Chap2 Cours

Caractéristiques de tendance centrale Caractéristiques de dispersion Caractéristiques de concentration
Chapitre 2. Caractéristiques des distributions à

une variable quantitative
Jean-François Coeurjolly
http://www-ljk.imag.fr/membres/Jean-Francois.Coeurjolly/
Laboratoire Jean Kuntzmann (LJK), Grenoble University

Objectif général de ce chapitre
Objectif : calculer des caractéristiques permettant de

résumer les tableaux et graphiques.
Trois catégories de caractéristiques :

1 Tendance centrale
2 Dispersion
3 Concentration
1 Caractéristiques de tendance centrale

Mode
Médiane
Quantiles d’ordre quelconque
Moyenne
Synthèse : quelles caractéristiques pour résumer une série ?
Complément : méthode du “shift and share”
2 Caractéristiques de dispersion
Etendue (intervalle de variation)
Ecarts interquantiles
Ecart absolu
Ecart-type et variance
Comparaison de séries statistiques et synthèse
3 Caractéristiques de concentration
Courbe de Lorentz
Indice de Gini
Médiale
Mode
Mode d’une variable statistique

Définition
Le mode (ou classe modale) est la valeur (ou la classe) pour
laquelle les individus sont le plus représentés.
Mode

Définition
Calcul du mode :
variable discrète : modalité présentant le plus grand effectif (ou
plus grande fréquence).
variable continue : on cherche d’abord la classe ayant la plus
grande densité : c’est la classe modale. Le mode peut ensuite
être défini (par exemple comme le centre de cette classe).
Mode

Définition
Calcul du mode :
variable discrète : modalité présentant le plus grand effectif (ou
plus grande fréquence).
variable continue : on cherche d’abord la classe ayant la plus
grande densité : c’est la classe modale. Le mode peut ensuite
être défini (par exemple comme le centre de cette classe).
Remarques :
pour une var. continue, en général on ne donne que la classe
modale.
Une série peut avoir plusieurs modes (en présence de maxima
locaux de fréquence ou densité selon le type de variable) ; on
parle de série plurimodale.
Mode
Application numérique sur deux exemples
Exemple Nbre pers./voiture
0.40
●
xi fi
0.35
1 10%
0.30
fréquence
2 25%
0.25
● ●
3 40%
0.20
0.15
4 25%
0.10
●
Total 100% 1.0 1.5 2.0 2.5 3.0 3.5 4.0
nombre de personnes/voiture
Revenu des ménages français
40
xi fi di
% par tranche de 800 euros

30
(en euros) (/tr. de 800e)
[0, 1600[ 45% 22.5%
20
[1600, 2400[ 35% 35% 10
[2400, 3200[ 20% 20%

Total 100% ×
0
0 500 1000 1500 2000 2500 3000 3500
Revenu en euros
Médiane
Médiane - définition
Définition
La médiane est la valeur de la série (i.e. une modalité) qui
partage la série en deux sous-ensembles de même effectif (ou de
même fréquence).
BIl faut distinguer deux cas :

1 les données sont observés de manière brute.
[le plus souvent une variable discrète]
2 les données sont regroupées en classes.
[le plus souvent une variable continue]
Médiane
Médiane (2) - données brutes
Deux cas possibles en fonction du caractère pair ou impair de la

taille de l’échantillon n :
Médiane

1 n est impair : la médiane de la série de n = 5 âges : 17, 9,
19, 25, 21 est
Médiane

19, 25, 21 est Me = 19 (ans) .
Médiane

19, 25, 21 est Me = 19 (ans) .
2 n est pair : la médiane de la série de n = 4 âges : 17, 9, 19,
25 est entre 17 et 19
Médiane

19, 25, 21 est Me = 19 (ans) .
25 est entre 17 et 19⇒ Me = (17 + 19)/2 = 18 (ans)
Médiane

19, 25, 21 est Me = 19 (ans) .
25 est entre 17 et 19⇒ Me = (17 + 19)/2 = 18 (ans)
Formule générale : Soient x1 , . . . , xn les valeurs de la série et
soient x(1) , x(2) , . . . , x(n) les versions ordonnées, i.e.
x(1) ≤ x(2) ≤ . . . ≤ x(n) alors
(
x((n+1)/2) si n est impair,
Me = x(n/2) +x(n/2+1)
2 si n est pair.
Médiane
Médiane - données brutes (2)
Quelle est la médiane de la série statistique suivante ?
Exemple nb personnes/voiture
xi ni fi Fi
1 40 10% 10%
2 100 25% 35%
3 160 40% 75%
4 100 25% 100%
Total 400 100% ×
Médiane
xi ni fi Fi
1 40 10% 10%
2 100 25% 35%
3 160 40% 75%
4 100 25% 100%
Total 400 100% ×
n = 400 est pair ⇒ il faut donc repérer la 200 -ème et

201 -ème observation dans la liste des observations
ordonnées.
Médiane
xi ni fi Fi
1 40 10% 10%
2 100 25% 35%
3 160 40% 75%
4 100 25% 100%
Total 400 100% ×
n = 400 est pair ⇒ il faut donc repérer la 200 -ème et

201 -ème observation dans la liste des observations
ordonnées.
x(200) = 3 , x(201) = 3 ⇒ Me = 3+3
2 = 3 (pers./voiture)
Médiane
Médiane (3) - données regroupées
Exemple du revenu ménages

xi (en e) ni (×106 ) fi Fi
[0, 1600[ 9 45% 45%
[1600, 2400[ 7 35% 80%
[2400, 3200[ 4 20% 100%
Total 20 100% ×
Dans le cas où les données sont regroupées en classes, il faut

suivre deux étapes :
1 repérer la classe médiane , i.e. la classe contenant la
médiane.
Médiane

[0, 1600[ 9 45% 45%
[1600, 2400[ 7 35% 80%
[2400, 3200[ 4 20% 100%
Total 20 100% ×

médiane.
Ici, 45% des ménage ont un revenu < 1600eet 80% des
ménages ont un revenu < 2400e
Médiane

[0, 1600[ 9 45% 45%
[1600, 2400[ 7 35% 80%
[2400, 3200[ 4 20% 100%
Total 20 100% ×

médiane.
Ici, 45% des ménage ont un revenu < 1600eet 80% des
ménages ont un revenu < 2400e⇒ Me ∈]1600, 2400[
2 estimer la médiane par interpolation linéaire .
Médiane
Médiane (4) - interpolation linéaire

1.0
●
0.8
●
0.6
A quoi correspond la médiane sur

Fi
ce graphique ?
0.4
0.2
0.0
0 500 1000 1500 2000 2500 3000

revenu
Médiane

1.0
Graphiquement : la médiane
0.8
correspond à l’abscisse du point

0.6
(Me,50%)
d’intersection entre la courbe des
Fi
●
●
0.4
(xi , Fi ) et la droite horizontale

d’équation y = 50%.
0.2
0.0
0 500 1000 1500 2000 2500 3000

revenu
⇒ Formule générale : soit ]xi , xi+1 [ la classe médiane et soient

Fi et Fi+1 les fréquences cumulées évaluées en xi et xi+1 , alors
50% − Fi
Me = xi + × (xi+1 − xi )
Fi+1 − Fi
Médiane

1.0
0.8

0.6
(Me,50%)
Fi
●
●
0.4

0.2
0.0
0 500 1000 1500 2000 2500 3000

revenu
Application numérique :
Médiane

1.0
0.8

0.6
(Me,50%)
Fi
●
●
0.4

0.2
0.0
0 500 1000 1500 2000 2500 3000

revenu
xi = 1600, xi+1 = 2400, Fi = 45%, Fi+1 = 80%.
Médiane

1.0
0.8

0.6
(Me,50%)
Fi
●
●
0.4

0.2
0.0
0 500 1000 1500 2000 2500 3000

revenu
xi = 1600, xi+1 = 2400, Fi = 45%, Fi+1 = 80%.
Me = 1600 + 50%−45%
80%−45% × (2400 − 1600) ' 1714.28 e.
Quantile
Définition
Un quantile d’ordre α (pour α ∈ (0, 1)) notée en toute généralité Qα
est la valeur qui partage la série en deux sous-ensembles ; une
proportion α se situe en dessous de Qα et une proportion 1 − α
au-dessus strictement de Qα .
Remarques :
Me = Q50% .
Quartiles (notés Q1 , Q2 , Q3 ) : quantiles qui séparent la série en 4
sous-ensembles de même effectif/fréquence. Plus précisément
Q1 = Q25% , Q2 = Me, Q3 = Q75% .

Déciles (notés D1 , D2 , . . . , D9 ) : quantiles qui séparent la série en
10 sous-ensembes de même fréquence. Plus précisément
D1 = Q10% , D2 = Q20% , . . . , D9 = Q90% .

Quantile (2)
Les quantiles se calculent de manière similaire à la médiane.

Ainsi pour des données regroupées on a : si Qα ∈]xi , xi+1 [
α − Fi
Qα = xi + × (xi+1 − xi )
Fi+1 − Fi
Quantile (2)

α − Fi
Qα = xi + × (xi+1 − xi )
Fi+1 − Fi
Calculez le premier quartile de la série suivante

[0, 1600[ 9 45% 45%
[1600, 2400[ 7 35% 80%
[2400, 3200[ 4 20% 100%
Total 20 100% ×
Quantile (2)

α − Fi
Qα = xi + × (xi+1 − xi )
Fi+1 − Fi
Calculez le premier quartile de la série suivante

[0, 1600[ 9 45% 45%
Q1 ∈]0, 1600[
[1600, 2400[ 7 35% 80% Q1 = 0 + 25%−0
45%−0 (1600 − 0) '
[2400, 3200[ 4 20% 100%
Total 20 100% × 888.89e.
Moyenne
Moyenne - introduction
Il y a plusieurs types de moyenne dépendant essentiellement du

problème considéré
1 Moyenne arithmétique [la plus connue et la plus standard]
2 Moyenne géométrique [utilisée par exemple pour calculer
des taux moyens]
3 Moyenne harmonique [utilisée pour calculer des moyennes
de ratios]
4 Moyenne quadratique [moyenne de carrés, notion moins
utilisée]
Moyenne
Moyenne arithmétique (pondérée)

Définition
Soit xi (i = 1, . . . , p) les modalités d’une série brute, d’effectifs
ni (i = 1, . . . , p) et fréquence fi , la moyenne arithmétique
pondérée notée x est donnée par
p p
1X X ni
x= ni xi = fi xi car fi = .
n i=1 i=1
n
BSi les données sont regroupées en classes, les xi ne sont en

général pas observées. Ces valeurs sont alors remplacées par les
centres de classes, notés ci pour i = 1, . . . , p.
lorsque le nombre de modalités (ou nombre de classes) est grand,
il devient intéressant d’utiliser la calculatrice (rentrer les données
sous forme d’un tableau, configurer de manière appropriée et
demander des résultats univariés).
Moyenne
Moyenne arithmétique : exemple covoiturage
Calculez la moyenne de la série
xi ni fi Fi
1 40 10% 10%
2 100 25% 35%
3 160 40% 75%
4 100 25% 100%
Total 400 100% ×
Application :
Moyenne
Moyenne arithmétique : exemple covoiturage
xi ni fi Fi
1 40 10% 10%
2 100 25% 35%
3 160 40% 75%
4 100 25% 100%
Total 400 100% ×
Application :
40 ∗ 1 + 100 ∗ 2 + 160 ∗ 3 + 100 ∗ 4

x= = 2.8 pers./voiture.
400
(Remarque : 10% ∗ 1 + 25% ∗ 2 + 40%3 + 25% ∗ 4 = 2.8)
Moyenne
Moyenne arithmétique : exemple revenu des ménages

xi (en e) ci ni (×106 ) fi Fi
[0, 1600[ 800 9 45% 45%
[1600, 2400[ 2000 7 35% 80%
[2400, 3200[ 2800 4 20% 100%
Total × 20 100% ×
Application :
Moyenne
Moyenne arithmétique : exemple revenu des ménages

xi (en e) ci ni (×106 ) fi Fi
[0, 1600[ 800 9 45% 45%
[1600, 2400[ 2000 7 35% 80%
[2400, 3200[ 2800 4 20% 100%
Total × 20 100% ×
Application :
9 ∗ 800 + 7 ∗ 2000 + 4 ∗ 2800

x= = 1620 e.
20
Moyenne
Propriétés de la moyenne arithmétique
1 La somme des écarts (pondérés) à la moyenne est nulle,

c-a-d
Xp
ni (xi − x ) = 0
i=1
Preuve :
p
X p
X
 p 
X 
ni (xi − x ) = ni xi −  ni  x = nx − nx = 0.

i=1 i=1 i=1
Moyenne
Propriétés de la moyenne arithmétique
1 La somme des écarts (pondérés) à la moyenne est nulle,

c-a-d
Xp
ni (xi − x ) = 0
i=1
2 Considérons une population P d’effectif total n composée
de k sous-populations P1 , . . . , Pk d’effectifs n1 , . . . , nk (donc
n = n1 + . . . + nk ). Notons x 1 , . . . , x k les moyennes
arithmétiques des sous-populations P1 , . . . , Pk alors
n1 x1 + . . . + nk xk
x= .
n
“la moyenne globale est égale à la moyenne pondérée des
moyennes”
Moyenne
“Moyenne globale = moyenne pondérée des moyennes”

Ex : salaire de nH =200 hommes et nF =100 femmes d’une entreprise.
Calculez la moyenne de la xi (en e) ci ni,H ni,F ni,E

série Ensemble de deux [0, 1500[ 750 70 60 130
façons différentes : [1500, 3000[ 2250 130 40 170
Total × 200 100 300
Méthode 1 (méthode directe) :

Moyenne


Total × 200 100 300

1
xE = (750 × 130 + 2250 × 170) = 1600e.
300
Moyenne


Total × 200 100 300

1
xE = (750 × 130 + 2250 × 170) = 1600e.
300
Méthode 2 (en utilisant la propriété précédente) :
1
xH = (750 × 70 + 2250 × 130) = 1725e.
200
1
xF = (750 × 60 + 2250 × 40) = 1350e.
100
1 1
xE = (200 × x H + 100 × x F ) = (200 × 1725 + 100 × 1350) = 1600e.
300 300
Moyenne
Moyenne géométrique
Une action en bourse a évolué à la hausse de 10% l’année 1,

puis a diminué de 5% l’année 2 et de 5% l’année 3.
Question : Quel est le taux moyen (noté tmoy ) d’évolution

de cette action sur les trois années ?
Moyenne
Moyenne géométrique
Une action en bourse a évolué à la hausse de 10% l’année 1,

puis a diminué de 5% l’année 2 et de 5% l’année 3.
Question : Quel est le taux moyen (noté tmoy ) d’évolution

de cette action sur les trois années ?
B tmoy , 0 ! ! !
La moyenne géométrique est le taux qui, appliqué
durant les trois années donnera le même capital final selon
l’évolution décrite précédemment.
Moyenne
Moyenne géométrique (2)

Soit C0 le capital initial et soient C1 , C2 , C3 les capitaux après
1,2 ou 3 années. On a
selon l’énoncé C1 = (1 + 10%)C0 , C2 = (1 − 5%)C1 et
C3 = (1 − 5%)C2 , c-a-d
C3 = (1 + 10%)(1 − 5%)(1 − 5%)C0 .
selon la définition du taux moyen : C1 = (1 + tmoy )C0 ,
C2 = (1 + tmoy )C1 et C3 = (1 + tmoy )C2 , c-a-d
C3 = (1 + tmoy )3 C0 .
Par identification des deux identités, il vient que pour tout
capital initial C0
(1 + 10%)(1 − 5%)(1 − 5%) = (1 + tmoy )3
⇐⇒
tmoy = (1 + 10%)(1 − 5%)(1 − 5%) 1/3 − 1.

Moyenne
Moyenne géométrique (3)
Définition
Soit la série statistique x1 , . . . , xp d’effectif n1 , . . . , np alors la
moyenne géométrique notée en général x G est définie par
!1/n
n
xG = x1n1 × x2n2 × ... × xp p
où n = n1 + . . . + np .
Moyenne
Moyenne harmonique
Elle permet de calculer des moyennes de ratios.

Exemple : Un coureur monte une côte de 1km à la vitesse
de 10km/h et descend cette même côte à la vitesse de
30km/h.
Question : Quelle est la vitesse moyenne du coureur ?
Moyenne
Moyenne harmonique

30km/h.
vmoy , 20 km/h ! !
car il a passé plus de temps à 10km/h qu’à 30km/h.
Moyenne
Moyenne harmonique

30km/h.
vmoy , 20 km/h ! !
car il a passé plus de temps à 10km/h qu’à 30km/h.
On cherche vmoy telle que la somme des temps passés à la
montée et la descente soit égal au temps passé à la vitesse
vmoy :
tmontée = 10
1
, tdesc. = 30
1
, tv moy = vmoy
2
⇐⇒ 2
= 1
+ 1
⇐⇒ vmoy = 2
= 15 km/h.
10 + 30
vmoy 10 30 1 1
Moyenne
Moyenne harmonique (2)
Définition
Soit la série statistique x1 , . . . , xp d’effectif n1 , . . . , np alors la
moyenne harmonique notée en général x H est définie par
n
xH = n1 np
x1 + ... + xp
où n = n1 + . . . + np .
Synthèse
Mode(s), médiane, moyenne(s) : quel(s) indicateur(s)

utiliser pour résumer une série et en donner des tendances
centrales ?
Cela dépend de la “forme” générale de la série statistique
étudiée selon qu’elle soit :
plurimodale,
symétrique,
asymétrique.
Afin de résumer cette série . . .

. . . quel est l’indicateur pertinent ?
Salaires xi ci ni ai
en e (1 u.a. 4000e)
[0, 4000[ 2000 45 1
[4000, 8000[ 16000 10 6
[28000, 32000[ 30000 45 1
x = 16000e, Me = 16000e.
2 classes modales :
[0, 4000[,[28000, 32000[.
⇒
Moyenne et médiane non
représentatives de la série.
Modes informatifs.
série pluri-modale

en e (1 u.a. 1000e)
[0, 1000[ 500 5 1
[1000, 2000[ 1500 90 1
[2000, 3000[ 2500 5 1
x = 1500e, Me = 1500e.
classes modales : [1000, 2000[.
⇒
les trois indicateurs peuvent être
utilisés.
on préfèrera la moyenne qui
possède des propriétés intéressant
(calcul algébrique)
série symétrique

en e (1 u.a. 2000e)
[0, 2000[ 1000 90 1
[2000, 38000[ 18000 10 18
x = 2900e, Me = 1100e.
⇒
La moyenne n’est pas
représentative car trop influencée
par les gros salaires.
la médiane est plus adaptée.
série asymétrique
Complément : méthode ”shift and share”
méthode utilisée pour comparer plusieurs moyennes

pondérées lorsque les coefficients de pondération sont très
,, par exemple lorsqu’ils évoluent au cours du temps.
permet de lisser l’effet structure.
Exemples : salaires de 2 CSP en 2010 et 2011.
Année 2010 Année 2011

CSP fi x i (e) fi x i (e)
Cadres 10% 2000 50% 1300
Employés 90% 1000 50% 900
Complément : méthode ”shift and share”
méthode utilisée pour comparer plusieurs moyennes

pondérées lorsque les coefficients de pondération sont très
,, par exemple lorsqu’ils évoluent au cours du temps.
permet de lisser l’effet structure.
Exemples : salaires de 2 CSP en 2010 et 2011.

Cadres 10% 2000 50% 1300
Employés 90% 1000 50% 900
x 2010 = 1100 e, x 2011 = 1100 e.

peut-on conclure qu’il n’y a pas d’évolution de salaires de
2010 à 2011 ?
Complément : méthode ”shift and share” (2)

Cadres 10% 2000 50% 1300
Employés 90% 1000 50% 900
Pour éliminer l’effet du changement des effectifs, on calcule

les moyennes en fixant les effectifs de 2010 :

Cadres 10% 2000 50% 1300
Employés 90% 1000 50% 900

x 02011 = 10% × 1300 + 90% × 900 = 940 e
940−1100
⇒ evolution de 1100 ' −14.54%.

Cadres 10% 2000 50% 1300
Employés 90% 1000 50% 900

x 02011 = 10% × 1300 + 90% × 900 = 940 e
⇒ evolution de 940−1100
1100 ' −14.54%.
pour éliminer l’effet du changement de salaires, on calcule
la moyenne en 2011 en fixant les salaires en 2010

Cadres 10% 2000 50% 1300
Employés 90% 1000 50% 900

x 02011 = 10% × 1300 + 90% × 900 = 940 e
⇒ evolution de 940−1100
1100 ' −14.54%.
pour éliminer l’effet du changement de salaires, on calcule
la moyenne en 2011 en fixant les salaires en 2010
2011 = 50% × 2000 + 50% × 1000 = 1500 e

x 00
1500−1100
⇒ évolution de 1100 ' 36.36%.
Caractéristiques de dispersion
Objectif : définir des indicateurs permettant d’évaluer le

caractère dispersé ou variable d’une série statistique.
En particulier, nous étudierons
1 l’étendue
2 les écarts interquantiles
3 les écarts absolus (moyen et médian)
4 l’écart-type (ou variance)
Définition
L’étendue est la différence entre la plus grande et la plus petite
observation de la série.
Etendue = x(n) − x(1) .
Notion très peu utilisée en pratique car elle est très sensible
aux fluctuations de l’échantillon.
Exemple : on relève l’âge de 10 individus : 24, 16, 18, 22,
16, 26, 35, 25, 15, 76.
⇒ étendue est de
tp76-16 = 50 ans.
Si on remplace 76 par un âge ≤ 35 l’étendue devient 19 ans.
Ecarts interquantiles
Ecarts-interquantiles
Définition
On définit l’écart-interquartile et l’écart-interdécile comme
suit
Ecart interquartile = Q3 − Q1 Ecart interdécile = D9 − D1 .
Plus ces écarts sont grands et plus la série est dispersée.

Du fait que l’on ne tient pas compte des observations
faibles ou élevées, ces caractéristiques sont moins sensibles
aux fluctuations de l’échantillon que l’étendue.
Ecart absolu
Ecarts absolus
x : statistique, xi : modalités, ni : effectifs, p nbre de modalités.
1 Ecart absolu moyen :
p
1X
ex = ni |xi − x |.
n i=1
2 Ecart absolu médian :

p
1X
e Me = ni |xi − Me|.
n i=1
Remarques
Plus les écarts absolus sont grands, plus la série est dispersée.
Avantage : facile à calculer, écart absolu médian moins sensible
aux valeurs extrêmes.
Inconvénient : ne se prête pas aux calculs algébriques.
Définition
La variance est la moyenne arithmétique pondérée des écarts à
la moyenne au carré. L’écart-type est la racine carrée de la
variance.
Définition
La variance est la moyenne arithmétique pondérée des écarts à
la moyenne au carré. L’écart-type est la racine carrée de la
variance.
Variance :
p p
1X X
Var (x ) = ni (xi − x )2 = fi (xi − x )2
n i=1 i=1
Ecart-type :
σx =
p
Var (x )
Interprétation
Plus l’écart-type (ou variance) est grand(e) et plus la série
observée est dispersée.
Ecart-type et variance (2)
Autre expression de la variance :

p
1X
Var (x ) = ni (xi − x )2
n i=1
p
1X
= ni xi2 − (x )2
n i=1
= x 2 − (x )2
= “moyenne des carrés” − “carré de la moyenne”.
BTout comme la moyenne, pour calculer une variance (ou

écart-type) pour une variable continue (dont les données sont
regroupées en classes) on remplace les xi par ci les centres de
classe.

xi (en e) ci ni (×106 ) fi
Calculez les variance et [0, 1600[ 800 9 45%
écart-type de la série [1600, 2400[ 2000 7 35%
suivante : [2400, 3200[ 2800 4 20%
Total × 20 100%

suivante : [2400, 3200[ 2800 4 20%
Total × 20 100%
Méthode 1 : on rappelle que x = 1620e.

1
Var (x ) = 9 × (800 − 1620)2 + 7 × (2000 − 1620)2 + 4 × (2800 − 1620)2
20
= 631600 e2 .

suivante : [2400, 3200[ 2800 4 20%
Total × 20 100%
Méthode 1 : on rappelle que x = 1620e.

1
Var (x ) = 9 × (800 − 1620)2 + 7 × (2000 − 1620)2 + 4 × (2800 − 1620)2
20
= 631600 e2 .
Méthode 2 :
1
x2 = 9 × 8002 + 7 × 20002 + 4 × 28002 = 3256000 e2
20
Var (x ) = x 2 − (x )2 = 3256000 − 16202 = 631600 e2
√
Ecart-type : σx = 631600 ' 794.7 e.
Variance intra et interpopulation
Théorème
Considérons une population P de taille n composée de k
sous-populations P1 , . . . , Pk d’effectifs respectifs n1 , . . . , nk . Notons,
x 1 , . . . , x k et Var (x1 ), . . . , Var (xk ) les moyennes et variances des k
sous-populations. Alors, la variance de la population P est
n1 Var (x1 ) + . . . + nk Var (xk ) n1 (x − x 1 )2 + . . . + nk (x − x k )2

Var (x ) = +
n n
k p
1 X 1 X
= ni Var (xi ) + ni (x i − x )2
n i=1 n i=1
= “moyenne des variances”+“variance des moyennes”
= Variance intra-population + Variance inter-population.
Variance intra et interpopulation (2)

Vérifions le résultat précédent sur l’exemple suivant : on étudie le
salaire de nH =200 hommes et nF =100 femmes d’une entreprise.
Calculez les variances xi (en e) ci ni,H ni,F ni,E
inter-, intra- et totale de [0, 1500[ 750 70 60 130
la série : [1500, 3000[ 2250 130 40 170
Total × 200 100 300
x H = 1725 e Var (xH ) = 511875 e2

Pour simplifier (un peu) x F = 1350 e Var (xF ) = 540000 e2
les calculs :
x = 1600 e Var (x ) = 552500 e2 .

la série : [1500, 3000[ 2250 130 40 170
Total × 200 100 300
x H = 1725 e Var (xH ) = 511875 e2

les calculs :
x = 1600 e Var (x ) = 552500 e2 .
Moyenne des variances :

1
Var . Intra = (200 × Var(xH ) + 100 × Var(xF ))
300
1
= (200 × 511875 + 100 × 540000) = 521250e2 .
300

la série : [1500, 3000[ 2250 130 40 170
Total × 200 100 300
x H = 1725 e Var (xH ) = 511875 e2

les calculs :
x = 1600 e Var (x ) = 552500 e2 .
Variance des moyennes :

1
Var . Inter = 200 × (xH − x)2 + 100 × (xF − x)2
300
1
= 200 × (1725 − 1600)2 + 100 × (1350 − 1600)2 = 31250e2 .
300

Résumons un peu ces calculs :
Var (x ) = 552500e2 .
Var . Intra + Var . Inter = Moy. des variances + Var. des moyennes
= 521250 + 31250 = 552500e2 .
Peut-on dire que la caractéristique H/F influence le salaire ?


Résumons un peu ces calculs :
Var (x ) = 552500e2 .
Var . Intra + Var . Inter = Moy. des variances + Var. des moyennes
= 521250 + 31250 = 552500e2 .
Peut-on dire que la caractéristique H/F influence le salaire ? Si

tel est le cas, la variance des moyennes est forte relativelement à
la variance totale des salaires. Or,
Var . Inter 31250
= ' 5.66%.
Var (x ) 552500
5.66% de la variance est expliquée par l’hétérogénéité des
moyennes (H/F) ce qui est relativement faible. Par conséquent,
les salaires de cette entreprise ne sont que peu influencés par le
sexe.
Complement I : Comparaison de séries (1)
soit x la série statistique de 4 produits en Francs : 100F, 200F,

300F et 400F.
soit y la série statistique des 4 produits en e :15e, 30e,45e,60e.
Intuitivement, ces deux séries sont dispersées de la même
manière. Or,
σx = 111.8F et σy = 16.8e.
Conclusion : pour comparer les deux séries qui ne sont pas dans
la même unité, il faut transformer les caractéristiques de
dispersion.
σx
Coefficient de variation : = c’est le % de variation par
x
rapport à la moyenne, sans unité.
σx 111.8 σy 16.8
' ' 0.45 et ' ' 0.45.
x 250 y 37.5
Complement I : comparaison de séries (2)
D’autres indicateurs de comparaison de séries statistiques :
Coefficient de dispersion :
Q3 − Q1 D9 − D1
ou .
Me Me
Rapport interquartile ou rapport interdécile :
Q3 D9
ou
Q1 D1
Complement II : la boı̂te à moustaches (1)
aussi appelée box plot ou diagramme

de Tukey.
moyen rapide de visualiser des
caractéristiques centrale et de
dispersion d’une série quantitative.

de Tukey.
principalement utilisée pour
comparer un même caractère
pour plusieurs populations.

de Tukey.
principalement utilisée pour
comparer un même caractère
pour plusieurs populations.
basée sur le calcul de D1 , Q1 , Me, Q3
et D9 .

de Tukey. D9

caractéristiques centrale et de Q3

principalement utilisée pour Me
comparer un même caractère Q1
pour plusieurs populations. D1
basée sur le calcul de D1 , Q1 , Me, Q3

et D9 .

Etude sur le niveau de vie des ménages en euros par CSP (personne
de référence) en 2010. Application : complétez le graphique suivant
avec les revenus des agriculteurs . . .
50000
sachant que pour les
40000
agriculteurs
D1 = 6040
30000
Q1 =11135
Me = 18010
20000
Q3 = 27140
10000
D9 = 39010
agriculteurs cadres profInt employes ouvriers

Etude sur le niveau de vie des ménages en euros par CSP (personne
de référence) en 2010. Application : complétez le graphique suivant
avec les revenus des agriculteurs . . .
50000
sachant que pour les
40000
agriculteurs
D1 = 6040
30000
Q1 =11135
Me = 18010
20000
Q3 = 27140
10000
D9 = 39010
agriculteurs cadres profInt employes ouvriers
Introduction
Elles sont utilisées pour mesurer (essentiellement) la

répartition de la masse salariale. La répartition de la masse
salariale se situe entre les deux cas extrêmes suivants
Répartition des salaires parfaitement équitables : un certain
pourcentage de salariés reçoit le même pourcentage de la
masse salariale. On dit que la concentration est nulle.
Un seul salarié reçoit toute la masse salariale (et les autres
rien). On dit que la concentration est maximale.
Trois indicateurs pour quantifier la concentration
1 courbe de Lorentz
2 Indice de Gini
3 Médiale.
Courbe de Lorentz
Courbe de Lorentz
On étudie les salaires de 50 employés d’une entreprise.
xi (en e) ci ni fi Fi
[600, 1200[ 900 15 30% 30 %
[1200, 1800[ 1500 25 50% 80%
[1800, 2100[ 1950 10 20% 100%
Total × 50 100% ×
2
Courbe de Lorentz
Courbe de Lorentz
xi (en e) ci ni fi Fi ni ci
[600, 1200[ 900 15 30% 30 % 13500
[1200, 1800[ 1500 25 50% 80% 37500
[1800, 2100[ 1950 10 20% 100% 19500
Total × 50 100% × 70500
1 on calcule la masse salariale = ni × ci .
2
Courbe de Lorentz
Courbe de Lorentz
xi (en e) ci ni fi Fi ni ci gi Gi
[600, 1200[ 900 15 30% 30 % 13500 19.1% 19.1%
[1200, 1800[ 1500 25 50% 80% 37500 53.2% 72.3%
[1800, 2100[ 1950 10 20% 100% 19500 27.7% 100%
Total × 50 100% × 70500 100% ×
1 on calcule la masse salariale = ni × ci .

2 on calcule le % de la masse salariale gi , ainsi que les fréquences
cumulées Gi .
Courbe de Lorentz
Courbe de Lorentz
[600, 1200[ 900 15 30% 30 % 13500 19.1% 19.1%
[1200, 1800[ 1500 25 50% 80% 37500 53.2% 72.3%
[1800, 2100[ 1950 10 20% 100% 19500 27.7% 100%
Total × 50 100% × 70500 100% ×
Définition
La courbe de Lorentz est obtenue en faisant correspondre à la
fréquence cumulée Fi à la fréquence cumulée Gi de la masse salariale.
Courbe de Lorentz
Courbe de Lorentz (2)
100
●
80
●
60
Gi (en %)
40
20
●
0
0 20 40 60 80 100
Fi (en %)
droite rouge = répartition parfaitement équitable.

Plus la courbe de Lorentz est éloignée de la droite rouge et
plus la concentration est forte (répartition de moins en moins
équitable).
Indice de Gini
Indice de Gini
100
●
80
Soit S la surface orange.

60
Gi (en %)
IGini = S
= 2S ∈ [0, 1]
40
Surf. Demi-carré
20
●
0
0 20 40 60 80 100
Fi (en %)
Plus IGini est proche de 0 , plus la concentration est faible
(proche de équirépartition).
Dans notre cas, IGini ' 14% (on ne cherchera pas à calculer
l’indice)
Médiale
Médiale
[600, 1200[ 900 15 30% 30 % 13500 19.1% 19.1%
[1200, 1800[ 1500 25 50% 80% 37500 53.2% 72.3%
[1800, 2100[ 1950 10 20% 100% 19500 27.7% 100%
Total × 50 100% × 70500 100% ×
La médiale est la médiane de la série masse associée. Dans

notre exemple
Médiale
Médiale
[600, 1200[ 900 15 30% 30 % 13500 19.1% 19.1%
[1200, 1800[ 1500 25 50% 80% 37500 53.2% 72.3%
[1800, 2100[ 1950 10 20% 100% 19500 27.7% 100%
Total × 50 100% × 70500 100% ×

notre exemple
50% − 19.1%
Médiale = 1200 + × (1800 − 1200) ' 1548e.
72.3% − 19.1%
Les salariés recevant moins de 1548 ereprésentent 50% de la
masse salariale.
Médiale
Médiale
[600, 1200[ 900 15 30% 30 % 13500 19.1% 19.1%
[1200, 1800[ 1500 25 50% 80% 37500 53.2% 72.3%
[1800, 2100[ 1950 10 20% 100% 19500 27.7% 100%
Total × 50 100% × 70500 100% ×

notre exemple
50% − 19.1%
Médiale = 1200 + × (1800 − 1200) ' 1548e.
72.3% − 19.1%
Les salariés recevant moins de 1548 ereprésentent 50% de la
masse salariale.
Mesure de concentration :
Médiale − Me
∆= ≥ 0.
Etendue
∆ petit = faible concentration, ∆ grand= grande concentration.
Ici, on peut vérifier que ∆ ' (1548 − 1440)/(2100 − 600) ' 7.2%.

Chap2 Cours

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Chap2 Cours

Încărcat de

Drepturi de autor:

Formate disponibile

Caractéristiques de tendance centrale Caractéristiques de dispersion Caractéristiques de concentration

Chapitre 2. Caractéristiques des distributions à

Laboratoire Jean Kuntzmann (LJK), Grenoble University

Objectif général de ce chapitre

Objectif : calculer des caractéristiques permettant de

Trois catégories de caractéristiques :

1 Caractéristiques de tendance centrale

Mode d’une variable statistique

Mode d’une variable statistique

Mode d’une variable statistique

Application numérique sur deux exemples

Exemple Nbre pers./voiture

Total 100% 1.0 1.5 2.0 2.5 3.0 3.5 4.0

Revenu des ménages français

% par tranche de 800 euros

[2400, 3200[ 20% 20%

0 500 1000 1500 2000 2500 3000 3500

BIl faut distinguer deux cas :

Médiane (2) - données brutes

Deux cas possibles en fonction du caractère pair ou impair de la

Médiane (2) - données brutes

Deux cas possibles en fonction du caractère pair ou impair de la

Médiane (2) - données brutes

Deux cas possibles en fonction du caractère pair ou impair de la

Médiane (2) - données brutes

Deux cas possibles en fonction du caractère pair ou impair de la

Médiane (2) - données brutes

Deux cas possibles en fonction du caractère pair ou impair de la

Médiane (2) - données brutes

Deux cas possibles en fonction du caractère pair ou impair de la

Médiane - données brutes (2)

Quelle est la médiane de la série statistique suivante ?

Médiane - données brutes (2)

Quelle est la médiane de la série statistique suivante ?

n = 400 est pair ⇒ il faut donc repérer la 200 -ème et

Médiane - données brutes (2)

Quelle est la médiane de la série statistique suivante ?

n = 400 est pair ⇒ il faut donc repérer la 200 -ème et

Médiane (3) - données regroupées

Exemple du revenu ménages

Dans le cas où les données sont regroupées en classes, il faut

Médiane (3) - données regroupées

Exemple du revenu ménages

Dans le cas où les données sont regroupées en classes, il faut

Médiane (3) - données regroupées

Exemple du revenu ménages

Dans le cas où les données sont regroupées en classes, il faut

Médiane (4) - interpolation linéaire

A quoi correspond la médiane sur

0 500 1000 1500 2000 2500 3000

Médiane (5) - interpolation linéaire

correspond à l’abscisse du point

(xi , Fi ) et la droite horizontale

0 500 1000 1500 2000 2500 3000

⇒ Formule générale : soit ]xi , xi+1 [ la classe médiane et soient

Médiane (5) - interpolation linéaire

correspond à l’abscisse du point

(xi , Fi ) et la droite horizontale

0 500 1000 1500 2000 2500 3000

Médiane (5) - interpolation linéaire

correspond à l’abscisse du point

(xi , Fi ) et la droite horizontale

0 500 1000 1500 2000 2500 3000

Médiane (5) - interpolation linéaire