Cours statistiques descriptives

Table des matières 4 Paramètre de dispersion 13

4.1 L’étendue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.2 L’étendue inter-quartile (EIQ) . . . . . . . . . . . . . . . . . . . . . . . . 13
1 Définitions et notations 2
4.3 L’écart absolu moyen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1 Caractère qualitatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
4.4 L’écart-type ou écart quadratique moyen . . . . . . . . . . . . . . . . . . 13
1.2 Caractère quantitatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
5 Paramètre de forme 14
2 Série statistique à une dimension 2
2.1 Caractère qualitatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 6 Le coefficient de variation 15
2.1.1 Présentation sous forme de tableaux . . . . . . . . . . . . . . . . 2
7 Concentration 15
2.1.2 Présentation sous forme de graphiques . . . . . . . . . . . . . . . 3
2.2 Caractère quantitatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 8 Distributions à deux caractères 15
2.2.1 Caractère discret . . . . . . . . . . . . . . . . . . . . . . . . . . 4 8.1 Distributions à deux caractères . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.2 caractère continu . . . . . . . . . . . . . . . . . . . . . . . . . . 4 8.1.1 Tableaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Effectifs cumules et fréquences cumulées . . . . . . . . . . . . . . . . . . 6 8.1.2 Notation et définition . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Caractère discret . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 8.1.3 Fonction effectif- fonction fréquence . . . . . . . . . . . . . . . . 16
2.3.2 Caractère continu . . . . . . . . . . . . . . . . . . . . . . . . . . 7 8.1.4 Fonction de fréquence cumulée . . . . . . . . . . . . . . . . . . . 16
8.1.5 Distributions marginales . . . . . . . . . . . . . . . . . . . . . . . 17
3 Paramètres de position 8 8.1.6 Distributions conditionnelles . . . . . . . . . . . . . . . . . . . . 17
3.1 Le mode (ou moyenne de fréquence) . . . . . . . . . . . . . . . . . . . . 8 8.2 Valeurs typiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 La médiane, quartiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 8.2.1 Distributions marginales . . . . . . . . . . . . . . . . . . . . . . . 17
3.2.1 La médiane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 8.2.2 Distributions conditionnelles . . . . . . . . . . . . . . . . . . . . 17
3.2.2 Les quartiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 8.3 Covariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.3 Les fractiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 8.4 Ajustement analytique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3 La moyenne arithmétique . . . . . . . . . . . . . . . . . . . . . . . . . . 11 8.4.1 Ajustement linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1
 Cours TI: Statistiques Descriptives

8.4.2 Critère de Mayer . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.2 Caractère quantitatif

8.4.3 Méthode de Mayer . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Définition 1.2. Un caractère statistique est dite quantitatif quand il peut être l’objet
8.4.4 Méthode de moindres carrés(MMC) . . . . . . . . . . . . . . . . 18 d’une mesure ou d’un repérage par un nombre.
8.4.5 Coefficient de corrélation . . . . . . . . . . . . . . . . . . . . . . 19
Propriétés 1.2. Un caractère quantitatif est mesuré par un nombre appelé variable
statistique.
1 Définitions et notations
a- Cette variable est discontinue ou discrète, si elle ne peut prendre que des valeurs
La statistique descriptive a pour but d’analyser les données, de les mettre en ordre et entières dans l’intervalle où elle varie.
de dégager certaine renseignements ou certaines caractéristiques. Exemple 1.3. Le nombre d’étudiants inscrit en première année de l’ISET de Za-
Lorsqu’on fait une étude statistique, on part d’un ensemble de référence sur lequel vont ghouane.
porter les observations.
Donc par définition :
b- Cette variable est continue, si elle peut prendre toute valeurs dans un intervalle.
* Cet ensemble de références s’appelle population ou univers noté P ou Ω.
Exemple 1.4. La taille des étudiants inscrit en première année de l’ISET de Za-
** Chaque élément de cet ensemble est appelé individu ou unité statistique
ghouane.
Les unités statistique supposées bien distinctes les unes des autres sont étudiées en
Remarque 1.2. Une même variable peut être étudiée en tant que variable discrète ou
fonction d’un ou plusieurs caractères.
continue.
Exemple 1.1. Soit la populations constituée par le parc automobile national, on
peut considérer pour chaque véhicule : l’âge, la marque, la puissance, la consommation Exemple 1.5. La taille d’un ensemble des étudiants est une variable continue, mais
d’essence, le nombre de chevaux, la profession du propriétaire, son age, sa taille · · · tout instrument de mesure est d’une précision limitée, les observations seront données
Ainsi âge, taille, profession, marque · · · , sont des caractères statistiques des au millimétré prés et le caractère pourra alors étudié comme une variable discrète.
Remarque 1.1. Si au lieu de considérer l’ensemble de référence en entier, on
considère un sous-ensemble (une partie de P) sur lequel on va effectuer des observa-
tions, ce sous-ensemble est appelé échantillon. Le nombre d’individus qui le constituent 2 Série statistique à une dimension
s’appelle taille de l’échantillon.
Une distribution statistique indique la représentation des individus selon la valeur
Un caractère étudié peut être soit qualitatif, soit quantitatif du caractère. Il s’agit dans ce qui suit, de décrire et de représenter les distributions à
(appelé variable). un caractère.

1.1 Caractère qualitatif 2.1 Caractère qualitatif

Définition 1.1. Un caractère statistique est dite qualitatif quand il ne peut être l’objet
d’un mesure, ni d’un repérage par un nombre. 2.1.1 Présentation sous forme de tableaux
Exemple 1.2. La marque d’une voiture, la profession des parents, les diplômes, le sexe, On présente la distribution observée sous la forme d’un tableau statistique à deux co-
··· lonnes ou à deux lignes, l’une indique la modalité, l’autre le nombre d’unités statistique.
Propriétés 1.1. On range dans un même rubrique les unités statistiques considérées Soit X le caractère qualitatif étudie et k le nombre de valeurs ou modalité différentes :
comme équivalentes. x1 , · · · , xk et soit n1 , · · · , nk le nombre d’éléments correspondant à chaque modalité.
Chaque rubrique, s’appelle une modalité du caractère statistique étudié. On considéré alors le tableau statistique suivant :

ISET Zaghouane page 2 Atef Ben Essid

 2 SÉRIE STATISTIQUE À UNE DIMENSION

Modalité Effectifs b- Diagramme à barre

x1 1 Au lieu d’un seul rectangle, on choisit un rectangle par modalité.
x2 n2
. .
xi ni
. .
* La hauteur de chaque barre est proportionnelle à l’effectif qu’elle représente.
xk nk
Pi=k
n=
P
i=1 ni
** Les bases de différentes barres sont égaux et de faibles largeurs.
a- Chaque modalité xi fait correspondre le nombre des observations correspondantes
ni .

b- ni est l’effectif ou la fréquence absolue correspondant à la modalité xi du

caractère X.
50
c- n est égale à la somme des effectifs n1 + · · · + nk , on l’appelle : effectif total. 50

d- On définit la fréquence relative fi par la proportion des individus qui présentent

ni
le caractère xi par rapport à l’effectif total c-a-d fi = .

#participants
n 40
Exemple 2.1. On considère la distribution des préférences de 100 personnes entre deux
produits A et B. 30
30
Modalité Préférence A Préférence B Sans opinions Total
Effectif 50 30 20 100
Fréquence 0.5 0.3 0.2 1 20
20

2.1.2 Présentation sous forme de graphiques Préférence A Préférence B Sans Opinion

La représentation graphique permet de préciser à l’œil les distributions

Figure 1 – Diagramme à barre
a- Diagramme rectangulaire à secteurs (en bande)
quand la population étudiée est composée de parties distincts, on choisit un rec-
tangle (ou bande) dont la surface totale représente 100% de l’effectif. Cette surface
est alors repartie en autant de secteur que l’on a de modalité. La surface de chaque
secteur est proportionnelle à l’effectif de la modalité. c- Diagramme circulaire
Au lieu d’utiliser un rectangle, on choisit un cercle. On repartit alors l’angle au
centre (360 dégrée) proportionnellement aux effectifs des différentes modalités.
Chaque modalité xi est représentée par un secteur dont l’angle vaut :
A B C
ni
2π = 2πfi
n

ISET Zaghouane page 3 Atef Ben Essid

 Cours TI: Statistiques Descriptives

b- Représentation sous forme graphiques

Diagramme en bâtons
La représentation graphique de effectifs ou de fréquences d’une distribution statis-
tique d’une variable discrète est de type diagramme en bâtons.
A A
50% 50% Exemple 2.3.
Nombre d’enfants
Effectif
1
10
2
30
3
25
4
15
5
5
B
20% B Sans
Sans 20% y
30% 30% •

2.2 Caractère quantitatif

•
On associe à tout caractère quantitatif une variable statistique qui peut être discrète
ou continue. •

2.2.1 Caractère discret •

a- Présentation sous forme d’un tableau
on présente les données sous la forme d’un tableau statistique analogue à celui x
obtenu pour le caractère qualitatif.
On obtient le tableau suivant :
Valeur de X Effectifs -¿ Le diagramme est constitué par des segments de droite dont la longueur est
x1 n1 proportionnelle aux effectifs (aux fréquences).
x2 n2
. . -¿ Chaque bâton représente l’effectif (la fréquence) correspondant à une valeur de
xi ni la variable représente sur l’axe de abscisses.
. .
xk nk -¿ Si l’on joint les extrémités des bâtons on obtient le polygone des effectifs (des
Pi=k fréquences).
n = i=1 ni
P

Exemple 2.2. 100 candidats se sont présentes à une même épreuve de statistique.
Les copies ont été corrigées par un même correcteurs.
Le tableau suivant donne la distribution des notes : 2.2.2 caractère continu
X 7 8 9 10 11 12 13.5 15.5 17.5 19 Total
ni 2 5 10 16 20 15 20 8 2 2 100 a- Présentation sous forme de tableaux
fi 0.02 0.05 0.1 0.16 0.2 0.15 0.2 0.08 0.02 0.02 1 Le tableau générale se présente sous la forme :

ISET Zaghouane page 4 Atef Ben Essid

 2 SÉRIE STATISTIQUE À UNE DIMENSION

Classe Effectif Centre Amplitude Fréquence Classe [6.5; 9.5[ [9.5; 11[ [11; 12.5[ [12.5; 14[ [14; 17[ Total
e0 + e1 Effectif 11 12 19 9 9 60
[e0 , e1 [ n1 = c1 e1 − e0 = a1 f1 Amplitude 3 1.5 1.5 1.5 3
2 Centre 8 10.25 11.75 13.25 15.5
. . . . .
Fréquence 0.18 0.2 0.32 0.15 0.15 1
ei + ei−1
[ei−1 , ei [ ni = ci ei − ei−1 = ai fi Densité
2 ni
di = A
11
≈ 3.7 12
=8 19
≈ 12.7 9
=6 9
=3
. . . . . i
3 1.5 1.5 1.5 3

ek−1 + ek 3.7 × 1.5 8 × 1.5 12.7 × 1.5 6 × 1.5 3 × 1.5

[ek−1 , ek [ nk = ci ek − ek−1 = ak fk Hauteur
2 hi = k × di
= = = = =
5.5 12 19 9 4.5
X
n 1

Le coefficient de proportionnalité k pour le calcul des hauteurs est ici déterminé par
Observations sur le tableau la hauteur des rectangles inchangés, il vaut donc k = 12 8 = 1.5 (on aurait pu choisir
n’importe quel coefficient).

-¿ [ei , ei+1 [ sont des classe. b- Présentation sous forme de graphiques(Histogrammes)

La représentation graphique des effectifs ou des fréquences (constitué de rectangles
-¿ n1 , · · · , nk le nombre d’observation tombant dans la même classe. contigus) d’une variable continue est appelé un histogramme.

-¿ lorsqu’on prend les centres de classe avec les effectifs correspondants, on obtient
un tableau statistique d’un caractère discret. – Cas 1 : Classes d’amplitudes égales
Sur l’histogramme de la figure (2), on aura donc les classes d’amplitudes égales
Exemple 2.4 (Classes d’amplitudes égales). en abscisse et les effectifs ou les fréquences en ordonnée.
Les salaires des ouvriers d’une entreprise de 200 salariés sont données par la dis-
tribution suivante :
50

Effectifs ni (ou fréquences fi )

Classe Effectif Centre Fréquence Amplitude
[0, 150[ 34 75 0.17 150
40
[150, 300[ 40 255 0.20 150
[300, 450[ 38 375 0.19 150
[450, 600[ 28 525 0.14 150 30
[600, 750[ 26 675 0.13 150
[750, 900[ 12 825 0.06 150 20
[900, 1050[ 10 975 0.05 150
[1050, 1200[ 6 1125 0.03 150
10
[1200, 1350[ 4 1275 0.02 150
[1350, 1500[ 2 1425 0.01 150
0
X
200 1 0 200 400 600 800 1,000 1,200 1,400
X

Exemple 2.5 ( Classes d’amplitudes inégales).

Figure 2 – Histogramme (Exemple 2.4)
Le directeur des ressources humaines (DRH) d’une entreprise a relevé la distribution
statistique de l’ancienneté des cadres de son entreprise, exprimée en années :

ISET Zaghouane page 5 Atef Ben Essid

 Cours TI: Statistiques Descriptives

– Cas 2 : Classes d’amplitudes inégales 20

Pour représenter l’effectif ou la fréquence d’une classe, il faut donner au rec-
tangle de l’histogramme une hauteur calculée pour que son aire (et non sa
15
hauteur) soit proportionnelle à l’effectif ou la fréquence.

Densité di
La première méthode est donc le calcul des densités (rapports effec-
tif/amplitude) puis dans l’application d’un coefficient de proportionnalité 10
(hauteur/densité) pour le calcul des hauteurs.
Sur l’histogramme de la figure (3), on aura donc les classes d’amplitudes
inégales en abscisse et les hauteurs en ordonnée. 5
La deuxième méthode est donc le calcul des densités (effectifs corrigés

20 0
0 2 4 6 8 10 12 14 16
Ancienneté des cadres X
15
Hauteur H

Figure 4 – Histogramme (Exemple 2.5)

10
f1 , · · · , fi , · · · , fn les fréquences respectives.
On considère la fréquence des valeurs inférieurs ou égale à une valeur x donnée.
5

Soit F (x) = somme des fréquence de (X ≤ x) = f1 + · · · + fi + · · · + fk

0
0 2 4 6 8 10 12 14 16
X Fréquence F (x)
Ancienneté des cadres X
x1 f1 f1
x2 f2 f1 + f2
Figure 3 – Histogramme (Exemple 2.5) . . .
xi fi f1 + · · · + fi
(rapports effectif/amplitude). . . .
Sur l’histogramme de la figure (4), on aura donc les classes d’amplitudes Pj=k
xk fk j=1 fj = 1
inégales en abscisse et les densités en ordonnée. Pj=k
j=1 fj = 1
P

2.3 Effectifs cumules et fréquences cumulées Calcul de F (x)

On appelle effectifs cumulés (fréquences cumulées) le total des effectifs (fréquences) d’une
classe avec ceux (celles) des classes antérieures.
∀x ∈] − ∞; x1 [⇒ F (x) = 0
i
2.3.1 Caractère discret X
∀i ∈ {1, · · · , k − 1}, ∀x ∈ [xi ; xi+1 [⇒ F (x) = fi
a- Présentation des données j=1

Soit x1 , · · · , xi , · · · , xn les valeurs de X rangées par ordre croissant et ∀x ∈ [xk ; +∞[⇒ F (x) = 1

ISET Zaghouane page 6 Atef Ben Essid

 2 SÉRIE STATISTIQUE À UNE DIMENSION

b- Représentation graphique (diagramme en marche d’escalier) F (x)

La représentation graphique des fréquences cumulées de effectifs cumulés est un 1
diagramme en marche d’escalier
0.8

0.6

0.4 Diagramme en marche d’escalier

F (x)
0.2

X
1 0 1 2 3 4 5

2.3.2 Caractère continu

X a- Présentation des données

0 x1 x2 xk On obtient un tableau identique à celui du caractère discret les xi sont les extrémités
de classe :
.
∀i = 1, . . , k :
Pi
On note Fi = k=1 fi
Exemple 2.6. On considère la répartition de 1000 famille selon le nombre d’enfants
est donnée par le tableau ci-dessous : ∀x ∈] − ∞; e0 [⇒ F (x) = 0
fi+1
∀i ∈ {1, · · · , k} ∀x ∈ [xi , xi+1 [⇒ F (x) = Fi + (x − xi )
xi+1 − xi
∀x ∈ [ek ; +∞[⇒ F (x) = 1
Nombre d’enfants 0 1 2 3 4 5 Total
Effectifs 50 170 400 250 100 30 1000 Remarque 2.1. 1- Autrement dit la fonction de répartition F est une fonction
Fréquence en % 5 17 40 25 10 3 100 affine sur chaque classe.
Fréquence cumulée en % 5 22 62 87 97 100 2- On peut aussi calculer F (x) par la méthode d’extrapolation (voir figure ci des-
F (ei+1 − F (ei ) F (x) − F (ei )
sous) tan(α) = =
ei+1 − ei x − ei

Le graphe de la fonction de répartition F (x) (est une fonction en escalier, continue à

0 si x < 0


Fi+1

0.05 0≤x<1


 si
F (x)


0.22 si 1 ≤ x < 2



droite) définie par : F (x) = 0.62 si 2 ≤ x < 3
0.87 si 3 ≤ x < 4 Fi



X

0.97 si 4 ≤ x < 5



ei x ei+1


1 si x ≥ 5


ISET Zaghouane page 7 Atef Ben Essid

 Cours TI: Statistiques Descriptives

b- Représentation graphique (diagramme intégral ou courbe cumulative) F (x)

1

F (x) 0.75

0.5
1 Diagramme intégral

0.25

f1 X
X 16.518.5 25 30 40 45
0 e1 e2 e3 ek+1

Ce diagramme intégral est la représentation graphique d’une fonction de répartitions 3 Paramètres de position
de fréquences dans un intervalle [0; 1] pour tout x ∈ R
On distingue trois différentes types de paramètre qui résument les information d’une
F (x) = frequence de(X ≤ x) distribution statistique :

- Le mode (ou moyenne de fréquence)

Il sert à déterminer certains paramètres de position (médiane, quartiles,· · · ).
- La médiane, quartiles (plus généralement fractiles)
Exemple 2.7. La répartition de l’indice de masse corporelle dans une échantillon de - La moyenne arithmétique.
1000 individus est donnée par le tableau ci-dessous :

3.1 Le mode (ou moyenne de fréquence)

A B C D E Total
Intervalle
[16.5; 18.5[ [18.5; 25[ [25; 30[ [30; 40[ [40; 45[ a- Définition
Effectifs 49 535 292 116 8 1000 C’est la valeur de la variable (ou la modalité du caractère) qui apparaı̂t le plus
Fréquence en 4.9 53.5 29.2 11.6 0.8 100 grand nombre de fois.
Fréquence cumulée en % 4.9 58.4 87.6 99.2 100 b- Détermination
-¿ Caractère discret
 fonction de répartition F (x) (est une fonction continue à droite) définie
Le graphe de la Il suffit de lire sur le tableau statistique la valeur du caractère qui correspond
0
 si x < 16.5 au plus grand effectif.
0.049


(x − 16.5) si x ∈ [16.5, 18.5[ -¿ Caractère continu


 18.5 − 16.5


il n’existe pas de mode à proprement parler, mais une classe modale celle dont

0.049 + 25−18.5 (x − 18.5) si x ∈ [18.5, 25[
0.535


par : F (x) = 0.584 + 0.0.292 (x − 25) l’effectif est le plus élevé.
 30−25 si x ∈ [25, 30[ La classe correspondant au plus grand effectif est appelée classe modale. La
0.876 + (x 30) si x ∈ [30, 40[
 0.116
− classe modale est donnée par la formule empirique :



 40−30

0.992 + 45−40 (x − 40) si x ∈ [40, 45[

0.008


d1


1

si x ≥ 45 M0 = l + a (1)
d1 + d2

ISET Zaghouane page 8 Atef Ben Essid

 3 PARAMÈTRES DE POSITION

l (resp a) la borne inférieure (resp l’amplitude) de la classe modale. y

•
Si les amplitudes sont égales :
d1 et d2 sont les excédents des effectifs de la classe modale par rapport aux •
effectifs de la classe inférieur respectivement de la classe supérieur la plus proche.
Si les amplitudes sont inégales :
d1 et d2 sont les excédents des densités de la classe modale par rapport aux
densités de la classe inférieur respectivement de la classe supérieur la plus proche.
•
Exemple 3.1. Chez un fabriquant de tubes de plastique, on a prélevé un échantillon
de 100 tubes dont on a mesuré le diamètre en décimètre. •
X [1.94,2.09[ [2.09,2.24[ [2.24,2.39[ [2.39,2.54[ [2.54,2.69[ [2.69,2.84[ [[Link][
ni 3 9 18 29 25 6 10
fi 0.03 0.09 0.18 0.29 0.25 0.06 0.1
•
fi ↑ 0.03 0.13 0.3 0.59 0.84 0.9 1

x
On remarque que les amplitudes des classes sont égales alors la classe modale est
[2.39; 2.54[ et M0 = l + a × d1d+d
1
2
= 2.39 + 0.15 × (29−18)+(29−25)
29−18
= 2.5
Figure 5 – Distrubition unimodale
Exemple 3.2. Une étude sur le budget consacré aux vacances d’été auprès de
ménages a donné les résultats suivants
y
X [800,1000[ [1000,1400[ [1400,1600[ [1600,2000[ [22000,2400[ [2400,2500[
• •
ni 3 9 18 29 25 16
Amplitude Ai 200 400 200 400 200 100
n
Densité Ai 0.015 0.0225 0.09 0.0725 0.125 0.16
i

La classe modale est [2400; 2500[ Les amplitudes des classes sont inégales. Dans ce
cas, pour calculer le mode, il faut appliquer la formule (1), mais la définition de d1
et de d2 change, car il faut remplacer les effectifs ni par les amplitudes corrigées
di = Ani
. •
i

l = 2400, d1 = 0.16−0.125 = 0.035, d2 = 0.163−0 = 0.16 et a = 2500−2400 = 100 •

0.035
donc M0 = 2400 + 100 × = 2421.875
0.16 •
c- Avantages et inconvénients
Le mode est paramètre très simple à déterminer, mais il présente beaucoup d’in- x
convénients :
- Il est peu stable car la modification d’une seule observation peut provoque un Figure 6 – Bimodale
déplacement du mode.
- Certains distribution n’ont pas de mode, d’autre en ont plusieurs la série est
dite alors plurimodale. • Distribution unimodale (un seul mode) (Figure.5).
Exemple 3.3. • Distribution bimodale ou plurimodale (2 ou plusieurs modes) (Figure.6).
• Pas de mode (Figure.7).
ISET Zaghouane page 9 Atef Ben Essid
 Cours TI: Statistiques Descriptives

y individu satisfait à la définition. On choisit alors la demi-somme c’est un

intervalle médiane.
Exemple 3.5. Considérons la taille de 6 étudiants :
• • • • •
n = 6 et p = 3 : 31.5; 1.55 1.62; 1.74; 1.75; 1.78
Toute valeur comprise entre 1.62 et 1.74 qui laisse 2 observations à
gauche et autant à sa droite on choisit alors le centre d’où
1.62 + 1.74
Me= = 1.68
2
Exemple 3.6. 1 n impair
Voici le nombre d’enfant par foyer où 811 foyers ont été interrogés :
Nbe enfants 0 1 2 3 4 5 6 7 Total
Effectif 291 170 155 95 43 27 20 10 811
ni ↑ 291 461 616 711 754 781 801 811
On a 811 = 2 × 405 + 1(de la forme N = 2n + 1) donc n = 405, ainsi la
x le nombre d’enfants obtenue par le foyer 406 distingue l’effectif en deux
sous -groupes de même effectif. La médiane est donc le nombre d’enfants
que possède le foyer 406, soit 1. D’où : M e = 1
Figure 7 – Pas de mode
2n pair
Dans une petite localité, on a relevé de nombre de pièces par apparte-
3.2 La médiane, quartiles ment :
Nbe pièces 1 2 3 4 5 6 7 Total
3.2.1 La médiane Nbe appartements 48 72 96 64 39 25 6 350
ni ↑ 48 120 216 280 319 344 350
a- Définition 2+3
On a n = 350 = 2 × 175 d’où M e = = 2.5
La médiane est la valeur de la variable qui sépares les observations en deux parties 2
égales.
X Caractère continu
b- Détermination On admettant l’hypothèse d’équirépartition des observations au sien de
chaque classe, on détermine la médiane par interpolation linéaire.
X Caractère discret La médiane dans ce cas est la valeur du caractère qui correspond à la fréquence
On distingue deux cas suivant que l’effectif n est impair ou pair : relative cumulée 0.5 :
0.5 − fi−1
% n impair = 2p + 1
0
M e = ei + ai 0 0
fi − fi−1
La médiane est la valeur du caractère qui correspond au (p + 1)ième indi-
vidu. ei = borne supérieur correspondante à la fréquence cumulée fi−1
0
.
Exemple 3.4. On considère la distribution de la taille, exprimée en ai = amplitude de la classe qui correspond à fi0 .
mètre, de 5 étudiants : 0
fi−1 = fréquence cumulée inférieur à 0.5.
n = 5 et p = 2 : 1.5; 1.55; 1.62; 1.74; 1.75
Exemple 3.7. Dans l’exemple 2.4 on a :
La valeur 1.62 qui correspond au 3ième individu laisse 2 observations à
ei = 200, ai = 50 fi−1
0
= 0.37 fi0 = 0.56 d’où M e = 235
gauche et autant à sa droite d’où Me= 1.62

% n pair = 2p Exemple 3.8. D’un échantillon d’étudiants de sexe masculin, on a mesuré la

masse de chacun. Les masses (unité kilogramme) ont été arrondies à l’entier.
Toute valeur comprise entre celle du pième individu et celle du (p + 1)ième Les données ont été groupées en 7 classes :

ISET Zaghouane page 10 Atef Ben Essid

 3 PARAMÈTRES DE POSITION

Masses 45-54 55-59 60-64 65-69 70-74 75-79 80-89 Total Me

xi 5 14 33 47 26 13 2 140
xmin xmax
fi 0.035 0.1 0.235 0.335 0.185 0.092 0.014 1
fi ↑ 0.035 0.135 0.370 0.705 0.890 0.986 1

ei = 64, ai = 5, fi−1 = 0.37, fi = 0.705 d’où M e = 65.94

Q1 Q2 Q3
Remarque 3.1. La médiane peut être déterminée graphiquement :
- Par l’abscisse du point d’intersection de la courbe des fréquences cumulées 0 150 200 250 300 400 500 550 600 800 900
croissantes et de la courbe des fréquences cumulées décroissantes.
- Par l’abscisse du point d’intersection de la droite d’ordonnée F (M e) = Boites à moustaches
y = 0.5 et l’une des courbes des fréquences cumulées.

3.2.3 Les fractiles

3.2.2 Les quartiles
∀α ∈]0, 1], le fractile uα d’ordre α de la série statistique est la plus petite valeur xk
a- Définition pour laquelle la fréquence cumulée est ≥ α.
1
Ces sont les valeurs du caractère qui partagent les observations en groupes de même Si α = , u 14 se nommer le premier quartile Q1 .
effectif. Ils sont au nombre de trois et on les note : Q1 , Q2 , et Q3 . 4
1
Si α = , u 12 se nommer le deuxième quartile Q2 ou bien la médiane M e.
2
-¿ Le première quartile Q1 3
Si α = , u 34 se nommer le troisième quartile Q3 .
C’est la valeur du caractère telle que 25% au plus de l’effectif total ait une 4
valeur inférieur à Q1 et 75% au plus supérieur à Q1 .
Remarque 3.2. On peut parler aussi des déciles (des centiles) ces sont des valeurs
-¿ Le deuxième quartile Q2
du caractère qui partagent la série en dix morceaux égaux (en 100 parties égales).
C’est la valeur du caractère telle que 50% au plus de l’effectif total ait une
valeur inférieur à Q2 et 50% au plus supérieur à Q2 . Il est égale à la médiane
M e. 3.3 La moyenne arithmétique
-¿ Le première quartile Q1
a- Définition
C’est la valeur du caractère telle que 75% au plus de l’effectif total ait une .
valeur inférieur à Q3 et 25% au plus supérieur à Q3 . La moyenne arithmétique X̄ d’une série statistique des données brutes x1 , x2 , . . , xn
d’un caractère X est le quotient de la somme de toutes ces données par le nombre
a- Détermination n de ces données.
Les quartiles se déterminent de la même manière que la médiane, on fait la même hy- x1 + x2 + · · · + xn X n
xi
pothèse d’équirépartition des effectifs et on les détermine par interpolation linéaire. X̄ = = (1)
n i=1
n

Exemple 3.9. Dans l’exemple 2.4 on a : b- Détermination

ei = 150, ai = 50 fi−1
0
= 0.17, fi0 = 0.37, d’où Q1 = 170 – Lorsque Les observations sont connues individuellement, on applique la formule
(1) de la définition.
Q2 = M e = 235
– Lorsque les observations sont données sous forme de tableaux groupés alors
ei = 300, ai = 100 fi−1
0
= 0.70, fi0 = 0.83, d’où Q3 = 338
k k
n1 x1 + n2 x2 + · · · + nk xk X xi X
X̄ = = = fi xi (2)
n i=1
n i=1

ISET Zaghouane page 11 Atef Ben Essid

 Cours TI: Statistiques Descriptives

Remarque 3.3. Pour réduire le volume des calculs on peut effectuer un changement -¿ Moyenne harmonique pondérée
d’origine et d’unité. On définit une nouvelle variable T dont les valeurs sont données
par : n 1
H = Pn ni = Pn fi
xi − a X̄ − a 1 xi
ti = aveca et b sont des valeurs constantes de plus b 6= [Link] T̄ = . 1 xi
b b  Utilisation
Exemple 3.10. En 1990, dans le canton de Fribourg, on a sélectionné un échantillon On utilise cette dernière moyenne, à chaque fois que l’inverse de l’observa-
de ménages et l’on a compté le nombre de personnes dans le ménage : tion se prête à l’interprétation : rendement par unité monétaire, taux
d’équipement en unité de téléphone par habitant, vitesse parcourue
Nombre de personnes 1 2 3 4 5 6 7 8 Total .
Nombre de ménages 201 238 137 142 55 15 4 2 794 par km, pouvoir d’achat, . .
Exemple 3.12. Un coureur cycliste escalade une colline à une vitesse de 20
Donc km/h. Il la descend ensuite à 80 km/h . Quelle est sa vitesse moyenne, si l’on
1 × 201 + 2 × 238 + 3 × 137 + 4 × 142 + 5 × 55 + 6 × 15 + 7 × 4 + 8 × 2
X̄ = = 2.6 suppose que le kilométrage de la montée et celui de la descente sont égaux.
794 C’est une moyenne harmonique :
Exemple 3.11. Un relevé des durées des communications téléphoniques effectués dans
un central téléphonique a fourni les informations consignées dans le tableau suivant 1 1 1 1
= ( + ) ⇒ H = 32 km/h
(l’unité de durée est la minute) H 2 20 80
Exemple 3.13. On achète des Dollars une première fois pour 100 Euros au
Intervalle de durée [0 ;2[ [2 ;4[ [4 ;6[ [6 ;8[ [8 ;10[ [10 ;12[ Total cours de 0.87 Euro le Dollar, puis on en achète une seconde fois pour 100 Euros
Effectif 14 16 25 15 17 13 100 également mais au cours de 0.71 Euro le Dollars ; ainsi le montant total des
Dollars achetés lors de ces deux opérations est :
Donc
1 × 14 + 3 × 16 + 5 × 25 + 7 × 15 + 9 × 17 + 11 × 134 + 8 × 2 100 100
X̄ = = 5.88 minutes. + ' 0.78
100 0.87 0.71
Généralisation de la moyenne arithmétique Le cours moyen du Dollar pour l’ensemble de ces opérations est, par définition,
le cours de cm Euro le Dollar, qui aurait permis l’achat, en une seule fois, de
255.79 Dollars pour 200 Euros ; ainsi
* Moyenne quadratique
200 100 100
= + ' 255.79
cm 0.87 0.71
-¿ Moyenne quadratique simple
D’où
200
cm = ' 0.78
r Pn
2
Q= 1 xi 100 100
+
n 0.87 0.71
-¿ Moyenne quadratique pondérée Il apparaı̂t donc que cm est la moyenne harmonique des deux cours correspon-
r Pn dant aux deux opérations ; aussi, il est important de noter que cm est différent
ni x2i (strictement plus petit) de la moyenne arithmétique de ces deux cours, en effet
Q= 1
(0, 87 + 0, 71)
n cette dernière moyenne vaut = 0.79.
2
-¿ Moyenne harmonique simple
* Moyenne géométrique
n
H = Pn 1
1 xi
Elle est définie par la racine nème du produit des valeurs observées.

ISET Zaghouane page 12 Atef Ben Essid

 4 PARAMÈTRE DE DISPERSION

-¿ Moyenne géométrique simple 4.2 L’étendue inter-quartile (EIQ)

v
un
uY 1- Définition
G = t xi
n
On appelle étendue inter-quartile l’intervalle de longueur : Q3 − Q1
1
Remarque 4.1. On peut également définir de la même manière, ;l’étendue inter-décile
Où les xi désignent les valeurs de la variable.
entre le 1ère et le 9ème décile.
-¿ Moyenne géométrique pondérée
v
un
uY 4.3 L’écart absolu moyen
G = t xni i
n

1
? L’écart absolu moyen par rapport à la médiane est la moyenne arithmétique des écarts
 Utilisation à la médiane.
-¿ écart absolu moyen simple
Elle est utilisée chaque fois que le produit des observations ou leur puissance
se prête à une interprétation : taux de croissance, taux d’accroissement, k
1X
. eM e = |xi − M e|
taux d’intérêt, . . . n 1
Exemple 3.14. Une production P de 1000 individus, au temps t = 0, passe
à 1600 au temps t = 1, à 3200 au temps t = 2, à 8000 au temps t = 3. Le -¿ écart absolu moyen pondérée
taux d’accroissement est de 1.6 la 1ère année, de 2 la 2ème année et 2.5 la
3ème année. Le taux d’accroissement moyenne est une moyenne géométrique 1X
k

de ces taux. eM e = ni |xi − M e|

n 1
En effet les accroissement partiels d=se composent multiplicativement
P0 = 1000 ? L’écart absolu moyen par rapport à la moyenne arithmétique est la moyenne
P1 = P0 (1 + r1 ) = 1600 arithmétique des écarts à la moyenne.
P2 = P1 (1 + r2 ) = P0 (1 + r1 )(1 + r2 ) = 3200
P3 = P2 (1 = r3 ) = P0 (1 + r1 )(1 + r2 )(1 + r3 ) = 8000 -¿ écart absolu moyen simple par rapport à la moyenne
P3 = P0 (1 + r) = 8000
3
→ r = 2.8 k
1X
eX̄ = |xi − X̄|
n 1
4 Paramètre de dispersion
-¿ écart absolu moyen pondérée par rapport à la moyenne

4.1 L’étendue 1X
k
eX̄ = ni |xi − X̄|
n 1
1- Définition
L’étendue d’une distribution statistique est la différence entre la plus grande et la
plus petite valeur du caractère :
4.4 L’écart-type ou écart quadratique moyen
E = xmax − xmin
1- Définition
2- Détermination
Elle est déterminée par une simple lecture sur le tableau statistique ou bien sur le • On appelle variance la moyenne arithmétique des carrées des écart des résultats
graphe. observés à la leur moyenne.

ISET Zaghouane page 13 Atef Ben Essid

 Cours TI: Statistiques Descriptives

-¿ variance simple

n
1X
Var(X) = σ 2 = (xi − X̄)2
n 1

-¿ variance pondérés

n
1X i
Var(X) = σ 2 = n (xi − X̄)2
n 1
M 0 = X̄ = M e
X Si le caractère est discret, les xi sont les valeurs du caractère.
X Si le caractère est continu, les xi sont les centres de classe.
• On appelle écart-type la racine carrée positive de la variance -¿ Dissymétrique à gauche si mode<médiane<moyenne

σ= Var(X)
p

2- Détermination
On développe l’expression algébrique de Var(X), on obtient

n k
1X 2 X
Var(X) = xi − X̄ 2 ou Var(X) = fi x2i − X̄ 2
n 1 1

puis on calcul σ = Var(X)

p
M0 Me X̄
Remarque 4.2. Pour réduire le plus possible le volume des calculs on doit effectuer
un changement de l’origine. On définit une nouvelle variable T dont les valeurs sont
xi − a -¿ Dissymétrique à droite si mode>médiane>moyenne
données par : ti = ou a ∈ R et b ∈ R∗ .
b
Et par suite X̄ = bT̄ − a et Var(X) = b2 Var(T ).

5 Paramètre de forme

En plus de l’étude de la tendance et de la dispersion, il est intéressant d’étudier la forme

de la courbe d’une distribution, mise en évidence par la représentation graphique. Une
distribution est

X̄ Me M0
-¿ Symétrique si mode=médiane=moyenne

ISET Zaghouane page 14 Atef Ben Essid

 8 DISTRIBUTIONS À DEUX CARACTÈRES

6 Le coefficient de variation qi ↑

Définition 6.1. C’est la rapport de l’écart type à la moyenne arithmétique :

σ
Cv =
X̄
La coefficient de variation caractérise la dispersion relative. Un coefficient de variation
plus élevé correspond à une distribution plus dispersée.

S
7 Concentration
l’indice de concentration est une caractéristique de dispersion relative qui s’applique aux
variables statistiques continues à valeurs positives.
Pour mieux comprendre la notion de concentration, considérons la distribution groupée
des salaires d’une entreprise de 50 personnes. fi ↑

xi ni fi fi0 xi xi ni qi qi0 Méthode du triangle Figure 8 – Courbe de Lorenz

[50, 150[ 4 0.08 0.08 100 400 0.03 0.03
[150,250[ 16 0.32 0.4 200 3200 0.23 0.26
[250,350[ 20 0.4 0.8 300 6000 0.43 0.69
[350,450[ 6 0.12 0.92 400 2400 0.17 0.86 Théorème 7.1. En utilise la méthode des triangles pour déterminer l’indice de Gini
[450,550[ 4 0.08 1 500 2000 0.14 1
k−1
50 1 14000 i = 0.1914
P X
i= 0
fj0 − qj0 fj+1
0


qj+1
j=1
Avec ni : les effectifs par classe.
xi : les centres de classe. Remarque 7.1 (Avantages et inconvénients). ∗ i est indépendant d’un changement
fi0 : la fréquence cumulée. d’unité, mais dépend d’un changement d’origine.
ni xi : les valeurs globales c’est à dire les salaires par classe ( ni xi étant la masse totale
P
des salaires). ∗∗ Si dans notre exemple, tout le monde perçoit une prime, la variance ne change pas
qi = Pninxi x : les valeurs globales relatives c’est à dire les salaires par classe en pour- mais i diminue.
i i
i
centage du revenu total.
qi0 : les valeurs globales cumulées relatives c’est à dire le pourcentage de la masse totale
des salaires gagnées par les classe j = 1, 2, . . . .
En reportant les fréquences relatives cumulées fi0 en abscisse et les valeurs globales 8 Distributions à deux caractères
relatives qi0 en ordonnée ; on obtient une courbe de concentration ou courbe de
Lorentz.
Comme les unités ont rangées par ordre croisant, qi0 ≤ fi0 pour tout j la courbe linéaire
8.1 Distributions à deux caractères
par morceau joignant l’ensemble des points (fi , qi ) se trouve sous la première bissectrice.
0 0
Soit une population statistique comprenant n individus. L’observation de cette popula-
Définition 7.1. On définit l’indice de concentration i, ou l’indice de Gini, comme tion permet de dresser un premier tableau dans lequel on porte pour chaque individu,
étant le double de l’air S comprise entre la courbe de concentration et la bissectrice. la valeur de X et la valeur de Y .

ISET Zaghouane page 15 Atef Ben Essid

 Cours TI: Statistiques Descriptives

8.1.1 Tableaux La distribution est définie par des triplets (xi , yj , nij ) où

Pour chacun des ces individus le caractère X peut prendre k valeurs désignées par xi ? xi la iième valeur de la variable du caractère X, si elle est discrète. Si elle est
avec 1 ≤ i ≤ k et le caractère y peut prendre l valeurs désignées par yj avec 1 ≤ j ≤ l.A continue, c’est le centre de la iième classe.
partir de ces observations, on peut construire deux sortes de tableaux : ? yj la j ième valeur de la variable du caractère Y , si elle est discrète. Si elle est
continue, c’est le centre de la j ième classe.
a- Tableau des données ponctuelles ? nij l’effectif qui correspond au couple (xi , yj ).
A chaque observation, on associe la valeur de X et celle de Y et on obtient :
Exemple 8.2. Nous considérons 10 joueurs et soient :
Observation N ◦ Modalités X Modalités Y
1 x1 y1 • Y la variable qui représente le nombre de jeux auquel un joueur joue.
. . .
• X la variable qui représente le gain ou perte (+1 s’il gagne 10 Da et −1 s’il perd
i xi yi
10 Da et 0 sinon).
. . .
n xn yn Nous avons le tableau de contingence suivant,
Exemple 8.1. Le tableau suivant donne, pour sept années consécutives, l’évolution HH Y
de la production d’un certain type de pièces et des frais de publicité correspondants, H 1 2 3 4 ni .
X HH
dans une entreprise du secteur industriel.
−1 0 1 2 2 5
Production xi (en Frais de publicité yi 0 1 1 0 1 3
milliers)
(en milliers) (en milliers d’euros) 1 0 1 1 0 2
260 17 n. j 1 3 3 3
280 16
260 17
8.1.2 Notation et définition
310 19
300 22 8.1.3 Fonction effectif- fonction fréquence
350 23
340 26 Ce tableau établit une correspondance entre les couples (xi , yj ) des valeurs des caractère
et les effectifs nij . Il définit la fonction effectif de la distribution.
b- Tableau à double entrée
Si chaque couple (xi , yj ), on fait correspondre la proportion des individus ayant la valeur
xi du caractère X et la valeur yj du caractère Y , on définit la fonction de fréquence de la
La répartition des n observations ou distribution conjointe suivant les modalités nij
distribution combinée des deux caractères par fxi ,yj = avec N = ij nij (l’effectif
P
de X et Y , se présente sous la forme d’un tableau à double entrée appelé tableau N
contingence. On porte en ligne les valeurs de X et en colonne les valeurs de Y , total).
on obtient un ensemble de couples (xi , yj ). La somme des fréquence ainsi définies est toujours égale à 1
XX
H
HH Y fxi ,yj = 1
. .
P
y1 yj yl
X HH i j

x1 n11 . n1j . n1l n1.

. . . . . . . 8.1.4 Fonction de fréquence cumulée
xi ni1 . nij . nil ni.
. . . . . . . La fonction de fréquence cumulée fait correspondre à chaque couple (xi , yj ) la proportion
x n . n . n n des individus ayant une valeur du caractère X inférieur ou égale à xi et ne valeur du
Pk k1 kj kl k.
n.1 . n.j . n.l N caractère Y inférieur ou égale à yj

ISET Zaghouane page 16 Atef Ben Essid

 8 DISTRIBUTIONS À DEUX CARACTÈRES

8.1.5 Distributions marginales * L’indépendance statistique des variables X et Y signifie que les lignes (respective-
ment les colonnes) du tableau à double entrée sont proportionnelles.
Dans le tableau à double entrée ; on porte dans la dernière colonne le total des effectifs
figurant dans chaque ligne correspondant aux individus ayant une valeur xi du caractère * Dans le cas où les variables X et Y sont dépendantes. Pour avoir une idée sur la
ni. × n.j
X quelle que soit la valeur du caractère Y . dépendance entre X et Y , on compare les effectifs théoriques n0ij = et les
N
La distribution ainsi obtenue est appelée distribution marginal ou distribution totale effectifs observés nij .
de X dans la population observée est donnée par le tableau suivant On mesure l’écart définit par

Total X n0ij − nij 2

X x1 x2 ··· xp
Effectif n1j n2j ··· npj n.j χ =
2
(Test de Khi-deux)
i,j
n0ij

Sa fonction de fréquence sera notée

ni. 8.2 Valeurs typiques
f (xi ) = = fi.
N
Comme pour les distributions à une dimension, on définit les valeurs typiques pour les
distributions à deux caractères.
De même on définit la distribution marginale de Y , avec sa fonction de fréquence sera
notée
n.j
f (yj ) = = f.j 8.2.1 Distributions marginales
N
. En utilisant les définitions utilisées précédemment on a

8.1.6 Distributions conditionnelles • Moyennes

p k
1 X 1 X
La colonne j (respectivement la ligne i) du tableau représente la distribution selon les X= ni. xi , Y = n.j yj
N 1 N 1
valeurs du caractère X (respectivement Y ) des individus ayant tous la même valeur yj
(respectivement xi ) du caractère Y (respectivement X), c’est la distribution condi- Le point G de coordonnées (X, Y ) est appelé centre de gravité de la distribution à
tionnelle de X (respectivement Y ) relative à la valeur yj (respectivement xi ) de Y deux dimension.
(respectivement X),encore appelée distribution de X liée par yj notée Xj (respective-
• Variances
ment de Y liée par xi notée Yi )
La fréquence de la distribution conditionnelle de Xj (respectivement Yi ) est 1 X 1 X
V ar(X) = σX
2
= ni. (xi − X)2 V ar(Y ) = σY2 = n.j (yj − Y )2
N i N i
nij nij
f (xi /yj ) = = fi/j (respectivement f (yj /xi ) = = fj/i ).
n.j ni.
8.2.2 Distributions conditionnelles
Remarque 8.1. Indépendance statistique
Le caractère X est dit indépendant du caractère Y , si toutes les distributions condi-
• Moyennes
tionnelles de X sont identiques. Elles sont égales à la distribution marginale de X. p k
L’indépendance est une relation réciproque c-a-d X est indépendant de Y ⇐⇒ Y est 1 X 1 X
Xj = nij xi Yi = nij yj
indépendant de X. n.j 1 ni. 1

* Si X et Y sont indépendants, la relation entre les fréquences devient • Variances

p k
fij ni. × n.j 1 X 1 X
fi/j = fi. ⇔ = fi. ⇔ fij = fi. × f.j ⇔ nij = V ar(X/Y = yj ) = nij (xi −Xj )2 V ar(Y /X = xi ) = nij (yi −Yi )2
f.j N n.j 1 ni. 1

ISET Zaghouane page 17 Atef Ben Essid

 Cours TI: Statistiques Descriptives

8.3 Covariance l’ordonnée est y 0 = axi + b avec i = 1, 2, · · · , n

Soit δi = yi − yi0 la différence de ordonnées
a- Définition Le critère de Mayer consiste à imposer
On appelle covariance du couple (X, Y ) le réel donné par X
δi = 0
-¿ pour les données non groupées
n comme δi = yi − b − axi (i = 1, 2, · · · , n) on a
1 X
cov(X, Y ) = (xi − X)(yi − Y ) X X X
N i=1 (yi − b − axi ) = 0 ⇐⇒ yi − mb − a xi = 0
i i i
-¿ pour les données groupées 1 X 1 X
⇐⇒ yi − b − a xi = 0 ⇐⇒ y − b − ax = 0
n N i N i
1 X
cov(X, Y ) = nij (xi − X)(yj − Y )
N i,j y = ax + b
Le critère de Mayer conduit à imposer cette condition. Or cette équation implique que
b- Propriétés la droite passe par le point G
1 P
1. cov(X, Y ) = nij xi yj − XY = cov(Y, X)
N ij 8.4.3 Méthode de Mayer
2. cov(X, X) = V ar(X)
3. cov(aX + b, a0 Y + b0 ) = aa0 cov(x, Y ) Divisions l’ensemble des observations en deux parties comprenant p et q observation tel
que pn et q satisfaisant aux condition suivant p + q = n et |p − q| ≤ 1
4. |cov(X, Y )| ≤ σx σY = V ar(X)V ar(Y )
p
Appliquons le critère de Mayer à chaque des deux sous ensemble d’observation ainsi
5. V ar(X + Y ) = V ar(x) + var(Y ) + 2cov(X, Y ) constitués (I et II)
p
X q
X
8.4 Ajustement analytique δi = 0 (dans I) δi = 0 (dans II)
i=1 i=1

Le problème général d’un tel ajustement se pose comme suite on dispose d’un ensemble Nous avons ainsi deux équations faisant intervenir les centres de gravité (x , y ) et
I I
d’observations (xi , yi ) (i = 1, 2, · · · , n) relatives à un couple de variable (X, Y ), on désire (x , y ) des deux régions
II II
ajuster ces points par une courbe données. 
y I = axI + b
Soit y = f (x, a1 , a2 , · · · , an ) l’équation de cette courbe. a1 , a2 , · · · , an sont des paramètre y II = axII + b
inconnue à déterminer, de manière à faire passer ”au mieux” la courbe parmi les points.
y − yI
⇐⇒ y − y I = II (x − xI )
xII − xI
8.4.1 Ajustement linéaire

Le cas le plus simple est évidemment celui d’une courbe d’ajustement linéaire d’équation 8.4.4 Méthode de moindres carrés(MMC)
y = ax + b = f (x, a, b)
La méthode consiste à déterminer les paramètre a et b de manière à minimiser i δi2 = 0
P
Le critère choisi appelé critère de moindres carrés consiste donc à rechercher le minimum
8.4.2 Critère de Mayer d’une fonction des deux variables
n
On considère le point «observation» de coordonnées (xi , yi ). Il existe sur la droite d’ajus-
X
g(a, b) = (yi − b − axi )2
tement un point qui n’est généralement pas une observation de même abscisse xi et dont i=1

ISET Zaghouane page 18 Atef Ben Essid

 8 DISTRIBUTIONS À DEUX CARACTÈRES

Une condition nécessaire pour avoir un minimum est que 2. Il mesure la dispersion autour la droite de régression.
∂g ∂g 3. Dans le partique, lorsque |r| ≥ 0.8, on considère qu’il y a une corrélation linéaire.
=0 =0
∂a ∂b
Remarque 8.2.
∂g Dans certains cas, la variable Y n’est pas ajustée par rapport à une droite mais plutôt
1- =0 à une fonction logarithmique (y = β + α log(x)) ou exponentielle (y = β + exp(αx) ou
∂b
1 X

X β
(yi − b − axi ) = 0 ⇐⇒ (yi − b − axi ) = 0 bien une fonction puissance (y = βxα ) ou une fonction de Gompertz y = αx log( )
i
N i x
1
 
1 X 1 X ou une fonction logistique y = . C’est généralement l’allure du nuage
←→ yi − a xi − b = 0 α + β exp(−x)
N i N i de points qui oriente l’utilisateur vers le choix adéquat.
y = ax + b
∂g
2- =0
∂a X 1 X
(yi − b − axi ).xi = 0 ⇐⇒ (yi − b − axi ).xi = 0
i
N i
1 X 1 X 2 1 X
←→ xi yi − a xi − b xi = 0
N i N i N i
Compte tenu de résultat en 1 en remplace b par y − ax on aura
1 X 1 X 2
xi yi − xy + ax2 − a x =0
N i N i i

d’où
cov(x, y)
cov(x, y) = aσx2 ⇐⇒ a =
σx2
et parsuite 
cov(x, y)
 b = y− x


σx2
cov(x, y)
 a =


σx2

8.4.5 Coefficient de corrélation

Définition 8.1. Le coefficient de corrélation r entre X et Y est défini par

cov(X, Y )
r=
σX σY
Définition 8.2. 1. Le coefficient de corrélation est un nombre réel qui mesure le degré
de dépendance linéaire entre deux variables.

ISET Zaghouane page 19 Atef Ben Essid