REPUBLIQUE DEMOCRATIQUE DU CONGO

ENSEIGNEMENT SUPERIEUR ET UNIVERSITAIRE

ANNEE – ACADEMIQUE : 2023 - 2024

Support de cours de statistique descriptive

INTRODUCTION
L’objectif de la statistique descriptive est de recueillir des données observées portant
sur une population constituée par un ensemble d’individus et d’analyser ces données
en les groupant dans des tableaux, de les représenter graphiquement et de calculer
plusieurs indicateurs permettant d’avoir des renseignements approfondis sur ces
données.

1. ETYMOLOGIE
De l’allemand staatskunde, dérivé de l’Italie statista (homme d’Etat, statiste), la
statistique représente l’ensemble des connaissances que doit posséder un homme
d’Etat.

2. DOMAINES D'APPLICATION
Dans la pratique, les méthodes et outils statistiques sont utilisés dans des domaines
tels que :
• Economie, assurance, finance : l'étude quantitatives de marchés, prévisions
économétriques, analyse de la consommation des ménages, taxation des primes
d’assurances et de franchises, gestion de portefeuille, évaluation d’actifs
financiers, … ;
• Biologie, médecine : essais thérapeutique, épidémiologie, dynamique des
populations, analyse du génome, …
• Sciences de la terre : prévisions météorologiques, exploration pétrolière, …
• Sciences humaines : enquêtes d’opinion, sondage, étude de la population, …
• Sciences de l’ingénieur : contrôle de qualité, sûreté de fonctionnement,
évaluation des performances, …
• Sciences de l’information : traitement des images et des signaux,
reconnaissance de forme et parole, machine learning, …

3. BUT DE LA STATISTIQUE
Les données sont entachées d’incertitudes et présentent des variations pour
plusieurs raisons :
▪ Le déroulement des phénomènes observés n’est pas prévisible à l’avance avec
certitude ;
▪ Toute mesure est entachée d’erreur ;
▪ Seuls quelques individus sont observés ;
▪ Etc.
Données issues de phénomènes aléatoires.
Intervention du hasard et des probabilités.

Doctorant Elie NK

2
Support de cours de statistique descriptive

4. OBJECTIF
L’objectif est de maîtriser aux mieux cette incertitude pour extraire des
informations utiles des données, par l’intermédiaire de l’analyse des variations
dans les observations.

5. OBJECTIFS SPECIFIQUES
La réalisation de l’objectif global implique que l’apprenant soit capable de :
➢ définir et d’expliquer certains concepts statistiques tels que la population,
les variables ou caractères, les séries et tableaux statistiques, etc.
➢ classifier les variables d’après leur nature ;
➢ présenter les séries statistiques dans des tableaux ou sous forme graphique
et de les synthétiser à l’aide des paramètres caractéristiques ;
➢ définir et de calculer une corrélation ;
➢ élaborer une droite ou une courbe de régression ;
➢ calcul un indice statistique ;
➢ étudier une série chronologique.

6. METHODES STATISTIQUES
 Statistique descriptive : elle a pour but de résumer l’information contenue
dans les données de façon synthétique et efficace par :
▪ Représentations tabulaires ;
▪ Représentations graphiques ;
▪ Indicateurs de position, de dispersion et de relation ;
▪ Régression linéaire.
Permet de dégager les caractéristiques essentielles du phénomène étudié et de
suggérer des hypothèses pour une étude ultérieure plus poussée. Les
probabilités n’ont ici qu’un rôle mineur.

 Statistique inférentielle : elle a pour but de faire des prévisions et de prendre

des décisions au vu des observations par :
▪ Estimation paramétrique ;
▪ Intervalles de confiance, tests d’hypothèses
Nécessite de définir des modèles probabilistes du phénomène aléatoire et
savoir gérer les risques d’erreurs.

 La statistique repose sur l’observation de phénomènes concrets et utilise les

probabilités comme outils d’analyse et de généralisation.
 La théorie des probabilités permet de modéliser efficacement certains
phénomènes aléatoires et d’en faire l’étude théorique.

Doctorant Elie NK

3
Support de cours de statistique descriptive

Le calcul des probabilités propose des modèles simplificateurs du comportement

d’un phénomène.
✓ les données observées sont souvent imprécises. Le modèle probabiliste
permet de représenter comme des variables aléatoires les déviations entre
« vraies » valeurs et valeurs observées.
✓ la répartition statistique d’une variable au sein de la population est souvent
voisine de modèles mathématiques proposés par le calcul des probabilités
(exemple : supposer que la durée de vie d’un composant électronique suit
une loi exponentielle).
Le calcul des probabilités fournit des théorèmes si le processus d’échantillonnage
équiprobable des individus parmi la population est respecté.

7. DEMARCHE GENERALE EN STATISTIQUE

Toute étude statistique peut être décomposée en phases suivantes :
(a) Recueil des données : construction d’un échantillon.
(b) Statistique exploratoire : formulation d’hypothèses sur la nature du phénomène
aléatoires.
(c) Choix du modèle probabiliste : test d’adéquation.
(d) Estimation des paramètres inconnus du modèle : construction d’estimateurs
(e) Prévision sur les observations futures : associer un degré de confiance.

Doctorant Elie NK

4
Support de cours de statistique descriptive

CHAPITRE I : TERMINOLOGIE

1. Statistique : Statistique désigne à la fois un ensemble de données d’observation et

d’activité qui consiste dans leur recueil, leur traitement et leur interprétation
(Encyclopedia Universalis).
La statistique est une méthode scientifique dont l’objet est de recueillir,
d’organiser, de résumer et d’analyser les données d’une enquête, d’une étude ou
d’une expérience, aussi bien que de tirer les conclusions logiques et de prendre les
décisions qui s’imposent à partir des analyses effectuées.
2. Population : Ensemble d’individus définis par une propriété commune donnée.
Exemple : si l’on veut étudier la durée de vie des ampoules électriques fabriquées
par une compagnie, la population considérée est l’ensemble de toutes les ampoules
fabriquées par cette compagnie.
3. Echantillon : Sous-ensemble de la population.
Exemple : pour établir la durée de vie des ampoules électriques produites par une
machine, on peut prélever au hasard un certain nombre d’ampoules (un
échantillon) parmi toutes celles produites par cette machine.
4. Individu ou unité statistique : Chaque élément de la population ou de
l’échantillon. Exemple : dans l’exemple précédent, chaque ampoule constitue un
individu ou une unité statistique.
5. La taille : Représente le nombre d’individus d’une population ou d’un échantillon.
Elle est symbolisée par « n » dans le cas d’un échantillon et par « N » dans le cas
d’une population.
6. Le caractère (ou variable) : C’est l’aspect particulier que l’on désire étudier.
Exemple : concernant un groupe de personnes, on peut s’intéresser à leur âge, leur
sexe, leur taille, …
7. Les modalités : Les différentes manières d’être que peut présenter un caractère.
Exemple 1 : Le sexe est un caractère qui présente deux modalités : féminin ou
masculin. Exemple 2 : Quand au nombre d’enfants par famille, les modalités de ce
caractère peuvent être 0, 1, 2, 3, 4, 5, …, 20.
8. Caractère qualitatif : Ses modalités ne s’expriment pas par un nombre. Exemple :
La religion, le sexe, l’opinion, …
9. Caractère quantitatif : Ses modalités sont numériques. Exemple : l’âge, la taille,
le poids, …
10. Caractère quantitatif discret : L’ensemble des valeurs que peut prendre le
caractère est fini ou dénombrable. Le plus souvent, ces valeurs sont entières.
Exemple : Le nombre d’enfant dans une famille, le nombre de téléviseurs par
foyer et la pointure des souliers.

Doctorant Elie NK

5
Support de cours de statistique descriptive
11. Caractère quantitatif continu : Le caractère peut prendre théoriquement
n’importe quelle valeur dans un intervalle donné de nombres réels.
Exemple : La taille d’un individu, le poids, …
12. Série statistique : L’ensemble des différentes données associées à un certain
nombre d’individus. Exemple : la série suivante d’une courte enquête auprès de
quelques personnes pour connaître leur âge :
18 21 19 19 17 22 27 18 20 17 20 18 23

13. LES EFFECTIFS, LES FREQUENCES ET POURCENTAGE

a) L’effectif : c’est le nombre d’individus d’une classe ; on le note ni (i est l’indice de
la classe)
b) La fréquence : est la proportion d’individus de la population ou de l’échantillon
appartenant à la classe.
ni
Elle est définie par l’expression suivante : fi =
N
Remarque : on peut remplacer fi par fi x 100 qui représente alors le pourcentage.
ni
c) Le pourcentage : p i = x 100
N
N = Effectif total de la population
ni = Effectif de la modalité considérée
Propriétés :
n
N= n
i=1
i

k
0  fi  1 f
i =1
i = 1 où k représente le nombre de classes.

p
i
i = 100

Exemple : En 2009 parmi les français de plus de 17 ans sur 21.033.906 hommes
il y a 4.286.858 retraités
4.286.858
x 100  20% D’hommes sont retraités.
21.033.906

d) L’effectif (ou fréquence) cumulé(e) : est l’effectif (ou fréquence) de la classe

augmenté(e) de ceux ou celles des classes précédentes (lorsque la variable
statistique est quantitative). Est une fonction F de la borne supérieure de la classe
(dans le cas d’une variable statistique continue).

Doctorant Elie NK

6
Support de cours de statistique descriptive

CHAPITRE II : PRESENTATION DES DONNEES

On regroupe toutes les données de la série statistique dans un tableau indiquant la

répartition des individus selon le caractère étudié. Le regroupement s’effectue par
classes :
• Si le caractère est qualitatif ou quantitatif discret, une classe contient tous les
individus ayant la même modalité ou la même valeur du caractère ;
• Si le caractère est continu, une classe est un intervalle.
- Pour construire ces intervalles, on respecte les règles suivantes :
✓ Le nombre de classes est compris entre 5 et 20 (de préférence entre 6 et 12) ;
✓ Chaque fois que cela est possible, les amplitudes (écart de l’intervalle) des
classes sont égales ;
✓ Chaque classe (sauf la dernière) contient sa borne inférieure, mais pas sa
borne supérieure.
- Dans les calculs, une classe sera représentée par son centre, qui est le milieu de
l’intervalle
- Une fois la classe constituée, on considère les individus répartis uniformément
entre les deux bornes (ce qui entraîne une perte d’information par rapport aux
données brutes)

2.1. TABLEAUX
A. Cas d’un seul caractère (ou une seule variable)
Le tableau brut se présente sous la forme suivante :
Individu Caractère ou
variable
1 x1
2 x2
3 x3
… …
n xn

Le nombre d’individus observé étant en général important, le tableau précédent ne

permet pas d’analyser l’information obtenue. Il est donc nécessaire de créer un
tableau plus synthétique ou les observations identiques (possédant la même
modalité) ont été regroupées.
Modalité Effectif
c1 n1
c2 n2
c3 n3
… …
ck nk

Doctorant Elie NK

7
Support de cours de statistique descriptive
Pour une variable qualitative, les modalités ne sont pas mesurables.
Pour une variable quantitative, les modalités sont mesurables. Ce sont des valeurs
numériques ponctuelles lorsque la variable est discrète, des intervalles lorsque la
variable est continue ou lorsque la variable est discrète et qu’elle comporte
beaucoup de modalités.
Application
Etude d’une population de 1.000 entreprise selon le caractère « forme juridique »
Les modalités retenues sont :
• SA : Société Anonyme ;
• SARL : Société A Responsabilité Limitée ;
• EI : Entreprise Individuelle
• SNC : Société en Non Collectif.
Les effectifs respectifs sont : 200 400 340 60
TAF (Travail à faire) : Présentez cette série dans un tableau.

B. Cas de deux variables

Le tableau brut se présente sous la forme suivante :
Individu Variable 1 Variable 2
1 x1 y1
2 x2 y2
3 x3 y3
… … …
n xn yn

On désire créer un tableau appelé tableau de contingence donnant le nombre

d’individus possédant simultanément la modalité i de variable 1 et la modalité j de
variable 2 qui se présentera sous la forme suivante :
Variable 2
D 1 … Dj … Dr
C1 n11 … n1j … n1r
… … … … … …
Variable
Ci ni1 … nij … nir
1
… … … … … …
Ck nk1 … nkj … nkr

Application
Dans une entreprise, une enquête statistique a été faite sur 500 employés et portant
sur deux caractères ; l’âge et la rémunération. Les résultats de l’enquête sont
présentés dans les deux tableaux suivants :

Doctorant Elie NK

8
Support de cours de statistique descriptive
Age n
20 à 25 150
25 à 30 100
30 à 35 200
35 à 40 50

Rémunération en n
dhs
Moins de 1.500 150
1.500 à 2.000 100
2.000 à 2.500 200
Plus de 2.500 50

TAF : Présentez dans un même tableau la distribution de ces deux caractères

2.2. DEPOUILLEMENT DES OBSERVATIONS

Lorsque des informations ont été obtenues, indirectement ou par enquête, elles doivent
être classées et exploitées.
Pour chaque caractère à étudier, on définit un certain nombre de classes selon les
modalités, puis on fait le tri des observations, c’est-à-dire la répartition entre les
classes.
Ces opérations peuvent être faites à la main (et à l’aide de la machine à calculer)
lorsqu’il s’agit d’une population peu nombreuse. De plus en plus, pour des effectifs
importants, on recourt à l’ordinateur. Des programmes permettent de s’assurer que les
données sont cohérentes. Les tris sont effectués par l’ordinateur ; celui-ci fournit les
résultats sous forme de tableaux et éventuellement de graphiques. L’ordinateur peut en
même temps fournir les principales caractéristiques statistiques de la série étudiée
(moyenne, médiane, écart-type, …) et éventuellement appliquer des tests.
Le dépouillement s’effectue par pointage soit en carreaux, soit en pâturage.

a) DEPOUILLEMENT DANS LE CAS D’UN CARACTERE QUALITATIF

Supposons qu’on ait à dresser uns statistique portant sur la « situation
matrimoniale » de vingt personnes de sexe masculin. On a retenu pour ce
caractère qualitatif, les modalités suivantes : célibataire, marié, veuf, divorcé.
Pour faciliter le dépouillement on a établi le code suivant :
- célibataire : 1 ;
- marié : 2;
- veuf : 3;
- divorcé : 4
Les vingt personnes interrogées ont fourni les réponses suivantes :

Doctorant Elie NK

9
Support de cours de statistique descriptive
2 1 1 4 1 4 3 2 2 2
3 2 1 1 4 2 2 1 2 3

Le dépouillement va consister à compter combien, parmi les vingt unités statistiques

observées, répondent à la modalité codée 1, à la modalité codée 2, et ainsi de suite.
Exécuté de façon manuelle le dépouillement pourra se présenter de la manière
suivante :
Situation Nombre d’unités statistiques Effectifs
matrimoniale Pointage en carreaux Pointage en pâturage
1 6

2 8

3 3

4 3

TOTAL 20

b) DEPOUILLEMENT DANS LE CAS D’UN CARACTERE QUANTITATIF

(OU VARIABLE STATISTIQUE)
Si la variable statistique est discontinue, le dépouillement se fait comme pour le
caractère qualitatif.
Supposons que vingt sportifs aient été pesés à l’occasion d’un contrôle médical.
Les résultats sont les suivant (en Kg) :
77,45 62,20 67,82 71,28 74,37
81,29 78,54 63,22 59,47 61,33
56,41 63,23 63,28 71,66 68,72
54,93 71,44 74,31 77,82 67,41

Le dépouillement pourra se présenté comme suit :

Classes (amplitude de 5 Nombre Effectifs
Kg) d’unités
mois de 55 1
de 55 à 60 2
de 60 à 65 5
de 65 à 70 3
de 70 à 75 5
de 75 à 80 3
plus de 80 1
TOTAL 20

Doctorant Elie NK

10
Support de cours de statistique descriptive
Une légère différence pourrait se présenter au cas où une des valeurs observées de la
variable se trouverait exactement à la frontière d’une classe. Si, par exemple le poids
d’un des sportifs observés était exactement de 65 Kg, faudrait-il rattacher cette unité
à la classe « 60 à 65 » plutôt qu’à la classe « 65 à 70 », ou faudrait-il faire le
contraire ?
Pareille éventualité doit avoir été prévue, et la décision doit avoir été prise
préalablement à l’étude statistique.
Si on a décidé, par exemple, que l’extrémité supérieure d’une classe ne fait pas
partie de la classe, ce qui entraîne que les classes seront les suivantes :

moins de 55 ou , 55[
55 à moins de 60 ou [55, 60[
60 à moins de 65 ou [60, 65[
… … …
75 à moins de 80 ou [75, 80[
80 et plus ou [80,

La mesure 65 Kg de la variable sera alors rattachée à la classe « 65 à moins de 70 »

Dans le cas contraire, il aura été préalablement décidé que l’extrémité inférieure
d’une classe ne fasse pas partie de la classe, les classes seront les suivantes :

moins de 55 et 55 ou , 55]
plus de 55 à 60 ou ]55, 60]
plus de 60 à 65 ou ]60, 65]
… … …
plus de 75 à 80 ou ]75, 80]
plus de 80 ou ]80,

La mesure 65 Kg de la variable sera alors rattachée à la classe « plus de 60 à 65 »

Le choix du nombre des classes, et partant, de l’amplitude des classes, dépend du
domaine de variation de la variable étudiée, et de la statistique à établir. Un nombre
trop faible de classes peut conduire à regrouper dans une même classe des mesures
observées de la variable qui présenteraient entre elles des écarts sensibles, et en
conséquence peut nuire à la précision des résultats obtenus. Un trop grand nombre
de classes conduirait sans doute à des résultats précis, mais entraînerait aussi un
grand nombre de calculs.

2.3. METHODES DE GROUPEMENT EN CLASSES

En général il n'existe pas une méthode unique pour la détermination du nombre des
classes d'une série statistique. Dans le cadre de ce cours, nous proposons deux
méthodes de groupement des données en classes.

Doctorant Elie NK

11
Support de cours de statistique descriptive
METHODE DE STURGES DITE « METHODE DE LIORZOU »
Cette méthode consiste à calculer :
10.log.n
1. Le nombre des classes par la formule : k = 1 +
3
d
2. L’amplitude : a = avec d = Xmax - Xmin
k -1
a
3. La limite inférieure : L i = X min -
2
Exemple : Les notes finales en mathématique obtenues par 80 étudiants d’une
université sont reportées dans le tableau suivant :

68 84 75 82 68 90 62 88 76 93
73 79 88 73 60 93 71 59 85 75
61 65 75 87 74 62 95 78 63 72
66 78 82 75 94 77 69 74 68 60
96 78 89 61 75 95 60 79 83 71
79 62 67 97 78 85 76 65 71 75
65 80 73 57 88 78 62 76 53 74
86 67 73 81 72 63 76 75 85 77

10.log.n 10 log80
k = 1+ =1+ = 7,34 ≈ 7
3 3
d 44
a= = = 7,33333 ≈ 7
k -1 7 -1
a 7
L i = X min - = 53 - = 49,5
2 2
TABLEAU STATISTIQUE
Intervalles Effectifs
des classes ni
[49,5 – 56,5[ 1
[56,5 – 63,5[ 13
[63,5 – 70,5[ 10
[70,5 – 77,5[ 25
[77,5 – 84,5[ 14
[84,5 – 91,5[ 10
[91,5 – 98,5[ 7
80

Doctorant Elie NK

12
Support de cours de statistique descriptive

2.4. REPRESENTATIONS GRAPHIQUES

Lorsqu’on observe un caractère sur des individus, on aboutit à un tableau de chiffres
peu parlant. L’objectif est de donner une représentation graphique de ce tableau qui
permette d’un seul coup d’œil d’avoir une idée de la manière dont se répartissent les
individus.

A. Variable qualitative
A chaque modalité i est associé un effectif ni.
La seule représentation qui nous intéresse est celle des effectifs ni (ou des
fréquences ni /n). Suivant la variable observée, de nombreuses représentations plus
ou moins informatives peuvent être utilisées. Cependant les 2 plus classiques sont :

a) Les travaux d’orgue (ou diagramme en barre ou diagramme à bandes)

- Les modalités de la variable sont placées sur une droite horizontale ;
- Les effectifs (ou les fréquences) sont placés sur un axe vertical. La hauteur
du tuyau est proportionnelle à l’effectif.

Effectifs ou fréquences

Il est préférable de laisser un

espace entre chaque tuyau

Pas de flèches

Modalité
s
L’ordre dans lequel sont présentés
les tuyaux n’a pas d’importance
b) Les diagrammes à secteurs (ou camemberts)
- L’effectif total est représenté par un disque ;
- Chaque modalité est représentée par un secteur circulaire dont la surface
(pratiquement : l’angle au centre) est proportionnelle à l’effectif
correspondant.

modalités

Doctorant Elie NK

13
Support de cours de statistique descriptive
Application : La répartition des candidats convoqués pour participer au test
d’admissibilité à la formation en management (TAFEM 2023) pour l’accession à
l’Ecole Nationale de Commerce et de Gestion, selon la série du baccalauréat se
présente comme suit :
Série du Bac : xi Nombre de candidats : ni
Sciences économiques 250
Sciences 200
mathématiques
Sciences 400
expérimentales
TGA 50
TGC 100
TOTAL 1 000
TAF : Représentez cette distribution en tuyaux d’orgues et diagramme circulaire

B. Variable quantitative.
Avant toute tentative de représentation, il y a lieu de distinguer entre variable
discrète et variable classée (regroupements en classe)
Deux types de graphiques sont intéressants de représenter :
a) Les diagrammes différentiels qui mettent en évidence les différences d’effectifs
(ou de fréquences) entre les différentes modalités ou classes.
b) les diagrammes cumulatifs qui permettent de répondre aux questions du style
"combien d'individus ont pris une valeur inférieure (ou supérieure) à tant?"

1) Variable discrète.
a. Diagramme différentiel : le diagramme en bâtons
Les valeurs discrètes xi prises par les variables sont placées sur l'axe des
abscisses, et les effectifs (ou les fréquences) sur l'axe des ordonnées. La
hauteur du bâton est proportionnelle à l'effectif.

ni ou fi

xi

Doctorant Elie NK

14
Support de cours de statistique descriptive
b. Diagrammes cumulatifs.
Ils permettent de visualiser l’évolution des effectifs (fréquences) cumulés
croissants ou décroissants.

fcd
0,65
fca

0,35

2 4 6 8 10

Remarque : les deux courbes sont symétriques par rapport à un axe

horizontal d'ordonnée n/2 pour les effectifs, ½ pour les fréquences.
On utilise l'effectif (fréquence) cumulé croissant pour répondre aux
questions du style :
Quel est le nombre (%) d'individus dont la valeur du caractère est inférieure
ou égale à x ?
On utilise l'effectif (fréquence) cumulé décroissant pour répondre aux
questions du style :
Quel est le nombre (%) d'individus dont la valeur du caractère est
strictement supérieure à x ?
Se souvenir:
(au plus x) équivalent à (< x) donc utiliser N(x) ou F(x)
(plus que x) équivalent à (> x) donc utiliser N '(x) ou F '(x)

Application :
Représentez graphiquement la distribution des 50 étudiants en fonction du
nombre de personnes par ménage suivante :
Nombre de Nombre d’étudiants
personnes par ni
ménage xi
3 5
4 15
6 15
7 10
8 5
TOTAL 50

Doctorant Elie NK

15
Support de cours de statistique descriptive
2) Variable classée.
a) Diagramme différentiel : l’Histogramme
C'est un ensemble de rectangles contigus, chaque rectangle associé à
chaque classe ayant une surface proportionnelle à l'effectif (fréquence) de
cette classe.
Attention : Avant toute construction d'histogramme, il y a lieu de regarder
si les classes sont d'amplitudes égales ou inégales.
Le cas des classes d'amplitudes égales ne pose aucune difficulté car il suffit
de reporter en ordonnée l'effectif (la fréquence).
Dans le cas d'amplitudes inégales on reporte en ordonnée la densité di
(effectif divisé par l'amplitude de la classe)
di

b) Le polygone de fréquences
C’est la figure obtenue en reliant les couples (Xi, ni) par des segments de
droite avec les centres des classes Xi et les effectifs des classes ni.
On peut tracer le polygone des fréquences en reliant les centres des classes
des sommets des rectangles de l’histogramme.
Pour permettre au polygone des fréquences de se refermé sur l’axe des
abscisses, on ajoute des classes des bordures ; ces sont des classes
d’effectifs nuls dont la première à pour limité inférieure la limite inférieure
de la distribution diminuée de l’amplitude (Li = Li.dist – a) et la 2ème classe
de bordure a pour limite inférieure la limite supérieure de la distribution
groupée, sa limite supérieure sera obtenue en additionnant l’amplitude à la
limite supérieure de la distribution groupée.
Exemple : Traçons le polygone de fréquences en nous inspirant de
l’exemple des notes de mathématique.

Doctorant Elie NK

16
Support de cours de statistique descriptive

30

25
Polygone des
fréquences
20

15

10

0
42,

49,

56,

63,

71,

78,

85,

93,

100

107
05

35

65

95

25

55

85

15

,45

,75
c) Diagrammes cumulatifs : identiques au cas discret.

Application :
Représentez graphiquement la distribution de 50 étudiants en fonction de leur
taille suivante :
Taille en cm : Nombre d’étudiants
xi
150 – 160 16
160 – 165 6
165 – 170 12
170 – 175 14
175 – 180 2
TOTAL 50

Doctorant Elie NK

17
Support de cours de statistique descriptive

CHAPITRE III : LES PARAMETRES STATISTIQUES

3.1. LES PARAMETRES DE TENDANCE CENTRALE ET DE
POSITION
Les caractéristiques (paramètres) de tendance centrale essayent de donner la
valeur la plus représentative d'un ensemble de valeurs numériques.
1. Mode
C’est la valeur observée d’effectif maximum
Calcul du mode
a) Variable discrète :
Classer les données par ordre croissant. Celle d’effectif maximum donne le
mode.

b) Variable classée
La classe modale correspond à la classe ayant l'effectif maximum. Il est
fortement conseillé d'utiliser l'histogramme pour déterminer le mode. Comme
pour le cas discret, on peut avoir deux classes modales. Toutes les valeurs de la
classe pouvant à priori se réaliser, on ne se contentera pas de déterminer la
classe modale. Une des valeurs de cette classe sera le mode. Certains auteurs
préconisent par simplicité de prendre le centre de la classe modale. Il est
préférable cependant de tenir compte des classes adjacentes de la manière
suivante :

di

x
mode

1. Déterminer la classe dominante (classe à plus grand effectif)

2. Par interpolation, déterminer la valeur du mode selon la formule :
1
Mo = Li + a
1 +  2

Doctorant Elie NK

18
Support de cours de statistique descriptive
Li = limite inférieure de classe modale
a = amplitude de la classe modale
Δ1 = différence entre les effectifs de la classe modale et ceux de la classe
précédente
Δ2 = différence entre les effectifs de la classe modale et ceux de la classe
suivante
Si la distribution a des amplitudes différentes, l’amplitude à considérer
sera celle de la classe modale.

Application :
Déterminer la valeur modale de la distribution suivante, de 50 étudiants en
fonction de leur taille suivante :
Taille en cm : Nombre d’étudiants
xi
150 – 160 16
160 – 165 6
165 – 170 12
170 – 175 14
175 – 180 2
TOTAL 50
Mo = 173,77 cm

2. Médiane
Les valeurs étant rangées par ordre croissant, c'est la valeur de la variable qui
sépare les observations en deux groupes d'effectifs égaux.

Calcul de la médiane
a) Variable discrète :
La détermination peut s'obtenir à partir du tableau statistique en recherchant la
valeur de la variable correspondant à une fonction cumulée égale à n/2 (effectif
cumulé) ou ½ (fréquence cumulée). Il est encore plus facile de lire sur les
graphiques cumulatifs les abscisses des points d'ordonnée n/2 (effectif cumulé)
ou ½ (fréquence cumulée). Si tout un intervalle a pour image n/2 ( ½ pour la
fréquence), on parlera d'intervalle médian (on peut prendre le milieu de
l'intervalle comme médiane.

Application
Soit la série statistique suivante :
19 17 20 18 17 17 20 19 15 16 20 23 22 14 15 24
TAF : Calculer la médiane de cette série.

Doctorant Elie NK

19
Support de cours de statistique descriptive
b) Variable classée :
L’abscisse du point d'ordonnée n/2 (½ pour la fréquence) se situe en général à
l'intérieur d'une classe. Pour obtenir une valeur plus précise de la médiane, on
procède à une interpolation linéaire. La valeur de la médiane peut être lue sur
le graphique ou calculée analytiquement.

i − fcdi i − fcai
Me = LiMe − aMe ( ) ou Me = LsMe − aMe ( )
niMe niMe

Où ; Li = limite inférieure Ls = limite supérieure

a = amplitude de la classe médiane.
fca = fréquences cumulées ascendantes
fcd = fréquences cumulées descendantes
n
i=
2

Graphiquement
a) Méthode du graphe à vue
ni

n
2

Me Classes

b) Courbes des fréquences.

La méthode consiste à tracer les courbes des fréquences cumules, leur
intersection donne la médiane.

3. Moyenne arithmétique.
Si xi sont les observations d'une variable discrète ou les centres de classe d'une
variable classée ;
somme des valeurs observées
La moyenne arithmetique est égale ∶
nombre des valeurs observées
k k
nx
̅ = ∑ i i = ∑ fi x i
X
n
i=1 i=1

La moyenne arithmétique est un paramètre de tendance centrale le plus utilisé que

les autres de par ses propriétés algébriques :

Doctorant Elie NK

20
Support de cours de statistique descriptive
a) Pour plusieurs populations d’effectifs n 1, n2, …, nk de moyennes respectives
x̅1 , x̅2 , … , x̅k ; la moyenne globale est égale à la moyenne des moyennes.
̅ ∑ki=1 x̅i
X=
n
b) La moyenne arithmétique conserve les changements d’échelle et d’origine.
Exemple : Calculer la moyenne pour la distribution suivante :
Xi ni n i Xi
18 2 36 n
21 9 189 n X i i
1.314
24 11 264 X= i =1
=
27 13 251 N 50 = 26,28
30 9 270
33 4 132
36 2 72
50 1.314

4. La moyenne arithmétique pondérée

La moyenne pondérée est la moyenne arithmétique d’une série dont chaque valeur
possède un poids bien déterminé (appelé moyenne d’une donnée ou coefficient de
pondération), un nombre positif ou nul attaché à cette donnée et servant à indiquer
l’importance de la donnée.
La moyenne arithmétique pondérée d’une série non groupée est fournie par la
formule ci-après :
n

p x i i
X= i =1
n

p
i =1
i

Où pi est le poids de la donnée et xi est la donnée en question.

EXEMPLE 1 : Soit un examen comprenant les épreuves suivantes : statistique,

analyse mathématique, calcul des probabilités, algèbre linéaire, comptabilité
générale, logique et expression, civisme, technique de collecte dont les
pondérations sont respectivement 16, 16, 10, 10, 12, 8, 8, 6.
Quelle sera la moyenne arithmétique des cotes d’un étudiant ayant obtenu
respectivement 10, 8, 12, 14, 13, 12, 16 et 10.
10.16 + 8.16 + 12.10 + 14.10 + 13.12 + 12.8 + 16.8 + 10.6 988
X= = = 11,14
16 + 16 + 10 + 10 + 12 + 8 + 8 + 6 86

EXEMPLE 2 : Un examen final d’une discipline a un coefficient 3, tandis que les

examens partiels antérieurs ont un coefficient 1. Sachant qu’un étudiant a obtenu la
note de 85 à l’examen 70 et 90 aux deux examens partiels antérieurs, quelle sera sa
note moyenne.

Doctorant Elie NK

21
Support de cours de statistique descriptive
5. Moyenne géométrique
Si xi sont les observations d'une variable quantitative, la moyenne géométrique est
égale à :
n n n n
G = √x1 1 ∗ x2 2 ∗ … ∗ xk k
Ce type de moyenne est surtout utilisé pour calculer des pourcentages moyens. r
étant un taux d'accroissement, 1+r est appelé coefficient multiplicateur; et le
coefficient multiplicateur moyen est alors égal à la moyenne géométrique des
coefficients multiplicateurs.

6. Moyenne harmonique
Si xi sont les observations d'une variable quantitative, la moyenne harmonique est
égale à :
n
H= n
∑ki=1 i
xi
Il n'est pas évident d'utiliser ce type de moyenne.
Elle intervient lorsqu'on demande une moyenne de valeurs se présentant sous
forme de quotient de deux variables x/y (km/h, km/litre, ...). Attention, il faut
cependant bien décortiquer le problème car il peut aussi s'agir d'une moyenne
arithmétique.

Application.
Un cycliste effectue une traversé de 50 kms. Pendant les 20 premiers kms il roulait
avec une vitesse constante de km/h, les 15 kms suivants à une vitesse constante de
30 km/h. du point kilométrique 35 au 55 la vitesse de notre cycliste n’est que de 10
km/h et au-delà du point kilométrique sa vitesse n’est que de 5 km/h.
TAF : Quelle est la vitesse de ce cycliste sur l’ensemble du parcours ?

7. Moyenne quadratique.
Si xi sont les observations d'une variable quantitative, la moyenne quadratique est
égale à :

n1 x12 + n2 x22 + ⋯ + nk xk2

Q=√
n

8. Quantiles
Ce sont des caractéristiques de position.
Il y a :
- une médiane Me qui sépare les observations en deux groupes d'effectifs égaux.
- trois quartiles Q1, Q2, Q3 qui séparent les observations en 4 groupes d'effectifs
égaux.

Doctorant Elie NK

22
Support de cours de statistique descriptive
- neuf déciles D1, D2, ..., D9 qui séparent les observations en 10 groupes
d'effectifs égaux.
- Nonante neuf centiles C1, C2, ..., C99 qui séparent les observations en 100
groupes d'effectifs égaux.
- La détermination de ces caractéristiques est identique à celle de la médiane.

Les quartiles sont obtenus lorsqu'on a cumulé 25%, 50%, 75% de la population.
Les déciles sont obtenus lorsqu'on a cumulé 10%, 20%, ..., 90% de la population.
Les centiles sont obtenus lorsqu'on a cumulé 1%, 2%, ..., 99% de la population.
Remarque : la notion de déciles et de centiles n'a de sens que s'il y a beaucoup
d'observations et donc essentiellement pour une variable classée.

Calcul des quantiles

a) Variable discrète.
Etape 1 : Classez les données en ordre croissant (de la plus petite à la plus
grande valeur) ;
Etape 2 : calculer un indice i ;
q
i = ∗ n ; pour le quartile
4
q
i= ∗ n ; pour le décile
10
q
i= ∗ n ; pour le centile
100
où q est le quantile considéré et n le nombre d’observations.
Etape 3 :
- si i n’est pas un nombre entier, l’arrondir. La position du p ème percentile
correspond à l’entier supérieur à i.
- si i est un nombre entier, la position du pème quantile correspond à la
moyenne des valeurs des observations i et i+1.
b) Variable classée.
Etape 1 : calculer un indice i ;
q
i = ∗ n ; pour le quartile
4
q
i= ∗ n ; pour le décile
10
q
i= ∗ n ; pour le centile
100
où q est le quantile considéré et n le nombre d’observations
 i - fcd inf 
Etape 2 : calculer le Cp = Linf + a  
 n i cent 

Doctorant Elie NK

23
Support de cours de statistique descriptive
Application
Soit la population de 80 salariés classés d’après le niveau de leur salaire
journalier.
Classes en dhs ni fcd = ni cumulés
90 – 100 5 5
100 – 110 9 14
110 – 120 16 30
120 – 130 25 55
130 – 140 13 68
140 – 150 7 75
150 – 160 3 78
160 – 170 2 80
TOTAL 80

TAF : Calculer la médiane et les deux quartiles

3.2. PARAMETRES DE DISPERSION

Comme leur nom l'indique, ces paramètres essayent de synthétiser par une seule valeur
numérique la dispersion de toutes les valeurs observées.

1) Etendue : d
C’est la différence entre la plus grande et la plus petite observation.
Exemple : Quelle est l’étendue de la série statistique suivante :
10 390 395 405 410 1000
d = 1000 – 10 = 990

2) Intervalle interquartile :
C’est la différence entre le troisième et le premier quartile

3) Variance et écart-type :
Si xi sont les observations d'une variable discrète ou les centres de classe d’une
variable classée, la variance est égale à :
k
∑ki=1 n1 (xi − x̅)
V(x) = = ∑ fi (xi − x̅)
n
i=1
k
ni xi2
ou bien V(x) = ∑ − x̅ 2
n
i=1

Doctorant Elie NK

24
Support de cours de statistique descriptive
On utilise plus couramment l'écart type qui est la racine carrée de la variance et qui
a l'avantage d'être un nombre de même dimension que les données (contrairement
à la variance qui en est le carré)
La variance est un paramètre de dispersion plus utilisé que les autres de par ses
propriétés algébriques :

a) Pour plusieurs populations d’effectifs n1, n2, …, nk de moyennes respectives

x̅1 , x̅2 , … , x̅k ; de variances V1(x), V2(x), …, Vk(x), la variance globale est la
variance des moyennes + la moyenne des variances :
k k
ni (x̅i − x̅ )2 ni Vi (x)
V(x) = ∑ +∑
n n
i=1 i=1
Où x̅ représente la moyenne des moyennes.

b) Changement d’échelle
X : (xi, ni) → Y : (y=axi + b, ni)
V(x) → V(y) = a²V(x)

4) Coefficient de variation
σ
CV =
x̅

C'est un coefficient qui permet de relativiser l'écart type en fonction de la taille des
valeurs. Il permet ainsi de comparer la dispersion de séries de mesures exprimées
dans des unités différentes.

APPLICATIONS :
Application 1 : Les séries suivantes représentent la mesure d’un caractère auprès
des individus d’une population :
a) 6 1 8 10 5 4 11 3 2 9 7 12 13
b) 19 17 7 1 4 24 15 22 10 13
c) 15 12 17 15 20 15 20 15 15 9 7
d) 21 25 34 10 20 27 14 20 34
Dans chacun de ces cas calculez : la moyenne, la médiane, le mode, la variance,
l’écart-type et le coefficient de variation.

Doctorant Elie NK

25
Support de cours de statistique descriptive
Application 2 : La distribution suivante représente la répartition de la longueur de
pinces d’écrevisse provenant d’une rivière :
Limites ni
1,02 – 1,23 5
1,24 – 1,45 7
1,46 – 1,67 4
1,68 – 1,89 1
1,90 – 2,11 4
2,12 – 2,33 6
2,34 – 2,55 3
2,56 – 2,77 1
TAF : Calculez la moyenne, la médiane, le mode, la variance, l’écart-type et le
coefficient de variation.

3.3. PARAMETRES DE FORME

La plupart des distributions statistiques sont unimodales. La forme d’une
distribution des fréquences ou d’une courbe des fréquences est étudiée d’après
son asymétrie (dissymétrie) et son aplatissement. Il existe ainsi des paramètres
indiquant la dissymétrie d’une courbe des fréquences et ceux qui indiquent son
degré d’aplatissement.
1. Les paramètres d’asymétrie
1) Le coefficient de Yule. Il est est donné par
(Q3 − Q2 ) − (Q2 − Q1 ) Q3 + Q1 − 2Q2
Cy = =
Q3 − Q1 Q3 − Q1

Le coefficient de YULE varie de -1 à 1.

- Les valeurs négatives de ce coefficient signifient qu’il y a
dissymétrie à droite et que les valeurs de la série sont beaucoup plus
étirées vers la gauche.
- Les valeurs positives du coefficient signifient qu’il y a dissymétrie à
gauche et que les valeurs de la série sont beaucoup plus étirées vers la
droite.
- La valeur 0 du coefficient signifie que la distribution est symétrique.

2) Le coefficient d’asymétrie est donné par :

a3 = M3 / σ3 = M3 / M 2 ( )
3
où Mr =
1 k

n i =1
ni (xi − x ) = moment centré
r

d’ordre r.
Si a3 < 0, la courbe est étalée à gauche ;
Si a3 > 0, la courbe est étalée à droite ;
Si a3 = 0, la courbe est symétrique.

Doctorant Elie NK

26
Support de cours de statistique descriptive

Courbe plus étalée à gauche Courbe plus étalée à droite Courbe symétrique
2. Le paramètre d’aplatissement
Pour mesurer le degré d’aplatissement des courbes des fréquences on utilise
( ) 4
le coefficient a4 = M4/σ4 = M4 / M 2 que l’on compare à la valeur 3
Si a4 >3, la courbe est leptokurtique ;
Si a4 < 3, la courbe est platykurtique ;
Si a4 = 3, la courbe est mésokurtique ou normale

leptokurtique

mésokurtique

platykurtique

VARIABLE CENTREE ET REDUITE ()

Une variable est centrée et réduite lorsque sa moyenne est le centre de la distribution
et est rapportée à son écart type, c’est-à-dire :
Xi - X
i =
σ
EXEMPLE : Soit la distribution des salaires suivante, transformer cette distribution
en une distribution de variables centrées réduites.

n i (X i - X )
2
Xi ni n iX i i

[2,0 – 2,5[ 2,25 14 31,5 26,41 -2,14

[2,5 – 3,0[ 2,75 32 88,0 24,22 -1,35
[3,0 – 3,5[ 3,25 80 260,0 10,95 -0,57
[3,5 – 4,0[ 3,75 106 397,5 1,79 0,20
[4,0 – 4,5[ 4,25 28 119,0 11,11 0,98
[4,5 – 5,0[ 4,75 40 190,0 51,07 1,76
300 1.086,0 125,41
1.086 1
X= = 3,62 = .125,41 = 0,64
300 300

Doctorant Elie NK

27
Support de cours de statistique descriptive

CHAPITRE IV : REGRESSION ET CORRELATION

Lorsqu’on observe deux variables quantitatives sur les mêmes individus, on peut
s’intéresser à une liaison éventuelle entre ces deux variables.
La régression fournit une expression de cette liaison sous la forme d’une fonction
mathématique.
La corrélation renseigne sur l’intensité de cette liaison.

4.1. AJUSTEMENT
Ajustement d’un nuage de points à une fonction mathématique.

a) Ajustement linéaire par la méthode des moindres carrés

Lorsque le nuage de points (xi, yi) est à peu près rectiligne, on peut envisager
d’exprimer la liaison entre x et y sous forme de fonction affine y = ax + b

n n n n

∑ e2i = ∑(yi − axi − b)2 ∑ e′2i = ∑(xi − a′yi − b′)2

i=1 i=1 i=1 i=1

b = y̅ − ax̅ b′ = x̅ − a′y̅
∑ni=1(xi − x̅)(yi − y̅) ∑ni=1(xi − x̅)(yi − y̅)
a= a′ =
∑ni=1(xi − x̅)2 ∑ni=1(xi − x̅)2

b) Ajustement à une fonction exponentielle

Pour ajuster un nuage de points à une courbe exponentielle y = bax, il suffit de
faire le changement de variable Y = ln(y), X = x, A = ln(a), B = ln(b), pour obtenir
l’équation Y = AX + B, et d’utiliser ensiute l’ajustement linéaire par la méthode
des moindres carrés sur les points (Xi, Yi).

Doctorant Elie NK

28
Support de cours de statistique descriptive
c) Ajustement à une fonction puissance
Pour ajuster un nuage de points à une courbe puissanace y = bx a, il suffit de faire
le changement de variable Y = ln(y), X = ln(x), A = a, B = ln(b), pour obtenir
l’équation Y = AX + B, et d’utiliser ensiute l’ajustement linéaire par la méthode
des moindres carrés sur les points (Xi, Yi).

4.2. CORRELATION
La corrélation est la mesure de l’intensité de la relation linéaire entre deux variables.
1) Covariance
n
1
Cov(x, y) = ∑(xi − x̅)(yi − y̅)
n
i=1
Cov(x,y)  0 : x et y varient dans le même sens ;
Cov(x,y)  0 : x et y varient en sens contraire ;
Cov(x,y) = Cov(y,x)
Cov(x,x) = V(x)

2) Coefficient de corrélation linéaire

∑ni=1(xi − x̅)(yi − y̅) Cov(x, y)
r= =
√∑ni=1(xi − x̅)2 ∑ni=1(yi − y̅)2 σ(x)σ(y)

-1r1
r = 1 si a > 0
y = ax + b ⟺ {
r = −1 si a < 0
|r| = 1  relation fonctionnelle linéaire
r = 0  Indépendance linéaire
0  |r|  1  dépendance linéaire d’autant plus forte que |r| est grand
Attention : Une forte causalité entre x et y implique une forte relation entre x et y
qui n’est pas forcément linéaire ; on n’a donc pas une forte corrélation linéaire.
Une forte corrélation n’implique pas forcément une forte causalité.

3) Droites de régression
Cov(x, y)
Dy/x ∶ y = ax + b avec a = et b = y̅ − ax̅
V(x)
Cov(x, y)
Dx/y ∶ x = a′y + b′ avec a′ = et b′ = x̅ − a′y̅
V (y )
La position des deux droites de régression l’une par rapport à l’autre donne un
renseignement sur l’intensité de la relation linéaire.
• Droite de régression confondues  aa’ = 1  relation fonctionnelle linéaire ;
• Droites de régression perpendiculaires dont une de pente nulle  aa’ = 0 
indépendance linéaire ;

Doctorant Elie NK

29
Support de cours de statistique descriptive
• Plus les droites sont proches, plus la relation linéaire est importante

Relations intéressantes
r² = aa’
σ(x) σ(y)
r=a = a′
σ(y) σ(x)

Application :
Les séries statistiques simples de deux variables continues X et Y se présentent comme
suit :
Individu 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
X 2 12 13 7 6 3 12 10 9 7 4 2 10 6 3
Y 22 2 4 14 15 19 7 8 10 11 16 18 11 12 21

TAF : Après avoir élaborer un tableau de contingence, en adoptant des classes

d’amplitudes égales 4 unités pour la variable X et des amplitudes à 5 unités pour la
variable Y, il vous est demandé d’apprécier la liaison qui existe entre ces deux
variables.

2–7 7 – 12 12 – 17 17 – 22 n.j
2–6 2 3 5
6 – 10 3 2 5
10 – 14 3 2 5
ni. 3 5 4 3 15

Exemple : Ajustement à une fonction exponentielle

Mois = x Ventes = y Mois = x Ventes = y
1 31 7 2025
2 67 8 4157
3 125 9 8750
4 263 10 17320
5 499 11 31450
6 1150 12 69200

Les valeurs de x = 1, 2, 3, ...., 12 sont en progression arithmétique de raison k = 1 et

les valeurs de y sont sensiblement en progression géométrique de raison égale environ
2.
Recherche des paramètres d’ajustement.

Doctorant Elie NK

30
Support de cours de statistique descriptive

x y Y= log y x2 xY
1 31 1,49 1 1,49
2 67 1,83 4 3,66
3 125 2,10 9 6,30
4 263 2,42 16 9,68
5 499 2,70 25 13,50
6 1150 3,06 36 18,36
7 2025 3,31 49 23,17
8 4157 3,62 64 28,96
9 8750 3,94 81 35,46
10 17320 4,24 100 42,40
11 31450 4,50 121 49,50
12 69200 4,84 144 58,08
78 38,05 650 290,56

78 38,05
x̅ = = 6,5 y̅ = = 3,17
12 12
290,56 − 6,5x38,05
a= = 0,302 b = 3,17 − 0,302x6,5 = 1,21
650 − 6,5x78
D’où Y = log(y) = 0,302.x + 1,21
Mais a = log(A)  0,302 = log(A) ; d’où A = 2
En outre b = log(B)  1,21 = log(B) ; d’où B = 16,22
La fonction exponentielle d’ajustement de la série statistique étudiée est donc :
y = 16,22 * 2x
Exemple : ajustement par une fonction puissance.
Le tableau qui suivra indique, pour une certaine région, le nombre des entreprises
ayant réalisé pendant une même durée un chiffre d’affaires supérieur à un montant
donné.
X Y : (nombre d’entreprises dont le chiffre d’affaires est
(chiffre d’affaires) supérieur à x)
10 000 10 542
50 000 3 246
100 000 1 393
250 000 557
500 000 251
1.000 000 94

Doctorant Elie NK

31
Support de cours de statistique descriptive
La représentation graphique de la série considérée se traduit sur du papier
doublement logarithmique par une série de points disposés sensiblement suivant une
droite.
Tableau de calcul
X = log Y = log X2 XY
x y
4 4,02 16,00 16,0800
4,70 3,51 22,09 16,4970
5 3,14 25,00 15,7000
5,40 2,74 29,16 14,7960
5,70 2,40 32,49 13,6800
6 1,97 36,00 11,8200
30,80 17,78 160,74 88,5730

88,5730 − 5,133 ∗ 17,78

a= = −1,01 ; b = 2,963 + 1,01 ∗ 5,133 = 8,147
160,14 − 5,133 ∗ 30,80
D’où Y = -1,01.X + 8,147 ; mais b = log(B)  8,14 = log(B) ; d’où B =
140.300.000
La fonction puissance d’ajustement de la série statistique étudiée est donc :
140 300 000
y = 140 300 000. x −1,01 =
x1,01

Doctorant Elie NK

32
Support de cours de statistique descriptive

CHAPITRE V : LES INDICES STATISTIQUES

Les indices statistiques permettent de mesurer l’évolution d’un phénomène au cours du

temps.

5.1. INDICES ELEMENTAIRES

L’indice d’évolution d’une variable élémentaire y entre la date t 0, dite date de
référence ou date de base, et la date t, dite date courante est :
yt
it⁄t0 =
yt 0
L’indice base 100, c’est-à-dire exprimé en pourcentage est :
It⁄t0 = it⁄t0 ∗ 100
Remarque : Il est toujours préférable d’effectuer les calculs avec i et de donner le
résultat en base 100 à la fin des calculs.
On utilise essentiellement l’indice des prix (P), l’indice des quantités ou volumes (Q),
et l’indice des valeurs ou dépenses (V = PQ).
Propriétés :
- Identité : it⁄t = 1
- Réversibilité : it2⁄t1 ∗ it1⁄t2 = 1
- Circularité : it3⁄t1 = it3⁄t2 ∗ it2⁄t1
- L’indice est étroitement lié au taux de croissance :
yt − yt 0
rt 1 ⁄t 0 = 1 = it 1 ⁄t 0 − 1
yt 0
i = r + 1 est aussi appelé coefficient multiplicateur par les économistes
r=0i=1
r0i1
-1r00i1

Applications :
1) Le prix de la tomate a été de 100 Fc en moyenne en 2018 et de 300 Fc en 2022.
Calculer l’indice élémentaire du prix de la tomate en base 100 en 2018 et
interprétez-le.
2) On savait que le prix du sucre dans un pays X a augmenté de 2,5% entre 2000 et
2015 et de 7,5% entre 2000 et 2022.
Déterminer l’indice élémentaire du prix du sucre en 2015 base 100 en 2022 pour le
pays en question ?
3) Les données concernant l’évolution des prix de plusieurs articles entre les périodes
de 2005 à 2015, ainsi que leurs poids sont groupés dans le tableau suivant :

Doctorant Elie NK

33
Support de cours de statistique descriptive

Prix Articles P2005 P2015 i

A 3 600 4 000 15
B 1 200 1 500 10
C 4 000 4 500 25
D 1 500 1 300 5
E 4 200 5 000 15
F 500 800 10
G 3 000 4 000 5
H 800 1 000 15

Calculez les indices élémentaires des prix des différents articles, puis déterminez
l’indice général des prix.

5.2. INDICES DE LASPEYRES ET DE PAASCHE

Ce sont des indices synthétiques qui sont des résumés numériques des indices
élémentaires lorsqu’on cherche à mesurer l’évolution d’un ensemble de plusieurs
produits, coefficient de pondération ou budgétaire du produit j par rapport à la date t :
Pj,t Qj,t
αj,t = n
∑j=1 Pj,t Qj,t

a) Indice de LASPEYRES des prix

n
∑nj=1 Pj,t Qj,t0
L(P)t⁄t0 = ∑ αt⁄t0 I(Pj )t⁄t0 = n ∗ 100
∑j=1 Pj,t0 Qj,t0
j=1
Dépense de la date courante exprimé en quantités de la date de référence
∗ 100
Dépense de la date de référence

b) Indice de LASPEYRES des quantités

n
∑nj=1 Pj,t0 Qj,t
L(Q)t⁄t0 = ∑ αt⁄t0 I(Qj )t⁄t0 = n ∗ 100
∑j=1 Pj,t0 Qj,t0
j=1
Dépense de la date courante exprimé en prix de la date de référence
∗ 100
Dépense de la date de référence

c) Indice de PAASCHE des prix

1 ∑nj=1 Pj,t Qj,t
P(P)t⁄t0 = αt⁄t0 = ∑n P Q ∗ 100
∑nj=1 j=1 j,t0 j,t
I(Qj )t⁄t0
Dépense de la date courante
∗ 100
Dépense de la date de référence exprimé en quantité de la date courante

Doctorant Elie NK

34
Support de cours de statistique descriptive
d) Indice de PAASCHE des quantités
1 ∑nj=1 Pj,t Qj,t
P(Q)t⁄t0 = α⁄ = n ∗ 100
∑nj=1 t t0 ∑j=1 Pj,t Qj,t0
I(Qj )t⁄t0
Dépense de la date courante
∗ 100
Dépense de la date de référence exprimé en prix de la date courante

Exercice 1 : Les données concernant l’évolution des prix et des quantités de plusieurs
articles entre les périodes de 2005 à 2015 sont groupés dans le tableau suivant :

Prix P2005 P2015 Q Q

Articles
A 3 600 4 000 6 7
B 1 200 1 500 20 20
C 4 000 4 500 13 11
D 1 500 1 300 15 15
E 4 200 5 000 9 18
F 500 800 25 25
G 3 000 4 000 10 9
H 800 1 000 30 30
Calculez les différents indices synthétiques des prix, des quantités et des valeurs.
Exemple 2 : Les mesures en 2003 et en 2005, des prix unitaires et des quantités
consommées des articles A, B, C et D sont données dans le tableau suivant :
Articles 2003 2005
Prix P0 Quantité Q0 Prix P1 Quantité Q1
A 5 100 7 80
B 20 15 30 25
C 10 50 12 90
D 3 200 4 200
Calculer l’indice synthétique des prix (indice des moyennes arithmétiques
pondérées) en 2005 calculé sur la base 100 en 2003 :
- avec la pondération Laspeyres ;
- avec la pondération Paasche.
Solution
(7x100) + (30x15) + (12x50) + (4x200)
L1/0 = ∗ 100 = 134,12
(5x100) + (20x15) + (10x50) + (3x200)
(7x80) + (30x25) + (12x90) + (4x200)
P1/0 = ∗ 100 = 132,90
(5x80) + (20x25) + (10x90) + (3x200)

Doctorant Elie NK

35
Support de cours de statistique descriptive

CHAPITRE VI : SERIES CHRONOLOGIQUES

Ce sont des séries d'observations échelonnées dans le temps. L'objectif de l'étude des
séries chronologiques est double :
• analyse d'un phénomène temporel en mettant en évidence essentiellement la
tendance générale et les fluctuations saisonnières ;
• élaboration d'un modèle permettant de faire de la prévision à court terme.

6.1. DECOMPOSITION DES CHRONIQUES

L’évolution dans le temps d’un phénomène résulte de plusieurs facteurs :
- le Trend ou Tendance : « T » ; C’est le mouvement de longue période que
l’on considère le plus souvent comme une droite (tendance linéaire) ;
- les cycles : « C » ; C’est une alternance de mouvements croissants et
décroissants de moyen terme ;
- les variations saisonnières : « S » ; On estime qu’il y a une composante
saisonnière dans une série, si, chaque année, à la même période, il se produit
une variation du phénomène d’au moins 25% par rapport à la valeur
moyenne ;
- le résidu ou aléa : « » ; C’est un événement exceptionnel impossible ou
difficile à estimer.

L’évolution d’une variable X peut alors s’exprimer comme suit :

(1) X = T + C + S + ou (2) X = T*C*S*
Le modèle additif (1) suppose que chaque composante apporte une contribution
pure à l’évolution observée.
Le modèle multiplicatif (2) montre que chaque composante amplifie les autres et
traduit l’interdépendance entre les composantes.

Doctorant Elie NK

36
Support de cours de statistique descriptive

6.2. DETERMINATION DU TREND

1) Ajustement linéaire par méthode des moindres carrés

La droite de régression de Y par rapport au temps t donne pour chaque t une valeur
y t.

2) Lissage par moyennes mobiles d’ordre k

(k = nombre d’observations dans un cycle)
Temps Variable Moyennes mobiles Moyennes mobiles
d’ordre 3 d’ordre 4
1 y1
2 y2 y1 + y2 + y3
3
3 y3 y2 + y3 + y4 y1 y5
3 2 + y2 + y3 + y4 + 2
4
4 y4 y3 + y4 + y5 y2 y6
2 + y3 + y4 + y5 + 2
3
4
5 y5 y4 + y5 + y6 y3 y
+ y4 + y5 + y6 + 7
3 2 2
4
6 y6 y5 + y6 + y7
3
7 y7

Les moyennes mobiles donnent pour chaque t (mis à part les valeurs extrêmes)
une valeur yt.

Application :
La société BMT a pour activité la vente de système d’alarme. Le caractère porteur
de ce marché lui a permis, sur les 5 dernières années d’enregistrer les ventes
suivantes en milliers de USD.
Année N–4 N–3 N–2 N–1 N
Chiffre 71 697 90 574 94 550 125 257 138 150
d’affaire

Estimer la prévision de ventes pour l’année N+1 en utilisant la méthode des

moindres carrés.

3) Méthode de BUYS-BALLOT
La méthode de BUYS-BALLOT est un exemple particulier de ce qu’on appelle en
économétrie l’estimation des paramètres d’un modèle. On suppose que la grandeur
étudiée répond à des hypothèses de nature algébrique laissant indéterminés
certains paramètres. Le problème qui se pose est l’estimation à partir des

Doctorant Elie NK

37
Support de cours de statistique descriptive
observations, des paramètres du modèle et le calcul des valeurs ajustées
correspondant aux observations.
12 (∑i iY̅i − n(n + 1) Y
̿)
2 n. m + 1
𝑎= 2
b=̿Y−a cj
n. m(n − 1) 2
m+1
=̅
Yj − ̿
Y − a (j − )
2

6.3. ANALYSE DE LA COMPOSANTE SAISONNIERE

1. Modèle additif
Calcul des différences Yt – yct = St + At
Calcul des coefficients saisonniers bruts S’j : pour chaque saison j, S’j =
moyenne des différences de la saison j
Calcul des coefficients saisonniers Sj = Sj′ − S̅′

2. Modèle multiplicatif
Calcul des différences Yt / yct = St * At
Calcul des coefficients saisonniers bruts S’j : pour chaque saison j, S’j =
moyenne des différences de la saison j
Calcul des coefficients saisonniers Sj = Sj′ /S̅′
Le choix du modèle de composition d’une chronique s’opère à l’aide de la pente
de la droite des écart-types aux moyennes appelé « DROITE DE MAYERS »
donnée par :
= a Xi + b
Où = l’écart – type de la ième année et Xi = la moyenne de la ième année
La règle de décision est donnée par :

- Si a ≤ 0,05 : on adopte le modèle additif ;

- Si a ≤ 0,10 : on adopte le modèle multiplicatif ;
- Si 0,05 ≤ a ≤ 0,10 on examine les deux modèles et en retient celui qui
fournit les meilleures prévisions

6.4. ANALYSE DE LA COMPOSANTE ALEATOIRE

1) Modèle additif
At = Yt – yct – St
2) Modèle multiplicatif
At = Yt/( yct *St)
3) Calcul pratique de la méthode de BUYS-BALLOT

Doctorant Elie NK

38
Support de cours de statistique descriptive
Le calcul pratique des estimations est effectué sur la table de BUYS- BALLOT qui se
présente de la manière suivante :

TABLE DE BUYS-BALLOT

Mois j Ti ̅
Yi Produit
Total Moyenne i*Ti
Année i 1 … j … m de la mensuelle
ligne pour l’année i
n°i
1 Y11 … Y1j … Y1m T1 ̅
Y1 1*T1
… … … … … … … … …
Ti
i Yi1 … Yij … Yim Ti ̅i =
Y i*Ti
m
… … … … … … … … …
n Yn1 … Ynj … Ynm Tn ̅
Yn n*Tn
S
Tj T Total
Total de la T1 … Tj … Tm Total … de la
colonne n°j général colonn
e
̅j
Y T
̅
Yj ̿
Y=
Moyenne ̅1 ̅ m∗n
Y … Tj … Yj
Moyenne
mensuelle =
du mois n°j n générale
Coefficients
saisonniers C1 … Cj … Cm
Cj

6.5. DESAISONNALISATION
Pour exprimer ce qu'aurait été le mouvement brut sans l'influence saisonnière, on
utilise la série corrigée des variations saisonnières Y*
1) Modèle additif

Y*t = Yt - St
2) Modèle multiplicatif

Y*t = Yt / St

6.6. SERIE AJUSTEE

Cette série est utilisée pour représenter ce qu'aurait été le phénomène en l'absence
de phénomènes aléatoires.
1. Modèle additif
̂
Yt = yt + St
2. Modèle multiplicatif
̂t = yt ∗ St
Y

Doctorant Elie NK

39
Support de cours de statistique descriptive

6.7. PREVISION A COURT TERME

Lorsque le trend est obtenu par la méthode des moindres carrés, il est possible
d'obtenir une prévision postérieure à l'intervalle d'étude (à condition de rester
dans des limites raisonnables), en utilisant le modèle précédent. Pour une date x
correspondant à un coefficient saisonnier Sx , la tendance vaut Tx , et la
prévision est donc donnée par Tx + Sx en modèle additif ou Tx . Sx en modèle
multiplicatif.

EXERCICES
La société Jihane fabrique des jouets en plastique. Son activité a un caractère saisonner
très marqué. On dispose des données suivantes relatives aux années N-2, N-1 et N :

1) Représentez graphiquement cette série statistique ;

2) Calculez les coefficients saisonniers de cette série ;
3) Déterminez la série corrigée des variations saisonniers ;
4) Quelles sont les prévisions pour les années N+1, N+2, N+3 et N+4 ?

1. EXEMPLE D’APPLICATION
Considérons la série mensuelle des ventes d’un rayon d’un grand magasin dont les
données (exprimées en 10.000 Francs) sont reprises dans la table de Buys-Ballot et
représentées graphiquement à la figure suivante.
L’allure linéaire du mouvement de fond, la régularité des oscillations mensuelles
suggèrent un ajustement conforme au modèle étudié. Le tableau de calcul (table de
Buys-Ballot) fournit les estimations a, b et cj dont on déduit la série ajustée (en
dizaine de milliers de

12 299660 7 + 1
a= ( −  71660) = 3,229
7  12(7 − 1)
2
12 2  12
71660 7  12 + 1
b= − 3,229 = 715,86
7  12 2
12 + 1
c j = Y j − 853,10 − 3,229( j − )=
2
➢ Janvier = -12,5 ;
➢ Février = -57,1 ;
➢ Mars = -88,2 ;
➢ Avril = -92,9 ;
➢ Mai = -4,0 ;
➢ Juin = 63,5 ;
➢ Juillet = -2,6 ;
➢ Août = -73,7 ;
➢ Septembre = -74,7 ;

Doctorant Elie NK

40
Support de cours de statistique descriptive
➢ Octobre = 1,31 ;
➢ Novembre = 86,7 ;
➢ Décembre = 254,1.

La série ajustée est donc calculée à partir de :

Yt = 715,86 + 3,229t +

➢ en janvier -12,5 ;
➢ en février -57,1 ;
➢ en mars -88,2 ;
➢ en avril -92,9 ;
➢ en mai -4,0 ;
➢ en juin -63,5 ;
➢ en juillet -2,6 ;
➢ en août -73,7 ;
➢ en septembre -74,7 ;
➢ en octobre 1,31 ;
➢ en novembre 86,7 ;
➢ en décembre 254,1

Doctorant Elie NK

41
Support de cours de statistique descriptive

Mois J F M A M J J A S O N D Total Yi iTi

j→ 1 2 3 4 5 6 7 8 9 10 11 12 Ti

Année

i
1950 : 1 700 650 635 675 750 800 725 650 675 750 800 975 8785 732,08 8785
1951 : 2 750 725 675 700 825 850 825 700 700 800 825 1000 9375 781,25 18750
1952 : 3 775 775 750 735 810 870 805 745 750 825 875 1050 9765 813,75 29295
1953 : 4 815 775 780 760 850 920 855 810 795 865 960 1090 10275 856,25 41100
1954 : 5 850 810 765 750 870 950 875 850 835 895 1010 1175 10635 886,25 53175
1955 : 6 925 840 825 800 890 1000 920 860 855 930 1090 1285 11220 935,00 67320
1956 : 7 945 895 845 845 915 1015 960 875 895 995 1120 1300 11605 967,08 81235
Total 5760 5470 5275 5265 5910 6405 5965 5490 5505 6060 6680 7875 T= 29966
71660 0
Moyenne 822,86 781,43 753,57 752,14 844,29 915,00 852,14 784,29 786,43 865,71 954,29 1125 Y =
Yj 853,10

Coeffic. -12,48 -57,14 -88,22 -92,88 -3,97 63,52 -2,57 -73,65 -74,74 1,32 86,66 254,15
Saisonnier

cj

Doctorant Elie NK
42
Support de cours de statistique descriptive

➢ La série ajustée est donc donnée dans le tableau ci-après

Mois J F M A M J J A S O N D
j→
Année i 1 2 3 4 5 6 7 8 9 10 11 12
↓
1950 1 707 665 637 636 728 799 736 668 670 750 838 1009
1951 2 745 704 676 675 767 838 775 707 709 788 877 1047
1952 3 784 743 715 713 806 816 813 746 748 821 916 4086
1953 4 825 782 754 752 844 915 852 784 787 866 954 1125
1954 5 862 820 792 791 883 954 891 823 825 905 993 1164
1955 6 900 859 831 830 922 992 930 862 864 943 1032 1202
1956 7 939 898 870 868 961 1031 968 901 903 982 1071 1241

2. MODELE LINEAIRE
Exemple de la série chronologique : Nombre de voyageurs transportés
mensuellement par la régie Autonome des transports parisiens (réseau ferré) au
cours de 5 années consécutives.
Chiffres donnés en millions de voyageurs.

Mois Janv. Févr Mars Avr Mai Juin Juil Août Sept Oct Nov Déc
Années
1 96 88 100 89 91 88 78 55 83 98 95 104
2 100 90 102 92 95 90 77 58 72 99 97 105
3 100 96 102 91 94 93 80 59 82 104 104 110
4 106 96 105 93 99 92 83 58 86 97 101 106
5 108 97 109 98 100 96 86 59 85 107 103 112

L’analyse d’une série chronologique doit toujours être précédée de représentations

graphiques (durées en abscisses, chiffres en ordonnées)
Les composantes fondamentales d’une série chronologique sont :
a) Un mouvement de tendance générale ou tendance de longue durée (trend) qui
est la marque d’une tendance durable à la croissance ou à la décroissance ;
b) Des variations saisonnières ; entrainées par des causes diverses (métrologie,
religion, coutumes, modes, etc.)
c) Des variations accidentelles ; imprévisibles (grèves, accidents fortuits,
évènements politiques ou militaires)
1. Recherche de la tendance générale (ou trend)

Plusieurs procédés peuvent être employés. Nous retiendrons successivement

la méthode des moindres carrés et la méthode des moyennes mobiles.
Tendance générale par la méthode du moindre carré

Doctorant Elie NK
43
Support de cours de statistique descriptive

En désignant par t le rang du mois considéré (t variera donc de 1, pour le mois

de janvier de la première année à 60, pour le mois de décembre de la
cinquième année) ;
En désignant par y le nombre de voyageurs transportés dans le courant du
mois ;
Nous traduirons la tendance générale de la série chronologique considérée par
une droite d’équation y = a.t + b, dans laquelle a et b seront donnés
respectivement par les formules suivantes, déjà connues :

a=
 ty − t  y b = y − at
 t² − t  t
Tableau de calculs (moindres carrés)
t y t² ty t y t² ty
1 96 1 96 31 80 961 2480
2 88 4 176 32 59 1024 1888
3 100 9 300 33 82 1089 2706
4 89 16 356 34 104 1156 3536
5 91 25 455 35 104 1225 3640
6 88 36 528 36 110 1296 3960
7 78 49 546 37 106 1369 3922
8 55 64 440 38 96 1444 3648
9 83 81 747 39 105 1521 4095
10 98 100 980 40 93 1600 3720
11 95 121 1045 41 99 1681 4059
12 104 144 1248 42 92 1764 3864
13 100 169 1300 43 83 1849 3569
14 90 196 1260 44 58 1936 2552
15 102 225 1530 45 86 2025 3870
16 92 256 1472 46 97 2116 4462
17 95 289 1615 47 101 2209 4747
18 90 324 1620 48 106 2304 5088
19 77 361 1463 49 108 2401 5292
20 58 400 1160 50 97 2500 4850
21 72 441 1512 51 109 2601 5559
22 99 484 2178 52 98 2704 5096
23 97 529 2231 53 100 2809 5300
24 105 576 2520 54 96 2916 5184
25 100 625 2500 55 86 3025 4730
26 96 676 2496 56 59 3136 3304
27 102 729 2754 57 85 3249 4845
28 91 784 2548 58 107 3364 6206
29 94 841 2726 59 103 3481 6077
30 93 900 2790 60 112 3600 6720
1 830 5 539 73 810 171 561
On tire du tableau :

Doctorant Elie NK
44
 Support de cours de statistique descriptive

1830 5539
t= = 30,5 y= = 93,32
60 60
171561 − (30,5 x 5539) 2621,5
a= = = 0,146
73810 − (30,5 x 1830) 17995
b = 93,32 – (0,146 x 30,5) = 87,87
La tendance générale peut donc être traduite par la droite d’équation :
y = 0,146 + 87,87
L’augmentation mensuelle moyenne du nombre des voyageurs transportés est
donc d’environ 0,146 million.

2. ETUDE DE L’INFLUENCE SAISONNIERE

Recherche des coefficients saisonniers par la méthode des rapports ou
trend
Nous utilisons l’équation du trend calculée par la méthode des moindres
carrés. Cette équation y = 0,146 t + 87,87 permet de calculer, pour chaque
mois, en faisant varier t de 1 à 60, une valeur moyenne du nombre mensuel
de voyageurs transportés. Les résultats obtenus sont consignés dans le
tableau suivant :

Mois Jan Fév Mar Avr Mai Juin Juil Août Sept Oct Nov Déc
Année v. r s
1 88,0 88,2 88,3 88,5 88,6 88,7 88,9 89,0 89,2 89,3 89,5 89,6
2 89,8 89,9 90,1 90,2 90,4 90,5 90,6 90,8 90,9 91,1 91,2 91,4
3 91,5 91,7 91,8 92,0 92,1 92,3 92,4 92,5 92,7 92,8 93,0 93,1
4 93,3 93,4 93,6 93,7 93,9 94,0 94,1 94,3 94,4 94,6 94,7 94,9
5 95,0 95,2 95,3 95,5 95,6 95,8 95,9 96,0 96,2 96,3 96,5 96,6

Pour chacun des 60 mois considérés nous faisons maintenant le rapport entre le
nombre de voyageurs effectivement transportés (tableau initial) et le nombre de
voyageurs calculé à l’aide du trend.
Nous obtenons alors le tableau suivant :
Mois Janv. Févr Mars Avr Mai Juin Juil Août Sept Oct Nov Déc
Année
1 1,09 1,00 1,13 1,01 1,03 0,99 0,88 0,62 0,93 1,10 1,06 1,16
2 1,11 1,00 1,13 1,02 1,05 0,99 0,85 0,64 0,79 1,09 1,06 1,15
3 1,09 1,05 1,11 0,99 1,02 1,01 0,87 0,64 0,88 1,12 1,12 1,18
4 1,14 1,03 1,12 0,99 1,05 0,98 0,88 0,62 0,91 1,03 1,07 1,12
5 1,14 1,02 1,14 1,03 1,05 1,00 0,90 0,61 0,88 1,11 1,07 1,16

Pour chacun des douze mois de l’année nous avons ainsi obtenu une série de
5 coefficients. On peut envisager de retenir comme coefficient saisonnier à
affecter à chacun de ces 12 mois ;

Doctorant Elie NK
45
 Support de cours de statistique descriptive

- soit la moyenne arithmétique des 5 coefficients obtenus.

- Soit leur médiane.
Les deux calculs on été faits dans le tableau précédent. Ils ont donné des
résultats extrêmement voisins.

La trend retenu pour les calculs est celui que traduit la droit du moindre carré.
On aurait pu également utiliser le trend fourni par la méthode des moyennes
mobiles, on par toute autre méthode logique.

Elimination de l’influence saisonnière. Désaisonnalisation

L’élimination de l’influence saisonnière se fera pas division des chiffres du tableau
initial par le coefficient saisonnier du mois correspondant. Ainsi les 5 chiffres de
janvier seront divisés par le coefficient saisonnier propre à janvier, c’est-à-dire 1,10
les 5 chiffres de février seront divisés par le coefficient saisonnier propre à février et
ainsi de suite.
Le calcul a été fait en utilisant les coefficients saisonniers obtenus par le procédé des
rapports au trend (moyenne arithmétique des rapports), et a conduit au tableau
suivant :

Mois Janv Févr Mars Av Mai Juin Juil Août Sep Oct Nov Déc
Année . r t
1 86,5 86,3 88,5 89,0 87,5 88,0 88,6 87,3 93,2 90,0 88,1 90,0
2 90,1 88,2 90,3 92,0 91,3 90,0 87,5 92,0 80,9 90,8 90,7 91,3
3 90,1 94,1 90,3 91,0 90,4 93,0 90,9 93,6 92,1 95,4 97,2 95,6
4 95,5 94,1 93,0 93,0 95,2 92,0 94,3 92,0 96,6 89,0 94,4 92,2
5 97,3 95,1 96,4 98,0 96,1 96,0 97,7 93,6 95,5 98,2 96,3 97,4

3. ESSAI DE PREVISION A PARTIR DE LA CONNAISSANCE DU TREND ET

DES COEFFICIENTS SAISONNIERS

La prévision qui peut être faite est fondée :

- d’une part sur l’hypothèse que les années à venir connaîtront la même tendance
générale que les cinq années passées ;
- d’autre part sur un calcul correct des coefficients saisonniers mensuels.
Supposons que nous désirions prévoir le nombre des voyageurs qui seront
transportés pendant le mois de novembre de l’année 6, première année à venir
après les cinq années étudiées.
Utilisons d’abord le trend sous la forme : y = 0,146 t + 87,87
Le mois en question est le mois de rang 71 à partir du premier mois de la série.
Faisons t = 71 dans la fonction précédente. Nous obtiendrons :
y = (0,146 x 71) + 87,87 = 98,24
Affectons maintenant ce résultat du coefficient saisonnier propre au mois de
novembre, soit 1,07
98,24 x 1,07 = 105,02

Doctorant Elie NK
46
Support de cours de statistique descriptive

Avec les hypothèses faites on peut alors donc estimer qu’il sera transporté 105
millions de voyageurs environ, pendant le mois considéré.

Doctorant Elie NK
47