Description de la variabilité

Cours 1 et 2

Julien CLAUDE

September 15, 2023

Julien CLAUDE () Description de la variabilité September 15, 2023 1 / 26

Généralités et définitions

Objectif des biostatistiques

Population
Echantillon
Variable statistique
Variable ordonnée et non ordonnée
Variable quantitative et qualitative
Variables continues et discrêtes
Distribution

Julien CLAUDE () Description de la variabilité September 15, 2023 2 / 26

Représentation des variables

Tableau effectif et valeurs (ou

modalités)

valeur effectif fréquence

P
x1 n1 fi = n1 / P ni
x2 n2 f2 = n2 / ni
... ... ... P
xi ni fi = ni / ni
... ... ... P
xp np fi = np / ni
P
N= ni

Julien CLAUDE () Description de la variabilité September 15, 2023 3 / 26

Représentation en fréquences

Julien CLAUDE () Description de la variabilité September 15, 2023 4 / 26

Fréquences cumulées: soit une distribution d’une variable ordonnée
(xi ; ni ), avec i ∈ [1; p], et k un entier appartenant à [1; p], alors la
fréquence cumulée d’ordre k vaut:
k
X
Fk = f1 + f2 + ... + fi + ... + fk = fi
i=1

La valeur xi correspondant à Fi porte le nom de quantile de X à Fi × 100%

Julien CLAUDE () Description de la variabilité September 15, 2023 5 / 26

Variables discrêtes ordonnées

valeur effectif fréquence Fréquences cumulées

P
x1 n1 fi = n1 / P ni F1 = n1 /N
x2 n2 f2 = n2 / ni F2 = n1 /N + n2 /N
... ... ... ...
P Pi
xi ni fi = ni / ni Fi = 1 ni /N
... ... ... P ...
xp np fi = np / ni Fp = 1
P
N= ni

Julien CLAUDE () Description de la variabilité September 15, 2023 6 / 26

Polygone des fréquences cumulées pour variables discrêtes

Julien CLAUDE () Description de la variabilité September 15, 2023 7 / 26

Graphique en mosaique

Julien CLAUDE () Description de la variabilité September 15, 2023 8 / 26

Cas des variables quantitatives continues

Tableau classes, effectifs, fréquences et fréquences cumulées

classe effectif fréquence Fréquence cumulée

P
[x0 ; x1 ] n1 fi = n1 / P ni F 1 = f1
]x1 ; x2 ] n2 f2 = n2 / ni F2 = f1 + f2
... ... ... P ...P
]xi−1 ; xi ] ni fi = ni / ni Fi = p1 fi
... ... ... P ...
]xp−1 ; xp ] np fp = np / np Fp = 1

Julien CLAUDE () Description de la variabilité September 15, 2023 9 / 26

Distribution des variables continues

Julien CLAUDE () Description de la variabilité September 15, 2023 10 / 26

Distribution des variables continues

Julien CLAUDE () Description de la variabilité September 15, 2023 11 / 26

Fréquences cumulées et quantiles

Julien CLAUDE () Description de la variabilité September 15, 2023 12 / 26

Fréquences cumulées et quantiles

Julien CLAUDE () Description de la variabilité September 15, 2023 13 / 26

Fréquences cumulées et quantiles

Julien CLAUDE () Description de la variabilité September 15, 2023 14 / 26

Fréquences cumulées et quantiles

Julien CLAUDE () Description de la variabilité September 15, 2023 15 / 26

Paramêtres de tendance centrale
La médiane ou quantile à 50%
Le mode : classe ayant la plus forte fréquence dans la distribution
La moyenne
p p
1 X X
µ= ni xi ; avec N= ni
N
i=i 1
Ou bien si on dispose des fréquences
p
X ni
µ= fi xi ; avec fi =
N
i=i
Quand les fréquences correspondent à la probabilité de réalisation de X,
cette expression désigne l’espérance de X notée E(X ).
Moyenne de moyennes
1
µ= (n1 µ1 + n2 µ2 ); avec N = n1 + n2
N
Julien CLAUDE () Description de la variabilité September 15, 2023 16 / 26
Estimer la moyenne à partir d’un échantillon

p p
1 X X
µ̂ = ni xi ; avec N= ni
N
i=i 1

Loi des grands Nombres: Cette loi stipule que plus on augmente la taille
de l’échantillon, plus les caractères statistiques de l’échantillon se
rapprochent des caractères de la population. Donc plus l’échantillon sera
grand plus ces paramètres seront représentatifs de la population, et plus il
sera petit et plus le risque d’imprécision sera élevé.

Julien CLAUDE () Description de la variabilité September 15, 2023 17 / 26

Théorême central limite

Si X1 , X2 , ....Xn est une suite de variables aléatoires appartenant à des lois

de distribution identiques avec une espérance µ et un écart type σ, et que
ces variables sont indépendantes, alors la somme Sn = X1 + X2 + .... + Xn
√
a une espérance nµ et l’écart type de cette somme faut σ n. La loi de Sn
tend vers la loi normale ∼ N (nµ, nσ 2 ). Ce théorême affirme donc qu’une
somme de variables aléatoires identiques en loi suit une loi normale.
On peut en déduire que:
Sn /n ∼ N (µ, σ 2 /n)

Julien CLAUDE () Description de la variabilité September 15, 2023 18 / 26

Théorême central limite

En d’autres termes, si on réalise

plusieurs échantillonages dans une
population et qu’on regarde la
distribution des moyennes de ces
échantillons, cette distribution pourra
être être connue à l’avance (sa
moyenne et son écart type
également).

Julien CLAUDE () Description de la variabilité September 15, 2023 19 / 26

Théorême central limite

On peut aussi écire d’après ce

théorême que:
Pn
i=1 (X /n) − µ
pi ∼ N (0, 1)
σ/ (n)

Ce qui est équivalent à:

(µ̂ − µ)
p ∼ N (0, 1)
σ/ (n)

Julien CLAUDE () Description de la variabilité September 15, 2023 20 / 26

Paramètres de dispersion
Etendue
Espace interquartile
Variance et Ecart type
n
1X
Var (x) = σx2 = (xi −µx )2 , pour une présentation par observations
n
i

p
1X
Var (x) = σx2 = ni (xi −µx )2 , pour une présentation par fréquences
n
i

La variance peut être également calculé grâce à son développement

(développement de Koenig).
p
1X
Var (x) = σx2 = ( ni xi2 )−µ2x , pour une présentation par fréquences.
n
i

Julien CLAUDE () Description de la variabilité September 15, 2023 21 / 26

Développement de Koenig: Démonstration

On part de la somme des carrés aux écarts plutôt que de leur moyenne.
p
X p
X
2
ni (xi − µx ) = ni (xi2 − 2xi µx + µ2x )
i i
p
X p
X p
X
= ni xi2 − 2µx ni x i + ni µ2x
i i i
Pp Pp
or on P
sait que i ni = nP et que i ni xi = nµx
donc pi ni (xi − µP 2
x) =
p 2 2
i ni xi − nµxP
donc var (x) = n ( i ni xi − nµx ) = n ( pi ni xi2 ) − µ2x
1 p 2 2 1

Julien CLAUDE () Description de la variabilité September 15, 2023 22 / 26

Estimation de la variance à partir d’un échantillon

p
1 X
σ̂x2 = (xi − µ̂x )2
n−1
i

Le développement de Koenig donne:

p
1 X 2 n
σ̂x2 =( xi ) − µ̂2
n−1 n−1 x
i

Julien CLAUDE () Description de la variabilité September 15, 2023 23 / 26

Correction de Bessel: démonstration
Démonstration Pn
(xi −µx )2
Soit la variance de la population: σx2 = i
n Pn
(x −µ̂ )2
Soit la quantité analogue mais calculer sur un échantillon: Sx2 = i in x
On va alors chercher à calculer l’espérance de leur différence (c.a.d., ce qui
est attendu en moyenne de leur différence).
1 Pp
2 2 (xi − µx )2 − n1 pi (xi − µ̂x )2 ]
P
E[σx − Sx ] = E[ n iP
= E[ n1 Ppi ((xi2 − 2µx xi + µ2x ) − (xi2 − 2µ̂x xi + µ̂2x ))]
= E[ n1 pi (µ2x − µ̂P2 + 2x (µ̂ − µ ))]
x i x x
= E[µx − µ̂x + n pi (2xi (µ̂x − µx ))]
2 2 1

= E[µ2x − µ̂2x + 2µ̂x (µ̂x − µx )]

= E[µ2x + µ̂2x − 2µ̂x µx ]
= E[(µ̂x − µx )2 ]
= Var (µ̂x )
2
On sait que Var (µ̂x ) = σnx
σx2 σx2
donc E[σx2 − Sx2 ] = n ⇒ Eσx2 − ESx2 = n
σx2 n−1 2
donc ESx2 = σx2 − n = n σx .
Julien CLAUDE () Description de la variabilité September 15, 2023 24 / 26
Estimation de la variance

Le comportement de la variance pour

un échantillon compte tenu de la
variabilité de la population est connu.

σ̂ 2
(n − 1) ∼ χ2
σ2
à n−1 degrés de liberté

Julien CLAUDE () Description de la variabilité September 15, 2023 25 / 26

Boı̂tes à moustaches et valeur extrêmes

Julien CLAUDE () Description de la variabilité September 15, 2023 26 / 26