Académique Documents
Professionnel Documents
Culture Documents
Jaouad Madkour
e-mail: jaouad.madkour@outlook.com
2016/2017
1/1
Introduction
I Pre-requis necessaires
I Plan du cours
2/1
Introduction
3/1
Introduction
Statistique descriptive
4/1
Introduction
I Objectif pedagogique du cours
Taxonomie de Bloom
5/1
Introduction
I Pre-requis necessaires
Bien que la statistique descriptive soit une branche des mathematiques qui a
des applications dans dautres disciplines telles que la biologie, la demogra-
phie, leconomie, la finance, la gestion..., elle ne necessite que des connais-
sances en mathematiques de niveau college et les outils de la discipline a
laquelle elle sapplique.
6/1
Introduction
I Plan du cours
7/1
Chapitre 1 : Organisation des donnees
8/1
1. Organisation des donnees
9/1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
10 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
11 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.1. Population, echantillon et unite statistique
12 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.1. Population, echantillon et unite statistique
Exemple 1 :
Population : Moyens de transport au Maroc.
Unites statistiques : Motocycles, trains, autocars...
Echantillon : Vehicules immatricules en 2016.
Exemple 2 :
Population : Production agricole au Maroc.
Unites statistiques : Ble, tomates, pommes, vaches...
Echantillon : Production de cereales dans la region Settat-Casablanca.
13 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
Remarques :
Un caractere est aussi appele variable statistique, il est note en lettres
majuscules X , Y , ...
14 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.2. Caractere et modalite
Exemple 1 (suite) :
Population : Moyens de transport au Maroc.
Caractere : Carburant utilise.
Modalites : Diesel, essence...
Exemple 2 (suite) :
Population : Production agricole au Maroc.
Caractere : Volume de la production en millions de tonnes.
Modalites : 5, 10, 20...
15 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
16 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.3. Effectifs et frequences
Remarques :
Leffectif total n est egal a la somme de tous les effectifs ni :
n1 + n2 + + nk = n
17 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.3. Effectifs et frequences
Remarque :
18 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.3. Effectifs et frequences
Exemple :
10 13 12 14 10 13 11 12 11 10
11 14 10 13 12 10 12 13 12 10
13 16 14 11 13 15 10 13 12 14
10 15 11 14 12 15 12 11 13 10
12 15 14 10 13 11 16 13 11 15
12 11 13 10 14 16 15 11 15 12
13 11 14 11 14 12 15 13 12 13
11 12 10 16 11 14 14 13 14 10
19 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.3. Effectifs et frequences
Exemple (suite) :
i xi ni fi = ni /n
1 10 13 13/80 = 0.1625
2 11 14 14/80 = 0.1750
3 12 14 14/80 = 0.1750
4 13 15 15/80 = 0.1875
5 14 12 12/80 = 0.1500
6 15 08 08/80 = 0.1000
7 16 04 04/80 = 0.0500
Somme n = 80 1
20 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.3. Effectifs et frequences
Definitions (suite) :
Effectif cumule croissant Ni+ dune modalite xi : nombre dindividus
ayant des modalites au plus egales a la modalite xi :
Ni+ = n1 + n2 + + ni
Ni = nk + nk 1 + + ni
21 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.3. Effectifs et frequences
Exemple (suite) :
i xi ni Ni+ Ni
1 10 13 13 67+13 = 80
2 11 14 13+14 = 27 53+14 = 67
3 12 14 27+14 = 41 39+14 = 53
4 13 15 41+15 = 56 24+15 = 39
5 14 12 56+12 = 68 12+12 = 24
6 15 08 68+08 = 76 04+08 = 12
7 16 04 76+04 = 80 04
Somme n = 80
22 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.3. Effectifs et frequences
Definitions (suite) :
Frequence cumulee croissante Fi+ dune modalite xi : proportion din-
dividus ayant des modalites au plus egales a la modalite xi :
Fi+ = f1 + f2 + + fi
Fi = fk + fk 1 + + fi
23 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.3. Effectifs et frequences
Exemple (suite) :
i xi fi Fi+ Fi
1 10 0.1625 0.1625 0.8375+0.1625 = 1.0000
2 11 0.1750 0.1625+0.1750 = 0.3375 0.6625+0.1750 = 0.8375
3 12 0.1750 0.3375+0.1750 = 0.5125 0.4875+0.1750 = 0.6625
4 13 0.1875 0.5125+0.1875 = 0.7000 0.3000+0.1875 = 0.4875
5 14 0.1500 0.7000+0.1500 = 0.8500 0.1500+0.1500 = 0.3000
6 15 0.1000 0.8500+0.1000 = 0.9500 0.0500+0.1000 = 0.1500
7 16 0.0500 0.9500+0.0500 = 1.0000 0.0500
Somme 1.0000
24 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.3. Effectifs et frequences
Remarques :
pi = (fi 100) %
25 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
Definition :
Une serie statistique est une suite dobservations brutes ou ordonnees. Il
sagit, par exemple, des reponses collectees lors dune enquete, des notes
obtenues dans une epreuve ecrite...etc.
Exemples :
Serie brute : 12 18 10 17 11 15 12 17 18 10
Serie ordonnee : 10 10 11 12 12 15 17 17 18 18
26 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.1. Vocabulaire statistique
1.1.1.4. Serie et distribution statistiques
Definition :
Une distribution statistique est lassociation entre les modalites xi dune va-
riable statistique et les effectifs ni ou les frequences fi correspondants. Elle
montre comment les effectifs ou les frequences sont distribues entre les mo-
dalites.
Exemples :
27 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
28 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.2. Typologie des variables statistiques
29 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.2. Typologie des variables statistiques
1.1.2.1. Variable statistique quantitative
30 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.2. Typologie des variables statistiques
1.1.2.1. Variable statistique quantitative
Definition :
Une classe est un intervalle semi-ferme [xi1 ; xi [ contenant les modalites dune
variable statistique continue comprises entre la valeur xi1 (borne inferieure)
et la valeur xi (borne superieure), la premiere etant incluse dans lintervalle
et la deuxieme en est exclue. La derniere classe est generalement un intervalle
ferme [xk 1 ; xk ].
31 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.2. Typologie des variables statistiques
1.1.2.1. Variable statistique quantitative
Remarque :
La distinction entre une variable continue et une variable discrete nest pas
toujours aussi simple car, dune part, la precision dune variable continue est
souvent limitee a quelques decimales apres la virgule et rend donc ses valeurs
isolees et, dautre part, une variable discrete peut prendre une infinite de
valeurs quelles deviennent tres proches.
Ainsi, une variable statistique sera continue des que sont traitement necessite
le regroupement de ses modalites en classes. En revanche, si une variable
statistique ne prend que quelques valeurs, meme decimales, dont le traitement
ne necessite pas des regroupements en classes, alors la variable en question
est discrete.
32 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.2. Typologie des variables statistiques
Une variable statistique qualitative est ordinale sil est possible detablir
un ordre universel entre ses modalites.
Une variable statistique qualitative est nominale sil nest pas possible
detablir un ordre universel entre ses modalites.
33 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.2. Typologie des variables statistiques
1.1.2.2. Variable statistique qualitative
34 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.2. Typologie des variables statistiques
1.1.2.2. Variable statistique qualitative
Remarques :
Les categories dune variable qualitative peuvent etre codees par des
nombres demunis de toute signification mathematique. On peut, par
exemple, donner a la couleur bleue le code 1, a la couleur rouge le code 2
et a la couleur verte le code 3. Ces codes nont pas de sens mathematique
car 1+2 = 3 ne signifie pas que melanger la couleur bleue avec la couleur
rouge produit la couleur verte !
35 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3.3. Applications
36 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
Definition :
Soit X une variable statistique quantitative prenant les valeurs x1 , x2 , ,xk
avec k N.
37 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.1. Operateur statistique (sigma)
Proprietes de loperateur :
k
X k
X
axi = a xi , a R
i=1 i=1
k
X k
X k
X
(xi + yi ) = xi + yi
i=1 i=1 i=1
k
X b
X k
X
xi = xi + xi , b N \ 1 < b < k
i=1 i=1 i=b+1
k
X
a = k .a , a R
i=1
38 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.1. Operateur statistique (sigma)
Demonstrations :
Propriete 1 :
k
X
axi = ax1 + ax2 + + axk
i=1
= a (x1 + x2 + + xk )
| {z }
Pk
i=1 xi
k
X
=a xi
i=1
39 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.1. Operateur statistique (sigma)
Demonstrations (suite) :
Propriete 2 :
k
X
(xi + yi ) = (x1 + y1 ) + (x2 + y2 ) + + (xk + yk )
i=1
= (x1 + x2 + + xk ) + (y1 + y2 + + yk )
| {z } | {z }
Pk Pk
i=1 xi i=1 yi
k
X k
X
= xi + yi
i=1 i=1
40 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.1. Operateur statistique (sigma)
Demonstrations (suite) :
Propriete 3 :
k
X
xi = x1 + x2 + + xb + xb+1 + xb+2 + + xk
i=1
b
X k
X
= xi + xi
i=1 i=b+1
41 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.1. Operateur statistique (sigma)
Demonstrations (suite) :
Propriete 4 :
k
X
a = a + a + + a
| {z }
i=1
k fois
= k .a
42 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
43 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.2. Operateur statistique (pi)
Proprietes de loperateur :
k
Y
a = a k , a R
i=1
k
Y k
Y k
Y
(xi yi ) = xi yi
i=1 i=1 i=1
k
Y b
Y k
Y
xi = xi xi , b N \ 1 < b < k
i=1 i=1 i=b+1
k
Y k
Y
axi = a k xi , a R
i=1 i=1
44 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.2. Operateur statistique (pi)
Demonstrations :
Propriete 1 :
k
Y
a = a a a
| {z }
i=1
k facteurs
= ak
45 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.2. Operateur statistique (pi)
Demonstrations (suite) :
Propriete 2 :
k
Y
(xi yi ) = (x1 y1 ) (x2 y2 ) (xk yk )
i=1
= (x1 x2 xk ) (y1 y2 yk )
| {z } | {z }
Qk Qk
i=1 xi i=1 yi
k
Y k
Y
= xi yi
i=1 i=1
46 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.2. Operateur statistique (pi)
Demonstrations (suite) :
Propriete 3 :
k
Y
xi = x1 x2 xb xb+1 xb+2 xk
i=1
b
Y k
Y
= xi xi
i=1 i=b+1
47 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.2. Operateur statistique (pi)
Demonstrations (suite) :
Propriete 4 :
k
Y
axi = ax1 ax2 axk
i=1
= (a a a) (x1 x2 xk )
| {z } | {z }
k facteurs
Qk
i=1 xi
k
Y
= ak xi
i=1
48 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.3. Applications
49 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.3. Applications
Solutions :
k
X
(xi + a) = (x1 + a) + (x2 + a) + + (xk + a)
i=1
= x1 + a + x2 + a + + xk + a
= (x1 + x2 + + xk ) + (a + a + + a)
k
X k
X
= xi + a
i=1 i=1
k
X
= xi + ka
i=1
50 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.3. Applications
Solutions (suite) :
k
X
(xi + a)2 = (x1 + a)2 + (x2 + a)2 + + (xk + a)2
i=1
k
X k
X k
X
= xi2 + 2axi + a2
i=1 i=1 i=1
k
X k
X
= xi2 + 2a xi + k .a 2
i=1 i=1
51 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.3. Applications
Solutions (suite) :
k
X
(xi + yi )2 = (x1 + y1 )2 + (x2 + y2 )2 + + (xk + yk )2
i=1
k
X k
X k
X
= xi2 + 2 xi yi + yi2
i=1 i=1 i=1
52 / 1
1. Organisation des donnees
1.1. Vocabulaire et operateurs statistiques
1.1.3. Operateurs statistiques et
1.1.3.3. Applications
Rappel :
log (a b) = log (a) + log (b)
Solutions (suite) :
k
!
Y
log xi = log (x1 x2 xk )
i=1
53 / 1
1. Organisation des donnees
54 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
Definition :
Le tableau statistique est une representation synthetique dune distribution
statistique. Il fournit des informations sur chacune des modalites prises par
la variable statistique etudiee. Ces informations sont leffectif de chaque mo-
dalite, sa frequence, ses effectifs cumules, ses frequences cumulees ou toute
autre information utile telle que le centre ou lamplitude des classes.
55 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
56 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
1.2.1. Variables qualitatives nominales
Exemple :
Elections legislatives
B V R O R O R B R B
B V B R V B V B O R
V V R B R V O R O B
B B V B V R B B O R
57 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
1.2.1. Variables qualitatives nominales
Categories ni fi
Vert 9 0.225
Bleu 14 0.350
Orange 6 0.150
Rose 11 0.275
Total 40 1.000
58 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
59 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
1.2.2. Variables qualitatives ordinales
Exemple :
B M L D B L M M B D L B
L B L B B L M B L B B B
B M B B L L B L B L L L
L M D B M B B L D B M M
B L B M L B M L D B M B
60 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
1.2.2. Variables qualitatives ordinales
61 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
62 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
1.2.3. Variables quantitatives discretes
Exemple :
Lors dune etude demographique, on a classe 100 familles selon leur nombre
denfants. Voici la serie statistique obtenue :
1111111111112222222222222
2222222222222222222222222
2233333333333333333333333
3333333334444444444444444
Notons que cette serie est ordonnee et en consequence son traitement est
legerement plus simple que celui dune serie brute. En particulier, on peut
aisement reperer les extrema (minimum et maximum) de la serie.
63 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
1.2.3. Variables quantitatives discretes
Le tableau statistique relatif a la repartition des familles selon leur nombre
denfants se presente comme suit :
64 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
65 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
1.2.4. Variables quantitatives continues
Exemple :
Tailles dindividus
161.2 162.4 162.7 163.8 163.5 166.4 166.8 166.4 167.1 167.3 168.2
168.7 169.1 169.4 169.4 171.4 171.6 171.4 171.8 171.8 171.2 171.8
171.1 171.5 172.9 172.7 172.4 173.4 173.6 173.6 173.3 173.1 174.4
174.4 174.7 177.4 177.6 177.4 177.6 178.4 178.4 178.1 178.2 179.8
179.4 179.1 179.0 179.4 179.4 179.3 181.1 181.3 182.1 183.1 183.3
66 / 1
1. Organisation des donnees
1.2. Tableaux statistiques
1.2.4. Variables quantitatives continues
La tableau statistique associe a la distribution des tailles est le suivant :
Le nombre 15, par exemple, situe en face de la classe [165; 170[ et sur la
colonne Ni+ est la somme de deux nombres de la colonne ni : le nombre 5
correspondant a la classe [160; 165[ et le nombre 10 correspondant a la classe
[165; 170[. 15 est donc le nombre dindividus ayant des tailles comprises entre
160 cm et 170 cm ou tout simplement des tailles au plus egales a 170 cm (la
borne superieure de la classe [165; 170[).
67 / 1
1. Organisation des donnees
68 / 1
1. Organisation des donnees
1.3. Representations graphiques
Chacune des colonnes dun tableau statistique peut etre representee graphi-
quement et a chaque colonne correspond un type particulier de representation
graphique.
69 / 1
1. Organisation des donnees
1.3. Representations graphiques
70 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.1. Diagramme en barres
Definition :
71 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.1. Diagramme en barres
Exemple :
Elections legislatives
Couleurs ni
Vert 9
Bleu 14
Orange 6
Rose 11
72 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.1. Diagramme en barres
Exemple :
Elections legislatives
Couleurs fi
Vert 0.225
Bleu 0.350
Orange 0.150
Rose 0.275
73 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.1. Diagramme en barres
Exemple :
Diplomes dune commune
Diplomes ni
Baccalaureat 25
Licence 18
Master 12
Doctorat 5
74 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.1. Diagramme en barres
Exemple :
Diplomes dune commune
Diplomes fi
Baccalaureat 0.42
Licence 0.30
Master 0.20
Doctorat 0.08
75 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.1. Diagramme en barres
Remarque :
Lordre des categories dune variable qualitative ordinale doit etre respecte
lors de la construction du diagramme en barres.
76 / 1
1. Organisation des donnees
1.3. Representations graphiques
77 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.2. Diagramme en batons
Definitions :
78 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.3. Diagramme en batons
Exemple :
xi ni
1 12
2 40
3 32
4 16
79 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.3. Diagramme en batons
Exemple :
xi fi
1 0.12
2 0.40
3 0.32
4 0.16
80 / 1
1. Organisation des donnees
1.3. Representations graphiques
81 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.3. Histogramme
Definition :
Le polygone est une droite segmentee reliant les points centraux des sommets
de chaque rectangle dun histogramme. Le polygone permet de donner lallure
de la distribution statistique.
82 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.3. Histogramme
Exemple :
Tailles dindividus
Tailles (cm) ni ai hi ci
[155 ; 160 [ 0 5 0 157.5
[160 ; 165 [ 5 5 1 162.5
[165 ; 170 [ 10 5 2 167.5
[170 ; 175 [ 20 5 4 172.5
[175 ; 180 [ 10 5 2 177.5
[180 ; 185 [ 10 5 2 182.5
[185 ; 190] 0 5 0 187.5
83 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.3. Histogramme
Exemple :
Tailles dindividus
Tailles (cm) fi ai hi ci
[155 ; 160 [ 0 5 0 157.5
[160 ; 165 [ 0.090 5 0.018 162.5
[165 ; 170 [ 0.180 5 0.036 167.5
[170 ; 175 [ 0.360 5 0.072 172.5
[175 ; 180 [ 0.185 5 0.037 177.5
[180 ; 185 [ 0.185 5 0.037 182.5
[185 ; 190] 0 5 0 187.5
84 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.3. Histogramme
Remarques :
85 / 1
1. Organisation des donnees
1.3. Representations graphiques
86 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
Definitions :
87 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
xi Ni+
1 12
2 52
3 84
4 100
88 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
xi Ni+
1 12
2 52
3 84
4 100
89 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
xi Ni+
1 12
2 52
3 84
4 100
90 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
1.3.4.1. Variable statistique discrete
xi Ni
1 100
2 88
3 48
4 16
91 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
1.3.4.1. Variable statistique discrete
xi Ni
1 100
2 88
3 48
4 16
92 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
1.3.4.1. Variable statistique discrete
xi Ni
1 100
2 88
3 48
4 16
93 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
1.3.4.1. Variable statistique discrete
xi Fi+
1 0.12
2 0.52
3 0.84
4 1
94 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
1.3.4.1. Variable statistique discrete
xi Fi+
1 0.12
2 0.52
3 0.84
4 1
95 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
1.3.4.1. Variable statistique discrete
xi Fi+
1 0.12
2 0.52
3 0.84
4 1
96 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
1.3.4.1. Variable statistique discrete
xi Fi
1 1
2 0.88
3 0.48
4 0.16
97 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
1.3.4.1. Variable statistique discrete
xi Fi
1 1
2 0.88
3 0.48
4 0.16
98 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
1.3.4.1. Variable statistique discrete
xi Fi
1 1
2 0.88
3 0.48
4 0.16
99 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
[xi1 .; xi [ Ni+
[160 ; 165 [ 5
[165 ; 170 [ 15
[170 ; 175 [ 35
[175 ; 180 [ 50
[180 ; 185] 55
100 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
[xi1 .; xi [ Ni+
[160 ; 165 [ 5
[165 ; 170 [ 15
[170 ; 175 [ 35
[175 ; 180 [ 50
[180 ; 185] 55
101 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
[xi1 .; xi [ Ni+
[160 ; 165 [ 5
[165 ; 170 [ 15
[170 ; 175 [ 35
[175 ; 180 [ 50
[180 ; 185] 55
102 / 1
1. Organisation des donnees
1.3. Representations graphiques
1.3.4. Courbes cumulatives
1.3.4.2. Variable statistique continue
Effectifs cumules decroissants : Courbe cumulative
descendante
[xi1 .; xi [ Ni
[160 ; 165 [ 55
[165 ; 170 [ 50
[170 ; 175 [ 40
[175 ; 180 [ 20
[180 ; 185] 5
[xi1 .; xi [ Ni
[160 ; 165 [ 55
[165 ; 170 [ 50
[170 ; 175 [ 40
[175 ; 180 [ 20
[180 ; 185] 5
[xi1 .; xi [ Ni
[160 ; 165 [ 55
[165 ; 170 [ 50
[170 ; 175 [ 40
[175 ; 180 [ 20
[180 ; 185] 5
[xi1 .; xi [ Fi+
[160 ; 165 [ 0.09
[165 ; 170 [ 0.27
[170 ; 175 [ 0.63
[175 ; 180 [ 0.91
[180 ; 185] 1
[xi1 .; xi [ Fi+
[160 ; 165 [ 0.09
[165 ; 170 [ 0.27
[170 ; 175 [ 0.63
[175 ; 180 [ 0.91
[180 ; 185] 1
[xi1 .; xi [ Fi+
[160 ; 165 [ 0.09
[165 ; 170 [ 0.27
[170 ; 175 [ 0.63
[175 ; 180 [ 0.91
[180 ; 185] 1
[xi1 .; xi [ Fi
[160 ; 165 [ 1
[165 ; 170 [ 0.91
[170 ; 175 [ 0.73
[175 ; 180 [ 0.37
[180 ; 185] 0.09
[xi1 .; xi [ Fi
[160 ; 165 [ 1
[165 ; 170 [ 0.91
[170 ; 175 [ 0.73
[175 ; 180 [ 0.37
[180 ; 185] 0.09
[xi1 .; xi [ Fi
[160 ; 165 [ 1
[165 ; 170 [ 0.91
[170 ; 175 [ 0.73
[175 ; 180 [ 0.37
[180 ; 185] 0.09
112 / 1
2. Series statistiques a une dimension
113 / 1
2. Series statistiques a une dimension
114 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
Definition :
Une mesure de position, comme son nom lindique, est un indicateur dune
position particuliere dans une serie statistique. Cette position particuliere
peut etre le centre autour duquel les donnees sont reparties de facon equi-
libree (mesure de tendance centrale), ou au contraire une position telle que
les donnees se repartissent dans des proportions inegales de part et dautre
(mesure de position relative).
115 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
116 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1.1 Le mode
2.1.1.2 La mediane
117 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1 Le mode
Definition :
Le mode dune distribution statistique, note Mo , est la modalite du caractere
la plus frequemment rencontree localement. Cest lequivalent du maximum
en analyse mathematique.
Une distribution statistique peut avoir un, deux ou plusieurs modes, on parle
alors respectivement de distributions unimodale, bimodale et multimodale.
118 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
119 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
Determination dans le cas discret :
A partir dun diagramme en batons :
Le mode est la modalite correspondant au baton le plus eleve localement.
Mo = 2
2 est le nombre denfants par famille
le plus frequemment observe.
120 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
Determination dans le cas discret :
A partir dun tableau statistique :
Le mode est la modalite correspondant a leffectif (ou a la frequence)
maximal(e) localement.
xi ni fi
Mo = 2 1 12 0.12
2 38 0.38
2 est le nombre denfants par famille
le plus frequemment observe. 3 22 0.22
4 18 0.18
5 10 0.10
100 1
121 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
Determination dans le cas continu :
A partir dun histogramme :
1. Identifier la classe modale [xi1 ; xi [ :
Cest la classe correspondant au rectangle le plus eleve localement.
122 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
Determination dans le cas continu :
A partir dun histogramme :
2. Identifier la valeur modale Mo graphiquement :
Le mode Mo est labscisse du point dintersection des segment joi-
gnant les coins superieurs du rectangle de la classe modale aux
coins superieurs les plus proches des rectangles adjacents :
123 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
[xi1 ; xi [ ni ai hi
[160 ; 165 [ 5 5 1
[165 ; 170 [ 13 5 2.6
[170 ; 175 [ 20 5 4
[175 ; 185] 20 10 2
Total 58
124 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
d1
M0 = xi1 + (xi xi1 )
d1 + d2
avec :
d1 = hi hi1 d2 = hi hi+1
125 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
I Demonstration : Triangles semblables
a b c
= =
A B C
h H
=
a A
ou h et H designent les hauteurs des
triangles.
126 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
I Demonstration (suite) :
Les triangles ABE et CDE sont semblables, on a :
EH EH 0 Mo xi1 xi Mo
= =
AB DC d1 d2
d1
Mo xi1 = (xi Mo )
d2
d1
Mo xi1 = [(xi xi1 ) (Mo xi1 )]
d2
d1 d1
Mo xi1 = (xi xi1 ) (Mo xi1 )
d2 d2
d1 d1
(Mo xi1 ) 1 + = (xi xi1 )
d2 d2
d2 d1
Mo xi1 = (xi xi1 )
d1 + d2 d2
d1
Mo = xi1 + d1 +d2
(xi xi1 )
127 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
Tailles dindividus
Mo [170 ; 175 [
Tailles (cm) hi
[160 ; 165 [ 1 Calcul du mode :
[165 ; 170 [ 2.6
4 2.6
[170 ; 175 [ 4 Mo = 170 + (175 170)
(4 2.6) + (4 2)
[175 ; 185] 2
172.06 cm
Total
La taille dindividus la plus frequemment
rencontree est 172.06 cm.
128 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
Remarques :
Le mode est la mesure de centre adaptee aux caracteres qualitatifs.
129 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
Remarques (suite) :
Les modes des distributions statistiques multimodales ne sont plus des me-
sures de centre mais une indication sur lheterogeneite de la population.
130 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.1. Le mode
Remarques (suite) :
Le mode est sensible au decoupage des classes dune variable continue.
[xi1 ; xi [ ni ai hi [xi1 ; xi [ ni ai hi
[160 ; 165 [ 5 5 1 [160 ; 170 [ 15 10 1.5
[165 ; 170 [ 10 5 2 [170 ; 180 [ 35 10 3.5
[170 ; 175 [ 20 5 4 [180 ; 185 [ 5 5 1
[175 ; 180 [ 15 5 3
[180 ; 185 [ 5 5 1
42 3.5 1.5
Mo = 170 + 5 Mo = 170 + 10
(4 2) + (4 3) (3.5 1.5) + (3.5 1)
= 173.33 cm = 174.44 cm
131 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2 La mediane
Definition :
La mediane dune distribution statistique, notee Me , est la valeur du caractere
qui partage la serie statistique ordonnee en deux parties contenant chacune
la moitie des observations.
132 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
133 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
Exemples :
Serie 1 : 2 3 3 4 5 6 6 7 8
Serie 2 : 2 3 3 4 5 5 6 7 8 9
Serie 3 : 2 3 3 4 5 6 6 7 8 9
134 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
Exemples (suite) :
Serie 1 : 2 3 3 4 5 6 6 7 8
xi ni fi Fi+
Aucune frequence cumulee croissante nest
2 1 0.11 0.11
egale a 0.5.
3 2 0.22 0.33
4 1 0.11 0.44 La mediane correspond a la frequence cumulee
5 1 0.11 0.55 croissante immediatement superieure a 0.5.
6 2 0.22 0.77
7 1 0.11 0.88 La valeur 0.5 renvoie a la notion de moitie .
8 1 0.12 1
Somme 9 1
135 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
Exemples (suite) :
Serie 2 : 2 3 3 4 5 5 6 7 8 9
xi ni fi Fi+
2 1 0.1 0.1 Aucune frequence cumulee croissante nest
3 2 0.2 0.3
egale a 0.5.
4 1 0.1 0.4
5 2 0.2 0.6 La mediane correspond a la frequence cumulee
6 1 0.1 0.7 croissante immediatement superieure a 0.5.
7 1 0.1 0.8
8 1 0.1 0.9 La valeur 0.5 renvoie a la notion de moitie .
9 1 0.1 1
Somme 10 1
136 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
Exemples (suite) :
Serie 3 : 2 3 3 4 5 6 6 7 8 9
xi ni fi Fi+
2 1 0.1 0.1
Il y a une frequence cumulee croissante egale
3 2 0.2 0.3
4 1 0.1 0.4 a 0.5, on a un intervalle median.
5 1 0.1 0.5 Par convention, la mediane est egale au centre
6 2 0.2 0.7 de lintervalle median.
7 1 0.1 0.8
8 1 0.1 0.9 La valeur 0.5 renvoie a la notion de moitie .
9 1 0.1 1
Somme 10 1
137 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
138 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
I A partir de la courbe cumulative ascendante :
Me = 2 enfants
139 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
I A partir de la courbe cumulative ascendante :
Me [2; 3]
2+3
Me = = 2.5
2
3 enfants
140 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
Determination dans le cas continu :
I A partir de la courbe cumulative ascendante :
La mediane est labscisse du point associe a la frequence cumulee croissante
0.5.
141 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
I A partir des courbes cumulatives ascendante et descendante :
La mediane est labscisse du point dintersection des courbes cumulatives
ascendante et descendante, ce point correspond a des frequences cumulees
(croissante et decroissante) egales a 0.5.
142 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
143 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
yB yA
a=
xB xA
144 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
I Demonstration (suite) :
+
yB yA 0.5 Fi1
a= =
xB xA Me xi1
yC yA
+
F + Fi1
a= = i
xC xA xi xi1
+
0.5 Fi1 +
F + Fi1
= i
Me xi1 xi xi1
+
0.5 Fi1
Me xi1 = (xi xi1 )
Fi+ Fi1
+
+
0.5Fi1
Me = xi1 + (xi xi1 )
Fi+ Fi1
+
145 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
I Pratique : Etape 1
146 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
I Pratique : Etape 2
147 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
I Pratique : Etape 3
148 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
I Pratique : Etape 4
+
Me xi1 0.5 Fi1
= + +
xi xi1 Fi Fi1
+
0.5 Fi1
Me xi1 = (xi xi1 )
Fi+ Fi1
+
+
0.5Fi1
Me = xi1 + (xi xi1 )
Fi+ Fi1
+
149 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
Exemple 1 :
Tailles dindividus
0.5 0.27
Me = 170 + 5
Tailles (cm) Fi+ 0.63 0.27
[160 ; 165 [ 0.09 = 173.19 cm
[165 ; 170 [ 0.27
La moitie des individus ont une taille
[170 ; 175 [ 0.63
inferieure a 173.19 cm et lautre moitie
[175 ; 180 [ 0.91 ont une taille superieure a cette taille
[180 ; 185] 1 mediane.
150 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.2. La mediane
Exemple 2 :
Tailles dindividus
0.5 0.27
Me = 170 + 5
Tailles (cm) Fi+ 0.5 0.27
[160 ; 165 [ 0.09 = 175 cm
[165 ; 170 [ 0.27
La moitie des individus ont une taille
[170 ; 175 [ 0.5
inferieure a 175 cm et lautre moitie
[175 ; 180 [ 0.91 ont une taille superieure a cette taille
[180 ; 185] 1 mediane.
151 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
k k
1X X
x = ni xi = fi xi
n i=1 i=1
152 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.3. La moyenne arithmetique
153 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.3. La moyenne arithmetique
Remarques :
154 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.3. La moyenne arithmetique
Exemple 1 :
4
xi ni ni xi 1X
x = ni xi
1 12 12 n i=1
2 40 80 252
=
3 32 96 100
4 16 64 = 2.52 3 enfants
100 252 Les familles concernees ont en
moyenne 3 enfants.
155 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.3. La moyenne arithmetique
Exemple 2 :
Tailles dindividus
Tailles (cm) ci ni ni ci 5
1X
[160 ; 165[ 162.5 5 812.5 x = ni ci
n i=1
[165 ; 170[ 167.5 10 1675
9512.5
[170 ; 175[ 172.5 20 3450 =
55
[175 ; 180[ 177.5 15 2662.5 = 172.95 cm
[180 ; 185] 182.5 5 912.5
55 9512.5 Les individus concernes ont une taille
moyenne egale a 172.95 cm.
156 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.3. La moyenne arithmetique
Proprietes :
ax + by = ax + by
k
X
ni (xi x ) = 0
i=1
157 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.3. La moyenne arithmetique
Demonstrations :
k
1X
ax + by = ni (axi + byi )
n i=1
k
1X
= (ani xi + bni yi )
n i=1
k k
1X 1X
= ani xi + bni yi
n i=1 n i=1
k
! k
!
1X 1X
=a ni xi + b ni yi
n i=1 n i=1
= ax + by
158 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.3. La moyenne arithmetique
Exemples :
x +y =x +y
2x + y = 2x + y
3x y = 3x y
x 3y = x 3y
x + 2y = x + 2y
3x + 2 = 3x + 2
3 2y = 3 2y
159 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.3. La moyenne arithmetique
Demonstrations (suite) :
k
X k
X
ni (xi x ) = (ni xi ni x )
i=1 i=1
k
X k
X
= ni xi ni x
i=1 i=1
k k
1X X
=n ni xi x ni
n i=1 i=1
= nx x n
=0
160 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.3. La moyenne arithmetique
Remarque :
161 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1. Mesures de tendance centrale ou de centre
2.1.1.3. La moyenne arithmetique
Exemple :
Groupe A Groupe B
15 15 15 15 15 1 15 15 15 15
x = 15 x = 12.2
Me = 15 Me = 15
162 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.1.4 Generalisation
163 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
Les quantiles ou les fractiles sont des valeurs qui partagent la serie statistique
ordonnee en un certain nombre de parties contenant chacune une meme pro-
portion dobservations. Ils constituent, de ce fait, une generalisation de la
notion de mediane qui partage la serie statistique en deux parties contenant
chacune la moitie des observations.
Les quantiles les plus connus sont les quartiles, les deciles et les centiles qui
divisent la serie statistique en respectivement 4, 10 et 100 parties de meme
effectif. Par consequent, les quantiles ne se trouvent pas necessairement au
centre de la distribution statistique mais dans des positions dites relatives.
164 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
Definition :
Les quartiles sont des valeurs qui partagent la serie statistique ordonnee en
4 parties contenant chacune 25% des observations. Ils sont au nombre de 3
et ils sont notes Q1 , Q2 et Q3 .
165 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.1. Les quartiles
166 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
Definition :
Les deciles sont des valeurs qui partagent la serie statistique ordonnee en 10
parties contenant chacune 10% des observations. Ils sont au nombre de 9 et
ils sont notes D1 , D2 ... et D9 .
167 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.2. Les deciles
168 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
Definition :
Les centiles sont des valeurs qui partagent la serie statistique ordonnee en
100 parties contenant chacune 1% des observations. Ils sont au nombre de 99
et ils sont notes C1 , C2 ... et D99 .
169 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.3. Les centiles
170 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.4 Generalisation
Definition :
De facon generale, on definit les quantiles dordre , avec ]0; 1[, comme les
valeurs qui partagent la serie statistique ordonnee en 1/ parties contenant
chacune une proportion des observations et on les note q .
Ainsi, une proportion des observations est inferieure a q et une proportion
1 est superieure a cette valeur.
171 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.4. Generalisation
172 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
173 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.5. Mode de calcul
174 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.5. Mode de calcul
Exemple :
175 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.5. Mode de calcul
176 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.5. Mode de calcul
177 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.5. Mode de calcul
Cas des variables discretes :
Exemple :
178 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.5. Mode de calcul
179 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.5. Mode de calcul
180 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.5. Mode de calcul
+
Fi1
q = xi1 + (xi xi1 )
Fi+ Fi1
+
181 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.5. Mode de calcul
+
q xi1 Fi1
= + +
xi xi1 Fi Fi1
+
Fi1
q xi1 = (xi xi1 )
Fi+ Fi1
+
+
Fi1
q = xi1 + (xi xi1 )
Fi+ Fi1
+
182 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.5. Mode de calcul
Exemple :
Tailles dindividus
183 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.5. Mode de calcul
Cas des variables continues :
Exemple (suite) :
Tailles dindividus
185 / 1
2. Series statistiques a une dimension
2.1. Mesures de position
2.1.2. Mesures de position relative ou quantiles
2.1.2.5. Mode de calcul
Cas des variables continues :
Exemple :
Tailles dindividus
186 / 1
2. Series statistiques a une dimension
187 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
Problematique :
Groupe A Groupe B
15 15 15 15 15 13 14 15 16 17
x = 15 x = 15
Me = 15 Me = 15
188 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
Definition :
189 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
190 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
Definitions :
Lintervalle de variation dune serie statistique est lintervalle borne par la
valeur minimale xmin et la valeur maximale xmax de variable statistique X , il
est note IV = [xmin ; xmax ]. Cet intervalle contient la totalite des donnees.
Lamplitude de lintervalle de variation IV , notee E , est appelee etendue de
la serie. On a :
E = xmax xmin
191 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
2.2.1.1. Intervalle de variation et etendue dune serie
192 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
2.2.1.1. Intervalle de variation et etendue dune serie
Exemple 1 :
1 2 3 4
E = 4 1 = 3 enfants
193 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
2.2.1.1. Intervalle de variation et etendue dune serie
Exemple 2 :
Tailles dindividus
[160 ; 165[ [165 ; 170[ [170 ; 175[ [175 ; 180 [ [180 ; 185 ]
E = 185 160 = 25 cm
194 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
Definitions :
Lintervalle interquartile dune serie statistique est lintervalle borne par le
premier et le dernier quartiles de la variable X , il est note IQ = [Q1 ; Q3 ]. Cet
intervalle contient la moitie des donnees.
Lamplitude de lintervalle interquartile IQ, notee EIQ, est appelee ecart
interquartile ou etendue interquartile. On a :
EIQ = Q3 Q1
195 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
2.2.1.2. Intervalle interquartile et ecart interquartile
196 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
2.2.1.2. Intervalle interquartile et ecart interquartile
Exemple 1 :
1 2 3 4
IQ = [Q1 ; Q3 ] = [2; 3]
EIQ = 3 2 = 1 enfant
197 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
2.2.1.2. Intervalle interquartile et ecart interquartile
Exemple 2 :
Tailles dindividus
[160 ; 165[ [165 ; 170[ [170 ; 175[ [175 ; 180 [ [180 ; 185 ]
198 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
Definitions :
Lintervalle interdecile dune serie statistique est lintervalle borne par le
premier et le dernier deciles de la variable X , il est note ID = [D1 ; D9 ]. Cet
intervalle contient 80% des donnees.
Lamplitude de lintervalle interdecile ID, notee EID, est appelee ecart in-
terdecile ou etendue interdecile. On a :
EID = D9 D1
199 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
2.2.1.3. Intervalle interdecile et ecart interdecile
200 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
2.2.1.3. Intervalle interdecile et ecart interdecile
Exemple 1 :
1 2 3 4
ID = [D1 ; D9 ] = [1; 4]
EID = 4 1 = 3 enfants
201 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
2.2.1.3. Intervalle interdecile et ecart interdecile
Exemple 2 :
Tailles dindividus
[160 ; 165[ [165 ; 170[ [170 ; 175[ [175 ; 180 [ [180 ; 185 ]
202 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
Definitions :
Lintervalle intercentile dune serie statistique est lintervalle borne par le
premier et le dernier centiles de la variable X , il est note IC = [C1 ; C99 ]. Cet
intervalle contient 98% des donnees.
Lamplitude de lintervalle intercentile IC , notee EIC , est appelee ecart in-
tercentile ou etendue intercentile. On a :
EIC = C99 C1
203 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
2.2.1.4. Intervalle intercentile et ecart intercentile
204 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
2.2.1.4. Intervalle intercentile et ecart intercentile
Exemple 1 :
1 2 3 4
EIC = 4 1 = 3 enfants
205 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
2.2.1.4. Intervalle intercentile et ecart intercentile
Exemple 2 :
Tailles dindividus
[160 ; 165[ [165 ; 170[ [170 ; 175[ [175 ; 180 [ [180 ; 185 ]
206 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.1. Distance entre deux valeurs particulieres
Remarque :
La dispersion dune distribution statistique peut etre resumee a laide dune
bote a moustaches. Il sagit dun diagramme representant simultanement
lintervalle de variation, lintervalle interquartile, la moyenne et la mediane
de la serie statistique.
207 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
208 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
209 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
210 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.1 Ecart absolu moyen
Definition :
Lecart absolu moyen dune variable statistique, notee EAM , est la moyenne
arithmetique des valeurs absolues des ecarts des observations de la variable
par rapport a une mesure de centre qui est generalement la moyenne arith-
metique x :
k
1X
EAM = ni |xi x |
n i=1
Dans le cas dune variable continue, les modalites xi sont remplacees par les
centres des classes ci :
k
1X
EAM = ni |ci x |
n i=1
211 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.1. Ecart absolu moyen
Exemple 1 :
xi ni ni xi |xi x | ni |xi x |
1 12 12 1.52 18.24
2 40 80 0.52 20.80
3 32 96 0.48 15.36
4 16 64 1.48 23.68
100 252 78.08
252
x = = 2.52 3 enfants
100
4
1X 78.08
EAM = ni |xi x | = = 0.7808 1 enfant
n i=1 100
212 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.1. Ecart absolu moyen
Exemple 2 :
Tailles dindividus
9512.5
x = = 172.95 cm
55
5
1X 231.75
EAM = ni |ci x | = = 4.21 cm
n i=1 55
213 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.2 Variance et ecart-type
Definitions :
La variance dune variable statistique X , notee x2 ou V (X ), est la moyenne
des carres des ecarts des observations de la variable par rapport a sa moyenne
arithmetique x :
k
1X
x2 = ni (xi x )2
n i=1
Dans le cas dune variable continue, les modalites xi sont remplacees par les
centres des classes ci :
k
1X
x2 = ni (ci x )2
n i=1
Remarque :
Il existe un ecriture alternative de la variance tres utilisee dans la pratique :
x2 = x 2 x 2
ou
k
1X
x2 = ni xi2
n i=1
k
1X
x2 = ni ci2
n i=1
215 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.2. Variance et ecart-type
Exemple 1 :
Nombre denfants par famille
4
1X 80.96 p
x2 = ni (xi x )2 = = 0.81 = x2 = 0.9 1 enfant
n i=1 100
716 p
x2 = x 2 x 2 = (2.52)2 = 0.81 = x2 = 0.9 1 enfant
100
216 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.2. Variance et ecart-type
Exemple 2 :
Tailles dindividus
5
1 X 1613.64 q
x2 = ni (ci x )2 = = 29.34 = x2 = 5.42 cm
n i =1
55
1646843.75 q
x2 = c 2 x 2 = (172.95)2 = 30.91 = x2 = 5.56 cm
55
217 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.2. Variance et ecart-type
Remarque :
218 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.2. Variance et ecart-type
Proprietes :
Soit X une variable statistique quantitative et a et b deux constantes
reelles. La variance verifie les proprietes suivantes :
V (aX ) = a 2 V (X )
V (X + b) = V (X )
V (aX + b) = a 2 V (X )
219 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.2. Variance et ecart-type
Demonstrations :
k
1X
V (aX ) = ni (axi ax )2
n i=1
k
1X X x1 x2 xk
= ni (axi ax )2 ni n1 n2 nk
n i=1
k
1X
= ni [a(xi x )]2
n i=1
k
1X
= ni a 2 (xi x )2 aX ax1 ax2 axk
n i=1
ni n1 n2 nk
k
1X
= a2 ni (xi x )2
n i=1
= a 2 V (X )
220 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.2. Variance et ecart-type
Demonstrations (suite) :
k
1X 2
V (X + b) = ni xi + b x + b
n i=1 X x1 x2 xk
k ni n1 n2 nk
1 X
= ni [xi + b (x + b)]2
n i=1
k
1X
= ni (xi + b x b)2
n i=1
k X +b x1 + b x2 + b xk + b
1X
= ni (xi x )2 ni n1 n2 nk
n i=1
= V (X )
221 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.2. Variance et ecart-type
Demonstrations (suite) :
X x1 x2 xk
ni n1 n2 nk
V (aX + b) = V (aX )
2
= a V (X )
222 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.2. Variance et ecart-type
Exemples :
V (2X ) = 4V (X )
V (X + 3) = V (X )
V (2X + 3) = 4V (X )
223 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
224 / 1
2. Series statistiques a une dimension
2.2. Mesures de dispersion
2.2.2. Distance par rapport a une valeur centrale
2.2.2.3. Coefficient de variation
Exemples :
La serie statistique des nombres denfants par famille est plus dispersee que
la serie des tailles dindividus.
225 / 1
2. Series statistiques a une dimension
226 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
Definition :
Une mesure de forme indique le niveau de devia-
tion dune distribution statistique par rapport a
une situation de reference - dite normale - re-
presentee par une courbe en cloche symetrique,
ni pointue ni aplatie. Le degre de deviation est
donne par une mesure dasymetrie et par une me-
sure daplatissement.
227 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
228 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.1.Mesures dasymetrie
Distribution symetrique :
229 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.1.Mesures dasymetrie
Distribution symetrique :
230 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.1.Mesures dasymetrie
231 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.1.Mesures dasymetrie
232 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.1.Mesures dasymetrie
233 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.1.Mesures dasymetrie
234 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.1. Mesures dasymetrie
Coefficient de skewness :
k 3
1X xi x
1 = ni
n i=1
Interpretation :
I 1 = 0 : la distribution est symetrique ;
I 1 > 0 : la distribution est asymetrique a droite ;
I 1 < 0 : la distribution est asymetrique a gauche.
235 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.1. Mesures dasymetrie
Interpretation :
I 1 = 0 : la distribution est symetrique ;
I 1 > 0 : la distribution est asymetrique a droite ou a gauche :
I 3 > 0 : la distribution est asymetrique a droite ;
I 3 < 0 : la distribution est asymetrique a gauche.
avec
k
1X
3 = ni (xi x )3
n i=1
236 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.1. Mesures dasymetrie
Remarques :
237 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
238 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.2. Mesures daplatissement
Distribution mesokurtique :
239 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.2. Mesures daplatissement
Distribution mesokurtique :
240 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.2. Mesures daplatissement
Distribution leptokurtique :
241 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.2. Mesures daplatissement
Distribution leptokurtique :
242 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.2. Mesures daplatissement
Distribution platykurtique :
243 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.2. Mesures daplatissement
Distribution platykurtique :
244 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.2. Mesures daplatissement
Coefficient de kurtosis :
k 4
1X xi x
2 = ni
n i=1
Interpretation :
I 2 = 3 : distribution mesokurtique (courbe normale) ;
I 2 > 3 : distribution leptokurtique (moins aplatie que la normale) ;
I 2 < 3 : distribution platykurtique (plus aplatie que la normale).
245 / 1
2. Series statistiques a une dimension
2.3. Mesures de forme
2.3.2. Mesures daplatissement
Interpretation :
I 2 = 0 : distribution mesokurtique (aplatissement normal) ;
I 2 > 0 : distribution leptokurtique (moins aplatie que la normale) ;
I 2 < 0 : distribution platykurtique (plus aplatie que la normale).
246 / 1
Chapitre 3 : Series statistiques a deux dimensions
247 / 1
3. Series statistiques a deux dimensions
248 / 1
3. Series statistiques a deux dimensions
249 / 1
3. Series statistiques a deux dimensions
3.1. Presentation des donnees
3.1.1. Tableau de contingence ou a double entree
HH Y
H
y y2 yj yl Total
X HH 1
x1 n11 n12 n1j n1l n1
x2 n21 n22 n2j n2l n2
.. .. .. .. .. .. .. ..
. . . . . . . .
xi ni1 ni2 nij nil ni
.. .. .. .. .. .. .. ..
. . . . . . . .
xk nk 1 nk 2 nkj nkl nk
Total n1 n2 nj nl n
250 / 1
3. Series statistiques a deux dimensions
3.1. Presentation des donnees
3.1.2. Nuage de points
3.1.2. Nuage de points : aucune correlation lineaire
251 / 1
3. Series statistiques a deux dimensions
3.1. Presentation des donnees
3.1.2. Nuage de points
3.1.2. Nuage de points : une correlation quadratique
252 / 1
3. Series statistiques a deux dimensions
3.1. Presentation des donnees
3.1.2. Nuage de points
3.1.2. Nuage de points : une correlation lineaire
253 / 1
3. Series statistiques a deux dimensions
254 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
255 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.1. Distributions marginales
HH Y
H
y y2 yj yl Total
X HH 1
x1 n11 n12 n1j n1l n1
x2 n21 n22 n2j n2l n2
.. .. .. .. .. .. .. ..
. . . . . . . .
xi ni1 ni2 nij nil ni
.. .. .. .. .. .. .. ..
. . . . . . . .
xk nk 1 nk 2 nkj nkl nk
Total n1 n2 nj nl n
256 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.1. Distributions marginales
Pk
Effectif total n = i=1 ni
ni
Frequences marginales fi = n
1
Pk
Moyenne marginale x= n i=1 ni xi
1
Pk 2
Variance marginale V(X ) = n i=1 ni xi x
257 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.1. Distributions marginales
HH Y
H
y y2 yj yl Total
X HH 1
x1 n11 n12 n1j n1l n1
x2 n21 n22 n2j n2l n2
.. .. .. .. .. .. .. ..
. . . . . . . .
xi ni1 ni2 nij nil ni
.. .. .. .. .. .. .. ..
. . . . . . . .
xk nk 1 nk 2 nkj nkl nk
Total n1 n2 nj nl n
258 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.1. Distributions marginales
Pl
Effectif total n = j =1 nj
nj
Frequences marginales fj = n
1
Pl
Moyenne marginale y= n j =1 nj yj
1
Pl 2
Variance marginale V(Y ) = n j =1 nj yj y
259 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
260 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.2. Distributions conditionnelles
HH Y
HH y1 y2 yj yl Total
X H
x1 n11 n12 n1j n1l n1
x2 n21 n22 n2j n2l n2
.. .. .. .. .. .. .. ..
. . . . . . . .
xi ni1 ni2 nij nil ni
.. .. .. .. .. .. .. ..
. . . . . . . .
xk nk 1 nk 2 nkj nkl nk
Total n1 n2 nj nl n
261 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.2. Distributions conditionnelles
Pk
Effectif conditionnel total nj = i=1 nij
nij
Frequences conditionnelles fi|j = nj
1
Pk
Moyenne conditionnelle xj = nj i=1 nij xi
1
Pk 2
Variance conditionnelle Vj (X ) = nj i=1 nij (xi x j )
262 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.2. Distributions conditionnelles
HH Y
H
y y2 yj yl Total
X HH 1
x1 n11 n12 n1j n1l n1
x2 n21 n22 n2j n2l n2
.. .. .. .. .. .. .. ..
. . . . . . . .
xi ni1 ni2 nij nil ni
.. .. .. .. .. .. .. ..
. . . . . . . .
xk nk 1 nk 2 nkj nkl nk
Total n1 n2 nj nl n
263 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.2. Distributions conditionnelles
Pl
Effectif conditionnel total ni = j =1 nij
nij
Frequences conditionnelles fj |i = ni
1
Pl
Moyenne conditionnelle yi = ni j =1 nij yj
1
Pl 2
Variance conditionnelle Vi (Y ) = ni j =1 nij (yj y i )
264 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
265 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.3. Distribution jointe du couple (X ; Y )
HH Y
HH y1 y2 yj yl Total
X H
x1 n11 n12 n1j n1l n1
x2 n21 n22 n2j n2l n2
.. .. .. .. .. .. .. ..
. . . . . . . .
xi ni1 ni2 nij nil ni
.. .. .. .. .. .. .. ..
. . . . . . . .
xk nk 1 nk 2 nkj nkl nk
Total n1 n2 nj nl n
266 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.3. Distribution jointe du couple (X ; Y )
3.2.3. Distribution jointe du couple (X ; Y )
Pk Pl
Effectif total n = i=1 j =1 nij
nij
Frequences jointes fij = n
1
Pk Pl
Moyenne jointe xy = n i=1 j =1 nij xi yj
1
Pk Pl
cov(X ; Y ) = n i=1 j =1 nij xi x yj y
Covariance
=xy x y
267 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
268 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3.2.4. Exemple
269 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
1. Tableau de contingence :
270 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
271 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
2
xi ni fi ni xi ni xi x
8 24 0.48 192 118.28
11 15 0.30 165 9.13
14 11 0.22 154 157.17
50 1 511 284.58
3
1 X 511
x= ni xi = = 10.22
n i=1 50
3
1 X 2 284.58
V (X ) = ni xi x = = 5.69
n i=1 50
272 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
273 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
2
yj nj fj nj yj nj yj y
7 20 0.40 140 583.2
15 20 0.40 300 135.2
18 10 0.20 180 313.6
50 1 620 1032
3
1 X 620
y= nj yj = = 12.4
n j =1 50
3
1 X 2 1032
V (Y ) = nj yj y = = 20.64
n j =1 50
274 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3. Distribution de X conditionnellement a Y = 7 :
275 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3. Distribution de X conditionnellement a Y = 7 :
2
xi ni1 fi1 ni xi ni1 (xi x 1 )
8 12 0.6 96 27
11 6 0.3 66 13.5
14 2 0.1 28 40.5
20 1 190 81
3
1 X 190
x1 = ni1 xi = = 9.5
n1 i=1 20
3
1 X 2 81
V1 (X ) = ni1 (xi x 1 ) = = 4.05
n1 i=1 20
276 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3. Distribution de X conditionnellement a Y = 15 :
277 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3. Distribution de X conditionnellement a Y = 15 :
2
xi ni2 fi2 ni2 xi ni2 (xi x 2 )
8 10 0.5 80 57.6
11 4 0.2 44 1.44
14 6 0.3 84 77.76
20 1 208 136.8
3
1 X 208
x2 = ni2 xi = = 10.4
n2 i=1 20
3
1 X 2 136.8
V2 (X ) = ni2 (xi x 2 ) = = 6.84
n2 i=1 20
278 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3. Distribution de X conditionnellement a Y = 18 :
279 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3. Distribution de X conditionnellement a Y = 18 :
2
xi ni3 fi3 ni3 xi ni3 (xi x 3 )
8 2 0.2 16 21.78
11 5 0.5 55 0.45
14 3 0.3 42 21.87
10 1 113 44.1
3
1 X 113
x3 = ni3 xi = = 11.3
n3 i=1 10
3
1 X 2 44.1
V3 (X ) = ni3 (xi x 3 ) = = 4.41
n3 i=1 10
280 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3. Distribution de Y conditionnellement a X = 8 :
281 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3. Distribution de Y conditionnellement a X = 8 :
2
yj n1j f1j n1j yj n1j (yj y 1 )
7 12 0.5 84 216.75
15 10 0.42 150 140.625
18 2 0.08 36 91.125
24 1 270 448.5
3
1 X 270
y1 = n1j yj = = 11.25
n1 j =1 24
3
1 X 2 448.5
V1 (Y ) = n1j (yj y 1 ) = = 18.69
n1 j =1 24
282 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3. Distribution de Y conditionnellement a X = 11 :
283 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3. Distribution de Y conditionnellement a X = 11 :
2
yj n2j f2j n2j yj n2j (yj y 2 )
7 6 0.40 42 201.84
15 4 0.27 60 19.36
18 5 0.33 90 135.2
15 1 192 356.4
3
1 X 192
y2 = n2j yj = = 12.8
n2 j =1 15
3
1 X 2 356.4
V2 (Y ) = n2j (yj y 2 ) = = 23.76
n2 j =1 15
284 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3. Distribution de Y conditionnellement a X = 14 :
285 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
3. Distribution de Y conditionnellement a X = 14 :
2
yj n3j f3j n3j yj n3j (yj y 3 )
7 2 0.18 14 108.34
15 6 0.55 90 2.46
18 3 0.27 54 39.75
11 1 158 150.55
3
1 X 158
y3 = n3j yj = = 14.36
n3 j =1 11
3
1 X 2 150.55
V3 (Y ) = n3j (yj y 3 ) = = 13.69
n3 j =1 11
286 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
287 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
288 / 1
3. Series statistiques a deux dimensions
3.2. Distributions marginales, conditionnelles et jointe
3.2.4. Exemple
HH Y
H
7 15 18
X HH
8 672 1200 288
11 462 660 990
14 196 1260 756
6484
3 3
1 XX 6484
xy = nij xi yj = = 129.68
n i=1 j =1 50
289 / 1
3. Series statistiques a deux dimensions
290 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
291 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
292 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.1 Methode des moindres carres ordinaires
293 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
Resultat :
cov (X ; Y )
b =
V (X )
a = y bx
294 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
295 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
296 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
297 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
PP iam
PP
masi PP [-0.1 ;-0.05[ [-0.05 ;0[ [0 ;0.05[ [0.05 ;0.1[ Total
P
[0.02; 0.01[ 2 19 1 0 22
[0.01; 0[ 2 187 58 0 247
[0; 0.01[ 0 65 138 1 204
[0.01; 0.02[ 0 1 14 1 16
[0.02; 0.03[ 0 0 2 1 3
Total 4 272 213 3 492
298 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
299 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
300 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
iam ci ni ni ci
[0.1; 0.05[ -0.075 4 -0.3
[0.05; 0[ -0.025 272 -6.8
[0; 0.05[ 0.025 213 5.325
[0.05; 0.1[ 0.075 3 0.225
Total 492 -1.55
P4
i=1 ni ci
iam =
n
1.55
=
492
= 0.00315
301 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.2. Modele devaluation des actifs financiers
Exemple (suite) : Covariance entre masi et iam
PP iam -0.075
PP
-0.025 0.025 0.075
masi PPP P
-0.015 2 19 1 0
-0.005 2 187 58 0
0.005 0 65 138 1
0.015 0 1 14 1
0.025 0 0 2 1
iam = 0.00315
masi = 0.0005
V (masi ) = 0.000044
cov (iam ; masi ) = 0.00009
dou :
cov (iam ; masi ) 0.00009
= = = 2.045
V (masi ) 0.000044
= iam bmasi = 0.00315 2.045 (0.0005) = 0.0021
303 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.2. Modele devaluation des actifs financiers
Exemple (suite) :
Finalement, le modele devaluation des actifs financiers estime secrit :
Interpretation :
I Lestimation du coefficient de Jensen est egale a -0.0021, cette
valeur est statistiquement nulle avec une probabilite assez impor-
tante (0.7139>0.05). On conclut que lhypothese defficience des
marches est verifiee et subsequemment quil y absence dopportu-
nite darbitrage entre laction de Maroc Telecom et lindice MASI.
I Lestimation du coefficient est egale 2.045, la probabilite que
cette valeur soit egale a lunite est nulle. Par consequent, ce para-
metre est statistiquement superieur a 1 et lon conclut que laction
de Maroc Telecom est un actif offensif. Il faut donc orienter notre
choix dinvestissement vers ce dernier.
304 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
305 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.3. Mise en uvre sous EViews
306 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.3. Mise en uvre sous EViews
307 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.3. Mise en uvre sous EViews
308 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.3. Mise en uvre sous EViews
309 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.3. Mise en uvre sous EViews
310 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.3. Mise en uvre sous EViews
311 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.3. Mise en uvre sous EViews
312 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.3. Mise en uvre sous EViews
313 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.3. Mise en uvre sous EViews
314 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.3. Mise en uvre sous EViews
315 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.3. Mise en uvre sous EViews
316 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
3.3.3. Mise en uvre sous EViews
317 / 1
3. Series statistiques a deux dimensions
3.3. Ajustement lineaire dun nuage de points
318 / 1