1

NOTES DE COURS DE STATISTIQUES DESCRIPTIVES

Code: LSF 208
Volume horaire du cours: VHC: 30; TD: 5 TP: 10 TPE: 5 VHT: 50
Crédit: 2
Filière: Sage-Femme/Maieuticien

M. NGUELEO BALDAGUI Joseph

Mais les sages-femmes craignirent Dieu, et ne firent point ce que leur avait PLEG Sciences Physiques,
dit le roi d’Egypte; elles laissèrent vivre les enfants (…) Dieu fit prospérer
leurs maisons. Exode 1: 17-21.
PhD. Student , UMa
13/06/2022
 Objectifs et compétence du cours
2

 Objectif général du cours

Au terme de cours, l’étudiant(e) Sage Femme/Maieuticien
doit être capable d’utiliser les concepts statistiques en vue
d’une prise de décision rationnelle

 Compétence visée : Intervenir en santé publique sur la base

des statistiques

13/06/2022
3 Objectifs spécifiques du cours

1. Décrire numériquement des séries statistiques et faire

des représentions graphiques correspondant à chaque
type de variable
2. Présenter l’association entre variables et les différences
entre niveaux de variables
3. Identifier l’existence d‘une association entre les
variables
4. Traiter les donnes statistiques dans un outil informatique

13/06/2022
4 Contenu du cours

1. Base de la statistique descriptive

2. Statistique Uni variée
3. Statistique bi variée
4. Éléments de statistique-mathématique
5. Éléments de pratique des enquêtes

13/06/2022
5
Introduction

Santé
 «… mesure dans laquelle un groupe ou un individu peut d'une
part, réaliser ses ambitions et satisfaire ses besoins et, d'autre
part, évoluer avec le milieu ou s'adapter à celui-ci… »
(Organisation Mondiale de la Santé 1986, charte d’Ottawa)

 « état complet de bien-être physique, mental et social, qui ne

consiste pas seulement en une absence de maladie ou
d’infirmité » (préambule de la constitution de l’Organisation
Mondiale de la Santé, 1946, New York)

13/06/2022
 Introduction
6

L’information …
 Observer
 Des faits « bruts » sur un patient
 Signes cliniques (palpation d’un foie, …)
 Signes biologiques (concentration de glucose dans le sang,
…)
 Signes physiques (diamètre d’une coronaire)
 Les même faits bruts sur des groupes de patients et de
personnes normales
 Collectionner ces faits bruts
13/06/2022
 Introduction
7
L’information … pour l’action
 Prendre des décisions
 Diagnostiques : interpréter les faits bruts à la lumière de
connaissances physiopathologiques
 Gros foie (hépatomégalie)
 Trop de glucose dans le sang (hyperglycémie)
 Diamètre restreint : sténose coronaire
 Thérapeutiques : transformer le diagnostic en choix
thérapeutiques, sur la base de connaissances sur l’efficacité et
les effets secondaires des traitements
 Hyperglycémie : diabète ? Insulinothérapie ?
 Sténose coronaire : stent ? 13/06/2022
 Introduction
8
Statistique
• L’art de collecter, d’analyser et d’interpréter des « données » pour
évaluer la « fiabilité » des décisions fondées sur ces « données »
– En parvenant à « inférer » des décisions sur un large groupe
d’individus à partir d’un groupe plus restreint
– Ce qui nécessite de préciser les notions suivantes ;
• Population
• Echantillons
• Échantillonnage aléatoire
• Paramètres
Inférer = tirer une conclusion à partir de propositions ou de faits, et de
règles 13/06/2022
 Introduction
9

Deux classes de méthodes statistiques

 Statistique descriptive : elle a pour but de résumer l’information

contenue dans les données de façon synthétique et efficace par :
 Représentations graphiques
 Indicateurs de position, de dispersion et de relation
 Régression linéaire
Elle permet de dégager les caractéristiques essentielles du
phénomène étudié et de suggérer des hypothèses pour une étude
ultérieure plus poussée. Les probabilités n’ont ici qu’un rôle mineur.

13/06/2022
 Introduction
10

Deux classes de méthodes statistiques

Statistique interprétative ou inférentielle : elle a pour but
de faire des prévisions et de prendre des décisions au
vu des observations par :
 Estimation paramétrique
 Intervalles de confiance, tests d’hypothèse
Elle nécessite de définir des modèles probabilistes du
phénomène aléatoire et savoir gérer les risques d’erreurs.

13/06/2022
 1. Bases de la statistique descriptive
11 1.1. Vocabulaire
 Faire de la statistique suppose que l’on étudie un ensemble d’objets
équivalents sur lesquels on observe des caractéristiques appelées variables.
 Le groupe ou l’ensemble d’objets équivalents est appelé la population.
 Les objets sont appelés des individus.
 En général, la population est trop vaste pour pouvoir être observée
exhaustivement. On étudie alors la variable sur une sous partie de la
population. On étudie alors un échantillon.
 Donnée (valeur) = résultat de l’observation d’un individu
 Un paramètre est une grandeur apportant une information résumée sur la
variable d’intérêt (exemple que nous reverrons : la moyenne)
• Un paramètre peut être mesuré dans un échantillon
• Un paramètre peut être estimé dans la population, à partir des
observations de l’échantillon 13/06/2022
 1. Bases de la statistique descriptive
12 1.2. Types de variables
 Variable quantitative
 Toute variable qu’un instrument peut mesurer sous forme
numérique
• Taille, poids, glycémie, nombre d’enfants dans une fratrie,
…
 Les valeurs possibles pour une telle variable sont donc
• l’ensemble des réels,
• Plus souvent un sous-ensemble de l’ensemble des réels
– Entiers (naturels ou relatifs)
– Intervalle [a , b]
13/06/2022
 1. Bases de la statistique descriptive
13 1.2. Types de variables
 Variable qualitative
 Toute variable caractérisée par un attribut qualitatif, et non par une mesure
numérique
• Couleur des yeux, sexe, présence d’un facteur de risque pour une pathologie, …
 Les valeurs possibles pour une telle variables, encore appelées les « modalités de
réponse » sont donc
• Une liste de modalités de réponse :
– Pour la couleur des yeux : {noir ; bleu ; vert}
– Pour le sexe : {homme ; femme}
• Une liste de « codes » attribués à chaque modalité de réponse
– Pour la couleur des yeux : {N; B; V} ou {1 ; 2 ; 3} ou …
– Pour le sexe : {H ; F} ou Pour le sexe : {1 ; 2} ou …
– Attention : même « codée » numériquement, une variable qualitative reste13/06/2022
bien sûr
qualitative…
 1. Bases de la statistique descriptive
14 1.2. Types de variables
Variable ordinale (ou pseudo-quantitative)
– Toute variable qualitative dont les valeurs peuvent être « ordonnées »
(on peut classer les valeurs possibles par ordre « croissant »)
• Intérêt d’un spectateur pour un film : {nul ; moyen ; fort; passionné }
ou {0 ; 1 ; 2 ; 3} ou …
• Mention au baccalauréat : {ajourné ; passable ; assez bien ; bien ;
très bien} ou {AJ ; P ; AB ; B ; TB}ou {0 ; 1 ; 2 ; 3 ; 4} ou …
– Notez que, dans ce dernier cas, la variable « mention » capture une
information de même nature que la variable « note au baccalauréat »;
cette dernière est quantitative, mais l’expression du résultat sous forme
de la « mention » fait perdre le caractère quantitatif)
13/06/2022
 1. Bases de la statistique descriptive
15
1.2. Types de variables
 Deux grands sous-types de variables quantitatives :
– Variable continue : elle peut prendre n’importe quelle valeur dans un intervalle
donné (à condition d’avoir un instrument de mesure suffisamment précis)
• Taille, poids, glycémie
– Variable discrète : elle ne peut prendre qu’un nombre fini ou dénombrable de
valeurs (on peut « compter » les valeurs possibles)
• Nombre d’enfants dans une fratrie, nombre de globules blanc dans un volume
de 1 mL, rapport entre le nombre d’ailes et le nombre de pattes d’un insecte, …
• Le plus souvent, une telle variable s’exprime par un nombre entier
• Si ce n’est pas le cas (dernier exemple), il est toujours possible« d’indexer » les
valeurs :
– rapport entre le nombre d’ailes et le nombre de pattes d’un insecte : {0 ; 1/3
; 2/3}, soit 3 valeur qu’on peut « indexer » par {V1 ; V2; V3 } 13/06/2022
16 1. Bases de la statistique descriptive
1.2. Types de variables
Discrétisation d’une variable continue
– Tous les procédés de mesure conduisent à une variable discrète!
– Les exemples précédents (taille, poids, glycémie, …) conduiront
donc à des mesures discrètes, caractérisées par la précision retenue
pour l’appareil de mesure (par exemple, on n’exprimera pas la taille
d’un adulte en millimètres, mais en centimètres)
 Regroupement des valeurs de la variable en classes
Classe = Intervalle contenant un certain nombre de valeurs successives
Successives, Contigües, Ne se recouvrent pas

13/06/2022
 1. Bases de la statistique descriptive
17 1.2. Types de variables
 Caractéristiques des classes :
 Limites :
— Limite inférieure, toujours inclue = Limite supérieure de la classe précédente
— Limite supérieure, toujours exclue= Limite inférieure de la classe suivante
— Une observation ne doit appartenir qu’à une seule classe à la fois
 Amplitude de classe : Largeur de la classe, Amplitude = Limite supérieure - Limite
inférieure
En général : Classes d’amplitude égale
 Centre de classe : Demi-somme des 2 limites
Nombre de classes C : toujours compris entre 5 et 20: 𝑪 = 𝟐. 𝟓 𝟒 𝑵 (La règle de Yule)
𝐨𝐮 𝑪 = 𝟏 + 𝟑, 𝟑𝑳𝒐𝒈N (La règle de Sturge)
 L’intervalle de classe : longueur de l’intervalle = 𝒙𝒎𝒂𝒙 − 𝒙𝒎𝒊𝒏 Τ𝑪 , où 𝑥𝑚𝑎𝑥 (resp. 𝑥𝑚𝑖𝑛)
désigne la plus grande (resp. la plus petite) valeur observée.
13/06/2022
 1. Bases de la statistique descriptive
18
1.2. Tableaux statistiques

Résumé des données Distribution du nombre annuel d’épisodes de syndrome

grippal chez une population de 77 sujets
Toutes les indications utiles pour sa
compréhension
Xi Ni
Titre : Explicite
Définition du contenu
0 14
Objet de l’étude 1 16
Lieu de l’étude 2 18
Période d’étude 3 17
Modalités des caractères étudiés 4 12
Unités de mesure
෍ 𝑁𝑖 77
 Etude d’une seule variable: Tableau à
simple entrée, Tableau à une dimension,
Tableau unidimensionnel 13/06/2022
 1. Bases de la statistique descriptive
19 1.2. Tableaux statistiques

 Effectifs et fréquences cumulées croissantes ou décroissantes

 Le nombre d'individus (𝑛𝑘) d'une modalité est appelé effectif de
cette modalité.
 Le nombre total N d'individus de la population est appelé effectif
total.
𝒏
 le rapport 𝒇𝒌 = 𝒌 est appelé fréquence de la modalité k.
𝑵
 On appelle effectif cumulé croissant de la modalité 𝑎𝑘−1 ; 𝑎𝑘 , noté
ECC, le nombre 𝑛1 + 𝑛2 + ⋯ + 𝑛𝑘 .
 On appelle effectif cumulé décroissant de la modalité 𝑎𝑘−1 ; 𝑎𝑘 ,
noté ECD, le nombre 𝑛𝑘 + 𝑛𝑘+1 + ⋯ + 𝑛𝑝

13/06/2022
 1. Bases de la statistique descriptive
20
1.2. Tableaux statistiques
 Etude de deux variables: Tableau à double entrée, Tableau à deux
dimensions, Tableau bidimensionnel
 Deux variables qualitatives : Tableau de contingence, Comparaison de
répartitions
Répartition de 826 élèves scolarisés selon la survenue d’accident et le
sexe– Alger, 1985

Accident / sexe Masculin Féminin Total

Oui 102 105 207
Non 209 410 619
Total 311 515 826

 Deux variables quantitatives : Tableau de corrélation, Test de corrélation

 Une variables qualitative et un variable quantitative : Tableau de comparaison,
Comparaison de moyennes
13/06/2022
 1. Bases de la statistique descriptive
21
1.3. Paradoxe de Simpson
 Taux de guérison moyen d’une tumeur : médicaments vs. Chirurgie

13/06/2022
 1. Bases de la statistique descriptive
22 1.3. Paradoxe de Simpson
Paradoxe de Simpson
Taux de guérison de la méthode suivant la taille de la tumeur

13/06/2022
 1. Bases de la statistique descriptive
23 1.3. Paradoxe de Simpson
À vos boitiers de vote !
Kesako ?

Deux observations importantes sur les grosses

tumeurs :
• Elles ont des taux de guérison plus faible
Selon vous, quel traitement marche le mieux ?
que les petites tumeurs
A) Médicaments
• Elles donnent plus souvent lieu à une
B) Chirurgie
intervention chirurgicale
13/06/2022
 1. Bases de la statistique descriptive
24 1.3. Paradoxe de Simpson
 Gare aux facteurs de confusions !

13/06/2022
 1. Bases de la statistique descriptive
25
1.3. Paradoxe de Simpson
En résumé
Pour que le paradoxe se produise, il faut 2 ingrédients :
 Une variable qui influe sur le résultat final (le groupe), et qui
n’est pas forcément explicitée au départ. On appelle cela un
facteur de confusion. Il s’agit de la taille des tumeurs dans cet
exemple.
 Une distribution non homogène de l’échantillon. Dans cet
exemple la chirurgie est plus souvent adoptée sur les grosses
tumeurs, et les médicaments sur les petites.

13/06/2022
 2. Statistique descriptive uni variée
2.1 Paramètres de position
26
Ces paramètres visent à résumer la zone des réels où se trouvent les
observations faites sur l’échantillon
2.1.1 Le mode
Le mode est la valeur distincte correspondant à l’effectif le plus
élevé ; il est noté 𝑥𝑀
 Le mode peut être calculé pour tous les types de variable,
quantitative et qualitative.
 Le mode n’est pas nécessairement unique.
 Quand une variable continue est découpée en classes, on peut
définir une classe modale (classe correspondant à l’effectif le plus
élevé).
 Le mode d’une série statistique regroupée en classe, est le centre de
la classe modale.
13/06/2022
 2. Statistique descriptive uni variée
27 2.1 Paramètres de position

2.1.2 La moyenne
La moyenne ne peut être définie que sur une variable quantitative.
 La moyenne est la somme des valeurs observées divisée par leur
nombre, elle est notée (À partir des données brutes)
𝒏
𝟏
ഥ
𝒙 = ෍ 𝒙𝒊
𝒏
𝒊=𝟏
 La moyenne peut être calculée à partir des valeurs distinctes et des
effectifs
𝑱
𝟏
ഥ
𝒙 = ෍ 𝒏𝒋 𝒙𝒋
𝒏
𝒋=𝟏
13/06/2022
 2. Statistique descriptive uni variée
28 2.1 Paramètres de position
2.1.3. La médiane
La médiane, notée 𝑀𝑒 ,est une valeur centrale de la série statistique obtenue de la
manière suivante :
 On trie la série statistique par ordre croissant des valeurs observées.
 La médiane 𝑀𝑒 est la valeur qui se trouve au milieu de la série ordonnée :

En général on note 𝒙(𝟏), . . ., 𝒙(𝒊), . . ., 𝒙(𝒏) la série ordonnée par ordre croissant. On
appelle cette série ordonnée la statistique d’ordre. Cette notation, très usuelle en
statistique, permet de définir la médiane de manière très synthétique.
 Si n est impair, 𝑀𝑒 = 𝑥 𝑛+1
2
1
 Si n est pair, 𝑀𝑒 = 𝑥 𝑛 +𝑥 𝑛
+1
2 2 2

Remarque : La médiane peut être calculée sur des variables quantitatives et sur des
variables qualitatives ordinales. Elle est facile à comprendre sur la courbe des
Fréquences cumulées
13/06/2022
 2. Statistique descriptive uni variée
2.1 Paramètres de position
29
2.1.3. La médiane
 La médiane d’une série statistique regroupée en classe est le nombre 𝑀𝑒 tel que la
moitié au moins des individus ont une modalité inférieure ou égale à 𝑀𝑒 et la moitié au
moins des individus ont une modalité supérieure ou égale à 𝑀𝑒 .
 L'intervalle médian ou classe médiane est la classe qui contient la médiane de la série.
 En utilisant le tableau des ECC, pour déterminer l'intervalle médian, il suffit de trouver la
classe correspondant à la première fois ou` la valeur de l’ECC est supérieure ou égale à
la moitié de l'effectif total.
Détermination de la médiane par la méthode d’interpolation linéaire
 Pour déterminer la médiane par interpolation linéaire, on procède comme suit :
1. On détermine l'intervalle médian
𝑴𝒆 −𝒂 𝒃−𝒂
2. On résout ensuite l'équation 𝑵 = 𝒇 𝒃 −𝒇(𝒂) d’inconnue 𝑀𝑒 où 𝒇 𝒂 et 𝒇 𝒃 désignent
−𝒇(𝒂)
𝟐
respectivement l’ECC de et l’ECC de .

13/06/2022
 2. Statistique descriptive uni variée
30 2.1 Paramètres de position

2.1.3. Quantile
C’est une généralisation de la notion de médiane
– Soit X une variable quantitative observée sur n individus d’un échantillon
– Ranger les valeurs mesurées par ordre croissant : on obtient {xr, r = 1,..,n}
– Médiane = valeur au-dessous de laquelle se trouvent 50% de ces n observations
– qème quantile (ou qème percentile)= valeur au-dessous de laquelle se trouvent q
p. 100 de ces n observations. On le note Qq
• 𝑄50 = médiane
• 𝑄25 = 1er quartile
• 𝑄75 = 3ème quartile
• 𝑄95 = 95ème percentile
– Si q(n+1) est un entier i, Qq = xi
– Si r < q(n+1) < r + 1, Qq =(xr + xi+1)/2
13/06/2022
31 Résumé sur les paramètres de position

 Moyenne et médiane sont des « indicateurs de

tendance centrale »
 La médiane et les quantiles donnent des indications
précieuses, particulièrement pour les distributions
asymétriques
 Pour les modes, ce qui est surtout intéressant, c’est le
nombre de modes
 Les extrema ont relativement peu d’intérêt en tant que
paramètres de position

13/06/2022
 2. Statistique descriptive uni variée
2.2. Paramètres de dispersion
32
Ces paramètres complètent les informations données par les paramètres de
position, en permettant d’apprécier la tendance plus ou moins forte des
données à « s’étaler » de part et d’autre des valeurs « centrales »
2.2.1. La variance
La variance est la somme des carrés des écarts à la moyenne divisée par le
nombre d’observations :
𝒏
𝟏
𝑽 = ෍ 𝒙𝒊 − 𝒙 ഥ ²
𝒏
𝒊=𝟏
𝟏
Elle peut encore s’écrire : 𝑽 = σ𝒏𝒊=𝟏 𝒙𝒊 ² − ഥ
𝒙²
𝒏

On peut également définir la variance à partir des effectifs et des valeurs

distinctes par:
𝑱
𝟏
𝑽 = ෍ 𝒏𝒋 𝒙𝒋 − ഥ
𝒙 ²
𝒏
𝒋=𝟏
13/06/2022
 2. Statistique descriptive uni variée
33 2.2. Paramètres de dispersion
𝑱𝟏
Ou encore 𝑽 = σ𝒋=𝟏 𝒏𝒋 𝒙𝒋 ² − ഥ
𝒙²
𝒏
Quand on veut estimer une variance d’une variable 𝑋 à partir d’un
échantillon (Une partie de la population sélectionnée au hasard) de
taille 𝑛, on utilise la variance”corrigée” divisée par (n – 1) :
𝒏
𝟏 𝒏
𝑽𝒏−𝟏 = ෍ 𝒙𝒊 − ഥ𝒙 ² = 𝑽
𝒏−𝟏 𝒏−𝟏
𝒊=𝟏
NB: Pour une série statistique regroupée en classe, les 𝒙𝒊 représentent
les centres des classes 𝒄𝒊 définit pour l’intervalle 𝐼 = 𝑎; 𝑏 par:
𝑎+𝑏
𝑐=
2

13/06/2022
 2. Statistique descriptive uni variée
34 2.2. Paramètres de dispersion

2.2.2.L’écart-type
L’écart-type est la racine carrée de la variance : 𝜎𝑥 = 𝑉
Quand on veut estimer l’écart-type d’une variable 𝑋 partir d’un échantillon de
taille 𝑛, utilise la variance “corrigée” pour définir l’écart type :
𝒏
𝝈𝒏−𝟏 = 𝜎𝑥
𝒏−𝟏
NB: L’écart type sert à mesurer la dispersion d’un ensemble de données. Plus il est
faible, plus les valeurs sont regroupées autour de la moyenne.
2.2.3. L’écart moyen absolu
L’écart moyen absolu est la somme des valeurs absolues des écarts à la
moyenne divisée par le nombre d’observations :
𝒏
𝟏
𝒆𝒎𝒐𝒚 = ෍ 𝒙𝒊 − ഥ 𝒙
𝒏
𝒊=𝟏
13/06/2022
 2. Statistique descriptive uni variée
35 2.1 Paramètres de dispersion

2.2.4. L’écart médian absolu

L’écart médian absolu est la somme des valeurs absolues des écarts à la
médiane divisée par le nombre d’observations :
𝒏
𝟏
𝒆𝒎𝒆𝒅 = ෍ 𝒙𝒊 − 𝑴𝒆
𝒏
𝒊=𝟏

2.2.5. Autres paramètres de dispersion

• Etendue : 𝑥𝑚𝑎𝑥 - 𝑥𝑚𝑖𝑛
• Ecart-interquartile : |𝑄75 -𝑄25 |
– NB cela peut être vu comme l’étendue des données observées, après
élimination des 25% des valeurs les plus faibles et des 25% des valeurs les plus
élevées (ce paramètre est donc plus « robuste » que l’étendue, car moins
sensible aux données aberrantes, « outliers ») 13/06/2022
 2. Statistique descriptive uni variée
36 2.2 Représentations graphiques
 Généralités
 Moyen suggestif
 Vue synoptique
 Allure générale
 Impression durable
 Simple
 Clair
 Explicite
Moins de précision que le tableau
Tableaux et graphiques sont complémentaires 13/06/2022
 2. Statistique descriptive uni variée
37 2.2 Représentations graphiques
 Graphique = 3 parties
 Titre : Même principes que le titre du tableau
 Coordonnées, axes et échelles :
Axe des abscisses : Modalités de la variable ( Axe des x)
Axe des ordonnées : Effectifs –Absolus, relatifs ou cumulés –(Axe des y)
Echelle arithmétique ou logarithmique
 Tracé :
 Surfaces rectangulaires
 Bâtonnets
 Polygones (lignes brisées)
 Courbes
13/06/2022
 Nuages de points
 2. Statistique descriptive uni variée
38
2.2 Représentations graphiques

Différents types de représentations graphiques :

Diagramme en bâtons et en camembert
Histogramme des fréquences
Graphique des fréquences cumulées (= fonction
de répartition)
Boite à moustache
...
Kévin
13/06/2022
 2. Statistique descriptive uni variée
39 2.2. Représentations graphiques
2.2.1. Variables discrètes – Diagrammes en bâtons
Diagrammes en bâtons : à chaque modalité correspond un rectangle vertical dont la
hauteur est proportionnelle à la fréquence relative de la modalité.

13/06/2022
 2. Statistique descriptive uni variée
40 2.2. Représentations graphiques
2.2.2. Variables discrètes – Diagrammes sectoriels (ou en camemberts)
Diagrammes sectoriels (ou en camemberts) : à chaque modalité correspond un secteur
de disque dont l’aire est proportionnelle à la fréquence relative de la modalité.
 Chaque modalité est schématisée par une portion proportionnelle à l’effectif 100 % de
l’effectif = 360°

13/06/2022
 2. Statistique descriptive uni variée
41 2.2. Représentations graphiques

2.2.3. Variable continue- Histogramme

Quand la variable étudiée est continue, les
représentations du type diagramme en bâtons
sont sans intérêt, car les données de x sont en
général toutes distinctes, donc les effectifs tous
égaux à 1.
L’histogramme est la figure constituée de
rectangles dont les bases sont les classes et dont
les aires sont égales aux fréquences de ces
classes. Autrement dit, la hauteur du ième
rectangle est 𝑛𝑖 Τ𝑛ℎ
 En abscisses, les différentes valeurs possibles
 En ordonnées, les effectifs (ou les fréquences)
13/06/2022
 2. Statistique descriptive uni variée
42 2.2. Représentations graphiques
 Remarque sur les formes
graphiques des histogrammes
• En principe, représenter
l’histogramme sous forme de
rectangles adjacents
• En pratique, des outils comme
Excel génèrent des
histogrammes :
– Avec des rectangles non
adjacents
– Où la position des «
étiquettes » peut prêter à
confusion 13/06/2022
 2. Statistique descriptive uni variée
43 2.2. Représentations graphiques
Courbes des ECC et des ECD
 Le polygone des effectifs cumulés croissants est une ligne brisée
joignant chacun des points ayant pour abscisse la borne
supérieure de la classe et pour ordonnées son effectif cumulé
croissant.
 Le polygone des effectifs cumulés décroissants est une ligne
brisée joignant chacun des points ayant pour abscisse la borne
inférieure de la classe et pour ordonnées son effectif cumulé
décroissant.
 L'abscisse du point d'intersection des deux courbes représente
la médiane de la série statistique étudiée.
 Le polygone des effectifs cumulés croissants permet de
déterminer l’intervalle médian ou la classe médian. 13/06/2022
 3. Statistique bi variée
44

13/06/2022