Académique Documents
Professionnel Documents
Culture Documents
REPUBLIQUE DU CAMEROUN
Peace Work - Fatherland
Paix Travail Patrie
MINISTRY OF HIGHER EDUCATION
MINISTERE DE L'ENSEIGNEMENT SUPERIEUR
THE UNIVERSITY OF D`EBOLOWA
UNIVERSITE D`EBOLOWA
HIGHER INSTITUTE OF
ECOLE SUPERIEURE DE TRANSPORT, DE
TRANSPORT, LOGISTICS AND
LOGISTIQUE ET DE COMMERCE
COMMERCE
DEPARTEMENT DES ENSEIGNEMENTS
DEPARTMENT OF GENERAL
GENERAUX
TEACHINGS
BP. 22 AMBAM
PO Box : 22 AMBAM
Tél. : (+237) 222 482 412
Phone : (+237) 222 482 412
E-Mail : estlc@estlc-ueb.cm
E-Mail : estlc@estlc-ueb.cm
Site web : www.estlc-ueb.cm
Site web : www.estlc-ueb.cm
GLTCO 122 :
Probabilités et Statistique Descriptive
Équipe pédagogique :
1 Analyse combinatoire 2
1.1 Arrangements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Arrangements avec répétitions . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Arrangements sans répétitions . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Permutations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Permutations sans répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Permutations avec répétitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Combinaisons sans remise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Combinaisons avec remise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.3 Quelques proprités des combinaisons . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Probabilités 7
2.1 Voabulaire important dans la théorie des probabilités . . . . . . . . . . . . . . . . . . . 8
2.1.1 Espace des possibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.2 Evènements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Calcul des probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.1 Dénition et propriétés d'une probabilité . . . . . . . . . . . . . . . . . . . . . 9
2.2.2 Probabilités Uniformes ou combinatoires . . . . . . . . . . . . . . . . . . . . . . 11
2.2.3 Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4 Statistique descriptive 21
4.1 Vocabulaire Statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2 Etude des variables quantitatives discrètes . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2.1 Regroupement des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2.2 Représentation graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2.3 Caractéristiques de Position . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.2.4 Caractéristiques de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.3 Etude des variables quantitatives continues . . . . . . . . . . . . . . . . . . . . . . . . 25
4.3.1 Organisation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.3.2 Représentation graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.3.3 Caractéristiques de position . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.3.4 Caractéristiques de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.4 Introduction à la statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.4.1 Deux variables quantitatives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.4.2 Deux variables qualitatives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.5 Analyse Combinatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.6 Probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.7 Variables Aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.8 Statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.9 Analyse Combinatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.10 Probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.11 Variables aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.12 Statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Analyse combinatoire
Introduction
L'analyse combinatoire est une branche des mathématiques qui étudie comment compter les
objets. Elle fournit des méthodes de dénombrements particulièrement utiles en théorie des probabilités.
Les probabilités dites combinatoires utilisent constamment les formules de l'analyse combinatoire
développées dans ce chapitre.
1.1 Arrangements
Dénition 1.1.1. Etant donné un ensemble E de n objets, on appelle arrangement de p objets de
E toute suite ordonnée de p objets pris parmi les n objets.
Remarque 1.1.1. Deux arrangements de p objets sont donc distincts s'ils dièrent par la nature
des objets qui les composent ou par leur ordre dans la suite.
Exemple 1.1.1. Le code Orange Money est constitué d'un enchaînement de 5 chires. Il existe donc
Exemple 1.1.2. Le nombre de mots de 5 lettres (avec ou sans signication) formés avec les 26 lettres
Exemple 1.1.3. Le tiercé dans l'ordre lors d'une course de 20 chevaux constitue un des arrangements
possibles avec p=3 et n = 20.
Dans les exemples précédents, l'ordre des éléments dans la suite est essentiel. Ainsi pour le deuxième
exemple, le mot NICHE est diérent du mot CHIEN, pourtant ils utilisent tous les deux les mêmes
lettres. Il s'agit donc là de deux arrangements qui dièrent par leur ordre dans la suite d'objets et non
pas par la nature des objets qui là compose.
De plus, un chire ( Pour le cas du premier exemple) ou une lettre de l'alphabet ( pour le cas
du deuxième exemple) peut se retrouver plusieurs fois alors que dans le troisième exemple, les trois
chevaux à l'arrivée sont forcément diérents. Il faut donc distinguer le nombre d'arrangements avec
répétition et le nombre d'arrangements sans répétition (arrangements au sens strict).
Propriétés 1.1.1. Le nombre d'arrangement avec répétition de p objets pris parmi n, est alors : np
avec p ≥ n.
Explication :
Il y a n choix disponibles pour tirer le premier objet (que l'on range à la première position de la
séquence).
Pour le second objet tiré, il existe également n possibilités d'arrangements car le premier objet fait
de nouveau parti des n objets. On parle parfois de tirage avec remise.
Ainsi pour les p objets tirés, il y aura n × n × n × n × ... × n(pfois) = np arrangements possibles.
Exemple 1.1.4. Dans le cas des codes OM, le nombre de codes à 5 chires que l'on peut former avec
5
les 10 chires disponibles est : 10 = 100000 codes.
Remarque 1.1.2. Dans une p-liste, on peut avoir p >n . En eet, même si l'on dispose d'un seul
chire (1 par exemple), on peut former un code OM (qui serait naturellement 11111).
Remarque 1.1.3. Dans le langage courant, le mot arrangement renvoie à un arrangement sans
répétitions. Lorsqu'on veut faire référence à un arrangement avec répétition, l'expression p-liste est
souvent utilisée.
Propriétés 1.1.2. le nombre d'arrangements sans répétition de p objets pris parmi n est alors :
n!
Apn = .
(n − p)!
Explication :
Il y a n choix disponibles pour tirer le premier objet (que l'on range à la première position de la
séquence).
Pour le second objet à ranger à la deuxième position, il n'existe plus que n − 1 choix diponibles
car le premier objet ne peut plus être pris en compte. On parle de tirage sans remise.
Ainsi pour les p objets tirés parmi n, si p ≤ n, il y aura : Apn = n(n − 1)(n − 2)...(n − p + 1).
n!
Remarque 1.1.4. Apn = n(n − 1)(n − 2)....(n − p + 1) =
(n − p)!
Remarque 1.1.5. Apn n'est possible que si p ≤ n. On peut naturellement comprendre qu'en prenant
des oranges une à une dans un panier, il est impossible d'en prendre 10 alors que le panier n'en
contient que 6.
Rappel :
Si n ∈ N⋆ , on appelle factorielle n le nombre noté n! qui représente le produit des n premiers
entiers. Donc n! = 1 × 2 × 3 × ... × (n − 1) × n.
par convention car 0! = 1.
Exemple 1.1.5. Une assemblée de 15 personnes désire élire un bureau constitué d'un président, d'un
sécrétaire, d'un trésorier et d'un censeur. un s'accorde qu'il n'y a pas de cumul de fonctions. Combien
On dispose de 15 personnes pour choisir le président. Lorsque le président est choisi, on dispose
1.2 Permutations
Explication :
La permutation de n objets constitue un cas particulier d'arrangement sans répétition de p objets
n! n!
pris parmi n lorsque p = n. Ainsi le nombre de permutations de n objets est : Ann = = =
(n − n)! (0)!
n!.
Exemple 1.2.1. Le nombre de manières de placer 8 convives autour d'une table est : P8 = 8! = 40320
possibilités.
En eet, les permutations de k objets identiques sont toutes identiques et ne comptent que pour
une seule permutation.
Exemple 1.2.2. Considérons le mot CELLULE . Le nombre de mots possibles (avec ou sans
7!
signication) que l'on peut écrire en permutant ces 7 lettres est : Pn = 2!×3! = 420 mots possibles.
Ceci en considérant deux groupes de lettres identiques ; le L qui apparait 3 fois et le E qui apparait 2
fois.
1.3 Combinaisons
L'on parle généralement de combinaison lorsque les objets choisis dans un ensemble E ne sont pas
ordonés suivant un certain critère. Ainsi, dans une combinaison, l'on ne saurait parler de suite
ou séquence ordonnée comme cela est le cas dans un arrangement.
Propriétés 1.3.1. Le nombre de combinaisons de p objets sans répétitions pris parmi n est : Cnp =
Apn n!
=
p! (n − p)!p!
Explication : Pour calculer ce nombre, on utilise le principe de la division.
n!
Il y a Apn manières de tirer p objets parmi n en les ordonnant soit Apn = .
(n − p)!
Une fois les p objets tirés, il y a p! manières de les ordonner.
Ap n!
Il y a donc n
p! manières de tirer p objets parmi n sans les ordonner. D'où Cnp =
(n − p)!p!
Remarque 1.3.1. On a nécessairement p ≤ n, avec p, n ∈ N. Si p>n alors Cnp = 0.
Remarque 1.3.2. n
A la notation ancienne Cnp , on préfère parfois la notation moderne p . Les
Exemple 1.3.1. On désire choisir au hasard 15 étudiants de l'ESTLC parmi les 200 recrus pour
représenter cette école aux concours national des grands instituts de formation au Cameroun. De
Puisqu'il n'y a aucune distinction à eectuer entre les étudiants choisis (qui vont tous au même
15 200!
concours au même titre), alors le nombre de choix possibles est : C200 = ( Le soin est laissé
(185)!15!
à l'étudiant de terminer ce calcul.
Remarque 1.3.4. Le nombre d'éléments d'un ensemble E est appelé le cardinal de E . Il est noté
card(E) ou parfois |E|.
Probabilités
Introduction
Les probabilités vont nous servir à modéliser une expérience aléatoire, c'est-à-dire un phénomµene
dont on ne peut pas prédire l'issue avec certitude, et pour lequel on décide que le dénouement sera le
fait du hasard.
Exemples :
l'enfant à naître sera une lle
l'équipe de Bamboutos va battre Coton lors du prochain match qui les opposera
le dé va faire un nombre pair
La première tâche qui vous attend est de décrire les diérentes issues possibles de cette expérience
aléatoire. Puis on cherche à associer à chacune de ces issues un nombre compris entre 0 et 1 qui mesure
la chance qu'elles ont de se réealiser. Comment interpréter/xer ce nombre, appelle probabilité ? Il
existe plusieurs manières de voir.
Proportion : On lance un dé. Quelle est la probabilité de A="obtenir un chire pair" ? Chaque
face du dé a la même chance, et il y en a 6. Quant aux chires pairs, ils sont 3. D'où, intuiti-
vement la probabilité de A est : P (A) = 3
6 = 1
2
Fréquence : Un enfant est attendu. Quelle est la probabilité que ce soit une lle ? On a observé
un grand nombre de naissances. Notons fn le nombre de lles nées en observant n naissances.
kn
Alors la probabilité d'avoir une lle est : P (f ille) = lim . Mais cette limite a-t-elle un
n→+∞ n
sens ?
Opinion : Quelle est la probabilité pour que l'équipe du Cameroun gagne la coupe d'Afrique
des nations ? pour que le Real soit championne d'Europe ? Dans ce cas, on ne peut pas rejouer
le même match dans les mêmes conditions plusieurs fois. On peut considérer les qualités des
joueurs, des entraîneurs, les résultats de la saison... Mais le choix de la probabilité est forcément
subjectif.
Dénition 2.1.1. Une expérience aléatoire est une expérience dont on ne peut pas porévoir son
résultat (issue incertaine) et si, repétée dans des conditions identiques, elle peut donner des résultats
diérents.
globules blancs
Exemple 2.1.3. On eectue un contrôle sanguin sur un patient, et on s'interesse au taux de glycémie
Dénition 2.1.2. Une éventualité d'une expérience aléatoire est tout résultat possible de cette ex-
périence aléatoire.
Exemple 2.1.4. Dans le cas de l'exemple 2.1.1, Obtenir le chire 2 est une éventualité
Dénition 2.1.3. L'ensemble des éventualités d'une expérience aléatoire est appelé espace des pos-
sibles ou espace fondamental ou univers. On le note généralement Ω.
Exemple 2.1.5. Dans le cas de l'exemple 2.1.1, Ω = {1, 2, 3, 4, 5, 6, } ; dans celui de 2.1.2, Ω =
{1, 2, ..., n, ...} et dans celui de 2.1.3 Ω = [0; 15] (on delà de 15, on ne peut plus faire une prise de
sang)
On constate que pour une expérience aléatoire, l'univers peut être ni (toutes les éventualités
sont connues : cas de l'exemple 2.1.1) ou inni (toutes les éventualités ne sont pas connues : cas des
exemples 2.1.2 et 2.1.3).
Lorsque l'univers est inni, il peut être dénombrable (Si l'on peut numeroter les éventualités
connues comme à l'exemple 2.1.2) ou continu ( comme dans le cas de l'exemple 2.1.3).
2.1.2. Evènements
Dénition 2.1.4. évènement est un sous ensemble (ou une partie) de l'univers Ω. Une éven-
Un
rale, c'est l'évènement Obtenir un chire impair . L'évènement Obtenir un chire pair est
l'évènement contraire de A ; il est noté A se met sous forme d'ensemble comme suit A = {2, 4, 6}
Dénition 2.1.5. On appelle intersection de deux évènements A et B l'évènement qui est réalisé
si et seulement si A et B sont réalisés. Il est noté A∩B et est constitué des éventualité appartenant
à la fois à A et à B.
Dénition 2.1.6. Deux évènement A et B sont dits incompatibles ou disjoints lorsqu'ils ne peuvent
pas se réaliser au même moment. on écrit A ∩ B = ∅.
Dénition 2.1.7. On appelle réunion de deux évènements A et B l'évènement qui est réalisé si et
seulement si A est réalisé ou B est réalisé. Il est noté A∪B et est constitué des éventualité appartenant
soit à A soit à B.
Remarque 2.2.1. La dénition 2.2.1 implique que pour dénir une probabilité, on peut simplement
P (A) = 1 − P (A)
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
Si A et B sont incompatibles, P (A ∪ B) = P (A) + P (B)
Si A1 , A2 ,..., An sont des évènements deux à deux incompatibles, alors :
Remarque 2.2.2. Cette formule des probabilités combinatoires n'est valable que si les évènements
Exemple 2.2.1. Une urne contient 4 boules noires, 3 boule jaunes et 4 boules vertes, toutes indis-
cernables au toucher. On eectue au hazard un tirage simultané de 2 dans cette urne. Calculer la
A est l'évènement : Avoir deux boules rouges . L'analyse combinatoire nous permet de calculer :
Card(A) = C32 et
2
Card(Ω) = C11
Puisque les boules sont indiscernables au toucher et que le tirage est eectué au hasard, alors les
P (A ∩ B) = P (A) × P (B)
Exemple 2.2.2. Dans un jeu de 32 cartes, on extrait au hasard 1 carte. A est l'évènement obtenir un
As et B est l'évèvenement obtenir une carte rouge . Les évènements A et B sont-ils indépendants ?
Dans le jeu de carte, il y a 16 cartes rouges, 4 As parmi lesquels deux sont rouges. En appliquant
résultat d'une expérience n'a pas d'eet sur le résultat d'une autre), et si A1 est un évènement lié à
Exemple 2.2.3. Un jeu consiste à lancer une pièce de monnaie dont les côtés sont pile et face avec
3
P (pile) = 4 puis de tirer une boule dans une urne qui en contient 3 dont 2 rouges et 1 noire. Calculer
Dénition 2.2.3. Soient A et B deux évènements d'un univers Ω avec P (B) ̸= 0. On appelle pro-
babilité conditionnelle de l'évènement A sachant B encore noté A|B , le quotient :
P (A ∩ B)
P (A|B) = . Onte parfois PB (A) au lieu de P (A|B).
P (B)
On dénit ainsi une nouvelle probabilité sur Ω au sens de la dénition 2.2.1.
On remarquera que l'application PB est une probabilité signie en sous entendu qu'elle vérie
toutes les propriétés d'une probabilité qui ont déjà été données. Par exemple, PB (A) = 1 − PB (A).
P (A ∩ B)
Par ailleurs, l'écriture P (A|B) = conduit à P (A ∩ B) = P (A|B) × P (B).
P (B)
De plus, lorsque A et B sont indépendants, on a P (A|B) = P (A).
Théorème 2.2.2. (Formule des probabilités composées) Si A et B sont deux évènements d'un
univers Ω, alors :
Théorème 2.2.3. (Formule des probabilités totatles) Si les évènements A1 , A2 ,..., An forment
Introduction
Dans la plupart des phénomènes aléatoires, le résultat d'une épreuve peut se traduire par une
grandeur mathématique, très souvent représentée par un nombre entier ou un nombre réel. La
notion mathématique qui représente ecacement ce genre de situation concrète est celle de variable
aléatoire (notée également v.a.). Ainsi la somme des numéros obtenus lors du lancé de deux dés, le
nombre de boules rouges obtenus lors d'un tirages de boules dans une urne qui en contient plusieurs
de diérentes couleurs sont des exemples de variables aléatoires.
Exemple 3.1.1. On lance deux fois de suite un dé et on obtient un couple (i, j). L'application X qui
Exemple 3.1.2. Une urne contient 2 boules blanches et 3 boules noires. On tire simultanément 2
boules de cette urne. A chaque tirage on associe le nombre de boules noires obtenus ; on dénit ainsi
appelle univers image, l'ensemble des valeurs que peut prendre la variable aléatoire X . L'univers
image est noté X(Ω).
Pour le cas de l'exemple 3.1.1, X(Ω) = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} et pour le cas de l'exemple
3.1.2, X(Ω) = {0, 1, 2}.
Une variable aléatoire est caractérisée par l'ensemble des valeurs qu'elle peut prendre et par l'ex-
pression mathématique de la probabilité de ces valeurs. Cette expression s'appelle la loi de probabilité
(ou distribution de probabilité) de la variable aléatoire.
La loi de probabilité d'une variable aléatoire discrète est entièrement déterminée par les probabilités
pi des évènements X = xi , xi parcourant l'univers image X(Ω) . La loi de probabilité est donnée par
les (xi , pi )i .
Remarque 3.1.1. Lorsqu'on demande la loi de probabilité d'une variable aléatoire, on demande de
préciser l'univers image puis de calculer pour chaque valeur de l'univers image, la probabilité que la
simplement pi
xi 0 1 2
1 6 3
P (X = xi )
10 10 10
Table 3.1 Loi de probabilité de l'exemple 3.1.2
Remarque 3.1.2. La somme des probabilités dans une loi de probababilité est toujours égale à 1.
que :
FX : R → R
t 7−→ FX (t) = P (X < t)
l'exemple 3.1.2.
Dans le cas d'une variable aléatoire discrète, on utilise une fonction escalier pour visualiser la fonction
de répartition, voir la Figure 3.1 ci-dessous.
Une loi de probabilité peut être caractérisée par certaines valeurs typiques correspondant aux
notions de valeur centrale, de dispersion et de forme de distribution. Il s'agit notamment de l'espérance
mathématique et de la variance.
Dénition 3.1.4. Si X est une variable aléatoire discrète dénie sur un univers Ω on appelle espé-
P
rance de X, le réel déni par : E(X) = ω∈Ω X(ω)P (ω)
Théorème 3.1.1. Si X est une variable aléatoire discrète de loi de probabilité (xi , P (X = xi ))i dénit
Exemple 3.1.5. Revenons à l'exemple 3.1.2 que nous utilisé pour illustrer les notions. La loi de
probabilité est déjà donnée sous forme de tableau. On peut donc calculer l'espérance mathématique de
la sorte :
1 6 3 12 6
E(X) = 0 × +1× +2× = = .
10 10 10 10 5
Propriétés de l'espérance Mathématiques Si X et Y sont deux variables aléatoires dénies
sur un même univers Ω, admettant chacune une espérance, alors :
E(X + Y ) = E(X) + E(Y )
E(aX) = aE(X), Pour tout nombre réel a
Si X ≥ 0 alors E(X) ≥ 0
Si X est un caractère constant tel que : ∀ω ∈ Ω, X(ω) = k alors E(X) = k.
Dénition 3.1.5. Si X est une variable aléatoire ayant une espérance E(X), on appelle variance de
Théorème 3.1.2. Si X est une variable aléatoire discrète de loi de probabilité (xi , P (X = xi ))i dénit
Remarque 3.1.3. Pour faire simple, lorsqu'on veut calculer la variance d'une variable aléatoire x,
on clacule d'abord :
Xn
E(X 2 ) = x2i × P (X = xi ) = x21 × P (X = x1 ) + x22 × P (X = x2 ) + ... + x2n × P (X = xn ) puis on
i=1
2 2
calcule V (X) = E(X ) − (E(X))
6
Exemple 3.1.6. Reprenons l'exemple 3.1.2. On sait déjà que E(X) = .
5
n
X 1 6 3 18 9
E(X 2 ) = x2i × P (X = xi ) = 02 × + 12 × + 22 × = = .
i=1
10 10 10 10 5
9 9 9
Ainsi, V (X) = − ( )2 = .
5 5 25
Exemple 3.2.1. Lorsqu'on lance une pièce de monnaie en observant la face supérieure, on a que
deux éventualités : soit on a la côté pile soit on a la côté face. C'est donc une épreuve de Bernoulli.
Exemple 3.2.2. Lorsqu'on choisit au hasard un étudiant dans un amphi et qu'on s'interesse à son
genre, on a que deux éventualités : Soit l'étudiant est de sexe masculin soit il est de sexe féminin.
Dénition 3.2.2. En repetant plusieurs fois la même épreuve de Bernoulli dans les même conditions,
Par exemple lancé 8 fois la même pièce de monnaie et observer à chaque fois la face supérieure est
Soit X la variable aléatoire qui représente le nombre fois qu'on obtient le succès lorsqu'on repète
une épreuve de Bernoulli n fois.
Si l'on suppose que la probabilité du succès est le nombre p, alors on dit que X suit une loi binomiale
de paramµetres n et p ou simplement (n; p) et on note X ∼ B(n; p).
Cette loi est donnée par la formule :
P (X = k) = Cnk P k (1 − p)n−k
Exemple 3.2.3. Quelle est la probabilité d'obtenir le côté pile 3 fois lorsqu'on lance une pièce de
Réponse :
1
La probabilité d'obtenir le côté pile lors d'un lancé est p= .
2
L'expérience est repetée n=8 fois.
Statistique descriptive
Introduction
La statistique est une méthode scientique qui consiste à réunir des données chirées sur des
ensembles nombreux, puis à analyser, à commenter et à critiquer ces données. Il ne faut pas confondre
la statistique qui est la science qui vient d'être dénie et une statistique qui est un ensemble de données
chirées sur un sujet précis.
Les premières statistiques correctement élaborées ont été celles des recensements démographiques.
Ainsi le vocabulaire statistique est essentiellement celui de la démographie.
Exemple 4.1.1.
Si la population P est l'ensemble des étudiants de la première promotion de l'ESTLC, un
Si la population P est l'ensemble des jours du mois de septembre 2023, chaque jour de ce mois
Dénition 4.1.2. Soit P une population. On appelle variable statistique (ou caractère) une quan-
tité ou qualité d´enie sur P susceptible de varier d'un individu à l'autre. On appelle modalitàs les
On distingue :
les variables qualitatives pour lesquelles les modalités ne sont pas objectivement comparables ;
les variables quantitatives (ou ordinales) dont les modalités sont mesurables et comparables
deux à deux.
les variables quantitatives discrètes dont les valeurs possibles sont isolées ;
les variables quantitatives continues pouvant prendre toutes les valeurs contenues dans un
intervalle.
Notation :
Les variables statistiques sont désignées par des lettres majuscules, généralement X ou Y .
Exemple 4.1.2.
Si la population P est l'ensemble des étudiants de la promotion, une variable statistique peut
être la couleur des yeux (variable qualitative) ou son âge (variable quantitative discrète).
Si la population P est l'ensemble des jours de septembre 2023, une variable statistique peut
être la hauteur totale des précipitations journalières relevées à Ambam (variable quantitative
continue).
Exemple 4.2.1. Une enquête réalisée auprès d'une population de 100 femmes de 40 ans a recensé le
nombre d'enfant(s) de chacune. Les résultats obtenus sont regroupés dans le tableau ci-dessous
Modalités (xi ) 0 1 2 3 4 5 6
Eectifs (ni ) 9 28 32 24 4 2 1
k=1
i
Ni
La Fréquence Cumulée Croissante (FCC) Fi =
X
fk = f1 + f2 + ... + fi =
N
k=1
Reprenons l'exemple 4.2.1 et complétons ce tableau par les éléments donnés ci-dessus.
Modalités (xi ) 0 1 2 3 4 5 6
Eectifs (ni ) 9 28 32 24 4 2 1
Fréquences (fi ) 0,09 0,28 0,32 0,24 0,04 0,02 0,01
ECC (Ni ) 9 37 69 93 97 99 100
FCC (Fi ) 0,09 0,37 0,69 0,93 0, 97 0,99 1
On observe dans ce cas une traine (ou queue de distribution) étalée vers la droite.
F : R −→ [0; 1]
t 7−→ F (t) = P [X ≤ t]
Proposition 4.2.1. Soit X une variable statistique discrète dont les modalités sont x1 , ...., xr .
La fonction de répartition F de X est croissante, en escalier telle que :
0, si t ≤ x1
F (t) = Fi , si xi ≤ t ≤ xi+1
1, sit ≥ Xr
On a :
P [X > t] = 1 − P [X ≤ t] = 1 − F (t),
P [t1 < X ≤ t2 ] = P [X ≤ t2 ] − P [X ≤ t1 ] = F (t2 ) − F (t1 )
, P [X = xi ] = fi et P [X = t] = 0 si t∈
/ {x1 , ..., xr },
P [X < t] = P [X ≤ t] − P [X = t]
Dénition 4.2.2. Parlant des paramètres (caractéristiques) de position, il s'agit principalement des
notions de :
moyenne
r
arithmétique notée X telle que :
X
ni xi r
i=1 n1 x1 + n2 x2 + ... + nr xr X
X= = = fi xi
N N
mode qu'on
i=1
dénit comme toute modalité xi dont l'eectif
est maximal parmi tous les eectifs
Mediane qu'on dénit comme toute valeur me telle que P [X ≤ me] ≥ 0, 5 et P [X ≥ me] ≥ 0.5.
Quantile d'ordre p ∈]0; 1[ qu'on dénit comme toute valeur qp telle que P [X ≤ qp ] ≥ qp et
P [X ≥ qp ] ≥ 1 − p.
Remarque 4.2.1.
La notion de médiane correspond au quantile d'ordre 0, 5
Les quantiles d'ordre 0, 25 et 0, 75 sont respectivement appelés premier et troisième quartiles,
on note parfois Q1 et Q3
Les quantiles d'ordre 0, 1 et 0, 9 sont respectivement appelés premier et neuvième déciles.
9 × 0 + 28 × 1 + 32 × 2 + 24 × 3 + 4 × 4 + 2 × 5 + 1 × 6
X= = 1, 96
100
Le mode est 2 (l'eectif correspondant est 32 qui est maximal)
des notions de :
Etendu = x7 − x1 = 6 − 0 = 6
Etendue inter-quartiles = q0,75 − q0,25 = 3 − 1 = 2
9 × (0 − 1, 96)2 + ... + 1 × (6 − 1, 96)2
V (X) = ≃ 1, 3784
√ 100
σ = √1, 3784 ≃ 1, 1741
1, 3784
cv = ≃ 0, 5990
1, 96
9 × |0 − 1, 96| + ... + 1 × |6 − 1, 96|
EAM = = 0, 8904
100
classe.
En règle générale, on choisit des classes de même amplitude. Pour que la distribution en fréquence
est un sens, il faut que chaque classe comprenne un nombre susant de valeurs (ni ). Diverses formules
empiriques permettent d'établir le nombre de classes pour un échantillon de taille n.
La règle de STURGE : Nombre de classes = 1 + (3, 3logn)
√
La règle de YULE : Nombre de classes = 2, 5 4 n.
L'intervalle entre chaque classe est obtenu ensuite de la manière suivante :
Xmax − Xmin
Intervalle de classe = ;
Nombre de classes
avec Xmax et Xmin, respectivement la plus grande et la plus petite valeur de X dans la série statis-
tique.
A partir de Xmin on obtient les limites de classes ou bornes de classes par addition successive de
l'intervalle de classe. En règle général, on tente de faire coïncider l'indice de classe ou valeur centrale
de la classe avec un nombre entier ou ayant peu de décimales.
Les grands changements par rapport au cas quantitatif discret sont les suivant :
On n'a pas des modalités isolées xi mais des classes ]bi−1 , bi ]. Ces classes peuvent être d'égales
amplitudes ou d'amplitudes diérentes ; l'amplitude de la classe Ci =]bi−1 , bi ] étant donnée par
le nombre ai = bi − bi−1 .
La fonction de répartition est continue et P [X = t] = 0 pour tout t
En supposant les données r´eparties uniformément dans chaque classe, on choisira comme
représentant d'une classe son centre pour le calcul de certains paramètres. le centre de la
bi−1 + bi
classe Ci =]bi−1 , bi ] est donnéé par le nombre ci = .
2
Les autres éléments (fréquences, ECC, ...) se calculent de la même façon que dans le cas des caractères
quantitatifs discrèts.
Exemple 4.3.1. Durant le mois de Septembre 2023, on a relevé la hauteur totale des précipitations
Hauteur des précipitations (en mm) [0 ;1[ [1 ;3[ [3 ;6[ [6 ;9[ [9 ;14[
Nombre de jours (ni ) 17 5 5 2 2
Amplitude des classes (ai ) 1 2 3 3 5
Centre des classes (ci ) 0,5 2 4,5 7,5 11,5
Fréquences (fi ) 0,55 0,16 0,16 0,06 0,06
ECC (Ni ) 17 22 27 29 31
FCC (Fi ) 0,55 0,71 0,87 0,94 1
Sur l'histogramme des ci-dessus, on observe une traine (ou queue de distribution) étalée vers la
droite.
On peut également représenter graphiquement l'un des polygones des eectifs cumulés. Le polygone
des ECC est une ligne brisée qui relie des points dont l'abscisse est la borne supérieure de la classe
correspondante et l'ordonnée est l' ECC de la classe correspondante. Le polygone des ECC associé à
l'exemple 4.3.1 est donné par la Figure 4.3 ; il a été construit en utlisant les points du tableau :
Moyenne arithmétique :
r
X
ni ci r
i=1 n1 c1 + n2 c2 + ... + nr cr X
X= = = fi ci
N N i=1
Classe modale : toute classe ayant une densité maximale, parmi toutes les densités.
Médiane : c'est l'unique nombre M e tel que P [X ≤ M e] = 0, 5 ; sur le polygone des ECC,
la médiane correspond à l'abscisse du point dont l'ordonnée est la moitié de l'eectif total.
Cette caractérisation permet de déterminer la médiane par une méthode appelée interpolation
linéaire.
Quantile d'ordre p ∈]0, 1[ : l'unique valeur qp telle que : P [X ≤ qp ] = p
eectifs cumulés croissanrs, On connait l'ordonnée de la médiane, qui est la moiyié de l'eectif total
31
(dans le cas précis, 2 = 15, 5). Le tableau ci-après donne un apperçu de ce que l'on cherche. Ainsi,
l'interpolation est faite avec les points A(0; 0) ; B(M e; 15, 5) et C(1; 17). La formule à poser est donc :
Me − 0 15, 5 − 0 15, 5 31
= ; donc Me = = ≃ 0, 9117647
1−0 17 − 0 17 34
Etendu = b5 − b0 = 14 − 0 = 14
V (X) ≃ 9, 71540
√
σ = 9, 71540 ≃ 3, 11695
cv ≃ 1, 22310
suivant :
Taille (x) 155 162 157 170 164 162 169 170 178 173 180 175 173 175 179
Poids (y ) 60 61 64 67 68 69 70 70 72 73 75 76 78 80 85
Le nuage de points associé à cette série double est donnéé par la FIGURE 4.4 :
Remarque 4.4.1. Chacun des caractères X et Y forme une serie statistique simple (à une variable)
que l'on peut étudier comme cela a déjà été vu au cas des caractères quantitatifs discrèts. On les
appelle séries marginales de la serie double ; leurs paramètres sont donc dits marginaux (moyennes
Covariance
Dénition 4.4.1. La covariance d'une série statistique bivariée d'eectif total N est notée Cov(X, Y )
et dénie par :
N
X N
X
(xi − X)(yi − Y ) xi yi
i=1 i=1
Cov(X, Y ) = = −X ×Y.
N N
Remarque 4.4.2.
La covariance peut prendre des valeurs positives, négatives ou nulles.
Coecient de corrélation
Dénition 4.4.2. Le coecient de corrélation noté r est la covariance divisée par les deux écart-types
marginaux :
Cov(X, Y )
r= .
σX × σY
Le coecient de détermination est le carré du coecient de corrélation :
Remarque 4.4.3. Le coecient de corrélation mesure la dépendance linéaire entre deux variables :
(dépendance positive).
Si le coecient de corrélation est négatif, les points sont alignés le long d'une droite décroissante
(dépendance négative).
Si le coecient de corrélation est nul ou proche de zéro, il n'y a pas de dépendance linéaire.
On peut cependant avoir une dépendance non linéaire avec un coecient de corrélation nul.
3
Généralement la dépendandence linéaire est considérée à partir de r≥ .
4
Le coecient de détermination est compris entre 0 et 1
La droite de régression est la droite qui ajuste au mieux un nuage de points au sens des moindres
carrés. On considère que la variable X est explicative et que la variable Y est dépendante. L'équation
de la droite de regression de Y en X est :
Cov(X, Y )
y = ax + b où a = et b = Y − aX .
V (X)
Remarque 4.4.4. La droite de régression de Y en X n'est pas la même que la droite de régression
X = 169, 467
X = 71, 2
p
σX = V (X) = 7, 60585
p
σY = V (Y ) = 6, 69527
Covariance : 42,9067
Exemple 4.4.3. On s'intéresse à une éventuelle relation entre le genre de 200 personnes et la couleur
des yeux.
Table 4.1 Tableau des eectifs d'une série double à deux caractères qualitatifs
La lecture de ce tableau est assez facile. par exemple voir que des 200 personnes, il y a :
au total 80 hommes et 120 femmes
30 personnes au total ont des yeux bleus
40 femmes ont des marrons.
On peut également preférer un tableau des fréquences à celui des eectifs. Le tableau de fréquences
s'obtient en divisant tous les eectifs par le nombre total d'individus : Le tableau ci-dessus est obtenu
Table 4.2 Tableau des fréquences d'une série double à deux caractères qualitatifs
Table 4.4 Tableau des fréquences d'une série double à deux caractères qualitatifs
suivante :
Pour Chaque case, on multiplie l'eectif total de la ligne correspondant à cette case par l'eectif total
de la colonne correspondant à cette case ; ce résultat est ensuite divisé par l'eectif total de la série
double.
Pour le cas de notre exemple, le tableau des eectifs théoriques est donné ci-dessous.
un nouveau tableau où l'on porte sur chaque case, le rapport entre le carré de l'écart à l'indépendance
(écart à l'indépendance)2
et l'eectif théorique ( ).
eectif théorique
La dépendance du tableau se mesure au moyen du khi-carré noté χ2obs déni par le total des
(écart à l'indépendance)2
totaux dans le tableau . comme le montre le tableau ci-dessous Le khi-carré
eectif théorique
peut être normalisé pour ne plus dépendre du nombre d'observations.Ondénit le phi-deux par :
χ2obs
Φ2 = . Le Φ2 ne dépend plus du nombre d'observations. Il est possible de montrer que Φ2 est
N
inférieur ou égal au plus petit nombre entre le nombre de lignes du tableau −1 et le nombre de colonnes
du tableau −1. Si l'on désigne par min ce nombre, le V de Cramer est déni par :
(écart à l'indépendance)2
Table 4.7 Tableau des
eectif théorique
r
Φ2
V = .
min
et 4 desserts ?
Exercice 2. Une femme a dans sa garde-robe 4 jupes, 5 chemisiers et 3 vestes. Elle choisit au hasard
p-listes
Exercice 3. Un questionnaire à choix multiples, autorisant une seule réponse par question, comprend
Exercice 4. En informatique, on utilise le système binaire pour coder les caractères. Un bit (binary
digit : chire binaire) est un élément qui prend la valeur 0 ou la valeur 1. Avec 8 chires binaires (un
Exercice 5. Combien peut-on former de numéros de téléphone à 8 chires ? Combien peut-on former
Arrangements
Exercice 6. A l'occasion d'une compétition sportive groupant 18 athlètes, on attribue une médaille
d'or, une d'argent, une de bronze. Combien y-a-t-il de distributions possibles (avant la compétition,
bien sûr. . .) ?
Exercice 7. Un groupe d'élèves de GLTCO 1 constitue le bureau de l'association " Bal des Débutants :
le succès ". Ce bureau est composé d'un président, d'un secrétaire et d'un trésorier. Combien y a-t-il
Exercice 8. Un clavier de 9 touches permet de composer le code d'entrée d'un immeuble, à l'aide
Permutations et anagrammes
Exercice 9. Le groupe des étudiants de GLTCO 1 doit s'inscrire à un concours de logistique. Il faut
établir une liste de passage. Combien y a-t-il de manières de constituer cette liste ? ( il y a 24 élèves
dans la classe )
Exercice 11. Les nombres 5, -1 et 3 constituent la solution d'un système de trois équations à trois
inconnues. Donner tous les triplets diérents qui peuvent être la solution de ce système
Exercice 12.
1. Dénombrer les anagrammes du mot PATRICE
2. Dans chacun des cas suivants, dénombrer les anagrammes du mot PATRICE :
Exercice 13.
1. Combien peut-on réaliser de mots de n lettres comportant k lettres se répétant p1 , p2 ,..., pk fois ?
Combinaisons
Exercice 14. Un groupe de 3 étudiants de GLTCO 1 doit aller chercher des livres à la bibliothèque.
Exercice 15. Dans une classe de 32 élèves, on compte 19 garçons et 13 lles. On doit élire deux
délégués
Exercice 16. Au service du personnel, on compte 12 célibataires parmi les 30 employés. On désire
faire un sondage : pour cela on choisit un échantillon de quatre personnes dans ce service.
4.6 Probabilités
Exercice 17. Une urne contient 12 boules : 3 rouges, 4 bleues et 5 jaunes. On tire simultanément 3
Exercice 18. De 25 calculatrices, 5 ont un défaut. On en choisit 4 de manière aléatoire. Quelle est
Exercice 19. On sélectionne un échantillon ordonné de taille 3 d'un ensemble de 26 jetons sur lesquels
Exercice 20. Un comité de 5 personnes doit être choisi parmi 20 hommes et 5 femmes, quelle est la
probabilité
Exercice 21. Dans une classe de 36 élèves, il y a 15 garçons. 25 % des élèves sont des lles qui font
de la musique. Parmi les garçons, 20 % font de la musique. On choisit un élève au hasard dans cette
classe. M est l'événement "l'élève choisi fait de la musique" et G l'événement "l'élève choisi est un
garçon".
1. Traduire avec les notations des probabilités et les événements M et G, les informations de cet
énoncé.
Exercice 22. Une boîte contient 30 caramels et 20 nougats. On choisit deux bonbons au hasard,
1. Quelle est la probabilité que le deuxième bonbon choisi soit un caramel sachant que le premier
était un nougat ?
2. Quelle est la probabilité que le deuxième bonbon choisi soit un nougat sachant que le premier
était un nougat ?
Exercice 23. Un maraîcher propose trois sortes de poivrons à la vente : des rouges, des verts et des
jaunes. Les poivrons rouges forment 60 % de son stock, les poivrons verts 15 % et le reste est constitué
de poivrons jaunes. 2 % des poivrons rouges sont abîmés ainsi que 1 % des poivrons verts et 0 ; 5 %
1. Quelle est, arrondie au millième, la probabilité que le poivron tiré au hasard soit abîmé ?
2. Le poivron choisi est abîmé. Calculez une valeur approchée de la probabilité qu'il soit rouge.
xi 1 2 3 4 5 6
P {X = xi } a 2a 3a 3a a a
a ∈ R;
Exercice 25. Dans une population de 3000 individus, 1470 ont un groupe sanguin du type O, 1140
ont le type A, 300 le type B et le reste le type AB. Soit X la V.A. qui associe à chaque individus la
Exercice 26. Une usine fabrique des composants électroniques. La probabilité qu'un composant soit
défectueux 0,05. On considère un échantillon de 200 objets. Soit X la variable aléatoire qui compte le
Exercice 27. Un examen du type Q.C.M. comporte 20 questions, chacune des questions ayant 4
choix dont une est juste. Un étudiant qui ignore complètement son cours, il coche au hasard. Soit X
la variable aléatoire égale au nombre de bonnes réponses trouvées :
2. Quelle est la probabilité que cet étudiant rate toutes les questions ?
4. Quelle est la probabilité que cet étudiant donne au plus 2 réponses justes ?
4.8 Statistique
Exercice 28. On dispose des résultats d'une enquête concernant les loyers annuels des appartements
1. Compléter le tableau statistique (valeurs centrales, eectifs cumulés, fréquence, fréquences cu-
mulés)
2. Déterminez les valeurs de tendance centrale de la distribution : moyenne, mode et les quartiles.
interquartile.
xi 2 5 6 10 12
yi 83 70 70 54 49
1. Calculer la covariance,
Exercice 30. Un échantillon aléatoire de 1367 diplômes d'université, délivrés en 1984, a donné la
répartition suivante :
p-listes
Corrigé 3. Une réponse à ce QCM peut être désignée par une 15-liste de 15 chires choisis dans
l'ensemble Ω = {1; 2; 3; 4}. Le nombre de ces 15-listes est donc de cardinal (Card(Ω))15 = 415
Corrigé 4. En informatique, on utilise le système binaire pour coder les caractères. Un bit (binary
digit : chire binaire) est un élément qui prend la valeur 0 ou la valeur 1. Avec 8 chires binaires
(un octet), combien de caractères peut-on coder ? Un octet est une 8-liste d'éléments choisis dans
l'ensemble Ω = {0; 1}. L'ensemble de ces 8-listes est donc de cardinal (Card(Ω))8 = 28 = 256 Avec
Corrigé 5. Un numéro de téléphone à 8 chires est une 8-liste d'éléments choisis dans l'ensemble
Ω = {0; 1; 2; 3; 4; 5; 6; 7; 8; 9}. L'ensemble de ces 8-listes est donc de cardinal (Card(Ω))8 = 108 On
peut ainsi former 108 numéros de téléphone à 8 chires Un numéro de téléphone à 8 chires ne com-
portant pas le chire 0 est une 8-liste d'éléments choisis dans l'ensemble Ω′ = {1; 2; 3; 4; 5; 6; 7; 8; 9}.
L'ensemble de ces 10-listes est donc de cardinal (Card(Ω′ ))8 = 98 = 43046721 On peut ainsi former
Arrangements
Corrigé 6. Un tel podium est un arrangement de 3 athlètes choisis parmi l'ensemble des 18 athlètes
(l'ordre compte et il ne peut y avoir de répétition, un athlète ne pouvant remporter deux médailles
trois élèves. En eet, le choix (Pierre, Paul, Jacques) est diérent de (Paul, Pierre, Jacques), car dans
le premier cas, c'est Pierre qui est président, alors que c'est Paul dans le deuxième cas) Un bureau
est donc un arrangement de 3 élèves choisis parmi l'ensemble des 24 élèves. Il existe donc :
24! 24!
A324 = = = 24 × 23 × 22 = 12144 bureaux diérents
(24 − 3)! 21!
Corrigé 8. 1. Un code est un élément du produit cartésien entre un élément de l'ensemble {A; B; C},
de cardinal 3, et de l'ensemble des 3-listes d'éléments de {1; 2; 3; 4; 5; 6}, de cardinal 63 = 216 Il
3
y a donc 3 × 6 = 3 × 216 = 648 codes possibles
2. Si le code ne doit pas contenir de chire 1, alors les 3-listes sont constituées d'éléments de
{2; 3; 4; 5; 6}. Il y en a donc 53 = 125, et le nombre de codes vaut alors 3 × 53 = 3 × 125 = 375
3. Le contraire de le code contient au moins une fois le chire 1 est le code ne contient aucun
chire 1 Le nombre de codes contenant au moins une fois le chire 1 est donc égal au nombre
total de codes diminué du nombre de codes ne contenant pas le chire 1. Ces deux nombres ayant
été calculés dans les deux questions précédentes, on conclut que le nombre de codes contenant au
Permutations et anagrammes
Corrigé 9. Une liste de passage des 24 élèves est une permutation des 24 éléments de l'ensemble
Corrigé 10. L'ordre dans lequel on énonce le triplet solution est important. Le nombre de triplets
Corrigé 11. Le mot MATH étant vu comme une liste ordonnée des 4 lettre (M,A,T,H), un
anagramme du mot MATH est une permutation de ces quatre lettres. Il y en a donc 4! = 24. Il y
Corrigé 12.
1. Il y a 7! = 5040 anagrammes du mot PATRICE
2.
(a) Pour constituer un mot commençant et nissant par une consonne, il faut d'abord choisir
les deux consonnes parmi les quatre que contient ce mot. L'ordre est important car un mot
commençant par P et nissant par T n'est pas identique à un mot commençant par T et
nissant par P. Il y a donc A24 = 12 choix possibles. Une fois ce choix eectué, il reste
5! = 120 façons de permuter les 5 autres lettres. Il aura donc : A24 × 5! = 12 × 120 = 1440
anagrammes du mot PATRICE commençant et nissant par une consonne.
(b) Suivant le même raisonnement, il aura A23 × 5! = 720 anagrammes du mot PATRICE
(c) Pour constituer un mot commençant par une consonne et nissant par une voyelle, il faut
d'abord choisir le couple (consonne,voyelle), qui est un élément du produit cartésien entre
l'ensemble des consonnes et l'ensemble des voyelles. Il y aura donc 4 × 3 = 12 tels choix
Une fois ce choix eectué, il y aura 5! = 120 façons de permuter les 5 autres lettres. Il aura
(d) La consonne et la voyelle gurant à l'extrémité du mot jouant des rôles parfaitement symé-
Corrigé 13.
1. Une anagramme d'un mot de n lettres est une permutation des n éléments de ce mot. Il y en
a donc, a priori n! Mais si un groupe de lettres se répète p1 fois au sein de ce mot, alors les
permutations de ces p1 lettres, qui sont au nombre de p1 ! ne changent pas le mot, de sorte que
l'on a compté, dans les n! anagrammes, p1 ! fois trop d'anagrammes. Il faut donc diviser n!
par p1 ! pour ne pas compter trop d'anagrammes. On procède de même avec le deuxième groupe
Combinaisons
Corrigé 14. L'ordre dans lequel on choisit les 3 élèves n'a, ici, pas d'importance. En eet, que l'on ait
choisi dans cet ordre (Pierre, Paul, Jacques) ou (Paul, Pierre, Jacques), c'est l'ensemble constitué
de ces trois élèves qui devra aller chercher les livres au CDI. Ces deux choix sont donc identiques.
La désignation de ces trois élèves correspond donc à un choix simultané (sans ordre, sans répétition
3 24!
possible) de 3 élèves parmi 24. Il y a donc : C24 = = 2024 choix diérents
(24 − 3)!3!
Corrigé 15. Les délégués sont choisis sans ordre
2
1. Les choix simultanés de 2 délégués parmi les 32 élèves sont au nombre de C32 = 496
2. Si on impose d'avoir un garçon et une lle, alors le choix des deux délégués est un élément du
l'ensemble des choix simultanés de 1 délégué parmi les 19 garçons, soit 19 choix
l'ensemble des choix simultanés de 1 délégué parmi les 13 lles, soit 13 choix
3. Si on impose d'avoir 2 garçons comme délégués, le nombre de choix des deux délégués est donc
2
réduit au nombre de choix de 2 délégués parmi les 19 garçons, au nombre de C19 = 171
Corrigé 16.
1. Le nombre de d'échantillons diférents est égal au nombre de choix de 4 personnes parmi les 30,
4
soit : C30 = 27405
contenant au moins un célibataire est égal au nombre total d'échantillons diminué du nombre
d'échantillons ne contenant aucun célibataire. Ces deux nombres ayant été déterminés dans les
4.10 Probabilités
Corrigé 17. Il ne faut pas perdre de vue que chacune des boules a exactement la même chance d'être
1. Intuitivement il y a une seule possibilité de choisir 3 boules rouges parmi 3, cela se traduit
mathématiquement par C33 = 1. Donc la probabilité étant dénie par le nombre de cas favorables
1
divisé par le nombre de cas possibles on obtient P (A) =
220
2. Le nombre de façons diérentes de tirer une boule rouge est de 3, une bleue de 4 et une jaune
C31 × C41 × C51 3×4×5
de 5 donc la probabilité cherchée est P (B) = = =
220 220
3. Cela implique que l'on peut avoir soit :
4. On pourait suivre le même raisonnement que sous c) mais il est plus simple de se convaincre
que l'événement "avoir au moins une boule rouge" est l'événement complémentaire de "n'avoir
136
aucune boule rouge" donc d'après les propriétés de probabilités, P (D) = 1 − P (C) =
220
5. "Au moins une des trois boules est bleue" signie que l'on peut avoir 1, 2 ou 3 boules bleues.
Il est parfois plus simple de calculer la probabilité l'événement complémentaire "ne pas avoir de
3
1. L'ordre n'importe pas ici, l'ensemble fondamental aura donc C26 = 2600 éléments et le cardinal
3 1140 57
de l'ensemble qui nous intéresse est C20 = 1140. De ce fait la probabilité sera P1 = =
2600 130
3
2. l'ordre n'importe pas non plus ici, l'ensemble fondamental aura C26 = 2600 éléments et l'en-
20 1
semble qui nous intéresse C63 = 20. De ce fait la probabilité sera P2 = =
2600 130
3. dans le mot "moi" l'ordre a de l'importance, le nombre d'arrangements de 3 lettres que l'on peut
faire avec ces 26 jetons est A326 = 150600. Le mot "moi" étant l'un de ces arrangements, on
alaors :
1
P3 =
150600
1 1
4. P4 = 3 = = P3 × 3!
C26 2600
Corrigé 20. Le nombre de possibilités totales de former un comité de 5 personnes parmi 25
5
C25 =
530130..
1. Il n'y a qu'une seule manière de choisir 5 femmes parmi 5, car C55 = 1. La probabilité de
1
l'événement est
530130
4
2. Il y a C20 × C51 de choisir 4 hommes et 1 femme. La probabilité cherchée est alors :
C20 × C51
4
5 .
C25
Corrigé 21.
15
1. P (G) =
36
25
P (M ∩ G) =
100
20
PG (M ) = P (M |G) =
100
P (G ∩ M P (G ∩ M 0, 25 3
2. PG (M ) = = = =
P (G) 1 − P (G) 1 − 15
36
7
Corrigé 22.
1. Si au premier tirage le bonbon était un nougat, alors au deuxième tirage, la boîte est composée
30
de 30 caramels et de 19 nougats. La probabilité cherchée est donc : .
49
19
2. Un raisonnement analogue à celui ci-dessus permet de dire que la probabalité cherchée est :
49
Corrigé 23.
1. D'après la formule des probabilités totales, on a :
P (A) = P (A ∩ R) + P (A ∩ V ) + P (A ∩ J)
P (A) = P (A|R) × P (R) + P (A|V ) × P (V ) + P (A|J) × P (J)
P (A) = 0, 6 × 0, 02 + 0, 15 × 0, 01 + 0, 25 × 0005
P (A) = 0, 01475 ≃ 0, 015
P (R ∩ A) P (A|R) × P (R) 0, 6 × 0, 2
2. PA (R) = = = = 0, 8
P (A) P (A) P (0, 015)
ont le type A, 300 le type B et le reste le type AB. Soit X la variable aléatoire qui associe à chaque
X(Ω) = {0; 1; 2; 3}
xi 0 1 2 3
1470 1140 300 90
P {X = xi } = 0, 49 = 0, 38 = 0, 1 = 0, 03
3000 3000 3000 3000
2.
Corrigé 26. Une usine fabrique des composants électroniques. La probabilité qu'un composant soit
défectueux 0,05. On considère un échantillon de 200 objets. Soit X la variable aléatoire qui compte le
X(Ω) = {0, 1, 2, ..., 200} et X ∼ B(n = 200; p = 0, 05). Ainsi, Pour tout k ∈ {0, 1, 2, ..., 200},
k
P {X = k} = C200 (0, 05)k (0, 95)200−k
Corrigé 27. Un examen du type Q.C.M. comporte 20 questions, chacune des questions ayant 4 choix
dont une est juste. Un étudiant qui ignore complètement son cours, il coche au hasard :
1. Donnons la loi de X.
1
X(Ω) = {0, 1, 2, ..., 20}. X suit la loi binomiale de paramètres n = 20 et p= = 0, 25 ; on écrit
4
k
alors X ∼ B(20; 0, 25). Ainsi, Pour tout k ∈ {0, 1, 2, ..., 20}, P {X = k} = C20 (0, 25)k (0, 75)20−k
4.12 Statistique
Corrigé 28.
1. Completons le tableau :
Montant du loyer (× 1000) Eectifs Centre (ci ) ECC Fréquences (fi ) FCC fi × ci densité (di )
[4 ;6[ 20 5 20 0.,1 0,1 0,5 10
[6 ;8[ 40 7 60 0,2 0,3 1,4 20
[8 ;10[ 80 9 140 0,4 0,7 3,6 40
[10 ;15[ 30 12,5 170 0,15 0,85 1,875 6
[15 ;20[ 20 17,5 190 0,1 0,95 1,75 4
[20 ;30[ 10 25 200 0,05 1 1,25 1
Total 1 10,375 (× 1000)
2.
4. Histogramme
Corrigé 29.
1. Calcul de la covariance :
2 + 5 + 6 + 10 + 12
X= = 7.
5
83 + 70 + 70 + 54 + 49
Y = = 65, 2.
5
2 × 83 + 5 × 70 + 6 × 70 + 10 × 54 + 12 × 49
cov(X, Y ) = − (7 × 65, 2) = −43, 6.
5
2. Calcul du coecient de corrélation linéaire :
22 + 52 + 62 + 102 + 122 2
V (X) = − (7) = 61.8˘49 = 12, 8
5
83 + 70 + 70 + 54 + 492
2 2 2 2
V (Y ) = − (65, 2)2 = 17754, 96.
5
Le coecient de correlation linéaire est :
cov(X, Y )
r= p = −0, 009
V (X) × V (Y )
3.
Si l'on pose n∗ij l'eectif théorique d'une case et nij l'eectif réel.
X n∗ij − nij
2
Khi-2= χ = = 14, 72100052.
i,j
n∗ij
Si χ2 = 0 alors X ,Y sont indépendant.