Chapitre II : Caractéristiques de tendance centrale

Chapitre II : Caractéristiques de tendance centrale

I. Introduction
Les caractéristiques des distributions statistiques est un outil essentiel de comparaison, se
référant :
• à la tendance centrale (position),
• à la dispersion
• et à la forme (concentration).
Caractéristique de position ou de tendance centrale ceux sont :
– le mode,
– la médiane
– et les moyennes:
• Moyenne arithmétique
• Les autres moyennes
– Géométrique
– Harmonique
– Quadratique
II. Le Mode (Mo)
Le mode est la valeur (𝑀𝑜 = 𝑥 ) la plus fréquente de la variable, c'est-à-dire celle pour
laquelle :
– La fréquence est maximale, ou
– L’effectif est le plus grand.
1) Cas de la variable quantitative discrète
Le mode correspond à la valeur 𝑥 de la variable ayant la fréquence la plus élevée dans un
tableau statistique.

Exemple :
Soit la distribution statistique représentant le nombre de frères et sœurs des étudiants,

𝑥 𝑛
0 2
1 3
2 5
3 10
4 7
5 2
6 1

𝑀𝑜 = 𝑥 = 3 puisqu’il a le plus grand effectif qui est égal à 10.

Graphiquement, le mode correspond à la valeur 𝑥 possédant le plus haut bâton dans un
diagramme en bâtons.
Graphiquement, le mode correspond à la valeur 𝑥 possédant le plus haut bâton dans un
diagramme en bâtons.

FSJES -Tétouan 27 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

Figure 6 : Diagramme en batons

2) Cas de la variable quantitative continue

Dans ce cas, les données sont groupées en classes et le mode est représenté par la classe
modale correspondante au plus grand effectif. Mais, il faut distinguer deux sous cas, lorsque
les amplitudes des classes sont égales et lorsque les amplitudes sont différentes.
a) Cas des amplitudes égales :
Exemple pour le cas des amplitudes égales :
Soit la série représentant les notes des étudiants :

[𝒆𝒊 𝟏 ; 𝒆𝒊 [ 𝒏𝒊
[0 ; 5[ 60
[5 ; 10[ 120
[10 ; 15[ 200
[15 ; 20[ 20

Toutes les amplitudes 𝑎 égalent à 5, donc :

 La classe modale est [10,15[, puisqu’elle correspond à l’effectif le plus grand.

 Approximativement, le mode correspond au centre de la classe modale :
10 + 15
𝑀𝑜 = = 12,5
2
Remarque :
Cette méthode de considérer le mode comme centre de la classe modale n’est pas assez
précise que d’autres méthodes : graphiques ou calculatoires qu’on verra plus tard.
Méthode graphique de détermination du Mode :
Graphiquement, on détermine la valeur du mode par la méthode des diagonales suivante :

FSJES -Tétouan 28 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

Les méthodes calculatoires se traduit à travers les deux formules suivantes :

ℎ
𝑀𝑜 = 𝑒 + ×𝑎 (𝐼)
ℎ +ℎ
ℎ −ℎ
𝑀𝑜 = 𝑒 + ×𝑎 (𝐼𝐼)
(ℎ − ℎ ) + (ℎ − ℎ )
En appliquant la première formule (𝐼), on trouve :
20
𝑀𝑜 = 10 + × 5 = 10 + 0,714 = 10,714
120 + 20
Et en appliquant la 2ème formule (𝐼𝐼) on trouve :
200 − 120
𝑀𝑜 = 10 + × 5 = 11,538
(200 − 20) + (200 − 120)
Remarque :
Ces deux formules ne sont que des approximations à la vraie valeur du Mode d’une série
statistique quantitative continue, de plus ils ne donnent pas le même résultat du mode.
b) Cas des amplitudes différentes :
Lorsque les amplitudes de classes sont différentes, on définit la classe modale comme étant
celle de la plus grande hauteur dans l’histogramme.
(Remarque : ℎ représente la fréquence moyenne par unité d’amplitude).
Une série statistique peut avoir plusieurs classes modales.
Dans la classe modale, il faut choisir ou sélectionner un point comme mode.
Ce point se trouve donc dans la zone de la classe modale là où il y a le plus d’observations.
Exemple pour le cas des amplitudes différentes :
Soit la série statistique suivante :

[𝒆𝒊 𝟏 ; 𝒆𝒊 [ 𝑛 𝑎 ℎ = 𝑛 /𝑎
[100 ; 200[ 15 100 0,15
[200 ; 400[ 25 200 0,125
[400 ; 600[ 40 200 0,2
[𝟔𝟎𝟎 ; 𝟕𝟎𝟎[ 35 100 0,35
[700 ; 1000[ 20 300 0,067

FSJES -Tétouan 29 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

La classe modale est [600; 700[ (et non pas [400; 600[ qui a 𝑛 = 40 le plus grand effectif)
car [600; 700[ correspond à ℎ = 0,35 le plus élevée.

hi 1
Pour déterminer la valeur du mode, On applique la formule : Mo  e i -1  ai
hi -1  hi 1

on a : 𝑒 = 600 ; 𝑒 = 700 ; 𝑎 = 100 ; ℎ = 0,2 et ℎ = 0,067

hi 1 0, 067
donc Mo  ei 1  ai  600  100  625,1
hi 1  hi 1 0, 2  0,067

Méthode graphique de détermination du mode :

On peut aussi déterminer le mode par la méthode graphique.

Cela se fait sur l’histogramme. D’abord, on trace l’histogramme mais comme c’est une série
statistique quantitative continue avec amplitude de classe différents. Ainsi, on trace
l’histogramme pour les ℎ = . En joignant les sommets du rectangle le plus élevé et les
sommets du rectangle juste avant et le suivant, la projection sur l’axe des 𝑥 du point de
rencontre des diagonales obtenues (donne) la position de 𝑀𝑜 parmi les 𝑥 .
Remarque :
Le mode ne doit être retenu que s’il est unique (série unimodale). Lorsque la distribution est
multimodale, le mode perd toute signification.
III. La Médiane (Mé)
Définition :
La médiane est la valeur de la variable statistique qui partage la série statistique en deux
parties de total des effectifs égaux, en supposant au préalable que la distribution soit classée
par ordre de valeurs croissantes ou décroissantes de la variable.

FSJES -Tétouan 30 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

1) La médiane d’une variable statistique discrète :

• Deux cas se présentent :

a) 1er cas : nombre impair (𝟐𝒌 + 𝟏) d’observations (𝒙𝒊 ) :

Si le nombre d’observations est impair (2𝑘 + 1), alors il suffit de déterminer la médiane qui
sera le (𝑘 + 1)è terme.
Exemple :

Soient les notes obtenues par 7 étudiants à l’examen : 10 ; 12 ; 9 ; 13 ; 8 ; 7 ; 11.

Classons cette série dans l’ordre croissant : 7 ; 8 ; 9 ; 10 ; 11 ; 12 ; 13  𝑀é = 10
𝑀é

Puisqu’on a sept termes, la médiane correspond à 10, car il y a trois valeurs à gauche de 10 et
trois valeurs à sa droite.
b) 2ème cas : nombre pair (𝟐𝒌) d’observations (𝒙𝒊 ) :

Si le nombre d’observations est pair 2𝑘, alors la médiane est donnée par l’intervalle médian
de borne inférieure la valeur 𝑘 è et de borne supérieure la valeur (𝑘 + 1)è de la série
statistique.
On prend comme médiane la moyenne (la centre de l’intervalle) des bornes de l’intervalle
médian.
Exemple :

Soit maintenant la série suivante : 5 ; 6 ; 7 ; 8 ; 9 ; 10 ; 11 ; 12 ; 13 ; 14

il y a dix valeurs, un nombre pair des observations (𝑥 ) : 10 = 2𝑘 = 2 × 5, ainsi on a :

 𝑘 è = 5 et (𝑘 + 1)è = 6,
 donc : 𝑥 = 9 et 𝑥 = 10

ainsi la médiane de cette série statique M é  x k  x k 1  x 5  x 6  9  10  9, 5  N

2 2 2

Comme on est dans le cas discret et 9,5IN, on ne peut pas la prendre comme une vraie
médiane.
c) Méthode pratique de recherche de la médiane :
On cherche 𝑁/2 parmi les effectifs cumulés croissantes 𝑛 𝑐𝑐. SI cette valeur 𝑁/2 existe
parmi les 𝑛 𝑐𝑐 alors la médiane de cette série c’est la valeur moyenne de 𝑥 correspondante à

𝑁/2 et la valeur 𝑥 qui vient juste après 𝑥 , c.à.d. M é  x k  x k 1 . Sinon, 𝑁/2 n’existe
2
pas parmi les 𝑛 𝑐𝑐 alors la médiane est la valeur 𝑥 qui correspond l’effectif qui vient juste
après la valeur 𝑁/2. Ainsi la médiane dans ce cas est : 𝑀é = 𝑥

FSJES -Tétouan 31 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

Exemple : 𝑵/𝟐 existe parmi les 𝒏𝒊 𝒄𝒄

Soit la série statistique suivante :

𝑥 𝑛 𝑛 𝑐𝑐
𝑥 +𝑥 1 1 1
𝑀é = 3 2 3 𝑁/2 = 10 se trouve
2
5 7 10 parmi les 𝑛 𝑐𝑐
7 6 16
9 4 20
𝑁 = 20
On cherche 𝑁/2 = 20/2 = 10 parmi les effectifs cumulés croissantes 𝑛 𝑐𝑐.
x k  x k 1 5  7
Dans ce cas, on trouve cette valeur 10 parmi les 𝑛 𝑐𝑐 donc Mé    6 la
2 2
valeur qui correspond à l’effectif 10.
Exemple : 𝑵/𝟐 n’existe pas parmi les 𝒏𝒊 𝒄𝒄
Soit la série statistique suivante :

𝑥 𝑛 𝑛 𝑐𝑐
1 1 1 𝑵/𝟐 = 𝟐𝟎/𝟐 = 𝟏𝟎 cette valeur
3 3 4 n’existe pas parmi les 𝑛 𝑐𝑐.
5 7 11 Alors la 1ère valeur d’effectif qui la
7 3 14 dépasse est 11
9 6 20
𝑁 = 20
On a 𝑁/2 = 11/2 = 5,5 cette valeur n’existe pas parmi les 𝑛 𝑐𝑐.
Alors la 1ère valeur d’effectif qui la dépasse est 11, ainsi la médiane est la valeur de 𝑥 = 5 qui
de cet effectif 11 c.à.d. 𝑀é = 5.
Exemple : 𝑵/𝟐 n’existe pas parmi les 𝒏𝒊 𝒄𝒄
Soit la série statistique suivante :
𝑥 𝑛 𝑛 𝑐𝑐
5 1 1
6 2 3 𝑵/𝟐 = 𝟏𝟏/𝟐 = 𝟓, 𝟓 n’existe pas
8 1 4 parmi les 𝑛 𝑐𝑐.
9 1 5 Le 1er effectif qui dépasse 𝑵/𝟐
10 3 8 est 8
11 1 9
12 1 10
13 1 11
𝑁 = 11

On a 𝑁 = 11 ⟹ 𝑁/2 = 5,5 n’existe pas parmi les 𝑛 𝑐𝑐

Et l’effectif qui la dépasse pour la 1ère fois est 8
Donc la médiane est la valeur 𝑥 = 10 correspondante à l’effectif 8, c.à.d. 𝑀é = 𝑥 = 8
2) La médiane d’une variable statistique continue :
Dans ce cas, les valeurs sont regroupées en classes.

FSJES -Tétouan 32 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

La médiane se calcule d’abord par détermination de la classe médiane [𝑒 ; 𝑒 [ qui

correspond à la valeur de 𝑛 𝑐𝑐 = 𝑁/2 ou à la 1ère valeur des 𝑛 𝑐𝑐 qui dépasse 𝑁/2 dans le cas
ou tous les 𝑛 𝑐𝑐 sont différents de 𝑁/2.
Exemple 1 :
Soit la série statistique suivante :
[𝑒 ;𝑒 [ 𝑛 𝑛 𝑐𝑐
𝑁 200
[0 ; 10[ 48 48 2
=
2
= 100
[10 ; 20[ 52 100 existe parmi les 𝑛 𝑐𝑐
[20 ; 30[ 60 160
[30 ; 40[ 40 200
𝑁 = 200
𝑁/2 = 200/2 = 100, cette valeur existe exactement parmi les 𝑛 𝑐𝑐
Donc [𝑒 ; 𝑒 [= [10 ; 20[ est la classe médiane (c.à.d. l’intervalle qui contient la médiane)
ainsi la médiane est 𝑴é = 𝒆𝒊 = 𝟐𝟎.
Exemple 2 :
Les salaires annuels des employés d’une entreprise (en milliers de DH) sont distribués comme
suit :
[𝑒 ;𝑒 [ 𝑛 𝑛 𝑐𝑐
[40 ; 50[ 12 12 n’existe pas
[50, 60[ 14 26 parmi les 𝑛 𝑐𝑐
[60 ; 70[ 20 46
[70 ; 80[ 30 76 𝑛 𝑐𝑐 = 76 est la première
[80 ; 90[ 14 90 valeur qui dépasse 𝑁/2 = 50
[90 ; 100[ 10 100
𝑁 = 100
N 100
  50 , cette valeur n’existe pas parmi les 𝑛 𝑐𝑐.
2 20
Donc, la classe médiane est la classe qui correspond à 𝑛 𝑐𝑐 qui dépasse pour la première fois
la valeur 50 c'est-à-dire [𝑒 ; 𝑒 [= [70 ; 80[ et ensuite, on applique la formule :
𝑁
− 𝑛 𝑐𝑐
𝑀é = 𝑒 + 2 ×𝑎
𝑛
50  46
Application numérique : Mé  70   10  71, 33  70, 80
30
Interprétation :
N
On a :  50 et 𝑀é = 71,33 . 103 𝐷𝐻 = 71330 𝐷𝐻
2
Ainsi, il y a 50 employés qui ont un salaire inférieur à 71330 DH et les 50 autres ont un
salaire supérieur à 71330 DH.

FSJES -Tétouan 33 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

3) Méthode graphique de détermination de la médiane

On trace la courbe des fréquences (ou des effectifs) cumulées croissantes et on trace aussi la
droite horizontale d’équation 𝑦 = sur le même repère.
La projection du point d’intersection de la courbe et la droite 𝑦 = sur l’axe des abscisses
donne la position (la valeur) de la médiane.
Exemple :
Soit la distribution de l’exemple précédent :
[𝑒 ;𝑒 [ 𝑛 𝑛 𝑐𝑐
[40 ; 50[ 12 12
[50, 60[ 14 26
[60 ; 70[ 20 46
[70 ; 80[ 30 76
[80 ; 90[ 14 90
[90 ; 100[ 10 100
𝑁 = 100
Traçons la courbe des 𝑛𝑖𝑐𝑐 et la droite horizontale passant par y = 𝑛𝑖𝑐𝑐 = sur le même
repère.

On voit que la médiane est presque égale à la valeur trouvée algébriquement 71,33.

Méthode graphique de détermination de la médiane :

On trace la courbe des fréquences (ou des effectifs) cumulées croissantes et la courbe des
fréquences (ou des effectifs) cumulées décroissantes sur le même repère. La projection du
point d’intersection de ces deux courbes sur l’axe des abscisses donne la valeur de la médiane.

[𝒆𝒊 𝟏 , 𝒆𝒊 [ 𝑛 𝑛 𝑐𝑐 𝑛 𝑐𝑑
[40, 50[ 12 12 100
[50, 60[ 14 26 88
[60, 70[ 20 46 74
[70, 80[ 30 76 54
[80, 90[ 14 90 24
[90,100[ 10 100 10

FSJES -Tétouan 34 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

N=100

IV. Les moyennes

Généralement, il y a quatre types de moyennes :
– Arithmétique ;
– Géométrique ;
– Harmonique ;
– Quadratique.
1) Moyenne arithmétique
a) Variable statistique discrète
La moyenne arithmétique d’une variable statistique est égale à la somme des valeurs de la
k k k
ni 1
variable pondérée par les fréquences relatives : x   f i x i c.à.d. x   xi  n x i i .
i 1 i 1 N N i 1

k
1
D’où x 
N
n x
i 1
i i .

Exemple :
Soient les notes d’un groupe de 30 étudiants :

𝑥 𝑛 𝑛𝑥 𝑓 𝑓𝑥
7 4 28 0,133 0,931
8 5 40 0,167 1,336
9 6 54 0,2 1,8
13 7 91 0,233 3,029
14 6 84 0,2 2,8
15 2 30 0,067 1,005
Total 𝑁 = 30 327 ∑𝑓 = 1 10,901
k
1 1
La moyenne de ce groupe est : x 
N
n x
i 1
i i 
30
 327  10, 9
k
Autrement calculée : x   f i x i  10, 901  10,9
i 1

b) Variable statistique continue

Pour le calcul de la moyenne arithmétique dans le cas de la variable statistique continue, il faut
procéder par la formule suivante :

FSJES -Tétouan 35 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

1
𝑥̅ = 𝑛𝑐
𝑁
où 𝑐 représente les centre des classes.

Exemple :
L’âge des salariés d’une entreprise est distribué comme suit :
[𝒆𝒊 𝟏 ; 𝒆𝒊 [ 𝑛 𝑐 𝑛𝑐
[10 ; 20[ 2 15 30
[20 ; 30[ 15 25 375
[30 ; 40[ 33 35 1155
[40 ; 50[ 13 45 585
[50 ; 60[ 7 55 385
Total 𝑁 = 70 2530
k
1 1
On a : x 
N
n c
i 1
i i 
70
 2530  36,14

36,14 est l’âge moyen des 70 salariés de l’entreprise.

c) Calcul de par changement d’origine :
Lorsque les valeurs 𝑥 et 𝑛 sont trop grandes et que le calcul devient volumineux, il est
préférable de procéder à un changement d’origine par la transformation suivante :
Si 𝑐 est une origine quelconque, soit le changement 𝑥 = 𝑥 − 𝑐 ,
Alors, la moyenne sera 𝑥 = 𝑥̅ − 𝑐 ,
d’où la moyenne arithmétique recherchée sera 𝑥̅ = 𝑥 + 𝑐 .
Exemple :
Soit la série statistique suivante :
On prend comme origine de changement d’origine de cette moyenne la valeur 𝑐 =𝑐
[𝒆𝒊 𝟏 ; 𝒆𝒊 [ 𝑛 𝑐 𝑐 =𝑐 −𝑐 𝑛𝑐
[400 ; 500[ 8 450 -200 -1600
[500 ; 600[ 10 550 -100 -1000
[600 ; 700[ 12 650 0 0
[700 ; 800[ 50 750 100 5000
[800 ; 900[ 20 850 200 4000
𝑁 = 100 6400

𝑐 = 𝑐 = 650 ; le choix de cette valeur c’est mieux qu’elle s’est fait par le choix de la valeur
centrale des observations. On a 𝑥 = 𝑥̅ − 𝑐 donc 𝑥̅ = 𝑥 + 𝑐
1
Et d’autre part, on a x    6400  64
100
Alors x  x   c 3  64  650  714

FSJES -Tétouan 36 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

d) Propriétés de la moyenne arithmétique :

k
i) La somme des écarts à la moyenne arithmétique est nulle : n
i 1
i (x i  x )  0

 n x 
2
ii) La somme des carrées des écarts à 𝑥̅ est minimale, c'est-à-dire : i i x est
i 1

minimale.
Démonstration
k k k
i) En effet,  ni  x i  x    ni x i  x  ni  N x  x N  0
i 1 i 1 i 1

k
ii) En effet, Soit la fonction g ( x )   n i  x i  x 
2

i 1

On va démontrer que la dérivé 𝑔′ s’annule en x et de dérivée seconde 𝑔’’ positive

(concavité vers le haut).

k k k k
On a : g ( x )   n i  x i2  2 x i x  x 2    n i x i2  2x  n i x i  x 2  n i
i 1 i 1 i 1 i 1

k k k k k
1
g ( x )  2 n i x i  2x  n i  0  x  ni   n i x i  x  n x i i x
i 1 i 1 i 1 i 1 N i 1

Donc g admet un extremum (optimum) en x

k
De plus la dérivée seconde de g est positive : g ( x )  2 n i  2N  0
i 1

D’où g admet un minimum en x (concavité vers le haut).

2) Moyenne géométrique G

Elle est égale à la racine 𝑁 è du produit des 𝑘 valeurs d’une série statistique.
a) Cas d’une série simple :

N
Tous ses 𝑁 valeurs sont d’effectifs égaux à 1, alors : G  N
x
i 1
i  N x1  x 2  L  x N

FSJES -Tétouan 37 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

1  N  1 N
log G  log   x i  donc log G   log  x  où i on a supposé que
N  i 1  N i 1

x i  0;  i  1,L , N
b) Cas d’une série pondérée :

Ses valeurs 𝑥 , … … , 𝑥 ont des effectifs différents 𝑛 , … … . , 𝑛 respectivement.

k
G  N
x
i 1
i
ni
 N
x 1n1  x 2n2  L  x knk avec 𝑁 = 𝑛 + 𝑛 + ⋯ + 𝑛

1  N  1 N
en effet, log G   log   x ini    log  x ini 
N  i 1  N i 1
N N N
1 n
  n i log  x i    i log  x i    f i log  x i 
N i 1 i 1 N i 1

où on suppose 𝑥 > 0 pour tout 𝑖 ∈ {1; 2; … ; 𝑁}.

Remarque 1 :
Soit 𝑁 = 𝑛 + 𝑛 + ⋯ + 𝑛 et 𝑥 > 0 ∀𝑖 ∈ {1; 2; … ; 𝑘}
1
n
 k N k i k
Alors, G  N n1 n2
x x . ..........x
1 2
nk
k    x ini    x iN   x i f i
 i 1  i 1 i 1

 k  1 k k
Ainsi, log G   log   x i f i
 i 1
 N

 ni log(x i )   f i log(x i )
i 1 i 1

Remarque 2 :
La moyenne géométrique est utilisée pour le calcul des taux d’accroissements moyens, des
moyennes de coefficients multiplicateurs…c'est-à-dire, dans les cas où la variable représente
des variations cumulatives.
Exemple 1 :
Calculer la moyenne géométrique de la distribution de fréquence suivante :
𝑥 𝑛
1 2
2 5
3 3
N = 10
On peut utiliser des logarithmes népériens ou décimaux sans changer le résultat de 𝐺.
k
1
Alors en utilisant les logarithmes décimaux à travers la formule log G  
N
n
i 1
i log(x i ) ,
 1 k 

N  ni log( x i ) 
ainsi la moyenne géométrique sera G  10  i 1 
:

FSJES -Tétouan 38 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

𝑥 𝑛 𝒍𝒐𝒈(𝒙𝒊 ) 𝒏𝒊 ∙ 𝒍𝒐𝒈 (𝒙𝒊 )

1 2 0 0
2 5 0,301 1,505
3 3 0,4771 1,4313
Total N=10 2,9363

k
1 1
Alors, on a : log G  
N
n
i 1
i log(x i ) 
10
 2, 9363  0, 29363

 1 k 

N  ni log( x i ) 
Donc G  10  i 1 
 100,29363  1,97
Exemple 2 :
Le chiffre d’affaire d’un projet a produit les augmentations annuelles suivantes :
Année Augmentation en %
1ère année 4%
2ème année 6%
3ème année 6%
4ème année 6%
5ème année 5%
6ème année 5%
L’augmentation moyenne annuelle est une moyenne géométrique :

G  6 (1, 04)(1, 06)3 (1, 05) 2  1, 05331

Cette moyenne 𝐺 est un taux de croissance de 5,331% ; (105,331% − 100% = 5,331%)
En effet ; (la conceptualisation de la notion de moyenne géométrique)
si 𝐶 est le chiffre d’affaire au début de la 1ère année, à la fin de cette année il devient :
4
𝐶 +𝐶 ×
= 𝐶 (1 + 0,04) = 1,04 𝐶 = 𝐶
100
ce chiffre 𝐶 devient à la fin de la 2ème année
6
𝐶 +𝐶 ×
= 1,06 𝐶 = 𝐶
100
et ainsi de suite, à la fin de la 6ème année, le 𝐶 devient
𝐶 = 1,05 × 1,05 × 1,06 × 1,06 × 1,06 × 1,04 × 𝐶 ⟹ 𝐶 = (1,05) ∙ (1,06) ∙ (1,04) ∙ 𝐶
CF
 1, 05  1, 06  1, 04  G 6
2 3
Cela nous donne 
C0
Ainsi, l’augmentation moyenne annuelle est la moyenne géométrique
1, 04 1, 06  1, 05 
3 2
G 6
 1, 05331 soit un taux de 5,331%.

3) Généralisation de la moyenne :
L’expression de la moyenne peut se généraliser de plusieurs manières, une d’entre elles est ce
que l’on appelle la moyenne d’ordre 𝑟, notée 𝑀 , définie par :

FSJES -Tétouan 39 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

1
k
 k
 r k
(M r ) r   f i c ir  M r    f i c ir   M r  r
f i  c ir
i 1  i 1  i 1

k
Ainsi, la moyenne arithmétique est un cas particulier avec 𝑟 = 1, c'est-à-dire M 1   f i  c i
i 1

Donc 𝑀 = 𝑥̅ .
On peut montrer que 𝐺 = 𝑀 par passage à la limite et par des théorèmes pratiques de
dérivation des fonctions.
1
 k 
En effet, on a : G  M 0  lim M   lim   f i c i  .
 0  0
 i 1 
4) Moyenne harmonique H :

On définit la moyenne harmonique comme la moyenne généralisée d’ordre −1 notée 𝐻 :

1 1 1 1
 k   k n   1 k
  k ni 
H  M 1    f i x i1     i x i1    n x i i
1
  N  x 
 i 1   i 1 N  N i 1   i 1 i 
N
Donc : H  k
ni

i 1 x i

C’est la formule du cas d’une série pondérée.

Dans ce cas là où on a une série statistique simple, la formule permettant de calculer la
N
moyenne géométrique sera : H  N .
1

i 1 x i

Remarque :
La moyenne harmonique se calcule pour des valeurs de la variable 𝑋 non nulles et elle n’a de
1
signification concrète que si l’inverse de la valeur 𝑥 a un sens.
xi
Elle est utilisée pour le calcul des moyennes de pourcentages, de ratios et de rapports, de même
que pour l’étude du pouvoir d’achat (inverse du mouvement général des prix), etc.
5) Moyenne quadratique 𝑸 :
k
1
La moyenne généralisée d’ordre 𝑟 = 2 s’appelle la moyenne quadratique : Q 
N
n x
i 1
i i
2

1
 k  2 k
ni
Car, Q  M 2    f i x i2   N x i2
 i 1  i 1

N
1
Pour une série statistique simple, la formule de la moyenne quadratique est : Q 
N
x
i 1
i
2

Exemple :
Calculons 𝑄 de la série suivante :

FSJES -Tétouan 40 Pr. Hamid EL AMRANI

 Chapitre II : Caractéristiques de tendance centrale

𝒙𝒊 𝒏𝒊 𝑥 𝑛 ∙𝑥
2 7 4 28
4 10 16 160
5 20 25 500
7 30 49 1470
9 15 81 1215
10 10 100 1000
11 8 121 968
𝑁 = 100 5341
N
1 1
Ainsi, la moyenne quadratique est : Q 
N
x
i 1
i
2

100
 5341  7,31

Remarque :
On peut montrer que les moyennes généralisées d’ordre r d’une même série statistique
vérifient :
si 𝑝  𝑞 alors 𝑀  𝑀

ainsi 𝑀 𝑀 𝑀 𝑀
c'est-à-dire 𝐻  𝐺  𝑥̅  𝑄

FSJES -Tétouan 41 Pr. Hamid EL AMRANI