Télécharger la présentation
La présentation est en train de télécharger. S'il vous plaît, attendez
1
Chapitre 1 Généralités sur les données
Titanic
2
Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Thème traité (avec d’autres en plus) : état nutritionnel de la pop. d’un pays de 11 habitants tableau 1.1, la variable RJC (Ration Journalière en (grandes) Calories) problème simple : pourquoi simple ? seulement 11 individus avantage inconvénient (mais généralisation aisée)
3
Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Thème traité (avec d’autres en plus) Tableau de données initiales (début du tableau 1.1, p. 2) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
4
Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » État nutritionnel dans un pays Avant toute chose, 2 éléments à identifier (pourquoi ?) pourquoi ? éviter des erreurs grossières en confondant ces 2 éléments ex. : l’âge moyen des jeunes de 0 à 15 ans = 2 questions correspondant aux 2 éléments sur qui porte l’étude ? sur quoi porte l’étude ?
5
Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » État nutritionnel dans un pays Avant tout, 2 éléments à identifier pourquoi ? éviter des erreurs grossières en confondant ces 2 éléments ex. : l’âge moyen des jeunes de 0 à 15 ans = 2 questions correspondant aux 2 éléments sur qui porte l’étude ? sur quoi porte l’étude ?
6
Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » État nutritionnel dans un pays Avant tout, 2 éléments à identifier pourquoi ? éviter des erreurs grossières en confondant ces 2 éléments ex. examen : l’âge moyen des jeunes de 0 à 15 ans = 2 questions correspondant aux 2 éléments sur qui porte l’étude ? sur quoi porte l’étude ?
7
Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » État nutritionnel dans un pays Avant tout, 2 éléments à identifier pourquoi ? éviter des erreurs grossières en confondant ces 2 éléments ex. examen : l’âge moyen des jeunes de 0 à 15 ans = 2 questions correspondant aux 2 éléments sur qui porte l’étude ? sur quoi porte l’étude ?
8
Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » État nutritionnel dans un pays Avant tout, 2 éléments à identifier pourquoi ? éviter des erreurs grossières en confondant ces 2 éléments ex. examen : l’âge moyen des jeunes de 0 à 15 ans = 2 questions correspondant aux 2 éléments sur qui porte l’étude ? sur quoi porte l’étude ?
9
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse de qui/de quoi connait-on une caractéristique ? à qui a-t-on posé des questions ? qui a répondu aux questions ? Souplesse & imagination : taille des enfants à la naissance = les « INDIVIDUS » ou « unités » SOUS OBSERVATION dans l’exemple : les 11 habitants du pays
10
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus, soit 11 i peut donc varier de 1 à 11 population sous observation = population de référence ensemble des unités sous obs. ensemble des « i » sous obs.
11
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : souvent , parfois les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus, soit 11 i peut donc varier de 1 à 11 population sous observation = population de référence ensemble des unités sous obs. ensemble des « i » sous obs.
12
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus, soit 11 i peut donc varier de 1 à 11 population sous observation = population de référence ensemble des unités sous obs. ensemble des « i » sous obs.
13
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus, soit 11 i peut donc varier de 1 à 11 population sous observation = population de référence ensemble des unités sous obs. ensemble des « i » sous obs.
14
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus observés, soit 11 i peut donc varier de 1 à 11 population sous observation = population de référence ensemble des unités sous obs. ensemble des « i » sous obs.
15
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus observés, soit 11 « i » peut donc varier de 1 à 11 population sous observation = population de référence ensemble des unités sous obs. ensemble des « i » sous obs.
16
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus observés, soit 11 « i » peut donc varier de 1 à 11 population sous observation = population de référence ensemble des unités sous obs. ensemble des « i » sous obs.
17
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL = le phénomène étudié choix d’une VARIABLE pour analyser le phénomène étudié « variable » = CARACTÈRE mesurable pour les « i » bon révélateur du phénomène étudié mesurable (classiquement ou répartition en catégories) quelle question posée aux « i » à propos de l’état nutritionnel ? RJC dans notre exemple RJC = la variable pour analyser l’état nutritionnel (on peut mieux faire)
18
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL choix d’une VARIABLE pour analyser le f désignation/notation (si une seule variable) « X » = la variable (MAJUSCULE) « xi » = la valeur de X pour i (minuscule) exemple : pour l’individu 5, RJC vaut C/J ○ pour 11, 1.100 X5 = C/J ○ X11 = C/J
19
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL choix d’une VARIABLE pour analyser le f désignation/notation (si une seule variable) « X » = la variable (MAJUSCULE) « xi » = la valeur de X pour i (minuscule) exemple : pour l’individu 5, RJC vaut C/J ○ pour 11, 1.100 X5 = C/J ○ X11 = C/J
20
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL choix d’une VARIABLE pour analyser le f désignation/notation (si une seule variable) « X » = la variable (MAJUSCULE) « xi » = la valeur de X pour i (minuscule) exemples (tableau 1.1) : pour l’individu 5, RJC vaut C/J ○ pour 11, 1.100 X5 = C/J ○ X11 = C/J
21
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL choix d’une VARIABLE pour analyser le f désignation/notation (si une seule variable) « X » = la variable (MAJUSCULE) « xi » = la valeur de X pour i (minuscule) exemples (tableau 1.1) : pour l’individu 5, RJC vaut C/J ○ pour 11, 1.100 X5 = C/J ○ X11 = C/J
22
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL choix d’une VARIABLE pour analyser le f désignation/notation (si une seule variable) « X » = la variable (MAJUSCULE) « xi » = la valeur de X pour i (minuscule) exemples (tableau 1.1) : pour l’individu 3, RJC vaut C/J ○ pour 11, 1.100 x3 = C/J ○ X11 = C/J Individu i RJC X 1 2.000 2 2.500 3 1.800
23
Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL choix d’une VARIABLE pour analyser le f désignation/notation (si une seule variable) « X » = la variable (MAJUSCULE) « xi » = la valeur de X pour i (minuscule) exemples (tableau 1.1) : pour l’individu 3, RJC vaut C/J ○ pour 11, 1.100 x3 = C/J ○ X11 = C/J Individu i RJC X 1 2.000 2 2.500 3 1.800
24
Chapitre 1. Généralités sur les données
Thème = l’état nutritionnel de la population d’un pays 2e ex. = la taille des étudiant(e)s de l’ISFSC un individu sous observation = un(e) étudiant(e) inscrit(e) à l’ISFSC un « i » sous observation la pop. sous observation = l’ensemble des étudiant(e)s de l’ISFSC si 903 inscrit(e)s, n = 903 la variable = X = la taille la valeur de la variable pour l’étudiant(e) 231 : x231 = 1,65 mètre
25
Chapitre 1. Généralités sur les données
Thème = l’état nutritionnel de la population d’un pays 2e ex. = la taille des étudiant(e)s de l’ISFSC 3e ex. = la couleur des voitures vendues en Belgique en 2012 une unité sous observation = une voiture vendue en Belgique en 2012 à un « i », on ne peut poser de question imagination ! la pop. sous observation = l’ensemble des voitures vendues en Belgique en 2012 la variable = X = la couleur la valeur de X pour la 1.106e voiture : x1.106 = rouge
26
Chapitre 1. Généralités sur les données
Sur qui porte l’étude (bref retour) ? Attention : en prenant l’exemple de la couleur des voitures un « individu » : pas nécessairement un être humain une « pop. statistique » : pas nécessairement une pop. humaine Souplesse et imagination!
27
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (p. 2, extrait : seulement les 3 premiers individus) Que vaut : x2 ? C/J a3 ? 20 ans s1 ? 1 = sexe masculin y1 ? 0,8, soit 0,8* = CFA Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
28
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
29
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
30
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
31
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
32
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Que vaut : x2 ? C/J a3 ? 20 ans s1 ? 1 = sexe masculin y1 ? 0,8, soit 0,8* = CFA Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
33
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Que vaut : x2 ? C/J a3 ? 20 ans s1 ? 1 = sexe masculin y1 ? 0,8, soit 0,8* = CFA Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
34
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Que vaut : x2 ? C/J a3 ? 20 ans s1 ? 1 = sexe masculin y1 ? 0,8, soit 0,8* = CFA Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
35
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Que vaut : x2 ? C/J a3 ? 20 ans s1 ? 1 = sexe masculin y1 ? 0, (soit 0,8* = CFA) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4 Cette façon d’exprimer les données est considérée comme acquise !
36
Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Variables qualitatives : nombres = codes arbitraires, sans valeur numérique exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
37
Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Variables qualitatives : nombres = codes arbitraires, sans valeur numérique exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
38
Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4 Exemple : sens ou pas de calculer une moyenne ?
39
Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
40
Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
41
Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4 Autre système de codes pour le sexe : ° « 1 » pour « femme » et « 2 » pour « homme » ° si c’est indiqué, les données restent lisibles
42
Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4 État civil : sens ou pas de calculer une moyenne ?
43
Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
44
Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4 Âge : sens ou pas de calculer une moyenne ?
45
Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
46
Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
47
Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
48
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui variable QUALITATIVE (exemples dans le tableau) Non variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non variable DISCRÈTE (exemples dans le tableau) Oui variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
49
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui variable QUALITATIVE (exemples dans le tableau) Non variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non variable DISCRÈTE (exemples dans le tableau) Oui variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
50
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui variable QUALITATIVE (exemples dans le tableau) Non variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non variable DISCRÈTE (exemples dans le tableau) Oui variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
51
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui variable QUALITATIVE (exemples dans le tableau) Non variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non variable DISCRÈTE (exemples dans le tableau) Oui variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
52
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui variable QUALITATIVE (exemples dans le tableau) Non variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non variable DISCRÈTE (exemples dans le tableau) Oui variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
53
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui variable QUALITATIVE (exemples dans le tableau) Non variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non variable DISCRÈTE (exemples dans le tableau) Oui variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
54
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui variable QUALITATIVE (exemples dans le tableau) Non variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non variable DISCRÈTE (exemples dans le tableau) Oui variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
55
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui variable QUALITATIVE (exemples dans le tableau) Non variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non variable DISCRÈTE (exemples dans le tableau) Oui variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
56
Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui variable QUALITATIVE (exemples dans le tableau) Non variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non variable DISCRÈTE (exemples dans le tableau) Oui variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
57
Chapitre 1. Généralités sur les données
Les types de variables : résumé 3 types de variable : QUALITATIVE (nationalité, couleur des voitures…) QUANTITATIVE DISCRÈTE (descendance…) QUANTITATIVE (implicitement) CONTINUE (âge, revenus…) Nomenclatures plus diversifiées avec notamment les var. ordinales Pas pour nous
58
Chapitre 1. Généralités sur les données
Les types de variables : résumé 3 types de variable : QUALITATIVE (nationalité, couleur des voitures…) QUANTITATIVE DISCRÈTE (descendance…) QUANTITATIVE (implicitement) CONTINUE (âge, revenus…) Nomenclatures plus diversifiées avec notamment les var. ordinales Pas pour nous
59
Chapitre 1. Généralités sur les données
Les types de variables : résumé 3 types de variable : QUALITATIVE (nationalité, couleur des voitures…) QUANTITATIVE DISCRÈTE (descendance…) QUANTITATIVE (implicitement) CONTINUE (âge, revenus…) Nomenclatures plus diversifiées avec notamment les var. ordinales Pas pour nous !
60
Chapitre 1. Généralités sur les données
Observations ou données brutes (p. 4) Tableau 1.1 Valeurs telles que collectées sur le terrain = réponses telles qu’entendues quand la question a été posée Exemples : données brutes ou pas ? variable « âge » ? Oui, c’est comme si on entendait la réponse variable « RJC » ? Non, sauf si… Idéal : les données brutes : rien n’échappe ! Abus de langage : données brutes = les données trouvées Et maintenant, les traitements sur les données ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
61
Chapitre 1. Généralités sur les données
Observations ou données brutes (p. 4) Tableau 1.1 Valeurs telles que collectées sur le terrain = réponses telles qu’entendues quand la question a été posée Exemples : données brutes ou pas ? variable « âge » ? Oui, c’est comme si on entendait la réponse variable « RJC » ? Non, sauf si… Idéal : les données brutes : rien n’échappe ! Abus de langage : données brutes = les données trouvées Et maintenant, les traitements sur les données ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
62
Chapitre 1. Généralités sur les données
Observations ou données brutes (p. 4) Tableau 1.1 Valeurs telles que collectées sur le terrain = réponses telles qu’entendues quand la question a été posée Exemples : données brutes ou pas ? variable « âge » ? Oui, c’est comme si on entendait la réponse variable « RJC » ? Non, sauf si… Idéal : les données brutes : rien n’échappe ! Abus de langage : données brutes = les données trouvées Et maintenant, les traitements sur les données ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
63
Chapitre 1. Généralités sur les données
Observations ou données brutes (p. 4) Tableau 1.1 Valeurs telles que collectées sur le terrain = réponses telles qu’entendues quand la question a été posée Exemples : données brutes ou pas ? variable « âge » ? Oui, c’est comme si on entendait la réponse variable « RJC » ? Non, sauf si… Idéal : les données brutes : rien n’échappe ! Abus de langage : données brutes = les données trouvées Et maintenant, les traitements sur les données ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
64
Chapitre 1. Généralités sur les données
Observations ou données brutes (p. 4) Tableau 1.1 Valeurs telles que collectées sur le terrain = réponses telles qu’entendues quand la question a été posée Et maintenant, les traitements sur les données ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4
65
Reprise du cours ( ) Chapitre 5 : interprétation des données d’enquêtes hasard prudence incertitude et imprécision formules : marge et fourchette interprétation : à 95%, dans la fourchette questions précises ? Chapitre 1 : objectif : noyés car trop de données en prendre possession dans le chapitre 1, plus question de marge et de fourchette
66
Reprise du cours (03-03-2015) Chapitre 1 :
Objectif : noyés car trop de données en prendre possession 2 éléments à identifier : sur qui ? de qui/quoi connait-on une caractéristique ? notation mathématique : i et n sur quoi ? quelle caractéristique connue pour les i = la variable ? notation : (X) et xi exemple : x1 = C/J Pour nous : 3 types de variables qualitative (ex. : nationalité, couleur des voitures…) quantitative discrète (ex. : descendance…) quantitative (implicitement) continue (ex. : âge, revenus…) remarque : « discrète/continue » uniquement pour les quantitatives (Données brutes)
67
Reprise du cours (03-03-2015) Chapitre 1 :
Objectif : noyés car trop de données en prendre possession 2 éléments à identifier : sur qui ? de qui/quoi connait-on une caractéristique ? notation mathématique : i et n sur quoi ? quelle caractéristique connue pour les i = la variable ? notation : (X) et xi exemple : x1 = C/J Pour nous : 3 types de variables qualitative (ex. : nationalité, couleur des voitures…) quantitative discrète (ex. : descendance…) quantitative (implicitement) continue (ex. : âge, revenus…) remarque : « discrète/continue » uniquement pour les quantitatives (Données brutes)
68
Reprise du cours (03-03-2015) Chapitre 1 :
Objectif : noyés car trop de données en prendre possession 2 éléments à identifier : sur qui ? de qui/quoi connait-on une caractéristique ? notation mathématique : i et n sur quoi ? quelle caractéristique connue pour les i = la variable ? notation : (X) et xi exemple : x1 = C/J Pour nous : 3 types de variables qualitative (ex. : nationalité, couleur des voitures…) quantitative discrète (ex. : descendance…) quantitative (implicitement) continue (ex. : âge, revenus…) remarque : « discrète/continue » uniquement pour les quantitatives (Données brutes)
69
Reprise du cours (03-03-2015) Chapitre 1 :
Objectif : noyés car trop de données en prendre possession 2 éléments à identifier : sur qui ? de qui/quoi connait-on une caractéristique ? notation mathématique : i et n sur quoi ? quelle caractéristique connue pour les i = la variable ? notation : (X) et xi exemple : x1 = C/J Pour nous : 3 types de variables à identifier : qualitative (ex. : nationalité, couleur des voitures…) quantitative discrète (ex. : descendance…) quantitative (implicitement) continue (ex. : âge, revenus…) remarque : « discrète/continue » uniquement pour les quantitatives (Données brutes)
70
Reprise du cours (03-03-2015) Chapitre 1 :
Objectif : noyés car trop de données en prendre possession 2 éléments à identifier : sur qui ? de qui/quoi connait-on une caractéristique ? notation mathématique : i et n sur quoi ? quelle caractéristique connue pour les i = la variable ? notation : (X) et xi exemple : x1 = C/J Pour nous : 3 types de variables à identifier : qualitative (ex. : nationalité, couleur des voitures…) quantitative discrète (ex. : descendance…) quantitative (implicitement) continue (ex. : âge, revenus…) remarque : « discrète/continue » uniquement pour les quantitatives (Données brutes)
71
Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Exemple simple : tableau 1.1 et les 11 RJC Mettre de l’ordre et réduire le nombre de lignes : 3 étapes
72
Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Exemple simple : tableau 1.1 et les 11 RJC Mettre de l’ordre et réduire le nombre de lignes : 3 étapes Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100
73
Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Exemple simple : tableau 1.1 et les 11 RJC Mettre de l’ordre et réduire le nombre de lignes : 3 étapes Étape 1 : mettre de l’ordre Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500
74
Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Exemple simple : tableau 1.1 et les 11 RJC Mettre de l’ordre et réduire le nombre de lignes : 3 étapes Étape 2 : distribution selon les valeurs Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500 Distribution selon les valeurs p xp np 1 1.100 2 1.600 3 1.800 4 2.000 5 2.500 6 2.800 7 2.950 8 3.100 9 3.500 Tot. − 11
75
Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Exemple simple : tableau 1.1 et les 11 RJC Mettre de l’ordre et réduire le nombre de lignes : 3 étapes Étape 3 : distribution en classes Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500 Distribution selon les valeurs p xp np 1 1.100 2 1.600 3 1.800 4 2.000 5 2.500 6 2.800 7 2.950 8 3.100 9 3.500 Tot. − 11 Distribution en classes p/k Classes np 1 1.000 −< 2.000 5 2 2.000 −< 3.000 4 3 3.000 −< 4.000 Tot. SO 11
76
Chapitre 1. Généralités sur les données
Mettre de l’ordre et réduire le nombre de lignes : 3 étapes Ordre croissant Nombre de lignes réduit Étape 3 : distribution en classes Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500 Distribution selon les valeurs p xp np 1 1.100 2 1.600 3 1.800 4 2.000 5 2.500 6 2.800 7 2.950 8 3.100 9 3.500 Tot. − 11 Distribution en classes p/k Classes np 1 1.000 −< 2.000 5 2 2.000 −< 3.000 4 3 3.000 −< 4.000 Tot. SO 11
77
1re étape : mettre de l’ordre
78
Suite ordonnée (croissante) (p. 5)
Objectif classer les données par ordre croissant Exemple : Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500
79
Suite ordonnée (croissante) (p. 5)
Objectif classer les données par ordre croissant Exemple : Résultat : suite ordonnée croissante : 1re valeur : la plus petite ; la dernière : la plus élevée Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500
80
Suite ordonnée (croissante) (p. 5)
Objectif classer les données par ordre croissant Exemple : Résultat : suite ordonnée croissante : 1re valeur : la plus petite ; la dernière : la plus élevée Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500
81
Suite ordonnée (croissante) (p. 5)
Objectif classer les données par ordre croissant Exemple : Résultat : suite ordonnée croissante : 1re valeur : la plus petite ; la dernière : la plus élevée amplitude des données : – = 2.400 1re information sur la dispersion, l’écart entre le max et le min Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500
82
Suite ordonnée (croissante) (p. 5)
Objectif classer les données par ordre croissant Exemple : Résultat : suite ordonnée croissante Exercice d’application : variable « poids » (données : cf. tableau 1.1) Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500
83
2e et 3e étapes : grouper les données
84
Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si) mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions : selon les valeurs observées selon des classes données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 pp. 5-10 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ... …
85
Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si) mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions : selon les valeurs observées selon des classes données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ... …
86
Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si) mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions : selon les valeurs observées selon des classes données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ... …
87
Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si) mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions : selon les valeurs observées selon des classes données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ... …
88
Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si) mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions : selon les valeurs observées selon des classes données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ... …
89
Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si) mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions : selon les valeurs observées selon des classes données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ... …
90
Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si) mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions : selon les valeurs observées selon des classes données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ... …
91
Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si) mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions : selon les valeurs observées selon des classes données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ... …
92
Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si) mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions : selon les valeurs observées selon des classes données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ... …
93
Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si) mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions : selon les valeurs observées selon des classes données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ... …
94
Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si) mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions : selon les valeurs observées selon des classes données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ... …
95
Les distributions selon les valeurs observées
Tableau 1.3 au départ du tableau 1.0 Suite ordonnée (Tableau 1.2 (p. 4)) Distribution selon les valeurs Tableau 1.3 (p. 5) Observation Valeur p Valeur de X ou xp Effectif ou poids ou np 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 2.000 5 x10 2.500 6 x1 2.800 7 x2 2.950 8 x7 3.100 9 x8 3.500 10 x6 Total − 11 x5
96
Les distributions selon les valeurs observées
Tableau 1.3 au départ du tableau 1.2 Comment passer du tableau 3 au tableau 4 ? dans nos exemples, peu de lignes en moins, mais si n = … un peu de théorie à propos des distributions pour suivre
97
Les distributions selon les valeurs observées
Tableau 1.3 au départ du tableau 1.2 Comment passer du tableau 2 au tableau 3 ? dans nos exemples, peu de lignes en moins, mais si n = … un peu de théorie à propos des distributions pour suivre
98
Les distributions selon les valeurs observées
Tableau 1.3 au départ du tableau 1.2 Comment passer du tableau 2 au tableau 3 ? dans nos exemples, peu de lignes en moins, mais si n = … un peu de théorie à propos des distributions pour suivre
99
Les distributions selon les valeurs observées
Tableau 1.3 au départ du tableau 1.2 Comment passer du tableau 2 au tableau 3 ? dans nos exemples, peu de lignes en moins, mais si n = … un peu de théorie à propos des distributions pour suivre
100
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi » groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque « xp », on associe un « np »
101
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi » groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque « xp », on associe un « np »
102
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi » groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque « xp », on associe un « np »
103
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi » groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque « xp », on associe un « np »
104
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi » groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque « xp », on associe un « np »
105
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi » groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque « xp », on associe un « np »
106
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi » groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque « xp », on associe un « np »
107
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi » groupées (tableau 1.3) une ligne = une valeur observée, soit xp le nombre de « i » concernés np np xp à chaque « xp », on associe un « np »
108
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi » groupées (tableau 1.3) une ligne = une valeur observée, soit xp le nombre de « i » concernés, soit np np xp à chaque « xp », on associe un « np »
109
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi » groupées (tableau 1.3) une ligne = une valeur observée, soit xp le nombre de « i » concernés, soit np np xp à chaque « xp », on associe un « np »
110
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi » groupées (tableau 1.3) une ligne = une valeur observée, soit xp le nombre de « i » concernés, soit np np xp à chaque « xp », on associe un « np »
111
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque « xp », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.4) : si « p » lignes actives « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P »
112
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque « xp », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.4) : si « p » lignes actives « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P »
113
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque « xp », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.4) : si « p » lignes actives « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P »
114
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque « xp », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.3) : « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P »
115
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque « xp », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.3) : « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P »
116
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque « xp », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.3) : « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P »
117
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque « xp », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.3) : « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P » Notation pour les données individuelles
118
Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque « xp », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.3) : « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P » Notation pour les données groupées Cette notation est considérée comme acquise !
119
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total − 11
120
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total − 11
121
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total − 11
122
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total − 11
123
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total − 11
124
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total − 11
125
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total − 11
126
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays, par ex. Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total − 11
127
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative Retour au quantitatif avec des données réelles (ex. : revenus de tous les Belges) selon les valeurs, trop de lignes distributions en classes un tableau avec moins de lignes
128
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative Retour au quantitatif avec des données réelles (ex. : revenus de tous les Belges) selon les valeurs, trop de lignes distributions en classes un tableau avec moins de lignes
129
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative Retour au quantitatif avec des données réelles (ex. : revenus de tous les Belges) selon les valeurs, trop de lignes distributions en classes un tableau avec moins de lignes
130
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative Retour au quantitatif avec des données réelles (ex. : revenus de tous les Belges) selon les valeurs, trop de lignes distributions en classes un tableau avec moins de lignes
131
Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative Retour au quantitatif avec des données réelles (ex. : revenus de tous les Belges) selon les valeurs, trop de lignes distributions en classes un tableau avec moins de lignes données lisibles, utilisables
132
Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile !
133
Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile !
134
Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile ! Pourquoi un effectif de 5 ?
135
Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile ! Pourquoi un effectif de 5 ? = 5
136
Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile !
137
Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile !
138
Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile !
139
Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? effectif cumulé (Nk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 5 premières colonnes du tableau 3
140
Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? effectif cumulé (Nk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 5 premières colonnes du tableau 3
141
Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes : « p/k » : numéro de la ligne « Bornes des classes » = les limites de chaque classe « Centre de classe » : pour la 1re classe : ( )/2 c’est bien le centre valeur utile pour la suite, symbolisée par « xp »
142
Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes : « p/k » : numéro de la ligne (double numérotation nécessaire après) « Bornes des classes » = les limites de chaque classe « Centre de classe » : pour la 1re classe : ( )/2 c’est bien le centre valeur utile pour la suite, symbolisée par « xp »
143
Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes : « p/k » : numéro de la ligne (double numérotation nécessaire après) « Bornes des classes » = les limites de chaque classe « Centre de classe » : pour la 1re classe : ( )/2 c’est bien le centre valeur utile pour la suite, symbolisée par « xp »
144
Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes : « p/k » : numéro de la ligne (double numérotation nécessaire après) « Bornes des classes » = les limites de chaque classe « Centre de classe » : pour la 1re classe : ( )/2 c’est bien le centre valeur utile pour la suite valeur symbolisée par « xp »
145
Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes : « p/k » : numéro de la ligne (double numérotation nécessaire après) « Bornes des classes » = les limites de chaque classe « Centre de classe » : pour la 1re classe : ( )/2 c’est bien le centre valeur utile pour la suite valeur symbolisée par « xp » = valeur de la variable X de la ligne p
146
Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? effectif cumulé (Nk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 5 premières colonnes du tableau 3
147
Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? Déjà expliqué ! effectif cumulé (Nk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 5 premières colonnes du tableau 3
148
Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? Déjà expliqué ! effectif cumulé (Nk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 5 premières colonnes du tableau 3
149
Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? Déjà expliqué ! effectif cumulé (Nk) ? 2e ligne : 9 = ligne total : « SO » = « sans objet » = on ne met rien ! Imitation pour l’exercice d’application : au départ du tableau 2, remplir les 5 premières colonnes du tableau 3
150
Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? Déjà expliqué ! effectif cumulé (Nk) ? 2e ligne : 9 = ligne total : « SO » = « sans objet » = on ne met rien ! Imitation pour l’exercice d’application : au départ du tableau 2, remplir les 5 premières colonnes du tableau 3
151
Les distributions en classes
Exercices 1, 2 et 3 : remplir exclusivement les colonnes « classe » ou « p/k » ; « xp », éventuellement = « centre de classe » « effectif (simple) » ou « np » « effectif cumulé » ou « Nk » les autres colonnes plus tard !
152
Les distributions en classes : théorie
Tableau 1.4 Méthode d’application pour : variables (implicitement) continues aussi pour d’autres types, mais parfois seulement en partie (qualitatives) Les classes groupements de valeurs contiguës bornes / doubles comptes & omissions amplitude centre de (la) classe classes ouvertes (pas pour nous dans exercices)
153
Les distributions en classes : théorie
Tableau 1.4 Méthode d’application pour : variables (implicitement) continues aussi pour d’autres types, mais parfois seulement en partie (qualitatives) Les classes groupements de valeurs contiguës bornes / doubles comptes & omissions amplitude centre de (la) classe classes ouvertes (pas pour nous dans exercices)
154
Les distributions en classes : théorie
Tableau 1.4 Méthode d’application pour : variables (implicitement) continues aussi pour d’autres types, mais parfois seulement en partie (qualitatives) Les classes groupements de valeurs contiguës bornes / doubles comptes & omissions amplitude centre de (la) classe classes ouvertes (pas pour nous dans exercices)
155
Les distributions en classes : théorie
Tableau 1.4 Méthode d’application pour : variables (implicitement) continues aussi pour d’autres types, mais parfois seulement en partie (qualitatives) Les classes groupements de valeurs contiguës bornes / doubles comptes & omissions amplitude centre de (la) classe classes ouvertes (pas pour nous)
156
Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p distribuer les observations dans les classes « DISTRIBUTION » notation : 1.500 5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1 n1 : généralisation pour toutes les 1res lignes xp np : généralisation pour toutes les lignes
157
Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p distribuer les observations dans les classes « DISTRIBUTION » notation : 1.500 5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1 n1 : généralisation pour toutes les 1res lignes xp np : généralisation pour toutes les lignes
158
Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p observations distribuées dans les classes « DISTRIBUTION » notation : 1.500 5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1 n1 : généralisation pour toutes les 1res lignes xp np : généralisation pour toutes les lignes
159
Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p observations distribuées dans les classes « DISTRIBUTION » notation : 1.500 5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1 n1 : généralisation pour toutes les 1res lignes xp np : généralisation pour toutes les lignes
160
Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p observations distribuées dans les classes « DISTRIBUTION » notation : 1.500 5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1 n1 : généralisation pour toutes les 1res lignes xp np : généralisation pour toutes les lignes
161
Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p observations distribuées dans les classes « DISTRIBUTION » notation : 1.500 5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1 n1 : généralisation pour toutes les 1res lignes xp np : généralisation pour toutes les lignes
162
Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p observations distribuées dans les classes « DISTRIBUTION » notation : 1.500 5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1 n1 : généralisation pour la 1re ligne de tous les tableaux xp np : généralisation pour toutes les lignes
163
Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p observations distribuées dans les classes « DISTRIBUTION » notation : 1.500 5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1 n1 : généralisation pour la 1re ligne de tous les tableaux xp np : généralisation pour toutes les lignes de tous les tableaux
164
Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)
165
Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)
166
Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)
167
Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)
168
Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)
169
Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)
170
Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)
171
Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)
172
Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne
173
Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne
174
Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne
175
Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne
176
Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne
177
Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne
178
Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne entre le 1er et le dernier, on prend « tout » !
179
Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque formule « officielle » (cf. formulaire) Rappel : « P » = nombre de lignes actives dans le tableau
180
Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque formule « officielle » (cf. formulaire)
181
Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque formule « officielle » (cf. formulaire)
182
Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation Équivalence entre l’idée initiale et la formule ! formule « officielle » (cf. formulaire)
183
Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J
184
Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J
185
Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k (avec k qui fonctionne comme p) des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J
186
Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J
187
Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J
188
Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J
189
Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J
190
Les distributions en classes : théorie
Effectif cumulé exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe autre distribution : si k = 6 et P = 10 (toujours 1 ≤ k ≤ P) si k et P quelconques (1 ≤ k ≤ P) l’effectif cumulé de la dernière classe, soit k = P :
191
Les distributions en classes : théorie
Effectif cumulé exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe autre exemple : si k = 6 et P = 10 (toujours 1 ≤ k ≤ P) si k et P quelconques (1 ≤ k ≤ P) l’effectif cumulé de la dernière classe, soit k = P :
192
Les distributions en classes : théorie
Effectif cumulé exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe autre exemple : si k = 6 et P = 10 (toujours 1 ≤ k ≤ P) si k et P quelconques (1 ≤ k ≤ P) l’effectif cumulé de la dernière classe, soit k = P :
193
Les distributions en classes : théorie
Effectif cumulé exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe autre exemple : si k = 6 et P = 10 (toujours 1 ≤ k ≤ P) si k et P quelconques (1 ≤ k ≤ P) l’effectif cumulé de la dernière classe, soit k = P :
194
Les distributions en classes : théorie
Effectif cumulé exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe autre exemple : si k = 6 et P = 10 (toujours 1 ≤ k ≤ P) si k et P quelconques (1 ≤ k ≤ P) l’effectif cumulé de la dernière classe, soit k = P :
195
Les distributions en classes : théorie
Effectif cumulé exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe autre exemple : si k = 6 et P = 10 (toujours 1 ≤ k ≤ P) si k et P quelconques (1 ≤ k ≤ P) l’effectif cumulé de la dernière classe, soit k = P :
196
Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !
197
Les distributions en classes : théorie
Un truc pour faciliter le calcul : p/k Bornes xp np Nk 1 0 -< 5 2,5 75.687 2 5-< 10 7,5 62.367 3 10 -< 15 12,5 57.085 4 15 -< 20 17,5 58.149 5 20 -< 25 22,5 69.594 Total SO
198
Les distributions en classes : théorie
Un truc pour faciliter le calcul : p/k Bornes xp np Nk 1 0 -< 5 2,5 75.687 2 5-< 10 7,5 62.367 3 10 -< 15 12,5 57.085 4 15 -< 20 17,5 58.149 5 20 -< 25 22,5 69.594 Total SO
199
Les distributions en classes : théorie
Un truc pour faciliter le calcul : p/k Bornes xp np Nk 1 0 -< 5 2,5 75.687 2 5-< 10 7,5 62.367 3 10 -< 15 12,5 57.085 4 15 -< 20 17,5 58.149 5 20 -< 25 22,5 69.594 Total SO
200
Les distributions en classes : théorie
Un truc pour faciliter le calcul : p/k Bornes xp np Nk 1 0 -< 5 2,5 75.687 2 5-< 10 7,5 62.367 3 10 -< 15 12,5 57.085 4 15 -< 20 17,5 58.149 5 20 -< 25 22,5 69.594 Total SO
201
Les distributions en classes : théorie
Un truc pour faciliter le calcul : p/k Bornes xp np Nk 1 0 -< 5 2,5 75.687 2 5-< 10 7,5 62.367 3 10 -< 15 12,5 57.085 4 15 -< 20 17,5 58.149 5 20 -< 25 22,5 69.594 Total SO
202
Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !
203
Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !
204
Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !
205
Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !
206
Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !
207
Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !
208
Les distributions en classes
Les fréquences (simples ou cumulées) cumulées) Observer les 2 dernières colonnes Comment obtenir la colonne des fréquences (fp) ? fréquences cumulées (Fk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 2 dernières colonnes du tableau 3
209
Les distributions en classes
Les fréquences (cumulées) Observer les 2 dernières colonnes Comment obtenir la colonne des fréquences (fp) ? fréquences cumulées (Fk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 2 dernières colonnes du tableau 3
210
Les distributions en classes
Les fréquences (cumulées) Observer les 2 dernières colonnes Sur la 2e ligne, comment obtenir la colonne des fréquences (fp) ? 0,36 = 4/11 fréquences cumulées (Fk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 2 dernières colonnes du tableau 3
211
Les distributions en classes
Les fréquences (cumulées) Observer les 2 dernières colonnes Sur la 2e ligne, comment obtenir la colonne des fréquences (fp) ? 0,36 = 4/11 fréquences cumulées (Fk) ? 0,82 = 9/11 Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 2 dernières colonnes du tableau 3
212
Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe
213
Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe
214
Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe
215
Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe
216
Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe
217
Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe
218
Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe
219
Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe
220
Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe
221
Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe
222
Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe
223
Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »
224
Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »
225
Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »
226
Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »
227
Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »
228
Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »
229
Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »
230
Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix » Attention : arrondir n’est pas tronquer : 7/11 = 0,6363… = 0,64 (si arrondi à 2 décimales)
231
Les distributions en classes
Les fréquences ou « fp » généralisation : La somme de la fréquence de toutes les classes donne 1 ou 100 % « démonstration » : Attention aux effets d’arrondis : 0,45+0,36+0,18 ≠ 1,00 ! Une question ? Pourquoi calculer les fréquences ?
232
Les distributions en classes
Les fréquences ou « fp » généralisation : La somme de la fréquence de toutes les classes donne 1 ou 100 % « démonstration » : Attention aux effets d’arrondis : 0,45+0,36+0,18 ≠ 1,00 ! Une question ? Pourquoi calculer les fréquences ?
233
Les distributions en classes
Les fréquences ou « fp » généralisation : la somme de la fréquence de toutes les classes donne 1 ou 100 % « démonstration » : Attention aux effets d’arrondis : 0,45+0,36+0,18 ≠ 1,00 ! Une question ? Pourquoi calculer les fréquences ?
234
Les distributions en classes
Les fréquences ou « fp » généralisation : la somme de la fréquence de toutes les classes donne 1 ou 100 % « démonstration » : Attention aux effets d’arrondis : 0,45+0,36+0,18 ≠ 1,00 ! Une question ? Pourquoi calculer les fréquences ?
235
Les distributions en classes
Les fréquences ou « fp » généralisation : la somme de la fréquence de toutes les classes donne 1 ou 100 % « démonstration » : attention aux effets d’arrondis : 0,45+0,36+0,18 ≠ 1,00 ! (Plus tard) Une question ? Pourquoi calculer les fréquences ?
236
Reprise du cours (10-03-2015) Au menu du jour :
Distribution, tableau des effectifs et des fréquences : théorie : fin exercices commentaires finals (ou finaux) Tableau à double entrée : début
237
Reprise du cours (10-03-2015) Chapitre 1 :
Objectif : noyés car trop de données en prendre possession 2 éléments à identifier : sur qui ? « i » et « n » sur quoi ? « (X) » et « xi » (Mettre de l’ordre et) diminuer le nombre de lignes
238
Reprise du cours (10-03-2015) Chapitre 1 :
Objectif : noyés car trop de données en prendre possession 2 éléments à identifier : sur qui ? « i » et « n » sur quoi ? « (X) » et « xi » (Mettre de l’ordre et) diminuer le nombre de lignes
239
Reprise du cours (10-03-2015) Chapitre 1 :
Objectif : noyés car trop de données en prendre possession 2 éléments à identifier : sur qui ? « i » et « n » sur quoi ? « (X) » et « xi » (Mettre de l’ordre et) diminuer le nombre de lignes
240
Reprise du cours (10-03-2015) Chapitre 1 :
Objectif : noyés car trop de données en prendre possession 2 éléments à identifier : sur qui ? « i » et « n » sur quoi ? « (X) » et « xi » (Mettre de l’ordre et) diminuer le nombre de lignes
241
Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n
242
Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n
243
Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n
244
Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n
245
Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n
246
Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n
247
Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n
248
Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers une équation et vice-versa somme des np de toutes les lignes actives donne n
249
Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J
250
Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J
251
Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J
252
Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J
253
Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J
254
Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J
255
Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J
256
Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J
257
Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J
258
Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 ! Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant
259
Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 ! Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant
260
Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 ! Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant
261
Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 ! Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant
262
Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 ! Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant
263
Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 ! Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant
264
Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 ! Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant
265
Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 ! Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant
266
Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 ! Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant
267
Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 ! Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant + exercice dans le syllabus
268
Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 ! Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant + exercice dans le syllabus Plutôt prendre la 2e formule : moins de problèmes d’arrondis
269
Les distributions en classes
Fréquences cumulées Généralisation : pour k et P quelconques (1 ≤ k ≤ P) Si k = P (fréquence cumulée de la dernière classe) Fk en cas de variable qualitative ? Pourquoi calculer les Fk ?
270
Les distributions en classes
Fréquences cumulées Généralisation : pour k et P quelconques (1 ≤ k ≤ P) Si k = P (fréquence cumulée de la dernière classe) Fk en cas de variable qualitative ? Pourquoi calculer les Fk ?
271
Les distributions en classes
Fréquences cumulées Généralisation : pour k et P quelconques (1 ≤ k ≤ P) Si k = P (fréquence cumulée de la dernière classe)
272
Les distributions en classes
Fréquences cumulées Généralisation : pour k et P quelconques (1 ≤ k ≤ P) Si k = P (fréquence cumulée de la dernière classe)
273
Les distributions en classes
Fréquences cumulées Généralisation : pour k et P quelconques (1 ≤ k ≤ P) Si k = P (fréquence cumulée de la dernière classe)
274
Les distributions en classes
Exercices 1, 2 et 3 : remplir rapidement les colonnes « fréquence (simple) » ou « fp » « fréquence cumulée » ou « Fk » Exercice 4 (type de question souvent posé) Exercice 5 (idem) Exercice 6 (sur données réelles) Exercice 7 (idem) Exercice 8 (idem) : calculs déjà faits commentaires Rappel des formules :
275
Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile (même si ici…) pourquoi ? car totaux différents : 190 ≠ 92 difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total − 190 92
276
Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile (même si ici…) pourquoi ? car totaux différents : 190 ≠ 92 difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total − 190 92
277
Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile (même si ici…) pourquoi ? car totaux différents : 190 ≠ 92 difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total − 190 92
278
Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile (même si ici…) pourquoi ? car totaux différents : 190 ≠ 92 difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total − 190 92
279
Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile (même si ici…) pourquoi ? car totaux différents : 190 ≠ 92 difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total − 190 92
280
Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile pourquoi ? car totaux différents : 190 ≠ (même si ici du simple au double…) difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total − 190 92
281
Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile pourquoi ? car totaux différents : 190 ≠ (même si ici du simple au double…) difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total − 190 92
282
Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile pourquoi ? car totaux différents : 190 ≠ (même si ici du simple au double…) difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total − 190 92
283
Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !
284
Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !
285
Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !
286
Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !
287
Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !
288
Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !
289
Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !
290
Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !
291
Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !
292
Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS intéressant de calculer les fréquences !
293
Les distributions en classes
Pourquoi calculer les fréquences cumulées ? Indications précieuses pour la comparaison % en échec profond (< 8) ? En échec (< 10) ? Inférieur à 12 ? Très utiles dans certains calculs (médiane, quantiles… chap. 3) Si hésitation, les calculer et voir… Fk en cas de variable qualitative ? selon les valeurs : cf. p. 10 selon des « classes » : en union <> pas en union Variable quantitative selon les valeurs : exercice d’application Fréquences (%) Fréquences cumulées (%) p Filière A Filière B 1 0 -< 2 3,2 17,4 2 2 -< 8 28,4 25,0 31,6 42,4 3 8 -< 10 18,9 19,6 50,5 62,0 4 10 -< 12 16,8 14,1 67,4 76,1 5 12 et + 32,6 23,9 100,0 Total − SOb
294
Les distributions en classes
Pourquoi calculer les fréquences cumulées ? Indications précieuses pour la comparaison % en échec profond (< 8) ? En échec (< 10) ? Inférieur à 12 ? Très utiles dans certains calculs (médiane, quantiles… chap. 3) Si hésitation, les calculer et voir… Fk en cas de variable qualitative ? selon les valeurs : cf. p. 10 selon des « classes » : en union <> pas en union Variable quantitative selon les valeurs : exercice d’application Fréquences (%) Fréquences cumulées (%) p Filière A Filière B 1 0 -< 2 3,2 17,4 2 2 -< 8 28,4 25,0 31,6 42,4 3 8 -< 10 18,9 19,6 50,5 62,0 4 10 -< 12 16,8 14,1 67,4 76,1 5 12 et + 32,6 23,9 100,0 Total − SOb
295
Les distributions en classes
Pourquoi calculer les fréquences cumulées ? Indications précieuses pour la comparaison % en échec profond (< 8) ? % en échec (< 10) ? % inférieur à 12 ? Très utiles dans certains calculs (médiane, quantiles… chap. 3) Si hésitation, les calculer et voir… Fk en cas de variable qualitative ? selon les valeurs : cf. p. 10 selon des « classes » : en union <> pas en union Variable quantitative selon les valeurs : exercice d’application Fréquences (%) Fréquences cumulées (%) p Filière A Filière B 1 0 -< 2 3,2 17,4 2 2 -< 8 28,4 25,0 31,6 42,4 3 8 -< 10 18,9 19,6 50,5 62,0 4 10 -< 12 16,8 14,1 67,4 76,1 5 12 et + 32,6 23,9 100,0 Total − SOb
296
Les distributions en classes
Pourquoi calculer les fréquences cumulées ? Indications précieuses pour la comparaison % en échec profond (< 8) ? % en échec (< 10) ? % inférieur à 12 ? Très utiles dans certains calculs (médiane, quantiles… chap. 3) Si hésitation, les calculer et voir… Fk en cas de variable qualitative ? selon les valeurs : cf. p. 9 selon des « classes » : en union <> pas en union Variable quantitative selon les valeurs : exercice d’application Fréquences (%) Fréquences cumulées (%) p Filière A Filière B 1 0 -< 2 3,2 17,4 2 2 -< 8 28,4 25,0 31,6 42,4 3 8 -< 10 18,9 19,6 50,5 62,0 4 10 -< 12 16,8 14,1 67,4 76,1 5 12 et + 32,6 23,9 100,0 Total − SOb
297
Les distributions en classes
Pourquoi calculer les fréquences cumulées ? Indications précieuses pour la comparaison % en échec profond (< 8) ? % en échec (< 10) ? % inférieur à 12 ? Très utiles dans certains calculs (médiane, quantiles… chap. 3) Si hésitation, les calculer et voir… Fréquences (%) Fréquences cumulées (%) p Filière A Filière B 1 0 -< 2 3,2 17,4 2 2 -< 8 28,4 25,0 31,6 42,4 3 8 -< 10 18,9 19,6 50,5 62,0 4 10 -< 12 16,8 14,1 67,4 76,1 5 12 et + 32,6 23,9 100,0 Total − SOb
298
Les distributions en classes
Variables qualitatives et distribution (p. 10) Peut-on calculer des effectifs ? Oui effectifs cumulés ? Non fréquences ? Oui fréquences cumulées ? Non Exemple en page 10 Sans objet p/k xp np Nk fp Fk 1 Cohabitant(e) 2 SO 0,18 Marié(e) 3 Divorcé(e) 0,09 4 Célibataire 6 0,55 5 Veuf(ve) 0,00 Séparé(e) Tot. ― 11 1,00
299
Les distributions en classes
Variables qualitatives et distribution (p. 10) Peut-on calculer des effectifs ? Oui effectifs cumulés ? Non fréquences ? Oui fréquences cumulées ? Non Exemple en page 10 Sans objet p/k xp np Nk fp Fk 1 Cohabitant(e) 2 SO 0,18 Marié(e) 3 Divorcé(e) 0,09 4 Célibataire 6 0,55 5 Veuf(ve) 0,00 Séparé(e) Tot. Sans objet 11 1,00
300
Les distributions en classes
Variables qualitatives et distribution Peut-on constituer des « classes » ? Oui : en union <> pas en union p/k xp np Nk fp Fk 1 Cohabitant(e) 2 SO 0,18 Marié(e) 3 Divorcé(e) 0,09 4 Célibataire 6 0,55 5 Veuf(ve) 0,00 Séparé(e) Tot. Sans objet 11 1,00 p/k xp np Nk fp Fk 1 En union 4 SO 0,36 2 Pas en union 7 0,64 Tot. Sans objet 11 1,00
301
Les distributions en classes
Variables qualitatives et distribution Peut-on constituer des « classes » ? Oui : en union <> pas en union p/k xp np Nk fp Fk 1 Cohabitant(e) 2 SO 0,18 Marié(e) 3 Divorcé(e) 0,09 4 Célibataire 6 0,55 5 Veuf(ve) 0,00 Séparé(e) Tot. Sans objet 11 1,00 p/k xp np Nk fp Fk 1 En union 4 SO 0,36 2 Pas en union 7 0,64 Tot. Sans objet 11 1,00
302
Les distributions en classes
Commentaires finals (ou finaux : au choix) Vocabulaire : une généreuse pagaille effectifs absolus ou relatifs fréquences absolues ou relatives dans ce cours : effectif = nombre absolu fréquence = nombre relatif (%) ailleurs ou autre prof ? Exercices : exercez-vous ! écrire les calculs (au moins quelques uns) en extension avec les chiffres en extension avec les symboles avec les formules condensées si problème avec les %, les arrondis, la calculette…
303
Tableau à double entrée
Tableau de contingence ou …
304
Tableau à double entrée
En guise d’introduction Exemple : le naufrage du Titanic La question : influence de la classe sur la survie des passagers les % de sauvés sont-ils différents selon la classe ? Données : Source : Masuy-Stroobants G. & Costa R. (2013), Analyser les données en sciences sociales, pp Pour une analyse plus complète, cf. cette référence. Classe Sauvés Morts Total 1re 202 120 322 2e 115 162 277 3e 176 533 709 493 815 1.308
305
Tableau à double entrée
En guise d’introduction Exemple : le naufrage du Titanic La question : influence de la classe sur la survie des passagers les % de sauvés sont-ils différents selon la classe ? Données : Source : Masuy-Stroobants G. & Costa R. (2013), Analyser les données en sciences sociales, pp Pour une analyse plus complète, cf. cette référence. Classe Sauvés Morts Total 1re 202 120 322 2e 115 162 277 3e 176 533 709 493 815 1.308
306
Tableau à double entrée
En guise d’introduction Exemple : le naufrage du Titanic La question : influence de la classe sur la survie des passagers les % de sauvés sont-ils différents selon la classe ? Données : Source : Masuy-Stroobants G. & Costa R. (2013), Analyser les données en sciences sociales, pp Pour une analyse plus complète, cf. cette référence. Classe Sauvés Morts Total 1re 202 120 322 2e 115 162 277 3e 176 533 709 493 815 1.308 Après la théorie, on reviendra à cet exemple !
307
Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : au total, 6 célibataires dans le tableau 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
308
Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : au total, 6 célibataires dans le tableau 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
309
Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : au total, 6 célibataires dans le tableau 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
310
Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
311
Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
312
Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
313
Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
314
Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
315
Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’une critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
316
Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’une critique à propos de la cohérence… Exercice d’application (Exercice 1.a) Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
317
Tableau à double entrée
Exercice 1, corrigé données Belge UE hors Belgique Autre Total Hommes 69.466 68.811 Femmes 70.378 63.691
318
Tableau à double entrée
Tableau 1.8 (p. 12) Originalité : classement selon 2 variables (et plus une seule) Dans le tableau 1.8, classement selon : le sexe (indice « p » variant de 1 à 2, avec P = 2) Homme = 1 Femme = 2 Le statut matrimonial (indice « q » variant de 1 à 4, avec Q = 4) Pas toujours 2 variables qualitatives (cf. syllabus) Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 • célibataire = 1 • marié(e) coutume = 2 • marié(e) état civil= 3 • divorcé(e) = 4
319
Tableau à double entrée
Tableau 1.8 (p. 12) Originalité : classement selon 2 variables (et plus une seule) Dans le tableau 1.8, classement selon : le sexe (indice « p » variant de 1 à 2, avec P = 2) Homme = 1 Femme = 2 Le statut matrimonial (indice « q » variant de 1 à 4, avec Q = 4) Pas toujours 2 variables qualitatives (cf. syllabus) Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 • célibataire = 1 • marié(e) coutume = 2 • marié(e) état civil= 3 • divorcé(e) = 4
320
Tableau à double entrée
Tableau 1.8 (p. 12) Originalité : classement selon 2 variables (et plus une seule) Dans le tableau 1.8, classement selon : le sexe (indice « p » variant de 1 à 2, avec P = 2) homme = 1 femme = 2 Le statut matrimonial (indice « q » variant de 1 à 4, avec Q = 4) Pas toujours 2 variables qualitatives (cf. syllabus) Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 • célibataire = 1 • marié(e) coutume = 2 • marié(e) état civil= 3 • divorcé(e) = 4
321
Tableau à double entrée
Tableau 1.8 (p. 12) Originalité : classement selon 2 variables (et plus une seule) Dans le tableau 1.8, classement selon : le sexe (indice « p » variant de 1 à 2, avec P = 2) homme = 1 femme = 2 le statut matrimonial (indice « q » variant de 1 à 4, avec Q = 4) Pas toujours 2 variables qualitatives (cf. syllabus) Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 • célibataire = 1 • cohabitant(e) = 2 • marié(e) = 3 • divorcé(e) = 4
322
Tableau à double entrée
Tableau 1.8 (p. 12) Originalité : classement selon 2 variables (et plus une seule) Dans le tableau 1.8, classement selon : le sexe (indice « p » variant de 1 à 2, avec P = 2) homme = 1 femme = 2 le statut matrimonial (indice « q » variant de 1 à 4, avec Q = 4) Pas toujours 2 variables qualitatives (cf. syllabus) Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 • célibataire = 1 • cohabitant(e) = 2 • marié(e) = 3 • divorcé(e) = 4
323
Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
324
Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
325
Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
326
Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
327
Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
328
Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
329
Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
330
Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11
331
Tableau à double entrée
Effectifs absolus Notation symbolique Contenu des marges (ligne et colonne « Total ») Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Marié(e) cout (q = 2) Marié(e) EC (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 Femmes (p = 2) n21 n22 n23 n24
332
Tableau à double entrée
Effectifs absolus Notation symbolique Contenu des marges (ligne et colonne « Total ») Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Marié(e) cout (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 Femmes (p = 2) n21 n22 n23 n24
333
Tableau à double entrée
Effectifs absolus Notation symbolique Contenu des marges (ligne et colonne « Total ») Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 Femmes (p = 2) n21 n22 n23 n24
334
Tableau à double entrée
Effectifs absolus Notation symbolique Contenu des marges : ligne « Total » et colonne « Total » Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 Femmes (p = 2) n21 n22 n23 n24
335
Tableau à double entrée
Effectifs absolus Notation symbolique Contenu des marges : ligne « Total » et colonne « Total » Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 Femmes (p = 2) n21 n22 n23 n24
336
Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)
337
Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)
338
Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)
339
Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)
340
Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)
341
Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)
342
Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)
343
Tableau à double entrée
Contenu des marges somme de la 2e ligne somme de la 1re colonne le total des célibataires, tous sexes confondus généralisation pour le statut matrimonial q :
344
Tableau à double entrée
Contenu des marges somme de la 2e ligne somme de la 1re colonne le total des célibataires, tous sexes confondus généralisation pour le statut matrimonial q : Cohabi. (q=2)
345
Tableau à double entrée
Contenu des marges somme de la 2e ligne somme de la 1re colonne le total des célibataires, tous sexes confondus généralisation pour le statut matrimonial q : Cohabi. (q=2)
346
Tableau à double entrée
Contenu des marges somme de la 2e ligne somme de la 1re colonne le total des célibataires, tous sexes confondus généralisation pour le statut matrimonial q : Cohabi. (q=2)
347
Tableau à double entrée
Contenu des marges somme de la 2e ligne somme de la 1re colonne le total des célibataires, tous sexes confondus généralisation pour le statut matrimonial q : Cohabi. (q=2)
348
Tableau à double entrée
Contenu des marges somme de la 2e ligne somme de la 1re colonne le total des célibataires, tous sexes confondus généralisation pour le statut matrimonial q : Cohabi. (q=2)
349
Tableau à double entrée
Les effectifs Notation symbolique Total général : n●● = 11 = somme des 8 cases internes du tableau = somme de la colonne « Total » = somme de la ligne « Total » Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Marié(e) cout (q = 2) Marié(e) EC (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 n1● Femmes (p = 2) n21 n22 n23 n24 n2● n●1 n●2 n●3 n●4 n●●
350
Tableau à double entrée
Les effectifs Notation symbolique Total général : n●● = 11 = somme des 8 cases internes du tableau = somme de la colonne « Total » = somme de la ligne « Total » Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 n1● Femmes (p = 2) n21 n22 n23 n24 n2● n●1 n●2 n●3 n●4 n●●
351
Tableau à double entrée
Les effectifs Notation symbolique Total général : n●● = 11 = somme des 8 cases internes du tableau = somme de la colonne « Total » = somme de la ligne « Total » Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 n1● Femmes (p = 2) n21 n22 n23 n24 n2● n●1 n●2 n●3 n●4 n●●
352
Tableau à double entrée
Les effectifs Notation symbolique Total général : n●● = 11 = somme des 8 cases internes du tableau = somme de la colonne « Total » = somme de la ligne « Total » = n Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 n1● Femmes (p = 2) n21 n22 n23 n24 n2● n●1 n●2 n●3 n●4 n●●
353
Tableau à double entrée
Les effectifs Notation symbolique Total général : n●● = 11 = somme des 8 cases internes du tableau = somme de la colonne « Total » = somme de la ligne « Total » = n Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 n1● Femmes (p = 2) n21 n22 n23 n24 n2● n●1 n●2 n●3 n●4 n●●
354
Tableau à double entrée
Les effectifs Notation symbolique Total général : n●● = 11 = somme des 8 cases internes du tableau = somme de la colonne « Total » = somme de la ligne « Total » = n Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 n1● Femmes (p = 2) n21 n22 n23 n24 n2● n●1 n●2 n●3 n●4 n●●
355
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) = fréquence pour le sexe p et le statut matrimonial (SM) q = part des observations de sexe p et le SM q = (fois 100 si en %) Idem fréquences déjà vues, MAIS 3 totaux ≠ possibles 8 Cf. tableaux 1.8, 1.9 et 1.10 (en page 11, établis au départ du tableau 1.8) Point le plus important
356
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) = fréquence pour le sexe p et le statut matrimonial (SM) q = part des observations de sexe p et le SM q = (fois 100 si en %) Idem fréquences déjà vues, MAIS 3 totaux ≠ possibles 8 Cf. tableaux 1.8, 1.9 et 1.10 (en page 11, établis au départ du tableau 1.8)
357
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) = fréquence pour le sexe p et le statut matrimonial (SM) q = part des observations de sexe p et le SM q = (fois 100 si en %) Idem fréquences déjà vues, MAIS 3 totaux ≠ possibles 8 Cf. tableaux 1.8, 1.9 et 1.10 (en page 11, établis au départ du tableau 1.8)
358
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) = fréquence pour le sexe p et le statut matrimonial (SM) q = part des observations de sexe p et le SM q = (fois 100 si en %) Idem fréquences déjà vues, MAIS 3 totaux ≠ possibles ! Cf. tableaux 1.8, 1.9 et 1.10 (en page 11, établis au départ du tableau 1.8)
359
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) = fréquence pour le sexe p et le statut matrimonial (SM) q = part des observations de sexe p et le SM q = (fois 100 si en %) Idem fréquences déjà vues, MAIS 3 totaux ≠ possibles ! Cf. tableaux 1.8, 1.9 et 1.10 (en page 11, établis au départ du tableau 1.8)
360
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) = fréquence pour le sexe p et le statut matrimonial (SM) q = part des observations de sexe p et le SM q = (fois 100 si en %) Idem fréquences déjà vues, MAIS 3 totaux ≠ possibles ! Cf. tableaux 1.10, 1.11 et 1.12 (en page 13, établis au départ du tableau 1.8)
361
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice
362
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice
363
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice
364
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice
365
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice
366
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice
367
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice
368
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice
369
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice 1.b (en commençant par les 3 calculs sous le tableau)
370
Tableau à double entrée
Exercice 1, corrigé données % en ligne Belge UE hors Belgique Autre Total Hommes 69.466 68.811 Femmes 70.378 63.691 Belge UE hors Belgique Autre Total Hommes 69,6% 15,3% 15,1% 100,0% Femmes 73,2% 14,1% 12,8% 71,5% 14,7% 13,9% % de Belges parmi les hommes : / = 0,696 ou 69,6 % % de la catégorie « autre » parmi les femmes : / = 12,8 % % de Belges dans le total : / = 71,5 %
371
Tableau à double entrée
Exercice 1, corrigé données % en ligne Belge UE hors Belgique Autre Total Hommes 69.466 68.811 Femmes 70.378 63.691 Belge UE hors Belgique Autre Total Hommes 69,6% 15,3% 15,1% 100,0% Femmes 73,2% 14,1% 12,8% 71,5% 14,7% 13,9% % de Belges parmi les hommes : / = 0,696 ou 69,6 % % de la catégorie « autre » parmi les femmes : / = 12,8 % % de Belges dans le total : / = 71,5 %
372
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice
373
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice
374
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice
375
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice
376
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice
377
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice
378
Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice 1.c (en commençant par les 3 calculs sous le tableau)
379
Tableau à double entrée
Exercice 1, corrigé données % en colonne Belge UE hors Belgique Autre Total Hommes 69.466 68.811 Femmes 70.378 63.691 Belge UE hors Belgique Autre Total Hommes 46,4% 49,7% 51,9% 47,7% Femmes 53,6% 50,3% 48,1% 52,3% 100,0% % d’hommes parmi les Belges : / = 0,464 ou 46,4 % % de femmes dans la catégorie « autre » : / = 48,1 % % d’hommes dans le total : / = 47,7 %
380
Tableau à double entrée
Exercice 1, corrigé données % en colonne Belge UE hors Belgique Autre Total Hommes 69.466 68.811 Femmes 70.378 63.691 Belge UE hors Belgique Autre Total Hommes 46,4% 49,7%