STATISTIQUE DESCRIPTIVE

Abdelhak FAHSI
Département de Mathematiques
Faculté des Sciences et Techniques Mohammedia

Module M321 : Probabilité et Statistique pour BCG

 Introduction générale

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 Les statistiques = Collecte des données statistiques
(Recensement ou sondage)

La statistique = Traitement des données statistiques

(méthodes mathématiques)

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 La statistique s’applique dans plusieurs domaines de
différentes natures : démographie, économie, biologie,
chimie, sociologie, médecine, pharmacie, agronomie,
industrie, ...

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 La statistique comporte deux branches :
La Statistique descriptive : Elle consiste à résumer,
ordonner, présenter et analyser de façon claire des
données statistiques relatives à une population donnée
(échantillon) sous forme de tableaux, de graphiques ou
de paramètres. (sans tirer de conclusion pour une
population plus grande).

La statistique mathématique : Elle permet graces aux

méthodes mathématiques (lois de probabilité) de faire
des prévisions et tirer des conclusions sur toute la
population à partir des résultats recueillis sur un
échantillon.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 Étapes d’une étude statistique :
1 Collecte des données (les statistiques) :
recueillir les informations adéquates sur un échantillon
qui serviront de base à l’étude.
2 Traitement des données (la statistique) :
Statistique descriptive : techniques permettant de
traiter les données recueillies, de les mettre sous forme
de tableaux, de graphiques et de dégager les
caractéristiques essentielles (moyenne, médiane,
variance,. . . )
Statistique mathématique : techniques permettant de
tirer des conclusions sur toute la population à partir de
données partielles recueillis sur un échantillon.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 Objectif du cours :
Apprendre les principales techniques de la statistique
descriptive à une dimension et à deux dimensions.
Être capable de mettre en oeuvre ces techniques de
manière appropriée dans un contexte donné.
Manipuler les techniques de statistiques descriptives
au moyen d’un language informatique (language R).

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 Plan du cours
1 Statistique descriptive à une dimension
I- Terminologie
II- Organisation des données
II.2- Tableaux statistiques
II.3- Représentations graphiques
III- Réduction des données
III.1- Paramètres de position
III.2- Paramètres de dispersion
III.3- Paramètres de forme
III.4- Paramètres de concentration
2 Statistique descriptive à deux dimensions
I- Tableau de contingence
II- Paramètres d’une série double
III- Ajustement linéaire
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 I- Terminologie
II- Organisation des données
III- Réduction des données

Chapitre 1
Statistique descriptive à une
dimension

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

I- Terminologie

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

1. Population : Ensemble des personnes, objets ou éléments

sur lesquels on veut effectuer l’étude.

2. Individu : Chacun des éléments de la population (unité

statistique).

3. Echantillon : Groupe resreint d’individus prélevés dans la

population définie au préalable.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

Exemple
On veut étudier le poids de 100 enfants âgés de 1 à 5 ans.

Population : les enfants âgés de 1 à 5 ans.

Individu: chaque enfant âgé de 1 à 5 ans.
Echantillon : les 100 enfants âgés de 1 à 5 ans.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

4. Caractère (ou variable) : Caractéristique relative à chacun

des individus de la population et sur laquelle on veut faire
porter l’étude. Il est soit observé soit mesuré.

Les caractères (ou variables) sont désignés par une lettre X ,

Y, ...

Exemple
Le poids des enfants âgés de 1 à 5 ans
Le revenu mensuel des salariés d’une entreprise
La couleur des voitures vendues au Maroc en 2007
La puissance fiscale, etc ...

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

5. Série statistique : C’est une correspondance qui à chaque

individu de la population étudiée fait associer une valeur du
caractère étudié.

Les valeurs d’une série statistique pour un caractère X sont

notées :
x(1) , x(2) , . . . , x(N)

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

Exemple
On considère le caractère X =”état civil” de 20 personnes
d’une entreprise.
On considère la codification : C=célibataire, M=marié(e),
V=veuf(ve), D=divorcé(e).
On suppose la série statistique suivante :

M M D C C M C C C M
c M V M V D C C D M

On a : x(1) = M, x(2) = M, x(3) = D, . . . , x(20) = M,

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

6. Modalités : Ce sont les différentes valeurs distinctes prises

par le caractère.

Les modalités d’un caractère X sont notées :

x1 , x2 , . . . , xk

k désigne le nombre de modalités du caractère.

Exemple
- le caractère ”X =couleur” peut avoir comme modalités : noir,
rouge, bleu, blanc, gris, autres.

- Le caractère ”X =puissance fiscale (en CV)” peut avoir

comme modalités : 6, 7, 8, 9, 10 et plus.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

Remarque

Les modalités d’un caractère doivent être :

Incompatibles : (chaque individu a une seule modalité).

Exhaustives (tous les cas sont prévus).

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

On distingue deux types de caractère :

Caractère qualitatif : C’est un caractère non mesurable.
Les modalités ne sont pas des valeurs numériques.

Caractère quantitatif : C’est un caractère mesurable. Les

modalités sont toutes des valeurs numériques.

Pour chaque type de caractère, on distingue deux types :

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

Caractère qualitatif :
1 Caractère qualitatif ordinal : les modalités peuvent être
ordonnées selon une certaine hiérarchie.
Exemple
Niveau d’étude: primaire, secondaire, supérieur.
Etat mécanique d’une Voiture: mauvais, moyen, bon,
excellent.

2 Caractère qualitatif nominal : les modalités ne peuvent

pas être ordonnées: elles sont nommées mais pas
ordonnées.
Exemple
Nationalité: marocaine, allemande, française
Groupe sanguin: A, B, O, AB

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

Caractère quantitatif :
1 Caractère quantitatif discret : L’ensemble des valeurs
possibles (modalités) est dénombrable. On dit aussi
variable statistique discrète.
Exemple
Nombre d’enfants par famille, nombre d’étudiants par
classe, . . .

2 Caractère quantitatif continu : L’ensemble des valeurs

possibles (modalités) est continu. On dit aussi variable
statistique continue.
Exemple
taille, poids, salaire, . . .

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

Remarque
Lorsque le nombre des modalités d’un caractère
quantitatif est élevé (supérieur à 15), on est généralement
conduit à regrouper les modalités en classes de la forme

[xi ; xi+1 [, i = 1, 2, . . . , k

Les classes [xi ; xi+1 [ peuvent avoir une même amplitude

ou des amplitudes différentes.

Exemple
Le caractère ”Revenus mensuels (en dh) des employés d’une
entreprise” peut avoir comme modalités :
[4000; 5000[, [5000; 6000[, [6000; 8000[, 8000 et plus.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

Règles de construction des classes

Fixer un nombre de classes ni trop petit ni trop grand
(généralement de 5 à 15).
Choisir des bornes qui, autant que possible, permettront
des calculs simples (de préférence, déterminer des
classes d’amplitudes égales et multiples de 5, 10, 100,
1000).
Considérer des classes adjacentes et, par convention,
fermées à gauche et ouvertes à droite.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

7. Effectif : L’effectif d’une modalité xi , noté ni , est le nombre

d’individus présentant cette modalité.
L’effectif total, noté N, est le nombre total des individus de la
population (appelé aussi taille de la population) :
k
X
ni = N
i=1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

8. Fréquence ou proportion : La fréquence d’une modalité xi ,

n
notée fi , est le rapport fi = i .
N

C’est la proportion des individus de la population présentant

cette modalité.

Remarque
La fréquence fi appartient à l’intervalle [0, 1].

Parfois, on note les fréquences en pourcentage (avec le

symbole %) en les multipliant par 100.

La fréquence fi en % appartient alors à l’intervalle [0, 100].

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

Si le caractère est de type ordinal, on peut calculer les effectifs

et les fréquences cumulés.

9. Effectif cumulé : L’effectif cumulé d’une modalité xi , notée

Ni , est le nombre d’individus de la population pour lesquels la
valeur du caractère est inférieure ou égale à xi :
i
X
Ni = nj = Ni−1 + ni
j=1

On a N1 = n1 et Nk = N.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II- Organisation des données
III- Réduction des données

10. Fréquence cumulée : La fréquence cumulée d’une

modalité xi , notée Fi , est la proportion d’individus pour
lesquels la valeur du caractère est inférieure ou égale à xi :
i
Ni X
Fi = = fj = Fi−1 + fi
N
j=1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

II- Organisation des données

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

II.1- Tableaux statistiques

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

Les tableaux statistiques consistent à résumer et présenter les

données observées sous la forme numérique de distributions
d’effectifs et/ou de fréquences :

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

Modalités Effectifs Eff Cum Fréquences ...

ni Ni fi
x1 n1 N1 = n1 f1
.. .. .. .. ..
. . . . .
xi ni Ni = Ni−1 + ni fi
.. .. .. .. ..
. . . . .
xk nk Nk = N fk
Total N 1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

Exemple1 : Dans un atelier de contrôle, on a enquêté sur l’état

mécanique d’un échantillon aléatoire de 70 voitures.

Le contrôleur obtient la série statistique suivante :

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

Bon Bon Moyen Bon Bon Mauvais

Excellent Moyen Bon Bon Excellent Moyen
Moyen Bon Excellent Mauvais Bon Bon
Bon Mauvais Excellent Bon Bon Excellent
Bon Moyen Mauvais Moyen Excellent Bon
Bon Moyen Excellent Bon Bon Excellent
Mauvais Moyen Excellent Bon Bon Moyen
Bon Excellent Bon Moyen Excellent Bon
Moyen Bon Excellent Bon Mauvais Moyen
Bon Bon Moyen Bon Bon Moyen
Mauvais Excellent Bon Moyen Bon
Bon Moyen Moyen Bon Excellent

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

- Population étudiée : Echantillon de 70 voitures.

- Caractère étudié : État mécanique.
- Modalités : Mauvais, Moyen, Bon, Excellent.
- Type du caractère : Qualitatif ordinal.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

Tableau statistique :

Etat Effectif Eff. cum. Fréquence Fréq. cum. ...

Mécanique ni Ni fi Fi
Mauvais 7 7 0.1 0.1
Moyen 17 24 0.24 0.34
Bon 32 56 0.46 0.8
Excellent 14 70 0.2 1
Total 70 1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

Exemple2 : Dans un quartier composé de 50 familles, on

enquête sur le nombre d’enfants par famille.
Les valeurs de la variable statistique sont :

1 0 5 2 2 1 2 1 2 4
4 7 1 3 2 5 4 6 3 1
1 6 1 3 8 1 3 5 2 3
3 0 3 4 6 4 1 7 2 0
2 0 1 2 2 3 2 5 6 2

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

- Population étudiée : Les 50 familles du quartier.

- Caractère étudié : nombre d’enfants.
- Modalités : 0, 1, 2, . . . ,8.
- Nature du caractère : Quantitatif discret.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

Tableau statistique :

Nombre Effectif Eff. cum. Fréquence Fréq. cum. ...

d’enfants ni Ni fi Fi
0 4 4 0.08 0.08
1 10 14 0.2 0.28
2 12 26 0.24 0.52
3 8 34 0.16 0.68
4 5 39 0.1 0.78
5 4 43 0.08 0.86
6 4 47 0.08 0.94
7 2 49 0.04 0.98
8 1 50 0.02 1
Total 50 1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

Exemple3 : En mesurant la taille de 50 étudiants de la FST, on

a obtenu les résultats suivants (en cm) :

152 151,5 160 165 170

159 168 161 164 156
158.5 167 157 170,5 161,5
169 156 158,5 160,5 152
156.5 166 152,5 170 165
154 170 165 155.5 166,5
162,5 152,5 168 169 158
157 161 154,5 162 158
153,5 157,5 163 155 153
160 169,5 154 161 162

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

- Population étudiée : Echantillon de 50 étudiants.

- Caractère étudié : La taille.
- Modalités : Le nombre des modalités observées étant élevé,
il est donc nécessaire de les grouper en classes.
- Nature du caractère : Quantitatif continu.

On peut considérer les classes suivantes :

[151; 155[
[155; 159[
[159; 163[
[163; 167[
[167; 171[

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

Tableau statistique :

Taille Effectif Eff. cum. Fréquence Fréq. cum. ...

(en cm) ni Ni fi Fi
[151; 155[ 10 10 0.2 0.2
[155; 159[ 12 22 0.24 0.44
[159; 163[ 11 33 0.22 0.66
[163; 167[ 7 40 0.14 0.8
[167; 171[ 10 50 0.2 1
Total 50 1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

II.2- Representations
graphiques

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

Bien qu’un tableau statistique résume toute l’information

d’une distribution statistique, la représentation graphique
permet de visualiser et de déceler les principales
caractéristiques de la distribution statistique (tendance,
symétrie, dispersion, concentration, . . . ).

La représentation graphique des données relatives à un

caractère repose sur la proportionnalité des longueurs ou
des aires aux effectifs (ou aux fréquences) des différentes
modalités du caractère.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

Suivant le type du caractère étudié, on utilise différents

modes de représentations graphiques.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

1. Caractère qualitatif :

a. Diagramme en tuyaux d’orgue (ou en rectangles) :

On représente chaque modalité par un rectangle dont la

hauteur est égale à l’effectif (ou à la fréquence) de la modalité
et dont la base est constante

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

1. Caractère qualitatif :

Exemple1 : état mécanique de 81 voitures

Etat Effectif Fréquence

Mécanique ni fi
Mauvais 7 0.1
Moyen 17 0.24
Bon 32 0.46
Excellent 14 0.2
Total 70 1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

1. Caractère qualitatif :

Voir GraphExcel1

Figure: Diagramme en ”tuyaux d’orgue”.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 Effectif
35

30

25

20

32
15

10
17
14
5
7

0
Mauvais Moyen Bon Excellent

A. Fahsi
 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

1. Caractère qualitatif :

b. Diagramme circulaire ( ou sectoriel) :

Chaque modalité est représentée par un secteur dont l’angle

est proportionnel à l’effectif correspondant. La totalité de la
circonférence (360◦ ) correspond à l’effectif total.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

1. Caractère qualitatif :

Exemple1 : état mécanique de 81 voitures

Etat Effectif Fréquence Angle

Mécanique ni fi αi = 360 × fi
Mauvais 7 0.1 36◦
Moyen 17 0.24 87.4◦
Bon 32 0.46 164.6◦
Excellent 14 0.2 72◦
Total 70 1 360◦

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

1. Caractère qualitatif :

Voir GraphExcel2

Figure: Diagramme circulaire.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 Diagramme circulaire Mauvais
10%

Excellent
20%

Moyen
24%

Bon
46%

A. Fahsi
 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

1. Caractère qualitatif ordinal

c. Diagramme en rectangles des effectifs cumulés :

Pour un caractère qualitatif ordinal, on peut tracer le

diagramme en rectangles des effectifs cumulés :

Soit x1 < x2 < . . . < xk les modalités ordonnées du caractère.

On représente chaque modalité par un rectangle dont la

hauteur est égale à l’effectif cumulé (ou à la fréquence
cumulée) de la modalité et dont la base est constante.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

1. Caractère qualitatif ordinal

Exemple1 : état mécanique de 81 voitures

Etat Effectif Eff. cum. Fréquence Fréq. cum.

Mécanique ni Ni fi Fi
Mauvais 7 7 0.1 0.1
Moyen 17 24 0.24 0.34
Bon 32 56 0.46 0.8
Excellent 14 70 0.2 1
Total 70 1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

1. Caractère qualitatif ordinal

Voir GraphExcel2

Figure: Diagramme en rectangles des effectifs cumulés.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 Effectif cumulé
80

70

60

50

40
70
30
56

20

24
10

7
0
Mauvais Moyen Bon Excellent

A. Fahsi
 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

2. Caractère quantitatif discret :

a. Diagramme en bâtonnets :

Chaque modalité est représentée par un trait vertical

(bâtonnet) dont la hauteur est égale à l’effectif (ou à la
fréquence) de la modalité.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

2. Caractère quantitatif discret :

Exemple2 : Nombre d’enfants par famille

Nombre Effectif Eff. cum. Fréquence Fréq. cum. ...

d’enfants ni Ni fi Fi
0 4 4 0.08 0.08
1 10 14 0.2 0.28
2 12 26 0.24 0.52
3 8 34 0.16 0.68
4 5 39 0.1 0.78
5 4 43 0.08 0.86
6 4 47 0.08 0.94
7 2 49 0.04 0.98
8 1 50 0.02 1
Total 50 1
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

2. Caractère quantitatif discret :

15 0.3
Effectif ni Fréquence fi

10 0.2

5 0.1

0 xi 0 xi
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8

A. Fahsi Figure: Diagramme en M321

Module bâtons.
: Probabilité et Statistique pour BCG
 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

2. Caractère quantitatif discret :

b. Polygone de fréquences :

Le polygone de fréquences est construit en joignant par des

segments de droites les sommets des bâtons du diagramme
en bâtons.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

2. Caractère quantitatif discret :

15

10

ni

0
0 1 2 3 4 5 6 7 8 x
i

Figure: Polygone de fréquences.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

2. Caractère quantitatif discret :

c. Courbe cumulative - Fonction de répartition :

Soient x1 < x2 < . . . < xk les modalités ordonnées du

caractère.

À partir des fréquences cumulées Fi , on définit la fonction de

répartition F (x), définie de IR vers [0, 1], par :

F (x) = 0, si x < x1
F (x) = Fi , si xi ≤ x < xi+1 (1 ≤ i ≤ k − 1)
F (x) = 1, si x ≥ xk

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

2. Caractère quantitatif discret :

La courbe cumulative (ou la courbe des fréquences cumulées)

est la représentation graphique de la fonction de répartition
F (x).

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

2. Caractère quantitatif discret :

Remarque :
La courbe cumulative est aussi la représentation graphique
des effectifs cumulés. On trace alors la fonction G(x) définie
de IR vers [0, N] par :

G(x) = 0, si x < x1
G(x) = Ni , si xi ≤ x < xi+1 (1 ≤ i ≤ k − 1)
G(x) = N, si x ≥ xk

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

2. Caractère quantitatif discret :

Exemple2 : Nombre d’enfants par famille

Nombre Effectif Eff. cum. Fréquence Fréq. cum. ...

d’enfants ni Ni fi Fi
0 4 4 0.08 0.08
1 10 14 0.2 0.28
2 12 26 0.24 0.52
3 8 34 0.16 0.68
4 5 39 0.1 0.78
5 4 43 0.08 0.86
6 4 47 0.08 0.94
7 2 49 0.04 0.98
8 1 50 0.02 1
Total 50 1
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

2. Caractère quantitatif discret :

F(x) G(x)
1 50

0.8 40

0.6 30

0.4 20

0.2 10

0 x 0 x
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8

A. Fahsi Figure: Courbe cumulative.

Module M321 : Probabilité et Statistique pour BCG
 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

2. Caractère quantitatif discret :

Remarque :

- F (x) représente la proportion d’individus ayant une modalité

inférieure ou égale à x.

- G(x) représente le nombre d’individus ayant une modalité

inférieure ou égale à x.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

a. Histogramme - Polygone des fréquences :

Les modalités sont présentées sous forme de classes

[xi ; xi+1 [, 1 ≤ i ≤ k.

Dans l’histogramme, chaque modalité [xi ; xi+1 [ du caractère

est représentée par un rectangle dont la base ai est égale à
l’amplitude de la classe (ai = xi+1 − xi ) et dont la hauteur hi
est telle que la surface Si = ai × hi du rectangle est
proportionnelle à l’effectif ni (ou à la fréquence fi ) de la classe :
Si = Cte × ni
Si = Cte × fi

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

Remarque :
On distingue deux cas :

1er cas : Toutes les classes ont une même amplitude a.

Dans ce cas, on représente chaque modalité par un rectangle

dont la hauteur est égale à l’effectif (ou à la fréquence) de la
modalité. La base de tous les rectangles étant la même (égale
à l’amplitude a).

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

Exemple : Taille des étudiants

Taille Effectif Eff. cum. Fréquence Fréq. cum. ...

(en cm) ni Ni fi Fi
[151; 155[ 10 10 0.2 0.2
[155; 159[ 12 22 0.24 0.44
[159; 163[ 11 33 0.22 0.66
[163; 167[ 7 40 0.14 0.8
[167; 171[ 10 50 0.2 1
Total 50 1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

Histogramme : Toutes les classes ont une même amplitude.
15
Effectif ni

10

0
151 155 159 163 167 171 Taille

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

Polygone des fréquences :

Lorsque toutes les classes ont une même amplitude, le

polygone des fréquences est construit en joignant par des
segments de droites les milieux des côtés supérieurs des
rectangles dans l’histogramme.

Les extrémités rejoignent l’axe des abscisses.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

Polygone des fréquences : Toutes les classes ont une même
amplitude a.
15
Effectif ni

10

0
151 155 159 163 167 171 Taille
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

2ème cas : Les classes n’ont pas toutes la même amplitude.

Dans ce cas, on utilise les densités d’effectif

ni
die =
ai

ou les densités de fréquence

fi
dif =
ai

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

Les classes n’ont pas toutes la même amplitude :

Pour construire l’histogramme, chaque modalité [xi ; xi+1 [ est

représentée par un rectangle dont la base est égale à
l’amplitude ai de la classe [xi ; xi+1 [ et dont la hauteur hi est
proportionnelle à la densité d’effectif die (ou à la densité de
fréquence dif ) correspondante.
ni
hi = C ×
ai
ou
fi
hi = C ×
ai

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

C est une constante de proportionnalité.

hi est appelée effectif corrigé (ou fréquence corrigée) de la

modalité [xi ; xi+1 [.

Le choix de la constante C est arbitraire (on peut prendre

C = 1 par exemple).

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

Cependant, pour simplifier les calculs et/ou pour tracer le

polygone des fréquences, il faut choisir C égale au plus grand
diviseur commun des amplitudes ai .

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

Exemple3 : Taille des étudiants (les classes n’ont pas toutes la
même amplitude)

Taille ai Effectif Eff. corrigé Fréq. Fréq. corrigée

(en cm) (en cm) ni hi fi hi
[151; 155[ 4 10 10 0.2 0.2
[155; 159[ 4 12 12 0.24 0.24
[159; 167[ 8 18 9 0.36 0.18
[167; 171[ 4 10 10 0.2 0.2
Total 50 1

ni
C = PGDC(ai ) = 4, (hi = C × ai ).

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

2ème cas : Histogramme avec effectif corrigé.
15
Effectif corrigé hi
(C=4)

10

0 Taille
151 155 159 163 167 171

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

15 15
Effectif ni Effectif corrigé hi
(C=4)

10 10

S1

5 5 S1+ S2
S2

0 0
151 155 159 163 167 171 Taille 151 155 159 163 167 171 Taille

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

Polygone des fréquences : les classes n’ont pas la même

amplitude.

Soit C = PGCD(ai ).
Toutes les ai sont des multiples de C (ai = ki × C).

Pour construire le polygone des fréquences, on partage

chaque classe d’amplitude ai = ki × C en ki classes de même
amplitude C. Puis, on trace les milieux des sommets des
rectangles de base C et de hauteur hi et on joint ces milieux
par des segments de droites.
Les extrémités du polygone rejoignent l’axe des abscisses.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu :

Polygone des fréquences : Les classes n’ont pas la même
amplitude.
15
Effectif corrigé hi
(C=4)

10

0 Taille
151 155 159 163 167 171
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu

Histogramme et :
polygone de fréquences

0.020
0.015
Fréquence corrigée

0.010
0.005
0.000

50 100 150 200

superficie (en m^2)

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu

b. Courbe cumulative - Fonction de répartition :

La fonction de répartition, notée F (x), est définie de IR vers

[0, 1], par :

F (x) = 0 si x ≤ x1
F − Fi−1
F (x) = Fi−1 + i (x − xi ) si x ∈ [xi ; xi+1 ]; 1 ≤ i ≤ k
xi+1 − xi
F (x) = 1 si x ≥ xk +1

avec F0 = 0 et Fi est la fréquence cumulée de la modalité

[xi ; xi+1 [, 1 ≤ i ≤ k .

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu

Comme pour le cas discret, la courbe cumulative (ou la courbe

des fréquences cumulées) est la représentation graphique de
la fonction de répartition F (x).

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu

Remarque

On a la fréquence cumulée Fi de la classe [xi ; xi+1 [ est

égale à la valeur de F (x) au point xi+1

Fi = F (xi+1 )

La courbe cumulative est construite en joignant par des

segments de droites les points de coordonnées (xi+1 , Fi ).

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu

Remarque :

La courbe cumulative est aussi la représentation graphique

des effectifs cumulés. On trace alors la fonction, notée G(x),
définie de IR vers [0, N] par :
G(x) = 0 si x ≤ x1
N − Ni−1
G(x) = Ni−1 + i (x − xi ) si x ∈ [xi ; xi+1 ]; 1 ≤ i ≤ k
xi+1 − xi
G(x) = 1 si x ≥ xk +1
avec Ni = effectif cumulé de la modalité [xi ; xi+1 [, 1 ≤ i ≤ k .
N0 = 0

La courbe cumulative peut être construite en joignant par des

segments de droites les points de coordonnées (xi+1 , Ni ).
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu

Exemple3 : Taille des étudiants

Taille Effectif Eff. cum. Fréquence Fréq. cum. ...

(en cm) ni Ni fi Fi
[151; 155[ 10 10 0.2 0.2
[155; 159[ 12 22 0.24 0.44
[159; 163[ 11 33 0.22 0.66
[163; 167[ 7 40 0.14 0.8
[167; 171[ 10 50 0.2 1
Total 50 1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu

Fréquence cumulée (F(x)) Effectif cumulé (G(x))

1 N= 50

0.8 40

0.6 30

0.4 20

0.2 10

0 0
151 155 159 163 167 171 Taille 151 155 159 163 167 171 Taille

A. Fahsi Figure: Courbe cumulative.

Module M321 : Probabilité et Statistique pour BCG
 I- Terminologie
II.1- Tableaux statistiques
II- Organisation des données
II.2- Representations graphiques
III- Réduction des données

3. Caractère quantitatif continu

Remarque
La fonction de répartition F (x), définie pour toute valeur
de x, représente la proportion (ou la fréquence) des
individus de la population pour lesquels la valeur du
caractère est inférieure ou égale à x.
La fonction de répartition des effectifs G(x), définie pour
toute valeur de x, représente le nombre des individus de
la population pour lesquels la valeur du caractère est
inférieure ou égale à x.
F (x) (resp. G(x)) est continue, croissante passant
progressivement de 0 à 1 (resp. de 0 à N).
G(x)
F (x) =
N
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 III.1- Paramètres de position
I- Terminologie
III.2- Paramètres de dispersion
II- Organisation des données
III.3- Paramètres de forme
III- Réduction des données
III.4- Paramètres de concentration

III- Réduction des données

statistiques

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position
I- Terminologie
III.2- Paramètres de dispersion
II- Organisation des données
III.3- Paramètres de forme
III- Réduction des données
III.4- Paramètres de concentration

Les tableaux statistiques et les représentations

graphiques donnent une vue globale et détaillée de la
distribution d’un caractère dans une population.
Le but de la statistique descriptive est aussi de réduire et
résumer les données d’une distribution à l’aide des
paramètres ou synthétiseurs.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position
I- Terminologie
III.2- Paramètres de dispersion
II- Organisation des données
III.3- Paramètres de forme
III- Réduction des données
III.4- Paramètres de concentration

Il existe quatre types de paramètres :

1 Paramètres de position (ou de tendance centrale)

2 Paramètres de dispersion
3 Paramètres de forme
4 Paramètres de concentration

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position
III.2- Paramètres de dispersion
III.3- Paramètres de forme
III.4- Paramètres de concentration

III- Réduction des données

statistiques

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

III.1- Paramètres de position

Appelés aussi paramètres de tendance centrale ou de

localisation, ils permettent de savoir autour de quelles
valeurs se situent les valeurs d’une variable statistique.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

1- Le mode

Définition
Le mode, noté Mo , est la valeur du caractère qui admet le
plus grand effectif.
C’est la valeur du caractère la plus fréquente.

Remarque :
Le mode peut être calculé pour tous les types de
caractère.
Pour un caractère continu, on définit d’abord la classe
modale qui correspond à l’effectif corrigé le plus élevé.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Détermination pratique :

a. Cas d’un caractère qualitatif :

Le mode correspond à l’effectif le plus élevé.

Il correspond au maximum du diagramme en ”tuyaux
d’orgue”.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Exemple1 :

Etat Effectif
Mécanique ni
Mauvais 7
Moyen 17
Bon 32
Excellent 14
Total 70

L’effectif le plus élevé correspond à la modalité ”Bon”.

Donc, le mode est Mo = Bon.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

b. Cas d’un caractère discret :

Le mode correspond tout simplement à l’effectif le plus

élevé.
Il correspond au maximum du diagramme en bâtons.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Exemple2 :
Nombre Effectif
d’enfants ni
0 4
1 10
2 12
3 8
4 5
5 4
6 4
7 2
8 1
Total 50
Mo = 2
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

c. Cas d’un caractère continu :

On définit d’abord la classe modale qui correspond à

l’effectif corrigé le plus élevé.
La classe modale correspond donc au maximum de
l’histogramme.

La classe modale [xi , xi+1 [ étant déterminée, On détermine

la valeur du mode Mo en tenant compte des effectifs
corrigés des deux classes adjacentes à la classe modale
par la méthode suivante :

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Histogramme

Effectif corrigé
Classe modale

hi

∆
1
∆
2
h
i−1
hi+1

xi xi+1 x
Mo

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

On a :
∆1
Mo = xi + (xi+1 − xi )
∆1 + ∆2
avec ∆1 = hi − hi−1 , ∆2 = hi − hi+1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Exemple3 : Taille des étudiants

Taille Effectif
(en cm) ni
[151; 155[ 10
[155; 159[ 12
[159; 163[ 11
[163; 167[ 7
[167; 171[ 10
Total 50

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Dans cet exemple les classes ont toutes la même

amplitude, on n’a pas besoin d’utiliser les densités. On
utilise les effectifs :

La classe modale est : [155, 159[.

On a :

∆1 = 12 − 10 = 2
∆2 = 12 − 11 = 1
2
d’où Mo = 155 + 4 = 157.66 cm
2+1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Exemple3 : Taille des étudiants (les classes n’ont pas

toutes la même amplitude)

Taille Effectif Amplitude Eff. corrigé

(en cm) ni ai (en cm) hi
[151; 155[ 10 4 10
[155; 159[ 12 4 12
[159; 167[ 18 8 9
[167; 171[ 10 4 10
Total 50

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

La classe modale est [155; 159[ (c’est la classe qui admet

la plus grande densité). On a :

∆1 = 12 − 10 = 2

∆2 = 12 − 9 = 3
Donc
2
Mo = 155 + 4
2+3
Le mode de cette distribution est donc :

Mo = 156.6 cm

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Détermination graphique :
15
Effectif corrigé hi
(C=4)

10

0
151 155 Mo 159 163 167 171 Taille

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

2- La médiane

Définition
La médiane d’un caractère ordinal, notée Me , est la valeur
centrale de la série statistique ordonnée.

Cette définition n’a de sens que si les modalités sont toutes

ordonnées par ordre croissant.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Remarque

La médiane Me partage la population en deux sous

populations de même effectif : 50% de la population
ont des modalités ≤ Me et 50% de la population ont
des modalités ≥ Me .
Me = F −1 ( 21 ) = G−1 ( N2 )
La médiane peut être calculées sur des variables
quantitatives et sur des variables qualitatives ordinales.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Détermination pratique :

a. Cas d’une variable discrète :

Soient x(1) , x(2) , . . . , x(n) les valeurs, ordonnée par ordre
croissant, d’une série statistique discrète
Si N est impair, la médiane est la valeur centrale de
rang N+1
2 :
Me = x( N+1 )
2

Si N est pair, On prend la moyenne entre les deux

valeurs centrales de rang respectifs N2 et N2 + 1 :

1
Me = (x N + x( N +1) )
2 (2) 2

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Autrement dit :

Si x1 , x2 , . . . , xk sont les modalités, ordonnée par ordre

croissant, du caractère.
Si N est impair, la médiane est la modalité d’effectif
cumulé N+1
2 :
Si N est pair, On prend la moyenne entre les deux
modalités d’effectif cumulé respectifs N2 et N2 + 1 :

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Exemple :
Soit un échantillon de 10 personnes dont les poids (en Kg)
sont :
45 − 68 − 89 − 74 − 62 − 56 − 49 − 52 − 63

La série ordonnée par ordre croissant :

|45 − 49 − 52
{z − 55 − 56} | − 63 − 68
62 {z − 74 − 89}
5 ↑ 5

médiane
La médiane est donc :
56 + 62
Me = = 59 Kg
2
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Exemple2 :
Nombre Effectif Eff. cum.
d’enfants ni Ni
0 4 4
1 10 14
2 12 26
3 8 34
4 5 39
5 4 43
6 4 47
7 2 49
8 1 50
1
Me = (x + x(26) ) = 2
2 (25)
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Détermination graphique :

G(x)
N= 50

40

30
N/2

20

10

0 x
0 1 2 3 4 5 6 7 8

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

b. Cas d’une variable continue :

Pour des données groupées en classes, on situe d’abord la

médiane à l’intérieur d’une classe [xi , xi+1 [, appelée classe
médiane :

xi ≤ Me < xi+1 ⇔ Fi−1 ≤ 0.5 < Fi

m
Ni−1 ≤ N/2 < Ni

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Dans la classe médiane, la médiane est calculée par

interpolation linéaire :

G(x) F(x)
Diagramme cumulatif Diagramme cumulatif

Ni Fi

N/2 0.5

Ni−1 Fi−1

x Me x x x Me x x
i i+1 i i+1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

La classe médiane [xi , xi+1 [ étant déterminée, la médiane

Me vérifie :
xi → Ni−1
Me → N/2
xi+1 → Ni
D’où
Me − xi x − xi
= i+1
N/2 − Ni−1 Ni − Ni−1
⇓
N/2 − Ni−1
Me = xi + (xi+1 − xi )
Ni − Ni−1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

ou
xi → Fi−1
Me → 0.5
xi+1 → Fi
D’où
Me − xi x − xi
= i+1
0.5 − Fi−1 Fi − Fi−1
⇓
0.5 − Fi−1
Me = xi + (xi+1 − xi )
Fi − Fi−1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Exemple3 : Taille des étudiants

Taille Effectif Eff. cum. Fréquence Fréq. cum.

(en cm) ni Ni fi Fi
[151; 155[ 10 10 0.2 0.2
[155; 159[ 12 22 0.24 0.44
[159; 163[ 11 33 0.22 0.66
[163; 167[ 7 40 0.14 0.8
[167; 171[ 10 50 0.2 1
Total 50 1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

La classe médiane est : [159, 163[.

On a :
159 → 22
Me → 25
163 → 33

25 − 22
d’où Me = 159 + 4 = 160.09 cm
33 − 22

50 % des étudiants ont une taille ≤ 160.09 cm et 50 % des

étudiants ont une taille ≥ 160.09 cm.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Détermination graphique :

50

40

30
N/2

20

10

0
151 155 159 163 167 171
M
e

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

3- La moyenne

Définition
La moyenne arithmétique d’une variable statistique X ,
qu’on appelle tout simplement moyenne, est égale à la
somme des valeurs observées divisée par le nombre
d’observations.

On la note X .

Remarque La moyenne X n’est définie que pour une

variable statistique quantitative.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Détermination pratique :

a. Cas d’une variable discrète :

Soit (xi , ni )1≤i≤k une variable statistique discrète à valeurs
dans IR, on a :
k
1X
X = ni xi
N
i=1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

b. Cas d’une variable continue :

Soit ([xi , xi+1 [, ni )1≤i≤k une variable statistique continue à

valeurs dans IR, on a :
k
1X
X = ni ci
N
i=1

xi + xi+1
avec ci = = centre de la classe [xi , xi+1 [.
2

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Exemple
[xi , xi+1 [ ni fi (%) ci ni × ci
[200, 300[ 8 9.88 250 2000
[300, 400[ 26 32.10 350 9100
[400, 500[ 12 14.81 450 5400
[500, 600[ 10 12.35 550 5500
[600, 700[ 15 18.52 650 9750
[700, 800[ 5 6.17 750 3750
[800, 900[ 3 3.70 850 2550
[900, 1000[ 2 2.47 950 1900
Total 81 100 39950
Donc la moyenne est :
39950
X = = 493.21
81
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Propriétés :
Soient X = {(xi , ni ), 1 ≤ i ≤ k} une variable statistique sur
une population P et a, b deux constantes réelles. On a :
aX = {(axi , ni ), 1 ≤ i ≤ k } (resp.
X + b = {(xi + b, ni ), 1 ≤ i ≤ k}) est une variable
statistique sur la population P.
aX = aX
X +b =X +b

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Si on pose Y = aX + b (a et b deux constantes) alors

Y = aX + b
La somme des différences à la moyenne est nulle :
Xk
ni (xi − X ) = 0
i=1
k
X
L’expression ni (xi − a)2 est minimale pour a = X
i=1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Exemple : Distribution des salaires.

X − 6500
Effectuons le changement de variables Y = pour
1000
simplifier les calculs :

ci − 6500
Salaire en dh ni ci yi = ni yi
1000
[3000, 5000[ 26 4000 -2.5 -65
[5000, 6000[ 33 5500 -1 -33
[6000, 7000[ 64 6500 0 0
[7000, 8000[ 7 7500 1 7
[8000, 10000[ 10 9000 2.5 25
Total 140 -66

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

⇓
5
1X 66
Y = ni yi = −
N 140
i=1

Et on a X = 1000Y + 6500

D’où
X = 1000Y + 6500 = 6028.57 dh

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Propriété :
Si une population P de taille N est composée de m
sous-populations P1 , P2 , . . . , Pm , de tailles respectives
N1 , N2 , . . . , Nm et de moyennes respectives X 1 , X 2 , . . . , X m .
Alors la moyenne X de la population P est donnée par :
m
1X
X = Ni X i
N
i=1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

4- Généralisation de la notion de moyenne

Exemple 1 : Moyenne harmonique
Un cycliste parcourt 4 étapes de 100 km. Les vitesses
respectives pour ces étapes sont de 10 km/h, 30 km/h, 40
km/h et 20 km/h. Quelle a été sa vitesse moyenne v ?

Si on calcule la moyenne arithmétique des vitesses, on

obtient :
10 + 30 + 40 + 20
X = = 25km/h
4

Mais ce n’est pas la bonne vitesse moyenne !

A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Un raisonnement simple nous permet de répondre à la

question :

Soit d =100 km la distance du parcours et t la durée totale

des 4 étapes. On a :

4d
v=
t
d’où
4
v= 1 1 1 1
= 19.2Km/h
( 10 + 30 + 40 + 20 )

v est une moyenne harmonique de la série statistique

prenant les valeurs 10, 30, 40, 20.
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Exemple 2 : Moyenne géométrique

On considère un crédit sur 10 ans avec des taux d’intérêt
respectivement égales à i1 = 3% pour une durée de 5 ans,
i2 = 5% pour une durée de 2 ans et i3 = 7% pour une durée
de 3 ans.
Quel est le taux d’intérêt moyen i ?

Si on calcule la moyenne arithmétique des taux, on obtient :

5×3+2×5+3×7
x= = 4.6%
10
Mais ce n’est pas le bon taux moyen.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Soit S le montant initial du crédit. On a :

S × (1 + i)10 = S × (1 + i1 )5 × (1 + i2 )2 × (1 + i3 )3

⇓
 1/10
(1 + i) = (1.03)5 × (1.05)2 × (1.07)3

Après calcul, on trouve i = 4.58%

1 + i est une moyenne géométrique de la série statistique

prenant les valeurs 1.03, 1.05, 1.07 avec les effectifs
respectifs 5, 2, 3.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Généralisation

Soit X = (xi , ni )1≤i≤k , une variable statistique quantitative

discrète à valeurs dans IR∗+ .
Soit ϕ : IR∗+ → IR une application monotone continue. Alors

(ϕ(xi ), ni )1≤i≤k

est une variable statistique quantitative discrète à valeurs

dans IR, notée ϕ(X ).

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

La moyenne arithmétique de ϕ(X ) est définie par :

k
1X
ϕ(X ) = ni ϕ(xi )
N
i=1

Définition
Comme ϕ est une bijection, il existe un unique Xϕ ∈ IR∗+ tel
que
ϕ(Xϕ ) = ϕ(X )
Xϕ = ϕ−1 (ϕ(X )) est appelé la ϕ-moyenne de X .

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Exemples de ϕ-moyennes :

a. Moyenne atithmétique :

Si ϕ est l’application identique définie par ϕ(x) = x, la

ϕ-moyenne de X est la moyenne arithmétique de X .

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

b. Moyenne géométrique :

Si ϕ est définie par ϕ(x) = ln(x), la ϕ-moyenne de X , notée

Xg , est appelée moyenne géométrique de X . Elle est
définie par :
k
!
1X
Xg = exp ni ln(xi )
N
i=1

La moyenne géométrique est égale à l’exponentielle de la

moyenne arithmétiques des logarithmes.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

On a :
k
! N1
xini
Y
Xg =
i=1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

c. Moyenne quadratique :

Si ϕ est définie par ϕ(x) = x 2 , la ϕ-moyenne de X , notée

Xq et définie par
v
u
u1 X k
Xq = t ni xi2
N
i=1

est appelée moyenne quadratique de X .

La moyenne quadratique est égale à la racine carrée de la

moyenne arithmétiques des carrées.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

d. Moyenne harmonique :

1
Si ϕ est définie par ϕ(x) = , la ϕ-moyenne de X , notée Xh
x
et définie par
1
Xh =
k
1 X ni
N xi
i=1

est appelée moyenne harmonique de X .

La moyenne harmonique est égale à l’inverse de la

moyenne arithmétiques des inverses.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

e. Moyenne d’ordre r :

Si ϕ est définie par ϕ(x) = x r , r 6= 0, la ϕ-moyenne de X ,

notée Xr et définie par
k
1X 1
Xr = ( ni xir ) r
N
i=1

est appelée moyenne d’ordre r de X .

La moyenne d’ordre r est égale à la racine r ieme de la

moyenne arithmétiques des puissances r ieme .

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Remarque
Les différentes moyennes d’une variable statistique X
vérifient les inégalités suivantes :

Xh ≤ Xg ≤ X ≤ Xq ≤ X3 ≤ . . .

Il y a égalité si, et seulement si, toutes les valeurs de X

sont égales.

Si on pose Y = aX (a une constante positive) alors :

Yϕ = aXϕ

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

Exemple : Distribution des salaires

X
Effectuons le changement de variables Y =
1000
ni
[xi , xi+1 [ yi ni ni yi ni ln(yi ) ni yi2 yi
[3000, 5000[ 4 26 104 36.04 416 6.5
[5000, 6000[ 5.5 33 181.5 56.26 998.25 6
[6000, 7000[ 6.5 64 416 119.79 2704 9.85
[7000, 8000[ 7.5 7 52.5 14.10 393.75 0.93
[8000, 10000[ 9 10 90 21.97 810 1.11
Total 140 844 248.17 5322 24.39

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

5
1X 844
Y = ni yi = ⇒ X = 1000Y = 6028.57
N 140
i=1

5
1X 248.17
Yg = Exp( ni ln(yi )) = Exp( ) = 5.88639
N 140
i=1

⇓
Xg = 1000Yg = 5886.39

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Le mode
III.2- Paramètres de dispersion 2- La médiane
III.3- Paramètres de forme 3- La moyenne
III.4- Paramètres de concentration 4- Généralisation de la notion de moyenne

v
u
u1 X5 r
2 5322
Yq = t ni yi = ⇒ Xq = 6165.57
N 140
i=1

N 140
Yh = 5
= ⇒ Xh = 5739.92
X ni 24.39
yi
i=1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

II.2- Paramètres de dispersion

Les paramètres de position ne donnent pas une information

complète sur une variable statistique.

Deux variables qui ont les mêmes paramètres de position

peuvent se présenter avec des dispersions très différentes.

Les polygone des fréquences donnent déjà une idée

qualitative de la dispersion.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

1- L’étendue

Définition
L’étendue ou l’intervalle de variation d’une variable
statistique X est la différence entre la plus grande valeur et
la plus petite valeur observées :

e = Xmax − Xmin

Ce paramètre présente un intérêt très limité du fait qu’il

dépend uniquement des valeurs extrêmes, qui peuvent être
des valeurs aberrantes.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

2- Les quantiles

Définition
Le quantile (ou fractile) d’ordre p (0 < p < 1), noté Zp ,
d’une série statistique est la valeur telle que p est la
proportion des individus ayant une modalité inférieure ou
égale à Zp . On écrit F (Zp ) = p (ou G(Zp ) = p × N).

Remarque
La médiane est le quantile d’ordre p = 1/2.

Me = Z0.5

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Quantiles particuliers
1 Quartiles : avec, p = 1/4; p = 2/4; p = 3/4
on trouve les 3 quartiles respectifs, notés
Q1 = Z0.25 ; Q2 = Z0.5 = Me ; Q3 = Z0.75
2 Déciles : avec, p = 1/10; p = 2/10; . . . , p = 9/10
on trouve les 9 déciles respectifs, notés
D1 = Z0.1 ; D2 = Z0.2 ; . . . ; D9 = Z0.9
3 Centiles : avec,
p = 1/100; p = 2/100; . . . ; p = 99/100
on trouve les 99 centiles respectifs, notés
C1 = Z0.01 ; C2 = Z0.02 ; . . . ; C99 = Z0.99
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Détermination pratique du quantile

a. Cas discret

Soit x(1) , x(2) , . . . , x(N) la série ordonnée d’une v.s.d.

− Si p × N est un nombre entier, alors

1
Zp = (x + x(pN+1) )
2 (pN)
− Si p × N n’est pas un nombre entier, alors

Zp = x([pN])

où [pN] représente le plus petit nombre entier supérieur ou

égal à pN.
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Exemple:
Soit la série statistique ordonnée 12, 13, 15, 16, 18, 19, 22,
24, 25, 27. On a :

Q1 = Z0.25 = x([2.5]) = x(3) = 15

(x(5) + x(6) )
Q2 = Z0.5 = = (18 + 19)/2 = 18.5
2

Q3 = Z0.75 = x([7.5]) = x(8) = 24

(x(1) +x(2) )
D1 = Z0.1 = 2 = 12.5

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Exemple2 :

Nombre Effectif Eff. cum.

d’enfants ni Ni
0 4 4
1 10 14
2 12 26
3 8 34
4 5 39
5 4 43
6 4 47
7 2 49
8 1 50
Total 50

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Q1 = Z0.25 = x([12.5]) = x(13) = 1

(x(25) + x(26) )
Q2 = Z0.5 = = (2 + 2)/2 = 2
2

Q3 = Z0.75 = x([37.5]) = x(38) = 4

(x(34) +x(35) )
C68 = Z0.68 = 2 = 3.5

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Détermination graphique :

G(x)
N= 50

40
3N/4
0.68N
30
N/2

20

N/4
10

0 x
0 1 2 3C 4 5 6 7 8
68
Q1 Me Q3

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

b. Cas continu
Méthode d’interpolation : d’après le tableau statistique
ou la courbe cumulative, on détermine d’abord la
classe [xi , xi+1 [ telle que :

Ni−1 ≤ p × N < Ni

Puis, par interpolation linéaire dans [xi , xi+1 [, on

calcule Zp tel que :

pN − Ni−1
Zp = xi + (xi+1 − xi )
Ni − Ni−1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Méthode graphique : On trace la courbe cumulative, et

on détermine Zp comme l’abscisse du point
d’ordonnée G(Zp ) = p × N (ou F (Zp ) = p).

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Exemple:

Taille Effectif Eff. cum. Fréquence Fréq. cum.

(en cm) ni Ni fi Fi
[151; 155[ 10 10 0.2 0.2
[155; 159[ 12 22 0.24 0.44
[159; 163[ 11 33 0.22 0.66
[163; 167[ 7 40 0.14 0.8
[167; 171[ 10 50 0.2 1
Total 50 1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

5−0
D1 = 151 + 4 = 153 cm
10 − 0
12.5 − 10
Q1 = 155 + 4 = 155.83 cm
22 − 10
37.5 − 33
Q3 = 163 + 4 = 165.57 cm
40 − 33
45 − 40
D9 = 167 + 4 = 169 cm
50 − 45

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Détermination graphique :

50
0.9×N

40
0.75×N

30

20

0.25×N
10
0.1×N

0
151 D 155 Q 159 163 Q 167
1 1 3
D 171 9

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

L’écart interquantiles

Définition
L’écart interquantile est un paramètre de dispersion,
donnée par la différence entre le premier et le dernier
quantile. Ainsi, on a les écarts interquantile particuliers :
1 L’écart interquartile: ∆Q = Q3 − Q1
2 L’écart interdécile: ∆D = D9 − D1
3 L’écart intercentile: ∆C = C99 − C1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Intervalle interquantiles

Définition
L’intervalle interquantile est l’intervalle compris entre le
premier et le dernier quantile. Ainsi, on a les intervalles
interquantiles particuliers :
1 Intervalle interquartile: [Q1 , Q3 ]
2 Intervalle interdécile: [D1 , D9 ]
3 Intervalle intercentile: [C1 , C9 9]

Plus l’intervalle interquantile est large, plus la série est

dispersée.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

3- L’écart absolu moyen

Définition
L’écart absolu moyen est la moyenne arithmétique des
valeurs absolues des écarts à la moyenne arithmétique.
k
1X
Em = ni |xi − X |
N
i=1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

4- Variance, Ecart-type

Définition
La variance, notée V (X ), est la moyenne arithmétique des
carrés des écarts à la moyenne arithmétique.
k
1X
V (X ) = ni (xi − X )2
N
i=1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Définition
L’écart-type, notée σ(X ), est la racine carrée de la variance:
p
σ(X ) = V (X )

L’écart-type est donc la moyenne quadratique des écarts à

la moyenne arithmétique.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Remarque
La variance (ou l’écart-type) est un indicateur de la
dispersion d’une série par rapport à sa moyenne. Plus il est
élevé, plus la dispersion autour de la moyenne est élevée

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Formule simplifiée de la variance :

Théorème
On a :
2
V (X ) = X 2 − X
La variance est égale à la différence entre la moyenne des
carrées et le carré de la moyenne.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Preuve. On a
2
(xi − X )2 = xi2 − 2xi X + X ,

d’où
k k k
1X 1X 1X 2
V (X ) = ni xi2 − 2 ni xi X + ni X
N N N
i=1 i=1 i=1

k
1X 2 2
V (X ) = ni xi2 − 2X + X
N
i=1

et donc
2
V (X ) = X 2 − X

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Propriétés :
Contrairement à l’étendue et aux quantiles, la variance
(ou l’écart-type) tient compte de toutes les valeurs
d’une série statistique.
Si la variance (ou l’écart-type) est faible, cela signifie
que les valeurs sont assez concentrées autour de la
moyenne.
Si la variance (ou l’écart-type) est élevé, cela veut dire
au contraire que les valeurs sont plus dispersées
autour de la moyenne.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Si on pose Y = aX + b (a et b deux constantes) alors :

V (Y ) = a2 V (X )
σ(Y ) = |a|σ(X )

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Exemple : Distribution des salaires.

ci − 6500
Salaire ci ni yi = ni yi ni yi2
1000
[3000, 5000[ 4000 26 -2.5 -65 162.5
[5000, 6000[ 5500 33 -1 -33 33
[6000, 7000[ 6500 64 0 0 0
[7000, 8000[ 7500 7 1 7 7
[8000, 10000[ 9000 10 2.5 25 62.5
Total 140 -66 265

X − 6500
Effectuons le changement de variables Y = pour
1000
réduire les calculs :
A. Fahsi Module M321 : Probabilité et Statistique pour BCG
 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

5
1X 66
Y = ni yi = −
N 140
i=1

⇒ X = 1000Y + 6500 = 6028.57

5
1X 2 265 66 2
V (Y ) = ni yi2 − Y = −( ) = 1.670612
N 140 140
i=1

⇒ V (X ) = 10002 V (Y ) = 1670612

p
⇒ σ(X ) = V (X ) = 1292, 52

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

5- Coefficient de variation

Définition
On appelle coefficient de variation (ou de dispersion) d’une
variable statistique réelle X , le rapport

σ(X )
Cv =
X

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Remarque

Le coefficient de variation est un nombre sans dimension

qui permet de comparer deux variables statistiques
exprimées dans des unités différentes.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

6- Moments

Définition
Soit X une variable statistique quantitative réelle. On
appelle moment d’ordre r de X , la quantité :
k
1X
mr = ni xir
N
i=1

C’est la moyenne arithmétique des puissance r ieme .

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Définition
On appelle moment centré d’ordre r de X , la quantité :
k
1X
µr = ni (xi − X )r
N
i=1

C’est la moyenne des puissance r ieme des écarts à la

moyenne.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

On a :
µ0 = 1
µ1 = 0
µ2 = V (X ) = m2 − m12

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Définition
Une variable statistique est dite centrée si sa moyenne est
nulle.
Une variable statistique est dite réduite si son écart-type est
égal à 1.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

Centrer et réduire une variable statistique X consiste à la

remplacer par
X −X
X∗ =
σ(X )
- Retrancher X pour la centrer (moyenne = 0)
- Diviser par σ(X ) pour la réduire (écart-type = 1).

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 1- L’étendue
III.1- Paramètres de position 2- Les quantiles
III.2- Paramètres de dispersion 3- L’écart absolu moyen
III.3- Paramètres de forme 4- Variance, Ecart-type
III.4- Paramètres de concentration 5- Coefficient de variation
6- Moments

D’une manière générale, les moments centrés d’ordre pair

µ4 , µ6 , . . . sont des paramètres de dispersion (comme la
variance µ2 ). Par contre, les moments centrés d’ordre
impair µ3 , µ5 , . . . sont des paramètres utilisés pour mesurer
la symétrie, ils sont nuls pour les distributions symétriques.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Coefficient d’asymétrie de Yule
III.2- Paramètres de dispersion 2- Coefficient d’asymétrie de Pearson
III.3- Paramètres de forme 3- Coefficient d’asymétrie de Fisher
III.4- Paramètres de concentration 4- Coefficient d’aplatissement de Pearson

III.3- Paramètres de forme

Les polygones de fréquences donnent une idée qualitative

sur la forme d’une distribution statistique (aplatissement,
symétrie, ...).

Il existe plusieurs paramètres permettant de mesurer la

symétrie et l’aplatissement d’une distribution :

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Coefficient d’asymétrie de Yule
III.2- Paramètres de dispersion 2- Coefficient d’asymétrie de Pearson
III.3- Paramètres de forme 3- Coefficient d’asymétrie de Fisher
III.4- Paramètres de concentration 4- Coefficient d’aplatissement de Pearson

1- Coefficient d’asymétrie de Yule

Définition
Le coefficient d’asymétrie de Yule, noté s, est basé sur les
écarts entre les quartiles. Il est défini par :

(Q3 − Q2 ) − (Q2 − Q1 )
s=
Q3 − Q1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Coefficient d’asymétrie de Yule
III.2- Paramètres de dispersion 2- Coefficient d’asymétrie de Pearson
III.3- Paramètres de forme 3- Coefficient d’asymétrie de Fisher
III.4- Paramètres de concentration 4- Coefficient d’aplatissement de Pearson

Remarque
Si s = 0 alors la série est symétrique.
Si s > 0 alors la série est étalée à droite.
Si s < 0 alors la série est étalée à gauche.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Coefficient d’asymétrie de Yule
III.2- Paramètres de dispersion 2- Coefficient d’asymétrie de Pearson
III.3- Paramètres de forme 3- Coefficient d’asymétrie de Fisher
III.4- Paramètres de concentration 4- Coefficient d’aplatissement de Pearson

2- Coefficient d’asymétrie de Pearson

Définition
Le coefficient d’asymétrie de Pearson, noté p, est défini par:

X − Mo
p=
σ(X )

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Coefficient d’asymétrie de Yule
III.2- Paramètres de dispersion 2- Coefficient d’asymétrie de Pearson
III.3- Paramètres de forme 3- Coefficient d’asymétrie de Fisher
III.4- Paramètres de concentration 4- Coefficient d’aplatissement de Pearson

Remarque
Si p = 0 alors la série est symétrique.
Si p > 0 alors la série est allongée vers la droite.
Si p < 0 alors la série est allongée vers la gauche.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Coefficient d’asymétrie de Yule
III.2- Paramètres de dispersion 2- Coefficient d’asymétrie de Pearson
III.3- Paramètres de forme 3- Coefficient d’asymétrie de Fisher
III.4- Paramètres de concentration 4- Coefficient d’aplatissement de Pearson

3- Coefficient d’asymétrie de Fisher

Définition
Le coefficient d’asymétrie de Fisher, noté δ, est défini par :
µ3
δ=
σ3

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Coefficient d’asymétrie de Yule
III.2- Paramètres de dispersion 2- Coefficient d’asymétrie de Pearson
III.3- Paramètres de forme 3- Coefficient d’asymétrie de Fisher
III.4- Paramètres de concentration 4- Coefficient d’aplatissement de Pearson

Remarque
Si δ = 0 alors la série est symétrique.
Si δ > 0 alors la série est étalée vers la droite.
Si δ < 0 alors la série est étalée vers la gauche.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Coefficient d’asymétrie de Yule
III.2- Paramètres de dispersion 2- Coefficient d’asymétrie de Pearson
III.3- Paramètres de forme 3- Coefficient d’asymétrie de Fisher
III.4- Paramètres de concentration 4- Coefficient d’aplatissement de Pearson

4- Coefficient d’aplatissement de Pearson

Définition
Le coefficient d’aplatissement de Pearson, noté a, est défini
par :
µ4
a= 4
σ

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Coefficient d’asymétrie de Yule
III.2- Paramètres de dispersion 2- Coefficient d’asymétrie de Pearson
III.3- Paramètres de forme 3- Coefficient d’asymétrie de Fisher
III.4- Paramètres de concentration 4- Coefficient d’aplatissement de Pearson

Remarque
Le coefficient d’aplatissement de Pearson est sans
dimension et il est supérieur ou égal à 1.
Le coefficient d’aplatissement de Pearson d’une
distribution normale est a = 3.
Si a > 3, la série est plus aplatie qu’une série normale.
Si a < 3, la série est moins aplatie (plus pointue)
qu’une série normale.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position 1- Coefficient d’asymétrie de Yule
III.2- Paramètres de dispersion 2- Coefficient d’asymétrie de Pearson
III.3- Paramètres de forme 3- Coefficient d’asymétrie de Fisher
III.4- Paramètres de concentration 4- Coefficient d’aplatissement de Pearson

Remarque

Dans un changement additif et multiplicatif Y = aX + b,

Les paramètres de position sont affectés par le
changement additif et multiplicatif.
Les paramètres de dispersion sont affectés par le
changement multiplicatif mais pas par le changement
additif.
Les paramètres de forme ne sont affectés ni par le
changement multiplicatif ni par le changement additif.

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position
III.2- Paramètres de dispersion
III.3- Paramètres de forme
III.4- Paramètres de concentration

A. Fahsi Module M321 : Probabilité et Statistique pour BCG

 III.1- Paramètres de position
III.2- Paramètres de dispersion
III.3- Paramètres de forme
III.4- Paramètres de concentration

Fin chapitre 1

A. Fahsi Module M321 : Probabilité et Statistique pour BCG