Statistique Descriptive: Enseignant: Pegdwind e Ouss Eni Fabrice OUEDRAOGO

Statistique descriptive
Statistique univariée
Enseignant:
Pegdwindé Ousséni Fabrice OUEDRAOGO
Licence 1, Géologie
Institut Teng-Tuuma Géoscience de Ouagadougou (I.T.T.G.O)
2019-2020
P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 1 / 82

Sommaire
1 Variables, données statistiques, 2 Statistiques descriptives

tableaux, effectifs univariées

Sommaire

Définitions fondamentales
Variables qualitatives
Variables quantitatives
Effectifs cumulés et
fréquences cumulées
Fonctions de répartitions
Représentation graphique
d’une variable

Statistique descriptive et statistique inférentielle
Les méthodes de la statistique descriptive (statistique déductive)

permettent de mener des études à partir de données exhaustives,
c’est-à-dire concernant tous les individus de la population concernés
par l’étude. L’idée première de la statistique descriptive est celle du
dénombrement.
Quand les données ne concernent qu’un échantillon de la population,

comme dans le cas de sondages, on a recours à la statistique
inférentielle (statistique inductive), qui utilise la théorie des
probabilités.

La population
La population statistique est l’ensemble des éléments sur lesquels

porte l’étude. Les éléments de la population sont appelés individus
statistiques ou unité statistiques.
Exemple : Les étudiants d’une classe, les caı̈lcedrats de la forêt classée, les
ménages de la ville de Dédougou, . . .
Si la population comporte N individus on notera

Ω = {ω1 , ω2 , . . . , ωN }, les ωi désignant les individus qui le
composent. Un échantillon de taille n est un sous ensemble formé de
n individus de la population (n ≤ N).

Variable statistique
Une variable statistique (ou caractère statistique), notée X , est

une application définie sur une population statistique et à valeurs
dans un ensemble M appelé ensemble des modalités. Les modalités
(ou valeurs distinctes) correspondent aux valeurs possibles de la
variables statistique. Une variable statistique définit une partition sur
une population, chaque individu appartenant à une seule modalité.
Si le nombre de modalité est J, l’ensemble des modalités de la
variable X sera noté M = {x1 , x2 , . . . , xj , . . . , xJ }
Exemple : Les notes des étudiants à l’examen de statistique, les mentions
qu’ils ont obtenues à leur Bac, leur sexe, les couleurs de leurs yeux, le
nombre d’enfants par ménage, le chiffre d’affaire par PME.

Effectif, fréquence
Tableau de données
Note à l’examen
Individu Couleur des yeux Sexe Mention au Bac de statistiques
Michel V H P 12
Jean B H AB 8
Stéphane N H P 13
Charles M H P 11
Agnès B F AB 10
Nadine V F P 9
Etienne N H B 16
Giles M H AB 14
Aurélie B F P 11
Stéphanie V F B 15
Marie-Claude N F P 4
Anne B F TB 18
Christophe V H AB 12
Pierre N H P 6
Bernadette M F P 2

L’effectif aussi appelé fréquence absolue de la modalité xj est noté

nj et désigne le nombre d’individus de la population présentant la
modalité xj . L’effectif total n de la population est alors :
J
X
n = n1 + n2 + · · · + nJ soit n= nj
j=1
La fréquence (par défaut fréquence relative) de la modalité notée

fj est définie par
nj
fj = , j = 1, . . . , J
n
La fréquence exprime la proportion d’individus présentant une
modalité donnée. Elle peut s’exprimer sous forme d’un nombre
décimal (en général avec une précision d’ordre 4) ou sous la forme
d’un pourcentage.
Si X est une variable à J modalités alors

J
X
0 ≤ fj ≤ 1, j = 1, . . . , J et fj = 1
j=1
ou en cas de pourcentage,
J
X
0 ≤ fj ≤ 100, j = 1, . . . , J et fj = 100
j=1

Exemple : On s’intéresse à la variable ”état-civil” notée X et à la série

statistique des valeurs prises par X sur 20 personnes. La codification est :
C: Célibataire
M: Marié(e)
V: Veuf (ve)
D: Divorcé (e)
La série statistique des valeurs est la suivante
M M D C C M C C C M
C M V M V D C C C M

Avec les valeurs de l’exemple on a le tableau statistique :
xj C M V D Total
nj 9 7 2 2 20
fj 0.45 0.35 0.10 0.10 1

Une variable statistique est dite de nature qualitative si ses modalités

ne sont pas mesurables. Les modalités d’une variable qualitative sont
les différentes catégories d’une nomenclature. Ces catégories doivent
être exhaustives (chaque individu est affecté à une modalité) et
incompatibles (un individu ne peut être affecté à plusieurs modalités)
de façon à créer une partition.
Exemple : Les modalités de la variable sexe sont : Masculin et Féminin,
celles de la variable couleur des yeux sont : Bleu, Marron, Noir et Vert. Pour
la variable mention au Bac, on a : TB, B, AB et P.

♠ Une variable qualitative est dite définie sur une échelle nomimale si
ses modalités ne sont pas naturellement ordonnées.
Exemple : La variable couleur des yeux , la variable sexe, . . ..
♠ Elle est dite définie sur une échelle ordinale si l’ensemble de ses
modalités peut être doté d’une relation d’ordre.
Exemple : La variable mention au Bac, . . .

Une variable statistique est dite de nature quantitative si ses

modalités sont mesurables. Les modalités d’une variable quantitative
sont des nombres liés à l’unité choisie, qui doit toujours être précisée.
Exemple : Les notes des étudiants à l’examen de statistique, le chiffre
d’affaire par PME, le nombre d’enfants par ménage, . . .

♠ Une variable quantitative est dite discrète si l’ensemble de ses

modalités est un ensemble fini ou dénombrable.
Par exemple le nombre d’enfants dans un ménage ne peut être que 0,
ou 1, ou 2, ou 3, . . .. Il ne peut jamais prendre une valeur strictement
comprise entre 0 et 1, ou 1 et 2, ou 2 et 3,. . ..

♠ Une variable quantitative est dite continue si l’ensemble de ses

modalités n’est pas dénombrable. Ainsi une variable continue peut
prendre toutes les valeurs d’un intervalle. Pour étudier une variable
statistique continue, on définit des classes ou intervalles de valeurs
possibles. On peut ainsi discrétiser une variable continue. Les classes
retenues constituent les modalités de la variable. Par exemple le
chiffre d’affaire par PME peut être 29000e, 29000,1e, . . .
Si [cj− , cj+ [ désigne la classe j, alors cj− est la borne inférieure de la

classe j, cj+ est la borne supérieure de j.
On note cj = (cj+ + cj− )/2 le centre de la classe j, aj = cj+ − cj− son
amplitude, nj son effectif et fj sa fréquence.

Pour répartir les données en classe, il est nécessaire à priori de définir

le nombre de classes J et donc l’amplitude de chaque classe. Les
formules permettant d’établir le nombre de classes et l’intervalle de
classe (l’amplitude) pour une série de n observations sont :
La règle de Sturge : J = 1√+ (3.3 log10 (n))
La règle de Yule : J = 2.5 4 n
L’intervalle de classe est obtenue de la manière suivante :
aj = (xmax − xmin )/J, j = 1, . . . , J
où xmax (resp. xmin ) désigne la plus grande (resp. la plus petite)
valeur observée.
Remarque : Il faut arrondir le nombre de classes J à l’entier le plus

proche. Par commodité, on peut aussi arrondir la valeur obtenue de
l’intervalle de classe.

Exemple : On mesure la taille en cm de 50 élèves d’une classe :
152 154 156 157 159 161 162 164 168 170
152 154 156 157 159 160 162 164 168 171
152 154 156 157 160 160 163 165 168 171
153 155 156 158 160 161 164 166 169 171
153 155 156 158 160 162 164 167 169 171
On a n = 50, donc J = 1 + (3.3 log10 (50)) ≈ 7.

Ensuite on a xmax = 171 et xmin = 152 et alors
aj = (171 − 152)/7 ≈ 3, j = 1, . . . , J

On peut définir les classes suivantes :
[151.5; 154.5[
[154.5; 157.5[
[157.5; 160.5[
[160.5; 163.5[
[163.5; 166.5[
[166.5; 169.5[
[169.5; 172.5[

On construit le tableau statistique
[cj− ; cj+ [ nj fj
[151.5; 154.5[ 8 0.16
[154.5; 157.5[ 10 0.2
[157.5; 160.5[ 9 0.18
[160.5; 163.5[ 6 0.12
[163.5; 166.5[ 6 0.12
[166.5; 169.5[ 6 0.12
[169.5; 172.5[ 5 0.1
50 1.0

Effectif cumulé croissant et décroissant
♠ Si X désigne une variable, on appelle effectif cumulé croissant noté

nj cc le nombre d’individus statistiques pour lesquels X est inférieur
ou égal à xj . On a
X j
nj cc = nk
k=1
♠ L’effectif cumulé décroissant nj cd est le nombre d’individus pour

lesquels X est supérieur ou égal à xj . Et donc
J
X
nj cd = nk
k=j
J désignant le nombre de modalités.

Fréquence cumulée croissante et décroissante
♠ La fréquence cumulée croissante notée fj cc, représente la portion

d’individus statistiques pour lesquels X est inférieur à xj :
j
X
fj cc = fk
k=1
♠ La fréquence cumulée croissante fj cd est la portion d’individus

statistiques pour lesquels X est supérieur à xj .
J
X
fj cd = fk
k=j

Remarque : On ne peut calculer ni les effectifs cumulés, ni les fréquences

cumulées d’une variable qualitative nominale. Par contre, si elle est
ordinale ou si la variable est quantitative, les effectifs cumulés et les
fréquences cumulées sont calculables.
Exemple 1 : En considérant le tableau statistique de la variable ”état

civil” précédent, on a
xj C M V D
nj 9 7 2 2
fj 0.45 0.35 0.10 0.10
nj cc 9 16 18 20
fj cc 0.45 0.80 0.90 1.00

Exemple 2 : En considérant le tableau statistique de la variable ”taille des

élève”, on a
[cj− ; cj+ [ nj nj cc fj fj cc
[151.5; 154.5[ 8 8 0.16 0.16
[154.5; 157.5[ 10 18 0.20 0.36
[157.5; 160.5[ 9 27 0.18 0.54
[160.5; 163.5[ 6 33 0.12 0.66
[163.5; 166.5[ 6 39 0.12 0.78
[166.5; 169.5[ 6 45 0.12 0.90
[169.5; 172.5[ 5 50 0.10 1.00
50 1.00

Fonction de répartition d’une variable quantitative discrète
Les fréquences cumulées croissantes sont représentées au moyen de
fonctions de répartition. Dans le cas d’une variable quantitative discrète,
la fonction de répartition définie de R dans [0, 1] est donnée par

0
 si x < x1
F (x) = fj cc si xj ≤ x < xj+1

1 si xJ ≤ x

Exemple : Un cartier est composé de 50 ménages, et la variable Z

représente le nombre de personnes par ménage. Les valeurs de la variable
sont
1 1 1 1 1 2 2 2 2 2
2 2 2 2 3 3 3 3 3 3
3 3 3 3 3 3 3 3 3 4
4 4 4 4 4 4 4 4 4 5
5 5 5 5 5 6 6 6 8 8

On peut construire le tableau statistique
zj nj nj cc fj fj cc
1 5 5 0.10 0.10
2 9 14 0.18 0.28
3 15 29 0.30 0.58
4 10 39 0.20 0.78
5 6 45 0.12 0.90
6 3 48 0.06 0.96
8 2 50 0.04 1.00
50 1.0

Figure – Fonction de répartition de la variable quantitative discrète Z

Fonction de répartition d’une variable quantitative continue
Dans le cas d’une variable quantitative continue, la fonction de répartition

définie de R dans [0, 1] est donnée par


 0 si x < c1−
fj


−
F (x) = fj−1 cc + + − (x − cj ) si cj− ≤ x < cj+

 cj − cj
si cJ+ ≤ x

1


Fonction de répartition d’une variable quantitative continue
Exemple : En considérant l’exemple de la variable ”taille des élèves”, on a
la courbe de la fonction de répartition
Figure – Fonction de répartition d’une distribution groupée

Représentation graphique d’une variable
Variable qualitative
Variables qualitatives (ordinales et nominales)
Le tableau statistique d’une variable qualitative peut être représenté par

deux types de graphiques. Les effectifs sont représentés par un diagramme
en barres et les fréquences par un diagramme en secteurs. Dans le cas
d’une variable qualitative ordinale, les effectifs cumulés sont représentés au
moyen d’un diagramme en barres.
Nous allons ici étudier les variables couleur des yeux (variable qualitative
nominale) et mention au Bac (variable qualitative ordinale).

Couleur Bleu Marron Noir Vert

nj 4 3 4 4
fj 0.267 0.2 0.267 0.267


Tableau de répartition de la variable mention au Bac
Mention au Bac nj nj cc fj fj cc
P 8 8 0.5333 0.5333
AB 4 12 0.2667 0.8000
B 2 14 0.1333 0.9333
TB 1 15 0.0667 1.0000
15 1.0000




Variable quantitative discrète

Quand une variable est quantitative discrète, les effectifs sont représentés
par des bâtonnets.
Note à l’examen
de statistique Effectifs Fréquences
0 0 0
1 0 0
2 1 0.0667
3 0 0
4 1 0.0667
5 0 0
6 1 0.0667
7 0 0
8 1 0.0667
9 1 0.0667
10 1 0.0667
11 2 0.1333
12 2 0.1333
13 1 0.0667
14 1 0.0667
15 1 0.0667
16 1 0.0667
17 0 0
18 1 0.0667
19 0 0
20 0 0

De façon générale, pour représenter le tableau ci-dessus en utilisant un

diagramme en bâtonnets (en bâtons)

Variable quantitative continue
Dans le cas des variables quantitatives continues, les effectifs aussi bien
que les fréquences sont représentés par des histogrammes. L’histogramme
consiste à représenter les effectifs (resp. fréquences) par des rectangles
dont la surface (et non la hauteur) représente l’effectif (resp. la fréquence).
X Pour un histogramme des effectifs, la hauteur du rectangle
correspondant à la classe j est donnée par :
nj
hj =
aj
hj est appelé densité d’effectif et l’aire total de l’histogramme est n

(c-à-d l’effectif total)

X Pour un histogramme de fréquences, on a

fj
dj =
aj
dj est appelé densité de fréquence et l’aire total de l’histogramme

est égal à 1.

Exemple : Considérons le tableau statistique de la taille des élèves
[cj− ; cj+ [ nj nj cc fj fj cc
[151.5; 154.5[ 8 8 0.16 0.16
[154.5; 157.5[ 10 18 0.20 0.36
[157.5; 160.5[ 9 27 0.18 0.54
[160.5; 163.5[ 6 33 0.12 0.66
[163.5; 166.5[ 6 39 0.12 0.78
[166.5; 169.5[ 6 45 0.12 0.90
[169.5; 172.5[ 5 50 0.10 1.00
50 1.00
On a ai = 3, j = 1, . . . , J avec J = 7.

Figure – Histogramme des effectifs de la variables taille ”des élèves”

Sommaire

Paramètres de position
Paramètres de dispersion
Moments
Paramètres de forme
Paramètres d’aplatissement
Boı̂te à moustaches

Le mode
Le mode est la valeur distincte correspondant à l’effectif le plus élevé, il

est noté xM .
Si on considère la variable ”mention au Bac”, dont le tableau statistique
est le suivant :
mention P AB B TB
effectif 8 4 2 1
le mode est P : Passable.

Le mode
Remarque :
Le mode peut être calculé pour tout type de variable, quantitative et
qualitative.
Le mode n’est pas nécessairement unique. Par exemple dans le cas du
tableau statistique de la variable couleur des yeux, les modes sont :
”Bleu”, ”Noir” et ”Vert”.
Quand une variable continue est découpée en classes, on peut définir
une classe modale (classe correspondant à l’effectif le plus élevé).
Par exemple dans le tableau de répartition de la variable classée taille
des élève, la classe modale est [154.5; 157.5[ .

La moyenne
La moyenne ne peut être définie que sur une variable quantitative.
La moyenne est la somme des valeurs observées divisée par leur nombre,
elle est notée x̄.
n
x1 + x2 + · · · + xi + · · · + xn 1X
x̄ = = xi
n n
i=1
La moyenne peut être calculée à partir des valeurs distinctes et des effectifs
J
1X
x̄ = nj xj
n
j=1

La moyenne
Exemple : Les nombres d’enfants de 8 familles sont les suivants :

0, 0, 1, 1, 1, 2, 3, 4. La moyenne est
0+0+1+1+1+2+3+4 12
x̄ = = = 1.5
8 8
On peut aussi faire les calculs avec les valeurs distinctes et les effectifs. On
considère le tableau :
xj nj
0 2
1 3
2 1
3 1
4 1
8

La moyenne
2×0+3×1+1×2+1×3+1×4
x̄ = = 1.5
8

Moyenne géométrique
Si xi ≥ 0, on appelle moyenne géométrique la quantité
n
!1/n
Y
G= xi = (x1 × x2 × · · · × xn )1/n
i=1
On peut écrire la moyenne géométrique comme l’exponentielle de la

moyenne arithmétique des logarithmes des valeurs observées.
Qn 1/n 1 Qn Pn
G = e ln G = e ln( i=1 xi ) = e n ln( i=1 xi ) = e n1 i=1 ln(xi )
La moyenne géométrique s’utilise par exemple quand on veut calculer la

moyenne de taux d’intérêt.

Exemple : Supposons que le taux d’intérêt pour 4 années consécutives

soient respectivement de 5, 10, 15 et 10%. Que va-t-on obtenir après 4
ans si je place 100 francs ?


- Après 1 an on a, 100 × 1.05 = 105Fr .
- Après 2 ans on a, 100 × 1.05 × 1.1 = 115.5Fr
- Après 3 ans on a, 100 × 1.05 × 1.1 × 1.15 = 132.825Fr
- Après 4 ans on a, 100 × 1.05 × 1.1 × 1.15 × 1.1 = 146.1075Fr


- Après 1 an on a, 100 × 1.05 = 105Fr .
- Après 2 ans on a, 100 × 1.05 × 1.1 = 115.5Fr
- Après 3 ans on a, 100 × 1.05 × 1.1 × 1.15 = 132.825Fr
- Après 4 ans on a, 100 × 1.05 × 1.1 × 1.15 × 1.1 = 146.1075Fr
Si on calcule la moyenne arithmétique des taux, on obtient
1.05 + 1.1 + 1.15 + 1.1
x̄ = = 1.10
4
Si on calcule la moyenne géométrique des taux, on obtient
G = (1.05 × 1.1 × 1.15 × 1.1)1/4 = 1.099431377

Le bon taux moyen est G et non x̄, car si on applique 4 fois le taux moyen
G aux 100 francs, on obtient
100 Fr × G 4 = 100 × 1.0994313774 = 146.1075 Fr

Moyenne harmonique
Si xi ≥ 0, on appelle moyenne harmonique la quantité

n
H = Pn
i=1 1/xi
Il est judicieux d’appliquer la moyenne harmonique sur des vitesses.

Moyenne harmonique
Exemple : Un cycliste parcours 4 étapes de 100 km. Les vitesses

respectives pour ces étapes sont de 10 km/h, 30 km/h, 40 km/h,
20 km/h. Quelle a été sa vitesse moyenne ?

Moyenne harmonique
Exemple : Un cycliste parcours 4 étapes de 100 km. Les vitesses

respectives pour ces étapes sont de 10 km/h, 30 km/h, 40 km/h,
20 km/h. Quelle a été sa vitesse moyenne ?
- Un raisonnement simple nous dit qu’il a parcouru la première étape en
10h, la deuxième en 3h20, la troisième en 2h30 et la quatrième en 5h.
Il a donc parcouru le total de 400 km en
10h + 3h20 + 2h30 + 5h = 20h50 = 20.8333h
Sa vitesse moyenne est donc

400
Moy = = 19.2 km/h
20.83333

Moyenne harmonique
- Si on calcule la moyenne arithmétique des vitesses, on obtient

10 + 30 + 40 + 20
x̄ = = 25 km/h
4
- Si on calcule la moyenne harmonique des vitesses, on obtient
4
H= 1 1 1 1
= 19.2 km/h
10 + 30 + 40 + 20
La moyenne harmonique est donc la manière appropriée de calculer la

vitesse moyenne.

Moyenne harmonique
Remarque : Il est possible de montrer que :
H ≤ G ≤ x̄

Moyenne Pondérée
Dans certains cas, on n’accorde pas le même poids à toutes les

observations. Par exemple si on calcule la moyenne des notes pour un
programme d’étude, on peut pondérer les notes de l’étudiant par le
nombre de crédits ou par le nombre d’heures de chaque cours. Si
ωi > 0, i = 1, . . . , n sont les poids associés à chaque observation, alors la
moyenne pondérée par ωi est définie par :
Pn
ωi xi
x̄ω = Pi=1
n
i=1 ωi

Moyenne Pondérée
Exemple : Supposons que les notes soient pondérées par le nombre de

crédits, et que les notes de l’étudiant soient les suivantes :
Note 5 4 3 6 5
Crédits 6 3 4 3 4
La moyenne pondérée des notes par les crédits est alors

6×5+3×4+4×3+3×6+4×5 92
x̄ω = = = 4.6
6+3+4+3+4 20

Médiane
La médiane notée x1/2 , est la valeur centrale de la série statistique

obtenue de la manière suivante :
- On trie la série statistique par ordre croissant des valeurs observées.
Avec la série observée

3 2 1 0 0 1 2
on obtient
0 0 1 1 2 2 3
- La médiane x1/2 est la valeur qui se trouve au milieu de la série
ordonnée :
0 0 1 1 2 2 3
↑
On note x1/2 = 1.

Médiane
On distingue deux cas pour le calcul de la médiane

- Si n est impair, il n’y a pas de problème (ici avec n = 7) alors
x1/2 = 1 :
0 0 1 1 2 2 3
↑

Médiane
- Si n est pair deux valeurs se trouvent au milieu de la série (ici avec

n = 8)
0 0 1 1 2 2 3 4
↑ ↑
La médiane est alors la moyenne des deux valeurs :
1+2
x1/2 = = 1.5
2
La médiane peut toujours être définie comme l’inverse de la fonction
de répartition pour la valeur 1/2.
x1/2 = F −1 (0.5)

Médiane
En général on note x(1) , x(2) , . . . , x(i) , . . . x(n) la série ordonnée par ordre
croissant. On appelle cette série ordonnée la statistique d’ordre. Cette
notation très usuelle en statistique permet de définir la médiane de
manière très synthétique.
- Si n est impair
x1/2 = x( n+1 )
2
- Si n est pair
1n o
x1/2 = x( n2 ) + x( n2 +1)
2
Remarque : La médiane peut être calculée sur des variables quantitatives
et sur des variables qualitatives ordinale

Quantiles
La notion de quantile d’ordre p (où 0 < p < 1) généralise la médiane.

Formellement, une quantile est donnée par l’inverse de la fonction de
répartition :
xp = F −1 (p)
Il existe au moins 9 manières différentes de définir les quantiles selon que
l’on fasse ou non une interpolation de la fonction de répartition si cette
dernière est par palier. Nous présentons ici une de ces méthodes.

Quantiles
- Si np est un nombre entier, alors

1
xp = x(np) + x(np+1)
2
- Si np n’est pas un nombre entier, alors
xp = x(dnpe) ,
où dnpe représente le plus petit nombre entier supérieur ou égal à np.

Quantiles
Remarque :
- La médiane est le quantile d’ordre p = 1/2,
- On utilise souvent
x1/4 le premier quartile,
x3/4 le troisième quartile,
x1/10 le premier décile,
x1/5 le premier quintile,
x4/5 le quatrième quintile,
x9/10 le neuvième décile,
x0.05 le cinquième percentile,
x0.95 le nonante-cinquième percentile.
- Si F (x) est la fonction de répartition, alors F (xp ) ≥ p.

Quantiles
Exemple : Soit la série statistique

12, 13, 15, 16, 18, 19, 22, 24, 25, 27, 28, 34 contenant 12
observations (n = 12).
- Le premier quartile : Comme np = 0.25 × 12 = 3 est un nombre
entier, on a
x(3) + x(4) 15 + 16
x1/4 = = = 15.5
2 2
- La médiane : Comme np = 0.5 × 12 = 6 est un nombre entier, on a
x(6) + x(7) 19 + 22
x1/2 = = = 20.5
2 2
- Le troisième quartile : Comme np = 0.75 × 12 = 9 est un nombre
entier, on a
x(9) + x(10) 25 + 27
x3/4 = = = 26
2 2
Quantiles
Exemple : Soit la série statistique 12, 13, 15, 16, 18, 19, 22, 24, 25, 27
contenant 10 observations (n = 10).
- Le premier quartile : Comme np = 0.25 × 10 = 2.5 n’est pas un
nombre entier, on a
x1/4 = x(d2.5e) = x(3) = 15
- La médiane : Comme np = 0.5 × 10 = 5 est un nombre entier, on a

x(5) + x(6) 18 + 19
x1/2 = = = 18.5
2 2
- Le troisième quartile : Comme np = 0.75 × 10 = 7.5 n’est pas un
nombre entier, on a
x3/4 = x(d7.5e) = x(8) = 24

Étendue et distance interquartile
l’étendue est simplement la différence entre la plus grande et la plus

petite valeur observée.
E = x(n) − x(1)
La distance interquartile est la différence entre le troisième et le premier
quartile :
IQ = x(3/4) − x(1/4)

Variance
La variance est la somme des carrés des écarts à la moyenne divisée par le
nombre d’observations :
n
1X
sx2 = (xi − x̄)2
n
i=1
La variance peut aussi s’écrire

n
!
1X 2
sx2 = xi − x̄ 2
n
i=1
La variance peut également être définie à partir des effectifs et des valeurs
distinctes :

Variance
La variance peut également être définie à partir des effectifs et des valeurs
distinctes :
J
2 1X
sx = nj (xj − x̄)2
n
j=1
ou  
J
1X
sx2 =  nj xj2  − x̄ 2
n
j=1

Variance
Quand on veut estimer une variance d’une variable X à partir d’un

échantillon (une partie de la population sélectionnée au hasard) de taille n,
on utilise la variance ”corrigée”, divisée par n − 1.
n
1 X n 2
Sx2 = (xi − x̄)2 = s
n−1 n−1 x
i=1

Écart-type
L’écart-type est la racine carrée de la variance :

q
sx = sx2
Quand on veut estimer l’écart-type d’une variable X à partir d’un

échantillon de taille n, on utilise la variance ”corrigée” pour définir
l’écart-type. r
n
q
Sx = Sx = 2 Sx
n+1

Écart-type
Exemple : Soit la série statistique 2, 3, 4, 4, 5, 6, 7, 9 de taille 8. On a

2+3+4+4+5+6+7+9
x̄ = =5
8
n
1X
sx2 = (xi − x̄)2
n
i=1
1
= [(2 − 5)2 + (3 − 5)2 + (4 − 5)2 + (5 − 5)2 + (6 − 5)2
8
+ (7 − 5)2 + (9 − 5)2 ]
1
= [9 + 4 + 1 + 1 + 0 + 1 + 4 + 16]
8
36
=
8
sx2 = 4.5
Écart moyen absolu et écart médian absolu
L’écart moyen absolu est la somme des valeurs absolues des écarts à la
moyenne divisé par le nombre d’observations :
n
1X
emoy = |xi − x̄|
n
i=1
L’écart médian absolu est la somme des valeurs absolues des écarts à la
médiane divisé par le nombre d’observations :
n
1X
emed = |xi − x1/2 |
n
i=1

Moments
On appelle moment à l’origine d’ordre r ∈ N le paramètre

n
1X r
mr0 = xi
n
i=1
On appelle moment centré d’ordre r ∈ N le paramètre

n
1X
mr = (xi − x̄)r
n
i=1

Moments
Les moments généralisent la plupart des paramètres. On a en particulier
m10 = x̄
m1 = 0
n
1X 2
m20 = xi = sx2 − x̄
n
i=1
m2 = sx2

Coefficients d’asymétrie de Fisher (skewness)
Le moment centré d’ordre trois est défini par

n
1X
m3 = (xi − x̄)3
n
i=1
Il peut prendre des valeurs positives, négatives ou nulles.

L’asymétrie se mesure au moyen du coefficient d’asymétrie de Fisher.
m3
g1 =
sx3
où sx3 est le cube de l’écart-type.

Coefficients d’asymétrie de Yule
Le coefficient d’asymétrie de Yule est basé sur les positions des 3

quartiles (1er quartile, médiane et 3ème quartile), et est normalisé par la
distance interquartile :
x3/4 + x1/4 − 2x1/2
AY =
x3/4 − x1/4

Coefficients d’asymétrie de Pearson
Le coefficient d’asymétrie de Pearson est basé sur une comparaison de

la moyenne et du mode, et est standardisé par l’écart-type :
x̄ − xM
Ap =
sx

Coefficients d’asymétrie
Tous les coefficients d’asymétrie ont les mêmes propriétés, ils sont nuls si
la distribution est symétrique, négatifs si la distribution est allongée à
gauche (left asymetry), et positifs si la distribution est allongée à droite
(right asymetry)
Figure – Asymétrie d’une distribution

L’aplatissement est mesuré par le coefficient d’aplatissement de

Pearson
m4
β2 = 4
sx
ou le coefficient d’aplatissement de Fisher
g2 = β 2 − 3
où m4 est le moment centré d’ordre 4 et sx4 est le carré de la variance.

On a :
- Une courbe mésokurtique si g2 ≡ 0.
- Une courbe leptokurtique si g2 > 0. Elle est plus pointue et possède
des queues plus longues.
- Une courbe platykurtique si g2 < 0. Elle est plus arrondie et possède
des queues plus courtes.

Exemple de deux distributions de même moyenne et de même variance. La

distribution la plus pointue est leptokurtique et l’autre mésokurtique. La
distribution leptokurtique a une queue plus épaisse.
Figure – Distribution mésokurtique et leptokurtique

Boı̂te à moustaches
La boı̂te à moustache ou diagramme à boite (boxplot) est un diagramme

simple qui permet de représenter la distribution d’une variable.
Un rectangle qui s’étend du premier au troisième quartile. Le
rectangle est divisé par une ligne correspondant à la médiane.
Le rectangle est complété par deux segments de droite.
Pour les dessiner, on calcule d’abord les bornes
b − = x1/4 − 1.5IQ et b + = x3/4 + 1.5IQ
où IQ est la distance interquartile.

On identifie ensuite la plus petite et la plus grande observation
comprise entre ces bornes. Ces observations sont appelées ”valeurs
adjacentes”.
On trace les segments de droite reliant ces observations au rectangle.
Les valeurs qui ne sont pas comprises entre les valeurs adjacentes sont
représentées par des points et sont appelées ”valeurs extrêmes”.

Statistique Descriptive: Enseignant: Pegdwind e Ouss Eni Fabrice OUEDRAOGO

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Statistique Descriptive: Enseignant: Pegdwind e Ouss Eni Fabrice OUEDRAOGO

Transféré par

Droits d'auteur :

Formats disponibles

Statistique descriptive

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 1 / 82

1 Variables, données statistiques, 2 Statistiques descriptives

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 2 / 82

1 Variables, données statistiques, 2 Statistiques descriptives

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 3 / 82

Les méthodes de la statistique descriptive (statistique déductive)

Quand les données ne concernent qu’un échantillon de la population,

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 4 / 82

La population statistique est l’ensemble des éléments sur lesquels

Si la population comporte N individus on notera

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 5 / 82

Une variable statistique (ou caractère statistique), notée X , est

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 6 / 82

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 7 / 82

L’effectif aussi appelé fréquence absolue de la modalité xj est noté

La fréquence (par défaut fréquence relative) de la modalité notée

Si X est une variable à J modalités alors

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 9 / 82

Exemple : On s’intéresse à la variable ”état-civil” notée X et à la série

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 10 / 82

Avec les valeurs de l’exemple on a le tableau statistique :

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 11 / 82

Une variable statistique est dite de nature qualitative si ses modalités

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 12 / 82

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 13 / 82

Une variable statistique est dite de nature quantitative si ses

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 14 / 82

♠ Une variable quantitative est dite discrète si l’ensemble de ses

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 15 / 82

♠ Une variable quantitative est dite continue si l’ensemble de ses

Si [cj− , cj+ [ désigne la classe j, alors cj− est la borne inférieure de la

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 16 / 82

Pour répartir les données en classe, il est nécessaire à priori de définir

aj = (xmax − xmin )/J, j = 1, . . . , J

Remarque : Il faut arrondir le nombre de classes J à l’entier le plus

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 17 / 82

Exemple : On mesure la taille en cm de 50 élèves d’une classe :

On a n = 50, donc J = 1 + (3.3 log10 (50)) ≈ 7.

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 18 / 82

On peut définir les classes suivantes :

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 19 / 82

On construit le tableau statistique

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 20 / 82

♠ Si X désigne une variable, on appelle effectif cumulé croissant noté

♠ L’effectif cumulé décroissant nj cd est le nombre d’individus pour

J désignant le nombre de modalités.

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 21 / 82

♠ La fréquence cumulée croissante notée fj cc, représente la portion

♠ La fréquence cumulée croissante fj cd est la portion d’individus

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 22 / 82

Remarque : On ne peut calculer ni les effectifs cumulés, ni les fréquences

Exemple 1 : En considérant le tableau statistique de la variable ”état

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 23 / 82

Exemple 2 : En considérant le tableau statistique de la variable ”taille des

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 24 / 82

Exemple : Un cartier est composé de 50 ménages, et la variable Z

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 25 / 82

On peut construire le tableau statistique

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 26 / 82

Figure – Fonction de répartition de la variable quantitative discrète Z

P.O.Fabrice OUEDRAOGO Statistique descriptive 2019-2020 27 / 82

Dans le cas d’une variable quantitative continue, la fonction de répartition