Chapitre 3

Statistique descriptive univariée

Considérons une population P de taille N , P = {1, . . . , N }, sur laquelle on étudie une variable
X. Nous nous restreignons dans ce chapitre au cas des variables quantitative.
Nous disposons donc d’une série statistique univariée à laquelle nous souhaitons associer des
paramètres qui synthétisent (réduisent) l’information. Ils sont essentiellement de trois types :
• les paramètres de position,
• les paramètres de dispersion,
• les paramètres de forme.
Rappelons les notations introduites pour la série statistique.
• Les individus sont numérotés de sorte à ce que les valeurs de la variable X soient crois-
santes. On a alors, la série sous forme brute :
X(1) ≤ · · · ≤ X(N ).
• Si la variable X est quantitative discrète, on regroupe la série selon les valeurs prises par
X en ordre croissant :
x1 < · · · < xp .
• Si la variable X est quantitative continue, on regroupe la série selon les classes de X,
naturellement ordonnées :
[a0 , a1 [, . . . , [ap−1 , ap ].
Pour i ∈ {1, . . . , p}, on note xi = ai−12+ai le centre de la classe [ai−1 , ai [. Rappelons que
lors du regroupement en classes, on perd l’information de la répartition à l’intérieure
des classes. Dans les calculs de paramètres ci-dessous, on approchera les valeurs de la
classes par son centre, et on obtiendra donc des paramètres approchés pour les variables
continues.
Les exemples que nous donnons dans ce chapitre reprennent les données de l’exemple 2.2 (ordi-
nateurs) pour le cas des variables discrètes. Pour rappel, nous avions obtenu le tableau suivant :

Nombre d’ordinateurs 0 1 2 3 4 5 Total

Effectif 300 876 1235 984 225 154 3774
Fréquence 0.0795 0.2321 0.3272 0.2607 0.0596 0.0408 1
Fréquence cumulée croissante 0.0795 0.3116 0.6388 0.8996 0.9592 1 pas de sens
Fréquence cumulée décroissante 1 0.9205 0.6884 0.3612 0.1004 0.0408 pas de sens

21
 Chapitre 3. Statistique descriptive univariée

Dans le cas des variables continues, nous utilisons les données de l’exemple 2.3 (moyennes CC) :

Moyenne CC [0, 4[ [4, 8[ [8, 12[ [12, 16[ [16, 20] Total
Effectif 1 4 12 12 7 36
Fréquence 0.0278 0.1111 0.3333 0.3333 0.1944 1
Fréquence cumulée croissante 0.0278 0.1389 0.4722 0.8056 1 pas de sens
Fréquence cumulée décroissante 1 0.9722 0.8611 0.5278 0.1944 pas de sens

3.1 Paramètres de position

3.1.1 Le mode

Le mode contient l’information des valeurs où les données sont les plus “concentrées”.

Définition 3.1.
• Si la variable X est discrète, son mode est la ou les valeurs de la variable correspondant
à la fréquence maximale.
• Si la variable X est continue, sa classe modale, est la ou les classes de densité de proportion
maximale.

Exemple.
• Ordinateurs. Le mode est égal à 2.
• Moyennes CC. Il y a deux classes modales qui sont les classes [8, 12[ et [12, 16[.
Remarque. Si X est discrète, une valeur de fréquence maximale est une valeur d’effectif maximal.
Cette correspondance n’a pas lieu si X est continue car la densité de proportion tient compte
de l’amplitude de la classe.

3.1.2 La moyenne (arithmétique)

La moyenne arithmétique représente le barycentre de la série statistique, autour de laquelle sont

ensuite calculés les paramètres de dispersion.

Définition 3.2.
• Si X est discrète, la moyenne arithmétique, notée x̄, est la somme des valeurs pondérée
par les fréquences :
p p
X 1 X
x̄ = fi xi = ni xi .
N
i=1 i=1

À partir des données brutes, la moyenne arithmétique est le quotient de la somme des
valeurs associées à chaque individu par la taille de la population :

N
1 X
x̄ = X(u).
N
u=1

22
Chapitre 3. Statistique descriptive univariée

• Si X est continue, a priori, on ne peut faire qu’un encadrement de la moyenne arithmé-

tique. Cependant, afin de pouvoir calculer un nombre, on appellera moyenne arithmé-
tique x̄, l’approximation de la moyenne obtenue en prenant comme valeurs les centres des
classes :
p p
X 1 X
x̄ = fi xi = ni xi .
N
i=1 i=1

Remarque. La moyenne arithmétique a une unité : celle des valeurs de X.

Exemple.
• Ordinateurs. Pour la moyenne arithmétique, on obtient :

1  
x̄ = 300 × 0 + 876 × 1 + 1235 × 2 + 984 × 3 + 225 × 4 + 154 × 5 = 2.11,
3774
ou de manière équivalente :
 
x̄ = 0.08 × 0 + 0.23 × 1 + 0.33 × 2 + 0.26 × 3 + 0.06 × 4 + 0.04 × 5 = 2.11.

• Moyennes CC. La variable étant continue, il faut considérer les centres des classes pour
obtenir :
1 
x̄ = 2 × 1 + 6 × 4 + 10 × 12 + 14 × 12 + 18 × 7 = 12.22,
36
ou de manière équivalente :
 
x̄ = 2 × 0.0278 + 6 × 0.1111 + 10 × 0.3333 + 14 × 0.3333 + 18 × 0.1944 = 12.22,

La moyenne possède une propriété intéressante vis-à-vis des changements de variables affines.
Précisément :

Proposition 3.1. Soient a, b ∈ R et Y la variable définie par Y = aX + b. La moyenne ȳ de Y

satisfait à l’égalité suivante :
ȳ = ax̄ + b.

Démonstration. Si X est discrète (respectivement continue), alors Y est discrète (respectivement

continue) et ses valeurs (respectivement centres des classes) y1 , . . . , yp vérifient :

∀i ∈ {1, . . . , p}, yi = axi + b.

Donc la fréquence de la valeur (respectivement classe de centre) yi est exactement celle de la

valeur (respectivement classe de centre) xi . Ainsi :
p
X p
X p
X 
ȳ = fi yi = fi (axi + b) = a fi xi + b = ax̄ + b,
i=1 i=1 i=1

comme souhaité.

23
 Chapitre 3. Statistique descriptive univariée

3.1.3 Médiane, quartiles, quantiles

Définition 3.3. Supposons que la variable X soit discrète. La médiane m est un nombre tel
qu’au moins la moitié de l’effectif de la série soit inférieur ou égal à m et au moins la moitié de
l’effectif de la série soit supérieur ou égal à m.
• si N est impair, N = 2P + 1, la série sous forme brute classée est :

X(1) ≤ · · · ≤ X(P ) ≤ X(P + 1) ≤ X(P + 2) ≤ · · · ≤ X(2P + 1).

La médiane est donc unique et égale à X(P + 1).

• si N est pair, N = 2P , la série sous forme brute classée est :

X(1) ≤ · · · ≤ X(P ) ≤ X(P + 1) ≤ · · · ≤ X(2P ).

Tout nombre de l’intervalle [X(P ), X(P + 1)] convient. Il existe différentes conventions,
telles que X(P )+X(P
2
+1)
ou X(P ).
Dans le contexte de ce cours, nous fixons la médiane comme étant égale à X(P ).
Avec cette convention, la médiane dans le cas où N est pair ou impair satisfait à la définition
suivante :  
1
m = min xi | i ∈ {1, . . . , p}, φi ≥ .
2
Remarque. La médiane possède une unité : celle des valeurs de X.

Définition 3.4. Supposons que la variable X soit continue. La classe médiane est telle que
au moins la moitié de l’effectif appartienne aux classes “inférieures ou égales” à cette classe et
au moins la moitié appartienne aux classes “supérieures ou égales” à cette classe. De manière
analogue au cas discret, il est plus aisé d’avoir une définition qui donne un nombre que l’on
puisse calculer. On introduit donc la définition suivante.
La médiane d’une variable continue X, notée m, est la plus petite solution de l’équation,
1
FX (x) = , (3.1)
2
où FX est la fonction de répartition empirique de X. Autrement dit,
 
1
m = min x ∈ [a0 , ap ] FX (x) = .
2

Remarque. Comme X est continue, d’après la proposition 2.1, sa fonction de répartition empi-
rique FX est continue. Donc FX vérifie le théorème des valeurs intermédiaires, ce qui montre que
l’équation (3.1) admet toujours au moins une solution. Comme l’intervalle [a0 , ap ] est compact,
la solution est unique.

Propriété 3.1. La médiane d’une variable continue X satisfait à l’égalité suivante :

ai0 − ai0 −1  1 
m = ai0 −1 + − φi0 −1 ,
φi0 − φi0 −1 2
n o
où i0 = min i ∈ {1, . . . , p} FX (ai ) ≥ 12 .

24
Chapitre 3. Statistique descriptive univariée

Démonstration. La fonction de répartition empirique FX de X étant croissante, il existe un

unique i0 ∈ {1, . . . , p} tel que :
1 n 1o
FX (ai0 −1 ) < ≤ FX (ai0 ), avec i0 = min i ∈ {1, . . . , p} FX (ai ) ≥ .
2 2
De plus, on sait que di0 6= 0 car FX (ai0 −1 ) 6= FX (ai0 ). On résout alors l’équation (3.1) en
utilisant l’expression de FX sur [ai0 −1 , ai0 [ :

1 φi − φi0 −1
= FX (m) = φi0 −1 + di0 (m − ai0 −1 ) = φi0 −1 + 0 (m − ai0 −1 )
2 ai0 − ai0 −1

en utilisant les expressions de l’effectif cumulé croissant et de la densité de proportion. On obtient

ainsi :
ai − ai0 −1  1 
m = ai0 −1 + 0 − φi0 −1 .
φi0 − φi0 −1 2

On peut généraliser le principe de définition de la médiane, ce qui donne lieu à la notion de

quantile.

Définition 3.5. Soit r ∈]0, 1].

• Si la variable X est discrète, le quantile d’ordre r, noté Qr , est l’unique valeur xi0 , i0 ∈
{1, . . . , p}, telle que φi0 −1 < r ≤ φi0 :

Qr = min{xi | i ∈ {1, . . . , p} et φi ≥ r}.

• Si la variable X est continue, le quantile d’ordre r, noté Qr , est la plus petite solution de
l’équation FX (x) = r, où FX est la fonction de répartition empirique de X :

Qr = min{x ∈ [a0 , ap ] FX (x) = r}.

Remarque.
1. Comme la médiane, les quantiles possèdent une unité : celle des valeurs de X.
2. En prenant r = 1/2, on retrouve la définition de la médiane, donc m = Q 1 .
2

Définition 3.6.
• Pour tout n ∈ {1, . . . , 99}, le n-ième centile est Q 100
n , le quantile d’ordre n/100.

• Pour tout n ∈ {1, . . . , 9}, le n-ième décile est Q 10 , le quantile d’ordre n/10. Les déciles
n

sont aussi notés d1 , . . . , d9 .

• Pour n ∈ {1, 2, 3}, le n-ième quartile, est Q n4 , le quantile d’ordre n/4. Les quartiles sont
aussi notés q1 , q2 , q3 .

Remarque. La médiane est également le 50-ième centile et le second quartile. De même, les
premier et troisième quartiles sont respectivement les 25-ième et 75-ième centiles.

Propriété 3.2. Le quantile d’ordre r d’une variable continue X satisfait à l’égalité suivante :
ai0 − ai0 −1
Qr = ai0 −1 + (r − φi0 −1 ), (3.2)
φi0 − φi0 −1

où i0 = min{i ∈ {1, . . . , p} FX (ai ) ≥ r}.

25
 Chapitre 3. Statistique descriptive univariée

Remarque. La médiane est plus robuste que la moyenne : une ou plusieurs données erronées ne
font pratiquement pas, voire pas du tout, changer la médiane, alors qu’elles peuvent affecter
considérablement la moyenne.
Exemple. Pour le calcul des quantiles, on regarde les fréquences cumulées croissantes.
• Ordinateurs. On obtient,

m = 2, q1 = 1, q3 = 3, d1 = 1, d9 = 4, Q 1 = 0, Q 99 = 5.
100 100

• Moyennes CC. On utilise la formule (3.2) pour obtenir :

4 1 
m = 12 + − 0.4722 = 12.34
0.8056 − 0.4722 2
4 1 
q1 =8+ − 0.1389 = 9.33
0.4722 − 0.1389 4
4 3 
q3 = 12 + − 0.4722 = 15.34
0.8056 − 0.4722 4
4 1 
d1 =4+ − 0.0278 = 6.60
0.1389 − 0.0278 10
4 9 
d9 = 16 + − 0.8056 = 17.94.
1 − 0.8056 10

3.1.4 Réflexions sur le mode, la moyenne, et la médiane

Les trois paramètres de tendance centrale que sont le mode, la moyenne (arithmétique) et la
médiane possèdent un certain nombre de propriétés en commun. Elles sont définies de façon
objective : à partir des mêmes données, des personnes différentes aboutissent aux mêmes résultats
numériques. Elles s’expriment dans la même unité que celle de la valeur de la variable. Elles
peuvent être interprétées de façon facile et immédiate. Elles sont simples à calculer.
La moyenne (arithmétique) possède une propriété supplémentaire importante : sa valeur dépend
de toutes les observations retenues (si on fait varier une des valeurs observées, la moyenne sera
toujours modifiée au contraire du mode et de la médiane qui peuvent rester inchangées). C’est
essentiellement pour cette raison que la moyenne, qui est plus longue à calculer que le mode ou
la médiane, est considérée comme le principal paramètre de tendance centrale.

3.1.5 Moyennes géométrique, harmonique et quadratique

Il existe des types de moyennes autres que la moyenne arithmétique. Leur utilité sera vue en
exercice. Comme précédemment, si la variable est continue, on prendra comme valeurs de la série
les centres des classes. Strictement parlant, il s’agit dans ce cas d’approximation des moyennes.

Définition 3.7.
1. La moyenne géométrique d’une variable X est :

n 1/N
 
G = xn1 1 × xn2 2 × · · · × xp p .

26
Chapitre 3. Statistique descriptive univariée

2. La moyenne harmonique d’une variable X est :

p
1 1 X 1
= ni .
H N xi
i=1

3. La moyenne quadratique d’une variable X est :

v
u p
u1 X
Q=t ni × x2i .
N
i=1

1 Pp
Remarque. On a, ln(G) = N i=1 ni ln(xi ).

Propriété 3.3. On a l’encadrement H ≤ G ≤ x̄.

3.2 Paramètres de dispersion

3.2.1 Étendue et distance interquartile

Rappelons qu’avec nos conventions, la plus petite valeur de la série est X(1) et la plus grande
est X(N ).
Définition 3.8. L’étendue de la série, notée δe , est la longueur du segment [X(1), X(N )] :

δe = X(N ) − X(1).

Remarque.
1. L’étendue possède une unité : celle des valeurs de X.
2. L’étendue n’est pas très informative car elle ne tient pas compte de la répartition des
données dans le segment [X(1), X(N )].
Définition 3.9. L’intervalle inter-quartile est le segment [q1 , q3 ]. Il contient la moitié « centrale »
des données de la série. La distance inter-quartile, notée δq , est la longueur de l’intervalle inter-
quartile :
δ q = q3 − q1 .
Remarque.
1. La distance inter-quartile possède une unité : celle des valeurs de X.
2. La distance inter-quartile est plus précise que l’étendue car elle ne tient compte que de
des données « proches » de la médiane en un certain sens.

3.2.2 Variance et écart-type

Définition 3.10. Si X est discrète (respectivement continue), sa variance, notée Var(X), est
la moyenne des écarts quadratiques des valeurs (respectivement des centres des classes) de X à
sa moyenne :
p p
X
2 1 X
Var(X) = fi (xi − x̄) = ni (xi − x̄)2 .
N
i=1 i=1

27
 Chapitre 3. Statistique descriptive univariée

Remarque.
1. La variance n’a pas la même unité que les valeurs de X, mais celle de leur carré.
2. Lorsque la variable est discrète, avec les données brutes, la variance de X est le quotient
de la somme des distances quadratiques à la moyenne des valeurs associées à chaque
individu par la taille de la population :
N
1 X
2
Var(X) = X(u) − x̄ .
N
u=1

Proposition 3.2. La variance de X s’exprime également comme :

p p N
!
X 1 X  1 X 
Var(X) = fi xi − x̄2 =
2
ni x2i − x̄2 = X(u)2 − x̄2 .
N N
i=1 i=1 u=1

Démonstration. Montrons la première égalité, les deux autres étant simplement des réécritures.
Il s’agit d’utiliser une identité remarquable :
p
X p
X
Var(X) = fi (xi − x̄)2 = fi (x2i − 2xi x̄ + x̄2 )
i=1 i=1
p
X p
X p
X
= fi x2i − 2x̄ fi xi + x̄ 2
fi
i=1 i=1 i=1
Xp
= fi x2i − 2x̄(x̄) + x̄2 (1),
i=1

par application de la définition de la moyenne x̄ et de la propriété 2.1. Le résultat suit.

Exemple 3.1.
• Ordinateurs. On utilise la proposition précédente :
1  
Var(X) = 300 × 02 + 876 × 12 + 1235 × 22 + 984 × 32 + 225 × 42 + 154 × 52 − 2.112
3774
= 1.40

ou de manière équivalente :
 
Var(X) = 0.08 × 02 + 0.23 × 12 + 0.33 × 22 + 0.26 × 32 + 0.06 × 42 + 0.04 × 52 − 2.112
= 1.40.

• Moyennes CC. La variable étant continue, il faut considérer les centres des classes pour
obtenir :
1 2 
Var(X) = 2 × 1 + 62 × 4 + 102 × 12 + 142 × 12 + 182 × 7 − 12.222 = 16.39,
36
ou de manière équivalente :
 
Var(X) = 22 × 0.0278 + 62 × 0.1111 + 102 × 0.3333 + 142 × 0.3333 + 182 × 0.1944 − 12.222
= 16.39,

28
Chapitre 3. Statistique descriptive univariée

Comme somme de carrés, la variance est un nombre positif. C’est un bon indicateur de dispersion
des données car la variance s’annule si et seulement si toutes les observations effectuées sont :
— identiques si X est discrète ;
— dans la même classe si X est continue.
Précisément, on a le résultat suivant :
Théorème 3.1. La variance de X s’annule si et seulement si :

∃ i0 ∈ {1, . . . , p}, ∀i 6= i0 , ni = 0. (3.3)

Auquel cas, un tel i0 est unique, donc toutes les observations sont identiques (respectivement
dans la même classe) si X est discrète (respectivement continue).

Démonstration. Supposons l’assertion (3.3) vérifiée. Alors N = n1 +· · ·+np = ni0 et la moyenne

de X est :
p
1 X 1
x̄ = ni xi = n i x i = x i0 ,
N n i0 0 0
i=1
et la variance de X vaut :
p
1 X 1
Var(X) = ni (x − x̄)2 = ni (xi − xi0 )2 = 0.
N n i0 0 0
i=1

Réciproquement, supposons Var(X) = 0,

p p
1 X X
Var(X) = 0 ⇐⇒ ni (xi − x̄)2 = 0 ⇐⇒ ni (xi − x̄)2 = 0.
N
i=1 i=1

⇐⇒ ∀i ∈ {1, . . . , p}, ni (xi − x̄)2 = 0,

car une somme de termes positifs n’est nulle que si chacun des termes la composant est nul.
Ainsi, on obtient :

∀i ∈ {1, . . . , p}, ni = 0 ou xi = x̄ .
Comme N 6= 0, il existe i0 ∈ {1, . . . , p} tel que ni0 6= 0, ce qui entraîne x̄ = xi0 . Soit alors i 6= i0 .
On a xi 6= xi0 , donc xi 6= x̄, ce qui entraîne ni = 0 et conclut la preuve.

Définition
p 3.11. L’écart-type de X, noté σX , est la racine carrée de la variance : σX =
Var(X).
Remarque. L’écart-type est également un bon indicateur de dispersion car il vérifie la propriété
du théorème 3.1. Mais de plus, l’écart-type a la même unité que les valeurs de X.
Exemple. Grâce aux calculs de l’exemple 3.1, on obtient directement σX = 1.18 pour le nombre
d’ordinateur et σX = 4.05 pour les notes.

De même que pour la moyenne à la proposition 3.1, on peut étudier le comportement de la

variance et de l’écart-type par changement de variables affine.
Théorème 3.2. Soient a, b ∈ R et Y la variable définie par Y = aX + b. Alors :

Var(Y ) = a2 Var(X) et σY = |a|σX .

29
 Chapitre 3. Statistique descriptive univariée

Démonstration. Si la variance se comporte comme annoncé, on obtient :

p p p
σY = Var(Y ) = a2 Var(X) = |a| Var(X) = |a|σX .

Reste donc à montrer l’égalité sur les variances. Pour ce faire, on écrit :
p
X
Var(Y ) = fi (yi − ȳ)2 ,
i=1

avec fi fréquence de la valeur (respectivement classe de centre) xi si X est discrète (respective-

ment continue) et yi = axi + b (voir proposition 3.1). Donc :
p p
X
2 X
Var(Y ) = fi (axi + b) − (ax̄ + b) = a2 fi (xi − x̄)2 = a2 Var(X),
i=1 i=1

comme escompté.

3.3 Box plot ou boîte à moustaches

La boîte à moustaches, ou “box plot” en anglais, est une représentation graphique mettant en
exergue certains des paramètres de position et de dispersion précédents. Elle permet de visualiser
sommairement la répartition des données de la série statistique et les données “extrêmes”. Elle
est constituée :
• d’un diagramme en boîte : un rectangle de bornes q1 , q3 coupé au niveau de la médiane
m et éventuellement également au niveau de la moyenne x̄ (alors signifié en pointillés) ;
• de moustaches : deux segments joignant q1 à X(1) pour l’un et q3 à X(N ) pour l’autre.
La figure 3.1 représente l’allure générale d’une telle représentation.
de

dq

xm q1 m xb q3 xM

Figure 3.1 – Allure d’une boîte à moustaches.

Remarque. Il existe des variantes sur les bornes des moustaches. Plutôt que de les faire aller
jusqu’à X(1), X(N ), on peut les faire aller jusqu’aux premier et neuvième déciles, ou aux
cinquième et 95-ième centiles, ou aux premier et 99-ième centiles, etc. On appelle alors outliers
les données à l’extérieur des moustaches.

30
Chapitre 3. Statistique descriptive univariée

3.4 Paramètres de forme

3.4.1 Variable centrée réduite

Définition 3.12. Une variable X est dite centrée si elle est de moyenne arithmétique nulle. Elle
est dite réduite si elle est de variance égale à 1.
Propriété 3.4. Soit X une variable, et Y la variable définie par,
X − x̄
Y = .
σX
Alors, la variable Y est centrée et réduite. Elle est appelée la variable centrée-réduite associée à
la variable X.

Démonstration. Grâce aux formules de changement de variables affine pour la moyenne et la

variance, on a :
x̄ − x̄ 1
ȳ = = 0 et Var(Y ) = Var(X) = 1.
σX Var(X)

Quand on transforme une variable en la variable centrée réduite associée, on retire à cette
variable toute l’information concernant son échelle ou unité, et sa localisation. Il ne reste plus
que des informations sur la forme de la distribution. Cette transformation permet de comparer
plusieurs variables sur le plan de la forme, même si ce sont des variables exprimées dans des
échelles différentes ou qui ont des moyennes complètement différentes.

3.4.2 Moments d’une distribution

Définition 3.13.
1. On appelle moment à l’origine d’ordre r ∈ N le paramètre
p p
X 1 X
m0r = fi · xri = ni · xri .
N
i=1 i=1

2. On appelle moment centré d’ordre r ∈ N le paramètre

p p
X 1 X
r
mr = fi (xi − x̄) = ni (xi − x̄)r .
N
i=1 i=1
Remarque.
1. Pour une variable discrète, avec les données brutes, on a
N N
1 X 1 X
m0r = X(u)r et mr = (X(u) − x̄)r .
N N
u=1 u=1

2. La moyenne est le moment à l’origine d’ordre 1, et la variance le moment centré d’ordre

2, qui s’exprime également en fonction des moments à l’origine d’ordres 1 et 2 :
N
1 X
m2 = Var(X) = X(u)2 − x̄2 = m02 − (m01 )2 .
N
u=1

31
 Chapitre 3. Statistique descriptive univariée

3.4.3 Coefficient d’asymétrie de Fisher

Une distribution est parfaitement symétrique, si les valeurs qu’elle prend sont également disper-
sées de part et d’autre de la moyenne. Dans ce cas, son mode, sa moyenne et sa médiane sont
confondues, ses quartiles q1 et q3 , ses déciles d1 et d9 sont équidistants de la valeur centrale, et
son histogramme admet un axe de symétrie (symétrie par rapport à la valeur de la moyenne).
Ce n’est pas le cas pour les distributions asymétriques ou obliques. On peut mesurer l’asymétrie
d’une distribution au moyen du moment centré d’ordre 3 :

Définition 3.14. Le coefficient d’asymétrie de Fisher est la quantité suivante :

Pp p 3
− x̄i )3

m3 i=1 fi (xi
X xi − x̄i
γ1 = 3 = 3 = fi .
σX σX σX
i=1

Il s’agit du moment à l’origine d’ordre 3 des données centrées-réduites.

Ce coefficient peut prendre des valeurs positives, négatives ou nulles :

— si la distribution est symétrique, il est nul,
— si la distribution est allongée à gauche (les grandes valeurs sont plus fréquentes que les
petites), il est négatif,
— si la distribution est allongée à droite (les petites valeurs sont plus fréquentes que les
grandes), il est positif.
Exemple.
• Ordinateurs. En rappelant que x̄ = 2.11, σX = 1.18 et en utilisant les données, on obtient :
1 1 
γ1 = 300 × (0 − 2.11)3 + 876 × (1 − 2.11)3 + 1235 × (2 − 2.11)3 )
1.183 3774 
+ 984 × (3 − 2.11)3 + 225 × (4 − 2.11)3 + 154 × (5 − 2.11)3 = 0.30.

• Moyennes CC. En rappelant que x̄ = 12.22, σX = 4.05, et en utilisant les données (la
variable étant continue, il faut considérer les centres des classes), on obtient :
1 1
γ1 = (2 − 12.22)3 × 1 + (6 − 12.22)3 × 4 + (10 − 12.22)3 × 12
4.053 36 
+ (14 − 12.22)3 × 12 + (18 − 12.22)3 × 7 = −0.31.

3.4.4 Coefficient d’aplatissement

L’aplatissement (ou kurtosis en anglais) est mesuré à l’aide du moment centré d’ordre 4 :

Définition 3.15.
1. Le coefficient d’aplatissement de Pearson est la quantité suivante :
Pp p 4
− x̄i )4

m4 i=1 fi (xi
X xi − x̄i
β2 = 4 = 4 = fi .
σX σX σX
i=1

Il s’agit du moment à l’origine d’ordre 4 des données centrées-réduites.

32
Chapitre 3. Statistique descriptive univariée

2. Le coefficient d’aplatissement de Fisher ou coefficient de Yule est la quantité suivante :

m4
γ2 = β2 − 3 = 4 − 3.
σX

Une distribution est dite :

— mésokurtique si γ2 ' 0 (la densité de la loi normale, ou courbe en cloche, est mésokur-
tique).
— leptokurtique si γ2 > 0 : son histogramme est plus pointu et possède des queues plus
longues (distribution moins aplatie que la distribution normale).
— platykurtique si γ2 < 0 : son histogramme est plus arrondi et possède des queues plus
courtes (distribution plus aplatie que la distribution normale).
Exemple.
• Ordinateurs. En rappelant que x̄ = 2.11, σX = 1.18 et en utilisant les données, on obtient :

1 1 
γ2 = 300 × (0 − 2.11)4 + 876 × (1 − 2.11)4 + 1235 × (2 − 2.11)4 )
1.184 3774 
+ 984 × (3 − 2.11)4 + 225 × (4 − 2.11)4 + 154 × (5 − 2.11)4 − 3 = −0.11.

• Moyennes CC. En rappelant que x̄ = 12.22, σX = 4.05, et en utilisant les données (la
variable étant continue, il faut considérer les centres des classes), on obtient :

1 1
γ2 = (2 − 12.22)4 × 1 + (6 − 12.22)4 × 4 + (10 − 12.22)4 × 12
4.054 36 
+ (14 − 12.22)4 × 12 + (18 − 12.22)4 × 7 − 3 = −0.40.

3.5 Courbe de concentration de Lorenz et indice de Gini

On dispose d’observations d’une variable décrivant une quantité correspondant à une richesse,
par exemple le chiffre d’affaires, le patrimoine, les salaires. Il est donc naturel de supposer les
données positives, ce qui implique en particulier que x̄ > 0.
On se pose alors des questions sur la répartition égalitaire ou non de ces richesses : les salaires
sont-ils répartis de manière égalitaire ? Le chiffre d’affaire des entreprises d’un secteur est-il
concentré entre les mains d’une poignée d’entreprises au détriment de toutes les autres ? Quelle
fortune représentent les 3% de familles les plus riches de France ?

3.5.1 Courbe de concentration de Lorenz

Définition 3.16.
1. On appelle masses cumulées de la variable X les quantités définies, pour 1 ≤ i ≤ p, par :

i
X
nj xj .
j=1

33
 Chapitre 3. Statistique descriptive univariée

2. On appelle masses cumulées relatives de la variable X les quantités définies, pour

1 ≤ i ≤ p, par :
Pi Pi Pi
j=1 nj xj j=1 nj xj j=1 fj xj
Mi = Pp = = .
j=1 nj xj N x̄ x̄

3. On appelle masse totale le dénominateur, pj=1 nj xj = N x̄.

P

4. On appelle courbe de concentration de Lorenz la ligne polygonale qui joint les points O
et P1 , · · · , Pp définis par leurs coordonnées :
O = (0, 0), P1 = (φ1 , M1 ), P2 = (φ2 , M2 ), · · · , Pp = (φp , Mp ) = (1, 1), (3.4)
où on rappelle que les (φi )i∈{1,··· ,p} sont les fréquences cumulées croissantes.
Propriété 3.5. Pour tout i ∈ {1, . . . , p} on a, 0 ≤ Mi ≤ 1. De plus, la courbe de concentration
de Lorenz est toujours située sous la droite d’équation y = x.

Démonstration. La première partie est une conséquence du fait que les données soient supposées
positives. Pour démontrer la seconde partie, il suffit de voir que, pour tout i ∈ {1, · · · , p},
Mi ≤ φi . On rappelle que,
Pi i
j=1 nj xj nj
X
Mi = et φi = .
N x̄ N
j=1

Ainsi, on a les équivalences suivantes :

Pi i i i i
j=1 nj xj
X X X X
Mi ≤ φ i ⇔ ≤ nj ⇔ nj xj ≤ nj x̄ ⇔ 0≤ nj (x̄ − x¯j ) (∗).
x̄
j=1 j=1 j=1 j=1

Soit i0 tel que xi0 ≤ x̄ ≤ xi0 +1 .

— si i ≤ i0 , alors ∀j ≤ i, xj ≤ xi0 ≤ x̄ et donc x̄ − xj ≥ 0, et la condition (∗) est vérifiée.
— si i > i0 , la condition (∗) à démontrer peut se ré-écrire en la condition équivalente,
i
X i0
X
nj (xj − x̄) ≤ nj (x̄ − x¯j ) (∗∗).
j=i0 +1 j=1

Or,
i
X p
X
nj (xj − x̄) ≤ nj (xj − x̄), car les termes que l’on rajoute sont positifs
j=i0 +1 j=i0 +1
p
X i0
X
= nj (xj − x̄) − nj (xj − x̄)
j=1 j=1
p
X i0
X
= nj (xj − x̄) + nj (x̄ − xj )
j=1 j=1
i0
X
= nj (x̄ − xj ),
j=1

car pj=1 nj (xj − x̄) = N x̄ − ( pj=1 nj )x̄ = N x̄ − N x̄ = 0. Ceci achève la preuve ce la

P P
condition (∗∗) et donc du résultat.

34
Chapitre 3. Statistique descriptive univariée

Remarque. La diagonale représente la répartition égalitaire des richesses : 20% de la population

détient 20% des revenus, 60% en détient 60% des revenus, etc. Plus la courbe est éloignée de la
diagonale, plus la répartition des richesses est inégalitaire.
Exemple 3.2. On connaît la répartition des salaires mensuels dans une entreprise :

Salaires [600,900[ [900,1200[ [1200,1500[ [1500,1800[ [1800,2100[ [2100,2400[

Effectif 31 95 101 59 36 18

Afin de tracer la courbe de Lorenz, il faut calculer les fréquences cumulées ainsi que les masses
cumulées relatives. On obtient le tableau suivant :

Salaires [600,900[ [900,1200[ [1200,1500[ [1500,1800[ [1800,2100[ [2100,2400[ Total

Effectif 31 95 101 59 36 18 340
Centre des classes 750 1050 1350 1650 1950 2250 pas de sens
Fréquence 0.0912 0.2794 0.2971 0.1735 0.1059 0.0529 1
Fréquence cumulée croissante 0.0912 0.3706 0.6676 0.8412 0.9471 1 pas de sens
Masse cumulée relative 0.0497 0.2631 0.5549 0.7631 0.9133 1 pas de sens

On obtient la courbe suivante :

35
 Chapitre 3. Statistique descriptive univariée

3.5.2 Indice de Gini

Définition 3.17. On appelle indice de Gini, noté IG , le réel : IG = 2S où S est la surface de la

partie du carré unité délimitée par la courbe de Lorenz et la diagonale d’équation y = x.

Remarque. On a toujours 0 ≤ IG ≤ 1. Plus IG est élevé, plus la série est inégalitaire, car la courbe
de Lorenz est d’autant plus éloignée de la diagonale. Cependant, IG donne moins d’information
que la courbe étant donné qu’il représente l’aire sous la courbe et non pas la courbe elle-même.

Proposition 3.3. L’indice de Gini est égal à :

p
X
IG = 1 − (Mi−1 + Mi ) × fi .
i=1

Démonstration. Pour calculer l’indice de Gini, on utilise la méthode des trapèzes. On observe
que la surface S est égal à l’aire du triangle dont les sommets sont (0, 0), (0, 1), (1, 1), soit
1
2 , à laquelle il faut retrancher l’aire A comprise entre la courbe de Lorenz et l’axe des abs-
cisses. Cette aire A n’est autre que la somme des aires des trapèzes dont les sommets sont
(φi−1 , 0), (φi−1 , Mi−1 ), (φi , Mi ), (φi , 0) pour i ∈ {1, · · · , p} (avec la convention φ0 = M0 = 0).
On rappelle que l’aire d’un trapèze se calcule de la façon suivante :
petite base + grande base
× hauteur,
2
ce qui donne :
p
X Mi−1 + Mi
IG = 2S = 2(0.5 − A) = 1 − 2A = 1 − 2 × (φi − φi−1 )
2
i=1
p
X p
X
=1− (Mi−1 + Mi ) × (φi − φi−1 ) = 1 − (Mi−1 + Mi ) × fi .
i=1 i=1

Exemple. Avec les données de l’exemple 3.2, on obtient :


IG = 1 − (0 + 0.05) × 0.09 + (0.05 + 0.26) × 0.28 + (0.26 + 0.55) × 0.30 + (0.55 + 0.76) × 0.17

+ (0.76 + 0.91) × 0.11 + (1 + 0.91) × 0.05 = 0.16.

36