Télécharger la présentation
La présentation est en train de télécharger. S'il vous plaît, attendez
Publié parGabriel Pinette Modifié depuis plus de 8 années
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
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.