Scribd Logo
Upload

Welcome to Scribd!

  • Stat Descriptif

    Uploaded by

    DOSSA
    11 views13 pages

    Original Title

    stat_descriptif

    Copyright

    © © All Rights Reserved

    Available Formats

    PDF or read online from Scribd

    Did you find this document useful?

    Is this content inappropriate?

    Report this Document

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    11 views13 pages

    Stat Descriptif

    Uploaded by

    DOSSA

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    of 13
    ‘ovrtorg02s 18:14 @- € Lee (http:/www.univ-(http//Ibbe.univ- (http://www.cnrs.fr/) lyont.fr/) lyont.fr/- Presentation-.htmi) Maths Lyont (http://www google.fr | Recherche dans le [toi normale ip Ugo aU ALLE Accueil Page d'entrée (entree) FAQ : Lire impérativement (FAQ) Cours Diaporamas - SCH (diaporamas) Diaporamas - MPO (diaporamasDFO) Diaporamas - DAL (diaporamasDAL) Diaporamas - SM (diaporamasSM) Algebre linéaire (cours/algebre-lineaire) Analyser (cours/analyse) Probabilités - Statistique (cours/probabilte-statistique) Questionnement QCM sur le cours (qcm/cours) Exercices et Problémes ‘Analyser (exercices-et-problemes/analyse) Probabilités - Statistique (exercices-et-problemes/proba) Outils Bactéries TT (travaux-tutores/bacteries) TT Arbres (travauxtutores/arbres) TT nicotine (travaux-tutores/nicotine) Boite 3 outils (boite-2-outils) Annales Liste par année (annales-iste-par-annee) Chapitre 5 : Statistique descriptive + 1. Introduction + 2 Echantitonnage statistique @ 24 Défintion © 2.2 Echantilonnage aléatore simple + 3Les caractéres statistiques 3.1 Défintion «3.2 Liens avec les concepts probabilstes + 4 Représentation des données © 4.1 Séries statistiques ¢ 4.2 Tableaux statistiques ©. 4.3 Représentations graphiques + 5 Indicateurs numériques 5.1 Indicateur de position © 5.2 Indicateurs de dispersion + 6 Inférence aux ois de probabiltés imathsuniv-lyont.r/coursprobabilte-satistique ans ovtorzo2s 18:14 MathSv Lyont 1. Introduction La statistique est une méthode scientifique qui consiste & rassembler des données chifirées sur des ensembles nombreux, puis @ analyser, a commenter et & critiquer ces données. I! ne faut pas confondre /a statistique qui esta science qui vient d'étre define et une statistique qui est un ensemble de données chifrées sur un sujet précis. Les premiéres statistiques établies ont été celles des recensements démographiques . Ainsile vocabulaire est cessentiellement celui de la démographie. Les ensembles étudiés sont appelés population . Les éléments de la population sont appelés individus ou unités statistiques. La population est étudie selon un ou plusieurs caractéres: Les statistiques descriptives peuvent se reprendre par le schéma suivant, = = ee E Déduction ‘chantillonnage l'échantillon aléatoire 2 Echantillonnage statistique Pour plus d'informations sur une population statistique, l'on dispose de deux méthodes + la méthode exhausti caractores étudiés. ‘ou le recensement of1 chaque individu de la population est étudié selon le ou les + la méthode des sondages ou échantillonnage qui conduit & n'examiner qu'une fraction de la population, un chantillon (?theme=proba&chap=99#echantillon) 2.1 Définition [F échantilionnage représente ensemble des opérations qui ont pour objet de prélever un certain nombre dindividus, {dans une donnée de population, Pour que les résultats observés lors d'une étude généralisée & la population statistique, Péchantillon doit Gtre représentatif de cette derniére, c'est dire quil doit respecterfidlement sa composition et sa complexité. Seul ! échantillonnage assure aléatoirement la représentativité de 'échantillon. [Un échantilon est qualifé d’ aléatoire lorsque chaque individu de la population a une probabilité connue et non nulle \t'appartenir & réchantillon Le cas particulier Ie plus connu est celui qui affecte & chaque individu la méme probabilité d'appartenir & Téchantillon. 2.2 Echantillonnage aléatoire simple [U échantillonnage aléatoire simple est une méthode qui consiste & prélever au has |ndividus ou unités ¢'échantillonnage d'une population & NV individus, 1rd el de fagon indépendante mn (Chaque individu posséde ainsi la méme probabilité de faire partie dun échantilon demindividus et chacun des 4chantillons possibles de taille mposséde la méme probabil d'étre constituée, L’échantillonnage aléatoire simple assure ' indépendance des erreurs , 'est-d-dire 'absence d' autocorrélations parmi les données relatives & un méme caractére. Cette indépendance est indispensable a la validté de plusieurs tests statistiques (chapitre 7). Exemple Les données numériques ne sont pas indépendantes puisque les informations sont d'autant plus identiques quielles sont rapprochées dans le temps et dans Fespace. * ll existe d'autres techniques 4’échantilonnage que nous ne développons pas dans un premier temps dans ce cours ‘comme l’échantillonnage systématique ou 'échantillonnage stratifié qui répondent & des problématiques biologiques rmathsvuniv-lyontfricoursiprobabilte-satstique ana. owtorzo2s 18:14 MathSv Lyont ‘specinques. 3 Les caractéres statistiques 3.1 Définition [Sur appel & caractére statistique simple toute application lx: P—> R lavec Pun ensemble fini appelé population ; tout élément?"’de Ps'appelle un individu Le caractére Désigne Une grandeur OU un attribul, observable sur un individu et susceptible de Varier Prenant appeles AINSI Différents Etats Modalités (2theme=proba&chap=99#modalite) . fon appelle modalité toute valeur ies X(P) fait que: X(P) = Xi, %, %, Remarque ; Souls les caracteres quantitatfs ont des valours dans R, les caracléres qualitatfs sy ramenant par un codage. vag Mnombre de modaltés différentes de X Exemple Lors des recensements, les caractéres étudiés sont lige, le sexe, la qualification professionnelle, etc. 3.1.1 Les caractéres qualitatifs Mesurées dans une échelle nominale , les modalités sont exprimées par des noms et ne sont pas hiérarchisées (? theme=proba&chap=99#hierarchise) . Un caractare nominal peut étre dichotomique si ne peut prendre que deux modalités. Exemple : le couleur du pelage, les groupes sanguins, les différents nucléotides de I/ADN, la présence ou l'absence dun caractére (dichotomique), etc Mesurées Dans Une échelle ordinale : les le traduisent Modalités degree d'un état sans individu un caractérisant Que ne puisse degree CE defini par un &tre Qui resulte d'Nombre Une mesure. Les modalités sont alors hiérarchisées Exemple : le stade d'une maladie. Certains tests (non vus dans ce cours) permettent de profiter de cette information et sont alors plus puissants que des tests sur variable nominale. 3.1.2 Les caractéres quantitatifs Le caractére est discret (?theme=proba&.chap=99#aiscrete) s'l peut prendre seulement certaines valeurs dans un intervalle donné. En général il résute d'un comptage ou dénombrement. Exemple : le nombre de petits par portée, le nombre de cellules dans une culture, le nombre daccidents pour une période donnée, etc. Remarque : Attention, un caractére quantitaif discret peut résulter de la transformation d'un caractére nominal (ex. ‘comptage des individus porteurs ou non d'un caractére), Le caractére est continu (2theme=proba&chap=99#continue) sl peut théoriquement prendre rrimporte quelle valeur dans un intervalle donné. En général il sortira d'une mesure. Exemple : le poids, la taille, le taux de glycémie, le rendement, etc. Remarque : En réalité le nombre de valeurs possibles pour un caractére donné dépend de la précision de la mesure, On peut considérer comme continu un caractare discret qui peut prendre un grand nombre de valeurs. Exemple : le nombre de globules blancs ou rouges par mi de sang, le nombre de nucléotides A dans une trés longue séquence d'ADN (plusieurs Mégabases), 3.2 Liens avec les concepts probabilistes Les concepts qui viennent d'étre présentés sont les homologues de concepts du calcul des probabilités (? theme=proba&chap=2#iprobabilites) etil est possible de disposer en ce qui conceme les concepts homologues (voir le ‘mathsv.univ-lyontrcoursiprobabilte-satstique ana ovtorzo2s 18:14 MathSv Lyont tableau ci-dessous). Probabilités Statistique Espace fondamental Population Epreuve ‘Tirage (d’un individu), expérimentation Evénement élémentaire Individu, observation Variable aléatoire Caractére Epreuves répétées Echantillonnage Nbre de répétitions d’une épreuve Taille de I’échantillon, effectif total Probabilité Fréquence observée Loi de probabilité Distribution observée ou loi empirique Espérance mathématique Moyenne observée Variance Variance observée ‘Ainsi la notion de caractére se confond avec celle de variable aléatoire (?theme=proba&chap=3ivariable-aleatoire) 4 Représentation des données ll existe plusieurs niveaux de description statistique : la présentation brute des données, des présentations par tableaux numériques, des représentations graphiques et des résumés numériques fous par un petit nombre de paramétres caractéristiques. 4.1 Séries statistiques [Une série statistique correspond aux différentes modalités dun caractére sur un échantilon dindividus appartenant & lune population donnée. lLe nombre dindividus qui constituent léchantilon étudié s'appelle la taille de l'échantilon, Exemple Afin d’étudler la structure de la population de gélinottes huppées (Bonasa umbellus ) abattues par les chasseurs ccanadians, une étude du dimorphisme soxuel de cette espace a été entreprise. Parmi es caractéres mesurés figure la longueur de la rectrice centrale (plume de la queue). Les résultats observés exprimés en milimatres sur un échantillon de 50 males juvéniles sont notés dans la série ci-dessus gélinotte hunnée mmathsvuniv-yontricoursiprobabilte-satstique ans. ovtorzo2s 18:14 MathSv Lyont wore ener oe 4 4,2 Tableaux statistiques Le tableau de distribution de fréquences est un mode synthétique de présentation des données. Sa constitution est immédiate dans le cas d'un caractare discret mais nécessite en revanche une transformation des données dans le cas dun caractére continu 4.2.1 Fréquences absolues, relatives et cumulées A chaque modalité (7theme=proba&chap=89#modalite) du caractére.X,, peut correspondre a un ou plusieurs individus dans réchantillon de taille m [On appole effectif dela modalité.4, lo nombre ry,00 my,2st le nombre dindividu 7? let que X(2) =X. Remarque : Parfois on peut rencontrer le terme de fréquence absolue pour les effectis = [on appelie fréquence de la modalté.X,,e nombre Atel que Re= = Remarque : Paris on paul renconirerle ferme de fréquence relative pourlos frequencos. Le pourcentage ost uno fréquence exprimée en pour cent. Il est égal A100. Llemploi des fréquences ou fréquences relatives s'avére utile pour comparer deux distributions de fréquences établies parti d'échantillons de taille différente [On appelle fréquences cumulées ou fréquences relatives cumulées frX,. « lle nombre Kisperttet que Rjsperme = ?? 5 > F Remarque : On peut noter que?? 1,— ntalle de 'échantilon et 7? Fe= jen gent 4.2.2 Caractéres quantitatifs discrets 1 Dans le cas d'un caractére quantitatif discret , de la distribution des données associées a 'établissement avec leurs, fréquences est immédiate. Exemple ‘mathsvuniv-lyontrcoursiprobabilte-satstique 5113 owtorzo2s 18:14 Sa Maths Lyont La cécidomyie du hétre provoque sur les feuilles de cet arbre des galles dont fa distribution des montres est la suivante Caractére X Ree aE camo Dea J We TY por feuille ‘n * nombre de feuilles peatent teenie 2 om «© -% 2 5s 2 1 0 1 0 fic fréq.relative | 0488 0261 04125 0075 0.032 m1 0.008 000300003 0 Fi cum. + fréq, relative | 0.485 0746 0869 0944 0976 0989 0994 0997 0997 1 cumulée La taille de réchantillon studié est n = 37Seuilles 4.2.3 Caractéres quantitatifs continue Dans le cas d'un caractére quantitatif continu, 'établissement du tableau de fréquences implique d'etfectuer au préalable une répartition en classes des données. Cela nécessitera de définir le nombre de classes attendu et donc amplitude associée & chaque classe ou intervalle de classe En ragle générale, on choisit des classes de méme amplitude (2theme=proba&chap=99#amplitude) . Pour que la distribution en fréquence est un sens, il faut que chaque classe comprenne un nombre suffisant de valeurs (7p). Diverses formules empiriques permettent détablir le nombre de classes pour un échantilon de tallern La régle de STURGE (2theme=proba&chap-99Hsturge) : Nombre de classes =1 + (3, 3 journaln ) La ragle de YULE : (?theme=proba&.chay B#yulo) Nombre de classes =2,, 57m Lintervalle entre chaque classe est obtenu ensuite de la maniére suivante Interval de classe = (X max - X min) / Nombre de cours avec X max et X min, respectivement a plus grande et la plus petite valeur de X dans la série statistique. A partir de Xmin on obtient les limites de classes ou bornes de classes par addition successive de lintervalle de classe. En régle générale, on tente de faire coincider indice de classe ou la valeur centrale de la classe avec un nombre entier ‘ou ayant peu de décimales. Exemple Dans le cadre de l'étude de la population de gélinottes huppées (Bonasa umbellus ), les valeurs de la longueur de la rectrice principale peuvent atre réparties de la fagon suivante + définition du nombre de classes, Régle do Sturgo:1 + (3, 3 journal50) = 6, 60 Régle de Noél: 2, 57150 = 6, fk deux valeurs sont tres peu différentes + definition de rintervalle de classe wa 140 or= Hin 5,15 mm que l'on arrandit a 5 mm par commodité + Tableau de distribution des fréquences Caractére X: xi: longueur de la rectrice bomes des classes [140-145[ [145-150[ [150-185[ [155-160{ [160-165 [165-170 [170-175 Valeur médiane des classes,| 1425 14751525 157,516, 167,5 17,5 x me: nombre d'individy nar! 1 9 7 lo 3 rmathsvuniv-lyontrcoursiprobabilte-satstique ans, owtorzo2s 18:14 MathSv Lyont classe de taille x, \fi: fréquence relative 002 0028340820056 |ficum. : fréquence relative 002 00402206 1 cumulée 4.3 Représentations graphiques Les représentations graphiques ont lavantage de se renseigner immédiatement sur allure générale de la distribution. Elles faciltent Finterprétation des données téléphoniques. 4.3.1 Caractéres quantitatifs discrets Pour les caractares quantitatifs discrets, la représentation graphique est le diagramme en batons oi!|a hauteur des batons correspond a effectifn.associé a chaque modalité de caractre Xje Exemple Effectif : nj 200 Distribution du nombre 1a de galles par feuilles 120 40 0 2 4 6 8 wo 2 X + nombre de galles par feuille Dans 'exemple de la eécidomyle du héitro, la distribution des fréquences de foulles observées du nombre de galles par peut étre représentée par un diagramme en batons avec en ordonnée les effectifsrmet en abscisse les différentes modalités de la variable étudiée. 4.3.2 Caractéres quantitatifs continue Pour les caractéres quantitalifs continus, la représentation graphique est I'histegramme oi la hauteur du rectangle est proportionnelle & effect n_j. Ceci n'est vrai que si intervalle de classe est constant. Dans ce cas faire comprennent ‘sous [histogramme s'avére proportionnelle a effectif total, En revanche lorsque les intervalles de classe sont inégaux, des modifications s'imposent pour conserver cette proportionnalité. Dans ce cas, en ordonnée, au lieu de porter effect Con indique le rapport de la fréquence sur Tintervalle de classe. Ainsila superficie de chaque rectangle représente alors Veffectif associé & chaque classe. Exemple rmathsvuniv-lyont.rcoursiprobabilte-statstique m3 owtorzo2s 18:14 MathSv Lyont Effectif : nj Distribution de la longueur de la rectrice centrale 16 n 140 150 170 X :longueur de la rectrice centrale en mm Dans 'exemple de la longueur de la rectrice centrale des individus males de la gélinotte huppée, la distribution des fréquences observées est représentée par un histogramme avec en ordonnée les effectifsmet en abscisse les limi de la classe de la variable étudiée, 5 Indicateurs numériques Le dernier niveau de description statistique est le résumé numérique d'une distribution statistique par des indicateurs numériques ou paramétres caractéristiques Remarque : Ces demiers représentent une transition entre la statistique purement descriptive et estimation des paramatres (2theme=proba&chap=6) qui caractérisent les distributions de probabiités(chapitre 6). 5.1 Indicateur de position Ces parametres ont pour objectf dans le cas d'un caractére quantitatf de caractériser ordre de grandeur des ‘observations 5.1.1 La moyenne arithmétique [Scitun échantiton de mvalours observées X%,%, Ae. - duiigaractére quanttatif X, on defint sa |noyenne XZomme la moyenne arithmétique desrnvaleurs [Sites données observées Aont regroupées enk classes d'effectif m,(caractbre continu regroupé en classe ou lcaractére discret, il faut les pondérer par les effectfs correspondants k x 2 ma&avecn = 7 me [3° Exemples = Dans le cas de étude du dimorphisme sexuel de la gélinotte huppée (?theme=proba&chap=Stexemple-gelinotte) , la ‘mathsvuniv-lyont.rcoursiprobabilte-satstique ana, ovtorzo2s 18:14 MathSv Lyont longueur moyenne de la rectrice principale du male juvénile est + dans le cas des données non groupées ea WHEN O04 TTT 168" TNS _ 455.9 mm + dans le cas des données groupées oi les valeurs X,,correspondant aux valeurs médianes des classes, "= 1280 — 459,2 mm (vir graphe ) & 22 mX= 7960d 0a Remarque : La moyenne obtenue aprés le regroupement des données en classe dans exemple de la longueur dela rectrice centrale différe Iégérement en raison d'une perte d'information, Si 'échantllonnage n'est pas de type aléatoire simple, les deux moyennes peuvent &tre trés différentes. 5.1.2 La médiane [La médiane,.M,, est la valeur du caractére pour laquelle la fréquence cumulée est égale a 0,5 ou 50%. Elle lcorrespond done au centre de la série statistique classée par ordre croissant, ou @ la valeur pour laquelle 60 % des Wvaleurs observées sont supérieures et 50 % sont inférieures. Dans le cas ou les valeurs par le caraciére éludié ne sont pas regroupées en classe, © simestaltérer, alorsn = 2m eta médiane estla valeur du milieuM, = Xn 4 1 © simest paire , alorsn = 2 vet une médiane est une valeur quelconque entre Xp, €t Xn 2 Dans ce cas il peut étre commode de prendre le milieu + Dans le cas oi es valeurs par le caractére étudié sont groupées en classe , on cherche la classe contenant le rf / Individu de 'échantilon. En supposant que tous les individus de cette classe sont réparts 4 intériour, la position exacte dun / ndividu de ta fagon suivante par interpolation linéaire (7 theme=probag&chap=99tinterpolation-lineaire) 2K, = e+ (ter) (32 )prainnt tones Xm’ limite inférieure de la classe dans laquelle se trouve le rf / 2individu (classe médiane). Xp 1 ‘limite supérieure de la classe dans laquelle se trouve le rif / 2individu (classe médiane). motfoctit de la classe méiane Nizeffectif cumulé inférieur a X, 1m: taille de Téchantilon Exemple Dans le cas de la distribution de la longueur de la rectrice centrale de la gélinotte huppée (? theme=proba&chap=Siexemple-gelinotte) , la valeur de la médiane est + Cas des données non groupées n = Bone M, € [% 5,46] [158m m , 159 rows M. 58,5mm soit M. + Cas des données groupées ‘n= 5fla 25 &* valeur se situe dans la classe [155-160] qui content les individus de 128 28. GoW aveC Ly = 185 milimétres, Fy, = 17 individus, K,sperme Ite individus jee 5 mm M, = 155 + (9 = 11) 159,11 mm dou M, = 159,1 mm (voir graphe ) Remarque : La médiane ne s'applique qu’aux échelles ordinales, dintervalles et de rapport, car elle nécessite un ordre linéaire entre les variables. [Sila distribution des valeurs est symétrique , a valour de la médiane est proche de la valour de la moyenne larithmétique IM. 7? ® rmathsvunivlyontrcoursiprobabilte-satstique ona, owtorzo2s 18:14 L 5.1.3 Le mode Maths Lyont [Le mode ,M,dune série statistique est la valour du caractore la plus fréquente ou dominante dans 'échantilon. Le |mode comespond a la classe de fréquence maximale dans la distribution des fréquences. ‘On peut identifier le mode comme la valour médiane de la classe de fréquence maximale ou bien effectuer une interpolation linéaire pour obtenir la valeur exacte du mode comme suit jai M Bie Ant ‘hea i, démonstration géométrique ) Xp: limite inférieure de la classe detfectif maximal Je intorvalle de classe (Xn +1 Xn) A i Ecart deffectif entre la classe modale et la classe inférieure la plus proche A s Ecart dette Exemple tif entre la classe modale et la classe supérieure la plus proche Dans le cas de la distribution de la longueur de la rectrice centrale de la gélinotte huppée, la valeur du mode est + Valeur approchée La classe de fréquence maximale est [155,160[ avec 1. 17 dou M, — 157,5 mm + Valeur exacte sxs asi M, = 155 + 159,44 mm dod M, =159,4 mm (volr graphe ) avec Xy ~ 155 milimetres, Ai — 17 - neuf, A 8 17 - 16 —etlje -Smm Remarque : Une distribution de fréquences peut présenter un seul mode ( distribution unimedale } ou plusieurs modes (distribution bi ou trimodale ). IM, = 2 [Sila distribution des valeurs est symétrique, la valour du mode est proche de la valeur de la arithmétique 5.1.4 Comparaison des indicateurs de position Avantages Inconvenients - Facile a caleuler, - Répond au principe des moindres carnts, - Fortement influencée par les valeurs extremes de la v.a., = Représente mal une population hétérogéne (polymodale). ~ Pas influencée par les valeurs extrémes delavaa,, ~ Peu sensible aux variations d’amplitude des classes, - Calculable sur des caractéres eyeliques (saison, etc) oi la moyenne a peu de signification. Se préte mal aux calculs statistiques, - Suppose I’équi-répartition des données. = Ne représente que la valeur qui sépare ‘échantillon en 2 parties égales Mode ~ Pas influencée par les valeurs extrémes de lava, ~ Calculable sur des caractéres cycliques (saison, etc.) ob la moyenne a peu de signification, ~ Bon indicateur de population hétérogéne. ~ Se préte mal aux calculs statistiques, - Tres sensible aux variations d'amplitude des classes, = Son calcul ne tient compte que des individus dont les valeurs se rapprochent de la classe modale, Exemples rmathsvuniv-lyant ricoursprobabilit te-statstique 1013, ovtorzo2s 18:14 MathSv Lyont Représentation graphique des trois indices de position sur exemple de la distribution de la longueur de la rectrice centrale de la gélinotte huppée. Effectif : nj = 159.2ma Ma= 158m Mo = 159,4 mm aan n 140 150 160 170 :longueur de la rectrice centrale en mm [Dans le cas oi le caractére étudié se distribue selon une lol normale Laplace-Gauss (7theme=proba&chap=4#lor- Jpormale-ou-loi-de-laplace-gauss) alors, la moyenne X’la médiane M, etle mode M, prendre la méme valeur ll oxiste dautres paramétres de position comme la moyenne quadratique ou la moyenne géométrique quine seront pas développés dans ce cours 5.2 Indicateurs de dispersion Ces paramétres ont pour objectf dans le cas d'un caractére quantitatf de caractériser la variable des données dans Véchantillon Les indicateurs de dispersion fondamentaux sont la variance observée et 'écart-type observé 5.2.1 La variance observée [Soit un échantilon de mvaleurs observées A, %, ... . Ae. « « Aymgaractére quantitatif X et solt Aa moyenne lobservée, On définit fa variance observées® comme la moyenne arithmétique des carrés des écarts a la moyenne, J? = 2? her jen Pour des commodités de calcul, on se sert du théeréme de Keanig que nous démontrons dans un cas particuler, Voie! pourquol 2X4 ®) = PR PAK TW Fue soit A = 7? (a,— Xf jean, 0 4 2 dou A = 97 ¥— 2x07" FR nu X= n® went te * mmathsvuniviyonteouriprbabite-statsique wie owtorzo2s 18:14 MathSv Lyont do A = 27 8 pet anid = FI ni? La formule de la variance qui résulte du théoréme de Keenig (2them« roba&chap=99Hkoenig) est done [Dans fe cas de données regroupées enk classes d'effectif m,(variable continue regroupée en classes ou variable lsscréte), a formule de la variance est la suivante PRP mae XP Pour des commodités de calcul, on ullisera la formule développée suivante = 1b mat Baveon =? gent Be IC écart-type observé correspond & la racine carrée dela variance observée |s = 2% Exemple Dans le cas de l'étude du dimorphisme sexuel de la"* gélinotte huppée,"* la variance observée de la longueur de la rectrice centrale du male juvénile est + cas des données non groupées = 1263 647et X’= 158,86 mm #y ( 1263647) — (158, 86)? = 341pild? =36,44 ots —6,04 mm + cas des données groupées jenn Dy ma = 1269012, 6 X= 159,20mm je=t 4 (1263647 ) — (158, 86)? = 3atp63? =35,61 ots =5,97 mm Remarque : De part sa défintion, la variance est toujours un nombre positif . Sa dimension est le carré de celle de la variable. lest toutefois difcile dutiser la variance comme mesure de dispersion car le recours au carré conduit & un changement dunités. Elle n'a donc pas de sens biologique direct contrairement a Fécart-lype qui s'exprime dans les mémes unités que la moyenne, 5.2.2 Coefficient de variation La variance et f écart-type observés sont des paramétres de dispersion absolue qui mesurent la variation absolue des données indépendantes de ordre de grandeur des données. Le coefficient de variation notéC. Vest un indice de ispersion relatif prenant en comple ce biais et est égal 5 Tr [ev = 3 Exprimé en pour cent, il est indépendant du cholx des unités de mesure permettant la comparalson des distributions de fréquence dunté différentes. Exemple Le coefficient de variation des longueurs de la rectrice centrale des gélinottes huppées males juvéniles est égal & 100609 cv. 3, 83% ‘mathsvuniv-yontricoursiprobabilte-satstique 123 6 Inférence aux lois de probabilités Soit un caractare discret (?theme=proba&ichap=5i#les-caracteres-quantitaifs) ou continue (7them caracteres-quantitalifs) étudiée surrrindividus résuant dun échantillonnage aléatoire simple (7, theme=proba&chap=#echantilonnage-aleatoire-simple) d'une population, analyse des valeurs attribuées au caractare

    You might also like