FSS

Éléments de Calcul de Probabilité et

Statistique pour les Sciences des
Vivants

Edoh Katchekpele

2025-2026
Table des matières

1 Dénombrement – Probabilité 2
1.1 Ensembles finis de cardinal n (n ∈ N) . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Cardinal d’un ensemble fini E . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2 Propriétés des cardinaux d’ensembles finis . . . . . . . . . . . . . . . . . 2
1.2 Nombre d’applications, d’injections et de bijections . . . . . . . . . . . . . . . . 2
1.3 Nombre de parties de cardinal p d’un ensemble fini E de cardinal n (p ≤ n) . . 4
1.3.1 Formule du binôme de Newton . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Notion de tribu et de mesure de probabilité . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Notion de tribu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.2 Mesure de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.5 Probabilité sur un ensemble fini . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.2 Equiprobabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5.3 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6 Probabilité conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6.2 Probabilité composée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6.3 Evènements indépendants . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6.4 Probabilité totale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6.5 Probabilité de cause ou formule de Bayes . . . . . . . . . . . . . . . . . . 8
1.7 Variable aléatoire discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7.1 Loi de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7.2 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7.3 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.8 Variable aléatoire continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.8.1 Moments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.9 Quelques lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.9.1 Lois discrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.9.2 Lois continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.10 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2 Étude d’une série statistique à une variable 16

2.1 Concepts de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.1 Population et unité statistique - échantillon . . . . . . . . . . . . . . . . 16
2.1.2 Caractères et modalités . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Étude d’une variable qualitative . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Tableau statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Représentations graphiques . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Étude d’une variable quantitative discrète . . . . . . . . . . . . . . . . . . . . . 18
2.3.1 Tableau statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

i
TABLE DES MATIÈRES TABLE DES MATIÈRES

2.3.2 Caractéristiques de tendance centrale . . . . . . . . . . . . . . . . . . . . 19

2.3.3 Caractéristiques de dispersion . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Étude d’une variable quantitative continue . . . . . . . . . . . . . . . . . . . . . 21
2.4.1 Classe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.2 Tableau statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.3 Représentation graphique . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.4 Caractéristiques de tendance centrale . . . . . . . . . . . . . . . . . . . . 22
2.4.5 Caractéristiques de dispersion . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3 Étude d’une série statistique à deux variables 28

3.1 Tableaux de contingence, distributions marginales et conditionnelles . . . . . . . 28
3.1.1 Tableau de contingence : croisement de deux variables . . . . . . . . . . . 28
3.1.2 Fréquence conjointe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.3 Distribution marginale : profile ligne et profile colonne . . . . . . . . . . 29
3.1.4 Distribution conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Ajustement linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.1 Covariance entre deux variables . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.2 Méthode des moindres carrées ordinaires . . . . . . . . . . . . . . . . . . 30
3.2.3 Coefficient de corrélation linéaire . . . . . . . . . . . . . . . . . . . . . . 30
3.2.4 Propriétés importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.5 Ajustement linéaire par la méthode de Mayer . . . . . . . . . . . . . . . 31
3.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

Tables statistiques 35

Conclusion 36

1 KATCHEKPELE Edoh/FaST/UK/2025-2026
Chapitre 1

Dénombrement – Probabilité

1.1 Ensembles finis de cardinal n (n ∈ N)

1.1.1 Cardinal d’un ensemble fini E
Définition 1.1.1
On appelle cardinal d’un ensemble fini E, le nombre n d’éléments dans E. On le note cardE.

Définition 1.1.2
Deux ensembles finis E et F sont dits équipotents s’il existe une bijection de l’un dans l’autre.
Donc, deux ensembles sont équipotents s’ils ont le même cardinal.

Définition 1.1.3
Le produit n × (n − 1) × · · · × 2 × 1 des n premiers entiers naturels non nuls est appelé factorielle
n et noté n!. Par convention, 0! = 1.

1.1.2 Propriétés des cardinaux d’ensembles finis

Soient E et F deux ensembles finis. Alors E ∩ F , E ∪ F et E × F sont finis et on a :
i) E ⊂ F =⇒ cardE ≤ cardF .
ii) E ∩ F = ∅ (i.e. E et F sont disjoints) =⇒ card(E ∪ F ) = cardE + cardF .
(Cas particulier du iii))
iii) card(E ∪ F ) = cardE + cardF − card(E ∩ F ).
iv) card(E × F ) = cardE × cardF .
Remarque : La propriété iv) sera souvent utilisée dans les problèmes d’épreuves à répétition.
Elle permet d’écrire : ∀n ∈ N∗ , card(An ) = (cardA)n .

1.2 Nombre d’applications, d’injections et de bijections

Soient E et F deux ensembles finis tels que cardE = p et cardF = n (p, n ∈ N).

Nombre d’ applications de E → F
Il y a autant d’applications possibles de E dans F qu’il y a de choix possibles pour affecter
à chaque élément de E une image dans F . Pour chacun des p éléments de E, il y a n choix
possibles et donc on a n × n × · · · × n = np applications de E dans F .
| {z }
p fois

2
CHAPITRE 1. DÉNOMBREMENT – PROBABILITÉ 1.2. NOMBRE D’APPLICATIONS, D’INJECTIONS ET DE BIJECTIONS

Définition 1.2.1
Soient p et n ∈ N∗ . On appelle nombre de p-uplets (ou p-listes) à n éléments, le nombre
d’applications d’un ensemble E à p éléments dans un ensemble F à n éléments. Ce nombre
vaut np .
Exemple 1.2.1
Le nombre de nombres de 3 chiffres pouvant être formés à l’aide des chiffres 1, 2, 3, · · · , 9
vaut 93 = 729.

Nombre d’applications injectives de E → F (p ≤ n)

Lorsque f est injective, deux éléments distincts de E ne peuvent avoir une même image. Il
y a donc n images possibles pour le premier élément de E, n − 1 pour le deuxième, . . ., et
n−(p−1) pour le p-ième. Ainsi, le nombre de ces injections est n×(n−1)×· · ·×(n−p+1).
Définition 1.2.2 (Arrangements)

Soient p et n ∈ N∗ tels que p ≤ n. On appelle arrangement de p dans n et on note Apn ,

le nombre de manières d’ordonner p éléments d’un ensemble à n éléments. C’est le nombre
d’injections d’un ensemble E à p éléments dans un ensemble F à n éléments. Donc, Apn =
n!
n × (n − 1) × · · · × (n − p + 1) = .
(n − p)!
Exemple 1.2.2
Le nombre de nombres de 3 chiffres différents pouvant être formés avec les 9 chiffres de F =
{1, 2, · · · , 9} vaut A39 = 9 × 8 × 7 = 504. On en déduit que le nombre de nombres de 3
chiffres formés avec les chiffres de F et ayant au moins 2 chiffres identiques vaut 93 − A39 =
729 − 504 = 225.

Nombre d’applications bijectives de E sur F (p = n)

n!
D’après ce qui précède, ce nombre vaut An
n = = n!.
0!
Définition 1.2.3 (Nombre de permutations de E)

Soit E un ensemble fini de cardinal n ∈ N∗ . Une permutation de E étant une bijection de E

sur E, le nombre de permutations de E est n!.
Définition 1.2.4 (Complémentaire d’un ensemble)

On appelle complémentaire de A dans E, le sous-ensemble Ā de E défini par Ā = ∁A

E = {x ∈
E / x ̸∈ A}.

Définition 1.2.5 (Partition d’un ensemble)

Une partition de E est une partie de P(E) constituée de sous-ensembles non vides de E, deux
à deux disjoints et dont la réunion est égale à E. Autrement dit, (Ai )i=1,··· ,n est une partition
[n
de E si Ai ̸= ∅ ∀i, Ai ∩ Aj = ∅ ∀i, j, avec i ̸= j et Ai = E.
i=1

Exemple 1.2.3
Soit A une partie propre de E. {A, Ā} forme une partition de E.
En effet, A et Ā sont non vides car A est une partie propre de E, A ∩ Ā = ∅ et A ∪ Ā = E.

3 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 1. DÉNOMBREMENT
1.3. NOMBRE
– PROBABILIT É DE CARDINAL P D’UN ENSEMBLE FINI E DE CARDINAL N (P ≤ N )
DE PARTIES

1.3 Nombre de parties de cardinal p d’un ensemble fini

E de cardinal n (p ≤ n)
Proposition 1.3.1
Le nombre des sous-ensembles (ou parties) comportant p élémentsd’un
 ensemble de n éléments
p
A n! n
est Cnp = n = . Ce nombre est aussi parfois noté .
p! p!(n − p)! p

Propriétés des Cnp

1. ∀n ∈ N∗ on a : Cn0 = Cnn = 1 et Cn1 = Cnn−1 = n.
2. ∀n ∈ N et ∀p ∈ N tel que p ≤ n on a : Cnp = Cnn−p .
p p−1
3. ∀n ∈ N∗ et ∀p ∈ N tel que 1 ≤ p ≤ n − 1 on a : Cnp = Cn−1 + Cn−1 .

1.3.1 Formule du binôme de Newton

n
X
∀a ∈ R, ∀b ∈ R, ∀n ∈ N∗ : (a + b)n = Cnp ap bn−p .
p=0
Application : Montrer que :
(i) 2n = Cn0 + Cn1 + Cn2 + · · · + Cnn−1 + Cnn .
(ii) Cn0 − Cn1 + Cn2 + · · · + (−1)n−1 Cnn−1 + (−1)n Cnn = 0.
Réponse: Il suffit de faire a = b = 1 dans la formule du bin^
ome de Newton pour
obtenir le (i) et de faire a = −1 et b = 1 pour obtenir le (ii).

Triangle de Pascal :
p p−1
En utilisant les relations Cn0 = 1, Cn1 = n, Cnn = 1 et Cnp = Cn−1 + Cn−1 , on peut tracer un
tableau triangulaire composé de lignes numérotées 0, 1, 2, ......, n et de colonnes numérotées
0, 1, 2, ......, p de telle façon que les Cnp figure dans la case intersection de la ligne n et de la
colonne p. Le triangle de Pascal permet d’obtenir rapidement les coefficients de la forme Cnp
d’un développement binomial. On lit facilement :
- sur la première ligne, les coefficients numériques du développement de (a + b)0
- sur la deuxième ligne, les coefficients numériques du développement de (a + b1
. . . .
. . . .
. . . .
. . . .
- sur la septième ligne, les coefficients numériques du développement de (a + b)6
- et ainsi de suite.

n⧹p 0 1 2 3 4 5 6 7 ...
0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1
7 1 7 21 35 35 21 7 1
..
.

4 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 1. DÉNOMBREMENT – PROBABILITÉ 1.4. NOTION DE TRIBU ET DE MESURE DE PROBABILITÉ

1.4 Notion de tribu et de mesure de probabilité

1.4.1 Notion de tribu
a) Epreuve
— On entend par épreuve, une expérience dont l’issue est incertaine.
— Soit Ω l’ensemble des cas possibles observables à l’issue d’une épreuve aléatoire. Un
évènement lié à cette épreuve peut être représenté par un sous-ensemble de Ω. Ω est
appelé ensemble fondamental.
— Un évènement élémentaire est un évènement qui ne sera réalisé que par un seul résultat
de l’épreuve aléatoire.
— Ω est l’évènement certain car il se réalise toujours.
— ∅ est l’évènement impossible car il ne se réalise jamais.

b) Algèbre d’évènements
Une famille A , non vide, d’évènements de Ω est une algèbre d’évènements si :
i) ∀A ∈ A , Ā ∈ A ;
ii) ∀A ∈ A , ∀B ∈ A , A ∪ B ∈ A .

c) Tribu
Soit A une algèbre d’évènements de Ω (l’ensemble fondamental est infini). A est une tribu si
∞
[
pour toute suite infinie dénombrable A1 , A2 , · · · , Ai , · · · d’éléments de A on a Ai ∈ A .
i=1
∞
\
Conséquence : Ai ∈ A .
i=1

1.4.2 Mesure de probabilité

a) Espace probabilisable
On appelle espace probabilisable un couple (Ω, A ) constitué d’un ensemble Ω et d’une tribu
d’évènements A de parties de Ω.

b) Evènements incompatibles
Soient (Ω, A ) un espace probabilisable et A et B deux évènements de A . On dit que A et B
sont incompatibles si A et B ne peuvent se réaliser en même temps.

c) Système complet d’évènements

On appelle système complet d’évènements de l’espace (Ω, A ), tout sous-ensemble fini ou
dénombrable de A , formant une partition de Ω. {Ci / Ci ∈ A , i ∈ I} est un système
complet d’évènements si, et seulement si :


 ∀i ∈ I, Ci ̸= ∅


∀i ∈ I, ∀j ∈ I, i ̸= j ⇒ Ci ∩ Cj = ∅

 [



 Ci = Ω
i∈I

5 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 1. DÉNOMBREMENT – PROBABILITÉ 1.5. PROBABILITÉ SUR UN ENSEMBLE FINI

d) Espace probabilisé
Soit (Ω, A ) un espace probabilisable. Une probabilité est une application P de A dans R+
telle que :
i) P (Ω) = 1
ii) ∀A ∈ A , ∀B ∈ A tels que A ∩ B = ∅, P (A ∪ B) = P (A) + P (B) et si
A1 , A2 , · · · , Ai , · · · est une suite dénombrable d’évèlements deux à deux incompa-
tibles, alors :
∞
! ∞
[ X
P Ai = P (Ai ).
i=1 i=1

On appelle espace probabilisé ou espace de probabilité le triplet (Ω, A , p).

1.5 Probabilité sur un ensemble fini

1.5.1 Définition
Soit Ω un ensemble fini : Ω = {a1 , a2 , · · · , an }. Dans ce cas, A = P(Ω), et (Ω, P(Ω))
est un espace probabilisable sur lequel on définit une probabilité p telle que pi = p ({ai })
n
X
avec pi ∈ [0, 1] et pi = 1 ∀i ∈ {1, 2, · · · , n}.
i=1

1.5.2 Equiprobabilité
Soit Ω = {a1 , a2 , · · · , an } tel que card(Ω) = n ∈ N∗ . L’application

P : P(Ω) → [0, 1]
1
{ai } 7→
n
1
est une probabilité sur (Ω, P(Ω)). Etant donné que pour tout i = 1, 2, . . . , n, P ({ai }) = ,
n
on parle déquiprobabilité sur Ω.
card(A)
De façon générale on a : ∀A ∈ P(Ω), P (A) = .
card(Ω)
Exemple 1.5.1
Considérons l’univers Ω constitué d’un jeu de 32 cartes. Il comporte 8 hauteurs (7, 8, 9, 10, J,
Q, K, A). Dans chaque hauteur, il y a 4 couleurs : pique, coeur, carreau et trèfle.
Soient A l’évènement : ≪ Tirer la hauteur 7 ≫ et B l’évènement : ≪ Tirer la couleur pique ≫.
4 1 8 1
On a: P (A) = = et P (B) = = .
32 8 32 4

1.5.3 Propriétés
i) ∀A ∈ A , P Ā = 1 − P (A).

ii) P (∅) = 0.
iii) ∀A ∈ A , 0 ≤ P (A) ≤ 1.
iv) ∀A ∈ A , ∀B ∈ A , P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

6 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 1. DÉNOMBREMENT – PROBABILITÉ 1.6. PROBABILITÉ CONDITIONNELLE

1.6 Probabilité conditionnelle

1.6.1 Définition
Soient (Ω, A , P ) un espace probabilisé et A ∈ A tel que p(A) > 0. L’application PA de A
dans R+ telle que :
P (A ∩ B)
∀B ∈ A , PA (B) =
P (A)
est une probabilité. C’est une probabilité conditionnelle.
Exemple 1.6.1
Soit un jeu de 52 cartes. Les cartes ont été regroupées selon leurs couleurs. Quelle est la pro-
babilité d’extraire la hauteur ≪ Roi ≫ sachant que l’on a puisé dans le paquet des ≪ Coeur ≫ ?
13 1 1
On a P (Coeur) = et P (Roi ∩ Coeur) = , donc PCoeur (Roi) = .
52 52 13
Notation : ∀B ∈ A , PA (B) sera notée P (B / A) et elle se lit ≪ probabilité de B sachant
A ≫. Toutefois, B / A n’est pas un évènement.

1.6.2 Probabilité composée

∀A ∈ A , ∀B ∈ A tels que P (A) > 0 et P (B) > 0 on a :

P (A ∩ B) = P (A) × P (B / A) = P (B) × P (A / B).

∀A ∈ A , ∀B ∈ A tels que B ⊂ A, P (A / B) = 1.

1.6.3 Evènements indépendants

Définition 1.6.1
Deux évènement A et B sont indépendants pour P si

P (A ∩ B) = P (A) × P (B).

Propriétés
Si A et B sont indépendants, alors :
i) P (A / B) = P (A) si P (B) > 0 et P (B / A) = P (B) si P (A) > 0.
ii) P (A ∪ B) = P (A) + P (B)(1 − P (A)) = P (A) + P (Ā) × P (B).
iii) Ā et B sont indépendants.
iv) A et B̄ sont indépendants.
v) Ā et B̄ sont indépendants.

1.6.4 Probabilité totale

Théorème 1.6.1
Soit (An )n≥0 un système complet d’évènements. Alors, pour tout évènement B, on a P (B) =
X∞
P (B / An )P (An ).
n=0

7 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 1. DÉNOMBREMENT – PROBABILITÉ 1.7. VARIABLE ALÉATOIRE DISCRÈTE

1.6.5 Probabilité de cause ou formule de Bayes

Théorème 1.6.2
Soit (An )n≥0 un système complet d’évènements. Alors, pour tout évènement B tel que P (B) >
0, on a
P (B / A0 )P (A0 )
P (A0 / B) = P ∞ .
P (B / An )P (An )
n=0

1.7 Variable aléatoire discrète

Définition 1.7.1

Soit (Ω, A , P ) un espace probabilisé. Une variable aléatoire réelle est une application X :
Ω → R, w 7→ x tel que :
∀x ∈ R, X −1 ({x}) ∈ A où X −1 ({x}) = {ω ∈ Ω / X(ω) = x}.
Si l’ensemble X(Ω) des valeurs possibles prises par la variable aléatoire X est au plus dénombrable,
alors on dit que X est une variable aléatoire discrète. Sinon, on parle d’une variable aléatoire
continue.
Exemple 1.7.1

On lance trois fois une pièce de monnaie (qui prend deux valeurs possibles ≪ Pile ≫ ou ≪ Face ≫).
L’univers est Ω = {P, F }.
Notons X le nombre de fois que ≪ Face ≫ apparaı̂t au bout des trois lancers. Les valeurs possibles
de X sont dans l’ensemble X(Ω) = {0, 1, 2, 3}. X est une application de Ω dans X(Ω).

1.7.1 Loi de probabilité

On peut probabiliser (Ω, P(X(Ω))) par l’application PX définie par :
PX : P(X(Ω)) → [0, 1]
A 7→ PX (A) = P −1 (X(A)).
Si X(Ω) = {xi / i ∈ I}, avec I un ensemble fini ou dénombrable, alors PX est entièrement
déterminée par la donnée des nombres pi définis par : pi = PX ({xi }) = P (X = xi ) ∀i ∈
I.
La loi de probabilité de X est bien définie si, et seulement si :
X n
— ∀i ∈ {1, · · · , n}, pi ≥ 0 et pi = 1 lorsque X(Ω) est fini.
i=1
∞
X
— ∀i ∈ N∗ , pi ≥ 0 et pi = 1 lorsque X(Ω) est dénombrable.
i=1

1.7.2 Fonction de répartition

La fonction de répartition F d’une variable aléatoire X est une fonction définie sur R comme
suit :
F : R → [0, 1]
x 7→ F (x) = P (X ≤ x) où (X ≤ x) = {ω ∈ Ω / X(ω) ≤ x}.

8 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 1. DÉNOMBREMENT – PROBABILITÉ 1.7. VARIABLE ALÉATOIRE DISCRÈTE

Dans le cas d’une variable aléatoire discrète finie telle que card(X(Ω)) = n, la fonction de
répartition se définit de la façon suivante :

 0 si x < x1


si x1 ≤ x < x2



 p1


 ... .. ..




 . .
F (x) = X j
pi si xj ≤ x < xj+1






 i=1

 .. .. ..



 . . .


1 si x ≥ xn

a) Propriétés
i) ∀x, y ∈ R / x ≤ y, F (x) ≤ F (y).
ii) lim F (x) = 1.
x→+∞
iii) lim F (x) = 0.
x→−∞
iv) F est une fonction continue à gauche.

1.7.3 Moments
a) Moments d’ordre k
On appelle moment d’ordre k d’une variable aléatoire X, le réel mk (X) défini par :
 n
X
pi xki si X(Ω) est fini





i=1
mk (X) = ∞
 X
pi xki si X(Ω) est dénombrable et la série converge absolument.




i=1

b) Espérance mathématique
L’espérance mathématique d’une variable aléatoire X est égale au moment d’ordre 1 de X, s’il
existe. Elle se note E(X).
X
E(X) = m1 (X) = pi x i .
i

c) Moment centré d’ordre k

On appelle variable aléatoire centrée d’une variable aléatoire X, la variable aléatoire Y définie
par : Y = X − E(X) = X − m1 (X).
On appelle moment centré d’ordre k de la variable aléatoire X, le réel µk (X) défini par :
 n
X
pi (xi − E(X))k si X(Ω) est fini





i=1
µk (X) = ∞
X
pi (xi − E(X))k si X(Ω) est dénombrable et la série converge absolument.





i=1

9 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 1. DÉNOMBREMENT – PROBABILITÉ 1.8. VARIABLE ALÉATOIRE CONTINUE

d) Variance et écart-type
La variance Var(X) d’une variable aléatoire X est son moment centré d’ordre 2 :

Var(X) = µ2 (X).

L’écart-type de X est la racine carrée de sa variance. On le note σ(X).

p
σ(X) = Var(X).

Propriété
Var(X) = m2 (X) − (m1 (X))2 .

1.8 Variable aléatoire continue

Soient X une variable aléatoire réelle définie sur un espace probabilisé (Ω, A , p) et F sa
fonction de répartition :

F : R → [0, 1]
x 7→ F (x) = P (X ≤ x).

On dit que X est une variable aléatoire continue s’il existe une fonction numérique f définie
sur R telle que :
i) ∀x ∈ R, f (x) ≥ 0.
ii) f est continue sur R sauf peut-être aux points pour lesquels elle admet une limite finie à
gauche et à droite.
Z x Z x Z +∞
iii) ∀x ∈ R, F (x) = f (t)dt et lim F (x) = lim f (t)dt = f (t)dt
−∞ x→+∞ x→+∞ −∞ −∞
est bien définie et est égale à 1.
Dans ces conditions, f est alors une densité de probabilité de la variable aléatoire X.

Exemple 1.8.1
Soit f (x) = λe−λx 1R+ (x) avec λ > 0. Montrer que f est bien une fonction de densité.

1.8.1 Moments
Soit X une variable aléatoire continue de densité f . On définit, en supposant la convergence
des intégrales, les notions suivantes :

a) Les moments d’ordre k (k ∈ N)

Z +∞
mk (X) = xk f (x)dx.
−∞

10 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 1. DÉNOMBREMENT – PROBABILITÉ 1.9. QUELQUES LOIS USUELLES

b) L’espérance mathématique

Z +∞
E(X) = m1 (X) = xf (x)dx.
−∞

Remarque :
1. Une variable aléatoire continue peut ne pas avoir d’espérance mathématique (l’intégrale
n’est pas convergente !)
2. Si f est paire (c’est-à-dire : ∀x ∈ R, f (x) = f (−x)) et si E(X) existe, alors E(X) =
0.

c) Les moments centrés d’ordre k (k ∈ N)

Z +∞
µk (X) = (x − E(X))k f (x)dx.
−∞

d) La variance

Z +∞
Var(X) = µ2 (X) = (x − E(X))2 f (x)dx.
−∞

1.9 Quelques lois usuelles

1.9.1 Lois discrètes
a) Loi constante
— Loi de probabilité : P (X = a) = 1.
— Espérance et variance : E(X) = a, Var(X) = 0.

b) Loi uniforme discrète sur {1,2,. . .,n}

1
— Loi de probabilité : ∀k ∈ {1, 2, . . . , n}, P (X = k) = .
n
— Espérance et variance :

n+1 n2 − 1
E(X) = , Var(X) = .
2 12

c) Loi de Bernoulli
— Loi de probabilité : P (X = 1) = p = 1 − P (X = 0).
— Espérance et variance : E(X) = p, Var(X) = p(1 − p).

d) Loi binomiale
— Loi de probabilité : ∀k ∈ {0, 1, . . . , n}, P (X = k) = Cnk pk (1 − p)n−k .
— Espérance et variance : E(X) = np, Var(X) = np(1 − p).

11 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 1. DÉNOMBREMENT – PROBABILITÉ 1.10. EXERCICES

e) Loi hypergéométrique de paramètres N, n, p

k n−k
CM CN −M
— Loi de probabilité : ∀k ∈ {0, 1, . . . , min(N, M )}, P (X = k) = n
.
CN
N −n
— Espérance et variance : E(X) = np et Var(X) = np(1 − p).
N −1

f ) Loi de Poisson
λk
— Loi de probabilité : ∀k ∈ N, P (X = k) = e−λ .
k!
— Espérance et variance : E(X) = Var(X) = λ.

1.9.2 Lois continues

a) Loi uniforme sur un intervalle [a; b], a, b ∈ R, a < b
1
— Densité de probabilité : fX (x) = 1[a;b] (x).
b−a
a+b (b − a)2
— Espérance et variance : E(X) = et Var(X) = .
2 12

b) Loi exponentielle de paramètre λ > 0

— Densité de probabilité : fX (x) = λe−λx 1[0;+∞[ (x).
1 1
— Espérance et variance : E(X) = et Var(X) = 2 .
λ λ

c) Loi normale de paramètres µ et σ 2

— Densité de probabilité :
1 (x−µ)2
fX (x) = √ e− 2σ2 .
σ 2π

— Espérance et variance : E(X) = µ et Var(X) = σ 2 .

Remarque 1.9.1
Pour µ = 0 et σ 2 = 1, nous avons la loi normale centrée et réduite, N (0, 1), pour laquelle
la fonction de répartition est notée par Φ.

1.10 Exercices
Exercice 1.1
On dispose de 4 boules de couleurs différentes notées R, B, J, V. On a la possibilité soit de
ne choisir de boules, soit d’en choisir une, deux, trois ou quatre. Combien peut-on effectuer de
choix possibles ?
Exercice 1.2
a) On dispose de trois tiroirs notés A, B, C dans lesquels on doit ranger à sa guise 7 objets
discernables numérotés 1 à 7. Combien de rangements différents peut-on réaliser ? On pourra
faire un arbre.

12 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 1. DÉNOMBREMENT – PROBABILITÉ 1.10. EXERCICES

b) On dispose cette fois-ci de 3 objets discernables notés 1, 2, 3 et de 5 tiroirs notés A, B, C, D,

E mais l’on ne veut ranger deux objets dans un même tiroir. Combien de rangements différents
peut-on en faire ?

Exercice 1.3
On veut fabriquer des mots de trois lettres (ayant ou non un sens) avec les lettres de l’alphabet.
Déterminer les nombres :
1. N1 de mots différents que l’on peut fabriquer
2. N2 de mots contenant trois lettres distinctes
3. N3 de mots commençant et finissant par une consonne
4. N4 de mots contenant au moins une voyelle
5. N5 de mots contenant exactement deux consonnes et une voyelle.
Exercice 1.4
1. On dispose de n boules d’une même couleur indiscernables au toucher. Montrer que le
nombre de façons de les répartir en trois groupes de n1 , n2 et n3 boules respectivement
telle que n1 + n2 + n3 = n est
n!
.
n1 !n2 !n3 !
2. Dans un commissariat, huit (08) agents de police sont répartis aléatoirement de telle sorte
qu’il y ait 3 agents de patrouille, 2 agents de garde au commissariat et 3 agents de réserve.
Quel est le nombre total de répartitions possibles ?
Exercice 1.5
Un enfant a ingéré accidentellement l’un ou l’autre exclusivement de trois médicaments A, B,
C. Il avait à sa portée 4 boı̂tes de A, 2 boı̂tes de B et 4 boı̂tes de C.
1. Quelle est la probabilité qu’il ait ingéré le médicament A ?
2. Les trois médicaments entraı̂nent des troubles digestifs dans 80% des cas avec A, 90%
des cas avec B et jamais avec C. L’enfant ne présentant pas des troubles digestifs, quelle
est la probabilité qu’il ait ingéré le médicament A ?
Exercice 1.6
Un récepteur membranaire possède 4 sites de fixations d’un anticorps. Le site A a quatre fois
moins de chances d’être atteint par l’anticorps que le site B, qui lui même présente deux fois
plus de chances d’être atteint que le site C. Le site D a trois fois plus de chances d’être atteint
que le site A.
Calculer les probabilités que l’anticorps atteigne chaque site A, B, C, D.
Exercice 1.7
Un groupe de personnes est composé de 80 hommes et 60 femmes. Ce groupe doit désigner 6
de ses membres pour être de garde ce soir. La désignation se fait au hasard.
1. Quelle est la probabilité que le groupe de garde ne soit constitué que d’hommes ?
2. Quelle est la probabilité que le groupe de garde soit constitué de deux fois plus de femmes
que d’hommes ?
Exercice 1.8
Un laboratoire a mis au point un nouveau test pour dépister la maladie M qui touche une
personne sur mille.
Pour les personnes ayant contracté la maladie, le test est positif dans 99% des cas. Pour les
personnes saines, le test est négatif dans 95% des cas.
Quelle est la probabilité qu’une personne choisie au hasard soit saine sachant que le résultat de
son test est positif ?

13 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 1. DÉNOMBREMENT – PROBABILITÉ 1.10. EXERCICES

Exercice 1.9
Soit X une v.a.r suivant la loi N (3, 2).
1. Calculer les probabilités suivantes : P(X < 2.5), P(X > 3.5) et P(1.5 < X < 2).
2. Déterminer x tel que P(X < x) = 0.95 (x est appelé le quantile d’ordre 0.95 de la loi
de X).

Exercice 1.10
On sait que la probabilité qu’une personne soit allergique à un médicament M est égale à 0,0005.
X désignant le nombre de personnes allergiques à ce médicament dans un établissement de 4000
personnes, on considère que Xsuit une loi de poisson.
Quelle est la probabilité de trouver exactement 3 personnes allergiques dans cet établissement ?
Déterminer la loi de probabilité de X, calculer son espérance et sa variance.
Exercice 1.11
Un appareil de radiologie peut tomber en panne avec une probabilité de 0,01 à chaque emploi.
Pour une série de quotidienne d’examen, l’appareil est utilisé 200 fois.
Quelle est la probabilité d’obtenir au moins deux pannes par jour ?
Exercice 1.12
Une maladie affecte au hasard 10% des bœufs dans un pâturage donné. On considère un
pâturage de 5 bœufs. Les valeurs numériques seront arrondies à deux chiffres après la virgule.
Quelle est la combinaison de toutes le propositions exactes ?
1. La probabilité que 2 des 5 bœufs du pâturage soient malades est proche de 0.01.
2. La probabilité que 2 des 5 bœufs du pâturage soient malades est proche de 0.07.
3. La probabilité qu’il y ait au moins un bœuf malade dans la famille des 5 bœufs du pâturage
est proche de 0.59.
4. La probabilité qu’il y ait au moins un bœuf malade dans la famille des 5 bœufs du pâturage
est proche de 0.41.
5. L’espérance mathématique et la variance du nombre de bœufs malade sont respectivement
0.50 et 0.45.
6. L’espérance mathématique et la variance du nombre de bœufs malade sont respectivement
0.10 et 0.09.

A : 2+4+6 B : 1+4+5 C : 1+3+5

D : 2+3+5 E : 1+4+6 F : Aucune des propositions précédentes

Exercice 1.13
Dans une maternité on a constaté que 10% des accouchements avaient lieu avant la date
prévue pour la naissance, 20% de l’ensemble de tous les accouchements présentaient des
complications et qu’il y avait 40% de complications quand l’accouchement avait lieu avant
la date prévue pour la naissance.
(a) Si l’existence des complications est indépendante de la date de naissance, quelle est
la probabilité qu’une femme ait un accouchement sans complications et à la date
prévue ?
(b) Quelle est la probabilité qu’une femme ait un accouchement sans complication et à
la date prévue ?
(c) Quelle est la probabilité qu’une femme ait un accouchement avant la date prévue et
avec complication ?

14 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 1. DÉNOMBREMENT – PROBABILITÉ 1.10. EXERCICES

Exercice 1.14
Un étudiant ayant validé sa 4e année de pharmacie à la FSS de l’UK choisit dans une urne les
quatre service dans lesquels il va faire son stage. Dans l’urne, il y a 85 services cliniques et 15
services biologiques. Soit X la v.a. représentant le nombre de service biologiques qu’il a tirés.
Quelle est la probabilité que l’étudiant tire exactement deux services biologiques ?
Quelles sont respectivement l’espérance et la variance de X ?
Exercice 1.15
Un test de mesure de Quotient Intellectuel (QI) des adultes auprès d’un échantillon représentatif
de la population d’un âge donné donne des performances suivant une loi normale de moyenne
égale à 100 et de variance 64. Parmi les propositions suivantes, quelle est la combinaison de
toutes le propositions exactes ?
1. 50% des individus de la population ont un QI inférieur à 100.
2. La probabilité d’observer un individu de la population ayant un QI compris entre 96 et
108 est de 0,4649.
3. La probabilité d’observer un individu de la population ayant un QI compris entre 102 et
116 est de 0,4649.
4. Un individu avec un score inférieur à 85 fait partie des 5% des individus de la population
ayant un QI plus faible.
5. Il faut au minimum un QI de 115,68 pour faire partie des 5% des individus de la population
ayant le QI le plus élevé.
6. 97,5% des individus de la population ont un QI inférieur ou égal à 115,68

A : 3+5+6 B : 1+3+5 C : 1+2+3+5

D : 2+4+5 E : 1+2+4+6 F : Aucune des propositions précédentes

Exercice 1.16
La distribution de la glycémie chez les sujets malades suit une loi normale de moyenne 1,6g/l
et d’écart-type 0,2g/l. Chez les sujets sains, la glycémie suit une loi normale de moyenne de
1g/l et d’écart-type 0,1g/l. La fréquence de la maladie est de 10%. Parmi les propositions
suivantes,quelle est la combinaison de toutes le propositions exactes ?
1. Le pourcentage de sujets malades ayant une glycémie comprise entre 1,2 et 1,4g/l est
32%.
2. Le pourcentage de sujets malades ayant une glycémie comprise entre 1,2 et 1,4g/l est
13,6%.
3. Le pourcentage de sujets saints ayant une glycémie supérieure strictement à 1,2g/l est
5%.
4. La valeur médiane de la glycémie chez les sujets malades est égale à 1,6g/l.
5. Chez les sujets sains, l’étendue interquartile correspond aux valeurs comprise entre 0.9g/l
et 1.1g/l.
6. Si une variable aléatoire suit une loi normale de moyenne µ et d’écart-type σ alors la
probabilité d’observer une valeur entre µ − 2σ et µ + σ est égale à 81,9% à 10− 1 près.

A : 2+4+6 B : 1+3+4+5 C : 1+4+5+6

D : 2+4+5+6 E : 3+5 F : Aucune des propositions précédentes

15 KATCHEKPELE Edoh/FaST/UK/2025-2026
Chapitre 2

Étude d’une série statistique à une

variable

2.1 Concepts de base

La statistique (descriptive) est née de l’activité de recueil des données répondant aux besoins
d’organisation et de gouvernement des grands empires (armée, impôts, organisation des ri-
chesses). Il s’agit de l’ensemble des méthodes permettant de décrire et d’analyser des observa-
tions (ou données). Ces observations consistent généralement en la mesure d’une ou plusieurs
caractéristiques communes sur un ensemble de personnes ou d’objets équivalents.

2.1.1 Population et unité statistique - échantillon

Lors d’une étude statistique, les observations sont faites à partir d’un ensemble précis (ensemble
de référence) appelé population. Chaque élément de cet ensemble est une unité statistique
ou un individu. Les termes de population et d’individu sont employés aussi bien lorsqu’il s’agit
d’êtres humains que d’êtres inanimés, d’êtres abstraits ou d’évènements.
Le recensement est l’étude de tous les individus d’une population. Ceci est difficile en pratique,
lorsque les populations sont grandes, pour des questions de coût et de temps.
Le sondage, par contre, est un recueil d’une partie (ou d’un sous-ensemble) de la population. La
partie des individus étudiés s’appelle un échantillon. Le recueil d’un échantillon à partir de la
population initiale se fait par des techniques statistiques appelées méthodes d’échantillonnage.

Remarque : La population soumise à l’analyse statistique doit être définie avec précision afin
que l’ensemble considéré soit déterminé sans ambiguı̈té, de sorte qu’un individu quelconque
puisse y être affecté sans incertitude.
Exemple 2.1.1
Les étudiants de l’université de Kara, les salariés d’une entreprise, la production d’automobiles
d’une année, le stock des machines à une date donnée.

2.1.2 Caractères et modalités

Pour décrire une population, on classe les individus selon certains aspects ou attributs que l’on
appelle caractères ou variables.

16
CHAPITRE 2. ÉTUDE D’UNE SÉRIE STATISTIQUE À UNE VARIABLE 2.1. CONCEPTS DE BASE

Exemple 2.1.2
Si la population étudiée est constituée des étudiants de la faculté des sciences, les caractères
étudiés peuvent être : le parcours, la spécialité, l’âge, le sexe, le nombre de crédits capitalisés,
etc.

Le caractère est un critère de classement, il peut présenter plusieurs situations différentes ap-
pelées modalités.
Exemple 2.1.3
Les deux modalités du caractère sexe sont : masculin et féminin.

Le nombre de modalités d’un caractère dépend de l’information disponible et du but de l’étude.

Il existe deux classes de caractères en Statistique : les caractères qualitatifs et les caractères
quantitatifs (ou numériques).

a) Caractères qualitatifs
Les caractères qualitatifs ou variables catégorielles sont des caractères dont les différentes mo-
dalités ne sont pas mesurables. Elles sont non numériques dans le sens où les opérations de base
n’ont pas de sens.
On distingue deux types de caractères qualitatifs : les caractères qualitatifs nominaux et les
caractères qualitatifs ordinaux (ou ordonnés).
Caractères qualitatifs nominaux : les différentes modalités ne sont que des noms ou des
catégories qui ne suivent pas un ordre naturel. C’est le cas par exemple de la race, la couleur
des yeux, la marque de voiture, le sexe, etc.
Caractères qualitatifs ordonnés : les modalités suivent un ordre naturel ou peuvent être
classées dans un ordre spécifique. C’est le cas par exemple du niveau d’éducation, du degré de
satisfaction, etc. Ces variables sont repérables selon un type d’échelle plus ou moins légitime.
Les catégories pourront alors donner lieu à un codage par les rangs qui ouvrira une autre gamme
de traitements possibles proches de ceux des variables quantitatives.

b) Caractères quantitatifs ou numériques

Il s’agit des caractères (ou variables) dont les modalités sont mesurables, c’est-à-dire appar-
tiennent à R. On distingue deux types de variables quantitatives : les variables discrètes et les
variables continues.
Variable discrète : les valeurs sont obtenues par dénombrement. C’est le cas par exemple du
nombre d’élèves. Une variable discrète peut ne prendre que certaines valeurs isolées (dans N).
C’est le cas du nombre de personnes qui composent un ménage. Elle peut prendre une infinité
de valeurs dénombrables, mais elle peut aussi n’en prendre que quelques unes.
Variable continue : peut prendre toutes les valeurs à l’intérieur d’un intervalle. Le nombre
de modalités possibles d’une telle variable est alors infini. C’est le cas par exemple de la taille,
la température, le salaire, le PIB par habitant, etc.

17 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 2. ÉTUDE D’UNE SÉRIE STATISTIQUE À UNE VARIABLE 2.2. ÉTUDE D’UNE VARIABLE QUALITATIVE

2.2 Étude d’une variable qualitative

2.2.1 Tableau statistique

Modalité Effectif ni Fréquence fi Pourcentage pi FCC Fi

M1 n1 f1 p1 F1
.. .. .. .. ..
. . . . .
i
ni ni X
Mi ni fi = pi = × 100 Fi = fk
n n k=1
.. .. .. .. ..
. . . . .
Mm nm fm pm Fm = 1
X m m
X m
X
Total n= ni fi = 1 pi = 100
i=1 i=1 i=1

2.2.2 Représentations graphiques

On peut représenter une variable qualitative soit par un diagramme en tuyaux d’orgue ou en
barres, soit par un diagramme à secteurs ou camembert.
Exercice 2.1
On considère le brin d’ADN suivant : GGGAGTGTBTATTAABTBBGAA- BTBBBAGBGB-
TAGBTBGBGBGGAGTGABBGAGBBTABATGAGGGTA BTGTBAATAABGBATGTTAB-
BAGAAGGA. En considérant comme modalités les lettres A, B, G et T, faire le dépouillement et
donner le tableau statistique. Faire les représentations graphiques précédemment mentionnées.

2.3 Étude d’une variable quantitative discrète

2.3.1 Tableau statistique

Modalité Effectif ni Fréquence fi Pourcentage pi FCC Fi

x1 n1 f1 p1 F1
.. .. .. .. ..
. . . . .
i
ni ni X
xi ni fi = pi = × 100 Fi = fk
n n k=1
.. .. .. .. ..
. . . . .
xm nm fm pm Fm = 1
X m m
X m
X
Total n= ni fi = 1 pi = 100
i=1 i=1 i=1

Exercice 2.2
Le tableau suivant contient la distribution du nombre d’employés par masse salariale.

Masse salariale 1000000 1500000 1200000 1507000 500000

Nombre d’employés 20 25 30 35 40

Faire le tableau statistique correspondant.

18 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 2. ÉTUDE D’UNE SÉRIE STATISTIQUE À UNE VARIABLE
2.3. ÉTUDE D’UNE VARIABLE QUANTITATIVE DISCRÈTE

2.3.2 Caractéristiques de tendance centrale

a) Mode
Le mode (M o) d’une distribution est la valeur la plus fréquente dans la série. Il correspond à
la valeur de la variable pour laquelle la fréquence est la plus élevée.

b) Percentile
Le p-ième percentile est la valeur telle qu’au moins p pour cent des observations ont une valeur
inférieure ou égale à cette valeur, et (100 − p) pour cent des observations ont une valeur
supérieure ou égale à cette valeur.
Calcul du p-ième percentile
Étape 1 : classer les données dans l’ordre croissant.
p
Étape 2 : calculer l’index i = × n où n le nombre d’observations.
100
Étape 3 (décision) : si i n’est pas un nombre entier naturel, la position du p-ième percentile
correspond à l’entier E(i) + 1, où E(i) désigne la partie entière de i ; si i est un nombre entier,
le p-ième percentile correspond à la moyenne des valeurs des observations i et i + 1.

c) Quartile
Les quartiles sont des percentiles particuliers. Les étapes de calcul des percentiles peuvent être
directement appliquées au calcul des quartiles. Il y a trois quartiles :
Q1 = Premier quartile soit 25e percentile,
Q2 = Deuxième quartile soit 50e percentile,
Q3 = Troisième quartile soit 75e percentile.

d) Médiane
La médiane (M e) d’une distribution est la valeur de la variable statistique qui partage en deux
effectifs égaux les individus de la population rangés selon la valeur croissante du caractère. C’est
le cas où p = 50.
Exercice 2.3
Les données sur les salaires mensuels initiaux (en euros) des employés d’une agence de voyage
sont : 2850 2950 3050 2880 2755 2710 2890 3130 2940 3325 2920 2880. Déterminer le 10e
percentile ainsi que les quartiles Q1 , Q2 et Q3 .

e) Moyenne arithmétique
La moyenne arithmétique d’une variable statistique est la somme, pondérée par les fréquences,
des valeurs.
m m
X 1X
x̄ = fi x i = ni xi .
i=1
n i=1

19 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 2. ÉTUDE D’UNE SÉRIE STATISTIQUE À UNE VARIABLE
2.3. ÉTUDE D’UNE VARIABLE QUANTITATIVE DISCRÈTE

f ) Moyenne de sous-populations
La moyenne x̄ d’une population P composée de p sous-populations Pj peut être exprimée en
fonction des moyennes x̄j des sous-populations :
p nj
X X
x̄ = fj x̄j , où x̄j = fij xij .
j=1 i=1

La moyenne x̄ est donc la moyenne des moyennes des sous-populations.

2.3.3 Caractéristiques de dispersion

a) Variance et écart-type
La variance V (X) se calcule par la formule
m m m
1X 2
X
2
X
V (X) = ni (xi − x̄) = fi (xi − x̄) = fi x2i − x̄2 .
n i=1 i=1 i=1

L’écart-type σX est la racine carrée de la variance :

p
σX = V (X).

Pour une population composée de sous-populations :

La variance d’une population P composée de p sous-populations Pj s’exprime en fonction des
variances Vj (X) et des moyennes x̄j des sous-populations.
p p p p
! !
X X 1 X 1 X
V (X) = fj Vj (X) + fj x̄2j − x̄2 = nj Vj (X) + nj x̄2j − x̄2 .
j=1 j=1
n j=1
n j=1

La variance totale est donc la somme de la moyenne arithmétique des variances et de la variance
des moyennes.
p
1X
La moyenne des variances, nj Vj (X) est appelée la variance intragroupe.
n j=1
p
1X
La variance des moyennes, nj x̄2j − x̄2 est appelée la variance intergroupe.
n j=1

b) Coefficient de variation
C’est le rapport de la moyenne arithmétique à l’écart type, défini par :
σX
CV (X) = .
x̄
Le CV permet d’apprécier la représentativité de la moyenne par rapport à l’ensemble des
observations. Il donne une bonne idée du degré d’homogénéité d’une série. Il faut qu’il soit le
plus faible possible (< 0.15 en pratique).

c) Moment d’ordre k

m
1X
mk = ni xki .
n i=1

20 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 2. ÉTUDE D’UNE SÉRIE STATISTIQUE À UNE VARIABLE
2.4. ÉTUDE D’UNE VARIABLE QUANTITATIVE CONTINUE

d) Moment centré d’ordre k

m
1X
µk = ni (xi − x̄)k .
n i=1

Exercice 2.4
Lors d’une journée, on a relevé les âges de 20 personnes venant se présenter à l’examen
théorique du permis de conduire : 19, 20, 20, 24, 37, 22, 58, 24, 23, 20, 19, 19, 21, 22, 20,
27, 33, 20, 22, 21. (a) Préciser la population, l’échantillon et le caractère étudiés. Quelle est la
nature de ce caractère ? (b) Déterminer la moyenne arithmétique de cette série. (c) Déterminer
la médiane, le mode, la variance, l’écart-type, le coefficient de variation et l’écart inter-quartile
de cette distribution d’âges. (d) La distribution est-elle homogène ? Justifier.

2.4 Étude d’une variable quantitative continue

2.4.1 Classe
a) Définition des classes
Pour les variables continues, il est nécessaire que leurs valeurs soient regroupées en classes avant
tout traitement pour les besoins d’analyse. Le nombre de classes à retenir dépend de la précision
des mesures et de l’effectif de la population étudiée.

b) Amplitude de classe
Par définition, l’amplitude ai de la classe [xi ; xi+1 [ est donné par ai = xi+1 − xi .

c) Centre de classe
Pour mener des calculs statistiques sur des séries classées, les classes sont réduites à une seule
donnée, à savoir, le centre de classe. Cela revient à considérer que tous les individus peuvent
être décrits par ce centre de classe. Par définition, le centre ci de la classe [xi ; xi+1 [ est donné
xi + xi+1
par ci = .
2

2.4.2 Tableau statistique

Classe Centre ci Effectif ni Fréquence fi Pourcentage pi FCC Fi

[x1 ; x2 [ c1 n1 f1 p1 F1
.. .. .. .. .. ..
. . . . . .
i
ni ni X
[xi ; xi+1 [ ci ni fi = pi = × 100 Fi = fk
n n k=1
.. .. .. .. .. ..
. . . . . .
[xm ; xm+1 [ cm nm fm pm Fm = 1
X m m
X m
X
Total n= ni fi = 1 pi = 100
i=1 i=1 i=1

21 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 2. ÉTUDE D’UNE SÉRIE STATISTIQUE À UNE VARIABLE
2.4. ÉTUDE D’UNE VARIABLE QUANTITATIVE CONTINUE

2.4.3 Représentation graphique

a) Histogramme
Soit la distribution ([xi ; xi+1 [, ni ) d’une variable statistique continue X. Pour chaque classe
[xi ; xi+1 [, l’histogramme associe un rectangle de largeur ai = xi+1 − xi (amplitude da la
fi
classe) et de hauteur hi = .
ai

b) Polygone des fréquences

Il lisse l’histogramme de façon à éliminer les ruptures qui dépendent du choix du découpage
en classe. Il respecte la compensation des aires ; la surface incluse par la courbe est identique à
celle de l’histogramme.

c) Courbe des fréquences cumulées croissantes

Elle représente graphiquement la fonction cumulative ou fonction de répartition définie par
F (x) = Fi . En abscisse se trouvent les bornes supérieures des classes et en ordonnée, les
fréquences cumulés croissantes.
Exercice 2.5
Compléter le tableau statistique ci-après puis représenter l’histogramme des fréquences, le po-
lygone des fréquences et la courbe cumulative des fréquences croissantes.
Classe Effectif ni
[15 ;20[ 67
[20 ;30[ 1942
[30 ;35[ 1364
[35 ;45[ 2814
[45 ;55[ 2540
[55 ;70[ 710

2.4.4 Caractéristiques de tendance centrale

a) Mode
Pour une variable continue on définit la classe modale. C’est celle dont la fréquence par unité
d’amplitude hi = fi /ai est la plus élevée. Après la définition de la classe modale, on déduit
la valeur du mode par la formule suivante :

|∆i |
M o = xi + × ai
|∆i | + |∆i+1 |

avec M o le mode, xi la borne inférieure de la classe modale, ai l’amplitude de la classe modale,

∆i = ni − ni−1 , différence entre l’effectif de la classe modale et l’effectif de la classe précédant
la classe modale, ∆i+1 = ni+1 − ni , différence entre l’effectif de la classe suivant la classe
modale et l’effectif de la classe modale.

b) Percentile
Pour déterminer le p-ième percentile P e dans le cas d’une variable continue, on détermine
d’abord l’intervalle auquel appartient ledit percentile : P e ∈ [xi ; xi+1 [ et F (P e) = p/100 =

22 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 2. ÉTUDE D’UNE SÉRIE STATISTIQUE À UNE VARIABLE
2.4. ÉTUDE D’UNE VARIABLE QUANTITATIVE CONTINUE

p̃ avec Fi−1 < p̃ ≤ Fi . Par la formule de l’interpolation linéaire, on obtient alors :

p̃ − Fi−1 p̃ − Fi−1
P e = xi + ai × = xi + ai × .
Fi − Fi−1 fi

La médiane, M e, est le 50-ième percentile.

c) Moyenne arithmétique
Toutes ces moyennes se calculent comme dans le cas d’une variable discrète, en y remplaçant
les xi par les ci . Pour la moyenne arithmétique par exemple, on a :
m m
X 1X
x̄ = fi ci = ni ci .
i=1
n i=1

Il en est de même pour la moyenne des sous-populations.

2.4.5 Caractéristiques de dispersion

a) Etendue
L’étendue ou amplitude de la distribution est la différence entre la plus grande et la plus petite
valeur observée : E = xmax − xmin .

b) Ecart inter-quartile et rapport inter-quartile

Q3
L’écart inter-quartile est donné par IQ = Q3 − Q1 et le rapport inter-quartile par .
Q1

c) Coefficient de dispersion
Le coefficient de dispersion Cdis est défini par le rapport de l’écart inter-quartile à la médiane,
i.e.
Q3 − Q1
Cdis =
Me
Exercice 2.6
On donne la série unidimensionnelle suivante, correspondant à la répartition des entreprises
du secteur automobile en fonction de leur chiffre d’affaire en millions d’euros.
Chiffres d’affaires Nombre d’entreprises
moins de 0,25 137
[0,25 ;0,5[ 106
[0,5 ;1[ 112
[1 ;2,5[ 154
[2,5 ;5[ 100
[5 ;10[ 33

1. Calculer le chiffre d’affaire moyen et l’écart-type de la série.

2. Calculer le mode, les intervalles inter-quartile et inter-décile de la série.
3. Calculer la médiane et le coefficient de dispersion de la distribution.

23 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 2. ÉTUDE D’UNE SÉRIE STATISTIQUE À UNE VARIABLE 2.5. EXERCICES

2.5 Exercices
Exercice 2.7
On estime que la série statistique suivante représente les résultats du concours d’entrée à une
grande école.

Note [0 ;2[ [2 ;4[ [4 ;6[ [6 ;8[ [8 ;10[ [10 ;12[ [12 ;14[ [14 ;16[ [16 ;18[ [18 ;20[
Effectif(ni ) 8 40 75 114 212 286 182 67 15 1

On donne les valeurs numériques suivantes

X X X
ni = 1000 ni xi = 10000 ni x2i = 110136

Parmi les propositions suivantes, quelle est la combinaison de toutes les propositions
exactes ?
1. La moyenne de cette série statistique vaut 10.
2. La médiane vaut 10,0 à 10−1 près.
3. Le premier quartile Q1 de cette série statistique est la valeur qui permet de partager
l’échantillon en deux parties e telle sorte que 25% de l’échantillon soit supérieur à Q1 et
que 75% soit inférieur à Q1 . Dans cette série, Q1 appartient à la classe [8 ;10[
4. Le troisième quartile Q3 de cette série statistique appartient à la classe [12 ;14[
5. Dans cette série statistique, la variance est égale à 110,136
6. Le coefficient de variation de cette série statistique est égal à l’écart-type divisé par la
variance.

A : 1+2+3+4+5 B : 1+2+4 C : 2+3+5

D : 1+4+5+6 E : 1+2+3+4 F : Aucune des propositions précédentes

Exercice 2.8
On teste un nouveau médicament contre l’épilepsie sur 100 malades. Le traitement est prescrit
pendant six mois, et à la fin, on mesure pour chaque patient le nombre de crises d’épilepsie
survenues pendant la durée du traitement. Les résultats sont détaillés dans le tableau suivant :

Nombre d’épilepsie Effectif Fréquence cumulée

pendant les six mois
0 5 5%
1 10 15%
2 30 45%
3 40 85%
4 15 100%

Parmi les caractéristiques de la distribution de la variable ≪ nombre de crises d’épilepsie pendant

six mois ≫ , quelle est la combinaison de toutes les propositions exactes ?
1. La variable ≪ nombre de crises d’épilepsie pendant six mois ≫ est une variable quantitative
ordinale.
2. La moyenne de cette distribution est égale à 2,5.
3. La La médiane de cette distribution est égale à 2.

24 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 2. ÉTUDE D’UNE SÉRIE STATISTIQUE À UNE VARIABLE 2.5. EXERCICES

4. En cas de représentation graphique de la distribution sous forme de diagramme circulaire,

l’angle du secteur en degré pour la classe ≪ 2 crises d’épilepsie pendant six mois ≫ est
égale à 30◦ .
5. L’étendue inter quartile de la distribution ≪ nombre de crises d’épilepsie pendant six
mois ≫ est égale à 4.
6. En cas de représentation graphique de la distribution sous forme de diagramme en barre,
les proportions sont ordonnées.

A : 2+3+6 B : 1+2+5 C : 1+2+4+6

D : 2+3+4+6 E : 2+6 F : Aucune des propositions précédentes

Exercice 2.9
La distribution de la glycémie chez les sujets malades suit une loi normale de moyenne 1,6g/l
et d’écart-type 0,2g/l. Chez les sujets sains, la glycémie suit une loi normale de moyenne 1g/l
et d’écart-type 0,1g/l. La fréquence de la maladie est de 10%.
Quelle est la combinaison des propositions exactes ?
1. Le pourcentage des sujets malades ayant une glycémie comprise entre 1,2 et 1,4g/l est de
32%
2. Le pourcentage des sujets malades ayant une glycémie comprise entre 1,2 et 1,4g/l est de
13,6%
3. Le pourcentage des sujets sains ayant une glycémie strictement supérieure à 1,2g/l est 5%
4. La valeur médiane de la glycémie chez les sujets malades est de 1,6g/l%.
5. Chez les sujets sains, l’étendue inter quartile correspond aux valeurs comprises entre 0,9g/l
et 1,1g/l
6. Si une variable aléatoire suit une loi normale de moyenne µ et d’écart-type σ alors la
probabilité d’observer une valeur entre µ − 2σ et µ + σ est égale à 81,9% à 10− 1 près.

A : 2+4+6 B : 1+3+4+5 C : 1+4+5+6

D : 2+4+5+6 E : 3+5 F : Aucune des propositions précédentes

Exercice 2.10
On donne à 100 malades diabétiques un nouveau traitement destiné à diminuer le taux de
sucre dans le sang (taux de glycémie) et améliorer leur qualité de vie (exécrable, médiocre,
convenable) chez tous les patients. Les taux de glycémie mesurés chez les 100 patients sont
présentés dans le tableau suivant :

Taux de glycémie (en mmol/l) [1 ;10[ [10 ;20[ [20 ;30[ [30 ;40[ [40 ;50[
Nombre de sujets 10 5 20 40 25

Quelle est la combinaison de toutes les propositions exactes ?

1. La variable ≪ qualité de la vie ≫ est une variable qualitative ordinale
2. La variable ≪ taux de glycémie ≫ est une variable quantitative discrète
3. En cas de discrétisation d’une variable quantitative, les classes sont toujours égales
4. La classe du 2e quartile est la classe [30 ;40[
5. L’étendue inter quartile correspond à 75% des observations
6. En cas de distribution symétrique du taux de glycémie, la médiane et la moyenne sont
identiques et le mode est différent.

25 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 2. ÉTUDE D’UNE SÉRIE STATISTIQUE À UNE VARIABLE 2.5. EXERCICES

A : 2+3+4 B : 1+2+5 C : 3+5+6

D : 1+4 E : 1+2+4 F : Aucune des propositions précédentes

Exercice 2.11
On a effectué un dosage biologique X sur sur un échantillon de 100 sujets normaux avec les
résultats suivants :

Valeur de X [5 ;10[ [10 ;15[ [15 ;20[ [20 ;25[ [25 ;30[
Nombre de sujets 5 10 30 40 15

Quelle est la combinaison de toutes les propositions exactes ?

1. Le mode de la distribution de X appartient à la classe [20 ;25[
2. La médiane de la distribution de X est égale à 17,5
3. L’étendue de la distribution de X est égale à 20
4. Le pourcentage des sujets ayant une valeur inférieure à 25 et supérieure à 10 est égal à
85%
5. Si l’on représente les résultats en diagramme sectoriel, l’angle du secteur (en degrés) pour
la classe [20 ;25[ est égal à 140◦
6. Dans un diagramme en barre, les proportions sont ordonnées

A:1 B : 2+3 C : 1+5+6

D : 1+6 E : 2+3+5 F : Aucune des propositions précédentes

Exercice 2.12
Dans une enquête portant sur les bronchites infectieuses, on recueille les informations pour
chacun des 150 enfants participant à l’étude : l’âge (en année), le sexe, la profession du père,
le nombre de cigarettes fumées par le père (en nombre de cigarettes par jour), l’antécédent
familial d’allergie (oui, non), le nombre de bronchites infectieuse dans l’année précédente :
Quelle est la combinaison de toutes les propositions exactes ?
1. L’âge est une variable qualitative discrète
2. Le sexe est une variable qualitative binaire
3. La profession du père est une variable qualitative ordinale
4. e nombre de cigarettes fumées par le père est une variable qualitative ordinale
5. l’antécédent familial d’allergie est une variable qualitative nominale
6. le nombre de bronchites infectieuse dans l’année précédente est une variable quantitative
discrète

A : 1+2+4 B : 2+4+6 C : 1+2+3+6

D : 2+6 E : 3+4+5 F : Aucune des propositions précédentes

Exercice 2.13
On teste un nouveau médicament contre la migraine chez 100 malades. Le traitement est prescrit
pendant un mois et à la fin on mesure pour chaque patient le nombre de crises de migraines
survenues pendant le mois. Les résultats sont détaillés dans le tableau suivant :

26 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 2. ÉTUDE D’UNE SÉRIE STATISTIQUE À UNE VARIABLE 2.5. EXERCICES

Nombre de crises Effectif Fréquence cumulée

de migraines
pendant le mois
0 5 5%
1 10 15%
2 30 45%
3 40 85%
4 15 100%

Parmi les caractéristiques de la distribution de la variable ≪ nombre de crises de migraines

survenues pendant le mois ≫, quelle est la combinaison de toutes les propositions exactes ?
1. La variable ≪ nombre de crises de migraines survenues pendant le mois ≫ est une variable
quantitative ordinale
2. La moyenne de cette distribution est égale à 2,5
3. La médiane de cette distribution est égale à 2
4. Si l’on représente les résultats sous la forme d’un diagramme circulaire, l’angle du secteur
(en degrés) pour la variable ≪ 2 crises de migraines survenues pendant le mois ≫ est égal
à 30◦ .
5. L’étendue inter quartile de cette distribution est égale à 4
6. Si l’on représente les résultats sous la forme d’un diagramme en barre, les proportions
sont ordonnées

A : 2+3+6 B : 1+2+5 C : 1+2+4+6

D : 2+3+4+6 E : 2+6 F : Aucune des propositions précédentes

27 KATCHEKPELE Edoh/FaST/UK/2025-2026
Chapitre 3

Étude d’une série statistique à deux

variables

3.1 Tableaux de contingence, distributions marginales et

conditionnelles
3.1.1 Tableau de contingence : croisement de deux variables
Il est courant d’étudier une population à l’aide de plusieurs caractères. Pour deux variables X
et Y , on a le tableau suivant, qui est appelé tableau de contingence.

H Y
HH
y1 ··· yj ··· yp Eff. marg. de X
X HHH
p
X
x1 n11 ··· n1j ··· n1p n1· = n1j
j=1
.. .. .. .. .. .. ..
. . . . . . .
p
X
xi ni1 ··· nij ··· nip ni· = nij
j=1
.. .. .. .. .. .. ..
. . . . . . .
p
X
xm nm1 ··· nmj ··· nmp nm· = nmj
j=1
m m m m p
Eff. marg. X X X X X
n·1 = ni1 ··· n·j = nij ··· n·p = nip n= ni· = n·j
de Y
i=1 i=1 i=1 i=1 j=1

L’effectif nij de la classe (i, j) est le nombre d’individus de la population qui présentent
simultanément la modalité xi de la variable X et la modalité yj de la variable Y . La distribution
s’écrit (xi , yj , nij ). Tous les individus présentant ces deux modalités sont comme équivalents.
Le total des lignes et le total des colonnes définissent les distributions marginales. Une ligne ou
une colonne constitue une distribution conditionnelle.

28
CHAPITRE 3. ÉTUDE D’UNE
[Link]́RIE
TABLEAUX
STATISTIQUE
DE CONTINGENCE,
À DEUX VARIABLES
DISTRIBUTIONS MARGINALES ET CONDITIONNELLES

3.1.2 Fréquence conjointe

On appelle fréquence conjointe de xi et yj , la proportion fij d’individus qui présentent simul-
tanément les modalités xi et yj . Elle s’obtient par :
nij
fij = .
n

3.1.3 Distribution marginale : profile ligne et profile colonne

La série (xi , ni· ) définit le profile ligne. La fréquence marginale des individus présentant la
modalité xi est
p
X ni·
fi· = fij = .
j=1
n
De même, la série (yj , n·j ) constitue le profile colonne. La fréquence marginale des individus
présentant la modalité yj est
m
X n·j
f·j = fij = .
i=1
n
p
m X m p
X X X
On a la relation suivante : fij = fi· = f·j = 1.
i=1 j=1 i=1 j=1

3.1.4 Distribution conditionnelle

La fréquence conditionnelle de la modalité xi sachant la modalité yj est
nij
f (xi | yj ) = .
n·j
La fréquence conditionnelle de la modalité yj sachant la modalité xi est
nij
f (yj | xi ) = .
ni·
La relation entre fréquences marginales et fréquences conditionnelles est

fij = f (xi | yj ) × f·j = f (yj | xi ) × fi·

Exercice 3.1
La tableau suivant présente les revenus des ménages (RM) en fonction du niveau d’étude (NE)
du chef de ménage.
PP
PP RM
PP [0 ;25[ [25 ;50[ [50 ;75[ [75 ;100[ [100 ;125[ Total
NE PP
P
Secondaire sans diplôme 9285 4093 1589 541 354 15862
Secondaire avec diplôme 10150 9821 6050 2737 2028 30786
Université sans diplôme 5011 9221 5813 3215 3120 26380
Licence 2138 3985 3952 2698 4748 17521
Master et plus 813 1497 1815 1589 3765 9479
Total 27397 28617 19219 10780 14015 100028
(a) Calculer les fréquences marginales. (b) Quel est le pourcentage des chefs de ménages diplômés
d’université et ayant un revenu compris entre 50 et 75 mille francs ? (c) Calculer le revenu
moyen des ménages, le revenu le plus fréquent, la médiane, et l’écart-type des revenus.

29 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 3. ÉTUDE D’UNE SÉRIE STATISTIQUE À DEUX VARIABLES 3.2. AJUSTEMENT LINÉAIRE

3.2 Ajustement linéaire

L’ajustement linéaire consiste à trouver une relation de la forme Y = aX + b entre la variable
X appelée variable explicative ou encore variable indépendante et la variable Y appelée variable
expliquée ou encore variable dépendante. La représentation graphique de Y en fonction de X,
ou plus précisément du nuage des points (xi , yi ) permet d’avoir une idée sur le type de relation
entre X et Y .

3.2.1 Covariance entre deux variables

La covariance entre la variable X et la variable Y est le nombre noté cov(X, Y ) ou encore
n
1X
σXY et défini par cov(X, Y ) = σXY = nk (xk − x̄)(yk − ȳ) dans le cas de la série
n k=1
m p
1 XX
(xk , yk , nk ) et par cov(X, Y ) = σXY = nij (xi − x̄)(yj − ȳ) dans le cas de la
n i=1 j=1
série (xi , yj , nij ).

3.2.2 Méthode des moindres carrées ordinaires

Cette méthode consiste à déterminer la fonction affine y = ax + b telle que les carrés des
erreurs entre les valeurs observées yi et les valeurs estimées ŷi = axi + b soient les plus
petites possibles. En clair, il s’agit de trouver les valeurs de a et b qui minimisent la fonction
Xn Xn
2
g(a, b) = εi = (yi − axi − b)2 .
i=1 i=1

On démontre que les valeurs a et b qui minimisent la fonction de deux variables g(a, b) sont :
σXY
a= 2
et b = ȳ − ax̄.
σX

La droite d’équation y = ax + b pour les valeurs de a et b précédemment trouvées s’appelle

la droite de régression linéaire de Y sur X et se note DY /X .
De la même façon, on définit la droite de régression linéaire de X sur Y notée DX/Y et ayant
pour équation x = a′ y + b′ , avec :
σXY
a′ = et b′ = x̄ − a′ ȳ.
σY2

3.2.3 Coefficient de corrélation linéaire

Le coefficient de corrélation linéaire entre la variable X et la variable Y est le nombre
σXY
r = ρXY = .
σX σY

La corrélation linéaire entre X et Y est d’autant plus importante que D = r 2 (appelé coeffi-
cient de détermination) est proche de 1.

3.2.4 Propriétés importantes

√
1. ρXY = aa′ .

30 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 3. ÉTUDE D’UNE SÉRIE STATISTIQUE À DEUX VARIABLES 3.3. EXERCICES

2. La variance de Y se décompose de la façon suivante (formule de décomposition de la

variance) :
Var(Y ) = Var(Ŷ ) + Var(Y − Ŷ )
avec Var(Y ) = variance totale, Var(Ŷ ) = variance expliquée et Var(Y − Ŷ ) =
variance résiduelle. La proportion de variance expliquée par le modèle linéaire est R2 =
Var(Ŷ )
.
Var(Y )
3. R2 = r 2 .
On note que r indique le signe de la liaison et le R2 explicite la proportion de la variance
qui pourrait être expliquée si une relation entre les deux variables existait. Les fluctuations
de la variable dépendante sont expliquées et non causées par les mouvements de la variable
indépendante.

3.2.5 Ajustement linéaire par la méthode de Mayer

Cette méthode est empirique et ne se repose sur aucun critère d’erreur à minimiser. Elle peut
s’avérer efficace en présence de valeurs aberrantes.
Principe : La distribution est partagée en deux groupes comportant un nombre égal de données
(si n est pair) et un nombre égal de données à l’unité près (si n est impair). On détermine
dans chaque groupe le centre de gravité ou point moyen. Soient G1 (xI , yI ) et G2 (xII , yII )
les centres de gravité des deux groupes :
m1 m1 m2 m2
1 X 1 X 1 X 1 X
xI = ni xi ; yI = ni yi ; xII = ni xi et yII = ni yi ;
n1 i=1
n1 i=1
n2 i=1
n2 i=1

m1
X m2
X
avec n1 = ni , n2 = ni et n = n1 + n2 .
i=1 i=1

La droite d’ajustement linéaire de Y sur X par la méthode de Mayer est la droite (G1 G2 )
d’équation y = ax + b avec :
yI − yII
a= , et b = yI − axI = yII − axII .
xI − xII
Exercice 3.2
On considère la série suivante :
X 1 2 3 4 5 6
Y 2,5 3 4 5 5,5 7
(a) Déterminer l’ajustement linéaire de Y sur X par la méthode des moindres carrées or-
dinaires et par la méthode de Mayer. (b) Pour chaque méthode, donner la décomposition de
la variance totale Var(Y ). (c) Représenter le nuage de points ainsi que les deux droites de
régression.

3.3 Exercices
Exercice 3.3
Dans le cadre d’une étude épidémiologique, des chercheurs ont collecté des données sur le poids
(en kg) et la taille (en cm) d’un échantillon de 20 patients. Les résultats sont consignés dans le
tableau suivant :

31 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 3. ÉTUDE D’UNE SÉRIE STATISTIQUE À DEUX VARIABLES 3.3. EXERCICES

Patient Taille (cm) Poids (kg)

1 170 65
2 160 58
3 175 72
4 180 78
5 165 60
6 162 55
7 168 64
8 173 70
9 178 75
10 167 62
11 160 59
12 185 80
13 170 68
14 172 71
15 165 63
16 169 66
17 177 74
18 174 69
19 182 76
20 161 57

Questions
1. Représentation graphique :
(a) Représentez graphiquement la relation entre la taille et le poids des patients à l’aide
d’un nuage de points.
2. Calculs statistiques :
(a) Calculez la moyenne et l’écart-type pour les variables taille et poids.
(b) Calculez la covariance entre la taille et le poids des patients.
(c) Calculez le coefficient de corrélation de Pearson entre la taille et le poids des patients.
3. Interprétation des résultats :
(a) Quel est le lien entre la taille et le poids des patients ? La corrélation entre les deux
variables est-elle forte ou faible ? Positivement ou négativement corrélées ?
4. Régression linéaire :
(a) Proposez un modèle de régression linéaire simple pour prédire le poids en fonction
de la taille.
(b) Interprétez les résultats du modèle, notamment l’ordonnée à l’origine et le coefficient
de régression.
Exercice 3.4
Étude de la corrélation entre la taille et le poids
On considère un échantillon de 10 patients, dont on mesure la taille (en cm) et le poids (en
kg). Les valeurs mesurées sont consignées dans le tableau suivant :

32 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 3. ÉTUDE D’UNE SÉRIE STATISTIQUE À DEUX VARIABLES 3.3. EXERCICES

Taille (cm) Poids (kg)

170 68
172 70
174 72
176 73
178 75
180 77
182 79
184 81
186 83
188 85
1. Calcul des statistiques descriptives :
(a) Calculer la moyenne et l’écart-type des tailles et des poids.
(b) Calculer la covariance entre la taille et le poids.
2. Coefficient de corrélation de Pearson : Calculer le coefficient de corrélation de Pear-
son entre la taille et le poids. Interpréter le résultat.
3. Modèle de régression linéaire :
(a) Calculer les coefficients du modèle de régression linéaire simple, en utilisant la taille
pour prédire le poids.
(b) Interpréter les coefficients du modèle de régression.
Exercice 3.5
On considère un échantillon de 12 patients, pour lesquels on mesure la pression artérielle (en
mmHg) et le taux de cholestérol (en mg/dL). Les valeurs mesurées sont consignées dans le
tableau suivant :

Pression artérielle (mmHg) Taux de cholestérol (mg/dL)

120 200
125 205
130 215
135 220
140 230
145 235
150 240
155 245
160 250
165 255
170 260
175 265
1. Calcul des statistiques descriptives :
(a) Calculer la moyenne et l’écart-type des pressions artérielles et des taux de cholestérol.
(b) Calculer la covariance entre la pression artérielle et le taux de cholestérol.
2. Coefficient de corrélation de Pearson : Calculer le coefficient de corrélation de Pear-
son entre la pression artérielle et le taux de cholestérol. Interpréter le résultat.
3. Modèle de régression linéaire :
(a) Calculer les coefficients du modèle de régression linéaire simple, en utilisant la pres-
sion artérielle pour prédire le taux de cholestérol.

33 KATCHEKPELE Edoh/FaST/UK/2025-2026
CHAPITRE 3. ÉTUDE D’UNE SÉRIE STATISTIQUE À DEUX VARIABLES 3.3. EXERCICES

(b) Interpréter les coefficients du modèle de régression.

Exercice 3.6 (Corrélation entre la consommation d’alcool et la pression artérielle)
On considère un échantillon de 10 individus, pour lesquels on mesure la consommation d’al-
cool hebdomadaire (en litres) et la pression artérielle systolique (en mmHg). Les données sont
présentées dans le tableau suivant :

Consommation d’alcool (litres/semaine) Pression artérielle (mmHg)

0.5 115
1.0 120
1.5 125
2.0 130
2.5 135
3.0 138
3.5 142
4.0 145
4.5 150
5.0 155

1. Calcul des statistiques descriptives :

(a) Calculer la moyenne et l’écart-type de la consommation d’alcool et de la pression
artérielle.
(b) Calculer la covariance entre la consommation d’alcool et la pression artérielle.
2. Coefficient de corrélation de Pearson : Calculer le coefficient de corrélation de Pear-
son entre la consommation d’alcool et la pression artérielle. Interpréter le résultat.
3. Modèle de régression linéaire :
(a) Calculer les coefficients du modèle de régression linéaire simple, en utilisant la
consommation d’alcool pour prédire la pression artérielle.
(b) Interpréter les coefficients du modèle de régression.

34 KATCHEKPELE Edoh/FaST/UK/2025-2026
Tables statistiques

Table des valeurs de la fonction de répartition de la loi

normale centrée réduite.
x
1
Z
Φ(x) = P(X ⩽ x) = √ exp(−t2 /2) dt.
2π −∞

x 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09

0,00 0,5000 0,5040 0,5080 0,5120 0,5150 0,5199 0,5239 0,5279 0,5319 0,5359
0,10 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5754
0,20 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,30 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,40 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,50 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,60 0,7258 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7518 0,7549
0,70 0,7580 0,7612 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,80 0,7881 0,7910 0,7939 0,7967 0,7996 0,8023 0,8051 0,8079 0,8106 0,8133
0,90 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389

1,00 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,10 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,20 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,30 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
1,40 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1,50 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9430 0,9441
1,60 0,9452 0,9463 0,9474 0,9485 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1,70 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,80 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9700 0,9706
1,90 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9762 0,9767

2,00 0,9773 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,10 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2,20 0,9861 0,9865 0,9868 0,9871 0,9875 0,9878 0,9881 0,9884 0,9887 0,9890
2,30 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,40 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,50 0,9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,60 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,70 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,80 0,9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9980 0,9980 0,9981
2,90 0,9981 0,9982 0,9983 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986

35
CHAPITRE 3. ÉTUDE D’UNE SÉRIE STATISTIQUE À DEUX VARIABLES 3.3. EXERCICES

Grandes valeurs de x
x 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8
Φ(x) 0,99865 0,99903 0,99931 0,99952 0,99966 0,99977 0,99984 0,99989 0,99993

Quantiles usuels de la loi normale centrée réduite.

Pour tout p ∈ ]0, 1[, le quantile d’ordre p de la loi normale centrée réduite est Φ−1 (p) = z
tel que P(X ⩽ z) = p.

p 0,5 0,75 0,8 0,9 0,95 0,975 0,99 0,995

−1
Φ (p) 0 0,67 0,84 1,28 1,64 1,96 2,33 2,58

36 KATCHEKPELE Edoh/FaST/UK/2025-2026