Du chapitre 1 au chapitre 2 1

Les graphiques : introduction (p.19)  Pour prendre possession des données o des chiffres dans un tableau, c’est bien o mais un GRAPHIQUE, c’est mieux !  Pourquoi ? o D’un seul coup d’œil, on voit beaucoup de choses ! o Avec des chiffres, plus de temps !  MAIS o imprécision (pas de quantification immédiate) o défaut de ses qualités : d’un seul coup d’œil, on peut être trompé !  Conclusion : un graphique très utile pour : o prendre connaissance des données o illustrer un propos (favorise la mémorisation) o COMMUNIQUER une information 2

Les graphiques : introduction  Pour prendre possession des données o des chiffres dans un tableau, c’est bien o mais un GRAPHIQUE, c’est mieux !  Pourquoi ? o D’un seul coup d’œil, on voit beaucoup de choses ! o Avec des chiffres, plus de temps !  MAIS o imprécision (pas de quantification immédiate) o défaut de ses qualités : d’un seul coup d’œil, on peut être trompé !  Conclusion : un graphique très utile pour : o prendre connaissance des données o illustrer un propos (favorise la mémorisation) o COMMUNIQUER une information 3

Les graphiques : introduction  Pour prendre possession des données o des chiffres dans un tableau, c’est bien o mais un GRAPHIQUE, c’est mieux !  Pourquoi ? o D’un seul coup d’œil, on voit beaucoup de choses ! o Avec des chiffres, plus de temps ! o Un exemple  MAIS o imprécision (pas de quantification immédiate) o défaut de ses qualités : d’un seul coup d’œil, on peut être trompé !  Conclusion : un graphique très utile pour : o prendre connaissance des données o illustrer un propos (favorise la mémorisation) o COMMUNIQUER une information 4

D’un seul coup d’œil, on voit beaucoup de choses  Comparer la distribution par âge des chômeurs dans les 3 régions belges  Que faire ? o des tableaux des effectifs et des fréquences o Exemple : Bruxelles o Vu la question, que choisir : effectifs ou fréquences ? Pourquoi ? 5

D’un seul coup d’œil, on voit beaucoup de choses  Comparer la distribution par âge des chômeurs dans les 3 régions belges  Que faire ? o des tableaux des effectifs et des fréquences o Exemple : Bruxelles o Vu la question, que choisir : effectifs ou fréquences ? Pourquoi ? 6

D’un seul coup d’œil, on voit beaucoup de choses  Comparer la distribution par âge des chômeurs dans les 3 régions belges  Que choisir comme indices ?  Les f p car comparaison avec des totaux différents  Questions : dans quelle région le % le plus faible de chômeurs âgés : o de 25 -< 30 ans ? o de 55 -< 60 ans ? 7

D’un seul coup d’œil, on voit beaucoup de choses  Comparer la distribution par âge des chômeurs dans les 3 régions belges  Que choisir comme indices ?  Les f p car comparaison avec des totaux différents  Questions : dans quelle région le % le plus faible de chômeurs âgés : o de 25 -< 30 ans ? o de 55 -< 60 ans ? 8

D’un seul coup d’œil, on voit beaucoup de choses  Comparer la distribution par âge des chômeurs dans les 3 régions belges  Que choisir comme indices ?  Les f p car comparaison avec des totaux différents  Question : comparer la répartition par âge dans les 3 régions o de 25 -< 30 ans ? o de 55 -< 60 ans ? 9

D’un seul coup d’œil, on voit beaucoup de choses  Comparer la distribution par âge des chômeurs dans les 3 régions belges  Que choisir comme indices ?  Que faire de pour répondre plus facilement aux questions ?  Des graphiques ! 10

D’un seul coup d’œil, on voit beaucoup de choses  Comparer la distribution par âge des chômeurs dans les 3 régions belges  Que choisir comme indices ?  Que faire pour répondre facilement aux questions ?  Des graphiques ! 11

D’un seul coup d’œil, on voit beaucoup de choses  Comparer la distribution par âge des chômeurs dans les 3 régions belges  Que choisir comme indices ?  Que faire pour répondre facilement aux questions ?  Un graphique ! 12

D’un seul coup d’œil, on voit beaucoup de choses  Questions : dans quelle région le % le plus forte de chômeurs âgés : o Aux 1 ers âges : Wallonie le plus haut o Entre 25-<30 et 45-<50 ans : Bruxelles le plus haut o Après : Flandre le plus haut 13

D’un seul coup d’œil, on voit beaucoup de choses  Questions : dans quelle région le % le plus forte de chômeurs âgés : o Aux 1 ers âges : Wallonie le plus haut o Entre 25-<30 et 45-<50 ans : Bruxelles le plus haut o Après : Flandre le plus haut 14

D’un seul coup d’œil, on voit beaucoup de choses  Questions : dans quelle région le % le plus forte de chômeurs âgés : o Aux 1 ers âges : Wallonie le plus haut o Entre 25-<30 et 45-<50 ans : Bruxelles le plus haut o Après : Flandre le plus haut 15

D’un seul coup d’œil, on voit beaucoup de choses  Questions : dans quelle région le % le plus forte de chômeurs âgés : o Aux 1 ers âges : Wallonie le plus haut o Entre 25-<30 et 45-<50 ans : Bruxelles le plus haut o Après : Flandre le plus haut 16

D’un seul coup d’œil, on voit beaucoup de choses  Questions : dans quelle région le % le plus forte de chômeurs âgés : o Aux 1 ers âges : Wallonie le plus haut o Entre 25-<30 et 45-<50 ans : Bruxelles le plus haut o Après : Flandre le plus haut 17

D’un seul coup d’œil, on voit beaucoup de choses  Questions : dans quelle région le % le plus forte de chômeurs âgés : o Aux 1 ers âges : Wallonie le plus haut o Entre 25-<30 et 45-<50 ans : Bruxelles le plus haut o Après : Flandre le plus haut 18

D’un seul coup d’œil, on voit beaucoup de choses  Questions : dans quelle région le % le plus forte de chômeurs âgés : o Aux 1 ers âges : Wallonie le plus haut o Entre 25-<30 et 45-<50 ans : Bruxelles le plus haut o Après : Flandre le plus haut 19

D’un seul coup d’œil, on voit beaucoup de choses  Questions : dans quelle région le % le plus forte de chômeurs âgés : o Aux 1 ers âges : Wallonie le plus haut o Entre 25-<30 et 45-<50 ans : Bruxelles le plus haut o Après : Flandre le plus haut  Pas de doute : facile de répondre avec le graphique  Pas de doute : rapide d’y voir clair 20

Les graphiques : introduction  Pour prendre possession des données o des chiffres dans un tableau, c’est bien o mais un GRAPHIQUE, c’est mieux !  Pourquoi ? o D’un seul coup d’œil, on voit beaucoup de choses ! o Avec des chiffres, plus de temps !  MAIS o imprécision (pas de quantification immédiate) o défaut de ses qualités : d’un seul coup d’œil, on peut être trompé !  Conclusion : un graphique très utile pour : o prendre connaissance des données o illustrer un propos (favorise la mémorisation) o COMMUNIQUER une information 21

Les graphiques : introduction  Pour prendre possession des données o des chiffres dans un tableau, c’est bien o mais un GRAPHIQUE, c’est mieux !  Pourquoi ? o D’un seul coup d’œil, on voit beaucoup de choses ! o Avec des chiffres, plus de temps !  MAIS o imprécision (pas de quantification immédiate) o défaut de ses qualités : d’un seul coup d’œil, on peut être trompé !  Conclusion : un graphique très utile pour : o prendre connaissance des données o illustrer un propos (favorise la mémorisation) o COMMUNIQUER une information 22

Les graphiques : introduction  Pour prendre possession des données o des chiffres dans un tableau, c’est bien o mais un GRAPHIQUE, c’est mieux !  Pourquoi ? o D’un seul coup d’œil, on voit beaucoup de choses ! o Avec des chiffres, plus de temps !  MAIS o imprécision (pas de quantification immédiate) o défaut de ses qualités : d’un seul coup d’œil, on peut être trompé !  Conclusion : un graphique très utile pour : o prendre connaissance des données o illustrer un propos (favorise la mémorisation) o COMMUNIQUER une information 23

Les graphiques : introduction  Pour prendre possession des données o des chiffres dans un tableau, c’est bien o mais un GRAPHIQUE, c’est mieux !  Pourquoi ? o D’un seul coup d’œil, on voit beaucoup de choses ! o Avec des chiffres, plus de temps !  MAIS o imprécision (pas de quantification immédiate) o défaut de ses qualités : d’un seul coup d’œil, on peut être trompé !  Conclusion : un graphique très utile pour : o prendre connaissance des données o illustrer un propos (favorise la mémorisation) o COMMUNIQUER une information 24

 Remarques préliminaires : o diagrammes = graphiques = figures o diagrammes des n p ou f p : au départ d’une distribution (chap. 1 ! )  Généralités o règle : surfaces proportionnelles à n p ou f p (rarement pas surface, mais hauteur) o que choisir : n p ou f p ? (cf. p. 17, graphique pour EC selon données tableau 1.1) o visuellement, est-ce différent ? o que conclure, que choisir ? o si comparaison entre deux pays, populations, villes, quartiers… plutôt les f p ! Diagramme des n p Diagramme des f p Les diagrammes des n p ou des f p 25

 Remarques préliminaires : o diagrammes = graphiques = figures o diagrammes des n p ou f p : au départ d’une distribution (chap. 1 ! )  Généralités o règle : surfaces proportionnelles à n p ou f p (rarement pas surface, mais hauteur) o que choisir : n p ou f p ? (cf. p. 17, graphique pour EC selon données tableau 1.1) o visuellement, est-ce différent ? o que conclure, que choisir ? o si comparaison entre deux pays, populations, villes, quartiers… plutôt les f p ! Diagramme des n p Diagramme des f p Les diagrammes des n p ou des f p 26

 Remarques préliminaires : o diagrammes = graphiques = figures o diagrammes des n p ou f p : au départ d’une distribution (chap. 1 ! )  Généralités o règle : surfaces proportionnelles à n p ou f p (rarement pas surface, mais hauteur) o que choisir : n p ou f p ? (cf. p. 17, graphique pour EC selon données tableau 1.1) o visuellement, est-ce différent ? o que conclure, que choisir ? o si comparaison entre deux pays, populations, villes, quartiers… plutôt les f p ! Diagramme des n p Diagramme des f p Les diagrammes des n p ou des f p 27

 Remarques préliminaires : o diagrammes = graphiques = figures o diagrammes des n p ou f p : au départ d’une distribution (chap. 1 ! )  Généralités o règle : surfaces proportionnelles à n p ou f p (rarement pas surface, mais hauteur) o que choisir : n p ou f p ? (cf. p. 17, graphique pour EC selon données tableau 1.1) o visuellement, est-ce différent ? o que conclure, que choisir ? o si comparaison entre deux pays, populations, villes, quartiers… plutôt les f p ! Diagramme des n p Diagramme des f p Les diagrammes des n p ou des f p 28

 Remarques préliminaires : o diagrammes = graphiques = figures o diagrammes des n p ou f p : au départ d’une distribution (chap. 1 ! )  Généralités o règle : surfaces proportionnelles à n p ou f p (rarement pas surface, mais hauteur) o que choisir : n p ou f p ? (cf. p. 17, graphique pour EC selon données tableau 1.1) o visuellement, est-ce différent ? o que conclure, que choisir ? o si comparaison entre deux pays, populations, villes, quartiers… plutôt les f p ! Diagramme des n p Diagramme des f p Les diagrammes des n p ou des f p 29

 Remarques préliminaires : o diagrammes = graphiques = figures o diagrammes des n p ou f p : au départ d’une distribution (chap. 1 ! )  Généralités o règle : surfaces proportionnelles à n p ou f p (rarement pas surfaces, mais hauteurs) o que choisir : n p ou f p ? (cf. p. 17, graphique pour EC selon données tableau 1.1) o visuellement, est-ce différent ? o que conclure, que choisir ? o si comparaison entre deux pays, populations, villes, quartiers… plutôt les f p ! Diagramme des n p Diagramme des f p Les diagrammes des n p ou des f p 30

 Remarques préliminaires : o diagrammes = graphiques = figures o diagrammes des n p ou f p : au départ d’une distribution (chap. 1 ! )  Généralités o règle : surfaces proportionnelles à n p ou f p (rarement pas surfaces, mais hauteurs) o que choisir : n p ou f p ? (cf. p. 17, graphique pour EC selon données tableau 1.1) o visuellement, est-ce différent ? o que conclure, que choisir ? o si comparaison entre deux pays, populations, villes, quartiers… plutôt les f p ! Diagramme des n p Diagramme des f p Les diagrammes des n p ou des f p 31

 Remarques préliminaires : o diagrammes = graphiques = figures o diagrammes des n p ou f p : au départ d’une distribution (chap. 1 ! )  Généralités o règle : surfaces proportionnelles à n p ou f p (rarement pas surfaces, mais hauteurs) o que choisir : n p ou f p ? (cf. p. 17, graphique pour EC selon données tableau 1.1) o visuellement, est-ce différent ? o que conclure, que choisir ? o si comparaison entre deux pays, populations, villes, quartiers… plutôt les f p ! Diagramme des n p Diagramme des f p Les diagrammes des n p ou des f p 32

 Remarques préliminaires : o diagrammes = graphiques = figures o diagrammes des n p ou f p : au départ d’une distribution (chap. 1 ! )  Généralités o règle : surfaces proportionnelles à n p ou f p (rarement pas surfaces, mais hauteurs) o que choisir : n p ou f p ? (cf. p. 17, graphique pour EC selon données tableau 1.1) o visuellement, est-ce différent ? o que conclure, que choisir ? o si comparaison entre deux pays, populations, villes, quartiers… plutôt les f p ! Diagramme des n p Diagramme des f p Les diagrammes des n p ou des f p 33

 Remarques préliminaires : o diagrammes = graphiques = figures o diagrammes des n p ou f p : au départ d’une distribution (chap. 1 ! )  Généralités o règle : surfaces proportionnelles à n p ou f p (rarement pas surfaces, mais hauteurs) o que choisir : n p ou f p ? (cf. p. 17, graphique pour EC selon données tableau 1.1) o visuellement, est-ce différent ? o que conclure, que choisir ? o si comparaison entre deux pays, populations, villes, quartiers… plutôt les f p ! Diagramme des n p Diagramme des f p Les diagrammes des n p ou des f p 34

 Remarques préliminaires : o diagrammes = graphiques = figures o diagrammes des n p ou f p : au départ d’une distribution (chap. 1 ! )  Généralités o règle : surfaces proportionnelles à n p ou f p (rarement pas surfaces, mais hauteurs) o que choisir : n p ou f p ? (cf. p. 17, graphique pour EC selon données tableau 1.1) o visuellement, est-ce différent ? o que conclure, que choisir ? o si comparaison entre deux pays, populations, villes, quartiers… plutôt les f p ! Diagramme des n p Diagramme des f p Les diagrammes des n p ou des f p 35

 Choix (pp )  Idéal : le camembert. Pourquoi ?  Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… )  Effets spéciaux sur le camembert + couleurs CamembertTuyaux d’orgues Variables qualitatives 36

 Choix (pp )  Idéal : le camembert. Pourquoi ?  Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… )  Effets spéciaux sur le camembert + couleurs CamembertTuyaux d’orgues Variables qualitatives 37

 Choix (pp )  Idéal : le camembert. Pourquoi ?  Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… )  Effets spéciaux sur le camembert + couleurs CamembertTuyaux d’orgues Variables qualitatives 38

 Choix (pp )  Idéal : le camembert. Pourquoi ?  Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… )  Effets spéciaux sur le camembert + couleurs CamembertTuyaux d’orgues Variables qualitatives 39

 Choix (pp )  Idéal : le camembert. Pourquoi ?  Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… )  Effets spéciaux sur le camembert + couleurs CamembertTuyaux d’orgues Variables qualitatives 40

 Choix (pp )  Idéal : le camembert. Pourquoi ?  Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… )  Effets spéciaux sur le camembert + couleurs CamembertTuyaux d’orgues Variables qualitatives 41

 Diagramme en bâtons (p. 25)  Respecte : o le caractère discret de la variable : rien entre 1 et 2, par ex. o le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de x p , n p   Camembert ? o Pourquoi pas ? o Mais l’ordre disparait ! Variables quantitatives discrètes Beaucoup de critiques, mais bof ! 42

 Diagramme en bâtons (p. 25)  Respecte : o le caractère discret de la variable : rien entre 1 et 2, par ex. o le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de x p , n p   Camembert ? o Pourquoi pas ? o Mais l’ordre disparait ! Variables quantitatives discrètes Beaucoup de critiques, mais bof ! 43

 Diagramme en bâtons (p. 25)  Respecte : o le caractère discret de la variable : rien entre 1 et 2, par ex. o le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de x p , n p   Camembert ? o Pourquoi pas ? o Mais l’ordre disparait ! Variables quantitatives discrètes Beaucoup de critiques, mais bof !

 Diagramme en bâtons (p. 25)  Respecte : o le caractère discret de la variable : rien entre 1 et 2, par ex. o le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de x p , n p   Camembert ? o Pourquoi pas ? o Mais l’ordre disparait ! Variables quantitatives discrètes Beaucoup de critiques, mais bof !

 Diagramme en bâtons (p. 25)  Respecte : o le caractère discret de la variable : rien entre 1 et 2, par ex. o le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de x p , n p   Camembert ? o Pourquoi pas ? o Mais l’ordre disparait ! Variables quantitatives discrètes Beaucoup de critiques, mais bof !

 Diagramme en bâtons (p. 25)  Respecte : o le caractère discret de la variable : rien entre 1 et 2, par ex. o le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de x p , n p   Camembert ? o Pourquoi pas ? o Mais l’ordre disparait ! Variables quantitatives discrètes Beaucoup de critiques, mais bof !

 Diagramme en bâtons (p. 25)  Respecte : o le caractère discret de la variable : rien entre 1 et 2, par ex. o le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de x p , n p   Camembert ? o Pourquoi pas ? o Mais l’ordre disparait ! Variables quantitatives discrètes Beaucoup de critiques, mais bof !

 Diagramme en bâtons (p. 25)  Respecte : o le caractère discret de la variable : rien entre 1 et 2, par ex. o le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de x p , n p   Camembert ? o Pourquoi pas ? o Mais l’ordre disparait ! Variables quantitatives discrètes Beaucoup de critiques, mais bof !

 Diagramme en bâtons (p. 25)  Respecte : o le caractère discret de la variable : rien entre 1 et 2, par ex. o le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de x p , n p   Camembert ? o Pourquoi pas ? o Mais l’ordre disparait ! Variables quantitatives discrètes Beaucoup de critiques, mais bof !

Variables (implicitement) continues Le cas le plus important dans ce cours ! (pp ) 51

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p  Données (cf. tableau 1.5) 52 pClasse xpxp np np Nk Nk fpfp FkFk < , < ,360, < ,181,00 TotalSans objet 11Sans objet1,00Sans objet

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p  Données (cf. tableau 1.4) 53 pClasse xpxp np np Nk Nk fpfp FkFk < , < ,360, < ,181,00 TotalSans objet 11Sans objet1,00Sans objet

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p  Données (cf. tableau 1.4) 54 pClasse xpxp np np Nk Nk fpfp FkFk < , < ,360, < ,181,00 TotalSans objet 11Sans objet1,00Sans objet

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o tuyaux d’orgue : un tuyau par classe du tableau o règles de construction du tuyau d’une classe surface (S) proportionnelle au n p de la classe (ou f p, précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) o Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o tuyaux d’orgue : un tuyau par classe du tableau o règles de construction du tuyau d’une classe surface (S) proportionnelle au n p de la classe (ou f p, précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) o Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o tuyaux d’orgue : un tuyau par classe du tableau o règles de construction du tuyau d’une classe surface (S) proportionnelle au n p de la classe (ou f p, précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) o Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o tuyaux d’orgue : un tuyau par classe du tableau o règles de construction du tuyau d’une classe surface (S) proportionnelle au n p de la classe (ou f p, précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) o Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o tuyaux d’orgue : un tuyau par classe du tableau o règles de construction du tuyau d’une classe surface (S) proportionnelle au n p de la classe (ou f p, précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) o Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o tuyaux d’orgue : un tuyau par classe du tableau o règles de construction du tuyau d’une classe surface (S) proportionnelle au n p de la classe (ou f p, précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) o Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o tuyaux d’orgue : un tuyau par classe du tableau o règles de construction du tuyau d’une classe surface (S) proportionnelle au n p de la classe (ou f p, précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) o Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o tuyaux d’orgue : un tuyau par classe du tableau o règles de construction du tuyau d’une classe surface (S) proportionnelle au n p de la classe (ou f p, précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) o Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o tuyaux d’orgue : un tuyau par classe du tableau o règles de construction du tuyau d’une classe surface (S) proportionnelle au n p de la classe (ou f p, précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) o Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o tuyaux d’orgue : un tuyau par classe du tableau o règles de construction du tuyau d’une classe surface (S) proportionnelle au n p de la classe (ou f p, précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) o Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o tuyaux d’orgue : un tuyau par classe du tableau o règles de construction du tuyau d’une classe surface (S) proportionnelle au n p de la classe (ou f p, précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) o Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o Exemple : les 3 classes du tableau 1.4 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal < < <4.000 Ration journalière (C/J) npnp

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o Exemple : les 3 classes du tableau 1.4 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal < < <4.000 Ration journalière (C/J) npnp

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o Exemple : les 3 classes du tableau 1.4 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal < < <4.000 Ration journalière (C/J) npnp

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o Exemple : les 3 classes du tableau 1.4 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal < < <4.000 Ration journalière (C/J) npnp pClasse xpxp np np < < < TotalSans objet 11

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o Exemple : les 3 classes du tableau 1.4 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal < < <4.000 Ration journalière (C/J) npnp

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o Exemple : les 3 classes du tableau 1.4 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal < < <4.000 Ration journalière (C/J) npnp

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o Exemple : les 3 classes du tableau 1.4 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal < < <4.000 Ration journalière (C/J) npnp

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o Exemple : les 3 classes du tableau 1.4 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal < < <4.000 Ration journalière (C/J) npnp

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o Exemple : les 3 classes du tableau 1.4 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal < < <4.000 Ration journalière (C/J) npnp

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o Exemple : les 3 classes du tableau 1.4 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal < < <4.000 Ration journalière (C/J) npnp

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o Exemple : les 3 classes du tableau 1.4 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal suppression des petits carrés  version « officielle » RJ (C/J) npnp RJ (C/J) npnp

Variables (implicitement) continues  HISTOGRAMMES des n p ou f p (cf. tableau 1.4) o Exemple : les 3 classes du tableau 1.4 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal suppression des petits carrés  version « officielle » RJ (C/J) npnp RJ (C/J) npnp

Variables (implicitement) continues  POLYGONE des n p ou f p (cf. tableau 1.4) o = ligne brisée = courbe (en langage mathématique) o construit au départ de l’histogramme o 2 temps : construction justification 78

Variables (implicitement) continues  POLYGONE des n p ou f p (cf. tableau 1.4) o = ligne brisée = courbe (en langage mathématique) o construit au départ de l’histogramme o 2 temps : construction justification 79

Variables (implicitement) continues  POLYGONE des n p ou f p (cf. tableau 1.4) o = ligne brisée = courbe (en langage mathématique) o construit au départ de l’histogramme o 2 temps : construction justification 80

Variables (implicitement) continues  POLYGONE des n p ou f p (cf. tableau 1.4) o = ligne brisée = courbe (en langage mathématique) o construit au départ de l’histogramme o 2 temps : construction justification 81

Variables (implicitement) continues  Construction du polygone des n p au départ de l’histogramme o centres de classe et segments (lignes) o fermeture et classes inventées o conservation de la surface de l’histogramme o le problème de déformation de la distribution (notre exemple est limite) o suppression de l’histogramme  polygone « officiel » o interprétation RJ (C/J) npnp RJ (C/J) npnp

Variables (implicitement) continues  Construction du polygone des n p au départ de l’histogramme o centres de classe et segments (lignes) o fermeture et classes inventées o conservation de la surface de l’histogramme o le problème de déformation de la distribution (notre exemple est limite) o suppression de l’histogramme  polygone « officiel » o interprétation RJ (C/J) npnp RJ (C/J) npnp

Variables (implicitement) continues  Construction du polygone des n p au départ de l’histogramme o centres de classe et segments (lignes) o fermeture et classes inventées o conservation de la surface de l’histogramme o le problème de déformation de la distribution (notre exemple est limite) o suppression de l’histogramme  polygone « officiel » o interprétation RJ (C/J) npnp RJ (C/J) npnp

Variables (implicitement) continues  Construction du polygone des n p au départ de l’histogramme o centres de classe et segments (lignes) o fermeture et classes inventées o conservation de la surface de l’histogramme o le problème de déformation de la distribution (notre exemple est limite) o suppression de l’histogramme  polygone « officiel » o interprétation RJ (C/J) npnp RJ (C/J) npnp

Variables (implicitement) continues  Construction du polygone des n p au départ de l’histogramme o centres de classe et segments (lignes) o fermeture et classes inventées o conservation de la surface de l’histogramme o le problème de déformation de la distribution (notre exemple est limite) o suppression de l’histogramme  polygone « officiel » o interprétation RJ (C/J) npnp RJ (C/J) npnp

Variables (implicitement) continues  Construction du polygone des n p au départ de l’histogramme o centres de classe et segments (lignes) o fermeture et classes inventées o conservation de la surface de l’histogramme o le problème de déformation de la distribution (notre exemple est limite) o suppression de l’histogramme  polygone « officiel » o interprétation RJ (C/J) npnp RJ (C/J) npnp

Variables (implicitement) continues  Construction du polygone des n p au départ de l’histogramme o centres de classe et segments (lignes) o fermeture et classes inventées o conservation de la surface de l’histogramme o le problème de déformation de la distribution (notre exemple est limite) o suppression de l’histogramme  polygone « officiel » o interprétation RJ (C/J) npnp RJ (C/J) npnp npnp Compensations « perdu » « gagné »

Variables (implicitement) continues  Construction du polygone des n p au départ de l’histogramme o centres de classe et segments (lignes) o fermeture et classes inventées o conservation de la surface de l’histogramme o le problème de déformation de la distribution (notre exemple est limite) o suppression de l’histogramme  polygone « officiel » o interprétation RJ (C/J) npnp RJ (C/J) npnp

Variables (implicitement) continues  Construction du polygone des n p au départ de l’histogramme o centres de classe et segments (lignes) o fermeture et classes inventées o conservation de la surface de l’histogramme o le problème de déformation de la distribution (notre exemple est limite) o suppression de l’histogramme  polygone « officiel » o interprétation RJ (C/J) npnp RJ (C/J) npnp

Variables (implicitement) continues  Construction du polygone des n p au départ de l’histogramme o centres de classe et segments (lignes) o fermeture et classes inventées o conservation de la surface de l’histogramme o le problème de déformation de la distribution (notre exemple est limite) o suppression de l’histogramme  polygone « officiel » o interprétation RJ (C/J) npnp RJ (C/J) npnp

Variables (implicitement) continues  Construction du polygone des n p au départ de l’histogramme o centres de classe et segments (lignes) o fermeture et classes inventées o conservation de la surface de l’histogramme o le problème de déformation de la distribution (notre exemple est limite) o suppression de l’histogramme  polygone « officiel » o interprétation : plus la courbe est haute, plus il y a d’observation à la valeur de X RJ (C/J) npnp RJ (C/J) npnp

Variables (implicitement) continues  Justification du polygone et intérêt par rapport à l’histogramme o caractère continu de la variable mieux respecté o plus d’escaliers, mais de la progressivité o facilités pour la suite, notamment chapitre 3 (et même si pour nous… ) RJ (C/J) npnp

Variables (implicitement) continues  Justification du polygone et intérêt par rapport à l’histogramme o caractère continu de la variable mieux respecté o plus d’escaliers, mais de la progressivité o facilités pour la suite, notamment chapitre 3 (et même si pour nous… ) RJ (C/J) npnp

Variables (implicitement) continues  Justification du polygone et intérêt par rapport à l’histogramme o caractère continu de la variable mieux respecté o plus d’escaliers, mais de la progressivité o facilités pour la suite, notamment chapitre 3 (et même si pour nous… ) RJ (C/J) npnp

Variables (implicitement) continues  Justification du polygone et intérêt par rapport à l’histogramme o caractère continu de la variable mieux respecté o plus d’escaliers, mais de la progressivité o facilités pour la suite, notamment chapitre 3 (et même si pour nous… ) RJ (C/J) npnp

Variables (implicitement) continues  Exercice 2.1 (feuilles distribuées ; pp. 1-2) : o histogramme et polygone des effectifs o histogramme et polygone des fréquences : par imitation 97 Si temps, pour l’exercice 1, établissez les graphiques demandés ci-dessus.

Variables (implicitement) continues  Exercice 2.1 : o histogramme et polygone des effectifs 98

Variables (implicitement) continues  Exercice 2.1 : o histogramme et polygone des effectifs o histogramme et polygone des fréquences : par imitation 99

Variables (implicitement) continues  HISTOGRAMMES des N k ou F k (cf. tableau 1.4) o construction : RAS (cf. histogramme des n p mais en prenant les N k ) o remarque : 1 re classe identique si n p ou N k o interprétation RJ (C/J) NkNk

Variables (implicitement) continues  HISTOGRAMMES des N k ou F k (cf. tableau 1.4) o construction : RAS (cf. histogramme des n p mais en prenant les N k ) o remarque : 1 re classe identique si n p ou N k o interprétation RJ (C/J) NkNk

Variables (implicitement) continues  HISTOGRAMMES des N k ou F k (cf. tableau 1.4) o construction : RAS (cf. histogramme des n p mais en prenant les N k ) o remarque : 1 re classe identique si n p ou N k o interprétation RJ (C/J) NkNk

Variables (implicitement) continues  HISTOGRAMMES des N k ou F k (cf. tableau 1.4) o construction : RAS (cf. histogramme des n p mais en prenant les N k ) o remarque : 1 re classe identique si n p ou N k o Interprétation : RJ (C/J) NkNk

Variables (implicitement) continues  HISTOGRAMMES des N k ou F k (cf. tableau 1.4) o construction : RAS (cf. histogramme des n p mais en prenant les N k ) o remarque : 1 re classe identique si n p ou N k o Interprétation : o dans la classe 2 ou avant : 9 observations RJ (C/J) NkNk

Variables (implicitement) continues  HISTOGRAMMES des N k ou F k (cf. tableau 1.4) o construction : RAS (cf. histogramme des n p mais en prenant les N k ) o remarque : 1 re classe identique si n p ou N k o Interprétation : o dans la classe 2 ou avant : 9 observations o avant C/J : 11 observations RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant C/J ? Un 1 er point C/J ? C/J ? C/J ? unir les points (coins supérieurs des classes) RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant C/J ? Un 1 er point C/J ? C/J ? C/J ? unir les points (coins supérieurs des classes) RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant C/J ? Un 1 er point C/J ? C/J ? C/J ? unir les points (coins supérieurs des classes) RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant C/J ? Un 1 er point C/J ? C/J ? C/J ? unir les points (coins supérieurs des classes) RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant C/J ? Un 1 er point C/J ? C/J ? C/J ? unir les points (coins supérieurs des classes) RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant C/J ? Un 1 er point C/J ? C/J ? C/J ? unir les points (coins supérieurs des classes) quid si ajout d’une classe à droite ? Devant ? RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant C/J ? Un 1 er point C/J ? C/J ? C/J ? unir les points (coins supérieurs des classes) quid si ajout d’une classe à droite ? Devant ? RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant C/J ? Un 1 er point C/J ? C/J ? C/J ? unir les points (coins supérieurs des classes) quid si ajout d’une classe à droite ? À gauche ? RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant C/J ? Un 1 er point C/J ? C/J ? C/J ? unir les points (coins supérieurs des classes) quid si ajout d’une classe à droite ? À gauche ? RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant C/J ? Un 1 er point C/J ? C/J ? C/J ? unir les points (coins supérieurs des classes) quid si ajout d’une classe à droite ? À gauche ? répartition uniforme : combien avant ? RJ (C/J) NkNk ,5 Interprétation : selon le polygone, 2,5 observations avant C/J.

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction o suppression histo.  polygone « officiel » o interprétation : pour x i = 1.000, polygone = 0 : personne à moins de pour x i = 2.000, polygone = 5 : 5 « i » à moins de pour x i = 4.000, polygone = 11 : 5 « i » à moins de pour x i = , polygone = 11 : 11 « i » à moins de o déformation : comparer n p et N k pour n p : histogramme = OK pour N k : polygone = OK RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction o suppression histo.  polygone « officiel » o interprétation : pour x i = 1.000, polygone = 0 : personne à moins de pour x i = 2.000, polygone = 5 : 5 « i » à moins de pour x i = 4.000, polygone = 11 : 5 « i » à moins de pour x i = , polygone = 11 : 11 « i » à moins de o déformation : comparer n p et N k pour n p : histogramme = OK pour N k : polygone = OK RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction o suppression histo.  polygone « officiel » o interprétation : pour x i = 1.000, polygone = 0 : personne à moins de pour x i = 2.000, polygone = 5 : 5 « i » à moins de pour x i = 4.000, polygone = 11 : 5 « i » à moins de pour x i = , polygone = 11 : 11 « i » à moins de o déformation : comparer n p et N k pour n p : histogramme = OK pour N k : polygone = OK RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction o suppression histo.  polygone « officiel » o interprétation : pour x i = 1.000, polygone = 0 : personne à moins de pour x i = 2.000, polygone = 5 : 5 « i » à moins de pour x i = 4.000, polygone = 11 : 11 « i » à moins de pour x i = , polygone = 11 : 11 « i » à moins de o déformation : comparer n p et N k pour n p : histogramme = OK pour N k : polygone = OK RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction o suppression histo.  polygone « officiel » o interprétation : pour x i = 1.000, polygone = 0 : personne à moins de pour x i = 2.000, polygone = 5 : 5 « i » à moins de pour x i = 4.000, polygone = 11 : 11 « i » à moins de pour x i = , polygone = 11 : 11 « i » à moins de o déformation : comparer n p et N k pour n p : histogramme = OK pour N k : polygone = OK RJ (C/J) NkNk

Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction o suppression histo.  polygone « officiel » o interprétation : pour x i = 1.000, polygone = 0 : personne à moins de pour x i = 2.000, polygone = 5 : 5 « i » à moins de pour x i = 4.000, polygone = 11 : 11 « i » à moins de pour x i = , polygone = 11 : 11 « i » à moins de o déformation : comparer n p et N k pour n p : histogramme = OK pour N k : polygone = OK RJ (C/J) NkNk

Variables (implicitement) continues  Exercice 2.2 (feuilles distribuées ; p. 1 et 3) : o histogramme et polygone des effectifs cumulés o histogramme et polygone des fréquences cumulées 122 Si temps, faire les exercices 1 (p. 1) et 3 (pp. 4-5).

Variables (implicitement) continues  Exercice 2.2 : o histogramme et polygone des effectifs cumulés 123

Variables (implicitement) continues  Exercice 2.2 : o histogramme et polygone des effectifs cumulés o histogramme et polygone des fréquences cumulées 124

Variables (implicitement) continues  Histogramme et polygone des N k (ou des F k ) o pour les continues : OK o pour les discrètes : non (diagrammes adaptés) o pour les qualitatives : non, non et non : pas d’ordre ! 125

Variables (implicitement) continues  Histogramme et polygone des N k (ou des F k ) o pour les continues : OK o pour les discrètes : non (diagrammes adaptés) o pour les qualitatives : non, non et non : pas d’ordre ! 126

Variables (implicitement) continues  Histogramme et polygone des N k (ou des F k ) o pour les continues : OK o pour les discrètes : non (diagrammes adaptés) o pour les qualitatives : non, non et non : pas d’ordre ! 127

Variables (implicitement) continues  Histogramme et polygone des N k (ou des F k ) o pour les continues : OK o pour les discrètes : non (diagrammes adaptés) o pour les qualitatives : non, non et non : pas d’ordre ! 128

Diagrammes  Règles d’utilisation : on passe  n p ou f p : que choisir ?  Graphiques temporels (si on a le temps) 129