Tableau à double entrée

Présentation au sujet: "Tableau à double entrée"— Transcription de la présentation:

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

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

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

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

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

6 Du chapitre 1 au chapitre 2

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

53 Variables quantitatives discrètes
Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

54 Variables quantitatives discrètes
Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

55 Variables quantitatives discrètes
Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

56 Variables quantitatives discrètes
Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

57 Variables quantitatives discrètes
Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

58 Variables quantitatives discrètes
Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

59 Variables quantitatives discrètes
Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

60 Variables quantitatives discrètes
Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

61 Variables quantitatives discrètes
Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

62 Variables quantitatives discrètes
Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

63 Variables quantitatives discrètes
Diagramme en bâtons (p. 20) Respecte : le caractère discret de la variable : rien entre 1 et 2, par ex. le caractère ordonné de la variable : sur l’axe des x, de gauche à droite, valeurs croissantes facilités pour la lecture : à mesure que la valeur de xp  , np  Camembert ? Pourquoi pas ? Mais l’ordre disparait ! Beaucoup de critiques, mais bof !

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

65 Variables (implicitement) continues
HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <2.000

66 Variables (implicitement) continues
HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <2.000

67 Variables (implicitement) continues
HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <2.000

68 Variables (implicitement) continues
HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <2.000

69 Variables (implicitement) continues
HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <2.000

70 Variables (implicitement) continues
HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <2.000

71 Variables (implicitement) continues
HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <2.000

72 Variables (implicitement) continues
HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <2.000

73 Variables (implicitement) continues
HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <2.000

74 Variables (implicitement) continues
HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <2.000

75 Variables (implicitement) continues
HISTOGRAMMES des np ou fp (cf. tableau 1.5) tuyaux d’orgue : un tuyau par classe du tableau règles de construction du tuyau d’une classe surface (S) proportionnelle au np de la classe (ou fp , précision négligée après) largeur (L) proportionnelle à l’amplitude de la classe hauteur (H) déterminée au départ de de S et L : H = S/L (en effet, S = H*L) Exemple : classe 1, si 1 cm² = 1 « i » et 1 cm = calories S = 5 cm² (car 5 « i ») L = 1 cm car amplitude de calories H = 5 cm (car 5 cm²/1cm = 5 cm) = 1 cm² = 1 individu = 5 cm² = 5 individus <2.000

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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