D.

TOUIJAR 02/10/2013

Année Universitaire 2013-14

Sections A &B
Attention !
Semestre S1

Filière : Sciences Economiques et Gestion

Module : Méthodes Quantitatives I

Elément :
STATISTIQUE

la Statistique et Les Statistiques

– Le mot statistique désigne à la fois un ensemble de
données d'observations et l'activité qui consiste dans
leur recueil, leur traitement et leur interprétation.
–D'une façon plus précise :
On désigne par Les statistiques, un ensemble de
données ou d'informations relatives à un
phénomène ou à un processus donné;
exemple : la population marocaine en 2012, les
naissances au Maroc en 2010, l’évolution des
entreprises, des emplois…

3 4

Par contre La statistique est en général, un

ensemble de méthodes scientifiques qui servent à
décrire et à analyser des données. Elles nous Elle a pour objet de présenter les données sous
permettent aussi de tirer des conclusions et de forme de tableaux et de graphiques et de les résumer
prendre des décisions et aussi de faire des en quelques valeurs numériques appelée
prévisions.
caractéristiques.
En ce qui concerne ce semestre, on se
contentera d’étudier la méthode descriptive : c'est
une méthode qui vise à décrire des ensembles
nombreux ; d’où l’appellation:

statistique descriptive. 5 6

1
D.TOUIJAR 02/10/2013

Domaines d’application
Actuellement, la Statistique est considérée
comme l’un des meilleurs outils de la recherche
• PARTIE 1 : SERIES SIMPLES
scientifique. En effet, on fait appel aux méthodes – Chapitre 1 : Tableaux statistiques et
statistiques dans presque tous les secteurs de représentations graphiques
l’activité humaine :
Agronomie, astronomie, balistique, biologie, – Chapitre 2 : Les paramètres de tendance centrale
démographie, Économie, épidémiologie,
gestion, médecine, météorologie, physique, – Chapitre 3 : Les paramètres de dispersion et de
Concentration
psychologie, sciences politiques ... ,etc.
7 8

BIBLIOGRAPHIE

• PARTIE 2 : LES SERIES DOUBLES

! " "! # $ J.P Bélisle ;J.
– Ajustement linéaire et Corrélation. Desrosiers %

&
' ( $
• PARTIE 3 : LES INDICES ) " *
+
– Les Indices élémentaires et synthétiques
!,(
.
9
" - 10

• I) DEFINITIONS :
• Définition 1: La population est un
PARTIE 1
ensemble d'objets ou de personnes
SERIES SIMPLES
sur lesquelles porte une étude.

•
CHAPITRE 1 : • -La population du Maroc à la date du
Tableaux statistiques et représentations recensement de 2004.
graphiques • -L’ensemble des sociétés SARL à Fès en
2013.
12

2
D.TOUIJAR
• Définition 2 : Les éléments qui
composent une population sont
appelés des Individus (ou unités
Statistiques). Un sous-ensemble d’une
population est appelé Échantillon.
13
• Un caractère qualitatif peut être soit :
– 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.
• On appelle variable statistique, un caractère
quantitatif.
– On distingue deux sortes de variables statistiques:
15
• Tableau Récapitulatif
Caractère
quantitatif qualitatif
17
02/10/2013
• Définition 3 : La taille d’une population est le nombre
d’individus qui la composent.
• Définition 4 : Un caractère est un critère relatif auquel
on observe les individus d’une population.
• A chaque individu, on attribut un ou plusieurs
caractères qui peuvent être soit quantitatifs (s'ils sont
mesurables; exemple : salaire, nb d’enfants par
ménage...) ou qualitatifs (sinon; exemple : sexe, état
matrimonial… ).
• Une valeur que peut prendre un caractère s'appelle
modalité.
14
• Les variables statistiques discrètes (notées: v.s.d.) :
se sont des variables dont l'ensemble des
modalités est un ensemble discret (la variable ne
peut prendre que des valeurs isolées d'un
intervalle).
–Exemple : Pour le nombre d'enfants par
ménage l’ensemble des modalités peut être
{0, 1, 2, 3, 4}.
• Les variables statistiques continues (v.s.c.) : dans
ce cas, l'ensemble des modalités est continue; la
variable peut prendre toutes les valeurs d'un
intervalle.
–Exemple : Salaire, âge, taille, poids …etc.
16
• Exemple : On observe, au cours d’une semaine, 20
machines selon le nombre de pièces défectueuses
produites :
• 8, 16, 9, 33, 14, 5, 3, 7, 10, 7, 9, 9, 3, 8, 3, 3, 5,
14, 8, 7.
→On l’appelle série brutes.
→L'effectif total de la population est donc
n =20.
18
3
D.TOUIJAR 02/10/2013

• En classant ces nombres par ordre croissant, on • → la modalité 3 a pour effectif n1 =4

obtient la série ordonnée : • → la modalité 5 a pour effectif n2 =2
• 3, 3, 3, 3, 5, 5, 7, 7, 7, 8, 8, 8, 9, 9, 9, 10, 14, • → la modalité 7 a pour effectif n3 =3
14,16, 33. • → la modalité 8 a pour effectif n4 =3
• → la modalité 9 a pour effectif n5 =3
• On obtient les K modalités après regroupement des • → la modalité 10 a pour effectif n6 =1
observations : • → la modalité 14 a pour effectif n7 =2
• → la modalité 16 a pour effectif n8 =1
• 3, 5, 7, 8, 9, 10, 14, 16, 33 (k=9) < (n=20) • → la modalité 33 a pour effectif n9 =1

• Remarque : 4+2+3+3+3+1+2+1+1=20
19 20

• Définition : L'effectif ni d'une modalité xi est le • Définition :

nombre d'individus ayant cette modalité. L'effectif
xi
total (ou taille) d'une population, noté n , est le ni
nombre d'individus qui composent cette population. : fi = ; i = 1, … , k
n
• On a donc : • Remarque :
k
∑ fi = 1
k i =1

∑ ni = n • En %:
i =1 k
f i % = f i × 100 ⇒ ∑ f i % = 100
i =1
21 22

•Exemple : •Remarque :
n1 4 n –En terme de fréquence, la distribution de X , s’écrit
f1 = = = 0,20 et f 6 = 6 = 0,05 aussi :
n 20 n
•Commentaire : La proportion des machines ayant
{(x1, f1 ), (x2 , f2 ),…, (xk , fk )}
produit 3 pièces défectueuses est de 20%; et celle
des machines ayant produit 10 pièces défectueuses : La distribution des défectuosités des 20
est de 5%. machines est : {( ) ( ) ( )
03 ; 4 , 5 ; 2 , 7 ; 3 ,
• : (8 ; 3), (9 ; 3), (10 ; 1), (14 ; 2), (16 ; 1), (33 ; 1)}
X
{(x1, n1 ), (x2 , n2 ),…, (xk , nk )} {(3 ; 0,20), (5 ; 0,10), (7 ; 0,15), (8 ; 0,15)…}
Ou
23 24

4
D.TOUIJAR 02/10/2013

– ( 8 4 $"! $ 6$ 9 1 4 !4
"(( 3
Date de naissance
Nombre
Prénom Nom Jour Mois Année d'enfants Revenu Ville Opinion

• II) TABLEAUX STATISTIQUES

1 Aline Michalco 23 1 1953 4 30000 Paris Mauvaise
2 Mathilde Crepineau 13 10 1953 0 60000 Montpellier Très bonne
3 Bénédicte Avelin 9 3 1953 1 9000 Rouen Mauvaise

• " "! $/"! 4

5
Henriette
Danielle
Tufte
Cron
3
16
2
4
1953
1953
1
2
15000
40000
Paris
Marseille
Mauvaise
Moyenne
0 ! ! 1 2 % 0 (( $"! 6 Ludivine Laposte 15 5 1953 2 40000 Marseille Moyenne

2 3 4!"(5 !"(5 -" ! ! 5 7 Agnès Roche 2 5 1953 2 10000 Nice Bonne

(" ! ! 5 !!4 ! ! 5 8
9
Rita
Andrée
Mena
Lamiral
5
22
5
6
1953
1953
3
3
45000
80000
Paris
Nancy
Moyenne
Passable
!"(6 / !0 ! 5 ! !! $ (4! 7 5 10 Pauline Zatti 20 7 1953 4 50000 Nice Moyenne
$$ ! $ 5 " ! "! $ $ 4 / ! " 11 Zoé Foret 9 9 1953 2 60000 Nice Passable

$( ! " 6464 12 Lola Marseille 7 7 1953 3 55000 Marseille Bonne

13 Priscilla Lounad 3 2 1953 3 85000 Montpellier Bonne
– "!!4 "! 4 4 " 4 ! 14 Violaine Turk 16 4 1953 5 60000 Nice Moyenne
6" 5 " 0" ( / ! ( % 15 Christine Dodue 15 5 1953 2 40000 Rouen Bonne

4$4( ! "( !! ! , !$ 16 Fabiola Couic 2 5 1953 1 10000 Nancy Passable

"!!4 "! ! ! ! 0 (( 17
18
Noelle
Rachel
Gant
Nol
5
22
11
2
1953
1953
3
3
120000
80000
Nice
Paris
Mauvaise
Moyenne
19 Sabine Eboum 20 10 1953 4 18000 Paris Très bonne
25 26
20 Jeanne Rivière 9 12 1953 5 90000 Marseille Passable

Dans cette 1ère Partie, on ne considérera qu’un seul caractère • Sa représentation par tableau est alors comme suit :
à la fois.
Représentation de la distribution d’un Modalité Effectif Fréquence
caractère X par un Tableau xi ni fi
x1 n1 f1
1) Cas d’un caractère qualitatif : x2 n2 f2

– Soit $ 6 "! : ! 2 ⋮ ⋮ ⋮
xi ni fi
$ 0 X 4 4 ! " $ "!
⋮ ⋮ ⋮
n ! : xk nk fk

{(x1, n1 ), (x2 , n2 ),…, (xk , nk )} 27

Total n=∑ni 1=∑fi
28

• Exemple : On reprend les 20 femmes selon • Le Tableau statistique est comme suit :
l’opinion «caractère ordinal » :
• Ma, Tb, Ma, Ma, Mo, Mo, Bo, Mo, Pa, Mo, Pa, Bo,
Bo, Mo, Bo, Pa, Ma, Mo, Tb, Pa. 4 0,2
4 0,2
• Une fois classées : Ma, Ma, Ma, Ma, Pa, Pa, Pa, Pa,
Mo, Mo, Mo, Mo, Mo, Mo, Bo, Bo, Bo, Bo, Tb, Tb.
6 0,3
• On a donc 5 modalités (k=5 ). 4 0,2
• La distribution s’écrit : 2 0,1
{(Ma ; 4), (Pa ; 4), (Mo ; 6), (Bo ; 4), (Tb ; 2) } n=20 1
29 30

5
D.TOUIJAR 02/10/2013

• Le tableau est alors le suivant :

a) ! (v.s.d)

–Soit X $ 2 4 7! $ !"(6

: !0 ! (4! 7 " $ 20 femmes :

4 0 1 1 2 2 2 3 3 4
2 3 3 5 2 1 3 3 4 5

– 6 "! $" 3

{(0,1), (1,3), (2,5), (3,6), (4,3), (5,2) }

31 32

" # ! 4

" # N 4 = n1 + n2 + n3 +n4 = ∑ n j = 15
j =1
$ % !$
! ;+ 0 (( "! $ x4 <=
*) Effectifs et fréquences cumulés croissants:
!0 !
– " Ni $ ième 00 0 ( $4 " !
! ! $:47 $ 4 . n=205 "!
" 4 # xi "6 ! $ $ % !$ #
i 4
N i = n1 + n2 +⋯+ni = ∑ n j F4 = f1 + f 2 + f 3 + f 4 = ∑ f j = 75%
j =1
j =1
Ni $ !"(6 :! 4 ! !
! >+? 0 (( "! $
$ $ (" $ 4 xi x4 <= !0 !
33 34

! 74!4 $5 "! 3 • Le tableau complet est comme suit :

i
Fi = f1 + f 2 +⋯+ f i = ∑ f j xi ni Ni Ni Fi Fi
j =1 x1 n1 n1 n F1 1
x2 n2 n1+ n2 n2+n3+...+nk f1 + f2 f2 + f3+...+ fk
Effectifs et fréquences cumulés décroissants:
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
! "(( ! 0" # ième
xi ni n1+n2+...+ni ni+ni+1+...+nk f1+ f2+...+fi fi+ fi+1+...+ fk
00 0- : ! 5 "! "6 ! $ ième
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
00 0 ( $4 4 " !5 @ ( $ 3
xk nk n nk 1 fk
6
N3 = n + n +n +n =
∑ n j = 16
Total n __ __ __ __
3 4 5 6
j =3 35 36

6
D.TOUIJAR 02/10/2013

• Pour notre exemple, on a :

! ;& 0 (( "! (" ! <
!0 !

! ! $:47 $ 4 . 5 "!
"6 ! $ $ % !$
$ #
6
F3 = f 3 + f 4 + f 5 + f 6 = ∑ f j = 80%
j =3

! A%? (4! 7 "! (" !

< !0 !
37 38

• : ! # 8 9
$ ; (4! 7 8 " +?9 "! • ! $ : ! 5 $ (" $ 4
%# ; !0 ! "! 7 " 4 ! $ " $
$ (4! 7 8 " B+?9 "! !"(6 $ 3
&! !0 ! • [e0 , e1[ ; [e1 , e2[ ; ... ; [ei-1 , ei[ ; ... ; [ek-1 , ek[
… …
• 3 k i −1
1ère 2ème ième kème
• Fi = f i + f i +1 +⋯+ f k = ∑ f j − ∑ f j • " $ $ 5 "! !" 3
j =1 j =1 • ai = ei – ei-1 l’amplitude de cette classe.
=1
ei −1 + ei
= 1 − Fi −1 • xi = le centre de cette classe.
39 2 40

Exemple : on relève le revenu des 20 femmes(€)

N° classe Les classes ni fi Revenu X
Il est plus commode de regrouper
1 [e0 , e1[ n1 f1 9000 1
10000 2 les revenus en classe, par exemple,
2 [e1 , e2[ n2 f2 15000 1 on choisi 4 classes de même
18000 1
⋮ ⋮ ⋮ ⋮ 30000 1
amplitude
40000 3
i [ei-1 , ei[ ni fi 45000 1
50000 1 Classes Revenus(K€) effectifs
⋮ ⋮ ⋮ ⋮ 55000 1

k [ek-1 , ek[ nk fk 60000 3 [0 ; 35[ 6

80000 2

Total __ n 1 85000 1 [35 ; 70[ 9

90000 1
120000 1
[70 ; 105[ 4
TOTAL 20
[105 ; 140[ ?
41 TOTAL 20 42

7
D.TOUIJAR 02/10/2013

Complétons notre tableau : • :

$ F2=75% 0 (( " , !
Classes ni fi % Fi% Fi % &! e2= 70 m€ ' () *+ )
[0 ; 35[ 6 30 30 100
$ )= < +? 0 (( " , !
[35 ; 70[ 9 45 75 70 %# e2= 70 m€ ' () + ,)
[70 ; 105[ 4 20 95 25
[105 ; 140[ 1 5 100 5
Total 20 100 Au plus Au moins
43 44

III) REPRESENTATIONS GRAPHIQUES •Exemple : On reprend les 20 femmes

–$ % & Répartition des 20 femmes selon l'opinion

' ' 40%

0,3
1) Cas du caractère qualitatif : 30%

–A) Le graphique en tuyaux d’orgue 20%

0,2 0,2 0,2

0" (4 !7$ (1( 6 0,1

10%

"! ! "! $ , "!

0%
" " "!! $$ @ 00 0 8" Ma Pa Mo Bo Tb

0 4 ! 9 (" $ 4 " 4 45 46

•Exemple : On reprend les 20 femmes –B) Le diagramme circulaire

Répartition des 20 femmes selon l'opinion
: ! 4 ! "! !
40%
, " " "!! $ #
0,3 $: 00 0 8" 0 4 ! 9 $ (" $ 4
30%
" 4 ! ( : !7$ 5 # "! "
0,2 0,2 0,2

α5
20%
$: !7$ ! 5 4 0 !3
0,1

α=
10%

0%
Ma Pa Mo Bo Tb Or
K K

02/10/2013
47
∑ α i = c∑ f i ⇒ 360° = c ×1 ⇒ c = 360°
i =1 i =1
48

8
D.TOUIJAR 02/10/2013

:47 $ 4 !3 Répartition des femmes selon l'opinion

α
Ma
Ou α 20%

Tb
10%
α Bo
36° Ma

Pa
20%
Ma 20 72 72° Mo
Pa 20 72 Pa
20%
Bo

Mo 30 108 108° Tb
Mo
Bo 20 72 30%

Tb 10 36
Total 100 360 49 50

Répartition des femmes selon l'opinion 2) Cas du caractère quantitatif :

–A) Les V.S.D. ! $ @
Ma
20%
7 , $"! $:"! "! 2 $
Tb
10% Ma 00 0 8" 0 4 ! 9 ( $ " $
Bo Pa
20% Pa
20% Mo
00 0 8" 0 4 ! 9 ( $4 3
Mo Bo
30%
Tb –

–C , (" $ 4 "! " !

51 52

Répartition des ménages selon le

7( ! $"!7 " " "!! $$ nombre d'enfants
# $: 00 0 8" 0 4 ! 9 7
6
- %&! ! ! $: @ ( $ 5

% 0 (( 4
3
2
1
0
-1 0 1 2 3 4 5
53 54

9
D.TOUIJAR 02/10/2013

–Remarques :
–
– $" ⋯
–Définition : – ≤ < alors .
F( x), & x R –Conclusion :
' F(x)=Fi pour tout tel que ≤ <
X % x.
$ % & F(x)
•Notation : ! '

F (x ) = P( X ≤ x )
( )
& * F(x)
55
& 56

–Propriété de F: • Pour notre exemple, on a :

•La fonction F est définie sur R et à valeurs dans

[0 , 1]. 0 1 5 5
•
1 3 15 20
• ≥
2 5 25 45
• ∞ ∞
3 6 30 75
• F est constante sur chaque intervalle séparant deux
modalités consécutives . 4 3 15 90
•Remarque : On obtient la courbe cumulative des 5 2 10 100
effectifs en remplaçant les par les . 57
02/10/2013 Total 20 100 Au plus 58

- %&! ! ! $ % 0 ((
–B) Les V.S.C. +
F(x) Courbe Cumulative dans le cas % &
d'une v.s.d
100
90
–

75
–C , $ 5 "! " ! !7$
"! $ 6 47 $ # $: ( $ $
45
$ "! $ , $$ "
0 8Si = b i @ hi9 "
20 " " "!! $$ # $ 0 4 ! $
5 $ - @ " "! "
0 0

0 1 2 3 4 5 x
59 !7$ 0" ( ! ! , "7 (( 60

10
D.TOUIJAR 02/10/2013

" 4 # 3 - %&! ! ! $ % 0 ((
– " $ $ "! (1( ( $ " $ $ "! (1( ( $
8ai = cte = a D i=1,...,k9 $" (ou ni). "! 6 "! " 7 $ 0 4 !
– (" ! ! $ ! ( $
004 ! 3 ! "! !"
," ! ( $ 404 ! 8
[0 ; 35[ 35 0,30
@ ( $ $ $ " $ $ 4 ! 9
5 "! " 7 $ 0 4 ! [35 ; 70[ 35 0,45
$ 004 ! !$ ! [70 ; 105[ 35 0,20
$: ( $ " 4
!( $ $ ! [105 ; 140[ 35 0,05
fi
hi = f i′ = × ar Total ar=35 1
ai 61 62

Répartition des femmes selon le - %&! ! 7 " $ !2

1 i
revenu en 1000€ $
0,9

0,8
!" " #
0,7
[0 ; 35[ 0,30 35 1 0,30
0,6

0,5 [35 ; 70[ 0,45 35 1 0,45

0,4

0,3
[70 ; 140[ 0,25 70 2 0,13
0,2 Total 1 ar=35 --- --
0,1

0 (3 # : $$ densité de fréquence
35 70 105 140 63 X
(sans pourcentage) 64

Répartition des femmes selon le –

1 #
0,95 revenu en 1000€
0,9 – !6 $:, "7 (( ! "
0,85
0,8
!7$ (1( 6 47 $ # $: ( $
0,75 404 ! 4 ! ," "(( $
0,7
0,65
&! & ( $ .$ 3
0,6
0,55
0,5
ai = kar ; k = 1,2,3,4,...
0,45
0,4
0,35 – 2 " -" @ @ 4( 4
0,3
0,25 $:, "7 (( @ !7$ 0 0 ,
0,2 ! $$ 6 5"! -" ! 5 7( !
0,15
0,1 3
0,1
" 5 $ ($ @ "(( "
0,05 !7$ ! "6 !
0
35 70 105 140 X
65 66

11
D.TOUIJAR 02/10/2013

$
Répartition des femmes selon –
0,5
le revenu en 1000€
0,45

0,4 – ! "! $ " 6 $ 0 4 !

0,35 ( $4 ! -" 7! ! $ " ! (ei , Fi ), "E
ei $ 6" ! 4 $ me $
0,3

0,25
[ei-1 , ei[ Fi $ 0 4 ! ( $4
0,2
(1( $ ! !"

Fi = P( X ≤ ei )
0,15

0,1

0,05

0
-35 0 35 70 105 140 67 X 68
175

- %&! ! ! $ % 0 ((
Répartition des femmes selon le
F(x)
revenu en 1000€
100

90
Classes fi % Fi% 80

70
[0 ; 35[ 30 30 60

[35 ; 70[ 45 75 50

40

[70 ; 140[ 25 100 30 Médiane

graphiquement
20
52
Total 1 Au plus 10

0
69 00 35 70 105 140 X70

• ' % + &
!& '
& ,
'
%
• •- & +

71 72

12
D.TOUIJAR 02/10/2013

) / 0 11 • E5 n $ $$ $ " $ "!5 $
xi "! $ modalités ! $ / !
•(1) La moyenne arithmétique $ centres $ ! $
/ !
•(a) $ + & x
' .
{(xi , ni )1≤i≤k }
• - %&! * ! ! $: @ ( $
k k % 0 (( $"! $ !6 : !0 !
1
x =
n
∑ ni xi = ∑ f i xi
i =1 i =1
73 74

1 6 53
xi ni ni xi fi fi xi x= ∑
n i =1
ni x i =
20
= 2,65
0 1 0 0,05 0 6
1 3 03 0,15 0,15 ou x = ∑ f i xi = 2,65
i =1
2 5 10 0,25 0,50
- %&! " $ ! 0 ((
3 6 18 0,30 0,90
4 3 12 0,15 0,60
1 3 3
5 2 10 0,10 0,50 x = ∑ ni xi = ∑ f i xi = 55125 €
Total 20 53 1 2,65 n i =1 i =1
75 76

Classes fi xi fi xi (b)

[0 ; 35 [ 0,30 17,5 5,25 • Propriété : " X ! 6$

(" !! ,(4 x. Y !
[35 ; 70 [ 0,45 52,5 23,625 6$ $$ Y=aX+b, "E a
[70 ; 140 [ 0,25 105 26,25 b "! 4 $ $ "! 5 $" $
(" !! ,(4 Y 3
Total 1 55,125
y = ax + b
77 78

13
D.TOUIJAR 02/10/2013

4("! "! •8 9
k k
y = ∑ f i yi = ∑ f i (axi + b ) • i) $ (" !! 4 # $ (" !!
i =1 i =1 ,(4 ! $$ :
k
∑ f i (x i − x ) = 0
k k
= a ∑ f i xi + b∑ f i = ax + b
i =1
i =1 i =1
x 1 • (" !! 4 4 #
! "! ! (!( $ " x
k k
min ∑ f i ( x i − a )2 = ∑ f i ( x i − x )2
79 a∈R i =1 i =1
80

$%# #
k k (d)
∑ (x i −a) = ∑  ( x ) + (x − a ) 
2
−x
2
f i f i i
i =1 i =1
k k • Soit une population P de taille n, composée
= ∑ (x i −x ) + ∑ (x −a)
2 2
f f
i =1
i
i =1
i
de m sous populations P1, P2, . . . , Pm ; de
k
tailles respectives n1, n2, . . .nm et de
+ 2∑ f i (x i −x )( x −a)
i =1 moyennes respectives x 1 , x 2 ,.... x m . Alors
k k
= ∑ f i (x i −x )
2
+ (x − a )
2
∑ f i
la moyenne arithmétique x de la population
i =1 i =1
=1
P est donnée par :
m
+ 2 (x − a ) ∑ f
k
(x i ) 1
∑
−x
i =1
i
x= ni x i
k
=0
n i =1
∑ (x i ) + (x − a )
2 2
= f i −x
81 82
i =1

• - %&! " x $ (" ! 7$"6 $ ! 5 x1

$ (" ! ! $ ,"(( x2 $ 0 ((
$: ! B%%% ' ! 3
x = f1 x1 + f 2 x2
$ (" ! ( $!
B %% ' ! 6" $" 2( 3

$ (" ! 04( ! !  f1 + f 2 = 1  f + f2 = 1
=%%% '  ⇔  1
 f1 x1 + f 2 x2 = x 4200 f1 + 3000 f 2 = 4000

; F $$ $ 4 "! ,"(( .
0 (( G 83
⇒ f1 = 83,3% et f 2 =16,7% 84

14
D.TOUIJAR 02/10/2013

: $ : $ $ $"7 ,(
) / 0 11
• (2) La moyenne géométrique
 n1
[ 1 
∗ L og (G ) = L og  x1 × x 2 n2 × ⋯ × x k n k n  ]
 

! + %
1
n
([
= L og x1n1 × x 2 n2 × ⋯ × x k n k ])
{(xi , ni )1≤i≤k } ' 1  k
= L og  ∏ x i ni 

[ ]
/ xi
ni
n  
 i =1 

∏(x ) = ( )
k 1 k
G= n
i
ni n
x ×x2 ×⋯×xk
1
n1 n2 nk = ∑ L og xi ni
n i =1
i=1 k
1 k k
où n = ∑ni
85
= ∑ ni L og (xi ) =
n i =1
∑ f i L og ( xi )
86
i=1 i =1

• @ ( $ 3calculons la moyenne géométrique de

Domaines d’application :
2 , 12 , 2 , 50 : G = 4 22 ×12×50 = 6,999
• D’une autre façon, calculons Log(G) : • ! $ $ (" !!
4
74"(4 ! $ $ $
1 4
Log (G )= ∑ f i Log (xi )= ∑ ni Log ( xi ) @ : " ( ! (" !
i=1 4 i=1 ! $ $ $ ! !

= [2 Log 2 + Log12 + Log 50]

1
4
=1,946
D'où G = e1,946 = 7 87 88

) / 0 11 • @ ( $ 3 $ $"! $ (" !!
•(3) La moyenne harmonique , ("!
•
4
• $
: + H= = 3,625
 1 1 1 
& 0 '  2× + + 
 2 12 50 
{(xi , ni )1≤i≤k } ' +
 1 

&  , ni  
n 1  xi 1≤i≤k 
H = k
= k k
1 fi
∑ ni xi
∑ xi
où n = ∑ni
i =1 i =1
89 90
i=1

15
D.TOUIJAR 02/10/2013

) / 0 11
• Domaines d’application :
• (4) La moyenne quadratique
• ! $ (" !! ! $
$ $ 4 (" !! 5 ! • : $ +
$ $ $ (" !! " 1 '
" ! 7 ! $
{(xi , ni )1≤i≤k } +
{(x ) }
4 " " : , 8!
& 2
H 9 i , ni 1≤ i ≤ k

1 k k
Q= ∑ ni xi = ∑f x
2 2
i i
91 n i=1 i =1 92

• @ ( $ 3 $ $"! $ (" !!
#% 2 &&! #
•
•
• (" !! ! !
! $ $ $ ! Q=
1
(2× 4 +144 + 2500 ) = 25,749
(2 "! 4

93 94

(5) Résultat comparatif

(6) Conclusion :
" ! (1( 4 • Un inconvénient de la moyenne arithmétique
5 "! ("! $ est qu’elle est très sensible aux valeurs
(" !! 4 0 ! extrêmes de la série.
" -" $:" ! 3 • La moyenne géométrique est peu sensible à
ces dernières.
• En ce qui concerne la moyenne
H <G< x<Q harmonique, elle est plus sensible aux plus
petites valeurs de la série qu’aux plus grandes.
95 96

16
D.TOUIJAR 02/10/2013

(2) Détermination du mode

) /
• (a) Cas d'une v.s.d.
! $ / ! $ 4 ( ! "!
(" ((4 #
6$ " 7 (( !
•(1) $ ' 6I "!
' • Exemples :
2 3 % 2 • i) . " "! "!! " 7 ((
3 ! 6I "! " 4 ( !5# !
6 "! ! (" $ 8 ! $
(" 95 # ! 6 "! 6 (" $
C’est le plus simple mais le moins utilisé ! 8 @ (" 95 # ! 6 "!
! ! $$ (" $
97 98

Distribution unimodale
- %&! * ! ! $: @ ( $ %
0 (( $"! $ !6 : !0 !

xi ni fi
0 1 0,05
Distribution bimodale Mo
1 3 0,15
M intervalle modale
2 5 0,25 M o = 3 enfts
3 6 0,30
4 3 0,15
5 2 0,10
Mo2 Mo1
99 Total 20 1 100

• (b) Cas d’une v.s.c. où [ei −1 , ei [: est la classe modale

• (" " ! $ $ hi = f i′: est la fréquence corrigée de la classe
(" $ 5 / $ $ " "! # 
$ $ 7 ! 0 4 ! " 74  modale (c' est la plus élevée des fréquences)
ai : est l' amplitude de la classe modale
• ! 4("! $: @ "! • - %&! ! ! $ % 0 ((
$746 (" "(( 3 h2 − h1
M 0 = e1 + a2
2h2 − (h1 + h3 )
hi − hi −1
M 0 = ei −1 + ai 0,45 − 0,3
2hi − ( hi −1 + hi +1 ) = 35 + 35 ×
0,90 − (0,3 + 0,13)
101 = 46,17 m € 102

17
D.TOUIJAR 02/10/2013

- %&!

) / 1

Classes •(1) $ 4 '

[0 ; 35[ 0,30 0,30 % '
[35 ; 70[ 0,45 0,45 %
'
[70 ; 140[ 0,25 0,13 Classe
modale
'
Total 1 -- 103 104

• • (b) Cas d’une distribution

• (a) Cas d’une série brute • i) Cas d’1 VSD
" ! 6 "! {( x i , f i )1≤i ≤k }
• Soit la série ordonnée (par ordre croissant) de n
" 4 (! (4 ! 5 "! $
$ 0 4 ! ( $4 " ! Fi.
observations : .
Si n est impaire, alors la valeur médiane est l’observation • - # $ 3 .
qui occupe le rang % .
Si ∀ i Fi ≠ 0,5 ; ( ! 5 !
Si n est paire, on ne peut plus déterminer exactement la 0 4 ! ( $4 Fi !: 47 $ # 0,5 5
médiane, mais on a un intervalle médian
! $ (4 ! $ (" $ 4 xi
[x n/ 2 ; x(n / 2 )+1 ] " "! # la plus petite 0 4 !
105
( $4 dépassant strictement 0,5.
106

/$ @ ! (" $ 4 xi " $ $$ • ii) 2 ! ! !

Fi = 0,55 ! "! $ : ! ! $$ ! $ "! ! 5 $ (4 !
(4 !3[ ].
" -" ! 3 : $ $
7 @ ( ! $ " $ "! !
- %&! * ! xi fi % Fi % @ 47 $ ! / ( 5
! $: @ ( $ 0 5 5 M $ "$ "! $:4 "! 3
% 0 (( 1 15 20
$"! $ !6 F(M) =0,5
: !0 ! 2 25 45
"E $ 0"! "! 4 "!
3 30 75
F3 =0,45< 0,5< F4 4 15 90
! @ (4 ," " 4 (! $
5 10 100
:"E H<= !0 (4 ! 3
Total 100 107
Au plus 108

18
D.TOUIJAR 02/10/2013

α) Détermination graphique : -La médiane

• (α
correspond à l’abscisse du point de la courbe 0,5 − Fi −1
cumulative qui admet pour ordonnée la valeur 0,5 M = ei −1 + ai ×
(ou 50%). (Voir Graphique de l’exemple) fi
β ) Détermination par interpolation : -D'après le
• (β où
tableau ou la courbe cumulative, on détermine la
classe contenant la médiane M ; c’est la classe [ei −1 , ei [: est la classe médiane
[ ei-1, ei [ telle que, Fi-1 ≤ 0,5 < Fi ; puis on a : étant son amplitude
détermine M par interpolation linéaire. donc on a :  i
1  f i : est sa fréquence
Fi-1 2 0,5 Fi  Fi −1 : est la fréquence cumulée de
ei-1 ei 
4 M
3 109  la classe précédente 110

Exemple: 0,5 − F1
M = e1 + a2 × F(x)
Répartition des femmes selon le
revenu en 1000€
f2 100

Classes fi % Fi% 90

M = 35 + 80

[0 ; 35[ 30 30 70

50 − 30 60
[35 ; 70[ 45 75 35 × 50

[70 ; 140[ 25 100 45 40

30 Médiane

Total 1 Au plus = 50,56 m € 20

graphiquement
52
10

0
111 00 35 70 105 140 X112

Conclusion Générale
IV) POSITIONS RELATIVES DES 3
• Population hétérogène : La moyenne arithmétique
est préférable à la médiane et au mode. PARAMÈTRES MO , M et x
• Présence des valeurs aberrantes (ou extrêmes) : La f distribution symétrique unimodale : les 3
paramètres coincident au point de symétrie
médiane est préférable.
• Résultats d’un concours: la note médiane est la plus
significative.
• Démographie : « L’espérance de vie » est conseillée
pour comparer des pays en voie de dvpt. Pour un
seul, la durée médiane ou le mode (âge le plus
fréquent à la mort) sont utilisés.

113 114
Mo =M=x

19
D.TOUIJAR 02/10/2013

f
distribution unimodale dissymétrique distribution unimodale dissymétrique étalée à
étalée à droite :Mo < M < x gauche : x< M < Mo

Mo M x
115
x M Mo 116

• % " 6 "!
J& K (4 5 "! $ $ "! !&
! 3
•

x − M 0 ≈ 3( x − M )

117 118

Introduction I)4 / $ %&!

• (2 "! ! # * /2$ 3
( $ "! "6 "!
" / ! ! ! ! $ Définition: $' e
• ! "! 2 @ 47" %
(2 "! 3
• $ • Cas d’une v.s.d
5 & ' &
• $ 5+
@ ( $ 3 '
119 120

20
D.TOUIJAR 02/10/2013

Cas d’une v.s.c Définition: Soit α un nombre réel compris entre

0 et 1. On dit qu’une valeur xα du caractère X est un
' quantile d'ordre α, si :
F( xα ) =P(X ≤ xα ) =α
- %&! 3 e < e3 – e0 <;B%.%< ;B% m€.
α (1-α)
/% :$ 2 ! 6$ @ fluctuation
d’ échantillonnages. e0 xα ek
! 3 4 "( 5 ! ! ! $ 3
! :! 4 : @L $
! $
a)Les quantiles: 4!4 $ "! $ 4 $
(4 ! ! $
121 122

• 1)QUARTILES: Soient Q 1, Q 2 Q 3 les trois

Valeurs de α Nom de α quartiles. Par définition :
• Q 1 = x1/4 , ⇒ P(X < Q 1 ) = 1/4= 25%
%( ) ∈ * + i ème quartile • Q 2 = x1/2 , ⇒ P(X < Q 2 ) = 2/4= 50%
• Q 3= x3/4 , ⇒ P(X < Q 3 ) = 3/4= 75%
%, ) ∈ * - (+ i ème quintile • "! Q 1, Q 2 Q3 7 ! $ " $ "!
! (1( 00 0 +?
% ) ∈* - .+ i ème décile , !
25 % 25 % 25 % 25 %
% ) ∈* - ..+ i ème centile e0 Q1 Q2 Q3 ek
123 124

• 2)QUINTILES: Soient q 1, q 2, q 3 q 4 es 4 • 3) DECILES: Soient D1, D2, …,D9 es 9 déciles. Ils

quintiles. On a : 7 ! $ " $ "! ! @
: 00 0 <;% ? , !
• q 1 = x1/5 , ⇒ P(X < q 1 ) = 1/5= 20%
• q 2 = x2/5 , ⇒ P(X < q 2 ) = 2/5= 40% 10 % 80 % 10 %
• q 3= x3/5 , ⇒ P(X < q 3 ) = 60%
e0 D1 D2 D3 ... D9 ek
• q 4= x4/5 , ⇒ P(X < q 4 ) = 80%
• "! q 1, q 2, q 3 q4 7 ! $ " $ "! • @ ( $ 3 P(X < D5 ) = 1/2= 50% ; :"E
! ! : 00 0< %? , ! D5 $ (4 ! :
20 % 20 % 20 % 20 % 20 %
D5=Q 2=M
e0 q1 q2 q3 q4 ek
125 126

21
D.TOUIJAR 02/10/2013

La détermination des quantiles: - %&! ! ! $ % 0 ((

i) $ % # &5 $$
( ! $ (1( $$ $
(4 ! 5 $ 00 ( $ 0,5 α. !"
ii) $ % # & &#! # : [0 ; 35[ 30 30
xα ∈ [ei −1 ; ei [ 5 $$ " "! # $ [35 ; 70[ 45 75
$ 0 4 ! ( $4 4 !
( ! α [70 ; 140[ 25 100
α − Fi −1
xα =ei −1 + ai Total 1 Au plus
fi 127 128

Exemple : " $ !7 0 (( 3 Exemple : " $ !7 0 (( 3

25 − F0 ≤ +M);
)%M 10 − F0 )%M;%M);
Q1 =e0 + a1 D1 =e0 + a1
f1 f1
) ≤ >+M)= ) ≤ %M)=
25 − 0 10
= 0 + 35 = 29,17 m € = 0 + 35 × = 11,67 m €
30 30
90 − F2
75 − F2 D9 =e2 + a3
Q 2=M Q3 =e2 + a3 D5=M f3
f3
=50,56 m€ =50,56 m€ 90 − 75
= 70 + 0 = 70 m € = 70 + 70 = 112 m €
129
25 130

Ecart interquantile: ! c) Les écarts relatifs: 6

∆Q
i)Ecart interquartile relatif : ∆Q r =
M
i) Ecart interquartile: ∆Q = Q 3 - Q 1 . ii)Ecart interdécile relatif : ∆Dr =
D9
D1
ii) Ecart interquintile ∆/ /( /
Exemple :
iii) Ecart interdécile: ∆ D = D9 - D1 . ∆Q r =40,83/50,56 = 0,808= 80,8%
Exemple : ∆Dr =112/11,67= 9,6
∆Q = 40,83 m€
(" ! , ;%? $ $ ,
∆ D = 79,33 m€ "! ! ! 4 à 9,6 0" $ !
131 $ , ;%? $ $ 132

22
D.TOUIJAR 02/10/2013

II)4 4 6& . • %
La variance est aussi notée σ x
2

Pour une variable statistique continue les sont

* / . 3 les centres des classes.

• Définition: $ 72.3 ' /2$ 6& 3

{( )1 ≤ i ≤ k } Définition: $' + . σX

1 k k
V ( X ) = ∑ ni ( xi − x ) = ∑ f i ( xi − x ) 2
2
1 k k
n i =1 i =1 σ x = V (X ) = ∑ ni ( xi − x ) 2 =
n i =1
∑ f i ( xi − x ) 2
133 i =1 134

3
• L 3
V ( X ) = ∑ f i ( xi − x ) 2 = 1049,672
, ! x= ∑ f i x i = 55 ,125 m € i =1
i =1
⇒ σ X = 1049,672 = 32,3986 m €
Classes fi xi (xi- x)2 fi (xi- x)2
, 7# % ! $. !#&&$ ! .
[0 ; 35[ 0,30 17,5 1415,641 424,692 La variance s’écrit aussi comme la différence
entre la moyenne des carrés et le carré de la
[35 ; 70[ 0,45 52,5 6,891 3,101 moyenne :
[70 ; 140[ 0,25 105 2487,516 621,879 V ( X ) = x2 − x 2
1 k   k 
Total 1 --- --- 1049,672 =  ∑ ni xi2  − ( x ) 2 =  ∑ f i xi2  − ( x ) 2
135  n i =1   i =1  136

Exemple :
− (55,125)
81768,75
V ( X ) = x2 − x 2 =
2

20
Classes ni xi ni xi ni xi2 = 4088,438 − 3038,766 = 1049,672
[0 ; 35 [ 6 17,5 105 1837,5 ⇒ σ X = 1049,672 = 32,399 m €
[35 ; 70 [ 9 52,5 472,5 24806,25
[70 ; 140 [ 5 105 525 55125 8 5 9 % . !

Total 20 - 1102,5 81768,75 0 1 2 3 "4 5 1 5 2

0 1 2 "4 5 1 52
137 138

23
D.TOUIJAR 02/10/2013

8 &#& ! # : # . #
P n
P1 P2
Définition : $ Cv '
n1 n2 ! + x
x1 et x2 ' 5+ σX :
σ12, σ22 " σ2
σX
P
Cv =
( )(
σ 2= f1σ12 + f2σ 22 + f1(x1 − x)2 + f2 (x2 − x)2 ) :$ @ : !0$ "! !
x

σi2 intra pop σ x2i inter pop ( ! {15, 25, 35} et {150, 250, 350}. !
" $ (1( @ : !0$ "!
Où
x = f1 x1 + f 2 x2 =
1
(n1 x1 + n2 x2 )
n 139
Cv A = 8,16 25 = 0,33 = Cv B = 81,6 250 140

• La notion de concentration est apparentée à celle de

$ dispersion, mais elle traduit le phénomène de

répartition de « la masse globale » de la grandeur
étudiée :salaires, chiffre d’affaires, consommation d’un
produit, superficie cultivable…

• L’étude de la concentration ne concerne que les

! variables statistiques continues dont les modalités

sont positives et leur somme a un sens. On introduit
dans ce chapitre les paramètres de
concentration, pour apprécier la différence entre une
répartition égalitaire de la masse globale (une
répartition idéale) et la répartition réellement
observée.
142

i i
• " ! 6$ "! ! "! Si = ∑ s j = ∑ n jx j $ ( 2 " 4 4
$ $ "! " 7 " 4 ! j =1
$ !
j =1
4 ! ! ! $ !04 #
$ [ e0 , e1 [, [ e1, e2 [ ,⋯ , [ ek-1, ek [ 8" $ ( ( $4 " 4 #$ $ # #9
: 00 0 0 ⋯ 5 !
s i ni x i fx
0 ⋯ ! !" 3 gi = = = i i $ ( $ $
S S x
$ # # 8" $ " " "! $ ( 7$"6 $
3$ ( 2 ! $ ! # #9
$ # #$ % &
Si
Gi = $ ( ( $4 $ " 4 # $
k k $
S# # 8" $ " " "! $ ( 7$"6 $
S = ∑ s i = ∑ n i xi3 $ ( 7$"6 $
" 4 4 $ ! 4 ! ! ! $
i =1 i =1
2 !04 # 9
143 144

24
D.TOUIJAR 02/10/2013

- %&! ! "! 2 $ 6 "!

$ , $
Remarques :
! '(5 ;;% $ 4 / ! ! 3
• i) On a, 0 ≤ Gi ≤ 1 pour tout i. Gi
Salaires en DH/h ni xi si = ni xi gi= si
• ii) Soit x une valeur quelconque du caractère, G(x) S
[10 , 12[ 15 11 165 0,092 0,092
est la proportion de la masse globale possédée par
[12 , 15[ 35 13,5 472,5 0,264 0,356
les individus présentant une valeur inférieure à x, et [15 , 20[ 45 17,5 787,5 0,441 0,797
on a G(ei ) = Gi. [20 , 25[ 10 22,5 225 0 ,126 0,923
[25 , 30[ 5 27,5 137,5 0,077 1
Total 110 ------- S=1787,5 ------- -------
145 146

•(1) Définition : 0,5 − Gi −1

M l = ei−1 + ai ×
. % gi
% %
:4 6 "$ (4 $ (4 ! , !" 4 ∆)
4 ! ! "! ! "!
G(Ml) =0,5 =50 % . ∆M
∆M =Ml - M et ∆M r =
e
(2) Détermination de la médiale
" 4 $ 4 ( ! "! $ • ∆M r = 0 $" M = M l "! "! !
(4 $ ($ # $$ $ (4 ! 6 "! 0 ( ! 47 $
! ( $ N ! $ Fi $ Gi • $ ∆M r 7 ! $ $
147 "! ! "! 0" 5 ! ( ! 148

!"! # !" @ 3 •$ " 6 ! "6 ! $4

0,356 ≤ 0,5 < 0,797 donc M l ∈ [ 15, 20 [ " 6 "! ! "! " " 6
Gi " !O
0,5 − 0,356 C B
M l = 15 + 5 × = 16,633 ≈ 16,63 DH/h. 1
0,441 D r o ite d ’ éq u ir é p ar titio n
0 ,8
∆M = M l - M =16,63 -15,56 =1,07 DH/h.
0 ,6 A ir e d e
) Courbe et indice de concentration co n c e n tr atio n
0 ,4
•(1) Courbe de concentration Courbe de
Dans un repère orthonormé, on trace les points 0 ,2 c o n ce n tr a tio n
de coordonnées ( Fi , Gi ) et on les joint par des
A
segments de droite. 0
149 O 0,2 0 ,4 0,6 0,8 1 Fi 150

25
D.TOUIJAR 02/10/2013

•(2) Indice de concentration Analogie :

•(a) Définition
• $ Distribution {(x , n ) } Distribution {(x , n x ) }
i i 1≤i ≤k i i i 1≤i ≤k
/ !
k
I C = 1 − ∑ f i ( G i −1 + G i )
i =1

5
• I C = 1 − ∑ f i ( G i + G i −1 )
i =1
• = 1- 0,872 = 0,128 = 12,8 %
151 152

Salaires fi Fi Gi = Si fi(Gi-1+Gi)
S
[10 , 12[ 0,136 0,136 0,092 0,013 PARTIE 2
[12 , 15[ 0,318 0,454 0,356
0,375 0,142
0,149
0,473
[15 , 20[ 0,410 0,864 0,797 0,481
SERIES DOUBLES
[20 , 25[ 0,091 0,955 0,923 0,157
[25 , 30[ 0,045 1 1 0,087 Ajustement linéaire et Corrélation
Total 1 ____ ____ 0,887
0,872

FIN 153

• I) TABLEAUX DE CONTINGENCE Y en
X en CDH
• (1) Exemple introductif année
• On désire étudier la répartition de 50184 salariés
selon l’ancienneté et le salaire mensuel. 2890 1836 102 0 4828
• Posons : 9044 7378 884 204 17510

X : la v .s .c . désignant l ' ancienneté en année 5746 10404 1564 374 18088


•Y : la v .s .c . désignant le salaire mensuel (en DH ) 1666 6018 1666 408 9758
Total 19346 25636 4216 986 50184
• Les données sont représentées par le tableau
Source :statistiques de la délégation régionale du centre
suivant : Nord : octobre 1984 en se basant sur le recensement de la
155
population et de l’habitat de 1982 : milieu urbain 156

26
D.TOUIJAR 02/10/2013

• Si on ne considère que la 1ère ligne Y et la dernière • Cas des données individuelles :

ligne (Total) on obtient la répartition des 50184 salariés •Exemple introductif
selon le salaire (c.à.d. la distribution marginale de Y)
Soient X et Y deux variables statistiques définies sur une
même population de taille n. On note par ( 7 ) ; i =1,2,....,n
6 19346 25636 4216 986 50184 le couple de valeurs de X et Y pour le & individu.

• De même si on ne considère que la 1ère colonne (X)

7 7 7 7
à la dernière colonne (Total) on obtient la " TOTAL

2 1 0 0 0 1
répartition des 50184 salariés selon
0 1 0 0 1
l’ancienneté : distribution marginale 4828
de (X) 17510
0 0 1 0 1
18088
• La ligne (Total) et la colonne (Total) 9758 0 0 0 1 1
sont appelées « marges».
Total 50184
157
TOTAL 1 1 1 1 158

• ! , , #4 $ $ "! " !
• 4 4 "!"( @ ! $ 6$ X Y " 5
$ " 4 4α ( $: ! ! $ "! 4 ! ! ! 2 " ,"7"! $
(" $ "! $ "! ( * !7 $ " ! (xi , yi ). : ! (6$ "!
8 6$ ;3 @ $ 9 $ ! : $$ «nuage de points ». 0" (
0$ "! 0 ( 8 6$ 03 @ $ 4 9 ! 7 !" ! 7! $ ! $
$ ! 7 5 $" 5 $ ! 7 8 ! ( $$ $ "! ! X Y $ " 6
0$ "! 9 ! $ 4 ! - $ ( @5 ! 7 !
6$ 8 ! ( $$ '9 ! + :! 4 "E " 6 !
O"! 3 " ( 8
5 6 9 12 18 % ).
7 25 30 35 45 65159 160

) Ajustement linéaire • (4 ," "! # 4

(!
• " - !! 7 " ! 5 "! $:4 "! : ! " $$ "(( $
," ( " $ " 6 "!! 4 ! ! $ "!
8 @ "! ! $$ 5 $"7 ,( 5 " 9 $$ ! 7 " " (!( $
$ $ " , " $ (* # 2 < %
"! ! 7 • ! $ $ HH " 4 (!
• ! $ "E $ ! 7 ! 0" ( $ @ " 47 "! 3
$$"!74 5 $ 4 ! $ " $ a) La droite de régression de Y en X: est utilisée pour
$ " 4 ! $ $" / ! expliquer Y par X. Cette droite est notée PQR et a
ajustement linéaire pour équation y = a x + b.
• " 4 ( ! $:4 "! $ " Où Cov( X , Y )
: - ( ! "! $ 5 2 " !5$ a= et b = y − ax
(4 ," (" ! 4 8 ' ' 9 161 V (X ) 162

27
D.TOUIJAR 02/10/2013

E 70
Y Nuage de points: Ventes en
1 n 
Cov( X , Y ) =  ∑ xi yi  − ( x y ) et 65
60
fonction de la Pub
 n i =1 
50
1 n 1 n
x = ∑ xi et y = ∑ yi 45
40
n i =1 n i =1 35
30
1 n 2
V ( x) =  ∑ xi  − x 2 ( ) 25
20
 n i =1 
10 5 9 X
!"! # !" - %&! ! " 0 163
4 6 8 10 12 14 16 18
164

0" ( ! 7 $ " (" !

7 7 7 $$"!74 ! "! ( y#
1 5 25 125 25 625 x7I #$ " 47 "! P ! R3
5
1 50
∑
2 6 30 180 36 900
x= xi = =10 mDH
3 9 35 315 81 1225 5 i=1 5
4 12 45 540 144 2025
15 200
5 18 65 1170 324 4225 y = ∑ yi = = 40 mflacons
5 i=1 5
TOTAL 50 200 2330 610 9000

∑/n 10 40 466 122 1800

 1 n 2  2 610
V (x) = ∑xi  − x = −100= 22 ( )
165
 n i =1  5 166

• " PQR " 4 "!3

Cov ( X , Y ) = xy − x y y=ax+b
1 5
 1 5
 1 5

=  ∑ xi yi  −  ∑ xi  ×  ∑ yi  y = 3 × x + 10
 5 i =1   5 i =1   5 i =1 
milliers flacons flacon / DH mDH milliers flacons
1
= × 2330 − 10 × 40 = 66
5
• a=3 $ ! $ " 5 $ 7! 0
66
⇒ a= = 3 et b = 40 − 3 × 10 = 10 1 DH $4( ! ! ! 6
22
( ! 3 0$ "! $

167 168

28
D.TOUIJAR 02/10/2013

• b) La droite de régression de X en Y : $$ !"! ! " ! 0" # !" @ ( $

$ 4 " @ $ *

• Où
" " 4 "! ' +* x =a’ y + b’ 1 5 2
( )
V ( y ) =  ∑ y i  − y 2 = 1800 − 1600
Cov( X ,Y )  5 i =1 
a' = et b' = x − a ' y 66
V (Y ) = 200 et a ′ = = 0,33
• Remarque : 4!4 $ ( ! 5 "! $ 200
@ " RQP PQR ! ! (1( b ′ = 10 − 0,33 × 40 = − 3, 2
2 ! 5 $/4 "! RQP
/4 3
1 b′ DX / Y : y = 3,03 × x + 9,7
y= x− où a' ≠ 0
a′ a′ 169 170

Nuage de points: Ventes en REMARQUES:

70
fonction de la Pub
65 Dx/y : y = 3,03x + 9,7
• |a| < (1 / |a’|); :"E $ ! PQR $
60
$$ RQP D "! PQR $
55
y = 3x + 10 ," O"! $ RQP
50
45
40 • $ $ @ " 47 "! '
G(x,y) ', "! " , $: ! $: 5 : #
35
30
$: !7$ ! PQR RQP

25
$ $ $ "! $ !4 ! *
20
0"
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
171 172

• ) Coefficient de corrélation linéaire •(2) Propriétés

• Dans le cas d’une liaison linéaire entre X et Y, on •(a) Le coefficient r a le même signe que Cov(X,Y), ce
mesure le degré de cette liaison par le coefficient de qui donne le signe de la liaison :
corrélation linéaire. •- Si r < 0, alors la liaison linéaire est négative.
•- Si r > 0, alors la liaison linéaire est positive.
• (1) Définition : $ •- Si r = 0, alors la liaison linéaire est nulle.
. 9 ' •(b) -1 ≤ r ≤ +1 :
• i) Pus la valeur absolue de r est proche de 1 et plus
Cov ( X , Y ) Cov ( X , Y ) la corrélation (ou la liaison) linéaire entre X et Y est
r= = forte.
V ( X ).V (Y ) σ X .σ Y
• ii) Pus la valeur absolue de r est proche de 0 et plus
• r est sans dimension la corrélation linéaire entre X et Y est faible
173 174

29
D.TOUIJAR 02/10/2013

r = -1 -1 < r < 0
Valeurs de r pour interprétation: Y D’
Y
×D × ×
× × × ×
× × × D
• 0 ≤ |r| < 0,40 : faible ou quasi absence de D ×
corrélation X
X Une liaison linéaire
Une liaison linéaire relative et négative.
• 0,40 ≤ | r | < 0,60 : moyenne corrélation totale et négative.

• 0,60 ≤ | r | < 0,80 : bonne corrélation;

• 0,80 ≤ | r |≤
≤ 1 : corrélation élevée. 175 176

r=0
r=1
D’ Y D’
Y ×
× × ×
×
× × D
× × × D
× × 0<r<1 ×
D’

X X
Indépendance totale. Y
Une liaison linéaire totale et positive.
× ××
× × × D
× ×

X
Une liaison linéaire relative et
positive. 177 178

!"! ! " ! 0" # !" @ ( $

cov ( X , Y ) 66
r= = = 0,99 PARTIE 3
V ( X )V (Y ) 66 ,33

"! $ "!3
r " 0 $ 2 " ,
5 "!
$ !4
$
!
!
*
2 0"
"
" 4$ "!
:
$ : ;- ! :
$:"! "! 47 , ( !
$ "! "! " ' ',
179

30
D.TOUIJAR 02/10/2013

• Introduction : ) Indices élémentaires

– "! :! 40 ! $ •(1) Définition : : . %
"( "! " $ "6 "! #
$: ! : $$ 8$ ; @ ( $ 95 < = < =
! $ ( Q" ! $: 2 3 .
< =
• ! ! 1 4$4( ! 8; $
$ 3 @ !5 " !7 S9 "
xt1
! ,4
$( !
8 $
5 !
$ 3 "
$ "!3
I t1 (X ) = =
x1
t0 xt 0 x0
H H RS9

181 182

Remarque : " ! 5 "! 4 "! $ 3 ! $ $ $: ! !"(6 "

@ 0 "! 2 ! %%; 6 ;%% ! %%%
I 1 (X ) =
x1
× 100
!
0

R#$
x0
;5 6 ;%% # $ %
I 01 ( X ) = 260 ×100 = 104
00 250
- %&! 4 " @
0 "! 2 H " 8 ! ( $$ 9 - . # ! %%;

( X ) − 100 = +4%
Avril 2000 Av. 2001 Av.2002
250 260 205 ∆ r X = I 01
00
;%% ! %%% 8 $9
183 184

(2) Propriétés des indices simples : ! 4 0 3

$ I 0 0 = 100 I 01 × I 00 = 104 × 96,15 ≅ 10000
−1 00 01
$. ! $ I t =  I 0  ×100 2 ! $3
I tn × I t n−1 × ⋯ × I t1
0  t
I tn =
t n−1 t n−2 t0
( 3 69 :4 ( n −1)
t0 100
I t × I 0 = 100 2 - %&! 3
0 t
@ ( $ 3

I 00 ( X ) = 0 × 100 =
x 250
× 100 = 96,15 I 02 ( X ) = x2 ×100 = 205 ×100 = 82
01 x1 260 185
00 x0 250 186

31
D.TOUIJAR 02/10/2013

 205  ) Indices synthétiques

Et I 02 × I 01 =  × 100  × 104 = • " X ! 7 ! "( $ @ 5 "( " 4
01 00  260  k 6$ ( $ 3
I 02 × I 01 X 1 , X 2 , …, X k
78,8 × 104 = 8200 ⇒ 01 00
= 82 " "!
100 xtj
I ( X ) = j ×100
j
t
% 3 R<P@T D $" 0 x0

I 1 (Y )× I 1 (Z )
:! 4$4( ! $ 6$ X j # $
56 ;%% # $ %
I 1 (X ) = 0 0
0 100 187 188

(1) Définition : $' + & ℑ >< (2) Différentes formules d’indices synthétiques
? a) Indice de laspeyres ℒt/0 +
2 = @ A ?
>< >< ><3 & 8
><
α 2
0
j
'
@ ( $ 3 8 " $( ! 5
" !"! $ ( ! 9 % ' .83
k k j
ℒt/0 = ∑ α 0j I t j/ 0 = ∑ α 0j xtj ×100
j =1 j =1 x0
k
où ∑ α 0j = 1
189
j =1 190

b) Indice de Paasche t/0 + c) Indice de Fisher ℱt/0 +

& 8 % + &
><
αt 2 j

3
ℱt/0 = ℒt/0 x t/0

1 100
= =
k
αt j k
x0j " ! 5 "!
∑I
j =1
j ∑
j =1
αt j
xt
j

t/ 0
t/0 ≤ ℱt/0 ≤ ℒt/0
191 192

32
D.TOUIJAR 02/10/2013

(3) Propriétés des indices synthétiques

9 $ 4 !: 4 04 ! "
1 1
!
69 : ! ) , $ $# " " 4 0
= ×1002 = ×1002
$ " 44 4 6 $ 4D ! 00 ℒt/0 x t/0 ℱt/0
jk
x
ℱ0/t = ∑ α t j ×100 × 1
0 j
×100
xt k
j xt
j
⇒ ℱt/0 x ℱ0/t = 1002
j =1
∑
j =1
α 0
x0j

= 8;Q t/0 9@;%% @8;/ ℒt/0 9 @;%%

193 194

(4)Les indices utilisés dans la pratiques :"E 3 k

- ∑
j =1
p t j q 0j
i) L’ indice de laspeyres des Prix
j j
• ℒt/0 (p) < k
× 100
• " ! p0 et q0
! 4 $:
( ! $ @
$ - "! "((4 # $: !!4
j j
$
∑
j =1
p q
0
j
0
j

6 " ! pt et qt @
$: !!4 " ! $" $: !
$ @5 !" 4 ℒt/0 (p)5 3 Remarque
k
ptj p 0j q 0j $ " p0j q0j !: $ $
ℒt/0 (p) < ∑ α 0 × 100 ; où α 0j =
j
j k
$: $ - "! "((4 # $: !!4 6
p0
j =1
∑p
j =1
0
j

195
q 0j
196

ℒt/0 (p) "! $ (" !! ,(4

100 ptj qtj
! @ k $
t/0 (p) < k j
; où α t = j
k
"! 4 4 $ $ 7$"6 $ #$
j p0
% $ 4 $:4 "$ "!
"! "(( "! "! $
@ : ! !
! 4 "!
∑ αt j
pt
∑p q
j =1
t
j
t
j

j =1
," # $: !!4 6 k

∑q
j =1
t
j
ptj
• ii) L’ indice de Paasche des Prix :"E t/0
( p) = k
×100
∑q
j =1
t
j
p 0
j

• C’est $ (" !! , ("! ! $ 4 $:4 "$ "! @ : ! !

@ k $ "! 4 4 $ "! "(( "! "! $ ! 4 "!
$ 7$"6 $ 8α 9 # $ " ! ," # $: !!4 " !
197 198

33
D.TOUIJAR 02/10/2013

" $ ii) L’ indice de paasche des Quantités

k
i) L’ indice de laspeyres des Quantités
• 0" $ @ "! "! ! $ 100
∑q t
j
ptj
! 4 "! 6$ 3
t/0 (q) < k j
= jk=1 ×100
j q0
k ∑ α t j ∑ q0 pt j j

qt
qtj k ∑p q j j
0 t
j =1 j =1

ℒt/0 (q) <∑α j ×100 =

j =1 $& (# . !
0
j
×100 k

∑p q
k
q0 j j
j =1
∑ p0j q0j
j =1 Q% <
j =1
k
t t

×100 =
Dépenses Totales à la date t

199
∑p q
j =1
j j
0 0
Dépenses Totales à la date 0
200

" "! d = p " q D $" 3 •Exercice1: Le C.A. de la filière boulangerie pâtisserie

d’une grande surface a été multiplié par 1,5 entre
1999 et 2001 et se répartissait ainsi
ℒt/0 (d) < >< (d) < ><
Année 1999 2001
! Pain 50% 25%
ℒt/0 (p) x t/0 (q) ℒt/0 (q) x t/0 (p) Pâtisserie 30% 40%
><B B
100
Gâteaux 20% 35%
100 •Les indices des prix(base100 en 98) ont suivi
l’évolution suivante Année
"! ! " 3 1999 2001
Pain 100,8 104,7
ℱt/0 (p) x ℱt/0(q) Pâtisserie 100,8 103,9
><B
100 201
Gâteaux 100,9 107,7
202

α
Questions:
C01j α t j
j j
Année I 01 t
j

99 I
;. $ $ 8 96 ;%% ! ; 01 / 99

. $ $ $: ! , 00 : 00 !%;Q Pain 103,9 25 0,25 0,002

=. ! 4 ! ! ! 4 %;Q Pâtisserie 103,1 40 0,40 0,004

Gâteaux 106,7 35 0,35 0,003

$&#
*' ! !# 2 # ! Total ---- 100 1 0,009
%&! 6 ;%% ! D $ 4
1 C01j
I 01 × I
j

01/ 99 ( p ) = k ; où α t =
j j j
I
∑
99 01
I j 0198 = ⇒ I 01 =
j
×100 α t j  C01j
∑
99 98 98
100 I j  
99
99
98 203 j =1 
I 01j / 99  204

34
D.TOUIJAR 02/10/2013

• D’où
1
01 / 99 ( p ) = = 111,1
0,009
2- $: ! , 00 : 00 ! %;Q 3

01/
01/99 < ;+% 8 4!"! 49
=. ! ! 4 D "! 3

ℒt/0 (q)= 01 / 99
× 100 =
01 / 99 ( p )

150
× 100 = 135
111 ,1 205

35