IV/ REPRESENTATION DES DONNES

La première phase de l’analyse est la collecte des données (phase Collecte des données)

Ensuite, vient la phase de traitement et d’analyse de données (calcul, représentation,

inférence, prédiction, loi d’évolution, etc)

a- Représentation Sous Forme De Nuage De Points

Ils s’agit des représentations des données sur un axe ou un repère.Si les données sont sous forme
de couple, triplet etc., leur représentation se fait sur un repère dimensionnel, tridimensionnel.

b- Représentation Sous Forme De Diagramme Circulaire

(Secteur)
Le degré d’un secteur est déterminé à l’aide de la règle de trois de la manière suivante :
N → 360◦ ni → di (degré de la modalité i).

Exemple : On dispose de 10 billes rouges(V), 42 billes bleues (B), de

11 billes mauves (L), de 14 billes bleu –clair (E), de 7 billes jaunes (D),
de 9 billes vert clair(A) et de 7 billes grises (C)
Représenter les données sous forme circulaire.
 Tracé de diagramme en Pie
Exemple 0000
X = [1 3 0.5 2.5 2];
pie(X)
example :

X = [1 3 0.5 2.5 2];

pie3(X)
exemple :
d = [1 2 3 2.5];
pie3(d, [1 0 1 0],{'Label 1', 'Label 2', 'Label 3', 'Label 4'})
title('Pie Chart showing explosions...')

exemple:

d = [1 2 3 2.5];
pie3(d,{'Label 1', 'Label 2', 'Label 3', 'Label 4'})
title('Pie Chart showing explosions...')

exemple:

Lorsque la somme des éléments du premier argument d'entrée est inférieure à 1, pie et pie3 ne
normalisent pas les éléments du vecteur x. Ils dessinent une tarte partielle

x = [.19 .22 .41];

pie(x)

exemple:

Examples
Décalez une tranche dans le graphique à secteurs en définissant l'élément d'explosion correspondant
sur 1:

x = [1 3 0.5 2.5 2]

explode = [0 1 0 0 0]

pie3(x,explode)

colormap hsv

Exemple:

1. Pie(X)

pie(X, labels): pie(X, explode):

pie(X, explode, labels):

pie(ax,..)

2. Pie3(X)

pie3(X, explode): Cette fonction est utilisée pour exploser ou séparer la tranche du centre du
graphique

c- Représentation Sous Forme D’histogramme

Pour un nombre élevé de mesures, d’observation, ou s'il y a plusieurs valeurs identiques, on
regroupe parfois les valeurs de la série statistique étudiée en classes. Une distribution de
fréquences est un tableau des fréquences associées à ces classes.
Un histogramme est une représentation graphique dans laquelle les rectangles représentés ont
des largeurs proportionnelles aux amplitudes des classes et des aires proportionnelles aux
fréquences de ces classes. L'histogramme permet de visualiser rapidement des données.
Pour une représentation correcte d'un histogramme, il faut surtout éviter d'utiliser un nombre
de classes mal adapté. Des règles régissent la construction des histogrammes.
Le choix des classes, soit leur nombre et leurs largeurs, n'est pas univoque. Il convient pour
les déterminer de prendre en compte à la fois la nature de la distribution et le nombre de
points de données. Souvent, dans le cadre d’une analyse de ce type, on utilise des classes de
largeur identique.

On pourra trouver dans la littérature de nombreuses suggestions de choix pour le nombre de

classe. Citons par exemple :

Exemple : Soit la masse d’une préparation culinaire avant conditionnement. Le calcul

d'amplitude de classe donne hth = 0,014 kg. La résolution de la balance utilisée est de
0,001 kg. On arrondit la valeur h à 0,015 kg.

Les classes peuvent être du type [limite inférieure ; limite supérieure[ ou ] limite inférieure ; limite
supérieure
Histogramme bimodal :

Il révèle une population hétérogène composé d'un mélange de plusieurs populations.

Ainsi on peut déceler dans une production livrée un mélange de 2 lots. Dans l'exemple
précédent un facteur expérimental non contrôlé pouvant prendre deux valeurs (par
exemple deux lots de matière première) entraîne deux "populations de pH".
0,547 0,563 0,532 0,521 0,514 0,547 0,578 0,532 0,552 0,526 0,534 0,560 0,502 0,503 0,516 0,565
0,532 0,574 0,521 0,523 0,542 0,539 0,543 0,548 0,565 0,569 0,574 0,596 0,547 0,578 0,532 0,552
0,554 0,596 0,529 0,555 0,559 0,503 0,499 0,526 0,551 0,589 0,588 0,568 0,564 0,568 0,556 0,523
0,526 0,579 0,551 0,584 0,551 0,512 0,536 0,567 0,512 0,553 0,534 0,559 0,498 0,567 0,589 0,579

Histogramme bimodal :

il révèle une population hétérogène composé d'un mélange de plusieurs populations

Exercice : On donne les valeurs de marge de puissance en dB d’un Canal :

4,62 4,45 5,08 4,83 4,74 4,68 4,74 4,59 4,77 4,67 5,08 4,79 5,03 5,20 4,74 4,96 4,47 4,60 4,72 4,80
4,43 4,81 4,73 4,83 4,96 4,97 4,88 4,68 4,75 4,79 4,57 4,98 4,84 4,43 4,35 5,11 4,68 4,30 5,20 4,92
4,55 4,91 5,17 4,61 4,56 5,00 4,63 4,71 4,84 5,07 4,88 4,70 4,63 4,85 4,90 4,53 4,67 4,79 4,69 4,43

La précision de la mesure est de 0,12.

1- Calculer L'intervalle de classe h.

2- Donner la limite inferieures de la première classe

3- Donner le tableau des classes et des effectifs.

4- Représenter les histogrammes sous Matlab

5- Donner la moyenne, l’écart type et la variance sous Matlab

6- Ecrire un script Matlab qui répond dans un seul programme aux 5 questions ci-
dessus. Commenter

Exercice 5 : On donne le script suivant en Matlab ou x désigne l’âge et y les pulsions

cardiaques d’une population cible donnée.
x=20:5:70
y=[150 146 142 139 135 131 127 124 120 116 112]
plot(x,y,'*') % trace de la courbe âge en fonction des pulsions cardiaques
a1=polyfit(x,y,1)
% a1= -0.7527 164.9636
% on trouve un polynôme qui décrit la variation de x en fonction de y c’est
un polynôme de degré 1. Interpolation linéaire par ce polynôme de degré 1
hold on
xi=20 :0.5 :70
yi=polyval(a1,xi);
plot(xi,yi,'c')
x1= linspace(20,0.1,70)
y2=polyval(a1,x);
erro= ((y-y2)./y).*100 ;
mean(abs(erro)) ;
%disp(‘[les pourcentage d’erreur est de :’,num2str(mean(abs(erro))])
disp(['les pourcentage d’erreur est de vaut ', num2str(mean(abs(erro)))])
xlabel('Age (années)')
ylabel('pulsions cardiaque')
1- Commenter toutes lignes du programme qui ne le sont pas.
2- Faire une interpolation avec un polynôme de degré 2. Quelle est la meilleure entre
l’interpolation avec un polynôme de degré 1 et 2 dans notre cas ? expliquer
3- Retrouver les paramètres de la fonction d’interpolation de degré 1 en calculant les différents
coefficients ( y= ax+b). comparer avec ce qui est trouvé avec Matlab

Histogramme, histogramme normalisé et probabilité :

Exemple 000 : histogramme simple effectif

clear all

D=[0.22, -0.87, -2.39, -1.79, 0.37, -1.54, 1.28, -0.31, -0.74, 1.72, 0.38, -0.17, -0.62, -1.10, 0.30, 0.15,
2.30, 0.19, -0.50, -0.09, -5.13, -2.19, -2.43, -3.83, 0.50, -3.25, 4.32, 1.63, 5.18, -0.43, 7.11, 4.87, -3.10,
-5.81, 3.76, 6.31, 2.58, 0.07, 5.76, 3.50] ;

h = hist(D,10);

bar(h)

Exemple 00 : histogramme normalisé

Dans le même registre on peut aussi réaliser des histogrammes.

On peut aussi normaliser l’histogramme grâce à l’astuce suivante :

clear all

D=[0.22, -0.87, -2.39, -1.79, 0.37, -1.54, 1.28, -0.31, -0.74, 1.72, 0.38, -0.17, -0.62, -1.10, 0.30, 0.15,
2.30, 0.19, -0.50, -0.09, -5.13, -2.19, -2.43, -3.83, 0.50, -3.25, 4.32, 1.63, 5.18, -0.43, 7.11, 4.87, -3.10,
-5.81, 3.76, 6.31, 2.58, 0.07, 5.76, 3.50] ;

h = hist(D,10);

bar(h)

h1= h/sum(h); bar(h1)

Exemple 0 : nommer les classe des histogrammes sur la figure

Exemple:bar(x,y):

yr = [1988:1994];
sle = [8 12 20 22 18 24 27];
bar(yr,sle);xlabel('années');
ylabel('Salaires (Milliers FCFA)');

hist(y,C) dessine l'histogramme pour les valeurs du vecteur y reparties en C classes si C

est un scalaire, ou sur les classes centrees sur les valeurs du vecteur C si C est un vecteur.
Par defaut, C vaut 10.
[N,C]=hist(y,C) ne dessine pas d'histogramme mais retoure les vecteurs N et C ou C
est le vecteur des milieux des classes et N est le nombre de valeurs de y appartenant à
chaque classe. L'histogramme s'obtient par bar(C,N)
histfit(counts_Rb,1000);

histfit(data,nbins,dist)

histfit(data,nbins) plots a histogram using nbins bins and fits a normal density function.

histfit(data) plots a histogram of values in data using the number of bins equal to the
square root of the number of elements in data and fits a normal density function
histfit(b,10,'beta')

Exemple1 :

D=[0.22, -0.87, -2.39, -1.79, 0.37, -1.54, 1.28, -0.31, -0.74, 1.72, 0.38, -0.17, -0.62, -1.10, 0.30, 0.15,
2.30, 0.19, -0.50, -0.09, -5.13, -2.19, -2.43, -3.83, 0.50, -3.25, 4.32, 1.63, 5.18, -0.43, 7.11, 4.87, -3.10,
-5.81, 3.76, 6.31, 2.58, 0.07, 5.76, 3.50] ;
sle = [8 12 20 22 18 24 27];

histfit(D)

xlabel('années');

ylabel('Salaires (Milliers FCFA)');

Exemple2 :

V=[0.124792891,0.131995576,0.14588105,0.110325442,0.1
10204967,0.111198685,0.108451674,0.103439806,0.103150
424,0.111380701,0.115013709,0.128769203,0.176868164,0
.128189753,0.124400691,0.122514305,0.118778017,0.1108
54668,0.110148764,0.10635941,0.111952641,0.113929139,
0.116171639,0.122230931,0.120745009,0.118440998,0.132
83739,0.115033217,0.112146408,0.108916135,0.101335401
,0.105153682,0.108029346,0.110923567,0.111829571,0.11
9182132,0.145998086,0.121986009,0.125141216,0.1107339
99,0.118644059,0.111706771,0.10635941,0.10719098,0.11
3210498,0.10855618,0.115373598,0.118243579,0.14270417
5,0.122090688,0.120757336,0.12276743,0.110737735,0.10
9659684,0.108819665,0.111433165,0.10997586,0.11882283
,0.116526541,0.124893397,0.127829735,0.119629368,0.12
0456771,0.123957306,0.117058601,0.116215966,0.1112366
22,0.107703491,0.110693874,0.112066722,0.123356058,0.
118199339,0.127933425,0.12141412,0.130744437,0.117649
535,0.121477624,0.112738501,0.111947343,0.111236622,0
.113030745,0.112747873,0.119258699,0.114883691,0.1252
90411,0.125203286,0.11434225,0.112857821,0.111511952,
0.112613699,0.111748984,0.113030745,0.110814456,0.114
549802,0.112447641,0.128245507,0.135216281,0.13134913
3,0.133286432,0.11468734,0.114011497,0.112282197,0.11
1354488,0.111275802,0.113493166,0.11202686,0.11361992
7,0.117582358,0.122073253,0.13042009,0.112707525,0.11
5731138,0.112655227,0.11378934,0.112988939,0.11397023
9,0.113662201,0.112613699,0.113619927,0.122325734];
hp=hist(V,11);ylabel('frequences');
xlabel('coefficient of extinction in Km-1');
histfit(V,13,'lognormal')

Exemple 3 :

yr = [2003:2014];
moyennesdesvisibilite1550min =
[0.330429,0.266952,0.403887,0.145533,0.155785,0.13315
1,0.121538,0.129755,0.130253,
0.139928,0.144911,0.219546];

% mettre moyenne annuelle reelles des visibilités

bar(yr, moyennesdesvisibilite1550min);xlabel('Year');
ylabel('coefficient of extinction in Km-1');
%plot(yr, moyennesdesvisibilite, 'b')
set(gca, 'XTick',2003:2014, 'XTickLabel',{'Jan' 'Fev'
'Mar' 'Apr' 'May' 'June' 'July' 'Aug' 'Sept' 'Oct'
'Nov' 'Dec'})
hold on
%plot(yr, moyennesdesvisibilite1, 'r')
moyennesdesvisibilite1550mean
=[0.162659688,0.152386325,0.152972769,0.1420738,0.139
83446,0.136615098,0.133409724,0.132967667,0.135089374
,0.137520303,0.141091844,0.148002233
];
bar(yr, moyennesdesvisibilite1550mean, 'r')
set(gca, 'XTick',2003:2014, 'XTickLabel',{'Jan' 'Fev'
'Mar' 'Apr' 'May' 'June' 'July' 'Aug' 'Sept' 'Oct'
'Nov' 'Dec'})

%plot(yr, moyennesdesvisibilite1, 'r')

moyennesdesvisibilite1550max
=[0.107648,0.104122,0.104122,0.104016,0.101626,0.1002
24,0.093414,0.097534,0.098478,0.098383,0.104551,0.106
633];
bar(yr, moyennesdesvisibilite1550max, 'y')
set(gca, 'XTick',2003:2014, 'XTickLabel',{'Jan' 'Fev'
'Mar' 'Apr' 'May' 'June' 'July' 'Aug' 'Sept' 'Oct'
'Nov' 'Dec'})
hold off;
title(' Extinction coefficients at 1550 nm
associated to visibility measurement From 2004-2014')
legend ('Extinction with min visibility ',
'Extinction with mean visibility ',' Extinction with
max visibility ')

Exemple 4

V1300=[0.152269862,0.161058439,0.178001225,0.13461696
3,0.134469961,0.135682476,0.132330627,0.126215243,0.1
25862145,0.13590457,0.140337495,0.157121681,0.2158111
,0.156414648,0.151791309,0.149489576,0.14493063,0.135
262713,0.134401383,0.129777687,0.136602439,0.13901412
4,0.141750378,0.149143809,0.147330716,0.144519406,0.1
62085604,0.140361299,0.13683887,0.132897354,0.1236474
89,0.128306482,0.131815311,0.135346783,0.136452271,0.
145423723,0.17814403,0.14884496,0.152694883,0.1351154
75,0.144767177,0.136302434,0.129777687,0.130792353,0.
138137252,0.132458143,0.140776624,0.144278519,0.17412
4864,0.148972687,0.147345757,0.149798434,0.135120035,
0.133804618,0.132779643,0.135968584,0.134190409,0.144
98531,0.142183423,0.152392498,0.155975361,0.145969432
,0.146979013,0.151250298,0.142832633,0.141804466,0.13
5728766,0.131417708,0.135066516,0.136741638,0.1505166
67,0.144224539,0.156101882,0.148147152,0.159531824,0.
143553678,0.148224638,0.137561331,0.136595975,0.13572
8766,0.13791792,0.137572766,0.145517149,0.140178849,0
.152876928,0.152770619,0.139518194,0.137706923,0.1360
64719,0.137409049,0.136353941,0.13791792,0.135213647,
0.139771445,0.137206429,0.156482677,0.164988281,0.160
269662,0.162633517,0.139939265,0.139114615,0.13700455
7,0.135872585,0.135776573,0.138482158,0.136692999,0.1
38636829,0.14347171,0.148951414,0.159136062,0.1375235
33,0.141212888,0.137459721,0.138843544,0.13786691,0.1
39064273,0.138688411,0.137409049,0.138636829,0.149259
485];
hp=hist(V1300,11);ylabel('frequences');
xlabel('coefficient of extinction in Km-1');
histfit(V1300,13,'lognormal')

moy =mean(V1300);
etype = std(V1300);
hold on;
plot (V1300, moy*exp(moy-etype)/etype);