‫ــ‬ ‫اط ـ ا‬ ‫ا ــ ر ا ا ــ ا‬

République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur ‫وزارة ا ــ ا ـــــ‬

et de la Recherche Scientifique ‫ا ـ‬ ‫و ا ــ‬
Université Abderrahmane Mira Bejaïa ‫ـــ‬ ‫ن ة‬ ‫ا‬ ‫ـــــ ـ‬

Faculté SNV
Département des Sciences Alimentaires
Licence 2 Emballage et Qualité (Semestre 1)
Matière : 60 heures (30h cours et 30h TD&TP) ; Crédit : 5 ; Coefficient : 3
Chargé de la matière : BACHIR BEY M.

Statistiques et approche statistique pour la qualité des produits

I. Statistique descriptive

1. Définitions
«
1.1. Statistique : Le mot statistique est dérivé du mot status qui signifie état », car l’usage des
statistiques a commencé par le recueil et l’analyse de données des pays et des régions. La statistique peut
être définie comme étant un ensemble de méthodes scientifiques qui permettent de recueillir, d’organiser,
de présenter et d’analyser des données statistiques.

1.2. Statistique descriptive : C’est la statistique dont les conclusions tirées sont valables uniquement
pour l’ensemble étudié.

2. Terminologie
2.1. Population statistique : On désigne par le mot population statistique tout ensemble étudié par la
statistique et il faut qu’elle soit définie sans ambiguïté. Elle doit avoir au moins un caractère qui la
différencie des autres populations.

Exemple : étude de la quantité d’emballage produite par une entreprise donnée. La population c’est
l’ensemble des emballages qui sont produits par cette entreprise. Si je m’intéresse à un seul type
d’emballage, dans ce cas, la population n’est pas l’ensemble des emballages produit, mais c’est
uniquement l’ensemble des emballages du type étudié.

Dans la plupart des cas, l’étude ne peut pas se faire sur toute la population. L’étude se ferra sur un nombre
réduit d’individus, c’est ce qu’on appelle échantillon.

2.2. Échantillon : C'est un sous ensemble de la population considérée, tiré par une méthode statistique
(échantillonnage). Il doit représenter fidèlement la population. Chaque élément de la population ou de
l’échantillon est appelé un individu ou une unité statistique.

2.3. Unité statistique : individu ou membre. C’est l’entité élémentaire que l’on prend en considération
pour mesurer ou repérer la variable.
1
 Population

Ech 1 Ech 2

Unités statistiques

Figure 01 : Schéma montrant l’unité statistique, l’échantillon et la population

2.4. Caractère ou variable statistique : C'est la propriété ou l'aspect singulier choisit d’analyser dans la
population ou l'échantillon. Il faut définir sans ambiguïté les caractères et apporter toutes les précisions
nécessaires.

Exemple :

1) Si je veux mesurer les dimensions d’un emballage, je dois définir s’il s’agissait des dimensions
internes ou externes.

2) Si on veut calculer le nombre d’emballages produit par heure, on doit préciser s'il faut tenir des unités
réformées.

Nominale
Qualitative
Ordinale
Variable
Discrète
Quantitative
Continue
a. Caractère qualitatif

Si le caractère étudié admet des critères non mesurables, on dit que le caractère est qualitatif (Couleur,
goût, aspect, etc.). On désigne par modalités les différentes catégories d’un caractère qualitatif.

Exemple : caractère :Couleur ; modalités : blanc, bleu, rouge. Caractère :Grandeur ; modalités : petit,
moyen, grand.

Cette variable peut se subdiviser en : variable qualitative nominale où les modalités ne sont pas classées
ex. région géographique, type d’emballage ou questions à réponse "oui" ou "non". Aucune comparaison
ni hiérarchisation ne peut être établie entre ces modalités. Variable qualitative ordinale dont les
modalités peuvent être hiérarchisées ex. intensité de couleur, préférence, grandeur. Ex. qualité d’un
service : (a) nulle, (b) médiocre, (c) moyenne, (d) assez bonne, (e) très bonne, (f) et excellente. Mais les
distances ne sont pas quantifiables.

2
b. Caractère quantitatif

C’est un caractère auquel la variable est mesurable. On qualifie de valeurs les différents chiffres d’une
variable.

Exemple : Longueur, poids, nombre de produits vendus, etc.

Pour la variable : Nombre de pannes d’une chaine de production/mois … valeurs : 0, 1, 2, 3...
On distingue deux types de caractères quantitatifs :

- Variable discrète : Lorsque le nombre de valeurs possibles de la variable est fini, entre deux valeurs
successives, aucune autre valeur n'est possible. Ex. nombre de clients reçus par heure.

- Variable continue : comme la taille, le poids, la concentration d’une substance, de façon générale,
toutes les variables mesurables à l'aide d'un instrument. Entre deux valeurs successives, il peut exister une
infinité de valeurs. L'ensemble des valeurs prises par de telles variables est une partie des nombres réels.

3. Échantillonnage
C’est la collection de l’échantillon représentatif de la population. Il existe plusieurs manières de recueillir
des échantillons

3.1. Échantillonnage aléatoire simple : Cette méthode est la plus utilisée.

- Tous les éléments de la population ont une chance égale de faire partie de l'échantillon.

- Tous les échantillons possibles (de même taille) ont la même probabilité d'être choisis.

Exemple :
1. Soit une classe de 36 étudiants disposés en 6 rangées de 6 étudiants chacune. Supposez que
l’enseignant sélectionne 6 étudiants par le lancer d’un dé pour le choix d’une rangée de 6. Est-ce que cet
échantillon est aléatoire? Est-ce que cet échantillon est aléatoire simple ?
Solution : c’est un échantillon aléatoire, car tous étudiants ont une chance égale d'être choisis dans
l'échantillon qui est de 1/6. Cependant ce n’est pas un échantillon aléatoire simple, parce que tous les
échantillons de taille 6 n’ont pas la même chance d’être choisis.
2. Pour étudier la qualité d’un type d’emballage, un temps fixe est choisi pour prélever une unité de la
chaine de production, soit à 8:40min. Dans ce cas, cet échantillon formé n’est pas aléatoire. Pour le
rendre aléatoire, il faut prélever à des temps différents pendant la période d’étude.
3.2. Échantillonnage systématique : On choisit aléatoirement un point de départ et on sélectionne
chaque nième élément de la population. Dans le cas de tirage de nombres, il faut numéroter la population.
Cet échantillonnage se fait aussi en fonction du temps, s’il s’agit par exemple d’une chaîne de production.

Exemple : Si je veux choisir un échantillon de 4 étudiants dans cette section, je prends la liste et je
choisis le 1er étudiant (soi-disant le 3ème de la liste). Pour choisir les suivants, à chaque fois je rajoute un
nombre constant exemple 4. Alors l’échantillon qui sera choisi comporte les étudiants de rangs suivants :
3, 7, 11 et 15.

3
3.3. Échantillonnage stratifié : On subdivise la population en au moins deux sous-groupes différents (ou
strates) et on tire un échantillon dans chaque sous-groupe.

Exemple : Si je veux étudier la quantité d’emballage utilisé par famille dans la willaya de Bejaia. Je peux
subdiviser la willaya en zones, par exemple je considère les daïras, à partir desquelles je choisis des
sous-échantillons. L’ensemble des sous-échantillons représente l’échantillon global.

3.4. Échantillonnage en grappes : On commence par diviser la population en sections (ou grappes) et on
sélectionne aléatoirement des grappes, puis on prend tous les membres des grappes sélectionnées.

Exemple : Si je veux estimer la quantité d’emballage provenant à partir de l’entreprise « Meriplast» aux
épiceries de la ville de Bejaia. Alors je choisis quelques quartiers aléatoirement. Chaque quartier est
considéré comme une grappe. Sur chaque quartier sélectionné, on prend la quantité d’emballage
provenant de « Meriplast» de toutes les épiceries qui se trouvent dans ce cartier et l’ensemble des
épiceries des quartiers sélectionnées représente l’échantillon global.

4. Organisation des données

4.1. Série statistique

On appelle série statistique une liste de N observations faites pour un caractère d’une population.

Exemple : Poids des bouteilles en plastique (g) : 33,0-33,5-33,7-33,6-33,2-…N

4.2. Distribution de fréquences

C’est un regroupement des données statistiques selon les modalités (cas d’un caractère qualitatif), selon
les valeurs (cas d’une variable discrète) ou selon les classes (cas d’une variable continue).

La distribution de fréquences a pour but de réduire d’importantes masses de données brutes et de les
organiser dans un tableau.

4.3. Fréquences

a. Fréquence absolue (ni) : Nombre d’individus ou d’unités statistiques classés dans le même groupe
(modalité, valeur, classe).

b. Fréquence relative (fi) : Effectif (ni) d’une modalité, valeur ou classe /nombre total d’effectifs (N)

fi = ni/N. En multipliant fi par 100, on obtient la fréquence en pourcentage Fi.

4.4. Distribution de fréquences pour une variable quantitative continue :

a. Nombre de classes :

• Le nombre de classes ne doit pas être trop faible (<3) ni trop grand (> 20)

4
 • Il existe quelques formules empiriques pour déterminer le nombre de classes :

- Règle de STURGE : Nombre de classes = 1+ (3,3 log N)

- Règle de YULE : Nombre de classes = 2,54 N

Exemple : Nombre de classes pour n= 60 ≈ 7.

b. Intervalle (amplitude, étendue) de classe = (valeur la plus grande – valeur la plus petite)/Nombre de
classes ;
c. Borne inférieure et Borne supérieure ;
d. Centre de classe, Ci : (Borne supérieure + Borne inférieure)/2 ;
e. Effectif (fréquence absolue) : nombre d'individus de la classe (ni). De préférence > 5 ;

Exemple de distribution de fréquences pour une variable quantitative :

Pour étudier le poids d’un produit mis en sachets, les poids en grammes de 60 sachets sont pris et les
résultats sont les suivants : 20 ; 21 ; 22 ; 23 ; 24,4 ; 25 ; 26 ; 20,2 ; 21,2 ; 22,1 ; 23,1 ; 24,9 ; 25,5 ;
26,7 ; 20,4 ; 21,2 ; 22,2 ; 23,2 ; 24,2 ; 25,4 ; 26,3 ; 20,6 ; 21,8 ; 22,3 ; 23,3 ; 24,3 ; 25,6 ; 26,2 ; 20,8 ;
21,4 ; 22,6 ; 23,4 ; 24,4 ; 25,8 ; 21,6 ; 22,5 ; 23,5 ; 24,5 ; 25,5 ; 21,9 ; 22,6 ; 23,6 ; 24,6 ; 25,1 ; 21,5 ;
22,5 ; 23,7 ; 24,7 ; 22,8 ; 23,8 ; 24,9 ; 22,8 ; 23,9 ; 24,2 ; 23,9 ; 24,3 ; 23,2 ; 23,5 ; 23,7 ; 23,6.

Dans la pratique, il est très fréquent pour une série statistique (en présence d’un grand nombre de
valeurs) de regrouper des valeurs proches les unes des autres. On appelle un tel groupement de données :
catégories ou classes.

Tableau I : Regroupement en classes des résultats et le calcul de différents paramètres

Classe Ci (xi) ni Cini fi ECC fCC Fi

[ 20-21 [ 20,5 5 102,5 0,083 5 0,083 8,33
[ 21-22 [ 21,5 8 172 0,133 13 0,216 13,33
[ 22-23 [ 22,5 10 225 0,167 23 0,383 16,67
[ 23-24 [ 23,5 15 352,5 0,250 38 0,633 25,00
[ 24-25 [ 24,5 11 269,5 0,183 49 0,816 18,33
[ 25-26 [ 25,5 7 178,5 0,117 56 0,933 11,67
[ 26-27 [ 26,5 4 106 0,067 60 1 6,67
Total / 60 1406 1 / / 100,00
Ci : centre de classe il est noté aussi xi ; ni : effectifs de classe ou fréquence absolue ; fi : fréquence
relative ; ECC : effectifs cumulés croissants ; fCC: fréquences cumulées croissantes ; Fi : fréquence en
pourcentage

5
5. Représentations graphiques
Il est souvent préférable de représenter graphiquement une série statistique. Un graphique permet d’avoir
une vue d’ensemble, synthétique de toutes les données mesurées. Ceci est d’autant plus facile si on utilise
l’outil informatique.

5.1. Cas d’une variable statistique qualitative

1- Diagrammes en bâtons. 2- Diagrammes en barres (tuyaux d'orgue). Le principe est de représenter des
hauteurs proportionnelles aux fréquences de la variable statistique. 3- Diagrammes en secteurs
(circulaires) : les angles se calculent comme suit : 1→ 360°

fi → Ɵ° ….. Ɵ° = fi 360 = ni 360/N

5.2. Cas d’une variable statistique discrète

C’est le diagramme en bâton qui est utilisé. Les valeurs de la variable sont portées en abscisse et les
fréquences correspondantes sont représentées par des segments. Si l’on joint les sommets, on obtient un
polygone des fréquences ou des effectifs.

5.3. Cas d’une variable statistique continue

On utilise l’histogramme. Chaque classe est représentée par un rectangle dont la base est égale à
l’amplitude de la classe et la hauteur à la fréquence relative ou absolue (effectifs). La liaison des sommets
en passant par les centres de classes donne le polygone des fréquences ou des effectifs.

Exemple : Résultats du tableau 1

Effectif (ni) Effectif (ni)

16 16
14 14
12 12
10 10
8 8
6 6
4 4
2 2
0
0
20 21 22 23 1 24 25 26 27 1
20,5 2
21,5 3
22,5 4
23,5 5
24,5 6
25,5 7
26,5
Poids de produit (g) Poids de produit (g)
Figure 01 : Histogramme illustrant la distribution des Figure 02 : Polygone illustrant la distribution des
effectifs des poids de produit effectifs des poids de produit

6. Calcul des paramètres de position et de dispersion

Une fois la distribution de fréquences (ou effectifs) est établie, on peut en tirer un certain nombre de
paramètres qui conduisent à une réduction ultérieure des données. Ces paramètres sont les mesures des
paramètres de position et de dispersion.

6.1. Calcul des paramètres de position (Tendances centrales)

6
Une série de données se caractérise par des valeurs qui tendent à se grouper vers le centre : valeurs de
tendance centrale qui sont la moyenne, la médiane et le mode.

6.1.1. Moyenne arithmétique ( x )

La moyenne arithmétique, ou moyenne, d’une série de N nombres x1, x2, x3, …, xN est notée x (lire : x
barre) se calcule comme suit :

Série non classée :

N
x + x2 + x3 + ... + x N 1
∑ x caractérise la somme de tous les xi de i = 1 à i= N
N
x= 1
N
=
N
∑ xi Le symbole
i =1 i =1
i

Exemple : la moyenne arithmétique des nombres 8, 3, 5, 12, 10 est (8+3+5+12+10)/5=7,6

Série classée :
1 N N
Avec les effectifs (fréquences absolues) x =
N
∑ ni xi ; Avec les fréquences relatives x = ∑ fi xi
i =1 i =1

6.1.2. Médiane (Me)

La médiane est la valeur centrale d’une série de données impaires, rangées par ordre de grandeur ou c’est
la moyenne arithmétique des deux valeurs centrales dans le cas d’une série paire.

Exemple : la médiane de la série de nombres 3, 4, 4, 5, 6, 8, 8, 8, 10 est 6. Celle de la série de nombres 5,

5, 7, 9, 11, 12, 15, 18 est (9+11) X 1/2= 10.

Série classée :
L1: Borne inférieure de la classe médiane (la classe contenant la médiane).
 N 
N : Nombre d’effectifs (ou fréquence absolue totale).
  2 − (∑ n )1   (∑ n )1 : Somme des effectifs de toutes les classes inférieures à la classe médiane.
Me = L1 +    × c
 nm  nm = Effectifs de la classe médiane.
 
  c = Amplitude de l’intervalle de la classe médiane.

- Géométriquement, la médiane représente la valeur de x (abscisse) correspondant à la ligne verticale qui

divise un histogramme en deux parties d’aires égales.

6.1.3. Mode (Mo)

Le(s) mode(s) d’une série de nombres est(sont) la(es) valeur(s) qui apparaît(ssent) avec la(es) plus
grande(s) fréquence(s), c’est-à-dire la(es) valeur(s) la(es) plus commune(s). Le mode peut ne pas exister,
et, même s’il existe, il peut ne pas être unique.

Exemple : La série de nombres 2, 2, 5, 7, 9, 9, 9, 10, 10, 11, 12, 18 a pour mode 9. La série 3, 5, 8, 10,
12, 15, 16 n’a pas de mode. La série 2, 3, 4, 4, 4, 5, 5, 7, 7, 7, 9 a deux modes 4 et 7, on dit qu’elle est
bimodale. Une distribution ayant un mode unique est appelée unimodale, si elle a plusieurs, elle est
multimodale.

7
- Dans le cas d'une variable statistique continue, on parle plutôt de classe modale.
- Dans le cas de données groupées représentées par une courbe des fréquences, le mode sera la valeur (ou
les valeurs) de x correspondant au(x) point(s) maximum(s) de la courbe.

Série classée : L1 : Borne inférieure de la classe modale (la classe contenant le mode).
n1 = Effectifs de la classe modale - Effectifs de la classe précédant la classe modale.
 n1  n2 = Effectifs de la classe modale - Effectifs de la classe suivant la classe modale.
Mo = L1 +   × c c = Amplitude de la classe modale.
 n1 + n2 

- La moyenne est utilisée essentiellement dans le cas de distributions symétriques puisqu’elle est
fortement influencée par la présence de valeurs extrêmes dans les données.
- La médiane possède l’avantage d’être non influencée par les valeurs extrêmes.
- Le mode est utile dans le cas de distributions multimodales puisqu’il apparaît comme l’observation la
plus fréquente dans une série de données.

6.2. Calcul des paramètres de dispersion

Exemple : soient les deux séries suivantes :

Série statistique 1 : 11 - 12 - 13 - 14 -14 -14 15 - 16 - 17
Série statistique 2 : 10 - 11 - 12 - 13 - 14 -14 -14 15 - 16 - 17 - 18
Moyenne =Mode =Médiane=14 ; mais la dispersion au tour des paramètres de position n’est pas la même.
Le degré auquel des données numériques tendent à s’écarter d’une valeur moyenne est appelé variation ou
dispersion des données. Il existe plusieurs paramètres qui mesure la dispersion des données : l’étendue,
l’écart moyen, mais les plus communs sont l’écart-type et la variance.

6.2.1. Étendue (e)

On appelle étendue d’une série statistique la différence entre les deux valeurs extrêmes de la série.

e = xmax – xmin dont xmax représente la valeur maximale (+grande) et xmin la valeur minimale (+petite).

Exemple : dans l’exemple précédent : SS1 = 17 – 11 = 6 ; SS2 = 18 – 10 = 8.

6.2.2. Ecart-type absolu moyen (Em)

La moyenne des écarts absolus à la moyenne

N
1 1 N N

N
∑ xi − x si les données sont regroupées :
i =1
∑ ni xi − x =
N i =1
∑f
i =1
i xi − x

Exemple : dans l’exemple précédent : SS1 = 1,33 ; SS2 = 1,82.

6.2.3. Écart-type ( σ ) : L’écart-type est la racine carrée de la moyenne des carrés des écarts des valeurs
individuelles par rapport à leur moyenne.

L’écart-type d’une série de N nombres x1, x2, …, xN est défini par la formule suivante :

8
Série non classée :

1 N  1 N 2 N
σ= ∑
N i =1
( xi − x ) 2
=  ∑ xi  − x 2
 N i =1 
∑ (x
i =1
i − x ) 2 = SCE : Somme des carrées des écarts.

Exemple : dans l’exemple précédent : σ 1 = racine (28/9) = 1,76 ; σ 2 = racine (60/11) = 2,34.

Série classée :

N N
1
En utilisant les effectifs : σ =
N
∑ ni ( xi − x )2 en utilisant les FR : σ =
i =1
∑ f (x − x)
i =1
i i
2

1 N 2  N 2
En utilisant les effectifs: σ =  ∑ ni xi  − x 2 en utilisant les FR: σ =  ∑ f i xi  − x 2
 N i =1   i =1 
où x : désigne la moyenne arithmétique ; N : Nombre total d’effectifs ; ni : Nombre d’effectifs de chaque
classe ; fi : fréquence relative de chaque classe.

Exemple :
Soit la série de données ci-après :
23,5 ; 11,3 ; 17,5 ; 16,7 ; 9,6 ; 10,6 ; 24,5 ; 21,0 ; 18,1 ; 20,7.
N
L’effectif N = 10, ∑x i
2
= 326,95 et x = 17,35. Par conséquent σ = 3266,95 − 17,35 2 = 5,07 g / 100 g
i =1 10

6.2.4. Variance σ 2

La variance d’une série de données est le carré de l’écart-type. Variance = (écart-type)2

6.2.5. Coefficient de variation (CV)

Le rapport de l’écart-type à la moyenne, exprimé en pourcentage, est appelé coefficient de variation :

σ
CV = × 100 nombre sans unité, il est utilisé pour comparer deux distributions.
x

L’écart-type et la moyenne ont tous les deux des unités de mesure, alors que le coefficient de variation
n’en a pas. Le coefficient de variation est donc utile pour comparer l’ampleur de la variation de caractères
qui ne s’expriment pas dans les mêmes unités de mesure.

Exemple : Supposons qu’on veut comparer les variations de volume d’un type d’emballage et celui de
son poids. Supposons que les moyennes et les écarts-types respectifs sont les suivants :

Volume moyen = 10L, Ecart-type = 200ml.

Poids moyen = 500g, Ecart-type = 10g.

La valeur absolue de l’écart-type laisse penser que la variation est plus grande dans le cas des volumes,
mais la variation relative, indiquée par le coefficient de variation (2%) est la même dans les deux cas.