0% ont trouvé ce document utile (0 vote)
16 vues13 pagesStat Descriptif
Transféré par
DOSSACopyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF ou lisez en ligne sur Scribd
0% ont trouvé ce document utile (0 vote)
16 vues13 pagesStat Descriptif
Transféré par
DOSSACopyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF ou lisez en ligne sur Scribd
‘ovrtorg02s 18:14
@- €
Lee
(http:/[Link]-(http//[Link]- ([Link]
[Link]/) [Link]/-
[Link])
Maths Lyont
([Link] [Link] | Recherche dans le
[toi normale
ip Ugo aU ALLE
Accueil
Page d'entrée (entree)
FAQ : Lire impérativement (FAQ)
Cours
Diaporamas - SCH (diaporamas)
Diaporamas - MPO (diaporamasDFO)
Diaporamas - DAL (diaporamasDAL)
Diaporamas - SM (diaporamasSM)
Algebre linéaire (cours/algebre-lineaire)
Analyser (cours/analyse)
Probabilités - Statistique (cours/probabilte-statistique)
Questionnement
QCM sur le cours (qcm/cours)
Exercices et Problémes
‘Analyser (exercices-et-problemes/analyse)
Probabilités - Statistique (exercices-et-problemes/proba)
Outils
Bactéries TT (travaux-tutores/bacteries)
TT Arbres (travauxtutores/arbres)
TT nicotine (travaux-tutores/nicotine)
Boite 3 outils (boite-2-outils)
Annales
Liste par année (annales-iste-par-annee)
Chapitre 5 : Statistique descriptive
+ 1. Introduction
+ 2 Echantitonnage statistique
@ 24 Défintion
© 2.2 Echantilonnage aléatore simple
+ 3Les caractéres statistiques
3.1 Défintion
«3.2 Liens avec les concepts probabilstes
+ 4 Représentation des données
© 4.1 Séries statistiques
¢ 4.2 Tableaux statistiques
©. 4.3 Représentations graphiques
+ 5 Indicateurs numériques
5.1 Indicateur de position
© 5.2 Indicateurs de dispersion
+ 6 Inférence aux ois de probabiltés
imathsuniv-lyont.r/coursprobabilte-satistique
ans ovtorzo2s 18:14 MathSv Lyont
1. Introduction
La statistique est une méthode scientifique qui consiste & rassembler des données chifirées sur des ensembles
nombreux, puis @ analyser, a commenter et & critiquer ces données. I! ne faut pas confondre /a statistique qui esta
science qui vient d'étre define et une statistique qui est un ensemble de données chifrées sur un sujet précis.
Les premiéres statistiques établies ont été celles des recensements démographiques . Ainsile vocabulaire est
cessentiellement celui de la démographie.
Les ensembles étudiés sont appelés population . Les éléments de la population sont appelés individus ou unités
statistiques. La population est étudie selon un ou plusieurs caractéres:
Les statistiques descriptives peuvent se reprendre par le schéma suivant,
= = ee
E Déduction
‘chantillonnage l'échantillon
aléatoire
2 Echantillonnage statistique
Pour plus d'informations sur une population statistique, l'on dispose de deux méthodes
+ la méthode exhausti
caractores étudiés.
‘ou le recensement of1 chaque individu de la population est étudié selon le ou les
+ la méthode des sondages ou échantillonnage qui conduit & n'examiner qu'une fraction de la population, un
chantillon (?theme=proba&chap=99#echantillon)
2.1 Définition
[F échantilionnage représente ensemble des opérations qui ont pour objet de prélever un certain nombre dindividus,
{dans une donnée de population,
Pour que les résultats observés lors d'une étude généralisée & la population statistique, Péchantillon doit Gtre
représentatif de cette derniére, c'est dire quil doit respecterfidlement sa composition et sa complexité. Seul !
échantillonnage assure aléatoirement la représentativité de 'échantillon.
[Un échantilon est qualifé d’ aléatoire lorsque chaque individu de la population a une probabilité connue et non nulle
\t'appartenir & réchantillon
Le cas particulier Ie plus connu est celui qui affecte & chaque individu la méme probabilité d'appartenir & Téchantillon.
2.2 Echantillonnage aléatoire simple
[U échantillonnage aléatoire simple est une méthode qui consiste & prélever au has
|ndividus ou unités ¢'échantillonnage d'une population & NV individus,
1rd el de fagon indépendante mn
(Chaque individu posséde ainsi la méme probabilité de faire partie dun échantilon demindividus et chacun des
4chantillons possibles de taille mposséde la méme probabil d'étre constituée,
L’échantillonnage aléatoire simple assure ' indépendance des erreurs , 'est-d-dire 'absence d' autocorrélations parmi
les données relatives & un méme caractére. Cette indépendance est indispensable a la validté de plusieurs tests
statistiques (chapitre 7).
Exemple
Les données numériques ne sont pas indépendantes puisque les informations sont d'autant plus identiques quielles sont
rapprochées dans le temps et dans Fespace. *
ll existe d'autres techniques 4’échantilonnage que nous ne développons pas dans un premier temps dans ce cours
‘comme l’échantillonnage systématique ou 'échantillonnage stratifié qui répondent & des problématiques biologiques
rmathsvuniv-lyontfricoursiprobabilte-satstique ana. owtorzo2s 18:14 MathSv Lyont
‘specinques.
3 Les caractéres statistiques
3.1 Définition
[Sur appel & caractére statistique simple toute application
lx: P—> R
lavec Pun ensemble fini appelé population ; tout élément?"’de Ps'appelle un individu
Le caractére Désigne Une grandeur OU un attribul, observable sur un individu et susceptible de Varier Prenant appeles
AINSI Différents Etats Modalités (2theme=proba&chap=99#modalite) .
fon appelle modalité toute valeur
ies X(P)
fait que: X(P) = Xi, %, %,
Remarque ; Souls les caracteres quantitatfs ont des valours dans R, les caracléres qualitatfs sy ramenant par un
codage.
vag Mnombre de modaltés différentes de X
Exemple
Lors des recensements, les caractéres étudiés sont lige, le sexe, la qualification professionnelle, etc.
3.1.1 Les caractéres qualitatifs
Mesurées dans une échelle nominale , les modalités sont exprimées par des noms et ne sont pas hiérarchisées (?
theme=proba&chap=99#hierarchise) . Un caractare nominal peut étre dichotomique si ne peut prendre que deux
modalités.
Exemple : le couleur du pelage, les groupes sanguins, les différents nucléotides de I/ADN, la présence ou l'absence dun
caractére (dichotomique), etc
Mesurées Dans Une échelle ordinale : les le traduisent Modalités degree d'un état sans individu un caractérisant Que ne
puisse degree CE defini par un &tre Qui resulte d'Nombre Une mesure. Les modalités sont alors hiérarchisées
Exemple : le stade d'une maladie.
Certains tests (non vus dans ce cours) permettent de profiter de cette information et sont alors plus puissants que des
tests sur variable nominale.
3.1.2 Les caractéres quantitatifs
Le caractére est discret (?theme=proba&.chap=99#aiscrete) s'l peut prendre seulement certaines valeurs dans un
intervalle donné. En général il résute d'un comptage ou dénombrement.
Exemple : le nombre de petits par portée, le nombre de cellules dans une culture, le nombre daccidents pour une
période donnée, etc.
Remarque : Attention, un caractére quantitaif discret peut résulter de la transformation d'un caractére nominal (ex.
‘comptage des individus porteurs ou non d'un caractére),
Le caractére est continu (2theme=proba&chap=99#continue) sl peut théoriquement prendre rrimporte quelle valeur
dans un intervalle donné. En général il sortira d'une mesure.
Exemple : le poids, la taille, le taux de glycémie, le rendement, etc.
Remarque : En réalité le nombre de valeurs possibles pour un caractére donné dépend de la précision de la mesure, On
peut considérer comme continu un caractare discret qui peut prendre un grand nombre de valeurs.
Exemple : le nombre de globules blancs ou rouges par mi de sang, le nombre de nucléotides A dans une trés longue
séquence d'ADN (plusieurs Mégabases),
3.2 Liens avec les concepts probabilistes
Les concepts qui viennent d'étre présentés sont les homologues de concepts du calcul des probabilités (?
theme=proba&chap=2#iprobabilites) etil est possible de disposer en ce qui conceme les concepts homologues (voir le
‘[Link]-lyontrcoursiprobabilte-satstique ana ovtorzo2s 18:14 MathSv Lyont
tableau ci-dessous).
Probabilités Statistique
Espace fondamental Population
Epreuve ‘Tirage (d’un individu), expérimentation
Evénement élémentaire Individu, observation
Variable aléatoire Caractére
Epreuves répétées Echantillonnage
Nbre de répétitions d’une épreuve Taille de I’échantillon, effectif total
Probabilité Fréquence observée
Loi de probabilité Distribution observée ou loi empirique
Espérance mathématique Moyenne observée
Variance Variance observée
‘Ainsi la notion de caractére se confond avec celle de variable aléatoire (?theme=proba&chap=3ivariable-aleatoire)
4 Représentation des données
ll existe plusieurs niveaux de description statistique : la présentation brute des données, des présentations par tableaux
numériques, des représentations graphiques et des résumés numériques fous par un petit nombre de paramétres
caractéristiques.
4.1 Séries statistiques
[Une série statistique correspond aux différentes modalités dun caractére sur un échantilon dindividus appartenant &
lune population donnée.
lLe nombre dindividus qui constituent léchantilon étudié s'appelle la taille de l'échantilon,
Exemple
Afin d’étudler la structure de la population de gélinottes huppées (Bonasa umbellus ) abattues par les chasseurs
ccanadians, une étude du dimorphisme soxuel de cette espace a été entreprise. Parmi es caractéres mesurés figure la
longueur de la rectrice centrale (plume de la queue). Les résultats observés exprimés en milimatres sur un échantillon
de 50 males juvéniles sont notés dans la série ci-dessus
gélinotte hunnée
mmathsvuniv-yontricoursiprobabilte-satstique ans. ovtorzo2s 18:14 MathSv Lyont
wore ener oe 4
4,2 Tableaux statistiques
Le tableau de distribution de fréquences est un mode synthétique de présentation des données. Sa constitution est
immédiate dans le cas d'un caractare discret mais nécessite en revanche une transformation des données dans le cas
dun caractére continu
4.2.1 Fréquences absolues, relatives et cumulées
A chaque modalité (7theme=proba&chap=89#modalite) du caractére.X,, peut correspondre a un ou plusieurs individus
dans réchantillon de taille m
[On appole effectif dela modalité.4, lo nombre ry,00 my,2st le nombre dindividu 7?
let que X(2) =X.
Remarque : Parfois on peut rencontrer le terme de fréquence absolue pour les effectis
=
[on appelie fréquence de la modalté.X,,e nombre Atel que Re= =
Remarque : Paris on paul renconirerle ferme de fréquence relative pourlos frequencos. Le pourcentage ost uno
fréquence exprimée en pour cent. Il est égal A100.
Llemploi des fréquences ou fréquences relatives s'avére utile pour comparer deux distributions de fréquences établies
parti d'échantillons de taille différente
[On appelle fréquences cumulées ou fréquences relatives cumulées frX,.
«
lle nombre Kisperttet que Rjsperme = ?? 5
>
F
Remarque : On peut noter que?? 1,— ntalle de 'échantilon et 7? Fe=
jen gent
4.2.2 Caractéres quantitatifs discrets
1
Dans le cas d'un caractére quantitatif discret , de la distribution des données associées a 'établissement avec leurs,
fréquences est immédiate.
Exemple
‘mathsvuniv-lyontrcoursiprobabilte-satstique 5113 owtorzo2s 18:14
Sa
Maths Lyont
La cécidomyie du hétre provoque sur les feuilles de cet arbre des galles dont fa distribution des montres est la
suivante
Caractére X
Ree aE camo Dea J We TY
por feuille
‘n * nombre de feuilles
peatent teenie 2 om «© -% 2 5s 2 1 0 1 0
fic fré[Link] | 0488 0261 04125 0075 0.032 m1 0.008 000300003 0
Fi cum. + fréq, relative | 0.485 0746 0869 0944 0976 0989 0994 0997 0997 1
cumulée
La taille de réchantillon studié est n = 37Seuilles
4.2.3 Caractéres quantitatifs continue
Dans le cas d'un caractére quantitatif continu, 'établissement du tableau de fréquences implique d'etfectuer au préalable
une répartition en classes des données. Cela nécessitera de définir le nombre de classes attendu et donc amplitude
associée & chaque classe ou intervalle de classe
En ragle générale, on choisit des classes de méme amplitude (2theme=proba&chap=99#amplitude) . Pour que la
distribution en fréquence est un sens, il faut que chaque classe comprenne un nombre suffisant de valeurs (7p).
Diverses formules empiriques permettent détablir le nombre de classes pour un échantilon de tallern
La régle de STURGE (2theme=proba&chap-99Hsturge) : Nombre de classes =1 + (3, 3 journaln )
La ragle de YULE : (?theme=proba&.chay
B#yulo) Nombre de classes =2,, 57m
Lintervalle entre chaque classe est obtenu ensuite de la maniére suivante
Interval de classe = (X max - X min) / Nombre de cours
avec X max et X min, respectivement a plus grande et la plus petite valeur de X dans la série statistique.
A partir de Xmin on obtient les limites de classes ou bornes de classes par addition successive de lintervalle de classe.
En régle générale, on tente de faire coincider indice de classe ou la valeur centrale de la classe avec un nombre entier
‘ou ayant peu de décimales.
Exemple
Dans le cadre de l'étude de la population de gélinottes huppées (Bonasa umbellus ), les valeurs de la longueur de la
rectrice principale peuvent atre réparties de la fagon suivante
+ définition du nombre de classes,
Régle do Sturgo:1 + (3, 3 journal50) = 6, 60
Régle de Noél: 2, 57150 = 6, fk deux valeurs sont tres peu différentes
+ definition de rintervalle de classe
wa 140
or= Hin
5,15 mm que l'on arrandit a 5 mm par commodité
+ Tableau de distribution des fréquences
Caractére X:
xi: longueur de la rectrice
bomes des classes
[140-145[ [145-150[ [150-185[ [155-160{ [160-165 [165-170 [170-175
Valeur médiane des classes,| 1425 14751525 157,516, 167,5 17,5
x
me: nombre d'individy nar! 1 9 7 lo 3
rmathsvuniv-lyontrcoursiprobabilte-satstique
ans, owtorzo2s 18:14 MathSv Lyont
classe de taille x,
\fi: fréquence relative 002 0028340820056
|ficum. : fréquence relative 002 00402206 1
cumulée
4.3 Représentations graphiques
Les représentations graphiques ont lavantage de se renseigner immédiatement sur allure générale de la distribution.
Elles faciltent Finterprétation des données téléphoniques.
4.3.1 Caractéres quantitatifs discrets
Pour les caractares quantitatifs discrets, la représentation graphique est le diagramme en batons oi!|a hauteur des
batons correspond a [Link]é a chaque modalité de caractre Xje
Exemple
Effectif : nj
200
Distribution du nombre
1a de galles par feuilles
120
40
0 2 4 6 8 wo 2
X + nombre de galles par feuille
Dans 'exemple de la eécidomyle du héitro, la distribution des fréquences de foulles observées du nombre de galles par
peut étre représentée par un diagramme en batons avec en ordonnée les effectifsrmet en abscisse les différentes
modalités de la variable étudiée.
4.3.2 Caractéres quantitatifs continue
Pour les caractéres quantitalifs continus, la représentation graphique est I'histegramme oi la hauteur du rectangle est
proportionnelle & effect n_j. Ceci n'est vrai que si intervalle de classe est constant. Dans ce cas faire comprennent
‘sous [histogramme s'avére proportionnelle a effectif total, En revanche lorsque les intervalles de classe sont inégaux,
des modifications s'imposent pour conserver cette proportionnalité. Dans ce cas, en ordonnée, au lieu de porter effect
Con indique le rapport de la fréquence sur Tintervalle de classe. Ainsila superficie de chaque rectangle représente alors
Veffectif associé & chaque classe.
Exemple
[Link]-statstique m3 owtorzo2s 18:14 MathSv Lyont
Effectif : nj Distribution de la
longueur de la rectrice
centrale
16
n
140 150 170
X :longueur de la rectrice centrale en mm
Dans 'exemple de la longueur de la rectrice centrale des individus males de la gélinotte huppée, la distribution des
fréquences observées est représentée par un histogramme avec en ordonnée les effectifsmet en abscisse les limi
de la classe de la variable étudiée,
5 Indicateurs numériques
Le dernier niveau de description statistique est le résumé numérique d'une distribution statistique par des indicateurs
numériques ou paramétres caractéristiques
Remarque : Ces demiers représentent une transition entre la statistique purement descriptive et estimation des
paramatres (2theme=proba&chap=6) qui caractérisent les distributions de probabiités(chapitre 6).
5.1 Indicateur de position
Ces parametres ont pour objectf dans le cas d'un caractére quantitatf de caractériser ordre de grandeur des
‘observations
5.1.1 La moyenne arithmétique
[Scitun échantiton de mvalours observées X%,%, Ae. - duiigaractére quanttatif X, on defint sa
|noyenne XZomme la moyenne arithmétique desrnvaleurs
[Sites données observées Aont regroupées enk classes d'effectif m,(caractbre continu regroupé en classe ou
lcaractére discret, il faut les pondérer par les effectfs correspondants
k x
2 ma&avecn = 7 me
[3°
Exemples =
Dans le cas de étude du dimorphisme sexuel de la gélinotte huppée (?theme=proba&chap=Stexemple-gelinotte) , la
‘[Link]-satstique ana, ovtorzo2s 18:14 MathSv Lyont
longueur moyenne de la rectrice principale du male juvénile est
+ dans le cas des données non groupées
ea WHEN O04 TTT 168" TNS _ 455.9 mm
+ dans le cas des données groupées oi les valeurs X,,correspondant aux valeurs médianes des classes,
"= 1280 — 459,2 mm (vir graphe )
&
22 mX= 7960d 0a
Remarque : La moyenne obtenue aprés le regroupement des données en classe dans exemple de la longueur dela
rectrice centrale différe Iégérement en raison d'une perte d'information, Si 'échantllonnage n'est pas de type aléatoire
simple, les deux moyennes peuvent &tre trés différentes.
5.1.2 La médiane
[La médiane,.M,, est la valeur du caractére pour laquelle la fréquence cumulée est égale a 0,5 ou 50%. Elle
lcorrespond done au centre de la série statistique classée par ordre croissant, ou @ la valeur pour laquelle 60 % des
Wvaleurs observées sont supérieures et 50 % sont inférieures.
Dans le cas ou les valeurs par le caraciére éludié ne sont pas regroupées en classe,
© simestaltérer, alorsn = 2m eta médiane estla valeur du milieuM, = Xn 4 1
© simest paire , alorsn = 2 vet une médiane est une valeur quelconque entre Xp, €t Xn 2
Dans ce cas il peut étre commode de prendre le milieu
+ Dans le cas oi es valeurs par le caractére étudié sont groupées en classe , on cherche la classe contenant le
rf / Individu de 'échantilon. En supposant que tous les individus de cette classe sont réparts 4 intériour, la
position exacte dun / ndividu de ta fagon suivante par interpolation linéaire (7
theme=probag&chap=99tinterpolation-lineaire)
2K,
= e+ (ter) (32 )prainnt tones
Xm’ limite inférieure de la classe dans laquelle se trouve le rf / 2individu (classe médiane).
Xp 1 ‘limite supérieure de la classe dans laquelle se trouve le rif / 2individu (classe médiane).
motfoctit de la classe méiane
Nizeffectif cumulé inférieur a X,
1m: taille de Téchantilon
Exemple
Dans le cas de la distribution de la longueur de la rectrice centrale de la gélinotte huppée (?
theme=proba&chap=Siexemple-gelinotte) , la valeur de la médiane est
+ Cas des données non groupées
n = Bone M, € [% 5,46]
[158m m , 159 rows M.
58,5mm
soit M.
+ Cas des données groupées
‘n= 5fla 25 &* valeur se situe dans la classe [155-160] qui content les individus de 128 28.
GoW aveC Ly = 185 milimétres, Fy, = 17 individus, K,sperme Ite individus jee 5 mm
M, = 155 + (9 = 11) 159,11 mm dou M, = 159,1 mm (voir graphe )
Remarque : La médiane ne s'applique qu’aux échelles ordinales, dintervalles et de rapport, car elle nécessite un ordre
linéaire entre les variables.
[Sila distribution des valeurs est symétrique , a valour de la médiane est proche de la valour de la moyenne
larithmétique
IM. 7? ®
rmathsvunivlyontrcoursiprobabilte-satstique ona, owtorzo2s 18:14
L
5.1.3 Le mode
Maths Lyont
[Le mode ,M,dune série statistique est la valour du caractore la plus fréquente ou dominante dans 'échantilon. Le
|mode comespond a la classe de fréquence maximale dans la distribution des fréquences.
‘On peut identifier le mode comme la valour médiane de la classe de fréquence maximale ou bien effectuer une
interpolation linéaire pour obtenir la valeur exacte du mode comme suit
jai
M Bie
Ant
‘hea
i, démonstration géométrique )
Xp: limite inférieure de la classe detfectif maximal
Je intorvalle de classe (Xn +1
Xn)
A i Ecart deffectif entre la classe modale et la classe inférieure la plus proche
A s Ecart dette
Exemple
tif entre la classe modale et la classe supérieure la plus proche
Dans le cas de la distribution de la longueur de la rectrice centrale de la gélinotte huppée, la valeur du mode est
+ Valeur approchée
La classe de fréquence maximale est [155,160[ avec 1. 17 dou M, — 157,5 mm
+ Valeur exacte
sxs
asi
M, = 155 +
159,44 mm dod M, =159,4 mm (volr graphe )
avec Xy ~ 155 milimetres, Ai — 17 - neuf, A 8 17 - 16 —etlje -Smm
Remarque : Une distribution de fréquences peut présenter un seul mode ( distribution unimedale } ou plusieurs modes
(distribution bi ou trimodale ).
IM, = 2
[Sila distribution des valeurs est symétrique, la valour du mode est proche de la valeur de la arithmétique
5.1.4 Comparaison des indicateurs de position
Avantages
Inconvenients
- Facile a caleuler,
- Répond au principe des moindres carnts,
- Fortement influencée par les valeurs
extremes de la v.a.,
= Représente mal une population hétérogéne
(polymodale).
~ Pas influencée par les valeurs extrémes
delavaa,,
~ Peu sensible aux variations d’amplitude
des classes,
- Calculable sur des caractéres eyeliques
(saison, etc) oi la moyenne a peu de
signification.
Se préte mal aux calculs statistiques,
- Suppose I’équi-répartition des données.
= Ne représente que la valeur qui sépare
‘échantillon en 2 parties égales
Mode
~ Pas influencée par les valeurs extrémes
de lava,
~ Calculable sur des caractéres cycliques
(saison, etc.) ob la moyenne a peu de
signification,
~ Bon indicateur de population hétérogéne.
~ Se préte mal aux calculs statistiques,
- Tres sensible aux variations d'amplitude
des classes,
= Son calcul ne tient compte que des
individus dont les valeurs se rapprochent de
la classe modale,
Exemples
rmathsvuniv-lyant ricoursprobabilit
te-statstique
1013, ovtorzo2s 18:14 MathSv Lyont
Représentation graphique des trois indices de position sur exemple de la distribution de la longueur de la rectrice
centrale de la gélinotte huppée.
Effectif : nj = 159.2ma Ma= 158m
Mo = 159,4 mm
aan
n
140 150 160 170
:longueur de la rectrice centrale en mm
[Dans le cas oi le caractére étudié se distribue selon une lol normale Laplace-Gauss (7theme=proba&chap=4#lor-
Jpormale-ou-loi-de-laplace-gauss) alors,
la moyenne X’la médiane M, etle mode M, prendre la méme valeur
ll oxiste dautres paramétres de position comme la moyenne quadratique ou la moyenne géométrique quine seront pas
développés dans ce cours
5.2 Indicateurs de dispersion
Ces paramétres ont pour objectf dans le cas d'un caractére quantitatf de caractériser la variable des données dans
Véchantillon
Les indicateurs de dispersion fondamentaux sont la variance observée et 'écart-type observé
5.2.1 La variance observée
[Soit un échantilon de mvaleurs observées A, %, ... . Ae. « « Aymgaractére quantitatif X et solt Aa moyenne
lobservée, On définit fa variance observées® comme la moyenne arithmétique des carrés des écarts a la moyenne,
J? = 2? her
jen
Pour des commodités de calcul, on se sert du théeréme de Keanig que nous démontrons dans un cas particuler,
Voie! pourquol
2X4 ®) = PR PAK TW
Fue
soit A = 7? (a,— Xf
jean, 0 4 2
dou A = 97 ¥— 2x07" FR nu X= n®
went te *
mmathsvuniviyonteouriprbabite-statsique wie owtorzo2s 18:14 MathSv Lyont
do A = 27 8
pet
anid = FI ni?
La formule de la variance qui résulte du théoréme de Keenig (2them«
roba&chap=99Hkoenig) est done
[Dans fe cas de données regroupées enk classes d'effectif m,(variable continue regroupée en classes ou variable
lsscréte), a formule de la variance est la suivante
PRP mae XP
Pour des commodités de calcul, on ullisera la formule développée suivante
= 1b mat Baveon =?
gent Be
IC écart-type observé correspond & la racine carrée dela variance observée
|s = 2%
Exemple
Dans le cas de l'étude du dimorphisme sexuel de la"* gélinotte huppée,"* la variance observée de la longueur de la
rectrice centrale du male juvénile est
+ cas des données non groupées
= 1263 647et X’= 158,86 mm
#y ( 1263647) — (158, 86)? = 341pild? =36,44 ots —6,04 mm
+ cas des données groupées
jenn
Dy ma = 1269012, 6 X= 159,20mm
je=t
4 (1263647 ) — (158, 86)? = 3atp63? =35,61 ots =5,97 mm
Remarque : De part sa défintion, la variance est toujours un nombre positif . Sa dimension est le carré de celle de la
variable. lest toutefois difcile dutiser la variance comme mesure de dispersion car le recours au carré conduit & un
changement dunités. Elle n'a donc pas de sens biologique direct contrairement a Fécart-lype qui s'exprime dans les
mémes unités que la moyenne,
5.2.2 Coefficient de variation
La variance et f écart-type observés sont des paramétres de dispersion absolue qui mesurent la variation absolue
des données indépendantes de ordre de grandeur des données.
Le coefficient de variation notéC. Vest un indice de
ispersion relatif prenant en comple ce biais et est égal
5 Tr
[ev = 3
Exprimé en pour cent, il est indépendant du cholx des unités de mesure permettant la comparalson des distributions de
fréquence dunté différentes.
Exemple
Le coefficient de variation des longueurs de la rectrice centrale des gélinottes huppées males juvéniles est égal &
100609
cv. 3, 83%
‘mathsvuniv-yontricoursiprobabilte-satstique 123 6 Inférence aux lois de probabilités
Soit un caractare discret (?theme=proba&ichap=5i#les-caracteres-quantitaifs) ou continue (7them
caracteres-quantitalifs) étudiée surrrindividus résuant dun échantillonnage aléatoire simple (7,
theme=proba&chap=#echantilonnage-aleatoire-simple) d'une population, analyse des valeurs attribuées au caractare