Les données sont parfois soumises à des contraintes systématiques et techniques, telles que l'incertitude des mesures, les restrictions de confidentialité et les non-détections. Par conséquent, les données peuvent être collectées sous une forme groupée, où seuls les nombres d'occurrences à l'intérieur d'intervalles sont connus. Le défi consiste à estimer la densité de population sous-jacente à partir de données groupées avec un minimum d'informations sur la distribution. Cette étude présente Dens-OLog, une méthode d'estimation non paramétrique de la densité log-concave pour des données univariées groupées. Nous évaluons la performance de notre méthode par des simulations avec diverses distributions, tailles d'échantillons et intervalles, et nous la comparons aux méthodes existantes. Nous illustrons une application réelle à l'aide d'un ensemble de données sur la mortalité humaine. Les résultats indiquent que lorsque les informations sur la distribution sont limitées ou totalement indisponibles, Dens-OLog fournit une alternative plus robuste et plus efficace aux méthodes conventionnelles, offrant une applicabilité plus large pour l'analyse des données groupées.