INTRODUCTION

I. PARAMETRE DE DISPERSION
A. PARAMETRE DE DISPERSION ABSOLU
a. Etendu
b. Quantiles
c. Ecart absolu moyen/ Médian
d. Ecart type
B. PARAMETRE DE DISPERSION RELATIF
a. Coefficient de variation
b. Ecart moyen relatif
c. Coefficient inter relatif
C. DIFFERENCE ENTRE PARAMETRE DE DISPERSION ET PARAMETRE
RELATIF
II. PARAMETRE DE FORME
A. Coefficient d’aplatissement
B. Coefficient d’asymétrie
 Introduction

Le chapitre précédent a été consacré à l'étude des mesures de tendance centrale. Elles
indiquent autour de quelles valeurs se situent les données, mais ne donnent pas une
description suffisante de la variable statistique. Par exemple, si on désire comparer les 2
groupes d'élèves proposés dans les diagrammes ci-dessous:

x =…… x =……

Mais pourtant, les 2 distributions ne sont pas identiques. Les

distributions peuvent être comparées à une douche. Si elle est en
position « jet étroit », presque toute l’eau est concentrée sur un
seul point, c’est-à-dire le jet n’arrose pratiquement que la valeur
moyenne. Si la douche est en position « pluie », l’eau est
dispersée plus largement : il y a de grands écarts par rapport à la
moyenne.
1

3OCMath – Jt 2021
 Pour mettre en évidence cette différence, il faut mesurer la
dispersion des données autour de cette mesure de tendance
centrale. Nous allons étudier quelques mesures de dispersions.

III. PARAMETRE DE DISPERSION

D. PARAMETRE DE DISPERSION ABSOLU

L'étendue: L'étendue d'une variable discrète est la différence entre la plus grande et la plus
petite modalité. Il n'y a pas de notation particulière pour l'étendue.
L'étendue d'une variable continue est la différence entre la borne supérieure de la dernière
classe et la borne inférieure de la première classe.
L'écart moyen: L'écart moyen EM est la moyenne pondérée des valeurs absolues des écarts
à la moyenne:

1k k

EM = ∑ni xi − x =∑ fi xi − x
N
i=1 i=1

L'écart interquartile: L'écart interquartile est l'écart entre le 1er et le 3ème quartile:

Q = Q3 – Q1
La variance: La variance σ d'une variable statistique est la moyenne pondérée des carrés
2

des écarts à la moyenne:

2 1k 2 k 2

σ= ∑n (x − x ) =∑ f (x − x )
i i i i

N
i=1 i=1

L'écart-type: L'écart-type σ est la racine carrée de la variance: σ= σ2

 Exercice 4.1: En reprenant la situation d'introduction:

Calculer les différentes mesures de dispersion.

Modèle 1: Alain qui est gardien de but de l'équipe de hockey de son école, note évidemment
le nombre de buts encaissés à chaque match.
V.S quantitative discrète
Il a résumé sa dernière saison dans le tableau ci-dessous:

xi ni fi Fi fi xi
0 5 0,093 0,093 0,000 0,244 0,638
1 12 0,222 0,315 0,222 0,359 0,582
2 14 0,259 0,574 0,518 0,160 0,099
3 8 0,148 0,722 0,444 0,056 0,021
4 7 0,130 0,852 0,520 0,180 0,248
5 4 0,074 0,926 0,370 0,176 0,420
6 2 0,037 0,963 0,222 0,125 0,423
7 1 0,019 0,982 0,133 0,083 0,365
10 1 0,019 ∼1 0,190 0,140 1,035
TOTAUX 54 ∼1 2,619 1,523 3,831

Calculer les mesures de dispersion de cette distribution.

Exercice 4.4: Calculer la variance et l'écart-type.

Modalités Effectifs
25 4

3OCMath – Jt 2021
 30 8
35 11
38 15
41 18
52 12
55 7
60 5

Formule de Koenig: Nous venons de calculer des écarts-types en nous référant à la

définition. Cependant, ce calcul risque de devenir laborieux si la
moyenne n'est pas un nombre entier : on a à traiter des "écarts à la
moyenne" non entiers avec d'inévitables arrondis, d'où des calculs
lourds et forcément peu précis. Pour alléger ces calculs, on utilise
plutôt une des formules suivantes:

2 k 2 ⎛k 2⎞ 2

σ =∑ fi(xi −
x
2 ) est "remplacé"

par σ =⎜ ∑ fixi ⎟ − x
i=1 ⎝ i=1 ⎠
Samuel Koenig

mathématicien allemand 2
1k 2 2 ⎛1k 2⎞ 2

(1712-1757) σ= ∑n (x − x ) est "remplacé" par σ =⎜ ∑n x ⎟ − x

i i i i

N i=1 ⎝ N i=1 ⎠
la variance = la moyenne des carrés – le carré de la moyenne
Preuve:
On ajoute au tableau de distribution des effectifs la colonne des
termes fixi2 en lieu et place des termes fi(xi − x )2 et on applique la formule de Koenig.

Modèle 3: En reprenant le modèle précédent:

[bi-1 ; bi[ xi ni fi Fi fi xi fi xi2

[12 ; 16[ 14 5 0,056 0,056 0,778 0,711 9,102 10,889
[16 ; 20[ 18 11 0,122 0,178 2,200 1,076 9,465 39,600
[20 ; 24[ 22 16 0,178 0,356 3,911 0,853 4,096 86,044
[24 ; 28[ 26 21 0,233 0,589 6,067 0,187 0,149 157,733
[28 ; 32[ 30 15 0,167 0,756 5,000 0,533 1,707 150,000
[32 ; 36[ 34 12 0,133 0,889 4,533 0,960 6,912 154,133
[36 ; 40[ 38 8 0,089 0,978 3,378 0,996 11,150 128,356
 [40 ; 44[ 42 2 0,022 1 0,933 0,338 51,340 39,200
TOTAUX : 90 1 26,8 5,653 47,716 765,956

Ainsi la variance vaut:

Exercice 4.5: Calculer la variance et l'écart-type.

Classes Effectifs
[6 ; 10[ 2
[10 ; 14[ 9
[14 ; 18[ 16
[18 ; 22[ 15
[22 ; 26[ 7
[26 ; 30[ 1

Exercice 4.6: Une étude des salaires annuels des employés d'une grande
compagnie a donné les résultats suivants:

Classe Effectifs
[20'000 ; 22'000[ 80
[22'000 ; 24'000[ 130
[24'000 ; 26'000[ 340
[26'000 ; 28'000[ 210
[28'000 ; 30'000[ 120
[30'000 ; 36'000[ 120

a) Calculer les mesures de tendance centrale.

b) Calculer la variance et l'écart-type.

Choix et comparaison des mesures de dispersion absolue

Le choix de la mesure de tendance centrale implique le choix de la mesure de dispersion:

mode ↔ étendue
médiane ↔ écart interquartile
moyenne ↔ écart-type ou écart moyen

3OCMath – Jt 2021
Les 5 mesures que nous venons de définir visent un même objectif: mesurer la dispersion des
valeurs d'une variable statistique. Elles ont de par leur définition des caractéristiques, des
avantages et des inconvénients. L'objectif du prochain exercice est de les reconnaître selon
leurs caractéristiques.

Exercice 4.10: De quelle mesure parle-t-on?

1ère mesure: Elle tient compte de toutes les données et elle accorde le même poids à chacun
des écarts; elle est donc moins influencée que la variance par les données extrêmes.
Elle se prête mal aux manipulations algébriques.
2ème mesure: Elle est simple à calculer et à interpréter.
Elle ne tient pas compte de toutes les données; elle n'est donc pas influencée par les données
extrêmes.
Elle est utilisée lorsque la distribution des valeurs est fortement dissymétrique. Dans ce cas,
on utilise la médiane comme mesure de tendance centrale.

3ème mesure: Son calcul est plus long et son interprétation est moins immédiate.
Elle tient compte de toutes les données.
Elle se prête bien aux manipulations algébriques.
Le carré des écarts accorde du poids aux grands écarts; elle est ainsi fortement influencée par
les données extrêmes.
Elle est, avec l'écart-type, la mesure de dispersion la plus utilisée.

4ème mesure: Elle est très simple à calculer et à interpréter.

Elle ne tient pas compte de toutes les données; elle n'utilise que les valeurs extrêmes.
Elle est utilisée pour donner une idée sommaire et rapide de la dispersion et pour déterminer
les largeurs de classes lorsqu'on fait un regroupement en classes.
5ème mesure: Elle a les mêmes caractéristiques que la variance. Elle est, avec la variance, la
mesure de dispersion la plus utilisée.

Exercice 4.11: Calculer les mesures de tendance centrale et de dispersion des

données suivantes:

Classe Effectifs
[32 ; 38[ 16
[38 ; 44[ 186
[44 ; 50[ 191
[50 ; 56[ 196
[56 ; 62[ 221
 [62 ; 68[ 121
[68 ; 74[ 69
E. PARAMETRE DE DISPERSION RELATIF

Pour caractériser la distribution des valeurs d'une variable statistique, on utilise généralement
une mesure de tendance centrale et une mesure de dispersion. On peut donner par exemple
la médiane et l'intervalle interquartile. Dans la grande majorité des cas, on caractérise la
distribution des valeurs par la moyenne et l'écart-type.
Si l'écart-type d'une variable est égal à 10, peut-on dire que les données sont très dispersées?
Bien sûr, cela dépend de l'ordre de grandeur des données. Il est donc nécessaire parfois de
mesurer la dispersion relative.
Le coefficient de variation Le coefficient de variation CV d'une variable statistique est le
ratio entre l'écart-type et la moyenne exprimé sous la forme d'un pourcentage:
σ
x
Le coefficient de variation est un indicateur de l'homogénéité de la population. On considère
qu'un coefficient de variation inférieur à 15% indique que la population est homogène,
tandis qu'un coefficient supérieur à 15% indique que les valeurs sont relativement
dispersées. Le coefficient de variation est une mesure sans unité et indépendante de l'ordre de
grandeur. On peut donc l'utiliser pour comparer la dispersion de variables statistiques avec
des ordres de grandeur et des unités différentes.

Modèle 4: Calculer le coefficient de variation dans le cas d'une V.S discrète

xi ni fi fi xi fi xi2
0 5 0,093 0,000 0,000
1 12 0,222 0,222 0,222
2 14 0,259 0,519 1,037
3 8 0,148 0,444 1,333
4 7 0,130 0,519 2,074
5 4 0,074 0,370 1,852
6 2 0,037 0,222 1,333
7 1 0,019 0,130 0,907
10 1 0,019 0,185 1,852
TOTAUX 54 1 2,611 10,611

3OCMath – Jt 2021
 Modèle 5: Calculer le coefficient de variation dans le cas d'une V.S continue

[bi-1 ; bi[ xi ni fi fi xi fi xi2

[12 ; 16[ 14 5 0,056 0,778 10,889
[16 ; 20[ 18 11 0,122 2,200 39,600
[20 ; 24[ 22 16 0,178 3,911 86,044
[24 ; 28[ 26 21 0,233 6,067 157,733
[28 ; 32[ 30 15 0,167 5,000 150,000
[32 ; 36[ 34 12 0,133 4,533 154,133
[36 ; 40[ 38 8 0,089 3,378 128,356
[40 ; 44[ 42 2 0,022 0,933 39,200
TOTAUX : 90 1 26,800 765,956

Comme nous l'avons vu précédemment avec l'exemple des Pr X et Y, les

paramètres de dispersion absolue permettent de comparer l'écart à leur valeur
centrale de deux distributions dont les valeurs centrales sont identiques et dont
l'unité de mesure est la même. Mais permettent-ils de comparer la dispersion de
deux distributions qui ont des unités de mesure ou des ordres de grandeur différent ?

Comme nous allons le voir, la réponse est négative et il faut construire alors de
nouveaux outils de comparaison mieux adaptés : les paramètres de dispersion
relative.
 
 

4.3.1. Différence entre dispersion absolue et dispersion relative

 
Considérons tout d'abord le cas de deux distributions X et Y qui décrivent le même
phénomène mais pour deux populations différentes et telles que l'ordre de
grandeur des distributions soit sensiblement différent.

Exemple : les variations de taille chez le bar et l'éperlan

Un biologiste se demande si les différences de taille sont plus fortes chez le bar ou
chez l'éperlan. Après avoir mesuré 100 bars, il trouve une moyenne de 50 cm et un
écart-type de 5 cm. Sur un échantillon de 100 éperlans, il trouve une moyenne de 10
cm et un écart-type de 2.5 cm.

On peut visuliser les différences de tailles chez les deux espèces en examinant à quoi
correspond un spécimen petit, moyen ou grand en se fondant sur les valeurs de la
moyenne et de l'écart type.
 
 
 

TAILLE EPERLAN BAR

petite
-2 
5 cm
40 cm

moyen
ne
10 cm

50 cm

grande
+2
15 cm

60 cm

1) en variation absolue, les différences sont plus fortes chez le bar que chez
l'éperlan. Ainsi, on voit que les "grands" bars font en moyenne 20 cm de plus que les
"petits" bars alors que les "grands" éperlans ne font que 10 cm de plus que les petits
éperlans. C'est ce que traduit la différence des paramètres de dispersion absolue :
l'écart-type est deux fois plus grand chez le bar que chez l'éperlan.

2) en variation relatives les conclusions sont tout à fait différentes. On constate en

effet que les "grands" éperlans sont trois fois plus grands que les "petits" éperlans
alors que les "grands" bars ne sont qu'une fois et demi plus grands que les "petits"
bars. C'est donc chez l'éperlan que les variations relatives sont les plus fortes, ce qui
apparaît facilement si l'on calcule un paramètre de dispersion relative tel que le

3OCMath – Jt 2021
rapport écart-type/moyenne (coefficient de variation ). Ce rapport est en effet de
25% chez l'éperlan alors qu'il n'est que de 10% chez le bar.

La comparaison des paramètres de dispersion absolue n'a de sens que si les deux
caractères sont de même nature et de même ordre de grandeur (exemple, deux
espèces de thon ayant la même taille moyenne mais ayant des écart-type différents).

Dans le cas contraire, la comparaison n'est possible qu'en ayant recours à des
mesures de dispersion relative, c'est à dire en effectuant le rapport entre un
paramètre de dispersion absolue et une valeur centrale.
 
 
 

4.3.2.Les paramètres de dispersion relative

 
Un paramètre de dispersion relative est une mesure de l'écart relatif des valeurs
d'une distribution à une valeur centrale. C'est donc un rapport :
 
 
   param. de disp. absolue
Paramètre de disp. relative =  
_____________________
         valeur centrale

Les plus courants sont :

 le coefficient de variation (C.V.)  =  /

 l'écart moyen relatif = écart absolu moyen / 
 le coefficient interquartile relatif = (Q3-Q1)/Q2

Dans tous les cas, le paramètre de dispersion est un nombre sans dimension (on a fait
le rapport de deux nombres ayant la même unité de mesure) qui exprime de combien
les valeurs s'écartent de la valeur centrale en valeur relative. On note souvent les
paramètres de dispersion en % . Ceci peut cependant être source de confusion
lorsque l'unité de mesure de la variable est elle même le % (ex. un taux de chômage).

Exemple : dire que les éperlans ont un C.V. de 0.25 signifie qu'ils s'écartent 'en
général' de 25 % de la valeur de taille moyenne des éperlans.
 
4.3.3 Conditions restrictives d'utilisation des paramètres de dispersion relative

Lorsque l'on veut comparer la dispersion de deux caractères, il faut employer la

dispersion relative de préférence à la dispersion absolue. Le problème est qu'il n'est
pas toujours légitime de calculer les paramètres de dispersion relative.
 

* caractères de stock

Ce sont en principe les seuls pour lesquels il soit légitime de calculer un paramètre
de dispersion relative. En effet, pour que cela ait un sens de parler d'un coefficient de
variation de 10 % autour de la moyenne, il faut que la notion de somme ait un sens
(10% du total), ce qui n'est vrai que pour les caractères de stock.

Plus précisément, on peut comparer la dispersion relative de deux caractères de

stock qui décrive le même ensemble d'éléments, même s'ils n'ont pas la même
unité de mesure, car il s'agit toujours d'une variation par rapport à la somme totale.

Dans le cas des caractères de stock, les paramètres de dispersion relative sont une
variante des indices de concentration (indice de Gini) puisqu'ils mesurent au fond
l'écart à l'équirépartition. Ainsi, lorsque le CV est nul, cela signifie que la
concentration est nulle (tous les indivvidus ont la même valeur) tandis que lorsque le
CV est fort, cela signifie que certains individus ont des valeurs éloignés de la
moyenne et qu'il existe donc des inégalités plus ou moins fortes entre les individus.
 

* caractères de rapport

Pour les caractères de rapport, les paramètres de dispersion relative n'ont pas de
valeur dans l'absolue et on ne peut les calculer que pour les caractères positifs
mesurables, c'est à dire ceux dont toutes les modalités sont positives, dont la
moyenne ne peut pas être négative ou nulle et pour lesquels le 0 signifie l'absence du
phénomène.

Dans la mesure où le C.V. d'un caractère de stock n'a pas de sens absolu et concret,
on ne le calcule que dans une perspective comparative et pour des variables qui
utilisent la même unité de mesure :

- comparaison de la dispersion d'une même variable à deux dates différentes (C.V.

du taux de chômage des régions françaises en 1980 et en 1990)
- comparaison de la dispersion d'une même variable dans deux ensembles spatiaux
différents (C.V. du taux de chômage des régions françaises et des régions italiennes).
-comparaison de la dispersion de deux variables ayant la même unité de mesure

3OCMath – Jt 2021
 A. Mesures de forme: coefficients de dissymétrie

Introduction: On peut chercher à caractériser la forme d'une distribution de

fréquences au moyen de coefficients appropriés. On comparera
volontiers ces distributions de fréquences avec celle obtenue, par
le fruit du hasard, en faisant tomber des billes sur une grille
ajourée. Le polygone des fréquences "lissé" admet une forme
caractéristique de courbe en cloche. Une telle situation est
appelée "loi normale".

Les distributions peuvent aussi présenter une asymétrie ou un aplatissement par rapport à la
courbe normale. Les deux types de mesures de forme sont les mesures d'asymétrie ou de
dissymétrie et les mesures d'aplatissement.

La distribution des valeurs est symétrique si le polygone des fréquences est symétrique par
rapport à un axe vertical passant par son sommet. Dans un tel cas, le mode, la médiane et la
moyenne se confondent.

La distribution des valeurs est La distribution des valeurs est dissymétrique à droite si la
dissymétrique à gauche si la portion du polygone des portion du polygone des fréquences
située à droite du fréquences située à gauche du sommet est plus longue que sommet est plus
longue que

Le coefficient de dissymétrie Il existe différentes manières de caractériser et de mesurer la de

Pearson : dissymétrie. Karl Pearson a proposé de définir un coefficient de
dissymétrie basé sur les écarts entre les mesures de tendance

Karl Pearson
mathématicien britannique
Il divise par l'écart-type pour avoir une mesure de dissymétrie
(1857 -1936) relative indépendante de l'unité de mesure. La distribution des
valeurs est symétrique quand ce coefficient est nul. Elle a une
dissymétrie à droite ou à gauche suivant le signe du coefficient
de dissymétrie.
Sa valeur est généralement comprise entre -1 et +1:

β1 < 0 distribution dissymétrique à gauche

β1 = 0 distribution symétrique β1 > 0
distribution dissymétrique à droite

centrale. Il a observé que dans les distributions des valeurs modérément dissymétriques, la
distance entre la moyenne et le mode est approximativement le triple
de la distance entre la moyenne et la médiane. Il a donc proposé, ce que
l'on appelle maintenant le coefficient de dissymétrie de Pearson :

β=
1

Exercice 4.15: La discothèque PDO a commandé une étude sur l'âge de ses
clients. Les résultats sont présentés sous la forme du tableau de
distribution des fréquences:

3OCMath – Jt 2021
 Groupes d'âges Effectifs
[16 ; 18[ 121
[18 ; 20[ 364
[20 ; 22[ 206
[22 ; 24[ 115
[24 ; 26[ 87
[26 ; 28[ 50
[28 ; 30[ 36
[30 ; 50[ 21

a) Calculer l'âge médian, l'âge moyen et

l'écart-type.
b) Calculer le coefficient de dissymétrie de
Pearson. Interpréter, puis comparer avec son histogramme
 MESURES DE DISPERSION ET DE FORME 16

Le coefficient de dissymétrie sera positive ou négative suivant le sens de l'asymétrie. Pour

de Yule – Kendall : obtenir un coefficient d'asymétrie indépendant de l'unité de
mesure, ils utilisent un ratio. Le coefficient dissymétrie de Yule
et Kendall mesure l'asymétrie à partir de la position relative des
quartiles par rapport à la médiane:

Q3 +Q1 −2Q2
CY =
Q3 −Q1
George Yule
mathématicien britannique La valeur du coefficient de Yule et Kendall est toujours comprise
(1871 –1951) entre -1 et +1 et son signe indique le sens de l'asymétrie :

- 1 ≤ CY < 0 distribution dissymétrique à gauche CY

=0 distribution symétrique
0 < CY ≤ 1 distribution dissymétrique à droite

Exercice 4.17:

Maurice Kendall
mathématicien Reprendre les données numériques
britannique de l'exercice 4.15 afin d'en
(1907-1983)
calculer le coefficient de
dissymétrie de Yule et Kendall,
Yule et Kendall ont puis interpréter la valeur obtenue.
proposé de définir un
coefficient de dissymétrie
basé sur la position
relative des quartiles.
Exercice 4.18: Dans quel cas CY = -1 ? CY = 0 ? CY =
Dans une distribution
1?
symétrique, les quartiles
Démontrer: -1 ≤ CY ≤ 1
sont situés à égale
distance de chaque côté
de la médiane. Par
conséquent:
Q2)−(Q2 −Q1)=0

Si la distribution est
dissymétrique, l'égalité
ci-dessus n'est plus vraie.
L'expression de gauche

3OCMath – Jt 2021
 Le coefficient de dissymétrie MESURES DE DISPERSION ET DE FORME 17
Ronald Fischer a proposé un coefficient basé sur les écarts par
de Fischer : rapport à la moyenne des valeurs en utilisant le moment centré
d'o (1890-1962)
rdr
e Le signe du coefficient de Fischer
3. indique le sens de la dissymétrie :
Il
est k
3
dif ∑
où μ 3 = f i (xi − x )
i=1
fic k
ile 2

∑
2
et σ = σ = μ 2 = f i (xi − x ) écart-type
de i=1
jus
tifi
er γ1 < 0 distribution
int dissymétrique à
uit gauche γ1 =
ive 0 distribution
me symétrique γ1 >
nt 0 distribution
le dissymétrique à
co droite
eff
ici
en Exercice 4.19: Reprendre les données numériques
de l'exercice 4.15 afin d'en
t
calculer le coefficient de
de
dissymétrie de Fischer, puis
dis interpréter la valeur obtenue.
sy
m
étr
ie Remarque importante: Les résultats varient
de considérablement d'un coefficient d'asymétrie à
Fil'autre. Ils permettent de comparer deux ou plusieurs
scdistributions.
heIl est alors évident que les comparaisons doivent être faites
r : avec le même
coefficient.

γ1 = B. Mesures de forme: coefficients

d'aplatissement

Ronal Note 4 5 6 7 8 9
d Fischer
mathématic Nombre d'élèves 1 3 6 15 3 3
ien
britannique
Les mesures d'aplatissement font partie des mesures qui
caractérisent la forme d'une distribution. Elles caractérisent le

3OCMath – Jt 2021
18 CHAPITRE 4

degré d'aplatissement Le coefficient d'aplatissement de Pearson

de la distribution par :
rapport à
l'aplatissement de la β =
2 μ44
distribution normale
(«courbe en cloche» ). σ
Il est alors utile de k k

pouvoir mesurer si la
où μ4 =∑ fi(xi − )4 et σ1 =μ2 =∑
forme de la distribution x
présente une déviation x
par rapport à fi(xi − )2 variance
i=1 i=1
l'aplatissement de la
distribution normale.
Une distribution est β2 > 3 courbe
platicurtique ou leptocurtique ou hypernormale β2 = 3 courbe
hyponormale si la normale β2 < 3 courbe platicurtique ou
courbe est plus aplatie
hyponormale
que la courbe normale;
elle est leptocurtique
ou hypernormale si la
courbe est plus pointue
que la courbe normale.

Exercice 4.21

Voici la distribution des tarifs horaires des

électriciens de l'association CHOC
Tarif horaire Nombre de membres
Pour mesurer
[20 ; 23[ 66
l'aplatissement de la
courbe, on utilise le [23 ; 26[ 244
coefficient β2 de [26 ; 29[ 321
Pearson basé sur le [29 ; 32[ 506
moment centré d'ordre
[32 ; 35[ 113
4:
1 (x−a)
1 − 2
e
2 2π

3OCMath – Jt 2021
 MESURES DE DISPERSION ET DE FORME 19

[35 ; 38[
[38 ; 41[

Ca
lcu
ler
le
co
eff
ici
ent
d'a
pla
tis
se
me
nt
de
Pe
ars
on.

3OCMath – Jt 2021