Cours Estb1 2020 2021

Ecole Supérieure de
Télécommunication du Bénin
(ESTB)
Année Académique 2021-2022
Introduction à la Statistique Descriptive
et à la Théorie de Probabilité
Table des matières
1 Séries statistiques à un caractère 5

1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Population . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Effectif total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3 Caractères (ou variables) statistiques . . . . . . . . . . . . . . . . . . . . . 5
1.1.4 Modalités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.5 Effectif-Fréquence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.6 Variables discrètes et continues . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Tableaux statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Tableau statistique associé à un caractère quantitatif discret . . . . . . . . 6
1.2.2 Tableau statistique associé à un caractère quantitatif continu . . . . . . . . 6
1.2.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Traitements graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Diagramme en bâtons (cas discret) . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2 Les histogrammes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2.1 Cas des classes d’amplitudes égales . . . . . . . . . . . . . . . . . 8
1.3.2.2 Cas des classes d’amplitudes différentes . . . . . . . . . . . . . . . 8
1.3.3 Polygones des fréquences ou des effectifs . . . . . . . . . . . . . . . . . . . 8
1.3.4 Polygone des fréquences cumulées (ou effectifs cumulés) . . . . . . . . . . . 9
1.3.4.1 Polygone des fréquences cumulées (ou effectifs cumulés) croissantes 9
1.3.4.2 Polygone des fréquences cumulées (ou effectifs cumulés) décroissantes 9
1.4 Caractéristique de position et de dispersion . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Le mode et la classe modale . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.2 La médiane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.3 La moyenne arithmétique . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.3.1 Propriétés de la moyenne arithmétique . . . . . . . . . . . . . . . 11
1.4.4 Les autres moyennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.4.1 La moyenne harmonique . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.4.2 La moyenne géométrique . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.4.3 La moyenne quadratique . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.5 Les caractéristiques de dispersion . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.5.1 La variance, l’écart-type, l’écart-moyen et l’écart-moyen absolu par
rapport à la moyenne . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.5.2 Les quantiles et les intervalles interquantiles . . . . . . . . . . . . 13
1.4.5.3 Les moments et les moments centrés . . . . . . . . . . . . . . . . 13
1.4.5.4 Coefficient de dispersion ou coefficient de variation . . . . . . . . 14
1.4.6 Paramètres de forme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.6.1 Coefficient d’asymétrie de Fisher . . . . . . . . . . . . . . . . . . 14
1.4.6.2 Coefficient d’aplatissement de Pearson . . . . . . . . . . . . . . . 14
1.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

TABLE DES MATIÈRES 2
2 Séries Statistiques à deux variables 18

2.1 Exercice introductif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2 Nuage de points associé à une série double . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Point moyen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4 Ajustement linéaire : Méthode des moindres carrées . . . . . . . . . . . . . . . . . 19
2.4.1 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.2 Droite de régression de y en x . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.3 Droite de régression de x en y . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.4 Coefficient de corrélation linéaire . . . . . . . . . . . . . . . . . . . . . . . 20
2.5 Ajustement linéaire : Méthode des points moyens de Mayer . . . . . . . . . . . . . 21
2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 Analyse combinatoire 26
3.1 Notions sur les ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.1 Ensemble fini-Ensemble infini dénombrable . . . . . . . . . . . . . . . . . . 26
3.1.2 Propriétés des cardinaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 p-listes d’un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 p-listes d’un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 p-listes d’éléments distincts d’un ensemble . . . . . . . . . . . . . . . . . . 28
3.3 Parties d’un ensemble . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3.1 Combinaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4 Introduction à la théorie de probabilité 31

4.1 Mesure de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.1 Tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.2 Mesures de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1.2.1 Vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2 Notion d’expérience aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.3 Langage probabiliste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.4 Probabilité sur un ensemble fini ou dénombrable . . . . . . . . . . . . . . . . . . . 33
4.4.1 Généralité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.4.2 Conditions d’équiprobabilité . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.5 Probabilités conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.5.1 Théorème-Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.5.2 Notion d’indépendance en probabilité . . . . . . . . . . . . . . . . . . . . . 35
4.5.3 Indépendance de n évènements . . . . . . . . . . . . . . . . . . . . . . . . 36
4.5.4 Probabilités totales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.5.5 Formule de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5 Variables aléatoires réelles 43

5.1 Tribu des boréliens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.1.1 Voisinage d’un point . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.1.2 Ouverts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.1.3 Fermés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

5.1.4 Tribu engendrée par une famille de parties de R . . . . . . . . . . . . . . . 43

5.2 Notion de variable aléatoire réelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.1 Evènement lié à une variable aléatoire . . . . . . . . . . . . . . . . . . . . 44
5.2.2 Opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.3 Loi d’une variable aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.4 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.5 Variables aléatoires discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.5.1 Loi de probabilité d’une v.a.r. discrète finie . . . . . . . . . . . . . . . . . . 46
5.5.2 Fonction de répartition d’une v.a.r. discrète finie . . . . . . . . . . . . . . . 46
5.5.3 Indépendance de deux v.a.r. . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.6 Moments d’une v.a.r. discrète finie . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.6.1 Moments d’ordre k avec k ∈ N∗ . . . . . . . . . . . . . . . . . . . . . . . . 47
5.6.2 Espérance mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.6.3 Variance d’une v.a.r. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.7 Variables aléatoires absolument continues . . . . . . . . . . . . . . . . . . . . . . . 48
5.7.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.7.2 Fonction densité de probabilité . . . . . . . . . . . . . . . . . . . . . . . . 48
5.7.3 Densité et fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . 49
5.7.4 Espérance mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.7.5 Variance et écart-type . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.7.5.1 Théorème et définition . . . . . . . . . . . . . . . . . . . . . . . . 51
5.7.6 Variables aléatoires à densité indépendantes . . . . . . . . . . . . . . . . . 52
5.8 Loi de l’image d’une variable aléatoire par une fonction continue . . . . . . . . . . 52
5.8.1 Cas d’une variable aléatoire réelle discrète . . . . . . . . . . . . . . . . . . 52
5.8.2 Cas d’une variable aléatoire réelle absolument continue . . . . . . . . . . . 53
5.9 Propriétés générales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.9.1 Variable aléatoire centrée réduite . . . . . . . . . . . . . . . . . . . . . . . 54
5.9.2 Fonction génératrice des moments . . . . . . . . . . . . . . . . . . . . . . . 54
5.9.3 Fonction caractéristique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.10 Inégalités intéressantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.10.1 Inégalité de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.10.2 Inégalité de Chebyshev . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.11 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6 Lois classiques usuelles 60

6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2 Loi de Bernouilli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2.1 Distribution de Bernouilli . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.3 Loi binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.4 Loi hypergéométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.4.1 Approximation d’une loi hypergéométrique par une loi binomiale . . . . . . 61
6.5 Loi uniforme discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.6 Loi géométrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.7 Loi binomiale négative ou loi de Pascal . . . . . . . . . . . . . . . . . . . . . . . . 62
6.8 Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.8.1 Approximation d’une loi binomiale par une loi de Poisson . . . . . . . . . . 63
6.9 Loi uniforme continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.10 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

6.11 Loi Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

6.12 Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.12.1 Loi normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.13 Approximation par la loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.13.1 Approximation de la loi binomiale par la loi normale . . . . . . . . . . . . 67
6.13.2 Correction de continuité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.13.3 Approximation de la loi de Poisson par la loi normale . . . . . . . . . . . . 68
6.14 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.14.1 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.14.2 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.14.3 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.14.4 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.14.5 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.14.6 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.14.7 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.14.8 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.14.9 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.14.10 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.14.11 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

Chapitre Un
Séries statistiques à un caractère
1.1 Définitions
1.1.1 Population
Les ensembles étudiés par le statisticien portent le terme de population. C’est l’ensemble des
unités observées. Les éléments d’une population sont appelés individus.
La population est souvent trop vaste (voire infini) et doit être fractionnée par le statisticien qui
n’en étudiera que des sous-ensembles appelés échantillons. On a alors les relations suivantes :
Individu ∈ Population et Echantillon ⊂ Population

On appelle aussi un individu d’une population, l’unité statistique
1.1.2 Effectif total

C’est le nombre d’individus observés dans une population.
1.1.3 Caractères (ou variables) statistiques

Un caractère statistique est un aspect particulier de l’individu auquel on s’intèresse. Il peut
être quantitatif ou qualitatif. S’il est quantitatif, il peut être discret ou continu.
Un caractère est dit qualitatif lorsqu’il est lié à une observation ne faisant pas l’objet d’une
mesure : les caractères sexe et état matrimonial étudié au sein d’une population d’hommes sont
qualitatifs.
1.1.4 Modalités
Chaque variable statistique est susceptible de prendre plusieurs valeurs. On appelle ces dernières
les modalités de la variable statistique.
Exemple 1.1
1. La variable (caractère) ”sexe” comporte deux modalités : sexe masculin, sexe féminin.
2. La variable ” nombre de personnes employées dans une entreprise” comporte les moda-
lités :1,2,3,4,etc...

Tableau statistique associé à un caractère quantitatif continu 6
1.1.5 Effectif-Fréquence
1. L’effectif ni d’une modalité est le nombre de fois où cette modalité a été observée.
2. La fréquence fi d’une modalité i est le quotient de l’effectif ni de la modalité i par l’effectif
total de la population étudiée. La fréquence est souvent calculée en pourcentage : si N
désigne l’effectif total de la population étudiée alors
ni
fi = × 100.
N
1.1.6 Variables discrètes et continues

1. Les variables discrètes sont celles dont les modalités possibles sont des nombres isolés (très
souvent des nombres entiers).
2. Les variables continues sont généralement liées à l’espace, au temps, à la masse,etc... On les
exprime sous forme d’intervalle.
1.2 Tableaux statistiques

1.2.1 Tableau statistique associé à un caractère quantitatif discret
Valeurs observées xi Effectifs ni Fréquences fi Fréquences cumulées ↑ ou ↓ : Fi

x1 n1 f1 F1
.. .. .. ..
. . . .
xp np fp Fp
1.2.2 Tableau statistique associé à un caractère quantitatif continu
Classes n° i [bi , bi+1 [ Centres des classes ci Effectifs ni Fréquences fi Fréquences cumulées ↑ ou ↓ : Fi
[b1 , b2 [ c1 n1 f1 F1
[b2 , b3 [ c2 n2 f2 F2
.. .. .. .. ..
. . . . .
[bp , bp+1 [ cp np fp Fp
1. Par convention, une classe est un intervalle fermé à gauche et ouvert à droite, du type
[bi , bi+1 [. La classe est dite bornée si bi 6= −∞ et bi+1 6= +∞.
2. L’effectif ni de la classe [bi , bi+1 [ est le nombre d’individus dont le caractère prend une valeur
supérieure ou égale à bi et strictement inférieure à bi+1 .
bi + bi+1
3. Le centre d’une classe bornée [bi , bi+1 [ est ci = .
2
4. L’amplitude d’une classe bornée [bi , bi+1 [ est ai = bi+1 − bi .
ni
5. La densité d’une classe bornée [bi , bi+1 [ est di = . On calcule les densités lorsque les classes
ai
sont d’amplitudes inégales (mais finies).

Diagramme en bâtons (cas discret) 7
1.2.3 Exercices
Exercice 1.2.1
On s’est interessé au poids (en milligramme) d’un échantillon de 35 pommes de terre. On a
observé les valeurs suivantes :
289 282 287 280 290 291 286
287 284 281 285 286 288 287
290 292 285 287 278 286 285
286 280 284 288 290 287 284
289 288 284 286 285 287 282
Etablir le tableau statistique associé à ce caractère.
Exercice 1.2.2
L’étude statistique d’une population a permis de regrouper les individus par classes de même
amplitude dont les centres sont les suivants : 52,60,68,76,84,92.
1. Quelle est l’amplitude de chacune des classes ?
2. Calculer la limite inférieure et la limite supérieure de chaque classe.
Exercice 1.2.3
On considère l’ensemble des notes obtenues, lors d’un test noté sur 20, par 50 candidats :
10 8 3 12 13 9 12 9 12 11
11 11 8 5 13 14 14 6 12 16
7 11 10 10 2 15 12 10 1 14
11 7 8 10 13 9 13 9 7 13
11 19 9 4 10 8 9 6 7 14
1. Dépouiller ces données et présenter les résultats dans un tableau (on prendra les classes
suivantes : [0,5[ ; [5,7[ ; [7,9[ ; [9,11[ ; [11,13[ ; [13,15[ ; [15,20[)
2. Calculer les fréquences
3. Calculer les fréquences cumulées
4. Quelle est la proportion des candidats ayant une note
(a) inférieure à 9 ?
(b) supérieure ou égale à 13 ?
(c) comprise entre 5 et 13 ?
5. Quelle est la classe dont la densité est la plus forte et celle dont la densité est la plus faible ?
1.3 Traitements graphiques

1.3.1 Diagramme en bâtons (cas discret)
Un diagramme en bâtons est un graphique dans lequel l’axe des abscisses représente les différentes
modalités du caractère discret, tandis que l’axe des ordonnées représente les effectifs. Pour chaque
modalité, on trace un bâton d’une longueur proportionnelle aux effectifs correspondants.

Polygones des fréquences ou des effectifs 8
1.3.2 Les histogrammes

On appelle histogramme la représentation graphique des effectifs d’une variable statistique
obtenue en portant :
1. sur l’axe des abscisses les limites réelles des classes.
2. sur l’axe des ordonnées les effectifs correspondants.
On obtient une suite de rectangles dont les surfaces doivent être proportionnelles aux effectifs.
1.3.2.1 Cas des classes d’amplitudes égales
Quand les classes sont d’amplitudes égales, chaque rectangle a une superfie proportionnelle aux
effectifs. On mesure donc en ordonnée une hauteur proportionnelle à l’effectif correspondant.
1.3.2.2 Cas des classes d’amplitudes différentes
D’une manière générale, si une classe est d’amplitude n fois plus grande (respectivement plus
petite) que celles des classes considérées comme unité, il faudra avant toute représentation gra-
phique, diviser (respectivement multiplier) par n l’effectif de la classe en question.
Ainsi si les classes sont d’amplitudes différentes, on met en ordonnées les hauteurs corrigées en
lieu et place des effectifs. Si ar est la plus petite amplitude alors on a :

c ni
hi = ar = di ar .
ai
On peut aussi considérer les densités en lieu et place des hauteurs corrigées.
Exercice 1.3.1
Le tableau suivant donne la répartition en classes d’amplitude 5 des tailles en cm de 40 individus
Classes [155,160[ [160,165[ [165,170[ [170,175[ [175,180[ [180,185[
Effectifs 3 8 10 10 7 2
Effectif cumulés croissants
1. Complèter le tableau.
2. Tracer l’histogramme de cette série statistique.
Exercice 1.3.2
Tracer l’histogramme associé à la série étudiée dans les Exercice 1.2.1 et Exercice 1.2.3
1.3.3 Polygones des fréquences ou des effectifs

Dans le cas où les classes sont d’amplitudes égales, il est obtenu en joignant les milieux des
côtés supérieurs des rectangles de l’histogramme. On compète le polygone aux extrêmités avec
deux points d’ordonnées nulles et dont les abscisses sont les milieux des classes extrêmes.
Dans le cas des classes d’amplitudes différentes, on subdivise ces classes en classes d’amplitude
égale à la plus petite des amplitudes (ou au PGCD des amplitudes des amplitudes si elles sont
des entiers) avant de joindre les milieux des côtés supérieurs des rectangles.

Polygone des fréquences cumulées (ou effectifs cumulés) 9
1.3.4 Polygone des fréquences cumulées (ou effectifs cumulés)

Nous savons calculer les effectifs et les fréquences cumulés. Cependant, le Tableau 1 ne permet
pas de répondre à une question de style : ”combien de pommes de terre pèsent moins de 285 g,
plus de 288 g, entre 280 et 284 g” ? Ces résultats ne figurent pas dans ce tableau, d’où la nécessité
de la construction d’un dernier graphique permettant de lire directement la réponse à ce genre de
questions.
1.3.4.1 Polygone des fréquences cumulées (ou effectifs cumulés) croissantes
On porte en abscisse les limites des classes et en ordonnées les fréquences cumulées (ou effec-
tifs cumulés) correspondantes. A chaque limite supérieure d’une classe, on fait correspondre sa
fréquence cumulée (ou effectif cumulé). On joint tous les points pour obtenir un polygone.
Principe de lecture : Pour répondre à la question ” combien de pommes de terre pèsent au
plus 285 g ?, on porte 285 en abscisse et on cherche l’ordonnée correspondant sur le polygone des
effectifs cumulés (ou fréquences cumulées) croissants. Cette ordonnée donne le pourcentage (cas
des fréquences cumulées croissantes) ou l’effectif (ces des effectifs cumulés croissants) de pommes
de terre pesant au plus 285 g.
1.3.4.2 Polygone des fréquences cumulées (ou effectifs cumulés) décroissantes
C’est le même type de construction. On porte les effectifs ou fréquences cumulées décroissantes
en ordonnées et les classes en abscisses.
Principe de lecture : Pour répondre à la question ” combien de pommes de terre pèsent au
moins 288 g ?, on porte 288 en abscisse et on cherche l’ordonnée correspondant sur le polygone
des effectifs cumulés (ou fréquences cumulées) décroissants. Cette ordonnée donne le pourcentage
(cas des fréquences cumulées décroissantes) ou l’effectif (cas des effectifs cumulés décroissants) de
pommes de terre pesant au moins 288 g.
Exemple 1.2
Tracer les courbes des fréquences cumulées croissantes et décroissantes de l’Exemple 1.2.3
Remarque 1.3
Dans le cas d’une distribution discrète l’histogramme devient un diagramme en bâtons et la
courbe de fréquences cumulées (ou effectifs cumulés) est une fonction en escalier.
Exercice 1.3.3
Le tableau suivant donne la répartition en classes d’amplitude 5 des tailles en cm de 40 individus
Classes [155,160[ [160,165[ [165,170[ [170,175[ [175,180[ [180,185[
Effectifs 3 8 10 10 7 2
Effectifs cumulés croissants
Effectifs cumulés décroissants
1. Complèter le tableau
2. Tracer le polygone des effectifs cumulés croissants de cette série statistique.
3. Déterminer le nombre d’individus mesurant
(a) plus de 165 cm.
(b) moins de 180 cm.
(c) moins de 177 cm.

La médiane 10
1.4 Caractéristique de position et de dispersion

1.4.1 Le mode et la classe modale
Soit une série statistique présentant un regroupement en classes.
• Dans le cas où les classes sont de même amplitude, on appelle classe modale de cette série
toute classe d’effectif (ou de fréquence) maximal(e). Le mode dans ce cas est le centre d’une
classe modale.
• Lorsque les classes sont d’amplitudes différentes, la classe modale est la classe ayant la plus
grande densité. Le mode peut être obtenu graphiquement.
Dans une série statistique, on peut avoir plusieurs classes modales et donc plusieurs
modes.
Remarque 1.4
Dans le cas d’une variable statistique discrète, le mode s’observe directement : c’est la modalité
ayant le plus grand effectif ou la plus grande fréquence.
Formule permettant de calculer le mode en utilisant l’histogramme :
(a2 − a1 )∆2
M0 = a1 + avec ∆1 = d1 − d3 et ∆2 = d1 − d2 ,
∆1 + ∆2
où
♣ la classe modale est [a1 , a2 [,
♣ d1 est l’effectif ou la fréquence de la classe modale
♣ d2 est l’effectif ou la fréquence de la classe à gauche de la classe modale,
♣ d3 est l’effectif ou la fréquence de la classe à droite de la classe modale.
1.4.2 La médiane
Soit une série statistique présentant un regroupement en classes. On désigne par N l’effectif
total de cette série.
On appelle médiane de cette série le nombre réel M tel que le nombre d’individus de modalités
supérieures ou égales à M et le nombre d’individus de modalités strictement inférieures à M soient
N
tous deux égaux à .
2
Remarque 1.5
1. En pratique la détermination de la médiane se fait à l’aide des polygones des fréquences
cumulées croissantes ou décroissantes. C’est l’abscisse du point de ces polygones qui a pour
ordonnées 50%.
2. On peut aussi déterminer la médiane à l’aide des polygones des effectifs cumulés croissants
ou décroissants. Dans ce cas, c’est l’abscisse du point de ces polygones qui a pour ordonnée
N
.
2
3. La médiane est l’abscisse du point d’intersection des polygones d’effectifs (ou fréquences)
cumulés croissants ou décroissants.

Les autres moyennes 11
4. Dans le cas où la variable est discrète, la médiane sera la valeur de la variable à laquelle est
N
associé un effectif cumulé égal à ou une fréquence cumulée égale à 50%. Si aucune des
2
N
valeurs des effectifs cumulés ne correspond pas à , on prend par convention pour médiane
2
la valeur de la variable immédiatement supérieure ( ou inférieure).
Exercice 1.4.1
Déterminer la médiane de la série étudiée dans les Exercices 1.2.1 ; 1.2.3 ; 1.3.3
1.4.3 La moyenne arithmétique

Soit ([ai , ai+1 [) une série statistique présentant un regroupement en classes. On appelle moyenne
de cette série la moyenne X de la série (ci , ni ), où ci représente le centre de la classe [ai , ai+1 [ et
ni l’effectif de cette classe.
1 X
X= ni ci
N i
Dans le cas où la variable est discrète on a :
1 X
X= n i xi
N i
1.4.3.1 Propriétés de la moyenne arithmétique
1. Soient X une variable statistique, a et b des constantes réelles. Si on définit une nouvelle
variable statistique Z = aX + b, alors Z = aX + b.
2. D’une manière générale si Z = aX + bY alors Z = aX + bY .
1.4.4 Les autres moyennes

On se contentera de retenir leur définition. Soit (ni , xi ) une série statistique et N son effectif
total.
1.4.4.1 La moyenne harmonique
La moyenne harmonique d’une distribution statistique pour une variable statistique X est égale
à l’inverse de la moyenne arithmétique des inverses des valeurs de cette variable. Si X H désigne
cette moyenne harmonique, on a :
" p !#−1
N 1 X ni
XH = p =
X ni N i=1 xi
i=1
xi
1.4.4.2 La moyenne géométrique
On la note X G et on la définit de la manière suivante :

q
n 1
X G = N xn1 1 .xn2 2 ...xp p = (xn1 1 .xn2 2 ...xnp p ) N

Les caractéristiques de dispersion 12
1.4.4.3 La moyenne quadratique
La moyenne quadratique d’une série statistique (xi , ni ) d’effectif total N , est égale à la racine
carrée de la moyenne arithmétique des carrées des valeurs de cette série statistique. On la note
X Q . On a : s P
ni x2i

XQ = .
N
On a la suite d’inégalités suivante liant toutes ces moyennes :
X H ≤ X G ≤ X ≤ X Q.
1.4.5 Les caractéristiques de dispersion

1.4.5.1 La variance, l’écart-type, l’écart-moyen et l’écart-moyen absolu par rapport à la moyenne
Soit ([ai , ai+1 [, ni ) une série statistique d’effectif total N et de moyenne X. On désigne par ci
le centre de la classe [ai , ai+1 [.
• L’écart-moyen par rapport à la moyenne est le nombre réel noté em tel que :
p
1 X
em = ni (ci − X) = 0
N i=p
• L’écart-moyen absolu par rapport à la moyenne est le nombre réel noté eam tel que :
p
1 X
eam = ni |ci − X|
N i=p
• La variance est le nombre réel positif noté V (X) tel que :

p p
!
1 X 1 X 2 2
V (X) = ni (ci − X)2 = n i ci −X
N i=1 N i=1
La variance possède les propriétés suivantes :
(a) La variance s’exprime dans une unité égale au carré de celle qui sert à exprimer la variable
statistique.
(b) Si on définit une nouvelle variable statistique Y = X + b, où b est une constante réelle,
alors on a : V (Y ) = V (X).
(c) Si on définit la variable Y par Y = aX, où a est une constante réelle, on a :
V (Y ) = a2 V (X).
Autrement dit, on a :
V (aX + b) = a2 V (X).
• L’écart-type est un indicateur de dispersion. Il est défini comme étant la racine carrée de la
variance. On la note σX ou σ(X). On a alors
p
σ(X) = σX = V (X).
On déduit des propriétés de la variance que :
σ(aX + b) = |a|σ(X).

Les caractéristiques de dispersion 13
Remarque 1.6
On peut déduire une écriture plus simple de la moyenne quadratique :
sP
ni x2i
q
2
XQ = = V (X) + X .
N
1.4.5.2 Les quantiles et les intervalles interquantiles
Les quantiles constituent une génénéralisation de la notion de médiane. On appelle quantile

d’ordre α, le nombre noté Xα , égale à la valeur de la variable telle que α% des observations
prennent une valeur qui lui soit inférieure.
Il existe trois types de quantiles utilisés dans la littérature. Ce sont les quartiles, les déciles
et les centiles.
I Les quartiles : Ce sont trois valeurs Q1 , Q2 et Q3 telles que :
(a) Q1 , le premier quartile, correspond à un effectif cumulé croissant de 25% du total. C’est
la valeur de la variable telle que 25% des observations soient inférieures.
(b) Q2 , le deuxième quartile, correspond à un effectif cumulé croissant de 50% du total. Q2
est la médiane.
(c) Q3 correspond à un effectif cumulé croissant de 75% du total.
I Les déciles : Ce sont 9 valeurs de la variable qui permettent de scinder la population en 10
parties de même effectif. Le premier décile D1 est la valeur de la variable correspondant à un
effectif cumulé croissant de 10% ; le cinquième décile est en fait la médiane : D5 = Q2 = Me .
I Les centiles : Ce sont 99 valeurs de la variable qui permettent de scinder la population en
cent parties de même effectif. Le premier centile C1 est la valeur de la variable correspondant
à un effectif cumulé croissant de 1%. Le cinquantième centile C50 est en fait la médiane.
I Les intervalles interquantiles : C’est l’écart entre le premier quantile et le dernier quan-
tile. Ainsi
Intervalle interquartile IQ = (Q3 − Q1 ) contient 50% des observations.
Intervalle interdécile ID = (D9 − D1 ) contient 80% des observations.
Intervalle intercentile IQ = (C99 − C1 ) contient 98% des observations.
L’écart interquartile mesure bien la dispersion de la série statistique : Plus il est grand, plus
la série est dispersée autour de la médiane.
I L’intervalle interquantile relatif est obtenu en divisant l’intervalle interquantile par la
médiane.
1.4.5.3 Les moments et les moments centrés
• Moments d’ordre r. On appelle ainsi les nombres réels notés mr (X) et définis par :
p
1 X
mr (X) = ni xri .
N i=1
• Moments centrés d’ordre r. Ce sont les nombres réels notés µr (X) et définis par :
p
1 X
µr (X) = ni (xi − X)r .
N i=1

Paramètres de forme 14
Remarque 1.7
D’une manière générale, les moments centrés d’ordre pair renseignent sur la dispersion des
observations autour de la moyenne X. Par contre les moments d’ordre impair renseigne sur la
dissymétrie de la distribution.
1.4.5.4 Coefficient de dispersion ou coefficient de variation
Le coefficient de dispersion, comme l’intervalle interquantile relatif, est un indicateur de dis-

persion relatif qui permet d’éliminer les deux inconvénients majeurs de l’écart-type. On le note
CV et il est égal au rapport de l’écart-type sur la moyenne arithmétique.
σX
CV = .
X
C’est un nombre sans unité, permettant de comparer les dispersions de toutes les distributions
quelles que soient leurs unités et les valeurs de la variable.
1.4.6 Paramètres de forme

1.4.6.1 Coefficient d’asymétrie de Fisher
C’est le nombre réel noté γ et défini par :

µ3 µ3
γ= 3
= 3 .
σ (µ2 ) 2
1. Si γ < 0, la distribution est étalée vers la gauche (biais négatif).
2. Si γ > 0, la distribution est étalée vers la droite (biais positif).
3. γ = 0, la distribution est symétrique.
1.4.6.2 Coefficient d’aplatissement de Pearson
C’est le nombre noté β et défini par :

µ4 µ4
β= 4
= .
σ (µ2 )2
1. Si β = 3, la distribution est ”normale” (courbe en cloche de Gauss).
2. Si β < 3, la distribution est plus aplatie que la distribution normale (hyponormale ou
Platykurtique).
3. Si β > 3, la distribution est moins aplatie que la distribution normale (Hypernormale ou
Leptokurtique).
Ces deux coefficients (γ et β) sont sans dimension et indépendants d’un changement d’échelle
ou d’origine.
Remarque 1.8
L’étendue d’une série est la différence entre la plus grande valeur observée dans la série et la
plus petite valeur.
étendue = xmax − xmin

Exercices 15
1.5 Exercices
Exercice 1.5.1
Un professeur d’éducation physique a fait passer une épreuve de saut en longueur à deux classes
d’effectifs respectifs n1 = 30 et n2 = 40. La classe n°1 obtient une moyenne m1 = 4, 50m et la
classe n°2 une moyenne m2 = 4, 65m. Quelle est alors la moyenne m obtenue par le nouvel
échantillon constitué par l’ensemble des deux classes ?
Exercice 1.5.2
Une entreprise produit du biscuit emballé dans des sachets marqués poids net 225g. Pour
contrôler la production, on prélève un échantillon de sachets et on mesure leur poids réels. Les
résultats sont présentés dans le tableau suivant
Poids réels xi [223,224[ [224,225[ [225,226[ [226,227[
Nombre de sachets ni 160 240 90 10
1. Calculer le poids moyen des sachets de biscuit puis l’écart type de la distribution et com-
menter les résultats obtenus.
2. Déterminer le poids d’un sachet de biscuit telle que la moitié des sachets de biscuit de
l’échantillon présentent un poids inférieur à la valeur trouvée.
3. A l’aide d’un graphique approprié, déterminer le poids modal de la série.
4. Déterminer le nombre puis la proportion de sachets de biscuits dont les poids réels sont
inférieurs au poids net marqué 225g.
Exercice 1.5.3
Le tableau suivant donne la répartition en classes d’amplitude 5 des tailles en cm de 40 indivi-
dus.
Classe [155,160[ [160,165[ [165,170[ [170,175[ [175,180[ [180,185[
Effectif 3 8 10 10 7 2
1. Construire un histrogramme représentant cette série.
2. Dresser le tableau des effectifs cumulés croissants et décroissants, puis construire les poly-
gones des effectifs cumulés croissants et décroissants.
3. A l’aide d’interpolations linéaires, déterminer le nombre d’individus mesurant :
(a) moins de 177 cm.
(b) plus de 163 cm.
(c) une taille comprise entre 177cm et 182 cm.
4. Déterminer la variance, l’écart-type et l’écart-moyen absolu de cette série.(On donnera les
résultats à 10−3 près.)
5. Calculer les moments centrés d’ordre 2,3 et 4, puis le coefficient d’asymétrie de Fischer et
le coefficient d’aplatissement de Pearson.
Exercice 1.5.4
Les moyennes des notes obtenues par les 50 candidats à un concours se répartissent comme
suit :
Classe [0,4[ [4,8[ [8,12[ [12,16[ [16,20[
Effectif 5 14 20 7 4

Exercices 16
1. Dresser le tableau des fréquences cumulées croissantes et décroissantes, puis construire les
polygones des fréquences cumulées croissantes et décroissantes.
2.(a) Déterminer la classe modale, le mode et la médiane de cette série statistique.
(b) Déterminer la moyenne des notes obtenues par l’élève qui s’est classé quinzième au
concours, puis celle de l’élève qui s’est classé dixième.
3. Calculer la moyenne x de cette série statistique.
4. Quel est le pourcentage d’élèves dont la note appartient à l’intervalle [x − σ; x + σ[ ?
Exercice 1.5.5
On considère la répartition des employés d’une entreprise suivant leur prime de fin d’année.
Prime en centaine de francs Nombre d’employés
[1250, 1750[ 130
[1750, 2250[ 350
[2250,2750[ 210
[2750,3250[ 130
[3250, 3750[ 90
[3750, 4250[ 50
[4250,4750[ 30
[4750,5250[ 10
1. Quelle est l’étendue de cette série ?
2. Calculer la prime moyenne.
3. Calculer les quartiles, le premier et le dernier décile.
4. En déduire l’écart interquartile et l’écart interdécile.
Exercice 1.5.6
Un agriculteur désire acquérir une machine pour stocker sa récolte dans des sacs de 50 kg. On
lui propose deux machines A et B, qu’il teste sur 80 sacs. Les résultats sont donnés dans le tableau
suivant.
Classe Machine A Machine B Classe Machine A Machine B

[49 ;49,2[ 7 4 [49,8 ;50[ 11 14
[49,2 ;49,4[ 6 6 [50 ;50,2[ 14 16
[49,4 ;49,6[ 14 9 [50,2 ;50,4[ 9 17
[49,6 ;49,8[ 14 11 [50,4 ;50,6[ 5 3
1. Calculer, pour chaque machine la moyenne, la variance et l’écart-type.
2. Trois conditions doivent être réalisées :
(a) la moyenne doit être comprise entre 49,7 et 50,3 ;
(b) l’écart-type doit être inférieure à 0,5 kg.
(c) l’intervalle [49,3 ;50,5[ doit contenir 85% des sacs.
Quelle machine l’agriculteur doit-il acheter ?
3. Pour la machine retenue précédemment, déterminer le pourcentage de sacs dont le poids
appartient à l’intervalle [x − σ, x + σ[.

Exercices 17
Exercice 1.5.7
L’observation des prix d’un article en divers points de vente donne les résultats indiqués dans
le tableau suivant :
Classe de prix en francs Nombre de points de vente
655-665 4
665-675 9
675-685 31
685-695 75
695-705 183
705-715 204
715-725 157
725-735 97
735-745 40
745-755 12
755-765 3
Total 815
1. Calculer la moyenne m et l’écart-type σ de ces prix.
2. Quels pourcentages du nombre total d’observations se situent dans les intervalles suivants :
[m − σ; m + σ[ ? [m − 2σ; m + 2σ[ ?
(On procédera par interpolation linéaire dans les classes contenant les limites de ces inter-
valles.)

Chapitre Deux
Séries Statistiques à deux variables
2.1 Exercice introductif

On a relevé le poids (en kg) et la taille (en cm) de 30 personnes. Les résultats suivants ont été
obtenus.
Poids (x) 65 68 62 62 68 68 59 71 74 68 68 74 71 65 65
Taille (y) 165 177 174 168 165 171 165 177 174 171 165 174 174 174 171
Poids (x) 62 65 68 71 65 74 74 71 65 77 74 62 77 68 71
Taille (y) 174 174 171 171 174 168 177 174 165 180 177 168 180 171 174
Ces données permettent de définir deux séries statistiques à un caractère (xi , ni ) et (yj , nj )
représentées par les deux tableaux
xi 59 62 65 68 71 74 77 yj 165 168 171 174 177 180

ni 1 4 6 7 5 5 2 nj 5 3 6 10 4 2
A chaque couple (xi , yj ), on associe le nombre de personnes ayant le poids xi et la taille yj . Ce
nombre est noté nij . On définit ainsi une série statistique à deux caractères ; nij est appelé effectif
de la modalité (xi , yj ). La série à deux caractères xi et yj , notée (xi , yj , nij ) est représentée par le
tableau à double entrée ci-dessous :
xi
59 62 65 68 71 74 77 Total
yj
165 1 0 2 2 0 0 0 5
168 0 2 0 0 0 1 0 .3
171 0 0 1 4 1 0 0 6
174 0 2 3 0 3 2 0 10
177 0 0 0 1 1 2 0 4
180 0 0 0 0 0 0 2 2
Total 1 4 6 7 5 5 2 30
2.2 Nuage de points associé à une série double

Soit (xi , yj , nij ) une série statistique à deux caractères quantitatifs. L’ensemble des points
Mij (xi , yj ) est appelé nuage de points associés à la série. Ce nuage est représenté de deux façons :
1. Représentation par points pondérés : On indique à côté de chaque point Mij l’effectif
nij .

Covariance 19
2. Représentation par tâches : Chaque point Mij est remplacé par un disque dont l’aire est
proportionnelle à nij .
2.3 Point moyen

2.3.1 Définition
Soit (xi , yj , nij ) une série statistique à deux caractères quantitatifs. On appelle point moyen
du nuage de points représentant cette série le point de coordonnées (x, y) où x et y désignent les
moyennes respectives des séries marginales (xi , ni ) et (yj , nj ).
Exemple 2.1
Dans l’exemple introductif on a :
1
1. xG = x = (59 × 1 + 62 × 4 + 65 × 6 + 68 × 7 + 71 × 5 + 74 × 5 + 77 × 2)= 68,4.
30
1
2. yG = y = (165 × 5 + 168 × 3 + 171 × 6 + 174 × 10 + 177 × 4 + 180 × 2)= 172,1.
30
d’où G(68, 4; 172, 1)
Exercice 2.3.1
Les notes obtenues par 10 élèves aux épreuves de SVT et de SPCT lors d’un examen sont
indiquées dans le tableau suivant
SVT (x) 9 12 5 6 9 14 3 6 12 14
SPCT (y) 10 13 8 10 13 17 5 8 16 16
1. Représenter le nuage de points associé à cette série. (On fera la représentation par pondération)
2. Déterminer son point moyen.
2.4 Ajustement linéaire : Méthode des moindres carrées

2.4.1 Covariance
Soit (xi , yj , nij ) une série statistique à deux caracères x et y, d’effectif total N . La covariance
de cette série est le nombre réel noté Cov(x, y) tel que :
N
! N
!
1 X 1 X
Cov(x, y) = nii (xi − x)(yi − y) = nij (xi − x)(yj − y)
N i=1 N i=1
N
!
1 X
= nii xi yi − x.y
N i=1
(C’est la formule de Formule de Koenig) .
On utilise aussi la formule suivante pour calculer la covariance :
N
!
1 X
Cov(x,y) = ni,j xi yj − x . y.
N i,j

Coefficient de corrélation linéaire 20
2.4.2 Droite de régression de y en x

La droite de régression de y en x est la droite (∆) passant par le point moyen associé à la série
statistique double (xi , yj , nij ) et dont le coefficient directeur est
Cov(x, y)
a= .
V (x)
Une équation cartésienne de cette droite est :
Cov(x, y)
(∆) : y−y = (x − x)
V (x)
Ainsi la droite de régression de y en x a pour équation cartésienne :
cov(x, y)
y = ax + b avec a = et b = y − ax.
V (x)
2.4.3 Droite de régression de x en y

La droite de régression de x en y est la droite (∆0 ) passant par le point moyen G dont une
équation cartésienne est donnée par :
Cov(x, y)
(∆) : x−x= (y − y)
V (y)
Ainsi la droite de régression de x en y a pour équation cartésienne :
cov(x, y)
x = αy + β avec α = et b = x − αy.
V (y)
Exercice 2.4.1
En reprenant l’Exercice 2.3.1,
1. déterminer les équations cartésiennes des droites de régression de Y en X, puis de X en Y .
2. donner une estimation de la note
(a) en SVT d’un élève qui a eu 15 en SPCT.
(b) en SPCT d’un élève qui a eu 13 en SVT.
2.4.4 Coefficient de corrélation linéaire

Soit (xi , yj , nij ) une série statistique à deux caractères x et y telle que V (x) 6= 0 et V (y) 6= 0.
Le coefficient de corrélation linéaire de cette série est le nombre réel noté r tel que :
Cov(x, y)
r=p .
V (x).V (y)
Propriétés
1. −1 ≤ r ≤ 1, c’est-à-dire 0 ≤ |r| ≤ 1.
2. Si |r| = 1 alors tous les points du nuage sont alignés. L’ajustement est dit parfait (les
résultats sont fiables).

Exercices 21
3. Si 0, 87 ≤ |r| < 1, on dit qu’il y a une forte corrélation entre les variables x et y (l’ajustement
se justifie).
4. Si |r| est trèss voisin de 0 alors il y a indépendance linéaire statistique.
5. Si 0, 5 < |r| ≤ 0, 8, la corrélation est mauvaise.
6. La corrélation entre les deux caractères x et y est d’autant meilleure que |r| est très proche
de 1 : les deux phénomènes sont en relation étroite dans le même sens.
Exercice 2.4.2
Déterminer le coefficient de corrélation linéaire de la série étudiée dans l’Exercice 2.3.1 et
commenter le résultat obtenu.
Exercice 2.4.3
On considère les notes obtenues en SVT et en EPS par 10 élèves :
SVT (x) 9 12 5 6 9 14 3 6 12 14
EPS (z) 6 13 17 11 10 8 8 15 6 15
1. Déterminer le coeficient de corrélation linéaire entre les notes de SVT et celles de EPS.
2. Commenter le résultat obtenu.
2.5 Ajustement linéaire : Méthode des points moyens de Mayer

Le principe de cette méthode est le suivant : On partage le nuage de points en deux sous-nuages
d’effectifs égaux (ou égaux à une unité près si l’effectif total est impair). On considère pour chaque
sous-nuage, un point moyen. Désignons par G1 le point moyen du premier sous-nuage et par G2
celui du second sous-nuage. La droite de Mayer est la droite (G1 G2 ). Elle passe par le point moyen
G du nuage des points de la série double.
Exemple 2.2
Déterminer l’équation cartésienne de la droite de régresion de Mayer de la série de l’Exercice
2.3.1
2.6 Exercices
Exercice 2.6.1
Une entreprise a mis au point un nouveau produit et cherche à en fixer le prix de vente. Une
enquête est réalisée auprès des clients potentiels ; les résultats sont donnés dans le tableau suivant,
où yi représente le nombre d’exemplaires du produit que les clients sont disposés à acheter si le
prix de vente, exprimé en milliers de francs, est xi .
xi 60 80 100 120 140 160 180 200

yi 952 805 630 522 510 324 205 84
1.(a) Représenter le nuage de points associé à cette série.
(b) Calculer le coefficient de corrélation linéaire. La valeur trouvée justifie-t-elle la recherche
d’un ajustement linéaire ?
2. Déterminer la droite de régression de y en x puis celle de x en y.

Exercices 22
3. Les frais de conception du produit se sont élevés à 28 millions de francs ; le prix de fabrication
de chaque exemplaire est de 25000 francs.
(a) Déduire de la question précédente que le bénéfice z, en fonction du prix de vente x, est
donné par l’égalité :
z = −5, 956x2 + 1427, 18x − 59957, où x et z sont exprimés en milliers de francs
(b) Déterminer, à un francs près, le prix de vente x permettant de réaliser le bénéfice maximal
et calculer ce bénéfice.
Exercice 2.6.2
Une enquête menée au niveau de 100 sociétés intéressées par l’achat d’un logiciel donne les
résultats ci-après :
Prix xi (en FCFA) proposé pour le logiciel Nombre yi de sociétés disposées à acheter le logiciel
100.000 100
160.000 86
220.000 82
320.000 80
400.000 70
480.000 46
560.000 40
640.000 25
720.000 15
800.000 10
1. Représenter le nuage de points de la série statistique ci-dessus dans le plan muni d’un repère
orthogonal. Unités graphiques :
- 1 cm pour 100.000F sur l’axe des abscisses.
- 1 cm pour 20 sociétés sur l’axe des ordonnées.
2.(a) Etablir une équation de la droite de régression de y en x par la méthode des moindres
carrés (les coefficients seront donnés à 10−2 près par défaut).
(b) Tracer cette droite sur la figure de la question 1).
3. Le fabricant du logiciel engage deux sortes de frais :
• les frais fixes qui s’élèvent à 8.000.000 FCFA.
• les frais de fabrication d’un montant de 50.000 FCFA par logiciel.
(a) Donner le bénéfice B(x) en fonction du prix de vente x.
(b) Démontrer qu’il existe un bénéfice maximal B0 pour un prix x0 du logiciel à déterminer.
(c) Calculer le bénéfice B0 .
Exercice 2.6.3
Le tableau à double entrée ci-dessous présente les résultats d’une étude faite sur un échantillon
des ménages d’une ville. Les xi et yi sont respectivement les revenu et épargne mensuels de ces
ménages : xi et yi sont exprimés en milliers de francs CFA.

Exercices 23
xi
45 75 125
yi
14 4 24 2
25 4 36 0
40 0 12 18
1. Préciser la taille de l’échantillon étudié.
2.(a) Présenter le tableau des fréquences de la série marginale de x.
(b) Présenter le tableau des fréquences de la série marginale de y.
3. Calculer la covariance du couple (x, y).
4. Etablir l’équation de la droite de régression qui permet d’estimer le revenu mensuel à partir
de l’épargne mensuelle.
En déduire un estimation du revenu mensuel d’un ménage ayant réalisé une épargne men-
suelle de 50.000F CFA.
5. Calculer le coefficient de corrélation linéaire r et apprécier la liaison entre le revenu et
l’épargne mensuels des ménages de cette ville.
Exercice 2.6.4
On considère la série statistique à deux caractères présentée dans le tableau suivant.
xi 4 20 1 10 9 5 2 2 6 5 11 15
yi 3,3 0,6 10,5 1,3 1,3 2,2 5 8 1,8 2 1,2 0,9
1. Représenter le nuage de points associés à cette série. La forme du nuage suggère-t-elle un
ajustement linéaire ?
1
2. On pose z = .
y
(a) Déterminer le coefficient de corrélation linéaire de la série statistique (xi , zi ). La valeur
de ce coefficient justifie-t-elle un ajustement linéaire ?
(b) Déterminer une équation de la droite de régression de z en x.
Exercice 2.6.5
A l’oral d’un examen, chaque candidat est interrogé en première langue où il obtient la note X
et en seconde langue où il obtient la note Y (notes sur 20). Les résultats obtenus par 100 candidats
sont donnés ci-dessous :
Y
[0,4[ [4,8[ [8,12[ [12,16[ [16,20[
X
[0,4[ 2 5 2 0 0
[4,8[ 1 12 10 3 0
[8,12[ 0 3 28 12 1
[12,16[ 0 1 5 10 2
[16,20[ 0 0 0 1 2
1. Représenter graphiquement la statistique double (X,Y) par un nuage de points pondérés.

2. Déterminer les distributions marginales en X et en Y et calculer les moyennes et variances
marginales.

Exercices 24
3. Déterminer les distributions conditionnelles de X liées par Y et celles de Y liées par X.

Calculer les moyennes et variances conditionnelles.
4. Déterminer la distribution des moyennes conditionnelles de Y liées par X. Calculer sa
moyenne et sa variance.
5. Déterminer la distribution des variances conditionnelles de Y liées par X et calculer sa
moyenne.
6. Calculer Cov(X,Y). Les deux notes sont-elles indépendantes statistiquement ?
Exercice 2.6.6
Durant six (6) années consécutives, des observations sur deux variables statistiques Y et Z ont
permis d’obtenir les résultats suivants :
10 5
• La droite de regression (D) de Y en Z a pour équation : Y = Z + .
9 9
4
• La droite de regression (D0 ) de Z en Y a pour équation : Z = Y .
5
• Les six (6) valeurs y1 , y2 , · · · , y6 de Y vérifient les égalités : yi+1 = 1 + yi ∀ i < 6.
1. Calculer les moyennes respectives Ȳ et Z̄ de Y et Z.
X 6 6
X
2. En déduire les valeurs des sommes S1 = yi , S2 = zi puis les valeurs de y1 , y2 , · · · , y6 .
i=1 i=1
3. Calculer le coefficent de corrélation linéaire r entre Y et Z. Commenter le résultat obtenu.
4. On suppose que
• Z est le montant annuel des frais de publicités d’une entreprise (E).
• Y représente le quart du chiffre d’affaire annuel de (E).
• Y et Z sont exprimés en millions de francs CFA.
(a) Calculer le chiffre d’affaire moyen de (E), au bout des six années d’observation.
(b) A l’aide de la droite (D), calculer une estimation du chiffre d’affaire de l’entreprise sa-
chant qu’elle a engagé 3.000.000 FCFA pour la publicité.
5. Calculer respectivement :
(a) la variance de Y ,
(b) la covariance entre Y et Z puis
(c) la variance de Z.
Exercice 2.6.7
La série ci-dessous concerne les ventes annuelles exprimées en milliers de francs CFA de 1970
à 1975 d’un magasin de pagnes (xi en année et yi vente en milliers de francs CFA).
xi 1970 1971 1972 1973 1974 1975

yi 3400 2800 3200 3800 4300 4700
1. Déterminer les deux droites de régression par la méthode des moindes carrées et calculer le
coefficient de corrélation linéaire. Commenter le résultat obtenu.
2. Quelle prévision de vente annuelle le magasin de pagne peut-il espérer atteindre en 1978.

Exercices 25
Exercice 2.6.8
On considère la statistique double définie par le tableau de contingence suivant :
y1 y2 y3 Total
x1 128 81 17
x2 64 22 88
Total n
1. Déterminer la population totale n et les différentes populations relatives. (Il s’agit de complèter
le tableau).
2. Calculer les distributions marginales de x et de y associées.
3. Calculer les moyennes, les variances et la covariance de x et y.

Chapitre Trois
Analyse combinatoire
3.1 Notions sur les ensembles

3.1.1 Ensemble fini-Ensemble infini dénombrable
— Un ensemble E est dit fini s’il est vide, ou s’il existe un entier naturel n et une bijection de
{1, 2, · · ·, n} sur E.
Si E 6= ∅, l’entier naturel n est appelé cardinal de E. On note Card E = n.
Par convention, Card ∅ = 0.
— Dénombrer un ensemble fini non vide E, c’est déterminer le Card E, c’est-à-dire le nombre
de ses éléments.
Trois conditions doivent être remplies pour que le dénombrement de E soit correct :
1. il ne faut compter que des éléments de E ;
2. il ne faut pas en oublier ;
3. il ne faut pas compter certains éléments de E plusieurs fois.
Néanmoins, si par une méthode chaque élément de E est compté k fois, Card E est le quotient
par k du nombre obtenu par cette méthode.
— Un ensemble E est dit dénombrable s’il existe une bijection de N sur E..
— Un ensemble E est au plus dénombrable s’il est fini ou bien dénombrable.
Exemple 3.1
— N est dénombrable.
— N∗ est dénombrable.
— Z est dénombrable.
— R n’est pas dénombrable.
— Si a et b sont deux nombres réels tels que a < b, l’intervalle [a, b] n’est pas dénombrable.
3.1.2 Propriétés des cardinaux

Proposition 3.2 Soient E un ensemble fini. Si F est un ensemble tel qu’il existe une bijection
de E sur F , alors F est un ensemble fini et
Card E = Card F.
Proposition 3.3 Soient E un ensemble fini. Toute partie A de E est finie et
Card A ≤ Card E.

Propriétés des cardinaux 27
Si A est une partie de E, on a :
A = E ⇐⇒ Card A = Card E.
Proposition 3.4 Si A et B sont deux parties d’un ensemble fini E, on a :
1. Si A et B sont disjoints, on a Card (A ∪ B) = Card A + Card B.
2. Card (A − B) = Card A − Card (A ∩ B).
3. Card (Ā) = Card E − Card A.
4. Card (A ∪ B) = Card A + Card B − Card (A ∩ B).
Exercice 3.1.1
Soit E = {1, 2, 3, 4}.
1. Déterminer P(E).
2. Ecrire tous les nombres de trois chiffres distincts à l’aide des éléments de E.
3. Parmi ces nombres, combien sont divisibles par 6.
Exercice 3.1.2
Une station de radio diffuse les mêmes publicités à 15h et à 16h. D’après un sondage, on estime
qu’il y a 21400 auditeurs à 15h et 24800 à 16h.
1. On suppose que les personnes qui écoutent la radio à 15h ne l’écoutent pas à 16h. Déterminer
le nombre d’auditeurs ayant entendu ces publicités.
2. On suppose que 4600 personnes écoutent la radio à 15h et à 16h.
(a) Déterminer le nombre d’auditeurs ayant entendu ces publicités.
(b) Déterminer le nombre d’auditeurs ayant entendu ces publicités uniquement à 15h.
(c) Déterminer le nombre d’auditeurs ayant entendu ces publicités uniquement à 16h.
(d) Déterminer le nombre d’auditeurs ayant entendu ces publicités une seule fois.
Exercice 3.1.3
Dans un groupe de 25 personnes, 10 jouent au basket-ball, 17 jouent au football et 8 pratiquent
ces deux sports. Déterminer le nombre de personnes
1. qui jouent seulement au football.
2. qui jouent seulement au basket-ball.
3. qui ne pratiquent aucun de ces deux sports.
Exercice 3.1.4
Dans une classe de 40 élèves, il y a 16 filles parmi lesquelles 12 apprennent l’anglais et 6
apprennent l’arabe ; 26 élèves suivent les cours d’anglais, 17 suivent les cours d’arabe, 7 suivent
les deux cours ; 2 garçons ne suivent aucun de ces deux cours.
1. Déterminer le nombre de filles de cette classe qui suivent les deux cours de langue.
2. Déterminer le nombre de filles qui ne suivent aucune de ces deux matières.
Proposition 3.5
Si E et F sont deux ensembles finis, alors E × F est un ensemble fini et
Card (E × F ) = (Card E) · (Card F ) .

p-listes d’éléments distincts d’un ensemble 28
Proposition 3.6
n
Y
Plus généralement, si (Ei )i=1,···,n est une famille d’ensembles finis, alors Ei est un ensemble
i=1
fini et !
n
Y n
Y
Card Ei = (Card Ei ) .
i=1 i=1
En particulier si E est un ensemble fini,

k
Card E k = Card(E

| ×E×
{z· · · × E}) = (Card E)
k fois
pour tout entier naturel non nul k.
3.2 p-listes d’un ensemble

3.2.1 p-listes d’un ensemble
Definition 3.7
On appelle p-liste d’un ensemble E à n éléments, tout élément de E p , c’est-à-dire toute suite
de p éléments de E.
Remarque 3.8
1. L’ordre des éléments de la p-liste est important ; c’est-à-dire : deux p-listes contenant les
mêmes éléments dans des ordres différents sont différentes.
2. Une p-liste peut contenir plusieurs fois le même élément.
3. Une p-liste est aussi appelée p-uplet.
Exemple 3.9
Soit E = {a, b, c, d, e} .
— (a, b, b) et (e, c, d) sont des 3-listes ( encore appelées triplets) d’éléments de E.
— (e, c, d) et (c, e, d) sont des 3-listes différentes.
— (a, b) ; (b, a), (b, e) et (e, d) sont des 2-listes ( encore appelées couples) d’éléments de E.
Proposition 3.10
Soit E un ensemble fini de cardinal n. Alors le nombre de p-listes de l’ensemble E est np .
3.2.2 p-listes d’éléments distincts d’un ensemble

Definition 3.11 Une p-liste d’éléments distincts d’un ensemble E est aussi appelée arrangement
de p éléments de E. Si Card E = n, une n-liste d’éléments distincts de E est une permutation de
E.
Proposition 3.12
Soit E un ensemble fini de cardinal n. On note Apn le nombre de p-listes d’éléments distincts
de E. On a :
n!
Apn = n(n − 1)(n − 2) · · · (n − p + 1) = pour tous entiers naturels n et p tels que n > p.
(n − p)!

Combinaison 29
Proposition 3.13
Il y a n! permutations d’un ensemble à n éléments.
• A0n = 1
• A1n = n
• Apn est aussi le nombre d’applications injectives d’un ensemble à p éléments dans un ensemble
á n éléments.
• np est le nombre d’applications d’un ensemble à p éléments dans un ensemble à n éléments.
Exemple 3.14
On veut garer trois voitures dans cinq garages. De combien de manières peut-on procéder dans
chacun des cas suivants :
1. Un garage ne peut contenir qu’une seule voiture.
2. Un garage peut contenir les trois voitures.
3. Un garage peut contenir au plus deux voitures.
3.3 Parties d’un ensemble

3.3.1 Combinaison
Definition 3.15
Soient E un ensemble fini de cardinal n, p un entier naturel inférieur ou égal à n. On appelle
combinaison de p éléments de E, toute partie à p éléments de E.
Exemple 3.16
Soit E = {a, b, c, d, e} .
— {a, b, c} et {e, c, d} sont des combinaisons de 3 éléments de E.
— {e, c, d} = {c, e, d} .
Proposition 3.17
Soit E un ensemble fini de cardinal n. On note {pn ou bien np le nombre de combinaisons de p
éléments de E. On a :
Ap n!
{pn = np = n = .
p! p! (n − p)!
Proposition 3.18
• Pour n ∈ N et p ∈ {0, 1, · · ·, n} , on a :
— {pn = {n−p
n .
— {0n = {nn = 1.
• Pour n ∈ N∗ et p ∈ {1, 2, · · ·, n − 1} , on a :
— {1n = {n−1
n = n.
— {n = {n−1 + {pn−1 .
p p−1
— {pn = np {p−1
n−1 .
— Formule du binôme de Newton : pour (a, b) ∈ C2 et n ∈ N, on a :
n
X n
X
n
(a + b) = {pn ap bn−p = {pn an−p bp .
p=0 p=0
• Si Card E = n, alors Card (P(E)) = 2n .

Exercices 30
3.4 Exercices
Exercice 3.4.1
Soit A l’ensemble des nombres à 6 chiffres ne comportant aucun 0. Déterminer les cardinaux
des ensembles suivants :
1. A.
2. A1 , ensemble des nombres de A ayant 6 chiffres deux à deux différents.
3. A2 , ensemble des nombres pairs de A.
4. A3 , ensemble des nombres de A dont les chiffres forment une suite strictement croissante
(dans l’ordre où ils sont écrits).
Exercice 3.4.2
Montrez la relation suivante :
{rn−1 + {r−1 r
n−1 = {n pour tous entiers n et r tels que 2 6 r + 1 6 n.
Exercice 3.4.3
Un octet est une suite de longueur 8 de 0 et de 1, par exemple 10110010.
1. Combien d’octets différents existent-ils ?
2. Même question si on exige que les octets commencent par 11 et finissent par 000 ?
3. Même question si on exige que les octets finissent par 01 ?
Exercice 3.4.4
De combien de façons peut-on placer 8 personnes autour d’une table ronde :
1. Si les chaises sont numérotées.
2. Si les chaises ne sont pas numérotées.
Exercice 3.4.5
Combien de mots différents avec au moins une lettre peut-on créer avec les 4 lettres EPFL,
sans répéter des lettres ?
Exercice 3.4.6
On veut choisir un président, un secrétaire et un caissier dans un club de plongée contenant
10 membres.
Le cumul des charges est interdit. De combien de manières peut-on attribuer ces charges si
1. Aucune restriction n’est imposée ;
2. Alice et Bernard refusent d’officier ensemble ;
3. Charlotte et Didier officieront ensemble ou pas du tout ;
4. Eric doit avoir une charge ;
5. Félix n’accepte que la charge de président.

Chapitre Quatre
Introduction à la théorie de probabilité
4.1 Mesure de probabilité

4.1.1 Tribu
Definition 4.1
Soit Ω un ensemble non vide. On appelle tribu sur Ω, une famille F de parties de Ω vérifiant
les propriétés suivantes :
— ∅ ∈ F.
— ∀A ∈ F, AC = CΩA ∈ F. [
— ∀n ∈ N∗ , An ∈ F =⇒ An ∈ F
n∈N∗
Exemple 4.2
1. Soit Ω un ensemble non vide. Alors on a :
— F0 = {∅, Ω} .
— F1 = P(Ω).
— Pour toute partie non vide A de Ω, F2 = ∅, A, AC , Ω .
2. Soit Ω = {1, 2, 3, 4, 5, 6}, l’ensemble
F3 = {∅, {1}, {2}, {2, 3, 4, 5, 6}, {1, 3, 4, 5, 6}, {1, 2, 3, 4, 5, 6}}
n’est pas une tribu sur Ω.
Proposition 4.3
Soit F une tribu sur un ensemble Ω. On a :
— F est stable par réunion finie.
— F est stable par intersection dénombrable ou finie.
— Si A et B sont des éléments de F, AB et A4B sont aussi des éléments de F.
Definition 4.4
La plus petite tribu qui contient un ensemble donné de parties de Ω est appelé la tribu engendrée
par cet ensemble. C’est donc l’intersection de toutes les tribus qui le contiennent.
Definition 4.5
On appelle espace probabilisable (ou espace mesurable), la donnée d’un couple (Ω, F), où Ω est
un ensemble non vide et F une tribu de parties de Ω.

Notion d’expérience aléatoire 32
4.1.2 Mesures de probabilité

Definition 4.6
Soit F une tribu sur Ω. On appelle mesure de probabilité sur l’espace probabilisable (Ω, F, une
application
P : F −→ [0; 1]
vérifiant :
1. P (Ω) = 1 et P (∅) = 0.
2. P est σ−additive ; c’est-à-dire : pour toute suite (An )n∈N∗ d’éléments de F deux à deux
disjoints, on a : !
[ X
P An = P (An ).
n∈N∗ n∈N∗
Proposition 4.7
On vérifie que : pour tous A et B éléments de F), on a :
1. A ⊂ B =⇒ P (A) ≤ P (B).
2. P (A ∪ B) = P (A) + P (B) − P (A ∩ B).
Et plus généralement, pour une famille (An )n∈N∗ quelconque d’éléments de F, la formule de
Poincarré indique que :
N
! N
!
[ X X X \
N −1
P An = P (An ) − P (Ai ∩ Aj ) + P (Ai ∩ Aj ∩ Ak ) + · · · + (−1) P An .
n=1 n∈N∗ i<j i<j<k n=1
4.1.2.1 Vocabulaire
• Notons qu’un espace probabilsable (Ω, F) peut être muni d’une ou de plusieurs probabilités.
• Si P est une probabilité sur (Ω, F), le triplet (Ω, F, P ) est espace probabilisé.
4.2 Notion d’expérience aléatoire

On appelle expérience aléatoire, toute épreuve dont l’issue est dûe au hasard mais dont on
connait tous les résultats possibles.
Exemple 4.8
Une pièce de monnaie comporte deux faces ”tête” que l’on notera T et ”franc” F. On sait que
l’ensemble de tous les résultats possibles au terme d’un lancer de cette pièce est Ω = {T, F }. Mais
avant l’opération de lancer de la pièce, on ne peut pas dire avec certitude une issue. On a donc
une expérience aléatoire.
Exemple 4.9
On considère un dé cubique dont les faces sont numérotées de 1 à 6. On jette ce dé et on
observe après immobilisation le chiffre apparu à sa face supérieure. L’ensemble de tous les résultats
possibles au terme d’un lancer de ce dé est Ω = {1, 2, 3, 4, 5, 6}. Mais avant l’opération de lancer
de la pièce, on ne peut pas dire avec certitude une issue. On a donc une expérience aléatoire.

Conditions d’équiprobabilité 33
4.3 Langage probabiliste

• L’ensemble de tous les résultats possibles d’une expérience aléatoire est appelé univers ou
espace des épreuves. Il est souvent noté Ω.
• Chaque élément de l’univers est appelé éventualité. Il est souvent noté ω.
• Toute partie de l’univers Ω est appelée évènement. Si Ω est fini, P(Ω) représente l’ensemble
des évènements associés à l’expérience aléatoire représenté par Ω.
• Les singletons {ω} de Ω sont appelés évènements élémentaires.
• L’évènement impossible est la partie vide ∅ de l’univers.
• L’évènement certain est la partie pleine de l’univers c’est-à-dire Ω lui-même.
• L’évènement contraire d’un évènement A est l’évènement noté A qui représente le complémentaire
de A dans Ω. C’est donc l’évènement qui est réalisé lorsque A ne l’est pas et qui ne l’est pas
lorsque A l’est. On a :
[ \
A = {A Ω ; A A = Ω et A A = ∅.
• Soient A et B deux évènements d’un phénomène aléatoire ; alors l’évènement ”A et B” est
l’évènement qui comporte uniquement les éléments qui assurentTà la fois la réalisation de A
et de B. Donc l’évènement ”A et B” peut se représenter par A B.
• Deux évènements sont dits incompatibles
T lorsqu’ils ne peuvent pas se réalisés à la fois. Donc
A et B sont incompatibles lorsque A B = ∅.
• L’évènement ”A ou B” est réalisé si et seulement si l’un au moins des deux évènement A
ou bien B est réalisé au cours
S de la même expérience aléatoire. Donc l’évènement ”A ou B”
peut se représenter par A B.
4.4 Probabilité sur un ensemble fini ou dénombrable

4.4.1 Généralité
Pour fixer les idées, supposons que Ω = {1, 2, · · ·, N }, ou Ω = N. DansPce cas, on prend
souvent F = P(Ω). La donnée d’une suite de nombres positifs (pk )k∈Ω , avec k pk = 1 définit
entièrement une probabilité sur F = P(Ω). En effet, il est clair que pour tout A ∈ F on a :
X
P (A) = pk
k∈A
4.4.2 Conditions d’équiprobabilité

Definition 4.10
On dit qu’il y a équiprobabilité, lorsque les probabilités de tous les évènements élémentaires sont
égales. On dit que la probabilité est uniforme sur l’espace probabilisable (Ω, P(Ω)).
Proposition 4.11
S’il y a équiprobabilité, pour tout évènement A, on a :
card A nombre de cas favorables
p(A) = = .
card Ω nombre de cas possibles
Exemple 4.12
On jette un dé cubique dont les faces sont numérotées de 1 à 6 et on lit après immobilisation
le chiffre apparu à sa face supérieure.

Théorème-Définition 34
1. Sachant que le dé est parfaitement équilibré, quelle est la probabilité d’obtenir un chiffre
pair ?
2. Sachant que le dé est truqué de sorte que chaque face ait une probabilité d’apparition pro-
portionnelle au numéro qu’elle porte, quelle est la probabilité d’obtenir un numéro pair ?
Exercice 4.4.1
Une urne contient 9 boules numérotées de 1 à 9. On tire simultanément deux boules de cette
urne ; sachant que les boules sont indiscernables au toucher, quelle est la probabilité d’obtenir deux
boules portant des numéros de même parité ?
4.5 Probabilités conditionnelles

4.5.1 Théorème-Définition
Soient (Ω, P(Ω), p) un espace probabilisé fini, A un évènement de probabilité non nulle. Pour
tout évènement B, posons :
p(A ∩ B)
pA (B) = .
p(A)
pA est une probabilité sur l’espace probabilisable (Ω, P(Ω)), appelée probabilité contionnelle rela-
tive à A ou bien probabilité sachant A. pA (B) se note également p(B/A). Ainsi on a :
p(A ∩ B)
p(B/A) = pA (B) =
p(A)
B/A est l’evénement : “ B sachant A” .
Lorsque p(B) 6= 0, on définit de même p(A/B) par :
p(A ∩ B)
p(A/B) = pB (A) = .
p(B)
A/B est l’evénement : “ A sachant B” .
Remarque 4.13
La probabilité p(A) est appelée la probabilité ”à priori” et p(A/B) ou pB (A) la probabilité à
posteriori car sa réalisation dépend de la réalisation de B.
Exercice 4.5.1
Une urne contient 2 boules rouges et 3 vertes indiscernables au toucher. On tire successivement
et sans remise 2 boules de l’urne.
1. Quelle est la probabilité d’obtenir au second tirage une boule verte sachant que la première
boule tirée est rouge ?
2. Quelle est la probabilité d’obtenir au premier tirage une boule rouge sachant que la deuxième
boule tirée est verte ?
Exercice 4.5.2
Soit un croisement entre hétérozygotes Aa pour un caractère à dominance stricte, quelle est
la probabilité d’obtenir à la génération suivante parmi les individus de phénotype A, un individu
homozygote ?
Résultat :

Notion d’indépendance en probabilité 35
L’ensemble des événements élémentaires est Ω = {AA, Aa, aA, aa}.

Notons H=l’ensemble des individus homozygotes ; H̄= ensemble des individus hétérozygotes et
F l’ensemble des individus de phénotype A. Alors H ∩ F est l’événement :“Etre de phénotype A
et être homozygote”. Par conséquent
3 1 p(H ∩ F ) 1/4 1
p(F ) = ; p(H ∩ F ) = ; p(H/F ) = = = .
4 4 p(F ) 3/4 3
Propriété 4.14 (Formule des probabilités composées)
Si A et B sont deux événements tels que p(A) 6= 0 et p(B) 6= 0 alors
p(A ∩ B) = p(A)p(B \ A) = p(B)p(A \ B).
4.5.2 Notion d’indépendance en probabilité

Definition 4.15
Soient A et B deux évènements d’un même espace probabilisé (Ω, P(Ω), p). A et B sont indépendants
pour la probabilité p si :
p(A ∩ B) = p(A) × p(B).
Proposition 4.16
Soit (Ω, F, p) un espace probabilisé et soit A, B deux événements tel que p(A) 6= 0 et p(B) 6= 0.
1. Si A et B sont indépendants alors
(a) A et B sont indépendants.
(b) A et B sont indépendants.
(c) A et B sont indépendants.
2. Si p(A) 6= 0, on a : A et B indépendants pour la probabilité p si et seulement si
pA (B) = p(B).
3. Si p(B) 6= 0, on a : A et B indépendants pour la probabilité p si et seulement si
pB (A) = p(A).
Ce qui traduit le fait que la réalisation de l’évènement A n’a aucune influence sur celle de
B à priori et réciproquement.
4. Lorsque deux événements A et B sont indépendants, la probabilité conditionnelle de A est la
même que ce soit B ou B̄ qui est réalisé, et réciproquement.
Exemple 4.17
Soit Ω = {1, 2, 3, 4, 5, 6}, p1 et p2 deux probabilités définies sur (Ω, P(Ω)) par :
k 1 2 3 4 5 6
1 1 1 1 1 1
p1 ({k}) 6 6 3 9 9 9
1 1 1 1 1 1
p2 ({k}) 6 6 6 6 6 6
Considérons les évènements : A = {1, 2} et B = {2, 3}.
1. Les évènements A et B sont ils indépendants pour la probabilité p1 ?
2. Les évènements A et B sont ils indépendants pour la probabilité p2 ?

Probabilités totales 36
4.5.3 Indépendance de n évènements

Definition 4.18
• n évènements A1 , A2 , ···, An d’un espace probabilisé (Ω, P(Ω)) sont deux à deux indépendants
si pour tous i et j distincts dans {1, 2, · · ·, n}, on a :
p(Ai ∩ Aj ) = p(Ai ) × p(Aj ).
• n évènements A1 , A2 , ···, An d’un espace probabilisé (Ω, P(Ω)) sont mutuellement indépendants
si pour tout ensemble I d’indices choisis dans {1, 2, · · ·, n}, on a
!
\ Y
p Ai = p(Ai ).
i∈I i∈I
Remarque 4.19
n évènements mutuellement indépendants sont deux à deux indépendants. Mais n évènements
peuvent être deux à deux indépendans sans être mutuellement indépendants.
Exemple 4.20
On lance deux fois un dé cubique parfaitement équilibré. On considère les évènements suivants :
♠ A1 : ”le premier nombre obtenu est pair”.
♠ A2 : ”le deuxième nombre obtenu est impair”.
♠ A3 : ”la somme des deux nombres obtenus est pair”.
1. Les évènements A1 , A2 , A3 sont-ils deux à deux indépendants ?
2. Les évènements A1 , A2 , A3 sont-ils mutuellement indépendants ?
4.5.4 Probabilités totales

Definition 4.21 (Système complet d’événements)
{A1 , A2 , · · · , Ai , · · · , An } forment un système complet d’événements si les parties {A1 , A2 , · · · , Ai , · · · , An }
de Ω constituent une partition de Ω telle que :
• ∀ i Ai 6= ∅
• [
∀i 6= j Ai ∩ Aj = ∅.
• Ai = Ω
i
Proposition 4.22
Si {A1 , A2 , · · · , Ai , · · · , An } est un système complet d’événements, quel que soit l’événement B,
on a le résultat suivant :
p(B) = p(B/A1 ) × p(A1 ) + p(B/A2 ) × p(A2 ) + · · · + p(B/An ) × p(An )
Xn
= p(B/Ai ) × p(Ai ) (Formule des probabilités totales)
i=1
Exercice 4.5.1
1 2
Une population animale comporte de mâles et de femelles. L’albinisme frappe 6% des
3 3
mâles et 0,36% des femelles. Déterminer la probabilité pour qu’un individu pris au hasard (dont
on ignore le sexe) soit albinos.
Reponse : On a 2,24% d’albinos dans cette population

Formule de Bayes 37
4.5.5 Formule de Bayes

Un corollaire au théorème des probabilités totales est connu sous le nom de Fomule de Bayes :
Si {A1 , A2 , · · · , Ai , · · · , An } est un système complet d’événements, et quel que soit l’événement
B tel que p(B) 6= 0, alors on a :
p(B/Ai ) × p(Ai )
p(Ai /B) =
p(B/A1 ) × p(A1 ) + p(B/A2 ) × p(A2 ) + · · · + p(B/Ai ) × p(Ai ) + · · · + p(B/An ) × p(An )
p(B/Ai ) × p(Ai )
= n (Formule de Bayes)
X
p(B/Ai ) × p(Ai )
i=1
La formule de Bayes est utilisée de façon classique pour calculer des probabilités de causes dans
les diagnostics. L’application de ce théorème est à la base de toute une branche de la statistique
appelée Statistique Bayesienne.
Exemple 4.23
Dans une population pour laquelle 1 habitant sur 100 est atteint d’une maladie génétique A,
on a mis au point un test de dépistage. Le résultat du test est soit positif (T) soit négatif (N). On
sait que p(T/A)=0,8 et p(N/Ā) = 0, 9.
On soumet un patient au test. Celui-ci est positif. Quelle est la probabilité que ce patient soit
atteint de la maladie A, c’est-à-dire p(A/T) ?
Reponse : p(A/T)=0,075
Ainsi avant le test, la probabilité d’être malade était de p(A)=0,01 (probabilité à
priori ) et après le test la probabilité d’être malade est de p(A/T)=0,075 (probabilité
à posteriori). Ainsi le test apporte un supplément d’information.
Exercice 4.5.2
Un établissement est situé dans une ville où la météo suit les conditions suivantes : on admet
qu’un jour donné soit il fait beau, soit il pleut. S’il fait beau un jour alors il fera beau le jour
1
suivant avec une probabilité de . S’il pleut un jour alors il pleuvra encore le lendemain avec une
2
2
probabilité de .
3
Aujourd’hui il pleut. Fadel le premier délégué de l’établissement s’intéresse à la probabilité qu’il
fasse beau demain (1 jour), dans deux jours, dans 3 jours, ....., dans n jours. Pour n > 1, on
désigne par Bn l’événement : ” Il fera beau dans n jours ” et on pose pn = p(Bn ).
On désigne par (un )n>1 la suite numérique définie par :
2
∀n > 1,
un = pn − .
5
1. Illustrer par un arbre pondéré, l’évolution possible de la méteo pour demain et après demain.
2. Déterminer p1 = p(B1 ) et p2 = p(B2 ).
1 1
3. Démontrer que pour tout n > 1 on a : pn+1 = pn + .
6 3
4. Démontrer que la suite (un )n>1 est géométrique.
5. Exprimer alors un puis pn en fonction de n.

Exercices 38
4.6 Exercices
Exercice 4.6.1
Soit Ω un ensemble non vide.
1. Montrer qu’une intersection quelconque de tribus de parties de Ω est une tribu de parties de
Ω.
2. Montrer, à l’aide d’un contre exemple que la réunion de deux tribus de parties de Ω n’est
pas toujours une tribu de parties de Ω.
Exercice 4.6.2
2
Un étudiant, Ulysse, sort habituellement le Vendredi soir, avec une probabilité de . Or ce
3
jour-là, il y a justement un devoir de mathématiques le lendemain matin. On suppose qu’Ulysse
3
résussit à avoir une moyenne avec une probabilité de s’il n’est pas sorti la veille, et de seulement
4
1
dans le cas contraire. Sachant qu’Ulysse n’a pas obtenu la moyenne, quelle est la probabilité pour
2
qu’il soit sorti la veille ?
(Rep : 0,8).
Exercice 4.6.3
Un nouveau test de dépistage d’une maladie rare et incurable, touchant environ une personne
sur 100000, vient d’être mis au point. Pour tester sa validité, on a effectué une étude statistique :
sur 534 sujets sains, le test a été positif 1 seule fois, et, sur 17 sujets malades, il a été positif 16
fois.
Une personne effectue ce test, et le resultat est positif. Quel est la probabilité pour qu’elle soit
atteinte de cette maladie ? Faut-il commercialiser ce test ?
Reponse : On note M l’événement ”être malade”, et T celui ”avoir un test positif”. On a
p(M)=1/100000, p(T/M)=16/17 et p(T /M̄ ) = 1/534. En appliquant la formule de Bayes on a :
p(T /M ) × p(M )
p(M/T ) = = 0, 5%.
p(T /M ) × p(M ) + p(T /M̄ ) × p(M̄ )
Exercice 4.6.4
Au Loto, on doit cocher 6 cases dans une grille comportant 49 numéros. Quelle est la probabilité
de gagner le gros lot (c’est-à-dire d’avoir les 6 bons numéros) ?
Jules joue au Loto ; s’il gagne il part aux Seychelles pour un mois complet à coup sûr. S’il perd,
il ne partira probablement pas (seulement avec une probabilité de 1/10000).
Quelle est la probabilité pour que Jules parte aux Seychelles demain ?
Sachant qu’il est parti aux Seychelles, quelle est la probabilité qu’il ait gagné au Loto ?
Reponse : Soit S l’événement ”Jules part aux Seychelles” et L l’événement ”Jules gagne au
6
Loto”. On a p(L) = 1/C49 ; p(S/L) = 1 et p(S/L̄) = 1/100000. D’où
p(S) = p(S ∩ L) + p(S ∩ L̄) = p(S/L) × p(L) + p(S/L̄) × p(L̄) = 0, 0001000715.
p(L ∩ S) p(S/L) × p(L)
p(L/S) = = = 0, 000715
p(S) p(S)
Exercice 4.6.5
Trois machines A,B et C fournissent respectivement 50%, 30% et 20% de la production d’une
usine. Les pourcentages de pièces défectueuses sont respectivement de 3%, 4% et 5%.

Exercices 39
1. Quelle est la probabilité qu’une pièce, prise au hasard dans la production soit défectueuse ?
Reponse : 3,70%
2. Quelle est la probabilité pour qu’une pièce défectueuse prise au hasard provienne
(a) de A ?
(b) de B ?
(c) de C ?
Reponse : 40,54% ; 32,43% et 27,03% respectivemment.
3. Quelle est la probabilité qu’une pièce provienne de la machine A sachant qu’elle est non
défectueuse ?
Reponse : 50,36%
Exercice 4.6.6
Alice et Bob jouent aux flêchettes. A chaque manche, Alice gagne avec une probabilité p. La
partie se déroule en deux manches gagnantes. Quelle est la probabilité p0 pour que Alice gagne ?
(Reponse : p0 = p2 (3 − 2p))
Exercice 4.6.7 (Paradoxe de Monty Hall)
Hildebert joue à un jeu télévisé. Il a face à lui, trois portes A, B et C identiques ; derrière l’une
d’entre elle se trouve le gros lot, mais derrière les deux autres rien du tout. Hildebert choisit une
des portes (disons la A), et alors le présentateur (qui connaı̂t la porte gagnante) ouvre une autre
porte (disons la C) et montre à tous qu’il n’y a rien derrière celle-ci (la porte C). Il demande
ensuite à Hildebert s’il préfère rester sur son choix ou s’il veut changer.
Hildebert, se disant que cela ne fait aucune différence, reste sur son choix (la porte A). A-t-il
raison d’agir ainsi ?
1
Reponse : Si Hildebert reste sur son choix, il gagne avec une probabilité de . S’il change
3
2
systématiquement, il gagne avec une probabilté de . Hildebert doit donc changer de porte.
3
4.7 Exercices
Exercice 4.7.1
Dans l’un des bureaux d’une entreprise de vente par correspondance arrivent plusieurs catégories
de courrier. Parmi les lettres reçues, 90% contiennent une commande, 45% une demande de cadeau
promotionnel gratuit, et 40% contiennent les deux. Les autres lettres sont des réclamations, et l’on
suposera que ces derniers ne sont jamais accompagnées de commande ou de demande de cadeau.
1. On prend une lettre au hasard dans ce bureau. Déterminer la probabilité que cette lettre :
(a) contienne seulement une commande
(b) contienne seulement une demande de cadeau
(c) contienne une commande ou une demande de cadeau
(d) ne contienne pas de commande
(e) ne contienne ni de commande ni de demande de cadeau
2. On prend au hasard, parmi un très grand nombre de lettres, une pile de 5 lettres. Déterminier
la probabilité d’avoir :

Exercices 40
(a) 5 commandes
(b) au moins une commande
(c) exactement une commande.
Exercice 4.7.2
Quatre hommes et quatre femmes travaillent dans un même bureau équipé d’un seul poste
téléphonique. Madame Solrac doit appeler ce bureau une fois en début d’après-midi et une seconde
fois en fin de journée. On admet que la probabilité de répondre, lorsque le téléphone sonne, est la
même pour chacune des huit personnes de ce bureau. On note :
H l’évènement : ”c’est un homme qui répond à Madame Solrac en début d’après midi”.
F l’évènement ”c’est une femme qui répond à Madame Solrac en fin de journée”.
S l’évènement ”les deux personnes qui répondent à Madame Solrac sont de même sexe”.
1. Calculer la probabilité des évènements suivants : H, F, S, H ∩ F, H ∩ S, F ∩ S, H ∩ F ∩ S.
2. Calculer la probabilité que les deux personnes qui répondent à Madame Solrac soient de sexes
différents.
3. Montrer que les évènements H, F et S sont deux à deux indépendants mais pas mutuellement
indépendants.
Exercice 4.7.3
Dans une université, on a déterminé que la probabilité de réussir en première année avec un
grade est de 70 %. On a aussi déterminé que la probabilité de réussir la seconde année avec un
grade est de 90 % si l’étudiant avait obtenu un grade en première année, et de 40 % si l’étudiant
n’avait pas obtenu de grade. On demande la probabilité d’obtenir au moins un grade sur les deux
années.
Exercice 4.7.4
Un étang contient des poissons rouges et gris. Un tiers des poissons sont d’origine chinoise.
Parmi les poissons d’origine chinoise, 30 % sont rouges. Au total, 20 % des poissons sont rouges.
1. Un promeneur voit un poisson d’origine non chinoise dans l’étang. Quelle est la probabilité
que ce poisson soit rouge ?
2. Un promeneur voit un poisson rouge dans l’étang. Quelle est la probabilité qu’il soit d’origine
chinoise ?
3. Un promeneur voit un poisson gris dans l’étang. Quelle est la probabilité qu’il soit d’origine
non chinoise ?
Exercice 4.7.5
Dans une université, 10% des étudiants sont d’origine chinoise. Parmi ceux-là, 90% ont moins
de 30 ans. Il y a 5% d’étudiants chinois ayant moins de 30 ans et effectuant un doctorat. Vous
rencontrez par hasard un étudiant qui dit être chinois et avoir moins de 30 ans. Quelle est votre
chance de gagner en qu’il effectue un doctorat ?
Exercice 4.7.6
Soit donné un dé pour lequel les nombres pairs sont deux fois plus probables que les nombres
impairs.
1. Donnez l’espace de probabilité si on lance le dé une fois.
2. Donnez l’espace de probabilité si on lance le dé deux fois.

Exercices 41
3. Quelle est la probabilité que les deux résultats obtenus, x1 , x2 , diffèrent de un, c’est-à-dire
|x1 − x2 | = 1 ?
Exercice 4.7.7
Une usine possède trois machines A, B, C pour produire deux composants électroniques différents.
Ces machines fournissent respectivement 45%, 30% et 25% de la production de ces deux compo-
sants.
La machine A est uniquement utilisée pour la production du composant de type 1 ; le composant
produit est de bonne qualité dans 97% des cas. La machine B produit les deux composants avec
un taux déchec de 5%. La machine C produit les deux composants en égale proportion ; pour
le composant de type 2 elle est optimisée, ayant une probabilité de réussite de 100% ; pour le
composant de type 1, 2 pièces sur 25 sont de mauvaise qualité.
1. Quel pourcentage de la production est de mauvaise qualité ?
2. Si une pièce (de n’importe quel type) est de mauvaise qualité, quelle est la probabilité quelle
ait été produite par la machine A ?
Exercice 4.7.8
Amanda, Deborah et Rebecca travaillent dans une entreprise en tant qu’opératrices ; leur tâche
est de diriger les appels externes arrivant à la centrale vers les différents services de l’entre-
prise. Parfois distraites, elles commettent des erreurs avec une probabilité valant respectivement
0, 02; 0, 03 et 0, 05. Amanda s’occupe de 50% des connections, Deborah de 30% et Rebecca de 20%.
1. Quelle est la proportion de mauvais services fournis par Amanda ?
2. Quelle est la proportion totale de bons services ?
3. Deborah fait souvent la fête tard dans la nuit avec des amis ; par conséquent, elle se trouve par
hasard subitement malade le lendemain. Ces absences festives ont une probabilité d’occurence
de 10%. Lors des absences de Deborah, Amanda s’occupe de 65% des connections et Rebecca
de 35%, mais, à cause du stress, leurs probabilités d’erreur augmentent à 0, 04 pour Amanda
et à 0, 06 pour Rebecca.
Si un client est dirigé vers une fausse ligne, quelle est la probabilité que Deborah ait trop
dansé durant la nuit précédente ?
Exercice 4.7.9
La firme Nestlé teste trois dégustateurs professionnels. Ils sont appelés à se prononcer sur un
lot de tablettes de chocolat où 10% sont mauvaises. Chaque dégustateur déclarera le chocolat bon
dans 70% des cas, s’il l’est effectivement, et dans 20% des cas s’il est en fait mauvais. Si on sait
que le chocolat est bon, le jugement d’un juge est indépendant de celui d’un autre. Même chose si
on sait que le chocolat est mauvais.
1. Calculez la probabilité que le dégustateur 3 trouve le chocolat bon dans le cas où les dégustateurs
1 et 2 l’ont trouvé bon.
2. Calculez la probabilité que le chocolat soit mauvais, sachant que les 3 dégustateurs l’ont
trouvé bon.
Exercice 4.7.10
Dans une ville ravagée par un terrible tremblement de terre, certains promoteurs immobiliers
n’ont pas respectés les normes de construction, soit en ayant omis de placer une dalle de fonda-
tion spéciale et trés coûteuse, soit en ayant sous-dimensionné cette dalle. Sur base d’un modèle
théorique, on a estimé que pour le tremblement de terre ayant eu lieu, les risques d’effondrement

Exercices 42
d’un immeuble sont de 85 % si la dalle n’est pas présente, de 25 % si elle est sous-dimensionnée
et de 1 % si elle est correctement dimensionnée. Des contrôles antérieures à l’accident ont montré
que pour 5 % des constructions, il y avait une fraude ; la dalle était sous-dimensionnée dans 80 %
des cas et absente dans 20 % des cas.
1. Pour un immeuble effondré pris au hasard, quelle est la probabilité
(a) qu’il ne soit pas muni d’une dalle ?
(b) que la dalle soit sous-dimensionnée ?
(c) que la dalle soit correctement dimensionnée ?
2. Pour un immeuble non effondré pris au hasard, quelle est la probabilité
(a) qu’il ne soit pas muni d’une dalle ?
(b) que la dalle soit sous-dimensionnée ?
(c) que la dalle soit correctement dimensionnée ?

Chapitre Cinq
Variables aléatoires réelles
5.1 Tribu des boréliens

5.1.1 Voisinage d’un point
Soit x0 un élément de R. On dit qu’un sous-ensemble A de R est un voisinage de x0 s’il existe
un intervalle ouvert contenant x0 et contenu dans A.
5.1.2 Ouverts
Definition 5.1
Un sous-ensemble de R est dit ouvert, s’il est vide, ou bien s’il est voisinage de chacun de ses
points. Un ouvert de R est donc une réunion d’intervalles ouverts éventuellement vides.
Proposition 5.2
1. Une réunion quelconque d’ouverts est un ouvert ;
2. Une intersection finie d’ouverts est un ouvert ;
3. R et ∅ sont des ouverts.
5.1.3 Fermés
Definition 5.3
Un sous-ensemble de R est dit fermé si son complémentaire est ouvert.
Proposition 5.4
1. Une intersection quelconque de fermés est un fermé ;
2. Une réunion finie de fermés est un fermé ;
3. R et ∅ sont des fermés.
5.1.4 Tribu engendrée par une famille de parties de R

On désigne par P(R) l’ensemble des parties de R. C’est évidemment une tribu de parties de
R. Soit E ⊂ P(R). L’ensemble des tribus de parties contenant E n’est pas vide (il contient P(R)).
L’intersection des tribus de cet ensemble est une tribu de parties de R. C’est la plus petite tribu
de parties de R contenant E. On l’appelle la tribu de parties de R engendrée par E.

Opérations 44
Definition 5.5
Soit F la famille des fermées de R. La tribu de parties de R engendrée par F et notée B,
est appelée la tribu des boréliens et chaque élément de B est appelé ensemble borélien ou tout
simplement borélien.
Theorem 5.6
La tribu des boréliens est aussi engendrée par l’une quelconque des cinq familles de parties de
R suivantes :
1. la famille des ouverts ;
2. la famille des intervalles ]a, b] ;
3. la famille des intervalles [a, b[ ;
4. la famille des intervalles non bornés ]−∞, a[ ;
5. la famille des intervalles non bornés ]−∞, a].
5.2 Notion de variable aléatoire réelle

Definition 5.7
Soit (Ω, F) un espace probabilisable ; on appelle variable aléatoire réelle (v.a.r.) définie sur
(Ω, F) toute application :
X : Ω −→ R
telle que X −1 (B) ⊂ F. C’est-à -dire que X −1 (B) ∈ F pour tout B ∈ B. L’ensemble H = X(Ω)
est appelé ensemble fondamental de la variable aléatoire réelle X.
Remarque 5.8
Lorsque F = P(Ω), alors toute application X définie de Ω dans R est une variable aléatoire
réelle.
5.2.1 Evènement lié à une variable aléatoire

On note :
— Pour tout intervalle I, ”X ∈ I” ≡ X −1 {I} l’ensemble {ω ∈ Ω / X(ω) ∈ I} .
— ”(a < X ≤ b)” pour X −1 {]a, b]} = {ω ∈ Ω / X(ω) ∈ ]a, b]} .
— ”(X ≤ x)” pour X −1 {]−∞, x]} = {ω ∈ Ω / X(ω) ∈ ]−∞, x]} .
— ”(X = x)” pour X −1 {x} = {ω ∈ Ω / X(ω) = x} .
5.2.2 Opérations
Soient X, Y deux variables aléatoires réelles d’un espace probabilisable (Ω, P(Ω)), λ ∈ R. Alors,
X + Y, λX, XY, sup(X, Y ), inf(X, Y ) sont des v.a.r. sur (Ω, P(Ω)).
Exemple 5.9
On lance un dé cubique dont les faces sont numérotées de 1 à 6. On appelle X le numéro obtenu
et Y son complémentaire à 6. Déterminer les v.a.r. X + Y, 2X + 4Y, inf(X, Y ).

Variables aléatoires discrètes 45
5.3 Loi d’une variable aléatoire

Soit X une v.a.r. définie sur un espace probabilisé (Ω, F, P). Considérons l’application suivante :
PX : B(R) −→ [0, 1]
A 7−→ PX (A) := P (X −1 (A)).
Il est aisé de vérifier que PX est bien une probabilité sur l’espace probabilisable (R, B(R)). PX
définit la loi de probabilité de X.
On utilise classiquement des notations du type P (X = A) pour désigner PX (A) = P (X −1 (A)).
5.4 Fonction de répartition

Definition 5.10
Soit X une v.a.r. définie sur un espace probabilisé (Ω, F, P). L’application FX définie sur R,
à valeurs dans [0, 1], par :
FX : R −→ [0, 1]
x 7−→ F (x) := p(X < x)
est appelée la fonction de répartition de la v.a.r. X.
Remarque 5.11
On a :
lim F (x) = 0 et lim F (x) = 1.
x→−∞ x→+∞
Theorem 5.12
La fonction de répartition d’une v.a.r. X est croissante et continue à gauche en chacun de ses
points de discontinuité. En chaque pôint x0 de discontinuité, le saut de la fonction de répartition
F , c’est-à-dire F (x0 + 0) − F (x0 ) est la probabilité que X prenne la valeur x0 . On a alors :
F (x0 + 0) − F (x0 ) = p(X = x0 ) = PX (x0 ).
Theorem 5.13
Soit F une fonction définie sur R à valeurs dans [0, 1] vérifiant les propriétés suivantes :
1. F est croissante ;
2. lim F (x) = 0 et lim F (x) = 1;
x→−∞ x→+∞
3. F est continue à gauche en chacun de ses points de continuité. Alors F est la fonction de
répartition d’une variable aléatoire réelle.
5.5 Variables aléatoires discrètes

Definition 5.14
Une v.a.r. est dite discrète si son ensemble fondamental H = X(Ω) est un sous ensemble
dénombrable de R. Dans ce cas, on notera xn , n ∈ N∗ les éléments de H rangés par ordre de
valeurs croissantes.
Exemple 5.15
Pour l’exemple précédent, on a : X(Ω) = {1, 2, 3, 4, 5, 6} et Y (Ω) = {0, 1, 2, 3, 4, 5}. On peut
donc dire que les v.a.r. X et Y sont discrètes finies.

Fonction de répartition d’une v.a.r. discrète finie 46
5.5.1 Loi de probabilité d’une v.a.r. discrète finie

Soit X une v.a.r. sur l’espace probabilisé (Ω, P(Ω), p) telle que X(Ω) = {x1 , x2 , · · ·, xn } avec
x1 < x2 < · · · < xn . On appelle loi de probabilité de X, l’ensemble des couples (xi , pi )1≤i≤n où
xi ∈ X(Ω) et pi = p(X = xi ).
Exemple 5.16
Soit Ω = {ω1, ω2 , ω3 , ω4 , ω5 } un ensemble fini. On définit sur l’espace probabilisable (Ω, P(Ω))
la probabilité uniforme. Considérons la v.a.r. X définie sur (Ω, P(Ω), p) par X(ω1 ) = X( ω5 ) =
0; X(ω2 ) = X(ω4 ) = 1 et X(ω3 ) = 2. Déterminer la loi de probabilité et la fonction de répartition
de la v.a.r. X.
5.5.2 Fonction de répartition d’une v.a.r. discrète finie

Soit F fonction de répartition d’une v.a.r ; discrète finie X. On a :
F : R −→ [0, 1]
.
x 7−→ F (x) := p(X < x)
Si X(Ω) = {x1 , x2 , · · ·, xn } avec x1 < x2 < · · · < xn , la fonction F est défnie par :
∀x ∈] − ∞, x1 ], F (x) = p(X < x) = 0

∀x ∈]x1 , x2 ], F (x) = p(X < x) = p(X = x1 )
∀x ∈]x2 , x3 ], F (x) = p(X < x) = p(X = x1 ) + p(X = x2 )
·
·
j
X
∀x ∈]xj , xj+1 ], F (x) = p(X < x) = p(X = xi )
i=1
∀x ∈]xn , +∞], F (x) = p(X < x) = 1
Exemple 5.17
Reprener l’exemple précédent puis déterminer et représenter graphiquement sa fonction de
réparttion.
Proposition 5.18
La fonction de répartition F d’une v.a.r. X permet de déterminer la loi de probabilité de X.
Pour tout j ∈ {1, 2, ..., n − 1} on a :
p(X = xj ) = F (xj+1 ) − F (xj ).
Et
p(X = xn ) = 1 − F (xn ).
Remarque 5.19
Certains auteurs définissent la fonction de répartition par :
G(x) = p(X ≤ x).
Les fonctions F et G sont différentes mais l’une ou l’autre définit la loi de probabilité de la v.a.r.
X.

Espérance mathématique 47
Exemple 5.20
Une urne contient 4 boules indiscernables au toucher numérotées de 1 à 4. On tire successive-
ment deux boules avec remise. On note X1 le numéro de la première boule tirée, par X2 celui de
la deuxième boule tirée et par Y le plus grand des deux numéros obtenus.
Déterminer la loi de probabilité de la v.a.r. Y puis sa fonction de répartition.
5.5.3 Indépendance de deux v.a.r.

Soient X et Y deux v.a.r. définies sur un espace probabilisé fini (Ω, P(Ω), p). On dit que
X et Y sont indépendantes pour la probabilité p si pour tout (x, y) ∈ X(Ω) × Y (Ω), on a :
p[(X = x) ∩ (Y = y)] = p(X = x) · p(Y = y).
5.6 Moments d’une v.a.r. discrète finie

5.6.1 Moments d’ordre k avec k ∈ N∗
Soient X une v.a.r. de loi {((xi , pi ) / 1 ≤ i ≤ n)}, k un entier naturel non nul. On appelle
moment d’ordre k de X, le nombre réel noté mk (X) défini par :
n
X
mk (X) = (xi )k pi .
i=1
Exemple 5.21
Déterminer les moments d’ordre 1, 2 et 3 de la v.a.r. X de loi :
xi −2 −1 0 1
pi = p(X = xi ) 61 1
3
1
3
1
6
5.6.2 Espérance mathématique

Definition 5.22
L’espérance mathématique ( ou la moyenne) d’une v.a.r. X est égale au moment d’ordre 1 de
X. On le note E(X) ou m. Ainsi on a :
n
X
m = E(X) = xi p i .
i=1
Proposition 5.23
Soient X et Y deux v.a.r. sur un espace probabilisé fini (Ω, P(Ω), p), λ et µ deux nombres réels.
On a :
E(λX + µY ) = λE(X) + µE(Y ).
En particulier, on a :
E(λX + µ) = λE(X) + µ.
De plus si ϕ : R −→ R est une fonction continue alors on a :
n
X
E[ϕ(X)] = ϕ(xi )pi .
i=1

Fonction densité de probabilité 48
Ainsi n
X
mk (X) = (xi )k pi = E(X k ) pour tout k ∈ N.
i=1
5.6.3 Variance d’une v.a.r.

Definition 5.24
On appelle variance d’une v.a.r. X, le nombre réel positif ou nul noté V (X) défini par :
n
X
V (X) = (xi − E(X))2 pi = E((X − E(X))2 ).
i=1
L’écart type de X est défini par p

σ(X) = V (X).
Proposition 5.25
Soient X une v.a.r. sur un espace probabilisé fini (Ω, P(Ω), p), λ et µ deux nombres réels. On
a:
— V (X) = E(X 2 ) − (E(X))2 .
— V (λX + µ) = λ2 V (X)
— σ(λX + µ) = |λ| σ(X).
5.7 Variables aléatoires absolument continues

5.7.1 Définition
Definition 5.26
Une v.a.r. X est dite continue si sa fonction de répartition est continue à droite, donc continue.
Autrement dit, une variable aléatoire X est continue si sa fonction de répartition est une
fonction continue sur R.
Il en résulte que, si X est une variable aléatoire continue alors pour tous nombres réels a et b, on
a:
1. PX ({a}) = P (X = a) = 0.
2. P (a < X < b) = P (a 6 X < b) = P (a < X 6 b) = P (a 6 X 6 b)
5.7.2 Fonction densité de probabilité

Definition 5.27
Une fonction réelle f est une densité de probabilité si :
— f est continue sur R sauf peut-être en un nombre fini de points ;
— fR (x) ≥ 0 pour tout x ∈ R;
+∞
— −∞ f (t) dt = 1.
Exemple 5.28

Densité et fonction de répartition 49
Soit f définie par :

f : R −→ R
1

 si x ∈ [a, b]
b−a .

x 7−→ f (x) =


0 sinon
Exercice 5.7.1
Déterminer la valeur de la constante α pour que la fonction

α(2x − x2 ) si x ∈ [0, 2]
x 7−→ g(x) =
0 si x 6∈ [0, 2]
soit une fonction densité de probabilité d’une variable aléatoire réelle.
5.7.3 Densité et fonction de répartition

Definition 5.29
On dit qu’une v.a.r. X admet une densité de probabilité f lorsque sa fonction de réparttion
peut s’écrire sous la forme Z t
F (x) = p(X < t) = f (x) dx,
−∞
où f est une fonction positive à valeurs réelles ayant un nombre fini de points de discontinuité et
tel que Z +∞
f (t) dt = 1.
−∞
On dit que X est une variable aléatoire réelle à densité f .
Exemple 5.30
Soit X une variable aléatoire dont la fonction densité d eprobabilité est la fonction f définie
par :
f : R −→ R
1

 si x ∈ [a, b]
b−a .

x 7−→ f (x) =


0 sinon
Déterminer la fonction de répartition de X.
Exercice 5.7.2
Déterminer la fonction de répartition de la variable aléatoire Y dont la fonction densité la
fonction
3
(
(2x − x2 ) si x ∈ [0, 2]
x 7−→ g(x) = 4
0 si x 6∈ [0, 2]
Proposition 5.31
Soit X une variable aléatoire réelle admettant une densité de probabilité f ; on a :
— pour tout a ∈ R, p(X = a) = 0.

Espérance mathématique 50
— pour tous réels a et b tels que a < b,

p(a < X < b) = p(a ≤ X < b)
= p(a < X ≤ b)
= p(a ≤ X ≤ b)
Z b
= f (t) dt
a
= F (b) − F (a).
— pour tout réel a, : Z a
p(X < a) = p(X ≤ a) = f (t) dt = F (a).
−∞
— pour tout réel a,

Z +∞
p(X > a) = p(X ≥ a) = 1 − p(X < a) = 1 − F (a) = f (t) dt.
a
5.7.4 Espérance mathématique

Definition 5.32 R +∞
Soit X une v.a.r. de densité de probabilité f . Si l’intégrale −∞ xf (x) dx converge, X admet
une espérance mathématique E(X) et
Z +∞
E(X) = xf (x) dx.
−∞
Exemple 5.33
Soit X la v.a.r. de densité de probabilité f définie par :
f : R −→ R
1

 si x ∈ [a, b]
b−a .

x 7−→ f (x) =


0 sinon
Calculer E(X).
Exemple 5.34
Considérons la v.a.r. X de densité de probabilité la fonction f définie par :
f : R −→ R  1
 2 (2 − x) si x ∈ [0, 2]
.
x 7−→ f (x) =
0 sinon

Calculer E(Y ).

Variance et écart-type 51
Proposition 5.35
Soient X et Y deux v.a.r. à densité de probabilité admettant chacune une espérance mathématique,
a et b deux nombres réels. Alors la v.a.r. aX + bY admet une espérance mathématique et
E(aX + bY ) = aE(X) + bE(Y ).
En particulier
E(aX + b) = aE(X) + b.
5.7.5 Variance et écart-type

5.7.5.1 Théorème et définition
R +∞
— Soit X une v.a.r. à densité f . Si l’intégrale −∞
x2 f (x) dx converge, alors la v.a.r. X 2 admet
une espérance mathématique et
Z +∞
2
E(X ) = x2 f (x) dx.
−∞
E(X 2 ) est appelée moment d’ordre deux de la v.a.r. X.

— Si X admet une espérance mathématique et E(X 2 ) existe, on appelle variance de X le
2
nombre réel V (X) = E (X − E(X)) .
p
— Si X admet une variance, on appelle écart-type de X le nombre réel σ(X) = V (X).
Remarque 5.36
Si E(X) n’existe pas, V (X) n’existe pas.
Proposition 5.37
— Soit X une v.a.r. de densité
Z +∞f , admettant une espérance mathématique E(X). Alors, V (X)
existe si et seulement si (x − E(X))2 f (x) dx converge. On a alors :
−∞
Z +∞
V (X) = (x − E(X))2 f (x) dx.
−∞
— Soit X une v.a.r. de densité f , admettant une espérance mathématique E(X). Alors, V (X)
existe si et seulement si E(X 2 ) existe et on a :
V (X) = E(X 2 ) − [E(X)]2 .
Exemple 5.38
f : R −→ R
1

(2 − x) si x ∈ [0, 2] .
x 7−→ f (x) = 2
0 sinon
Calculer σ(X).
Exemple 5.39
f : R −→ R
2

x3
si x ≥ 1 .
x 7−→ f (x) =
0 si x < 1
Montrer que admet une espérance mathématique mais n’admet pas de variance.

Cas d’une variable aléatoire réelle discrète 52
Proposition 5.40
Soit X une v.a.r. à densité admettant une variance et soient a et b deux nombres réels (a 6= 0).
La v.a.r. aX + b admet une variance et :
— V (aX + b) = a2 V (X).
— σ(aX + b) = |a| σ(X).
Definition 5.41
— Si σ(X) = 1, on dit que la v.a.r. X est réduite.
— Si E(X) = 0, on dit que la v.a.r. X est centrée.
— X−E(X)
σ(X)
est appelée v.a.r. centrée réduite associée à X.
5.7.6 Variables aléatoires à densité indépendantes

Definition 5.42
Soient X et Y deux v.a.r. à densité ; on dit que X et Y sont indépendantes losque pour tous x
et y réels,
p [(X ≤ x) ∩ (Y ≤ y)] = p (X ≤ x) p (Y ≤ y.)
Proposition 5.43
Si X et Y sont deux v.a.r. indépendantes, à densité chacune une espérance mathématique, alors
XY est une v.a.r. à densité, admet une espérance mathématique et :
E(XY ) = E(X)E(Y ).
Proposition 5.44
Si X et Y sont deux v.a.r. indépendantes, à densités respectives f et g. Z = X + Y admet pour
densité la fonction h définie pour tout x ∈ R par :
Z +∞ Z +∞
h(x) = f (u)g(x − u)du = f (x − v)g(v)dv.
−∞ −∞
Proposition 5.45
Si X et Y sont deux v.a.r.à densité, indépendantes et admettant chacune une variance, alors
X + Y admet une variance et
V (X + Y ) = V (X) + V (Y ).
5.8 Loi de l’image d’une variable aléatoire par une fonction continue
Soit X une v.a.r. de loi connue. On désire déterminer la loi de variable aléatoire Y = ϕ(X), où
ϕ : R −→ R est une fonction continue.
5.8.1 Cas d’une variable aléatoire réelle discrète

Soit X une variable aléatoire discrète de loi {(xi , pi ), 1 6 i 6 n} connue.
Dans ce cas Y = ϕ(X) est caractérisée par :
• son univers-image est :
Y (Ω) = ϕ[X(Ω)] = {ϕ(xi ), xi ∈ X(Ω)}

Cas d’une variable aléatoire réelle absolument continue 53
• pour tout yj ∈ Y (Ω) on a :

X
p(Y = yj ) = p(X = xi )
yj =ϕ(xi )
Exercice 5.8.1
On considère la variable aléatoire X dont la loi de probabilité est donnée par le tableau ci-
dessous :
xi -2 -1 0 1 2
1 1 1 1 1
pi 5 5 5 5 5
Déterminer la loi de probabilité des variables suivates : Y = −2X + 1, Z = |X| et T = X 2 .
5.8.2 Cas d’une variable aléatoire réelle absolument continue

Soit X une variable aléatoire réelle absolument continue de densité de probabilité f et dont la
fonction de répartition est F .
On désire déterminer la fonction densité de probabilité de la variable aléatoire Y = ϕ(X), où
ϕ : R −→ R est une fonction continue.
Soit G la fonction de répartion de Y et g sa fonction densité de probabilité.
• Si ϕ est une fonction continue et strictement croissante sur R alors on a :
G(y) = p(Y < y)
= p(ϕ(X) < y)
= p(X < ϕ−1 (y))
= F (ϕ−1 (y))
Dans ce cas
1
g(y) = G0 (y) = × f [ϕ−1 (y)]
ϕ0 [ϕ−1 (y)]
pour tout y tel que ϕ0 [ϕ−1 (y)] 6= 0.
• Si ϕ est une fonction continue et strictement décroissante sur R alors on a :
G(y) = p(Y < y)
= p(ϕ(X) < y)
= p(X > ϕ−1 (y))
= 1 − p(X 6 ϕ−1 (y))
= 1 − F (ϕ−1 (y))
Dans ce cas
−1
g(y) = G0 (y) = × f [ϕ−1 (y)]
ϕ0 [ϕ−1 (y)]
pour tout y tel que ϕ0 [ϕ−1 (y)] 6= 0.
• Si ϕ est une fonction et monotone par morceaux sur R, on décompose R = ∪Di tel que sur
chaque ensemble Di la restriction ϕi , de ϕ à Di soit une bijection. Dans ce cas on a :
X 1
g(y) = 0 −1 × f [ϕ−1
i (y)]1Di (y)
i
ϕ i [ϕi (y)]

Fonction génératrice des moments 54
Exercice 5.8.2
Soit X la variable aléatoire dont la densité de probabilité est la fonction

 1 si x ∈ [0, 1]
x 7−→ f (x) =
 0 si x 6∈ [0, 1]
1. Déterminer la fonction de répartition de X.

√
2. On définit les variables aléatoires Y = X 2 et Z = X.
(a) Déterminer la fonction densité de probabilité des variables aléatoires Y et Z.
(b) Déterminer l’espérance mathématique et la variance des variables aléatoires Y et Z.
3. Déterminer la fonction densité de probabilité de la variable aléatoire T = −α ln X ( avec α
une constante réelle strictement positive).
5.9 Propriétés générales

5.9.1 Variable aléatoire centrée réduite
Definition 5.46
— Une v.a.r. X est dite centrée si son espérance mathématique est nulle.
— Une v.a.r. X est dite réduite si son écart type est égal à 1.
— Une v.a.r. X est dite centrée réduite si son espérance mathématique est nulle et son écart
type est égal à 1.
Theorem 5.47
Soit X une variable aléaoire d’espérance E(X) = m et d’écart type σ(X) = σ 6= 0. Alors la
v.a.r.
X − E(X) X −m
Z= =
σ(X) σ
est une variable aléatoire centrée réduite. C’est la variable aléatoire centrée réduite associée à la
v.a.r. X.
5.9.2 Fonction génératrice des moments

Definition 5.48
Soit X une variable aléatoire définie sur un espace probabilisé (Ω, F, p) . Soient t1 et t2 deux
nombres réels tels que t1 < 0 < t2 . Si pour tout t ∈ ]t1 , t2 [, E etX existe, la fonction MX définie
par :
MX : ]t1 , t2 [ −→ R
t 7−→ MX (t) = E etX
est appelée fonction génératrice de moments de la variable aléatoire réelle X.
Exemple 5.49
Considérons la v.a.r. X définie par :X (Ω) = {−2, −1, 0, 1, 2} et
x −2 −1 0 1 2
1 3 2 1 3
pX (x) 10 10 10 10 10
Déterminons la fonction génératrice des moments de la variable aléatoir X.

Fonction caractéristique 55
Exemple 5.50
On considère les variables aléatoires X et Y dont les fonctions densités de probabilité respectives
sont :
( 1 −αy
si x ∈ [a, b] αe si y > 0
x 7−→ f (x) = b−a y− 7 → g(y) =
0 si x 6∈ [a, b] 0 si y < 0
où α est une constante strictement positive.

Déterminer les fonctions génératrices des moments de X et de Y .
Theorem 5.51
Soit X une variable aléatoire dont la fonction génératrice des moments MX est définie pour
tout t ∈ ]t1 , t2 [ avec t1 < 0 < t2 . Alors :
1. Tous les moments de X existent.
2. pour tout t ∈ ]−s, s[ avec 0 < s < t0 = min (−t1 , t2 ), MX (t) admet un développement en
série entière :
E(X 2 ) 2 E(X k ) k
MX (t) = 1 + E(X)t + t + ... + t + ....
2! k!
3. pour tout entier naturel non nul k, on a :
d
E X k = k MX (0).

dt
Exemple 5.52
Considérons la v.a.r. X définie par :X (Ω) = {−2, −1, 0, 1, 2} et
x −2 −1 0 1 2
1 1 1 1 1
pX (x) 5 5 5 5 5
1. Montrer que MX est défini sur R et calculer MX (t) pour tout nombre réel t.

2. En déduire E X k pour tout entier naturel non nul k.
5.9.3 Fonction caractéristique

Une autre fonction très utile est la fonction caractéristisque ϕX de la variable aléatoire réelle
X.
Definition 5.53
Soit X une variable aléatoire. La fonction caractéristisque ϕX de la variable aléatoire réelle X
est définie par :
ϕX (t) = E eitX

où i est le nombre imaginaire vérifiant i2 = −1.
Exemple 5.54
Soit X une variable aléatoire suivant la loi U (a, b) . Quelle est la fonction caractéristique de
X?
Proposition 5.55
Soit ϕX la fonction caratéristique d’une variable aléatoire X.

Inégalité de Chebyshev 56
1. ϕX (0) = 1.
2. |ϕX (t)| ≤ 1 et ϕX (−t) = ϕX (t).
3. ϕX (t) = MX (it)
4. Si Y = aX + b, on a : .ϕY (t) = eibt ϕX (at) .
Exemple 5.56
Soit X une variable aléatoire suivant la loi N (m, σ) . Quelle est la fonction caractéristique de
1 2
X? On admettra que si T N (0, 1), on a pour tout nombre réel t, MT (t) = e 2 t .
Proposition 5.57
Formule d’inversion Si la fonction caratéristique ϕX d’une variable aléatoire X est telle que
Z
|ϕX (t)| dt < +∞
R
alors la loi de probabilité pX de X admet une densité continue f donnée par :

Z
f (x) = ϕX (t)e−itx dt.
R
5.10 Inégalités intéressantes

5.10.1 Inégalité de Markov
Proposition 5.58
Soit X une variable aléatoire réelle sur un espace probabilisé (Ω, F, p), g une fonction borélienne
définie de R dans ]0; +∞[ . Alors, si E [g (X)] existe, pour tout k ∈ R∗+ , on a :
E [g (X)]
p (g (X) ≥ k) ≤ .
k
5.10.2 Inégalité de Chebyshev

Proposition 5.59
Soit X une v.a.r. sur un espace probabilisé (Ω, F, p). Alors, si V (X) existe, pour tout a
strictement positif, on a :
V (X)
p (|X − E(X)| ≥ a) ≤ .
a2
Remarque 5.60
L’inégalité de Chebyshev ne requiert que la connaissance de l’espérance et de la variance de X.
Elle donne une borne supérieure quant à la probabilité que la variable aléatoire réelle X prenne
des valeurs comprises à l’intérieur de l’intervalle [E(X) − a; E(X) + a] . En pratique, l’inégalité
de Chebyshev est très utiles si l’on veut obtenir une estimation des ordres de grandeurs pour des
intervalles de confiance symétriques autour de la moyenne lorsque l’on ne dispose que des valeurs
de E(X) et de V (X).
Exemple 5.61
Si l’on sait seulement que la pluviométrie annuelle dans une zone A du bénin vaut en moyenne
800 mm avec un écart type de 100 mm. Quelle est la probabilité minimale qu’il pleuve entre 600
et 1000 mm une année ?

Exercices 57
5.11 Exercices
Exercice 5.11.1
La fonction de répartition d’une variable aléatoire Y est donnée par :
0 si y < 0,


1/2 si 0 ≤ y < 1,




3/5 si 1 ≤ y < 2,

FY (y) =

 4/5 si 2 ≤ y < 3,
 9/10 si 3 ≤ y < 3, 5,



1 si y ≥ 3, 5
1. Représentez graphiquement FY .
2. Déterminer la loi de probabilité de Y .
Exercice 5.11.2
On tire aléatoirement un chiffre réel, X entre 0 et 1 et on calcule sa racine carrée qu’on note
Y . Trouvez les fonctions de répartition de X et de Y.
Exercice 5.11.3
Soit X le nombre de tremblements de terre majeurs(dont la magnitude est ≥ 6 sur l’échelle de
Richter) se produisant le long d’une faille donnée au cours d’un siècle, avec :
 x −3
 3 x!e
si x = 0, 1, 2, . . .
pX (x) = p(X = x) =
0 autrement

Calculer la probabilité d’observer plus de 10 tremblements au cours d’un siècle.
Exercice 5.11.4
On désigne par X la variable aléatoire réelle égale au nombre d’épouses qu’a un homme. La loi
de probabilité de X est donné par le tableau ci-dessous :
x 0 1 2 3
pX (x) 0, 17 0, 74 0, 08 0, 01
1. Quelle est la probabilité qu’un homme ait au moins une épouse ?
2. Quelle est la probabilité qu’un homme n’ait pas plus d’une épouse ?
3. Déterminer la fonction de répartition de la variable X ?
4. Calculer l’espérance mathématique puis la variance de X.
Exercice 5.11.5
Soit X une v.a.r. continue de fonction de répartition F . On définit l’application G de R dans
R par : Z y+1
G(y) = F (x)dx.
y
Montrer que G est la fonction de répartition d’une variable aléatoire Y absolument continue dont
on exprimera la densité de probabilité.

Exercices 58
Exercice 5.11.6
La fonction de répartition F d’une variable aléatoire réelle X est définie par :
F : R −→ R
x0 2

1− si x > x0
x 7−→ F (x) = x ,
0 si x ≤ x0
où x0 est un nombre réel strictement positif.
1. Représenter graphiquement F
2. Montrer que X est une variable aléatoire absolument continue et exprimer sa fonction densité
de probabilité.
3. Calculer PX ([2x0 , 3x0 ]) = p(2X0 6 X 6 3X0 ).
Exercice 5.11.7
Soit l’équation différentielle :
y 0 + (ex − 1)y = 0. (E)
1. Déterminer la solution f de (E) telle que
Z +∞
f (x)dx = 1.
0
2. Soit ϕ la fonction définie sur R par :

0 si x < 0
ϕ(x) =
f (x) si x ≥ 0
(a) Montrer que ϕ est une densité de probabilité.
(b) Soit X la variable aléatoire de densité ϕ. Déterminer la fonction de répartition Φ de X.
Représenter graphiquement ϕ et Φ.
Exercice 5.11.8
Soit le problème différentiel :
(P ) : xy 0 + (a + 1)y = 0, x>0
où a est une constante donnée positive.
1. Trouver l’ensemble des solutions de (P ).
2. Soit k une constante positive ; déterminer la solution f de (P ) telle que
Z +∞
f (x)dx = 1.
k
3. Soit ϕ la fonction définie sur R par :

0 si x < k
ϕ(x) =
f (x) si x ≥ k
(a) Représenter graphiquement les variations de ϕ.
(b) Montrer que ϕ est une densité de probabilité.

Exercices 59
4. Soit X la variable aléatoire dont la densité de probabilité est ϕ.

(a) Déterminer la fonction de répartition Φ de X.
(b) Soit n un entier naturel non nul.
i. Pour quelles valeurs de a le moment d’ordre n de X existe-t-il ?
ii. Dans ce cas, calculer ce moment.
iii. En déduire l’espérance mathématique et la variance de X pour a > 2.
Exercice 5.11.9
Soit n un entier positif et X une variable aléatoire absolument continue dont l’ensemble fon-
damental est R+ . La densité de probabilité de X est la fonction f définie par :
f (x) = αe−x xn−1 , x ≥ 0.

1. Calculer α.
2. Soit k un entier naturel. Calculer le moment d’ordre k de X.
3. Déduire de ce qui précède l’écart-type de X.
Exercice 5.11.10
Soit X la variable alátoire dont la fonction de densité est la fonction f définie par :
0 si x ∈
/ [a, b]
(
f (x) = 1
si x ∈ [a, b]
b−a
1. Déterminer la fonction génératrice des moments de X.
2. Déterminer la fonction caractéristique de X.
Exercice 5.11.11
f : R −→ R
x 7−→ f (x) = e−x 1]0;+∞[ (x)
c’est-à-dire
e−x si x > 0

f (x) =
0 si x 6 0
1. Montrer que MX est défini pour tout t ∈ ]−∞; 1[ et calculer MX (t).

2. En déduire E X k pour tout entier naturel non nul k.

Chapitre Six
Lois classiques usuelles
6.1 Introduction
Les lois classiques de probabilité sont des distributions particulières de probabilité que l’on
utilise sur le plan théorique pour décrire certains phénomènes s’inscrivant dans les chémas clas-
siques qui ne sont rien d’autre que des matérialisations des phénomènes concrets de la vie socio-
économique. Dans ce chapitre, nous étudierons successivement la loi de Bernouilli, la loi binomiale,
loi hypergéométrique, loi uniforme, loi géométrique, loi de Pascal, la loi de Poisson, loi exponen-
tielle, loi Gamma et la loi de Laplace Gauss.
6.2 Loi de Bernouilli

Definition 6.1 On appelle épreuve de Bernouilli, toute épreuve ayant deux issues l’une d’elles
étant appelée ”succès” de probabilité p et l’autre ”échec” de probabilité q = 1 − p. Le réel p est
appelée probabilité de succès.
Exemple 6.2 Une urne contient des boules dont une proportion p de couleur blanche. On tire au
hasard une boule de cette urne et suppose que l’on réalise le succès lorsqu’une boule blanche est
tirée et l’échec lorsqu’une boule d’une autre couleur est tirée. Il s’agit d’une épreuve de Bernouilli.
6.2.1 Distribution de Bernouilli

Definition 6.3 Soit p ∈ [0, 1] donné. On dit qu’une variable aléatoire X suit la loi de Bernouilli
de paramètre p (on note X B(1, p)) lorsque X prend les valeurs 0 et 1 avec les probabilités :
p(X = 1) = p et p(X = 0) = 1 − p.
Proposition 6.4 Si X suit la loi de Bernouilli de paramètre p (X B(1, p)), alors :
E(X) = p et V (X) = p(1 − p).
6.3 Loi binomiale

Definition 6.5 Lorsqu’on répète n fois dans les mêmes conditions une épreuve de Bernouilli, la
variable aléatoire X qui à toute suite de n épreuves associe le nombre de succès peut prendre les
valeurs 0, 1, 2, · · ·, n. Si p est la probabilité de succès après une épeuve de Bernouilli, on dit que X
obéit à une loi binomiale de paramètres n et p. On note X B(n, p).
Proposition 6.6

Approximation d’une loi hypergéométrique par une loi binomiale 61
• Si X suit la loi de binomiale B(n, p), alors :

• pour tout k ∈ {0, 1, 2, · · ·, n},
p(X = k) = {kn pk (1 − p)n−k .
E(X) = np et V (X) = np(1 − p).
• Si X1 et X2 sont deux variables aléatoires indépendantes suivant respectivement les lois
binomiales B(n1 , p) et B(n2 , p), alors la variable aléatoire réelle X1 +X2 suit la loi binomiale
B(n1 + n2 ; p).
Exemple 6.7 Un vivier contient 100 truites de même aspect et de même âge. Cinq d’entre elles
pèsent moins de 200 grammes, les autres plus de 200 grammes. Trois fois de suite, on va sortir
une truite du vivier, la peser et la replonger rapidement dans le vivier. Soit X le nombre de truites
de plus de 200 grammes obtenues à l’issue de ces trois pesées. Déterminer la loi de X.
6.4 Loi hypergéométrique

On effectue n tirages simultané de boules dans une urne contenant deux catégories de boules
N1 (N1 6= 0) boules blanches et N2 (N2 6= 0) boules non blanches. Donc l’urne contient N = N1 +N2
boules. Soit X la v.a.r. qui à ces n tirages associent le nombre de boules blanches tirées. En posant
p = NN1 , on dit que X suit la loi hypergéométrique de paramètres (N, n, p) qui est notée H(N, n, p).
Definition 6.8 Soient N et n deux entiers naturels tels que n ≤ N et p ∈ ]0; 1[ tel que N p ∈ N.
On dit qu’une v.a.r. X suit la loi hypergéométrique de paramètres (N, n, p) qui est notée H(N, n, p),
lorsque X prend les valeurs entières k comprises entre max(0, n − N + N p) et min(N p, n) avec
les probabilités :
1
p(X = k) = {kN p {n−k
N −N p n
{N
et 0 ailleurs.
Proposition 6.9 Si X suit la loi H(N, n, p), alors
N −n
E(X) = np et V (X) = np(1 − p) .
N −1
N −n
Le réel N −1
est le facteur d’exhaustivité.
Exemple 6.10 Dans une PME sont employés 6 ouvriers et 5 employés. Le PDG souhaitant
prendre l’avis du personnel interroge 7 personnes choisies au hasard parmi ces 11 personnes.
Soit X la variable aléatoire égale au nombre d’ouvriers interrogés.
1. Quelle sont les valeurs possibles de X?
2. Quelle est la probabilité d’interroger 4 ouvriers ?
6.4.1 Approximation d’une loi hypergéométrique par une loi binomiale

−n
Si N est assez grand ou si n est assez petit par rapport à N alors le facteur d’exhaustivité N
N −1
−n
tend vers 1 et V (X) = np(1 − p) NN −1
tend vers np(1 − p). On admettra que la variable aléatoire
X de loi hypergéométrique H(N, n, p), obéit approximativement à la loi binomiale B(n, p).
En pratique, l’approximation peut se faire lorsque Nn < 0, 1.

Loi binomiale négative ou loi de Pascal 62
6.5 Loi uniforme discrète

Definition 6.11 Soit n un entier naturel non nul ; on dit qu’une v.a.r. X suit la loi uniforme U
sur {1, 2, · · ·, n} lorsque X prend les valeurs k = 1, 2, · · ·, n avec les probabilités
1
.p(X = k) =
n
Proposition 6.12 Si X suit la loi uniforme U(n), alors
n+1 n2 − 1
E(X) = et V (X) = .
2 12
6.6 Loi géométrique

On effectue des tirages successifs avec remise dans une urne contenant deux catégories de boules.
Des boules blanches en proportion p (0 < p < 1) et des boules noires en proportion q = 1 − p
. Soit X la v.a.r. égale au nombre de tirages nécessaires pour obtenir une boule blanche pour la
première fois.
Les valeurs possibles de X sont les entiers naturels non nuls. On a donc X(Ω) = N∗ =
{1, 2, · · ·, n, · · ·} . On dit que X suit la loi géométrique de paramètre p et on note X G(p).
Definition 6.13 Soit p ∈ ]0; 1[ donné ; on dit qu’une v.a.r. X suit la loi géométrique de paramètre
p (notée G(p)), lorsque X prend les valeurs n ∈ N∗ avec les probabilités
p(X = n) = p(1 − p)n−1 .
Proposition 6.14 Si X suit la loi uniforme G(p) avec (0 < p < 1), alors
1 1−p
E(X) = et V (X) = .
p p2
Exemple 6.15 Considérons un dé cubique parfaitement équilibré dont les faces sont numérotées
de 1 à 6. Soit X la v.a.r. égale au nombre de jets nécessaires pour obtenir pour la première fois 6.
1. Quelles sont les valeurs possibles de X ?
2. Déterminer la probabilité pour que l’on obtienne 6 pour la première fois au 6ème jet.
3. Calculer l’espérance mathématique et l’écart type de X.
6.7 Loi binomiale négative ou loi de Pascal

On peut généraliser la loi géométrique en ne s’intéressant plus uniquement au nombre de
répétitions de l’épreuve de Bernouilli qui sont nécessaires pour observer une première réussite, mais
au nombre n de répétitions nécessaires pour observer k réussites (n ≥ k). La variable aléatoire
suit dans ce cas une loi de Pascal ou loi binomiale négative, de paramètres k et p, ce que l’on note
X Pa (k, p).
On peut aussi voir la loi de Pascal comme étant la somme de k variables géométriques indépendantes.
Si l’on désigne par Y1 G(p), Y2 G(p), · · ·, Yk G(p) les variables aléatoires géométriques
correspondant respectivement au nombre de répétitions pour obtenir le premier succès, pour ob-
tenir le deuxième succès après avoir obtenu le premier, ... , pour obteniur le kième succès après
avoir obtenu le (k − 1)ième, alors le nombre total de répétitions nécessaires pour obtenir ces k
succès est donné par la somme Y1 + Y2 + · · · + Yk .

Loi uniforme continue 63
Definition 6.16 Soient p ∈ ]0; 1[ et k ∈ N∗ donnés ; on dit qu’une v.a.r. X suit la loi de Pascal
de paramètres k et p (notée X Pa (k, p)), lorsque X prend les valeurs n ∈ k, k + 1, · · ·, avec
les probabilités
p(X = n) = {k−1 k
n−1 p (1 − p)
n−k
.
Proposition 6.17 Si X suit la loi de Pascal Pa (k, p) avec (0 < p < 1), et k ∈ N∗ , alors
k k (1 − p)
E(X) = et V (X) = .
p p2
6.8 Loi de Poisson

Definition 6.18 Soit λ un réel strictement positif donné. Une variable aléatoire réelle X suit la
loi de Poisson de paramètre λ si elle peut prendre toutes les valeurs entières k avec la probabilité :
λk
p(X = k) = e−λ .
k!
On note X P(λ).
Proposition 6.19 — Si X suit la loi de Poisson P(λ), alors :
E(X) = V (X) = λ.
— Si X1 et X2 sont deux variables aléatoires indépendantes suivant respectivement les lois de
Poisson P(λ1 ) et P(λ2 ), alors la variable aléatoire réelle X1 + X2 suit la loi binomiale
P(λ1 + λ2 ).
Remarque 6.20 La loi de Poisson est utilisée lorsque l’étude statistique porte sur les phénomènes
rares.
Exemple 6.21 Un employé de la compagnie Confort Lines contrôle chaque lundi 100 voyageurs.
On note X le nombre de personnes qu’il trouve en situation irrégulière. On admet que X suit la
loi de Poisson de paramètre 2.
Quelle est la probabilité qu’aucune personne ne soit en situation irrégulière ?
6.8.1 Approximation d’une loi binomiale par une loi de Poisson

La loi binomiale B(n, p) peut-être approchée par la loi de Poisson P(λ), (avec λ = np) si les
trois conditions suivantes sont réalisées :
1. n est grand. En pratique on prend n ≥ 30.
2. p est petit. En pratique, on prend p ≤ 0, 1.
3. np n’est pas trop grand. En pratique, on prend np ≤ 15.
6.9 Loi uniforme continue

Definition 6.22 Une v.a.r. X suit la loi uniforme sur [a, b] que l’on note U([a, b]) lorsque X
admet pour densité la focntion f définie par :
f : R −→ R
1

si x ∈ [a, b] .
x 7−→ f (x) = b−a
0 sinon

Loi normale 64
Proposition 6.23 Si X suit la loi uniforme sur [a, b], alors X admet une espérance mathématique
et une variance et on a
a+b (b − a)2
E(X) = et V (X) = .
2 12
6.10 Loi exponentielle

Definition 6.24 Soit α un réel strictement positif. Une v.a.r. X suit la loi exponentielle de pa-
ramètre α que l’on note E(α) ( et on écrit X E(α)) lorsque X admet pour fonction de densité
la fonction f définie par :
f : R −→ R
αe−αx si x ≥ 0 .

x 7−→ f (x) =
0 si x < 0
Proposition 6.25 Si X suit la loi exponentielle de paramètre α, alors X admet une espérance
mathématique et une variance et on a
1 1
E(X) = et V (X) = 2 .
α α
6.11 Loi Gamma

Definition 6.26 Soient a et λ deux nombres réels strictement positifs. Une v.a.r. X suit la loi
Gamma de paramètres a et λ que l’on note G(a, λ) (et on écrit X G(a, λ)) lorsque X admet
pour fonction de densité la fonction f définie par :
f : R −→ R
a

 λ
xa−1 e−λx si x ≥ 0 ,
x 7−→ f (x) = Γ(a)
 0 si x < 0
où
]0, +∞[ −→ ]0, +∞[Z
+∞
Γ:
x 7−→ Γ(x) = tx−1 e−t dt
0
est la fonction Gamma d’Euler.
Proposition 6.27 Si X suit la loi Gamma de paramètres a et λ (X G(a, λ)), alors X admet
une espérance mathématique et une variance et on a
a a
E(X) = et V (X) = 2 .
λ λ
Remarque 6.28 La loi Gamma de paramètres 1 et λ est la loi exponentielle de paramètre λ,
c’est-à-dire : G(1, λ) = E(λ).
6.12 Loi normale

La loi normale ou gaussienne occupe une place privilégiée en calcul des probabilités et en
statistique ; elle intervient dans la discussion de nombreuses questions théoriques et appliquées.
Ce rôle central est essentiellemnt justifié par le fait que la somme de nombreuses variables aléatoires
obéit, dans des conditions très générales, à une loi de probabilité qui est proche d’une loi normale.

Loi normale centrée réduite 65
Definition 6.29 Une v.a.r. X suit la loi normale ou loi de Gauss de moyenne m et d’écart-type
σ que l’on note N (m, σ) lorsque X admet pour fonction de densité la fonction f définie par :
f : R −→ R
1 x−m 2
√1 e− 2 ( σ )
.
x 7−→ f (x) = σ 2π
6.12.1 Loi normale centrée réduite

Les calculs des valeurs à partir de la fonction de densité de la v.a.r. X suivant la loi normale
N (m, σ) ne sont pas aisés. soit T = X−m σ
la v.a.r. centrée réduite associée à la variable X. La
v.a.r. T suit la loi normale N (0, 1)). On dit que T suit la loi normale centrée réduite. La fonction
de densité de T est
f : R −→ R
x2 .
x 7−→ f (x) = √12π e− 2
Désignons par π sa fonction de répartition.
La fonction π est tabulée le plus souvent pour des valeurs de t positives. La détermination des
valeurs pour t négatives se fondent sur la propriété suivante :
π(−t) = 1 − π(t).

Loi normale centrée réduite 66
Loi normale centrée réduite : Probabilité de trouver une valeur inférieure à u
u 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7290 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1,9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9779 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,2 0,9861 0,9864 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,99332 0,9934 0,9936
2,5 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0,9981 0,9982 0,9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
Table pour les grandes valeurs de u
u 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,8 4,0

π (u) 0,99865 0,99904 0,99931 0,99952 0,99966 0,99976 0,999841 0,999928 0,999968
Le calcul des probabilités se fonde sur les propriétés :

— π(t) = p(T ≤ t);
— p(T = t) = 0 pour tout réel t;
— p(t1 < T < t2 ) = π(t2 ) − π(t1 ) pour tous réels t1 et t2 ;

Correction de continuité 67
— p(t1 ≤ T < t2 ) = π(t2 ) − π(t1 ) pour tous réels t1 et t2 ;

— p(t1 < T ≤ t2 ) = π(t2 ) − π(t1 ) pour tous réelst1 et t2 ;
— p(t1 ≤ T ≤ t2 ) = π(t2 ) − π(t1 ) pour tous réelst1 et t2 .
Exemple 6.30 Soit T une variable aléatoire suivant la loi N (0, 1). Calculer
p(− 32 < T < 23 ).
Proposition 6.31 Une variable aléatoire réelle X suit la loi normale de paramètres m et σ (on
note X N (m, p)), si la variable aléatoire centrée réduite T = X−m
σ
associée à X suit la loi
normale centrée réduite.
Exemple 6.32 La taille d’une population est distribuée normalement avec une moyenne de 165
cm et un écart type égal à 15 cm. Déterminer la probabilité pour que la taille d’une personne soit :
1. inférieure à 150 cm ;
2. inférieure ou égale à 175 cm ;
3. supérieure ou égale à 175 cm ;
4. comprise entre 150 et 175 cm.
6.13 Approximation par la loi normale

6.13.1 Approximation de la loi binomiale par la loi normale
p Soit X une vaiale aléatoire réelle suivant la loi B(n, p). OnX−m sait que E(X) = np et σ(X) =
np(1 − p). Soit T la variable aléatoire réelle définie par T = σ . Lorsque n est assez grand, la
loi de T peut être approchée par la loi normale centrée réduite. p
En pratique, la loi B(n, p) peut être approchée par la loi normale N (np, np(1 − p)) lorsque :

 n ≥ 30
np ≥ 15 .
 p
np(1 − p) ≥ 5
6.13.2 Correction de continuité

Si Xpsuit la loi B(n, p), X prend des valeurs discrètes. Remplacer la loi B(n, p) par la loi
N (np, np(1 − p)) revient à considérer X comme une variable prenant toutes les valeurs réelles.
Sur le plan pratique, celà exige la correction de continuité suivante :
1. pour k ∈ {1, 2, · · ·, n − 1}, on remplace p(X = k) par p(k − 0, 5 ≤ X < k + 0, 5);
2. on remplace p(X = 0) par p(X < 0, 5);
3. p(X = n) par p(n − 0, 5 ≤ X).
4. Soit a, b ∈ {1, 2, · · · , n}, on a :
(a) p(X < a) = p(T < a − 0, 5).
(b) p(X ≤ a) = p(T < a + 0, 5).
(c) p(a < X < b) = p(a + 0, 5 < T < b − 0, 5).
(d) p(a ≤ X < b) = p(a − 0, 5 < T < b − 0, 5).
(e) p(a < X ≤ b) = p(a + 0, 5 < T < b + 0, 5).

Approximation de la loi de Poisson par la loi normale 68
(f) p(a ≤ X ≤ b) = p(a − 0, 5 < T < b + 0, 5).

Exemple 6.33 Une pièce de monnaie équilibrée est jetée 100 fois. Appelons X la variable aléatoire
égale au nombre de fois où la face ”pile” est obtenue.
1. Quelle est la loi de probabilité suivie par X?
2. Calculer E(X) et V (X).
3. Calculer p(X > 55) et p(45 < X < 55).
6.13.3 Approximation de la loi de Poisson par la loi normale

√
Soit X une variable aléatoire réelle suivant la loi P(λ). On sait que E(X) = λ et σ(X) = λ.
Soit T la variable aléatoire réelle définie par T = X−λ
√ . Lorsque λ est assez grand, la loi de T peut
λ
être approchée par la loi normale centrée réduite. √
En pratique, la loi P(λ) peut être approchée par la loi normale N (λ, λ) lorsque λ ≥ 20.
La correction de continuité, c’est-à-dire le passage d’une variable discrète à une variable conti-
nue, s’applique également dans le cas de l’approximation de la loi de Poisson par la loi normale.
Exemple 6.34 Le nombre d’atterrissages reçus toutes les 30 minutes par la tour de contrôle d’un
aéroport suit une loi de Poisson de paramètre λ = 24.
Quelle est la probabilité que le nombre de demandes enregistrées au terme de 30 minutes soit
supérieures à 30 ?

Exercice 69
Loi Normale Inverse : Table de la fonction réciproque de Π

F (zp ) = P (Z ≤ zp ) = p (0 < p < 1) avec Z N (0, 1)
p zp p zp p zp p zp
0,0001 -3,7190 0,15 -1,0364 0,51 0,0251 0,87 1,1264
0,0002 -3,5401 0,16 -0,9945 0,52 0,0502 0,88 1,1750
0,0003 -3,4316 0,17 -0,9542 0,53 0,0753 0,89 1,2265
0,0004 -3,3528 0,18 -0,9154 0,54 0,1004 0,90 1,2816
0,0005 -3,2905 0,19 -0,8779 0,55 0,1257 0,91 1,3408
0,0006 -3,2389 0,20 -0,8416 0,56 0,1510 0,92 1,4051
0,0007 -3,1947 0,21 -0,8064 0,57 0,1764 0,925 1,4395
0,0008 -3,1559 0,22 -0,7722 0,58 0,2019 0,93 1,4758
0,0009 -3,1214 0,23 -0,7388 0,59 0,2275 0,94 1,5548
0,001 -3,0902 0,24 -0,7063 0,60 0,2533 0,95 1,6449
0,002 -2,8782 0,25 -0,6745 0,61 0,2793 0,96 1,7507
0,003 -2,7478 0,26 -0,6433 0,62 0,3055 0,97 1,8808
0,004 -2,6521 0,27 -0,6128 0,63 0,3319 0,975 1,9600
0,005 -2,5758 0,28 -0,5828 0,64 0,3585 0,98 2,0537
0,006 -2,5121 0,29 -0,5534 0,65 0,3853 0,985 2,1701
0,007 -2,4573 0,30 -0,5244 0,66 0,4125 0,99 2,3263
0,008 -2,4089 0,31 -0,4959 0,67 0,4399 0,991 2,3656
0,009 -2,3656 0,32 -0,4677 0,68 0,4677 0,992 2,4089
0,01 -2,3263 0,33 -0,4399 0,69 0,4959 0,993 2,4573
0,015 -2,1701 0,34 -0,4125 0,70 0,5244 0,994 2,5121
0,02 -2,0537 0,35 -0,3853 0,71 0,5534 0,995 2,5758
0,025 -1,9600 0,36 -0,3585 0,72 0,5828 0,996 2,6521
0,03 -1,8808 0,37 -0,3319 0,73 0,6128 0,997 2,7478
0,04 -1,7507 0,38 -0,3055 0,74 0,6433 0,998 2,8782
0,05 -1,6449 0,39 -0,2793 0,75 0,6745 0,999 3,0902
0,06 -1,5548 0,40 -0,2533 0,76 0,7063 0,9991 3,1214
0,07 -1,4758 0,41 -0,2275 0,77 0,7388 0,9992 3,1559
0,075 -1,4395 0,42 -0,2019 0,78 0,7722 0,9993 3,1947
0,08 -1,4051 0,43 -0,1764 0,79 0,8064 0,9994 3,2389
0,09 -1,3408 0,44 -0,1510 0,80 0,8416 0,9995 3,2905
0,10 -1,2816 0,45 -0,1257 0,81 0,8779 0,9996 3,3528
0,11 -1,2265 0,46 -0,1004 0,82 0,9154 0,9997 3,4316
0,12 -1,1750 0,47 -0,0753 0,83 0,9542 0,9998 3,5401
0,13 -1,1264 0,48 -0,0502 0,84 0,9945 0,9999 3,7190
0,14 -1,0803 0,49 -0,0251 0,85 1,0364
0,15 -1,0364 0,50 0,0000 0,86 1,0803
6.14 Exercices
6.14.1 Exercice
Thierry et 11 autres jeunes font un stage de 30 jours dans un grand labo-photo japonais. Chaque
soir, l’un d’eux, tiré au sort parmi les 12 stagiaires, gagne, en quittant le laboratoire, un appareil
photographique gracieusement offert.

Exercice 70
Quelle est la probabilité qu’à l’issue de son stage Thierry ait gagné au moins deux appareils ?
6.14.2 Exercice
Début janvier, une grande surface met en location, à la journée, 20 shampouineuses à moquette
toutes neuves. Lorsqu’un appareil tombe en panne, il n’est pas réparé mais remplacé par une
shampouineuse toute neuve. On suppose que, pour chaque appareil, la probabilité qu’il soit à
changer au cours de l’année est égale à 0,2. Si l’appareil de remplacement vient à tomber en panne
également, il n’est pas changé.
1. Déterminer la probabilité des évènements suivants :
(a) A : ”aucune shampouineuse ne sera changée au cours de l’année” ;
(b) B : ”exactement trois shampouineuses seront changées au cours de l’année” ;
(c) C : ”moins de trois shampouineuses seront changées au cours de l’année” ;
(d) D : ”plus de trois shampouineuses seront changées au cours de l’année” ;
(e) E : ”au plus trois shampouineuses seront changées au cours de l’année”.
2. Le coût, pour la grande surface, du changement en cours d’année d’une shampouineuse est de
50.000 Francs, et l’entretien de l’ensemble des appareils représente un coût fixe de 1.200.000
francs pour une année. Déterminer l’espérance et l’écart type du coût pour une année.
6.14.3 Exercice
Une petite imprimerie vend des cartes de visite par paquets de 100. Il arrive parfois qu’une
carte échappe à l’impression. On note X le nombre de cartes toutes blanches dans un paquet. On
suppose que X suit une loi de Poisson de paramètre 1, 5.
1. Monsieur Solrac a commandé un paquet. Quelle est la probabilité qu’il y trouve :
(a) zéro carte blanche ?
(b) une seule carte blanche ?
(c) plus de deux cartes banches ?
2. Quels sont l’espérance et l’écart-type de X ?
3. Quelle est la valeur la plus probable de X ?
4. Seuls les paquets contenant plus de 4 cartes blanches font parfois l’objet d’une réclammation.
En moyenne, 10% de ces paquets sont rapportés chez l’imprimeur. Sur 10.000 paquets ven-
dus, combien, en moyenne, seront rapportés ?
5. Mademoiselle Alpha a commandé 5 paquets de 100 cartes de visite. Quelle est la probabilité
qu’elle ait exactement 8 cartes blanches ?
6.14.4 Exercice
Chaque année, il y a 450 morts accidentelles dues aux armes à feu parmi les 15 − 24 ans.
1. Quel est le nombre moyen de morts accidentelles dues aux armes à feu par semaine ?
2. Quelle est la probabilité qu’aucune mort accidentelle par arme à feu ne survienne au cours
d’une semaine ?
3. Quelle est la probabilité qu’au moins deux morts accidentelles par arme à feu ne survienne
en une journée ?

Exercice 71
6.14.5 Exercice
1. Soit T une variable aléatoire suivant la loi N (0, 1). Calculer les probabilités des évènements
suivants :
(a) (−1 < T < 23 );
(b) (|T | < 1, 03);
(c) (|T | > 0, 62) ;
(d) (|T | ≥ −2, 23).
2. Soit X une variable aléatoire suivant la loi normale N (150, 10). Calculer les probabilités des
évènements suivants :
(a) (150 < X < 160);
(b) (|X| < 150);
(c) (|X| > 140) ;
(d) (X ≥ −160).
6.14.6 Exercice
L’âge moyen d’une personne qui se marie pour la première fois est de 26 ans. Supposez que
l’âge du premier mariage soit normalement distribué, avec un écart type de quatre ans.
1. Quelle est la probabilité qu’une personne qui se marie pour la première fois, ait plus de 20
ans ?
2. Quelle est la probabilité qu’une personne qui se marie pour la première fois, ait plus de 20
ans mais moins de 30 ans ?
3. Avant quel âge 90% des personnes se marient-elles pour la première fois ?
6.14.7 Exercice
Un organisme humanitaire prépare des petits colis contenant : un paquet de sucre, une boı̂te
de lait en poudre, un sachet de biscuits, du savon.
On note X1 , X2 , X3 et X4 les poids respectifs (en grammes) du paquet de sucre, de la boı̂te
de lait, du sachet de biscuits et du savon. On suppose que :
X1 N (1000; 50), X2 N (500; 25), X3 N (100; 5) et X4 N (125; 10).
1. Le carton d’emballage pèse 100 g. Déterminer la loi du poids total d’un colis.
2. Calculer la proportion de colis dont le poids est compris entre 1, 7 kg et 1, 9 kg?
3. Le coût (exprimé en euros) d’envoi d’un colis est de 20 euros (fixes) auxquels s’ajoutent 0, 005
euros par gramme. Déterminer l’espérance mathématique et l’écart type du coût d’envoi de
10000 colis.
4. On prend deux colis au hasard. Quelle est la probabilité que leur poids diffèrent de plus de
5 grammes ?

Exercice 72
6.14.8 Exercice
Un toréfacteur reçoit en début de mois 150 kg de café qui viennent s’ajouter à sa réserve. La
demande mensuelle (en kilogrammes) suit une loi normale d’espérance 150 kg et d’écart type 15
kg.
1. Quelle est la probabilité que la demande mensuelle soit :
(a) inférieure à 180 kg ?
(b) inférieure à 150 kg ?
(c) comprise entre 120 et 160 kg ?
2. De quelle réserve doit-il disposer en début de mois (avant livraison de 150 kg) pour qu’il y
ait plus de 95 chances sur 100 qu’il ne soit pas en rupture de stock au cours du mois ?
6.14.9 Exercice
Une entreprise fabrique et commercialise des produits de consommation courante en très grand
nombre. Il y a une probabilité constante égale à 0, 1 qu’un article choisi au hasard dans la pro-
duction ne satisfasse pas aux normes imposées.
1. On prélève au hasard 10 articles. Calculer la probabilité qu’il y ait au moins un article non
conforme parmi ces dix articles.
2. On prélève au hasard 50 articles. Soit X1 le nombre d’articles non conformes parmi ces 50
articles :
(a) Indiquer la loi suivie par X1 (On justifiera avec soin le résultat.)
(b) Montrer que cette loi peut être approchée par une loi que l’on précisera.
(c) A l’aide de cette loi, calculer la probabilité qu’il y ait au plus 5 articles non conformes
parmi les 50 articles.
3. On prélève au hasard 500 articles. Soit X2 le nombre d’articles non conformes parmi ces 500
articles :
(a) Indiquer la loi suivie par X2 (On justifiera avec soin le résultat.)
(b) Montrer que cette loi peut être approchée par une loi que l’on précisera.
(c) A l’aide de cette loi, calculer la probabilité qu’il y ait au moins 50 articles non conformes
parmi les 500 articles.
6.14.10 Exercice
Soit X une variable aléatoire d’ensemble fondamental N. On pose, pour chaque k ∈ N, f (k) =
PX ({k} et on suppose que f vérifie la relation :
4
∀k ∈ N∗ , f (k) = f (k − 1).
k
Montrer que X est une variable de Poisson dont on donnera le paramètre .

Exercice 73
6.14.11 Exercice
Une machine automatique est constituée de 50 éléments. On admet que pendant un temps T de
fonctionnement, chacun de ces éléments a la probabilité 0, 01 de tomber en panne indépendamment
des autres. La machine cesse de fonctionner si au moins 4 des éléments tombent en panne. On
désigne par X la variable aléatoire égale au nombre d’éléments parmi les 50 qui tombent en panne
pendant le temps T .
1. Quelle est la loi de probabilité de la variable aléatoire X ?
2. Montrer que cette loi peut être approchée par une autre loi que l’on précisera.
3. A l’aide de cette loi, calculer la probabilité pour que, pendant le temps T , la machine ne
s’arrête pas de fonctionner.

Cours Estb1 2020 2021

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Estb1 2020 2021

Transféré par

Droits d'auteur :

Formats disponibles

Ecole Supérieure de

Année Académique 2021-2022

Introduction à la Statistique Descriptive

1 Séries statistiques à un caractère 5

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

2 Séries Statistiques à deux variables 18

4 Introduction à la théorie de probabilité 31

5 Variables aléatoires réelles 43

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

5.1.4 Tribu engendrée par une famille de parties de R . . . . . . . . . . . . . . . 43

6 Lois classiques usuelles 60

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

6.11 Loi Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

Séries statistiques à un caractère

Individu ∈ Population et Echantillon ⊂ Population

1.1.2 Effectif total

1.1.3 Caractères (ou variables) statistiques

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

1.1.6 Variables discrètes et continues

1.2 Tableaux statistiques

Valeurs observées xi Effectifs ni Fréquences fi Fréquences cumulées ↑ ou ↓ : Fi

1.2.2 Tableau statistique associé à un caractère quantitatif continu

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

1.3 Traitements graphiques

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

1.3.2 Les histogrammes

1.3.2.1 Cas des classes d’amplitudes égales

1.3.2.2 Cas des classes d’amplitudes différentes

1.3.3 Polygones des fréquences ou des effectifs

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

1.3.4 Polygone des fréquences cumulées (ou effectifs cumulés)

1.3.4.1 Polygone des fréquences cumulées (ou effectifs cumulés) croissantes

1.3.4.2 Polygone des fréquences cumulées (ou effectifs cumulés) décroissantes

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

1.4 Caractéristique de position et de dispersion

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

1.4.3 La moyenne arithmétique

1.4.3.1 Propriétés de la moyenne arithmétique

1.4.4 Les autres moyennes

1.4.4.1 La moyenne harmonique

1.4.4.2 La moyenne géométrique

On la note X G et on la définit de la manière suivante :

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

1.4.4.3 La moyenne quadratique

1.4.5 Les caractéristiques de dispersion

• La variance est le nombre réel positif noté V (X) tel que :

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

1.4.5.2 Les quantiles et les intervalles interquantiles

Les quantiles constituent une génénéralisation de la notion de médiane. On appelle quantile

1.4.5.3 Les moments et les moments centrés

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

1.4.5.4 Coefficient de dispersion ou coefficient de variation

Le coefficient de dispersion, comme l’intervalle interquantile relatif, est un indicateur de dis-

1.4.6 Paramètres de forme

C’est le nombre réel noté γ et défini par :

1.4.6.2 Coefficient d’aplatissement de Pearson

C’est le nombre noté β et défini par :

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

Classe Machine A Machine B Classe Machine A Machine B

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022

Probabilité et Statistiques©FAST-UAC 2021-2022 Probabilité et Statistiques©FAST-UAC 2021-2022