Professional Documents
Culture Documents
= n
n
p
= 0 lorsque p > n
n
p
=
n
n p
(0 p n)
n
p 1
+
n
p
=
n 1
p
+
(1 p n)
30
Triangle de Pascal
L'ide du triangle de Pascal est de prsenter les
n
p
ou
p
n
C sous forme de tableau double-
entres.
En colonne, les valeurs de p et en ligne les valeurs de n.
Les colonnes et les lignes sont numrotes partir de 0, et la case correspond la p
me
colonne et
n
me
ligne est le coefficient
n
p
ou
p
n
C .
Or les formules prcdentes montrent deux choses.
1: Il y a une symtrie dans ce tableau car
n
p
=
n
n p
2: Si on connat les lments de la ligne (n-1), on connat automatiquement ceux de la ligne n par
la formule
n
p 1
+
n
p
=
n 1
p
+
D'o le Triangle de Pascal:
0 1 2 3 4 p-1 p
0 1 0
1 1 1 0
2 1 2 1 0
3 1 3 3 1 0
4 1 4 6 4 1
n-1
n
Thorme Formule du binme de Newton :
Pour tous nombres complexes a et b et tout entier naturel n non nul :
Exemples : l'aide de cette formule et du triangle de Pascal, on retrouve des relations trs utiles :
Avec n = 2 la formule donne :
Avec n = 3 la formule donne :
31
Notons qu'il n'est pas inutile de savoir substituer (-b) b dans la formule pour obtenir :
Il est aussi utile de savoir utiliser la formule avec des valeurs particulires de a et b :
Lorsque a = b = 1 :
Lorsque a = 1 et b = - 1 :
32
=z=1C = 1
-.===1.1- -.===1.1- -.===1.1- -.===1.1-
1. Vocabulaire
Langage des probabilits Exemple
Considrons une exprience alatoire :
Cest une exprience dont les rsultats dpendent du hasard
On lance un d
Les rsultats possibles sont des vnements lmentaires {1},{2},{3},{4},{5},{6}
Lensemble des rsultas possibles est appel lunivers = {1,2,3,4,5,6}
Un vnement est une partie de lunivers A = {2,4,6}
Evnement certain : cest lunivers A =
Evnement impossible : cest lensemble vide A =
Lvnement contraire de A, not contient tous les vnements
lmentaires qui ne sont pas dans A
Si A = {1,3}, alors
= {2,4,5,6}
La runion de deux vnements A et B, note A U B, est
lvnement qui contient tous les vnements lmentaires de A ou
de B
Si A={1,3,5} et B={1,2,3}
Alors A U B={1,2,3,5}
Lintersection de deux vnements A et B, note AB, est
lvnement qui contient tous les vnements lmentaires
communs A et B
Si A={1,3,5} et B={1,2,3}
Alors AB = {1,3}
Si AB= , on dit que les vnements A et B sont incompatibles Si A ={1,3,5} et B = {4,6}
2. Calcul des probabilits de base
2.a Loi de probabilit sur un univers
Dfinition
Soit l'univers d'une exprience alatoire. Dfinir une loi de probabilit P sur , c'est associer,
chaque vnement lmentaire
i
, des nombres p
i
[0 ; 1] tels que :
Les nombres p
i
sont alors appels probabilits. On note aussi : p
i
= P(
i
).
Le principe suivant permet de calculer la probabilit d'un vnement quelconque :
Principe fondamental : la probabilit P(E) d'un vnement E est la somme des probabilits des
vnements lmentaires qui le composent.
Exemple : soit un d truqu dont les probabilits d'apparitions des faces sont donnes par le
tableau suivant :
Calculer la probabilit de l'vnement A = "obtenir un rsultat infrieur ou gal 4" :
33
On note l'vnement lmentaire "obtenir 1" est not abusivement 1. Idem pour les autres.
D'aprs le principe, P(A) = P(1) + P(2) + P(3) + P(4) = 0,3
Calculer la probabilit d'obtenir 6 :
D'aprs la dfinition, P(1) + P(2) + P(3) + P(4) + P(5) + P(6) = 1, donc P(6) = 0,5.
2.b l'quiprobabilit
Dfinition
Lorsque toutes les issues d'une exprience alatoire ont mme probabilit, on dit qu'il y a
quiprobabilit ou que la loi de probabilit est quirpartie.
Dans ce cas, la rgle de calcul de la probabilit d'un vnement A est la suivante :
Dans le cas d'un vnement lmentaire , on a : P() = 1/ ) = 1/ ) = 1/ ) = 1/ o N est le nombre d'issues
possibles (N = Card())
Exemple :
On lance un d (non truqu) ; = {1 ; 2 ; 3 ; 4 ; 5 ; 6} : situation d'quiprobabilit.
Calculons la probabilit d'obtenir 5 : P(5) = 1/6. (5 est un vnement lmentaire)
Calculons la probabilit d'obtenir un nombre pair ; P("obtenir un nombre pair") = 3/6 = 1/2.
2.c Calcul de la probabilit de A B
Proprit 1 (cas gnral) : la probabilit de la runion de deux vnements est :
P(A B) = P(A) + P(B) P(A B)
Exemple : dans une classe, 10% des stagiaires ne jouent que le football, 20% des stagiaires ne
jouent que le basket-ball et 5% des stagiaires jouent le football et le basket-ball. On choisit un
stagiaire au hasard. Quelle est la probabilit qu'il joue le football ou le basket-ball ?
Notons F l'vnement : "le stagiaire joue le football" et B : " le stagiaire joue le basket-ball"
D'aprs les donnes, on a : P(F) = 0,1 ; P(B) = 0,2 et P(F B) = 0,05.
D'aprs la proprit 1, on obtient : P(F B) = P(F) + P(B) P(F B) = 0,25.
Proprit 2 (Cas particulier) : si deux vnements sont incompatibles, alors la probabilit de
leur union est gale la somme de leurs probabilits :
Si A B = , alors P(A B) = P(A) + P(B)
Consquences (de la proprit 2) :
La probabilit de l'vnement contraire de A est . En particulier, La
probabilit d'un vnement impossible (par exemple : "obtenir 7 en lanant un d") est nulle :
P( ) = 0.
Si A B alors P(A) P(B)
P(A \ B) = P(A) - P(A B)
34
2.d Probabilits conditionnelles et Indpendance
Dfinition
Soit A et B deux vnements.
La probabilit que lvnement A se ralise sachant que B est ralis est note P
B
(A) ou P(A|B)
et est dfinie par :
Remarque : on alors la formule : P(A B) = P(B) P
B
(A)
Exemple :
Le tiers d'une population a t vaccin contre une maladie. Au cours d'une pidmie, on constate
que, sur quinze malades, il y a deux personnes vaccines. Le vaccin est-il efficace ?
Pour le savoir, on compare la probabilit d'tre malade P(M) avec celle d'tre malade sachant que
l'on a t vaccin P(M|V).
On a :
P(V) = 1/3 et P(V|M) = 2/15
P(M|V) = P(M V)/P(V) = P(V|M) P(M)/P(V) = 2/15 3 P(M) = 2/5 P(M)
On a P(M|V) < P(M). Le vaccin est donc efficace.
On suppose de plus que sur cent personnes vaccines, huit sont malades. Quelle est la proportion
de malades dans la population ?
On a donc : P(M|V) = 8/100 = 2/25
Or, P(M|V) =2/5 P(M) d'o : P(M) =1/5
Il y a donc 20% de malades.
Dfinition
On dit que deux vnements A et B sont indpendants lorsque P
B
(A) = P(A) ou P
A
(B) = P(B).
Remarque : on a alors la formule : P(A B) = P(A) P(B).
Exemple :
On lance deux ds et on dsigne par A l'vnement "le premier d amne un nombre pair", par B
l'vnement "le deuxime d amne un nombre impair" et par C l'vnement "les deux ds
amnent un nombre pair".
On a: P(A) =1/2; P(B) =1/2; P(C) =1/4; P(A B) =1/4; P(A C) =1/2; P(B C) = 0.
On conclut : A et B sont indpendants ; A et C sont dpendants ; B et C sont dpendants.
Formule de Bayes:
Si {A
1
; A
2
; ... ;A
n
} est une partition d'un univers muni d'un probabilit P, alors pour tout
vnement B , on a :
Un contexte d'utilisation de la formule de Bayes est la "vrification", aprs une exprience, d'une
hypothse. Si un vnement peut avoir plusieurs causes avec des probabilits connues, on peut,
par la formule de Bayes, avoir une ide si l'hypothse formule sur les probabilits de ces causes
est plausible ou non.
35
Exemple:
On estime qu'une personne ayant correctement rvis ses cours pour cet examen a une probabilit
de 20% d'chouer l'examen. En revanche, on estime qu'une personne n'ayant pas rvis ses
cours a une probabilit de 60% d'chouer cet examen. On sait aussi que 50% des personne ont
correctement rvis leurs cours et 50% n'ont pas correctement rvis leurs cours
Une personne passe deux fois de suite cet examen et choue par deux fois mais affirme pourtant
avoir parfaitement rviser. Est-ce plausible?
Appelons E l'vnement "chouer 2 fois" , A l'vnement "la personne a rvis ses cours " et B
l'vnement contraire de A.
La probabilit de "E sachant A" est (0,20) = 0,04.
La probabilit de "E sachant B" est (0,60) = 0,36.
A priori, on suppose que la personne qui a chou 2 fois l'examen a correctement rvis avec
une probabilit de 0,50.
On a donc P(A) = P(B) = 0,50
La formule de Bayes donne alors :
Probabilit d'avoir rviser sachant que l'on a chou 2 fois = 0,10.
Probabilit de ne pas avoir rviser sachant que l'on a chou 2 fois = 0,90.
Il y a donc une probabilit de 0,90 que la personne n'a pas rvis. Ce qu'elle dit est peu plausible!
3. Variables alatoires
3.a Caractristiques des variables alatoires
Dfinition 1
Une variable alatoire est une fonction qui chaque vnement lmentaire dune exprience
alatoire associe un nombre rel.
Soit X une variable alatoire et k un rel, lvnement not (X = k) est lantcdent de k par la
fonction X : cest lensemble de tous les vnements lmentaires dont limage par X est gale
k. La probabilit de cet vnement est note P(X = k).
La loi de probabilit dune variable alatoire X est la fonction qui, tout rel k, associe la
probabilit de lvnement (X = k). On reprsente une loi de probabilit par un tableau :
Exemple :
On lance une pice de monnaie trois fois de suite. L'univers associ cette exprience alatoire
est constitu de 8 vnements lmentaires (nombre de 3-listes de l'ensemble {P ; F}) :
= {PPP ; PPF ; PFP ; FPP ; PFF ; FPF ; FFP ; FFF}
Ces huit issues sont quiprobables.
Dsignons par X le nombre de "face" obtenus. X est une variable alatoire qui prend les valeurs 0
; 1 ; 2 ou 3
On notera, par exemple "X = 2" l'vnement "face est sorti deux fois". Plus prcisment :
"X = k" = { tels que X() = k} = X
1
(k)
36
Posons cette fois
Y = 1 si deux faces identiques apparaissent successivement
0 sinon
On a :
Dfinition 2
On considre une variable alatoire X dont la loi de probabilit est reprsente par le tableau ci-
dessus.
Lesprance mathmatique de X (ou moyenne) est le nombre not E(X) dfini par :
.
La variance de X est le nombre not V (X) dfini par :
Lcart type de X est le nombre not x dfini par :
Remarque : dans la pratique, pour calculer la variance `a la main, on utilise plutt la formule :
Exemple :
Reprenons l'exemple de la pice de monnaie lance trois fois de suite. X dsigne le nombre de
"face" obtenu.
Interprtation : lorsque X reprsente le gain un jeu de hasard, E(X) reprsente l'espoir de gain
moyen par partie,
Lorsquon joue un grand nombre de fois. Si E(X) > 0 (resp. E(X) < 0) alors le jeu est avantageux
(resp. dsavantageux). Si E(X) = 0 alors le jeu est dit quitable.
L'cart type est une caractristique de la dispersion des valeurs de X.
37
Dfinition 3
On dit quune variable alatoire est centre rduite lorsque son esprance mathmatique est nulle
(E(X) = 0) et lorsque son cart type est gal 1 (x = 1).
3.b Indpendance de deux variables alatoires
Dfinition 4
Soit X et Y deux variables alatoires. On dit que X et Y sont indpendantes lorsque tous les
vnements du type (X = k) et (Y = k) sont indpendants.
3.c Oprations sur les variables alatoires
Soit X et Y deux variables alatoires et a et b deux rels.
Consquence 1
Soit X une variable alatoire desprance mathmatique m et dcart type non nul, alors la
variable alatoire : X* = (X-m)/ est centre rduite.
Consquence 2
Soit X1, X2, . . ., Xn, n variables alatoires indpendantes de mme esprance mathmatique m
et de mme cart type .
Soit S la variable alatoire dfinie par : S = X1 + X2 + . . . + Xn. On a alors :
4. Loi binomiale & Loi de Poisson
4.a Loi binomiale
On considre une exprience alatoire qui a deux issues possibles : russite ou chec. On notera p
la probabilit de russite et q la probabilit dchec. On a alors p+q = 1. Une telle exprience est
appele preuve de Bernoulli.
Exemple : une preuve consiste lancer un d. On gagne si lon obtient un 6.
On a donc p =1/2 et q =1/2
On rpte maintenant n fois la mme preuve de Bernoulli, de faon ce que chaque preuve soit
Indpendante des autres. On note alors X la variable alatoire gale au nombre total de succs. La
loi de probabilit de X est appele loi binomiale de paramtres n et p, et note B(n, p).
38
Dfinition 1
Soit n IN, p [1; 1] et X une variable alatoire.
On dit que la variable alatoire X suit la loi binomiale de paramtres n et p, et on note
X B(n, p),
lorsque :
Lensemble des valeurs prises par X est : X() = {0; 1; 2; . . . ; n}.
Pour tout k {0; 1; 2; . . . ; n}, on a :
Thorme 1
Soit n IN, p [1; 1] et X une variable alatoire. On note q = 1 p.
Si X suit une loi binomiale de paramtres n et p, alors :
Critres permettant dutiliser la loi binomiale
Il faut savoir justifier lutilisation dune loi binomiale dans une situation donne. Pour cela, on
vrifiera les points suivants :
on a affaire une preuve de Bernoulli comportant deux issues possibles russite et chec, de
probabilits p et q respectivement.
On rpte n fois cette preuve et les n ralisations sont indpendantes (cest notamment le cas
des tirages avec remise).
La variable alatoire X est gale au nombre de russites.
Dans ces conditions, on peut conclure que X suit la loi binomiale de paramtres n et p.
4.b Loi de Poisson
La loi de Poisson est utilise lorsquon tudie un phnomne rare dans certaines conditions.
Exemples typiques dutilisation de la loi de Poisson : X est le nombre de voitures qui passent un
page par tranche de 15 min ; X est le nombre de fautes de frappe par page de cours de maths (il
sagit l`a dvnements trs rares).
Dfinition 2
Soit un rel strictement positif et X une variable alatoire.
On dit que la variable alatoire X suit la loi de Poisson de paramtre , et on note
lorsque :
Lensemble des valeurs prises par X est lensemble de tous les entiers naturels : X() = IN.
Pour tout k IN, on a :
Thorme 2
Soit un rel strictement positif et X une variable alatoire.
Si X suit une loi de Poisson de paramtre , alors :
39
5. Loi normale
5.a Variables alatoires continues
Dfinition 1
Soit X une variable alatoire.
On dit que X est une variable alatoire continue lorsquil existe une fonction f dfinie sur IR
telle que :
Cette fonction f est appele densit de probabilit de la variable alatoire X.
5.b Dfinition et proprits de la loi normale
Dfinition 2
Soit m un rel et un rel strictement positif et X une variable alatoire continue.
On dit que la variable alatoire X suit la loi normale de paramtres m et , et on note
lorsque :
Lensemble des valeurs prises par X est lensemble de tous les rels : X() = IR.
La densit de probabilit de X est la fonction f dfinie par :
Remarque : la loi normale est aussi appele loi de Laplace-Gauss.
La courbe reprsentative de la fonction f est nomme courbe de Gauss.
Consquence
5.c Paramtres de aX + b, X + Y , X Y
On a vu dans partie 3.c les rgles relatives au calcul de lesprance, de la variance et de lcart
type de aX + b, de X + Y et de X Y . Si on applique ces rgles dans le cas de variables
alatoires suivant des lois normales, on obtient les rsultats suivants :
Thorme 2
Soit X une variable alatoire de loi et Y une variable alatoire de loi .
Soit a et b deux rels, avec a 0.
La variable alatoire aX + b suit la loi .
Si X et Y sont indpendantes, alors la variable alatoire X + Y suit la loi
40
Si X et Y sont indpendantes, alors la variable alatoire X Y suit la loi
5.d Calcul pratique
Soit X une variable alatoire suivant une loi normale . Soit t IR. Pour calculer
P(X t), il faut calculer lintgrale :
Or on ne sait pas calculer cette intgrale de manire exacte, on utilise donc des valeurs
approches.
Dans un premier temps, on se ramne la loi normale centre rduite N(0, 1).
Thorme 3
Soit X une variable alatoire suivant une loi normale .
La variable alatoire X dfinie par X = (X m)/ suit la loi .
On a alors :
On utilise enfin une table donnant des valeurs approches des probabilits P(X t), notes ,
pour t compris entre 0 et 4,5.
Dans la cas o t est ngatif, on utilise lgalit pour conclure.
41
=z=1C = 1
=1=1..-= =1=1..-= =1=1..-= =1=1..-=
1. Vocabulaire
Dfinition 1 :
Lensemble sur lequel on travaille en statistique est appel population.
Si cet ensemble est trop vaste, on en restreint ltude une partie appele chantillon.
Un lment de cet ensemble est appel individu.
Dfinition 2 :
La particularit commune que lon tudie est appele caractre.
Leffectif dune valeur dun caractre est le nombre dindividus ayant cette valeur.
Les valeurs prises par le caractre sont aussi appeles les modalits.
(1) si la particularit sexprime par un nombre, il sagit dun caractre quantitatif. (Dans ce cas,
le nombre se note en gnral x
i
)
Si les valeurs du nombre exprim en (1) sont isoles, il sagit dun caractre discret.
Par contre, si ces valeurs sont prises dans tout un intervalle de IR, il sagit dun caractre
continu.
Exemples :
Le nombre de frre et sur dun stagiaire de la filire TRI est un caractre quantitatif discret.
il peut prendre les valeurs 0, 1, 2, 3, 4 .....
La taille des stagiaires de la filire TRI est un caractre quantitatif continu. il peut prendre
toutes les valeurs entre 1,50 m et 1,95 m.
(2) si la particularit tudie ne sexprime pas par un nombre, il sagit dun caractre qualitatif.
Exemple :
Dans une population, tre mari(e) est un caractre qualitatif deux valeurs : oui ou non.
Dfinition 3 :
Une srie statistique est lensemble des rsultats dune tude : valeurs du caractre et effectifs
correspondants.
On reprsente souvent une srie statistique sous forme dun tableau.
Dfinition 4 :
Le nombre dindividus (n
i
) dune modalit est appel effectif.
Le nombre total dindividus (N) de la population est appel effectif total.
Le rapport f
i
=
n
i
N
est appel frquence.
Remarques :
f
i
est un nombre toujours compris entre 0 et 1.
Souvent, les nombres f
i
sexpriment par un pourcentage.
La somme des nombres f
i
est toujours gale 1.
42
2. Etude dun caractre discret
2.a Moyenne
Dfinition : On se donne une srie statistique :
Valeur x
1
x
2
x
p
effectif n
1
n
2
n
p
La moyenne de cette srie est le nombre rel, not x , tel que :
x =
1
N
i = 1
p
n
i
x
i
. o N est leffectif total ; N = n
1
+ n
2
+ + n
p
.
Exemple : Voici les notes un contrle continu de 23 stagiaires TRI.
012 9 10,5 2,5 8 3 8 3 14 6 2,5 6 16,5 14 6 9 3 6 14 12 3 9
On va ranger ces valeurs dans un tableau :
note 0 2,5 3 6 8 9 10,5 12 14 16,5
effectif 1 2 4 4 2 3 1 2 3 1
La moyenne des notes ce contrle est :
x =
0 1 + 2,5 2 + 3 4 + 6 4 + 8 2 + 9 3 + 10,5 1 + 12 2 + 14 3 + 16,5 1
24
7,7
Proprit 1
Si pour tout i, on peut oprer un changement de variable affine du type : xi = aXi + b alors
.
Proprit 2
On se donne la srie statistique :
Valeurs x
1
x
2
x
p
effectif n
1
n
2
n
p
frquence f
1
f
2
f
p
La moyenne de cette srie peut tre calcule par :
x =
i = 1
p
x
i
f
i
Exemple :
Reprenons lexemple prcdent :
notes 0 2,5 3 6 8 9 10,5 12 14 16,5
effectif 1 2 4 4 2 3 1 2 3 1
frquence 0,043 0,087 0,174 0,174 0,087 0,131 0,043 0,087 0,131 0,043
La moyenne est alors x 0 0,043 + 2,5 0,087 + 3 0,174 + 7,7.
43
2.b Variance et cart type
Dfinition
On se donne une srie statistique :
Valeur x
1
x
2
x
p
effectif n
1
n
2
n
p
La variance V de cette srie est :
Lcart type est dfini par :
2.c Mdiane
Dfinition :
La mdiane dune srie statistique partage cette srie en deux parties de telle sorte que :
- au moins la moiti des valeurs sont infrieures ou gales la mdiane ;
- au moins la moiti des valeurs sont suprieures ou gales la mdiane.
Exemple : Considrons les 5 nombres rangs dans lordre croissant : 2 ; 3 ; 5 ; 10 ; 12.
Il y a autant de nombres suprieurs 5 que de nombres infrieurs 5.
La mdiane de cette suite est 5.
Mthode : Si la srie contient n valeurs ranges dans lordre croissant :
- si n est impair, on prend la
n + 1
2
me valeur pour mdiane.
- si n est pair, on prend pour mdiane la moyenne entre la
n
2
me et la
n
2
+ 1 me valeur.
Dans la srie de notes des stagiaires TRI, on a 23 valeurs.
On prend alors la
23 +1
2
me, cest dire la 12
me
valeur.
La mdiane de cette srie est alors 8.
2.d Mode et tendue
Dfinition
On appelle mode dune srie statistique une valeur du caractre dont leffectif associ est le plus
grand.
La srie de notes des stagiaires TRI admet deux modes : 3 et 6.
Dfinition
On appelle tendue dune srie statistique la diffrence entre la plus grande valeur du caractre
et la plus petite
Ltendue de la srie de notes des stagiaires TRI est : 16,5 0 = 16,5.
44
3. Cas dun regroupement par classes de valeurs
Le tableau suivant donne la distance entre le domicile et lISTA pour les stagiaires dune classe.
distance (en km) [0 ; 1[ [1 ; 5[ [5 ; 11[
nombre de stagiaire 8 16 12
3.a Moyenne
Pour calculer la moyenne, on se ramne un caractre discret en remplaant chaque classe par
son centre.
Dans notre exemple, on obtient : x =
0,5 8 + 3 16 + 8 12
36
4,1.
La distance moyenne est environ 4,1 km.
3.b Mdiane
On construit tout dabord le tableau des effectifs cumuls croissants (ou celui des frquences
cumules croissantes)
distance (en km) [0 ; 1[ [1 ; 5[ [5 ; 11[
effectifs cumuls 8 24 36
frquences cumules (en %) 22,2 66,7 100
On place dans un repre orthogonal les points (0 ; 0), puis (1 ; 8), (5 ; 24) et (11 ; 36).
On admet que la rpartition dans chaque classe est uniforme, ainsi on joint ces points par des
segments.
36
2
= 18.
La mdiane est labscisse du point
de la courbe dordonne 18.
Ici, la distance mdiane est
environ 3,5 km.
3.c Classe modale
On appelle classe modale dune srie statistique, une classe dont leffectif associ est le plus
grand.
Dans notre exemple, la classe modale est la classe [1 ; 5[.
distance en km
Effectifs
45
4. Reprsenter graphiquement des donnes statistiques
4.a Cas des donnes non numriques
Exemple : Le moyen de transport utilis par les stagiaires.
Diagramme en tuyaux d'orgues
Particularits :
La hauteur d'un tuyau est proportionnelle
l'effectif (ou la frquence)
L'axe des abscisses n'est pas gradu donc
la largeur des tuyaux n'a pas de
signification
Diagramme circulaire
Particularits :
L'angle d'un secteur est proportionnel l'effectif :
Ce type de diagramme permet notamment de
comparer chaque effectif par rapport l'effectif
total : ici on voit bien que prs de la moiti de la
classe vient en vlo.
Diagramme semi-circulaire
Particularit :
Variante du diagramme circulaire : l'angle
total est de 180
46
Diagramme en bande (ou linaire)
Particularit :
Autre variante du diagramme circulaire : la
longueur de chaque rectangle est
proportionnelle l'effectif.
4.b Cas des donnes numriques non regroupes en classes
Exemple : Les notes obtenues la dernire interrogation.
Diagramme en btons
Particularit :
L'axe des abscisses est gradu donc les
rectangles sont remplacs par des btons
trs fins (ou des segments) situs aux
bonnes abscisses
4.c Cas des donnes numriques regroupes en classes
Exemple : Le temps mis par les stagiaires lors d'une course pied.
Histogramme :
Particularits :
L'axe des abscisses est gradu donc
la largeur des rectangles correspond
l'amplitude des classes
Si les classes ont toutes la mme
amplitude, la hauteur des rectangles
est proportionnelle l'effectif
47