4

02
TABLE DES MATIÈRES

1- 2
1. Distributions statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1. Vocabulaire de la statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

C
1.2. Types de caractères . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Effectifs et fréquences cumulés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

P-T
2. Séries statistiques à un caractère . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1. Représentations graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2. Caractéristiques associées à une variable statistique . . . . . . . . . . . . . . 9
3. Statistique à deux variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.1. Distribution individuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

4.
SF
3.2. Distribution conjointe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Les indices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
19
4.2. Indices simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
t-I
4.3. Indices synthétiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Sta

1
 4
02
INTRODUCTION

1- 2
La statistique désigne à la fois un ensemble de données et l’ensemble des acti-

C
vités consistant à collecter ces données, à les traiter et à les interpréter. Ayant
pour objet d’exploiter et d’interpréter l’information contenue dans les données
le plus souvent entachées de variations et d’incertitudes, les méthodes statis-

P-T
tiques recouvrent :
v La statistique descriptive dont le but est de traduire l’information sous
forme synthétique et efficace et de dégager les caractéristiques majeures
du phénomène étudié ;

SF
v La statistique inférentielle (dite mathématique) qui, à partir des don-
nées contenues dans un échantillon, vise à formuler prévisions et dé-
cisions étendues à toute une population ce qui requiert modélisation
t-I
probabiliste et évaluation des risques d’erreurs.
C’est le premier aspect qui est développé dans ce cours.
Les applications quasi universelles des méthodes statistiques touchent les do-
Sta

maines les plus divers comme l’économie (évaluation des ressources, de l’état
des stocks), la biologie (évolution des espèces), l’agriculture (rendement et pro-
cédés), la médecine (diagnostics et expérimentation des traitements), la poli-
tique (sondage), l’industrie (contrôle de qualité, gestion de stock, organisation
scientifique du travail),...

2
 Si k est le nombre de modalité du caractère X, alors on note xi , la i ème modalité
de X. Ainsi à chaque modalité xi de X, on peut associer le nombre d’individus
de la population présentant cette modalité, appelé son effectif et noté ni . Donc
la taille ou l’effectif total de la population est :

4
k
CHAPTER 1 (1.1) n = n1 + n2 + . . . + nk =
X
ni

02
i=1

Déf 1.4. On appelle série statistique, la liste des modalités successives prisent
DISTRIBUTIONS STATISTIQUES
par chacun des individus.

1- 2
Une série statistique contient l’ensemble de l’information à analyser mais peut
être difficile à appréhender dans ça globalité si le nombre d’individus est im-
portant. Pour organiser une série statistique, on commence à faire un tableau
statistique contenant au moins deux colonnes ou deux lignes :
v la première donne la liste des modalités,
1.1. Vocabulaire de la statistique

C
v la seconde, les effectifs correspondants.
À l’origine, la statistique était utilisé en démographie, ce qui explique son vo-

P-T
cabulaire. Modalités : xi x1 x2 . . . xk
Déf 1.1. On appelle population l’ensemble sur lequel porte une étude statis-
Effectifs : ni n1 n2 . . . nk
tique. Chaque élément de la population est appelé individu ou unité statis-
Table 1. Tableau statistique
tique. Toute partie de la population est appelée échantillon.
Rm 1.1. Toute étude statistique doit définir avec précision la population étu-
diée. SF
Déf 1.2. Le nombre d’individus qui constituent une population est appelé sa
Le processus qui consiste à faire cette organisation s’appelle un dépouillement.
Rm 1.3. S’il existe un ordre dans les modalités, elles sont rangées par ordre
taille ou son effectif total. croissant dans le tableau statistique.
t-I
Déf 1.3. On appelle caractère(s) ou variable(s) statistique, la (les) propriété(s) Déf 1.5. On appelle fréquence de la modalité xi du caractère X, le quotient de
étudiée(s) sur la population. Dans une étude statistique, un caractère peut va- son effectif ni par l’effectif totale n :
rier d’un individu à un autre. On appelle modalités les différentes valeurs pos- ni
Sta

sible d’un caractère. (1.2) fi = , pour i ∈ J1, kK

n
Rm 1.2. Les modalités d’un caractère doivent être incompatibles entre elles et Rm 1.4. Pour une série statistique (xi , ni ), i ∈ J1, kK, on a :
exhaustives i.e. qu’un individus ne possède qu’une et une seule modalité du v 0 ≤ fi ≤ 1, pour tout i ∈ J1, kK,
caractère. k
X
v f1 + f2 + . . . + fk = fi = 1.
i=1
3
Chapter 1. Distributions statistiques

1.2. Types de caractères v amplitude de la classe, le réel ai = ei+1 − ei ,

e +e
v centre de la classe, le réel ci = i+1 i ,
On distingue deux grandes catégories de caractères : Si les modalités d’un ca- 2
ractère sont mesurables ou sont le résultat d’un comptage, on dit qu’il est quan- fi
v densité de la classe, le réel di = .
titatif, sinon il est dit qualitatif. ai

4
Exem 1.1. On considère les quatre caractères suivants relatifs au 42 salariés 1.3. Effectifs et fréquences cumulés

02
d’une entreprise :
Dans cette section, X désigne un caractère quantitatif ou qualitatif ordonné à k
v X : « type de poste occupé » dont les modalités sont : maintenance, pro-
modalités x1 , . . . , xk d’effectif respectif n1 , . . . , nk .
duction, administration ;
Déf 1.6. On appelle effectif cumulé croissant de la modalité xi de X, le nombre

1- 2
v Y : « opinion sur l’entreprise » dont les modalités sont 1 pour très mau- d’individus de la population possédant une modalité inférieure ou égale à xi .
vaise, 2 pour plutôt mauvaise, 3 pour indifférent, 4 pour plutôt bonne, On le note ECCi .
5 pour très bonne ; 
 n1
 si i = 1
v Z : « nombre d’enfants à charge » dont les modalités sont les entiers ECCi =  ECC + n si i ∈ J2, kK
i−1 i
compris entre 0 et 6 ;

C
v T : « rémunération mensuelle » dont les modalités sont exprimées en Déf 1.7. On appelle effectif cumulé décroissant de la modalité xi de X, le
francs et vont de 40 000 à 200 000. nombre d’individus de la population possédant une modalité supérieure ou

P-T
égale à xi . On le note ECDi .
On suppose que toutes les listes de modalités sont exhaustives.

Les caractères X et Y sont ................... tandis que Z et T sont ................... Toutefois  n
 si i = 1
ECDi = 
à l’intérieur de chaque groupe, il existe une différence.  ECD − n
i−1 i−1 si i ∈ J2, kK

SF
§ 1. Caractères qualitatifs. Si un caractère qualitatif à une structure d’ordre
dans ses modalités, on dit qu’il est ordinal ou qualitatif ordonné. Dans le cas
contraire, on dit qu’il est nominal ou qualitatif pur. Dans l’exemple 1.1, .........
Déf 1.8. On appelle fréquence cumulée croissante de la modalité xi de X, la
proportion d’individus de la population possédant une modalité inférieure ou
égale à xi . On le note FCCi . Donc,
t-I
est pur et ................ est ordinal. ECCi
FCCi = .
n
§ 2. Caractères quantitatifs. Un caractère quantitatif est dit continu si ses
Déf 1.9. On appelle fréquence cumulée décroissante de la modalité xi de X,
modalités peuvent être toutes les valeurs possibles d’un intervalle donné, si-
Sta

la proportion d’individus de la population possédant une modalité supérieure

non il est dit discret. Dan l’exemple 1.1, ........... est quantitatif discret et ...........
ou égale à xi . On le note FCDi . Donc,
est quantitatif continu.
On distingue plutôt parmi les caractères quantitatifs, les caractères discrets et ECDi
FCDi = .
les caractères regroupés en classes assimilés au caractères continus pour le trai- n
tement statistique. Les classes sont les intervalles de la forme, [ei , ei+1 [. Pour une Exo 1.1. Le taux de glucose sanguin déterminé chez 32 sujets est donné ci-
classe [ei , ei+1 [, on appelle dessous en g/` :
13 décembre 2023 4 Dr. M. Barro
 1.3. Effectifs et fréquences cumulés

0,85 0,87 0,90 0,93 0,94 0,94 0,95 0,97 0,97

0,99 1 1,01 1,03 1,03 1,03 1,04 1,06 1,07
1,10 1,10 1,11 1,13 1,14 1,14 1,15 1,17 1,19
0,98 0,98 1,08 1,08 1,2

4
1. Comment appelle-t-on cette collection de nombre ?
2. Quel est le caractère étudié ? quelle est sa nature ?

02
3. Regrouper ces valeurs en classes de glycémie.
4. En utilisant la question 3., déterminer les effectifs cumulés croissants et
décroissants de cette distribution.

1- 2
5. Un laborantin affirme que 90% des sujets on une glycémie supérieur à
0,91g/`. Qu’en pensez-vous ?
Indication : si les amplitudes des classes ne sont pas précisées alors on sup-
pose qu’elles sont identiques et on calcul l’amplitude commune a de la façon

C
suivante :
Plus grande valeur observée - Plus petite valeur observée
a= .

P-T
racine carrée de la taille
Sol 1.1.

SF
t-I
Sta

13 décembre 2023 5 Dr. M. Barro

 Exo 2.1. On considère la distribution de 42 salarié d’une entreprise selon le
type de poste occupé.
Poste Manutention Production Administration
Effectif 14 21 7

4
Construire le diagramme à bande de la distribution des employés de l’entre-
CHAPTER 2

02
prise selon le type de poste occupé.
Sol 2.1.

SÉRIES STATISTIQUES À UN CARACTÈRE

1- 2
C
Il s’agit de la partie de la statistique descriptive concernant l’étude d’un seul
caractère. On cherche à résumer l’information contenue dans une série statis-

P-T
tique à un caractère. On utilise soit des représentations graphiques soit des
paramètres synthétiques.

2.1. Représentations graphiques

SF
Elles dépendent du type de caractère étudié ; mais elles doivent toutes porter
un titre et éventuellement les noms des axes et une échelle. Elles permettent de
mieux visualiser dans le plan la répartition des individus.
t-I
2.1.1. Caractère qualitatif § 2. Diagramme circulaire (ou camembert).

§ 1. diagramme à bandes.
La hauteur de la bande associée à Les secteurs angulaires sont propor- x2 , f2
Sta

la modalité xi de X est proportion- eff tionnels aux fréquences. Une simple

n2
règle de trois permet de trouver le sec- x1 , f1
nelle à l’effectif ou à la fréquence nk
de cette modalité. Les modalité de teur angulaire correspondant à la mo- ..
.
X sont dans un ordre quelconque n1 dalité xi :
xk , fk
si la variable est nominale dans 360ni
...
l’ordre croissant si la variable est x1 x2 xk
mod αi = 360fi = .
Diagramme à bande n
ordinale.
Diagramme circulaire
6
 2.1. Représentations graphiques

Exo 2.2. On reprend les données de l’exercice 2.1. 2.1.2. Caractère quantitatif
1. Calculer les fréquences de cette distribution. On peut faire deux types de graphiques selon que l’on considère les effectifs(ou
2. Construire le diagramme circulaire de cette série statistique . fréquences) simples d’une part, les effectifs(ou les fréquences) cumulés d’autre
Sol 2.2. part.

4
§ 1. Caractère discret. Soit le caractère quantitatif discret X prenant les va-

02
leurs x1 ; . . . ; xk avec des effectifs respectifs n1 ; . . . ; nk . On trace un diagramme
en bâtonsoù la hauteur des bâtons est proportionnelle à l’effectif (ou la fré-
quence) des modalités. L’axe des modalités de X est orienté et porte des unités.

1- 2
On peut aussi tracer le diagramme des effectifs ou des fréquences cumulés.
eff
n2

nk

C
n1

...

P-T
x1 x2 xk X
Diagramme en bâtons des effectifs

Exo 2.3. On considère la distribution de 42 salariés d’entreprise selon le nombre

d’enfants à charge X :

SF X 0 1 2 3 4 6
Effectif 9 14 10 6 2 1
1. Construire le diagramme en bâton des effectifs de cette série.
§ 3. La représentation cartographique.
t-I
2. Construire le diagramme en bâton des fréquences cumulés croissantes
Dans le cas particulier des données
géographiques, on peut utiliser une de cette distribution.
représentation cartographique fi- Sol 2.3.
gurative, avec les couleurs, des fi-
Sta

gures, des cercles, ..., différents se-

lon l’effectif ou la fréquence du ca-
ractère dans les différentes zones
géographiques considérées.
Rm 2.1. Dans le cas d’un caractère qualitatif observé sur plusieurs popula-
tions, on peut utiliser un diagramme à bandes juxtaposées ou superposées (voir
TD pour des exemples).
13 décembre 2023 7 Dr. M. Barro
Chapter 2. Séries statistiques à un caractère

Rm 2.2. Dans certain cas, on peut être amener à tracer la ligne polygonale des
effectifs (ou des fréquences) en joignant par des segments de droite les milieux
ci des largeurs supérieures des rectangles de l’histogramme des effectifs (ou des
fréquences).

4
Exo 2.4. On considère la répartition de 42 salariés d’une entreprise selon le

02
niveau de rémunération mensuelle en dizaines de milliers de francs. Compléter
le tableau suivant puis tracer l’histogramme des effectifs ou des fréquences.

Classe [ 4 ; 10[ [ 10 ; 15[ [ 15 ; 20[

1- 2
Déf 2.1. On appelle fonction de répartition d’un caractère quantitatif discret ni 14 21 7
R
X, la fonction FX : → [0; 1] définie par n0i
 fi
 0 si x < x1
di



FX (x) =  FCCi si xi ≤ x < xi+1 , i ∈ J1, k − 1K


 Sol 2.4.
 1 si xk ≤ x

C


§ 2. Caractère continu (ou regrouper en classes). On trace un histogramme

P-T
des fréquences (resp. effectifs) où l’axe des modalités de X est orienté et les
classes sont repérées par leurs extrémités qui déterminent la largeur des bandes !
n
et où la hauteur des bandes est la densité di des classes resp. l’eff corrigé n0i = i .
ai
Dans un histogramme c’est l’aire du rectangle qui est proportionnelle à la fré-
quence (resp. à l’effectif).
n0i ou di
SF
t-I
Sta

e1 e2 e3 ... ek ek+1 classes

Histogramme

13 décembre 2023 8 Dr. M. Barro

 2.2. Caractéristiques associées à une variable statistique

Déf 2.2. On appelle fonction de répartition d’un caractère quantitatif X re- 2.2. Caractéristiques associées à une variable statistique
R
groupé en classe la fonction FX : → [0; 1] définie par
Pour « résumer » l’information contenue dans une série statistique, on défini un


 0 si x < e1 certain nombre de caractéristiques. On distingue principalement deux grands

 FCCi − FCCi−1

4

 groupes :
FX (x) =  (x − ei ) + FCCi−1 si ei ≤ x < ei+1 , i ∈ J1, k − 1K


 ei+1 − ei (1) Les unes, dites de position ou encore de tendance centrale servent à

02

 1 si ek+1 ≤ x
préciser où se situe l’essentiel des individus de la série ;
Déf 2.3. Soit X un caractère quantitatif regroupé en k classe. On appelle (2) Les autres, dites de dispersion vont servir à évaluer la plus ou moins
v courbe cumulative croissante de X, la courbe obtenue en joint par des forte concentration des individus de la série autour de l’élément central.

1- 2
segments de droite les points de coordonnées 2.2.1. Les caractéristiques de position
(ei , FCCi−1 ) pour i ∈ J1, k + 1K avec FCC0 = 0. § 1. Le mode. Le mode d’une série statistique (sauf pour les variables regrou-
pées en classes), noté Mo est la modalité de la variable qui correspondant à l’ef-
v courbe cumulative décroissante de X, la courbe obtenue en joint par fectif le plus élevé. Pour une variable regroupée en classes, on définit la classe
des segments de droite les points de coordonnées modale comme la classe de densité la plus élevée. Dans ce cas le mode est

C
(ei , FCDi ) pour i ∈ J1, k + 1K avec FCCk+1 = 0. déterminé par
d1

P-T
Exo 2.5. Avec les données de l’exercice 2.4, construire les courbes cumulatives Mo = em + am × .
d1 + d2
croissantes et décroissante de cette série statistique.
Sol 2.5.

SF
t-I
Sta

Si on suppose que le caractère est uniformément réparti alors le mode est le

centre de la classe modale. Si la série a un seul mode, on parle de série unimo-
dale, deux modes, de série bimodale, etc.
Exem 2.1.
1. Avec les données de l’exercice 2.1, le mode est .....................
2. Avec les données de l’exercice 2.4, le mode est .....................

13 décembre 2023 9 Dr. M. Barro

Chapter 2. Séries statistiques à un caractère

§ 2. La médiane. La médiane d’un caractère quantitatif ou qualitatif ordinal Exo 2.7. Déterminer la médiane de la série de l’exercice 2.4.
notée Me est la valeur, observée ou possible, dans la série des données clas- Sol 2.7.
sées par ordre croissant (ou décroissant) qui partage cette série en deux parties
comprenant exactement le même nombre de données de part et d’autre de Me .

4
(2.1) FX (Me ) = 0, 5.

02
Règle de détermination de la médiane :
1. Cas d’un caractère ordinal ou discret avec une population de taille n :

x( n+1 ) si n est impair

1- 2


2




Me = 

x n + x( n +1)
 (2)


2

 si n est pair
2

§ 3. La moyenne arithmétique. La moyenne arithmétique, pour une série quan-
où x(i) est la i ème valeur de la série classée par ordre (dé)croissant. titative X, notée X̄ est définie par la somme des valeurs de X divisée par la taille

C
2. Cas où le caractère est regroupé en classes : n de la population. Ainsi :
n
2− ECCm−1 v Si X est discret prenant des modalités différentes x1 ; . . . ; xk avec des ef-

P-T
Me = em + (e −e ) ,
ECCm − ECCm−1 m+1 m fectifs n1 ; . . . ; nk alors
où k k
1X X
n X= ni xi = fi xi .
v [em , em+1 [ est la classe médiane est tel que ECCm−1 ≤ < ECCm , n
2 i=1 i=1

v ECCm est l’ECC de la classe médiane.

Exo 2.6. Déterminer la médiane de la série de l’exercice 2.3.
SF
v ECCm−1 est l’ECC de la classe précédent la classe médiane,
v Lorsque la variable est regroupée en classes, on remplace dans la for-
e +e
mule ci-dessus xi par ci = i i+1 le centre de la classe [ei ; ei+1 [ :
2
k k
t-I
Sol 2.6. 1X X
X= ni ci = fi ci .
n
i=1 i=1

Prop 2.1.
Sta

(1) Si on fait un changement de variable de la forme yi = axi + b où a et b

sont deux réels alors Y = aX + b ;
(2) Si on mélange deux échantillon de taille respectives nA et nB de moyenne
respectives xA et xB alors la moyenne arithmétique de l’ensemble est :
nA xA + nB xB
(2.2) X= .
nA + nB
13 décembre 2023 10 Dr. M. Barro
 2.2. Caractéristiques associées à une variable statistique

Rm 2.3. § 2. Écarts interquantiles. Pour un caractère ordinal ou quantitatif, on définit

à La moyenne arithmétique permet de résumer par un seul nombre la le quantile d’ordre q (0<q<1) noté X[q] par la valeur de la variable (dans la série
série statistique ; classée par ordre croissante) qui corresponde à la fréquence cumulée croissante
q:

4
à Elle prend en compte toutes les valeurs de la série et elle est facile à
FX (X[q] ) = q.
calculer ;

02
Dans la pratique seuls certains quantiles sont utilisées :
à Elle est sensible aux valeurs extrêmes, il est parfois nécessaire de sup-
primer des valeurs extrêmes ou « aberrantes ». (1) La médiane : q = 21 ;
(2) Les quartiles : q ∈ { 14 , 12 , 43 }

1- 2
§ 4. Autres moyennes. : Soit X = (xi ; ni )1≤i≤k une série statistiques quantita- 1
v le 1er quartile Q1 est tel que 4 des individus ont une modalité infé-
tive.
rieure à Q1 ;
(1) La moyenne quadratique de X, notée QX est définie par :
v le 2e quartile est la médiane ;
v
u
t k
1X v le 3e quartile Q3 est tel que 34 des individus ont une modalité infé-
QX = ni xi2 ;

C
n rieure à Q3 .
i=1
i
 
(3) Les déciles : q ∈ | i ∈ J1, 9K ;
(2) Si les xi sont positives alors la moyenne géométrique de X, notée GX est 10

P-T
définie par : i
 
(4) Les centiles : q ∈ | i ∈ J1, 99K ;
 k 1 100
q Y  n Rm 2.4.
n n n n

GX = n x1 1 × x2 2 × . . . × xk k =  xi i  .

i=1 (1) Les quantiles servent à définir des paramètres de dispersion. Par exemple,

notée HX est définie par :

SF
(3) Si les xi sont strictement positives alors la moyenne harmonique de X,
l’écart interquartile (resp. interdécile) d’une série statistique quantita-
tive est la différence entre le plus grand et le plus petit quartile (resp.
décile). Il donne la largeur d’un intervalle contenant 50% (resp. 80%)
n
t-I
HX = . des individus de la population considérée.
n1
x1 + n2
x2 + . . . + nxk
k
(2) Les quantiles permettent aussi une représentation de la série sous forme
2.2.2. Caractéristiques de dispersion de boîtes et moustaches encore appelé diagramme de Tukey : Sur un
axe horizontal, la boîte est limitée par le 1er et 3e quartile, la barre in-
Sta

Les paramètres de tendance centrale ne suffisent pas à caractériser une série

statistique car ils ne précisent pas l’écart entre ces valeurs. termédiaire correspond à la médiane, la moustache gauche correspond
à la plus petite valeur, la moustache droite correspond à la plus grande
§ 1. Étendu. L’étendu ou intervalle de variation d’une série statistique se dé- valeur. Enfin, la largeur du rectangle est proportionnelle à la racine car-
finit uniquement pour les caractères quantitatifs, comme la différence entre la rée de la taille de la population. La comparaison visuelle de différentes
plus grande et la plus petite des valeurs de la série. populations même de tailles différentes est très rapide avec ce type de
graphique.
13 décembre 2023 11 Dr. M. Barro
Chapter 2. Séries statistiques à un caractère

Exo 2.8. Dans trois entreprises internationale d’un même secteur A, B et C, on L’écart-type de X noté σX est la racine carrée de la variance :
s’intéresse aux salaires mensuels exprimés dans la même unité. p
(2.4) σX = var(X).
Entr. Taille min Q1 Me Q3 max
A 125 10500 16 000 20000 22000 27000 Il mesure la distribution des valeurs de la série autour de la moyenne.

4
B 75 10000 13 500 15000 17000 25000 Prop 2.2. Si on fait un changement de variable de la forme yi = axi + b où a et b
C 25 8500 11 000 12500 14000 20500 sont deux réels alors var(Y) = a2 var(X). Par conséquent σY = |a|σX .

02
Réaliser une comparaison visuelle immédiate de ces séries statistique. Prop 2.3. Si on mélange deux populations de taille respectives nA et nB de
Sol 2.8. moyennes respectives xA et x̄B , de variances respectives σA2 , σB2 alors la variance
de l’ensemble est

1- 2
nA σA2 + nB σB2 nA (xA − X)2 + nB (xB − X̄)2
(2.5) σ2 = +
nA + nB nA + nB
Rm 2.5. L’écart-type est exprimé dans la même unité que la moyenne. Ce pen-
dant si l’on veut comparer deux écarts types associés à des caractères diffé-

C
rents ils peuvent avoir des unités différentes ou être mesurés par rapport à des
moyennes d’ordre de grandeur très différents. On définit pour cela une carac-

P-T
téristique de dispersion relative : Le coefficient de variation ou coefficient de
σ
dispersion qui est un nombre sans unité : cvX = X .
X
Rm 2.6. Il existe d’autres paramètres caractéristiques d’une série statistique.
§ 3. Écart Moyen. L’écart moyen d’une série statistique est la moyenne pon- Par exemple les caractéristiques de forme comme les moments centrés d’ordres
r ∈ N∗ définie par :
de tendance centrale a :

k
SF
dérée des valeurs absolues des écarts entre la modalité xi et une caractéristique

µr =
1X
n
k
ni (xi − X̄)r .
i=1
1X
t-I
EMa = ni |xi − a| . Il est plus petit si a = Me .
n Exo 2.9. Dans un service de cancérologie, on a constitué par tirage au sort deux
i=1
groupe de 35 sujets chacun atteints d’un cancer dont l’un reçoit un traitement
et l’autre n’en reçoit pas. Cinq ans plus tard, on fait des observations concer-
Sta

§ 4. Variance et écart-type. La variance d’une série statistique, notée var(X) nant leur durée de survie exprimée en années. Les résultats sont indiqués ci-
est défini par : dessous :
v Groupe traité
k k
1X  2 1 X 2 1,5 2,2 2,7 2,7 2,8 2,9 3,1 3,1 3,1 3,2 3,3 3,3
(2.3) var(X) = ni xi − X = ni xi2 − X . 3,4 3,4 3,4 3,5 3,5 3,6 3,7 3,7 3,7 3,7 3,8 3,8
n n
i=1 i=1 3,8 3,8 3,9 3,9 4,0 4,3 4,4 4,7 4,7 4,9 5,0
Si le caractère est regroupé en classe on remplace xi par le centre de la classe ci . v : Groupe témoin
13 décembre 2023 12 Dr. M. Barro
 2.2. Caractéristiques associées à une variable statistique

1,5 1,6 1,8 1,9 2,0 2,1 2,1 2,2 2,3 2,4 2,5 2,7
2,8 2,8 2,9 2,9 2,9 3,0 3,0 3,0 3,1 3,1 3,1 3,2
3,2 3,2 3,3 3,5 3,6 3,7 3,9 4,0 4,3 4,5 5,0
1. Comment appelle-t-on cette collection de nombres ? Quel est le carac-

4
tère étudié ? Sa nature ?
2. Regrouper ces valeurs en classe de durée de survie pour chaque groupe

02
puis construire les deux diagrammes qui conviennent.
3. Rechercher le mode, la moyenne la médiane et la variance pour chaque
distribution.

1- 2
4. La durée moyenne de survie chez les sujets traités est-elle plus grande
que celle chez les sujets témoins ? La dispersion des durées de survie
est-elle pratiquement la même ?
Sol 2.9.

C
P-T
SF
t-I
Sta

13 décembre 2023 13 Dr. M. Barro

 Exo 3.1. La production annuelle (en tonnes) d’une entreprise alimentaire a
évolué comme suit :
rang de l’année :x 0 1 2 3 4 5 6 7

4
Production :y 58 60 62 65 68 70 72 74
CHAPTER 3

02
Construire le nuage de points de cette distribution.
Sol 3.1.

STATISTIQUE À DEUX VARIABLES

1- 2
C
3.1. Distribution individuelle

On considère deux variables quantitatives x et y définies sur la même popu-

P-T
lation de taille n. On dispose donc de n couples (xi , yi ), i ∈ {1; . . . ; n} et on peut
placer les données dans un tableau dans lequel on ne regroupe pas les individus
possédant les même modalités. On obtient alors le tableau suivant correspon- 3.1.2. Point moyen
dant à une distribution individuelle. On appelle point moyen de la série statistique (xi , yi )1≤i≤n , le point G(x , y) où

Y
x1 x2 . . . xn

y1 y2 . . . yn
SF x représente la moyenne arithmétique des xi et y celle des yi :

(3.1) x=
1X
n
n
xi et y =
1X
n
n
yi .
i=1 i=1
t-I
Distribution individuelle
Exem 3.1. Le point moyen de la distribution de l’exercice 3.1 est :
3.1.1. Nuage de points G(− − − − −− ; − − − − −).
La représentation graphique la
Sta

y Nuage de points
plus naturelle consiste à considérer
chaque couple (xi , yi ) comme les ×
coordonnées d’un point Mi dans un × ×
×
plan muni d’un repère. L’ensemble ×
des points Mi forme un nuage de
points. x Rm 3.1. Le point moyen est une caractéristique de tendance centrale de la sé-
rie.
14
 3.1. Distribution individuelle

3.1.3. La covariance prévoir ou d’estimer une des variables connaissant l’autre(en utilisant une ex-
Pour chaque série statistique unidimensionnelle dont la variable est quantita- pression algébrique de cette représentation).
tive, on peut calculer sa variance pour mesurer la dispersion des individus au- [Link]. Ajustement affine
tour de leur moyenne. La généralisation de cette mesure de dispersion dans le

4
Plusieurs méthodes existent dans la littérature :
cas d’un couple de variable est la mesure de la dispersion des points du nuage
(1) Méthode empirique : on peut tracer à main levée une droite qui passe

02
autour du point moyen. C’est cette mesure que l’on appelle la covariance de la
le plus près possible de l’ensemble des points du nuage. Cette méthode
série double (xi , yi )1≤i≤N noté cov(x, y) et définie par :
est déconseillée car elle conduit à plusieurs solutions possibles.
n
1X (2) Méthode de Mayer : La méthode de Mayer consiste à diviser la série en
(3.2) cov(x, y) = (xi − x) (yi − y) .

1- 2
n deux séries : celui des points d’abscisses inférieur à la médiane de X et
i=1

Rm 3.2. celui des points d’abscisse supérieur à la médiane de x ; à déterminer les

v Il est assez facile de vérifier que coordonnées des points moyens G1 et G2 de ces deux séries. L’ajustement
 n  sera alors la droite (G1 G2 ).
 1 X 
(3.3) cov(x, y) =  xi yi  − x y . Rm 3.3.

C
n
i=1 v G1 (x1 , y 1 ) et G2 (x2 , y 2 ) appartiennent à la droite (∆) : y = ax + b alors
Cette formule est connue sous le nom de la formule de König-Huygens (a, b) est une solution du système suivant :

P-T

et est utile en pratique. ax1 + b = y 1
 y1 − y2 x1 y 2 − x2 y 1
⇐⇒ a = et b = .
ax + b = y . x1 − x2 x1 − x2

v Contrairement à la variance, la covariance peut-être négative. 2 2
Exem 3.2. La covariance de la distribution de l’exercice 3.1 est v Il existe dans la littérature d’autre techniques de partage de la série
en deux séries pour la méthode de Mayer.
cov(x, y) = − − − − − − − − − − −−
SF Exem 3.3. Avec les données de l’exercice 3.1, l’équation de la droite
d’ajustement par la méthode de Mayer de la production en fonction de
l’année : - - - - - - - - - - - -
t-I

3.1.4. Ajustement
Sta

Un des objectifs majeurs dans l’étude des séries doubles est de voir s’il y a
corrélation entre les deux caractères c’est-à-dire si l’un varie en fonction de
l’autre. Il ne faut surtout pas confondre une corrélation et une relation de cause
à effet. Par exemple xi et yi peuvent mesurer deux effets d’une même cause.
Un ajustement est une représentation graphique qui s’approche le plus possible
du nuage de points d’une série statistique à deux variables. Il nous permet de
13 décembre 2023 15 Dr. M. Barro
Chapter 3. Statistique à deux variables

(3) Méthode des moindres carrés : Afin d’apprécier la qualité d’un ajustement affine, nous allons introduire un
Soient la série statistique (xi ; yi )1≤i≤n dont la forme du nuage de point nouveau paramètre : le coefficient de corrélation linéaire.
est celle d’une droite. On cherche alors une équation de cette droite de
+ Définition : le coefficient de corrélation linéaire d’une série double de
la forme y = ax + b. L’idée de la méthode des moindres carrés est de

4
variables X et Y est le réel r défini par :
déterminée les réels a et b tel que l’erreur d’approximation

02
n  2 cov(X, Y )
(3.6) ρxy = .
X
e(a, b) = yi − (axi + b) σx σy
i=1

soit minimale. On démonter mais nous admettons que le couple (a; b) Exem 3.5. Le coefficient de corrélation linéaire de la série de l’exercice

1- 2
solution de ce problème est : sur tonnage kilométrique est :

cov(x, y) ρxy = − − − − − − − − − − − − − − −
(3.4) a= et b = y − ax .
var(x)

Rm 3.4. Si on cherche un ajuste linéaire de x en y de la forme x = a0 y +b0

C
alors les réels a0 et b0 déterminés par la méthode des moindres carrées
sont :

P-T
cov(x, y)
(3.5) a0 = et b0 = x − a0 y .
var(y)

Exem 3.4. Avec les données de l’exercice 3.1, l’équation de la droite d’ajus-
tement par la méthode des moindres carrés de la production en fonction de
l’année est : - - - - - - - - - - - -.
SF + Propriétés :
5 ρxy est un nombre réel qui est du même signe que cov(x, y) ;
5 cov(x, y), ρxy , a et a0 sont de même signe ;
5 On démontre mais nous admettons que −1 ≤ ρxy ≤ 1.
t-I
+ Interprétation : il existe une « bonne » (ou une « forte ») corrélation
entre x et y lorsque |ρxy | est suffisamment voisin de 1. Dans chaque sec-
Sta

teur scientifique, on choisit pour quelle valeurs de ρxy , la corrélation est

jugée suffisante pour pouvoir effectuer un ajustement affine. D’un sec-
teur technologique à un autre les exigences peuvent varier pour ρxy :
de 0, 5 ≤ |ρxy | ≤ 1(dans le bâtiment) à 0, 999 ≤ |ρxy | ≤ 1(dans la micro-
technique, la santé, la maintenance,. . .). Dans le cadre académique, nous
dirons que |ρxy | est suffisamment voisin de 1 si 0, 75 ≤ |ρxy | ≤ 1 et dans
ce cas, nous disons qu’un ajustement affine est justifié.
13 décembre 2023 16 Dr. M. Barro
 3.2. Distribution conjointe

[Link]. Autre ajustement variable qualitative y (ou les centres des ` classes associées à y). A chaque in-
La forme du nuage peut nous rappeler celle d’une fonction usuelle autre que dividu de la population est toujours associé un couple de modalités (xi , yj ).
les fonction affine. Dans ce cas, un changement de variable judicieux permet de On présent alors la distribution des n individus de la population sous forme
ramener le problème de liaison entre entre x et y à celui d’une recherche d’une d’un tableau à double entré : tableau de contingence observé dans lequel nij

4
corrélation linéaire. On présent ici quelques uns des cas les plus fréquents : représente le nombre d’individus de la population présentant les caractères xi
de x et yj de y

02
§ 1. Ajustement exponentiel. y
y y1 ... yj ... y`
Soit (xi ; yi )1≤i≤n (avec yi > 0) une x
×
série statistique dont la forme du x1 n11 . . . n1j . . . n1`

1- 2
nuage de points fait penser à la × .. .. .. ..
× . . . .
courbe représentative de la fonc- × xi ni1 . . . nij . . . ni`
tion exponentielle. Alors on consi-
x .. .. .. ..
dère la série (xi ; ln yi )1≤i≤n . . . . .
xk nk1 . . . nkj . . . nk`
§ 2. Ajustement logarithmique.

C
Tableau de contingence
Soit (xi ; yi )1≤i≤n une série statis- y
tique dont la forme du nuage de

P-T
3.2.2. Distribution marginale
points fait penser à la courbe repré-
sentative de la fonction logarith- × × On appelle distribution marginale, la distribution des individus suivant l’un
××
mique. Alors on considère la série ××
des caractères quelque soit leur modalités sur l’autre. On note ni. le nombre
(xi ; eyi )1≤i≤n . x
d’individus présentant la modalité xi de x quelque soit leur modalité sur y .

§ 3. Ajustement quadratique.
Soit (xi ; yi )1≤i≤n une série statis-
tique (avec yi ≥ 0) dont la forme
y
×
SF Donc ni. =
X̀
nij . De même, on note n.j le nombre d’individus présentant la
j=1

modalité yj de y quelque soit leur modalité sur x. Donc n.j =

k
X
nij . On appelle
du nuage de points fait penser à
t-I
la courbe représentative de la fonc- × i=1
× distribution marginale de x (resp. y) la série (xi ; ni. ) (resp. (yj ; n.j )).
tion carrée. Alors on considère la
√ x
série (xi ; yi )1≤i≤n .
k
Sta

X X̀
Rm 3.5. ni. = n.j = n.
i=1 j=1

3.2. Distribution conjointe On peut calculer les fréquences de chaque couple ainsi que les fréquences mar-
ginales en x et en y :
3.2.1. Tableau de contingence n
v fréquence marginale de xi : fi. = i. ;
n
Soient {x1 ; x2 ; . . . ; xi ; . . . ; xk } les k modalités de la variable qualitative x (ou les n.j
v fréquence marginale de yj : f.j = ;
centres des k classes associées à x) et {y1 ; y2 ; . . . ; yj ; . . . ; y` } les ` modalités de la n
13 décembre 2023 17 Dr. M. Barro
Chapter 3. Statistique à deux variables

k X̀ k y
[3 ; 4[ [4 ; 5[ [5 ; 6[
X X X̀
Rm 3.6. fij = fi. = f.j = 1 x
i=1 j=1 i=1 j=1 [ 7; 8 [ 19 7 1
[ 8; 9 [ 32 21 12
3.2.3. Distributions conditionnelles

4
  [ 9 ; 10 [ 3 18 28
La distribution conditionnelle de x sachant (y = yj ) notée x/(y=y ) est la distri- [ 10 ; 11 [ 0 0 1
j

02
bution des individus selon le caractère x lorsque y prend la modalité yj fixé. 1. Déterminer les distributions marginales.
Pour j fixé dans {1; . . . ; `}, quelque soit i ∈ {1; . . . ; k}, la fréquence conditionnelle 2. Calculer le poids moyen ainsi que l’âge moyen de ces cochons d’Inde .
nij
de xi sachant (y = yj ) est : fi/j = . 3. Calculer le poids moyen des cochons d’Inde âgés de 4 ans inclus à 5 ans
n.j
exclus.

1- 2
 
La distribution conditionnelle de y sachant (x = xi ) notée y/(x=x ) est la distri- 4. Quel est l’âge moyen des cochons d’Inde dont le poids est compris entre
i
bution des individus selon le caractère y lorsque x prend la modalité xi fixé. 800g inclus et 900 g exclus ?
Pour i fixé dans {1; . . . ; k}, quelque soit j ∈ {1; . . . ; l}, la fréquence conditionnelle
nij
de yj sachant (x = xi ) est : fj/i = .
ni. Sol 3.2.

C
3.2.4. Quelques définitions
On suppose ici que x et y sont des caractères quantitatifs regrouper en classe et

P-T
que xi et yj sont les centres respectif des classes.
k
1X
(1) Moyenne marginale en x : x = ni. xi ;
n
i=1

(2) Moyenne marginale en y : y =

1 X̀
n
n.j yj ;
j=1
k
SF
1X
(3) Variance marginale en x : var(x) = ni. (xi − x)2 ;
t-I
n
i=1

1 X̀
(4) Variance marginale en y : var(y) = n.j (yj − y)2 ;
n
Sta

j=1
k
1 X X̀
(5) Covariance du couple (x, y) : cov(x, y) = nij xi yj − x̄ȳ.
n
i=1 j=1

Exo 3.2. Ali a examiné ses 142 cochons d’Inde du point de vue leurs âges y
(en années) et leurs poids x(en hg). Les résultats obtenus sont présentés dans le
tableau suivant :
13 décembre 2023 18 Dr. M. Barro
 Rm 4.1. Il existe une relation simple entre le taux de variation d’une grandeur
et l’indice de cette grandeur, base 1 ou base 100 :
Valeur courante-Valeur de référence G(t) − G(t0 )
TV(G)t/t0 = = .
valeur de référence G(t0 )

4
TV(G)t/t0 = it/t0 (G) − 1.
CHAPTER 4

02
Donc TV(G)t/t0 + 1 = it/t0 (G) et (TV(G)t/t0 + 1) × 100 = It/t0 (G)
Lorsque les situations 0 et t sont des dates, une augmentation de la grandeur Z
LES INDICES se traduit par un indice à la date t, base 1 à la situation 0, supérieur à 1 et un
indice à la date t, base 100 à la situation 0, supérieur à 100.

1- 2
Exo 4.1. Considérons le montant horaire du SMIC brut en euros courants le 1er
juillet de chaque année de 2003 à 2007 :

Année 2003 2004 2005 2006 2007

C
4.1. Introduction SMIC/heure 7,19 7,61 8,03 8,27 8,44

Les indices permettent d’effectuer des comparaisons sur un phénomène quan- Calculer l’indice du SMIC pour chacune des années 2004 à 2007 :

P-T
titatif entre deux périodes de temps et de mettre en évidence l’évolution de ce 1. en prenant pour base 1 l’année 2003,
phénomène. Les indices peuvent aussi servir de comparaison entre deux pays 2. en prenant pour base 100 l’année qui précède l’année courante.
au temps t. Il s’agit donc de se donner une échelle qui permet d’apprécier la va-
Sol 4.1.
riation d’un caractère ou d’un ensemble de caractères avec la valeur 100 comme
point de référence. On distingue deux types d’indices : Les indices simples et
les indices synthétiques. SF
4.2. Indices simples
t-I
§ 1. Définition. Soit G un caractère quantitatif strictement positif de la va-
riable temps t et une date de référence t0 . On appelle indice simple ou élémen-
taire de G à la date t (date courante)
Sta

G(t)
(1) base 1 à la date t0 le quotient de G(t) par G(t0 ) : it/t0 (G) = .
G(t0 )
(2) base 100 à la date t0 le quotient de G(t) par G(t0 ) multiplier par 100 :

G(t)
It/t0 (G) = × 100 .
G(t0 )
19
Chapter 4. Les indices

Exo 4.2. Le tableau suivant indique la densité moyenne (nombre moyen d’ha- (1) Indice des prix de Laspyere : Les prix aux dates t et t0 sont pondérés par
bitants par km2 ) dans chacun des continents du monde, en 2005. La densité Qk (t0 ), quantité consommée du bien k à la date t0 .
moyenne dans le monde entier est égale à 48. n
X
Pk (t)Qk (t0 )

4
Continents Europe Afrique Amérique Asie Océanie
k=1
(4.1) Lt/t0 (prix) = n × 100 .

02
Densité 32 30 22 123 4
X
Pk (t0 )Qk (t0 )
Calculer l’indice de densité moyenne I(D) de chacun des continents en prenant k=1

pour base 100 la densité moyenne dans le monde. La consommation est supposée rester identique à celle de départ.

1- 2
Sol 4.2. (2) Indice des prix de Paasche : Les prix aux dates t et t0 sont pondérés par
Qk (t), quantité consommée du bien k à la date t.
n
X
Pk (t)Qk (t)
k=1
(4.2) Pt/t0 (prix) = × 100 .

C
Xn
Pk (t0 )Qk (t)
k=1

P-T
La consommation est supposée rester identique à la consommation cou-
rante.
Rm 4.2. L’indice des prix de Fisher prend en compte les spécificités des deux
§ 2. Propriétés. Les indices élémentaires vérifient les propriétés suivantes : précédents :

SF
(1) Transitivité : it/s (G) × is/r (G) = it/r (G) ; It/s (G) × Is/r (G) = It/r (G) × 100.
(2) Réversibilité : it/s (G) × is/t (G) = 1 et It/s (G) × Is/t (G) = 1002 .
(4.3)
q
Ft/t0 (prix) = Lt/t0 (prix) × Pt/t0 (prix) .

Rm 4.3. On aurait puis construire un indice des quantité pondéré par les prix
t-I
4.3. Indices synthétiques de façon analogue.
Exo 4.3. On considère l’évolution des prix unitaires (PU) et des quantités consom-
§ 1. Définition. On appel indice synthétique, tout indice résumant plusieurs
mées (QC) entre 2020 et 2022 de 3 produits de premières nécessités :
Sta

indices simples.
Considérons n biens de consommation : Pk (t) et Qk (t) désignent les prix et les 2020 2022
quantités consommées du bien k à la période k pour tout k ∈ J1, nK. On peut Produits PU QC PU QC
construire un indice des prix pondéré par les quantités consommées. On a ha- A 710 23 1250 21
bitude de prendre des pondération qui ne varient pas. On choisit donc une
B 1140 8 810 10
date et on pondérera les prix par les quantités consommées à cette date. Ceci
conduit à deux indices entre une date courante t et une date de référence t0 : C 150 50 210 62
13 décembre 2023 20 Dr. M. Barro
 4.3. Indices synthétiques

Déterminer les indices des prix de Laspyere, Paasche et Fisher en 2022 base 100
en 2020.
Sol 4.3.

4
02
1- 2
C
P-T
SF
t-I
Sta

13 décembre 2023 21 Dr. M. Barro

 4
02
BIBLIOGRAPHIE

1- 2
[1] Carnec Hubert, Dagoury Jean-Michel, Séroux René, Thomas Marc : Itinéraires en statistiques
et probabilités, 2e édition, ellipses, Paris (2010)

C
[2] Monino, Jean-Louis : TD de statistique descriptive , 5e édition, Dunod,Paris (2017)
[3] Hurlin, Christophe ; Mignon, Valérie. Statistique et probabilités en économie-gestion, Dunod,

P-T
Paris (2015).

SF
t-I
Sta

22