Distributions statistiques a une variable

Mustapha Ridaoui
[Link]@[Link]

Université Paris 2 Panthéon-Assas

Licence 1
2023-2024
Les tableaux statistiques

L’un des objectifs de la statistique descriptive est de résumer les

données "brutes" recueillies sur une population dans des tableaux
statistiques.
Exemple : enquête auprès d’un échantillon de 50 familles sur le
nombre d’enfant par ménage .
▶ Données brutes : 0 1 6 2 4 0 5 5 0 0 1 1 2 2 3 2 2 5 5 5 2 3 3 6 3 3 3
34444114444555556644656
▶ Les données brutes ne sont pas lisibles
▶ Regroupement des données dans un tableau pour faciliter le
traitement et les interprétations
Modalités xi prises par la variable nombre d’enfants
z }| {
Nombre d’enfants (xi ) 0 1 2 3 4 5 6
Effectifs (ni ) 4 5 6 7 11 11 6
| {z }
le nombre d’individus correspondant à chaque
modalité du caractère
Les tableaux statistiques

L’ensemble des modalités et des effectifs d’un caractère forment

une distribution statistique ou une série statistique
Distribution statistique = {xi , ni }

Les tableaux statistiques peuvent être à une ou à plusieurs

dimensions
▶ À "une dimension" si un seul caractère est étudié
⋆ Ex. : nombre d’enfants par ménage

▶ À "deux dimensions" si l’on retient deux caractères

⋆ nombre et sexe des enfants par ménage
Notion de fréquence

Considérons une population statistique de n individus décrite

selon le caractère x dont les k modalités sont x1 , x2 , . . . , xk .
Modalités (xi ) x1 x2 ... xi ... xk
Effectif (ni ) n1 n2 ... ni ... nk

ni représente le nombre d’individus, appelé effectif ou fréquence

absolue, présentant la modalité xi .
La somme des effectifs ni est l’effectif total de la population :
k
P
ni = n
i=1

Effectif cumulé : L’effectif cumulé Ni d’une valeur est la somme de

l’effectif de cette valeur et de tous les effectifs des valeurs qui
précèdent : Ni = n1 + n2 = . . . + ni .
Interprétation : Ni est le nombre d’individus dont la valeur du
caractère est inférieur ou égale à xi .
Notion de fréquence
Fréquences relatives : La fréquence relative (ou fréquence) fi est
la proportion d’individus présentant la même modalité dans la
population.
ni
▶ fi = n , n représente l’effectif total de la population.
k
P
▶ fi = 1.
i=1
▶ La fréquence fi peut être exprimée en pourcentage : fi % = fi × 100
.
Fréquences cumulées Fi (ou fonction de répartition F (x)) :
▶ La fonction de répartition d’une variable statistique X est la fonction
F qui à x associe F (x) avec F (x) = prop(X ≤ x) = P(X ≤ x).
i
P Ni
▶ Fi = fj = n , (i = 1, 2, . . . , k )
j=1

▶ F (x) = Fi , ∀x ∈ [xi ; xi+1 [, (i = 1, 2, . . . , k − 1);

F (x) = 0 si x < x1 et F (x) = 1 si xi ≥ xk
Exemple : Cas de caractères quantitatifs discrets

Nombre d’enfants observés dans un échantillon de 200 familles.

Nombre d’enfants (xi ) 0 1 2 3 4 5 6

Effectifs (ni ) 20 37 70 20 35 13 5
Effectifs cum. (Ni ) 20 57 127 147 182 195 200
Fréquence(fi ) 0,1 0,185 0,35 0,1 0,175 0,065 0,025
Fréq. cum. (Fi ) 0,1 0,285 0,635 0,735 0,91 0,975 1

Interprétation :
▶ fi est le pourcentage des familles dont le nombre d’enfants égale à
xi .
∗ Exemple : f5 représente 17,5% de familles dont le nombre d’enfants
égale à 4.
▶ Fi est le pourcentage des familles dont le nombre d’enfants est
inférieure ou égale à xi .
∗ Exemple : F5 représente 91% de familles dont le nombre d’enfants
est inférieur ou égale à 4.
Exemple : Cas de caractères quantitatifs continus

Répartition (par classe) des poids (en kg) de 50 personnes.

Fréq. cum. Fréq. cum.

Poids ni Ni fi croiss. décr.
[60, 70[ 5 5 0,1 0,1 1
[70, 80[ 27 32 0,54 0,64 0,9
[80, 90[ 13 45 0,26 0,9 0,36
[90, 100[ 5 50 0,1 1 0,1

Interprétation :
▶ 64% des individus enquêtés (soit 32 personnes) pèsent moins de
80kg.
▶ 90% des individus enquêtés pèsent plus de 70kg.

Remarque : Le calcul des fréquences n’est pas affecté par

l’amplitude des classes.
Les représentations graphiques

Un graphique est une représentation visuelle et simplifiée d’une

distribution d’une variable.
Le choix des représentations graphiques dépend de la nature du
caractère statistique étudié.
Les caractères qualitatifs :
▶ Diagrammes en bâtons
▶ Diagrammes en barres
▶ Diagrammes circulaires

Les caractères quantitatifs :

1 Variables discrètes
∗ Polygone de fréquences (diagramme en bâtons)
∗ Courbes cumulatives
2 Variables continues
∗ Histogrammes
∗ Courbes cumulatives
Représentations des caractères qualitatifs

Exemple : Effectifs des candidats inscrits au baccalauréat

général par type (2021).

Type Effectif ni Fréquence fi Fréquence fi %

Général 384 083 0,54 54 %
Technologique 141 677 0,20 20 %
Professionnel 189 246 0,26 26 %
Total 715 006 1 100 %
Représentations des caractères qualitatifs

Diagramme en bâtons : à chaque modalité on associe un bâton

dont la hauteur est proportionnelle à la fréquence relative (ou
absolue) de la modalité.
Répartition des candidats par types de bac

Fréquences %

54%

26%
20%

0 Type de bac
T P G
Représentations des caractères qualitatifs

Diagramme en barres : à chaque modalité correspond un

rectangle vertical dont la hauteur est proportionnelle à la
fréquence relative (ou absolue) de la modalité.

Répartition des candidats par types de bac

Fréquences %

50
40

20

0 Type de bac
T P G
Représentations des caractères qualitatifs
Diagramme circulaire : à chaque modalité correspond un secteur
de disque dont l’aire est proportionnelle à la fréquence relative de
la modalité.
L’angle de chaque secteur est proportionnel à la fréquence :
αi = 360 × fi
Répartition des candidats par types de bac
Représentations des caractères quantitatifs

Représentation graphique des caractères quantitatifs discrets

▶ Représentation d’une distribution des fréquences.
▶ Représentation d’une distribution des fréquences cumulées.

Exemple : Répartition de 150 machines d’une entreprise selon le

nombre de pannes (sur un mois).

Nombre de pannes par machine ni fi fi %

0 75 0,5 50 %
1 39 0,26 26 %
2 20 0,13 13 %
3 12 0,08 8%
4 4 0,03 3%
Total 150 1 100 %
Représentation graphique des caractères quantitatifs

Représentation d’une distribution des fréquences.

Fréquences %

50%
Polygone de fréquences : En joignant les sommets
40% des bâtons par une ligne, on obtient le polygone de
fréquences.
30%

20%

10%

0 Nbr. de pannes par machine

1 2 3 4
Représentation graphique des caractères quantitatifs

Courbe cumulative : représentation d’une distribution des

fréquences cumulées.

Exemple : Répartition des notes d’une classe de 30 élèves.

Fréq. cum. Fréq. cum.

Note ni fi croissantes décroissantes
2 3 0,10 0,10 1
5 4 0,13 0,23 0,90
8 6 0,20 0,43 0,77
12 10 0,33 0,77 0,57
16 5 0,17 0,93 0,23
20 2 0,07 1 0,07
Représentation graphique des caractères quantitatifs

Représentation graphique de la courbe cumulative croissante

F(x)
1
0.93

0.77 F (x) = 0, ∀x < 2

F (x) = 0, 1, ∀x ∈ [2, 5[
F (x) = 0, 23, ∀x ∈ [5, 8[
F (x) = 0, 43, ∀x ∈ [8, 12[
F (x) = 0, 77, ∀x ∈ [12, 16[
F (x) = 0, 93, ∀x ∈ [16, 20[
F (x) = 1, ∀x ≥ 20
0.43

0.23

0.1

0
Note
2 5 8 12 16 20
Représentation graphique des caractères quantitatifs

Représentation graphique de la courbe cumulative croissante

F(x)
1
0.93

0.77 F (x) = 0, ∀x < 2

F (x) = 0, 1, ∀x ∈ [2, 5[
F (x) = 0, 23, ∀x ∈ [5, 8[
F (x) = 0, 43, ∀x ∈ [8, 12[
F (x) = 0, 77, ∀x ∈ [12, 16[
F (x) = 0, 93, ∀x ∈ [16, 20[
F (x) = 1, ∀x ≥ 20
0.43

0.23

0.1

0
Note
2 5 8 12 16 20
Représentation graphique des caractères quantitatifs

Représentation graphique de la courbe cumulative croissante

F(x)
1
0.93

0.77 F (x) = 0, ∀x < 2

F (x) = 0, 1, ∀x ∈ [2, 5[
F (x) = 0, 23, ∀x ∈ [5, 8[
F (x) = 0, 43, ∀x ∈ [8, 12[
F (x) = 0, 77, ∀x ∈ [12, 16[
F (x) = 0, 93, ∀x ∈ [16, 20[
F (x) = 1, ∀x ≥ 20
0.43

0.23

0.1

0
Note
2 5 8 12 16 20
Représentation graphique des caractères quantitatifs

Représentation graphique de la courbe cumulative croissante

F(x)
1
0.93

0.77 F (x) = 0, ∀x < 2

F (x) = 0, 1, ∀x ∈ [2, 5[
F (x) = 0, 23, ∀x ∈ [5, 8[
F (x) = 0, 43, ∀x ∈ [8, 12[
F (x) = 0, 77, ∀x ∈ [12, 16[
F (x) = 0, 93, ∀x ∈ [16, 20[
F (x) = 1, ∀x ≥ 20
0.43

0.23

0.1

0
Note
2 5 8 12 16 20
Représentations des caractères quantitatifs

Représentation graphique des caractères quantitatifs continus

▶ Histogrammes : représentation d’une distribution des fréquences.
▶ Courbes cumulatives : représentation d’une distribution des
fréquences cumulées.

Histogrammes : A chaque classe de la variable, on fait

correspondre la surface d’un rectangle ayant pour base
l’amplitude de classe.

Deux cas se présentent :

1 Cas de classes d’amplitudes égales
2 Cas de classes d’amplitudes inégales
Les histogrammes : Classes d’amplitudes égales

Exemple : Répartition des salaires mensuels (en euros), des

employés de l’entreprise α.

Salaires Effectifs ni Fréquences fi Amplitudes ai

[1100 ; 1200[ 20 0,10 100
[1200 ; 1300[ 80 0,39 100
[1300 ; 1400[ 35 0,17 100
[1400 ; 1500[ 45 0,22 100
[1500 ; 1600[ 20 0,10 100
[1600 ; 1700[ 5 0,02 100
Total 205 1
Les histogrammes : Classes d’amplitudes égales

Représentation graphiques des salaires des 50 employés de l’entreprise α

Fréquences

0.39

• L’histogramme est la surface formée

par l’ensemble des rectangles.

0.22 • La surface du rectangle correspondant

à la classe i est : Si = ai × fi
0.17

0.1

0.02
0 Salaires
1100 1200 1300 1400 1500 1600 1700
Les histogrammes : Classes d’amplitudes égales

Représentation graphiques des salaires des 50 employés de l’entreprise α

Polygone des fréquences
Fréquences

0.39

• L’aire comprise entre le polygone des fréquences

et l’axe des abscisses est la même que l’aire
comprise dans l’histogramme.
0.22

0.17

0.1

0.02
0 Salaires
1100 1200 1300 1400 1500 1600 1700
Les histogrammes : Classes d’amplitudes inégales

L’histogramme ne peut plus être construit exactement de la même

manière.
▶ Les fréquences se rapportant à des classes d’amplitudes inégales
ne sont plus comparables.

⇒ Effectuer une correction pour tenir compte des différences

d’amplitude :
▶ La correction se fait en calculant les fréquences par unité
d’amplitude :
fi fi
hi = ( ou hi = ).
ai ai

▶ Ajouter une colonne hi : hauteur corrigée du rectangle.

▶ La colonne hi donne les hauteurs des rectangles à tracer sur
l’histogramme.
Les histogrammes : Classes d’amplitudes inégales

Exemple : Distribution des salaires nets mensuels (en milliers

d’euros) de 500 salariés d’une entreprise.

Salaires ni fi % ai hi = afii %
[1,2 ; 1,6[ 100 20 % 400 0,05
[1,6 ; 2,0[ 150 30 % 400 0,075
[2,0 ; 2,8[ 100 20 % 800 0,025
[2,8 ; 3,6[ 80 16 % 800 0,02
[3,6 ; 4,4[ 50 10 % 800 0,0125
[4,4 ; 6,0[ 20 4% 1600 0,0025
Les histogrammes : Classes d’amplitudes inégales

Représentation graphiques des salaires des 500 employés

Fréquences corrigées
0.075

0.05

0.025
0.02
0.0125

0.0025
0 Salaires
1, 2 1, 6 2 2, 8 3, 6 4, 4 6, 0
Courbes cumulatives

La courbe cumulative est continue.

Exemple : Distribution des salaires nets mensuels (en milliers

d’euros) de 500 salariés d’une entreprise.

Fréq. cum. Fréq. cum.

Salaires ni fi croissantes décroissantes
[1,2 ; 1,6[ 100 0,2
[1,6 ; 2,0[ 150 0,3
[2,0 ; 2,8[ 100 0,2
[2,8 ; 3,6[ 80 0,16
[3,6 ; 4,4[ 50 0,1
[4,4 ; 6,0[ 20 0,04
Courbes cumulatives

La courbe cumulative est continue.

Exemple : Distribution des salaires nets mensuels (en milliers

d’euros) de 500 salariés d’une entreprise.

Fréq. cum. Fréq. cum.

Salaires ni fi croissantes décroissantes
[1,2 ; 1,6[ 100 0,2 0,2
[1,6 ; 2,0[ 150 0,3 0,2+0,3=0,5
[2,0 ; 2,8[ 100 0,2 0,5+0,2=0,7
[2,8 ; 3,6[ 80 0,16 0,7+0,16=0,86
[3,6 ; 4,4[ 50 0,1 0,86+0,1=0,96
[4,4 ; 6,0[ 20 0,04 0,96+0,04=1
Courbes cumulatives

La courbe cumulative est continue.

Exemple : Distribution des salaires nets mensuels (en milliers

d’euros) de 500 salariés d’une entreprise.

Fréq. cum. Fréq. cum.

Salaires ni fi croissantes décroissantes
[1,2 ; 1,6[ 100 0,2 0,2 1
[1,6 ; 2,0[ 150 0,3 0,2+0,3=0,5 1-0,2=0,8
[2,0 ; 2,8[ 100 0,2 0,5+0,2=0,7 0,8-0,3=0,5
[2,8 ; 3,6[ 80 0,16 0,7+0,16=0,86 0,5-0,2=0,3
[3,6 ; 4,4[ 50 0,1 0,86+0,1=0,96 0,3-0,16=0,14
[4,4 ; 6,0[ 20 0,04 0,96+0,04=1 0,14-0,1=0,04
Courbes cumulatives
F(x)
F.c.c
1
0, 96

0, 86

0, 7

0, 6

0, 5

0, 4

0, 3

0, 2

0, 1

0
Salaires
1, 0 1, 6 2, 0 2, 8 3, 6 4.4 6, 0
Courbes cumulatives
F(x)
1 F.c.c
0, 96

0, 86

0, 7

0, 6

0, 5

0, 4

0, 3

0, 2

0, 1
F.c.d
0
Salaires
1, 0 1, 6 2, 0 2, 8 3, 6 4.4 6, 0
Courbes cumulatives
Application : Quelle est la proportion p d’employées dont le salaire est
inférieur à 3200C
Courbes cumulatives
Application : Quelle est la proportion p d’employées dont le salaire est
inférieur à 3200C
F(x)
F.c.c
1
0, 96

0, 86
p

0, 7

0, 6

0, 5

0, 4

0, 3

0, 2

0, 1

0
Salaires
1, 0 1, 6 2, 0 2, 8 3, 2 3, 6 4.4 6, 0
Courbes cumulatives
Application : Quelle est la proportion p d’employées dont le salaire est
inférieur à 3200C
F(x)
F.c.c
1
0, 96

0, 86

0, 78 ∆F1
∆F2
0, 7
∆x1
0, 6 ∆x2
∆F1 ∆F2 0,86−0,7 p−0,7
0, 5 • On a ∆x1 = ∆x2 ⇒ 3,6−2,8 = 3,2−2,8 ⇒ p = 78%

0, 4

0, 3

0, 2

0, 1

0
Salaires
1, 0 1, 6 2, 0 2, 8 3, 2 3, 6 4.4 6, 0
Caractéristiques d’une variable statistique

But : Résumer (ou caractériser) une série statistique par des valeurs
numériques.
1 Caractéristiques de tendance centrale et de position
▶ Le mode
▶ Médiane et Quantile
▶ La moyenne (arithmétique, géométrique, harmonique)

2 Caractéristiques de dispersion
▶ L’étendue
▶ L’intervalle interquartile
▶ La variance et l’écart type

3 Caractéristiques de forme et de concentration

▶ Les caractéristiques de forme
▶ Les caractéristiques de concentration
Caractéristiques de tendance centrale et de position

Le mode ou la classe modale

Cas des variables discrètes :

Le mode d’une série est la valeur la plus fréquente de cette série.
▶ correspond à la valeur de la variable pour laquelle la fréquence
relative(ou absolue) est la plus grande.

Le mode n’est pas la valeur la plus élevée.

Exemple : Dans la série {4, 5, 6, 1, 6, 2, 3, 6, 6, 6, 7, 8, 8}, la valeur

la plus fréquente est 6. Le mode est donc, Mo = 6.

Une série peut avoir plusieurs modes.

▶ Exemple : {1, 1, 1, 2, 2, 3, 4, 4, 5, 5, 5, 6}
Caractéristiques de tendance centrale et de position

Le mode ou la classe modale

Cas des variables continues :

La classe modale est la classe dont la fréquence par unité
d’amplitude est la plus élevée.

1 Cas de classes d’amplitudes égales : la classe modale est celle

qui a la plus grande fréquence.

2 Cas de classes d’amplitudes inégales : la classe modale est celle

qui a la plus grande fréquence corrigée.
Caractéristiques de tendance centrale et de position
Le mode ou la classe modale à partir d’une distribution continue :
Cas de classes d’amplitudes égales

y1

y2

y3

0
x1 x2 x3 x4 x5 x6
Caractéristiques de tendance centrale et de position
Le mode ou la classe modale à partir d’une distribution continue :
Cas de classes d’amplitudes égales

y1

• La classe modale est [x3 ; x4 [, c’est la classe

qui a le plus grand effectif.
y2

y3

0
x1 x2 x3 Mo x4 x5 x6
Caractéristiques de tendance centrale et de position
Le mode ou la classe modale à partir d’une distribution continue :
Cas de classes d’amplitudes égales

y1

d1 • La classe modale est [x3 ; x4 [, c’est la classe

qui a le plus grand effectif.
y2
d2
d2
Mo = x3 + d1 +d2 × a, où a = x4 − x3

y3

0
x1 x2 x3 Mo x4 x5 x6
Caractéristiques de tendance centrale et de position

Application : Répartition des salaires mensuels (en milliers

euros), des employés de l’entreprise α.
Salaires [1,1 ;1,2[ [1,2 ;1,3[ [1,3 ;1,4[ [1,4 ;1,5[ [1,5 ;1,6[ [1,6 ;1,7[
ni 20 80 30 45 20 5
Déterminer le mode ou la classe modale de la distribution.
ni
80

• Ici toutes les classes sont de même amplitude.

La classe modale est [1,2; 1,3[, c’est la classe
qui a le plus grand effectif.
45

30

20

5
0 Salaires
1, 1 1, 2 1, 3 1, 4 1, 5 1, 6 1, 7
Caractéristiques de tendance centrale et de position

Application : Répartition des salaires mensuels (en milliers

euros), des employés de l’entreprise α.
Salaires [1,1 ;1,2[ [1,2 ;1,3[ [1,3 ;1,4[ [1,4 ;1,5[ [1,5 ;1,6[ [1,6 ;1,7[
ni 20 80 30 45 20 5
Déterminer le mode ou la classe modale de la distribution.
ni
80

• Ici toutes les classes sont de même amplitude.

La classe modale est [1,2; 1,3[, c’est la classe
qui a le plus grand effectif.
45
• Le mode est : Mo ≃ 1255 Euros

30

20

5
0 Salaires
Mo
1, 1 1, 2 1, 3 1, 4 1, 5 1, 6 1, 7
Caractéristiques de tendance centrale et de position
La médiane
La médiane est la valeur du caractère pour lequel il y a autant
d’observation supérieures à cette valeur que d’observations
inférieurs.
▶ Elle partage la série statistique en deux groupes de même effectif.

Exemple :
▶ Considérons les notes (sur 20) de 17 étudiants à un contrôle de
statistique :
13; 16; 15; 5; 11; 19; 8; 9; 15; 20; 12; 17; 7; 10; 11; 18; 14.
▶ Ordonnons ces observations par ordre croissant :
5; 7; 8; 9; 10; 11; 11; 12; 13; 14; 15; 15; 16; 17; 18; 19; 20.
| {z } | {z }
8 notes inférieures à 13 8 notes supérieures à 13

▶ La médiane est : Me = 13.

La médiane notée par Me d’une variable statistique continue de

fonction cumulative F est telle que : F (Me ) = 0, 5 (ou 50%).
Caractéristiques de tendance centrale et de position

La médiane à partir d’une distribution discrète

Données non regroupées :
▶ Classer les données par ordre croissant.
▶ Si n est impaire : Me = ( n+1
2 )
ème
observation.
∗ Exemple : Soit la série 3 ; 7 ; 10 ; 13 ; 14 ; 20 ; 25.
n=7, alors Me = 13.
▶ Si n est paire : la médiane se situe entre ( n2 )ème et ( n2 + 1)ème .
∗ Exemple : Soit la série 3 ; 7 ; 10 ; 13 ; 14 ; 20.
n=6, alors la médiane se situe entre (3)ème et (4)ème observations,
soit l’intervalle [10; 13] des modalités.

Données groupées :
▶ Calculer les fréquences cumulées (ou les effectifs cumulés).
▶ Trouver la première modalité pour laquelle la fréquence cumulée
dépasse les 50%.
Caractéristiques de tendance centrale et de position
La médiane à partir d’une distribution discrète
La médiane vérifie la relation suivante :
Me = a tel que F (a− ) < 0, 5 ≤ F (a+ )
xi 0 1 2 3 4 5
ni 100 120 50 35 25 10
F (x)
1
0.90
0.79
0.65
0, 5

0.29

0 xi
1 2 3 4 5
Caractéristiques de tendance centrale et de position
La médiane à partir d’une distribution continue
F(x)

Fi+1

0.5

0,5−Fi
Me = xi + Fi+1 −Fi ×a

Fi
a
xi Me xi+1
Caractéristiques de tendance centrale et de position
Les quantiles
La notion de quantile (ou fractile) d’ordre α (0 ≤ α ≤ 1) généralise
la médiane.

On appelle quantiles d’ordre α les (α − 1) valeurs qui divisent les

observations en α parties d’effectifs égaux.
Il existe 3 valeurs qui permettent de partager l’effectif total en 4
sous ensembles d’effectifs égaux : il s’agit des quartiles.
▶ Les 3 quartiles sont notés Q1 , Q2 et Q3 .

9 valeurs correspondent à des effectifs de 10%, 20%, . . . , 90% : il

s’agit des déciles.
▶ Les déciles sont notés D1 , D2 , . . . , D9 .

99 correspondent à 1%, 2%, . . . , 99% : il s’agit des centiles.

Les quartiles, déciles, centiles s’obtiennent de la même façon que

la médiane.
Caractéristiques de tendance centrale et de position
Les quartiles
Pour i ∈ {1, 2, 3}, F (Qi ) = 4i .

Q2 = Me .
Interprétation :
75% 25%
50%
25%
xmin Q1 Q2 Q3 xmax

Q1 (resp. Q3 ) est la plus petite valeur de la série telle qu’au moins

25% (resp. 75%) des valeurs soient inférieures ou égales à Q1
(resp. Q3 ) .

Il y a 25% individus dont la valeur du caractère est dans l’intervalle

[xmin , Q1 ]
Caractéristiques de tendance centrale et de position
Les quartiles à partir d’une distribution discrète
F (x)
1
F (x4 )
F (x3 )

F (x2 )

F (x1 )

0 xi
x1 x2 x3 x4 x5
Caractéristiques de tendance centrale et de position
Les quartiles à partir d’une distribution discrète
F (x)
1
F (x4 )
F (x3 )
0, 75
F (x2 )
0, 5
∗ Qi = a tel que F (a− ) < i
4
≤ F (a+ )
F (x1 ) ⇒ Q1 = x1 , Q2 = x2 , Q3 = x3
0, 25

0 xi
x1 x2 x3 x4 x5
Caractéristiques de tendance centrale et de position

Les quartiles à partir d’une distribution continue

F(x)
F.c.c
1
F (x6 )

F (x5 )

F (x4 )

F (x3 )

F (x2 )

0 xi
x1 x2 x3 x4 x5 x6 x7
Caractéristiques de tendance centrale et de position

Les quartiles à partir d’une distribution continue

F(x)
F.c.c
1
F (x6 )

F (x5 )

0, 75
F (x4 )

0, 5

F (x3 )

0, 25
F (x2 )

0 xi
x1 x2 x3 x4 x5 x6 x7
Caractéristiques de tendance centrale et de position
Les quartiles à partir d’une distribution continue
F(x)
F.c.c
1
F (x6 )

F (x5 )

0, 75
F (x4 )

0,25−F (x2 )
Q1 = x2 + F (x3 )−F (x2 ) × (x3 − x2 )

0, 5

0,5−F (x3 )
F (x3 ) Q2 = x3 + F (x4 )−F (x3 ) × (x4 − x3 )

0, 25
0,75−F (x4 )
F (x2 ) Q3 = x4 + F (x5 )−F (x4 ) × (x5 − x4 )

0 xi
x1 x2 x3 x4 x5 x6 x7
Q1 Q2 Q3
Caractéristiques de tendance centrale et de position

La moyenne arithmétique

Soit {xi , ni } une distribution statistique , i ∈ {1, . . . , k }, k = nombre de

modalités.

La moyenne (noté x) est la valeur du rapport de la somme des valeurs

observées xi au nombre n des observations.
1 Cas d’une variable discrète :
k
1
P
▶ x= n ni xi .
i=1
k
P
▶ Remarque : x = fi xi .
i=1

2 Cas d’une variable continue :

1
Pk
▶ x= n i=1 ni ci .
Caractéristiques de tendance centrale et de position
Autres moyennes

1 La moyenne géométrique :
k
n1
xini
Q
▶ Cas d’une variable discrète : mg = .
i=1
k
n1
cini
Q
▶ Cas d’une variable continue : mg = .
i=1
▶ Utilisée dans le cas de phénomènes multiplicatifs (ex. taux de
croissance)

2 La moyenne harmonique :
k
1 1
P ni
▶ Cas d’une variable discrète : mh = n xi .
i=1
k
1 1
P ni
▶ Cas d’une variable continue : mh = n ci .
i=1
▶ Utilisée dans le cas où l’on combine de variables sous forme de
rapport (ex. vitesse).
Propriétés

k
P
1 La somme des écarts à la moyenne est nulle : ni (xi − x) = 0.
i=1
Preuve :
k
X k
X
ni (xi − x) = (ni xi − ni x)
i=1 i=1
Xk k
X
= ni xi − ni x
i=1 i=1
k
X
= nx − x ni
i=1
= nx − nx
= 0.
Propriétés

Soient a et b deux constantes.

2 x +b =x +b
k k
1 P 1 P
Preuve : x + b = n ni (xi + b) = n (ni xi + ni b)
i=1 i=1
k k
1 P 1 P
= n ni xi + n ni b
i=1 i=1
k
= x + b n1
P
ni
i=1
=x +b

3 ax = ax
k k
1
ni (axi ) = a n1
P P
Preuve : ax = n ni xi = ax.
i=1 i=1

4 ax + b = ax + b.
Preuve : ax + b = ax + b = ax + b
Propriétés

k
xifi
Q

5 mg =
i=1
Preuve :
k

1
xini
Y
mg = n

i=1

1
= x1n1 × . . . × xknk n

n1 nk

= x1 × . . . × xk
n n

= x1f1 × . . . × xkfk

k
xifi .
Y

=
i=1
Propriétés
k
1 P
6 log(mg ) = n ni log(xi ).
i=1
Preuve : k

1
xini
Y
log(mg ) = log n

i=1
k
1
xini
Y

= log
n
i=1
k
1X
= log(xini )
n
i=1
k
1 X
= ni log(xi ).
n
i=1

7 mh ≤ mg ≤ x
Applications

On considère le tableau suivant :

Revenus annuels Nombre d’habitants
(en milliers d’euros) d’une commune
[5, 6[ 20
[6, 10[ 50
[10, 20[ 280
[20, 35[ 350
[35, 85[ 200
[85, 200[ 100
Applications

1 Déterminer la classe modale et le mode.

xi [5, 7[ [7, 10[ [10, 20[ [20, 35[ [35, 85[ [85, 120[
ni 20 50 250 300 200 100

La classe modale correspond à la modalité ayant l’effectif le plus

élevé.
Applications

1 Déterminer la classe modale et le mode.

xi [5, 7[ [7, 10[ [10, 20[ [20, 35[ [35, 85[ [85, 120[
ni 20 50 250 300 200 100
ai 2 3 10 15 50 35
cor
ni 10 16,67 25 20 4 2,86

La classe modale correspond à la modalité ayant l’effectif le plus

élevé. Alors la classe modale est [10, 20[.
nicor
25−16,67
25 • Le mode est : Mo = 10 + (25−16,67)+(25−20) × (20 − 10) = 16, 25 kC

20
16, 67

10

4
2.86

Mo xi
5 7 10 20 35 85 120
Applications

2 Tracer la courbe cumulative et calculer la médiane. Interpréter.

xi [5, 7[ [7, 10[ [10, 20[ [20, 35[ [35, 85[ [85, 120[
ni 20 50 250 300 200 100
fi 0,02 0,05 0,27 0,32 0,22 0,1
Fi 0,02 0,07 0,34 0,67 0,89 1
Applications

2 Tracer la courbe cumulative et calculer la médiane. Interpréter.

xi [5, 7[ [7, 10[ [10, 20[ [20, 35[ [35, 85[ [85, 120[
Fi 0,02 0,07 0,34 0,67 0,89 1
F (x)
1

0, 89

0, 67

0, 5 • On sait que Me ∈ [20, 35[; Donc,

0,5−0,34
Me = 20 + 0,67−0,34 × 15 ≃ 27, 27k C
0, 34
• La moitié des habitants gagne moins de 27,27 kC /an

0, 07
0, 02
xi
5 7 10 20 Me 35 85 120
Applications

4 Calculer le troisième quartile Q3 . Interpréter.

▶ On sait que Q3 ∈ [35, 85[ car 0, 67 < 0, 75 < 0, 89. Alors,

0, 75 − 0, 67
Q3 = 35 + × 50 ≃ 53, 18 k C.
0, 89 − 0, 67

▶ 75% des habitants gagne moins de 53,18 kC /an.

5 Calculer la moyenne arithmétique. Interpréter.

k 6
1 1 34795
P P
▶ x= n ni ci = 920 ni ci = 920 ≃ 37, 82 kC.
i=1 i=1
▶ Le revenu annuel moyen des habitants est 37,82 kC /an.
Caractéristiques de dispersion

L’étendue est l’écart entre la plus grande et la plus petite valeur de

la série de données.

Intervalle interquartile : IQ = Q3 − Q1 .
▶ IQ correspond à un intervalle qui regroupe 50% des observations
autour de la médiane.
▶ Plus cet intervalle est large, plus la série est dispersée.

Diagramme en boîtes (ou boîtes à moustaches) : un diagramme

sur lequel sont indiquées les caratéristiques suivantes : minimum,
premier quartile, médiane, troisième quartile et maximum.

min max
Q1 Me Q3
Caractéristiques de dispersion
k
1
ni (xi − x)2 .
P
La variance : V (x) = n
i=1

p
L’écart-type : σx = V (x)
▶ L’écart-type mesure la dispersion des valeurs d’un échantillon
statistique autour de la moyenne arithmétique de l’échantillon.
▶ Plus l’écart-type est faible, plus les valeurs sont regroupées autour
de la moyenne.

σx
Le coefficient de variation : Cv (x) = x .
Propriétés
1 V (x) = x 2 − x 2 .
Preuve :
k k
1X 1X
V (x) = ni (xi − x)2 = ni (xi2 − 2xi x + x 2 )
n n
i=1 i=1
k k k
1 X 1 X 1X
= ni xi2 − 2 ni xi x + ni x 2
n n n
i=1 i=1 i=1
k k
1X 1X
= ni xi2 − 2x ni xi + x 2
n n
i=1 i=1
k
1 X
= ni xi2 − 2x x + x 2
n
i=1
k
1 X
= ni xi2 − x 2 = x 2 − x 2 .
n
i=1
Propriétés n indice i ici x x
indice i = ce qui donne
bien la moyenne
k
ni (xi − a)2 est minimale si a = x.
P
2 Soit a ∈ R, f (a) =
i=1
k montrer que la somme
ni xi2 na . atteint
2 son minimum
P
Preuve : On a f (a) = − 2anx + quand a = la moyenne de
i=1 x
Alors, la variable étant a, x
est une constante donc pour montrer on dérive
dérivé = 0
′
f (a) = −2nx + 2na
2n = effectif total donc
forcément différent de 0 = 2n(a − x),
positive = convexe = y a
et f ′′ (a) = 2n. bien un minimum

f ′ s’annule en x, et f ′′ est toujours positive.

Donc la somme des carrés des écarts de la moyenne est bien

minimale lorsque a=x.
Propriétés

Soient a et b deux constantes.

si on + constante = la variance ne change pas
3 V (x + b) = V (x).

Preuve :
k
1X  2
V (x + b) = ni (xi + b) − x + b
n
i=1
k
1 X
= ni (xi + b − x − b)2
n
i=1
k
1 X
= ni (xi − x)2
n
i=1
= V (x)
Propriétés
4 V (ax) = a2 V (x).

Preuve : k moyenne de ax
1X  2
V (ax) = ni axi − ax
n
i=1
k
1 X  2
= ni axi − ax
n
i=1
k factorise par a
1X
= ni a2 (xi − x)2
n
i=1
k
1X
= a2 ni (xi − x)2
n
i=1
2
= a V (x)
5 V (ax + b) = a2 V (x)
Propriétés

x−x
5 Soit y = σx (variable centrée réduite). Alors :

y = 0, V (y ) = 1 et σy = 1.

Preuve :
       
x−x x x x x x x
▶ y= σx = σx − σx = σx − σx = σx − σx = 0.

x−x x x x 1 1




▶ V (y ) = V σx =V σx − σx =V σx = σx2
V (x) = V (x) V (x) = 1.

p
▶ σy = V (y ) = 1.
Propriétés
n P
n
1
(xi − xj )2
P
6 V (x) = 2n2
i=1 j=1
Preuve :
n n n P
n
1 P P 1
(xi − xj )2 = (xi2 + xj2 − 2xi xj )
P
2n2 2n2
i=1 j=1 i=1 j=1
n P n n P n n P n
1 P 2+ 1
P 2− 1
P
= 2n 2 xi 2n 2 x j 2n 2 2xi xj
i=1 j=1 i=1 j=1 i=1 j=1
n n n P n
1 P
nxi2 + 2n1 2 nxj2 − n12
P P
= 2n2
xi xj
i=1 j=1 i=1 j=1
n n n n
1 P 2 1 P 2 1 P 1 P
= 2n xi + 2n x j − n x i n xj
i=1 j=1 i=1 j=1
n n
1 P 2
xi − n1
P
= n xi x
i=1 i=1
n
= 1 P 2
n xi − x 2
i=1
Caractéristiques de forme et de concentration

Les moments simples et centrés

Les moments simples d’ordre r correspondent à une moyenne

des puissances r :
k
1X
mr = ni xir .
n
i=1

Les moments centrés d’ordre r sont les moments simples d’ordre

r appliqués aux écarts par rapport à la moyenne :
k
1X
µr = ni (xi − x)r .
n
i=1

Remarques :
▶ m1 = x.
▶ µ1 = 0.
▶ µ2 = V (x)
Caractéristiques de forme et de concentration

Coefficient d’asymétrie de Fisher

L’asymétrie est mesurée par le coefficient de Fisher :

µ3
γ1 = 3 .
σ
▶ Si γ1 = 0, la distribution est symétrique autour de x.
▶ Si γ1 > 0, la distribution est plus étalé sur la droite.
▶ Si γ1 < 0, la distribution est plus étalé sur la gauche.
Application
µ3
Calcul du coefficient de Fisher : γ1 = σ3

On considère la distribution suivante comportant 20 valeurs

numériques :
0,06 5,55 7 6,15 9 10,11 9,99 10 10,55 9,86
10,88 11,11 12 11,5 11,99 12,74 12,15 13,01 13,98 14,12
20
1 P
x= 20 xi = 10.09
i=1
20
1 P 2
V (x) = 20 xi − x 2 = 2244, 98 − 10.092 = 11, 45
i=1
3
p √
σx = V (x) = 2244, 98 = 3, 24
20 20
1 P 1 P
µ3 = 20 (xi − x)3 = 20 (xi − 10.09)3 = −49, 91
i=1 i=1
γ1 = µ3
σ3
= −49,91
3,243
= −1, 47
Le coefficient de Fisher montre que la distribution est étalée à gauche.
Caractéristiques de forme et de concentration

Coefficients d’asymétrie de Yule

Le coefficient de Yule st calculé à partir de la position des

quartiles Q1 , Q2 et Q3 . Il s’écrit :

(Q3 − Q2 ) − (Q2 − Q1 )
CY =
(Q3 − Q2 ) + (Q2 − Q1 )

▶ Si CY = 0, la distribution est symétrique.

▶ Si CY > 0, la distribution est étalée vers la droite.
▶ Si CY < 0, la distribution est étalée vers la gauche.
Caractéristiques de forme et de concentration

Comparaison des indicateurs de tendance centrale

Moyenne - Mode - Médiane

moyenne = Me = Mo : La distribution est symétrique.

moyenne > Me > Mo : La distribution est étalée à droite.

moyenne < Me < Mo : La distribution est étalée à gauche.

moyenne > Me > Mo moyenne = Me = Mo moyenne < Me < Mo

Caractéristiques de forme et de concentration
Coefficient d’aplatissement de Fisher
L’aplatissement est mesurée par le coefficient de Fisher :
µ4
γ2 = 4 − 3.
σ
▶ Si γ2 = 0, la distribution possède un aplatissement du même ordre
que la loi normale.
▶ Si γ2 > 0, la distribution est plus aplatie que la loi normale.
▶ Si γ2 < 0, la distribution est moins aplatie que la loi normale.

γ2 = 0 γ2 > 0 γ2 < 0
Caractéristiques de forme et de concentration
La courbe de concentration (ou de Lorenz)
La courbe de concentration est obtenue en plaçant les points
i
qi et qi = Pninciici .
P
Mi (Fi , Li ), où Li =
j=1
L
B
1

• L’aire de concentration est la région comprise entre

la diagonale et la courbe de Lorenz.

• Un point de coordonnées (F, L) sur la courbe indique

que F% des individus se partagent L% de la masse.

• Interprétation : plus l’aire est importante, plus la concentration est forte.

F
O A
1
Caractéristiques de forme et de concentration

Coefficient de Gini

L’indice de Gini (noté IG ) est égale à l’aire de concentration,

divisée par la surface du triangle inférieur du carré.
▶ Remarque : IG = 2×aire de concentration.

0 ≤ IG ≤ 1.

Si IG augmente, la concentration augmente.

Si IG = 0 la courbe de concentration est confondue avec la

diagonale : il y a alors équirépartition totale.
Caractéristiques de forme et de concentration

Calcul de l’indice de Gini

L
1

P
• IG = 1 − 2 surface de chacun des trapèzes rectangles
Li
• Pour un trapèze de base a et de hauteurs h et H, on a :
S = a2 (H + h).

• Le i-ième trapèze a une base égale à Fi − Fi−1

F −F
avec des hauteurs Li et Li−1 , Si = i 2 i−1 (Li + Li−1 )
Li−1
Pk
Donc, IG = 1 − i=1 (Fi − Fi−1 )(Li + Li−1 )

F
Fi−1 Fi
Caractéristiques de forme et de concentration

La médiale

La médiale est la valeur qui partage la distribution en deux parties

qui accumulent la même quantité (la même masse).

La médiale est la médiane de la distribution des masses ni xi .

La médiale se détermine de la même façon que la médiane, mais

à partir de L.

La médiale est la valeur de x telle que L(x) = 21 .

Plus l’écart entre la médiale et la médiane est grand, plus

l’inégalité dans la répartition est importante.
Applications
Application 1 : On considère le tableau suivant (tailles (en cm) de 170
étudiants) :

Classes de tailles ni
[155, 160[ 10
[160, 165[ 17
[165, 170[ 32
[170, 175[ 45
[175, 180[ 36
[180, 190[ 25
[190, 200[ 5

Population statistique : 170 étudiants enquêtés.

Caractère statistique : la taille (en cm) des étudiants.
Type du caractère : quantitatif continu.
Applications
1 Déterminer la classe modale et le mode.
xi [155,160[ [160,165[ [165,170[ [170,175[ [175,180[ [180,190[ [190,200[
ni 10 17 32 45 36 25 5
ai 5 5 5 5 5 10 10
nicor 2 3,4 6,4 9 7,2 2,5 0,5

nicor
9

7.2 • La classe modale est : [170, 175[

6.4

9−6,4
• Mo = 170 + (9−6,4)+(9−7,2) × 5 ≃ 173

3.4

2.5
2

0.5
0
xi
155 160 165 170 175 180 190 200
Applications
2 Déterminer les quartiles : Q1 , Q2 , Q3 . Interpréter.
xi [155,160[ [160,165[ [165,170[ [170,175[ [175,180[ [180,190[ [190,200[
Fi 0,06 0,16 0,35 0,61 0,82 0,97 1

F (x)
1
0.97
0,25−0,16
• Q1 = 165 + 0,35−0,16 × 5 ≃ 167, 4 cm

0.82 • 25% des étudiants mesurent moins de 167,4 cm.

0.75

0.61 0,5−0,35
• Q2 = 170 + 0,61−0,35 × 5 ≃ 172, 9 cm

0.50 • 50% des étudiants mesurent moins de 172,9 cm.

0.35
0,75−0,61
• Q3 = 175 + 0,82−0,61 × 5 ≃ 178, 3 cm
0.25
• 75% des étudiants mesurent moins de 178,3 cm.
0.16

0.06
0
xi
155 160 165 170 175 180 190 200
Applications

3 Déterminer l’écart interquartile. Interpréter.

▶ Q3 − Q1 = 178, 3 − 167, 4 = 10, 9

▶ 50% des étudiants ont des tailles concentrées entre 167, 40 et

178, 30, c’est-à-dire sur un intervalle de 10,90 cm.
Applications

4 Calculer la moyenne, la variance et l’écart-type.

xi [155,160[ [160,165[ [165,170[ [170,175[ [175,180[ [180,190[ [190,200[

ni 10 17 32 45 36 25 5
ci 157,5 162,5 167,5 172,5 177,5 185 195
ni ci 1575 2762,5 5360 7762,5 6390 4625 975
ni ci2 248062,5 448906,25 897800 1339031,25 1134225 855625 190125

k 7
1 P 1 P
x= n ni ci = 170 ni ci = 173, 24 cm.
i=1 i=1
7
1
ni ci2 − x 2 = 30081, 03 − 173, 242 = 70, 56.
P
V (x) = 170
i=1
p √
σx = V (x) = 70, 56 = 8, 40 cm.
Applications
5 Déterminer le coefficient de Fisher. Interpréter.
7 7
1 1
(xi − x)3 = ni (xi − 173, 24)3 = 170, 60
P P
▶ µ3 = n 170
i=1 i=1
µ3 135,64
▶ γ1 = σ3
= 8,403
= 0, 29
▶ γ1 > 0, alors la distribution est étalée à droite (mais l’étalement est
faible).

6 Déterminer le nombre d’étudiants dont les tailles sont comprises

entre 172 et 182 cm.
▶ Réponse : exercice.
Applications
Application 2 : On considère le tableau suivant (répartition des
salaires annuels (exprimés en KC) des 220 employés de l’entreprise
alfa).

xi [0, 15[ [15, 25[ [25, 30[ [30, 35[ [35, 45[
ni 50 49 50 38 33
1 Tracer la courbe de concentration de Lorenz. Interpréter.
Applications
Application 2 : On considère le tableau suivant (répartition des
salaires annuels (exprimés en KC) des 220 employés de l’entreprise
alfa).

xi [0, 15[ [15, 25[ [25, 30[ [30, 35[ [35, 45[
ni 50 49 50 38 33
1 Tracer la courbe de concentration de Lorenz. Interpréter.
xi [0, 15[ [15, 25[ [25, 30[ [30, 35[ [35, 45[
ni 50 49 50 38 33
ci 7,5 20 27,5 32,5 40
Fi 0,23 0,45 0,68 0,85 1
ni ci 375 980 1375 1235 1320
qi = Pninciici 0,07 0,19 0,26 0,23 0,25
P
Li = qi 0,07 0,26 0,52 0,75 1
La courbe de Lorenz consiste à tracer les points de coordonnées
(Fi , Li ).
Applications
1 Tracer la courbe de concentration de Lorenz. Interpréter.

Fi 0,23 0,45 0,68 0,85 1

Li 0,07 0,26 0,52 0,75 1
L
1

0, 75

0, 52

0, 26

0, 07

0, 23 0, 45 0, 68 0, 85 1 F
Applications
1 Tracer la courbe de concentration de Lorenz. Interpréter.

Fi 0,23 0,45 0,68 0,85 1

Li 0,07 0,26 0,52 0,75 1
L
1

0, 75
• La distribution est inégalitaire mais la concentration est un peu faible.

0, 52

0, 26

0, 07

0, 23 0, 45 0, 68 0, 85 1 F
Applications

2 Calculer l’indice de Gini.

L P
1 • IG = 1 − 2 surface de chacun des trapèzez rectangle

= 1 − 2(S1 + S2 + S3 + S4 + S5 ).

Fi −Fi−1
• On a: Si = 2 (Li + Li−1 ), avec F0 = L0 = 0,
0, 75
F1 −F 0 0,23−0 0,0161
⇒ S1 = 2 (L1 + L0 ) = 2 (0, 07 + 0) = 2

F2 −F 1 0,45−0,23 0,0726
S2 = 2 (L2 + L1 ) = 2 (0, 26 + 0, 07) = 2

0, 52 F3 −F 2 0,68−0,45 0,1794
S3 = 2 (L3 + L2 ) = 2 (0, 52 + 0, 26) = 2

F4 −F 3 0,85−0,68 0,2159
S4 = 2 (L4 + L3 ) = 2 (0, 75 + 0, 52) = 2

F5 −F 4 1−0,85 0,2625
S5 = 2 (L5 + L4 ) = 2 (1 + 0, 75) = 2
0, 26
• Donc, IG = 1 − 2( 0,0161+0,0726+0,1794+0,2159+0,2625
2 )

= 1 − 0, 7465 = 0, 2535
0, 07
S1 S2 S3 S4 S5
0, 23 0, 45 0, 68 0, 85 1 F
Applications

3 Calculer la médiale. Interpréter.

▶ La médiale est comprise entre 25 kC et 30 kC. Par interpolation
0,5−0,26
linéaire on obtient : Mℓ = 25 + 0,52−0,26 × 5 = 29, 60 kC.
▶ Les employés qui ont un salaire annuel inférieur à 29,60 kC se
partagent 50% de la masse salariale, et ceux qui ont un salaire
supérieur à 29,60 kC se partagent l’autre moitié.

4 Calculer l’écart entre la médiale et la médiane. Interpréter.

▶ La médiane est comprise entre 25 kC et 30 kC. Par interpolation
0,5−0,45
linéaire on obtient : Me = 25 + 0,68−0,45 × 5 = 26, 10 k C.
▶ L’écart : Mℓ − Me = 29, 60 − 26, 10 = 3, 50 kC.
▶ Cet écart est un indicateur de concentration. Plus il est important,
plus la concentration des salaires dans l’entreprise est forte (i.e.
plus la répartition des salaires est inégalitaire).
Applications
Application 3 : Vous effectuez le même trajet 2 fois en avion, le
premier trajet à une vitesse de 890 km/h et le second trajet à une
vitesse de 950 km/h. Quelle a été la vitesse moyenne de votre
voyage ?

Notons d la distance d’un trajet. Alors la distance totale effectuée

lors des 2 trajets est à 2d.
Soit t1 (resp. t2 ) la durée du premier (resp. second) trajet. Alors la
durée total du trajet est t1 + t2 .
d d
t1 = 890 , t2 = 950 .

La vitesse moyenne est égale à

2d 2d 2
vm = = d d
= 1 1
≃ 919km/h.
t1 + t2 890 + 950 890 + 950

On reconnait la moyenne harmonique.