0% ont trouvé ce document utile (0 vote)

3 vues99 pages

Introduction à la statistique fondamentale

Le document est un cours d'introduction à la statistique, couvrant des définitions, terminologie, et types de statistiques, notamment descriptive et inférentielle. Il traite également des types de données, de leur organisation, ainsi que des méthodes de représentation graphique. Enfin, il aborde les paramètres de tendance centrale et de dispersion pour caractériser les distributions.

Transféré par

Gervais Kubwimana

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

3 vues99 pages

Introduction à la statistique fondamentale

Transféré par

Gervais Kubwimana

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

LIVINGISTONE UNIVERSITY COLLEGE (L.U.

C)
DEPARTEMENT DE STATISTIQUES ET PROBABILITES ,
BAC I

om
l.c
ai
gm
a @
an
m

Introduction to Statistics
wi
ub
sk
ai
rv
ge

Par:

Msc. Gervais KUBWIMANA

12th November, 2024

Contents

Contents i

om
1 Définitions, terminologie et notation 1
1.1 Qu’est-ce-que la statistique ? . . . . . . . . . . . . . . . . . . . 1

l.c
1.2 La statistique descriptive . . . . . . . . . . . . . . . . . . . . . 2

ai
1.3 La statistique mathématique ou inférentielle . . . . . . . . . . 2
gm
1.4 Terminologie et notation standard de la statistique . . . . . . 3
1.4.1 Terminologie et concepts fondamentaux . . . . . . . . . 3
@

1.5 Notation standard . . . . . . . . . . . . . . . . . . . . . . . . 7

a
an

2 Données et organisation des données : types de données et

tableaux statistiques 8
wi

2.1 Types et propriétés de la donnée . . . . . . . . . . . . . . . . . 8

2.1.1 Types, échelles de mesure et natures des données et

variables . . . . . . . . . . . . . . . . . . . . . . . . . . 8
[Link] Les données et variables qualitatives (ou vari-
ai
rv

ables non-métriques) . . . . . . . . . . . . . . 9
[Link] Les données et variables quantitatives (ou vari-
ge

ables métriques) . . . . . . . . . . . . . . . . 11
2.2 Transformation de variables qualitatives (ou non-métriques)
en variables quantitatives (ou métriques) . . . . . . . . . . . . 15
2.3 Transformation de variables quantitatives (ou métriques) en
variables qualitatives (ou non-métriques) . . . . . . . . . . . . 16
2.4 Organiser les données: les tableaux statistiques . . . . . . . . 21
2.4.1 Vecteur ou série brute . . . . . . . . . . . . . . . . . . 22
2.4.2 Les tableaux . . . . . . . . . . . . . . . . . . . . . . . . 22
[Link] Les tableaux unidimensionnels . . . . . . . . . 24
2.4.3 Les tableaux croisés à n dimensions (n ≥ 2) . . . . . . 24
[Link] Les distributions marginales . . . . . . . . . . 26
2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

i
CONTENTS ii

3 Modes de représentation des données : les graphiques 30

3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Les histogrammes . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Les Graphiques en barres . . . . . . . . . . . . . . . . . . . . . 32
3.3.1 Graphique en barres simple . . . . . . . . . . . . . . . 33
3.3.2 Graphique en barres multiples . . . . . . . . . . . . . 33
3.3.3 Graphique en barres empilées . . . . . . . . . . . . . . 33
3.4 Les Graphiques en secteurs . . . . . . . . . . . . . . . . . . . . 34
3.5 Les graphiques type courbes et aires . . . . . . . . . . . . . . . 34
3.6 Les graphiques de dispersion ou nuages de points . . . . . . . 34
3.7 Les graphiques polaires ou radar . . . . . . . . . . . . . . . . . 35
3.8 Les graphiques boursiers ou graphiques ” MinMax ” ou graphique

om
en ” moustache ” . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.9 Les graphiques spatiaux (xyz) . . . . . . . . . . . . . . . . . . 36

l.c
3.10 Les graphiques triangulaires ou triangle de d’Alembert . . . . 36

ai
3.11 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
gm
4 Caractériser une distribution et résumer des tableaux statis-
@

tiques à l’aide de paramètres appropriés : tendance centrale

et dispersion 38
an

4.1 Les paramètres de tendance centrale . . . . . . . . . . . . . . 39

4.1.1 Le mode . . . . . . . . . . . . . . . . . . . . . . . . . . 39
wi

4.1.2 La médiane . . . . . . . . . . . . . . . . . . . . . . . . 41
4.1.3 La moyenne . . . . . . . . . . . . . . . . . . . . . . . . 43
ub

[Link] La moyenne arithmétique . . . . . . . . . . . 43

[Link] La moyenne géométrique . . . . . . . . . . . . 45

[Link] La moyenne harmonique . . . . . . . . . . . . 45

[Link] La moyenne quadratique . . . . . . . . . . . 45

[Link] La moyenne glissante ou moyenne mobile . . . 46

4.2 Les paramètres de dispersion . . . . . . . . . . . . . . . . . . . 47
4.2.1 Minimum, maximum, étendue et rapport de variation
d’une distribution . . . . . . . . . . . . . . . . . . . . . 47
4.2.2 Intervalle interquartile . . . . . . . . . . . . . . . . . . 48
4.2.3 Les quartiles, déciles et centiles . . . . . . . . . . . . . 49
[Link] Variance et Écart-type et variance de données
non groupées . . . . . . . . . . . . . . . . . . 51
[Link] Le coefficient de variation . . . . . . . . . . . 53
4.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

Msc. Gervais Kubwimana

Chapter 1

Définitions, terminologie et
notation

om
l.c
1.1 Qu’est-ce-que la statistique ? ai
gm
@

Il n’existe pas de définition universelle et totalement aboutie de la statistique.

Celles présentées ci-après donnent un aperçu des différentes facettes que peut
an

revêtir le terme ” statistique ” en tant que science.

m
wi

L’origine du mot ”statistique” remonte au latin classique status (état)

qui, par une série d’évolutions successives, aboutit au français statistique,

attesté pour la première fois en 1771.
sk
ai

La statistique c’est la science des grands nombres regroupant l’ensemble

de méthodes mathématiques qui, à partir du recueil et de l’analyse de données

réelles, permettent l’élaboration de modèles probabilistes autorisant les prévisions.

(Larousse).
On perçoit dans cette première définitions plusieurs termes et notions fon-
damentales propres à la statistique : le recueil sous-entend la collecte qui
elle-même suppose dans bien des cas la réalisation d’une enquête ou d’un
sondage. Enquête et sondage impose l’échantillonnage en vue de l’inférence.
L’analyse des données suppose la manipulation de tableaux ou grands ensem-
bles de données qu’il s’agira de décrire et de résumer tout en accompagnant
cette opération de représentations graphiques et cartographiques.
La notion de modèles probabilistes sous-entend une certaine maı̂trise de
l’incertitude dans le but de réaliser des prévisions ou de pratiquer l’inférence.

Autre définition, moins académique celle-ci : la statistique est un ensem-

1
1.2. LA STATISTIQUE DESCRIPTIVE 2

ble de méthodes permettant de prendre une bonne décision face à l’incertitude

(Wallis & Roberts, The Nature of Statistics)
C’est aussi un ensemble d’outils et de méthodes qui permettent de synthétiser
et de résumer des grands volumes de données, des grandes matrices d’informations.

On voit se dessiner ici les deux principales branches de la statistique :

• La statistique descriptive

• La statistique mathématique ou inférentielle

om
l.c
1.2 La statistique descriptive
ai
gm
Ensemble des méthodes permettant de décrire une population par le biais
des individus qui la composent. La statistique descriptive s’intéresse donc à
@

décrire et caractériser un ensemble d’individus représenté la plupart du temps

a
an

sous la forme de tableaux (tableaux de données), à résumer et synthétiser

ces tableaux par l’intermédiaire de graphiques et de paramètres appropriés
m

(fréquences, distribution, moyenne, dispersion, etc.). Elle s’attachera à éventuellement

rechercher des corrélations (liaisons statistiques) entre les éléments de ces

tableaux (variables et individus).

sk
ai

Exemple 1.1. Les températures moyennes mensuelles à Strasbourg sur la

période 1971-2000
ge

Msc. Gervais Kubwimana

1.3. LA STATISTIQUE MATHÉMATIQUE OU INFÉRENTIELLE 3

om
l.c
ai
gm
@

Le ”simple” passage d’un tableau de données plus ou moins important à

un graphique et/ ou à quelques indicateurs pertinents telle que la moyenne

constituent une opération relevant de la statistique descriptive.

m
wi
ub

1.3 La statistique mathématique ou inférentielle

sk
ai
rv

Cette branche des statistiques s’intéresse davantage à extrapoler des résultats

issus d’échantillons en vue de caractériser une population mère inconnue, de

faire des prévisions de comportements basées sur le calcul de probabilités.

Exemple 1.2. En période électorale, on interroge 1 000 personnes sur leur in-
tention de vote. A partir des résultats obtenus sur cet échantillon, on prévoit,
avec une certaine précision, le comportement de l’ensemble des électeurs
(population mère) et par là même, le résultat des élections. C’est ce qu’on
appel l’inférence statistique et c’est le principe même du sondage d’opinion
par exemple.

Msc. Gervais Kubwimana

1.4. TERMINOLOGIE ET NOTATION STANDARD DE LA
STATISTIQUE 4

om
l.c
ai
gm
Le lien de complémentarité entre statistique inférentielle et statistique
descriptive est évident : la première collecte et fournit à la seconde la ”
@

matière première ” à décrire et à et analyser qui, retournée à la première est

extrapolée.
an
m

Le présent cours sera consacré surtout à la statistique descriptive. Mais

avant de commencer, il convient de se familiariser avec le vocabulaire et la

notation universelle de la statistique.

sk
ai

1.4 Terminologie et notation standard de la

statistique
ge

1.4.1 Terminologie et concepts fondamentaux

1. Population: ensemble des individus (ou unités statistiques) présentant
un caractère commun. Pour une thématique donnée, la population
regroupe toujours la totalité des individus relatif à cette thématique
(notion d’exhaustivité).
Exemple 1.3. Exemples:
• la population burundaise : ensemble des individus résidant sur le
territoire burundaise à un moment donné.
• Le parc automobile burundais: ensemble des automobiles imma-
triculées sur le territoire burundais.

Msc. Gervais Kubwimana

1.4. TERMINOLOGIE ET NOTATION STANDARD DE LA
STATISTIQUE 5

• Le parc de logements de Bujumbura : ensemble des logements de

la ville de Bujumbura.
La population est en général notée P .
L’effectif total d’une population est noté N .
2. Unité statistique (ou individu): élément de base constitutif de
la population à laquelle il appartient. Il est indivisible et peut être un
animal, un végétal, un humain ou un objet. Exemples : une automobile,
un logement, une vache, une ampoule, une ville, etc.
3. Échantillon: sous-ensemble construit et représentatif d’une popula-
tion donnée. Lorsque l’on parle d’échantillon on parle en général de

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

l.c
4. Dénombrement : comptage exhaustif des individus composant une
ai
population donnée. Le recensement de la population est un dénombrement.
gm
5. Caractère(s) : caractéristique(s) de l’individu intégrant la population
@

étudiée. Exemple : la couleur, le sexe, le poids, la taille, la marque, le

modèle, l’espèce, le prix, la surface, etc.

6. Variable : une variable est une caractéristique pouvant prendre plusieurs

des valeurs d’un ensemble d’observations possibles auquel une mesure

ou une qualité peut être appliquée.

7. Modalité : valeur qualitative ou quantitative que peut prendre le car-

actère précédemment défini. Exemple : sexe féminin ou masculin, poids

45 kg, couleur verte, etc. Attention, les modalités sont exhaustives et

mutuellement exclusives. Chaque individu doit pouvoir être classé dans

une et une seule modalité.

Récapitulatif intermédiaire par l’exemple:

Population : Le parc locatif privé loué vide de Cahors
Individu : Un logement appartenant à ce parc
Caractère : Taille du logement
Modalité : Nombre de pièces de ce logement
8. Classe : il est fréquent qu’une population soit divisée en sous-ensembles
cohérents construits à partir de critères déterminés de façon à réduire
la taille des tableaux de données et à en faciliter la lecture, l’analyse et
l’interprétation. Cette division induit une regroupement des individus
et la formation de classes rassemblant chacune des individus présentant
des caractères similaires.

Msc. Gervais Kubwimana

1.4. TERMINOLOGIE ET NOTATION STANDARD DE LA
STATISTIQUE 6

Exemple 1.4. Les classes d’âge d’une population, deux possibilités

(suggestion)

om
l.c
ai
gm
Plusieurs critères peuvent être utilisés simultanément pour former des
@

classes ou sous-populations comme par exemple l’âge et le sexe :

a
an
m
wi
ub
sk
ai
rv
ge

La seule contrainte réside dans le fait que la somme des effectifs par
classe donne toujours l’effectif total N . Le découpage en classes d’une
population selon un ou plusieurs critères est une opération appelée ”
discrétisation ”. Celle-ci nécessite la plupart du temps une connais-
sance fine du phénomène étudié car sa réalisation, très sensible aux
effets de seuils et de limites de classes, peut aboutir à des résultats
dont l’interprétation peut être différente à totalement opposée notam-
ment sur le plan cartographique. La discrétisation fera l’objet d’un
paragraphe particulier dans ce cours.

9. Fréquence : Rapport du nombre d’individus d’une population ou d’un

échantillon ayant un caractère commun (= modalité) au nombre total
des individus de cette même population ou de ce même échantillon.

Msc. Gervais Kubwimana

1.4. TERMINOLOGIE ET NOTATION STANDARD DE LA
STATISTIQUE 7

Exemple 1.5.

En 1999, une commune quelconque comptait 393 ménages. 108 d’entre

eux étaient composés d’une seule personne soit une fréquence de : 108 /
393 = 0,275. Cette fréquence, également appelée fréquence relative,
peut être exprimée en pourcentage soit 0, 275 × 100 = 27, 5%. On la
note F quand elle brute et F % quand elle est exprimée en pourcentage.
L’effectif d’une modalité, ou nombre de fois qu’apparaı̂t une modalité
dans une population, est appelé fréquence absolue notée f . Dans
notre cas, le nombre de fois où apparaı̂t la modalité ” ménage composé
d’une seule personne ” est 108.

om
A noter que la somme des fréquences absolues des modalités donne le
nombre total N d’individus d’une population:

l.c
ai
n
X
fi = f1 + f2 + ... + fn = N
gm
i
@

La fréquence relative est donc le rapport de la fréquence absolue d’une

modalité à la population totale (N ) soit :

f
m

Féquence relative : F =
N
wi

L’ensemble des fréquences pour toutes les modalités des individus d’une
ub

population ou d’un échantillon forme l’histogramme des fréquences.

L’histogramme n’est autre chose que le graphique figurant la distribu-

tion des fréquences pour un phénomène donné. La somme des fréquences,

pour une population ou un échantillon donné, est toujours égale à 1 :

n
X
Fi = F1 + F2 + ... + Fn = 1
i=1

• F1 représente la fréquence relative observée pour la modalité 1

• F2 représente la fréquence relative observée pour la modalité 2
• Fi représente la fréquence relative observée pour la modalité i
• Fn représente la fréquence relative observée pour la modalité n

Exemple 1.6. Reprenons notre commune. Relativement à la variable

” ménages ” , 5 modalités ont été retenues:
Modalité 1 : ménages composés d’ 1 personne
Modalité 2 : ménages composés de 2 personnes
Modalité 3 : ménages composés de 3 personnes

Msc. Gervais Kubwimana

1.4. TERMINOLOGIE ET NOTATION STANDARD DE LA
STATISTIQUE 8

Modalité 4 : ménages composés de 4 personnes

Modalité 5 : ménages composés de 5 personnes et plus
Pour chacune de ces modalités nous avons une fréquence absolue et une
fréquence relative

om
l.c
ai
gm
a @
an
m
wi

Pour ce qui est des fréquences absolues, on a :

5
sk

X
fi = f1 + f2 + f3 + f4 + f5 = 108 + 130 + 72 + 48 + 35 = 393
ai

i=1
rv

Avec la même formulation on peut écrire pour les fréquences relatives :

5
X
Fi = F1 + F2 + F3 + F4 + F5
i=1
f1 f2 f3 f4 f5
= + + + +
N N N N N
108 130 72 48 35
= + + + +
393 393 393 393 393
= 0, 275 + 0, 331 + 0, 183 + 0, 122 + 0, 089
= 1

10. Distribution : Selon le Petit Larousse, ensemble des données d’une

série statistique associées à un ou à plusieurs caractères. Façon dont
les individus d’une population se répartissent en fonction d’une ou
plusieurs modalités.

Msc. Gervais Kubwimana

1.4. TERMINOLOGIE ET NOTATION STANDARD DE LA
STATISTIQUE 9

Exemple 1.7. Distribution d’une population de 120 individus (Id)

selon la couleur des yeux (Cy) :

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Msc. Gervais Kubwimana

1.5. NOTATION STANDARD 10

Une distribution se représente la plupart du temps sous forme graphique

soit à partir des données brutes, c’est-à-dire non regroupées en classes,
soit à partir des données classifiées, discrétisées. Dans les deux cas,
le graphique construit porte le même nom: l’histogramme. Un his-
togramme figure toujours des fréquences, qu’elles soient absolues ou
relatives.

11. Moyenne : pour une variable donnée, la moyenne correspond à la

P
somme des valeurs d’une population xi (ou d’une modalité) divisée
par le nombre de valeurs N de ladite population (ou de ladite modalité).

Exemple 1.8. prix au m2 du foncier à bâtir observé sur la commune

om
de Besançon.

l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

1.5 Notation standard

Msc. Gervais Kubwimana

1.5. NOTATION STANDARD 11

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Msc. Gervais Kubwimana

Chapter 2

Données et organisation des

données : types de données et

om
tableaux statistiques
l.c
ai
gm
@

2.1 Types et propriétés de la donnée

a
an

Les données manipulées en statistique (lors de la collecte et/ou lors du

l’analyse) peuvent se présenter sous différentes formes. Ces formes, reflets des
wi

propriétés intrinsèques de la donnée, influent de façon décisive sur la manière

de représenter celle-ci et sur les types de traitements qui pourront lui être
appliqués en vue de son analyse. On distingue trois propriétés fondamentales
sk

qui permettent de caractériser précisément la donnée. Ce sont:

ai
rv

• Le type : qualitatif ou quantitatif

• L’échelle de mesure : nominale, ordinale, intervalle ou proportionnelle

• La nature : continue ou discrète

A chaque donnée, à chaque variable sont nécessairement rattachées ces trois
propriétés.

2.1.1 Types, échelles de mesure et natures des données

et variables
Les trois propriétés seront traitées simultanément tant elle sont indissocia-
bles. A toute variable ou toute donnée sont nécessairement rattachés un
type, une échelle de mesure et une nature. Il existe cependant une hiérarchie
naturelle entre les propriétés des variables et données et l’ordre dans lequel

12
2.1. TYPES ET PROPRIÉTÉS DE LA DONNÉE 13

elles ont été précédemment évoquées en est le reflet et c’est celui que nous
respecterons pour les décrire (Cf. 2.1).

om
l.c
ai
gm
@

Figure 2.1:
a
an
m

Une donnée ou une variable est obligatoirement de type qualitatif ou de type

quantitatif. Le type qualitatif est également appelé type ” non-métrique ”

par opposition au type quantitatif dit type ” métrique ”.

[Link] Les données et variables qualitatives (ou variables non-

métriques)
rv
ge

Définition 2.1. les données ou variables qualitatives contiennent des valeurs

qui expriment une qualité, un état, c’est-à-dire une condition, un statut
unique et exclusif comme le sexe, la couleur ou bien encore la catégorie so-
cioprofessionnelle.
Les opérations arithmétiques que l’on peut réaliser sur ce type de vari-
able sont relativement réduites et se limitent au comptage des effectifs par
modalité (fréquences absolues) et au calcul de pourcentage (fréquences rela-
tives) et le mode.
Exemple 2.1. Le sexe.
Une personne ne peut pas appartenir à des sexes différents en même temps
et ne peut, en théorie, pas en changer (unicité) . Le fait d’être, par exemple,
du sexe féminin l’exclue automatiquement des autres modalités que peut
prendre la variable ” sexe ” (exclusivité).

Msc. Gervais Kubwimana

2.1. TYPES ET PROPRIÉTÉS DE LA DONNÉE 14

Les données et variables qualitatives peuvent se présenter sous deux formes

deux différentes: la forme nominale ou la forme ordinale.

La forme qualitative nominale: une variable est dite qualitative nomi-

nale quand ses valeurs sont des éléments d’une catégorie type nom non
hiérarchique. En d’autres termes, ses éléments ne peuvent pas se ranger
dans une gradation logique, selon une hiérarchie naturelle. La donnée qual-
itative nominale ne peut donc être appréhendée qu’à travers des modalités
entre lesquelles il n’existe aucune relation d’ordre

Exemple 2.2. la variable ” couleur ” est de type qualitative nominale,

les valeurs pouvant être prises par celle-ci étant bien de type nom (vert,

om
jaune, noir, rouge,...) sans qu’aucune hiérarchie ne soit applicable entre les

l.c
modalités recensées (on peut en aucun cas écrire jaune ¿ rouge ou vert =
noir).
ai
gm
La forme qualitative ordinale : une variable qualitative ordinale possède
toutes les propriétés de la variable qualitative nominale avec en plus la possi-
@

bilité de positionner et de hiérarchiser les individus entre eux selon la valeur

a
an

attachée à leur caractère. En d’autres termes, il sera possible de ranger dans

une gradation logique, selon une hiérarchie naturelle, les individus de la pop-
m

ulation étudiée pour le caractère retenu. D’une façon générale, la forme qual-
wi

itative ordinale fait référence à des caractères non mesurables mais dont on
ub

sait que les modalités renferment une notion d’ordre, ou bien à des variables
sk

quantitatives ayant fait l’objet d’une classification. Les opérations autorisées

pour l’échelle qualitative ordinale sont, en plus du comptage par modalité
ai
rv

(fréquences absolues et fréquences relatives et mode), la médiane.

Exemple 2.3. La variable ” niveau de confort d’un logement ” est de type

qualitative ordinale, les valeurs pouvant être prises par celle-ci étant bien de
type nom (médiocre, moyen, bon, très bon) et une hiérarchie existe entre
les modalités définies sans pour autant que l’on puisse mesurer de façon
infaillible le niveau de confort : il n’existe pas de ” conforomètre ” ni d’unité
de mesure du paramètre ” confort ” au demeurant très subjectif. Le caractère
ordinal de la variable permet cependant d’écrire bon ¿ médiocre ou moyen ¡
très bon. L’époque de construction des logements est également une variable
qualitative ordinale.

Msc. Gervais Kubwimana

2.1. TYPES ET PROPRIÉTÉS DE LA DONNÉE 15

Une variable qualitative, qu’elle soit nominale ou ordinale, est toujours

de nature discrète, contrairement à une variable quantitative qui peut être
soit de nature discrète, soit de nature continue.

Définition 2.2 (Variable discrète). Une variable est dite discrète quand
elle prendre un nombre fini ou dénombrable de valeurs. En d’autres ter-
mes, le passage d’une modalité à une autre est ” brutal ”, sans continuité,
sans glissement progressif. C’est typiquement le cas des variables qualitatives
nominales et ordinales pour lesquelles la transitions entre modalités se réalise
sans nuance, abruptement.

om
l.c
ai
Exemple 2.4. La variable ” catégorie socioprofessionnelle ” est une variable
gm
qualitative nominative discrète. En effet, le nombre de valeurs qu’elle peut
@

prendre est fini (ou dénombrable) et la transition entre modalité, par exemple
a

de la modalité ” employé ” à la modalité ” agriculteur ”, se fait sans nuance,

sans continuité, mais nettement.

Dans le même ordre d’idée, la variable ” niveau d’éducation ” avec les modalités
wi

” Analphabète, Primaire, Secondaire, Universitaire ” est de type qualitative

ordinale discrète pour les mêmes raisons qu’évoquées dans le cas précédent.
ub
sk
ai
rv

On verra le moment venu ce que recouvre la notion de continuité pour

une variable, sachant que celle-ci ne s’applique qu’à la famille des données et
variables quantitatives.

[Link] Les données et variables quantitatives (ou variables métriques)

Définition 2.3. Les données ou variables quantitatives contiennent des valeurs

numériques faisant référence à une unité de mesure reconnue. Pour cette rai-
son, elles sont quelques fois qualifiées de variables métriques. La taille, le
poids, la surface, la distance, le revenu, l’âge, le chiffre d’affaire ou bien en-
core la population (dans le sens du nombre d’habitants) sont des variables
quantitatives.

Msc. Gervais Kubwimana

2.1. TYPES ET PROPRIÉTÉS DE LA DONNÉE 16

om
l.c
ai
gm
@

Toutes les opérations arithmétiques simples et complexes sont applicables

a
an

aux variables quantitatives, du dénombrement (fréquences absolues) et autre

calcul de pourcentage (fréquences relatives) en passant par la moyenne, la
m

médiane et l’écart-type jusqu’à la modélisation numérique.

wi
ub

Exemple 2.5 (Le loyer d’un logement). Au-delà de la qualification d’un

loyer (bon marché, correct, cher ou très cher) qui en fait alors une variable
sk

qualitative ordinale, le loyer demeure une variable mesurable objectivement

selon une unité de mesure reconnue : le prix exprimé en euros par mois ou
rv

en euros par mois et par m2 . On peut l’additionner, en calculer la moyenne

et l’écart-type, en regrouper les valeurs pour former des classes et même le

modéliser.

Tout comme la donnée qualitative, la donnée quantitative peut se présenter

sous différentes formes. On en dénombre trois, de la plus simple à la plus
complexe : la forme (ou l’échelle) ordinale, l’échelle d’intervalles et l’échelle
proportionnelle ou échelle de rapport.

La forme ” quantitative ” ordinale : Nous aborderons que succinctement

l’échelle quantitative ordinale déjà évoquée dans le cas des variables qual-
itatives. Appliquée aux variables quantitatives, la forme ordinale revêt les
mêmes caractéristiques. Elle s’applique en fait aux variables quantitatives
pour lesquelles un regroupement par classes a été opéré (par ex. le regroupe-
ment d’individus par classes d’âge ou classes de taille, le regroupement de

Msc. Gervais Kubwimana

2.1. TYPES ET PROPRIÉTÉS DE LA DONNÉE 17

villes selon leur taille ou bien encore le regroupement de parcelles foncières

selon leur prix au m2 ). Même si l’échelle ordinale est abordée dans la para-
graphe traitant des données quantitatives, il faut être conscient du fait que
la transformation que l’on fait subir à une variable quantitative en en re-
groupant les valeurs à l’intérieur de classes a pour effet de transformer celle-ci
en variable qualitative ordinale discrète.

Exemple 2.6 (Le prix du foncier constructible par classe).

Le prix du foncier au m2 demeure fondamentalement une variable quan-

titative continue. Mais comme cela peut être le cas lorsque les données sont

om
nombreuses et lorsque que l’on souhaite cartographier le phénomène, on est
amené à regrouper ces valeurs sous forme de classes afin d’en améliorer la lec-

l.c
ture et l’analyse. Cette transformation contribue à modifier les propriétés de
ai
la variable: de quantitative continue elle devient qualitative ordinale discrète
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Après regroupement, on obtient, par exemple :

Msc. Gervais Kubwimana

2.1. TYPES ET PROPRIÉTÉS DE LA DONNÉE 18

om
l.c
Le processus qui vise à la fabrication des classes (ou discrétisation) est

ai
une opération délicate qui sera abordée plus avant.
gm
L’échelle d’intervalle : cette forme concerne les données et variables se
@

référant à des unités de mesure constantes mais dont le point zéro est fixé
a

arbitrairement ne correspondant en rien à l’absence de phénomène.

L’exemple le plus significatif pour ce cas est celui de la température: l’unité

de mesure est constante une fois le système de référence défini (Celsius ou

Fahrenheit) et le zéro est totalement arbitraire : dans le cas du système

Celsius ◦ C le zéro correspond à la température de congélation de l’eau

alors que dans le cas du système Fahrenheit ◦ F, le zéro équivaut à la
sk

température de solidification d’un mélange à part égal d’eau et de chlorure

d’ammonium (Fahrenheit , 1724). Profitant du caractère quantitatif de la

variable température, une relation peut cependant être établie entre les deux
ge

systèmes comme suit : ◦ F = 1,8 ◦ C +32 et inversement ◦ C = ( ◦ F –

32) / 1,8. 0 ◦ C tout comme 0 ◦ F ne correspondent pas à une absence de
température. Même en considérant le zéro absolu (0 ◦ K = - 273,15 ◦ C) ,
température la plus basse que l’on puisse observer dans l’univers et à laque-
lle tout mouvement moléculaire et atomique est stoppé compte tenu d’un
état énergétique minimal, la température demeure une variable appartenant
à l’échelle d’intervalle.
L’échelle d’intervalles, en plus des opérations arithmétique s classiques, au-
torise la plupart des calculs statistiques : moyenne arithmétique, écart-type,
coefficient de corrélation, variance, covariance, etc. Par contre, elle ne per-
met pas le calcul de la moyenne géométrique ou du coefficient de variation.
En dehors de la température, quantité d’autres variables se réfère à l’échelle
d’intervalles. Parmi celle-ci, on peut citer l’échelle de Richter de mesure
d’intensité des tremblements de terre, la mesure du temps via notre calen-

Msc. Gervais Kubwimana

2.1. TYPES ET PROPRIÉTÉS DE LA DONNÉE 19

drier grégorien,
Les variables quantitatives d’intervalle peuvent être de nature discrète ou
continue. On a vu plus haut à quoi correspondait la caractère ” discret ” de
la données, voyons maintenant en quoi consiste sa nature ”continue ”

Définition 2.4 (Variable continue).

Une variable continue peut, à l’inverse de la variable discrète, prendre un
nombre infini ou non dénombrable de valeurs. Il n’y a, de ce fait, plus de
modalité ou plutôt une infinité de modalités car entre deux valeurs données
toutes les nuances de transitions sont possibles. Le cas ” continu ” ne con-
cerne donc que les variables dites quantitatives pour lesquelles il peut y avoir
autant de modalités qu’il y a d’individus.

om
Exemple 2.7. La variable ” température ” est une variable quantitative

l.c
d’intervalle continue. Celle-ci peut en effet prendre une infinité de valeurs
ai
quelles que soient les limites retenues. Par exemple, entre 10 et 12 ◦ C, la
gm
variable peut prendre n’importe laquelle des innombrables valeurs existantes
et mesurables : 10,007 ◦ C, 11,11 ◦ C ou bien encore 11,9999 ◦ C si tant que
@

l’on soit capable d’atteindre cette précision dans la mesure.

a
an

D’une façon générale, les valeurs que peut prendre une variable quanti-
m

tative continue appartiennent à l’ensemble des nombres réels R alors que les
wi

valeurs caractérisant une appartiennent quant à elles à l’ensemble des nom-

bres entiers N, comme par exemple le nombre d’habitants.

L’échelle proportionnelle ou échelle de rapport :

A la différence de l’échelle d’intervalle, l’échelle proportionnelle ou de rap-

port se caractérise par des proportions égales entre les valeurs mesurées de
ge

telle sorte qu’il existe entre ces valeurs une relation mathématique directe et
constante. L’échelle proportionnelle possède en outre un zéro unique et uni-
versel. Toutes les variables faisant référence au Système International d’Unité
(SI – norme ISO 1000) appartiennent à l’échelle de mesure dite proportion-
nelle (ou de rapport): c’est le cas des longueurs, des surfaces, des poids et
des comptages d’effectifs ainsi que la mesure du temps via le SI, et toutes
les variables résultantes de la combinaison d’au moins deux des unités du SI
telle que la vitesse (qui n’est qu’une expression de la distance par rapport
au temps), la densité de population (effectif rapporté à une surface), etc. Le
zéro y est universel et signifie absence de mesure ou mesure nulle, et chaque
valeur non nulle mesurée est nécessairement le multiple de n’importe quelle
autre valeur mesurée. Exemple: on pourra dire qu’une personne pesant 90
kg est deux fois plus lourde qu’une personne de 45 kg ou bien encore qu’un
loyer de 337,50 ∈/mois est 1,5 fois (ou 50 %) plus élevé qu’un loyer de 225

Msc. Gervais Kubwimana

2.2. TRANSFORMATION DE VARIABLES QUALITATIVES (OU
NON-MÉTRIQUES) EN VARIABLES QUANTITATIVES (OU
MÉTRIQUES) 20
∈/mois.
L’échelle de rapport (ou échelle proportionnelle) possède toutes les propriétés
et tous les niveaux d’informations des autres échelles plus l’immense avantage
de se prêter à absolument toutes les opérations arithmétiques et statistiques
pouvant exister.
Une variable quantitative proportionnelle (ou de rapport) peut également
être de nature discrète ou de nature continue:

Exemple 2.8. Une variable quantitative proportionnelle discrète : le nombre

d’habitants. Le nombre d’habitants d’un pays ou d’une ville est une variable
quantitative discrète à échelle proportionnelle. La dimension quantitative
de la variable n’est plus à démontrer. Le fait qu’elle appartienne à l’échelle

om
proportionnelle se justifie par le fait qu’elle possède d’une part une zéro

l.c
absolu universel (zéro habitant = pas d’habitant) et qu’il existe bien entre
chaque modalité une relation mathématique de proportionnalité: un pays
ai
comptant 10 millions d’habitants est bien deux fois plus peuplé qu’un pays
gm
de 5 millions d’habitants ou bien encore 10 fois plus peuplé qu’un autre de 1
@

million d’âmes. La nature discrète de la variable se justifie par le caractère

indivisible de l’élément de base, à savoir l’habitant: ainsi, l’ensemble des

valeur que peut prendre la variable ” nombre d’habitants ” appartient bien

à l’ensemble des entiers N. Il n’est donc pas possible d’écrire qu’une ville
wi

compte 12283,18 habitants. La variable ” nombre d’habitant ” est donc

bien une variable quantitative discrète à échelle de rapport (ou à échelle
ub

proportionnelle).
sk

Exemple 2.9. Une variable quantitative proportionnelle continue :le prix

du foncier constructible au m2 .
rv
ge

2.2 Transformation de variables qualitatives

(ou non-métriques) en variables quanti-
tatives (ou métriques)
Certains traitements et analyses sur des données et variables qualitatives
nécessitent voire exigent que ces dernières présentent une forme ” pseudo
quantitative ” en lieu et place de leur forme ” nominale ”. C’est notam-
ment le cas lorsqu’il s’agit d’utiliser des variables qualitatives dans un traite-
ment multivarié ou simplement lorsque l’on désire les rendre manipulables
et compatibles avec des logiciels statistiques. Il faut donc faire subir à la
variable une transformation lui conférant ce caractère ” pseudo numérique ”,
une transformation qui s’apparente davantage à un codage de l’information

Msc. Gervais Kubwimana

2.2. TRANSFORMATION DE VARIABLES QUALITATIVES (OU
NON-MÉTRIQUES) EN VARIABLES QUANTITATIVES (OU
MÉTRIQUES) 21

qualitative en information numérique. Cette transformation doit cependant

respecter certaines règles. En effet, dès lors que l’on introduit une dimension
numérique, il s’instaure naturellement une hiérarchie qui doit respecter celle
sous-jacente, si elle existe, à la dimension qualitative de la variable traitée.
C’est le cas exclusivement des variables qualitatives ordinales. L’exemple qui
suit illustre parfaitement cette règle.

Exemple 2.10. La variable qualitative ordinale ” moral des ménages français

” propose les cinq modalités suivantes: Très bon, Bon, Moyen, Mauvais et
Très mauvais. L’encodage numérique de la variable doit se faire en respectant

om
son caractère ordinal initial. Ce faisant, on obtient le codage suivant:

l.c
ai
gm
a @
an

Cela dit, il s’agit d’un codage possible parmi d’autres.

Pour ce qui est des variables qualitative nominales, donc sans hiérarchie
wi

identifiable, cette règle ne s’applique plus comme le montre l’exemple qui

suit:
sk

Exemple 2.11. La variable qualitative nominale ” sexe ” propose les deux

modalités suivantes: Masculin et Féminin. Dans ce cas, l’encodage numérique

n’a aucune hiérarchie à respecter mais doit seulement reproduire la distinc-

tion entre modalités. On peut ainsi indifféremment écrire:

On évitera simplement l’utilisation du zéro davantage synonyme d’absence

de phénomène.

Une autre règle est à respecter qui impose des ” distances ” ou intervalles
égaux entre modalités lors de l’encodage numérique. Ainsi, pour reprendre
un des exemples précédents, si 3 correspond à la modalité ” Moyen ” et 4 à
la modalité ” Bon ”, soit une ” distance ” de 1 entre les deux, on utilisera
logiquement 5 pour ” Très bon ” et non 7 ou 8. De même, on affectera la
valeur 2 à ” Mauvais ”.

Msc. Gervais Kubwimana

2.3. TRANSFORMATION DE VARIABLES QUANTITATIVES (OU
MÉTRIQUES) EN VARIABLES QUALITATIVES (OU
NON-MÉTRIQUES) 22

Il est à noter que les nombres affectés aux modalités qualitatives en vue
de leur transformation n’ont pas de signification et ne peuvent faire l’objet
d’opérations arithmétiques comme par exemple le calcul d’une somme ou
d’une moyenne. En réalité, ce sont des ” numéros ” qui ne modifient en rien
les propriétés fondamentales rattachées aux variables qualitatives, qu’elles
soient nominales ou ordinales. La transformation d’une variable qualita-
tive en variable ” numérique ” ne lui confère en rien les propriétés de cette
dernière. C’est pourquoi on parle davantage de transformation ” pseudo-
numérique ”.

om
2.3 Transformation de variables quantitatives

l.c
(ou métriques) en variables qualitatives
ai
gm
(ou non-métriques)
@

L’opération inverse, c’est-à-dire la transformation d’une variable quantita-

tive en variable qualitative, est également possible et même souhaitable dans

certains cas de figures même si elle demeure plus délicate et impose de ce fait
m

le respect de règles beaucoup plus strictes.

La plupart du temps la transformation d’une variable quantitative en une

variable qualitative passe la constitution de classes à partir de la distribu-

tion observée. Cette opération est appelée discrétisation puisque, quelle que
sk

soit la nature des données quantitatives en amont (intervalle ou de rapport,

discrète ou continue), elle aboutit inévitablement à la fabrication d’une vari-

able qualitative ordinale discrète. Il est donc important d’avoir à l’esprit

que cette transformation engendre une perte d’information et également une

diminution de la capacité d’analyse et traitement des données puisque cer-
tains paramètres ne seront plus calculables précisément à partir d’une dis-
tribution discrète (moyenne, écart-type, etc.). En effet, chaque classe définie
regroupe sous une même identité, selon un même caractère des individus qui
à l’origine se distinguaient les uns des autres par des valeurs différentes. On
soupçonne ici l’importance que revêt le processus d’élaboration des classes
(définition des limites de classes, étendue des classes, nombre de classes, etc.),
le but final étant de synthétiser un volume important d’informations en lim-
itant la perte liée à la discrétisation. Autrement dit, il s’agit de maximiser la
réduction de contenu informationnelle d’une distribution en en minimisant
les pertes.
C’est un mal pour un bien et la transformation de données quantitatives
en données qualitatives via la discrétisation demeure souvent incontourn-
able. Il est en effet souvent bien plus commode et pertinent pour la lecture,

Msc. Gervais Kubwimana

2.3. TRANSFORMATION DE VARIABLES QUANTITATIVES (OU
MÉTRIQUES) EN VARIABLES QUALITATIVES (OU
NON-MÉTRIQUES) 23

l’analyse, l’interprétation ou la représentation d’un phénomène de regrouper

les individus à l’intérieur de classes plutôt que de s’éreinter à essayer de lire et
d’interpréter un tableau contenant des centaines voire des milliers de valeurs.
Il existe plusieurs méthodes plus ou moins complexes et élaborées en vue de
la discrétisation d’une distribution de valeurs sachant que pour ce faire rien
ne remplace le bon sens et la connaissance que l’on a du phénomène étudié.
Lorsque cette expérience existe, les méthodes mises à disposition ne sont
souvent là que pour assister l’utilisateur. Dans les autres cas, elles perme-
ttent d’orienter de façon objective la stratégie de discrétisation. Attention,
certaines des méthodes présentées ci-après font appel à des notions qui ne

om
seront vues que plus tard dans le cours : c’est le cas notamment de celle
faisant appel à l’écart-type.

l.c
ai
Il existe donc trois groupes de méthodes de discrétisation:
gm
@

• Les méthodes empiriques : basées sur l’expérience et la connais-

sance du phénomène étudié, elles utilisent en plus l’allure de la distribu-

tion pour y déceler des ruptures naturelles et ainsi délimiter les bornes
m

des classes à créer. Cette méthode, pour partie visuelle, nécessite une
wi

bonne connaissance du phénomène à traiter.

ub
sk

Exemple 2.12. On dispose des loyers surfaciques mensuels hors charges

pour l’ensemble des logements locatifs sociaux d’un département, soit

au total plus de 9 500 individus (= logements) avec, pour chacun d’eux,

des valeurs dans 5 variables (loyers, nombres de pièces, surface, locali-

sation, financement). Au total nous disposons donc de 9 500 x 5 = 47
500 valeurs. Hormis, dans un premier, le calcul de paramètres comme
la moyenne, il semble difficile d’appréhender et d’analyser cette masse
de données. Réduire la taille du tableau en opérant un regroupement
des valeurs selon un système adapté de classes apparaı̂t comme étant
la meilleure solution pour y parvenir. La connaissance du phénomène
que l’on a ainsi qu’une analyse de l’histogramme de la variable loyer
nous permettent assez rapidement d’identifier les ” cassures naturelles
” pouvant servir de limites de classes (Cf. Figure 2.2). Le nombre de
classes alors défini est de 5, organisées de la façon suivante (il s’agit
d’une possibilité parmi tant d’autres):

Msc. Gervais Kubwimana

2.3. TRANSFORMATION DE VARIABLES QUANTITATIVES (OU
MÉTRIQUES) EN VARIABLES QUALITATIVES (OU
NON-MÉTRIQUES) 24

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Figure 2.2: Histogramme de la variable loyers et discrétisation empirique

On pourrait affiner la discrétisation en subdivisant certaines des classes

mais ce n’est pas forcément souhaitable, un nombre trop important
de classes conduisant souvent à une dilution du phénomène et à une

Msc. Gervais Kubwimana

2.3. TRANSFORMATION DE VARIABLES QUANTITATIVES (OU
MÉTRIQUES) EN VARIABLES QUALITATIVES (OU
NON-MÉTRIQUES) 25

dispersion de la capacité d’analyse du lecteur. Autant que faire se peut,

on choisit des valeurs de limites de classes correspondant à des nombres
” repères ” pour l’interprétation, c’est-à-dire se terminant en 0 ou 0,5
ou faute de mieux par un chiffre rond. Il faut éviter de préférence de
définir des limites de classes avec des valeurs inutilement décimalisées
ou éloignées des repères naturels de l’esprit (10, 25, 50, etc.) qui ne
favorisent pas une interprétation immédiate (par ex. de 13,27 % à 21,86
% ou bien encore de 17 à 33) mais ce n’est pas toujours possible.

om
l.c
ai
gm
a @
an
m
wi
ub
sk

A partir de là, interprétation, graphiques et cartes deviennent plus

aisées. Par contre, le contenu informationnel initial s’est fortement
ai
rv

dégradé: là où il y avait une multitude de cas de figures entre les
valeurs 3,0 et 3,99, il n’y en a plus qu’un seul après regroupement.
ge

• Les méthodes par défaut qui ne nécessitent ni une connaissance

approfondie du phénomène ni une étude de la distribution. Leur sim-
plicité est à la hauteur des approximations qu’elles génèrent et elles ont
tendance, de fait, à lisser le phénomène étudié. Leur principe est sim-
ple: prenant en compte ou l’effectif total de la population étudiée ou
l’amplitude totale de la distribution de la variable étudiée, ces méthodes
proposent, dès lors qu’un nombre souhaité de classes est défini :

- soit une discrétisation en classes d’égale amplitude,

- soit une discrétisation en classes d’égal effectif.
Exemple 2.13. Reprenons l’exemple précédent. Nous disposions d’une
population de 9 517 individus, en l’occurrence des logements locat-
ifs privés, pour lesquels nous connaissons les loyers et d’autres car-
actéristiques. La simple consultation des données initiales nous permet

Msc. Gervais Kubwimana

2.3. TRANSFORMATION DE VARIABLES QUANTITATIVES (OU
MÉTRIQUES) EN VARIABLES QUALITATIVES (OU
NON-MÉTRIQUES) 26

de relever la valeur minimale et la valeur maximale de loyer pour cal-

culer l’amplitude totale de la distribution:

– Nombre total d’observations : 9 517

– Valeur minimale observée de loyer: 0,68 ∈ /m2 mensuel hors
charges
– Valeur maximale observée de loyer: 11,26 ∈ /m2 mensuel hors
charges
– Amplitude totale de la distribution = 11,26 – 0,68 = 10,58

om
Méthode des classes d’égale amplitude:

l.c
Si l’on décide de créer 5 classes, la discrétisation en classes d’égale am-
ai
plitude donnera des classes dont l’étendue sera identique et équivalente
gm
à: 10,58 / 5 = 2,11 ∈ /m2 . Il suffit alors, pour former les limites
de la première classe, de prendre la valeur minimale pour la borne
@

inférieure et de lui ajouter 2,11 pour obtenir la borne supérieure. Pour

a
an

la deuxième classe, on reprend la borne supérieure de la classe précédente

en l’augmentant légèrement pour éviter le recouvrement (+ 0,01) et on
m

lui ajoute toujours 2,11 pour obtenir la borne supérieure. On répète

l’opération pour les classes suivantes:

ub
sk
ai
rv
ge

La dernière borne de la distribution doit être égale (aux arrondis prêts)

à la valeur maximale observée dans la distribution (ici on 11,27 pour
11,26). Une fois les classes délimitées, il suffit, à partir de la distribution
initiale, de ” mettre ” chaque individu dans la classe correspondant à
sa valeur de loyer et de compter les effectifs par classe (voir tableau
ci-dessus). On observe que le résultat obtenu est sensiblement différent
de celui de la méthode empirique: les classes extrêmes notamment
apparaissent plus faiblement représentées.

Msc. Gervais Kubwimana

2.3. TRANSFORMATION DE VARIABLES QUANTITATIVES (OU
MÉTRIQUES) EN VARIABLES QUALITATIVES (OU
NON-MÉTRIQUES) 27

om
l.c
ai
gm
a @
an
m
wi
ub

Figure 2.3: Histogramme de la variable loyers et discrétisation selon la

méthode des classes d’égale amplitude

ai
rv
ge

Méthode des classes d’égal effectif:

Cette méthode est uniquement basée sur l’effectif total se rapportant
à la distribution (dans notre exemple 9 517 logements). Avec un nom-
bre de classe inchangé (5), la discrétisation en classes d’égale effectif
donnera des classes contenant le même nombre d’individus, soit 9517 /
5= 1903 logements. Pour déterminer les limites inférieure et supérieure
d’une classe, il suffit de lire la valeur de loyer correspondant au rang du
premier et du dernier individu la composant. Exemple, pour définir les
bornes de la classe 1, on lit la valeur de loyer de l’individu de rang 1
(soit 0,68 ∈ /m2 ) et la valeur de loyer de l’individu de rang 1903 (dans
notre 3,31 ∈ /m2 ) en ayant pris soin auparavant de classer les valeurs
en ordre croissant. La borne inférieure de la deuxième classe correspon-
dra à la valeur de l’individu de rang 1904 (également 3,31, on passe à
3,32 pour éviter le recouvrement), quant à la borne supérieure, elle cor-

Msc. Gervais Kubwimana

2.3. TRANSFORMATION DE VARIABLES QUANTITATIVES (OU
MÉTRIQUES) EN VARIABLES QUALITATIVES (OU
NON-MÉTRIQUES) 28

respondra à la valeur de loyer prise par l’individu de rang 1904+1903

= 3807 (ici 3,57). On répète l’opération pour les classes restantes et on
obtient la classification suivante:

om
l.c
ai
gm
Une discrétisation qui tranche avec celles obtenues précédemment
a @
an
m
wi
ub
sk
ai
rv
ge

Figure 2.4: Histogramme de la variable loyers et discrétisation selon la

méthode des classes d’égal effectif

Msc. Gervais Kubwimana

2.3. TRANSFORMATION DE VARIABLES QUANTITATIVES (OU
MÉTRIQUES) EN VARIABLES QUALITATIVES (OU
NON-MÉTRIQUES) 29

• Les méthodes statistiques basées sur les paramètres de ten-

dance centrale et de dispersion

Sur la base de la moyenne:

Les individus d’une distribution peuvent être répartis dans des classes
en fonction de leur rapport à la moyenne. Cette approche permet sou-
vent une comparaison plus facile des individus entre eux. On crée une
classe centrale regroupant les valeurs de la distribution proche de la
moyenne à ±10% par exemple.
Les classes suivantes, dont les bornes restent libres de choix, conti-

om
ennent quant à elles des individus dont la valeur est de plus en plus

l.c
éloignée de celle de la moyenne. On peut ainsi construire les 5 classes
de la façon suivante:
ai
gm
a @
an
m
wi
ub
sk
ai

Pour obtenir le découpage suivant :

rv
ge

Msc. Gervais Kubwimana

2.3. TRANSFORMATION DE VARIABLES QUANTITATIVES (OU
MÉTRIQUES) EN VARIABLES QUALITATIVES (OU
NON-MÉTRIQUES) 30

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Sur la base de l’écart-type :

Les individus d’une distribution peuvent aussi être répartis dans des
classes en fonction de leur distance rapport à la moyenne en unité
d’écart-type de la distribution. Pour ce faire, il faut transformer la
valeur de chaque individu en unité de distance à la moyenne en unité
” écart-type ”. Cette transformation est appelée standardisation et
s’effectue de la façon suivante :

xi − x
zi =
σ

Msc. Gervais Kubwimana

2.4. ORGANISER LES DONNÉES: LES TABLEAUX STATISTIQUES 31

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai

2.4 Organiser les données: les tableaux statis-

tiques
ge

Tout traitement,toute représentation ou toute analyse d’un ensemble de données

se rapportant aux unités d’une population impose que ces dernières aient été
au préalable rangées et organisées dans une structure facilitant leur manip-
ulation. La façon la plus simple et la plus efficace de structurer la données
reste le tableau de son expression la plus basique (vecteur) à son expression
la plus complexe (tableau multidimensionnel).

2.4.1 Vecteur ou série brute

Même si cette façon, la plus rudimentaire qui soit, d’organiser la donnée est
rare et peu commode, il convient malgré tout d’en parler. Le vecteur ou la
série brute consiste à énumérer les unes à la suite des autres en dans leur
ordre d’apparition ou de collecte les données. Exemple: le nombre de villes

Msc. Gervais Kubwimana

2.4. ORGANISER LES DONNÉES: LES TABLEAUX STATISTIQUES 32

de plus de 1 000 000 habitants sur chacun des 5 continents en 2005 s’écrit :
S1 = {82; 181; 75; 40; 54; 6}
On peut également écrire la série S1 en y ordonnant de façon croissante ou
décroissante les données comme suit :
S1 = {6; 40; 54; 75; 82; 181}
Mais ce type d’écriture ne permet pas de faire correspondre individu et
donnée. On parle alors de série ou de vecteur non classé non identifié dans le
premier cas (S1 ) et de série ou de vecteur classé non identifié dans le second

om
(S2 ). Afin de réaliser la correspondance entre individus et données, il suffit
d’accoler à la données concernée l’identifiant de l’individu auquel elle corre-

l.c
spond.

ai
Ainsi, une série non classée et non identifiée devient la série S3 non classée
gm
mais identifiée:
S3 = {(Europe, 82); (Asie, 181); (Amerique du N ord, 75); (Amerique du Sud, 40);
@

(Af rique, 54); (Oceanie, 6)}

a
an

Et la série classée non identifiée S2 devient la série S4 classée identifiée:

m
wi

S3 = {(Asie, 181); (Europe, 82); (Amerique du N ord, 75); (Af rique, 54);
ub

(Amerique du Sud, 40); (Oceanie, 6)} Un modèle d’organisation qui peut en-
core fonctionner lorsque le nombre d’individus est réduit mais devient rapi-
sk

dement lourd et susceptible d’entraı̂ner des erreurs à l’écriture c’est pourquoi

on lui préfère une présentation des données sous forme de tableau.

rv
ge

2.4.2 Les tableaux

Quelques notions et définitions de base: Un tableau est composé de lignes et
colonnes. Par convention - mais ce n’est pas une obligation - les individus
forment les lignes et les variables (ou caractères) les colonnes. La rencontre
d’une ligne et d’une colonne constituant une cellule destinée à contenir la
donnée caractéristique l’individu i pour la variable j . Chaque donnée est
donc repérable dans un tableau par un couple de coordonnées (i, j) , i figurant
la ligne et j la colonne. La taille d’un tableau correspond au nombre de
cellules qui le composent. Elle est obtenue en multipliant le nombre de lignes
L par le nombre de colonnes C (L × C).
Exemple 2.14. On interroge 10 individus sur leur taille, leur poids et leur
sexe. Le tableau résultant de l’enquête comportera L = 10 lignes et C = 3
colonnes soit 10× = 40 cellules = 30 données. Chaque donnée est localisable
dans le tableau par ses coordonnées comme suit:

Msc. Gervais Kubwimana

2.4. ORGANISER LES DONNÉES: LES TABLEAUX STATISTIQUES 33

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

La dimension d’un tableau est donnée par le nombre de variables se rap-

portant aux individus d’une même population.
Dans notre exemple, le tableau comporte 3 dimensions (taille, poids et sexe).
Chaque individu est repérable dans l’espace de travail par un ensemble de
coordonnées correspondant aux valeurs prises par celui-ci dans chacune des
variables. On parle alors de coordonnées thématiques.
Exemple : dans le tableau qui suit, l’individu 1 a comme coordonnées thématiques
: (1,82;78,M)

Msc. Gervais Kubwimana

2.4. ORGANISER LES DONNÉES: LES TABLEAUX STATISTIQUES 34

om
l.c
ai
gm
a @
an
m
wi

Il est possible de représenter graphiquement les individus en fonction de leurs

coordonnées thématiques dans un repère géométrique (x,y) pour 2 dimensions
ub

et (x,y,z) pour 3 dimensions, sachant qu’une représentation graphique n’est

plus possible au-delà de 3 dimensions même si statistiquement et mathématiquement

il demeure tout à fait possible de gérer et manipuler des tableaux dont la di-
rv

mension est supérieure à 3.

Le tableau constitue l’étape intermédiaire entre la donnée brute et le graphique.

Malgré un aspect quelque fois rébarbatif, le tableau véhicule souvent davan-
tage d’informations que le graphique mais demeure, il est vrai, plus inacces-
sible à une lecture rapide et concise d’un phénomène. Une inaccessibilité qui
va croissante avec sa taille.
Les différents types de tableaux :

[Link] Les tableaux unidimensionnels

Un tableau unidimensionnel ne concerne qu’une seule variable et par là même

une seule distribution. Le tableau de l’exemple précédent comporte 3 dimen-
sions. Il est possible de le scinder en 3 tableaux d’une seule dimension, en

Msc. Gervais Kubwimana

2.4. ORGANISER LES DONNÉES: LES TABLEAUX STATISTIQUES 35

om
l.c
ai
gm
a @
an
m
wi
ub
sk

Figure 2.5: Représentation graphique d’individus en fonction de leur coor-

ai
rv

données thématiques
ge

tableaux unidimensionnels. Chaque tableau correspond alors à une distribu-

tion (Cf. figure ci-dessous).

Le tableau unidimensionnel peut se présenter sous deux formes :

• une 1ère forme faisant correspondre individus et variable. Dans ce cas,

chaque cellule du tableau contient la valeur de la variable prise par
l’individu lui correspondant. On travaille ici sur des données brutes
qui autorisent le calcul de la moyenne, de la médiane, des quartiles ou
bien encore de la variance.

• Une 2ème forme où les lignes du tableau ne correspondent plus aux
individus mais aux modalités de la variable étudiée (attention, s’il s’agit
d’une variable continue, une discrétisation est nécessaire). Dans ce cas
de figure, les cellules du tableau contiennent alors les effectifs relatifs

Msc. Gervais Kubwimana

2.4. ORGANISER LES DONNÉES: LES TABLEAUX STATISTIQUES 36

à chaque modalité. Le regroupement des individus ne permet plus le

calcul des paramètres de tendance centrale inhérents à la distribution
initiale. Ce mode de représentation permet cependant, par ses aspects
synthétique, une meilleure lisibilité du phénomène. Cela est surtout
vrai lorsque le nombre d’individus est important.

om
l.c
ai
gm
a @
an
m
wi

Les formes restent complémentaires et nécessaires dans une approche globale

et complète d’un phénomène.

sk
ai
rv
ge

Msc. Gervais Kubwimana

2.4. ORGANISER LES DONNÉES: LES TABLEAUX STATISTIQUES 37

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Msc. Gervais Kubwimana

2.4. ORGANISER LES DONNÉES: LES TABLEAUX STATISTIQUES 38

om
Figure 2.6: Deux formes de présentation d’un tableau unidimensionnel

l.c
2.4.3 Les tableaux croisés à n dimensions (n ≥ 2)
ai
gm
Le tableau croisé à n dimensions est appelé ainsi car il ” croise ” n distri-
butions. Il va sans dire que plus n est grand, plus le tableau comporte de
@

cellules et plus il devient difficile à lire. D’une manière générale, on considère

a
an

qu’au-delà de 4 dimensions, la lecture d’une tableau croisé devient un exercice

compliqué. Un tableau croisé ne peut contenir que des effectifs (fréquences
m

absolues ou relatives).
wi

Dans la quasi totalité des cas de figures, les variables figurées dans les tableaux
ub

croisés le sont sous forme discrète, représentées par un nombre fini de modalités.
sk

Lorsque que le nombre de dimensions est supérieur à 2, les variables et leurs

modalités sont imbriquées. L’exemple qui suit devrait permettre de saisir
ai

toutes les propriétés et subtilités des tableaux croisés.

rv
ge

Exemple 2.15. Tableau croisé relatif aux caractéristiques du parc locatif

loué vide dans le département de Haute-Saône (données RGP 1999 – Insee):
Pour caractériser le parc locatif loué vide du département de la Haute-Saône,
nous avons retenu les variables suivantes déclinées en modalités :
• Nombre de pièces (1 pièce, 2 pièces, 3 pièces, 4 pièces, 5 pièces et plus),

• Époque de construction (Avant 1915, de 1915 à 1948, de 1949 à 1967,

de 1968 à 1981, de 1982 à 1989, 1990 et après)

• Type de logement (Individuel, Collectif)

• Statut (Parc Locatif Social, Parc Locatif Privé)

Tableau à 2 dimensions (ou tableau bidimensionnel) :retenons pour sa con-
struction les 2 variables les plus représentatives de la caractéristique d’un
parc de logement notamment dans la formation des loyers, à savoir le nombre

Msc. Gervais Kubwimana

2.4. ORGANISER LES DONNÉES: LES TABLEAUX STATISTIQUES 39

de pièces et l’époque de construction. Leur croisement, époque de construc-

tion en ligne et nombre de pièces en colonnes, aboutit à un tableau croisé de
dimension 2 comme suit :

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai

Chaque cellule du tableau croisé contient le nombre d’individus répondant

strictement aux critères des modalités dont elle est issue. Ainsi, dans notre
ge

exemple, la cellule mise en valeur, de coordonnées (2,3), contient-elle le nom-

bre de logements locatifs répondant à la fois au critère ” 3 pièces ” et au
critère ” de 1915 à 1948 ” : 857 constitue le nombre de logements locatifs
composés de 3 pièces et construits entre 1915 et 1948.

Tableau à 3 dimensions : au tableau précédent, il est possible de rajouter

une dimension, c’est-à-dire une variable. Rajoutons la variable ” type de
logement ” composées des modalités ” Individuel ” et ” collectif ”. Dans la
mesure où nous sommes limités graphiquement par une représentation en 2
dimensions, la dimension supplémentaire doit être rajoutée soit en ligne, soit
en colonne. On décide de la rajouter en ligne. Comme il y existe déjà une
dimension (ou variable), celle ajoutée doit y être déclinée pour chacune des
modalités de la variable existante comme figuré dans le tableau qui suit; on
dit alors que les dimensions sont imbriquées :

Msc. Gervais Kubwimana

2.4. ORGANISER LES DONNÉES: LES TABLEAUX STATISTIQUES 40

om
l.c
ai
gm
a @
an

Le nombre total de cellules s’accroı̂t alors que les effectifs par cellule diminue.
m

L’information devient plus précise mais se répartie en un nombre de cas de

figures plus important. La cellule surlignée (3,3) renseigne sur le nombre de

logements locatifs composés de 3 pièces sis dans un immeuble type maison

individuelle construite entre 1915 et 1948.
sk
ai
rv

Tableau à 4 dimensions : accroissons encore un petit peu la précision des

informations en ajoutant une 4e variable (ou dimension) à notre tableau.
ge

De la même façon, cette nouvelle variable peut être placée en ligne ou en

colonne. Afin d’équilibrer le tableau, nous décidons de localiser la nouvelle
variable ” statut ” et ses deux modalités (Parc Locatif Privé (PLP) et Parc
Locatif Social (PLS)) en ligne selon le même principe que précédemment. On
obtient le tableau qui suit. L’information devient encore plus précise mais
parallèlement la lecture du tableau se complexifie, à l’image de l’intitulé
de chacune des cellules le composant. La cellule ” exemple ” suivie depuis
le début de l’exercice indique que 358 individus sont des logements locatifs
ayant un statut privé et composés de 3 pièces sis dans une maison individuelle
construite entre 1915 et 1948.

Msc. Gervais Kubwimana

2.4. ORGANISER LES DONNÉES: LES TABLEAUX STATISTIQUES 41

om
l.c
ai
gm
a @
an
m

On a fait figurer dans ces tableaux successifs des effectifs (ou fréquences
wi

absolues) mais on aurait tout aussi bien pu y faire figurer des pourcentages
ub

(ou fréquences relatives). Les tableaux croisés permettent de confronter tous

les types de données entre eux (qualitatif et quantitatif) et ce, quelle que soit
sk

l’échelle de mesure (nominale, ordinale, intervalle ou de rapport).

ai
rv
ge

[Link] Les distributions marginales

Les exemples précédents de tableaux croisés n’ont fait figurer que les effectifs
cellulaires. Il est possible d’étendre la capacité informationnelle des tableaux
en leur adjoignant une colonne terminale supplémentaire correspondant à la
somme des valeurs en ligne et une ligne terminale supplémentaire correspon-
dant à la somme des valeurs en colonne.
Cette ligne et cette colonne sont appelées distributions marginales.

Exemple 2.16. En reprenant le dernier tableau croisé créé à 4 dimensions

et y ajoutant les distributions marginales, on obtient le résultat suivant :

Msc. Gervais Kubwimana

2.5. EXERCICES 42

om
l.c
ai
gm
a @
an

La lecture des distributions marginales distingue clairement lignes et

colonnes: ainsi la lecture du total par ligne ne permettra plus de déceler

les modalités de de la ou des variables figurant en colonnes et vice versa.

Dans notre exemple, la cellule ”total par ligne ” allumée nous informe sur le
sk

nombre total de logements locatifs type maison individuelle construite entre

1915 et 1948(sous-entendu toute taille de logements et tous statuts confon-

dus). On ne peut plus distinguer dans ce total ni la taille des logements ni leur
ge

statut. Cette remarque vaut pour les totaux calculés en colonnes. A noter
que la cellule donne la somme des lignes, égale à la somme des colonnes et
correspondant à l’effectif total de la distribution (27 066 logements locatifs).

2.5 Exercices
Exercice 2.1 (Q.C.M).

1. La variable statistique ” couleur de maisons d’un quartier ” est-elle:

Qualitative Quantitative
Discrète Continue
2. La variable statistique ” revenu brut ” est-elle :
Qualitative Quantitative
Discrète Continue

Msc. Gervais Kubwimana

2.5. EXERCICES 43

3. La variable statistique ” nombre de maisons vendues par ville” est-elle

:
Qualitative Quantitative
Discrète Continue

4. La variable statistique ”Niveau de la scolarité”est-elle:

Qualitative Quantitative
Discrète Continue

5. La variable statistique ”distance” est-elle :

Qualitative Quantitative

om
Discrète Continue

l.c
6. La variable statistique ” taille ” est-elle :
Qualitative Quantitative
ai
gm
Discrète Continue
@

7. La variable statistique ” lieu de résidence” est-elle :

Qualitative Quantitative
an

Discrète Continue
m
wi

8. La variable statistique ” nombre de langues parlées ” est-elle :

Qualitative Quantitative
ub

Discrète Continue
sk

9. La variable statistique ” couleur des yeux ” est-elle :

Qualitative Quantitative
rv

Discrète Continue
ge

Exercice 2.2. Parmi ces assertions, préciser celles qui sont vraies, celles qui
sont fausses.

1. On appelle variable, une caractéristique que l’on étudie.

2. La tâche de la statistique descriptive est de recueillir des données.

3. La tâche de la statistique descriptive est de présenter les données sous

forme de tableaux, de graphiques et d’indicateurs statistiques.

4. En Statistique, on classe les variables selon différents types.

5. Les valeurs des variables sont aussi appelées modalités.

6. Pour une variable qualitative, chaque individu statistique ne peut avoir

qu’une seule modalité.

Msc. Gervais Kubwimana

2.5. EXERCICES 44

7. Pour faire des traitements statistiques, il arrive qu’on transforme une

variable quantitative en variable qualitative.

8. La variable quantitative poids d’automobile peut être reclassée en com-

pacte, intermédiaire et grosse.

Exercice 2.3. Donner pour chaque caractère les modalités correspondantes

: Sexe, Etat civil, Marque de voiture, Race, Niveau de la scolarité,Taille,
Poids, Le groupe sanguin.

Exercice 2.4. La mention obtenue par 40 étudiants au hasard dans l’examen

om
de statistiques est consignée comme suit :

l.c
ai
gm
a @
an
m

Question: Répartir la mention dans une distribution de fréquences assez

simple.
ub

Exercice 2.5. Pour déterminer le type de logement (F2, F3, ...) à construire,
sk

on étudie 20 familles selon leur nombre d’enfants. Durant l’expérience, on

note les résultats suivants :

rv
ge

a) Déterminer, la population, l’unité (individu), la variable statistique et

les modalités.

b) Déterminer le tableau statistique avec xi , fi ,Fi et Fi (%)

Msc. Gervais Kubwimana

Chapter 3

Modes de représentation des

om
données : les graphiques

l.c
ai
gm
Graphiques et cartes sont les corollaires d’une bonne analyse et d’une in-
@

terprétation la plus complète possible de séries statistiques ou de résultats sur

des traitements de données. Ces modes de représentation de la donnée par-

ticipent à la compréhension des phénomènes, au même titre que les tableaux

simples ou élaborés, apportant une information certes agrégée, synthétique

mais très visuelle et en cela plus facile à aborder et à interpréter que ne le

ferait un tableau de chiffres.

Nous avons volontairement inclus dans ce chapitre le mode de représentation

cartographique même s’il convient de préciser qu’il constitue à lui seul une
rv

technique et même une science digne d’un chapitre voire d’un ouvrage à part
ge

entière. C’est pourquoi il ne sera abordé que très superficiellement mais suff-
isante pour en acquérir les bases.
La représentation graphique comme cartographique de données s’accompagne
nécessairement d’une simplification de la réalité à représenter. Cette perte
d’information – car tout simplification se traduit par une perte d’information
– est compensée, et quelques fois largement, par un gain indéniable en lis-
ibilité et en compréhension, pour peu qu’un certain nombre de règles aient
été respectées à l’occasion de l’élaboration du graphique ou de la carte.

3.1 Définition
Définition 3.1. Un graphique - étymologiquement ”qui figure par le dessin ”
- est une représentation visuelle et simplifiée d’une réalité appréhendée sous
une forme essentiellement numérique (série, tableau).

45
3.1. DÉFINITION 46

Un graphique peut figurer une seule variable – au quel cas on parlera de

graphique unidimensionnel – ou plusieurs variables. On parlera dans ce
dernier cas de graphique multidimensionnel.

Un graphique est composé de plusieurs éléments incontournables de base.

Ces sont :

om
l.c
ai
gm
• un système de coordonnées matérialisé par des axes (2 ou 3). Chaque
@

axe représente selon les cas de figure soit une variable étudiée soit une
a
an

fréquence (absolue ou relative), soit un repère temporelle (date). L’axe

horizontale ou abscisse est par convention appelé axe des X, l’axe ver-
m

ticale, ou ordonnée, axe des Y. Les axes X et Y se croisent à angle

droit en un point nommé origine. Chaque axe est gradué en fonction

du type de la variable qu’il représente (qualitatif ou quantitatif, discret

ou continu), de son unité de mesure et des valeurs ou modalités prises

par celle-ci.
ai
rv
ge

• Une zone de dessin (ou zone de tracé) à l’intérieur de laquelle est figuré
le tracé issu des données X et Y. Le type de dessin ou le type de tracé
dépend alors de la relation (X,Y), de ce que l’on souhaite montrer et
de la nature des variables impliquées.

Msc. Gervais Kubwimana

3.2. LES HISTOGRAMMES 47

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Chaque type de graphique est adapté à une ou plusieurs situation ou façon de

représenter l’information. Selon la nature des données, le nombre de variables
et ce que l’on souhaite montrer, il sera judicieux de choisir la représentation
graphique la mieux adaptée.

3.2 Les histogrammes

C’est la seule représentation graphique habilitée à figurer une distribution
statistique et ce, quelle que soit la nature de la variable. L’histogramme met
toujours en relation les effectifs d’une population (fréquences absolues ou
fréquences relatives) et les valeurs prises par les individus composant ladite
population pour une variable donnée. Le résultat de cette confrontation est
un graphique composé de barres ou bôtonnets jointifs dont la hauteur
et la surface sont proportionnels à l’effectif qu’ils représentent. C’est là la
grosse différence avec les graphiques en barres tels que sait les faire Excel :

Msc. Gervais Kubwimana

3.2. LES HISTOGRAMMES 48

les bâtonnets ne se touchent pas et si leur hauteur est bien proportionnelle

à l’effectif qu’ils représentent, ce n’est pas le cas de leur aire. Excel ne sait
pas faire simplement un histogramme.

L’histogramme est un graphique fondamental dans l’approche statistique

des caractéristiques d’une population et de la façon dont se distribue les
individus qui la composent en fonction de leurs valeurs. C’est un peu le
code génétique d’une population. Toute approche et analyse statistique d’un
phénomène devraient être précédées d’un tracé et d’une étude de son his-
togramme. Il existe deux façons de ” dessiner ” un histogramme : soit sous

om
la forme discrète de bâtonnets, soit sous une forme plus ” continue ” sorte
de courbe, appelée polygone de fréquences, obtenue en joignant les points

l.c
milieux des sommets de chaque bâtonnet.
ai
Exemple 3.1. La distribution des loyers mensuels au m2 hors charges dans
gm
le parc social du département du Jura
a @
an
m
wi
ub
sk
ai
rv
ge

Par convention, les fréquences sont inscrites en ordonnées, les valeurs de la

variable en abscisse. Cette dernière peut être qualitative ou quantitative,
discrète ou continue.
Il est possible de faire figurer plusieurs variables, donc plusieurs his-
togrammes ou polygones de fréquences sur un même graphique pour peu
que les unités de mesure soient identiques et que les échelles de valeurs soient
les mêmes ou à peu près. Il est également envisageable de faire figurer sur
un même graphique plusieurs histogrammes d’une même population corre-
spondant à son état à différentes dates.
Exemple 3.2. Comparaison des distributions des loyers mensuels au m2
hors charges des parcs privé et public du département du Jura. En 2007.

Msc. Gervais Kubwimana

3.3. LES GRAPHIQUES EN BARRES 49

om
l.c
ai
gm
a @
an
m
wi

3.3 Les Graphiques en barres

ub
sk

Même si en apparence les graphiques en barres ressemblent aux histogrammes,

il a été dit précédemment en quels points ils en différaient. Les graphiques

en barres permettent de comparer des effectifs ou des proportions selon les

modalités retenues et ce, quelle que soit le nature des variables. Les possi-
bilités qu’ils offrent en matière de représentation sont néanmoins beaucoup
plus larges que ce que permet l’histogramme. Il est en effet relativement aisé
de représenter plusieurs variables pour une même population, la même vari-
able et ses variations dans le temps, plusieurs populations pour une même
variable ainsi que plusieurs variables concernant plusieurs population. Im-
briquées.
On distingue trois types de graphiques en barres :

• Les graphiques en barres simples

• Les graphiques en barres multiples

• Les graphiques en barres empilées

Msc. Gervais Kubwimana

3.3. LES GRAPHIQUES EN BARRES 50

3.3.1 Graphique en barres simple

Ils permettent de confronter individus, modalités ou populations à date fixe

ou dans le temps

Exemple 3.3.

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

3.3.2 Graphique en barres multiples

Ils permettent, sur une même zone de tracé, de confronter plusieurs individus
et/ou plusieurs modalités à une ou plusieurs dates.

Exemple 3.4.

Msc. Gervais Kubwimana

3.3. LES GRAPHIQUES EN BARRES 51

om
l.c
ai
gm
a @

3.3.3 Graphique en barres empilées

an
m

Leur intérêt est indéniable mais ils présentent un inconvénient majeur : on

a souvent quelques difficultés à apprécier précisément les proportions ou les

effectifs réels → il faut souvent les noter sur le graphique occasionnant une
ub

surcharge susceptible de nuire à la lisibilité du graphique.

Exemple 3.5.
ai
rv
ge

Msc. Gervais Kubwimana

3.4. LES GRAPHIQUES EN SECTEURS 52

Tous ces graphiques peuvent se faire horizontalement et/ou avec effet 3D

sans que ça ajoute à leur contenu informationnel.

3.4 Les Graphiques en secteurs

Leur rôle ou objectif est identique aux graphiques en barres avec cependant
des possibilités graphiques moindres :il s’agit pour eux de figurer des effectifs
en fonction d’individus et/ou de modalités. Pas de possibilité de représenter

om
des évolutions.

l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

3.5 Les graphiques type courbes et aires

Essentiellement utilisée pour figurer des évolutions dans le temps d’un ou
plusieurs phénomènes non plus seulement sous l’angle des effectifs mais aussi
sous celui de la valeur même de la variable décrivant la population étudiée.

Msc. Gervais Kubwimana

3.6. LES GRAPHIQUES DE DISPERSION OU NUAGES DE POINTS 53

om
l.c
ai
gm
a @
an
m
wi
ub

3.6 Les graphiques de dispersion ou nuages

sk
ai

de points
rv
ge

Les graphiques de dispersion ou nuage de points mettent les valeurs de 2 ou

3 variables dans un repère de coordonnées cartésiennes en 2 ou 3 dimensions.
On ne figure donc plus ici des effectifs mais des individus en fonctions des
valeurs prises dans chacune des variables. Ce type de graphique revêt une
importance fondamentale en statistique descriptive car il permet, entre autres
choses, d’identifier et d’évaluer la relation entre deux variables et d’opérer
une analyse sur les individus (hiérarchisation, regroupement, etc.).

Exemple 3.6.

Msc. Gervais Kubwimana

3.6. LES GRAPHIQUES DE DISPERSION OU NUAGES DE POINTS 54

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Msc. Gervais Kubwimana

3.7. LES GRAPHIQUES POLAIRES OU RADAR 55

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

3.7 Les graphiques polaires ou radar

Très utiles et d’ailleurs très utilisés pour identifier des profils, des comporte-
ments (silhouettes) d’individus en fonction de leur comportement à l’égard
de plusieurs variables (au moins 4 mais au plus 12/14 pour des questions de

Msc. Gervais Kubwimana

3.7. LES GRAPHIQUES POLAIRES OU RADAR 56

lisibilité). Le principe de ce type de graphique consiste à construire une figure

comportant autant d’axes que de variables ou modalités étudiées dans un cer-
cle virtuel avec une origine commune et un espacement égal à 360 ◦ /nombre
de variables (d’où le nom polaire ou radar). Chaque axe possède une unité
de mesure et une graduation qui lui sont propres relativement à la variable
qu’il représente. Mais celles-ci doivent être identiques pour tous les indi-
vidus. D’une façon générale, il est tout de même préférable d’avoir la même
graduation pour l’ensemble des variables.

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Exemple 3.7. Profil socio-démographique de quelques communes

Msc. Gervais Kubwimana

3.7. LES GRAPHIQUES POLAIRES OU RADAR 57

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Msc. Gervais Kubwimana

3.8. LES GRAPHIQUES BOURSIERS OU GRAPHIQUES ” MINMAX ”
OU GRAPHIQUE EN ” MOUSTACHE ” 58

3.8 Les graphiques boursiers ou graphiques ”

MinMax ” ou graphique en ” moustache
”
Les traders et autres habitués des places boursières sont les principaux con-
sommateurs de ce type de graphiques par ailleurs utilisables et utilisés dans
bien d’autres contextes. C’est cependant de cette première utilisation qu’ils
tirent leur nom car ils permettent en effet de renseigner sur l’évolution des
cours boursiers au cours d’une période donnée en figurant 3 informations: le

om
minimum et le maximum enregistrés au cours de ladite période ainsi que la
valeur des cours en clôture. On peut facilement envisager une application

l.c
de ce type de graphique à d’autres thématiques comme celle des loyers en

ai
considérant par exemple, par ville, par type de logements ou pour une type
gm
de logements par date, les loyers minimal et maximal mesurés ainsi que la
moyenne (ou la médiane):
a @

Exemple 3.8. Les loyers dans le parc locatif privé de Besançon selon la
an

taille des logements.

m
wi
ub
sk
ai
rv
ge

Msc. Gervais Kubwimana

3.9. LES GRAPHIQUES SPATIAUX (XYZ) 59

3.9 Les graphiques spatiaux (xyz)

xyz représentent les 3 dimensions de l’espace: x et y les coordonnées géographiques,
z la composante altimétrique que l’on peut fort bien remplacer par n’importe
quelle variable pour peu qu’à celle-ci soit rattachée une dimension spatiale (ce
qui n’est pas le cas de toutes les variables). Il en est de même des coordonnées
géographiques lesquelles peuvent être substituées par d’autres variables. Le
résultat est une surface

Exemple 3.9. La variabilité spatiale des prix du foncier constructible (∈

om
/m2 ).

l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

3.10 Les graphiques triangulaires ou triangle

de d’Alembert
Le principe de ce type de graphique, au demeurant peu utilisé et c’est dom-
mage car sa valeur heuristique est très forte, repose sur le fait que dans un
triangle équilatéral la somme des distances d’un point s’y trouvant aux trois
côtés est constante et égale à la hauteur dudit triangle. En utilisant et ap-
pliquant cette propriété, il devient possible de représenter un phénomène qui
est la somme de trois grandeur représentées par des pourcentages.

Msc. Gervais Kubwimana

3.10. LES GRAPHIQUES TRIANGULAIRES OU TRIANGLE DE
D’ALEMBERT 60

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv

Pour une même population, le graphique triangulaire permet, le cas échéant,

de grouper les individus selon leur profil dans les 3 variables complémentaires
retenues. Sur plusieurs dates, il permet de montrer l’évolution des profils. Il
est, en ce sens, assez proche du graphique polaire ou radar.

Exemple 3.10. on s’intéresse à la structure par époque de construction du

parc de logements de l’ensemble des communes d’un département français.
Trois classes de périodes de construction considérées comme significativement
discriminantes ont été retenues : Avant 1948, de 1948 à 1981, 1982 et après.
Chaque commune est localisable à l’intérieur du graphique triangulaire au
moyen de coordonnées triples correspondant aux valeurs prises dans chacune
des modalités retenues. La projection de l’ensemble des individus dans le
graphique triangulaire devrait permettre d’identifier des groupes composés
de communes au profil semblable.

Msc. Gervais Kubwimana

3.11. EXERCICES 61

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

3.11 Exercices
Exercice 3.1. Le tableau suivant donne la répartition selon le groupe san-
guin de 40 individus pris au hasard dans une population,

Msc. Gervais Kubwimana

3.11. EXERCICES 62

Goupe sanguin A B AB O
L’effectif 20 10 n3 5

1. Déterminer la variable statistique et son type.

2. Déterminer l’effectif des personnes ayant un groupe sanguin AB.

3. Donner toutes les représentations graphiques possibles de cette distri-

bution.

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Msc. Gervais Kubwimana

Chapter 4

Caractériser une distribution et

om
résumer des tableaux
l.c
statistiques à l’aide de ai
gm
paramètres appropriés :
a @

tendance centrale et dispersion

an
m
wi
ub

C’est un des objectifs fondamentaux et LE défis de la statistique descriptive

: résumer de façon simple de grandes séries statistiques tout en en conser-

vant au mieux le contenu informationnel en limitant au maximum la perte

d’informations inhérente à ce processus réducteur.

Afin d’y parvenir, la statistique a développé un certain nombre d’outils pour
ge

d’une part caractériser et résumer au mieux des distributions statistiques et

pour d’autre part mettre en évidence, voire exacerber, le cas échéant, leurs
différences.

Deux groupes complémentaires de paramètres permettent d’atteindre ces

objectifs :

• Les paramètres de tendance centrale

• Les paramètres de dispersion

Ces deux groupes de paramètres sont complémentaires pour la description et

le résumé de distributions statistiques et on ne saurait faire abstraction de
l’un ou de l’autre pour ces opérations.

63
4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 64

4.1 Les paramètres de tendance centrale

Les paramètres de tendance centrale ou ” mesures de tendance centrale ” sont
des grandeurs susceptibles de représenter au mieux un ensemble de données.
L’appellation ” mesure de tendance centrale ” vient du fait que ces paramètres
donne une idée de ce qui se passe au centre d’une distribution, d’un ensemble
de données.
On distingue trois mesures de tendance centrale :

• Le mode

om
• La médiane

l.c
• Le moyenne
ai
gm
Tous les trois ne décrivent par la même chose et sont, de ce fait, complémentaires
@

dans la description et l’analyse d’une distribution.

a
an

4.1.1 Le mode
m
wi

Noté M o, il correspond à la valeur qui apparaı̂t le plus souvent dans une

distribution, autrement la valeur qui a la fréquence (absolue ou relative) la

plus élevée. S’il s’agit de données non groupées, la valeur modale est claire-
sk

ment identifiable. Par contre, si l’on est en présence de données groupées en

classes, le mode se rapportera à la classe comportant le plus grand nombre

d’individus : on parlera alors de classe modale.

Attention ! Le mode est la seule mesure centrale qui peut être relevée et
utilisée aussi bien pour des données qualitatives que quantitatives.

Exemple 4.1. En relevant les notes à un examen d’une classe de 28 élèves,

on obtient la série suivante :

S1 = {9; 11; 13; 5; 8; 14; 6; 12; 5; 10; 16; 3; 12; 13; 8; 13; 8; 7; 13; 13; 9; 17; 10; 13; 6; 13; 7; 14}

qui triée devient :

S1 = {3; 3; 5; 5; 6; 6; 7; 7; 8; 8; 8; 9; 9; 10; 10; 11; 12; 12; 13; 13; 13; 13; 13; 13; 14; 14; 16; 17}

à partir de laquelle on peut dresser le tableau de fréquences et l’histogramme

suivants :

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 65

om
l.c
ai
gm
a @
an
m
wi
ub
sk

La note ” 13 ” apparaı̂t 6 fois. Elle est, avec une fréquence relative de

(6/28) × 100 = 21, 4% la note la plus représentée de la distribution. Le mode

Mo est donc ici égale à 13.

Exemple 4.2. Examinons les notes obtenues au même examen par la classe
voisine composée de 30 élèves:

S2 = {9; 11; 2; 10; 5; 8; 14; 6; 12; 5; 10; 16; 3; 12; 10; 18; 7; 13; 7; 7; 13; 11; 9; 17; 10; 7; 6; 10; 7; 17}

qui une fois triée devient :

S2 = {2; 3; 5; 5; 6; 6; 7; 7; 7; 7; 7; 8; 9; 9; 10; 10; 10; 10; 10; 11; 11; 12; 12; 13; 13; 14; 16; 17; 17; 18}

On obtient dès lors le tableau de fréquences et l’histogramme suivants:

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 66

om
l.c
ai
gm
a @
an
m
wi
ub
sk

Dans ce cas-ci, deux modalités présentent les fréquences les plus élevées : les
ai

notes ” 7 ” et ” 10 ” avec toutes deux une fréquence relative de 16, 6% (5

occurrences chacune). La distribution comporte ici deux modes, M o1 = 7 et

M o2 = 10. On parle alors de distribution bimodale.

Exemple 4.3. Dans une troisième classe, composée de 24 élèves, les notes
obtenues au même examen sont les suivantes:

S3 = {3; 12; 16; 5; 3; 7; 10; 7; 16; 5; 11; 13; 11; 9; 13; 9; 10; 12; 8; 15; 15; 8; 19}

qui une fois triée devient :

S3 = {3; 3; 5; 5; 7; 7; 8; 8; 9; 9; 10; 10; 11; 11; 12; 12; 13; 13; 15; 15; 16; 16; 19}

On obtient par le fait le tableau de fréquences et l’histogramme suivants:

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 67

om
l.c
ai
gm
a @
an
m
wi
ub

Plutôt que de parler de distribution multimodale (à plusieurs modes) on

parlera davantage ici de distribution amodale (sans réel mode). Dans cet ex-
ai

emple, le mode est une mesure non-significative. C’est souvent le cas lorsque
rv

l’on est en présence d’une distribution contenant peu de résultats.

Le mode n’est évidemment pas suffisant pour caractériser et résumer une

distribution. Il l’est encore moins pour comparer et différencier des distribu-
tions. Deux distribution peuvent en effet avoir le même mode avec cependant
des allures, et donc des caractéristiques, totalement différentes. On a donc
inventer d ’autres paramètres, d’autres mesures susceptibles de mieux car-
actériser et/ou différencier des distribution. C’est le cas de la médiane.

4.1.2 La médiane
Étymologiquement ” médiane ” signifie milieu, et c’est bien de ça dont il
s’agit car la médiane est réellement le milieu d’une distribution. Noté Me, la
médiane correspond à la valeur de la distribution qui partage l’effectif total en
deux sous-effectifs de même taille de telle sorte que l’on puisse dire que 50%
des individus d’une population sont caractérisés par une valeur supérieure à

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 68

celle de la médiane et que 50% des individus de cette même population ont
une valeur inférieure à la médiane.

om
Exemple 4.4. La médiane des revenus pour une population donnée corre-

l.c
spond à la valeur du revenu pour laquelle on a 50% de ladite population dont
ai
le revenu est supérieur à cette valeur et 50% dont le revenu est inférieur. On
gm
parle alors de revenu médian.
a @
an

Le revenu médian par ménage dans le département des Yvelines était, en

2002, de 34 506 contre 17640 pour le département de la Creuse.

wi
ub
sk
ai
rv
ge

Attention! Contrairement au mode, la médiane est une mesure

centrale qui ne peut être calculée et utilisée que pour des variables
quantitatives, continues ou discrètes.

Comment calculer la médiane ?

Si le mode, pour être révélé, ne nécessite aucun calcul mais simplement de
l’observation, la médiane impose quant à elle, un certain nombre de manip-
ulations voire de calcul pour sa mesure.
Reprenons pour ce faire l’exemple relatif aux notes relevées lors d’un même
examen dans différents classes en ne retenant que deux séries :

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 69

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Quelle est, pour chacune des classes, la note médiane ?

Pour le calcul de la note médiane il faut:

1. Classer les valeurs de la série par ordre croissant. Cette opération a

pour but d’affecter un rang à chaque valeur et ainsi de déterminer plus
facilement le milieu de la série donc la médiane.

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 70

om
l.c
ai
gm
a @
an
m

2. Déterminer si la série comporte un nombre n pair ou impair de valeurs.

Deux cas peuvent alors se présenter:

ub
sk

• Si n est pair,il n’y a pas possibilité d’identifier simplement la valeur

qui partage la population en deux effectifs égaux. Deux valeurs

se situent au centre de la série et jouent ce rôle respectivement de

rang (n/2) et [(n/2) + 1]. La médiane est alors égale à la moyenne

des valeurs encadrant le milieu de la série. C’est le cas dans la série
de notes de la classe 1 composée de 28 valeurs. La médiane se situe
entre le 14e et le 15e rang et sa valeur est donc comprise entre 10
et 11. L’application de la règle sus mentionnée nous donne donc
une médiane Me de (10 + 11)/2 = 10,5
• Si n est impair alors il est possible d’identifier simplement la valeur
qui partage la population en deux effectifs égaux. Le rang central
étant égal à [(n + 1)/2]. C’est le cas dans la série de notes de la
classe 3 composée de 23 valeurs. La médiane se situe au niveau du
12e rang et sa valeur est lue directement en face de ce 12e rang,
dans notre M e = 10

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 71

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

La médiane peut également être repérée graphiquement sur le courbe des

fréquences cumulées comme suit :

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 72

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai

Même si Excel ou d’autres applications disposent de fonctions capables de

calculer automatiquement la médiane, il est bon de savoir comment ce calcul

se fait.

La médiane de données groupées est également calculable ou plutôt es-

timable par interpolation. La médiane est trouver et à estimer dans le classe
où se situe le rang divisant en deux parties égales la population.

Exemple 4.5. en regroupant les valeurs de la série de notes de la classe 3

en 4 groupes on obtient l’organisation suivante:

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 73

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Pour chaque classe (ou groupe) on connaı̂t la fréquence absolue ou relative

que l’on cumule pour repérer plus facilement la classe ou le groupe devant
contenir la médiane. Dans notre exemple, la classe contenant la note médiane
est la classe [de 10 à 14] car c’est celle qui contient la fréquence cumulée 50
%. Connaissant n = 23 impair on sait que la médiane correspond au rang 12
qui se situe bien dans la classe [de 10 à 14]. Le rapport des différences effectif
médian (12) – borne inférieure de la classe médiane (10) à borne supérieure
de la classe médiane (18) – borne inférieure de la classe médiane (10) nous
donne le rapport à appliquer aux valeurs pour trouver la note médiane :

(12 − 10)/(18 − 10) = 2/8 = 0, 25 pour les effectifs. Pour la valeur

médiane, on connaı̂t l’amplitude de la classe médiane (14 − 10 = 4). Il nous
reste donc à trouver la différence entre la médiane (V m) et la borne inférieure
de la classe de valeurs médiane (10). Cette différence est appelée x. A l’aide
du rapport (0,25) calculé précédemment, on peut écrire:

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 74

La médiane Me est donc égale à la borne inférieure de la classe médiane +x

soit 10 + 1 = 11.

4.1.3 La moyenne

om
La moyenne constitue un autre paramètre de tendance centrale fondamental

l.c
mais non suffisant pour caractériser une distribution. Complémentaire du

ai
mode et surtout de la médiane, la moyenne constitue à n’en point douter,
gm
la mesure la plus calculée et la plus utilisée lors de la description de séries
statistiques.
a @

Il existe plusieurs types de moyennes, chacun adapté à des situations

précises :
m
wi
ub
sk
ai
rv
ge

[Link] La moyenne arithmétique

C’est la plus simple et la communément utilisée et ce, pas toujours à bon
escient. Elle se note x la plupart du temps. Elle peut être simple ou pondérée.
Attention ! On ne peut pas calculer de moyenne arithmétique sur des données
qualitatives.

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 75

La moyenne arithmétique simple

Sa version simple correspond à une somme de résultats divisée par le nombre
de résultats et s’écrit :

om
l.c
ai
gm
a @

Exemple 4.6. Le loyer moyen dans le parc locatif privé de Besançon au

01/01/2008.
m

A la suite d’une enquête, on dispose de exactement 1 011 références

de loyers représentatives ensemble de la structure du parc. La moyenne

arithmétique simple des loyers mensuels au m2 hors charges s’écrit donc :

sk
ai
rv
ge

Le calcul nous donne un loyer mensuel moyen au m2 hors charges de

7, 83. Cependant, la moyenne simple, dans son principe de calcul, ne per-
met de tenir compte de la structure de la population étudiée et du poids
éventuellement différent que peuvent avoir chacun des individus ou classes
d’individus la composant.

La moyenne arithmétique pondérée

moyenne arithmétique pondérée, autant le dire tout de suite, donne, dans
son utilisation classique (c’est-à-dire lorsque tous les individus ont le même
poids), le même résultat que la moyenne arithmétique simple. Sa formule
est cependant différente puisqu’elle introduit la notion de poids via un terme
supplémentaire qui peut s’avérer utile dans certaines situations, notamment

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 76

lorsque justement les individus composant une population n’ont pas le même
poids ou coefficient : certains individus, pour diverses raisons, ont davantage
d’influence dans ladite population que les autres. Ce peut être le cas par
exemple lorsque l’on a affaire à une série de notes dont le coefficient n’est pas
le même.
En considérant un ensemble de données

X = {x1 , x2 , x3 , ..., xi , ..., xn }

om
et une ensemble de poids non négatifs correspondants :

l.c
ai
W = {w1 , w2 , w3 , ..., wi , ..., wn }
gm
@

Dans le cas général le poids wi représente l’influence de l’élément xi par

rapport aux autres. La formule de la moyenne pondérée s’écrit alors :

an
m
wi
ub
sk
ai
rv
ge

La moyenne arithmétique de données groupées

Autant que faire se peut, ce type de calcul est à éviter car source d’imprécision
et d’erreur trop importantes. Cependant, on peut être confronter à une
situation où seules des données groupées sont disponibles. Dans ce cas, et
seulement dans celui-là, on peut être autorisé à calculer une moyenne à partir
de classes. On agit alors comme si tous les résultats d’une classe se trouvaient
au centre de celle-ci. La moyenne de la distribution est alors calculée à partir
des valeurs centrales des classes pondérées par leurs effectifs respectifs.

Exemple 4.7.

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 77

om
l.c
ai
gm
a @
an
m

[Link] La moyenne géométrique

Sa définition purement mathématique est un peu rébarbative mais son utilité

est grande comme nous allons le démontrer.

La moyenne géométrique de n valeurs positives xi est la racine nième du

produit de ces valeurs. Notée G ou xG , elle s’écrit :

rv
ge

La moyenne géométrique est un instrument permettant de calculer des taux

moyens, notamment des taux moyens annuels. Son utilisation n’a un sens
que si les valeurs ont un caractère multiplicatif.

[Link] La moyenne harmonique

On utilise la moyenne harmonique lorsqu’on veut déterminer un rapport
moyen dans des domaines ou ils existent des liens de proportionnalité inverse.

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 78

La moyenne harmonique de N valeurs est le nombre dont l’inverse est la

moyenne arithmétique des inverses desdites valeurs. C’est un peu compliqué
comme définition ! Voilà ce que ça donne sous une forme mathématique :

om
La moyenne harmonique permet de calculer des moyennes sur des fractions

l.c
si le dénominateur change. C’est le cas du calcul de la vitesse moyenne par-
courue dans un trajet aller/retour, la vitesse étant la valeur représentée par
distance / temps. ai
gm
a @
an

[Link] La moyenne quadratique

Une moyenne qui trouve des applications lorsque l’on a affaire à des phénomène
wi

présentant un caractère sinusoı̈dal avec alternance de valeurs positives et de

valeurs négatives. Elle est, de ce fait, très utilisée en électricité. Elle per-
met notamment de calculer la grandeur d’un ensemble de nombre. A titre
sk

d’information, elle s’écrit :

ai
rv
ge

[Link] La moyenne glissante ou moyenne mobile

La moyenne glissante, ou moyenne mobile trouve son application dans l’analyse
des séries temporelles de données en permettant la suppression des fluctua-
tions de façon à en souligner les tendances sur le long terme. Cette moyenne
est dite mobile parce qu’elle est recalculée de façon perpétuelle, dès lors
qu’une nouvelle donnée intègre la série en venant remplacer la plus ancienne,
modifiant ainsi la date de référence. Cette façon de faire tend à lisser le
phénomène étudié en noyant les valeurs extrêmes dans une masse de données
davantage représentative d’une tendance moyenne.

Msc. Gervais Kubwimana

4.1. LES PARAMÈTRES DE TENDANCE CENTRALE 79

Exemple 4.8. On dispose de données mensuelles concernant l’évolution des

prix à la consommation (inflation) et on souhaite connaı̂tre pour chaque mois
l’évolution mensuelle moyenne des prix sur un trimestre.

om
La moyenne trimestrielle glissante calculée pour chaque mois tient compte

l.c
tient de la valeur du mois de référence et des valeurs des 2 mois précédents.

ai
Ainsi, la moyenne trimestrielle calculée au mois de référence Juillet 2008 don-
gm
nera donc : (−0, 1 + 0, 2 + 0, 5)/3 = 0, 6/3 = 0, 20. Celle du mois d’Août
2008 donnera (−0, 3 + (−0, 1) + 0, 2)/3 = −0, 2/3 = −0, 07. Remarque : on
@

ne peut calculer la moyenne glissante pour les deux premiers mois de la série.
a
an

D’une façon générale, la moyenne glissante s’écrit :

m
wi
ub
sk
ai
rv

Où
N représente le nombre de valeurs successives à prendre en compte. Dans
ge

notre exemple N = 3

xn représente la valeur de référence. Dans notre exemple xn soit x3 et

correspond à la valeur du mois de Juillet 2008 soit −0, 1.

k représente le rang. Dans notre exemple, k = 0 pour juillet 2008

(référence), k = 1 pour Juin 2008, etc.

Dans notre exemple cela nous donne :

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 80

Relation entre les différentes moyennes

D’une façon générale, pour une même distribution, les résultats obtenus
par les différentes moyennes décrites s’organisent de la façon suivante :

Moyenne Harmonique ≤ Moyenne Géométrique ≤ Moyenne Arithmétique

≤ Moyenne Quadratique.

4.2 Les paramètres de dispersion

om
Pour caractériser et résumer une distribution il est nécessaire de fournir deux

l.c
mesures : une reflétant le centre de la distribution (mesures de tendance

ai
centrale) et une autre renseignant sur la dispersion ou l’éparpillement des
gm
données autour notamment des paramètres de tendance centrale.
@

Nous étudierons quatre paramètres de dispersion parmi les principaux en

mettant plus particulièrement l’accent sur la variance et l’écart-type :

an
m

• Minimum, maximum, étendue et rapport de variation

• L’intervalle interquartile
ub
sk

• La variance
ai

• L’écart-type
rv
ge

4.2.1 Minimum, maximum, étendue et rapport de vari-

ation d’une distribution
Minimum et maximum d’une série statistique correspondent respectivement
et comme leur nom l’indique à la valeur minimale et à la valeur maximale
rencontrées dans ladite série. Ces deux paramètres ont une triple utilité: ils
permettent,

1. de calculer l’étendue de la distribution, également appelée intervalle de

variation (IV ), c’est-à-dire l’écart entre le minimum et le maximum.
La connaissance de ce paramètre est indispensable à toute opération
de discrétisation. Il permet également, pour une même variable, de
comparer plusieurs distributions

IV = M ax − M in

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 81

2. de calculer le rapport de variation (V ) , c’est-à-dire le rapport de la

valeur maximale de la distribution à la valeur minimale de la même
distribution. Utile également lorsque l’on souhaite comparer, pour une
même variable, différentes distribution entre elles.

M ax
RV =
M in

3. de connaı̂tre les limites d’une distribution en vue de son éventuelle

om
discrétisation

l.c
ai
Exemple 4.9. Les notes d’élèves de deux classes au même examen.
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 82

om
l.c
ai
gm
Le rapport de variation nous apprend que dans la classe 1 la meilleure est
@

5,7 fois plus élevée que la note la plus faible. Ce rapport est plus important
a

dans la classe 3 pour laquelle il est 6,3.

an
m
wi
ub

4.2.2 Intervalle interquartile

sk
ai

Étendue et rapport de variation ne renseignent que de façon imprécise voire

trompeuse sur la dispersion des valeurs dans une distribution compte tenu no-
ge

tamment de la présence fréquente de valeurs extrêmes exceptionnelles, alors

que le reste de la population demeure concentré sur une intervalle beau-
coup plus restreint. Souvent peu nombreuses, ces valeurs extrêmes peuvent
pourtant perturber de façon importante l’appréciation que l’on peut se faire
des caractéristiques d’une distribution. Pour s’en rendre compte, il suffit
d’examiner l’exemple qui suit:

Exemple 4.10. Nous disposons de l’ensemble des informations relatives aux

transactions immobilières à titre onéreux dans l’ancien pour les maisons in-
dividuelles sur le département du Doubs pour l’année 2003. On cherche à
étudier et résumer la distribution (env. 2 300 valeurs) afin d’en extraire les
principales informations de prix en vue d’une présentation à des élus. On
calcule donc les paramètres de tendance centrale et de dispersion connus
jusqu’à ce stade de la présentation et on obtient :

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 83

om
l.c
ai
gm
a @
an
m
wi
ub
sk

Intervalle et rapport de variation sont très importants tant les individus

qui composent la population étudiée diffèrent des uns des autres pour le
rv

caractère appréhendé (prix). Par contre, médiane et moyenne ne sont que

très peu perturbées pas les valeurs extrêmes certes exceptionnelles par leur
grandeur mais trop peu nombreuses au regard de la masse des valeurs dites
”dans la norme ” (voir histogramme). Preuve en est: si on retire ces valeurs
extrêmes, moyenne et médiane ne bougent que très peu. A contrario, étendue
et rapport de variation s’en trouve considérablement amoindris:

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 84

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

La nécessité se fait donc d’utiliser d’autres mesures de dispersion plus à même

de prendre en compte de façon plus précise la dispersion d’une distribution

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 85

comme par exemple l’intervalle interquartile. Auparavant il convient cepen-

dant de définir les quartiles.

4.2.3 Les quartiles, déciles et centiles

Dans une distribution dont les individus ont été au préalable triés par ordre
croissant, les quartiles correspondent aux trois valeurs qui partagent une
population en quatre sous-ensembles de même taille, c’est-à-dire d’effectifs
égaux. Par convention, les quartiles sont respectivement par Q1 , Q2 et Q3 de
telle sorte que l’on peut écrire pour chacun d’eux :

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 86

Les quartiles se déterminent de la même façon que la médiane et nécessitent,

comme pour cette dernière, que les valeurs de la distribution aient été au
préalable classées par ordre croissant. Il suffit alors de cumuler les fréquences
(absolues ou relatives) et de se positionner à l’endroit où résident les seuils
Q1 = 25%, Q2 = 50% et Q3 = 75% et de lire les valeurs correspondantes de
la distribution.

De façon visuelle et approximative, il est toujours possible d’utiliser, après

l’avoir tracée, la courbe des fréquences cumulées comme suit :

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

De la même manière, et dans le but de préciser et d’affiner encore l’analyse de

la dispersion d’une distribution, on peut faire appel aux notions de déciles et
de centiles. Le principe demeure le même que pour les quartiles à la différence
que la population est ici divisée respectivement en 10 et 100 sous-populations
d’égal effectifs:

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 87

om
l.c
ai
gm
a@
an
m
wi
ub
sk
ai
rv
ge

Grâce aux quartiles (comme aux déciles) il devient possible d’améliorer la

description et l’analyse de la dispersion d’une distribution et de comparer de
façon plus sûre et plus pertinente deux distributions entre elles ou bien en-
core la distribution d’une même population à deux dates différentes pour une
même variable, en rappelant que la mesure de dispersion qui nous intéresse
n’est pas nécessairement le quartile (qui n’est pas une mesure de dispersion)
mais l ’intervalle interquartile , c’est à dire la différence entre le troisième
quartile (Q3) et le premier quartile (Q1).

Noté I2 Q il s’écrit: I2 Q = Q3 − Q1

L’intervalle interquartile contient toujours 50 % de la distribution. Plus

il est large, plus la distribution est dispersée. Afin d’illustration, reprenons
l’exemple précédent relatif aux prix des logements lors de transactions im-
mobilières sur maisons individuelles dans le département du Doubs en 2003

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 88

et ajoutons l’année 2005 :

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Graphiquement, cela donne :

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 89

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Un certains nombre d’observations et de conclusions peuvent d’ores et déjà

être tirées à partir des mesures effectuées et des graphiques établies qui per-
mettent de décrire et de résumer un phénomène et sa distribution (rappelons
qu’au départ nous avions une série de près de 3 000 valeurs) :
• En 2003, 50 % des biens vendus avaient une valeur de marché inférieure
à 117000 (et de façon corollaire 50 % des biens vendus l’ont été à un
pris supérieur à 117000).
• En 2005, pour le même prix, 30% des biens vendus avaient un prix
inférieur et 70% un prix supérieur: les prix ont monté. Le seuil de
50% (médiane) est rendu à 150000 en 2005 soit plus élevé de 28, 2%.
Sur les deux années, la moyenne passe de 122 165 à 154 220 soit une
progression de 26, 2% moins importante que la médiane : de ce constat

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 90

on peut en déduire que la dispersion des valeurs s’est aggravée ce que

confirme l’intervalle interquartile calculé sur les deux dates.

Malgré l’amélioration de la description et de la distribution et de la variable

associée, il n’est cependant pas encore possible de décrire sans ambiguı̈té
celle-ci et surtout de mesurer avec précision la dispersion des valeurs la com-
posant. Alors que l’étendue (ou intervalle de variation) dépend uniquement
des valeurs extrêmes, que l’intervalle interquartile dépend de 50% des données

om
situées au milieu de la distribution, il nous faut introduire un nouveau et
ultime paramètre qui dépendra de tous les résultats. Cette mesure devra

l.c
avoir la propriété d’être petite lorsque les valeurs seront proches les unes des

ai
autres, et grande lorsque ces mêmes valeurs seront très éparpillées. Cette
gm
mesure existe, elle se nomme écart-type.
a @
an
m

[Link] Variance et Écart-type et variance de données non groupées

wi
ub

Considérons une distribution pour laquelle on a calculé les paramètres de

tendance centrale comme la médiane et la moyenne. Comme leurs noms

l’indiquent, et comme mentionné plus haut, ces mesures caractérisent le cen-
ai
rv

tre de la distribution. Parmi celles-ci, considérons la moyenne comme une

référence. Que penser alors de l’écart entre chaque valeur de la distribution
ge

et cette moyenne ?

(xi − x)

Plus cet écart sera faible, plus la valeur xi sera proche de la moyenne et donc
du centre de la distribution. A contrario, plus l’écart sera important et plus
xi sera éloignée du centre de la distribution. La prise en compte de la somme
l’ensemble des écarts à la moyenne, c’est-à-dire de la somme de tous les écarts
entre les xi et la moyenne donne logiquement 0, la moyenne étant au centre
de la distribution:

n
X
(xi − x) = 0
i=1

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 91

om
l.c
ai
gm
a @

Si l’on veut tenir compte de l’ensemble des distances à la moyenne sans pâtir
an

d’une somme nulle résultat de la compensation entre écarts négatifs et écarts

positifs, il est nécessaire d’élever au carré 2 chaque écart de telle sorte que
wi

l’on est :
n
ub

(xi − x)2 6= 0
X

i=1
sk

Que penser ensuite de la moyenne calculée de ces écarts élevés au carré ?

ai
rv
ge

Ce paramètre écrit S 2 ou σ 2 c’est la variance, notion fondamentale en statis-

tique. La variance satisfait à toutes les exigences énoncées plus haut rela-
tivement à la mesure de la dispersion d’une distribution. La variance pose
toutefois le problème de proposer un résultat en unité élevée au carré. Si
les données xi sont en euros, la moyenne sera en euros, de même que l’écart
(xi − x) alors que la variance sera en euros carrés. Pour revenir à l’unité
initiale il faut extraire la racine carrée de la variance ou écart-type. Ce
dernier s’écrit : sP
√ n
i=1 (xi − x)
2
σ = σ2 =
n

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 92

Propriétés et utilité de l’écart-type :

• Son unité est celle de la variable à laquelle il se rapporte. Si la variable

étudiée est exprimée en euro (), l’unité de l’écart-type sera l’euro.

• Un écart-type faible signifie que les valeurs sont relativement con-

centrées autour de la moyenne et que la population regroupe des indi-
vidus aux caractéristiques relativement homogène.

om
• A contrario, un écart-type élevé est révélateur de valeurs très dispersées
autour de la moyenne et d’une population hétérogène.

l.c
ai
• L’écart-type peut servir de bornes pour délimiter une partie de la pop-
gm
ulation, celle la plus proche des tendances centrales et donc la plus
représentative du phénomène étudié et la plus pertinente à son in-
@

terprétation, ou bien celle la plus éloignée. En prenant comme point de

référence la moyenne d’une distribution et en considérant l’écart-type

comme une unité de distance à cette moyenne, et de part et d’autre de

celle-ci, il devient possible de mesurer la proportion de la population

(ou le nombre d’individus) compris entre les limites ainsi définies qui
ub

s’écrivent :
sk
ai
rv
ge

Dans les conditions statistiques idéales c’est-à-dire celle d’une population

parfaitement bien distribuée autour des paramètres centraux, on sait que :

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 93

om
l.c
ai
gm
a @
an
m
wi
ub
sk
ai
rv
ge

Écart-type et variance de données groupées

De la même façon, il est possible, en respectant certaines règles, de calculer
la variance et l’écart-type pour des données groupées, c’est-à-dire ayant fait
l’objet d’une discrétisation.

Comme ce fut le cas pour le calcul de la moyenne de données groupées,

il faut prendre en compte le centre de chaque classe et considérer que les
individus d’une même classe ont tous la même valeur, celle du centre de leur
classe.
Exemple 4.11. Trouver la variance et l’écart-type de la distribution suiv-
ante:

Msc. Gervais Kubwimana

4.2. LES PARAMÈTRES DE DISPERSION 94

om
Cette distribution aura la même variance et le même écart-type que la série
{5; 5; 8; 8; 8; 8; 8; 11; 11; 11}.

l.c
ai
gm
a @
an

Quelques remarques :
m
wi

• Contrairement au cas continue (données non groupées), (xi − x) 6= 0

P
ub

. Cela est lié au fait que l’on ne travaille pas sur des valeurs justes
mais sur des centres de classes. Dans ce cas, la compensation n’est pas
sk

automatique, d’où l’inégalité.

ai
rv

• Dans la formule de calcul de la variance (et indirectement dans celle

de l’écart-type), n est remplacé par (n − 1). Cette substitution est
ge

courante lorsqu’il s’agit non pas de calculer sûrement variance et écart-

type comme on peut le faire dans le cas d’une population à l’effectif
connu et complet, mais lorsque l’on travaille sur un échantillon ou une
population aux caractéristiques tronquée comme c’est le cas quand il
y a eu discrétisation. On est alors amené à estimer la variance ou
l’écart-type plutôt que de les calculer. Si n est le dénominateur de la
variance d’un échantillon, l’estimation sera trop faible. En changeant
n par (n − 1) au dénominateur, la fraction augmente juste assez pour
que la variance de l’échantillon devienne une bonne estimation de la
variance de la population.

[Link] Le coefficient de variation

L’écart-type, malgré sa pertinence dans la mesure de la dispersion d’une dis-
tribution, possède un inconvénient majeur: il est exprimé dans l’unité de la

Msc. Gervais Kubwimana

4.3. EXERCICES 95

variable à laquelle il se rapporte. Il est alors impossible de comparer les dis-

persions de deux ou davantage distributions ayant un lien entre elles (lien de
causalité ou autre) et dont les valeurs s’expriment dans des unités différentes.

Le coefficient de variation est une mesure de dispersion des observations

d’une variable quantitative d’intervalle qui permet de s’affranchir de la no-
tion d’unité et ainsi de comparer la dispersion de différentes distributions.

C’est une mesure neutre qui s’exprime la plupart du temps en pourcent-

age. Il se calcule en divisant l’écart-type par la moyenne et s’écrit donc :

om
l.c
ai
gm
a @

Plus grand est le coefficient de variation, plus grande est la dispersion.

an
m

4.3 Exercices
wi
ub

Exercice 4.1. On a coupé le nombre d’œufs sur chacun des 150 nids. Le
sk

tableau suivant est un résumé des résultats obtenus :

ai
rv
ge

a) Préciser la population, le caractère, La nature du caractère, les modalités.

b) Compléter le tableau.

c) Calculer le mode, la médiane et la moyenne ( arithmétique, géométrique,

harmonique et quadratique) de cette série.

Exercice 4.2. Dans une petite localité, on a relevé le nombre de pièces par
appartement :

Msc. Gervais Kubwimana

4.3. EXERCICES 96

Le ”nombre de pièces par appartement” est à considérer comme une variable

aléatoire discrète à valeurs entières. ( A l’interprétation, il faudra préciser
que les ”demi pièces” ne sont pas comptabilisées).

a) Déterminer le tableau statistique.

b) Tracer le diagramme des bâtonnés et la courbe des fréquences cumulées

om
associés à la variable statistique.

l.c
c) Calculer la moyenne, l’étendue et l’écart-type de cette série.

d) Déterminer la médiane. ai
gm
Exercice 4.3. On mesure, à un standard téléphonique, la durée de cinq cents
@

communications. Le tableau ci-dessous donne le nombre c de communications

a
an

ayant duré plus de t minutes, pour t entier, de 1 à 20 :

m
wi
ub
sk
ai
rv

a) Construire l’histogramme des fréquences et le polygone des fréquences

cumulées de la durée des communications téléphoniques.

b) Calculer la moyenne et l’écart-type de cette série.

c) Déterminer la médiane, les quartiles et l’intervalle interquartiles.

Msc. Gervais Kubwimana

Vous aimerez peut-être aussi

Introduction à la Statistique Descriptive
100% (3)
Introduction à la Statistique Descriptive
98 pages
Cours de Statistique Descriptive 2023-2024
Pas encore d'évaluation
Cours de Statistique Descriptive 2023-2024
73 pages
Statistique Descriptive Prof Lokoka
Pas encore d'évaluation
Statistique Descriptive Prof Lokoka
82 pages
Introduction à la Statistique et Vocabulaire
Pas encore d'évaluation
Introduction à la Statistique et Vocabulaire
76 pages
Cours de Statistique High Tech L1 - 260316 - 083414
Pas encore d'évaluation
Cours de Statistique High Tech L1 - 260316 - 083414
41 pages
Chapitre 1 Et 2
Pas encore d'évaluation
Chapitre 1 Et 2
69 pages
Statistiques et Probabilités avec R
Pas encore d'évaluation
Statistiques et Probabilités avec R
67 pages
Statistique Descriptive : Concepts Clés
Pas encore d'évaluation
Statistique Descriptive : Concepts Clés
39 pages
Introduction à la statistique descriptive
Pas encore d'évaluation
Introduction à la statistique descriptive
74 pages
Introduction à la Statistique Appliquée
Pas encore d'évaluation
Introduction à la Statistique Appliquée
62 pages
Introduction à la statistique à la FaSEG
Pas encore d'évaluation
Introduction à la statistique à la FaSEG
36 pages
Cours de Statistiques Descriptives
Pas encore d'évaluation
Cours de Statistiques Descriptives
57 pages
Statistique descriptive et 3e quartile
Pas encore d'évaluation
Statistique descriptive et 3e quartile
172 pages
Introduction à la statistique descriptive
Pas encore d'évaluation
Introduction à la statistique descriptive
23 pages
Cours de Statistique Descriptive L1SA
Pas encore d'évaluation
Cours de Statistique Descriptive L1SA
73 pages
Statistiques des Flux Portuaires
Pas encore d'évaluation
Statistiques des Flux Portuaires
36 pages
Taux et indices en statistique
100% (1)
Taux et indices en statistique
62 pages
Comprendre les Quartiles en Statistiques
Pas encore d'évaluation
Comprendre les Quartiles en Statistiques
105 pages
Introduction aux Statistiques Descriptives
Pas encore d'évaluation
Introduction aux Statistiques Descriptives
12 pages
Introduction à la Statistique Descriptive
Pas encore d'évaluation
Introduction à la Statistique Descriptive
40 pages
Introduction à la statistique descriptive
Pas encore d'évaluation
Introduction à la statistique descriptive
121 pages
Statistiques Multivariées Essentielles
Pas encore d'évaluation
Statistiques Multivariées Essentielles
57 pages
Statistique Descriptive Unidimensionnelle
Pas encore d'évaluation
Statistique Descriptive Unidimensionnelle
35 pages
Introduction à la Statistique Descriptive
Pas encore d'évaluation
Introduction à la Statistique Descriptive
213 pages
Capture D'écran . 2026-01-21 À 11.31.51
Pas encore d'évaluation
Capture D'écran . 2026-01-21 À 11.31.51
86 pages
Statistiques Chapitre 1
Pas encore d'évaluation
Statistiques Chapitre 1
27 pages
Cours de Statistique Descriptive 2023-2024
Pas encore d'évaluation
Cours de Statistique Descriptive 2023-2024
60 pages
Statistique SMI S3 2024
Pas encore d'évaluation
Statistique SMI S3 2024
49 pages
Cours Statistique Descriptive L1SA (1) YOAN 123626
Pas encore d'évaluation
Cours Statistique Descriptive L1SA (1) YOAN 123626
107 pages
Statistiques Descriptives en Licence 1
100% (1)
Statistiques Descriptives en Licence 1
54 pages
Introduction à la Statistique et ses Branches
Pas encore d'évaluation
Introduction à la Statistique et ses Branches
20 pages
Sdoc 06 17 Si
Pas encore d'évaluation
Sdoc 06 17 Si
35 pages
Introduction à la statistique descriptive
Pas encore d'évaluation
Introduction à la statistique descriptive
52 pages
Introduction aux statistiques en économie
Pas encore d'évaluation
Introduction aux statistiques en économie
92 pages
Notes de Cours en Statistique Descriptive
Pas encore d'évaluation
Notes de Cours en Statistique Descriptive
38 pages
Introduction aux Statistiques Essentielles
Pas encore d'évaluation
Introduction aux Statistiques Essentielles
28 pages
chapitre1-Statistique Appliquée
Pas encore d'évaluation
chapitre1-Statistique Appliquée
19 pages
Méthodes de Statistique Descriptive
Pas encore d'évaluation
Méthodes de Statistique Descriptive
18 pages
Statistiques Descriptives en Licence 1
Pas encore d'évaluation
Statistiques Descriptives en Licence 1
61 pages
Statistiques Descriptives et Probabilités
Pas encore d'évaluation
Statistiques Descriptives et Probabilités
26 pages
Statistique descriptive en L1 Mathématiques
Pas encore d'évaluation
Statistique descriptive en L1 Mathématiques
103 pages
COURS STAT
Pas encore d'évaluation
COURS STAT
47 pages
Introduction aux Variables et Statistiques
Pas encore d'évaluation
Introduction aux Variables et Statistiques
78 pages
Cours de Statistiques : Statistique Descriptive
Pas encore d'évaluation
Cours de Statistiques : Statistique Descriptive
15 pages
Cours de Statistique Descriptive
Pas encore d'évaluation
Cours de Statistique Descriptive
56 pages
Statistique Descriptive à une Variable
Pas encore d'évaluation
Statistique Descriptive à une Variable
75 pages
Cours de Statistique Descriptive 2023-2024
100% (1)
Cours de Statistique Descriptive 2023-2024
82 pages
Introduction aux probabilités et statistiques
Pas encore d'évaluation
Introduction aux probabilités et statistiques
82 pages
Introduction aux Statistiques Descriptives
Pas encore d'évaluation
Introduction aux Statistiques Descriptives
63 pages
Formule du quartile statistique
Pas encore d'évaluation
Formule du quartile statistique
28 pages
Polycopie Statistique-EST 241017 162212
Pas encore d'évaluation
Polycopie Statistique-EST 241017 162212
72 pages
Introduction à la Statistique Descriptive
Pas encore d'évaluation
Introduction à la Statistique Descriptive
61 pages
Statistique Descriptive
Pas encore d'évaluation
Statistique Descriptive
48 pages
Statistiques descriptives en R
Pas encore d'évaluation
Statistiques descriptives en R
36 pages
Statistique Descriptive
Pas encore d'évaluation
Statistique Descriptive
82 pages
Optimisation des réseaux d'eau en Tunisie
Pas encore d'évaluation
Optimisation des réseaux d'eau en Tunisie
29 pages
Guide pratique pour jouer au Lotto
Pas encore d'évaluation
Guide pratique pour jouer au Lotto
28 pages
Analyser un tableau statistique simple
Pas encore d'évaluation
Analyser un tableau statistique simple
2 pages
Analyse critique d'une recherche académique
Pas encore d'évaluation
Analyse critique d'une recherche académique
2 pages
Estimation Paramétrique Ponctuelle
100% (1)
Estimation Paramétrique Ponctuelle
26 pages
Cycle de vie d'une enquête : étapes clés
Pas encore d'évaluation
Cycle de vie d'une enquête : étapes clés
6 pages
Test de Khi-Deux : Analyse d'Association
100% (1)
Test de Khi-Deux : Analyse d'Association
3 pages
Exercices corrigés sur les histogrammes
50% (2)
Exercices corrigés sur les histogrammes
2 pages
Statistiques à Deux Variables: Cours et Exemples
100% (1)
Statistiques à Deux Variables: Cours et Exemples
44 pages
Méthodes d'Analyse de Données
Pas encore d'évaluation
Méthodes d'Analyse de Données
18 pages
Recherches Quantitatives en Santé
Pas encore d'évaluation
Recherches Quantitatives en Santé
11 pages
Processus Aléatoires et Ergodiques
Pas encore d'évaluation
Processus Aléatoires et Ergodiques
6 pages
Recherche Quantitative et Qualitative
Pas encore d'évaluation
Recherche Quantitative et Qualitative
1 page
Modèles à Effets Fixes et Aléatoires
Pas encore d'évaluation
Modèles à Effets Fixes et Aléatoires
26 pages
Tri à plat et tests d'hypothèses Excel
Pas encore d'évaluation
Tri à plat et tests d'hypothèses Excel
3 pages
Chapitre 2 - RL
Pas encore d'évaluation
Chapitre 2 - RL
6 pages
Estimation de la variance d'échantillon
Pas encore d'évaluation
Estimation de la variance d'échantillon
51 pages
Définition de l'analyse de données
Pas encore d'évaluation
Définition de l'analyse de données
12 pages
Statistiques Appliquées : Tests Hypothétiques
Pas encore d'évaluation
Statistiques Appliquées : Tests Hypothétiques
8 pages
Chapitre II-1 Plan Et Étapes Du Mémoire
Pas encore d'évaluation
Chapitre II-1 Plan Et Étapes Du Mémoire
7 pages
Introduction à la Statistique Descriptive
67% (3)
Introduction à la Statistique Descriptive
326 pages
Guide complet pour l'examen pratique
Pas encore d'évaluation
Guide complet pour l'examen pratique
3 pages
Analyse des Correspondances Multiples
100% (1)
Analyse des Correspondances Multiples
67 pages
Outils de collecte de données en recherche
86% (7)
Outils de collecte de données en recherche
29 pages
Estimation et Intervalles de Confiance
Pas encore d'évaluation
Estimation et Intervalles de Confiance
5 pages
Modélisation Statistique des Séries Temporelles
Pas encore d'évaluation
Modélisation Statistique des Séries Temporelles
52 pages
Tests de Dickey-Fuller en économétrie
Pas encore d'évaluation
Tests de Dickey-Fuller en économétrie
8 pages
Introduction à l'Économétrie L3
Pas encore d'évaluation
Introduction à l'Économétrie L3
51 pages
Formules Mathématiques pour IB SL/HL
Pas encore d'évaluation
Formules Mathématiques pour IB SL/HL
1 page