Cours Estb1 2011 2012

Ecole Supérieure de Télécommunication
du Bénin (ESTB)
PREPA-ING (Premième année)
Année Académique 2013-2014
Introduction à la statistique descriptive
et à la probabilité
Prof. Liamidi A. LEADI

Table des matières
1 Séries statistiques à un caractère 4

1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Population . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Effectif total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Caractères (ou variables) statistiques . . . . . . . . . . . . . . . . . . . . . 4
1.1.4 Modalités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.5 Effectif-Fréquence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.6 Variables discrètes et continues . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Tableaux statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Tableau statistique associé à un caractère quantitatif discret . . . . . . . . 5
1.2.2 Tableau statistique associé à un caractère quantitatif continu . . . . . . . . 5
1.2.3 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3.1 Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3.2 Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.3.3 Exemple 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Traitements graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Diagramme en bâtons (cas discret) . . . . . . . . . . . . . . . . . . . . . . 6
1.3.2 Les histogrammes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.2.1 Cas des classes d’amplitudes égales . . . . . . . . . . . . . . . . . 7
1.3.2.2 Cas des classes d’amplitudes différentes . . . . . . . . . . . . . . . 7
1.3.3 Polygone des fréquences ou des effectifs . . . . . . . . . . . . . . . . . . . . 7
1.3.4 Polygone des fréquences cumulées (ou effectifs cumulés) . . . . . . . . . . . 7
1.3.4.1 Polygone des fréquences cumulées (ou effectifs cumulés) croissantes 7
1.3.4.2 Polygone des fréquences cumulées (ou effectifs cumulés) décroissantes 8
1.3.4.3 Remarques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Caractéristique de position et de dispersion . . . . . . . . . . . . . . . . . . . . . . 8
1.4.1 Le mode et la classe modale . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.2 La médiane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.3 La moyenne arithmétique . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.3.1 Propriétés de la moyenne arithmétique . . . . . . . . . . . . . . . 10
1.4.4 Les autres moyennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.4.1 La moyenne harmonique . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.4.2 La moyenne géométrique . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.4.3 La moyenne quadratique . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.5 Les caractéristiques de dispersion . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.5.1 La variance, l’écart-type et l’écart-moyen . . . . . . . . . . . . . . 10
1.4.5.2 Les quantiles et les intervalles interquantiles . . . . . . . . . . . . 11
1.4.5.3 Les moments et les moments centrés . . . . . . . . . . . . . . . . 12
1.4.5.4 Coefficient de dispersion ou coefficient de variation . . . . . . . . 12
1.4.6 Paramètres de forme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.6.1 Coefficient d’asymétrie de Fisher . . . . . . . . . . . . . . . . . . 12
1.4.6.2 Coefficient d’aplatissement de Pearson . . . . . . . . . . . . . . . 13
Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

TABLE DES MATIÈRES 2
2 Séries Statistiques à deux variables 16

2.1 Exercice introductif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Nuage de points associé à une série double . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Point moyen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Ajustement linéaire : Méthode des moindres carrées . . . . . . . . . . . . . . . . . 17
2.4.1 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.2 Droite de régression de y en x . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.3 Droite de régression de x en y . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.4 Coefficient de corrélation linéaire . . . . . . . . . . . . . . . . . . . . . . . 18
2.5 Ajustement linéaire : Méthode des points moyens de Mayer . . . . . . . . . . . . . 19
2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.6.1 Exercice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.6.2 Exercice 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.6.3 Exercice 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.6.4 Exercice 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.6.5 Exercice 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.6.6 Exercice 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6.7 Exercice 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6.8 Exercice 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3 Généralité sur la probabilité 24

3.1 Quelques rappels sur le dénombrement . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.1 Dénombrement de parties d’ensembles finis . . . . . . . . . . . . . . . . . . 24
3.1.1.1 Définition 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.1.2 Définition 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.2 Dénombrement de listes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.2.1 Produit cartésien de deux ensembles . . . . . . . . . . . . . . . . 25
3.1.2.2 Produit cartésien d’ensembles finis . . . . . . . . . . . . . . . . . 26
3.1.3 Dénombrement d’arrangements . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.3.2 Propriété . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.4 Permutations des n éléments d’un ensemble . . . . . . . . . . . . . . . . . 27
3.1.5 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1.6 Mots clés à retenir en dénombrement . . . . . . . . . . . . . . . . . . . . . 27
3.2 Probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 Espace probabilisable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 Définition et Vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.3 Définition d’une probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.4 Quelques propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.5 Evénements équiprobables . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.6 Evénements indépendants et probabilité conditionnelle . . . . . . . . . . . 30
3.2.6.1 Evénements indépendants . . . . . . . . . . . . . . . . . . . . . . 30
3.2.6.2 Remarque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.6.3 Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.1 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.2 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

TABLE DES MATIÈRES 3
3.3.3 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.4 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.5 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.6 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Une brève introduction à la notion de variable aléatoire discrète . . . . . . . . . . 34
3.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.2 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.3 Caractéristiques d’une variable aléatoire . . . . . . . . . . . . . . . . . . . 34
3.4.3.1 Espérance mathématique ou Moyenne . . . . . . . . . . . . . . . 34
3.4.3.2 Variance et Ecart-type . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.3.3 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4.4 Epreuve de Bernoulli-Loi binomiale . . . . . . . . . . . . . . . . . . . . . . 36
3.4.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.4.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

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. 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...
1.1.5 Effectif-Fréquence
1. L’effectif ni d’une modalité est le nombre de fois où cette modalité a été observée.

Tableau statistique associé à un caractère quantitatif continu 5
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) 6
1.2.3 Exemples
1.2.3.1 Exemple 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.
1.2.3.2 Exemple 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.
1.2.3.3 Exemple 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.

Polygone des fréquences cumulées (ou effectifs cumulés) 7
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’efectif 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 :
ni
hci = ( )ar .
ai
On peut aussi considérer les densités en lieu et place des hauteurs corrigées.
1.3.3 Polygone 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.
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 correspodant sur le polygone des

Le mode et la classe modale 8
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.
Exercice 1
Tracer les courbes des fréquences cumulées croissantes et décroissantes de l’Exemple 3
1.3.4.3 Remarques
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 2
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 le polygone des effectifs cumulés croissants de cette série statistique.
3. Déterminer le nombre d’individus mesurant moins de 177 cm.
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 obtient graphiquement.
Dans une série statistique, on peut avoir plusieurs classes modales et donc plusieurs
modes.
Remarque : 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.

La moyenne arithmétique 9
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
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
En pratique la détermination de la médiane se fait àl’aide des polygones des fréquences cumulées
croissantes ou décroissantes. C’est l’abscisse du point de ces polygones qui a pour ordonnées 50%.
On peut aussi déterminer la médiane à l’aide des polygones des effectifs cumulés croissants ou
N
décroissants. Dans ce cas, c’est l’abscisse du point de ces polygones qui a pour ordonnée .
2
La médiane est l’abscisse du point d’intersection des polygones d’effectifs (ou fréquences) cu-
mulés croissants ou décroissants.
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 valeurs
2
N
des effectifs cumulés ne correspond pas à , on prend par convention pour médiane la valeur de
2
la variable immédiatement supérieure.
Exercice 3
Déterminer la médiane de la série de l’Exercice 2
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

Les caractéristiques de dispersion 10
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 :
N
XH = p
X ni
( )
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
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 et l’écart-moyen
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 est le nombre réel noté em tel que :
p
1 X
em = ni |ci − X|
N i=p

Les caractéristiques de dispersion 11
• 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).
• l’écart-type est un indicateur de dispersion. Il est défini comme étant la racine carrée de la
variance. On la note σX . On a alors
p
σX = V (X).
Remarque
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.
• 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.
• 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 .
• 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.

Paramètres de forme 12
• 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.
• 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
Remarques
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 : 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
Exercice 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 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 3
Le tableau suivant donne la répartition en classes d’amplitude 5 des tailles en cm de 40 individus.
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 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 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
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 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 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 A B Classe A 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[.
Exercice 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 17
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 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)
Exemple 2
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
1 X
Cov(x, y) = (xi − x)(yi − y)
N i=1
N
!
1 X
= xi y i − x.y Formule de Koenig .
N i=1
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 18
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
Cov(x, y)
série statistique double (xi , yj , nij ) et dont le coefficient directeur est a = . Une équation
V (x)
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)
Exemple
En reprenant l’Exemple 2, déterminer les équations cartésiennes des droites de régression de y en
x, puis de x en y.
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).
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 proche de
1 : les deux phénomènes sont en relation étroite dans le même sens.

Exercice 1 19
Exemple 3
Déterminer le coefficient de corrélation linéaire de la série étudiée dans l’Exemple 2.
Exemple 4
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
Déterminer le coeficient de corrélation linéaire entre les notes de SVT et celles de EPS. 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 5
Déterminer l’équation cartésienne de la droite de régresion de Mayer de la série de l’Exemple 2
2.6 Exercices
2.6.1 Exercice 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.
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 3 20
2.6.2 Exercice 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 .
2.6.3 Exercice 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.
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.

Exercice 5 21
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.
2.6.4 Exercice 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.
2.6.5 Exercice 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.
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 8 22
2.6.6 Exercice 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 sachant
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.
2.6.7 Exercice 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.
2.6.8 Exercice 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

Exercice 8 23
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
Généralité sur la probabilité
3.1 Quelques rappels sur le dénombrement

3.1.1 Dénombrement de parties d’ensembles finis
3.1.1.1 Définition 1
Soit E un ensemble. On appelle cardinal de E et on note card(E) le nombre d’éléments de

l’ensemble E.
Lorsque card(E) < +∞, c’est-à-dire card(E) ∈ N, on dit que l’ensemble E est un ensemble
fini. Dans le cas contraire, on dit que E est infini.
Remarque : On a card(∅) = 0.
3.1.1.2 Définition 2
1. Soit A et B deux ensembles non vides. On définit l’ensemble A ∩ B comme étant l’ensemble
des éléments qui sont à la fois dans A et dans B. Ainsi
x ∈ A ∩ B ⇔ x ∈ A et x ∈ B.
2. Soit A et B deux ensembles quelconques. On définit l’ensemble A∪B comme étant l’ensemble
des éléments qui sont soit dans A, soit dans B.
Ainsi on a :
x ∈ A ∪ B ⇔ x ∈ A ou x ∈ B.
3. Si A ⊂ E, on dit que A est une partie (ou un sous-ensemble) de E.
4. Deux ensembles sont dits disjoints si A ∩ B = ∅.
5. Soit E un ensemble non vide. On note P(E), l’ensemble des parties de E. Ainsi A ∈ P(E) ⇔
A ⊂ E. On a donc : ∅ ∈ P(E) et E ∈ P(E).
6. Soit E un ensemble non vide tel que card(E) = n alors on a :
(a) card(P(E)) = 2n .
(b) Pour tout A ∈ P(E), l’ensemble A = {x ∈ E, x 6∈ A} est une partie de P(E). On l’appelle
complémentaire de A dans E.
(c) Si A, B sont deux éléments de P(E) alors A ∪ B et A ∩ B sont des éléments de P(E).
(d) Soit E un ensemble fini non vide et soit A et B deux parties de E. On démontre que :
card(A ∪ B) = card(A) + card(B) − card(A ∩ B)

Dénombrement de listes 25
Exercice 1
1. Soit A, B et C trois ensembles finis. Calculer card(A ∪ B ∪ C).
2. Généraliser le résultat obtenu pour card(A1 ∪ A2 ∪ · · · An ), où les ensembles Ai sont finis.
Exercice 2
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
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. Déterminer le nombre d’auditeurs ayant entendu
ces publicités
1. si les personnes qui écoutent la radio à 15h ne l’écoutent pas à 16h.
2. si 4600 personnes écoutent la radio à 15h et à 16h.
Exercice 4
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 5
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.
3.1.2 Dénombrement de listes

3.1.2.1 Produit cartésien de deux ensembles
Soit A et B deux ensembles non vides. On appelle produit cartésien de A et B et on note A × B

(se lit A croix B) l’ensemble suivant :
A × B = {(x, y), x ∈ A et y ∈ B}
Propriétés
1. Pour tous ensembles A et B, on a A × B 6= B × A.
2. card(A × B) = card(B × A) = card(A) × card(B).

Dénombrement d’arrangements 26
3.1.2.2 Produit cartésien d’ensembles finis
Soit E1 , E2 , · · · , Ep p ensembles non vides. L’ensemble E1 × E2 × · · · × Ep est l’ensemble de

tous les p-listes (a1 , a2 , · · · , ap ) telles que ai ∈ Ei avec i ∈ {1, 2, · · · , p}. On a :
card(E1 × E2 × · · · × Ep ) = card(E1 ).card(E2 ) · · · card(Ep )

En particulier si card(E1 ) = card(E2 ) = · · · = card(Ep ) = n alors
card(E1 × E2 × · · · × Ep ) = np .
Propriété
Le nombre d’applications d’un ensemble A à p éléments vers un ensemble B à n éléments est
égal à np .
Exercice
Les numeros de téléphones en République du Bénin sont des nombres entiers naturels à 8 chiffres.
1. Quel est le nombre total d’abonnés qu’on peut avoir pour un réseau téléphonique dont le
numéro des abonnés commence par 21.
2. Quel est le nombre total d’abonnés que le réseau MTN peut enregistrer avec les séries
97,96,66 et 67.
3. Quel est le nombre total de numeros que l’on peut attribuer si le premier chiffre est 9 et le
dernier est 3.
4. Quel est le nombre total de numeros que l’on peut attribuer si ces chiffres sont deux à deux
différents, les deux premiers étant respectivement 9 et 7.
3.1.3 Dénombrement d’arrangements

3.1.3.1 Définition
Soit E un ensemble à n éléments et p un nombre entier non nul tel que n ≥ p. On appelle
arrangement de p éléments de E, tout p-uplet d’élément de E deux à deux distincts.
3.1.3.2 Propriété
Le nombre d’arrangements de p éléments d’un ensemble à n éléments, noté Apn , est tel que :
Apn = n(n − 1)(n − 2) · · · (n − p + 1).
Exemple A25 = 5 × 4 = 20 ; A410 = 10 × 9 × 8 × 7 = 5040.
Remarque : Si n < p alors Apn = 0.

Exemple
1. On dispose de 5 cartons portant respectivement les chiffres 1,2,3,4,5. Combien peut-on former
des nombres de trois chiffres distincts.
2. Dix athlètes participent à une course. On appelle podium l’arrivée des trois premiers.
Déterminer le nombre de podiums possibles (on suppose qu’il n’y a pas d’ex-aequo).

Mots clés à retenir en dénombrement 27
3.1.4 Permutations des n éléments d’un ensemble

E étant un ensemble non vide tel que card(E) = n, on appelle permutation des n éléments de
E tout arrangement des n éléments de E.
Propriété
Le nombre de permutations de n éléments est
Ann = n(n − 1)(n − 2) · · · (n − n + 1) = n(n − 1)(n − 2) · · · × 2 × 1.
On pose
n(n − 1)(n − 2) · · · × 2 × 1 = n!.
Pour tous entiers naturels p et n tels que n ≥ p on a alors :
n!
Apn = et Ann = n!.
(n − p)!
3.1.5 Combinaisons
Soit E un ensemble non vide tel que card(E) = n. Soit p ∈ N tel que p ≤ n. On appelle
combinaison de p éléments de E toute partie de E ayant p éléments.
Propriété 1
Le nombre de combinaisons de p éléments d’un ensemble à n éléments, noté Cnp est tel que :
Apn n!
Cnp = = .
p! p!(n − p)!
Propriété 2
Soit n et p deux nombres entiers naturels tels que p ≤ n. On a
1. Cnp = cn−p
n ; Cnn = 1 et Cn0 = 1.
p−1 p
2. Si de plus 0 < p < n alors on a : Cn−1 + Cn−1 = Cnp .
Propriété 3 : ( Formule du binôme de Newton)
Soit a et b deux nombres réels et n ∈ N∗ , on a le résultat suivant :
n
X
n
(a + b) = Cnk an−k bk = Cn0 an + Cn1 an−1 b + Cn2 an−2 b2 + · · · Cnn−1 abn−1 + Cnn bn .
k=0
Exemple
1. Développer (a + b)3 , (a + b)5 et (a − b)6 .
2. Calculer Cn0 + Cn1 + · · · Cnn−1 + Cnn .
3.1.6 Mots clés à retenir en dénombrement

• Tirages successifs avec remise : On utilise np , avec n le nombre total d’éléments et p le
nombre d’élements à tirer.
• Tirages successifs sans remise : On utilise Apn avec p ≤ n ; n étant le nombre d’éléments
dont on dispose et p le nombre d’éléments à tirer.
• Tirages simultanés : On utilise dans ce cas Cnp avec p ≤ n.
Exemple

Définition et Vocabulaire 28
Un sac contient 26 jetons représentant les 26 lettres de l’alphabet français, dont 20 consonnes et
6 voyelles.
1. On tire simultanément 5 jetons du sac. Déterminer
(a) le nombre total de tirages possibles.
(b) le nombre de tirages distincts :
i. contenant exactement 2 voyelles.
ii. contenant au moins une voyelle.
2. On tire successivement 5 jetons avec remise. Déterminer le nombre de tirage distincts :
(a) contenant exactement 2 voyelles.
(b) contenant au moins une voyelle.
(c) contenant au moins deux lettres indentiques.
3. Même question si le tirage est sans remise.
Exercice
1. Soit n ∈ N. Démontrer, à l’aide de la formule du binôme de Newton, que :
Cn0 + Cn1 + Cn2 + · · · + Cnp + · · · + Cnn−1 + Cnn = 2n
2. n étant un entier naturel supérieur ou égal à 2, on considère la fonction f de R vers R définie
par : f (x) = (1 + x)n .
(a) En utilisant la formule du binôme de Newton et en dérivant f (x), démontrer que pour
tout nombre réel x, on a :
Cn1 + 2xCn2 + 3x2 Cn3 + · · · + nxn−1 Cnn = n(1 + x)n−1 .
(b) En déduire que :
Cn1 + 2Cn2 + · · · + nCnn = n2n−1 ,
et que Cn1 − 2Cn2 + · · · + (−1)n−1 nCnn = 0
3.2 Probabilités
3.2.1 Espace probabilisable
Soit Ω un ensemble fini et non vide et soit P(Ω) l’ensemble des parties de Ω. Le couple (Ω, P(Ω))
est appelé espace probabilisable fini
3.2.2 Définition et Vocabulaire

Soit (Ω, P(Ω)) un espace probabilisable fini.
1. Ω est appelé univers ou événement certain.
2. Les éléments de Ω sont appelés les éventualités.
3. L’ensemble vide ∅ est l’événement incertain.
4. Tout singleton de Ω est appelé événement élémentaire.
5. Si A ∈ P(Ω) alors A = CΩA est appelé événement contraire de A.
6. Soit A, B ∈ P(Ω), A ∩ B est l’événement “A et B” ; A ∪ B est l’événement “A ou B”.
7. Si A ∩ B = ∅ alors on dit que les événements A et B sont incompatibles.

Evénements équiprobables 29
3.2.3 Définition d’une probabilité

Soit (Ω, P(Ω)) un espace probabilisable fini et soit p l’application suivante :
P(Ω) −→ [0, 1]
p:
A 7−→ p(A).
L’application p est une probabilité si et seulement si elle vérifie les propriétés suivantes :
1. p(Ω) = 1 et p(∅) = 0.
2. Pour tout A ∈ P(Ω), p(A) ∈ [0, 1].
3. Pour tout A, B ∈ P(Ω), p(A ∪ B) = p(A) + p(B) si A ∩ B = ∅.
Le triplet (Ω, P(Ω), p) est appelé espace probabilisé fini.
3.2.4 Quelques propriétés

Soit (Ω, P(Ω), p) un espace probabilisé fini. On a les propriétés suivantes :
1. Pour tous A, B ∈ P(Ω) tels que A ⊂ B, p(A) ≤ p(B).
2. Pour tout A ∈ P(Ω) p(A) = 1 − p(A).
3. Pour tous A, B ∈ P(Ω) p(A ∪ B) = p(A) + p(B) − p(A ∩ B).
4. Si A1 , A2 , · · · , An sont des événements de P(Ω) deux à deux incompatibles alors
n
[ n
X
p( Ai ) = p(Ai )
i=1 i=1
5. La somme des probabilités de tous les événements élémentaires est égale à 1.

Exercice
Démontrer que
p(A ∪ B ∪ C) = p(A) + p(B) + p(C) − p(A ∩ B) − p(A ∩ C) − p(B ∩ C) + p(A ∩ B ∩ C).
3.2.5 Evénements équiprobables

Soit (Ω, P(Ω), p) un espace probabilisé fini. On dit que deux événements A et B sont équiprobables
s’ils ont les mêmes chances d’être réalisés, c’est-à-dire p(A) = p(B).
Propriétés
Soit (Ω, P(Ω), p) un espace probabilisé fini tel que tous les événements élémentaires soient
équiprobables. Alors pour tout A ∈ P(Ω) on a :
card(A)
p(A) = .
card(Ω)
Exercice 1
On considère un jeu de 52 cartes et on désire choisir une carte. On suppose que toutes les cartes
ont les mêmes chances d’être tirées. Soient les événements suivants : A :” Avoir un carreau ” ;
B :”Avoir une carte rouge” ; C :”Avoir la dame de pique”. Déterminer leur probabilité.
Exercice 2

Evénements indépendants et probabilité conditionnelle 30
Une urne contient trois jetons blancs (un carré et deux ronds) et quatre jetons noirs (3 carrés et
1 rond).
1. On tire simultanément trois jetons de l’urne. On suppose l’équiprobabilité des tirages. On
désigne par Ω l’univers associé à ce jeu et (Ω, P(Ω), p) l’espace probabilisé fini correspondant.
(a) Déterminer card(Ω).
(b) Soit A et B les événements suivants : A” Obtenir trois jetons de la même forme ”,
B :”Obtenir trois jetons de la même couleur ”. Déterminer p(A), p(B) et p(A ∪ B).
2. Reprendre les questions précédentes dans le cas d’un tirage successif de trois jetons avec
remise.
3. Reprendre les questions précédentes dans le cas d’un tirage successif de trois jetons sans
remise.
Exercice 3
On considère une dé cubique pipé dont les faces sont numeroées de 1 à 6. On suppose que lors
d’un lancer, la probabilité d’apparition de la face numérotée i est ki ( avec i ∈ {1, 2, 3, 4, 5, 6}).
1. Déterminer la valeur de la constante k.
2. Déterminer la probabilité d’apparition de chaque face.
3. Déterminer la probabilité d’obtenir un numero impair.
3.2.6 Evénements indépendants et probabilité conditionnelle

3.2.6.1 Evénements indépendants
Soit (Ω, P(Ω), p) un espace probabilisé fini. Soit A et B deux éléments de P(Ω). Les événements
A et B sont dits indépendants si on a :
p(A ∩ B) = p(A).p(B).
La réalisation de l’événement A n’est pas influencée par celle de B, c’est-à-dire que le fait que l’un
des événements soit réalisé n’apporte aucune information sur la réalisation de l’autre.
D’une manière générale, n événements (n ≥ 2) A1 , A2 , · · · , An sont dits indépendants dans leur
ensemble (ou mutuellement indépendants) si pour toute partie J non vide de {1, 2, · · · , n} on a :
p(∩j∈J Aj ) = Πj∈J p(Aj ).

En particulier
p(A1 ∩ A2 ∩ · · · ∩ An ) = p(A1 ) × p(A2 ) × · · · × p(An ).
3.2.6.2 Remarque
Des événéments mutuellement indépendants sont deux à deux indépendants, mais la réciproque
n’est pas toujours vraie. Autrement dit, il existe des événements qui sont deux à deux indépendants
sans être mutuellement indépendants.
Exemple

On lance deux fois un dé équilibré dont les faces sont numérotées de 1 à 6. On considère les
événements suivants : A1 : ”le premier chiffre est pair”,
A2 : ”le deuxième chiffre est impair” A3 : ”la somme des chiffres est paire”
9 1
En supposant l’équiprobabilité on a : p(A1 ∩ A2 ) = p(A1 ∩ A3 ) = p(A2 ∩ A3 ) = = et par
36 4
conséquent les trois événements A1 , A2 et A3 sont deux à deux indépendants. Mais ils ne sont pas
mutuellement indépendants car : p(A1 ∩ A2 ∩ A3 ) = p(∅) = 0 6= p(A1 ).p(A2 ).p(A3 ).
3.2.6.3 Probabilité conditionnelle
Soit (Ω, P(Ω), p) un espace probabilisé fini et soient A, B deux événements tels que p(B) 6= 0.
On définit l’événement A \ B ( se lit ”A sachant B” ou ”A conditionné par B”. On a le résultat
suivant :
p(A ∩ B)
p(A \ B) = pB (A) = .
p(B)
De même si p(A) 6= 0 on définit la probablité de l’événement B \ A par :
p(A ∩ B)
p(B \ A) = pA (B) = .
p(A)
On déduit les proprétés suivantes
Propriétés
1. 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).
(c’est la formule des probabilités composées).
2. En particulier, si les événements A et B sont indépendants alors p(A\B) = p(A) et p(B\A) =
p(B).
3. Si A et B sont deux événements indépendants alors on a :
p(A ∩ B) = p(A) × p(B); p(A ∩ B) = p(A) × p(B)
p(A ∩ B) = p(A) × p(B); p(A ∩ B) = p(A) × p(B).
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.
Remarques
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.
Exemple
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 : L’ensemble des événements élémentaires est Ω = {AA, Aa, aA, aa}.
Notons h=homozygote et h̄= hétérozygote.
p(h ∩ A) 1/4 1
p(h/A) = = = .
p(A) 3/4 3

Probabilités totales
{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
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 d’application
1 2
Une population animale comporte de mâles et de femelles. L’albinisme frappe 6% des mâles et
3 3
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
Le théorème 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 :
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 33
3.3 Exercices
3.3.1 Exercice
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
2
pour qu’il soit sorti la veille ? (Rep : 0,8).
3.3.2 Exercice
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 )
3.3.3 Exercice
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)
3.3.4 Exercice
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%. Quelle est
la probabilité qu’une pièce, prise au hasard dans la production soit défectueuse ? Quelle est la
probabilité pour qu’une pièce défectueuse prise au hasard provienne de A ? de B ? de C ?
Reponse : 41%, 32% et 27% respectivemment.

Caractéristiques d’une variable aléatoire 34
3.3.5 Exercice
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))
3.3.6 Exercice
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
3.4 Une brève introduction à la notion de variable aléatoire discrète

3.4.1 Introduction
On lance une pièce de monnaie non truquée et on fait gagner 50F si on obtient pile et on perd
25F si l’on obtient face.
Soit Ω l’univers associé à cette épreuve : Ω = {P, F }. On définit ainsi une application X de
Ω dans R telle que X(P ) = 50 et X(F ) = −25. L’application X définie est appelée ” variable
alétoire ” réelle ou ” aléa numérique ”.
3.4.2 Définition
Soit (Ω, P(Ω), p) un espace probabilisé fini. On appelle variable aléatoire réelle toute application
X définie de Ω dans R. L’ensemble X(Ω) est appelé image de Ω par X. On l’appelle aussi l’univers-
image.
On suppose que X(Ω) = {x1 , x2 , · · · , xn }. On désigne par (X = xi )i avec 1 ≤ i ≤ n, l’ensemble
des éléments de Ω ayant pour image xi . Déterminer la loi de probabilité de la variable aléatoire
X, c’est trouver les n nombres p1 , p2 , · · · , pn tels que :
p1 = p(X = x1 ); p2 = p(X = x2 ), · · · , pn = p(X = xn ).
3.4.3 Caractéristiques d’une variable aléatoire

3.4.3.1 Espérance mathématique ou Moyenne
Soit (Ω, P(Ω), p) un epace probabilisé et X une variable aléatoire réelle définie sur Ω telle que
l’univers-image soit X(Ω) = {x1 , x2 , · · · , xn }. On appelle espérance mathématique ( ou moyenne

Caractéristiques d’une variable aléatoire 35
) de X le réel noté E(X) et définie par :

n
X
E(X) = xi p(X = xi )
i=1
= x1 p(X = x1 ) + x2 p(X = x2 ) + · · · + xn p(X = xn ).
3.4.3.2 Variance et Ecart-type
Soit X une variable aléatoire prenant les valeurs x1 , x2 , · · · , xn .

1. On appelle variance de X le nombre reél noté V (X) et défini par :
V (X) = E(X 2 ) − [E(X)]2 , avec
E(X 2 ) = x21 p(X = x1 ) + x22 p(X = x2 ) + · · · + x2n p(X = xn ).

2. On appelle écart-type de X le nombre noté σ(X) et défini par :
p
σ(X) = V (X).
3.4.3.3 Fonction de répartition
Soit (Ω, P(Ω), p) un espace probabilisé fini et X une varible aléatoire définie sur Ω telle que
X(Ω) = {x1 , x2 , · · · , xn }. On appelle fonction de répartition de X, l’application F définie de R
dans [0, 1] par : ∀t ∈ R, F (t) = p(X ≤ t). On suppose que x1 < x2 < · · · < xn , alors on a :
∀t ∈] − ∞, x1 [, F (t) = 0
∀t ∈ [x1 , x2 [, F (t) = p(X = x1 )
∀t ∈ [x2 , x3 [, F (t) = p(X = x1 ) + p(X = x2 )
∀t ∈ [x3 , x4 [, F (t) = p(X = x1 ) + p(X = x2 ) + p(X = x3 )
..
.
∀t ∈ [xn , +∞[, F (t) = p(X = x1 ) + p(X = x2 ) + · · · + p(X = xn ) = 1.
Exercice
Soit Y une variable aléatoire discréte dont la fonction de répartition est définie par :
∀y ∈] − ∞, 0[, F (y) = 0
1
∀y ∈ [0, 1[, F (y) =
6
11
∀y ∈ [1, 2[, F (y) =
24
17
∀y ∈ [2, 3[, F (y) =
24
21
∀y ∈ [3, 4[, F (y) =
24
23
∀y ∈ [4, 5[, F (y) =
24
∀y ∈ [5, +∞[, F (y) = 1.
1. Déterminer l’univers-image de Y .
2. Déterminer la loi de probabilité de Y .
3. En déduire l’espérance mathématique, la variance et l’écart-type de Y .

Epreuve de Bernoulli-Loi binomiale 36
3.4.4 Epreuve de Bernoulli-Loi binomiale

3.4.4.1 Définition
1. On appelle épreuve de Bernoulli toute épreuve aléatoire ne conduisant qu’à deux éventualités
appellées succès noté S et échec noté E.
2. On appelle Schéma de Bernoulli (ou Loi binomiale) la réalisation de n épreuves de Bernoulli
identiques, réalisées dans les mêmes conditions.Si p est la probabilité du succès pour chaque
épreuve, alors n et p sont appelés les paramètres de la loi binomiale. On pose q = p(E) = 1−p.
3.4.4.2 Propriétés
Soit un Schéma de Bernoulli à n épreuves où pour chaque épreuve la probabilité du succès est
notée p et celle de l’échec est noté q.
1. La probabilité d’obtenir exactement k succès (k ≤ n) au cours de ces n épreuves est donnée
par :
pk = Cnk pk q n−k .
2. Si X est la variable aléatoire qui prend pour valeurs le nombre de succès réalisés au cours
de n épreuves identiques de Bernoulli, alors l’expérance mathématique et la variance sont
définies par :
E(X) = np et V (X) = npq = np(1 − p).
Exercice 1
On lance un dé truqué dont les faces sont numérotées de 1 à 6. On suppose que la probabilité
1
d’obtenir le chiffre 2 est et que tous les autres événements élémentaires sont équiprobables.
3
1. Calculer la probabilité d’apparition des autres faces.
2. On lance cinq fois de suite le même dé. On désigne par X la variable aléatoire qui prend
pour valeurs le nombre de fois qu’on obtient un chiffre impair au cours des 5 lancers.
(a) Déterminer X(Ω) et définir la loi de probabilité de X.
(b) Calculer son écart-type..
(c) Calculer la probabilité d’obtenir exactement 3 chiffres impairs au cours des 5 lancers.
(d) Calculer la probabilité d’obtenir au moins deux chiffres pairs au cours des 5 lancers.
(e) Calculer la probabilité d’obtenir un chiffre pair pour la première fois au 3è lancer.
Exercice 2
Un sac contient 2 boules blanches, 5 boules rouges et 3 boules vertes indiscernables au toucher.
On tire simultanément 3 boules du sac.
1. Quelle est la probabilité d’obtenir 3 boules de même couleur ?
2. Trouver la probabilité d’obtenir 3 boules de couleurs différentes.
3. On désigne par X la variable aléatoire égale au nombre de boules blanches obtenues à l’issue
d’un tirage.
(a) Déterminer la loi de probabilité de X.
(b) Calculer E(X) et V (X).

4. On effectue 5 fois de suite le tirage précédent, avec remise des trois boules avant chaque
nouveau tirage.
Quelle est la probablité d’obtenir pour la première fois trois boules de couleurs différentes
au troisième tirage.
Exercice 3
Une urne contient 2 boules blanches et 4 boules noires.

1. On tire simultanément et au hasard 4 boules de l’urne.
Calculer la probabilité d’obtenir au plus 2 boules noires.
2. On tire successivement avec remise 4 boules. On désigne par X la variable aléatoire égale
au nombre de boules blanches tirées.
Donner la loi de probablité de X et calculer sa variance.
3. On tire toutes les boules, une à une, sans remise.
On désigne par Y la variable aléatoire égale au rang de la première boule blanche tirée.
Déterminer la loi de probablité de Y .
Exercice 4
Deux chasseurs Bio et Cossi aperçoivent simultanément un lapin et tirent de façon indépendante
l’un de l’autre. La probabilité pour que l’animal soit tué par l’un au moins des deux chasseurs est
17 3
; celle pour qu’il soit tué simultanément par les deux chasseurs est égale à . Sachant que la
25 25
1
probabilité pour que Bio tue le lapin est supérieure à , calculer la probabilité :
2
1. pour chaque chasseur de tuer le lapin.
2. pour que le lapin soit tué par un seul des deux chasseurs.
3. pour que l’animal ne soit pas tué.
Exercice 5
On suppose que, dans une région donnée du Bénin, sévissent uniquement deux maladies M et M 0 .
On a constaté que la probabilité pour qu’une personne contracte la maladie M au cours d’une
année est de 0, 4 et de 0, 6 pour la maladie M 0 et que, les événements ” contracter la maladie M”
et ”contracter la maladie M’” sont indépendants.
1. Pour une personne choisie au hasard, calculer la probabilité qu’elle soit en bonne santé au
cours de la même année, c’est-à-dire ne contracter aucune des deux maladies M et M’.
2. On désigne par X1 la variable aléatoire égale au nombre de maladie(s) contractée(s) par une
personne choisie au hasard dans cette région au cours d’une année.
(a) Déterminer la loi de probabilité de X1 .
(b) Définir la fonction de répartition de X1 et construire sa courbe représentative.
3. On choisit, au hasard, successivement et sans remise cinq personnes de cette région et on
émet l’hypothèse que le faite qu’une personne soit malade ne résulte pas de ce qu’il ait
contracté son mal de façon héréditaire ou d’une personne malade. On désigne par X2 la
variable aléatoire égale au nombre de personnes en bonne santé parmi les cinq personnes
choisies.

(a) Quelle est la loi de probabilité de la variable aléatoire X2 ?

(b) Calculer la probabilité qu’au moins une des cinq personnes soit en bonne santé.
Exercice 6
Une usine de montage d’ordinateurs utilise des roulements provenant de deux usines de fabrication
de pièces mécaniques, l’une située à Porto-Novo, l’autre à Hêvié. 60% des roulements de son stock
proviennent de l’usine de Porto-Novo et le reste de celle de Hêvié. On estime que 2% des roulements
en provenance de l’usine de Porto-Novo sont défectueux et que 4, 5% de ceux qui proviennent de
l’usine de Hêvié le sont.
1. On prélève au hasard un roulement dans le stock.
(a) Montrer que la probabilité pour qu’un roulement soit défectueux est 0,03.
(b) On constate à l’usage que le roulement prélevé au hasard est non défectueux. Déterminer
la probabilité qu’il provienne de l’entreprise de Hêvié.
2. On prélève dans le stock, successivement au hasard et avec remise, dix roulements. On
désigne par X la variable aléatoire égale au nombre de roulements non défectueux.
(a) Quelle est la loi de probabilité de X ? Préciser ses paramètres.
(b) Déterminer au centième près par excès, la probabilité que 9 au moins de ces roulements,
soient non défectueux.
Exercice 7
Une urne contient 3 boules vertes, 4 boules rouges et 5 boules bleues. On tire au hasard et
simultanément 3 boules de l’urne.
1.(a) Quelle est la probabilité de tirer des boules de même couleurs ?
(b) Quelle est la probabilité de tirer au moins une boue bleue ?
(c) Quelle est la probabilité de tirer au plus une boule rouge ?
(d) Quelle est la probabilité de tirer au moins une boule bleue et au plus une boule rouge ?
2. Lorsqu’on tire une boule bleue, on marque un point ; lorsqu’on tire une boule rouge, on perd
un point et lorqu’on tire une boule verte on marque 0 point. On désigne par X la variable
aléatoire égale au total de points marqués sur les trois boules tirées.
Déterminer la loi de probabilité de X.
3. On repète 5 fois de suite l’expérience précédente en remettant à chaque fois dans l’urne les
3 boules tirées.
Déterminer la probabilité des événements suivants :
A :” Obtenir pour la première fois des boules de même couleur au quatrième tirage”.
B :” Obtenir exactement 2 fois des boules de même couleur”.
C :”N’obtenir des boules de même couleur qu’au troisième tirage”.
Exercice 8
Un jeune vendeur de journaux s’installe au carrefour de la direction de la SBEE à Cotonou tous
les jours ouvrables de 11h à 13h. Il ne propose à ses clients que les trois titres suivants : Titre A
“ Espoir de nous tous”, Titre B “ Notre nation”, Titre C “ Le cafard du pays ”. Ce vendeur a
constaté que chaque jour, 40% des demandes d’achats concerne le Titre A, 50% le Titre B et 10%
le Titre C. Les demandes d’achats sont bien entendu indépendantes les unes des autres. Soit X la
variable aléatoire réelle désignant le nombre de journaux de Titre A demandés par jour ouvrable.
Un jour donné, le vendeur a reçu 12 demandes d’achats des journaux.

1. Quelle est la loi de probabilité de la variable aléatoire X ? Calculer E(X) et σ 2 (X), respec-
tivement espérance mathématique et variance de X.
2. Calculer la probabilité de chacun des événements suivants : E :“ le nombre de journaux
de Titre A demandés est égal à 7”
F : “ le nombre de journaux de Titre A demandés est au moins égal à 4 et au
plus égal à 8”
G : “ le nombre de journaux de Titre A demandés est égal à 12”
H : “le nombre de journaux de Titre A demandés est égal à 17”
3. Calculer la probabilité que sur les 12 demandes du jour, il y en ait 6 pour le Titre A, 5 pour
le Titre B et 1 pour le Titre C.
4. Le vendeur a remarqué que 70% des demandes du Titre A, 78% des demandes du Titre B et
90% des demandes du Titre C sont effectuées par le personnel de la direction de la SBEE.
(a) Calculer la probabilité pour qu’une demande d’achat auprès du vendeur soit faite par un
membre de la direction de la SBEE.
(b) Une demande d’achat est faite au vendeur, mais concernant indifféremment le Titre B ou
le Titre C.
Calculer la probabilité pour que cette demande provienne d’un membre du personnel de
la direction de la SBEE.
Exercice 9
Deux tireurs A et B font feu en même temps sur une cible. Leurs probabilités respectives de succès
sont dans le rapport 3 0 1 (A a trois fois plus de chances que B d’atteindre la cible). La probabilité
13
que la cible soit atteinte est . Calculer les probabilités respectives de succès des deux tireurs.
16
Exercice 10
Un sondage effectué dans une région montagneuse à propos de la construction d’un barrage donne
les résultats suivants :
• 65% des personnes interrogées sont contre la construction de ce barrage ;
• parmi les personnes qui sont contre cette construction, 70% sont des écologistes ;
• parmi les personnes favorables à la construction, 30% sont des écologistes.
On note C l’événement ” la personne interrogée est contre la construction” et C̄ l’événement
contraire de C. On note E l’événement ”la personne interrogée est écologiste”. Calculer les proba-
bilités suivantes : p(C), p(E/C), p(C/E) et p(E/C̄).
Exercice 11
Une usine fabrique des stylos à billes. Une étude statistique a montré que 90% de la production ne
présente pas de défaut. Chaque stylo est soumis à un contrôle de fabrication . Ce contrôle refuse
94% des stylos avec défaut et accepte 92% des stylos sans défaut. On choisit au hasard un stylo
avant son passage au contrôle. On désigne par D l’événement ” le stylo est accepté à l’issue du
contrôle”. Calculer la probabilité des événements suivants :
E1 : ” le stylo est accepté et n’a pas de défaut. ”
E2 : ” le stylo est accepté et a un défaut. ”

Exercice 12
Le test de dépistage du VIH effectué sur les individus d’une population a révélé que :
a) 56% des individus ont entre 20 et 45 ans.
b) 52% des individus de plus de 45 ans sont séronégatifs.
c) La proportion des individus séronégatifs de moins de 20 ans est 16%.
d) La proportion des individus séropositifs de plus de 45 ans est 11,52%.
e) 40% des individus dont l’âge est compris entre 20 et 45 ans sont séropositifs.
Tous les résultats sont portés sur une fiche pour chaque individu.
1. Déterminer la proportion des individus séropositifs de cette population.
2. On choisit au hasard une fiche. Elle correspond à celle d’un séropositif. Calculer la probabilité
que ce soit celle d’un individu dont :
(a) L’âge est moins de 20 ans.
(b) L’âge est supérieur à 45 ans.
3. Le test a révélé que l’effectif de la population est 10.000. On choisit au hasard deux fiches.
Elles indiquent celles de deux séropositifs. Calculer la probabilité :
(a) d’avoir exactement la fiche d’un individu de moins de 20 ans.
(b) d’avoir deux individus de plus de 45 ans.
Exercice 13
Considérons une compagnie d’assurance qui modélise le nombre de risques contenu dans son stock
en utilisant la loi de Poisson de moyenne égale à 3.
Pour une période on note les valeurs de dégâts par rapport à leur probabilité dans un tableau
(ci-dessous) :
x 10 20 30 40 50 60 70
p[{X = x}] 0,3 0,2 0,1 0,1 0,1 0,1 0,1
On supposera que la valeur totale des dégâts dans cette compagnie est indépendante du nombre
de dégâts.
1. Calculer la probabilité pour que la valeur totale des dégâts au sein de cette compagnie pour
une période soit inférieure ou égale à 20.
2. Calculer la moyenne de la variable aléatoire min{S, 30}.
3. Déduire la moyenne de la variable aléatoire max{0, S − 30}.
Exercice 14
80% des vaches laitières d’un cheptel sont nourries uniquement avec de l’herbe et parmi celles-ci
1% sont atteintes par une maladie M. Parmi les autres qui sont nourries avec de l’herbe et de la
farine animale, 70% ont cette maladie. On choisit une vache laitière et on considère les événements
suivants :
M : ” La vache est atteinte par la maladie M”
F : ”La vache est nourrie avec de la farine et de l’herbe.”
1. Calculer p(M ).

2. Une vache est atteinte par la maladie M. Quelle est la probabilité qu’elle soit nourrie avec
de l’herbe et de la farine animale ?
3. Déterminer la probabilité de n’avoir aucune vache malade dans un troupeau de 5 vaches.
4. Dans cette partie, on prendra p(M ) = 0, 15. Pour dépister la maladie M dans une étable de
n vaches laitières ( avec n ≥ 2), on fait une analyse de lait. En dehors de l’examen individuel
(une analyse de lait par vache), pour des raisons économiques, on utilise une deuxième
méthode, dite méthode de l’examen collectif. Elle consiste à analyser le lait mélangé des n
vaches. Si le résultat est positif, on procède dans ce cas à l’analyse du lait de chaque vache.
Soit X la variable aléatoire réelle égale au nombre d’analyses nécessaires pour un troupeau
de n vaches laitières avec la deuxième méthode.
(a) Justifier que X prend deux valeurs qui sont : 1 et n + 1.
(b) Donner la loi de probabilité de X.
(c) Montrer que E(X) = n − [(0, 85)n n − 1], puis justifier que la deuxième méthode est plus
rentable que la première si (0, 85)n n − 1 > 0.
Application : Prendre n = 17, puis n = 18. Ensuite commenter les résultats.

Cours Estb1 2011 2012

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cours Estb1 2011 2012

Încărcat de

Drepturi de autor:

Formate disponibile

Ecole Supérieure de Télécommunication

Année Académique 2013-2014

Introduction à la statistique descriptive

Prof. Liamidi A. LEADI

1 Séries statistiques à un caractère 4

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

2 Séries Statistiques à deux variables 16

3 Généralité sur la probabilité 24

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

Séries statistiques à un caractère

Individu ∈ Population et Echantillon ⊂ Population

1.1.2 Effectif total

1.1.3 Caractères (ou variables) statistiques

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

2. La fréquence fi d’une modalité i est le quotient de l’effectif ni de la modalité i par l’effectif

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

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

On s’est interessé au poids (en milligramme) d’un échantillon de 35 pommes de terre. On a

1.3 Traitements graphiques

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

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 Polygone des fréquences ou des effectifs

1.3.4 Polygone des fréquences cumulées (ou effectifs cumulés)

1.3.4.1 Polygone des fréquences cumulées (ou effectifs cumulés) croissantes

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

1.3.4.2 Polygone des fréquences cumulées (ou effectifs cumulés) décroissantes

Dans le cas d’une distribution discrète l’histogramme devient un diagramme en bâtons et la

1.4 Caractéristique de position et de dispersion

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

Formule permettant de calculer le mode en utilisant l’histogramme :

1.4.3 La moyenne arithmétique

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

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 :

1.4.4.3 La moyenne quadratique

1.4.5 Les caractéristiques de dispersion

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

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

La variance possède les propriétés suivantes :

1.4.5.2 Les quantiles et les intervalles interquantiles

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

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

1.4.5.3 Les moments et les moments centrés

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 :

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

1.4.6.2 Coefficient d’aplatissement de Pearson

C’est le nombre noté β et défini par :

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

Prof. Liamidi A. Leadi Probabilité et Statistiques©IMSP-UAC-FAST 2013-2014

Séries Statistiques à deux variables