Statistique 2024 L1 S1 El Ment N 1 E

UNIVERSITE D’ANTANANARIVO
DOMAINE DES SCIENCES DE LA SOCIÉTÉ

FACULTE D’ECONOMIE, DE GESTION ET DE SOCIOLOGIE
METION GESTION
FOAD GESTION
Mention : Gestion
Parcours : Fondamentaux en Sciences de Gestion
Niveau : L1
Semestre : S1
Unité d’Enseignement : UE2
Elément Constitutif :
STATISTIQUES
Elément : n°1
Concepteurs :
RAKOTONASY Solonjaka Hiarintsoa HERMIAH RAKOTONDRANJA Solo Arsène
Maître de Conférences Enseignant-chercheur
Université d’Antananarivo Université d’Antananarivo
Avertissement :
Ce document est réservé uniquement aux étudiants légalement inscrits au cours de

l’année universitaire 2024 à la Formation Ouverte et à Distance (FOAD) en Sciences de Gestion
de l’Université d’Antananarivo. Toute reproduction intégrale ou partielle faite, par quelque
procédé que ce soit, sans l’accord de la Mention Gestion de l’Université d’Antananarivo est, en
effet, strictement interdite.
Année universitaire : 2024

RAKOTONASY Solonjaka, HERMIAH RAKOTONDRANJA STATISTIQUES FOAD GESTION: 2024
CHAP 0. INTRODUCTION
Ce cours est destiné à vous faire acquérir les notions essentielles de la statistique descriptive, c'est-à-dire à
vous apprendre comment décrire de façon claire et concise l'information apportée par des observations
nombreuses et variées sur un phénomène donné.
Il s'agit de trier ces données, les décrire, les résumer sous forme de tableaux, de graphiques, et sous forme
d'un petit nombre de paramètres-clés (moyenne, médiane par exemple).
0.1. La statistique descriptive – Les statistiques

La statistique descriptive consiste à étudier le recueil, la présentation et le résumé des données. On le
rencontre dans des domaines très divers (Marketing, Economie, Santé, Météorologie, Médecine,)
Exemples :
(1) Lorsqu’on note par semaine pour une entreprise le chiffre d’affaires par semaine, le nombre de
commande, le nombre de nouveau client.
(2) Pour étudier les risques cardiovasculaires de ses patients, un médecin peut remplir pour chacun
d’eux une fiche notant un certain nombre de caractéristiques.
La STATISTIQUE (ou données statistiques) est un ensemble de mesures ou d’observation concernant l’état
ou l’évolution d’un phénomène)
Le recueil des données comporte plusieurs étapes :
- La préparation des questionnaires

- Le choix des moyens et des méthodes d’enquête
- La détermination du temps et de l’espace
- Le dépouillement des résultats
La présentation des données est l’ensemble des opérations et des résultats conduisant à des informations
directement utilisables, sous forme de tableau ou de graphique.
Le résumé des données est l’ensemble des indicateurs résultant des calculs utilisant les informations de la
présentation.
Les statistiques sont des données traitées qu’on peut communiquer.
La STATISTIQUE DESCRIPTIVE est l’ensemble des méthodes et techniques mathématiques permettant de

présenter, décrire, résumer les données.
0.2. Eléments de calculs
0.2.1. Sommation
Soit (a1, a2, …, an) une suite de n nombres.
𝑖=𝑛 𝑛
∑ 𝑎𝑖 = ∑ 𝑎𝑖 = 𝑎1 + 𝑎2 + ⋯ + 𝑎𝑛
𝑖=1 𝑖=1
𝑞
∑ 𝑎𝑖 = 𝑎𝑝 + 𝑎𝑝+1 + ⋯ + 𝑎𝑞−1 + 𝑎𝑞
𝑖=𝑝
𝑞
∏ 𝑎𝑖 = 𝑎𝑝 × 𝑎𝑝+1 × ⋯ × 𝑎𝑞
𝑖=𝑝
Interdictions : Photocopie et reproduction Réf : foadgestion-degs/tanà/2024/L1/S1/UE2/STAT/1
2
Exemples :
i 1 2 3 4 5 6 7 8 9 10
ai 10 13 19 4 14 4 16 3 1 9
∑ 𝑎𝑖 = 𝑎1 + 𝑎2 + 𝑎3 + 𝑎4 = 10 + 13 + 19 + 4 = 46
𝑖=1
10
∑ 𝑎𝑖 = 𝑎8 + 𝑎9 + 𝑎10 = 3 + 1 + 9 = 13
𝑖=8
7
∏ 𝑎𝑖 = 𝑎3 𝑎4 𝑎5 𝑎6 𝑎7 = 19 × 4 × 14 × 4 × 16 = 68096
𝑖=3
Propriétés
𝑝
∑ 𝑎𝑖 = 𝑎𝑝
𝑖=𝑝
𝑞 𝑘 𝑞
∑ 𝑎𝑖 = ∑ 𝑎𝑖 + ∑ 𝑎𝑖
𝑖=𝑝 𝑖=𝑝 𝑖=𝑘+1
𝑝
∏ 𝑎𝑖 = 𝑎𝑝
𝑖=𝑝
𝑛 𝑘 𝑛
∏ 𝑎𝑖 = ∏ 𝑎𝑖 × ∏ 𝑎𝑖
𝑖=𝑝 𝑖=𝑝 𝑖=𝑘+1
Exemples :
5
∏ 𝑎𝑖 = 𝑎5 = 14
𝑖=5
7 5 7
∑ 𝑎𝑖 = ∑ 𝑎𝑖 + ∑ 𝑎𝑖 = 37 + 20 = 57
𝑖=3 𝑖=3 𝑖=6
0.2.2. Proportionnalité
Soient a= (a1, a2, …, an) et b = (b1, b2, …, bn) deux suites de n nombres.
i 1 2 … n-1 n
ai a1 a2 … an-1 an
bi b1 b2 … bn-1 bn
𝑎1 𝑎2 𝑎𝑛
On dit que a et b sont proportionnelles si = =⋯= =𝑐
𝑏1 𝑏2 𝑏𝑛
On a : 𝑎𝑞 𝑏𝑝 = 𝑏𝑞 𝑎𝑝

3
C est le coefficient de proportionnalité.
Propriétés :
𝑎1 𝑎2 𝑎1 + 𝑎2 𝑎1 − 𝑎2
= = =
𝑏1 𝑏2 𝑏1 + 𝑏2 𝑏1 − 𝑏2
Exemple :
a2+a1 a2-a1
ai 15 45 60 30
bi 32 96 128 64
b2+b1 b2-b1
15 45
=
32 96
15 × 96 = 32 × 45
15 15 + 45 15 − 45
= =
32 32 + 96 32 − 96
0.2.3. Interpolation linéaire

f est une fonction définie sur [a ; b]. Soit x ∈ [a,b]. Notons y la valeur approchée de f(x) par
interpolation linéaire :
a → f(a)
x → y
b → f(b)
Alors on a :
𝑦 − 𝑓(𝑎) 𝑓(𝑏) − 𝑦 𝑓(𝑏) − 𝑓(𝑎)
= =
𝑥−𝑎 𝑏−𝑥 𝑏−𝑎
Exemple : Approximation de √2 par interpolation linéaire

4
1 → 1
2 → y
4 → 2
𝑦−1 2−1
=
2−1 4−1
(y-1)(4-1) = (2-1)(2-1)
3y-3=1
4
y=
3
y≈1,33
0.3. Série statistique à un caractère

Une série ou distribution statistique est un ensemble {(x1,n1), (x2,n2), … , (xK,nK)}, où
• les xi sont les valeurs ou modalités prises par le caractère étudié.

• le ni est l'effectif ou la fréquence absolue de la modalité xi
La somme des effectifs ni est l'effectif total N de la population étudiée :
N = n1 + n2 + … + nk
k
N =  ni
i =1
ni
Le quotient ni/N est la fréquence relative fi de la mesure xi du caractère : f i =
N
Tableau 1

5
xi ni
x1 n1
x2 n2
⋮ ⋮
xk-1 nk-1
xk nk
k
TOTAL N =  ni
i =1
0.3.1. Modalité nominale

Le caractère étudié est qualitatif.
Exemple : Résultat de l'enquête sur les fonctionnaires malagasy en 2010
Tableau 2
xi ni
Hommes 66500
Femmes 42583
Total 109083
0.3.2. Modalité ordinale

Les valeurs prises peuvent être classées entre elles
Exemple : un questionnaire de satisfaction demande aux consommateurs d'évaluer une prestation en

cochant sur l'une des six catégories suivantes :
(a)nulle (b) médiocre (c)moyenne
(d) assez bonne (e)très bonne (f) excellente

Modalités Effectif
a 2
b 3
c 5
d 1
e 5

6
f 2
Total 18
Tableau 3
Groupement par classe de modalités
Modalités Effectif
De nulle à assez bonne 11
De très bonne à excellente 7
Total 18
Tableau 4
0.3.3. Variable discrète

Une variable statistique est discrète si elle ne peut prendre qu’un nombre fini ou dénombrable de valeurs.
Exemple : Distribution du nombre d'enfant à charge du personnel d'une entreprise
Nombre
Effectif Fréquence Fréquence cumulée Fréquence cumulée
d'enfants à
ni fi croissante Fci décroissante Fdi
charge xi
0 4 0,05 0,05 1
1 15 0,1875 0,2375 0,95
2 29 0,3625 0,6 0,7625
3 18 0,225 0,825 0,4
4 10 0,125 0,95 0,175
5 3 0,0375 0,9875 0,05
6 1 0,0125 1 0,0125
TOTAUX 80 1
Tableau 5
Fc1 = f1
Fci = f1+ f2+ … + fi

7
Fci = Fci-1+ fi
Fdk = fk
Fdi = fk+ fk-1+ … + fi
Fdi = Fdi+1+ fi
Le pourcentage est la fréquence relative multipliée par 100
60% des salariés ont au plus 2 enfants à charge
40% des salariés ont au moins 3 enfants à charge
0.3.4. Variable continue

Une variable statistique est continue si elle peut prendre un nombre infini de valeurs.
Exemple : Répartition des Salaires des fonctionnaires gagnant entre 100000 et 300000 Ariary.
Salaire Effectif
100.000 - 125.000 Ariary 24616
125.000 - 150.000 Ariary 36740
150.000 - 175.000 Ariary 13021
175.000 - 200.000 Ariary 7955
200.000 - 225.000 Ariary 5163
225.000 - 250.000 Ariary 1701
250.000 - 275.000 Ariary 1824
275.000 - 300.000 Ariary 4120
Total 95140
Tableau 6
Notons par [ei ; ei+1[ la classe i
Le centre ki de la classe i est :

(𝑒𝑖 − 𝑒𝑖+1 )
𝑘𝑖 =
2

8
L'amplitude ou l'étendue de la classe i est :
ai = | ei+1 – ei |
L'effectif rectifié est :
𝑛𝑖
ℎ𝑖 =
𝑎𝑖
Effectifs cumulés
Croissant
nc1 = n1
nci = n1+ n2+ … + ni
nci = nci-1+ ni
Décroissant
ndk = nk
ndi = nk+ nk-1+ … + ni
ndi = ndi+1+ ni
salaire ni ki ai hi nci ndi
[100 ; 125[ 24616 112,5 25 984,64 24616 95140
[125 ; 150[ 36740 137,5 25 1469,6 61356 70524
[150 ; 175[ 13021 162,5 25 520,84 74377 33784
[175 ; 200[ 7955 187,5 25 318,2 82332 20763
[200 ; 225[ 5163 212,5 25 206,52 87495 12808
[225 ; 250[ 1701 237,5 25 68,04 89196 7645
[250 ; 275[ 1824 262,5 25 72,96 91020 5944
[275 ; 300[ 4120 287,5 25 164,8 95140 4120
Total 95140 200
Tableau
0.4. REPRESENTATION GRAPHIQUE

Diagramme à barres :
La hauteur d'une barre est proportionnelle à l'effectif.

9
Graphique circulaire :
L'aire d'un secteur est proportionnelle à l'effectif.
Histogramme (variable continue) :
L'aire d'unrectangle est proportionnelle à l'effectif qu’il représente. La base est proportionnelle à
l'étendue.
Polygone cumulatif :
un polygone dont les sommets sont les points de coordonnées (e1,0) et (ei+1,nci),
i = 1..k-1.
Diagramme à barres : (Tableau 7)
HISTOGRAMME : Tableau 7

10
Graphique circulaire : Tableau 7
salaire ni ai hi nci ndi
[100 ; 125[ 24616 25 984,64 24616 95140
[125 ; 150[ 36740 25 1469,6 61356 70524
[150 ; 200[ 20976 50 419,52 82332 33784
[200 ; 300[ 12808 100 128,08 95140 12808
Total 95140 200
Tableau 8

11
Histogramme : tableau 8
Polygones cumulatifs : Tableau 8
0.4.1. Règles relatives à la présentation des tableaux statistiques

• Titres et sous-titres du tableau
• Titres des lignes et des colonnes
• Unités
• Notes supplémentaires
• Sources
0.5. Série statistique à deux caractères

C'est le résultat d'une observation de deux caractères sur un même individu
Exemple : Enquête effectuée sur 20 employés d'une entreprise sur le salaire en ariary et le nombre
d'enfants à charge
{(135000, 2), (230000,1), (105000,0), (300000,3), (140000,3), (150000,1), (250000,4), (140000,0),

(135000,1), (240000,2), (190000,1), (145000,2), (250000,2), (240000,2), (150000,1), (140000,2), (150000,2),
(200000,0), (135000,1), (225000,2)}
Le 1er élément d’un couple est le salaire d'un individu et le second le nombre d'enfants à charge
0.5.1. Représentation individuelle

salaire x enfant y salaire x enfant y
135000 2 190000 1
230000 1 145000 2
105000 0 250000 2
300000 3 240000 2
140000 3 150000 1
150000 1 140000 2
250000 4 150000 2
140000 0 200000 0
12
135000 1 135000 1
240000 2 225000 2
0.5.2. Représentation groupée : Tableau de contingence

Soit X le salaire en milliers d’ariary et Y le nombre d’enfants à charge des employés
Y
0 1 2 3 4
X
[100;150[ 2 2 3 1 0 8
[150. 200[ 0 3 1 0 0 4
[200 ; 250[ 1 1 3 0 0 5
[250 ; 300] 0 0 1 1 1 3
3 6 8 2 1 20
Représentation groupée : Tableau de contingence
Y
y1 ... yj ... yq
X
x1 n11 ... n1j ... n1q n1.
... ... ... ... ... ... ...
xi ni1 ... nij ... niq ni .
... ... ... ... ... ... ...
xk nk1 ... nkj ... nkq nk.
n. 1 ... n. j ... n. q N
Effectif marginal de yj :
𝑖=𝑘
𝑛.𝑗 = ∑ 𝑛𝑖𝑗
𝑖=1
Effectif marginal de xi :
𝑗=𝑞
𝑛𝑖. = ∑ 𝑛𝑖𝑗
𝑗=1
Effectif total :
𝑗=𝑞
𝑁 = ∑ 𝑛.𝑗
𝑗=1
𝑖=𝑘
𝑁 = ∑ 𝑛𝑖.
𝑖=1

13
𝑖=𝑘 𝑗=𝑞 𝑗=𝑞 𝑖=𝑘
𝑁 = ∑ (∑ 𝑛𝑖𝑗 ) = ∑ (∑ 𝑛𝑖𝑗 )
𝑖=1 𝑗=1 𝑗=1 𝑖=1
Les fréquences :
𝑛𝑖.
𝑓𝑖. = 𝑁
Fréquence marginale de xi
𝑛.𝑗
𝑓.𝑗 = 𝑁
Fréquence marginale de yj
𝑛𝑖𝑗
𝑓𝑖𝑗 = Fréquence partielle de (xi, yj)
𝑁
Représentation graphique : Nuage de points

14
EXERCICES :
EXERCICE 1 : RÉPARTITION DES IMMATRICULATIONS SELON LE GENRE DE VÉHICULES AU COURS DU
PREMIER TRIMESTRE 2017 (EN %)
TYPE DE VÉHICULES TOTA L 1ER

TRIM2017
GENRE DE VÉHICULES NEUF OCCASION MUTATION DE
PROVINCE
Voiture particulière 21,3 51,4 48,9 38,8
Véhicule à deux roues 55,6 2,3 6,4 24,5
Voiture camionnette 15,9 10,4 20,7 14,0
Transport en commun 2,6 21,7 11,6 12,6
Voiture camion 4,1 7,4 9,7 6,4
Tracteur routier 0,1 5,1 1,1 2,5
Semi-remorque 0,1 1,5 1,4 0,9
Tracteur agricole 0,3 0,1 0,0 0,1
Voiture très spéciale de transport 0,0 0,2 0,3 0,1
TOTA L 100,0 100,0 100,0 100,0
SOURCE : Bulletin trimestriel N°053 Avril 2017-INSTAT
Représenter graphiquement cette série statistique
EXERCICE 2 :
Le tableau suivant représente la répartition des clients d’un cybercafé selon les montants de leur connexion
en une journée :
Montant en Ar Nombre
[300 ; 500[ 25
[500 ; 1000[ 39
[1000 ; 1500[ 32
[1500 ; 2000[ 24
[2000 ; 3000] 8
1. Représenter graphiquement cette série statistique

2. Calculer le pourcentage des clients dépensant moins de 600 Ar
3. Calculer le pourcentage des clients dépensant entre 800 Ar et 1800 Ar
4. Calculer le montant que le 85% de clients dépensent au plus.

15
CHAP 1. LES DISTRIBUTIONS STATISTIQUES

1.1. LES SERIES STATISTIQUES A UNE VARIABLE
1.1.1. LES PARAMETRES DE POSITION
1.1.1.1. Le mode
Le mode d’une série statistique est la valeur de la variable pour laquelle l’effectif est maximal.
Une série statistique qui n'a qu'un seul mode est dite unimodale
Une série statistique qui a exactement deux modes est dite bimodale.
1.1.1.2. La médiane
La médiane est la valeur qui partage la série statistique en deux parties de même effectif
Notation : Me.
Variable discrète
EXEMPLE 1 : Répartition des nombres de permissions d'absence octroyées aux employés
d'un service (Effectif total impair)
xi ni
1 4
2 1
3 2
4 2 Me = 2
9

16

d'un service (Effectif total impair)
xi ni 2+ 3
1 4 Me= = 2,5
2 1 2
3 3
4 2
10

d'un service
xi ni
1 4
2 2
3 3
4 2
11
Cette série statistique n'admet pas de médiane
Variable continue
Exemple : Groupement des classes de salaires en milliers d'Ariary
salaire ni ki ai hi nci ndi
[100 ; 125[ 24616 112,5 25 984,64 24616 95140
[125 ; 150[ 36740 137,5 25 1469,6 61356 70524
[150 ; 200[ 20976 175 50 419,52 82332 33784
[200 ; 300[ 12808 250 100 128,08 95140 12808
Total 95140 200
Détermination graphique : La médiane correspond à l’intersection des polygones des effectifs

(ou des fréquences) cumulés croissants

17
Détermination par interpolation linéaire :
𝑁 95140
On calcule la moitié de l’effectif total : 2 = 2
= 47570
On l’encadre par des effectifs cumulés consécutifs : 24616 ≤ 47570 ≤ 61356, puis la médiane
par les extrémités respectives : 125 ≤ Me ≤ 150
125 → 24616
Me → 47570
150 → 61356
Alors on a :
𝑀𝑒 − 125 150 − 125
=
47570 − 24616 61356 − 24616
150 − 125
𝑀𝑒 = 125 + (47570 − 24616)
61356 − 24616
Me = 140,619
En général, si :
N est l’effectif total,

𝑁
ncp ≤ 2
≤ ncp+1 ,
alors :
𝑁
ep+1 ≤ 2
≤ ep+2 , et :
ep+1 → ncp
𝑁
Me →
2
ep+2 → ncp+1

18
𝑀𝑒 − 𝑒𝑝+1 𝑒𝑝+2 − 𝑒𝑝+1

=
𝑁 𝑛𝑐𝑝+1 − 𝑛𝑐𝑝
2 − 𝑛𝑐𝑝
1.1.1.3. Les moyennes
1.1.1.3.1. La moyenne arithmétique
La moyenne arithmétique des valeurs xi d'une série statistique est notée :
mx ou𝑥̅ ou mA ou m
i= k
∑ ni . x i i= k
∑ ni . x i x= ∑ ni . x
i= 1 i= k i= k
x= i= k
i x= ∑ f i . x i
x= i= 1
∑ ni N i= 1 N i= 1
i= 1
EXEMPLE : Répartition des nombres de permissions d'absence octroyées aux employés d'un service
xi ni nixi
1 4 4
2 1 2
3 3 9
4 2 8
TOTAL 10 23
23
x= = 2,3
10
xi ni fi fixi
1 4 0,4 0,4
2 1 0,1 0,2
3 3 0,3 0,9
4 2 0,2 0,8
TOTAL 10 1 2,3
i= k
x= ∑ f i . x i x= 2,3
i= 1
Variable continue
Salaire ni ki niki
[100 ; 125[ 24616 112,5 2769300
[125 ; 150[ 36740 137,5 5051750
[150 ; 200[ 20976 175 3670800
[200 ; 300[ 12808 250 3202000

19
95140 14693850
∑ki=1 ni k i
m=
∑ki=1 ni
14693850
m= = 154,445
95140
1.1.1.3.2. La moyenne géométrique :

On note mG la moyenne géométrique des valeurs xi positives d'une série statistique :
𝑘
𝑁 = ∑ 𝑛𝑖
𝑖=1
𝒎𝑮 = 𝑵√𝒙𝟏 𝒏𝟏 . 𝒙𝟐 𝒏𝟐 . ⋯ . 𝒙𝒌 𝒏𝒌
𝟏
𝒎𝑮 = (𝒙𝟏 𝒏𝟏 . 𝒙𝟐 𝒏𝟐 . ⋯ . 𝒙𝒌 𝒏𝒌 )𝑵
1.1.1.3.3. La moyenne harmonique :
La moyenne harmonique des valeurs xi d'une série statistique est notée : mH
k
ni n1 n 2 n
1

i =1 x i x
+
x2
++ k
xk
= = 1
mH k
n1 +  + n k
n
i =1
i
1.1.1.3.4. Moyenne quadratique :

k
n x i
2
i
n1x i2 +  + nk x k2
mQ = i =1
=
k
n1 +  + nk
n i =1
i
1.1.1.3.5. Propriétés
Calcul :
Si on a une variable statistique Z telle que Z = aX + b, et si z et x sont les moyennes
arithmétiques respectives de Z et de X alors on a :
z = ax + b
Inégalités
mH ≤ mG ≤ mA ≤ mQ
LES PARAMETRES DE DISPERSION
1.1.1.4. Étendue
L’étendue d’une série statistique est l’écart entre ses valeurs extrêmes.
xi ni
1 4
2 2
3 5
4 2

20
13
L'étendue est égale à 4 – 1 = 3

Salaire ni
[100 ; 125[ 24616
[125 ; 150[ 36740
[150 ; 200[ 20976
[200 ; 300[ 12808
95140
L'étendue est égale à 300 – 100 = 200
1.1.1.5. Intervalle interquartile

Quartiles :
Les quartiles sont les valeurs de la variable qui partagent la série statistique en quatre parties
de même effectif : il y a trois quartiles Q1, Q2, Q3.
Le deuxième quartile Q2 est la médiane Me : Q2 = Me
Variables discrètes
La série statistique étant partagée en 2 séries de même effectif par la médiane, la médiane de
la première série est le 1er quartile Q ; la médiane de la deuxième série est le 3è quartile Q
1 3
Variables continues
Exemple : Salaire des fonctionnaires en milliers d’Ariary
Salaire ni fi fci
[100 ; 125[ 24616 0,259 0,259
[125 ; 150[ 36740 0,386 0,645
[150 ; 175[ 13021 0,137 0,782
[175 ; 200[ 7955 0,084 0,865
[200 ; 225[ 5163 0,054 0,920
[225 ; 250[ 1701 0,018 0,938
[250 ; 275[ 1824 0,019 0,957
[275 ; 300[ 4120 0,043 1,000
Total 1,000

21
Détermination graphique : Utilisation du polygone cumulatif

Q1 est la valeur de la variable correspondant à la fréquence cumulée croissante 25%
Détermination par interpolation linéaire :

On procède comme dans le calcul de la médiane en remplaçant les effectifs cumulés par les
fréquences cumulées :
0 ≤ 0,25 ≤ 0,259, et 100 ≤ Q1 ≤ 125
100 → 0
Q1 → 0,25
125 → 0,259
𝑄1 − 100 125 − 100

=
0,25 − 0 0,259 − 0
125 − 100
𝑀𝑒 = 100 + 0,25 ×
0,259
Q1 = 124,131
0,259 ≤ 0,50 ≤ 0,643, et 125 ≤ Q2 ≤ 150
125 → 0,259
Q2 → 0,50
150 → 0,643
𝑄2 − 125 150 − 125

=
0,5 − 0,259 0,643 − 0,259
25
𝑄2 = 125 + 0,241 ×
0,384
Q2 = 140,69
22
0,643 ≤ 0,75 ≤ 0,782, et 150 ≤ Q3 ≤ 175

150 → 0,643
Q3 → 0,75
175 → 0,782
𝑄3 − 150 175 − 150

=
0,75 − 0,643 0,782 − 0,643
25
𝑄3 = 150 + 0,107 ×
0,139
Q3 = 169,245
C’est l’écart entre le quartile inférieur Q1 et le quartile supérieur Q3 .

IQ = Q3 – Q1
Exemple :
IQ = 169,245 – 124,131
IQ = 45,114
La moitié centrale des effectifs appartient à l'intervalle interquartile [Q1, Q2]
1.1.1.6. Variance et écart-type

La variance est la moyenne arithmétique des carrés des écarts entre les valeurs observées et
leur moyenne arithmétique.
Notation : 2 ou Vx
𝑘 𝑘
∑𝑖=1 𝑛𝑖 (𝑥𝑖 − 𝑚)2
2
𝜎 = = ∑ 𝑓𝑖 (𝑥𝑖 − 𝑚)2
∑𝑘𝑖=1 𝑛𝑖
𝑖=1
L'écart type est la racine carrée positive de la variance.

Notation :𝜎
𝜎 = √𝜎² = √𝑉𝑋
xi ni nixi ni(xi-m)²
1 4 4 6,76
2 1 2 0,09
3 3 9 1,47
4 2 8 5,78
TOTAL 10 23 14,1
23
𝑚 = 𝑥̅ = = 2,3
10
∑4𝑖=1 𝑛𝑖 (𝑥𝑖 − 𝑚)2
𝑉𝑋 =
∑4𝑖=1 𝑛𝑖

23
14,1
𝑉𝑋 =
10
𝑉𝑋 = 1,41
𝜎 = √𝑉𝑋
𝜎 = √1,41
𝜎 = 1,19
Autres formules de calcul de la variance
𝑘 𝑘
∑𝑖=1 𝑛𝑖 𝑥𝑖2
2
𝜎 = − 𝑚 = ∑ 𝑓𝑖 𝑥𝑖2 − 𝑚2
2
∑𝑘𝑖=1 𝑛𝑖
𝑖=1
EXEMPLE : On reprend la série précédente

xi ni nixi nixi²
1 4 4 4
2 1 2 4
3 3 9 27
4 2 8 32
TOTAL 10 23 67
23
𝑚 = 𝑥̅ = = 2,3
10
4
∑𝑖=1 𝑛𝑖 𝑥𝑖 2
𝑉𝑋 = − 𝑚2
∑4𝑖=1 𝑛𝑖
67
𝑉𝑋 = − 2,32
10
𝑉𝑋 = 1,41
𝜎 = √𝑉𝑋
𝜎 = √1,41
𝜎 = 1,19
Propriétés
Si yi = axi + b alors : Vy = a2Vx
σy = |a|σx
1.1.1.7. Coefficient de variation :

Le coefficient de variation est le quotient de l’écart-type divisé par la moyenne
𝜎
𝑐𝑣 =
𝑚
Il sert à comparer les dispersions de deux ou plusieurs échantillons.
1.1.2. LES PARAMETRES DE CONCENTRATION

ni : effectif de la valeur xi de la variable ou de la classe de centre xi.
mi = nixi : quantité de la valeur xi ou de la classe de centre xi
mci : quantité cumulée de la valeur xi ou de la classe de centre xi
M : quantité totale
qi : proportion de la quantité cumulée mci.
𝑖
𝑚𝑐𝑖 = ∑ 𝑚𝑗 = 𝑚1 + 𝑚2 + ⋯ + 𝑚𝑖
𝑗=1

24
𝑀 = ∑ 𝑚𝑖 = 𝑚1 + 𝑚2 + ⋯ + 𝑚𝑘
𝑖=1
𝑚𝑐𝑖
𝑞𝑖 =
𝑀
k étant le nombres d’observations
Exemple : Salaire de 50 employés d'une entreprise en milliers d’Ariary
Salaire ni fi fci xi mi = nixi mci qi
[100 ;150[ 5 0,1 0,1 125 625 625 0,066
[150 ;175[ 10 0,2 0,3 162,5 1625 2250 0,237
[175 ;200[ 20 0,4 0,7 187,5 3750 6000 0,632
[200 ;225[ 7 0,14 0,84 212,5 1487,5 7487,5 0,788
[225 ;250[ 5 0,1 0,94 237,5 1187,5 8675 0,913
[250 ;300[ 3 0,06 1 275 825 9500 1
50 9500
1.1.2.1. Courbe de concentration

On appelle courbe de concentration le polygone de sommets :
(0,0)
(fci , qi) pour i=1, … , k
On met sur l'axe des abscisses les fréquences cumulées et sur l'axe des ordonnées les
proportions de quantité cumulée
Exemple : Salaire de 50 employés d'une entreprise en milliers d’Ariary. Du tableau précédent,
on extrait le tableau suivant pour tracer la courbe de concentration
fci qi
0,1 0,066
0,3 0,237
0,7 0,632
0,84 0,788
0,94 0,913
1 1

25
1.1.2.2. Le coefficient de concentration

Dans la représentation de la courbe concentration dans un repère orthonormé, le coefficient
ou indice de concentration est le rapport de l'aire du domaine comprise entre la courbe de
concentration et la diagonale [OA] du carré de côté égal à l'unité avec l'aire du triangle OAB
Salaire ni fi fci qi fi(qi+qi-1)/2
[100 ;150[ 5 0,1 0,1 0,066 0,003
[150 ;175[ 10 0,2 0,3 0,237 0,030
[175 ;200[ 20 0,4 0,7 0,632 0,174
[200 ;225[ 7 0,14 0,84 0,788 0,099
[225 ;250[ 5 0,1 0,94 0,913 0,085
[250 ;300[ 3 0,06 1 1 0,057
TOTAL 50 0,449
Remarque : fi(qi+qi-1) = (fci-fci-1)(qi+qi-1)

Aire de concentration
IC =
1/ 2
1
− 0,449
IC = 2
1
2
IC = 0,102

26
1.1.2.3. Médiale
La médiale est la valeur qui partage la série des valeurs (en statistique) en deux parties qui «
accumulent » la même quantité du bien (50 % de la quantité totale).

Salaire ni fci xi qi
[100-150[ 5 0,1 125 0,066
[150-175[ 10 0,3 162,5 0,237
[175-200[ 20 0,7 187,5 0,632
[200-225[ 7 0,84 212,5 0,788
[225-250[ 5 0,94 237,5 0,913
[250-300[ 3 1 275 1
TOTAL 50
0,237 ≤ 0,50 ≤ 0,632, et 175 ≤ Médiale ≤ 200
175 → 0,237
Médiale → 0,50
200 → 0,632
𝑀é𝑑𝑖𝑎𝑙𝑒 − 175 200 − 175

=
0,5 − 0,237 0,632 − 0,237
25
𝑀é𝑑𝑖𝑎𝑙𝑒 = 175 + 0,263 ×
0,395
Médiale = 191,646
La moitié du montant des salaires est destinée au paiement des salaires inférieurs à 191646
ariary et l’autre moitié au paiement des salaires supérieurs à 191646 ariary.

27
EXERCICES
EXERCICE 1
Les recettes moyennes journalières en milliers d’ariary des bus d’une coopérative reliant deux lieux M et N
par deux trajets A et B, pendant 40 jours sont données par les 2 tableaux suivants :
Trajet A
Recettes [50,60[ [60,70[ [70,80[ [80,90[
Nombre de jours 6 12 14 8
Trajet B
Recettes [50,60[ [60,65[ [65,70[ [70,90[
Nombre de jours 6 12 14 8
1. Représenter graphiquement la distribution des recettes pour chaque trajet.

2. Calculer les moyennes, écarts-types et médianes des recettes pour chaque trajet.
3. Pour chaque trajet, si on note m la moyenne et σ l’écart-type, déterminer le pourcentage des
recettes compris entre m-2σ et m+2σ.
4. Le trajet A est servi par les 40% des bus de la coopérative et B par 60%. Calculer la recette moyenne
pour l’ensemble de bus de la coopérative.
EXERCICE 2
« En statistique descriptive, un décile est chacune des 9 valeurs qui divisent un jeu de données, triées selon
une relation d'ordre, en 10 parts égales, de sorte que chaque partie représente 1/10 de l'échantillon de
population. » (http://fr.wikipedia.org/wiki/Décile).
Notons D1 = 100, D2 =110, D3 = 130, D4 =135, D5 = 145, D6 = 150, D7 = 170, D8 = 200, D9 = 250 les déciles des
salaires mensuels des ouvriers d’une entreprise en milliers d’ariary. Le tableau suivant présente la
répartition de ses salaires.
Intervalle <D1 [D1 ;D2[ [D2 ;D3[ [D3 ;D4[ [D4 ;D5[ [D5 ;D6[ [D6 ;D7[ [D7 ;D8[ [D8 ;D9[ >D9
Salaire
95 107 125 132 140 147 162 190 220 275
moyen
1. Définir la population, l’unité statistique, le caractère étudié et sa nature.
2. Calculer le salaire moyen des ouvriers.
3. Calculer la médiane.
4. Calculez l’intervalle interquartile.
EXERCICE 3
La répartition en pourcentage des employés d’une PME selon le montant de leur salaire annuel net (en
milliers d’ariary), était :
Hommes Femmes
Salaire % Salaire %

28
140-200 13 150-200 20
200-225 20 200-220 25
225-250 30 220-240 30
250-270 15 240-260 10
270-300 10 260-280 8
300-400 8 280-310 4
400-600 4 310-400 3
a) Tracer la courbe de concentration des salaires des hommes.

b) En déduire le coefficient de Gini.
c) Tracer la courbe de concentration des salaires des femmes.
d) En déduire le coefficient de Gini.
e) Que peut-on en conclure ?
EXERCICE 4
Une étude marketing menée à l’échelle européenne de la consommation du nouveau savon BLUP un
samedi matin à la sortie de deux supermarchés différents, l’un situé en France (supermarché 1) et l’autre
en Grande-Bretagne (supermarché 2) a donné lieu à la publication d’un rapport dans lequel on trouve le
tableau suivant :
Tableau : achats de BLUP au cours du mois écoulé (résultats du sondage)

Clients Moyenne Ecart type
Supermarché 1 7,3 2,6
Supermarché 2 9,5 2,4
N.B. Les données pour le supermarché 1 sont exprimées en kgs tandis que pour le
supermarché 2, elles le sont en livres.
Quelle(s) conclusion(s) à propos de la dispersion des achats peut-on tirer de l’analyse des statistiques
présentées dans le tableau supra ?

29
1.2. Les distributions statistiques à deux variables

1.2.1. Moyennes et variances marginales
Exemple : Enquête effectuée sur 20 employés d'une entreprise sur le salaire et le nombre d'enfants à
charge
Y
0 1 2 3 4 Total
X
[100;150[ 2 2 3 1 0 8
[150. 200[ 0 3 1 0 0 4
[200 ; 250[ 1 1 3 0 0 5
[250 ; 300] 0 0 1 1 1 3
Total 3 6 8 2 1 20
On a la distribution marginale de X
Salaire en KAr ni. ci ni.ci ni.ci2
[100;150[ 8 125 1000 125000
[150. 200[ 4 175 700 122500
[200 ; 250[ 5 225 1125 253125
[250 ; 300] 3 275 825 226875
Total 20 3650 727500
La moyenne marginale de X est notée 𝑥̿
∑𝑘𝑖=1 𝑛𝑖 . 𝑐𝑖
𝑥̿ = 𝑘
∑𝑖=1 𝑛𝑖 .
3650
𝑥̿ =
20
𝑥̿ = 182,5
La variance marginale de X est notée σx2 :
∑𝑘𝑖=1 𝑛𝑖 . 𝑐𝑖 2
𝜎𝑋2 = − 𝑥̿ 2
∑𝑘𝑖=1 𝑛𝑖 .
727500
𝜎𝑋2 = − 182,52
20
𝜎𝑋2 = 3068,75
On a la distribution marginale de Y

30
Nombres d’enfants n. j n. j yj n. j yj2
0 3 0 0
1 6 6 6
2 8 16 32
3 2 6 18
4 1 4 16
TOTAL 20 32 72
La moyenne marginale de Y est notée 𝑦̿
∑𝑞𝑗=1 𝑛.𝑗 𝑦𝑗
𝑦̿ =
∑𝑞𝑗=1 𝑛.𝑗
32
𝑦̿ =
20
𝑦̿ = 1,6
La variance marginale de Y est notée𝜎𝑌2 :
∑𝑞𝑗=1 𝑛.𝑗 𝑦𝑗 2
𝜎𝑌2 = − 𝑦̿ 2
72
𝜎𝑌2 = − 1,62
20
𝜎𝑌2 = 1,04
1.2.2. Moyennes et variances conditionnelles
Distribution conditionnelle :
Exemple : La distribution des salaires en milliers d'Ariary pour le nombre d'enfants à

charge Y = 2 est notée X|Y=2
Salaire en KAr ni. ci ni.ci ni.ci2
[100;150[ 3 125 375 46875
[150. 200[ 1 175 175 30625
[200 ; 250[ 3 225 675 151875
[250 ; 300] 1 275 275 75625
Total 8 1500 305000
La moyenne conditionnelle de X|Y=2est notée ̅̅̅

𝑥3
∑𝑘𝑖=1 𝑛𝑖,3 𝑐𝑖
𝑥3 =
̅̅̅
∑𝑘𝑖=1 𝑛𝑖,3
31
1500
𝑥3 =
̅̅̅
8
𝑥3 = 187,5
̅̅̅
En général, la moyenne conditionnelle 𝑥̅𝑗 de X pour Y=yj est :
∑𝑘𝑖=1 𝑛𝑖𝑗 𝑐𝑖 ∑𝑘𝑖=1 𝑛𝑖𝑗 𝑐𝑖

𝑥̅𝑗 = =
∑𝑘𝑖=1 𝑛𝑖𝑗 𝑛.𝑗
On note V(Xj) la variance conditionnelle de Xpour Y = yj :
∑𝑘𝑖=1 𝑛𝑖𝑗 𝑐𝑖 2 2
∑𝑘𝑖=1 𝑛𝑖𝑗 𝑐𝑖 2
𝑉(𝑋𝑗 ) = − 𝑥̅𝑗 = − 𝑥̅𝑗 2
∑𝑘𝑖=1 𝑛𝑖𝑗 𝑛.𝑗
Pour X|Y=2, on a j=3 et :
∑𝑘𝑖=1 𝑛𝑖,3 𝑐𝑖 2
𝑉(𝑋3 ) = 𝑥3 2
− ̅̅̅
∑𝑘𝑖=1 𝑛𝑖,3
305000
𝑉(𝑋2 ) = − 187,52
8
𝑉(𝑋2 ) = 2968,75
1.2.3. Variance expliquée

Notation : V(𝑋̅) : la variance expliquée par la régression en Y (ou encore variance inter-groupes),variance
des moyennes conditionnelles :
∑𝑞𝑗=1 𝑛.𝑗 𝑥̅𝑗 2

𝑉(𝑋̅) = − 𝑥̿ 2
V(Y) : la variance expliquée par la régression en X (ou encore variance inter-groupes),variance des
moyennes conditionnelles :
∑𝑘𝑖=1 𝑛𝑖 . 𝑦̅𝑖 2
𝑉(𝑌̅) = − 𝑦̿ 2
∑𝑘𝑖=1 𝑛𝑖 .
1.2.4. Variance résiduelle

La variance résiduelle (ou encore variance intra-groupes) de X, moyenne des variances conditionnelles :
q
∑ n . j V ( X /Y = y j)
j= 1
m(V ( X /Y ))= q
∑ n. j
j= 1
La variance résiduelle (ou encore variance intra-groupes) de Y, moyenne des variances conditionnelles :

32
∑ n i . V (Y / X = xi )
i= 1
m(V (Y / X ))= k
∑ ni .
i=1
1.2.5. Covariance
La covariance de deux variables X et Y est notée : CovX,Y.
Pour une distribution groupée, on a :

k q
∑ ∑ ni j ( xi − x )( y j− y)
i= 1 j= 1
Cov X ,Y = k q
∑ ∑ ni j
i=1 j= 1
Pour une distribution individualisée, on a :

n
∑
i= 1
( x i− x)( y i− y)
Cov X ,Y = , n étant le nombre d'observations
n
Calcul pratique de la covariance :
k q
∑ ∑ ni j x i y j
i= 1 j= 1
Cov X ,Y = k q
−xy
∑ ∑ ni j
i= 1 j = 1

n
∑ xi yi
Cov X ,Y = i= 1
− x y , n étant le nombre d'observations
n
Remarque : le point de coordonnées G(x,y) est appelé point moyen de la nuage des points

33
1.2.6. Corrélation
1.2.6.1. Définition
Deux variables X et Y sont dites indépendantes si les variations des deux caractères n'ont aucun lien entre
elles.
Deux variables X et Y sont dites en liaison fonctionnelle si les deux caractères sont liés par une fonction.
Deux variables X et Y sont en corrélation si les deux caractères sont en dépendance sans être liés par une
fonction.
1.2.6.2. Rapport de corrélation

Le rapport de corrélation de Y en X est le quotient de la variance expliquée par la régression, par la variance
marginale.
Notation : e2X|Y
V (X)
e 2X / Y =
σ2 y
Lorsqu’il n’y a pas de liaison statistique entre X et Y, il est nul.
Lorsqu’il est exactement égal à 1, la liaison entre X et Y est fonctionnelle
Lorsqu'il est différent de 0 et de 1, il y a une corrélation entre X et Y
1.2.6.3. Coefficient de corrélation
1.2.6.3.1. Définition
Le coefficient de corrélation de X avec Y, noté rX,Y, est le quotient de la covariance par le radical du produit
des variances de X et de Y :
𝑟
𝐶𝑜𝑣(𝑋, 𝑌) 𝐶𝑜𝑣(𝑋, 𝑌)
𝑟𝑋,𝑌 = =
√𝑉(𝑋)𝑉(𝑌) 𝜎𝑋 𝜎𝑌
∑𝑘𝑖=1 ∑𝑞𝑗=1 𝑛𝑖𝑗 (𝑥𝑖 − 𝑥̿ )(𝑦𝑗 − 𝑦̿)

𝑟𝑋,𝑌 =
2
√∑𝑘𝑖=1 𝑛𝑖. (𝑥𝑖 − 𝑥̿ )2 √∑𝑞𝑗=1 𝑛.𝑗 (𝑦𝑗 − 𝑦̿)

∑𝑛1=1(𝑥𝑖 − 𝑥̿ )(𝑦𝑖 − 𝑦̿)
𝑟𝑋,𝑌 =
√∑𝑛𝑖=1(𝑥𝑖 − 𝑥̿ )2 √∑𝑛𝑖=1(𝑦𝑖 − 𝑦̿)2
n étant le nombre d'observations

34
1.2.6.3.2. Propriétés
− − 1≤ r X ,Y ≤ 1
− La corrélation est d'autant plus serrée que | rX,Y | est plus voisine de 1.
− Le signe du coefficient de corrélation indique le sens de corrélation : s'il est négatif alors la
corrélation est négative sinon la corrélation est positive
1.2.6.4. Exemple :
Exemple : Enquête effectuée sur 20 employés d'une entreprise sur le salaire et le nombre d'enfants à
charge

35
X Y 0 1 2 3 4 xi ni, ni,xi ni,xi2

[100;150[ 1 2 1 1 0 125 5 625 78125
[150. 200[ 1 3 4 2 0 175 10 1750 306250
[200 ; 250[ 1 1 3 4 1 225 10 2250 506250
[250 ; 300] 0 0 1 1 5 275 7 1925 529375
yi 0 1 2 3 4 TOTAL 32 6550 1420000
n.,j 3 6 9 8 6 32 x 204,6875
n.,jyj 0 6 18 24 24 72 σx 2
2478,02734375
n.,jyj2 0 6 36 72 96 210 σx 49,7797885065
nijxiyj TOTAL y 2,25
0 250 250 375 0 875 σy 2
1,5
0 525 1400 1050 0 2975 σy 1,2247448714
0 225 1350 2700 900 5175 CovX,Y 36,328125
0 0 550 825 5500 6875 r X,Y 0,5958601019
15900
Moyenne totale ou marginale de X : La variance marginale de X est notée σx2 :
4 4
∑ ni . x i ∑ ni . x i2
i= 1 2 i= 1 2
x= 4 σ x= 4
−x
∑ ni . ∑ ni .
i= 1
i= 1
6550 σ 2x =
1420000
− 204,68752
x= 32
32
x= 204,6875 σ 2x = 2478,027
Moyenne totale ou marginale de Y : La variance marginale de Y est notée σy2
5
5
∑ n. j y j ∑ n. j y j2
j= 1
y= 5 σy =
2 j= 1
−y
2
∑ n. j
5
j=1 ∑ n. j
j= 1
72
y= 210
32 σ y 2= − 2,252
32
y= 2,25
36
σ y 2= 1,5
Covariance de X et Y : Le coefficient de corrélation de X avec Y :
4 5
Cov X , Y
∑ ∑ ni j x i y j r X ,Y =
Cov X ,Y =
i= 1 j= 1
4 5
−xy √σ 2
X
2
σY
∑ ∑ ni j 36,328125
i= 1 j = 1
r X ,Y =
Cov X ,Y =
15900
32
− 204,6875× 1,5 √2478,027× 1,5
Cov X ,Y = 36,328125
r X ,Y = 0,596
La corrélation entre X et Y est assez serrée.
1.2.7. REGRESSION
1.2.7.1. Définition
On appelle régression de Y en X l'ajustement de la liaison entre X et Y par une relation Y = af(X) + b + e(X) où
f est une fonction d'une variable réelle fixée, a et b sont des réels à déterminer et e une fonction.
Y est la variable à expliquer, et X la variable explicative.
a et b sont les coefficients de la régression
e est le résidu de la régression.
Si f est une fonction linéaire alors on a une régression linéaire.
Si f est définie par f(x)=x² alors on a une régression quadratique.
1.2.7.2. Courbe de régression

La courbe représentative de la fonction y → af(x) + b est appelée courbe de régression de Y en X
On note ŷi = af(xi) + b
ŷi est la valeur prédite
1.2.7.3. Ajustement
1.2.7.3.1. Ajustement affine : droite de MAYER

Soit n le nombre de points de la nuage.
Si n est pair (n=2k), on partage la nuage des points en deux sous-nuages de k points
Si n est impair (n=2k+1), on partage la nuage des points en deux sous-nuages de k points et de k+1 points.
37
On note G1(p1,q1) et G2G1(p2,q2) les points moyens respectifs de ces sous-nuages. La droite (G1G2) est
appelée droite de régression de MAYER.
Soit y=ax + b l'équation de la droite. Alors on a :
q 2− q 1
a=
p 2− p 1
b= q1− a.p 1 avec
k k
1 1
p1 = ∑ x i et q1 = ∑ y i
k i=1 k i= 1
n n
1 1
p2 =
n− k
∑ xi et q 2=
n− k
∑ yi
i= k + 1 i= k + 1
G appartient à (G1G2)
xi yi ŷi ŷi – yi (ŷi – yi)2
140 15 15,431 0,431 0,1860
150 15 16,331 1,331 1,7722
150 20 16,331 -3,669 13,4597
170 20 18,131 -1,869 3,4922
175 15 18,581 3,581 12,8254
175 20 18,581 -1,419 2,0129
175 20 18,581 -1,419 2,0129
180 16 19,031 3,031 9,1885
185 15 19,481 4,481 20,0816
200 20 20,831 0,831 0,6910
225 30 23,081 -6,919 47,8691
230 20 23,531 3,531 12,4697
250 25 25,331 0,331 0,1097
250 25 25,331 0,331 0,1097
275 30 27,581 -2,419 5,8504
300 30 29,831 -0,169 0,0285
3230 336 336 0,0000 132,1594
201,875 21 16,519921875
Sous-nuage 1 1315 141 164,375 17,625
Sous-nuage 2 1915 195 239,375 24,375
0,090 2,831
Exemple : Enquête sur les salaires et les dépenses en transport des employés d'une société (en milliers
d'Ariary)

38
8 8
1 1
p1 = ∑ x i et q 1= ∑ y i
8 i= 1 8 i= 1
1315 141
p1 = = 164,375 et q1 = = 17,625
8 8
16 16
1 1
p2= ∑ x i et q 2= ∑ y i
8 i= 9 8 i=9
1915 195
p2 = = 239,375 et q 2= = 24,375
8 8
q 2− q 1 24,375− 17,625
a= = = 0,090
p 2− p 1 239,375− 164,375
b= 17,625− 0,090× 164,375= 2,831
L'équation de la droite de MAYER est : y = 0,090x + 2,831
REMARQUE : ŷi est la valeur prédite de yi. ŷi – yi est le résidu de l'ajustement.

n
1
∑(yi − ŷi )2
n
i=1
est la variance résiduelle.
1.2.7.3.2. Méthode des moindres carrés

La droite de régression par la méthode des moindres carrés minimise la variance résiduelle. Si y = ax + b est
l'équation de cette droite alors on a :
Cov X , Y
a= 2
σX

39
b= y − a x
xi yi xiyi xi 2
yi2 ŷi ŷi – yi (ŷi – yi)2 (ŷi – y)2 (yi – y)2
140 15 2100 19600 225 15,011 0,011 0,0001 35,8681 36
150 15 2250 22500 225 15,979 0,979 0,9583 25,2113 36
150 20 3000 22500 400 15,979 -4,021 16,1691 25,2113 1
170 20 3400 28900 400 17,915 -2,085 4,3482 9,51872 1
175 15 2625 30625 225 18,399 3,399 11,5513 6,76667 36
175 20 3500 30625 400 18,399 -1,601 2,5641 6,76667 1
175 20 3500 30625 400 18,399 -1,601 2,5641 6,76667 1
180 16 2880 32400 256 18,883 2,883 8,3098 4,48306 25
185 15 2775 34225 225 19,367 4,367 19,0675 2,66788 36
200 20 4000 40000 400 20,819 0,819 0,6700 0,03294 1
225 30 6750 50625 900 23,238 -6,762 45,7204 5,01005 81
230 20 4600 52900 400 23,722 3,722 13,8553 7,41077 1
250 25 6250 62500 625 25,658 0,658 0,4331 21,698 16
250 25 6250 62500 625 25,658 0,658 0,4331 21,698 16
275 30 8250 75625 900 28,078 -1,922 3,6944 50,0968 81
300 30 9000 90000 900 30,498 0,498 0,2477 90,2065 81
3230 336 71130 686150 7506 336 0,0000 130,5866 319,413 450,000
201,875 21 4445,625 42884,375 469,125
206,250 2130,859 28,125 0,70981
46,161 5,303
0,843
0,097 1,460
16 16
1 7506
1
x= ∑ x i=
3230
= 201,875 σ 2y = ∑
16 i= 1
y i 2− y 2=
16
− (21)2= 28,125
16 i= 1 16
16
1 71130
Cov X ,Y = ∑ x i y i− x y=
16
1 336 − 201,875× 21= 206,250
y= ∑
16 j = 1
y j=
16
= 21 16 i = 1 16
16 Cov X , Y 206,250
1 2 686150 = = = 0,843
σ = ∑ xi − x =
2 2 2 r
− (201,875) = 2130,859
√σ X σY √
X ,Y 2 2
x
16 i = 1 16 2130,859× 28,125
X et Y sont en bonne corrélation.

40
Cov X , Y 206,250
a= = = 0,097
σ2x 2130,859 et b= y − a x= 21− 0,090× 201,875= 1,460
L'équation de la droite de régression par moindres carrés est : y = 0,097x + 1,460
1.2.7.4. Coefficient de détermination

On appelle variation totale, notée SCtot la somme des carrés des écarts à la moyenne.
𝑛
𝑆𝐶𝑡𝑜𝑡 = ∑(𝑦𝑖 − 𝑦̅)2

𝑖=1
On appelle variation expliquée par le modèle, notée SCreg la somme des carrés des écarts des valeurs
prédites à la moyenne.
𝑛
𝑆𝐶𝑟𝑒𝑔 = ∑(𝑦̂𝑖 − 𝑦̅)2

𝑖=1
On appelle variation inexpliquée par le modèle, notée SCres la somme des carrés des résidusou la somme
des carrés résiduelle.
𝑛
2
𝑆𝐶𝑟𝑒𝑠 = ∑(𝑦𝑖 − 𝑦̂)
𝑖
𝑖=1
Théorème :
SCtot = SCreg + SCres
On appelle coefficient de détermination, noté R2 le rapport de la variation expliquée par la variation

totale :
Variation expliquée SC reg

2
R= =
variationtotal SC tot

41
Remarques :
1. Le coefficient de détermination R2 prend ses valeurs entre 0 et 1.
2. Plus le coefficient de détermination R2 est proche de 1, plus la corrélation est bonne.
Pour l'exemple :
2 319,413
R= = 0,710
450
Cela signifie que 71% de la variance de y est expliquée par la corrélation : la corrélation est moins bonne

42
EXERCICES
EXERCICE 1
Une banque veut étudier les relations entre l’âge, le revenu, le patrimoine et les emprunts dans sa clientèle
particuliers. On se limite ici à 10 clients tirés au hasard dans le fichier :
âge revenu patrimoine emprunt âge revenu patrimoine emprunt

1 45 250 1300 600 6 39 170 1400 120
2 47 160 1150 450 7 27 120 1400 160
3 38 165 850 370 8 51 160 1300 320
4 36 175 770 250 9 32 155 1500 350
5 29 99 450 400 10 35 170 1400 180
1) Calculer la moyenne et la variance de chacune des quatre .
2) Effectuer les représentations graphiques des couples (âge, revenu) et (patrimoine, emprunt).
3) Calculer les covariances de l’âge et le revenu, du revenu et l’emprunt, du patrimoine et l’emprunt. On
complétera le tableau des coefficients de corrélation donné ci-dessous.
âge revenu patrimoine emprunt
âge
revenu
patrimoine
emprunt
4) Calculer les coefficients de corrélation entre l’âge et le revenu, entre le revenu et l’emprunt, et entre le
patrimoine et l’emprunt. On complétera le tableau des coefficients de corrélation donné ci-dessous.
âge revenu patrimoine emprunt
âge
revenu
patrimoine
emprunt
EXERCICE 2
Le tableau suivant représente les chiffres d’affaire et les dépenses publicitaires d’une entreprise en millions
d’ariary
i 1 2 3 4 5 6
Année 2006 2007 2008 2009 2010 2011
PUB(xi) 20 30 50 100 140 190
CA (yi) 100 300 500 700 800 900
1. Définir la population étudiée, l’unité statistique et les caractères étudiés.

2. Représenter le nuage des points (xi, yi) . (1 cm représente 20 millions d’ariary sur l’axe des
abscisses, 1 cm représente 100 millions d’ariary sur l’axe des ordonnées)
3. Calculer le coefficient de corrélation linéaire r(X,Y) entre le Chiffre d’affaire et la dépense en
publicité.

43
4. Calculer l’équation de la droite de régression du Chiffre d’affaire en fonction de la dépense en

publicité (droite de régression de y en x)
5. L’entreprise compte dépenser 250 millions d’ariary, pour la publicité en cette année 2012. Donner
une estimation du Chiffre d’affaire pour cette année 2012.
6. On considère la variable Z telle que zi = yi²
a. Calculer l’équation de la droite de régression de z en x.
b. En déduire une estimation du Chiffre d’affaire pour cette année 2012.
c. Comparer les deux estimations.
EXERCICE 3
Au cours des huit dernières années, le nombre de demandes d’inscription dans une mention
d’une faculté est représenté dans le tableau suivant :
Année 2008 2009 2010 2011 2012 2013 2014 2015
Rang de l'année ti 1 2 3 4 5 6 7 8
Nombre de demandes yi 3500 3650 3880 3920 y5 4200 4300 4400
L'équation de la droite de régression de y en t est: y = 126,19t + 3414,64
1) Calculer les coordonnées du point moyen G

2) En déduire la valeur de y5.
3) En quelle année, le nombre de demandes pourra-t-il atteindre 5000 ?
EXERCICE 4
(Dans tout cet exercice, les résultats concernant la population seront arrondis au million).
Le tableau suivant donne l’évolution de la population de l’Inde de 1951 à 1991.
année 1951 1961 1971 1981 1991

Rang xi 1 2 3 4 5
Population yi (en millions) 361 439 548 683 846
zi
On cherche à étudier l’évolution de la population y en fonction du rang x de l’année.
1. Représenter graphiquement le nuage de points ( xi ; yi ) dans le plan muni d’un repère orthonormal
d’unités graphiques 2 sur l’axe des abscisses et 1 cm pour 100 millions sur l’axe des ordonnées.
2. Le modèle étudié dans cette question sera appelée « droite de Mayer ».
(a) G1 désigne le point moyen des trois premiers points du nuage et G2 celui des deux derniers
points. Déterminer les coordonnées de G1 et de G2.
(b) Déterminer l’équation réduite de (G1G2) sous la forme y = ax + b.
(c) Tracer la droite (G1G2) sur le graphique précédent.

44
(d) En utilisant cet ajustement, calculer la population de l’Inde que l’on pouvait prévoir pour 2001.
3. (a) À l’aide de la calculatrice, déterminer un ajustement affine de y en x par la méthode des moindres
carrés. Déterminer le coefficient de corrélation linéaire.
(b) Tracer cette droite V sur le graphique précédent.

(c) En utilisant cet ajustement, calculer la population de l’Inde que l’on pouvait prévoir pour 2001.
4. On cherche un autre ajustement et on se propose d’utiliser le changement de variable suivant : z = lny.
(a) Recopier le tableau ci-dessus et compléter la dernière ligne.

(b) À l’aide de la calculatrice, déterminer un ajustement affine de z en fonction de x par la méthode
des moindres carrés (les coefficients seront arrondis au millième).
(c) Déterminer le coefficient de corrélation linéaire, comparer avec celui trouvé dans la question 3.
et conclure.
(d) En déduire qu’une approximation de la popu1ation y, exprimée en millions d’habitants, en fonc-
tion du rang x de l’année est donnée par : y ≈ 289 e0,215x.
(e) Représenter graphiquement cette fonction C sur le graphique précédent.
(f) En utilisant cet ajustement, calculer la population que l’on pouvait prévoir pour 2001.
5. Les résultats obtenus en 2001 ont révélé que la population comptait 1027 millions d’habitants.
Déterminer une estimation de la population en 2011 en choisissant le modèle qui semble le plus
approprié. Justifier ce choix.

45
CHAP 2. LES SERIES CHRONOLOGIQUES

2.1. Définition
Une série chronologique ou temporelle est une série statistique qui donne l’évolution d’un caractère
numérique Y en fonction du temps T.
On peut la présenter par une série double ((ti, yi)) où ti+1 – ti est constant, par une série simple (yi) où
l’indice représente le temps avec pour unité (s, min, heure, jour, semaine, mois, trimestre, année, ...).
Dans la représentation graphique le temps ou l'indice est porté en abscisse et le caractère Y en ordonnée.
Exemple : Nombre de voyageurs transportés mensuellement par une Coopérative de Transports au cours
de cinq années consécutives.
Du tableau précédent on obtient le tableau suivant :
On a le graphique suivant :
Années
Mois Janv ier Fév rier Mars Av ril Mai Juin Juillet Août Sept Oct nov . Dec.
1 880 780 550 830 980 950 1040 960 880 1000 890 910
2 900 770 580 720 990 970 1050 1000 900 1020 920 950
3 930 800 590 820 1040 1040 1100 1000 960 1020 910 940
4 920 830 580 850 970 1010 1060 1060 960 1050 930 990
5 960 860 590 850 1070 1030 1120 1080 970 1090 980 1000
L'observation de cette série permet de distinguer trois composantes fondamentales :
• le mouvement de tendance générale, ou tendance de longue durée, ou Trend

• les variations saisonnières
• les variations accidentelles ou inexpliquées
2.2. Les composantes fondamentales
2.2.1. Recherche du Trend
2.2.1.1. Méthode des moindres carrés :

Avec l'exemple précédent :
ti xi ti xi ti xi ti xi ti xi
1 880 13 900 25 930 37 920 49 960
2 780 14 770 26 800 38 830 50 860
3 550 15 580 27 590 39 580 51 590
4 830 16 720 28 820 40 850 52 850
5 980 17 990 29 1040 41 970 53 1070
6 950 18 970 30 1040 42 1010 54 1030
7 1040 19 1050 31 1100 43 1060 55 1120
8 960 20 1000 32 1000 44 1060 56 1080
9 880 21 900 33 960 45 960 57 970
10 1000 Réf
Interdictions : Photocopie et reproduction 22: foadgestion-degs/tanà/2023/L1/S1/UE2/STAT/1
1020 34 1020 46 1050 58 1090
11 890 23 920 35 910 47 930 59 980 46
12 910 24 950 36 940 48 990 60 1000
ti yi ti2 yi2 tiyi ti yi ti2 yi2 tiyi

1 880 1 774400 880 31 1100 961 1210000 34100
2 780 4 608400 1560 32 1000 1024 1000000 32000
3 550 9 302500 1650 33 960 1089 921600 31680
4 830 16 688900 3320 34 1020 1156 1040400 34680
5 980 25 960400 4900 35 910 1225 828100 31850
6 950 36 902500 5700 36 940 1296 883600 33840
7 1040 49 1081600 7280 37 920 1369 846400 34040
8 960 64 921600 7680 38 830 1444 688900 31540
9 880 81 774400 7920 39 580 1521 336400 22620
10 1000 100 1000000 10000 40 850 1600 722500 34000
11 890 121 792100 9790 41 970 1681 940900 39770
12 910 144 828100 10920 42 1010 1764 1020100 42420
13 900 169 810000 11700 43 1060 1849 1123600 45580
14 770 196 592900 10780 44 1060 1936 1123600 46640
15 580 225 336400 8700 45 960 2025 921600 43200
16 720 256 518400 11520 46 1050 2116 1102500 48300
17 990 289 980100 16830 47 930 2209 864900 43710
18 970 324 940900 17460 48 990 2304 980100 47520
19 1050 361 1102500 19950 49 960 2401 921600 47040
20 1000 400 1000000 20000 50 860 2500 739600 43000
21 900 441 810000 18900 51 590 2601 348100 30090
22 1020 484 1040400 22440 52 850 2704 722500 44200
23 920 529 846400 21160 53 1070 2809 1144900 56710
24 950 576 902500 22800 54 1030 2916 1060900 55620
25 930 625 864900 23250 55 1120 3025 1254400 61600
26 800 676 640000 20800 56 1080 3136 1166400 60480
27 590 729 348100 15930 57 970 3249 940900 55290
28 820 784 672400 22960 58 1090 3364 1188100 63220
29 1040 841 1081600 30160 59 980 3481 960400 57820
30 1040 900 1081600 31200 60 1000 3600 1000000 60000
465 26640 9455 24204000 418140 1365 28740 64355 28003000 1312560
Σti Σyi Σti2 Σyi2 Σtiyi
1830 55380 73810 52207000 1730700 30,5 923 1230 870117 28845
299,9 18187,67 693,5
a= 2,3123
b= 852,47

47
60
1 1830
Moyenne de T : t= 60 ∑ t i = 60 = 30,5
i= 1
60
1 55380
Moyenne de Y : y = 60 ∑ y i = 60 = 923
i= 1
60
1 73810
Variance de T : σt = 60 ∑ t i − t = 60 − 30,5 = 299,9
2 2 2 2
i= 1
60
1 52207000
Variance de Y : σ = 60 ∑ y i − y =
2 2 2
y − (1230)2= 18187,67
i= 1 60
60
1 1730700
Covariance de T et de Y : Cov (T ,Y )= 60 ∑ t i y i − t y = 60
− 30,5× 923= 693,5
i= 1
Cov (T ,Y ) 693,5
a= = = 2,3123
σ 2t 299,9
b= y − a t= 923− 2,3123× 30,5= 852,47
L'équation du Trend est y = 2,3123t + 852,47
2.2.1.2. Méthode des moyennes mobiles

Définition :
On appelle moyenne mobile centrée de longueur impaire p = 2 k +1 à l’instant ti la valeur moyenne mp,i
des observations xi-k, xi-k+1, …, xi, xi+1, …, xi+k :
k
( x + …+ x i− 1 + x i + x i+ 1 + …+ x i + k ) ∑
j= − k
xi + j
m p , i = i− k =
p p
On appelle moyenne mobile centrée de longueur paire p = 2 k à l’instant ti la
valeur moyenne mp,i des observations xi-k, xi-k+1, …, xi, xi+1, …, xi+k , la première et la dernière étant pondérées
par 0.5 :

48
x i− k x i + k x i− k k x
( + x i− k+ 1+ …+ x i − 1 + x i + x i+ 1+ …+ x i+ k− 1+ ) + ∑ x i+ j + i+ k
2 2 2 j =− k 2
m p, i = =
p p
Tendance par la méthode des moyennes mobiles
ti yi m p, i ti yi m p, i
1 880 31 1100 928,8
2 780 32 1000 929,6
3 550 33 960 930,4
4 830 34 1020 931,3
5 980 35 910 929,6
6 950 36 940 925,4
7 1040 888,33 37 920 922,5
8 960 888,75 38 830 923,3
9 880 889,58 39 580 925,8
10 1000 886,25 40 850 927,1
11 890 882,08 41 970 929,2
12 910 883,33 42 1010 932,1
13 900 884,58 43 1060 935,8
14 770 886,67 44 1060 938,8
15 580 889,17 45 960 940,4
16 720 890,83 46 1050 940,8
17 990 892,92 47 930 945
18 970 895,83 48 990 950
19 1050 898,75 49 960 953,3
20 1000 901,25 50 860 956,7
21 900 902,92 51 590 957,9
22 1020 907,5 52 850 960
23 920 913,75 53 1070 963,8
24 950 918,75 54 1030 966,3
25 930 923,75 55 1120
26 800 925,83 56 1080
27 590 928,33 57 970
28 820 930,83 58 1090
29 1040 930,42 59 980
30 1040 929,58 60 1000

49
2.2.2. Les variations saisonnières

On appelle variation saisonnière d'une série chronologique une variation due à un effet momentané se
reproduisant périodiquement.
Sur l'exemple précédent, la période est d'une année, soit égale à 12
2.3. Analyse d'une série chronologique et désaisonnalisation
2.3.1. Modèle multiplicatif et modèle additif

L'observation des séries chronologiques permet de distinguer deux grand types de série : celles qui se
conforment au modèle multiplicatif et celles qui se conforment au modèle additif. Dans le modèle additif,
les variations autour du trend demeurent dans une bande de variation à peu près constante. Dans le
modèle multiplicatif, au contraire, les variations autour du trend s'amplifient.

50
2.3.1.1. La désaisonnalisation
La désaisonnalisation d'une série chronologique consiste à corriger cette série pour enlever les disparités
périodiques provenant des variations saisonnières. Cette correction se fait le plus souvent par l’utilisation
de coefficients saisonniers.
2.3.1.2. Les coefficients saisonniers : modèle additif

Soient yi la valeur observée, ŷi la valeur tendancielle et Si la composante saisonnière. Alors :
Si = yi – ŷi
ŷi = f(ti) où y=f(t) est l'équation du trend.
yi = ŷi + Ci + εi où εi est la variation accidentelle ou inexpliquée et Ci le coefficient saisonnier. Ci+T0 = Ci

si T0 est la période de la série chronologique.
Soit N=k/T0 où k est le nombre d'observations. Alors :
Pour i = 1 … T0, on a :
N− 1
∑
j= 0
S i+ jT0
C i=
N
On appelle coefficient correcteur, noté ρ, la

moyenne des Ci
T0
∑ Ci
i=1
ρ=
T0
On a le coefficient saisonnier corrigé : C'i = Ci - ρ
60
Pour notre exemple, N= 12 = 5
4
∑
j =0
S1+ 12j
S 1+ S 13+ S 25+ S37+ S 49
C1 = =
5 5
12
∑
i =1
Ci
C1 + C 2+ ⋯+ C12
ρ= =
12 12
2.3.1.3. La série corrigée des variations saisonnières : modèle additif
La série corrigée des variations saisonnières est notée {(ti,y*i)} avec : y*i = yi – C'i

51
ti yi ŷi Si Ci y*i εi
1 880 854,787 25,213 2,695 877,305 22,518
2 780 857,099 -77,099 -1,109 781,109 -75,990
3 550 859,412 -309,412 -14,913 564,913 -294,499
4 830 861,724 -31,724 -18,439 848,439 -13,285
5 980 864,036 115,964 -4,187 984,187 120,151
6 950 866,348 83,652 8,398 941,602 75,253
7 1040 868,661 171,339 10,150 1029,850 161,189
8 960 870,973 89,027 11,624 948,376 77,403
9 880 873,285 6,715 5,042 874,958 1,672
10 1000 875,598 124,402 4,294 995,706 120,108
11 890 877,910 12,090 6,046 883,954 6,044
12 910 880,222 29,778 0,575 909,425 29,202
13 900 882,535 17,465 2,695 897,305 14,770
14 770 884,847 -114,847 -1,109 771,109 -113,738
15 580 887,159 -307,159 -14,913 594,913 -292,247
16 720 889,472 -169,472 -18,439 738,439 -151,033
17 990 891,784 98,216 -4,187 994,187 102,403
18 970 894,096 75,904 8,398 961,602 67,506
19 1050 896,408 153,592 10,150 1039,850 143,442
20 1000 898,721 101,279 11,624 988,376 89,655
21 900 901,033 -1,033 5,042 894,958 -6,075
22 1020 903,345 116,655 4,294 1015,706 112,361
23 920 905,658 14,342 6,046 913,954 8,296
24 950 907,970 42,030 0,575 949,425 41,455
25 930 910,282 19,718 2,695 927,305 17,023
26 800 912,595 -112,595 -1,109 801,109 -111,486
27 590 914,907 -324,907 -14,913 604,913 -309,994
28 820 917,219 -97,219 -18,439 838,439 -78,781
29 1040 919,532 120,468 -4,187 1044,187 124,655
30 1040 921,844 118,156 8,398 1031,602 109,758
31 1100 924,156 175,844 10,150 1089,850 165,694
32 1000 926,468 73,532 11,624 988,376 61,908
33 960 928,781 31,219 5,042 954,958 26,177
34 1020 931,093 88,907 4,294 1015,706 84,613
35 910 933,405 -23,405 6,046 903,954 -29,451
36 940 935,718 4,282 0,575 939,425 3,707
37 920 938,030 -18,030 2,695 917,305 -20,725
38 830 940,342 -110,342 -1,109 831,109 -109,234
39 580 942,655 -362,655 -14,913 594,913 -347,742
40 850 944,967 -94,967 -18,439 868,439 -76,528
41 970 947,279 22,721 -4,187 974,187 26,908
42 1010 949,592 60,408 8,398 1001,602 52,010
43 1060 951,904 108,096 10,150 1049,850 97,946
44 1060 954,216 105,784 11,624 1048,376 94,160
45 960 956,528 3,472 5,042 954,958 -1,571
46 1050 958,841 91,159 4,294 1045,706 86,865
47 930 961,153 -31,153 6,046 923,954 -37,199
48 990 963,465 26,535 0,575 989,425 25,959
49 960 965,778 -5,778 2,695 957,305 -8,473
50 860 968,090 -108,090 -1,109 861,109 -106,981
51 590 970,402 -380,402 -14,913 604,913 -365,490
52 850 972,715 -122,715 -18,439 868,439 -104,276
53 1070 975,027 94,973 -4,187 1074,187 99,160
54 1030 977,339 52,661 8,398 1021,602 44,263
55 1120 979,652 140,348 10,150 1109,850 130,198
56 1080 981,964 98,036 11,624 1068,376 86,412
57 970 984,276 -14,276 5,042 964,958 -19,319
58 1090 986,588 103,412 4,294 1085,706 99,117
59 980 988,901 -8,901 6,046 973,954 -14,947
60 1000 991,213 8,787 0,575 999,425 8,211
Σti Σyi Σŷi ΣSi ΣCi Σy*i Σεi
1830 55380 55380,000 0 0 55329,1093 -50,891
2,312 852,475

52
2.3.1.4. Les variations accidentelles : modèle additif

Elles sont notées εi avec εi = y*i – ŷi
2.3.1.5. Les coefficients saisonniers : modèle multiplicatif

Soient yi la valeur observée, ŷi la valeur tendancielle et Si la composante saisonnière. Alors :
Si = yi /ŷi
ŷi = f(ti) où y=f(t) est l'équation du trend.
yi = ŷi ( 1 + Ci )(1+ εi ) où εi est la variation accidentelle ou inexpliquée et Ci le coefficient saisonnier.

Alors Ci+T0 = Ci si T0 est la période de la série chronologique.
Soit N=k/T0 où k est le nombre d'observations. Alors :
Pour i = 1 … T0, on a :
N− 1
∑
j= 0
Si + jT0
Ci =
N
On appelle coefficient correcteur, noté ρ, la moyenne des Ci :
T0
∑ Ci
i =1
ρ=
T0
On a le coefficient saisonnier corrigé : C'i = Ci - ρ
2.3.1.6. La série corrigée des variations saisonnières : modèle multiplicatif

La série corrigée des variations saisonnières est notée {(ti,y*i)} avec :
y*i = yi /C'i

53
2.3.1.7. Les variations accidentelles : modèle multiplicatif

Elles sont notées εi et εi = y*i /ŷi - 1
EXERCICES
Exercice 1 :
On considère la série suivante du nombre de véhicules à un péage autoroutier de Midi-Pyrénées selon la

plage horaire observé pendant 4 jours :
Numéro du jour
1 2 3 4
Plage horaire
0h-6h 1394 2093 2343 2839
6h-12h 2469 2824 3026 3841
12h-18h 1665 2116 2779 3009
18h-24h 2588 2934 3561 3579
1. Représenter graphiquement cette série. On numérotera les données de 1 à16.

2. Déterminer s’il s’agit d’un modèle additif ou multiplicatif.
Exercice 2 :
On considère la série suivante
ti 1 2 3 4 5 6 7 8 9 10
yi 58 40 31 15 18 15 9 9 10 8
1. Représenter graphiquement cette série.

1
2. On se propose d’ajuster une tendance f de la forme f(t) = 𝑎𝑡+𝑏
Proposer un changement de variable approprié de façon à obtenir un modèle linéaire. Déterminer
ensuite les coefficients a et b
- par la méthode des moindres carrés ordinaires ;
- par la méthode des points médians.
3. Représenter les trois tendances obtenues sur le graphique précédent.
Exercice 3
Le tableau suivant donne le chiffre d’affaires (CA) y d’une entreprise (en milliers d’euros) selon le mois
de l’année x :
Année 1 Année 2
xi J F M A M J J A S O N D J F M A
yi 106 107 119 121 117 121 130 143 146 146 145 155 161 173 189 194
1. Représenter graphiquement cette série.

2. Que peut-on dire de la tendance ?
54
3. Proposer un ajustement linéaire
- par la méthode des moindres carrés ordinaires ;

- par la méthode des points médians.
4. Représenter les deux estimations de la tendance obtenues sur le graphique précédent.

5. Proposer une prévision pour les mois de Mai et Juin de la 2ème année avec chacune des deux
méthodes.

55
CHAP 3. INDICES STATISTIQUES

3.1. Indices élémentaires :
3.1.1. Indice temporel

On appelle indice temporel de la grandeur X à la date (ou période) tc, , dite date courante, par rapport à la
date tr, dite date de référence, le rapport :
xc
I c /r = × 100
xr
L'indice de X à la date de référence est appelé base. Ici la base est égale à 100.
Remarque : Si
xc
I c /r =
xr
alors la base est égale à 1.
Exemple : le nombre de voitures d'une coopérative de transport est 64 en 2006 et 90 en 2010.
L'indice du nombre de voiture de la coopérative en 2010 avec base 100 en 2006 est
90
I 2010/2006 = × 100= 140,625
64
Il y a une croissance de 140,625 – 100 = 40,525% de voiture au sein de la coopérative.
3.1.2. Indice de situation

On appelle indice de situation de la grandeur X , dans la situation i, par rapport à la situation de référence j,
le rapport :
xi
I i/ j = × 100
xj
Exemple : Répartition des voitures de moins de 5 places dans les ex-provinces.
Ex-provinces Nombre Ex-provinces Indice(base=100 à Toamasina)

ANTANANARIVO 58124 ANTANANARIVO 755,15
FIANARANTSOA 3905 FIANARANTSOA 50,73
TOAMASINA 7697 TOAMASINA 100,00
MAHAJANGA 3923 MAHAJANGA 50,97
TOLIARY 4420 TOLIARY 57,42
ANTSIRANANA 7191 ANTSIRANANA 93,43
L'indice élémentaire permet de mesurer la variation d'une seule grandeur entre deux instants ou deux
situations.
56
3.2. Indices synthétiques

Un indice synthétique est un indice qui mesure l'évolution de plusieurs grandeurs liées par un produit ou un
rapport.
3.2.1. Données
Soit un tableau représentant des n biens avec leurs prix et leurs quantités en k périodes
Période t1 t2 ... tk
Biens Quantité Prix Quantité Prix ... ... Quantité Prix
P1 q1,1 p1,1 q1,2 p1,2 ... ... q1,k p1,k
P2 q2,1 pn,1 q2,2 pn,2 ... ... q2,k pn,k
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
Pn qn,1 pn,1 qn,2 pn,2 ... ... qn,k pn,k

Pour un bien Pi, sa quantité en période tj est notée qi,j, et son prix pi,j.
3.2.2. Valeur d'un panier de biens

n
La somme V j = ∑ pi , j⋅ q i , j est appelée valeur du panier de biens à la période tj.

i= 1
3.2.3. Exemple
Répartition des apprenants d'un centre de formation selon leur niveau et frais de la formation
Période 2007 2009
Niveau frais en Ar Nombre frais en Ar Nombre
1 200000 30 300000 25
2 250000 20 350000 20
3 300000 15 400000 16
3
V 1= ∑ p i ,1⋅ q i ,1
i =1
V 1= 200000× 30+ 25000× 20+ 300000× 15
V 1= 15500000 Ar
3.2.4. Indices synthétiques de LASPEYRES
3.2.4.1. Indice de LASPEYRES des prix

L'indice de LASPEYRES des prix mesure l'évolution entre deux dates t1 et tj, des prix des biens qui
composent un panier, en prenant comme référence la valeur du panier à la date initiale (t = t1) et en
supposant que les quantités de biens dans le panier n'ont pas varié entre t1 et tj.

57
Notation : Lj/1(P)
n
∑ p i , j⋅ q i ,1
i= 1
L j /1 ( P)= n
× 100
∑ p i ,1⋅ q i ,1
i= 1
Exemple : Répartition des apprenants d’un centre de formation selon leur niveau et frais de la formation
Période 2007 2009

Niveau frais en Ar Nombre frais en Ar Nombre
1 200000 30 300000 25
2 250000 20 350000 20
3 300000 15 400000 16
L'indice de LASPEYRES des prix entre 2007 et 2009
3
∑ p i ,2⋅ qi ,1
i= 1
L2/ 1 (P )= 3
× 100
∑ p i ,1⋅ qi ,1
i= 1
300000× 30+ 350000× 20+ 400000× 15

L2/ 1 (P )= × 100
200000× 30+ 250000× 20+ 300000× 15
L2/ 1(P )= 141,94
3.2.4.2. Indice de LASPEYRES des quantités

L'indice de LASPEYRES des quantités mesure l'évolution entre deux dates t1 et tj, des quantités des biens
qui composent un panier, en prenant comme référence la valeur du panier à la date initiale (t = t1) et en
supposant que les prix de biens dans le panier n'ont pas varié entre t1 et tj.
Notation : Lj/1(Q)
n
∑ p i ,1⋅ q i , j
i= 1
L j /1 (Q)= n
× 100
∑ p i ,1⋅ q i ,1
i= 1
L'indice de LASPEYRES des prix entre 2007 et 2009, pour l'exemple précédent :
3
∑ p i ,1⋅ q i ,2
i= 1
L2/ 1 (Q)= 3
× 100
∑ p i ,1⋅ q i ,1
i= 1
200000× 25+ 250000× 20+ 300000× 16

L2/ 1 (Q)= × 100
200000× 30+ 250000× 20+ 300000× 15
58
L2/ 1(Q)= 95,48
3.2.5. Indices synthétiques de PAASCHE
3.2.5.1. Indice de PAASCHE des prix

L'indice de PAASCHE des prix mesure l'évolution entre deux dates t1 et tj, des prix des biens qui composent
un panier, en prenant comme référence la valeur du panier à la date courante (t = tj) et en supposant que
les quantités de biens dans le panier n'ont pas varié entre t1 et tj.
Notation : πj/1(P)
n
∑ pi , j⋅ q i , j
i= 1
Π j/ 1 (P )= n
× 100
∑ p i ,1⋅ q i , j
i= 1
L'indice de PAASCHE des prix entre 2007 et 2009, pour l'exemple précédent :
3
∑ pi ,2⋅ q i ,2
i= 1
Π 2/ 1 (P )= 3
× 100
∑ pi ,1⋅ q i ,2
i= 1
∏1/2(P)= 141,22

59
RAKOTONASY Solonjaka, HERMIAH RAKOTONDRANJA STATISTIQUES FOAD GESTION:
2023
3.2.5.2. Indice de PAASCHE des quantités

L'indice de PAASCHE des quantités mesure l'évolution entre deux dates t1 et tj, des quantités
courante (t = tj) et en supposant que les prix de biens dans le panier n'ont pas varié entre t1 et tj.
Notation : πj/1(Q)
n
∑ p i , j⋅ q i , j
i= 1
Π j/ 1 (Q)= n
× 100
∑ p i , j⋅ q i ,1
i= 1
3.2.6. Indice de FISHER

C'est la moyenne géométrique des indices de LASPEYRES et de PAASCHE.
𝐹𝑗/𝑖 = √𝐿𝑗 𝑖 . 𝜋𝑗 𝑖
/ /

60
2023
EXERCICES
EXERCICE 1
Le tableau suivant représente, en Ariary, le prix moyen mensuel de riz sur un marché local :
JANV FEV MARS AVR MAI JUIN JUIL AOÛT SEPT OCT NOV DÉC
1470 1490 1540 1510 1490 1480 1430 1410 1390 1390 1390 1450
L’indice de prix moyen au mois de référence est 100 et l’indice de prix moyen au mois de d’août est
95,27. On donnera les résultats à 10-2 près.
1. Quel est le mois de référence ?

2. Donner l’étendue de ces indices.
3. Représenter graphiquement l’évolution de ces indices.
4. Calculer la moyenne et l’écart-type de ces indices.
EXERCICE 2
Une agence vend deux formules de séjours, dénommées respectivement A et B. Ces formules
diffèrent entre elles selon que le matériel est ou non loué sur place par le client.
Les prix unitaires de ces formules ainsi que les quantités demandées de chacune d’entre elles au
cours des cinq dernières années sont repris au tableau 2 suivant :
Tableau : Prix unitaires et ventes des formules A et B (5 dernières années)
Formule B Formule A
Année Prix unitaire Quantité Prix unitaire Quantité
(€) vendue (€) vendue
1 434,25 253 548,75 317
2 450,00 218 556,25 358
3 462,50 263 572,50 372
4 466,25 247 565,75 381
5 477,25 275 583,00 403
calculer, pour les trois dernières années :l’indice synthétique de prix de Laspeyres (base : année 3 =
100) du prix d’un séjour, combinant les prix et quantités demandées des formules A et B.

61
2023
SOMMAIRE
CHAP 0. INTRODUCTION ................................................................................................................2

0.1. La statistique descriptive – Les statistiques .................................................................................2
0.2. Eléments de calculs ......................................................................................................................2
0.2.1. Sommation ...........................................................................................................................2
0.2.2. Proportionnalité ...................................................................................................................3
0.2.3. Interpolation linéaire ............................................................................................................4
0.3. Série statistique à un caractère ....................................................................................................5
0.3.1. Modalité nominale ...............................................................................................................6
0.3.2. Modalité ordinale .................................................................................................................6
0.3.3. Variable discrète ...................................................................................................................7
0.3.4. Variable continue .................................................................................................................8
0.4. REPRESENTATION GRAPHIQUE ....................................................................................................9
0.4.1. Règles relatives à la présentation des tableaux statistiques ............................................. 12
0.5. Série statistique à deux caractères............................................................................................ 12
0.5.1. Représentation individuelle .............................................................................................. 12
0.5.2. Représentation groupée : Tableau de contingence .......................................................... 13
EXERCICES : ............................................................................................................................................ 15
CHAP 1. LES DISTRIBUTIONS STATISTIQUES ................................................................................ 16
1.1. LES SERIES STATISTIQUES A UNE VARIABLE ............................................................................. 16
1.1.1. LES PARAMETRES DE POSITION............................................................................................. 16
1.1.1.1. Le mode ............................................................................................................................. 16
1.1.1.2. La médiane ........................................................................................................................ 16
1.1.1.3. Les moyennes .................................................................................................................... 19
1.1.1.3.1. La moyenne arithmétique ............................................................................................. 19
1.1.1.3.2. La moyenne géométrique : ........................................................................................... 20
1.1.1.3.3. La moyenne harmonique : ............................................................................................ 20
1.1.1.3.4. Moyenne quadratique : ................................................................................................. 20
1.1.1.3.5. Propriétés ...................................................................................................................... 20
1.1.2. LES PARAMETRES DE DISPERSION ......................................................................................... 20
1.1.2.1. Étendue ............................................................................................................................. 20
1.1.2.2. Intervalle inter-quartile ..................................................................................................... 21
1.1.2.3. Variance et écart-type ....................................................................................................... 23
1.1.2.4. Coefficient de variation : ................................................................................................... 24
Le coefficient de variation est le quotient de l’écart-type divisé par la moyenne................................ 24
1.1.3. LES PARAMETRES DE CONCENTRATION ................................................................................ 24
1.1.3.1. Courbe de concentration................................................................................................... 25
1.1.3.2. Le coefficient de concentration......................................................................................... 26
1.1.3.3. médiale ........................................................................................ Erreur ! Signet non défini.
EXERCICES .............................................................................................................................................. 28
1.2. Les distributions statistiques à deux variables .......................................................................... 30
1.2.1. Moyennes et variances marginales ....................................................................................... 30
1.2.2. Moyennes et variances conditionnelles ................................................................................ 31
1.2.3. Variance expliquée ................................................................................................................ 32
1.2.4. Variance résiduelle ................................................................................................................ 32
1.2.5. Covariance ............................................................................................................................. 33
1.2.6. Corrélation............................................................................................................................. 34
1.2.6.1. Définition ........................................................................................................................... 34
1.2.6.2. Rapport de corrélation ...................................................................................................... 34

62
2023
1.2.6.3. Coefficient de corrélation .................................................................................................. 34

1.2.6.4. Exemple : ........................................................................................................................... 35
1.2.7. REGRESSION .......................................................................................................................... 37
1.2.7.1. Définition ........................................................................................................................... 37
1.2.7.2. Courbe de régression ........................................................................................................ 37
1.2.7.3. Ajustement ........................................................................................................................ 37
1.2.7.3.1. Ajustement affine : droite de MAYER................................................................................ 37
1.2.7.3.2. Méthode des moindres carrés .......................................................................................... 39
1.2.7.4. Coefficient de détermination ............................................................................................ 41
EXERCICES .............................................................................................................................................. 43
CHAP 2. LES SERIES CHRONOLOGIQUES ..................................................................................... 46
2.1. Définition ................................................................................................................................... 46
2.2. Les composantes fondamentales .............................................................................................. 46
2.2.1. Recherche du Trend .......................................................................................................... 46
2.2.1.1. Méthode des moindres carrés : ................................................................................ 46
2.2.1.2. Méthode des moyennes mobiles .............................................................................. 48
2.2.2. Les variations saisonnières ................................................................................................ 50
2.3. Analyse d'une série chronologique et désaisonnalisation ........................................................ 50
2.3.1. Modèle multiplicatif et modèle additif ............................................................................. 50
2.3.1.1. La désaisonnalisation......................................................................................................... 51
2.3.1.2. Les coefficients saisonniers : modèle additif .................................................................... 51
2.3.1.3. La série corrigée des variations saisonnières : modèle additif.......................................... 51
2.3.1.4. Les variations accidentelles : modèle additif .................................................................... 53
2.3.1.5. Les coefficients saisonniers : modèle multiplicatif ........................................................... 53
2.3.1.6. La série corrigée des variations saisonnières : modèle multiplicatif................................. 53
2.3.1.7. Les variations accidentelles : modèle multiplicatif ........................................................... 54
EXERCICES .............................................................................................................................................. 54
CHAP 3. INDICES STATISTIQUES .................................................................................................. 56
3.1. Indices élémentaires : ............................................................................................................... 56
3.1.1. Indice temporel ................................................................................................................. 56
3.1.2. Indice de situation ............................................................................................................. 56
3.2. Indices synthétiques .................................................................................................................. 57
3.2.1. Données ............................................................................................................................. 57
3.2.2. Valeur d'un panier de biens............................................................................................... 57
3.2.3. Exemple ............................................................................................................................. 57
3.2.4. Indices synthétiques de LASPEYRES .................................................................................. 57
3.2.4.1. Indice de LASPEYRES des prix..................................................................................... 57
3.2.4.2. Indice de LASPEYRES des quantités ........................................................................... 58
3.2.5. Indices synthétiques de PAASCHE ..................................................................................... 59
3.2.5.1. Indice de PAASCHE des prix ....................................................................................... 59
3.2.5.2. Indice de PAASCHE des quantités .............................................................................. 60
3.2.6. Indice de FISHER ................................................................................................................ 60
EXERCICES .............................................................................................................................................. 61

63

Statistique 2024 L1 S1 El Ment N 1 E

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

Statistique 2024 L1 S1 El Ment N 1 E

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE D’ANTANANARIVO

DOMAINE DES SCIENCES DE LA SOCIÉTÉ

Ce document est réservé uniquement aux étudiants légalement inscrits au cours de

Année universitaire : 2024

0.1. La statistique descriptive – Les statistiques

Le recueil des données comporte plusieurs étapes :

- La préparation des questionnaires

Les statistiques sont des données traitées qu’on peut communiquer.

La STATISTIQUE DESCRIPTIVE est l’ensemble des méthodes et techniques mathématiques permettant de

0.2. Eléments de calculs

Interdictions : Photocopie et reproduction Réf : foadgestion-degs/tanà/2024/L1/S1/UE2/STAT/1

C est le coefficient de proportionnalité.

0.2.3. Interpolation linéaire

Interdictions : Photocopie et reproduction Réf : foadgestion-degs/tanà/2024/L1/S1/UE2/STAT/1

0.3. Série statistique à un caractère

• les xi sont les valeurs ou modalités prises par le caractère étudié.

Interdictions : Photocopie et reproduction Réf : foadgestion-degs/tanà/2024/L1/S1/UE2/STAT/1

0.3.1. Modalité nominale

Exemple : Résultat de l'enquête sur les fonctionnaires malagasy en 2010

0.3.2. Modalité ordinale

Exemple : un questionnaire de satisfaction demande aux consommateurs d'évaluer une prestation en

(a)nulle (b) médiocre (c)moyenne

(d) assez bonne (e)très bonne (f) excellente

Interdictions : Photocopie et reproduction Réf : foadgestion-degs/tanà/2024/L1/S1/UE2/STAT/1

Groupement par classe de modalités

De nulle à assez bonne 11

De très bonne à excellente 7

0.3.3. Variable discrète

Exemple : Distribution du nombre d'enfant à charge du personnel d'une entreprise

1 15 0,1875 0,2375 0,95

2 29 0,3625 0,6 0,7625

3 18 0,225 0,825 0,4

4 10 0,125 0,95 0,175

5 3 0,0375 0,9875 0,05

Fci = f1+ f2+ … + fi

Interdictions : Photocopie et reproduction Réf : foadgestion-degs/tanà/2024/L1/S1/UE2/STAT/1

Fdi = fk+ fk-1+ … + fi

Le pourcentage est la fréquence relative multipliée par 100

60% des salariés ont au plus 2 enfants à charge

40% des salariés ont au moins 3 enfants à charge

0.3.4. Variable continue

100.000 - 125.000 Ariary 24616

125.000 - 150.000 Ariary 36740

150.000 - 175.000 Ariary 13021

175.000 - 200.000 Ariary 7955

200.000 - 225.000 Ariary 5163

225.000 - 250.000 Ariary 1701

250.000 - 275.000 Ariary 1824

275.000 - 300.000 Ariary 4120

Notons par [ei ; ei+1[ la classe i

Le centre ki de la classe i est :

Interdictions : Photocopie et reproduction Réf : foadgestion-degs/tanà/2024/L1/S1/UE2/STAT/1

L'amplitude ou l'étendue de la classe i est :

L'effectif rectifié est :

nci = n1+ n2+ … + ni

ndi = nk+ nk-1+ … + ni

salaire ni ki ai hi nci ndi

[100 ; 125[ 24616 112,5 25 984,64 24616 95140

[125 ; 150[ 36740 137,5 25 1469,6 61356 70524

[150 ; 175[ 13021 162,5 25 520,84 74377 33784

[175 ; 200[ 7955 187,5 25 318,2 82332 20763

[200 ; 225[ 5163 212,5 25 206,52 87495 12808

[225 ; 250[ 1701 237,5 25 68,04 89196 7645

[250 ; 275[ 1824 262,5 25 72,96 91020 5944