Aller au contenu principal
📈 L2 • Data / Économétrie avancée Disponible

Construire une représentation fidèle des données économiques

Sémiologie graphique, choix des graphiques, matplotlib, ggplot2, dataviz, dashboards et storytelling.

1 QCM disponible 20 Questions dans les QCM

Banque publiée de la matière : 20 questions au total. Les compteurs ci-dessus concernent les QCM listés sur cette page. Explorer aussi les fiches notions et leurs entraînements.

Commencer à réviser

Choisis un QCM et tes scores s'enregistreront automatiquement.

← Toutes les matières L2
🤖 Auto Disponible

QCM visualisation-donnees L2 - Choix des graphiques, échelles et couleurs

QCM de 20 questions avec corrections détaillées sur Choix des graphiques, échelles et couleurs (visualisation-donnees). Révisez efficacement avec des explications pédagogiques pour le niveau L2.

20 questions Intermédiaire Jusqu'à 40 XP
Révision Challenge Examen
Voir ce QCM

Présentation de Visualisation de données

La Visualisation de données en Licence 2 enseigne la communication visuelle de l'information quantitative : sémiologie graphique de Bertin, choix du type de graphique selon les données, principes de Tufte (data-ink ratio), réalisation avec matplotlib/seaborn (Python) et ggplot2 (R), tableaux de bord interactifs et data storytelling. Compétence transversale essentielle du data scientist.

Objectifs pédagogiques

Maîtriser les principes et les outils de la visualisation de données : choisir la représentation adaptée à chaque type de variable, respecter les règles de perception et de lisibilité, et concevoir des graphiques et tableaux de bord qui communiquent efficacement un message analytique.

Auteurs de référence en Visualisation de données

Les penseurs et théoriciens incontournables abordés dans nos QCM et dans les programmes universitaires.

Edward Tufte Leland Wilkinson Hadley Wickham Cole Nussbaumer Knaflic

Notions et périmètre de Visualisation de données en Licence 2

Repères de cours pour situer la matière. Le contenu de chaque questionnaire est précisé sur sa page ; confrontez ce périmètre à votre propre cours.

Grammaire des graphiques (Wilkinson, ggplot2)
Types de graphiques et choix selon les données
Principes de perception visuelle et préattentif
Couleurs, échelles et accessibilité
Visualisation de séries temporelles et de données spatiales
Tableaux de bord interactifs (dashboards)
Storytelling et éthique de la dataviz

Compétences visées en Visualisation de données

  • Choisir un encodage adapté à la question statistique.
  • Calculer les hauteurs d’un histogramme à classes inégales.
  • Diagnostiquer les comparaisons visuelles trompeuses.
  • Concevoir un tableau de bord accessible et documenté.

Partir de la question, pas du logiciel

Un graphique est une transformation des données en positions, longueurs, surfaces ou couleurs. Avant de choisir sa forme, il faut déterminer ce que le lecteur doit comparer : des catégories, une distribution, une évolution ou une relation entre mesures. Une table de dépenses peut ainsi produire un classement des régions, une distribution des ménages ou une courbe annuelle. Ces représentations ne répondent pas à la même question et ne supposent pas la même unité statistique. Écrire cette unité dans le projet graphique évite de confondre une moyenne régionale avec une observation individuelle.

La grammaire des graphiques distingue données, correspondances esthétiques, objets géométriques, transformations statistiques et systèmes de coordonnées. Dans un nuage, chaque couple revenu-consommation est associé à une position ; dans un histogramme, les observations sont d’abord regroupées en classes. La transformation peut donc changer la quantité représentée. Un graphique pertinent doit permettre de retrouver ce calcul, son dénominateur et son périmètre. Une annotation claire est généralement plus informative qu’un effet tridimensionnel, qui ajoute de la perspective sans ajouter de variable utile.

Distribuer, comparer et relier les observations

Pour une variable qualitative, des barres séparées matérialisent des catégories sans continuité numérique. Leur hauteur indique un effectif ou une proportion, et leur origine doit normalement être zéro puisque la longueur porte le message. Pour une variable quantitative continue, un histogramme représente des intervalles adjacents. Son aspect dépend du choix des bornes : un découpage trop fin révèle surtout le bruit, tandis qu’un découpage trop grossier masque des groupes. Comparer plusieurs largeurs constitue donc une vérification analytique, non une recherche opportuniste du dessin le plus spectaculaire.

Une boîte à moustaches synthétise médiane et dispersion mais cache parfois une bimodalité. Un nuage de points conserve au contraire les couples de valeurs et permet de repérer courbure, groupes et observations isolées. Lorsque les points se superposent, transparence, petits panneaux ou agrégation hexagonale peuvent aider ; chacun modifie cependant la lecture des effectifs. Une droite ajustée résume une tendance conditionnelle, pas nécessairement un mécanisme causal. Relier les points dans leur ordre de saisie serait trompeur si cet ordre ne correspond ni au temps ni à une progression substantielle.

Choisir des échelles qui respectent les rapports

Sur une échelle linéaire, une même distance correspond à une même différence. Sur une échelle logarithmique, elle correspond à un même rapport : les passages de 10 à 100 et de 100 à 1 000 occupent la même distance. Le logarithme ordinaire exige des valeurs strictement positives. Ajouter arbitrairement une constante pour inclure les zéros change les rapports représentés ; cette décision doit être explicitée et justifiée. Dans une série économique, préciser également si les euros sont courants ou corrigés de l’évolution des prix.

La troncature d’un axe de barres transforme fortement les rapports apparents. Pour une courbe dont la position, et non la longueur depuis zéro, est le support principal, une origine différente peut être utile si elle est clairement signalée. Deux panneaux destinés à comparer des niveaux doivent partager une échelle ; des échelles libres servent plutôt à comparer des formes et doivent être annoncées. Les doubles axes verticaux sont particulièrement risqués : leurs bornes peuvent fabriquer visuellement une coïncidence entre deux séries sans modifier aucune observation.

Couleurs, cartes et incertitude

Une palette qualitative distingue des groupes sans les ordonner. Une palette séquentielle traduit une intensité croissante ; une palette divergente convient à des écarts autour d’une référence substantielle, comme zéro pour un solde. La couleur des valeurs manquantes doit rester distincte de celle des valeurs faibles. Une carte régionale gagne souvent à représenter un taux plutôt qu’un effectif brut, faute de quoi la taille démographique explique une grande part des contrastes. Le dénominateur du taux appartient alors à la légende ou à la note méthodologique.

La couleur ne doit jamais être le seul canal portant une information essentielle : formes, étiquettes et contrastes suffisants facilitent la lecture, notamment en cas de déficience de perception des couleurs. Les intervalles d’incertitude doivent indiquer leur nature : dispersion des individus, intervalle de confiance d’une moyenne ou intervalle de prévision. Ces bandes ne sont pas interchangeables. Montrer seulement une moyenne précise sur un groupe minuscule masque sa fragilité ; afficher les tailles des groupes et les exclusions permet au lecteur de juger la portée du contraste.

Exemple calculé : un histogramme de durées

Une enquête fictive observe 100 déplacements. Quarante durent entre 0 et 10 minutes, et soixante entre 10 et 30 minutes. Les intervalles sont fermés à gauche et ouverts à droite, sauf convention spécifique pour la dernière borne. Les fréquences sont 0,40 et 0,60, mais les largeurs valent 10 et 20 minutes. Pour que les aires représentent les fréquences, la hauteur de la classe j doit être $h_j=f_j/a_j$, où f désigne sa fréquence et a sa largeur.

Les hauteurs correctes sont donc 0,40/10 = 0,04 par minute et 0,60/20 = 0,03 par minute. Les aires obtenues, 10 × 0,04 = 0,40 et 20 × 0,03 = 0,60, totalisent bien un. La seconde classe contient davantage de déplacements, mais sa densité moyenne est plus faible. Utiliser directement 40 et 60 comme hauteurs ferait dépendre les aires à la fois des effectifs et des largeurs et exagérerait sa place.

Cette représentation ne permet pas de connaître la distribution à l’intérieur de chaque intervalle. On ne peut donc pas affirmer que les trajets de cinq minutes sont plus fréquents que ceux de quinze minutes. Pour comparer une deuxième enquête de taille différente, on conserve les mêmes bornes et la normalisation en densité, puis on indique les effectifs totaux. La comparabilité graphique ne dispense pas de vérifier que les modes de collecte et les populations couvertes sont semblables.

Méthode : auditer un graphique avant diffusion

Commencer par rédiger une phrase factuelle correspondant au message attendu, puis vérifier chaque élément de cette phrase dans la table source. Contrôler les doublons, les unités, les filtres actifs et les dénominateurs. Dessiner ensuite une version simple avec un titre informatif, des axes nommés et une note sur la provenance. Comparer la figure à un petit tableau numérique : si les classements ou les rapports paraissent contradictoires, rechercher un problème d’échelle, de surface ou d’agrégation plutôt qu’une erreur du lecteur.

Dans un tableau de bord, préciser la période de référence et montrer les filtres appliqués pour que deux utilisateurs puissent reproduire la même vue. Tester la lisibilité sur petit écran et sans couleur. Conserver un accès aux valeurs exactes, aux définitions et aux données manquantes. Enfin, distinguer l’exploration, qui peut multiplier les vues, de la communication finale, qui doit sélectionner sans dissimuler les résultats contradictoires. Une visualisation honnête réduit la charge de lecture sans effacer les limites de la mesure.

Questions de cours

Un histogramme doit-il toujours utiliser des densités ?

Les densités sont indispensables lorsque les classes ont des largeurs différentes et que les aires doivent représenter des fréquences. Avec des largeurs identiques, des hauteurs en effectifs peuvent convenir si l’axe est explicite.

Peut-on commencer un axe au-dessus de zéro ?

Pour des barres, cela déforme généralement la comparaison des longueurs. Pour des courbes ou des points, un domaine resserré peut être utile si les bornes restent visibles et si le message concerne des écarts plutôt que des rapports.

Une couleur grise signifie-t-elle zéro ?

Seulement si la légende le dit. Il est préférable de réserver un code spécifique aux données absentes et de ne pas les confondre avec une valeur numérique nulle.

Pourquoi afficher les effectifs avec les moyennes ?

Les moyennes peuvent reposer sur des groupes très différents en taille et en précision. Les effectifs et les intervalles appropriés rendent cette différence visible.

Bibliographie recommandée en Visualisation de données

Ouvrages de référence utilisés dans les universités françaises pour Licence 2

The Visual Display of Quantitative Information

• Graphics Press •

ISBN : 978-1930824133

Storytelling with Data

• Wiley •

ISBN : 978-1119002253

ggplot2: Elegant Graphics for Data Analysis

• Springer •

ISBN : 978-3319242750

Ces lectures éclairent le périmètre traité. Le contenu est à confronter au cours de votre établissement ; il ne constitue pas un programme officiel.

Comment réviser Visualisation de données efficacement ?

Relire le cours

Commencez par relire vos notes et le manuel de référence pour rafraîchir les concepts clés.

Mode Révision

Utilisez le mode Révision avec les indices et corrections détaillées pour tester vos connaissances.

Mode Examen

Une fois prêt, passez en mode Examen pour vous évaluer dans les conditions réelles.