UNIVERSITÉ ZAMBEZE

FACULTÉ DES SCIENCES SOCIALES ET HUMANITAIRES

COURS : ADMINISTRATION PUBLIQUE

CADEIRA: ANÁLISE DE DADOS

TYPES DE VARIABLES
ANALYSE DESCRIPTIVE DES DONNÉES
RELATION ENTRE VARIABLES

Étudiant:
Tomé Sossa

Enseignant :
Dr. Júlio A. Mabuie

Beira
2020
Índice

Introduction.........................................................................................................................................1
1.0. Conceito de Variável.................................................................................................................2
1.1. Types de variables......................................................................................................................2
1.1.1. Variables Quantitatives......................................................................................................2
1.1.2. Variables Qualitatives (ou catégoriques)..................................................................................2
2.0. Analyse descriptive des données.......................................................................................................3
2.1. Mesures de tendance centrale..................................................................................................3
2.1.1. Moyenne Aritmétique Simple......................................................................................................3
2.1.2. Médiane..................................................................................................................................4
2.1.3. Mode :......................................................................................................................................5
2.2. Mesures de variabilité..........................................................................................................5
2.2.1. Amplitude Totale......................................................................................................................6
2.2.2. Écart type.........................................................................................................................6
2.2.3. Coefficient de Variation.........................................................................................................6
2.3. Mesures de position...................................................................................................................7
2.3.1. Percentiles.................................................................................................................................7
2.3.2. Escores Standardisés.............................................................................................................8
3. Relation entre les variables..........................................................................................................................8
Conclusion.......................................................................................................................................10
Références Bibliographiques..............................................................................................................11
Introduction

Dans ce présent travail d'analyse des données, une approche minutieuse est faite sur les types de
variables, analyse descriptive des relations et enfin la relation entre les variables.
Une variable peut être entendue comme toute quantité, qualité, magnitude... d'une
caractéristique qui peut avoir plusieurs valeurs numériques. Ou encore une classification ou une
mesure; une quantité qui varie dans chaque cas ou unité d'étude. Une propriété dans
objet d'étude qui peut être mesuré et énuméré.

Les variables quantitatives sont des caractéristiques qui peuvent être mesurées sur une échelle quantitative,
c'est-à-dire, elles présentent des valeurs numériques qui ont un sens. Elles peuvent être continues ou discrètes

tandis que les Variables Qualitatives (ou catégorielles) sont les caractéristiques qui n'ont pas de valeurs
quantitatifs, mais, au contraire, sont définis par plusieurs catégories, c'est-à-dire représentent une
classification des individus. Ils peuvent être nominaux ou ordinals.

1
1.0. Concept de Variable
Une variable peut être entendue comme toute quantité, qualité, magnitude... d'un
caractéristique qui peut avoir plusieurs valeurs numériques. Ou encore une classification ou une
mesure; une quantité qui varie dans chaque cas ou unité d'étude. Une propriété dans
objet d'étude qui peut être mesuré et énuméré.

1.1. Types de variables

Les variables peuvent être classées de la manière suivante :

1.1.1. Variáveis Quantitativas

Ce sont les caractéristiques qui peuvent être mesurées sur une échelle quantitative, c'est-à-dire qui présentent

valeurs numériques qui ont du sens. Elles peuvent être continues ou discrètes.

Variables discrètes : caractéristiques mesurables qui ne peuvent prendre qu'un nombre

fini ou infini dénombrable de valeurs et, ainsi, n'ont de sens que des valeurs entières.
Généralement, ils sont le résultat de décomptes. Exemples : nombre d'enfants, nombre de
bactéries par litre de lait, nombre de cigarettes fumées par jour.
Variables continues, caractéristiques mesurables prenant des valeurs sur une échelle
continue (dans la droite réelle), pour lesquels les valeurs fractionnaires ont du sens. Habituellement

doivent être mesurés à l'aide d'un instrument. Exemples : poids (balance), taille
(régua), tempo (relógio), pressão arterial, idade.

1.1.2. Variables qualitatives (ou catégorielles)

Ce sont des caractéristiques qui n'ont pas de valeurs quantitatives, mais, au contraire, sont définies par
plusieurs catégories, c'est-à-dire qu'elles représentent une classification des individus. Elles peuvent être nominales ou

ordinaux.

Les variables nominales : il n'existe pas d'ordre entre les catégories. Exemples : sexe, couleur d

olhos, fumante/não fumante, doente/sadio.

2
 Variables ordinales : il existe un classement entre les catégories. Exemples : niveau d'éducati

1o, 2o, 3ostades de la maladie (initial, intermédiaire, terminal), mois d'observation

(Janeiro, Fevereiro,.. Dezembro).

2.0. Analyse descriptive des données

L'Analyse Descriptive est la phase initiale de ce processus d'étude des données collectées. Nous utilisons
méthodes de statistique descriptive pour organiser, résumer et décrire les aspects importants de
un ensemble de caractéristiques observées ou comparer ces caractéristiques entre deux ou plusieurs
ensembles de données.

La description des données a également pour objectif d'identifier des anomalies, même résultantes
de registre incorrect de valeurs, et des données dispersées, celles qui ne suivent pas la tendance générale du
reste de l'ensemble. Les outils descriptifs sont les nombreux types de graphiques et de tableaux et
aussi des mesures de synthèse telles que des pourcentages, des indices et des moyennes.

2.1. Mesures de Tendance Centrale

La tendance centrale de la distribution des fréquences d'une variable dans un ensemble de données est
caractérisée par la valeur typique de cette variable. C'est une manière de résumer l'information
contenue dans les données, car nous choisirons une valeur pour représenter toutes les autres.

Mais, comment identifier la valeur typique d'un ensemble de données ? Il existe trois mesures qui peuvent
peuvent être utilisées pour décrire la tendance centrale d'un ensemble de données : la moyenne, la médiane et la

mode. Nous présenterons ces trois mesures et discuterons de leurs avantages et inconvénients.

2.1.1. Moyenne Arithmétique Simple

La moyenne arithmétique simple (que nous appellerons simplement moyenne) est la mesure de tendance centrale

mais connue et utilisée pour le résumé de données. Cette popularité peut être due à la facilité
de calcul et à l'idée simple qu'elle nous suggère. En effet, si nous voulons une valeur qui représente le
hauteur des Brésiliens adultes, pourquoi ne pas mesurer les hauteurs d'un échantillon de Brésiliens adultes,
sommez les valeurs et divisez ce « gâteau » également entre les participants ? C'est l'idée de la moyenne
arithmétique.

3
2.1.2. Médiane
La médiane d'un ensemble de données est définie comme étant la "valeur du milieu" de cet ensemble de
données, disposées en ordre croissant, laissant la moitié des valeurs au-dessus d'elle et la moitié des
valeurs en dessous d'elle. Comment calculer la médiane ? Il suffit de suivre sa définition. Voyons :

4
2.1.3. Mode :
Une manière alternative de représenter ce qui est "typique" est à travers la valeur la plus fréquente de

variable appel de mode.

5
2.2. Mesures de Variabilité
Les mesures de tendance centrale (moyenne, médiane, mode) parviennent à résumer en une seule
nombre, la valeur qui est "typique" dans l'ensemble de données. Mais, est-ce que, seulement avec ces mesures,
parvenons-nous à décrire correctement ce qui se passe dans un ensemble de données ?

L'objectif des mesures de variabilité est de quantifier ce degré de dispersion. Dans cette section,
apresentaremos três dessas medidas (amplitude total, desvio-padrão e coeficiente de variação),
discutant de ses avantages et inconvénients. Dans de futures discussions, nous présenterons des mesures de
variabilité alternatives.

2.2.1. Amplitude Totale

La mesure de variabilité la plus simple est appelée amplitude totale (AT), qui est la différence
entre la valeur maximale et la valeur minimale d'un ensemble de données

AT = Maximum – Minimum

2.2.2. Écart-Type
Une bonne mesure de dispersion doit prendre en compte tous les valeurs de l'ensemble des données et résumer le

degré de dispersion de ces valeurs autour de la valeur typique. Considérant la moyenne comme la mesure
de tendance centrale, nous pouvons penser à mesurer la dispersion (écart) de chaque valeur de l'ensemble de
données par rapport à elle. La mesure la plus simple de déviation entre deux quantités est la différence

entre elles. Ainsi, pour chaque valeur Xi, nous aurons son écart par rapport au
X́ représenté par (Xi -
X́).
Pour supprimer ce problème, nous avons extrait la racine carrée de la variance et, enfin, nous avons notre
medida de variabilidade, que chamaremos desvio-padrão (DP).

6
2.2.3. Coefficient de Variation
En analysant le degré de dispersion d'un ensemble de données, nous pourrons nous retrouver face à un
Une écart-type de 10 unités est-elle petite ou grande?

Vejamos:

Si nous travaillons avec un ensemble de données dont la moyenne est de 10 000, un écart
typique de 10 unités autour de cette moyenne signifie peu de dispersion;
oMas, si la moyenne est égale à 100, un écart type de 10 unités autour de cette moyenne
Cela signifie beaucoup de dispersion.

Ainsi, avant de répondre si un écart-type de 10 unités est grand ou petit, nous devons
évaluer sa magnitude par rapport à la moyenne :

Dans le premier cas, l'écart-type correspond à 0,1 % de la moyenne :

Dans le second cas, l'écart-type correspond à 10 % de la moyenne :

À cette raison entre l'écart-type et la moyenne, nous donnons le nom de Coefficient de Variation :

7
2.3. Medidas de Posição
Lorsque nous parlons de la position ou du placement d'un individu dans une course ou dans un test comme

Lors du Vestibulaire, nous faisons souvent référence à votre rang, comme 1er, 2e, 3e, 29e ou dernier.

Les deux mesures de position que nous allons voir ici, les percentiles et les scores standardisés,
nous résolvons ce problème et d'autres problèmes de positionnement (classement). La position d'un individu sur

un ensemble de données est montré, par percentile, en comptant (en pourcentage) combien d'individus
du groupe a des valeurs inférieures à celles de cet individu. Le score standardisé montre la position
de l'individu par rapport à la moyenne de tous les individus de l'ensemble de données, en tenant compte de

également la variabilité de telles mesures.

2.3.1. Percentiles
Le percentile d'ordre K (où k est n'importe quelle valeur entre 0 et 100), noté Pk, est la valeur telle
que K% des valeurs de l'ensemble de données sont inférieures ou égales à lui.
Ainsi, le percentile d'ordre 10, le P10, c'est la valeur de la variable telle que 10 % des valeurs sont inférieures
ou égaux à lui ; le percentile d'ordre 65 laisse 65 % des données inférieures ou égales à lui, etc.

Les percentiles d'ordre 10, 20, 30,... 90 divisent l'ensemble des données en dix parties de même
nombre d'observations et sont appelés décis. Les percentiles d'ordre 25, 50 et 75 divisent le
ensemble de données en quatre parties avec le même nombre d'observations. Ainsi, ces trois
les percentiles reçoivent le nom de quartiles – premier quartile (Q1), deuxième quartile (Q2) et troisième
quartile (Q3), respectivement. Le deuxième quartile est la déjà connue médiane.

2.3.2. Scores standardisés

Les scores standardisés sont des mesures qui, calculées pour chaque observation de l'ensemble de
Les données nous permettent de faire des comparaisons entre des valeurs de variables mesurées sur des échelles différentes.

3. Relation entre variables

En probabilité et en statistiques, la corrélation, la dépendance ou l'association est toute relation
statistique (causale ou non causale) entre deux variables et corrélation est toute relation au sein de
une large classe de relations statistiques impliquant une dépendance entre deux variables.

8
Dans diverses enquêtes, il est souhaitable d'évaluer la relation entre deux mesures quantitatives. Par
exemple, les hauteurs des enfants sont-elles liées aux hauteurs de leurs parents ? Processus de plage
conditionnent-ils l'inclinaison de la zone post-plage en dessous de la ligne de marée basse ? Autrement dit, l'angle de

l'inclinaison du fond océanique située juste après la ligne de marée basse à Estirâncio est
lié au diamètre moyen (en) du sédiment du fond océanique ?

Trois objectifs principaux de telles enquêtes peuvent être :

Pour vérifier si les valeurs sont associées. (Les valeurs d'une mesure tendent à croître
(ou decrescer) à mesure que l'autre grandit?)
Pour prédire la valeur d'une variable à partir d'une valeur connue de l'autre.
Pour décrire la relation entre les variables. (Étant donné une augmentation spécifique d'une variable,

quel est la croissance moyenne attendue pour la deuxième variable ?

L'association linéaire entre deux variables est évaluée à l'aide de la corrélation. Pour prédire la valeur de

une variable continue à partir d'une autre variable et pour décrire la relation entre deux
les variables utilisées dans la régression.

La première étape dans l'un ou l'autre des cas est de produire un graphique de points des données pour
obtenir une idée de la forme et du degré d'association entre deux variables.

9
Même avec seulement 18 observations, nous pouvons voir qu'il semble y avoir une certaine association entre

angle d'inclinaison du fond océanique et diamètre moyen des sédiments.

10
Conclusion
Terminé le travail d'analyse des données, nous en sommes arrivés à la conclusion que la variable est la caractéristique.

de l'intérêt qui est mesuré dans chaque élément de l'échantillon ou de la population. Comme son nom l'indique, ses

les valeurs varient d'un élément à l'autre. Les variables peuvent avoir des valeurs numériques ou non.

numériques.

Une variable peut être classifiée en deux types : Quantitative : ses valeurs sont données en
nombres (âge, poids, nº d'enfants) et Qualitatif : leurs valeurs ne sont pas numériques, mais plutôt
certaines caractéristiques (sexe, couleur des yeux, race). Parmi les variables quantitatives
nous pouvons les diviser en continues ou discrètes. Variables quantitatives continues : variable qui
peut prendre n'importe quelle valeur (entiers et fractions) dans un intervalle; Variables
quantitatives discrètes : variable qui prend généralement des valeurs entières.

Il existe des niveaux croissants de mesure. Les opérations admissibles pour un ensemble numérique
Les données expérimentales dépendent du niveau ou de l'échelle de mesure atteinte par un tel ensemble.
que, em ordem crescente são apresentados a seguir: Escala nominal: Quando classes ou símbolos
sont utilisés pour identifier les groupes auxquels plusieurs objets appartiennent, ces classes, ne
ordonnées, constituent une échelle nominale. Échelle ordinale : Lorsque, en plus de classer les
unités selon les classes, la mesure permet de classer ces classes par rapport à
le degré de classification de la variable atteint le niveau suivant de mesure appelé échelle
ordinal

11
Références bibliographiques

oBUSSAB, WO; MORETTIN, PA. Statistique de base. São Paulo : Éditeur Saraiva, 5ème

Édition. 2006.
oMORETTIN, LG. Statistique de base : probabilité et inférence. São Paulo : Pearson,
2010.
oNAVIDI, W. Probabilité et statistiques pour les sciences exactes. Porto Alegre : Bookman,
2012.
oSPIEGEL, MR; SCHILLER, J; Srinivasan, A. Probabilité et statistique. Porto Alegre :
Bookman, 2013.
oFREUND J. E. et SIMON, G.A. Statistique Appliquée – Économie, Administration et
Comptabilité.9unÉdition, Bookman, 404 pg, ISBN 85-7307-531-7. 2000
oTRIOLA, M. F. Introdução à Estatística (tradução). 7a edição, Editora LTC, 410 pg,
ISBN 85-216-1154-4. 1999.
oZEISEL, H. (1985) Dites-le avec des chiffres. 6 un
edição, Harper & Row Publishers, 272 pg,
ISBN 0-06-181982-4. 1985.

12