Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
Télécharger au format pdf ou txt
Vous êtes sur la page 1/ 8
USTHB-Faculté de Mathématiques.
STATISTIQUE DESCRIPTIVE DOUBLE
Introduction :
On s’intéresse à deux variables et qui sont mesurées sur les unités d’observation. Pour chaque unité, on obtient deux mesures. La série statistique est alors une suite ( ) ( ) ( ) de couples des valeurs prises par les deux variables sur chaque individu. Chacune des deux variables peut être, soit quantitative, soit qualitative.
1/ Tableaux de données ou de contingence :
est une variable pouvant prendre modalités et est une variable pouvant prendre modalités. On construit le tableau de contingence qui représente la distribution d’effectif du couple de variable ( )
Exemple : On mesure le poids et la taille de 20 individus. Les observations sont
données dans le premier tableau (à gauche), et après répartition en 5 classes d’égales amplitudes pour chacune des deux variables, nous obtenons le tableau de contingence ci- dessous (à droite).
2/ Représentation graphique (Nuage de points) :
Chaque couple est composé de deux valeurs numériques si les deux caractères sont quantitatifs. Un couple de nombres (entiers ou réels) peut toujours être représenté comme un point dans un plan de coordonnées( ).
Exemple : (Poids et taille de 20 individus)
1 3/ Distributions : a/ Distributions marginales : Par définition on note : : l’effectif de la cellule ( ) est le nombre d’individus présentant simultanément les modalités de et de .
: la fréquence de la cellule( ).
: effectif des individus qui présentent la modalité de . ∑ .
Les effectifs de la dernière colonne du tableau de contingence définissent la
distribution marginale de , alors la fréquence marginale de la modalité est : .
: effectif des individus qui présentent la modalité de . ∑ .
De même, on définit la distribution marginale de par la dernière ligne et la fréquence
marginale est : .
b/ Distributions conditionnelles : La colonne du tableau statistique décrit la sous population des individus possédant la modalité suivant le caractère . La fréquence conditionnelle de la modalité sachant (ou liée à ) est : et fixé. De même, la distribution conditionnelle sachant : et fixé.
2 Remarque : ∑ et ∑ Exemple : Distribution de conditionnée par . classes [162,169[ [169,176[ [176,183[ 165.5 172.5 179.5 1/7 4/7 2/7 1
Distribution de conditionnée par .
4/ Indépendance de deux variables : Les deux variables et sont dites indépendantes si :
est indépendante de soit alors
est indépendante de soit alors
D’où, la relation : qui nous donne , et . Exemple : (Poids et taille de 20 individus)
5/ Paramètres marginaux: a/ Moyenne : Moyenne de : ̅ ∑ ∑ Moyenne de :̅ ∑ ∑ b/ Variance : Variance de : ∑ ( ̅) ∑ ̅
∑ ( ̅) ∑ ̅
Variance de : ∑ ( ̅) ∑ ̅
∑ ( ̅) ∑ ̅
3 Exemple : Calcul des moyennes et variances marginales de et de . [60,69[ [69,78[ [78,87[ [87,96[ [96,105[
Remarque : Si et sont indépendantes alors ̅ ̅ et ̅ ̅
Exemple : Calculer moyenne et variance de . classes [162,169[ [169,176[ [176,183[ 165.5 172.5 179.5 1/7 4/7 2/7 1 165.5/7 690/7 359/7 173.5 27390.25/7 119025/7 64440.5/7 30122.25
̅ et ( ) ̅ ̅ alors et ne sont pas indépendantes.
4 6/ Covariance et coefficient de corrélation : a/ La covariance : Elle est notée par ( ) ou , et elle est définie par : ∑ ∑ ( ̅ )( ̅) ∑ ∑ ( ̅ )( ̅) et elle peut s’écrire comme suit : ∑ ∑ ̅̅ ∑ ∑ ̅̅ Exemple : Poids et taille de 20 individus. Calcul de la covariance.
Propriétés : 1. la covariance est symétrique : ( ) ( ). 2. ( ) ( ) ( ) ( ). 3. ( ) ( ) ( ). Remarque : La covariance peut prendre des valeurs positives, négatives ou nulles, et quand , pour tout , la covariance est égale à la variance. b/ Le coefficient de corrélation linéaire : C’est un indice qui mesure le degré de liaison entre et . Il est noté par ( ) ou , et il est défini par : ∑ ∑ ( ̅ )( ̅)
√∑ ( ̅ ) √∑ ( ̅) Propriétés : 1. Symétrie : ( ) ( ), 2. 3. | | ssi il existe une liaison linéaire entre et ( a, b, c IR / ), 4. Si et indépendantes alors ( ) .
5 Régression 1/ Ajustement linéaire: a/ Droite de régression de en : ( ) Le coefficient de corrélation mesure la dépendance linéaire des variables. Si cette dépendance est bonne, on peut exprimer la variable comme fonction linéaire de . La méthode des moindres carrés consiste à chercher une droite telle que la somme de ses distances aux différents points représentant les données soit minimale. La distance choisie est le carré de la différence des ordonnées entre chaque point et le point de la droite ayant même abscisse. Cette droite a pour équation : ̂ ( ̂ estimé n’est pas observé). Il reste donc à déterminer les valeurs des paramètres et , qui désignent respectivement la pente et l'ordonnée à l'origine de la droite d'ajustement.
La différence des ordonnées entre un point ( ) et le point de la droite ayant même
abscisse est : ̂ et la somme des carrés de ces différences doit être minimum : ∑ ( ) minimum. La solution est donnée par et On trouve : ̂ ̅ ̂ ̅ et ̂ La forme du coefficient permet de constater que la droite d’ajustement passe par le point moyen (centre de gravité) de coordonnées ̅ et ̅. Son équation est : ̂ ̅ ̂( ̅ ) ou ̂ ̂ ̂
b/ Droite de régression de en : ( )
Le calcul précédent fait jouer un rôle dissymétrique aux variables et (on inverse les rôles des deux variables). On définit une droite d’estimation de en d’équation : ̂ ̅ ̂( ̅) avec ̂ ̅ ̂ ̅ et ̂ ̂ ̂ ̂
6 Remarques:
Les deux droites d’estimation sont différentes, mais on ne peut dire laquelle qui représente un meilleur ajustement. Le coefficient de corrélation linéaire est égal au produit des pentes : ̂̂ . Pour s’assurer que l’ajustement est valide, on calcule le coefficient de corrélation, et s’il est voisin en valeur absolue de 1, l’ajustement est valide | | . Si | | alors les points sont alignés. Si alors et sont non corrélées. Si alors et croient dans le même sens. Si alors et croient dans le sens différent.
c/ Prévision : La droite de régression de en ( ) permet de prédire une valeur pour une valeur donnée : ̂ ̂ ̂. La droite de régression de en ( ) permet de prédire une valeur pour une valeur donnée : ̂ ̂ ̂.
7 2/ Ajustement non linéaire : Dans certains cas, l’ajustement à une fonction linéaire n’est pas adéquat : un ajustement des données à une fonction non linéaire doit être envisagé. Les deux cas que nous considérons sont ceux où on peut se ramener par simple transformation à un ajustement affine. a/ Ajustement à une fonction puissance : Supposons que les variables statistiques et sont liées par une relation de la forme : . Dans ce cas, cette équation peut être transformée en prenant le logarithme : . En effectuant les changements de variables suivants : , nous nous ramenons au cas étudié . b/ Ajustement à une fonction exponentielle : Supposons que les variables statistiques et sont liées par une relation de la forme : . Dans ce cas, cette équation peut être transformée en passant aux logarithmes : . En effectuant les changements de variables suivants : , nous nous ramenons au cas étudié . Exemple : Un responsable logistique a effectué 8 observations mesurant le temps de préparation d’une commande en minutes et le nombre de colis à préparer . Ces 8 mesures sont consignées dans le tableau suivant, et les moyennes de chaque colonne est donnée dans la dernière ligne.
7 38 9 42 11 53 13 86 14 104 16 144 18 201 20 292 13.5 120 2.5505 4.5493 199.5 21328.75 6.6155 21.1783 1945.375 11.8259 En examinant le nuage de points, nous nous proposons d’effectuer un ajustement linéaire ainsi qu’un ajustement à une fonction puissance pour déterminer lequel des deux ajustements est le mieux adapté à la situation. Nous obtenons comme droite de régression :
Pour la courbe d’ajustement à une fonction puissance, en effectuant les changements de variables, nous aurons comme droite de régression : et comme alors
La fonction d’ajustement s’écrit donc :
Si nous calculons le coefficient de corrélation pour les deux fonctions d’ajustement, nous obtenons pour l’ajustement linéaire , tandis que l’ajustement “puissance” donne . Ce dernier est donc un meilleur ajustement que l’ajustement linéaire.
