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

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

Chapitre 1 Généralités sur les données

Présentations similaires


Présentation au sujet: "Chapitre 1 Généralités sur les données"— Transcription de la présentation:

1 Chapitre 1 Généralités sur les données
Titanic

2 Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Thème traité (avec d’autres en plus) : état nutritionnel de la pop. d’un pays de 11 habitants tableau 1.1, la variable RJC (Ration Journalière en (grandes) Calories) problème simple : pourquoi simple ? seulement 11 individus avantage inconvénient (mais généralisation aisée)

3 Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Thème traité (avec d’autres en plus) Tableau de données initiales (début du tableau 1.1, p. 2) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

4 Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » État nutritionnel dans un pays Avant toute chose, 2 éléments à identifier (pourquoi ?) pourquoi ? éviter des erreurs grossières en confondant ces 2 éléments ex. : l’âge moyen des jeunes de 0 à 15 ans = 2 questions correspondant aux 2 éléments sur qui porte l’étude ? sur quoi porte l’étude ?

5 Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » État nutritionnel dans un pays Avant tout, 2 éléments à identifier pourquoi ? éviter des erreurs grossières en confondant ces 2 éléments ex. : l’âge moyen des jeunes de 0 à 15 ans = 2 questions correspondant aux 2 éléments sur qui porte l’étude ? sur quoi porte l’étude ?

6 Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » État nutritionnel dans un pays Avant tout, 2 éléments à identifier pourquoi ? éviter des erreurs grossières en confondant ces 2 éléments ex. examen : l’âge moyen des jeunes de 0 à 15 ans = 2 questions correspondant aux 2 éléments sur qui porte l’étude ? sur quoi porte l’étude ?

7 Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » État nutritionnel dans un pays Avant tout, 2 éléments à identifier pourquoi ? éviter des erreurs grossières en confondant ces 2 éléments ex. examen : l’âge moyen des jeunes de 0 à 15 ans = 2 questions correspondant aux 2 éléments sur qui porte l’étude ? sur quoi porte l’étude ?

8 Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » État nutritionnel dans un pays Avant tout, 2 éléments à identifier pourquoi ? éviter des erreurs grossières en confondant ces 2 éléments ex. examen : l’âge moyen des jeunes de 0 à 15 ans = 2 questions correspondant aux 2 éléments sur qui porte l’étude ? sur quoi porte l’étude ?

9 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse de qui/de quoi connait-on une caractéristique ? à qui a-t-on posé des questions ? qui a répondu aux questions ? Souplesse & imagination : taille des enfants à la naissance = les « INDIVIDUS » ou « unités » SOUS OBSERVATION dans l’exemple : les 11 habitants du pays

10 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus, soit 11 i peut donc varier de 1 à 11 population sous observation =  population de référence  ensemble des unités sous obs.  ensemble des « i » sous obs.

11 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : souvent , parfois  les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus, soit 11 i peut donc varier de 1 à 11 population sous observation =  population de référence  ensemble des unités sous obs.  ensemble des « i » sous obs.

12 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus, soit 11 i peut donc varier de 1 à 11 population sous observation =  population de référence  ensemble des unités sous obs.  ensemble des « i » sous obs.

13 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus, soit 11 i peut donc varier de 1 à 11 population sous observation =  population de référence  ensemble des unités sous obs.  ensemble des « i » sous obs.

14 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus observés, soit 11 i peut donc varier de 1 à 11 population sous observation =  population de référence  ensemble des unités sous obs.  ensemble des « i » sous obs.

15 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus observés, soit 11 « i » peut donc varier de 1 à 11 population sous observation =  population de référence  ensemble des unités sous obs.  ensemble des « i » sous obs.

16 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? les personnes/choses au SUJET desquelles l’étude s’intéresse dans l’exemple : les 11 habitants du pays désignation/notation mathématique : les individus 1, 2, 3… i … 10, 11 (parfois a, b, c…) « i » désigne un individu parmi les 11 « n » = le nombre total d’individus observés, soit 11 « i » peut donc varier de 1 à 11 population sous observation =  population de référence  ensemble des unités sous obs.  ensemble des « i » sous obs.

17 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL = le phénomène étudié choix d’une VARIABLE pour analyser le phénomène étudié « variable » = CARACTÈRE mesurable pour les « i » bon révélateur du phénomène étudié mesurable (classiquement ou répartition en catégories) quelle question posée aux « i » à propos de l’état nutritionnel ? RJC dans notre exemple RJC = la variable pour analyser l’état nutritionnel (on peut mieux faire)

18 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL choix d’une VARIABLE pour analyser le f désignation/notation (si une seule variable) « X » = la variable (MAJUSCULE) « xi » = la valeur de X pour i (minuscule) exemple : pour l’individu 5, RJC vaut C/J ○ pour 11, 1.100 X5 = C/J ○ X11 = C/J

19 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL choix d’une VARIABLE pour analyser le f désignation/notation (si une seule variable) « X » = la variable (MAJUSCULE) « xi » = la valeur de X pour i (minuscule) exemple : pour l’individu 5, RJC vaut C/J ○ pour 11, 1.100 X5 = C/J ○ X11 = C/J

20 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL choix d’une VARIABLE pour analyser le f désignation/notation (si une seule variable) « X » = la variable (MAJUSCULE) « xi » = la valeur de X pour i (minuscule) exemples (tableau 1.1) : pour l’individu 5, RJC vaut C/J ○ pour 11, 1.100 X5 = C/J ○ X11 = C/J

21 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL choix d’une VARIABLE pour analyser le f désignation/notation (si une seule variable) « X » = la variable (MAJUSCULE) « xi » = la valeur de X pour i (minuscule) exemples (tableau 1.1) : pour l’individu 5, RJC vaut C/J ○ pour 11, 1.100 X5 = C/J ○ X11 = C/J

22 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL choix d’une VARIABLE pour analyser le f désignation/notation (si une seule variable) « X » = la variable (MAJUSCULE) « xi » = la valeur de X pour i (minuscule) exemples (tableau 1.1) : pour l’individu 3, RJC vaut C/J ○ pour 11, 1.100 x3 = C/J ○ X11 = C/J Individu i RJC X 1 2.000 2 2.500 3 1.800

23 Chapitre 1. Généralités sur les données
Sur qui porte l’étude ? (Fini) Sur quoi porte l’étude ? dans l’exemple, sur l’ÉTAT NUTRITIONNEL choix d’une VARIABLE pour analyser le f désignation/notation (si une seule variable) « X » = la variable (MAJUSCULE) « xi » = la valeur de X pour i (minuscule) exemples (tableau 1.1) : pour l’individu 3, RJC vaut C/J ○ pour 11, 1.100 x3 = C/J ○ X11 = C/J Individu i RJC X 1 2.000 2 2.500 3 1.800

24 Chapitre 1. Généralités sur les données
Thème = l’état nutritionnel de la population d’un pays 2e ex. = la taille des étudiant(e)s de l’ISFSC un individu sous observation = un(e) étudiant(e) inscrit(e) à l’ISFSC un « i » sous observation la pop. sous observation = l’ensemble des étudiant(e)s de l’ISFSC si 903 inscrit(e)s, n = 903 la variable = X = la taille la valeur de la variable pour l’étudiant(e) 231 : x231 = 1,65 mètre

25 Chapitre 1. Généralités sur les données
Thème = l’état nutritionnel de la population d’un pays 2e ex. = la taille des étudiant(e)s de l’ISFSC 3e ex. = la couleur des voitures vendues en Belgique en 2012 une unité sous observation = une voiture vendue en Belgique en 2012 à un « i », on ne peut poser de question  imagination ! la pop. sous observation = l’ensemble des voitures vendues en Belgique en 2012 la variable = X = la couleur la valeur de X pour la 1.106e voiture : x1.106 = rouge

26 Chapitre 1. Généralités sur les données
Sur qui porte l’étude (bref retour) ? Attention : en prenant l’exemple de la couleur des voitures un « individu » : pas nécessairement un être humain une « pop. statistique » : pas nécessairement une pop. humaine  Souplesse et imagination!

27 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (p. 2, extrait : seulement les 3 premiers individus) Que vaut : x2 ? C/J a3 ? 20 ans s1 ? 1 = sexe masculin y1 ? 0,8, soit 0,8* = CFA Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

28 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

29 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

30 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

31 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

32 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Que vaut : x2 ? C/J a3 ? 20 ans s1 ? 1 = sexe masculin y1 ? 0,8, soit 0,8* = CFA Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

33 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Que vaut : x2 ? C/J a3 ? 20 ans s1 ? 1 = sexe masculin y1 ? 0,8, soit 0,8* = CFA Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

34 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Que vaut : x2 ? C/J a3 ? 20 ans s1 ? 1 = sexe masculin y1 ? 0,8, soit 0,8* = CFA Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

35 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 (extrait) Que vaut : x2 ? C/J a3 ? 20 ans s1 ? 1 = sexe masculin y1 ? 0, (soit 0,8* = CFA) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4 Cette façon d’exprimer les données est considérée comme acquise !

36 Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Variables qualitatives : nombres = codes arbitraires, sans valeur numérique exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

37 Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Variables qualitatives : nombres = codes arbitraires, sans valeur numérique exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

38 Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4 Exemple : sens ou pas de calculer une moyenne ?

39 Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

40 Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

41 Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4 Autre système de codes pour le sexe : ° « 1 » pour « femme » et « 2 » pour « homme » ° si c’est indiqué, les données restent lisibles

42 Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4 État civil : sens ou pas de calculer une moyenne ?

43 Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

44 Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4 Âge : sens ou pas de calculer une moyenne ?

45 Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

46 Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

47 Chapitre 1. Généralités sur les données
Les types de variables sur le plan mathématique (pp. 2-4) Pourquoi les distinguer ? Pour éviter des calculs vides de sens ! Variables qualitatives : nombres = codes arbitraires, sans valeur numérique : interchangeables exemples : sexe et état civil Variables quantitatives : nombres = valeurs numériques (42 ans = 3 ans de moins que 45) deux sous catégories discrètes : peu de valeurs ≠ possibles (descendance et VM) (implicitement) continue : bcp de valeurs ≠ possibles (les autres) Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

48 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui  variable QUALITATIVE (exemples dans le tableau) Non  variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non  variable DISCRÈTE (exemples dans le tableau) Oui  variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs  variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

49 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui  variable QUALITATIVE (exemples dans le tableau) Non  variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non  variable DISCRÈTE (exemples dans le tableau) Oui  variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs  variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

50 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui  variable QUALITATIVE (exemples dans le tableau) Non  variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non  variable DISCRÈTE (exemples dans le tableau) Oui  variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs  variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

51 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui  variable QUALITATIVE (exemples dans le tableau) Non  variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non  variable DISCRÈTE (exemples dans le tableau) Oui  variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs  variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

52 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui  variable QUALITATIVE (exemples dans le tableau) Non  variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non  variable DISCRÈTE (exemples dans le tableau) Oui  variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs  variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

53 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui  variable QUALITATIVE (exemples dans le tableau) Non  variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non  variable DISCRÈTE (exemples dans le tableau) Oui  variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs  variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

54 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui  variable QUALITATIVE (exemples dans le tableau) Non  variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non  variable DISCRÈTE (exemples dans le tableau) Oui  variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs  variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

55 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui  variable QUALITATIVE (exemples dans le tableau) Non  variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non  variable DISCRÈTE (exemples dans le tableau) Oui  variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs  variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

56 Chapitre 1. Généralités sur les données
Les types de variables (pp. 2-4) Tableau 1.1 2 questions pour identifier le type de la variable Codes interchangeables (sans perte d’information) ? Oui  variable QUALITATIVE (exemples dans le tableau) Non  variable QUANTITATIVE (exemples dans le tableau) Entre 2 valeurs de X, infinité (théorique) de valeurs possibles ? Non  variable DISCRÈTE (exemples dans le tableau) Oui  variable CONTINUE (exemples dans le tableau) Si beaucoup de valeurs & écarts non significatifs  variable IMPLICTEMENT CONTINUE (ex. : revenu en € et cents) Rem. : les deux dernières catégories ne seront pas différenciées. Ouf ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

57 Chapitre 1. Généralités sur les données
Les types de variables : résumé 3 types de variable : QUALITATIVE (nationalité, couleur des voitures…) QUANTITATIVE DISCRÈTE (descendance…) QUANTITATIVE (implicitement) CONTINUE (âge, revenus…) Nomenclatures plus diversifiées avec notamment les var. ordinales Pas pour nous

58 Chapitre 1. Généralités sur les données
Les types de variables : résumé 3 types de variable : QUALITATIVE (nationalité, couleur des voitures…) QUANTITATIVE DISCRÈTE (descendance…) QUANTITATIVE (implicitement) CONTINUE (âge, revenus…) Nomenclatures plus diversifiées avec notamment les var. ordinales Pas pour nous

59 Chapitre 1. Généralités sur les données
Les types de variables : résumé 3 types de variable : QUALITATIVE (nationalité, couleur des voitures…) QUANTITATIVE DISCRÈTE (descendance…) QUANTITATIVE (implicitement) CONTINUE (âge, revenus…) Nomenclatures plus diversifiées avec notamment les var. ordinales Pas pour nous !

60 Chapitre 1. Généralités sur les données
Observations ou données brutes (p. 4) Tableau 1.1 Valeurs telles que collectées sur le terrain = réponses telles qu’entendues quand la question a été posée Exemples : données brutes ou pas ? variable « âge » ? Oui, c’est comme si on entendait la réponse variable « RJC » ? Non, sauf si… Idéal : les données brutes : rien n’échappe ! Abus de langage : données brutes = les données trouvées Et maintenant, les traitements sur les données ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

61 Chapitre 1. Généralités sur les données
Observations ou données brutes (p. 4) Tableau 1.1 Valeurs telles que collectées sur le terrain = réponses telles qu’entendues quand la question a été posée Exemples : données brutes ou pas ? variable « âge » ? Oui, c’est comme si on entendait la réponse variable « RJC » ? Non, sauf si… Idéal : les données brutes : rien n’échappe ! Abus de langage : données brutes = les données trouvées Et maintenant, les traitements sur les données ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

62 Chapitre 1. Généralités sur les données
Observations ou données brutes (p. 4) Tableau 1.1 Valeurs telles que collectées sur le terrain = réponses telles qu’entendues quand la question a été posée Exemples : données brutes ou pas ? variable « âge » ? Oui, c’est comme si on entendait la réponse variable « RJC » ? Non, sauf si… Idéal : les données brutes : rien n’échappe ! Abus de langage : données brutes = les données trouvées Et maintenant, les traitements sur les données ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

63 Chapitre 1. Généralités sur les données
Observations ou données brutes (p. 4) Tableau 1.1 Valeurs telles que collectées sur le terrain = réponses telles qu’entendues quand la question a été posée Exemples : données brutes ou pas ? variable « âge » ? Oui, c’est comme si on entendait la réponse variable « RJC » ? Non, sauf si… Idéal : les données brutes : rien n’échappe ! Abus de langage : données brutes = les données trouvées Et maintenant, les traitements sur les données ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

64 Chapitre 1. Généralités sur les données
Observations ou données brutes (p. 4) Tableau 1.1 Valeurs telles que collectées sur le terrain = réponses telles qu’entendues quand la question a été posée Et maintenant, les traitements sur les données ! Individu i RJC X Age A Descendance E Sexe S Poids P Revenus Y État civil EC Visites méd. VM 1 2.000 45 2 65 0,8 3 2.500 42 51 0,5 1.800 20 72 0,2 4

65 Reprise du cours ( ) Chapitre 5 : interprétation des données d’enquêtes hasard  prudence  incertitude et imprécision formules : marge et fourchette interprétation : à 95%, dans la fourchette questions précises ? Chapitre 1 : objectif : noyés car trop de données  en prendre possession dans le chapitre 1, plus question de marge et de fourchette

66 Reprise du cours (03-03-2015) Chapitre 1 :
Objectif : noyés car trop de données  en prendre possession 2 éléments à identifier : sur qui ? de qui/quoi connait-on une caractéristique ? notation mathématique : i et n sur quoi ? quelle caractéristique connue pour les i = la variable ? notation : (X) et xi exemple : x1 = C/J Pour nous : 3 types de variables qualitative (ex. : nationalité, couleur des voitures…) quantitative discrète (ex. : descendance…) quantitative (implicitement) continue (ex. : âge, revenus…) remarque : « discrète/continue » uniquement pour les quantitatives (Données brutes)

67 Reprise du cours (03-03-2015) Chapitre 1 :
Objectif : noyés car trop de données  en prendre possession 2 éléments à identifier : sur qui ? de qui/quoi connait-on une caractéristique ? notation mathématique : i et n sur quoi ? quelle caractéristique connue pour les i = la variable ? notation : (X) et xi exemple : x1 = C/J Pour nous : 3 types de variables qualitative (ex. : nationalité, couleur des voitures…) quantitative discrète (ex. : descendance…) quantitative (implicitement) continue (ex. : âge, revenus…) remarque : « discrète/continue » uniquement pour les quantitatives (Données brutes)

68 Reprise du cours (03-03-2015) Chapitre 1 :
Objectif : noyés car trop de données  en prendre possession 2 éléments à identifier : sur qui ? de qui/quoi connait-on une caractéristique ? notation mathématique : i et n sur quoi ? quelle caractéristique connue pour les i = la variable ? notation : (X) et xi exemple : x1 = C/J Pour nous : 3 types de variables qualitative (ex. : nationalité, couleur des voitures…) quantitative discrète (ex. : descendance…) quantitative (implicitement) continue (ex. : âge, revenus…) remarque : « discrète/continue » uniquement pour les quantitatives (Données brutes)

69 Reprise du cours (03-03-2015) Chapitre 1 :
Objectif : noyés car trop de données  en prendre possession 2 éléments à identifier : sur qui ? de qui/quoi connait-on une caractéristique ? notation mathématique : i et n sur quoi ? quelle caractéristique connue pour les i = la variable ? notation : (X) et xi exemple : x1 = C/J Pour nous : 3 types de variables à identifier : qualitative (ex. : nationalité, couleur des voitures…) quantitative discrète (ex. : descendance…) quantitative (implicitement) continue (ex. : âge, revenus…) remarque : « discrète/continue » uniquement pour les quantitatives (Données brutes)

70 Reprise du cours (03-03-2015) Chapitre 1 :
Objectif : noyés car trop de données  en prendre possession 2 éléments à identifier : sur qui ? de qui/quoi connait-on une caractéristique ? notation mathématique : i et n sur quoi ? quelle caractéristique connue pour les i = la variable ? notation : (X) et xi exemple : x1 = C/J Pour nous : 3 types de variables à identifier : qualitative (ex. : nationalité, couleur des voitures…) quantitative discrète (ex. : descendance…) quantitative (implicitement) continue (ex. : âge, revenus…) remarque : « discrète/continue » uniquement pour les quantitatives (Données brutes)

71 Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Exemple simple : tableau 1.1 et les 11 RJC Mettre de l’ordre et réduire le nombre de lignes : 3 étapes

72 Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Exemple simple : tableau 1.1 et les 11 RJC Mettre de l’ordre et réduire le nombre de lignes : 3 étapes Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100

73 Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Exemple simple : tableau 1.1 et les 11 RJC Mettre de l’ordre et réduire le nombre de lignes : 3 étapes Étape 1 : mettre de l’ordre Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500

74 Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Exemple simple : tableau 1.1 et les 11 RJC Mettre de l’ordre et réduire le nombre de lignes : 3 étapes Étape 2 : distribution selon les valeurs Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500 Distribution selon les valeurs p xp np 1 1.100 2 1.600 3 1.800 4 2.000 5 2.500 6 2.800 7 2.950 8 3.100 9 3.500 Tot. 11

75 Chapitre 1. Généralités sur les données
Objectif : « prendre possession des données » Exemple simple : tableau 1.1 et les 11 RJC Mettre de l’ordre et réduire le nombre de lignes : 3 étapes Étape 3 : distribution en classes Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500 Distribution selon les valeurs p xp np 1 1.100 2 1.600 3 1.800 4 2.000 5 2.500 6 2.800 7 2.950 8 3.100 9 3.500 Tot. 11 Distribution en classes p/k Classes np 1 1.000 −< 2.000 5 2 2.000 −< 3.000 4 3 3.000 −< 4.000 Tot. SO 11

76 Chapitre 1. Généralités sur les données
Mettre de l’ordre et réduire le nombre de lignes : 3 étapes Ordre croissant Nombre de lignes réduit Étape 3 : distribution en classes Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500 Distribution selon les valeurs p xp np 1 1.100 2 1.600 3 1.800 4 2.000 5 2.500 6 2.800 7 2.950 8 3.100 9 3.500 Tot. 11 Distribution en classes p/k Classes np 1 1.000 −< 2.000 5 2 2.000 −< 3.000 4 3 3.000 −< 4.000 Tot. SO 11

77 1re étape : mettre de l’ordre

78 Suite ordonnée (croissante) (p. 5)
Objectif classer les données par ordre croissant Exemple : Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500

79 Suite ordonnée (croissante) (p. 5)
Objectif classer les données par ordre croissant Exemple : Résultat : suite ordonnée croissante : 1re valeur : la plus petite ; la dernière : la plus élevée Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500

80 Suite ordonnée (croissante) (p. 5)
Objectif classer les données par ordre croissant Exemple : Résultat : suite ordonnée croissante : 1re valeur : la plus petite ; la dernière : la plus élevée Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500

81 Suite ordonnée (croissante) (p. 5)
Objectif classer les données par ordre croissant Exemple : Résultat : suite ordonnée croissante : 1re valeur : la plus petite ; la dernière : la plus élevée amplitude des données : – = 2.400 1re information sur la dispersion, l’écart entre le max et le min Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500

82 Suite ordonnée (croissante) (p. 5)
Objectif classer les données par ordre croissant Exemple : Résultat : suite ordonnée croissante Exercice d’application : variable « poids » (données : cf. tableau 1.1) Données i RJC 1 2.000 2 2.500 3 1.800 4 1.600 5 3.500 6 3.100 7 2.800 8 2.950 9 10 11 1.100 Suite ordonnée xi RJC 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 5 x10 6 x1 2.000 7 x2 2.500 8 x7 2.800 9 x8 2.950 10 x6 3.100 11 x5 3.500

83 2e et 3e étapes : grouper les données

84 Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si)  mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions :  selon les valeurs observées  selon des classes  données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 pp. 5-10 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ...

85 Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si)  mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions :  selon les valeurs observées  selon des classes  données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ...

86 Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si)  mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions :  selon les valeurs observées  selon des classes  données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ...

87 Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si)  mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions :  selon les valeurs observées  selon des classes  données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ...

88 Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si)  mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions :  selon les valeurs observées  selon des classes  données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ...

89 Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si)  mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions :  selon les valeurs observées  selon des classes  données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ...

90 Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si)  mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions :  selon les valeurs observées  selon des classes  données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ...

91 Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si)  mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions :  selon les valeurs observées  selon des classes  données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ...

92 Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si)  mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions :  selon les valeurs observées  selon des classes  données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ...

93 Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si)  mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions :  selon les valeurs observées  selon des classes  données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ...

94 Les distributions ou grouper les données
Idée générale (très importante pour votre étude) données trop nombreuses (pas dans notre exemple, mais souvent si)  mettre ENSEMBLE des observations (données, valeurs) identiques voisines objectif : plus facile de lire les données, d’en prendre possession Deux exemples (concernant des pays différents) Deux types de distributions :  selon les valeurs observées  selon des classes  données dites « groupées », « distribuées », « par paquets » par opposition aux données « individuelles » du tableau 1.1 Familles classées par taille Individus classés par âge 1 0-< 5 ans 2 5-<10 ans 3 10-<15 ans ...

95 Les distributions selon les valeurs observées
Tableau 1.3 au départ du tableau 1.0 Suite ordonnée (Tableau 1.2 (p. 4)) Distribution selon les valeurs Tableau 1.3 (p. 5) Observation Valeur p Valeur de X ou xp Effectif ou poids ou np 1 x11 1.100 2 x4 1.600 3 x3 1.800 4 x9 2.000 5 x10 2.500 6 x1 2.800 7 x2 2.950 8 x7 3.100 9 x8 3.500 10 x6 Total 11 x5

96 Les distributions selon les valeurs observées
Tableau 1.3 au départ du tableau 1.2 Comment passer du tableau 3 au tableau 4 ? dans nos exemples, peu de lignes en moins, mais si n = … un peu de théorie à propos des distributions pour suivre

97 Les distributions selon les valeurs observées
Tableau 1.3 au départ du tableau 1.2 Comment passer du tableau 2 au tableau 3 ? dans nos exemples, peu de lignes en moins, mais si n = … un peu de théorie à propos des distributions pour suivre

98 Les distributions selon les valeurs observées
Tableau 1.3 au départ du tableau 1.2 Comment passer du tableau 2 au tableau 3 ? dans nos exemples, peu de lignes en moins, mais si n = … un peu de théorie à propos des distributions pour suivre

99 Les distributions selon les valeurs observées
Tableau 1.3 au départ du tableau 1.2 Comment passer du tableau 2 au tableau 3 ? dans nos exemples, peu de lignes en moins, mais si n = … un peu de théorie à propos des distributions pour suivre

100 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi »  groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque «  xp  », on associe un « np » 

101 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi »  groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque «  xp  », on associe un « np » 

102 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi »  groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque «  xp  », on associe un « np » 

103 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi »  groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque «  xp  », on associe un « np » 

104 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi »  groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque «  xp  », on associe un « np » 

105 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi »  groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque «  xp  », on associe un « np » 

106 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi »  groupées (tableau 1.3) une ligne = une valeur observée soit xp le nombre de « i » concernés np np xp à chaque «  xp  », on associe un « np » 

107 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi »  groupées (tableau 1.3) une ligne = une valeur observée, soit xp le nombre de « i » concernés np np xp à chaque «  xp  », on associe un « np » 

108 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi »  groupées (tableau 1.3) une ligne = une valeur observée, soit xp le nombre de « i » concernés, soit np np xp à chaque «  xp  », on associe un « np » 

109 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi »  groupées (tableau 1.3) une ligne = une valeur observée, soit xp le nombre de « i » concernés, soit np np xp à chaque «  xp  », on associe un « np » 

110 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) une ligne = un individu et sa réponse (si on ne s’occupe que de RJC) i xi à chaque « i », on associe « xi »  groupées (tableau 1.3) une ligne = une valeur observée, soit xp le nombre de « i » concernés, soit np np xp à chaque «  xp  », on associe un « np » 

111 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque «  xp  », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.4) : si « p » lignes actives « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P »

112 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque «  xp  », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.4) : si « p » lignes actives « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P »

113 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque «  xp  », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.4) : si « p » lignes actives « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P »

114 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque «  xp  », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.3) : « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P »

115 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque «  xp  », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.3) : « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P »

116 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque «  xp  », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.3) : « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P »

117 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque «  xp  », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.3) : « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P » Notation pour les données individuelles

118 Les distributions selon les valeurs observées
Le retournement statistique (p. 6) données individuelles <> données (re)groupées ou distribuées individuelles (tableau 1.1) : à chaque « i », on associe « xi » groupées (tableau 1.3) : à chaque «  xp  », on associe un « np » notation avec changement d’indices (risque de confusion) données individuelles (tab. 1.1) : « n » lignes dans le tableau, avec n = le nombre de personnes interrogées avec « i » variant de 1 à « n » données groupées (tab. 1.3) : « P » lignes actives dans le tableau, hors en-tête et total avec « p » variant de 1 à « P » Notation pour les données groupées Cette notation est considérée comme acquise !

119 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total 11

120 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total 11

121 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total 11

122 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total 11

123 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total 11

124 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total 11

125 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total 11

126 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative oui ou non ? pourquoi ? si nécessaire : rappel de l’idée générale = mettre ensemble… Au point de vue méthode : si hésitation, retour à l’idée générale Exemple au départ du tableau 1.1 Intéressant à établir pour comparer avec d’autres pays, par ex. Distribution de la variable « sexe » (source : tab.1.1) p Valeur de X xp Effectif ou poids np 1 Hommes 4 2 Femmes 7 Total 11

127 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative Retour au quantitatif avec des données réelles (ex. : revenus de tous les Belges) selon les valeurs, trop de lignes  distributions en classes  un tableau avec moins de lignes

128 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative Retour au quantitatif avec des données réelles (ex. : revenus de tous les Belges) selon les valeurs, trop de lignes  distributions en classes  un tableau avec moins de lignes

129 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative Retour au quantitatif avec des données réelles (ex. : revenus de tous les Belges) selon les valeurs, trop de lignes  distributions en classes  un tableau avec moins de lignes

130 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative Retour au quantitatif avec des données réelles (ex. : revenus de tous les Belges) selon les valeurs, trop de lignes  distributions en classes  un tableau avec moins de lignes

131 Les distributions selon les valeurs observées
Distributions et variables qualitatives (p. 10) Sens de distribuer les valeurs d’une variable qualitative Retour au quantitatif avec des données réelles (ex. : revenus de tous les Belges) selon les valeurs, trop de lignes  distributions en classes  un tableau avec moins de lignes  données lisibles, utilisables

132 Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile !

133 Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile !

134 Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile ! Pourquoi un effectif de 5 ?

135 Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile ! Pourquoi un effectif de 5 ? = 5

136 Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile !

137 Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile !

138 Les distributions en classes
Tableau 1.4 au départ du tableau 1.3 Comment passer du tableau 1.3 au tableau 1.4 ? mettre ensemble les valeurs comprises entre : < 2.000 < 3.000 < 4.000 au départ d’une distribution selon les valeurs : facile !

139 Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? effectif cumulé (Nk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 5 premières colonnes du tableau 3

140 Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? effectif cumulé (Nk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 5 premières colonnes du tableau 3

141 Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes : « p/k » : numéro de la ligne « Bornes des classes » = les limites de chaque classe « Centre de classe » : pour la 1re classe : ( )/2 c’est bien le centre valeur utile pour la suite, symbolisée par « xp »

142 Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes : « p/k » : numéro de la ligne (double numérotation nécessaire après) « Bornes des classes » = les limites de chaque classe « Centre de classe » : pour la 1re classe : ( )/2 c’est bien le centre valeur utile pour la suite, symbolisée par « xp »

143 Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes : « p/k » : numéro de la ligne (double numérotation nécessaire après) « Bornes des classes » = les limites de chaque classe « Centre de classe » : pour la 1re classe : ( )/2 c’est bien le centre valeur utile pour la suite, symbolisée par « xp »

144 Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes : « p/k » : numéro de la ligne (double numérotation nécessaire après) « Bornes des classes » = les limites de chaque classe « Centre de classe » : pour la 1re classe : ( )/2 c’est bien le centre valeur utile pour la suite valeur symbolisée par « xp »

145 Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes : « p/k » : numéro de la ligne (double numérotation nécessaire après) « Bornes des classes » = les limites de chaque classe « Centre de classe » : pour la 1re classe : ( )/2 c’est bien le centre valeur utile pour la suite valeur symbolisée par « xp » = valeur de la variable X de la ligne p

146 Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? effectif cumulé (Nk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 5 premières colonnes du tableau 3

147 Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? Déjà expliqué ! effectif cumulé (Nk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 5 premières colonnes du tableau 3

148 Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? Déjà expliqué ! effectif cumulé (Nk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 5 premières colonnes du tableau 3

149 Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? Déjà expliqué ! effectif cumulé (Nk) ? 2e ligne : 9 = ligne total : « SO » = « sans objet » = on ne met rien ! Imitation pour l’exercice d’application : au départ du tableau 2, remplir les 5 premières colonnes du tableau 3

150 Les distributions en classes
Tableau 1.4 : tableau des effectifs et des fréquences (début) Observer les 3 premières colonnes : description des classes Comment obtenir les colonnes : effectif (np) ? Déjà expliqué ! effectif cumulé (Nk) ? 2e ligne : 9 = ligne total : « SO » = « sans objet » = on ne met rien ! Imitation pour l’exercice d’application : au départ du tableau 2, remplir les 5 premières colonnes du tableau 3

151 Les distributions en classes
Exercices 1, 2 et 3 : remplir exclusivement les colonnes « classe » ou « p/k » ; « xp », éventuellement = « centre de classe » « effectif (simple) » ou « np » « effectif cumulé » ou « Nk » les autres colonnes  plus tard !

152 Les distributions en classes : théorie
Tableau 1.4 Méthode d’application pour : variables (implicitement) continues aussi pour d’autres types, mais parfois seulement en partie (qualitatives) Les classes groupements de valeurs contiguës bornes / doubles comptes & omissions amplitude centre de (la) classe classes ouvertes (pas pour nous dans exercices)

153 Les distributions en classes : théorie
Tableau 1.4 Méthode d’application pour : variables (implicitement) continues aussi pour d’autres types, mais parfois seulement en partie (qualitatives) Les classes groupements de valeurs contiguës bornes / doubles comptes & omissions amplitude centre de (la) classe classes ouvertes (pas pour nous dans exercices)

154 Les distributions en classes : théorie
Tableau 1.4 Méthode d’application pour : variables (implicitement) continues aussi pour d’autres types, mais parfois seulement en partie (qualitatives) Les classes groupements de valeurs contiguës bornes / doubles comptes & omissions amplitude centre de (la) classe classes ouvertes (pas pour nous dans exercices)

155 Les distributions en classes : théorie
Tableau 1.4 Méthode d’application pour : variables (implicitement) continues aussi pour d’autres types, mais parfois seulement en partie (qualitatives) Les classes groupements de valeurs contiguës bornes / doubles comptes & omissions amplitude centre de (la) classe classes ouvertes (pas pour nous)

156 Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p distribuer les observations dans les classes  « DISTRIBUTION » notation : 1.500  5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1  n1 : généralisation pour toutes les 1res lignes xp  np : généralisation pour toutes les lignes

157 Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p distribuer les observations dans les classes  « DISTRIBUTION » notation : 1.500  5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1  n1 : généralisation pour toutes les 1res lignes xp  np : généralisation pour toutes les lignes

158 Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p  observations distribuées dans les classes  « DISTRIBUTION » notation : 1.500  5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1  n1 : généralisation pour toutes les 1res lignes xp  np : généralisation pour toutes les lignes

159 Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p  observations distribuées dans les classes  « DISTRIBUTION » notation : 1.500  5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1  n1 : généralisation pour toutes les 1res lignes xp  np : généralisation pour toutes les lignes

160 Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p  observations distribuées dans les classes  « DISTRIBUTION » notation : 1.500  5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1  n1 : généralisation pour toutes les 1res lignes xp  np : généralisation pour toutes les lignes

161 Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p  observations distribuées dans les classes  « DISTRIBUTION » notation : 1.500  5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1  n1 : généralisation pour toutes les 1res lignes xp  np : généralisation pour toutes les lignes

162 Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p  observations distribuées dans les classes  « DISTRIBUTION » notation : 1.500  5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1  n1 : généralisation pour la 1re ligne de tous les tableaux xp  np : généralisation pour toutes les lignes

163 Les distributions en classes : théorie
Tableau 1.4 Les effectifs (absolus) ou np nombre d’observations dans la classe p  observations distribuées dans les classes  « DISTRIBUTION » notation : 1.500  5 à 1.500, on associe 5, soit le nombre d’observations de la 1re classe x1  n1 : généralisation pour la 1re ligne de tous les tableaux xp  np : généralisation pour toutes les lignes de tous les tableaux

164 Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)

165 Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)

166 Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)

167 Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)

168 Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)

169 Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)

170 Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)

171 Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque simplification de l’écriture formule « officielle » (cf. formulaire)

172 Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs  np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne

173 Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs  np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne

174 Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs  np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne

175 Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs  np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne

176 Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs  np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne

177 Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs  np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne

178 Les distributions en classes : théorie
Sigle de sommation pour les hésitant(e)s explication pas à pas sigle de sommation : on veut faire une somme, une addition on veut faire une somme d’effectifs  np à droite du sigle S « p = 1 » : le 1er élément de la somme = l’effectif de la 1re ligne « 3 » : le dernier élément de la somme = l’effectif de la 3e ligne entre le 1er et le dernier, on prend « tout » !

179 Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque formule « officielle » (cf. formulaire) Rappel : « P » = nombre de lignes actives dans le tableau

180 Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque formule « officielle » (cf. formulaire)

181 Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation application… au tableau 1.4 application… à tous les tableaux de 3 lignes introduction du sigle de sommation généralisation à un tableau quelconque formule « officielle » (cf. formulaire)

182 Les distributions en classes : théorie
Tableau 1.4 Idée : la somme de l’effectif de toutes les classes donne « n » Traduction de l’idée en langage mathématique, en équation Équivalence entre l’idée initiale et la formule ! formule « officielle » (cf. formulaire)

183 Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J

184 Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J

185 Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k (avec k qui fonctionne comme p) des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J

186 Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J

187 Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J

188 Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J

189 Les distributions en classes : théorie
Effectif cumulé définition : somme des effectifs de la classe k des classes qui précèdent (selon un ordre croissant) exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe Interprétation : 9 observations avant C/J

190 Les distributions en classes : théorie
Effectif cumulé exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe autre distribution : si k = 6 et P = 10 (toujours 1 ≤ k ≤ P) si k et P quelconques (1 ≤ k ≤ P) l’effectif cumulé de la dernière classe, soit k = P :

191 Les distributions en classes : théorie
Effectif cumulé exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe autre exemple : si k = 6 et P = 10 (toujours 1 ≤ k ≤ P) si k et P quelconques (1 ≤ k ≤ P) l’effectif cumulé de la dernière classe, soit k = P :

192 Les distributions en classes : théorie
Effectif cumulé exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe autre exemple : si k = 6 et P = 10 (toujours 1 ≤ k ≤ P) si k et P quelconques (1 ≤ k ≤ P) l’effectif cumulé de la dernière classe, soit k = P :

193 Les distributions en classes : théorie
Effectif cumulé exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe autre exemple : si k = 6 et P = 10 (toujours 1 ≤ k ≤ P) si k et P quelconques (1 ≤ k ≤ P) l’effectif cumulé de la dernière classe, soit k = P :

194 Les distributions en classes : théorie
Effectif cumulé exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe autre exemple : si k = 6 et P = 10 (toujours 1 ≤ k ≤ P) si k et P quelconques (1 ≤ k ≤ P) l’effectif cumulé de la dernière classe, soit k = P :

195 Les distributions en classes : théorie
Effectif cumulé exemple du tab. 1.5 : si k = 2, N2 = l’effectif de la 2e classe autre exemple : si k = 6 et P = 10 (toujours 1 ≤ k ≤ P) si k et P quelconques (1 ≤ k ≤ P) l’effectif cumulé de la dernière classe, soit k = P :

196 Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !

197 Les distributions en classes : théorie
Un truc pour faciliter le calcul : p/k Bornes xp np Nk 1 0 -< 5 2,5 75.687 2 5-< 10 7,5 62.367 3 10 -< 15 12,5 57.085 4 15 -< 20 17,5 58.149 5 20 -< 25 22,5 69.594 Total SO

198 Les distributions en classes : théorie
Un truc pour faciliter le calcul : p/k Bornes xp np Nk 1 0 -< 5 2,5 75.687 2 5-< 10 7,5 62.367 3 10 -< 15 12,5 57.085 4 15 -< 20 17,5 58.149 5 20 -< 25 22,5 69.594 Total SO

199 Les distributions en classes : théorie
Un truc pour faciliter le calcul : p/k Bornes xp np Nk 1 0 -< 5 2,5 75.687 2 5-< 10 7,5 62.367 3 10 -< 15 12,5 57.085 4 15 -< 20 17,5 58.149 5 20 -< 25 22,5 69.594 Total SO

200 Les distributions en classes : théorie
Un truc pour faciliter le calcul : p/k Bornes xp np Nk 1 0 -< 5 2,5 75.687 2 5-< 10 7,5 62.367 3 10 -< 15 12,5 57.085 4 15 -< 20 17,5 58.149 5 20 -< 25 22,5 69.594 Total SO

201 Les distributions en classes : théorie
Un truc pour faciliter le calcul : p/k Bornes xp np Nk 1 0 -< 5 2,5 75.687 2 5-< 10 7,5 62.367 3 10 -< 15 12,5 57.085 4 15 -< 20 17,5 58.149 5 20 -< 25 22,5 69.594 Total SO

202 Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !

203 Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !

204 Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !

205 Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !

206 Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !

207 Les distributions en classes : théorie
Effectif cumulé Formule générale : si k et P quelconques (1 ≤ k ≤ P) Autres effectifs cumulés (pas pour nous) : sans prendre en compte la classe k en prenant en compte les classes supérieures (ou égales) Variables qualitatives et Nk ? Sens ou pas ? Pourquoi ? Pas de sens, car ordre n’a pas de sens ! Variables quantitatives groupées selon les valeurs et Nk ? Sens, car ordre a du sens !

208 Les distributions en classes
Les fréquences (simples ou cumulées) cumulées) Observer les 2 dernières colonnes Comment obtenir la colonne des fréquences (fp) ? fréquences cumulées (Fk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 2 dernières colonnes du tableau 3

209 Les distributions en classes
Les fréquences (cumulées) Observer les 2 dernières colonnes Comment obtenir la colonne des fréquences (fp) ? fréquences cumulées (Fk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 2 dernières colonnes du tableau 3

210 Les distributions en classes
Les fréquences (cumulées) Observer les 2 dernières colonnes Sur la 2e ligne, comment obtenir la colonne des fréquences (fp) ? 0,36 = 4/11 fréquences cumulées (Fk) ? Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 2 dernières colonnes du tableau 3

211 Les distributions en classes
Les fréquences (cumulées) Observer les 2 dernières colonnes Sur la 2e ligne, comment obtenir la colonne des fréquences (fp) ? 0,36 = 4/11 fréquences cumulées (Fk) ? 0,82 = 9/11 Imitation pour l’exercice d’application : au départ du tableau 2 de l’exercice d’application remplir les 2 dernières colonnes du tableau 3

212 Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe

213 Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe

214 Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe

215 Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe

216 Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe

217 Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe

218 Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe

219 Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe

220 Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe

221 Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe

222 Les distributions en classes
Les fréquences ou « fp » définition : proportion des observations dans la classe p proportion = part = pourcentage = % Si p = 2, f2 = fréquence de la 2e classe sous forme décimale, arrondie à 2 décimales sous forme de % sans décimale interprétation : 36 % des observations sont dans la 2e classe

223 Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »

224 Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »

225 Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »

226 Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »

227 Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »

228 Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »

229 Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix »

230 Les distributions en classes
Les pourcentages (%) Pour calculer un pourcentage : Pour f2 : le tout = 11 = n = l’ensemble des individus interrogés la partie = 4 = n2 = l’effectif de la classe 2 qui est une partie des 11 en %, arrondi à 0 décimale en %, arrondi à 2 décimales si pas déjà fait, urgent de trouver la fonction « fix » Attention : arrondir n’est pas tronquer : 7/11 = 0,6363… = 0,64 (si arrondi à 2 décimales)

231 Les distributions en classes
Les fréquences ou « fp » généralisation : La somme de la fréquence de toutes les classes donne 1 ou 100 % « démonstration » : Attention aux effets d’arrondis : 0,45+0,36+0,18 ≠ 1,00 ! Une question ? Pourquoi calculer les fréquences ?

232 Les distributions en classes
Les fréquences ou « fp » généralisation : La somme de la fréquence de toutes les classes donne 1 ou 100 % « démonstration » : Attention aux effets d’arrondis : 0,45+0,36+0,18 ≠ 1,00 ! Une question ? Pourquoi calculer les fréquences ?

233 Les distributions en classes
Les fréquences ou « fp » généralisation : la somme de la fréquence de toutes les classes donne 1 ou 100 % « démonstration » : Attention aux effets d’arrondis : 0,45+0,36+0,18 ≠ 1,00 ! Une question ? Pourquoi calculer les fréquences ?

234 Les distributions en classes
Les fréquences ou « fp » généralisation : la somme de la fréquence de toutes les classes donne 1 ou 100 % « démonstration » : Attention aux effets d’arrondis : 0,45+0,36+0,18 ≠ 1,00 ! Une question ? Pourquoi calculer les fréquences ?

235 Les distributions en classes
Les fréquences ou « fp » généralisation : la somme de la fréquence de toutes les classes donne 1 ou 100 % « démonstration » : attention aux effets d’arrondis : 0,45+0,36+0,18 ≠ 1,00 ! (Plus tard) Une question ? Pourquoi calculer les fréquences ?

236 Reprise du cours (10-03-2015) Au menu du jour :
Distribution, tableau des effectifs et des fréquences : théorie : fin exercices commentaires finals (ou finaux)  Tableau à double entrée : début

237 Reprise du cours (10-03-2015) Chapitre 1 :
Objectif : noyés car trop de données  en prendre possession 2 éléments à identifier : sur qui ? « i » et « n » sur quoi ? « (X) » et « xi »  (Mettre de l’ordre et) diminuer le nombre de lignes

238 Reprise du cours (10-03-2015) Chapitre 1 :
Objectif : noyés car trop de données  en prendre possession 2 éléments à identifier : sur qui ? « i » et « n » sur quoi ? « (X) » et « xi »  (Mettre de l’ordre et) diminuer le nombre de lignes

239 Reprise du cours (10-03-2015) Chapitre 1 :
Objectif : noyés car trop de données  en prendre possession 2 éléments à identifier : sur qui ? « i » et « n » sur quoi ? « (X) » et « xi »  (Mettre de l’ordre et) diminuer le nombre de lignes

240 Reprise du cours (10-03-2015) Chapitre 1 :
Objectif : noyés car trop de données  en prendre possession 2 éléments à identifier : sur qui ? « i » et « n » sur quoi ? « (X) » et « xi »  (Mettre de l’ordre et) diminuer le nombre de lignes

241 Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable  Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n

242 Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable  Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n

243 Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable  Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n

244 Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable  Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n

245 Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable  Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n

246 Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable  Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n

247 Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable  Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers la mth et vice-versa somme des np de toutes les lignes actives donne n

248 Reprise du cours ( ) «Distribution» / «données groupées» / «données par paquets» Le retournement statistique données individuelles : une ligne = un individu et sa réponse distribution : une ligne = une valeur de la variable  Notation en cas de données groupées « P » : nombre de lignes (<> n) « p » : une ligne du tableau (<>i) « xp » : valeur de la variable de la ligne p (<> xi) « np » : effectif de la ligne p « Nk » : effectif cumulé de la ligne k : « fp » : fréquence de la ligne p : « Fk » : c’est là que nous reprenons En marge : du français vers une équation et vice-versa somme des np de toutes les lignes actives donne n

249 Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J

250 Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J

251 Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J

252 Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J

253 Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J

254 Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J

255 Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J

256 Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J

257 Les distributions en classes
Fréq. cumulées ou « Fk » 2 « définitions » : somme des fréquences de la classe k et des classes qui précèdent effectif cumulé de la classe k divisé par n Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Interprétation : 82 % des observations avant C/J

258 Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 !  Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant

259 Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 !  Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant

260 Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 !  Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant

261 Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 !  Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant

262 Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 !  Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant

263 Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 !  Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant

264 Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 !  Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant

265 Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 !  Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant

266 Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 !  Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant

267 Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 !  Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant + exercice dans le syllabus

268 Les distributions en classes
Fréquences cumulées : quelle formule choisir ? Si k = 2, F2 = fréquence cumulée de la 2e classe formule 1 formule 2 Mais 0,81 ≠ 0,82 !  Problème ? Non, car arrondis : une fois de plus : utilisation de la fonction « fix » à vous de réagir maintenant + exercice dans le syllabus Plutôt prendre la 2e formule : moins de problèmes d’arrondis

269 Les distributions en classes
Fréquences cumulées Généralisation : pour k et P quelconques (1 ≤ k ≤ P) Si k = P (fréquence cumulée de la dernière classe) Fk en cas de variable qualitative ? Pourquoi calculer les Fk ?

270 Les distributions en classes
Fréquences cumulées Généralisation : pour k et P quelconques (1 ≤ k ≤ P) Si k = P (fréquence cumulée de la dernière classe) Fk en cas de variable qualitative ? Pourquoi calculer les Fk ?

271 Les distributions en classes
Fréquences cumulées Généralisation : pour k et P quelconques (1 ≤ k ≤ P) Si k = P (fréquence cumulée de la dernière classe)

272 Les distributions en classes
Fréquences cumulées Généralisation : pour k et P quelconques (1 ≤ k ≤ P) Si k = P (fréquence cumulée de la dernière classe)

273 Les distributions en classes
Fréquences cumulées Généralisation : pour k et P quelconques (1 ≤ k ≤ P) Si k = P (fréquence cumulée de la dernière classe)

274 Les distributions en classes
Exercices 1, 2 et 3 : remplir rapidement les colonnes « fréquence (simple) » ou « fp » « fréquence cumulée » ou « Fk » Exercice 4 (type de question souvent posé) Exercice 5 (idem) Exercice 6 (sur données réelles) Exercice 7 (idem) Exercice 8 (idem) : calculs déjà faits  commentaires Rappel des formules :

275 Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile (même si ici…) pourquoi ? car totaux différents : 190 ≠ 92  difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total 190 92

276 Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile (même si ici…) pourquoi ? car totaux différents : 190 ≠ 92  difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total 190 92

277 Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile (même si ici…) pourquoi ? car totaux différents : 190 ≠ 92  difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total 190 92

278 Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile (même si ici…) pourquoi ? car totaux différents : 190 ≠ 92  difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total 190 92

279 Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile (même si ici…) pourquoi ? car totaux différents : 190 ≠ 92  difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total 190 92

280 Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile pourquoi ? car totaux différents : 190 ≠ (même si ici du simple au double…)  difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total 190 92

281 Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile pourquoi ? car totaux différents : 190 ≠ (même si ici du simple au double…)  difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total 190 92

282 Les distributions en classes
Pourquoi calculer les fréquences ? Soit à comparer les résultats en stat dans 2 sections (A et B) : dans quelle section les résultats sont-ils les meilleurs ? Résultats sous forme d’effectifs Conclusion : comparaison difficile pourquoi ? car totaux différents : 190 ≠ (même si ici du simple au double…)  difficile voir si résultats meilleurs en A ou B. Or, c’est la question ! solution : passer par les fréquences p Filière A Filière B 1 0 -< 2 6 16 2 2 -< 8 54 23 3 8 -< 10 36 18 4 10 -< 12 32 13 5 12 et + 62 22 Total 190 92

283 Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !

284 Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !

285 Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !

286 Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !

287 Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !

288 Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !

289 Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !

290 Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !

291 Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS bien de calculer les fréquences !

292 Les distributions en classes
Pourquoi calculer les fréquences ? Résultats sous forme d’effectifs et de fréquences Conclusion : comparaison bien plus aisée Où les meilleurs résultats ? Justifiez. Si hésitation, calculez les np et les fp Que choisir pour analyser une situation ? Variable selon la question : Si comparaison de classes ou d’écoles ? fp Si prévoir le nombre de copies en 2e session ? np Même si une seule section, lecture avec les % plus aisée plus parlante En gros, TOUJOURS intéressant de calculer les fréquences !

293 Les distributions en classes
Pourquoi calculer les fréquences cumulées ? Indications précieuses pour la comparaison % en échec profond (< 8) ? En échec (< 10) ? Inférieur à 12 ? Très utiles dans certains calculs (médiane, quantiles… chap. 3) Si hésitation, les calculer et voir… Fk en cas de variable qualitative ? selon les valeurs : cf. p. 10 selon des « classes » : en union <> pas en union Variable quantitative selon les valeurs : exercice d’application Fréquences (%) Fréquences cumulées (%) p Filière A Filière B 1 0 -< 2 3,2 17,4 2 2 -< 8 28,4 25,0 31,6 42,4 3 8 -< 10 18,9 19,6 50,5 62,0 4 10 -< 12 16,8 14,1 67,4 76,1 5 12 et + 32,6 23,9 100,0 Total SOb

294 Les distributions en classes
Pourquoi calculer les fréquences cumulées ? Indications précieuses pour la comparaison % en échec profond (< 8) ? En échec (< 10) ? Inférieur à 12 ? Très utiles dans certains calculs (médiane, quantiles… chap. 3) Si hésitation, les calculer et voir… Fk en cas de variable qualitative ? selon les valeurs : cf. p. 10 selon des « classes » : en union <> pas en union Variable quantitative selon les valeurs : exercice d’application Fréquences (%) Fréquences cumulées (%) p Filière A Filière B 1 0 -< 2 3,2 17,4 2 2 -< 8 28,4 25,0 31,6 42,4 3 8 -< 10 18,9 19,6 50,5 62,0 4 10 -< 12 16,8 14,1 67,4 76,1 5 12 et + 32,6 23,9 100,0 Total SOb

295 Les distributions en classes
Pourquoi calculer les fréquences cumulées ? Indications précieuses pour la comparaison % en échec profond (< 8) ? % en échec (< 10) ? % inférieur à 12 ? Très utiles dans certains calculs (médiane, quantiles… chap. 3) Si hésitation, les calculer et voir… Fk en cas de variable qualitative ? selon les valeurs : cf. p. 10 selon des « classes » : en union <> pas en union Variable quantitative selon les valeurs : exercice d’application Fréquences (%) Fréquences cumulées (%) p Filière A Filière B 1 0 -< 2 3,2 17,4 2 2 -< 8 28,4 25,0 31,6 42,4 3 8 -< 10 18,9 19,6 50,5 62,0 4 10 -< 12 16,8 14,1 67,4 76,1 5 12 et + 32,6 23,9 100,0 Total SOb

296 Les distributions en classes
Pourquoi calculer les fréquences cumulées ? Indications précieuses pour la comparaison % en échec profond (< 8) ? % en échec (< 10) ? % inférieur à 12 ? Très utiles dans certains calculs (médiane, quantiles… chap. 3) Si hésitation, les calculer et voir… Fk en cas de variable qualitative ? selon les valeurs : cf. p. 9 selon des « classes » : en union <> pas en union Variable quantitative selon les valeurs : exercice d’application Fréquences (%) Fréquences cumulées (%) p Filière A Filière B 1 0 -< 2 3,2 17,4 2 2 -< 8 28,4 25,0 31,6 42,4 3 8 -< 10 18,9 19,6 50,5 62,0 4 10 -< 12 16,8 14,1 67,4 76,1 5 12 et + 32,6 23,9 100,0 Total SOb

297 Les distributions en classes
Pourquoi calculer les fréquences cumulées ? Indications précieuses pour la comparaison % en échec profond (< 8) ? % en échec (< 10) ? % inférieur à 12 ? Très utiles dans certains calculs (médiane, quantiles… chap. 3) Si hésitation, les calculer et voir… Fréquences (%) Fréquences cumulées (%) p Filière A Filière B 1 0 -< 2 3,2 17,4 2 2 -< 8 28,4 25,0 31,6 42,4 3 8 -< 10 18,9 19,6 50,5 62,0 4 10 -< 12 16,8 14,1 67,4 76,1 5 12 et + 32,6 23,9 100,0 Total SOb

298 Les distributions en classes
Variables qualitatives et distribution (p. 10) Peut-on calculer des effectifs ? Oui effectifs cumulés ? Non fréquences ? Oui fréquences cumulées ? Non Exemple en page 10 Sans objet p/k xp np Nk fp Fk 1 Cohabitant(e) 2 SO 0,18 Marié(e) 3 Divorcé(e) 0,09 4 Célibataire 6 0,55 5 Veuf(ve) 0,00 Séparé(e) Tot. 11 1,00

299 Les distributions en classes
Variables qualitatives et distribution (p. 10) Peut-on calculer des effectifs ? Oui effectifs cumulés ? Non fréquences ? Oui fréquences cumulées ? Non Exemple en page 10 Sans objet p/k xp np Nk fp Fk 1 Cohabitant(e) 2 SO 0,18 Marié(e) 3 Divorcé(e) 0,09 4 Célibataire 6 0,55 5 Veuf(ve) 0,00 Séparé(e) Tot. Sans objet 11 1,00

300 Les distributions en classes
Variables qualitatives et distribution Peut-on constituer des « classes » ? Oui : en union <> pas en union p/k xp np Nk fp Fk 1 Cohabitant(e) 2 SO 0,18 Marié(e) 3 Divorcé(e) 0,09 4 Célibataire 6 0,55 5 Veuf(ve) 0,00 Séparé(e) Tot. Sans objet 11 1,00 p/k xp np Nk fp Fk 1 En union 4 SO 0,36 2 Pas en union 7 0,64 Tot. Sans objet 11 1,00

301 Les distributions en classes
Variables qualitatives et distribution Peut-on constituer des « classes » ? Oui : en union <> pas en union p/k xp np Nk fp Fk 1 Cohabitant(e) 2 SO 0,18 Marié(e) 3 Divorcé(e) 0,09 4 Célibataire 6 0,55 5 Veuf(ve) 0,00 Séparé(e) Tot. Sans objet 11 1,00 p/k xp np Nk fp Fk 1 En union 4 SO 0,36 2 Pas en union 7 0,64 Tot. Sans objet 11 1,00

302 Les distributions en classes
Commentaires finals (ou finaux : au choix) Vocabulaire : une généreuse pagaille effectifs absolus ou relatifs fréquences absolues ou relatives dans ce cours : effectif = nombre absolu fréquence = nombre relatif (%) ailleurs ou autre prof ? Exercices : exercez-vous ! écrire les calculs (au moins quelques uns) en extension avec les chiffres en extension avec les symboles avec les formules condensées si problème avec les %, les arrondis, la calculette…

303 Tableau à double entrée
Tableau de contingence ou …

304 Tableau à double entrée
En guise d’introduction Exemple : le naufrage du Titanic La question : influence de la classe sur la survie des passagers les % de sauvés sont-ils différents selon la classe ? Données : Source : Masuy-Stroobants G. & Costa R. (2013), Analyser les données en sciences sociales, pp Pour une analyse plus complète, cf. cette référence. Classe Sauvés Morts Total 1re 202 120 322 2e 115 162 277 3e 176 533 709 493 815 1.308

305 Tableau à double entrée
En guise d’introduction Exemple : le naufrage du Titanic La question : influence de la classe sur la survie des passagers les % de sauvés sont-ils différents selon la classe ? Données : Source : Masuy-Stroobants G. & Costa R. (2013), Analyser les données en sciences sociales, pp Pour une analyse plus complète, cf. cette référence. Classe Sauvés Morts Total 1re 202 120 322 2e 115 162 277 3e 176 533 709 493 815 1.308

306 Tableau à double entrée
En guise d’introduction Exemple : le naufrage du Titanic La question : influence de la classe sur la survie des passagers les % de sauvés sont-ils différents selon la classe ? Données : Source : Masuy-Stroobants G. & Costa R. (2013), Analyser les données en sciences sociales, pp Pour une analyse plus complète, cf. cette référence. Classe Sauvés Morts Total 1re 202 120 322 2e 115 162 277 3e 176 533 709 493 815 1.308 Après la théorie, on reviendra à cet exemple !

307 Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : au total, 6 célibataires dans le tableau 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

308 Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : au total, 6 célibataires dans le tableau 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

309 Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : au total, 6 célibataires dans le tableau 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

310 Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

311 Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

312 Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

313 Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

314 Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’un critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

315 Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’une critique à propos de la cohérence… Exercice d’application Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

316 Tableau à double entrée
Tableau 1.8 (p. 12) Constitué sur la base du tableau 1.1 Interprétation de quelques données : 4 : parmi les 11, 4 sont des femmes célibataires 6 : dans le tableau, 6 célibataires 7 : au total, 7 femmes dans le tableau Pour classer un « i » que faut-il connaitre à son sujet ? Quoi en bout de ligne ou de colonne ? Données individuelles ou groupées ? Distribution ou pas ? Possibilité d’une critique à propos de la cohérence… Exercice d’application (Exercice 1.a) Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

317 Tableau à double entrée
Exercice 1, corrigé données Belge UE hors Belgique Autre Total Hommes 69.466 68.811 Femmes 70.378 63.691

318 Tableau à double entrée
Tableau 1.8 (p. 12) Originalité : classement selon 2 variables (et plus une seule) Dans le tableau 1.8, classement selon : le sexe (indice « p » variant de 1 à 2, avec P = 2) Homme = 1 Femme = 2 Le statut matrimonial (indice « q » variant de 1 à 4, avec Q = 4) Pas toujours 2 variables qualitatives (cf. syllabus) Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 • célibataire = 1 • marié(e) coutume = 2 • marié(e) état civil= 3 • divorcé(e) = 4

319 Tableau à double entrée
Tableau 1.8 (p. 12) Originalité : classement selon 2 variables (et plus une seule) Dans le tableau 1.8, classement selon : le sexe (indice « p » variant de 1 à 2, avec P = 2) Homme = 1 Femme = 2 Le statut matrimonial (indice « q » variant de 1 à 4, avec Q = 4) Pas toujours 2 variables qualitatives (cf. syllabus) Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 • célibataire = 1 • marié(e) coutume = 2 • marié(e) état civil= 3 • divorcé(e) = 4

320 Tableau à double entrée
Tableau 1.8 (p. 12) Originalité : classement selon 2 variables (et plus une seule) Dans le tableau 1.8, classement selon : le sexe (indice « p » variant de 1 à 2, avec P = 2) homme = 1 femme = 2 Le statut matrimonial (indice « q » variant de 1 à 4, avec Q = 4) Pas toujours 2 variables qualitatives (cf. syllabus) Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 • célibataire = 1 • marié(e) coutume = 2 • marié(e) état civil= 3 • divorcé(e) = 4

321 Tableau à double entrée
Tableau 1.8 (p. 12) Originalité : classement selon 2 variables (et plus une seule) Dans le tableau 1.8, classement selon : le sexe (indice « p » variant de 1 à 2, avec P = 2) homme = 1 femme = 2 le statut matrimonial (indice « q » variant de 1 à 4, avec Q = 4) Pas toujours 2 variables qualitatives (cf. syllabus) Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 • célibataire = 1 • cohabitant(e) = 2 • marié(e) = 3 • divorcé(e) = 4

322 Tableau à double entrée
Tableau 1.8 (p. 12) Originalité : classement selon 2 variables (et plus une seule) Dans le tableau 1.8, classement selon : le sexe (indice « p » variant de 1 à 2, avec P = 2) homme = 1 femme = 2 le statut matrimonial (indice « q » variant de 1 à 4, avec Q = 4) Pas toujours 2 variables qualitatives (cf. syllabus) Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 • célibataire = 1 • cohabitant(e) = 2 • marié(e) = 3 • divorcé(e) = 4

323 Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

324 Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

325 Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

326 Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

327 Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

328 Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

329 Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

330 Tableau à double entrée
Tableau 1.8 (p. 12) Notation des effectifs (absolus) : n14 lire : « n un quatre » (et pas « n quatorze ») = l’effectif des hommes (p = 1) divorcés ( q = 4) vaut 0 (soit un nombre comme un autre…) npq = l’effectif de sexe p et de statut matrimonial q = un des 8 effectifs dans les cases internes du tableau Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11

331 Tableau à double entrée
Effectifs absolus Notation symbolique Contenu des marges (ligne et colonne « Total ») Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Marié(e) cout (q = 2) Marié(e) EC (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 Femmes (p = 2) n21 n22 n23 n24

332 Tableau à double entrée
Effectifs absolus Notation symbolique Contenu des marges (ligne et colonne « Total ») Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Marié(e) cout (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 Femmes (p = 2) n21 n22 n23 n24

333 Tableau à double entrée
Effectifs absolus Notation symbolique Contenu des marges (ligne et colonne « Total ») Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 Femmes (p = 2) n21 n22 n23 n24

334 Tableau à double entrée
Effectifs absolus Notation symbolique Contenu des marges : ligne « Total » et colonne « Total » Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 Femmes (p = 2) n21 n22 n23 n24

335 Tableau à double entrée
Effectifs absolus Notation symbolique Contenu des marges : ligne « Total » et colonne « Total » Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 Femmes (p = 2) n21 n22 n23 n24

336 Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)

337 Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)

338 Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)

339 Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)

340 Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)

341 Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)

342 Tableau à double entrée
Contenu des marges somme de la 2e ligne le total des femmes, tous statuts matrimoniaux confondus généralisation pour le sexe p : Cohabi. (q=2)

343 Tableau à double entrée
Contenu des marges somme de la 2e ligne somme de la 1re colonne le total des célibataires, tous sexes confondus généralisation pour le statut matrimonial q :

344 Tableau à double entrée
Contenu des marges somme de la 2e ligne somme de la 1re colonne le total des célibataires, tous sexes confondus généralisation pour le statut matrimonial q : Cohabi. (q=2)

345 Tableau à double entrée
Contenu des marges somme de la 2e ligne somme de la 1re colonne le total des célibataires, tous sexes confondus généralisation pour le statut matrimonial q : Cohabi. (q=2)

346 Tableau à double entrée
Contenu des marges somme de la 2e ligne somme de la 1re colonne le total des célibataires, tous sexes confondus généralisation pour le statut matrimonial q : Cohabi. (q=2)

347 Tableau à double entrée
Contenu des marges somme de la 2e ligne somme de la 1re colonne le total des célibataires, tous sexes confondus généralisation pour le statut matrimonial q : Cohabi. (q=2)

348 Tableau à double entrée
Contenu des marges somme de la 2e ligne somme de la 1re colonne le total des célibataires, tous sexes confondus généralisation pour le statut matrimonial q : Cohabi. (q=2)

349 Tableau à double entrée
Les effectifs Notation symbolique Total général : n●● = 11 = somme des 8 cases internes du tableau = somme de la colonne « Total » = somme de la ligne « Total » Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Marié(e) cout (q = 2) Marié(e) EC (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 n1● Femmes (p = 2) n21 n22 n23 n24 n2● n●1 n●2 n●3 n●4 n●●

350 Tableau à double entrée
Les effectifs Notation symbolique Total général : n●● = 11 = somme des 8 cases internes du tableau = somme de la colonne « Total » = somme de la ligne « Total » Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 n1● Femmes (p = 2) n21 n22 n23 n24 n2● n●1 n●2 n●3 n●4 n●●

351 Tableau à double entrée
Les effectifs Notation symbolique Total général : n●● = 11 = somme des 8 cases internes du tableau = somme de la colonne « Total » = somme de la ligne « Total » Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 n1● Femmes (p = 2) n21 n22 n23 n24 n2● n●1 n●2 n●3 n●4 n●●

352 Tableau à double entrée
Les effectifs Notation symbolique Total général : n●● = 11 = somme des 8 cases internes du tableau = somme de la colonne « Total » = somme de la ligne « Total » = n Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 n1● Femmes (p = 2) n21 n22 n23 n24 n2● n●1 n●2 n●3 n●4 n●●

353 Tableau à double entrée
Les effectifs Notation symbolique Total général : n●● = 11 = somme des 8 cases internes du tableau = somme de la colonne « Total » = somme de la ligne « Total » = n Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 n1● Femmes (p = 2) n21 n22 n23 n24 n2● n●1 n●2 n●3 n●4 n●●

354 Tableau à double entrée
Les effectifs Notation symbolique Total général : n●● = 11 = somme des 8 cases internes du tableau = somme de la colonne « Total » = somme de la ligne « Total » = n Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) 2 1 4 Femmes (p = 2) 7 6 11 Statut matrimonial Sexe Célibataire (q = 1) Cohabi. (q = 2) Marié(e) (q = 3) Divorcé(e) (q = 4) Total Homme (p = 1) n11 n12 n13 n14 n1● Femmes (p = 2) n21 n22 n23 n24 n2● n●1 n●2 n●3 n●4 n●●

355 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) = fréquence pour le sexe p et le statut matrimonial (SM) q = part des observations de sexe p et le SM q = (fois 100 si en %) Idem fréquences déjà vues, MAIS 3 totaux ≠ possibles 8 Cf. tableaux 1.8, 1.9 et 1.10 (en page 11, établis au départ du tableau 1.8) Point le plus important

356 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) = fréquence pour le sexe p et le statut matrimonial (SM) q = part des observations de sexe p et le SM q = (fois 100 si en %) Idem fréquences déjà vues, MAIS 3 totaux ≠ possibles 8 Cf. tableaux 1.8, 1.9 et 1.10 (en page 11, établis au départ du tableau 1.8)

357 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) = fréquence pour le sexe p et le statut matrimonial (SM) q = part des observations de sexe p et le SM q = (fois 100 si en %) Idem fréquences déjà vues, MAIS 3 totaux ≠ possibles 8 Cf. tableaux 1.8, 1.9 et 1.10 (en page 11, établis au départ du tableau 1.8)

358 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) = fréquence pour le sexe p et le statut matrimonial (SM) q = part des observations de sexe p et le SM q = (fois 100 si en %) Idem fréquences déjà vues, MAIS 3 totaux ≠ possibles ! Cf. tableaux 1.8, 1.9 et 1.10 (en page 11, établis au départ du tableau 1.8)

359 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) = fréquence pour le sexe p et le statut matrimonial (SM) q = part des observations de sexe p et le SM q = (fois 100 si en %) Idem fréquences déjà vues, MAIS 3 totaux ≠ possibles ! Cf. tableaux 1.8, 1.9 et 1.10 (en page 11, établis au départ du tableau 1.8)

360 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) = fréquence pour le sexe p et le statut matrimonial (SM) q = part des observations de sexe p et le SM q = (fois 100 si en %) Idem fréquences déjà vues, MAIS 3 totaux ≠ possibles ! Cf. tableaux 1.10, 1.11 et 1.12 (en page 13, établis au départ du tableau 1.8)

361 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice

362 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice

363 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice

364 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice

365 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice

366 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice

367 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice

368 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice

369 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.10 (1er total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.10 sans état d’âme « Logique de ligne » = le diviseur est en bout de ligne dans tableau 1.8 Exemple : le % de célibataires parmi les femmes Interprétation : 57,14% des femmes sont célibataires Application à l’exercice 1.b (en commençant par les 3 calculs sous le tableau)

370 Tableau à double entrée
Exercice 1, corrigé données % en ligne Belge UE hors Belgique Autre Total Hommes 69.466 68.811 Femmes 70.378 63.691 Belge UE hors Belgique Autre Total Hommes 69,6% 15,3% 15,1% 100,0% Femmes 73,2% 14,1% 12,8% 71,5% 14,7% 13,9% % de Belges parmi les hommes : / = 0,696 ou 69,6 % % de la catégorie « autre » parmi les femmes : / = 12,8 % % de Belges dans le total : / = 71,5 %

371 Tableau à double entrée
Exercice 1, corrigé données % en ligne Belge UE hors Belgique Autre Total Hommes 69.466 68.811 Femmes 70.378 63.691 Belge UE hors Belgique Autre Total Hommes 69,6% 15,3% 15,1% 100,0% Femmes 73,2% 14,1% 12,8% 71,5% 14,7% 13,9% % de Belges parmi les hommes : / = 0,696 ou 69,6 % % de la catégorie « autre » parmi les femmes : / = 12,8 % % de Belges dans le total : / = 71,5 %

372 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice

373 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice

374 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice

375 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice

376 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice

377 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice

378 Tableau à double entrée
Fréquences (relatives = part, proportion, %...) Tableau 1.11 (2e total possible) Comment les % sont-ils calculés au départ du tableau 1.8 ? Applicable à TOUTES les cellules de 1.11 sans état d’âme « Logique de colonne » = le diviseur est en bas de colonne du tableau 1.8 Exemple : le % de femmes parmi les célibataires Interprétation : 66,67% des célibataires sont des femmes À comparer à « 57,14% des femmes sont célibataires » ! Application à l’exercice 1.c (en commençant par les 3 calculs sous le tableau)

379 Tableau à double entrée
Exercice 1, corrigé données % en colonne Belge UE hors Belgique Autre Total Hommes 69.466 68.811 Femmes 70.378 63.691 Belge UE hors Belgique Autre Total Hommes 46,4% 49,7% 51,9% 47,7% Femmes 53,6% 50,3% 48,1% 52,3% 100,0% % d’hommes parmi les Belges : / = 0,464 ou 46,4 % % de femmes dans la catégorie « autre » : / = 48,1 % % d’hommes dans le total : / = 47,7 %

380 Tableau à double entrée
Exercice 1, corrigé données % en colonne Belge UE hors Belgique Autre Total Hommes 69.466 68.811 Femmes 70.378 63.691 Belge UE hors Belgique Autre Total Hommes 46,4