Mémoire Statistique Descriptive 2019 2020

Statistique descriptive
Jaouad Madkour
jaouad.madkour@outlook.com
Licence Sciences économiques et Gestion - Semestre 1
Faculté des sciences juridiques, économiques et sociales - Tanger
Année universitaire 2019 - 2020
1 / 250
Introduction
Qu’est ce que la (les) statistique(s) ? Quelques références utiles
Objectif pédagogique du cours Ma page sur Facebook
Pré-requis nécessaires Mon site web
Plan du cours Wikipédia
2 / 250
Qu’est ce que la (les) statistique(s) ?
Définitions :
• Au sens large, la statistique est la science qui a pour objet l’extraction,
l’analyse et l’exploitation de l’information contenue dans des données.
• Au sens étroit, les statistiques sont des données concernant un phénomène
particulier et observées sur un groupe d’individus ou d’unités.
Il existe deux sortes de statistiques (en tant que science) :

• La statistique descriptive ou exploratoire : elle décrit l’information contenue
dans des données à l’aide de tableaux, de graphiques et d’indicateurs.
• La statistique inférentielle ou confirmatoire : elle induit les caractéristiques
inconnues d’une population à partir d’un échantillon de cette population.
3 / 250
Statistique descriptive :
4 / 250
Statistique inférentielle :
5 / 250
Objectif pédagogique du cours
Taxonomie de Bloom :
6 / 250
Pré-requis nécessaires
Bien que la statistique descriptive soit une branche des mathématiques qui s’ap-
plique à d’autres disciplines comme la biologie, l’économie, la finance et la ges-
tion, elle ne nécessite que des connaissances élémentaires en mathématiques
telles que les opérations arithmétiques, la factorisation, le développement...
7 / 250
Plan du cours
Chapitre 1 : Organisation des données
Chapitre 2 : Séries statistiques à une dimension
Chapitre 3 : Séries statistiques à deux dimensions
8 / 250
Quelques références utiles
9 / 250
10 / 250
11 / 250
12 / 250
13 / 250
14 / 250
Ma page sur Facebook
15 / 250
Mon site web : jaouadmadkour.webnode.fr
16 / 250
Wikipédia
17 / 250
Chapitre 1 :
Organisation des données
Vocabulaire et opérateurs statistiques
Tableaux statistiques
Représentations graphiques
18 / 250
Section 1 :
Vocabulaire statistique
Typologie des variables statistiques
Opérateurs statistiques Σ et Π
19 / 250
Vocabulaire et opérateurs statistiques Vocabulaire statistique
Sous-section 1 :
Vocabulaire statistique
Population, échantillon et individu
Caractère et modalité
Effectifs et fréquences
Série et distribution statistiques
20 / 250
Définitions :
• Population : Un ensemble d’éléments.
• Échantillon : Une partie de la population.
• Individu : Un élément de la population.
21 / 250
Exemple 1 :
• Population : Étudiants de la FSJES de Tanger.
• Échantillon : Étudiants de la filière Économie et gestion.
• Individu : Tout étudiant de la FSJES de Tanger.
Exemple 2 :
• Population : Entreprises installées à Tanger.
• Échantillon : Entreprises du secteur textile.
• Individu : Toute entreprise installée à Tanger.
22 / 250
Définitions :
• Caractère : Objet selon lequel la population est étudiée.
• Modalité : Valeur prise par le caractère étudié.
Remarque :
Un caractère est également appelé variable statistique. Il est noté en lettres
majuscules X et prend k ∈ N∗ modalités désignées par des lettres minuscules
numérotées x1 , x2 , · · · , xk .
23 / 250
Exemple 1 (suite) :
• Population : Étudiants de la FSJES de Tanger.
• Caractère X : Moyenne obtenue au baccalauréat.
• Modalités : x1 = 10, x2 = 11, x3 = 12, x4 = 13.
Exemple 2 (suite) :
• Population : Entreprises installées à Tanger.
• Caractère Y : Nombre d’employés.
• Modalités : y1 = 50, y2 = 100, y3 = 500.
24 / 250
Définitions :
• Effectif ni d’une modalité xi : Nombre d’individus qui ont la modalité xi .
• Effectif total n : Nombre d’individus qui composent la population.
• Fréquence fi d’une modalité xi : Proportion d’individus qui ont la

modalité xi . Elle est donnée par : fi = ni /n.
25 / 250
Remarques :
• L’effectif total n est égal à la somme de tous les effectifs ni :
n1 + n2 + · · · + nk = n
• Théoriquement, la somme des fréquences fi est égale à 1 car :
n1 n2 nk n
f1 + f2 + · · · + fk = + + ··· + = =1
n n n n
• Dans la pratique, si la somme des fréquences est différente de 1 à cause

des problèmes d’arrondis, il est d’usage de manipuler légèrement l’une des
fréquences de sorte à retrouver une somme précisément égale à 1.
26 / 250
Exemple :
xi ni fi
1
x1 1 3 ≈ 0.33 → 0.34
1
x2 1 3 ≈ 0.33 → 0.33
1
x3 1 3 ≈ 0.33 → 0.33
Somme 3 0.99 → 1.00
27 / 250
Application : Moyennes obtenues au baccalauréat
10 13 12 14 10 13 11 12 11 10
11 14 10 13 12 10 12 13 12 10
13 16 14 11 13 15 10 13 12 14
10 15 11 14 12 15 12 11 13 10
12 15 14 10 13 11 16 13 11 15
12 11 13 10 14 16 15 11 15 12
13 11 14 11 14 12 15 13 12 13
11 12 10 16 11 14 14 13 14 10
28 / 250
Application : Moyennes obtenues au baccalauréat
xi ni fi = ni /n
10 13 13/80 = 0.1625
11 14 14/80 = 0.1750
12 14 14/80 = 0.1750
13 15 15/80 = 0.1875
14 12 12/80 = 0.1500
15 08 08/80 = 0.1000
16 04 04/80 = 0.0500
Somme n = 80 1
29 / 250
Définitions :
• Effectif cumulé croissant Ni+ d’une modalité xi : Nombre d’individus qui
ont des modalités au plus égales à la modalité xi :
Ni+ = n1 + n2 + · · · + ni
• Effectif cumulé décroissant Ni− d’une modalité xi : Nombre d’individus qui

ont des modalités au moins égales à la modalité xi :
Ni− = nk + nk −1 + · · · + ni
30 / 250
Application (suite) : Moyennes obtenues au baccalauréat
xi ni Ni+ Ni−
10 ↓ 13 13 67 + 13 = 80 ↑
11 ↓ 14 13 + 14 = 27 ↓ 53 + 14 = 67 ↑
12 ↓ 14 27 + 14 = 41 ↓ 39 + 14 = 53 ↑
13 ↓ 15 41 + 15 = 56 ↓ 24 + 15 = 39 ↑
14 ↓ 12 56 + 12 = 68 ↓ 12 + 12 = 24 ↑
15 ↓ 08 68 + 08 = 76 ↓ 04 + 08 = 12 ↑
16 ↓ 04 76 + 04 = 80 ↓ 04
Somme n = 80 – –
31 / 250
Définitions :
• Fréquence cumulée croissante Fi+ d’une modalité xi : Proportion d’indivi-
dus qui ont des modalités au plus égales à la modalité xi :
Fi+ = f1 + f2 + · · · + fi
• Fréquence cumulée décroissante Fi− d’une modalité xi : Proportion d’indi-

vidus qui ont des modalités au moins égales à la modalité xi :
Fi− = fk + fk −1 + · · · + fi
32 / 250
Application (suite) : Moyennes obtenues au baccalauréat
xi fi Fi+ Fi−
10 ↓ 0.1625 0.1625 0.8375+0.1625 = 1.0000 ↑
11 ↓ 0.1750 0.1625+0.1750 = 0.3375 ↓ 0.6625+0.1750 = 0.8375 ↑
12 ↓ 0.1750 0.3375+0.1750 = 0.5125 ↓ 0.4875+0.1750 = 0.6625 ↑
13 ↓ 0.1875 0.5125+0.1875 = 0.7000 ↓ 0.3000+0.1875 = 0.4875 ↑
14 ↓ 0.1500 0.7000+0.1500 = 0.8500 ↓ 0.1500+0.1500 = 0.3000 ↑
15 ↓ 0.1000 0.8500+0.1000 = 0.9500 ↓ 0.0500+0.1000 = 0.1500 ↑
16 ↓ 0.0500 0.9500+0.0500 = 1.0000 ↓ 0.0500
Somme 1.0000 – –
33 / 250
Remarques :
• Les effectifs ni sont aussi appelés des fréquences absolues et les fréquences
fi des fréquences relatives.
• Une fréquence fi est comprise entre 0 et 1 tandis qu’un pourcentage pi est

compris entre 0 et 100. Un pourcentage est une fréquence multipliée par
100, il est désigné par le symbole % : pi = (fi × 100) %.
• L’expression « au plus » est équivalente à « inférieur ou égal » et l’expres-

sion « au moins » est équivalente à « supérieur ou égal ».
• Les effectifs et les fréquences cumulés n’ont de sens que lorsqu’il est possible
de classer les modalités dans un ordre croissant ou décroissant.
34 / 250
Définition (Série statistique)

Une série statistique est une suite de modalités brute ou ordonnée. Il s’agit, par
exemple, des réponses collectées lors d’une enquête, des notes obtenues dans
une épreuve écrite...etc.
Exemples :
Série brute : 12 18 10 17 11 15 12 17 18 10
Série ordonnée : 10 10 11 12 12 15 17 17 18 18
35 / 250
Définition (Distribution statistique)

Une distribution statistique est l’association entre les modalités xi d’une variable
statistique et les effectifs ni ou les fréquences fi correspondants. Elle montre
comment les effectifs ou les fréquences sont distribués entre les modalités.
Exemples :
Distribution statistique des effectifs :
xi 10 11 12 15 17 18
ni 2 1 2 1 2 2
Distribution statistique des fréquences :

xi 10 11 12 15 17 18
fi 0.2 0.1 0.2 0.1 0.2 0.2
36 / 250
Vocabulaire et opérateurs statistiques Typologie des variables statistiques
Sous-section 2 :
Typologie des variables statistiques
Variable statistique quantitative
Variable statistique qualitative
37 / 250
Définitions (Variable quantitative)

Une variable statistique est quantitative si elle est mesurée par un nombre au
sens mathématique du terme.
→ Une variable quantitative est discrète si elle ne peut prendre que certaines
valeurs d’un intervalle.
→ Une variable quantitative est continue si elle peut prendre toutes les valeurs
possibles d’un intervalle rangées dans des classes.
→ Une classe est un intervalle semi-fermé [xi−1 ; xi [. Elle est caractérisée par
son amplitude ai = xi − xi−1 et par son centre ci = (xi−1 + xi )/2.
38 / 250
Exemples de variable continue :

• Poids en kilogrammes : [60; 120].
• Taille en centimètres : [160; 210].
• Volume en litres : [16; 45].
Exemples de variable discrète :

• Nombre d’enfants par famille : {0, 1, 2 · · · }.
• Nombre de salariés d’une entreprise : {1, 5, 20 · · · }.
• Nombre de pièces produites par une machine : {1000, 1200, 2000 · · · }.
39 / 250
Définitions (variable qualitative)

Une variable statistique est qualitative si elle ne peut pas être exprimée par un
nombre au sens mathématique du terme.
→ Une variable qualitative est ordinale s’il est possible d’établir un ordre
unique entre ses modalités.
→ Une variable qualitative est nominale s’il n’est pas possible d’établir un
ordre unique entre ses modalités.
→ Les modalités d’une variable qualitative sont aussi appelées des catégories.
De ce fait, une variable qualitative est une variable catégorielle.
40 / 250
Exemples de variable ordinale :

• Niveaux d’études : bacclauréat, licence, master ...
• Niveaux de satisfaction : pas satisfait, satisfait, très satisfait ...
• Mentions : assez bien, bien, très bien ...
Exemples de variable nominale :

• Couleurs : rouge, bleu, vert ...
• Moyens de transport : train, voiture, bus ...
• Genre : homme ou femme.
41 / 250
Remarque :
Les catégories d’une variable qualitative peuvent être codées par des nombres
qui n’ont pas de signification mathématique. On peut, par exemple, donner à
la couleur bleue le code 1, à la couleur rouge le code 2 et à la couleur verte le
code 3. Ces codes n’ont pas de sens mathématique car 1 + 2 = 3 ne signifie pas
que mélanger la couleur bleue avec la couleur rouge produit la couleur verte !
42 / 250
Vocabulaire et opérateurs statistiques Opérateurs statistiques Σ et Π
Sous-section 3 :
Opérateurs statistiques Σ et Π
Opérateur statistique Σ (sigma)
Opérateur statistique Π (pi )
Applications
43 / 250
Définition (Opérateur Σ)
Soit X une variable quantitative prenant les valeurs x1 , x2 , · · · , xk avec k ∈ N∗ .
L’opérateur Σ permet d’écrire la somme x1 +x2 +· · ·+xk de façon plus compacte :
k
X
xi ≡ x1 + x2 + · · · + xk
i=1
où i est une variable muette représentant l’indice de sommation.

On prononce : « Somme des xi avec i allant de 1 à k ».
44 / 250
Quelques propriétés de l’opérateur Σ :

Soient X et Y deux variables quantitatives prenant les valeurs x1 , x2 , · · · , xk et
y1 , y2 , · · · , yk avec k ∈ N∗ . L’opérateur Σ vérifie les propriétés suivantes :
k
X k
X
axi = a xi , ∀a ∈ R
i=1 i=1
k
X k
X k
X
(xi + yi ) = xi + yi
i=1 i=1 i=1
k
X h
X k
X
xi = xi + xi , ∃h ∈ N∗ | 1 < h < k
i=1 i=1 i=h+1
k
X
a = k .a , ∀a ∈ R
i=1
45 / 250
Démonstrations :
k
X
axi = ax1 + ax2 + · · · + axk
i=1
= a (x1 + x2 + · · · + xk )
| {z }
Pk
i=1 xi
k
X
=a xi
i=1
46 / 250
Démonstrations :
k
X
(xi + yi ) = (x1 + y1 ) + (x2 + y2 ) + · · · + (xk + yk )
i=1
= (x1 + x2 + · · · + xk ) + (y1 + y2 + · · · + yk )
| {z } | {z }
Pk Pk
i=1 xi i=1 yi
k
X k
X
= xi + yi
i=1 i=1
47 / 250
Démonstrations :
k
X
xi = x1 + x2 + · · · + xb + xb+1 + xb+2 + · · · + xk
i=1
= (x1 + x2 + · · · + xh ) + (xh+1 + xh+2 + · · · + xk )
| {z } | {z }
Ph Pk
i=1 xi i=h+1 xi
h
X k
X
= xi + xi
i=1 i=h+1
48 / 250
Démonstrations :
k
X
a = a + a + ··· + a
| {z }
i=1 k fois
= k .a
49 / 250
Opérateur statistique Π (pi)
Définition (Opérateur Π)
Soit X une variable quantitative prenant les valeurs x1 , x2 , · · · , xk avec k ∈ N∗ .
L’opérateur Π permet d’écrire le produit x1 ×x2 ×· · ·×xk de façon plus compacte :
k
Y
xi ≡ x1 × x2 × · · · × xk
i=1
où i est une variable muette représentant l’indice de multiplication.

On prononce : « Produit des xi avec i allant de 1 à k ».
50 / 250
Quelques propriétés de l’opérateur Π :

Soient X et Y deux variables quantitatives prenant les valeurs x1 , x2 , · · · , xk et
y1 , y2 , · · · , yk avec k ∈ N∗ . L’opérateur Π vérifie les propriétés suivantes :
k
Y
a = a k , ∀a ∈ R
i=1
k
Y k
Y k
Y
(xi × yi ) = xi × yi
i=1 i=1 i=1
k
Y h
Y k
Y
xi = xi × xi , ∃h ∈ N∗ | 1 < h < k
i=1 i=1 i=h+1
k
Y k
Y
axi = a k xi , ∀a ∈ R
i=1 i=1
51 / 250
Démonstrations :
k
Y
a = a × a × ··· × a
| {z }
i=1 k facteurs
k
=a
52 / 250
Démonstrations :
k
Y
(xi × yi ) = (x1 × y1 ) × (x2 × y2 ) × · · · × (xk × yk )
i=1
= (x1 × x2 × · · · × xk ) × (y1 × y2 × · · · × yk )
| {z } | {z }
Qk Qk
i=1 xi i=1 yi
k
Y k
Y
= xi × yi
i=1 i=1
53 / 250
Démonstrations :
k
Y
xi = x1 × x2 × · · · × xh × xh+1 × xh+2 × · · · × xk
i=1
= (x1 × x2 × · · · × xh ) × (xh+1 × xh+2 × · · · × xk )
| {z } | {z }
Qh Qk
i=1 xi i=h+1 xi
h
Y k
Y
= xi × xi
i=1 i=h+1
54 / 250
Démonstrations :
k
Y
axi = ax1 × ax2 × · · · × axk
i=1
= (a × a × · · · × a) × (x1 × x2 × · · · × xk )
| {z } | {z }
Qk
k facteurs xi
i=1
k
Y
= ak xi
i=1
55 / 250
Applications
Calculer les sommes suivantes :

k
X
(xi + a)
i=1
k
X 2
(xi + a)
i=1
k
X 2
(xi + yi )
i=1
Que vaut le logarithme d’un produit ?

k
!
Y
log xi
i=1
56 / 250
Applications
Solutions :
k
X
(xi + a) = (x1 + a) + (x2 + a) + · · · + (xk + a)
i=1
= x1 + a + x2 + a + · · · + xk + a
= (x1 + x2 + · · · + xk ) + (a + a + · · · + a)
k
X k
X
= xi + a
i=1 i=1
k
X
= xi + ka
i=1
57 / 250
Applications
Solutions :
k
X 2 2 2 2
(xi + a) = (x1 + a) + (x2 + a) + · · · + (xk + a)
i=1
= x12 + 2ax1 + a 2 + x22 + 2ax2 + a 2 + · · · + xk2 + 2axk + a 2

= x12 + 2ax1 + a 2 + x22 + 2ax2 + a 2 + · · · + xk2 + 2axk + a 2
= (x12 + · · · + xk2 ) + (2ax1 + · · · + 2axk ) + (a 2 + · · · + a 2 )
k
X k
X k
X
= xi2 + 2axi + a2
i=1 i=1 i=1
k
X k
X
= xi2 + 2a xi + k .a 2
i=1 i=1
58 / 250
Applications
Solutions :
k
X 2 2 2 2
(xi + yi ) = (x1 + y1 ) + (x2 + y2 ) + · · · + (xk + yk )
i=1
= x12 + 2x1 y1 + y12 + · · · + xk2 + 2xk yk + yk2

= x12 + 2x1 y1 + y12 + · · · + xk2 + 2xk yk + yk2
= (x12 + · · · + xk2 ) + (2x1 y1 + · · · + 2xk yk ) + (y12 + · · · + yk2 )

k
X k
X k
X
= xi2 + 2xi yi + yi2
i=1 i=1 i=1
k
X k
X k
X
= xi2 + 2 xi yi + yi2
i=1 i=1 i=1
59 / 250
Applications
Rappel :
log (a × b) = log (a) + log (b)
Solutions :
k
!
Y
log xi = log (x1 × x2 × · · · × xk )
i=1
= log (x1 ) + log (x2 ) + · · · + log (xk )

k
X
= log (xi )
i=1
60 / 250
Section 2 :
Variables qualitatives nominales
Variables qualitatives ordinales
Variables quantitatives discrètes
Variables quantitatives continues
61 / 250
Définition (Tableau statistique)

Le tableau statistique est une représentation synthétique d’une distribution sta-
tistique. Il regroupe l’effectif de chaque modalité, sa fréquence ainsi que ses
effectifs et ses fréquences cumulés.
62 / 250
Tableaux statistiques Variables qualitatives nominales
Sous-section 1 :
Variables qualitatives nominales
63 / 250
Exemple : Préférences pour des couleurs
B V R O R O R B R B
B V B R V B V B O R
V V R B R V O R O B
B B V B V R B B O R
B : Bleu
V : Vert
R : Rose
O : Orange
64 / 250
Tableau statistique :
Catégories ni fi
Vert 9 0.225
Bleu 14 0.350
Orange 6 0.150
Rose 11 0.275
Σ 40 1.000
65 / 250
Tableaux statistiques Variables qualitatives ordinales
Sous-section 2 :
Variables qualitatives ordinales
66 / 250
Exemple : Niveaux d’études
B M L D B L M M B D L B
L B L B B L M B L B B B
B M B B L L B L B L L L
L M D B M B B L D B M M
B L B M L B M L D B M B
B : Baccalauréat
L : Licence
M : Master
D : Doctorat
67 / 250
Niveaux d’études ni fi Ni+ Ni− Fi+ Fi−

Baccalauréat 25 0.42 25 60 0.42 1
Licence 18 0.30 43 35 0.72 0.58
Master 12 0.20 55 17 0.92 0.28
Doctorat 5 0.08 60 5 1 0.08
Σ 60 1 – – – –
Le nombre de personnes qui ont au moins une licence est donné par l’in-
tersection de la ligne Licence et de la colonne Ni− , c’est à dire N2− = 35.
La proportion d’individus qui ont au plus un master est donné par le croi-
sement de la ligne Master et de la colonne Fi+ , c’est à dire F3+ = 0.92.
68 / 250
Tableaux statistiques Variables quantitatives discrètes
Sous-section 3 :
Variables quantitatives discrètes
69 / 250
Exemple : Nombre d’enfants par famille
1111111111112222222222222
2222222222222222222222222
2233333333333333333333333
3333333334444444444444444
70 / 250
xi ni fi Ni+ Ni− Fi+ Fi−

1 12 0.12 12 100 0.12 1
2 40 0.40 52 88 0.52 0.88
3 32 0.32 84 48 0.84 0.48
4 16 0.16 100 16 1 0.16
Σ 100 1 – – – –
Le nombre de familles qui ont au plus 4 enfants est donné par l’intersection
de la ligne 4 et de la colonne Ni+ , c’est à dire 100 familles.
La proportion de familles qui ont au moins un enfant est déterminée par la

ligne 1 et par la colonne Fi− , en l’occurrence 1.
71 / 250
Tableaux statistiques Variables quantitatives continues
Sous-section 4 :
Variables quantitatives continues
72 / 250
Exemple : Tailles d’individus
161.2 162.4 162.7 163.8 163.5 166.4 166.8 166.4 167.1 167.3 168.2
168.7 169.1 169.4 169.4 171.4 171.6 171.4 171.8 171.8 171.2 171.8
171.1 171.5 172.9 172.7 172.4 173.4 173.6 173.6 173.3 173.1 174.4
174.4 174.7 177.4 177.6 177.4 177.6 178.4 178.4 178.1 178.2 179.8
179.4 179.1 179.0 179.4 179.4 179.3 181.1 181.3 182.1 183.1 183.3
73 / 250
Tailles ni fi Ni+ Ni− Fi+ Fi−

[160; 165[ 5 0.09 5 55 0.09 1
[165; 170[ 10 0.18 15 50 0.27 0.91
[170; 175[ 20 0.36 35 40 0.63 0.73
[175; 180[ 15 0.28 50 20 0.91 0.37
[180; 185] 5 0.09 55 5 1 0.09
Σ 55 1 – – – –
Le nombre d’individus qui ont des tailles au plus égales à 170 cm se trouve
sur la ligne de la classe qui a une borne supérieure égale à 170 et sur la
colonne Ni+ , c’est à dire N2+ = 15.
La proportion d’individus qui ont des tailles au moins égales à 170 cm se
trouve sur la ligne de la classe qui a une borne inférieure égale à 170 et sur
la colonne Fi− , c’est à dire F3− = 0.73.
74 / 250
Section 3 :
Diagramme en barres
Diagramme en bâtons
Histogramme
Courbes cumulatives
75 / 250
Définition (Représentation graphique)

Une représentation graphique est une visualisation de l’allure générale de la
distribution statistique à l’aide de formes géométriques.
76 / 250
Représentations graphiques Diagramme en barres
Sous-section 1 :
Diagramme en barres
77 / 250
Définition (Diagramme en barres)

Le diagramme en barres est un graphique qui associe à chaque catégorie d’une
variable qualitative un rectangle de hauteur égale son effectif ou à sa fréquence.
Utilisation :
Représentation graphique des effectifs et des fréquences d’une variable
qualitative.
78 / 250
Diagramme en barres :
79 / 250
Remarques :
Les rectangles d’un diagramme en barres sont disjoints.
L’ordre des catégories d’une variable qualitative ordinale doit être
respecté lors de la construction du diagramme en barres.
80 / 250
Exemple : Préférences pour des couleurs
81 / 250
Exemple : Niveaux d’études
82 / 250
Représentations graphiques Diagramme en bâtons
Sous-section 2 :
Diagramme en bâtons
83 / 250
Définition (Diagramme en bâtons)

Le diagramme en bâtons est un graphique qui associe à chaque modalité un
segment de longueur égale à son effectif ou à sa fréquence.
Utilisation :
quantitative discrète.
84 / 250
Diagramme en bâtons :
85 / 250
86 / 250
Représentations graphiques Histogramme
Sous-section 3 :
Histogramme
87 / 250
Définition (Histogramme)
L’histogramme est un graphique qui associe à chaque classe d’une variable quan-
titative continue un rectangle d’aire égale à son effectif ou à sa fréquence.
Utilisation :
quantitative continue.
Remarques :
Les rectangles d’un histogramme sont juxtaposés.
Les hauteurs des rectangles sont données par les densités d’effectifs ou de
fréquences respectivement définies par :
ni fi
hi = hi =
ai ai
88 / 250
Illustration d’une densité :
89 / 250

Tailles en cm ni ai hi Tailles en cm fi ai hi
[160; 165[ 5 5 1 [160; 165[ 0.090 5 0.018

[165; 170[ 10 5 2 [165; 170[ 0.180 5 0.036
[170; 175[ 20 5 4 [170; 175[ 0.360 5 0.072
[175; 180[ 10 5 2 [175; 180[ 0.185 5 0.037
[180; 185] 10 5 2 [180; 185] 0.185 5 0.037
90 / 250
Densités d’effectifs :
91 / 250
Densités de fréquences :
92 / 250
Représentations graphiques Courbes cumulatives
Sous-section 4 :
Courbes cumulatives
Variable quantitative discrète
Variable quantitative continue
93 / 250
Définition (courbe cumulative)

La courbe cumulative est un graphique qui associe à chaque modalité ou à chaque
classe son effectif cumulé ou sa fréquence cumulée.
Utilisation :
Représentation graphique des effectifs et des fréquences cumulés d’une variable
quantitative.
Remarques :
Si l’effectif cumulé ou la fréquence cumulée sont croissants, alors la courbe
cumulative est dite ascendante et si l’effectif cumulé ou la fréquence cumulée
sont décroissants, alors la courbe cumulative est dite descendante.
La courbe cumulative est la courbe représentative d’une fonction réelle

définie sur l’ensemble R et à valeurs dans [0; 1] pour les effectifs cumulés et
à valeurs dans [0; n] pour les fréquences cumulées.
94 / 250
Variable quantitative discrète
Logique de construction d’une courbe cumulative
Courbe cumulative ascendante des effectifs
Courbe cumulative descendante des effectifs
Courbe cumulative ascendante des fréquences
Courbe cumulative descendante des fréquences
95 / 250
Variable quantitative discrète : Logique de construction d’une courbe cumulative

→ 1 12 0.12 12 100 0.12 1
→ 2 40 0.40 52 88 0.52 0.88
→ 3 32 0.32 84 48 0.84 0.48
→ 4 16 0.16 100 16 1 0.16
96 / 250
Variable quantitative discrète : Logique de construction d’une courbe cumulative

−∞ 0 0 0 100 0 1
↑ 0 0 0 100 0 1
→ 1 12 0.12 12 100 0.12 1
0 0 12 88 0.12 0.88
.. 0 0 12 88 0.12 0.88
.
0 0 12 88 0.12 0.88
→ 2 40 0.40 52 88 0.52 0.88
0 0 52 48 0.52 0.48
.. 0 0 52 48 0.52 0.48
.
0 0 52 48 0.52 0.48
→ 3 32 0.32 84 48 0.84 0.48
0 0 84 16 0.84 0.16
.. 0 0 84 16 0.84 0.16
.
0 0 84 16 0.84 0.16
→ 4 16 0.16 100 16 1 0.16
↓ 0 0 100 0 1 0
+∞ 0 0 100 0 1 0
97 / 250
Variable quantitative discrète : Courbe cumulative ascendante des effectifs
Étape 1 : Positionner les points de coordonnées (xi ; Ni+ )
xi Ni+
1 12
2 52
3 84
4 100
Ni+ est le nombre d’individus qui ont au plus la modalité xi .

98 / 250
Étape 2 : Tracer les demi-droites extrêmes
xi Ni+
1 12
2 52
3 84
4 100

99 / 250
Étape 3 : Tracer les segments intermédiaires
xi Ni+
1 12
2 52
3 84
4 100

100 / 250
Variable quantitative discrète : Courbe cumulative descendante des effectifs
Étape 1 : Positionner les points de coordonnées (xi ; Ni− )
xi Ni−
1 100
2 88
3 48
4 16
Ni− est le nombre d’individus qui ont au moins la modalité xi .

101 / 250
xi Ni−
1 100
2 88
3 48
4 16

102 / 250
xi Ni−
1 100
2 88
3 48
4 16

103 / 250
Variable quantitative discrète : Courbe cumulative ascendante des fréquences
Étape 1 : Positionner les points de coordonnées (xi ; Fi+ )
xi Fi+
1 0.12
2 0.52
3 0.84
4 1
Fi+ est la proportion d’individus qui ont au plus la modalité xi .

104 / 250
xi Fi+
1 0.12
2 0.52
3 0.84
4 1

105 / 250
xi Fi+
1 0.12
2 0.52
3 0.84
4 1

106 / 250
Variable quantitative discrète : Courbe cumulative descendante des fréquences
Étape 1 : Positionner les points de coordonnées (xi ; Fi− )
xi Fi−
1 1
2 0.88
3 0.48
4 0.16
Fi− est la proportion d’individus qui ont au moins la modalité xi .

107 / 250
xi Fi−
1 1
2 0.88
3 0.48
4 0.16

108 / 250
xi Fi−
1 1
2 0.88
3 0.48
4 0.16

109 / 250
Variable quantitative continue
Logique de construction d’une courbe cumulative
Courbe cumulative ascendante des effectifs
Courbe cumulative descendante des effectifs
Courbe cumulative ascendante des fréquences
Courbe cumulative descendante des fréquences
110 / 250
Variable quantitative continue : Logique de construction d’une courbe cumulative
[xi−1 ; xi [ ni fi Ni+ Ni− Fi+ Fi−

[160; 165[ 5 0.09 5 55 0.09 1
[165; 170[ 10 0.18 15 50 0.27 0.91
[170; 175[ 20 0.36 35 40 0.63 0.73
[175; 180[ 15 0.28 50 20 0.91 0.37
[180; 185] 5 0.09 55 5 1 0.09
111 / 250
Hypothèse d’uniformité :
112 / 250
[xi−1 ; xi [ xi ni fi Ni+ Ni− Fi+ Fi−

−∞ 0 0 0 55 0 1
] − ∞; 160[ ↑ 0 0 0 55 0 1
159 0 0 0 55 0 1
160 1 0.018 1 55 0.018 1
161 1 0.018 2 54 0.036 0.982
[160; 165[ 162 1 0.018 3 53 0.054 0.964
163 1 0.018 4 52 0.072 0.946
164 1 0.018 5 51 0.090 0.928
.. .. .. .. .. .. .. ..
. . . . . . . .
180 1 0.018 51 5 0.090 0.090
181 1 0.018 52 4 0.946 0.072
[180; 185[ 182 1 0.018 53 3 0.964 0.054
183 1 0.018 54 2 0.982 0.036
184 1 0.018 55 1 1 0.018
164 0 0 55 0 1 0
[185; +∞[ ↓ 0 0 55 0 1 0
+∞ 0 0 55 0 1 0
113 / 250
Variable quantitative continue : Courbe cumulative ascendante des effectifs
Étape 1 : Positionner les points de coordonnées (xi ; Ni+ )
[xi−1 ; xi [ Ni+
[160; 165[ 5
[165; 170[ 15
[170; 175[ 35
[175; 180[ 50
[180; 185] 55
Ni+ est le nombre d’individus qui ont au plus la borne supérieure de la classe [xi−1 ; xi [.
114 / 250
[xi−1 ; xi [ Ni+
[160; 165[ 5
[165; 170[ 15
[170; 175[ 35
[175; 180[ 50
[180; 185] 55
115 / 250
Étape 3 : Joindre les points par des segments de droite
[xi−1 ; xi [ Ni+
[160; 165[ 5
[165; 170[ 15
[170; 175[ 35
[175; 180[ 50
[180; 185] 55
116 / 250
Variable quantitative continue : Courbe cumulative descendante des effectifs
Étape 1 : Positionner les points de coordonnées (xi−1 ; Ni− )
[xi−1 ; xi [ Ni−
[160; 165[ 55
[165; 170[ 50
[170; 175[ 40
[175; 180[ 20
[180; 185] 5
Ni− est le nombre d’individus qui ont au moins la borne inférieure de la classe [xi−1 ; xi [.
117 / 250
[xi−1 ; xi [ Ni−
[160; 165[ 55
[165; 170[ 50
[170; 175[ 40
[175; 180[ 20
[180; 185] 5
118 / 250
[xi−1 ; xi [ Ni−
[160; 165[ 55
[165; 170[ 50
[170; 175[ 40
[175; 180[ 20
[180; 185] 5
119 / 250
Variable quantitative continue : Courbe cumulative ascendante des fréquences
Étape 1 : Positionner les points de coordonnées (xi ; Fi+ )
[xi−1 ; xi [ Fi+
[160; 165[ 0.09
[165; 170[ 0.27
[170; 175[ 0.63
[175; 180[ 0.91
[180; 185] 1
Fi+ est la proportion d’individus qui ont au plus la borne supérieure de la classe [xi−1 ; xi [.
120 / 250
[xi−1 ; xi [ Fi+
[160; 165[ 0.09
[165; 170[ 0.27
[170; 175[ 0.63
[175; 180[ 0.91
[180; 185] 1
121 / 250
[xi−1 ; xi [ Fi+
[160; 165[ 0.09
[165; 170[ 0.27
[170; 175[ 0.63
[175; 180[ 0.91
[180; 185] 1
122 / 250
Variable quantitative continue : Courbe cumulative descendante des fréquences
Étape 1 : Positionner les points de coordonnées (xi−1 ; Fi− )
[xi−1 ; xi [ Fi−
[160; 165[ 1
[165; 170[ 0.91
[170; 175[ 0.73
[175; 180[ 0.37
[180; 185] 0.09
Fi− est la proportion d’individus qui ont au moins la borne inférieure de la classe [xi−1 ; xi [.
123 / 250
[xi−1 ; xi [ Fi−
[160; 165[ 1
[165; 170[ 0.91
[170; 175[ 0.73
[175; 180[ 0.37
[180; 185] 0.09
124 / 250
[xi−1 ; xi [ Fi−
[160; 165[ 1
[165; 170[ 0.91
[170; 175[ 0.73
[175; 180[ 0.37
[180; 185] 0.09
125 / 250
Chapitre 2 :
Séries statistiques à une dimension
Mesures de position
Mesures de dispersion
Mesures de forme
126 / 250
Remarques préliminaires :
Dans ce chapitre, seules seront considérées des variables statistiques quan-
titatives étant donné que les variables qualitatives ne se prêtent pas aux
calculs mathématiques qui seront présentés.
Les variables statistiques seront notées en lettres majuscules X , et leurs

k modalités en lettres minuscules x indicées par i . Chaque modalité xi
intervient un nombre ni de fois dans la population formée d’un nombre n
d’individus. Dans le cas d’une variable statistique continue, les modalités
seront regroupées en classes [xi−1 ; xi [ d’amplitudes respectives ai et de
centres respectifs ci .
127 / 250
Mesures de position
Section 1 :
Mesures de position
Mesures de tendance centrale ou de centre
Mesures de position relative ou quantiles
128 / 250
Mesures de position
Définition (Mesure de position)

Une mesure de position est un indicateur d’une position particulière dans une
série statistique. Cette position particulière peut être le centre autour duquel les
données sont réparties de façon équilibrée (mesure de tendance centrale), ou au
contraire une position telle que les données se répartissent dans des proportions
inégales de part et d’autre (mesure de position relative).
129 / 250
Mesures de position
Positions centrales :
Positions relatives :
130 / 250
Mesures de position Mesures de tendance centrale ou de centre
Sous-section 1 :
Mesures de tendance centrale ou de centre
Mode
Médiane
Moyenne arithmétique
131 / 250
Mode
Définition (Mode)
Le mode d’une distribution statistique, noté Mo , est la modalité du caractère
la plus fréquemment rencontrée localement. C’est l’équivalent du maximum en
analyse mathématique. Une distribution statistique peut avoir un, deux ou plu-
sieurs modes, on parle alors respectivement de distributions unimodale, bimodale
et multimodale.
132 / 250
Maximum local - Maximum global :
133 / 250
Détermination du mode dans le cas discret : A partir d’un diagramme en bâtons
Exemple :
Le mode est la modalité correspondant au bâton le plus élevé localement.
Mo = 2 enfants : 2 est le nombre d’enfants par famille le plus fréquent.
134 / 250
Détermination du mode dans le cas discret : A partir d’un tableau statistique
Exemple :
Le mode est la modalité correspondant à l’effectif (ou à la fréquence)
maximal(e) localement.
xi ni fi
1 12 0.12
2 38 0.38
3 22 0.22
4 18 0.18
Σ 100 1
Mo = 2 enfants : 2 est le nombre d’enfants par famille le plus fréquent.
135 / 250
Détermination du mode dans le cas continu : A partir d’un histogramme
Étape 1 : Identifier la classe modale [xi−1 ; xi [

C’est la classe correspondant au rectangle le plus élevé localement.
136 / 250
Détermination du mode dans le cas continu : A partir d’un histogramme
Étape 2 : Identifier la valeur modale Mo graphiquement

Le mode Mo est l’abscisse du point d’intersection des segments joignant les coins
supérieurs du rectangle de la classe modale aux coins supérieurs les plus proches
des rectangles adjacents :
137 / 250
Détermination du mode dans le cas continu : A partir de la colonne hi
Étape 1 : Identifier la classe modale [xi−1 ; xi [

C’est la classe correspondant à la densité hi la plus élevée localement.
[xi−1 ; xi [ ni ai hi
[160 ; 165 [ 5 5 1
[165 ; 170 [ 13 5 2.6
[170 ; 175 [ 20 5 4
[175 ; 185] 20 10 2
Total 58 –
138 / 250
Détermination du mode dans le cas continu : A partir de la colonne hi
Étape 2 : Calculer la valeur modale Mo analytiquement

La valeur modale Mo est égale à la borne inférieure de la classe modale [xi−1 ; xi [
plus une fraction d1d+d
1
2
de l’amplitude xi − xi−1 de la classe modale :
d1
M0 = xi−1 + × (xi − xi−1 )
d1 + d2
avec :
d1 = hi − hi−1 d2 = hi − hi+1
139 / 250
Démonstration : Triangles semblables - Théorème de Thalès

Deux triangles sont semblables si leurs angles sont égaux deux à deux. Par
conséquent, ils ont la même forme mais pas nécessairement la même taille.
AB AC BC AH
= = 0 0 =
AB 0 AC 0 BC AH 0
AH et AH 0 désignent respectivement les hauteurs des triangles ABC et AB 0 C 0 .
140 / 250
Démonstration (suite) : Les triangles ABE et CDE sont semblables
EH AB Mo −xi−1 d1
EH 0 = DC ⇐⇒ xi −Mo = d2
141 / 250
Démonstration (suite) :
Mo − xi−1 d1
=
xi − Mo d2
d1
⇔ Mo − xi−1 = × (xi − Mo )
d2
d1
⇔ Mo − xi−1 = × [(xi − xi−1 ) − (Mo − xi−1 )]
d2
d1 d1
⇔ Mo − xi−1 = × (xi − xi−1 ) − × (Mo − xi−1 )
d2 d2

d1 d1
⇔ (Mo − xi−1 ) 1 + = × (xi − xi−1 )
d2 d2
d2 d1
⇔ Mo − xi−1 = × × (xi − xi−1 )
d1 + d2 d2
d1
Mo = xi−1 + d1 +d2 × (xi − xi−1 )
142 / 250
Exemple : Tailles d’individus en centimètres
• Classe modale : Mo ∈ [170 ; 175 [

Tailles (cm) hi
[160 ; 165 [ 1 • Valeur modale :
[165 ; 170 [ 2.6
4 − 2.6
[170 ; 175 [ 4 Mo = 170 + × (175 − 170)
(4 − 2.6) + (4 − 2)
[175 ; 185] 2
≈ 172.06 cm
Total –
La taille d’individus la plus fréquente est 172.06 cm.
143 / 250
Remarques :
Les modes des distributions statistiques multimodales ne sont pas des mesures
de centre mais plutôt une indication sur l’hétérogénéité de la population.
Exemple : Nombre de paires de chaussures vendues
144 / 250
Remarques (suite) :
Le mode est sensible au découpage des classes d’une variable continue.
[xi−1 ; xi [ ni ai hi
[160 ; 165 [ 5 5 1 [xi−1 ; xi [ ni ai hi
[165 ; 170 [ 10 5 2 [160 ; 170 [ 15 10 1.5
[170 ; 175 [ 20 5 4 [170 ; 180 [ 35 10 3.5
[175 ; 180 [ 15 5 3 [180 ; 185 [ 5 5 1
[180 ; 185 [ 5 5 1
3.5 − 1.5
Mo = 170 + × 10
4−2 (3.5 − 1.5) + (3.5 − 1)
Mo = 170 + ×5
(4 − 2) + (4 − 3) = 174.44 cm
= 173.33 cm
145 / 250
Médiane
Définition (Médiane)
La médiane d’une distribution statistique, notée Me , est la valeur du caractère
qui partage la série statistique ordonnée en deux parties contenant chacune la
moitié des observations environ.
146 / 250
Exemples :
Série statistique 1 : 2 3 3 4 5 6 6 7 8
Série statistique 2 : 2 3 3 4 5 5 6 7 8 9
Série statistique 3 : 2 3 3 4 5 6 6 7 8 9
→ Série statistique 1 : La médiane est égale à 5 ;
→ Série statistique 2 : La médiane se situe entre 5 et 5 ;
→ Série statistique 3 : La médiane se situe entre 5 et 6.
147 / 250
Exemples (suite) :
Série statistique 1 : 2 3 3 4 Me = 5 6 6 7 8
xi ni fi Fi+
2 1 0.11 0.11
3 2 0.22 0.33
4 1 0.11 0.44
5 1 0.11 0.55
6 2 0.22 0.77
7 1 0.11 0.88
8 1 0.12 1
Somme 9 1 –
Aucune fréquence cumulée croissante n’est égale à 0.5. La médiane correspond
à la fréquence cumulée croissante immédiatement supérieure à 0.5. La valeur
0.5 renvoie à la notion de milieu ou de moitié.
148 / 250
Exemples (suite) :
Série statistique 2 : 2 3 3 4 5 Me 5 6 7 8 9
xi ni fi Fi+
2 1 0.1 0.1
3 2 0.2 0.3
4 1 0.1 0.4
5 2 0.2 0.6
6 1 0.1 0.7
7 1 0.1 0.8
8 1 0.1 0.9
9 1 0.1 1
Somme 10 1 –
Aucune fréquence cumulée croissante n’est égale à 0.5. La médiane correspond
à la fréquence cumulée croissante immédiatement supérieure à 0.5. La valeur
0.5 renvoie à la notion de milieu ou de moitié.
149 / 250
Exemples (suite) :
Série statistique 3 : 2 3 3 4 5 Me 6 6 7 8 9
xi ni fi Fi+
2 1 0.1 0.1
3 2 0.2 0.3
4 1 0.1 0.4
5 1 0.1 0.5
6 2 0.2 0.7
7 1 0.1 0.8
8 1 0.1 0.9
9 1 0.1 1
Somme 10 1 –
L’une des fréquences cumulées croissantes est égale à 0.5, on a un intervalle
médian. Par convention, la médiane est égale au centre de cet intervalle médian.
150 / 250
Détermination de la médiane dans le cas discret : A partir de la colonne Fi+
Règles :
• Si aucune fréquence cumulée croissante n’est égale à 0.5, alors la médiane
est la modalité dont la fréquence cumulée croissante est immédiatement
supérieure à 0.5.
• S’il y a une fréquence cumulée croissante égale à 0.5, alors on a un intervalle
médian dont la borne inférieure correspond à fréquence cumulée croissante
égale à 0.5 et la borne supérieure correspond à fréquence cumulée croissante
immédiatement supérieure à 0.5. Dans ce cas, la valeur médiane est le centre
de l’intervalle médian.
151 / 250
Exemple 1 : Nombre d’enfants par famille
xi Fi+
1 0.12
2 0.52 Me = 2 enfants
3 0.84
4 1
La moitié des familles ont moins de 2 enfants et la moitié ont en plus de 2.
152 / 250
xi Fi+
1 0.12
2+3
2 0.50 Me ∈ [2; 3] ⇒ Me = = 2.5 enfants
2
3 0.84
4 1
153 / 250
Détermination de la médiane dans le cas discret : A partir de la courbe Fi+
La moitié des familles ont moins de 2 enfants et l’autre moitié en ont plus de 2.
154 / 250
Détermination de la médiane dans le cas discret : A partir de la courbe Fi+

155 / 250
Détermination de la médiane dans le cas continu : A partir de la courbe Fi+
Règle :
La médiane est l’abscisse du point associé à la fréquence cumulée croissante
0.5.
156 / 250
Détermination de la médiane dans le cas continu : A partir de la courbe Fi+
157 / 250
Détermination de la médiane dans le cas continu : A partir des courbes Fi+ et Fi−
Règle :
La médiane est l’abscisse du point d’intersection des courbes cumulatives ascen-
dante et descendante, ce point correspond à des fréquences cumulées (croissante
et décroissante) égales à 0.5.
158 / 250
Détermination de la médiane dans le cas continu : A partir des courbes Fi+ et Fi−
159 / 250
Détermination de la médiane dans le cas continu : A partir de la colonne Fi+
Règles :
• S’il y a une fréquence cumulée croissante égale à 0.5, alors la médiane est
égale à la borne supérieure de la classe correspondant à la fréquence cumulée
croissante égale à 0.5.
• Si aucune fréquence cumulée croissante n’est égale à 0.5, alors la classe
médiane [xi−1 ; xi [ est la classe dont la fréquence cumulée croissante est
immédiatement supérieure à 0.5. Dans ce cas, la valeur médiane Me est
calculée par interpolation linéaire comme suit :
+
0.5 − Fi−1
Me = xi−1 + + (xi − xi−1 )
Fi+ − Fi−1
160 / 250
Démonstration : Coefficient directeur d’une droite
161 / 250
Démonstration (suite) :
+
yB − yA 0.5 − Fi−1
a= =
xB − xA Me − xi−1
yC − yA F + − Fi−1
+
a= = i
xC − xA xi − xi−1
+
0.5 − Fi−1 F + − Fi−1
+
⇒ = i
Me − xi−1 xi − xi−1
+
0.5 − Fi−1
Me − xi−1 = + × (xi − xi−1 )
Fi+ − Fi−1
+
0.5−Fi−1
Me = xi−1 + Fi+ −Fi−1
+ × (xi − xi−1 )
La médiane Me est égale à la borne inférieure de la classe médiane [xi−1 ; xi [
+
0.5−Fi−1
plus une fraction Fi+ −Fi−1
+ de l’amplitude xi − xi−1 de la classe médiane.
162 / 250
Dans la pratique :
1. Identifier la classe médiane [xi−1 ; xi [ et situer la valeur médiane Me à l’inté-
rieur de cette classe.
163 / 250
Dans la pratique :
2. Associer la fréquence cumulée croissante 0.5 à la valeur médiane Me .
164 / 250
Dans la pratique :
3. Trouver dans la colonne des fréquences cumulées croissantes les valeurs qui
encadrent 0.5 et les associer aux bornes de la classe médiane.
165 / 250
Dans la pratique :
4. Calculer la médiane par interpolation linéaire comme suit :
+ +
Me − xi−1 0.5 − Fi−1 0.5 − Fi−1
= + + ⇔ Me − xi−1 = + + × (xi − xi−1 )
xi − xi−1 Fi − Fi−1 Fi − Fi−1
+
0.5 − Fi−1
Me = xi−1 + + × (xi − xi−1 )
Fi+ − Fi−1
166 / 250
Exemple 1 : Tailles d’individus
Tailles (cm) Fi+

[160 ; 165 [ 0.09
[165 ; 170 [ 0.27
[170 ; 175 [ 0.63
[175 ; 180 [ 0.91
[180 ; 185] 1
0.5 − 0.27
Me = 170 + × 5 = 173.19 cm
0.63 − 0.27
La moitié des individus ont une taille inférieure à 173.19 cm et l’autre moitié
ont une taille supérieure à cette taille médiane.
167 / 250
Tailles (cm) Fi+

[160 ; 165 [ 0.09
[165 ; 170 [ 0.27
[170 ; 175 [ 0.50
[175 ; 180 [ 0.91
[180 ; 185] 1 0.5 − 0.27
Me = 170 + × 5 = 175 cm
0.5 − 0.27
La moitié des individus ont une taille inférieure à 175 cm et l’autre moitié ont
une taille supérieure à cette taille médiane.
168 / 250
Moyenne arithmétique
Définition (Moyenne arithmétique)

La moyenne arithmétique d’une variable statistique, notée x , est la valeur qui
concentre toute l’information contenue dans la distribution statistique. C’est
l’équivalent d’un centre de gravité en géométrie. Elle est donnée par la formule
suivante :
k k
1X X
x= ni xi = fi xi
n i=1 i=1
169 / 250
Centres de gravité :
170 / 250
Remarques :
Si n1 = n2 = · · · = nk = 1, alors la moyenne arithmétique est dite simple.
Dans le cas contraire, elle est dite pondérée ;
Si la variable statistique X est continue, la moyenne arithmétique s’écrit :
k k
1X X
x= ni ci = fi ci
n i=1 i=1
où ci désigne le centre de la classe [xi−1 ; xi [.
171 / 250

xi ni ni xi
4
1 12 12 1X
x= ni xi
2 40 80 n i=1
3 32 96 252
=
4 16 64 100
Σ 100 252 = 2.52 enfants
Les familles concernées ont en moyenne 3 enfants.
172 / 250

Tailles (cm) ci ni ni ci
[160 ; 165[ 162.5 5 812.5 5
1X
[165 ; 170[ 167.5 10 1675 x= ni ci
n i=1
[170 ; 175[ 172.5 20 3450
9512.5
[175 ; 180[ 177.5 15 2662.5 =
55
[180 ; 185] 182.5 5 912.5
= 172.95 cm
Σ – 55 9512.5
Les individus concernés ont une taille moyenne égale à 172.95 cm.
173 / 250
Propriétés :
Soient X et Y deux variables statistiques quantitatives prenant respectivement
les valeurs x1 , x2 , · · · , xk et y1 , y2 , · · · , yk avec k ∈ N∗ et a et b deux constantes
réelles.
La moyenne arithmétique vérifie les propriétés suivantes :
ax + by = ax + by
k
X
ni (xi − x ) = 0
i=1
174 / 250
Démonstrations :
k
1X
ax + by = ni (axi + byi )
n i=1
k
1X
= (ani xi + bni yi )
n i=1
k k
1X 1X
= ani xi + bni yi
n i=1 n i=1
k
! k
!
1X 1X
=a ni xi + b ni yi
n i=1 n i=1
= ax + by
175 / 250
Exemples :
x +y =x +y
2x + y = 2x + y
3x − y = 3x − y
x − 3y = x − 3y
x + 2y = x + 2y
3x + 2 = 3x + 2
3 − 2y = 3 − 2y
176 / 250
Démonstrations (suite) :
k
X k
X
ni (xi − x ) = (ni xi − ni x )
i=1 i=1
k
X k
X
= ni xi − ni x
i=1 i=1
k k
1X X
=n× ni xi − x ni
n i=1 i=1
= nx − x n
=0
177 / 250
Remarque :
La moyenne arithmétique est sensible aux valeurs extrêmes contrairement à la
médiane qui n’est pas influencée par de telles observations. La médiane est, de
ce fait, une mesure robuste du centre de la distribution statistique.
178 / 250
Exemple : Notes sur 20 de deux groupes d’étudiants

Groupe A Groupe B
15 15 15 15 15 1 15 15 15 15
x = 15 x = 12.2
Me = 15 Me = 15
179 / 250
Mesures de position Mesures de position relative ou quantiles
Sous-section 2 :
Mesures de position relative ou quantiles
Quartiles
Déciles
Centiles
Généralisation
Mode de calcul
180 / 250
Définition (Quantiles)
Les quantiles ou les fractiles sont des valeurs qui partagent la série statistique
ordonnée en un certain nombre de parties contenant chacune une même propor-
tion d’observations. Ils constituent, de ce fait, une généralisation de la notion
de médiane qui partage la série statistique en deux parties contenant chacune
la moitié des observations.
Les quantiles les plus connus sont les quartiles, les déciles et les centiles qui
divisent la série statistique en respectivement 4, 10 et 100 parties de même
effectif. Par conséquent, les quantiles ne se trouvent pas nécessairement au centre
de la distribution statistique mais dans des positions dites relatives.
181 / 250
Quartiles
Définition (Quartiles)
Les quartiles sont des valeurs qui partagent la série statistique ordonnée en 4
parties contenant chacune 25% des observations. Ils sont au nombre de 3 et sont
notés Q1 , Q2 et Q3 .
182 / 250
Déciles
Définition (Déciles)
Les déciles sont des valeurs qui partagent la série statistique ordonnée en 10
parties contenant chacune 10% des observations. Ils sont au nombre de 9 et
sont notés D1 , D2 ... et D9 .
183 / 250
Centiles
Définition (Centiles)
Les centiles sont des valeurs qui partagent la série statistique ordonnée en 100
parties contenant chacune 1% des observations. Ils sont au nombre de 99 et sont
notés C1 , C2 ... et C99 .
184 / 250
Généralisation
Définition (Quantiles d’ordre α)

De façon générale, on définit les quantiles d’ordre α, avec α ∈]0; 1[, comme les
valeurs qui partagent la série statistique ordonnée en 1/α parties contenant
chacune une proportion α des observations et on les note qα .
Ainsi, une proportion α des observations est inférieure à qα et une proportion
1 − α est supérieure à cette valeur.
185 / 250
Mode de calcul
186 / 250
Variables quantitatives discrètes : A partir de la colonne Fi+
Règles :
• S’il y a une fréquence cumulée croissante égale à α alors on a un intervalle
quantile délimité par la modalité associée à la valeur α et par la modalité
suivante.
• Si aucune fréquence cumulée croissante n’est égale à α alors le quantile

recherché est la modalité ayant une fréquence cumulée croissante immédia-
tement supérieure à α.
187 / 250
Variables quantitatives discrètes : A partir de la colonne Fi+
xi Fi+ Médiane Quartiles Déciles Centiles

1 0.12 D1 C1
2 0.62 Me Q1 et Q2 D5 C55
3 0.84 Q3
4 1 D9 C99
188 / 250
Variables quantitatives discrètes : A partir de la courbe Fi+
Règle 1 :
Si la valeur α se situe entre deux paliers de la courbe cumulative ascendante,
alors le quantile recherché est l’abscisse commune aux deux paliers.
189 / 250
190 / 250
Règle 2 :
Si la valeur α est en face d’un palier de la courbe cumulative ascendante, alors
on a un intervalle quantile délimité par les abscisses des extrémités du palier.
191 / 250
192 / 250
Variables quantitatives continues : A partir de la colonne Fi+
Étape 1 :
La classe [xi−1 ; xi [ contenant le quantile d’ordre α est d’abord identifiée, c’est
la classe ayant une fréquence cumulée croissante immédiatement supérieure ou
égale à α :
[xi−1 ; xi [ Fi+ Médiane Quartiles Déciles Centiles

[x0 ; x1 [ 0.09 C1
[x1 ; x2 [ 0.27 Q1 D1
[x2 ; x3 [ 0.63 Me Q2 D5 C55
[x3 ; x4 [ 0.91 Q3 D9
[x4 ; x5 ] 1 C99
193 / 250
Étape 2 :
Le quantile d’ordre α est calculé par interpolation linéaire comme suit :
+ +
qα − xi−1 α − Fi−1 α − Fi−1
= + + ⇔ qα − xi−1 = + × (xi − xi−1 )
xi − xi−1 Fi − Fi−1 Fi+ − Fi−1
+
α − Fi−1
qα = xi−1 + + × (xi − xi−1 )
Fi+ − Fi−1
194 / 250
Taille (cm) Fi+ Médiane Quartiles Déciles Centiles

[160 ; 165 [ 0.09 C1
[165 ; 170 [ 0.27 Q1 D1
[170 ; 175 [ 0.63 Me Q2 D5 C55
[175 ; 180 [ 0.91 Q3 D9
[180 ; 185] 1 C99
195 / 250
Exemple (suite) : Tailles d’individus
0.50 − 0.27 0.50 − 0.27

Me = 170 + × 5 = 173.19 cm D5 = 170 + × 5 = 173.19 cm
0.63 − 0.27 0.63 − 0.27
0.25 − 0.09 0.90 − 0.63
Q1 = 165 + × 5 = 169.44 cm D9 = 175 + × 5 = 179.82 cm
0.27 − 0.09 0.91 − 0.63
0.50 − 0.27 0.01 − 0
Q2 = 170 + × 5 = 173.19 cm C1 = 160 + × 5 = 160.56 cm
0.63 − 0.27 0.09 − 0
0.75 − 0.63 0.55 − 0.27
Q3 = 175 + × 5 = 177.14 cm C55 = 170 + × 5 = 173.89 cm
0.91 − 0.63 0.63 − 0.27
0.10 − 0.09 0.99 − 0.91
D1 = 165 + × 5 = 165.28 cm C99 = 180 + × 5 = 184.44 cm
0.27 − 0.09 1 − 0.91
196 / 250
Variables quantitatives continues : A partir de la courbe Fi+
Le quantile qα est l’abscisse du point correspondant à la fréquence cumulée

croissante α.
197 / 250
Variables quantitatives continues : A partir de la courbe Fi+
198 / 250
Section 2 :
Distance entre deux valeurs particulières
Distance par rapport à une valeur centrale
199 / 250
Exemple : Taux de rentabilité (en %)

Projet A Projet B Projet C
0 0 0 0 0 -2 -1 0 1 2 -4 -3 0 3 4
x = 0% x = 0% x = 0%
Me = 0% Me = 0% Me = 0%
Les mesures de tendance centrale ne donnent aucune idée sur la variabilité ou
la dispersion des données !
200 / 250
Définition (Mesure de dispersion)

Une mesure de dispersion permet de décrire la variabilité des données dans une
série statistique. Elle vient ainsi compléter les mesures de position qui passent
sous silence cet aspect.
201 / 250
Mesures de dispersion Distance entre deux valeurs particulières
Sous-section 1 :
Distance entre deux valeurs particulières
Intervalle de variation et étendue d’une série
Intervalle interquartile et écart interquartile
Intervalle interdécile et écarts interdécile
Intervalle intercentile et écarts intercentile
Exemples
202 / 250
Intervalle de variation et étendue d’une série
Définitions (Intervalle de variation - Étendue)

L’intervalle de variation d’une série statistique est l’intervalle borné par la va-
leur minimale xmin et la valeur maximale xmax de variable statistique X , il est
noté IV = [xmin ; xmax ]. Cet intervalle contient la totalité des données.
L’amplitude de l’intervalle de variation IV , notée E , est appelée étendue de la
série. On a :
E = xmax − xmin
203 / 250
Intervalle de variation :
204 / 250
Intervalle interquartile et écart interquartile
Définitions (Intervalle interquartile - Écart interquartile)

L’intervalle interquartile d’une série statistique est l’intervalle borné par le pre-
mier et le dernier quartiles de la variable X , il est noté IQ = [Q1 ; Q3 ]. Cet
intervalle contient la moitié des données.
L’amplitude de l’intervalle interquartile IQ, notée EIQ, est appelée écart inter-
quartile ou étendue interquartile. On a :
EIQ = Q3 − Q1
205 / 250
Intervalle interquartile :
206 / 250
Intervalle interdécile et écart interdécile
Définitions (Intervalle interdécile - Écart interdécile)

L’intervalle interdécile d’une série statistique est l’intervalle borné par le premier
et le dernier déciles de la variable X , il est noté ID = [D1 ; D9 ]. Cet intervalle
contient 80% des données.
L’amplitude de l’intervalle interdécile ID, notée EID, est appelée écart interdé-
cile ou étendue interdécile. On a :
EID = D9 − D1
207 / 250
Intervalle interdécile :
208 / 250
Intervalle intercentile et écart intercentile
Définitions (Intervalle intercentile - Écart intercentile)

L’intervalle intercentile d’une série statistique est l’intervalle borné par le pre-
mier et le dernier centiles de la variable X , il est noté IC = [C1 ; C99 ]. Cet
intervalle contient 98% des données.
L’amplitude de l’intervalle intercentile IC , notée EIC , est appelée écart inter-
centile ou étendue intercentile. On a :
EIC = C99 − C1
209 / 250
Intervalle intercentile :
210 / 250

1 2 3 4
IV = [xmin ; xmax ] = [1; 4] → E = 4 − 1 = 3 enfants
IQ = [Q1 ; Q3 ] = [2; 3] → EIQ = 3 − 2 = 1 enfant
ID = [D1 ; D9 ] = [1; 4] → EID = 4 − 1 = 3 enfants
IC = [C1 ; C99 ] = [1; 4] → EIC = 4 − 1 = 3 enfants
211 / 250

[160 ;165[ [165 ;170[ [170 ;175[ [175 ;180[ [180 ;185]
IV = [xmin ; xmax ] = [160; 185] → E = 185 − 160 = 25 cm
IQ = [Q1 ; Q3 ] = [169.44; 177.14] → EIQ = 177.14 − 169.44 = 7.7 cm
ID = [D1 ; D9 ] = [165.28; 179.19] → EID = 179.19 − 165.28 = 13.91 cm
IC = [C1 ; C99 ] = [160.56; 184.44] → EIC = 184.44 − 160.56 = 23.88 cm
212 / 250
Remarque :
La dispersion d’une distribution statistique peut être résumée à l’aide d’une
boı̂te de Tukey. Il s’agit d’un diagramme représentant simultanément l’inter-
valle de variation, l’intervalle interquartile, la moyenne et la médiane de la série
statistique.
213 / 250
Mesures de dispersion Distance par rapport à une valeur centrale
Sous-section 2 :
Distance par rapport à une valeur centrale
Écart absolu moyen
Variance et écart-type
Coefficient de variation
214 / 250
Distances par rapport à la moyenne arithmétique :
215 / 250
Écart absolu moyen
Définition (Écart absolu moyen)

L’écart absolu moyen d’une variable statistique, notée EAM, est la moyenne
arithmétique des valeurs absolues des écarts des observations de la variable par
rapport au centre généralement mesuré par la moyenne arithmétique x :
k
1X
EAM = ni |xi − x |
n i=1
Dans le cas d’une variable continue, les modalités xi sont remplacées par les
centres des classes ci :
k
1X
EAM = ni |ci − x |
n i=1
216 / 250

xi ni ni xi ni |xi − x |
1 12 12 8.24
2 40 80 20.80
3 32 96 15.36
4 16 64 23.68
Σ 100 252 78.08
252
x= = 2.52 ≈ 3 enfants
100
4
1X 78.08
EAM = ni |xi − x | = = 0.7808 ≈ 1 enfant
n i=1 100
Le nombre d’enfants par famille s’éloigne de la moyenne x d’un enfant en

moyenne.
217 / 250

Tailles (cm) ci ni ni ci ni |ci − x |
[160; 165[ 162.5 5 812.5 52.25
[165; 170[ 167.5 10 1675 54.5
[170; 175[ 172.5 20 3450 9
[175; 180[ 177.5 15 2662.5 68.25
[180; 185] 182.5 5 912.5 47.75
Σ – 55 9512.5 231.75
9512.5
x= = 172.95 cm
55
5
1X 231.75
EAM = ni |ci − x | = = 4.21 cm
n i=1 55
Les tailles d’individus s’éloignent de la moyenne x de 4.21 centimètres en

moyenne.
218 / 250
Variance et écart-type
Définitions (Variance et écart-type)

La variance d’une variable statistique X , notée σx2 ou V (X ), est la moyenne
des carrés des écarts à la moyenne x :
k
1X 2
σx2 = ni (xi − x ) (1)
n i=1
Dans le cas d’une variable continue, les modalités xi sont remplacées par les
centres des classes ci :
k
1X 2
σx2 = ni (ci − x )
n i=1
L’écart-type d’une variable statistique X , noté σx , est la racine carrée de la

variance : p
σx = σx2
219 / 250
Théorème de König-Huygens :
La formule de la variance (1) peut être décomposée selon l’écriture alternative
suivante :
σx2 = x 2 − x 2
où
k
1X
x2 = ni xi2
n i=1
et dans le cas d’une variable continue :
k
1X
x2 = ni ci2
n i=1
Cette formulation alternative de la variance est très utilisée dans la pratique.
220 / 250
Démonstration :
k
1X 2
σx2 = ni (xi − x )
n i=1
k
1X
ni xi2 − 2xi x + x 2

=
n i=1
k
1X
ni xi2 − ni 2xi x + ni x 2

=
n i=1
k k k
1X 1X 1X
= ni xi2 − ni 2xi x + ni x 2
n i=1 n i=1 n i=1
k k
! k
!
1X 1 X 1 X
= ni xi2 − 2x ni xi + x 2 ni
n i=1 n i=1 n i=1
= x 2 − 2x .x + x 2
= x2 − x2
221 / 250

2
xi ni ni xi ni xi2 ni (xi − x )
1 12 12 12 27.72
2 40 80 160 10.82
3 32 96 288 7.37
4 16 64 256 35.05
Σ 100 252 716 80.96
4
1X 2 80.96 p
σx2 = ni (xi − x ) = = 0.81 ⇒ σ = σx2 = 0.9 ≈ 1 enfant
n i=1 100
716 2
p
σx2 = x 2 − x 2 = − (2.52) = 0.81 ⇒ σ = σx2 = 0.9 ≈ 1 enfant
100
Le nombre d’enfants par famille s’éloigne de la moyenne x d’un enfant en
moyenne.
222 / 250

2
Tailles (cm) ci ni ni ci ni ci2 ni (ci − x )
[160; 165[ 162.5 5 812.5 132031.25 546.49
[165; 170[ 167.5 10 1675 280562.5 297.52
[170; 175[ 172.5 20 3450 595125 4.13
[175; 180[ 177.5 15 2662.5 472593.75 309.92
[180; 185] 182.5 5 912.5 166531.25 455.58
Σ – 55 9512.5 1646843.75 1613.64
5
1X 2 1613.64 p
σx2 = ni (ci − x ) = = 29.34 ⇒ σ = σx2 = 5.42 cm
n i=1 55
1646843.75 2
p
σx2 = c 2 − x 2 = − (172.95) = 30.91 ⇒ σ = σx2 = 5.56 cm
55
Les tailles d’individus s’éloignent de la moyenne x de 5.42 (ou 5.56) centimètres
en moyenne.
223 / 250
Remarque :
La variance n’a pas de signification concrète, il s’agit simplement d’une étape
intermédiaire dans le calcul de l’écart-type. Néanmoins, elle peut être utilisée
comme mesure de dispersion tout en prenant garde à bien interpréter l’unité
de mesure transformée à la puissance 2 car ceci peut induire en erreur. A titre
d’exemples, le mètre qui est une unité de mesure des longueurs se transforme
en mètre carré qui est une unité de mesure des surfaces et le litre se transforme
en litre carré qui n’a pas aucune signification concrète.
224 / 250
Propriétés :
Soit X une variable statistique quantitative et a et b deux constantes réelles.
La variance vérifie les propriétés suivantes :
V (aX ) = a 2 V (X )
V (X + b) = V (X )
V (aX + b) = a 2 V (X )
225 / 250
Démonstrations :
k
1X 2
V (aX ) = ni (axi − ax )
n i=1
k X aX ni
1X 2
= ni (axi − ax ) x1 ax1 n1
n i=1
x2 ax2 n2
k .. .. ..
1X 2 . . .
= ni [a(xi − x )]
n i=1 xi axi ni
k
.. .. ..
1X 2 . . .
= ni a 2 (xi − x ) xk axk nk
n i=1
Σ n
k
1X2 2
=a ni (xi − x )
n i=1
= a 2 V (X )
226 / 250
k
1X 2
V (X + b) = ni xi + b − x + b
n i=1 X X +b ni
k
x1 x1 + b n1
1X 2 x2 x2 + b n2
= ni [xi + b − (x + b)]
n i=1 .. .. ..
. . .
k xi xi + b ni
1X 2
= ni (xi + b − x − b) .. .. ..
n i=1 . . .
k xk xk + b nk
1X 2
= ni (xi − x ) Σ n
n i=1
= V (X )
227 / 250
X aX + b ni
x1 ax1 + b n1
x2 ax2 + b n2
.. .. ..
V (aX + b) = V (aX ) . . .
xi axi + b ni
= a 2 V (X ) .. .. ..
. . .
xk axk + b nk
Σ n
228 / 250
Exemples :
V (2X ) = 4V (X )
V (X + 3) = V (X )
V (2X + 3) = 4V (X )
229 / 250
Coefficient de variation
Définition (Coefficient de variation)

Le coefficient de variation, noté CV , est une mesure de dispersion relative, il est
égal au rapport entre l’écart-type et la moyenne arithmétique, c’est un nombre
sans dimension :
σ
CV =
x
Le coefficient de variation permet de comparer les dispersions de variables quan-
titatives n’ayant pas la même unité de mesure.
230 / 250
Exemples : Nombre d’enfants par famille vs Tailles d’individus
x = 2.52 enfants y = 172.95 cm

σx = 0.9 enfants σy = 5.42 cm
σ 0.9
enfants σ 5.42cm

CVx = = = 0.36 CVy = = = 0.03
x 2.52
enfants y 172.95cm
La distribution statistique des nombres d’enfants par famille est plus dispersée
relativement à celle des tailles d’individus.
231 / 250
Mesures de forme
Section 3 :
Mesures de forme
Mesures d’asymétrie
Mesures d’aplatissement
232 / 250
Mesures de forme
Définition (Mesures de forme)

Une mesure de forme indique le niveau de déviation d’une distribution statis-
tique par rapport à une situation de référence - dite « normale » - représentée
par une courbe en cloche symétrique, ni pointue ni aplatie. Le degré de déviation
est donné par une mesure d’asymétrie et par une mesure d’aplatissement.
233 / 250
Mesures de forme Mesures d’asymétrie
Sous-section 1 :
Mesures d’asymétrie
Coefficient de Fisher
Coefficient de Pearson
234 / 250
Distribution symétrique :
Les valeurs symétriques par rapport au centre de la distribution statistique ont
les mêmes effectifs et les mêmes fréquences.
235 / 250
Distribution asymétrique à droite :

Les valeurs supérieures au centre de la distribution statistique sont plus fré-
quentes relativement à leurs symétriques.
236 / 250
Distribution asymétrique à gauche :

Les valeurs inférieures au centre de la distribution statistique sont plus fré-
quentes relativement à leurs symétriques.
237 / 250
Coefficient de (Sir Ronald) Fisher
Coefficient de skewness :
k 3
1X xi − x
γ1 = ni
n i=1 σ
Interprétation :
γ1 = 0 : la distribution est symétrique ;
γ1 > 0 : la distribution est asymétrique à droite ;
γ1 < 0 : la distribution est asymétrique à gauche.
238 / 250
Coefficient de (Karl) Pearson
Coefficient de skewness normalisé :

" k 3 # 2
2 1X xi − x
β1 = γ 1 = ni
n i=1 σ
Interprétation :
β1 = 0 : la distribution est symétrique ;
β1 > 0 : la distribution est asymétrique à droite ou à gauche :
µ3 > 0 : la distribution est asymétrique à droite ;
µ3 < 0 : la distribution est asymétrique à gauche.
avec
k
1X 3
µ3 = ni (xi − x )
n i=1
239 / 250

3
xi −x
xi ni ni σx
1 12 -57.81
2 40 -7.72
3 32 4.85
4 16 71.15
Σ 100 10.48
4 3
1 X xi − x 10.48
γ1 = ni = = 0.1048
100 i=1 σx 100
" 4 3 # 2
1 X xi − x
β1 = ni = (0.1048)2 = 0.011
100 i=1 σx
La distribution du nombre d’enfants par famille est asymétrique à droite. Cela

signifie que les nombres d’enfants par famille au-dessus de la moyenne sont plus
fréquents que ceux qui en sont au-dessous.
240 / 250

3
ci −y
Tailles (cm) ci ni ni σy
[160; 165[ 162.5 5 -35.84
[165; 170[ 167.5 10 -10.17
[170; 175[ 172.5 20 -0.01
[175; 180[ 177.5 15 8.87
[180; 185] 182.5 5 27.35
Σ – 55 -9.79
5 3
1 X ci − y −9.79
γ1 = ni = = −0.1780
55 i=1 σy 55
" 5 3 #2
1 X ci − y
β1 = ni = (−0.1780)2 = 0.0317
55 i=1 σy
La distribution des tailles d’individus est asymétrique à gauche. Cela signifie

que les tailles d’individus au-dessous de la moyenne sont plus fréquentes que
celles qui en sont au-dessus.
241 / 250
Remarque :
Il y a un lien entre l’asymétrie d’une distribution statistique et l’ordre de ses
mesures de tendance centrale. Celles-ci sont égales entre elles dans le cas d’une
distribution symétrique et différentes dans le cas d’une distribution asymétrique
et respectent un ordre bien précis suivant la nature de l’asymétrie :
242 / 250
Mesures de forme Mesures d’aplatissement
Sous-section 2 :
Mesures d’aplatissement
Coefficient de Pearson
Coefficient de Fisher
243 / 250
Distribution mésokurtique :
Les valeurs extrêmes et les valeurs centrales ont des fréquences normales.
244 / 250
Distribution leptokurtique :
Les valeurs extrêmes et les valeurs centrales sont plus fréquentes relativement à
une distribution normale.
245 / 250
Distribution platykurtique :
Les valeurs extrêmes et les valeurs centrales sont moins fréquentes relativement
à une distribution normale.
246 / 250
Coefficient de (Karl) Pearson
Coefficient de kurtosis :
k 4
1X xi − x
β2 = ni
n i=1 σ
Interprétation :
β2 = 3 : distribution mésokurtique (courbe normale) ;
β2 > 3 : distribution leptokurtique (moins aplatie que la normale) ;
β2 < 3 : distribution platykurtique (plus aplatie que la normale).
247 / 250
Coefficient de (Sir Ronald) Fisher
Coefficient d’excès de kurtosis :

k 4
1X xi − x
γ 2 = β2 − 3 = ni −3
n i=1 σ
Interprétation :
γ2 = 0 : distribution mésokurtique (courbe normale) ;
γ2 > 0 : distribution leptokurtique (moins aplatie que la normale) ;
γ2 < 0 : distribution platykurtique (plus aplatie que la normale).
248 / 250

4
xi −x
xi ni ni σx
1 12 97.63
2 40 4.46
3 32 2.59
4 16 117
Σ 100 221.68
4 4
1 X xi − x 221.68
β2 = ni = = 2.2168
100 i=1 σx 100
4 4
1 X xi − x
γ2 = ni − 3 = 2.2168 − 3 = −0.7832
100 i=1 σx
La distribution du nombre d’enfants par famille est platykurtique. Cela signifie

que les valeurs extrêmes sont moins fréquentes relativement à une distribution
normale.
249 / 250

4
ci −x
Tailles (cm) ci ni ni σx
[160; 165[ 162.5 5 69.09
[165; 170[ 167.5 10 10.22
[170; 175[ 172.5 20 0
[175; 180[ 177.5 15 7.45
[180; 185] 182.5 5 48.19
Σ – 55 134.96
5 4
1 X ci − y 134.96
β2 = ni = = 2.4538
55 i=1 σy 55
5 4
1 X ci − y
γ2 = ni − 3 = 2.4538 − 3 = −0.5462
55 i=1 σy
La distribution des tailles d’individus est platykurtique. Cela signifie que les
valeurs extrêmes sont moins fréquentes relativement à une distribution normale.
250 / 250

Mémoire Statistique Descriptive 2019 2020

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

Mémoire Statistique Descriptive 2019 2020

Transféré par

Droits d'auteur :

Formats disponibles

Statistique descriptive

Licence Sciences économiques et Gestion - Semestre 1

Faculté des sciences juridiques, économiques et sociales - Tanger

Année universitaire 2019 - 2020

Qu’est ce que la (les) statistique(s) ? Quelques références utiles

Objectif pédagogique du cours Ma page sur Facebook

Pré-requis nécessaires Mon site web

Plan du cours Wikipédia

Il existe deux sortes de statistiques (en tant que science) :

Chapitre 1 : Organisation des données

Chapitre 2 : Séries statistiques à une dimension

Chapitre 3 : Séries statistiques à deux dimensions

Vocabulaire et opérateurs statistiques

Typologie des variables statistiques

Population, échantillon et individu

Série et distribution statistiques

Population, échantillon et individu

• Échantillon : Une partie de la population.

• Individu : Un élément de la population.

Population, échantillon et individu

• Échantillon : Étudiants de la filière Économie et gestion.

• Individu : Tout étudiant de la FSJES de Tanger.

• Échantillon : Entreprises du secteur textile.

• Individu : Toute entreprise installée à Tanger.

• Modalité : Valeur prise par le caractère étudié.

• Caractère X : Moyenne obtenue au baccalauréat.

• Modalités : x1 = 10, x2 = 11, x3 = 12, x4 = 13.

• Caractère Y : Nombre d’employés.

• Modalités : y1 = 50, y2 = 100, y3 = 500.

• Effectif total n : Nombre d’individus qui composent la population.

• Fréquence fi d’une modalité xi : Proportion d’individus qui ont la

• Théoriquement, la somme des fréquences fi est égale à 1 car :

• Dans la pratique, si la somme des fréquences est différente de 1 à cause

Application : Moyennes obtenues au baccalauréat

Application : Moyennes obtenues au baccalauréat

• Effectif cumulé décroissant Ni− d’une modalité xi : Nombre d’individus qui

Application (suite) : Moyennes obtenues au baccalauréat

• Fréquence cumulée décroissante Fi− d’une modalité xi : Proportion d’indi-

Application (suite) : Moyennes obtenues au baccalauréat

• Une fréquence fi est comprise entre 0 et 1 tandis qu’un pourcentage pi est

• L’expression « au plus » est équivalente à « inférieur ou égal » et l’expres-

Série et distribution statistiques

Définition (Série statistique)

Série et distribution statistiques

Définition (Distribution statistique)

Distribution statistique des fréquences :

Variable statistique quantitative

Variable statistique qualitative

Variable statistique quantitative

Définitions (Variable quantitative)

Variable statistique quantitative

Exemples de variable continue :

• Taille en centimètres : [160; 210].

• Volume en litres : [16; 45].

Exemples de variable discrète :

• Nombre de salariés d’une entreprise : {1, 5, 20 · · · }.

• Nombre de pièces produites par une machine : {1000, 1200, 2000 · · · }.

Variable statistique qualitative

Définitions (variable qualitative)

Variable statistique qualitative

Exemples de variable ordinale :

• Niveaux de satisfaction : pas satisfait, satisfait, très satisfait ...

• Mentions : assez bien, bien, très bien ...