Cours Statistique Déscriptive L1 2023

L1 : Module Proba/Stat.
Coordination - Statistique descriptive
Partie I : Statistique simple

La statistique descriptive est un ensemble de méthodes, permettant de décrire,
présenter, résumer des données afin de les rendre compréhensibles par tous. C’est à la
fois une science, une méthode et un ensemble de techniques.
Ces méthodes peuvent être numériques et mener à des représentations graphiques.
L’objectif de la Statistique Descriptive est de décrire de façon synthétique des données
observées pour mieux les analyser.
1- Définitions :
a- On appelle population , un ensemble d’éléments homogènes auxquels on
s’intéresse. Par exemple, les étudiants d’une section, les familles des
travailleurs, les enseignants d’une université, les élèves d’une école…., cet
ensemble (population) est noté par 
b- Les éléments de la population sont appelées individus ou unités statistiques.
Ces éléments sont notés : i
c- Chaque individu d’une population, peut être décrit selon une ou plusieurs
variables qui peuvent être des caractéristiques qualitatives ou quantitatives.
Des observations concernant un thème particulier ont été effectuées sur ces
individus. La série de ces observations forme ce que l’on appelle une variable
statistique. Par exemple, les notes des étudiants à l’examen, les Mentions qu’ils
ont obtenues à leur Bac, leur Sexe, les Couleurs de leurs Yeux, le Nombre
d’enfants par famille, ….. . Il s’agit d’étudier un caractère . Les réponses
possibles données sont appelés modalités. Il y a deux types de caractère (ou
variable) :
Qualitatif : Si les modalités sont des qualités (ne sont pas mesurables), par
exemple :
 Couleur des Yeux, les modalités de la variable sont : Bleu, Marron,
Noir et Vert .
 Mention au Bac, les modalités de la variable sont : TB, B, AB et P.
On distingue deux types de variables qualitatives :

Les variables qualitatives ordinales et les variables qualitatives nominales.
Plus précisément une variable qualitative est dite ordinale, lorsque ses
modalités peuvent être classées dans un certain ordre naturel (par exemple le
cas de la variable Mention au Bac, le grade des enseignants), une variable
qualitative est dite nominale, lorsque ses modalités ne peuvent pas être classées
(Par exemple le cas de la variable Couleur des Yeux ou le groupe sanguin.)
Quantitatif :
Un caractère est dit quantitatif si toutes les modalités sont mesurables,
On distingue 2 types de caractères quantitatifs :
 Caractère quantitatif discret, si les modalités sont des valeurs isolées,
appartiennent à un ensemble dénombrable. Par exemple le nombre
d’enfants par famille.
 caractère quantitatif continu, les modalités peuvent prendre toute valeur
dans un intervalle. Par exemple la moyenne obtenue appartient à l’intervalle
[0, 20].
La coordinatrice Mme Laboudi

Page 1
L1 : Module Proba/Stat. Coordination - Statistique descriptive
d- On appelle échantillon, un sous ensemble de la population, lorsque

l’échantillon est choisit au hasard, on dit qu’on a un échantillon aléatoire.
Population
Caractère
Qualitatif Quantitatif
Nominal Ordinal Discret Continu
Groupe sanguin Mention du bac Nombre d’absences La moyenne obtenue

Situation familiale Grade des enseignants Nombre de pièces La taille
Couleur
2- des yeux Le poids
2- Variable statistique :
On appelle statistique à une dimension, l’application notée X, définie d’un ensemble
 fini appelé population, vers un ensemble  appelé ensemble des valeurs du
caractère.
  X  
X: 
 X  

Pour chaque individu  , on associe la valeur prise par le caractère mesuré X   .
Exemples :
1-  : les étudiants admis au baccalauréat
X : La mention du bac
X  :{passable, AB , B, TB, Excellent }
2-  : les enseignants universitaire

X : situation familiale
X  : {célibataire, marié, divorcé, veuf}
3-  : les travailleurs d’une entreprise

X : le nombre d’enfants
X  :{0 ,1 2, 3, 4, 5, 6..}
4-  : les étudiants d’une section

X : la moyenne générale obtenue
X  : [0 , 20]

Page 2
3- Tableau statistique :
a. Cas discret :
Soit X une statistique à une dimension, supposons que :
X(  ) = x1 , x 2 ,..., x k .
 Effectif de la valeur xi : c’est le nombre de fois que cette valeur se répète dans
la population, ce nombre est noté ni .
 Effectif cumulé en xi : c’est la somme de tous les effectifs précédents, ce
i
nombre est noté n~i   n j = n1  n2  ...  ni .
j 1
ni
 Fréquence de la valeur xi , le nombre noté fi  .
n
k
nest la taille de l’échantillon ( n   ni  n1  n2  .....nk ).
i 1
~ i n~i
 Fréquence cumulée en xi : f i   f j  .
j 1 n
Les résultats concernant les observations, sont présentés dans un tableau, en
présentant les modalités numériques en ordre croissant, et en donnant les
effectifs, effectifs cumulés, fréquences et fréquences cumulées.
modalité Effectif Effectif fréquence Fréquence

cumulé cumulée
x1 n1 n1 f1 f1
x2 n2 n1  n2 f2 f1  f 2
. . .
. . .
xk nk n fk 1
k k
 ni  n  fi  1
i 1 i 1
Exemple 1 :
On a noté le nombre d'enfants X de 20 familles.
On a les résultats suivants:
X 1 1 2 1 2 0 3 2 0 2
2 1 3 2 4 1 3 4 3 2
On représente les données dans un tableau statistique :

Page 3
 
xi ni ni fi fi
0 2 2 0.1 0.1
1 5 7 0.25 0.35
2 7 14 0.35 0.7
3 4 18 0.2 0.9
4 2 20 0.1 1
total 20 1
1- La population  : les 20 familles

Le caractère étudié X : le nombre d’enfants
La nature : quantitatif discret
2- Les modalités du caractère : X    0,1,2,3,4
l’effectif de la 2ième modalité : n 2  5
3- Combien de familles ont au moins 1 enfant ?: 18
4- Combien de familles ont plus de deux enfants ?: 20-14=4+2
b. Cas continu :
Soit X une statistique à une dimension, supposons que X(  ) = [a , b] tel que cet
intervalle soit subdivisé en k classes :
a0 , a1, a1, a2 ,....,ak 1 , ak  . Avec : a0  a et ak  b
classe ai 1 , ai  , c’est le nombre de valeurs du caractère qui
ème
a- Effectif de la i
sont dans cette classe.
b- Effectif cumulé en a i , le nombre n ~  i n

i j
j 1
ni
c- Fréquence de la i ème classe ai 1 , ai  , le nombre fi  .
n
~ i n~i
d- Fréquence cumulée en a i : fi   f j  .
j 1 n
Les classes Effectif fréquence

a0 , a1 n1 f1
a1 , a2  n2 f2
. . .
. . .
. . .
ak 1 , ak  nk fk
k k
 ni  n  fi  1
i 1 i 1

Page 4
Exemple 2:
Soient les données suivantes relevées sur un échantillon de 100 étudiants:
Compléter Le tableau statistique suivant:
 
Taille (cm) ni ni fi fi
[150 ; 160 [ 5
[160 ; 170 [ 10
[170 ; 180 [ 40
[180 ; 190 [ 30
[190 ; 200 [ 15
4- Séries statistiques :
Définition :
 Le couple xi  , ni i 1, p est appelé série statistique discrète.
 Le couple ai 1 , ai , ni i 1, p est appelé série statistique continue.
5- Représentations graphiques :
a. Caractère qualitatif :
 Représentation en secteurs circulaires :

On appelle diagramme en secteurs circulaire, le cercle contenant toutes les
modalités du caractère étudié, tel que la i ème modalité soit représentée par l’angle
 i  2  f i ( f i est la fréquence de la i ème modalité).
 Représentation en tuyaux d’orgues :

On appelle représentation en tuyaux d’orgues d’un caractère qualitatif, un
rectangle obtenu pour la i ème modalité, en prenant une base constante et une
hauteur proportionnelle à l’effectif ni .
Exemple 3 :
Le tableau suivant donne la répartition selon le groupe sanguin de 1000 individus
pris au hasard
Le groupe sanguin A B AB O total

Les effectifs 350 50 100 500 1000
Les fréquences 0.35 0.05 0.1 0.5 1
i  2 fi 126° 18 36° 180° 360°

Page 5
 Représentation en secteurs circulaires :
A
B
AB
O
 Représentation en tuyaux d’orgues :
600
500
400 O
AB
300
B
200
A
100
0
AB O
b. Représentations graphiques du caractère quantitatif discret :

Diagramme en bâtons :
 
 Soit xi , ni i 1, p une série statistique discrète. On appelle diagramme en
bâtons, la figure obtenue, en plaçant dans un repère orthonormé, les valeurs xi
en abscisses et les effectifs ou les fréquences en ordonnées. Et on trace des
segments parallèlement à l’axe des ordonnés.
 On appelle polygone des effectifs (ou des fréquences), la ligne polygonale

joignant les sommets des bâtons.
c. Représentations graphiques du caractère quantitatif continu :

Histogramme :
Soit  ai 1 , ai , ni i 1, p ou  ai 1 , ai , fi i 1, p une série statistique

continue.
 On appelle histogramme de cette série, la figure obtenue en plaçant les classes
sur l’axe des abscisses, et les nombres ni ( ou f i ) sur l’axe des ordonnées, et
on obtient des rectangles.

 La ligne polygonale joignant les milieux des bandes supérieurs des rectangles,
s’appelle polygone des effectifs (ou des fréquences) de la série.

Page 6
6- Paramètres de caractérisation :
a- Etendu :
Etendu de la série, est le nombre noté e  X max  X min .
b- Amplitude :

Soit ai 1 , ai , ni i 1, p une série statistique continue, on appelle amplitude
e
de la classe ai 1, ai  , le nombre noté am  , ou k est le nombre de classes.
k
Remarque :
Pour le moment, on choisit des classes de même amplitude. Diverses formules
empiriques permettent d’établir le nombre de classes pour un échantillon de taille
n . On choisit le nombre de classes k  E  n . (E : la partie entière)
Exemple 4 :
On a noté la moyenne (X) obtenue de 30 étudiants. On a les résultats suivants:
X 12 10 8 13.5 10 17 10.5 8.5 13.5 11.5

13 11.5 9 7 8 14 7 5 9.5 6
2 3 4 3 6 10 9 9 12 13
 La population étudiée : l’ensemble des 30 étudiants

 Le caractère étudié : la moyenne obtenue
 Sa nature : Quantitatif continu
 L’étendue de la série statistique : e  X max  X min 17  2  15
 Le nombre de classes : k  E  
30  5
e 15
 L’amplitude : am   3
k 5
 Le tableau statistique : des effectifs, des effectifs cumulés, fréquences et fréquences
cumulés :

Page 7
 
La moyenne ni ni fi fi
[2 ; 5 [ 4 4 0.13 0.13
[5 ; 8 [ 5 9 0.17 0.3
[8 ; 11 [ 11 20 0.37 0.67
[11 ; 14 [ 8 28 0.27 0.94
[14 ; 17 ] 2 30 0.06 1
total 30 1
12
10
[2 ; 5 [
8
[5 ; 8 [
6 [8 ; 11 [
[11 ; 14 [
4
[14 ; 17 ]
2
7. Fonction de répartition :
a- Cas discret :
On appelle fonction de répartition, la fonction notée F :
F : R  0 ,1
x  F ( x)   f i
x  xi
F est une fonction en escalier, continue sur chaque intervalle xi 1 , xi  , et les xi
sont les points de discontinuité.
b- Cas continu :
On appelle fonction de répartition, la fonction notée F :
F : R  0 ,1
i 1 x  ai 1
x  F ( x)   f j  f i ,  x ai 1 , ai 
j 1 ai  ai 1
Pour les données de l’exemple 2 :

Page 8
 
[2 ; 5 [ 4 4 0.13 0.13
[5 ; 8 [ 5 9 0.17 0.3
[8 ; 11 [ 11 20 0.37 0.67
[11 ; 14 [ 8 28 0.27 0.94
[14 ; 17 ] 2 30 0.06 1
total 30 1
i 1 x  ai 1
F ( x)   f j  fi ,  x ai 1 , ai 
j 1 ai  ai 1
0 x 2
 x2
0  . 0.13 x  2,5
 52
 x 5
0.13  . 0.17 x  5,8
 8  5
 x 8
F  x   0.3  . 0.37 x  8,11
 11  8
 x  11
0.67  14  11 . 0.27 x  11,14

0.94  x  14 . 0.06 x  14, 17 
 17  14
1 x  17


Page 9
Remarque :
Le graphe de la fonction de répartition, appelé courbe cumulative, peut s’obtenir
directement à partir de l’histogramme des fréquences cumulées en joignant les
sommets internes des rectangles.
7- Les paramètres de tendance centrale et de position :

a- Le mode :
 Cas discret :
On appelle Mode d’une série statistique discrète, noté M 0 , toutes valeurs
du caractère, qui correspond à l’effectif le plus élevé.
 
xi ni ni fi fi
0 2 2 0.1 0.1
1 5 7 0.25 0.35
2 7 14 0.35 0.7
3 4 18 0.2 0.9
4 2 20 0.1 1
total 20 1
M 0 =2 : le plus grand nombre de familles, ont le nombre d’enfants = 2
 Cas continu :
On appelle classe modale, la classe qui correspond à l’effectif le plus élevé.
Si la classe modale est unique, alors le mode est calculé par la formule
d’interpolation suivante :
d1
M 0  LM 0  am
d1  d 2 0
Avec :
LM 0 la borne inferieure de la classe modale.
d1 : l’effectif de la classe modale – l’effectif précédent.
d 2 : l’effectif de la classe modale – l’effectif suivant.
am0 : l’amplitude de la classe modale
 
[2 ; 5 [ 4 4 0.13 0.13
[5 ; 8 [ 5 9 0.17 0.3
[8 ; 11 [ 11 20 0.37 0.67
[11 ; 14 [ 8 28 0.27 0.94
[14 ; 17 ] 2 30 0.06 1
total 30 1

Page 10
M 0  LM 0 
d1
a m0  8 
11  5 3  8  4 .3  10
d1  d 2 11  5  11  8 6
Le plus grand nombre d’étudiants, ont eu une moyenne  10
b- La médiane :
 Cas discret :
Soit x1  x2  ...  xn un échantillon discret.
n
On appelle médiane de cette série, la valeur notée M ed , telle que
2
n
valeurs sont inferieurs et valeurs sont supérieurs.
2
 xn  xn
 2 1
2
 si n pair
M ed   2
 x n 1 si n impair

 2
 
xi ni ni fi fi
0 2 2 0.1 0.1
1 5 7 0.25 0.35
2 7 14 0.35 0.7
3 4 18 0.2 0.9
4 2 20 0.1 1
total 20 1
x x 22
M ed  10 11  2
2 2
50% de familles ont le nombre d’enfants  2
 Cas continu :
On appelle classe médiane, la 1° classe dont l’effectif cumulé soit supérieur
n
ou égal à . On calcule la médiane par la formule d’interpolation
2
n 
  ncummed 
suivante : M ed  LM 
2 a
ed med .
nmed
Avec : LMed : la borne inferieure de la classe médiane.
ncummed : l’effectif cumulé jusqu’à la classe médiane
nmed : l’effectif de la classe médiane.
a med : l’amplitude de la classe médiane

Page 11
 
[2 ; 5 [ 4 4 0.13 0.13
[5 ; 8 [ 5 9 0.17 0.3
[8 ; 11 [ 11 20 0.37 0.67
[11 ; 14 [ 8 28 0.27 0.94
[14 ; 17 ] 2 30 0.06 1
total 30 1
n 
  ncummed 
M ed  LM ed 
2 a 15  9 .3  9.63
med  8 
nmed 11
50% d’étudiants ont eu une moyenne  9.63
c. Les quantiles :
Soit X une statistique telle que x1  x2  ...  xn , et soit    0 ,1  .
On appelle quantile d’ordre  , la valeur notée Q tel que n  valeurs sont  Q et
n  n  valeurs sont  Q .
En pratique :
 x n   x n  1
 si n   N
 Cas discret : Q   2
 x E n    1 si n   N

 Cas continu :
On détermine d’abord la classe  l1 ,l2  , la 1° classe dont l’effectif
cumulé soit  n .
n  ncuml1
Q  l1  am
nl1 l 2 
ncum l1 : l’effectif cumulé jusqu’à l1
nl1 ,l2  : l’effectif de la classe  l1 ,l 2 
am : l’amplitude de la classe  l1 ,l 2  .
Remarque :
On peut déterminer graphiquement les quantiles d’ordre  , à partir du graphe de la
courbe cumulative.

Page 12
Cas particuliers :
i. Les quartiles :
Il y a 3 quartiles Q1 , Q2 , Q3 .
Le premier quartile Q1 est le quantile d’ordre   0.25
Le deuxième quartile Q2 est le quantile d’ordre   0.5
Le troisième quartile Q3 est le quantile d’ordre   0.75
ii. Les déciles :
i
Il y a 9 déciles D1 , D2 ,...., D9 . Le i ème décile est le quantile d’ordre  .
10
iii. Les centiles :
i
Il y a 99 centiles C1 , C 2 ,...., C99 . Le i ème centile est le quantile d’ordre  .
100
Exemples :
Pour les deux exemples 1 et 2 ,vu précédemment, calculer les quantiles d’ordre
0.25, 0.7 et 0.75
Cas discret (exemple 1)

 
xi ni ni fi fi
0 2 2 0.1 0.1
1 5 7 0.25 0.35
2 7 14 0.35 0.7
3 4 18 0.2 0.9
4 2 20 0.1 1
total 20 1
x x
  0.25  n  5  N  Q0.25  5 6  1
2
x x
  0.7  n 14 N  Q0.7  14 15  2.5
2
x x
  0.75  n 15  N  Q0.75  15 16  3
2
Cas continu : (exemple 2)
La moyenne  
ni ni fi fi
[2 ; 5 [ 4 4 0.13 0.13
[5 ; 8 [ 5 9 0.17 0.3
[8 ; 11 [ 11 20 0.37 0.67
[11 ; 14 [ 8 28 0.27 0.94
[14 ; 17 ] 2 30 0.06 1
total 30 1

Page 13
7.5  4
   0.25  n  7.5  Q0.25  5,8  Q0.25  5  .3  7.1 25%
5
ont eu une moyenne  7.1
 La médiane : M ed  9.63
21  20
   0.7  n  21  Q0.7  11,14  Q0.75  11  .3 11.37
8
70% ont eu une moyenne 11.37 ? donc 30%ont eu une moyenne 11.37
   0.75  n  22.5  Q0.75  11,14 

22.5  20
Q0.75  11  .3 11.93 , Donc 75% ont eu une moyenne 11.93 .
8
Remarque :
On peut déterminer graphiquement les quantiles d’ordre  , à partir du graphe de la
courbe cumulative :
d. La moyenne arithmétique :
 
Soit xi , ni i 1, p respectivement  ai 1 , ai , ni i 1, p une série statistique
discrète (respectivement continue).
On appelle moyenne arithmétique d’une série statistique, le nombre noté X , défini

par :
1 k
X   ni X i dans le cas discret
n i 1
1 k
X   ni Ci Dans le cas continu avec C i est le centre de classe.
n i 1
Cas discret :
xi ni ni xi
0 2 0
1 5 5
2 7 14
3 4 12
4 2 8
total 20 39
1 k 39
X  ni X i   1.95
n i 1 20

Page 14
Cas continu :
La moyenne Le ni ni Ci
centre
[2 ; 5 [ 3.5 4 14
[5 ; 8 [ 6.5 5 32.5
[8 ; 11 [ 9.5 11 104.5
[11 ; 14 [ 12.5 8 100
[14 ; 17 ] 15.5 2 31
total 30 282
1 k 282
X  ni Ci   9.4
n i 1 30
Forme de la distribution :
Distributions uni-modales dissymétriques (à droite ou à gauche)
mod  med  Moy : mod  med  Moy mod  med  Moy
Etalement à droite Etalement à gauche Distribution est symétrique
Dans l’exemple 1 : cas discret :
Le Mode=2, la médiane=2 et la moyenne arithmétique=1.95
mod  med  Moy :la distribution est presque symétrique, un très léger étalement à gauche .
Dans l’exemple 2 : cas continu :
Le mode =10 , La médiane =9.63, La moyenne arithmétique=9.4
mod  med  Moy Donc on a un étalement à gauche

Page 15
8- Les paramètres de dispersion

a. L’étendue :
L’étendue est la différence entre la plus grande et la plus petite des valeurs
observées : e  X max  X min , cette mesure ne dépend que des valeurs
extrêmes, et que la forme de la distribution entre les valeurs extrêmes n’influe
pas sur l’étendue.
b. L’étendue interquartile :
Par les définitions des quartiles, l’intervalle interquartile Q1 , Q3 
Contient 50% des observations centrales, sa longueur EIQ (Etendue
interquartile) est un indicateur de dispersion :
EIQ= Q3  Q1
Plus généralement, les longueurs des fourchettes définies par les déciles
extrêmes et les centiles extrêmes, constituent des indicateurs de dispersion
contenant respectivement 80% et 98% des observations centrales.
c. La variance- L’écart-type :
 On appelle variance de cette série, le nombre noté V (x) ou  2 X 
défini par :
2 2
  X    ni xi  X  (Respectivement  ni Ci  X  ).
2 1 k 1 k
n i 1 n i 1
 On appelle écart-type de la série, le nombre noté

  X   la var iance( X ) .
Proposition :
2
  X  V  X   ni xi  X    ni xi2  X 2 .
2 1 k 1 k
n i 1 n i 1
Démonstration :
2
  X   V  X    ni xi  X 
2 1 k
n i1
  ni xi2  X 2  2 xi X 
1 k
n i1
1 k 1 k 1 k
  ni xi   ni X  2  ni xi X
2 2
n ii n ii n ii

k
1
  ni xi2  X 2  2 X 2
n ii
1 k
  ni xi2  X 2
n ii

Page 16
Le paramètre V (x) mesure la distance moyenne entre X et les valeurs de X . Il sert à

mesurer la dispersion d’une série statistique autour de sa moyenne.
 Plus il est petit, plus les caractères sont concentrés autour de la moyenne
(on dit que la série est homogène).
 Plus il est grand, plus les caractères sont dispersés autour de la moyenne
(on dit que la série est hétérogène).
Reprenons les exemples 1 et 2, pour calculer la variance.
Cas discret exemple 1 :

xi ni ni xi ni xi2
0 2 0 0
1 5 5 5
2 7 14 28
3 4 12 36
4 2 8 32
total 20 39 101
1 k 39
X  ni X i   1.95
n i 1 20
1 k 101
V  X    ni xi2  X 2   1.95 2  1.247  1.25
n i 1 20
Cas continu : exemple 2

La moyenne Ci ni ni Ci ni C 2i
[2 ; 5 [ 3.5 4 14 49
[5 ; 8 [ 6.5 5 32.5 211.25
[8 ; 11 [ 9.5 11 104.5 992.75
[11 ; 14 [ 12.5 8 100 1250
[14 ; 17 ] 15.5 2 31 480.5
total 30 282 2983.5

Page 17
1 k 282
X  ni Ci   9.4
n i 1 30
1 k
V  X    ni ci2  X 2 
2983 .5
 9.42  11.09 : Une dispersion
n i 1 30
d- Coefficient de variation :

On appelle coefficient de variation, le nombre : CV  . Prend ses valeurs dans
X
l’intervalle 0 , 1. Ce coefficient n’a pas d’unité, il mesure la dispersion relative
par rapport à la moyenne, plus le coefficient de variation est faible c’est-à-dire
proche de 0 , plus on a une concentration des observations proches de la moyenne
et plus le coefficient de variation est proche de 1 plus on a une dispersion des
observations.
Le coefficient de variation nous permet également de comparer les distributions
des deux groupes qui n’ont pas la même unité.
Exemple
Soit trois groupes d’étudiants qui ont obtenus les notes suivantes :
1 10 120
Groupe 1 : 7 8 10 11 11 13 13 14 15 X  
10 i1
Xi 
10
 12
Groupe 2 : 3 4 4 7 7 17 19 20 20 X  12
Groupe 3 : 11 11 12 12 12 12 12 13 13 X  12
Groupe 1 :
total
xi 7 8 10 11 11 13 13 14 15 18 120
xi  X -5 -4 -2 -1 -1 1 1 2 3 6
xi  X 2 25 16 4 1 1 1 1 4 9 36 98
 xi  X  
1 10
V X  
2 98
 9.8
10 i 1 10   X   la var iance ( X )  3.13
Cela veut dire qu’en moyenne les étudiants sont à 3,13
de la moyenne trouvée :
Si on prend un étudiant au hasard, on s’attend que sa note soit égale à 12  3.13
 3.13
CV    0.26 : Une dispersion de l’ordre de 26%
X 12
Groupe 2 :
total
xi 3 4 4 7 7 17 19 19 20 20 120
xi  X -9 -8 -8 -4 -4 5 7 7 8 8
81 64 64 16 16 25 49 49 64 64 492

Page 18
V X  
1 10
 xi  X 2  492  49.2
10 i 1 10
  X   la var iance ( X )  7.01
Cela veut dire qu’en moyenne les étudiants sont à 7,01 de la moyenne trouvée :
 7.01
X 12
Groupe 3 :
total
xi 11 11 12 12 12 12 12 12 13 13 120
xi  X -1 -1 0 0 0 0 0 0 1 1
xi  X 2 1 1 0 0 0 0 0 0 1 1 4
V X  
1 10
 xi  X 2  4  0.4
10 i 1 10
  X   la var iance ( X )  0.63
Cela veut dire qu’en moyenne les étudiants sont à 0,63 de la moyenne trouvée :
 0.63
X 12
9- Les Moments :
a- On appelle moment d’ordre r , le nombre :
1 k 1 k
mr   ni xir (respectivement : mr   ni Cir .
n i 1 n i 1
b- On appelle moment centrés d’ordre r , le nombre :

1 k
  1 k
 r   ni xi  X r (respectivement  r   ni ci  X r  
n i 1 n i 1
Remarque : m 1 X , 1  0,  2   2 .
10- Paramètres de formes :
3
a- On appelle coefficient d’asymétrie, le nombre :  .
 3
Si   0 étalement à droite
  0 symétrie
  0 étalement à gauche.

Page 19
 0 : étalement à droite  0 : étalement à gauche  0 :symétrie
b- On appelle coefficient d’aplatissement le nombre défini par :

4
  3.
4
Si :   0 aplatissement faible.
  0 aplatissement fort.
11- Changement de variables :

Si on pose Z i  a X i  b,
Alors
Z  aX b
V Z   a 2 V  X 
 r ( Z )   ni zi  Z   a r  r  X 
1 n 2
n i 1
r ( Z )   ni zi  Z   a r  r  X 
1 n r
n i1
Démonstration :
k k k
1 k
ni a xi  b  
1 1 1
Z 
n

i 1
ni zi 
n

i 1

ni 1
a ni xi   ni b
n i1
1 k 1 k
 a  ni xi  b  ni
n i1 n i1
 a X b

Page 20

ni zi  Z  ni (a xi  b)  (a X  b)
n n
V Z  
1 1
 
2

2
n i 1 n i 1

ni axi  X  
n
1
 
2
n i 1

ni xi  X 
n
1
a 
2 2
n i 1
 a2 V X 

 r Z    ni zi  Z    ni (a xi  b)  (a X  b) r
1 n r 1 n
n i1 n i1

  ni axi  X   r
1 n
n i1
 r
 a r  ni xi  X 
1 n
n i1
 ar  r X 
Exercice:
On a relevé entre les années 1974 et 1984, la production de blé (X en quintaux), On a
obtenu les résultats suivants :
Valeurs 200 184 225 250 240 195 210 225 250 230
de X
1- Répartir le caractère X en 3 classes de même amplitude.

2- Donner le tableau statistique.
X  217 1
3- En utilisant le changement de variable : Y   X  9.86
22 22
Calculer la production moyenne annuelle de blé et la variance de X.
Réponse :
Les classes Ci Yi ni ni yi ni yi 2
[184, 206[ 195 -1 3 -3 3
[206,228[ 217 0 3 0 0
[228,250] 239 1 4 4 4
1 7
e  X max  X min  250  184  66
e 66
am    22
k 3
Page 21
1 3 1
Y   ni yi   0.1
n i 1 10
1 n
V Y    ni yi2  Y 2  . 7  0.12  0.69
1
n i 1 10
X  217 1
Y  X  9.86
22 22
X  217 1 1
Y  X  9.86  0.1  X  9.86  0.1  9.96
22 22 22
 X  219 .2
2
 1 
V Y   0.69    V  X   V  X   22 2 .. 0.69
 22 
 V  X   333 .96
  X  18.3

Page 22

Cours Statistique Déscriptive L1 2023

Transféré par

Droits d'auteur :

Formats disponibles

Cours Statistique Déscriptive L1 2023

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Statistique Déscriptive L1 2023

Transféré par

Droits d'auteur :

Formats disponibles

L1 : Module Proba/Stat.

Coordination - Statistique descriptive

Partie I : Statistique simple

On distingue deux types de variables qualitatives :

La coordinatrice Mme Laboudi

d- On appelle échantillon, un sous ensemble de la population, lorsque

Nominal Ordinal Discret Continu

Groupe sanguin Mention du bac Nombre d’absences La moyenne obtenue

2-  : les enseignants universitaire

3-  : les travailleurs d’une entreprise

4-  : les étudiants d’une section

La coordinatrice Mme Laboudi

modalité Effectif Effectif fréquence Fréquence

On représente les données dans un tableau statistique :

La coordinatrice Mme Laboudi

1- La population  : les 20 familles

b- Effectif cumulé en a i , le nombre n ~  i n

Les classes Effectif fréquence

La coordinatrice Mme Laboudi

 Représentation en secteurs circulaires :

 Représentation en tuyaux d’orgues :

Le groupe sanguin A B AB O total

La coordinatrice Mme Laboudi

 Représentation en secteurs circulaires :

 Représentation en tuyaux d’orgues :

b. Représentations graphiques du caractère quantitatif discret :

 On appelle polygone des effectifs (ou des fréquences), la ligne polygonale

c. Représentations graphiques du caractère quantitatif continu :

Soit  ai 1 , ai , ni i 1, p ou  ai 1 , ai , fi i 1, p une série statistique

La coordinatrice Mme Laboudi

X 12 10 8 13.5 10 17 10.5 8.5 13.5 11.5

 La population étudiée : l’ensemble des 30 étudiants

La coordinatrice Mme Laboudi

[11 ; 14 [ 8 28 0.27 0.94

Pour les données de l’exemple 2 :

La coordinatrice Mme Laboudi

[11 ; 14 [ 8 28 0.27 0.94

La coordinatrice Mme Laboudi

7- Les paramètres de tendance centrale et de position :

[11 ; 14 [ 8 28 0.27 0.94

La coordinatrice Mme Laboudi

La coordinatrice Mme Laboudi

[11 ; 14 [ 8 28 0.27 0.94

La coordinatrice Mme Laboudi

Cas discret (exemple 1)

[11 ; 14 [ 8 28 0.27 0.94

La coordinatrice Mme Laboudi

   0.75  n  22.5  Q0.75  11,14 

On appelle moyenne arithmétique d’une série statistique, le nombre noté X , défini

La coordinatrice Mme Laboudi

[11 ; 14 [ 12.5 8 100

mod  med  Moy : mod  med  Moy mod  med  Moy

Etalement à droite Etalement à gauche Distribution est symétrique

Dans l’exemple 1 : cas discret :

Le Mode=2, la médiane=2 et la moyenne arithmétique=1.95

Dans l’exemple 2 : cas continu :

Le mode =10 , La médiane =9.63, La moyenne arithmétique=9.4

mod  med  Moy Donc on a un étalement à gauche

La coordinatrice Mme Laboudi