Université Mohamed Premier

Faculté des Sciences Juridiques,

Économiques et Sociales d’Oujda

STATISTIQUE DESCRIPTIVE

Cours et exercices

Première année sciences économiques et gestion

Professeur Moustapha Faizi

Enseignant à la Faculté des Sciences Juridiques,

Économiques et Sociales d’Oujda

Année Universitaire :
2023-2024
Avant-propos
La STATISTIQUE DESCRIPTIVE est le premier cours de statistique qui est programmé pour
votre formation au sein de la filière sciences économiques et gestion. On verra trois
chapitres, le premier est le plus important, il va s’intéresser { la description de données
issues d’une seule variable (l’âge d’un client, prix d’un bien, indemnisation d’un assuré…)
observée dans une population (ensemble de clients ou de biens ou d’assurés d’une
compagnie). Un deuxième chapitre sera dédier { l’étude de deux variables, on cherchera la
possibilité d’une liaison, on proposera le modèle classique de la régression linéaire. Le
dernier chapitre donnera les principaux indices statistiques utilisés dans l’évaluation des
taux de variations des prix et des volumes.
Des séries d’exercices solutionnées seront proposées parallèlement au cours pour
compléter l’apprentissage.
La plupart des calculs qui sont faits dans ce cours sont réalisés avec le logiciel Excel de
Microsoft.

Notations et abréviations

𝑛𝑖 Effectif
𝑁𝑖 Effectif cumulé
𝑓𝑖 Fréquence
𝐹𝑖 Fréquence cumulée
𝑀𝑜 Mode
𝑀𝑒 Médiane
𝜇 Moyenne d’une population
𝑥 ou 𝑥𝑛 Moyenne d’un échantillon
𝜎2 Variance d’une population
𝑠 2 ou 𝑠𝑛2 Variance d’un échantillon
𝜎 Écart-type d’une population
𝑠 ou 𝑠𝑛 Écart-type d’un échantillon

2
FSJES-Oujda
Sommaire

Chapitre 1: Analyse d’une série de donnée univariée ________________________________________ 5

1. Introduction _______________________________________________________________________________________ 5
1.1 Exemple _________________________________________________________________________________________________ 5

2. Terminologie liée à la statistique _______________________________________________________________ 7

3. Présentation des résultats : Tableau-Synthèse _____________________________________________ 10
3.1 Cas d’un caractère qualitatif _________________________________________________________________________ 10
3.2 Cas d’un caractère quantitatif discret _______________________________________________________________ 11
3.3 Cas d’un caractère quantitatif continu ______________________________________________________________ 11

4. Représentations graphiques __________________________________________________________________ 16

4.1 Diagramme à bandes rectangulaires ________________________________________________________________ 16
4.2 Diagramme à secteurs circulaires ___________________________________________________________________ 18
4.3 Histogramme __________________________________________________________________________________________ 19
4.4 Polygone _______________________________________________________________________________________________ 20
4.5 L’ogive _________________________________________________________________________________________________ 21

5. Calcul des mesures caractéristiques _________________________________________________________ 22

5.1 Mesures de tendance centrale _______________________________________________________________________ 22
5.1.1 Le mode________________________________________________________________________________________________ 22
5.1.2 La médiane ____________________________________________________________________________________________ 23
a. Cas de données quantitatives non groupées en classes ________________________________________ 23
b. Cas où les données sont groupées en classes ____________________________________________________ 24
5.1.3 La moyenne arithmétique ____________________________________________________________________________ 26
5.1.4 Moyenne pondérée ___________________________________________________________________________________ 28
5.1.5 Autres moyennes _____________________________________________________________________________________ 31
5.1.6 Choix de la mesure de tendance centrale ___________________________________________________________ 32
5.2 Mesures de dispersion _______________________________________________________________________________ 34
5.2.1 L’étendue ______________________________________________________________________________________________ 34
5.2.2 La variance ____________________________________________________________________________________________ 35
5.2.3 L’écart type ____________________________________________________________________________________________ 36
5.2.4 Écart absolu moyen ___________________________________________________________________________________ 37
5.2.5 Coefficient de variation _______________________________________________________________________________ 37
5.3 Mesures de position __________________________________________________________________________________ 38
5.3.1 Les quantiles __________________________________________________________________________________________ 38
5.3.2 Intervalle et écart interquartile ______________________________________________________________________ 39
5.3.3 Construction d’un diagramme en boite { moustache (Box plot) __________________________________ 41
5.3.4 La cote 𝒁 _______________________________________________________________________________________________ 42
5.4 Mesures de forme _____________________________________________________________________________________ 43
5.4.1 Représentation des données selon une courbe normale __________________________________________ 43
5.4.2 Coefficients d’asymétrie et d’aplatissement ________________________________________________________ 44
5.5 Mesures de concentration ____________________________________________________________________________ 46
5.5.1 Courbe de Lorenz (1876-1959)______________________________________________________________________ 46
5.5.2 Indice de Gini __________________________________________________________________________________________ 47

Chapitre 2: Analyse d’une série de donnée bivariée _________________________________________ 50

1. Analyse graphique ______________________________________________________________________________ 51
2. Paramètres des distributions _________________________________________________________________ 53
2.1 Paramètres des distributions marginales ___________________________________________________________ 53
2.2 Paramètres qui expriment la liaison ________________________________________________________________ 54
2.2.1 La covariance__________________________________________________________________________________________ 55
3
FSJES-Oujda
 2.2.2 Coefficient de corrélation linéaire de Pearson ______________________________________________________ 56
2.2.3 Coefficient de détermination _________________________________________________________________________ 56
2.3 Ajustement linéaire par la méthode des moindres carrés _________________________________________ 58
2.4 Ajustement non linéaire ______________________________________________________________________________ 61

3. Cas de données regroupées en classes _______________________________________________________ 62

3.1 Distribution marginale _______________________________________________________________________________ 63
3.2 Distribution conditionnelle __________________________________________________________________________ 67
3.3 Covariance et corrélation ____________________________________________________________________________ 70

Chapitre 3: Les indices statistiques _____________________________________________________________ 72

1. Introduction _____________________________________________________________________________________ 72
2. Les indices simples de prix et de volume ____________________________________________________ 74
2.1 Indice simple de prix _________________________________________________________________________________ 74
2.2 Indice simple de volume _____________________________________________________________________________ 75
2.3 Propriétés des indices simples_______________________________________________________________________ 75
2.4 Taux de croissance____________________________________________________________________________________ 76
2.4.1 Taux de croissance moyen ___________________________________________________________________________ 77
2.5 Moyenne des indices _________________________________________________________________________________ 79
2.6 Application ____________________________________________________________________________________________ 80

3. Les indices synthétiques _______________________________________________________________________ 83

3.1 Exemple d’utilisation _________________________________________________________________________________ 83
3.2 Indices synthétiques de prix _________________________________________________________________________ 86
3.3 Indices synthétiques de volumes ____________________________________________________________________ 87

Exercices Solutionnés ___________________________________________________________________________________ 91

1. Série d’exercices N°1____________________________________________________________________________ 91
2. Série d’exercices N°2___________________________________________________________________________ 104
3. Série d’exercices N°3___________________________________________________________________________ 116
4. Série d’exercices n°4 ___________________________________________________________________________ 124
Bibliographie _____________________________________________________________________________________129

4
FSJES-Oujda
 Chapitre 1: ANALYSE D’UNE SÉRIE DE DONNÉE UNIVARIÉE

1. Introduction

Nous nous intéressons ici { l’étude de données d’une série statistique, cette série peut être le
résultat d’une enquête sur un phénomène de l’économie ou plus généralement des sciences
sociales. Enquêter ici est dans le sens où on cherche des informations auprès d’une population. Le
statisticien ou l’économiste statisticien doit travailler avec les données de l’enquête afin de les
résumer par des méthodes statistiques1. La manipulation des données ou des statistiques est
quelques fois difficile, il faudra être attentif au choix des méthodes statistiques. Les interprétations
des résultats de l’enquête doivent être soigneusement écrites sans distraction ou manipulation.
Voici un exemple qui illustre cela.

1.1 Exemple

Dans un établissement universitaire, on se pose la question si la sélection des étudiants à

l’inscription est { l’avantage des hommes ou non ?
Sur l’ensemble de l’établissement, on a les résultats suivants :

H F

Candidats 1198 449

Sélectionnés 534 113

Proportion 44.6% 25.2%

Conclusion : la sélection est { l’avantage des hommes

On reprend les résultats selon les deux départements A et B :

H F

Département A 512/825 89/108

Proportion 62% 82.4%

Département B 22/373 24/341

Proportion 6% 7%

Conclusion : la sélection est { l’avantage des femmes

1
Un économiste statisticien est considéré comme un métier, il peut être chargé des prévisions des ventes ou
d’achats, pour cela, il doit être capable de mener des études de marché en utilisant les outils statistiques

5
FSJES-Oujda
  Les deux démarches sont correctes
 Rien ne permet de dire que l’une est plus raisonnable que l’autre !

Il faut distinguer la bonne interprétation à travers la bonne méthode

Définition de la STATISTIQUE

La statistique est une méthode scientifique dont l'objet est

 de recueillir,
 d’organiser et de résumer
 et d'analyser
les données d'une enquête, d'une étude ou d'une expérience, puis
 de tirer les conclusions logiques
 et de prendre les décisions qui s'imposent à partir des analyses effectuées.

EXEMPLE :
Le gouvernement marocain veut réorienter sa politique sociale. Il demande au HCP (HAUT-
COMMISSARIAT AU PLAN) la structure de la population :
 âge
 revenu
 catégorie socioprofessionnelle
 état civil
 etc.
Le HCP doit procéder aux étapes suivantes :
1. Recueillir les informations utiles
2. Organiser ces données
3. Les résumer si nécessaire

1. La collecte de données :
De quelle information avons-nous besoin ?
 C’est l’objet de l’étude
Qui doit-on examiner ?
 Qui est/sont le/s sujet/s (Population, échantillon)
Comment faire ?
 C’est la méthode (sondages, entretiens)

2. Organisation des données : nous présentons ici les données sous forme de tableaux ou de
graphiques
Partons d’un échantillon de 1000 personnes, nous avons donc 1000 revenus.
Nous pouvons présenter ces chiffres par le biais de
o Tableau de synthèse
o Histogramme
Et si l’information est trop riche, on ne tire que des données caractéristiques, c.{.d.

6
FSJES-Oujda
3. Résumer l’information : On n’en choisi que quelques paramètres significatifs (par exemple
mode, médiane, moyenne, etc)

Ces trois points sont du domaine de la statistique descriptive.

Si la moyenne des revenus échantillonnés est par exemple de 3256 DH.

Que représente cette valeur par rapport { l’ensemble de la population ?

C’est cela qui importe vraiment pour le gouvernement. Nous entrons l{ dans le domaine de la
statistique inférentielle (dite aussi statistique inductive ou statistique mathématique) (cours des
semestres 4 et 5)

Statistique descriptive  la moyenne est de 3256 DH sur 1000 individus.

le revenu moyen de la population a 95% de chance de se

Statistique inférentielle 
situer dans l’intervalle [3156, 3356]

Une étude de statistique peut se résumer ainsi :

Calcul de probabilités (S3)
Statistiques descriptives (S2)
 loi de probabilité
 collecte des données
 mathématique des phénomènes
 présentation
aléatoires
 résumé

Statistique inférentielle (S4&S5)

 Traitement et interprétation des données
avec les outils du calcul de probabilité.

2. Terminologie liée à la statistique

Définition 1 : La population est l'ensemble de tous les individus concernés lors de l'étude d'un sujet
particulier.

Exemple 1 : Dans le milieu rural, pour établir la proportion des enfants qui meurent avant l'âge de
5 ans, on considère la population des enfants du milieu rural dont la tranche d'âge se situe entre 0
et 5 ans (strictement).

7
FSJES-Oujda
Remarque : une population peut être
 finie (une population de personnes) ou
 infinie (les produits fabriqués en série sans arrêt)

Exemple 2 : Dans une entreprise de fabrication de batteries pour des Smartphones model A1, A2 et
A3, on veut étudier la durée de consommation de la batterie chargée de model A1, on considère la
population de toutes les batteries des Smartphones model A1 fabriquées par l'entreprise.

Définition 2 : On appelle échantillon toute partie ou sous-ensemble de la population.

Exemple 1 : Pour connaître la réaction des conducteurs de voitures vis-à-vis de la hausse du

carburant, on interroge au hasard des automobilistes.

Exemple 2 : Pour établir le taux de pourcentage des pièces de mauvaise qualité fabriquées par une
machine, on tire au hasard dans un lot fabriqué par cette machine un échantillon.

Définition 3 : On appelle individu chaque élément de la population ou de l'échantillon.

On peut utiliser le terme « unité statistique » quand l'élément représente

- un objet
- un événement
- une entité précise comme l’entreprise
- un groupe de personnes ou d'objets

Exemples :
 Chaque automobiliste dans l'exemple précédent est un individu
 Toute pièce fabriquée par la machine est une unité statistique
 Dans le recensement national marocain de 2014, on veut établir le nombre moyen d'enfants par
famille dans les régions rurales, chaque famille dans ces régions est une unité statistique.

Définition 4 : La taille représente le nombre d'individus d'un échantillon (on notera 𝑛) ou d'une
population (on notera 𝑁).

Définition 5 : Le caractère (ou variable) est l'aspect particulier que l'on désire étudier.

Exemple : Dans une enquête concernant une population de personnes, on peut s'intéresser à
- L’âge
- La taille
- Le sexe
- Le niveau d'éducation
- L’opinion sur un sujet donné
- ……

Définition 6 : On appelle modalités (réalisation ou état possible du caractère) les différentes

possibilités que peut présenter un caractère.

Exemple 1 : Le nombre d'enfants par famille est un caractère de modalités les nombres entiers
suivants 0, 1, 2, 3, 4,…
8
FSJES-Oujda
Exemple 2 : L'appréciation que peut retenir une clientèle vis-à-vis d'un service ou d'un produit
(comestible ou pas) est un caractère qui peut avoir plusieurs modalités, on donne l’exemple d’un
produit alimentaire, électroménager et d’un service :
Pour un produit alimentaire :
 Excellent  Très bon  Assez bon  Moyen  Pas bon

Pour un produit électroménager :

 Très utile  Utile  Moins utile

Pour un produit service :

 Excellent  Important  Banal  Long  Rapide  Convivial  Mal entretenu,…

Définition 7 : On dit d'un caractère qu'il est qualitatif si ses modalités ne s'expriment pas par un
nombre.

Exemple : L'opinion, le sexe, ou la couleur des cheveux sont des caractères qualitatifs.

Remarque : on distingue deux cas pour un caractère qualitatif

- le cas où les modalités représentent un certain accroissement significatif
- le cas du caractère où les modalités n’ont aucune relation avec le sens des
accroissements.

Dans le premier cas le caractère est dit ordinal tandis que le deuxième est dit nominal

Exemple : l’appréciation d’un client pour un produit est un caractère ordinal, on peut comprendre
ainsi qu’une appréciation « Excellent » est mieux que « Bon »

Remarque : dans le cas d’un caractère ordinal on peut utiliser une échelle de nombres entiers

0 1 2 3 4 5 6 7 8 9 10

Absence Moyen Excellent

Définition 8 : On dit d'un caractère qu'il est quantitatif si ses modalités sont numériques.

Exemple 1 : L'âge, la taille, le poids et la consommation journalière du lait par individu sont des
caractères quantitatifs.

Exemple 2 : Le revenu d'un employé est un caractère quantitatif.

Remarque : Dans l'exemple 2, si on classe le revenu en des tranches de

- 0 à 2000DH
- 2000DH à 5000DH
- 5000DH et plus

9
FSJES-Oujda
On peut toujours ramener ce caractère en qualitatif en posant pour les trois tranches les modalités
- "faible"
- "moyen"
- "élevé"

Définition 9 : On appelle série statistique l'ensemble des différentes données associées aux
individus d'un échantillon ou d'une population.

Exemple 1 : La série suivante résulte d'une enquête auprès de quelques personnes pour connaître
leur âge :

21 25 18 37 26 19 40 35 22 27
23 18 34 41 28 29 31 30 23 29

Exemple 2 : La série suivante détermine la durée de vie dans un échantillon d'ampoules (elle est
exprimée en heures) :

200 210 205 195 170 180 190 206 185 212 196 198
198 199 207 203 205 196 201 189

Une série statistique peut être traitée de plusieurs façons différentes, en général on distingue
- le résumé des données sous forme de tableau,
- la représentation graphique
- le calcul des mesures caractéristiques dans le cas de caractères numériques (une mesure
caractéristique peut être la moyenne, la médiane, …)

3. Présentation des résultats : Tableau-Synthèse

3.1 Cas d’un caractère qualitatif

En distinguant les modalités du caractère observé, chacune d’elles constitue une classe particulière.
En comptant le nombre de données de la série qui se trouve dans la même classe, on constitue ce
qu’on appelle « Effectif ».
Si le caractère a 𝑘 modalités distinctes, les effectifs associés seront respectivement 𝑛1 , 𝑛2 , ⋯ , 𝑛𝑘 . Si
𝑛 est la taille de l’échantillon, on doit avoir
𝑛1 + 𝑛2 + ⋯ + 𝑛𝑘 = 𝑛
Effectifs : représentent les distributions des individus ou des unités statistiques sur les différentes
modalités.
On parle aussi de fréquences des classes :
𝑛𝑖
𝑓𝑖 =
𝑛
Qu’on peut exprimer par des pourcentages (il s’agit d’un formatage), en multipliant les fréquences
par 100

10
FSJES-Oujda
 𝑛1 𝑛2 𝑛𝑘
100 , 100 , ⋯ ,100
𝑛 𝑛 𝑛

Remarque : une fréquence 𝑓𝑖 𝜖 [0,1] se confond à la probabilité qu’un individu appartienne { la

ième classe.

3.2 Cas d’un caractère quantitatif discret

Définition : Un caractère quantitatif est discret si l’ensemble des valeurs qu’il peut prendre est fini
ou dénombrable. Le plus souvent, ces valeurs sont entières.

Remarque : si le caractère a un nombre petit de modalités, on peut former des classes comme dans
le cas du caractère qualitatif.
Par contre si le nombre de modalités est très grand, on traite le cas comme pour le cas du caractère
continu.

Exemple : Le nombre d’enfants par famille dans une région est représenté dans la série suivante :

2 2 3 1 0 4 0 1 3 6 5 1 5 6 4 2 2
5 2 3 4 0 4 3 2 4 3 5 1 3 2 2 3 2

On résume ces données dans le tableau suivant :

Répartition de 34 familles d’une région selon le nombre d’enfants

Effectifs Fréquences Pourcentage

Nombre d’enfants
𝑛𝑖 𝑓𝑖 100𝑓𝑖
0 3 0.09 8.82
1 4 0.12 11.77
2 9 0.26 26.47
3 7 0.20 20.59
4 5 0.15 14.71
5 4 0.12 11.76
6 2 0.06 5.88
Total 34 (= n) 1.00 100.00

3.3 Cas d’un caractère quantitatif continu

Définition : Un caractère quantitatif est dit continu s’il peut prendre théoriquement n’importe
quelle valeur dans un intervalle donné de nombres réels.
Exemple : La taille et le poids d’un individu.

Construire une distribution d’effectifs

 Constituer un certain nombre de classes.
 Toute classe représente un intervalle délimité par ses deux bornes appelés limites de
classes.
11
FSJES-Oujda
  Deux classes ont une intersection vide ; c.{.d. qu’une donnée appartient { une seule classe.
 Les classes sont contiguës et d’égale largeur

Procédé de construction des classes dans le cas continu

Étape 1 : Déterminer l’étendue de la série

Soit 𝑥𝑖 la ième donnée observée.
Posons 𝑒 l’étendu de la série :
𝑒 = max 𝑥𝑖 − min 𝑥𝑖
1≤𝑖≤𝑛 1≤𝑖≤𝑛

Étape 2 : Déterminer le nombre de classes

Déterminer par une règle mathématique, on donne ici la formule de Sturges et on prend la valeur
entière la plus proche de
1 + 3.322 𝑙𝑜𝑔10 (𝑛)
où 𝑛 est le nombre de données dans la série

Par exemple, si 𝑛 = 30, la formule de Sturges donne la valeur de 5.907, l’entier le plus proche est 6 :

Nombre de classes selon la taille n de la série

(formule de Sturges)

Valeur de 𝑛 Nombre de classes

12  𝑛 < 23 5

23  𝑛 < 46 6

46  𝑛 < 91 7

91  𝑛 < 181 8

181  𝑛 < 362 9

362  𝑛 < 724 10

724  𝑛 < 1448 11

Étape 3 : Déterminer l’amplitude des classes

L’amplitude des classes sera définit par
𝑒
𝑐=
𝑘
avec 𝑘 le nombre de classes. Le nombre 𝑐 ne contient pas plus de décimales que les données de la
𝑒
série, pour cela il suffit de tronquer le quotient et d’additionner 1 au dernier chiffre retenu afin de
𝑘
se doter d’une amplitude suffisante pour que toutes les données puissent être contenu dans les
classes.

12
FSJES-Oujda
 𝑒
Exemple 1 : On a calculé le quotient pour cinq séries statistiques, on a eut les résultats suivants :
𝑘
0.8912 ; 4.2310 ; 11.1123 ; 6.3146 ; 7.0000

Si les données de la série contiennent deux chiffres après la virgule, l’amplitude des classes sera :
0.90 ; 4.24 ; 11.12 ; 6.32 ; 7.01

Si les données de la série contiennent seulement un chiffre après la virgule, l’amplitude des classes
sera : 0.9 ; 4.3 ; 11.2 ; 6.4 ; 7.1

Si les données de la série sont entières, alors l’amplitude des classes sera : 1 ; 5 ; 12 ; 7 ; 8

Exemple 2 : La série suivante représente l’ancienneté du personnel cadre d’une entreprise

Ancienneté du personnel cadre en années
9.4 8.4 12.0 16.3 11.9 16.4 9.8 7.0 11.5 12.6
8.3 8.0 9.5 12.1 11.0 14.1 13.1 7.1 12.6 12.1
11.0 12.2 14.0 9.4 10.2 13.4 7.3 14.6 11.1 10.3
11.2 11.0 11.4 15.4 12.5 10.5 10.0 11.9 13.2 15.6
16.3 11.2 11.1 12.8 10.6 10.5 15.0 10.2 13.1 12.0
13.8 10.3 9.8 12.4 11.4 10.4 8.2 9.3 11.6 9.4

𝑛 = 60 ; Max 𝑥𝑖 = 16.4 ; Min 𝑥𝑖 = 7.0 ; l’étendue de la série est e = 9.4.

Le nombre de classes est égal à 7 ; e = 9.4/7 = 1.34 et l’amplitude des classes sera c = 1.4.
k

Étape 4 : Construire les intervalles

On fixe tout d’abord la limite inférieure du 1er intervalle, on peut choisir pour cette limite la plus
petite mesure de la série, ou une autre valeur inférieure mais proche.
En additionnant l’amplitude { cette valeur, on obtient la limite supérieure de la classe.
Pour les autres classes, la limite supérieure coïncide avec la limite inférieure de la classe suivante,
puis on additionne { cette limite l’amplitude pour obtenir la limite supérieure de la nouvelle classe.

Exemple : On revient sur l’exemple 2 de la série qui représente l’ancienneté du personnel cadre
d’une entreprise.
La limite inférieure du 1er intervalle coïncidera la valeur 7.0 qui est la plus petite valeur de la série
et puisque l’amplitude est c = 1.4 ; on aura comme premier intervalle [7.0 ; 8.4[ .
Par convention, pour que toute donnée appartienne à une seule classe, les intervalles ainsi
constitués seront fermés à gauche et ouverts à droite.

Les intervalles qui suivront le 1er intervalle seront les suivants :

[8.4 ; 9.8[ [9.8 ; 11.2[ [11.2 ; 12.6[ [12.6 ; 14[ [14 ; 15.4[ [15.4 ; 16.8[
et on s’arrête { la 7ème classe qui contiendra la plus grande valeur.
En effet il faut s’assurer toujours que toutes les données sont incluses dans l’ensemble des classes.

Étape 5 : Effectif et fréquence des classes

Il suffira ensuite de pointer les données de la série dans l’intervalle approprié, on peut ainsi calculer
au besoin la fréquence ou le pourcentage.
13
FSJES-Oujda
Exemple :
Distribution de 60 cadres selon leur ancienneté
Effectif Fréquence Pourcentage
Ancienneté en année
𝑛𝑖 𝑓𝑖 %
[7.0 ; 8.4[ 6 0.10 10.00
[8.4 ; 9.8[ 6 0.10 10.00
[9.8 ; 11.2[ 16 0.27 26.67
[11.2 ; 12.6[ 15 0.25 25.00
[12.6 ; 14[ 8 0.13 13.33
[14 ; 15.4[ 4 0.07 6.67
[15.4 ; 16.8[ 5 0.08 8.33
Total 60 1.00 100.00

Pour calculer certaines mesures caractéristiques de la distribution, on associe à chaque classe un

centre et un effectif cumulé.
Le centre d’une classe est le point milieu de l’intervalle la constituant, il est donné par :

𝑙𝑖𝑚𝑖𝑡𝑒 𝑖𝑛𝑓é𝑟𝑖𝑒𝑢𝑟𝑒 + 𝑙𝑖𝑚𝑖𝑡𝑒 𝑠𝑢𝑝é𝑟𝑖𝑒𝑢𝑟𝑒

2

L’effectif cumulé d’une classe est la somme de l’effectif de cette classe avec les effectifs des classes
qui l’ont précédé. On note 𝑁𝑖 la fréquence cumulée de la ième classe.
𝑁𝑖 = 𝑛1 + 𝑛2 + ⋯ + 𝑛𝑖
Elle correspond au nombre de données de la série dont la valeur est inférieure à la limite
supérieure de la classe.
Distribution de 60 cadres selon leur ancienneté

Effectif Effectif
Ancienneté en année Centre 𝑚𝑖
𝑛𝑖 cumulé 𝑁𝑖
[7.0 ; 8.4[ 7.7 6 6
[8.4 ; 9.8[ 9.1 6 12
[9.8 ; 11.2[ 10.5 16 28
[11.2 ; 12.6[ 11.9 15 43
[12.6 ; 14[ 13.3 8 51
[14 ; 15.4[ 14.7 4 55
[15.4 ; 16.8[ 16.1 5 60
Total 60

Remarque : Dans certain cas, on a intérêt à construire un ou deux classes plus larges que les autres,
en général la première ou la dernière. Par exemple, dans une enquête on a interrogé les citoyens
d’une ville, la répartition des individus selon les groupes d’âge est la suivante :

14
FSJES-Oujda
 Âge : 𝐴 Effectif
en année 𝑛𝑖
𝐴 < 20 ⋯
20  𝐴 < 30 ⋯

30  𝐴 < 40 ⋯

40  𝐴 < 60 ⋯
60  A ⋯

Exemples à résoudre
Faites l’exercice de résoudre les deux exemples suivants :
Exemple 1 :
Les données suivantes représentent l’âge de 45 personnes choisies au hasard dans un collège :

17 16 17 18 18 17 17 19 17
22 18 17 22 18 38 17 17 21
29 22 18 45 18 17 22 19 44
20 20 17 19 19 17 22 17 17
18 22 21 17 20 18 19 23 18

Construire une distribution d’effectif, de fréquence et de pourcentage.

Solution :
L’âge est un caractère quantitatif continu ; on procède à la construction des classes :
𝑛 = 45 ; Max 𝑥𝑖 = 45 ; Min 𝑥𝑖 = 16 ; l’étendue est la valeur e = 29.
Le nombre de classes est égal à 6 ; e = 29/6 = 4.8 et l’amplitude des classes sera c = 5.
k

La première classe est [16 ; 21[, la dernière est [41 ; 46[.

Distribution de 45 collégiens selon leur âge

Effectif Fréquence Pourcentage
Âge
𝑛𝑖 𝑓𝑖 %
[16 ; 21[ 32 0.71 71.1
[21 ; 26[ 9 0.20 20.1
[26 ; 31[ 1 0.02 2.2
[31 ; 36[ 0 0.00 0
[36 ; 41[ 1 0.02 2.2
[41 ; 46[ 2 0.04 4.5
Total 45 1.00 100

15
FSJES-Oujda
Exemple 2 :
Le salaire horaire (en €) des 42 employés { temps partiel d’un magasin { rayons est
respectivement :
6.80 6.80 7.45 7.60 7.30 6.80 6.30
6.30 6.80 6.30 6.30 7.10 7.30 6.80
5.55 6.00 6.90 7.50 6.40 5.90 6.05
5.75 5.55 5.55 5.55 8.25 6.90 7.00
8.35 5.75 6.70 5.90 6.25 6.50 7.15
5.55 6.25 5.90 8.00 6.60 5.55 7.50

Construire un tableau de fréquence tout en calculant la moyenne de classe, l’effectif cumulé et la

fréquence cumulée.

Solution :

𝑒 = 8.35 – 5.55 = 2.8 : étendu de la série

𝑘 = 6 : nombre de classes
𝑒 2.8
= = 0.466..
𝑘 6
On choisira comme amplitude la valeur 𝑐 = 0.47

Distribution des employés selon le salaire horaire

Moyenne Effectif Effectif Fréquence Fréquence
Salaire
de classe 𝑛𝑖 cumulé 𝑁𝑖 𝑓𝑖 cumulée 𝐹𝑖
[5.55 ; 6.02[ 5.79 12 12 0.29 0.29
[6.02 ; 6.49[ 6.26 8 20 0.19 0.48
[6.49 ; 6.96[ 6.73 10 30 0.24 0.71
[6.96 ; 7.43[ 7.20 5 35 0.12 0.83
[7.43 ; 7.90[ 7.67 4 39 0.10 0.93
[7.90 ; 8.37[ 8.14 3 42 0.07 1.00
Total 42 1.00

4. Représentations graphiques

La représentation des résultats graphiquement c.à.d. par des dessins et tracés géométriques facilite
la description des résultats contenus dans le tableau-synthèse des données.
Il existe plusieurs représentations graphiques d’une même série de données. On peut citer le
diagramme à bandes rectangulaires, l’histogramme, le polygone, l’ogive et le diagramme { secteurs
circulaires.

4.1 Diagramme à bandes rectangulaires

16
FSJES-Oujda
Il est particulièrement adapté { la représentation d’un caractère qualitatif ou quantitatif discret, il
est constitué par la juxtaposition de bandes verticales ou la superposition de bandes horizontales
(le plus souvent pour ce cas là, l'ordre des modalités pour les données nominales est arbitraire).
Exemple1 : dans le but de connaître les tendances du marché de la voiture citadine, un sondage a
été effectué auprès d’un certain nombre de concessionnaires. Les résultats sont groupés dans le
tableau suivant selon que la voiture est de marque d’origine européenne, asiatique ou américaine :

Effectif Fréquences
Marque d’origine
𝑛𝑖 𝑓𝑖
Européenne 20 0.33
Asiatique 24 0.39
Américaine 17 0.28
Total 61 1

Le caractère observé n’a pas de modalités qu’on peut ordonner, on choisira pour le graphe un
diagramme à bandes rectangulaires horizontales.

Exemple2 : On veut connaître le nombre de voitures par foyer américain, on choisit pour cela au
hasard 72 foyers représentant la population d’un état américain. Les résultats sont regroupés dans
le tableau suivant :

Nombre de voitures Nombre de foyers 𝑛𝑖

0 02
1 19
2 25
3 16
4 07
5 03
Total 72

Les modalités du caractère étudié sont ordonnées, on choisit le diagramme à bandes rectangulaires
verticales.

17
FSJES-Oujda
4.2 Diagramme à secteurs circulaires

Ce type de graphique est utilisé le plus souvent dans le cas du caractère qualitatif. On divise un
cercle en autant de secteurs circulaires qu’il y’a de classes. Pour déterminer l’angle de chaque
secteur on multiplie la fréquence de la classe par 360° .
Reprenons l’exemple 1 :

Effectif Fréquences Angle au centre

Marque d’origine Pourcentages
𝑛𝑖 𝑓𝑖 du secteur
Européenne 20 0.33 33% 118.03°
Asiatique 24 0.39 39% 141.64°
Américaine 17 0.28 28% 100.33°
Total 61 1.00 100% 360.00°

Remarque : le diagramme { secteurs circulaire convient bien au cas de l’exemple 2 où le caractère

est quantitatif discret.

18
FSJES-Oujda
4.3 Histogramme

Il convient particulièrement pour présenter un caractère quantitatif continu, il est constitué par la
juxtaposition de bandes rectangulaires verticales, mais adjacentes. De plus, chaque rectangle doit
présenter une largeur équivalente { l’amplitude de la classe qu’il représente, et une hauteur telle
que sa surface soit proportionnelle { l’effectif.
Exemple1 : on reprend le tableau–synthèse de la distribution de l’ancienneté de 60 cadres d’une
société

Distribution des cadres selon leur ancienneté

18
16
15
Nombre de cadres

16
14
12
10
8
8
6 6
6 5
4
4
2
0
7,7 9,1 10,5 11,9 13,3 14,7 16,1

Ancienneté

Dans cet exemple, puisque l’amplitude des classes est uniforme c.à.d. la même, la hauteur des
rectangles coïncide avec l’effectif de la classe correspondante.
Dans d’autres exemples, si une classe (le plus souvent la 1ère ou la dernière) a une amplitude
différente de celles des autres classes, alors on doit ajuster la hauteur de cette classe tel que la
surface du rectangle lui correspondant soit proportionnelle { l’effectif.

Exemple2 : Les notes obtenues par un groupe d’étudiants { un examen d’informatique sont
répartis comme suit :
Nombre d’étudiants
Note sur 20
𝑛𝑖
[00 ; 10[ 135
[10 ; 12[ 43
[12 ; 14[ 16
[14 ; 16[ 13
[16 ; 20[ 09
Total 216

La 1ère et la 5ème classe sont d’amplitudes respectivement 10 et 4, tandis que les autres classes ont
une amplitude standard égale à 2.

19
FSJES-Oujda
Pour la 1ère classe, on doit déterminer la hauteur h1 du rectangle de surface 𝑕1 ∗ 10 , cette surface
correspondra au rectangle de largeur 2 et de hauteur 135 c.{.d. qu’on doit vérifier :
𝑕1 ∗ 10 = 270, ce qui revient à la valeur : 𝑕1 = 27.
(270 est la surface du rectangle de la 1ère classe qui est calculée en supposant le rectangle est de
hauteur 135 et de largeur standard 2)
Pour la 5ème classe, la hauteur h2 du rectangle lui correspondant vérifie h2 * 4 = 18, c.à.d. que h2 =
4.5.
Si on trace l’histogramme des effectifs on obtient le graphe suivant :

Distribution des étudiants selon la note en informatique

50
45 43

40
Effectif des étudiants

35
30 27
25
20 16
15 13

10
4,5
5
0

Note en informatique

4.4 Polygone

Pour dessiner ce graphe, on place tout d’abord les centres des classes sur l’axe des abscisses et pour
chaque centre on place à hauteur verticale un autre point avec une distance correspondant à
l’effectif de la classe considérée. On relie les différents points obtenus par des segments de droite.
Par définition, un polygone est une figure fermée délimitée par des segments.
Pour terminer le graphe, on ferme le polygone en ajoutant deux segments à chaque extrémité, les
points qu’on ajoutera seront sur l’axe des abscisses { une hauteur égal { zéro.

20
FSJES-Oujda
Exemple :
Distribution des cadres selon leur ancienneté

18

16

14

Nombre de cadres
12

10

0
6,3 7,7 9,1 10,5 11,9 13,3 14,7 16,1 17,5

Ancienneté

Remarque : Dans les exemples précédents, au lieu de tracer les effectifs sur l’axe vertical, on peut
tracer les fréquences ou les pourcentages, sans que l’allure du graphe change.

4.5 L’ogive

Ce graphe sera utilisé pour tracer les effectifs cumulés, on place tout d’abord les points
correspondants aux limites des classes sur l’axe des abscisses, et pour chaque classe on place un
point au dessus de la limite supérieure de la classe { hauteur l’effectif cumulé de celle-ci. Puis on
relie les points par des segments de droite. On ajoutera un point sur l’axe des abscisses distant de la
première limite de classe par l’amplitude standard des classes puis on relie ce point au graphe.

Remarque : on suppose qu’{ l’intérieure d’une classe la distribution est uniforme, ce qui nous
permet de justifier l’interpolation entre les deux bornes de la même classe par un segment linéaire.
Exemple :
Distribution de 60 cadres selon leur ancienneté
Effectif Effectif
Ancienneté en année Centre 𝑚𝑖
𝑛𝑖 cumulé 𝑁𝑖
[7.0 ; 8.4[ 7.7 6 6
[8.4 ; 9.8[ 9.1 6 12
[9.8 ; 11.2[ 10.5 16 28
[11.2 ; 12.6[ 11.9 15 43
[12.6 ; 14[ 13.3 8 51
[14 ; 15.4[ 14.7 4 55
[15.4 ; 16.8[ 16.1 5 60
Total 60

Dans cet exemple, on doit tracer les points de coordonnés suivants :

(8.4 ; 6) ; (9.8 ; 12) ; (11.2 ; 28) ; (12.6 ; 43) ; (14 ; 51) ; (15.4 ; 55) ; (16.8 ; 60) puis on complète par
un dernier point (7 ; 0). On relie ensuite par des segments de droite.

21
FSJES-Oujda
5. Calcul des mesures caractéristiques

Pour les variables quantitatives. les synthèses telles que les tableaux des effectifs, histogrammes,
etc. ne sont pas suffisantes pour connaître la population ou l’échantillon. On doit apporter d’autres
informations pour comprendre comment les données se comportent.

Il est très difficile d’appréhender (comprendre) l’ensemble des informations de la population ou de

l’échantillon même si elles sont synthétisées.

 Recourir à (faire appel à) des mesures unidimensionnelles pour décrire la population ou

l’échantillon. Ces mesures numériques permettent entre autre la comparaison de populations ou
d’échantillons ; et surtout la description des valeurs observées.

On distingue cinq types de mesures caractéristiques de la série des données :

 Les mesures de tendance centrale sont des valeurs autour desquelles se regroupent les
différentes valeurs de la série
 Les mesures de dispersion informent sur la variabilité des résultats
 Les mesures de position renseignent sur la situation d'un résultat par rapport à l'ensemble de
la distribution
 Les mesures de forme permettent de reconnaitre la forme de la distribution de la variable
étudiée et de la comparer à la distribution dite normale
 Les mesures de concentration s’intéressent au caractère dont une accumulation a une
signification particulière (exemple accumulation des richesses)

5.1 Mesures de tendance centrale

5.1.1 Le mode

C’est la valeur la plus fréquente (qui se répète le plus souvent), on parle aussi de classe modale,
c’est la classe qui correspond au maximum de l’effectif ou de fréquence.
On notera le mode par 𝑴𝒐.
22
FSJES-Oujda
Exemple1 : soit les trois séries suivantes Série 1 1 3 0 3 2
Série 2 7 6 5 6 4 5 3
Série 3 42 35 18 33 21 23 25

Le mode de la série 1 est 3, ceux de la série 2 sont 6 et 5 tandis que la série 3 n'a pas de mode.
Dans le cas de la classe modale on prendra comme valeur du mode le centre de la classe.

Exemple2 : Dans l’exemple de la distribution de 60 cadres selon leur ancienneté, la classe modale
est
[9.8 ; 11.2[ d’effectif maximal égal { 16.
On prend comme valeur modale le centre de classe, c.à.d. la valeur 𝑀𝑜 = 10.5
On dira que l’ancienneté la plus fréquente dans la société est dix ans et demi

Le mode est défini même pour les caractères qualitatifs.

Exemple3 : Soit la série représentant le caractère sexe d’un groupe de 20 étudiants,
F M F M M F M M M F F M M F M M M F M M
Le mode de cette série est masculin

5.1.2 La médiane

a. Cas de données quantitatives non groupées en classes

On va la noter 𝑴𝒆. C’est la valeur qui partage la série d'observations ordonnées en deux parties de
tailles égales.
D’une autre façon, si on place les données sur un axe horizontal en respectant l’ordre croissant ou
décroissant des données, alors la médiane se trouvera à mi chemin entre la 1ère moitié des données
à gauche et la 2ème moitié des données à droite
Le rang de la médiane se détermine de la manière suivante :
𝑛 +1
 Si 𝑛 le nombre d'observations est impaire alors le rang de la médiane sera
2

Exemple1 : soit la série des données suivantes :

1 2 4 3 2 5 2 3 1
La même série sera ordonnée dans le sens croissant :
1 1 2 2 2 3 3 4 5
Ici n=9 impair, donc la médiane est de rang
9+1
=5
2
et ça coïncide avec la valeur 2, d’où
𝑀𝑒 = 2

23
FSJES-Oujda
 Dans le cas où 𝑛 est pair, le rang de la médiane se situe entre les observations de rang
𝑛 𝑛
et + 1
2 2
On en prend généralement la valeur intermédiaire (le milieu) comme valeur médiane

Exemple2 : soit la série des données suivantes :

3 4 2 0 1 2 2 3 5 4
La même série sera ordonnée dans le sens croissant :
0 1 2 2 2 3 3 4 4 5
Ici 𝑛 = 10 pair, donc la médiane est la valeur entre les deux données de rangs
10 10
= 5 𝑒𝑡 +1=6
2 2
d’où la médiane est entre les deux valeurs 2 et 3, on prend le milieu entre les deux valeurs c.{.d. on
prend
2+3
𝑀𝑒 = = 2.5
2

b. Cas où les données sont groupées en classes

Si les données proviennent d’un caractère quantitatif continu et si elles sont groupées en classes, on
doit en premier définir la classe médiane :
 il s’agit de la classe qui contient l’observation de rang (n+1)/2, c’est-à-dire la première
classe dont la fréquence cumulée égale ou dépasse 50%
On donne les deux formules qui approche la valeur médiane, l’une utilisera les effectifs et l’autre les
fréquences.
Si on utilise les effectifs, on peut approcher la valeur de la médiane par la formule suivante :
𝑛
− 𝑁𝑖−1
𝑀𝑒 ≅ 𝑏𝑖𝑛𝑓 + 2 ∗ 𝑐
𝑛𝑖

où : 𝑛 est le nombre d’observations (taille de la série).

𝑏𝑖𝑛𝑓 est la limite inférieure de la classe médiane.

𝑛𝑖 est l’effectif de la classe médiane.

𝑁𝑖−1 est l’effectif cumulé de la classe précédente la classe médiane.
𝑐 est l’amplitude de la classe médiane.

Si on utilise les fréquences la formule devient

1
− 𝐹𝑖−1
𝑀𝑒 ≅ 𝑏𝑖𝑛𝑓 + 2 ∗ 𝑐
𝑓𝑖

𝑏𝑖𝑛𝑓 est la limite inférieure de la classe médiane

𝑓𝑖 est la fréquence de la classe médiane

24
FSJES-Oujda
 𝐹𝑖−1 est la fréquence cumulée de la classe précédente la classe médiane
𝑐 est l’amplitude de la classe médiane.

Exemple : Reprenons l’exemple de la distribution de l’ancienneté de 60 cadres d’une société

Effectif Effectif
Ancienneté en année
𝑛𝑖 cumulé 𝑁𝑖
[7.0 ; 8.4[ 6 6
[8.4 ; 9.8[ 6 12
[9.8 ; 11.2[ 16 28
[11.2 ; 12.6[ 15 43
[12.6 ; 14[ 8 51
[14 ; 15.4[ 4 55
[15.4 ; 16.8[ 5 60
Total 60
Calculons
𝑛+1
= 30.5
2
La médiane se situe dans la 4ème classe, c ‘est la classe médiane. Elle contient aussi toutes les
données (ordonnées dans le sens croissant) dont le rang est compris entre 29 et 43.
Pour le calcul de la médiane, on a les données suivantes :
𝑛 = 60 ; 𝑏𝑖𝑛𝑓 = 11.2 ; 𝑛𝑖 = 15; 𝑁𝑖−1 = 28; 𝑐 = 1.4

Ainsi, on obtient :
30 − 28
𝑀𝑒 ≅ 11.2 + ∗ 1.4 = 11.387
15

Conclusion : on peut affirmer que 50% des cadres de la société ont une ancienneté inférieure à
11.39 années et que les 50% qui restent ont une ancienneté de plus de 11.39 années.
Si on veut utiliser la colonne des fréquences
Fréquence Fréquence
Ancienneté en année
𝑓𝑖 cumulée 𝐹𝑖
[7.0 ; 8.4[ 0.10 0.10
[8.4 ; 9.8[ 0.10 0.20
[9.8 ; 11.2[ 0.27 0.47
[11.2 ; 12.6[ 0.25 0.72
[12.6 ; 14[ 0.13 0.85
[14 ; 15.4[ 0.07 0.92
[15.4 ; 16.8[ 0.08 1.00
Total 1

On cherchera la classe qui correspond à un accumulation de plus de 0.5=50% des données

On fait le calcul : 𝑏𝑖𝑛𝑓 = 11.2 ; 𝑓𝑖 = 0.25 ; 𝐹𝑖−1 = 0.47 ; 𝑐 = 1.4

0.5 − 0.47
𝑀𝑒 ≅ 11.2 + ∗ 1.4 = 11.387
0.25

25
FSJES-Oujda
Remarque : on peut schématiser la médiane sur un graphe de type histogramme ou ogive.

Chercher la médiane à partir d’un histogramme

Médiane
Surface = Surface

Chercher la médiane à partir d’une répartition (ogive)

100 %

50 %

Médiane

5.1.3 La moyenne arithmétique

26
FSJES-Oujda
On va la noter 𝝁 pour la moyenne d’une population et 𝒙 ou 𝒙𝒏 pour la moyenne d’un échantillon (en
anglais, mean ou average). C'est la somme des valeurs observées divisée par le nombre
d'observations.
Elle représente le centre de gravité de l’ensemble des points représentés par les valeurs de la série,
c.{.d. le point d’équilibre de toutes les données de la série en positionnant les valeurs sur une
échelle graduée.
Dans le cas où toutes les données de la population sont fournies, la moyenne sera calculée sur les 𝑁
valeurs observées :
𝑁
1
𝜇= 𝑥𝑖
𝑁
𝑖=1

avec 𝑥𝑖 la ième valeur observée dans la série des données.

Si le paramètre 𝜇 (mu) est inconnu, le substitue par la moyenne 𝑥𝑛 calculée sur les 𝑛 données de
l’échantillon.
Exemple : reprenons l’exemple du nombre de voitures par foyer américain

1 2 2 1 3 0 1 4 2 1 1 2 3 2 2 5 4 3 2 1 2 2 3 2
1 1 2 3 4 2 1 2 2 3 2 1 2 3 4 3 3 5 2 2 3 1 1 2
2 1 1 3 1 1 2 2 3 4 2 3 1 3 4 2 1 1 3 4 0 5 2 3

On calcule la moyenne sur cet échantillon, on obtient :

1 + 2 + 2 + 1 + 3 + ⋯ + 3 160
𝑥𝑛 = = = 2.222
72 72
Ce calcul long peut être allégé en utilisant le tableau-synthèse déjà construit. Posons pour cela
𝑥1∗ , ⋯ , 𝑥𝑘∗ les 𝑘 valeurs distinctes des modalités de la série des données, on peut réécrire la
moyenne 𝑥𝑛 :
𝑘 𝑘 𝑘
1 𝑛𝑖 ∗
𝑥𝑛 = 𝑛𝑖 𝑥𝑖∗ = 𝑥 = 𝑓𝑖 𝑥𝑖∗
𝑛 𝑛 𝑖
𝑖=1 𝑖=1 𝑖=1

où 𝑛𝑖 et 𝑓𝑖 sont respectivement l’effectif et la fréquence de la modalité 𝑥𝑖∗

Reprenons l’exemple précédent, on utilisera le tableau-synthèse :

Distribution des foyers américains selon

le nombre de voitures possédées

Nombre de Nombre de Fréquences

𝑓𝑖 𝑥𝑖
voitures 𝑥𝑖∗ foyers 𝑛𝑖 𝑓𝑖
0 02 0.028 0
1 19 0.264 0.264
2 25 0.347 0.694
3 16 0.222 0.667
4 07 0.097 0.389
5 03 0.042 0.208
Total 𝑛 = 72 1.000 𝑥𝑛 = 2.222
La moyenne est : 2.22

27
FSJES-Oujda
 𝑘

𝑥𝑛 = 𝑓𝑖 𝑥𝑖∗ = 0 ∗ 0.028 + 1 ∗ 0.264 + 2 ∗ 0.347 + ⋯ + 5 ∗ 0.042 = 2.222

𝑖=1

 Cas où les données sont groupées en classes

Les données considérées ici proviennent d’un caractère quantitatif continu.
On calcule approximativement la valeur de la moyenne en utilisant les centres des classes :
𝑘 𝑘
1
𝑥𝑛 ≅ 𝑛𝑖 𝑚𝑖 = 𝑓𝑖 𝑚𝑖 ,
𝑛
𝑖=1 𝑖=1
avec
𝑘 est le nombre de classes
𝑚𝑖 est le centre de la ième classe

Exemple :
Distribution de 60 cadres selon leur ancienneté
Ancienneté en année Centre 𝑚𝑖 Effectif 𝑛𝑖 𝑛𝑖 𝑚𝑖
[7.0 ; 8.4[ 7.7 6 46.2
[8.4 ; 9.8[ 9.1 6 54.6
[9.8 ; 11.2[ 10.5 16 168.0
[11.2 ; 12.6[ 11.9 15 178.5
[12.6 ; 14[ 13.3 8 106.4
[14 ; 15.4[ 14.7 4 58.8
[15.4 ; 16.8[ 16.1 5 80.5
Total 60 693.0
D’où
693
𝜇= = 11.55
60
Remarque : les valeurs extrêmes ne modifient pas la médiane. La moyenne arithmétique par
contre y est sensible, on dit qu'elle n'est pas robuste.

5.1.4 Moyenne pondérée

Dans beaucoup de cas, on est amené à pondérer les valeurs en les multipliant par des coefficients de
pondération (des poids), le but est de dire que les données recueillis n’ont pas la même importance.
Si on attribue à la ième donnée 𝑥𝑖 un poids 𝑝𝑖 , on peut définir la moyenne pondérée par
𝑛
𝑖=1 𝑝𝑖 𝑥𝑖
𝑥𝑝 = 𝑛
𝑖=1 𝑝𝑖

Dans le cas où on accorde la même importance pour toutes les données de la série, c.à.d. que 𝑝𝑖 = 𝑝
pour tout 𝑖, alors la formule de la moyenne pondérée 𝑥𝑝 coïncidera avec la moyenne arithmétique
𝑥:
𝑛 𝑛
𝑖=1 𝑝𝑖 𝑥𝑖 𝑖=1 𝑝 𝑥𝑖 𝑝 𝑛𝑖=1 𝑥𝑖
𝑥𝑝 = 𝑛 = 𝑛 = =𝑥
𝑖=1 𝑝𝑖 𝑖=1 𝑝 𝑛𝑝

28
FSJES-Oujda
Exemple1 : Dans un groupe d’étudiants, on a calculé la moyenne de groupe des 3 matières
examinées, le système de coefficients différencie chaque matière par le coefficient qui lui
correspond, on voudrait calculer la moyenne générale de groupe.

Coefficient Moyenne de
Matière 𝑝𝑖 𝑥𝑖
𝑝𝑖 groupe 𝑥𝑖
1 1 11.3 11.3
2 2 9.5 19
3 1.5 12.7 19.05
Total 4.5 49.35

𝑥𝑝 = 49.35 4.5 = 10.97

Exemple2 : Dans une usine, on fabrique des pièces simultanément par 5 machines différentes,
placées parallèlement, on veut connaître le pourcentage des pièces défectueuses résultant de cette
production. On a trouvé les résultats suivants :
Distribution des pièces défectueuses sur 5 machines
Taille de Pourcentage des
Machine
l’échantillon pièces défectueuses
1 60 5.0
2 70 4.5
3 50 7
4 100 2
5 160 1

Le calcul direct de la moyenne arithmétique du pourcentage ne prend pas en compte l’importance

de chaque échantillon prélevé
5 + 4.5 + 7 + 2 + 1
𝑥= = 3.9
5
Cette valeur ne sera considérée que si on a pris la même taille de l’échantillon pour chaque
machine.
On doit inclure le poids de chaque échantillon, le poids est présenté ici par la taille de l’échantillon :

5 ∗ 60 + 4.5 ∗ 70 + 7 ∗ 50 + 2 ∗ 100 + 1 ∗ 160 1325

𝑥𝑃 = = = 3.01.
60 + 70 + 50 + 100 + 160 440
On utilise souvent ce procédé de calcul dans les enquêtes et sondages.

Exemple3 : Dans un sondage fait sur une population d’une ville, on a divisé la superficie de celle-ci
en 5 secteurs ou strates. On a pris au hasard dans chaque secteur un certain nombre de familles
pour enfin observer le nombre d’enfants par familles. Le choix de la taille de chaque échantillon
n’est pas fait au hasard mais déterminé auparavant en respectant la représentativité de chaque
secteur dans l’ensemble de la population de la ville

29
FSJES-Oujda
 Secteur2
Secteur1
N2=5000
N1=4000
n2
n1 Secteur4

Secteur5 N4=8000
Secteur3
N5=10000 n4
N3=6500
n5
n3

La taille totale de la population ciblée est 𝑁 = 𝑁1 + 𝑁2 + 𝑁3 + 𝑁4 + 𝑁5 = 33500

Si on choisit la taille de l’échantillon global 𝑛 = 100, il faudra déterminer les tailles 𝑛1 , 𝑛2 , 𝑛3 , 𝑛4 , et
𝑛5 des 5 échantillons qui seront prélevé des 5 secteurs et qui satisferont la relation suivante :
𝑛1 + 𝑛2 + 𝑛3 + 𝑛4 + 𝑛5 = 𝑛
Pour préserver cette représentativité de l’échantillon sectoriel par rapport { l’ensemble des
données des 5 échantillons, on respecte le rapport de la division par secteur choisit au départ, et on
aura :
𝑁𝑖 𝑛𝑖
= , 𝑖 = 1,2,3,4,5.
𝑁 𝑛
Ce qui nous permet de calculer les tailles des 5 échantillons par la formule :
𝑁𝑖
𝑛𝑖 = 𝑛 ∗
𝑁

Les résultats sont les suivants :

Secteur Nombre de familles Moyenne du nombre

𝑖 prélevées 𝑛𝑖 d’enfants 𝑥𝑖
1 12 1.5
2 15 3.4
3 19 3.0
4 24 2.7
5 30 2.4
𝑥𝑖 est la moyenne calculée sur le ième échantillon, dans cet exemple le poids de chaque échantillon
est sa taille. On a :
5
𝑖=1 𝑛𝑖 𝑥𝑖
𝑥𝑝 = 5
𝑖=1 𝑛𝑖
Si on fait le calcul, on trouvera la valeur
30
FSJES-Oujda
 262.8
𝑥𝑝 = = 2.63
100

5.1.5 Autres moyennes

 La moyenne harmonique
Notée 𝑯, elle est l’inverse de la moyenne des inverses des données 𝑥𝑖 , c.à.d.
𝑛
1 1 𝑛
𝐻=1 =
𝑛 𝑥𝑖 1 1 1
𝑖=1 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛
Les valeurs 𝑥𝑖 sont supposées non nulles.
Si les données sont regroupées en classes, alors on peut écrire :
𝑘
1 𝑛𝑖
𝐻=1
𝑛 𝑥𝑖∗
𝑖=1
𝑘 est le nombre de classes.
Dans le cas d’un caractère continu, la valeur 𝑥𝑖∗ sera la moyenne de la ième la classe (𝑥𝑖∗ = 𝑚𝑖 ).
La moyenne harmonique est utilisée dans le calcul des durées ou des vitesses moyennes comme
elle est utilisée dans l’évaluation des taux ou des pourcentages moyens.
Exemple : Si on parcourt sur autoroute la moitié de la distance entre Oujda et Rabat avec une
vitesse de 120km/h et l’autre moitié avec une vitesse de 80km/h alors la vitesse moyenne avec
laquelle on parcourt le trajet Oujda-Rabat est :
2
= 2 ∗ 48 = 96𝑘𝑚/𝑕
1 1
+
120 80
 La moyenne géométrique
Notée 𝑮, elle est la racine nième du produit des valeurs 𝑥𝑖 qui sont supposées positives :
𝑛
𝑛 1
𝐺= 𝑥𝑖 = 𝑥1 𝑥2 ⋯ 𝑥𝑛 𝑛
𝑖=1

Dans le cas de données groupées en classes, la formule de 𝐺 devient :

𝑘
𝑛 1
𝑛𝑖
𝐺= 𝑥𝑖∗ = 𝑥1∗ 𝑛1
𝑥2∗ 𝑛2
⋯ 𝑥𝑘∗ 𝑛𝑘 𝑛

𝑖=1
𝑘

on doit s′ assurer que 𝑛 = 𝑛𝑖 .

𝑖=1
Cette moyenne est préconisée dans l’évaluation du changement des prix ou des salaires (taux
d’accroissement), elle a l’avantage d’être moins sensible aux valeurs très élevées d’une série de
données.
On remarquera que le logarithme de 𝐺 n’est autre que la moyenne arithmétique des données
log( 𝑥𝑖 ), 𝑖 = 1, … , 𝑛.
𝑛
1
𝑙𝑜𝑔 𝐺 = 𝑙𝑜𝑔( 𝑥𝑖 )
𝑛
𝑖=1

 La moyenne quadratique

31
FSJES-Oujda
Notée 𝑸, elle est définit comme la racine carrée de la moyenne arithmétique des carrés des valeurs
𝑥𝑖 :
𝑛
1 1 2
𝑄= 𝑥𝑖2 = 𝑥 + 𝑥22 + ⋯ + 𝑥𝑛2
𝑛 𝑛 1
𝑖=1

Dans le cas de données groupées en classes, on aura :

𝑘
1
𝑄= 𝑛𝑖 𝑥𝑖∗ 2
𝑛
𝑖=1

Cette moyenne est utilisée dans le calcul de certaines mesures de dispersion.

Remarque : on peut montrer que les quatre moyennes définis ci-dessus vérifient la relation
suivante :
𝐻≤𝐺≤𝑥≤𝑄
Contrainte oblige dans le calcul de 𝐻 et de 𝐺, on supposera que toutes les données sont positives
non nulles.

5.1.6 Choix de la mesure de tendance centrale

La plus importante et la plus utilisée des mesures de tendance centrale est la moyenne, qui peut
représenter fort bien le nuage des données dessinées sur une échelle graduée (ce nuage est
constitué par les données se rapprochant d’elle même plus au moins).
Néanmoins, dans certain cas où des données extrêmes de la série se situent { l’extérieur de ce
nuage et qui par leurs éloignements considérables du nuage affecte la mesure de la moyenne en ne
reflétant pas la réalité des données.

𝐺(𝑥 , 𝑦)
𝑦

𝑥 𝑥

Exemple : Dans une petite entreprise de 10 personnes, on a 8 ouvriers, un gestionnaire comptable

et un directeur, les salaires sont les suivants (exprimées en DH) :
2400 2400 2800 2400 2600 2800 2800 2600 3200 14000
La moyenne de cette série est :
38000
𝑥= = 3800
10
Tous les salaires, sauf un, sont inférieurs à cette moyenne.
Dans cet exemple, on ne peut pas se fier { cette moyenne, mais on peut utiliser d’autres mesures de
tendance centrale comme la médiane :

32
FSJES-Oujda
Le nombre d’observation 𝑛 = 10 est pair, on prend la médiane comme la moyenne de la 5ème et la
6ème valeurs des données ordonnées par ordre croissant :
2400 2400 2400 2600 2600 2800 2800 2800 3200 14000

2600 + 2800
𝑀𝑒 = = 2700
2
Cette valeur représente mieux la réalité des salaires dans cette petite entreprise.
Dans d’autres cas, on trouve que la 1ère ou la dernière classe n’est pas bornée, le centre de classe
n’existe pas et ne sera pas utilisé dans la formule du calcul de la moyenne, dans ce cas on utilise la
médiane ou le mode.

Exemple : La distribution suivante représente la répartition du salaire hebdomadaire d’un groupe

d’individus.
Salaire hebdomadaire Effectif Effectif cumulé
𝑆 (en DH) 𝑛𝑖 𝑁𝑖
S < 500 52 52
500 ≤ S < 1000 29 81
1000 ≤ S < 1500 33 114
1500 ≤ S < 2000 39 153
2000 ≤ S < 2500 30 183
2500 ≤ S < 3750 19 202
3750 ≤ S 11 213
Total 213

La dernière classe n’a pas de limite supérieure, il est impossible de calculer la moyenne, mais on peut
procéder au calcul de la médiane :

𝑛 est impair, 𝑛 2 = 213 2 = 106.5 ; la médiane se situe dans la 3ème classe et on a :

𝑛
2−𝑁2
𝑀𝑒 ≅ 1000 + ∗ 𝑐, 𝑁2 = 81, 𝑛3 = 33 et 𝑐 = 500, ce qui donne
𝑛3

106.5 − 81
𝑀𝑒 ≅ 1000 + ∗ 500 = 1386.36 𝐷𝐻
33
On va conclure que 50% des salariés ont des salaires hebdomadaires inférieurs ou égaux à
1386.36DH.
Pour le mode, il ne constitue pas le premier choix pour le calcul de la mesure de la tendance
centrale, puisqu’il est peu stable dans certains cas où on peut changer une seule donnée pour
passer d’une classe modale { une autre. Mais en général le mode se situe proche de la moyenne et
on est intéressé par connaître la valeur dominante dans la série des données.
Exemple1 : Soit la série suivante : 4, 4, 3, 0, 1, 2, 5, 3, 3, 2, 0, 1, 5.
Le mode est égale { 3, mais une modification d’une seule donnée peut basculer le mode pour
prendre une autre valeur.
Exemple2 : Dans une enquête, on a recensé le nombre d’individus inscris dans un club sportif par
tranche d’âge

33
FSJES-Oujda
 Tranche d’âge Effectif 𝑛𝑖
𝑎𝑖 , 𝑏𝑖 𝑛𝑖 𝑏𝑖 − 𝑎𝑖
[15 ; 20[ 11 2.2
[20 ; 30[ 23 2.3
[30 ; 40[ 24 2.4
[40 ; 55[ 17 1.1
[55 ; 65[ 05 0.5
Total 80
La classe modale de cette série est [30 ; 40[ et le mode sera choisi comme le centre de cette classe,
c.à.d. 𝑀𝑜 = 35 𝑎𝑛𝑠.
Dans le tableau de distribution de cette série, on remarquera que si on fait basculer une seule
donnée de l’intervalle [30 ; 40[ vers l’intervalle [20 ; 30[, la classe modale changera et deviendra
[20 ; 30[. Ainsi le mode passera de 35 𝑎𝑛𝑠 à 25 𝑎𝑛𝑠.

5.2 Mesures de dispersion

Les paramètres de tendance centrale ne peuvent pas toujours résumer la série des données. Par
exemple, dans une classe d’étudiants, on aura la même moyenne si tous les étudiants avait dans le
premier contrôle 10 sur 20, et dans le deuxième contrôle 5 sur 20 pour 50% d’étudiants et 15 sur
20 pour les 50% qui restent. Dans les deux contrôles, on a l’impression que le résultat est le même
puisque la moyenne des notes est la même, mais on remarquera que la dispersion des notes autour
de la moyenne diffère entre les deux contrôles.
Une mesure de dispersion permet d’étudier la dispersion des observations, son objectif est de
trouver un indicateur de cette dispersion. Il faut noter qu’un indicateur de dispersion est toujours
supérieur ou égal { 0. On dira qu’il n’y a pas de variabilité dans les observations si cette dispersion
est égale à 0.
Si on résume les données 𝑥𝑖 par leur moyenne 𝑥𝑛 . La moyenne serait la valeur qui représentera
toutes les 𝑛 données 𝑥𝑖 , ainsi on commet 𝑛 erreurs 𝑥𝑖 − 𝑥𝑛

𝑥1 𝑛 𝑥1 − 𝑥𝑛
𝑥2 1 𝑥2 − 𝑥𝑛
⋮ → 𝑥𝑛 = 𝑛 𝑥𝑖 →
⋮
𝑥𝑛 𝑖=1
𝑥𝑛 − 𝑥𝑛

On doit de même résumer les 𝑛 erreurs, on peut proposer

𝑛
1
𝑥𝑖 − 𝑥𝑛
𝑛
𝑖=1
Ou peut être
1
𝑛 𝑝
1 𝑝
𝑥𝑖 − 𝑥𝑛
𝑛
𝑖=1
En particulier si 𝑝 = 2, cette mesure sera appelée l’écart-type.

5.2.1 L’étendue

34
FSJES-Oujda
C’est la 1ère mesure de la variabilité des données, elle ne reflète pas la réalité des données
puisqu’elle est la différence de deux valeurs, la plus petite et la plus grande, qui peuvent coïncider
avec des valeurs extrêmes.
Exemple : le résultat d’un examen d’un petit groupe d’étudiants est le suivant :
11, 11, 10, 10, 10, 11, 01, 10, 17,

L’étendue est égale à : 𝑒 = 17 − 1 = 16.

Tandis que presque toutes les données sont entre 10 et 11, on a l’impression qu’il y a une grande
variabilité entre les données puisque 𝑒 = 16.

5.2.2 La variance

Elle évalue la distance entre la moyenne et toutes les données. Dans le cas où les données de toute
la population seraient connues, on définit la variance qu’on note en général par 𝜎 2 (sigma au
carré) :
𝑁
1
𝜎2 = 𝑥𝑖 − 𝜇 2
𝑁
𝑖=1
1 𝑁
avec 𝜇 = 𝑁 𝑖=1 𝑥𝑖 la moyenne de toute la population.

Pour le calcul on retiendra la formule suivante :

𝑁
1
2
𝜎 = 𝑥𝑖2 − 𝜇2
𝑁
𝑖=1

La variance est toujours positive puisque c’est la somme de carrés. Dans le cas où on n’aurait pas
toutes les données, sauf celles d’un échantillon, on calcule la variance (qu’on notera 𝑠 2 ou 𝑠𝑛2 ) sur
l’échantillon en remplaçant dans la formule de 𝜎 2 , 𝜇 par 𝑥 et 𝑁 par 𝑛.

Exemple :
Distribution des foyers américains selon le nombre de voitures possédées
Nombre de 2 Nombre de 2
∗ 𝑥𝑖∗ 𝑛𝑖 𝑥𝑖∗ 𝑛𝑖 𝑥𝑖∗
voitures 𝑥𝑖 foyers 𝑛𝑖
0 0 2 0 0
1 1 19 19 19
2 4 25 50 100
3 9 16 48 144
4 16 7 28 112
5 25 3 15 75
Total n = 72 160 450

Les données sont regroupées en classes, on a :

𝑛 𝑘 𝑘 2
1 1 2 𝑖=1𝑛𝑖 𝑥𝑖∗
2
𝑠 = 𝑥𝑖2 2
−𝑥 = 𝑛𝑖 𝑥𝑖∗ −
𝑛 𝑛 𝑛
𝑖=1 𝑖=1

Si on fait le calcul, on aura la variance égal à :

35
FSJES-Oujda
 2
450 160
𝑠2 = − = 1.312
72 72

Cas des données groupées en classes : (cas d’un caractère continu)

On représente chaque classe par son centre et on définit une approximation de 𝜎 2 :

𝑘
1
2 2
𝜎 ≅ 𝑛𝑖 𝑚𝑖 − 𝜇
𝑁
𝑖=1
Qui peut être exprimé encore par :
𝑘
1
𝜎2 ≅ 𝑛𝑖 𝑚𝑖2 − 𝜇 2
𝑁
𝑖=1

Exemple :
Distribution de 60 cadres selon leur ancienneté
Ancienneté en Effectif
Centre 𝑚𝑖 𝑚𝑖2 𝑛𝑖 𝑚𝑖 𝑛𝑖 𝑚𝑖2
année 𝑛𝑖
[7.0 ; 8.4[ 7.7 59.29 6 46.2 355.74

[8.4 ; 9.8[ 9.1 82.81 6 54.6 496.86

[9.8 ; 11.2[ 10.5 110.25 16 168 1764.00

[11.2 ; 12.6[ 11.9 141.61 15 178.5 2124.15

[12.6 ; 14[ 13.3 176.89 8 106.4 1415.12

[14 ; 15.4[ 14.7 216.09 4 58.8 864.36

[15.4 ; 16.8[ 16.1 259.21 5 80.5 1296.05

Total 60 693 8316.28

On fait le calcul pour obtenir la variance :

2
8316.28 693
𝜎2 ≅ − = 5.202
60 60

5.2.3 L’écart type

La variance qu’on a exprimée auparavant est d’autant plus grande que les données s’éloignent de la
moyenne, cette mesure est exprimée au carré de l’unité de mesures des données, c’est pour cette
raison qu’on a besoin de l’exprimer dans l’unité des données en introduisant une mesure de
dispersion qui est la racine carré de la variance.

On note 𝜎 l’écart type associé { la population et 𝑠 l’écart type associé { l’échantillon. On pose :
𝑠= 𝑠 2 et 𝜎 = 𝜎2
Cette mesure, par définition, est positive.

Exemple : On calcule l’écart type dans l’exemple de la distribution des foyers américains selon le
nombre de voitures possédées, on trouve la valeur 𝑠 = 1.145.
36
FSJES-Oujda
De même pour la distribution des 60 cadres selon leur ancienneté, on trouve la valeur 𝜎 = 2.28.

5.2.4 Écart absolu moyen

L’écart entre la ième observation 𝑥𝑖 et la moyenne de la série 𝑥 est

𝑥𝑖 − 𝑥
On s’intéresse { la valeur absolue 𝑥𝑖 − 𝑥 (la mesure de l’écart doit être positive). Une mesure de
dispersion de la série autour de la moyenne est la moyenne des écarts absolus ou dit écart absolu
moyen :
𝑛
1
𝐸𝐴𝑀 = 𝑥𝑖 − 𝑥
𝑛
𝑖=1
Dans le cas de données groupées en classes, on aura :
𝐾
1
𝐸𝐴𝑀 = 𝑛𝑖 𝑥𝑖∗ − 𝑥
𝑛
𝑖=1

Exemple :
Distribution de 60 cadres selon leur ancienneté
Ancienneté Centre Effectif
𝑚𝑖 − 𝑥 𝑛𝑖 𝑚𝑖 − 𝑥
en année 𝑚𝑖 𝑛𝑖
[7.0 ; 8.4[ 7.7 6 3.85 23.10

[8.4 ; 9.8[ 9.1 6 2.45 14.70

[9.8 ; 11.2[ 10.5 16 1.05 16.80

[11.2 ; 12.6[ 11.9 15 0.35 5.25

[12.6 ; 14[ 13.3 8 1.75 14.00

[14 ; 15.4[ 14.7 4 3.15 12.60

[15.4 ; 16.8[ 16.1 5 4.55 22.75

Total 60 109.20

On connait que 𝜇 = 11.55 ; en utilisant le calcul fait dans le tableau ci-dessus, on aura :
109.20
𝐸𝐴𝑀 = = 1.82
60

Remarque : Un critère de comparaison entre les différentes mesures de tendances centrales est le
calcul de la moyenne des erreurs soit par la variance ou par l’écart absolu moyen.

5.2.5 Coefficient de variation

Il est dit encore coefficient de dispersion relative, ce coefficient est par définition le rapport, en
valeur absolue, de l’écart type { la moyenne, rapport exprimé en pourcentage.
Notée 𝑽, cette mesure permet de comparer la dispersion entre deux séries de données rattachée à
des caractères qui peuvent être tout à fait différents.
37
FSJES-Oujda
Il permet ainsi de comparer un caractère sur des populations différentes avec des moyennes
différentes ou exprimés avec des unités différentes ; par exemple comparer le prix d’un article
vendu au Maroc en milliers de dirhams avec son prix vendu en Europe en centaines d’euros.
Plus grande est l’homogénéité des données d’une série par rapport { la moyenne, plus faible sera le
coefficient de variation du caractère. Inversement, plus étalées sont les données par rapport à la
moyenne, plus grande sera la valeur du coefficient de variation.
Dans le cas d’une population, on pose donc
𝜎
𝑉= ∗ 100
𝜇
où 𝜎 est l’écart type et 𝜇 la moyenne.
Dans le cas d’un échantillon, on a :
𝑠
𝑉= ∗ 100
𝑥
Puisqu’on évalue la valeur absolue du rapport de l’écart type à la moyenne, le coefficient de
variation est une valeur qui est toujours supérieur ou égale à 0.
Exemple : comparaison de salaires
On considère deux entreprises E1 et E2 qui emploient chacune 150 salariés. Dans l’entreprise E1 le
salaire moyen est égal à 5000 DH avec un écart-type de 1800 DH. Tandis que dans l’entreprise E2 le
salaire moyen est égal à 8500 DH avec un écart-type de 2500 DH. On veut comparer les coefficients
de variation des deux entreprises :
𝜎1 𝜎2
Pour E1 ∶ 𝑉1 = ∗ 100 = 36% et pour E2 ∶ 𝑉2 = ∗ 100 = 29.41%
𝜇1 𝜇2
La dispersion des salaires dans l’entreprise E1 est plus élevée que dans l’entreprise E2.

5.3 Mesures de position

Les mesures de position situent les données par rapport { l’ensemble de la série ordonnée selon un
classement ascendant ou descendant. On distingue trois catégories particulières de mesures de
position. Ce sont les quantiles, la cote Z et les rangs. On verra ici seulement les deux premiers.

5.3.1 Les quantiles

Les quantiles correspondent aux valeurs numériques qui occupent des positions bien précises dans
le classement ascendant (croissant) des données d’une série.

Définition1 : le quantile d’ordre 𝛼 (alpha), noté 𝑞𝛼 , est la valeur d’un caractère pour laquelle on
retrouve une proportion 𝛼 de données qui lui sont inférieures ou égales dans la série.

Remarque : la médiane correspond au quantile d’ordre 50%, on peut écrire 𝑀𝑒 = 𝑞0.5 = 𝑞50% .
Parmi les quantiles les plus utilisés, on retrouve les quartiles, les déciles et les centiles.

Définition2 : les quartiles sont les 3 valeurs qui divisent une série en quatre parties contenant
chacune, autant que possible, 25% des données. Ces valeurs sont notées 𝑄1 , 𝑄2 et 𝑄3 , ou 𝑞1 4 , 𝑞2 4
et 𝑞3 4 respectivement.

38
FSJES-Oujda
Définition3 : Les déciles sont les 9 valeurs qui divisent une série en 10 parties contenant chacune,
autant que possible, 10% des données. Ces valeurs sont notées 𝐷1 , 𝐷2 , … , 𝐷9 ou 𝑞1 10 , 𝑞2 10 , … , 𝑞9 10
respectivement.

Définition4 : Les centiles sont les 99 valeurs qui divisent une série en 100 parties contenant
chacune, autant que possible, 1% des données. Ces valeurs sont notées 𝐶1 , 𝐶2 , … , 𝐶99 ou
𝑞1 100 , 𝑞2 100 , … , 𝑞99 100 respectivement.

Remarque : de façon pratique, les quantiles prennent vraiment leurs sens quand le nombre de
données d’une série s’avère assez considérable.

5.3.2 Intervalle et écart interquartile

L’intervalle interquartile est l'intervalle entre le premier et le troisième quartile 𝑄1 et 𝑄3 . Il contient

50% des observations. L’écart interquartile est la différence entre 𝑄1 et 𝑄3 .

Exemple : on a calculé les quartiles d’une série de 50 données

𝑄1 = 𝑞1 4 51.79
𝑄2 = 𝑞2 4 59.65
𝑄3 = 𝑞3 4 65.02

L’écart interquartile est égal { : 𝑄3 − 𝑄1 = 65.02 – 51.79 = 13.23

L’intervalle interquartile ]𝑄1 ; 𝑄3 ] = ] 51.79 ; 65.02] contient 50% des observations.

Définition d’une valeur aberrante : une valeur aberrante de la série est toute donnée qui s'écarte
d'une façon remarquable de l'ensemble des données.
On donne une règle pratique et qui est dû à Tukey, pour décider si une donnée est une valeur
aberrante ou non.
Règle de Tukey : une donnée peut être appelé valeur aberrante si elle s'écarte d'une distance d'au
moins 1.5 ∗ (𝑄3 − 𝑄1 ) au-dessus de 𝑄3 ou en-dessous de 𝑄1 .

Calcul d’un quantile pour des données non groupées en classes

Préalablement à tout calcul, il faut réaliser le classement ascendant des 𝑛 données de la série
statistique. Par rapport { ce classement, la position du quantile d’ordre alpha est déterminée par
𝑝 = 𝛼𝑛
Si 𝑝 est un nombre entier, on aura :
𝑥𝑝 + 𝑥𝑝+1
𝑞𝛼 =
2
Dans le cas où 𝑝 n’est pas un nombre entier, on aura
𝑞𝛼 = 𝑥[𝑝]
où [𝑝] est le plus petit entier supérieur à 𝑝.

Exemple : on donne la série des données suivante,

11 2 0 9 12 12 11 14 20 10

On doit classer les données dans un ordre croissant :

0 2 9 10 11 11 12 12 14 20
39
FSJES-Oujda
 𝑄1 = 𝑞1/4 = 𝑥3 = 9
𝑥5 + 𝑥6
𝑄2 = 𝑞1/2 = = 11
2
𝑄3 = 𝑞3/4 = 𝑥8 = 12
Y-a-t-il des données aberrantes dans la série ?
On calcule,
1.5 𝑄3 − 𝑄1 = 1.5 12 − 9 = 4.5
Toute valeur au-dessous de 𝑄1 − 1.5 𝑄3 − 𝑄1 = 9 − 4.5 = 4.5 ou au-dessus de 𝑄3 + 1.5 𝑄3 −
𝑄1 = 12 + 4.5 = 16.5 est une valeur aberrante, on décide que les trois valeurs 0, 2 et 20 sont
aberrantes.
Si on veut étudier une série de données, il est préférable d’éliminer l’effet des valeurs aberrantes.
On donne l’exemple du calcul de la moyenne et de la variance, avant et après l’élimination des trois
valeurs aberrantes :
Les dix données ont une moyenne de 10.10 avec une variance de 29.09. Si on reprend le calcul avec
les sept valeurs non aberrantes, on aura une moyenne de 11.29 avec une variance de seulement
2.20.
Il y a moins de dispersion dans la série quand on a éliminé les valeurs aberrantes.

Calcul d’un quantile pour des données groupées en classes

Sur la base d’une distribution d’effectifs ou de fréquences, l’approximation du quantile d’ordre
alpha 𝑞𝛼 est donnée par la formule
𝛼𝑛 − 𝑁𝑖−1
𝑞𝛼 = 𝐿𝑖 + ∗𝑐
𝑛𝑖
où 𝑛 la taille de l’échantillon,
𝐿𝑖 la limite inférieure de la classe contenant la valeur du quantile cherché,
𝑐 l’amplitude de la même classe,
𝑛𝑖 l’effectif de la même classe,
𝑁𝑖−1 est l’effectif cumulé de la classe précédente la classe contenant la valeur du quantile
cherché.
On peut utiliser la formule des fréquences au lieu des effectifs
𝛼 − 𝐹𝑖−1
𝑞𝛼 = 𝐿𝑖 + ∗𝑐
𝑓𝑖
𝑓𝑖 la fréquence de la même classe contenant la valeur du quantile cherché,
𝐹𝑖−1 est la fréquence cumulée de la classe précédente la classe contenant la valeur du quantile
cherché.
Remarque : il est facile de voir que certains quantiles se coïncident. Par exemple :

𝑞1/2 = 𝑄2 = 𝐷5 = 𝐶50 = 𝑀𝑒
𝑞1/10 = 𝐷1 = 𝐶10
ou
𝑞3/4 = 𝑄3 = 𝐶75

Exemple : on reprend l’exemple de la série de notes d’informatique (page 19)

Note sur 20 Nombre Effectif Fréquence Fréquence

40
FSJES-Oujda
 d’étudiants 𝑛𝑖 cumulé 𝑁𝑖 𝑓𝑖 cumulée 𝐹𝑖
[00 ; 10[ 135 135 0.625 0.625
[10 ; 12[ 43 178 0.199 0.824
[12 ; 14[ 16 194 0.074 0.898
[14 ; 16[ 13 207 0.060 0.958
[16 ; 20[ 09 216 0.042 1.000
Total 216 1.000

54 − 0
𝑄1 = 𝑞1/4 = 0 + ∗ 10 = 4
135
108 − 0
𝑄2 = 𝑞1/2 = 0 + ∗ 10 = 8
135
162 − 135
𝑄3 = 𝑞3/4 = 10 + ∗ 2 = 11.256
43
1.5 𝑄3 − 𝑄1 = 1.5 11.256 − 4 = 10.884
On cherche des valeurs aberrantes au-dessous de 𝑄1 − 1.5 𝑄3 − 𝑄1 = 4 − 10.88 = −6.88 ou au-
dessus de 𝑄3 + 1.5 𝑄3 − 𝑄1 = 11.256 + 10.88 = 22.136, donc aucune valeur n’est aberrante.

5.3.3 Construction d’un diagramme en boite à moustache (Box plot)

En calculant les trois quartiles d’une série, on peut faire une représentation des données sous une
forme de boite avec deux moustaches (voir diagramme suivant). La représentation est faite sur
l’axe des observations, en rapportant dans l’ordre croissant, la plus petite valeur non aberrante,
puis le premier, le deuxième et le troisième quartile et en dernier on ajoute la plus grande valeur
non aberrante :

Boite à moustache (Box plot) 2

Exemple : dans le dernier exemple, on a pas trouvé de valeurs aberrantes, on va tracer une boite à
moustaches des notes d’informatique,

Boite à moustache (Box plot) des notes d’informatique

2
8
0
G. Baillargeon 4 statistiques et analyse de données, les éditions SMG, page 101.
(2004), Outils
11,25 20
41
FSJES-Oujda
5.3.4 La cote 𝒁

Egalement appelée cote standard, la cote 𝑍 situe essentiellement une valeur par rapport à la
moyenne de la série d’où elle provient.
Définition : la cote Z d’une valeur représente le nombre d’écarts types séparant cette valeur de la
moyenne de la série.
Ainsi, pour une valeur quelconque 𝑥𝑖 , on a
𝑥𝑖 − 𝑥
𝐶𝑜𝑡𝑒 𝑍 = ,
𝑠
dans le cas des mesures échantillonnages, et
𝑥𝑖 − 𝜇
𝐶𝑜𝑡𝑒 𝑍 = ,
𝜎
dans le cas où les données sont celles de toute une population.

Remarque :
 Une cote 𝑍 égale à zéro indique un résultat équivalent à la moyenne
 Une cote 𝑍 négative signifie que le résultat est inférieur à la moyenne
 Une cote 𝑍 positive signifie que le résultat est supérieur à la moyenne
 Une cote 𝑍 est rarement inférieur à –3 ou supérieur à 3.
 La cote 𝑍 permet de comparer la position relative de données appartenant à des distributions
différentes, tel le rendement d’élèves issues de groupes ou de collèges différents.

Exemple : Dans un concours de sélection pour un master, on veut classer les étudiants suivants par
ordre de mérite.
Nom Note Moyenne en Licence Moyenne de la promotion Écart-type de la promotion
Karim 11.5 10.1 2.5
Asmae 12.3 11.5 3
Ilham 10.8 9.3 1.5
Ali 13 11.5 3

En regardant les notes moyennes en Licence, on peut observer que la note la plus élevée est obtenu
par Ali et la plus petite est obtenue par Ilham, ce qui donne le classement suivant :

Classement des étudiants par ordre de mérite

42
FSJES-Oujda
 Nom Note Moyenne en Licence
Ali 13
Asmae 12.3
Karim 11.5
Ilham 10.8
En réalité dans ce classement on ne prend pas considération que les étudiants viennent de
différents établissements où on peut remarquer des différences dans les régimes d’évaluations des
étudiants.

Pour comparer les étudiants indépendamment de leurs provenances on doit comparer les cotes des
étudiants. Cela permettra de réaliser un peu plus d’équité entre les différents étudiants.
Note Moyenne Moyenne de Écart-type de Cote de l’étudiant
Nom
en Licence la promotion la promotion
11.5 − 10.1 1.4
Karim 11.5 10.1 2.5 = = 0.56
2.5 2.5
Asmae 12.3 11.5 3 0.26
Ilham 10.8 9.3 1.5 1
Ali 13 11.5 3 0.5

Le nouveau classement met en tête de liste Ilham et Asmae en dernier.

Classement des étudiants par ordre de mérite

Nom de l’étudiant Cote de l’étudiant
Ilham 1
Karim 0.56
Ali 0.5
Asmae 0.26

5.4 Mesures de forme

5.4.1 Représentation des données selon une courbe normale

C’est la distribution selon la loi normale 𝑁(𝜇, 𝜎) (on lui donne d’autres noms comme la loi
gaussienne ou la loi de Laplace-gauss), 𝜇 et 𝜎 représentent respectivement la moyenne et l’écart
type de la population, ces deux paramètres sont en général inconnus. La courbe qui représente
cette distribution est donnée par la fonction suivante :
1 1 𝑥−𝜇 2
−
𝑥  𝑓𝑁 𝑥 = 𝑒 2 𝜎
𝜎 2𝜋
avec 𝜋 = 3.14159 …

Cette distribution a la forme d’une cloche symétrique par rapport { l’axe 𝑥 = 𝜇, ses extrémités sont
tangentes { l’axe des abscisses.

Les observations sont groupées autour de la moyenne, et on montre que :

43
FSJES-Oujda
 2 2
50% de ces données sont dans l’intervalle 𝜇 − 3 𝜎; 𝜇 + 3 𝜎

68% sont dans l’intervalle 𝜇 − 𝜎; 𝜇 + 𝜎

95% sont dans l’intervalle 𝜇 − 2 𝜎; 𝜇 + 2𝜎
99.7% sont dans l’intervalle 𝜇 − 3 𝜎; 𝜇 + 3𝜎

La quasi-totalité des données sont rassemblées dans un rayon de 3𝜎. Plus l’écart type est grand,
plus les données sont dispersées autour de la moyenne.
La loi normale la plus utilisée en pratique est la loi 𝑁(0,1) dite loi normale standard, toute les
autres lois normales se ramènent à la loi normale standard.

Distribution d'une loi normale standard

0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0,5

1,8

3,0
0,0
0,3

0,8
1,0
1,3
1,5

2,0
2,3
2,5
2,8
-3,0
-2,8
-2,5
-2,3
-2,0
-1,8
-1,5
-1,3
-1,0
-0,8
-0,5
-0,3

Le but est de comparer des séries de moyennes et/ou de dispersions différentes :

5.4.2 Coefficients d’asymétrie et d’aplatissement

 Coefficient d’asymétrie de Fisher (ou skewness)

𝑀3∗
𝛾=
𝜎3
1 𝑛
où 𝑀3∗ = 𝑛 𝑖=1 𝑥𝑖 − 𝑥 3
est le moment centré d’ordre 3.

 𝛾 = 0 si la distribution est symétrique par rapport à la moyenne 𝑥 ;

 𝛾 > 0 si la distribution est plus étalée { droite qu’{ gauche de la moyenne ;
 𝛾 < 0 si la distribution est plus étalée { gauche qu’{ droite de la moyenne.

44
FSJES-Oujda
 𝛾>0 𝛾<0
Oblique
Etalée
à gauche à droite

Remarque : si la distribution est totalement symétrique, il faudra remarquer que la médiane n’est
autre que la moyenne.

 Coefficient d’aplatissement de Fisher (ou Kurtosis)

𝑀4∗
𝛤= −3
𝜎4
1 𝑛
Où 𝑀4∗ = 𝑛 𝑖=1 𝑥𝑖 − 𝑥 4
est le moment centré d’ordre 4.

 𝛤 = 0 si l’aplatissement est le même que celui d’une loi normale standard ; on dit que la
courbe est mesokurtique ;
 Γ > 0 si la distribution est moins aplatie ; on dit que la courbe est leptokurtique ;
 −2 ≤ Γ < 0 si la distribution est plus aplatie ; on dit que la courbe est platikurtique .

Exemple : On reprend l’exemple de l’étude de l’ancienneté des cadres ; on a les informations

suivantes : 𝜎 = 2.281 d’où 𝜎 3 = 11.865 et 𝜎 4 = 27.06 . Et les moments d’ordre 3 et 4 calculés sont
𝑀3∗ = 3.17 et 𝑀4∗ = 69.43 ; ce qui donne

3.17
𝛾= = 0.26 > 0
12.167
45
FSJES-Oujda
La distribution n’est pas symétrique, elle est plus étalée { droite, on peut bien le remarquer sur le
polygone de fréquences ou l’histogramme.
Le coefficient d’aplatissement
69.43
𝛤= − 3 = −0.52 < 0
27.984
c.à.d. que la courbe est platikurtique : la distribution est plus aplatie que celle de la loi normale
standard.

5.5 Mesures de concentration

Les mesures de dispersion (variance, écart-type ou coefficient de variation) nous informent sur la
concentration des données autour de leur moyenne.

Quand il s’agit d’un caractère quantitatif dont l’accumulation a une signification, on cherche alors {
comparer sa distribution avec la distribution uniforme, on parle alors d’équilibre parfait
(distribution uniforme) lorsque dans des intervalles de même amplitude, on a les mêmes
proportions ou fréquences des individus.

On donne l’exemple de la distribution des revenus. C’est une distribution caractérisée par une
concentration plus grande d’individus de revenus bas et une concentration plus faible pour les
revenus plus élevés.

5.5.1 Courbe de Lorenz (1876-1959)

Lorenz a proposé en 1905 un graphique pour représenter la concentration des revenus.

En abscisse, on met le pourcentage de la population des salariés et en ordonnée le pourcentage de

revenus total appartenant à cette population.

Prenons un exemple très simple pour illustrer la construction de la courbe de Lorenz. Le revenu
journalier de 10 salariés est le suivant :

Nombre de Revenu journalier Revenu total

salariés (DH) (DH)
5 80 400
3 266 .66 800
2 400 800
10 2000

Le revenu moyen des 10 salariés est le suivant :

2000
𝑥= = 200 DH
10

Cette distribution n’est pas symétrique, on voit bien que 50% de salariés touchent 80 DH par jour,
loin des 200DH de moyenne. Il semblerait qu’il y a une concentration de la masse des revenus dans
les deux autres classes qui représentent 50% des salariés.

Si on compare les pourcentages cumulés, on obtient le tableau suivant :

46
FSJES-Oujda
 % salariés % cumulés % revenu % cumulés
𝑛𝑖 𝑁𝑖 𝑟𝑖 𝑅𝑖
50% 50% 20% 20%
30% 80% 40% 60%
20% 100% 40% 100%
100% 100%

On lit bien que 50% de salariés touchent 20% de la masse totale des revenus, que 80% touchent
60% de la masse totale et qu’{ la fin 100% des salariés (toute la population) touchent la totalité du
salaire globale.
On présente la courbe de Lorenz comme suit :

5.5.2 Indice de Gini

Corrado Gini (1884-1965) a proposé un indice pour mesurer l’inégalité. Il est calculé en prenant le
rapport entre la surface ABCD et le triangle ABE :

𝐴𝐵𝐶𝐷
𝐼𝐺 =
𝐴𝐵𝐸

Si la distribution est uniforme, la courbe de Lorenz suit la diagonale et alors le coefficient de Gini est
égal à 0.

Par contre, l’inégalité la plus forte est obtenue lorsque la courbe de Lorenz est AEB. Dans ce cas
l’indice de Gini est égal { 1.

Calcul du coefficient de Gini dans l’exemple précédent :

La surface du triangle ABE est la moitié de celle du carré de surface 1 ; la surface de ABCD est celle
de ABE en retranchant les surfaces d’un triangle et de deux trapèzes,
47
FSJES-Oujda
 50% ∗ 20% 80% − 50% ∗ 20% + 60% 100% − 80% ∗ 60% + 100%
𝐴𝐵𝐶𝐷 = 0.5 − + +
2 2 2

= 0.5 − 0.05 + 0.12 + 0.16 = 0.5 − 0.33 = 0.17

0.17
𝐼𝐺 = = 0.34
0.5

Remarque : un indice de Gini proche de 0 est un indicateur d’une parfaite égalité des revenus dans
la population, un coefficient qui s’approche de 1 reflète un déséquilibre dans la répartition des
revenus dans la population.

On donne dans l’exemple ci-dessous quatre courbes de Lorenz avec différents coefficients de Gini :

G1 G2 G3 G4
𝐼𝐺 = 0 𝐼𝐺 = 12.40% 𝐼𝐺 = 49.50% 𝐼𝐺 = 70.43%

Courbe de Lorenz G1
120
G2

100 G3

G4
80
% du caractère

60

40

20

0
0 10 20 30 40 50 60 70 80 90 100
% de la population

 Calcul de l’indice de Gini

Cas de données non groupés en classes :

Si on classe les revenus du plus petit au plus grand c.{.d. qu’on a : 𝑦1 ≤ 𝑦2 ≤ ⋯ ≤ 𝑦𝑛 alors on peut
calculer le coefficient de Gini par la formule suivante :
𝑛
2 𝑖=1 𝑖 𝑦𝑖 𝑛+1
𝐼𝐺 = 𝑛 −
𝑛 𝑖=1 𝑦𝑖 𝑛
𝑛 = nombre de personnes

𝑦𝑖 = le ième revenu (du plus petit au plus grand)

48
FSJES-Oujda
Exemple :

On revient { l’exemple précédent :

80 – 80 – 80 – 80 – 80 – 266.66 – 266.66 – 266.66 – 400 – 400

2[80 1 + 2 + 3 + 4 + 5 + 266.66 6 + 7 + 8 + 400(9 + 10)] 11 28799.72

𝐼𝐺 = − = − 1.1
10 ∗ 2000 10 20000

𝐼𝐺 = 0.34

Cas de données groupées en classes

Si les données sont réunies en 𝑘 classes, on supposera que tous les individus de la même classe ont
même revenu, celui de la moyenne de la classe.

L’indice de Gini, dans ce cas, sera approché par la formule suivante :

𝑘 𝑖 𝑘
1 1
𝐼𝐺 = 𝑛 𝑓𝑖 𝑚𝑖 2 𝑛𝑗 − 𝑛𝑖 − 1 = 𝑓𝑖 𝑚𝑖 2𝑁𝑖 − 𝑛𝑖 −1
𝑗 =1 𝑦𝑗 𝑖=1 𝑗 =1
𝑛𝜇
𝑖=1

 𝑚𝑖 est le centre de la 𝑖 è𝑚𝑒 classe

 𝑓𝑖 est la fréquence de la 𝑖 è𝑚𝑒 classe

Exemple : On veut calculer l’indice de Gini d’une entreprise de 110 salariés, la distribution des
salaires horaires est donnée dans le tableau suivant,

Salaire en DH/H 𝑚𝑖 𝑛𝑖 𝑓𝑖 𝑁𝑖 𝑓𝑖 𝑚𝑖 𝑓𝑖 𝑚𝑖 2𝑁𝑖 − 𝑛𝑖

[10 , 12[ 11 15 0.14 15 1.50 22.50
[12 , 15[ 13.5 35 0.32 50 4.30 279.20
[15 , 20[ 17.5 45 0.41 95 7.16 1038.07
[20 , 25[ 22.5 10 0.09 105 2.05 409.09
[25 , 30[ 27.5 5 0.05 110 1.25 268.75
Total 110 1.00 16.25 2017.61
𝑛

𝑦𝑗 = 1787.50
𝑗 =1

2017.61
𝐼𝐺 = − 1 = 12.87%
1787.5

49
FSJES-Oujda
 Chapitre 2: ANALYSE D’UNE SÉRIE DE DONNÉE BIVARIÉE

Introduction
But de l’étude de deux séries statistiques :

Chercher une dépendance (relation possible) et quel est le modèle qui explique la relation

Ou dire qu’il y a indépendance

Exemples

⤥ Entre variables quantitatives :

 Existe-t-il un lien entre le taux de chômage et le taux d’inflation ?
 Peut-on expliquer le résultat d’un examen par le nombre d’heures de préparation ?
 Le prix d’un produit final dans nos magasins dépend-il des prix des matières
premières le composant ?
 L’hypertension artérielle est-elle liée { l’âge ou au poids de l’individu ?

⤥ Entre variables quantitatives et qualitatives :

 Existe-t-il un lien entre la consommation d’un produit et le sexe des consommateurs
?
 Peut-on lier le chiffre d’affaire réalisé par la vente d’un produit et les capacités de
négociation des représentants ?
 Existe-t-il un lien entre le rendement scolaire mesuré sur une échelle de nombres
réels et fumer le tabac ?

⤥ Entre variables qualitatives :

 Pour la consommation d’un produit, on veut savoir si Existe-t-il un lien entre
l’appréciation ou l’évaluation d’un produit et le sexe des clients ?
 Existe-t-il un lien entre la guérison d’un malade et le traitement médicale qu’il a
obtenu?
 Ou peut être y a-t-il une liaison entre la réponse { un traitement médicale et l’âge
(enfant--adulte) ou le sexe du malade ?
 Existe-t-il un lien entre le rendement scolaire (mesuré sur des modalités
qualitatives) et fumer le tabac ?
Mais… il faut faire attention :

50
FSJES-Oujda
La question de la liaison entre deux variables est différente de la question du sens de la causalité.

Exemple :

 Est-ce qu’on doit expliquer le poids d’un individu par sa taille ou dire que la taille
dépend du poids ?
 Est-ce le prix qui détermine la demande ou la demande qui explique le niveau des
prix?

Dans cet exposé on se limitera { l’observation de deux variables quantitatives.

Etude des liaisons statistiques pour des données quantitatives

1. Analyse graphique

Tableau des données

𝒙 𝑥1 𝑥2 ………… 𝑥𝑖 ………… 𝑥𝑛

𝒚 𝑦1 𝑦2 ………… 𝑦𝑖 ………… 𝑦𝑛

Nuage de points

Existe-t-il une liaison entre les deux séries ?

Un accroissement ou un décroissement d’une unité de la 1ère série provoque-t-il un changement
dans la 2ème série ?

51
FSJES-Oujda
Exemple

Tableau des données

Semaine 1 2 3 4 5 6 7 8 9 10

Nombre de spots publicitaires 𝑥 2 5 1 3 4 1 5 3 4 2

Volume des ventes (centaines de

50 57 41 54 54 38 63 48 59 46
dollars) 𝑦

Analyse graphique : nuage de points

60
Ventes (centaines de dollars)

55
y

50

45

40

35
1 2 3 4 5
Nombre de spots publicitaires
x

Ajustement linéaire de l’exemple

60

55
y

50

45

40

35
1 2 3 4 5
x

52
FSJES-Oujda
Une représentation graphique du nuage de points permet :

1. D’apprécier visuellement l’existence ou non d’une éventuelle liaison

2. De déterminer la forme de la liaison

Nuages de points : formes de liaison

Peut-on avoir une écriture y = f(x)

2. Paramètres des distributions

Les paramètres utilisés pour caractériser les distributions à deux variables sont de deux types,

 Les paramètres qui concernent une seule variable, ils servent à caractériser les
diverses distributions marginales.
 Les paramètres qui servent à décrire les relations qui existent entre les deux séries
d'observations considérées simultanément.

2.1 Paramètres des distributions marginales

Travailler avec chaque série séparément pour calculer les moyennes et les variances marginales

Exemple :

𝑥 : nombre de spots publicitaires

𝑦 : volume des ventes (centaines de dollars)

53
FSJES-Oujda
 30
𝑥= =3
10
510
𝑦= = 51
10

Nombre de spots Volume des ventes

Semaine publicitaires (centaines de dollars) 𝑥2 𝑦2

𝑥 𝑦

1 2 50 4 2500

2 5 57 25 3249

3 1 41 1 1681

4 3 54 9 2916

5 4 54 16 2916

6 1 38 1 1444

7 5 63 25 3969

8 3 48 9 2304

9 4 59 16 3481

10 2 46 4 2116

Somme 30 510 110 26576

Moyenne 3 51 11 2657.6

Les variances sont

𝑉𝑎𝑟 𝑥 = 11 − 9 = 2 et 𝑉𝑎𝑟 𝑦 = 2657.6 − 512 = 56.6

Les écart-types sont

𝜎(𝑥) = 1.41 et 𝜎(𝑦) = 7.52

2.2 Paramètres qui expriment la liaison

Ces paramètres permettent de décrire les relations qui peuvent exister entre les deux séries :

- Covariance
- Coefficient de corrélation
- Coefficient de détermination

54
FSJES-Oujda
 - Coefficient de Khi-deux (on va le voir pour les variables qualitatives)

2.2.1 La covariance

Pour avoir une idée sur la variation simultanée de 𝑥 et 𝑦 on peut utiliser la covariance de 𝑥 et 𝑦 :
𝑛
1
𝑐𝑜𝑣(𝑥, 𝑦) = 𝑥𝑖 − 𝑥 𝑦𝑖 − 𝑦
𝑛
𝑖=1

Elle est aussi égal à :

𝑛
1
𝑐𝑜𝑣 𝑥, 𝑦 = 𝑥𝑖 𝑦𝑖 − 𝑥 𝑦 formule de Köenig
𝑛
𝑖=1

Le mot « covarier » désigne varier ensemble.

Utilité de la covariance

La covariance est positive si 𝑥 et 𝑦 ont tendance à varier dans le même sens, et négative si elles ont
tendance à varier en sens contraire.

Plus la covariance s’approche de zéro plus on dit qu’il n’y a pas de liaison entre 𝑥 et 𝑦

Exemple :

Nombre de spots Volume des ventes

Semaine publicitaires (centaines de dollars) 𝑥𝑦
𝑥 𝑦

1 2 50 100

2 5 57 285

3 1 41 41

4 3 54 162

5 4 54 216

6 1 38 38

7 5 63 315

8 3 48 144

9 4 59 236

10 2 46 92

Somme 30 510 1629

Moyenne 3 51 162.9

55
FSJES-Oujda
On calcule la covariance dans l’exemple pour trouver

𝐶𝑜𝑣 𝑥, 𝑦 = 162.9 − 3 ∗ 51 = 9.9

La covariance est positive, donc il y a une relation croissante entre 𝑥 et 𝑦. Autrement dit les deux
variables varient dans le même sens.

2.2.2 Coefficient de corrélation linéaire de Pearson

𝑐𝑜𝑣(𝑥, 𝑦)
𝑟 𝑥, 𝑦 = 𝑐𝑜𝑟𝑟 𝑥, 𝑦 =
𝜎 𝑥 ∗ 𝜎(𝑦)

avec 𝑐𝑜𝑣(𝑥, 𝑦) la covariance entre 𝑥 et 𝑦, 𝜎(𝑥) est l’écart-type de 𝑥 et 𝜎(𝑦) celui de y.

On montre que :

𝑐𝑜𝑣(𝑥, 𝑦) ≤ 𝜎 𝑥 ∗ 𝜎(𝑦)

 𝑟(𝑥, 𝑦) est comprit entre -1 et 1

 Plus il s’approche de 1 ou de -1 on dit qu’il y a une forte liaison linéaire entre les
deux caractères

 Au voisinage de 1 l’accroissement est de même sens

 Au voisinage de -1 les deux séries évoluent dans deux sens opposés

Prévision dans le cas d’une forte corrélation

L’intérêt d’une forte corrélation tient au fait que la connaissance de l’une des variables entraîne la
connaissance de l’autre avec un faible risque d’erreur.

Dès lors, il convient de trouver la bonne relation mathématique qui existe entre les deux variables 𝑥
et 𝑦 :

𝑦 = 𝑓(𝑥)

Prévision : quelle serait la valeur de 𝑦 si on connait déjà la valeur de 𝑥 ?

Pour répondre à cette question

 Validation du modèle 𝑦 = 𝑓(𝑥) : commettre le minimum d’erreur

 Remplacer dans l’équation : si 𝑥 = 𝑥0 , on cherchera la valeur 𝑦 = 𝑦0 inconnue en
posant tout simplement 𝑦0 = 𝑓(𝑥0 )

2.2.3 Coefficient de détermination

On peut utiliser le carré de 𝑟, c’est le coefficient de détermination, 𝑟 2 est entre 0 et 1.

56
FSJES-Oujda
On estime qu’un coefficient de détermination supérieur { 75% donne une bonne régression des
deux séries.

Le coefficient de corrélation devrait être supérieur à 0.87 ou inférieur à -0.87

Exemple

9.9
𝑟(𝑥, 𝑦) = = 0.9305 > 0.87
2 ∗ 56.6

𝑟 2 (𝑥, 𝑦) = 0.8658 = 86.58% > 75%

La valeur du coefficient de détermination 0.8658 est nettement supérieure à 0.75

 Plus le nombre de spots publicitaires augmente plus le volume des ventes augmente
D’où on peut faire un ajustement linéaire de 𝑦 « volume des ventes» en fonction de 𝑥 «nombre de
spots publicitaires »

Il est évident que 𝑦 dépend de 𝑥. La variable 𝑦 est la variable à expliquer et 𝑥 la variable

explicative. On n’a pas l’inverse.

On parle aussi de variable endogène, il s’agit de la variable dépendante qui doit être expliqué, c’est
le cas ici de la variable 𝑦 « volume des ventes ».

De même on dit d’une variable qu’elle est exogène si elle doit expliquée une autre variable, on dit
aussi qu’elle est indépendante. Dans notre exemple il s’agit de la variable 𝑥 « nombre de spots
publicitaires ».

En général

57
FSJES-Oujda
Pour les deux premiers diagrammes (𝑟 = 1 et 𝑟 = −1) la liaison linéaire est parfaite (en théorie),
pour les deux autres diagrammes (𝑟 ≅ 1 et 𝑟 ≅ −1) la liaison linéaire est de bonne qualité (c’est ce
qu’on trouve en réalité).

Quelques propriétés
Pour tous nombres réels a, b, c et d, on a :
𝑉𝑎𝑟(𝑎 𝑥 + 𝑏) = 𝑉𝑎𝑟(𝑎 𝑥) = 𝑎2 𝑉𝑎𝑟(𝑥)
𝐶𝑜𝑣(𝑎 𝑥 + 𝑏, 𝑐 𝑦 + 𝑑) = 𝐶𝑜𝑣(𝑎 𝑥 , 𝑐 𝑦) = 𝑎𝑐 𝐶𝑜𝑣(𝑥, 𝑦)
𝑟(𝑎 𝑥 + 𝑏, 𝑐 𝑦 + 𝑑) = 𝑟(𝑥, 𝑦) si 𝑎 et 𝑐 ont même signe
𝑟(𝑎 𝑥 + 𝑏, 𝑐 𝑦 + 𝑑) = − 𝑟(𝑥, 𝑦) si 𝑎 et 𝑐 ont des signes différents.
Exemple :
𝑉𝑎𝑟(2 𝑥 + 5) = 𝑉𝑎𝑟(2 𝑥) = 4 𝑉𝑎𝑟(𝑥)
𝐶𝑜𝑣(2 𝑥 + 5, 3 𝑦 + 1) = 𝐶𝑜𝑣(2 𝑥 , 3 𝑦) = 6 𝐶𝑜𝑣(𝑥, 𝑦)
𝑟(2 𝑥 + 5, 3 𝑦 + 1) = 𝑟(𝑥, 𝑦)
𝑟(2 𝑥 + 5, −2 𝑦 + 7) = − 𝑟(𝑥, 𝑦)

2.3 Ajustement linéaire par la méthode des moindres carrés

60

55
y

50

45

40

35
1 2 3 4 5
x

58
FSJES-Oujda
 Ajustement linéaire

60

𝑦 =𝑎∗3+𝑏
55

𝑦−𝑦
y

50

𝑦 = 48
45

40

35
1 2 3 4 5
x

L’erreur quadratique moyenne est

𝑛
1 2
𝑄 𝑓 = 𝑦𝑖 − 𝑓(𝑥𝑖 )
𝑛
𝑖=1

Les différences 𝑦𝑖 − 𝑓(𝑥𝑖 ) s’appellent les résidus. Si la somme des résidus est égale à 0 alors 𝑄(𝑓)
coïncide avec la variance des résidus.

Régression linéaire : on cherche une fonction 𝑓 de la forme 𝑓 𝑥 = 𝑎𝑥 + 𝑏

Posons
𝑛
1 2
𝑄 𝑎, 𝑏 = 𝑦𝑖 − 𝑎𝑥𝑖 − 𝑏
𝑛
𝑖=1

Régression linéaire au sens des moindres carrées : on cherche le minimum de 𝑄 𝑎, 𝑏 ; il est

atteint pour les valeurs de

𝒄𝒐𝒗(𝒙, 𝒚)
𝒂= 𝐞𝐭 𝒃 = 𝒚 − 𝒂 𝒙
𝒗𝒂𝒓(𝒙)

Dans ce cas l’erreur quadratique coïncide avec la variance des résidus, elle est égale
𝑸 𝒂, 𝒃 = 𝒗𝒂𝒓 𝒚 𝟏 − 𝒓𝟐 (𝒙, 𝒚) 𝑽𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒓é𝒔𝒊𝒅𝒖𝒆𝒍𝒍𝒆

Plus le coefficient de détermination est proche de 1, plus l’erreur quadratique (variance résiduelle)
due { l’ajustement est proche de 0.

Si on pose 𝑦𝑖′ = 𝑎𝑥𝑖 + 𝑏 les valeurs estimées par la régression linéaire, on obtient :

59
FSJES-Oujda
 𝑛
1
𝑦′ = 𝑦 et 𝑣𝑎𝑟 𝑦 ′
= 𝑦𝑖′ − 𝑦 ′ 2
= 𝑟 2 𝑥, 𝑦 ∗ 𝑣𝑎𝑟 𝑦
𝑛
𝑖=1

𝑣𝑎𝑟 𝑦 ′ est la variance expliquée par la régression linéaire

La variance de 𝒚 s’écrit de la façon suivante

𝒗𝒂𝒓 𝒚 = 𝒓𝟐 𝒙, 𝒚 ∗ 𝒗𝒂𝒓 𝒚 + 𝟏 − 𝒓𝟐 (𝒙, 𝒚) ∗ 𝒗𝒂𝒓 𝒚

C’est la somme de la variance expliquée plus la variance résiduelle

Le coefficient de détermination est exprimé en pourcentage, exemple : dans la régression

précédente, le pourcentage de la variance expliquée par la variable 𝑥 est de 86.58%.

Remarque : La droite de régression linéaire 𝑦 = 𝑎𝑥 + 𝑏 passe par la moyenne ou le centre de

gravité 𝐺 = (𝑥 , 𝑦) du nuage :

60
3
𝐺
51
55
y

50

45

40

35
1 2 3 4 5
x

Exemple

𝑥 = 3 ; 𝑦 = 51 ; 𝑉𝑎𝑟(𝑥) = 2 ; 𝑉𝑎𝑟(𝑦) = 56.6 et 𝐶𝑜𝑣(𝑥, 𝑦) = 9.9

D’où

9.9
𝑎= = 4.95
2

𝑏 = 𝑦 − 𝑎 𝑥 = 36.15

L’erreur quadratique

𝑄 𝑎, 𝑏 = 56.6 ∗ 1 − 0.8658 = 7.595

60
FSJES-Oujda
La variance totale de 𝑦 est 𝑉𝑎𝑟(𝑦) = 56.6

La variance expliquée par le modèle de régression linéaire est égale

56.6 ∗ 86.58% = 49.005

La droite de la régression est la suivante

𝑦 = 4.95 𝑥 + 36.15

Prévision : si on prévoit pour la semaine prochaine un nombre de spots publicitaires égal 3 alors le
volume des ventes prévisionnelles sera approximativement :
𝑦 = 4.95 ∗ 3 + 36.15 = 51
Soit 5100 $

2.4 Ajustement non linéaire

Transformer le problème de manière à se ramener à une régression linéaire

Exemples de transformations

Famille Fonctions Transformation Forme affine

exponentielle 𝑦 = 𝑎𝑒 𝑏𝑥 𝑦 ′ = log⁡
(𝑦) 𝑦 ′ = log 𝑎 + 𝑏𝑥

puissance 𝑦 = 𝑎𝑥 𝑏 (𝑦) et 𝑥 ′ = log⁡

𝑦 ′ = log⁡ (𝑥) 𝑦 ′ = log 𝑎 + 𝑏𝑥 ′

inverse 𝑦 =𝑎+𝑏 𝑥 𝑥′ = 1 𝑥 𝑦 = 𝑎 + 𝑏𝑥 ′

logistique 𝑦 = 1 (1 + 𝑒 −(𝑎𝑥 +𝑏) ) 𝑦 ′ = log⁡

(𝑦 (1 − 𝑦)) 𝑦 ′ = 𝑎𝑥 + 𝑏

Exemples de formes :
20

𝒙 ↦ 𝒆𝒙
15
exp(x)

-1
log(x)
10

𝒙 ↦ 𝒍𝒐𝒈 𝒙
-2
5

-3

0.0 0.5 1.0 1.5 2.0 2.5 3.0

0.0 0.5 1.0 1.5 2.0
x
x

61
FSJES-Oujda
 10

1.2
8

1.1
𝒙↦𝟏 𝒙

1.0
6

x^0.2
1/x

0.9
𝒙 ↦ 𝒙𝟎.𝟐
4

0.8
2

0.7
0

0.0 0.5 1.0 1.5 2.0 2.5 3.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0

x x
250

1.0
200

0.9
𝒙 ↦ 𝒙𝟓

1/(1 + exp(-2 * x))

150

0.8
x^5

100

𝒙 ↦ 𝟏 𝟏 + 𝒆−𝟐𝒙

0.7
50

0.6
0

0.0 0.5 1.0 1.5 2.0 2.5 3.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0

x x

3. Cas de données regroupées en classes

Tableau de contingence

On observe deux variables 𝑥 et 𝑦 sur une population 𝑃. On croise les données des deux variables 𝑥
et 𝑦.

 On obtient le tableau de contingence

On distingue deux cas :

– Le cas ou les variables sont discrètes

o On reprend tous ce que nous avons vu précédemment sans aucune perte
d’informations
– Le cas où l’une au moins des variables est continue
o Les classes sont constituées selon un procédé (plusieurs partitions possibles)
o Chaque classe est représentée par son centre, cela va entrainer une perte
d’informations

62
FSJES-Oujda
Remarque : on peut travailler directement avec la série de données sans regrouper les données en
classes (moyens informatiques accessibles), mais dans certains cas les réponses sont recueillis sur
des intervalles (par exemple un salaire qui se trouve entre deux valeurs [5000, 7000]).

Tableau de contingence

Valeurs de y Total ou
𝑦1 𝑦2 …. 𝑦𝑗 …. 𝑦𝐿
Valeurs de x distribution marginale de 𝑥

𝑥1 𝑛11 𝑛12 …. 𝑛1𝑗 …. 𝑛1𝐿 𝑛1•

𝑥2 𝑛21 𝑛22 …. 𝑛2𝑗 …. 𝑛2𝐿 𝑛2•

…. …. …. …. …. …. …. ….

𝑥𝑖 𝑛𝑖1 𝑛𝑖2 …. 𝑛𝑖𝑗 …. 𝑛𝑖𝐿 𝑛𝑖•

…. …. …. …. …. …. …. ….

𝑥𝐾 𝑛𝐾1 𝑛𝐾2 …. 𝑛𝐾𝑗 …. 𝑛𝐾𝐿 𝑛𝐾•

Total ou 𝑛 : nombre totale

𝑛•1 𝑛•2 …. 𝑛•𝑗 …. 𝑛•𝐿
distribution marginale de 𝑦 d’observations

3.1 Distribution marginale

C’est la distribution de 𝑥 (resp. de 𝑦 ) indépendamment de 𝑦 (resp. de 𝑥). Elle se lit sur la dernière
colonne (resp. ligne) du tableau précédent.

Distribution marginale de 𝒙

Valeurs de x Effectifs

𝑥1 𝑛1•

𝑥2 𝑛2•

…. ….

𝑥𝑖 𝑛𝑖•

…. ….

63
FSJES-Oujda
 𝑥𝐾 𝑛𝐾•

Total 𝑛

Les effectifs 𝑛𝑖• sont calculés par,

𝐿

𝑛𝑖• = 𝑛𝑖𝑗 , 𝑖 = 1,2, … , 𝐾

𝑗 =1

Distribution marginale de 𝒚

Valeurs de y Effectifs

𝑦1 𝑛•1

𝑦2 𝑛•2

…. ….

𝑦𝑗 𝑛•𝑗

…. ….

𝑦𝐿 𝑛•𝐿

Total 𝑛

Les effectifs 𝑛•𝑗 sont calculés par,

𝑛•𝑗 = 𝑛𝑖𝑗 , 𝑗 = 1,2, … , 𝐿

𝑖=1

On vérifie bien que

𝐾 𝐿 𝐾 𝐿

𝑛𝑖• = 𝑛•𝑗 = 𝑛𝑖𝑗 = 𝑛

𝑖=1 𝑗 =1 𝑖=1 𝑗 =1

• La moyenne et la variance de 𝑥 sont :

𝐾 𝐾 𝐾
1 1 2
1
𝑥= 𝑛𝑖 𝑥𝑖 et 𝑣𝑎𝑟 𝑥 = 𝑛𝑖 𝑥𝑖 − 𝑥 = 𝑛𝑖 𝑥𝑖 2 − 𝑥 2
𝑛 𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1

• La moyenne et la variance de 𝑦 sont :

64
FSJES-Oujda
 𝐿 𝐿 𝐿
1 1 2 1
𝑦= 𝑛𝑗 𝑦𝑗 et 𝑣𝑎𝑟 𝑦 = 𝑛𝑗 𝑦𝑗 − 𝑦 = 𝑛𝑗 𝑦𝑗 2 − 𝑦 2
𝑛 𝑛 𝑛
𝑗 =1 𝑗 =1 𝑖=1

Pour le cas de variables continues les observations 𝑥𝑖 et 𝑦𝑗 seront remplacées simplement par les
𝑦
moyennes de classes 𝑚𝑖𝑥 et 𝑚𝑗 :

𝐾 𝐿
1 1 𝑦
𝑥= 𝑛𝑖 𝑚𝑖𝑥 ; 𝑦= 𝑛𝑗 𝑚𝑗 ;
𝑛 𝑛
𝑖=1 𝑗 =1

𝐾 𝐾
1 1 2
𝑣𝑎𝑟 𝑥 = 𝑛𝑖 𝑚𝑖𝑥 −𝑥 2
= 𝑛𝑖 𝑚𝑖𝑥 − 𝑥 2 ;
𝑛 𝑛
𝑖=1 𝑖=1

𝐿 𝐿
1 𝑦
2 1 𝑦2
𝑣𝑎𝑟 𝑦 = 𝑛𝑗 𝑚𝑗 −𝑦 = 𝑛𝑗 𝑚𝑗 − 𝑦2
𝑛 𝑛
𝑗 =1 𝑗 =1

Exemple : Dans Le tableau de contingence suivant on donne la répartition conjointe du salaire

mensuel 𝑦 et de l’ancienneté en années 𝑥 des salariés d’une entreprise.

𝑦 en milliers [5 ; 10[ [10 ; 15[ [15 ; 20[

Distribution
de DH
marginale de 𝑥
𝑥

[0 ; 8[ 12 1 0 13

[8 ; 16[ 4 8 0 12

[16 ; 24[ 1 7 2 10

[24 ; 32[ 0 1 14 15

Distribution
17 17 16 𝑛 = 50
marginale de 𝑦

65
FSJES-Oujda
Les distributions marginales de 𝒙 et 𝒚

Distribution marginale de l’ancienneté en années 𝒙

Ancienneté en années Moyenne de classe Effectif

𝑥 𝑚𝑖𝑥 𝑛𝑖

[0 ; 8[ 4 13

[8 ; 16[ 12 12

[16 ; 24[ 20 10

[24 ; 32[ 28 15

Total 50

Distribution marginale du salaire mensuel 𝒚

Salaire mensuel
Moyenne de classe Effectif
(exprimé en milliers) 𝑦
𝑚𝑗 𝑛𝑗
𝑦

[5 ; 10[ 7.5 17

[10 ; 15[ 12.5 17

[15 ; 20[ 17.5 16

Total 50

Les moyennes marginales sont

4
1 1
𝑥= 𝑛𝑖 𝑚𝑖𝑥 = 13 ∗ 4 + 12 ∗ 12 + 10 ∗ 20 + 15 ∗ 28 = 16.32
50 50
𝑖=1

𝑥 = 16.32
3
1 𝑦 1
𝑦= 𝑛𝑗 𝑚𝑗 = 17 ∗ 7.5 + 17 ∗ 12.5 + 16 ∗ 17.5 = 12.4
50 50
𝑗 =1

𝑦 = 12.4

 Le salaire mensuel moyen est 12 400 DH

66
FSJES-Oujda
 L’ancienneté moyenne des salariés est 16.32 années (16 années et 4mois)

Les variances marginales sont

4
1 2 1
𝑣𝑎𝑟 𝑥 = 𝑛𝑖 𝑚𝑖𝑥 − 𝑥 2 = 13 ∗ 42 + 12 ∗ 122 + 10 ∗ 202 + 15 ∗ 282 − 16.322
50 50
𝑖=1

𝑣𝑎𝑟 𝑥 = 87.578 et 𝜎 𝑥 = 9.358

3
1 𝑦2 1
𝑣𝑎𝑟 𝑦 = 𝑛𝑗 𝑚𝑗 − 𝑦2 = 17 ∗ 7.52 + 17 ∗ 12.52 + 16 ∗ 17.52 − 12.42
50 50
𝑖=1

𝑣𝑎𝑟 𝑦 = 16.49 et 𝜎 𝑦 = 4.061

3.2 Distribution conditionnelle

 La distribution de 𝒙 connaissant 𝒚 :
La colonne de 𝑦𝑗 dans le tableau de contingence entre 𝑥 et 𝑦, qui décrit la distribution selon la
variable 𝑥 des 𝑛•𝑗 individus présentant la valeur 𝑦𝑗 de la variable 𝑦, constitue la distribution
conditionnelle de 𝑥 sachant 𝑦 = 𝑦𝑗 . On notera le caractère étudié par 𝑥 𝑦 = 𝑦𝑗 ou tout simplement
𝑥/𝑦𝑗 .

Distribution conditionnelle de 𝒙 sachant 𝒚 = 𝒚𝒋

Effectif du caractère
Valeurs de x
𝑥/𝑦𝑗

𝑥1 𝑛1𝑗

𝑥2 𝑛2𝑗

…. ….

𝑥𝑖 𝑛𝑖𝑗

…. ….

𝑥𝐾 𝑛𝐾𝑗

Total 𝑛•𝑗

67
FSJES-Oujda
La moyenne conditionnelle sera
𝐾
𝑥 1
𝑦 = 𝑦𝑗 = 𝑛 𝑛𝑖𝑗 𝑥𝑖
•𝑗
𝑖=1

On peut encore noter cette moyenne par 𝒙/𝒚𝒋

De même on définit la variance conditionnelle,

𝐾 𝐾
1 2 1 2
𝑉𝑎𝑟 𝑥/𝑦𝑗 = 𝑛𝑖𝑗 𝑥𝑖 − 𝑥 /𝑦𝑗 = 𝑛𝑖𝑗 𝑥𝑖 2 − 𝑥 /𝑦𝑗
𝑛•𝑗 𝑛•𝑗
𝑖=1 𝑖=1

 La distribution de 𝒚 connaissant 𝒙 :
Pour cette distribution on va considérer la ligne correspondant à 𝑥𝑖 , pour décrire la distribution
conditionnelle de 𝑦 sachant 𝑥 = 𝑥𝑖 .
𝑦
On note le caractère étudié par 𝑥 = 𝑥𝑖 ou 𝑦/𝑥𝑖 .

Distribution conditionnelle de 𝒚 sachant 𝒙 = 𝒙𝒊

Effectif du caractère
Valeurs de y
𝑦/𝑥𝑖

𝑦1 𝑛𝑖1

𝑦2 𝑛𝑖2

…. ….

𝑦𝑗 𝑛𝑖𝑗

…. ….

𝑦𝐿 𝑛𝑖𝐿

Total 𝑛𝑖•

La moyenne conditionnelle sera

𝐿
1
𝑦/𝑥𝑖 = 𝑛𝑖𝑗 𝑦𝑗
𝑛𝑖•
𝑗 =1

et la variance conditionnelle,

68
FSJES-Oujda
 𝐿 𝐿
1 2 1
𝑉𝑎𝑟 𝑦/𝑥𝑖 = 𝑛𝑖𝑗 𝑦𝑗 − 𝑦/𝑥𝑖 = 𝑛𝑖𝑗 𝑦𝑗 2 − 𝑦/𝑥𝑖 2
𝑛𝑖• 𝑛𝑖•
𝑗 =1 𝑗 =1

Exemple :

On reprend le dernier exemple,

𝑦 en milliers [5 ; 10[ [10 ; 15[ [15 ; 20[

Distribution
de DH
marginale de 𝑥
𝑥

[0 ; 8[ 12 1 0 13

[8 ; 16[ 4 8 0 12

[16 ; 24[ 1 7 2 10

[24 ; 32[ 0 1 14 15

Distribution
17 17 16 𝑛 = 50
marginale de 𝑦

On veut déterminer la distribution de 𝑦/𝑥2 et 𝑦/𝑥4 ainsi que leurs moyennes conditionnelles.

La valeur de 𝑥2 correspond { l’intervalle [8 ; 16[, on doit déterminer la distribution conditionnelle

de 𝑦 sachant 𝑥 = 12.

Distribution conditionnelle de 𝒚 sachant 𝒙 = 𝟏𝟐

Moyenne de classe Effectif du caractère

Valeurs de y 𝑦
𝑚𝑗 𝑦/𝑥2

[5 ; 10[ 7.5 4

[10 ; 15[ 12.5 8

[15 ; 20[ 17.5 0

Total 12

La moyenne conditionnelle sera

1 130
𝑦 𝑥2 = 4 ∗ 7.5 + 8 ∗ 12.5 + 0 ∗ 17.5 = = 10.833
12 12
𝑦 𝑥2 = 10 833 DH

69
FSJES-Oujda
Pour la valeur de 𝑥4 , elle correspond { l’intervalle [24 ; 32[, il faut déterminer la distribution
conditionnelle de 𝑦 sachant 𝑥 = 28.

Distribution conditionnelle de 𝒚 sachant 𝒙 = 𝟐𝟖

Moyenne de classe Effectif du caractère

Valeurs de y 𝑦
𝑚𝑗 𝑦/𝑥4

[5 ; 10[ 7.5 0

[10 ; 15[ 12.5 1

[15 ; 20[ 17.5 14

Total 15

La moyenne conditionnelle sera

1 257.5
𝑦 𝑥4 = 0 ∗ 7.5 + 1 ∗ 12.5 + 14 ∗ 17.5 = = 17.167
15 15
𝑦 𝑥4 = 17 167 DH

On remarquera qu’en passant de l’ancienneté de 12 ans { une ancienneté de 28 ans, le salaire

mensuel moyen passe de 10 833 DH à 17 167 DH avec une augmentation de 58.47%.

3.3 Covariance et corrélation

On calcule la covariance par la formule suivante adaptée au tableau de contingence :

𝐾 𝐿 𝐾 𝐿
1 1
𝑐𝑜𝑣 𝑥, 𝑦 = 𝑛𝑖𝑗 𝑥𝑖 − 𝑥 𝑦𝑗 − 𝑦 = 𝑛𝑖𝑗 𝑥𝑖 𝑦𝑗 − 𝑥 𝑦
𝑛 𝑛
𝑖=1 𝑗 =1 𝑖=1 𝑗 =1

Si les classes correspondent { des intervalles, on utilisera comme d’habitude, les moyennes de
classes :
𝐾 𝐿 𝐾 𝐿
1 𝑦 1 𝑦
𝑐𝑜𝑣 𝑥, 𝑦 = 𝑛𝑖𝑗 𝑚𝑖𝑥 −𝑥 𝑚𝑗 −𝑦 = 𝑛𝑖𝑗 𝑚𝑖𝑥 𝑚𝑗 − 𝑥 𝑦
𝑛 𝑛
𝑖=1 𝑗 =1 𝑖=1 𝑗 =1

Le coefficient de corrélation se déduit

𝑐𝑜𝑣(𝑥, 𝑦)
𝑟 𝑥, 𝑦 =
𝜎 𝑥 ∗ 𝜎(𝑦)

Exemple :

Revenons { l’exemple précédent, on veut calculer la covariance entre 𝑥 et 𝑦.

On déduira le coefficient de corrélation et le coefficient de détermination.

70
FSJES-Oujda
 3 4
1 𝑦 1
𝑐𝑜𝑣 𝑥, 𝑦 = 𝑛𝑖𝑗 𝑚𝑖𝑥 𝑚𝑗 − 𝑥 𝑦 = 11780 − 16.32 ∗ 12.4 = 33.23
50 50
𝑖=1 𝑗 =1

Le coefficient de corrélation sera

𝑐𝑜𝑣(𝑥, 𝑦) 33.23
𝑟 𝑥, 𝑦 = = = 0.8745
𝜎 𝑥 ∗ 𝜎(𝑦) 9.358 ∗ 4.061

𝑟 2 𝑥, 𝑦 = 0.87452 = 76.5%

Conclusion : il y’a une forte liaison entre le salaire mensuel et l’ancienneté des salariés de
l’entreprise, on peut proposer un ajustement linéaire des données par la méthode des moindres
carrés. La droite de régression linéaire peut expliquée jusqu’{ 76.5% de la variance de 𝑦.

71
FSJES-Oujda
 Chapitre 3: LES INDICES STATISTIQUES

1. Introduction

Pour résumer les données d’une activité économique, par exemple, les données sur l'activité
commerciale, le coût de la vie ou l'emploi, les économistes vont simplifier ces données en les
résumant sous forme d’indices faciles { comprendre. Ces indices vont jouer le rôle d’indicateurs de
la santé du secteur économique observé.

Un indice peut être considéré comme une mesure statistique, on parlera ainsi d’indice statistique.

Quand il s’agit de grandeurs issues du domaine de l’économie et de la gestion on peut parler

d’indice économique, on peut le considérer comme une mesure macroéconomique qui sera utilisé
ultérieurement par des analystes pour comprendre l'activité ou les opportunités économiques
actuelles et futures.

Les indicateurs économiques sont fournis souvent sous forme de série chronologique et parmi les
applications de cette série est l'étude des cycles économiques.

Les indicateurs économiques comprennent divers indices et rapports, par exemple, le taux de
chômage, l’indice des prix { la consommation, l’indice de production industrielle, l’indice du produit
intérieur brut, l’indice des prix et variations de la masse monétaire, etc...

Les indices statistiques sont de deux types : simple ou composé. La plupart des indices
économiques sont composés.

On parlera d’indice simple ou d’indice élémentaire si une seule grandeur intervient dans le calcul.

Quand plusieurs grandeurs interviennent dans le calcul, on parlera d’indice composite ou d’indice
synthétique. Un indice composite peut aussi rassembler plusieurs autres indices pour résumer la
situation d’un secteur économique ou peut-être mesurer la performance d’un portefeuille d’actions
dans une bourse.

Les indicateurs économiques les plus utilisés proviennent des données publiées par le
gouvernement et les organisations à but non lucratif ou les universités.

Au Maroc, le Haut Commissariat au Plan (HCP), qui est une institution marocaine, est le principal
producteur de l’information statistique, économique, démographique et sociale au royaume. Le HCP
est chargé de l’établissement des comptes de la nation.

On donne un exemple d’indice économique : l’IPIEM.

Selon le HCP, l’indice IPIEM sert { mesurer la variation des quantités produites dans les secteurs
industriel, énergétique et minier.
Indice IPIEM : Indice de la Production Industrielle, Énergétique et Minière
L’élaboration de cet indice est fondée sur les changements qui affectent aussi bien la population des
entreprises de production que la structure de la production et de la valeur ajoutée.
Le HCP publie régulièrement des notes d’actualités où on lit souvent des informations sous forme
d’indices.
72
FSJES-Oujda
On donne par exemple la note publiée sur le site du HCP,qui concerne l’évolution des prix { la
production (IPPIEM) de certains secteurs de l’économie, pour le mois d’octobre 2021.

L’INDICE DES PRIX À LA PRODUCTION INDUSTRIELLE, ÉNERGÉTIQUE ET MINIÈRE DU MOIS

D'OCTOBRE 2021 (BASE 100 : 2018)
L’indice des prix à la production du secteur des « Industries manufacturières hors raffinage de pétrole»
a enregistré une hausse de 0,2% au cours du mois d’octobre 2021 par rapport au mois de septembre
2021. Cette augmentation est la résultante de :
 la hausse de 0,9% des prix des «Industries alimentaires», de 0,2% de la «Fabrication d’autres
produits minéraux non métalliques» et de l’«Industrie d’habillement» et de 0,1% dans
la «Métallurgie» et dans la «Fabrication de produits métalliques, à l’exclusion des machines et
des équipements»;

 la baisse de 1,9% desprix de la «Fabrication de produits en caoutchouc et en plastique» et de

0,2% de la «Fabrication de textiles»;
Par ailleurs, les indices des prix à la production des secteurs des «Industries extractives», de la
«Production et distribution d’électricité» et de la «Production et distribution d’eau» ont connu une
stagnation au cours du mois d’octobre 2021.

Dans un autre exemple, si on veut parler des Industries alimentaires, plusieurs domaines de
production peuvent être cités :

 L'industrie de la viande : abattage du bétail, de la volaille, …

 L'industrie laitière : fabrication du lait, du beurre, des yaourts, des fromages, du lait en poudre
ou concentré, …
 L'industrie sucrière
 La fabrication de produits alimentaires élaborés : fruits, légumes, poissons, plats cuisinés et
confitures
 La fabrication de produits à base de céréales : farine, pain et pâtisserie industriels, biscuits,
semoules et pâtes alimentaires, …
 La fabrication d’huiles, de corps gras et de margarines
 La fabrication de produits alimentaires divers : chocolat, confiserie, café et thé conditionnés,
épices, herbes aromatiques, vinaigres, levures, …
 La fabrication de boissons : jus de fruits et de légumes, eaux minérale …

Alors, il est plus commode de parler d’indice de prix des « Industries alimentaires » et de
l’augmentation ou diminution de cet indice, que de parler directement des prix des produits :
- viande rouge, …
- lait, …
- sucre, …
- fruits, …
- farine, …
- etc …
et de leurs taux de variations !!

73
FSJES-Oujda
2. Les indices simples de prix et de volume

Un indice simple est le rapport de deux valeurs représentant la même variable (grandeur),
mesurées dans deux situations différentes ou dans deux périodes différentes.

𝐺1
𝐼𝑡 1 /𝑡 0 =
𝐺0

La grandeur 𝐺 peut représenter la valeur d’un prix ou la valeur d’une quantité ou toute valeur d’une
variable dont l’évolution dans le temps nous intéresse, par exemple, l’évolution du chiffre d’affaire
d’une entreprise au cours de l’année.
Les indices simples les plus couramment utilisés sont ceux du prix et du volume.

2.1 Indice simple de prix

Un indice simple de prix donnera la variation relative du prix entre la période courante et une
période de référence.

Prenons par exemple le prix du pétrole entre deux périodes 𝑡0 et 𝑡1 . Le prix du baril est de
𝑃0 = 65.8$ pour la première période 𝑡0 et son prix devient 𝑃1 = 71.9$ pour la deuxième période 𝑡1 .
L’indice simple du prix du pétrole entre les deux périodes 𝑡0 et 𝑡1 , en prenant 𝑡0 comme période de
référence, est
𝑃1
𝐼𝑡 1 /𝑡 0 =
𝑃0

La période de référence est aussi appelée période de base.

Définition :
L’indice simple de prix { la date 𝑡 (base 100 la date 𝑡0 ) est :
𝑝 𝑡 𝑃𝑟𝑖𝑥𝑑𝑢𝑏𝑖𝑒𝑛à𝑙𝑎𝑑𝑎𝑡𝑒𝑡
𝐼𝑝 𝑡 𝑡0 = =
𝑝 𝑡0 𝑃𝑟𝑖𝑥𝑑𝑢𝑏𝑖𝑒𝑛à𝑙𝑎𝑑𝑎𝑡𝑒𝑡0

Exemple : variation du prix du carburant à la pompe

Diesel Essence
Octobre 2021 10.5 DH 12.1 DH
Novembre 2021 10.2 DH 12.2 DH
𝑰(𝑶𝒄𝒕𝟐𝟏/𝑵𝒐𝒗𝟐𝟏) 0.9714 1.0083

Cet indice est exprimé en général en pourcentage : on multiplie par 100

Diesel Essence
Octobre 2021 10.5 DH 12.1 DH
Novembre 2021 10.2 DH 12.2 DH
𝑰(𝑶𝒄𝒕𝟐𝟏/𝑵𝒐𝒗𝟐𝟏) 97.14 100.83

On peut parler du mois de base Octobre 2021 :

74
FSJES-Oujda
 L’indice de prix du diesel est 97.14. Le prix du diesel pour le mois de novembre 2021 a
enregistré une diminution de 2.86% par rapport au mois d’octobre 2021 (base 100)

 L’indice de prix de l’essence est 100.83. Il a enregistré une légère augmentation de 0.83% par
rapport au mois d’octobre 2021 (base 100)

2.2 Indice simple de volume

On parle d’indice de volume ou d’indice de quantité. Le volume peut correspondre bien { la quantité
vendue seulement (volume d’activité) ou { la quantité vendue ou acheté pondérée par le prix
(chiffre d’affaire si c’est une vente ou dépenses si ce sont des achats).

Définition :
L’indice simple de volume { la date 𝑡 (base 100 la date 𝑡0 ) est :
𝑞 𝑡 𝑄𝑢𝑎𝑛𝑡𝑖𝑡é 𝑝𝑟𝑜𝑑𝑢𝑖𝑡𝑒 𝑜𝑢 𝑐𝑜𝑛𝑠𝑜𝑚𝑚é𝑒 𝑑𝑢𝑟𝑎𝑛𝑡 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑡
𝐼𝑞 𝑡 𝑡0 = =
𝑞 𝑡0 𝑄𝑢𝑎𝑛𝑡𝑖𝑡é 𝑝𝑟𝑜𝑑𝑢𝑖𝑡𝑒 𝑜𝑢 𝑐𝑜𝑛𝑠𝑜𝑚𝑚é𝑒 𝑑𝑢𝑟𝑎𝑛𝑡 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑡0

Si le temps est supposé discret (non continue), on parlera de la 𝑖 è𝑚𝑒 période, 𝑖 = 1, 2, … , 𝑛. La

première période correspondra à 𝑖 = 1. On note
𝑞𝑖
𝐼𝑞 𝑖 1 =
𝑞1

La première période peut être la période précédente (antérieure)

𝑞𝑖
𝐼𝑞 𝑖 𝑖 − 1 =
𝑞𝑖−1

Exemple : consommation en électricité

Voici les consommations en électricité d’un ménage entre le mois de février et le mois d’octobre
Mois Févr. Mars Avril Mai Juin Juillet Aout Sept. Octo.
Cons. kWh 179 205 82 85 120 110 168 174 157
𝑰(𝒊/𝒊 − 𝟏) ------ 114.53 40.00 103.66 141.18 91.67 152.73 103.57 90.23
𝑰(𝒊) 100 114.53 45.81 47.49 67.04 61.45 93.85 97.21 87.71
Base 100
Février

2.3 Propriétés des indices simples

Soit 𝐺𝑛 la grandeur observée à la 𝑛è𝑚𝑒 période et 𝑛0 correspond à la période de référence.

𝐺𝑛
𝐼 𝑛 𝑛0 =
𝐺𝑛 0

75
FSJES-Oujda
Réversibilité
1
𝐼 𝑛 𝑛0 =
𝐼 𝑛0 𝑛
 Cette propriété peut être intéressante même quand la référence n’est pas une date, par
exemple, on peut comparer le prix d’un produit dans deux régions différentes :
1
𝐼𝑝 𝑀𝑎𝑟𝑜𝑐 𝐸𝑠𝑝𝑎𝑔𝑛𝑒 =
𝐼𝑝 𝐸𝑠𝑝𝑎𝑔𝑛𝑒 𝑀𝑎𝑟𝑜𝑐

Circularité
𝐼 𝑛 𝑛0 = 𝐼 𝑛 𝑛 ′ ∗ 𝐼 𝑛 ′ 𝑛0
Pour toute autre période 𝑛′ .

Enchainement ou transférabilité
𝐼 𝑛 𝑛0 = 𝐼 𝑛 𝑛 − 1 ∗ 𝐼 𝑛 − 1 𝑛 − 2 ∗ 𝐼 𝑛 − 2 𝑛 − 3 ∗ ⋯ ∗ 𝐼 𝑛0 + 1 𝑛0

Il en résulte que pour une période 𝑚, on a :

𝐼 𝑛 𝑛0
𝐼 𝑛 𝑚 =
𝐼 𝑚 𝑛0

Indice simple produit de grandeurs

S’il s’agit d’une grandeur qui est le produit d’autres grandeurs, par exemple le chiffre d’affaire ou les
dépenses, alors l’indice simple de cette grandeur sera le produit des indices simples la constituant.
Si on a,
𝑘

𝐺= 𝐺 (𝑖)
𝑖=1
Alors,
𝑘 (𝑖) 𝑘 (𝑖) 𝑘
𝐺𝑡 𝑖=1 𝐺𝑡 𝐺𝑡
𝐼𝐺 𝑡 𝑡0 = = (𝑖)
= (𝑖)
= 𝐼𝐺 (𝑖) 𝑡 𝑡0
𝐺𝑡 0 𝑘
𝑖=1 𝐺𝑡 0 𝑖=1 𝐺𝑡 0 𝑖=1

Par exemple, s’il s’agit d’un chiffre d’affaire définit comme le produit de la quantité vendue et du
prix par unité :
𝐺 = 𝐶𝐴 = 𝑃 ∗ 𝑄
alors l’indice du chiffre d’affaire sera
𝐼𝐶𝐴 𝑡 𝑡0 = 𝐼𝑝 𝑡 𝑡0 ∗ 𝐼𝑞 𝑡 𝑡0

2.4 Taux de croissance

Définition : le taux de croissance de 𝐺entre les deux périodes(𝑛 − 1, 𝑛) est le quotient

𝐺𝑛 − 𝐺𝑛−1
𝜏𝑛 = =𝐼 𝑛 𝑛−1 −1
𝐺𝑛−1

Remarques :
 Le taux de croissance peut être positif ou négatif.

76
FSJES-Oujda
 Si on connait le taux de croissance 𝜏𝑛 entre les deux périodes (𝑛 − 1, 𝑛), on peut déduire
l’indice entre les mêmes périodes :
𝐼 𝑛 𝑛 − 1 = 𝜏𝑛 + 1
Exemple : consommation en électricité
Calcul du taux de croissance par rapport à la période précédente:
Mois Févr. Mars Avril Mai Juin Juillet Aout Sept. Octo.
Cons. kWh 179 205 82 85 120 110 168 174 157
𝑰 𝒊 𝒊−𝟏 ------ 114.53 40.00 103.66 141.18 91.67 152.73 103.57 90.23
𝝉𝒊 = 𝑰 𝒊 𝒊 − 𝟏 − 𝟏 ------ 14.53 -60 3.66 41.18 -8.33 52.73 3.57 -9.77

On peut toujours calculer une grandeur pour la 𝑛è𝑚𝑒 période en fonction de la grandeur à la
première période si on connait les différents taux de croissance précédents.
𝐺𝑛
Pour tout 𝑛 ∈ ℕ∗ on a ∶ 𝜏𝑛 = − 1  𝐺𝑛 = 𝐺𝑛−1 ∗ (1 + 𝜏𝑛 )
𝐺𝑛−1
Ce qui donne par récurrence :
𝐺𝑛 = 1 + 𝜏2 ∗ 1 + 𝜏3 ∗ ⋯ ∗ 1 + 𝜏𝑛−1 ∗ 1 + 𝜏𝑛 ∗ 𝐺1

2.4.1 Taux de croissance moyen

On s’intéresse { l’évolution d’une grandeur 𝐺 qui passe d’une valeur 𝐺0 observée { l’instant 𝑡0 à une
valeur 𝐺1 observée à un autre instant 𝑡1 , la durée entre 𝑡0 et 𝑡1 s’étale sur 𝑛 périodes successifs, une
période peut être par exemple l’année, le mois ou la journée.
On veut calculer le taux moyen d’évolution sur les 𝑛 périodes, c.{.d. quel est le taux d’évolution 𝜏 ,
qui serait le même sur chacune des 𝑛 périodes et qui va nous permettre de passer de la valeur 𝐺0 à
la valeur 𝐺1 .

Prenons par exemple trois périodes consécutives 𝑖 , 𝑖 + 1 et 𝑖 + 2 ; on peut obtenir l’évolution ou

la croissance d’une grandeur 𝐺, en calculant les indices 𝐼 𝑖 + 1 𝑖 et 𝐼 𝑖 + 2 𝑖 + 1 . Si on veut
obtenir la croissance moyenne entre la période 𝑖 et 𝑖 + 2, il est plus naturel d’obtenir une moyenne
géométrique des deux indices 𝐼 𝑖 + 1 𝑖 et 𝐼 𝑖 + 2 𝑖 + 1 . Supposons pour cela que le taux de
croissance est constant entre les deux périodes 𝑖 et 𝑖 + 2, cela exprimerait une évolution moyenne
entre les deux périodes. Notons 𝜏 le taux de croissance moyen, on a,
2
𝐺𝑖+2 = 1 + 𝜏 ∗ 𝐺𝑖+1 = 1 + 𝜏 ∗ 1 + 𝜏 ∗ 𝐺𝑖 = 1 + 𝜏 ∗ 𝐺𝑖

Ce qui correspond à une évolution réelle observée

𝐺𝑖+2 = 𝐼 𝑖 + 2 𝑖 + 1 ∗ 𝐺𝑖+1 = 𝐼 𝑖 + 2 𝑖 + 1 ∗ 𝐼 𝑖 + 1 𝑖 ∗ 𝐺𝑖

Ce qui donnera une moyenne géométrique des indices

1
1+𝜏 = 𝐼 𝑖+2 𝑖+1 ∗𝐼 𝑖+1 𝑖 = 𝐼 𝑖+2 𝑖+1 ∗𝐼 𝑖+1 𝑖 2

Et on a le taux moyen qui s’écrit,

1
𝜏 = 𝐼 𝑖+2 𝑖+1 ∗𝐼 𝑖+1 𝑖 2 −1

Cela peut se généraliser sur plusieurs périodes :

77
FSJES-Oujda
Sur les 𝑛 indices qu’on peut calculer (période précédente base 100)
𝐼 𝑖+1 𝑖 , 𝑖 = 1, … , 𝑛
La moyenne géométrique entre la première période et la dernière période est exprimée ainsi,
1
𝑛 𝑛
𝐼 𝑖+1 𝑖
𝑖=1

Le taux de croissance moyen se déduit,

1
𝑛 𝑛
𝜏= 𝐼 𝑖+1 𝑖 −1
𝑖=1

Si on connait les deux valeurs 𝐺0 et 𝐺1 de la grandeur 𝐺 entre la première et la dernière période, on

aura
𝑛

𝐺1 = 𝐼 𝑖+1 𝑖 ∗ 𝐺0
𝑖=1

Le taux de croissance moyen devient,

1
𝐺1 𝑛
𝜏= −1
𝐺0

Exemples :
1. On présente dans le tableau suivant l’évolution du prix d’un produit A entre le premier
Janvier 2020 et 31 Décembre 2020 :
Evolution des indices prix (Base 100 le mois précédent) de Janvier 2020 à Décembre 2020
Janvie Févrie Mar Avri Mai Juin Juille Aout Septembr Octobr Novembr Décembr
r r s l t e e e e

1,52 1,76 1,51 1,12 0,9 0,8 0,85 0,9 0,98 0,78 0,78 0,90
5 8 5

Le nombre de période est 12

Le taux d’évolution moyen du prix du produit A entre le1erJanvier 2020 et le 31 Décembre 2020 est,
1
𝜏 = 1.52 ∗ 1.76 ∗ 1.51 ∗ … ∗ 0.78 ∗ 0.90 12 − 1 = 4.20%

Le prix du produit A a augmenté de 4.20% entre Janvier 2020 et Décembre 2020.

2. On connait que le volume d’activité d’une entreprise est passé de 254 unités produites en
2018 { 1586 unités produites en 2021. Calculons le taux d’évolution moyen annuel du volume
d’activité entre 2018 et 2021.
La valeur du volume d’activité est connue pour les deux années 2018 et 2021, le nombre de
périodes qui s’étale entre ces deux dates est : 2021 − 2018 = 3.
Le taux de croissance moyen annuel entre 2018 et 2021 sera,
1
1586 3
𝜏= − 1 = 1,8414 − 1 = 0.8414 = 84.14%
254
Le volume d’activité de l’entreprise a connu une augmentation moyenne de 84.14% entre les
années 2018 et 2021.

78
FSJES-Oujda
 3. Les charges dues à la téléphonie dans une société de service ont connu des changements
entre Février 2015 et Avril2016. En effet, en Février 2015 les charges étaient de 4000 DH, en Avril
2016 les charges ont reculé à 2400 DH. Calculons le taux de croissance moyen mensuel descharges
dues à la télécommunication entre Février 2015 et Avril2016.
Pour calculer le nombre de période, on distingue 12 périodes entre Février 2015 et Février 2016
puis on rajoute les deux périodes entre Février 2016 et Avril 2016. Au total il y a 14 périodes.
Le taux de croissance moyen mensuel entre Février 2015 et Avril 2016 est,
1
2400 14
𝜏= − 1 = 0,9642 − 1 = −0,0358 = −3.58%
4000
Les charges dues à la téléphonie dans la société ont reculé de 3.58% entre Février 2015 et Avril
2016.

4. Le chiffre d’affaire d’une grande entreprise a triplé entre 2016 et 2020, calculons le taux de
croissance moyen annuel du chiffre d’affaire de cette entreprise.
Les chiffres d’affaires pour les deux années sont inconnus, posons 𝐶𝐴2016 et 𝐶𝐴2020 les deux
valeurs inconnues. On connait que le chiffre d’affaire a triplé entre 2016 et 2020, c’est { dire que
𝐶𝐴2020 = 3 ∗ 𝐶𝐴2016. On peut calculer ainsi le rapport,
𝐶𝐴2020
=3
𝐶𝐴2016
Le nombre de période est 2020 − 2016 = 4.
Le taux de croissance moyen annuel de l’entreprise entre 2016 et 2020 est,
1
𝜏= 3 4 − 1 = 1,31607 − 1 = 0,3161 = 31.61%
Le chiffre d’affaire de l’entreprise a progressé de 31.61% entre 2016 et 2020.

2.5 Moyenne des indices

On peut citer le calcul de la moyenne arithmétique, géométrique et harmonique.

Pour la moyenne arithmétique, elle peut correspondre à une moyenne simple ou à une moyenne
pondérée. L’exemple de l’indice de Laspeyres correspond { une moyenne pondérée et l’exemple de
l’indice Paasche correspond { une moyenne harmonique. Tandis que l’indice de Fisher correspond
à une moyenne géométrique.

Indice des moyennes :

Prenons 𝑛 valeurs de 𝐺 observées { l’instant 𝑡 et 𝑛 valeurs de 𝐺 observées { l’instant 𝑡0 ,
𝒕 𝑮𝒕,𝟏 𝑮𝒕,𝟐 …. 𝑮𝒕,𝒏
𝒕𝟎 𝑮𝒕𝟎,𝟏 𝑮𝒕𝟎,𝟐 …. 𝑮𝒕𝟎,𝒏

La grandeur 𝐺 peut être le prix ou la quantité et les 𝑛 valeurs de 𝐺 seront les prix de plusieurs
produits ou les quantités consommées de ces produits.
On peut définir l’indice des moyennes comme l’indice simple de la moyenne :

79
FSJES-Oujda
 1 𝑛
𝑖=1 𝐺𝑡,𝑖
𝑛
𝑛 𝑖=1 𝐺𝑡,𝑖
𝐼𝐺 = = 𝑛
1 𝑛 𝑖=1 𝐺𝑡 0 ,𝑖
𝑛 𝑖=1 𝐺𝑡 0 ,𝑖

Moyenne des indices :

Le calcul de l’indice de la moyenne révèle qu’une grande variation d’une seule valeur de la grandeur
𝐺, par exemple une quantité consommée 𝐺𝑡,𝑖 = 𝑞𝑡,𝑖 pour le 𝑖 è𝑚𝑒 produit entre 𝑡 et 𝑡0 , va se
répercuter directement sur l’indice calculé.
On peut proposer pour remédier à cela, la moyenne arithmétique des indices,
𝑛 𝑛
1 𝐺𝑡,𝑖 1
𝐼𝐺 = = 𝐼𝐺 𝑡 𝑡0
𝑛 𝐺𝑡 0 ,𝑖 𝑛
𝑖=1 𝑖=1

Remarque :
La moyenne arithmétique des indices sera utilisée si les 𝑛 valeurs observées de 𝐺 ont même
importance, la pondération est la même partout, cela est équivalent à une pondération égale à 1.
Dans la réalité, on préfère une moyenne pondérée qui est bien plus équilibrée (on verra l’exemple
de la moyenne de Laspeyres) ou une moyenne géométrique qui est plus insensible aux fluctuations
des valeurs des indices, cette dernière est préconisée pour le calcul des indices boursiers.

2.6 Application

Les indices élémentaires du prix moyen d’un produit 𝑃 sur le marché de gros, base 100 l’année
précédente, sont les suivants pour les années 1976 à 1980
1976 1977 1978 1979 1980
220.0 170.0 63.5 96.8 90.9

1. Calculons pour chacune des années 1976 { 1980, l’indice élémentaire du prix de produit 𝑃 dans
les cas suivants :
a. En prenant 1975 comme date de référence.

b. En prenant la période des trois années 1975-1977 comme date de référence.

 En prenant 1975 comme date de référence :

La propriété de transférabilité s’écrit :

𝐼 𝑛 𝑛0 = 𝐼 𝑛 𝑛 − 1 ∗ 𝐼 𝑛 − 1 𝑛 − 2 ∗ 𝐼 𝑛 − 2 𝑛 − 3 ∗ ⋯ ∗ 𝐼 𝑛 0 + 1 𝑛0
Ici 𝑛0 = 1975 alors on obtient les résultats suivants :

𝐼 76 75 = 2.200

𝐼 77 75 = 𝐼 77 76 ∗ 𝐼 76 75 = 1.700 ∗ 2.200 = 3.740

𝐼 78 75 = 𝐼 78 77 ∗ 𝐼 77 76 ∗ 𝐼 76 75 = 0.635 ∗ 1.700 ∗ 2.200 = 2.375

80
FSJES-Oujda
 𝐼 79 75 = 𝐼 79 78 ∗ 𝐼 78 77 ∗ 𝐼 77 76 ∗ 𝐼 76 75 = 0.968 ∗ 0.635 ∗ 1.700 ∗ 2.200
= 2.299

𝐼 80 75 = 𝐼 80 79 ∗ 𝐼 79 78 ∗ 𝐼 78 77 ∗ 𝐼 77 76 ∗ 𝐼 76 75
= 0.909 ∗ 0.968 ∗ 0.635 ∗ 1.700 ∗ 2.200 = 2.0897

On obtient alors les indices élémentaires suivants base 100 en 1975

1975 1976 1977 1978 1979 1980

100 220.0 374.0 237.49 229.9 208.97

 En prenant la période des trois années 1975-1977 comme date de référence :

D’après la propriété de circularité des indices élémentaires, on peut écrire :

𝐼 𝑡 75 = 𝐼 𝑡 75 − 77 ∗ 𝐼 75 − 77 75

ce qui donne
𝐼 𝑡 75
𝐼 𝑡 75 − 77 =
𝐼 75 − 77 75

L’indice élémentaire du prix moyen du quintal de produit 𝑃 pour la période 75 à 77 est, en prenant
l’année 75 pour référence :
𝑝𝑟𝑖𝑥 75 + 𝑝𝑟𝑖𝑥 76 + 𝑝𝑟𝑖𝑥 77
𝑝𝑟𝑖𝑥 𝑚𝑜𝑦𝑒𝑛 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 75 − 77 3
𝐼 75 − 77 75 = =
𝑝𝑟𝑖𝑥 𝑝𝑜𝑢𝑟 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 75 𝑝 75

1 𝑝𝑟𝑖𝑥 75 + 𝑝𝑟𝑖𝑥 76 + 𝑝𝑟𝑖𝑥 77 1 𝑝𝑟𝑖𝑥 75 𝑝𝑟𝑖𝑥 76 𝑝𝑟𝑖𝑥 77

= ∗ = + +
3 𝑝 75 3 𝑝 75 𝑝 75 𝑝 75

𝐼 75 75 + 𝐼 76 75 + 𝐼 77 75 1.00 + 2.20 + 3.74

= = = 2.3133
3 3

𝐼 75 − 77 75 = 2.3133

d’où, on a les résultats :

1
𝐼 75 75 − 77 = = 0.432
2.3131

2.20
𝐼 76 75 − 77 = = 0.951
2.3131

3.74
𝐼 77 75 − 77 = = 1.617
2.3131

⋯⋯⋯

On obtient les indices élémentaires suivants, base 100 en 1975-1977 :

81
FSJES-Oujda
 1975 1976 1977 1978 1979 1980
43.2 95.1 161.7 102.7 99.4 90.3

2. En 1977 le prix moyen du quintal de produit 𝑃 a été de 2960.0 DH.

a. En déduire le prix moyen du quintal pour les autres années.

b. A partir des résultats. Vérifier les valeurs trouvées précédemment pour l’indice
élémentaire du prix de produit 𝑃 base 100 en 1975-1977.

 Calculons le prix moyen pour les autres années :

D’après la définition des indices élémentaires :

𝑝 𝑡
𝐼 𝑡 𝑡0 =
𝑝 𝑡0

D’où pour 1977, on a :

2960.0
𝐼 77 75 = = 3.74
𝑝 75

Ce qui donne le prix pour 1975 :

2960.0
𝑝 75 = = 791.44
3.74

𝑝 𝑡
𝐼 𝑡 75 = 𝑝 𝑡 = 𝑝 75 ∗ 𝐼 𝑡 75
𝑝 75

A.N.

𝑝 76 = 𝑝 75 ∗ 𝐼 76 75 = 791.44 ∗ 2.20 = 1741.2

𝑝 78 = 𝑝 75 ∗ 𝐼 78 75 = 791.44 ∗ 2.375 = 1879.7

⋯⋯⋯

On obtient les prix moyens suivants (en DH par quintal)

1975 1976 1977 1978 1979 1980

791.4 1741.2 2960.0 1879.7 1819.5 1654.1

 Vérifions les valeurs trouvées précédemment pour l’indice élémentaire du prix de produit 𝑷
base 100 en 1975-1977 :

Le prix moyen du quintal de produit 𝑃 pour la période 75-77 :

791.4 + 1741.2 + 2960.0

𝑝75−77 = = 1830.9 𝐷𝐻
3
82
FSJES-Oujda
D’où le calcul des indices élémentaires, base 100 en 75-77 :

𝑝 75 791.4
𝐼 75 75 − 77 = ∗ 100 = ∗ 100 = 43.2
𝑝75−77 1830.9
𝑝 76 1741.2
𝐼 76 75 − 77 = ∗ 100 = ∗ 100 = 95.1
𝑝75−77 1830.9
⋯⋯⋯

Ainsi on retrouve les mêmes résultats calculés dans la question 1. b.

1975 1976 1977 1978 1979 1980

43.2 95.1 161.7 102.7 99.4 90.3

3. Les indices synthétiques

3.1 Exemple d’utilisation

Utilisation dans le monde, exemple des pays de l’OCDE

OCDE : Organisation de Coopération et de Développement Économique
Elle regroupe actuellement 38 pays :
 les pays de l'Europe occidentale
 l'Amérique du nord, le Japon, l'Australie,
 la Nouvelle-Zélande, la Corée
 quelques pays d'Europe centrale : République tchèque, Hongrie, Pologne
 la Turquie, le Chili, la Slovénie, Israël, Estonie, la Colombie, et le Costa Rica

83
FSJES-Oujda
L'OCDE est le principal rassembleur de statistiques sur les pays développés. Son siège est à Paris.

Pays Costa Rica Colombie Lituanie Lettonie Estonie Israël Slovénie Chili République
slovaque
Date 25/05/2021 28/04/2020 05/07/2018 01/07/2016 09/12/2010 07/09/2010 21/07/2010 07/05/2010 14/12/2000

Pays Corée Pologne Hongrie République Mexique Nouvelle- Australie Finlande Japon
tchèque Zélande
Date 12/12/1996 22/11/1996 07/05/1996 21/12/1995 18/05/1994 29/05/1973 07/06/1971 28/01/1969 28/04/1964

Pays Italie Luxembourg Pays-Bas Autriche Suède Suisse Allemagne Grèce Belgique
Date 29/03/1962 07/12/1961 13/11/1961 29/09/1961 28/09/1961 28/09/1961 27/09/1961 27/09/1961 13/09/1961

Pays Irlande France Portugal Espagne Turquie Norvège Islande Danemark Royaume-
Uni
Date 17/08/1961 07/08/1961 04/08/1961 03/08/1961 02/08/1961 04/07/1961 05/06/1961 30/05/1961 02/05/1961

Pays États-Unis Canada

Date 12/04/1961 10/04/1961
On donne par exemple la méthodologie utilisée pour calculer l’indice de prix { la consommation.

3
PRINCIPAUX INDICATEURS ÉCONOMIQUES, ANALYSE MÉTHODOLOGIQUE COMPARATIVE : INDICES DES
PRIX À LA CONSOMMATION ET DES PRIX À LA PRODUCTION, Supplément 2, OCDE-2002
3.2 Indices synthétiques de prix

Indice de prix de Laspeyres

Pour obtenir l’indice de prix de Laspeyres, on suppose que les quantités consommées pour la
période courante sont les mêmes consommées pour la période de référence. On pondère ensuite
les prix par les quantités consommées et on calcule l’indice des moyennes,

𝑝𝑟𝑖𝑥 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑛 𝑝𝑜𝑛𝑑é𝑟é𝑠 𝑝𝑎𝑟 𝑙𝑒𝑠 𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑛0

𝐿𝑝 𝑛 𝑛 0 =
𝑝𝑟𝑖𝑥 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑛0 𝑝𝑜𝑛𝑑é𝑟é𝑠 𝑝𝑎𝑟 𝑙𝑒𝑠 𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑛0

𝐾 (𝑖) (𝑖)
𝑖=1 𝑝𝑛 ∗ 𝑞𝑛 0
𝐿𝑝 𝑛 𝑛 0 = (𝑖) (𝑖)
𝐾
𝑖=1 𝑝𝑛 0 ∗ 𝑞𝑛 0

Si on introduit dans cette formule les indices des prix, on pose les indices simples suivants :
𝑝(𝑖)
𝐼𝑝 (𝑛 𝑛0 ) = 𝑛(𝑖)
(𝑖)

𝑝𝑛
0

On obtient une moyenne arithmétique pondérée des indices simples, les pondérations ici sont les
chiffres d’affaires (ou dépenses) réalisés { la période de référence :
𝐾 (𝑖) (𝑖) (𝑖)
𝑖=1 𝐼𝑝 (𝑛 𝑛0 ) ∗ 𝑝𝑛 0 ∗ 𝑞𝑛 0
𝐿𝑝 𝑛 𝑛 0 = (𝑖) (𝑖)
𝐾
𝑖=1 𝑝𝑛 0 ∗ 𝑞𝑛 0

Remarque :
Le produit 𝑝 ∗ 𝑞 entre le prix 𝑝 et la quantité 𝑞 a comme interprétation soit « le chiffre d’affaire »
réalisé par la vente d’un bien en quantité 𝑞 avec un prix de vente unitaire 𝑝, soit une
interprétation comme les charges ou les dépenses effectuées en consommant un bien ou une
matière première en quantité 𝑞 avec un prix d’achat unitaire 𝑝.

On peut calculer l’indice de prix de Laspeyres si on connait les indices simples des prix et
seulement les pourcentages des chiffres d’affaires pour chaque produit qui sont réalisés { la date
de référence.
𝐾
(𝑖) (𝑖)
𝐿𝑝 𝑛 𝑛0 = 𝐼𝑝 (𝑛 𝑛0 ) ∗ 𝑓𝑛 0
𝑖=1
(𝑖)
Avec 𝑓𝑛 0 le pourcentage du chiffre d’affaire réalisé par le 𝑖 è𝑚𝑒 produit à la date de référence 𝑛0 .
(𝑖) (𝑖)
(𝑖) 𝑝𝑛 0 ∗ 𝑞𝑛 0
𝑓𝑛 0 = (𝑖) (𝑖)
𝐾
𝑖=1 𝑝𝑛 0 ∗ 𝑞𝑛 0

Indice de prix de Paasche

Pour cet indice, les quantités consommées sont celles de la période courante. On calcule l’indice
des moyennes en pondérant les prix par les quantités consommées à la période courante,

𝑝𝑟𝑖𝑥 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑛 𝑝𝑜𝑛𝑑é𝑟é𝑠 𝑝𝑎𝑟 𝑙𝑒𝑠 𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑛

𝑃𝑝 𝑛 𝑛0 =
𝑝𝑟𝑖𝑥 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑛0 𝑝𝑜𝑛𝑑é𝑟é𝑠 𝑝𝑎𝑟 𝑙𝑒𝑠 𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑛

86
FSJES-Oujda
 𝐾 (𝑖) (𝑖)
𝑖=1 𝑝𝑛 ∗ 𝑞𝑛
𝑃𝑝 𝑛 𝑛0 = (𝑖) (𝑖)
𝐾
𝑖=1 𝑝𝑛 0 ∗ 𝑞𝑛

Introduisant maintenant dans la formule ci-dessus, les indices simples des prix, on obtient une
moyenne harmonique des indices simples. La moyenne harmonique considérée ici est une
moyenne pondérée4 par les chiffres d’affaires réalisés { la période courante:

𝐾 (𝑖) (𝑖)
𝑖=1 𝑝𝑛 ∗ 𝑞𝑛
𝑃𝑝 𝑛 𝑛0 = (𝑖) (𝑖)
𝐾 𝑝𝑛 ∗ 𝑞𝑛
𝑖=1 (𝑖)
𝐼𝑝 (𝑛 𝑛0 )

Cette formule peut être reformulé en considérant seulement les pourcentages

1
𝑃𝑝 𝑛 𝑛0 =
(𝑖)
𝐾 𝑓𝑛
𝑖=1 (𝑖)
𝐼𝑝 (𝑛 𝑛0 )

(𝑖)
Avec 𝑓𝑛 le pourcentage du chiffre d’affaire réalisé par le 𝑖 è𝑚𝑒 produit à la date de référence 𝑛.
(𝑖) (𝑖)
(𝑖) 𝑝𝑛 ∗ 𝑞𝑛
𝑓𝑛 = (𝑖) (𝑖)
𝐾
𝑖=1 𝑝𝑛 ∗ 𝑞𝑛

Un troisième indice qui va profiter de l’indice de Laspeyres et de l’indice de Paasche pour atténuer
leur différence est l’indice de Fisher.

Indice de prix de Fisher

Cet indice est la moyenne géométrique entre l’indice de Laspeyres et l’indice de Paasche,

𝐹𝑝 𝑛 𝑛0 = 𝐿𝑝 𝑛 𝑛0 ∗ 𝑃𝑝 𝑛 𝑛0

3.3 Indices synthétiques de volumes

Le même principe appliqué pour l’indice de prix des trois indices synthétiques évoqués ci-dessus,
est appliqué pour l’indice synthétique de volume, celui de Laspeyres, Paasche et Fisher. Pour
l’indice de volume de Laspeyres, les prix pour la période courante sont les mêmes prix pour la
période de référence. On pondère ensuite les volumes par les prix et on calcule l’indice des
moyennes,

Indice de volume de Laspeyres

𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠𝑑𝑒𝑙𝑎𝑝é𝑟𝑖𝑜𝑑𝑒𝑛𝑣𝑎𝑙𝑜𝑟𝑖𝑠é𝑒𝑠𝑎𝑢𝑝𝑟𝑖𝑥𝑑𝑒𝑙𝑎𝑝é𝑟𝑖𝑜𝑑𝑒𝑛0
𝐿𝑞 𝑛 𝑛 0 =
𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠𝑑𝑒𝑙𝑎𝑝é𝑟𝑖𝑜𝑑𝑒𝑛0 𝑣𝑎𝑙𝑜𝑟𝑖𝑠é𝑒𝑠𝑎𝑢𝑝𝑟𝑖𝑥𝑑𝑒𝑙𝑎𝑝é𝑟𝑖𝑜𝑑𝑒𝑛0

4
On rappelle qu’une moyenne harmonique pondérée des valeurs 𝑥𝑖 , 𝑤𝑖 ; 𝑖 = 1,2, … , 𝑛 , les 𝑤𝑖 étant les poids de la
𝑛
𝑤
série des données, est fournie par la formule suivante 𝐻 = 𝑛 𝑖=1𝑤 𝑖 𝑖 = 1 1 𝑤
𝑖=1 𝑥𝑖
𝑛 ∗ 𝑛𝑖=1 𝑖
𝑖=1 𝑤 𝑖 𝑥𝑖

87
FSJES-Oujda
 𝐾 (𝑖) (𝑖)
𝑖=1 𝑞𝑛 ∗ 𝑝𝑛 0
𝐿𝑞 𝑛 𝑛 0 = (𝑖) (𝑖)
𝐾
𝑖=1 𝑞𝑛 0 ∗ 𝑝𝑛 0

Introduisant maintenant les indices simples des quantités, on obtient une moyenne des indices des
quantités pondérées par le chiffre d’affaire { la période de référence,

𝐾 (𝑖) (𝑖) (𝑖)

𝑖=1 𝐼𝑞 (𝑛 𝑛0 ) ∗ 𝑞𝑛 0 ∗ 𝑝𝑛 0
𝐿𝑞 𝑛 𝑛 0 = (𝑖) (𝑖)
𝐾
𝑖=1 𝑞𝑛 0 ∗ 𝑝𝑛 0

Cette formule peut être réécrite de la façon suivante :

𝐾
(𝑖) (𝑖)
𝐿𝑞 𝑛 𝑛 0 = 𝐼𝑞 (𝑛 𝑛0 ) ∗ 𝑓𝑛 0
𝑖=1
(𝑖)
Avec 𝑓𝑛 0 le pourcentage du chiffre d’affaire réalisé par le 𝑖 è𝑚𝑒 produit à la date de référence 𝑛0 .

Indice de volume dePaasche

Ici on pondère les volumes par les prix de la période courante,

𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠𝑑𝑒𝑙𝑎𝑝é𝑟𝑖𝑜𝑑𝑒𝑛𝑣𝑎𝑙𝑜𝑟𝑖𝑠é𝑒𝑠𝑎𝑢𝑝𝑟𝑖𝑥𝑑𝑒𝑙𝑎𝑝é𝑟𝑖𝑜𝑑𝑒𝑛
𝐿𝑞 𝑛 𝑛 0 =
𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠𝑑𝑒𝑙𝑎𝑝é𝑟𝑖𝑜𝑑𝑒𝑛0 𝑣𝑎𝑙𝑜𝑟𝑖𝑠é𝑒𝑠𝑎𝑢𝑝𝑟𝑖𝑥𝑑𝑒𝑙𝑎𝑝é𝑟𝑖𝑜𝑑𝑒𝑛

𝐾 (𝑖) (𝑖)
𝑖=1 𝑞𝑛 ∗ 𝑝𝑛
𝑃𝑞 𝑛 𝑛0 = (𝑖) (𝑖)
𝐾
𝑖=1 𝑞𝑛 0 ∗ 𝑝𝑛

Si on introduit les indices simples des quantités, on obtient une moyenne harmonique pondérée, les
pondérations correspondent aux chiffres d’affaires réalisés { la période courante :

𝐾 (𝑖) (𝑖)
𝑖=1 𝑞𝑛 ∗ 𝑝𝑛
𝑃𝑞 𝑛 𝑛0 = (𝑖) (𝑖)
𝐾 𝑞𝑛 ∗ 𝑝𝑛
𝑖=1 (𝑖)
𝐼𝑞 (𝑛 𝑛0 )

(𝑖)
On réécrit cette formule en introduisant les pourcentages 𝑓𝑛
1
𝑃𝑞 𝑛 𝑛0 =
(𝑖)
𝐾 𝑓𝑛
𝑖=1 (𝑖)
𝐼𝑞 (𝑛 𝑛0 )
(𝑖)
Avec𝑓𝑛 le pourcentage du chiffre d’affaire réalisé par le 𝑖 è𝑚𝑒 produit à la date de référence 𝑛.

Indice de volume de Fisher

Comme dans le cas de l’indice de prix de Fisher, on prendra la moyenne géométrique entre l’indice
de volume de Laspeyres et l’indice de volume de Paasche,

𝐹𝑞 𝑛 𝑛0 = 𝐿𝑞 𝑛 𝑛0 ∗ 𝑃𝑞 𝑛 𝑛0

88
FSJES-Oujda
Exemple1

Dans cet exemple, on relève pendant trois années consécutives, les différents prix et les différentes
quantités consommées pour trois articles,

Prix Quantités
Année 2004 2005 2006 2004 2005 2006
Articles
A 30 40 45 100 120 150
B 5 6 6 20 30 50
C 40 50 45 10 20 30

Calculons l’indice de volume de Laspeyres 𝐿𝑞 (2006/2004), on aura :

150 ∗ 30 + 50 ∗ 5 + 30 ∗ 40 5950
𝐿𝑞 2006 2004 = = = 1.7
100 ∗ 30 + 20 ∗ 5 + 10 ∗ 40 3500

Il ya une augmentation de 70% des quantités consommées en 2006 par rapport à 2004 base 100.

Si on calcule les indices simples des quantités, les dépenses liées à chaque article et les
pourcentages de dépenses de chaque article, on obtient le tableau suivant,

Articles A B C

(𝒊)
𝑰𝒒 𝟐𝟎𝟎𝟔 𝟐𝟎𝟎𝟒 1.5 2.5 3

(𝒊)
𝒒𝟐𝟎𝟎𝟒 ∗ 𝒑𝟐𝟎𝟎𝟒
(𝒊) 3000 100 400

(𝒊)
𝒇𝟐𝟎𝟎𝟒 85.71% 2.86% 11.43%

On peut refaire le calcul en utilisant la formule utilisant la moyenne pondérée. Les pondérations
peuvent soit être soit les dépenses par article, soit les pourcentages des dépenses.

3 (𝑖) (𝑖) (𝑖)

𝑖=1 𝐼𝑞 (2006 2004) ∗ 𝑞2004 ∗ 𝑝2004
𝐿𝑞 2006 2004 = (𝑖) (𝑖)
3
𝑖=1 𝑞2004 ∗ 𝑝2004

1.5 ∗ 3000 + 2.5 ∗ 100 + 3 ∗ 400 5950

= = = 1.7
3500 3500

(𝑖)
Pour la formule utilisant les fréquences 𝑓2004 , on aura
3
(𝑖) (𝑖)
𝐿𝑞 2006 2004 = 𝐼𝑞 (2006 2004) ∗ 𝑓2004
𝑖=1
= 1.5 ∗ 85.71% + 2.5 ∗ 2.86% + 3 ∗ 11.43%
= 1.7

Si on calcule les autres indices on trouvera :

89
FSJES-Oujda
 Indice de volume de Paasche 𝑃𝑞 (2006/2004) = 1.657

Indice de volume de Fisher 𝐹𝑞 (2006/2004) = 1.678

Pour les indices de prix

Indice de prix de Laspeyres 𝐿𝑝 (2006/2004) = 1.449

Indice de prix de Paasche 𝑃𝑝 (2006/2004) = 1.412

Indice de prix de Fisher 𝐹𝑝 (2006/2004) = 1.43

Exemple2

La valeur globale d’un panier alimentaire est constituée de 70% des légumes & fruits et de 30% des
viandes. Supposant que le prix des viandes a connu une augmentation de 15% et que le prix des
légumes & fruits a baissé de 20%. Calculons l’indice synthétique Paasche prix du panier.

𝑝𝑟𝑖𝑥 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑛 𝑝𝑜𝑛𝑑é𝑟é𝑠 𝑝𝑎𝑟 𝑙𝑒𝑠 𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑛

𝑃𝑝 𝑛 𝑛0 =
𝑝𝑟𝑖𝑥 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑛0 𝑝𝑜𝑛𝑑é𝑟é𝑠 𝑝𝑎𝑟 𝑙𝑒𝑠 𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠 𝑑𝑒 𝑙𝑎 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑛

2 (𝑖) (𝑖) 2 (𝑖) (𝑖)

𝑖=1 𝑝𝑛 ∗ 𝑞𝑛 𝑖=1 𝑝𝑛 ∗ 𝑞𝑛 1
𝑃𝑝 𝑛 𝑛0 = (𝑖) (𝑖)
= (𝑖) (𝑖)
=
2
𝑖=1 𝑝𝑛 0 ∗ 𝑞𝑛 2 𝑝𝑛 ∗ 𝑞𝑛 (𝑖) (𝑖)
𝑖=1 (𝑖) 2 1 𝑝𝑛 ∗ 𝑞𝑛
𝐼𝑃 𝑖=1 (𝑖) ∗ 2 (𝑖) (𝑖)
𝐼𝑃 𝑖=1 𝑝𝑛 ∗ 𝑞𝑛

A.N.
1
𝑃𝑝 𝑛 𝑛0 = = 0.8804 = 88.04%
1 1
0.80 ∗ 0.70 + 1.15 ∗ 0.30

Le prix du panier a diminué de 11.96%.

Exemple3

Un portefeuille est constitué de 40% d’une Action A et de 60% d’une action B. Sachant que le prix
de l’action A a augmenté de 5% et le prix de l’action B a diminué de 4%, calculez l’indice de
Laspeyres prix du portefeuille :

𝑝𝑟𝑖𝑥𝑑𝑒𝑙𝑎𝑝é𝑟𝑖𝑜𝑑𝑒𝑛𝑝𝑜𝑛𝑑é𝑟é𝑠𝑝𝑎𝑟𝑙𝑒𝑠𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠𝑑𝑒𝑙𝑎𝑝é𝑟𝑖𝑜𝑑𝑒𝑛0
𝐿𝑝 𝑛 𝑛 0 =
𝑝𝑟𝑖𝑥𝑑𝑒𝑙𝑎𝑝é𝑟𝑖𝑜𝑑𝑒𝑛0 𝑝𝑜𝑛𝑑é𝑟é𝑠𝑝𝑎𝑟𝑙𝑒𝑠𝑞𝑢𝑎𝑛𝑡𝑖𝑡é𝑠𝑑𝑒𝑙𝑎𝑝é𝑟𝑖𝑜𝑑𝑒𝑛0

2 (𝑖) (𝑖) 2 (𝑖) (𝑖) (𝑖) 2 (𝑖) (𝑖)

𝑖=1 𝑝𝑛 ∗ 𝑞𝑛 0 𝑖=1 𝐼𝑝 (𝑛 𝑛0 ) ∗ 𝑝𝑛 0 ∗ 𝑞𝑛 0 𝑝𝑛 0 ∗ 𝑞𝑛 0
𝐿𝑝 𝑛 𝑛 0 = (𝑖) (𝑖)
= (𝑖) (𝑖)
= 𝐼𝑝𝑖 𝑛 𝑛0 ∗ (𝑖) (𝑖)
2 2 2
𝑖=1 𝑝𝑛 0 ∗ 𝑞𝑛 0 𝑖=1 𝑝𝑛 0 ∗ 𝑞𝑛 0 𝑖=1 𝑖=1 𝑝𝑛 0 ∗ 𝑞𝑛 0

A.N.

𝐿𝑝 𝑛 𝑛0 = 1.05 ∗ 0.4 + 0.96 ∗ 0.6 = 0,996 = 99.6%

On observe une diminution du prix du portefeuille de 0.004 = 0.4%

90
FSJES-Oujda
EXERCICES SOLUTIONNÉS

1. Série d’exercices N°1

N.B. les calculs et les diagrammes sont faits à l’aide de l’outil Excel de Microsoft

Exercice 1 : Une enquête par sondage est menée auprès d’une population d’adultes de plus de 21
ans ; la population est constituée de 𝑁 = 3120 individus et le taux de sondage est de 15%. Toutes
les personnes sélectionnées sont contactées par téléphone pour leur poser la question suivante :
"Quelle description pouvez-vous donner à votre santé physique actuelle ?"
On donne dans le tableau suivant les réponses observées
Excellente Bonne Correcte Mauvaise Pas d’opinion

1. Quelle est la taille 𝑛 de l’échantillon de l’enquête ?

Le taux de sondage est

𝑛
= 15% = 0.15
𝑁
Ce qui donne 𝑛 = 3120 ∗ 0.15 = 468.
On a sélectionné 468 personnes de la population pour constituer notre échantillon.

2. Quel est le caractère étudié et quel est son type ?

Le caractère étudié est l’état de la santé physique de la population ciblé

Le type de ce caractère est qualitatif ; étant donné que les modalités observées { l’exception de
la modalité " Pas d’opinion" acceptent un certain ordre, par exemple Excellente est mieux que
Bonne, on peut considérer que le caractère est qualitatif ordinal

3. Peut-on calculer pour ce caractère des moyennes ou qu’il est préférable d’utiliser des
pourcentages ?

On préférera toujours pour un caractère qualitatif le calcul des pourcentages même si le

caractère est ordinal.
Mais dans certaines études où on veut donner une note pour se repérer par rapport { d’autres
études (on parle aussi de cote ou d’appréciation), les calculs de moyennes sur les modalités de
la variable qualitative ordinale sont permis, dans ce cas, la modalité est codée d’une manière {
refléter son positionnement dans l’ensemble des modalités
Par exemple on peut coder ainsi
4 3 2 1 99
Excellente Bonne Correcte Mauvaise Pas d’opinion
Mais pas de cette manière :
1 2 3 4 5
Excellente Bonne Correcte Mauvaise Pas d’opinion

91
FSJES-Oujda
4. Dans l’étude on a eut 30.96% qui ont dit que leur santé était excellente. Combien de personnes
ont fourni cette réponse ?

Parmi les 468 qui ont été contacté, 30.96% ont déclaré que leur santé était excellente.

Si 𝑛1 est le nombre de personnes qui ont répondus de cette manière, alors

𝑛1 = 30.96% ∗ 468 = 144.89

Il y a 145 personnes qui déclarent que leur santé est excellente.

Exercice 2 : Le gérant d’une agence bancaire s’inquiète du nombre de comptes courants dont le
solde est débiteur. Comme son système de classement lui permet d’accéder aisément { des groupes
de cinq comptes, il relève, dans cent groupes distincts, le nombre de comptes débiteurs et obtient
les données suivantes :
1 0 0 0 2 2 1 0 0 0 0 4 0 0 2 1 1 1 0 2
0 0 0 1 3 1 5 0 2 0 0 1 1 2 0 3 0 0 1 1
3 1 0 0 0 3 2 1 0 1 1 0 0 1 2 0 1 3 1 0
0 2 0 4 0 3 0 0 0 2 2 1 1 0 0 1 0 1 0 1
1 2 1 0 0 0 0 0 0 1 3 0 1 1 0 1 2 1 0 0

1. Déterminer la population statistique, l’unité statistique, le caractère et l’effectif total.

Dans cet exercice on comprend qu’on s’intéresse aux comptes débiteurs qui présentent un
risque potentiel pour la banque, la population cible est l’ensemble des comptes de l’agence
bancaire, le caractère { observer est l’état d’un compte, ce caractère peut prendre deux
modalités : débiteur ou non débiteur.
La difficulté ou peut être la confidentialité pour accéder à la base des données de tous les
comptes nous oblige à considérer une autre population celle des groupes de cinq comptes,
l’unité statistique est le groupe de cinq comptes, le caractère à observer est le nombre de
comptes débiteurs dans le groupe observé, il peut prendre les valeurs 0, 1, 2, 3, 4 et 5 ; l’effectif
total est le nombre total de groupes observés, c.{.d. qu’il est égal { 100.

2. Quel est le type de la série statistique ? Représenter la série statistique dans un tableau
statistique.
Le type de la série statistique est quantitatif discret, la représentation de la série dans le
tableau-synthèse est :
Distribution des groupes selon le nombre
de comptes débiteurs
Nombre de comptes Effectif
débiteurs 𝑛𝑖
0 47
1 30
2 13
3 7
4 2
5 1
Total 100

92
FSJES-Oujda
3. Compléter le tableau en ajoutant la ligne des fréquences et des fréquences cumulés.

Distribution des groupes selon le nombrede comptes débiteurs

Nombre de Effectif Fréquence Fréquence cumulée
Comptes débiteurs 𝑛𝑖 𝑓𝑖 𝐹𝑖
0 47 0.47 0.47
1 30 0.30 0.77
2 13 0.13 0.90
3 7 0.07 0.97
4 2 0.02 0.99
5 1 0.01 1.00
Total 100 1.00

4. Quelle est la fréquence des groupes ayant au plus un compte débiteur ?

La fréquence des groupes ayant au plus un compte débiteur est égale à

0.47 + 0.30 = 0.77

 Quelle est la fréquence des groupes ayant plus de trois comptes débiteurs ?

La fréquence des groupes ayant plus de trois comptes débiteurs est égale à
0.07 + 0.02 + 0.01 = 0.10

5. Tracer le diagramme en bâtons et la courbe cumulative de la série statistique.

Le diagramme en bâtons (ou à bandes rectangulaires)

Distribution du nombre de comptes débiteurs par groupe

50 47
45
40
35
30
30
25
20
15 13
10 7
5 2 1
0
0 1 2 3 4 5

93
FSJES-Oujda
 La courbe cumulative

Courbe cumulative du nombre de comptes débiteurs

par groupe
120

100

80
Fréquence
%

60

40

20

0
0 1 2 3 4 5
Nbre Comptes Déb.

Exercice 3 : On mesure les tailles de cent étudiants d’une faculté universitaire. Les résultats
obtenus, rangés par ordre croissant et exprimés en centimètres, sont les suivants :

162 165 167 167 168 168 169 170 171 171 171 171 171 171 172 172
172 172 172 172 172 173 173 173 173 173 173 173 174 174 174 174
174 174 174 174 174 174 174 174 174 174 174 175 175 175 175 175
175 175 175 175 175 175 175 175 176 176 176 176 176 176 176 176
176 176 176 176 177 177 177 177 177 177 177 177 177 178 178 178
178 178 178 178 178 178 179 179 179 179 179 179 179 180 181 181
181 182 183 185

1. Déterminer la population statistique, l’unité stat, le caractère et l’effectif total.

La population statistique : les étudiants de la faculté universitaire.

L’unité statistique : un étudiant inscrit dans cette faculté.

Le caractère : taille d’un étudiant.

L’effectif total : 100

2. Grouper ces observations en un nombre adéquat de classes de même amplitude.

On va utiliser la formule de Sturges pour déterminer le nombre de classes:

1 + 3.322 ∗ 𝑙𝑜𝑔10 100 = 7.644

94
FSJES-Oujda
 L’entier le plus proche est 8.
On va distribuer les données sur 8 classes, on a :

𝑘 = 8 , 𝑛 = 100 , l’étendu 𝑒 = 185 − 162 = 23

L’amplitude 𝑒 𝑘 = 23 8 = 2.875, on corrige cette amplitude et on prendra l’amplitude 𝑐 = 3

(les données ne présentent pas de décimales après la virgule).

Les classes seront ainsi, [162 , 162+3[ = [162 , 165[ ; [165 , 168[ ; [ 168 , 171[ ; …

Distribution des étudiants de la faculté selon leur taille

Taille d’un étudiant Effectif
en cm 𝑛𝑖
[162 , 165[ 1
[165 , 168[ 3
[ 168, 171[ 4
[ 171, 174[ 20
[ 174, 177[ 40
[ 177, 180[ 25
[ 180, 183[ 5
[ 183, 186[ 2
Total 100

3. Tracer l’histogramme des fréquences cumulées et la courbe cumulative.

On complète la tableau-synthèse par les fréquences et les fréquences cumulées.

Distribution des étudiants de la faculté selon leur taille

Taille d’un étudiant Effectif Fréquence Fréquence cumulée
en cm 𝑛𝑖 𝑓𝑖 𝐹𝑖
[162 , 165[ 1 0.01 0.01
[165 , 168[ 3 0.03 0.04
[ 168, 171[ 4 0.04 0.08
[ 171, 174[ 20 0.20 0.28
[ 174, 177[ 40 0.40 0.68
[ 177, 180[ 25 0.25 0.93
[ 180, 183[ 5 0.05 0.98
[ 183, 186[ 2 0.02 1.00
Total 100 1

95
FSJES-Oujda
 Histogramme des fréquences cumulées:

Histogramme des fréquences cumulées de la taille des étudiants de la faculté

120%

0,98 1
100% 0,93
Fréquences cumulées

80%
0,68

60%

40%
0,28

20%
0,08
0,04
1%
0%
163,5 166,5 169,5 172,5 175,5 178,5 181,5 184,5
Taille (en cm)

Courbe cumulative des fréquences (ou polygone des fréquences cumulées)

Ogive de la taille des étudiants de la faculté

1,2

1
1 0,98
0,93
Fréquences cumulées

0,8
0,68

0,6

0,4
0,28

0,2
0,08
0,04
1%
0
162 165 168 171 174 177 180 183 186

96
FSJES-Oujda
4. Déterminer graphiquement (et par calcul) le pourcentage des étudiants dont la taille est entre
175 cm et 178 cm.

Par calcul direct sur les données on doit chercher l’effectif de la classe [175, 178[ qui est égal à
34, ce qui donne un pourcentage égal 34%.

Par utilisation du graphe on doit se baser sur la courbe cumulative (ogive) en utilisant le
principe de l’interpolation linéaire :

𝐹𝑖

𝐹𝑖−1

𝑞𝛼 𝑏𝑖𝑛𝑓 + 𝑐
𝑏𝑖𝑛𝑓

Ce qui donne par interpolation linéaire que

𝑏𝑖𝑛𝑓
𝑞𝛼 − 𝑏𝑖𝑛𝑓 𝑐 𝑐
= =
𝛼 − 𝐹𝑖−1 𝐹𝑖 − 𝐹𝑖−1 𝑓𝑖

On aura la formule du cours (voir calcul des quantiles)

𝛼 − 𝐹𝑖−1
𝑞𝛼 = 𝑏𝑖𝑛𝑓 + ∗𝑐
𝑓𝑖

Si on reprend l’ogive précédent pour les deux intervalles [ 174, 177[ et [ 177, 180[

𝛼2

𝛼1

𝑞𝛼 1 = 175 𝑞𝛼 2 = 178

97
FSJES-Oujda
Si on écrit 𝛼 en fonction de 𝑞𝛼 on aura :

𝑞𝛼 − 𝑏𝑖𝑛𝑓
𝛼= ∗ 𝑓𝑖 + 𝐹𝑖−1
𝑐

𝑛𝑖 𝑓𝑖 𝐹𝑖
[ 174, 177[ 40 0.40 0.68
[ 177, 180[ 25 0.25 0.93

On calcule 𝛼1 et 𝛼2 ,

175 − 174
𝛼1 = ∗ 0.40 + 0.28 = 0.4133
3

178 − 177
𝛼2 = ∗ 0.25 + 0.68 = 0.7633
3

Le pourcentage demandé est égal

0.7633 − 0.4133 = 35%

5. Déterminer graphiquement la taille 𝑇𝑚 telle que 50% de la population ait des tailles supérieures
strictement à 𝑇𝑚 .

Pour l’observation graphique de 𝑇𝑚 c’est le même principe que la question4 :

𝐹𝑖
50%

𝐹𝑖−1

𝑇𝑚 𝑏𝑖𝑛𝑓 + 𝑐
𝑏𝑖𝑛𝑓

On a l’égalité suivante

𝑇𝑚 − 𝑏𝑖𝑛𝑓 𝑐 𝑐
= =
50% − 𝐹𝑖−1 𝐹𝑖 − 𝐹𝑖−1 𝑓𝑖

98
FSJES-Oujda
Ce qui donne la formule du cours pour la médiane

0.5 − 𝐹𝑖−1
𝑇𝑚 = 𝑏𝑖𝑛𝑓 + ∗𝑐
𝑓𝑖

Le calcul donne le résultat suivant

0.5 − 0.28
𝑇𝑚 = 174 + ∗ 3 = 175.65
0.40

Conclusion : 50% des étudiants ont une taille inférieure à 175.65cm et 50% des étudiants ont une
taille supérieure à 175.65cm.

Exercice 4 :

Le tableau ci-dessous donne la répartition de la population active occupée (ayant effectivement un

emploi) selon la CSP (catégorie socioprofessionnelle), en France, en mars 1988 (tableaux de
l’Economie Française, INSEE, 1989, p. 59).

CSP Effectifs Fréquences

en milliers (%)
agriculteurs exploitants 1312 06.1
artisans, commerçants, chefs d’entreprises 1739 08.1
cadres, professions intellectuelles supérieures 2267 10.6
professions intermédiaires 4327 20.1
employés 5815 27.0
ouvriers 6049 28.1

1. Déterminer la population statistique, l’unité statistique, le caractère et l’effectif total.

La population statistique : l’ensemble des personnes actives occupant un emploi en France

dans le mois de mars 1988.

L’unité statistique : une personne active exerçant un emploi en France le mois de mars 1988.

Le caractère : CSP ou Catégorie Socioprofessionnelle.

L’effectif total : est la somme des effectifs observés c.à.d. 𝑵 = 𝟐𝟏 𝟓𝟎𝟗 𝟎𝟎𝟎.

(1312 + 1739 + 2267 + 4327 + 5815 + 6049 = 21509)

2. Quel est le type de la série statistique ? quelle la modalité la plus fréquente ?

Le type de la série est : qualitatif nominal.

La modalité la plus fréquente est "ouvriers"

99
FSJES-Oujda
3. Tracer deux graphiques représentant le caractère.

a) Diagramme sectoriel circulaire

On détermine tout d’abord l’angle de chaque secteur, puis on trace sur papier :

Effectifs en Fréquences Angle au centre du

CSP
milliers (%) secteur(°)
agriculteurs exploitants 1312 6.1 21.96
artisans, commerçants, chefs d’entreprises 1739 8.1 29.16
cadres, professions intellectuelles
2267 10.5 38.16
supérieures
professions intermédiaires 4327 20.1 72.36
employés 5815 27 97.2
ouvriers 6049 28.1 101.16
Total 21509 100 360

L’utilisation du logiciel Excel est commode pour ce type de graphe.

Répartition de la population active en France (Mars 1988)

agriculteurs
exploitants; 6,1%
artisans,
commerçants, chefs
d’entreprises; 8,1%

ouvriers; 28,1%
cadres, professions
intellectuelles
supérieures; 10,5%

professions
intermédiaires;
employés; 27% 20,1%

100
FSJES-Oujda
 b) Diagramme à bâtons horizontales

Répartition de la population active en France (Mars 1988)

ouvriers 28,1

employés 27

professions intermédiaires 20,1

CSP

cadres, professions intellectuelles supérieures 10,5

artisans, commerçants, chefs d’entreprises 8,1

agriculteurs exploitants 6,1

0 5 10 15 20 25 30

Fréquences %

Exercice 5 : Un groupe d’étudiants d’une promotion de première année de DEUG d’Economie ont
passé l’épreuve de rattrapage du cours de statistique descriptive. Ils ont obtenu les notes
suivantes :
Numéro d’examen 123 122 334 554 16 121 446 323 100 86
Note 18 3 12 0 12 8 2 5 12 8
Le professeur souhaite faire une étude statistique de la distribution de ces notes.

1. Quel est l’effectif total ? Combien de valeurs a pris le caractère étudié ?

L’effectif total est égal à 10.

Le nombre de valeurs pris par le caractère étudié est égal à 7.

2. Calculez le mode des notes, la note moyenne et la note médiane.

On va remplir tout d’abord le tableau de synthèse : distribution des notes de statistique

descriptive au rattrapage.
Effectif Fréquence
Note
𝑛𝑖 𝑓𝑖
0 1 0.1
2 1 0.1
3 1 0.1
5 1 0.1
8 2 0.2
12 3 0.3
18 1 0.1
Total 10 1

101
FSJES-Oujda
 Le mode des notes 𝑀𝑜 est égale à 12 ; on dira que la note la plus fréquence dans la série est 12.
La note moyenne est égale à
1 ∗ 0 + 1 ∗ 2 + 1 ∗ 3 + 1 ∗ 5 + 2 ∗ 8 + 3 ∗ 12 + 1 ∗ 18 80
𝜇= = =8
10 10
La note moyenne résultat du rattrapage de statistique descriptive est 08.
La note médiane :
𝑛 = 10 est pair, donc la médiane se situe entre la 5ème et la 6 ème valeurs de la série ordonnée
dans le sens croissant.
La cinquième valeur et la sixième valeur coïncident avec 8 ; c.{.d. qu’on a :
8+8
𝑀𝑒 = =8
2
On dira qu’il y a 50% des étudiants qui ont eut une note supérieure { 08 et que 50% ont eut une
note inférieure à 08.

Exercice 6 :
1. Sur une population de 100 unités une variable statistique 𝑋 est de moyenne 5. Sachant que sur
trois autres unités, la variable 𝑋 prend les valeurs 5.02, 4.92 et 5.08, calculer la moyenne de 𝑋
sur les 103 unités.
On utilisera la moyenne pondérée :

4
𝑖=1 𝑝𝑖 𝑥𝑖 100 ∗ 5 + 1 ∗ 5.02 + 1 ∗ 4.92 + 1 ∗ 5.08
𝑥𝑝 = 4 =
𝑖=1 𝑝𝑖 100 + 1 + 1 + 1
515.02
𝑥𝑝 = = 5.0002
103

2. Une entreprise a commandé les achats de matières premières au cours des six mois précédents,
on donne le tableau des achats avec le coût par kilogramme acheté et le nombre de
kilogrammes par achat :
Achat Coût par kg (DH) Nombre de kg
1 34.5 540
2 31.8 680
3 38.1 460
4 26.6 1400
5 28.5 880
6 22.8 1860

Un responsable dans l’entreprise veut s’informer sur le coût moyen par kg de matières
premières. Vous devez calculer ce coût moyen.
Puisque les quantités commandées varient entre 460kg et 1860kg, on devrait calculer une
moyenne du coût d’achat qui prend en compte les différences entre les quantités achetées.

On utilisera la moyenne pondérée, les poids seront les quantités commandées :

102
FSJES-Oujda
 6
𝑖=1 𝑝𝑖 𝑥𝑖
𝑥𝑝 = 6
𝑖=1 𝑝𝑖
540 ∗ 34.5 + 680 ∗ 31.8 + 460 ∗ 38.1 + 1400 ∗ 26.6 + 880 ∗ 28.5 + 1860 ∗ 22.8
=
540 + 680 + 460 + 1400 + 880 + 1860

162508
𝑥𝑝 = = 27.92 DH
5820

Le coût moyen par kg de matières premières est égal à

27.92 DH

103
FSJES-Oujda
2. Série d’exercices N°2

Exercice 1 : Dans une enquête effectuée par un institut de statistique, on a obtenu la répartition de
l'âge des entreprises informatiques en Québec, qui ont une activité de développement
d'applications et de logiciels spécialisés, les données sont regroupées dans le tableau suivant :

Répartition par classes Nombre d'entreprises

Moins de 3 ans 84
De 3 à moins de 5 ans 37
De 5 à moins de 10 ans 39
10 ans et plus 55
1. Est-ce qu'on peut répondre à la question suivante : En combien d'année en moyenne les
entreprises actives dans le secteur du développement d'applications et de logiciels spécialisés
existent ?
2. Quelle est la valeur (en nombre d'années) à laquelle 50% des entreprises ont une existence
inférieure ?

Solution de l’exercice 1
1. Il est difficile, peut être impossible, de répondre à cette question à cause de la dernière classe
qui n’est pas bornée, cette classe doit être représenté par une valeur centrale, rien nous informe
sur la limite supérieur. Il faudra donc éviter le calcul de la moyenne et chercher une autre
mesure de tendance centrale.
2. On doit calculer la médiane, on va utiliser la formule suivante :
𝑛
− 𝑁𝑖−1
𝑀𝑒 = 𝑏𝑖𝑛𝑓 + 2 𝑐
𝑛𝑖

Avant cela, on doit compléter le tableau-synthèse avec l’effectif cumulé 𝑁𝑖 :

Répartition par classes Nombre d'entreprises𝑛𝑖 𝑁𝑖

Moins de 3 ans 84 84
De 3 à moins de 5 ans 37 121
De 5 à moins de 10 ans 39 160
10 ans et plus 55 215
Total 215
Si les données sont triées dans l’ordre croissant, on calcule le rang de la valeur médiane :
𝑛 215
= = 107.5
2 2

La valeur médiane dont le rang est 107.5 se trouve dans la classe médiane [3, 5[. Les données à
utiliser dans la formule sont :𝑏𝑖𝑛𝑓 = 3 ; 𝑁𝑖−1 = 84 ; 𝑛𝑖 = 37 et 𝑐 = 2. Le calcul nous donne le
résultat suivant :
107.5 − 84
𝑀𝑒 = 3 + ∗ 2 = 4.27
37

104
FSJES-Oujda
Conclusion : 50% des entreprises ont une existence inférieure à quatre années et trois mois.
Exercice 2 : On considère la distribution des entreprises du secteur Bâtiments et Travaux Publics,
selon leurs chiffres d'affaires en millions de dirhams (MDh) :
C.A. Fréquences en %
[2 , 4 [ 15
[4 , 6 [ 25
[6 , 8 [ 48/3=16
[8 , 10 [ 48/3=16
[10 , 12 [ 48/3=16
[12 , 20 [ 12
1. Déterminer le mode, la moyenne et la médiane de cette distribution, puis interpréter les
résultats.
2. Tracer la boite à moustache de la série statistique.
3. Calculer l’écart-type de la série statistique.
4. Calculer le coefficient de Fisher d’asymétrie et celui d’aplatissement.

Solution de l’exercice 2
1. Pour connaitre la classe modale, il faudra éliminer l’effet de l’amplitude de la classe, on voit bien
que les amplitudes sont différentes : 2, 2, 6 puis 8.
Pour cela on peut chercher la classe qui a le rapport 𝑓𝑖 𝑏𝑖 − 𝑎𝑖 le plus élevé, avec 𝑓𝑖 la
fréquence de la classe [𝑎𝑖 , 𝑏𝑖 [. On peut de la même façon comparer les 𝑛𝑖 𝑏𝑖 − 𝑎𝑖 avec 𝑛𝑖
l’effectif, la classe modale correspond au rapport le plus élevé.

C.A. Amplitude Fréquences en %

𝑓𝑖 𝑏𝑖 − 𝑎𝑖
[𝑎𝑖 , 𝑏𝑖 [ 𝑏𝑖 − 𝑎𝑖 (100 𝑓𝑖 )
[2 , 4 [ 2 15 0.075
[4 , 6 [ 2 25 0.125
[6 , 12 [ 6 48 0.080
[12 , 20 [ 8 12 0.015
La classe modale correspond { l’intervalle [4 , 6 [ ; on prendra comme valeur modale le centre
de classe
4+6
𝑀𝑜 = =5
2

Pour calculer la moyenne et la médiane, on doit compléter le tableau-synthèse :

Centre Fréquences en % Fréquences cumulées
C.A. 𝑓𝑖 𝑚𝑖
𝑚𝑖 (100 𝑓𝑖 ) 𝐹𝑖
[2 , 4 [ 3 15 0.15 0.45
[4 , 6 [ 5 25 0.40 1.25
[6 , 12 [ 9 48 0.88 4.32
[12 , 20 [ 16 12 1.00 1.92
Total 100 7.94

 La moyenne sera calculée sur la base des fréquences (poids de chaque classe) et des moyennes
des classes :
4

𝜇= 𝑓𝑖 𝑚𝑖 = 7.94.
𝑖=1
105
FSJES-Oujda
 Pour chercher la classe médiane, on doit cumuler au moins 50%=0.5 des données : la classe
médiane correspond { l’intervalle [6, 12 [. Le calcul de la valeur médiane sera fait { partir de la
formule utilisant les fréquences au lieu des effectifs :
0.5 − 𝐹𝑖−1
𝑀𝑒 = 𝑏𝑖𝑛𝑓 + ∗𝑐
𝑓𝑖
On a les données suivantes à utiliser dans le calcul :
𝑏𝑖𝑛𝑓 = 6 ; 𝐹𝑖−1 = 0.40 ; 𝑓𝑖 = 0.48 et 𝑐 = 6
Le calcul donne :
0.5 − 0.4
𝑀𝑒 = 6 + ∗ 6 = 7.25.
0.48
 Interprétation des résultats :
⤥ Le chiffre d’affaire le plus fréquent observé dans le secteur Bâtiments et Travaux Publics
(BTP) est de 5 000 000 DH,
⤥ Tandis que le chiffre d’affaire moyen des entreprises du secteur (BTP) s’élève {
7 940 000 DH.
⤥ On constate de même que 50% des entreprises du secteur BTP ont un chiffre d’affaire
supérieur à 7 250 000 DH.

2. Construction d’une boite { moustache (diagramme en boîte ou « box plot ») :

Tout d’abord, on doit calculer les quartiles 𝑄1 et 𝑄3 ; le deuxième quartile 𝑄2 est déjà calculé :
𝑄2 = 𝑀𝑒 = 7.25
0.25 − 𝐹𝑖−1
𝑄1 = 𝑏𝑖𝑛𝑓 + ∗𝑐
𝑓𝑖
avec 𝑏𝑖𝑛𝑓 = 4 ; 𝐹𝑖−1 = 0.15 ; 𝑓𝑖 = 0.25 et 𝑐 = 2

0.25 − 0.15
𝑄1 = 4 + ∗ 2 = 4.8
0.25

Pour 𝑄3 :
0.75 − 𝐹𝑖−1
𝑄3 = 𝑏𝑖𝑛𝑓 + ∗𝑐
𝑓𝑖
avec 𝑏𝑖𝑛𝑓 = 6 ; 𝐹𝑖−1 = 0.40 ; 𝑓𝑖 = 0.48 et 𝑐 = 6

0.75 − 0.40
𝑄3 = 6 + ∗ 6 = 10.375
0.48

𝑀𝑒 = 7,25
2 20

4,8 10,375
50%

106
FSJES-Oujda
Il semblerait que la distribution est dissymétrique (asymétrique), pour se convaincre on va calculer
le coefficient d’asymétrie de Fisher (question 4).
Remarque : si on cherchait dans la série des données des valeurs aberrantes, alors toute valeur
aberrante doit être

 Supérieure à 𝑄3 + 1.5 ∗ 𝑄3 − 𝑄1 = 18.7375

 Ou inferieure à 𝑄1 − 1.5 ∗ 𝑄3 − 𝑄1 = −3.5625
On a pas ici la série des données, mais toute valeur observée dans l’intervalle 18.74; 20 sera
considérée comme valeur aberrante.

3. Calcul de l’écart-type :
On calcule en premier la variance, on utilisera la formule suivante (formule dite de Koenig) :
𝑘 𝑘
1
𝜎 = 2
𝑛𝑖 𝑚𝑖2 − 𝜇 = 2
𝑓𝑖 𝑚𝑖2 − 𝜇 2
𝑁
𝑖=1 𝑖=1
On réutilise le tableau-synthèse :
Centre Fréquences en%
C.A. 𝑓𝑖 𝑚𝑖2
𝑚𝑖 (100 𝑓𝑖 )
[2 , 4 [ 3 15 1.35
[4 , 6 [ 5 25 6.25
[6 , 12 [ 9 48 38.88
[12 , 20 [ 16 12 30.72
Total 100 77.2
𝜎 2 = 77.2 − 7.942 = 14.16

L’écart-type de la série statistique est égale à :

𝜎 = 3.76
Il correspond à un écart de 3 760 000 DH.
4. Calcul du coefficient de Fisher

𝑛 𝐾 𝐾
1 1 𝑕 𝑕
𝑚𝑕∗ = 𝑥𝑖 − 𝑥 𝑕
≅ 𝑛𝑗 𝑚𝑗 − 𝑥 = 𝑓𝑗 𝑚𝑗 − 𝑥
𝑛 𝑛
𝑖=1 𝑗 =1 𝑗 =1

𝑥 = 7.94

 Coefficient d’asymétrie de Fisher (ou skewness) est

𝑚3∗
𝛾= 3
𝜎

Centre Fréquences
C.A. 𝑚𝑖 − 𝜇 𝑓𝑖 (𝑚𝑖 − 𝜇) 𝑓𝑖 (𝑚𝑖 − 𝜇)2 𝑓𝑖 (𝑚𝑖 − 𝜇)3 𝑓𝑖 (𝑚𝑖 − 𝜇)4
𝑚𝑖 en % (100 𝑓𝑖 )
[2 , 4 [ 3 15 -4.94 -74.10 366.05 -1808.31 8933.04
[4 , 6 [ 5 25 -2.94 -73.50 216.09 -635.30 1867.80
[6 , 12 [ 9 48 1.06 50.88 53.93 57.17 60.60
[12 , 20 [ 16 12 8.06 96.72 779.56 6283.28 50643.23
Total 100 0 1415.64 3896.84 61504.66
107
FSJES-Oujda
 1415.64
𝜎 2 = 𝑚2∗ = = 14.16
100
𝑚3∗ = 38.97 et 𝑚4∗ = 615.05 ;

38.97
𝛾= = 0.73 > 0
53.28

𝛾>0
Oblique
Etalée à
à gauche
droite

La courbe de la distribution du chiffre d’affaire est non symétrique, elle est oblique { gauche et
s’étale { droite.

 Coefficient d’aplatissement de Fisher (ou Kurtosis) est

𝑚4∗
𝛤= −3
𝜎4

615.05
𝛤= − 3 = 0.069 > 0
200.40

La courbe de la distribution est moins aplatie (courbe leptokurtique)

Exercice 3 : Une enquête sur la consommation annuelle d'électricité a été effectuée sur une
population de 2600 ménages. Les résultats de l'enquête figurent dans le tableau suivant :
Consommation annuelle en kilowattheure(kwh) Nombre de ménages
[0 , 200 [ 455
[200 , 300 [ 614
[300 , 400 [ 532
[400 , 600 [ 385
[600 , 800 [ 422
[800 , 1000[ 164
[1000 , 2000[ 28
1. Construire l'histogramme des consommations annuelles.
2. Déterminer le mode et la médiane de cette distribution statistique.
3. Calculer la consommation annuelle moyenne et l'écart-type des consommations.

Solution de l’exercice 3
1. Dans le tableau ci-dessus, on a des amplitudes de classes différentes, 200, 100, 100, 200, 200,
200, 1000. On remarquera que le plus grand commun diviseur de ces amplitudes est 100.

108
FSJES-Oujda
 On corrigera par exemple le premier effectif 455 en le divisant par 2, puisque l’amplitude de la
première classe est égal à 200=2*100. La même chose sera faite avec la 4ème, 5ème et 6ème classe.
Pour la dernière classe on divisera l’effectif 28 par 10 puisque l’amplitude de la classe qui lui
correspond est égal { 1000=10*100. On obtient ainsi l’histogramme suivant :

Distribution de la consommation annuelle d'éléctricité de

2600 ménages
700

614
600
532
500
Nombre de ménages

400

300
227,5 211
192,5
200

100 82

2,8
0

Consommation en kwh

2. La classe modale est [200 , 300 [ ; elle correspond au rapport (𝑛𝑖 𝑎𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑒 ) le plus élevé ; la
valeur modale qu’on prendra est le centre de la classe :

𝑀𝑜 = 200 + 300 2 = 250 kwh

Consommation Nombre de 𝑛𝑖
𝑎𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑒 𝑎𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑒
annuelle (kwh) ménages 𝑛𝑖
[0 , 200 [ 200 455 2.275
[200 , 300 [ 100 614 6.140
[300 , 400 [ 100 532 5.320
[400 , 600 [ 200 385 1.925
[600 , 800 [ 200 422 2.110
[800 , 1000[ 200 164 0.820
[1000 , 2000[ 1000 28 0.028

Pour le calcul de la médiane, on va calculer les effectifs cumulés pour connaitre la classe
médiane. On cherche la valeur de rang
𝑛
2 = 1300

109
FSJES-Oujda
 Consommation Nombre de
𝑁𝑖
annuelle (kwh) ménages 𝑛𝑖
[0 , 200 [ 455 455
[200 , 300 [ 614 1069
[300 , 400 [ 532 1601
[400 , 600 [ 385 1986
[600 , 800 [ 422 2408
[800 , 1000[ 164 2572
[1000 , 2000[ 28 2600

La classe médiane est [300 , 400 [ ; la valeur médiane est la suivante :

1300 − 1069
𝑀𝑒 = 300 + ∗ 100 = 343.42 kwh
532

3. Calculons la consommation annuelle moyenne et l’écart-type des consommations.

On complète le tableau synthèse :

Consommation Centre Nombre de 𝑛𝑖 𝑚𝑖
𝑛𝑖 𝑚𝑖2
annuelle (kwh) 𝑚𝑖 ménages 𝑛𝑖 (masse de la classe)
[0 , 200 [ 100 455 45500 4550000
[200 , 300 [ 250 614 153500 38375000
[300 , 400 [ 350 532 186200 65170000
[400 , 600 [ 500 385 192500 96250000
[600 , 800 [ 700 422 295400 206780000
[800 , 1000[ 900 164 147600 132840000
[1000 , 2000[ 1500 28 42000 63000000
Total 2600 1062700 606965000
La moyenne 𝜇 à calculer est approchée par la formule approximative :

2600 7
1 1
𝜇= 𝑥𝑖 ≅ 𝑛𝑗 𝑚𝑗
2600 2600
𝑖=1 𝑗 =1
Calcul numérique :
1062700
𝜇= = 408.73 kwh
2600
Pour la variance, on utilise la formule (de Koenig) suivante :
𝑘
1
𝜎2 = 𝑛𝑗 𝑚𝑗2 − 𝜇2
𝑁
𝑗 =1
On fait le calcul :
606965000
𝜎2 = − 408.732 = 233448.08 − 167060.84 = 66387.24
2600

Et l’écart-type sera : 𝜎 = 66387.24 = 257.66 kwh

110
FSJES-Oujda
Interprétation des résultats :
⤥ La consommation la plus fréquente observée s’élève à 𝟐𝟓𝟎 𝐤𝐰𝐡 , une telle consommation
est observée chez presque un quart de la population (24%).
⤥ La consommation annuelle moyenne des ménages en électricité est 𝟒𝟎𝟖. 𝟕𝟑 𝐤𝐰𝐡
⤥ Tandis que 50% de ces ménages consomment moins de 𝟑𝟒𝟑. 𝟒𝟐 𝐤𝐰𝐡 par an.

Remarque : la distribution de la consommation de l’électricité n’est pas symétrique, en effet on a

𝜇 > 𝑀𝑒 > 𝑀𝑜, ce qui est très visible sur l’histogramme ou le polygone des fréquences. (avec une
distribution oblique à gauche et un étalement à droite)

Polygone des fréquences

700

600 614
532
500

400

300
211
200 227,5
192,5
100 82
2,8
0 0
0 150 350 550 750 950 1150 1350 1550 1750 1950

Exercice 4 : Le tableau suivant donne la répartition des salaires mensuels moyens en milliers de
dirhams (kDH), ainsi que leurs écart-types, pour les trois catégories socio-professionnelle d'une
usine :

Catégories pourcentage % Salaire moyen en kDH Ecart-type

Cadres 10 8.2 1.6
Employés 30 4.2 0.9
Ouvriers 60 2.8 1.3
1. Rappeler la formule de calcul du salaire mensuel moyen puis calculer le.
2. Comparer les dispersions des salaires des trois catégories.

Solution de l’exercice 4
1. La moyenne à utiliser ici est la moyenne pondérée, sa formule est donnée par l’équation
suivante :
3
𝑖=1 𝑝𝑖 𝑥𝑖
𝑥𝑝 = 3
𝑖=1 𝑝𝑖
3
Dans cet exercice les quantités 𝑝𝑖 sont des pourcentages et 𝑖=1 𝑝𝑖 = 100% = 1, on écrit ainsi :
3

𝑥𝑝 = 𝑝𝑖 𝑥𝑖
𝑖=1

111
FSJES-Oujda
 Calcul numérique :
𝑥𝑝 = 10% ∗ 8.2 + 30% ∗ 4.2 + 60% ∗ 2.8

= 0.82 + 2.52 + 1.68 = 3.76 kDH

Le salaire mensuel moyen dans l’usine est égal { 3760 DH

2. Comparaison des trois écart-types :

On utilisera pour cela le coefficient de variation suivant,
𝜎
𝑉= ∗ 100
𝜇

Coefficient de variation
Salaire moyenen kDH Ecart-type en kDH 𝜇𝑘
Catégories
𝜇𝑘 𝜎𝑘 ∗ 100
𝜎𝑘
Cadres 8.2 1.6 19.51%
Employés 4.2 0.9 21.43%
Ouvriers 2.8 1.3 46.43%
Il y’a une forte disparité (différence) des salaires dans la classe ouvrière par rapport aux deux
autres classes.

Exercice 5 :
Le vérificateur interne d'une entreprise a relevé le délai de recouvrement5 (en jours) des comptes
auprès de 100 clients de l'entreprise. Les données sont dans le tableau suivant, triées dans l'ordre
croissant :
40 40 42 42 46 46 47 47 47 47 48 49 49 49 50 52
52 52 52 53 53 54 57 57 59 61 61 61 63 66 67 68
68 69 70 75 79 79 80 80 81 86 88 88 88 89 90 91
91 92 94 98 98 99 99 100 101 101 102 103 103 104 104 104
106 109 109 111 111 112 113 113 114 114 115 118 118 119 119 120
121 122 123 127 127 128 129 130 131 132 132 132 133 133 134 135
138 138 139 139

1. Construire un tableau synthèse regroupant les données, prenez une amplitude égale à 12.
2. Tracer l'histogramme correspondant et la courbe cumulative des pourcentages.
3. Déterminer le délai moyen de recouvrement des comptes, la variance et l'écart-type.

5
Le délai moyen de recouvrement des comptes clients mesure le nombre moyen de jours qu’il faut
aux clients pour payer leurs comptes. Le résultat permet aussi de déterminer si les modalités de
crédit dont se sert l’entreprise sont réalistes. Pour déterminer si le délai moyen de recouvrement
des comptes clients est adéquat, il suffit de le comparer aux modalités de crédit qu’on offre aux
clients. Par exemple, si on donne aux clients 30 jours pour payer leur facture et que le délai moyen
de recouvrement des comptes clients est de 45 jours, il y a un problème; en revanche, si le délai
moyen est inférieur { 30 jours, c’est une bonne nouvelle.
Extrait de[Link]

112
FSJES-Oujda
4. Déterminer la valeur médiane du délai de recouvrement. Que représente cette mesure de
tendance centrale ?
5. En utilisant les données, quelle proportion de comptes clients ont un délai de recouvrement
entre 𝑥 − 𝑠 et 𝑥 + 𝑠 ?
6. En utilisant la série de données, déterminer les valeurs du premier quartile 𝑄1 et du troisième
quartile 𝑄3 .
7. Existe-t-il des valeurs aberrantes dans la série de données ?

Solution de l’exercice 5
1. Le tableau-synthèse est le suivant,
Classes 𝑛𝑖 𝑁𝑖 𝑓𝑖 𝐹𝑖
[40, 52[ 15 15 0.15 0.15
[52 , 64[ 14 29 0.14 0.29
[64 , 76[ 7 36 0.07 0.36
[76 , 88[ 6 42 0.06 0.42
[88 , 100[ 13 55 0.13 0.55
[100 , 112[ 14 69 0.14 0.69
[112 , 124[ 14 83 0.14 0.83
[124 , 136[ 13 96 0.13 0.96
[136 , 148[ 4 100 0.04 1.00
Total 100 1.00

2. Histogramme des effectifs :

Distribution des comptes clients selon leur délai de recouvrement
16 15
14 14 14
14 13 13

12
Effectif comptes clients

10

8 7
6
6
4
4

0
[40;52[ [52;64[ [64;76[ [76;88[ [88;100[ [100;112[ [112;124[ [124;136[ [136;148[

Délai de recouvrement (en jours)

113
FSJES-Oujda
 La courbe cumulative des fréquences :

Courbe cumulative des fréquences

1,2

0,8
% comptes clients

0,6

0,4

0,2

0
40 52 64 76 88 100 112 124 136 148
Délai de recouvrement (en jours)

3. Pour calculer le délai moyen de recouvrement, on complète le tableau-synthèse :

Classes 𝑛𝑖 𝑁𝑖 Centre𝑚𝑖 𝑓𝑖 𝐹𝑖 𝑓𝑖 𝑚𝑖 𝑓𝑖 𝑚𝑖2
[40;52[ 15 15 46 0.15 0.15 6.9 317.4
[52;64[ 14 29 58 0.14 0.29 8.12 470.96
[64;76[ 7 36 70 0.07 0.36 4.9 343
[76;88[ 6 42 82 0.06 0.42 4.92 403.44
[88;100[ 13 55 94 0.13 0.55 12.22 1148.7
[100;112[ 14 69 106 0.14 0.69 14.84 1573
[112;124[ 14 83 118 0.14 0.83 16.52 1949.4
[124;136[ 13 96 130 0.13 0.96 16.9 2197
[136;148[ 4 100 142 0.04 1.00 5.68 806.56
Total 100 91 9209.44

Le délai moyen de recouvrement des comptes est égale à

𝑥𝑛 = 𝑓𝑖 𝑚𝑖 = 91 jours.
𝑖=1
La variance est égale à
9 9
1
2
𝑠 = 𝑛𝑖 𝑚𝑖2 2
−𝑥 = 𝑓𝑖 𝑚𝑖2 − 𝑥 2
𝑛
𝑖=1 𝑖=1
= 9209.44 − 912 = 928.44
L’écart-type du délai de recouvrement des comptes est

𝑠 = 928.44 = 30.47 jours

114
FSJES-Oujda
4. La classe médiane est [88,100[ ; le calcul de la valeur médiane nous donne
0.5 − 0.42
𝑀𝑒 = 88 + ∗ 12 = 95.385 jours
0.13

Cette valeur va nous permettre de positionner les clients, il ya 50% des clients qui ont un délai de
recouvrement de plus de 95.4 jours.

5. En utilisant directement les données, on veut retrouver le pourcentage des clients qui ont un
délai de recouvrement situé dans l’intervalle suivant :
𝑥 − 𝑠 ; 𝑥 + 𝑠 = 91 − 30.47 ; 91 + 30.47 = 60.53 ; 121.47
On compte un nombre de 56 parmi 100, càd on a un pourcentage de 56% de clients qui ont un délai
de recouvrement entre 61 jours et 121 jours.

Remarque : si on cherche la proportion de comptes clients qui ont un délai de recouvrement entre
𝑥 − 2𝑠 ; 𝑥 + 2𝑠 = 30.06 ; 151.94
On remarque déj{ que tous les recouvrements observés sont dans l’intervalle 30.06 ; 151.94 c.à.d.
que la proportion est de 100%

6. En utilisant la série des données on peut fournir les quartiles suivants :

𝑥25 + 𝑥26 59 + 61
𝑄1 = 𝑞25% = = = 60 jours
2 2
𝑥75 + 𝑥76 123 + 127
𝑄3 = 𝑞75% = = = 125 jours
2 2

7. On calcul la distance :
𝐷 = 1.5 ∗ 𝑄3 − 𝑄1 = 97.5
L’intervalle interquartile = [𝑄1 , 𝑄3 ] = [60, 125]
Une valeur est aberrante si elle s’éloigne de la valeur 125 d’au moins 97.5, c.{.d. supérieure {
125+97.5=222.5 ou si elle s’éloigne dans le sens inverse de la valeur 60 d’au moins 97.5, c.{.d.
qu’elle doit être inférieure { -37.5 ; aucune valeur ne satisfait { ces conditions d’où la série des
données ne contient aucune valeur aberrante.

115
FSJES-Oujda
3. Série d’exercices N°3

Exercice 1 :
On demande à dix étudiants le nombre d'heures 𝑋 passées à préparer une interrogation.
Par ailleurs, on relève pour chacun d'eux le résultat obtenu 𝑌 sur un total de 20 :

X 5 1 4 12 10 8 7 8 5 10
Y 7 4 7 14 14 8 14 16 9 17

1. Représenter graphiquement la série statistique.

2. Déterminez le coefficient de corrélation de Pearson de cette série. Peut-on définir un
ajustement linéaire du nuage de points observé ?
3. Dans l'affirmative, faite l'ajustement et interprétez les résultats obtenus.
4. Peut-on améliorer les résultats de l’ajustement en considérant le modèle 𝑦 = 𝑎𝑥 𝑏 (faites une
transformation logarithmique).

Solution de l’exercice 1 :
1. Représentation graphique :

Résultats de l'interrogation en fonction des heures de

préparation
18

16

14
Résultat obtenu sur 20 : Y

12

10

0
0 2 4 6 8 10 12 14
Nombre d'heures de préparation : X

116
FSJES-Oujda
2. Calculons le coefficient de corrélation ; pour cela on doit calculer tout d’abord le coefficient de
covariance et les écart-types des deux caractères 𝑋 et 𝑌.
𝑋 𝑌 𝑋2 𝑌2 𝑋𝑌
5 7 25 49 35
1 4 1 16 4
4 7 16 49 28
12 14 144 196 168
10 14 100 196 140
8 8 64 64 64
7 14 49 196 98
8 16 64 256 128
5 9 25 81 45
10 17 100 289 170
Total 70 110 588 1392 880

Les mesures caractéristiques dont on a besoin sont données dans le tableau suivant :

[Link]. 𝑟-deux
Corrélation : 𝑟
𝐶𝑜𝑣(𝑋, 𝑌)

𝑛 𝑥𝑛 𝑦𝑛 𝑆𝑋2 𝑆𝑌2 𝑆𝑋 𝑆𝑌

10 7 11 9.8 18.2 3.1305 4.2661 11 0.8237 67.84%

On a un coefficient de corrélation proche du seuil 0.87 ; on a un assez bon ajustement linéaire du

nuage représenté dans le graphe.

3. La droite de régression linéaire sera

𝑌 = 1.122 𝑋 + 3.142

11
( 𝑎 = 9.8 = 1.12245 et 𝑏 = 11 − 1.12245 ∗ 7 = 3.1428 )
Elle peut expliquer jusque 67.84% de la variance des notes Y. Ou d’une autre manière dire que

« 67.84% de la variabilité des notes est expliquée par la variabilité des durées de préparation
des interrogations »

Le modèle linéaire suggère qu’une augmentation d’une heure de préparation va produire 1.12
point de plus dans l'interrogation.

Quelle serait la note prévue par le modèle pour un étudiant qui n’a pas investit de son temps
dans la préparation de l’interrogation ?

117
FSJES-Oujda
 Résultat sur 20 en fonction des heures de préparation
18
16

Résultat obtenu sur 20 : Y

14
12
y = 1,122x + 3,142
10
R² = 0,678
8
6
4
2
0
0 2 4 6 8 10 12 14

Nombre d'heures de préparation : X

4. On remarque une légère forme parabolique (non linéaire) sur le graphe ci-dessus qui peut se
voir en se rapprochant des environs de la note 20.
Si on fait une transformation logarithmique des données càd en posant :
𝑦 ′ = log⁡
(𝑦)
𝑥 ′ = log⁡
(𝑥)
Les données (𝑥 ′ , 𝑦 ′ ) seront :
(𝑥) 0.7
𝑥 ′ = log⁡ 0 0.6 1.08 1 0.9 0.85 0.9 0.7
(𝑦) 0.85 0.6 0.85 1.15 1.15 0.9 1.15 1.2 0.95
𝑦 ′ = log⁡

Le coefficient de corrélation calculé sera égale à

𝑟 = 0.8778
Une nette amélioration est prévue avec le modèle puissance 𝑦 = 𝑎𝑥 𝑏 et si on calcule log⁡
(𝑦) on
obtient le modèle de régression linéaire suivant :
𝑦 ′ = log 𝑎 + 𝑏𝑥 ′
qui peut expliquée jusque 77.06% de la variance de 𝑦 ′ .

Exercice 2 :
Soit un échantillon de 450 ménages classés en fonction de deux caractères ;
𝑋 : le revenu
𝑌 : la consommation d'un bien

Y 10 12 16 20
X
20 38 29 16 0
25 46 54 19 1
30 13 64 41 7
40 0 0 27 48
50 0 0 31 16
1. Déterminer les distributions marginales de 𝑋 et 𝑌.
2. Déterminer les moyennes marginales et les variances marginales de 𝑋 et 𝑌.

118
FSJES-Oujda
3. Soit les variables conditionnelles 𝑌/𝑋 = 20 et 𝑌/𝑋 = 50, calculer leurs moyennes ; que peut on
déduire ?
4. Déterminez le coefficient de corrélation de Pearson de cette série. Peut-on envisager un
ajustement linéaire ?
5. Dans l'affirmative, faite l'ajustement et interprétez les résultats obtenus.

Solution de l’exercice 2 :
1. On va compléter le tableau des effectifs en sommant les lignes et les colonnes :

Y
10 12 16 20 Total : 𝑛𝑖.
20 38 29 16 0 83
25 46 54 19 1 120
X 30 13 64 41 7 125
40 0 0 27 48 75
50 0 0 31 16 47
Total : 𝑛.𝑗 97 147 134 72 450

La distribution marginale de X correspond à la dernière colonne tandis que celle de Y

correspond à la dernière ligne.

2. On a les tableaux de distributions de X et de Y :

𝑋 𝑛𝑖. 𝑛𝑖. 𝑥𝑖 𝑛𝑖. 𝑥𝑖2

20 83 1660 33200
25 120 3000 75000
30 125 3750 112500
40 75 3000 120000
50 47 2350 117500
Total 450 13760 458200
13760
𝑥𝑛 = = 30.58
450

458200
𝑆𝑋2 = − 𝑥𝑛 2 = 83.22
450

𝑆𝑋 = 9.12
𝑌 𝑛.𝑗 𝑛.𝑗 𝑦𝑗 𝑛𝑖. 𝑦𝑗2
10 97 970 9700
12 147 1764 21168
16 134 2144 34304
20 72 1440 28800
Total 450 6318 93972

Les résultats sont les suivants :

𝑥𝑛 𝑦𝑛 𝑆𝑋2 𝑆𝑌2 𝑆𝑋 𝑆𝑌
30,58 14,04 83,22 11,71 9,12 3,42

119
FSJES-Oujda
3. Les distributions des variables 𝑌/𝑋 = 20 et 𝑌/𝑋 = 50 sont les suivantes :

𝑌/𝑋 = 20 𝑛1𝑗 𝑛1𝑗 𝑦𝑗 𝑌/𝑋 = 50 𝑛5𝑗 𝑛5𝑗 𝑦𝑗

10 38 380 10 0 0
12 29 348 12 0 0
16 16 256 16 31 496
20 0 0 20 16 320
Total 83 984 Total 47 816
Moyenne 11,86 Moyenne 17,36

Plus on augmente le revenu plus la consommation moyenne augmente.

4. Déterminons le coefficient de corrélation linéaire de Pearson :

Avant on doit calculer le coefficient de covariance
5 4
1
𝐶𝑜𝑣 𝑥, 𝑦 = 𝑛𝑖𝑗 𝑥𝑖 𝑦𝑗 − 𝑥𝑛 𝑦𝑛
𝑛
𝑖=1 𝑗 =1
Le tableau ci-dessous donne les valeurs des quantités 𝑛𝑖𝑗 𝑥𝑖 𝑦𝑗

Y
10 12 16 20
20 7600 6960 5120 0
25 11500 16200 7600 500
X 30 3900 23040 19680 4200
40 0 0 17280 38400
50 0 0 24800 16000
Total 23000 46200 74480 59100

23000 + 46200 + 74480 + 59100

𝐶𝑜𝑣 𝑥, 𝑦 = − 30,58x14,04 = 21,31.
450

Le coefficient de corrélation est égal à 𝑟 𝑥, 𝑦 = 0,68. Si on calcule le coefficient de

détermination on trouve la valeur 46,62% ; cette valeur est faible ; donc un ajustement linéaire
est à proscrire.

Exercice 3 : Ce tableau présente l'évolution du chiffre d'affaire en million d'Euros (CA) d'une filiale
de la firme américaine VIXON entre 2002 et 2006.
Années 2002 2003 2004 2005 2006
CA 8 12 35 40 70
1. Etablir par la méthode des moindres carrés la relation linéaire liant le chiffre d'affaires 𝑌 au
temps 𝑡 en considérant 𝑡 = 1 en 2002.
2. Vérifier la qualité de l'ajustement et déterminer les variances expliquée 𝑉𝐸 et résiduelle 𝑉𝑅 de 𝑌.
3. Faite un ajustement logarithmique (𝑌 = 𝑎 𝑙𝑜𝑔{𝑡} + 𝑏) et comparer la qualité de l'ajustement
avec celui de la question 1.

120
FSJES-Oujda
Solution de l’exercice 3 :

Années 1 2 3 4 5
CA 8 12 35 40 70

1. On a besoin de calculer certaines quantités caractéristiques :

𝑡𝑛 𝑦𝑛 𝑆𝑡2 𝑆𝑦2 𝑆𝑡 𝑆𝑦 𝐶𝑜𝑣(𝑡, 𝑦) 𝑟(𝑡, 𝑦)

3 33 2 497,6 1,414 22,307 30,4 0,964

Le modèle de régression linéaire est le suivant :

𝑦 = 15,2 𝑡 − 12,6

2. Si on calcule le coefficient de détermination r-deux : 𝑟 2 𝑡, 𝑦 = 92,86% ; on peut dire qu’on a un

très bon ajustement linéaire, c.à.d. que le modèle de régression linéaire s’ajuste bien aux nuages
des points qui représentent les données et explique 92,86% de la variance du CA.

La variance expliquée 𝑉𝐸 et la variance résiduelle 𝑉𝑅 de Y sont données dans le tableau suivant :

Variance expliquée Variance résiduelle

VE VR
497,6*0,9286 = 462,08 35,52

3. Pour l’ajustement logarithmique 𝑌 = 𝑎 𝑙𝑜𝑔{𝑡} + 𝑏 on trouve un coefficient de détermination de

80,53% ; cet ajustement est de qualité inférieure { l’ajustement précédent.

On peut tout de même chercher à améliorer légèrement le premier ajustement en considérant

un ajustement logarithmique de la forme 𝑙𝑜𝑔⁡
(𝑌) = 𝑎 𝑡 + 𝑏 ; le coefficient de détermination est
de 95,06%.

Exercice4 : (examen rattrapage avril 2017) On observe entre 1955 et 2014, le pourcentage de
jeunes canadiens dans l’ensemble de la population canadienne. On résume dans le tableau suivant
le pourcentage moyen des périodes de dix ans.
On veut expliquer le pourcentage par les périodes qui sont en nombre de six, pour prévoir le
pourcentage moyen de la période entre 2015 et 2024.
[1955; 1964]

[1965; 1974]

[1975; 1984]

[1985; 1994]

[1995; 2004]

[2005; 2014]

Années

Périodes 𝑖 1 2 3 4 5 6

Pourcentage 𝑃𝑖 (%) 33 30 23 20 19 16

1. Calculer le coefficient de corrélation et interpréter le résultat.

2. Donner l’équation de la régression linéaire en vérifiant la qualité de l’ajustement.

121
FSJES-Oujda
3. Donner le pourcentage moyen des jeunes canadiens dans toute la population pour la période
𝑖 = 7 (cette période correspond aux années entre 2015 et 2024)

Solution de l’exercice 4 :
1. On complète le tableau suivant :

[1955; 1964]

[1965; 1974]

[1975; 1984]

[1985; 1994]

[1995; 2004]

[2005; 2014]
Années Total

Périodes 𝑖 1 2 3 4 5 6 21

Pourcentage 𝑃𝑖 (%) 33 30 23 20 19 16 141

𝑖2 1 4 9 16 25 36 91

𝑃𝑖2 1089 900 529 400 361 256 3535

𝑖 ∗ 𝑃𝑖 33 60 69 80 95 96 433

Le coefficient de corrélation entre 𝑖 et 𝑃 est égale à

433 141 21
𝑐𝑜𝑣(𝑃, 𝑖) − ∗ −10,083
𝑟= = 6 6 6 = = −0,9717
𝜎𝑃 ∗ 𝜎𝑖 2 2 36,9167 ∗ 2,9167
3535 141 91 21
6 − 6
∗ 6 − 6

Interprétation :
Il y a une forte liaison entre les deux variables P et i , et puisque r < 0 les deux variables changent
dans deux sens opposés c{d qu’avec le temps qui progresse on voit bien une diminution du
pourcentage des jeunes canadiens.

2. L’équation d’ajustement de 𝑃 en fonction de 𝑖 s’écrit :

𝑃 =𝑎∗ 𝑖 + 𝑏
𝑐𝑜𝑣(𝑃, 𝑖)
𝑎𝑣𝑒𝑐 𝑎= 𝑒𝑡 𝑏 = 𝑃−𝑎∗𝑖
𝜎𝑖2
Après calcul on trouve :
−10,083
𝑎= = −3,457
2,9167
𝑏 = 23,5 + 3,457 ∗ 3,5 = 35,6

L’équation de l’ajustement sera la suivante

122
FSJES-Oujda
 𝑃 = −3,457 𝑖 + 35,6

Si on veut vérifier la qualité de l’ajustement on doit calculer le coefficient de détermination.

On trouve 𝑟 2 = 94,42% ,

 Le modèle de régression linéaire explique 94,42% de la variance de 𝑃, ce pourcentage est très

satisfaisant.

3. Pour calculer le pourcentage moyen des jeunes canadiens dans toute la population pour la
période = 7, on utilise l’ équation de la régression :
𝑃 = −3,457 𝑖 + 35,6

Le pourcentage moyen des jeunes canadiens dans toute la population pour la période entre 2015 et
2024 est estimé à
−3,457 ∗ 7 + 35,6 = 11,4%
[1955; 1964]

[1965; 1974]

[1975; 1984]

[1985; 1994]

[1995; 2004]

[2005; 2014]

[2015; 2024]
Prévision
Années

Périodes 𝑖 1 2 3 4 5 6 7

Pourcentage
33 30 23 20 19 16 11,4
𝑃𝑖 (%)

123
FSJES-Oujda
4. Série d’exercices n°4

Exercice 1 :
Soient les indices simples desprix des produits alimentaires A, B, C et D en % en 2004 par rapport à
2000 :
I(A)=175 I(B)=117 I(C)=141 I(D)=155
et soient les structures de la dépense alimentaire en 2000 et en 2004 pour une catégorie socio-
professionnelle donnée :
Produits A B C D
2000 40% 25% 15% 20%
2004 30% 25% 22% 23%

Calculez l'indice de Laspeyres et de Paasche des prix de la consommation alimentaire en 2004 par
rapport à 2000.

Solution de l’exercice 1 :

Calcul de l’indice des prix de Laspeyres

𝐿𝑝 2004/2000 = 1.75 ∗ 0.4 + 1.17 ∗ 0.25 + 1.41 ∗ 0.15 + 1.55 ∗ 0.20 = 1.514 = 151.4%

Le prix de la consommation alimentaire a augmenté de 51.4% en 2004 par rapport à 2000 (base
100).

Calcul de l’indice des prix de Paasche

1 1
𝑃𝑝 2004 2000 = = = 1.4503
1 1 1 1 0.68952
∗ 0.30 + ∗ 0.25 + ∗ 0.22 + ∗ 0.23
1.75 1.17 1.41 1.55
= 145.03%

D’après le deuxième calcul, qui concerne la formule de Paasche, on constate qu’il y a une
augmentation de 45.03% du prix de la consommation alimentaire en 2004 par rapport à 2000
(base 100).

Exercice 2 :
Une entreprise commercialise 4 types de magnétoscopes.
Les prix pratiqués en euros et les chiffres d'affaires réalisés (en million d'euros) en 2004 et 2006
sont :
Produits 𝑃0 𝑃1 𝐶𝐴0 𝐶𝐴1
𝑃𝑋1 800 700 20 21
𝑃𝑋2 720 680 72 34
𝑉𝑇𝑆 650 650 32.5 48.75
𝑉𝑇𝑅 360 290 54 58
Calculez les indices des prix et volume de Laspeyres et de Paasche base 100 en 2004.

Solution de l’exercice 2 :

124
FSJES-Oujda
 𝑃1 ∗ 𝑄0
𝐿𝑃 (2006/2004) =
𝑃0 ∗ 𝑄0
𝐶𝐴0
𝐶𝐴0 = 𝑃0 ∗ 𝑄0  𝑄0 =
𝑃0
𝐶𝐴 𝑃1
𝑃1 ∗ 𝑃 0
0 𝑃0 ∗ 𝐶𝐴0
𝐿𝑃 (2006/2004) = =
𝐶𝐴0 𝐶𝐴0
A.N.
700 680 650 290
∗ 20 + 720 ∗ 72 + ∗ 32.5 + 360 ∗ 54 161.5
𝐿𝑃 2006 2004 = 800 650 = = 0.90476 = 90.48%
20 + 72 + 32.5 + 54 178.5

𝑃1 ∗ 𝑄1
𝑃𝑃 (2006/2004) =
𝑃0 ∗ 𝑄1
𝐶𝐴1
𝐶𝐴1 = 𝑃1 ∗ 𝑄1  𝑄1 =
𝑃1
𝐶𝐴1 𝐶𝐴1
𝑃𝑃 (2006/2004) = =
𝐶𝐴 𝑃0
𝑃0 ∗ 𝑃 1
1 𝑃1 ∗ 𝐶𝐴1
A.N.
21 + 34 + 48.75 + 58 161.75
𝐿𝑃 2006 2004 = = = 0.89488 = 89.49%
800 720 650 360
∗ 21 + ∗ 34 + ∗ 48.75 + ∗ 58 180.75
700 680 650 290

𝑄1 ∗ 𝑃0
𝐿𝑄 (2006/2004) =
𝑄0 ∗ 𝑃0
𝐶𝐴0 𝐶𝐴1
𝑄0 = et 𝑄1 =
𝑃0 𝑃1
𝐶𝐴1 𝑃0
𝑃1 ∗ 𝑃0 𝑃1 ∗ 𝐶𝐴1
𝐿𝑄 2006 2004 = =
𝐶𝐴0 𝐶𝐴0

A.N.
800 720 650 360
∗ 21 + 680 ∗ 34 + ∗ 48.75 + 290 ∗ 58
𝐿𝑄 2006 2004 = 700 650
20 + 72 + 32.5 + 54
180.75
=
178.5
= 1.0126
= 101.26%
En dernier, on veut calculer
𝑄1 ∗ 𝑃1
𝑃𝑄 (2006/2004) =
𝑄0 ∗ 𝑃1
𝐶𝐴1 𝐶𝐴1
𝑃𝑄 (2006/2004) = =
𝐶𝐴0 𝑃
∗ 𝑃1 𝐶𝐴0 ∗ 𝑃1
𝑃0 0
A.N.
21 + 34 + 48.75 + 58
𝑃𝑄 2006 2004 =
700 680 650 290
800 ∗ 20 + 720 ∗ 72 + 650 ∗ 32.5 + 360 ∗ 54
125
FSJES-Oujda
 161.75
=
161.50
= 1.0015
= 100.15%
𝐿𝑃 (2006/2004) = 90.48%
𝑃𝑃 (2006/2004) = 89.49%
𝐿𝑄 (2006/2004) = 101.26%
𝑃𝑄 (2006/2004) = 100.15%

Conclusion :
Selon l’indice de Laspeyres, il y a eut une augmentation de 1.26% des quantités vendus de
magnétoscopes contre une diminution du prix de 1 − 90.48% = 9.52%.
De même en calculant l’indice de Paasche on constate qu’il y a eut une légère augmentation de
0.15% des quantités vendues contre une diminution du prix de 1 − 89.49% = 10.51%.

Exercice 3 :
1. Une entreprise a augmenté son chiffre d'affairessur un produit A de 5% entre janvier 2004 et
janvier 2005.L'indice des prix de ce produit 2005/2004 est égal à 112. Durant cette période les
quantités de A vendues ont elles augmenté ou diminué ? de combien?
2. En 2005 l'indice des dépenses d'un produit B est de 120 (base 100 en2004). Durant cette
période, la quantité consommée de B a augmenté de 14% ; le prix de B a-t-il augmenté ou
diminué ? de combien?

Solution de l’exercice 3 :
On calcule les taux de variation (croissance) :
1. On a :
𝐼𝑃 2005 2004 = 112% = 1.12

𝐼𝐶𝐴 2005 2004 = 105% = 1.05

Le chiffre d’affaire 𝐶𝐴 est telle que : 𝐶𝐴 = 𝑄 ∗ 𝑃, on a :

𝐼𝐶𝐴 (2005/2004) = 𝐼𝑄 (2005/2004) ∗ 𝐼𝑃 (2005/2004)

Ce qui donne
𝐼𝐶𝐴 (2005/2004)
𝐼𝑄 (2005/2004) =
𝐼𝑃 (2005/2004)
A.N.
1.05
𝐼𝑄 = = 0.9375 = 93.75%
1.12

𝜏𝑄 (2005/2004) = 𝐼𝑄 − 1 = 93,75% − 1 = −6,25%.

Les quantités A vendues ont diminué entre 2004 et 2005 ; la diminution est de 6,25%.

2. 𝐼𝐷 (2005/2004) = 1,20

𝐼𝑄 (2005/2004) = 114% = 1,14

126
FSJES-Oujda
 La dépense 𝐷 est telle que : 𝐷 = 𝑄 ∗ 𝑃
𝑄1 ∗ 𝑃1
𝐼𝐷 (2005/2004) = = 𝐼𝑄 (2005/2004) ∗ 𝐼𝑃 (2005/2004)
𝑄0 ∗ 𝑃0
A.N.

𝐼𝐷 (2005/2004) 120%
𝐼𝑃 (2005/2004) = = = 105,26
𝐼𝑄 (2005/2004) 114%

𝜏𝑃𝐵 (2005/2004) = 𝐼𝑃 (2005/2004) − 1 = 105,26% − 1 = 5,26%.

Le prix de B a augmenté entre 2004 et 2005 ; l’augmentation s’élève { 5,26%.

Exercice 4 :
1. Le prix du baril du pétrole a passé de 106.96 Dollars le 10/06/2014 à 62.66 Dollars le
10/12/2014. Quelle est le taux de variation du prix du baril dupétrole.
2. Supposons que le Maroc consomme 10 000 barils parjour et que le Dollar valait 8.25 DH le
10/06/2014 et 8.91 DH le 10/12/2014.
a. Quel est le taux d'appréciation du Dollar ?
b. Quel est le taux de dépréciation du Dirham ?
c. Quel est la dépense pétrolière marocaine dans les deux dates en DH ?
d. Déduire le taux de variation de cette dépense? Cette variation dépende t'elle du taux de
change du Dirham ?

Solution de l’exercice 4 :
1. Taux de variation :
62,66
𝜏𝑃 (10 − 12 − 14/10 − 06 − 14) = − 1 = 58,58% − 1 = −41,42%.
106,96
Le prix du pétrole a chuté de 41,42%.
2.
a. La valeur du dollar a augmenté entre les deux dates, son taux d’appréciation est de 8% :
8,91 − 8,25 8,91
𝜏$ 10 − 12 − 14 10 − 06 − 14 = = − 1 = 8%.
8,25 8,25

b. La valeur du dirham a reculé devant le dollar entre les deux dates, son taux de dépréciation
est de 7,41% :
8,25 − 8,91 8,25
𝜏𝐷𝐻 10 − 12 − 14/10 − 06 − 14 = = − 1 = −7,41%.
8,91 8,91

c. La dépense pétrolière dans la date du 10-06-2014 est :

10 000 x 106,96 x 8,25 = 8 824 200 𝐷𝐻.
La dépense pétrolière dans la date du 10-12-2014 est :
10 000 x 62,66 x 8,91 = 5 583 006 𝐷𝐻.

d. Le taux de variation de la dépense pétrolière est :

5 583 006
𝜏𝐷é𝑝𝑒𝑛𝑐𝑒 𝑝é𝑡𝑟𝑜𝑙𝑒 10 − 12 − 14/10 − 06 − 14 = − 1 = −36,73%
8 824 200

127
FSJES-Oujda
Il ya une diminution de 36,73% des dépenses pétrolières entre les deux dates.
La variation dans les dépenses dépend du taux de change du dirham :
Si on suppose que la valeur du dirham devant le dollar n’a pas changé entre les deux dates alors la
diminution des dépenses serait la même que celle du prix du baril du pétrole entre les deux dates
c.à.d. égale à 41,42%.

128
FSJES-Oujda
BIBLIOGRAPHIE

1. D.R. Anderson, D.J. Sweeney, T.A. Williams, (2010). Statistiques pour l’économie et la gestion, De
Boeck.
2. D. Audet, C. Boucher, A. Caumartin, C. Skeene, (1993) Probabilités et statistique, gaëtan morin.
3. G. Baillargeon (2004). Outils statistiques et analyse de données, les éditions SMG.
4. B. Grais (1998). Méthodes statistiques, Techniques statistiques, Dunod.
5. J.-M. Martel (1972). Décision et inférence statistique en affaires, Les Presses de l’université
Laval.
6. P.-C. Pupion (2008). Statistiques pour la gestion, applications avec Excel et SPSS, Gestion Sup,
Dunod
7. T.H. Wonnacott, R.J. Wonnacott (1991). Statistique, économie-gestion-sciences-médecine,
Economica.

129
FSJES-Oujda