COURS DE STATISTIQUE, 4ÈME ANNÉE, OPTION HUMANITÉS SCIENTIFIQUES

Edition 2025 / Enseignement primaire, secondaire et technique en RDC

1. PRÉLIMINAIRES

Note Pédagogique et Objectifs du Cours

Ce cours de Statistique et Probabilités, élaboré pour la quatrième année des Humanités Scientifiques, s’aligne rigoureusement sur le Programme Éducatif du Domaine d’Apprentissage des Sciences (DAS) de la République Démocratique du Congo. Il vise à doter l’élève des outils mathématiques nécessaires pour modéliser l’incertitude et analyser des phénomènes aléatoires. L’approche privilégie la résolution de problèmes concrets liés au contexte congolais, favorisant ainsi le développement de compétences analytiques applicables dans les domaines de la démographie, de la santé publique, de l’économie et de l’industrie locale.

Profil d’Entrée

L’élève abordant ce module doit maîtriser les acquis des années antérieures, notamment :

• Les notions de base de la théorie des ensembles et de la logique mathématique.
• Le calcul algébrique et l’analyse combinatoire élémentaire (permutations, arrangements, combinaisons).
• L’analyse de données statistiques descriptives simples (moyenne, mode, médiane) vue au cycle précédent.
• La manipulation aisée des fractions et des pourcentages.

Compétences Visées

Au terme de cet enseignement, l’apprenant devra être capable de :

• Modéliser des expériences aléatoires liées à la vie courante et scientifique.
• Calculer et interpréter des probabilités simples, conditionnelles et totales.
• Caractériser une variable aléatoire par ses paramètres de position et de dispersion.
• Appliquer la loi binomiale pour résoudre des problèmes de tirages répétés et de contrôle de qualité.
• Utiliser l’outil statistique pour la prise de décision dans des situations d’incertitude.

PARTIE 1 : FONDEMENTS DU CALCUL DES PROBABILITÉS 🎲

Aperçu de la partie Cette première partie établit le socle théorique nécessaire à la quantification du hasard. Elle débute par une consolidation des techniques de dénombrement, indispensables au calcul des probabilités dans des univers finis. Elle introduit ensuite les concepts fondamentaux d’espace probabilisé, d’événement et de mesure de probabilité. L’accent est mis sur la formalisation mathématique des phénomènes aléatoires observés dans l’environnement congolais, tels que les jeux de hasard locaux, les risques naturels ou les fluctuations de production agricole. La maîtrise de ces concepts permettra à l’élève de passer d’une intuition du hasard à une analyse rigoureuse des phénomènes incertains.

Chapitre 1 : Analyse Combinatoire et Dénombrement

1.1. Principes Fondamentaux du Dénombrement

Nous explorons les principes additif et multiplicatif qui régissent le comptage des éventualités. L’élève apprend à décomposer des problèmes complexes en sous-tâches simples. Cette section aborde la modélisation de situations concrètes, comme le dénombrement des codes de recharge de téléphonie mobile ou les configurations possibles des plaques d’immatriculation en RDC. La maîtrise de ces principes constitue la base indispensable pour la construction des espaces probabilisés finis.

1.2. Arrangements et Permutations

Ce sous-chapitre traite des dispositions ordonnées d’objets. Nous distinguons les arrangements avec et sans répétition, ainsi que les permutations. Les formules mathématiques sont démontrées et appliquées à des problèmes de files d’attente, d’organigrammes hiérarchiques dans les entreprises minières ou de classement lors des compétitions sportives nationales. L’accent est mis sur l’importance de l’ordre dans la sélection des éléments.

1.3. Combinaisons et Coefficients Binomiaux

Contrairement aux arrangements, les combinaisons s’intéressent aux sélections où l’ordre n’importe pas. Nous définissons la notion de combinaison, établissons la formule correspondante et explorons les propriétés des coefficients binomiaux, notamment à travers le triangle de Pascal. Les applications incluent la formation de délégations parlementaires, le choix d’échantillons pour des analyses de sol au Kongo Central ou la sélection de joueurs pour une équipe de football.

1.4. Formule du Binôme de Newton

Cette section fait le lien entre l’analyse combinatoire et l’algèbre. Nous développons la puissance n-ième d’un binôme en utilisant les coefficients combinatoires. L’étude de cette formule prépare directement l’élève à la compréhension de la loi binomiale qui sera abordée ultérieurement. Des exercices pratiques sur le développement d’expressions algébriques renforcent la manipulation des factorielles et des sommations.

Chapitre 2 : Espaces de Probabilité et Événements

2.1. Expériences Aléatoires et Univers

Nous définissons formellement l’expérience aléatoire comme un processus dont le résultat est incertain. Les concepts d’univers (ensemble des issues possibles) et d’événement (sous-ensemble de l’univers) sont introduits. L’élève apprend à décrire l’univers associé à des lancers de dés, des tirages de cartes ou des observations météorologiques à Kinshasa. La distinction entre événements élémentaires et composés est clarifiée.

2.2. Algèbre des Événements

Les opérations ensemblistes (union, intersection, complémentarité) sont traduites en langage probabiliste. Nous analysons la signification des événements « A ou B », « A et B » et « non A ». La notion d’événements incompatibles (mutuellement exclusifs) est définie. Cette formalisation permet de structurer le raisonnement logique face à des situations complexes impliquant plusieurs conditions simultanées.

2.3. Définition et Axiomes de la Probabilité

Nous introduisons la probabilité comme une mesure numérique de la vraisemblance d’un événement. L’approche axiomatique de Kolmogorov est présentée de manière simplifiée, en insistant sur les propriétés fondamentales : positivité, normalisation et additivité. Le cas de l’équiprobabilité (formule de Laplace) est traité en détail, permettant le calcul de probabilités par simple rapport entre le nombre de cas favorables et le nombre de cas possibles.

2.4. Théorèmes Fondamentaux et Calculs

Ce sous-chapitre développe les règles de calcul découlant des axiomes. Nous démontrons la formule de la probabilité de l’événement contraire et celle de l’union de deux événements quelconques (théorème des probabilités totales pour deux événements). Des exercices d’application variés, tirés de contextes locaux comme la probabilité de panne d’un équipement hydroélectrique ou la réussite à un examen d’État, permettent d’ancrer ces théorèmes.

Chapitre 3 : Probabilité Conditionnelle et Indépendance

3.1. Notion de Probabilité Conditionnelle

Nous abordons la modification de la probabilité d’un événement lorsqu’une information partielle est connue. La définition formelle de la probabilité de A sachant B est établie. L’élève apprend à restreindre l’univers des possibles pour recalculer les probabilités. Des exemples médicaux, comme la probabilité d’être atteint d’une maladie sachant qu’un test de dépistage est positif, illustrent la pertinence de ce concept.

3.2. Arbres de Probabilité et Règles de Multiplication

L’arbre pondéré constitue un outil visuel puissant pour modéliser des expériences séquentielles. Nous enseignons la construction et l’interprétation des arbres de probabilité, ainsi que l’utilisation de la règle de multiplication pour calculer la probabilité d’une intersection d’événements (chemins de l’arbre). Cette méthode est appliquée à des scénarios de production industrielle ou de transmission de caractères génétiques.

3.3. Indépendance des Événements

La notion d’indépendance stochastique est cruciale. Nous définissons mathématiquement l’indépendance de deux événements et la distinguons de l’incompatibilité. L’élève apprend à vérifier l’indépendance par le calcul. Les implications de l’indépendance sur les calculs de probabilités composées sont analysées, notamment dans le contexte de tirages avec remise ou de fonctionnement simultané de machines indépendantes.

3.4. Théorème de Bayes et Probabilités Totales

Nous généralisons le calcul des probabilités à l’aide de la formule des probabilités totales pour une partition de l’univers. Le théorème de Bayes, permettant d’inverser le conditionnement (calculer P(B|A) à partir de P(A|B)), est introduit. Ses applications dans le diagnostic médical, l’analyse de risques miniers et la prise de décision stratégique sont explorées pour démontrer sa puissance inférentielle.

PARTIE 2 : VARIABLES ALÉATOIRES ET PARAMÈTRES STATISTIQUES 📊

Aperçu de la partie Cette deuxième partie assure la transition entre le calcul des probabilités sur des événements qualitatifs et l’analyse quantitative via les variables aléatoires. Elle formalise la notion de variable aléatoire réelle, fonction qui associe un nombre à chaque issue d’une expérience aléatoire. L’étude se concentre sur les lois de probabilité discrètes et les paramètres scalaires qui les résument : espérance mathématique, variance et écart-type. Ces outils permettent de synthétiser l’information contenue dans une distribution de probabilité et de mesurer les tendances centrales ainsi que la dispersion des risques, compétences essentielles pour l’analyse financière, la gestion de production et l’interprétation de données scientifiques.

Chapitre 4 : Généralités sur les Variables Aléatoires

4.1. Concept de Variable Aléatoire Réelle

Nous définissons la variable aléatoire comme une application de l’univers des possibles vers l’ensemble des réels. La distinction entre variables discrètes (valeurs dénombrables) et continues (intervalles) est établie, bien que l’accent soit mis sur le cas discret en 4ème année. Des exemples concrets, tels que le nombre de pièces défectueuses dans un lot de production de la cimenterie de Lukala, servent à illustrer ce concept.

4.2. Loi de Probabilité d’une Variable Discrète

Ce sous-chapitre explique comment associer une probabilité à chaque valeur prise par la variable aléatoire. Nous apprenons à dresser le tableau de la loi de probabilité et à vérifier la condition de normalisation (somme des probabilités égale à 1). L’élève s’exerce à construire des distributions de probabilité à partir de descriptions d’expériences aléatoires variées.

4.3. Fonction de Répartition

La fonction de répartition cumulée est introduite pour caractériser la probabilité que la variable soit inférieure ou égale à une valeur donnée. Nous étudions ses propriétés mathématiques (croissance, limites) et sa représentation graphique en escalier pour les variables discrètes. Cet outil est essentiel pour calculer rapidement des probabilités sur des intervalles de valeurs.

4.4. Transformation Affine de Variables Aléatoires

Nous analysons l’effet des opérations algébriques simples sur les variables aléatoires. Si Y = aX + b, comment se déduisent la loi de Y à partir de celle de X ? Cette section prépare le terrain pour les propriétés de linéarité de l’espérance et les transformations de la variance, simplifiant les calculs lors de changements d’unités ou d’échelles.

Chapitre 5 : Paramètres de Position : L’Espérance Mathématique

5.1. Définition et Interprétation de l’Espérance

L’espérance mathématique est présentée comme la moyenne pondérée des valeurs possibles, représentant la valeur moyenne attendue sur un grand nombre de répétitions. Nous insistons sur son interprétation en tant que « centre de gravité » de la distribution et indicateur de gain moyen dans les jeux de hasard ou de rendement moyen en agriculture.

5.2. Propriétés de l’Espérance Mathématique

La linéarité de l’espérance (E(aX + b) = aE(X) + b et E(X + Y) = E(X) + E(Y)) est démontrée et appliquée. Ces propriétés facilitent le calcul de l’espérance pour des variables complexes décomposables en variables plus simples. Des exercices sur les budgets prévisionnels ou les recettes fiscales estimées permettent d’appliquer ces règles.

5.3. Espérance et Prise de Décision

L’espérance mathématique sert de critère rationnel pour la prise de décision en situation d’incertitude. Nous analysons des problèmes de choix d’investissement ou de stratégies de jeu, où l’objectif est de maximiser le gain espéré ou de minimiser la perte espérée. Le concept de jeu équitable (espérance nulle) est également abordé.

5.4. Centre d’Inertie d’une Distribution

En faisant le lien avec la physique, nous montrons l’analogie entre l’espérance mathématique et le centre de masse d’un système de points pondérés. Cette approche interdisciplinaire renforce la compréhension intuitive du concept et permet de visualiser l’équilibre d’une distribution de probabilité sur l’axe des réels.

Chapitre 6 : Paramètres de Dispersion : Variance et Écart-Type

6.1. Notion de Dispersion et d’Écart

La moyenne ne suffit pas à caractériser une distribution ; la variabilité est tout aussi importante. Nous introduisons les notions d’écart à la moyenne et de dispersion globale. L’objectif est de quantifier le risque ou l’incertitude associé à une variable aléatoire, distinguant ainsi des distributions ayant la même moyenne mais des profils de risque très différents.

6.2. La Variance : Définition et Calcul

Nous définissons la variance comme l’espérance du carré de l’écart à la moyenne (V(X) = E[(X – E(X))²]). La formule simplifiée de König-Huygens (V(X) = E(X²) – [E(X)]²) est établie pour faciliter les calculs manuels. Nous appliquons ces formules à des séries de données fictives représentant, par exemple, la variabilité des précipitations annuelles.

6.3. L’Écart-Type : Unité et Interprétation

L’écart-type, racine carrée de la variance, est présenté comme la mesure standard de la dispersion, s’exprimant dans la même unité que la variable. Nous apprenons à interpréter l’écart-type comme une mesure de la « largeur » de la distribution. Plus l’écart-type est grand, plus les valeurs sont dispersées et le phénomène imprévisible.

6.4. Propriétés de la Dispersion et Standardisation

Nous étudions l’effet des transformations affines sur la variance et l’écart-type (V(aX+b) = a²V(X)). La notion de variable centrée réduite (Z = (X – µ)/σ) est introduite. Cette opération de standardisation permet de comparer des distributions ayant des échelles différentes et constitue une étape préliminaire fondamentale pour l’utilisation des tables statistiques.

Chapitre 7 : Couples de Variables Aléatoires (Introduction)

7.1. Lois Conjointes et Marginales

Nous étendons l’étude à deux variables aléatoires simultanées. La loi de probabilité conjointe est présentée sous forme de tableau à double entrée. Nous montrons comment retrouver les lois marginales de chaque variable individuellement à partir de la loi conjointe par sommation des lignes ou des colonnes.

7.2. Indépendance de Variables Aléatoires

Le concept d’indépendance est transposé aux variables aléatoires. Deux variables sont indépendantes si la probabilité conjointe est le produit des probabilités marginales pour toutes les valeurs. Cette notion est cruciale pour modéliser des phénomènes non corrélés, comme le résultat d’un dé et le tirage d’une carte.

7.3. Covariance et Corrélation (Aperçu)

Sans entrer dans une complexité excessive, nous introduisons la covariance comme mesure de la variation conjointe de deux variables. Le lien avec l’indépendance (covariance nulle) est explicité. Cette section prépare à la compréhension des liens linéaires entre grandeurs statistiques, utiles en sciences expérimentales.

7.4. Somme et Différence de Variables Indépendantes

Nous établissons les règles pour l’espérance et la variance de la somme ou de la différence de deux variables aléatoires indépendantes (V(X+Y) = V(X) + V(Y)). Ces résultats sont fondamentaux pour l’étude des erreurs de mesure ou l’accumulation de grandeurs aléatoires dans les processus industriels.

PARTIE 3 : LOIS DE DISTRIBUTION ET APPLICATIONS 📉

Aperçu de la partie La troisième et dernière partie du cours se focalise sur les modèles théoriques de distribution, avec une attention particulière portée à la loi binomiale, pierre angulaire des probabilités discrètes au programme. Elle étudie la répétition d’épreuves indépendantes (schéma de Bernoulli) et formalise la distribution du nombre de succès. Cette partie ouvre également des perspectives sur l’application de la statistique dans des domaines variés tels que le contrôle qualité, la génétique et la gestion des risques en RDC. Elle vise à développer la capacité de l’élève à reconnaître des situations types, à choisir le modèle adéquat et à interpréter les résultats calculés pour résoudre des problèmes concrets.

Chapitre 8 : Épreuves de Bernoulli et Schéma de Bernoulli

8.1. L’Épreuve de Bernoulli

Nous définissons l’épreuve de Bernoulli comme une expérience aléatoire n’admettant que deux issues : le « succès » et l' »échec ». La variable aléatoire associée (indiquant 1 pour le succès, 0 pour l’échec) est caractérisée par son paramètre p (probabilité de succès). Des exemples simples comme le jet d’une pièce ou la conformité d’un produit manufactured localement illustrent ce modèle binaire.

8.2. Répétition d’Épreuves et Indépendance

Le schéma de Bernoulli est défini comme la répétition de n épreuves de Bernoulli identiques et indépendantes. Nous insistons sur les conditions d’application : constance de la probabilité de succès et absence de mémoire du processus. L’analyse de tirages avec remise dans une urne sert de modèle de référence pour comprendre cette structure.

8.3. Construction de l’Arbre de Probabilité Binomial

Pour de petites valeurs de n, nous construisons l’arbre des possibles pour visualiser les séquences de succès et d’échecs. Cela permet de déduire intuitivement la structure de la probabilité d’obtenir k succès parmi n épreuves, en identifiant le nombre de chemins favorables et la probabilité de chaque chemin.

8.4. Variable Aléatoire Binomiale

Nous définissons la variable aléatoire X comptant le nombre total de succès dans un schéma de Bernoulli d’ordre n. L’univers image de X est l’ensemble des entiers de 0 à n. Cette formalisation prépare l’introduction de la loi de probabilité générale pour tout n et tout p.

Chapitre 9 : La Loi Binomiale

9.1. Formule de la Loi Binomiale

Nous établissons la formule générale donnant la probabilité d’obtenir exactement k succès : P(X=k) = C(n,k) * p^k * (1-p)^(n-k). Chaque terme de la formule est expliqué : le coefficient binomial pour le nombre de combinaisons, et les puissances pour la probabilité d’une séquence spécifique. L’élève apprend à appliquer cette formule rigoureusement.

9.2. Paramètres de la Loi Binomiale

Les paramètres de position et de dispersion de la loi binomiale sont dérivés. Nous démontrons que l’espérance est E(X) = np et la variance V(X) = np(1-p). Ces formules simples permettent une estimation rapide de la moyenne et du risque sans devoir recalculer toute la distribution de probabilité.

9.3. Formes de la Distribution Binomiale

Nous analysons l’allure de l’histogramme de la loi binomiale en fonction des valeurs de n et p. L’influence de p sur la symétrie (symétrique si p=0.5, asymétrique sinon) et l’effet de n sur l’étalement de la courbe sont étudiés. Cette étude graphique prépare visuellement à la notion de convergence vers la loi normale (courbe en cloche).

9.4. Calculs de Probabilités Cumulées

En pratique, on cherche souvent la probabilité d’avoir « au moins k succès » ou « au plus k succès ». Nous développons les méthodes de calcul pour P(X ≤ k) et P(X ≥ k) en utilisant les sommes de probabilités ponctuelles ou l’événement contraire. L’utilisation de tables de la loi binomiale ou de calculatrices scientifiques est intégrée.

Chapitre 10 : Applications Contextualisées de la Statistique

10.1. Applications en Contrôle de Qualité

Nous appliquons la loi binomiale au contrôle de qualité industriel. En prélevant un échantillon de produits, nous calculons la probabilité de trouver un certain nombre de pièces défectueuses, permettant d’accepter ou de rejeter un lot de production selon des critères de risque définis.

10.2. Applications en Génétique et Santé

La transmission des caractères héréditaires mendéliens suit souvent des lois probabilistes simples. Nous utilisons la loi binomiale pour prédire la fréquence de génotypes dans une descendance. De même, nous modélisons la propagation de maladies ou l’efficacité de vaccins à l’échelle d’une petite communauté.

10.3. Problèmes de Démographie et Société

Des situations liées à la démographie de la RDC (répartition par genre, tranches d’âge scolarisées) sont modélisées. Nous calculons des probabilités liées à la composition des ménages ou à l’accès aux services sociaux, illustrant l’utilité de la statistique pour la compréhension des phénomènes sociaux.

10.4. Introduction à la Prise de Décision Statistique

En guise de synthèse, nous abordons des problèmes simples de prise de décision basés sur les probabilités calculées. L’élève apprend à confronter une observation à un modèle théorique (par exemple, un dé est-il truqué ?) et à formuler une conclusion prudente, introduisant ainsi les prémisses de l’inférence statistique.

ANNEXES

Tableaux Statistiques Usuels

Cette annexe fournit les tables de la loi binomiale (fonction de masse et fonction de répartition) pour différentes valeurs de n et p, ainsi que les coefficients binomiaux (Triangle de Pascal étendu), outils indispensables pour la résolution rapide d’exercices sans calculatrice programmable.

Formulaire Récapitulatif

Un résumé concis et structuré regroupant toutes les formules clés du cours : analyse combinatoire, propriétés des probabilités, paramètres des variables aléatoires (espérance, variance) et loi binomiale. Ce formulaire sert de référence rapide pour les révisions et les examens.

Glossaire des Termes Statistiques

Un lexique définissant avec précision le vocabulaire technique utilisé (variable aléatoire, écart-type, événement, indépendance, etc.), assurant une maîtrise terminologique essentielle pour la communication scientifique.

Recueil d’Exercices Types et Corrigés

Une sélection de problèmes résolus, gradués en difficulté et ancrés dans le contexte congolais, couvrant l’ensemble des chapitres pour permettre à l’élève de s’entraîner et de valider ses acquis de manière autonome.