Capture D'écran . 2023-05-03 À 13.40.44

STATISTIQUE DESCRIPTIVE
Pr. OUCHICHA Chaimae
Ecole Nationale de Commerce et de Gestion

ENCG- Settat
2021/2022
Plan du cours
Chapitre préliminaire : Définition et éléments du vocabulaire
Partie 1: Séries statistiques simples
Chapitre 1: Tableaux statistiques et Représentations graphiques
Chapitre 2: Caractéristiques de tendance centrale
Chapitre 3: Caractéristiques de dispersion
Chapitre 3: Caractéristiques de forme
Chapitre 4: Caractéristiques de concentration
Partie 2: Séries statistiques doubles
Chapitre 1: la liaison entre deux variables: Régression, Ajustement et corrélation.
Partie 3: Les indices.
Partie 4: Les séries chronologiques
3/23/2022 STATISTIQUE DESCRIPTIVE 2
INTRODUCTION
▪ Définitions : statistique et statistiques;
▪ Objet et intérêt de la statistique;
▪ Démarche de la statistique;
▪ Vocabulaire de la statistique.

Définitions: la statistique et les statistiques
Au pluriel, on désigne souvent par « Statistiques » un ensemble de
données numériques observées ou d’informations relatives à un
phénomène ou à un processus donné.
Exemples:
Statistiques relatives à la situation de l’emploi au Maroc,

Statistiques relatives à la population marocaine,
Statistiques relatives aux élections,
Statistiques relatives aux ventes d’une entreprise, …

Définitions: la statistique et les statistiques
Au singulier, le mot « Statistique » désigne la science qui permet

d’obtenir et de traiter ces données .
Ensemble des méthodes scientifiques visant à collecter, à analyser des

données numériques, de même qu’à tirer des conclusions valables et à
prendre des décisions raisonnables sur la base de cette analyse.

Objet et intérêt de la Statistique
▪ La Statistique est utilisée presque dans tous les domaines :
économie, politique, démographie, médecine, biologie, psychologie,
sociologie, ….
▪ Dans le domaine de la gestion et de l’économie, la Statistique

constitue un outil d’aide à la prise de décision.
▪ Elle constitue également un outil de prévision : elle permet aux

gestionnaires de faire des prévisions dans le futur (prévision des
ventes par exemple).

Objet et intérêt de la Statistique
La statistique a pour objet la collecte, la caractérisation, l'analyse et

l'interprétation d'observations relatives à des phénomènes concernant
des ensembles plus ou moins importants d'objets, d'événements ou
d'individus.
L’objectif est de faire « parler » les chiffres afin de prendre une

décision.
Cette démarche statistique peut être présenter dans le schéma

suivant

La démarche de la Statistique
Phase 1 Phase 2 Phase 3
Collecte des Analyse Décision

données statistique statistique

Phase 1: Collecte des données

Avant de commencer à étudier les données numériques concernant
certains phénomènes, il faut d’abord aller chercher ces données qui
constituent la matière première de la statistique. Ainsi:
▪ Il faut déterminer de quel type d’information ou de données on a
besoin;
▪ Préciser de quelle façon ces données seront recueillies:
▪ Sur quoi portent-elles ? population ou échantillon;
▪ Comment peut-on les obtenir ?

Phase 2: Analyse statistique
Dans cette étape intervient la Statistique descriptive, et l’inférence
Statistique.
Quand les données sont exhaustives c'est-à-dire concernent toute la

population, comme dans le cas du recensement, on fait recours à la
statistique descriptive (Statistique déductive).
Or, lorsque les données concernent un échantillon de la population, on

fait recours à la statistique inférentielle (Statistique inductive).

Phase 3: Décision statistique
Cette phase regroupe un ensemble de méthodes et de modèles

quantitatifs (modèle linéaire ou non linéaire) qui permettent d’aider
à la prise de décision dans un contexte d’incertitude.

Les différentes types de statistique
Statistique descriptives :
il s’agit d’organiser et résumer des observations. On ne fait pas de
comparaisons et on s’intéresse en général à un seul groupe, échantillon ou
population.
Statiques inférentielles (ou inductives) :

on peut ici viser 2 buts :
- Déduire les propriétés d’une population à partir de l’étude d’un échantillon.
- Comparer 2 ou plusieurs populations ou échantillons.
Un troisième type de Statistique
Elle est à la charnière entre Statistique descriptives et inférentielles a trait aux
notions de corrélation et prédiction.
Vocabulaires de la statistique
▪ Population
▪ Échantillon
▪ Caractère ou variable statistique
▪ Modalité
▪ Série statistique
▪ Fréquences absolues, relatives, cumulées
▪ Distribution statistique

Définition: Population statistique ou univers statistique, Ensemble des
éléments sur lesquels porte une étude statistique. Les éléments de la
population sont appelés unités statistiques (ou individus).
Exemple
▪ Les logements dans une résidence.
▪ L’étude des accidents dans un département
Définition: Échantillon, Il est souvent impossible, pour des raisons
pratiques ou pour des raisons de coût, d'observer la population de
façon exhaustive et l'étude est alors faite sur un échantillon prélevé
d’une population C’est un sous-ensemble prélevé d’une population. les
résultats obtenus sont extrapolés à la population mère.
Caractère ou variable statistique (𝑿)
▪ Chaque individu de la population peut être étudié par rapport à un ou
plusieurs traits ou caractéristiques ou critères appelés caractères ou
variables statistiques.
▪ Une variable statistique peut être qualitative ou quantitative.
▪ Si la variable étudiée est mesurable numériquement, on dit qu’il est
quantitative (âge, poids, taille, salaire,…).
▪ Par contre, si le caractère étudié est non mesurable numériquement, on
dit qu’il est qualitatif (sexe, niveau d’étude, état matrimonial,
nationalité, …).

Modalité (𝒙𝒊 ) : Valeur que peut prendre une variable statistique.
Par exemple,
la variable « sexe » comporte deux modalités (masculin, féminin);
la variable « état matrimonial » comporte quatre modalités
(célibataire, marié, divorcé et veuf);
la variable âge comporte plusieurs valeurs (1,2,3, … , 99, …).

Variables statistiques discrètes (V.S.D.) / Variables statistiques
continues (V.S.C.)
▪ Variable statistique est discrète si l’ensemble de ses modalités est fini
ou dénombrable (le plus souvent contient des valeurs entières).
Exemples : nombre d’enfant par ménage, nombre de pièces par
appartement, nombre de véhicules par ménage,...
▪ Une variable statistique est continue si elle peut prendre n’importe
quelle valeur dans un intervalle donné. Autrement dit, si l’ensemble
de ses modalités n’est pas dénombrable.
Exemples: L’âge, la taille, le poids d’un individu, le salaire, les
dépenses publicitaires,…
Caractère qualitatif nominal/ caractère qualitatif ordinal
Un caractère qualitatif peut être:
Ordinal : si ses modalités peuvent être naturellement ordonnées

Exemple : satisfaction plus ou moins grande après l’achat d’un produit;
Nominal : si ses modalités ne peuvent être naturellement ordonnées

Exemple : état matrimoniale, couleur des yeux,...

Série statistique
Une série statistique est la suite des modalités d’une population

donnée.
Une population peut être étudiée selon une seule variable : on parle
alors de série simple (partie I).
Lorsqu’on s’intéresse à étudier deux variables en même temps sur une

même population : on parle dans ce cas de série double ou bivarié
(partie II).
Fréquences absolues, relatives, cumulées
Dans le cas des variables discrètes, on appelle :
▪ Fréquence absolue 𝑛𝑖 ou effectif, associée à une valeur 𝑥𝑖 de la

variable aléatoire X, le nombre d’apparitions de cette variable
dans la population ou dans l’échantillon.
L’ensemble des couples (𝑥𝑖 , 𝑛𝑖 ) s’appelle la distribution statistique du

caractère statistique X.

▪ Fréquence relative, associée à la valeur 𝑥𝑖 de la variable aléatoire

X, le nombre
𝑛𝑖
𝑓𝑖 =
𝑛
où 𝑛𝑖 est la fréquence absolue et n le nombre total de données.

Fréquence cumulée absolue, associée à une valeur 𝑥𝑖 de la variable, le
nombre d’individus dont la mesure est inférieure ou égale à 𝑥𝑖 .
𝑖
𝑁𝑖 = ෍ 𝑛𝑘
𝑘=1
On définit la fréquence cumulée relative :
𝑖
𝐹𝑖 = ෍ 𝑓𝑘
𝑘=1

Exemple: Défauts relevés sur une pièce de tissu
Un fabricant de tissu essaie une nouvelle machine ; il compte le nombre
de défauts sur 75 échantillons de 10 mètres. Il a trouvé les résultats
suivants :
Tableau 1.1 – Nombre de défauts sur une pièce de tissus.
Nombre d’individus : les 75 échantillons.

Fréquence absolue associée à la valeur 𝑘, le nombre 𝑛𝑘 : par exemple, sur les

75 échantillons examinés, 11 présentent 𝑘 = 2 défauts.
Fréquence relative associée à la valeur k : le quotient 𝑛𝑘 /n.
11/75 =0,146 est la fréquence relative associée à la valeur k=2.
Fréquence cumulée absolue associée à la valeur 𝑘 : 38+15 +11+64 est la
fréquence cumulée absolue associée à la valeur 𝑘 = 2.
Fréquence cumulée relative associée à la valeur k, le nombre d’échantillons
ayant au plus k défauts (k compris) divisé par 𝑛. 64/75=0,853 est la
fréquence cumulée relative associée à la valeur 𝑘 = 2.
PARTIE 1
SERIES SIMPLES
CHAPITRE 1 :
Tableaux statistiques et représentations
graphiques
TABLEAUX STATISTIQUES
Exemple Introductif : Supposons que l'on ait fait une enquête auprès
de 20 femmes selon 9 caractères : Prénom, nom, jour de naissance,
mois de naissance, années de naissance, nombre d'enfants, revenu
annuel du ménage, ville natale, opinion sur la qualité d'un produit
alimentaire pour bébé.
Ces données ont été reportées sur un bordereau, sous forme d'une
matrice de 20 éléments qui comprennent chacun les 9 données
concernant une femme.
I. TABLEAUX STATISTIQUES

Représentation de la distribution d’un
caractère X par un Tableau
1. Cas d’un caractère qualitatif :

Soit la distribution d’un caractère qualitatif X
étudié sur une population de n individus :
{(𝑥1 , 𝑛1 ), (𝑥2 , 𝑛2 ), … , (𝑥𝑘 , 𝑛𝑘 )}
Sa représentation par tableau est alors comme suit :

Exemple: On reprend les 20 femmes selon l’opinion
«caractère ordinal » :
▪ Ma, Tb, Ma, Ma, Mo, Mo, Bo, Mo, Pa, Mo, Pa, Bo,
Bo, Mo, Bo, Pa, Ma, Mo, Tb, Pa.
▪ Une fois classées : Ma, Ma, Ma, Ma, Pa, Pa, Pa,
Pa, Mo, Mo, Mo, Mo, Mo, Mo, Bo, Bo, Bo, Bo, Tb,
Tb.
▪ On a donc 5 modalités (𝑘 = 5).
La distribution s’écrit :
{(Ma,4); (Pa,4); (Mo, 6); (Bo ,4); (Tb, 2)}
• Le Tableau statistique est comme suit :

2. Cas du caractère quantitatif :
a. Variable Statistique Discrète
Soit X le caractère qui désigne le nombre d’enfants par ménage pour les
20 femmes :
La distribution est alors :

{(0,1), (1,3), (2,5), (3,6 ), (4,3), (5,2)}
Le tableau est alors le suivant :

b. Variable statistique continue
Dans le cas d’une v.s.c., les modalités sont regroupées en classes. Soit k le
nombre de ces classes :
[𝑒0 , 𝑒1 [ ; [𝑒1 , 𝑒2 [ ; ... ; [𝑒𝑖−1 , 𝑒𝑖 [ ; ... ; [𝑒𝑘−1, 𝑒𝑘 [
• Pour la ième classe, on note :
• 𝑎𝑖 = 𝑒𝑖 – 𝑒𝑖−1 l’amplitude de cette classe.
• le centre de cette classe.

Exemple : on relève le revenu des 20 femmes(€) Il est plus commode
de regrouper les revenus en classe, par exemple, on choisi 4 classes de
même amplitude.

Complétons notre tableau :
Interprétation :
✓Il y a 𝐹2 =75% des femmes
touchent au plus 𝑒2 = 70 m€ .
([𝑒1 , 𝑒2[)
✓Il y a 𝐹3 =25% des femmes
touchent au moins 𝑒2 = 70 m€
. ([𝑒2 , 𝑒3[)

II. REPRESENTATIONS GRAPHIQUES
–Le graphique est une traduction visuelle de l’information qu’elle soit
qualitative ou quantitative.
1. Cas du caractère qualitatif :
a. Le graphique en tuyaux d’orgue
est formé de rectangles de même base constante et dont les hauteurs
sont proportionnelles aux effectifs
(ou fréquences) des modalités associées.
Exemple : On reprend les 20 femmes

b. Le diagramme circulaire
C’est une représentation en disque. Chaque secteur est proportionnel à

l’effectif (ou fréquence) de la modalité associée. En terme d’angle, à 𝑥𝑖 on
associe l’angle au centre α𝑖 , du secteur i, vérifiant: α𝑖 = 𝑐.𝑓𝑖 ; i=1,...,k
K K
Or 
i =1
i = c  fi  360o = c  1  c = 360o
i =1
L’égalité devient:
α𝑖 = 360.𝑓𝑖 ; i=1,...,k

Exemple :

2. Cas du caractère quantitatif
a. Les V.S.D.
On utilise deux types de graphiques selon que l’on considère les effectifs
(ou fréquences) simple ou les effectifs (ou fréquences) cumulés:
i. Diagramme en bâtons
–À chaque modalité 𝑥𝑖 on associe un Segment de longueur
proportionnelle à l’effectif (ou fréquence).

Exemple : On reprend l’exemple des 20 femmes

ii. Courbe Cumulative
Définition : On appelle fonction de répartition 𝐹(𝑋), la fonction qui à
chaque valeur 𝑥 de ℝ associe la proportion d’individus pour lesquels la
valeur de la variable 𝑋 est inférieure ou égale à 𝑥.
Notation : 𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥)
Remarques:
–Si 𝑥 = 𝑥𝑖 alors 𝐹(𝑥𝑖 ) = 𝑓1 + ⋯ + 𝑓𝑖 = 𝐹𝑖 .
–Si 𝑥𝑖 ≤ 𝑥 < 𝑥𝑖+1 alors 𝐹(𝑥) = 𝐹𝑖 + 0 = 𝐹𝑖 .
Conclusion : 𝐹(𝑥) = 𝐹𝑖 pour tout 𝑥 tel que 𝑥𝑖 ≤ 𝑥 < 𝑥𝑖+1

La représentation graphique de 𝐹(𝑥) est appelée Courbe cumulative,
c’est une courbe «en escalier» dont les paliers sont horizontaux, puisque
𝐹(𝑥) est constante sur chaque intervalle [𝑥𝑖 , 𝑥𝑖+1 [.
Propriété de 𝑭:
• La fonction 𝐹 est définie sur ℝ et à valeurs dans [0,1].
• 𝐹(𝑥) = 0 si 𝑥 < 𝑥1
• 𝐹(𝑥) = 1 si 𝑥 ≥ 𝑥𝑘
• 𝐹(−∞) = 0 et 𝐹(+∞) = 1
• 𝐹 est constante sur chaque intervalle séparant deux modalités
consécutives .
Remarque : On obtient la courbe cumulative des effectifs en remplaçant
les 𝐹𝑖 par les 𝑁𝑖
• Pour notre exemple, on a :

b. Les V.S.C.
On a souvent recourt à trois types de graphiques :
i. Histogramme
À chaque classe, on associe un rectangle dont la base est égale à
l’amplitude de la classe et dont la hauteur est de telle sorte que sa
surface (𝑆𝑖 = 𝑏𝑖 × ℎ𝑖 ) soit proportionnelle à la fréquence de la classe.
La juxtaposition de tous ces rectangles forment un histogramme.

La procédure à suivre :
• Toutes les classes ont même amplitude (𝑎𝑖 = 𝑐𝑡𝑒 = 𝑎 ; 𝑖 = 1, … , 𝑘)

alors ℎ𝑖 = 𝑓𝑖 (𝑜𝑢 𝑛𝑖 ).
• Au moins une classe a une amplitude différente des autres : dans ce

cas on choisi une amplitude de référence 𝑎𝑟 (par exemple la plus
petite ou la plus répandu) Par suite, on corrige la fréquence des classes
différentes en la divisant par l’amplitude associée et en multipliant par
𝑎𝑟 :

v
Exemple : On reprend les 20 femmes Toutes les classes ont même
amplitude donc pas besoin de corriger les fréquences

Exemple : Si On regroupe les 2 dernières classes
Remarque : 𝑓𝑖 ’ s’appelle densité de fréquence (sans pourcentage)

ii. Polygone de fréquences
• On subdivise l’histogramme en sous rectangles de même base égale à
l’amplitude de référence 𝑎𝑟 . 𝑎𝑟 étant choisie comme la plus petite
des amplitudes et vérifiant :
𝑎𝑖 = 𝑘 𝑎𝑟 ; k = 1,2,3,4,...
• Après avoir ajouter aux extrémités de l’histogramme deux rectangles
fictifs de hauteur nulle et de base 𝑎𝑟 ,on joint, par des segments de
droites, les milieux des sommets des sous rectangles ainsi obtenus.

Exemple :

ii. Courbe Cumulative

–On construit la courbe de la fréquence cumulée en joignant les
points (𝑒𝑖 , 𝐹𝑖 ), où 𝑒𝑖 est la borne supérieure de la 𝑖è𝑚𝑒 classe
[𝑒𝑖−1 , 𝑒𝑖 [ et 𝐹𝑖 est la fréquence cumulée de cette même classe. On
note 𝐹𝑖 = 𝑃(𝑋 ≤ 𝑒𝑖 )


Chapitre 2
Les caractéristiques de
tendance centrale
Les caractéristiques de tendance centrale
La tendance centrale se propose de synthétiser l’ensemble d’une série
statistique en faisant ressortir une position centrale de la valeur du
caractère étudié.
Dans ce chapitre, on analysera trois de ces paramètres qui sont : les
moyennes, le mode et la médiane.
1. Le mode
Définition : Le mode, noté 𝑀0 , d’une série statistique est la valeur de
cette série, dont l’effectif (ou la fréquence) est maximal(e).
➢C’est le plus simple mais le moins utilisé !
Détermination du mode
a. Cas d'une v.s.d.
Dans le cas d'une v.s.d. la détermination du mode est immédiate à
partir du tableau statistique ou du diagramme en bâtons.
Exemples : Ci-dessous on donne trois diagrammes en bâtons associés
respectivement, à une distribution unimodale, et à une distribution
bimodale , et à une distribution qui a un intervalle modal.
Exemple 1 : On reprend l’exemple des 20 femmes selon le nb
d’enfants
l’effectif maximal est 6

La variable est quantitative discrète.
On a 𝑀0 =3 enfants .
Cette distribution est unimodale.

b. Cas d’une v.s.c.
Dans le cas d’une v.s.c. la détermination du mode est immédiate à
partir de l’histogramme.

Le mode se trouve dans la classe modale, c'est la classe qui correspond
à la plus grande fréquence corrigée.
l’expression algébrique du mode est comme suit :


2. LA MEDIANE
Définition : La Médiane, notée M, d’une série statistique, est la valeur
de la série qui partage la population en deux parties d’effectifs
égaux. Par conséquent, on aura autant d’observations inférieures à M
que d’observations supérieures à M
Détermination de la médiane
a. Cas d’une série brute
Soit la série ordonnée (par ordre croissant) de n observations :
𝑥1 , 𝑥2 , … , 𝑥𝑛 .

• Si n est impaire, alors la valeur médiane est l’observation qui occupe
le rang (n+1)/2 .
• Si n est paire, on ne peut plus déterminer exactement la médiane,
mais on a un intervalle médian 𝑥𝑛/2 , 𝑥(𝑛/2)+1
b. Cas d’une distribution

i. Cas d’une VSD
Soit 𝑋 une v.s.d. de distribution 𝑥𝑖 , 𝑓𝑖 1≤i≤k pour déterminer sa
médiane, on utilise les fréquences cumulées croissantes 𝐹𝑖 .

Procédure à suivre
▪ S'il existe une modalité 𝑥𝑖 pour laquelle 𝐹𝑖 = 0,5, dans ce cas on
parle d’un intervalle médian : [𝑥𝑖 , 𝑥𝑖+1 ].
▪ Si ∀𝑖 𝐹𝑖 ≠ 0,5 ; autrement dit, si aucune fréquence cumulée 𝐹𝑖 n’est

égale à 0,5 , dans ce cas la médiane est la modalité 𝑥𝑖 qui
correspond à la plus petite fréquence cumulée dépassant strictement
0,5.

Exemple : On reprend l’exemple des 20 femmes selon le nb d’enfants

ii. Cas d’une v.s.c.
Dans le cas continue, la médiane est toujours unique : c’est la valeur qui
partage exactement la population en deux parties égales. En d'autres
termes, 𝑀 est la solution de l’équation : 𝐹(𝑀) = 0,5
où 𝐹 est la fonction de répartition de 𝑋.
On a deux méthodes pour déterminer la médiane :
▪ Détermination graphique
▪ Détermination par interpolation :

Détermination graphique :
La médiane correspond à l’abscisse du point de la courbe cumulative
qui admet pour ordonnée la valeur 0,5 (ou 50%).

Détermination par interpolation:
D'après le tableau ou la courbe cumulative, on détermine la classe
contenant la médiane 𝑀 ; c’est la classe [𝑒𝑖−1 , 𝑒𝑖 [ telle que,
𝐹𝑖−1 ≤ 0,5 < 𝐹𝑖 ; puis on détermine 𝑀 par interpolation linéaire.
donc on a :

Exemple :

3. LES MOYENNES
a. La moyenne arithmétique
Définition: La moyenne arithmétique, notée 𝑥,ҧ d’une variable statistique

𝑋 de distribution 𝑥𝑖 , 𝑛𝑖 1≤𝑖≤𝑘 est la quantité:
Où, 𝑛 est la taille de la population, et les 𝑥𝑖 sont les modalités dans le

cas d'une v.s.d. et les centres des classes dans le cas d'une v.s.c.
.

Exemple 1 : On reprend l’exemple des 20 femmes selon le nb d’enfants

Exemple 2 : Pour les revenus des femmes.
𝑥ҧ = ෍ 𝑓𝑖 𝑥𝑖 = 55,125
𝑖=1

Changement d’origine et d’échelle
Propriété :
Soit 𝑋 une variable statistique de moyenne arithmétique 𝑥ҧ . Si 𝑌 est une
variable statistique telle que 𝑌 = 𝑎𝑋 + 𝑏, où 𝑎 et 𝑏 sont des réels
quelconques, alors la moyenne arithmétique de 𝑌 est :
𝑦ത = 𝑎 𝑥ҧ + 𝑏
Démonstration :

Propriété algébrique de la moyenne arithmétique
la moyenne des écarts à la moyenne arithmétique est nulle :
𝒌
෍ 𝒇𝒊 𝒙𝒊 − ഥ
𝒙 =𝟎
𝒊=𝟏
Propriété de l’agrégation
Soit une population 𝑃 de taille 𝑛, composée de m sous populations 𝑃1 ,
𝑃2 ,..., 𝑃𝑚 ; de tailles respectives 𝑛1 , 𝑛2 ,..., 𝑛𝑚 et de moyennes
respectives 𝑥ҧ1 , 𝑥ҧ2 ,..., 𝑥ҧ𝑚 . Alors la moyenne arithmétique de la
population 𝑃 est donnée par :
1 𝑚
𝑥ҧ = ෍ 𝑛𝑖 𝑥ҧ𝑖
𝑛 𝑖=1
Exemple : Le salaire moyen des cadres dans l’entreprise 𝐸 est de
4000 DH. Le salaire moyen des cadres masculins est de 4200 DH. Le
salaire moyen des cadres féminins est de 3000 DH.
Quelle est la répartition hommes - femmes des cadres ?
➢ Soit 𝑥ҧ le salaire moyen global dans 𝐸, 𝑥ҧ1 celui des hommes et
𝑥ҧ2 celui des femmes. On a 𝑥ҧ = 𝑓1 𝑥ҧ1 + 𝑓2 𝑥ҧ2
➢ On aboutit alors au système :
𝑓1 + 𝑓2 = 1 𝑓1 + 𝑓2 = 1
ቊ ቊ
𝑓1 𝑥ҧ1 + 𝑓2 𝑥ҧ2 = 𝑥ҧ 4200𝑓1 + 3000𝑓2 = 4000
⇒ 𝑓1 =83,3% et 𝑓2 =16,7%
b. La moyenne géométrique
Définition : On appelle moyenne géométrique de la distribution
𝑥𝑖 , 𝑛𝑖 1≤𝑖≤𝑘 que l’on note 𝐺, la racine 𝑛ème du produit des 𝑥𝑖 𝑛𝑖
Où 𝑛 = σ𝑘𝑖=1 𝑛𝑖
Domaines d’application :
• On utilise la moyenne géométrique dans le calcul du taux
d’accroissement moyen et dans le calcul de certains indices
statistique.
➢ C’est plus pratique d’utiliser le logarithme

Exemple :calculons la moyenne géométrique de 2, 12, 2, 50:
D’une autre façon, calculons 𝐿𝑜𝑔(𝐺) :
D'où
c. La moyenne harmonique
Définition et propriété: La moyenne harmonique , notée 𝐻, d’une

distribution 𝑥𝑖 , 𝑛𝑖 1≤𝑖≤𝑘 est l’inverse de la moyenne arithmétique
de la distribution : 1/𝑥𝑖 , 𝑛𝑖 1≤𝑖≤𝑘
On utilise cette moyenne dans le calcul des durées moyennes, dans le
calcul des moyennes de rapports et de pourcentages et dans les études
du pouvoir d’achat.
Exemple :calculons la moyenne harmonique de 2 , 12 , 2 , 50 :
d. La moyenne quadratique
Définition et propriété : La moyenne quadratique, notée 𝑄 , d’une
distribution 𝑥𝑖 , 𝑛𝑖 1≤𝑖≤𝑘 est la racine carrée de la moyenne
arithmétique de la distribution 𝑥𝑖2 , 𝑛𝑖 1≤𝑖≤𝑘

La moyenne quadratique intervient dans le calcul de certains
paramètres de dispersion.
Exemple :calculons la moyenne quadratique de 2 , 12 , 2 , 50 :
Résultat comparatif
Pour une même série statistique, on montre que les quatre moyennes
vérifient toujours l’ordre suivant : 𝐻 < 𝐺 < 𝑥ҧ < 𝑄
Comparaison entre les paramètres de tendance centrale

Comparaison entre les paramètres de position
Moyenne:
• Avantages:
- répandue +++
- facilité du calcul
• Inconvénients:
- fortement influencée par les valeurs extrêmes
- représente mal les valeurs d’une population hétérogène

Médiane
• Avantages
- excellent indicateur des valeurs extrêmes.
• Inconvénients
- ne représente que la valeur qui sépare l’échantillon en 2 parties
de même effectif sans tenir compte de l’ensemble des données.

Chapitre 3
dispersion
Les caractéristiques de dispersion
On appelle dispersion statistique la tendance qu’ont les valeurs de la
distribution d’un caractère à s’étaler et à se disperser d’une valeur
centrale.
Les indicateurs de dispersion sont nombreux, les plus courants sont:
L’étendue, l’écart interquartile, la variance, l’écart-type et le cœfficient
de variation.
1. L’étendue
a. Variable quantitative discrète
L’étendue mesure l’écart entre la plus petite valeur de la variable et
la plus grande : e = 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛
où 𝑥𝑚𝑖𝑛 (resp. 𝑥𝑚𝑎𝑥 ) est la valeur minimale (resp. maximale ) prises
par la variable
Exemple: Soit la série statistique suivante
(𝑎) 20, 22, 21, 20, 20, 19, 18, 20, 20
𝐸𝑡𝑒𝑛𝑑𝑢𝑒 𝑎 = 22 − 18 = 4
b. Variable quantitative continue
Dans ce cas l’étendue est la différence entre la borne supérieure de
la dernière classe et la borne inférieure de la première classe.
e = 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛
où 𝑥𝑚𝑖𝑛 (resp. 𝑥𝑚𝑎𝑥 ) est la borne inférieure (resp. supérieure) de la
première (resp. dernière) classe.

2. Les quartiles
Nous savons que la médiane divise la distribution en deux parties
égales. Il existe d’autres indicateurs utiles :
a) Les quartiles qui divise la distribution en quatre parties égales
b) Les déciles qui divise la distribution en dix parties égales
c) Les centiles qui divise la distribution en cent parties égales.
Les quartiles sont notés 𝑄1 , 𝑄2 et 𝑄3 et on a 𝐹(𝑄1 ) = 0.25,
𝐹(𝑄2 ) = 0.5 𝑒𝑡 𝐹(𝑄3 ) = 0.75. La médiane est le 2ème quartile, le
5ème décile et le 50ème centile.

On considère une série statistique dont les valeurs du caractère
étudié, ont été rangés dans un ordre croissant :
𝑥1 ≤ 𝑥2 ≤ 𝑥3 ≤ · · · ≤ 𝑥𝑛−1 ≤ 𝑥𝑛
La médiane 𝑀 sépare la série en deux séries de même effectif.
La série inférieure dont les valeurs du caractère sont inférieures ou
égale à la médiane 𝑀, et la série supérieure dont les valeurs du
caractère sont supérieures ou égale à la médiane 𝑀.
On appelle premier (resp. troisième) quartile, la médiane de la série
inférieure (resp. supérieure) on le note 𝑄1 (resp. 𝑄3).
Exemple : Considérons la distribution suivante
On a N = 30
𝑁1 est impair d’où (𝑁1 +1)/2 = 8 ⇒ 𝑄1 = 𝑥((𝑁1 +1)/2 ) = 𝑥(8) = 20

et 𝑄3 = 𝑥((𝑁1 +1)/2 ) = 𝑥(8) = 40
• Considérons la distribution suivante
On a 𝑁 = 33
x( N1 /2) + x( N1 /2+1) x(8) + x(9)

𝑁1 est pair d’où 𝑁1 /2 = 8 ⇒ Q1 = = = 20
2 2
x( N1 /2 ) + x( N1 /2+1) x(8) + x( 9 )
et Q3 = = = 40
2 2
Des techniques similaires à celles utilisées pour déterminer la médiane
dans le cas continue permettent de déterminer ces indicateurs.
Pour le premier quartile.
Pour le troisième quartile

Exemple : la distribution des salaires mensuels.

L’écart interquartile
𝑄1 étant le premier quartile et 𝑄3 le troisième quartile, l’écart
interquartile est la différence entre le troisième et le premier
quartile, il est noté 𝑅(𝑄) = 𝑄3 − 𝑄1 .
L’intervalle [𝑄1 , 𝑄3 ] est appelé intervalle interquartile. Il contient
50% des observations, le reste se réparti avec 25% à gauche de 𝑄1
et 25% à droite de 𝑄3 .
L’écart interquartile 𝑅(𝑄) est la largeur de l’intervalle interquartile.
C’est une mesure de dispersion des données autours de la médiane.

• Plus il est petit, plus les données sont proches de la médiane.

• Plus il est grand, plus les données sont dispersées autours de la
médiane.
Exemple : Reprenons l’exemple de la distribution des salaires
mensuels.
L’intervalle interquartile est [3,24; 6,19] et l’écart interquartile est
𝑅(𝑄) = 6, 19 − 3, 24 = 2, 85

Diagramme en boîte
Ce diagramme est aussi appelé boîte à moustaches. Il utilise la valeur
du 1er quartile 𝑄1 , la valeur du 2ème quartile 𝑄2, la valeur du 3ème
quartile 𝑄3 , l’écart interquartile 𝑅(𝑄) et les valeurs minimum et
maximum de la série.
On représente sur un axe gradué (horizontal ou vertical) les
différentes valeurs de la série 𝑄1 , 𝑄2 , 𝑄3 , 𝑥𝑚𝑖𝑛 , 𝑥𝑚𝑎𝑥 ainsi
que 𝑄1 − 1.5 × 𝑅(𝑄) 𝑒𝑡 𝑄3 + 1.5 × 𝑅(𝑄).

La boîte a pour largeur l’écart interquartile généralement sur 1.5 fois

la largeur de la boîte. Dans ce cas, une valeur est atypique ou
aberrante si elle dépasse de 1.5 fois l’écart interquartile à gauche
du 1er quartile ou à droite du 3ème quartile.
La boîte à moustaches permet de répondre à certaines questions :
• Existe-t-il des observations atypiques ?
• La distribution est-elle symétrique ?
• La partie centrale (50% des effectifs) est-elle plus ou moins
concentrée ou étalée par rapport au reste de la distribution ?
• Comparaisons de distributions selon des groupes ? Pour comparer
les distributions d’une même variable selon les groupes, on
juxtapose sur le même graphique les boîtes à moustaches définies
respectivement pour les groupes en utilisant la même échelle

Exemple : Deux groupes de S3 Statistique comparent leurs résultats
du contrôle final et déclarent : “nos classes ont le même profil puisque
dans les deux cas la médiane et le mode des résultats est 10”.
Qu’en pensez-vous ?
Vérifier que les deux médianes valent 10 et déterminer les quartiles

de chaque série. Tracer côte à côte les diagrammes en boîtes de ces
deux séries.

Les effectifs cumulés des deux groupes est:
Les séries inférieures et supérieurs du groupe 1 et 2 sont :

Les effectifs des séries inférieures et supérieurs du groupe 1 et 2 sont :

Le graphique ci-dessous met bien en évidence
que l’écart interquartile est plus resserré pour le
groupe 2 que le groupe 1 donc les élèves du
groupe 2 ont globalement un niveau plus
homogène que ceux de du groupe 1.
On peut remarquer que 17 est une valeur
atypique pour le groupe 2 tandis que le groupe
1 n’a pas de valeur atypique.
La distribution du groupe 1 est symétrique car
la boîte est symétrique par rapport au segment
Boîte à moustaches des Gr 1 et 2 de la médiane tandis que celle du groupe 2 est
asymétrique à gauche.
3. La variance et l’écart-type
La variance est un résumé statistique qui mesure la concentration ou
la dispersion des observations autour de la moyenne.
L’écart-type permet d’avoir une idée de la façon dont les valeurs de
la série s’écartent par rapport à la moyenne, c’est donc une mesure
de dispersion.
Un écart-type faible correspond à une série concentrée autour de la
moyenne.

La variance 𝑉(𝑥) est la moyenne arithmétique des carrés des écarts
des valeurs de la variable à la moyenne arithmétique
La racine carrée de la variance est appelée l’écart-type

Exemple : Considérons la distribution suivant
on a 𝑁 = 31 et 𝑥ҧ = 32.58
Relation de König :

La variance 𝑉(𝑥) est la moyenne arithmétique des carrés des écarts
des centres des classes à la moyenne arithmétique
où 𝑐𝑖 est le centre de la classe associée à 𝑛𝑖

La racine carrée de la variance est appelée l’écart-type

Exemple: Reprenons la distribution des salaires mensuels.
Relation de König :
4. Cœfficient de variation
Le cœfficient de variation, qui est un nombre sans dimension, permet
comparer des dispersions de distributions statistiques hétérogènes.
Il s’écrit
Si 𝐶𝑉 < 0, 5 alors la dispersion n’est pas importante.

Si 𝐶𝑉 > 0, 5 alors la dispersion est importante

Exemple : Dans une maternité on a relevé le poids ( en kg ) à la
naissance de 47 nouveau-nés. Les données collectées sont résumées
dans le tableau suivant :
Le cœfficient de variation étant faible, le poids à la naissance est

concentré autour de la moyenne.
5. Moments
Définition 1: Le moment d’ordre 𝑟 d’une variable statistique est la
quantité
Pour 𝑟 = 0, 𝑚0 = 1.
Pour 𝑟 = 1, 𝑚1 = 𝑥ҧ la moyenne arithmétique.
Définition 2: Le moment centré d’ordre 𝑟 d’une variable est la
quantité
Pour 𝑟 = 0, 𝜇0 = 1.
Pour 𝑟 = 1, 𝜇1 = 0.
Pour 𝑟 = 2, 𝜇2 = 𝑉(𝑥) la variance.
Changement d’origine et d’unité
Définition: On appelle changement d’origine l’opération consistant à
ajouter la même quantité 𝑏 ∈ 𝐼𝑅 à toutes les observations:
𝑦𝑖 = 𝑥𝑖 + 𝑏, 𝑖 = 1,· · · , 𝑛.
On appelle changement d’unité l’opération consistant à multiplier
par la même quantité 𝑎 ∈ 𝐼𝑅 toutes les observations :
𝑦𝑖 = 𝑎 × 𝑥𝑖 , 𝑖 = 1,· · · , 𝑛.
On appelle changement d’origine et d’unité l’opération consistant à
multiplier toutes les observations par la même quantité 𝑎 ∈ 𝐼𝑅 puis
à ajouter la même quantité 𝑏 ∈ 𝐼𝑅 à toutes les observations :
𝑦𝑖 = 𝑎 × 𝑥𝑖 + 𝑏, 𝑖 = 1,· · · , 𝑛.
Théorème: Si on effectue un changement d’origine et d’unité sur une
variable X, alors
• Sa moyenne est affectée du même changement d’origine et

d’unité, 𝑦ത = 𝑎𝑥ҧ + 𝑏
• Sa variance et son écart-type sont affectés par le changement

d’unité et pas par le changement d’origine,

Remarque :
• Les paramètres de position (mode, médiane et moyenne) sont tous
affectés par un changement d’origine et d’unité.
• Les paramètres de dispersion sont tous affectés par un changement
d’unité mais pas par un changement d’origine (sauf le coefficient de
variation).
Chapitre 4
forme
Les caractéristiques de forme
1. Symétrie et asymétrie
Une distribution est dite symétrique si le mode, la médiane et la
moyenne sont confondus. Une distribution qui n’est pas symétrique est
dite asymétrique.
Remarque : Une variable statistique est symétrique si ses valeurs sont
réparties de manière symétrique autour de la moyenne c’est à dire si le
polygone des fréquences a la forme d’une cloche comme dans la figure
ci-après.

A la différence de la médiane, la moyenne arithmétique est fortement
influencée par les valeurs extrêmes.
Lorsque les valeurs sont distribuées de manière symétrique, la
moyenne arithmétique coïncide avec la médiane et le mode.
Lorsque la distribution est asymétrique, la moyenne arithmétique
dépasse la médiane si les valeurs extrêmes sont élevées et se situe en
dessous de la médiane si les valeurs extrêmes sont basses.

Une distribution est dite asymétrique à droite, si la courbe du
polygone des fréquences est étalée à droite, on a généralement :
mode < médiane < moyenne.
Une distribution est dite asymétrique à gauche, si la courbe du
polygone des fréquences est étalée à gauche, on a généralement :
moyenne < médiane < mode.

2. Cœfficient d’asymétrie
le coefficient d’asymétrie a pour rôle de fournir une mesure de
dissymétrie d’une distribution.
a. Cœfficient d’asymétrie de Pearson
Le premier cœfficient d’asymétrie de Pearson est basé sur une
comparaison de la moyenne et de la médiane et est normalisé par
l’écart-type. Il est calculé à partir de la formule suivante :
𝑥ҧ − 𝑀
𝐴𝑝1 = 3 ×
𝜎
où 𝑥ҧ est la moyenne, 𝑀 la médiane et 𝜎 l’écart-type.
𝑆𝑖 𝐴𝑝1 = 0 ∶il y a une symétrie parfaite de la distribution
𝑆𝑖 𝐴𝑝1 < 0 ∶ la série des valeurs de la distribution est étalée à gauche
𝑆𝑖 𝐴𝑝1 > 0 ∶ la série des valeurs de la distribution est étalée à droite
Lorsque la distribution statistique est unimodale, on peut utiliser le
second coefficient de Pearson basé sur une comparaison de la
moyenne et du mode et est normalisé par l’écart-type. Il est calculé à
partir de la formule suivante :
𝑥ҧ − 𝑀0
𝐴𝑝2 =
𝜎
où 𝑥ҧ est la moyenne, 𝑀0 le mode et 𝜎 l’écart-type.
𝑆𝑖 𝐴𝑝2 = 0 ∶ La distribution est symétrique
𝑆𝑖 𝐴𝑝2 < 0 ∶ La distribution est étalée à gauche
𝑆𝑖 𝐴𝑝2 > 0 ∶ La distribution est étalée à droite
b. Cœfficient d’asymétrie de Yule
Le cœfficient d’asymétrie de Yule est basé sur les positions des trois
quartile et est normalisé par l’écart interquartile. Il est calculée à
𝑄 +𝑄3 −2𝑄2
partir de la formule suivante : 𝐴𝑌 = 1 𝑅(𝑄)
où 𝑄1, 𝑄2, 𝑄3 les 3 quartiles , et 𝑅(𝑄) l’écart interquartile.

𝑆𝑖 𝐴𝑌 = 0 ∶ La distribution est symétrique
𝑆𝑖 𝐴𝑌 < 0 ∶ La distribution est étalée à gauche
𝑆𝑖 𝐴𝑌 > 0 ∶ La distribution est étalée à droite
c. Cœfficient d’asymétrie de Fisher
Le coefficient d’asymétrie de Fisher est basé sur le moment d’ordre 3 et
est normalisé par le cube de l’écart-type. Il est calculée à partir de la
formule suivante :
𝜇3
𝐴𝐹 = 3
𝜎
où 𝜇3 le moment centré d’ordre 3 , et 𝜎 l’écart-type.
• Si la distribution est symétrique, le coefficient est nul. On admettra

que si le cœfficient de Fisher𝐴𝐹 ∈ ] − 0.1, 0.1[, la distribution est
symétrique.
• Si la distribution est asymétrique à droite (resp. à gauche), le

cœfficient est positif (resp. négatif).

Exemple:
On considère la série statistique suivante (masse en grammes des œufs
de poule d’un élevage).
Masse: 𝑥𝑖 40 45 50 55 60 65 70 75 80 85 90
Effectif: 𝑛𝑖 16 20 75 141 270 210 165 63 21 12 7
𝑥ҧ 𝜎 𝜇3 𝑄2 𝑀0 𝑄1 𝑄3 𝑅(𝑄) 𝐴𝑃1 𝐴𝑃2 𝐴𝑌 𝐴𝐹

62.5 8.59 91.1 60 60 55 70 15 0.87 0.29 0.33 0.14
La distribution des masses est asymétrie à droite car les cœfficients

d’asymétrie sont positifs.
3. Le cœfficient d’aplatissement
Le cœfficient d’aplatissement mesure le degré d’aplatissement d’une distribution.
On l’obtient à partir du moment centré d’ordre 4.
• Cœfficient d’aplatissement de Pearson:
𝜇4
𝛽2 =
𝑉(𝑥)2
où 𝑉(𝑥) est la variance et 𝜇4 le moment centré d’ordre 4
𝑆𝑖 𝛽2 = 3: La courbe est proche de la courbe normale
𝑆𝑖 𝛽2 < 3 La courbe est leptokurtique, c’est-à-dire plus plate que la loi normale
𝑆𝑖 𝛽2 > 3: la courbe est platykurtique c’est-à-dire plus pointue que la loi
normale
• Cœfficient d’aplatissement de Ficher:
𝐹2 = 𝛽2 − 3 où 𝛽2 est le coefficient d’aplatissement de Pearson
3 est le degré d’aplatissement d’une loi gaussienne centrée réduite.
• Si 𝐹2 = 0 , le polygone statistique de la variable à le même aplatissement
qu’une courbe en cloche, on dit que la variable est mesokurtique.
• Si 𝐹2 > 0 , le polygone statistique de la variable est moins aplati qu’une
courbe en cloche, la concentration des valeurs de la série autour de la
moyenne est forte, on dit que la variable est leptokurtique.
• Si 𝐹2 < 0 , le polygone statistique de la variable est plus aplati qu’une
courbe en cloche, la concentration des valeurs autour de la moyenne est
faible, on dit que la variable est platykurtique.
Exemple: Reprenons la distribution des masse des oeufs de poule

𝜇4 = 17523.91, 𝑉 𝑥 = 73.8, 𝛽2 = 3.22 𝑒𝑡 𝐹2 = 0.22 > 0
⇒ la variable est leptokurtique et le polygone statistique de la
variable est moins aplati qu’une courbe en cloche, la concentration des
valeurs de la série autour de la moyenne est forte.
Chapitre 5
concentration
Les caractéristiques de concentration
• Corrado Gini est le statisticien derrière La notion de concentration.
Ce statisticien italien a introduit cette notion notamment à propos
des distributions de salaires et de revenus.
• L'objectif de la concentration est de mesurer les inégalités dans la

répartition d’une variable a l’intérieur d’une population.
• La concentration s'applique a la description d’unités économiques

selon la taille, par exemple des entreprises suivant le chiffre
d’affaire, la production, le nombre de salarié... etc.

• La concentration permet d'étudier la densité des données autour de la
valeur centrale. La mesure de celle concentration concerne les variables
statistiques quantitatives continues représentant une valeur positive
cumulable.
• Les caractéristiques de concentration sont utiles pour mesurer la
répartition de la masse salariale.
• La répartition de la masse salariale se situe entre les deux cas extrêmes
suivants:
➢ Concentration nulle: la répartition des salaires est parfaitement
équitable; un certain pourcentage de salariés reçoit le même
pourcentage de la masse salariale.
➢ Concentration maximale: un seul salarié reçoit toute la masse salariale
(et les autres ne reçoivent rien).
Les caractéristiques de concentration, se présentent comme suit:
❑ Écart entre médiale et médiane
❑ La courbe de concentration appelée Courbe de Lorentz
❑ L'indice de Gini.
Néanmoins, pour procéder au calcule de ces caractéristiques il

convient d'abord de déterminer:
❑ Les valeurs globales ( les masses)
❑ La médiale

Les masses
▪ Soit une série statistique où la variable statistique 𝑋 étudiée est
continue et dont les valeurs sont positives et regroupées en 𝑘

classes, d'effectifs respectifs 𝑛1 , 𝑛2 , … , 𝑛𝑘 et de centres
respectifs 𝑐1 , 𝑐2 , … , 𝑐𝑘 . On appelle:
▪ 𝑺𝒊 , la masse associée à la classe [𝑒𝑖 ; 𝑒𝑖+1 [ d'effectif 𝑛𝑖 , tel que:
𝑆𝑖 = 𝑛𝑖 𝑐𝑖
▪ 𝑺, la masse globale de la variable 𝑋, tel que:
𝑆 = σ𝑘𝑖=1 𝑆𝑖 = σ𝑘𝑖=1 𝑛𝑖 𝑐𝑖
𝒈𝒊 , la masse relative ( appelée également proportion de la masse

globale) associée à la classe [𝑒𝑖 ; 𝑒𝑖+1 [ , tel que:
𝑆𝑖 𝑛 𝑖 𝑐𝑖
𝑔𝑖 = = 𝑘
𝑆 σ𝑖=1 𝑛𝑖 𝑐𝑖
𝑮𝒊 , la masse relative cumulée croissante associée à la classe
[𝑒𝑖 ; 𝑒𝑖+1 [ , tel que:
𝐺𝑖 = σ𝑘𝑖=1 𝑔𝑖

Exemple: le tableau suivant présente la distribution de salaire de 50
employés d'une entreprise:
Salaire (en DH) 𝒏𝒊 𝒄𝒊 𝒇𝑖 (%) 𝑭𝑖 (FCC)
[600;1200[ 15 900 30 30
[1200;1800[ 25 1500 50 80
[1800;2100[ 10 1950 20 100
Total 50 - 100 -
Calculer la masse salariale globale, ainsi que les masse relatives et les
masses relatives cumulées croissantes.

La médiale
❖ La médiale d'une série statistique est la valeur du caractère 𝑋 qui
partage en deux parties égales la masse totale du caractère. La
médiale s'exprime dans la même unité que la variable étudiée:
𝑴𝒍 = 𝑮 𝑴𝒍 = 𝟎. 𝟓 = 𝟓𝟎%
❖ Comme la médiane, la médiale est calculée par interpolation
linéaire à partir d'une classe médiale. La classe médiale est la
classe dont la masse salariale relative cumulée croissante et
supérieure ou égale à 50% (𝑮 𝒆𝒊 < 𝟎. 𝟓 𝒆𝒕 𝑮(𝒆𝒊 ) ≥ 𝟎. 𝟓)

Attention! Ne pas confondre médiane et médiale.

✓ La médiale est la médiane de la série masse associée.
✓ La médiale de la série (𝑥𝑖 , 𝑛𝑖 ) est la médiane de la série (𝑥𝑖 , 𝑔𝑖 ).
✓ La médiale est calculée par la formule suivante:

Exemple précédent: calculer la médiale
Salaire (en DH) 𝒏𝒊 𝒄𝒊 𝒇𝑖 (%) 𝑭𝑖 𝑺𝒊 (𝒏𝒊 𝒄𝒊 ) 𝒈 𝑖 % 𝑮𝒊 %
(FCC) (𝑺𝒊 /S)
[600; 1200[ 15 900 30 30 13500 19.15 19.15
[1200;1800[ 25 1500 50 80 37500 53.19 72.34
[1800;2100[ 10 1950 20 100 19500 27.66 100
Total 50 - 100 - 70500 100 -

Ecart médiale -médiane
La différence entre la médiale et la médiane, 𝑀𝑙 − 𝑀, est une mesure
de la concentration d'une distribution.
Ce rapport est compris entre 0 et 1
❑ Concentration forte: lorsque cette différence est grande par
rapport à l'étendue.
❑ Concentration faible: lorsque cette différence est petite.
❑ Concentration nulle: la médiane est égale à la médiale (𝑀𝑙 − 𝑀 =
0 ). Dans ce cas la distribution est égalitaire : l'ensemble des 𝑥𝑖 sont
égaux.
Exemple précédent: calculer l'écart médiale-médiane.
Salaire (en DH) 𝒏𝒊 𝒄𝒊 𝒇𝑖 (%) 𝑭𝑖 𝑺𝒊 𝒈𝑖 % 𝑮𝒊 %
[600; 1200[ 15 900 30 30 13500 19.15 19.15
[1200;1800[ 25 1500 50 80 37500 53.19 72.34
[1800;2100[ 10 1950 20 100 19500 27.66 100
Total 50 - 100 - 70500 100 -
Médiale: 𝑀𝑙 =1548 ∆= (1548 − 1440)/(2100 − 600)
Médiane: 𝑀= 1440 ∆ =7.2%
L'écart médiale-médiane représente 7.2% de l'étendue. Ce qui
montre que la concentration des salaires est faible.
Courbe de Lorentz
❑ La courbe de concentration, appelée courbe de Lorentz, est obtenue à
partir des calculs des Fréquences cumulées croissantes (𝐹𝑖 ) et des masses
cumulées croissantes (𝐺𝑖 ) .
❑ Pour tracer cette courbe on pose:
En abscisse, les fréquences cumulées croissantes de la série (𝑥𝑖 , 𝑛𝑖 ): 𝑭𝒊
En ordonnée, les fréquences cumulées croissantes de la série (𝑥𝑖 , 𝑔𝑖 ):
𝑮𝒊 .
❑ On trace par la suite la droite d'équirépartition ou droite d'égalité
parfaite. Cette droite présente une situation d'égalité où la répartition
est parfaitement équitable.


Exemple précédent: tracer la courbe de Lorentz.
Salaire (en DH) 𝒏𝒊 𝒄𝒊 𝒇𝑖 (%) 𝑭𝑖 𝑺𝒊 𝒈𝑖 % 𝑮𝒊 %

[600; 1200[ 15 900 30 30 13500 19.15 19.15
[1200;1800[ 25 1500 50 80 37500 53.19 72.34
[1800;2100[ 10 1950 20 100 19500 27.66 100
Total 50 - 100 - 70500 100 -





PARTIE 2
SÉRIES STATISTIQUES DOUBLES
CHAPITRE 1 :
la liaison entre deux variables:
Régression, Ajustement et corrélation.
Plan

Introduction
• Souvent on s’intéresse à l’étude d’un phénomène à travers plusieurs
variables qui l’influencent simultanément
• En particulier soient deux variables statistiques 𝑥 et 𝑦. Pour chaque

unité 𝑖 on observe des valeurs : 𝑥𝑖 et 𝑦𝑖 ; la série bivariée est :
{(𝑥𝑖 , 𝑦𝑖 ), 𝑖 = 1, . . . , 𝑛}
• Comment organiser les données d’une grande taille dans un
tableau? Existe t’il une relation entre les deux variables 𝑥 et 𝑦?
• Si oui, comment peut on mesurer son intensité? son sens?
• Peut on la formuler sous forme d’une relation explicite (fonction,

modèle)?
Introduction
Exemple 1 Le manager d’un magasin s’intéresse à la relation qui
pourrait exister entre le nombre des spots publicitaires diffusés au
cours du week-end et les ventes effectuées la semaine suivante. Il
observe les données de dix semaines

Introduction
Exemple 1 (suite)
Pour schématiser cette relation on représente les points P1 = (2, 50),
P2 = (5, 57), . . . , P10 = (2, 46), le graphe ainsi obtenu est dit
nuage de points

Covariance
Définition de la covariance
Afin de mesurer l’intensité de la dépendance (liaison) entre deux

variables 𝑥 et 𝑦 ainsi que son sens (positive ou négative), on définit la
covariance de 𝑥 et 𝑦

Covariance
Définition de la covariance (suite)

Covariance
Propriétés

Covariance
Exemple 1 (suite)

coefficient de corrélation
Définition du coefficient de corrélation

on définit un coefficient dit le coefficient de corrélation de Bravais-
Pearson ; ce coefficient mesure l’intensité de la «dépendance linéaire»
entre deux variables

Définition du coefficient de corrélation (suite)

▪ r ≈ 1 quand tous les points observées sont situées à proximité d’une
même droite de pente positive : on parle d’une forte corrélation positive
▪ r ≈ −1 quand tous les points observés sont situés à proximité d’une

même droite de pente négative : forte corrélation négative
▪ r ≈ 0 quand le nuage de points est allongé parallèlement à l’un des

axes de coordonnées: faible corrélation






Ajustement linéaire simple










Tableau de contingence















Capture D'écran . 2023-05-03 À 13.40.44

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

Capture D'écran . 2023-05-03 À 13.40.44

Transféré par

Droits d'auteur :

Formats disponibles

STATISTIQUE DESCRIPTIVE

Pr. OUCHICHA Chaimae

Ecole Nationale de Commerce et de Gestion

▪ Définitions : statistique et statistiques;

▪ Objet et intérêt de la statistique;

3/23/2022 STATISTIQUE DESCRIPTIVE 3

Statistiques relatives à la situation de l’emploi au Maroc,

3/23/2022 STATISTIQUE DESCRIPTIVE 4

Au singulier, le mot « Statistique » désigne la science qui permet

Ensemble des méthodes scientifiques visant à collecter, à analyser des

3/23/2022 STATISTIQUE DESCRIPTIVE 5

▪ Dans le domaine de la gestion et de l’économie, la Statistique

▪ Elle constitue également un outil de prévision : elle permet aux

3/23/2022 STATISTIQUE DESCRIPTIVE 6

La statistique a pour objet la collecte, la caractérisation, l'analyse et

L’objectif est de faire « parler » les chiffres afin de prendre une

Cette démarche statistique peut être présenter dans le schéma

3/23/2022 STATISTIQUE DESCRIPTIVE 7

Phase 1 Phase 2 Phase 3

Collecte des Analyse Décision

3/23/2022 STATISTIQUE DESCRIPTIVE 8

Phase 1: Collecte des données

3/23/2022 STATISTIQUE DESCRIPTIVE 9

Quand les données sont exhaustives c'est-à-dire concernent toute la

Or, lorsque les données concernent un échantillon de la population, on

3/23/2022 STATISTIQUE DESCRIPTIVE 10

Phase 3: Décision statistique

Cette phase regroupe un ensemble de méthodes et de modèles

3/23/2022 STATISTIQUE DESCRIPTIVE 11

Statiques inférentielles (ou inductives) :

3/23/2022 STATISTIQUE DESCRIPTIVE 13

3/23/2022 STATISTIQUE DESCRIPTIVE 15

Modalité (𝒙𝒊 ) : Valeur que peut prendre une variable statistique.

3/23/2022 STATISTIQUE DESCRIPTIVE 16

Caractère qualitatif nominal/ caractère qualitatif ordinal

Un caractère qualitatif peut être:

Ordinal : si ses modalités peuvent être naturellement ordonnées

Nominal : si ses modalités ne peuvent être naturellement ordonnées

3/23/2022 STATISTIQUE DESCRIPTIVE 18

Une série statistique est la suite des modalités d’une population

Lorsqu’on s’intéresse à étudier deux variables en même temps sur une

Dans le cas des variables discrètes, on appelle :

▪ Fréquence absolue 𝑛𝑖 ou effectif, associée à une valeur 𝑥𝑖 de la

L’ensemble des couples (𝑥𝑖 , 𝑛𝑖 ) s’appelle la distribution statistique du

3/23/2022 STATISTIQUE DESCRIPTIVE 20

▪ Fréquence relative, associée à la valeur 𝑥𝑖 de la variable aléatoire

où 𝑛𝑖 est la fréquence absolue et n le nombre total de données.

3/23/2022 STATISTIQUE DESCRIPTIVE 21

3/23/2022 STATISTIQUE DESCRIPTIVE 22

Nombre d’individus : les 75 échantillons.

Fréquence absolue associée à la valeur 𝑘, le nombre 𝑛𝑘 : par exemple, sur les

3/23/2022 STATISTIQUE DESCRIPTIVE 27

1. Cas d’un caractère qualitatif :

Sa représentation par tableau est alors comme suit :

3/23/2022 STATISTIQUE DESCRIPTIVE 28

3/23/2022 STATISTIQUE DESCRIPTIVE 29

La distribution est alors :

3/23/2022 STATISTIQUE DESCRIPTIVE 30

• Pour la ième classe, on note :

• 𝑎𝑖 = 𝑒𝑖 – 𝑒𝑖−1 l’amplitude de cette classe.

• le centre de cette classe.

3/23/2022 STATISTIQUE DESCRIPTIVE 31

3/23/2022 STATISTIQUE DESCRIPTIVE 32