Chapitre 1

Éléments de Statistique Descriptive

Dr Khalil AMINE
[Link]@[Link]

EHTP 2024/2025
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 1 / 42
 Terminologie

1. Terminologie

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 2 / 42
 Terminologie

1. Terminologie

Définition: Population, Individu, Statistique

Une population est un ensemble d’éléments soumis
à une étude statistique. On appelle individu ou
unité statistique l’élément de base (indivisible)
constitutif d’une population. Toute donnée numérique
issue d’une observation sur un individu est dite une
statistique.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 3 / 42
 Terminologie

1. Terminologie

Définition: Population, Individu, Statistique

Une population est un ensemble d’éléments soumis
à une étude statistique. On appelle individu ou
unité statistique l’élément de base (indivisible)
constitutif d’une population. Toute donnée numérique
issue d’une observation sur un individu est dite une
statistique.
Un individu peut être un animal, un végétal, un
humain ou un objet. Ainsi, les animaux, les végétaux,
les humains, les objets sont des exemples de
populations.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 3 / 42
 Terminologie

1. Terminologie

Définition: Échantillon
On appelle échantillon tout sous-ensemble
représentatif d’une population donnée.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 4 / 42
 Terminologie

1. Terminologie

Définition: Échantillon
On appelle échantillon tout sous-ensemble
représentatif d’une population donnée.

Lorsque l’on parle d’échantillon on parle en général de

population mère, c’est-à-dire de la population dont est
issu l’échantillon.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 4 / 42
 Terminologie

1. Terminologie

Définition: Caractère, Modalité

On appelle caractère, variable statistique ou
même variable aléatoire, une propriété d’une
population sur laquelle une étude statistique
s’intéresse.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 5 / 42
 Terminologie

1. Terminologie

Définition: Caractère, Modalité

On appelle caractère, variable statistique ou
même variable aléatoire, une propriété d’une
population sur laquelle une étude statistique
s’intéresse.

Un caractère prend pour chaque individu une valeur

dite modalité qui peut être quantitative ou
qualitative. Aussi, un caractère peut être continu ou
discret.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 5 / 42
 Terminologie

1. Terminologie

Des exemples de caractères sont la couleur, l’âge, le

sexe, le poids, la taille, la marque, le modèle, l’espèce,
le prix, la surface, etc.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 6 / 42
 Terminologie

1. Terminologie

Des exemples de caractères sont la couleur, l’âge, le

sexe, le poids, la taille, la marque, le modèle, l’espèce,
le prix, la surface, etc.

La couleur est un caractère qualitatif pendant que

l’âge est un caractère quantitative qui peut être
considéré comme discret ou continu.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 6 / 42
 Terminologie

1. Terminologie

On définit alors quatre types de variables selon leurs

valeurs :
quantitatives ordinales (jugement; opinion;
appréciation; ...)
quantitatives mesurables (poids; taille; revenu; ...)
qualitatives ordinales (tranches d’âge; rang; ...)
qualitatives nominales (sexe; situation
matrimoniale; opinion; niveau d’étude; ...)

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 7 / 42
 Terminologie

1. Terminologie

Définition: Classe
On appelle classe chacun des intervalles successifs en
lesquels est partagé l’intervalle total de variation
d’une variable statistique quantitative. La grandeur
de ces intervalles est appelée l’amplitude de la classe
statistique.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 8 / 42
 Terminologie

1. Terminologie

Définition: Classe
On appelle classe chacun des intervalles successifs en
lesquels est partagé l’intervalle total de variation
d’une variable statistique quantitative. La grandeur
de ces intervalles est appelée l’amplitude de la classe
statistique.

Un exemple de classe est les classes d’âges d’une

population.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 8 / 42
 Terminologie

1. Terminologie

Définition: Série statistique

On appelle série statistique la suite des valeurs
prises par une variable X sur les unités d’observation.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 9 / 42
 Terminologie

1. Terminologie

Définition: Série statistique

On appelle série statistique la suite des valeurs
prises par une variable X sur les unités d’observation.

Exemple:
Les notes de Proba/Stat d’un groupe d’étudiants:
12 3 4 14 16 18 15 14 12 12

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 9 / 42
 Terminologie

1. Terminologie

Définition: Médiane
La médiane d’une série statistique d’une variable X ,
est la valeur M1/2 qui partage cette série ordonnée en
deux parties (inférieure et supérieure à M1/2 ) de
même effectif.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 10 / 42
 Terminologie

1. Terminologie

Définition: Médiane
La médiane d’une série statistique d’une variable X ,
est la valeur M1/2 qui partage cette série ordonnée en
deux parties (inférieure et supérieure à M1/2 ) de
même effectif.
Trois cas de figure:
l’effectif total de la série est impair
l’effectif total de la série est pair
les valeurs prises par la variable étudiée sont
groupées en classes
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 10 / 42
 Terminologie

1. Terminologie

L’effectif total N de la série est impair:

La[médiane
] est la valeur située à la position N 2+1 (i.e.
X N 2+1 ).

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 11 / 42
 Terminologie

1. Terminologie

L’effectif total N de la série est impair:

La[médiane
] est la valeur située à la position N 2+1 (i.e.
X N 2+1 ).

Exemple:
La médiane de la série statistique:

3 4 12 12 12 14 14 15 16

est égale à 12, qui correspond à la cinquième position.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 11 / 42
 Terminologie

1. Terminologie
L’effectif total N de la série est pair:
La médiane peut être n’importe quelle valeur comprise
N N
entre les valeurs à la position
( [ 2 et
] à la [position
]) 2 +1
1 N N
En pratique: M1/2 = 2 X 2 + 1 + X 2

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 12 / 42
 Terminologie

1. Terminologie
L’effectif total N de la série est pair:
La médiane peut être n’importe quelle valeur comprise
N N
entre les valeurs à la position
( [ 2 et
] à la [position
]) 2 +1
1 N N
En pratique: M1/2 = 2 X 2 + 1 + X 2
Exemple:
La médiane de la série statistique:
3 4 12 12 12 14 14 15 16 18
12 + 14
est égale à = 13.
2

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 12 / 42
 Terminologie

1. Terminologie
L’effectif total N de la série est pair:
La médiane peut être n’importe quelle valeur comprise
N N
entre les valeurs à la position
( [ 2 et
] à la [position
]) 2 +1
1 N N
En pratique: M1/2 = 2 X 2 + 1 + X 2
Exemple:
La médiane de la série statistique:
3 4 12 12 12 14 14 15 16 18
12 + 14
est égale à = 13.
2
Interprétation: II y a autant d’étudiants qui ont
une note inférieure à 13 que d’étudiants qui ont une
note supérieure 13 .
.
.
.
.
. . . . .
. . . .
. . . .
. . . .
. . . .
. . . . .
.
.
.
.
.
.
.
.
.

Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 12 / 42

 Terminologie

1. Terminologie

Les valeurs sont groupées en classes:

On définit dans ce cas la classe qui contient
l’observation sur N2 comme classe médiane.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 13 / 42
 Terminologie

1. Terminologie
Les valeurs sont groupées en classe:
Exemple:
Dans le tableau d’effectif cumulé
X Effectif Cumul
[2, 4[ 5 5
[4, 6[ 8 13
[6, 8[ 12 25
[8, 10[ 10 35
[10, 12[ 8 43

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 14 / 42
 Terminologie

1. Terminologie
Les valeurs sont groupées en classe:
Exemple:
Dans le tableau d’effectif cumulé
X Effectif Cumul
[2, 4[ 5 5
[4, 6[ 8 13
[6, 8[ 12 25
[8, 10[ 10 35
[10, 12[ 8 43
La médiane est la valeur de rang 43+1 2 = 22, celle ci se
trouve dans la classe [6, 8[, la classe [6, 8[ est donc la
classe médiane. .
.
.
.
.
. . . . .
. . . .
. . . .
. . . .
. . . .
. . . . .
.
.
.
.
.
.
.
.
.

Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 14 / 42

 Terminologie

1. Terminologie

Définition: Mode
Le mode d’une série statistique d’une variable X , est
la valeur observée de la variable X qui apparaisse le
plus souvent, c’est- à-dire la valeur ayant le plus grand
effectif.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 15 / 42
 Terminologie

1. Terminologie

Définition: Mode
Le mode d’une série statistique d’une variable X , est
la valeur observée de la variable X qui apparaisse le
plus souvent, c’est- à-dire la valeur ayant le plus grand
effectif.
Deux cas de figure:
Variable discrète: Sur le tableau statistique, le
mode est la valeur pour laquelle la fréquence est
la plus élevée.
Variable continue: Le mode s’applique à la
classe qui correspond à l’ effectif maximal.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 15 / 42
 Terminologie

1. Terminologie

Remarque
Lorsque le mode est unique on dit que la variable est
unimodale.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 16 / 42
 Terminologie

1. Terminologie

Remarque
Lorsque le mode est unique on dit que la variable est
unimodale.
Exercice: Calculer le mode de la série statistique:
3 4 12 12 12 14 13 15 16 15
12 12 13 11 12 14 14 15 16 18
Quelle est la nature modale de cette série?
(unimodale, bimodale ou multimodale)
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 16 / 42
 Terminologie

1. Terminologie

Définition: Étendue
L’étendue d’une série statistique d’une variable X ,
est la différence entre la plus grande valeur de la
variable (discrète ou continue) et la plus petite valeur.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 17 / 42
 Terminologie

1. Terminologie

Définition: Étendue
L’étendue d’une série statistique d’une variable X ,
est la différence entre la plus grande valeur de la
variable (discrète ou continue) et la plus petite valeur.

Pour la série statistique:

3 4 12 12 12 14 13 15 16 15
12 12 13 11 12 14 14 15 16 18
l’étendue est égale à 18 − 3 = 15
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 17 / 42
 Données analysables

2. Données analysables

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 18 / 42
 Données analysables

2. Données analysables

Les données se présentent généralement sous la forme

d’un tableau rectangulaire, dont les lignes
correspondent à des individus ou unités statistiques ωi
(issues d’un échantillonnage d’une population ou d’un
recensement) et les colonnes à des variables Xi
appelées caractères ou caractéristiques.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 19 / 42
 Données analysables

2. Données analysables

X1 ... Xj ... Xp
ω1 x11 . . . . . . . x1p
.. ..
. .
ωi . . . . xij . . . .
.. ..
. .
ωn xn1 . . . . . . . xnp
On dit que les xij forment un nuage de données.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 20 / 42
 Données analysables

2. Données analysables

Remarque: Variable aléatoire et statistique

Le terme variable désigne à la fois la grandeur à
étudier (variable statistique) et l’objet mathématique
qui la représente (variable aléatoire).

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 21 / 42
 Données analysables

2. Données analysables

Remarque: Variable aléatoire et statistique

Le terme variable désigne à la fois la grandeur à
étudier (variable statistique) et l’objet mathématique
qui la représente (variable aléatoire).

Ainsi une variable est définie sur la population et

observée sur l’échantillon.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 21 / 42
 Résumés numériques

3. Résumés numériques

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 22 / 42
 Résumés numériques

3. Résumés numériques

Définition: Espérance mathématique

Soit X une variable aléatoire discrète de valeurs xi
avec des probabilités (ou des poids) pi , i = 1, 2 . . . ,.
On définie l’espérance mathématique ou la moyenne
de X par
∑
n
E[X ] = x̄ = pi xi si X est finie
i=1

∞
∑
E[X ] = x̄ = pi xi si X est dénombrable
i=1
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 23 / 42
 Résumés numériques

3. Résumés numériques

L’espérance mathématique présente, en moyenne, la

valeur attendue ou espérée si une même expérience
aléatoire est répétée un grand nombre de fois.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 24 / 42
 Résumés numériques

3. Résumés numériques

Proposition: Espérance mathématique

Soit X , Y et Z trois variables aléatoires discrètes.
L’opérateur d’espérance mathématique vérifie les
propriétés suivantes :
E[c] = c pour toute constante c
E[aX + bY ] = a E[X ] + b E[Y ] avec a et b deux
constantes
Si X ≤ Y presque sûrement, alors E[X ] ≤ E[Y ]

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 25 / 42
 Résumés numériques

3. Résumés numériques

Définition: Variance et écart type

Soit X une variable aléatoire discrète de valeurs xi
avec des probabilités (ou des poids) pi , i = 1, 2, . . . .
On définit la variance de X par
∑
n
var[X ] = pi (xi − E[X ])2 si X est finie
i=1

∞
∑
var[X ] = pi (xi − E[X ])2 si X est dénombrable
i=1
On définit l’écart type
√ de X par la racine carré de sa
variance: σ(X ) = var[X ]. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 26 / 42
 Résumés numériques

3. Résumés numériques

La variance, et par la suite l’écart type, présentent la

dispersion ou l’étendue des valeurs que peut prendre
une variable. Ils sont d’autant plus forts que les
variables sont plus dispersées.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 27 / 42
 Résumés numériques

3. Résumés numériques

Lorsque on s’intéresse à un caractère unique, la

statistique se sert de mesures numériques permettant
une représentation graphique des données brutes (ou
d’observation).

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 28 / 42
 Résumés numériques

3. Résumés numériques

Lorsque on s’intéresse à un caractère unique, la

statistique se sert de mesures numériques permettant
une représentation graphique des données brutes (ou
d’observation).

Une telle représentation prend une forme adéquate

avec la nature des caractères et leurs échelles.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 28 / 42
 Résumés numériques

3. Résumés numériques

Lorsque on s’intéresse à un caractère unique, la

statistique se sert de mesures numériques permettant
une représentation graphique des données brutes (ou
d’observation).

Une telle représentation prend une forme adéquate

avec la nature des caractères et leurs échelles.

Ainsi, on peut représenter par des graphes de

fréquence (histogramme) ou des graphes sectoriels.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 28 / 42
 Résumés numériques

3. Résumés numériques

Définition: Covariance
Soit X et Y deux variables aléatoires discrètes. On
définit la covariance de X et Y par

cov (X , Y ) = E [(X − E[X ]) (Y − E[Y ])]

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 29 / 42
 Résumés numériques

3. Résumés numériques

Définition: Covariance
Soit X et Y deux variables aléatoires discrètes. On
définit la covariance de X et Y par

cov (X , Y ) = E [(X − E[X ]) (Y − E[Y ])]

La covariance est un nombre permettant de quantifier
leurs écarts conjoints par rapport aux espérances
mathématiques de deux variables aléatoires.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 29 / 42
 Résumés numériques

3. Résumés numériques

Définition: Covariance
Soit X et Y deux variables aléatoires discrètes. On
définit la covariance de X et Y par

cov (X , Y ) = E [(X − E[X ]) (Y − E[Y ])]

La covariance est un nombre permettant de quantifier
leurs écarts conjoints par rapport aux espérances
mathématiques de deux variables aléatoires.

Ainsi, si deux variables sont indépendantes alors leur

covariance est nulle.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 29 / 42
 Résumés numériques

3. Résumés numériques

Proposition: Covariance
Soit X , Y et Z trois variables aléatoires discrètes.
L’opérateur de covariance vérifie les propriétés
suivantes :
cov (X , X ) = var[X ]
cov (X , Y ) = cov (Y , X )
cov (αX , Y ) = α cov (X , Y ) avec α une constante
cov (X + β, Y ) = cov (X , Y ) avec β une
constante
cov (X + Y , Z ) = cov (X , Z ) + cov (Y , Z )
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 30 / 42
 Résumés numériques

3. Résumés numériques

Définition: Variable centrée

On appelle variable centrée d’une variable X , la
variable X c telle que

Xc = X − X

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 31 / 42
 Résumés numériques

3. Résumés numériques

Définition: Variable centrée

On appelle variable centrée d’une variable X , la
variable X c telle que

Xc = X − X

Définition: Variable réduite

On appelle variable réduite d’une variable X , la
variable X r telle que
X
Xr =
σ(X )
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 31 / 42
 Résumés numériques

3. Résumés numériques

Définition: Variable centrée

On appelle variable centrée réduite d’une variable X ,
la variable X̃ telle que

X −X
X̃ =
σ(X )

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 32 / 42
 Résumés numériques

3. Résumés numériques

Définition: Variable centrée

On appelle variable centrée réduite d’une variable X ,
la variable X̃ telle que

X −X
X̃ =
σ(X )

Fixer à la fois l’espérance et la variance:

E(X̃ ) = 0 et var(X̃ ) = 1 (ainsi σ(X̃ ) = 1)

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 32 / 42
 Résumés numériques

3. Résumés numériques

Définition: Variable centrée

On appelle variable centrée réduite d’une variable X ,
la variable X̃ telle que

X −X
X̃ =
σ(X )

Fixer à la fois l’espérance et la variance:

E(X̃ ) = 0 et var(X̃ ) = 1 (ainsi σ(X̃ ) = 1)
Comparer en mieux des variables
indépendamment de leurs unités et leurs échelles
de grandeur. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 32 / 42
 Résumés numériques

3. Résumés numériques

Définition: Corrélation
Soit X et Y deux variables aléatoires discrètes. On
définit la corrélation entre de X et Y par
cov (X , Y )
cor (X , Y ) =
σ(X ) σ(Y )

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 33 / 42
 Résumés numériques

3. Résumés numériques
La corrélation est un nombre appartenant à
l’intervalle [−1, 1] qui représente la liaison linéaire (ou
linéarisable) entre deux variables aléatoires.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 34 / 42
 Résumés numériques

3. Résumés numériques
La corrélation est un nombre appartenant à
l’intervalle [−1, 1] qui représente la liaison linéaire (ou
linéarisable) entre deux variables aléatoires.

On dit que deux variables sont fortement corrélées si

leur corrélation est dans l’intervalle
[−1, −0.5[ ∪ ]0.5, 1], et sont faiblement corrélées si leur
corrélation est dans l’intervalle [−0.5, 0[ ∪ ]0, 0.5].

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 34 / 42
 Résumés numériques

3. Résumés numériques
La corrélation est un nombre appartenant à
l’intervalle [−1, 1] qui représente la liaison linéaire (ou
linéarisable) entre deux variables aléatoires.

On dit que deux variables sont fortement corrélées si

leur corrélation est dans l’intervalle
[−1, −0.5[ ∪ ]0.5, 1], et sont faiblement corrélées si leur
corrélation est dans l’intervalle [−0.5, 0[ ∪ ]0, 0.5].

Le cas où la corrélation vaut 1 ou -1 révèle que l’une

des variables s’écrit en une fonction linéaire de l’autre.
Si la corrélation vaut 0, cela signifie que les variables
ne sont pas corrélées linéairement. .
.
.
.
.
. . . . .
. . . .
. . . .
. . . .
. . . .
. . . . .
.
.
.
.
.
.
.
.
.

Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 34 / 42

 Résumés numériques

3. Résumés numériques

Proposition: Corrélation
Soit X , Y et Z trois variables aléatoires discrètes.
L’opérateur de corrélation vérifie les propriétés
suivantes :
cor (X , Y ) = cor (Y , X )
( )
X −E[X ] Y −E[Y ]
cor (X , Y ) = cov σ(X ) , σ(Y )
E[XY ]−E[X ] E[Y ]
cor (X , Y ) = σ(X )σ(Y )

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 35 / 42
 Résumés numériques

3. Résumés numériques

Proposition
Les coefficients de corrélation entre variables centrées
réduites sont identiques aux coefficients de corrélation
des variables de départ, ainsi :
( )
X −X Y −Y
cor (X , Y ) = cor ,
σ(X ) σ(Y )

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 36 / 42
 Résumés numériques Exercice

Exercice

Soit X , Y et Z trois variables statistiques. Montrer

les expressions suivantes:
var[X ] = E[X 2 ] − E[X ]2
cov (X , Y ) = E[XY ] − E[X ] E[Y ]
cov (αX , Y ) = α cov (X , Y ) avec α une constante
cov (X + β, Y ) = cov (X , Y ) avec β une
constante

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 37 / 42
 Résumés numériques Exercice

Exercice
Soit X , Y et Z trois variables statistiques. Montrer
les expressions suivantes:
cov (X + Y , Z ) = cov (X , Z ) + cov (Y , Z )
var [X + Y ] = var [X ] + var [Y ] + 2 cov (X , Y )
( )
X − E[X ] Y − E[Y ]
cor (X , Y ) = cov ,
σ(X ) σ(Y )
[ ]
X − E[X ]
var =1
σ(X )
var [aX + bY ] =
a 2 var[X ] + b2 var[Y ] + 2ab cov(X , Y )
pour a et b deux réels
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 38 / 42
 Exercices

4. Exercices

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 39 / 42
 Exercices

4. Exercices

Les salaires de cinq employés sont 10000, 15000,

30000, 32000 et 40000 DH par mois.
1. Quel est le salaire moyen ?
2. Quel est le salaire médian ?
3. Sans faire de calculs explicites, croyez-vous que
les deux précédents seront modifiés si tous les
salariés reçoivent une augmentation de 2000 DH ?
4. Calculer les nouvelles moyenne et médiane et
vérifier si vos prédictions sont exactes.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 40 / 42
 Exercices

4. Exercices

5. Répéter les deux questions précédentes si

l’augmentation est de 10% pour chaque salarié.
6. Calculer la variance des salaires avant et après les
augmentations. Comment est modifiée la
variance ?
7. Calculer la moyenne, la médiane, et la variance si
on ajoute un sixième employé avec un salaire de
10000 DH à l’ensemble de départ (avant
l’augmentation). Comment sont modifiés les
résultats par rapport aux valeurs originales ?
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 41 / 42
 Exercices

4. Exercices

On suppose que la taille moyenne des hommes est de

1.75 m avec un écart type de 20 cm, et celle des
femmes, de 1.65 m avec un écart type de 20 cm. On
suppose un nombre égale d’hommes et de femmes.
1. Calculer la taille moyenne de l’humanité.
2. Calculer l’écart type de l’humanité.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dr Khalil Amine (EHTP, Casablanca) [Link]@[Link] 42 / 42