Tableau à double entrée Bref récapitulatif individus classés selon 2 variables 3 types de fréquences selon le diviseur logique de ligne : diviseur en bout de ligne logique de colonne : diviseur en bas de colonne logique par rapport au total général : diviseur = n choisir le type de fréquence selon la question : cf. 2 exemples

Tableau à double entrée Les questions : que calculer pour voir si le fait d’avoir une diplôme élevé protège du chômage ? % en ligne En emploi Au chômage Total Bas 84,0% 16,0% 100,0% Moyen 90,5% 9,5% Haut 95,3% 4,7% 91,4% 8,6% % en colonne En emploi Au chômage Total Bas 17,3% 35,0% 18,8% Moyen 36,5% 40,8% 36,9% Haut 46,2% 24,2% 44,3% 100,0% % du tot. géné. En emploi Au chômage Total Bas 15,8% 3,0% 18,8% Moyen 33,4% 3,5% 36,9% Haut 42,3% 2,1% 44,3% 91,4% 8,6% 100,0%

Tableau à double entrée Les questions : que calculer pour voir si le fait d’avoir une diplôme élevé protège du chômage ? % en ligne En emploi Au chômage Total Bas 84,0% 16,0% 100,0% Moyen 90,5% 9,5% Haut 95,3% 4,7% 91,4% 8,6% % en colonne En emploi Au chômage Total Bas 17,3% 35,0% 18,8% Moyen 36,5% 40,8% 36,9% Haut 46,2% 24,2% 44,3% 100,0% % du tot. géné. En emploi Au chômage Total Bas 15,8% 3,0% 18,8% Moyen 33,4% 3,5% 36,9% Haut 42,3% 2,1% 44,3% 91,4% 8,6% 100,0%

Tableau à double entrée Les questions : que calculer pour déterminer la catégorie de diplôme la plus représentée parmi les chômeurs ? % en ligne En emploi Au chômage Total Bas 84,0% 16,0% 100,0% Moyen 90,5% 9,5% Haut 95,3% 4,7% 91,4% 8,6% % en colonne En emploi Au chômage Total Bas 17,3% 35,0% 18,8% Moyen 36,5% 40,8% 36,9% Haut 46,2% 24,2% 44,3% 100,0% % du tot. géné. En emploi Au chômage Total Bas 15,8% 3,0% 18,8% Moyen 33,4% 3,5% 36,9% Haut 42,3% 2,1% 44,3% 91,4% 8,6% 100,0%

Tableau à double entrée Les questions : que calculer pour déterminer la catégorie de diplôme la plus représentée parmi les chômeurs ? % en ligne En emploi Au chômage Total Bas 84,0% 16,0% 100,0% Moyen 90,5% 9,5% Haut 95,3% 4,7% 91,4% 8,6% % en colonne En emploi Au chômage Total Bas 17,3% 35,0% 18,8% Moyen 36,5% 40,8% 36,9% Haut 46,2% 24,2% 44,3% 100,0% % du tot. géné. En emploi Au chômage Total Bas 15,8% 3,0% 18,8% Moyen 33,4% 3,5% 36,9% Haut 42,3% 2,1% 44,3% 91,4% 8,6% 100,0%

Du chapitre 1 au chapitre 2

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que faire ? des tableaux des effectifs et des fréquences Exemple : Bruxelles Vu la question, que choisir : effectifs ou fréquences ? Pourquoi ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que faire ? des tableaux des effectifs et des fréquences Exemple : Bruxelles Vu la question, que choisir : effectifs ou fréquences ? Pourquoi ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que faire ? des tableaux des effectifs et des fréquences Exemple : Bruxelles Vu la question, que choisir : effectifs ou fréquences ? Pourquoi ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que faire ? des tableaux des effectifs et des fréquences Exemple : Bruxelles Vu la question, que choisir : effectifs ou fréquences ? Pourquoi ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que faire ? des tableaux des effectifs et des fréquences Exemple : Bruxelles Vu la question, que choisir : effectifs ou fréquences ? Pourquoi ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que faire ? des tableaux des effectifs et des fréquences Exemple : Bruxelles Vu la question, que choisir : effectifs ou fréquences ? Pourquoi ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que choisir : les effectifs ou les fréquences ? Pourquoi ? Tableaux avec les fp car comparaison avec des totaux différents (et Fk ) Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que choisir : les effectifs ou les fréquences ? Pourquoi ? Tableaux avec les fp car comparaison avec des totaux différents (et Fk ) Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que choisir : les effectifs ou les fréquences ? Pourquoi ? Tableaux avec les fp car comparaison avec des totaux différents (et Fk ) Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que choisir : les effectifs ou les fréquences ? Pourquoi ? Tableaux avec les fp car comparaison avec des totaux différents (et Fk ) Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que choisir : les effectifs ou les fréquences ? Pourquoi ? Tableaux avec les fp car comparaison avec des totaux différents (et Fk ) Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que choisir : les effectifs ou les fréquences ? Pourquoi ? Tableaux avec les fp car comparaison avec des totaux différents (et Fk ) Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que choisir : les effectifs ou les fréquences ? Pourquoi ? Tableaux avec les fp car comparaison avec des totaux différents (et Fk ) Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que choisir : les effectifs ou les fréquences ? Pourquoi ? Tableaux avec les fp car comparaison avec des totaux différents (et Fk ) Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ?

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que faire ? Tableaux avec le fp et Fk car comparaison avec des totaux différents Que faire de pour répondre plus facilement aux questions ? Des graphiques !

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que faire ? Tableaux avec le fp et Fk car comparaison avec des totaux différents Que faire pour répondre plus facilement aux questions (même si ici…) ? Des graphiques !

Chap. 1 : s’approprier les données Comparer la distribution par âge des chômeurs dans les 3 régions belges Que faire ? Tableaux avec le fp et Fk car comparaison avec des totaux différents Que faire pour répondre plus facilement aux questions ? Un graphique !

Chap. 1 : s’approprier les données Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ? Pas de doute : plus facile de répondre avec le graphique  chapitre 2

Chap. 1 : s’approprier les données Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ? Pas de doute : plus facile de répondre avec le graphique  chapitre 2

Chap. 1 : s’approprier les données Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? En Flandre de 55 -< 60 ans ? Pas de doute : plus facile de répondre avec le graphique  chapitre 2

Chap. 1 : s’approprier les données Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 50 -< 55 ans ? À Bruxelles Pas de doute : plus facile de répondre avec le graphique  chapitre 2

Chap. 1 : s’approprier les données Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 50 -< 55 ans ? Pas de doute : plus facile de répondre avec le graphique  chapitre 2

Les graphiques : introduction (p.15) Pour prendre possession des données des chiffres dans un tableau, c’est bien mais un GRAPHIQUE, c’est mieux ! Pourquoi ? D’un seul coup d’œil, on voit beaucoup de choses ! Avec des chiffres, plus de temps ! MAIS imprécision (pas de quantification immédiate) défaut de ses qualités : d’un seul coup d’œil, on peut être trompé ! Conclusion : un graphique très utile pour : prendre connaissance des données illustrer un propos (favorise la mémorisation) COMMUNIQUER une information

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Variables qualitatives Choix (pp. 16-17) Idéal : le camembert. Pourquoi ? Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… ) Effets spéciaux sur le camembert + couleurs Camembert Tuyaux d’orgues

Variables qualitatives Choix (pp. 16-17) Idéal : le camembert. Pourquoi ? Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… ) Effets spéciaux sur le camembert + couleurs Camembert Tuyaux d’orgues

Variables qualitatives Choix (pp. 16-17) Idéal : le camembert. Pourquoi ? Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… ) Effets spéciaux sur le camembert + couleurs Camembert Tuyaux d’orgues

Variables qualitatives Choix (pp. 16-17) Idéal : le camembert. Pourquoi ? Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… ) Effets spéciaux sur le camembert + couleurs Camembert Tuyaux d’orgues

Variables qualitatives Choix (pp. 16-17) Idéal : le camembert. Pourquoi ? Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… ) Effets spéciaux sur le camembert + couleurs Camembert Tuyaux d’orgues

Variables qualitatives Choix (pp. 16-17) Idéal : le camembert. Pourquoi ? Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… ) Effets spéciaux sur le camembert + couleurs Camembert Tuyaux d’orgues

Variables qualitatives Choix (pp. 16-17) Idéal : le camembert. Pourquoi ? Si tuyaux d’orgue : ordre (lecture de gauche à droite ; or… ) Effets spéciaux sur le camembert + couleurs Camembert Tuyaux d’orgues

Variables quantitatives discrètes Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. 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 xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

Variables quantitatives discrètes Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. 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 xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

Variables quantitatives discrètes Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. 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 xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof ! 0 1 2 3

Variables quantitatives discrètes Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. 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 xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof ! 0 1 2 3

Variables quantitatives discrètes Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. 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 xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof ! 0 1 2 3

Variables quantitatives discrètes Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. 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 xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof ! 0 1 2 3

Variables quantitatives discrètes Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. 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 xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof ! 0 1 2 3

Variables quantitatives discrètes Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. 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 xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof ! 0 1 2 3

Variables quantitatives discrètes Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. 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 xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof ! 0 1 2 3

Variables quantitatives discrètes Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. 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 xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof ! 0 1 2 3

Variables quantitatives discrètes Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. 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 xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof ! 0 1 2 3

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

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , 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) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = 1.000 calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de 1.000 calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus 1.000 -<2.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , 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) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = 1.000 calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de 1.000 calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus 1.000 -<2.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , 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) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = 1.000 calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de 1.000 calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus 1.000 -<2.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , 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) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = 1.000 calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de 1.000 calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus 1.000 -<2.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , 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) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = 1.000 calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de 1.000 calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus 1.000 -<2.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , 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) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = 1.000 calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de 1.000 calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus 1.000 -<2.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , 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) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = 1.000 calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de 1.000 calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus 1.000 -<2.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , 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) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = 1.000 calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de 1.000 calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus 1.000 -<2.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , 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) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = 1.000 calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de 1.000 calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus 1.000 -<2.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , 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) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = 1.000 calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de 1.000 calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus 1.000 -<2.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , 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) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = 1.000 calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de 1.000 calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus 1.000 -<2.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) Exemple : les 3 classes du tableau 1.5 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal np 5 4 3 2 1 Ration journalière (C/J) 1.000 -<2.000 2.000 -<3.000 3.000 -<4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) Exemple : les 3 classes du tableau 1.5 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal np 5 4 3 2 1 Ration journalière (C/J) 1.000 -<2.000 2.000 -<3.000 3.000 -<4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) Exemple : les 3 classes du tableau 1.5 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal np 5 4 3 2 1 Ration journalière (C/J) 1.000 -<2.000 2.000 -<3.000 3.000 -<4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) Exemple : les 3 classes du tableau 1.5 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal np 5 4 3 2 1 Ration journalière (C/J) 1.000 -<2.000 2.000 -<3.000 3.000 -<4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) Exemple : les 3 classes du tableau 1.5 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal np 5 4 3 2 1 Ration journalière (C/J) 1.000 -<2.000 2.000 -<3.000 3.000 -<4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) Exemple : les 3 classes du tableau 1.5 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal np 5 4 3 2 1 Ration journalière (C/J) 1.000 -<2.000 2.000 -<3.000 3.000 -<4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) Exemple : les 3 classes du tableau 1.5 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal np 5 4 3 2 1 Ration journalière (C/J) 1.000 -<2.000 2.000 -<3.000 3.000 -<4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) Exemple : les 3 classes du tableau 1.5 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal np 5 4 3 2 1 Ration journalière (C/J) 1.000 -<2.000 2.000 -<3.000 3.000 -<4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) Exemple : les 3 classes du tableau 1.5 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal np 5 4 3 2 1 Ration journalière (C/J) 1.000 -<2.000 2.000 -<3.000 3.000 -<4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) Exemple : les 3 classes du tableau 1.5 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal np 5 4 3 2 1 Ration journalière (C/J) 1.000 -<2.000 2.000 -<3.000 3.000 -<4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) Exemple : les 3 classes du tableau 1.5 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal suppression des petits carrés  version « officielle »  np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des np ou fp (cf. tableau 1.5) Exemple : les 3 classes du tableau 1.5 : tuyaux disjoints juxtaposition des tuyaux  reconstitution de la variable sur l’axe horizontal suppression des petits carrés  version « officielle »  np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des np ou fp (cf. tableau 1.5) = ligne brisée = courbe (en langage mathématique) construit au départ de l’histogramme 2 temps : construction justification 

Variables (implicitement) continues POLYGONE des np ou fp (cf. tableau 1.5) = ligne brisée = courbe (en langage mathématique) construit au départ de l’histogramme 2 temps : construction justification 

Variables (implicitement) continues POLYGONE des np ou fp (cf. tableau 1.5) = ligne brisée = courbe (en langage mathématique) construit au départ de l’histogramme 2 temps : construction justification 

Variables (implicitement) continues POLYGONE des np ou fp (cf. tableau 1.5) = ligne brisée = courbe (en langage mathématique) construit au départ de l’histogramme 2 temps : construction justification 

Variables (implicitement) continues Construction du polygone des np au départ de l’histogramme centres de classe et segments (lignes) fermeture et classes inventées conservation de la surface de l’histogramme  le problème de déformation de la distribution (notre exemple est limite) suppression de l’histogramme  polygone « officiel » interprétation np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Construction du polygone des np au départ de l’histogramme centres de classe et segments (lignes) fermeture et classes inventées conservation de la surface de l’histogramme  le problème de déformation de la distribution (notre exemple est limite) suppression de l’histogramme  polygone « officiel » interprétation np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Construction du polygone des np au départ de l’histogramme centres de classe et segments (lignes) fermeture et classes inventées conservation de la surface de l’histogramme  le problème de déformation de la distribution (notre exemple est limite) suppression de l’histogramme  polygone « officiel » interprétation np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Construction du polygone des np au départ de l’histogramme centres de classe et segments (lignes) fermeture et classes inventées conservation de la surface de l’histogramme  le problème de déformation de la distribution (notre exemple est limite) suppression de l’histogramme  polygone « officiel » interprétation np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Construction du polygone des np au départ de l’histogramme centres de classe et segments (lignes) fermeture et classes inventées conservation de la surface de l’histogramme  le problème de déformation de la distribution (notre exemple est limite) suppression de l’histogramme  polygone « officiel » interprétation np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Construction du polygone des np au départ de l’histogramme centres de classe et segments (lignes) fermeture et classes inventées conservation de la surface de l’histogramme  le problème de déformation de la distribution (notre exemple est limite) suppression de l’histogramme  polygone « officiel » interprétation np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Construction du polygone des np au départ de l’histogramme centres de classe et segments (lignes) fermeture et classes inventées conservation de la surface de l’histogramme  le problème de déformation de la distribution (notre exemple est limite) suppression de l’histogramme  polygone « officiel » interprétation np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Construction du polygone des np au départ de l’histogramme centres de classe et segments (lignes) fermeture et classes inventées conservation de la surface de l’histogramme  le problème de déformation de la distribution (notre exemple est limite) suppression de l’histogramme  polygone « officiel » interprétation np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Construction du polygone des np au départ de l’histogramme centres de classe et segments (lignes) fermeture et classes inventées conservation de la surface de l’histogramme  le problème de déformation de la distribution (notre exemple est limite) suppression de l’histogramme  polygone « officiel » interprétation np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Construction du polygone des np au départ de l’histogramme centres de classe et segments (lignes) fermeture et classes inventées conservation de la surface de l’histogramme  le problème de déformation de la distribution (notre exemple est limite) suppression de l’histogramme  polygone « officiel » interprétation np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Construction du polygone des np au départ de l’histogramme centres de classe et segments (lignes) fermeture et classes inventées conservation de la surface de l’histogramme  le problème de déformation de la distribution (notre exemple est limite) suppression de l’histogramme  polygone « officiel » interprétation : plus la courbe est haute, plus il y a d’observation à la valeur de X np np 5 4 3 2 1 5 4 3 2 1 RJ (C/J) RJ (C/J) 0 1.000 2.000 3.000 4.000 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Justification du polygone et intérêt par rapport à l’histogramme caractère continu de la variable mieux respecté plus d’escaliers, mais de la progressivité facilités pour la suite, notamment chapitre 3 (et même si pour nous… ) np 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Justification du polygone et intérêt par rapport à l’histogramme caractère continu de la variable mieux respecté plus d’escaliers, mais de la progressivité facilités pour la suite, notamment chapitre 3 (et même si pour nous… ) np 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Justification du polygone et intérêt par rapport à l’histogramme caractère continu de la variable mieux respecté plus d’escaliers, mais de la progressivité facilités pour la suite, notamment chapitre 3 (et même si pour nous… ) np 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Justification du polygone et intérêt par rapport à l’histogramme caractère continu de la variable mieux respecté plus d’escaliers, mais de la progressivité facilités pour la suite, notamment chapitre 3 (et même si pour nous… ) np 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des Nk ou Fk (cf. tableau 1.5) construction : RAS (cf. histogramme des np mais en prenant les Nk) remarque : 1re classe identique si np ou Nk interprétation Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des Nk ou Fk (cf. tableau 1.5) construction : RAS (cf. histogramme des np mais en prenant les Nk) remarque : 1re classe identique si np ou Nk interprétation Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des Nk ou Fk (cf. tableau 1.5) construction : RAS (cf. histogramme des np mais en prenant les Nk) remarque : 1re classe identique si np ou Nk interprétation Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues HISTOGRAMMES des Nk ou Fk (cf. tableau 1.5) construction : RAS (cf. histogramme des np mais en prenant les Nk) remarque : 1re classe identique si np ou Nk interprétation Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction : combien avant 1.000 C/J ? Un 1er point 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction : combien avant 1.000 C/J ? Un 1er point 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction : combien avant 1.000 C/J ? Un 1er point 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction : combien avant 1.000 C/J ? Un 1er point. 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction : combien avant 1.000 C/J ? Un 1er point. 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction : combien avant 1.000 C/J ? Un 1er point. 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) quid si ajout d’une classe derrière ? Devant ? Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction : combien avant 1.000 C/J ? Un 1er point. 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) quid si ajout d’une classe derrière ? Devant ? Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction : combien avant 1.000 C/J ? Un 1er point. 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) quid si ajout d’une classe derrière ? Devant ? Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction : combien avant 1.000 C/J ? Un 1er point. 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) quid si ajout d’une classe derrière ? Devant ? Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction : combien avant 1.000 C/J ? Un 1er point. 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) quid si ajout d’une classe derrière ? Devant ? répartition uniforme : combien avant 1.500 ? Nk 11 10 9 8 7 6 5 4 3 2 1 2,5 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction suppression histo. polygone « officiel » interprétation : pour xi = 1.000, polygone = 0 : personne à moins de 1.000 pour xi = 2.000, polygone = 5 : 5 « i » à moins de 2.000 pour xi = 4.000, polygone = 11 : 5 « i » à moins de 4.000 pour xi = 10.000, polygone = 11 : 11 « i » à moins de 10.000 déformation : comparer np et Nk pour np : histogramme = OK pour Nk : polygone = OK Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction suppression histo. polygone « officiel » interprétation : pour xi = 1.000, polygone = 0 : personne à moins de 1.000 pour xi = 2.000, polygone = 5 : 5 « i » à moins de 2.000 pour xi = 4.000, polygone = 11 : 5 « i » à moins de 4.000 pour xi = 10.000, polygone = 11 : 11 « i » à moins de 10.000 déformation : comparer np et Nk pour np : histogramme = OK pour Nk : polygone = OK Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction suppression histo. polygone « officiel » interprétation : pour xi = 1.000, polygone = 0 : personne à moins de 1.000 pour xi = 2.000, polygone = 5 : 5 « i » à moins de 2.000 pour xi = 4.000, polygone = 11 : 5 « i » à moins de 4.000 pour xi = 10.000, polygone = 11 : 11 « i » à moins de 10.000 déformation : comparer np et Nk pour np : histogramme = OK pour Nk : polygone = OK Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction suppression histo. polygone « officiel » interprétation : pour xi = 1.000, polygone = 0 : personne à moins de 1.000 pour xi = 2.000, polygone = 5 : 5 « i » à moins de 2.000 pour xi = 4.000, polygone = 11 : 11 « i » à moins de 4.000 pour xi = 10.000, polygone = 11 : 11 « i » à moins de 10.000 déformation : comparer np et Nk pour np : histogramme = OK pour Nk : polygone = OK Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction suppression histo. polygone « officiel » interprétation : pour xi = 1.000, polygone = 0 : personne à moins de 1.000 pour xi = 2.000, polygone = 5 : 5 « i » à moins de 2.000 pour xi = 4.000, polygone = 11 : 11 « i » à moins de 4.000 pour xi = 10.000, polygone = 11 : 11 « i » à moins de 10.000 déformation : comparer np et Nk pour np : histogramme = OK pour Nk : polygone = OK Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues POLYGONE des Nk (cf. tableau 1.5) construction suppression histo. polygone « officiel » interprétation : pour xi = 1.000, polygone = 0 : personne à moins de 1.000 pour xi = 2.000, polygone = 5 : 5 « i » à moins de 2.000 pour xi = 4.000, polygone = 11 : 11 « i » à moins de 4.000 pour xi = 10.000, polygone = 11 : 11 « i » à moins de 10.000 déformation : comparer np et Nk pour np : histogramme = OK pour Nk : polygone = OK Nk 11 10 9 8 7 6 5 4 3 2 1 RJ (C/J) 0 1.000 2.000 3.000 4.000

Variables (implicitement) continues Histogramme et polygone des Nk (ou des Fk) pour les continues : OK pour les discrètes : non (diagrammes adaptés) pour les qualitatives : non, non et non : pas d’ordre !

Variables (implicitement) continues Histogramme et polygone des Nk (ou des Fk) pour les continues : OK pour les discrètes : non (diagrammes adaptés) pour les qualitatives : non, non et non : pas d’ordre !

Variables (implicitement) continues Histogramme et polygone des Nk (ou des Fk) pour les continues : OK pour les discrètes : non (diagrammes adaptés) pour les qualitatives : non, non et non : pas d’ordre !

Variables (implicitement) continues Histogramme et polygone des Nk (ou des Fk) pour les continues : OK pour les discrètes : non (diagrammes adaptés) pour les qualitatives : non, non et non : pas d’ordre !

Diagrammes Règles d’utilisation : on passe np ou fp : que choisir ? Graphiques temporels (si on a le temps)

Diagrammes : conclusions Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ? de moins de 30 ans (de < 30 ans) ?  autre graphique de 50 ans et + (de > 50 ans) ?  autre graphique Autre graphique pour les 2 questions en suspens

Diagrammes : conclusions Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ? de moins de 30 ans (de < 30 ans) ?  autre graphique de 50 ans et + (de > 50 ans) ?  autre graphique Autre graphique pour les 2 questions en suspens

Diagrammes : conclusions Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ? de moins de 30 ans (de < 30 ans) ?  autre graphique de 50 ans et + (de > 50 ans) ?  autre graphique Autre graphique pour les 2 questions en suspens

Diagrammes : conclusions Questions : dans quelle région la % la plus faible de chômeurs âgés : de 25 -< 30 ans ? de 55 -< 60 ans ? de moins de 30 ans (de < 30 ans) ?  autre graphique de 50 ans et + (de > 50 ans) ?  autre graphique Autre graphique pour les 2 questions en suspens

Diagrammes : conclusions Questions : dans quelle région la % la plus faible de chômeurs âgés : de moins de 30 ans (de < 30 ans) ? de 50 ans et + (de > 50 ans) ? Par rapport à un tableau, avec un graphique plus facile, rapide… de prendre possession des données = commencer son analyse de communiquer une information à une tierce personne

Diagrammes : conclusions Questions : dans quelle région la % la plus faible de chômeurs âgés : de moins de 30 ans (de < 30 ans) ? de 50 ans et + (de > 50 ans) ? Par rapport à un tableau, avec un graphique plus facile, rapide… de prendre possession des données = commencer son analyse de communiquer une information à une tierce personne

Diagrammes : conclusions Questions : dans quelle région la % la plus faible de chômeurs âgés : de moins de 30 ans (de < 30 ans) ? La Flandre de 50 ans et + (de > 50 ans) ? Bruxelles car Fk la plus élevée à 50 ans Par rapport à un tableau, avec un graphique plus facile, rapide… de prendre possession des données = commencer son analyse de communiquer une information à une tierce personne

Diagrammes : conclusions Questions : dans quelle région la % la plus faible de chômeurs âgés : de moins de 30 ans (de < 30 ans) ? La Flandre de 50 ans et + (de > 50 ans) ? Bruxelles car Fk la plus élevée à 50 ans Par rapport à un tableau, avec un graphique plus facile, rapide… de prendre possession des données = commencer son analyse de communiquer une information à une tierce personne