Vous êtes sur la page 1sur 14

FIIFO 3

PROBABILITES - STATISTIQUES

STATISTIQUE DESCRIPTIVE

1.

MTHODE STATISTIQUE
1.1. HISTORIQUE ET DFINITION

Aussi loin que l'on remonte dans le temps et dans l'espace ( en Chine et en gypte, par exemple), les tats ont toujours senti le besoin de disposer d'informations sur leurs sujets ou sur les biens qu'ils possdent et produisent. Mais les recensements de population et de ressources, les statistiques (du latin status : tat ) sont restes purement descriptives jusqu'au 17me sicle. Puis s'est dvelopp le calcul des probabilits et des mthodes statistiques sont apparues en Allemagne, en Angleterre et en France. Beaucoup de scientifiques de tous ordre ont apport leur contribution au dveloppement de cette science : PASCAL, HUYGENS, BERNOULLI, MOIVRE, LAPLACE, GAUSS, MENDEL, PEARSON, FISCHER etc.... Actuellement, beaucoup de domaines utilisent les mthodes statistiques ( mdecine, agronomie, sociologie, industrie etc....). Dfinition : La Statistique, c'est l'tude des variations observables. C'est une mthode qui consiste runir des donnes chiffres sur des ensembles nombreux, puis les analyser et les interprter. 1.2. MTHODES STATISTIQUES

1re tape :On collecte des donnes : soit de manire exhaustive soit par sondage me 2 tape : On trie les donnes que lon organise en tableaux, diagrammes, etc... 3me tape : On interprte les rsultats : on les compare avec ceux dduits de la thorie des probabilits. On pourra donc : valuer une grandeur statistique comme la moyenne ou la variance (estimateurs, intervalles de confiance ). savoir si deux populations sont comparables (tests dhypothses). dterminer si deux grandeurs sont lies et de quelle faon ( corrlation, ajustement analytique).

J-P LENOIR

Page 3

CHAPITRE 1

FIIFO 3

PROBABILITES - STATISTIQUES

Les conclusions, toujours entaches d'un certain pourcentage d'incertitude, nous permettent alors de prendre une dcision.

2.

SRIES STATISTIQUES A UNE VARIABLE


2.1. TERMINOLOGIE Ensemble que l'on observe et qui sera soumis une analyse statistique. Chaque lment de cet ensemble est un individu ou unit statistique. C'est un sous ensemble de la population considre. Le nombre d'individus dans lchantillon est la taille de l'chantillon. C'est la proprit ou l'aspect singulier que l'on se propose d'observer dans la population ou l'chantillon. Un caractre qui fait le sujet d'une tude porte aussi le nom de variable statistique.

POPULATION :

CHANTILLON :

CARACTRE :

Diffrents types de variables statistiques : Lorsque la variable ne se prte pas des valeurs numriques, elle est dite qualitative (exemple : opinions politiques, couleurs des yeux...) .Elle peut tre ordonne ou non, dichotomique ou non. Lorsque la variable peut tre exprime numriquement, elle est dite quantitative ( ou mesurable). Dans ce cas, elle peut tre discontinue ou continue. Elle est discontinue si elle ne prend que des valeurs isoles les unes des autres. Une variable discontinue qui ne prend que des valeurs entires est dite discrte (exemple : nombre d'enfants d'une famille). Elle est dite continue lorsqu'elle peut prendre toutes les valeurs d'un intervalle fini ou infini (exemple : diamtre de pices, salaires...). 2.2. COMMENT ORGANISER LES DONNES

On regroupe toutes les donnes de la srie statistique dans un tableau indiquant la rpartition des individus selon le caractre tudi. Le regroupement s'effectue par classes : Si le caractre est qualitatif ou discontinu, une classe contient tous les individus ayant la mme modalit ou la mme valeur du caractre. Si le caractre est continu, une classe est un intervalle. Pour construire ces intervalles, on respecte les rgles suivantes : 1. Le nombre de classes est compris entre 5 et 20 (de prfrence entre 6 et 12) 2. Chaque fois que cela est possible, les amplitudes des classes sont gales. 3. Chaque classe (sauf la dernire) contient sa borne infrieure mais pas sa borne suprieure. Dans les calculs, une classe sera reprsente par son centre, qui est le milieu de l'intervalle.

J-P LENOIR

Page 4

CHAPITRE 1

FIIFO 3

PROBABILITES - STATISTIQUES

Une fois la classe constitue, on considre les individus rpartis uniformment entre les deux bornes ( ce qui entrane une perte d'informations par rapport aux donnes brutes).

J-P LENOIR

Page 5

CHAPITRE 1

FIIFO 3 Que faut-il indiquer pour chaque classe ? 1. Leffectif :

PROBABILITES - STATISTIQUES

nombre d'individus de la classe : on le note ni (i est lindice de la classe).

2. La frquence : proportion d'individus de la population ou de l'chantillon appartenant la classe : on la note fi.

fi et ni sont lis par : f i =

ni N

o N est le nombre total dindividus dans la population.

Remarque : On peut remplacer fi par fi100 qui reprsente alors un pourcentage. On a toujours : ni = N
i =1 k

0 fi 1

f
i =1

= 1

o k reprsente le nombre de classes

3. L'effectif (ou la frquence) cumul (e) : effectif ( ou frquence) de la classe augment (e) de ceux (ou celles) des classes prcdentes(lorsque la variable statistique est quantitative). La frquence cumule est une fonction F de la borne suprieure de la classe (dans le cas dune variable statistique continue).

2.3.

DIAGRAMMES Ils servent visualiser la rpartition des individus.

Pour une variable statistique qualitative : On utilise des diagrammes secteurs circulaires, des diagrammes en tuyaux d'orgue, des diagrammes en bandes. Le principe est de reprsenter des aires proportionnelles aux frquences de la variable statistique. Pour une variable statistique discrte : On utilise un diagramme diffrentiel en btons, complt du diagramme des frquences cumules appel diagramme cumulatif. Le diagramme cumulatif est la reprsentation graphique dune fonction F, appele fonction de rpartition de la variable statistique.

Exemple : nombre derreurs dassemblage sur un ensemble dappareils

J-P LENOIR

Page 6

CHAPITRE 1

FIIFO 3

PROBABILITES - STATISTIQUES

nombre nombre frquences derreurs dappareils cumules 0 101 0.26 1 140 0.61 2 92 0.84 3 42 0.94 4 18 0.99 5 3 1

Diagramme cumulatif

nombre derreurs dassemblage Pour une variable statistique continue : 1. Le diagramme reprsentant la srie est un histogramme : ce sont des rectangles juxtaposs dont chacune des bases est gale lintervalle de chaque classe et dont la hauteur est telle que laire de chaque rectangle soit proportionnelle aux effectifs(histogramme des effectifs) ou aux frquences de la classe correspondante (histogramme des frquences). 2. On obtient le polygone des effectifs (ou des frquences) en reliant les milieux des bases suprieures des rectangles. 3. La courbe cumulative ( ou polygone des frquences cumules ) est obtenue en portant les points dont les abscisses reprsentent la borne suprieure de chaque classe et les ordonnes les frquences cumules correspondantes, puis en reliant ces
J-P LENOIR Page 7 CHAPITRE 1

FIIFO 3

PROBABILITES - STATISTIQUES

points par des segments de droite. Son quivalent dans la thorie probabiliste est la fonction de rpartition.

J-P LENOIR

Page 8

CHAPITRE 1

FIIFO 3

PROBABILITES - STATISTIQUES

Exemple : nombre de ventes effectues en un mois par 50 employs dune compagnie Dans cet exemple la variable statistique( le nombre de ventes), quoique discrte, doit tre traite comme une variable continue car elle prend un grand nombre de valeurs. HISTOGRAMME

nombre de ventes : x 80 x < 90 90 x < 100 100 x < 110 110 x < 120 120 x < 130 130 x < 140 140 x < 150

nombre frquences demploys cumules 2 0.04 6 0.16 10 0.36 14 0.64 9 0.82 7 0.96 2 1

mdiane On remarque que : F est une fonction croissante. On a toujours : 0 F( x) 1 .

3.

CARACTRISTIQUES QUANTITATIVE
3.1.

NUMRIQUES

DUNE

SRIE

CARACTRISTIQUES DE POSITION 3.1.1. Le mode

Le mode, dsign par Mo est la valeur de la variable statistique la plus frquente.

J-P LENOIR

Page 9

CHAPITRE 1

FIIFO 3

PROBABILITES - STATISTIQUES

Dans le cas d'une variable statistique continue, on parle plutt de classe modale. NB : Le mode ou la classe modale n'est pas obligatoirement unique. 3.1.2. La mdiane La mdiane, dsigne par Me, est la valeur de la variable telle qu'il y ait autant d'observations, en dessous d'elle qu'au dessus ou, ce qui revient au mme, la valeur correspondant 50% des observations. Comment la dterminer? Si la variable est discrte : On dsigne par n le nombre dobservations . n + 1 me ) Si n est impair : Me est la ( observation. 2 Si n est pair : n = 2k. Me est la moyenne arithmtique des deux observations centrales. k me observation + ( k + 1) me observation Me = 2 Si la variable est continue, Me vrifie F(Me) = 0.5 ,o F est la fonction de rpartition de la variable. On dtermine alors un intervalle mdian(intervalle contenant la mdiane), puis on procde l'intrieur de cette classe une interpolation linaire. Gnralisation : notion de quantiles Quantile d'ordre 1/4 : Cest la valeur Q1 tel que F(Q1) = 0.25. Quantile d'ordre 3/4 : Cest la valeur Q3 tel que F(Q3) = 0.75 (on a Me = Q2). Dciles d'ordre 1/10, 2/10.... : F(D1)=0.1, F(D2)=0.2... Remarque : Ces lments se dterminent facilement partir des courbes n n cumulatives, en cherchant les abscisses des points d'ordonnes pour Me, pour 2 4 Q1... 3.1.3. La moyenne Lorsque x dsigne la variable statistique, la valeur moyenne, ou moyenne de la srie se note m ou x . Elle est l'analogue d'un centre de gravit. 1e r cas : si les observations ne sont pas groupes (la srie est dite non classe)

J-P LENOIR

Page 10

CHAPITRE 1

FIIFO 3

PROBABILITES - STATISTIQUES

x=

1 n x n j =1 j

n = effectif total

xj = j me valeur de la variable

J-P LENOIR

Page 11

CHAPITRE 1

FIIFO 3

PROBABILITES - STATISTIQUES

2me cas : si les observations sont groupes ( la srie est dite classe) xi = centre de la classe i
x= 1 n x = n i =1 i i
k

f x
i =1 i

ni = effectif de la classe i fi = frquence de la classe i

n= effectif total

On effectue en fait ici une moyenne arithmtique pondre. NB : Dans le cas dune variable continue, cette moyenne pondre n'est qu'une valeur approche de la vraie valeur moyenne de la srie car on remplace chaque xj par le centre de la classe laquelle il appartient. Pourquoi utiliser la moyenne arithmtique? Elle a t choisie parmi d'autres types de moyenne (gomtrique, harmonique...) car elle possde une proprit extrmement intressante: Lorsqu'on se livre des observations scientifiques, les mesures ne sont pas toujours exactement identiques d'une fois sur l'autre, mme lorsque les conditions semblent tre similaires. Il se produit ce que lon appelle une erreur d'observation . On a la relation suivante : valeur observe = valeur exacte + erreur d'observation avec: xi = valeur observe xi - xe = erreur d'observation On dcide alors de prendre pour xe la valeur qui minimise les erreurs dobservation , en fait la moyenne des carrs de ces erreurs ( critre des moindres carrs) . Le calcul prouve que la meilleure valeur estimant xe suivant ce critre est x . Proprit : La moyenne x des valeurs observes dune grandeur x correspond la meilleure estimation de xe . Cela ne signifie pas que x soit la valeur exacte xe de la grandeur observe mais que c'est la meilleure valuation possible que l'on puisse en faire selon le critre des moindres carrs. 3.2. CARACTRISTIQUES DE DISPERSION xe = valeur exacte

3.2.1. Ltendue L'tendue, note e, reprsente la diffrence entre les valeurs extrmes de la distribution : e = xn-x1.

J-P LENOIR

Page 12

CHAPITRE 1

FIIFO 3 3.2.2. Lintervalle interquartile

PROBABILITES - STATISTIQUES

L'intervalle interquartile, not I, est la diffrence entre les deux quartiles Q3 et Q1 : I = Q3 - Q1 Cet intervalle contient 50% de la population en en liminant 25% chaque extrmit. Cette caractristique est nettement meilleure que l'tendue. 3.2.3. La variance C'est la caractristique de dispersion la plus utilise avec l'cart quadratique moyen. 1er cas : srie non classe
1 n Vx = ( x j x ) 2 n j=1

2me cas : srie classe


k 1 k 2 Vx = n i (x i x) = f i (x i x) 2 n i=1 i =1

Dans le cas dune variable statistique continue, xi reprsente le centre de la ime classe. La variance est donc toujours positive ou nulle. Les formules ci-dessus imposent de calculer les diffrences (xi- x )2 ce qui est assez fastidieux. On peut viter cet inconvnient en utilisant le thorme de Koenig. Autre expression de la variance : Thorme de KOENIG 1er cas: srie non classe
1 n 2 Vx = ( x j ) x 2 n j=1

2me cas: srie classe


k 1 k 2 2 Vx = ( n i x i ) x = ( f i x i 2 ) x 2 n i=1 i =1

Dmonstration:
Vx = f i ( x i x ) 2 = f i ( x i 2 2 x i x + x 2 ) = f i x i 2 2 x ( f i x i ) + x 2 f i = f i x i 2 x 2
i =1 i =1 i =1 i =1 i =1 i =1 k k k k k k

J-P LENOIR

Page 13

CHAPITRE 1

FIIFO 3 car :

PROBABILITES - STATISTIQUES
k k

f x
i =1

i i

=x

et

f
i =1

=1

3.2.4. cart quadratique moyen Par dfinition, lcart quadratique moyen dune srie statistique est la racine carre de la variance. On le note sx A la diffrence de la variance qui correspond un carr, l'cart quadratique moyen est homogne la variable statistique et s'exprime dans les mmes units. Il permet de mesurer la dispersion de la distribution statistique autour de sa valeur moyenne. 3.3. DTERMINATION GRAPHIQUE DE LA MOYENNE ET DE LCART QUADRATIQUE MOYEN DUNE DISTRIBUTION GAUSSIENNE A LAIDE DE LA DROITE DE HENRY

On connat plusieurs distributions statistiques particulires donnant la frquence thorique d'apparition d'une valeur x en fonction de x ( on reviendra en dtail sur ces notions dans les chapitres suivants) . L'une des plus importantes est la distribution gaussienne ou distribution normale. La frquence thorique dapparition d'une valeur xi est donne par :
1 xi m 2

f (x i ) =

1 e 2

o m est la moyenne thorique et lcart-type thorique de la distribution gaussienne. La reprsentation graphique de cette fonction f' est la fameuse courbe "en cloche".

J-P LENOIR

Page 14

CHAPITRE 1

FIIFO 3 On associe la variable X , la variable T =

PROBABILITES - STATISTIQUES

X m ,appele variable gaussienne centre rduite (sa moyenne est nulle et son cart-type gal 1).

J-P LENOIR

Page 15

CHAPITRE 1

FIIFO 3 Mthode de la DROITE DE HENRY :

PROBABILITES - STATISTIQUES

Elle permet la fois : 1) De tester si la distribution donne est gaussienne. 2) Si elle lest, de dterminer m et . Il faut pour cela utiliser du papier gausso-arithmtique contenant : 1) en abscisses : les valeurs x, prises par la variable X. 2) en ordonnes : droite : les valeurs t de la variable gaussienne centre rduite T. gauche : les valeurs de la fonction de rpartition de la loi T. Que faire? 1. On calcule pour chaque valeur de xis, borne suprieure d'une classe, la frquence cumule correspondante F(xis). 2. On porte les points de coordonnes(xis , F(xis) sur le papier gausso-arithmtique (en utilisant l'chelle de gauche des ordonnes). Si les points sont aligns : La droite obtenue est la droite de Henry de la distribution. On en dduit que la variable statistique a une distribution gaussienne. Comme les fonctions de rpartition des variables T et X, notes respectivement F et se correspondent, on a : x m X m F( x is ) = ( t is ) = ( is ) et la relation affine entre T et X est de la forme : T = On peut alors dterminer graphiquement m et : L'abscisse du point d'intersection de la droite de Henry avec la droite d'quation t = 0 est m. L'abscisse du point d'intersection de la droite de Henry avec la droite d'quation t = 1 est m+.

J-P LENOIR

Page 16

CHAPITRE 1