Statistiques descriptives
univariées
Alexandre Popier
Les statistiques descriptives permettent une première exploration des
données.
Elles sont basées sur des graphiques et des calculs simples.
Elles permettent d’avoir un premier aperçu des données qui peut montrer
des tendances.
Elles permettent aussi de bien caractériser les données, ce qui est nécessaire
pour choisir ensuite la manière de les analyser.
On commence par décrire les variables une par une (statistiques univariées)
puis on peut explorer comment varie une variable en fonction d’une autre
(statistiques bivariées).
1- Les distributions de fréquences
Pour une variable numérique, on définit des intervalles de valeurs (tous de
même largeur) couvrant toute l’étendue des données et on compte le
nombre de données dans chaque intervalle.
Ex : fréquences cardiaques : 64 ; 67 ; 72 ; 58 ; 60 ; 65 ; 64 ; 57 ; 72 ; 66 ; 65; 59; 66; 63 ;
62 ; 64 ; 62 ; 66 ; 60 ; 61 ; 59 ; 62 ; 64 ; 61
Fréquence cardiaque Effectif ou
(pulsations/min) fréquence
57-60 6
61-64 10
65-68 6
69-72 2
On trace l’histogramme de la distribution des fréquences.
12
10
8
Fréquence cardiaque Effectif ou
Effectif
(pulsations/min) fréquence 6
57-60 6
4
61-64 10
2
65-68 6
69-72 2 0
57-60 61-64 65-68 69-72
Fréquence cardiaque
On peut faire varier le point d’origine et la largeur des intervalles.
12
12
10
10
8
8
Effectif
6
6
Effectif
4
4
2
2
0
0
57-60 61-64 65-68 69-72
55-58 59-62 63-66 67-70 71-74
Fréquence cardiaque
Fréquence cardiaque
Règle de Moore : nombre d’intervalles environ égal à la racine carrée
de l’effectif total
On peut aussi réaliser ce type de graphique pour des données
qualitatives.
Causes de mort accidentelle chez les résidents américains de 15 à 24 ans :
12000 Cause de la Nombre de cas
10000 mort
Véhicules à 10500
Nombre de cas
8000
moteur
6000
Autres causes 1130
4000
Poison 870
2000
Noyade 700
0 Feux et 240
u
incendies
r
s
n
s
s
eu
fe
te
ad
e
ie
o
us
is
nd
hu
ot
à
oy
Po
Chutes 210
ca
m
ce
es
C
N
à
in
m
s
t re
s
Ar
et
Armes à feu 150
e
Au
ul
ux
c
hi
Fe
Vé
Diagramme en barres
Causes de mort accidentelle chez les résidents américains de 15 à 24 ans :
Cause de la Nombre de
mort cas
Véhicules à moteur Véhicules à 10500
Autres causes moteur
Poison
Autres causes 1130
Noyade
Feux et incendies Poison 870
Chutes Noyade 700
Armes à feu Feux et 240
incendies
Chutes 210
Armes à feu 150
Diagramme circulaire
Pour les variables numériques, l’histogramme montre la distribution
des données.
On peut caractériser en particulier :
Le centre : valeur moyenne, valeur médiane
La dispersion : comment les valeurs s’écartent du centre (étendue,
variance, écart-type)
La symétrie : répartition des données de part et d’autre du centre
Les points extrêmes : valeurs beaucoup plus faibles ou plus fortes que
les autres
2- Le centre
La moyenne arithmétique : somme des valeurs
divisée par le nombre total de valeurs
La moyenne représente bien le centre des données quand la
distribution est symétrique.
Elle est en revanche sensible aux valeurs extrêmes.
La médiane : c’est la valeur centrale quand les
données sont triées par ordre croissant (ou décroissant)
Quand le nombre de données est pair, la médiane prend la valeur de
la moyenne des 2 valeurs centrales
Exemple 1 :
Données dans l’ordre croissant : 2.05 ; 3.56 ; 4.67 ; 6.90 ; 7.53
Médiane : 4.67
Exemple 2 :
Données dans l’ordre croissant : 2.05 ; 3.56 ; 4.67 ; 6.90 ; 7.53 ; 8.75
Médiane : (4.67+6.90) /2 = 5.785
La moitié des données a une valeur supérieure à la médiane,
l’autre moitié a une valeur inférieure.
Aucune influence des valeurs extrêmes sur la valeur de la médiane
=> paramètre plus robuste que la moyenne.
Moyenne, médiane et symétrie
Distributions
asymétriques
Distribution symétrique :
Données dispersées de manière
similaire à gauche et à droite du centre
www.ilemaths.net
3- La dispersion
L’étendue : différence entre la valeur maximale
et la valeur minimale
Contrairement aux autres paramètres de dispersion, elle ne
prend pas en compte l’ensemble des valeurs.
L’écart type
Il dépend de la déviation des valeurs par rapport à la moyenne (x-͞x) et
de l’effectif n de l’échantillon.
Sans biais :
Avec biais :
La variance : écart type au carré
Sans biais :
Avec biais :
On utilise généralement plus l’écart type que la variance.
L’écart type a la même unité que les données.
Interprétation de l’écart type :
En général, la grande majorité des données est à moins de 2 écarts
types de la moyenne (entre ͞x - 2s et ͞x + 2s)
Autres paramètres liés à la dispersion : les quartiles
Comme la médiane sépare les données triées par la moitié, les quartiles
séparent les données triées en 4 parties égales.
Q1 (premier quartile) : sépare les premiers 25% des données triées des 75%
restants (aussi : Q1 = médiane des données inférieures à la médiane)
Q2 (deuxième quartile) : sépare les premiers 50% des données triées des
50% restants => Q2 = médiane
Q3 (troisième quartile) : sépare les premiers 75% des données triées des 25%
restants (aussi : Q3 = médiane des données supérieures à la médiane)
Exemple de calcul des quartiles :
Masses d’ours en kg :
156.0 ; 157.9 ; 99.8 ; 118.8 ; 163.3 ; 92.5 ; 150.6 ; 81.6 ; 92.5 ; 110.3 ; 130.7
Données triées :
81.6 ; 92.5 ; 92.5 ; 99.8 ; 110.3 ; 118.8 ; 130.7 ; 150.6 ; 156.0 ; 157.9 ; 163.3
Q1 Médiane = Q2 Q3
Etendue inter-quartiles : EIQ = Q3 –Q1
Elle exprime la dispersion de la portion centrale des données
4- Graphique de synthèse : boîte à moustaches
(EIQ)
Boîte délimitée par Q1 et Q3.
Moustaches délimitées par le minimum et le maximum
=> Donne une vue d’ensemble de la répartition des données
Maximum = 163.3
160
140
120 Q3 = 156.0
Q2 = médiane = 118.8
100
Q1 = 92.5
Minimum = 81.6
80
Boîte à moustaches de la masse des ours (kg)
Les boîtes à moustaches montrent bien si la distribution est symétrique ou
non
Distribution asymétrique
Distribution symétrique :
Q3-Q2 = Q2-Q1
Médiane = moyenne
5- Les points extrêmes
Lorsqu’il y a des valeurs extrêment faibles ou fortes (par comparaison
aux autres), elles méritent qu’on s’y intéresse.
- Possibilité d’erreur (de mesure, de frappe, …)
=> corriger ou retirer la valeur
- Si elles sont confirmées, ces valeurs exceptionnelles peuvent
présenter un intérêt (cas particulier intéressant à étudier, …)
On considère comme extrêmes les valeurs inférieures à
Q1 - 1.5 EIQ ou supérieures à Q3 + 1.5 EIQ.
Sur une boîte à moustache, ces points sont représentés par des
petits cercles à l’extérieur des moustaches.
kg
250
Ex : masse des ours avec
un très gros ours en plus
200
150
100
6- Comparaison graphique de deux séries de
données
cm
185
Boîte à moustaches
180
Comparaison des tailles
des mâles et des femelles 175
chez une espèce animale
170
165
160
Taille des femelles Taille des mâles
Histogrammes
Hauteur de peupliers non irrigués / irrigués
Peupliers non irrigués
Histogram of peupliers$hauteur[1:20]
Peupliers irrigués
Histogram of peupliers$hauteur[21:40]
6
6
5
5
4
4
Fréquence
Fréquence
Frequency
Frequency
3
3
2
2
1
1
0
1 2 3 4 5 6 7 1 2 3 4 5 6 7
Hauteur (m)
peupliers$hauteur[1:20] Hauteur (m)
peupliers$hauteur[21:40]
On peut superposer les deux graphiques pour les comparer
En bleu, peupliers non irrigués
En saumon, peupliers irrigués
Pas toujours facile à lire
Fréquence
Hauteur (m)
On peut aussi représenter les deux séries en alternance
6
non irrigué
irrigué
Plus facile à lire en général
5
4
Fréquence
3
Ici : peu de différence
entre les deux traitements
2
1
0
1 2 3 4 5 6 7 8
Hauteur (m)
Autres traitements
irrigué sans fertilisant
10
irrigué avec fertilisant
Ici : différence entre les
traitements bien visible
8
Fréquence
6
4
2
0
1 2 3 4 5 6 7 8
Hauteur (m)
