Note de cours statistique descriptive

2 année Licence GC-GP-GM-MI

Ouissam BENTARZI

Année Universitaire 2020-2021

 Chapitre 1 : Statistique descriptive simple

1. Définition et terminologies

1.1 Définition de la statistique descriptive

Ensemble de méthodes permettant de décrire une population par le biais
des individus qui la compose. La statistique descriptive s’intéresse donc
à décrire et caractériser un ensemble d’individus représenté la plupart
du temps sous la forme de tableau (tableaux de donnés), à résumer et
synthétiser ces tableaux par l’intermédiaire de graphiques et de
paramètres appropriés (fréquence, distribution, moyenne…)

1.2. Terminologies
Population :
Ensemble que l’on observe et qui sera soumis à une analyse
statistique (exple² : ensemble des étudiants d’une section donnée,
l’ensemble des salariés…)
Individu (unité statistique) :
Chaque élément d’une population est un individu (exple : un étudiant
donné, un salarié donné…)

Echantillon :
C’est un sous ensemble de la population considérée (exple :
l’ensemble des étudiants d’un groupe de section donné, l’ensemble
des salariés non véhiculés…)

1
 Taille de l’échantillon :
C’est le nombre d’individus dans l’échantillon.

Caractères :
C’est les caractéristiques de l’individu (exemple : couleur des yeux,
sexe, poids, taille…)

Il existe deux types de caractères dont chacun possède à son tour deux
types :

Modalités :

Valeurs qualitatives ou quantitatives que peut prendre un caractère

(sexe : Femme ou Homme, Poids : 65 Kg, couleurs des yeux :
marron…)

2
 Exemple : Intéressons-nous aux salariés d’une société donnée

Caractères

Population
Sexe Niveau en Salaire Nombre
anglais d’enfants
Mohammed H Bon 46 590 DA 1
Ali H Mauvais 18 000 DA 4
Fatiha F Très bon 59 000 DA 0
Salima F Moyen 30 000 DA 2

Modalités

2. Représentation des données sous forme de

tableau

2.1 Tableau Individus × Caractères (IC)

Considérons un certain nombre de variables (caractères) dont on désire

observer les valeurs sur des individus. Si nous disposons de p variables
et n individus, on aura un tableau Individus × Caractères (IC) à n lignes
et p colonnes dans lequel les individus et les variables (caractères) sont
représentés par des identificateurs (nom, numéro de matricule, lettre de
l’alphabet)
Exemple : la détermination des tailles (exprimées en mètre) et des
poids (exprimés en Kg) relevés auprès de 5 employés d’une entreprise
peut donner lieu au tableau IC ci-dessous

3
 X Y

Caractères
Taille (m) Poids (Kg)
Individus
i=1 Karim 1.80 82
i=2 Hakim 1 .67 75
i=3 Ali 1.90 83
i=4 Hichem 1.75 77

On a représenté chaque individu par un numéro d’ordre i (compris entre

1 et 4 et représentant le numéro de la ligne) et chaque variable par une
lettre de la fin de l’alphabet, nous désignons alors :
 xi la valeur prise par la variable X pour l’individu i

 yi la valeur prise par la variable Y pour l’individu i

Ainsi, la lecture du tableau IC nous indique

x1 = 1.80 x2 = 1.67 x3 = 1.90 x4 = 1.75
y1 = 82 y2 = 75 y3 =83 y4 = 77

L’ensemble de lignes d’un tableau IC à p colonnes définit une série

statistique p-variée, si p=1 elle est dite univariée, si p=2 elle est dite
bivariée.

4
2.2 Présentation d’une série statistique univariée
sous forme de tableau

Série brute : soit le tableau IC contenant les valeurs x1, x2,…, xn

prisent par une variable (caractère) X sur n individus (numérotés de 1 à
n) suivant :

C
X
I
1 X1
2 X2
⁝ ⁝
n Xn

La suite des valeurs {x1, x2,…, xn} est appelées série brute et est notée
̅̅̅̅̅
par {xi, i=1, 𝑛}.

Exemple : considérons le tableau IC relatif au nombre de lettres reçues

par une personne pendant 10 jours successifs au cours desquels été
organisée une distribution postal.
Il est claire que les jours successifs représentants les individus, et le
nombre des lettres reçues est un caractère X.
Jours 1 2 3 4 5 6 7 8 9 10
X 1 0 1 2 1 1 3 0 1 0

Série ordonnée : la série ordonnée, notée {𝑥(1) , 𝑥(2) , … , 𝑥(𝑛) } est

obtenue en permutant les valeurs observées telle que 𝑥(𝑖) ≤ 𝑥(𝑗) si i ≤ j.
Une telle série ne se conçoit que si la variable X est quantitative ou
ordinal.
Exemple : reprenons la série donnée par l’exemple précédent
{xi}={1,0,1,2,1,1,3,0,1,0 }
{𝑥(𝑖) }={0,0,0,1,1,1,1,1,2,3 }

5
Distribution observée : une distribution observée à 1 dimension
notée DO1 est définie par :

 Les valeurs distinctes qui apparaissent dans la série brute (ou la

série ordonnée) et qu’on note x1, x2,…, xJ (J est le nombre de
valeurs distinctes)
 Le nombre de fois que chaque xj se répète, notée nj , est appelé
effectif associé à xj
 La DO1 qui résulte de la série brute ou ordonnée est alors définie
par l’ensemble des couples {(xj , nj)} .

Exemple : dans l’exemple précédent la DO1 est définie par

{(0,3),(1,5), (2,1), (3,1)} et elle peut être représentée par le tableau des
effectifs suivants :

Effectifs
xi ni

x1 =0 3
x2 =1 5
x3 =2 1
x4 =3 1
∑ 10

Ce tableau résume l’information statistique donnée par l’exemple des

lettres reçues par une personne au cours de 10 jours : il n y a pas eu de
lettres à 3 reprise, 5 distributions ont apporté une seule lettre, une a
apporté 2 lettres et enfin 2 lettres ont été reçues au cours de la journée
restante.

6
Fréquence : la fréquence exprime la proportion d’individus
présentant une modalité donnée. Elle peut s’exprimer sous la forme
d’un nombre décimal (en général avec une précision de quatre chiffres
après la virgule) ou sous la forme d’un pourcentage. La fréquence de
l’observation xi est égale au rapport entre son effectif ni et l’effectif total
n, elle est donnée par :
𝑛𝑖
𝑓𝑖 =
𝑛
Notons que la fréquence possède la propriété suivante :

∑ 𝑓𝑖 =1

Exemple : reprenons l’exemple 1 des lettres

xj nj fj

x1 = 0 3 0.3
x2 = 1 5 0.5
x3 = 2 1 0.1
x4 = 3 1 0.1
∑ 10 1

Effectif cumulé croissant : représente le nombre d’observations

inferieurs ou égales à xj, il est donné par
𝑗

𝑁𝑗 = 𝑛1 + ⋯ + 𝑛𝑗 = ∑ 𝑛𝑘
𝑘=1

7
La détermination des effectifs cumulés croissant permet de construire
une courbe cumulative définie par l’équation 𝑦 = 𝑁(𝑥) où
0 𝑥 < 𝑥1
𝑁1 𝑥1 ≤ 𝑥 < 𝑥2
⋮
𝑁 (𝑥 ) = 𝑁 𝑥𝑗 ≤ 𝑥 < 𝑥𝑗+1
𝑗
⋮
{ 𝑁𝐽 𝑥𝑗 ≤ 𝑥

La représentation de cette courbe est donnée par la courbe en escalier

suivante :

Exemple 2:
Les 33 élèves d’une classe ont obtenu les notes suivantes lors d’un
examen
Notes 2 4 5 8 10 11 12 14 15 18 20
nj 1 2 1 4 2 7 6 3 4 2 1

1) Donner les effectifs cumulés croissant

2) Combien d’élève a obtenu une note inférieure ou égale à 8 ?

8
Notes 2 4 5 8 10 11 12 14 15 18 20
nj 1 2 1 4 2 7 6 3 4 2 1
𝑁𝑗 1 3 4 8 10 17 23 26 30 32 33

Le nombre d’élève qui ont obtenu une note inferieur ou égale à 8 est
𝑁4 = 8
Effectif cumulé décroissant : représente le nombre d’observations
supérieurs ou égales à xj, il est donné par
𝐽

𝑁𝑗∗ = 𝑛𝑗 + 𝑛𝑗+1 + ⋯ + 𝑛𝐽 = ∑ 𝑛𝑘
𝑘=𝑗

Exemple : reprenons l’exemple 2

Notes 2 4 5 8 10 11 12 14 15 18 20
nj 1 2 1 4 2 7 6 3 4 2 1
𝑁𝑗 1 3 4 8 10 17 23 26 30 32 33
𝑁𝑗∗ 33 32 30 29 25 23 16 11 7 3 1

Fréquence cumulée croissante: représente la proportion

d’individus dont la valeur est inférieure ou égale à xj elle est définie
par
𝑁𝑗
𝐹𝑗 =
𝑛

Fréquence cumulée décroissante: représente la proportion

d’individus dont la valeur est supérieure ou égale à xj elle est définie
par
𝑁𝑗∗
𝐹𝑗∗ =
𝑛

9
Fonction de répartition et courbe cumulative
La courbe cumulative est la représentation graphique dans un repère
de la fonction cumulative ou de la fonction de la répartition F(X) qui
est la proportion d’individus de la population dont le caractère prend
une valeur inférieure à x. Cette fonction est
Définie pour tout 𝑥 ∈ 𝑅
Croissante (mais non strictement croissante)
Nulle ∀ 𝑥 < min 𝑥𝑖
Egale à 1 ∀ 𝑥 ≥ max 𝑥𝑖

0 𝑥 < 𝑥1
𝑓1 𝑥1 ≤ 𝑥 < 𝑥2
⋮
𝐹 (𝑥 ) = 𝑓1 + 𝑓2 + ⋯ + 𝑓𝑗 𝑥𝑗 ≤ 𝑥 < 𝑥𝑗+1
⋮
{ 1 𝑥𝑛 ≤ 𝑥

10
2.3) Distribution groupée
Lorsqu’on est en présence d’une distribution observée de taille
importante, il en découle qu’on soit en présence des caractéristiques
suivantes :
Un grand nombre de lignes dans le tableau des effectifs
De nombreux effectifs de faible amplitude

Cette situation ne permet pas de dégager les caractéristiques essentielles

de la distribution, pour cette raison il est commode de regrouper les
observations dans des classes de façon à ne considérer qu’un nombre
restreint de classes distinctes.

Pour regrouper les observations dans des classes, il est nécessaire de

répondre aux questions suivantes :
Quel est le nombre de classe k adéquat ?
Quelle est la longueur a (amplitude) de chaque classe ?

Soient
n : la taille de la série statistique (le nombre total d’observations)
k : le nombre de classes
a : l’amplitude des classes
E : l’étendue de la série statistique
Où
𝒌 = √𝒏
𝑬
𝒉=
𝒌
𝑬 = 𝒙𝒎𝒂𝒙 − 𝒙𝒎𝒊𝒏

Pour chaque classe [𝑥𝑗− , 𝑥𝑗+ [ ; 𝑗 ∈ 𝐽 𝑜ù 𝐽 = {1,2,…,k} on a

𝑥𝑗− +𝑥𝑗+
Son centre 𝑐𝑗 = ℎ𝑗 sa longueur
2

Sa limite inferieure 𝑥𝑗− Sa limite supérieure 𝑥𝑗+ Son effectif 𝑛𝑗

11
Soit la distribution groupée donnée par l’ensemble des classes
[𝑎1 , 𝑎2 [ [𝑎2 , 𝑎3 [ …[𝑎𝑖 , 𝑎𝑖+1 […[𝑎𝑘 , 𝑎𝑘+1 [

Alors la fonction de répartition est donnée par

0 𝑥 < 𝑎1

𝑥 − 𝑎1
𝑓 𝑎1 ≤ 𝑥 < 𝑎2
𝑎2 − 𝑎2 1

𝑥 − 𝑎2
𝑓1 + 𝑓 𝑎2 ≤ 𝑥 < 𝑎3
𝐹 (𝑥 ) = 𝑎3 − 𝑎2 2
⋮
𝑖−1
𝑥 − 𝑎𝑖
∑ 𝑓𝑗 + 𝑓 𝑎𝑖 ≤ 𝑥 < 𝑎𝑖+1
𝑎𝑖+1 − 𝑎𝑖 𝑖
𝑗=1
⋮
1 𝑥 ≥ 𝑎𝑘+1
{

𝑖−1
𝑥 − 𝑎𝑖
𝐹 (𝑥 ) = ∑ 𝑓𝑗 + 𝑓 , ∀𝑥 ∈ [𝑎𝑖 − 𝑎𝑖+1 [
𝑎𝑖+1 − 𝑎𝑖 𝑖
𝑗=1

La représentation graphique de la fonction de répartition d’une

distribution groupée est donnée ci-dessous

12
Exemple 3:
Voici la série des 20 notes obtenues en statistique par les étudiants de
deuxième année universitaire :
12 10 8 13.5 10 17 10.5 8.5 13.5 11.5
13 11.5 9 7 8 14 7 5 9.5 6
Soit X le caractère statistique qui représente les notes obtenues
1) Répartir cette série en 4 classes de même amplitude
2) Donner le tableau statistique des effectifs, effectifs cumulés,
fréquences et fréquences cumulées de X
3) Donner l’expression de la fonction de répartition de la série
groupée ainsi que sa représentation graphique.

Solution : à faire en classe

13
3. Représentation graphique d’une série
statistique univariée
La représentation graphique d’une série statistique simple est choisi en
fonction du type de la variable statistique : qualitative ou quantitative,
discrète ou continue.

3.1) Cas d’une variable statistique qualitative

Dans le cas d’une variable statistique qualitative, les représentations
graphiques adéquates sont : le diagramme tuyaux d’orgues et le
diagramme circulaire angulaire

Tuyaux d’orgues : en abscisses nous portons les modalités, de

façon arbitraire, et en ordonnées nous portons les effectifs ou les
fréquences de chaque modalité, et on trace des rectangles de mêmes
largeurs et de hauteurs correspondantes aux effectifs (ou aux
fréquences) des modalités. Il est important de savoir que les
rectangles possèdent la même largeur et qu’ils ne sont pas juxtaposés
et qu’on doit garder les mêmes distances entre les rectangles.

Diagramme par secteurs : les diagrammes circulaires consistent

à partager un disque en tranches, ou secteurs, correspondant aux
modalités observées et dont la surface est proportionnelle à l’effectif,
ou à la fréquence de la modalité.
Le degré d’un secteur est déterminé à l’aide de la règle de trois de la
manière suivante :

𝑛 → 360°
𝑛𝑖 → 𝑑𝑖

14
Exemple 4
Lors d’une étude en psychologie sociale sur la mobilité géographique,
on a interrogé 50 personnes pour savoir si elles passaient les vacances
à l’étranger. Les effectifs obtenus sont les suivants
Vacances à l'étranger Jamais Parfois Souvent Toujours
Effectifs 5 19 23 3

3.2) Cas d’une variable statistique quantitative

Dans le cas d’une variable statistique quantitative, on distingue deux
types de variables : variables quantitatives discrètes et variables
quantitatives continues.
La représentation graphique adéquate pour une variable quantitative
discrète est le diagramme en bâtons où chaque observation (valeur)
correspond un bâton et les hauteurs des bâtons sont proportionnelles
aux effectifs représentés.

15
La représentation graphique appropriée aux variables quantitatives
continues est l’histogramme où nous reportons les classes sur l’axe des
abscisses et, au-dessus de chacune d’elles, nous traçons un rectangle
dont l’aire est proportionnelle à la fréquence ou à l’effectif associée.
Notons que dans un histogramme les rectangles sont juxtaposés et leurs
bases représentent les longueurs (amplitudes) des classes.

Exercice 1
Une statistique sur le poids de chacun des enfants d’un groupe d’enfants
de sept ans donne la série suivante (entité le Kg)
22 25 23 25 24 19 23 18 20 21 19 22 20 17

21 23 24 23 17 21 20 20 19 22 19 20 19 21

1) Quel est le caractère étudié ? Quelle est sa nature ?

2) Dresser le tableau statistique de cette série et donner une
représentation graphique adéquate
3) Répartir cette série en classes d’amplitudes 2 en donnant le tableau
statistique de la série groupée
4) Représenter graphiquement cette série groupée
5) Donner l’expression de la fonction de répartition de la série groupée
et tracer son graphique

16
4. Paramètres de tendance centrale
Les paramètres de tendance centrale ou paramètres de position sont des
grandeurs susceptibles de représenter de représenter au mieux un
ensemble de données. L’appellation mesure de tendance centrale vient
du fait que ces paramètres donnent une idée de ce qui se passe au centre
d’une distribution. On distingue trois mesures de tendance centrale : le
mode, la médiane et la moyenne.

4.1) Le mode
Noté Mo, il correspond à la valeur qui apparaît le plus souvent dans une
distribution, autrement dit c’est la valeur de la série qui possède le plus
grand effectif (ou fréquence).
Cas d’une variable discrète
Dans le cas d’une variable discrète (non groupée), la valeur modale
est tout simplement la valeur de la série qui possède le plus grand
effectif
Cas d’une variable continue (groupée)
Dans le cas d’une variable groupée en classes, le mode peut être
trouvé par interpolation par :

−
𝑑1
𝑀𝑜 = 𝑎𝑀𝑜 + 𝑎𝑀𝑜
𝑑1 + 𝑑2

Où
−
𝑎𝑀𝑜 est la limite inférieure de la classe modale
𝑎𝑀𝑜 est la longueur de la classe modale
d1 =ni –ni-1
d2 =ni –ni+1
ni est l’effectif de la classe modale
ni-1 est l’effectif de la classe qui précède la classe modale
ni+1 est l’effectif de la classe qui succède la classe modale

Le mode peut être trouvé graphiquement comme suit

17
 Mo
4.2) La médiane
Notée Me ou x1/2, la médiane correspond à la valeur de la distribution
qui partage l’effectif total en deux sous effectifs de même taille de telle
sorte que l’on puisse dire que 50% des individus d’une population sont
caractérisés par une valeur supérieure à celle de la médiane et que 50%
des individus ont une valeur inférieure à la médiane.
Cas d’une variable discrète
Dans ce cas il faut d’abord classer les observations de la série dans
l’ordre croissant, cette opération a pour but d’affecter un rang à chaque
valeur et ainsi de déterminer plus facilement le milieu de la série. Deux
cas peuvent se présenter :
Si n est pair, deux valeurs se situent au centre de la série. Ces
deux valeurs sont respectivement de rang n/2 et (n/2) +1

𝑥(𝑛) + 𝑥(𝑛+1)
2 2
𝑥1/2 =
2

Si n est impair alors la médiane est la valeur de rang (n+1/2)

𝑥1/2 = 𝑥(𝑛+1)
2

18
Exemple 5:
Voici la série des 20 notes obtenues en statistique par les étudiants de
deuxième année universitaire
5 6 7 7 8 8 8.5 9 9.5 10
10 10.5 11.5 11.5 12 13 13.5 13.5 14 17

On remarque que cette série est de taille n=20 donc pair, alors la
médiane est calculée comme suit
𝑥(𝑛) + 𝑥(𝑛+1) 𝑥
(10) + 𝑥(11) 10 + 10
𝑥1 = 2 2
= = = 10
2 2 2 2

Exemple 6:
Soit la série statistique suivante
17 17 18 19 19 19 19 19 20 20 20 20 20 21

21 21 22 22 22 23 23 23 23 24 24 25 25

Cette série est de taille n=27 donc impair, alors la médiane est calculée
comme suit

𝑥1/2 = 𝑥(𝑛+1) = 𝑥(27+1) = 𝑥(28) = 𝑥(14) =21

2 2 2

Cas d’une variable continue

Dans le cas d’une série groupée, la médiane est estimée par
interpolation comme suit
𝑛
− 𝑁𝑀𝑒−1
−
𝑥1/2 = 𝑎𝑀𝑒 + 𝑎𝑀𝑒 2
𝑛𝑀𝑒

19
 −
Où 𝑥𝑀𝑒 : est la borne inférieure de la classe médiane
𝑎𝑀𝑒 : est la longueur de la classe médiane
𝑁𝑀𝑒−1 : est l’effectif cumulé croissant de la classe qui précède la
classe médiane
𝑛𝑀𝑒 : est l’effectif de la classe médiane
Donc pour estimer la médiane on doit trouver, en premier lieu, la classe
médiane. La classe médiane est la première classe qui a un effectif
cumulée supérieure ou égale à n/2.
Exemple 7:
Une statistique sur le poids de chacun des enfants d’un groupe d’enfants
de sept ans donne la série suivante (entité le Kg)
22 25 23 25 24 19 23 18 20 21 19 22 20 17

21 23 24 23 17 21 20 20 19 22 19 20 19 21
Répartir cette série en classes d’amplitudes 2 et trouver la médiane par
extrapolation et graphiquement
𝐸
On sait que 𝑎 = 𝐸 = 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛
𝑘
Donc
𝐸 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 25 − 17 8
𝑘= = = = =4
𝑎 𝑎 2 2
ni Ni Fi
classes

[17-19[ 3 3 0.107
[19-21[ 10 13 0.4643
[21-23[ 7 20 0.714
[23-25] 8 28 1
∑ 28

20
 𝑛
− 𝑁𝑀𝑒−1 14 − 13
𝑥1/2 −
= 𝑎𝑀𝑒 + 𝑎𝑀𝑒 2 = 21 + 2 ≈ 21.286
𝑛𝑀𝑒 7
Pour trouver la médiane on trace la courbe des fréquences cumulées
croissantes, elle aussi l’intersection des courbes des fréquences
cumulées croissantes et décroissantes.

4.3) La moyenne arithmétique

La moyenne constitue un autre paramètre de tendance centrale, ce
paramètre est le plus utilisé et calculé lors de l’étude d’une série
statistique. Il existe plusieurs types de moyennes, chacun adapté à des
situations précises
La moyenne arithmétique
C’est la plus simple et la plus utilisée, notée 𝑋̅
∑𝒏𝒊=𝟏 𝒏𝒊 𝒙𝒊
̅=
𝑿
𝒏
Exemple 8:
Soit la série statistique suivante

1 2 4 5 7 8 9 10 11 13

1+2+4+5+7+8+9+10+11+13
𝑋̅ = =7
10

Exemple 9:
Une élève a eu les notes (avec coefficients entre parenthèses) suivante
12 (3) 15 (2) 9 (2) 17 (1) 14 (2) 6 (2) 13 (3)

̅𝑋̅̅𝑝̅ = 12×3+15×2+9×2+17×1+14×2+6×2+13×3 = 12
15

21
 La moyenne arithmétique d’une série groupée
Le calcul de la moyenne arithmétique d’une série statistique groupée
est à éviter car cela nous donne un résultat erroné puisque le calcul se
fait en supposons que toutes les valeurs d’une classe se trouvaient au
centre de celle-ci et donc la moyenne ainsi calculée n’est pas précise.
Le calcul de la moyenne arithmétique à partir de la série groupée ne se
fait que lorsqu’on ne possède pas la série brute.
∑𝒏𝒊=𝟏 𝒏𝒊 × 𝒄𝒊
̅=
𝑿
𝒏
Exemple 10
ci ni
classes

[17-19[ 18 3
[19-21[ 20 10
[21-23[ 22 7
[23-25] 24 8
∑ 28

18 × 3 + 20 × 10 + 22 × 7 + 24 × 8
𝑋̅ = = 21.428
28

Remarque : Lorsque la moyenne = le mode= la médiane on dit que la

série est symétrique

4.4) Les quantiles

Soit X une série statistique ordonnée dans l’ordre croissant, et soit 𝛼 ∈
]0 − 1[. Le quantile d’ordre 𝛼 est une valeur de la série notée 𝑄𝛼 tel
que 𝑛𝛼 valeurs sont inférieures ou égales à 𝑄𝛼 et (𝑛 − 𝑛𝛼) valeurs sont
strictement supérieures à 𝑄𝛼

22
Cas d’une variable discrète
Soient α =0.25, 0.5 ou 0.75 et n la taille de la série (effectif total)
 Si nα n’est pas entier alors
Qα = x[nα]+1
 Si nα est entier alors
1
Qα = (xnα+ xnα+1)
2
Exemple 14
22 25 23 25 24 19 23 18 20 21 19 22 20 17

21 23 24 23 17 21 20 20 19 22 19 20 19 21

Il faut d’abord ordonner les observations dans l’ordre croissant

17 17 18 19 19 19 19 19 20 20 20 20 20 21

21 21 21 22 22 22 23 23 23 23 24 24 25 25

On remarque que la taille de la série est pair n =28

 Pour α = 0.25
nα= 7 entier donc
1 1 1
Q1 /4 = (xnα+ xnα+1) = (x7+ x8) = (19+ 19)=19
2 2 2

 Pour α = 0.5
nα= 14 entier donc
1 1 1
Q1 /2 = (xnα+ xnα+1) = (x14+ x15) = (21+ 21)=21
2 2 2

 Pour α = 0.75
nα= 21 entier donc
1 1 1
Q3 /4 = (xnα+ xnα+1) = (x21+ x22) = (23+ 23)=23
2 2 2

23
Cas d’une variable continue
Dans le cas d’une variable continue (classée), le calcul du quartile se
fait en deux étapes comme suit :
1) La première étape consiste à trouver la classe k, qu’on
note (𝑥𝑘− , 𝑥𝑘+ ) , qui contient le quantile en question. Cette classe
est la première classe qui a un effectif cumulé croissant ≥ 𝑛α
𝑁𝑘 ≥ 𝑛α
2) La deuxième étape consiste à calculer le quartile comme suit

𝑛𝛼 − 𝑁𝑘−1
𝑄𝛼 = 𝑥𝑘− + 𝑎𝑘
𝑛𝑘
Exemple 15
ci ni Ni
classes

[17-19[ 18 3 3
[19-21[ 20 10 13
[21-23[ 22 7 20
[23-25] 24 8 28
∑ 28

 Pour α = 0.25
𝑛α ≤ 𝑁𝑘
𝑛α = 7 donc on doit trouver la classe k telle qu’elle soit la
première classe dont l’effectif cumulé soit supérieur ou égale à 7
et l’effectif cumulé de la classe qui la précède soit strictement
inférieur à 7
On remarque que la classe [19-21[ vérifie cette condition, en effet
on
𝑛α = 7 ≤ 𝑁[19−21[ = 13
D’où

24
 −
𝑛𝛼 − 𝑁[17−19[
𝑄1/4 = 𝑥[19−21[ + ℎ[19−21[
𝑛[19−21[

7−3
𝑄1/4 = 19 + 2 = 19.8
10

𝑄1/4 = 19.8

 Pour α = 0.5
𝑛α ≤ 𝑁𝑘
𝑛α = 14 donc on doit trouver la classe k telle qu’elle soit la
première classe dont l’effectif cumulé soit supérieur ou égale à 14
et l’effectif cumulé de la classe qui la précède soit strictement
inférieur à 14
On remarque que la classe [21-23[ vérifie cette condition, en effet
on
𝑛α = 14 ≤ 𝑁[21−23[ = 20
D’où
−
𝑛𝛼 − 𝑁[19−21[
𝑄1/2 = 𝑥[21−23[ + ℎ[21−23[
𝑛[21−23[

14 − 13
𝑄1/2 = 21 + 2 ≈ 21.28
7

𝑄1/2 ≈ 21.28
 Pour α = 0.75
𝑛α ≤ 𝑁𝑘
𝑛α = 21 donc on doit trouver la classe k telle qu’elle soit la
première classe dont l’effectif cumulé soit supérieur ou égale à 21
et l’effectif cumulé de la classe qui la précède soit strictement
inférieur à 21
On remarque que la classe [23-25[ vérifie cette condition, en effet
on a

25
 𝑛α = 21 ≤ 𝑁[23−25[ = 28
D’où
−
𝑛𝛼 − 𝑁[21−23[
𝑄3/4 = 𝑥[23−25[ + ℎ[23−25[
𝑛[23−25[

21 − 20
𝑄3/4 = 23 + 2 = 23.25
8

𝑄3/4 = 23.25

Cas particuliers
- Les quartiles
Dans une distribution ordonnée dans l’ordre croissant, les quartiles
correspondent aux trois valeurs qui partagent une population en quatre
sous-ensembles de même taille, c'est-à-dire d’effectifs égaux. Par
convention, les quartiles sont respectivement notés par Q1, Q2 et Q3
Premier quartile Q1 : 25% des effectifs de la population ont une
valeur inférieure à Q1 et 75% ont une valeur supérieure à Q1
Deuxième quartile Q2 : 50% des effectifs ont une valeur inférieure
à Q2 et 50% sont supérieurs à Q2. Notons que le deuxième quartile
est lui-même la médiane.
Troisième quartile Q3 : 75% des effectifs de la population ont
une valeur inférieure à Q3 et 25% ont une valeur supérieure à Q3.

26
 Q1 Q2 Q3

25 % 25 % 25 % 25 %

50 % 50 %
Q1

25 % 75 %

< Q1 ˃ Q1

Q2

50 % 50 %

< Q2 ˃ Q2

Q3

75 % 25 %

< Q3 ˃ Q3

- Les déciles
𝑖
Il y a 9 déciles D1,…,D9. Le ième décile est le quantile d’ordre 𝛼 =
10
- Les centiles
Il y a 99 centiles C1,…,C99. Le ième centile est le quantile d’ordre
𝑖
𝛼=
100

27
5. Paramètres de dispersion
Les paramètres de dispersion nous renseignent sur la dispersion des
données autour des paramètres de tendance centrale.

5.1) L’étendue
C’est l’écart entre le maximum et le minimum d’une distribution. Il est
donné par
𝐸 = 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛

5.2) Etendue interquartile

L’intervalle interquartile est donné par l’intervalle [Q1,Q3], cet
intervalle contient 50% des observations. Sa longueur, appelée étendue
interquartile, est donnée par
Q3 – Q1
D’une façon générale, les longueurs des intervalles définies par les
déciles extrêmes (1ier et 9ième décile) et les centiles extrêmes (1ier et
99ième centile) constituent des indicateurs de dispersion contenant
respectivement 80% et 98% des observations centrales.

5.3) Variance et écart-type

La variance d’une variable X est la moyenne arithmétique des carrés
des écarts de X à sa moyenne, elle est donnée par :
𝑛
1
𝑉𝑎𝑟(𝑋) = 𝜎 2 = ∑(𝑥𝑖 − 𝑋̅ )2
𝑛
𝑖=1

L’écart-type est la racine carré de la variance, il est donné par

𝜎 = √𝜎 2

28
Propriétés et utilité de l’écart-type

Un écart-type faible signifie que les valeurs sont relativement

concentrées autour de la moyenne et que la population regroupe
des individus aux caractères relativement homogènes
Un écart-type élevé est révélateur de valeurs très dispersées autour
de la moyenne et d’une population hétérogène
La série varie autour de sa moyenne plus ou moins son écart-type ,
c'est-à-dire qu’elle varie autour de
𝑋̅ ± 𝜎

Remarque : le moment centré d’ordre r est donné par

𝑛
1
𝜇𝑟∗ = ∑(𝑥𝑖 − 𝑋̅)𝑟
𝑛
𝑖=1
Donc la variance c’est le moment centré d’ordre deux.

5.5) Coefficient de variation

Le coefficient de variation est une mesure de dispersion des
observations d’une variable quantitative qui permet de s’affranchir de
la notion de l’unité et ainsi de comparer la dispersion de différentes
distributions. C’est une mesure qui s’exprime la plus part du temps en
pourcentage. Il se calcule en divisant l’écart-type par la moyenne et est
donné par :
𝜎
𝐶𝑣 =
𝑋̅
Plus grand est le coefficient de variation, plus grande est la dispersion.

29
Théorème
Soit X une série statistique, on a alors la relation de Koenig suivante :
𝑛
1
𝜎 2 = ( ∑ 𝑥𝑖 2 ) − 𝑋̅ 2
𝑛
𝑖=1
Si on pose 𝑌 = 𝑎𝑋 + 𝑏 (𝑎 𝑒𝑡 𝑏 𝑑𝑒𝑠 𝑟é𝑒𝑙𝑠)
Alors on a :
𝑌̅ = 𝑎𝑋̅ + 𝑏
𝜎𝑌2 = 𝑎2 𝜎𝑋2
𝜎𝑌 = |𝑎|𝜎𝑋

Exemple 16
Soit la série statistique ordonnée suivante :
17 17 18 19 19 19 19 19 20 20 20 20 20 21

21 21 21 22 22 22 23 23 23 23 24 24 25 25

Calculer la variance et l’écart-type de la série

On a
𝑘
1
𝜎 2 = ∑ 𝑛𝑗 (𝑥𝑗 − 𝑋̅ )2
𝑛
𝑗=1

Pour calculer la variance, il est pratique de dresser le tableau suivant

pour faciliter le calcule

30
 xj nj 𝑛𝑗 𝑥𝑗 𝑥𝑗 − 𝑋̅ 2
(𝑥𝑗 − 𝑋̅) 𝑛𝑗 (𝑥𝑗 − 𝑋̅ )
2

17 2 34 -3,96 15,72 31,43

18 1 18 -2,96 8,79 8,79
19 5 95 -1,96 3,86 19,29
20 5 100 -0,96 0,93 4,65
21 4 84 0,04 0,00 0,01
22 3 66 1,04 1,07 3,22
23 4 92 2,04 4,14 16,58
24 2 48 3,04 9,22 18,43
25 2 50 4,04 16,29 32,57
∑ 28 587
134,96

587
𝑋̅ = 28 ≈ 20.96

134.96
𝜎2 = ≈ 4.82
28

𝜎 = √𝜎 2 ≈ 2.20
On peut aussi calculer la variance en utilisant la formule suivante :

𝑘
1
𝜎 2 = ( ∑ 𝑛𝑗 𝑥𝑗 2 ) − 𝑋̅ 2
𝑛
𝑗=1

Donc il est pratique de dresser le tableau suivant :

31
 xj nj 𝑥𝑗 2 𝑛𝑗 𝑥𝑗 2

17 2 289 578
18 1 324 324
19 5 361 1805
20 5 400 2000
21 4 441 1764
22 3 484 1452
23 4 529 2116
24 2 576 1152
25 2 625 1250
∑ 28 12441

9
1
𝜎 2 = ( ∑ 𝑛𝑗 𝑥𝑗 2 ) − 𝑋̅ 2
28
𝑗=1
1
𝜎2 ≈ ( × 12441) − (20.96)2
28
Et on trouve les mêmes résultats qu’avec la première formule

𝜎 2 ≈ 4.82
𝜎 = √𝜎 2 ≈ 2.20

Exemple 17
Regrouper les observations de l’exemple 16 dans des classes
d’amplitudes 2 ensuite calculer la variance et l’écart-type de la variable
continue obtenue
De l’exemple 7 on a

32
 ci ni
classes

[17-19[ 18 3
[19-21[ 2010
[21-23[ 22 7
[23-25] 24 8
∑ 28
La variance d’une variable continue est donnée par
𝑘
1
𝜎 2 = ( ∑ 𝑛𝑗 𝑐𝑗 2 ) − 𝑋̅ 2
𝑛
𝑗=1

Avec
𝑘
1
𝑋̅ = ∑ 𝑛𝑗 𝑐𝑗
𝑛
𝑗=1

Donc pour faciliter le calcule on donne le tableau ci-dessous

classes cj nj 𝑐𝑗2 𝑛𝑗 𝑐𝑗 𝑛𝑗 𝑐𝑗 2

[17-19[ 18 3 324 54 972

[19-21[ 20 10 400 200 4000
[21-23[ 22 7 484 154 3388
[23-25] 24 8 576 192 4608
∑ 28 600 12968

4
1
𝑋̅ = ∑ 𝑛𝑗 𝑐𝑗 ≈ 21.43
28
𝑗=1
4
1
𝜎 2 = ( ∑ 𝑛𝑗 𝑐𝑗 2 ) − 𝑋̅ 2 ≈ 3.96
28
𝑗=1

𝜎 = √𝜎 2 ≈ 1.99

33
6. Paramètres de forme
6.1) Coefficient d’asymétrie de Fisher (skewness)
Le coefficient d’asymétrie de Fisher d’une variable X dont le moment
d’ordre 3 existe et est définit par Fisher comme suit
𝜇3∗
𝛾1 = 3
𝜎
 Si 𝛾1 = 0, on dit que la série statistique est symétrique par rapport
à la moyenne

 Si 𝛾1 < 0, on dit que la série statistique est asymétrique à droite par

rapport à la moyenne (plus étalée vers la gauche)

 Si 𝛾1 ˃ 0, on dit que la série statistique est asymétrique à gauche

par rapport à la moyenne (plus étalée vers la droite)

34
6.2) Coefficient d’aplatissement (Kurtosis)
Le coefficient d’aplatissement de Fisher d’une variable statistique X
dont le moment centré d’ordre 4 existe est définit par Fisher comme
suit
𝜇4∗
𝛾2 = 4 − 3
𝜎
 Si 𝛾2 = 0, on dit que la série statistique possède le même degré
d’aplatissement que la courbe d’une loi normale (mésokurtique)
 Si 𝛾2 < 0, on dit que la courbe de la série statistique possède un
sommet plus bas et plus aplatie que celui de la courbe d’une loi
normale et possède des ailes plus ouverts (platikurtique)
 Si 𝛾2 ˃ 0, on dit que la courbe de la série statistique possède un
sommet plus haut et plus aigu que celui de la courbe d’une loi
normale et possède des ailes plus fermés (leptokurtique)

35
 Chapitre 2 : Statistique descriptive double

Soit une population d’effectif n, lorsqu’on fait l’étude de deux caractères

(variables) X et Y simultanément, on dit qu’on étudie une série statistique
double ou encore série statistique bivariée. Ces deux caractères peuvent
être :
 quantitative, quantitative
 qualitative, quantitative
 qualitative, qualitative

1. Tableau de données
Considérons un tableau IC (Individus/Caractères) résultant de la mesure
de deux variables X et Y sur les n éléments d’un ensemble d’individus
E.

1 2 … i … n
X x1 x2 … xi … xn
Y y1 y2 … yi … yn

La série statistique bivariée est définie par l’ensemble des couples

̅̅̅̅̅
{(𝑥𝑖 , 𝑦𝑖 ); 𝑖 = 1, 𝑛} . Chacune de ces variables prise seule représente une
variable statistique simple. Ce qui nous intéresse en plus par rapport à
l’étude séparée est de voir l’influence d’une variable sur l’autre. Par
exemple de l’étude simultanée des variations de la consommation de
l’électricité et les variations de la température, on déduit qu’en été la
consommation de l’électricité augmente avec l’augmentation de la
température.

36
2. Distribution conjointe
2.1) Effectifs conjoints
On représente les données sous forme d’un tableau à double entrée,
appelé tableau des effectifs conjoints ou table de contingence ou encore
tableau croisé, on dit également parfois distribution conjointe des
effectifs. Soient x1; x2;…; xp les p observations du caractère X, et
y1; y2; …; yk les k observations du caractère Y. Alors on a le tableau de
contingence suivant :
Y y1 … yj … yk
X

x1 n11 … n1j … n1k

⁝ ⁝ ⁝ ⁝ ⁝
xi ni1 … nij … nik
⁝ ⁝ ⁝ ⁝ ⁝
xp np1 … npj … npk

Où nij est le nombre d’individus qui possèdent simultanément les

modalités xi et yj
Exemple 1
Considérons la population des jeunes de moins de 32 ans de taille 20, la
variable goût pour la lecture notée Y et la variable âge notée X

Y Faible Moyen Fort

X

[22-24[ 0 2 3
[24-26[ 3 2 4
[26-28[ 0 0 2
[28-30[ 1 0 1
[30-32[ 0 0 2

37
Pour ce tableau, yj désigne les différentes modalités de Y :
(y1=faible, y2 =moyen, y3 =fort) et xi désigne les classes de modalités de
X : x1 = [22 - 24[ ; x2 = [24- 26[; x3 = [26- 28[; x4 =[28-30[;
x5 = [30- 32[.
Dans la case située à l’intersection de la ligne 1 correspondant à x1 et de
la colonne 2 correspondant à y2, on écrit le nombre d’individus ayant
simultanément les modalités x1 et y2. Cette valeur est appelée effectif
conjoint des modalités x1 et y2 ; on le note n12. Ici n12 = 2 (en gras dans
le tableau ci-dessus).
D’une façon générale, dans la case située à l’intersection de la ligne x1
et de la colonne yj, on écrit le nombre d’individus ayant simultanément
les modalités xi et yj. Cette valeur est appelée effectif conjoint des
modalités xi et yj; on le note nij .
Ce tableau est appelé tableau des effectifs conjoints ou table de
contingence ou encore tableau croisé, on dit également parfois
distribution conjointe des effectifs.

2.2) Effectifs marginaux

Y y1 … yj … yk ni. (marge de X)
X

x1 n11 … n1j … n1k n1.

⁝ ⁝ ⁝ ⁝ ⁝
xi ni1 … nij … nik ni.
⁝ ⁝ ⁝ ⁝ ⁝
xp np1 … npj … npk np.
n.j (marge de Y) n.1 n.j n.k n

38
On a
𝑘 𝑝

𝑛𝑖. = ∑ 𝑛𝑖𝑗 𝑛.𝑗 = ∑ 𝑛𝑖𝑗

𝑗=1 𝑖=1

𝑘 𝑘 𝑝 𝑝 𝑝 𝑘

∑ 𝑛.𝑗 = ∑ ∑ 𝑛𝑖𝑗 =𝑛 ∑ 𝑛𝑖. = ∑ ∑ 𝑛𝑖𝑗 =𝑛

𝑗=1 𝑗=1 𝑖=1 𝑖=1 𝑖=1 𝑗=1

Exemple 2
Reprenons la table de contingence de l’exemple 1

Y Faible Moyen Fort ni. (marge de X)

X

[22-24[ 0 2 3 5
[24-26[ 3 2 4 7
[26-28[ 0 0 2 2
[28-30[ 1 0 1 2
[30-32[ 0 0 2 2
n.j (marge de Y) 4 4 12 20

La somme de la ième ligne notée Li représente le nombre d’individus

ayant la modalité xi, et la somme de la jème colonne notée Cj représente
le nombre d’individus ayant la modalité yj. Le nombre d’individus qui
ont différents goûts pour la lecture et qui ont un âge supérieure à 22 ans
et inferieure à 24 ans est L1 = 5, et le nombre d’individus qui ont un goût
moyen à la lecture est C2 = 4. La colonne intitulée marge de X (resp
marge de Y) est alors la table d’effectifs de X (resp table d’effectifs de Y
). Ces deux marges sont appelées aussi distributions marginales des
effectifs.

39
2.3) Distributions conjointes et marginales de
fréquences
Les fréquences conjointes sont notées 𝑓𝑖𝑗 et sont données par :
𝑛𝑖𝑗
𝑓𝑖𝑗 =
𝑛
fij est donc la proportion d’individus dans la population ayant
simultanément la modalité xi et la modalité yj. Le tableau des fréquences
conjointes appelé distribution conjointe des fréquences de l’exemple
précédent et contenant les distributions marginales des fréquences est le
suivant :

Y Faible Moyen Fort fi. (marge de X)

X

[22-24[ 0 0.1 0.15 0.25

[24-26[ 0.15 0.1 0.2 0.45
[26-28[ 0 0 0.1 0.1
[28-30[ 0.05 0 0.05 0.1
[30-32[ 0 0 0.1 0.1
f.j (marge de Y) 0.2 0.2 0.6 1

3. Distributions conditionnelles

̅̅̅̅̅
 La série statistique (xi;nij), i=1, 𝑝 est appelée série statistique
conditionnelle de X sachant que Y prend la valeur yj : Elle est notée
X /Y= yj
̅̅̅̅̅
 La série statistique (yj;nij), j=1, 𝑘 est appelée série statistique
conditionnelle de Y sachant que X prend la valeur xi : Elle est notée
Y /X= xi

40
Exemple 2
Reprenons l’exemple précédent, on a la table des distributions du
caractère âge si on ne prend en considération que les individus qui ont
un goût faible à la lecture des effectifs cherchons le nombre d’individus
qui ont un goût faible à la lecture notée X/Y = Faible suivante :

4. Indépendance entre deux caractères

On dit que deux caractères X et Y sont indépendantes si la variation de
l’un n’entraine pas la variation de l’autre.

Définition
̅̅̅̅̅
Les séries statistiques (xi;ni.), i=1, 𝑝 et ̅̅̅̅̅
(yj;n.j), j=1, 𝑘 sont
indépendantes si on a
𝑓𝑖. × 𝑓.𝑗 = 𝑓𝑖𝑗 1, 𝑝 𝑒𝑡 𝑗 = ̅̅̅̅̅
∀ 𝑖 = ̅̅̅̅̅ 1; 𝑘

Remarque
En pratique pour montrer que deux variables ne sont pas indépendantes,
il suffit de trouver un i0 et un j0 tels que :

Exemple 3
Dans l’exemple précédent les deux variables ne sont pas indépendantes,
en effet on a
𝑓1. × 𝑓.1 ≠ 𝑓11

41
5. Représentation graphique
Une série statistique double peut être représentée par ce qu’on appelle
un "nuage de point".
Exemple 4 On a relevé la production de blé (X en quintaux) et le
nombre de jours de pluie (Y). On a obtenu les résultats suivants :
X 200 184 225 250 240 195 210 225 250 220
Y 50 30 70 90 50 30 50 60 70 70

Y
100
90
80
70
60
50
40
30
20
10
0
0 50 100 150 200 250 300

6. Covariance entre deux variables

La covariance mesure la tendance des deux variables à être
simultanément au-dessus ou en dessous de leurs espérances respectives.
Elle permet d’évaluer la dépendance de deux variables, et, plus
précisément, le sens de variation simultanée de ces deux variable, elle
est donnée par :
𝑛
1
𝑐𝑜𝑣 (𝑋, 𝑌) = 𝜎𝑋𝑌 = ∑(𝑥𝑖 − 𝑋̅)(𝑦𝑖 − 𝑌̅ )
𝑛
𝑖=1
𝑛
1
= ( ∑ 𝑥𝑖 𝑦𝑖 ) − 𝑋̅ 𝑌̅
𝑛
𝑖=1

42
Remarque : Lorsque la série statistique est donnée sous forme d’un
tableau de contingence, la covariance est donnée par :

1
( ∑ ∑ 𝑛𝑖𝑗 𝑥𝑖 𝑦𝑗 ) − 𝑋̅ 𝑌̅
𝑛
𝑖 𝑗

Propriétés :
 La covariance est un indice symétrique. De façon évidente 𝜎𝑋𝑌 =
𝜎𝑌𝑋
 La covariance d’une variable avec elle-même correspond à sa
variance (𝜎𝑋𝑋 = 𝜎𝑋2 )
 La covariance peut prendre toute valeur réelle
 |𝑐𝑜𝑣 (𝑋, 𝑌)| ≤ √𝜎𝑋2 𝜎𝑌2
 𝜎𝑋𝑌 > 0 ⇒ X et Y varient dans le même sens
 𝜎𝑋𝑌 < 0 ⇒ X et Y varient dans le sens contraire
 Si les deux variables X et Y sont indépendantes alors 𝜎𝑋𝑌 = 0.
Cependant, le fait que 𝜎𝑋𝑌 = 0 n’implique pas que X et Y sont
indépendants.
 Soient U et V deux variables telles que 𝑈 = 𝛼1 𝑋 + 𝛽1
𝑉 = 𝛼2 𝑋 + 𝛽2 alors on a 𝜎𝑈𝑉 = 𝛼1 𝛼2 𝜎𝑋𝑌
7. Coefficient de corrélation
Ce coefficient caractérise une liaison linéaire de la forme
𝑌 = 𝑎 + 𝑏𝑋 avec 𝑎, 𝑏 ∈ ℝ entre les deux variables considérées. En
particulier, il ne dépend pas des unités de mesure des deux variables.
Il est donné par :
𝜎𝑋𝑌
𝜌𝑋𝑌 =
𝜎𝑋 𝜎𝑌

43
Propriétés :
 Le coefficient de corrélation est un indice symétrique
 −1 ≤ 𝜌𝑋𝑌 ≤ 1
 |𝜌𝑋𝑌 | = 1 ⇒ il existe une relation linéaire entre X et Y
 𝜌𝑋𝑌 = 1 ⇒ il y a une dépendance linéaire mais il peut exister une
autre forme de dépendance
 0 ≤ 𝜌𝑋𝑌 ≤ 1 traduit une dépendance linéaire d’autant plus forte
que |𝜌𝑋𝑌 | est grand. Quand 𝜌𝑋𝑌 est proche de -1 ou +1, les
caractères sont fortement corrélés.

Exemple 5 On a relevé la production de blé (X en quintaux) et le

nombre de jours de pluie (Y). On a obtenu les résultats suivants :
X 200 184 225 250 240 195 210 225 250 220
Y 50 30 70 90 50 30 50 60 70 70

1. Compléter le tableau de contingence suivant

Y 30 50 60 70 90 ni. fi.
X
[184-206[ 2
[206-228[
[228-250[
n.j
f.j

2. X et Y sont-elles indépendantes ?
3. Calculer la covariance entre les variables X et Y ;

44
 4. Calculer le coefficient de corrélation et interpréter le résultat
obtenu.

8. Régression linéaire simple

Un modèle de régression explique une variable dépendante Y en
fonction d’une variable explicative X

𝑌 = 𝑓(𝑋)

Cette relation n’est pas de nature mathématique (exacte) mais de nature

statistique, c’est à dire sujette à une erreur aléatoire notée e
𝑌 = 𝑓(𝑋) + 𝑒

Dans ce qui suit nous allons étudier la régression linéaire simple c'est-
à-dire comportant une seule variable explicative en plus de la constante.

𝑌 = 𝑎 + 𝑏𝑋 + 𝑒

Le coefficient de régression b est la pente de la droite de régression.

Pour déterminer (estimer) les coefficients a et b nous allons utiliser la
méthode d’estimation des moindres carrés ordinaire.

8.1 Méthode d’estimation des moindres carrés

ordinaire
On veut trouver, via la méthode des moindres carrés ordinaire (MCO),
la droite de régression suivante

𝑌 = 𝑎 + 𝑏𝑋 + 𝑒

45
La méthode des moindres carrés consiste à minimiser la somme des
carrés des écarts à la droite. Supposons qu’on dispose de n observations
pour les variables X et Y.

X x1 x2 … xi … xn
Y y1 y2 … xi … yn

On a :

𝑒𝑖 = 𝑦𝑖 − 𝑎 − 𝑏 𝑥𝑖

Donc la méthode consiste à minimiser la fonction :

𝐸 (𝑎, 𝑏) = ∑ 𝑒𝑖2
𝑖=1

46
 𝑛

𝐸 (𝑎, 𝑏) = ∑(𝑦𝑖 − 𝑎 − 𝑏 𝑥𝑖 )2
𝑖=1

Pour obtenir le minimum de cette fonction, on pose les dérivées

partielles premières de E (a, b) par rapport au coefficient a, d’une part,
et par rapport au coefficient b d’une autre part, égales à zéro

D’où

En multipliant les deux membres de l’égalité par 1 /n on obtient

𝑌̅ = 𝑎 + 𝑏𝑋̅ et donc
𝑎 = 𝑌̅ − 𝑏𝑋̅
En procédant de la même façon pour la dérivée partielle de E (a, b)
par rapport à b, on obtient :

47
En remplaçant dans cette dernière égalité a par 𝑎 = 𝑌̅ − 𝑏𝑋̅ on
obtient :

En multipliant les deux membres de l’égalité par 1 /n, on obtient :

D’où :
1
( ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 ) − 𝑋̅𝑌̅ 𝜎𝑋𝑌
𝑏= 𝑛 = 2
1 𝑛 𝜎𝑋
( ∑𝑖=1 𝑥𝑖 ) − 𝑋̅
2 2
𝑛

48
Exemple 5
X (taille du ménage) Y (dépenses en vacances)
1 17
2 11
2 23
4 19
6 30

On veut déterminer la droite de régression. On sait que 𝑎 = 𝑌̅ − 𝑏𝑋̅ et

1
(𝑛 ∑𝑛 ̅̅
𝑖=1 𝑥𝑖 𝑦𝑖 )−𝑋𝑌 𝜎𝑋𝑌
𝑏= 1 = 2
(𝑛 ∑𝑛 2 ̅2
𝑖=1 𝑥𝑖 )−𝑋
𝜎𝑋

Alors :
𝑌 = 12.31 + 2.56 𝑋

49
8.2 Coefficient de corrélation et coefficient de
détermination
Rappelons que le coefficient de corrélation est donné par :

𝜎𝑋𝑌
𝜌𝑋𝑌 =
𝜎𝑋 𝜎𝑌
En ce qui concerne le coefficient de détermination R2, notons que dans
le cas de la régression avec constante, et uniquement dans ce cas, il est
égal au carré du coefficient de corrélation.
2
2 2
𝜎𝑋𝑌
𝑅 = 𝜌𝑋𝑌 = 2 2
𝜎𝑋 𝜎𝑌
Le coefficient de détermination représente la proportion de la variance
de Y qui est expliquée par la régression linéaire en fonction de X. Plus
il sera proche de la valeur 1, meilleur sera le modèle, et lorsqu’il est
proche de 0, on en déduit que X n’apporte pas d’informations utiles sur
Y, autrement dit, la variable X n’explique pas la variable Y.
Exemple 6
Calculons le coefficient de corrélation et de détermination pour
l’exemple 6

50