Statistique Univariee

• Ministère de l’Enseignement Supérieur
République
Algérienne et de la Recherche Scientifique
Démocratique
et Populaire
• Faculté des Sciences de la Nature et de

Université la Vie
de Bejaia
• Laboratoire de Zoologie Appliquée et

Département de
Biologie d’Ecophysiologie Animale
Physico-
Chimique
LA STATISTIQUE
DESCRIPTIVE UNIVARIÉE
APPLIQUÉE À LA BIOLOGIE
L2 L3
M1
Auteur:
Dr. DJOUDAD-KADJI Hafsa
2016-2017
AVANT PROPOS
TABLE DE MATIÈRES
TABLE DE MATIERES
INTRODUCTION……………………………………………………………………………...
03
1. Historique et définitions de la statistique…………………………………………………

05
2. La statistique descriptive…………………………………………………………………
06
3. Les notions de base de la statistique……………………………………………………….

06
3.1. Elément…………………………………………………………………………… 06
3.2. Population ………………………………………………………………………... 07
3.3. Echantillon……………………………………………………………………….. 07
3.4. Echantillonnage…………………………………………………………………... 07
3.5. Inférence statistique………………………………………………………………. 08
3.6. Caractère …………………………………………………………………………. 08
3.7. Modalité………………………………………………………………………….. 08
3.8. Effectif …………………………………………………………………………… 08
3.9. Fréquence d’une modalité ou d’une classe………………………………………..
10
4. La nature des caractères …………………………………………………………………..

10
4.1. Caractère qualitatif………………………………………………………………..

11
4.1.1. Echelle nominale……………………………………………………………..
11
4.1.2. Echelle ordinale ……………………………………………………………...
11
4.2. Caractère quantitatif……………………………………………………………… 12

4.2.1. Repérable ou Mesurable……………………………………………………...
12
4.2.2. Stock ou Intensité…………………………………………………………….
12
4.2.3. Discret ou Continu……………………………………………………….......
13
4.3. Combinaisons de critères…………………………………………………………

13
4.4. Principe du nombre de classes…………………………………………………… 14

4.4.1. Forme d’une classe ou intervalle……………………………………………..
14
4.4.2. Nombre de classes …………………………………………………………... 15
4.4.3. Intervalle de classe (amplitude)………………………………………………
15
4.4.4. Centre d’une classe………………………………………………………….. 15
5. Tableaux statistiques……………………………………………………………………….
15
5.1.Tableau élémentaire (brut)…………………………………………………………..

15
5.1.1. Cas qualitatif………………………………………………………………… 16
5.1.2. Cas quantitatif………………………………………………………………..
16
5.2.Tableau de dénombrement ………………………………………………………….

17
5.3.Tableau de distribution des fréquences ……………………………………………..

17
1
6. Représentations graphiques………………………………………………………………..
19
6.1. Cas qualitatif ………………………………………………………………………. 19

6.1.1. Diagramme en tuyaux d’orgue……………………………………………….
19
6.1.2. Le camembert………………………………………………………………... 20
6.2.Cas quantitatif………………………………………………………………………. 20
6.2.1. Variable statistique discrète………………………………………………….
21
6.2.2. Variable statistique continue…………………………………………………
22
7. Description numérique …………………………………………………………………….

23
7.1. Tendance centrale ou Paramètres de position………………………………………

23
7.1.1. Le mode……………………………………………………………………… 23
7.1.2. La médiane………………………………………………………………….. 25
7.1.3. La moyenne………………………………………………………………….. 28
7.2. Valeurs centrales et forme des distributions………………………………………..

29
7.2.1. Distributions bimodales ou multimodales……………………………………
29
7.2.2. Distributions unimodales symétriques……………………………………… 30
7.2.3. Distributions unimodales dissymétriques …………………………………...
30
7.3. Paramètres de dispersion absolue………………………………………………….. 31

7.3.1. La fourchette des valeurs ou étendue ………………………………………. 31
7.3.2. Ecart absolu moyen et l’écart absolu médian………………………………...
31
7.3.3. Variance et écart type………………………………………………………... 31
7.3.4. L'étendue interquartile ………………………………………………………. 32
7.4. Paramètres de dispersion relative………………………………………………... 33

7.4.1. Le coefficient de variation…………………………………………………… 33
7.4.2. Le coefficient interquartile relatif……………………………………………
34
7.4.3. Ecart relatif moyen………………………………………………………… 34
7.4.4. Ecart relatif médian………………………………………………………….. 34
7.5. Paramètres de dispersion absolue et valeurs centrales……………………………..

34
7.6. Les paramètres de forme …………………………………………………………... 35

7.6.1. Le Coefficient d'asymétrie…………………………………………………...
35
7.6.2. Le coefficient d'aplatissement………………………………………………..
35
8. Notion de loi normale……………………………………………………………………..

36
QUELQUES EXERCICES D’APPLICATION ET SOLUTIONS…………………………

38
BIBLIOGRAPHIE……………………………………………………………………………
66
2
INTRODUCTION
INTRODUCTION
La « Biostatisique » est née à la fin du 19ème siècle avec les travaux de Karl Pearson, le
fondateur du premier département de statistique au monde, à l'Université de London, et de
Ronald Fisher, un pionnier dans le domaine des plans expérimentaux.
Cette science, qui est aussi connue sous le nom « Biométrie », est un champ scientifique
constitué par l'application de la « Science Statistique » à un large éventail de sujets dans le
domaine du vivant, plus particulièrement la « Biologie » qui recouvre une partie des sciences
de la nature et de l'histoire naturelle des êtres vivants, et la « Médecine » qui étudie
l'organisation du corps humain, son fonctionnement normal, et cherchant à préserver la santé
par le traitement et la prévention des pathologies.
Par ailleurs, les « Statistiques » sont la science des données, qui est à la fois une science, une
méthode et un ensemble de techniques. Ceci implique la collection, la classification, le
résumé, l'organisation, l'analyse et l'interprétation d'une information numérique.
De ce fait, la science de la Biostatistique englobe à la fois : (1) La conception des expériences

biologiques ; (2) La collecte des informations ; (3) La compilation et analyse des données
chiffrées de ces expériences ; (4) L'interprétation des résultats en vue d'avancer une
conclusion.
Elle permet donc de décrire un groupe d'individus selon ses attributs et ses qualités, de
mesurer la précision d'une estimation ou de définir le degré d'association entre une série de
caractères et d'événements.
Cette science est exploitée alors dans plusieurs domaines: (1) La santé publique, y compris
l'épidémiologie, les services de santé, la nutrition et l'environnement ; (2) La conception et
analyse d'essais cliniques en médecine ; (3) La génomique, génétique des populations et la
génétique statistique afin de relier la variation dans le génotype avec une variation dans le
phénotype ; (4) L'agriculture afin d'améliorer les cultures et les animaux d'élevage ; (5)
L'écologie en vue de mettre en place des prévisions écologiques ; (6) L'analyse de séquences
biologiques.
La Biostatistique est l’une des matières fondamentales intégrées dans le programme de tous
les étudiants de Biologie de l’Université de Béjaïa. Le but recherché par ces programmes
d’enseignement est l’initiation de l’étudiant aux traitements de données liées aux thématiques
biologiques. L’enseignement de biostatistique aux étudiants de 3ème année « Biochimie
Appliquée » que j’ai pris en charge depuis 2006 jusqu’à ce jour a été travaillé et remanié à
3
plusieurs reprises afin de l’adapter au maximum possible aux diverses applications à
l’affiliation des étudiants en question.
Ce document permet à l’étudiant de découvrir tout d’abord les différents vocabulaires de la

statistique et leurs synonymies en biologie expérimentale, et par la suite, l’initier à
l’organisation des différentes données univariées générées lors d’une expérimentation sur
terrain ou au laboratoire, le calcul des principaux paramètres et la représentation graphique
des résultats.
Le polycopié est structuré selon un enchainement logique de plusieurs sections, dont la

première est consacrée à la définition de la statistique et sa composante descriptive. Ensuite, il
a été expliqué la signification des différents concepts et notions adoptées dans la démarche
statistique, suivi d’un détail sur la nature des caractères étudiées en statistique et les
différentes techniques d’organisation et de structuration d’une série de données. Ce polycopié
expose également les différents paramètres descriptifs d’une série statistique simple à savoir
les paramètres de position, les paramètres de dispersion et les paramètres de forme d’une
distribution de fréquences, avec enfin une introduction à la loi normale. Chaque section est
accompagnée d’un ensemble d’exemples explicatifs. La fin du document a été réservée à
quelques exercices d’application avec leurs corrections.
4
LA STATISTIQUE
DESCRIPTIVE
UNIVARIÉE
APPLIQUÉE À LA
BIOLOGIE
LA STATISTIQUE DESCRIPTIVE UNIVARIEE
1. Historique et définitions de la statistique
L'origine du mot « statistique » remonte au latin classique « status » (état) qui, par une série
d'évolutions successives, aboutit au mot français « statistique », attesté pour la première fois
en 1771.
C'est vers la même époque que « statistik » apparut en allemand, alors que les anglophones
utilisaient l'expression « political arithmetic » jusqu'en 1798, date à laquelle le mot
« statistics » fit son entrée dans cette langue.
A l'origine, cette discipline concernait exclusivement les affaires de l'Etat. Actuellement, on

distingue généralement les statistiques (au pluriel) de la statistique (au singulier).
Les statistiques concernent l'étude méthodique des faits sociaux qui définissent un Etat, par
des procédés numériques (dénombrements, inventaires, recensements,...).
La statistique est un ensemble de techniques d'interprétation mathématique appliquées à des

phénomènes pour lesquels une étude exhaustive de tous les facteurs est impossible à cause de
leur grand nombre ou de leur complexité
La statistique est pour les uns un domaine des mathématiques, pour les autres (en particulier
les anglo-saxons) une discipline à part entière hors des mathématiques. Enfin, de plus en plus,
elle fait partie de ce que l'on appelle aujourd'hui la Science des Données.
Fisher a défini la statistique comme la discipline qui étudie les méthodes de réduction de
données, la variabilité et les populations.
Les méthodes de réduction des données font partie de la statistique descriptive (ou
exploratoire). Elles consistent à essayer de résumer un échantillon de données via des
graphiques ou des caractéristiques numériques.
L’étude de la variabilité cherche à l’expliquer. Elle fait partie de la théorie de

l’échantillonnage.
L’étude des populations fait partie de la statistique inférentielle qui prend un échantillon et en
tire des conclusions pour toute la population. Elle part donc de l’expérience à l’hypothèse
(faite au départ).
5
2. La statistique descriptive
La statistique descriptive est la branche des statistiques qui regroupe les nombreuses
techniques utilisées pour décrire un ensemble relativement important de données. Il est assez
compliqué de définir la meilleure description possible d'un phénomène. Dans le cadre des
statistiques, il s'agira de fournir toute l'information disponible sur le phénomène en moins de
chiffres et de mots possibles
Cette démarche a pour but de :
 Résumer et synthétiser l’information contenue dans la série statistique ;

 Mettre en évidence ses propriétés ;
 Suggérer des hypothèses relatives à la population dont est issu l’échantillon.
Les Outils utilisés sont :
 Les Tableaux ;
 Les Graphiques ;
 Les indicateurs.
Le type d’outils utilisés dépend de :
 La nature de la série (uni ou multidimensionnelle) ;

 La nature des variables (quantitatives ou qualitatives).
Si les données ne sont relatives qu'à une seule variable, on parle de statistique descriptive
« univariée ». Dans le cas où l'on s'intéresse à deux variables simultanément, on met en
œuvre la statistique descriptive « bivariée ». Si l'ensemble de données provient de
l'observation de plusieurs variables, on doit faire appel aux méthodes de la statistique
descriptive « multivariée ».
Ce document est consacré à la présentation des outils et méthodes de la statistique descriptive

univariée.
3. Les notions de base de la statistique
3.1. Elément
C’est une unité qui peut être :
 Un individu (êtres vivants) : humain, animal, végétal ... ;

 Un sujet : modules enseignés en biologie, les nationalités, les métiers ou
professions… ;
6
 Un objet : Table, chaise, verrerie de laboratoire ;
 Une association (dans les études écologiques en général) : une parcelle d’herbe, une
association d’arbustes…
3.2. Population
C’est un ensemble d’éléments possédant au moins une caractéristique commune et exclusive

permettant de l’identifier et la distinguer sans ambiguïté de toutes les autres.
Exemple
 Une population algérienne ;

 Une population estudiantine ;
 Une population de plantes médicinales ;
 Une population de poissons d’eau douce.
3.3. Echantillon
Pour des raisons techniques ou économiques, il n’est généralement pas possible de collecter
des données sur tous les éléments de la population. En outre, si cette opération est possible il
est rarement utile de la faire, car l’analyse d’un groupe restreint d’éléments extraits de la
population fournit généralement des résultats de précision satisfaisante. Cette petite partie de la
population qu’on va examiner s’appelle « échantillon ».
Exemple
 Etude de 20 étudiants pris à partir d’une population de 57.

 Etude de 5 régions prises à partir d’une population de 25.
 Etude de 5 modules pris à partir d’une population de 13.
 Etude de 200 patients pris à partir d’une population de 660.
3.4. Echantillonnage
C’est l’opération ou la méthode qui consiste à prélever une partie de la population

(échantillon). Cette méthode doit assurer la représentativité de cette population c'est-à-dire
qu’elle doit refléter fidèlement sa composition et sa structure. Il existe plusieurs méthodes
d’échantillonnage qui varient en fonction de la nature de l’étude envisagée. On peut citer
l’échantillonnage : Stratifié, par degré, systématique… Le plus utilisé est l’échantillonnage
aléatoire et simple qui est basé sur le principe que tous les éléments de la population ont une
probabilité égale (non nulle) de faire partie de l’échantillon : c'est une méthode
7
d'échantillonnage permettant de choisir n unités parmi les N de la population de façon
aléatoire.
3.5. Inférence statistique
C’est une opération logique qui consiste à porter un jugement sur un ensemble vaste
« population statistique », à partir d’un sous ensemble « échantillon ».
3.6. Caractère
C’est une propriété possédée par les unités statistiques permettant de les décrire et de les
distinguer les unes des autres. Toute unité statistique peut être étudiée selon un ou plusieurs
caractères –le détail de cette notion est donnée dans la section 4).
Exemple
 Couleur des yeux ;

 Poids des souris ;
 Superficie d’une pièce ;
 La température de l’air.
3.7. Modalité
Ce sont les diverses situations (cas, état, valeur) susceptibles d’être prises par le caractère. Un
caractère peut posséder une ou plusieurs modalités.
Exemple
 Couleur des yeux : vert, bleu, noir ;

 Poids des souris (en grammes) : 15, 18, 20, 39 ;
 Superficie d’une pièce (en mètres) : 3, 5, 6 ;
 La température de l’air (en °C) : 8, 16, 27, 30, 38.
3.8. Effectif
Plusieurs définitions sur les effectifs.
 L'effectif de la valeur xi est le nombre d'individus de la population ayant cette valeur

ou appartenant à cette classe : on le note ni. ;
8
 L'effectif total N est la somme de tous les effectifs, appelé également en Maths
« cardinal ou la taille » ;
 En rangeant les valeurs du caractère dans l'ordre croissant, on peut calculer l'effectif
cumulé croissant en faisant la somme des effectifs de cette valeur et de tous ceux qui
la précèdent.
Exemple
Dans une promotion de 20 étudiants de Biochimie, voici les notes obtenues au dernier examen
de Biostatistique : 10, 14, 12, 15, 7, 8, 10, 11, 12, 18, 2, 4, 12, 13, 14, 15, 19, 11, 9, 0.
On va calculer les effectifs et les effectifs cumulés.
 Premièrement, les effectifs :

 Combien d'étudiants ont eu 10 ? c’est 2.
 Combien d'étudiants ont eu 12 ? c’est 3.
On continue ainsi et on forme le tableau suivant (Tableau I):
Tableau I : Les effectifs ni relatifs à chaque modalité xi (notes)
Notes xi 0 2 4 7 8 9 10 11 12 13 14 15 18 19
Effectifs ni 1 1 1 1 1 1 2 2 3 1 2 2 1 1
Les effectifs cumulés maintenant. On fait la somme des effectifs de la note + la somme des
effectifs de toutes les notes qui la précédent. Ce qui nous donne (Tableau II):
Tableau II : Les effectifs ni et Ni↑ relatifs à chaque modalité xi (notes)
Notes xi 0 2 4 7 8 9 10 11 12 13 14 15 18 19
Effectifs ni 1 1 1 1 1 1 2 2 3 1 2 2 1 1
Effectifs Ni↑ 1 2 3 4 5 6 8 10 13 14 16 18 19 20
Remarque
Pour vérifier qu'on ne s’est pas trompé dans le calcul des effectifs cumulés, on vérifie bien
que le dernier effectif cumulé correspond bien au nombre d'individus Ni. Ici, on retrouve bien
20, le nombre d'étudiants de cette promotion de Biochimie.
9
3.9. Fréquence d’une modalité ou d’une classe
 La fréquence d'une valeur est le quotient de l'effectif de la valeur par l'effectif total ;
 En rangeant les valeurs du caractère dans l'ordre croissant, on peut calculer les
fréquences cumulées croissantes en faisant la somme des fréquences de cette valeur et
de tous ceux qui la précèdent ;
 Pour les fréquences cumulées croissantes, c'est un peu le même principe que pour les
effectifs cumulés croissants.
Remarque
Les fréquences sont comprises entre 0 et 1.
Exemple
On reprend l'exemple précédent et on applique tout simplement la formule des fréquences

pour les calculer (Tableau III).
Tableau III : Les fréquences fi et Fi↑ relatives à chaque modalité xi (notes)
Notes xi 0 2 4 7 8 9 10 11 12 13 14 15 18 19
Fréquences fi 0,05 0,05 0,05 0,05 0,05 0,05 0,1 0,1 0,15 0,05 0,1 0,1 0,05 0 ,05
Fréquences Fi↑ 0,05 0,1 0,15 0,2 0,25 0,3 0,4 0,5 0,65 0,7 0,8 0,9 0,95 1
Remarque
Pareil, pour vérifier qu'on ne s’est pas trompé dans le calcul des fréquences cumulées, on
vérifie bien que la dernière fréquence cumulée vaut bien 1.
4. La nature des caractères
Le caractère d'une série statistique est l'objet de notre étude sur une population donnée. Ce
caractère prend un certain nombre de valeurs ou de modalités.
On distingue deux grandes familles de caractères :
 Les caractères qualitatifs ;

 Les caractères quantitatifs.
10
Un critère commode est le suivant : la moyenne d'un caractère quantitatif a un sens alors que la
moyenne d'un caractère qualitatif est impossible à réaliser ou bien n'a aucune signification.
4.1.Caractère qualitatif
Un caractère est dit qualitatif lorsque ses modalités ne sont pas mesurables. Le nombre de
valeurs que peut prendre la variable est limité. Il existe au sein de ce type deux échelles :
nominale et ordinale.
4.1.1. Echelle nominale
Chaque modalité est exprimée par un nom ou un code. Les différentes modalités ne sont pas
ordonnables.
Exemple : cas des noms
 Etat matrimoniale : marié, célibataire, veuf, divorcé ;

 Sexe : féminin, masculin ;
 Profession : enseignant, médecin ;
 Nationalité : Algérienne, Tunisienne ;
 Les différentes séquences nucléotidiques ;
 Les hormones : œstradiol, progestérone.
Exemple : cas des codes
 Etat matrimoniale : marié (1), célibataire (2), veuf (3), divorcé (4) ;
 Sexe : féminin (1), masculin (2) ;
 Profession : enseignant (1), médecin (2) ;
 Nationalité : Algérienne (1), Tunisienne (2) ;
4.1.2. Echelle ordinale
Chaque modalité est explicitement significative du rang pris par chaque individu pour le
caractère considéré.
Exemple :
 Degré d’intelligence : pas intelligent (0), peu intelligent (1), moyennement intelligent
(2), très intelligent (3) ;
 Forme des fruits : petite (1), moyenne (2), grosse (3) ;
 Abondance/Dominance : peu abondant (1), abondant (2), très abondant (3).
11
4.2.Caractère quantitatif
Un caractère est quantitatif si ses modalités s'expriment par des nombres. Le nombre de valeurs
que peut prendre la variable est illimité. Il existe 3 critères :
4.2.1. Repérable ou Mesurable
On distingue les caractères quantitatifs repérables sur une échelle d'intervalle et les caractères
quantitatifs mesurables selon que la valeur 0 est arbitraire ou selon qu'elle a un sens concret.
a. Quantitatif repérable sur une échelle d'intervalle
Ces caractères permettent de repérer la position de chaque individu par rapport à une origine
arbitraire. La valeur 0 est donc conventionnelle et ne signifie pas l'absence du phénomène.
Exemple :
 Latitude, longitude, température, altitude.
b. Quantitatif mesurable sur une échelle numérique
Le 0 signifie bien l'absence du phénomène.
Exemple :
 Un « 0 cm» de précipitations indique l’absence de la pluie ;

 Un « 0 » dans les notes indique que l’étudiants ne possède aucune réponse juste ;
 Un « 0 » dans un compte bancaire indique que le compte est vide ;
 Un « 0 » dans un dosage d’une molécule dans un organe indique l’absence de cette
molécule.
4.2.2. Stock ou Intensité
On peut par ailleurs distinguer les caractères quantitatifs de stock et les caractères quantitatifs
d'intensité (taux) selon que la somme des modalités a un sens ou non.
a. Les caractères quantitatifs de stock
Expriment des quantités concrètes : la somme des modalités des éléments a un sens.
Exemple :
 La population est un caractère de stock car la somme de plusieurs populations a un

sens.
12
b. Les caractères quantitatifs d'intensité
Expriment des caractéristiques des individus mais leur total n'a pas de signification.
Exemple :
 Les âges des individus car la somme de plusieurs âges de population n'a aucun sens.
4.2.3. Discret ou Continu
Enfin, on peut distinguer les caractères quantitatifs discrets et les caractères quantitatifs
continus selon que leurs modalités (valeurs) sont définies sur un intervalle continu de
l'ensemble des réels (modalités en nombre infini) ou selon qu'elles correspondent à un
ensemble fini et dénombrable de valeurs entières ou réelles.
a. Les caractères quantitatifs discrets
Sont des caractères dont les modalités sont des nombres isolés, pas nécessairement entiers.
Exemple :
 Nombre de pièces d’un immeuble ;

 Nombre d’enfants d’une famille ;
 Nombre des doigts
b. Les caractères quantitatifs continus
Sont des caractères dont les modalités sont définies sur un intervalle (continu) de valeur donné
appelé domaine de variation et défini par les valeurs minimales et maximales.
Exemple :
 Notes des étudiants, la taille, le poids, l’âge.
4.3.Combinaisons de critères
Les typologies précédentes se combinent lorsque l'on veut définir le type d'un caractère
quantitatif :
Exemple :
 Le poids des étudiants : continu, d’intensité, mesurable.

 Le poids des souris dans le laboratoire : continu, de stock, mesurable.
 Nombre d’enfant d’une famille : discret, de stock, mesurable.
13
 Température : continue, d’intensité, repérable.
 Altitude : continue, d’intensité, repérable.
Il est très important de savoir définir le type d'un caractère car les outils statistiques ou les
représentations graphiques ne sont pas les mêmes selon le type de caractère à étudier.
4.4.Principe du nombre de classes
Dans le cas continu, il est nécessaire de regrouper les résultats en classes à cause de leur grande
masse.
Discrétiser une variable quantitative c'est, mathématiquement, transformer un vecteur de

nombres réels en un vecteur de nombres entiers nommés « indices de classe ».
En statistiques, discrétiser c'est à la fois réaliser cette transformation mathématique, nommer et

justifier les classes.
Un bon découpage correspond à des classes homogènes et séparées, ce qui correspond

respectivement aux notions statistiques de faible variance intraclasse et de forte variance
interclasse. Mais d'autres critères sont possibles, comme l'équirépartition, le respect d'un
nombre minimal de données par classe, etc. Voici ci-après (Tableau IV) le nombre de classe en
fonction du nombre d’élément.
Tableau IV : Nombre de classes en fonction du nombre d’éléments d’une série statistique

donnée.
Nombre d'éléments Nombre de classes

10 2à3
20 3à4
50 4à6
100 5à8
4.4.1. Forme d’une classe ou intervalle
ei 1, ei  avec :

ei1 : Borne ou extrémité inférieure et ei : Borne ou extrémité supérieure.
14
4.4.2. Nombre de classes
Il existe plusieurs formules pour le calcul du nombre de classes. Pour les applications de ce
cours, nous avons opté pour la Règle de STURGE - La formule mathématique de
HUNTSBERGER-
k  1  3 .3 log N ……………...……………………………………………………….Formule 1
4.4.3. Intervalle de classe (amplitude)
x x
a  max min ……………..……………………………………………………...Formule 2
i k
4.4.4. Centre d’une classe
ei 1  ei
ci  ………………...………………………………………………………..Formule 3
2
La fréquence moyenne ou densité d'effectif qui mesure la concentration des observations à

l'intérieur d'une classe. Cette valeur est toujours calculée à une constante près de sorte qu'il est
indifférent d'utiliser l'une ou l'autre des formules suivantes.
fim  fi / ai ou nim ni / ai …………….……………………………………….……Formule 4
5. Tableaux statistiques
Un tableau statistique constitue un résumé ou une synthèse numérique des résultats d’une
distribution statistique, on distingue trois formes de tableaux statistiques qui sont fonction de
l’objectif envisagé et de la nature du caractère étudié.
5.1.Tableau élémentaire (brut)
Il est de la forme (Tableau V):
Tableau V : Tableau élémentaire
Eléments i Modalités xi
1 x1
2 x2
3 x3
. .
. .
. .
k xk
15
Après la collecte des données, celles-ci apparaissent de façon brute. Sous cette forme, elles
sont peu informatives. Il nous faut donc des moyens pour en extraire un maximum
d'informations.
5.1.1. Cas qualitatif
Dans une étude d’extraction de substances végétales, on fait un sondage pour savoir ce que
chacun des 25 étudiants/es a trouvé le plus intéressant. On utilise la règle suivante (Tableau
VI) :
Tableau VI : Tableau des codes relatifs aux réponses des étudiants
Réponse X
Les huiles essentielles 1
Les flavonoïdes 2
Les polyphénols totaux 3
Les tannins 4
Autres 5
Les résultats obtenus sont les suivants (Tableau VII) :
Tableau VII : Tableau des résultats du sondage de 25 étudiants (E : étudiant ; R : réponse)
E R E R E R E R E R
E1 3 E6 2 E11 2 E16 4 E21 2
E2 3 E7 4 E12 2 E17 3 E22 2
E3 5 E8 3 E13 3 E18 4 E23 3
E4 4 E9 4 E14 5 E19 4 E24 5
E5 2 E10 5 E15 5 E20 3 E25 1
5.1.2. Cas quantitatif
Voici les résultats du dosage des polyphénols obtenus par 25 étudiants de Biochimie par des
méthodes d’extraction différentes (unité en µg/g * 100) (Tableau VIII):
16
Tableau VIII : Tableau des résultats des doses en polyphénols obtenus par des méthodes
d’extraction différente (E : Etudiant, D : Doses en polyphénols)
E D E D E D E D E D
E1 68 E6 65 E11 78 E16 55 E21 88
E2 74 E7 52 E12 66 E17 61 E22 68
E3 42 E8 41 E13 49 E18 72 E23 90
E4 47 E9 57 E14 59 E19 56 E24 63
E5 50 E10 65 E15 60 E20 79 E25 69
5.2.Tableau de dénombrement
Il est de la forme –Tableau IX) :
Tableau IX : Tableau de dénombrement.
Modalités xi Effectifs ni Fréquences relatives fi

x1 n1 f1
x2 n2 f2
x3 n3 f3
. . .
. . .
. . .
xk nk fk
Total n 1
5.3.Tableau de distribution des fréquences
Il est de la forme (Tableau X):
Tableau X : Tableau de distribution.
Classes Centre ci Effectifs ni Fréquences relatives fi

[ei-1, ei-1 + ai[ c1 n1 f1
[ei-1 + ai, ei-1 + 2ai[ c2 n2 f2
[ei-1 + 2ai, ei-1 + 3ai[ c3 n3 f3
. . . .
. . . .
. . . .
ck nk fk
Total - n 1
17
Exemples
a. Tableau statistique relatif à un caractère qualitatif
Analyse de sang pour 100 étudiants (Tableau XI) :
Tableau XI : Tableau des résultats d’analyse du sang pour 100 étudiants
Groupe sanguin xi Effectifs ni Fréquences relatives fi

A 40 0.40
B 43 0.43
Ab 12 0.12
O 05 0.05
Total 100 1
b. Tableau statistique relatif à un caractère quantitatif
 Cas discret
On observe 20 lots au laboratoire, on a le nombre de lapins dans chacun : 10, 1, 0, 0, 0, 10, 12,
18, 5, 5, 12, 10, 12, 12, 0, 10, 15, 10, 20, 20 (Tableau XII) :
Tableau XII : Nombre de lapins dans 20 lots au laboratoire
xi 0 1 5 10 12 15 18 20 T
ni 4 1 2 5 4 1 1 2 20
fi 0.20 0.05 0.10 0.25 0.20 0.05 0.05 0.10 1
 Cas continu
On s’intéresse à la taille (cm) de 20 étudiants, les résultats obtenus sont (Tableau XIII) :
Tableau XIII : La taille de 20 étudiants (cm)
140 144 150 156

142 146 152 157
143 147 153 158
143 148 154 159
144 150 155 163
Application
Dans ce cas, on doit regrouper cette série en classes (Tablea XIV) :
18
Nombre de classe :
k  1  3 .3 log n  1  3 .3 * log 20  1  3 .3 * 1 .30  5 .29  5
Intervalle de classe = amplitude
v max  v min 163  140

ai    4 .6  5
k 5
Centres des classes
ei  1  ei 140  145
x1    142 . 5
2 2
ei 1  ei 145  150
x2    147 . 5
2 2
ei  1  ei 1150  155
x3    152 .5
2 2
ei 1  ei 155  160
x4    157 . 5
2 2
ei  1  ei 160  165
x5    162 .5
2 2
Tableau XIV : Tableau de la distribution des fréquences des tailles des étudiants
Classes xi ni fi
[140-145[ 142.5 6 0.30
[145-150[ 147.5 3 0.15
[150-155[ 152.5 5 0.25
[155-160[ 157.5 5 0.25
[160-165[ 162.5 1 0.05
Total - 20 1
6. Représentations graphiques
6.1.Cas qualitatif
6.1.1. Diagramme en tuyaux d’orgue
Le diagramme en bâtonnets (ou tuyaux d’orgue) est une représentation graphique de la

distribution de fréquences d'une variable qualitative. Les «bâtonnets» sont bien séparés pour
indiquer les différentes catégories. La hauteur d'un bâtonnet est proportionnelle à la fréquence
de la catégorie correspondante (Figure 1).
19
180
170
NOMBRE D'ETUDIANTS EN L3 (ni)

160
150
140
130
120
110
100
90
BPC SA MB SBE
DEPARTEMENTS
Figure 1 : Tuyaux d’orgue illustrant le nombre d’étudiants en L3 par département (SA :

Science Alimentaire, MB : Microbiologie, SBE : Science Biologique de l’Environnement,
BPC : Biologie Physico-Chimique).
6.1.2. Le camembert
Dans le diagramme circulaire, chaque secteur a une surface proportionnelle à la fréquence de

chaque modalité (Figure 2).
POURCENTAGES DES ETUDIANTS DE L3
SBE, 18,4 %
BPC, 27,7 %
MB, 31,6 %
SA, 22,3 %
DEPARTEMENTS
Figure 2 : Le camembert illustrant le nombre d’étudiant en L3 en fonction des départements

(SA : Science Alimentaire, MB : Microbiologie, SBE : Science Biologique de
l’Environnement, BPC : Biologie Physico-Chimique).
6.2.Cas quantitatif
Il existe deux types de représentation graphique d'une distribution statistique à caractère

quantitatif :
 Le diagramme différentiel correspond à une représentation des effectifs ou des

fréquences.
 Le diagramme intégral correspond à une représentation des effectifs cumulés, ou des
fréquences cumulées.
20
6.2.1. Variable statistique discrète.
a. Diagramme différentiel
Diagramme en bâtons : est réalisé en fonction des effectifs ou des fréquences.
La différence avec le cas qualitatif consiste en ce que les abscisses ici sont les valeurs de la
variable statistique (Figure 3).
Figure 3 : Diagramme différentiel illustrant le nombre de couples en fonction du nombre

d’enfants.
b. Diagramme intégral
Courbe en escalier : est réalisée en fonction des effectifs cumulés ou des fréquences cumulées.
Dans cette représentation les effectifs ou les fréquences des diverses valeurs de la variable
statistique correspondent aux hauteurs des marches de la courbe (Tableau 4).
30
24
NOMBRE DE COUPLES (Ni)
18
12
0
0 1 2 3 4
NOMBRE D'ENFANTS (xi)
Figure 4 : Diagramme intégral illustrant le nombre de couples en fonction du nombre

d’enfants.
21
6.2.2. Variable statistique continue
a. Diagramme différentiel
Histogramme et polygone des effectifs ou des fréquences
L'histogramme est une représentation graphique (en tuyaux d'orgue) de la distribution des
effectifs ou des fréquences d'une variable quantitative. Souvent, les «tuyaux» sont accolés pour
montrer la continuité de la variable. La hauteur du tuyau est proportionnelle à l’effectif ou la
fréquence de la classe correspondante (Figure 5).
Le polygone des effectifs ou des fréquences : est une autre représentation graphique (en ligne
brisée) de la distribution des effectifs ou des fréquences d'une variable quantitative.
Pour tracer le polygone, on joint les points milieu du sommet des rectangles adjacents par un
segment de droite. Le polygone est fermé aux deux bouts en le prolongeant sur l'axe horizontal.
60
55
NOMBRE D'ETUDIANTS (ni)
50
45
40
35
30
25
20
15
2 4 6 8 10 12 14 16 18
NOTES DES ETUDIANTS (Ci)
Figure 5 : Histogramme illustrant le nombre d’étudiants en fonction de leurs notes.
b. Diagramme intégral
Représentation graphique intégrale en fonction des effectifs cumulés ou des fréquences

cumulées appelée parfois ogive (Figure 6).
Une telle figure fournit des données descriptives intéressantes telles que la valeur médiane, i.e.
le point séparant le groupe en deux parties égales.
22
350
300
NOMBRE D'ETUDIANTS (Ni)

250
200
150
100
50
0
2 4 6 8 10 12 14 16 18
NOTES DES ETUDIANTS (Ci)
Figure 6 : Diagramme intégral illustrant le nombre d’étudiants en fonction de leurs notes.
7. Description numérique
L’objectif de la description numérique est de résumer en un seul nombre la valeur typique.
En statistiques, les distributions de variables sont caractérisées à travers trois critères, qui
suffisent généralement : Forme de la distribution, tendance centrale et dispersion.
7.1.Tendance centrale ou Paramètres de position
7.1.1. Le mode
Le mode est la valeur la plus fréquente d'une distribution. Il se calcule toujours à partir d'un
dénombrement des modalités du caractère. Comme pour le tableau de dénombrement, il faut
distinguer le cas des caractères discrets et des caractères continus.
a. Caractère discret
Pour un caractère quantitatif discret le mode est la modalité qui a la fréquence la plus élevée
(ou l'effectif le plus élevé).
Exemple :
 10, 11, 12, 10, 10, 10, 9, 14 → Mode : 10 (4 fois) → Distribution unimodale.
 10, 11, 12, 10, 10, 12, 12, 9, 14 → Modes : 10 (3 fois) et 12 (3 fois) → Distribution
bimodale.
23
b. Caractère quantitatif continu
Approche 1
Les modalités étant en nombre infini, il est peu probable que deux éléments aient la même
valeur. Dans ce cas, le mode ne peut pas être défini directement, il faut au préalable établir
une partition en classes. Le mode est alors le centre de la classe modale, c'est à dire la classe
qui a l’effectif le plus élevé ou la fréquence la plus élevée (Figure 7).
100
90
L A CL A
80 SSE M
O DALE
LES EFFECTIFS ni
70
60
50
40
LE MO
30 D E
C1 C2 C3 C4 C5 C6 C7 C8 C9
CENTRES DES CLASSES
Figure 7 : Histogramme précisant la classe modale et le mode par la 1ère approche.
Approche 2
Dans ce cas on peut calculer le mode par une deuxième méthode appelée « le calcul
approché », en utilisant la formule :
1
Mo  ei1  ai ……………………………….………………........................Formule 5
1  2
 1 : C’est l’excès de la classe modale par rapport à la classe précédente.
 2 : C’est l’excès de la classe modale par rapport à la classe suivante.
ei 1 : C’est la borne inférieure de la classe modale.
ai : C’est l’amplitude
La figure 8 explique les différents paramètres de cette formule.
24
ni/fi
f ( ei ) 2
1
f ( ei1 )
xi
ei 1 ei
Mo
Figure 8 : Histogramme précisant le calcul du mode par la 2ème approche.
7.1.2. La médiane
Les valeurs étant classées par ordre croissant, la médiane est la valeur du caractère qui partage
celui-ci en deux ensembles d'effectifs égaux : 50 % des valeurs lui sont supérieures et 50 % lui
sont inférieures.
a. Cas discret
n est impair
n  2 p  1 ……………………..………………………………………………………Formule 6
Me  x( p1) ….……..………………..…………………………………………………Formule 7
p : est l’ordre de la variable dans la série statistique supposée ordonnée dans l’ordre croissant
ou décroissant.
n est pair
n  2 p .…………….………………………...………………………………………..Formule
8
Me  [x( p)  x( p1) ] / 2 ..………………………………………………………………..Formule 9
Exemple :
 0, 0, 0, 0, 1, 5,5, 10, 10, 10, 10, 10, 12, 12, 12, 12, 15, 15, 18, 20, 20.
 n=20 (pair) : n=2*p → p=20/2=10.
 Me=[x10+x11] / 2 → Me= [10+10] / 2=10.
25
b. Cas continu
Si la variable statistique est continue, on calcule la valeur de la variable correspondante à la

fréquence relative cumulée.
Comme la fonction F(x) est continue et monotone entre 0 et 1, alors l’équation F(x)=1/2 admet
une racine unique.
Approche 1 : Calcul géométrique (Figure 9)
 
Supposons que la classe médiane est ei1, ei on a :
F(ei-1) < ½ < F(ei)
En application du théorème de Thalès on trouve
BC AB AB * DE
  BC 
D AD AD
Par interpolation, on aura :
AB * DE
Me  ei 1  BC  ei 1 
AD
 
On a : AB  1  F (ei 1 ) et DE ai et AD fi (fi est la fréquence de ei 1, ei )
2
Alors:
1  F (e )
i 1
Me  ei 1  ai 2 .…………………………....…………………….............Formule 10
fi
On peut également exprimer fiainsi :
fi  F(ei )  F(ei1)
La médiane alors prend la formule :
1  F (ei 1 ) ……………………………………………………..Formule 11
Me  ei 1  ai 2
F (ei )  F (ei 1 )
26
A B
Figure 9 : A : Histogramme des fréquences cumulées. B : Agrandissement de la partie de

l’histogramme renfermant la médiane.
Approche 2 : Calcul par la méthode d’interpolation
Me  ei 1  b ………………..………………………………………………………Formule 12
 
Supposons ei 1, ei la classe médiane :
50% 50%
ai
ei-1 b ei
Me
ni  ai  b
ai * ni'
………………………………………………………....Formule13
ni'  b ni
27
7.1.3. La moyenne
La moyenne est la valeur unique que devraient avoir tous les individus d'une population pour
que leur total soit inchangé. C'est un critère de position. Il s’agit d’une mesure statistique
caractérisant les éléments d'un ensemble de quantités et elle exprime la somme de toutes les
mesures divisée par l’effectif total de l’échantillon étudié ou bien une valeur telle qu’en la
multipliant par l’effectif total on trouve la somme des mesures effectuées sur toute la
population.
Il est à signaler que les notations de la moyenne diffèrent selon que l’étude s’effectue sur une
population ou un échantillon (ceci est détaillé dans le section qui suit).
a. Cas discret
 Etude de la moyenne d’une population
Soit X une variable statistique discrète pouvant prendre les valeurs X1, X2, …,Xk auxquelles
correspondent les effectifs N1, N2, …, Nk La moyenne notée µ est de forme :
1 N N
µ  i 
N i1
X 
i 1
X i ..……………………………………………….………….…Formule 14
 Etude de la moyenne d’une population
Soit x une variable statistique discrète pouvant prendre les valeurs x1, x2, …,xk auxquelles
k
correspondent les effectifs n1, n2, …, nk avec  ni  n
i 1
La moyenne notée m est de forme :
1 n n
m 
n i 1
xi   xi …………………………………………………………….…Formule 15
i 1
b. Cas continu
Dans ce cas on utilise les mêmes formule que dans la cas précédent sauf que les modalités
seront les centres de classes.
avec : ci 
ei1  ei
est le centre de la classe ei1 ,ei  et ni son effectif.
2
28
Remarque : Comparaison des valeurs centrales
Il n'y a pas de règle générale pour déterminer laquelle des mesures de tendance centrale est la
plus pertinente pour caractériser une distribution.
Exemple :
Les nombres ci-dessous représentent le nombre d'enfants dans chacune de dix familles
choisies au hasard :3, 8, 1, 1, 4, 5, 2, 3, 0, 1 (il s’agit d’étude d’un échantillon).
 Moyenne
x1  x2  x3  x4  x5  x6  x7  x8  x9  x10
m = 1/10 [(3+8+1+1+4+5+2+3+0+1)] = 28 /
n
10
m= 2,8
 Médiane
Rangeons les données en ordre ascendant :

0, 1, 1, 1, 2, 3, 3, 4, 5, 8
Comme n = 10 (donc pair), p = 5
Me = (5ème Observation + 6ème Observation) / 2 = (2 + 3) / 2 = 2,5
 Mode
On voit immédiatement que Mo = 1
On remarque que les trois mesures sont différentes.
Laquelle est la plus «représentative» ? (Voir ce qui suit.)
7.4.Valeurs centrales et forme des distributions
La comparaison des trois valeurs centrales ou l'examen de l'histogramme permettent de définir

la forme des distributions. Selon la forme d'une distribution le meilleur résumé sera fourni par
l'une ou l'autre des trois valeurs centrales.
7.4.1. Distributions bimodales ou multimodales
La distribution comporte plusieurs modes. Le mode principale est différent de la moyenne et de

la médiane. Dans ce cas, ni la moyenne ni la médiane ne sont significatives.
Le meilleur résumé est alors donné par les modes principaux et secondaires de la distribution.
29
7.4.2. Distributions unimodales symétriques
Lorsque la distribution est unimodale et symétrique, on va trouver à peu près moyenne =

médiane = mode.
Le meilleur résumé est alors donné par la moyenne car elle tient compte de toutes les
observations et elle possède des propriétés statistiques intéressantes.
7.4.3. Distributions unimodales dissymétriques
Deux cas peuvent se présenter :
* mode < médiane < moyenne : la distribution est dissymétrique à gauche (ou la distribution
est positivement dissymétrique (Figure 10 A). c'est à dire qu'il y a concentration pour les
valeurs faibles et dispersion pour les valeurs fortes. C'est le cas le plus fréquent
* moyenne < médiane <mode : la distribution est dissymétrique à droite (ou la distribution est
négativement dissymétrique (voir la distribution B), c'est à dire qu'il y a concentration pour les
valeurs élevées et dispersion pour les valeurs faibles. Ce cas est plus rare que le précédent.
Figure 10 : Courbe illustrant les deux types de distribution. A : ditribution dissymétrique à

gauche. B : distribution dissymétrique à droite.
Remarque :
Lorsqu'il y a une dissymétrie marquée, la médiane est généralement préférable à la moyenne

car elle est moins influencée par les valeurs exceptionnelles qui sont souvent à l'origine de la
dissymétrie. Si la dissymétrie est peu marquée, on pourra néanmoins utiliser la moyenne.
30
7.5.Paramètres de dispersion absolue
7.5.1. La fourchette des valeurs ou étendue
L'étendue E est la différence entre la plus grande valeur et la plus petite valeur. La formule
générale est :
E Vmax Vmin ……………..………………………………………….......................Formule

16
Où :
Vmax : C’est la valeur maximale.
Vmin : C’est la valeur minimale.
Remarque :
Peu intéressante, car ne prend en compte que les valeurs extrêmes.
Exemple :
1, 10, 11, 12, 10, 11, 12, 13, 11, 12, 11, 11, 12, 11, 12, 12, 19
E = 19 - 1 = 18
Valeur peu représentative.
En réalité, il existe une faible dispersion.
7.5.2. Ecart absolu moyen et l’écart absolu médian
L'écart absolu moyen est la moyenne de la valeur absolue des écarts à la moyenne. On peut
calculer de la même manière l'écart absolu médian qui est la moyenne des écarts à la médiane.
Formules de l'écart absolu moyen et de l'écart absolu médian.
EAMo 1/ nni (xi  m) ………….………………………………………………..Formule

17
EAMe 1/ nni (xi  Me) ………………………………………………………….Formule 18
7.5.3. Variance et écart type
On peut citer deux types de variances : σ2 et S².
31
La variance dans la population « σ2 » : elle est immuable, on ne la connait pas et on ne peut
pas la déterminer avec précision, puisqu'il faudrait avoir un échantillon contenant toute la
population à étudier. Puisqu'on ne peut pas la trouver, on se contente de l'estimer, à partir d'un
échantillon.
1 N
 ²  xi  µ² ……....…………………………………………...…………….Formule 19
N i1i
   ² …………..…………………………...…………………………………….Formule 20
L’estimateur de σ2 « S² » : il s'agit-là d'une valeur propre à un échantillon ; elle est différente

de σ2 , mais tend à s'en approcher (plus l’échantillon est représentatif, et plus les deux valeurs
sont proches).
S² exprime la moyenne des carrés des écarts entre chaque observation et la moyenne des
observations.
L'écart type, noté s, est simplement la racine carrée de la variance s².
Les formules sont :
1 n
s²  xi m² ……………....……………………………………...………...Formule 21
n 1 i1i
s  s² ………………………………………………………………...…………....Formule 22
Remarque
Si on choisit un individu de manière aléatoire dans une population et que l’on relève une valeur
numérique sur cet individu, les valeurs possibles sont les valeurs présentes dans la population
(et les probabilités associées sont les fréquences dans la population). De ce fait, la moyenne μ
et l’écart-type σ des valeurs possibles sont égales à la moyenne x et à l’écart-type s des valeurs
prises par les individus de la population.
7.5.4. L'étendue interquartile
Les quartiles sont les trois valeurs qui permettent de découper la distribution en quatre classes
d'effectifs égaux, on les note Q1, Q2 et Q3.
32
Le premier quartile, noté Q1, est le point qui sépare la portion de 25% des valeurs les plus
petites de la portion de 75% des valeurs les plus grandes.
Le troisième quartile, noté Q3, est le point qui sépare la portion de 25% des valeurs les plus
grandes de la portion de 75% des valeurs les plus petites.
Le deuxième quartile Q2 correspond tout simplement à la médiane.
L'intervalle interquartile (Q3-Q1) est un paramètre de dispersion absolue qui correspond à

l'étendue de la distribution une fois que l'on a retiré les 25% des valeurs les plus faibles et les
25% des valeurs les plus fortes. 50% des observations sont donc concentrées entre Q1 et Q3.
Iq  Q3 Q1 ...............................................................................................................Formule 23
L'intervalle semi-interquartile (Q) correspond à la moitié de l'étendue interquartile. En

formule :
Q  (Q3 Q1) / 2 ……………….…………………………………………………….Formule 24
Remarque :
Q1 et Q3 sont obtenus par les mêmes méthodes exposées plut haut pour la médiane.
7.6.Paramètres de dispersion relatifs
7.6.1. Le coefficient de variation
Le coefficient de variation noté CV est une mesure relative de l'écart type qui permet de
prendre en compte l'ordre de grandeur de la moyenne. Autrement dit, ce coefficient correspond
à l'écart type de la distribution exprimé en pourcentage de la moyenne de la distribution
La formule générale est :
CV  ( s / m ) * 100 ……………………………………...…………………….Formule 25
L'écart-type seul ne permet le plus souvent pas de juger de la dispersion des valeurs autour de
la moyenne. Si par exemple une distribution a une moyenne de 0,1 et un écart-type de 1, elle
sera beaucoup plus dispersée (CV de 1000%) qu'une distribution de moyenne 1000 et d'écart-
type 10 (CV de 1%).
Ce nombre est sans unité, c'est une des raisons pour lesquelles il est parfois préféré à l'écart
type. En effet, pour comparer deux séries de données d'unités différentes, l'utilisation du
coefficient de variation est plus judicieuse.
33
7.6.2. Le coefficient interquartile relatif
C’est le rapport de l’écart interquartile par rapport à la médiane. La formule :
CIQ (Q3 Q1) / Q2 …..……………………………................................................Formule 26
7.6.3. Ecart relatif moyen
C’est le rapport de l’écart absolu moyen par rapport à la moyenne. La formule :
ERM EAM/ m …………………………….......................................................Formule 25

7.6.4. Ecart relatif médian
C’est le rapport de l’écart absolu médian par rapport à la médiane. La formule :
ERMe EAM/ Me...……………………………....................................................Formule 26
7.5.Paramètres de dispersion absolue et valeurs centrales
Le résumé d'une distribution par une valeur centrale est souvent trompeur parce qu'il est
incomplet : on connaît l'ordre de grandeur des valeurs mais on ignore la dispersion des valeurs
autour de la valeur centrale de référence. Le premier rôle des paramètres de dispersion est
donc :
D'accompagner et de préciser les résumés de distribution effectués à l'aide

des valeurs centrales.
Un bon résumé statistique doit donc toujours comporter au moins deux paramètres : une
valeur centrale et un paramètre de dispersion. L'appariement des valeurs centrales et des
paramètres de dispersion ne peut toutefois pas s'effectuer de n'importe quelle manière et
certaines associations peuvent se faire de façon privilégiée.
La moyenne peut-être accompagnée soit de l'écart-type, soit de de l'écart

absolu moyen (puisque ces paramètres sont calculés par rapport à la
moyenne).
La médiane peut-être accompagnée soit de l'écart absolu médian, soit de

l'intervalle interquartile ou de l'intervalle inter décile.
Le mode, qui n'est véritablement utile que dans le cas des distributions
multimodales, peut être accompagné de l'étendue (qui est le seul paramètre
de dispersion conservant une signification dans le cas des distributions
multimodales).
34
7.6.Les paramètres de forme
7.6.1. Le Coefficient d'asymétrie
Il s’agit de l’étalement à gauche ou à droite de la représentation d’une série statistique telle

vue précédemment lors d’une explication en fonction des paramètres de tendance centrale ou
de position
Le coefficient d'asymétrie est calculé ainsi :
m  1 
( xi  m) 3
S  33   3  i 1 ………………………………………………………....Formule 27
s s  n
1 n
m3  
n i 1
( xi  m) 3 ………………………………………………………………...Formule 28
Le coefficient S évalue le défaut de symétrie d'une distribution (Voir figure 10 A et B).
Remarque :
 S est nul pour une distribution symétrique (une distribution normale).

 S est positif pour une distribution étalée à droite.
 S est négatif pour une distribution étalée à gauche.
7.6.2. Le coefficient d'aplatissement
Le coefficient d'aplatissement (K) évalue la dispersion des valeurs extrêmes par référence à la
loi normale. Il permet d'étudier la forme plus ou moins pointue ou aplatie.
La moyenne centrée d’ordre 4 permet de calculer le degré d’aplatissement d’une distribution à

une variable. Afin d’obtenir un nombre sans dimension, on le divise par le carré de la variance.
L’indicateur obtenu est appelé coefficient d’aplatissement K de Pearson, ou kurtosis, sa
formule est la suivante :
m4 1
(x i  m) 4
K   i 1
………………………………………………..……….Formule 29
s4  s4  n
1 n
m4   ( xi  m) 4 ………………………………...…………………...……….....Formule 30
n i 1
35
La kurtosis d’une loi normale (de Gauss) est égale à 3. Certains auteurs et logiciels retranchent
3 à la forme ci-dessus, ce qui conforte la loi normale dans son rôle de « loi étalon ». Le
coefficient obtenu K’ est dit « de Fisher » (ou excess kurtosis).
K’ = K – 3 …………………………………...…………………...………………...Formule 31
Remarque :
 Le K’ est grand quand il y a beaucoup de valeurs éloignées de la moyenne.

 K’ > 0 : indique que les queues comptent plus d'observations que dans une distribution
normale.
 K’ < 0 : indique que les queues comptent moins d'observations que dans une
distribution normale.
 K’=0 : indique une loi normale.
Figure 11 : Courbe illustrant les trois formes de distribution générées par la variation du
coefficient d’aplatissement.
8. Notion de la loi normale
La loi normale est caractérisée par un coefficient d'asymétrie et un coefficient d'aplatissement

nuls.
Soit X une variable, µ est une moyenne, σ un écart-type et Z la variable définie comme suit :
Z  ( X  µ) / …………………………………………………………..............….Formule 31
Si Z suit une loi normale, alors X suit une loi normale d’une moyenne µ et d’écart-type σ
notée :
N  (µ; )
36
En termes de variance, la fonction de densité de la loi normale s’exprime ainsi :
f ( X )  (1/  2 ) exp[1/ 2( xµ/ )²] .………………………………………………...Formule 32
La loi normale centrée réduite est donc la loi normale dont les paramètres sont µ = 0 et σ = 1.
L’allure de la courbe représentative d’une fonction de densité de loi normale centrée réduite est
donnée ci-après, accompagnée des courbes représentant des densités de lois normales ayant
d’autres écart-types pour une même moyenne nulle (la loi normale d’écart-type 2 ; la loi
d’écart-type 0,5).
Figure 12 : Courbe illustrant les trois différentes allures des fonctions de densités des lois
normales.
On remarque que plus la dispersion est élevée, plus la courbe est aplatie et plus elle est faible,
plus la courbe est resserrée.
37
QUELQUES EXERCICES
D’APPLICATION ET
SOLUTIONS
QUELQUES EXERCICES D’APPLICATION
EXERCICE N°1
Un expérimentateur avait extrait à partir de 5 plantes les doses (µg/g) de

polyphénols suivantes: 13, 15, 13, 14, 15.
1. Faites ressortir les notions de base de la statistique.

2. Donner le tableau statistique.
3. Tracer le diagramme intégral par l’utilisation des effectifs cumulés.
SOLUTION
1. Les notions de base :
Population statistique : Les plantes

Unité statistique : Une plante
Echantillon : 5 plantes (n=5)
Caractère : doses en polyphénols (µg/g)
Nature du caractère : Caractère quantitatif (continu, mesurable, de stock) assimilé à un
cas discret.
Modalités : 13, 14, 15
Taille (Cardinal) : 5
2. Tableau statistique
Tableau I : Tableau de dénombrement des doses en polyphénols dans un échantillon de 5

plantes.
xi ni fi Ni↑ Fi ↑
13 2 0,4 2 0,4
14 1 0,2 3 0,6
15 2 0,4 5 1
T 5 1 - -
3. Tracer le diagramme intégral en utilisant les effectifs cumulés.
5,5
5,0
4,5
Les plante (Ni)
4,0
3,5
3,0
2,5
Figure 1 : Diagramme intégral des plantes
2,0
13 14 15 en fonction des doses en polyphénols.
Doses en polyphénols (xi)
38
EXERCICE N°2
Un généticien s’est intéressé au séquençage de l’ADN de 10 espèces de poissons d’eau douce,

les résultats obtenus sont : AATCGCC, AACTCGG, AATCGCC, ACGTAAT,
TCGATCG, AACTCGG, AATCGCC, TCGATCG, ACGTAAT, AATCGCC.

3. Tracer le graphe correspondant.
SOLUTION
Population statistique : Les espèces de poissons d’eau douce

Unité statistique : Une espèce
Echantillon : 10 espèces (n=10)
Caractère : Les séquences d’ADN
Nature du caractère : Caractère qualitatif nominal
Modalités : AATCGCC ; AACTCGG ; ACGTAAT ; TCGATCG
Tableau II : Tableau de dénombrement des séquences d’ADN de 10 espèces de poissons

d’eau douce.
AATCGCC 4 0,4 4 0,4
AACTCGG 2 0,2 6 0,6
ACGTAAT 2 0,2 8 0,8
TCGATCG 2 0,2 10 1
T 10 1 - -

4,2
3,6
3,0
Les espèces (Ni)
2,4
1,8
1,2 Figure 2 : Tuyaux d’orgue des espèces de

0,6 poissons d’eau douce en fonction des
0,0
AATCGCC AACTCGG ACGTAAT TCGATCG
séquences d’ADN.
Les séquences (xi)
39
EXERCICE N°3
Un enseignant a voulu savoir le niveau des étudiants de Biochimie en module de BMGG,

pour ce faire il s’est intéressé aux notes obtenues au premier semestre par 50 étudiants. Les
résultats sont : 12 / 10 / 12 / 13 / 10 / 15 / 14 / 10 / 11 / 11 / 12 / 15 / 12 / 10 / 12 / 13 / 10 / 15 /
14 / 10 / 12 / 10 / 12 / 13 / 10 / 15 / 14 / 10 / 11 / 11 / 12 / 15 / 12 / 10 / 12 / 13 / 10 / 15 / 14 /
10 / 11 / 12 / 13 / 12 / 10 / 11 / 12 / 13 / 12 / 10.

SOLUTION
Population statistique : Les étudiants de Biochimie

Unité statistique : Un étudiant
Echantillon : 50 espèces (n=50)
Caractère : Les notes de BMGG en premier semestre
Nature du caractère : Caractère quantitatif (continue, mesurable, d’intensité) assimilé à
un cas discret
Modalités : 10 ; 11 ; 12 ; 13 ; 14 ; 15
Tableau III : Tableau de dénombrement des notes d’examen de BMGG de 50 étudiants de

Biochimie.
10 14 0,28 14 0,28
11 6 0,12 20 0,40
12 14 0,28 34 0,68
13 6 0,12 40 0,80
14 4 0,08 44 0,88
15 6 0,12 50 1
T 50 1 - -
54
50
46
42
Les étudiants (Ni)
38
34
30
26 Figure 3 : Diagramme intégral des
22
18
étudiants Biochimie en fonction de leurs
14
10 11 12 13 14 15
notes en BMGG.
Les notes (xi)
40
EXERCICE N°4
Afin de tester la toxicité d’une molécule synthétique sur les organes reproducteurs des souris
blanches, un biologiste a préparé 10 lots de 10 souris chacun. Pour des doses (µg/g)
différentes, il a obtenu, en fonction des lots, les taux de mortalité (%) suivants : 0, 12, 0, 50,
12, 50, 100, 12, 50, 100.

SOLUTION
Population statistique : Les lots de souris

Unité statistique : Un lot de souris
Echantillon : 10 lots de souris
Caractère : Taux de mortalité
Nature du caractère : Caractère quantitatif (continue, mesurable, d’intensité) assimilé à
un cas discret
Modalités : 0 ; 12 ; 50 ; 100
Tableau IV : Tableau de dénombrement des taux de mortalité de souris dans 10 lots de

10 souris chacun.
0 2 0,2 2 0,2
12 3 0,3 5 0,5
50 3 0,3 8 0,8
100 2 0,2 10 1
T 10 1 - -
10
8
Les lots -Ni)
6 Figure 4 : Diagramme intégral des lots de

souris en fonction de leurs taux de
4
mortalité.
2
0 20 40 60 80 100 120
Taux de mortalité (xi)
41
EXERCICE N°5
Dans un laboratoire de Biochimie, 20 étudiants ont élaboré une liste d’espèce de plantes qui
seront sujettes d’une extraction des huiles essentielles, les résultats en nombre sont comme
suit : 75 / 69 / 75 / 96 / 80 / 102 / 102 / 69 / 75 / 75 / 90 / 80 / 96 / 80 / 96 / 80/ 96 / 80 / 90
/ 102.

3. Calculer les effectifs cumulatifs croissants et les fréquences cumulatives croissantes et
tracer une courbe en fonction de l’un des paramètres.
4. Calculer les paramètres de position (moyenne, mode, médiane)
5. Calculer les paramètres de dispersion (variance et écart-type)
6. Déduire à partir des paramètres de position le type de la distribution.
SOLUTION
Population statistique : Les étudiants de Biochimie

Unité statistique : Un étudiant
Echantillon : 20 étudiants
Caractère : Nombre de plantes à étudier au laboratoire
Nature du caractère : Caractère discret, mesurable, de stock.
Modalités : 69 ; 75 ; 80 ; 90 ; 96 ; 102
2. Tableau statistique et calcul des cumuls
Tableau V : Tableau de dénombrement des doses en polyphénols de cinq plantes.

69 2 0,1 2 0,1
75 4 0,2 6 0,3
80 5 0,25 11 0,55
90 2 0,1 13 0,65
96 4 0,2 17 0,85
102 3 0,15 20 1
T 20 1 - -
42
3. Représentation graphique
22
18
Les étudiants (Ni)
14
10
6
Figure 5 : Diagramme intégral des
2
69 74 79 84 89 94 99 104
étudiants en fonction du nombre de
Nombre de plantes à étudier (xi)
plantes à étudier.
4. Calcul des paramètres de position
a. La moyenne
m = [(0,1 x 69) + (0,2 x 75) + (0,25 x 80) + (0,1 x 90) + (0,2 x 96) + (0,15 x 102)]
m = 85,4 plantes
b. Le mode
Mo=80 plantes
c. La médiane
P = 10
Me = [x(10) + x(11) ] / 2
Me = (80 + 80) / 2
Me = 80 plantes
5. Calcul des paramètres de dispersion
a. La variance
‫ݏ‬² = 1/19 [2(69 – 85,4)² + 4(75– 85,4)² + 5(80 – 85,4)² + 2(90 – 85,4)² + 4(96 – 85,4)²
+ 3(102 – 85,4)²]
‫ܛ‬² = 134,88 plantes
b. Ecart-type
‫ = ܛ‬11,61 plantes.
6. Type de la distribution
m > Me = Mo
La distribution est positivement dissymétrique
43
EXERCICE N°6
Au laboratoire, lors des tests de toxicité, un biochimiste s’est intéressé au nombre de lapins
décédés soumis à des concentrations différentes d’une toxine. Afin d’atteindre au parfait
l’objectif recherché, ce chercheur a effectué 100 expériences. Les résultats sont les suivants :
4 / 1 /1 / 3 / 3 / 4 / 2 / 2 / 2 / 3 / 3 / 4 / 1 / 1 / 1 / 2 / 2 / 3 / 4 / 4 / 2 / 3 / 3 / 5 / 0 / 2 / 2 / 3 / 2 / 2
/3/2/3/2/0/3/2/2/1/2/4/3/4/2/3/2/2/2/1/1/4/3/2/1/3/5/4/1/2/
2/4/1/3/3/4/2/2/3/1/4/3/2/0/2/4/1/3/5/0/3/2/2/2/3/4/2/2/3/2
/ 3 / 3 / 4 / 1 / 3 / 2 / 3 / 2 / 3 / 1 / 2.

SOLUTION
Population statistique : Les expériences

Unité statistique : Une expérience
Echantillon : 100 expériences
Caractère : Nombre de mortalité
Nature du caractère : Caractère quantitatif discret, mesurable, de stock
Modalités : 0;1;2;3;4;5
Tableau VI : Tableau de dénombrement des mortalités en lapins dans 100 expériences.

0 4 0,04 4 0,04
1 15 0,15 19 0,19
2 35 0,35 54 0,54
3 28 0,28 82 0,82
4 15 0,15 97 0,97
5 3 0,03 100 1
T 100 1 - -
44
104
84
Les expériences (Ni)
64
44
24
Figure 6 : Diagramme intégral des
4
0 1 2 3 4 5 expériences en fonction du nombre de
Les mortalités en lapins (xi)
lapins décédés.
a. La moyenne
m = [(0,04 x 0) + (0,15 x 1) + (0,35 x 2) + (0,28 x 3) + (0,15 x 4) + (0,03 x 5)]
m =2,44 mortalités
b. Le mode
Mo=2 mortalités
c. La médiane
P = 50
Me = [x(50) + x(51) ] / 2
Me = (2 + 2) / 2
Me = 2 mortalités
a. La variance
‫ݏ‬² = 1/99 [4(0 – 2,44)² + 15(1– 2,44)² + 35(2 – 2,44)² + 28(3 – 2,44)² + 15(4 – 2,44)² +
3(5 – 2,44)²]
‫ܛ‬² = 0,66 mortalités
b. Ecart-type
‫ = ܛ‬0,81 mortalités
m > Me = Mo
45
EXERCICE N°7
Une insémination artificielle a été exercée sur cinquante vaches, après une période il a été
enregistré l’efficacité de ce dispositif par comptage du nombre de descendants. Les résultats
sont : 2 / 2 / 3 / 5 / 2 / 1 / 4 / 2 / 3 / 5 / 3 / 2 / 3 / 3 / 4 / 1 / 2 / 4 / 2 / 2 / 4 / 2 / 3 / 2 / 3 / 3 / 2 / 2
/ 4 / 2 / 1 / 4 / 2 / 3 / 2 / 2 / 3 / 1 / 3 / 3 / 2 / 3 / 2 / 2 / 3 / 4 / 3 / 2 / 3 / 2.

SOLUTION
Population statistique : Les vaches

Unité statistique : Une vache
Echantillon : 50 vaches
Caractère : Nombre de descendants
Nature du caractère : Caractère quantitatif discret, mesurable, de stock
Modalités : 1;2;3;4;5
Tableau VII : Tableau de dénombrement des descendances de 50 vaches.

1 4 0,08 4 0,08
2 21 0,42 25 0,50
3 16 0,32 41 0,82
4 7 0,14 48 0,96
5 2 0,04 50 1
T 50 1 - -
46
58
52
46
40
Les vaches (Ni)
34
28
22
16
10
4
1 2 3 4 5
Figure 7 : Diagramme intégral des vaches
Bombre de descendance (xi) en fonction du nombre de descendants.
a. La moyenne
m = [(0,08 x 1) + (0,42 x 2) + (0,32 x 3) + (0,14 x 4) + (0,04 x 5)]
m = 2,64 vaches
b. Le mode
Mo=2 vaches
c. La médiane
P = 25
Me = [x(25) + x(26) ] / 2
Me = (2 + 3) / 2
Me = 2,5 vaches
a. La variance
‫ݏ‬² = 1/49 [4(1 – 2,64)² + 21 (2– 2,64)² + 16(3 – 2,64)² + 7(4 – 2,64)² + 2(5 – 2,64)²]
࢙² = 0,92 vaches
b. Ecart-type
࢙ = 0,95 vaches
m > Me > Mo
47
EXERCICE N°8
La TSHus (Thyréostimuline Hormone) est une hormone sécrétée au niveau de la glande

thyroïdienne par l’hypothalamus. Stimulant ainsi, à ce niveau, la production de deux autres
hormones de base ; T3 (Triiodthyronine) et T4 (Thyroxine). Le bon fonctionnement de la
glande, qui repose sur l’ensemble des hormones, assure une régulation efficace du
métabolisme en générale. Par contre, le dysfonctionnement de la glande engendre plusieurs
maladies : Hyperthyroïdie, Hypothyroïdie, Le nodule et Le goitre… Pour cela, Un biochimiste
s’est intéressé aux résultats des bilans, effectués à une clinique privée, des patients, les
résultats sont les suivants :
Patients Âge [TSHus] (µUI/ml) Normes (µUI/ml) *Diagnostic Iaire

Patient 1 30 0,15 0.35 – 4.94 A
Patient 2 29 0,10 A
Patient 3 21 0,23 A
Patient 4 33 0,50 B
Patient 5 25 1,20 B
Patient 6 58 60,50 A
Patient 7 43 1,40 B
Patient 10 19 3,48 B
Patient 15 19 61,54 A
*A = Dysfonctionnement de la glande, B= Bon fonctionnement de la glande.
1. Faites ressortir les notions de base.

2. Donner le tableau statistique avec le calcul des cumuls croissants des effectifs et des
fréquences.
3. Calculer les paramètres de position.
4. Calculer la variance, l’étendu interquartile, l’intervalle semi-interquartile et le
coefficient interquatile relatif.
5. Précisez la forme de la distribution de la série par l’utilisation des trois démarches :
paramètres de position, coefficients d’asymétrie et d’aplatissement.
48
SOLUTION
1. Les notions de base
Dans cette problématique il existe trois variables différentes :
Population statistique : Les patients

Unité statistique : Un patient
Echantillon : 15 patients
VARIABLE 1
Caractère : Age
Nature du caractère : Caractère quantitatif continu, mesurable, d’intensité
Modalités : 5 classes (voir tableau ci-après)
VARIABLE 2
Caractère : La quantité de la TSHus (Thyréostimuline Hormone)

Nature du caractère : Caractère quantitatif continu, mesurable, d’intensité
Modalités : 5 classes –voir tableau ci-après)
VARIABLE 3
Caractère : Etat de la glande

Nature du caractère : Caractère qualitatif ordinal
Modalités : A, B
Nombre de classe : k = 1 + 3,3 Log 15 = 4,88
k = 5 classes
VARIABLE 1
Amplitude : a = (58 – 19) / 5 = 7,8
a = 8 ans
Tableau VIII : Tableau des classes d’âges des patients étudiés.

Classes ci ni fi Ni↑ Fi ↑
[19 - 27 [ 23 8 0,53 8 0,53
[27 - 35 [ 31 3 0,20 11 0,73
[35 - 43 [ 39 1 0,07 12 0,80
[43 - 51 [ 47 2 0,13 14 0,93
[51 - 59 [ 55 1 0,07 15 1
T - 15 1 - -
49
VARIABLE 2
Amplitude : a = (72,5 – 0,1) / 5 = 14,48
a = 14,48 µUl/ml
Tableau IX : Tableau des classes de la quantité en TSHus des patients étudiés.

Classe ci ni fi Ni↑ Fi ↑
[0,1 – 14,58 [ 7,34 11 0,73 11 0,73
[14,58 – 29,06 [ 21,82 0 0 11 0,73
[29,06 – 43,58[ 36,3 0 0 11 0,73
[43,58 – 58,02[ 50,78 0 0 11 0,73
[58,02 – 72,5] 65,26 4 0,27 15 1
T - 15 1 - -
VARIABLE 3
Tableau X : Tableau des diagnostics de la glande thyroïdienne.

A 9 0,6 9 0,6
B 6 0,4 15 1
T 15 1 - -
VARIABLE 1
a. La moyenne
m = 1/15 [(8 x 23) + (3 x 31) + (1 x 39) + (2 x 47) + (1 x 55)]
m = 31 ans
b. Le mode
Approche 1
Mo = 23 ans
La classe modale est [19 – 27[ ans
Approche 2
Mo = 19 + 8 [8 / (8 + 5)] = 19 + (8 x 0,61)
Mo = 23,88 ans
50
c. La médiane
Approche 1
Me = 19 + 8 [(7,5 - 0) / (8 - 0)]
Me = 26,50 ans
Approche 2
Me = 19 + b
b = (7,5 x 8 ) / 8 = 7,5
Me = 26,50 ans
VARIABLE 2
a. La moyenne
m = 1/15 [(11 x 7,34) + (0 x 21,82) + (0 x 36,3) + (0 x 50,78) + (4 x 65,26)]
m = 22,78 µUl/ml
b. Le mode
Approche 1
Mo = 7,34 µUl/ml
La classe modale est [0,1 – 14,58[ µUl/ml
Approche 2
Mo = 0,1 + 14,48 [11 / (11 + 11)]
Mo = 7,34 µUl/ml
c. La médiane
Approche 1
Me = 0,1 + 14,48 [(7,5 - 0) / (11 - 0)]

Me = 9,97 µUl/ml
Approche 2
Me = 0,1 + b
b = (7,5 x 14,48) / 11 = 9,87
Me = 9,97 µUl/ml
51
VARIABLE 1
a. La variance
‫ݏ‬² = 1/14 [8 (23 – 31)² + 3 (31– 31)² + 1 (39 – 31)² + 2 (47 – 31)² + 1 (55 – 31)²]
࢙² = 118,85 ans
b. Ecart-type
࢙= 10,90 ans
c. Etendu interquartile
Q1 ?
Approche 1
Q1 = 19 + 8 [(3,75 - 0) / (8 - 0)]
Q1 = 22,75 ans
Approche 2
Q1 = 19 + b
b = (3,75 x 8 ) / 8 = 3,75
Q1 = 22,75 ans
Q3 ?
Approche 1
Q3= 35 + 8 [(11,25 - 11) / (12 - 11)]

Q3 = 37 ans
Approche 2
Q3 = 35 + b
b = (0,25 x 8 ) / 1 = 2
Q3 = 37 ans
Iq = 37 – 22,75
Iq = 14,25 ans
d. L'intervalle semi-interquartile
Q = 14,25 / 2
52
Q = 7,12 ans
e. Le coefficient interquartile relatif
CIQ = 14,25 / 26,50
CIQ = 0,53
VARIABLE 2
a. La variance
‫ݏ‬² = 1/14 [11 (7,34 – 22,78)² + 0 (21,83– 22,78)² + 0 (36,3 – 22,78)² + 0 (50,78 –
22,78)² + 4 (65,26 – 22,78)²]
࢙² = 702,88 µUl/ml
b. Ecart-type
࢙ = 26,51 µUl/ml
c. Etendu interquartile
Q1 ?
Approche 1
Q1 = 0,1 + 14,48 [(3,75 - 0) / (11 - 0)]
Q1 = 5,03 µUl/ml
Approche 2
Me = 0,1 + b
b = (3,75 x 14,48 ) / 11 = 4,93
Q1 = 5,03 µUl/ml
Q3 ?
Approche 1
Q3 = 43,58 + 14,48 [(11,25 - 11) / (15 - 11)]
Q3 = 44,48 µUl/ml
Approche 2
Q3 = 43,58 + b
b = (0,25 x 14,48 ) / 4 = 0,90
53
Q3 = 44,48 µUl/ml
Iq = 44,48 – 5,03
Iq = 49,51 µUl/ml
d. L'intervalle semi-interquartile
Q = 49,51 / 2
Q = 24,75 µUl/ml
e. Le coefficient interquartile relatif
CIQ = 49,51 / 9,97
CIQ = 4,96
VARIABLE 1
a. Par la comparaison des paramètres de position
m > Me > Mo
b. Par le calcul du coefficient d’asymétrie
S = m3 / ‫ݏ‬3
m3 = 1/15 [8 (23 – 31)3 + 3 (31– 31) 3 + 1 (39 – 31) 3 + 2 (47 – 31) 3 + 1 (55 – 31) 3] =
1228,8 ans
‫ݏ‬3 = (10,90)3 = 1295,02 ans
S =0,94
S est positif, alors la distribution étalée à droite.
c. Par le calcul du coefficient d’aplatissement
K = m4 / s4
m4 = 1/15 [8 (23 – 31)4 + 3 (31– 31) 4 + 1 (39 – 31) 4 + 2 (47 – 31) 4 + 1 (55 – 31) ] =
33314,13 ans
‫ݏ‬4 = (10,90)4 = 14115,81 ans
K = 2,36
54
K’ = -0,64
K’ < 0, donc les queues comptent moins d'observations que dans une distribution
normale.
VARIABLE 2
d. Par comparaison des paramètres de tendance centrale
m > Me > Mo
e. Par le calcul du coefficient d’asymétrie
S = m3 / s3
m3 = 1 / 15 [11 (7,34 – 22,78)3 + 0 (21,83– 22,78) 3 + 0 (36,3 – 22,78) 3 + 0 (50,78 –

22,78) 3 + 4 (65,26 – 22,78) 3] = 17742,69 µUl/ml
s3 = (26,51)3 = 18630,70 µUl/ml
S = 0,95
S est positif, alors la distribution étalée à droite.
f. Par le calcul du coefficient d’aplatissement
K = m4 / ‫ݏ‬4
m4 = 1 / 15 [11 (7,34 – 22,78)4 + 0 (21,83– 22,78) 4 + 0 (36,3 – 22,78) 4 + 0 (50,78 –

22,78) 4 + 4 (65,26 – 22,78) 4] = 910050,34 µUl/ml
s4 = (26,51)4 = 493899,86 µUl/ml
K = 1,84
K’ = - 1,16
K’ < 0, donc les queues comptent moins d'observations que dans une distribution
normale.
Remarque
VARIABLE 3 : Puisque les modalités sont exprimées en qualité alors la description

numérique n’est pas possible.
55
EXERCICE N°9
Dans une étude sur les malformations morphologiques des poissons d’eau douce suite à leur
exposition à la pollution, il a été analysé 33 individus. Les résultats obtenus sont ainsi :
Anomalies 2 4 5 8 10 11 12 14 15 18 20
Effectifs 1 2 1 4 2 7 6 3 4 2 1
1. Déterminer l’étendue et le mode de cette série.

2. Construire un tableau donnant les effectifs cumulés, les fréquences et les fréquences
cumulées.
3. Calculer la moyenne de cette série.
4. Déterminer la médiane de cette série.
5. Quel est le nombre de poissons ayant un nombre d’anomalie strictement inférieur à 8 ?
6. Quel est le pourcentage de poissons ayant un nombre d’anomalie supérieur ou égal à
10 ?
SOLUTION
1. Etendue et mode
a. Etendue
E = 20 - 2= 18
E = 18 anomalies
b. Le mode
Mo = 11 anomalies
Tableau XI : Tableau des effectis et des fréquences des anomalies relatives aux 33 poissons
analysés.
xi 2 4 5 8 10 11 12 14 15 18 20 T
ni 1 2 1 4 2 7 6 3 4 2 1 33
fi 0,03 0,06 0,03 0,12 0,06 0,22 0,18 0,09 0,12 0,06 0,03 1
Ni↑ 1 3 4 8 10 17 23 26 30 32 33 -
Fi↑ 0,03 0,09 0,12 0,24 0,30 0,52 0,70 0,79 0,91 0,97 1 -
3. La moyenne
m = 1/33 [(1 x 2) + (2 x 4) + (1 x 5) + (4 x 8) + (2 x 10) + (7 x 11) + (6 x 12) + (3 x 14) +

(4 x 15) + (2 x 18) + (1 x 20)]
m= 11,33 anomalies
56
4. La médiane
P = 16
Me = x(17)
Me = 11 anomalies
5. D’après le tableau des effectifs cumulés croissants, il y a 4 poissons qui ont un nombre
d’anomalie strictement inférieur à 8.
6. Toujours d’après le tableau, 8 poissons sur 33 ont un nombre d’anomalie strictement

inférieur à 8, donc :
33 – 8 = 25 poissons ont un nombre d’anomalie supérieur ou égal à 10.
Soit un pourcentage égal à :

%tage = (25 / 33) * 100 = 75,75 %
EXERCICE N°10
On prélève 20 poulets dans un élevage et on mesure le taux de dioxine (µg/l) contenu dans
leur viande afin d'estimer le taux moyen pour tout l'élevage. Les résultats sont donnés dans le
tableau ci-dessous :
Poulets 1 2 3 4 5 6 7 8 9 10
Taux 0,34 0,23 0,11 0,42 0,22 0,33 0,16 0,12 0,11 0,21
Poulets 11 12 13 14 15 16 17 18 19 20
Taux 0,14 0,44 0,27 0,36 0,43 0,38 0,34 0,22 0,32 0,11

2. Calculer les effectifs cumulatifs croissants et les fréquences cumulatives croissantes.
SOLUTION
Nombre de classes k = 1 + 3,3 Log 20

k = 5 classes
Amplitude a = (0,44 – 0,11) / 5

a = 0,07 µg/l
57
Tableau XII : Tableau des classes de quantité en dioxine retrouvée chez 20 poulets.
Classe ci ni fi Ni↑ Fi ↑
[0,11 – 0,18 [ 0,145 6 0,3 6 0,3
[0,18 – 0,25 [ 0,215 4 0,2 10 0,5
[0,25 – 0,32[ 0,285 1 0,05 11 0,55
[0,32 – 0,39[ 0,355 6 0,3 17 0,85
[0,39 – 0,46] 0,425 3 0,15 20 1
T - 20 1 - -
2. Les effectifs croissants et les fréquences croissantes sont donnés dans le tableau ci-
dessus.
3. Les paramètres de position
a. La moyenne
m = 1/20 [(6 x 0,145) + (4 x 0,215) + (1 x 0,285) + (6 x 0,335) + (3 x 0,425)]
m = 0,271 µg/l
b. Le mode
C’est une série statistique bimodale
Approche 1
Mo1 = 0,145 µg/l
Mo2 = 0,355 µg/l
La classe modale 1 est [0,11 – 0,18[ µg/l
La classe modale 2 est [0,32 – 0,39[ µg/l
Approche 2
Mo1 = 0,11 + 0,07 [6 / (6 + 2)] = 0,11 + (0,07 x 0,75)
Mo1 = 0,162 µg/l
Mo2 = 0,32 + 0,07 [5 / (5 + 3)] = 0,32 + (0,07 x 0,625)

Mo2 = 0,363 µg/l
Remarque
Cette méthode (approche 2) est appelée méthode de calcul approché cela explique alors la
différence entre les résultats obtenus par les deux approches.
c. La médiane
Approche 1
Me = 0,18 + 0,07 [(10 - 6) / (10 - 6)]
Me = 0,25 µg/l
Approche 2
Me = 0,18 + b
b = (10 x 0,07) / 10 = 0,07
58
Me = 0,25 µg/l
4. Les paramètres de dispersion
a. La variance
‫ݏ‬² = 1/19 [6 (0,145 – 0,271)² + 4 (0,215 - 0,271)² + 1 (0,285 - 0,271)² + 6 (0,335 - 0,271)²
+ 3 (0,425 - 0,271)²]
࢙² = 0,011 µg/l
b. Ecart-type
࢙ = 0, 10 µg/l
EXERCICE N°11
Des agriculteurs ont inventorié le nombre de terrains cultivés dans un village à Chemini,
suivant la surface en m2. Les résultats sont ainsi :
Surface [400, 800[ [800, 1000[ [1000, 2500]
Effectif 2613 928 3379
1. Déterminer la surface moyenne m d’après ce regroupement en classes.

2. Sachant que la surface totale de répartition est de 6739000 m², calculer la surface
moyenne d’un terrain cultivé. Comparer avec la valeur obtenue à la question 1.
SOLUTION
1. Calcul de la surface moyenne
Tableau XIII : Tableau du nombre de terrains cultivés en fonction des centres de classe des
surfaces en m².
ci 600 900 1750
ni 2613 928 3379
m = 1/6920 [(2613 x 600) + (928 x 900) + (3379 x 1750)]

m = 1201,77 m²
2. Il y a au total :
2613+928+3379=6920 terrains cultivés
Si la surface totale de répartition est de 6739000 m2 , la surface moyenne d’une terrain cultivé
est égale à
6739000/6920 = 973.84 m²
Cette dernière valeur est bien inférieure à celle obtenue à la question 1.
59
EXERCICE N°12
Une compétition entre étudiants, à l’université de Béjaïa, a été organisée avec des gains en
points. Le tableau ci-dessous résume les points perçus par les étudiants :
Points 100 200 300 400 500 600 700 800 900 1000
Etudiants 2 1 1 3 2 2 3 5 0 1
1. Calculer le nombre total d’étudiants.

2. Calculer le nombre moyen en points.
3. Calculer la médiane et les quartiles de cette série statistique, et déterminer l’étendu et le
coefficient interquartile.
4. Calculer l’écart type de la série
5. L’université de Béjaïa envisage une augmentation des points.
a. La première hypothèse envisagée consiste à augmenter tous les gains de 217 points.
Dans ce cas, comment varient la moyenne ; l’écart-type et la médiane ?
b. La deuxième hypothèse envisagée consiste à multiplier tous les gains par 1,2. Dans
ce cas, comment varient la moyenne ; l’écart type et la médiane ?
SOLUTION
1. Le nombre d’étudiants à la compétition est égal à :
n = 2+1+1+3+2+2+3+5+0+1=20
n = 20 étudiants
2. La moyenne
m = 1/20 [(2 x 100) + (1 x 200) + (1 x 300) + (3 x 400) + (2 x 500) + (2 x 600) + (3 x
700) + (5 x 800) + (0 x 900) + (1 x 1000)]
m = 560 points
3. La médiane, les quartiles, l’étendue interquartile, le coefficient interquartile
a. La médiane
P = 10
Me = [x(10) + x(11) ] / 2
Me = (600 + 600) / 2
Me = 600 points
60
b. Les quartiles
Q1 ?
P=5
Q1 = [x(5) + x(6) ] / 2
Q1 = (400 + 400) / 2
Q1 = 400 points
Q3 ?
P = 15
Q3 = [x(15) + x(16) ] / 2
Q3 = (800 + 800) / 2
Q3 = 800 points
c. L’étendue interquartile
Iq = Q3 – Q1 = 800 – 400
Iq = 400 points
d. Le coefficient interquartile
Q = Iq / Me = 400 / 600 (Me = Q2)

Q = 0,66
4. L’écart-type
a. Variance
‫ݏ‬² = 1/19 [2 (100 - 560)² + 1 (200 - 560)² + 1 (300 - 560)² + 3 (400 - 560)² + 2 (500 -
560)² + 2 (600 - 560)² + 3 (700 - 560)² + 5 (800 - 560)² + 0 (900 - 560)² + 1 (1000 -
560)²]
࢙² = 65684,21 points
b. Ecart-type
࢙= 256,28 points
5. L’université de Béjaïa envisage une augmentation des points.
a. Hypothèse 1
 La moyenne
Elle augmente également avec 217 points, et devient donc :

m = 560+217
m = 777 points
61
 L’écart-type
Il est inchangé car la dispersion des valeurs autour de la moyenne n’est pas modifiée par cette
augmentation.
 La médiane
Elle se trouve également augmentée de 217 points, et devient :

Me = 600+217
Me = 817 points
b. Hypothèse 2
 La moyenne
Elle est également multipliée par 1,2 et devient :

m = 560× 1,2
m = 672 points
 L’écart-type
Il est également multiplié par 1,2 et devient

s =256,28 × 1, 2
s = 307,53 points
 La médiane
Elle s’en trouve également multipliée par 1,2 et devient

Me = 600×1,2
Me = 720 points
EXERCICE N°13
Un contrôle de mortalité a été effectué pendant 100 jours d‘observation sur deux sites
d’élevage des crustacés destinés pour l’exportation. Certains individus présentent une
infestation parasitaire qui les rend inexploitables. On a relevé le nombre de spécimens infestés
constatés durant chaque jour :
Site 1 « El Kala »
Nombre de spécimens infestés 0 1 2 3 4 5 6 7
Nombres de jours 13 42 38 2 2 1 1 1
62
Site 2 « Annaba »
Nombres de spécimens infestés 0 1 2 3 4 5
Nombres de jours 35 40 1 1 10 13
1. Calculer le nombre moyen m1 de spécimens infestés pendant les 100 jours observés
dans le premier site. Calculer ensuite la variance ‫ݏ‬²1.
2. Calculer le nombre moyen m2 de spécimens infestés pendant les 100 jours observés
dans le site 2. Calculer ensuite la variance ‫ݏ‬²2.
3. Déterminer la médiane puis l’étendue interquartile dans le cas 1. Calculer l’étendue.
4. Déterminer la médiane puis l’étendue interquartile dans le cas 2. Calculer l’étendue.
5. Parmi la moyenne, l’écart type, la médiane, l’étendue interquartile ou l’étendue, quels
sont les paramètres qui mesurent la dispersion ?
6. Quel(s) paramètre(s) semble(nt) le(s) plus intéressant(s) à exploiter pour comparer ces
deux sites ? Justifier.
SOLUTION
1. La moyenne et la variance dans le cas 1
a. La moyenne
m1 = 1/100 [(13 × 0) + (42 × 1) + (38 × 2) + (2 × 3) + (2 × 4) + (1 × 5) + (1 × 6) + (1 × 7)]

m1 = 1.5 spécimens
b. La variance
‫ݏ‬²1 = 1/99 [13(0 – 1,5)² + 42 (1 – 1,5)² + 38 (2 – 1,5)² + 2 (3 – 1,5)² + 2 (4 – 1,5)² + 1 (5 –

1,5)² + 1 (6 – 1,5)² + 1 (7 – 1,5)²]
࢙²1 = 1.30 spécimens
2. La moyenne et la variance dans le cas 2
a. La moyenne
m2 = 1/100 [(35 × 0) + (40 × 1) + (1 × 2) + (1 × 3) + (10 × 4) + (13 × 5)]
m2 = 1.5 spécimens
c. La variance
‫ݏ‬²2 = 1/99 [35(0 – 1,5)² + 40 (1 – 1,5)² + 1 (2 – 1,5)² + 1 (3 – 1,5)² + 10 (4 – 1,5)² + 13 (5 –

1,5)²]
63
࢙²2 = 3,16 spécimens
3. La médiane, l’étendue interquartile et l’étendue dans le cas 1
a. La médiane
P1 = 50
Me1 = [x(50) + x(51) ] / 2
Me1 = (1 + 1) / 2
Me1 = 1 spécimen
b. L’étendue interquartile
Q1
P1 = 25
Q1 = [x(25) + x(26) ] / 2
Q1 = (1 + 1) / 2
Q1 = 1 spécimen
Q3
P1 = 75
Q3 = [x(75) + x(76) ] / 2
Q3 = (2 + 2) / 2
Q3 = 2 spécimens
Iq1= Q3 – Q1 = 2 – 1
Iq1 = 1 spécimen
c. Etendue
E1 = 7 – 0
E1 = 7 spécimens
4. La médiane, l’étendue interquartile et l’étendu dans le cas 1
a. La médiane
P2 = 50
Me2= [x(50) + x(51) ] / 2
Me2 = (1 + 1) / 2
Me2 = 1 spécimen
b. L’étendue interquartile
Q1
P2 = 25
Q1 = [x(25) + x(26) ] / 2
Q1 = (0 + 0) / 2
Q1 = 0 spécimen
Q3
P2 = 75
Q3 = [x(75) + x(76) ] / 2
Q3 = (1 + 2) / 2
Q3 = 1,5 spécimens
64
Iq2= Q3 – Q1 = 1,5 – 1
Iq2 = 0,5 spécimen
c. Etendue
E2 = 5 – 0
E2 = 5 spécimens
5. Les paramètres qui mesurent la dispersion sont l’écart type et l’étendue interquartile.
Plus ils sont petits, et plus la série est regroupée. Plus ils sont grands, et plus la série
est dispersée.
6. Dans le cas des deux sites ci-dessus, puisque leurs moyennes sont identiques, les
variances (et donc les écarts-types qui en sont leurs racines carrées) nous indique que
les valeurs du site 2 sont plus dispersées que celles du site 2. Il en est de même de
l’étendue interquartile. Le site 1 semble donc plus homogène que le site 2.
65
BIBLIOGRAPHIE
BIBLIOGRAPHIE
Abrougui M., 2008: Biostatistique 1: Cours et Activités.. ISEFC, Département Biologie –

Géologie SN101/1, 96p.
Aragon Y., 2016: Rappels de statistique mathématique ». Polycopié de cours, Université

Toulouse, 9p.
Ayache A., Hamonier J ., 2014: Cours de statistique descriptive. http://math.univ-

lille1.fr/~ayache/cours_sd.pdf, 39 p.
Baccini A., 2010: Statistique descriptive élémentaire. Publications de l'Institut de

Mathématiques de Toulouse, 40p.
Bailly-Bechet M., 2006 : Biostatistiques: Licence 2. Université Claude Bernard Lyon I,

France, 90p.
Balan R., Lamothe G., 2012: Une introduction à la biostatistique. Publication D3489, ISBN
978-2-7605-3489-6, 292p.
Basirat A., 2009: Initiation aux statistiques descriptives. Cours, 16p.
Bressoud E., Kahané J.-C., 2010: Statistique descriptive. 2ème Ed. Pearson France, 35p.
Carrat F., Mallet A., Morice V., 2014: Biostatistique. Université Pierre et Marie Curie,
Paces - UE4, 179p.
Carricano M., Poujol F., Bertrandias L., 2010: Analyse de Données avec SPSS». 2ème
Ed. Pearson France, 28 p.
Castillo I., 2012: Statistique descriptive. Cours 1, École des Ponts: 44p.
Chassagnon A., 2010: Introduction à l'analyse statistique: Paramètres de dispersion d'une

distribution. Cours L3 LISS - Université Paris-Dauphine, LEDa-SDFi, 23p.
Chaumont L., 2010-2011: Statistique descriptive et prévision. Cours: 39p.
Colin M., Payette G., 2004: Biostatistiques pour les techniques biologiques. 3ème Ed.,
Montréal, Québec, 245p.
Dakhmouche M., 2011 « Introduction à la Statistique Descriptive ». Ecole Préparatoire en

Sciences Economiques Commerciales et des Sciences de Gestion de Constantine, 98p.
66
Delignette-Muller M.L., 2008: Biostatistique. Ecole Nationale Vétérinaire de Lyon ENVL,
89p.
De Sede-Marceau M.-H., 2010-2011: De la donnée à la connaissance: traitement, analyse et

transmission: Introduction à la statistique descriptive. Élément 424b, Master AGPS, CTU:
126p
Desgraupes B., 2017: Statistiques descriptives: Indicateurs de forme et de concentration.

Université Paris Ouest Nanterre La Défense, U.F.R. Segmi, L1 Économie, 21p.
El Kacimi A., 1983-1984 : Elément de statistique descriptive. Edition Maghrébines,

collection arabisation et connaissance, Université de Lille III: 117p.
Foucan L., 2011: Probabilités et Statistiques. Paes, http://www.univ-

ag.fr/modules/module_documents/get-
document/default/UFR_Medecine/PACES_cours_UE4/UE4_STATISTIQUES_02_Probabilite
s_et_Statistiques_2011_2012.pdf, 49p.
Grenier E., Goupy J., Aubert H. P., 2007: Quelle est la bonne formule de l’écart-type ?.
Reims Management School, Revue MODULAD N°37, pp: 102-105.
Guérin H. 2001: Introduction à la statistique descriptive. Université Rennes 1,

https://perso.univ-rennes1.fr/helene.guerin/enseignement/capes/statdes01.pdf
Huber C. : Cours de Biostatistique et Modélisation. Université Paris V, René Descartes, UFR

Biomédicale: 142p.
Lenoir J. P.: Chapitre 1: statistique descriptive. Fiifo 3, probabilités – statistiques,

https://www.math.u-psud.fr/~pansu/web_ifips/statistique_descriptive_ch1.pdf, 14 p.
Long D.: La variance. Université de Moncton, Canada E1A 3E9, pp: 858-488.
Meyer N., 2010: Biostatistiques: Biostatistique – Introduction. Laboratoire de Biostatistique

et Informatique Médicale, Fac. de Médecine de Strasbourg, 64p.
Mzali H., 2013: Statistique et calcul de probabilité. Cours de l’Ecole Nationale de

l’Administration, Tunis, 98p.
Noel P., 2006 : Statistiques descriptive. http://amphimaths.chez-

alice.fr/N1/stats_desc_poly.pdf, 57p.
Poirrier J. E., 2006: Notes de cours de Statistiques univari´ees http://www.poirrier.be/~jean-

etienne/notes/statistiques_univariees.pdf, 19p.
67
Putois B., 2009: Statistique descriptive: décrire, synthétiser, mettre en forme vos données.
Statistica, Psychologie Niv L3‐03, 12p.
Rakotomalala R., 2011: Tests de normalité: Techniques empiriques et tests statistiques.

Université Lumière Lyon 2, 59p.
Scherrer B., 1984 « Biostatistique ». Ed. Gaëtan Morin, 841p.
Some S. A., 2005: Statistique: Les distributions à un caractère / Quelques applications à

l'économie burkinabè. Série documents de travail, DT–CAPES N° 2005-22, 50p.
Tillé Y., 2010: Résumé du Cours de Statistique Descriptive.

https://www.unine.ch/files/live/sites/statistics/files/shared/documents/cours_statistique_descri
ptive.pdf, 172p.
Tugaut J.: Probabilités, Variance, Ecart-type.

http://tugaut.perso.math.cnrs.fr/pdf/enseignement/2014/PFI/CM06.pdf, 46p.
ANONYMES
: Cours 2: rappels de statistique descriptive. http://iml.univ-mrs.fr/~reboul/cours2.pdf, 48 p.
: Partie 1: statistique descriptive / Chapitre 1: collecte de l’information, tableaux et

graphiques.
https://www.math.ubordeaux.fr/~pmagal100p/Licence%203%20SDV%202012/STAT_COURS
A.pdf, 33p.
: Statistique Descriptive. http://staps.univ-

lille2.fr/fileadmin/user_upload/ressources_peda/Licence/Licence_APAS/2009/stat_potdevin.p
df, 105p.
: Chapitre 4: Mesures de dispersion et mesure de forme. 3OCMath 2016,

http://www.gymomath.ch/javmath/polycopie/OC%20stat4.pdf, 22 p.
: Statistiques descriptives: Variance et écart type.

http://www.parfenoff.org/pdf/1re_ES/stat_proba/1re_ES_Moyenne_et_ecart_type.pdf, 6p
: Qu’est-ce que la biostatistique et pourquoi l’étudier ?.

http://homepages.ulb.ac.be/~cverhoev/STAT-I301/slides_intro_handout.pdf, 7p.
68

Statistique Univariee

Transféré par

Droits d'auteur :

Formats disponibles

Statistique Univariee

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Statistique Univariee

Transféré par

Droits d'auteur :

Formats disponibles

• Ministère de l’Enseignement Supérieur

• Faculté des Sciences de la Nature et de

• Laboratoire de Zoologie Appliquée et

Dr. DJOUDAD-KADJI Hafsa

1. Historique et définitions de la statistique…………………………………………………

3. Les notions de base de la statistique……………………………………………………….

4. La nature des caractères …………………………………………………………………..

4.1. Caractère qualitatif………………………………………………………………..

4.2. Caractère quantitatif……………………………………………………………… 12

4.3. Combinaisons de critères…………………………………………………………

4.4. Principe du nombre de classes…………………………………………………… 14

5.1.Tableau élémentaire (brut)…………………………………………………………..

5.2.Tableau de dénombrement ………………………………………………………….

5.3.Tableau de distribution des fréquences ……………………………………………..

6.1. Cas qualitatif ………………………………………………………………………. 19

7. Description numérique …………………………………………………………………….

7.1. Tendance centrale ou Paramètres de position………………………………………

7.2. Valeurs centrales et forme des distributions………………………………………..

7.3. Paramètres de dispersion absolue………………………………………………….. 31

7.4. Paramètres de dispersion relative………………………………………………... 33

7.5. Paramètres de dispersion absolue et valeurs centrales……………………………..

7.6. Les paramètres de forme …………………………………………………………... 35

8. Notion de loi normale……………………………………………………………………..

QUELQUES EXERCICES D’APPLICATION ET SOLUTIONS…………………………

De ce fait, la science de la Biostatistique englobe à la fois : (1) La conception des expériences

Ce document permet à l’étudiant de découvrir tout d’abord les différents vocabulaires de la

Le polycopié est structuré selon un enchainement logique de plusieurs sections, dont la

1. Historique et définitions de la statistique

A l'origine, cette discipline concernait exclusivement les affaires de l'Etat. Actuellement, on

La statistique est un ensemble de techniques d'interprétation mathématique appliquées à des

L’étude de la variabilité cherche à l’expliquer. Elle fait partie de la théorie de

Cette démarche a pour but de :

 Résumer et synthétiser l’information contenue dans la série statistique ;

Les Outils utilisés sont :

Le type d’outils utilisés dépend de :

 La nature de la série (uni ou multidimensionnelle) ;

Ce document est consacré à la présentation des outils et méthodes de la statistique descriptive

3. Les notions de base de la statistique

C’est une unité qui peut être :

 Un individu (êtres vivants) : humain, animal, végétal ... ;

C’est un ensemble d’éléments possédant au moins une caractéristique commune et exclusive

 Une population algérienne ;

 Etude de 20 étudiants pris à partir d’une population de 57.

C’est l’opération ou la méthode qui consiste à prélever une partie de la population

3.5. Inférence statistique

 Couleur des yeux ;

 Couleur des yeux : vert, bleu, noir ;

Plusieurs définitions sur les effectifs.

 L'effectif de la valeur xi est le nombre d'individus de la population ayant cette valeur

On va calculer les effectifs et les effectifs cumulés.

 Premièrement, les effectifs :

On continue ainsi et on forme le tableau suivant (Tableau I):

Tableau I : Les effectifs ni relatifs à chaque modalité xi (notes)

Tableau II : Les effectifs ni et Ni↑ relatifs à chaque modalité xi (notes)

Les fréquences sont comprises entre 0 et 1.

On reprend l'exemple précédent et on applique tout simplement la formule des fréquences

Tableau III : Les fréquences fi et Fi↑ relatives à chaque modalité xi (notes)

4. La nature des caractères

On distingue deux grandes familles de caractères :