Table des matières
1 Analyse de données 2
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Généralités et Vocabulaire de base . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Statistique descriptive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Sous-domaines de la statistique . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Vocabulaire de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.4 Analyse univariée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.5 Analyse bivariée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Chapitre 1
Analyse de données
1.1 Introduction
L’analyse de données est devenue plus en plus populaire car de plus en plus les entreprises, les éta-
blissements, les sociétés et les organisations d’une manière générale s’orientent vers la collecte et le
stockage des données. Il s’agit d’un sujet assez important quel que soit le domaine d’application, dans
le domaine des affaires, dans des labos de recherche, dans l’ingénierie, dans l’industrie et la gouver-
nance etc......
Et comme vous le savez les données sont collectées en permanence dans chaque jour, chaque heure,
chaque minute et même chaque seconde mais sous leur forme brute. Ce qui nous laisse un peu per-
plexe car ils n’ont plus ou moins aucun sens mais c’est là qu’intervient l’analyse de données qui
permet d’extraire, de modifier, d’ajouter des données spécifiques et de synthétiser les données. Cela
permet aux organisations de tirer des enseignements et de prendre des décisions les plus éclairées
pour leurs prochaines actions stratégiques.
Donc on va essayer de diviser ce concept en termes qui le composent :
1. Analyser : c’est un ensemble de synonymes entre autres, décomposer, étudier, examiner, rai-
sonner, anatomiser, dégager l’essentiel, interpréter, évaluer, etc,...
Donc l’analyse : c’est l’étude, l’examen, l’évaluation,..... pour mieux comprendre les relations
entre le tout et les parties.
Faire une analyse de quelque chose c’est décomposer un tout en ses éléments de manière à les
définir, les classer et les comprendre.
2. Donnée : c’est ce qui est connu ou admis comme tel, sur lequel on peut fonder un raisonnement,
2
1.1. INTRODUCTION Prof. KUMWIMBA Didier
qui sert comme point de départ pour une recherche.
Donc lorsqu’on parle de données on parle de quelque chose qui est précieuse, qui coûte cher
actuellement dans le monde. En terme d’exemples,on parle d’un nouveau pétrole et à nos jours
on assiste à une explosion de données d’où le terme Big data qui présente la tendance de toute
nouvelle technologie.
Une donnée par définition on peut dire c’est une information brute sans contexte, un fait sans
aucun arrière-plan qu’on ne peut pas l’[Link] donnée brute peut prendre différentes as-
pect soit sous forme numérique ou bien sous forme texte bien un mélange de deux et afin d’être
utilisé d’avoir une ou d’avoir une valeur réelle, une donnée doit passer par ce qu’on appelle
un processus de transformation .
Une donnée est une poutre ou bien une entrée dans le processus de transformation ; ce qui res-
sortira de ce processus de transformation c’est l’information finale.
Donc bref on peut dire d’une manière simple, vaste et générale : Analyse de données est un
processus (un semble de méthodes statistiques, mathématiques ou informatiques) permettant
de transformer la donnée en information. Le processus par lequel des données brutes de-
viennent des connaissances utilisables pouvant être exploitées.
Donc l’analyse c’est le principal outil permettant d’obtenir des informations à partir de don-
nées. Elle aide aussi à la prise de décision et à l’amélioration de produits et de service.
L’analyse de données est essentielle aussi pour comprendre les résultats des enquêtes de sources
administratives et des études pilotes pour obtenir des renseignements sur des lacunes en matière
de données pour concevoir et remanier les enquêtes, pour planifier de nouvelles activités statis-
tiques et pour formuler des objectifs en matière de qualité.
— Les études descriptives se refaire à l’estimation de mesure agrégées d’une population cible.
Par exemple les bénéfices moyennes des entreprises ou l’auto de réussite d’un examen etc,...
— Les études analytiques peuvent servir à expliquer le comportement des caractéristiques
ou les relations entre elles. Par exemple une étude des facteurs d’obésité chez les enfants
serait inutile, analytique et parfaite ; en marketing les chercheurs effectuent des analyses de
données pour prédire le comportement des consommateurs et placer les produits et services
sur le marché en conséquence ; aussi les entreprises utilisent l’analyse de données dans le
3
1.2. GÉNÉRALITÉS ET VOCABULAIRE DE BASE Prof. KUMWIMBA Didier
domaine des ressources humaines afin de pouvoir offrir à leurs employés en bon environ-
nement de travail et les meilleures conditions de travail et d’assurer un niveau élevé de
satisfaction des employés.
L’analyse de données est le processus qui consiste à examiner, à étudier, à interpréter des données
afin d’élaborer des réponses à des questions, de comprendre le comportement et les liaisons entre les
caractères étudiés pour optimiser le sujet en question.
Les principales étapes du processus d’analyse :
1. Cerner le sujet d’analyse : il faut être bien précis pour choisir le sujet d’analyse.
2. Déterminer la disponibilité des données appropriées ou bien autrement dit choisir la meilleure
source de données.
3. Choix des méthodes à utiliser en fonction des données à analyser.
4. Appliquer et évaluer les méthodes.
5. Résumer et interpréter les résultats, savoir les résultats d’analyse et faire le lien entre les
résultats et le sujet d’analyse.
Dans ce chapitre nous parlerons de :
— l’analyse multidimensionnelle ou l’analyse multivariée,
— l’analyse univariée et bivariée,
— l’analyse en compasantes principales (ACP),
— l’analyse factorielle des correspondances (AFC),
— méthodes de classification.
1.2 Généralités et Vocabulaire de base
Dans cette section, nous verons des termes de notion de base qu’on aura besoin dans la suite. Comme
l’analyse de données fait partie du domaine de la statistique, nous allons évoquer quelques notions de
la statique.
1.2.1 Statistique descriptive
Définition 1.1. La statistique est la discipline qui étudie des phénomènes à travers la collecte de
données, leur traitement , leur analyse, leur interprétation des résultats et leur présentation afin de
rendre ces données compréhensibles.
4
1.2. GÉNÉRALITÉS ET VOCABULAIRE DE BASE Prof. KUMWIMBA Didier
Donc la statistique fait partie aujourd’hui de ce qu’on appelle data science ou sciences de données.
Demarche statistique est la suivante :
1. Recueil de données : population, échantillon, caractère,.....
2. Traitement de données , l’enquête statistique est une série de données soit quantitative qualita-
tive alors pour pouvoir les exploiter elle va être nécessaire d’en faire des calculs, un classement,
un résumé visuel en numérique il sera parfois nécessaire d’opérer une compression,....
3. Interprétation et analyse, l’analyse de données consiste à identifier parmi la variété de don-
nées, présenter celles qui sont significatifs, il faut les analyser , les interpréter ; parfois on passe
par la présentation des données que consiste à les organiser selon un ordre, qui on facilitera
l’analyse et l’interprétation désigne, la réflexion qu’il faut faire sur les résultats de la problé-
matique et du cadre de référence.
Domaines d’application : Ingénierie, management, économie, biologie, informatique, physique,......
En bref, la statistique utilise des règles ainsi que des méthodes sur la collecte de données pour que
celle-ci puisse être correctement interprété.
1.2.2 Sous-domaines de la statistique
On distingue quatre sous-domaines principaux.
1. La statistique descriptive : est la branche qui regroupe de nombreuses techniques utilisées
pour décrire c’est-à-dire résumer ou représenter un ensemble relativement important de données
à l’aide de graphique et des mesures moyenne écartées.
2. La statistique inférencielle : elle utilise un échantillon aléatoire de données d’une population
afin de décrire cette dernière et faire des déductions à son sujet. Il est difficile ou impossible
d’examiner chaque membre d’une population entière parce qu’il s’agit d’analyser des données
d’un sous ensemble de population envie d’en déduire les caractéristiques globales de la popu-
lation (Estimateur, tests statistiques,....).
3. L’analyse multidimentionnelle : est le prolongement des statistiques descriptives, sauf que là
, on étudie plutôt les relations entre 3 variables ou plus.
4. Modélisation statistique : elle consiste à formaliser les observations par des règles mathéma-
tiques qu’on appelle modèle probabiliste.
5
1.2. GÉNÉRALITÉS ET VOCABULAIRE DE BASE Prof. KUMWIMBA Didier
1.2.3 Vocabulaire de base
Définition 1.2. L’ensemble sur lequel on travaille en statistique est appelé population. Si cet en-
semble est trop vaste, on en restreint l’étude à une partie appelée échantillon. Un élément de cet
ensemble est appelé individu.
Définition 1.3. La particularité commune que l’on étudie est appelée caractère. L’effectif d’une va-
leur d’un caractère est le nombre d’individus ayant cette valeur. Les valeurs prises par le caractère
sont aussi appelées les modalités.
Si celles-ci seexpriment par un nombre, il s’agit d’un caractère quantitatif. Si les valeurs du nombre
exprimé sont isolées, il s’agit d’un caractère discret. Par contre, si ces valeurs sont prises dans tout
un intervalle , il s’agit d’un caractère continu.
Exemple 1.1. Le nombre de frères et soeurs d’un élève de seconde est un caractère quantitatif discret.
il peut prendre les valeurs 0, 1, 2, 3, 4.....
La taille des élèves de seconde est un caractère quantitatif continu. il peut prendre toutes les valeurs
entre 1, 50 m et 1, 95 m.
Si la particularité étudiée ne s’exprime pas par un nombre, il s’agit d’un caractère qualitatif.
Exemple 1.2. Dans une population, être marié(e) est un caractère qualitatif à deux valeurs : oui ou
non.
Définition 1.4. La distribution empirique d’une variable , c’est l’ensemble des valeurs (ou modalités)
pries par cette variable, ainsi que leurs effectifs associés.
1.2.4 Analyse univariée
Indicateur statistique
1. Statistiques
— Formellement, une statistique , c’est un inducateur numérique calculé à partir d’un échan-
tillon.
— Une statistique est utile car elle nous permet de résumer un grand échatillon en un seul
nombre.
— Synonymes : donnée statistique, indicateur statistique, mesure statistique, etc,....
2. Indice statistique
C’est une statistique conctruite à partir d’une certaine vision, à partir de connaissances d’un
domaine (par exemple : l’économie : produit intérieur brut (PIB)).
6
1.2. GÉNÉRALITÉS ET VOCABULAIRE DE BASE Prof. KUMWIMBA Didier
Les indicateurs statistiques nous guident à prendre de décisions.
Mésures de tendance centrale
1. Le mode.
Définition 1.5. Le mode d’une série ou distribution statistique, est la modalité dominante ou
la plus fréquente, c’est-à-dire la valeur de la variable qui correspond au plus grand effectif ou
plus grande fréquence relative.
Exemple 1.3. Dans la série : 5, 6, 7, 7, 8, 8, 8, 9, 10 ; Mo=8, 8 est la valeur qui se répète le
plus (3 fois).
Determination pratique
Le mode se détermine de manière algébrique et graphique, et la détermination diffère selon
qu’il s’agisse de variable statistique discrète (VSD) ou variable statistique continue (VSC).
(a) Cas de la variable statistique discrète (VSD)
Lorsque la variable est discrète, le mode peut être repéré :
— Dans le tableau : c’est la modalité pour laquelle l’effectif ou la fréquence relative est
le plus élevé ;
— Sur le diagramme en bâtons : c’est la modalité correspondant au bâton le plus haut.
(b) Cas de la variable statistique continue (VSC)
Ici, les données sont regroupées sous forme de classes. La modalité correspondant au
mode appartient forcément à une classe. Cette classe s’appelle classe modale. Elle est
repérée comme la classe la plus dense , c’est-à-dire celle correspondant à la plus grande
densité.
2. La moyenne
Définition 1.6. La moyenne est la plus connue des mesures de tendance centrale. Elle s’obtient
en divisant la somme des valeurs par le nombre de valeurs (N) :
p
∑ nixi
i=1
X̄ =
N
Remarque 1. La moyenne est influencée par toutes les valeurs et est malheureusement très sen-
sible aux valeurs extrêmes, au point d’en perdre parfois une bonne partie de sa représentativité,
surtout dans des échantillons de petite taille.
7
1.2. GÉNÉRALITÉS ET VOCABULAIRE DE BASE Prof. KUMWIMBA Didier
Mésures de dispertion
1. Variance et Ecart type
Si l’on désire se faire une idée de la manière dont les valeurs du caractère s’écartent de la
moyenne X̄ de ce caractère, on calcule la moyenne des écarts quadratiques :
p
∑ ni(xi − X̄)2
i=1
Var(X) =
N
p
∑ nixi2
i=1
= − X̄
N
Remarque 2. La deuxième expression est plus agréable pour les calculs.
Var est la variance de l’échantillon. L’écart-type σ est la racine carrée de la variance.
p
σ= Var(X)
L’écart type sert à mésurer la dispertion d’une série autour de sa moyenne.
Remarque 3. Quand on calcule la variance d’un échantillon (et non de la population entière),
le dénominateur est N − 1.
2. Le coefficient de variation C’est l’écart type divisé par la moyenne.
σ
CV =
X̄
3. Intervalle semiinterquartile
Méthode de calcul
— Trier les données dans l’ordre croissant.
— Diviser les données en deux groupes de taille égale : le groupe A avant la médiane et le
groupe B après la médiane (si l’échantillon de départ a une taille impaire, rajouter la mé-
diane en tête du groupe B).
— Calculer la médiane du groupe A, que l’on appellera Q1 .
— Calculer la médiane du groupe B, que l’on appellera Q3 .
— L’intervalle semi-interquartile (isi) vaut :
Q3 − Q1
isi =
2
8
1.2. GÉNÉRALITÉS ET VOCABULAIRE DE BASE Prof. KUMWIMBA Didier
Remarque 4. Par convention, Q2 = X̄.
Mesures de forme
1. Coefficient de dissymétrie ou coefficient d’asymétrie
On peut chercher à caractériser la forme d’une distribution de fréquences au moyen de coeffi-
cients appropriés. On comparera volontiers ces distributions de fréquences avec celle obtenue,
par le fruit du hasard, en faisant tomber des billes sur une grille ajourée. Le polygone des
fréquences lissé admet une forme caractéristique de courbe en cloche. Une telle situation est
appelée loi normale. Les distributions peuvent aussi présenter une asymétrie ou un aplatisse-
ment par rapport à la courbe normale. Les deux types de mesures ou coefficients de forme sont
les mesures d’asymétrie ou de dissymétrie et les mesures d’aplatissement.
Remarque 5. La distribution des valeurs est symétrique si le polygone des fréquences est sy-
métrique par rapport à un axe vertical passant par son sommet. Dans un tel cas, le mode, la
médiane et la moyenne se confondent.
9
1.2. GÉNÉRALITÉS ET VOCABULAIRE DE BASE Prof. KUMWIMBA Didier
La distribution des valeurs est dissymétrique à droite si la portion du polygone des fréquences
située à droite du sommet est plus longue que l’autre.
F IGURE 1.1 – Dans ce cas M0 < M < X̄
La distribution des valeurs est dissymétrique à gauche si la portion du polygone des fréquences
située à gauche du sommet est plus longue que l’autre.
F IGURE 1.2 – Dans ce cas X̄ < M < M0
(a) Le coefficient de dissymétrie de Pearson
Il existe différentes manières de caractériser et de mesurer la dissymétrie. Karl Pearson a
proposé de définir un coefficient de dissymétrie basé sur les écarts entre les mesures de
tendance centrale. Il a observé que dans les distributions des valeurs modérément dissy-
métriques, la distance entre la moyenne et le mode est approximativement le triple de la
distance entre la moyenne et la médiane. Il a donc proposé, ce que l’on appelle maintenant
le coefficient de dissymétrie de Pearson :
3(X̄ − M)
β1 =
σ
10
1.2. GÉNÉRALITÉS ET VOCABULAIRE DE BASE Prof. KUMWIMBA Didier
Il divise par l’écart-type pour avoir une mesure de dissymétrie relative indépendante de
l’unité de mesure. La distribution des valeurs est symétrique quand ce coefficient est nul.
Elle a une dissymétrie à droite ou à gauche suivant le signe du coefficient de dissymétrie.
Sa valeur est généralement comprise entre −1 et +1 :
— β1 < 0 distribution dissymétrique à gauche
— β1 = 0 distribution symétrique
— β1 > 0 distribution dissymétrique à droite
(b) Le coefficient de dissymétrie de Yule – Kendall
Yule et Kendall ont proposé de définir un coefficient de dissymétrie basé sur la position
relative des quartiles. Dans une distribution symétrique, les quartiles sont situés à égale
distance de chaque côté de la médiane. Par conséquent :
(Q3 − Q2 ) − (Q2 − Q1 ) = 0
Si la distribution est dissymétrique, l’égalité ci-dessus n’est plus vraie. L’expression de
gauche sera positive ou négative suivant le sens de l’asymétrie. Pour obtenir un coefficient
d’asymétrie indépendant de l’unité de mesure, ils utilisent un ratio. Le coefficient dissy-
métrie de Yule et Kendall mesure l’asymétrie à partir de la position relative des quartiles
par rapport à la médiane :
Q3 + Q1 − 2Q2
CY =
Q3 − Q1
La valeur du coefficient de Yule et Kendall est toujours comprise entre −1 et +1 et son
signe indique le sens de l’asymétrie :
— −1 ⩽ CY < 0 distribution dissymétrique à gauche
— CY = 0 distribution symétrique
— 0 < CY ⩽ 1 distribution dissymétrique à droite
2. Coefficients d’aplatissement
Les mesures d’aplatissement font partie des mesures qui caractérisent la forme d’une distribu-
tion. Elles caractérisent le degré d’aplatissement de la distribution par rapport à l’aplatissement
de la distribution normale («courbe en cloche»2). Il est alors utile de pouvoir mesurer si la
11
1.2. GÉNÉRALITÉS ET VOCABULAIRE DE BASE Prof. KUMWIMBA Didier
forme de la distribution présente une déviation par rapport à l’aplatissement de la distribution
normale. Une distribution est platicurtique ou hyponormale si la courbe est plus aplatie que
la courbe normale ; elle est leptocurtique ou hypernormale si la courbe est plus pointue que la
courbe normale.
Pour mesurer l’aplatissement de la courbe, on utilise le coefficient β2 de Pearson basé sur le
moment centré d’ordre 4 :
(a) Le coefficient d’aplatissement de Pearson :
µ4
β2 =
σ4
p p
avec µ4 = ∑ fi (xi − X̄)4 , β 2 = µ2 = ∑ fi (xi − X̄)2
i=1 i=1
— β2 > 3 courbe leptocurtique ou hypernormale
— β2 = 3 courbe normale
— β2 < 3 courbe platicurtique ou hyponormale.
1.2.5 Analyse bivariée
On considère une population de N individus mesurés simultaniment par les deux caractères X et
Y qui peuvent être qualitatives ou quantitatives, et qui peuvent ne pas être de même nature. Les k
modalités2 de X sont désignées par x1 ; ........; x j ; .......; xk ; les l modalités de Y sont désignées par
y1 ; ........; y j ; .......; yl .
12
1.2. GÉNÉRALITÉS ET VOCABULAIRE DE BASE Prof. KUMWIMBA Didier
Tableau statistique
La répartition des N observations, ou distribution conjointe, suivant les modalités de X et Y se présente
sous forme d’un tableau à double entrée, appelée tableau de contingence ou tableau à double entrée
ou tableau croisé ou parfois tableau de corrélation(tableau de k lignes et de l colonnes).
F IGURE 1.3 – Tableau de contingence
— L’effectif ni j désigne le nombre de fois où la modalité xi de la variable X et la modalité y j de
la variableY ont été observées simultanément.
— L’effectif ni. appelé effectif marginal de X, représente le nombre total d’observation de moda-
lité xi de X, quelle que soit la modalité de Y.
l
ni. = ∑ ni j
j=1
— De même, l’effectif n. j appelé effectif marginal de Y, est le nombre total d’observations de la
modalité y j de Y, quelle que soit la modilté de X.
k
n. j = ∑ ni j
i=1
On a évidemment :
k l k l
∑ ∑ ni j = ∑ n. j = ∑ ni.
i=1 j=1 i=1 j=1
La distribution conjointe peut aussi être définie par les fréquences :
ni j
fi j =
N
13