Resume du Cours de Statistique Descriptive

Yves Tille18 janvier 2008

Ob jectif et moyens
Objectifs du cours Apprendre les principales techniques de statistique descriptive univari
ee et bivari
ee.
Etre capable de mettre en oeuvre ces techniquesere
de mani`
appropri
ee dans un contexte donn
e.
Etrecapable dutiliserles commandes debase duLanguage
R.
Pouvoir
appliquer les techniques de
statistiques descriptivesau moyen du language R.
ReferencesDo dge Y.(2003), Premiers pas en statistique, Springer.
Dro esb eke J.-J. (1997), Elements de statistique, Editions deelibre
lUniversit
de Bruxelles/Ellipses.

Moyens 2heuresde coursparsemaine. 2heuresde TPparsemaine, repartisenTP theoriquesetapplicati

Le language R Shareware : gratuit et installe en 10 minutes. Open source (on sait ce qui est ree

Table des mati`

eres
1 Variables,donneesstatistiques, tableaux, effectifs
1.1 Definitions fondamentales . . . ... . . . . . . . . . . . . . . . . . . .
1.1.1 Lascience statistique .. .. . . . . . . . . . . . . . . . . . . .
1.1.2 Mesure et variable .. .. .. ..
. . . . . . . . . . . . . . . . .
1.1.3 Typologie des variables .. .. ..
. . . . . . . . . . . . . . . .
1.1.4 Serie statistique. .. .. .. .. .. ..
. . . . . . . . . . . . . .
1.2 Variable qualitativenominale .. .. .. .. ..
. . . . . . . . . . . . .
1.2.1 Effectifs, frequenceset tableaustatistique.
. . . . . . . . . . .
1.2.2 Diagrammeensecteursetdiagrammeenbarres.. . . . . . . .
1.3 Variablequalitativeordinale . .. .. .. .. .. .. ...
. . . . . . . .
1.3.1 Letableau statistique .. .. .. .. .. .. .. ...
. . . . . .
1.3.2 Diagramme en secteurs .. .. .. .. .. .. .. ...
. . . . .
1.3.3 Diagramme en barres des effectifs. . . . . . . . . . . . .. . . .
1.3.4 Diagrammeenbarresdeseffectifscumules . . . . . . . . .. . .
1.4 Variablequantitative discr`ete .. .. .. .. .. .. .. .. .. .. ...
1.4.1 Letableau statistique .. .. .. .. .. .. .. .. .. .. .. ..
1.4.2 Diagramme en batonnets deseffectifs .. .. .. .. .. .. .. ...
1.4.3 Fonction derepartition .. .. .. .. .. .. .. .. .. .. .. .. ..
1.5 Variablequantitativecontinue . .. .. .. .. .. .. .. .. .. .. .. .. .. ..
1.5.1 Letableau statistique .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
1.5.2 Lhistogramme des effectifs .. .. .. .. .. .. .. .. .. .. .. .. .. ...
1.5.3 Lafonctionde repartition .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

5
5
5
5
5
6
6
6
7
7
7
9
10
10
11
11
12
12
12
12
14
15

2 Statistiquedescriptiveunivariee 17
2.1 Param`etresdeposition . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 17
2.1.1 Le mode . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 17
2.1.2 La moyenne . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 172.1.3 Remarques sur le signe de sommation
Letendue .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 242.2.2 La distance interquartile . .. .. .. .. .. .. .. .. .. ..
.. .. .. .. .. . 272.4.2 Coefficient dasymetrie de Yule .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 272.4.3 Coefficient dasy

2.5
2.6
2.7
2.8
2.9

Param`etre daplatissement (kurtosis).

. . . . .
Changementdorigine etdunit
e . . . . . . . .
Moyennes et variances dans des groupes
. . . .
Diagrammeentigesetfeuilles. . . . . . . . . .
La bote`a moustaches
. . . . . . . . . . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

28
29
29
31
31

3 Statistique descriptivebivari
ee
3.1 Seriestatistique bivari
ee. . . . . . . . . . . . . . . . . . .
3.2 Deuxvariablesquantitatives.. . . . . . . . . . . . . . . .
3.2.1 Representationgraphique dedeux variables
. . . .
3.2.2 Analyse des variables.. . . . . . . . . . . . . . . .
3.2.3 Covariance .. .. ..
. . . . . . . . . . . . . . . .
3.2.4 Correlation .. .. ...
. . . . . . . . . . . . . . .
3.2.5 Droite de regression .. .. . . . . . . . . . . . . .
3.2.6 Residuset valeursajustees.
. . . . . . . . . . . .
3.2.7 Sommes de carreset variances.
. . . . . . . . . .
3.2.8 Decomposition de la variance . .... . . . . . . .
3.3 Deux variablesqualitatives .. .. .. .. ..
. . . . . . .
3.3.1 Donnees observees . . . . . . . . . . .. . . . . . .
3.3.2 Tableau de contingence .. .. .. .. ...
. . . .
3.3.3 Tableau des frequences. .. .. .. .. .. ..
. . .
3.3.4 Profilslignesetprofilscolonnes . . . . . . . . ..
.
3.3.5 Effectifstheoriqueset khi-carre .. .. .. .. .. ..

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

35
35
35
35
36
36
37
37
41
41
42
43
43
44
44
45
46

4 Theoriedesindices,mesuresdinegalite 51
4.1 Nombres indices . . . . . . . . . . . . . . . . . . . . . . . . . . ..
. . . . . . . . . . . . . . . 51
4.2 Definition .. .. .. .. .. .. .. .. .. . .. .. .. .. .. .. ..
. . . . . . . . . . . . . . 51
4.2.1 Proprietesdes indices .. .. .. .. .. .. .. .. .. .. .. ..
. . . . . . . . . . . . 52
4.2.2 Indices synthetiques . . . . . . . . . . . . . . . . . . . . . . . . . ..
. . . . . . . . . . 52
4.2.3 Indice de Laspeyres .. .. .. .. .. .. .. .. .. .. .. .. .. ..
. . . . . . . . . 52
4.2.4 Indice de Paasche. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ...
. . . . . . . 53
4.2.5 Lindice de Fisher .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
. . . . . . 53
4.2.6 Lindice de Sidgwick .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ...
. . . . 54
4.2.7 Indices chanes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
. . . 54
4.3 Mesuresde linegalite .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ...
. 54
4.3.1 Intro duction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
54
4.3.2 Courbe de Lorenz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.3.3 Indice de Gini. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 56
4.3.4 Indice de Hoover .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 564.3.5 Quintile et Decile share ratio .. .. .. .. .. ..
Exemples .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 595.2 Description de la tendance . .. .. .. .. .. .. .. .. .. .. .. ..
ecalage .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 665.3.2 Operateur difference .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..

5.3.3 Diff
erence saisonni`
ere . . . . . . . . . . . . . .
5.4 Filtres lineaireset moyennes mobiles
. . . . . . . . . .
5.4.1 Filtres lin
eaires. . . . . . . . . . . . . . . . . .
5.4.2 Moyennesmobiles : efinition.
d
. . . . . . . . .
5.4.3 Moyenne mobile et composante saisonni`
ere . .
5.5 Moyennesmobiles particuli`
eres . . . . . . . . . . . . .
5.5.1 Moyenne mobile de Van Hann.
. . . . . . . . .
5.5.2 Moyenne mobile de Spencer.
. . . . . . . . . .
5.5.3 Moyennemobilede Henderson. . . . . . . . .
5.5.4 Medianes mobiles.
. . . . . . . . . . . . . . . .
5.6 Desaisonnalisation .. .. . . . . . . . . . . . . . . . .
5.6.1 Methode additive . ... . . . . . . . . . . . . .
5.6.2 Methode multiplicative.. . . . . . . . . . . .
5.7 Lissage exponentiel . . . . . . . .. . . . . . . . . . . .
5.7.1 Lissage exponentiel simple ... . . . . . . . . .
5.7.2 Lissage exponentiel double . . ... . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

67
69
69
70
70
71
71
71
71
72
72
72
73
73
73
76

6 Calcul des probabilites et variablesaleatoires

83
6.1 Probabilites .. .. .. .. .. .. .. .. .. ..
. . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.1.1 Evenement .. .. .. .. .. .. . .. ...
. . . . . . . . . . . . . . . . . . . . . . . . 83
6.1.2 Operations sur lesevenements .. .. .. .. . . . . . . . . . . . . . . . . . . . . . . . 83
6.1.3 Relations entre lesevenements .. .. .. .. .. . . . . . . . . . . . . . . . . . . . . . 84
6.1.4 Ensembledes parties dun ensembleet syst`eme complet
. . . . . . . . . . . . . . . . . 84
6.1.5 Axiomatique des Probabilites .. .. .. .. .. .. ..
. . . . . . . . . . . . . . . . . . 84
6.1.6 Probabilites conditionnelles et independance .. .. .... . . . . . . . . . . . . . . . 87
6.1.7 Theor`emedes probabilites totales et theor`eme de. Bayes
. . . . ... . . . . . . . . . 87
6.2 Analyse combinatoire . . . . . . . . . . . . . . . . . . . . . . . . . ..
. . . . . . . . . . . . . 88
6.2.1 Intro duction . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
. . . . . . . . . . . . 88
6.2.2 Permutations (sansrepetition) .. .. .. .. .. .. .. .. .. ...
. . . . . . . . . . 88
6.2.3 Permutations avecrepetition .. .. .. .. .. .. .. .. .. .. ...
. . . . . . . . . 89
6.2.4 Arrangements(sans repetition) .. .. .. .. .. .. .. .. .. .. .. ..
. . . . . . . 89
6.2.5 Combinaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
. . . . . . 89
6.3 Variablesaleatoires . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ...
. . . . 90
6.3.1 Definition .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ...
. . 90
6.4 Variables aleatoires discr`etes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
. 90
6.4.1 Definition,esperanceet variance .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 90
6.4.2 Variableindicatriceoubernoullienne .. .. .. .. .. .. .. .. .. .. .. .. .. .. 91
6.4.3 Variablebinomiale .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 916.4.4 VariabledePoisson .. .. .. .. .. .. .. .. .. .. .. .
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 996.6.1 Cascontinu .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 996.6.2 Inde
ee .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 1047 Tables statistiques 1074

Chapitre1

Variables, donn
ees statistiques,
tableaux, effectifs

1.1 Definitions fondamentales 1.1.1 La science statistique Methodescientifiq

Etymologiquement: science de letat. La statistique sapplique `a la plupart des disciplines : agronom

biologie,d
emographie,
economie,
sociologie,linguistique,psychologie,...1.1.2 Mesure et variable On sinteresse `a des unites statis

des entreprises, des menages. En sciences humaines,on sinteresse dans la plupart des cas `a un nombrefin
dunites. Sur ces unites, on mesure un caract`ere ou une variable , le chiffre daffaires de lentreprise,
le revenu
du menage, lage de la p ersonne, la categorie so cio-professionnelle dune personne. On suppose q
variable prend toujours une seule valeur sur chaque unite. Les variables sont designees
e par simplici
par une lettre (X,Y,Z). Les valeurs possibles de la variable, sont appelees modalites. Lensemble des vale
fait de pouvoir ou non ordonner les modalites est parfois discutable. Par exemple :dans les categories soc
Une variable est dite continue, si lensemble des valeurs possibles estcontinu.Remarque 1.1 Ces definitio

Exemple 1.1 Les modalit

es de la variable sexe sont masculine(co
M)et
dfeminin (coeF).
d Le domaine
de la variable est {M , F }.
Exemple 1.2 Les modalit
es de la variable nombre denfants par famille sont 0,1,2,3,4,5,....
Cest une variable quantitative discr`
ete.

1.1.4 Serie statistique

On app elle serie statistique la suite des valeurs prises par une variable Xes
sur
dobservation.
les unit
Le nombre dunites dobservation est
e n.not
Les valeurs de la variableX sont ees
not
x1, ...,xi , ...,xn .

Exemple 1.3 On sinteresse `ala variable etat-civilnot

ee X et`alas
erie statistiquedes valeurs prises par
X sur 20 personnes. La codification est C: celibataire,M : marie(e),V : veuf(ve),D : divorcee.Le domaine de

M M D C C M C C C MC M V M V D C C C MIci, n=20, x1 =M,x2 =M,x3 =D,x4 =C,x5 =C,.....,x20 =M.1.2 Var

leffectif de la modalite xj. La frequence dune modalite est leffectif divise par lenombre dunites dobs

En langageR
>X=c(Marie(e),Marie(e),Divorce(e),Celibataire,Celibataire,Marie(e),Celibataire,
Celibataire,Celibataire,Marie(e),Celibataire,Marie(e),Veuf(ve),Marie(e),
Veuf(ve),Divorce(e),Celibataire,Celibataire,Celibataire,Marie(e))
>T1=table(X)> V1=c(T1)> data.frame(Eff=V1,Freq=V1/sum(V1))
Eff FreqCelibataire 9 0.45Divorce(e) 2 0.10Marie(e) 7 0.35Veuf(ve) 2 0.10 1.2.2

Diagrammeensect

Le tableau statistique peut etre represente par un diagramme en barres ou en secteurs (ou camemb e
ou piecharten anglais) (voirFigures 1.1 et 1.2).Clibataire

Divorc(e)
Veuf(ve)

Mari(e)

Fig. 1.1 Diagramme en secteursEn langage R> pie(T1,radius=1.0)En langage R> barplot(T1)1.3

Var

8
6
4
2
0

Clibataire

Divorc(e)

Mari(e)

Veuf(ve)

Fig.1.2Diagramme enbarres
La notation x1 x2 se lit x1 prec`ede x2 .Si la variable est ordinale, on peut calculer les effectifs cumul
es:
Nj =j

k=1n k .

On a N1 = n1 et NJ = n. On peut egalement calculer les frequences

ees cumul
Fj = Njn = jk=1 fk .Exemple 1.5 On interroge 50 personnes sur leur dernier diplome obtenu (variable Y ).

La co dificationa
etefaite selon le Tableau 1.1. On a obtenu la serie statistique presentee dans le tableau 1.2. Finalemen
obtientletableaustatistiquecompletpresentedansleTableau1.3.Tab.1.1CodificationdelavariableYDernierdip
UEnlangageR>YY=c("Sd","Sd","Sd","Sd","P","P","P","P","P","P","P","P","P","P","P","Se","Se","Se","Se","Se","

Tab. 1.3 Tableau statistique complet

xj
Sd
P
Se
Su
U

nj N j
4
4
11 15
14 29
9 38
12 50
50

fj
0.08
0.22
0.28
0.18
0.24
1.00

Fj
0.08
0.30
0.58
0.76
1.00

T2=table(YF)V2=c(T2)> data.frame(Eff=V2,EffCum=cumsum(V2),Freq=V2/sum(V2),FreqCum=cumsum(V2/

Eff EffCum Freq FreqCumSd 4 4 0.08 0.08P 11 15 0.22 0.30Se 14 29 0.28 0.58Su 9 38 0.18 0.76U 12 50 0.24

Figure 1.3).Sd
P

Se

U
Su

Fig.1.3 Diagrammeen secteursdesfrequencesEn langage R> pie(T2,radius=1)9

1.3.3 Diagramme enbarres deseffectifs

10

12

14

Les effectifsdune variablequalitative sont repr

esent
esau moyendun diagramme en barres (voir Figure 1.4).Sd

Se

Su

Fig. 1.4 Diagrammeenbarres deseffectifs

En langage R> barplot(T2)1.3.4

Diagramme en barres des effectifs cumules Leseffectifs

10

20

30

40

50

Figure 1.5).Sd

Se

Su

Fig. 1.5Diagramme en barresdes effectifs cumules10

En langageR
>T3=cumsum(T2)
>barplot(T3)

1.4 Variable quantitative discr`

ete
1.4.1 Le tableaustatistique
Une variable discr`etea un domaine
enombrable.
d
Exemple 1.6 Un quartier est compose deenages,
50 m et la variableZ repr
esente le nombre de personnes
par menage.Les valeursde lavariablesont1 1 1 11
2
3
4
5

2 2 2 2 2
22 233
3 3 3 3
33 33 33
3 3 4
4 4 4 4 444
4 5
5 5 5 5 66 68
8

Comme p our les variables qualitatives ordinales, on peut calculer les effectifs,
les effectifs cumul
es, les
frequences, les frequences cumulees. `A nouveau, on peut construire le tableau statistique:

xj nj Nj fj Fj1 5 5 0.10 0.102 9 14 0.18 0.283 15 29 0.30 0.584 10 39 0.20 0.785 6 45 0.12 0.906 3 48 0.06 0.

15
10
5
0
1

Fig. 1.6 Diagramme en batonnets des effectifs pour une variable quantitative
ete
discr`

1.4.2 Diagramme en batonnets des effectifsQuand la variableest discr`ete, les effectifs son

En langage R> plot(T4,type="h",xlab="",ylab="",main="",frame=0,lwd=3) 1.4.3

Fonction de repa

esent
ee

enFigure1.7,estdefiniedeR dans[0,1]etvaut:F(x)= 0 x<x1Fj xj x<xj+11 xJ x.En langage R> plot(ecdf(

discr`etes. Cependant, il est souvent interessant de proceder `a des regroupements en classes pourfaired

1.0
0.8
0.6
0.4
0.2
0.0
0

Fig. 1.7 Fonction de repartition dune variable quantitative

etediscr`

Exemple 1.7 On mesure la taille de 50 el`eves dune classe :152 152 152 153 153154 154 154 155 15515
50 0.20 1.0050 1.00Le tableau regroupe en classe est souvent appele distribution groupee. On note, de

N j leffectif cumul
ede la classe j,
fj la frequencede la classe j,
Fj la frequence cumul
eede la classe j.
Enlangage R> S=c(152,152,152,153,153,154,154,154,155,155,156,156,156,156,156,
+157,157,157,158,158,159,159,160,160,160,161,160,160,161,162,
+162,162,163,164,164,164,164,165,166,167,168,168,168,169,169,
+ 170,171,171,171,171)> T5=table(cut(S, breaks=c(151,155,159,163,167,171)))

>T5c=c(T5)> data.frame(Eff=T5c,EffCum=cumsum(T5c),Freq=T5c/sum(T5c),FreqCum=cumsum(T5c/sum(T

Eff EffCum Freq FreqCum(151,155] 10 10 0.20 0.20(155,159] 12 22 0.24 0.44(159,163] 11 33 0.22 0.66(163

hauteur) represente leffectif. La hauteur hj du rectangle corresp ondant `a la classe j ee

estpar
donc donn

10

12

h j = n jc+j cj .0

151.5

155.5

159.5

163.5

167.5

171.5

Fig.1.8HistogrammedeseffectifsEn langage R> hist(S,breaks=c(151.5,155.5,159.5,163.5,167.5,171.5),xla

0.00

0.02

0.04

0.06

Si les deux derni`

eres classes sont eg
agr
ees,comme dans la Figure 1.9, la surface du dernier rectangle est
egale`ala surface des deux eresrectangles
derni`
de lhistogramme de la Figure 1.8.

151.5

155.5

159.5

163.5

171.5

Fig. 1.9 Histogramme des effectifs avec les deuxeres

derni`
classes agr
eg
ees

.0 0.2 0.4 0.6 0.8 1.0

En langage R> hist(S,breaks=c(151.5,155.5,159.5,163.5,171.5),xlab="",ylab="",main="",xaxt = "n")> ax

151.5

155.5

159.5

15

163.5

167.5

171.5

En langageR
>y=c(0,0,cumsum(T5c/sum(T5c)),1)
>x=c(148,151.5,155.5,159.5,163.5,167.5,171.5,175)
> plot(x,y,type="b",xlab="",ylab="",xaxt ="n")
> axis(1, c(151.5,155.5,159.5,163.5,167.5,171.5))

16

Chapitre2

Statistique descriptive univari

ee

2.1 Param`etres de position2.1.1 Le modeLe mode est la valeur distincte corresponda

elev
e ; il est not
ex M .
Si on reprend la variable Etat civil , dontle tableau statistique est le suivant:

xj nj fjC 9 0.45M 7 0.35V 2 0.10D 2 0.10n= 20 1le mode est C: celibataire.Remarque 2.1 Le mode peut e

pondant `a leffectif le plus eleve).2.1.2

La moyenneLa moyenne ne peut etre definie que sur une

On peut aussi faire les calculs avec les valeurs distinctes et les effectifs.ere
Onleconsid`
tableau:
xj
0
1
2
3
4

nj
2
3
1
1
1
8

x = 2 0+ 3 1+ 1 2 +1 3+ 14
8
= 3+ 2 +3 +4
8
= 1.5.Remarque 2.2 La moyenne nest pas necessairementune valeurpossible.

En langage RE=c(0,0,1,1,1,2,3,4)n=length(E)xb=sum(E)/nxbxb=mean(E)xb 2.1.3

x31 + x32 (i = 3)18

Remarques sur le

5. On peut exclure une valeur de lindice.

5

xi =x 1 +x 2 +x 4 +x 5.
i=1
i=3

Propriete 2.11. Somme dune constante ni=1 a= a+a++a

=na
n

(a constante).

fois

Exemple 5i=1 3 = 3+ 3+ 3+ 3+ 3 = 5 3 = 15.

2. Mise en evidence ni=1axi =a ni=1xi (a constante).

Exemple 3i=1 2 i= 2(1 +2 + 3) =2 6 = 12.3. Somme des n premiers entiers ni=1 i= 1+ 2+ 3+ + n= n(

2.1.4 Moyenne g
eom
etrique
Si xi 0, on app elle moyenne
eom
g
etrique la quantit
e
G=

xi

1/n

=(x 1 x 2 xn )

1/n

=exp

1
logxi .
n i=1

La moyenne geometriquesutilise, par exemple, quand on veutcalculer la moyenneer

de
et. taux dint
Exemple 2.3 Supposons que les tauxer
dint
et pour 4 ann
ees cons
ecutives soient respectivement de 5, 10, 15,
et 10%. Que va-t-onobtenir apr`
es 4 ans si je place 100 francs?
Apr`es 1 an on a, 100 1.05 = 105 Fr.
Apr`es 2 ans on a, 100 1.05 1.1 = 115.5 Fr.
Apr`es 3 ans on a, 100 1.05 1.1 1.15 = 132 . 825 Fr.
Apr`es 4 ans on a, 100 1.05 1.1 1.15 1.1 = 146 . 1075 Fr.
Si on calcule la moyenne arithmetiquedes taux on obtient
x = 1. 05 + 1.10 + 1.15 + 1.10
4 = 1. 10.
Si on calcule la moyenne geometrique des taux, on obtientG = (1. 05 1. 10 1. 15 1. 10)1/4
= 1. 099431377.

Le bon taux moyen est bien G et non x, car si on applique 4 fois le taux moyen G aux 100 francs, on obtien
100 Fr G4 = 100 1.0994313774 = 146.1075 Fr.

2.1.5 Moyenne harmoniqueSi xi 0, on appelle moyenne harmonique la quantiteH = nni=11/xi.Il e

20h50= 20.8333h,sa vitesse moyenne est donc Moy= 40020.8333 = 19.2 km/h. Si on calcule la moyenne

Remarque 2.3 Il est possible de montrer que la moyenne harmonique est toujours
erieure ou
inf
egale `a la
moyennegeometrique qui est toujours
erieure
infou
egale `a la moyenne arithm
etique
H G x.

2.1.6 Moyenne pondereeDanscertains cas, on naccorde par le m

eme poids `a toutes les observations. Par exemple, si on calcule
la moyenne des notes pour un programme
etude,on
d p eut pond
erer les notes del
etudiant par le nombre
decreditsou parle nombredheures dechaquecours.
>
Siw
0,
i
=
1,
..
.,
n
sont
les
poids associ
es `a chaque
i
observation, alors la moyenne ponderee parefinie
wi est
par:
d
xw =n

i=1 wi xi
n
i=1 wi

Exemple 2.5 Supp osons que les notes soient ponderees par le nombre
edits,et
de cr
que les notes de
letudiant soient les suivantes : Note 5 4 3 6 5Credits 6 3 4 3 4La moyenne ponderee des notes par les c

20=

92
= 4.6.
20

2.1.7 La medianeLa mediane, notee x1/2, est une valeur centrale de la serie statistique obtenue d

On trie la serie statistique par ordre croissant des valeurs observees. Avec la serie observee :3 2 1 0
epartition pour la valeur 1/2 :x1/2 =F1(0.5).En langage R 21

1.00
0.00

0.50

Fig. 2.1 Mediane quand n est impair

x=c(0 , 0 , 1 , 1 , 2 ,2 , 3)median(x)plot(ecdf(x),xlab="",ylab="",main="",frame=FALSE,yaxt = "n")

axis(2, c(0.0,0.25,0.50,0.75,1.00))arrows(-1,0.5,1,0.50,length=0.14,col="blue")
arrows(1,0.50,1,0,length=0.14,col="blue") Si n estpair,deuxvaleurssetrouventau milieudela s
erie (ici avec n= 8)

0 01 1 2 234
La mediane est alors la moyenne de ces deux valeurs :x1/2 = 1+22 = 1.5.La Figure 2.2 montre la f

ediane peut toujours

etre definie comme linverse de la fonction de repartition p our la valeur 1/2 :x1/2 = F 1 (0.5).Cep en

0.00

0.50

1.00

exactement`aun palier. Fig. 2.2 Medianequand n estpair1

Enlangage Rx=c(0 , 0 , 1 , 1 , 2 , 2 , 3 , 4)median(x)plot(ecdf(x),xlab="",ylab="",main="",frame=FALSE,yax

En g
en
eral on note
x(1) , ....,x(i) , ....,x(n)
la serie ordonn
ee par ordre croissant. On app elle cette
erie ordonn
s eela statistique dordre. Cette notation,
tr`es usuelle en statistique, permet
efinir
de d
la m
ediane de mani`
ere tr`
es synth
etique.
Si n estimpair
x1 /2 =x ( n+1 )
2

Si n estpairx
1 /2 =

1
x n +x ( n +1) .
2
2 (2)

Remarque 2.4 La mediane peutetre calcul

ee sur des variables quantitatives et sur des variablesqualitatives ordinales.2.1.8 QuantilesLa notion de quantile dordre p (o`u 0< p< 1) gen

eralise la m
ediane. Formellement un quantile este donn
par linverse de la fonction de repartition : xp =F1(p).

Si la fonction de repartition etait continue et strictement croissante,

la d
efinitiondu quantile serait sans
equivoque. La fonction de repartition est cep endant discontinue
par palier.Quand
et
la fonction de
repartitionest par palier, il existe au moins 9 mani`eres differentes
efinirde
lesd
quantilesselon que lon
fasse ou non une interp olation de la fonction de repartition. Nous presentons etho
une de
des,
ces
maism
il
ne faut pas setonnerde voir les valeurs des quantiles differer leg`erement dun logiciel statistique `alau
Si np est un nombre entier, alors xp = 12 x(np)+ x(np+1) . Si np nest pas un nombre entier, alors xp = x( np )
statistique 12, 13, 15, 16, 18, 19, 22, 24, 25, 27, 28, 34 contenant 12 observations(n = 12). Le premier qua

 Le troisi`
eme quartile : Comme np = 0.75 12 = 9 est un nombre entier, ona
x3 /4 =

x(9) +x (10)
25 +27
=
= 26.
2
2

En langage Rx=c(12,13,15,16,18,19,22,24,25,27,28,34)

quantile(x,type=2)Exemple 2.7 Soitlaseriestatistique 12,13, 15, 16,18, 19, 22, 24,25, 27 contenant10obs

Le premier quartile : Comme np = 0.25 10 = 2.5 nest pas un nombre entier, ona
x1 /4 = x( 2 .5) =x (3) = 15.
La mediane : Comme np = 0.5 10 =5 est un nombre entier, ona
x1/2 = 12 x(5) + x(6) = (18 + 19)/2 = 18.5.
Le troisi`eme quartile : Comme np = 0.75 10 = 7 .5 nest pas un nombre entier, ona
x3/4 = x( 7.5 ) = x(8) = 24.En langage Rx=c(12,13,15,16,18,19,22,24,25,27)quantile(x,type=2) 2.2

Para

2.2.3 La variance
La variance estla somme des es
carr
des
ecarts `a la moyennedivis
ee par le nombredobservations:
n

s2x =

1
2
(xi x)
.
n i=1

Theor`eme 2.1 Lavariancepeutaussis

ecrire
n

s2x =

1
x2 x2.
n i=1 i

(2.1)

Demonstration s2x = 1n ni=1(xi x)2 =1

nn

(x2i 2xi x + 2x
)

i=1
n
n
= 1n ni=1 x2i 2 1n ni=1 xix
nn+1
1
1
2
2
x
=
x2i 2x
xi + x
n
n
i=1
i=1
i=1

= 1n ni=1 x2i 2xx + x2 = 1n ni=1 x2i x

2
.

La variance peut egalementetre definie `a partir des effectifs et des valeurs distinctes:

s2x = 1n Jj=1nj(xj x)2.La variance peut aussi secrire s2x = 1n Jj=1njx2j x2.Quand on veut estimer une va

selectionnee au hasard) de taille n, on utilise la variance corrigee divisee par n1.S2x = 1n1 ni=1(xi
2+3+4+4+5+6+7+98 = 5,25

1
2
(xi x)
n i=1

sx2=
=1

2
2
2
2
2
2
2
8 (2 5)2 + (3 5)
+ (4 5)
+ (4 5)
+ (5 5)
+ (6 5)
+ (7 5)
+ (9 5)

= 18 [9 + 4 + 1 + 1 + 0 + 1 + 4 + 16]
= 368= 4.5.On peutegalement utiliser la formule (2.1) de la variance,

ce quin
ecessitemoins de calcul
(surtout quand
la moyenne nest pas un nombreentier).
s2x = 1n ni=1 x2i x
2

= 18 (22 + 32 + 42 +4
2
+5 2 +62 +72 +9 2) 52
= 18(4 +9 + 16 + 16 + 25 + 36 + 49 + 81) 25

= 2368 25= 29.525=4.5.EnlangageR> x=c(2,3,4,4,5,6,7,9)> n=length(x)> s2=sum((x-mean(x))^2)/n>

2.2.5 Lecart moyen absolu

Lecart moyen absolu est la somme des valeurs absolues
ecartsdes
`a la moyenne divis
ee par le nombre
dobservations:
n
1
emoy =
|xi x |.
n i=1

2.2.6 Lecartmedian absolu

Lecart median absolu est la somme des valeurs absolues
ecarts des
`a la ediane
m
divis
ee par le nombre
dobservations :e
n
1
=
xi x 1 /2 .
med
n i=1

2.3 MomentsDefinition 2.2 On appelle moment `a lorigine dordre rN le param`

etre
m r = 1nn

r
i=1x i .

Definition 2.3 On appel le moment centre dordre r N

etre
le param`

mr = 1n ni=1 (xi x)r .Les moments generalisent la plupart des param`etres. On a en particulier m1 = x

etrie
et laplatissement.2.4 Param`etres de forme2.4.1 Coefficient
normalise par la distance interquartile :AY = x3/4 +x1/4 2x1/2x3/4 x1/4 .27

dasymetrie de Fi

2.4.3 Coefficient dasym

etrie de Pearson
Le co efficient dasym
etrie de Pearson est bas
e sur une comparaison de la moyenne et du mo
et est
de,
standardise par
ecart-typ
l
e:
x xM
AP =
.
sx
Tous les co efficients dasym
etrie ontles m
emes propri
et
es, ils sont nuls sila distribution est sym
etrique,
negatifs si la distribution est allong
ee `a gauche (left asymmetry), et positifs si la distribution est
ee `a
allong
droite (rightasymmetry) comme montr
edans la Figure 2.3.

Fig. 2.3Asymetrie dune distribution

Remarque 2.6 Certainesvariablessonttoujours tr`esasymetriques`adroite, comme les revenus,les tailles

des entreprises, ou des communes. Une metho de simple pour rendre une etrique
variableconsiste
sym alors

`a prendre le logarithme de cette variable. 2.5 Param`etre daplatissement (kurtosi

courtes.Dans la Figure 2.4, on presente un exemple de deux distributions de meme moyenne et de mem

0.0175

0.6

0.015

0.5

0.0125

0.4

0.01

0.3

0.0075

0.2

0.005

0.1

0.0025
2

2.6 2.8

3.2 3.4 3.6 3.8

Fig. 2.4 Distributions mesokurtiqueet leptokurtique28

2.6 Changementdorigine et dunit

e
Definition 2.4 On appel le changement dorigine
erationconsistant
lop
`a ajouter (ou soustraire)eme
la m
quantite a R `a toutes les observations
yi = a+x i , i = 1, ...,n
Definition 2.5 On appel le changementelop
dunit
erationconsistant `a multiplier (ou diviser) par
eme
la m
quantite b R `a toutes les observations
yi =bxi , i = 1, ..., n.
Definition 2.6 On appel le changement
dorigine etdunit
eloperation consistant
`a multiplier toutes les
observations par la meme quantite b R puis `a ajouter
eme quantit
la m
e a R `a toutes les observations:
yi = a+ bxi , i = 1, ..., n.

Theor`eme 2.2 Si oneffectueun changementdorigine et

esur
dunit
une variable x, alors sa moyenne est
affectee du meme changement dorigine et dunite.Demonstration Si yi = a+ bxi, alorsy = 1n ni=1 (a +

i=1x i

= a+ bx.

Theor`eme 2.3 Si on effectueun changement dorigine et dunitesur une variable x, alors sa varianceest
affectee par le carre du changement duniteet pas parle changement dorigine.

Demonstration Si yi = a+ bxi, alorss2y = 1n ni=1 (yi y)2 = 1n ni=1 (a + bxi a b x)2 = b2 1n ni=1 (xi
s2x .

Remarque 2.71. Les param`etres de position sont tous affectes par un changement dorigine et dunite.2

dorigine.3. Les param`etres de forme et daplatissement ne sont affectes ni par un changement dunite n
, xnA+1, xnA+2, .. ., xn1, xnobservations de GB .On definit les moyennes des deux groupes : 29

1
la moyenne du premier groupA e=x
nA

nA

xi ,
i=1

1
lamoyenne du deuxi`
eme group eB x
=
xi .
nB i=n +1
A
La moyenne generale est une moyenne
er
eepond
par la taille des groupes des moyennes des deux group es.
En effet x=
nA
n
1
1
xi +
xi = (nA x
A +n B x
B ).
n i=1
n
i =n +1
A

On p eut egalement definir les variances des deux group es:

nA
1
2
la variance du premier groupA e=s2
(xi x
A) ,
nA i=1
n

la variance du deuxi`eme group e s2B =1

2
(xi x
B) .
nB i=n +1
A

Theor`eme 2.4 (de Huygens)Lavariancetotale,d

efinie par
s2x = 1n ni=1 (xi x)
2
,
se decompose de la mani`ere suivante :s 2x = nAs2A + nB s2Bnvariance intra-groupes + nA( xA x)2 +n
2
(x
B x)
.
nvariance inter-groupes
B

Demonstration s2x = 1n ni=1(xi x)2 = 1n nAi=1(xi x)2 + ni=nA+1(xi x)2 (2.2)

On note que nAi=1(xi x)2= nAi=1(xi xA + xA x)2= nAi=1(xi xA)2 + nAi=1(xA x)2 +2 nAi=1(xi xA)(xA

2.8 Diagramme en tigesetfeuilles

Lediagrammeentigeset feuillesou Stem and leaf
diagramestune mani`
ere rapide de pr
esenter une
variable quantitative. Par exemple, si lon erie
a la statistique
s
ordonn
ee suivante:
15,15, 16, 17, 18, 20,21, 22, 23,23, 23, 24, 25, 25, 26,
26,27, 28, 28, 29, 30,30, 32, 34,35, 36, 39, 40, 43, 44,
la tige du diagramme sera les dizaines et les feuilles serontles
es. On
unit
obtient le graphique suivant.
The decimal point is 1 digit(s) to the right of the|

1 | 556782 | 0123334556678893 | 00245694 | 034Ce diagrammepermet davoirune vuesynthetiquede ladi

Evidemment,
les tiges peuvent
etre
definies par les centaines, ou des millers, selon lordre de grandeur deetudi
la variable
ee.

En langage R## Diagramme en tige et feuilles#X=c(15,15,16,17,18,20,21,22,23,23,23,24,25,25,26,26,27

qui p ermet de representer la distribution dune variable. Ce diagramme est comp ose de : Un rectangle

pondant `a la mediane. Ce rectangle est complete par deux segments de droites. Pour les dessiner, on
extremes.Exemple 2.9 On utilise une base de donnees de communes suisses de 2003 fournie par lOffic
etriedeladistribution,ausenso`uilyabeaucoupdepetitescommunesetpeudegrandescommunes.Legraphiquem

1000

2000

3000

4000

5000

Fig. 2.5 Botes `a moustaches p our la variable sup erficie en hectares (HApoly) des communes du canton
de Neuchatel# Etape 1: installation du package sampling

# dans lequel se trouve la basede donneesdes communes belges

# choisir "sampling"dansla liste
utils:::menuInstallPkgs()# Etape 2: charge le package sampling# choisir "sampling"dansla listelocal({pkg <

+ if(nchar(pkg)) library(pkg, character.only=TRUE)})

# Utilisation des donneesdata(swissmunicipalities)attach(swissmunicipalities)# boxplot de la selection de

Exemple 2.10 On utilise une base de donnees belges fournie par lInstitut National (b elge) de Statistique
contenant des infirmations sur la population et les revenus des p ersonnes physiques dans les communes. O
sinteresse `a la variable revenu moyen en euros par habitant en 2004 pour chaque commune (variable a
rageincome) et lon aimerait comparer les 9 provinces b elges : Anvers, Brabant, Flandre occidentale, Fland
orientale,Hainaut, Li`ege, Limboug, Luxembourg, Namur. La Figure 2.6 contientles botes`amoustachesdec
noms des provincesb=list("Anv."=averageincome[Province==1],"Brab."=averageincome[Province==2],"Fl.

40000
35000
30000
25000
20000

Anv.

Brab.

Fl.occ.

Fl.or.

Hainaut

Lige

Limb.

Lux.

Namur

Fig. 2.6 Botes `a moustaches du revenu moyen des habitants des communes selon les provinces belge

"Namur"=averageincome[Province==9])boxplot(b) ExercicesExercice2.1 On p`ese les 50 el`eves d

esum
es dans le tableau
suivant : 43 43 43 47 4848 48 48 49 4949 50 50 51 5152 53 53 53 5454 56 56 56 5759 59 59 62 6263 63 6
classes.Exercice 2.3 33

1. Montrez que
s2x =

1
2n2

(xi x j )2.
i=1 j=1

2. Montrez que
sx E
3. Montrez que, si xi >0,

n1
.
2n

1
|xi x| 2x.
n i=1

34

Chapitre3

Statistique descriptive bivari

ee
3.1 Seriestatistique bivariee
On sinteresse `a deux variables x et y. Ces deux variables sont
ees sur
mesur
les n unit
es dobservation.
Pourchaque unite,on obtient donc deux mesures.
eriestatistique
La s
est alors une suite de n couplesdes
valeurs prises par les deux variables sur chaque individu :(x1, y1), ...., (xi, yi), ...., (x
n ,y n ).

Chacune des deux variables peut etre, soit quantitative, soit qualitative. On examine deux cas.
Les deux variablessont quantitatives. Les deux variablessont qualitatives. 3.2

Deux variables

reels) peut toujoursetre represente comme un point dans un plan(x1,y1),....,(xi,yi),....,(xn,yn).Exemple 3.

100
90
80
60

70

poids

155

160

165

170

175

180

185

190

taille

Fig. 3.1 Lenuagedepoints

3.2.2 Analyse des variablesLes variables x et y peuventetre analysees separement. On peut c

etres dont les
moyennes et les variances : x = 1n ni=1 xi, s2x = 1n ni=1(xi x)
2

y = 1n ni=1 yi, s2y = 1n ni=1(yi y)2.Ces param`etres sont appeles param`etres marginaux : variances ma

ecarts-types
marginaux, quantiles marginaux, etc...3.2.3

CovarianceLa covariance est definie sxy = 1n ni=1(xi x)

Demonstration
n

sxy

1
(xi x )(y
i y)
n i=1

1
(xi yi y i x
yxi + x
y)
n i=1

1
1
1
1
xi yi
yi x
y
xi +
x
y
n i=1
n i=1
n i=1
n i=1

=1
n

xi yi x
y x
y + x
y
i=1

= 1n ni=1 xiy
i

x
y.

3.2.4 CorrelationLecoefficient de correlationestlacovariancediviseeparlesdeux

ecart-typ es marginaux:
rxy = sxysx sy .Le coefficient de determination est le carre du co efficient de correlation:

r2xy = s2xys2x s2y .Remarque 3.2 Le coefficient de correlation mesure la dependance lineaire entre deux

cependant avoir une dependance non-lineaire avec un coefficient de correlation nul. 3.2.5 Droite de
commet (voir Figure 3.3) en utilisant la droite de regression pour predireyi `a partir de xi. Les residus peu

r=1

r=1

r=0

r>0

r<0

r=0

ei

y *i

70

80

yi

60

poids

90

100

Fig. 3.2 Exemples de nuages de points et co efficientselation

de corr

155

160

165

170

175

180

185

taille

Fig. 3.3 Le nuage de points, le residu38

190

En langageR
# Graphique avec le residus
plot(taille,poids)
segments(158,a+b*158,190,a+b*190)
segments(180,a+b*180,180,96,col="red")
#text(178,90,expression(e))
text(178.7,89.5,"i")#arrows(180,a+b*180,156,a+b*180,col="blue",length=0.14)

arrows(180,60,180,a+b*180,col="blue",length=0.14)
arrows(180,96,156,96,col="blue",length=0.14)
#text(154.8,86,expression(y))text(155.5,85.5,"i")#text(154.8,97,expression(y))text(155.5,97.8,"*")text(155

es qui consiste `a
chercher la droite qui minimise la somme des carres des residus :M(a, b) = ni=1 e2i = ni=1 (yi a bxi)2 .Th

es sont donn
es par:
b = sxys2x et a= y bx.Demonstration Le minimum M (a,b) en a,b sobtient en annulant les derivees

et b. M(a,b)a = ni=1 2 (yi a bxi) = 0M(a,b)b = ni=1 2 (yi a bxi) xi = 0On obtient un sys

La premi`
ereequation montre que la droite passe par le point
y). On
( x,
obtient
a =y bx.
En remplacant a par
y bx dans la seconde
equation, ona
n

1
1
xi yi (y bx) x b x2i
n i=1
n i=1
n

1
1
xi yi x
y b
x2 x2
n i=1
n i=1 i

=s

xy

bs2x

= 0,
ce qui donnes
xy

bs2x =0.

Donc b=

sxy
.
s2x
On a donc identifie les deux param`etres b= sxys2x (la pente)a = y b x = y sxys2x x (la consta

80
60

70

poids

90

100

On devrait en outre verifierquil sagit bien dun minimum en montrant que

eriv
les
ees
dsecondes sont
positives.
La droite de regression est donc y=a+bx= y sxys2x x+ sxys2x x,ce qui peut secrire aussi y y = sxys2x

160

165

170

175

180

185

190

taille

Remarque 3.3 Ladroitede regressionde y en x nestpasla memequela droitederegressionde x en y.40

3.2.6 Residus et valeurs ajust

ees
Les valeurs ajust
ees sont obtenuesau moyende la droiteegression:
de r
yi =a + bxi .
Les valeurs ajustees sont edictions
les pr
desy
ealis
eesau moyen de la variablex et de la droite
egression
de r
i r
de y en x.Remarque 3.4 La moyenne des valeursajust
ees est
egale `a la moyennedes valeursobserv
ees
y . En effet,
n
1n ni=1 y 1 n
1
i=
(a + bx
)
=
a
+b
xi = a+ bx.
i
n i=1
n i=1

Or, y = a+ bx, car le point (x, y) appartient `a la egression.

droite de r
Les residussont les differencesentre les valeursobserv
ees et les valeurs ajust
ees de la variable
epd
endante.
e i = yi yi.
Les residusrepresententla partie inexpliqueedes yi parla droite
egression.
de r
Remarque 3.5 La moyenne des residus est nulle. En effet1n ni=1 ei = 1n ni=1(yi yi )= y y = 0.

De plus, ni=1 xiei = 0.La demonstration est un peu plus difficile. 3.2.7

Sommes de carres et var

Definition 3.4 On appel le somme des

es carr
des esidus
r
(ou esiduel
r
le) la quantit
e
n

e2i .

SCR ES =
i=1

Definition 3.5 Lavariancer

esiduel le est la variance des
esidus.
r
n

s2e =

SCR ES
1
=
e2.
n
n i=1 i

Note : Il nest pas necessaire de centrerles

esidussur
r
leurs moyennes pour calculer la variance,
car la
moyenne des residus est nulle.Theor`eme 3.3 SCTOT
=SC RE GR +SC R ES .
Demonstration SCT OT = ni=1 (yi y)2= ni=1 (yi yi + yi y)2= ni=1 (yi yi )2 + ni=1 (yi y)2 +2n

i=1

(yi y i)(yi y)

= SCRES + SCREGR +2 ni=1(yi yi )(yi y).Le troisi`eme terme est nul. En effet,ni=1(yi yi )(yi y) = ni=

Demonstration
n

s2y

1
(y y)2
n i=1 i

1
n i=1

s2xy 1
2
(xi x)
s4x n i=1

sxy
y
+ 2 (xi x)
y
sx

s2xy
s2x
s2xy
=s 2y 2 2
sx sy
= s2y r2.
=

La variance residuel le est la variance des residus.s2e = 1nn

i=1

ei2.

Theor`eme 3.5 La variance residuelle peut egalement secrires 2e = s2y(1 r2),o`u r2 est le coefficient d

variables qualitatives3.3.1 Donnees observeesSi les deux variables x et y sont qua

chacune des deux variables prend comme valeurs des

esmo
qualitatives.
dalit
Lesvaleursdistinctesde x et y sontnot
ees resp ectivement
x1, ....,xj , ....,xJ
ety
1,

....,yk , ....,yK .

3.3.2 Tableaude contingence

Les donnees observees peuvent
etre regroup
eessouslaforme dun tableau de contingence
y1
x 1n
11
... ....
xj nj 1
... ....

yk
n1k
..

yK
n1K
..
.

total
n1.

njk
..

njK
..
.

nj.

nJK

nJ.
n

x J nJ 1 nJk
total n. 1 n.kn

.K

Les nj. et n.k sont app eles les effectifs marginaux. Dans ce tableau,
nj. represente le nombre de fois que la mo dalite xt,
j appara
n.k represente le nombre de fois que la mo dalite yk apparat, nj k represente le nombre de fois que

On a les relations Jj=1njk = n.k, pour tout k= 1,...,K,Kk=1njk = nj., pour tout j= 1,...,J,et Jj=1nj. = Kk=1n.k = Jj=1 Kk=1n

Le Tableau 3.1 reprend le tableau de contingence.Tab. 3.1 Tableau des effectifs njkBleu Vert Marron TotalHo

f .k =

n.k
, k = 1, ..., K.
n

Le tableaudes fr
equences est
x1
..
.

y1
f 11
..
.

yk
f 1k
..
.

yK
f 1K
..
.

total
f 1.

xj
..
.

f j1
..
.

f jk
..
.

f jK
..
.

f j.

xJ
f J1
total f .1

f Jk
f .k

f JK
f .K

f J.
1

Exemple 3.3 LeTableau3.2reprend letableaudesequences.

fr

Tab. 3.2 Tableau des fr

equences
Bleu Vert Marron
Homme 0.050.25 0.10
Femme 0.100.30 0.20
Total 0.15 0.55 0.30

Total
0.40
0.60
1.00

3.3.4 Profils lignes et profils colonnesUntableau de contingencesinterpr`etetoujours en comp

equences
en colonnes (appeles aussi profils lignes et profils colonnes).Les profils lignes sont definis parf(j)k = njknj. =

Tab. 3.4 Tableaudes profils colonnes

Bleu Vert Marron Total
Homme 0.33 0.45
0.33 0.40
Femme 0.67 0.55
0.67 0.60
Total
1.00 1.00
1.00 1.00

3.3.5 Effectifs theoriqueset khi-carr

e
On cherche souventune interactionentre des lignes et des colonnes,
un lien entreles variables.
Pour
mettre en evidence ce lien, on construit un tableau deffectifs
eoriques
thqui
repr
esente la situation o`u les
variables ne sont pas liees (indep endance). Ces eoriques
effectifs sont
th construits de la mani`
ere suivante:
n
jk =

nj. n.k
.
n

Les effectifs observes nj k ont les memes marges que leseoriquesn

effectifs
.
jkth
Enfin, les ecarts `a lindependance sont definis parejk = nj k n
j k.

La dep endance du tableau se mesure au moyen du

ed
khi-carr
efini par
2
2obs = Kk=1 Jj=1 (njk njk)2njkj=1
=eKk=1J
jk
.
n
jk

(3.1)

Le khi-carre p eut etre normalise p our ne plus dep endre du nombre dobservations.
On d
efinit le phideux par : 2 = 2obsn .Le 2 ne depend plus du nombre dobservations. Il est possible de montrer que2
tableau ait le meme nombre de lignes quede colonnes).Exemple 3.5 Le Tableau 3.5 reprend le tableau de

Tab. 3.6 Tableau des

ecarts `a lind
ep endancee
jk

Homme
Femme
Total

Bleu Vert
-2
6
2
-6
0
0

Marron Total
-4
0
4
0
0
0

Tab. 3.7 Tableaudese2jk /n

jk
Bleu Vert Marron Total
Homme 0.33 0.82
0.67 1.82
Femme 0.22
0.55
0.44 1.21
Total 0.56
1.36
1.11 3.03

Le khi-carre observe vaut 2obs = 3.03. Le phi-deux vaut 2 = 0.01515. Comme le tableau a deux lig
au 2 . On a V = 0.01515. La dep endance entre les deux variables est tr`
es faible.

egal

Enlangage Ryeux= c(rep("bleu",times=10),rep("vert",times=50),rep("marron",times=20),

rep("bleu",times=20),rep("vert",times=60),rep("marron",times=40))sexe= c(rep("homme",times=80),rep("f
Tableaudecontingence: effectifsnjkNiveaudinstruction Statutprofessionneldufilsdufilsparrapport parrapporta

Tab. 3.9 Tableau des equencesf

fr
jk
X\Y
Pluselev
e
pluselev
e
0.322
egal
0.055
inf
erieur
0.017
total
0.394

Egal inf
erieur
0.231 0.147
0.079 0.058
0.038 0.053
0.349 0.257

total
0. 700
0. 192
0. 108
1. 000

Tab. 3.10 Tableau des profils lignes

X\Y Plus
elev
e
plus eleve 0.460
egal 0. 288
inferieur 0. 156
total 0. 394

Egal inf
erieur total
0. 330 0. 210
1
0. 413 0. 300
1
0. 356 0. 489
1
0. 349 0. 257
1

Tab. 3.11 Tableaudes profils colonnes

X\Y Plus eleve Egal inf erieur total
plus eleve 0.817 0.662 0.570
0. 700
egal 0.140 0 .228 0.224
0. 192
inferieur 0.043 0 .110 0 .206 0. 108
total 1 111

Tab. 3.12 Tableau des effectifs theoriques njkX\Y Plus eleve Egal inferieur totalplus eleve 114.72
1.24 12.52 2obs = 25.81On a donc 2obs = 25.812 = 2obsn = 25.81416 = 0.062V = 2min(J 1,K 1) =

ExercicesExercice 3.1 Laconsommationdecr`

emes glac
ees par individus et
aemesur
ee pendant 30erio
p des. Lobjectif est determine si la consommation
ep end
dde la temp
erature.Les donn
ees sont dans le tableau 3.15.
Onsaiten outreque Tab. 3.15Consommationde cr`
emes glac
ees
consommation y temperaturex consommationy
temp
eraturex consommationy temp
eraturex
386 41 286
28
319
44
374 56 298 26
307
40
393 63 329 32
284
32
425 68 318 40
326
27
406 69 381 55
309
28
344 65 381 63
359
33
327 61 470 72
376
41
288 47 443 72 416
52
269 32 386 67 437
64
256 24 342 60 548
71

ni=i

yi = 10783, ni=i xi = 1473,ni=i y2i = 4001293, ni=i x2i = 80145,ni=i xiyi = 553747,1. Donnez les moyennes

2. Donnez la droite de regression, avec comme variable dep endante la consommation de glaces et com
variableexplicativelatemperature.3. Donnezlavaleurajusteeetleresidupourlapremi`ereobservationdutable
etationdececoefficient.3. DeterminezladroitederegressionY enfonctiondeX.4. Etablissez,surbasedumod`e

Exercice 3.3 Consid

erons un
echantillonde 10 fonctionnaires (ayant entre 40 et 50 ans) dunere.
minist`
Soit X le nombre dann
ees de service et Y le nombre de jours dabsence pour raison de maladie (au cours de
lannee prec
edente) etermin
d
e pour chaque p ersonne appartenantechantillon.
`a cet
xi
yi

2 14 16 8 13 20 24 7 5 11
3 13 17 12 10 8 20 7 2 8

1. Representez le nuage de points.

2. Calculez le co efficient deelation
corr entre X et Y.
3. Determinezlequationdela droiteegressionde
de r
Y en fonction de X.

4. Determinez la qualite de cet ajustement.

5. Etablissez, sur base de ce mo d`ele, le nombre de jours dabsence p our un fonctionnaire ayant 22 an
service. 50

Chapitre4

Theorie des indices, mesures

dinegalite4.1 Nombres indices4.2 Definition

Un indice est la

ef
erence. Prenons lexemple du tableau
4.1 contenant le prix (fictif) dun bien de consommation de 2000 `a 2006. Le temps varie de 0, 1, 2, .. ., 6 e
est considere comme le temps de reference par rapp ort auquel lindice
e.
est calcul

Tab. 4.1 Tableau du prix dun bien de consommation de 2000 `a 2006

annee t prix pt2000 0 2.002001 1 2.302002 2 2.402003 3 2.802004 4 3.002005 5 3.502006 6 4.00Lindice
142.864 66.67 76.67 80.00 93.33 100.00 116.67 133.335 57.14 65.71 68.57 80.00 85.71 100.00 114.296 5

4.2.1 Propri
et
es des indices
Consid
erons un indice quelconque I (t/0) . On dit que cet indice
edeples
oss`
propri
et
es de
2
reversibilit
e si I (t/0) = 100
I (01 /t) ,
identite si I(t/t) = 100,
circularite(ou transitivit
e) si I (t/u) I (u/v ) = 100 I (t/v).
Il est facile de montrerque ces quatre propri
et
es sont satisfaites pour un indice simple.

4.2.2 Indices synth

etiques
Quand on veutcalculer un indice `apartir de plusieurs prix,
le probl`
eme devient sensiblement plus
complique. Un indice synthetique est une grandeur dun ensemble de biens par rapp ort
ee`a
deune ann
reference. On ne peut pas construire un indice
etiqueen
synthadditionnant simplement des indices simples.
Ilfaut,en effet,tenir compte des quantit
es achet
ees.
Pour calculer un indice de prix de n biens de consommation
etiquet
es de 1,2, .. .,n, on utilise la notation
suivante: pti representeleprixdu biendeconsommation i autemps t,

qti represente la quantite de biens i consomm

ee au temps t.
Considerons par exemple le Tableau 4.3 qui contient 3 biens de consommation et pour lesquels
t
ont conna
les prix et les quantites achetees.Tab. 4.3 Exemple : prix et quantites de trois bien pendant 3 ans

Temps 0 12
Prix ( p0 i ) Quantites ( q0 i ) Prix ( p1 i ) Quantites (q 1i ) Prix
es (q2i )
2i )(p Quantit
Bien 1 100 14 150 10 200
8
Bien 2 60 10 50 12 40
14
Bien 3 160 4 140 5 140
5

Il existe deux metho des fondamentales p our calculer les indices de prix, lindice de Paasche et lindice
Laspeyres.4.2.3 Indice de LaspeyresLindice de Laspeyres, est defini parL(t/0) = 100 ni=1 q0iptini=
w0iIi(t)ni=1 w0i = ni=1 p0iq0i100 ptip0ini=1 p0iq0i = 100 ni=1 q0iptini=1 p0iq0i .Lindice de Laspeyres ne poss`ede n

Exemple 4.1 Sionutiliselesdonn

ees du tableau 4.3, les indices de Lasp eyres sont les suivants
L(1/0) = 100
L(2/0) = 100
L(2/1) = 100

n
i=1
n
i=1

q0i p1i
14 150 + 10 50+4 140
= 100
= 119 .6970,
14 100 +10 60+ 4 160
q0i p0i

n
i=1
n
i=1
n
i=1
n
i=1

q0i p2i
14 200 + 10 40+4 140
= 100
= 142 .4242,
14 100 +10 60+ 4 160
q0i p0i
q1i p2i
10 200 + 12 40+5 140
= 100
= 113 .5714.
q1i p1i
10 150 +12 50+ 5 140

4.2.4 Indice de PaascheLindice de Paasche, est defini par P(t/0) = 100

n
i=1 qti pti
n
i=1 qti p0i

On utilise, pour le calculer, les quantites qti du temps par rapp ort auquel on veut calculer lindice.
Lindice de Paasche peut aussi etre presente comme une moyenne harmonique
er
ee des
p ond
indices
simples. Soient lindice simple du bien i : Ii(t/0) = 100 ptip0i ,et le poids wti correspondant `a la recette tota

er
es par
les recettes au temps t :P (t/0) = ni=1 wtini=1 wti/Ii(t/0) = ni=1 ptiqtini=1 ptiqti p0i100pti = 100 ni=1 qtiptini=1 qtip0i .L

difficile `a calculer que lindice de Laspeyres, car on doit connatre les quantites pour chaque valeur de t.E
FisherLindice de Laspeyres est en general plus grand que lindice de Paasche, ce qui peut sexpliquer p

Fisher a prop eos

dutiliser un compromis entre lindice de Paasche et de Lasp eyres en calculant simplemen
la moyenneeom
g etriquede ces deux indices
F (t/ 0)=

L(t/0) P (t/0).

Lavantagedelindice de Fisher estquil jouit de la propri

et
ede r
eversibilit
e.
Exemple 4.3 Sionutilisetoujourslesdonn
ees du tableau 4.3, les indices de Fisher sont les suivants:
F(1/0)=

L(1/0) P (1/0) = 115.3242,

F(2/0)=

L(2/0) P (2/0) = 129.2052,

F(2/1)=

L(2/1) P (2/1) = 111.7715.

4.2.6 Lindice de SidgwickLindice de Sidgwick est la moyenne arithmetique des indices de Paasch
S (t/0) = L(t/0) + P (t/0)
2.

4.2.7 Indices chanesLe defaut principal des indices de Laspeyres, de Paasche, de Fisher et de Sidg
edent
pas la propriete de circularite. Un indice qui poss`ede cette propriete
eindice cha
est
ne.
app
Pour
el construire
un indice chane, avec lindice de Lasp eyres, on peut faire un produit dindice de Lasp eyre annuels.
CL(t/0) = 100 L(t/t 1)100 L(t 1/t 2)100 L(2/1)100 L(1/0)
100.

Pour calculer un tel indice, on doit evidemment connatre les quantites pour chaqueLindice
valeur de t.
suisse des prix `a la consommation est un indice chane de Laspeyres.Exemple 4.4 En utilisant encore les

suivants : CL(1/0)= L(1/0)= 119.6970,CL(2/1)= L(2/1)= 113.5714,CL(2/0)= L(2/1)L(1/0)100 = 135.9416.4

4.3.2 Courbe de Lorenz

Plusieurs indices din
egalit
e sont li
es `a la courb e de Lorenz. On note
x1, . . . ,x
i , . . . ,x
n
les revenus des n individus de la population
etudi
ee. On note
egalement
x(1) , . . . ,x
(i) , . . . ,x
(n) ,
la statistique dordre, cest-`a-direla
erie s
de revenus espar
tri ordre croissant.
Notons maintenant qi la proportion de revenus par rapp ort au revenu total quont
eles i individus
gagn
ayant les plus bas revenus,ce qui
ecrit
s
q i =i

j=1 x(j)
nj =1x
(j)

avecq0 =0 etq n =1.

La courb e de Lorenz est la representation graphique de la fonction qui `a la part des individus les moin
riches asso cie la part y du revenu total quils p ercoivent.
Plus pr
ecis
ement,la courb e de Lorenz relie les
points (i/n, qi) pour i = 1, .. ., n. En abscisse, on a donc une proportion dindividus
esclass
par ordre de
revenu, et en ordonnee la prop ortion du revenu total recu par ces individus.
Exemple 4.5 On utilise une enquetemenage sur le revenudans
egion
une
desrPhilippines app
eeel
Ilo cos.
Cette enquete de 1997 sur le revenu des menages a ete pro duite par lOffice philippin La
de Statistique.
courbe de Lorenz est presentee en Figure 4.1.Fig. 4.1 Courb e de Lorenz 0.0

1.0

proportionderevenu

0.8

0.6

0.4

0.2

0.0
0.2

0.4

0.6

0.8

1.0

proportiondemenages

Remarque4.1Surlegraphique,onindiquetoujoursladiagonale.LacourbedeLorenzestegale`aladiagonalesitou

##CourbedeLorenzetindicesdinegalite
##Etape1:oninstallelapackageineq
utils:::menuInstallPkgs()
#choisirineqdanslaliste
##Etape2:onchargelepackageineq
local({pkg<-select.list(sort(.packages(all.available=TRUE)))
+if(nchar(pkg))library(pkg,character.only=TRUE)})
#choisirineqdanslaliste
##UtilisationdelabasededonneesIlocos
#Enqu^etesurlerevenudelOfficedeStatistiquePhilippin
data(Ilocos)attach(Ilocos)#plot(Lc(income),xlab="proportiondemenages",

ylab="proportionderevenu",main="")4.3.3IndicedeGiniLindicedeGini,noteGestegal`adeuxfoislasurf

Ilestpossibledemontrerque:G=1n(n1)ni=1nj=1|xixj|2x.Enutilisantlastatistiquedordrex(1),...,x(i),...,x(n),lindiced

ecrire

G=1n12ni=1ix(i)nx(n+1).LindicedeGiniestcomprisentre0et1.Silestprochede0,touslerevenussontegaux.S

1,lesrevenussonttr`esinegaux.4.3.4IndicedeHooverLindicedequirepartitiondeHoover(ouRobinHoo
e`alacourbedeLorenz,carilestpossibledemontrerquilcorrespond`alaplusgrandedistanceverticaleentrelacour

Lequintileshareratioestdefinitpar
QSR=

S80
.
S20

DSR=

S90
.
S10

Ledecileshareratioestd
efinitpar

Cesquantitessonttoujoursplusgrandesque1etaugmententaveclin
egalit
e. Cesdeuxrapportssont
facilementinterpretables,parexemplesi
leQSR=5, celasignifiequelerevenumoyendes20%lesplus
richesest5foisplusgrandquelerevenumoyende20%lespluspauvres.

4.3.6IndicedepauvreteUnindicesimpledepauvreteconsiste`acalculerlepourcentagedelapopulationg
moitiedelamediane.4.3.7IndicesselonlespaysLetableau4.4reprendpourtouslespayslindicedeGini

etlerapportdes20%lesplusrichessurles
20%lespluspauvres.(reference:UnitedNations2005DevelopmentProgrammeReport,page270).

ExercicesExercice4.1Etudiezlesproprietes(circularite,reversibilite,identit
eettransitivit
e)detouslesindicesde
prixpresentes.57

Tab.4.4Mesuresdelinegalit
eparpays
Rang

Pays

Indice
deGini
24.7
24.9
25
25
25.4
25.8

DSR

QSR

Annee
delenquete
1997
1993
2000
1996
1996
2000
1996
2001
2000
2000
2002
1998
2002
2000
1998
1983
2001
1999
1997
1999
2002
1998
2000
1999
2002

1
Denmark
8.1
4.3
2Japan
4.5
3.4
3Sweden
6.2
4
4Belgium
7.8
4.5
5CzechRepublic
5.2
3.5
6Norway
6.1
3.9
7Slovakia25.8
6.7
4
8BosniaandHerzegovina
26.2
5.4
3.8
9Uzbekistan26.8
6.1
4
10Finland26.9
5.6
3.8
11Hungary26.9
5.5
3.8
12RepublicofMacedonia
28.2
6.8
4.4
13Albania28.2
5.9
4.1
14Germany28.3
6.9
4.3
15Slovenia28.4
5.9
3.9
16Rwanda28.9
5.8
4
17Croatia29
7.3
4.8
18Ukraine296.4
4.3
19Austria307.6
4.7
20Ethiopia306.6
4.3
21Romania30.38.1
5.2
22Mongolia30.317.89.1
23Belarus30.46.94.6
24Netherlands30.99.25.1
25Russia317.14.8
26SouthKorea31.67.84.71998
27Bangladesh31.86.84.62000
28Lithuania31.97.95.12000
29Bulgaria31.99.95.82001
30Kazakhstan32.37.55.12003
31Spain32.595.4199032India32.57.34.9199933Tajikistan32.67.85.2200334France32.79.15.6199535Pakistan337.64.819983

a57.833.117.92000117Brazil59.36826.42001118Guatemala59.955.124.42000119Swaziland60.949.723.81994120CentralAf

Chapitre5

Seriestemporelles,filtres,moyennes
mobilesetdesaisonnalisation
5.1Definitionsgeneralesetexemples
5.1.1DefinitionsDefinition5.1Uneserietemporelleestunesuitedobservationsdunequantit
erep
et
eedansletemps.
Onenonceengenerallhypoth`esequelesintervallesdetempssontequidistants.Las
erietemporelleestnot
ee
y1,...,yt,...,yT.OnnoteegalementT={1,2,...,t,...,T}lensembledesinstantsauxquelslesobservationssontr

ealis
ees.
Uneserietemporellepeutsecomposerde:unetendanceTt,unecomposantecycliqueCt(nousnetudieronspasc
isoleretestimerunecomposantesaisonni`ere,etdesaisonnaliserlaserie,realiseruneprevisionpourdesvaleu
QTR:Quarter,trimestresdepuisle1ertrimestre1978jusquau4`emetrimestre198559

DISH:Nombredelave-vaisselles(dishwashers)exp
edi
es(milliers)
DISP:Nombredebroyeurdordures(disposers)exp
edi
es(milliers)
FRIG:Nombreder efrig
erateursexp
edi
es(milliers)
WASH:Nombredemachines`alaver(washingmachine)exp
edi
es(milliers)
DUR:DepensesenbiensdurablesUSA(milliardsdedollarsde1982)
RES:Investissementresidentielpriv
eUSA(milliardsdedollarsde1982)
Tab.5.1BiensmanufacturesauxUSA

QTRDISH
DISP FRIG WASH DUR RES
1841
798 1317 1271 252.6 172.9
2957837
1615 1295 272.4 179.8
3999821
1662 1313 270.9 180.8
4960858
1295 1150 273.9 178.6
58948371271
1289 268.9 174.6
68518381555
1245 262.9 172.4
78638321639
1270 270.9 170.6
88788181238
1103 263.4 165.7
979286812771273
260.6 154.9
1058962312581031
231.9 124.1
1165766214171143
242.7 126.8
1269982211851101248.6
142.2
1367587111961181258.7
139.3
1465279114101116248.4
134.1
1562875914171190255.5122.3
165297349191125240.4110.4
174807069431036247.7101.2
1853058211751019249.1103.41955765912691047251.8100.120602837973918262.0115.8216588671102
erateursvendusamanifestementunecomposantesaisonni`ereetunetendance.EnlangageRQTR=c(1,2,3,4,5,

240 280 320 360

DUR

1978

1980

1982

1984

1986

Time

1400
1000

FRIG

Fig.5.1DepensesenbiensdurablesUSA(milliardsdedollarsde1982)

1978

1980

1982

1984

1986

Time

Fig.5.2Nombrederefrigerateursvendusde1978`a1985

DISP=c(798,837,821,858,837,838,832,818,868,623,662,822,871,791,759,734,706,
582,659,837,867,860,918,1017,1063,955,973,1096,1086,990,1028,1003)
FRIG=c(1317,1615,1662,1295,1271,1555,1639,1238,1277,1258,1417,1185,1196,1410,1417,919,943,1175

1242,1684,1764,1328)WASH=c(1271,1295,1313,1150,1289,1245,1270,1103,1273,1031,1143,1101,1181,1
4,161.9,159.9,170.5,173.1,170.3,169.6,170.3,172.9,175,179.4)plot(QTR,DUR,type="l")plot(QTR,FRIG,type=

Tab.5.2Indicedesprix`alaconsommation(France)
1974
127.4
129.1
130.6
132.7
134.3
135.8
137.5
138.6
140.1
141.8
143.1
144.3

1975
145.9
147.0
148.2
149.5
150.6
151.7
152.8
153.8
155.1
156.3
157.3
158.2

1976
159.9
161.0
162.4
163.8
164.9
165.6
167.2
168.4
170.2
171.8
173.2
173.8

1977
174.3
175.5
177.1
179.4
181.1
182.5
184.1
185.1
186.7
188.2
188.9
189.4

1978
190.3
191.7
193.4
195.5
197.4
198.9
201.5
202.5
203.8
205.7
206.8
207.8

140
100

Iprix

180

pt
1970 1971 1972 1973
janvier
97.9 102.5 108.3 115.5
fevrier98.2
103.0 108.9 115.8
mars98.5
103.4 109.4 116.4
avril99.0
104.0 109.8 117.2
mai99.4
104.7 110.4 118.3
juin99.8105.1
111.0 119.2
juillet100.0105.6
111.9 120.2
aout100.4106.0
112.5 121.0
septembre100.8106.5 113.2 122.1
octobre101.2107.1114.2
123.4
novembre101.6107.5114.9
124.5
decembre101.9108.0115.5125.3

1970

1972

1974

1976

1978

Time

1.010
1.000

Iprix/lag(Iprix,1)

Fig.5.3Indicedesprix`alaconsommationptTime

1970

1972

1974

1976

1978

1.14
1.10
1.06

Iprix/lag(Iprix,12)

Fig.5.4Rapportmensueldesindicesdeprixpt/pt1Time

1972

1974

1976

1978

Fig.5.5Rapportenglissementannueldesindicesdeprixpt/pt12#Iprix=c(97.9,98.2,98.5,99,99.4,99.8,100,100.4

108.3,108.9,109.4,109.8,110.4,111,111.9,112.5,113.2,114.2,114.9,115.5,
115.5,115.8,116.4,117.2,118.3,119.2,120.2,121,122.1,123.4,124.5,125.3,
127.4,129.1,130.6,132.7,134.3,135.8,137.5,138.6,140.1,141.8,143.1,144.3,
145.9,147,148.2,149.5,150.6,151.7,152.8,153.8,155.1,156.3,157.3,158.2,
159.9,161,162.4,163.8,164.9,165.6,167.2,168.4,170.2,171.8,173.2,173.8,
174.3,175.5,177.1,179.4,181.1,182.5,184.1,185.1,186.7,188.2,188.9,189.4,
190.3,191.7,193.4,195.5,197.4,198.9,201.5,202.5,203.8,205.7,206.8,207.8)
Iprix<-ts(Iprix,start=c(1970,1),frequency=12)
plot(Iprix)plot(Iprix/lag(Iprix,-1))plot(Iprix/lag(Iprix,-12))Exemple5.4Donneesdunombredevoyageurs-kilom`

etresendeuxi`
emeclasseexprim
eesenmillionsde
kilom`etres.Tab.5.3TraficdunombredevoyageursSNCF

mois/anneejanv.fev.marsavrilmaijuinjuil.

aout sept.

oct.

nov.

d
ec.

1500 2500 3500

trafic

19631750156018202090191024103140
2850 2090 1850 1630 2420
19641710160018002120210024603200
2960 2190 1870 1770 2270
196516701640177021902020261031902860
2140 1870 1760 2360
196618101640186019902110250030302900
2160 1940 1750 2330
196718501590188022102110248028802670
2100 1920 1670 2520
1968183417921860213821152485258126392038
1936 1784 2391
1969179818501981208521202491283427251932
2085 1856 2553
19701854182320052418221927222912277121532136
1910 2537
19712008183521202304226421752928273821782137
2009 2546
19722084203421522522231826842971275922672152
1978 2723
197320812112227926612281292930892803229622102135
2862
197422232248242127102505302133273044260725252160
2876
197524812428259629232795328735983118287527542588
3266
1976266726682804280629763430370530532764280227073307
1977270625862796297830533463364930952839296628633375
19782820285733063333314135123744317929842950289636111979331326442872326733913682

1965

1970

1975

Fig.5.6TraficdunombredevoyageursSNCF63

1980

5.2Descriptiondelatendance
5.2.1Lesprincipauxmod`
eles
Plusieurstypesdemod`
elespeuvent
etreutilis
espourdecrirelatendance.
Mod`elesdependantdutemps.Las
eried
ependdirectementdutemps.Lemod`
elepeutetreadditif:
yt =f(t)+E

t,

=f(t)E

t.

oumultiplicatify
t

Mod`elesexplicatifsstatiques:las
eriechronologiqued
ependdesvaleursprisesparuneouplusieurs
autresserieschronologiques.y
t =f(x t )+E t
Lecaslineaireestleplusfacile`atraiteryt=b
0

+b1xt +E t .

Mod`elesauto-projectifs.Laseriechronologiqueautempstd
ependdesespropresvaleurspass
ees
yt=f(yt1,yt2,yt3,...,y

tp )+E t

Mod`elesexplicatifsdynamiques:laseriechronologiquedependdesvaleurspr
esentesetpass
eesdune
oudeplusieursautresserieschronologiques,parexemple:yt=+1yt1+2yt2++pytp+1xt1+2xt2
++

qxtq

+E t .

5.2.2TendancelineaireLatendancelaplussimpleestlineaire.Onpeutestimerlesparam`etresaumoyend

ethodedes
moindrescarres.Cestuneregressionsimple.Tt=a+bt.5.2.3TendancequadratiqueOnpeututiliserune

desmoindrescarres.Cestuneregressionavecdeuxvariablesexplicatives.Tt=a+bt+ct25.2.4Tendancepo
eaire,onpeutseramener`aunprobl`emelineaire.Enposantzt=1/Tt,onazt=1+beatc64

zt+1

=
=
=
=

Enposant=

1+bea(t+1)
c
1+beat ea
c
1+(1+be at )ea ea
c
1e a
+z t ea .
c
1e a
, et=e
c

onobtientz
t+1

=+z t ,

cequiestunmod`eleauto-projectif.Onpeutalorsd
eterminerlesvaleursdeetparunesimpler
egression
lineaire.Ensuiteondeduitadelamani`eresuivante:
a=log,
etcomme=1eac=1
c,

0.3
0.2
0.1
0.0

logis(x)

0.4

0.5

ondeterminecparc=1.Enfin,onremarquequezt1c=beatc,onpeutdeterminerautantdevaleursdebquelo

Fig.5.7Exempledefonctionlogistiqueavecc=0.565

5.3Op erateursded
ecalageetdediff
erence
5.3.1Operateursded
ecalage
Afindesimplifierlanotation, onutilisedesoperateursded
ecalage.Ondefinitlop
erateurded
ecalage
retard(enanglaislagoperator)Lpar
Ly t =y t1 ,
etloperateur(enanglaisforwardoperator)avanceF
Fy t =y t+1 ,
loperateuridentiteIy
t

=y t .

Loperateuravanceestlinversedeloperateurretard
FL=LF=I.
OnpeutdoncecrireF1=LetL

=F.

OnaegalementL2yt=LLyt=yt2,Lqyt=ytq,Fqyt=yt+q,L0=F0=I,Lqyt=Fqyt=yt+q.5.3.2Operateurdiff
eedanslegraphique5.9.EnlangageR##Tendancelineaireetdifference#lin=10+0.3*(0:50)+rnorm(50,0,1)p

25
20
15
10
0

10

20

30

40

50

0 1 2

Fig.5.8S erieavecunetendancelin
eaired
ependantdutemps

10

20

30

40

50

Fig.5.9Differencedordreundelaserieavecunetendancelin
eaire

Onpeutconstruireloperateurdifferencedordredeuxenelevantaucarr
e:
2==I2L+L2Loperateurdifferencedordredeuxpermetdenleverunetendancequadratique.Eneffet,sila
eries
ecrit

yt=a+bt+ct2+Et,alors2yt=(I2L+L2)yt=a+bt+ct2+Et2a2b(t1)2c(t1)22Et1+a+b(t2)+
erateurs,lacomposantesaisonni`eredisparat.EnlangageR67

200
0
300

FRIGm4

1979

1980

1981

1982

1983

1984

1985

1986

Time

Fig.5.10Differencedordre4delavariableventeder
efrig
erateurs
##Ventederefrigerateursdifferencedordre4

#FRIGm4=FRIG-lag(FRIG,-4)plot(FRIGm4)Exemple5.7Sionappliqueunedifferencesaisonni`eredordre12sur

eesdunombredevoyageurskilom`etresytendeuxi`emeclasseexprimeesenmillionsdekilom`etresdelaSNCF,
latendancesaisonni`
ere
disparat(voirFigure5.12).Onaainsilanouvellevariablezt=12yt=(IL12)yt=ytyt12.Uneautremani`eredefairec

1500 2500 3500

trafic

erence,
cequirevient`aprendrelelogarithmedurapportdelavariable(voirFigure5.13).Ond efinitainsi une
nouvellevariablevt:vt=12logyt=(IL12)logyt=logytlogyt12=logytyt12.Time

1965

1970

1975

1980

Fig.5.11TraficdunombredevoyageursSNCFEnlangageRtrafic=c(1750,1560,1820,2090,1910,2410,3140,285

1.2
1.0
0.8

difftrafic

1965

1970

1975

1980

Time

0.0
0.2

raptrafic

0.2

Fig.5.12Differencedordre12surlas
erietraficdunombredevoyageursSNCF

1965

1970

1975

1980

Time

Fig.5.13Logarithmedurapportdordre12surlaserietraficdunombredevoyageursSNCF

1834,1792,1860,2138,2115,2485,2581,2639,2038,1936,1784,2391,1798,1850,1981,2085,2120,2491,2834

806,2976,3430,3705,3053,2764,2802,2707,3307,2706,2586,2796,2978,3053,3463,3649,3095,2839,2966,2
eairesUnfiltrelineairedordrem=p1+p2estdefiniparFL=p2j=p1wjLj=wp1Lp1+wp1+1Lp11++w1L+w0I+w

o`up1,p2 Netw

R.

5.4.2Moyennesmobiles:d
efinition
Unemoyennemobiledordrem=p
1 +p 2 +1estunfiltrelineairetelque
p2

wj =1, pourtoutj=,p 1,...,p 2.

j=p

Beaucoupdemoyennesmobilesontdespoidsw
j positifs,maispastoutes.
Unemoyennemobileestsym
etriquesip1 =p 2 =p,et
wj =w j , pourtoutj=1,...,p.
Unemoyennemobilesymetriqueestditenon-pond
er
eesi
wj=cstpourtoutj=,p

1,...,p 2.

5.4.3Moyennemobileetcomposantesaisonni`
ere
Unemoyennemobileestunoutilinteressantpourlisserunes
erietemporelleetdoncpourenleverune
composantesaisonni`ere.Onutilisedepreferencedesmoyennesmobilesnon-pond
er
eesdordreegal`ala
periode,parexempledordre7pourdesdonneesjournali`eres,dordre12pourdesdonn
eesmensuelles.Par
exemple,pourenleverlacomposantesaisonni`eredueaujourdelasemaine,onpeutappliquerunemoyenne
mobilenon-pondereedordre7.MM(7)=17L3+L2+L+I+F+F2+F3
.
Cettemoyennemobileaccordelememepoids`achaquejourdelasemaine.Eneffet,

MM(7)yt=17(yt3+yt2+yt1+yt+yt+1+yt+2+yt+3).Pourlescomposantessaisonni`eresduneperiodepaire,iln

ees
non-ponderees.Ilexistedeuxtypesdemoyennemobilecentree:Silaperiodeestpaireetegale`am,(m=4pour

mobiledordreimpairaccordantundemi-poidsauxdeuxextremites.Parexemple,pourdesdonn
ees
trimestrielles,lamoyennemobileestdefinieparMM(4)=18L2+2L+2I+2F+F2.Ainsi,chaquetrimestreconservelem
eesserontperduesauxextremitesdelaseries.Exemple5.8Lavariablerefrigerateurestlisseegrace`a

1400
1000

FRIG

1978

1980

1982

1984

1986

Time

Fig.5.14Nombreder efrig
erateursetmoyennemobiledordre4

EnlangageRdec=decompose(FRIG)moving_average=dec$trendplot(FRIG)lines(moving_average)Unemoyen

sonni`ere.5.5Moyennesmobilesparticuli`eres 5.5.1MoyennemobiledeVanHan
eriode4et5etconservelestendancespolynomialesjusqu`alordre3. 5.5.3MoyennemobiledeHender

MoyennemobiledeHendersondordre2m3,o`um4
m+1

j L j ,

MM H =
j=m1

o`uj=

315((m1)2 i 2)(m2 i 2)((m+1) 2 i 2)(3m2 1611i 2)

8m(m2 1)(4m2 1)(4m2 9)(4m2 25)

MoyennemobiledeHendersondordre2m3=5(m=4)
1286(21L
2
+84L+160I+84F21F

MoyennemobiledeHendersondordre2m3=9(m=6)
12431(99L424L3288L2+648L+805I+648F+288F2

24F 3 99F 4)

MoyennemobiledeHendersondordre2m3=11(m=7)
192378(2574L52475L4+3300L3+13050L2+22050L+25676I
+22050F+13050F2+3300F32475F

2574F5)

MoyennemobiledeHendersondordre2m3=15(m=9)1193154(2652L74732L62730L5+4641L4+160

+37422F+28182F2+16016F3+4641F42730F54732F62652F 7)

5.5.4MedianesmobilesSilesdonneescontiennentdesvaleursaberrantesouextremes,onpeutremplac

unemedianemobile.Parexemplelamedianemobiledordre5estdefiniepar:Med(5)t=Mediane(yt2,yt1,yt,yt+
eesetlatendanceSm=1A1a(YamTam).72

Engen
eral,onnedisposepasdum
emenombredobservations,pourchaquemois.Onproc`
ede`aunajustement
afinquelasommedescomposantessaisonni`
eressoit
egale`az
ero:
Sm =S m

1
M

Sm .
m

Onpeutensuiteproc
eder`alad
esaisonnalisationdelas
eriepar
Yam =Y am S m .

5.6.2Methodemultiplicative
Soituneserietemporelleregieparunmod`
elemultiplicatifdutype
Yam =T am S m E am .
o`ua=1,...,Arepresenteparexemplelanneeetm=1,..,Mrepr
esenteparexemplelemois.Latendance
estsupposeeconnuesoitparunajustement,soitparunemoyennemobile.
Onisolelacomposantesaisonni`ereenfaisant,pourchaquemois,lamoyennedesrapportsentrelesvaleurs
observeesetlatendance:Sm=1A1aY
am
.
Tam

`Anouveau,onrealiseunajustementafinquelamoyennedescomposantessaisonni`
eressoitegale`a1.On
corrigedonclescoefficientsSmparSm=Sm11MmSm.LadesaisonnalisationserealisealorsparunedivisionYam=YamS

erateurs.LeTableau5.4contientlavariableventederefrigerateurs,lamoyennemobiledordre4,lacomposantesaisonni`
ere
etseriedesaisonnaliseeaumoyendelamethodeadditive.LeTableau5.6presenteladesaisonnalisationau

moyendelamethodemultiplicative.EnlangageRdeco=decompose(FRIG,type="multiplicative")plot(deco) 5.
ediction`alhorizon1,etconsiste`arealiserunemoyennedesvaleurspasseesenaffectantdespoidsmoinsimpor

Tab.5.4D ecompositiondelavariableFRIG,m
ethodeadditive

QTR FRIG
MM FRIG-MM Desaison
1
1317
1442.58
2
1615
1505.13
3
1662 1466.50
195.50 1451.20
4
1295 1453.25
-158.25 1490.09
5
1271 1442.88
-171.88 1396.58
6
1555 1432.88
122.13 1445.13
7
1639 1426.50
212.50 1428.20
81238
1390.13
-152.13 1433.09
91277
1325.25
-48.25 1402.58
101258
1290.88
-32.88 1148.13
1114171274.13
142.88 1206.20
1211851283.00
-98.00 1380.09
1311961302.00
-106.00 1321.58
1414101268.75
141.25 1300.13
1514171203.88213.13
1206.20
169191142.88-223.88
1114.09
179431095.00-152.00
1068.58
1811751083.2591.75
1065.13
1912691109.88159.13
1058.20
209731150.88-177.881168.09
2111021218.50-116.501227.58
2213441296.5047.501234.13
2316411368.88272.131430.20
2412251454.13-229.131420.092514291512.00-83.001554.582616991512.00187.001589.132717491475.1

Tab.5.6D ecompositiondelavariableFRIG,m
ethodemultiplicative

QTR FRIG
MM FRIG/MM
Desaison
1
1317
1453.85
2
1615
1493.76
3
1662 1466.50
1.13 1434.00
4
1295 1453.25
0.89 1516.45
5
1271 1442.88
0.88 1403.07
6
1555 1432.88
1.09 1438.26
7
1639 1426.50
1.15 1414.15
81238
1390.13
0.89 1449.70
91277
1325.25
0.96 1409.70
101258
1290.88
0.97 1163.56
1114171274.13
1.11 1222.61
1211851283.00
0.92 1387.64
1311961302.00
0.92 1320.28
1414101268.75
1.11 1304.15
1514171203.881.18
1222.61
169191142.880.80
1076.15
179431095.000.86
1040.99
1811751083.251.08
1086.79
1912691109.881.14
1094.91
209731150.880.851139.39
2111021218.500.901216.51
2213441296.501.041243.10
2316411368.881.201415.88
2412251454.130.841434.482514291512.000.951577.492616991512.001.121571.452717491475.131.1915
eeparunedroitehorizontale.Autrementdit,onsupposequeXTa.75

Fig.5.15D ecompositiondelas
eriedeventesder
efrig
erateurs5.1

trend

1400
1500
1000
1300
1.15
1100

seasonal

1.00
100
0.85
0

random

100

observed

Decompositionofmultiplicativetimeseries

1978

1980

1982

1984

1986

Time

Lelissageexponentielpeutetreobtenuaumoyendelamethodedesmoindrescarr
esenminimisantena
lecrit`ereQ=T1j=0j(XTja)2.Enannulantladeriveeparrapport`aa,onobtient2T1j=0j(XTja)=0,cequidonne
eeparunedroitequelconquedetypea+b(tT).Onappliquealorsunlissageexponentieldoublepourobtenirlapred

Enannulantlesd
eriv
eespartiellesparrapport`aaetb,onobtient
T1

2
j (X Tj a+bj)=0

j=0

T1

2
j (X Tj a+bj)j=0.

j=0

cequidonne

T1
T1

T1

j X Tj a
j +b
j j =0
j=0
T1j=0jj

j=0
T1

j=0
T1

j j +b

X Tj a
j=0

j=0

Commeona
j=0

j 2j =0.

1
1

j=0jj=

(1) 2

j=0j2j=(1+)(1)3ona T1j=0jXTja1+b(1)2=0T1j=0jjXTja(1)2+b(1+)(1

EnnotantmaintenantS1TlaserielisseeS1T=(1)T1j=0jXTj,etS2TlaseriedoublementlisseeS2T=(1)T1j=0

Lesyst`
eme(5.1)peutalorss
ecrire

1
b

ST a +
=0

1
1
(1) 2
ST2
S1
a
b(1+)

T
+
=0.
2
(1)
1
(1) 2
(1) 3
Enresolvantcesyst`emeenaetb,onobtientfinalement

a=2S T1 S T2
1 1
(ST S T2 ).
b=

Exemple5.10Letableau5.8rendcompteduprixmoyendumazoutpour100 (achatentre800et1500
)enCHFpourchaquemoisde2004`a2007(Source:Officef
ed
eraldelastatistique,2008).

Tab.5.8PrixmoyenduMazoutpour100

(achatentre800et1500)

mois/annee200420052006
2007
janvier54.2363.0086.16
79.39
fevrier51.5167.3288.7081.32
mars55.6075.5288.9282.06
avril55.7279.8392.5888.05
mai58.7173.2293.6588.24juin58.8275.3891.8888.95juillet58.4183.9795.3592.10aout64.9284.2395.839
ecursiveXt(1)=(1)Xt+Xt1(1),X0(1)=X1,o`uS1t=Xt(1).Onobtient:S11=X1(1)=(1)X1+X0(1)=(1

Onobtient:

S12 =(1)S

1
1

+S 02 =(1)S

1
1

+S 11 =S 11 =54.23,

S22 =(1)S

1
2

+S 12 =0.353.414+0.754.23=53.99,

S32 =(1)S

1
3

+S 22 =0.354.070+0.753.99=54.01,

etainsidesuite.Oncherchealors
X t (k)=a+bk
pourchaquet.Onprendicik=1, X t (1)=a+bavec:
a =2S t1 S t2
1
0.3 1
b =
St1 S t2 =
S S t2

0.7 t
Letableau5.9rendcomptedesresultatspourlesann
ees2004`a2007.
Lafigure5.16representelaserieinitiale,lelissageexponentielsimpleetlelissageexponentieldoubleet
peutetreobtenueenlanguageRaumoyenducodesuivant:

#Lissageexponentieldoubleaveck=1mazout=c(54.23,51.51,55.60,55.72,58.71,58.82,+58.41,64.92,63.95,72

+79.83,73.22,75.38,83.97,84.23,97.29,99.31,89.88,87.18,+86.16,88.70,88.92,92.58,93.65,91.88,95.35,95.
+p*liss2[i-1]#formulerecursive}#Lissageexponentieldoubleaveck=1a=2*liss-liss2b=((1-p)/p)*(liss-liss2)liss

Tab.5.9Lissageexponentielsimpleetdoubledelas
erietemporellePrixmoyenduMazoutpour100litres
(achatentre800et1500litres)enCHF
ann
ee mois
Xt
St1
St2
a
b
a+b
2004
1
54.23 54.230 54.230 54.230 0.000 54.230
2
51.51 53.414 53.985 52.843 -0.245 52.598
3
55.60 54.070 54.011 54.129 0.025 54.154
455.72
54.564 54.177 54.952 0.166 55.119
558.71
55.808 54.666 56.950 0.489 57.440
658.82
56.712 55.280 58.144 0.614 58.757
758.41
57.221 55.862 58.580 0.582 59.163
864.9259.531
56.963 62.099 1.101 63.199
963.9560.857
58.131 63.582 1.168 64.750
1072.9864.494
60.040 68.947 1.909 70.856
1170.2566.22161.894
70.547 1.854 72.401
1268.2466.82663.374
70.279 1.480 71.759
2005163.0065.67864.065
67.292 0.691 67.983
267.3266.17164.697
67.645 0.632 68.277
375.5268.97665.98171.971
1.284 73.254
479.8372.23267.85676.608
1.875 78.483
573.2272.52869.25675.799
1.402 77.201
675.3873.38470.49676.272
1.238 77.510
783.9776.56072.31580.8051.819
82.624
884.2378.86174.27983.4431.964
85.407
997.2984.39077.31291.4673.033
94.501
1099.3188.86780.77896.9533.466100.420
1189.8889.17083.29695.0442.51897.562
1287.1888.57384.87992.2671.58393.850
2006186.1687.84985.77089.9280.89190.819288.7088.10486.47089.7380.70090.439388.9
1.41380.486281.3284.03487.15680.911-1.33879.573382.0683.44186.04180.842-1.11479.

110
90
prix

50 60 70 80

Lissageexponentielsimple
Lissageexponentieldouble
2004

2005

2006

2007

2008

temps

Fig.5.16EvolutionduprixdumazoutenCHF(achatentre800et1500),lissageexponentieldoubleetlissageexponen

Exercices
Exercice5.1Desaisonnalisezlas
eriesuivante(cestunes
erietrimestriellesur3ann
ees)
2417,1605,1221,1826,2367,1569,1176,1742,2804,1399,1063,1755
parlamethodeadditive,enutilisantunemoyennemobiledordre4.
Exercice5.2EnlangageRutilisezlaserieldeathsquiestunes
eriequisetrouvedanslepackagedebase
datasets.Lisezladocumentation,puisd
esaisonnalisezcettes
erieparlesm
ethodesadditiveetmultiplicative.82

Chapitre6

Calculdesprobabilit
esetvariables
aleatoires6.1Probabilites6.1.1Evenement

Uneexperienceestditeale

esultat.Onnoteunr esultat
possibledecetteexperiencealeatoire.Lensembledetouslesresultatspossiblesestnot
e.Parexemple,si
onjettedeuxpi`ecesdemonnaie,onpeutobtenirlesresultats={(P,P,),(F,P),(P,F),(F,F)},avecFpourfaceetPpour

erienceal
eatoire
commeavoirdeuxfoispileouavoiraumoinsunefoispile.Formellement,unev
enementestunsousensemblede.Levenementavoirdeuxfoispileestlesousensemble{(P,P,)}.Levenementavoiraumoinsu
Lensembleestappeleevenementcertain,etlensemblevideestappeleevenementimpossible.

6.1.2OperationssurlesevenementsSurlesevenements,onpeutappliquerlesoperationshabitu

enementAestobtenirunnombrepairetlevenementBobtenirunmultiplede3,levenementABestleve

Exemple6.1Lexperiencepeutconsister`ajeterund
e,alors
={1,2,3,4,5,6},
etunevenement,not
eA,estobtenirunnombrepair.Onaalors
A={2,4,6}etA={1,3,5}.

6.1.3Relationsentrelesev
enements
Evenementsmutuellementexclusifs
SiAB=onditqueAetBsontmutuellementexclusifs,cequisignifiequeAetBnepeuventpas
seproduireensemble.Exemple6.2Sionjetteunde,levenementobtenirunnombrepairetl

ev
enementobtenirunnombre
impairnepeuventpasetreobtenusenmemetemps.Ilssontmutuellementexclusifs.
Dautrepart,si lon
jetteunde,lesevenementsA:obtenirunnombrepairnestpasmutuellementexclusifavecl
ev
enement
B:obtenirunnombreinferieurouegal`a3.Eneffet,lintersectiondeAetBestnon-videetconsisteen
levenementobtenir2.InclusionSiAestinclusdansB,onecritAB.OnditqueAimpliqueB.Exemple6.3Sionje

A={2}etB={2,4,6}.OnditqueAimpliqueB.6.1.4Ensembledespartiesdunensembleetsyst`em
eP(.)estuneapplicationdeAdans[0,1],telleque:Pr()=1,PourtoutensembledenombrabledevenementsA 1

Tab.6.1Syst` emecompletd
ev
enements

A1

111111
000000

1111111
0000000

An

Apartirdesaxiomes,onpeutdeduirelespropri
et
essuivantes:

Propriete6.1Pr()=0.DemonstrationCommeestdintersectionvideavec,onaquePr()=Pr()+Pr()

Donc,Pr()=2Pr(),cequiimpliquequePr()=0.

Propriete6.2Pr(A)=1Pr(A).DemonstrationOnsaitqueAA=etAA=.Ainsi,onaquePr()=Pr(AA)=Pr(A

Propriete6.3Pr(A)Pr(B)siAB.DemonstrationCommeAB,onaB=(BA)A.Maisonaque(BA)A=.Ains

Demonstration
OnaqueAB=A(BA),
avecA(BA=).
AinsiPr(AB)=Pr(A)+Pr(BA).
Ilreste`amontrerquePr(B)=Pr(BA)+Pr(AB)
MaisB=(BA)(BA)
avec(BA)(BA)=
DoncPr(B)=Pr(BA)+Pr(BA)

Propriete6.5Prni=1Aini=1Pr(Ai)DemonstrationNotonsrespectivementB1=A1,B2=(A2\A1),B3=(A3\(A1A

2)),

B4=(A4\(A1A2A3)),...,Bn=(An\(A1A2A

n1 )).

Commeni=1Ai=ni=1Bi,etqueBiBjpourtoutj=i,alorsPrni=1Bi=ni=1Pr(Bi).Deplus,comme,pourtouti,BiAi,onaquePr(B

6.1.6Probabilit
esconditionnellesetind
ependance
Definition6.3Soientdeux
ev
enementsAetB,siPr(B)>0,alors
Pr(A|B)=

Pr(AB)
.
Pr(B)

Exemple6.5Sionjetteund e,etquelonconsid`
erelesdeux
ev
enementssuivants:
Alaprobabilitedavoirunnombrepairet
Blaprobabilitedavoirunnombresup
erieurouegal`a4.
OnadoncPr(A)=Pr({2,4,6})=12,Pr(B)=Pr({4,5,6})=36=12,Pr(AB)=Pr({4,6})=26=13,Pr(A|B)=Pr(AB)Pr

Pr(A|B)=Pr(A).OnpeutmontrerfacilementquesiAetBsontindependants,alorsPr(AB)=Pr(A)Pr(B).6.1.7The

Pr(B)=ni=1Pr(Ai)Pr(B|Ai).Tab.6.2Illustrationdutheor`emedesprobabilitestotales 00000

A1

An

Ai

111111

1111111
0000000

Eneffet,ni=1Pr(Ai)Pr(B|Ai)=ni=1Pr(BAi).CommelesevenementsAiBsontmutuellementexclusifs,ni=1Pr(BAi)=

Theor`
eme6.2(deBayes)SoitA 1,...,A

unsyst`
emecompletd
ev
enements,alors

Pr(A i |B)=

Pr(A i )Pr(B|A i )
.
Pr(A j )Pr(B|A j )

n
j=1

Eneffet,parletheor`
emedesprobabilit
estotales,
Pr(A i )Pr(B|A i )
Pr(BA i )
=
=Pr(A i |B).
Pr(B)
Pr(A j )Pr(B|A j )

n
j=1

Exemple6.6Supposonsquunepopulationdadultessoitcompos
eede30%defumeurs(A 1)etde70%
denon-fumeur(A2).NotonsBlevenementmourirduncancerdupoumon.Supposonsenoutreque
laprobabilitedemourirduncancerdupoumonestegale`aPr(B|A1) =20%si lonestfumeuretde
Pr(B|A2)=1%silonestnon-fumeur.Leth eor`
emedeBayespermetdecalculerlesprobabilit
esapriori,
cest-`a-direlaprobabilitedavoiretefumeursionestmortduncancerdupoumon.Eneffet,cetteprobabilit
e
estnoteePr(A1|B)etpeutetrecalculeeparPr(A1|B)=Pr(A1)Pr(B|A1)Pr(A1)Pr(B|A1)+Pr(A2)Pr(B|A2)=
0.30.2
0.06
=
0.896.
0.30.2+0.70.01 0.06+0.007
Laprobabilitedenepasavoiretenonfumeursionestmortduncancerdupoumonvautquant`aelle:
Pr(A2|B)=Pr(A2)Pr(B|A2)Pr(A1)Pr(B|A1)+Pr(A2)Pr(B|A2)=0.70.01
0.07
=
0.104.
0.30.2+0.70.01 0.06+0.007

6.2Analysecombinatoire6.2.1IntroductionLanalysecombinatoireestletudemathemat

natoireestunoutilutilisedanslecalculdesprobabilites. 6.2.2Permutations(sansrepetition)Unep

lensemble{1,2,3}.Ilexiste6mani`eresdordonnercestroischiffres:{1,2,3},{1,3,2},{2,1,3},{2,3,1},{3,1,2},{3

6.2.3Permutationsavecr
ep
etition
Onpeutegalementseposerlaquestiondunombredemani`
eresderangerdesobjetsquinesontpastous
distincts.Supposonsquenousayons2boulesrouges(not
eesR)et3boulesblanches(not
eesB).Ilexiste10
permutationspossiblesquisont:
{R,R,B,B,B},{R,B,R,B,B},{R,B,B,R,B},{R,B,B,B,R},{B,R,R,B,B},
{B,R,B,R,B},{B,R,B,B,R},{B,B,R,R,B},{B,B,R,B,R},{B,B,B,R,R}.
Silondisposedenobjetsappartenant`adeuxgroupesdetaillesn
1 etn 2,lenombredepermutationsavec
repetitionestn!
n1!n2!

Parexemplesilona3boulesblancheset2boulesrouges,onobtient
n!n1!n2!=5!
120
=
=10.
2!3! 26
Silondisposedenobjetsappartenant`apgroupesdetaillesn
1,n 2,...,n
avecrepetitionestn!n1!n2!np!.

p ,lenombredepermutations

6.2.4Arrangements(sansrepetition)Soitnobjetsdistincts.Onappelleunarrangementunemani`er

electionnerkobjetsparmilesnet
delesrangerdansdesbotesnumeroteesde1`ak.Danslapremi`erebote,onpeutmettrechacundesnobjets.Da
te, onpeutmettre
chacundesn1objetsrestants,danslatroisi`emebote,onpeutmettrechacundesn2objetsrestantset
ainsidesuite.Lenombredarrangementspossiblesestdoncegal`a:Akn=n(n1)(n2)(nk+1)=n!(nk)

tenircomptedeleurordre.Lenombredecombinaisonsestlenombredesous-ensemblesdetaillekdansun
ensembledetaillen.Soitlensemble{1,2,3,4,5}.Ilexiste10sous-ensemblesdetaille3quisont:{1,2,3},{1,2,4},{1,
ements,silonneveutpartenircomptedelordreondiviseAknpark!.Lenombredecombinaisonsdekobjetsparminva

6.3Variablesaleatoires
6.3.1Definition
Lanotiondevariableal
eatoireformaliselassociationdunevaleuraur
esultatduneexp
erienceal
eatoire.
Definition6.5Unevariableal
eatoireXestuneapplicationdelensemblefondamental
dansR.
Exemple6.7Onconsid`ereuneexp
erienceal
eatoireconsistant`alancerdeuxpi`
ecesdemonnaie.Lensemble
desresultatspossiblesest={(F,F),(F,P),(P,F),(P,P)}.
Chacundeselementsdeauneprobabilit
e1/4.Unevariablealeatoirevaassocierunevaleur`achacundes
elementsde.Consideronslavariableal
eatoirerepr
esentantlenombredeFacesobtenus:
X=
0 avecuneprobabilit
e1/4
1avecuneprobabilite1/2
2avecuneprobabilite1/4.

0.0

0.1

0.2

0.3

0.4

0.5

Cestunevariablealeatoirediscr`etedontladistributiondeprobabilit
esestpr
esent
eeenFigure6.1.

Fig.6.1Distributiondefacesobtenus. 6.4Variablesaleatoiresdiscr`etes 6.4.1Defini

(x)2=xZpX(x)x22.Onpeutaussicalculerlesmomentsettouslesautresparam`etres.90

6.4.2Variableindicatriceoubernoullienne
LavariableindicatriceXdeparam`
etrep[0,1]aladistributiondeprobabilit
essuivante:
X=

1avecuneprobabilit
ep
0avecuneprobabilit
e1p.

Lesperancevaut=E(X)=0(1p)+1p=p,
etlavariancevaut2=var(X)=E(Xp)
2

=(1p)(0p)

+p(1p) 2 =p(1p).

Exemple6.8Ontireauhasardunebouledansuneurnecontenant18boulesrougeset12boulesblanches.Si
Xvaut1silabouleestrougeet0sinon,alorsXauneloibernoulliennedeparam`
etrep=18/(18+12)=0.6.

6.4.3VariablebinomialeLavariablealeatoirebinomialedeparam`etresnetpcorrespond`alexp
eriencesuivante.
Onrenouvelle
nfoisdemani`ereindependanteuneepreuvedeBernoullideparam`
etrep,o`upestlaprobabilit
edesucc`
es
pouruneexperienceelementaire.Ensuite,onnoteXlenombredesucc`
esobtenus.Lenombredesucc`
esest
unevariablealeatoireprenantdesvaleursenti`eresde0`anetayantunedistributionbinomiale.
UnevariableXsuituneloibinomialedeparam`etre0<p<1etdexposantn,si
Pr(X=x)=nxpxqnx,x=0,1,...,n1,n,

o`uq=1p,etnx=n!x!(nx)!.Demani`eresynthetique,siXaunedistributionbinomiale,onnote:XB(n,p).Rappe

dubinomedeNewton(p+q)n.(p+q)0=1(p+q)1=p+q=1(p+q)2=p2+2pq+q2=1(p+q)3=p3+3p2q+3pq2+q3=1(p

Lesp
erancesecalculedelamani`
eresuivante:
n

E(X)

xPr(X=x)
x=0
n

n x nx
pq
x

n x nx
pq
(onpeutenleverletermex=0)
x

x=0
n

=
x=1

=n

x=1n

n1
x1

=npnx=1n1
x1
=npn1z=0n1zp

px qnx
px1 q(n1)(x1)
z (n1)z

(enposantz=x1)

=np(p+q)n1=np.Lavarianceestdonnee(sansdemonstration)parvar(X)=npq.Exemple6.9Ontireauhasardav

18boulesrougeset12boulesblanches.SiXestlenombredeboulesrougesobtenues,alorsXauneloi
binomialedeparam`etrep=18/(18+12)=0.6,etdexposantn=5.Donc,Pr(X=x)=5x0.6x0.45x,x=0,1,...,4,5,cequ
eedanslaFigure6.2.Exemple6.10Supposonsque,dansunepopulationdelecteurs,60%deselecteurssappre

0.30
0.15
0.00
0

Fig.6.2Distributiondunevariablealeatoirebinomialeavecn=5etp=0.6.

6.4.4VariabledePoissonLavariableXsuituneloidePoisson,deparam`
etreR
Pr(X=x)=e

si

x
x!,x=0,1,2,3,.....

OnnotealorsXP(1).Lasommedesprobabilitesestbienegale`a1,eneffet
x=0Pr(X=x)=x=0exx!=ex=0 x

x!

=e e =1.

LesperanceetlavarianceduneloidePoissonsontegalesauparam`etre.Eneffet

E(X)=x=0xPr(X=x)=x=0xexx!=ex=1xxx!=ex=1x1(x1)!=ez=0zz!enposantz=x1=ee=

0.2
0.0
0

Fig.6.3DistributiondunevariabledePoissonavec=1.
lwd=3,xlab="",ylab="",main="",frame=FALSE)
#PoissonP(1)plot(dpois(0:7,1),type="h",lwd=3,xlab="",ylab="",main="",frame=FALSE)

6.5Variablealeatoirecontinue6.5.1Definition,esperanceetvarianceUnevari

Laprobabilitequunevariablealeatoirecontinuesoitinferieure`aunevaleurparticuli`
ereestdonn
eepar
safonctionderepartition.Pr(Xx)=F(x).Lafonctionderepartitiondunevariablealeatoirecontinueesttoujours:
erieure`aunevaleurquelconquevaut:Pr[Xa]=af(x)dx=F(a).DanslaFigure6.4,laprobabilitePr[Xa]estlaire

Pr[Xa]=F(a)

Fig.6.4Probabilit equelavariableal
eatoiresoitinf
erieure`aa
Silavariablealeatoireestcontinue,laprobabilit
equelleprenneexactementunevaleurquelconqueestnulle:
Pr[X=a]=0.
Lesperancedunevariablealeatoirecontinueestd
efiniepar:
E(X)=
xf(x)dx,
etlavariancevar(X)=(x)2f(x)dx.

6.5.2VariableuniformeUnevariablealeatoireXestditeuniformedansunintervalle[a,b],(aveca<b)sisar

epartitionest:
F(x)=0six<a(xa)/(ba)siaxb1six>b.Sadensiteestalorsf(x)=0six<a1/(ba)siaxb0six>b.Onpe


Resultat6.2
2 =var(X)=

(ba) 2
.
12

DemonstrationDemani`eregenerale,unevariancepeuttoujourss
ecrirecommeunmoment`aloriginedordre2moinsle
carredelamoyenne.Eneffet,
2=var(X)
=b

a(x)

=ba(x2+

f(x)dx

2x)f(x)dx
b

=bax2f(x)dx+
a

=bax2f(x)dx+22

2f(x)dx2

b
a

xf(x)dx

=bax2f(x)dx2.Oncalculeensuiteunmoment`aloriginedordre2: bax2f(x)dx=bax21badx=1babax2dx=1bax

1
ba

f(x)

a
b
Fig.6.5Fonctiondedensitedunevariableuniforme

a1b

F(x)

Fig.6.6Fonctionderepartitiondunevariableuniforme

6.5.3VariablenormaleUnevariablealeatoireXestditenormalesisadensitevautf,2(x)=12exp12x

o`uRetR2sontlesparam`etresdeladistribution.Leparam`etreestappelelamoyenneetle
param`etrelecart-typedelavariablenormale.++Fig.6.7Fonctiondedensitedunevariablenorma

Lafonctionderepartitionvaut
x

F , 2 (x)=

1
1 u

exp
2

du.

0.51

Fig.6.8Fonctionder epartitiondunevariablenormale

6.5.4VariablenormalecentreereduiteLavariablealeatoirenormalecentreereduiteestunevaria

desp
erancenulle,=0etde
variance2=1.Safonctiondedensitevautf0,1(x)=12expx22.etsarepartitionvaut(x)=F0,1(x)=x12exp

Enposant
z=

u
,

onobtientu=z+,etdoncdu=dz.Donc,
F , 2 (x)=

1
z2

exp
2
2

dz=

Lestablesdelavariablenormalenesontdonneesquepourlanormalecentr
eereduite.Lestablesne
donnent(x)quepourlesvaleurspositivesdex, carlesvaleursnegativespeuvent
etretrouv
eesparla
relationdesymetrie.6.5.5Distributionexponentielle

UnevariablealeatoireXaunedistributionexponentiellesisafonctiondedensit
eestdonn
eepar:
f(x)=exp(x),
0sinon

six>0

Leparam`etreestpositif.Quandx>0,safonctionderepartitionvaut:
F(x)=x0f(u)du=x0eudu=eu

x
0

=1e

Onpeutalorscalculerlamoyenne:Resultat6.4E(X)=1DemonstrationE(X)=0xf(x)dx=0xexdx=1+x

1
.

Ilestegalementpossibledemontrerquelavariancevaut:var(X)=12.6.6DistributionbivarieeDeu

1.0
0.8
0.6
0.4
0.2
0.0
0

Fig.6.10Fonctiondedensitedunevariableexponentielleavec=1.
Aveclesdistributionsmarginales,onpeutdefinirlesmoyennesmarginales,etlesvariancesmarginales:
X=xfX(x)dx,etY=yfY(y)dy,
2X=(xX)2fX(x)dx,et2Y=(yY)2fY(y)dy.

Onappelledensitesconditionnelles,lesfonctionsf(x|y)=f(x,y)fY(y)etf(y|x)=f(x,y)fX(x).Aveclesdistributionscond

tionnelles:X(y)=xf(x|y)dx,etY(x)=yf(y|x)dy,2X(y)={xX(y)}2f(x|y)dx,et2Y(x)={yY(x)}2f(y
ejointedesdeuxvariables,alorsXetYsontindependantssifXY(x,y)=fX(x)fY(y),x,yR.100

6.7Propriet
esdesesp
erancesetdesvariances
Demani`
ereg
en
erale,pourdesvariablesal
eatoiresXetY,
suivants.Resultat6.5E(a+bX)=a+bE(X)

etavecaetbconstants, onalesresultats

DemonstrationE(a+bX)=R(a+bx)f(x)dx=a

f(x)dx+b

xf(x)dx=a+bE(X).

Resultat6.6E(aY+bX)=aE(Y)+bE(X)
DemonstrationE(aY+bX)=RR(ay+bx)f(x,y)dxdy

=aRRyf(x,y)dxdy+bRR

xf(x,y)dxdy

=aRyRf(x,y)dxdy+bRxRf(x,y)dydx
=aRyf(y)dy+bRxf(x)dx=aE(Y)+bE(X)

Resultat6.7var(a+bX)=b2var(X).Demonstrationvar(a+bX)=R[a+bxE(a+bX)]2f(x)dx=R[a+bx(a+bE(X

Demonstration

var(X+Y)

[x+yE(X+Y)]
R

f(x,y)dxdy

[xE(X)+yE(Y)]

=R

[xE(X)]

f(x,y)dxdy

+[yE(Y)]

+2[xE(X)][yE(Y)]f(x,y)dxdy

=var(X)+var(Y)+2cov(X,Y)

Resultat6.9Deplus,siXetYsontindependantes,onaf(x,y)=f(x)f(y)pourtoutx,y
E(XY)=E(X)E(Y).
DemonstrationE(XY)=RRxyf(x)f(y)dxdy

=Rxf(x)dxRyf(y)dy
=E(X)E(Y).

Enfin,siXetYsontindependantes,onacov(X,Y)=0,etdoncvar(X+Y)=var(X)+var(Y).Enfin,ilestpossibledecalc

ependantes,
etidentiquementdistribuees.Theor`eme6.3SoitX1,...,Xnunesuitedevariablesaleatoires,independanteseti

ees
etdontlamoyenneetlavariance 2existentetsontfinies,alorssiX=1nni=1Xi,onaE(X)=,etvar(X)=2n.Demon

6.8Autresvariablesaleatoires
6.8.1Variablekhi-carr
ee
Soitunesuitedevariablesal
eatoiresind
ependantes,normales,centr
eesr
eduites,X1,...,X
demoyennenulleetdevariance
egale`a1),alorslavariableal
eatoire

p ,(cest-`a-dire

2p =

X i2,
i=1

estappeleevariablealeatoirekhi-carr
e`apdegr
esdelibert
e.
IlestpossibledemontrerqueE(
2
p )=p,
etquevar(

2
p )=2p.

0.35

0.3

0.25

0.2

0.15

0.1

0.05

10

12

14

Fig.6.11Densitedunevariabledechi-carreavecp=1,2,...,106.8.2VariabledeStudentSoitunevariable

es
deliberte,independantedeX,alorslavariablealeatoiretp=X2p/pestappeleevariablealeatoiredeStudent`ap

0.4

0.3

0.2

0.1

Fig.6.12DensitesdevariablesdeStudentavecp=1,2et3etdunevariablenormale103

6.8.3VariabledeFisher
2
2
Soientdeuxvariablesal
eatoireskhi-carr
esind
ependantes
esdelibert
e,
p , q,respectivement`apetqdegr
alorslavariableal
eatoire
2p/p
F p,q = 2
q/q

estappeleevariableal
eatoiredeFisher`apetqdegr
esdelibert
e.
0.7

0.6

0.5

0.4

0.3

0.2

0.1

Fig.6.13DensitedunevariabledeFisher

Remarque6.1IlestfaciledemontrerquelecarredunevariabledeStudent`aqdegr
esdelibert
eestune
variabledeFisher`a1etqdegresdeliberte.6.8.4VariablenormalemultivarieeLevecteurdevariable

eedemoyenne
=(1,...,p)etdematricevariance-covariance(onsupposeparsimplicitequeestdepleinrang),
sisafonctiondedensiteestdonneeparfX(x)=1(2)p/2||1/2exp12(x)1(x),(6.2)

pourtoutxRp.Fig.6.14DensitedunenormalebivarieeRemarque6.2Sip=1,onretrouvelexpression(6.1).104

Uncas particulierest important: supposonsquelamatricevariance-covariancepeuts

ecrire=
diag(21,...,p2),cequisignifiequetouteslescomposantesduvecteurXsontnon-corr
el
ees.Danscecas,
f X (x) =
=
=

1
1
exp (x) 1 (x)
2
(2)p/2 ||1/2
1
1
exp (x) 1 (x)
p
2
(2)p/2 ( j=1 j2)1/2

p
2
1
(x

)
j
j

exp
p
2j2
(2)p/2 ( j=1 j )
j=1
p

=1
(2)p/2(

p
j=1

j ) j=1

=pj=11(2)1/2jexp

exp

(xj j )2
2j2

(xj j )2
2j2

=pj=1fXj(xj),o`ufXj(xj)=1(22j)1/2exp(xj

22

)2

estladensitedelavariableXj.Onconstatequesilyaabsencedecorr
elationentrelesvariablesnormales,
alorsladensiteduvecteurnormalpeutsecrirecommeunproduitdedensit
es.Danslecasmultinormal(et
seulementdanscecas),labsencedecorrelationimpliquedonclindependancedesvariablesal
eatoires.
Demani`eregenerale,siXestunvecteurdevariablesaleatoiresdemoyenneetdematricevariancecovariance,etsiAestunematriceqpdeconstantes,alorsE(AX)=AE(X)=A,etvar(AX)=Avar(X)A=AA.Dansl

pendantsamatricevariance-covariancenestpasnecessairementdepleinrang).Donc,siXestunvecteurmultinor

Exercice6.2Determinezlesvaleursjdelavariablenormalecentr
eer
eduiteZtellesque:
1.Pr[Zj]=0,9332;
2.Pr[jZj]=0,3438;
3.Pr[Zj]=0,0125;
4.Pr[Zj]=0,0125;
5.Pr[jZ3]=0,7907.

Exercice6.3Soitunevariableal
eatoireXN(53; 2 =100)repr
esentantler
esultatdunexamenpour
unetudiantdunesection.Determinezlaprobabilit
epourqueleresultatsoitcomprisentre33,4et72,6.

Exercice6.4SoitunevariablealeatoireXN(50;2 =100). D
eterminezlepremierquartiledecettedistribution.Exercice6.5Ensupposantquelestaillesencmdesetudiantsdunpaysadmettentladistributionnormale

N(172;2=9).Ondemandededeterminerlepourcentagetheorique:
a)detudiantsmesurantaumoins180cm.b)detudiantsdontlatailleestcompriseentre168et180.Exercice6.6S

elavitesse
detouteslesautomobilespendantunejournee.Ensupposantquelesvitessesrecueilliessoientdistribu
ees
normalementavecunemoyennede72km/hetunecart-typede8km/h,quelleestapproximativementla
proportiondautomobilesayantcommisunexc`esdevitesse?Exercice6.7Pourlassemblagedunemachine,onpr

esune
loinormaledemoyenne10cmetdecart-type0,2cm.Ongroupelescylindresen3categories:A:defectueuxetinut
ee`a17degresdeliberte;3.dunevariabledeStudent`a8degresdeliberte;4.dunevariabledeFisher(uniquem

Chapitre7

Tablesstatistiques
Tab.7.1Tabledesquantilesdunevariablenormalecentr
eer
eduite

0+zppOrdreduquantile(p)quantile(zp)Ordreduquantile(p)Quantile(zp)0.5000.00000.9751.96

Tab.7.2Fonctionder epartitiondelaloinormalecentr
eer
eduite
(Probabilit
edetrouverunevaleurinf
erieur`au)

p=F(u)
+

u0.0.01.02.03
.04
0.0.5000.5040.5080.5120.5160
0.1.5398.5438.5478.5517.5557
0.2.5793.5832.5871.5910.5948
0.3.6179.6217.6255.6293.6331.6368
0.4.6554.6591.6628.6664.6700.6736

.05
.06
.07
.08
.5199 .5239 .5279 .5319
.5596 .5636 .5675 .5714
.5987 .6026 .6064 .6103
.6406 .6443 .6480
.6772 .6808 .6844

0.5.6915.6950.6985.7019.7054.7088.7123
0.6.7257.7291.7324.7357.7389.7422.7454
0.7.7580.7611.7642.7673.7704.7734.7764
0.8.7881.7910.7939.7967.7995.8023.8051.8078
0.9.8159.8186.8212.8238.8264.8289.8315.8340

.09
.5359
.5753
.6141
.6517
.6879

.7157 .7190 .7224

.7486 .7517 .7549
.7794 .7823 .7852
.8106 .8133
.8365 .8389

1.0.8413.8438.8461.8485.8508.8531.8554.8577
.8599
1.1.8643.8665.8686.8708.8729.8749.8770.8790.8810
1.2.8849.8869.8888.8907.8925.8944.8962.8980.8997
1.3.9032.9049.9066.9082.9099.9115.9131.9147.9162
1.4.9192.9207.9222.9236.9251.9265.9279.9292.9306.9319

.8621
.8830
.9015
.9177

1.5.9332.9345.9357.9370.9382.9394.9406.9418.9429.9441
1.6.9452.9463.9474.9484.9495.9505.9515.9525.9535.95451.7.9554.9564.9573.9582.9591.9599
43.9945.9946.9948.9949.9951.99522.6.9953.9955.9956.9957.9959.9960.9961.9962.9963.9964
7.9997.9998108

0+

0.09
02.57582.32632.17012.05371.96001.88
0.11.64491.59821.55481.51411.47581.43
0.21.28161.25361.22651.20041.17501.15

0.31.03641.01520.99450.97410.95420.93

u+u/2/200.010.020.030.040.050.060.070.08

Tab.7.3quantilesdelaloinormalecentr
eereduite
(u:valeurayantlaprobabilit
edetred
epass
eenvaleurabsolue)

Tab.7.4Tabledesquantilesdunevariable 2 `andegr
esdelibert
e
ordreduquantile
0.01
0.025
0.05
0.95
n=1 0.000157 0.000982 0.003932 3.841
2
0.02010 0.05064
0.103 5.991
3
0.115
0.216
0.352 7.815
40.297
0.484
0.711 9.488
50.554
0.831
1.145 11.07
60.872
1.237
1.635 12.59
71.239
1.690
2.167 14.07
81.646
2.180
2.733 15.51
92.0882.700
3.325 16.92
102.5583.247
113.0533.816
123.5714.4045.226
134.1075.0095.892
144.6605.6296.571
155.2296.2627.261
165.8126.9087.96226.30
176.4087.5648.67227.59
187.0158.2319.39028.87
197.6338.90710.1230.14

3.940
4.575

18.31
19.68
21.03
22.36
23.68
25.00

0.975
5.024
7.378
9.348
11.14
12.83
14.45
16.01
17.53
19.02

0.99
6.635
9.210
11.34
13.28
15.09
16.81
18.48
20.09
21.67

20.48
21.92
23.34
24.74
26.12
27.49
28.85
30.19
31.53
32.85

23.21
24.72
26.22
27.69
29.14
30.58
32.00
33.41
34.81
36.19

208.2609.59110.8531.4134.17
37.57
218.89710.2811.5932.6735.48
38.93
229.54210.9812.3433.9236.7840.29
2310.2011.6913.0935.1738.0841.64
2410.8612.4013.8536.4239.3642.98
2511.5213.1214.6137.6540.6544.312612.2013.8415.3838.8941.9245.642712.8814.5716.1540.
14425.1527.5729.7960.4864.2068.714626.6629.1631.4462.8366.6271.204828.1830.7533.1065

Tab.7.5TabledesquantilesdunevariabledeStudent`andegr
esdelibert
e
ordreduquantile
0.95 0.975 0.99 0.995
n=1 6.314 12.71 31.82 63.66
2 2.920 4.303 6.965 9.925
3 2.353 3.182 4.541 5.841
4 2.132 2.776 3.747 4.604
5 2.015 2.571 3.365 4.032
6 1.943 2.447 3.143 3.707
7 1.895 2.365 2.998 3.499
81.860
2.306 2.896 3.355
91.833
2.262 2.821 3.250

101.8122.228
2.764 3.169
111.7962.201
2.718 3.106
121.7822.179
2.681 3.055
131.7712.1602.650
3.012
141.7612.1452.624
2.977
151.7532.1312.602
2.947
161.7462.1202.5832.921
171.7402.1102.5672.898
181.7342.1012.5522.878
191.7292.0932.5392.861201.7252.0862.5282.845211.7212.0802.5182.831221.71
.3812.648801.6641.9902.3742.639901.6621.9872.3682.6321001.6601.9842.3642

Tab.7.6Tabledesquantilesdordre0.95dunevariabledeFisher`an1 etn 2 degr

esdelibert
e
n1=12345
6
7
8
9
10
12
14
16
20
30
n2=1161.4199.5215.7224.6230.2234.0236.8238.9240.5241.9243.9245.4246.5248.0250.1254.3
218.5119.0019.1619.2519.3019.3319.3519.3719.3819.4019.4119.4219.4319.4519.4619.50
310.139.5529.2779.1179.0138.9418.8878.8458.8128.7868.7458.7158.6928.6608.6178.526
47.7096.9446.5916.3886.2566.1636.0946.0415.9995.9645.9125.8735.8445.8035.7465.628
56.6085.7865.4095.1925.0504.9504.8764.8184.7724.7354.6784.6364.6044.5584.4964.365
65.9875.1434.7574.5344.3874.2844.2074.1474.0994.0604.0003.9563.9223.8743.8083.669
75.5914.7374.3474.1203.9723.8663.7873.7263.6773.6373.5753.5293.4943.4453.3763.230
85.3184.4594.0663.8383.6873.5813.5003.4383.3883.3473.2843.2373.2023.1503.0792.928
95.1174.2563.8633.6333.4823.3743.2933.2303.1793.1373.0733.0252.9892.9362.8642.707

104.9654.1033.7083.4783.3263.2173.1353.0723.0202.9782.9132.8652.8282.7742.7002.538
114.8443.9823.5873.3573.2043.0953.0122.9482.8962.8542.7882.7392.7012.6462.5702.404
124.7473.8853.4903.2593.1062.9962.9132.8492.7962.7532.6872.6372.5992.5442.4662.296
134.6673.8063.4113.1793.0252.9152.8322.7672.7142.6712.6042.5542.5152.4592.3802.206
144.6003.7393.3443.1122.9582.8482.7642.6992.6462.6022.5342.4842.4452.3882.3082.131
154.5433.6823.2873.0562.9012.7902.7072.6412.5882.5442.4752.4242.3852.3282.2472.066
164.4943.6343.2393.0072.8522.7412.6572.5912.5382.4942.4252.3732.3332.2762.1942.010
174.4513.5923.1972.9652.8102.6992.6142.5482.4942.4502.3812.3292.2892.2302.1481.960
184.4143.5553.1602.9282.7732.6612.5772.5102.4562.4122.3422.2902.2502.1912.1071.917
194.3813.5223.1272.8952.7402.6282.5442.4772.4232.3782.3082.2562.2152.1552.0711.878

204.3513.4933.0982.8662.7112.5992.5142.4472.3932.3482.2782.2252.1842.1242.0391.843
214.3253.4673.0722.8402.6852.5732.4882.4202.3662.3212.2502.1972.1562.0962.0101.812
224.3013.4433.0492.8172.6612.5492.4642.3972.3422.2972.2262.1732.1312.0711.9841.783
234.2793.4223.0282.7962.6402.5282.4422.3752.3202.2752.2042.1502.1092.0481.9611.757
244.2603.4033.0092.7762.6212.5082.4232.3552.3002.2552.1832.1302.0882.0271.9391.733
254.2423.3852.9912.7592.6032.4902.4052.3372.2822.2362.1652.1112.0692.0071.9191.711
264.2253.3692.9752.7432.5872.4742.3882.3212.2652.2202.1482.0942.0521.9901.9011.691
274.2103.3542.9602.7282.5722.4592.3732.3052.2502.2042.1322.0782.0361.9741.8841.672
284.1963.3402.9472.7142.5582.4452.3592.2912.2362.1902.1182.0642.0211.9591.8691.654294.1833.3282.9342.7012.5452.
0772.0031.9481.9041.8391.7441.509504.0343.1832.7902.5572.4002.2862.1992.1302.0732.0261.9521.8951.8501.7841.6871

Tab.7.7Tabledesquantilesdordre0.99dunevariabledeFisher`an1 etn 2 degr

esdelibert
e
n1=12345
6
7
8
9
10
12
14
16
20
30
n2=1405250005403562557645859
5928 5981 6022 6056 6106 6143 6170 6209 6261 6366
298.5099.0099.1799.2599.3099.3399.3699.3799.3999.4099.4299.4399.4499.4599.4799.50
334.1230.8229.4628.7128.2427.9127.6727.4927.3527.2327.0526.9226.8326.6926.5126.13
421.2018.0016.6915.9815.5215.2114.9814.8014.6614.5514.3714.2514.1514.0213.8413.46
516.2613.2712.0611.3910.9710.6710.4610.2910.1610.059.8889.7709.6809.5539.3799.020
613.7510.939.7809.1488.7468.4668.2608.1027.9767.8747.7187.6057.5197.3967.2296.880
712.259.5478.4517.8477.4607.1916.9936.8406.7196.6206.4696.3596.2756.1555.9925.650
811.268.6497.5917.0066.6326.3716.1786.0295.9115.8145.6675.5595.4775.3595.1984.859
910.568.0226.9926.4226.0575.8025.6135.4675.3515.2575.1115.0054.9244.8084.6494.311
1010.047.5596.5525.9945.6365.3865.2005.0574.9424.8494.7064.6014.5204.4054.2473.909
119.6467.2066.2175.6685.3165.0694.8864.7444.6324.5394.3974.2934.2134.0993.9413.602
129.3306.9275.9535.4125.0644.8214.6404.4994.3884.2964.1554.0523.9723.8583.7013.361
139.0746.7015.7395.2054.8624.6204.4414.3024.1914.1003.9603.8573.7783.6653.5073.165
148.8626.5155.5645.0354.6954.4564.2784.1404.0303.9393.8003.6983.6193.5053.3483.004
158.6836.3595.4174.8934.5564.3184.1424.0043.8953.8053.6663.5643.4853.3723.2142.868
168.5316.2265.2924.7734.4374.2024.0263.8903.7803.6913.5533.4513.3723.2593.1012.753
178.4006.1125.1854.6694.3364.1023.9273.7913.6823.5933.4553.3533.2753.1623.0032.653
188.2856.0135.0924.5794.2484.0153.8413.7053.5973.5083.3713.2693.1903.0772.9192.566
198.1855.9265.0104.5004.1713.9393.7653.6313.5233.4343.2973.1953.1163.0032.8442.489

208.0965.8494.9384.4314.1033.8713.6993.5643.4573.3683.2313.1303.0512.9382.7782.421
218.0175.7804.8744.3694.0423.8123.6403.5063.3983.3103.1733.0722.9932.8802.7202.360
227.9455.7194.8174.3133.9883.7583.5873.4533.3463.2583.1213.0192.9412.8272.6672.305
237.8815.6644.7654.2643.9393.7103.5393.4063.2993.2113.0742.9732.8942.7812.6202.256
247.8235.6144.7184.2183.8953.6673.4963.3633.2563.1683.0322.9302.8522.7382.5772.211
257.7705.5684.6754.1773.8553.6273.4573.3243.2173.1292.9932.8922.8132.6992.5382.169
267.7215.5264.6374.1403.8183.5913.4213.2883.1823.0942.9582.8572.7782.6642.5032.131
277.6775.4884.6014.1063.7853.5583.3883.2563.1493.0622.9262.8242.7462.6322.4702.097
287.6365.4534.5684.0743.7543.5283.3583.2263.1203.0322.8962.7952.7162.6022.4402.064297.5985.4204.5384.0453.7253.
8012.6652.5632.4842.3692.2031.805507.1715.0574.1993.7203.4083.1863.0202.8902.7852.6982.5622.4612.3822.2652.0981

Listedestableaux
1.1CodificationdelavariableY
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2SeriestatistiquedelavariableY . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3Tableaustatistiquecomplet....
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1Tableaudeseffectifsnjk.........
. . . . . . . . . .
3.2Tableaudesfrequences..........
. . . . . . . . .
3.3Tableaudesprofilslignes...........
. . . . . . .
3.4Tableaudesprofilscolonnes..........
. . . . . .
3.5Tableaudeseffectifstheoriquesnjk........
. . . .
3.6Tableaudesecarts`alindependanceejk.......
. . .
3.7Tableaudese2jk/njk....................
.
3.8Tableaudecontingence:effectifsnjk.............
3.9Tableaudesfrequencesfjk....................
3.10Tableaudesprofilslignes......................
3.11Tableaudesprofilscolonnes......................
3.12Tableaudeseffectifstheoriquesnjk....................
3.13Tableaudesecarts`alindependanceejk..................
3.14Tableaudese2jk/njk...............................
3.15Consommationdecr`emesglacees.........................

.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

4.1Tableauduprixdunbiendeconsommationde2000`a2006.............
4.2Tableaudelindicesimpleduprixdutableau4.1.....................
4.3Exemple:prixetquantitesdetroisbienpendant3ans..................
4.4Mesuresdelinegaliteparpays..................................

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

8
8
9

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

44
45
45
46
46
47
47
47
48
48
48
48
48
48
49

. . . . . .
. . . .
. . .
.

51
51
52
58

5.1BiensmanufacturesauxUSA....................................60
5.2Indicedesprix`alaconsommation(France)............................62
5.3TraficdunombredevoyageursSNCF...............................635.4DecompositiondelavariableFRIG,methode
erietemporellePrixmoyenduMazoutpour100litres(achatentre800et1500litres)enCHF...........................806.
e....................1107.5TabledesquantilesdunevariabledeStudent`andegresdeliberte...............1117.6Tab

7.7Tabledesquantilesdordre0.99dunevariabledeFisher`an1 etn 2 degr

esdelibert
e. . . . . 113

115

Tabledesfigures
1.1Diagrammeensecteurs....
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2Diagrammeenbarres......
. . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3Diagrammeensecteursdesfrequences
. . . . . . . . . . . . . . . . . . . . . . .
1.4Diagrammeenbarresdeseffectifs. . . . . . . . . . . . . . . . . . . . . . . . .
1.5Diagrammeenbarresdeseffectifscumul
es . . . . . . . . . . . . . . . . . . . .
1.6Diagrammeenbatonnetsdeseffectifspourunevariablequantitativediscr`
ete .
1.7Fonctionderepartitiondunevariablequantitativediscr`
ete . . . . . . . . . . .
1.8Histogrammedeseffectifs.............
. . . . . . . . . . . . . . . . .
1.9Histogrammedeseffectifsaveclesdeuxderni`eresclassesagr
eg
ees. . . . . . . .
1.10Fonctionderepartitiondunedistributiongroupee..
. . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

7
8
9
10
10
12
13
14
15
15

2.1Medianequandnestimpair..................
. . . . . . . . . . . . . . . . . . . 22
2.2Medianequandnestpair....................
. . . . . . . . . . . . . . . . . . 22
2.3Asymetriedunedistribution....................
. . . . . . . . . . . . . . . . 28
2.4Distributionsmesokurtiqueetleptokurtique.............
. . . . . . . . . . . . . . . 28
2.5Botes`amoustachespourlavariablesuperficieenhectares(HApoly)descommunesducanton
deNeuchatel.................................
. . . . . . . . . . . . 32
2.6Botes`amoustachesdurevenumoyendeshabitantsdescommunesselonlesprovincesbelges
33
3.1Lenuagedepoints...................................
3.2Exemplesdenuagesdepointsetcoefficientsdecorrelation..............
3.3Lenuagedepoints,leresidu................................
3.4Ladroitederegression.....................................
4.1CourbedeLorenz...........................................

. . . . . . .
. . . . . .
. . . .
. . .

36
38
38
40
55

5.1DepensesenbiensdurablesUSA(milliardsdedollarsde1982).................61
5.2Nombrederefrigerateursvendusde1978`a1985.........................615.3Indicedesprix`alaconsommation
erencedordre4delavariableventederefrigerateurs....................685.11TraficdunombredevoyageursSNC
erateurs5.1.....................765.16EvolutionduprixdumazoutenCHF(achatentre800et1500),lissageexponent

6.3DistributiondunevariabledePoissonavec=1. . . . . . . . . . . . . . . . . .
6.4Probabilitequelavariableal
eatoiresoitinf
erieure`aa . . . . . . . . . . . . . . .
6.5Fonctiondedensitedunevariableuniforme. . . . . . . . . . . . . . . . . . . . .
6.6Fonctionder epartitiondunevariableuniforme.. . . . . . . . . . . . . . . . . .
6.7Fonctiondedensitedunevariablenormale . . . . . . . . . . . . . . . . . . . . .
6.8Fonctionder epartitiondunevariablenormale. . . . . . . . . . . . . . . . . . .
6.9Densitedunenormalecentr
eer
eduite,sym
etrie. . . . . . . . . . . . . . . . . . .
6.10Fonctiondedensit
edunevariableexponentielleavec=1.. . . . . . . . . . . .
6.11Densitedunevariabledechi-carr
eavecp=1,2,...,10. . . . . . . . . . . . . . .
6.12DensitesdevariablesdeStudentavecp=1,2et3etdunevariablenormale.
. .
6.13DensitedunevariabledeFisher. . . . . . . . . . . . . . . . . . . . . . . . . . .
6.14Densitedunenormalebivari
ee . . . . . . . . . . . . . . . . . . . . . . . . . . . .

117

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

94
95
97
97
97
98
98
100
103
103
104
104

Index

analysecombinatoire,88arrangement,89axiomatique,84Bernoulli,91bernoullienne,91binome

esaisonnalisation,72diagrammeenbarres,7deseffectifs,10enbatonnetsdeseffectifs,12enboite,31enfeuilles,3

deprobabilit
e,90
exponentielle,99
group
ee,13
leptokurtique,28
m
esokurtique,28
marginale,100
normalemultivari
ee,104
domaine,5
donn
eesobserv
ees,43
droitederegression,37

ecart`alind
ependance,46
medianabsolu,27
moyenabsolu,27
ecart-type,25marginal,36effectif,6dunemodalite,6dunevale
epartition,12,15,21discontinue,23118

identite,52independance,100indice,51chaine,54dequirepartition,56deFisher,53deGini,56deHoover,56de
jointe,99
erieurs,27moyenne,17,18,20,22,29,36,49conditionnelle,100geometrique,20,54harmonique,20,53margin
parpalier,22
sym
etrique,70
forwardoperator,66
VanHann,71
frequence,6groupe,29histogrammedeseffectifs,14 pond
er
ee,21,30
op
erateur
avance,66
dedecalage,66
dediff
erence,66
forward,66
identit
e,66
lag,66
retard,66
param`
etres
daplatissement,28
dedispersion,24
deforme,27
deposition,17
marginaux,36
percentile,23
permutation
avecr
ep
etition,89
sansrepetition,88
piechart,7probabilite,83,84conditionnelleetind

ependance,87
theor`emedesprobabilit
estotales,87
profilscolonnes,45lignes,45proprietes,102proprietesdese

quantile,23,36,106,107,109111quartile,23quintile,23sharerat

desprofilslignes,45statistique,7,11,12tendance,64lineaire,64,66logistique,64parabolique,64polynomiale,64
univari
ee,17
ee,104ordinale,8qualitative,5nominale,5,6ordinale,5,7quantitative,5,35continue,5,12discr`ete,5,11uniform
syst`emecompletd
ev
enements,84
indicatrice,91
deregression,41,42
tableaudecontingence,44
marginale,36,100
propri
et
es,101
defrequences,44
r
esiduelle,42,43
desprofilscolonnes,45

120