CHAPITRE 2

STATISTIQUE DESCRIPTIVE A DEUX DIMENSIONS

2.1 INTRODUCTION
Le but de la statistique descriptive à deux dimensions est de mettre en évidence les
relations qui existent entre deux séries d’observations considérées simultanément. Comme en
statistique descriptive à 1 dimension, trois aspects peuvent être envisagés :

• Elaboration de diagramme ou distributions de fréquences à deux dimensions;

• Représentations graphiques;
• Calcul des paramètres ou valeurs typiques (réduction des données).

2.2. Les distributions de fréquences

2.1.1. Série statistique double

Une série statistique double correspond à la suite de n couples de valeurs observées

correspondant à deux variables et n individus (observations). Les données sont rangées par
ordre croissant d’une des deux variables :

𝑥1  𝑥2 . . .  𝑥𝑖  … 𝑥𝑛
𝑦1 , 𝑦2 , . .. , 𝑦𝑖 , . .. 𝑦𝑛
Exemple 2.1 : tailles (x en cm) et poids (y en Kg) d’un groupe de dix individus
Individu 1 2 3 4 5 6 7 8 9 10
xi 157 160 160 165 167 167 170 178 182 185
yi 51.5 55.0 53.5 61.0 60.0 63.5 67.0 75.5 78.0 81.0

2.1.2. Les distributions de fréquences à deux dimensions

Une distribution de fréquence se présente sous la forme d’un tableau statistique à double
entrée, dont une ligne est réservée à chaque valeur xi de x et une colonne à chaque valeur yj de
y. Dans le cas des distributions groupées, les valeurs xi et yj représentent les points centraux des
classes, mais le plus souvent, on représente dans les lignes et/ou les colonnes du tableau, les
intervalles de classes.

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 19

 y y1 y2 ... yj ... yq Totaux
x
x1 n11 n12 ... n1j ... n1q n1.
x2 n21 n22 ... n2j ... n2q n2.
. . . . . .
. . . . . .
. . . . . .
xi ni1 ni2 ... nij ... niq ni.
. . . . . .
. . . . . .
. . . . . .
xp np1 np2 ... npj ... npq np.
Totaux n.1 n.2 ... n.j ... n.q n

On définit ainsi à partir de ce tableau :

Les fréquences absolues 𝒏𝒊𝒋 :

Elles représentent, pour chaque cellule du tableau, le nombre de couples d’observations
(xi, yj)
Les fréquences relatives 𝒏′𝒊𝒋 :
nij' = nij / n
Les fréquences unitaires 𝒏′′ 𝒊𝒋
Quand les intervalles de classes ne sont pas constants, les fréquences sont calculées en
divisant la fréquence relative par les intervalles correspondants.
′′
"
𝑛𝑖𝑗
𝑛𝑖𝑗 =
Δ𝑥𝑖 Δ𝑦𝑗

Les fréquences marginales :

Les fréquences marginales sont obtenues en calculant les totaux relatifs aux différentes
lignes ou aux différentes colonnes.
q p
ni. =  nij et n. j =  nij
j =1 i =1

(Le point remplace l’indice suivant lequel on a sommé).

p q p q
Avec :  ni. =  n. j =  nij = n
i =1 j =1 i =1 j =1

La distribution marginale de x :
La distribution marginale de x est la distribution de fréquence à une dimension
constituée des valeurs xi et des fréquences marginales ni. correspondantes.
La distribution marginale de y :
De même pour y, la distribution marginale est constituée des valeurs yj et des fréquences
marginales n.j .
Les fréquences marginales relatives :
Elles sont définies par :

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 20

 ni'. = ni. n et n.' j = n. j n

q p
ou ni'. =  nij' , n.' j =  nij'
j =1 i =1

p q p q
avec :  ni'. =  n.' j =  nij' = 1
i =1 j =1 i =1 j =1

La distribution conditionnelle de x sous la condition y=yj

Si on ne considère qu’une colonne particulière du tableau à double entrée, on définit
par l’ensemble des valeurs xi et des fréquences correspondantes 𝑛𝑖𝑗 une distribution à une
dimension appelée distribution conditionnelle de x sous la condition y=yj. Il existe autant de
distributions conditionnelles de x que de valeurs ou de classes de y.

La distribution conditionnelle de y sous la condition x=xi

De même, si on ne considère qu’une ligne particulière du tableau à double entrée, , on
définit par l’ensemble des valeurs yj et des fréquences correspondantes nij la distribution
conditionnelle de y sous la condition x=xi. Il existe également autant de distributions
conditionnelles de y que de valeurs ou de classes de x.

Les fréquences relatives conditionnelles de x sous la condition y= yj

Elles sont définies par :
nij nij' p
ni j =
'
= ' , avec  ni' j = 1
n. j n. j i =1

Les fréquences relatives conditionnelles de y sous la condition x=xi

Elles sont définies par :
nij nij' q
nj i =
'
= ' , avec  n 'j i = 1
ni. ni. j =1

Exemple 2.2. On a observé la distribution suivante relative aux poids et tailles de 300 individus.

Taille (y en cm) 150-159 160-169 170-179 180-189 190-199 Totaux

Poids (x en Kg)
40 - 49 2 1 3
50 - 59 7 8 4 2 21
60 - 69 5 15 22 7 1 50
70 - 79 2 12 63 19 5 101
80 - 89 7 28 32 12 79
90 - 99 2 10 20 7 39
100 - 109 1 4 2 7
Totaux 16 45 128 84 27 300

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 21

Distributions marginales:

Poids (x) ni. ni.’ taille (y) n.j n.j’

40 - 49 3 0.010 150-159 16 0.053
50 - 59 21 0.070 160-169 45 0.150
60 - 69 50 0.167 170-179 128 0.427
70 - 79 101 0.337 180-189 84 0.280
80 - 89 79 0.263 1901-99 27 0.090
90 - 99 39 0.130 Totaux 300 1
100 - 109 7 0.023
Totaux 300 1

Distribution conditionnelle de x sous la condition y entre 170 et 179

Poids (x) ni/j=3 n’i/j=3

40 - 49
50 - 59 4 0.031
60 - 69 22 0.172
70 - 79 63 0.492
80 - 89 28 0.219
90 - 99 10 0.078
100 - 109 1 0.008
Totaux 128 1

Distribution conditionnelle de y sous la condition x entre 70 et 79 :

taille (y) nj/i=4 n’j/i=4

150-159 2 0.020
160-169 12 0.119
170-179 63 0.624
180-189 19 0.188
1901-99 5 0.049
Totaux 101 1

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 22

2.3. Les représentations graphiques
2.3.1. Diagrammes de dispersion

Les diagrammes de dispersion ou nuage de points sont obtenus en représentant chaque

couple d’observations (xi,yj) d’une série statistique double par un point dans un plan (x,y) (Fig.
2.1).

190
185
180

Taille en cm (y) 175

170
165
160
155
150
40 60 80 100

Poids en kg (x)

Fig. 2.1 Diagramme de dispersion pour les données de l’exemple 2.1

2.3.2. Diagrammes en bâtonnets

Les diagrammes en bâtonnets sont obtenus en traçant perpendiculairement au plan (x,y)

et en chaque point (xi,yj) un segment de droite de longueur égale à la fréquence nij ou n’ij. Ils
sont utilisés pour les distributions non groupées (Fig. 2.2).

25

20

15

10 0

5
4
0 3
0 2
1 1
2
3 0
4
5
6

Fig. 2.2 Diagramme en bâtonnets pour les données de l’exemple 2.3

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 23

2.3.3. Les stéréogrammes
Ils sont composés de parallélépipèdes rectangles juxtaposés dont les bases sont les
cellules des tableaux à double entrée, et les hauteurs sont égales aux fréquences relatives ou
absolues. Ils sont utilisés pour les distributions groupées (Fig. 2.3).

70

60

50

40

30

20

199,5
10
189,5
179,5
0
169,5
49,5

59,5

69,5

159,5
79,5

89,5

99,5

109,5

Fig. 2.3 Stéréogramme pour les données de l’exemple 2.2

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 24

2.4. La réduction des données
2.4.1 Généralités
Les paramètres utilisés pour caractériser les séries statistiques doubles et les
distributions de fréquences à 2 dimensions sont de deux types. Les uns ne concernent qu’une
seule variable à la fois, les autres servent à décrire les relations existant entre les deux variables
considérées simultanément.

• Les paramètres ne concernent qu’une variable à la fois

Pour caractériser les distributions marginales et les distributions conditionnelles, on utilise

les paramètres habituels de la statistique descriptive à une dimension :

1 n 1 p
Moyennes marginales : x=  xi
n i =1
ou  ni . x i
n i =1

1 n 1 q
y=  yi
n i =1
ou  n. j y j
n j =1

1 n 1 p
Variances marginales : s =  ( xi − x ) 2
2
x
n i =1
ou 
n i =1
ni . ( x i − x ) 2

1 n 1 q
s y2 =  ( yi − y ) 2
n i =1
ou 
n j =1
n. j ( y j − y ) 2

p
1
Moyennes conditionnelles : x j ou x y =
n. j
n
i =1
ij xi

1 q
y i ou y x =  nij y j
ni . j =1

p
1
Variances conditionnelles : s x2 / j ou s x2 / y =
n. j
n
i =1
ij ( xi − x j ) 2

q
1
s y2 / i ou s y2 / x =
ni .
nj =1
ij ( y j − yi ) 2

• La description des relations existant entre deux variables considérées simultanément fait
intervenir d’autres paramètres faisant l’objet des paragraphes suivants.

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 25

Exemple 2.3 : On a observé la distribution suivante relative au nombre de bovins (x) et au
nombre d’ouvriers salariés dans 225 exploitations agricoles d’un village donné.

Nb ouvriers (y) 0 1 2 3 4 Totaux

Nb de bovins (x) (ni.)
0 10 1 11
1 4 15 4 2 25
2 3 9 22 7 1 42
3 2 5 13 19 5 44
4 1 8 25 12 46
5 2 1 20 17 40
6 1 4 12 17
Totaux (n.j) 19 33 49 77 47 n=225

1 7
Moyennes marginales : x=  ni. xi =3.23 bovins,
225 i =1
1 5
y=  n. j y j =2.44 ouvriers,
225 j =1

1 7
Variances marginales : s x2 = 
225 i =1
ni. ( xi − x ) 2 =2.61 bovins²,

1 5
s y2 =  n. j ( y j − y ) 2 =1.47 ouvriers²,
225 j =1

1 7
Moyennes conditionnelles : x2 =  nij xi =1.88 bovins,
n.2 i =1
1 5
y7 =  nij y j =3.65 ouvriers,
n7 . j =1

1 7
Variances conditionnelles : s x2 / 2 = 
n.2 i =1
nij ( xi − x j ) 2 =1.38 bovins²,

1 5
s y2 / 7 =  nij ( y j − yi ) 2 =0.35 ouvriers².
n7. j =1

2.4.2 La covariance
a. Définition
La covariance entre deux séries d’observation x, y est définie par:

1 n
Séries statistiques : cov(x, y ) =  ( xi − x )( yi − y )
n i =1
Formules de calcul :

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 26

 1 n 1 n n
 1 n  1 n SPE
cov(x, y ) =  
n  i =1
x y
i i − ( 
n i =1
x i )( 
i =1
y i  =
)  
 n  i =1
xi yi − nx y )

= 
n i =1
xi y i − x y =
n

1 n q
Distributions de fréquences : cov(x, y ) =  ni ( xi − x )( y j − y )
n i =1 j =1 j

Formules de calcul :

1 p q 1 p q
 1 p q 
cov(x, y) =   ij i j n x y − (  n i i 
. x )( n. j j  =
y )  nij xi y j −nx y 
n  i =1 j =1 n i =1 j =1  n  i =1 j =1 
p q
1 SPE
=  ni j xi y j − x y =
n i =1 j =1 n

La covariance mesure le degré de dépendance ou de liaison entre les deux variables x

et y. Elle est positive si la relation entre les deux variables est croissante, elle est négative si la
relation entre les deux variables est décroissante.

Les valeurs observées supérieures ou inférieurs à x et à y apportent une contribution

positive à la covariance (les écarts par rapport aux moyennes étant du même signe), alors que
les valeurs observées supérieures à l’une des moyennes et inférieures à l’autre apportent une
contribution négative (les écarts par rapport aux moyennes étant de signes contraires) (Fig.
2.4).

190

185
- +
180

175

170
y
165

160

155 + -
150
40 50 60 x 70 80 90

Fig. 2.4 Contribution des valeurs observées au signe de la covariance

b. Propriétés
• La covariance est influencée par les changements d’unités, mais pas par les changements
d’origine :
si 𝑥’ = 𝑎 + 𝑏𝑥 et 𝑦’ = 𝑐 + 𝑑𝑦 alors 𝐶𝑜𝑣(𝑥’, 𝑦’) = 𝑏𝑑 𝐶𝑜𝑣(𝑥, 𝑦)

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 27

• La covariance est toujours en valeur absolue, inférieure ou égale au produit des écarts-types.

Cov ( x, y )  s x s y
1 7 5
Pour les données de l’exemple 2.3 : Cov(x,y)=  ni xi y j − xy =1.44
225 i =1 j =1 j

2.4.3. Le coefficient de corrélation et le coefficient de détermination

a. Le coefficient de corrélation (r)

Le coefficient de corrélation est défini par :

Cov( x, y ) SPE
r= =
sx s y SCE x SCE y

Il mesure la netteté de la relation qui existe entre les deux variables, pour autant que
cette relation soit linéaire ou presque linéaire. Il possède le même signe que la covariance.

Propriétés
• r est compris entre -1 et +1 puisque Cov ( x, y )  s x s y
- r=1 si tous les points se trouvent sur une droite de coefficient angulaire positif ;
- r1 lorsque tous les points observés sont situés à proximité d’une telle droite;
- 0<r<1 lorsque le nuage de points est allongé parallèlement à une telle droite;
- r=0 lorsque le nuage de points est allongé parallèlement à l’un des axes de
coordonnées ou s’il a une forme arrondie ;
- -1<r<0 lorsque le nuage de points est allongé parallèlement à une droite de coefficient
angulaire négatif ;
- r-1 lorsque tous les points observés se trouvent à proximité d’une telle droite;
- r=-1 lorsque tous les points observés sont situés exactement sur une telle droite.

• r est indépendant de toute transformation linéaire :

si x’=a+bx et y’=c+dy (b,d>0) alors r(x’,y’) = r(x,y)

Cov( x, y ) 1.44
Pour les données de l’exemple 2.3 : r = = = 0.74
sx s y 1.62 *1.21

b. Le coefficient de détermination (r2)

Il est le carré du coefficient de corrélation :

Cov 2 ( x, y ) SPE 2
r2 = =
s x2 s y2 SCE x SCE y

Pour les données de l’exemple 2.3 : r2=0.54

Remarque :

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 28

 La corrélation est différente de la causalité. L’existence d’une corrélation entre deux
variables ne veut pas, nécessairement, dire qu’il y a une relation de cause à effet entre les deux
variables. Il se peut que les deux variables soient soumises à des influences communes.

2.4.4 La régression linéaire au sens des moindres carrés

a. Le diagramme de régression de y en x

Le diagramme de régression de y en x est formé des points moyens conditionnels

( xi , y i ) (Fig. 2.5). Il donne une idée de la façon dont varie en moyenne la variable y en fonction
de la variable x. y est dite la variable dépendante et x est dite variable indépendante ou
explicative.

diagramme de régression

190
185
180
175
yi170
165
160
155
150
40 60 80 100

xi

Fig. 2.5 Diagramme de régression de y en x

b. La droite de régression de y en x

Lorsque le nuage de points ou le diagramme de régression ont une forme générale

linéaire ou approximativement linéaire, on peut rechercher l’équation d’une droite qui s’ajuste
au mieux aux valeurs observées. Cette droite est appelée droite de régression de y en x. Elle
est généralement déterminée par la méthode des moindres carrés. Elle est déterminée de
manière à rendre minimum la somme des carrés des écarts entre les points observés et les points
correspondante sur la droite.

Si l’équation de la droite est : y = a + bx

La somme des carrés des écarts à minimiser est :

n n

 ( yi − y( xi )) 2 =  ( yi − a − bxi ) 2
i =1 i =1

Les xi et yi étant connus, alors le minimum peut être déterminé en dérivant par rapport à a et b,
et en annulant ces dérivées soit:

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 29

 ( yi − a − bxi ) 2 ( yi − a − bxi ) 2
= =0
a b
On obtient :
a = y − bx
Cov( x, y ) SPE
b= 2
=
sx SCE x

L’équation de la droite est donc :

y = b( x − x ) + y
a est l’ordonnée à l’origine
b (noté généralement byx)est appelé coefficient de régression de y en x.

c. La variance résiduelle et l’écart type résiduel

On appelle résidus de y par rapport x, les écarts entre les valeurs observées (yi)de la
variable dépendante et les valeurs correspondantes de la droite de régression (y(xi)):

di = yi-y(xi) = yi-a-bxi

La variance de ces résidus est la variance résiduelle :

1 n 1 p q
s 2
y. x =  ( yi − y ( xi )) 2
n i =1
ou 
n i =1 i =1
nij ( y j − y ( xi )) 2

La somme des carrés des résidus appelée somme des carrés des écarts résiduelle est la
quantité :

n p q
SCE y. x =  ( yi − y ( xi )) 2 = ns 2 y. x
i =1
ou  n
i =1 j =1
ij ( y j − y ( xi )) 2

l’écart-type résiduel est la racine carrée de s²y.x

La variance résiduelle est liée au coefficient de corrélation par la relation suivante:

 Cov 2 ( x, y ) 
s y2. x = s y2 1 −  = s y2 (1 − r 2 )
 s 2 2
s 
 x y 

On en déduit que :

 0  s²y.x  s²y
 s²y.x = s²y si Cov(x,y)=0 ou r=0
 s²y.x = 0 si Cov²(x,y)=s²xs²y ou r=1

s²y.x est un indice de la dispersion des points observés autour de la droite de régression de y en
x. La variance résiduelle est la partie de la variance de y inexpliquée par la régression de y en
x.

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 30

 Cov 2 ( x, y ) Cov 2 ( x, y )
Comme s y2. x = s y2 − , alors la quantité est la partie de la
s x2 s x2
variance de y expliquée par la régression.

Cov 2 ( x, y ) 2
or r 2 = / s y est la part relative de la variance de y expliquée par la régression.
s2x
Donc, le coefficient de détermination exprimé en % représente le pourcentage de la variance
de y expliquée par la variable x.

Exemple 2.4. Pendant plusieurs années consécutives, on a observé le prix de vente moyen (en
Dh/Kg) d’un certain type d’aliment d’origine animale. Déterminez l’équation de régression
linéaire qui s’ajuste à ces données. Que pensez-vous de la qualité de l’ajustement ? A quel prix
doit-on s’attendre les deux années suivantes ?

Années (x) 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020

Prix (y) 50 51 55 54 60 58 63 66 69 67 70 75 76 78 81

Equation de régression y=a+bx

622
b= = 2.221
280
a=64.867-2.221*2010=-4400.20

Qualité de l’ajustement
r=0,989, r²=0,979
s y. x = 94.116 * (1 − 0.979 ) = 2.00
2

Prévision des prix

En l’an 2021 : yˆ = 82 .64 Dh
En l’an 2022 : yˆ = 84 .86 Dh

Exemple 2.5. Dans 15 échantillons de graisse de bovins, un chimiste a déterminé le PH et la

concentration en acide gras (en micro-moles par ml).
a. En fonction des résultats suivants, déterminer l’équation de régression linéaire qui
s’ajuste le mieux à ces données.
b. Mesurer la qualité de l’ajustement. Doit-on considérer que la liaison entre les deux
variables est linéaire ?
c. A quelle concentration en acides gras doit-on s’attendre dans deux échantillons qui
ont respectivement des PH de 5.8 et 7 ?

PH 5.3 5.3 5.4 5.6 5.6 5.7 6.0 6.0 6.2 6.3 6.4 6.4 6.6 6.6 6.8
Conc. 145 200 160 140 160 185 125 155 120 130 110 125 90 125 70

a. Conc = = -55,716PH + 471,04, b. r²=0.694; c. 147.89 et 81.03

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 31

Exemple 2.6. Un chercheur agronome réalise des essais en laboratoire sur la croissance d’une
plantule. Il observe la longueur de la plantule (y en cm) en fonction du temps (x en jours):

x en jours 1 2 4 6 10 15 20 30 40 50 60
y en cm 2.5 4.1 6.4 8.2 10.5 12.3 13.6 14.3 15.1 15.0 14.9

Le modèle de croissance qu’il souhaite ajuster à ces données est du type:

ax
y=
b+x

a. En fonction des résultats obtenus, estimez d’une manière approchée les paramètres du
modèle par la méthode des moindres carrés.
b. Que pensez-vous de ce modèle.

a. Linéarisation (Y=A+BX) ;
Y= X= A= B=
1/y 1/x 1/a b/a

a=1/A b=B/A

16.392 x
y=
5.672 + x
b. r² ~ 0.997

AJERAME M.M. IAV/DSIA Cours de statistique mathématique (Chapitre 2) 32