Académique Documents
Professionnel Documents
Culture Documents
1ère Partie
Statistique Descriptive
1ère partie : STATISTIQUE DESCRIPTIVE - Introduction Module M147 - MIP Pr. A. FAHSI
La statistique trouve ses applications dans plusieurs
domaines scientifiques de différentes natures : économie,
biologie, chimie, physique, sociologie, médecine, sciences
de l’ingénieur, ...
1ère partie : STATISTIQUE DESCRIPTIVE - Introduction Module M147 - MIP Pr. A. FAHSI
La Statistique Descriptive : C’est un ensemble de
techniques scientifiques permettant de présenter, résumer,
analyser et interpréter des données statistiques. Ces
techniques peuvent être numériques (élaboration de
tableaux, calcul de paramètres) ou graphiques
(visualisation par des représentations graphiques).
1ère partie : STATISTIQUE DESCRIPTIVE - Introduction Module M147 - MIP Pr. A. FAHSI
La Statistique Mathématique : C’est un ensemble de
méthodes mathématiques, basées sur la modélisation et le
calcul des probabilités, qui permettent à partir de l’étude
d’un échantillon de déduire des informations, faire des
prévisions et prendre des décisions concernant une
population plus grande.
1ère partie : STATISTIQUE DESCRIPTIVE - Introduction Module M147 - MIP Pr. A. FAHSI
Objectifs de ce cours :
Apprendre et comprendre les principales techniques
de la statistique descriptive à une dimension et à
deux dimensions.
Être capable de mettre en oeuvre ces techniques de
manière appropriée pour décrire, organiser, analyser et
interpréter des données statistiques.
En résumé, Au bout de ce cours, l’étudiant doit être
capable de répondre à ce type de questions :
1ère partie : STATISTIQUE DESCRIPTIVE - Introduction Module M147 - MIP Pr. A. FAHSI
Exercice 1
L’observation de la consommation énergétique quotidienne
(en kwh) dans un local commercial durant une année a
donné les résultats suivants :
Consommation [8, 10[ [10, 14[ [14, 16[ [16, 20[ [20, 24[
Effectif 55 60 80 120 50
1 Préciser la population étudiée, le caractère étudié et sa
nature.
2 Calculer la proportion des jours dont la consommation
est comprise entre 11 et 22 kwh.
3 Tracer les diagrammes qui permettent de représenter
cette distribution statistique.
4 Calculer le mode, la médiane, la moyenne et
l’écart-type.
1ère partie : STATISTIQUE DESCRIPTIVE - Introduction Module M147 - MIP Pr. A. FAHSI
Exercice 2
La distribution conjointe d’un groupe d’étudiants selon la
note obtenue en module de statistique (caractère X ) et le
nombre d’absence (caractère Y ) est représentée dans le
tableau suivant :
Y 0 1 2 3 4
X
[0, 6[ 0 4 3 8 12
[6, 10[ 3 7 10 12 18
[10, 12[ 6 8 9 8 7
[12, 14[ 7 6 5 3 2
[14, 16[ 8 3 2 0 0
[16, 20[ 9 4 1 0 0
1ère partie : STATISTIQUE DESCRIPTIVE - Introduction Module M147 - MIP Pr. A. FAHSI
1 Déterminer les distributions marginales.
2 Quelle est la proportion des étudiants :
a) ayant validé le module de statistique (note ≥ 10) ?
b) ayant un rattrapage (note comprise entre 5 et 10) ?
c) ayant validé le module et ayant 4 absences ?
3 Les variables X et Y sont-elles indépendantes ?
4 Calculer le mode, la médiane, la moyenne et l’écart
type marginaux.
5 Calculer la covariance des deux variables X et Y .
6 Calculer le coefficient de corrélation linéaire.
1ère partie : STATISTIQUE DESCRIPTIVE - Introduction Module M147 - MIP Pr. A. FAHSI
Plan du cours de Statistique
1ère partie : STATISTIQUE DESCRIPTIVE - Introduction Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
Chapitre 1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
I- Définitions et notations
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
Exemple
- Les étudiants inscrits à la FSTM,
- Les voitures vendues au Maroc entre 2010 et 2016,
- Les jours de l’année 2020.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
Exemple
- La couleur des voitures fabriquées par une usine,
- Les notes d’un groupe d’étudiants,
- Le salaire des employés d’une entreprise,
- La consommation quotidienne d’électricité durant une année,
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
Exemple
La couleur, la nationalité, la situation familiale, . . .
Exemple
L’âge, le poids, la taille, le salaire, . . .
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
5. Série brute :
Considérons un caractère X sur une population P de taille N.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
X (P) = {x1 , x2 , . . . , xk }
Exemple
- Le caractère X = ”couleur” peut avoir comme modalités :
{noir, rouge, bleu, blanc, gris}
- Le caractère X = ”nombre d’enfants par famille” peut avoir
comme modalités : {0, 1, 2, 3, 4, 5 et plus}.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
N1 = n1
i
X
Ni = nj = Ni−1 + ni , pour i ≥ 2
j=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
Remarque
La fréquence fi appartient à l’intervalle [0, 1].
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
F 1 = f1
i
Ni X
Fi = = fj = Fi−1 + fi , pour i ≥ 2
N
j=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
[xi−1 ; xi [, i = 1, 2, . . . , k
Exemple
Le caractère X = ”Note obtenue par les étudiants inscrits au
module M147” peut avoir comme modalités groupées en
classes :
[0; 5[, [5; 7[, [7; 10[, [10; 15[, [15; 20]
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
Remarque
Le groupement en classes d’une distribution statistique conduit
à une perte d’informations par rapport aux données initiales.
Le travail avec un tel groupement suppose alors l’hypothèse
de la répartition uniforme des données à l’intérieur de chaque
classe.
(b − a)
n(I) = ni ×
(xi − xi−1 )
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
Remarque
L’effectif cumulé de l’intervalle I = [a; b] est égale à l’effectif
cumulé de la valeur b (c’est le nombre d’individus ayant une
valeur du caractè ≤ b). A toute valeur isolée x appartenant à
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
Caractère discret :
Si les modalités d’un caractère quantitatif X sont considérées
sous forme de valeurs isolées, discrètes x1 , x2 , . . . , xk , on dit
que X est un caractère de type discret.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
Caractère continu :
Si les modalités d’un caractère X sont groupées sous forme
de classes [x0 ; x1 [, [x1 ; x2 [, . . . , [xk−1 ; xk [, on dit que X est un
caractère de type continu.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Exemple1 :
Dans un atelier de contrôle technique, on a enquêté sur l’état
mécanique d’un échantillon de 70 voitures, après 5 ans de leur
mise en circulation.
On a obtenu la série statistique brute suivante :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Questions :
- Population étudiée ?
- Caractère étudié ?
- Modalités ?
- Nature du caractère ?
- Tableau statistique ?
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Tableau statistique :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Exemple2 :
Dans un échantillon composé de 50 familles, on enquête sur le
nombre d’enfants par famille.
Les résultats de l’enquête statistique sont :
1 0 5 2 2 1 2 1 2 4
4 7 1 3 2 5 4 6 3 1
1 6 1 3 8 1 3 5 2 3
3 0 3 4 6 4 1 7 2 0
2 0 1 2 2 3 2 5 6 2
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Questions :
- Population étudiée ?
- Caractère étudié ?
- Modalités ?
- Nature du caractère ?
- Tableau statistique ?
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Tableau statistique :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Exemple3 :
En mesurant la taille de 50 femmes enceintes, on a obtenu les
résultats suivants (en cm) :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
- Population étudiée ?
- Caractère étudié ?
- Modalités et nature du caractère ?
Le nombre des modalités observées étant élevé, il est donc
nécessaire de les grouper en classes. Le caractère étudié
sera alors traité comme un caractère continu.
[151; 155[
[155; 159[
[159; 163[
[163; 167[
[167; 171[
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Tableau statistique :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
II.2- Representations
graphiques
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
A. Caractère qualitatif :
Pour un caractère qualitatif, on peut tracer un diagramme
cartésien (en rectangles) ou un diagramme sectoriel
(circulaire).
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Effectif
35
30
25
20
32
15
10
17
14
5
7
0
Mauvais Moyen Bon Excellent
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Excellent
20%
Moyen
24%
Bon
46%
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
15 0.3
Effectif ni Fréquence fi
10 0.2
5 0.1
0 xi 0 xi
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
15
10
ni
0
0 1 2 3 4 5 6 7 8 x
i
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
G(x) F(x)
50 1
40 0.8
30 0.6
20 0.4
10 0.2
0 x 0 x
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Remarque
F (x) (resp. G(x)) est nulle pour les valeurs de x
inférieures à la plus petite modalité x1 et elle est égale à 1
(resp. N) pour les valeurs de x supérieures ou égale à la
plus grande modalité xk .
F (x) (resp. G(x)) est constante, égale à F (xi ) (resp.
G(xi )), dans chaque intervalle xi ≤ x < xi+1 .
Ainsi, la courbe cumulative d’un caractère discret
présente l’aspect d’un escalier (fonction croissante et
constante par morceaux).
G(x)
On a : F (x) =
N
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Si = C × ni ou bien Si = C × fi
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Taille Effectif
(en cm) ni
[151; 155[ 10
[155; 159[ 12
[159; 163[ 11
[163; 167[ 7
[167; 171[ 10
Total 50
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
15
Effectif ni
10
0
151 155 159 163 167 171 Taille
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
15
Effectif ni
10
0
151 155 159 163 167 171 Taille
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
ni fi
hi = C × ou bien hi = C ×
ai ai
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
ni
avec hi = C × ( on a choisi C = PGDC(ai ) = 4).
ai
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
15
Effectif corrigé hi
(C=4)
10
0 Taille
151 155 159 163 167 171
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Remarque
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
15 15
Effectif ni Effectif corrigé hi
(C=4)
10 10
S1
5 5 S1+ S2
S2
0 0
151 155 159 163 167 171 Taille 151 155 159 163 167 171 Taille
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
ai = ki × C, avec ki un entier
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
15
Effectif corrigé hi
(C=4)
10
0 Taille
151 155 159 163 167 171
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Remarque
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
15 15
Effectif ni Effectif corrigé hi
(C=4)
10 10
5 5
0 0
151 155 159 163 167 171 Taille 151 155 159 163 167 171 Taille
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Remarque
Par définition, on a :
G(xi ) = Ni , pour 1 ≤ i ≤ k
F (xi ) = Fi , pour 1 ≤ i ≤ k
G(x0 ) = F (x0 ) = 0
avec Ni (resp. Fi ) est l’effectif cumulé (resp. la fréquence
cumulée) de la classe [xi−1 , xi [.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
0
si x ≤ x0
G(xi )−G(xi−1 )
G(x) = G(xi−1 ) + xi −xi−1 (x − xi−1 ) si xi−1 ≤ x ≤ xi , 1 ≤ i ≤
N si x ≥ xk
0
si x ≤ x0
F (xi )−F (xi−1 )
F (x) = F (xi−1 ) + xi −xi−1 (x − xi−1 ) si xi−1 ≤ x ≤ xi , 1 ≤ i ≤
1 si x ≥ xk
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
40 0.8
30 0.6
20 0.4
10 0.2
0 0
151 155 159 163 167 171 Taille 151 155 159 163 167 171 Taille
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Remarque
La courbe cumulative est construite en joignant
successivement, par des segments de droites, les points
de coordonnées (xi , G(xi )) (ou (xi , F (xi ))), 0 ≤ i ≤ k .
Aux points extrêmes x0 et xk , la courbe est
horizontalement prolongée respectivement vers la gauche
et vers la droite.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données
Remarque
F (x) (resp. G(x)) est une fonction continue, croissante et
linéaire par morceaux.
Si X est un caractère continu, alors on a :
Pr (X ≤ a) = Pr (X < a) = F (a), (avec Pr =proportion)
La proportion des individus tel que X ≤ a est égale à la
proportion des individus tel que X < a. Ainsi, pour un
caractère continu, les inégalités large et les inégalités
strictes sont confondues.
On en déduit :
Pr (X > a) = Pr (X ≥ a) = 1 − F (a)
Pr (a ≤ X ≤ b) = Pr (a < X < b) = F (b) − F (a)
Pr (X = a) = 0
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Définitions et notations
II- Organisation des données
III- Réduction des données
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
1- La moyenne
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Définition
Soient P une population de taille N, X un caractère quantitatif
et x(1) , x(2) , . . . , x(N) la série statistique brute associée à X
(ces valeurs ne sont pas nécessairement toutes distinctes).
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
k k
1X X
X = ni xi = fi xi
N
i=1 i=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Exemple
Considérons l’exemple 2 (Nombre d’enfants par famille) :
xi 0 1 2 3 4 5 6 7 8 Total
ni 4 10 12 8 5 4 4 2 1 50
ni × xi 0 10 24 24 20 20 24 14 8 144
Donc
144
X = = 2.88
50
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
On a alors :
k k
1X X
X = ni ci = fi ci
N
i=1 i=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Exemple
Considérons l’exemple 3 (Taille d’un groupe de femmes).
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Propriétés :
Soient X une variable statistique, a et b deux constantes
réelles. Si on pose le changement de variables affine
Y = aX + b, alors on a :
Y = aX + b
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
X +Y =X +Y
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
2- Le mode
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Définition
Le mode d’une variable statistique X , noté Mo (X ), est la valeur
du caractère qui admet le plus grand effectif (ou la plus grande
fréquence).
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Remarque :
Le mode peut être calculé pour tous les types de
caractère.
Une distribution statistique peut avoir plusieurs modes.
Pour un caractère continu, le mode appartient à la classe
modale qui correspond à l’effectif corrigé le plus élevé.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Détermination pratique :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Histogramme
Effectif corrigé
Classe modale
hi
∆
1
∆
2
h
i−1
hi+1
xi xi+1 x
Mo
On a :
Mo − xi x − Mo
= i+1
∆1 ∆2
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
D’où :
∆1
Mo = xi + (xi+1 − xi )
∆1 + ∆ 2
avec
∆1 = hi − hi−1
∆2 = hi − hi+1
hi = effectif corrigé de la classe modale [xi ; xi+1 [
hi−1 = effectif corrigé de la classe adjacente [xi−1 ; xi [
hi+1 = effectif corrigé de la classe adjacente [xi+1 ; xi+2 [.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Exemple
Considérons l’exemple3 (Taille des femmes enceintes) :
Taille Effectif
(en cm) ni
[151; 155[ 10
[155; 159[ 12
[159; 163[ 11
[163; 167[ 7
[167; 171[ 10
Total 50
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Taille Effectif
(en cm) ni
[151; 155[ 10
[155; 159[ 12
[159; 167[ 18
[167; 171[ 10
Total 50
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
∆1 = 12 − 10 = 2
∆2 = 12 − 9 = 3
Donc
2
Mo = 155 + 4 ×
2+3
Le mode de cette distribution est donc :
Mo = 156.6 cm
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
10
0
151 155 Mo 159 163 167 171 Taille
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
3- La médiane
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Définition
La médiane d’une variable statistique X , notée Me (X ), est la
valeur centrale du caractère qui partage la population en deux
groupes de même effectif :
50% de la population ont des valeurs du caractère ≤ Me et
50% de la population ont des valeurs du caractère ≥ Me .
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Remarque
Cette définition n’a de sens que si les valeurs de la
distribution statistique sont ordonnées par ordre croissant.
N 1
Me doit vérifier G(Me ) = ou F (Me ) = .
2 2
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Détermination pratique :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
N
2ème cas : Si coı̈ncide avec une valeur Ni , alors toute
2
valeur x comprise entre xi et xi+1 vérifie la définition de la
N
médiane G(x) = .
2
Dans ce cas, on prend la médiane égale à la valeur
centrale entre les deux modalités xi et xi+1 .
N
Ainsi, si on a = Ni alors on considère :
2
1
Me = (xi + xi+1 )
2
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Remarque
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Exemple
Considérons l’exemple2 (Nombre d’enfants par famille) :
N
On a = 25 ne coı̈ncide avec aucun effectif cumulé.
2
On a 2 est la plus petite modalité pour laquelle l’effectif cumulé
N
dépasse .
2
Donc la médiane de cette distribution statistique est Me = 2
enfants.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Interprétation :
Plus de 50% des familles (26 familles) ont le nombre d’enfants
≤ 2 et plus de 50% des familles (36 familles) ont le nombre
d’enfants ≥ 2.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Remarque :
On a le même raisonement avec les fréquences cumulées :
Si Fi−1 < 0.5 < Fi , alors la médiane est la modalité de
fréquence cumulée Fi :
Me = xi
1
Si = Fi , alors la médiane est la valeur centrale entre les
2
deux modalités de fréquences cumulées respectives Fi et
Fi+1 :
1
Me = (xi + xi+1 )
2
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
40
30
N/2
20
10
0 x
0 1 2 3 4 5 6 7 8
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
On a :
N
Me ∈ [xi−1 ; xi [ ⇔ Ni−1 ≤ < Ni
2
et on a :
Me − xi−1 N/2 − Ni−1
=
xi − xi−1 Ni − Ni−1
D’où
N/2 − Ni−1
Me = xi + (xi − xi−1 )
Ni − Ni−1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Remarque
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
On a :
1
Me ∈ [xi−1 ; xi [ ⇔ Fi−1 ≤ < Fi
2
et on a :
Me − xi−1 1/2 − Fi−1
=
xi − xi−1 Fi − Fi
D’où
1/2 − Fi−1
Me = xi−1 + (xi − xi−1 )
Fi − Fi−1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Exemple
Considérons l’exemple3 (Taille des femmes enceintes) :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
N N
On a = 25. Donc on a 22 ≤ ≤ 33 et par conséquent, la
2 2
classe médiane est :
Me ∈ [159, 163[
D’où
25 − 22
Me = 159 + (163 − 159) = 160.09 cm
33 − 22
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale 1- La moyenne
III.2- Paramètres de position 2- Le mode
III.3- Paramètres de dispersion 3- La médiane
Détermination graphique :
50
40
30
N/2
20
10
0
151 155 159 163 167 171
M
e
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Définition
Un paramètre de position d’ordre p (0 < p < 1) d’une variable
statistique X , noté Zp , (appelé aussi quantile ou fractile d’ordre
p), est la valeur du caractère qui permet de partager la
population de taille N en deux groupes de tailles respectives
p × N et (1 − p) × N et telle que :
Le premier groupe est formé des individus qui ont des valeurs
du caractère ≤ Zp et le deuxième groupe est formé des
individus qui ont des valeurs du caractère ≥ Zp .
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Remarque
Cette définition n’a de sens que si les valeurs de la
distribution statistique sont ordonnées par ordre croissant.
Zp doit vérifier G(Zp ) = p × N ou F (Zp ) = p.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
1. Les quartiles
Définition
Les quartiles sont définis comme étant les trois paramètres de
position, notés Q1 , Q2 , Q3 , d’ordre resectifs 0.25, 0.5, 0.75,
qui permettent de diviser la population en quatre groupes de
même effectif (contenant chacun 25% des individus).
On a :
Q1 = Z0.25 , Q2 = Z0.5 , Q3 = Z0.75
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Remarque
25% de la population ont des valeurs ≤ Q1 et 75% de la
population ont des valeurs ≥ Q1 .
75% de la population ont des valeurs ≤ Q3 et 25% de la
population ont des valeurs ≥ Q3 .
25% de la population ont des valeurs comprises entre Q1
et Q2 et 25% de la population ont des valeurs comprises
entre Q2 et Q3
Le 2ème quartile Q2 coı̈ncide donc avec la médiane Me .
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
2. Les déciles
Définition
Les déciles sont définis comme étant les 9 paramètres de
position, notés D1 , D2 , . . . , D9 , d’ordre resectifs
0.1, 0.2, . . . , 0.9, qui permettent de diviser la population en
dix groupes de même effectif (contenant chacun 10% des
individus).
On a :
D1 = Z0.1 , D2 = Z0.2 , ..., D9 = Z0.9
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
3. Les centiles
Définition
Les centiles sont définis comme étant les 99 paramètres de
position, notés C1 , C2 , . . . , D99 , d’ordre resectifs
0.01, 0.02, . . . , 0.99, qui permettent de diviser la population
en cent groupes de même effectif (contenant chacun 1% des
individus).
On a :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Remarque
Entre deux déciles consécutifs, il y a 10% des individus de
la population.
Entre deux centiles consécutifs, il y a 1% des individus de
la population.
On a : Q2 = D5 = C50 = Me .
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Détermination pratique :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Zp = xi
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
1
Zp = (xi + xi+1 )
2
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Remarque
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
En résumé,
Si Ni−1 < p × N < Ni , alors on prend Zp égal à la modalité
d’effectif cumulé Ni :
Zp = xi
Si p × N = Ni , alors on prend Zp égal à la valeur milieu
entre les deux modalités d’effectifs cumulés respectifs Ni
et Ni+1 :
1
Zp = (xi + xi+1 )
2
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Exemple
Considérons l’exemple 2 (Nombre d’enfants par famille) :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
(0 + 1)
C8 = Z0.08 = = 0.5, (p × N = 4)
2
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Interprétation :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Remarque
On a le même raisonement avec les fréquences cumulées :
Si Fi−1 < p < Fi , alors
Zp = xi
Si p = Fi , alors
1
Zp = (xi + xi+1 )
2
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Détermination graphique :
G(x)
N= 50
40
3N/4
0.68N
30
N/2
20
N/4
10
0 x
0 1 2 3C 4 5 6 7 8
68
Q1 Me Q3
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
On a :
Zp − xi−1 p × N − Ni−1
=
xi − xi−1 Ni − Ni−1
D’où
p × N − Ni−1
Zp = xi−1 + (xi − xi−1 )
Ni − Ni−1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Remarque
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Exemple
Considérons l’exemple3 (Taille des femmes enceintes) :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
5−0
D1 = 151 + 4 = 153 cm
10 − 0
12.5 − 10
Q1 = 155 + 4 = 155.83 cm
22 − 10
37.5 − 33
Q3 = 163 + 4 = 165.57 cm
40 − 33
45 − 40
D9 = 167 + 4 = 169 cm
50 − 45
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
Détermination graphique :
50
0.9×N
40
0.75×N
30
20
0.25×N
10
0.1×N
0
151 D 155 Q 159 163 Q 167
1 1 3
D 171 9
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
III.1- Paramètres de tendance centrale
III.2- Paramètres de position
III.3- Paramètres de dispersion
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
1- L’étendue
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
Définition
L’étendue d’un caractère statistique X , noté ∆X , est la
différence entre la plus grande valeur et la plus petite valeur
observées :
∆X = Max(X ) − Min(X )
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
2- L’étendue interquanrtiles
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
Définition
A partir des quartiles Q1 et Q3 , on peut définir un paramètre de
dispersion, noté ∆Q, appelé étendue interquartiles, défini par :
∆Q = Q3 − Q1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
Définition
L’écart absolu moyen d’un caractère statistique X , noté Em (X ),
est la moyenne arithmétique des valeurs absolues des écarts
à la moyenne :
k k
1X X
Em (X ) = |X − X | = ni |xi − X | = fi |xi − X |
N
i=1 i=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
4- Variance, Ecart-type
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
Définition
La variance d’un caractère statistique X , notée V (X ), est la
moyenne arithmétique des carrés des écarts à la moyenne :
k k
1X X
V (X ) = (X − X )2 = ni (xi − X )2 = fi (xi − X )2
N
i=1 i=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
Remarque
l’écart-type est le meilleur indicateur de la dispersion
d’une distribution statistique par rapport à sa moyenne.
Elle tient compte de toutes les valeurs de la série
statistique.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
Propriétés
V (Y ) = a2 V (X )
σ(Y ) = |a|σ(X )
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
[xi−1 ; xi [ ni ci ni × ci ni × ci2
[151; 155[ 10 153 1530 234090
[155; 159[ 12 157 1884 295788
[159; 163[ 11 161 1771 285131
[163; 167[ 7 165 1155 190575
[167; 171[ 10 169 1690 285610
Total 50 8030 1291194
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
Donc, on a :
8030
X = = 160.6 cm
50
1291194
X2 = = 25823.88
50
D’où
V (X ) = 25823.88 − 160.62 = 31, 52
p
σ(X ) = 31, 52 ' 5.61 cm
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
5- Coefficient de variation
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
Définition
Le coefficient de variation d’une variable statistique X , noté
Cv (X ), est défini par :
σ(X )
Cv (X ) =
X
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
Remarque
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
Exemple
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
13.86
Cv (X ) = = 0.0798 = 7.98%
173.59
11.98
Cv (Y ) = = 0.1528 = 15.28%
78.42
Donc la taille des hommes adultes est moins dispersée (plus
homogène) que leur poids.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
Fin chapitre 1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
Exercice 1
L’observation de la consommation énergétique quotidienne (en
kwh) dans un local commercial durant une année a donné les
résultats suivants :
Consommation [8, 10[ [10, 14[ [14, 16[ [16, 20[ [20, 24[
Effectif 55 60 80 120 50
Exercice 2
La distribution conjointe d’un groupe d’étudiants selon la note
obtenue en module de statistique (caractère X ) et le nombre
d’absence (caractère Y ) est représentée dans le tableau
suivant :
Y 0 1 2 3 4
X
[0, 6[ 0 4 3 8 12
[6, 10[ 3 7 10 12 18
[10, 12[ 6 8 9 8 7
[12, 14[ 7 6 5 3 2
[14, 16[ 8 3 2 0 0
[16, 20[ 9 4 1 0 0
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
1- L’étendue
III.1- Paramètres de tendance centrale
2- L’étendue interquartiles
III.2- Paramètres de position
3- Ecart absolu moyen
III.3- Paramètres de dispersion
4- Variance, Ecart-type
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 1 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
Chapitre 2
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
Introduction
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
Exemple :
- Notes de Mathématique et notes de Physique d’un groupe
d’étudiants.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
Objectifs de ce chapitre :
Étendre les notions de la statistique descriptive à une
dimension au cas d’un couple de caractères (deux
dimensions).
Déterminer s’il y a une dépendance linéaire entre les deux
caractères.
Déterminer l’équation de cette dépendance éventuelle.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
Notations et définitions
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
La suite des couples (x(1) , y(1) ), (x(2) , y(2) ), . . . , (x(N) , y(N) ) est
appelée série statistique brute associée au couple (X , Y ).
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
x1 , x2 , . . . , xk
y1 , y2 , . . . , yp
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
Remarque
Pour les caractères quantitatifs, on peut procéder à des
groupement en classes pour l’un des caractères ou pour
les deux caractères.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
Remarque
Pour une distribution continue, le groupement en classes
correspond à une perte d’informations par rapport aux
données initiales : On suppose alors que la répartition
des données à l’intérieur des classes est uniforme .
(b − a)(d − c)
n(A) = nij ×
(xi − xi−1 )(yj − yj−1 )
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
I- Tableau de contingence
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
On a les relations :
p
X
ni. = nij
j=1
k
X
n.j = nij
i=1
k
X p
X p
k X
X
ni. = n.j = nij = N
i=1 j=1 i=1 j=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
On a :
nij
fij =
N
p
ni. X
fi. = = fij
N
j=1
k
n.j X
f.j = = fij
N
i=1
k
X p
X p
k X
X
fi. = f.j = fij = 1
i=1 j=1 i=1 j=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
Définition
La famille {((xi , yj ), nij ), 1 ≤ i ≤ k , 1 ≤ j ≤ p} est appelée
distribution conjointe du couple (X , Y ).
La famille {(xi , ni. ), 1 ≤ i ≤ k} est appelée distribution
marginale de X .
La famille {(yj , n.j ), 1 ≤ j ≤ p} est appelée distribution
marginale de Y .
les xi et yj représentent les valeurs des modalités dans le cas
discret ou les classes dans le cas continu.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
Exemple
La distribution des notes de mathématique (variable X ) et des
notes de Physique (variable Y ) pour un groupe d’étudiants est
résumée dans le tableau de contingence suivant :
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence
II- Paramètres statistiques
III- Ajustement linéaire
m
∀ (i, j), fij = fi. × f.j
m
ni. × n.j
∀ (i, j), nij =
N
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
p
1X
Y = n.j yj
N
j=1
k k
1X 1X 2
V (X ) = ni. (xi − X )2 = ni. xi2 − X
N N
i=1 i=1
p p
1X 1X 2
V (Y ) = n.j (yj − Y )2 = n.j yj2 − Y
N N
j=1 j=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
II.2- Covariance
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
Définition
La covariance d’un couple de variables (X , Y ), notée
Cov (X , Y ), est égale à la moyenne arithmétique des produits
des écarts aux moyennes marginales X et Y :
Cov (X , Y ) = (X − X )(Y − Y )
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
Cov (X , Y ) = X .Y − X .Y
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
ou bien
N
1X
Cov (X , Y ) = x(i) y(i) − X .Y
N
i=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
ou bien
k p
1 XX
Cov (X , Y ) = nij xi yj − X .Y
N
i=1 j=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
Exemple
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
Propriétés :
Si on pose les changements de variables affines
X 0 = aX + b et Y 0 = cY + d, alors on a :
Cov (X 0 , Y 0 ) = ac × Cov (X , Y )
V (X + Y ) = V (X ) + V (Y ) + 2Cov (X , Y )
V (aX + bY ) = a2 V (X ) + b2 V (Y ) + 2ab × Cov (X , Y )
|Cov (X , Y )| ≤ σ(X )σ(Y )
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
Propriétés :
Si X et Y sont indépandantes alors Cov (X , Y ) = 0. La
réciproque est fausse.
Si Cov (X , Y ) = 0 alors X et Y sont dites linéairement
indépandantes.
Cov (X , Y ) = 0 n’implique pas que X et Y sont
indépandantes (Il peut exister une relation non linéaire
entre les variables X et Y ).
Le signe de Cov (X , Y ) indique le sens de la monotonie
de la liaison entre X et Y (liaison croissante si
Cov (X , Y ) > 0, décroissante si Cov (X , Y ) < 0)
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
Définition
Le coefficient de corrélation linéaire d’un couple de variables
(X , Y ), noté r (X , Y ), est défini par :
Cov (X , Y )
r (X , Y ) =
σ(X )σ(Y )
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence II.1- Paramètres des distributions marginales
II- Paramètres statistiques II.2- Covariance
III- Ajustement linéaire II.3- Coefficient de corrélation linéaire
Propriétés
r (X , Y ) a le même signe que Cov (X , Y )
On a : −1 ≤ r (X , Y ) ≤ 1.
Si X et Y sont indépandantes alors r (X , Y ) = 0. La
réciproque est fausse.
r (X , Y ) nous renseigne sur l’intensité de la dépendance
linéaire entre X et Y :
Plus |r | est proche de 1, plus la dépendance linéaire est
forte et plus |r | est proche de 0, plus la dépendance
linéaire est faible
r (X , Y ) = ±1 ⇔ dépendance linéaire parfaite (les N
points (x(i) , y(i) ) sont alignés).
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
Exemple
On considère un échantillon de 10 arbres pour chacun
desquels, on a mesuré (en cm) le diamètre (variable X ) et la
hauteur (variable Y ) :
X 15 21 17 22 20 13 19 15 18 23
Y 300 380 330 360 420 290 350 320 360 420
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
400
350
300
250 X
10 15 20
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
Définition
L’ajustement linéaire par la méthode des moindres carrés,
consiste à exprimer l’éventuelle relation linéaire entre X et Y
par une droite (D) d’équation Y = aX + b qui permet de
minimiser les distances entre les points du nuage Mi (xi , yi ) et
les points correspondants sur la droite Hi (xi , axi + b) (voir
Figure 2).
Cela revient à minimiser la somme :
N
X N
X
S= (Mi Hi )2 = (axi + b − yi )2
i=1 i=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
Y
(D)
M
n
Hn
H2
M
1
M
2
H
1 X
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
Théorème
La droite de régression de Y en fonction de X , notée (D), par
la méthode des moindres carrés, a pour équation Y = aX + b
avec :
Cov (X , Y )
a= , b = Y − aX
V (X )
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
Cov (X , Y )
a0 = , b 0 = X − a0 Y
V (Y )
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
Propriétés
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
Exemple
X 15 21 17 22 20 13 19 15 18 23
Y 300 380 330 360 420 290 350 320 360 420
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
xi yi xi2 yi2 xi yi
15 300 225 90000 4500
21 380 441 144400 7980
17 330 289 108900 5610
22 360 484 129600 7920
20 420 400 176400 8400
13 290 169 81400 3770
19 350 361 122500 6650
15 320 225 102400 4800
18 360 324 129600 6480
23 420 529 176400 9660
Total 183 3530 3447 1264300 65770
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
On obtient :
N
1X 183
X = xi = = 18.3
N 10
i=1
N
1X 3530
Y = yi = = 353
N 10
i=1
N
1 X 3447
X2 = xi2 = = 344.7
N 10
i=1
N
1 X 2 1264300
Y2 = yi = = 126430
N 10
i=1
N
1X 65770
XY = xi yi =
N 10
i=1
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
D’où
2
V (X ) = X 2 − X = 9.81
2
V (Y ) = Y 2 − Y = 1821
65770
Cov (X , Y ) = XY − X × Y = − 18.3 × 353 = 117.1
10
Donc les valeurs de a et b sont données par :
117.1
a= = 11.9368
9.81
b = 353 − 11.9368 × 18.3 = 134.5566
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
(D 0 ) : X = 0.064Y − 4.400
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
(D)
400
350
G
300
250 X
10 15 20
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
117.1
r (X , Y ) = √ √ = 0.876
9.81 1821
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
Remarque
De façon
√ générale, on peut considérer que :
3
• si ≤ |r (X , Y )| ≤ 1, la qualité de l’ajustement est
2
bonne. √
1 3
• si ≤ |r (X , Y )| < , la qualité de l’ajustement est
2 2
médiocre.
1
• si 0 < |r (X , Y )| ≤ , la qualité de l’ajustement est
2
mauvaise.
On a un ajustement linéaire parfait si et seulement si
|r (X , Y )| = 1.
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
Exemple
Pour l’exemple précédent, on a trouvé r (X , Y ) = 0.876. Donc
le coefficient de détermination entre X et Y est égal à
r 2 = 76.74%
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
Fin chapitre 2
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
Exercice 2
La distribution conjointe d’un groupe d’étudiants selon la note
obtenue en module de statistique (caractère X ) et le nombre
d’absence (caractère Y ) est représentée dans le tableau
suivant :
Y 0 1 2 3 4
X
[0, 6[ 0 4 3 8 12
[6, 10[ 3 7 10 12 18
[10, 12[ 6 8 9 8 7
[12, 14[ 7 6 5 3 2
[14, 16[ 8 3 2 0 0
[16, 20[ 9 4 1 0 0
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
I- Tableau de contingence III.1- Nuage statistique
II- Paramètres statistiques III.2- Méthode des moindres carrés
III- Ajustement linéaire III.3- Mesure de la qualité de l’ajustement linéaire
1ère partie : STATISTIQUE DESCRIPTIVE - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
UNIVERSITÉ HASSAN II DE CASABLANCA
FACULTÉ DES SCIENCES ET TECHNIQUES
2ème Partie
PROBABILITES
Chapitre 1
I- Notions de base
Définition
On appelle expérience aléatoire toute expérience dont le
résultat est imprévisible (n’est pas connu à l’avance), mais
dont l’ensemble de tous les résultats possibles est connu à
l’avance.
L’ensemble de tous les résultats possibles d’une expérience
aléatoire est appelé ensemble fondamental associé à cette
expérience. Il est noté Ω.
Exemple :
Lancer un dé : Ω = {1, 2, 3, 4, 5, 6}
Lancer deux dés : Ω = {(i, j), 1 ≤ i ≤ 6; 1 ≤ j ≤ 6}
Groupe sanguin d’un individu : Ω = {A, B, AB, O}
I.2- Evénement
Définition
Soit Ω un ensemble fondamental associé à une expérience
aléatoire.
On appelle événement toute partie de Ω, dont on sait dire, à
l’issue de l’expérience aléatoire, si elle est réalisée ou non.
On utilise les premières lettres de l’alphabet A, B, C, ..., pour
noter les événements.
Exemple
On lance un dé.
Soit l’événement A = ”obtenir un numéro pair”.
On a : A = {2, 4, 6}.
On lance deux dés.
Soit l’événement B = ”la somme des numéros obtenus
est > à 10”.
On a : B = {(5, 6), (6, 5), (6, 6)}
a) Evénement élémentaire
Un événement élémentaire est un événement constitué d’un
seul élément ωi ∈ Ω. On le note {ωi }
b) Evénement impossible
Un événement qui ne peut pas être réalisé, quelle que soit le
résultat de l’expérience aléatoire est appelé événement
impossible. On le note ∅
c) Evénement certain
Un événement qui est toujours réalisé, quelle que soit l’issue
de l’expérience aléatoire est appelé événement certain. On le
note Ω
d) Evénement contraire
On appelle événement contraire d’un événement A,
l’événement qui est réalisé si et seulement si A n’est pas
réalisé. On le note A
g) Implication
On dit que l’événement A implique l’événement B si et
seulement si la réalisation de A entraı̂ne la réalisation de B.
On note : A ⊂ B
h) Evénements incompatibles
Deux événements A et B sont dits incompatibles si et
seulement si, ils ne peuvent pas être réalisés simultanément.
Autrement dit, A et B sont incompatibles si et seulement si
A∩B =∅
Exemple
Deux événements contraires A et A forment un système
complet de Ω.
Remarques et Notations :
L’ensemble de tous les événements associés à une
expérience aléatoire est noté E(Ω). On a :
E(Ω) ⊂ P(Ω)
E(Ω) = P(Ω)
Remarque
On vient de définir une correspondance entre le langage des
événements (language probabiliste) et le langage des
ensembles (langage ensembliste).
Propriétés
Définition
Soit Ω un ensemble fondamental et E(Ω) l’ensemble des
événements associés.
On appelle probabilité sur E(Ω) toute application :
P : E(Ω) → [0, 1]
vérifiant :
(i) P(Ω) = 1
(ii) ∀ A, B ∈ E(Ω), si A et B sont incompatibles alors :
P(A ∪ B) = P(A) + P(B).
Le triplet (Ω, E(Ω), P) est appelé espace probabilisé.
Remarques :
Proposition
Soit Ω = {ω1 , ω2 , . . . , ωi , . . .} un ensemble fondamental
dénombrable (fini ou infini).
La probabilité sur Ω est complètement définie par la donnée
des probabilités P({ωi }) des événements élémentaires. On a
alors : X
∀ A ∈ E(Ω), P(A) = P({ωi })
ωi ∈A
Proposition
Soit (Ω, E(Ω), P) un espace probabilisé.
Si Ω est fini et si tous les événements élémentaires ont la
même probabilité pour se réaliser (on dit qu’on a
équiprobabilité). Alors la probabilité P est définie par :
Remarque
En général, on n’a pas à démontrer qu’on a équiprobabilité.
C’est plutôt l’énoncé qui le suggère.
Exemples :
1) On lance un dé non truqué. Calculer la probabilité
d’obtenir un point pair.
2) On lance deux dés non truqués.
Calculer la probabilité des événements suivants :
A = “obtenir au moins un point pair”
B = “les deux dés ont le même numéro”
C = “le numéro du 1er dé est supérieur au numéro du
2ème dé”
Remarque1
Dans beaucoup de problèmes de calcul des probabilités,
l’énoncé suggère qu’on a une probabilité uniforme.
Ainsi, nous serons souvent confrontés aux problèmes de
dénombrement des cas favorables et des cas possibles.
D’où la nécessité de définir des méthodes de dénombrement
dans les différentes situations possibles (voir dernier
paragraphe de ce chapitre).
Question
Soit (Ω, E(Ω), P) un espace probabilisé et soient A et B deux
événements de E(Ω). On se pose la question suivante :
Le fait de savoir que l’événement A est réalisé a-t-il un effet sur
la probabilité de réalisation de l’événement B ?
Exemple
La répartition d’un groupe d’étudiants selon la note du module
de statistique et le sexe est représentée dans le tableau
suivant :
Sexe Masculin Féminin Total
Note de Math
[0, 7[ 4 3 7
[7, 10[ 17 15 32
[10, 20[ 21 36 57
Total 42 54 96
On a :
42
P(A) = .
96
57
P(B) = .
96
21
P(B sachant A) = 6= P(B)
42
21
P(A ∩ B) =
96
Conclusion :
- Le fait de savoir que l’événement A est réalisé a changé la
probabilité de réalisation de l’événement B.
- on constate que :
P(A ∩ B)
P(B sachant A) =
P(A)
Définition
Soit (Ω, E(Ω), P) un espace probabilisé et soient A et B deux
événements tel que P(A) 6= 0.
La probabilité de réalisation de l’événement B sachant que
l’événement A est réalisé, notée P(B|A), est définie par :
P(A ∩ B)
P(B|A) =
P(A)
Proposition
L’application PA : E(Ω) → [0, 1], définie par :
P(A ∩ B)
∀ B ∈ E(Ω), PA (B) = P(B|A) =
P(A)
P(Ω|A) = 1
P(B|A) = 1 − P(B|A)
si B1 et B2 sont incompatibles alors
P((B1 ∪ B2 )|A) = P(B1 |A) + P(B2 |A)
si B1 et B2 sont quelconques alors
P((B1 ∪ B2 )|A) = P(B1 |A) + P(B2 |A) − P((B1 ∩ B2 )|A)
...
P(A1 ∩ A2 ∩ · · · ∩ An ) =
Exemple
Une urne contient 3 boules blanches et 2 boules noires.
On tire au hasard, successivement et sans remise 2
boules.
Quelle est la probabilité de tirer 2 boules noires ?
Exemple
Une urne U1 contient 5 boules noires et 6 boules blanches et
une urne U2 contient 6 boules noires et 12 boules blanches.
On transfère une boule de l’urne U1 vers l’urne U2 et ensuite
on tire 1 boule de l’urne U2 .
Quelle est la probabilité que la boule tirée soit noire ?
Formule de Bayes :
P(B|A) × P(A)
P(A|B) =
P(B)
Exemple
Trois machines M1 , M2 et M3 de fabrication mécanique
produisent respectivement 25%, 35% et 40% de la production
totale. 5% (respectivement 4% et 3%) des pièces produites
par M1 (respectivement par M2 et M3 ) sont défectueuses
(événement D).
On choisit une pièce au hasard.
Si la pièce choisie est défectueuse, quelle est la probabilité
qu’elle soit fabriquée par M1 ?
Remarque
On peut utiliser un diagramme en arbre pour décrire
graphiquement toutes les séquences possibles d’une
expérience aléatoire.
Les règles de construction de ce diagramme correspondent
aux formules de base qu’on vient de proposer.
Définition
Deux événements A et B sont dits indépendants si et
seulement si la réalisation de l’un n’a aucune influence sur la
probabilité de réalisation de l’autre.
On a alors :
Corollaire
Deux événements A et B sont dits indépendants si et
seulement si :
P(A ∩ B) = P(A) × P(B)
Exemple
On lance un dé deux fois. Soit les événements :
A = “obtenir un point pair au premier lancer”
B = “obtenir le point 1 ou 4 au deuxième lancer”
Les événements A et B sont-ils indépendants ?
Remarques
Il ne faut pas confondre événements indépendants et
événements incompatibles :
A et B sont indépendants ⇔ P(A ∩ B) = P(A) × P(B)
A et B sont incompatibles ⇔ P(A ∪ B) = P(A) + P(B)
Dans une suite de tirages successifs avec remise, les
tirages sont indépendants.
Dans une suite de tirages successifs sans remise, les
tirages ne sont pas indépendants.
Si les événements A et B sont indépendants, il en est de
même pour A et B, pour A et B et pour A et B.
Généralisation à n evénements
Définition
n événements A1 , A2 , . . . , An d’un même espace probabilisé
sont dits indépendants dans leurs ensemble si pour toute
famille de p (p ≥ 2) événements Ai1 , Ai2 , . . . , Aip choisis parmi
les événements A1 , A2 , . . . , An , on a :
Remarque
n événements A1 , A2 , . . . , An peuvent être indépendants deux
à deux sans être indépendants dans leurs ensemble.
IV- Dénombrement
Exemple
Exemple
p-liste
Proposition1
Le nombre de possibilités pour choisir p éléments
quelconques (distincts ou non, ordonnés ou non), parmi les n
éléments de E (événement noté Ω) est donné par :
Card(Ω) = np
Remarque
On fait appel au dénombrement avec les puissances np
lorsque, dans le choix des p éléments, on tient compte
des répétitions (éléments distincts ou non distincts) et on
tient compte de l’ordre (éléments ordonnés ou non
ordonnés).
Dans ce cas, on peut considérer p ≤ n ou bien p > n.
Par exemple, pour les tirages successifs avec remise, on
fait appel au dénombrement avec la puissance np .
Arrangements
Proposition2
Le nombre de possibilités pour choisir p éléments distincts
(ordonnés ou non ordonnés), parmi les n éléments de E
(événement D) est donné par :
n!
Card(D) = Apn =
(n − p)!
Remarque
On fait appel au dénombrement avec les arrangements Apn
lorsque, dans le choix des p éléments parmi n, on tient
compte de l’ordre et on ne tient pas compte des
répétitions.
Dans ce cas, on doit avoir p ≤ n. Sinon, l’événement D
est impossible (P(D) = 0 si p > n).
Par exemple, pour les tirages successifs sans remise, on
fait appel au dénombrement avec Apn .
Combinaisons
Proposition3
Le nombre de possibilités pour choisir p éléments distincts et
ordonnés parmi les n éléments de E (événement D ∩ C) est
donné par :
n!
Card(D ∩ C) = Cnp =
p!(n − p)!
Remarque
On fait appel au dénombrement avec les combinaison Cnp
lorsque, dans le choix des p éléments parmi n, on ne tient
compte ni de l’ordre ni des répétitions.
Dans ce cas, on doit avoir p ≤ n. Sinon, l’événement
D ∩ C est impossible.
Par exemple, pour les tirages simultanés, on fait appel au
dénombrement avec Cnp .
Proposition4
Le nombre de possibilités pour choisir p éléments ordonnés
(distincts ou non distincts) parmi les n éléments de E
(événement C) est donné par :
p (n + p − 1)!
Card(C) = Cn+p−1 =
p!(n − 1)!
Remarque
On fait appel au dénombrement avec les combinaisons
p
avec répétition Cn+p−1 lorsque, dans le choix des p
éléments parmi n, on tient compte des répétitions et on ne
tient pas compte de l’ordre.
Dans ce cas, on peut considérer p ≤ n ou bien p > n.
Par exemple, le nombre de possibilités pour choisir p
éléments parmi n, dans un ordre croissant au sens large
p
est égal à Cn+p−1 .
Remarque
Les résultats des 4 propositions précédentes peuvent être
résumés dans le tableau suivant :
Exemple
On considère E = {1, 2, 3, 4} et p = 3. On a :
Remarque
Lorsqu’on dit on tient compte des répétitions, cela veut
dire qu’on considère les choix possibles distincts ou non
distincts.
Lorsqu’on dit on ne tient pas compte des répétitions, cela
veut dire qu’on considère les choix possibles distincts.
Lorsqu’on dit on tient compte de l’ordre, cela veut dire
qu’on considère les choix possibles ordonnés ou non
ordonnés.
Lorsqu’on dit on ne tient pas compte de l’ordre, cela veut
dire qu’on considère les choix possibles ordonnés.
Exemples
Dans une urne qui contient 10 boules numérotées de 0 à
9, on tire successivement et avec remise 4 boules.
Calculer le nombre de choix possibles.
Même question si les tirages sont successifs et sans
remise.
Même question si les tirages sont simultanés.
Au loto sportif, on coche l’une des trois cases 1, N ou 2
pour chacun des 15 matchs programmés. Dénombrer le
nombre de grilles possibles.
Proposition5
Le nombre de possibilités pour choisir n éléments distincts
(ordonnés ou non ordonnés) parmi les n éléments distincts de
E, noté Pn , est donné par :
Pn = Ann = n!
Exemple
De combien de façons peut-on placer 12 personnes en
rangée pour prendre une photo ?
De combien de façons peut-on ranger 4 livres de math, 3
livres de physique et 5 livres de chimie, si on ne fait
aucune distinction entre les spécialités des livres ?
De combien de façons peut-on ranger ces livres si on veut
que les livres de même spécialité restent ensemble ?
Proposition6
Supposons que les n éléménts de E sont partiellement
distinguables (càd les n éléments ne sont pas tous distincts).
Supposons qu’on a n1 éléments identiques de type 1, n2
éléments identiques de type 2, . . . , nk éléments identiques de
type k avec n1 + n2 + · · · + nk = n.
Alors le nombre de permutations possibles de ces n éléments,
partiellement distinguables, noté Pn (n1 , n2 , . . . , nk ), est donné
par :
n!
Pn (n1 , n2 , . . . , nk ) =
n1 ! n2 ! . . . nk !
Exemples
Combien de mots de 9 lettres peut-on former avec les 9
lettres du mot EVENEMENT ?
Un enfant joue avec 2 jetons rouges identiques, 3 jetons
blancs identiques et 4 jetons noirs identiques.
De combien de façons différentes peut-il aligner ces 9
jetons ?
On dispose de 4 livres de math, 3 livres de physique et 5
livres de chimie.
De combien de façons peut-on les arranger si tous les
livres sont distinguables ?
De combien de façons peut-on les arranger si les livres de
chaque spécialité sont identiques ?
Fin chapitre 1
Chapitre 2
I- Définition
Définition
Soit (Ω, E(Ω), P) un espace probabilisé.
On appelle variable aléatoire toute application définie sur
l’ensemble fondamental Ω et à valeurs dans R.
Autrement dit, toute application X : Ω → R, qui à chaque
élément ω ∈ Ω associe une valeur réelle X (ω), est appelée
variable aléatoire, notée X .
Exemple
On lance deux dés.
Soit X l’application qui à chaque élément (i, j) ∈ Ω, associe la
somme i + j.
Remarque
Comme pour les variables statistiques, on distingue deux
types de variables aléatoires : les variables aléatoires
discrètes et les variables aléatoires continues.
Une variable aléatoire X est dite discrète si elle ne peut
prendre que des valeurs isolées (X (Ω) est un ensemble
fini ou dénombrable).
Une variable aléatoire X est dite continue si X (Ω) est non
dénombrable (X (Ω) est un intervalle ou une réunion
d’intervalles de R).
Remarques et notations
Soit X une variable aléatoire discrète. Soit X (Ω) = {x1 , x2 , ...}.
On suppose x1 < x2 < ... < xi < xi+1 < ....
Pour tout xi ∈ X (Ω). L’ensemble {ω ∈ Ω/X (ω) = xi } est
un événement de Ω. On le note (X = xi ).
Soit I ⊂ R. L’ensemble {ω ∈ Ω/X (ω) ∈ I} est un
événement de Ω. On le note (X ∈ I).
On utilise aussi les notations : (X ≤ a), (X > a),
(a < X ≤ b), ...
Exemple
On lance une pièce de monnaie trois fois.
Soit X = nombre de piles obtenues.
Calculer P(X = 1).
On lance un dé deux fois.
Soit Y = la somme des points obtenus.
Calculer P(Y ≤ 4).
Définition
Soit (Ω, E(Ω), P) un espace probabilisé et soit X une variable
aléatoire discrète sur Ω.
∀ x ∈ R, FX (x) = P(X ≤ x)
Propriétés caractéristiques :
La loi de probabilité PX doit vérifier :
1 ≤ PX (xi ) ≤ 1, ∀ xi ∈ X (Ω),
0X
2 PX (xi ) = 1.
xi ∈X (Ω)
Remarque
On a :
X
PX (xi ) = P(X = xi ) = P({ω})
ω∈(X =xi )
X
FX (x) = P(X ≤ x) = P(X = xi )
xi ≤x
Inversement, on peut déduire la loi de probabilité de X à
partir de sa fonction de répartition FX :
P(X = x1 ) = FX (x1 ),
P(X = xi ) = FX (xi ) − FX (xi−1 ), ∀ xi ∈ X (Ω) − {x1 }.
Exemple1
On lance deux dés. Soit X = la somme des points obtenus.
On a :
xi 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
fX (xi ) 36 36 36 36 36 36 36 36 36 36 36
1 3 6 10 15 21 26 30 33 35
FX (xi ) 36 36 36 36 36 36 36 36 36 36 1
Exemple2
On lance un dé jusqu’à l’obtention de la face numéro 3.
Soit X = le nombre de lancers effectués.
Déterminer la loi de probabilité et la fonction de répartition
de X .
On a X (Ω) = IN∗ .
On a la loi de probabilité :
1 5 k−1
P(X = k ) = ( )
6 6
D’où la fonction de répartition :
5
FX (k) = 1 − ( )k
6
5
Inversement, on a P(X > k) = ( )k .
6
Donc la fonction de répartition est donnée par :
5
FX (k) = 1 − ( )k
6
D’où la loi de probabilité :
1 5 k−1
P(X = k ) = FX (k) − FX (k − 1) = ( )
6 6
Remarque
Pour tout a, b ∈ R on a :
P(X ≤ a) = FX (a),
P(X > a) = 1 − FX (a),
P(a < X ≤ b) = FX (b) − FX (a),
P(X = a) = 0 si a 6∈ X (Ω)
P(X = xi ) = FX (xi ) − FX (xi−1 ), ∀ xi ∈ X (Ω)
Définition
Soit (Ω, E(Ω), p) un espace probabilisé et soit X une variable
aléatoire discrète sur Ω. On appelle espérance mathématique
de X , appelée aussi moyenne de X , le nombre réel (si il
existe), noté E(X ), défini par :
X
E(X ) = xi × P(X = xi )
xi ∈X (Ω)
Remarque
Définition
Soit (Ω, E(Ω), P) un espace probabilisé et soit X une variable
aléatoire discrète sur Ω. On appelle variance de X le nombre
réel positif (si il existe), noté V (X ), défini par :
X
V (X ) = E (X − E(X ))2 = (xi − E(X ))2 P(X = xi )
xi ∈X (Ω)
Remarque
Exemple
Propriétés :
Définition
On dit qu’une variable aléatoire discrète X suit une loi
uniforme de paramère n si et seulement si
X (Ω) = {1, 2 . . . , n}
et
1
∀ k ∈ X (Ω) P(X = k) =
n
On note X → U(n).
Proposition
Si X est une variable aléatoire discrète qui suit une loi
uniforme U(n), alors on a :
n+1
E(X ) =
2
n2 − 1
V (X ) =
12
Exemple
Dans une urne contenant 1 boule blanche et 9 boules noires,
on tire au hasard successivement et sans remise une boule
jusqu’à l’obtention de la boule blanche. Soit X la variable
aléatoire qui désigne le nombre de tirages effectués.
Quelle est la loi de probabilité de X ?
Epreuve de Bernoulli
Définition
On appelle épreuve de Bernoulli de paramètre p toute épreuve
aléatoire n’ayant que deux résultats possibles :
un résultat priviligié, noté S, appelé succès, avec la
probabilité p,
un résultat alternatif, noté S, appelé échec, avec la
probabilité q = 1 − p.
Exemple
On lance une fois un dé équilibré et on s’intéresse à
l’événement S = ”obtenir la face n◦ 3”.
Loi de Bernoulli
Proposition
On considère une épreuve de Bernoulli de paramètre p.
Soit X la variable aléatoire désignant le nombre de succès
obtenus. Alors on a :
X (Ω) = {0, 1}
Remarque
Définition
On considère une épreuve de Bernoulli de paramètre p.
Soit X une variable aléatoire désignant le nombre de succès
obtenus lorsqu’on répète successivement cette épreuve n fois
de façon indépendante.
Exemple
Soit E un ensemble formé de N = (N1 + N2 ) éléments avec N1
éléments de type S (succès) et N2 éléments de type S.
On choisit au hasard, successivement avec remise, un
échantillon de n éléments dans l’ensemble E.
Proposition
Une variable aléatoire X suit une loi binomiale de paramètres
n et p si et seulement si :
X (Ω) = {0, 1, . . . , n}
Proposition
Soit X une variable qui suit une loi binomiale de paramètres n
et p. Alors on a :
E(X ) = np et V (X ) = npq
2ème partie : PROBABILITÉS - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
IV.1- Loi uniforme
I- Définition
IV.2- Loi de Bernoulli
II- Loi de probabilité - Fonction de répartition
IV.3- Loi binomiale
III- Paramètres d’une variable aléatoire
IV.4- Loi hypergéométrique
IV- Lois de probabilité usuelles
IV.5- Loi géométrique
V- Couple de variables aléatoires
IV.6- Loi de Poisson
Exemple
Propriétés
Si X → B(n, p) et si Y = n − X , alors Y → B(n, q).
Si X et Y sont deux variables aléatoires indépendantes et
si X → B(n1 , p) et Y → B(n2 , p), alors la somme
S = X + Y suit une loi binomiale B(n1 + n2 , p).
Définition
On considère une épreuve de Bernoulli de paramètre p.
On suppose qu’on a N1 possibilités pour réaliser le succès et
qu’on a N2 = N − N1 possibilités pour réaliser l’échec (p = NN1 ).
Soit X une variable aléatoire désignant le nombre de succès
obtenus lorsqu’on effectue n répétitions non indépendantes
de cette épreuve (n ≤ N).
Exemple
Soit E un ensemble formé de N = (N1 + N2 ) éléments avec N1
éléments de type S (succès) et N2 éléments de type S.
On choisit au hasard, simultanément ou successivement sans
remise, un échantillon de n éléments dans l’ensemble E.
Proposition
Une variable aléatoire X suit une loi hypergéométrique de
paramètres N, N1 et n si et seulement si :
X (Ω) ⊆ {0, 1, . . . , n}
n−k
CNk 1 CN−N 1
∀ k ∈ X (Ω), P(X = k) =
CNn
Proposition
Soit X une variable aléatoire qui suit une loi hypergéométrique
de paramètres N, N1 et n. Alors on a :
E(X ) = np
N −n
V (X ) = npq
N −1
N1
avec p = N , q =1−p
Exemple
X (Ω) = {0, . . . , 6}
et
6−k
C6k C43
p(X = k) = 6
C49
On obtient :
k 0 1 2 3
P(X = k ) 0.436 0.413 0.132 0.0177
k 4 5 6
P(X = k ) 9, 69.10−4 1, 84.10−5 7, 15.10−8
6
On a E(X ) = np = 6 49 ' 0.735
Propriétés
On montre la formule de Vandermonde :
Xn
CNk 1 CNn−k
2
n
= C(N1 +N2 )
k=0
Si X → H(N, N1 , n), alors Y = (n − X ) → H(N, N2 , n).
Si X et Y sont indépendantes et si X → B(n1 , p) et
Y → B(n2 , p), alors
S = (X + Y ) → B(n1 + n2 , p),
X |(S = m) → H(n1 + n2 , n1 , m),
Y |(S = m) → H(n1 + n2 , n2 , m).
Proposition
Soit X une variable aléatoire qui suit une loi hypergéométrique
de paramètres N, N1 et n.
Si N est grand devant n (N > 20n), alors on peut approximer
la loi hypergéométrique par une loi binomiale de paramètre n
et p = NN1
n−k
CNk 1 CN−N 1
≈ Cnk pk q n−k
CNn
Définition
Soit X la variable aléatoire désignant le nombre de répétitions
indépendantes d’une épreuve de Bernoulli de paramètre p
jusqu’à l’obtention du premier succès.
On note X → G(p).
Proposition
Une variable aléatoire X suit une loi géométrique de
paramètre p si et seulement si :
X (Ω) = IN∗
Proposition
Si une variable aléatoire X suit une loi géométrique de
paramètre p, alors on a :
1 q
E(X ) = et V (X ) = 2
p p
2ème partie : PROBABILITÉS - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
IV.1- Loi uniforme
I- Définition
IV.2- Loi de Bernoulli
II- Loi de probabilité - Fonction de répartition
IV.3- Loi binomiale
III- Paramètres d’une variable aléatoire
IV.4- Loi hypergéométrique
IV- Lois de probabilité usuelles
IV.5- Loi géométrique
V- Couple de variables aléatoires
IV.6- Loi de Poisson
Reconnaissance
Définition
Soit X la variable aléatoire désignant le nombre de répétitions
indépendantes d’une épreuve de Bernoulli de paramètre p
jusqu’à l’obtention des r premiers succès.
On note X → BN (r , p).
Proposition
Une variable aléatoire X suit une loi binomiale négative de
paramètres r et p si et seulement si :
X (Ω) = {r , r + 1, . . . , ∞}
r −1 r k−r
∀ k ∈ X (Ω), P(X = k ) = Ck−1 pq
Proposition
Si une variable aléatoire X suit une loi binomiale négative de
paramètres r et p, alors on a :
r q
E(X ) = et V (X ) = r 2
p p
2ème partie : PROBABILITÉS - Chapitre 2 Module M147 - MIP Pr. A. FAHSI
IV.1- Loi uniforme
I- Définition
IV.2- Loi de Bernoulli
II- Loi de probabilité - Fonction de répartition
IV.3- Loi binomiale
III- Paramètres d’une variable aléatoire
IV.4- Loi hypergéométrique
IV- Lois de probabilité usuelles
IV.5- Loi géométrique
V- Couple de variables aléatoires
IV.6- Loi de Poisson
Exemple
1
X → G( )
3
2 1 16
P(X = 5) = ( )4 =
3 3 243
Soit Y la variable aléatoire qui représente le nombre de boules
tirées jusqu’à l’obtention de 3 boules blanches.
1
Y → BN (3, )
3
1 2 8
P(Y = 5) = C42 ( )3 ( )2 =
3 3 81
Définition
On dit qu’une variable aléatoire X suit une loi de Poisson de
paramètre λ > 0 si et seulement si :
X (Ω) = IN
et
λk e−λ
∀ k ∈ X (Ω), P(X = k ) =
k!
on note X → P(λ).
Proposition
Soit X une variable aléatoire qui suit une loi de Poisson de
paramètre λ. Alors on a :
E(X ) = λ
V (X ) = λ
Reconnaissance
Exemple
X → P(2)
D’où
P(X ≥ 3) = 1 − P(X < 3) = 1 − 5e−2
Propriétés
Si X et Y sont deux variables aléatoires indépendantes et
si X → P(λ1 ) et Y → P(λ2 ), alors
S = (X + Y ) → P(λ1 + λ2 ),
X |(S = n) → B(n, (λ1λ+λ
1
2)
),
Y |(S = n) → B(n, (λ1λ+λ
2
2)
).
Si X et Y sont deux variables aléatoires telle que leur
somme suit une loi de Poisson, alors X et Y sont
indépendantes et elles suivent eux mêmes des lois de
Poisson.
Proposition
Soit X une variable aléatoire qui suit une loi binomiable de
paramètres n et p.
Si n est assez grand (n ≥ 30) et p petit (p ≤ 0.1), de telle sorte
que le produit np soit ≤ 5, alors on peut approximer la loi
binomiale B(n, p) par une loi de Poisson de paramètre λ = np :
λk e−λ
Cnk pk q n−k ≈
k!
V- Couple de variables
aléatoires
Définition
Soit (Ω, E(Ω), P) un espace probabilisé et soient X et Y deux
variables aléatoires discrètes sur Ω.
On appelle loi de probabilité du couple (X , Y ) l’application,
notée P(X ,Y ) , définie de X (Ω) × Y (Ω) dans [0, 1] par :
∀ (xi , yj ) ∈ X (Ω)×Y (Ω), P(X ,Y ) (xi , yj ) = P (X = xi ) ∩ (Y = yj )
Remarques :
Pour définir la loi de probabilité du couple (X , Y ), il faut et
il suffit de connaı̂tre les valeurs pij = P(X ,Y ) (xi , yj ),
∀ (xi , yj ) ∈ X (Ω) × Y (Ω).
X
On a : pij = 1.
i,j
X
P(X ,Y ) (I × J) = P((X ∈ I) ∩ (Y ∈ J)) = pij
xi ∈I,yj ∈J
Exemple
Y 0 1 2 3 Total
X
4 36 60 20 120
0 816 816 816 816 816
48 192 120 360
1 816 816 816 0 816
112 168 280
2 816 816 0 0 816
56 56
3 816 0 0 0 816
220 396 180 20
Total 816 816 816 816 1
Définition
Deux variables aléatoires X et Y sont dites indépendantes si
et seulement si ∀ (xi , yj ) ∈ X (Ω) × Y (Ω), les événements
(X = xi ) et (Y = yj ) sont indépendants.
Corollaire
Deux variables aléatoires X et Y sont dites indépendantes si
et seulement si
V.3- Covariance
Définition
On appelle covariance des variables aléatoires X et Y le
nombre réel (si il existe), noté Cov (X , Y ), défini par :
On a : X X
E(XY ) = xi .yj .pij
xi ∈X (Ω) yj ∈Y (Ω)
Propriétés :
Exemple
\Y 0 1 2
X \
1 1
0 0 0
2 2
1 1 1
1 0
4 4 2
1 1 1
1
4 2 4
On a : E(X ) = 1/2, E(Y)=1, et E(XY)=1/2. Donc
Cov (X , Y ) = 0
Cependant X et Y ne sont pas indépendantes.
Exercice
xi 0 1 2 3
PX (xi ) 0.1 0.2 0.3 0.4
yi 1 2 3
PY (yi ) 0.25 0.5 0.25
Fin chapitre 2
Chapitre 3
I- Définition
Définition
Soit Ω un univers infini non dénombrable.
Une variable aléatoire X définie sur Ω est dite continue si et
seulement si l’ensemble X (Ω) est infini non dénombrable.
X (Ω) est un intervalle de R ou une réunion d’intervalles de R.
Exemple
On lance une flèche sur une cible matérialisée par un disque
de rayon R. On a :
Ω = {M(x, y) / x2 + y2 ≤ R}
On note X la variable aléatoire qui désigne la distance du point
d’impact de la flèche au centre du disque. On a :
X (Ω) = [0, R]
∀ x ∈ R, FX (x) = P(X ≤ x)
Propriétés caractéristiques :
Propriétés caractéristiques :
Définition
Soit X une variable aléatoire continue et soit fX sa fonction
densité de probabilité.
On peut définir la fonction de répartition de X à partir de la
fonction densité de probabilité par la formule suivante :
Z x
∀ x ∈ R, FX (x) = fX (t)dt
−∞
Remarques et propriétés
Soit X une variable aléatoire continue.
On peut effectuer les calculs des probabilités pour X , soit
en utilisant sa fonction de répartition FX , soit en utilisant
sa fonction densité de probabilité fX . On a :
Z b
P(a < X ≤ b) = FX (b) − FX (a) = fX (t)dt
a
Exemple1
Soit X une variable aléatoire continue dont la fonction de
répartition est définie par :
a − be−2x si x > 0
FX (x) =
0 sinon
Exemple2
Soit X une variable aléatoire continue dont la fonction densité
de probabilité est définie par :
ke−2x si x ≥ 0
fX (x) =
0 sinon
1 Déterminer la constante k .
2 Calculer la probabilité des événements suivants : (X ≥ 1),
(−1 ≤ X ≤ 2).
3 Déterminer la fonction de répartition de X .
4 Déterminer la fonction densité de probabilité de la variable
aléatoire Y = 3 − 2X .
Exemple1
Soit X une variable aléatoire continue et soit Y = exp(X ). On
a:
P(X ≤ ln(x)) si x > 0
FY (x) = P(Y ≤ x) = P(exp(X ) ≤ x) =
0 sinon
Exemple2
Soit X une variable aléatoire continue et soit Y = X 2 . On a :
√ √
2 P(− x ≤ X ≤ x) si x > 0
FY (x) = P(Y ≤ x) = P(X ≤ x) =
0 sinon
D’où :
(
1 √ √
√ (f ( x)
2 x X
+ fX (− x)) si x > 0
fY (x) =
0 sinon
Exemple3
Soit X une variable aléatoire continue dont la fonction densité
de probabilité est donnée par :
On a
FY (x) = P(Y ≤ x) = P(1 − 3X 2 ≤ x)
1−x
= P(X 2 > )
3
( q q
1 − P(− 1−x3 ≤ X ≤ 1−x
3 ) si
1−x
3 >0
=
1 sinon
( q q
1 − FX ( 1−x
3 ) + FX (−
1−x
3 ) si x < 1
=
1 sinon
D’où :
q q
q1 1−x
+ fX (− 1−x
(fX ( 3 ) 3 )) si x < 1
fY (x) = 6 1−x
3
0 sinon
Définition
Si la variance de X existe, l’écart-type de X est défini par :
p
σ(X ) = V (X )
Propriétés
Soient X et Y deux variables aléatoires continues et a et b
deux constantes réelles. On a :
E(aX + b) = aE(X ) + b,
V (aX + b) = a2 V (X ),
E(X + Y ) = E(X ) + E(Y ),
Si X et Y sont indépendantes alors :
E(XY ) = E(X )E(Y )
V (X + Y ) = V (X ) + V (Y ).
III.3- Quantiles
Définition
Soit X une variable alétoire continue et soit FX sa fonction de
répartition.
On appelle quantile d’ordre k (0 < k < 1) de X la valeur, notée
zk , telle que : FX (zk ) = k .
Exemple
Soit X une variable aléatoire dont la fonction densité de
probabilité est définie par :
x si x ∈]0, 1[
fX (x) = k − x si x ∈ [1, 2]
0 sinon
1) Déterminer la constante k.
2) Calculer les quartiles, l’espérance et la variance de X .
4) Soit Y une variable aléatoire définie par Y = 3 − 2X .
a) Déterminer la fonction densité de probabilité de Y .
b) Calculer les quartiles, l’espérance et la variance de Y .
Définition
Soit X une variable aléatoire continue. On dit que X suit la loi
uniforme sur l’intervalle [a, b] si et seulement si sa densité de
probabilité est définie par :
1
si x ∈ [a, b]
fX (x) = b−a
0 sinon
Proposition
Soit X une variable aléatoire continue qui suit une loi uniforme
sur l’intervalle [a, b]. Alors on a :
x0
si x ≤ a
−a
FX (x) = si x ∈ [a, b]
b−a
si x ≥ b
1
a+b
E(X ) = Me (X ) =
2
(a − b)2
V (X ) =
12
Exemple
Le temps de retard d’un train suit une loi uniformément
distribuée entre 0 et 30 minutes.
1) Quelle la probabilité que l’attente d’arrivée de ce train dure
entre 10 et 15 minutes ?
2) Sachant que le train n’est pas arrivé après 10 minutes,
quelle est la probabilité que l’attente dure encore moins de 5
minutes ?
3) Quelle la probabilité que l’attente dure entre 20 et 40
minutes ?
Définition
On dit qu’une variable aléatoire continue X suit la loi
exponentielle de paramètre λ (λ > 0) si et seulement si sa
densité de probabilité est définie par :
λe−λx si x ≥ 0
fX (x) =
0 sinon
On note X → E(λ).
Proposition
Soit X une variable aléatoire continue qui suit une loi
exponentielle de paramètre λ. Alors on a :
1 − e−λx si x ≥ 0
FX (x) =
0 sinon
ln(2)
Me(X ) =
λ
1
E(X ) =
λ
1
V (X ) = 2
λ
Exemple
Dans une région, les pannes d’électricité se produisent en
moyenne deux fois par mois.
a) Quelle la probabilité que durant un mois, on observe au
moins 3 pannes ?
b) Quelle la probabilité que le temps qui sépare les deux
prochaines pannes soit inférieur à 10 jours ?
Exemple
Les données statistiques montrent que les décès dans une
urgence se produisent avec une moyenne de 3 décès par
année.
Si une personne est décédée aujourd’hui, quelle est la
probabilité que le prochain décès soit dans plus de 4 mois ?
Définition
On dit qu’une variable aléatoire continue X suit la loi normale
(ou loi de Gauss) de paramètres m et σ si et seulement si sa
fonction densité de probabilité est définie par :
(x − m)2
1
fX (x) = √ exp − , ∀x ∈R
σ 2π 2σ 2
Proposition
Soit X une variable aléatoire continue qui suit une loi normale
de paramètres m et σ. Alors on a :
E(X ) = Me (X ) = Mo (X ) = m
V (X ) = σ 2
Définition
Soit X une variable aléatoire continue qui suit une loi normale
de paramètres m et σ. La fonction de répartition de X est
définie par :
Z x
(t − m)2
1
FX (x) = √ exp − dt , ∀ x ∈ R
σ 2π −∞ 2σ 2
Remarque
La fonction de répartition d’une loi normale ne peut pas être
exprimée à l’aide de fonctions usuelles.
Proposition
La fonction densité de probabilité et la fonction de répartition
de la loi normale centrée réduite N (0, 1) sont notées
respectivement ϕ(x) et Φ(x).
Soit X une variable aléatoire qui suit une loi normale de
paramètres m et σ (X → N (m, σ)). Alors, on a :
x−m
FX (x) = Φ
σ
1 x−m
fX (x) = ϕ
σ σ
Cette table est composée d’une grande table pour les valeurs
de x comprises entre 0 et 2.99 et d’une petite table pour les
valeurs de x comprises entre 3 et 5.9 :
Φ(−x) = 1 − Φ(x)
Exemple
1)
P(X < 39) = FX (39) = Φ( 39−45
4 ) = Φ(−1.5) = 0.06681
P(X ≥ 48) = 1 − FX (48) = 1 − Φ(0.75) = 0.22663
P(39 < X < 48) = Φ(0.75) − Φ(−1.5) = 0.70656
2)
P(|X −m| ≤ σ) = P(m−σ < X < m+σ) = 2Φ(1)−1 = 0.68268
3)
P(X < a) = 0.40129 ⇔ Φ( a−45
4 ) = 1 − Φ(0.25) = Φ(−0.25).
D’où a = 44
Propriété
Proposition
Si X1 et X2 sont deux variables aléatoires indépendantes de
lois respectives N (m1 , σ1 ) et N (m2 , σ2 ).
Alors la variable
q aléatoire S = X1 + X2 suit la loi normale
N (m1 + m2 , σ12 + σ22 ).
Proposition
Soit X une variable aléatoire qui suit une loi binomiale B(n, p).
Alors :
Pour n suffisamment grand (n ≥ 30) et p et q pas trop proches
de zéro (np ≥ 5 et nq ≥ 5), la loi binomiale B(n, p) peut être
approximée par la loi normale de paramètres m = np et
√
σ = npq.
√
On note : B(n, p) ≈ N (np, npq).
Proposition
Soit X une variable aléatoire qui suit une loi de Poisson P(λ).
Alors :
Pour λ suffisamment grand (λ ≥ 20), la loi de Poisson P(λ)
peut être
√ approximée par la loi normale de paramètres m = λ
et σ = λ.
√
On note : P(λ) ≈ N (λ, λ).
Exemple
Fin chapitre 3