Cours de Statistique Descriptive: Représentation Et Description Des Données

Motivation Description unidimensionnelle des données
Cours de Statistique descriptive

Représentation et description des données
STATISTIQUE DESCRIPTIVE UNIDIMENSIONNELLE
Abdeljalil SETTAR
a.settar.fstm@gmail.com
Code Classroom : z6jgx6f
Université Hassan 2 – Faculté des sciences et techniques
MIP/S4 2023-2024
A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 1 / 99

Plan du chapitre
1 Motivation
Statistique vs statistique(s) !
Donnée, c’est quoi en fait ?
2 Description unidimensionnelle des données

Présentation des données : Tableau statistique et Visualisation
graphique
Paramètres de tendance centrale
Paramètres de dispersion
Paramètres de dispersion relatif

MOTIVATION

statistique(s) : Collection de chiffres relatif à un phénomène.

Statistique : L’ensemble des techniques et des procédés quantitatives
de traitement des données (statistiques). (Méthodologie,
approche,. . .).

Exemples
Exemple 1 : Sexe des étudiants

On s’intéresse à la variable "Sexe" notée X de 15 ètudiant(e)s.
Les données brutes sont fournies comme suit :
M, F, F, M, M, M, F, M, F, M, F, M, M, F, F

Exemples

Exemple 2 : Nombre de modules validés

On s’intéresse au nombre de modules validés X parmi 8 modules du
premier semestre de 15 étudiant(e)s. Les données brutes sont fournies
comme suit :
2, 1, 0, 2, 3, 0, 1, 2, 4, 1, 3, 6, 4, 3, 7

Donnée : Ce qu’on observe comme valeur (modalité) d’un caractère

étudié chez un individu appartenant à une population ciblée.
Décrire une donnée commence par l’identification de :
- La population ciblée (Les étudiants d’une faculté, les coopératives
dans une zone rurale, les entreprise productrice du beurre . . .)
- L’individu (unité statistique)(étudiant, vache, entreprise . . .)
- Le caractère étudié :
Qualitatif nominal (type de technologie utilisée dans la production)

Qualitatif ordinal (niveau de difficulté d’un examen selon les étudiants
qu’ils l’ont passé)
Quantitatif discrèt (nombre de modules validés),
Quantitatif continu(regroupé par classes) (la production laitière)

Pourquoi ? et Comment décrire ?
Les outils de statistique descriptive permet de répondre à ces questions

selon la démarche suivante :
1 Représenter numériquement et graphiquement les données ;
2 Synthétiser l’information portée par les données sous forme
d’indicateurs (paramètres) permettant de comprendre la structure des
données ainsi que faire des comparaison entre deux ou plusieurs
populations.

DESCRIPTION UNDIMENSIONNELLE DE
DONNEES

Présentation des données : Tableau statistique et Visualisation graphique
Tableau statistique
Les données sont souvent disponible sous la forme brute telle qu’elles
ont été collectées ou mesurées.
Pour des données de grande taille, une telle forme est difficilement
exploitable. L’extraction des informations statistiques est quasiment
impossible !
Le tableau statistique permet de regrouper les modalités
x1 , x2 , . . . , xk d’un caractère étudié X en fonction de leurs fréquences
d’occurrence (les effectifs ni ou les fréquences fi , i = 1, . . . , k).
La série {(x1 , n1 ); (x2 , n2 ); . . . ; (xk , nk )} est appelée la série statistique
associée à X .

DONNEES QUALITATIVES

Tableau statistique
Données qualitatives

→ En regroupant ces données sous forme de tableau statistique, on
obtient :
Sexe Effectif
F 7
M 8
Total 15
Table – Sexe des étudiants en effectifs

Visualisation graphique
Diagramme en rectangles (ou en tuyaux d’orgue)
→ Repésentation des effectifs (ou fréquences) des modalités d’un

caractère qualitatif.
Figure – Répartition des étudiants selon le sexe

Diagramme en secteurs (ou camembert)
→ L’effectif de chaque modalité est représenté par un angle

ni
αi = 360o = 360o fi
Ni
Figure – Répartition des étudiants selon le sexe

DONNEES QUANTITATIVES DISCRèTES

Tableau statistique
Données quantitatives discrètes
Exemple 2 : Nombre de modules validés

On s’intéresse au nombre de modules validés X parmi 8 modules du
premier semestre de 15 étudiant(e)s. Les données brutes sont fournies
comme suit :
2, 1, 0, 2, 3, 0, 1, 2, 4, 1, 3, 6, 4, 3, 7

Données quantitatives discrètes

Tableau statistique-série statistique
→ En regroupant ces données sous forme de tableau statistique :

xi ni
0 2
1 3
2 3
3 3
4 2
6 1
7 1
Total 15
Table – Nombre de modules validés en effectifs
{(0, 2); (1, 3); . . . ; (8, 0)} est la série statistique associée à X .
Diagramme en bâtons
→ Repésentation des effectifs (ou fréquences) des modalités d’un

caractère quantitatif.
Figure – Répartition des étudiants

A.SETTAR (FSTM) selon
Cours de Statistique le nombre des modules
descriptive validés
MIP/S4 2023-2024 17 / 99
Notations
Les notations suivantes n’ont aucun sens analytique ou algèbrique des

fonctions et des applications.
n(#) : Nombre des individus ayant une valeur du caractère vérifiant la

propriété #.
n(X ≤ 3) : Nombre des étudiants ayant validé au plus 3 modules [15]
f (#) : Proportions des individus ayant une valeur du caractère
vérifiant la propriété #.
f (4 ≤ X ≤ 5) : Proportion des étudiants ayant validé entre 4 et 5
modules [15].

Au moins/au plus/moins de/plus de
à noter !
au moins=moins que, i.e. n(X ≥ a) = N − n(X < a)
au plus=plus que, i.e. n(X ≤ a) = N − n(X > a)

Tableau statistique
Effectif cumulé-Fréquence cumulée
Modalité Effectif Effectif cumulé Fréquence Fréquence cumulée

xi ni N(xi ) = N(xi−1 ) + ni fi = ni /N F (xi ) = F (xi−1 ) + fi
x1 n1 N(x1 ) = n1 f1 F (x1 ) = f1
x2 n2 N(x2 ) = N(x1 ) + n2 f2 F (x2 ) = F (x1 ) + f2
x3 n3 N(x3 ) = N(x2 ) + n3 f3 F (x3 ) = F (x2 ) + f3
.. .. .. .. ..
. . . . .
xk nk N(xk ) = N fk F (xk ) = 1
Total N = Σki=1 ni 1 = Σki=1 fi

Tableau statistique
à retenir (Interprétation)
N(xi ) = n(X ≤xi ) : l’effectif des individus ayant une valeur du
caractère ≤ xi (au plus xi ).
N(xi )
F (xi ) = f (X ≤xi ) = : la proportion des individus ayant une
N
valeur du caractère ≤ xi (au plus xi ).

Tableau statistique
Exemple 2 (suite) :
xi ni N(xi )
0 2 2
1 3 5
2 3 8
3 3 11
4 2 13
6 1 14
7 1 15
Total 15
Table – Nombre de modules validés en effectifs

Tableau statistique
Le nombres des étudiants qui ont validé au plus 2 modules ? [3]
N(2) = n(X ≤ 2) = n1 + n2 + n3 = 2 + 3 + 3 = 8
La proportion des étudiants qui ont validé au plus 2 modules ?
2 3 3 8
F (2) = f (X ≤ 2) = f1 + f2 + f3 = + + =
15 15 15 15
Ou bien :
N(2) 8
F (2) = =
N 15

Tableau statistique
Le nombre des étudiants ayant validé au moins 2 modules : [3]
n(X ≥ 2) = N − n(X < 2) = N − n(X ≤ 1) = N − N(1) = 10
Le nombre des étudiants ayant validé moins de 2 modules
n(X < 2) = n(X ≤ 1) = N(1) = N1 = 5
Le nombre des étudiants ayant validé plus de 2 modules
n(X > 2) = N − n(X ≤ 2) = N − N(2) = 15 − 8 = 7

Tableau statistique
La proportion des étudiants ayant validé entre 1 et 3 modules

f (1 ≤ X ≤ 3) = f (X ≤ 3) − f (X <1) = f (X ≤ 3) − f (X ≤ 0) =
F (3) − F (0) = 60%
à noter !
Pour un caractère quantitatif discrèt X , on a :
f (xi−1 ≤ X ≤ xi ) = F (xi ) − F (xi−2 )
(Ne pas compter la frq́uence de xi deux fois !).

DONNEES QUANTITATIVES CONTINUES

Tableau statistique
Données quantitatives continues
Exemple 3 : Production laitière

On s’intéresse au caractére X exprimant la production laitière journalière
en litre de 12 coopératives. Les données brutes sont fournies comme suit :
22.6, 31.2, 19.8, 18.1, 31.6, 21.3, 23.8, 31.0, 25.7, 22.5, 32.1, 29.4

Tableau statistique
→ En regroupant ces données sous forme de tableau statistique, on

obtient :
Ci = [xi−1 , xi [ ni
[18, 20[ 2
[20, 24[ 4
[24, 30[ 2
[30, 35] 4
Total 12
Table – Production laitière journalière en effectifs
{(C1 , 2); (C2 , 4); (C3 , 2); (C4 , 4)} est la série statistique associée à X .

Histogramme
→ Une représentation graphique des effectifs (ou fréquences) par unité de

mesure(= densités ou effectif/fréquence corrigées).
[xi−1 , xi [ ni ai hi = ni /ai
[18, 20[ 2 2 1
[20, 24[ 4 4 1
[24, 30[ 2 6 0.33
[30, 35] 4 5 0.8
Total 12 − ̸= N
Remarque
L’appellation "effectif" ou "fréquence" corrigées peut être trompeuse
car ki=1 hi ̸= N (resp. ̸= 1) si hi est la densité d’effectif (resp. de
P
fréquence).
ni
D’une manière génerale hi = × α, avec α = pgcd(ai ).
ai
Histogramme
L’effectif ni d’une classe [xi−1 , xi [ est la surface du rectangle qui lui

correspond dans l’histogramme ni = ai × hi ⇔ hi = ni /ai

Tableau statistique
Effectif cumulée-Fréquence cumulée
→ Tableau statistique en effectifs :

Modalité Amplitude Centre Effectif Effectif cumulé
Ci = [xi−1 , xi [ ai = xi − xi−1 ci = xi +x2 i−1 ni N(xi ) = N(xi−1 ) + ni
C1 a1 c1 n1 N(x1 ) = n1
C2 a2 c2 n2 N(x2 ) = N(x1 ) + n2
C3 a3 c3 n3 N(x3 ) = N(x2 ) + n3
.. .. .. .. ..
. . . . .
Ck ak ck nk N(xk ) = N
Total − − N = Σki=1 ni −

Tableau statistique
Effectif cumulée-Fréquence cumulée
→ Tableau statistique en fréquences :

Modalité Amplitude Centre Fréquence Fréquence cumulée
Ci = [xi−1 , xi [ ai = xi − xi−1 ci = xi +x2 i−1 fi = nNi F (xi ) = F (xi−1 ) + fi
C1 a1 c1 f1 F (x1 ) = f1
C2 a2 c2 f2 F (x2 ) = F (x1 ) + f2
C3 a3 c3 f3 F (x3 ) = F (x2 ) + f3
.. .. .. .. ..
. . . . .
Ck ak ck fk F (xk ) = 1
Total − − 1 = Σki=1 fi −

Tableau statistique
Exemple 3 [27] (suite) :
[xi−1 , xi [ ai ci fi F (xi )
[18, 20[ 2 19 1/6 1/6
[20, 24[ 4 22 1/3 1/2
[24, 30[ 6 27 1/6 2/3
[30, 35] 5 32.5 1/3 1
Total − − 1 −
Table – Production laitière journalière en effectifs

Tableau statistique
La proportion des coopératives qui produisent au plus 24 l/jr est

F (24) = f (X ≤ 24) = f (18 ≤ X < 20) + f (20 ≤ X < 24) =
2/12 + 4/12 = 50% [5]
La proportion des coopératives qui produisent au moins 20 l/jr est
f (X ≥ 20) = 1 − F (20) = 1 − 1/6 = 5/6 = 83.3% [5]
La proportion des coopératives qui produisent entre 20 l/jr et 30 l/jr

est
f (20 ≤ X ≤ 30) = F (30) − F (20) = 2/3 − 1/6 = 50% [5]

Tableau statistique
à noter !
Pour un caractère quantitatif continu X , on a :
f (xi−1 ≤ X ≤ xi ) = F (xi ) − F (xi−1 )
Car f (X < xi ) = f (X ≤ xi ). ̸= [25]

Tableau statistique
Quelle est l’effectif et la proportion des coopératives qui produisent une

quantité du lait entre 25 et 28 l/jr ?
L’effectif n correspondant à la classe [25, 28] n’est pas observable !
Sous l’hypothèse d’équirépartition des observations à l’intérieur de
chaque classe, on suppose que les deux classe ont la même densité,
i.e.,
n n3 f f3
= ⇔ =
28 − 25 30 − 24 28 − 25 30 − 24
28 − 25
→ n =2× =1
30 − 24
1 28 − 25
→ f = × = 8, 33%
6 30 − 24

Tableau statistique
à noter !
L’effectif n correspondant à une classe [a, b] ⊂ [xi−1 , xi [ d’effectif ni est
calculé comme suit :
b−a b−a
n = ni ⇔ f = fi
xi − xi−1 xi − xi−1
Exemple 3 (suite) [27] : Calculer la proportion des coopératives qui

produisent une quantité de lait comprise entre 22 et 33 l/j.

f (22 ≤ X ≤ 33) = f (22 ≤ X ≤ 24) + f (24 ≤ X ≤ 30) + f (30 ≤ X ≤ 33)
1 24 − 22 1 1 33 − 30

= + + = 53, 33%
3 24 − 20 6 3 35 − 30

Autre méthode : On présente les données de l’exemple 3 [27] en se

donnant seulement les fréquences cumulées :
[xi−1 , xi [ F (xi )
[18, 20[ 1/6
[20, 24[ 1/2
[24, 30[ 2/3
[30, 35] 1
Total −
D’apès (35), on a f (22 ≤ X ≤ 33) = F (33) − F (22)
On a :
F (22) = F (20) + F (24)−F
24−20
(20)
(22 − 20) = 1/6 + 1/2−1/6
24−20 (22 − 20) ≃ 33, 33%
F (35)−F (30) 1−2/3
F (33) = F (30) + 35−30 (33 − 30) = 2/3 + 35−30 (33 − 30) ≃ 86, 66%
D’où :
f (22 ≤ X ≤ 33) = 86, 66% − 33, 33% ≃ 53, 33%

Tableau statistique
Remarques :
Le calcul de l’effectif ni (resp.Ni ) par ni = fi N (resp. N(xi ) = F (xi )N)
est à éviter lorsque la partie décimale de fi (resp. F (xi )) est inexacte !
Pour une classe Ci = [xi−1 , xi [, il est plus rigoureux de noter sa
fréquence (resp. son effectif) cumulée par F (xi ) (resp. N(xi )) au lieu
de Fi (resp. Ni ).

PARAMETRES DE TENDANCE CENTRALE

MOYENNE(S)

Moyenne arithmétique
Motivation
Exemple 4
On choisit deux échantillons de 10 étudiants appartenant à deux groupes
de TD de Statistique pour comparer leurs notes d’examen (/20).
A 10 12.5 7 9 14 11 15.5 18 6 10
B 16.5 14 17 8 18.5 13 13 15.5 12 9.5
10 + 12.5 + 7 + 9 + 14 + 11 + 15.5 + 18 + 6 + 10
xA = = 11.3
10
16.5 + 14 + 17 + 8 + 18.5 + 13 + 13 + 15.5 + 12 + 9.5
xB = = 13.7
10
Le meilleur groupe de TD est donc... ?
Pour un caractère quantitatif discrèt
à retenir
La moyenne arithmétique d’une série statistique discrète
{(xi , ni ), i = 1, . . . , k}, notée x , est donnée par
k k k
1 X X X
x= ni xi = fi xi avec N = ni
N i=1 i=1 i=1
Exercice
Calculer la moyenne arithmétique de l’exemple 2 [15] sous les données
brutes et regroupées.

39
x=
15

Pour un caractère quantitatif continu
Soit X un caractère statistique quantitatif continu dont les valeurs sont

regroupées par classes [xi−1 , xi [ de centres ci , i = 1, . . . , k.
à retenir
La moyenne arithmétique d’une série statistique continue
{(ci , ni ), i = 1, . . . , k}, notée x , est donnée par
k k k
1 X X X
x= ni ci = fi ci avec N = ni
N i=1 i=1 i=1
Exercice
Calculer la moyenne arithmétique de l’exemple 3 [27] sous les données
brutes et regroupées.
310
x=
12

Propriétés générales : linéarité de la moyenne
à noter !
Pour tout caractères quantitatifs X et Y , et tout scalaire λ, on a :
x +λ=x +λ
λx = λx
x +y =x +y
xy ̸= x y
Mais à quoi ceux-ci servent-ils... ?

Propriétés générales : linéarité de la moyenne
Exercice
Un magasin vend trois types de produits, A, B et C. Soient X , Y et Z ,
respectivement, les profits mensuels en DH de la vente des produits A, B
et C durant les six derniers mois :
X : 4015, 4000, 4026, 4005, 4074, 4018

Y : 4200, 3700, 3200, 4000, 3900, 4100
1 Calculer le profit mensuel moyen de la vente du produit A et du

produit B.
2 Calculer le profit mensuel moyen de la vente du produit C sachant que
le profit moyen total de la vente des produits A et C est de 4025,5.

Moyenne des moyennes !

à retenir
Soit X un caractère statistique quantitatif et soient A1 , A2 , . . . , Ak une
partition de k sous populations d’une population P d’effectifs respectifs
N1 , N2 , . . . , Nk et de moyennes respectives x 1 , x 2 , . . . , x k . La moyenne
globale par rapport à P est donnée par :
N1 x 1 + N2 x 2 + . . . + Nk x k
x=
N1 + N2 + . . . + Nk
Exemple : Calculons la note moyenne de l’ensemble des étudiants des

deux TD de l’exemple [43] :
10x A + 10x B
x= = 12, 5
10 + 10

Moyenne
Pour un caractère qualitatif

MODE

Mode
Motivation
Le tableau ci-dessous représente le nombre de recommandations ni

données pour 4 médecins sur une page facebook :
Nom du médecin ni fi (%)
Dr. xxxx 1 ≈ 8, 3%
Dr. yyyy 7 ≈ 58, 3%
Dr. zzzz 2 ≈ 16, 6%
Dr. tttt 2 ≈ 16, 6%
Totale 12 100%
. . .Quel médecin allez-vous choisir ?
à retenir
Le mode d’une série statistique est la modalité la plus représentée dans la
population. Pour un caractère statistique X, le mode est noté Mo (X ).
Mode
Pour un caractère qualitatif ou quantitatif discret
à retenir
Le mode d’une série statistique correspondant à un caractère qualitatif ou
quantitatif discret et la modalité qui posséde le plus grand effectif ou
fréquence.
Dans l’exemple 1, Mo (X ) = ”M” avec un effectif de 8 parmi 15. [11]

La série est dite unimodale
Dans l’exemple 2, les modalités 1,2 et 3 possèdent les trois le plus
grand effectif (=3). [15]
La série est dite trimodale,
Mo (X ) = {1, 2, 3}

Mode
Dans ce cas, le mode n’est pas forcément observable !, on observe plutôt

une classe modale.
à retenir (Classe modale)
La classe modale d’une série statistique quantitative continue est la classe
qui posséde le plus grand effectif corrigé ou la plus grande fréquence
corrigée. On dit souvent la classe qui possd̀e la plus grande densité.

Mode
Exemple 5
Dans une course à pied qui se dispute sur une distance de 42 Km, on a
observé à un instant donné la position des coureurs en fonction de leurs
distances par rapport à la ligne de départ. Les données sont regroupées par
classes comme suit :
[xi−1 , xi [ ni
[5, 10[ 15
[10, 20[ 36
[20, 30[ 7
[30, 40[ 4
Total 62
Table – Nombre des coureurs par distances parcourue

Mode
à retenir (Mode)
Soit [xi−1 , xi [ la classe modale d’une série statistique quantitative
continue. Le mode est donné sous l’hypothèse d’équirépartition des
observation à l’intérieur de chaque classe, par :
∆1
Mo (X ) ≈ xi−1 + ai
∆1 + ∆ 2
Avec : ∆1 = hi − hi−1 , ∆2 = hi − hi+1 où hi est la densité de la classe
[xi−1 , xi [

Mode
Exercice
Calculer le mode dans l’exemple 5 [6].
Mo (X ) ∈ [10, 20[⇒
3, 6 − 3
Mo (X ) ≈ 10 + 10
(3, 6 − 3) + (3, 6 − 0, 7))

QUANTILES

Quantiles d’ordre α, 0 < α < 1
Les quantiles permettent de "zoomer" sur la distribution d’une série

statistique par "tranches".
à retenir
Les quantiles ou les fractiles d’ordre α sont des valeurs qui partagent la
série statistique ordonnée en 1/α parties contenant chacune (α × 100)%
d’observations

Quartiles, α = 0, 25
à retenir
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

Déciles, α = 0, 1
à retenir
Les déciles sont des valeurs qui partagent la série statistique ordonnée en
9 et sont notés D1 , D2 , D3 , . . . , D9

Centiles, α = 0, 01
à retenir
Les centiles sont des valeurs qui partagent la série statistique ordonnée en
99 et sont notés C1 , C2 , C3 , . . . , C99

à retenir
Caractérisation des Quantiles
à retenir (Caractérisation des Quantiles)

Soit qα le quantile d’ordre α d’une série statistique quantitative. Alors :
N(qα ) = αN (resp. F (qα ) = α)
On dit que α × 100% des individus ont une valeur du caractère ≤ qα .
Me = q0.5 ⇒ N(Me) = N/2 et F (Me) = 0, 5

→ 50% des individus ont une valeur du caractère ≤ Me
Q3 = q0.75 ⇒ N(Q3 ) = 3N/4 et F (Q3 ) = 0, 75
→ 75% des individus ont une valeur du caractère ≤ Q3
D2 = q0.2 ⇒ N(D2 ) = 2N/10 et F (D2 ) = 0, 2
→ 20% des individus ont une valeur du caractère ≤ D2
Détérmination des Quantiles

Considérons une série statistique quantitative discrète ordonnée telle que

x(1) ≤ x(2) ≤ x(3) ≤ . . . ≤ x(N) .
à retenir (Cas de données brutes)

x(Nα) + x(Nα+1)
Si Nα ∈ N alors qα = (*)
2
Si Nα ∈
/ N alors qα = x(⌊Nα⌋)+1
(⌊.⌋ : Partie entière)
Dans l’exemple 4 [43], la médiane de la série des notes de la classe A

(aprèrs l’avoir ordonner !) est Me (X ) = x(5) = 10. (10 × 0, 5 = 5 ∈ N).
Dans le même exemple, le 3 eme quartile de la série est
Q3 = x(8) = 14. (10 × 0, 75 = 7, 5 ∈
/ N et ⌊7, 5⌋ = 8).

Détermination des Quantiles

à retenir (Cas de données regroupées)

xi + xi+1
Si ∃xi tel que N(xi ) = Nα (ou F (xi ) = α) alors qα = (*)
2
Sinon qα = xi tel que N(xi−1 ) < Nα < N(xi ) (ou
F (xi−1 ) < α < F (xi ))

Quantiles
Exemple 6
Le tableau ci-dessous représente les notes sur 5 attribuées par un groupe
d’interrogés la qualité d’un certain produit.
xi ni
0 1
1 5
2 20
3 6
4 17
5 15
Total 64
Table – Notes données par des interrogés

Quantiles
xi ni N(xi ) F (xi )
0 1 1 2%
1 5 6 9%
2 20 26 41%
3 6 32 50%
4 17 49 77%
5 15 64 100%
Total 64
3+4
− N(3) = N/2 = 32 ⇒ Me(X ) = = 3, 5.
2
N
−6< = 16 < 26 = N(2) ⇒ Q1 = 2
4
3N
− 32 < < 49 = N(4) ⇒ Q3 = 4
4

à retenir (Classe quantile d’ordre α)

La classe quantile d’ordre α est la classe qui contient qα . C’est la première
classe pour laquelle l’effectif cumulé est supérieur ou égale à αN (ou la
fréquence cumulèe dèpasse α).
Dans l’exemple 5 [6] et à partir du tableau ci-dessous :

[xi−1 , xi [ ni N(xi )
[5, 10[ 15 15
[10, 20[ 36 51
[20, 30[ 7 58
[30, 40[ 4 62
Total 62 −
Table – Nombre des coureurs par distances parcourue

N
La classe médiane est [10, 20[ car 15 < = 62/2 = 31 ≤ 51.
2
La classe décile d’ordre 0,9 (9 eme décile) est [20, 30[ car
9N
51 < = 55, 8 ≤ 58.
10
à retenir (Quantile d’ordre α par Interpolation linéaire)

Soit [xi−1 , xi [ la classe quantile d’ordre α. La valeur de qα est donnée par
interpolation linéaire comme suit :
qα − xi−1 αN − N(xi−1 )
=
xi − xi−1 N(xi ) − N(xi−1 )
Calculer Me et D9 dans l’exemple 5 [8].

Cas particulier : exemple
[xi−1 , xi [ ni N(xi )
[5, 10[ 15 15
[10, 20[ 6 21
[20, 30[ 5 26
[30, 40[ 26 52
Total 52 −
N
= 52/2 = 26 ≤ 26.
La classe médiane est [20, 30[ car 21 <
2
Me − 20 N(Me) − N(20)
Me ∈ [20, 30[ ⇒ =
30 − 20 N(30) − N(20)
Me − 20 26 − 21
⇒ = =1
10 26 − 21
⇒ Me = 30

Quantiles et valeurs aberrante (Plage interquantile)
Les quartiles Q1 , Q2 et Q3 permet de détecter la présence de valeurs

aberrantes en définissant un intervalle d’aberrance.
à retenir (Régle de Tukey)
On pose Linf = Q1 − 1.5(Q3 − Q1 ) et Lsup = Q3 + 1.5(Q3 − Q1 ).
Toute valeur xi ∈
/ [Linf , Lsup ] est jugée aberrante.

Quantiles et valeurs aberrante (Plage interquantile)

Quantiles et valeurs aberrante
Q1 = 4300, Q3 = 6500
Linf = Q1 − 1.5(Q3 − Q1 ) = 1000 et
Lsup = Q3 + 1.5(Q3 − Q1 ) = 9800
500, 750 et 10100 sont considérées aberrantes.

Transformation linéraire des données
Tous les paramètres de tendance centrale vus précédemment conservent la

transformation linéraire des données, i.e.,
à noter !
Soit U le caractère statistique transformé d’un caractère quantitatif X tel
que U = βX + δ, alors :
u = βx + δ
Mo (U) = βMo (X ) + δ
Me (U) = βMe (X ) + δ
qα (U) = βqα (X ) + δ

PARAMETRES DE DISPERSION

Motivation
Exemple 7
Considérons les séries brutes des salaires des employés de deux boites de
communication A et B.
i xiA j xjB
1 4000 1 2000
2 4300 2 2200
3 4700 3 3200
4 5500 4 5500
5 6200 5 6500
6 6700 6 9000
7 7100 7 10100
Moyenne 5500 5500
Médiane 5500 5500
étendue 3100 8100
Motivation
Figure – (A)
Figure – (B)
L’information basée sur les écarts entres les observation est appelée
"dispersion" ou "variabilité" de la série statistique .
Pour des séries statistiques de grande taille, les écarts entre les
observation 2 à 2, i.e., |xi − xj | est diffcilement exploitable !
Un paramètre de dispersion est basé sur la mesure synthétique des
écarts par rapport à une ou plusieurs valeurs de r éf érence dans la
série statistique.
Les valeurs de référence doivent représenter l’ensemble des
observations → Paramètres de tendance centrale.
à vérfier !
La dispersion d’une série statistique qualitative est hors question car l’écart
entre deux modalités qualitatives n’a pas de sens !

ETENDUE

L’étendue
à retenir
L’étendue d’un caractère statistique X , noté ∆X , est la différence entre la
plus grande valeur et la plus petite valeur observée :
∆X = Max (X ) − Min(X ) = xmax − xmin
Exercice
Calculer l’étendue des données de l’exemple 5 [6].
MAIS... !
La présence de valeurs aberrantes dans la série statistique rend l’utilité de
l’étendue très limité.
ECART ABSOLU MOYEN

L’écart absolu
Les mesures de dispersion vues précédement ne mettent pas en oeuvre

l’ensemble des observations x1 , x2 , . . . , xN , mais plutôt utilisent des
écarts entre des valeurs extrêmes (∆X ) de la série statistique.
Il est donc pensable d’introduire des mesures de dispersion synthétique
mettant en oeuvre toutes les observations de la série statistique.
En Statistique, la moyenne arithmétique est souvent utilisé pour
construire des paramètres synthétique.
Dans ce qui suit, les xi représentent les modalités dans le cas discret
ou les centres des classes dans le cas continu.

L’écart absolu
à retenir (L’écart absolu moyen)

L’écart absolu moyen d’un caractère statistique X , noté Em (X ), est la
moyenne arithmétique des valeurs absolues des écarts à la moyenne :
N
1 X
Em (X ) = ni |xi − x |
N i=1

L’écart absolu
à retenir (L’écart absolu médian)

L’écart absolu médian d’un caractère statistique X , noté EMe (X ), est la
moyenne arithmétique des valeurs absolues des écarts à la médiane :
N
1 X
EMe (X ) = ni |xi − Me |
N i=1

Remarques :
EMe (X ) est moins sensible aux valeurs aberrantes que Em (X ).
Les deux écarts sont à la même unité de la série statistique.
Les deux écarts sont peu maniables à cause de la valeur absolue !
⇒ On introduit par suite un paramètre de dispersion synthétique basé sur

une forme d’écart facilement maniable...

VARIANCE-ECART TYPE

La Variance
à retenir
La variance d’un caractere statistique X, notée V (X ), est la moyenne
arithmétique des carrés des écarts à la moyenne :
N
1 X
V (X ) = ni (xi − x )2
N i=1
Pour un caractère quantitatif continu, les xi sont remplacés par les centres
des classes ci .
Contrairement à Em (X ) et EMe (X ), la variance n’est pas à la même unité

de la série statistique mais plutôt au carré ! D’où l’introduction de
l’écart-type :

Cas discrèt : exemple 2 (15)
2
159 39

V (X ) = −
15 15
Cas continu : exemple 3 (27)
2
8341 310

V (X ) = −
12 12

L’écart-type
à retenir
L’écart-type, noté σ(X ), est la racine carrée de la variance :
q
σ(X ) = V (X )
à retenir (Propriétés)
1 Pk 2 2 Pk 2 2
V (X ) = N i=1 ni xi − x = i=1 fi xi − x .
V (aX + b) = a2 V (X ) ⇔ σ(aX + b) = |a|σ(X ).
V (X ) = 0 ⇔ toutes les valeurs sont identiques et égales à x .
En général V (X + Y ) ̸= V (X ) + V (Y ).
Exercice d’application
Dans chacun des exemples 5 et 6 :
1 Calculer x et Me (X ).
2 Calculer Em (X ), EMe (X ), V (X ) et σ(X ). En déduire.
X −x

3 Calculer V .
σ(X )

Exercice d’application
xi ni N(xi ) ni xi ni xi2
x1 n1 N(x1 ) = n1 n1 x1 n1 x12
x2 n2 N(x2 ) = N(x1 ) + n2 n2 x2 n2 x22
.. .. .. .. ..
. . . . .
.. .. .. .. ..
. . . . .
xk nk N(xk ) = N nk xk nk x 2
Pk Pk Pk k 2
Total N= i=1 ni − i=1 ni xi i=1 ni xi
1 Pk
→ x= ni xi
N i=1
1 Pk 2 2
→ V (X ) = i=1 ni xi − x
N
p
→ σ(X ) = V (X )
Transformation linéraire des données
Tous les paramètres de dispersion (à part la variance) vus précédemment

sont linéraires par rapport aux modalités de la série statistique transformé,
i.e.,
à noter !
Soit U le caractère statistique transformé d’un caractère quantitatif X tel
que U = βX + δ, alors :
∆U = β∆X
Em (U) = βEm (X )
EMe (U) = βEMe (X )
σ(U) = |β|σ(X )

PARAMETRES DE DISPERSION RELATIF

COEFFICIENT DE VARIATION

Coefficient de variation
Définition
à retenir (Coefficient de variation)

Le coefficient de variation d’une variable statistique X est une mesure de
dispersion relative (sans unité), noté Cv (X ), est défini par :
σ(X )
Cv (X ) =
x

Exemple
Une société assure la livraison du café à 90 réstaurants. Soit Y la quantité

livrée en kg et X la durée de la livraison en h.
X (kg) ni Y (h) nj
20-25 36 2-6 23
25-30 34 6-12 21
30-35 20 12-18 35
18-24 11
N 90 N 90
x 26,6112 y 11,5223
σ(X ) 3,8642 σ(Y ) 5,6554
Cv (X ) 0,1453 Cv (Y ) 0,4909
Y est plus dispersée que X car Cv (Y ) > Cv (X ).

Cours de Statistique Descriptive: Représentation Et Description Des Données

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

Cours de Statistique Descriptive: Représentation Et Description Des Données

Transféré par

Droits d'auteur :

Formats disponibles

Motivation Description unidimensionnelle des données

Cours de Statistique descriptive

STATISTIQUE DESCRIPTIVE UNIDIMENSIONNELLE

Université Hassan 2 – Faculté des sciences et techniques

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 1 / 99

2 Description unidimensionnelle des données

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 2 / 99

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 3 / 99

statistique(s) : Collection de chiffres relatif à un phénomène.

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 4 / 99

Exemple 1 : Sexe des étudiants

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 5 / 99

Exemple 1 : Sexe des étudiants

Exemple 2 : Nombre de modules validés

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 5 / 99

Donnée, c’est quoi en fait ?

Donnée, c’est quoi en fait ?

Donnée : Ce qu’on observe comme valeur (modalité) d’un caractère

Qualitatif nominal (type de technologie utilisée dans la production)

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 6 / 99

Donnée, c’est quoi en fait ?

Pourquoi ? et Comment décrire ?

Les outils de statistique descriptive permet de répondre à ces questions

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 7 / 99

Donnée, c’est quoi en fait ?

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 8 / 99

Présentation des données : Tableau statistique et Visualisation graphique

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 9 / 99

Présentation des données : Tableau statistique et Visualisation graphique

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 10 / 99

Présentation des données : Tableau statistique et Visualisation graphique

Exemple 1 : Sexe des étudiants

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 11 / 99

Présentation des données : Tableau statistique et Visualisation graphique

→ Repésentation des effectifs (ou fréquences) des modalités d’un

Figure – Répartition des étudiants selon le sexe

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 12 / 99

Présentation des données : Tableau statistique et Visualisation graphique

→ L’effectif de chaque modalité est représenté par un angle

Figure – Répartition des étudiants selon le sexe

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 13 / 99

Présentation des données : Tableau statistique et Visualisation graphique

DONNEES QUANTITATIVES DISCRèTES

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 14 / 99

Présentation des données : Tableau statistique et Visualisation graphique

Exemple 2 : Nombre de modules validés

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 15 / 99

Présentation des données : Tableau statistique et Visualisation graphique

Données quantitatives discrètes

→ En regroupant ces données sous forme de tableau statistique :

Présentation des données : Tableau statistique et Visualisation graphique

→ Repésentation des effectifs (ou fréquences) des modalités d’un

Figure – Répartition des étudiants

Présentation des données : Tableau statistique et Visualisation graphique

Les notations suivantes n’ont aucun sens analytique ou algèbrique des

n(#) : Nombre des individus ayant une valeur du caractère vérifiant la

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 18 / 99

Présentation des données : Tableau statistique et Visualisation graphique

Au moins/au plus/moins de/plus de

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 19 / 99

Présentation des données : Tableau statistique et Visualisation graphique

Modalité Effectif Effectif cumulé Fréquence Fréquence cumulée

A.SETTAR (FSTM) Cours de Statistique descriptive MIP/S4 2023-2024 20 / 99