Chapitre Ii PDF

Cours de Statistiques appliquées aux sciences sociales Prof.
MONDJELI
CHAPITRE 2 : DESCRIPTION NUMÉRIQUE DES SÉRIES

STATISTIQUES À UN CARACTÈRE
Cette description va se faire en quatre temps : dans un premier temps, nous présentons les
caractéristiques de tendance centrale (ou paramètres de position) ; dans un second temps, nous
présentons les paramètres de dispersion ; en troisième lieu, nous présentons les paramètres
concentration et enfin, nous développons les paramètres de forme.
1. LES PARAMÈTRES DE POSITION

Le rôle de ces paramètres est de caractériser une série statistique à l’aide d’un nombre
représentatif de l’ensemble du phénomène. Bien plus, ils s’avèrent utiles en ceci qu’ils
permettent de comparer 2 séries. Mais il est recommandé une grande prudence quant au choix
du paramètre et de son interprétation.
Ces paramètres doivent obéir à certaines propriétés élaborées par le statisticien Yule (1945) :
P1 : une bonne valeur centrale doit être définie de façon objective. Autrement dit, 2
personnes différentes doivent aboutir au même résultat numérique ;
P2 : une bonne valeur centrale doit dépendre de toutes les observations ;
P3 : elle doit avoir une signification concrète facile à concevoir. C’est dire qu’elle doit être
d’une interprétation simple et immédiate pour être comprise par n’importe quel
utilisateur ;
P4 : elle doit être simple à calculer ;
P5 : elle doit être peu sensible aux fluctuations d’échantillonnage ;
P6 : elle doit se prêter aisément au calcul algébrique.
1.1. Le mode
Encore appelée la dominante, le mode représente la valeur du caractère qui correspond à la plus
grande fréquence ou au plus grand effectif. Par conséquent, c’est la valeur la plus probable. On
le note Mo et il s’exprime dans la même unité de mesure que la variable elle-même.
1.1.1. Les séries à caractère quantitatif discret et les séries à caractère qualitatif
La détermination du Mo dans ce cas est faite sans ambiguïté. Il suffit d’examiner attentivement
les effectifs ou les fréquences et le choix est opéré.
Université de Yaoundé II-Soa 12 Année académique 2019-2020

Cours de Statistiques appliquées aux sciences sociales Prof. MONDJELI
1.1.2. Le cas de la variable statistique continue
1.1.2.1. Cas des classes à amplitudes égales
La classe modale est celle qui correspond à la plus grande fréquence. Le Mo est susceptible de
prendre n’importe quelle valeur à l’intérieur de la classe. Cependant, on retiendra toujours le
centre de la classe pour plus de précision.
1.1.2.2. Cas des classes à amplitudes inégales
La classe modale est celle qui correspond à la plus grande densité. Comme dans le cas
précédent, c’est le centre de la classe qui représente le mieux le Mo.
Exemple : répartition des étudiants de L1 dans un groupe de TD selon leurs notes.
Notes [0 - 5[ [5 - 8[ [8 - 10[ [10 - 20[ Total

ni 30 27 20 10 87
1.2. La médiane
C’est la valeur de la variable statistique qui partage la distribution en 2 sous-ensembles

d’effectif égal. Cette valeur correspond à la fréquence cumulée de 50%. Ainsi dans une
population, la moitié des individus possèdent une valeur de la variable inférieure à la médiane.
Elle est notée Me et sa détermination est précédée par le tri des données par ordre croissant.
1.2.1. Le cas de la variable discrète
1.2.1.1. Le nombre d’observations est paire : k=2p
Soit X qui prend des valeurs X1, X2, …, Xp, Xp+1, …, X2p (ou Xk). Calculer la médiane consiste à
déterminer l’intervalle médian qui est dans ce cas [Xp ; Xp+1]. Me est désignée comme la
moyenne des 2 valeurs de l’intervalle, si cette valeur a une signification. Ex : nombre d’enfants :
3, 4. Me= [3+4]/2 = 3,5. Impossible, car il n’existe pas de demi enfant.
1.2.1.2. Le nombre d’observations est impaire : k=2p+1
Soit X qui prend des valeurs X1, X2, …, Xp, Xp+1, …, X2p+1 (ou Xk). Dans ce cas, la médiane est
égale à Xp+1.
Exemple 1 : 1, 2, 3, 4, 7, 8, 9. Me=4, car la premier groupe a des valeurs <4 et le second groupe
a des valeur > 4.
Exemple 2 : 1, 2, 3, 5, 5, 5, 9, 10, 15. Me n’existe pas dans ce cas, car la supposée valeur Me
appartient aux 2 groupes.
Rq : il n’existe généralement pas de médiane dans le cas de la variable statistique discrète.
1.2.2. Le cas de la variable continue


Soit le graphique suivant :

F(xi+1)

0,5
AB/AC=BD/CE

F(xi)
xi Me xi+1
On utilise généralementt lla méthode de l’interpolation
rpolation linéaire et lla propriété de Thalès.
Me − xi 0.5 − F ( xi )
De l’identité ci-dessus et par transposition on obtient : = .
xi −1 − xi F ( xi +1 ) − F ( xi )
0.5 − F ( xi )
De cette expression, on tire Me tel que : Me = xi + ( xi +1 − xi ) .
F ( xi +1 ) − F ( xi )
1.2.3. Généralisation de la notion de médiane : les quantiles d’ordre t
Soit F la fonction de répartition de quantiles d’ordre [, avec 2 [ 3 et xα la solution ou la

racine de l’équation F( xα ) =[. F est monotone, continue et croissante. xα signifie qu’une
proportion égale à [% des individus possède la valeur x du caractère < à xα .
1.2.3.1. Les quartiles (Q)
Ce sont des quantiles d’ordre ¼. Ils divisent la distribution en 4 sous-groupes d’effectif égal. Il
existe 3 quartiles dont les images sont F(Q1)=0.25 ; F(Q2)=0.5 et F(Q3)=0.75. Ils ont donc la
même définition que la médiane et se calculent aussi de la même façon.
1.2.3.2. Les quintiles (q)
Ce sont des quantiles d’ordre 1/5. Il existe 4 quintiles dont les images sont F(q1)=0.20 ;
F(q2)=0.40 et F(q3)=0.60 et F(q4)=0.80. Ils divisent la distribution en 5 sous-groupes d’effectif
égal. Les deux autres déciles les plus expressifs sont q1 et q4.
1.2.3.3. Les déciles (D)
Ce sont des quantiles d’ordre 1/10. Il existe 9 déciles dont les images sont F(D1)=0.10 ;
F(D2)=0.20, …, F(D9)=0.90 ; avec D5=Me. Les deux autres déciles les plus expressifs sont D1
et D9. Leur rapport donne une information importante sur l’inégalité.
1.2.3.4. Les centiles (C)
Ce sont des quantiles d’ordre 1/100. Il existe 99 centiles dont les images sont F(C1)=0.01 ;
F(C2)=0.02, …, F(C99)=0.99 ; avec C50=Me. Les deux autres centiles les plus expressifs sont
C1 et C9. Leur rapport donne une information importante sur l’inégalité.
Exemple : Soit la répartition des TPE par chiffre d’affaires dans la ville de Soa.

CA ni fi Fi
[200 ; 300[ 60
[300 ; 500[ 60
[500 ; 800[ 80
Total 200
TAF : calculer la médiane, les quartiles, les quintiles, les deux déciles extrêmes et les deux
centiles extrêmes.
Me=300+200.[(0.5-0.3)/(0.6-0.3)]
Q1=200+100.[(0.25-0)/(0.3-0)] ; Q2=Me ; Q3=500+300.[(0.75-0.6)/1-0.6)]
D1=200+100[(0.1-0)/0.3-0)] D5=Me D9=500+300.[(0.9-0.6)/(1-0.6)]
NB : de la même manière, on définit les quintiles (quantiles d’ordre 1/5) et les centiles (quartiles
d’ordre 1/100è).
1.3. La moyenne
1.3.1. Définition, mode de calcul et propriétés
La moyenne arithmétique d’une distribution est le barycentre ou le centre de gravité des valeurs
Xi pondérées respectivement par leurs fréquences fi. Il s’agit d’un indice moyen qui donne
l’ordre de grandeur des unités statistiques. Ce n’est pas une modalité observée, mais elle est
construite à partir des modalités observées.
Pour le calcul :
• Lorsque la variable est discrète, on peut calculer une moyenne simple pour k
observations à travers la formule :
k
1
X = ( x1 + x 2 + ... + x k ) / k =
k
∑x .
i =1
i
Si par contre les données sont groupées par les effectifs, on peut calculer une moyenne
p
pondérée. La formule change et devient : ∑n x i i

ni
X = i =1
= ∑ Nx i = ∑fx
i i
∑n i
Exemple : soit la série des poids des étudiants de l’INSEG.
xi 60 64 58 63 65 62 60 Total
ni 10 15 10 20 12 8 14
TAF : Calculer la moyenne lorsqu’il s’agit d’une série de 7 personnes et lorsqu’on considère
les pondérations par les effectifs.
• Lorsque la variable est continue, on doit d’abord générer les centre ces classes et les
considérer comme les différentes valeurs de la variable. Dans ce cas, X = f i ci ∑
Les principales propriétés de la moyenne sont :
a = ∑ f i a = a∑ f i = a
P1 :

aX = a ∑ fi xi = aX
P2 :
aX + b = ∑ fi (axi + b) = ∑ f i axi + ∑ f ib = a ∑ f i xi + b∑ f i =aX + b

P3 :
P4 : X + Y = X + Y
n1 X 1 + n2 X 2 + + nk X k k
P5 : X = = f1 X 1 + f 2 X 2 + + f k X k = ∑ fi X i dans le cas d’un mélange
N i =1
de populations.
1.3.4. La moyenne arithmétique provisoire
Le procédé consiste à faire le choix d’une valeur de la variable (observée ou non) désignée par
x0 et qui va nous aider à calculer la « moyenne arithmétique provisoire ». Dans ce cas toute
valeur de la variable va s’écrire comme suit : xi = x0 + ( xi − x0 ) . Ainsi :
X=
∑ x n = ∑ [ x + ( x − x )] n
i i 0 i 0
=
x0 ∑ ni
+
∑ ( x − x )n
i 0 i
= x0 + ∑ ( xi − x0 ) fi
i
∑n i ∑n i ∑n i ∑n i
1.3.2. La généralisation de la notion de moyenne
La moyenne arithmétique telle que vue ci-dessus peut avoir plusieurs variantes selon la nature
et l’importance que l’on veut donner à l’étude. Les plus rencontrées sont la moyenne
quadratique, la moyenne harmonique et la moyenne géométrique.
1.3.2.1. La moyenne quadratique
C’est la racine carrée de la moyenne arithmétique des carrés des observations de la série. Elle
peut être :
u
simple : A Yv ;
}
u
pondérée : A R Yv L Yv .
}
1.3.2.2. La moyenne harmonique
Elle sert à calculer les rapports moyens, les pourcentages moyens, les durées et les vitesses
moyennes. La moyenne harmonique est aussi utilisée pour le calcul d'indices économiques. Elle
peut être :
}
simple : = ;

} u
pondérée : =

En considérant les effectifs, la formule se note :

1
∑n i −1
∑x n 1
i
H= ⇒H = =∑i
fi .
n ∑n x
∑x i i i
i
Conclusion : « l’inverse de la moyenne harmonique est égal à la moyenne arithmétique
pondérée des inverses des valeurs prises par la variable ».
1.3.2.3. La moyenne géométrique
C’est la racine Nième du produit des k valeurs du caractère. La moyenne géométrique est bien
adaptée à l'étude des phénomènes de croissance. Elle peut être :

u
simple : < Y 7 >SM< >SM Y ;
}

u
pondérée : < Y 7 >SM< R >SM Y L >SM Y .
}
Conclusion : « le logarithme de la moyenne géométrique est égal à la moyenne arithmétique

pondérée des logarithmes des valeurs prises par la variable ».
Pour une variable statistique X, les différentes moyennes, harmonique, géométrique,

arithmétique, quadratique, sont liées par la relation : = < E A. Il y a égalité si et
seulement si toutes les valeurs de X sont constantes.
RQ1 : Lorsque E ? ? , la distribution est parfaitement symétrique.

RQ2 : Lorsque E ? ? , la distribution est étalée à droite.
RQ3 : Lorsque E ? ? , la distribution est étalée à gauche.
2. LES PARAMÈTRES DE DISPERSION

La dispersion donne une lecture des écarts par rapport à la tendance centrale à travers un
mouvement de fluctuations. Ces écarts traduisent l’incapacité du statisticien à maîtriser les
phénomènes. Il existe plusieurs mesures de dispersion parmi lesquelles l’étendue, l’écart absolu
moyen, les écarts inter-quantiles et l’écart type.
2.1. L’étendue ou le range
Elle représente la différence entre la plus grande valeur de la série et la plus petite. En d’autres
termes, c’est la différence entre la modalité maximale et la modalité minimale, c’est-à-dire le
réel : E 6 E 6 . L’intervalle E 6 E 6 contient 100% des
effectifs. On peut aussi l’appeler l’intervalle de variation ou intervalle maximal ou encore
l’amplitude de la série. Son principal inconvénient est de ne prendre en compte que 2 valeurs
du caractère.
2.2. Les intervalles inter-quantiles
2.2.1. L’écart inter-quartile (IQ)
Il est égal à la différence entre Q3 et Q1. IQ=Q3-Q1. Cet écart contient 50% des observations, et
il a l’avantage d’exclure les valeurs extrêmes. Il est plus satisfaisant que l’étendue, mais sa
principale limite est l’abandon des 25% des valeurs <Q1 et 25% des valeurs >Q3. Du calcul de

l’inter-quartile, on peut déterminer l’inter-quartile relatif. C’est le rapport entre l’interquartile

Q − Q1
et la médiane : il se formule comme suit : I QR = 3 .
Me
Ex : le tableau ci-dessous donne la distribution des notes obtenues au 1er CC de statistique.
Notes ni fi FCC
[0 ; 5[ 10 0,10 0,10
[5 ; 7[ 20 0,20 0,30
[7 ; 8[ 25 0,25 0,55
[8 ; 9[ 30 0,30 0,85
[9 ; 10[ 15 0,15 1
Total 100 1
TAF : calculer l’étendue et l’interquartile relatif.
Q1=5+2[(0.25-0.1)/(0.3-0.1)]=6.5 ; Q2=7.8 ; Q3=8+1[(0.75-0.55)/(0.85-0.55)]=8.67 ; IQ=2.17 et

IQR=0.27
La représentation graphique des différents quartiles prend le nom de la boîte de Tukey, de box-
plot ou boîte à moustache. Elle donne sous forme graphique l’information contenue dans les
chiffres obtenus du calcul de l’étendue et de l’IQ.
Q1 Q2 Q3
6,5 7,8 8,67 10
2.2.2. L’intervalle inter-décile
C’est la différence entre D9 et D1. Il est plus significatif que les mesures précédentes en ceci
qu’il prend en compte 80% des observations. Mais il fait abstraction de 10% des valeurs <D1 et
10% de valeurs >D9, ce qui en fait sa principale limite. On peut également déterminer l’IDR tel
que :
ID
I DR =
Me
En présence de deux séries A et B telles que IDRA>IDRB, on conclut que la série A est plus
dispersée que la série B.
2.3. Les écarts absolus et relatifs
Soit une série statistique X : Eu , Ev , …, E . On appelle :
différence par rapport à un scalaire [ donné, la série d’observations : Y [;

u
moyenne des différences à la moyenne, l’expression Y E 2 ;

écart par rapport à la caractéristique [, la série d’observations Y [ ;
écart probable, la médiane des écarts à la médiane. On l’appelle aussi écart médian ;

écart absolu moyen par rapport à la moyenne, l’expression : L Y E . À partir

de cette expression, on peut aussi déterminer l’écart absolu moyen relatif tel que :
{
:B ;

écart absolu moyen par rapport à la médiane l’expression :| L Y ? ;
RQ1 : lorsque :B est proche de zéro, la dispersion est faible et la série est qualifiée
d’homogène.
RQ2 : on a toujours : :| : .
Exemple : Les notes obtenues par un étudiant à la fin des CC sont les suivantes.
Disciplines Notes Coefs

Maths 9 3
Stat 11 1
Économie 14 4
Compta 13 2
Total 10
Taf : calculer :B . Commenter.
2.4. L’écart-type ou l’écart quadratique moyen
2.4.1. Définition
C’est la racine carrée de la moyenne arithmétique des carrés des écarts de toutes les observations
à la moyenne. C’est en outre la racine carrée de la variance.
1 1
Dans le cas des séries simples, la variance se note : V ( x) = ∑ ( x i − x ) 2 ⇒ σ ( x) = ∑ ( xi − x ) 2
k k
1
Lorsque la série est pondérée, elle se note : V ( x) = ∑ ni ( xi − x )2 = ∑ fi ( xi − x )2 .
N
u
Selon Koenig ou Huygens, on a : D E E v E v dans le cas des séries simples (non
zu

pondérées) et D E zu L Ev E v si la série est pondérée. Ainsi, la variance de définit
comme la différence entre la moyenne des carrés et le carré de la moyenne.
RQ : une grande proportion des observations se trouve entre E l et E l ou entre E 4l

et E 4l.
Exemple : soit la série suivante : 3, 5, 8, 11, 12, 15. Calculer l’écart type. Ensuite se servant de
l’exemple des notes ci-dessus, calculer à nouveau l’écart type.
On peut calculer à partir de l’écart-type, une autre mesure de dispersion appelée le cœfficient

de variation. C’est le rapport entre l’écart-type et la moyenne : 9D . C’est un nombre sans

dimension qui apprécie l’homogénéité de la distribution. Une distribution est plus ou moins

homogène selon que son CV est plus ou moins élevé. Il permet de comparer plusieurs
distributions.
2.4.2. Les propriétés de la variance

2
V (a) = ∑ f (a − a ) = 0 ;
i
2 2
V (aX ) = ∑ f (aX − aX ) = ∑ f a ( X
i i i i − X )2 = a 2 ∑ fi ( X i − X )2 = a 2V ( X ) ;
V (aX + b) = a 2V ( X ) ;
V (aX + bY ) = a V ( X ) + b V (Y ) + 2abCov ( X , Y ) ;
2 2
D E D F 49SX E F VNEKWFVSRWPNV
DE F
D E D F VNEKWFVSRWNRJTKRJGRWV
D E D F 49SX E F VNEKWFVSRWPNV
DE F
D E D F VNEKWFVSRWNRJTKRJGRWV
Rq1 : Si X et Y sont indépendants, DE F DE F.

u u
Rq2 : 9SX E F E EF F E F EF.
} }
2.4.3. L’analyse de la variance d’un mélange de population
Soit une population P d’effectif N et de moyenne X . Cette population est composée de k sous-
populations P1, P2, …, Pk, d’effectif N1, N2, …, Nk, de moyennes X 1 , X 2 , …, X k et de
variances luv , lvv , …, lv . Dans ce cas, la variance totale de la population est égale à :
1 1
VT = ⎡ N1σ 12 + N 2σ 22 + ... + N kσ k2 ⎦⎤ + ⎣⎡ N1 ( X 1 − X ) 2 + N 2 ( X 2 − X ) 2 + N k ( X k − X ) 2 ⎦⎤ .
⎣
N N
2
On obtient ainsi : VT = ∑ f iσ i2 + ∑ f i ( X i − X )
2
Le premier membre ∑ fσ i i s’appelle la variance intra-sous-population, c'est-à-dire la
moyenne des variances. C’est celle que l’on obtiendrait si toutes les sous-populations avaient
la même moyenne ( X 1 = X 2 = ... = X k = X ).
2
Le second membre ∑ f (X i i −X) s’appelle la variance inter-sous-population. C’est la
variance des moyennes, c'est-à-dire celle que l’on obtiendrait si les sous-populations étaient
homogènes ( σ 12 = σ 22 = ...σ k2 = 0 ).
L’intérêt d’une telle décomposition de la variance est de déceler les sources de variabilité dans
la population totale. En conclusion, l’hétérogénéité d’un mélange peut être expliquée par
l’hétérogénéité interne à chacune des sous-populations et/ou par l’hétérogénéité des moyennes
des différentes sous-populations.
Exemple : le tableau ci-dessous donne la répartition des salaires au sein du groupe AB,
comportant deux établissements (A et B).

A B GROUPE AB
Catégories niA xiA niB xiB ni Xi
Ouvriers 30 10 100 8 130 8.46
Employés 20 18 10 16 30 17.33
Cadres 10 80 5 70 15 76.67
NA=60 X A =24.3 NB=115 X B = 11.4 N=175 X = 15.8

De façon simple,
1
VT = ∑ ni xi2 − X 2 =1/175[(30*102)+(20*182)+(10*802)+(100*82)+(10*162)+(5*702)]-(15.8)2
N
= 611.08-249.64 = 361.4
Calcul des variances des différentes sous pop :
1
V1 =
N1
∑ ni1 xi21 − X 12 =1/60[(30*102) + (20*182) + (10*802)] - (24.3)2=634.18
1
V2 = ∑ ni 2 xi22 − X 22 = 1/115[(100*82) + (10*162) + (5*702)] - (11.4)2=161
N2
V1=634.18 et V2=161, ceci implique que :
1
Vint ra = [N1V1 + N 2V2 ]=1/175[(60*634.18) + (115*161)]=323.23
N
VT=361.4 et Vintra=323.23, cela implique que Vinter=VT-Vintra, c à d Vinter=361.4 -
323.23=38.17.
Calcul des contributions des différentes variances à l’explication de la variabilité totale :

Vintra/VT=89.4% et Vinter/VT=10.6%. Ceci voudrait dire que la variabilité des salaires dans les
établissements du groupe AB est majoritairement expliquée par la dispersion à l’intérieur de
chaque établissement, et beaucoup moins par la dispersion entre les salaires moyens des
différents établissements.
2.5. Les moments
On appelle moment général d’ordre U par rapport à une valeur quelconque G l’expression
k
suivante : M r = ∑ fi ( xi − a ) r ; U représente l’ordre du moment et G l’origine. On distingue les
i =1
moments simples des moments centrés.
Ils sont dits simples lorsque G 2. Il s’agit d’une généralisation de la notion de moyenne
arithmétique. Dans ce cas, M r = fi xir .
∑
•Si U 3, M 1 = ∑x f
i i =X ;
•Si U 4, M 2 = ∑ f i xi2 .
Les moments sont dits centrés lorsque a = X . Il s’agit d’une généralisation de la notion de
k
variance. La notation générale est μ r = ∑ f i ( xi − X ) r :
i =1

•Si U 3, μ1 = ∑ f (x − X ) = 0 ;
i i
2 2
•Si U 4, μ 2 = ∑ f ( x − X ) = V ( x) = ∑ f x
i i i i − X 2 = M 2 − M 12 .
3. LES PARAMÈTRES DE CONCENTRATION
Le concept de concentration a été introduit par le statisticien italien Corrado GINI, à propos de
la distribution des salaires. Les questions relatives à cette section appellent à la détermination
d’une mesure de concentration. Cette notion s’applique généralement à la description d’une
unité économique selon la taille. Ex : la description d’une entreprise selon le CA ou selon le
nombre de salariés.
La notion de concentration concerne uniquement les variables statistiques à caractère continu,

à valeurs positives et additives, c'est-à-dire que l’addition de 2 modalités du caractère doit avoir
un sens. En plus de la remarque précédente, le partage de la masse globale du caractère doit être
possible.
3.1. La médiale
Son calcul passe par des étapes intermédiaires, notamment celle du calcul de la masse globale
du caractère.
3.1.1. La masse globale du caractère
La masse d’une modalité xi c’est le produit de l’effectif de la modalité correspondante par la

valeur de la variable. Elle se note telle que : mi=nixi.
La masse globale (?) quant à elle se définie comme la somme des masses individuelles de
chaque modalité et se note comme suit :

? R Y Q
zu zu
3.1.2. Définition de la médiale
C’est la valeur du caractère qui partage en 2 quantités égales la masse globale. Elle est toujours
supérieure à la médiane (Ml>Me).
Lorsque l’écart entre Ml et Me rapporté à l’étendue est élevé, la concentration sera jugée forte,
et la distribution sera jugée inégalitaire. Lorsque ce rapport est faible, l’écart entre Ml et Me
tend vers 0 ; dans ce cas, la concentration sera faible et la distribution sera jugée égalitaire ou
homogène.
3.1.3. Calcul algébrique de la médiale
Le calcul de la Ml est comparable à celui de la Me, c'est-à-dire qu’il se fait par interpolation
linéaire. Ce calcul porte sur les nixi ou sur les fixi cumulées.
Ex : répartition des salaires de 100 employés d’une entreprise.

Q
Salaires ci ni fi Fi mi=nixi QU QUI QUIyu L QUI QUIyu
?
[0 ; 100[ 50 10 0,1 0,1 500 0,014 0,014 0 0,0014
[100 ; 200[ 150 20 0,2 0,3 3000 0,08 0,096 0,014 0,022
[200 ; 400[ 300 40 0,4 0,7 12000 0,328 0,424 0,096 0,208
[400 ; 1000[ 700 30 0,3 1 21000 0,576 1 0,424 0,4272
Total 100 1 36500 1 0.6712
La septième colonne représente la masse relative et la 8è colonne la masse relative cumulée.

C’est cette dernière qui nous aide à cibler la classe quoi détermine la médiale (50% du cumul).
Ainsi la masse relative cumulée étant compris dans la classe [400 ; 1000[, la médiale est donc
égale à : M l = 400 + 600 0.5 − 0.424 = 479 , Me = 200 + 200 0.5 − 0.3 = 300. La concentration
1 − 0.424 0.7 − 0.3
est donc égale à M l − Me = 479 − 300 = 0.179 , soit 17,9%. On déduit ainsi que la distribution
étendue 1000
des salaires est homogène ou relativement égalitaire, l’indice de concentration est proche de 0.
3.2. La courbe de concentration ou la courbe de LORENZ
Comment la richesse, que ce soit celle qui s'accumule au fil du temps (le patrimoine) ou son
supplément réalisé chaque année (le revenu), est-elle partagée au sein d'une population donnée ?
C'est à ce genre de question que voulait répondre l'économiste statisticien américain Max Otto
Lorenz au début du XXe siècle, quand il représenta de manière très intuitive la distribution des
richesses dans son pays à l'aide d'une courbe à laquelle il a laissé son nom.
La courbe de Lorenz met en relation des fractions de population (de 0% à 100%) et les parts de
richesse (revenus ou patrimoine) qu'elles détiennent : chaque point représente un pourcentage
de revenu détenu par un pourcentage de la population. Cette courbe est tracée en fonction des
fréquences cumulées croissantes (en abscisses) et des masses relatives cumulées croissantes (en
ordonnées). Elle permet de mesurer l’ampleur de l’inégalité.
À partir des données de l’exemple ci-dessus, on obtient la représentation suivante :
La droite (OA)- représente la première bissectrice qui matérialise le lieu géométrique de

l’égalité parfaite. Ainsi si la courbe de Lorenz se confond à OA, la répartition est parfaitement
homogène ou égalitaire, et l’indice de concentration est nul. Par contre, si la courbe se rapproche
de OB puis de BA, la série est très inégalitaire et l’indice de concentration est élevé.

3.3. L’indice de GINI ou le coefficient de concentration de GINI (s)
L'indice de Gini (du nom du statisticien italien Corrado Gini qui a proposé en 1912 cet indice
pour les distributions de salaires et de revenus) donne une mesure des inégalités. C’est un
nombre sans dimension compris entre 0 et 1. Lorsqu’il est voisin de 0, la concentration est faible
et la distribution est homogène, et inversement lorsqu’il est voisin de 1. Il est obtenu en
déterminant la surface S comprise entre la courbe de Lorenz et la première bissectrice, et en
rapportant cette surface à la surface du demi-carré dans lequel s'inscrit cette courbe.
Comme la surface du carré est 1, l'indice de Gini est donc le double de l'aire S comprise entre
la courbe de Lorenz et la première bissectrice du carré. Très souvent, la surface S peut être
déterminée avec suffisamment de précisions de manière graphique. Algébriquement, on peut
calculer l'indice de Gini par la formule suivante :
g = 1 − ∑ fi (βi + βi −1 ).
Les \ sont les masses relatives cumulées croissantes.
Application au cas précédent :
g = 1-0,6712=0.3228 soit 32,28%.
u
En outre, il est démontré que M 4 8 C (avec S l’aire de concentration) C M.
v
En application au cas précédent, S = 0,1614.

Remarque :
si M 2, la courbe de Lorenz coïncide avec la première bissectrice (égalité absolue) ;

si M 3, la courbe de Lorenz longe d'abord l'axe OB, puis la droite BA (inégalité
maximale).
De façon générale, l'indice de Gini peut être interprété comme ayant une valeur d'autant plus
grande que l'inégalité est grande : il constitue donc une bonne mesure de l'inégalité.
4. LES PARAMÈTRES DE FORME

Les paramètres de forme sont des indicateurs d’une loi de probabilité qui nous informent sur
l’allure ou l’oblicité de la courbe de la distribution statistique. Ils s’appliquent sur des variables
quantitatives, discrètes et continues à variables réelles.
4.1. Le coefficient d’asymétrie
Encore appelé skewness, il mesure la densité de probabilité d’une variable aléatoire définie sur
les nombres réels. Il fait intervenir les notions de mode, de médiane, de quartiles et de moments
centrés pour déterminer l’oblicité de la distribution. Il existe plusieurs coefficients d’asymétrie.
Les principaux sont les coefficients de Pearson, de Yules et de Fisher.
4.1.1. Le coefficient d’asymétrie de Pearson

X − MO
Il fait intervenir le Mode. Lorsque ce dernier existe, ce coefficient se note : P1 = .
σ (X )
4.1.2. Le coefficient d’asymétrie de Yules

~ x~ yv|
Il fait intervenir la médiane et les quartiles. Il est défini par : Fu .
v~ x~
4.1.3. Le coefficient d’asymétrie de Fisher
μ3 μ u
Il fait intervenir les moments centrés et est défini par : F = 3/ 2
= 33 , avec f Y E
μ2 σ
4.1.4. Interprétations et représentations graphiques
Oblicité
à gauche

Oblicité
à droite
fficient dd’asymétrie
Lorsque le coefficient asyymétrie est négatif, la distribution est pl us éta
plus lée à ggauche, c'est-à-
étalée

dire oblique à droite. Il est nul po
pour une distribution à densité té de fréquen
ffréquence
nce sy symétrique, telle
que la loi de Gauss (dans ce cas, la moyenne, la médiane et le mode sont égaux).
Ces coefficients sont positifs lorsque l’étalement est accentué à droite.
On utilise souvent un coefficient d'asymétrie de Pearson basé sur les moments centrés : \u

. Ce coefficient d'asymétrie est toujours positif. Il est nul pour une distribution à densité de

fréquence symétrique, telle la loi de Gauss.
Exemples :

4.2. Le coefficient d’aplatissement
Il fait intervenir la notion de moment centré. Une statistique qui donne une information sur
l’aplatissement d’une distribution est la kurtose ou kurtosis. Plusieurs définitions algébriques
sont possibles.
4.2.1. Le coefficient d’aplatissement de Pearson
Il se note :
fw
@v
lw
4.2.2. Le coefficient d’aplatissement de Yules
Il se note :
fw
Fv 5
lw
4.2.3. Interprétations et représentations graphiques
En effet, pourquoi – 3 ? C'est parce qu’en probabilités, on peut démontrer que le coefficient
d'aplatissement de Pearson pour une variable aléatoire réelle qui suit une loi de Gauss, est égal
à 3. Ainsi, puisque la valeur 3 est une indication de kurtose neutre, certains auteurs tels que
Yules recommandent de soustraire 3 à la formule. Il est alors évident, pour comparer
l’aplatissement d’une distribution statistique à l’aplatissement d’une variable de Gauss,
d’introduire le coefficient : v v 5.
Ainsi, si :
Fv = 0, le polygone statistique de la variable réduite a le même aplatissement qu'une

courbe en cloche : on dit que la variable est mésokurtique ;
Fv < 0, le polygone statistique de la variable réduite est moins aplati qu'une courbe en
cloche : on dit que la variable est leptokurtique ;
Fv > 0, le polygone statistique de la variable réduite est plus aplati qu'une courbe en
cloche : on dit que la variable est platykurtique.

CHAPITRE 3 : LES DISTRIBUTIONS STATISTIQUES À

DEUX CARACTÈRES
Soit une population P ayant deux caractères quantitatifs X et Y . X présente r modalités
( )
( x1, x2 ,...., xr ) et Y présente p modalités y1 , y2 ,....., y p . Si une des variables est continue,
les modalités associées à cette variable sont des classes.
On appelle distribution statistique à deux variables la donnée :
{( x ; y ; n ); i = 1,...., r; j = 1,....., p}
i j ij
où nij désigne le nombre d’observations présentant à la fois la modalité xi et la modalité y j .
1. TABLEAU DE CONTINGENCE
On appelle tableau de contingence le tableau à double entrée représentant une distribution
statistique à deux variables. Il permet de voir comment se distribuent les effectifs de chaque
modalité d’un caractère suivant les modalités de l’autre.
Y Zu Zv --- Z --- Z R

X
Yu Ruu Ruv --- Ru --- Ru Ru
Yv Rvu Rvv --- Rv --- Rv Rv
- - - --- - --- - -
- - - --- - --- - -
- - - --- - --- - -
Y Ru Rv --- R --- R R
- - - --- - --- - -
- - - --- - --- - -
- - - --- - --- - -
Y Ru Rv --- R --- R R
R Ru Rv --- R --- R R
nij
À partir de ce tableau, nous pouvons définir la fréquence du couple xi ; y j ( ) par : fij =
n
, où
r ⎛ p ⎞
n = ∑ ⎜ ∑ nij ⎟ est l’effectif total. Cette fréquence représente la proportion d’individus
i =1 ⎝ j =1 ⎠
vérifiant à la fois la modalité xi et la modalité y j .
Les paramètres utilisés pour caractériser les séries statistiques à deux variables sont de deux
types :
ceux qui ne concernent qu’une variable à la fois à partir des distributions des variables
sont appelés « marginales et conditionnelles » ;
ceux qui s’intéressent à la distribution globale et qui servent à décrire les relations qui
existent entre les deux variables.
2. DISTRIBUTIONS MARGINALES ET CONDITIONNELLES

2.1. Distributions marginales
p
Définitions : on appelle effectif marginal associé à xi , la quantité ni = ∑ nij .
j =1
r
De même, l’effectif marginal associé à y j est n j = ∑ nij .
i =1
n
Fréquences marginales : la fréquence marginale associée à xi est : fi = i , avec ( i = 1,...., r )
n
n j
la fréquence marginale associée à y j est : f j = , avec ( j = 1,...., p )
n
Tableau des distributions marginales :
Pour X : Pour Y :
ni
X ni fi =
n
x1 n1 f1

x2 n2 f 2 n j
Y n j f j =
- - - n
- - -
y1 n1 f1
xi ni •
fi •
y2 n 2 f2
- - -
- - - - - -
- - -
xr nr fr
yi ni f i
∑ n 1 - - -
- - -
yp n p f p
∑ n 1
Moyennes marginales : En notant par Y la moyenne marginale de X , on a :

R Y 3
Y L Y R Y L Y
R R
zu zu zu zu zu zu
De même, la moyenne marginale de Y est la quantité :

R Z 3
Z L Z R Z L Z
R R
zu zu zu zu zu zu
Variances marginales : En notant respectivement par σ x2 et σ y2 ces variances, on a :
r r
2 ni 2
(
σ x2 = ∑ fi xi − x = ∑
i =1
) i =1 n
(
× xi − x )
p
2
σ y2 = ∑ f j ( y j − y )
j =1
Exemple de base : On étudie la distribution de 20 individus suivant deux caractères : X (salaire

horaire) et Y (âge en années).
Tableau de contingence :
Y 25 35 45 55 ni
X
3 3 1 1 0 5
5 1 5 0 0 6
7 0 1 3 0 4
9 0 0 1 2 3
11 0 0 2 0 2
n j 4 7 7 2 20
Pour X : Pour Y :

ni
X ni fi =
n n j
Y n j f j =
5 n
3 5
20 4
6 25 4
5 6 20
20 7
4 35 7
7 4 20
20 7
3 45 7
9 3 20
20 2
2 55 2
11 2 20
20
∑ 20 1
∑ 20 1
Moyennes marginales :
5
5 × 3 + 6 × 5 + 4 × 7 + 3 × 9 + 2 ×11
x = ∑ fi × xi = = 6.10
i =1 20
4
4 × 25 + 7 × 35 + 7 × 45 + 2 × 55
y = ∑ f j × y j = = 38.5
j =1 20
Variances marginales :
5 2 ⎛ 5
⎞ 2 5 × 32 + 6 × 52 + 4 × 7 2 + 3 × 92 + 2 ×112
( )
σ x2 = ∑ fi xi − x = ⎜ ∑ fi ( xi ) ⎟ − x =
i =1 ⎝ i =1
2
⎠
() 20
2
− ( 6.10 ) = 6.59
4
2 4 × 252 + 7 × 352 + 7 × 452 + 2 × 552 2
σ y2 = ∑ f j ( y j − y ) = − (38.5) = 82.75
i =1 20
2.2. Distributions conditionnelles
Si on étudie le caractère X uniquement sur les individus vérifiant, ou satisfaisant, à la modalité

y j de X , alors on définit un nouveau type de distribution d’une série à une variable appelée
« distribution conditionnelle ».
⎛ ⎞
Définition : on appelle distribution conditionnelle de X sachant Y = y j , ⎜ X ⎟ , la donnée
⎝ Y = y j ⎠
n
du couple xi , fi j , i = 1,....., r , avec f i j = ij (lire fi si j ).
{( ) }
n j
Pour la variable X , il y a p distributions conditionnelles X ( Y ).

De même, la variable Y admet r distributions conditionnelles Y ( X ) , définies de la manière

suivante : la distribution conditionnelle de Y sachant X = xi . ⎛⎜ Y ⎞ est la donnée de la
⎟
⎝ X = xi ⎠
nij
{( )
famille : y j , f ji , j = 1,...., p avec f ji =}ni
(lire f j si i ).
Moyennes conditionnelles :
r
Pour X , x j = ∑ fi j xi , il y a donc p moyennes conditionnelles x j .
Y = yj i =1
p
Pour Y f ji y j , il y a donc r moyennes conditionnelles yi .
X = xi yi = ∑
,
j =1
Variances conditionnelles :
Pour X , on notera cette variance conditionnelle par V j ( x ) , ou par σ y2 et

Y = yj
r 2
i =1
j
(
V j ( x ) = ∑ fi xi − x j ) avec ( j = 1,...., p ) .
p
2
Pour Y
X = xi
, la variance conditionnelle est : Vi (Y ) = ∑ f ji y j − y j ( ) , avec (i = 1,......, r ) .
j =1
Application numérique :
Supposons que l’on veut étudier la distribution du salaire horaire des individus âgés de 35 ans.
La variable étudiée est la variable conditionnelle X .
Y = 35 ans
Tableau de cette distribution :
ni 2
X ni 2 fi 2 =
n 2 Moyenne conditionnelle :
3 1 1/7
5
5 5 5/7 1× +5 × 5 + 1× 7
7 1 1/7 x 2 = ∑ fi 2 xi = = 5€
i =1 7
9 0 0
11 0 0 Variance conditionnelle :
∑ 7 1

5 2 5 2
(
V2 (x) = ∑ f i 2 xi2 − x 2
i =1
) = ∑ f i 2 xi2 − x 2
i =1
( )
.
2 2 2
1× 3 + 5 × 5 + 1× 7
= − 52 = 1.143 € 2
7
Étudions maintenant la distribution de l’âge gagnant un salaire horaire égal à 3. La variable
étudiée est la variable conditionnelle Y .
X = 3€
Tableau de cette distribution :
n1 j Moyenne conditionnelle :
1
Y ni j f =
j 4
n1 3 × 25 + 1× 35 + 1× 45
y1 = ∑ f j1 y j = = 31 ans
25 3 3/5 j =1 5
35 1 1/5
45 1 1/5 Variance conditionnelle :
55 0 0 4
2
V1 ( y ) = ∑ f j1 y 2j − ( y1 )
∑ 5 1 j =1
.
3 × 252 + 1× 352 + 1× 452
= − 312 = 64 ans 2
5
2.3. Relations entre les distributions conditionnelles et marginales
Lorsqu’une population ( P) est décrite suivant 2 caractères X et Y , la référence aux

distributions conditionnelles permet de considérer ( P) comme un mélange de sous-
populations. En effet, la distribution marginale de X résulte du mélange de distributions
n j
conditionnelles X avec ( j = 1,...., p ) , représentées en population f j ou .
Y = yj n
De même, la distribution marginale de Y résulte du mélange des r distributions

n
conditionnelles X avec (i = 1,....., r ) , représentées en proportions par fi ou i .
Y = xi n
2.3.1. Relation entre la moyenne marginale et les moyennes conditionnelles
La moyenne marginale est la moyenne des moyennes conditionnelles, pondérée par les fi ou
les f j selon la variable considérée.
p r
D’où : x = ∑ f j x j et y = ∑ fi × yi
j =1 i =1

2.3.2. Relation entre la variance marginale et les variances conditionnelles
La technique de la composition de la variance globale dans le cadre des mélanges de sous

populations donne :
Variance globale = moyenne des variances conditionnelles + variance des moyennes conditionnelles
p p
2
D’où les résultats suivants : V ( x) = σ x2 = ∑ f j ×V j ( x ) + ∑ f j x j − x ( )
j =1 j =1
r r
2
V ( y ) = σ y2 = ∑ fi × Vi ( y ) + ∑ fi ( yi − y ) .
i =1 i =1
2.3.3. Rapport de corrélation

2
Définition : On appelle rapport de corrélation de Y en X noté η y , la part de la variance des
x
r
2
∑ fi ( y − y )
i
moyennes conditionnelles de Y, c’est-à-dire : η y2 = . i =1
V ( y) x
De même, le rapport de corrélation de X en Y est la part de la variance marginale de X

2
représentée par la variance des moyennes conditionnelles de X et on le note η x , on a :
y
p
2
∑ f j ( x
j =1
j − x)
η 2x =
y V ( x)
Propriétés : le rapport de corrélation mesure le degré de dépendance fonctionnelle des
moyennes conditionnelles d’une variable en fonction de l’autre.
En général, on a : - η y2 ≠ η 2x
x y
- 0 ≤ η ≤ 1.
Si η y2 = 1, on dit que Y est lié fonctionnellement à X . De même, si η x2 = 1, on dit que X
x y
est lié fonctionnellement à Y .
2 2
Remarque : η y =0 ⇔ η x = 0 .
x y
2
Si η y ≠ 0 , alors on dit que Y est corrélée avec X .
x
2
Si η x ≠ 0 , alors on dit que X est corrélée avec Y .
y
Y yi
X
25 35 45 55 ni
3 3 1 1 0 5 31
5 1 5 0 0 6 33.33

7 0 1 3 0 4 42.5
9 0 0 1 2 3 51.66
1 0 0 2 0 2 45
n j 4 7 7 2 20
xj 3.5 5 7.86 9
4 4 n
j 4 × 3.5 + 7 × 5 + 7 × 7.86 + 2 × 9
x = ∑ fij x j = ∑ × xj = = 6.10 .
j =1 j =1 n 20
5
5 × 312 + 6 × 33.332 + 4 × 42.52 + 3 × 51.662 + 2 × 452 − 38.52
y = ∑ fi × yi = = 0.67 .
i =1 82.750
L’âge est donc corrélé avec le salaire horaire.
4 × 3.52 + 7 × 52 + 7 × 7.862 + 2 × 92
4 f j ( x j − x )
2
− 6.102
η 2x = ∑ = 20 = 0.561.
y j =1 V ( x) 6.59
2 2
Le salaire horaire est corrélé avec l’âge comme η y > η x , la corrélation de Y avec X est plus
x y
forte que celle de X avec Y .
3. INDÉPENDANCE STATISTIQUE
3.1. Définition
Si pour chaque valeur y j de Yi , la distribution conditionnelle de X est identique à la

Y = yj
distribution marginale de X , on dit que X est statistiquement indépendante de Y .
nij ni
X est statistiquement indépendant de Y si et seulement si : = ⇔ f i j = f i ∀ ( i, j ) .
n j n
3.2. Propriétés
Si X est statistiquement indépendant de Y , alors :
a) Y est aussi indépendant de X : on dit que X et Y sont indépendantes (l’une de

l’autre).
Preuve : On sait par définition que si X est indépendante de Y , alors on a :

nij ni nij n j
= ⇔ = ⇔ f ji = f j .
n j n n j n
b) nij × n = n j × ni ∀ (i, j ) ou encore fij = f j × fi .

nij × n n j ni
En effet, nij × n = n j × ni ⇔ = × .
n × n n n
n(i −1)( j −1) n(i −1) j

c) = ∀ (i, j ) , c’est-à-dire les lignes (ou les colonnes) du tableau de
ni( j −1) nij
contingence sont proportionnels entre elles :
Y y j −1 yj
-----------
X
-------------- ----------- ----------- ---------
xi −1 ----------- n(i −1)( j −1) n(i −1) j
xi ----------- ni( j −1) nij
d) Si y = yi (∀i ) , alors on a x = xj (∀j ) (Attention la réciproque est fausse).
CHAPITRE 4 : DESCRIPTION NUMÉRIQUE DES SÉRIES

STATISTIQUES À DEUX CARACTÈRES
1. COVARIANCE ET COEFFICIENT DE CORRÉLATION LINÉAIRE
1.1. Covariance

Définition : On appelle covariance de X et de Y la quantité notée cov ( X , Y ) qui est égale à

( )
la moyenne des produits ( xi − x ) y j − y pondérée par les fréquences fij .
r p r p
(
D’où : cov ( X , Y ) = ∑∑ fij ( xi − x ) y j − y = ∑∑ fij xi y j − xy . )
i =1 j =1 i =1 j =1
1.2. Coefficient de corrélation
Définition : On appelle coefficient de corrélation linéaire entre X et Y le rapport noté r ( x, y )

cov ( X , Y )
défini par r ( x, y ) = .
σ yσ x
Propriétés : a) −1 ≤ r ( x, y ) ≤ 1 ou encore r ( x, y ) ≤ 1
b) r ( x, y ) = r ( y, x )
c) Si r ( x, y ) = 0 , il n’existe pas de corrélations linéaires entre X et Y .
d) Si r ( x, y ) ≤ 1 (c’est-à-dire r ( x, y ) = ±1), on dit qu’il existe une relation afférée
entre X et Y , c’est-à-dire il existe un couple ( a, b ) tel que : y = ax + b .
e) r ( x, y ) mesure donc la dépendance linéaire entre X et Y et il n’est intéressant
que si r ( x, y ) est proche de 1.
Y 25 35 45 55
X
3 3 1 1 0
75 105 135 ×
5 1 5 0 0
125 175 × ×
7 0 1 3 0
× 245 315 ×
9 0 0 1 2
× × 405 495
11 0 0 2 0
× × 495 ×
On a alors :
5 4
∑∑ nij x y
i =1 j =1
i j
cov ( X , Y ) = − xy
n
3 × 75 + 1×105 + 1×125 + 5 ×175 + 1× 245 + 3 × 315 + 1× 405 + 2 × 495
⇔ cov ( X , Y ) = = 17.15 (> 0)
20
En moyenne X et Y évoluent dans le même sens.
cov ( X , Y ) 17.15
Calcul du coefficient de corrélation linéaire : r ( x, y ) = = = 0.73 .
σ xσ y 6.59 − 82.75
2. LIAISON FONCTIONNELLE

2.1. Définition
On dit que X est liée fonctionnellement à Y si à chaque modalité y j de Y , correspond à une

seule modalité de X : J → i = ϕ ( J ) (∀J ) .
2.2. Propriétés
P1 : Si X est liée fonctionnellement à Y , alors dans chaque colonne du tableau de contingence,

un case et une seule est non vide.
P2 : Si, en plus, à chaque modalité xi de X correspond une modalité unique de Y , la liaison

fonctionnelle est réciproque et dans ce cas, dans chaque ligne et dans chaque colonne du tableau,
−1
figure une et une seule case non vide, et on a : i → J = ϕ (i ) (∀i ) .
Y y1 y2 y3 y4 ni
X
x1 0 0 5 3 8 X est liée fonctionnellement à Y , cette liaison n’est pas
0 6 0 0 6
réciproque car Y n’est pas liée fonctionnellement à X .
x2
x3 9 0 0 0 9
n j 9 6 5 3 23
Autre exemple de tableau :
Y y1 y2 y3 y4 ni
X
x1 4 0 0 0 4
x2 0 0 0 5 5
La liaison fonctionnelle est réciproque.
x3 0 0 6 0 6
x4 0 5 0 0 5
n j 4 5 6 5 20
3. COURBES DE RÉGRESSION
On veut donner une interprétation graphique, à la notion de corrélation entre 2 variables X et
Y.
3.1. Définition
3.1.1. Nuage de points d’une série statistique à 2 variables


On appelle « nuage de points » d’une série statistique à 2 variables, la représentation graphique

( )
suivante : à chaque triplet xi , y j , nij du tableau de contingence, on associe, dans un repère
( )
orthogonal, un point M ij xi , y j dont la surface est proportionnelle à l’effectif nij du couple
(x , y ).
i j
Y ni yi
25 35 45 55
X
3 3 1 1 0 5 31
5 1 5 0 0 6 33.33
7 0 1 3 0 4 42.5
9 0 0 1 2 3 51.66
1 0 0 2 0 2 45
n j 4 7 7 2 20
xj 3.5 5 7.86 9

η y2 = 0.67 et η 2x = 0.561 , donc CY est meilleur que C X pour résumer le nuage de points.
x y X Y
3.1.2. Courbes de régression
la courbe de régression de Y en X notée CY

X
( )
est la courbe des points M i xi , y j .
la courbe de régression de X en Y notée C X est la courbe des points M ( x , y ) .

j i j
Y
Les surfaces des points M i et M j sont proportionnelles respectivement à ni et n j .


3.2. Relation entre courbes de régressions et le rapport de corrélation

r p
2 2
Les variances des moyennes conditionnelles ∑
i =1
fi ( yi − y ) et ∑ f j ( x
j =1
j − x ) sont les
variances expliquées respectivement par les courbes de régression CY et C X .

X Y
Si η 2
x = 0 , alors x j = x et C X est parallèle à ( Oy ) .
y Y
Si η 2
y = 0 , alors yi = y et CY est parallèle à ( Ox ) .
x X
L’absence de corrélation entre X et Y se traduit par le parallélisme des 2 courbes de régression
avec les axes.
C X
Y
yi = y CY
X
x j =x
- Si η 2x = 1 , X est liée fonctionnellement à Y et à la courbe de liaison fonctionnelle.
y
4. DROITES DE RÉGRESSION
On cherche à résumer au mieux le nuage de points M ij par une droite. Le critère utilisé est celui
« des moindres carrés ». Le problème de sa détermination relève de la méthode dite de
l’ajustement linéaire.
Préliminaires graphiques :

M i ( xi , axi + b )
yj ε ij
M ij ( xi , yi )
xi
Δ a pour équation : y = ax + b ; et on a : ε ij = y j − axi − b ( )
Problème à résoudre : peut-on trouver une droite Δ telle que :
r p nij 2
r p nij 2
∑∑ n × (ε ij ) =∑∑ × ( y j − axi − b )
i =1 j =1 i =1 j =1 n
soit minimale. La solution des problèmes pour l’écart ε ij compté parallèlement à l’axe des Y
est la droite de régression de y en x que l’on note par D y .
x
4.1. Équation de la droite de régression de y en x ( D y )

x
ˆ + bˆ , car les valeurs exactes de a et de b ne seront jamais

On notera cette équation par y = ax
connues, étant donné qu’en statistiques, on travaille surtout avec des échantillons. â et b̂ sont
donc, pour un échantillon donné, des valeurs approchées de a et de b , c’est-à-dire des valeurs
« estimées ».
cov ( X , Y )
aˆ = , c’est la pente ou le coefficient directeur de D y .
V (x) x
bˆ = y − ax
ˆ , c’est l’ordonnée à l’origine de D y .
x
L’équation bˆ = y − ax
ˆ traduit que D y passe par G ( x , y ) , qui est le centre de gravité du nuage
x
de points.
4.2. Équation de la droite de régression de x en y ( D x )

y
r p nij 2 r p nij 2
La droite D x est la droite qui rend minimale :
y
∑∑
i =1 j =1 n
× eij ( ) = ∑∑
i =1 j =1 n
× ( xi − a′y j − b′ )
eij Dx
y

yj M ij Mj
xi
L’équation de D x est mise sous la forme x = a′y + b′ , et eij = ( xi − a′y j − b′ ) .
y
L’erreur eij est un écart compté parallèlement à l’axe ( Ox ) . De la même manière que pour
cov ( X , Y )
D y , on obtient : aˆ ′ = et bˆ′ = x − aˆ ′ × y .
x V (Y )
Pour déterminer la pente et l’ordonnée à l’origine, on transforme l’équation x = aˆ ′y + bˆ′ en

1 bˆ′
y = x− .
aˆ ′ aˆ ′
1 bˆ′
On lit que la pente de D x est égale à et l’ordonnée à l’origine de D x est égale à − .
y â ′ y aˆ ′
Cas particulier : Pour les séries non classées {( x , y ,1) , i = 1,...., n}, les résultats sont les
i i
suivants :
⎛ n ⎞
⎜ ∑ xi yi ⎟ − ( n × xy )
cov ( X , Y ) ⎝ i =1 ⎠
pour D y : aˆ = = n ;
x V (x) ⎛ 2⎞ 2
⎜ ∑ ( xi ) ⎟ − n ( x )
⎝ i =1 ⎠
n
⎛ ⎞
⎜ ∑ xi yi ⎟ − ( n × xy )
cov ( X , Y ) ⎝ i =1 ⎠
pour D x : aˆ ′ = = n .
y V (Y ) ⎛ 2⎞ 2
⎜ ∑ ( yi ) ⎟ − n ( y )
⎝ i =1 ⎠
cov ( X , Y ) = 17.15 σ x2 = 6.59 σ y2 = 82.75 x = 6.1 y = 38.5

Équation de la droite de régression de Y en X : D y .

x
cov ( X , Y ) 17.15
aˆ = = = 2.6 L’équation de D y est donc :
σ x2 6.59 x
bˆ = y − ax
ˆ = 2.5 − 2.6 × 6.1 = 22.6 y = 2.6 x + 22.6 .
Équation de la droite de régression de X en Y : D x .

y
cov ( X , Y ) 17.15
aˆ ′ = 2
= = 0.207 L’équation de D x est donc :
σ y 82.75 y
1 1.88
bˆ′ = x − aˆ ′ × y = 6.1 − 0.207 × 38.5 = −1.88 y= x+ .
0.207 0.207
4.3. Coefficient de détermination
Pour apprécier la qualité d’un ajustement linéaire, on utilise l’indicateur suivant :

2
⎡cov ( X , Y )⎤⎦
R =⎣ 2
2
.
σ y × σ x2
R2 est le coefficient de détermination de l’ajustement linéaire. Plus il est élevé, meilleur est
l’ajustement.
Propriétés : a) R = r
2 2
( x, y ) , (carré du coefficient de corrélation linéaire)
b) 0 ≤ R 2 ≤ 1, car r ( x, y ) ≤ 1
c) Si R 2 = 1 , il existe une relation affine entre X et Y , les points M ij sont

alignés.
d) Si R 2 = 1, les deux droites d’ajustement sont parallèles aux axes.
e) R 2 = aˆ × aˆ ′
Preuve du e) :

cov ( X , Y ) cov ( X , Y )
aˆ = et aˆ ′ = ,
σ 2
x σ y2
2
cov ( X , Y ) cov ( X , Y ) ⎡⎣cov ( X , Y )⎤⎦
Donc on a : aˆ × aˆ ′ = 2
× 2
= 2 2
= R2 .
σx σy σ x ×σ y
2
2
R =
(17.15) 2
= 0.53 et r 2 ( x, y ) = (0.73) = 0.53 et aˆ × aˆ ′ = 2.6 × 0.207 = 0.53 .
6.59 × 82.75
Remarques : η y2 = 0.67 , η 2x = 0.561 et R 2 = 0.53 .

x y
Donc, on a : η y2 ≥ η 2x ≥ R 2 , alors c’est la courbe de régression CY qui est la meilleure pour

x y X
résumer le nuage de points.
RÉFÉRENCES BIBLIOGRAPHIQUES

DELMAS B. (2005), Statistique descriptive, Armand Colin, Fac Économie.

DUTHIL G. (1998), Initiation à la statistique descriptive, Ellipse Marketing.
GANKOU J.-M. (2015), Initiation aux méthodes statistiques : la statistique descriptive, Vol 1,
SOPECAM, 245 p.
GANKOU J.-M. (2015), Initiation aux méthodes statistiques : les éléments du calcul des
probabilités et d’induction statistique, Vol 2, SOPECAM, 281 p.
GANKOU J.-M. et R. NANTCHOUANG (1989), Mathématiques appliquées aux sciences
sociales, CEPER, Yaoundé.
GANKOU J.-M. et R. NANTCHOUANG (1986), Éléments de calcul des probabilités, CEPER,
Yaoundé.
GANKOU J.-M. et R. NANTCHOUANG (1985), Statistique descriptive, CEPER, Yaoundé.
GRAIS B. (2003), Statistique descriptive : Techniques statistiques, Dunod.
MOORE, D. S. et George P. McCABE (2002), Introduction to the Practice of Statistics, 4ème
édition, W.H. Freeman & Compa.
MAZEROLLE F. (2008), Statistique Descriptive, Notes de cours 2008.
TABLE DES MATIÈRES


INTRODUCTION GÉNÉRALE ............................................................................................................ 2

CHAPITRE 1 : LES SÉRIES STATISTIQUES À UN CARACTÈRE ............................................. 3
1. APPRÉHENSIONS STATISTIQUES............................................................................................ 3
1.1. Les diverses étapes d’une étude statistique................................................................................ 3
1.1.1. La collecte des données de base .......................................................................................... 3
1.1.2. L’analyse des données ........................................................................................................... 3
1.2. Population et unités statistiques .................................................................................................. 3
1.2.1. La population.......................................................................................................................... 4
1.2.2. Le caractère ............................................................................................................................. 4
1.2.3. La modalité ............................................................................................................................. 4
1.3. Les différents types de caractères ............................................................................................... 4
1.3.1. Les caractères qualitatifs ....................................................................................................... 5
1.3.2. Les caractères quantitatifs ..................................................................................................... 5
2. TABLEAUX ET GRAPHIQUES STATISTIQUES .................................................................... 5
2.1. Le rôle des tableaux statistiques .................................................................................................. 5
2.1.1. Le cas des séries qualitatives................................................................................................. 5
2.1.1.1. Les modalités.................................................................................................................. 5
2.1.1.2. Les fréquences................................................................................................................. 5
2.1.2. Le cas des séries quantitatives .............................................................................................. 6
2.1.2.1. Cas des séries quantitatives discrètes ........................................................................... 6
2.1.2.2. Cas des séries quantitatives continues ......................................................................... 6
2.2. Les représentations graphiques ................................................................................................... 7
2.2.1. Le cas d’un caractère qualitatif ............................................................................................. 7
2.2.1.1. Secteurs circulaires et semi-circulaires ......................................................................... 7
2.2.1.2. Les tuyaux d’orgue.......................................................................................................... 7
2.2.1.3. Les diagrammes en bande ............................................................................................. 7
2.2.2. Le cas de la variable quantitative ......................................................................................... 7
2.2.2.1. La variable discrète ......................................................................................................... 8
2.2.2.2. La variable statistique continue .................................................................................... 8
3. LES OPÉRATEURS « SOMME » ET « PRODUIT » ................................................................ 10
3.1. L’opérateur « somme » ( ........................................................................................................... 10
3.2. L’opérateur « produit » ( ........................................................................................................... 10
CHAPITRE 2 : DESCRIPTION NUMÉRIQUE DES SÉRIES STATISTIQUES À UN
CARACTÈRE ............................................................................................................................................. 12
1. LES PARAMÈTRES DE POSITION .......................................................................................... 12
1.1. Le mode ........................................................................................................................................ 12
1.1.1. Les séries à caractère quantitatif discret et les séries à caractère qualitatif .................. 12
1.1.2. Le cas de la variable statistique continue .......................................................................... 13
1.1.2.1. Cas des classes à amplitudes égales ............................................................................ 13
1.1.2.2. Cas des classes à amplitudes inégales ........................................................................ 13
1.2. La médiane ................................................................................................................................... 13
1.2.1. Le cas de la variable discrète .............................................................................................. 13
1.2.1.1. Le nombre d’observations est paire : k=2p .............................................................. 13
1.2.1.2. Le nombre d’observations est impaire : k=2p+1 .................................................... 13
1.2.2. Le cas de la variable continue ............................................................................................ 13
1.2.3. Généralisation de la notion de médiane : les quantiles d’ordre [ ................................ 14
1.2.3.1. Les quartiles (Q)............................................................................................................ 14
1.2.3.2. Les quintiles (q) ............................................................................................................. 14
1.2.3.3. Les déciles (D)............................................................................................................... 14
1.2.3.4. Les centiles (C) .............................................................................................................. 14
1.3. La moyenne .................................................................................................................................. 15

1.3.1. Définition, mode de calcul et propriétés .......................................................................... 15

1.3.2. La généralisation de la notion de moyenne...................................................................... 16
1.3.2.1. La moyenne quadratique ............................................................................................. 16
1.3.2.2. La moyenne harmonique ............................................................................................. 16
1.3.2.3. La moyenne géométrique ............................................................................................ 17
2. LES PARAMÈTRES DE DISPERSION ..................................................................................... 17
2.1. L’étendue ou le range.................................................................................................................. 17
2.2. Les intervalles inter-quantiles .................................................................................................... 17
2.2.1. L’écart inter-quartile (IQ) ................................................................................................... 17
2.2.2. L’intervalle inter-décile ........................................................................................................ 18
2.3. Les écarts absolus et relatifs....................................................................................................... 18
2.4. L’écart-type ou l’écart quadratique moyen .............................................................................. 19
2.4.1. Définition .............................................................................................................................. 19
2.4.2. Les propriétés de la variance .............................................................................................. 20
2.4.3. L’analyse de la variance d’un mélange de population ..................................................... 20
2.5. Les moments ................................................................................................................................ 21
3. LES PARAMÈTRES DE CONCENTRATION ........................................................................ 22
3.1. La médiale..................................................................................................................................... 22
3.1.1. La masse globale du caractère ............................................................................................ 22
3.1.2. Définition de la médiale ...................................................................................................... 22
3.1.3. Calcul algébrique de la médiale .......................................................................................... 22
3.2. La courbe de concentration ou la courbe de LORENZ ....................................................... 23
3.3. L’indice de GINI ou le coefficient de concentration de GINI (M) ..................................... 24
4. LES PARAMÈTRES DE FORME ................................................................................................ 24
4.1. Le coefficient d’asymétrie .......................................................................................................... 24
4.1.1. Le coefficient d’asymétrie de Pearson .............................................................................. 24
4.1.2. Le coefficient d’asymétrie de Yules................................................................................... 24
4.1.3. Le coefficient d’asymétrie de Fisher ................................................................................. 25
4.1.4. Interprétations et représentations graphiques ................................................................. 25
4.2. Le coefficient d’aplatissement ................................................................................................... 26
4.2.1. Le coefficient d’aplatissement de Pearson ....................................................................... 26
4.2.2. Le coefficient d’aplatissement de Yules ........................................................................... 26
4.2.3. Interprétations et représentations graphiques ................................................................. 26
CHAPITRE 3 : LES DISTRIBUTIONS STATISTIQUES À DEUX CARACTÈRES ............... 27
1. TABLEAU DE CONTINGENCE ................................................................................................ 27
2. DISTRIBUTIONS MARGINALES ET CONDITIONNELLES .......................................... 28
2.1. Distributions marginales ............................................................................................................ 28
2.2. Distributions conditionnelles .................................................................................................... 30
2.3. Relations entre les distributions conditionnelles et marginales ............................................ 32
2.3.1. Relation entre la moyenne marginale et les moyennes conditionnelles....................... 32
2.3.2. Relation entre la variance marginale et les variances conditionnelles .......................... 33
2.3.3. Rapport de corrélation ........................................................................................................ 33
3. INDÉPENDANCE STATISTIQUE ............................................................................................ 34
3.1. Définition ..................................................................................................................................... 34
3.2. Propriétés...................................................................................................................................... 34
CHAPITRE 4 : DESCRIPTION NUMÉRIQUE DES SÉRIES STATISTIQUES À DEUX
CARACTÈRES ........................................................................................................................................... 35
1. COVARIANCE ET COEFFICIENT DE CORRÉLATION LINÉAIRE ........................... 35
1.1. Covariance .................................................................................................................................... 35
1.2. Coefficient de corrélation .......................................................................................................... 36
2. LIAISON FONCTIONNELLE ..................................................................................................... 36

2.1. Définition ..................................................................................................................................... 37

2.2. Propriétés...................................................................................................................................... 37
3. COURBES DE RÉGRESSION ..................................................................................................... 37
3.1. Définition ..................................................................................................................................... 37
3.1.1. Nuage de points d’une série statistique à 2 variables...................................................... 37
3.1.2. Courbes de régression ......................................................................................................... 38
3.2. Relation entre courbes de régressions et le rapport de corrélation ..................................... 39
4. DROITES DE RÉGRESSION ...................................................................................................... 39
4.1. Équation de la droite de régression de y en x ( D y ) ............................................................. 40
x
4.2. Équation de la droite de régression de x en y ( D x ) ........................................................ 40
y
4.3. Coefficient de détermination ..................................................................................................... 42
CHAPITRE 5 : LES INDICES STATISTIQUES ............................................................................... 43
1. INDICE ÉLÉMENTAIRE ET INDICE SYNTHÉTIQUEErreur ! Le signet n’est pas
défini.
1.1. Indice élémentaire ..........................................................Erreur ! Le signet n’est pas défini.
1.2. Indice synthétique ..........................................................Erreur ! Le signet n’est pas défini.
2. DEFINITION DE LA VALEUR D'UN PANIER DE BIENSErreur ! Le signet n’est pas
défini.
3. L’INDICE DE LASPEYRES .............................................Erreur ! Le signet n’est pas défini.
3.1. Indice d’évolution des prix ...........................................Erreur ! Le signet n’est pas défini.
3.2. Indice d'évolution des quantités...................................Erreur ! Le signet n’est pas défini.
4. LES AUTRES INDICES ....................................................Erreur ! Le signet n’est pas défini.
4.1. L’indice de Paashe .........................................................Erreur ! Le signet n’est pas défini.
4.2. L’indice de Fisher ...........................................................Erreur ! Le signet n’est pas défini.
4.3. L’indice de valeur totale ................................................Erreur ! Le signet n’est pas défini.
CHAPITRE 6 : LES CHRONIQUES .......................................Erreur ! Le signet n’est pas défini.
1. LES DIFFÉRENTS MOUVEMENTS D’UNE CHRONIQUEErreur ! Le signet n’est
pas défini.
1.1. Le trend ............................................................................Erreur ! Le signet n’est pas défini.
1.2. Le mouvement cyclique ................................................Erreur ! Le signet n’est pas défini.
1.3. Le mouvement saisonnier .............................................Erreur ! Le signet n’est pas défini.
1.4. Les variations accidentelles ou résiduelles ..................Erreur ! Le signet n’est pas défini.
2. LES SCHÉMAS DE COMPOSITION D’UNE CHRONIQUEErreur ! Le signet n’est
pas défini.
2.1. Les schémas additifs ......................................................Erreur ! Le signet n’est pas défini.
2.2. Les schémas multiplicatifs ............................................Erreur ! Le signet n’est pas défini.
3. LES MÉTHODES DE DÉCOMPOSITION D’UNE CHRONIQUEErreur ! Le signet
n’est pas défini.
3.1. Les méthodes empiriques..............................................Erreur ! Le signet n’est pas défini.
3.1.1. Le procédé des moyennes cycliques ....................Erreur ! Le signet n’est pas défini.
3.1.2. Le procédé des moyennes partielles .....................Erreur ! Le signet n’est pas défini.
3.1.3. Le procédé des moyennes échelonnées ...............Erreur ! Le signet n’est pas défini.
3.1.4. Le procédé des moyennes mobiles ......................Erreur ! Le signet n’est pas défini.
3.2. Les méthodes analytiques..............................................Erreur ! Le signet n’est pas défini.
3.2.1. La forme linéaire .....................................................Erreur ! Le signet n’est pas défini.
3.2.2. La forme exponentielle ..........................................Erreur ! Le signet n’est pas défini.
4. DÉTERMINATION DU MOUVEMENT SAISONNIERErreur ! Le signet n’est pas
défini.
4.1. Cas du modèle additif ....................................................Erreur ! Le signet n’est pas défini.

Chapitre Ii PDF

Încărcat de

Informații document

Titlu original

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

Chapitre Ii PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Cours de Statistiques appliquées aux sciences sociales Prof.

CHAPITRE 2 : DESCRIPTION NUMÉRIQUE DES SÉRIES

1. LES PARAMÈTRES DE POSITION

Université de Yaoundé II-Soa 12 Année académique 2019-2020

1.1.2. Le cas de la variable statistique continue

1.1.2.1. Cas des classes à amplitudes égales

1.1.2.2. Cas des classes à amplitudes inégales

Exemple : répartition des étudiants de L1 dans un groupe de TD selon leurs notes.

Notes [0 - 5[ [5 - 8[ [8 - 10[ [10 - 20[ Total

C’est la valeur de la variable statistique qui partage la distribution en 2 sous-ensembles

1.2.1. Le cas de la variable discrète

1.2.1.1. Le nombre d’observations est paire : k=2p

1.2.1.2. Le nombre d’observations est impaire : k=2p+1

Rq : il n’existe généralement pas de médiane dans le cas de la variable statistique discrète.

1.2.2. Le cas de la variable continue

Soit le graphique suivant :

1.2.3. Généralisation de la notion de médiane : les quantiles d’ordre t

Soit F la fonction de répartition de quantiles d’ordre [, avec 2  [  3 et xα la solution ou la

1.2.3.1. Les quartiles (Q)

1.2.3.2. Les quintiles (q)

1.2.3.3. Les déciles (D)

1.2.3.4. Les centiles (C)

1.3.1. Définition, mode de calcul et propriétés

pondérée. La formule change et devient : ∑n x i i

Exemple : soit la série des poids des étudiants de l’INSEG.

aX + b = ∑ fi (axi + b) = ∑ f i axi + ∑ f ib = a ∑ f i xi + b∑ f i =aX + b

1.3.4. La moyenne arithmétique provisoire

1.3.2. La généralisation de la notion de moyenne

1.3.2.1. La moyenne quadratique

1.3.2.2. La moyenne harmonique

En considérant les effectifs, la formule se note :

Université de Yaoundé II-Soa 16 Année académique 2019-2020

1.3.2.3. La moyenne géométrique

Conclusion : « le logarithme de la moyenne géométrique est égal à la moyenne arithmétique

Pour une variable statistique X, les différentes moyennes, harmonique, géométrique,

RQ1 : Lorsque E  ?  ? , la distribution est parfaitement symétrique.

2. LES PARAMÈTRES DE DISPERSION

2.1. L’étendue ou le range

2.2. Les intervalles inter-quantiles

2.2.1. L’écart inter-quartile (IQ)

l’inter-quartile, on peut déterminer l’inter-quartile relatif. C’est le rapport entre l’interquartile

Ex : le tableau ci-dessous donne la distribution des notes obtenues au 1er CC de statistique.

TAF : calculer l’étendue et l’interquartile relatif.

Q1=5+2[(0.25-0.1)/(0.3-0.1)]=6.5 ; Q2=7.8 ; Q3=8+1[(0.75-0.55)/(0.85-0.55)]=8.67 ; IQ=2.17 et

 6,5 7,8 8,67 10

2.2.2. L’intervalle inter-décile

2.3. Les écarts absolus et relatifs

Soit une série statistique X : Eu , Ev , …, E . On appelle :

différence par rapport à un scalaire [ donné, la série d’observations : Y  [;

écart absolu moyen par rapport à la moyenne, l’expression :  L Y  E . À partir

Disciplines Notes Coefs

2.4. L’écart-type ou l’écart quadratique moyen

RQ : une grande proportion des observations se trouve entre E  l et E  l ou entre E  4l

2.4.2. Les propriétés de la variance

Rq1 : Si X et Y sont indépendants, DE  F  DE  F.

2.4.3. L’analyse de la variance d’un mélange de population

Université de Yaoundé II-Soa 20 Année académique 2019-2020

Calcul des contributions des différentes variances à l’explication de la variabilité totale :

2.5. Les moments

Université de Yaoundé II-Soa 21 Année académique 2019-2020

3. LES PARAMÈTRES DE CONCENTRATION

La notion de concentration concerne uniquement les variables statistiques à caractère continu,

3.1.1. La masse globale du caractère

Soit F la fonction de répartition de quantiles d’ordre [, avec 2 [ 3 et xα la solution ou la

RQ1 : Lorsque E ? ? , la distribution est parfaitement symétrique.

6,5 7,8 8,67 10

différence par rapport à un scalaire [ donné, la série d’observations : Y [;

écart absolu moyen par rapport à la moyenne, l’expression : L Y E . À partir

RQ : une grande proportion des observations se trouve entre E l et E l ou entre E 4l

Rq1 : Si X et Y sont indépendants, DE F DE F.

si M 2, la courbe de Lorenz coïncide avec la première bissectrice (égalité absolue) ;

Y Zu Zv --- Z --- Z R