1 Méthode

1.1 5 étapes

  1. Hypothèse
  2. Le tableau de données
  3. La significativité de la relation : existe-t-elle ?
  4. L’intensité
  5. Les écarts au modèle
  6. Explication géographique

1.2 3 combinaisons

1.2.1 deux types de variables

  1. continu (quantitatif)
  2. classe ou catégorie (qualitatif)

Comprendre la différence entre l’histogramme et le graphique à barres, c’est distinguer entre les deux types de variables.

bondy2002 <- read.csv2("data/bondy_2002.csv", fileEncoding = "UTF-8")
chirac <- bondy2002 [bondy2002$nom == "CHIRAC", c("bv", "nb")]
rownames(chirac) <- chirac$bv
par(mfrow = c(2,1))
hist(chirac$nb, main = "fréquence absolue", xlab = "classes", ylab="effectif" )
barplot(chirac$nb, names.arg= chirac$bv,main = "distribution", xlab = "bv", ylab = "nb votes")

1.2.2 Trois méthodes

  • Classe / catégorie -> Khi2

  • Continu -> Régression Correlation

  • Continu et classe / catégorie -> Analyse de variance

2 Application : prendre 2 variables, donner l’hypothèse et la méthode

Pour chaque exemple, justifier le traitement qu’il faudra utiliser et l’hypothèse de départ qu’il faudra mettre en doute.

2.1 exemple de l’exemple

hypothèse : groupe d’étudiants et réussite à l’examen (oui / non).

hypothèse : nombre de questions en cours et notes à l’examen

hypothèse : groupe d’éudiants et notes finales

2.2 En guise d’introduction pour le khi 2

## Warning in read.table("data/exKHI2.csv", sep = ",", row.names = 1, col.names =
## c("oui", : l'entête et 'col.names' sont de longueurs différentes
oui non
groupe1 15 15
groupe2 27 3
groupe3 5 25 
## 
##  Pearson's Chi-squared test
## 
## data:  data
## X-squared = 32.42, df = 2, p-value = 9.124e-08

Il existe un lien entre groupe et résultat, puisque p-value est toute petite.

Certes… mais comment ?













L5GEABIM Analyses bivariées et multivariées