La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

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.

Présentations similaires


Présentation au sujet: "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."— Transcription de la présentation:

1 Du chapitre 1 au chapitre 2 1

2 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

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 !  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

4 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

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 ? 5

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 faire ? o des tableaux des effectifs et des fréquences o Exemple : Bruxelles o Vu la question, que choisir : effectifs ou fréquences ? Pourquoi ? 6

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 ? 7

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  Questions : dans quelle région le % le plus faible de chômeurs âgés : o de 25 -< 30 ans ? o de 55 -< 60 ans ? 8

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 ?  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

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 de pour répondre plus facilement aux questions ?  Des graphiques ! 10

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 ?  Des graphiques ! 11

12 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

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 13

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 14

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 15

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 16

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 17

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 18

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 19

20 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

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 21

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 22

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 23

24 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

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 25

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 26

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 27

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 28

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 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

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 30

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 31

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 32

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 33

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 34

35  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

36  Choix (pp. 20-21)  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

37  Choix (pp. 20-21)  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

38  Choix (pp. 20-21)  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

39  Choix (pp. 20-21)  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

40  Choix (pp. 20-21)  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

41  Choix (pp. 20-21)  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

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 ! 42

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 ! 43

44  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 ! 44 0 1 2 3

45  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 ! 45 0 1 2 3

46  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 ! 46 0 1 2 3

47  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 ! 47 0 1 2 3

48  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 ! 48 0 1 2 3

49  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 ! 49 0 1 2 3

50  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 ! 50 0 1 2 3

51 Variables (implicitement) continues Le cas le plus important dans ce cours ! (pp. 21-24) 51

52 Variables (implicitement) continues  HISTOGRAMMES des n p ou f p  Données (cf. tableau 1.5) 52 pClasse xpxp np np Nk Nk fpfp FkFk 11.000-<2.0001.500550,45 22.000-<3.0002.500490,360,82 33.000-<4.0003.5002110,181,00 TotalSans objet 11Sans objet1,00Sans objet

53 Variables (implicitement) continues  HISTOGRAMMES des n p ou f p  Données (cf. tableau 1.4) 53 pClasse xpxp np np Nk Nk fpfp FkFk 11.000-<2.0001.500550,45 22.000-<3.0002.500490,360,82 33.000-<4.0003.5002110,181,00 TotalSans objet 11Sans objet1,00Sans objet

54 Variables (implicitement) continues  HISTOGRAMMES des n p ou f p  Données (cf. tableau 1.4) 54 pClasse xpxp np np Nk Nk fpfp FkFk 11.000-<2.0001.500550,45 22.000-<3.0002.500490,360,82 33.000-<4.0003.5002110,181,00 TotalSans objet 11Sans objet1,00Sans objet

55 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 = 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 55

56 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 = 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 56

57 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 = 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 57

58 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 = 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 58

59 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 = 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 59

60 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 = 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 60

61 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 = 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 61

62 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 = 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 62

63 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 = 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 63

64 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 = 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 64

65 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 = 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 65

66 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 1.000 -<2.0002.000 -<3.0003.000 -<4.000 Ration journalière (C/J) 0 1.000 2.000 3.000 4.000 npnp 543210543210 66

67 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 1.000 -<2.0002.000 -<3.0003.000 -<4.000 Ration journalière (C/J) 0 1.000 2.000 3.000 4.000 npnp 543210543210 67

68 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 1.000 -<2.0002.000 -<3.0003.000 -<4.000 Ration journalière (C/J) 0 1.000 2.000 3.000 4.000 npnp 543210543210 68

69 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 1.000 -<2.0002.000 -<3.0003.000 -<4.000 Ration journalière (C/J) 0 1.000 2.000 3.000 4.000 npnp 543210543210 69 pClasse xpxp np np 11.000-<2.0001.5005 22.000-<3.0002.5004 33.000-<4.0003.5002 TotalSans objet 11

70 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 1.000 -<2.0002.000 -<3.0003.000 -<4.000 Ration journalière (C/J) 0 1.000 2.000 3.000 4.000 npnp 543210543210 70

71 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 1.000 -<2.0002.000 -<3.0003.000 -<4.000 Ration journalière (C/J) 0 1.000 2.000 3.000 4.000 npnp 543210543210 71

72 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 1.000 -<2.0002.000 -<3.0003.000 -<4.000 Ration journalière (C/J) 0 1.000 2.000 3.000 4.000 npnp 543210543210 72

73 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 1.000 -<2.0002.000 -<3.0003.000 -<4.000 Ration journalière (C/J) 0 1.000 2.000 3.000 4.000 npnp 543210543210 73

74 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 1.000 -<2.0002.000 -<3.0003.000 -<4.000 Ration journalière (C/J) 0 1.000 2.000 3.000 4.000 npnp 543210543210 74

75 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 1.000 -<2.0002.000 -<3.0003.000 -<4.000 Ration journalière (C/J) 0 1.000 2.000 3.000 4.000 npnp 543210543210 75

76 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 » 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 543210543210 76

77 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 » 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 543210543210 77

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 78

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 79

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 80

81 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

82 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 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 82

83 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 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 83

84 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 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 84

85 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 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 85

86 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 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 86

87 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 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 87

88 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 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 88 npnp Compensations « perdu » « gagné »

89 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 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 89

90 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 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 90

91 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 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 91

92 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 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 92

93 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… ) 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 93

94 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… ) 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 94

95 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… ) 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 95

96 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… ) 0 1.000 2.000 3.000 4.000 RJ (C/J) npnp 543210543210 96

97 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.

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

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

100 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 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 100

101 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 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 101

102 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 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 102

103 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 : 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 103

104 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 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 104

105 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 4.000 C/J : 11 observations 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 105

106 Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant 1.000 C/J ? Un 1 er point 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 106

107 Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant 1.000 C/J ? Un 1 er point 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 107

108 Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant 1.000 C/J ? Un 1 er point 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 108

109 Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant 1.000 C/J ? Un 1 er point. 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 109

110 Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant 1.000 C/J ? Un 1 er point. 2.000 C/J ? 3.000 C/J ? 4.000 C/J ? unir les points (coins supérieurs des classes) 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 110

111 Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant 1.000 C/J ? Un 1 er 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 à droite ? Devant ? 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 111

112 Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant 1.000 C/J ? Un 1 er 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 à droite ? Devant ? 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 112

113 Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant 1.000 C/J ? Un 1 er 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 à droite ? À gauche ? 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 113

114 Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant 1.000 C/J ? Un 1 er 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 à droite ? À gauche ? 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 114

115 Variables (implicitement) continues  POLYGONE des N k (cf. tableau 1.4) o construction : combien avant 1.000 C/J ? Un 1 er 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 à droite ? À gauche ? répartition uniforme : combien avant 1.500 ? 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 115 2,5 Interprétation : selon le polygone, 2,5 observations avant 1.500 C/J.

116 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 1.000 pour x i = 2.000, polygone = 5 : 5 « i » à moins de 2.000 pour x i = 4.000, polygone = 11 : 5 « i » à moins de 4.000 pour x i = 10.000, polygone = 11 : 11 « i » à moins de 10.000 o déformation : comparer n p et N k pour n p : histogramme = OK pour N k : polygone = OK 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 116

117 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 1.000 pour x i = 2.000, polygone = 5 : 5 « i » à moins de 2.000 pour x i = 4.000, polygone = 11 : 5 « i » à moins de 4.000 pour x i = 10.000, polygone = 11 : 11 « i » à moins de 10.000 o déformation : comparer n p et N k pour n p : histogramme = OK pour N k : polygone = OK 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 117

118 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 1.000 pour x i = 2.000, polygone = 5 : 5 « i » à moins de 2.000 pour x i = 4.000, polygone = 11 : 5 « i » à moins de 4.000 pour x i = 10.000, polygone = 11 : 11 « i » à moins de 10.000 o déformation : comparer n p et N k pour n p : histogramme = OK pour N k : polygone = OK 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 118

119 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 1.000 pour x i = 2.000, polygone = 5 : 5 « i » à moins de 2.000 pour x i = 4.000, polygone = 11 : 11 « i » à moins de 4.000 pour x i = 10.000, polygone = 11 : 11 « i » à moins de 10.000 o déformation : comparer n p et N k pour n p : histogramme = OK pour N k : polygone = OK 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 119

120 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 1.000 pour x i = 2.000, polygone = 5 : 5 « i » à moins de 2.000 pour x i = 4.000, polygone = 11 : 11 « i » à moins de 4.000 pour x i = 10.000, polygone = 11 : 11 « i » à moins de 10.000 o déformation : comparer n p et N k pour n p : histogramme = OK pour N k : polygone = OK 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 120

121 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 1.000 pour x i = 2.000, polygone = 5 : 5 « i » à moins de 2.000 pour x i = 4.000, polygone = 11 : 11 « i » à moins de 4.000 pour x i = 10.000, polygone = 11 : 11 « i » à moins de 10.000 o déformation : comparer n p et N k pour n p : histogramme = OK pour N k : polygone = OK 0 1.000 2.000 3.000 4.000 RJ (C/J) NkNk 11 10 9 8 7 6 5 4 3 2 1 0 121

122 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).

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

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

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 ! 125

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 ! 126

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 ! 127

128 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

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


Télécharger ppt "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."

Présentations similaires


Annonces Google