Chapitre 1

Statistiques descriptives
Y. LAMRANI ALAOUI
École Marocaine des Sciences de l’Ingénieur – EMSI
2020-2021
Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 1 / 83

Introduction
Les statistiques regroupe un ensemble de méthodes dont la fonction

principale est de mettre en évidence les caractéristiques d’un grand
nombre de données recueillies, par exemple lors d’enquêtes ou
sondages. Parmi les méthodes statistiques, on peut distinguer :
1 les méthodes descriptives ou exploratoires, regroupées sous le nom
d’analyse des données (AD). L’objectif est de décrire de façon
synthétique et parlante des données observées pour mieux les analyser
et les comprendre.
2 les méthodes inférentielles regroupées sous le nom de statistique
inférentielle. L’objectif est de prendre une décision sur une population à
partir d’un échantillon.
Ces deux types de méthodes sont complémentaires et sont utilisées
conjointement dans la pratique statistique.

Vocabulaire
Population: on appelle population un ensemble d’éléments

homogènes auxquels on s’intéresse. Par exemple, des entreprises, des
ménages, des étudiants,. . .
Les éléments de la population sont appelés les individus ou unités
statistiques.
Sur ces individus, on mesure un caractère ou une variable, le chiffre
d’affaires de l’entreprise, le revenu du ménage, l’age de l’étudiant. On
suppose que une variable statistique prend toujours une seule valeur
pour chaque individu.
La donnée de base de toute analyse statistique descriptive est un
tableau rectangulaire (tableau de données) croisant des individus et
des variables.

Vocabulaire
Exemple d’un tableau de données
Table 1: Exemple d’un tableau de données
Chaque lingne représente un individu

Chaque colonne représente une variable

Types de variables
Variable quantitative
Une variable est dite quantitative si toutes ses valeurs possibles sont
numériques. On fait également la différence entre deux types de variables
quantitatives:
Variable quantitative discrète: si l’ensemble des valeurs possibles
est dénombrable.
Variable quantitative continue: si l’ensemble des valeurs possibles
est continu.

Types de variables
Variable qualitative
Une variable est dite qualitative quand toutes ses valeurs possibles(
modalités) ne sont pas numériques; mais des noms, des catégories, des
adjectifs,. . . . Il y a deux catégories de variables qualitatives:
Variable qualitative nominale : modalités ne peuvent pas être
ordonnées(ex.coleur des yeux).
Variable qualitative ordinale : quand les modalités peuvent être
ordonnées(ex. satisfaction client).

Types de variables
Exemple:
Table 2: Exemple d’un tableau de données
Soit le tableau de données en haut:

le numero est une variable quantitative discrète
le genre est une variable qualitative nominale
la performance est une variable qualitative ordinale
la note est une variable quantitative continue

Série statistique
Une série statistique est la suite des valeurs prises par une variable X sur
les individus statistiques(observations):
Le nombre d’observations est noté n.
Les valeurs de la variable X sont notées: x1 , . . . , xi , . . . , xn
Exemple
On s’intéresse à la variable ’age’ et à la série statistique des valeurs prises
par cette variable sur 6 personnes(voir Table 2). Ici on a:
n=6 et x1 = 15, x2 = 16, x3 = 20, x4 = 14, x5 = 19, x6 = 21

Série statistique
Distribution observée d’une série statistique

La distribution observée d’une série statistique {x1 , x2 , . . . , xn } est définie
par les valeurs distinctes qui apparaissent dans cette série et le nombre de
fois que chacune d’elles apparaı̂t. Cette distribution peut être représentée
par le tableau suivant:
xj nj
.. ..
. .
xJ nJ
Où nj est l’effectif associé à xj et J est le nombre de valeurs distinctes de

la série et n = Jj=1 nj
P

Série statistique
Fréquence, effectifs cumulés et fréquences cumulées
Fréquence: à chaque valeur xj d’une variable, on peut associer une

fréquence:
nj
fj = , j = 1, . . . , J
n
Effectif cumulé: A chaque valeur xj , on associe un effectif cumulé Nj
représentant le nombre d’observations inférieures où égales à xj :
j
X
Nj = n1 + n2 + · · · + nj = nk
k=1
Fréquence cumulée: Pour un valeur xj , la fréquence cumulée est

définie par:
Nj
Fj = , j = 1, . . . , J
n

Variable qualitative nominale
Effectifs, fréquences et représentations graphiques
Effectifs et fréquences
Pour une variable qualitative nominale on peut calculer les effectifs et les
fréquences
Représentations graphiques
Le tableau statistique d’une variable qualitative nominale peut être
représenté par deux types de graphique:
1 Diagramme en secteurs(ou camembert ou piechart en anglais) pour
représenter les fréquences
2 Diagramme en barres pour représenter les effectifs

Exemple
Soit la variable ’Coleur-voiture’ notée X et soit la série statistique des
valeurs prises par X sur 20 voitures:
{N, N, B, G, G, N, G, G, G, N,G, N, J, N, J, B, G, G, G, N}
G grise
N noire
J jaune
B blanche.
Ici on a: n=20 et {x1 = N, x2 = N, x3 = B, . . . , x20 = N}

Exemple(suite)
de plus on a :
xj nj fj
G 9 0.45
N 7 0.35
J 2 0.10
B 2 0.10
P4 P4
j=1 nj = 20 et j=1 fj =1

Exemple(suite):
Figure 1: représentations graphiques

Variable qualitative ordinale
Effectifs, effectifs cumulés, fréquence, fréquences cumulées et représentations graphiques
Pour une variable qualitative ordinale on peut calculer:

les effectifs et effectifs cumulés
les fréquences et les fréquences cumulées
Le tableau statistique d’une variable qualitative ordinale peut être

représenté par:
1 Diagramme en secteurs pour représenter les fréquences
2 Diagramme en barres des effectifs ou des effectifs cumulés

Exemple
On interroge 16 personnes sur leur satisfaction d’un produit (variable Y ).
On a obtenu la série statistique suivante:
{S, MS, TS, NS, NS, S, TS, NS, NS, MS, S, TS, NS, NS, S, MS}
NS N’est pas satisfait(e)

S Satisfait(e)
MS Moyennement satisfait(e)
TS Très bien satisfait(e)
Ici on a: n=16 et {y1 = S, y2 = MS, y3 = TS, . . . , y15 = MS}

Exemple(suite)
De plus on a:
xj nj Nj fj Fj
NS 6 6 0.375 0.375
MS 3 9 0.1875 0.5625
S 4 13 0.25 0.8125
TS 3 16 0.1875 1

Variable qualitative ordinae
Exemple(suite):
Figure 2: représentations graphiques

Variable qualitative ordinae
Exemple(suite):
Figure 3: Diagramme en secteurs des fréquences

Variable quantitative discrète
Comme pour les variables qualitatives ordinales, on peut calculer les

effectifs,les effectifs cumulés, les fréquences et les fréquences cumulées
Une variable quantitative discrète peut être représentée par un
diagramme en bâtonnets des effectifs ou des fréquences
Les fréquences cumulées peuvent être représentées à l’aide de la
fonction de répartition:

 0 x < xj
F (x) = F xj ≤ x < xj+1
 j
1 x > xJ
Avec {x1 , x2 , . . . , xJ } est une série statistique d’une variable

quantitative discrète

Exemple
Un petit village est composé de 50 ménages, soit la variable Z le nombre

de personnes par ménage. Les valeurs de la variable Z sont données
comme suit:
Les effectifs, les effectifs cumulés, les fréquences, les fréquences cumulées
sont données dans le tableau qui suit:

Exemple(suite)
xj nj Nj fj Fj
1 5 5 0.10 0.10
2 9 14 0.18 0.28
3 15 29 0.30 0.58
4 10 39 0.20 0.78
5 6 45 0.12 0.90
6 3 48 0.06 0.96
8 2 50 0.04 1
On a n = 50

Exemple(suite)
Figure 4: Diagramme en bâtonnets des effectifs

Exemple(suite)
Figure 5: Fonction de répartition(fréquences cumulés)

Variable quantitative continue
Une variable quantitative est dite continue lorsqu’elle peut prendre

n’importe quelle valeur dans R ou dans un intervalle de R.
En pratique, les variables continues sont regroupées en classes.
Si [aj ; bj ] designe la classe j, on note, de manière générale :
aj la borne inférieure de la classe j,
bj la borne supérieure de la classe j,
cj = (aj + bj )/2 le centre de la classe j,
αj = bj − aj l’amplitude de la classe j,
nj l’effectif de la classe j,
Nj l’effectif cumulé de la classe j,
fj la fréquence de la classe j,
Fj a fréquence cumulée de la classe j.

Regrouper les données en classes nécessite de définir à priori le

nombre de classes J et l’amplitude de chaque classe αj .
pour une série statistique de n observations, il y a certaines régles
pour définir le nombre de classes:
La règle de Sturge : J = 1 √
+ (3.3 log10 (n)).
La règle de Yule : J = 2.5 4 n
l’amplitude(l’intervalle) de classe est obtenue comme suit:
(xmax − xmin )/J
Avec xmax et xmin désigne la plus grande (resp. la plus petite) valeur
observée.

Il faut arrondir le nombre de classe J à l’entier le plus proche.

On peut aussi arrondir la valeur obtenue de l’intervalle de classe.
A partir de la plus petite valeur observée, on obtient les bornes de
classes en additionnant successivement l’intervalle de classe
(l’amplitude)

Exemple:
On mesure la taille en centimetres de 50 élèves d’une classe:
Regrouper ces données en classes en utilisant la règle de Sturge et

établire le tableau statistique.
Selon la méthode de Sturge on a:
J = 1 + 3.3log10 (50) ≈ 7
l’amplitude de nos classes est:

171 − 152
αj = ≈3
7
Soient les classes proposées :
[152; 155[
[155; 158[
[158; 161[
[161; 164[
[164; 167[
[167; 170[
[170; 173[

Alors on peut élaborer le tableau statistique:
[aj ; bj ] nj Nj fj Fj
[152; 155[ 8 8 0.16 0.16
[155; 158[ 10 18 0.2 0.36
[158; 161[ 7 25 0.14 0.5
[161; 164[ 8 33 0.16 0.66
[164; 167[ 6 39 0.12 0.78
[167; 170[ 6 45 0.12 0.9
[170; 173[ 5 50 0.1 1.00

Représentation graphique
Histogramme
L’histogramme est une représentation graphique qui nous permet de
voir la forme de la distribution des données. On l’utilise surtout
lorsqu’on est en présence d’une variable quantitative continue.
La première chose à faire pour construire un histogramme est de
grouper les données en classes convenablement choisies.

L’histogramme permet de représenter les hauteurs de classes par des

rectangles voisins
Pour un histogramme des effectifs, la hauteur du rectangle
correspondant à la classe j est donc donnée par:
nj
hj =
αj
Pour un histogramme de fréquences, la hauteur(appelée dans ce cas

densité) du rectangle associé à la classe j est donné par:
fj
dj =
αj

Exemple:
Soit le tableau statistique de l’exemple précédent:
[aj ; bj ] nj Nj fj Fj αj hj dj
[152; 155[ 8 8 0.16 0.16 3 2.66 0.053
[155; 158[ 10 18 0.2 0.36 3 3.33 0.066
[158; 161[ 7 25 0.14 0.5 3 2.33 0.046
[161; 164[ 8 33 0.16 0.66 3 2.66 0.053
[164; 167[ 6 39 0.12 0.78 3 2 0.04
[167; 170[ 6 45 0.12 0.9 3 2 0.04
[170; 173[ 5 50 0.1 1.00 3 1.66 0.033

Exemple(suite):
Si on représente l’histogramme de l’exemple précédent on trouve la figure
ci-dessous:
Figure 6: histogramme des effectifs

Remarques
Lorsque les amplitudes (αj )des classes sont égales, dans un
histogramme on peut considérer l’effectif de chaque classe comme sa
hauteur sans diviser par l’amplitude.
Fonction de répartition
La fonction de répartition F (x) est une fonction de R dans [0, 1], qui est
définie par:

 0 x < L0
fi+1
F (x) = F + αi (x − Li ) Li ≤ x < Li+1
 i
1 x > Ln
Avec: x ∈ [Li , Li+1 [, αi = Li+1 − Li et Fi+1 − Fi = fi+1

Exemple:
Figure 7: Fonction de répartition d’une variable quantitative continue

Paramètres de position et de dispersion

Paramètres de position, de dispersion et de forme
En plus les représentations graphiques, on peut approfondir l’étude

descriptive d’une série statistique, en lui associant un certain nombre de
valeurs ou mesures, appelés paramètres, qui ont pour but de résumer dans
une certaine mesure les informations recueillies.

Paramètres de position (ou de tendance centrale)
Les paramètres de position ou de tendance centrale sont entre autres

des valeurs centrales de la série étudiée. Il s’agit en général des
valeurs de localisations particulières.
Plusieurs paramètres de position ont été proposés. Parmi ces
paramètres ceux qu’on utilise le plus souvent sont :
1 la moyenne
2 la médiane
3 le mode.
4 les quantiles

Paramètres de position
La moyenne : Variable quantitative discrète
La moyenne arithmétique est la plus connue parmi tous les

paramètres destinés à définir une valeur centrale.
La moyenne ne peut être définie que sur une variable quantitative.
La moyenne estP la somme des valeurs observées divisée par leur
nombre: x̄ = n ni=1 xi
1
Formule généralisée par les fréquences: x̄ = ni=1 fi × xi

P
Formule généralisée par les effectifs: x̄ = n1 ni=1 ni × xi

P

La moyenne : Variable quantitative discrète
Exemple:
xi ni fi ni × xi fi × xi
23 3 0.3 69 6.9
10 4 0.4 40 4
15 2 0.2 30 3
13 1 0.1 13 1.3
Total n=10 1 152 15.2
Formule généralisée par les fréquences:
X n
x̄ = fi × xi = 15.2
i=1
Formule généralisée par les effectifs:
n
1X 152
x̄ = ni × xi = = 15.2
n 10
i=1
La moyenne : Variable quantitative continue
La moyenne arithmétique
n n
1X X
x̄ = ni × ci OU x̄ = fi × ci
n
i=1 i=1
Avec ci le centre de la classe i
Exemple:
Classe ni ci ni × ci
[3000; 4000[ 26 3500 91000
[4000; 5000[ 33 4500 148500
[5000; 6000[ 64 5500 352000
[6000; 7000[ 7 6500 45500
[7000; 8000[ 10 7500 75000
Total n=140 − 712000

Exemple(suite):
Classe ni ci ni × ci
[3000; 4000[ 26 3500 91000
[4000; 5000[ 33 4500 148500
[5000; 6000[ 64 5500 352000
[6000; 7000[ 7 6500 45500
[7000; 8000[ 10 7500 75000
Total n=140 712000
n
1X 1
x̄ = ni × ci = × 712000 = 5085.07
n 140
i=1

Remarques
Une moyenne ne se calcule que si les valeurs observées sont
numériques.
Une série ne peut pas posséder plusieurs moyennes distinctes.
Une moyenne est rarement une valeur observée de la série.
La moyenne est sensible aux valeurs aberrantes :
{1, 1, 1, 3, 3, 5, 6} 7→ x̄ = 2.86
{1, 1, 1, 3, 3, 5, 300} 7→ x̄ = 40.86

Le mode : Variable qualitative
Le mode est la valeur distincte correspondant àl’effectif le plus élevé ;
Exemple:
Si on reprend la variable ‘Etat civil’ , dont le tableau statistique est le
suivant, le mode est C (célébataire)
xj nj fj
C 9 0.45
M 7 0.35
V 2 0.10
D 2 0.10
Le mode peut être calculé pour tous les types de variable,

quantitative et qualitative.
Le mode n’est pas nécessairement unique.
Le mode : Variable quantitative discrète
Le mode
Le mode correspond à la valeur de la variable pour laquelle l’effectif (ou la
fréquence) est le plus grand.
Exemple:
xi ni fi
1 5 0.10
2 9 0.18
3 15 0.30
4 10 0.20
5 6 0.12
6 3 0.06
8 2 0.04
Total n=50 1
Le mode dans cet exemple est: 3
Le mode : Variable quantitative continue
La classe modale est la classe dont la fréquence par unité d’amplitude

( αfii )est la plus élevée ;cette classe correspond donc au rectangle le plus
haut de l’histogramme des fréquences(ou des effectifs).
Exemple(amplitudes égales):
Classes ni αi
[10; 20[ 5 10
[20; 30[ 10 10
[30; 40[ 15 10
[40; 50[ 5 10
Total n=35
La classe modale dans cet exemple est: [30; 40[

Exemple(amplitudes inégales):
Classes ni αi hi
[10; 20[ 10 10 1
[20; 30[ 40 10 4
[30; 50[ 220 20 11
[50; 90[ 240 40 6
[90; 100[ 10 10 1
Total n=520
La classe modale dans cet exemple est: [30; 50[

La valeur exacte du mode est donnée comme suit:

∆1
Mo = Li + × αi
∆1 + ∆ 2
Li est la borne inférieure de la classe modale et αi son amplitude

Si les classes ont la même amplitude: ∆i = n0 − ni ou ∆i = f0 − fi
Si les classes ont des amplitudes différentes: ∆i = h0 − hi
n0 , f0 et h0 sont respectivement l’effectif,la fréquence et l’hauteur
associés à la classe modale
n1 , f1 et h1 sont respectivement l’effectif,la fréquence et l’hauteur
associés à la classe qui précède la classe modale
n2 , f2 et h2 sont respectivement l’effectif, la fréquence et l’hauteur
associés à la classe qui suit la classe modale
Méthode graphique
Youssef, L. A. (EMSI) Figure 8:

Statistiques descriptives 2020-2021 50 / 83
Exemple:
Classes ni αi
[210; 230[ 30 20
[230; 250[ 60 20
[250; 270[ 100 20
[270; 290[ 20 20
Total n=210
Ici on a Les classes sont toutes de même amplitude (égale à 20), la

classe modale est alors:[250; 270[
Montrer que la valeur exacte du mode est: 256.66

Solution de l’exemple:
Classes ni αi
[210; 230[ 30 20
[230; 250[ 60 20
[250; 270[ 100 20
[270; 290[ 20 20
Total n=210
Li = 250
αi = 270 − 250 = 20
∆1 = 100 − 60 = 40
∆2 = 100 − 20 = 80
Alors:
40
Mo = 250 + × 20 = 256.66
40 + 80

La médiane : variable quantitative discrète
Médiane
Soit une série statistique ordonnée par ordre croissant.: {x1 , x2 , . . . , xn }, la
médiane Me est la valeur qui se trouve au milieu de la série ordonnée par
ordre croissant. Elle est calculée comme suit:
Si n est impair: Me = x( n+1 )
2
Si n est pair:Me = 21 {x( n2 ) + x( n2 +1) }
Remarque
La médiane peut toujours être définie comme la valeur pour laquelle
la fonction de répartition égale à 0.5, c’est-à-dire: F (Me ) = 0.5
La médiane est la valeur qui corresponde au 1ère fréquence cumulé
supérieur ou égale à 50%

Exemple 1
Soit la série statistique suivante {0, 0, 1, 1, 2, 2, 3, 4, }, on a n = 8. Alors:
x(4) + x(5) 1+2
Me = = = 1.5
2 2
Exemple 2
Soit la série statistique suivante {0, 0, 1, 1, 2, 2, 3}, on a n = 7. Alors:
Me = x(4) = 1

Exemple 3
Soit le tableau statistique suivant:
xj ni fj Fi
0 20 0.1 0.1
1 65 0.325 0.425
2 70 0.35 0.775
3 30 0.15 0.925
4 15 0.075 1
Total n=200 1
On a
0.425 < 0.5 ≤ F (2) = 0.775
On déduit que 2 est la valeur médiane.

La médiane : variable quantitative continue
Pour une variable quantitative continue la valeur exacte de la médiane est

determinée par interpolation linéaire.
−Fi
On a tan(α) = FLi+1
i+1 −Li
=M 0.5−Fi
e −Li
⇒ Me = Li + F0.5−F i
i+1 −Fi
× αi
Avec [Li+1 , Li [ est la classe médiane et αi = Li+1 − Li .
La médiane : variable quantitative continue
Exemple
Classe ni fj Fi
[3000; 4000[ 26 0.186 0.186
[4000; 5000[ 33 0.235 0.421
[5000; 6000[ 64 0.458 0.879
[6000; 7000[ 7 0.050 0.929
[7000; 8000[ 10 0.071 1
Total n=140 1
Classe médiane=[5000; 6000[

0.5−0.421
On a: Me = 5000 + 0.879−0.421 × (6000 − 5000) = 5172.5

Les quantiles: variable quantitative discrète
Les quantiles
La notion de quantile d’ordre p (où 0 < p < 1) généralise la médiane.
Un quantile xp d’ordre p est donné par: F (xp ) = p
Soit n le nombre de valeurs d’une série statistique ordonnée, si np est
un nombre entier, alors:
1
xp = (x(np) + x(np+1) )
2
Si np n’est pas un nombre entier, alors:
xp = x(dnpe)
où dnpe représente le plus petit nombre entier supérieur ou égal à np.

Exercice
Soit la série statistique suivante:{20, 13, 16, 7, 12, 30, 1, 18, 6, 34}:
1 Calculer le quantile x 1
2
2 Calculer le quantile x 1
3

Solution:
On commence par ordonner les valeurs de la série par ordre croissant:
{1, 6, 7, 12, 13, 16, 18, 20, 30, 34}
:
1
1 On a np = 10 × 2 = 5; c’est un entier, alors:
(x(5) + x(6) ) (13 + 16)

x1 = = = 14.5
2 2 2
1
2 On a np = 10 × 3 = 3.33; ce n’est pas un entier, alors:
x 1 = x(d3.33e) = x(4) = 12
3

Les quartiles: variable quantitative discrète
Les quartiles
Les quantiles: {x 1 ; x 1 ; x 3 } s’appellent des quartiles:
4 2 4
x 1 représente le 1er quartile ou Q1
4
x 1 représente la médiane, appelé également le 2ème quartile ou Q2
2
x 3 représente le 3ème quartile ou Q3
4
Remarque
Le quartile d’ordre p est la valeur qui corresponde à la 1ère fréquence
cumulée supéerieure ou éegale à p.

Les quartiles: variable quantitative discrète
Exemple
xj ni fj Fi
0 20 0.1 0.1
1 65 0.325 0.425
2 70 0.35 0.775
3 30 0.15 0.925
4 15 0.075 1
Total n=200 1 −
Le 1er quartile est: x 1 = 1

4
Le 2ème quartile est: x 1 = 2
2
Le 3ème quartile est: x 3 = 2
4

Les quartiles: variable quantitative continue
Exemple:
Classe ni fj Fi
[3000; 4000[ 12 0.024 0.024
[4000; 6000[ 30 0.061 0.085
[6000; 8000[ 120 0.246 0.331
[8000; 9000[ 210 0.431 0.762
[9000; 10000[ 90 0.184 0.946
[10000; 12000[ 25 0.051 1
Total n=487 1 −
Classe du Q1 : [6000; 8000[, on a 0.085 < 0.25 ≤ Fi+1 = 0.331

Classe du Q2 : [8000; 9000[, on a 0.331 < 0.50 ≤ Fi+1 = 0.762
Classe du Q3 : [8000; 9000[, on a 0.331 < 0.75 ≤ Fi+1 = 0.762

Exemple (suite):
Classe ni fj Fi
[3000; 4000[ 12 0.024 0.024
[4000; 6000[ 30 0.061 0.085
[6000; 8000[ 120 0.246 0.331
[8000; 9000[ 210 0.431 0.762
[9000; 10000[ 90 0.184 0.946
[10000; 12000[ 25 0.051 1
Total n=487 1 −
Les valeurs exactes des quartiles sont déterminés à l’aide de l’interpolation

linéaire comme comme le calcul de la médiane.

Exemple(suite): calcul de Q1 :
Classe ni fj Fi
[3000; 4000[ 12 0.024 0.024
[4000; 6000[ 30 0.061 0.085
[6000; 8000[ 120 0.246 0.331
[8000; 9000[ 210 0.431 0.762
[9000; 10000[ 90 0.184 0.946
[10000; 12000[ 25 0.051 1
Total n=487 1 −
Classe de Q1 : [6000; 8000[

Fi+1 −Fi 0.25−Fi 0.25−Fi
Li+1 −Li = Q1 −Li ⇒ Q1 = Li + Fi+1 −Fi × (Li+1 − Li )
0.25−0.085
On déduit que Q1 = 6000 + 0.331−0.085 × (8000 − 6000) = 7341

Exemple (suite): calcul de Q2 (Me ) :
Classe ni fj Fi
[3000; 4000[ 12 0.024 0.024
[4000; 6000[ 30 0.061 0.085
[6000; 8000[ 120 0.246 0.331
[8000; 9000[ 210 0.431 0.762
[9000; 10000[ 90 0.184 0.946
[10000; 12000[ 25 0.051 1
Total n=487 1 −
Classe de Q2 : [8000; 9000[

Fi+1 −Fi 0.5−Fi 0.5−Fi
0.5−0.331
On déduit que Q2 = 8000 + 0.762−0.331 × (9000 − 8000) = 8392

Exemple (suite): calcul de Q3 :
Classe ni fj Fi
[3000; 4000[ 12 0.024 0.024
[4000; 6000[ 30 0.061 0.085
[6000; 8000[ 120 0.246 0.331
[8000; 9000[ 210 0.431 0.762
[9000; 10000[ 90 0.184 0.946
[10000; 12000[ 25 0.051 1
Total n=487 1 −
Classe de Q3 : [8000; 9000[

Fi+1 −Fi 0.75−Fi 0.75−Fi
0.75−0.331
On déduit que Q3 = 8000 + 0.762−0.331 × (9000 − 8000) = 8972

Les quantiles
Remarque
La formule de l’interpolation linéaire pourra être utilisé pour déterminer
n’importe quel quantile d’ordre p.

Paramètres de dispersion(variabilité)
Etendue
Etendue
L’etendue d’une variable quantitative discrète est la différence entre la
plus grande valeur et la plus petite valeur de cette variable, donnée
par:
E = xmax − xmin
L’étendue donne une idée de la dispersion des observations.

L’écart interquartiles
L’écart interquartiles est la différence entre le premier et le troisième

quartile de la série d’observations :
EQ = Q3 − Q1
Il correspond à la longueur de l’intervalle interquartile contenant les

50% des valeurs centrales de la série d’observations,excluant les 25 %
des valeurs les plus faibles et les 25 % de valeurs les plus élevées:
[Q1 , Q3 [

Boı̂te à moustaches (Box Plot)
La boı̂te à moustaches résume de manière simple et visuelle quelques

indicateurs de position de la variable quantitative étudiée (médiane,
quartiles). elle permet de comparer un même caractère dans deux
populations de tailles différentes et de détecter les valeurs abberantes.

Les limites xg et xd de Box Plot sont déterminées de la manière suivantes :
a1 = Q1 − 1.5(Q3 − Q1 )
a2 = Q3 + 1.5(Q3 − Q1 )
xg = Plus petite observation supérieure ou égale a1 (moustache gauche)
xd = Plus grande observation inférieure ou égale a2 (moustache droite)

Exerice
Tracer la boı̂te à moustaches pour cette série statistiques:
{1, 6, 7, 12, 13, 16, 18, 20, 30, 34}

Exercice:
Dans un groupe de 40 étudiants, on a fait une étude sur le nombre
d’heures de classe de chacun la journée de mardi:
1 Construire le tableau complet de distribution des fréquences.

2 Calculer la moyenne, le mode et les 3 quartiles.
3 Tracer la boite à moustache pour cette variable statistique

Solution:
1.
xj ni fj Fi
1 2 0.05 0.05
2 3 0.075 0.125
3 7 0.175 0.300
4 9 0.225 0.525
5 10 0.250 0.775
6 6 0.150 0.925
7 2 0.05 0.975
8 1 0.025 1
Total n=40 1

Solution:
2.
x̄ Mode Médiane(Q2 ) Q1 Q3
4.325 5 4 3 5
3.

Variance: vaariable quantitative discrète
La variance d’une variable statistique X est le nombre:

n
X n
X
Var (X ) = fi (xi − x̄)2 = fi xi2 − x̄ 2
i=1 i=1
OU
n n
1X 1X
Var (X ) = ni (xi − x̄)2 = ni xi2 − x̄ 2
n n
i=1 i=1

Variance: vaariable quantitative discrète
Exemple:
xj ni ni × xi ni × xi2
3 3 9 27
5 1 5 25
9 2 18 162
11 2 22 247
Total n=8 54 456
1 Pn 54
x̄ = n i=1 ni xi = 8 = 6.75
1 n 2 2 456
− (6.75)2 = 11.44
P
V (x) = n i=1 ni xi − x̄ = 8

Variance: vaariable quantitative continue
La variance d’une variable statistique X est le nombre:

n
X n
X
Var (X ) = fi (ci − x̄)2 = fi ci2 − x̄ 2
i=1 i=1
OU
n n
1X 1X
Var (X ) = ni (ci − x̄)2 = ni ci2 − x̄ 2
n n
i=1 i=1
ci est le centre de la classe i

Variance: vaariable quantitative continue
Exemple:
Classe ni ci ni × ci ni × ci2
[0; 10[ 8 5 40 200
[10; 20[ 20 15 300 4500
[20; 30[ 32 25 800 20000
[30; 40[ 35 35 1225 42875
[40; 50[ 16 45 720 32400
[50; 60[ 15 55 825 45375
Total n=126 − 3910 145350
1 Pn 3910
x̄ = n i=1 ni ci = 126 = 31.03
1 Pn 2 2 145350
V (x) = n i=1 ni ci − x̄ = 126 − (31.03)2 = 190.71

Ecart type
p
La quantité: σX = Var (X ) s’appelle l’écart type de la variable
statistique X.
Exercice:
1 Calculer la moyenne et l’écart type de la variable statistique étudiée

Coefficient de variation
Le coefficient de variation permet de comparer la dispersion de différentes

séries avec des unités différentes, il donnée par:
σx
CV =
x̄

Statistiques descriptives
Y. LAMRANI ALAOUI
École Marocaine des Sciences de l’Ingénieur – EMSI
2020-2021

Chapitre 1

Transféré par

Informations du document

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

Chapitre 1

Transféré par

Droits d'auteur :

Formats disponibles

Statistiques descriptives

École Marocaine des Sciences de l’Ingénieur – EMSI

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 1 / 83

Les statistiques regroupe un ensemble de méthodes dont la fonction

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 2 / 83

Population: on appelle population un ensemble d’éléments

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 3 / 83

Table 1: Exemple d’un tableau de données

Chaque lingne représente un individu

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 4 / 83

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 5 / 83

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 6 / 83

Table 2: Exemple d’un tableau de données

Soit le tableau de données en haut:

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 7 / 83

n=6 et x1 = 15, x2 = 16, x3 = 20, x4 = 14, x5 = 19, x6 = 21

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 8 / 83

Distribution observée d’une série statistique

Où nj est l’effectif associé à xj et J est le nombre de valeurs distinctes de

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 9 / 83

Fréquence: à chaque valeur xj d’une variable, on peut associer une

Fréquence cumulée: Pour un valeur xj , la fréquence cumulée est

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 10 / 83

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 11 / 83

Ici on a: n=20 et {x1 = N, x2 = N, x3 = B, . . . , x20 = N}

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 12 / 83

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 13 / 83

Figure 1: représentations graphiques

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 14 / 83

Pour une variable qualitative ordinale on peut calculer:

Le tableau statistique d’une variable qualitative ordinale peut être

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 15 / 83

NS N’est pas satisfait(e)

Ici on a: n=16 et {y1 = S, y2 = MS, y3 = TS, . . . , y15 = MS}

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 16 / 83

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 17 / 83

Figure 2: représentations graphiques

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 18 / 83

Figure 3: Diagramme en secteurs des fréquences

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 19 / 83

Comme pour les variables qualitatives ordinales, on peut calculer les

Avec {x1 , x2 , . . . , xJ } est une série statistique d’une variable

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 20 / 83

Un petit village est composé de 50 ménages, soit la variable Z le nombre

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 21 / 83

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 22 / 83

Figure 4: Diagramme en bâtonnets des effectifs

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 23 / 83

Figure 5: Fonction de répartition(fréquences cumulés)

Une variable quantitative est dite continue lorsqu’elle peut prendre

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 25 / 83

Regrouper les données en classes nécessite de définir à priori le

(xmax − xmin )/J

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 26 / 83

Il faut arrondir le nombre de classe J à l’entier le plus proche.

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 27 / 83

Regrouper ces données en classes en utilisant la règle de Sturge et

l’amplitude de nos classes est:

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 29 / 83

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 30 / 83

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 31 / 83

L’histogramme permet de représenter les hauteurs de classes par des

Pour un histogramme de fréquences, la hauteur(appelée dans ce cas

Youssef, L. A. (EMSI) Statistiques descriptives 2020-2021 32 / 83