ENSET Mohammedia

STATISTIQUE
DESCRIPTIVE
Support de cours

Ahmed TADLAOUI
 SOMMAIRE

Chapitre I – Généralités 5

STATISTIQUE 5
STATISTIQUE DESCRIPTIVE 5
POPULATION 5
ÉCHANTILLON 5
UNITÉ STATISTIQUE, INDIVIDU, MEMBRE 5
CARACTÈRE 5
CARACTÈRE QUALITATIF 5
CARACTÈRE QUANTITATIF 6
SÉRIE STATISTIQUE 6
DISTRIBUTION STATISTIQUE 7

Chapitre II - Tableaux statistiques 8

CAS D’UNE VARIABLE REELLE 8

CAS DE DEUX VARIABLES 10

Chapitre III – Représentations graphiques 13

VARIABLE QUALITATIVE 13
VARIABLE QUANTITATIVE 15

Chapitre IV - Caractéristiques de tendance centrale 19

et de position

MODE 19
MEDIANE 19
MOYENNE ARITHMETIQUE 21
MOYENNE GEOMETRIQUE 21

2 Statistique descriptive
MOYENNE HARMONIQUE 22
MOYENNE QUADRATIQUE 22
QUANTILES 22

Chapitre V - Caractéristiques de dispersion 24

ÉTENDUE 24
VARIANCE ET ECART-TYPE 24
COEFFICIENT DE VARIATION 25

Chapitre VI - La concentration 27
VALEURS GLOBALES 27
MEDIALE 27
COURBE DE CONCENTRATION (OU DE LORENZ) 28
INDICE DE GINI 28

Chapitre VII - Régression et corrélation 31

AJUSTEMENT D’UN NUAGE DE POINTS A UNE FONCTION MATHEMATIQUE 31

a) Ajustement affine par une méthode graphique 31

Ajustement à la règle 31

Droite de MAYER 31

b) Ajustement linéaire par la méthode des moindres carrés 31

c) Ajustement à une fonction exponentielle 32

MESURE DE L’INTENSITE DE LA RELATION LINEAIRE ENTRE 32
DEUX VARIABLES

a) Covariance 32

b) Coefficient de corrélation linéaire 33

c) Droites de régression 33

Chapitre VIII - Séries chronologiques 37

3 Statistique descriptive
Introduction 37

DÉFINITION 37
COMPOSANTES 37

Estimation de la tendance 38

MOYENNES MOBILES 39
AJUSTEMENT ANALYTIQUE 41

Estimation des mouvements saisonniers 41

MODÈLE ADDITIF, MODÈLE MULTIPLICATIF 41

MÉTHODE DE LA BANDE 41
MÉTHODE ANALYTIQUE 42

Correction des variations saisonnières 43

DONNÉES DÉSAISONNALISÉES 43
MODÈLE ADDITIF 43
MODÈLE MULTIPLICATIF 44
MÉTHODE DES MOYENNES MOBILES 46
COEFFICIENTS SAISONNIERS 46

MÉTHODE DES RAPPORTS À LA TENDANCE 48

PREVISION A COURT TERME 50

4 Statistique descriptive
Chapitre I

Généralités

STATISTIQUE

La statistique est un ensemble de méthodes scientifiques basées sur le recueil, l’organisation, la

présentation de données, ainsi que sur la modélisation et la construction de résumés numériques.
STATISTIQUE DESCRIPTIVE

On parle de statistique descriptive lorsqu’on décrit et analyse des données observées et qu’on tire
des conclusions valables uniquement pour l’ensemble étudié.

POPULATION

On désigne par le mot population tout ensemble étudié par la statistique. Il faut que la population
soit définie avec précision ; ceci peut se faire de deux manières :
• en extension, c’est-à-dire en dressant la liste explicite de tous les membres de la population
• en compréhension, à l’aide d’une propriété caractéristique qui permet de décider qui appartient
ou non à la population.

Exemples :
• si l’on veut étudier la durée de vie des ampoules électriques fabriquées par une compagnie, la
population considérée est l’ensemble de toutes les ampoules fabriquées par cette compagnie.

• les habitants domiciliés à Casablanca.

ÉCHANTILLON

Un échantillon désigne un sous-ensemble d’une population Ω.

UNITÉ STATISTIQUE, INDIVIDU, MEMBRE

Une unité statistique, un individu ou un membre est un élément constitutif d’une population ou
d’un échantillon.
CARACTÈRE

Toute propriété des individus d’une population est appelée caractère des individus.

CARACTÈRE QUALITATIF

5 Statistique descriptive
Si le caractère étudié admet des valeurs ou modalités non mesurables, on dit que le caractère est
qualitatif.

Exemples :
• la profession
• le sexe
• la nationalité

CARACTÈRE QUANTITATIF

Lorsque les modalités d’un caractère sont mesurables, on dit que ce caractère est quantitatif.
Exemples :
• l’âge
• la surface d’une habitation
• la vitesse
• la température

Caractère quantitatif discret

L’ensemble des valeurs que peut prendre le caractère est fini ou dénombrable. Le plus souvent,
ces valeurs sont entières.

Exemples :
• le nombre d’enfant dans une famille
• le nombre de téléviseurs par foyer

Caractère quantitatif continu

Le caractère peut prendre théoriquement n’importe quelle valeur dans un intervalle donné de
nombres réels.

Exemples :
• la taille d’un individu
• le poids…

SÉRIE STATISTIQUE

On appelle série statistique une liste de N observations faites pour un caractère d’une population.

Exemple 1 :
La série suivante résulte d’une courte enquête auprès de quelques personnes pour connaître leur
âge :
18 21 19 19 17 22 27 18 18 17 20 20 23

Exemple 2 : un tableau de données

6 Statistique descriptive
 NUMERO SALAIRE SEXE AGE ANC NIVEAU
1 129472 F 42 3 B
2 212696 M 54 10 B
3 210888 M 47 10 A
4 213692 M 47 1 B
5 202408 M 44 5 B
6 196132 M 42 10 A
7 97580 M 30 5 A
8 97580 F 52 6 A
9 172496 M 48 8 A
10 95900 F 58 4 A
11 212696 M 46 4 C
12 234060 M 36 8 C
13 225176 M 49 10 B
14 197532 F 55 10 B
15 179536 M 41 1 A
16 213716 F 52 5 B
17 186296 M 57 8 A
18 235872 F 61 10 B
19 212696 M 50 5 A
20 214508 M 47 10 B
21 196132 M 54 5 B
22 219924 M 47 7 A
23 250120 M 50 10 B
24 110100 F 38 3 A
25 97580 M 31 5 A
26 227536 M 47 10 A

DISTRIBUTION STATISTIQUE

Une série statistique ordonnée est appelée une distribution statistique.

Exercice

Déterminer la variable statistique, l’unité statistique, l’échantillon et la population étudiée dans les
cas suivants :
1. Etude des montants hors taxe des 1500 factures établies au mois de mars, par prélèvement
de 100 d’entre elles au hasard.
2. Etude du stock de 1000 boites de mouchoirs en fonction des modèles (homme, femme,
enfant)

7 Statistique descriptive
Chapitre II

Tableaux statistiques

CAS D’UNE VARIABLE REELLE

Le tableau brut se présente sous la forme suivante:

Le nombre d'individus observé étant en général important, le tableau précédant ne permet pas
d'analyser l'information obtenue. Il est donc nécessaire de créer un tableau plus synthétique où les
observations identiques (possédant la même modalité) ont été regroupées.

Pour une variable qualitative, les modalités ne sont pas mesurables.

Pour une variable quantitative, les modalités sont mesurables. Ce sont
• des valeurs numériques ponctuelles lorsque la variable est discrète
• des intervalles lorsque la variable est continue ou lorsque la variable est discrète et qu'elle
comporte beaucoup de modalités.

Exemple 1 : Population : ensemble des employés d’une entreprise. Caractère : Sexe.

8 Statistique descriptive
Numéro de la modalité Intitulé Effectif
1 Féminin 28
2 Masculin 43
TOTAL 71

Exemple 2 : Niveaux d’éducation

Numéro de la modalité Intitulé Effectif Fréquence

1 A 40 0,56
2 B 24 0,34
3 C 7 0,10
TOTAL 71 1

Exemple 3 : Utilisation journalière d’un logiciel de statistique

Tableau de données ponctuelles

j X
1 2
2 3
3 0
4 2
Tableau de distribution
5 4
6 1 0 4
7 2 1 5
8 2 2 9
9 4
3 3
10 5
11 1 4 7
12 2 5 2

Exemple 4 : Salaires annuels

Tableau de données ponctuelles Tableau de données triées
Numéro Montant Numéro Montant
1 21 894,40 € 1 10 15 180,00 €
2 38 539,20 € 2 53 15 481,60 €
3 38 177,60 € 3 56 15 481,60 €
4 38 738,40 € 4 7 15 516,00 €
5 36 481,60 € 5 8 15 516,00 €
6 35 226,40 € 6 25 15 516,00 €
7 15 516,00 € 7 29 15 973,60 €
8 15 516,00 € 8 62 17 192,80 €
9 30 499,20 € 9 24 18 020,00 €
10 15 180,00 € 10 32 18 020,00 €

9 Statistique descriptive
Application :

Nous étudions une population de 1000 entreprises selon le caractère modalité « forme juridique ».
Les modalités retenues : S.A (Société Anonyme), SARL (Société A Responsabilité Limitée), EI
(Entreprise Individuelle), SNC (Société en Nom Collectif).
Leurs effectifs respectifs : 200, 400, 340, 60.
T.A.F :
Présentez cette série dans un tableau.

CAS DE DEUX VARIABLES

Le tableau brut se présente sous la forme suivante:

On désire créer un tableau appelé tableau de contingence donnant le nombre d’individus

possédant simultanément la modalité i de variable1 et la modalité j de variable2 qui se présentera
sous la forme suivante :

10 Statistique descriptive
Exemple :

NB NUMERO NIVEAU
SEXE A B C Total
F 13 13 2 28
M 27 11 5 43
Total 40 24 7 71

Exercices

I / On considère les résultats bruts d’une enquête quant au classement selon la catégorie
socioprofessionnelle des patients d’un hôpital. On distingue les catégories suivantes :
Salariés (S), profession libérale (P), commerçant (C), et autres (A) y compris les inactifs. Les
résultats bruts sont:

SSSAASSCSAPSCPPSSSSCAACSSPPSSSCSPAAASPPSS
SAACCACPCPSSSSAAP

1. quelle est la nature du caractère retenu ? donner le nombre de modalités.

2. présenter les résultats bruts dans un tableau statistique.

11 Statistique descriptive
II / Soit la statistique donnant la distribution des salaires hebdomadaires payés en dirhams à 65
ouvriers d’une société.

Salaires ( DH ) Nombre d’ouvriers

500 à moins de 600 8

600 à moins de 700 10

700 à moins de 800 16

800 à moins de 900 14

900 à moins de 1 000 10

1 000 à moins de 1 100 5

1 100 à moins de 1 200 2

1. Établir un tableau statistique complet comprenant : effectif simple, effectifs cumulés,

fréquence simple et fréquences cumulées.

2. Déterminer le pourcentage des ouvriers recevant un salaire :

• Inférieur à 800 DH par semaine.

• Supérieur à 900 DH par semaine.

• Compris entre 700 DH et 1000 DH.

12 Statistique descriptive
Chapitre III

Représentations graphiques

Lorsqu'on observe un caractère sur des individus, on aboutit à un tableau de chiffres peu parlant.
L'objectif est de donner une représentation graphique de ce tableau qui permette d'un seul coup
d'œil d'avoir une idée de la manière dont se répartissent les individus.

VARIABLE QUALITATIVE

A chaque modalité i est associé un effectif ni.

La seule représentation qui nous intéresse est celle des effectifs ni (ou des fréquences ni/n).
Suivant la variable observée, de nombreuses représentations plus ou moins informatives peuvent
être utilisées. Cependant les 2 plus classiques sont:

• Les tuyaux d'orgue (ou diagramme en barre ou diagramme à bandes)

- les modalités de la variable sont placées sur une droite horizontale (attention: ne pas orienter
cette droite car les modalités ne sont pas mesurables et il n'y a donc pas de relation d'ordre
entre elles).
- les effectifs (ou les fréquences) sont placés sur un axe vertical. La hauteur du tuyau est
proportionnelle à l'effectif.

Exemple :

13 Statistique descriptive
 Niveaux de formation

45
40
35
30
25
20
15
10
5
0
A B C

• les diagrammes à secteurs (ou camemberts)

- L'effectif total est représenté par un disque.
- Chaque modalité est représentée par un secteur circulaire dont la surface (pratiquement :
l'angle au centre) est proportionnelle à l'effectif correspondant.

Exemple :

14 Statistique descriptive
Application :

La répartition des candidats convoqués pour participer au Test d’Admissibilité à la Formation en

Management pour l’accession à une école de Commerce, selon la série du baccalauréat se
présente comme suit :
Série du Bac xi Nombre de candidats ni
Sciences économiques 250
Sciences mathématiques 200
Sciences expérimentales 400
T.G.A 50
T.G.C 100
Total 1000

TAF: représentez cette distribution en Tuyaux d’orgues et Diagramme circulaire.

VARIABLE QUANTITATIVE

Avant toute tentative de représentation, il y a lieu de distinguer entre variable discrète et variable
classée (regroupements en classes).

Deux types de graphiques sont intéressants de représenter:

a) les diagrammes différentiels qui mettent en évidence les différences d'effectifs (ou de
fréquences) entre les différentes modalités ou classes.
b) les diagrammes cumulatifs qui permettent de répondre aux questions du style "combien
d'individus ont pris une valeur inférieure (ou supérieure) à tant?".

1) Variable discrète

• Diagramme différentiel : le diagramme en bâtons

Les valeurs discrètes xi prises par les variables sont placées sur l'axe des abscisses,
et les effectifs (ou les fréquences) sur l'axe des ordonnées. La hauteur du bâton est
proportionnelle à l'effectif.

• Diagrammes cumulatifs : ils permettent de visualiser l'évolution des effectifs (fréquences)

cumulés croissants ou décroissants.

15 Statistique descriptive
Remarque: les deux courbes sont symétriques par rapport à un axe horizontal d'ordonnée n/2 pour
les effectifs, ½ pour les fréquences.
On utilise l'effectif (fréquence) cumulé croissant pour répondre aux questions du style :
Quel est le nombre (%) d'individus dont la valeur du caractère est inférieure ou égale à x ?
On utilise l'effectif (fréquence) cumulé décroissant pour répondre aux questions du style :
Quel est le nombre (%) d'individus dont la valeur du caractère est strictement supérieure à x ?
Se souvenir:
(au plus x) équivalent à ( < x) donc utiliser N(x) ou F(x)

(plus que x) équivalent à ( > x) donc utiliser N '(x) ou F '(x)

Exemple:

- (au plus 6) équivalent à (< 6) donc on pourra lire la fréquence cumulée croissante en 6, c-à-d.
F(6) = 0,3
- (plus de 6) équivalent à (> 6) donc on pourra lire la fréquence cumulée décroissante en 6, c.à.d.
F '(6) = 0,7

16 Statistique descriptive
Application :

Représentez graphiquement la distribution des 50 étudiants en fonction du nombre de personnes

par ménage suivante :

Nombre de personnes par ménage xi Nombre d’étudiants ni

3 5
4 15
6 15
7 10
8 5
Total 50

2) Variable classée
• Diagramme différentiel : l'histogramme

C'est un ensemble de rectangles contigus, chaque rectangle associé à chaque classe ayant une
surface proportionnelle à l'effectif (fréquence) de cette classe.
Attention: Avant toute construction d'histogramme, il y a lieu de regarder si les classes sont
d'amplitudes égales ou inégales.
Le cas des classes d'amplitudes égales ne pose aucune difficulté car il suffit de reporter en
ordonnée l'effectif (la fréquence).
Dans le cas d'amplitudes inégales on reporte en ordonnée la densité di (effectif divisé par
l'amplitude de la classe)

17 Statistique descriptive
 • Diagrammes cumulatifs

L'utilisation des courbes est identique au cas discret.

Exemple:

Application :

Représentez graphiquement la distribution de 50 étudiants en fonction de leur taille suivante :

Taille en cm xi Nombre d’étudiants

150-160 16
160-165 6
165-170 12
170-175 14
175-180 2
Total 50

18 Statistique descriptive
Chapitre IV

Caractéristiques de tendance centrale

et de position :

Les caractéristiques de tendance centrale essayent de donner la valeur la plus représentative d'un
ensemble de valeurs numériques.

MODE :

C'est la valeur observée d'effectif maximum. Le mode n’est pas nécessairement unique.

Variable discrète: classer les données par ordre croissant. Celle d'effectif maximum donne le
mode.
Variable continue: la classe modale correspond à la classe ayant l'effectif maximum. Comme
pour le cas discret, on peut avoir deux classes modales. Toutes les valeurs de la classe modale
pouvant à priori se réaliser, par simplicité on prendra le centre de la classe modale.
Remarque : Le mode dépend de l’amplitude des classes. Les amplitudes des classes doivent être
égales, sinon il faut procéder à une rectification des classes.

Application :

Déterminer la valeur modale de la distribution précédente des 50 étudiants selon leur taille.

MEDIANE :

Les valeurs étant rangées par ordre croissant, c'est la valeur de la variable qui sépare les
observations en deux groupes d'effectifs égaux.

Variable discrète:
la détermination peut s'obtenir à partir du tableau statistique en recherchant la valeur de la variable
correspondant à une fonction cumulée égale à n/2 (effectif cumulé) ou ½ (fréquence cumulée). Il
est encore plus facile de lire sur les graphiques cumulatifs les abscisses des points d'ordonnée n/2
(effectif cumulé) ou ½ (fréquence cumulée). Si tout un intervalle a pour image n/2 ( ½ pour la
fréquence), on parlera d'intervalle médian (on peut prendre le milieu de l'intervalle comme
médiane).

19 Statistique descriptive
Application :

Soit la série statistique suivante :

19 17 20 18 17 17 20 19 15 16 20 23 22 14 15 24
TAF : Calculez la médiane de cette série
Eléments de réponse :
Me=18.5

Variable classée:
l'abscisse du point d'ordonnée n/2 (½ pour la fréquence) se situe en général à l'intérieur d'une
classe. Pour obtenir une valeur plus précise de la médiane, on procède à une interpolation linéaire.
La valeur de la médiane peut être lue sur le graphique ou calculée analytiquement.

d'où la valeur de la médiane.

De manière générale, si a et b sont les bornes de la classe contenant la médiane, F(a) et F(b) les
valeurs de la fréquence cumulée croissante en a et b, alors

20 Statistique descriptive
Application :

Déterminez la valeur médiane de la distribution des tailles suivantes :

Taille en cm xi Nombre d’étudiants ni

150-160 15
160-165 5
165-170 10
170-175 18
175-180 2

Eléments de réponse : Me = 167.5

MOYENNE ARITHMETIQUE :

Si xi sont les observations d'une variable discrète ou les centres de classe d'une variable continue,

La moyenne arithmétique est un paramètre de tendance centrale plus utilisé que les autres de par
ses propriétés algébriques:
a) Pour plusieurs populations d'effectifs n1, n2, ....., nk, de moyennes respectives
moyenne globale = moyenne des moyennes

b) La moyenne arithmétique conserve les changements d'échelle et d'origine

Application :

Déterminez la taille moyenne des 50 étudiants dont la distribution par taille se présente comme
suit :
Taille en cm xi Nombre d’étudiants
150-160 16
160-165 6
165-170 12
170-175 14
175-180 2
Total 50

Eléments de réponse :
x = 168.3 cm

MOYENNE GEOMETRIQUE :

Si xi sont les observations d'une variable quantitative, la moyenne géométrique est égale à
21 Statistique descriptive
Ce type de moyenne est surtout utilisé pour calculer des pourcentages moyens.
r étant un taux d'accroissement, 1+r est appelé coefficient multiplicateur; et le coefficient
multiplicateur moyen est alors égal à la moyenne géométrique des coefficients multiplicateurs.

Exemple 2.3 Supposons que les taux d’intérêt pour 4 années consécutives soient
respectivement de 5, 10, 15, et 10%. Que va-t-on obtenir après 4 ans si je place 100 francs ?
– Après 1 an on a, 100 × 1.05 = 105 Fr.
– Apès 2 ans on a, 100 × 1.05 × 1.1 = 115.5 Fr.
– Après 3 ans on a, 100 × 1.05 × 1.1 × 1.15 = 132.825 Fr.
– Après 4 ans on a, 100 × 1.05 × 1.1 × 1.15 × 1.1 = 146.1075 Fr.
1,05+1,10+1,15+1,10
Si on calcule la moyenne arithmétique des taux on obtient : 𝑥̅ = = 1,10
4
Si on calcule la moyenne géométrique des taux, on obtient :
1
𝐺 = (1,05 × 1,10 × 1,15 × 1,10) ⁄4 = 1,099431377
Le bon taux moyen est bien G et non 𝑥̅ , car si on applique 4 fois le taux moyen G aux 100
francs, on obtient : 100 × 𝐺 4 = 100 × 1,0994313774 = 146.1075 Fr

MOYENNE HARMONIQUE :

Si xi sont les observations d'une variable quantitative, la moyenne harmonique est égale à

Il est judicieux d’appliquer la moyenne harmonique sur des vitesses.

Exemple 2.4 Un cycliste parcourt 4 étapes de 100km. Les vitesses respectives pour ces
étapes sont de 10 km/h, 30 km/h, 40 km/h, 20 km/h. Quelle a été sa vitesse moyenne ?
– Un raisonnement simple nous dit qu’il a parcouru la première étape en10h, la deuxième en
3h20, la troisième en 2h30 et la quatrième en 5h. Il a donc parcouru le total des 400km en
10 + 3h20 + 2h30 + 5h = 20h50 = 20.8333h,
400
sa vitesse moyenne est donc : 𝑀𝑜𝑦 = 20,83333 = 19,2 𝑘𝑚/ℎ.
– Si on calcule la moyenne arithmétique des vitesses, on obtient :
10 + 30 + 40 + 20
𝑥̅ = = 25𝑘𝑚/ℎ
4
– Si on calcule la moyenne harmonique des vitesses, on obtient :
4
𝐻= = 19,2𝑘𝑚/ℎ
1 1 1 1
+ + +
10 30 40 20
La moyenne harmonique est donc la manière appropriée de calculer la vitesse moyenne.

Remarque 2.3 Il est possible de montrer que la moyenne harmonique est toujours inférieure
ou égale à la moyenne géométrique qui est toujours inférieure ou égale à la moyenne
arithmétique.
𝐻 ≤ 𝐺 ≤ 𝑥̅

22 Statistique descriptive
MOYENNE QUADRATIQUE :

Si xi sont les observations d'une variable quantitative, la moyenne quadratique est égale à

QUANTILES :

Ce sont des caractéristiques de position.

Il y a 1a médiane Me qui sépare les observations en 2 groupes d'effectifs égaux,
3 quartiles Q1, Q2, Q3 qui séparent les observations en 4 groupes d'effectifs égaux,
9 déciles D1, D2, ..., D9 qui séparent les observations en 10 groupes d'effectifs égaux,
99 centiles C1, C2, ..., C99 qui séparent les observations en 100 groupes d'effectifs égaux
La détermination de ces caractéristiques est identique à celle de la médiane.
Les quartiles sont obtenus lorsqu'on a cumulé 25, 50, 75% de la population
Les déciles sont obtenus lorsqu'on a cumulé 10, 20,...., 90% de la population
Les centiles sont obtenus lorsqu'on a cumulé 1, 2,...., 99% de la population
Remarque: la notion de déciles et de centiles n'a de sens que s'il y a beaucoup d'observations et
donc essentiellement pour une variable continue.

Application :

Soit la population de 80 salariés classés d’après le niveau de leur salaire journalier.

Classes en dhs ni ni cumulés

1 90 à 100 5 5
2 100 à 110 9 14
3 110 à 120 16 30
4 120 à 130 25 55
5 130 à 140 13 68
6 140 à 150 7 75
7 150 à 160 3 78
8 160 à 170 2 80
Total 80

TAF : calculez la médiane et les deux quartiles

Eléments de réponse :
Me = 124
Q1= 110 + (10x6)/16 = 113.7
Q3= 130 + (10x5)/13 = 133.8

Exercices
I - On étudie la distribution selon la distance de « domicile familial – travail » des salariés d’une
entreprise. Après répartition par classes, on obtient le tableau suivant:

Distances (Km) effectifs

[1 ; 5[ 250
[5 ; 10[ 328
23 Statistique descriptive
 [10 ; 20[ 165
[20 ; 30[ 91
[30 ; 50[ 46

1. Préciser l’individu, et la population étudiée.

2. Identifier le caractère étudié et préciser sa nature.
3. Présenter un tableau statistique complet indiquant tous les effectifs et fréquences simples
et cumulés.
4. Quelle proportion de salariés habite à moins de 20 Km de l’entreprise ?
5. Déterminer la valeur de la médiane. Que représente-t-elle ?
6. Calculer le premier et le troisième quartile. Quels renseignements donnent-ils ?

II - On a mesuré la durée de vie de 400 lampes produites dans une usine. On a obtenu les résultats
suivants :

Durée de vie (en heure) Nombre de lampes

[300 ; 500[ 60
[500 ; 700[ 134
[700 ; 900[ 130
[900 ; 1100[ 70
[1100 ; 1500[ 6

1. Présenter l’histogramme et le polygone des effectifs relatifs à cette distribution des durées
de vie.
2. Calculer le mode.
3. Déterminer le pourcentage des lampes dont la durée de vie est
• strictement inférieure à 700 heures.
• supérieure ou égale à 900 heures.
4. Calculer la médiane. Que représente cette valeur ?
5. Calculer le premier et le troisième quartile. Quels renseignements donnent-ils ?
6. Représenter sur un même graphique les courbes cumulatives croissante et décroissante.
7. Contrôler les résultats obtenus (médiane et quartiles) au moyen du graphique précédent.
8. Calculer la durée de vie moyenne des appareils électriques.

24 Statistique descriptive
Chapitre V

Caractéristiques de dispersion :

Comme leur nom l'indique, ces caractéristiques essayent de synthétiser par une seule valeur
numérique la dispersion de toutes les valeurs observées.

ÉTENDUE :

C'est la différence entre la plus grande et la plus petite observation.

Application :

Quelle est l’étendue de la série statistique suivante :

10 390 395 405 410 1000
Eléments de réponse : Etendue = 990

INTERVALLE INTERQUARTILE:

C'est la différence entre le troisième et le premier quartile

Application :

Reprenez les données de l’application sur les quartiles et calculez l’intervalle inter-quartile.

Eléments de réponse :
Q3-Q1=20

VARIANCE ET ECART-TYPE:

Si xi sont les observations d'une variable discrète ou les centres de classe d'une variable continue,
la variance

25 Statistique descriptive
On utilise plus couramment l'écart type qui est la racine carrée de la variance et qui a l'avantage
d'être un nombre de même dimension que les données (contrairement à la variance qui en est le
carré)
La variance est un paramètre de dispersion plus utilisé que les autres de par ses propriétés
algébriques:

COEFFICIENT DE VARIATION:

C'est un coefficient qui permet de relativiser l'écart type en fonction de la taille des valeurs. Il
permet ainsi de comparer la dispersion de séries de mesures exprimées dans des unités différentes

Applications

App.1- Les séries suivantes représentent la mesure d’un caractère auprès des individus d’une
population :
a. 6 1 8 10 5 4 11 3 2 9 7 12 13
b. 19 17 7 1 4 24 15 22 10 13
c. 15 12 17 15 20 15 20 15 15 9 7
d. 21 25 34 10 20 27 14 20 34
Dans chacun de ces cas calculez : la moyenne, la médiane, le mode ,la variance, l’écart type et le
coefficient de variation.

Eléments de réponse :
a. x=7, Me=7, pas de mode, σ²=14, σ=3.74, V=53.4%
b. x=13.2, Me=14, pas de mode, σ²=52.76, σ=7.26, V=55%
c. x=14.5, Me=15, Mo=15, σ²=14.61, σ=3.82, V=26.3%
d. x=22.8, Me=21, deux modes :20 et 34, σ²=59.28, σ=7.70, V=33.8%

App.2- La distribution suivante représente la répartition de la longueur de pinces d’écrevisse

provenant d’une rivière :

Limites ni
1.02---1.23 5
1.24---1.45 7
1.46---1.67 4
1.68---1.89 1
1.90---2.11 4
2.12---2.33 6
2.34---2.55 3
2.56---2.77 1

TAF : calculez : la moyenne, la médiane, le mode,la variance, l’écart type et le coefficient de

variation.

Eléments de réponse :
x=1.757, Mo=1.345 (le centre de la classe modale), Me=1.648, σ²=0.238, σ=0.488, V=27.8%

26 Statistique descriptive
Exercice

Un industriel a commandé à un sous-traitant un lot de pièces mécaniques de cote nominale

73 mm. Il est convenu qu’à la réception du lot, il sera soumis à une vérification sur un échantillon
de 100 pièces choisies au hasard. Pour que le lot soit accepté dans sa totalité, l’échantillon doit
remplir les conditions suivantes :
1. La différence entre la cote nominale et la moyenne des cotes de l’échantillon doit être, en
valeur absolue, inférieure à 0,04 mm.
2. Les cotes de 68 % des pièces constituant l’échantillon doivent être comprises entre (73-σ)
et (73+σ).
Les mesures ont donné les résultats suivants :

Cote en mm Nombre de pièces

72,70 à 72,75 0
72,75 à 72,80 2
72,80 à 72,85 7
72,85 à 72,90 10
72,90 à 72,95 22
72,95 à 73,00 35
73,00 à 73,05 11
73,05 à 73,10 9
73,10 à 73,15 3
73,15 à 73,20 1
73,20 à 73,25 0

(Seules les limites inférieures des classes sont comprises dans les classes)
Le lot sera-t-il accepté ?

27 Statistique descriptive
Chapitre VI

La concentration

L'objectif est de mesurer les inégalités dans la répartition d'une variable à l'intérieur d'une
population. Cette notion n'a d'intérêt que dans la mesure où les valeurs globales suivantes ont une
signification concrète.

VALEURS GLOBALES :

xi représentent les valeurs ponctuelles ou les centres des classes, ni les effectifs correspondants.
Les valeurs globales de la série (xi , ni) sont les quantités gi = ni xi

MEDIALE :

La médiale de la série (xi , ni) est la médiane de la série (xi , gi)

Application :

L’importance quantitative des portefeuilles de titres déposés dans une société de portefeuille
« Maroc Invest » en Kdh.
Importance du portefeuille en kdh f% f cumulé f’% f’cumulé
Moins de 10.000 41 41 2 2
10.000 à 50.000 37 78 15 17
50.000 à 100.000 10 88 11 28
100.000 à 200.000 6 94 13 41
200.000 à 500.000 4 98 19 60
500.000 à plus 2 100 40 100
Total 100 - 100 -

f représentent les pourcentages du nombre total des portefeuilles.

f’ représentent les pourcentages de la valeur totale des portefeuilles.

TAF : calculez la médiane et la médiale de cette distribution

Eléments de réponse :
Me = 19730, Ml= 342105 kdh

28 Statistique descriptive
COURBE DE CONCENTRATION (OU DE LORENZ)

C'est la courbe obtenue en représentant

L'allure de la courbe permet d'avoir une idée de la concentration.

INDICE DE GINI

Propriétés:

EXERCICE SYNTHETIQUE :
29 Statistique descriptive
Dans une commune rurale, où aucune exploitation agricole n’atteint 123 Ha. La distribution des
100 exploitants en fonction de la superficie se présente comme suit :
Superficie en Ha : xi Le pourcentage des propriétaires fonciers :fi
Moins de 5 15
5 – 10 20
10 – 15 15
15 – 20 10
20 – 30 10
30 – 50 12
50 et plus 18
Total 100

Questions :
1- quelle est la population cible ?
quel est le caractère étudié ?
quel est le nombre de modalités ?
2- représentez graphiquement la distribution étudiée (simple et cumulative)
3- déterminez les différentes caractéristiques de tendance centrale
4- qu’en est-il de la dispersion ?
5- est-ce que la répartition des terres au sein de cette commune est équitable ?

Eléments de réponse :
1- population cible : les 100 exploitations
Caractère étudié : la superficie ; sa nature : quantitatif continu
Nombre de modalités : 7
3- X=28.55 Ha
Me = 15 Ha
Mo= 7.5 Ha
4- Etendue = 125 Ha
intervalle interquartile : Q1 ; Q3 = 7.5 ;38.33
coefficient de variation = 1.04

5- indice de GINI : IG=0.613

L’indice tend vers 1 plus que vers 0, on dira que la distribution des terres dans cette commune est
assez concentrée donc cette distribution est non équitable.

30 Statistique descriptive
EXERCICE

Une enquête réalisée par le ministère de l’agriculture sur 320 exploitations agricoles, a porté sur la
taille des superficies agricoles utiles (SAU). Les résultats son synthétisés dans le tableau suivant :

SAU Nombre Centre de ecc Ecc n % [Link] [Link] cc [Link] cc en %

(en hectares) d’exploitations classe
xi ni ci

[1 , 5[ 170
[5 , 10[ 80
[10 , 40[ 30
[40 , 60[ 15
[60 , 80[ 10
[80 , 120[ 9
[120 , 200[ 6
Totaux 320

TAF
1. Compléter le tableau.
2. Construire la courbe de concentration de LORENZ .
3. Déterminer graphiquement :
• combien occupe 80 % des exploitations de la superficie totale.
• si on a une équi-répartition des superficies, repérer pour les 80 % des exploitations
la superficie totale.
4. Calculer l’indice de GINI. Interpréter.

31 Statistique descriptive
Chapitre VII

Régression et corrélation

Lorsqu'on observe deux variables quantitatives sur les mêmes individus, on peut s'intéresser à une
liaison éventuelle entre ces deux variables.
La régression fournit une expression de cette liaison sous la forme d'une fonction mathématique.
La corrélation renseigne sur l'intensité de cette liaison.

AJUSTEMENT D’UN NUAGE DE POINTS A UNE FONCTION MATHEMATIQUE

a) Ajustement affine par une méthode graphique

• Ajustement à la règle
Lorsque les points du nuage semblent presque alignés il peut être envisageable de rechercher
une relation y = ax + b ou x = a’y + b’ entre les deux caractères.
En traçant une droite L la plus proche possible de tous les points, entre ces points et dans la
direction qu’ils suggèrent on obtient rapidement une assez bonne approximation de la relation
y = ax+b. Si besoin est, les coefficients a et b se calculent à partir des coordonnées de deux points
de L, mais généralement la méthode n’est utilisée que pour des lectures graphiques (interpolation
ou extrapolation).
• Droite de Mayer
La droite de Mayer passe par le point moyen G du nuage et par deux autres points moyens G1
et G2 de deux moitiés du nuage obtenus en prenant les N1 premiers points et les N2 = N - N1
autres.
Lorsque N1 = N2 le point G est le milieu du segment [G1G2].

b) Ajustement linéaire par la méthode des moindres carrés

Lorsque le nuage de points (xi , yi) est à peu près rectiligne, on peut envisager d'exprimer la
liaison entre x et y sous forme de fonction affine y = a x + b

32 Statistique descriptive
c) Ajustement à une fonction exponentielle

Pour ajuster un nuage de points à une courbe exponentielle , il suffit de faire le

changement de variable Y = ln y , X = x , A = ln a , B = ln b , pour obtenir l'équation Y = AX + B,
et d'utiliser ensuite l'ajustement linéaire par la méthode des moindres carrés sur les points (Xi ,
Yi).

d) Ajustement à une fonction puissance

Pour ajuster un nuage de points à une courbe puissance , il suffit de faire le changement
de variable Y = ln y , X = ln x , A = a , B = ln b , pour obtenir l'équation Y = AX + B , et d'utiliser
ensuite l'ajustement linéaire par la méthode des moindres carrés sur les points (Xi , Yi).

MESURE DE L’INTENSITE DE LA RELATION LINEAIRE ENTRE DEUX VARIABLES

a) Covariance

33 Statistique descriptive
 x et y varient dans le même sens
x et y varient en sens contraire

b) Coefficient de corrélation linéaire

relation fonctionnelle linéaire

indépendance linéaire

dépendance linéaire d'autant plus forte que est grand

Attention:
Une forte causalité entre x et y implique une forte relation entre x et y qui n'est pas
forcément linéaire; on n'a donc pas obligatoirement une forte corrélation linéaire.
Une forte corrélation linéaire n'implique pas forcément une forte causalité.

c) Droites de régression

Dy/x : y = a x + b avec

Dx/y : x = a' y + b' avec

La position des deux droites de régression l'une par rapport à l'autre donne un renseignement sur
l'intensité de la relation linéaire:
* droites de régression confondues relation fonctionnelle linéaire
* droites de régression perpendiculaires dont une de pente nulle indépendance
linéaire
* Plus les droites sont proches, plus la relation linéaire est importante

34 Statistique descriptive
Relations intéressantes:

r² = aa'

Application :

Les séries statistiques simples de deux variables continues X et Y se présentent comme suit :

Individus 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
X 2 12 13 7 6 3 12 10 9 7 4 2 10 6 3
Y 22 2 4 14 15 19 7 8 10 11 16 18 11 12 21

TAF : après avoir élaboré un tableau de contingence, en adoptant des classes d’amplitudes égales
à 4 unités pour la variable X et des amplitudes à 5 unités pour la variable Y, il vous est demandé
d’apprécier la liaison qui existe entre ces deux variables.

Eléments de réponse :
Y 2–7 7 – 12 12 – 17 17 – 22 n.j
X
2–6 0 0 2 3 5
6 – 10 0 3 2 0 5
10 – 14 3 2 0 0 5
ni. 3 5 4 3 15

Les équations des droites d’ajustement linéaire :

-l’ajustement linéaire de Y à X : Y= a.X + b = -1.37 X+ 22.79
-l’ajustement linéaire de X à Y : X = a.Y + b = -0.56 Y+14.62
- coefficient de corrélation r : r = -0.87 → Forte liaison linéaire négative entre les deux variables.

Exercice 1

Le tableau suivant, donne l’évolution des frais de publicité xi et du chiffre d’affaire yi d’une
entreprise entre 2000 et 2007.

xi et yi sont exprimés en millions d’euros.

35 Statistique descriptive
 Année xi yi

2000 2 52

2001 2.3 59

2002 2.6 60

2003 2.9 65

2004 3.2 70

2005 3.5 72

2006 3.8 73

2007 4.1 75

1. Construire le nuage de points représentant cette série dans un repère convenablement

choisi.

2. Procéder à un ajustement affine de ce nuage par la méthode de Mayer.

3. Tracer la droite de Mayer.

4. En supposant que l’évolution observée entre 2000 et 2007 se poursuive les années
suivantes, estimer graphiquement, au million d’euros près, le chiffre d’affaire prévisible
de cette entreprise en 2009 sachant que le montant des frais de publicité en 2009 est de 4.7
millions d’euros.

Exercice 2
Une entreprise envisage la fabrication d’un nouveau produit. Une étude a permis d’établir le
tableau suivant où, pour différentes observations, xi désigne la quantité de produit (en milliers
d’unités) que la clientèle est disposée à acheter, et yi le prix de vente en euros d’une unité :

xi 1.5 3 5 8 11 12

yi 120 110 100 90 80 70

Ainsi, pour que la clientèle soit disposée à acheter 5000 unités, le prix de vente d’une unité doit
être fixé à 100 euros.

1. Représenter le nuage de points associé à cette série statistique. Prendre 1 cm pour 1

millier d’unités en abscisse, et 1 cm pour 10 euros en ordonnée.
2. Calculer le coefficient de corrélation linéaire de cette série statistique.
3. Un ajustement affine est-il approprié ? Justifier la réponse.

36 Statistique descriptive
4. Donner une équation de la droite d’ajustement de y en x, obtenue par la méthode des
moindres carrés.
5. D’après ce modèle, comment faut-il fixer le prix de vente d’une unité si l’on veut pouvoir
vendre au minimum 6500 unités ?

37 Statistique descriptive
Chapitre VIII

Séries chronologiques

Introduction
DÉFINITION

Une série chronologique est une série statistique ordonnée en fonction du temps.
Exemples : le cours journalier en bourse (à la clôture) d’une action, la température extérieure
relevée à un même endroit à 15h, etc.
L’étude de ces séries est intéressante car elle peut permettre de prévoir l’évolution du phénomène
observé dans le temps.

Voici une série chronologique indiquant le nombre de victimes dans des accidents de la route au
Luxembourg :

Année Nombre de Année Nombre de

victimes victimes
1970 2497 1991 1725
1980 2380 1992 1725
1981 2239 1993 1720
1982 2034 1994 1616
1983 2193 1995 1730
1984 2185 1996 1609
1985 2075 1997 1559
1986 2062 1998 1575
1987 1749 1999 1588
1988 1946 2000 1331
1989 1914 2001 1246
1990 1846

Cette série chronologique peut être représentée graphiquement de la façon suivante :

38 Statistique descriptive
COMPOSANTES

Sur la représentation graphique d’une série chronologique, on peut distinguer les composantes
fondamentales suivantes :

•le mouvement de tendance générale ou trend indiquant l’évolution générale du

phénomène étudié

•les mouvements cycliques sur une grande période autour du trend. Ces mouvements
peuvent être périodiques (exemple : récession et expansion économique, etc.)

•les mouvements saisonniers ou variations saisonnières sont des variations se reproduisant

périodiquement à des moments bien déterminés sous l’influence de facteurs généralement
connus (exemple : vente de mazout avant l’hiver, vacances, fêtes de fin d’année, etc.)

•les mouvements accidentels ou résiduels sont dus à des facteurs exceptionnels pour la
plupart imprévisibles (grève, risque de guerre, etc.)

Estimation de la tendance
Il est clair qu’afin de pouvoir estimer la tendance, c’est-à-dire le mouvement d’un phénomène
observé sur un grand intervalle de temps, il faut disposer d’une série statistique sur une longue
période.

Disposant de ces données, le premier travail consiste à effectuer une représentation graphique
adéquate permettant d’avoir une vue globale du phénomène étudié.

39 Statistique descriptive
MOYENNES MOBILES

Afin d’éliminer ou d’amortir les mouvements cycliques, saisonniers et accidentels, on utilise la

technique des moyennes mobiles. On procède ainsi en quelque sorte au lissage de la courbe.

Le principe de cette méthode est de construire une nouvelle série obtenue en calculant des
moyennes arithmétiques successives de longueur p fixe à partir des données originales. Chacune
de ces moyennes obtenues correspondra au “milieu” de la période pour laquelle la moyenne
arithmétique vient d’être calculée.

Exemple : le tableau ci-dessous contient des mesures d’un phénomène relevées à 9 instants
différents.

t1 t2 t3 t4 t5 t6 t7 t8 t9

4 6 5 3 7 5 4 3 6

Si nous calculons les moyennes mobiles d’ordre 3, nous obtenons les valeurs suivantes :

t1 t2 t3 t4 t5 t6 t7 t8 t9

4 6 5 3 7 5 4 3 6
5.00 4.67 5.00 5.00 5.33 4.00 4.33

6 + 5 + 3 + 7 + 5 26
Exemple : la valeur pour t4 vaut = = 5. 2
5 5
Cette fois-ci les deux valeurs extrêmes de la série sont perdues. On constate que si p est impair,
donc de la forme p = 2k + 1 , à chaque extrémité k valeurs sont perdues.

En représentant graphiquement ces résultats, nous remarquons bien la tendance au “lissage” de la

représentation originale avec l’utilisation de la technique des moyennes mobiles.

40 Statistique descriptive
En choisissant p pair, nous sommes confrontés au problème que les moyennes obtenues ne
correspondront pas à une abscisse existante, mais chevaucheront entre deux de ces valeurs.

Exemple : dans la série chronologique précédente, si nous calculons les moyennes mobiles
d’ordre 4, nous obtenons des valeurs pour t2.5 , t3.5, etc., ce qui n’est pas pratique. C’est pour cette
raison qu’on calcule une moyenne sur 5 valeurs mais en prenant soin de pondérer les deux valeurs
extrêmes par ½ au lieu de 1 pour les autres valeurs. Il faut quand même veiller à diviser par 4 (et
non par 5) ! Ceci nous garantit que chaque valeur n’est prise en compte qu’une seule fois.

Nous aurons donc les moyennes mobiles d’ordre 4 suivantes :

t1 t2 t3 t4 t5 t6 t7 t8 t9

4 6 5 3 7 5 4 3 6
4.88 5.13 4.88 4.75 4.63

Pour mieux comprendre, voici le calcul pour t3 de la moyenne mobile d’ordre 4 :

1 1
4. + 6 + 5 + 3 + 7.
t3 = 2 2 = 39 = 4.875
4 8

41 Statistique descriptive
AJUSTEMENT ANALYTIQUE

Si les données (brutes ou lissées) sur le graphique se présentent sous une forme ressemblant à une
courbe connue (droite, parabole, exponentielle, etc.), on peut essayer de dégager une forme
analytique pour cette courbe.
Nous ajustons cette courbe avec les méthodes étudiées au chapitre précédent.

Estimation des mouvements saisonniers

MODÈLE ADDITIF, MODÈLE MULTIPLICATIF

Pour effectuer l’analyse des mouvements saisonniers, on essaie d’abord de déterminer si on est en
présence d’une série dans laquelle pour une observation O donnée :

• la variation saisonnière S s’ajoute simplement à la résultante des autres composantes R ;

O = R+S
c’est le modèle additif

• la variation saisonnière S est proportionnelle à la résultante des autres composantes R :

S = cR et alors O = S + R = cR + R = R(1 + c)
c’est le modèle multiplicatif.

Afin de faire cette distinction, on peut se baser sur une méthode graphique ou utiliser une méthode
analytique. Nous étudions ces méthodes sur un exemple concret en nous basant sur la série
chronologique “Nouvelles immatriculations de voitures particulières, commerciales et utilitaires
neuves selon le mois :
Septembre

Novembre

Décembre
Octobre
Janvier

Février
Année

Juillet
Avril
Mars

Août
Juin
Mai

1996 2006 3224 3789 4153 3100 2527 3015 1504 1847 2314 1673 1602
1997 2247 3862 3586 4047 2838 2727 2730 1648 2007 2450 1966 1695
1998 2433 3723 4325 4493 3399 3083 3247 1928 2377 2831 2388 2126
1999 3127 4437 5478 4384 3552 3678 3611 2260 2699 3071 2510 2182
2000 3016 4671 5218 4746 4814 3545 3341 2439 2637 3085 2737 2055

MÉTHODE DE LA BANDE

On fait un graphique représentant la série chronologique, puis on trace une droite passant
respectivement par les minima et par les maxima de chaque saison. Si ces deux droites sont
parallèles, nous sommes en présence d’un modèle additif. Dans le cas contraire, c’est un modèle
multiplicatif.

42 Statistique descriptive
Sur cet exemple, nous constatons que les deux droites ne sont pas parallèles, nous sommes donc
en présence d’un modèle multiplicatif.

MÉTHODE ANALYTIQUE

On calcule les moyennes et écarts-types pour chacune des périodes considérées et on calcule la
droite des moindres carrés  = a x + b . Si a est nul, c’est un modèle additif, si a  0 , le modèle
est multiplicatif.

Moyenne Écart-type
1996 2562.8 850.7
1997 2650.3 782.3
1998 3029.4 803.6
1999 3415.8 946.6
2000 3525.3 1023.4

En calculant la droite des moindres carrés, on obtient a = 0.195 et b = 289.037, ce qui confirme
encore une fois que pour cet exemple, nous sommes bien en présence d’un modèle multiplicatif.

43 Statistique descriptive
Correction des variations saisonnières
DONNÉES DÉSAISONNALISÉES

Dans beaucoup de situations, il est préférable de travailler sur des données qui ne sont pas
affectées par un mouvement saisonnier. C’est pour cela que l’on transforme la série chronologique
initiale en données désaisonnalisées ou corrigées des variations saisonnières.

MODÈLE ADDITIF

Considérons la série statistique des chiffres d’affaires trimestriels (en millions de Dirhams) d’une
entreprise.
Trim 1 Trim 2 Trim 3 Trim 4 Trim 1 Trim 2 Trim 3 Trim 4 Trim 1 Trim 2 Trim 3 Trim 4 Trim 1 Trim 2 Trim 3 Trim 4

120 181 71 119 128 190 73 124 140 196 84 133 145 206 96 142

Le modèle de la série statistique est bien additif, pour s’en convaincre, il suffit d’employer la
méthode de la bande et de constater que la droite qui passe par les maxima et celle qui passe par
les minima sont parallèles.

Calculons les moyennes mobiles d’ordre 4 (puisque nous sommes en présence d’une série dont la
périodicité est de 4 trimestres).

Ensuite nous déterminons les différences saisonnières, c’est-à-dire les différences entre les valeurs
de la série statistique de départ et les valeurs des moyennes mobiles correspondantes.

44 Statistique descriptive
Ces différences vont nous servir pour obtenir les coefficients saisonniers non corrigés trimestriels.

Les coefficients saisonniers ne sont en fait que les moyennes des différences saisonnières pour
chacun des trimestres.

Par exemple pour le premier trimestre, nous obtenons :

0.75 + 5.38 + 1.50

 2.54
3

Nous calculons de cette manière les quatre coefficients saisonniers.

Nous supposons que la composante saisonnière est strictement périodique. L’effet net de la
composante saisonnière sur une période doit être nul car il est repris dans la tendance générale de
la série chronologique. Ceci nous amène donc à rectifier les coefficients saisonniers non corrigés
en leur retranchant la moyenne des coefficients saisonniers pour toutes les périodes.

Disposant maintenant des coefficients saisonniers corrigés, nous pouvons désaisonnaliser la série
chronologique en retranchant de chacune des valeurs initiales la valeur du coefficient saisonnier
correspondant.

45 Statistique descriptive
Le graphique ci-dessous reprend la série chronologique de départ ainsi que la série chronologique
désaisonnalisée.

MODÈLE MULTIPLICATIF

Nous verrons deux techniques pour désaisonnaliser une série statistique dans l’hypothèse d’un
modèle multiplicatif, de loin le plus fréquent en pratique.

46 Statistique descriptive
MÉTHODE DES MOYENNES MOBILES

En utilisant la méthode des moyennes mobiles, nous calculons les moyennes mobiles d’ordre égal
au nombre de périodes de la saison (mois, trimestre, année, etc.).

Tableau des moyennes mobiles d'ordre 12

Septembre

Novembre

Décembre
Octobre
Janvier

Février
Année

Juillet
Avril
Mars

Août
Juin
1996 Mai 2573 2610 2628 2615 2599 2597
1997 2593 2587 2600 2612 2630 2646 2658 2660 2685 2734 2776 2815
1998 2851 2884 2911 2942 2976 3011 3058 3117 3195 3238 3240 3271
1999 3311 3340 3368 3391 3406 3413 3411 3416 3415 3419 3487 3534
2000 3517 3514 3518 3516 3526 3531

Après avoir calculé ces moyennes, on calcule les rapports saisonniers qui sont égaux aux données
de la série d’origine divisées par les moyennes mobiles correspondantes.

Tableau des rapports saisonniers

Septembre

Novembre

Décembre
Octobre
Janvier

Février
Année

Juillet
Avril
Mars

Août
Juin
Mai

1996 1.17 0.58 0.70 0.88 0.64 0.62

1997 0.87 1.49 1.38 1.55 1.08 1.03 1.03 0.62 0.75 0.90 0.71 0.60
1998 0.85 1.29 1.49 1.53 1.14 1.02 1.06 0.62 0.74 0.87 0.74 0.65
1999 0.94 1.33 1.63 1.29 1.04 1.08 1.06 0.66 0.79 0.90 0.72 0.62
2000 0.86 1.33 1.48 1.35 1.37 1.00

COEFFICIENTS SAISONNIERS

Nous effectuons ensuite les moyennes des rapports saisonniers pour chacune des périodes de la
saison. Ces moyennes sont les coefficients saisonniers.

Coefficients saisonniers
Septembre

Novembre

Décembre
Octobre

Somme
Janvier

Février

Juillet
Avril
Mars

Août
Juin
Mai

0.88 1.36 1.49 1.43 1.16 1.03 1.08 0.62 0.75 0.89 0.70 0.62 12.012

47 Statistique descriptive
On admet en général que la somme des coefficients saisonniers est égale au nombre de périodes
de la saison, dans notre exemple égale à 12 ou que la moyenne des coefficients saisonniers est
égale à 1. Dans notre cas, elle vaut 1.001.

Nous corrigeons les valeurs calculées en les divisant par cette moyenne.

Coefficients saisonniers corrigés

Septembre

Novembre

Décembre
Octobre

Somme
Janvier

Février

Juillet
Avril
Mars

Août
Juin
Mai

0.88 1.36 1.49 1.43 1.16 1.03 1.08 0.62 0.75 0.89 0.70 0.62 12.00

Disposant des coefficients saisonniers corrigés, l’obtention de la série chronologique

désaisonnalisée est immédiate : il suffit de diviser chaque valeur de la série d’origine par le
coefficient saisonnier corrigé de la période correspondante.

Série chronologique corrigée des variations saisonnières

Septembre

Novembre

Décembre
Octobre
Janvier

Février
Année

Juillet
Avril
Mars

Août
Juin
Mai

1996 2281 2372 2539 2908 2681 2447 2795 2432 2478 2608 2385 2580
1997 2555 2842 2403 2834 2455 2640 2531 2665 2692 2761 2803 2730
1998 2766 2740 2899 3146 2940 2985 3010 3118 3189 3190 3405 3424
1999 3555 3265 3671 3070 3072 3561 3348 3655 3621 3461 3578 3514
2000 3429 3437 3497 3323 4164 3432 3097 3944 3538 3476 3902 3309

Voici une représentation graphique sur laquelle nous avons reporté les données originales ainsi
que les données corrigées des variations saisonnières.

48 Statistique descriptive
MÉTHODE DES RAPPORTS À LA TENDANCE

Une autre façon de procéder pour désaisonnaliser une série chronologique consiste à calculer la
droite de régression des données en fonction des n périodes de la saison.

Dans notre exemple, nous établissons la droite de régression des ventes par rapport aux 60 (12
fois 5 saisons) périodes. Cette droite est d’équation y = 14.64 x + 2590.08 .

Calculons alors les valeurs pour chacune des périodes en nous basant sur la droite de régression
que nous venons d’établir. Nous obtenons le tableau suivant :

Valeurs basées sur la droite de régression

y = 14.64 x + 2590.08
Septembre

Novembre

Décembre
Octobre
Janvier

Février
Année

Juillet
Avril
Mars

Août
Juin
Mai

1 2 3 4 5 6 7 8 9 10 11 12
1996 2605 2619 2634 2649 2663 2678 2693 2707 2722 2737 2751 2766
1997 2780 2795 2810 2824 2839 2854 2868 2883 2898 2912 2927 2942
1998 2956 2971 2985 3000 3015 3029 3044 3059 3073 3088 3103 3117
1999 3132 3147 3161 3176 3190 3205 3220 3234 3249 3264 3278 3293
2000 3308 3322 3337 3352 3366 3381 3395 3410 3425 3439 3454 3469

Pour obtenir les rapports saisonniers, il suffit de diviser les valeurs originales par celles obtenues
en se basant sur la droite de régression.

49 Statistique descriptive
 Tableau des rapports saisonniers

Septembre

Novembre

Décembre
Octobre
Janvier

Février
Année

Juillet
Avril
Mars

Août
Juin
Mai
1996 0.77 1.23 1.44 1.57 1.16 0.94 1.12 0.56 0.68 0.85 0.61 0.58
1997 0.81 1.38 1.28 1.43 1.00 0.96 0.95 0.57 0.69 0.84 0.67 0.58
1998 0.82 1.25 1.45 1.50 1.13 1.02 1.07 0.63 0.77 0.92 0.77 0.68
1999 1.00 1.41 1.73 1.38 1.11 1.15 1.12 0.70 0.83 0.94 0.77 0.66
2000 0.91 1.41 1.56 1.42 1.43 1.05 0.98 0.72 0.77 0.90 0.79 0.59

Nous calculons ensuite la moyenne pour chaque période obtenant ainsi les coefficients
saisonniers.

Coefficients saisonniers
Septembre

Novembre

Décembre
Octobre

Somme
Janvier

Février

Juillet
Avril
Mars

Août
Juin
Mai

0.86 1.34 1.49 1.46 1.17 1.02 1.05 0.63 0.75 0.89 0.72 0.62 12.00

Nous n’avons pas besoin d’ajuster ces coefficients puisque leur somme vaut 12 (nombre de
périodes par saison).

Finalement, nous obtenons de la même façon que précédemment les valeurs de la série
chronologique corrigées des variations saisonnières :

Série chronologique corrigée des variations saisonnières

Septembre

Novembre

Décembre
Octobre
Janvier

Février
Année

Juillet
Avril
Mars

Août
Juin
Mai

1996 2326 2412 2539 2846 2657 2471 2875 2371 2466 2605 2319 2590
1997 2606 2890 2403 2774 2432 2667 2603 2598 2679 2758 2725 2740
1998 2821 2786 2899 3079 2913 3015 3096 3039 3173 3187 3310 3437
1999 3626 3320 3671 3005 3044 3597 3443 3563 3603 3457 3479 3528
2000 3497 3495 3497 3253 4125 3467 3186 3845 3520 3473 3793 3322

Voici pour terminer une représentation graphique de la série originale, de la droite de régression et
de la série désaisonnalisée.

50 Statistique descriptive
PREVISION A COURT TERME

Lorsque le trend est obtenu par la méthode des moindres carrés, il est possible d'obtenir une
prévision postérieure à l'intervalle d'étude (à condition de rester dans des limites raisonnables), en
utilisant le modèle précédent. Pour une date t correspondant à un coefficient saisonnier St, la
tendance vaut Tt, et la prévision est donc donnée par Tt + St en modèle additif ou Tt . St en
modèle multiplicatif

Application

La société Jihane fabrique des jouets en plastique. Son activité a un caractère saisonnier très
marqué. On dispose des données suivantes relatives aux années N-2, N-1 et N :

N–2 N–1 N
Trimestre 1 18912 25052 27635
Trimestre 2 28362 37579 41440
Trimestre 3 33098 43837 48357
Trimestre 4 14178 18789 20718
Total 94550 125257 138150

TAF :
1. Représentez graphiquement cette série statistique
2. Calculez les coefficients saisonniers de cette série.
3. Déterminez la série corrigée des variations saisonnieres
4. Quelles sont les prévisions pour les années N+1, N+2, N+3 et N+4 ?

Eléments de réponse :

51 Statistique descriptive
 60000

50000

40000
ventes

30000

20000

10000

0
1 2 3 4 5 6 7 8 9 10 11 12

trimestres

2.
Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
yt y’t yt/y’t yt y’t yt/y’t yt y’t yt/y’t yt y’t yt/y’t
N–2 18912 28362 33098 24405 1.36 14178 26325 0.54
N-1 25052 28819 0.87 37579 30738 1.22 43837 31637 1.39 18789 32443 0.58
N 27635 33490 0.83 27635 34296 1.21 48357 20718
Coeff saisonniers 0.85 1.215 1.375 0.56

Coefficient saisonnier 1er trimestre = (0.87+0.83)/2 = 0.85

3.
Trimestre 1 2 3 4 5 6 7 8 9 10 11 12
t
yt 18912 28362 33098 14178 25052 37579 43837 18789 27635 41440 48357 20718
[Link]. 0.85 1.215 1.375 0.56 0.85 1.215 1.375 0.56 0.85 1.215 1.375 0.56
Série 21013 22690 25460 25778 27836 30063 33721 34162 30706 33152 37198 37669
corrigée

4. la prévision de la tendance nécessite un ajustement de la série corrigée des variations

saisonnières (les moyennes mobiles).
Droite d’ajustement de y’t => y’t = 1391x + 21228
On obtient les prévisions suivantes pour la tendance :

Trimestre 13 14 15 16
Prévision 39311 40702 42093 43484

Prévisions des ventes des trimestres 13, 14, 15 et 16 ( N+1, N+2, N+3 et N+4)

Trimestre 13 14 15 16
Prévision de la 39311 40702 42093 43484
tendance
Coeff. Saisonn. 0.85 1.215 1.375 0.56
Prévisions des 33414 49453 57878 24351
ventes

52 Statistique descriptive
Exercice 1

Une entreprise a relevé pendant quatre ans ses ventes trimestrielles (en milliers de Dirhams)

T1 T2 T3 T4
1987 102 100 104 108
1988 110 106 113 115
1989 117 115 120 122
1990 128 123 127 131
1991 134 130 - -

1. Montrer qu’il existe un mouvement saisonnier.

2. Ce mouvement est-il additif ou multiplicatif ?
3. Calculer les écarts saisonniers par la méthode des moyennes mobiles.
4. Désaisonnaliser la série.
5. Calculer la tendance par la méthode des moindres carrés.
6. Effectuer le calcul « trend + écart saisonnier » et comparer le résultat avec la série brute.
7. Quel montant de vente peut-on prévoir respectivement pour le troisième trimestre et le
quatrième trimestre 1991 ?

Exercice 2

La série chronologique suivante représente le chiffre d’affaire trimestriel, en milliers de Dirhams,

d’un magasin de1990 à 1992.

T1 T2 T3 T4
1990 115 152 124 167
1991 117 162 130 187
1992 121 158 137 206

1. Représenter graphiquement la série.

2. Déterminer l’équation de la droite de tendance (méthode des moindres carrés).
3. Calculer les rapports à la tendance.
4. En déduire les coefficients saisonniers.
5. Calculer la série désaisonnalisée.
6. Quel chiffre d’affaire moyen peut-on prévoir respectivement pour le premier trimestre et
le deuxième trimestre 1993 ?

53 Statistique descriptive