse de l’un de ces
clients pris au hasard.
Le tableau ci-dessous donne la loi de probabilité de A.
k 1 2 3 4 5
P(A = k) 67 % 15 % 8 % 4 % 6 %
L’article coûte 5,40 € à l’unité hors promotion.

a) Un client pris au hasard est désireux de profiter de cette offre. Quel
nombre d’articles peut-on espérer qu’il va acheter ? Avec quel écart-
type ?
b) Quelle est l’espérance du chiffre d’affaires généré par ce client ?
Avec quel écart-type ?
c) L’hypermarché a proposé cette promotion durant cinq jours, du
lundi au vendredi. On estime qu’environ 2,5 % des clients en ont pro-
fité. Le tableau ci-après donne la fréquentation de l’hypermarché pen-
dant la durée de la promotion.
Jour Lundi Mardi Mercredi Jeudi Vendredi

Nombre de pas-
6 776 7 238 9 312 5 324 10 399
sages en caisse
Calculer l’espérance et l’écart-type du chiffre d’affaires généré par

cette promotion durant ces cinq jours.
Exercice 8.10. Dans un jeu où intervient le

hasard, le but est d’obtenir le plus grand
nombre de points possible. Au cours
de ce jeu, une étape consiste à tourner
une roue équilibrée comportant huit
secteurs de même taille, numérotés
de 1 à 8.
Selon la règle du jeu, le joueur qui ob-
tient de 1 à 7 perd le nombre de points
égal à son résultat (par exemple, s’il ob-
tient 5, il perd 5 points). Le joueur qui ob-
tient 8 gagne 25 points.
a) Justin tourne la roue une seule fois. On appelle J la
variable aléatoire comptant son gain. Donner la loi de probabilité de J.
De quel type de loi s’agit-il ?
b) Calculer l’espérance et l’écart-type du gain de Justin.
c) Francine tourne la roue dix fois. Calculer l’espérance et l’écart-type
de son gain.
d) Cette étape de jeu est-elle favorable ou défavorable au joueur ?
e) On désire changer les règles pour que cette étape de jeu soit équi-
table (ni favorable, ni défavorable). On ne change pas les règles pour
les résultats de 1 à 7. Combien de points doit alors gagner celui qui
obtient 8 ?
Exercice 8.11. Un chauffeur de taxi parisien facture 3,83 € la prise en

charge, puis une moyenne de 11,39 € par course urbaine. On admet
qu’il effectue entre 10 et 15 courses chaque jour et qu’il travaille
25 jours par mois.
On appelle C la variable aléatoire comptant le nombre de courses
effectuées en une journée.
a) Le diagramme circulaire ci-contre
donne la loi de probabilité de C. Lire
et interpréter P(C = 11).
b) Calculer l’espérance et l’écart-
type de son chiffre d’affaires men-
suel.
c) Calculer la probabilité que son chiffre d’affaires mensuel soit infé-
rieur à son espérance.
Exercice 8.12. Dans un QCM comprenant 30 questions, quatre ré-

ponses sont proposées à chaque question, une seule est bonne.
On marque +3 par bonne réponse et −1 par mauvaise réponse. On
marque 0 si l’on ne répond pas.
a) Quelle est l’espérance du score d’un candidat qui répond au hasard
à toutes les questions sans les lire ?
b) Quelle est l’espérance du score d’un candidat qui hésite à chaque
question entre trois réponses (parmi lesquelles la bonne) et répond
au hasard ?
c) En déduire une stratégie pour décider si l’on doit répondre au ha-
sard ou non.
d) Julien résout ce QCM. Il est sûr de son choix (avec raison) pour
10 questions, hésite entre trois réponses pour 6 questions, hésite
entre deux réponses pour 7 questions et n’a pas d’idée pour les
autres. Quelle est l’espérance de son score final (sur un maximum de
90) ? S’il vise la moyenne, a-t-il intérêt à répondre aux questions pour
lesquelles il n’a pas d’idée ?
Solutions :
8.7. a) 4 26 144 12 b) 9 −20 9 3
8.8. b) 1,875 2,859 1,691 c) 2,75 11,437 5 3,382
d)
8.9. a) 1,67 1,158 b) 7,21 5 c) 7 043 4 884
8.10. b) -0,375 9,77 c) -3,75 97,7 e) 28
8.11. b) 4 862 ; 394 c) 38,58 %
8.12. a) 0 b) d) 39
Chapitre 9. Lois de probabilité
Clément Amzallag
ISBN 9782376876137



CHAPITRE 9.
LOIS DE PROBABILITÉ
▶ Loi binomiale
▶ Loi de Poisson
▶ Approximation binomiale-Poisson
▶ Loi normale
▶ Approximation binomiale-normale
▶ Test d’ajustement du Khi²
Lois de probabilité 231
9.1. Notion de loi de probabilité
Exemple 9.1. Un groupe de dix adultes sélectionnés de manière aléatoire

parmi la population française se trouve dans une salle.
Quelle est la probabilité qu’exactement trois de ces adultes soient des
hommes ?
Début de réponse : On considère la variable aléatoire réelle (v.a.r.) X qui

compte le nombre d’hommes dans la salle.
Les valeurs possibles de X sont : 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 ou 10. X est
donc une v.a.r. discrète.
On cherche la probabilité que X soit égal à 3, c’est-à-dire P(X = 3).
Pour trouver cette probabilité, nous avons besoin de la loi de probabi-
lité de X, telle que décrite au chapitre 8, §1. Ne la connaissant pas pour
l’instant, nous devons donc nous donner les moyens de la trouver par
nous-mêmes.
Nous avons vu au chapitre 8 qu’à chaque variable aléatoire corres-
pondant à un indicateur dans une situation donnée, nous associons sa
loi de probabilité, c’est-à-dire la distribution des probabilités des valeurs
qu’elle peut prendre (ou bien la fonction qui permet de calculer la proba-
bilité de chaque intervalle dans le cas d’une variable aléatoire continue).
Mais comment trouver une loi de probabilité à partir d’une situation
donnée lors de l’étude d’un cas, comme l’exemple 9.1 ? Une fois identifiée
une loi de probabilité semblant correspondre au cas étudié, comment
prouver qu’elle lui correspond bien ? Le but de ce chapitre est de donner
des éléments de réponse à ces questions.
En étudiant de nombreux cas issus de domaines différents (com-
merce, psychologie, médecine, sports, sociologie, finance…), nous iden-
tifions des familles de variables aléatoires qui fonctionnent de façon si-
milaire. Par exemple, prévoir le nombre d’hommes parmi 10 personnes
dans une salle peut se traiter de la même manière que prévoir le nombre
de produits défectueux dans une caisse contenant 100 produits, lors d’un
contrôle-qualité. Étudier le comportement général des variables aléa-
toires d’une famille donne donc simultanément des renseignements sur
toutes les variables aléatoires de cette famille.
C’est la raison pour laquelle ont été identifiées et nommées des fa-
milles de variables aléatoires ayant des lois de probabilité similaires, et
correspondant à des familles de situations données. En voici quelques
exemples :
• La loi binomiale ;
• La loi de Poisson ;
• La loi normale ;
• La loi exponentielle ;
• La loi géométrique ;
• La loi hypergéométrique ;
• La loi de Student ;
• La loi uniforme discrète ;
• La loi uniforme continue ;
• La loi de Fischer ;
• La loi du Khi².
Chacune de ces lois admet un certain nombre de para-

mètres. Ce sont des constantes qui donnent les renseigne-
ments sur la situation étudiée nécessaires au calcul des pro-
babilités. Il est important de connaître pour chaque loi le
nombre de paramètres et leur signification.
Attention : L’utilisation du mot « loi » dans deux acceptations légère-

ment différentes peut prêter à confusion. Il peut désigner la distribution
des probabilités d’une variable aléatoire, ou bien une famille de variables
aléatoires ayant un comportement similaire. Le contexte fixera le sens que
l’on donne à ce mot dans chaque cas.
Dans cet ouvrage, nous nous limiterons à l’étude de la loi binomiale,
de la loi de Poisson et de la loi normale. Quelques rares exercices d’appli-
cation feront également référence aux lois uniformes.
9.2. La loi binomiale

La loi binomiale décrit le comportement de la famille de variables
aléatoires modélisant la situation suivante.
On réalise une suite de n expériences aléatoires identiques (n étant un
nombre fixé d’avance) dans laquelle chaque expérience donne le résultat
« succès » ou le résultat « échec », à l’exclusion de toute autre possibilité.
La variable aléatoire compte le nombre de « succès ».
La loi binomiale est une loi discrète et finie. En effet, le nombre de
succès est forcément un nombre entier et ne peut pas dépasser le nombre
n de tentatives.
La loi binomiale admet deux paramètres :
• le nombre de tentatives, noté n, qui est un entier ;
• la probabilité de succès à chaque tentative, notée p, qui est un

nombre réel compris entre 0 et 1.
Notation mathématique : X~B(n;p) signifie « La variable

aléatoire X suit une loi binomiale de paramètres n tentatives
et la probabilité p de succès. »
Connaissant les paramètres de la loi, nous pouvons donner la formule

de calcul des probabilités :
Probabilité d’obtenir k succès parmi n tentatives :
On rappelle que désigne le nombre de combinaisons de k parmi n

(voir 6.4).
Cette formule dérive de la formule du binôme de Newton, ce qui a
donné son nom à la loi binomiale.
pk indique k succès parmi les n tentatives, avec une probabilité de p
pour chacun.
(1 − p)n-k indique n − k échecs parmi n tentatives avec une probabilité
de 1 − p pour chacun.
est le nombre de manières de placer k succès parmi n tentatives.
Suite de l’exemple 9.1. Pour vérifier le nombre d’hommes dans la salle,

on considère chacune des personnes présentes et l’on note si c’est un
homme ou non. On peut considérer, comme les personnes ont été
sélectionnées de façon aléatoire dans la population, qu’il y a 50 %
de chances que chaque personne soit un homme et 50 % de chances
qu’elle n’en soit pas un.
Un « succès » désigne ce qui est compté par la variable aléatoire. Un
« échec » désigne ce qui n’est pas compté par la variable aléatoire.
Les mots « succès » et « échec » sont donc ici des termes techniques et
n’ont aucune connotation positive ou négative.
X comptant le nombre d’hommes dans la salle, « succès » désignera le
fait que la personne considérée soit un homme.
Nous effectuons donc 10 tentatives identiques.
On applique cette formule à la recherche de P(X = 3) avec X~B(10;0,5).
Nous avons donc k = 3, n = 10 et p = 0,5.
On obtient :
Il y a donc 11,72 % de chances qu’exactement trois des adultes pré-

sents dans la salle soient des hommes.
Le calcul d’une probabilité simple avec la loi binomiale est prépro-
grammé dans les calculatrices de niveau au moins lycée. Le lecteur se
référera à la chaîne Youtube MathsEnVideo Sup et consultera le tutoriel
Loi binomale dans la liste de lecture correspondant à la calculatrice en
sa possession.
Au tableur, la fonction utilisée pour calculer des probabilités par la loi
binomiale est =LOI.BINOMIALE.N ou =LOI.BINOMIALE, suivant la
version de tableur.
Voici la modélisation de l’exemple 55 au tableur.
Figure 20. Loi binomiale au tableur
On constate en cellule L10 que la somme de toutes les probabilités

donne évidemment 100 %.
La fonction =LOI.BINOMIALE.N prend en paramètres (dans cet
ordre) :
• Le nombre de succès k ;
• Le nombre de tentatives n ;
• La probabilité p ;
• La valeur FAUX si l’on calcule P(X = k) et la valeur VRAI si l’on
calcule P(X ≤ k).
Pour calculer des probabilités qui ne sont pas sous la forme de P(X = k)
ou P(X ≤ k), il faut les exprimer comme combinaison de probabilités qui
sont sous cette forme.
Par exemple :
Avoir moins de k succès, c’est en avoir au maximum k − 1.
Avoir plus de k succès, c’est ne pas en avoir au maximum k.
Avoir au moins k succès, c’est ne pas en avoir au plus k − 1.

Avoir entre k et l succès, c’est en avoir au maximum l, mais pas au

maximum k − 1.
9.3. Espérance et écart-type d’une v.a.r. (loi binomiale)
Suite de l’exemple 9.1. Un groupe de dix personnes se trouve dans une

salle, comme décrit précédemment.
Sans aucun renseignement complémentaire, quel est le nombre
d’hommes le plus probable parmi ces dix personnes ?
Nous avons déduit la valeur de p = 0,5 de la proportion d’hommes
dans la population.
Nous pouvons supposer que s’il y a 50 % d’hommes dans la popula-
tion, alors le plus vraisemblable est qu’il y ait également 50 % d’hommes
sur les 10 personnes de la salle.
Nous pouvons donc espérer 10 × 0,5 = 5 hommes dans la salle.
Le calcul effectué pour arriver au résultat est n × p.
Une variable aléatoire suivant une loi binomiale B(n;p) a

une espérance égale à n × p.
Pour déterminer la formule de la variance d’une variable aléatoire
suivant une loi binomiale, on applique la définition de la variance (simi-
laire à celle du 4.14) à la loi de probabilités de cette variable aléatoire.
Nous n’exposerons pas les calculs ici mais l’on obtient les résultats
suivants :
La variance d’une variable aléatoire suivant une loi bino-

miale B(n;p) est :
L’écart-type d’une variable aléatoire suivant une loi bino-

miale B(n;p) est donc :
L’écart-type étant, bien entendu, la racine carrée de la variance.

Suite de l’exemple 9.1. On obtient ici la variance suivante :
Calcul de l’écart-type :
Lors de la réalisation de cette expérience aléatoire, on obtient en

moyenne 5 hommes avec un écart-type de 1,58 homme en plus ou en
moins.
L’écart-type sert de base de mesure de l’écart à la moyenne. On peut
définir par un nombre d’écarts-type ce que l’on considère comme un
écart acceptable à la moyenne.
Fin de l’exemple 9.1. On considère comme « moyen » un nombre

d’hommes dans la salle ne s’éloignant pas de l’espérance de plus de
1,5 écart-type. Quelle est la probabilité que le nombre d’hommes
dans la salle soit « moyen » ?
Réponse : Calcul de 1,5 écarts-type : 1,5 × 1,58 ≈ 2,37.
E(X) − 1,5σ(X) ≈ 5 − 2,37 ≈ 2,63
E(X) + 1,5σ(X) ≈ 5 + 2,37 ≈ 7,37
Figure 21. Représentation de l’espérance et de l’écart-type
Un nombre d’hommes considéré comme « moyen » sera donc com-

pris entre 3 et 7 hommes (inclus).
On cherche donc P(3 ≤ X ≤7).
On peut obtenir cette probabilité en additionnant les probabilités ap-
propriées dans le tableau de la figure 20.
0,117 2 + 0,205 + 0,246 1 + 0,205 + 0,117 2 ≈ 0,890 5
Il y a donc environ 89,05 % de chances que le nombre d’hommes dans
la salle soit « moyen ».
En pratique, comme on le verra dans les chapitres 10 et 11, nous procé-
dons plutôt à l'inverse : nous définissons d’abord la probabilité d’obtenir
un résultat « moyen », puis nous en déduisons les valeurs limites de l’inter-
valle et le nombre d’écarts-type d’écart avec l’espérance. Cependant, cet

exemple illustre la signification de l’écart-type.
9.4. Exercices d’application : loi binomiale

Exercice 9.1. Une variable aléatoire X suit une loi binomiale de para-
mètres n = 30 et p = 0,3.
a) Compléter : X~_____________
b) Calculer P(X = 15), P(X = 8), P(X = 22)
c) Que dire de P(X = 50) ?
d) Quelle est la valeur de k pour laquelle P(X = k) est la plus élevée ?
Exercice 9.2. Soit X une variable aléatoire réelle. Calculer P(X = 5) dans

chacun des cas suivants :
a) X~B(10;0,5)
b) X~B(6;0,9)
c) X~B(5;0,3)
d) X~B(30;0,1)
Exercice 9.3. X~B(n;p)
a) Quelle formule inscrire en cellule B4 pour obte-
nir le calcul de P(X = k) ?
b) Quel nombre s’affichera alors en cellule B4 ?
Exercice 9.4. 20 % des clients d’un magasin sont porteurs d’une carte
de fidélité. On considère dix clients se présentant à une caisse. Soit
X la variable aléatoire comptant combien de clients parmi eux sont
porteurs d’une carte de fidélité.
a) Quelle loi de probabilité suit X ? (Indiquer les paramètres)
b) On a commencé à remplir une feuille de calcul sur tableur pour
collecter ces résultats comme suit :
Quelle formule a-t-on inscrite en cellule B2, puis étirée sur la ligne 2 ?
c) Quel nombre s’affichera en cellule G2 ?
Exercice 9.5. Une variable aléatoire A discrète prend toutes les valeurs

entières entre 0 et 6. Elle suit une loi binomiale avec une probabilité
de succès de 0,4.
Dresser le tableau de la loi de probabilité de A.
Exercice 9.6. Un vendeur à domicile visite 50 personnes par jour. Il

conclut en moyenne une vente sur 20 visites.
On appelle X la variable aléatoire qui compte le nombre de ventes
réussies en une journée.
a) Quelle loi de probabilité suit X ? (Indiquer les paramètres)
b) Quelle est la probabilité que le vendeur réussisse une seule vente
dans la journée ?
c) Quelle est la probabilité que le vendeur réussisse deux ventes ?
d) Quelle est la probabilité qu’il réussisse trois ventes ?
e) Quelle est la probabilité qu’il réussisse au moins quatre ventes ?
Exercice 9.7. Un lot composé d’un nombre très important de pièces

contient 5 % de pièces défectueuses.
a) Nous prélevons au hasard un échantillon de 10 pièces tirées succes-
sivement de ce lot. Soit X la variable aléatoire représentant le nombre
de pièces défectueuses trouvées dans cet échantillon.
1. Quelle est la loi suivie par X ?
2. Que valent E(X) et σ(X) ? Quelles sont leurs significations ?
3. Calculer et interpréter P(X = 0) et P(X > 2).
b) (Révision chapitre 7) Nous contrôlons toutes les pièces mais le mé-
canisme de contrôle est aléatoire : une bonne pièce est acceptée avec
une probabilité de 98 % et une pièce défectueuse est refusée avec une
probabilité de 99 %.
Calculer la probabilité des événements suivants :
1. Une pièce refusée l’est à tort ;
2. Une pièce acceptée l’est à tort.
Exercice 9.8. Le vendeur à domicile de l’exercice 9.6 propose des abon-

nements à des revues à un prix de 458 €. Suite à des problèmes de
santé, il ne visite plus que 15 clients par jour.
a) Donner la loi de probabilité de la variable aléatoire Y représentant le
nombre de commandes quotidiennes du démarcheur.
b) Le démarcheur reçoit une commission de 46 € sur chaque com-

mande et ne perçoit aucun fixe. De plus, il assume mensuellement
152 € de frais professionnels.
S’il travaille 24 jours par mois, quelle est l’espérance de son revenu
mensuel ? Avec quel écart-type ?
Solutions :
9.1. b) 0,010 5 ; 0,150 1 ; 1,06 × 10 −6 d) 9
9.2. a) 0,246 1 b) 0,354 3 c) 0,002 43
d) 0,102 3
9.3. b) 0,091 747 767
9.4. c) 0,026 424 12
9.6. b) 0,202 4 c) 0,261 1 d) 0,219 8
e) 0,239 6
9.7. a2) 0,5 et 0,69 a3) 0,598 7 ; 0,011 6
b1) 0,277 4 b2) 0,000 54
9.8. b) 676 € ; 932 €
9.5. Loi de Poisson
Le but des variables aléatoires suivant une loi de Poisson est en géné-
ral de compter combien de fois un événement donné se produit sur une
période donnée.
L’événement en question peut se produire (ou pas) aléatoirement du-
rant la période d’étude. Le fait qu’il se produise n’a aucune influence sur
la probabilité qu’il se produise à nouveau. On dit que la loi de Poisson est
sans mémoire.
Le nom de la loi vient du mathématicien qui l’a mise en évidence,
Siméon Denis Poisson, et pas du fait qu’elle soit sans mémoire, ni de
l’exemple 9.2 ci-dessous.
Une variable aléatoire suivant une loi de Poisson compte un nombre
d’occurrences et prend donc des valeurs entières. Le nombre d’occur-
rences n’est pas limité par une borne connue (même s’il l’est souvent par
la vraisemblance dans le cadre du cas étudié).
Les valeurs que peut prendre une variable aléatoire suivant une loi de
Poisson sont donc à priori tous les nombres entiers naturels.
Il en résulte qu’une variable aléatoire suivant une loi de Poisson est
discrète et infinie.
Elle admet un seul paramètre, qui est son espérance, et que l’on
notera μ (lettre grecque Mu). On a donc E(X) = μ.
Notation mathématique : X~P(μ) signifie : « La variable

aléatoire X suit la loi de Poisson de paramètre μ ».
Calcul de la probabilité qu’un événement se produise k fois
durant la période :
e−μ désigne la fonction exponentielle appliquée au paramètre − μ.

Nous avons vu k!, la factorielle de k, au 6.2.
Exemple 9.2. Un pêcheur jette sa ligne dans un étang très poissonneux

dans lequel il a l’habitude d’attraper environ 3 carpes par heures.
On cherche la probabilité qu’il attrape exactement deux carpes dans
l’heure qui suit.
Réponse : Nous nous intéressons au nombre de carpes attrapées dans
l’heure, qui est une variable aléatoire que nous nommons X.
Dans ce cas, nous fixons une période d’une heure et nous nous in-
téressons au nombre de fois que se produit l’événement « Le pêcheur
attrape une carpe » durant cette heure. L’étang contient beaucoup de
poissons donc le fait d’en avoir attrapé un n’influence pas la probabilité
d’en attraper d’autres.
Nous sommes donc typiquement dans une situation où il est perti-
nent de supposer que X suit une loi de Poisson. Comme il a l’habitude
d’attraper en moyenne 3 carpes par heure, nous fixons le paramètre de
la loi à 3.
X~P(3)
Nous cherchons P(X = 2). D’après la formule ci-dessus, on a :
Le pêcheur a donc environ 22,4 % de chances d’attraper exactement

2 carpes dans l’heure qui suit.
Le calcul d’une probabilité simple avec la loi de Poisson est prépro-
Loi de Poisson dans la liste de lecture correspondant à la calculatrice en
sa possession.
Au tableur, la fonction utilisée pour calculer des probabilités par la loi

de Poisson est =LOI.POISSON.N ou =LOI.POISSON, suivant la ver-
sion de tableur.
Voici la modélisation de l’exemple 9.2 au tableur :
La fonction =LOI.POISSON.N prend en paramètres (dans cet ordre) :

• le nombre d’occurrences de l’événement k ;
• l’espérance μ ;
• la valeur FAUX si l’on calcule P(X = k) et la valeur VRAI si l’on
calcule P(X ≤ k).
Pour calculer des probabilités qui ne sont pas sous la forme de P(X = k)
ou P(X ≤ k), il faut les exprimer comme combinaison de probabilités qui
sont sous cette forme, de la même manière qu’au 9.2.
Comme vu plus haut, le paramètre est l’espérance d’une variable aléa-
toire suivant une loi de Poisson. On peut démontrer que la variance vaut
également μ. Par conséquent, l’écart-type vaut .
Si une variable aléatoire X suit une loi de Poisson de para-

mètre μ, alors :
Espérance :
Variance :
Écart-type :
9.6. Approximation de la loi binomiale par la loi de Poisson

On peut dans certains cas approcher la loi binomiale par la loi de
Poisson qui est plus facile à calculer et consomme moins de ressources
pour les ordinateurs. Il s’agit, pour une variable aléatoire suivant une loi
binomiale, de considérer qu’elle suit pratiquement une loi de Poisson, de
manière à calculer les probabilités dont on a besoin en utilisant la loi de
Poisson et pas la loi binomiale.
Avant de montrer le processus d’approximation, il faut répondre aux
questions suivantes :
• À quelle condition peut-on approcher une variable aléatoire sui-
vant une loi binomiale par une loi de Poisson ?
• Quelle loi de Poisson approche le mieux une loi binomiale don-

née ?
Exemple 9.3. Imaginons un tireur à l’arc débutant qui effectue pour s’en-

traîner des séries de 30 tirs. Étant donné son faible niveau, il n’a que
10 % de chances de toucher la cible à chaque fois. On appelle D la
variable aléatoire comptant le nombre de fois où il touche la cible par
série de 30 tirs.
Il s’agit de la répétition de 30 expériences identiques qui conduisent
toutes au résultat « succès » ou « échec » avec la même probabilité de suc-
cès et D compte le nombre de succès. Il est donc pertinent de supposer
que D suit une loi binomiale B(30;0,1).
On peut donc supposer que sur ses 30 tentatives, il va toucher la cible
un petit nombre de fois. Il paraît normal qu’il ne réussisse que 3 ou 4 tirs.
Il serait étonnant qu’il en réussisse 15 ou 20.
Cette impression est confirmée par le diagramme en bâtons donnant
la probabilité P(X = k) en fonction de k :
Figure 22. Loi de probabilité d’une loi binomiale (p faible)

Imaginons maintenant la même situation pour un tireur de niveau

moyen, qui aurait une chance sur deux de toucher la cible à chaque ten-
tative.
Il serait donc normal qu’il réussisse autour de 15 tirs et l’on trouverait
surprenant qu’il n’en réussisse que 5 ou qu’il en réussisse 25 (même si
l’on n’est jamais à l’abri d’un mauvais jour ou d’un jour de chance).
La variable aléatoire comptant le nombre de ses succès, nommé M,
vérifie donc M~B(30;0,5). La figure 23 modélise sa loi de probabilités sur
un diagramme en bâtons.
Figure 23. Loi de probabilité d’une loi binomiale (p moyen)
Imaginons enfin la même situation pour un tireur à l’arc confirmé,

qui touche la cible à 80 % des essais. Cette fois, personne ne s’étonnerait
qu’il réussisse 25 tirs sur 30, mais on trouverait anormal qu’il n’en réus-
sisse que 10, même si cela peut arriver.
On appelle C la variable aléatoire comptant le nombre de ses succès.
C~B(30;0,5). La figure 24 modélise sur un diagramme en bâtons la loi de
probabilité de C.
Figure 24. Loi de probabilité d’une loi binomiale (p élevée)
En comparant les figures 22, 23 et 24, on se rend compte que les maxi-
ma des probabilités sont atteints pour des nombres de succès d’autant
plus élevés que p est forte et que le diagramme en bâtons présente une
« bosse » qui se décale vers la droite quand p grandit.
Quelle serait l’allure d’un diagramme en bâtons représentant une loi

de Poisson ?
La loi de Poisson est infinie, et la variable aléatoire ne peut prendre
que des valeurs entières positives. Le maximum des probabilités sera
atteint autour de l’espérance, qui, quelle que soit sa valeur, sera « plus
proche de 0 que de l’infini ». Nous pouvons donc nous attendre à un
diagramme à l’allure de la figure 25.
Figure 25. Loi de probabilité (loi de Poisson)

On constate la similitude entre la figure 25 et la figure 22, qui repré-
sente une loi binomiale avec p faible.
Pour qu’une variable aléatoire suivant une loi binomiale puisse être
approchée par la loi de Poisson, il faut que son paramètre p soit faible.
D’autre part, on peut s’imaginer sur un diagramme qu’une loi bino-
miale sur un très petit nombre de tentatives ne ressemblera pas à une loi
de Poisson dont la variable aléatoire peut prendre une infinité de valeurs.
On ne pourra donc approcher une loi binomiale par une loi de Poisson
que si le nombre de tentatives n est suffisamment grand.
Par quelle loi de Poisson approcher B(n;p) ?
On sait, pour la loi binomiale comme pour la loi de Poisson, que les
probabilités les plus hautes se trouvent autour de l’espérance. La loi de
Poisson ressemblera donc davantage à la loi binomiale donnée si elle a la
même espérance.
On prendra donc μ = n × p.
On peut approcher une variable aléatoire suivant une loi binomiale

B(n;p) par la loi de Poisson P(n×p) si les deux conditions suivantes
sont réunies :
• n > 30
• p ≤ 0,1
Lorsque la probabilité de succès est très élevée (supérieure à 0,9), on ne
peut pas approcher la loi binomiale par la loi de Poisson. Cependant, il
suffit de considérer la variable aléatoire comptant le nombre d’échecs, qui
suit une loi binomiale de probabilité faible et pourra donc être approchée
par une loi de Poisson.
Exemple 9.4. Dans une usine, une caisse contient 1 000 articles dont 3 %
sont défectueux.
Si l’on contrôle 100 articles de cette caisse, quelle est la probabilité
d’en trouver exactement 3 défectueux ? (On approchera par la loi de
Poisson si possible.)
Réponse : Soit X la v.a.r. comptant le nombre d’articles défectueux trou-
vés. Nous effectuons 100 tentatives identiques, avec une probabilité de
succès égale à 3 %. Nous pouvons donc modéliser la situation par une
loi binomiale.
X~B(100;0,03)
100 > 30 et 0,01 ≤ 0,1. Nous sommes donc dans un cas où le nombre
de tentatives est élevé et la probabilité de succès faible. Les conditions
d’approximation par la loi de Poisson sont réunies.
E(X) = 100 × 0,03 = 3
Par approximation, on considérera donc que X~P(3).
On cherche P(X = 3).
Par la loi de Poisson, on trouve : P(X = 3) ≈ 0,224.
Il y a donc 22,4 % de chances que l’on trouve exactement 3 articles
défectueux parmi les 100.
Le calcul par la loi binomiale donne 0,227 4, soit une valeur relative-
ment proche.
9.7. Exercices d’application : loi de Poisson
Exercice 9.9. Une variable aléatoire Y suit une loi de Poisson de para-

mètre μ = 0,5.
a) Compléter : Y~_____________
b) Calculer P(Y = 0), P(Y = 1), P(Y = 5), P(Y = 10)
Exercice 9.10. Soit X une variable aléatoire réelle. Calculer P(X = 5)
dans les cas suivants :
a) X~P(5)
b) X~P(3)
c) X~P(7)
Exercice 9.11. Pour les trois cas de l’exercice précédent, calculer

P(X ≤ 5) et P(X > 5).
Exercice 9.12. X~P(μ).
a) Quelle formule inscrire en cellule B3 pour
obtenir le calcul de P(X = k) ?
b) Quel nombre s’affichera alors en cellule B3 ?
Exercice 9.13. On considère tous les clients se présentant aux caisses

d’un magasin durant une journée. Soit X la variable aléatoire comp-
tant combien de clients parmi eux sont porteurs d’une carte de fidé-
lité. On considère que X suit une loi de Poisson de paramètre 30. On
a commencé à remplir une feuille de calcul sur tableur pour collecter
ces résultats comme suit :
a) Quelle formule a-t-on inscrite en cellule B2, puis étirée sur la

ligne 2 ?
b) Quel nombre s’affichera en cellule F2 ?
Exercice 9.14. Le propriétaire d’une station-service a observé qu’en

moyenne 10 clients venaient prendre du carburant toutes les 10 mi-
nutes.
a) Quelle est la probabilité que 5 clients se présentent au cours des dix
prochaines minutes ?
b) Quelle est la probabilité qu’il y ait au moins un client au cours des

dix prochaines minutes ?
c) Quelle est la probabilité que le nombre de clients soit compris entre
3 et 6 (inclus) ?
d) On considère comme « normal » un nombre de clients qui dif-
fère d’au plus un écart-type avec la moyenne. Est-il exceptionnel que
14 clients se présentent en dix minutes ?
Exercice 9.15. J’ai observé qu’en moyenne, 7 % de mes 25 étudiants

s’endormaient lors de mes cours. Soit X la variable aléatoire comptant
le nombre d’étudiants de votre groupe qui vont s’endormir pendant
le prochain cours.
a) Quelle loi suit X ?
b) Quel est le paramètre de la loi de Poisson par laquelle on appro-
cherait la loi de X ?
c) Cette approximation est-elle pertinente pour mon groupe d’étu-
diants ?
d) Calculer la probabilité que deux étudiants s’endorment lors du pro-
chain cours…
1. en approchant par la loi de Poisson ;
2. sans approcher par la loi de Poisson.
Exercice 9.16. Les entreprises Ardech et Cogefrom décident de s’agran-

dir en ouvrant de nouvelles usines. Pour cela, elles achètent de nou-
velles machines à un fabricant qui leur propose une extension de
garantie à 200 € pièce.
On estime à 3 % la probabilité qu’une machine tombe en panne pen-
dant la période de l’extension de garantie et à 5 000 € le coût de
réparation d’une machine.
L’entreprise Ardech commande 65 machines et l’entreprise Cogefrom
en commande 20.
a) Calculer l’espérance de gain ou de perte pour chaque entreprise si
elle paie l’extension de garantie.
b) Pour chaque entreprise, calculer le risque encouru lors du paiement
de l’extension de garantie (la probabilité que l’extension de garantie
lui fasse perdre de l’argent). On approchera par une loi de Poisson si
possible.
Solutions :
9.9. b) 0,606 5 ; 0,303 21,6 × 10 −4 ; 1,63 × 10 −10
9.10. a) 0,175 4 b) 0,100 8 c) 0,127 7
9.11. a) 0,616 0 et 0,3840 b) 0,916 1 et 0,083 9
c) 0,300 7 et 0,699 3
9.12. b) 0,144 5
9.13. b) 0,013 9
9.14. a) 0,037 8 b) 0,999 9 c) 0,127 4
9.15. b) 1,75 d) 26,6 % ; 27,7 %
9.16. a) −3 250 € ; −1 000 €
b) 69,02 % ; 54,38 %
9.8. Loi normale

La loi normale est une loi de probabilités continue, qui modélise fré-
quemment les répartitions. Elle a cette particularité que toute somme
(ou moyenne) de variables aléatoires indépendantes et suivant la même
loi donne une variable aléatoire qui ressemble d’autant plus à la loi nor-
male qu’il y a de termes à la somme1, ce qui en fait, en quelque sorte, la
plus « centrale » de toutes les lois de probabilités.
Dans le cadre de l’étude d’un cas, on modélisera par la loi normale
lorsque l’on s’attendra à une répartition d’éléments dont les valeurs
tournent pour la plupart autour d’une moyenne, et qui se raréfient de
façon symétrique à mesure que l’on s’éloigne de cette moyenne.
La loi normale étant continue, une variable aléatoire suivant une
loi normale pourra prendre a priori n’importe quelle valeur réelle,
positive ou négative.
Évidemment, dans la plupart des cas étudiés, tous les nombres réels ne
sont pas des valeurs vraisemblables mais on se mettra dans des situations
où l’on pourra se permettre d’ignorer ce fait.
Rappel : Pour une loi continue, on ne considère pas les probabilités
qu’une variable aléatoire prenne une certaine valeur. Toutes les pro-
babilités du type P(X = k) valent 0 et sont sans intérêt pour nous dès
lors que X suit une loi normale.
Une conséquence de ce fait est que pour toute valeur de k, on a
P(X < k) = P(X ≤ k)
1. C’est un résumé très simplifié d’un important théorème de probabilités, nommé le Théorème
Central-Limite.
De même pour tous les autres types d’inégalités.

On ne fera donc pas de différence entre les inégalités strictes et les
inégalités larges. Ceci constitue une difficulté de moins par rapport aux
variables aléatoires discrètes.
La loi normale admet deux paramètres : son espérance (notée μ) et
son écart-type (noté σ).
Écriture mathématique : X~N(μ;σ) signifie « X suit la loi

normale d’espérance μ et d’écart-type σ ».
Par exemple, de X~N(35;7), on déduit que E(X) = 35, σ(X) = 7 et par

conséquent V(X) = 72 = 49.
Voici la formule permettant de calculer les probabilités pour une va-
riable aléatoire suivant une loi normale :
La probabilité que X soit compris entre k et l est :
Les bornes k et l peuvent être finies ou infinies.

Cette intégrale est trop complexe pour être calculée à chaque fois que
l’on aura besoin d’une probabilité. Nous nous servirons donc de la cal-
culatrice ou du tableur pour calculer les probabilités.
Cependant, on remarque que la fonction sous l’intégrale est toujours
strictement positive. Par conséquent cette intégrale calcule l’aire sous la
courbe d’équation , entre les droites verticales x = k et
x = l.
Voici l’allure de cette courbe et la probabilité représentée par l’aire
correspondante :
Figure 26. Gaussienne

Cette courbe s’appelle une gaussienne. Le surface comprise entre une

gaussienne et l’axe des abscisses, entre -∞ et +∞, est toujours égale à 1.
(C’est pour satisfaire cette propriété que la formule est si complexe.)
La gaussienne atteint son sommet en l’espérance μ de la va-

riable aléatoire.
Elle sera d’autant plus étalée que l’écart-type sera grand et d’autant
plus ramassée et pointue que l’écart-type sera petit.
L’aire totale sous la gaussienne valant 1, l’aire entre les bornes k et l est
un nombre compris entre 0 et 1. C’est donc cohérent avec son statut de
probabilité. P(k ≤ X ≤ l) est égale à cette aire.
S’il est difficile de calculer la probabilité à l’aide de l’intégrale donnée,
il est par contre assez facile d’estimer approximativement une probabi-
lité en la représentant sous une gaussienne. Le lecteur pourra donc faci-
lement vérifier la cohérence de ses résultats.
Le calcul d’une probabilité simple avec la loi normale est prépro-
Loi normale dans la liste de lecture correspondant à la calculatrice en sa
possession.
Exemple 9.5. Dans un magasin de chaussures, une étude statistique a
montré qu’un client quelconque fait en moyenne pour 120 € d’achats,
avec un écart-type de 15 €.
Quelle est la probabilité que le prochain client paie entre 100 € et
115 € ?
Réponse : On appelle X la variable aléatoire comptant le prix payé par le
prochain client.
En supposant que les tickets les plus fréquents tournent autour de
120 € et que les tickets se raréfient de façon symétrique à mesure que
leur montant s’éloigne de 120 €, on peut admettre que la répartition des
montants des tickets de caisse est modélisée par une gaussienne. On sup-
posera donc que X~N(120;15).
On cherche P(100 ≤ X ≤ 115).
La calculatrice donne P(100 ≤ X ≤ 115) ≈ 0,278 2.
Il y a 27,82 % de chances que le prochain client paie entre 100 € et
115 €.
Au tableur, on utilise la fonction =LOI.NORMALE.N ou =LOI.
NORMALE, suivant la version du tableur.
Cette fonction admet les paramètres suivants :

• le maximum de l’intervalle ;
• l’espérance μ ;
• l’écart-type σ ;
• le dernier paramètre sera toujours VRAI (ce que calcule la fonction
lorsque le paramètre est fixé à FAUX n’est pas l’objet de ce cours).
On remarque que la fonction au tableur ne fait pas intervenir le mini-
mum de l’intervalle. La fonction =LOI.NORMALE.N ne calcule donc
que des probabilités du type P(X ≤ k).
Pour obtenir des probabilités du type P(X > k), on se servira de la
propriété suivante (évidente en regardant une gaussienne) :
Pour obtenir des probabilités du type P(k ≤ X ≤ l), on se servira de la

propriété suivante (évidente en regardant une gaussienne) :
Figure 27. Loi normale au tableur

En cellule B7, on saisira : =1-LOI.NORMALE.N(B2;B3;B4;VRAI)

En cellule B5, on saisira : =LOI.NORMALE.N(B2;B3;B4;VRAI)-
LOI.NORMALE.N(B1;B3;B4;VRAI)
9.9. Approximation de la loi binomiale par la loi normale

On considère une variable aléatoire suivant une loi binomiale.
Nous avons vu au 9.5 que lorsque le nombre de tentatives est élevé
et la probabilité de succès est faible, nous pouvons approcher cette va-
riable aléatoire par une loi de Poisson. De même, lorsque la probabilité
de succès est très élevée, nous pouvons approcher la variable aléatoire
comptant le nombre d’échecs par une loi de Poisson. Cependant, nous
ne pouvons pas effectuer cette approximation lorsque la probabilité de
succès est moyenne (ni trop faible, ni trop élevée).
Or, en comparant les figures 23 et 26, on se rend compte que le dia-
gramme en bâtons correspondant à une loi binomiale de probabilité
moyenne ressemble à une gaussienne (Figure 28).
Figure 28. Superposition des figures 23 et 26

On pourra donc, si le nombre de tentatives est assez grand, approcher

la loi binomiale par une loi normale.
Conditions d’approximation : n ≥ 30 n × p ≥ 5

n × (1 − p) ≥ 5
Pour déterminer les paramètres de la loi normale qui fournit la meil-

leure approximation, il est logique de considérer la loi normale de même
espérance et de même écart-type que la loi binomiale étudiée.
On rappelle que si X~B(n;p), alors E(X) = n × p et
Sous les conditions d’approximation, on approchera la loi

binomiale B(n;p) par la loi normale N(μ;σ) avec :
• μ = n × p
•
Exemple 9.6. Un groupe de trente personnes choisies aléatoirement dans

la population française se trouve dans une salle. On considère X la
variable aléatoire comptant le nombre d’hommes dans cette salle.
On a vu à l’exemple 9.1 que X~B(30;0,5).
Vérifions les conditions d’approximation binomiale-normale :
n × p = 30 × 0,5 = 15
n × (1 − p) = 30 × (1 − 0,5) = 15
Les conditions d’approximation sont donc réunies.
L’espérance de X a déjà été calculée et vaut 15.
L’écart-type de X vaut .
On approchera donc X par N(15;2,74).
Pour résumer, si l’on désire approcher une loi binomiale par une autre
loi de probabilité :
• Si le paramètre p est très élevé ou très faible, on cherchera à appro-
cher par la loi de Poisson ;
• Si le paramètre p n’est ni très élevé, ni très faible, on cherchera à
approcher par la loi normale ;
• Si les conditions d’approximation ne sont pas réunies, alors on doit
continuer à travailler avec la loi binomiale.
9.10. Loi normale inverse

La loi normale inverse permet de déterminer les bornes d’un inter-
valle dont on connaît la probabilité. Elle permet de récupérer des don-
nées utiles lors de l’étude d’une situation professionnelle.
Pour utiliser la loi normale inverse, on se sert de la calculatrice ou du
tableur.
On se référera aux tutoriels de la chaîne Youtube MathsEnVideo
Sup (dans la liste de lecture correspondant à chaque calculatrice) pour
connaître les manipulations à effectuer à la calculatrice.
Exemple 9.7. On cherche à implanter un commerce dans un quartier

d’une ville. On étudie donc le profil des habitants de la zone de cha-
landise, en particulier leur rémunération mensuelle.
Les données collectées auprès de l’INSEE indique que le revenu men-
suel moyen des habitants de la zone de chalandise se monte à 1 500 € avec
un écart-type de 200 € en plus ou en moins.
a) On estime que les personnes ayant une rémunération sous le pre-
mier quartile ne seront pas intéressées par le nouveau point de vente.
Quel est le premier quartile des rémunérations ?
b) La cible est constituée des 60 % de la population de la zone de cha-
landise ayant les plus hauts revenus. À partir de quel revenu un habitant
appartient-il à cette cible ?
c) Quel est l’intervalle de confiance bilatéral au seuil de 90 %.
Interpréter ce résultat.
Réponse : a) On peut supposer une répartition symétrique autour de la
moyenne des revenus avec raréfaction à mesure que l’on s’éloigne de la
moyenne. La variable aléatoire R comptant le revenu mensuel d’un habi-
tant pris au hasard suit donc une loi normale N(1 500;200).
Le premier quartile Q1 est le revenu au-dessous duquel se situe le quart
de la population. Pour le voir plus clairement, on trace la gaussienne.
Figure 29. Représentation du premier quartile sur la gaussienne
Nous considérons la partie gauche de la gaussienne. Les manipula-

tions à la calculatrice et au tableur devront être en conséquence.
Nous obtenons le résultat Q1 = 1 365 €.
Le quart des habitants de la zone de chalandise gagne donc moins de
1 365 € mensuels.
b) Modélisons la cible sur la gaussienne.
Nous pouvons voir que dans cette question, on considère la partie

droite de la gaussienne, ce qui aura une incidence sur nos manipulations
à la calculatrice et au tableur.
Nous pouvons également, d’après la représentation obtenue, nous
attendre à ce que le salaire minimal de la cible soit légèrement inférieur
à 1 500 € mensuels.
Nous obtenons un salaire minimal d’environ 1 449 € mensuels.
60 % de la population active de la zone de chalandise gagne plus de
1 449 € mensuels.
c) L’intervalle de confiance bilatéral au seuil de x % est l’intervalle
centrée en la moyenne, qui contient x % de la surface sous la gaussienne.
Voici la représentation de l’intervalle de confiance bilatéral au seuil
de 90 % de l’exemple 9.7 :
Lorsque l’on détermine un intervalle de confiance bilatéral, on

cherche les deux bornes de l’intervalle. Il y a donc deux résultats numé-
riques à donner.
La calculatrice donne une borne inférieure environ égale à 1 171 et
une borne supérieure environ égale à 1 829.
On estime donc que 90 % des habitants de la zone de chalandise
gagnent entre 1 171 € et 1 829 € mensuels.
Au tableur, on utilise la fonction =LOI.NORMALE.INVERSE.N. Elle
admet les paramètres suivants :
• la probabilité donnée ;
• l’espérance de la loi normale ;

• l’écart-type de la loi normale.
Par contre, elle ne retourne que la borne supérieure de l’intervalle du
côté gauche de la gaussienne.
Dans les cas comme le b) et le c) de l’exemple 9.7, où l’on regarde la
partie droite ou centrale de la gaussienne, il faut adapter la formule en
entrant la probabilité se trouvant à la gauche de la borne cherchée.
Par exemple, pour le b), si 60 % de la population se trouve à droite de
la borne cherchée, alors 40 % se trouvent à gauche.
Pour le c), on a 90 % de la population entre les deux bornes, ce qui
laisse 5 % de la population à gauche de la borne inférieure et 95 % de la
population à gauche de la borne supérieure.
Figure 30. Loi normale inverse au tableur

En cellule B6, on saisit : =LOI.NORMALE.INVERSE.N(1-B1;B2;B3)
En cellule B9, on saisit : =LOI.NORMALE.INVERSE.N(0,5-B1/2;B2;B3)
En cellule B10, on saisit : =LOI.NORMALE.INVERSE.N(0,5+B1/2;B2;B3)
9.11. Loi normale centrée réduite

Partons d’un constat : toutes les variables suivant une loi normale
sont représentées par des gaussiennes. Toutes les gaussiennes sont des
courbes semblables. Par conséquent, en étudier une revient à étudier
toutes les autres, à certains paramètres près.
Pourquoi dès lors, ne pas étudier la loi normale « la plus simple pos-
sible » et s’en servir comme d’une base de calcul pour toutes les autres
lois normales ?
L’espérance la plus simple possible que nous pouvons considérer est

E(X) = 0 : il s’agirait donc d’une gaussienne centrée à l’origine.
En revanche l’écart-type ne peut pas être nul. En effet, un écart-type
nul signifierait que la variable aléatoire ne prendrait qu’une seule va-
leur et il ne s’agirait donc plus à proprement parler d’une loi de proba-
bilité. L’écart-type le plus simple que nous pouvons considérer est donc
σ(X) = 1.
La loi normale « la plus simple possible » aurait donc pour espérance
0 et pour écart-type 1.
On appelle loi normale centrée réduite la loi de probabilité N(0;1).
Lien entre la loi normale centrée réduite et les autres lois

normales :
Si , alors .
Figure 31. Gaussienne représentant la loi normale centrée réduite

On peut aisément constater sur la gaussienne :
Si X suit une loi normale centrée réduite alors

P(−a ≤ X ≤ −b) = P(b ≤ X ≤ a)
On note Π(a) la valeur de P(X < a).
On a alors P(b ≤ X ≤ a) = Π(a) − Π(b).
Les principales valeurs de Π(a) peuvent être lues sur une table de la
loi normale centrée réduite (Figure 32), ce qui permet, en s’aidant de la
formule de lien ci-dessus, de retrouver les valeurs des probabilités sans
avoir une calculatrice prenant en charge la loi normale.
Exemple 9.8. Lire sur la table de la loi normale centrée réduite la valeur

de Π(1,72) et en déduire la valeur de Π(−1,72).
Figure 32. Table de la loi centrée réduite

Réponse : On décompose 1,72 en 1,7 + 0,02. On lit donc la valeur de

Π(1,72) à l’intersection de la ligne 1,7 et de la colonne 0,02
On obtient Π(1,72) = 0,957 3
Donc, si Z~N(0;1), alors P(Z < 1,72) = 0,957 3
On en déduit : Π(−1,72) = 1 − 0,957 3 = 0,042 7

La loi normale centrée réduite est prise en charge par la calculatrice
CASIO, à l’aide des fonctions P, Q, R et t dans le menu PROB. On se
reportera aux tutoriels de la chaîne Youtube MathsEnvideo Sup.
Au tableur, la fonction =LOI.NORMALE.STANDARD.N calcule les
valeurs de Π(a). Elle fonctionne comme =LOI.NORMALE.N avec moins
de paramètres.
La fonction =LOI.NORMALE.STANDARD.INVERSE.N permet de
travailler avec la loi normale centrée réduite inverse. Elle fonctionne
comme =LOI.NORMALE.INVERSE.N.
9.12. Exercices d’application : loi normale

Exercice 9.17. Une variable aléatoire X suit une loi normale de para-
mètres μ = 38 et σ = 5,7.
a) Compléter : X~__________.
b) Parmi les probabilités suivantes, lesquelles peut-on calculer ?
P(45 ≤ X ≤ 50) P(X = 50) P(X < 50)
Vérifier en les calculant.
c) Laquelle des deux probabilités P(37 < X < 39) et P(39 < X < 41) est
la plus grande ? Vérifier en les calculant.
Exercice 9.18. Soit A une variable aléatoire réelle.

a) Calculer P(12<A<15) dans les cas suivants :
i. A~N(12;1)
ii. A~N(12;2)
iii. A~N(13,5;1,5)
b) Pour lesquels des trois cas précédents peut-on déterminer sans
calcul P(A < 12) et P(A > 12) ?
c) Pour le cas non traité à la question b), tracer la gaussienne et trou-
ver quelle semble être la plus grande probabilité entre P(A < 12) et
P(A > 12). Vérifier à la calculatrice.
Exercice 9.19. X~N(μ;σ)
a) Quelle formule inscrire en cellule B5 ?
b) Quelle formule inscrire en cellule B6 ?
c) Quels nombres s’afficheront en cellules B5
et B6 ?
Exercice 9.20. Dans une usine, une machine conditionne du soda en

bouteilles de 1,5 litre. Cependant, le volume contenu dans les bou-
teilles n’est jamais exactement de 1,5 litre.
On a constaté que le contenu exact des bouteilles suivait une loi nor-
male d’écart-type 1 centilitre autour d’une moyenne de 1,5 litre. Le
tableau ci-dessous donne les probabilités correspondantes :
a) Quelle formule a-t-on tapée en cellule B2, puis étirée sur la ligne 2 ?
b) Interpréter le résultat de la cellule F2.
c) Une association de consommateurs souhaite vérifier si au moins
95 % des bouteilles ont un volume de liquide compris entre 1,48 litre
et 1,52 litre.
Quelles seront ses conclusions ?
Exercice 9.21. En ce moment, un train de la SNCF transporte en

moyenne 65 % de personnes âgées de plus de 55 ans. On examine
un échantillon de 1 000 passagers de ce train. On désigne par X le
nombre de passagers de plus de 55 ans.
a) Quelle loi de probabilité suit la variable aléatoire X ? Indiquer ses
paramètres.
b) Vérifier que l’on peut approcher la loi de X par une loi normale dont
on indiquera les paramètres.
c) Estimer la probabilité qu’il y ait 620 personnes âgées de plus de
55 ans.
d) Estimer la probabilité qu’il y ait au moins 660 personnes âgées de
plus de 55 ans sans approcher par la loi normale, puis en approchant
par la loi normale.
Exercice 9.22. Une boulangerie de proximité vend en moyenne 350 ba-

guettes par jour, avec un écart-type de 15,5 baguettes. Aujourd’hui, le
boulanger décide de fabriquer 400 baguettes.
a) Quelle est la probabilité qu’il puisse fournir tous ses clients ?
b) Le boulanger, pour limiter ses invendus, souhaite prendre un risque
égal à 5 % de ne pas pouvoir fournir tous ses clients. Combien de
baguettes doit-il fabriquer ?
Exercice 9.23. Pour une promotion de 168 étudiants en gestion, la note

finale en mathématiques (sur 20) est une variable aléatoire suivant la
loi N(10,4;2,65).
a) Quelle est la moyenne de la promotion ?
b) Quel est l’intervalle de confiance bilatéral à 80 % ? (Un intervalle
autour de la note 10,4 dans lequel les notes de 80 % des étudiants se
situent.) On arrondira les notes au dixième.
c) Dans cette promotion, la moyenne des filles suit une loi N(11;2)
et celle des garçons une loi N(10;4). Y aurait-il un plus grand pour-
centage de notes supérieures à 15 sur 20 chez les filles ou chez les
garçons ?
d) Combien y a-t-il de garçons dans cette promotion ?
Solutions :
9.17. b) 9,21 % ; 98,24 % c) 13,93 % ; 13,10 %
9.18. a) i. 49,87% ; ii. 43,31% ; iii. 68,27%
c) 15,87 % ; 84,13 %
9.19. c) 0,308 537 54 ; 0,690 112 56
9.21. c) 0,37 % d) 26,51 % ; 25,37 %
9.22. a) 99,94 % b) 375
9.23. b) 7 à 13,8 d) 101
9.13. Test d’ajustement du Khi²

Dans les paragraphes précédents, nous avons appris à calculer des
probabilités de situations, en nous basant sur la supposition que la va-
riable aléatoire étudiée suivait une certaine loi de probabilité : binomiale,
normale, de Poisson… Cependant, lors d’une étude de terrain, nous col-
lectons des données et nous devons, à partir de ces données, supposer la
loi de probabilité suivie par la variable étudiée. Nous allons voir com-
ment établir qu’une variable aléatoire suit une certaine loi et déterminer
les valeurs des paramètres de cette loi, à partir de la donnée d’une série
statistique.
La démarche va consister à comparer la série statistique étudiée avec
une distribution théorique suivant exactement la loi de probabilité sup-
posée, puis décider si les deux dont suffisamment proches l’une de l’autre
ou non. C’est une démarche similaire à celle que nous avions entreprise
au 5.14, c’est pourquoi elle prendra la forme d’un test du χ2 : le test d’ajus-
tement du χ2 , dont nous allons détailler les étapes sur un exemple.
Le lecteur est invité à comparer les deux tests du χ2 exposés dans cet
ouvrage, afin d’en comprendre les nombreuses similitudes et d’en identi-
fier les quelques différences.
Le test sert donc à comparer une série statistique avec une distribu-
tion théorique (binomiale, de Poisson, normale…).
On veut établir si l’on peut considérer qu’une variable aléatoire suit
l’une de ces lois.
Exemple 9.9. Le directeur d’un hôtel examine les évaluations que lui ont
données 500 internautes :
Notes 1 étoile 2 étoiles 3 étoiles 4 étoiles 5 étoiles
Nombre d’internautes 15 75 160 170 80
Il calcule à partir de ces données une note moyenne de 3,45 étoiles

avec un écart-type d’environ 1,02 étoiles en plus ou en moins (par
exemple par Stats-1Var à la calculatrice).
Ces résultats ne le satisfont pas et il soupçonne des irrégularités dans
la distribution des notes (par exemple des faux avis de ses concurrents).
Le directeur suppose, à tort ou à raison, que si les notes ont été don-
nées de manière indépendante par des internautes honnêtes, leur distri-
bution sera symétrique autour de la moyenne, suivant une gaussienne.
Son hypothèse de travail (hypothèse d’ajustement) est donc que la distri-
bution des notes suit à peu près la loi normale N(3,45;1,02).
Si le test d’ajustement du Khi² confirme cette hypothèse, on pourra
supposer que les notes ont été données de façon indépendante. Si au
contraire le test infirme la distribution normale, cela pourra signifier
qu’un élément extérieur a perturbé la distribution des notes (peut-être
des faux avis ou autre chose).
Étape 1 : Calcul des effectifs théoriques.

On rappelle que les différents effectifs collectés lors de l’étude de ter-
rain sont appelés effectifs observés, notés Oi.
Les effectifs théoriques, notés Ci, sont ceux qui auraient été obtenus
pour chaque catégorie si la distribution avait exactement suivi la loi de
probabilité étudiée.
• Lorsque l’on ajuste par une loi binomiale ou par une loi uniforme,
le calcul des effectifs théoriques est évident et ne sera pas détaillé
ici. On trouvera néanmoins des exercices d’application traitant ces
cas au 9.14.
• Lorsque l’on ajuste par une autre loi de probabilité dont le calcul
n’est pas intuitif (Poisson, normale…), la démarche consiste à cal-
culer d’abord les fréquences théoriques, qui sont les probabilités
d’obtenir chaque valeur d’après la loi étudiée.
Nous devons donc calculer les fréquences théoriques de chaque va-
leur, c’est-à-dire la probabilité qu’un internaute pris au hasard donne
chaque note, d’après la loi N(3,45;1,02). On appelle X la variable aléatoire
comptant la note donnée par un internaute pris au hasard.
La première fréquence théorique sera donc P(X=1). Or, pour une loi
normale, ce type de probabilité vaut toujours 0 et ne nous donne pas
le renseignement demandé. Nous allons donc assimiler l’événement
« L’internaute donne 1 étoile » à l’événement « L’internaute donne entre
0,5 et 1,5 étoile » en calculant P(0,5 ≤ X ≤ 1,5).
Le calcul de cette probabilité se fait à la calculatrice ou au tableur
(voir 9.8) et donne une probabilité d’environ 0,0264. C’est notre première
fréquence théorique.
On considère donc qu’en théorie, environ 2,64 % des internautes
donnent 1 étoile à l’hôtel. Il suffit à présent d’appliquer ce pourcentage à
l’effectif total pour savoir à combien d’internautes cela correspond.
Calcul de l’effectif théorique correspondant : 0,0264 × 500 ≈ 13,2.
Pour plus de précision, on n’arrondit pas les effectifs théoriques à l’en-
tier.
Les fréquences théoriques s’obtiennent en calculant la pro-

babilité de chaque valeur par la loi étudiée.
Les effectifs théoriques s’obtiennent en multipliant chaque
fréquence théorique par l’effectif total.
• Pour la note 2 étoiles : fréquence théorique : P(1,5 ≤ X ≤ 2,5) ≈

0,148 3 ; effectif théorique : 0,148 3 × 500 ≈ 74,14.
• Pour la note 4 étoiles : fréquence théorique : P(3,5 ≤ X≤ 4,5) ≈
Dans la plupart des ajustements par la loi normale, les valeurs sont
déjà regroupées en intervalles et nous pouvons donc directement calcu-
ler les fréquences théoriques à partir des intervalles donnés. Lorsque l’on
ajuste par la loi de Poisson, qui est une loi discrète, on peut calculer di-
rectement les fréquences théoriques à partir des valeurs. Nous n’aurons
donc que rarement la nécessité de considérer des intervalles encadrant les

valeurs, comme nous l’avons fait ici.
Lorsque ce sera le cas, il faudra néanmoins choisir des intervalles se
touchant aux extrémités et centrés en les valeurs, pour garantir un maxi-
mum de précision.
Nous obtenons le tableau d’effectifs théoriques suivant :

Fréquences théoriques 0,026 4 0,148 3 0,342 8 0,328 1 0,129 9
Effectifs théoriques 13,2 74,14 171,42 164,03 64,94
Étape 2 : Vérification des conditions d’application du test.

On ne peut pratiquer un test d’ajustement du χ2 que si les conditions
suivantes sont vérifiées :
• l’effectif total doit être supérieur à 30 ;
• chacun des effectifs théoriques doit être supérieur ou égal à 5.
Dans le cas de l’exemple 9.9, on voit que les conditions d’application
du test sont vérifiées. On peut donc passer à l’étape 3.
Si les conditions ne sont pas vérifiées, alors il faut comprendre pour-
quoi et y remédier.
• Si l’effectif total est inférieur ou égal à 30 : on n’a pas collecté suf-
fisamment de données pour effectuer un test du χ2. Il faut donc
continuer l’enquête statistique et collecter des données supplémen-
taires.
• Si certains effectifs théoriques sont inférieurs à 5 : cela peut avoir
deux causes.
– Le nombre de données collectées est insuffisant. Dans ce cas, on
continue l’enquête statistique pour collecter davantage de don-
nées.
– Trop de catégories trop fines ont été définies, dans lesquelles les
effectifs sont mécaniquement trop faibles. Dans ce cas, il faut
regrouper les données en moins de catégories. On effectue alors
des regroupements cohérents de colonnes du tableau jusqu’à ce
que les conditions soient réunies.
Voir à ce sujet l’exemple 9.10 plus loin.
Étape 3 : Mesure de l’écart entre les effectifs observés et les effectifs théo-
riques.
On ajoute une ligne au tableau, dans laquelle on calcule la contribu-
tion au χ2 , notée ei, de chaque catégorie. On applique la formule de calcul
suivante :
On ne peut pas se contenter de calculer la différence entre l’effectif ob-

servé et l’effectif théorique. Cette différence dépendrait en effet de l’ordre
de grandeur des nombres avec lesquels on travaille et ne permettrait pas la
construction d’un test commun à toutes les situations.
Pour la catégorie « 1 étoile », la contribution est :
On obtient finalement le tableau suivant :

Effectifs théoriques 13,2 74,14 171,42 164,03 64,94
Contributions 0,245 7 0,01 0,760 3 0,217 5 3,493 6
Nous n’avons plus besoin des fréquences théoriques après l’étape 1.
On remarque que plus l’écart entre l’effectif observé et l’effectif théo-
rique est important, plus la contribution au χ2 est grande.
L’écart entre les effectifs observé et les effectifs théorique est mesuré
par le χ2 observé, noté , qui est la somme de toutes les contributions.
≈ 0,245 7 + 0,01 + 0,760 3 + 0,217 5 + 3,493 6 ≈ 4,73
Étape 4 : Fin du test.

L’écart entre les effectifs observés et théoriques ayant été mesuré par
un nombre, il s’agit à présent de vérifier s’il est suffisamment petit pour
que les données collectées correspondent à la loi de probabilité considé-
rée, ou bien s’il est trop grand.
Pour cela, on définit un écart maximal toléré, que l’on appelle χ2 théo-
rique, et que l’on note , que l’on comparera au χ2 observé.
Le χ2 théorique, appelé aussi valeur critique du χ2, est la valeur de k
pour laquelle la probabilité que le χ2 observé soit supérieur ou égal à k est
égale au seuil d’erreur, par la loi de probabilité du χ2 prenant en paramètre
le nombre de degrés de liberté.
On se basera pour le trouver sur la table des valeurs critiques du χ2,

donnée en figure 11. On le trouve également au tableur à l’aide des fonc-
tions LOI.KHIDEUX.INVERSE et LOI.KHIDEUX.INVERSE.DROITE.
Pour trouver , nous avons besoin de deux paramètres : le seuil
d’erreur et le nombre de degrés de liberté.
• Détermination du seuil d’erreur :
Le seuil d’erreur est la probabilité de rejeter par erreur l’hypothèse
d’ajustement.
On décide du seuil d’erreur de manière arbitraire, en évaluant les
conséquences du rejet par erreur de l’hypothèse. Les seuils d’erreur les
plus utilisés sont 5 % et 10 %.
Nous traiterons l’exemple 9.9 avec un seuil d’erreur de 5 %.
• Détermination du nombre de degrés de liberté :
Un tableau avec un grand nombre de colonnes obtient mécaniquement
un plus élevé qu’un tableau avec peu de colonnes, car le nombre de
contributions à y additionner est plus important. La détermination de
doit donc dépendre de la taille du tableau. Nous verrons qu’elle est aussi
influencée par la source des paramètres de la loi étudiée.
L’indicateur qui prend en compte la taille du tableau est le nombre de
degrés de liberté. On le note DDL. Il dépend également du nombre et de
la source des paramètres de la loi étudiée.
On considérera les paramètres de la loi comme connus s’ils n’ont
pas été déterminés à l’aide des effectifs observés (les paramètres étaient
connus d’avance).
On considérera les paramètres comme inconnus s’ils ont été déter-
minés à partir des effectifs observés (s’ils n’étaient pas connus d’avance).
Dans l’exemple 9.9, nous ajustons par une loi normale qui admet
2 paramètres. Ces paramètres ont été calculés à partir des données du
tableau, nous les considérons donc comme inconnus.
Formule de calcul du nombre de degrés de liberté :

DDL = nombre de colonnes − 1 − paramètres inconnus
Le tableau comporte 5 colonnes, on a donc :

DDL = 5 − 1 − 2 = 2
Lorsque les paramètres sont connus, le nombre de paramètres inconnus
vaut évidemment 0.
En fonction du seuil d’erreur et de DDL, on lit la valeur de sur la
table du χ2 (Figure 11).
On lit ici ≈ 5,991 5.
Si < alors l’hypothèse d’ajustement est acceptée.

Si ≥ alors l’hypothèse d’ajustement est rejetée.
On constate que < . On valide donc l’hypothèse d’ajustement.

On considère que la distribution des notes données par les inter-
nautes suit la loi normale N(3,45;1,02). Le directeur de l’hôtel peut donc
admettre que les notes ont été données honnêtement et de manière indé-
pendante par les internautes.
Exemple 9.10. Regroupement de catégories. Reprenons le test avec les

données suivantes et un seuil d’erreur de 5 % :
Ici, nous admettons que l’on obtient généralement une moyenne de

3,5 étoiles avec un écart-type de 1 étoile en plus ou en moins. Nous allons
donc essayer d’ajuster les données du tableau par N(3,5;1).
Étape 1 : calcul des effectifs théoriques.
Fréquences théoriques 0,0214 0,1359 0,3413 0,3413 0,1359
Effectifs théoriques 1,2626 8,0184 20,1393 20,1393 8,018 4
Les fréquences théoriques ont été calculées comme dans l’exemple

6.3.
L’effectif total est de 59 internautes.
Exemple de calcul d’effectif théorique : 0,021 4 × 59 ≈ 1,262 6.
Étape 2 : vérification des conditions d’application du test.
Le premier effectif théorique est inférieur à 5, les conditions ne sont
donc pas réunies. Nous allons donc regrouper les catégories « 1 étoile »
et « 2 étoiles ».
Notes 1 ou 2 étoiles 3 étoiles 4 étoiles 5 étoiles
Nombre d’internautes 18 16 17 8
Effectifs théoriques 9,2810 20,1393 20,1393 8,018 4
Les fréquences théoriques sont inutiles après l’étape 1.

Calculs : On additionne les effectifs observés : 6 + 12 = 18.
On additionne les effectifs théoriques : 1,262 6 + 8,018 4 = 9,281 0.
Les conditions d’application du test sont à présent réunies.
Étape 3 : mesure de l’écart entre l’observé et le théorique.
On calcule les contributions au χ2 :
Notes 1 ou 2 étoiles 3 étoiles 4 étoiles 5 étoiles
Nombre d’internautes 18 16 17 8
Effectifs théoriques 9,2810 20,1393 20,1393 8,018 4
Contributions 8,1910 0,8508 0,4894 0,0000
Exemple de calcul :
≈ 8,191 0 + 0,850 8 + 0,489 4 + 0,000 0 ≈ 9,531 2
Étape 4 : fin du test.
Ici la loi normale, par laquelle on ajuste, a 2 paramètres mais ils sont
connus d’avance et n’ont pas été calculés à partir du tableau de données.
Il y a donc 0 paramètres inconnus.
DDL = 4 − 1 − 0 = 3
On compte le nombre de colonnes après regroupement.
Avec un seuil d’erreur de 5 %, on lit sur la table du χ2 :
≈ 7,814 7
On constate que > , l’hypothèse d’ajustement est donc rejetée.
La distribution des notes ne suit pas la loi normale N(3,5;1). Peut-être les
avis des internautes sur l’hôtel ont-ils évolué suite à des changements
dans l’hôtel, peut-être y a-t-il eu un problème avec les votes.
Au tableur : On peut évidemment programmer un test d’ajustement du
χ2 au tableur. On procède de manière similaire au test d’indépendance
(voir 5.14) pour le calcul des effectifs théoriques, le calcul des contribu-
tions et l’utilisation de la fonction =LOI.KHIDEUX.INVERSE.
Les fréquences théoriques, si nécessaire, seront calculées à l’aide des
fonctions =LOI.POISSON.N et =LOI.NORMALE.N vues au 9.5 et au
9.8.
9.14. Exercices d’application : test d’ajustement du Khi²
Exercice 9.24. Lire sur la table du χ2 les valeurs du χ2 théorique dans

les cas suivants :
a) α = 0,05 ddl = 3 c) α = 0,8 ddl = 15
b) α = 0,01 ddl = 10 d) α = 0,02 ddl = 10
e) Pourquoi est-il logique que la valeur obtenue au b) soit plus grande
que la valeur obtenue au d) ?
Exercice 9.25. Un test du χ2 donne : = 19,73.

Dans chacun des cas suivants, donner le seuil d’erreur maximal pour
lequel l’hypothèse d’ajustement est acceptée :
a) ddl = 1 b) ddl = 5 c) ddl = 15 d) ddl = 30
Exercice 9.26. Au concours d’entrée à une école de commerce, une

épreuve est notée de 0 à 50. Les résultats obtenus par 100 candidats
sont relevés dans le tableau suivant :
Note ]0;10] ]10;20] ]20;30] ]30;40] ]40;50]

Effectif 10 20 30 20 20
Le jury s’attend à une distribution normale d’espérance 27 et d’écart-

type 12,5.
Au seuil d’erreur de 5 %, a-t-il raison ?
Exercice 9.27. On jette un dé à six faces un grand nombre de fois et l’on

observe les résultats suivants :
Résultat 1 2 3 4 5 6
Effectif 165 170 172 155 157 181
Au seuil d’erreur de 0,001, ce dé est-il truqué ?
Exercice 9.28. Sur un sentier de randonnée de haute montagne, on

a recensé le nombre d’interventions journalières des services de se-
cours dans le tableau suivant :
Nombre d’interventions 0 1 2 3 4
Nombre de jours 191 110 45 16 3
a) Que signifie le nombre 45 de ce tableau ?

b) Quel est le nombre moyen d’interventions journalières ?
c) Avec un seuil d’erreur de 5 %, peut-on considérer que le nombre
d’interventions journalières suit une loi de Poisson de paramètre la
moyenne trouvée à la question b) ?
Exercice 9.29. Un fournisseur sait que son taux d’impayés à un mois

est de 4 %. À la fin de l’année, il examine 500 commandes reçues et
constate que 30 d’entre elles n’ont pas été payées à un mois.
Cette constatation confirme-t-elle le taux d’impayés de 4 %, ou celui-
ci doit-il être réévalué (on prendra un seuil d’erreur de 1 %) ?
Exercice 9.30. Un producteur laitier, à la tête d’un cheptel de 200 vaches,

mesure la quantité de lait produite annuellement par chacune de ses
bêtes. Il sait que la production annuelle moyenne de son type de
vaches est de 6 000 litres avec un écart-type de 500 litres. Il obtient à
l’aide d’un tableur les résultats suivants :
Quantité de lait [4 750; [5 250; [5 750; [6 250; [6 750;

(litres) 5 250[ 5 750[ 6 250[ 6 750[ 7 250[
Nombre de
6 30 64 68 32
vaches
a) Par quelle loi de probabilité cherche-t-on à ajuster ? (Donner les

paramètres.)
b) Au seuil d’erreur de 5 %, le producteur peut-il considérer son trou-
peau comme exceptionnel ?
Exercice 9.31. Lors d’un contrôle-qualité dans une usine de produc-

tion de verres en plastique, on prélève un échantillon de 300 verres et
l’on compte le nombre de défauts de fabrication sur chaque verre. On
obtient les résultats suivants :
Nb. de défauts 0 1 2 3 4 5 6
Nombre de verres 36 80 82 55 28 13 6
Avec un seuil d’erreur de 20 %, le nombre de défauts de fabrication

sur chaque verre peut-il être considéré comme suivant une loi de
Poisson ?
(Préciser d’abord le paramètre supposé de la loi de Poisson.)
Exercice 9.32. Une entreprise de fabrication de vêtements de sport

considère que 75 % des joueurs de volley-ball de haut niveau me-
surent plus de 1,85 m. Pour vérifier cette assertion, l’entreprise convie
500 volleyeurs de haut niveau parmi lesquels il s’avère que 394 me-
surent plus de 1,85 m. Les résultats sont répertoriés dans la feuille de
calcul ci-dessous :
a) Indiquer les formules à taper en cellules B2, B3, B4, F3 et F5.

b) D’après ce test, la probabilité de 75 % sera-t-elle considérée comme
plausible ?
Exercice 9.33. Une usine de fabrication de dés à jouer veut vérifier la

conformité de ses dés. Elle prélève dans sa production un couple de
dés, le lance et additionne les résultats 400 fois.
On s’attend à une moyenne de 7 et à un écart-type de .
Le tableau ci-dessous donne le résultat de l’expérience :
a) Quelles formules a-t-on saisies en cellules B3, B4, B5, B6, B7, B8 et
O8 ?
b) Soit X la variable aléatoire donnant la somme des deux dés. Si l’on
considère X comme devant suivre une loi de Poisson, les dés peuvent-
ils être considérés comme conformes ?
c) Si l’on considère X comme devant suivre une loi normale, les dés
peuvent-il être considérés comme conformes ?
d) Dans ce cas, préfèrera-t-on ajuster par la loi de Poisson ou par la
loi normale ?
Exercice 9.34. Au concours d’entrée à une école de commerce, une

épreuve est notée de 0 à 50. Les résultats obtenus par 100 candidats
sont relevés dans le tableau suivant :
Note ]0;10] ]10;20] ]20;30] ]30;40] ]40;50]

Effectif 10 20 30 20 20
Le jury s’attend à une distribution normale d’espérance 27 et d’écart-

type 12,5.
Modéliser et effectuer le test d’ajustement du χ2 au tableur au seuil
d’erreur de 5 %.
Exercice 9.35. On jette un dé à six faces un grand nombre de fois et

l’on observe les résultats suivants :
Résultat 1 2 3 4 5 6
Effectif 165 170 172 155 157 181
On souhaite ajuster cet échantillon par une loi uniforme.

d’erreur de 0,001.
Exercice 9.36. Sur un sentier de randonnée de haute montagne, on

a recensé le nombre d’interventions journalières des services de se-
cours dans le tableau suivant :
Nombre d’interventions 0 1 2 3 4
Nombre de jours 191 110 45 16 3
On souhaite ajuster cet échantillon par une loi de Poisson.

d’erreur de 5 %.
Commenter le résultat du test.
Exercice 9.37. Un fournisseur sait que son taux d’impayés à un mois

est de 4 %. À la fin de l’année, il examine 500 commandes reçues et
constate que 30 d’entre elles n’ont pas été payées à un mois.
Pour confirmer ou infirmer le taux d’impayés de 4 %, on cherche à
ajuster l’échantillon par la loi binomiale dont les paramètres sont don-
nés ci-dessus.
d’erreur de 1 %.
Exercice 9.38. Un producteur laitier, à la tête d’un cheptel de 200 vaches,

mesure la quantité de lait produite annuellement par chacune de ses
bêtes. Il sait que la production annuelle moyenne de son type de
vaches est de 6 000 litres avec un écart-type de 500 litres. Il obtient à

l’aide d’un tableur les résultats suivants :
a) Par quelle loi de probabilité cherche-t-on à ajuster ?

b) Quelle formule a-t-on tapée en cellule B4 ?
c) Quelle formule a-t-on tapée en cellule B6 ?
d) On fixe le seuil d’erreur à 5 %. Que va-t-on entrer dans les cellules
I4, I5 et I6 ?
e) Terminer la modélisation au tableur et effectuer le test.
Exercice 9.39. Lors d’un contrôle-qualité dans une usine de production

de verres en plastique, on prélève un échantillon de 300 verres et l’on
compte le nombre de défauts de fabrication. On obtient les résultats
suivants :
Nb. de défauts 0 1 2 3 4 5 6
Nombre de verres 36 80 82 55 28 13 6
On souhaite ajuster cet échantillon par une loi de Poisson.

Modéliser au tableur le test d’ajustement du χ2 avec un seuil d’erreur
à préciser.
Solutions :
9.24. a) 7,814 7 b) 23,209 3 c) 10,307 0 d) 21,160 8
9.25. a) Test toujours rejeté b) 0,001 c) 0,1
d) 0,9
9.26. Oui
9.27. Non
9.28. b) 0,712 c) Non
9.29. Le taux d’impayés est confirmé.
9.30. a) N(6 000;500) b) Oui
9.31. Oui
Chapitre 10. Échantillonnage
Clément Amzallag
ISBN 9782376876137



CHAPITRE 10.
ÉCHANTILLONNAGE
▶ Principe du sondage et de l’échantillonnage

▶ Échantillonnage simple
▶ Échantillonnage systématique
▶ Échantillonnage stratifié
▶ Échantillonnage à degrés
▶ Échantillonnage de convenance
▶ Échantillonnage à priori
▶ Échantillonnage boule de neige
▶ Échantillonnage par quotas
▶ Distribution d’échantillonnage : estimation de la taille
d’un échantillon
▶ Probabilité de tenir une moyenne
éCHANTILLONNAGE 279
10.1. Notion d’échantillonnage

Dans ce chapitre et le suivant, nous allons aborder la méthodologie
du sondage et de l’enquête d’opinion. Ainsi, en appliquant les procédures
qui y figurent, le lecteur pourra organiser une enquête, en se donnant
des gages de sa fiabilité.
Il est souvent impossible, lors de la collecte de données, de contrôler
l’ensemble de la population.
Un sondage consiste donc à effectuer un contrôle sur une très petite
partie de la population, appelée échantillon. On suppose ensuite que les
résultats obtenus dans l’échantillon sont à peu près conformes à ceux
que l’on aurait obtenus si l’on avait contrôlé toute la population.
En quoi une telle supposition est-elle pertinente ? Peut-on, en inter-
rogeant 1 000 personnes, avoir une idée de ce que pensent 70 millions de
citoyens ? Contrairement à ce que l’on pourrait penser, nous allons prou-
ver que oui et valider le principe du sondage et de l’enquête d’opinion.
Quelles sont les précautions à prendre pour s’assurer relativement de
la pertinence des résultats d’un sondage ? Nous pouvons donner trois
éléments de réponse à cette question :
• Interroger un échantillon suffisamment grand. Nous allons par la
suite établir que contrôler 1 000 personnes donne une bonne idée
de l’état d’une population. Par contre, interroger 20 personnes ne
suffira pas. Nous verrons comment fixer la limite.
• Faire intervenir le hasard dans le choix de l’échantillon. En effet, si
l’échantillon est suffisamment grand, choisir ses éléments au ha-
sard donnera une forte assurance de ne pas obtenir un échantillon
non représentatif. Si, sur un million de personnes, 1 % seulement
lisent Le journal du soir, il est quasi-impossible, en en interrogeant
1 000 pris totalement au hasard, d’en trouver 300 qui lisent Le jour-
nal du soir.
• Appliquer des méthodes de choix de l’échantillon qui contribuent
à renforcer sa représentativité. Ce sont quelques-unes de ces mé-
thodes que nous allons détailler dans la suite.
Le choix des méthodes de constitution d’un échantillon s’appelle
l’échantillonnage.
Le chapitre 10 traitera du travail préalable à l’administration d’un
questionnaire (avant le sondage). Le chapitre 11 traitera de l’exploitation
et de l’interprétation des réponses obtenues (après le sondage).
10.2. Échantillonnage simple

Étant données la taille de l’échantillon à sélectionner et la liste com-
plète des membres de la population, l’échantillonnage simple consiste
à tirer au sort de façon indépendante tous les éléments de l’échantillon.
Exemple 10.1. On mène une enquête sur une promotion de 240 étudiants

d’un IUT et l’on souhaite n’en interroger que 30. Au moyen d’un ti-
rage au sort manuel ou électronique, on sélectionne aléatoirement
30 étudiants de façon indépendante.
Ordre de grandeur : Combien cela fera-t-il d’échantillons possibles ?
 quelques centaines de milliers ?
 des millions ?
 des milliards ?
 encore plus ?
Le nombre d’échantillons revient au nombre de manières de choi-
sir 30 personnes parmi 240. Nous avons vu au 6.4, qu’il s’agissait d’une
combinaison de 30 parmi 240.
L’écriture décimale du nombre d’échantillons possibles comporte

39 chiffres. Nous sommes donc bien au-delà de l’ordre de grandeur du
milliard.
Il est évident qu’avec une population de seulement 240 personnes, nous
aurions pu interroger tous ses membres. Nous aurions alors eu le reflet
précis de l’état de la population et cela n’aurait plus été un sondage. Nous
nous sommes cependant limités à 240 pour l’exemple, afin que les résultats
aient des ordres de grandeurs calculables.
Utilisation : On choisira de procéder par échantillonnage simple si
l’on a affaire à une population très homogène et si l’on ne peut pas déter-
miner de critère significatif qui différencierait les membres de la popula-
tion et d’avoir une influence sur les résultats du sondage.
10.3. Échantillonnage systématique

L’échantillonnage systématique consiste à tirer au sort uniquement
le premier membre de l’échantillon parmi la population. Tous les autres
membres de l’échantillon seront déterminés par le choix du premier.
Voici la procédure :
• On numérote tous les membres de la population : n°1, n°2, n°3…
• On tire au sort le numéro du premier membre de l’échantillon.
• On choisit les autres membres de l’échantillon en progressant à

intervalles réguliers à partir du premier.
Exemple 10.2. On mène une enquête sur une promotion de 240 étu-
diants d’un IUT et l’on souhaite n’en interroger que 30. On numérote
les membres de la population de 1 à 240 et l’on procède par échantil-
lonnage systématique. On tire au sort l’étudiant n°5.
a) Quel seront les trois membres suivants de l’échantillon ?
b) Quel sera le numéro du dernier membre de l’échantillon ?
c) Les numéros 77 et 138 feront-ils partie de l’échantillon ?
Réponse : a) Nous devons choisir 30 personnes parmi 240.
: nous sélectionnons donc les membres de l’échantillon de 8 en
8, à partir du numéro 5.
5 + 8 = 13 : le deuxième membre de l’échantillon porte le numéro 13.
13 + 8 = 21 : le troisième membre de l’échantillon porte le numéro 21.
21 + 8 = 29 : le quatrième membre de l’échantillon porte le numé-
ro 29, et ainsi de suite…
b) Ordre de grandeur : on s’attend logiquement à ce que le dernier nu-
méro s’approche de 240 sans le dépasser. À partir du premier sélectionné,
le numéro 5, nous devons en sélectionner 29 autres, pour en avoir 30.
Nous devons donc ajouter 29 fois 8 pour passer du premier au dernier
membre.
5 + 29 × 8 = 237
Le dernier membre de l’échantillon porte donc le numéro 237.
On reconnaît le terme général d’une suite arithmétique, les numéros
des membres de l’échantillon étant en progression arithmétique.
c) Pour savoir si l’étudiant numéro 77 fait partie de l’échantillon,
nous devons établir si l’on peut passer de 5 à 77 en ajoutant à 5 un mul-
tiple de 8. Pour cela, nous calculons la différence entre 77 et 5 :
77 − 5 = 72
72 est un multiple de 8 donc l’étudiant numéro 72 fait partie de
l’échantillon.
On procède de la même manière pour 138 :
138 − 5 = 133
133 n’est pas un multiple de 8 donc l’étudiant numéro 138 ne fait pas
partie de l’échantillon.
Utilisation : On choisira de procéder par échantillonnage systématique

si l’on a affaire à une population qui subit une évolution uniforme au fil
de sa numérotation. Par exemple, si l’on souhaite contrôler des pièces
d’usine produite par une machine dont on craint que la surchauffe au
cours de la journée puisse altérer la production, on pourra, pour tenir
compte de ce fait et assurer la représentativité des pièces produites au
cours d’une journée, sélectionner les pièces à contrôler à intervalles ré-
guliers au cours d’une journée de production.
10.4. Échantillonnage stratifié

L’échantillonnage stratifié consiste à identifier un caractère de la
population ayant une influence déterminante sur le résultat du sondage,
et à respecter les différentes proportions des valeurs de ce caractère dans
la population lors de la constitution de l’échantillon.
Exemple 10.3. On mène une enquête sur une promotion de 240 étudiants

d’un IUT et l’on souhaite n’en interroger que 30. Pour garantir la re-
présentativité de l’échantillon, on opère une stratification par genre,
c’est-à-dire que l’on respecte la proportion d’hommes et de femmes
parmi les étudiants dans l’échantillon. S’il y a 60 % de femmes dans
la population étudiante, comment se composera l’échantillon ?
Réponse : Pour respecter la stratification par genre, il faudra qu’il y ait
60 % de femmes dans l’échantillon, comme dans la population.
30 × 0,6 = 18
L’échantillon se composera donc de 18 femmes et 12 hommes.
La stratification ci-dessus est excessivement simple et divise la popu-
lation en deux catégories (hommes / femmes). Les stratifications peuvent
très bien diviser la population en beaucoup plus de catégories (ex. : stra-
tification par région d’habitation, par CSP, par niveau de rémunération,
par tranche d’âge…)
Évidemment, les effectifs de chaque catégorie doivent être des
nombres entiers. Si l’application des pourcentages ne donne pas des ré-
sultats entiers, alors :
• on arrondit chaque valeur à l’entier le plus proche ;
• on vérifie que l’effectif total correspond bien à la taille d’échantil-
lon désirée. Lorsque ce n’est pas le cas, on corrige l’un des arrondis
de manière à retrouver la bonne taille d’échantillon, tout en mini-
misant l’erreur commise.
Utilisation : On opérera une stratification pour tenir compte d’un carac-

tère qui aura une influence déterminante sur le résultat du sondage. En
pratique, la stratification est souvent combinée avec d’autres méthodes

d’échantillonnage, en particulier la méthode des quotas vue plus loin.
On commence par subdiviser la population en catégories au moyen d’une
stratification, puis l’on applique d’autres méthodes d’échantillonnage en
définissant des méthodes et proportions adaptées à chaque catégorie.
10.5. Exercices d’application : échantillonnage simple,

systématique, stratifié
Exercice 10.1. On souhaite sélectionner un échantillon de r personnes

parmi n personnes par échantillonnage simple. Combien y a-t-il
d’échantillons possibles dans chaque cas ?
a) n = 10 et r = 5 b) n = 20 et r = 5
c) n = 40 et r = 10 d) n = 40 et r = 30
Exercice 10.2. Sur un lot de 3 500 ceintures, on en prélève 70 pour

un contrôle qualité. On procède par échantillonnage systématique. La
première ceinture prélevée porte le numéro 47.
a) Quels numéros porteront les trois ceintures suivantes de l’échan-
tillon ?
b) Quel numéro portera la dernière ceinture de l’échantillon ?
Exercice 10.3. Sur 3 293 participants à un marathon, 37 doivent se sou-

mettre à un contrôle anti-dopage. On sélectionne les coureurs concer-
nés par échantillonnage systématique suivant le numéro de dossard.
Le coureur portant le dossard 717 a été sélectionné.
Les dossards suivants ont-ils été sélectionnés ?
a) 1 b) 2853 c) 1200 d) 688
Exercice 10.4. Dans le cadre d’une opération promotionnelle, on a col-

lé l’affiche ci-contre à l’entrée d’un magasin.
Le magasin sait quelle affluence
journalière il doit espérer et décide
en conséquence, pour répartir les
gagnants sur toute la journée, de
donner un chèque-cadeau tous
les 46 clients, en commençant par
le 26e.
Quel est le nombre minimal de
clients à partir duquel tous les chèques-cadeau seront distribués ?
Exercice 10.5. D’après un article du site www.lemonde.fr, paru en 2012,

le taux de myopie atteindrait 40 % chez les 12-54 ans en Europe. En
respectant cette proportion, quelle serait la composition d’un échan-
tillon de :
a) 773 personnes européennes de 12 à 54 ans ?
b) 576 personnes européennes de 12 à 54 ans ?
Exercice 10.6. Le sex-ratio est un indice représentant le rapport entre

le nombre de mâles et le nombre de femelles .
Le diagramme ci-dessous représente l’évolution du sex-ratio en Inde
durant le XXe siècle1.
En respectant ces sex-ratios, estimer les compositions des échantil-
lons suivants :
a) 864 enfants de 0 à 4 ans en 1931.
b) 1 196 personnes quelconques en 1981.
Exercice 10.7. D’après le diagramme ci-dessous2, comment devrait se

répartir un échantillon de 10 000 visites uniques (VU) sur l’un des
cinq sites de e-commerce cités ?
1. Source : www.cairn.info
2. Source : www.zdnet.fr
Exercice 10.8. Voici la répartition de la population du Loir-et-Cher en

fonction des catégories socio-professionnelles en 1999 et 20123.
Si l’on souhaitait réaliser en 2012 un sondage sur 613 habitants du

département en respectant ces catégories, quelle aurait été la compo-
sition de l’échantillon à prélever ?
Solutions :
10.1. a) 252 b) 15 504 c) 847 660 528
d) 847 660 528
10.2. a) 97, 147, 197 b) 3 497
10.3. a) Non b) Oui c) Non
d) Non
10.4. 1 084
10.5. a) 309 / 464 b) 230/346
10.6. a) 440 filles et 424 garçons
b) 578 femmes et 618 hommes (environ)
10.7. Amazon : 3 495 ; Cdiscount : 2 136 ; Fnac : 1 748 ; eBay : 1 456 ;
Voyages SNCF : 1 165
10.8. 7 – 21 – 34 – 76 – 98 – 98 – 206 – 73
3. Source : www.pilote41.fr
10.6. Échantillonnage à degrés

L’échantillonnage à degrés consiste à partitionner la population en
plusieurs sous-ensembles (unité primaires), puis à partitionner ces sous-
ensembles en sous-ensembles (unités secondaires)… et ainsi de suite
jusqu’à arriver à des unités élémentaires dans lesquelles on opérera la
sélection aléatoire.
Exemple 10.4. On lance une opération de contrôle qualité à grande

échelle dans une entreprise.
L’entreprise compte 24 lieux de production identiques. Chacun d’eux
comptant six chaînes de production. Chaque chaîne de production pro-
duit 327 palettes par jour.
On peut alors, pour répartir uniformément l’échantillon sur tous les
lieux de production, contrôler (par exemple) deux palettes par chaîne
de production, ce qui fera un échantillon de 2 × 6 × 24 = 288 palettes
contrôlées.
Utilisation : On choisit d’utiliser l’échantillonnage à degrés lorsque l’on
a affaire à une grande population qui se partitionne intuitivement en
unités, sous-unités… et que l’on cherche à obtenir un échantillon uni-
formément réparti sur toutes les unités élémentaires.
10.7. Échantillonnage par quotas
Cette méthode d’échantillonnage, ainsi que les trois suivantes sont
des méthodes de sondages empiriques, c’est-à-dire des méthodes de
constitution ad hoc de l’échantillon. On ne fait pas intervenir d’expé-
rience aléatoire.
L’échantillonnage par quotas consiste à lister les caractères de la
population qui peuvent avoir une influence sur le résultat du sondage,
puis à construire un échantillon respectant les proportions de tous ces
caractères dans la population totale.
Contrairement à l’échantillonnage stratifié vu au 10.4, la méthode
d’échantillonnage par quotas croise plusieurs critères et les gère simul-
tanément. Les deux méthodes sont souvent complémentaires et utilisées
l’une après l’autre pour la constitution d’un échantillon.
Exemple 10.5. Pour construire un échantillon de 825 personnes, repré-

sentatif du genre et de la rémunération mensuelle, on se base sur les
données statistiques suivantes :
Population Hommes Femmes Total

Moins de 1 500 € 13 % 21 % 34 %
De 1 500 € à 3 000 € 29 % 23 % 52 %
Plus de 3 000 € 8 % 6 % 14 %
Total 50 % 50 % 100 %
Nous pouvons voir immédiatement qu’il est impossible de respec-

ter exactement toutes ces proportions. En effet, la taille de l’échantillon,
825 personnes, étant un nombre impair, nous ne pourrons pas avoir au-
tant d’hommes que de femmes. Le but sera, en gérant bien les arrondis, de
se rapprocher le plus possible de ces fréquences.
On applique chaque pourcentage du tableau de fréquences à la taille
de l’échantillon, en arrondissant à l’entier le plus proche.
Ensuite, on vérifie si le total des sous-catégories obtenues donne bien
la taille de l’échantillon connue d’avance.
Si ce n’est pas le cas, on ajuste l’effectif d’une catégorie de manière à ce
que le total des catégories donne la taille de l’échantillon, tout en mini-
misant l’erreur commise.
Appliquons chaque pourcentage à la taille de l’échantillon (825 per-
sonnes) :
825 × 0,13 = 107,25 On arrondit à 107 personnes
825 × 0,08 = 66 Pas besoin d’arrondir
825 × 0,06 = 49,5 On arrondit vers l’entier qui donnera un ef-
fectif total de 825 personnes dans l’échantil-
lon. Ici, on prendra 50 personnes.
L’échantillon doit donc être constitué comme suit :
Echantillon Hommes Femmes Total
Moins de 1 500 € 107 173 280
De 1 500 € à 3 000 € 239 190 429
Plus de 3 000 € 66 50 116
Total 412 413 825
Utilisation : La méthode des quotas est quasi-systématiquement utilisée

pour les sondages d’opinion paraissant dans les médias et opérés par les
instituts de sondage. Elle sert aussi fréquemment pour les enquêtes de

clientèle commandées par les entreprises auprès de ces mêmes instituts.
On choisira de s’en servir quand on voudra faire une enquête généraliste
à l’échelle d’une grande population hétérogène, telle que la population
d’un pays, d’une région…
10.8. Échantillonnage de convenance

L’échantillonnage de convenance consiste à constituer l’échantillon
à partir des membres de la population immédiatement disponibles au
moment de la réalisation de l’enquête.
Exemples :
• On interroge les gens dans la rue ou dans son entourage.
• Un sondage apparaissant en marge d’un article de presse numé-
rique, ou bien sur les réseaux sociaux.
• Une émission télévisée invitant les téléspectateurs à donner leur
avis sur la prestation de l’invité pendant la diffusion de l’émission.
Cette méthode d’échantillonnage n’offre aucune garantie de représen-
tativité et il est fort probable que les résultats de l’enquête seront affectés
de biais statistiques faussant la pertinence des résultats. En effet, que ce
soit dans la rue, sur Internet, à la sortie d’un magasin ou dans toute autre
circonstance semblable, les personnes présentes au moment de l’admi-
nistration du sondage ne seront pas représentatives de l’ensemble de la
population. Elles seront influencées par des caractères contextuels qui
fausseront les résultats du sondage.
Par exemple, lorsqu’on pose une question à son entourage, les per-
sonnes concernées peuvent répondre conformément à ce qu’ils croient
que le demandeur a envie d’entendre. On ne croise pas les mêmes caté-
gories de personnes dans les rues d’une petite ville de province, dans une
cité HLM de banlieue, dans le centre d’une grande métropole. De même,
les gens qui voient un sondage sur Internet ont été amenés à voir ce son-
dage par leurs centres d’intérêts et/ou leurs relations. Le fait même de
décider d’y répondre témoigne d’un intérêt particulier pour le thème du
sondage qui n’est sans doute pas représentatif de l’ensemble de la popu-
lation.
En conclusion, on ne peut en général pas faire confiance aux résultats
d’un sondage réalisé par échantillonnage de convenance. Dans ce cas,
quelle est la raison d’être de cette méthode d’échantillonnage ?
Utilisation : On utilise l’échantillonnage de convenance pour affirmer sa
présence, par exemple dans le cadre d’une opération de communication.
L’échantillonnage de convenance est également un élément d’animation
(sondages auprès des téléspectateurs d’une émission). L’échantillonnage
de convenance peut également être utilisé, faute de moyens, par une

petite structure qui met en place une enquête et veut obtenir des résul-
tats rapides. Dans tous les cas, des précautions seront à prendre quant à
l’interprétation des résultats.
10.9. Échantillonnage à priori, échantillonnage boule de

neige
Utilisation : Ces deux méthodes d’échantillonnage sont utilisées lorsque
la population susceptible de répondre au sondage de façon pertinente est
rare ou difficile à identifier.
L’échantillonnage à priori consiste à effectuer l’enquête sur les lieux
où l’on pense que se trouvent les personnes qui pourront y répondre.
Exemple 10.6. Une marque de vêtements de sports souhaite lancer une

ligne de maillots de bains, et la faire promouvoir par un nageur pro-
fessionnel connu dans le milieu. N’ayant pas les moyens de payer une
star mondiale de la natation, l’entreprise identifie quelques-uns par-
mi les meilleurs nageurs et fait une enquête dans les clubs de natation
sur leur notoriété et leur popularité, pour déterminer auquel d’entre
eux elle fera une proposition de partenariat.
Si l’entreprise avait procédé par échantillonnage de convenance, par la
méthode des quotas ou par toute autre méthode, les personnes interrogées
auraient vraisemblablement déclaré ne pas connaître ces nageurs.
L’échantillonnage boule de neige consiste, après avoir identifié cer-
tains membres de l’échantillon, à leur demander d’en recruter d’autres,
par le biais de leur réseau et de leurs relations. Autrement dit, on cherche
à interroger une catégorie d’individus difficile à localiser. Pour cela, on
interroge un petit nombre d’individus de cette catégorie, puis on leur
demande de compléter l’échantillon en faisant appel à d’autres individus
de la même catégorie.
10.10. Exercices d’application : échantillonnage à degrés,

sondages empiriques
Exercice 10.9. On veut sélectionner un panel de 960 enseignants du

second degré au sein des 30 académies de France.
Dans chaque académie, on veut avoir un nombre équivalent d’ensei-
gnants de collège et d’enseignants de lycée. On décide de tirer au
sort un certain nombre d’établissements scolaires de chaque sorte
et, dans chaque établissement, de tirer au sort deux enseignants qui
feront partie de l’échantillon.
Combien d’établissements de chaque sorte sont tirés au sort par aca-

démie ?
Exercice 10.10. Un critique littéraire peu scrupuleux doit rédiger un

article sur un auteur qu’il connaît mal. Il divise l’œuvre de l’auteur en
trois périodes et choisit cinq livres dans chaque période. Disposant de
sept jours pour écrire son article et d’un temps de lecture de 3 heures
par jour, le critique lit une page toutes les deux minutes.
Combien de pages de chaque livre doit-il lire pour parcourir tous les
livres sélectionnés ?
Exercice 10.11. Dans un hypermarché, on organise, dans le cadre d’une

opération promotionnelle, une distribution de cadeaux à certains
clients. Les cadeaux sont distribués simultanément.
Il y a deux étages dans l’hypermarché. Dans chaque étage, on sélec-
tionne trois secteurs, dans chacun desquels on choisit au sort deux
rayons. Trois gagnants seront tirés au sort dans chaque rayon. Chaque
gagnant reçoit un bon d’achat de 20 €.
Quelle somme est distribuée en bons d’achat ?
Exercice 10.12. Une usine de textile produit quotidiennement

5 000 T-shirts par jour, répartis en deux coloris : 3 000 T-shirts noirs et
2 000 T-shirts blancs.
Les tailles proposées sont S, M, L et XL.
Pour les T-shirts noirs, il y a 847 taille S, 831 taille M, 709 taille L et
613 taille XL.
Pour les T-shirts blancs, il y a 227 taille S, 992 taille M, 587 taille L et
194 taille XL.
On prélève un échantillon de 150 T-shirts en respectant les quotas de
taille et couleur. Décrire précisément sa composition.
Exercice 10.13. Une chaîne de fast-food offre des cadeaux avec ses me-
nus enfants. Elle donne à choisir entre quatre cadeaux différents pour
les garçons et quatre cadeaux différents pour les filles.
On a interrogé 643 enfants sur leur cadeau préféré et voici leurs ré-
ponses :
Garçons Filles
Jouet 1 111 39
Jouet 2 106 168
Jouet 3 15 127
Jouet 4 19 58
Décrire le contenu d’une commande de 5 000 jouets respectant ces

proportions.
Exercice 10.14. Dans une rue, des sondeurs interrogent 150 passants.

62 hommes et 88 femmes leur répondent.
Au seuil de 0,05, la parité hommes/femmes est-elle respectée dans
cet échantillon ?
Donner les valeurs des paramètres comparés.
Exercice 10.15. Dans un parc d’attractions, on considère que 75 % des

utilisateurs de l’attraction Le Manège Infernal ont moins de 18 ans.
On interroge des personnes à la descente du manège pour savoir si
elles en sont satisfaites. 93 réponses proviennent de personnes de
moins de 18 ans et 44 réponses proviennent d’adultes.
a) Quel est le pourcentage de mineurs parmi les participants au son-
dage ?
b) Au seuil de 5 %, cet échantillon est-il représentatif des utilisateurs
du manège ? Donner les valeurs des paramètres comparés.
Exercice 10.16. D’après une étude de l’INSEE, au 1er janvier 2006,

74,68 % des communes françaises comptaient moins de 1 000 habi-
tants, 24,12 % des communes comptaient entre 1 000 et 20 000 habi-
tants et 1,20 % comptaient plus de 20 000 habitants.
Quelle serait la composition d’un échantillon représentatif de
732 communes ?
Solutions :
10.9. 16 établissements : 8 collèges et 8 lycées
10.10. 42
10.11. 720 €
10.12. Noirs : 26S, 25M, 21L et 18XL Blancs : 7S, 30M, 17L, 6XL
10.13. Garçons : 863 J1, 824 J2, 117 J3, 148 J4
Filles : 303 J1, 1 306 J2, 988 J3, 451 J4
10.14. Non ≈ 4,51 ≈ 3,84

10.15. a) 67,88% b) Oui ≈ 3,70 ≈ 3,84
10.16. moins de 1 000 : 547, de 1 000 à 20 000 : 176, plus de 20 000 : 9
10.11. Distribution d’échantillonnage

Au cours des exemples précédents, nous avons toujours supposé
connu le nombre de personnes à interroger lors d’un sondage. Or, c’est la
première chose à déterminer au moment de sa préparation. Le but de ce
paragraphe est de déterminer la taille de l’échantillon qui nous fournira
une marge d’erreur raisonnable et maîtrisée.
Remarque : la taille de l’échantillon et la méthode d’échantillonnage
font partie des données à fournir obligatoirement lors de la diffusion des
résultats d’un sondage par voie de presse, aux termes de la loi n° 77-808
du 19 juillet 1977, actualisée le 25/4/2016. Ainsi, le lecteur avisé aura les
moyens de calculer ses marges d’erreur et de vérifier sa pertinence. Ces
informations sont fournies dans un encadré en marge, que l’on appelle
la notice méthodologique du sondage.
Figure 33. Exemples de notices méthodologiques

Exemple 10.7. On veut effectuer un sondage sur la popularité de Jules

Prob, maire de Tecdeco, ville de 200 000 habitants. Combien de per-
sonnes doit-on interroger pour obtenir sa cote de popularité avec une
marge d’erreur raisonnable ?
On appelle n la taille de l’échantillon cherchée.
On appelle X la variable aléatoire comptant le nombre de personnes
interrogées ayant déclaré avoir une bonne opinion du maire.
On appelle p la proportion des habitants de Tecdeco ayant une bonne
opinion du maire.
Attention : p est la vraie cote de popularité du maire, celle

que nous aurons obtenue si nous avions interrogé tous les
habitants de la ville. N’ayant pas les moyens matériels de le
faire, nous ne pouvons pas connaître exactement la valeur
de p. Le but du sondage est de l’estimer avec une marge d’er-
reur raisonnable.
Chacune des n personnes interrogées aura donc une probabilité p de

répondre qu’elle a une bonne opinion de maire.
On assimile la situation à l’expérience aléatoire suivante : on effectue
n tentatives, avec une probabilité p de succès à chaque tentative.
Nous reconnaissons le contexte de la loi binomiale. Nous pouvons
donc considérer que X suit une loi binomiale B(n;p). Son espérance sera
E(X) = np et sa variance sera V(X) = np(1 − p) (voir 9.2).
Cependant, nous ne sommes pas vraiment intéressés par la valeur de X.
En effet, les résultats d’un sondage ne donnent pas le nombre de personnes
ayant donné telle ou telle réponse, mais la proportion de ces personnes.
Ayant obtenu X succès sur n tentatives, nous avons une proportion
de succès dans l’échantillon. C’est une nouvelle variable aléatoire que
nous appelons .
est la proportion d’opinions positives du maire dans l’échantillon.

Il est donc l’information qui sera publiée comme résultat du sondage.
Nous devons maintenant trouver la taille de l’échantillon qui nous don-
nera une relative certitude que est assez proche de p pour constituer
une estimation fiable.
ne suit pas une loi binomiale (ses valeurs ne sont pas entières). Par
contre, l’échantillon devant être suffisamment grand, on peut supposer
que nous sommes dans les conditions d’approximation de la loi bino-
miale par la loi normale (voir 9.9), et considérer que X suit une loi nor-
male . étant le quotient d’une loi normale par une
constante, suit donc également une loi normale. Déterminons ses para-
mètres.
Nous nous servons à présent des propriétés de linéarité de l’espérance
et des propriétés quadratiques de la variance, vues au 8.3 et au 8.4, pour
déduire l’espérance, la variance et l’écart-type de de celles de X.
par linéarité de l’espérance.
d’après les propriétés quadra-

tiques de la variance.
suit donc la loi normale .
Le fait que l’espérance de soit p est une bonne nouvelle : cela signifie
que nous pouvons espérer que la proportion trouvée dans l’échantillon
se rapprochera de la proportion dans la population totale. Ce résultat
valide donc le principe du sondage.
Par ailleurs, le fait que l’écart-type de soit est également
très parlant.
Il permet de déduire les informations suivantes :
• Plus la taille de l’échantillon augmente, plus l’écart-type diminue.
Autrement dit, plus n est grand, plus les résultats du sondage seront
concentrés autour de la proportion cherchée. Nous confirmons
ainsi l’intuition selon laquelle plus l’échantillon est grand, plus les
résultats du sondage sont pertinents. Par ailleurs, plus l’écart-type
est petit, plus l’estimation trouvée pourra être considérée comme
précise.
• Multiplions la taille de l’échantillon par 2 (interrogeons 2n per-
sonnes au lieu d’en interroger n). Le nouvel écart-type sera alors
, soit fois l’écart-type de . En doublant la taille de
l’échantillon, nous n’avons pas divisé l’écart-type par 2 mais par
.
Pour diviser l’écart-type par 2, il aurait donc fallu multiplier la taille
de l’échantillon par 4.
Autrement dit, pour avoir une estimation 2 fois plus précise, il faut
interroger 4 fois plus de personnes.
Si nous n’avons interrogé que 20 personnes, doubler la précision est

facile : il suffit d’en interroger 60 autres.
Par contre, pour doubler la précision si nous avons interrogé 2 000 per-
sonnes, il faudrait en interroger 6 000 autres, ce qui est plus difficile à faire
et coûte beaucoup plus cher. De plus, l’écart-type, déjà petit, ne diminue-
rait pas beaucoup en étant divisé par 2.
Nous voyons donc qu’à partir d’une certaine taille d’échantillon, il
n’est ni rentable, ni efficace de vouloir gagner encore plus de précision.
Il existe donc une limite, que nous allons déterminer dans la suite, qui
constituera la taille optimale d’un échantillon, fournissant une bonne pré-
cision tout en limi-
tant le coût de réali- Figure 34. Écart-type en fonction de la taille de l’échantillon
sation de l’enquête.
La figure 34 repré-
sente l’évolution de
l’écart-type en fonc-
tion de la taille de
l’échantillon. Nous
voyons que nous
pouvons arrêter
d’augmenter la taille
de l’échantillon à
partir du moment où
cette courbe devient
pratiquement hori-
zontale et ne décroît
que très lentement.
La précision du
sondage dans sa glo-
balité sera mesurée
par sa marge d’erreur maximale. Cette marge d’erreur maximale est un
pourcentage décidé à l’avance par l’organisateur du sondage, en fonction
des moyens dont il dispose.
Nous fixons également à l’avance un seuil de confiance, qui repré-
sente la probabilité que soit suffisamment proche de p (cette notion
sera précisée par la suite). Le seuil de confiance est fixé arbitrairement,
en fonction des conséquences impliquées par un échantillon non repré-
sentatif.
Par exemple, un seuil de confiance de 80 % signifie qu’il y a une proba-
bilité de 0,8 que p se trouve dans un intervalle centré en , de demi-lar-
geur la marge d’erreur de la proportion trouvée. La détermination de cet
intervalle sera l’objet du chapitre 11.
Au seuil de confiance fixé correspondra un niveau de confiance,
noté t, qui est le nombre d’écarts-type maximal duquel on suppose que p
s’éloigne de . Il est déterminé en appliquant au seuil d’erreur la loi nor-

male centrée réduite inverse pour trouver l’intervalle de confiance bila-
téral (voir 9.10 et 9.11). Le tableau suivant donne les valeurs des niveaux
de confiance pour les seuils de confiance les plus utilisés.
Il sera plus pratique d’utiliser ce tableau que d’avoir recours systémati-
quement à la calculatrice.
Seuil de confiance t
80 % 1,28
90 % 1,645
95 % 1,96
99 % 2,576
Le rôle de t est donc d’être multiplié par un écart-type, comme nous

le verrons dans les formules de la suite du chapitre 10 et du chapitre 11.
Figure 35. Représentation du niveau de confiance pour un seuil de 90 %

La marge d’erreur est donc fixée à . En remplaçant σ( ) par © EMS Editions | Téléchargé le 10/06/2023 sur www.cairn.info via CERIST (IP: 193.194.76.5)
son expression trouvée plus haut, on trouve l’expression suivante de la
marge d’erreur :
Comme nous cherchons n, nous transformons cette égalité pour ex-

primer n en fonction des autres paramètres. On trouve :
Nous sommes enfin arrivés à une expression de la taille de l’échantil-

lon. Malheureusement, cette formule est inutilisable en l’état car nous ne
connaissons ni p (le but du sondage est de l’estimer), ni la marge d’erreur
exacte de .
Concernant la marge d’erreur maximale de , nous pouvons lui subs-

tituer la marge d’erreur maximale e que nous avons fixée d’avance.
Concernant p, nous constatons que l’expression p(1 − p) admet une
valeur maximale. En effet, la fonction f(p) = p(1 − p) est une fonction du
second degré, représentée par une parabole concave, qui admet un maxi-
mum (Figure 36).
Une étude simple Figure 36. Courbe représentative de f(p) = p(1 − p)
(comme celle faite
au 3.2 lors de la
maximisation du
bénéfice) permet
de situer la valeur
de ce maximum à
0,25.
En remplaçant
p(1 − p) par 0,25
dans la formule
précédente, on
trouve la formule
qui permettra de
calculer la taille de
l’échantillon.
Taille de l’échantillon :
Fin de l’exemple 10.7. En fixant la marge d’erreur maximale à 3 % et en

travaillant avec un seuil de confiance de 95 %, combien de personnes
dont-on interroger ?
Réponse : Un seuil de confiance de 95 % correspond à un niveau de
confiance de 1,96. Nous substituons donc t = 1,96 et e = 0,03 dans la for-
mule de la taille de l’échantillon.
Afin de ne pas dépasser la marge d’erreur maximale, nous arrondis-

sons à l’entier supérieur.
Nous interrogerons donc 1 068 personnes.
Ceci explique pourquoi l’on interroge en général environ 1 000 per-
sonnes lors des sondages d’opinion (voir figure 33).
Remarque importante : Durant toute cette démonstration, nous ne nous
sommes jamais servis du fait que la ville comptait 200 000 habitants.
Nous aurions donc trouvé la même taille d’échantillon si nous avions
organisé un sondage à l’échelle de la population française, de la popula-
tion américaine ou de toute autre population d’une taille très supérieure

à la taille de l’échantillon.
Nous venons donc de prouver que l’on peut connaître l’opinion de
70 millions de personnes en n’en interrogeant que 1 000.
La taille de l’échantillon ne dépend pas de la taille de la po-

pulation.
Il était important d’exposer au lecteur l’intégralité de cette démons-

tration, afin de couper court aux polémiques sur la fiabilité des sondages.
Il faut également prendre en compte le fait qu’un sondage reflète l’état
d’une population au moment où il est effectué, mais ne prévoit pas son
éventuelle évolution. Cela nécessite d’autres techniques plus poussées de
statistiques inférentielles sur la volatilité. Il est donc incorrect de dire « Les
sondages avaient prévu que… » ou bien « Les sondages n’avaient pas prévu
que… ». La tâche des sondages n’est pas de prévoir, mais de refléter. Une
photo d’enfance reflète mon apparence à 7 ans, mais ne prévoit pas mon
apparence future.
Les informations contenues dans les paragraphes 10.1 à 10.11 per-
mettent à présent au lecteur d’effectuer dans son intégralité le travail
statistique préalable à la réalisation d’un sondage4.
10.12. Probabilité de tenir une moyenne
Ce paragraphe constitue un aparté, qui n’a rien à voir avec les son-
dages. L’étude précédente donne cependant les outils mathématiques
permettant de le traiter. C’est pourquoi nous le plaçons ici.
Exemple 10.8. Stéphane Grandpont est l’attaquant vedette du F.C. L’Esche

en Thillon.
La saison dernière, il a marqué en moyenne 1,45 but par match.
Une nouvelle saison commence.
a) Quelle est la probabilité qu’il marque au moins deux buts lors de
son prochain match ?
b) Quelle est la probabilité qu’il tienne une moyenne supérieure à
deux buts par match tout au long de la saison qui compte 34 matchs ?
Réponse : a) Nous appelons N la variable aléatoire comptant le nombre
de buts que Stéphane Grandpont marquera lors du prochain match.
N compte le nombre de fois qu’un événement (but marqué) se produit
en un temps donné (la durée d’un match), avec une moyenne de 1,45 but
par match.
4. Le travail logistique n’est pas l’objet de cet ouvrage.
Le contexte conduit donc à considérer que N suit une loi de Poisson

P(1,45).
Nous cherchons P(N ≥ 2).
P(N ≥ 2) = 1 − P(N ≤ 1)
La calculatrice (ou le tableur) donne :
P(N = 2) ≈ 1 − 0,574 7 = 0,425 3
D’après ses statistiques, l’attaquant a donc 42,53 % de chances de réa-
liser au moins un doublé lors de son prochain match.
Réaliser un double lors d’une rencontre est une bonne chose. Cependant,
tenir une moyenne de 2 buts par match sur toute la saison est un exploit
bien plus difficile à réaliser. Nous pouvons donc nous attendre à ce que la
réponse du b) soit très inférieure à celle trouvée au a).
b) Nous définissons la variable aléatoire comptant la moyenne du
nombre de buts marqués par match par Stéphane Grandpont sur toute
la saison.
Nous cherchons P( ≥ 2). Pour cela, nous devons trouver sa loi de
probabilité.
Le théorème central-limite (évoqué brièvement au 9.8) implique que
la somme d’un grand nombre de variables aléatoires identiques et indé-
pendantes constitue une variable aléatoire tendant à suivre une loi nor-
male. La moyenne arithmétique étant une somme divisée par un effectif
total, on peut considérer qu’elle suit une loi normale.
Soit n le nombre de variables aléatoires identiques considérées. Toutes
les variables aléatoires identiques ayant la même espérance E, leur
moyenne aura une espérance de , c’est-à-dire également de E.
La variance d’une somme de variables aléatoires indépendantes est
égale à la somme de leurs variances respectives. Par conséquent, si les
variables aléatoires ont la même variance V, leur somme aura pour va-
riance nV et leur moyenne aura pour variance (voir 8.4). L’écart-
type est la racine carrée de la variance.
Toutes les variables aléatoires identiques ayant le même écart-type σ,
leur moyenne aura une espérance de .
On considère que la moyenne de n variables aléatoires iden-

tiques et indépendantes dont l’une est notée X suit une loi
normale :
Nous retrouvons la conservation de l’espérance et la division de l’écart-

type par , que nous avons identifiées au 10.11.
Fin de l’exemple 10.8. L’écart-type d’une loi de Poisson P(μ) est
(voir 9.5). En appliquant le résultat précédent, on trouve que
.
Le calcul de P( ≥ 2) pour cette loi donne P( ≥ 2) ≈ 0,0039.

Stéphane Grandpont n’a donc que 0,39 % de chance de tenir une
moyenne d’au moins deux buts par match lors de la prochaine saison.
Cela confirme notre intuition : il est plus facile de réaliser un exploit
isolé que de tenir une moyenne élevée. Il ne s’agit donc pas, parce qu’un
collaborateur a obtenu une fois des performances exceptionnelles, de
considérer qu’il est capable de les obtenir dans la durée. Ainsi, le calcul des
probabilités permet même de tirer des enseignements sur le management
des équipes. Cela montre, s’il en était besoin, l’universalité des mathéma-
tiques.
10.13. Exercices d’application : distribution

d’échantillonnage
Exercice 10.17. Un infirmier libéral a un chiffre d’affaires moyen de
335 € par jour, avec un écart-type de 131 €. On admet que ce chiffre
d’affaires suit une loi normale.
a) Quelle est la probabilité que cet infirmier fasse un chiffre d’affaires
de plus de 400 € demain ?
b) Quelle est la probabilité que sur trente jours travaillés, cet infirmier
fasse un chiffre d’affaires moyen d’au moins 400 € par jour ?
c) Un chiffre d’affaires de 400 € serait-il considéré comme exception-
nel ? (plus de 1,5 écarts-type d’écart avec la moyenne)
d) Trente jours avec un chiffre d’affaires moyen de 400 € par jour
seraient-ils considérés comme exceptionnels ?
Exercice 10.18. On admet que la surface moyenne d’un point de vente

en France est de 210 m² avec un écart-type de 150 m². On conviendra
également que les surfaces des points de vente suivent une loi nor-
male.
a) Estimer la proportion des commerces de plus de 250 m² en France.
b) Si l’on choisit aléatoirement 120 points de vente, quelle est la pro-

babilité que la moyenne de leurs surfaces soit supérieure à 250 m2 ?
Exercice 10.19. Une variable aléatoire X suit une loi normale N(30;10).

Cette variable aléatoire compte le nombre d’éléments ayant une cer-
taine caractéristique.
On veut prélever un échantillon de 150 éléments selon la méthode
des quotas.
a) Compléter le tableau suivant donnant la composition de l’échantil-
lon :
X [0;10[ [10;20[ [20;30[ [30;40[ [40;+∞[

Effectif
b) Quelle est la probabilité que la valeur de X pour un élément pris au

hasard soit comprise entre 25 et 35 ?
c) Si l’on prélève un échantillon de 150 éléments par échantillonnage
simple, quelle est la probabilité que la moyenne des valeurs de X pour
ces 150 éléments soit comprise entre 25 et 35 ?
Exercice 10.20. Sur une portion de route limitée à 110 km/h, un ra-

dar automatique est installé. La vitesse des voitures contrôlées par
ce radar est réputée suivre une loi normale d’espérance 100 km/h et
d’écart-type 15 km/h. Le radar flashe les voitures dont la vitesse dé-
passe 115 km/h. Le tarif des amendes forfaitaires est le suivant :
Jusqu’à 135 km/h 68 €

De 135 km/h à 165 km/h 135 €
Plus de 165 km/h 1 500 €
a) Si 300 voitures passent sur cette portion de route en une période,

estimer le montant moyen des amendes collectées par période (on
admet que tous les conducteurs verbalisés paient l’amende forfai-
taire).
b) Quelle loi de probabilité suit la vitesse moyenne des 300 voitures ?
c) Quelle est la vitesse que 95 % des automobilistes ne dépasseront
pas ?
Exercice 10.21. a) On effectue un contrôle qualité sur une production

de 30 000 pièces d’usine. Avec un seuil de confiance de 99 % et une
marge d’erreur de 3 %, combien de pièces doit-on contrôler ?
b) Même question si la production est de 50 000 pièces.
Exercice 10.22. On effectue un sondage d’opinion en interrogeant

1 691 personnes avec une marge d’erreur de 2 %. Quel est le seuil de
confiance ?
Exercice 10.23. Vu sur le site du CSA à propos d’un sondage :
Échantillon national représentatif de 1 005 Français âgés de

18 ans et plus constitué avec la méthode des quotas appliquée
aux varibales suivantes : sexe, âge et profession de l’individu,
après stratification par région et catégorie d’agglomération.
Si le sondage a été réalisé avec un seuil de confiance de 95 %, quelle

est la marge d’erreur maximale ?
Exercice 10.24. Au seuil de confiance de 95 %, combien de points

de pourcentage de marge d’erreur sont gagnés si l’on interroge un
échantillon de 2 000 personnes plutôt qu’un échantillon de 1 000 per-
sonnes ?
Solutions :
10.17. a) 30,99 % b) 0,33 % c) Non
d) Oui
10.18. a) 39,49 % b) 0,17 %
10.19. a) 3 ; 21 ; 51 ; 51 ; 24 b) 38,29 %
c) 100 %
10.20. a) 3 436,86 € b) c) 124,67 km/h
10.21. a) 1 844 pièces b) Même réponse
10.22. 90 %
10.23. environ 3,1 %
10.24. On gagne environ 0,91 %
Chapitre 11. Estimation
Clément Amzallag
ISBN 9782376876137



CHAPITRE 11.
ESTIMATION
▶ Estimation ponctuelle
▶ Estimation par intervalle de confiance
▶ Calcul de marge d’erreur
▶ Estimation de moyenne
▶ Estimation d’écart-type
11.1. Principe de l’estimation

Dans le cadre d’un sondage, après avoir échantillonné et adminis-
tré le questionnaire, on dispose d’une liste de réponses sous forme de
tableaux d’effectifs que l’on doit transformer en données exploitables en
calculant les proportions correspondantes et les marges d’erreur pour
chaque réponse.
En effet, ayant réalisé une enquête sur un échantillon, on cherche à
généraliser les résultats de cette enquête pour estimer les résultats qui
auraient été obtenus si l’on avait sondé la population totale.
On ne peut pas supposer que les proportions observées dans l’échan-
tillon sont exactement égales aux proportions correspondantes dans la
population totale. Ce serait même assez miraculeux. Cependant, si le
travail d’échantillonnage a été bien fait et le sondage correctement ad-
ministré, on peut supposer que les proportions observées dans l’échan-
tillon sont proches de celles de la population totale, c’est-à-dire que les
proportions dans la population totale se trouvent dans un intervalle suf-
fisamment étroit autour des proportions de l’échantillon.
L’estimation ponctuelle d’un résultat consiste à donner la proportion
observée dans l’échantillon comme valeur approchée de la proportion
dans toute la population.
Les publications des résultats d’une enquête d’opinion dans la presse
sont en général constituées d’estimations ponctuelles, car elles ont le
mérite de la clarté. Par contre, une estimation ponctuelle ne donne pas
d’informations sur la marge d’erreur, que le lecteur peut calculer s’il le
souhaite au moyen des informations contenues dans la notice méthodo-
logique.
L’estimation par intervalle de confiance d’un résultat consiste à don-
ner un intervalle dans lequel la proportion du résultat dans la population
a une forte probabilité de se trouver.
Cet intervalle est centré en l’estimation ponctuelle et a pour demi-
largeur la marge d’erreur. Cette méthode d’estimation donne beaucoup
plus d’informations. C’est pourquoi nous privilégierons systématique-
ment l’estimation par intervalle de confiance, sauf indication contraire.
Nous allons exposer ici deux procédures d’estimation :
• lorsque les réponses recueillies sont numériques, on peut essayer
d’estimer la moyenne des résultats obtenus. On parle alors d’esti-
mation de moyenne ;
• lorsque l’on s’intéresse à la répartition des différentes réponses
à une question donnée, on peut essayer d’estimer la proportion
qu’aurait recueillie chaque réponse dans la population totale. On
parle alors d’estimation de proportion.
Estimation 305
11.2. Estimation de moyenne
Exemple 11.1. On a demandé à 20 consommatrices prises au hasard dans

la population française combien de paires de chaussures elles ont
acheté sur Internet d’avril à juin dernier. Voici leurs réponses :
Nombre de paires 0 1 2 3 4 ou 5 6
Réponses 1 7 7 3 1 1
Estimer à partir de ces données, le nombre moyen de paires de chaus-

sures achetées sur ces trois mois par toutes les Françaises sur Internet.
Réponse : Pour trouver une estimation ponctuelle de la moyenne cher-
chée, il suffit de calculer la moyenne observée dans l’échantillon. Cela
peut se faire à l’aide de la fonction Stats-1Var de la calculatrice. Nous re-
lèverons également l’écart-type, qui intervient dans le calcul de la marge
d’erreur.
Moyenne observée dans l’échantillon : me = 2,025 paires
Écart-type observé dans l’échantillon : σe ≈ 1,346 paire
On a saisi 4,5 à la calculatrice comme valeur pour la colonne 4 ou 5.
Les notations avec e en indice concerneront l’échantillon et les nota-
tions sans indice concerneront la population.
On note me la moyenne observée dans l’échantillon.
On note σe l’écart-type observé dans l’échantillon.
On note m la moyenne dans la population totale.
On note σ l’écart-type dans la population totale.
Les 20 personnes interrogées ont donc acheté en moyenne 2,025 paires
de chaussures sur Internet durant ces trois mois avec un écart-type de
1,346 paire en plus ou en moins.
L’estimation ponctuelle de la moyenne dans la population

est égale à la moyenne de l’échantillon.
m = me
L’estimation ponctuelle de l’écart-type dans la population est

égale à l’écart-type de l’échantillon multiplié par .
Nous admettrons ce dernier résultat. Cependant, on peut concevoir

que des données recueillies sur une population importante seront répar-
ties de manière plus lissée que lorsqu’elles sont recueillies sur un échan-
tillon de bien plus petite taille. Ce fait a donc une légère influence sur le
niveau de dispersion des données, ce qui explique que l’écart-type esti-
mé pour la population soit légèrement différent de l’écart-type observé
dans l’échantillon. Toutefois, lorsque la taille de l’échantillon grandit, la
valeur de la racine carrée tend vers 1 et la différence entre σ et σe devient
négligeable.
À titre d’exemple, pour un échantillon de 1 000 personnes, on a :
soit 0,05 % de différence entre les deux écarts-type.

Pour un échantillon de 30 personnes, on observe une différence d’en-
viron 1,71 %.
Suite de l’exemple 11.1. Estimation de l’écart-type de la population

À l’aide de l’estimation de l’écart-type, nous pouvons à présent esti-
mer la moyenne par intervalle de confiance. Pour cela :
• On considère le seuil de confiance que l’on a défini pour le son-
dage, lors de la procédure d’échantillonnage et on lui associe son
niveau de confiance noté t (voir 10.11).
Travailler avec un seuil de confiance de 80 % revient à cher-

cher un intervalle autour de me dans lequel m a 80 % de
chances de se trouver.
Plus le seuil de confiance est grand, plus l’intervalle de

confiance est large, plus l’estimation est imprécise.
Il est en effet très simple de fournir un intervalle de confiance au seuil de

100 %. Il suffit de donner un intervalle tellement large que l’on est certain
que la moyenne s’y trouve. Par exemple, l’intervalle dont les bornes sont
le minimum et le maximum des valeurs possibles a un seuil de confiance
de 100 %, de même pour tout intervalle le contenant. Par contre, cet inter-
valle ne nous fournira aucune information que le tableau de valeurs ne
nous fournissait déjà.
Estimation 307
Le choix du seuil de confiance est donc le résultat d’un compromis entre

la précision de l’estimation et sa fiabilité.
La marge d’erreur autour de la moyenne, que l’on notera

abusivement est donnée par l’une ou l’autre des
deux formules suivantes :
L’équivalence entre les deux formules est évidente : il suffit de substi-

tuer dans celle de gauche l’égalité vue plus haut et de simplifier
pour trouver celle de droite.
La division de l’écart-type par provient du fait que l’on effectue
une moyenne sur n éléments (voir la probabilité de tenir une moyenne
au 10.12).
La formule de droite permet d’obtenir la marge d’erreur sans passer
par le calcul de l’écart-type de la population. Elle fait donc gagner une
étape de calcul. C’est pourquoi elle sera plus souvent utilisée dans les
applications.
Une fois la marge d’erreur trouvée, il suffit de l’ajouter et de la retran-
cher à me pour obtenir les bornes de l’intervalle de confiance.
me + marge d’erreur est l’estimation haute de la moyenne, ou moyenne
haute.
me − marge d’erreur est l’estimation basse de la moyenne, ou moyenne
basse.
Fin de l’exemple 11.1. On calcule la marge d’erreur à l’aide des données

collectées :
ou bien
(Les deux donnent le même résultat, aux arrondis près.)
On substitue la valeur de t correspondant au seuil de confiance pour
obtenir la valeur de la marge d’erreur.
Coefficient de confiance 80 % 90 % 95 % 99 %
Niveau de confiance t0,8 = 1,28 t0,9 = 1,645 t0,95 = 1,96 t0,99 = 2,576
0,395 0,507 0,605 0,795
Il reste maintenant à calculer les moyennes hautes et les moyennes

basses et à donner les intervalles de confiance.
Intervalles de confiance obtenus :

• Au seuil de 80 % : [2,025 − 0,395; 2,025 + 0,395] soit [1,63;2,42]
• Au seuil de 90 % : [2,025 − 0,507; 2,025 + 0,507] soit [1,518;2,532]
• Au seuil de 95 % : [2,025 − 0,605; 2,025 + 0,605] soit [1,42;2,63]
• Au seuil de 99 % : [2,025 − 0,795; 2,025 + 0,795] soit [1,23;2,82]
Interprétation :
Il y a 80 % de chances que le nombre de paires de chaussures achetées
en moyenne par les françaises durant ces trois mois soit compris entre
1,63 et 2,42.
Il y a 99 % de chances que le nombre de paires de chaussures achetées
en moyenne par les françaises durant ces trois mois soit compris entre
1,23 et 2,82.
La faible précision de ces estimations est évidemment due à la très pe-
tite taille de l’échantillon (20 personnes interrogées seulement).
On voit bien sur cet exemple que l’intervalle de confiance s’élargit à
mesure que le seuil de confiance augmente. La précision de l’estimation y
perd, le degré de certitude que la moyenne de la population se trouve dans
l’intervalle augmente.
11.3. Exercices d’application : estimation de moyenne
Exercice 11.1. La moyenne des notes finales de cinq étudiants pris au

hasard dans la promotion est de 12,1 avec un écart-type de 2,3.
a) À combien peut-on estimer l’écart-type de la promotion ?
b) Dans quel intervalle la moyenne de la promotion a-t-elle 95 % de
chances de se trouver ?
Exercice 11.2. À l’issue des soldes d’été, on interroge 60 commerçants

bretons sur le pourcentage de remise pratiqué en première démarque.
Voici leurs réponses :
Pourcentage de remise 10 % 20 % 30 % 40 % 50 %

Nombre de commerces 4 12 23 15 6
Dans quel intervalle estime-t-on le pourcentage moyen de remise pra-

tiqué en première démarque en Bretagne…
a) au seuil de confiance de 80 % ?
b) au seuil de confiance de 90 % ?
Estimation 309
c) au seuil de confiance de 95 % ?

d) au seuil de confiance de 99 % ?
Exercice 11.3. On interroge les visiteurs d’une fête foraine sur les dé-
penses journalières par personne qu’ils ont effectuées.
a) Estimer l’intervalle
dans lequel se trouve
la dépense moyenne
de l’ensemble des
visiteurs au seuil de
confiance de 90 %.
b) Même question
avec les réponses sui-
vantes :
30 à 40 à 50 à 60 à 70 à 80 à 90 à 100 à
Montant
40€ 50€ 60€ 70€ 80€ 90€ 100€ 110€
Effectifs 450 620 920 750 720 430 210 120
Exercice 11.4. On a mesuré 37 membres d’un club de sport. La moyenne

de leurs tailles est de 183,26 cm. L’écart-type observé est de 4,7 cm.
Peut-on considérer que la taille moyenne des membres du club est de
185 cm…
a) au seuil de confiance de 80 % ?
b) au seuil de confiance de 90 % ?
c) au seuil de confiance de 95 % ?
d) au seuil de confiance de 99 % ?
e) On a effectué un test du χ2 qui a validé la distribution des tailles.
Quelle est la probabilité qu’un membre de ce club mesure entre
180 cm et 190 cm ?
Exercice 11.5. On cherche à estimer le chiffre d’affaires moyen des en-

treprises de maçonnerie françaises en 2015. On sélectionne 51 de ces
entreprises et, après exploitation des données recueillies, on obtient
les résultats (en k€) figurant sur la feuille de calcul ci-dessous :
a) Quelles formules a-t-on entrées dans les cellules D2, F2, H2 et I2 ?
b) Dans quel intervalle estime-t-on le chiffre d’affaires moyen de ces
entreprises ?
Exercice 11.6. On souhaite évaluer le montant moyen du crédit immo-

bilier d’un primo-accédant à la propriété en France.
a) Si l’on souhaite estimer avec une marge d’erreur maximale de 2 %
et un seuil de confiance de 95 %, combien de primo-accédants doit-
on interroger ?
Conformément aux résultats de la question précédente, l’enquête a
été menée et les résultats suivants ont été collectés :
De 50 k€ De 100 k€ De 150 k€ De 200 k€

Montant du crédit
à 100 k€ à 150 k€ à 200 k€ à 250 k€
Réponses 115 552 940
b) Compléter le tableau.
c) Donner une fourchette d’estimation du montant moyen.
Exercice 11.7. Le tableau ci-dessous résume les coûts moyens des in-

humations en France1. Le coût du caveau n’est pas compris.
Les tarifs des enseignes(1)
Coût moyen d’une
Entreprises Devis mini Devis maxi
inhumation
OGF (PFG, Roblot,
1 428 € 6 101 € 3 552 €
Dignité funéraire…)
Indépendants 1 300 € 4 998 € 2 986 €
Régies municipales 1 985 € 4 275 € 2 974 €
Roc’Eclerc 1 519 € 5 663 € 2 914 €
(1)
Sur la base de 821 devis.
1. 
D’après une enquête de l’UFC Que Choisir publiée le 17/08/2012 par le site www.
cafedupatrimoine.com
Estimation 311
Les devis ont été répartis

en fonction des parts de
marché.
On estime par intervalle
de confiance au seuil de
90 % que le coût moyen
d’une inhumation par
une entreprise indépen-
dante est au minimum de
2 970 €.
a) Quel est l’écart-type de
la distribution des devis
chez les indépendants
dans cet échantillon ?
b) Estimer l’écart-type de la distribution des devis chez les indépen-
dants dans toutes les pompes-funèbres de France.
c) Quelle est la probabilité qu’une inhumation par une entreprise in-
dépendante coûte moins de 3 000 € ?
Solutions :
11.1. a) environ 2,57 b) entre 9,846 et 14,354
11.2. a) [29,42;32,92] b) [28,92;33,42]
c) [28,49;33,85] d) [27,65;34,69]
11.3. a) [61,61;64,49] b) [62,60;63,50]
11.4. a) Non / Non / Non / Oui b) 68,03 %
11.5. a) En D2 : =C2*RACINE(A2/(A2-1))
En F2 : =INTERVALLE.CONFIANCE(1-E2;D2;A2)
En H2 : =B2-F2 En I2 : =B2+F2
b) 193,083 / 307,78
11.6. a) 2 401 b) 794
c) Entre 173 515 € et 176 985 €
11.7. a) Environ 202,63 € b) Environ 202,86 € c) 52,75 %
11.4. Estimation de proportion
Exemple 11.2. Dans une université, on interroge 1 000 étudiants sur

leurs intentions de vote aux élections au conseil d’administration du
CROUS.
Demain Union
Liste AEE Univ’21
ma fac étudiante
Intentions de vote 387 408 128 77
Avec un seuil de confiance de 90 %, la différence entre les deux listes

arrivées aux deux premières positions est-elle significative ? Autrement-
dit, si l’état de l’opinion n’évolue pas jusqu’au jour du scrutin, la liste
Demain ma fac est-elle certaine d’arriver en tête ?
À partir des données collectées suite à l’administration d’un sondage,
il est possible de calculer les proportions observées dans l’échantillon.
Cependant, les proportions réelles dans la population sont différentes
des proportions observées. Si l’échantillonnage a été correctement fait,
les deux proportions sont relativement proches. La proportion réelle
dans la population se situe dans un intervalle autour de la proportion
observée, appelé intervalle de confiance. La demi-largeur de cet inter-
valle est la marge d’erreur de la proportion concernée.
Si les intervalles de confiance des listes AEE et Demain ma fac se
chevauchent, alors il est possible que la proportion réelle de votants pour
AEE soit supérieure à la proportion réelle de votants pour Demain ma
fac.
Il est impossible de dire à quel endroit de l’intervalle de confiance la
proportion réelle a plus de chances de se trouver. Donc, si deux intervalles
de confiance se chevauchent, on ne peut pas considérer comme négligeable
la probabilité d’interversion des classements entre les deux listes.
Nous allons donc déterminer les intervalles de confiance de ces deux
listes pour voir s’ils se chevauchent ou non.
S’il y a chevauchement, nous considèrerons ne pas savoir laquelle des
deux listes est réellement en tête.
S’il n’y a pas de chevauchement, nous considèrerons l’avantage de
Demain ma fac comme décisif et nous supposerons que cette liste arri-
vera en tête si l’état de l’opinion n’évolue pas d’ici le scrutin.
On décide d’une catégorie à étudier et l’on appelle p la proportion
réelle occupée par cette catégorie dans la population totale (celle que l’on
cherche à estimer).
Estimation 313
On appelle pe la proportion des éléments de cette catégorie parmi les

membres de l’échantillon.
Pour la liste AEE, on appelle p la proportion réelle d’étudiants ayant
l’intention de voter pour AEE. On appelle pe la proportion observée dans
l’échantillon.
387 étudiants sur 1 000 déclarent vouloir voter pour AEE.
On appelle X la variable aléatoire comptant le nombre de personnes

de l’échantillon appartenant à la catégorie étudiée.
La taille n de l’échantillon étant suffisamment petite par rapport à la
taille de la population, on peut considérer que la probabilité de chaque
élément de l’échantillon d’appartenir à la catégorie étudiée est égale à la
proportion réelle de cette catégorie dans la population. Chaque élément
de l’échantillon a donc une probabilité p d’appartenir à la catégorie étu-
diée.
On reconnaît une configuration correspondant à la loi binomiale
(nombre fixé de tentatives, probabilité de succès constante, essais indé-
pendants). On admet donc que X~B(n;p).
Travaillant en général avec des échantillons de grande taille et des
proportions observées qui ne sont pas très proches de 0 % ni de 100 %,
nous serons pratiquement toujours dans les conditions d’approximation
de la loi binomiale par la loi normale.
On rappelle que E(X) = n × p et (voir 9.2).
On considérera donc pour la suite que .
N’étant pas intéressés par les effectifs mais par les proportions, on
appelle Y la variable aléatoire comptant la proportion occupée par la ca-
tégorie étudiée parmi les membres de l’échantillon. Il y a X membres de
cette catégorie parmi n membres de l’échantillon.
Les propriétés de l’espérance et de l’écart-type vues au 8.3 et au 8.4

nous permettent de déduire que :
Ce résultat est une bonne nouvelle car il indique que la proportion ob-
servée dans l’échantillon peut espérer se situer à proximité de la propor-
tion réelle dans la population (que l’on cherche à estimer).
L’estimation ponctuelle de la proportion d’une catégorie

dans une population est égale à la proportion de cette caté-
gorie dans l’échantillon.
Y suit donc une loi normale .
Un seuil de confiance étant fixé, l’intervalle de confiance cherché est

ce que l’on a appelé l’intervalle de confiance bilatéral au seuil fixé (voir
9.10). Ce seuil définit un niveau de confiance t, tel que la demi-largeur de
cet intervalle (la marge d’erreur), vaut t × σ(Y) (voir 10.11).
La marge d’erreur autour de Y vaut .
Les bornes de l’intervalle de confiance sont donc :

• pour la borne inférieure (proportion basse) :
• pour la borne supérieure (proportion haute) :
Fin de l’exemple 11.2. Calcul de la marge d’erreur pour la liste AEE (que

nous noterons abusivement ) :
Un seuil de confiance de 90 % correspond à un niveau de confiance
de 1,645.
est en réalité un majorant de l’erreur commise par l’estimation

ponctuelle, au seuil de confiance près.
La marge d’erreur autour du score de la liste AEE est donc d’environ
2,5 %.
Détermination de l’intervalle de confiance :
Proportion basse : 0,387 − 0,025 ≈ 0,362
Proportion haute : 0,387 + 0,025 ≈ 0,412
Le score de la liste AEE parmi le total des votants a donc 90 % de
chances d’être compris entre 36,2 % et 41,2 %.
Pour la liste Demain ma fac :
Proportion observée : pe = 0,408.
Estimation 315
1) On calcule la marge d’erreur :
2) On trouve l’intervalle de confiance :

Estimation basse des intentions de vote pour Demain ma fac :
0,408 − 0,026 ≈ 0,382
Estimation haute des intentions de vote pour Demain ma fac :
0,408 + 0,026 ≈ 0,434
Le score de la liste Demain ma fac est estimé entre 38,2 % et 43,4 %,
avec un seuil de confiance de 90 %.
On constate que les intervalles de confiance de AEE et Demain ma fac
se chevauchent. Il est donc impossible de déterminer d’après ce sondage
laquelle des deux listes fait la course en tête.
Remarque : Si la taille de l’échantillon est inférieure ou égale à 30, on
appliquera à l’écart-type un correcteur de biais, comme expliqué au 11.2,
et cela modifiera légèrement la formule de calcul de la marge d’erreur.
Si la taille de l’échantillon n est inférieure ou égale à 30, alors

le calcul de la marge d’erreur est :
En situation professionnelle, il vaut mieux éviter de travailler avec un

échantillon de moins de 30 personnes. On complétera donc l’échantillon
afin qu’il soit suffisamment grand, plutôt que de se servir de cette formule.
11.5. Exercices d’application : estimation de proportion
Exercice 11.8. Dans un échantillon de 1 054 membres d’une popula-

tion, on observe un élément donné 357 fois. Estimer la proportion de
cet élément dans la population totale :
a) Avec un seuil de confiance de 80 %.
b) Avec un seuil de confiance de 90 %.
c) Avec un seuil de confiance de 95 %.
d) Avec un seuil de confiance de 99 %.
Exercise 11.9. a) Assuming that 1.2k American citizens took part in this

poll, in what range are we 95%-confident that the McDonald’s fries
popularity is?2
b) Same question if 1.2m American citizens took part in the poll.
Exercice 11.10. Il est 20 heures. Voici notre première estimation des

résultats du 1er tour de l’élection présidentielle :
James Marge des Amélie Samson Filippa Fred Quance-

Lestatte Rheurs Laquestion Dage Nelle cumulé
31,7 % 29,9 % 20,2 % 13,8 % 3,1 % 1,3 %
Sondage effectué à la sortie des urnes sur un échantillon de 1 065 personnes
âgées de 18 ans et plus, inscrites sur les listes électorales sélectionnées par
la méthode des quotas (âge, sexe, profession).
2. Poll : vote, sondage ; Range : intervalle

Estimation 317
a) James Lestatte exprime aussitôt sa satisfaction d’être arrivé en tête.

Avec un seuil de confiance de 95 %, a-t-il parlé trop vite ?
b) Au même seuil de confiance, Fred Quancecumulé peut-il passer
devant Filippa Nelle ?
c) Comparer les réponses données aux deux questions précédentes et
donner une explication.
Exercice 11.11. On lance sur le marché un nouveau parfum. On souhai-

terait que le prix de vente ne descende pas sous 40 €. On souhaiterait
également vendre 1 000 exemplaires à 70 € l’un.
Pour les questions a) à d), voir chapitre 3.1.
a) Écrire la fonction d’offre.
b) L’étude de marché effectuée sur un échantillon de 3 500 clients
potentiels montre que les parfums ne se vendront pas pour un prix
supérieur ou égal à 120 € l’exemplaire et que l’on peut espérer vendre
900 exemplaires si l’on fixe le prix unitaire à 60 €.
c) Écrire la fonction de demande.
d) Déterminer le prix unitaire optimal et la quantité vendue attendue
dans l’échantillon.
e) En estimant le nombre de clients potentiels en France à 2 millions,
donner une fourchette d’estimation du chiffre d’affaires prévisionnel,
au seuil de 90 %.
Exercise 11.12. Here are the margins of an American survey3.
Methodology: Public Opinions Strategies (R) and Hart Research

(D) conducted a telephone survey of N=800 voters throughout the
country on both landline and cell phones. The survey was conducted
September 1-5, 2015 and has an overall margin of error of +/− 3.46%.
The sample was distributed proportionally throughout the nation
and is demographically representative of the electorate.
a) Compute the confidence level4.

b) The voters were asked to choose between three motions A, B and C.
36% voted C and 34.6% voted A.
With the above confidence level, can motion B be leading throughout
USA?
3. Survey : enquête, sondage.

4. Confidence level : seuil de confiance.
Exercice 11.13. Pour le sondage ci-dessous concernant la liberté d’ex-

pression sur Internet5, on suppose le seuil de confiance à 90 %.
a) Calculer la marge d’erreur maximale.

b) L’INSEE estime la population française majeure à 51,81 millions
d’habitants à la date du sondage.
Donner un encadrement du nombre d’avis « Tout à fait favorable » au
sein de la population française majeure.
Exercice 11.14. Sur 20 étudiants d’un IUT interrogés, 8 déclarent déjeu-

ner régulièrement au Restaurant Universitaire. En prenant un seuil de
confiance de 80 % et en estimant la population étudiante de l’IUT à
2 500 personnes, estimer le nombre maximal de repas à préparer par
jour au RU.
Exercice 11.15. a) Avec quel seuil de confiance faut-il travailler pour

obtenir une marge d’erreur maximale de ±2,62 % sur un échantillon
de 1 400 individus ?
b) Quelle est la taille de l’échantillon qui donne une telle marge d’er-
reur maximale au seuil de 80 % ?
5. Source : sondage IFOP pour le JDD réalisé du 16 au 17 janvier 2015 auprès d’un échantillon
représentatif de la population française de 1 003 personnes.
Estimation 319
Solutions :
11.8. a) de 32 % à 35,74 % b) de 31,47 % à 36,27 %
c) de 31,01 % à 36,73 % d) de 30,12 % à 37,63 %
11.9. a) from 31.32% up to 36.68%
b) from 33.92% up to 34.08%
11.10. a) Estimation basse A. Talon : 28,91 % donc oui.
b) Estimation basse Fanfrelus : 2,06 %
Estimation haute J. Jumper : 1,98 % donc non.
c) Vu la formule, la marge d’erreur est d’autant plus grande
que la proportion est proche de 50 %
11.11. a) y = 0,03x + 40 b)
c) Qté : 828 P.u. : 64,83 € d) Entre 29,127 M€ et 32,19 M€
11.12. a) 95 % b) No
11.13. a) Environ 2,6 %
b) Entre 9 784 000 et 11 976 000 environ
11.14. 1 360
11.15. a) 95 % b) 597 personnes
Exercices de révision. Chapitres 9 à 11
Clément Amzallag
ISBN 9782376876137



EXERCICES DE RÉVISION
CHAPITRES 9 À 11
Exercice R38. Une chaîne de restaurants souhaite effectuer une en-

quête de satisfaction auprès de ses clients. Elle élabore un question-
naire à l’issue duquel elle demande à un panel de clients majeurs de
donner une note allant de 1 à 5 à leur dernier repas, 1 étant la moins
bonne note et 5 étant la meilleure note.
La chaîne de restaurants souhaite calculer la moyenne des notes don-
nées par le panel, pour ensuite estimer avec une marge d’erreur d’au
plus 2,5 % et un seuil de confiance de 95 % la moyenne des évalua-
tions de toute sa clientèle.
a) Combien de clients composeront son panel ?
b) On divise le territoire métropolitain en cinq secteurs et on répartit
les membres du panel proportionnellement à la population de ces
secteurs en 2015 selon l’INSEE :
Ile-de-France 12 073 914 hab.

Secteur Nord (Hauts-de-France, Grand
14 388 300 hab.
Est, Bourgogne-Franche Comté)
Secteur Ouest (Bretagne, Pays de la
12 927 410 hab.
Loire, Centre Val-de-Loire, Normandie)
Secteur Sud-Ouest (Nouvelle Aquitaine,
11 696 708 hab.
Occitanie)
Secteur Sud-Est (Auvergne-Rhône
13 190 919 hab.
Alpes, Provence-Côte d’Azur, Corse)
Décrire la composition du panel secteur par secteur.

c) Dans chaque secteur, on décide que le panel devra respecter des
quotas suivant les critères : âge du client et montant de son addition.
Compléter le tableau suivant en donnant le nombre de clients franci-
liens dans chaque catégorie :
18-30 ans 31-50 ans 51 ans et plus

Moins de 18 € 13 % 13 % 9 %
De 18 à 40 € 9 % 19 % 13 %
Plus de 40 € 7 % 5 % 12 %
d) Les résultats de l’enquête sont saisis dans la feuille de calcul ci-

dessous :
Combien de clients ont donné la note 5 ?

e) Quelles formules seront saisies dans les cellules B3, I7, I8, I9 ?
f) On décide de tester la conformité de la répartition des notes. Vérifier
qu’elle peut être ajustée par une loi normale autour de sa moyenne et
de son écart-type, au seuil d’erreur de 5 %. Préciser les paramètres
comparés.
g) Donner l’intervalle dans lequel on estime que la moyenne des notes
de la population totale se trouve.
h) Rédiger la notice méthodologique de cette enquête en prenant
exemple sur le cadre ci-dessous.
Échantillon national représentatif de 1 059 jeunes âgés de 16 à

23 ans constitué d’après la méthode des quotas (sexe, âge et CSP
de la personne de référence au sein du foyer et stratification par
région).
Exercice R39. On demande à un échantillon de 1 045 anciens élèves de

Terminale S de l’année 2001 les notes qu’ils ont obtenues au baccalau-
réat à l’épreuve de mathématiques.
Leurs réponses sont décrites dans le tableau suivant :
Note 0à4 4à8 8 à 12 12 à 16 16 à 20

Effectif 55 242 416 247 85
a) En prenant un seuil de confiance de 95 %, estimer la moyenne de

l’ensemble des candidats au Bac S à l’épreuve de mathématiques en
2001 en France.
b) En prenant un seuil de confiance de 95 %, estimer la proportion
des candidats au Bac S qui ont obtenu au moins 12 à l’épreuve de
mathématiques en 2001 en France.
c) On numérote les 1 045 personnes du panel de 1 à 1 045 et on sélec-

tionne aléatoirement 55 d’entre eux en procédant par échantillonnage
systématique en commençant par le numéro 2. Quels numéros porte-
ront les deux sélectionnés suivants ? Quel numéro portera le dernier
sélectionné ?
d) Sur les 55 personnes sélectionnées précédemment, on en choisit
cinq au hasard. Combien y a-t-il de manières de les choisir?
e) Donner un encadrement de la probabilité qu’exactement deux de
ces cinq personnes aient eu au moins 12 à l’épreuve de mathéma-
tiques.
Exercice R40. On veut réunir un panel d’étudiants inscrits dans les uni-

versités françaises. On sélectionne 20 universités et l’on tire au sort
trois départements dans chacune d’entre elles. Dans chaque départe-
ment, on choisit quatre diplômes préparés et pour chaque diplôme,
deux groupes d’étudiants. Dans chaque groupe, on tire au sort trois
étudiants. On mène une enquête sur le panel d’étudiants ainsi consti-
tué.
Au seuil de confiance de 90 %, quel sera le pourcentage maximal de
marge d’erreur sur les réponses ?
Exercice R41. Un magasin employant 35 salariés décide de leur de-

mander s’ils préfèrent une ouverture exceptionnelle de leur magasin
le 8 mai ou le jour de l’Ascension. Le jour de l’enquête, 23 d’entre
eux sont présents et la question est donc posée à cet échantillon de
23 salariés.
a) Combien d’échantillons possibles y a-t-il ?
b) 14 employés se prononcent pour ouvrir le 8 mai. Estimer la pro-
portion d’employés se prononçant pour le 8 mai parmi les 35 salariés.
Est-il utile de faire voter les 12 employés qui n’ont pas été interrogés ?
(On prendra un seuil de confiance de 95 %.)
Exercice R42. Dans un grand magasin d’électroménager, on décide

d’étudier pendant 40 jours ouvrés le nombre de clients ayant effec-
tué des achats pour un montant supérieur à 1 000 €. Pour cela, on
compte chaque jour le nombre de ces clients et l’on obtient les résul-
tats suivants :
Nombre d’achats pour plus

0 1 2 3 4 5 6
de 1 000 €
Nombre de jours 8 7 10 7 6 1 1
a) Donner l’interprétation du nombre 10 figurant dans ce tableau.

b) Par quelle loi de probabilité souhaiterait-on ajuster ces données ?
Préciser le(s) paramètre(s) de cette loi.
c) Peut-on ajuster par la loi citée à la question précédente ? On appli-
quera un seuil d’erreur de 10 %.
d) Le magasin prévoit d’ouvrir ses portes 306 jours dans l’année. Avec
un seuil de confiance de 90 %, est-il raisonnable d’espérer 100 jours
où le nombre d’achats pour plus de 1 000 € sera au moins égal à 4 ?
Exercice R43. Un commercial qui démarche ses clients par téléphone

voit le nombre de ventes qu’il conclut par jour suivre une loi de Poisson
de paramètre 0,75.
a) Quelle est la probabilité que lors de son prochain jour de travail, il
conclue au plus deux ventes ?
b) Quelle est la probabilité que lors de son prochain jour de travail, il
conclue au moins une vente ?
c) Quelle formule taper en cellule B2 de la feuille de calcul suivante ?
d) Quelle est la probabilité que lors de ses trente prochains jours de
travail, il conclue en moyenne au moins une vente par jour ?
e) On considère que le commercial travaille 20 jours par mois. S’il
touche une rémunération fixe de 500 € mensuels nets et une com-
mission de 35 € nets par vente conclue, quelle est la probabilité que
la rémunération cumulée de ses trois prochains mois se monte à au
moins 3 500 € nets au total ?
Exercice R44. Le distributeur du MMORPG1 War of the Three Dungeons

(W3D) effectue une enquête sur le temps quotidien que passent les
joueurs connectés sur le jeu. L’enquête concerne les joueurs résidant
en Amérique du Nord (USA, Canada) et l’échantillonnage est effectué
par la méthode des quotas, en prenant en compte le sexe des joueurs
et leur âge, avec une stratification par pays. On se base sur les don-
nées suivantes : 75 % des joueurs concernés résident aux États-Unis ;
85 % des joueurs sont de sexe masculin ; 68 % des joueurs ont entre
13 et 18 ans ; 27 % des joueurs ont entre 18 et 50 ans et les autres
joueurs ont plus de 50 ans.
1. Massively Multiplayer Online Role Playing Game : Jeu de rôle en ligne massivement multi-
joueur.
La marge d’erreur maximale souhaitée est de ±3 % et le seuil de

confiance est fixé à 90 %.
a) Quelle sera la taille de l’échantillon ?
b) Décrire précisément l’échantillon.
c) Les résultats de l’enquête sont les suivants :
Durée Moins d’1 h De 1 h à 2 h De 2 h à 3 h Plus de 3 h

Nombre de
181 353 135
réponses
Compléter la dernière case du tableau.

d) On estime le nombre de joueurs nord-américains à W3D à un mil-
lion environ. Donner un encadrement du nombre de joueurs qui y
jouent plus de 3 heures par jour.
e) Donner un encadrement de la durée moyenne que passe un joueur
quotidiennement sur W3D. (On assimilera la catégorie Plus de 3 h à
une durée de 4 heures.)
Exercice R45. Sur une chaîne de montage qui fabrique 5 000 parapluies

par jour, on sélectionne certains parapluies à contrôler. On procède
par échantillonnage systématique : on numérote les parapluies par
ordre de fabrication. On contrôle le 14e parapluie, puis le 33e et ainsi
de suite à intervalle régulier pendant un jour.
a) Combien de parapluies contrôlera-t-on ?
b) Environ 2 % des parapluies ferment mal et doivent être ajustés
avant d’être emballés (mais le fabricant ne le sait pas). Quelle est la
probabilité que cinq des parapluies contrôlés ferment mal ?
c) Au seuil de confiance de 99 %, si cinq des parapluies de l’échantil-
lon ferment mal, dans quel intervalle estimera-t-on la proportion des
parapluies qui ferment mal ?
Solutions :
R38. a) 1 537
b) Ile-de-France : 289 / Nord : 344 / Ouest : 309 / Sud-Ouest : 280
/ Sud-Est : 315
c) − de18€ : 38 38 26 / 18€ − 40€ : 26 55 37 /
+40€ : 20 14 35
d) 253
3 : =LOI.NORMALE(B1+0,5;$I2;$I3;VRAI)-LOI.
e) B
NORMALE(B1-0,5;$I2;$I3;VRAI)
I7 : =LOI.KHIDEUX.INVERSE(1-I5;I6)
I8 : =INTERVALLE.CONFIANCE.NORMAL(I5;I3;I1-1)
I9: =I2-I8
f) Moyenne : 3,595 Ecart-type : 0,913 : 5,933 : 5,991
g) [3,549;3,64]
h) Échantillon représentatif de 1 537 clients majeurs constitué
d’après la méthode des quotas (âge, montant de l’addition)
et stratification par région
R39. a) [10,01;10,49] b) [28,95 %;34,59 %] c) 21, 40, 1 028
d) 3 478 761 e) Entre 30,06 % et 33,48 %
R40. Environ 2,17 %
R41.
a) 834 451 800 b) [40,47%;81,26%] Il faut interroger les
autres salariés.
R42. a) On a compté 10 jours ou deux clients ont acheté pour plus de
1 000 €.
b) Une loi de Poisson de paramètre 2,075
c) Oui ≈ 3,611 7 ≈ 6,251 4
d) Non. Entre 30 et 93 jours.
R43. a) 95,95 % b) 52,76 %
c) =LOI.POISSON(B1;$K1;FAUX) d) 5,69 %
e) 3,51 %
R44. a) 752 joueurs
b) USA : 13-18 ans : 326 garçons et 58 filles, 18-50 ans : 129 hommes
et 23 femmes, 50 ans et + : 24 hommes et 4 femmes. Canada :
13-18 ans : 109 garçons et 19 filles, 18-50 ans : 43 hommes et
8 femmes, 50 ans et + : 8 hommes et 1 femme
c) 83 d) Entre 91 600 et 129 200 joueurs
e) Entre 1,653 heure et 1,777 heure (c’est-à-dire entre 1h39 et

1h47)
R45. a) 263 b) 17,6 %
c) Entre 0 % et 4,07 %

Mathématique Financier 2022

Transféré par

Informations du document

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

Mathématique Financier 2022

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 2.

Article disponible en ligne à l’adresse

Découvrir le sommaire de ce numéro, suivre la revue par email, s’abonner...

Distribution électronique Cairn.info pour EMS Editions.

2.1. L’arrondi bancaire

Règles de l’arrondi bancaire :

Cela permet de minimiser l’erreur statistique inhérente à l’arrondi. En

Remarque sur les arrondis :

En situation professionnelle, les décisions concernant les arrondis sont

Exemple 2.1. On achète pour 4 000 € d’obligations remboursables sur

Formule des intérêts simples :

Lorsque l’on applique la formule des intérêts simples, le montant de

2.4. Livrets d’épargne

Le calcul des intérêts se fait toujours au 31 décembre de l’année cou-

Règles de calcul des quinzaines :

La date de valeur est la date à partir de laquelle l’opération bancaire

Exemple 2.2. Sur mon livret A à 0,5 % d’intérêts annuels, je dépose 600 €

Exemple 2.3. De mon livret A à 0,5 % d’intérêts annuels, je retire 600 €

depuis le 16 mars (les 9 mois de l’exemple 10 et la deuxième quinzaine

Les 1 250 € de la première ligne du tableau correspondent au solde de

2.5. Taux moyen sur plusieurs placements

Exemple 2.4. On effectue deux placements auprès d’un établissement

2.6. Exercices d’application : intérêts simples

Exercice 2.2. Les Obligations Assimilables du Trésor (OAT) sont des

Exercise 2.31. You purchase bonds for $3,000 from a society named A,

Exercice 2.5. Charles ouvre son livret Jeune le 7 novembre 2016 en y

Calculer le montant des intérêts acquis au 1er janvier 2017.

1. Amount : Montant ; Bonds : Obligations ; Average : Moyen ; Rate : Taux ; Refundable :

Exercice 2.6. Construire au tableur une feuille de calcul permettant à

2.7. Intérêts composés

Le capital à terme se montera donc à 4 866,61 €.

Pour calculer directement le capital acquis au terme des cinq ans, il

Formule des intérêts composés :

Utilisation de la formule des intérêts composés :

Exemple 2.6. Retrouver le taux d’intérêt. À quel taux faut-il placer

Exemple 2.7. Retrouver la durée. Un taux de 7,18 % étant considéré irréa-

Réponse : Le coefficient multiplicateur correspondant au taux de 3 % est

Pour retrouver la valeur d’une inconnue figurant en exposant, il faut

La calculatrice affiche environ 23,45. Ayant utilisé la formule des inté-

2.8. Exercices d’application : intérêts

Exercice 2.7. Béatrice ouvre son livret Jeune le 18 juin 2016 en y dépo-

Exercice 2.8. (Exercice long) Damien ouvre son livret Jeune le 11 fé-

Exercice 2.9. Fabrice veut pouvoir disposer de 12 000 € pour financer

Exercice 2.10. Sachant que le livret de la Société Générale est rémunéré

Quelques éléments du vocabulaire des annuités :

Rente temporaire : rente dont le nombre de termes est fini.

2.10. Annuités indépendantes

Exemple 2.8. Antoine exerce une profession libérale. Il alimente un plan

des colonnes supplémentaires qui indiqueront le nombre de périodes à

Date de référence 1/01/2021

La valeur acquise de son plan d’épargne sera alors 23 369,92 €.

Exemple 2.9. Pour le cas étudié à l’exemple 2.8, calculer la valeur actuelle

La rente étant à termes échus, la date de référence se situe une période

Attention : Comme on va toujours de la date de l’opération

Interprétation : Verser 5 217 € sur son plan d’épargne le 1/01/2017

On retrouve bien la valeur acquise de l’exemple 16 (avec une diffé-

Exemple 2.10. Pour le cas étudié à l’exemple 2.8, calculer la valeur ac-

Exemple 2.11. Pour le cas étudié à l’exemple 2.8, calculer la valeur ac-

Date de référence 1/01/2017

2.11. Exercices d’application : annuités indépendantes

Quelle sera la valeur acquise au 31/12/2020 ?

Exercice 2.14. Sur un placement à 1,9 % d’intérêts annuels, on dépose

a) Quelle sera la valeur acquise au 31/12/2020 ?

Exercice 2.15. Sur un placement à 1,7 % d’intérêts annuels, on dépose

1. Amount : Montant ; Bonds : Obligations ; Average : Moyen ; Rate : Taux ; Refundable :