Aller au contenu
Analyse exploratoire et multidimensionnelle des données · L2

Leçon 1 sur 5

Typologie des variables et statistiques exploratoires

Je sais reconnaître le type de chaque variable d'un jeu de données et le résumer avec les indicateurs, tableaux et graphiques qui lui conviennent, seule ou croisée avec une autre.

  • 1 h 20
  • 6 exercices corrigés
  • QCM de 7 questions

À la fin de la leçon, vous saurez :

  • Décrire un jeu de données comme un tableau individus × variables
  • Classer une variable : qualitative nominale ou ordinale, quantitative discrète ou continue
  • Calculer et interpréter les indicateurs de position, de dispersion et de forme
  • Choisir le bon tableau ou le bon graphique selon le type de variable
  • Mesurer la liaison entre deux variables et l'interpréter sans confondre corrélation et causalité

Avant de commencer : Statistique descriptive de L1 et cours de Python pour la science des données.

1Je découvre

Mariama vient d'être recrutée comme analyste de données dans une institution de microfinance de Conakry, que nous appellerons Kafu Finance (l'entreprise et toutes ses données sont fictives). Kafu Finance a des agences à Conakry, Kindia, Labé, Kankan, N'Zérékoré et Boké. Elle prête surtout à des commerçantes des marchés.

Le premier jour, la directrice lui envoie un fichier : l'enquête menée auprès de 600 clientes. Pour chacune, on trouve un identifiant, l'agence, l'âge, le niveau d'instruction, le secteur d'activité, le nombre d'enfants, le chiffre d'affaires journalier, l'épargne mensuelle et une note de satisfaction de 1 à 5. La directrice veut « un modèle pour prévoir les retards de remboursement d'ici la fin du mois ».

Mariama sait qu'avant tout modèle, il faut regarder les données : de quoi est fait chaque colonne, comment les valeurs se répartissent, quelles variables semblent liées. Sauter cette étape, c'est risquer de calculer une moyenne de codes d'agence ou de bâtir un modèle sur une colonne pleine d'erreurs.

Comment décrire rigoureusement un jeu de données avant toute modélisation : quels types de variables, quels indicateurs, quels graphiques ?

2Je comprends

1. Le tableau individus × variables

Un jeu de données statistique se présente comme un tableau X à n lignes et p colonnes :

  • chaque ligne est un individu (ou observation, ou unité statistique) : ici une cliente ;
  • chaque colonne est une variable (ou caractère) : une propriété mesurée sur chaque individu ;
  • la case xij contient la valeur de la variable j pour l'individu i.

L'ensemble des individus étudiés est la population (ou l'échantillon s'il est tiré d'une population plus large). Pour l'enquête de Kafu Finance, n = 600 et p = 9 en comptant l'identifiant.

Ce format « une ligne par individu » est celui qu'attendent pandas, R et tous les logiciels d'analyse. Un tableau de synthèse (par exemple « nombre de clientes par agence ») n'est pas un tableau individus × variables : c'est déjà un résultat.

2. La typologie des variables

Le type d'une variable décide de tout le reste : les calculs permis, les graphiques adaptés et, plus tard, la méthode factorielle à employer (ACP, AFC ou ACM).

TypeDéfinitionOpérations permisesExemples (enquête Kafu)
Qualitative nominalemodalités sans ordrecompter, fréquences, modeagence, secteur d'activité
Qualitative ordinalemodalités ordonnéesen plus : médiane, fréquences cumuléesniveau d'instruction, satisfaction 1 à 5
Quantitative discrètevaleurs numériques isolées (souvent entières)toutes les opérations arithmétiquesnombre d'enfants
Quantitative continuetoute valeur d'un intervalletoutes ; regroupement en classes possibleâge, chiffre d'affaires, épargne

Trois pièges classiques :

  • Un code numérique n'est pas une quantité. Si l'agence est codée 1 à 6, la « moyenne des agences » n'a aucun sens : la variable reste nominale.
  • Une échelle de satisfaction de 1 à 5 est ordinale. L'écart entre 1 et 2 n'est pas forcément le même qu'entre 4 et 5. On la résume de préférence par sa médiane et ses fréquences.
  • Un identifiant n'est pas une variable d'analyse. Il sert à relier des tables, jamais à calculer.

Parmi les quantitatives, on distingue parfois l'échelle d'intervalle (le zéro est conventionnel, comme une température en degrés Celsius) et l'échelle de rapport (le zéro est absolu : un chiffre d'affaires de 400 est le double de 200).

3. Résumer une variable quantitative

On note x1, …, xn les valeurs observées.

FamilleIndicateurFormule ou définition
Positionmoyennex = 1nΣi=1n xi
Positionmédianevaleur qui partage la série ordonnée en deux moitiés
Positionquartiles Q1, Q325 % et 75 % des valeurs sont inférieures ou égales
Dispersionétenduemax - min
Dispersionvariances2 = 1nΣi=1n (xi - x)2
Dispersionécart-types = √s2
Dispersionécart interquartileIQR = Q3 - Q1
Dispersion relativecoefficient de variationCV = s / x (variable positive)
Formecoefficient d'asymétrieγ1 = 1nΣ (xi - x)3 / s3

Deux remarques importantes :

  • En description, on divise par n. Pour estimer la variance d'une population à partir d'un échantillon, on divise par n - 1 (variance corrigée). pandas utilise n - 1 par défaut ; numpy utilise n.
  • Il existe plusieurs conventions pour les quartiles. Dans cette leçon, Q1 est la valeur de rang ⌈ n/4 ⌉ et Q3 celle de rang ⌈ 3n/4 ⌉ dans la série ordonnée. Les logiciels interpolent souvent et peuvent donner des valeurs un peu différentes.

La moyenne est sensible aux valeurs extrêmes ; la médiane et l'écart interquartile sont robustes. Si x est nettement supérieure à la médiane, la distribution est étirée vers la droite (asymétrie positive, γ1 > 0), ce qui est très fréquent pour les revenus et les chiffres d'affaires.

Exemple

Chiffre d'affaires journalier de 10 commerçantes du marché de Madina (milliers de GNF), déjà ordonné :

150 ; 180 ; 200 ; 220 ; 250 ; 260 ; 300 ; 350 ; 400 ; 690.

  1. Moyenne : somme = 3 000, donc moyenne = 3 000 / 10 = 300.
  2. Médiane : n = 10 est pair, médiane = (250 + 260) / 2 = 255.
  3. Quartiles : Q1 = valeur de rang 3 = 200 ; Q3 = valeur de rang 8 = 350 ; IQR = 150.
  4. Variance : somme des carrés des écarts à 300 = 222 000, donc s² = 22 200 et s ≈ 149,0.
  5. Coefficient de variation : 149,0 / 300 ≈ 0,497, soit environ 50 %.
  6. Asymétrie : le calcul donne environ 1,62 > 0.

Conclusion : la moyenne (300) dépasse la médiane (255) à cause d'une valeur très élevée (690) ;

la distribution est asymétrique à droite et très dispersée. La médiane décrit mieux la commerçante « typique ».

Méthode

  1. Vérifier le type : la variable est-elle vraiment quantitative (pas un code) ?
  2. Ordonner les valeurs, repérer le minimum et le maximum.
  3. Calculer moyenne et médiane, puis les comparer pour juger de l'asymétrie.
  4. Calculer écart-type, quartiles et écart interquartile.
  5. Utiliser le coefficient de variation pour comparer des séries de moyennes différentes.
  6. Conclure en une phrase : niveau typique, dispersion, forme, valeurs suspectes éventuelles.

4. Résumer une variable qualitative et choisir ses graphiques

Pour une variable qualitative à K modalités d'effectifs n1, …, nK, on calcule les fréquences fk = nk / n et on repère le mode (modalité la plus fréquente). Si la variable est ordinale, on ajoute les fréquences cumulées et la modalité médiane (celle où la fréquence cumulée atteint 50 %).

Type de variableTableauGraphiques adaptésÀ éviter
Nominaleeffectifs et fréquencesdiagramme en barres (trié), secteurs si peu de modalitéscourbe reliant les modalités
Ordinaleeffectifs, fréquences cumuléesdiagramme en barres dans l'ordre des modalitéstri des barres par effectif
Discrèteeffectifs par valeurdiagramme en bâtonshistogramme à classes larges
Continueclasses et effectifshistogramme, boîte à moustaches, densitédiagramme en secteurs

La boîte à moustaches résume en un dessin la médiane, les quartiles et les valeurs atypiques. Pour la série de Madina (les moustaches s'arrêtent aux valeurs extrêmes non atypiques, la leçon 2 précise la règle) :

        150   200     255     350        400                690
         |-----[-------|-------]----------|                   o
              Q1    médiane   Q3                         atypique

5. Décrire la liaison entre deux variables

Le type des deux variables détermine l'outil.

Couple de variablesTableau ou indicateurGraphique
Quantitative × quantitativecovariance, corrélation de Pearson ou de Spearmannuage de points
Qualitative × qualitativetableau de contingence, profils, test du khi-deux (leçon 4)barres groupées ou empilées
Quantitative × qualitativemoyennes ou médianes par groupe, rapport de corrélationboîtes à moustaches parallèles

Pour deux variables quantitatives x et y :

cov(x, y) = 1nΣi=1n (xi - x)(yi - y) r = cov(x, y)sx sy

Le coefficient de Pearson r est compris entre -1 et 1 et mesure une liaison linéaire. Le coefficient de Spearman, calculé sur les rangs, mesure une liaison monotone et résiste mieux aux valeurs extrêmes.

Exemple

Surface de l'étal x (m²) et chiffre d'affaires journalier y (milliers de GNF) de 5 commerçantes :

x : 2 ; 3 ; 4 ; 5 ; 6 y : 150 ; 200 ; 220 ; 260 ; 320.

  1. Moyennes : x̄ = 4 ; ȳ = 1 150 / 5 = 230.
  2. Écarts : x − 4 = −2, −1, 0, 1, 2 ; y − 230 = −80, −30, −10, 30, 90.
  3. Produits : 160 ; 30 ; 0 ; 30 ; 180 ; somme = 400 ; cov = 400 / 5 = 80.
  4. Écarts-types : s_x = √2 ≈ 1,414 ; s_y = √(16 400 / 5) = √3 280 ≈ 57,27.
  5. r = 80 / (1,414 × 57,27) ≈ 0,988.

Liaison linéaire positive très forte sur ces 5 points. Cela ne prouve pas qu'agrandir l'étal fait

vendre plus : l'emplacement dans le marché peut expliquer à la fois la surface et les ventes.

Pour une variable quantitative y et une variable qualitative à K groupes, le rapport de corrélation η2 = Σk nk (yk - y)2Σi (yi - y)2 mesure la part de la variance de y expliquée par les groupes (0 ≤ η2 ≤ 1).

Corrélation n'est pas causalité : une liaison peut venir d'un facteur commun (facteur de confusion), du hasard sur un petit échantillon, ou d'un effet de sens inverse.

6. En pratique avec Python

import pandas as pd

df = pd.read_csv("enquete_kafu.csv")
df.info()                                   # types et valeurs non nulles par colonne
df["agence"] = df["agence"].astype("category")   # un code n'est pas une quantité
df.describe()                               # moyenne, écart-type (n - 1), quartiles interpolés
df["secteur"].value_counts(normalize=True)  # fréquences d'une variable qualitative
pd.crosstab(df["agence"], df["secteur"])    # tableau de contingence
df.groupby("secteur")["ca_jour"].median()   # quantitative par groupe
df[["ca_jour", "epargne"]].corr(method="spearman")

Sur la série de Madina, describe() affiche Q1 = 205 et Q3 = 337,5 (quartiles interpolés) au lieu de 200 et 350 : ce n'est pas une erreur, c'est une autre convention. Annoncez toujours celle que vous utilisez.

3Je retiens

Je retiens

Un jeu de données est un tableau individus × variables : une ligne par individu.

Qualitative nominale, qualitative ordinale, quantitative discrète, quantitative continue.

Un code numérique (agence, région) reste une variable qualitative.

Position : moyenne, médiane ; dispersion : écart-type, IQR, CV ; forme : asymétrie.

Médiane et IQR sont robustes ; la moyenne est sensible aux valeurs extrêmes.

Le graphique dépend du type : barres, histogramme, boîte à moustaches, nuage de points.

r de Pearson mesure une liaison linéaire entre -1 et 1 ; corrélation n'est pas causalité.

4Erreurs fréquentes

  • Calculer une moyenne sur un code d'agence ou de région : la variable est nominale.
  • Résumer un revenu très asymétrique par sa seule moyenne sans donner la médiane.
  • Comparer les écarts-types de deux séries de niveaux très différents au lieu de leurs CV.
  • Oublier que pandas divise par n - 1 et numpy par n : les résultats diffèrent légèrement.
  • Conclure qu'une variable cause l'autre à partir d'un r élevé.

5Je m’exerce

1Exercice 1

(Questions de cours) Donnez le type de chacune des variables suivantes : a) l'agence (codée 1 à 6) ; b) le nombre de prêts déjà obtenus ; c) le montant du prêt en GNF ; d) la satisfaction (« pas du tout », « peu », « assez », « très ») ; e) le secteur (commerce, agriculture, artisanat) ; f) le numéro de téléphone.

Voir le corrigéCacher le corrigé

a) Qualitative nominale (le code n'est qu'une étiquette). b) Quantitative discrète. c) Quantitative continue (en pratique arrondie, mais traitée comme continue). d) Qualitative ordinale. e) Qualitative nominale. f) Ce n'est pas une variable d'analyse : c'est un identifiant.

2Exercice 2

Âges de 8 clientes de l'agence de Kindia : 22 ; 25 ; 25 ; 30 ; 34 ; 38 ; 41 ; 45. Calculez la moyenne, la médiane, le mode, Q1, Q3 (convention de la leçon), la variance (division par n), l'écart-type et le coefficient de variation.

Voir le corrigéCacher le corrigé

Somme = 260, donc x = 260 / 8 = 32,5 ans. n = 8 est pair : médiane = (30 + 34) / 2 = 32 ans. Mode : 25 (deux fois). Q1 = valeur de rang ⌈ 8/4 ⌉ = 2, soit 25 ; Q3 = valeur de rang 6, soit 38. Écarts à la moyenne : −10,5 ; −7,5 ; −7,5 ; −2,5 ; 1,5 ; 5,5 ; 8,5 ; 12,5. Carrés : 110,25 ; 56,25 ; 56,25 ; 6,25 ; 2,25 ; 30,25 ; 72,25 ; 156,25 ; somme = 490. Variance s2 = 490 / 8 = 61,25 ; s ≈ 7,83 ans ; CV ≈ 7,83 / 32,5 ≈ 0,24, soit 24 %. Moyenne et médiane sont proches : distribution à peu près symétrique.

3Exercice 3

Pour 5 clientes, on relève le nombre d'années d'activité x et l'épargne mensuelle y en milliers de GNF : x : 1 ; 2 ; 3 ; 4 ; 5 et y : 20 ; 30 ; 25 ; 45 ; 50. Calculez la covariance et le coefficient de corrélation de Pearson, puis interprétez.

Voir le corrigéCacher le corrigé

x = 3 ; y = 170 / 5 = 34. Écarts : x - 3 = −2, −1, 0, 1, 2 ; y - 34 = −14, −4, −9, 11, 16. Produits : 28 ; 4 ; 0 ; 11 ; 32 ; somme = 75 ; cov(x, y) = 75 / 5 = 15. sx2 = 10 / 5 = 2, sx ≈ 1,414 ; sy2 = (196 + 16 + 81 + 121 + 256) / 5 = 670 / 5 = 134, sy ≈ 11,58. r = 15 / (1,414 × 11,58) ≈ 0,92. Liaison linéaire positive forte : les clientes plus anciennes épargnent davantage sur cet échantillon. Avec 5 points seulement, la conclusion reste fragile, et l'ancienneté n'est pas forcément la cause (l'âge ou le secteur peuvent jouer).

4Exercice 4

Niveau d'instruction de 40 clientes de l'agence de Labé : aucun 14 ; primaire 12 ; secondaire 10 ; supérieur 4. a) Calculez les fréquences et les fréquences cumulées. b) Donnez le mode et la modalité médiane. c) Quel graphique choisissez-vous et dans quel ordre placez-vous les barres ?

Voir le corrigéCacher le corrigé

a) Fréquences : 14/40 = 35 % ; 12/40 = 30 % ; 10/40 = 25 % ; 4/40 = 10 %. Fréquences cumulées : 35 % ; 65 % ; 90 % ; 100 %. b) Mode : « aucun ». La fréquence cumulée dépasse 50 % pour la première fois à « primaire » : la modalité médiane est « primaire ». c) Un diagramme en barres, avec les barres dans l'ordre naturel des niveaux (aucun, primaire, secondaire, supérieur), pas triées par effectif, car la variable est ordinale.

5Exercice 5

À Kankan, le chiffre d'affaires journalier moyen est de 300 milliers de GNF avec un écart-type de 149 ; à Conakry, la moyenne est de 1 200 milliers de GNF avec un écart-type de 360. Quelle série est la plus dispersée en valeur absolue ? Et en valeur relative ? Laquelle de ces deux comparaisons est pertinente ?

Voir le corrigéCacher le corrigé

En valeur absolue, Conakry est plus dispersée (360 > 149). En valeur relative : CV Kankan = 149 / 300 ≈ 0,50 ; CV Conakry = 360 / 1 200 = 0,30. Kankan est relativement plus dispersée. La comparaison pertinente est celle des coefficients de variation, car les deux moyennes sont très différentes.

6Exercice 6

(Type examen) Mariama obtient pour l'épargne mensuelle (milliers de GNF) des 600 clientes : moyenne 185, écart-type 160, minimum 0, Q1 = 60, médiane 120, Q3 = 240, maximum 2 400. a) Quel est le type de cette variable ? b) Que révèle la comparaison de la moyenne et de la médiane ? c) Calculez l'écart interquartile et le coefficient de variation. d) Quels graphiques proposez-vous pour cette variable seule, puis pour la comparer entre les six agences ? e) La corrélation entre épargne et chiffre d'affaires vaut 0,72. Rédigez une interprétation prudente.

Voir le corrigéCacher le corrigé

a) Quantitative continue (montant en GNF). b) La moyenne (185) est nettement supérieure à la médiane (120) : la distribution est asymétrique à droite ; quelques fortes épargnes (jusqu'à 2 400) tirent la moyenne vers le haut. La médiane représente mieux la cliente typique. c) IQR = 240 - 60 = 180 ; CV = 160 / 185 ≈ 0,86, soit 86 % : dispersion relative très forte. d) Seule : un histogramme (éventuellement sur une échelle logarithmique, voir leçon 2) et une boîte à moustaches. Par agence : six boîtes à moustaches parallèles, sur le même axe, complétées par un tableau des médianes. e) « Sur les 600 clientes, l'épargne et le chiffre d'affaires sont fortement et positivement liés (r = 0,72) : les clientes qui vendent le plus épargnent en général davantage. Cette liaison ne prouve pas de causalité, et comme les deux variables sont asymétriques, il faut la confirmer par le coefficient de Spearman et vérifier qu'elle n'est pas due à quelques valeurs extrêmes. »

Cherchez d’abord seul, sur votre cahier, puis ouvrez le corrigé pour comparer.

6Je vérifie

Choisissez une réponse pour chaque question : la correction s’affiche aussitôt.

1La variable « agence », codée de 1 à 6, est :
Voir la réponse

Réponse B : qualitative nominale. Les codes ne sont que des étiquettes sans ordre ni distance.

2Pour une note de satisfaction de 1 à 5, l'indicateur de position le plus adapté est :
Voir la réponse

Réponse B : la médiane. La variable est ordinale : la médiane respecte l'ordre sans supposer des écarts égaux.

3Une série a une moyenne de 300 et une médiane de 255. On peut penser que :
Voir la réponse

Réponse A : la distribution est étirée vers les grandes valeurs. Des valeurs élevées tirent la moyenne au-dessus de la médiane : asymétrie à droite.

4Quel indicateur est robuste aux valeurs extrêmes ?
Voir la réponse

Réponse C : l'écart interquartile. L'IQR ne dépend que des valeurs centrales (entre Q1 et Q3).

5Pour comparer la dispersion de deux séries de moyennes très différentes, on utilise :
Voir la réponse

Réponse B : le coefficient de variation. Le CV rapporte l'écart-type à la moyenne et n'a pas d'unité.

6Un coefficient de Pearson r = 0,95 entre deux variables signifie :
Voir la réponse

Réponse B : qu'il existe une forte liaison linéaire positive. r mesure l'intensité d'une liaison linéaire, pas une causalité.

7Pour croiser deux variables qualitatives, on construit :
Voir la réponse

Réponse B : un tableau de contingence. Le tableau de contingence compte les individus pour chaque couple de modalités.

Karamö, votre enseignant

Il a lu cette leçon. Posez-lui votre question : il vous répond ici.

Connectez-vous pour poser vos questions à Karamö.

Vous avez fini la leçon ?

Avec un compte Kharandi gratuit, vous cochez les leçons terminées et vous suivez votre progression, cours par cours.

Karamö
Un point pas clair ? Dites à Karamö ce qui vous bloque dans cette leçon : il vous l’explique autrement, pas à pas, sans faire le travail à votre place. Demander à Karamö
Signaler une erreur dans cette leçon

Toutes les leçons de Analyse exploratoire et multidimensionnelle des données

Pose ta question à Karamö