Université Claude Bernard Lyon 1

IREM de Lyon - Département de mathématiques

Stage ATSM - Août 2010

Cours de probabilités et statistiques

A. Perrut

contact : [Link]@[Link]
Chapitre 1

Le modèle probabiliste

1.1 Introduction
Les probabilités vont nous servir à modéliser une expérience aléatoire, c’est-à-dire
un phénomène dont on ne peut pas prédire l’issue avec certitude, et pour lequel on décide
que le dénouement sera le fait du hasard.
Exemples :
- l’enfant à naı̂tre sera une fille,
- l’équipe de l’OL va battre l’OM lors du prochain match qui les opposera,
- le dé va faire un nombre pair.

La première tâche qui vous attend est de décrire les différentes issues possibles de
cette expérience aléatoire. Puis on cherche à associer à chacune de ces éventualités un
nombre compris entre 0 et 1 qui mesure la chance qu’elles ont de se réaliser. Comment
interpréter/fixer ce nombre, appelé probabilité ? Il existe plusieurs manières de voir.
- Proportion :
On lance un dé. Quelle est la probabilité de A=”obtenir un chiffre pair”? Chaque face du
dé a la même chance, et il y en a 6. Quant aux chiffres pairs, ils sont 3. D’où, intuitivement,
P (A) = 63 = 1/2.
- Fréquence :
Un enfant est attendu. Quelle est la probabilité que ce soit une fille ? On a observé un
grand nombre de naissances. Notons kn le nombre de filles nées en observant n naissances.
Alors
kn
P (fille) = lim
n→+∞ n

mais cette limite a-t-elle un sens ?

- Opinion :
Quelle est la probabilité pour que l’équipe de Tunisie gagne la coupe d’Afrique des nations ?
pour que l’OL soit championne de France ? Dans ce cas, on ne peut pas rejouer le même
match dans les mêmes conditions plusieurs fois. On peut considérer les qualités des joueurs,
des entraı̂neurs, les résultats de la saison... Mais le choix de la probabilité est forcément
subjectif.

5
6 CHAPITRE 1. LE MODÈLE PROBABILISTE

Attention aux valeurs des probabilités ! Elles sont choisies de manière arbitraire par le
modélisateur et il faut les manipuler avec soin.

1.2 Espace des possibles, événements

On étudie une expérience aléatoire. L’espace des possibles ou univers décrit tous
les résultats possibles de l’expérience. Chacun de ces résultats est appelé événement
élémentaire. On note souvent l’espace des possibles Ω et un résultat élémentaire ω. Un
événement est un sous-ensemble de Ω, ou une réunion d’événements élémentaires. On dit
qu’un événement est réalisé si un des événements élémentaires qui le constitue est réalisé.
Les événements sont des ensembles, représentés souvent par des lettres capitales.

Exemples :
- Match OL-OM : Ω = {OL gagne, OM gagne, match nul}. Donc Ω est composé de trois
événements élémentaires. On peut considérer par exemple l’événement qui correspond à
“Lyon ne gagne pas”.
- On lance un dé : Ω = {1, 2, ..., 6}. On peut s’intéresser à l’événement A=“on obtient un
chiffre pair”, ie A = {2, 4, 6}.
- On lance deux dés : Ω = {1, ..., 6} × {1, ..., 6} = {(i, j) : 1 ≤ i ≤ 6, 1 ≤ j ≤ 6}. Ici, un
événement élémentaire ω est un couple (i, j), où i représente le résultat du premier dé et
j celui du second.
- On lance trois fois une pièce de monnaie. Les événements élémentaires vont décrire le plus
précisément possible le résultat de cette expérience. Donc un événement élémentaire ω est
un triplet (r1 , r2 , r3 ) qui donne les résultats des trois lancers (dans l’ordre). L’événement
B : “on obtient pile au deuxième lancer” est

B = {(f, p, f ), (f, p, p), (p, p, f ), (p, p, p)}

L’événement B est réalisé si on obtient l’un des événements élémentaires listés ci-avant. Il
n’est parfois pas nécessaire de connaı̂tre tous ces détails. On pourra choisir : ω représente
le nombre de “face” obtenus. Alors, Ω = {0, 1, 2, 3}. Le modèle est beaucoup plus simple,
mais ne permet pas de décrire des événements tels que B.

Il existe un vocabulaire propre aux événements, différent du vocabulaire ensembliste.

1.3. PROBABILITÉ 7

notations vocabulaire ensembliste vocabulaire probabiliste

Ω ensemble plein événement certain
∅ ensemble vide événement impossible
ω élément de Ω événement élémentaire
A sous-ensemble de Ω événement
ω∈A ω appartient à A ω réalise A
A⊂B A inclus dans B A implique B
A∪B réunion de A et B A ou B
A∩B intersection de A et B A et B
Ac ou A complémentaire de A événement contraire de A
A∩B =∅ A et B disjoints A et B incompatibles

1.3 Probabilité

On se limite dans ce cours à étudier les univers dénombrables. La probabilité d’un

événement est une valeur numérique qui représente la proportion de fois où l’événement
va se réaliser, quand on répète l’expérience dans des conditions identiques. On peut dé-
duire de cette définition qu’une probabilité doit être entre 0 et 1 et que la probabilité d’un
événement est la somme des probabilités de chacun des événements élémentaires qui le
constituent. Enfin, la somme des probabilités de tous les éléments de Ω est 1.
Important : rappelons qu’un événement n’est rien d’autre qu’une partie de Ω. Une proba-
bilité associe à chaque événement un nombre entre 0 et 1. Il s’agit donc d’une application
de l’ensemble des parties de Ω, noté P(Ω), dans [0, 1].
Exemple : soit Ω = {0, 1, 2}. Construisons P(Ω).
n o
P(Ω) = ∅, {0}, {1}, {2}, {0, 1}, {0, 2}, {1, 2}, Ω

Définition 1 Une probabilité est une application sur P(Ω), l’ensemble des parties de Ω,
telle que :
- 0 ≤ P (A) ≤ 1, pour tout événement A ⊂ Ω
X
- P (A) = P (ω), pour tout événement A
ω∈A
X
- P (Ω) = P (ω) = 1
ω∈Ω

Que signifie “un événement A a pour probabilité...”?

0.95 : A va très probablement se produire.
0.03 : A a très peu de chance d’être réalisé.
4.0 : incorrect.
-2 : incorrect.
0.4 : A va se produire dans un peu moins de la moitié des essais.
0.5 : une chance sur deux.
0 : aucune chance que A soit réalisé.
8 CHAPITRE 1. LE MODÈLE PROBABILISTE

De la définition, on peut facilement déduire la proposition suivante, fort utile pour

faire quelques calculs :

Proposition 2 Soient A et B deux événements.

1) Si A et B sont incompatibles, P (A ∪ B) = P (A) + P (B).
2) P (Ac ) = 1 − P (A).
3) P (∅) = 0.
5) P (A ∪ B) = P (A) + P (B) − P (A ∩ B).

preuve : 1) immédiat d’après le second point de la définition d’une probabilité.

2) Comme A et Ac sont incompatibles, 1 = P (Ω) = P (A ∪ Ac ) = P (A) + P (Ac ).
3) P (∅) = 1 − P (∅c ) = 1 − P (Ω) = 0.
4) La technique est très souvent la même pour calculer la probabilité d’une réunion d’en-
sembles : on écrit cette réunion comme une union d’ensembles incompatibles, puis on utilise
le 1). Ici, on écrit A ∪ B = A ∪ (B ∩ Ac ) et on obtient : P (A ∪ B) = P (A) + P (A ∪ (B ∩ Ac )).
Puis on écrit B = (B ∩ A) ∪ (B ∩ Ac ) pour déduire P (B) = P (B ∩ A) + P (B ∩ Ac ). En
rassemblant ces deux égalités, on obtient la proposition.
Signalons une définition plus générale de probabilité, valable pour des espaces des
possibles non dénombrables.

Définition 3 Soit une expérience aléatoire et Ω l’espace des possibles associé. Une pro-
babilité sur Ω est une application, définie sur l’ensemble des événements, qui vérifie :
- axiome 1 : 0 ≤ P (A) ≤ 1, pour tout événement A
- axiome 2 : pour toute suite d’événements (Ai )i∈N , deux à deux incompatibles,
³[ ´ X
P Ai = P (Ai )
i∈N i∈N

- axiome 3 : P (Ω) = 1

NB : les événements (Ai )i∈N sont deux à deux incompatibles, si pour tous i 6= j, Ai ∩Aj = ∅.
Exemple important : probabilité uniforme
Soit Ω un ensemble fini. Il arrive, comme quand on lance un dé équilibré, que les événe-
ments élémentaires ont tous la même probabilité. On parle alors d’événements élémentaires
équiprobables. Notons p la probabilité de chaque événement élémentaire. Alors
X X
1 = P (Ω) = P (ω) = p = p × card(Ω)
ω∈Ω ω∈Ω

1
D’où p = P (ω) = , pour tout ω. La probabilité ainsi définie sur l’ensemble Ω
card(Ω)
s’appelle probabilité uniforme. La probabilité d’un événement A se calcule facilement :
X card(A)
P (A) = P (ω) =
card(Ω)
ω∈A

Attention ! Cette formule n’est valable que lorsque les événements élémentaires
sont bien équiprobables. Dans ce cas, il suffit de savoir calculer le cardinal des ensembles
considérés pour calculer les probabilités.
1.4. INDÉPENDANCE ET CONDITIONNEMENT 9

Un rappel des techniques de dénombrement est disponible à l’annexe A.

On est maintenant en mesure de modéliser des expériences aléatoires simples, c’est-à-

dire :
- choisir Ω,
- choisir une probabilité sur Ω en justifiant ce choix.
Attention, pour décrire une probabilité, il faut donner P (A) pour tout A ⊂ Ω. Ou alors,
on peut plus simplement donner P (ω) pour tout ω ∈ Ω. Le lecteur déduira P (A) pour
tout A d’après la définition d’une probabilité.

1.4 Indépendance et conditionnement

Exemple 4 Quelle est la probabilité d’avoir un cancer du poumon ?
Information supplémentaire : vous fumez une vingtaine de cigarettes par jour. Cette in-
formation va changer la probabilité.

L’outil qui permet cette mise à jour est la probabilité conditionnelle.

Définition 5 Étant donnés deux événements A et B, avec P (A) > 0, on appelle pro-
babilité de B conditionnellement à A, ou sachant A, la probabilité notée P (B|A) définie
par
P (A ∩ B)
P (B|A) =
P (A)
On peut écrire aussi P (A ∩ B) = P (B|A)P (A).

Utilisation 1 : quand P (A) et P (A ∩ B) sont faciles à calculer, on peut en déduire P (B|A).

Utilisation 2 : Quand P (B|A) et P (A) sont faciles à trouver, on peut obtenir P (A ∩ B).
De plus, la probabilité conditionnelle sachant A, P (.|A), est une nouvelle probabilité
et possède donc toutes les propriétés d’une probabilité.

Exemple 6 Une urne contient r boules rouges et v boules vertes. On en tire deux, l’une
après l’autre (sans remise). Quelle est la probabilité d’avoir deux boules rouges ?
Choisissons Ω qui décrit les résultats de l’expérience précisément.

Ω = {rouge, verte} × {rouge, verte}

Un événement élémentaire est un couple (x, y) où x est la couleur de la première boule
tirée et y la couleur de la seconde.
Soit A l’événement “la première boule est rouge” et B l’événement “la seconde boule est
rouge”.
r−1 r
P (A ∩ B) = P (B|A)P (A) = ·
r+v−1 r+v
Proposition 7 (Formule des probabilités totales) Soit A un événement tel que 0 <
P (A) < 1. Pour tout événement B, on a

P (B) = P (B|A)P (A) + P (B|Ac )P (Ac )

10 CHAPITRE 1. LE MODÈLE PROBABILISTE

preuve : Comme A ∪ Ac = Ω, P (B) = P (B ∩ (A ∪ Ac )) = P ((B ∩ A) ∪ (B ∩ Ac )). Or B ∩ A

et B ∩ Ac sont incompatibles. On en déduit

P (B) = P (B ∩ A) + P (B ∩ Ac )

La définition de la probabilité conditionnelle permet de conclure. ¤

Exemple 6 (suite) : quelle est la probabilité pour que la seconde boule tirée soit rouge ?
On garde le même formalisme.

P (B) = P (B|A)P (A) + P (B|Ac )P (Ac )

r−1 r r v
= · + ·
r+v−1 r+v r+v−1 r+v
r
=
r+v

Définition 8 Soit (Ai )i∈I une famille d’événements. On l’appelle partition de Ω si elle
vérifie les deux conditions :
(i) ∪i∈I Ai = Ω
(ii) les Ai sont deux à deux incompatibles : pour tous i 6= j, Ai ∩ Aj = ∅.

Proposition 9 (Formule des probabilités totales généralisée) Soit (Ai )i∈I une par-
tition de Ω, telle que P (Ai ) > 0, pour tout i ∈ I. Alors, pour tout événement B,
X
P (B) = P (B|Ai )P (Ai )
i∈I

La formule des probabilités totales permet de suivre les étapes de l’expérience aléatoire
dans l’ordre chronologique. Nous allons maintenant voir une formule à remonter le temps...

Proposition 10 (Formule de Bayes) Soit A et B deux événements tels que 0 < P (A) <
1 et P (B) > 0. Alors,

P (B|A)P (A)
P (A|B) =
P (B|A)P (A) + P (B|Ac )P (Ac )

preuve :
P (A ∩ B) P (B|A)P (A)
P (A|B) = =
P (B) P (B)
et on conclut en remplaçant P (B) par son expression donnée par la formule des probabilités
totales. ¤

Proposition 11 (Formule de Bayes généralisée) Soit (Ai )i∈I une partition de Ω, telle
que P (Ai ) > 0, pour tout i ∈ I. Soit un événement B, tel que P (B) > 0. Alors, pour tout
i ∈ I,
P (B|Ai )P (Ai )
P (Ai |B) = P
j∈I P (B|Aj )P (Aj )
1.5. RÉPÉTITIONS INDÉPENDANTES 11

Exemple 12 Deux opérateurs de saisie, A et B, entrent respectivement 100 et 200 ta-

bleaux sur informatique. Les tableaux de A comportent des fautes dans 5,2% des cas et
ceux de B dans 6,7% des cas. On prend un tableau au hasard. Il comporte des fautes.
Quelle est la probabilité pour que A se soit occupé de ce tableau ?
Soient les événements :
TA =“ le tableau est entré par A”,
TB = (TA )c“ le tableau est entré par B”,
F =“ le tableau comporte des fautes”.
D’après le théorème de Bayes,

P (F |TA )P (TA )
P (TA |F ) =
P (F |TA )P (TA ) + P (F |TB )P (TB )
0.052 ∗ 1/3
= = 0.279
0.052 ∗ 1/3 + 0.067 ∗ 2/3

Définition 13 Deux événements A et B sont dits indépendants si

P (A ∩ B) = P (A)P (B)

S’il sont de probabilité non nulle, alors

P (B|A) = P (B) ⇐⇒ P (A|B) = P (A) ⇐⇒ P (A ∩ B) = P (A)P (B)

remarque 1 : A et B sont donc indépendants si la connaissance de la réalisation de l’un

n’influence pas la probabilité de l’autre.
remarque 2 : deux événements incompatibles A et B, avec P (A) > 0 et P (B) > 0, ne
sont jamais indépendants. En effet, A ∩ B = ∅ entraı̂ne P (A ∩ B) = 0 6= P (A)P (B).

1.5 Répétitions indépendantes

Quand on étudie une expérience aléatoire qui peut se décomposer en plusieurs petites
expériences aléatoires indépendantes, les calculs sont aisés. Et quand on a la probabilité
uniforme pour chacune de ces petites expériences aléatoires, on a encore la probabilité
uniforme sur l’expérience aléatoire totale.

Proposition 14 Soit Ω = E ×F où E est de cardinal n et F de cardinal p. Supposons que

l’on choisisse avec la probabilité uniforme un élément de E, et, de manière indépendante,
un élément de F toujours avec la probabilité uniforme. Alors chaque élément ω = (x, y)
de Ω a la même probabilité, qui vaut

1 1
P (ω) = P ((x, y)) = = = PE ({x})PF ({y})
card(Ω) np

Exemple 15 On lance une pièce de monnaie équilibrée et un dé équilibré.

Ω = {P, F } × {1, ..., 6}

12 CHAPITRE 1. LE MODÈLE PROBABILISTE

Comme on a la probabilité uniforme sur {P, F } et sur {1, ..., 6}, on a finalement la proba-
bilité uniforme sur Ω et
1
∀ω ∈ Ω, P (ω) = = 1/12
card(Ω)

Proposition 16 On répète N fois, de manière indépendante, la même expérience aléa-

toire modélisée par un univers Ω et par une probabilité P . Alors le nouvel univers est
ΩN = Ω × · · · Ω, et la probabilité associée est
³ ´
N
P (ω1 , ..., ωN ) = P (ω1 ) · · · P (ωN )

En particulier, si P est la probabilité uniforme sur Ω, alors P N est la probabilité uniforme

sur ΩN .

Le chevalier de Méré :
le Chevalier de Méré avait constaté qu’il obtenait plus souvent 11 que 12 avec trois dés.
Pourtant, le nombre de combinaisons dont la somme fait 12 est le même que le nombre de
combinaisons dont la somme fait 11. Alors ?

1.6 Exercices
Exercice 1 – Proposer un univers Ω pour les expériences aléatoires suivantes et dénombrer
les résultats possibles :
1) On lance un dé.
2) On lance 2 dés.
3) On tire trois cartes dans un jeu .
4) On place les 5 lettres qui forment “proba” au hasard sur une réglette de Scrabble.
5) On place les 6 lettres qui forment “erreur” au hasard sur une réglette de Scrabble.

Exercice 2 – Soit P une probabilité sur un ensemble Ω et deux événements A et B. On

suppose que

P (A ∪ B) = 7/8, P (A ∩ B) = 1/4, P (A) = 3/8.

Calculer P (B), P (A ∩ B c ), P (B ∩ Ac ).

Exercice 3 – Supposons que les faces d’un dé sont truquées de telle manière que les numé-
ros impairs ont chacun la même chance d’apparaı̂tre, chance qui est deux fois plus grande
que pour chacun des numéros pairs. On jette le dé. Quelle est la probabilité d’obtenir un
nombre supérieur ou égal à 4 ?

Exercice 4 – Un parking contient douze places alignées. Huit voitures s’y sont garées au
hasard, et l’on observe que les quatre places libres se suivent. Est-ce surprenant ?
1.6. EXERCICES 13

Exercice 5 — La probabilité qu’un objet fabriqué à la chaı̂ne ait un défaut est de 0, 01.
Trouver la probabilité que, dans un lot de 100 objets, il y ait au moins un objet défectueux.
Quelle est la probabilité qu’il y ait, dans un tel lot, exactement un objet défectueux ?

Exercice 6 – Soient M1 , M2 , M3 trois personnes. La première M1 dispose d’une infor-

mation codée sous forme + ou −. Elle la transmet à la deuxième personne M2 . Puis M2
la transmet à M3 . Malheureusement, à chaque fois que l’information est transmise, il y a
une probabilité p que l’information soit changée en son contraire. En tenant compte du
fait que deux changements rétablissent la vérité, quelle est la probabilité pour que M3 ait
le bon message ?
Et si M3 transmet l’information dont il dispose à une quatrième personne M4 , quelle est
la probabilité pour que M4 ait la bonne information ?
Lorsque p = 0.2, quelle est la valeur numérique de cette probabilité ?

Exercice 7 — Un nouveau vaccin a été testé sur 12500 personnes ; 75 d’entre elles, dont 35
femmes enceintes, ont eu des réactions secondaires nécessitant une hospitalisation. Parmi
les 12500 personnes testées, 680 personnes sont des femmes enceintes.
1. Quelle est la probabilité pour une femme enceinte, d’avoir une réaction secondaire si
elle reçoit un vaccin ?
2. Quelle est la probabilité pour une personne non enceinte, d’avoir une réaction secon-
daire ?

Exercice 8 — Dans une usine, la machine A fabrique 60% des pièces, dont 2% sont
défectueuses.
La machine B fabrique 30% des pièces, dont 3% sont défectueuses.
La machine C fabrique 10% des pièces, dont 4% sont défectueuses.
1. On tire une pièce au hasard dans la fabrication. Quelle est la probabilité qu’elle soit
défectueuse ?
2. On tire une pièce au hasard dans la fabrication. Elle est défectueuse. Quelle est la
probabilité qu’elle ait été fabriquée par la machine A ? par la machine B ? par la machine
C?

Exercice 9 — Dans une jardinerie : 25% des plantes ont moins d’un an, 60% ont de 1
à 2 ans, 25% ont des fleurs jaunes, 60% ont des fleurs roses, 15% ont des fleurs jaunes et
moins d’un an, 3% ont plus de 2 ans et n’ont ni fleurs jaunes, ni fleurs roses. 15% de celles
qui ont de 1 à 2 ans, ont des fleurs jaunes, 15% de celles qui ont de 1 à 2 ans, n’ont ni
fleurs jaunes ni fleurs roses. On suppose que les fleurs ne peuvent pas être à la fois jaunes
et roses.
On choisit une plante au hasard dans cette jardinerie.
1. Quelle est la probabilité qu’elle ait moins d’un an et des fleurs roses ?
2. Quelle est la probabilité qu’elle ait des fleurs roses, sachant qu’elle a plus de 2 ans ?
3. Quelle est la probabilité qu’elle ait plus de deux ans et des fleurs jaunes ?
14 CHAPITRE 1. LE MODÈLE PROBABILISTE

Exercice 10 — Deux chauffeurs de bus se relaient sur la même ligne. Lors d’une grève,
le premier a 60% de chances de faire grève et le second 80%. Pendant la prochaine grève,
quelle est la probabilité pour qu’un seul des deux chauffeurs fasse grève ?

Exercice 11 — Une loterie comporte 500 billets dont deux seulement sont gagnants.
Combien doit-on acheter de billets pour que la probabilité d’avoir au moins un billet
gagnant soit supérieure ou égale à 0.5 ?

Exercice 12 — 1. Dans une classe de 36 élèves, quelle est la probabilité pour que deux
élèves au moins soient nés le même jour ? (on considèrera que l’année compte 365 jours,
et que toutes les dates d’anniversaires sont indépendantes et équiprobables).
2. Généraliser ce résultat pour une classe de n élèves. Tracer le résultat obtenu.
Chapitre 2

Variables aléatoires discrètes

Le travail sur les événements devient vite fastidieux, ainsi nous allons maintenant nous
restreindre à étudier des grandeurs numériques obtenues pendant l’expérience aléatoire.

2.1 Définitions
Définition 17 Une variable aléatoire (v.a.) X est une fonction définie sur l’espace fon-
damental Ω, qui associe une valeur numérique à chaque résultat de l’expérience aléatoire
étudiée. Ainsi, à chaque événement élémentaire ω, on associe un nombre X(ω).

Exemple 18 On lance trois fois une pièce et on s’intéresse au nombre X de fois ou PILE
apparaı̂t. Il y a deux manières de formaliser cette phrase. Tout d’abord, à chaque événement
élémentaire ω, on associe X(ω). Ainsi,

ω PPP PPF PFP FPP FFP FPF PFF FFF

valeur de X 3 2 2 2 1 1 1 0
Ensuite, comme on observe que plusieurs événements élémentaires donnent la même
valeur, on peut les regrouper et obtenir des événements (événement = réunion d’événe-
ments élémentaires) qui correspondent à des valeurs distinctes de X :

k (valeur prise par X) 3 2 1 0

événement [X = k] {PPP} {PPF,PFP,FPP} {PFF,FPF,FFP} {FFF}

On peut d’emblée observer que les événements (X = 0), (X = 1), (X = 2) et (X = 3)

sont deux à deux disjoints. De plus, la réunion de ces événements est Ω.
Il est aisé de voir que pour toute v.a., les événements correspondant à des valeurs
distinctes de X sont incompatibles. Autrement dit, dès que i 6= j, les événements
(X = i) et (X = j) sont incompatibles : (X = i) ∩ (X = j) = ∅. De plus, la réunion de
ces événements forme l’espace Ω tout entier :
[
(X = k) = Ω
k

15
16 CHAPITRE 2. VARIABLES ALÉATOIRES DISCRÈTES

Une variable qui ne prend qu’un nombre dénombrable de valeurs est dite discrète, sinon,
elle est dite continue (exemples : hauteur d’un arbre, distance de freinage d’une voiture
roulant à 100 km/h). Les v.a. continues seront étudiées plus tard.

Définition 19 La loi d’une variable aléatoire discrète X est la liste de toutes les valeurs
différentes que peut prendre X avec les probabilités qui leur sont associées. On utilisera
souvent une formule, plutôt qu’une liste.

Exemple 18 : nous avons déjà la liste de tous les événements élémentaires et ils sont
équiprobables, de probabilité 1/8. D’après la composition des événements [X = k], pour
k = 0, ..., 3, on peut déduire facilement la loi de X.
valeur de X (événement) [X = 3] [X = 2] [X = 1] [X = 0]
composition de l’événement {PPP} {PPF,PFP,FPP} {PFF,FPF,FFP} {FFF}
probabilité 1/8 3/8 3/8 1/8

Un autre outil permet de caractériser la loi d’une v.a. : il s’agit de la fonction de

répartition empirique.

Définition 20 Soit X une v.a.. On appelle fonction de répartition de X la fonction de R

dans [0, 1], définie pour tout x ∈ R par

F (x) = P [X ≤ x]

Exemple : X est le nombre de Face quand on lance trois fois une pièce. On a vu que la loi
de X est

P [X = 0] = 1/8, P [X = 1] = P [X = 2] = 3/8, P [X = 3] = 1/8

D’où, 

 0 si x < 0,




 1/8 si 0 ≤ x < 1,
F (x) = 4/8 si 1 ≤ x < 2,



 7/8 si 2 ≤ x < 3,



1 si x≥3
Remarque : deux v.a. ayant même loi ont même fonction de répartition.

Proposition 21 Soit F une fonction de répartition. Alors

1) F est croissante,
2) F est continue à droite et admet une limite à gauche en tout point x égale à P [X < x],
3)
lim F (x) = 0, lim F (x) = 1
x→ −∞ x→ +∞

Pour une v.a. discrète, la fonction de répartition est une fonction en escalier, avec un saut
en chaque valeur k de X(Ω) et la hauteur de ces sauts est la probabilité P (X = k).

Une fois la loi d’une v.a. établie, on peut calculer, comme pour une série statistique,
un indicateur de position (l’espérance) et un indicateur de dispersion (la variance).
2.1. DÉFINITIONS 17

Définition 22 L’espérance ou moyenne d’une v.a. discrète X est le réel

X
E[X] = kP [X = k]
k
où on somme sur toutes les valeurs k que peut prendre X.
Un résultat remarquable permet de calculer facilement l’espérance d’une fonction de X
connaissant la loi de X : c’est le théorème du transfert.
Théorème 23 Pour toute fonction g,
X
E[g(X)] = g(k)P [X = k]
k
preuve : observons que g(X) = y ssi X = x avec g(x) = y. Ainsi,
X
P (g(X) = y) = P (X = x)
x:g(x)=y

Multiplions cette égalité par y puis sommons :

X X X X
E(Y ) = yP (Y = y) = g(x)P (X = x) = g(x)P (X = x)
y y x:g(x)=y x

¤
Définition 24 La variance d’une v.a. discrète X est le réel positif
h i X
Var(X) = E (X − E[X])2 = (k − E[X])2 P [X = k] = E[X 2 ] − E[X]2
k
et l’écart-type de X est la racine carrée de sa variance.
Remarque : l’espérance n’a pas toujours un sens quand X(Ω) est infini. Dans ce cas, X a
une espérance si
X
|k|P (X = k) < ∞
k∈X(Ω)
L’espérance d’une v.a. est la moyenne des valeurs que peut prendre X, pondérée par les
probabilités de ces valeurs. On appelle souvent l’espérance tout simplement moyenne de
X : elle correspond à une valeur moyenne autour de laquelle sont réparties les valeurs que
peut prendre X. L’écart-type (ou la variance) mesure la dispersion de la v.a. X autour de
sa valeur moyenne E[X].
L’espérance et sa variance ne dépendent de X qu’à travers sa loi : deux variables qui ont
même loi ont même espérance, même variance.
Exemple 18 : nous avons la loi du nombre X de PILE quand on lance trois fois une pièce.
3
X 1 3 3 1 12 3
E[X] = kP [X = k] = 3 · +2· +1· +0· = =
8 8 8 8 8 2
k=0
3
X
2 2
Var(X) = E[X ] − E[X] = k 2 P [X = k] − E[X]2
k=0
µ !2
1 3 3 1 3
= 3 · + 22 · + 12 · + 02 · −
2
8 8 8 8 2
3
=
4
18 CHAPITRE 2. VARIABLES ALÉATOIRES DISCRÈTES

Fréquences empiriques VERSUS loi de probabilité

Il ne faut pas confondre les fréquences observées sur un échantillon et la loi de probabi-
lité. Reprenons l’exemple 18. J’ai fait l’expérience de lancer 10 fois trois pièces de monnaie
en relevant à chaque fois le nombre de PILE obtenus. Voici les fréquences observées :

nbr de PILE [X = 3] [X = 2] [X = 1] [X = 0]
probabilité 0.125 0.375 0.375 0.125
fréquence observée 0.2 0.6 0.1 0.1

Quand le nombre d’essais augmente, les fréquences observées sont de plus en plus
proches des valeurs théoriques données par la loi de probabilité (preuve plus tard). C’est
pourquoi, quand on ne peut pas déterminer la loi d’une v.a. aussi facilement que dans
cet exemple, on considère que les fréquences empiriques (c’est-à-dire mesurées sur un
échantillon) sont des valeurs approchées des probabilités. Il n’en reste pas moins qu’il
ne faut pas assimiler ces deux objets, et bien comprendre la différence entre la moyenne
théorique, calculée à partir de la loi de probabilité, et la moyenne empirique, calculée à
partir de quelques observations.

2.2 Indépendance et conditionnement

Définition 25 Deux v.a. X et Y sont dites indépendantes si, pour tous i et j, les événe-
ments {X = i} et {Y = j} sont indépendants, ie

P [X = i, Y = j] = P [X = i]P [Y = j]

Attention ! Si X et Y ne sont pas indépendantes, connaı̂tre la loi de X et celle de Y

ne suffit pas pour connaı̂tre la loi de (X, Y ), qui est la donnée, pour tous i et j, de
P [(X, Y ) = (i, j)] = P [X = i, Y = j].

Proposition 26 (La formule des probabilités totales) Soient X et Y deux v.a.. Pour
tout i ∈ X(Ω),
X
P [X = i] = P [X = i|Y = j]P [Y = j]
j∈Y (Ω)

preuve : on peut appliquer la formule des probabilités totales 9 car les événements Y = j
forment une partition de Ω. ¤

Exemple 27 On lance deux dés équilibrés et on note X et Y les deux chiffres obtenus.
Soit Z = X + Y . Quelle est la loi de Z ?
2.2. INDÉPENDANCE ET CONDITIONNEMENT 19

Méthode 1 : bien sûr, dans ce cas fini, on peut faire un tableau à double entrée avec la
valeur que prend X, la valeur que prend Y et la valeur de Z.

X\Y 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12

Les deux dés ne se téléphonent pas avant de décider sur quelle face ils vont tomber : leurs
résultats sont indépendants. Donc

pour tous 1 ≤ i, j ≤ 6, P [X = i, Y = j] = P [X = i]P [Y = j] = 1/36

Autrement dit, chaque case du tableau a la même probabilité 1/36. On en déduit : P [Z =

2] = P [Z = 12] = 1/36, P [Z = 3] = P [Z = 11] = 2/36, P [Z = 4] = P [Z = 10] = 3/36,
P [Z = 5] = P [Z = 9] = 4/36, P [Z = 6] = P [Z = 8] = 5/36, P [Z = 7] = 6/36. On vérifie
immédiatement que la somme de ces probabilité fait 1.
Méthode 2 : on utilise la formule des probabilités totales. Précisément, on conditionne par
les événements (X = i) (1 ≤ i ≤ 6), qui forment une partition de Ω, car quand on connaı̂t
la valeur que prend X, on peut facilement calculer la probabilité pour avoir Z = j. Soit
1 ≤ j ≤ 12.

6
X
P [Z = j] = P [Z = j|X = i]P [X = i]
i=1
6
1X
= P [X + Y = j|X = i]
6
i=1
6
1X
= P [Y = j − i|X = i]
6
i=1
X6
1
= P [Y = j − i]
6
i=1

La dernière égalité vient du fait que X et Y sont indépendants. Il suffit maintenant de se

rappeler que P [Y = k] = 1/6 seulement si k est dans {1, ..., 6}.

Théorème 28 1) Pour toutes v.a. X et Y , E[X + Y ] = E[X] + E[Y ].

2) Si X et Y sont indépendantes, Var(X + Y ) = Var(X) + Var(Y ).

preuve : pour le premier point, il faut observer que

X ³ ´ ³ ´
P (X = x, Y = y) = P (X = x) ∩ (∪y (Y = y)) = P (X = x) ∩ Ω = P (X = x)
y
20 CHAPITRE 2. VARIABLES ALÉATOIRES DISCRÈTES

et il vient
X
E[X + Y ] = (x + y)P (X = x, Y = y)
x,y
X X
= xP (X = x, Y = y) + yP (X = x, Y = y)
x,y x,y
X X
= xP (X = x) + yP (Y = y) = E[X] + E[Y ]
x y

Pour le second point, on montre tout d’abord que E(XY ) = E(X)E(Y ), la suite venant
facilement. Ainsi,
X
E[XY ] = xyP (X = x, Y = y)
x,y
X
= xyP (X = x)P (Y = y)
x,y
µX ¶µ X ¶
= xP (X = x) yP (Y = y)
x y
= E(X)E(Y )

2.3 Schéma de Bernoulli et loi binomiale

On s’intéresse ici à la réalisation ou non d’un événement. Autrement dit, on n’étudie
que les expériences aléatoires qui n’ont que deux issues possibles (ex : un patient à
l’hôpital survit ou non, un client signe le contrat ou non, un électeur vote démocrate ou
républicain...). Considérons une expérience aléatoire de ce type. On l’appelle une épreuve
de Bernoulli. Elle se conclut par un succès si l’événement auquel on s’intéresse est réalisé
ou un échec sinon. On associe à cette épreuve une variable aléatoire Y qui prend la valeur
1 si l’événement est réalisé et la valeur 0 sinon. Cette v.a. ne prend donc que deux valeurs
(0 et 1) et sa loi est donnée par :

P [Y = 1] = p, P [Y = 0] = q = 1 − p

On dit alors que Y suit une loi de Bernoulli de paramètre p, notée B(p). La v.a. Y a
pour espérance p et pour variance p(1 − p). En effet, E[Y ] = 0 × (1 − p) + 1 × p = p et
Var(Y ) = E[Y 2 ] − E[Y ]2 = E[Y ] − E[Y ]2 = p(1 − p).

Un schéma de Bernoulli est la répétition n fois de la même épreuve dans les mêmes
conditions.

Schéma de Bernoulli :
1) Chaque épreuve a deux issues : succès [S] ou échec [E].
2) Pour chaque épreuve, la probabilité d’un succès est la même, notons P (S) = p et
P (E) = q = 1 − p.
3) Les n épreuves sont indépendantes : la probabilité d’un succès ne varie pas, elle ne
dépend pas des informations sur les résultats des autres épreuves.
2.3. SCHÉMA DE BERNOULLI ET LOI BINOMIALE 21

Soit X la v.a. qui représente le nombre de succès obtenus lors des n épreuves d’un
schéma de Bernoulli. Alors on dit que X suit une loi binomiale de paramètres (n, p),
notée B(n, p). Cette loi est donnée par :
µ ¶
n k
P (X = k) = p (1 − p)n−k pour tout 0 ≤ k ≤ n
k
¡ ¢
où nk = k!(n−k)!
n!
.
En effet, on peut tout d’abord observer que le nombre de succès est un entier nécessai-
rement compris entre 0 et le nombre d’épreuves n. D’autre part, l’événement {X = k}
est une réunion d’événements élémentaires et chacun de ces événements élémentaires est
une suite de longueur n de la forme ω =[SSES...E] avec k S et n − k E. Un tel événement
élémentaire a la probabilité
P (ω) = pk (1 − p)n−k

Combien existe-t-il de suites à n éléments avec k S et n − k E ?

¡ ¢
Il en existe nk , le nombre de combinaisons de k S parmi n éléments. Finalement,
X
P (X = k) = P (ω)
ω:X(ω)=k

= card({ω : X(ω) = k}) pk (1 − p)n−k

µ ¶
n k
= p (1 − p)n−k
k

Proposition 29 Si X est une v.a. de loi B(n, p), l’espérance de X vaut np et sa variance
np(1 − p).

(preuve)

Exemple 30 (échantillon avec remise) On considère une population avec deux caté-
gories d’individus, A et B. On choisit de manière équiprobable un individu dans la popu-
lation. On note le résultat de l’épreuve, c’est-à-dire si l’individu appartient à la catégorie
A ou B. Puis on le remet dans le lot et on recommence : on choisit à nouveau un individu
dans la population... Cela constitue notre schéma de Bernoulli.
Supposons que les individus de la catégorie A sont en nombre NA dans la population qui
contient N individus. Alors pour chaque épreuve de Bernoulli, la probabilité d’avoir un
individu de la catégorie A (ce que nous appellerons un succès) est p = NA /N . Le nombre
d’individus, présents dans l’échantillon, qui appartiennent à la catégorie A est une va-
riable aléatoire, car sa valeur dépend du choix de l’échantillon, c’est-à-dire de l’expérience
aléatoire.
Quel est le nombre X d’individus de la catégorie A dans l’échantillon ? D’après ce qu’on
vient de voir, on est en présence d’un schéma de Bernoulli où NA /N est la probabilité de
succès et n est le nombre d’épreuves : une épreuve est le tirage d’un individu et un succès
correspond à l’événement “l’individu appartient à la catégorie A”. Donc X suit une loi
binomiale B(n, NA /N ).
22 CHAPITRE 2. VARIABLES ALÉATOIRES DISCRÈTES

Exemple 31 On s’intéresse à l’infection des arbres d’une forêt par un parasite. Soit p la
proportion d’arbres infectés. On étudie 4 arbres. Si un arbre est infecté, on dit qu’on a un
succès, sinon un échec. Soit X le nombre d’arbres infectés, parmi les 4. Alors X suit la
loi binomiale B(4, p).
¡¢
P (X = 0) = 40 q 4 = q 4 , Loi binomiale pour n=4, p=1/5

¡4¢ 1 3
P (X = 1) = 1 p q = 4pq 3 ,

0.4
¡¢
P (X = 2) = 42 p2 q 2 = 6p2 q 2 ,

0.3
¡¢
P (X = 3) = 43 p3 q 1 = 4p3 q,

probabilites
¡¢

0.2
P (X = 4) = 44 p4 = p4 .
Pour p = 1/5, on obtient les va-

0.1
leurs :

0.0
0 1 2 3 4

valeurs de X

Voici d’autres exemples.

Loi binomiale pour n=5, p=0.5 Loi binomiale pour n=10, p=0.5
0.20
0.25
probabilites

probabilites
0.15

0.10
0.05

0.00

0 1 2 3 4 5 0 2 4 6 8 10

valeurs de X valeurs de X

Loi binomiale pour n=10, p=0.2 Loi binomiale pour n=10, p=0.8
0.30

0.30
0.20

0.20
probabilites

probabilites
0.10

0.10
0.00

0.00

0 2 4 6 8 10 0 2 4 6 8 10

valeurs de X valeurs de X

Remarque : associons à chaque épreuve de Bernoulli une v.a. Yi (1 ≤ i ≤ n) qui vaut 1 si

on observe un succès au i-ème essai et 0 sinon. Alors le nombre de succès, noté X, vérifie
n
X
X= Yi
i=1

Autrement dit, une v.a de loi B(n, p) est une somme de n v.a indépendantes de loi B(p).
2.4. TROIS AUTRES LOIS DISCRÈTES 23

Exemple 32 Un nouveau traitement résout le problème de fragilité d’un matériel dans

50% des cas. Si on essaye sur 15 objets, quelle est la probabilité pour qu’au plus 6 de ces
objets soient résistants, pour que le nombre d’objets résistants soit compris entre 6 et 10,
pour que deux au plus restent fragiles. Quel est le nombre moyen d’objets rendus résistants
par le traitement ?

On suppose que les résultats concernant les 15 objets sont indépendants. Soit X le nombre
d’objets résistants à la suite du nouveau traitement. Alors X suit une loi B(15, 0.5) et

P [X ≤ 6] = P [X = 0] + P [X = 1] + · · · + P [X = 6]
µ ¶ µ ¶ µ ¶ µ ¶ µ ¶ µ ¶ µ ¶´
1 ³ 15 15 15 15 15 15 15
= 15
+ + + + + +
2 0 1 2 3 4 5 6
1
= (1 + 15 + 105 + 455 + 1365 + 3003 + 5005)
215
= 0.304

P [6 ≤ X ≤ 10] = P [X = 6] + P [X = 7] + P [X = 8] + P [X = 9] + P [X = 10] = 0.790

P [X ≥ 12] = P [X = 12] + P [X = 13] + P [X = 14] + P [X = 15]

= (455 + 105 + 15 + 1)/215
= 0.018

Enfin, E[X] = 15/2 = 7, 5.

2.4 Trois autres lois discrètes

2.4.1 Loi géométrique
Au lieu de réaliser un nombre fixé d’essais lors d’un schéma de Bernoulli, l’expérimenta-
teur s’arrête au premier succès. La valeur qui nous intéresse est le nombre d’essais effectués
jusqu’au premier succès inclus. Le nombre de succès est donc fixé à 1, mais le nombre d’es-
sais total Y est aléatoire et peut prendre n’importe quelle valeur entière supérieure ou
égale à 1. De plus,
∀k = 1, 2, ... P [Y = k] = p(1 − p)k−1

où p est toujours la probabilité de succès des épreuves de Bernoulli. On dit alors que Y
suit la loi géométrique de paramètre p, notée G(p).

Proposition 33 L’espérance de Y vaut 1/p et sa variance (1 − p)/p2 .

preuve : admettons tout d’abord que, sur [0, 1[,

µX
∞ ¶0 ∞
X ∞
X
k k 0
x = (x ) = kxk−1
k=0 k=0 k=1
24 CHAPITRE 2. VARIABLES ALÉATOIRES DISCRÈTES

et
µX
∞ ¶0 µ ¶0
k 1 1
x = =
1−x (1 − x)2
k=0

D’où, pour x = 1 − p,
∞
X ∞
X
E[Y ] = kP [X = k] = p k(1 − p)k−1 = p/p2 = 1/p
k=1 k=1

Un calcul analogue permet de calculer la variance (exercice).

2.4.2 Loi de Poisson

Cette loi est une approximation de la loi binomiale quand np est petit et n grand (en
pratique, n ≥ 50 et np ≤ 10). Une v.a. X de loi de Poisson de paramètre λ, notée P(λ),
vérifie
λk
∀k ∈ N, P [X = k] = exp(−λ)
k!
L’espérance et la variance de X sont égales à λ.
On utilise la loi de Poisson pour modéliser le nombre de tâches qui arrivent à un serveur
informatique pendant une minute, le nombre de globules rouges dans un ml de sang, le
nombre d’accidents du travail dans une entreprise pendant un an...
Dans le cas de l’approximation de la loi binomiale par la loi de Poisson, le paramètre de
la loi de Poisson est λ = np.

2.4.3 Loi uniforme

Mis à part le prestige dû à son nom, la loi uniforme est la loi de l’absence d’information.
Supposons qu’une v.a. X prenne les valeurs 1,2,...,n, mais que nous n’ayons aucune idée
de la loi de probabilité de X ; dans ce cas, après justification, on peut affecter à chaque
valeur le même poids : 1/n. Et

1
∀k = 1, ..., n, P [X = k] =
n

On montre facilement que

n+1 (n + 1)(n − 1)
E[X] = et Var(X) =
2 12

Exercice 2 — Soit X une v.a. dont la loi est donnée par

P [X = −1] = 0.2, P [X = 0] = 0.1, P [X = 4] = 0.3, P [X = 5] = 0.4

Calculer P [X ≤ 3], P [X > 2], l’espérance et la variance de X.

Chapitre 3

Variables aléatoires continues

On utilise des v.a. discrètes pour compter des événements qui se produisent de manière
aléatoire, et des v.a. continues quand on veut mesurer des grandeurs “continues” (distance,
masse, pression...).

3.1 Loi d’une v.a. continue

Un industriel fait relever régulièrement la pression dans une cuve de réaction chimique.
Voici les mesures obtenues en bar :
2.50 1.37 1.57 1.28 1.64 1.37 2.05 2.11 1.00 1.72
1.96 1.70 2.03 2.26 1.60 1.70 2.09 1.79 1.66 2.09
1.58 1.78 2.02 2.22 1.51 2.59 1.94 1.36 2.31 1.36
0.97 1.07 0.91 2.05 1.70 1.70 1.17 2.02 2.26 1.78
1.60 1.63 1.68 1.34 1.56 1.91 1.86 1.44 2.37
4
3
2
1
0

1.0 1.5 2.0 2.5

pression

Cette représentation graphique n’est pas pertinente : on regroupe les valeurs pour tracer
un histogramme.
Suivant le nombre de classes choisi, on obtient différents tracés. On peut imaginer de
raffiner encore en faisant d’autres mesures avec des instruments de mesure plus précis.

27
28 CHAPITRE 3. VARIABLES ALÉATOIRES CONTINUES

1.2
1.0

1.0
1.0
0.8

0.8
0.8
0.6

0.6
0.6
0.4

0.4
0.4
0.2

0.2
0.2
0.0

0.0

0.0
0.5 1.0 1.5 2.0 2.5 3.0 1.0 1.5 2.0 2.5 0.5 1.0 1.5 2.0 2.5 3.0

On aurait alors une courbe, d’aire 1 comme les histogrammes, qui représente la manière
dont sont réparties les valeurs de la v.a. X (voir les graphes et les données ci-dessus).
Cette courbe est la courbe d’une fonction appelée densité de probabilité ou simplement
densité. Une densité f décrit la loi d’une v.a. X en ce sens :
Z b
pour tous a, b ∈ R, P [a ≤ X ≤ b] = f (x)dx
a

et Z x
pour tout x ∈ R, F (x) = P [X ≤ x] = P [X < x] = f (u)du
−∞
On en déduit qu’une densité doit vérifier
Z
pour tout x ∈ R, f (x) ≥ 0 et f (x)dx = 1
R

Définition 34 On appelle densité de probabilité toute fonction réelle positive, d’inté-

grale 1.

Attention ! Pour une v.a. continue X, la densité f ne représente pas la probabilité de

l’événement {X = x}, car P [X = x] = 0. Il faut plutôt garder à l’esprit que

P [x ≤ X ≤ x + ∆x] = f (x).∆x

Important : La loi d’une v.a. X est donnée par

- sa densité
ou
- les probabilités P [a ≤ X ≤ b] pour tous a, b
ou
- les probabilités F (x) = P [X ≤ x] pour tout x (F est la fonction de répartition).

Remarque : P [X = x] = 0 pour tout x.

Proposition 35 La fonction de répartition F d’une v.a. X de densité f est continue,

croissante. Elle est dérivable en tout point x où f est continue et F 0 (x) = f (x). On a la
relation
P [a ≤ X ≤ b] = P [a < X ≤ b] = F (b) − F (a)
dès que b ≥ a.
30 CHAPITRE 3. VARIABLES ALÉATOIRES CONTINUES

3.3 La loi normale

3.3.1 Loi normale centrée réduite

C’est la loi la plus importante. Son rôle est central dans de nombreux modèles probabilistes
et dans toute la statistique. Elle possède des propriétés intéressantes qui la rendent agréable
à utiliser.

Définition 39 Une v.a. X suit une loi normale (ou loi gaussienne ou loi de Laplace-
Gauss) N (0, 1) si sa densité f est donnée par

1 ³ x2 ´
f (x) = √ exp − , pour tout x ∈ R
2π 2

R
Remarque : vérifions que f est d’intégrale 1. Notons I = R f.

µZ ¶µ Z ¶
2
I = f (x)dx f (y)dy
R R
Z Z ³ x2 + y 2 ´
1
= exp − dxdy
2π R R 2

On fait un changement de variable polaire : x = r cos θ et y = r sin θ. Alors dxdy = rdrdθ

et on obtient :
Z +∞Z 2π
21
I = exp(−r2 /2)rdθdr = 1
2π 0 0

Rappel : si X suit une loi normale N (0, 1), alors pour tous a < b,

Z b ³ x2 ´
1
P [a ≤ X ≤ b] = √ exp − dx = ϕ(b) − ϕ(a)
2π a 2

où ϕ est la fonction de répartition de X. Rappelons que ϕ est une primitive de la densité f .
Mais il n’existe pas de forme analytique de la primitive de f . On doit donc lire les valeurs
de ϕ dans une table disponible en annexe B, ou la faire calculer par un logiciel adapté
(ex : excel, matlab, R).
La courbe de la densité de la loi normale N (0, 1) porte le nom de “courbe en cloche”.
Elle tend vers 0 en l’infini, est croissante sur R− , puis décroissante. Elle admet donc un
maximum en 0. On peut voir aussi qu’elle est symétrique, de centre de symétrie 0.
3.3. LA LOI NORMALE 31

loi normale N(0,1)

0.4
0.3
0.2
0.1
0.0

−4 −2 0 2 4

Proposition 40 La v.a. X est centrée, c’est-à-dire de moyenne nulle, et réduite, c’est-

à-dire de variance 1. De plus, −X suit encore une loi normale centrée réduite.

preuve : le calcul de l’espérance est immédiat quand on a observé que xf (x) est une
fonction impaire. Le calcul de la variance se fait par une intégration par parties. Enfin,
montrons que X et −X ont même loi. Pour tous a, b ∈ R,
Z −a
P [a ≤ −X ≤ b] = P [−b ≤ X ≤ −a] = f (x)dx
−b

On effectue un le changement de variable : y = −x

Z b Z b
P [a ≤ −X ≤ b] = f (−y)dy = f (y)dy
a a

par symétrie de la fonction f . D’où

P [a ≤ −X ≤ b] = P [a ≤ X ≤ b]

Utilisation des tables

Pour calculer P [a ≤ X ≤ b] ou P [X ≤ x], on a recours au calcul numérique sur ordinateur
ou, plus simplement, à une table qui donne P [X ≤ x] pour tout décimal positif x à deux
chiffres après la virgule. Puis il faut remarquer que

P [a ≤ X ≤ b] = P [X ≤ b] − P [X ≤ a]

puis on lit les probabilités dans la table si a et b sont positifs. Pour trouver P [X ≤ −x]
quand x > 0, on utilise le fait que X et −X ont même loi :

P [X ≤ −x] = P [−X ≥ x] = P [X ≥ x] = 1 − P [X ≤ x]
32 CHAPITRE 3. VARIABLES ALÉATOIRES CONTINUES

Exemple : on cherche à calculer P [1 ≤ X ≤ −1].

³ ´
P [−1 ≤ X ≤ 1] = P [X ≤ 1] − P [X ≤ −1] = P [X ≤ 1] − 1 − P [X ≤ 1]
= 2P [X ≤ 1] − 1 = 2 × 0.8413 − 1 = 0, 6826

Exemple : on cherche u ∈ R tel que P [−u ≤ X ≤ u] = 0.90.

P [−u ≤ X ≤ u] = 2P [X ≤ u] − 1

D’où P [X ≤ u] = 0.95 et u = 1.6446.

3.3.2 Loi normale : cas général

Proposition 41 Soient m ∈ R et σ > 0. Une v.a. X suit une loi normale N (m, σ) si sa
densité f est donnée par
1 ³ (x − m)2 ´
f (x) = √ exp − , pour tout x ∈ R
σ 2π 2σ 2

loi normale centrée

0.8

N(0,1)
N(0,3)
N(0,0.5)
0.6
0.4
0.2
0.0

−6 −4 −2 0 2 4 6

loi normale réduite

0.4

N(0,1)
N(2,1)
0.3
0.2
0.1
0.0

−4 −2 0 2 4 6
3.3. LA LOI NORMALE 33

X−m
Proposition 42 Si X suit une loi normale N (m, σ), Z = σ suit une loi normale
centrée réduite N (0, 1).

preuve : soient deux réels a < b.

· ¸
X −m
P [a ≤ Z ≤ b] = P a ≤ ≤b
σ
= P [m + aσ ≤ X ≤ m + bσ]
Z m+bσ ³ (x − m)2 ´
1
= √ exp − dx
m+aσ σ 2π 2σ 2
x−m
Changement de variable : z = σ
Z b ³ z2 ´
1
P [a ≤ Z ≤ b] = √ exp − dz
a 2π 2
³ ´
z2
Cette égalité étant vraie pour tous réels a < b, on en déduit que √12π exp − 2 est la
densité de Z, autrement dit, Z suit une loi normale centrée réduite N (0, 1). ¤

Proposition 43
E[X] = m et Var(X) = σ 2

preuve : immédiat avec la proposition précédente et la linéarité de l’espérance. ¤

On peut ainsi facilement se ramener à la loi normale centrée réduite. Comme la fonc-
tion de répartition ϕ de la loi normale centrée réduite est tabulée, on se ramènera même
systématiquement à cette loi pour calculer des probabilités. Plus précisément, si X est de
loi N (m, σ), et a et b sont deux réels, on calcule P [a ≤ X ≤ b] ainsi :
" # " #
a−m X −m b−m a−m b−m
P [a ≤ X ≤ b] = P ≤ ≤ =P ≤Z≤
σ σ σ σ σ

où Z est de loi N (0, 1). Donc

à ! à !
b−m a−m
P [a ≤ X ≤ b] = ϕ −ϕ
σ σ

On peut aussi remarquer que si Z est de loi N (0, 1), alors −Z aussi et donc, pour u > 0,

P [−u ≤ Z ≤ u] = P [Z ≤ u] − P [Z ≤ −u] = P [Z ≤ u] − P [Z ≥ u]
= P [Z ≤ u] − (1 − P [Z ≤ u]) = 2P [Z ≤ u] − 1

Exemple : Soit X une v.a. de loi N (15, 4). Quelle est la probabilité P [10 ≤ X ≤ 22] ?
h 10 − 15 X − 15 22 − 15 i
P [10 ≤ X ≤ 22] = P ≤ ≤ = P [−1.25 ≤ Y ≤ 1.75]
4 4 4
où Y suit une loi N (0, 1). Ainsi,

P [10 ≤ X ≤ 22] = P [Y ≤ 1.75] + P [Y ≤ 1.25] − 1 = 0.9599 + 0.8944 − 1 = 0.8543

Annexe A

Cardinaux et dénombrement

Définition 65 Soit A un ensemble fini. Le cardinal de A, noté |A|, est le nombre d’élé-
ments que contient A.

Proposition 66 (Additivité) Soient A et B deux ensembles finis, disjoints (c’est-à-dire

A ∩ B = ∅). Alors
|A ∪ B| = |A| + |B|

Proposition 67 (Inclusion-exclusion) Soient A et B deux ensembles finis.

|A ∪ B| = |A| + |B| − |A ∩ B|

Proposition 68 (Multiplicativité) Soient A et B deux ensembles finis. Alors |A×B| =

|A| · |B|

Corollaire 69 Soit A un ensemble fini de cardinal n. Le nombre de suites de longueur r

constituées d’éléments de A est nr .

Théorème 70 (Principe du dénombrement) On réalise deux expériences qui peuvent

produire respectivement n et m résultats différents. Au total, pour les deux expériences
prises ensemble, il existe n.m résultats possibles.

Définition 71 Soit A un ensemble fini. Une permutation de A est une manière d’ordon-
ner, d’arranger les éléments de A.

Théorème 72 Il y a n! permutations d’un ensemble de cardinal n.

preuve : clair par le principe du dénombrement. ♣

exemple : combien existe-t-il d’anagrammes de PROBA ?

Théorème 73 Soient n objets distinguables. Le nombre de permutations de r objets, pris

parmi les n objets, est
n!
Arn =
(n − r)!

57
58 ANNEXE A. CARDINAUX ET DÉNOMBREMENT

(on dit aussi arrangement de r objets pris parmi n)

preuve : pour la première place, il y a n objets possibles,
pour la seconde, (n − 1) objets possibles,
...
pour la dernière, (n − r + 1) objets possibles.
Au total, n(n − 1)...(n − r + 1) possibilités, par le principe du dénombrement. ♣

Théorème 74 Le nombre de manières de choisir p éléments parmi n (sans tenir compte

de l’ordre) est µ ¶
n n!
=
p p!(n − p)!
Autrement dit, c’est le nombre de parties à p éléments pris parmi n éléments. On appelle
parfois ces parties des combinaisons de p éléments pris parmi n.

preuve : on regarde le nombre de permutations de ces p éléments et on obtient p! arran-

gements. Il y a donc p! fois plus d’arrangements que de combinaisons. ♣
¡ ¢ ¡ n ¢
Proposition 75 1) np = n−p
¡ ¢ ¡ ¢ ¡n−1¢
2) np = n−1 p +
Pn p−1
¡ ¢
3) (x + y) = p=0 np xp y n−p
n

Corollaire 76 Soit Ω un ensemble fini de cardinal n. Le cardinal de P(Ω) vaut 2n .

preuve : il existe 1 partie à 0 élément,

il existe n parties à 1 élément,
...
¡ ¢
il existe np parties à p éléments,
...
il existe 1 partie à n éléments.
Finalement, le nombre total de parties est
n µ ¶
X n µ ¶
X
n n r n−r
= 1 1 = (1 + 1)n = 2n
p p
p=0 p=0

Théorème 77 On considère n objets, parmi lesquels n1 sont indistinguables, n2 sont

indistinguables,..., nr sont aussi indistinguables. Le nombre de permutations différentes
n!
est
n1 !n2 ! · · · nr !

exemple : combien d’anagrammes de STAT ? 4 !/2 !=12

Tirage avec remise

On dispose d’une population de n objets, par exemple des boules numérotées de 1 à n dans
une urne. On effectue un tirage avec remise de r boules parmi les n boules : on pioche une
boule, on note son numéro, on la remet dans l’urne avant de repiocher la boule suivante,
 59

et ainsi de suite. On a n possibilités pour la première boule tirée, n pour la seconde...

Finalement, on a nr tirages différents.
Tirage sans remise
On tire toujours r boules parmi n, mais sans remise : on ne replace pas la boule dans
l’urne avant de tirer la suivante. Ainsi, on a n possibilités pour la première boule tirée,
n − 1 pour la seconde... Finalement, on a Arn tirages différents.
Tirage exhaustif
Cette fois, on tire r boules d’un coup et on se retrouve avec un “tas” de r boules devant
¡ ¢
soi. Le nombre de tirages différents est nr .
Il faut remarquer que les deux derniers tirages sont équivalents : c’est juste une
modélisation différente de la manipulation, une manière différente d’écrire les résultats des
tirages.

exemple : résultat du loto (6 numéros parmi 49).

- manière de voir 1 : on regarde en direct le tirage du loto et on obtient un arrangement
de 6 nombres pris dans {1, ..., 49}. On a alors ω = (x1 , ..., x6 ) : les 6 nombres sortis avec
leur ordre d’arrivée. Quel est le nombre de tirages différents ?

A649 = 49 ∗ 48 ∗ 47 ∗ 46 ∗ 45 ∗ 44 = [Link]

Mais on peut gagner les 6 bons numéros quel que soit l’ordre de sortie des 6 numéros...
- manière de voir 2 : on regarde les 6 nombres sortis sans s’occuper de l’ordre d’arrivée.
On a alors ω = {x1 , ..., x6 }. D’où Ω est l’ensemble des combinaisons de 6 nombres pris
dans {1, ..., 49}. Quel est le nombre de tirages différents ?
µ ¶
49 49 ∗ 48 ∗ 47 ∗ 46 ∗ 45 ∗ 44
= = 13.983.816
6 6∗5∗4∗3∗2

remarque : (1, 2, 3, 4, 5, 6) 6= (2, 1, 3, 4, 5, 6), mais {1, 2, 3, 4, 5, 6} = {2, 1, 3, 4, 5, 6}

62 ANNEXE B. TABLES STATISTIQUES

Z z
1
F (z) = P [Z ≤ z] = √ exp(−x2 /2)dx
−∞ 2π

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389

1 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767

2 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986

Grandes valeurs de z :

z 3.0 3.1 3.2 3.3 3.4 3.5 4.0 4.5

F (z) 0.9987 0.99904 0.99931 0.99952 0.99966 0.99976 0.999968 0.999997
Annexe C

Statistique descriptive univariée

Nous allons voir ici comment décrire simplement des données en trois phases :
- présentation des données,
- représentations graphiques,
- calcul de résumés numériques.

On considère une population P qui est l’ensemble des individus concernés par l’étude
statistique. Un échantillon est un sous-ensemble de cette population. Les données statis-
tiques sont des mesures effectuées sur les individus de l’échantillon.
On cherche à étudier un caractère ou variable de cette population à partir des obser-
vations faites sur l’échantillon. Une variable peut être qualitative (oui/non, homme/femme...)
ou quantitative (à valeurs dans R). On mesure cette variable sur l’échantillon et on ob-
tient ainsi les observations ou données.

Exemple : si l’échantillon est un groupe de TD de l’université,

- un individu est un étudiant,
- la population peut être l’ensemble des étudiants de l’université, l’ensemble des étudiants
en France, l’ensemble des habitants du Grand Lyon, etc.
- la variable étudiée peut être la mention obtenue au baccalauréat, la filière choisie, l’âge,
la taille, etc.

Dans la suite, on distinguera trois cas suivant que la variable étudiée est une :
- variable quantitative discrète (elle ne prend qu’un nombre fini ou dénombrable de
valeurs ; en général il s’agit d’entiers)
- variable quantitative continue (variable quantitative qui n’est pas discrète)
- variable qualitative.

C.1 Variable quantitative discrète

Le plus souvent, une variable quantitative discrète ne prend qu’un nombre fini et même
petit (moins de 20) de valeurs. Par exemple, on peut s’intéresser au nombre d’enfants par
famille, au nombre d’années d’étude des étudiants après le bac...

65
66 ANNEXE C. STATISTIQUE DESCRIPTIVE UNIVARIÉE

Exemple 78 “The World Almanac and Book of Facts” (1975) a publié le nombre des
grandes inventions mises au point chaque année entre 1860 et 1959, soit

5 3 0 2 0 3 2 3 6 1 2 1 2 1 3 3 3 5 2 4 4 0 2 3 7 12 3 10 9 2 3 7 7
233624352240425233658366052226344
2247533022213422111214432141110020

(source : base de données du logiciel R)

Notons y = (y1 , ..., yn ) la suite des observations rangées par ordre croissant, n étant la
taille de l’échantillon. Des données de ce type sont à présenter dans un tableau statistique
dont la première colonne est l’ensemble des r observations distinctes (ou modalités),
classées par ordre croissant et notées x1 , ..., xr . Puis on leur fait correspondre dans une
seconde colonne leurs effectifs, c’est-à-dire leurs nombres d’occurence, notés n1 , ..., nr .
P
Alors i ni = n. On indique aussi les fréquences fi = ni /n et les fréquences cumulées
P
Fi = ij=1 fj (1 ≤ i ≤ r). La plupart du temps, on donnera les fréquences sous forme de
pourcentage. Pour notre exemple 78, on obtient

xi ni fi Fi
0 9 0.09 0.09
1 12 0.12 0.21
2 26 0.26 0.47
3 20 0.20 0.67
4 12 0.12 0.79
5 7 0.07 0.86
6 6 0.06 0.92
7 4 0.04 0.96
8 1 0.01 0.97
9 1 0.01 0.98
10 1 0.01 0.99
12 1 0.01 1

Venons-en maintenant aux représentations graphiques de base : le diagramme en bâtons

et le diagramme cumulatif.
Le diagramme en bâtons se construit avec les modalités en abscisse et les effectifs en
ordonnée. Quant au diagramme cumulatif, il s’obtient à partir des fréquences cumulées
et c’est le graphe d’une fonction appelée fonction de répartition empirique et définie
ainsi : 

 0 si x < x1
Fn (x) = Fi si xi ≤ x < xi+1 (i = 1, ..., r − 1)


1 si x ≥ xr
(cf. les graphes ci-dessous)

Un certain nombre de grandeurs, qui forment le résumé statistique de l’échantillon,

participent aussi à l’analyse des données. On peut les classer en deux catégories : les
C.1. VARIABLE QUANTITATIVE DISCRÈTE 67

1.0
25

0.8
20

0.6
15

Fn(x)

0.4
10

0.2
5

0.0
0

0 2 4 6 8 10 0 2 4 6 8 10 12

Figure C.1 – Diagramme en bâtons et diagramme cumulatif de l’exemple 78

paramètres de position et les paramètres de dispersion. Il existe bien sûr de nombreux

autres paramètres qui permettraient une analyse plus fine. On peut se reporter à un
ouvrage de statistique descriptive pour plus de détails.
Commençons par les paramètres de position que sont la moyenne et la médiane.
Ces grandeurs donnent un “milieu”, une position moyenne autour desquels les données sont
réparties.

Définition 79 La moyenne empirique est la moyenne arithmétique des observations :

n r
1X 1X
ȳ = yi = ni xi
n n
i=1 i=1

La médiane partage l’échantillon ordonné en deux parties de même effectif : la moitié

au moins des observations lui sont inférieures ou égales et la moitié au moins lui sont
supérieures ou égales. Quand les observations sont triées, si le nombre d’observations n
est impair, la médiane est y(n+1)/2 . Si n est pair, n’importe quel nombre de l’intervalle
[yn/2 , yn/2+1 ] vérifie la définition. On convient la plupart du temps de prendre le milieu de
cet intervalle pour médiane. La médiane est aussi Fn−1 (1/2).

La moyenne de l’échantillon de l’exemple 1 est 3,1. Sa médiane est 3. Ici la médiane et la

moyenne sont proches, mais ce n’est pas toujours le cas (ex : 0,100,101).

Comme paramètres de dispersion, on peut citer la variance, l’écart interquartile

et l’amplitude. Ils servent à connaı̂tre la variabilité des données autour de la position
moyenne.

Définition 80 La variance empirique des observations est la moyenne du carré des

écarts à la moyenne :
n r
1X 1X
s2n (y) = (yi − ȳ)2 = ni (xi − ȳ)2
n n
i=1 i=1
68 ANNEXE C. STATISTIQUE DESCRIPTIVE UNIVARIÉE

On utilise aussi le variance empirique modifiée :

n r
1 X 1 X
s2n−1 (y) = (yi − ȳ)2 = ni (xi − ȳ)2
n−1 n−1
i=1 i=1

L’écart-type est la racine de la variance et on le note souvent sn ou sn−1 , suivant qu’il

est associé à la variance empirique ou à la variance empirique modifiée.
Les quartiles sont à rapprocher de la médiane : il divisent l’échantillon en quatre sous-
ensembles de même effectif. Un quart (au moins) des observations sont inférieures ou
égales au premier quartile et trois quarts (au moins) des observations lui sont supérieures.
On remarque que le premier quartile est Fn−1 (1/4). Le deuxième quartile est la médiane.
Le troisième quartile est supérieur à trois quarts des observations et est inférieur à un
quart. C’est aussi Fn−1 (3/4). La différence entre le troisième quartile et le premier quartile
est l’écart interquartile.
L’amplitude (ou l’étendue) est la différence yn − y1 .

Pour les données de l’exemple 78, on obtient : s2n−1 (y) = 5, 081, sn−1 = 2, 254, le premier
quartile est 2, le troisième 4 et l’espace interquartile vaut donc 2. L’amplitude est 12.

Le diagramme en boı̂te (parfois appelé diagramme en boı̂te à moustaches ou box-

plot ou box-and-whisker plot) concentre des informations liées aux quartiles, à la médiane
et aux valeurs extrêmes. On définit les valeurs extrêmes comme s’écartant du quartile le
plus proche d’au moins 1,5 fois l’espace interquartile. Il faut toujours ajuster les mous-
taches aux valeurs observées. Dans notre exemple, les valeurs extrêmes sont des valeurs
strictement inférieures à -1 (ou plutôt 0) ou strictement supérieures à 7.
Attention : en pratique, pour tracer un boxplot, il faut
1) Calculer la médiane, le premier quartile Q1 et le troisième quartile Q3
2) Calculer la taille maximale des moustaches : Q1−1.5∗(Q3−Q1) et Q3+1.5∗(Q3−Q1)
3) Raser les moustaches, c’est-à-dire les ajuster en les rétrécissant jusqu’à atteindre une
valeur observée
4) Repérer les valeurs extrêmes, c’est-à-dire les valeurs qui sortent des moustaches.
Ne ratez pas une étape !

C.2 Variable quantitative continue

Quand une variable discrète prend un grand nombre de valeurs distinctes, le travail
est légèrement différent.
Soit y = (y1 , ..., yn ) un échantillon d’une variable continue. Il n’est pas pertinent de calculer
les fréquences empiriques et les fréquences cumulées. Par contre, le résumé numérique et le
diagramme cumulatif sont les mêmes que dans le cas discret. Ainsi, la moyenne est donnée
par
n
1X
ȳ = yi
n
i=1
C.2. VARIABLE QUANTITATIVE CONTINUE 69

12
10
8
6
4
2
0

Figure C.2 – Boxplot de l’exemple 78

La variance empirique, la variance empirique modifiée et l’écart-type sont

n
1X p
s2n (y) = (yi − ȳ)2 , sn (y) = s2n (y)
n
i=1
n q
1 X
s2n−1 (y) = (yi − ȳ)2 , sn−1 (y) = s2n−1 (y)
n−1
i=1
Mais à la place du diagramme en bâtons, on trace un histogramme. Pour ce faire, notons
a et b respectivement la valeur observée minimale et la valeur observée maximale. On
découpe l’intervalle [a, b] en k petits intervalles appelés classes, avec k compris entre 6 et
12 (en gros 1 + ln n/ ln 2). Notons ces classes [a0 , a1 [,...,[ak−1 , ak ], avec a = a0 et b = ak .
On peut présenter les données dans un tableau, en indiquant : les classes rangées par
ordre croissant, les effectifs ni des classes (nombres d’observations dans les classes), les
amplitudes Li des classes (Li = ai − ai−1 ), les densités des observations dans chaque
classe, hi = Lnii .

Exemple 81 On obtient, sur un échantillon de 250 œufs qu’on a pesé,

Masse des œufs en gramme effectif amplitude densité

44 − 48 19 4 4, 75
48 − 51 42 3 14
51 − 53 58 2 29
53 − 56 83 3 27, 67
56 − 61 48 5 9, 6

L’histogramme est composé de rectangles dont

- les bases sont les classes
- les hauteurs sont les densités des classes (ou les hauteurs sont proportionnelles aux
densités, ce qui donne le même graphique).
On peut choisir des classes de même largeur, ou des classes de même effectif !
70 ANNEXE C. STATISTIQUE DESCRIPTIVE UNIVARIÉE

0.10
0.08
densite/250

0.06
0.04
0.02
0.00
45 50 55 60

masse

C.3 Variable qualitative

Les modalités d’une variable qualitative ne sont pas numériques. De fait, on ne peut
pas calculer les grandeurs statistiques telles que la moyenne... On peut faire un tableau
pour présenter les données en indiquant pour chaque modalité l’effectif et la fréquence.
Les trois représentations graphiques sont les diagrammes en colonne, les diagrammes en
barre et le diagramme en secteur (“camembert”).

Exemple 82 On a interrogé des étudiants qui se rongent les ongles. Voici les circons-
tances pendant lesquelles ils pratiquent cette mauvaise habitude.

activité fréquence
regarder la télévision 58
lire un journal 21
téléphoner 14
conduire une auto 7
faire ses courses 3
autre 12
50
40
30
20
10
0

TV journal auto courses autre

Figure C.3 – Diagramme des ongles rongés (ex 82)