Chapitre 3 - Applications Sur Excel

STATISTIQUES
DESCRIPTIVES
Applications sur Excel
Outils d’analyse
II. ETUDE DE 2 VARIABLES QUANTITATIVES
Il est fréquemment nécessaire d’étudier les liens qui peuvent exister entre les deux
( ou plus de de deux) dimensions qui caractérisent une population statistique. Pour
qualifier ces liens on parle de liaison statistique, de corrélation mais, c’est important
de le préciser, il n’est jamais question de causalité, la statistique descriptive n’ayant
pas pour objet de prouver des causalités.
Ce chapitre se limite à l’étude des séries à deux dimensions, et . Cela offre déjà un
large éventail de possibilités si l’on se souvient que chacune de ces dimensions peut
être quantitative, qualitative et que les données peuvent être groupées dans chaque
cas par valeur ou groupes de valeurs. A ces différents cas, correspondent des outils
d’analyse appropriés que nous allons évoquer successivement.
ETUDE DE 2 VARIABLES QUANTITATIVES
(1) MESURE DE LA LIAISON ENTRE 2

VARIABLES QUANTITATIVES
95
90
Poids
Nom Taille xi (cm) Poids yi (kg)
Pierre 175 73 85
Arantxa 168 56 80
….. ….. ….. 75
Martin 185 87 70
65
60
55
Taille
50
150 160 170 180 190 200
La connaissance de la taille x apporte une certaine information sur le poids y
Il existe une relation de dépendance entre x et y


La connaissance de x n’apporte La connaissance de x permet de

aucune certaine information sur y connaître exactement la valeur de y
x et y sont indépendantes Il existe une relation

fonctionnelle entre x et y

1 n
Covariance : Cov  x,y  =   x i -x  y i -y 
n i=1
Propriétés :
Cov  x,y   0  x et y varient dans le même sens
Cov  x,y   0  x et y varient en sens contraire
Cov  x,y   Cov  y,x 
Cov  x,x   V(x)
Cov  a x + b y , z   a Cov  x,z   b Cov  y,z 


cov(x,y)
Corrélation linéaire: ρ =
σ(x) σ(y)
Propriétés :
1  ρ  1
 ρ = 1 si a > 0
y=ax+b 
ρ = -1 si a < 0
ρ  1  Il existe une relation fonctionnelle entre x et y
ρ  0  x et y sont indépendantes
0  ρ  1  Il existe une dépendance linéaire d’autant plus forte que |r| est grand
! Ne pas confondre causalité et corrélation

(1) AJUSTEMENT LINEAIRE

95
90
y = Poids
85
80
75
70
65
60
55
x = Taille
50
150 160 170 180 190 200
Est-il possible de trouver une fonction numérique f telle que y = f (x) ?
Si une telle fonction existe, on dit que f est un modèle du phénomène étudié.
x est la variable explicative.

y est la variable expliquée.

95
90
y = Poids
85
80
75
70
65
60
55
x = Taille
50
150 160 170 180 190 200
On désire trouver la droite qui passe « au mieux » à l’intérieur du nuage de points

« au mieux »
n n
Minimiser S=  e 2
i
Minimiser S' = 
i=1
e'i2
i=1
95 95
90
y = Poids 90
y = Poids
85 85
80 80
e'i
75
ei 75
70 70
65 65
60 60
55 55
x = Taille x = Taille
50 50
150 160 170 180 190 200 150 160 170 180 190 200
Droite de régression de y en x Droite de régression de x en y


REGRESSION LINEAIRE DE Y EN X
95
90
y = Poids
85
yi80 f(x) = y = ax+b

Droite de régression
linéaire de y en x
75
y = f(x) = ax + b axi+b70 ei = |yi-axi-b|

65
60
55
x = Taille
50
150 160
x170i 180 190 200
n n
   yi -ax i -b 
2
La droite de régression linéaire de y en x, notée Dy/x , minimise S = 2
e =
i
i=1 i=1
n
  x -x  y -y 
i i
Cov  x,y 
a= i=1
= b = y - ax
n
V(x)
  x i -x 
2
i=1
Dy/x passe par le point moyen  x , y 

REGRESSION LINEAIRE DE Y EN X
95
90
y = Poids
85
yi80 f(x) = y = ax+b

linéaire de y en x
75
y = f(x) = ax + b axi+b70 ei = |yi-axi-b|

65
60
55
x = Taille
50
150 160
x170i 180 190 200
y = a x + b définit un modèle affine
ŷi = a x i + b = valeur de yi prévue par le modèle
ri = yi - yˆ i = résidu de la ième observation
ei = ri = yi - a x i - b = erreur due au modèle


REGRESSION LINEAIRE DE X EN Y
95 ei’ = |xi-a’yi-b’|
90
y = Poids
85
yi80 f(y) = x = a’y+b’

linéaire de x en y
75
70
x = f(y) = a’y + b’
65
60
55
x = Taille
50
150 160
x170i a’yi+b’
180 190 200
n n
   x i -a'yi -b'
2
La droite de régression linéaire de x en y, notée Dx/y , minimise S' = 2
e' =
i
i=1 i=1
n
  x -x  y -y 
i i
Cov  x,y 
a' = i=1
n
= b' = x - a' y
V(y)
  y -y 
2
i=1
i Dx/y passe par le point moyen  x , y 
LIENS ENTRE CORRELATION

ET DROITES DE REGRESSION
Cov  x,y 
Dy/x : y = ax + b a= b = y - ax
σ(x) σ(y)
V(x) r² = a a’ ρ=a = a'
σ(y) σ(x)
Cov  x,y 
Dx/y : x = a’y + b’ a' = b' = x - a' y
1 b' V(y)
 y= x 
a' a'
x, y  x, y 
x, y 
r² = a a’ = 0 0< r² = a a’ < 1 r² = a a’ = 1
Le degré de dépendance
Indépendance linéaire linéaire se mesure à la Liaison fonctionnelle linéaire
proximité des droites de
régression
(1) AJUSTEMENT A UNE FONCTION EXPONENTIELLE
25,0
xi yi
2,8 0,8 20,0
4,3 1,2 droite de régression
2,7 1,5 15,0 linéaire de y en x
4,2 1,9
4,1 2,3 10,0
…. ….
4,0 3,1 5,0
0,0
0 10 20 30 40 50 60
2
Analyse des résidus
1
0
Les résidus devraient se répartir
-1
0 10 20 30 40 50 60
au hasard autour de l’axe des
-2 abscisses:
-3 le modèle affine ne convient pas

25,0
Modèle exponentiel
20,0
y = ex exponentielle de base e
15,0
10,0
y = ax exponentielle de base a
5,0 y = b a x Forme exponentielle générale

0,0
0 10 20 30 40 50 60
Changement de variable
ln y = ln b + x ln a
Y =AX + B avec Y = ln y
X=x
A = ln a
L’ajustement affine de Y en fonction de X donne A et B, B = ln b
d ’où a = e A, b =, eet
B
le modèle y = b ax

25,00
20,00 Série initiale (xi,yi)

Série prévue par le
15,00
modèle
 x i ,yˆ i 
10,00
5,00
0,00
0 10 20 30 40 50 60
1,50
1,00
0,50
Analyse des résidus 0,00 0 10 20 30 40 50 60
-0,50
-1,00 Le modèle exponentiel est mieux

-1,50 adapté que le modèle affine
(1) AJUSTEMENT A UNE FONCTION PUISSANCE
900
800
700
600
500
Droite de régression linéaire de y en x
400
300
200
100
0
0 20 40 60
150
100
50
0
0 10 20 30 40 50 60
Analyse des résidus
-50
Le modèle affine ne
convient pas
-100
-150

900
800
Modèle puissance y = b xa
700
600
500 Changement de variable
400
300 ln y = ln b + a ln x
200
100
Y =AX + B avec Y = ln y
0
0 20 40 60 X = ln x
A=a
B = ln b
L’ajustement affine de Y en fonction de X donne A et B,

d ’où a = A , b = e,Bet le modèle y = b xa

900
800
700 Série initiale (xi,yi)
600
Série prévue par le
500
modèle
 x i ,yˆ i 
400
300
200
100
0
0 20 40 60
80
60
40
20
Analyse des résidus 0

0 10 20 30 40 50 60
-20
Le modèle puissance est mieux

-40
adapté que le modèle affine

-60
-80
QUALITE D’UN AJUSTEMENT
On montre   y -y    yˆ -y     y -yˆ 
2 2 2
i i i i
que
SCM SCR
SCT = SCM + SCR  1 
SCT SCT
Somme des carrés Somme des
Somme des carrés
des écarts à la = des écarts du modèle
+ carrés des
moyenne résidus
L’ajustement est d’autant meilleur que SCR est proche de 0, c.à.d. que SCR/SCT est
proche de 0 ou SCM/SCT est proche de 1.
SCM
R = Coefficient de détermination = r² = (coef. de corrélation)²
SCT
= proportion de la variation totale due à l'ajustement
0  R 1
LES INDICES
LES INDICES
INDICES ELEMENTAIRES
Un indice est le rapport d’une variable mesurée à deux instants différents.

Un indice est représentatif d’une évolution
y1 = valeur de la variable y à la date t1

y0 = valeur de la variable y à la date t0
y1 Indice élémentaire de la variable y à la date t1 par rapport

i1 0 =
y0 à la date de référence t0
Indice élémentaire de la variable y à la date t1 par rapport
I1 0 = i1 0  100
à la date de référence t0, base 100.
Propriétés i n/n = 1 Identité

i 2/1  i1/2 = 1 Réversibilité
i3/1  i3/2  i 2/1 Circularité
LES INDICES
INDICES ET TAUX DE VARIATION

y1  y 0 Taux de variation ou taux de croissance de la variable y
r1 0 =
y0 entre la date t0 et la date t1
y1
r1 0 =  1  i1 0  1 r=i-1 i=1+r
y0
y1 = (1+ r1 0 )y 0  y1 = i1 0 y 0 i = 1 + r = coefficient multiplicateur
r=0  i=1 Pas d’évolution
r>0  i>1 Croissance
-100% = -1 < r < 0  0i < 1 Décroissance

LES INDICES
INDICES ET TAUX DE VARIATION MOYENS
y0, y1, ….., yn les valeurs prises par une variable aux dates t0, t1, ….., tn
ir1,, ir2,,….., in les indices élémentaires sur chacune des périodes
1 2 ….., rn les taux de croissance sur chacune des périodes
y n  i(1n 
 yrnn-1
)  y n-1
i n i(1
n-1
ryn )n-2 (1......
rn-1 )i nyn-2.....
 (1 i2 rni)1.....
y 0  (1  r2 )  (1  r1 )  y 0
riGG l’indice
le taux de
élémentaire
croissanceglobal
entre entre
t0 et tnt0 et tn
yynn  i(1
G yrG0)  y 0
ir l’indice
le taux de moyen
croissance moyen
y n  i(1yr) yi 2n-1y n-2
n-1  2...yin-2
(1  r)
n
y...
0  (1  r)  y 0
n
(1+ rG )=  ni n(1
i n r)
i G =(1+  rni)2.....
..... i1  (1  r2 )  (1  r1 )
ri11,, ir22,,…..,
…..,irkkindices
indicesélémentaires
élémentairessur
surdes
despériodes
périodesde
denn1,1,nn2,2,…..,
…..,nnkkunités
unités(jour,
(jour,mois,
mois,année…)
année…)
i G =n i n (1i1nr11) ni1 2n2 

(1+rG )= (1+r)  r2)inkn2 k .....  (1  rk ) n k
(1.....
i  n i1n1  i 2n 2  .....  i kn k
Moyenne géométrique des indices
élémentaires
LES INDICES
INDICES USUELS
P1
Indice élémentaire des prix i  P 1 0 =
P0
Indice élémentaire des Q1

i  Q 1 0 =
quantités (ou des volumes) Q0
Indice élémentaire de valeur V1 P1Q1

i  V 1 0 =   i  P 1 0 i Q 1 0
(ou de dépense) V0 P0Q 0
LES INDICES
INDICES SYNTHETIQUES
Un indice synthétique mesure l’évolution simultanée de plusieurs produits
Un indice synthétique est une moyenne pondérée des indices élémentaires

des différents produits
Coefficient de pondération (ou budgétaire) du produit j à la date tn
Vj,n Pj,n Q j,n

α j,n  n
 n
V
j=1
j,n P
j=1
j,n Q j,n
Remarque : α
j=1
j,n 1
LES INDICES
(1) INDICES SYNTHETIQUES DE LASPEYRES
Indice de Laspeyres des prix

Moyenne arithmétique des indices élémentaires des prix, base 100,
L  P 1 0 = pondérés par des coefficients de pondération relatifs à la date de
référence t0
n
L  P 1 0 =  α I P 
j,0 j 10
1 seul indice sur 4 doit être modifié
j=1 Comment s’en souvenir ? n
n P Q j,10
P
j,1
Q j,0 Dépense de la date courante j=1
j,1  n
j=1
  100 Dépense de la date de référence
n P Q j,0
P
j,0
j,0 Q j,0 j=1
j=1
Dépense de la date courante avec les quantités de référence

 100
Dépense de la date de référence
LES INDICES
(2) INDICES SYNTHETIQUES DE LASPEYRES
Indice de Laspeyres des quantités

Moyenne arithmétique des indices élémentaires des quantités, base 100,
L  Q 1 0 = pondérés par des coefficients de pondération relatifs à la date de
référence t0
n
L  Q 1 0 =  α I Q 
j,0 j 10
j=1 Comment s’en souvenir ? n
n P j,1 0 Q j,1
P
j=1
j,0 Q j,1 Dépense de la date courante
 j=1
n
n P Q j,0
P
j,0
j,0 Q j,0 j=1
j=1
Dépense de la date courante avec les prix de référence

 100
Dépense de la date de référence
LES INDICES
(1) INDICES SYNTHETIQUES DE PAASCHE
Indice de Paasche des prix
P  P 1 0 = Moyenne harmonique des indices élémentaires des prix, base 100,

pondérés par des coefficients de pondération relatifs à la date courante t1
1
P  P 1 0 = n α j,1
I
j=1 P 
j 10
Comment s’en souvenir ? n
n
 Pj,1Q j,1 Dépense de la date courante

P
j=1
j,1 Q j,1
j=1 
n
n
 Pj,0Q j,1 P
j=1
j,0 Q j,01
j=1
Dépense de la date courante

 100
Dépense de la date de référence avec les quantités courantes
LES INDICES
(2) INDICES SYNTHETIQUES DE PAASCHE
Indice de Paasche des quantités
P  Q 1 0 = Moyenne harmonique des indices élémentaires des quantités, base 100,

pondérés par des coefficients de pondération relatifs à la date courante t1
1
P  Q 1 0 = n α j,1
I
j=1 Q  j 10
Comment s’en souvenir ? n
n P Q j,1
P
j,1
Q j,1 Dépense de la date courante j=1
j,1  n
j=1
n P j,01 Q j,0
P
j=1
Q j,0
j,1
j=1
Dépense de la date courante

 100
Dépense de la date de référence avec les prix courants
SERIES
CHRONOLOGIQUES
SERIES CHRONOLOGIQUES
LES DONNEES
Date Y
T1 2001 10 Y = prix d’un bien en fonction du temps
T2 2001 9
T3 2001 10 2001 2002 2003 2004 2005
er
T4 2001 11 1 trimestre 10 11 11 12 12
T1 2002 11 2e trimestre 9 10 11 11 12
T2 2002 10 3e trimestre 10 11 13 12 15
T3 2002 11 4e trimestre 11 12 13 14 16
T4 2002 12
T1 2003 11
T2 2003 11
17
16
Y
T3 2003 13 15
T4 2003 13 14
13
T1 2004 12
T2 2004 11 Y = série initiale 12
11
T3 2004 12 10
T4 2004 14
9
8
temps
T1 2005 12 0 5 10 15 20
T2 2005 12
T3 2005 15
T4 2005 16
LES COMPOSANTES
17
16
15
14
Y = série initiale 13
12
11
10
9
8
0 5 10 15 20
Composante Composante
Tendance ou Trend
Saisonnière Aléatoire
T
17 1,5
S A
2
16 1,4
15 1,3
14 1,2 1,5
13 1,1
1 1
12
0,9
11 0,8
10 0,7 0,5
9 0,6
8 0,5 0
0 5 10 15 20 0 5 10 15 20 0 5 10 15 20
MODELES DE DECOMPOSITION
Modèle additif Modèle multiplicatif
Y =T + S +A Y =T . S .A
(1) DETERMINATION DE LA TENDANCE

REGRESSION LINEAIRE
Il s’agit de faire un lissage du nuage des points par une fonction connue.
Lorsque le nuage est linéaire on utilise la droite de régression de y en fonction du
temps
T = tendance
Avantage:
Expression analytique
Inconvénients:
Un nuage ne se présente pas toujours sous une forme analytique simple
Le calcul de la tendance peut être affecté par des valeurs extrêmes ou
par les valeurs de début et de fin de série.

MOYENNES MOBILES
t Y t mm(3)
1 y1 -
2 y2 2 (y1+y2+y3)/3
Moyennes mobiles 3 y3 3 (y2+y3+y4)/3
d’ordre impair 4 y4 Moy.……
Mobiles
….. ….. d’ordre
…… 3
n yn -
t Y t mm(2)
Moyennes mobiles 1 y1 -
d’ordre pair. 2 y2 2 (y1/2+y2+y3/2)/2
On utilise une 3 y3 3 (y2/2+y3+y4/2)/2
4 y4 Moy.……
Mobiles
observation d’ordre 2
….. ….. ……
supplémentaire
n yn -

MOYENNES MOBILES
Choix de l’ordre des moyennes mobiles : égal au nombre de saisons
Avantages du lissage par moyennes mobiles :
Permet de se faire une idée de la tendance lorsque le nuage ne présente pas

une tendance algébrique claire
Inconvénients:
La tendance est estimée sur une partie de la période étudiée et non sur la
totalité
Ne donne pas une expression analytique de la tendance en fonction du
temps
Approximation pas très bonne lorsqu’il y a de fortes courbures
Sensible aux valeurs extrêmes
DETERMINATION DES COMPOSANTES

SAISONNIERES
Modèle multiplicatif Y = T.S.A Modèle additif Y = T+S+A
Rapports Y/T = S.A Différences Y-T = S+A
Coefficients saisonniers bruts S'j
S'j = Moyenne des rapports de la saison j S'j = Moyenne des différences de la saison j
Coefficients saisonniers S j
S j = S'j S ' S j = S'j - S '

Rque: cette transformation permet de respecter le principe de conservation des
aires
S 1 S0
DETERMINATION DE LA COMPOSANTE
ALEATOIRE
Y
A= A =Y - T - S
T.S
La composante aléatoire, ou résidu, permet d’analyser la qualité du modèle de

décomposition
DESAISONNALISATION
YCVS = série désaisonnalisée ou Corrigée des Variations Saisonnières, exprime

ce qu’aurait été l’évolution du phénomène sans effet saisonnier.
Y
YCVS = YCVS = Y  S
S
PREVISION
Lissage obtenu par
- Régression linéaire de Y sur le temps t T = droite de régression DY/t
- Moyennes mobiles (Moyennes mobiles = T provisoire)
Régression linéaire de YCVSsur le temps t T = droite de régression D YCVS t
Prévision à la date future t, correspondant à la saison j:
Ŷ(t)= T(t) × S j Ŷ(t) = T(t) + S j

Chapitre 3 - Applications Sur Excel

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 3 - Applications Sur Excel

Transféré par

Droits d'auteur :

Formats disponibles

STATISTIQUES

(1) MESURE DE LA LIAISON ENTRE 2

….. ….. ….. 75

La connaissance de la taille x apporte une certaine information sur le poids y

Il existe une relation de dépendance entre x et y

(2) MESURE DE LA LIAISON ENTRE 2

La connaissance de x n’apporte La connaissance de x permet de

x et y sont indépendantes Il existe une relation

(3) MESURE DE LA LIAISON ENTRE 2

Cov  x,y   0  x et y varient dans le même sens

Cov  x,y   0  x et y varient en sens contraire

Cov  x,y   Cov  y,x 

Cov  x,x   V(x)

Cov  a x + b y , z   a Cov  x,z   b Cov  y,z 

(4) MESURE DE LA LIAISON ENTRE 2

! Ne pas confondre causalité et corrélation

(1) AJUSTEMENT LINEAIRE

Est-il possible de trouver une fonction numérique f telle que y = f (x) ?

x est la variable explicative.

(2) AJUSTEMENT LINEAIRE

On désire trouver la droite qui passe « au mieux » à l’intérieur du nuage de points

(3) AJUSTEMENT LINEAIRE

Droite de régression de y en x Droite de régression de x en y

(4) AJUSTEMENT LINEAIRE

yi80 f(x) = y = ax+b

y = f(x) = ax + b axi+b70 ei = |yi-axi-b|

(5) AJUSTEMENT LINEAIRE

yi80 f(x) = y = ax+b

y = f(x) = ax + b axi+b70 ei = |yi-axi-b|

y = a x + b définit un modèle affine

ŷi = a x i + b = valeur de yi prévue par le modèle

ri = yi - yˆ i = résidu de la ième observation

ei = ri = yi - a x i - b = erreur due au modèle

(6) AJUSTEMENT LINEAIRE

yi80 f(y) = x = a’y+b’

LIENS ENTRE CORRELATION

(1) AJUSTEMENT A UNE FONCTION EXPONENTIELLE

(2) AJUSTEMENT A UNE FONCTION EXPONENTIELLE

5,0 y = b a x Forme exponentielle générale

(3) AJUSTEMENT A UNE FONCTION EXPONENTIELLE

20,00 Série initiale (xi,yi)

Analyse des résidus 0,00 0 10 20 30 40 50 60

-1,00 Le modèle exponentiel est mieux

(1) AJUSTEMENT A UNE FONCTION PUISSANCE

(2) AJUSTEMENT A UNE FONCTION PUISSANCE

L’ajustement affine de Y en fonction de X donne A et B,

(3) AJUSTEMENT A UNE FONCTION PUISSANCE

Analyse des résidus 0

Le modèle puissance est mieux

adapté que le modèle affine

QUALITE D’UN AJUSTEMENT

= proportion de la variation totale due à l'ajustement

Un indice est le rapport d’une variable mesurée à deux instants différents.

y1 = valeur de la variable y à la date t1

y1 Indice élémentaire de la variable y à la date t1 par rapport

Propriétés i n/n = 1 Identité

INDICES ET TAUX DE VARIATION

y1 = (1+ r1 0 )y 0  y1 = i1 0 y 0 i = 1 + r = coefficient multiplicateur

r=0  i=1 Pas d’évolution

r>0  i>1 Croissance

-100% = -1 < r < 0  0i < 1 Décroissance

INDICES ET TAUX DE VARIATION MOYENS

i G =n i n (1i1nr11) ni1 2n2 