Séminaire : Statistiques Descriptives

Analyse Descriptive de Données et Applications Métier

Pr. Youssef Lahrichi

Groupe ISCAE – Cycle Expertise Comptable (CEC-1)

Année Universitaire 2025-2026

Séance 1 : Position, Dispersion et Concentration

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 1 / 51
Objectifs du Séminaire

Maîtriser les outils d’analyse univariée (concentration, forme) et bivariée.

Savoir modéliser et interpréter les relations (régression, ANOVA).
Acquérir les techniques de prévision (séries chronologiques).
Introduction aux méthodes multivariées (ACP, Clustering) et au sondage statistique.
Application métier directe : utiliser les statistiques pour l’audit et le contrôle de
gestion.
Préparer efficacement l’épreuve de statistiques du CEC-1.

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 2 / 51
Plan du Séminaire (8 Séances)

1 Séance 1 : Analyse Univariée, Concentration et Graphiques sous R.

2 Séance 2 : Validation des Données : Forme, Normalité et Outliers.
3 Séance 3 : Indicateurs de Synthèse Dynamiques : Les Indices.
4 Séance 4 : Séries Chronologiques et Méthodes de Prévision.
5 Séance 5 : Analyse Bivariée, Modélisation (Corrélation, Régression, ANOVA).
6 Séance 6 : Analyse en Composantes Principales (ACP).
7 Séance 7 : Analyse de Classification (Clustering) et Segmentation.
8 Séance 8 : Méthodes de Sondage Statistique et Applications à l’Audit.

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 3 / 51
Plan Détaillé du Séminaire (Séances 1 à 4)

Séance Focus Contenu Application

1 Position, Dispersion, Inégalité de réparti-
Concentration (CV, tion, Détection visuelle
Gini) des anomalies.
2 Skewness, Kurtosis, Contrôle qualité des
Tests de Normalité, données, Justification
Outliers des hypothèses.
3 Indices de Laspeyres, Contrôle de Ges-
Paasche, Fisher tion : Décomposition
des écarts P/V.
4 Séries Chronolo- Gestion Prévision-
giques, Prévision nelle : Budget des
(Tendances, Saison- Ventes/Trésorerie.
nalité)

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 4 / 51
Plan Détaillé du Séminaire (Séances 5 à 8)
Séance Focus Contenu Application CEC
5 Corrélation, Régres- Séparation Charges
sion Simple (MCO), Fixes/Variables. Éva-
ANOVA luation de l’impact des
facteurs.
6 Analyse en Compo- Synthèse de l’infor-
santes Principales mation : Création d’in-
(ACP) dices de performance.
7 Classification (Cluste- Audit Interne : Identi-
ring) fication de groupes à
risque similaire pour
les contrôles.
8 Sondage Statistique Audit Légal : Justifi-
en Audit cation statistique de la
conclusion d’audit sur
une population.
Séance 1 : Position, Dispersion et Concentration
Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 5 / 51
Séance 1 : Plan Détaillé

1 Rappels fondamentaux (Variables, Types, Démarche).

2 Mesures de Tendance Centrale (Position).
3 Mesures de Dispersion. (Interprétation CV : Diapo 10).
4 Mesures de Concentration (Médiale, Gini).
5 Interprétation Me − Ml et Gini (Diapos 18 et 22).
6 Introduction au Logiciel R pour les Statistiques et Représentations Graphiques.
7 Mises en Pratique MP1 à MP12 .

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 6 / 51
Références

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 7 / 51
Rappels Fondamentaux (Démarche Statistique)

Population : Ensemble des individus étudiés.

Individu : Un élément de la population.
Caractère (ou Variable) : La propriété étudiée sur l’individu.
Un caractère peut être de 2 types :
Qualitatif : Décrit une qualité ou une catégorie (Nominal, Ordinal).
Quantitatif : Mesuré par un nombre (Discret, Continu).
Séance 1 : Position, Dispersion et Concentration
Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 8 / 51
Rappels Fondamentaux (Démarche Statistique)

Un caractère, qu’il soit discret ou continu, doit vérifier deux propriétés importantess :
Incompatibilité : Le caractère ne peut pas prendre deux valeurs (ou modalités) à la
fois.
Exhaustivité : L’ensemble des possibilités (support) du caractère couvre tous les
cas réellement possibles
Séance 1 : Position, Dispersion et Concentration
Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 9 / 51
Rappels Fondamentaux (Démarche Statistique)

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 10 / 51
Rappels Fondamentaux (Démarche Statistique)

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 11 / 51
Mesures de Tendance Centrale (Position)

Mode (Mo) : La modalité la plus fréquente (sommet de la distribution).

Moyenne Arithmétique (X̄ ) : Valeur centrale. X̄ = N1 ki=1 ni xi .
P

Médiane (Me) : La valeur qui partage l’effectif (la population) en deux (50%).
Fractiles : Généralisation de la médiane (Quartiles Q1 , Q3 , Déciles, etc.).

Transition vers la Concentration :

Pour évaluer l’inégalité de la masse, nous introduisons la Médiale (Ml) : valeur qui
divise la population en 2 groupes de même poids

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 12 / 51
Mesures de Dispersion (Volatilité et Risque)

Étendue : Max − Min.

Variance (σ 2 ) et Écart-type (σ) : Mesurent la dispersion autour de la moyenne.
L’écart-type est l’unité de mesure standard de la variabilité.
Écart InterQuartile (EIQ) : Q3 − Q1 .
Coefficient de Variation (CV ) :

σ
CV =
|X̄ |

(*Mesure sans unité de la dispersion relative. Clé pour comparer le risque entre des
séries de moyennes différentes.*)

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 13 / 51
Interprétation du Coefficient de Variation (CV)

Objectif : Juger de l’homogénéité de la série et comparer le risque relatif.

Plage de CV Interprétation Qualitatitive Implication

CV ≤ 10% Faible dispersion Forte homogénéité. La moyenne est
un bon représentant.
10% < CV ≤ 50% Dispersion Modérée Variabilité acceptable. Risque modéré
nécessitant une surveillance.
CV > 50% Forte dispersion Données très hétérogènes. Risque élevé
ou instabilité.

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 14 / 51
Mise en Pratique 1 MP1 : Position et Dispersion

Enoncé : Rémunération mensuelle nette (en KDH) de deux équipes.

Série 1 (Ancien Management) : [12, 14, 15, 16, 18, 19, 21]
Série 2 (Nouvelle Équipe) : [10, 10, 15, 16, 21, 25, 29]
Travail à faire (1) :
1 Calculer la Moyenne (X̄ ) et l’Écart-type (σ) pour chaque série.
2 Calculer le Coefficient de Variation (CV ) pour chaque série.
3 Quelle équipe présente le plus grand risque salarial (dispersion relative) ?

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 15 / 51
Mise en Pratique 2 MP2 : Cas des Classes (Age des Clients)

Enoncé : Âge des clients d’une entreprise (Total N = 766).

Classe d’âge (années) [12, 16[ [16, 20[ [20, 24[ [24, 30[ [30, 40[ [40, 50[
Effectif (ni ) 78 102 184 204 130 68

Travail à faire (2) :

1 Estimer X̄ et Me.
2 Estimer l’Écart-type (σ) et calculer le CV .
3 Interpréter le CV : L’âge moyen est-il un bon représentant ?

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 16 / 51
Mesures de Concentration (Problématique et Outils Clés)

Problématique : Comment quantifier l’inégalité de répartition d’une masse totale (CA,

masse salariale, patrimoine) au sein d’une population ? Outils Clés :
1 La Médiale (Ml) : Indicateur de concentration qui partage la masse en deux.
2 L’Écart Médiane-Médiale (Me − Ml) : Indicateur de l’inégalité de répartition.
3 La Courbe de Lorenz : Représentation graphique de l’écart à l’égalité.
4 L’Indice de Gini (G) : Mesure synthétique normalisée de l’inégalité (entre 0 et 1).

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 17 / 51
La Médiale (Ml) : Définition

Définition :
La Médiale (Ml) est la valeur de la variable qui partage la masse totale (la
*richesse*) en deux parts égales (50% en dessous, 50% au-dessus).
Distinction Clé : Médiane vs Médiale
Médiane (Me) : Partage l’Effectif (la population).
Médiale (Ml) : Partage la Masse (la richesse).

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 18 / 51
La Médiale (Ml) : Étapes de Calcul (Données Groupées)

Prérequis (pour données classées) :

1 Calculer le Centre de Classe (xi ).
2 Calculer la Masse pour chaque classe : Mi = ni × xi .
3 Calculer les Fréquences de Masse Cumulées (Qi ou qi ).
Détermination par Interpolation :
Localiser la classe médiale : la première où Qsup ≥ 0, 5.

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 19 / 51
Formule d’Interpolation de la Médiale

Formule de Calcul :
La Médiale (Ml) se situe dans la classe [Cinf , Csup ] telle que Qinf < 0.5 ≤ Qsup .

0.5 − Qinf
Ml = Cinf + (Csup − Cinf ) ×
Qsup − Qinf

Rôle :
Savoir calculer Ml avec précision pour comparer avec Me.

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 20 / 51
L’Écart Me − Ml : Indicateur de l’Inégalité

Interprétation des Cas :

Me = Ml : Égalité parfaite (Équidistribution).
Me < Ml : Concentration (Inégalité). La moitié la moins dotée de la population
(jusqu’à Me) détient moins de 50% de la masse totale.
Me > Ml : Impossible.
Comment Juger de l’intensité de l’inégalité de répartition ?

Écart Me et Ml Niveau de Concentration

Me = Ml Nulle (Équidistribution)
Me ≈ Ml Faible (Concentration marginale)
Me significativement inférieur à Ml Forte (Grande disparité de richesse/masse)

Rappel : L’écart Ml − Me doit être jugé par rapport à l’amplitude de la variable.

Séance 1 : Position, Dispersion et Concentration
Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 21 / 51
Mesure de concentration
L’écart médiale-médiane

Considérons l’exemple d’un fichier de transactions dans un magasin. Nous commençons

par construire des classes d’observations pour simplifier le calcul :

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 22 / 51
Mesure de concentration
L’écart médiale-médiane

Nous calculons ensuite les centres des classes et les effectifs pondérés.

Effectif pondéré = Effectif × Centre classe

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 23 / 51
Mesure de concentration
L’écart médiale-médiane

Nous calculons ensuite la somme des effectifs pondérés

X
np = Effectifs pondérés

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 24 / 51
Mesure de concentration
L’écart médiale-médiane

Nous calculons les fréquences pondérées

Effectifs pondéré
Fréquence pondérée =
np

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 25 / 51
Mesure de concentration
L’écart médiale-médiane

La médiale est contenue dans la première classe dont la fréquence pondérée dépasse 0,5 (50%).

La médiale peut ensuite être déterminée par interpolation linéaire :

1000 − 1200
Médiale = × (0, 5 − 0, 706464) + 1200 = 1076, 280703
0, 372702 − 0, 706464
Séance 1 : Position, Dispersion et Concentration
Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 26 / 51
Mesure de concentration
L’écart médiale-médiane

La médiale est égale à : 1076,28

La médiane est égale à : 1015,37
L’écart médiale-médiane est égal à : 60,91
Comparé à une étendue de 1685,17. L’écart médiale-médiane reste faible ce qui
témoigne d’une faible concentration

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 27 / 51
Mise en Pratique 3 MP3 : Calcul de Me et Ml

Enoncé : Reprise de l’Ex. 2 (Age des clients).

Classe d’âge (années) [12, 16[ [16, 20[ [20, 24[ [24, 30[ [30, 40[ [40, 50[
Effectif (ni ) 78 102 184 204 130 68

Travail à faire (3) :

1 Calculer la Médiale (Ml) par interpolation.
2 Calculer l’écart Me − Ml.
3 Interpréter le résultat.

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 28 / 51
Mise en Pratique 4 MP4 : Concentration des Comptes Clients
Contexte : On souhaite quantifier si une grande partie de la masse totale de créance est
concentrée sur un petit nombre de clients/longues anciennetés.

Ancienneté (Jours) Effectif Clients (ni ) Montant Moyen Créance (KDH) Masse de Créance
[0, 30[ 50 10 500
[30, 90[ 35 15 525
[90, 180[ 10 40 400
[180, 365[ 5 80 400
Total 100 - 1825

Travail à faire (4) :

1 Calculer les fréquences de masse cumulées (Qi ).
2 Déterminer la Médiale (Ml).
3 La masse totale est-elle concentrée sur un petit nombre de clients/longues
anciennetés ?.
Séance 1 : Position, Dispersion et Concentration
Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 29 / 51
Mesure de concentration
Courbe de concentration de Lorenz

La courbe de Lorenz est un outil graphique pour évaluer visuellement le niveau de

concentration de la variable. Il s’agit de la fréquence pondérée cumulée en fonction de la
fréquence cumulée.

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 30 / 51
Mesure de concentration
Courbe de concentration de Lorenz

Plus la courbe de Lorrenz s’écarte de la première bissectrice, plus le niveau de

concentration est élevé

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 31 / 51
Mesure de concentration
Indice de Gini

L’indice de Gini représente le rapport de l’aire entre la courbe de concentration et la

première bissectrice et l’aire du triangle sous la première bissectrice.

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 32 / 51
Mesure de concentration
Indice de Gini

L’aire entre la courbe de concentration et la première bissectrice est égale à l’aire du triangle sous la bissectrice moins
l’aire sous la courbe de concentration
L’aire sous la bissectrice = 1/2
L’aire sous la courbe de concentration peut être approximé par la somme des aires des trapèzes

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 33 / 51
Mesure de concentration
Indice de Gini

L’indice de Gini est donc égal à

1 P (FPCi +FPCi+1 ).Fi+1

2
− 2
X
Gini = 1
=1− (FPCi + FPCi+1 ).Fi+1
2

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 34 / 51
Mesure de concentration
Indice de Gini

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 35 / 51
Interprétation de l’Indice de Gini (G)

L’indice de Gini est une mesure synthétique de la concentration (écart à la ligne

d’égalité) compris entre 0 (Égalité parfaite) et 1 (Concentration maximale).
Comment évaluer l’inégalité de répartition et le risque de dépendance (Règle de Pareto
80/20) ?

Plage de G Niveau de Concentration Implication

0, 00 ≤ G ≤ 0, 20 Faible Distribution très équitable. Faible risque de dépendance.
0, 20 < G ≤ 0, 35 Modérée Inégalité présente. Niveau de risque acceptable.
0, 35 < G ≤ 0, 50 Forte Inégalité notable. Risque de dépendance notable.
G > 0, 50 Très Forte Inégalité critique. Mesures correctives nécessaires.

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 36 / 51
Mise en Pratique 5 MP5 : Calcul de l’Indice de Gini (Salaires)

Contexte : Distribution des salaires mensuels (en KDH).

Classe de Salaire (KDH) [5, 10[ [10, 20[ [20, 50[ [50, 100[
Effectif (ni ) 30 50 15 5
Total 100

Travail à faire (5) :

1 Calculer l’Indice de Gini.
2 Interpréter l’indice vis-à-vis de l’équité salariale.

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 37 / 51
Mise en Pratique 6 MP6 : Calcul de Gini (Volumes de Vente)

Contexte : Concentration des volumes de vente par catégorie de vendeurs.

Catégorie Vendeur Junior Confirmé Senior Top Vendeur

Effectif (ni ) 50 30 15 5
Volume de Vente (unité) 1000 3000 8000 18000
Total 100

Travail à faire (6) :

1 Calculer l’Indice de Gini.
2 Interpréter l’indice vis-à-vis du risque de dépendance commerciale.

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 38 / 51
Mise en Pratique 7 MP7 : Recherche d’Effectifs Manquants

Contexte : Salaire horaire des ouvriers. Total N = 100. X̄ = 36 MAD, Me = 36 MAD.

Classe de Salaire (MAD) [20, 30[ [30, 40[ [40, 50[ [50, 60[
Effectif (ni ) n1 n2 10 5
Total 100

Travail à faire (7) :

1 Déterminer les effectifs n1 et n2 .
2 Calculer σ, le CV , Ml et l’Indice de Gini.
3 Interpréter l’ensemble des indicateurs (CV et Gini).

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 39 / 51
Introduction au Logiciel R pour les Statistiques

R est le standard de l’Analyse Statistique :

Logiciel Libre et Gratuit (Open Source).
Puissance : Analyses statistiques, inférentielles, économétriques.
Visualisation : Offre des capacités graphiques avancées (essentielles en audit).
Utilité :
Générer rapidement les graphiques demandés.
Valider les résultats des calculs manuels (position, dispersion, concentration).

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 40 / 51
La Représentation Graphique - L’Histogramme

Objectif : Représenter la distribution des fréquences d’une variable quantitative.

Analyse Clé : Détection visuelle de la forme (symétrie ou asymétrie).
Code R (Exemple Bijouterie) :

Code R : Histogramme
age_clients <- c(rep(14, 78), rep(18, 102), ...)
hist(age_clients,
main = "Histogramme de l’âge des clients",
xlab = "Âge (années)", ylab = "Fréquence")

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 41 / 51
Mise en Pratique 8 MP8 : L’Histogramme

Enoncé : Reprendre les données sur l’âge des clients d’une entreprise (Total N = 766).

Classe d’âge (années) [12, 16[ [16, 20[ [20, 24[ [24, 30[ [30, 40[ [40, 50[
Effectif (ni ) 78 102 184 204 130 68

Travail à faire (8) :

1 Générer l’Histogramme des âges sous R.
2 Interpréter l’Histogramme : la distribution est-elle symétrique, asymétrique à droite
(étalée vers les grandes valeurs) ou à gauche ?

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 42 / 51
La Représentation Graphique - La Boîte à Moustaches (Box Plot)

Objectif : Résumé visuel basé sur les cinq indicateurs de position (Min, Q1 , Me, Q3 , Max).
Analyse Clé :
Comparer la variabilité (Dispersion) entre plusieurs groupes.
Identifier la présence de valeurs extrêmes (Outliers).
Utilité : Comparer la volatilité de deux séries (issus de MP1).

Code R : Box Plot

Serie_Ancienne <- c(12, 14, 15, 16, 18, 19, 21)
Serie_Nouvelle <- c(10, 10, 15, 16, 21, 25, 29)
boxplot(Serie_Ancienne, Serie_Nouvelle,
names = c("Ancien Management", "Nouvelle Équipe"),
main = "Comparaison de la Rémunération Nette",
ylab = "Salaire (KDH)")

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 43 / 51
Mise en Pratique 9 MP9 : Le Box Plot

Enoncé : Reprendre les données sur la rémunération mensuelle nette (en KDH) de deux
équipes.
Série 1 (Ancien Management) : [12, 14, 15, 16, 18, 19, 21]
Série 2 (Nouvelle Équipe) : [10, 10, 15, 16, 21, 25, 29]
Travail à faire (9) :
1 Générer le Box Plot comparatif sous R.
2 Interpréter le graphique : Quelle série est la plus dispersée ? Confirme-t-il les
résultats de CV ?

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 44 / 51
La Représentation Graphique - Le Diagramme Circulaire (Pie Chart)

Objectif : Représenter la répartition d’une masse totale (ex : CA, budget) ou d’un effectif
selon une variable qualitative. Analyse Clé : Déterminer visuellement la part de chaque
catégorie par rapport au total.
Utilité : Afficher la part des marchés ou des budgets

Code R : Diagramme Circulaire

zones <- c("Zone A", "Zone B", "Zone C", "Zone D")
CA <- c(550, 320, 180, 450)
pourcentage <- round(100 * CA / sum(CA), 1)
etiquettes <- paste(zones, ": ", pourcentage, "%", sep = "")
pie(CA,
labels = etiquettes,
main = "Répartition du Chiffre d’Affaires par Zone")

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 45 / 51
Mise en Pratique 10 MP10 : Le Diagramme Circulaire

Contexte : On étudie les résultats d’une enquête sur les raisons d’écarts de budget.

Raison de l’Écart Fréquence (Effectif)

Erreur de Saisie 12
Changement de Fournisseur 25
Volume de Vente Imprévu 40
Modification de Prix 23
Total 100

Travail à faire (10) :

1 Générer le Diagramme Circulaire sous R.
2 Quelle est la raison principale des écarts ?

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 46 / 51
Mise en Pratique 11 MP11 : Synthèse (Audit des Stocks)
Contexte : On souhaite évaluer la concentration de la valeur du stock et son
hétérogénéité pour cibler le risque d’obsolescence

Rotation (Rotations/an) Effectif Lignes Stock (ni ) Valeur Unitaire Moyenne (KDH)
[0, 1[ (Dormant) 500 5
[1, 5[ (Faible) 300 8
[5, 10[ (Moyen) 150 12
[10, 20[ (Élevé) 50 40
Total 1000 -

Travail à faire (11) :

1 Déterminer X̄ et le CV de la Valeur Unitaire du Stock.
2 Calculer la Médiale et l’Indice de Gini de la Valeur Totale du Stock.
3 Interprétation Finale : Évaluer le risque de concentration (obsolescence) des
stocks.
Séance 1 : Position, Dispersion et Concentration
Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 47 / 51
La Courbe de Lorenz et Gini (Visualisation sous R)

Rappel Théorique : L’Indice de Gini est l’aire entre la courbe de Lorenz et la ligne
d’égalité parfaite. Code R (Nécessite le package ineq) :

Code R : Courbe de Lorenz

# Exemple de données (Valeurs unitaires de MP11)
valeurs <- c(rep(5, 500), rep(8, 300), ...)
# Calcul de l’Indice de Gini
# indice_gini <- Gini(valeurs)
# Tracé de la Courbe de Lorenz
library(ineq)
plot(Lc(valeurs),
main = "Courbe de Lorenz de la Valeur des Stocks",
col = "blue")

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 48 / 51
Mise en Pratique 12 MP12 : Synthèse (Rentabilité Filiales)
Contexte : On souhaite évaluer le risque de dépendance de la holding en déterminant si
le profit total est excessivement concentré sur quelques filiales clés (effet "vedettes"),
rendant le groupe vulnérable à la contre-performance. Le CV mesurera en parallèle
l’hétérogénéité de la rentabilité des filiales.

Filiale A B C D
Nombre d’Employés (ni ) 50 100 150 200
Résultat Net (M KDH) 15 25 45 10
Total 500 (Employés) / 95 (Résultat Net)

Travail à faire (12) :

1 Calculer CV et Gini de la rentabilité.
2 Synthèse : La holding a-t-elle un problème de concentration de rentabilité ?
Justifiez votre conclusion en utilisant le CV et le Gini.
Séance 1 : Position, Dispersion et Concentration
Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 49 / 51
Synthèse de la Séance 1 : Les Fondamentaux du CEC-1

À Retenir : Savoir calculer et interpréter

Position : X̄ , Me, Ml.
Dispersion : CV – Indice clé de risque relatif (Diapo 10).
Concentration : Gini – Indice clé d’inégalité et de dépendance (Diapo 22).
Graphiques R : Histogramme (Forme) et Box Plot (Dispersion/Outliers) pour le
diagnostic rapide.

Séance 1 : Position, Dispersion et Concentration

Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 50 / 51
Questions / Fin de Séance 1

Questions ?

Préparation de la Séance 2 : Validation des Données (Skewness, Kurtosis,

Normalité).
Merci pour votre participation !
Séance 1 : Position, Dispersion et Concentration
Pr. Youssef Lahrichi (ISCAE) Statistiques Descriptives 51 / 51