INP-HB, Yamoussoukro Année 2025-2026

SUPPORT DE COURS DE

STATISTIQUE DESCRIPTIVE
Par Dr. KOUAKOU Geoffroy

<< L es c h os es a dmir abl
es qu e vou s a p pr en ez à c
onn aîtr e s ont l oeuvr e d e

n ombr eu s es g
én ér ati on s, cr é
é
es au prix d e gr an d es p ein es et d' eff
orts p a s-

si onn és. T out c
el
a est d ép os é d an s vos m ain s c
omm e un h érit
a g
e, d e m ani èr e

qu e vou s l
e r e
cu eilli ez, qu e vou s l
e vén éri ez, qu e vou s l
e d ével
op pi ez et qu e

vou s l
e tr an sm etti ez un j
our fi d èl
em ent à vos enf
ants. C' est ain si qu e n ou s,

m ort
els, n ou s s omm es imm ort
els. >> Albert Ein st
ein (C omm ent j
e voi s l
e

m on d e)

Nom : .........................
2
Table des matières

1 SERIES STATISTIQUES A UNE VARIABLE 5

1.1 Histoire de la statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Définition et concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Collecte des données et tableau de dépouillement . . . . . . . . . . 8
1.2.3 Distribution statistique . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2.4 Caractères ou variables . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Représentations graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Cas d’un caractère qualitatif . . . . . . . . . . . . . . . . . . . . . . 11
1.3.2 Cas d’un caractère quantitatif . . . . . . . . . . . . . . . . . . . . . 12
1.4 Indicateurs statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Indicateurs de localisation ou de tendance centrale . . . . . . . . . . 13
1.4.2 Indicateurs de dispersion ou de variabilité . . . . . . . . . . . . . . 18
1.4.3 Changement de variable : transformation affine, variable centrée
réduite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2 LIAISON ENTRE DEUX VARIABLES 25

2.1 Deux variables quantitatives . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.1 Nuage de points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.2 Point moyen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.3 Analyse des variables . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.4 Covariance d’une série statistique double . . . . . . . . . . . . . . . 27
2.1.5 Droites de régression de la méthode des moindres carrées . . . . . . 27
2.1.6 Coefficient de corrélation linéaire . . . . . . . . . . . . . . . . . . . 28
2.1.7 Résidus et valeurs ajustées . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.8 Sommes des carrés et variances . . . . . . . . . . . . . . . . . . . . 29
2.1.9 Décomposition de la variance . . . . . . . . . . . . . . . . . . . . . 30
2.1.10 Méthode de Mayer, Droite de Mayer . . . . . . . . . . . . . . . . . 31

3
 2.2 Deux variables qualitatives . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.1 Données observées . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.2 Tableau de contingence . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.3 Tableau des fréquences . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.4 Profils lignes et profils colonnes . . . . . . . . . . . . . . . . . . . . 33
2.2.5 Effectifs théoriques et chi-deux ou khi-deux . . . . . . . . . . . . . . 34

Bibliographie 41
Chapitre 1

SERIES STATISTIQUES A UNE

VARIABLE

1.1 Histoire de la statistique

L’histoire de la ”statistique” remonte à une époque très ancienne. Les activités statis-
tiques (dénombrements) ont commencé bien avant la création du mot, l’application de la
méthode et de l’analyse statistique.
Depuis l’antiquité, les Empereurs, les Rois et les Hommes d’Eglise réalisaient des
dénombrements de populations humaines et de terres pour les besoins de la guerre et de
l’impôt.
Il y a plus de 4 ou 5000 ans, il existait déjà en Chine des descriptions chiffrées de la
population et de l’agriculture.
Les Égyptiens de l’époque des Pharaons procédaient au dénombrement de la popula-
tion ou du bétail.
A Rome, l’empereur Auguste fit procéder à une vaste enquête en dénombrant les
soldats, les navires et les revenus publics.
Jusqu’au moyen âge, les seules ”statistiques” existantes étaient les dénombrements
faits dans des buts divers : assiettes de l’impôt, répartition des terres, recrutement dans
l’armée est effectué avec des méthodes diverses (recensements des personnes, enregistre-
ments de certains actes d’état civil ...).
C’est à partir du XVIII siècle, qu’apparait le mot ”statistique” crée par ACHENWAL
en 1749 à partir du mot ”STATISTA” (politique). Du simple dénombrement de popula-
tions humaines et de terres, la statistique est devenue une science qui a retenu et continue
de retenir l’attention, non seulement des empereurs et de rois, mais surtout des personnes
de sciences.

5
1.2. DÉFINITION ET CONCEPTS Licence 2 MPC

L’extension et l’utilisation du calcul des probabilités développé par J. BERNOULLI

au 18ème siècle et l’application des études démographiques et sociales ont permis à cette
science de connaitre un essor considérable. Ainsi au 19ème siècle, de la simple statistique
descriptive, elle passe au stade de ”Statistique Mathématique”.
Depuis le 20ème siècle, les travaux de KARL PEARSON (1857-1936), de STUDENT
(WILLIAM SEALY GOSSET,1876-1937) et de RONALD FISHER(1890-1963) ont permis
à cette science de connaitre un développement considérable et une application vaste et
variée.
La statistique utilise les techniques et des méthodes de collecte, de présentation, d’étude
et d’analyse des données quantitatives.
La statistique n’est pas uniquement utilisée pour décrire, pour mieux connaitre un
événement survenu dans le passé, mais elle intervient de plus en plus dans les travaux de
planification, dans le choix de prises de décisions et d’actions.

1.2 Définition et concepts

Décrire et analyser, de façon quantifiée, des phénomènes repérés par des éléments
nombreux : décrire, c’est-à-dire faire des tableaux, des graphiques, calculer des moyennes
afin de faire ressortir la signification.

1.2.1 Définitions
Définition 1.1. La population statistique est l’ensemble que l’on observe et dont chaque
élément est appelé individu ou unité statistique. La population peut être :
- des groupements d’êtres vivants : population ivoirienne, les drosophiles ; etc.
- des objets matériels : le parc automobile en Côte d’Ivoire, les pièces fabriquées par
une usine installée à la zone industrielle de Yopougon,
- des séries d’événements : ensemble des naissances survenues dans une maternité,
l’ensemble des buts au cours de la Coupe d’Afrique des Nations 2015.
Les êtres vivants, les objets matériels ou les événements constituants une population
sont, quelle que soit leur nature, appelés individus ou unités statitiques.

Définition 1.2. Un échantillon (ou lot) est une partie (ou sous-ensemble) de la popu-
lation considérée.
On étudie un échantillon de la population lorsque celle-ci est impossible à étudier
dans son ensemble ; c’est le cas des sondages d’opinion. Si les unités statistiques sont des
personnes, elles peuvent être soumises à un questionnaire. Ce questionnaire doit être :

6
CHAPITRE 1. SERIES STATISTIQUES A UNE VARIABLE Licence 2 MPC

- adapté au niveau des personnes consultées

-complet
-les questions posées doivent simples, et appeler des réponses précises et courtes, ”oui”
ou ”non”, par exemple.

Définition 1.3. Le caractère est la propriété observée dans la population. Il peut être
quantitatif ou qualitatif.

Définition 1.4. (Caractères qualitatifs) Le caractère est dit qualitatif lorsqu’il n’est
pas mesurable. La variable qualitaive peut être nominale ou ordinale. Elle est nominale
lorsque les différentes modalités ou rubriques ne sont pas des nombres.
La variable qualitative est dite ordinale lorsque le caractère introduit un ordre entre
les éléments comme information significative.

Exemple 1.1. - Le sexe (masculin / féminin), la situation matrimoniale du chef de

famille (veuf, marié, célibataire et divorcé) sont des caractères qualitatifs. Les modalités
du caractète ”état matrimonial” sont veuf, marié, célibataire et divorcé.
- Le niveau d’instruction du chef de ménage (analphabête, primaire, secondaire et
supérieure). La mesure d’intensité d’une douleur : 0. Absente, 1. Modérée, 2. Importante
et 3. Insoutenable sont des variables ordinales.

Définition 1.5. (Caractères quantitatifs) Lorsque le caractère peut être mesuré il est
dit quantitatif.
-Le caractère quantitatif est discret s’il ne peut prendre que des valeurs <<isolées>>
( ici entieres) . On dit aussi que le caractère est discontinu. Dans le cas où il peut prendre
n’importe quelle valeur d’un intervalle de nombres réels, le caractère quantitatif est dit
continu.

Exemple 1.2. i- Le nombre de buts au cours de la Coupe d’Afrique des Nations Côte
d’Ivoire 2023 est un caractère quantitatif dicret.
ii- Si l’on s’intéresse à l’ancienneté des membre du personnel d’une entreprise, alors
l’ensemble du personnel constitue la population, chaque membre de ce personnel est une
unité statistique, et le caractère étudié est l’ancienneté de chacun de ces membres.
- La nationalité d’une personne, sa situation matrimoniale sont des caractères quali-
tatifs. (ni mesurable, ni repérable)
- L’âge d’une personne, son revenu annuel sont des caractères quantitatifs car mesu-
rables, la température en un lieu à un instant donné est quantitatif car peut être repéré.
- Le nombre d’enfants à charge du personnel d’une entreprise est un caractère quanti-
tatif discret alors que la taille des étudiants d’une école est quantitatif continu.

7
1.2. DÉFINITION ET CONCEPTS Licence 2 MPC

Définition 1.6. Une distribution satistique est une série statistique ordonnée. Elle est
l’ensemble des couples (Xi , ni ) ou ([Xi ; Xi+1 [, ni ) où Xi 1 ≤ i ≤ p est la variable ou le
caractère et ni représente les effectifs ou les pondérations.
ni
- La fréquence fi est le quotient de l’effectif relatif ni par l’effectif total n : fi = n
avec n = pi=1 ni .
P
a+b
- Le centre de la classe [a, b[ est 2
.
- L’amplitude de la classe [a, b[ est b − a.
ni
- La densité la classe [a, b[ est di = b−a
.
- Les effectifs cumulés croissants (ECC) : Nk+ =
P
1≤i≤kni , avec 1 ≤ k ≤ p
−
P
- Les effectifs cumulées décroissants (ECD) : Nk+1 = n − 1≤i≤k ni , avec 1 ≤ k ≤ p − 1
et N1− = n.

1.2.2 Collecte des données et tableau de dépouillement

Définition 1.7. Les données sont collectées lors des enquêtes statistiques réalisées par
un organisme public ou privé. Ces enquêtes peuvent se faire par :
- recensemment qui consiste à interroger tous les individus,
- sondage qui est l’étude d’un échantillon (d’une partie) de la population.
Définition 1.8. Le dépouillement permet de regrouper les données collectées en fonction
des caractères observés. Il peut être manuel ou électronique.
Exemple 1.3. Dépouillement dans le cas d’un caractère qualitatif.
On interroge 40 employés de sexe masculin d’une entreprise sur leur situation matrimo-
niale. On a retenu pour ce caractère, qualitatif les modalités suivantes : célibataire, marié,
veuf, divorcé. Pour faciliter le dépouillement on établi le code suivant :
célibataire : 1 ; marié : 2 ; veuf : 3 ; divorcé : 4 ; concubinage : 5 .
les vingts personnes interrogées ont fourni les réponses suivantes :
5 2 1 5 1 4 1 5 4 4
3 2 2 1 2 1 4 3 5 1
2 4 1 3 2 4 1 1 4 2
4 3 2 1 5 2 1 5 2 3
Exemple 1.4. Dépouillement dans le cas d’un caractère quantitatif discret.
On s’intéresse aux nombres d’enfants à charge des membres du personnel d’une entreprise.
On a obtenu : 5 2 2 2 2 1 5 1 1 3 1 0 4 4 6 0 3 3 2 6
Exemple 1.5. Dépouillement dans le cas d’un caractère quantitatif continu :
Règle de Sturges : La représentation par histogramme consiste à regrouper les obser-
vations ≪ proches ≫ en classes selon le principe :

8
CHAPITRE 1. SERIES STATISTIQUES A UNE VARIABLE Licence 2 MPC

— ranger les données par ordre croissant : xmin ; ...; xmax

— Choisir le nombre de classes k : k = 1 + log2 (n) (règle de Sturges)

— Choisir les bornes pour a0 et ak : a0 = xmin − 0, 025(xmax − xmin ) et ak = xmax +

0, 025(xmax − xmin )

— Calculer la largeur des classes (fixe) h = (ak − a0 )/k

Regrouper en classes les données :

91, 6; 35, 7; 251, 3; 24, 3; 5, 4; 67, 3; 170, 9; 9, 5; 118, 4; 57, 1

1.2.3 Distribution statistique

Une distribution satistique est une série statistique ordonnée. Elle est l’ensemble des
couples (Xi , ni ) ou ([Xi ; Xi+1 [, ni ) où Xi 1 ≤ i ≤ p est la variable ou le caractère et ni
représente les effectifs ou les pondérations.
ni
- La fréquence fi est le quotient de l’effectif relatif ni par l’effectif total : fi = n
avec
n = pi=1 ni (effectif total).
P
a+b
- Le centre de la classe [a, b[ est 2
.
- L’amplitude de la classe [a, b[ est b − a.
ni
- La densité la classe [a, b[ est di = b−a

Exercice 1.1. Étude statistique du nombre de défauts sur une pièce de tissu.
E.C.C= Effectifs cumulés croissants : Nk+ = 1≤i≤k ni , avec 1 ≤ k ≤ p
P

E.C.D= Effectifs cumulées décroissants : Nk− = n − 1≤i≤k ni , avec 1 ≤ k ≤ p − 1

P

Nombre de défauts Effectifs Fréquences (fi ) E.C.C. (Ni ) F.C.C. (Fi ) E.C.D. F.C.D.
0 38
1 15
2 11
3 6
4 3
5 2
Total

Exercice 1.2. 100 dispositifs identiques ont été soumis à un test de fiabilité ; on a noté
la durée de vie, en heures, jusqu’à défaillance (fin de l’aptitude du dispositif à remplir la

9
1.2. DÉFINITION ET CONCEPTS Licence 2 MPC

fonction requise).

Durée de vie (en heure) Effectifs Fréquences amplitude Fréquence en % cente Xi

0 ≤ X < 150 30
150 ≤ X < 300 15
300 ≤ X < 450 12
450 ≤ X < 600 10
600 ≤ X < 750 8
750 ≤ X < 900 8
900 ≤ X < 1050 8
1050 ≤ X < 1200 6
1200 ≤ X < 1350 3
Total

1.2.4 Caractères ou variables

Le caractère est la propriété observée dans la population. Il peut être :

(a) Caractères qualitatifs

Lorsque le caractère n’est pas mesurable. La variable qualitaive peut être nominale
ou ordinale. Elle est nominale lorsque les différentes modalités ne sont pas des nombres.
L’on peut citer par exemple, le sexe (masculin / féminin), la situation matrimoniale du
chef de famille (veuf, marié, célibataire et divorcé.). Les modalités du caractète ” état
matrimonial ” sont : veuf, marié, célibataire et divorcé.
La variable qualitative est dite ordinale lorsque le caractère introduit un ordre entre
les éléments comme information significative. Par exemple, le niveau d’instruction du chef
de ménage (analphabête, primaire, secondaire et supérieure). La mesure d’intensité d’une
douleur : 0. Absente, 1. Modérée, 2. Importante et 3. Insoutenable.

(b) Caractères quantitatifs

Lorsque le caractère peut être mesuré il est dit quantitatif.
-Le caractère quantitatif est discret s’il ne peut prendre que des valeurs <<isolées>>
( ici entieres) . On dit aussi que le caractère est discontinu. Par exemple le nombre de
buts au cours de la Coupe d’Afrique des Nations, Guinée Equatoriale 2015. Dans le cas
où il peut prendre n’importe quelle valeur d’un intervalle de nombres réels, le caractère
quantitatif est dit continu.

Exemple 1.6. Si l’on s’intéresse à l’ancienneté des membre du personnel d’une entre-

10
CHAPITRE 1. SERIES STATISTIQUES A UNE VARIABLE Licence 2 MPC

prise, alors l’ensemble du personnel constitue la population, chaque membre de ce per-

sonnel est une unité statistique, et le caractère étudié est l’ancienneté de chacun de ces
membres.
- La nationalité d’une personne, sa situation matrimoniale sont des caractères quali-
tatifs. (ni mesurable, ni repérable)
- L’âge d’une personne, son revenu annuel sont des caractères quantitatifs car mesu-
rables, la température en un lieu à un instant donné est quantitatif car peut être repéré.
- Le nombre d’enfants à charge du personnel d’une entreprise est un caractère quanti-
tatif discret alors que la taille des étudiants d’une école est quantitatif continu.

1.3 Représentations graphiques

1.3.1 Cas d’un caractère qualitatif

- Diagramme sectoriels (ou en camemberts) : chaque modalité est représentée
par un secteur de disque dont l’angle est proportionnel à l’effectif ou à la fréquence de la
modalité ( ou pourcentage ).
Dans un diagramme circulaire (cercle complet), l’effetif total ou la fréquence relative (
ou le pourcentage 100%) correspond à l’angle 360°. Pour représenter les données sur un
diagramme semi-circulaire (demi-cercle), il suffira de calculer les mesures des secteurs an-
gulaires par rapport à 180°.
- Diagramme en tuyaux d’orgue (ou diagramme en bandes) : en abscisse sont
disposées les différentes modalités, de façon arbitraire aux quelles on associe des rectangles
espacés entre eux, de largeur constante, dont la hauteur ( en ordonnée ) sont proportion-
nelle à l’effectif ou à la fréquence relative de chaque modalité. Préciser le nom des axes,
le nom du graphique et la source des informations. Dans le cas d’une variable qualitative
ordinale, on peut également construire le diagramme en tuyau d”orgue des effectifs ou des
proportions cumulés.
Exemple 1.7. Le tableau suivant donne la production énergétique d’un pays en 2015 en
fonction des différents d’énergies :
Energies Gaz Energie nouvelle Nucléaire Hydraulique Pétrole Total
Effectifs 12 8 5 10 15 50

1- Calculer, dans un tableau, les fréquences, les fréquences en pourcentage.

2- Donner deux représentations graphiques de cette série statistique.
Exercice 1.3. Les cinq principales causes d’accidents de la circulation routière :
− Le non respect des grandes règles du code (NRC) : 50%

11
1.3. REPRÉSENTATIONS GRAPHIQUES Licence 2 MPC

− La vitesse excessive (VE) : 25%

− La consommation exagérée d’alcool (Al) : 12%
− L’état physique du conducteur (EP) : 8%
− Les facteurs divers (Autres) : 5%

1- Préciser le caractère étudié et donner sa nature.

2- Proposer deux représentations graphiques de cette série statistique.

1.3.2 Cas d’un caractère quantitatif

- Caractères quantitatif discret : Lorsque le caractère étudié est discret, l’on peut
faire le diagramme en bâtons des effectifs ou des fréquences.

Exemple 1.8. On extrait du fichier de l’entreprise A une liste de 50 clients disposants

de bureaux, la liste du nombre de bureaux par client est donnée dans le tableau suivants :
Nombre de bureaux Xi 1 2 3 4 5 6 7 8 9 11 Total
Effectif ni 2 5 5 7 11 9 4 3 2 2

Faire le diagramme en bâtons des effectifs.

- Caractères quantitatifs continus : Lorsque le caractère étudié est continu et que les
classes sont de même amplitude, on fait l’histogramme des effectifs ou des fréquences
en marquant les classes sur l’axe des abscisses et les effectifs (ou les fréquences) sur l’axe
des ordonnées. Si les amplitudes sont inégales, les effectifs ou fréquences sont rem-
placés par les densités ou par les effectifs corrigés :
- Calcul des densités
ni
di =
ai
di la densité, ni l’effectif et ai l’amplitude de la classe numéro i.
- Correction des effectifs
a′i
n′i = × ni
ai
où n′i effectif corrigé, a′i l’amplitude la plus courante, ai l’amplitude et ni effectif.

Exemple 1.9. Soit 100 menages distribués selon leur revenu mensuel en euros. On définit

12
CHAPITRE 1. SERIES STATISTIQUES A UNE VARIABLE Licence 2 MPC

des classes d’amplitudes égales à 1500 euros.

Revenu (en heure) Effectifs ni Fréquences fi amplitude ai

[0; 1500[ 20
[1500; 3000[ 35
3000; 3500[ 20
[3500; 6000[ 25

Construire l’histogramme de cette série statistique.

Exemple 1.10. Supposons que l’on regroupe les données de l’exercice précédent en classes
d’amplitudes inégales.

a′i
Revenu (en heure) Effectifs ni amplitude ai Eff corrigés n′i = ai
× ni
[0; 1500[ 20
[1500; 4500[ 55
[4500; 6000[ 25

Construire l’histogramme de la série statistique.

1.4 Indicateurs statistiques

1.4.1 Indicateurs de localisation ou de tendance centrale

Ce sont des valeurs numériques qui résument une série statistique en caractérisant
l’ordre de grandeur des observations. Ils s’expriment dans dans la même unité que les
observations.
(a) Moyennes
(a)-1 Moyenne arithmétique

Définition 1.9. La moyenne arithmétique des p nombres x1 , x2 , ..., xp , avec les pondérations
n1 , n2 , ..., np est définie par :

p p
1X X
x= n i xi = f i xi
n i=1 i=1

Si les effectifs sont tous égaux à 1, i.e ni = 1, ∀i, alors

n n
1X X
x= xi = f i xi .
n i=1 i=1

13
1.4. INDICATEURS STATISTIQUES Licence 2 MPC

Exemple 1.11. On extrait du fichier de l’entreprise A une liste de 50 clients disposants

de bureaux, la liste du nombre de bureaux par client est donnée dans le tableau suivants :
Nombre de bureaux Xi 1 2 3 4 5 6 7 8 9 11 Total
Effectif ni 2 5 5 7 11 9 4 3 2 2
ni Xi
Fréquence fi
f i xi
1- Préciser le caractère étudié et donner sa nature.
2- Compléter le tableau ci-dessus.
3- Donner une représentation graphique de cette série statistique.
4- Calculer le nombre moyen de bureaux.

Exemple 1.12. On a relevé et rassembé dans un tableau les surfaces de plancher à netoyer
pour les 50 clients de l’entreprise A.

Surface en m2 [10; 30[ [30; 50[ [50; 70[ [70; 90[ [90; 110[ [110; 130[ Plus de 130 Total
Effectif ni 2 8 14 12 7 4 3
centre xi
n i xi
fréquence
f i xi

1- Préciser le caractère étudié et donner sa nature.

2- Compléter le tableau ci-dessus.
3- Donner deux représentations graphiques de cette série statistique.
4- Calculer la moyenne arithmétique.

(a)-2 Moyenne géométrique

Définition 1.10. Pour obtenir les valeurs moyennes sur le taux de croissance, les indices
des prix et des taux d’intérêt, la moyenne arithmétique ne permet pas d’obtenir les va-
leurs exactes, il faut utiliser la moyenne géométrique comme caractéristique de tendance
centrale. C’est la racine p ième des p nombres positifs X1 , X2 , ..., Xp

" p
# n1 p
Y Y
G= Xini = Xifi
i=1 i=1

14
CHAPITRE 1. SERIES STATISTIQUES A UNE VARIABLE Licence 2 MPC

Le calcul peut s’effectuer grâce à la relation

"
p
# n1 
 Y 
ln G = ln Xini
 
i=1
Pp
i=1 ni ln Xi
=
n

Exercice 1.4. Soit {Xi }i∈I , {Yi }i∈I deux séries statistiques positives de même nature ;{Zi }i∈I
Xi
et {Ti }i∈I des séries définies par : Zi = Xi Yi et Ti = YI
(Yi ̸= 0) Déterminer GZ et GT
en fonction de GX et GY .

(a)-3 Moyenne harmonique

Définition 1.11. Elle est également utilisée pour les taux de change, les indices boursiers
et la vitesse. Pour des nombres nombres positifs X1 , X2 , ..., Xp , elle est définie par

n
H = Pp ni
i=1 Xi
1
= Pp fi
i=1 Xi

(a)-4 Moyenne quadratique

Définition 1.12. Elle est surtout utilisées pou mesurer la moyenne des aires. Elle est
définie par

p
2 1X
Q = ni Xi2
n i=1
p
X
= fi Xi2
i=1

Remarque 1.1. Pour les mêmes données on a

H≤G<X≤Q

Exemple 1.13. Chacune des 8 épreuves d’un test étant notée sur 10, un candidat a ob-
tenu les notes suivantes :

3 5 8 10 7 9 9

Calculer la note moyenne de ce candidat.

15
1.4. INDICATEURS STATISTIQUES Licence 2 MPC

Exemple 1.14. On considère 5 plaques métalliques carrées, dont les côtés mesurent
respectivement : 5 cm ; 6 cm ; 9 cm ; 10 cm et 12,5 cm ;.
1- Quelle est l’aire moyenne de ces plaques ?
2- Quel estle côté de la plaque moyenne correspondantes ?
3- Que représente ce côté par rapport aux 5 côtés de la plaques ?

(b) Mode
Pour un caractère discret, le mode est la valeur du caractère observé avec le plus grand
effectif (ou la plus grande fréquence). Sa valeur s’obtient à partir du tableau statistique
ou du diagramme en bâtons.
Dans le cas d’une distribution statistique quantitative continue, l’on distingue dux cas
de figure. Le premier cas où les amplitudes sont égales et le second cas où les amplitudes
sont inégales.
1er cas : Pour une distribution à amplitudes égales, la classe modale est

ni−1
M o ∈ [Xi ; Xi+1 [ −→ ni
ni+1

avec ni > ni−1 , ni > ni+1 , i.e ni est l’effectif le plus élévé.
La classe modale est la classe qui a l’effectif le plus élevé et le mode est

Xi + Xi+1
Mo =
2

2ème cas : Si les amplitudes sont inégales, deux voies s’offrent à nous. Nous pouvons
calculer le mode en passant par le calcul des densités ou par la correction des effectifs :
- Calcul des densités
ni
di =
ai
di la densité, ni l’effectif et ai l’amplitude de la classe numéro i.
La classe modale est la classe qui a la densité la plus élevée.

di−1
M o ∈ [Xi ; Xi+1 [ −→ di
di+1

Nous pouvans corriger les effectifs (ni ). On choisit l’amplitude la plus courante.
- Correction des effectifs
a′i
n′i = × ni
ai

16
CHAPITRE 1. SERIES STATISTIQUES A UNE VARIABLE Licence 2 MPC

où n′i effectif corrigé, a′i l’amplitude choisie, ai l’amplitude et ni effectif.

La classe modale est la classe qui a l’effectif corrigé le plus élevé.

n′i−1
M o ∈ [Xi ; Xi+1 [ −→ n′i
n′i+1

(c) Médiane
Il peut être utile par exemple, de déterminer le salaire qui sépare l’ensemble des salariés
d’une entreprise en deux parties de même effectif, 50% ayant un salaire inférieur et 50%
un salaire supérieur : ce salaire est appelé salaire médian ; c’est la médiande M e de
l’ensemble des salariés.
La médiane est la valeur d’un caractère quantitatif correspondant à l’effectif cumumlé
égal à la moitié de l’effecitf N . On peut aussi la déterminer graphiquement : c’est l’abs-
cisse du point d’intersection de la courbe des effectifs cumulés croissants et des effectifs
décroissants. Il existe une classe médiane, c’est elle qui contient la médiane, valeur cor-
respondant à 50% des effectifs.
Dans la pratique, on appliquera la règle suivante :
1er cas : Lorsque le caractère étudié est discret et que les données sont rangées par ordre
croissant,
- si l’effectif total N est impair, alors

n+1
M e = Donnée de rang
2

. - si l’effectif total N est pair, alors

(Donnée de rang n2 ) + (Donnée de rang n2 + 1)

Me =
2

2ème cas : Lorsque le caractère étudié est continu, la médiane est l’abscisse du point
n
d’ordonnée 2
du polygone des effectifs cumulés croissants. Elle se détermine aussi par
interpolation linéaire.

Exemple 1.15. 1- Un étudiant a obtenu les notes suivantes, sur 20 à l’occasion d’épreuves
qu’il a subi : 12 ; 8 ; 13 ; 11,5 ; 16 ; 17 ; 14. Donner la note médiane de cet étudiant.
2- L’étudiant en question a dû subir une épreuve supplémentaire où il a obtenu 8. Déterminer
la note médiane.

Exemple 1.16. On extrait du fichier de l’entreprise A une liste de 50 clients disposants

de bureaux, la liste du nombre de bureaux par client est donnée dans le tableau suivants :

17
1.4. INDICATEURS STATISTIQUES Licence 2 MPC

Nombre de bureaux Xi 1 2 3 4 5 6 7 8 9 11 Total

Effectif ni 2 5 5 7 11 9 4 3 2 2
ECC

1- Déterminer le mode et l’étendue de la série.

2- Déterminer la médiane de cette série

Exemple 1.17. On a relevé et rassembé dans un tableau les surfaces de plancher à netoyer
pour les 50 clients de l’entreprise A.

Surface en m2 [10; 30[ [30; 50[ [50; 70[ [70; 90[ [90; 110[ [110; 130[ [130; 150[ Total
Effectif ni 2 8 14 12 7 4 3
ECC
ECD
fréquence
FCC

1- Donner le mode et l’étendue de la série.

2- Déterminer la médiane.
3- Faire le polygône des ECC et celui des ECD.

1.4.2 Indicateurs de dispersion ou de variabilité

Ce sont des valeurs numériques qui caractérisent le plus ou moins grand étalement des
termes de la série.
(a) Etendue C’est la différence des valeurs extrêmes :

e = Xp − X1 = Xmax − Xmin .

(b) Ecart absolu moyen

L’écart absolu moyen est la moyenne arithmétique des écarts des écarts entre les données
Xi et leur moyenne X pris en valeur absolu. Il caractérise la dispersion autour de la
moyenne. P
ni |Xi − X|
em = .
n
L’écart absolu moyen donne une bonne indication sur la concentration des données autour
de leur moyenne. Un écart faible indique une dispersion faible et par conséquent une
concentration importante autour de la moyenne.
(c) Variance et écart type

18
CHAPITRE 1. SERIES STATISTIQUES A UNE VARIABLE Licence 2 MPC

Définition 1.13. La variance d’une série statistique est la moyenne des carrés des écarts
entre les données Xi et leur moyenne X. L’écart type est la racine carrée de la variance.
Pp
i=1 ni (Xi − X)2
V(X) =
n
p
X
= fi (Xi − X)2
i=1
p
ni Xi2
P
i=1 2
= −X
n
p
L’écart type est σ(X) = V(X).

Propriété 1.1. On a les propriétés suivantes pour α et β des constantes quelconques :

1) V(αX) = α2 V(X)
2) V(αX + β) = α2 V(X)

Remarque 1.2. L’expérience montre que dans une distribution unimodale et symétrique :
- l’intervalle [X − σ; X + σ] contient environ 68% des données.
- l’intervalle [X − 2σ; X + 2σ] contient environ 95% des données.

(c) Coefficient de variation

Le coefficient de variation de X est défini par

σX
CVX = .
X̄

Le coefficient de variation est utilisé pour comparer deux ou plusieurs distributions sta-
tistiques qui ne s’expriment pas dans la même unité et que leurs moyennes ne sont pas
du même ordre de grandeur.

(d) Ecart interquartile (l’interquartile)

Les nombres Q1 , Q2 = M e et Q3 sont les quartiles. Ils partagent la série en quatre séries
(25%) de même effectif. L’intervalle interquartile [Q1 ; Q3 ] contient 50% des données.
Le nombre I = Q3 − Q1 est appelé écart interquartile.

(e) Ecart interdécile (l’interdécile)

Les nombres D1 , ..., D5 = M e, ..., D9 sont les déciiles. Ils partagent la série en dix séries
(10%) de même effectif. L’intervalle interdécile [D1 ; D9 ] contient 80% des données.
Le nombre I = D9 − D1 est appelé écart interdécile.

19
1.4. INDICATEURS STATISTIQUES Licence 2 MPC

(f ) Ecart intercentile (l’intercentile)

Les 99 centiles C1 , ..., C50 = M e, ..., C99 partagent la série en cent séries (1%) de même
effectif. L’intervalle intercentile [C1 ; C99 ] contient 98% des données.
Le nombre I = C99 − C1 est appelé écart intercentile.

1.4.3 Changement de variable : transformation affine, variable

centrée réduite
2
Soit X une variable de moyenne X̄ et de variance Var(X) = σX et soient a, b ∈ R.
- On définit une nouvelle variable Y = aX + b.
Pn Pn Pn
Yi
On a Yi = aXi + b, i = 1, ..., p =⇒ i=1
n
=a i=1
n
Xi + i=1
n
b = aX̄ + b
Donc Ȳ = aX̄ + b
X−X̄
- En posant Z = σX
, on a :

Xi − X̄
Zi =
σX
Pn Pn
i=1 Zi 1 i=1 (Xi − X̄)
=
n σX n
Pn
1 i=1 (Xi − X̄)
Z̄ =
σX n
Pn Pn
1 i=1 Xi X̄ 

= − i=1
σX n n
1
= (X̄ − X̄)
σX
Z̄ = 0,

et
 X − X̄ 
V(Z) = V
σX
1  
= 2
V X − X̄
σX
1 2
= 2
× σX
σX
V(Z) = 1

On dit que la variable Z est centrée (Z̄ = 0) et réduite (V(Z) = 1).

20
CHAPITRE 1. SERIES STATISTIQUES A UNE VARIABLE Licence 2 MPC

TRAVAUX DIRIGES

EXERCICE 1.

La répartition des étudiants d’une grande école en fonction de leur niveau d’étude et
leur spécialité est la suivante :

Génie chimique Génie civil

Licence 1 650 324
Licence 2 296 132
Licence 3 217 92
Master 1 148 78
Master 2 52 23

Donner une représentation graphique de ce tableau.

EXERCICE 2.

Le tableau suivant donne la répartition des salaires mensuels nets des employés d’une
entreprise de taille moyenne :

Salaires en 10. 000F [6 ; 12[ [12, 18[ [18, 24[ [24, 30[ [30 36[ [36, 42[
Effectifs 20 25 50 55 40 10

1. a) Calculer le salaire moyen et le salaire médian.

b) Calculer la variance et l’écart type de cette série.
2. Combien d’employés ont un revenu : a) inférieur à 300 000 ?
b) compris entre 140 000 et 310 000 ?
3. Déterminer l’intervalle interquartile et donner une interprétation.
4. Déterminer l’intervalle interdécile et donner une interprétation.
5. Construire l’histogramme représentant la série statistique et le polygone des effectifs.
Echelle : 1 cm pour 60 000 F CFA et 1 cm pour 5 employés.
6. Construire les polygones des effectifs cumulés croissants et décroissants. Déterminer
alors graphiquement les quartiles.

EXERCICE 3.

On a mesuré les longueurs en millimètres d’un échantillon de 100 tiges d’acier à la

21
1.4. INDICATEURS STATISTIQUES Licence 2 MPC

sortie d’une machine automatique. On a trouvé les résultats suivants :

Longueur (en mm) Effectif

[120, 125[ 10
[125, 130[ 20
[130, 135[ 38
[135, 140[ 25
[140, 145[ 7

1. Construire l’histogramme des effectifs.

2. On suppose que les tiges sont défectueuses si leur longueur est strictement inférieure à
125 mm ou supérieure ou égale à 140 mm. Quel est le pourcentage pièces acceptables ?
3. On suppose que, dans chaque classe, tous les éléments sont situés au centre. Calculer
la moyenne et la valeur approchée décimale arrondie à 10−2 de l’écart type de la série
statistique ainsi définie.

EXERCICE 4.

Le tableau suivant donne la répartition de 100 employés suivant leur prime trimes-
trielle.
Prime (en 1 000F) Effectif
[120, 125[ 10
[125, 135[ 58
[135, 138[ 20
[138, 140[ 5
[140, 145[ 7

1. Déterminer la prime modale.

2. Faire l’histogramme des effectifs.

Exercice 5.

Pour une entreprise donnée, on a rélevé pour chaque employé, le nombre d’année
d’expérience et on a obtenu : 8 6 9 18 9 11 9 13 7 13 14 7 10 10 10 7 13 14 10 13 15 5 16
13 9 10 7 12 5 12 2 9 9 8 8 3.
1. Ranger dans un tableau, le nombre d’années d’expérience Xi en fonction du nombre
d’employés ni .

22
CHAPITRE 1. SERIES STATISTIQUES A UNE VARIABLE Licence 2 MPC

2. Calculer l’éténdue, le nombre d’années d’expérience moyen, le nombre d’années d’expérience

médian.
3. Calculer la variance et l’écart type de la série statistique.
4. Déterminer l’intervalle interquartile et donner une interprétation.
5. Faı̂tes quelques représentations possibles.

EXERCICE 6.
On désigne par x la moyenne arithmétique de n nombres entiers
consécutifs dont le plus petit est égal à 511 et par y la moyenne arithmétique de n
autres entiers consécutifs dont le plus grand est égal à 428. Déterminer ces deux séries de
n nombres sachant que x − y = 123.

EXERCICE 7.
On a le changement de variable suivant :

Xi − 5
Zi = , ∀i.
2

On vous donne Z = 0, 4 et V(Z) = 0, 06.

1- Calculer la moyennede de X.
2- Calculer la variance de X.
3- Calculer le coefficient de variation

EXERCICE 8.
Soit {Xi }i∈I , {Yi }i∈I deux séries statistiques positives de même na-
Xi
ture ;{Zi }i∈I et {Ti }i∈I des séries définies par : Zi = Xi Yi et Ti = YI
(Yi ̸= 0) Déterminer
GZ et GT en fonction de GX et GY .

EXERCICE 9.
On a deux distributions X et Y telles que V(X) = 0, 7482 ; X= 3,8
Km et V(Y ) = 0, 7534 ; Y = 10,2 francs. Quelle est la distribtion la plus dispersée ?

EXERCICE 10.
On dispose du tableau statistique suivant :

Xi Effectifs ni
0-2 ε1
2-4 5
4-6 6
6-8 ε2
8-10 ε3
Total 20

23
1.4. INDICATEURS STATISTIQUES Licence 2 MPC

On sait que la moyenne arithmétique est égale à 4,7 et que sa variance est égale à 5,71.
1- Déterminer la médiane de la série statistique.
2- Calculer la moyenne harmonique, quadratique et géométrique, et comprez-les.

24
Chapitre 2

LIAISON ENTRE DEUX

VARIABLES

On observe que, dans certains cas, il semble exister un lien entre deux caractères
d’une population, par exemple entre le poids et la taille d’un nouveau né, entre le chiffre
d’affaires et le montant des charges d’une société, entre la consommation et la vitesse
d’une voiture ...
Il est alors intéressant d’étudier simultanément deux caractères d’une même popula-
tion. Nous pouvons alors présenter les résultats sous forme de tableaux ou de graphique.
La série statistique est alors une suite de n couples des valeurs prises par les deux variables
sur chaque individu : (x1 , y1 ), ... ,(xi , yi ),...,(xn , yn ). Chacune des deux variables peut être,
soit quantitative, soit qualitative. On examine deux cas.
- Les deux variables sont quantitatives.
- Les deux variables sont qualitatives.

2.1 Deux variables quantitatives

2.1.1 Nuage de points

Le plan étant muni d’un repère orthogonal, on associe au couple (xi , yi ) de la série
statistique double (x, y), le point Mi de coordonnées xi et yi .
L’ensemble des points Mi obtenus constituent le nuage de points représentant la
série statistique.

Exemple 2.1. Le mur d’une habitation est constitué par une paroi en béton et une couche
de polystyrène d’épaisseur variable X ( en cm).

25
2.1. DEUX VARIABLES QUANTITATIVES Licence 2 MPC

On a mesuré, pour une même épaisseur de béton, la résistance thermique Y de ce mur

en m2◦ C par watt pour différentes valeurs valeurs de X.
On a obtenu les résultats suivants :

Epaisseur Xi 2 4 6 8 10 12 15 20
Résistence Yi 0,83 1,34 1,63 2,29 2,44 2,93 4,06 4,48

Exemple 2.2. Pour un certain type de véhicules utilitaires, roulant en palier (ou en des-
cente), on a relevé les consommations moyennes et les vitesses correspondantes suivantes :

Vitesse : Xi 10 20 30 40 50 60 70 80 90
Consommation : Yi (en ℓ/100 km) 16,5 11,5 9,0 7,5 6,8 6,6 7,0 7,5 9,0

Exemple 2.3. Une entreprise fabrique et vend des lots de circuits électroniques.
Le tableau suivant indique le pourcentage Y de circuits d’un lot qui ont une panne au
cours de X semestres d’utilisation :

Nombre de semestres : Xi 1 2 3 4 5 6 7 8 9 10
Pourcentage : Yi 0 2 4 8 11 14 17 20 23 27
1- Calculer, dans un tableau, les fréquences et les fréquences en pourcentage.
2 - Donner deux réprésentations graphiques de cette séries.

2.1.2 Point moyen

Définition 2.1. On appelle point moyen d’un nuage de n points Mi de coordonnées (xi ,
yi ) le point G de coordonnées

n n
1X 1X
x= xi et y = yi .
n i=1 n i=1

Remarque 2.1. Si à l’occasion d’une représentation graphique, le nuage de points semble

décrire une forme assez régulière (courbe ou droite), on peut envisager de l’ajuster.

2.1.3 Analyse des variables

Définition 2.2. Les variables x et y peuvent être analysées séparément. On peut calculer
tous les paramètres dont les moyennes et les variances :
n n n
1X 1X 1X 2
x= xi et Vx = (xi − x)2 ou Vx = x − x2
n i=1 n i=1 n i=1 i

26
CHAPITRE 2. LIAISON ENTRE DEUX VARIABLES Licence 2 MPC

n n n
1X 1X 1X 2
y= yi et Vy = (yi − y)2 ou Vy = y − y2
n i=1 n i=1 n i=1 i

Ces paramètres sont appelés paramètres marginaux : variances marginales, moyennes mar-
ginales, écarts-types marginaux, quantiles marginaux, etc . . .

2.1.4 Covariance d’une série statistique double

Définition 2.3. La covariance d’une série statistique double de caractères x et y est le
nombre réel : n
1X
Cov(x, y) = (xi − x)(yi − y)
n i=1

On note aussi Cov(x, y) = σxy .

Il existe une formule, plus commode pour les calculs :
n
1X
σxy = xi yi − x.y
n i=1

2.1.5 Droites de régression de la méthode des moindres carrées

La droite de régression est la droite qui ajuste au mieux un nuage de points au sens
des moindres carrés. On considère que la variable x est explicative et que la variable y est
dépendante. L’équation d’une droite est

y = ax + b.

Le problème consiste à identifier une droite qui ajuste bien le nuage de points. Si les
coefficients a et b étaient connus, on pourrait calculer les résidus de la régression définis
par :
ei = yi − b − axi .

Le résidu ei est l’erreur que l’on commet (voir Figure ) en utilisant la droite de régression
pour prédire yi à partir de xi . Les résidus peuvent être positifs ou négatifs.
(Figure à insérer)
Pour déterminer la valeur des coefficients a et b on utilise le principe des moindres carrés
qui consiste à chercher la droite qui minimise la somme des carrés des résidus :
n
X n
X
M (a, b) = e2i = (yi − b − axi )2 .
i=1 i=1

Théorème 2.1. Les coefficients a et b qui minimisent le critère des moindres carrés sont

27
2.1. DEUX VARIABLES QUANTITATIVES Licence 2 MPC

donnés par :
Cov(x, y) σxy
a= =
Vx [σx ]2
et où b vérifie b = y − ax

Démonstration.

Définition 2.4. Il existe une droite de régression D′ de x en y. Elle a pour équation

x = a′ y + b′ où le coefficient directeur est

Cov(x, y) σxy
a′ = =
Vy [σy ]2

et où b′ vérifie b′ = x − a′ y

Remarque 2.2. Les droites D et D′ passent par le point moyen G(x, y) du nuage.

2.1.6 Coefficient de corrélation linéaire

Afin d’apprécier la qualité d’un ajustement affine, nous allons introduire un nouveau
paramètre.

Définition 2.5. Le coefficient de corrélation linéaire d’une série statistique double de

variables x et y est le nombre rxy défini par

Cov(x, y) σxy
rxy = p = .
Vx Vy σx σy

On appelle coefficient de détermination le carré du cofficient de corrélation linéaire :

2 Cov(x, y)2
rxy = .
Vx Vy

2
rxy représente le pourcentage des variations de y expliquées par les variations de x.

Propriété 2.1. On a les propriétés suivantes pour toutes variables x et y et pour α et β

des constantes quelconques :
1) Cov(x, y), rxy , a et a′ sont de même signe.
2) On admet que −1 ≤ rxy ≤ 1.
3) V(x) = Cov(x, x)
4) Cov(α.x, β.y) = α × βCov(x, y)
5) V(x + y) = V(x) + V(y) + 2Cov(x, y)
6) V(x + y) = V(x) + V(y), si x et y sont indépendantes.

28
CHAPITRE 2. LIAISON ENTRE DEUX VARIABLES Licence 2 MPC

Remarque 2.3. Il existe une ”bonne” ou une ”forte” corrélation entre x et y lorsque
|rxy | est suffisamment voisin de 1.
Dans chaque domaine technologique ou économique, on choisit pour quelles valeurs de
R la corrélation est jugée suffisante pour effectuer un ajustement affine par la méthode
des moindres carrés.
Les exigences peuvent varier pour r, de 0, 5 ≤ |rxy | ≤ 1 à 0, 999 ≤ |rxy | ≤ 1.
Nous retiendrons que la corrélation entre x et y sera ”bonne” lorsque 0, 86 ≤ |rxy | ≤ 1.

2.1.7 Résidus et valeurs ajustées

Les valeurs ajustées sont obtenues au moyen de la droite de régression :

yi∗ = b + axi .

Les valeurs ajustées sont les ’prédictions’ des yi réalisées au moyen de la variable x et de
la droite de régression de y en x.

Remarque 2.4. La moyenne des valeurs ajustées est égale à la moyenne des valeurs
observées ȳ. En effet,
n n n n
1X ∗ 1X 1X 1X
yi = (b + axi ) = b+a xi = b + ax̄.
n i=1 n i=1 n i=1 n i=1

Or, ȳ = ax̄ + b, car le point (x̄, ȳ) appartient à la droite de régression.

Les résidus sont les différences entre les valeurs observées et les valeurs ajustées de la
variable dépendante.
ei = yi − yi∗ .

Les résidus représentent la partie inexpliquée des yi par la droite de régression.

Remarque 2.5. - La moyenne des résidus est nulle. En effet

n n
1X ∗ 1X
ei = (yi − yi∗ ) = ȳ − ȳ = 0.
n i=1 n i=1

2.1.8 Sommes des carrés et variances

Définition 2.6. On appelle somme des carrés totale la quantité
n
X
SCT OT = (yi − ȳ)2 .
i=1

29
2.1. DEUX VARIABLES QUANTITATIVES Licence 2 MPC

La variance marginale peut alors être définie par

n
SCT OT 1X
Vy = = (yi − ȳ)2 .
n n i=1

Définition 2.7. On appelle somme des carrés de la régression la quantité

n
X
SCREGR = (yi∗ − ȳ)2 .
i=1

Définition 2.8. La variance de régression est la variance des valeurs ajustées.

n
1X ∗
Vy∗ = (yi − ȳ)2 .
n i=1

Définition 2.9. On appelle somme des carrés des résidus (ou résiduelle) la quantité

n
X
SCRES = e2i .
i=1

La variance résiduelle est la variance des résidus.

n
SCRES 1X 2
Ve = = e.
n n i=1 i

Théorème 2.2.
SCT OT = SCREGR + SCRES .

Démonstration.

2.1.9 Décomposition de la variance

Théorème 2.3. - La variance de régression peut également s’écrire

Vy ∗ = r 2 Vy ,

et

- La variance résiduelle peut également s’écrire

Ve = (1 − r2 )Vy ,

30
CHAPITRE 2. LIAISON ENTRE DEUX VARIABLES Licence 2 MPC

où r2 est le coefficient de détermination.

Théorème 2.4. La variance marginale est la somme de la variance de régression et de

la variance résiduelle,
Vy = Vy∗ + Ve .

La démonstration découle directement des deux théorèmes précédents.

2.1.10 Méthode de Mayer, Droite de Mayer

Principe
Le principe de la méthode est le suivant. L’ensemble des points à ajuster est partagé
en deux sous-ensembles de même effectif, dans l’ordre où les points se présentent.
Chacun des sous-ensembles est alors remplacé par le point dont les coordonnées sont
respectivement :
- en abscisse la moyenne arithmétique des abscisses des points du sous-groupe,
- en ordonnée la moyenne arithmétique des ordonnées des points du sous-groupe.
On dispose alors de deux points dont les coordonnées sont connues, par lesquels passe
la droite dite de Mayerr, droite d’ajustement dont il est facile de déterminer l’équation.
Soit D : y = ax + b une équation de la droite de Mayer. Alors

y2 − y1
a= et b = y − ax
x2 − x1

2.2 Deux variables qualitatives

2.2.1 Données observées

Si les deux variables x et y sont qualitatives, alors les données observées sont une suite
de couples de variables
(x1 , y1 ), ..., (xi , yj ), ..., (xn , yn ),

chacune des deux variables prend comme valeurs des modalités qualitatives. Les valeurs
distinctes de x et y sont notées respectivement

x1 , ..., xj , ..., xr

et
y1 , ..., yk , ..., ys .

31
2.2. DEUX VARIABLES QUALITATIVES Licence 2 MPC

2.2.2 Tableau de contingence

Les données observées peuvent être regroupées sous la forme d’un tableau de contin-
gence
y1 . . . yj . . . ys T otal
x1 n11 . . . n1k . . . n1s n1.
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
xi ni1 . . . nij . . . nis ni.
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
xr nr1 . . . nrj . . . nrs nr.
T otal n.1 . . . n.j . . . n.s n
Les ni. et n.j sont appelés les effectifs marginaux. Dans ce tableau,
- ni. représente le nombre de fois que la modalité xi apparaı̂t,
- n.j représente le nombre de fois que la modalité yj apparaı̂t,
- nij représente le nombre de fois que les modalités xi et yij apparaissent ensemble. On a
les relations

r
X
nij = n.j , pour tout j = 1, ..., s,
i=1

et s
X
nij = ni. , pour tout i = 1, ..., r,
j=1

Exemple 2.4. On s’intéresse à une éventuelle relation entre le sexe de 200 personnes et
la couleur des yeux. Le tableau suivant reprend le tableau de contingence.

Bleu V ert M arron T otal

Homme 10 50 20 80
F emme 20 60 40 120
T otal 30 110 60 200

32
CHAPITRE 2. LIAISON ENTRE DEUX VARIABLES Licence 2 MPC

2.2.3 Tableau des fréquences

Le tableau de fréquences s’obtient en divisant tous les effectifs par la taille de l’échantillon :

nij
fij = , i = 1, ..., r, j = 1, ..., s,
n
ni.
fi. = , i = 1, ..., r,
n
n.j
f.j = , j = 1, ..., s.
n

Exemple 2.5. Application aux données du tableau de contingence de l’exemple.

Bleu V ert M arron T otal

Homme
F emme
T otal

2.2.4 Profils lignes et profils colonnes

Un tableau de contingence s’interprète toujours en comparant des fréquences en lignes

ou des fréquences en colonnes (appelés aussi profils lignes et profils colonnes).
Les profils lignes sont définis par

(i) nij fij

fj = = , j = 1, ..., s, i = 1, ..., r,
ni. fi.

et les profils colonnes par

(j) nij fij

fi = = , i = 1, ..., r, j = 1, ..., s.
n.j f.j

Exemple 2.6. Appliquer aux données du tableau de contingence de l’exemple et in-

terpréter.
Tableau des profils lignes

Bleu V ert M arron T otal

Homme
F emme
T otal

33
2.2. DEUX VARIABLES QUALITATIVES Licence 2 MPC

Tableau des profils colonnes

Bleu V ert M arron T otal

Homme
F emme
T otal

2.2.5 Effectifs théoriques et chi-deux ou khi-deux

On cherche souvent une interaction entre des lignes et des colonnes, un lien entre les
variables. Pour mettre en ´evidence ce lien, on construit un tableau des effectifs théoriques
qui représente la situation où les variables ne sont pas liées (indépendance). Ces effectifs
théoriques sont construits de la manière suivante :

ni. × n.j
n′ij = , ∀i, j
n

Les effectifs observés (effectifs du tableau initial) nij ont les mêmes marges que les effectifs
théoriques n′ij .
Enfin, les écarts à l’indépendance sont définis par

eij = nij − n′ij .

Le chi-deux calculé est

- La dépendance du tableau se mesure au moyen du khi-deux donné par la formule
r X s r X s
X (nij − n′ij )2 X e2ij
χ2Calc = = (2.1)
i=1 j=1
n′ij n′
i=1 j=1 ij

- Le khi-deux peut être normalisé pour ne plus dépendre du nombre d’observations n.

On définit le phi-deux par :

χ2Calc
ϕ2 = (2.2)
n

- Le ϕ2 ne dépend plus du nombre d’observations. Il est possible de montrer que

ϕ2 ≤ min(r − 1, s − 1).

Définition 2.10. (Test de Cramer)

Pour l’ensemble d’une enquête, connaı̂tre les croisements de variables qui entretiennent

34
CHAPITRE 2. LIAISON ENTRE DEUX VARIABLES Licence 2 MPC

les relations les plus intéressantes est fort utile, car cela permet d’organiser son travail et
de valider ou invalider ses hypothèses de départ.
Le test de Cramer (aussi appelé V de CRAMER) permet de mesurer l’intensité des
relations entre deux variables. Il est définit par
s
ϕ2
V = (2.3)
min(r − 1, s − 1)
s
χ2Calc
= (2.4)
n × min(r − 1, s − 1)

Remarque 2.6. - 0 ≤ V ≤ 1
- Si V ≈ 0, les deux variables sont indépendantes
- Si V = 1, il existe une relation fonctionnelle entre les variables, ce qui signifie que
chaque ligne et chaque colonne du tableau de contingence ne contiennent qu’un seul effectif
différent de 0 (il faut que le tableau ait le même nombre de lignes que de colonnes).
On interprète ce chiffre, en sociologie, à l’aide du tableau suivant :

V aleur du V de CRAM ER Intensité de la relation entre les variables

V < 0.10 relation nulle ou très f aible
0.10 ≤ V < 0.20 relation f aible
0.20 ≤ V < 0.30 relation moyenne
V ≥ 0.30 relation f orte

Exemple 2.7. Application à l’exemple précédent.

Tableau des effectifs théoriques n′ij

Bleu V ert M arron T otal

Homme
F emme
T otal

Tableau des écarts à l’indépendance eij

Bleu V ert M arron T otal

Homme
F emme
T otal

35
2.2. DEUX VARIABLES QUALITATIVES Licence 2 MPC

Tableau des contributions e2ij /n′ij

Bleu V ert M arron T otal

Homme
F emme
T otal χ2Calc =

Conclusion :

Exercice 2.1. Neuf étudiants émettent un avis pédagogique vis-à-vis d’un professeur se-
lon une échelle d’appréciation de 1 à 20. On relève par ailleurs la note obtenue par ces
étudiants l’année précédente auprès du professeur.

Etudiants
y= Avis 5 7 16 6 12 14 10 9 8
x= Résultats 8 11 10 13 9 17 7 15 16

1- Représentez graphiquement les deux variables.

2- Déterminez le coeffcient de corrélation entre les variables X et Y . Ensuite, donnez une
interprétation de ce coefficient.
3- Déterminez la droite de régression Y en fonction de X.
4- Etablissez, sur base du modèle, l’avis pour un étudiant ayant obtenu 12/20.
5- Calculez la variance résiduelle et le coeffcient de détermination.

Exercice 2.2. Le tableau suivant est extrait de Boudon (1979, p. 57). La variable X est le
niveau d’instruction du fils par rapport au père (plus élevé, égal, inférieur), et la variable
Y est le statut professionnel du fils par rapport au père (plus élevé, égal, inférieur).

N iveau d′ instruction Statut prof essionnel du f ils

du f ils par rapport au père
au père P lus élevé Egal inférieur T otal
plus élevé 134 96 61 291
égal 23 33 24 80
inférieur 7 16 22 45
T otal 164 145 107 416

Calculez le V de Cramer et interpréter.

36
CHAPITRE 2. LIAISON ENTRE DEUX VARIABLES Licence 2 MPC

TRAVAUX DIRIGES

EXERCICE 1.
Le mur d’une habitation est constitué par une paroi en béton et
une couche de polystyrène d’épaisseur variable X ( en cm).
On a mesuré, pour une même épaisseur de béton, la résistance thermique Y de ce mur
en m2◦ C par watt pour différentes valeurs valeurs de X.
On a obtenu les résultats suivants :

Epaisseur Xi 2 4 6 8 10 12 15 20
Résistence Yi 0,83 1,34 1,63 2,29 2,44 2,93 4,06 4,48

1 Représenter le nuage de points associé à la série statistique. Peut-on envisager ce nuage

de point ?
2 a) Donner une équation de la droite de régression de y en x par la méthode des moindres
carrés.
b) Calculer le coefficient de corrélation linéaire. Que peut-on dire quant à la qualité
de cet ajustement ?

EXERCICE 2.

Une entreprise fabrique et vend des lots de circuits électroniques.

Le tableau suivant indique le pourcentage Y de circuits d’un lot qui ont une panne au
cours de X semestres d’utilisation :

Nombre de semestres : Xi 1 2 3 4 5 6 7 8 9 10
Pourcentage : Yi 0 2 4 8 11 14 17 20 23 27

1 Représenter le nuage de points associé à la série statistique. Peut-on envisager ce nuage

de point ?
2 a) Donner une équation de la droite de régression de y en x par la méthode des moindres
carrés.
b) Calculer le coefficient de corrélation linéaire. Que peut-on dire quant à la qualité
de cet ajustement ?
3 En supposant que la tendance observée se poursuive, en déduire le pourcentage de
circuits qui auront une panne au cours de douze semestres d’utilisation.

EXERCICE 3.

Dans cette activité, tous les résultats numériques seront donnés par la valeur décimale

37
2.2. DEUX VARIABLES QUALITATIVES Licence 2 MPC

arrondie à 10−3 , obtenue directement avec une calculatrice.

L’étude, durant les cinq dernières années, du nombre de passagers transportés annuel-
lement sur une ligne aérienne a conduit au tableau suivant :

Rang de l’année xi Nombre de passagers transportés pi

1 7 550
2 9 235
3 10 741
4 12 837
5 15 655

1. On pose yi = ln(pi ).

a) Donner, dans un tableau, la série statistique double (xi , yi )

b) Représenter le nuage de points dans un repère orthogonal du plan. Peut-on envisa-

ger un ajustement ?
2. a) Déterminer par la méthode des moindres carrés une équation de la droite de
régression D de y en x.

b) Déterminer le coefficient de corrélation entre les deux variables x et y . Le résultat

obtenu confirme-t-il l’observation faite au 1.b) ?

c) Déduire du a) une expression de p en fonction de x.

d) En admettant que l’évolution constatée se poursuive les années suivantes, utiliser la

relation obtenu au c) pour estimer le nombre de passagers transportés au cours de l’année
de rang 7.

EXERCICE 4.
Une population est étudiée suivant deux caractères Xi et Yi . Le ta-
bleau suivant donne la distribution des fréquences relatives en pourcentage (fij %). On
sait par ailleurs que la taille de l’échantillon étudié est égale à 125.

X i \ Yi 0 1 2 3
1 4 3,2 11,2 8,8
2 12 0,8 8 11,2
3 4 4 12,8 20

38
CHAPITRE 2. LIAISON ENTRE DEUX VARIABLES Licence 2 MPC

1- Compléter le tableau suivant :

Xi \ Yi 0 1 2 3 ni.
1
2
3
n.j

2- Calculer les moyennes marginales de X et de Y .

3- Calculer les variances marginales de X et de Y .
4- Calculer la covariance de X et Y .
5- Calculer V(X + Y ).
6- Calculer V(2X + Y ). â

39
2.2. DEUX VARIABLES QUALITATIVES Licence 2 MPC

40
Bibliographie

[1] Brahima Soro. Supports de cours et travaux dirigés de statistique

[2] Nuama Ekou. Annales corrigées de statistique

[3] Renée Veysseyre. Aide-mémoire Statistique et probabilité pour l’ingénieur

[4] Fabrice Mazerole. Statistique descriptive.

41