PRÉLIMINAIRES

I. Objectifs Pédagogiques et Compétences Visées

Acquisition d’une maîtrise opératoire des outils de la statistique descriptive univariée et bivariée. L’étudiant sera capable de structurer, synthétiser et visualiser des données brutes pour en extraire une information pertinente et actionnable. Cette compétence fondamentale est le socle de toute analyse économique rigoureuse, permettant de passer de l’observation empirique à la modélisation et à l’aide à la décision stratégique dans un contexte d’incertitude.

II. Positionnement de l’Unité d’Enseignement

Fondement méthodologique indispensable du cursus en sciences économiques et de gestion, cette UE arme l’étudiant pour quantifier les phénomènes socio-économiques. Elle constitue la première étape avant l’abord de la statistique inférentielle et de l’économétrie. Sa maîtrise conditionne la capacité à produire des diagnostics fiables, que ce soit pour l’analyse de la performance d’une entreprise, l’étude d’un marché local ou l’évaluation d’une politique publique en RDC.

III. Méthodologie d’Enseignement et Modalités d’Évaluation

Une approche pédagogique hybride est privilégiée, combinant cours magistraux pour l’assise théorique, travaux dirigés pour l’ancrage méthodologique et travaux pratiques sur logiciels (Excel, SPSS/PSP) pour le développement de compétences techniques. L’évaluation est conçue pour mesurer la capacité de l’étudiant à résoudre un problème concret : analyse de données réelles, interprétation critique des résultats et production d’un rapport de synthèse, simulant les livrables attendus en milieu professionnel.

IV. Ancrage Socio-Économique et Pertinence pour la RDC

Chaque concept statistique est systématiquement illustré par des cas d’application concrets tirés du tissu économique congolais. L’analyse des données de consommation des ménages à Kinshasa, l’étude de la variabilité des prix des matières premières à Lubumbashi, ou la segmentation des clients d’une banque à Goma sont autant de contextes qui démontrent l’utilité directe de l’UE pour répondre aux défis de développement et de compétitivité du pays.

PARTIE 1 : Statistique descriptive

Chapitre I. Introduction aux Concepts Fondamentaux

I.1 Définition et Positionnement de la Statistique

Science de la collecte, de l’organisation et de l’interprétation de données, la statistique est l’outil cardinal de la connaissance en économie et gestion. Elle transforme des ensembles de chiffres bruts en informations structurées pour la prise de décision. Cette section ancre la discipline non comme une branche des mathématiques, mais comme une méthodologie de raisonnement face à la complexité des phénomènes économiques, particulièrement pertinente dans le contexte informationnel souvent parcellaire de la RDC.

I.2 Vocabulaire Essentiel : Population, Individu, Échantillon

Une maîtrise rigoureuse du vocabulaire de base est la condition sine qua non de toute analyse statistique. Cette partie définit avec précision les concepts de population-mère, d’individu (ou unité statistique) et d’échantillon. La distinction est cruciale pour comprendre la portée et les limites d’une étude, par exemple lors de l’analyse d’un sondage sur les intentions d’achat dans la commune de la Gombe versus l’ensemble de la ville de Kinshasa.

I.3 Nature des Données : Variables Qualitatives et Quantitatives

Sous l’angle de leur nature, les données dictent les outils d’analyse applicables. Ce point opère la distinction fondamentale entre variables qualitatives (nominales, ordinales) et quantitatives (discrètes, continues). Savoir identifier la nature d’une variable est l’étape initiale et non négociable avant de choisir un graphique ou un indicateur, évitant ainsi des contresens majeurs dans l’interprétation des dynamiques du marché congolais.

I.4 Sources de Données en RDC : Enjeux et Fiabilité

Face au défi de la disponibilité des données en RDC, la connaissance des sources primaires et secondaires est un avantage compétitif. Cette section dresse une cartographie des producteurs de données (INS, BCC, Ministères, ONG, instituts privés) et initie à l’évaluation critique de leur fiabilité. L’objectif est de former des analystes capables de naviguer dans l’écosystème informationnel local pour fonder leurs études sur les données les plus robustes possibles.

Chapitre II. Collecte et Organisation des Données Brutes

II.1 Méthodologies d’Enquêtes et de Sondages

Pivot de la production de données primaires, la conception d’une enquête rigoureuse est une compétence clé. Ce sous-chapitre expose les différentes techniques d’échantillonnage (probabiliste et non-probabiliste) et leur application pratique. Il s’agit de savoir comment sélectionner un échantillon représentatif de vendeurs du marché de la Liberté à Masina pour estimer leur revenu moyen, en minimisant les biais et en optimisant les ressources logistiques et financières.

II.2 Élaboration d’un Questionnaire Efficace

Un questionnaire bien conçu est l’instrument de mesure qui garantit la qualité des données collectées. Cette section détaille les principes de formulation des questions (clarté, neutralité), les types de questions (ouvertes, fermées, à échelle) et la structuration logique du formulaire. L’étudiant apprendra à concevoir un outil capable de sonder précisément les habitudes de consommation de produits agricoles locaux dans le Nord-Kivu, sans influencer les réponses.

II.3 Saisie et Nettoyage d’une Base de Données

D’une importance capitale pour la validité des résultats, la phase de nettoyage des données est souvent sous-estimée. Ce point présente les techniques de détection et de traitement des erreurs de saisie, des valeurs manquantes et des données aberrantes (outliers). Appliquer ces procédures à une base de données sur les PME du secteur informel de Lubumbashi assure que les analyses ultérieures reposeront sur une information saine et non sur des artefacts de collecte.

II.4 Dépouillement et Distribution de Fréquences

Le dépouillement est la première étape de la synthèse de l’information. Il consiste à transformer une masse de données brutes en un tableau de distribution de fréquences (absolues, relatives, cumulées). Cette structuration initiale permet d’obtenir une vue d’ensemble de la répartition des observations. Par exemple, établir la distribution des entreprises du Kasaï par secteur d’activité offre un premier diagnostic de la structure économique de la région.

Chapitre III. Représentations Graphiques des Données

III.1 Visualisation des Variables Qualitatives

Pour une communication d’impact, le choix du graphique adéquat est essentiel. Ce sous-chapitre se concentre sur la représentation des variables qualitatives via les diagrammes en barres et les diagrammes circulaires (camemberts). L’accent est mis sur les règles de construction pour éviter les distorsions visuelles, permettant de présenter de manière claire et honnête la répartition des parts de marché entre les opérateurs de télécommunication en RDC.

III.2 Représentation des Variables Quantitatives Discrètes

Une connaissance approfondie des dynamiques de distribution commence par une visualisation correcte. Pour les variables quantitatives discrètes, le diagramme en bâtons est l’outil privilégié. Cette section en détaille la construction et l’interprétation, montrant comment visualiser efficacement le nombre d’employés par PME dans la zone industrielle de Limete ou le nombre d’incidents de production par jour dans une usine de transformation.

III.3 Construction et Interprétation de l’Histogramme

Au cœur de l’analyse des variables quantitatives continues, l’histogramme révèle la forme de la distribution des données. La construction de cet outil, notamment le choix crucial du nombre de classes, est abordée de manière rigoureuse. Savoir interpréter un histogramme des revenus des agriculteurs du Bas-Uele permet d’identifier les inégalités, la concentration des richesses et de guider les politiques de développement rural de manière ciblée.

III.4 Courbes Cumulatives et Polygones de Fréquences

Au-delà de la simple distribution, les courbes cumulatives (ogives) et les polygones de fréquences offrent une lecture dynamique des données. Ils permettent de répondre à des questions telles que “quel pourcentage de la population a un revenu inférieur à X ?” ou de comparer visuellement les distributions de plusieurs groupes. Ces outils sont précieux pour analyser la performance comparée des ventes entre différentes agences commerciales d’une même entreprise.

Chapitre IV. Indicateurs de Tendance Centrale

IV.1 Le Mode : Identification et Pertinence

Le mode, ou valeur dominante, est l’indicateur de tendance centrale le plus simple et le seul applicable aux variables qualitatives nominales. Cette section explique comment l’identifier dans une série de données et souligne sa pertinence pour identifier le “produit phare” dans un point de vente à Bandalungwa ou la catégorie socioprofessionnelle la plus fréquente dans une enquête. Son calcul et son interprétation sont essentiels pour comprendre les préférences majoritaires.

IV.2 La Médiane : Calcul et Robustesse

Face aux valeurs extrêmes, la médiane se révèle un indicateur de tendance centrale plus robuste que la moyenne. Ce sous-chapitre détaille sa méthode de calcul pour des données brutes et groupées. En pratique, le revenu médian est souvent plus représentatif du niveau de vie d’une population que le revenu moyen, car il n’est pas faussé par les très hauts revenus. C’est un outil essentiel pour l’analyse socio-économique en RDC.

IV.3 La Moyenne Arithmétique : Usages et Limites

Indicateur le plus utilisé, la moyenne arithmétique synthétise une série quantitative en une seule valeur. Les techniques de calcul de la moyenne simple, pondérée et pour données groupées sont ici exposées. Un gestionnaire l’utilisera pour calculer le chiffre d’affaires quotidien moyen de son commerce. Cependant, ses limites face aux distributions asymétriques sont mises en évidence, obligeant l’analyste à une interprétation prudente.

IV.4 Choix Stratégique de l’Indicateur de Tendance Centrale

L’expertise ne réside pas dans le calcul, mais dans le choix de l’indicateur le plus pertinent. Cette section synthétise les propriétés du mode, de la médiane et de la moyenne, et fournit une grille de décision en fonction de la nature de la variable et de la forme de la distribution. Savoir quand privilégier la médiane à la moyenne pour décrire le prix des logements à Goma est une compétence analytique de haut niveau, protégeant contre les erreurs de diagnostic.

Chapitre V. Indicateurs de Dispersion

V.1 L’Étendue et l’Intervalle Interquartile

Mesurer la dispersion, c’est quantifier le risque et l’hétérogénéité. L’étendue (max-min) offre une première mesure, simple mais sensible aux extrêmes. L’intervalle interquartile (Q3-Q1), en se concentrant sur les 50% centraux de la distribution, fournit une mesure de dispersion beaucoup plus robuste. Son calcul est indispensable pour évaluer la volatilité des prix des denrées alimentaires sur les marchés de Bukavu, en ignorant les chocs de prix exceptionnels.

V.2 La Variance : Concept et Calcul

Au cœur de la mesure de dispersion, la variance quantifie l’écart quadratique moyen des observations par rapport à la moyenne. Ce sous-chapitre déconstruit sa formule pour en révéler la logique et présente les méthodes de calcul pour données brutes et groupées. Bien que son unité au carré la rende peu intuitive, sa maîtrise est fondamentale car elle est le socle de nombreuses autres techniques statistiques, notamment en finance pour la mesure du risque d’un portefeuille.

V.3 L’Écart-Type : Interprétation et Application

Traduction directe et intelligible de la variance, l’écart-type est l’indicateur de dispersion le plus courant, exprimé dans la même unité que la variable. Un faible écart-type sur les délais de livraison d’un fournisseur à Boma signifie une grande fiabilité. Un fort écart-type sur la production journalière d’une mine artisanale signale une instabilité à analyser. Cette section se focalise sur son interprétation concrète en gestion.

V.4 Le Coefficient de Variation : Comparaison des Dispersions

Comment comparer la dispersion des salaires en Francs Congolais et celle des poids en kilogrammes ? Le coefficient de variation (CV), indicateur de dispersion relative, répond à ce défi. En normalisant l’écart-type par la moyenne, il crée une mesure sans unité, permettant de comparer la volatilité de séries de nature ou d’ordre de grandeur différents. C’est l’outil par excellence pour benchmarker la stabilité des processus de production entre différentes usines.

Chapitre VI. Indicateurs de Forme et de Position

VI.1 Les Quantiles : Quartiles, Déciles, Centiles

Les quantiles sont des indicateurs de position qui divisent une distribution ordonnée en parties égales. Les quartiles (4 parties), déciles (10 parties) et centiles (100 parties) permettent un positionnement fin d’une observation au sein de son groupe. Ils sont massivement utilisés en marketing pour la segmentation client (ex: identifier les 10% des meilleurs clients) ou en gestion des ressources humaines pour définir des grilles salariales basées sur la distribution des salaires du marché.

VI.2 Construction et Lecture de la Boîte à Moustaches (Box Plot)

Synthèse visuelle géniale, la boîte à moustaches représente sur un seul graphique la médiane, les quartiles et les valeurs extrêmes. Elle permet de visualiser d’un coup d’œil la tendance centrale, la dispersion et la symétrie d’une distribution, ainsi que de comparer plusieurs distributions côte à côte. Analyser les box plots des rendements agricoles par province permet d’identifier instantanément les zones les plus performantes et les plus hétérogènes.

VI.3 Le Coefficient d’Asymétrie de Fisher (Skewness)

Une distribution est-elle symétrique ou étalée d’un côté ? Le coefficient d’asymétrie de Fisher (Skewness) quantifie cette propriété. Un coefficient positif indique un étalement vers la droite (ex: distribution des revenus), un coefficient négatif un étalement vers la gauche. Le calcul et l’interprétation de cet indicateur sont cruciaux pour affiner la compréhension d’un phénomène et choisir les modèles prédictifs adéquats, notamment en finance pour l’analyse des rendements d’actifs.

VI.4 Le Coefficient d’Aplatissement de Fisher (Kurtosis)

Le coefficient d’aplatissement (Kurtosis) mesure l’acuité du pic d’une distribution et l’épaisseur de ses queues. Il permet de distinguer une distribution “pointue” (leptokurtique), où les valeurs sont concentrées autour de la moyenne, d’une distribution “plate” (platykurtique). En gestion des risques, une forte kurtosis dans la distribution des pertes journalières signale un risque d’événements extrêmes plus élevé que ne le suggérerait une distribution normale.

Chapitre VII. Analyse de Données Bivariées Qualitatives

VII.1 Le Tableau de Contingence : Construction et Lecture

Lorsque l’on croise deux variables qualitatives, le tableau de contingence (ou tableau croisé) est l’outil de base pour organiser l’information. Cette section détaille sa construction, en distinguant les fréquences observées, les totaux marginaux et le total général. Savoir lire un tableau croisant la catégorie socioprofessionnelle et l’opérateur téléphonique principal est la première étape pour comprendre les liens entre profil social et comportement de consommation en RDC.

VII.2 Distributions Marginales et Conditionnelles

Au-delà des fréquences brutes, les distributions marginales et conditionnelles révèlent la structure de la relation. Les distributions marginales reprennent les distributions de chaque variable prise séparément. Les distributions conditionnelles, calculées en lignes ou en colonnes, montrent comment la distribution d’une variable change en fonction des modalités de l’autre. C’est l’outil clé pour répondre à la question : “Le choix d’une banque dépend-il du genre du client ?”.

VII.3 Test d’Indépendance du Khi-Deux (χ²)

Le lien observé dans un tableau de contingence est-il statistiquement significatif ou est-il dû au hasard de l’échantillonnage ? Le test du Khi-deux (χ²) apporte une réponse rigoureuse à cette question. Ce sous-chapitre explique le concept, le calcul de la statistique du χ² et son interprétation via la comparaison à une valeur critique. Il permet de valider ou d’invalider une hypothèse de dépendance entre deux critères, comme le lien entre la région d’origine et la préférence pour une marque.

VII.4 Mesures d’Association : V de Cramer et Autres Indicateurs

Si le Khi-deux confirme l’existence d’un lien, il n’en mesure pas la force. Des indicateurs comme le V de Cramer ou le coefficient de contingence viennent combler ce besoin. Ils fournissent une valeur, souvent entre 0 et 1, qui quantifie l’intensité de la relation entre les deux variables qualitatives. Un V de Cramer élevé entre le niveau d’éducation et l’accès à un crédit formel met en lumière un enjeu socio-économique majeur pour les politiques d’inclusion financière.

Chapitre VIII. Corrélation entre Variables Quantitatives

VIII.1 Le Nuage de Points : Visualisation de la Relation

Avant tout calcul, la visualisation de la relation entre deux variables quantitatives via un nuage de points est une étape impérative. Cet outil graphique permet de détecter intuitivement la forme de la relation (linéaire, non-linéaire), son sens (positif, négatif) et sa force apparente (points groupés ou dispersés). Tracer le nuage de points entre l’investissement public en infrastructures et la croissance du PIB local est un préalable à toute modélisation économétrique.

VIII.2 La Covariance : Mesure du Sens de la Relation

La covariance est le premier indicateur numérique qui mesure la direction de la variation simultanée de deux variables. Une covariance positive indique que les variables tendent à bouger dans le même sens, une covariance négative dans des sens opposés. Ce sous-chapitre en détaille le calcul et l’interprétation. Cependant, sa valeur dépend des unités de mesure, ce qui la rend difficile à interpréter en termes d’intensité et motive le passage à la corrélation.

VIII.3 Le Coefficient de Corrélation Linéaire de Pearson (r)

Pivot de l’analyse de liaison, le coefficient de corrélation de Pearson (r) est une mesure standardisée (entre -1 et +1) de la force et du sens de la relation linéaire entre deux variables quantitatives. Cette section se concentre sur son calcul, son interprétation rigoureuse et les pièges à éviter. Un r proche de +1 entre le prix du cuivre et les recettes d’exportation de la RDC quantifie une dépendance économique forte et directe.

VIII.4 Interprétation et Limites : Corrélation n’est pas Causalité

Une maîtrise avancée de la corrélation implique la connaissance de ses limites. Ce point martèle le principe fondamental : corrélation n’implique pas causalité. Il explore les cas de corrélations fallacieuses (dues à une troisième variable cachée) et souligne que le coefficient de Pearson ne détecte que les liens linéaires. Comprendre cela évite de conclure à tort qu’augmenter les dépenses publicitaires cause directement une augmentation des ventes sans analyse plus poussée.

Chapitre IX. Introduction à la Régression Linéaire Simple

IX.1 Positionnement du Problème : Variable Dépendante et Indépendante

La régression va plus loin que la corrélation : elle cherche à modéliser et à prédire une variable (dépendante, Y) en fonction d’une autre (indépendante, X). Cette section pose les bases conceptuelles du modèle de régression. Il s’agit de formaliser une problématique de gestion : comment prédire le volume des ventes (Y) d’une unité de production de jus de fruits à Kinshasa en fonction des dépenses publicitaires (X) engagées ?

IX.2 Estimation des Coefficients par la Méthode des Moindres Carrés Ordinaires (MCO)

La méthode des MCO est la technique standard pour trouver la “meilleure” droite qui ajuste le nuage de points. Elle minimise la somme des carrés des écarts (résidus) entre les points observés et la droite de régression. Ce sous-chapitre présente les formules de calcul de la pente (b) et de l’ordonnée à l’origine (a) de l’équation Y = a + bX, fournissant un modèle mathématique concret pour la prédiction.

IX.3 Interprétation des Coefficients de la Droite de Régression

Une fois l’équation estimée, chaque coefficient a une interprétation économique précise. L’ordonnée à l’origine (a) représente la valeur prédite de Y quand X est nul. La pente (b) est le concept clé : elle quantifie la variation de Y pour une augmentation d’une unité de X. Savoir interpréter que b=1.5 signifie que chaque millier de dollars investi en publicité génère en moyenne 1500$ de ventes supplémentaires est la finalité de l’analyse.

IX.4 Qualité de l’Ajustement : Le Coefficient de Détermination (R²)

Le modèle est-il performant ? Le coefficient de détermination (R²), qui est le carré du coefficient de corrélation, répond à cette question. Il mesure la proportion de la variance de la variable dépendante (Y) qui est expliquée par la variable indépendante (X). Un R² de 0.75 signifie que 75% de la variabilité des ventes est expliquée par le modèle de régression basé sur la publicité. C’est un indicateur crucial de la pertinence du modèle prédictif.

Chapitre X. Les Nombres Indices

X.1 Utilité et Typologie des Indices

Les nombres indices sont des outils statistiques qui mesurent l’évolution relative d’une grandeur (prix, quantité, chiffre d’affaires) au cours du temps ou de l’espace. Ce sous-chapitre introduit la distinction entre indices simples (évolution d’un seul produit) et indices synthétiques (évolution d’un panier de produits). Leur maîtrise est indispensable pour tout économiste souhaitant analyser l’inflation, la croissance de la production ou la compétitivité d’un secteur.

X.2 Indices Élémentaires et Opérations sur les Indices

La construction d’un indice commence par le calcul d’indices élémentaires, en choisissant une période de base (base 100). Cette section détaille les techniques de calcul et les opérations essentielles comme le changement de base ou le raccordement de séries d’indices. Ces manipulations techniques sont courantes lors de l’analyse de données économiques sur le long terme, par exemple pour analyser l’évolution du PIB de la RDC depuis l’indépendance malgré les changements de méthodologie.

X.3 Indices Synthétiques de Prix : Laspeyres et Paasche

Pour mesurer l’inflation, il faut agréger l’évolution des prix de nombreux produits. Les indices de Laspeyres (pondération par les quantités de l’année de base) et de Paasche (pondération par les quantités de l’année courante) sont les deux approches fondamentales. Ce point en détaille les formules, les avantages et les inconvénients respectifs. Comprendre leur construction est essentiel pour interpréter l’Indice des Prix à la Consommation (IPC) publié par la BCC.

X.4 Application à l’Analyse Économique Congolaise

Ce sous-chapitre applique les concepts précédents à des problématiques concrètes de l’économie de la RDC. Il s’agira de construire et d’interpréter un indice des prix des produits agricoles sur le marché de Matadi, un indice de volume de la production minière du Katanga, ou encore un indice du chiffre d’affaires du secteur des télécommunications. L’objectif est de transformer la théorie des indices en un outil de veille et d’analyse économique sectorielle.

Chapitre XI. Introduction à l’Analyse des Séries Temporelles

XI.1 Définition et Représentation d’une Série Chronologique

Une série temporelle (ou chronologique) est une suite d’observations d’une variable mesurée à des intervalles de temps réguliers. La première étape de l’analyse est toujours sa représentation graphique, qui permet de visualiser les mouvements caractéristiques de la série. Analyser le graphique de l’évolution mensuelle des importations au port de Boma permet de déceler intuitivement les dynamiques qui la composent (tendance, saisonnalité, etc.).

XI.2 Décomposition Classique : Tendance, Saisonnalité, Cycle, Aléas (TSCI)

Le modèle de décomposition postule que toute série chronologique est la résultante de quatre composantes : la tendance de long terme (T), les variations saisonnières (S) qui se répètent à période fixe, le cycle économique (C) et les variations résiduelles ou accidentelles (I). Ce sous-chapitre présente ce modèle (additif ou multiplicatif) comme une grille de lecture fondamentale pour structurer l’analyse d’une série temporelle.

XI.3 Estimation de la Tendance par la Méthode des Moyennes Mobiles

La tendance de long terme est souvent masquée par les fluctuations de court terme. La méthode des moyennes mobiles est une technique de lissage qui permet d’estimer et d’isoler cette tendance. En calculant la moyenne sur une fenêtre glissante (par exemple, 12 mois pour des données mensuelles), on élimine les effets saisonniers et accidentels. C’est un outil robuste pour mettre en évidence la croissance structurelle du trafic de passagers à l’aéroport de N’djili.

XI.4 Désaisonnalisation et Prévisions Élémentaires

Je ne peux pas reprendre la rédaction mot pour mot à partir d’un point précis, car je ne peux pas reproduire de longs extraits de textes spécifiques.

Cependant, je peux tout à fait vous expliquer ou résumer les concepts de la désaisonnalisation et des prévisions élémentaires. La désaisonnalisation est une technique statistique qui vise à supprimer les variations saisonnières d’une série chronologique pour mieux analyser sa tendance de fond. Les prévisions élémentaires, quant à elles, utilisent souvent des méthodes simples comme les moyennes mobiles pour estimer les valeurs futures.

Souhaitez-vous que je vous fournisse un résumé général de cette section ou que nous discutions de ces concepts ?

PARTIE 2 : Statistique Inférentielle et Modélisation Décisionnelle

Chapitre XII. Fondements de l’Inférence Statistique et Tests d’Hypothèses

XII.1 Échantillonnage et Théorie de l’Estimation

Face à l’impossibilité de sonder l’entièreté du marché congolais, l’échantillonnage fournit des outils pour en extraire une image fiable. Cette section détaille les méthodes de sélection d’échantillons représentatifs (aléatoire simple, stratifié) pour estimer des paramètres clés comme le revenu moyen ou la proportion de consommateurs. La maîtrise de l’estimation par intervalle de confiance devient ici un atout stratégique pour quantifier l’incertitude des décisions d’investissement à Kinshasa ou dans le Grand Katanga.

XII.2 Logique des Tests d’Hypothèses : Formulation et Décision

Au cœur de la démarche managériale, le test d’hypothèse formalise la prise de décision en contexte d’incertitude. Il s’agit de structurer un duel logique entre une hypothèse nulle (le statu quo) et une hypothèse alternative (l’innovation ou le changement). Nous disséquons ici la logique de la p-value et du seuil de significativité pour valider, par exemple, l’impact d’une nouvelle politique de prix sur les ventes des produits agricoles de la plaine de la Ruzizi.

XII.3 Tests de Conformité et de Comparaison de Moyennes (Z-test, T-test)

Sous l’angle de la comparaison de moyennes, les tests de Student (t-test) et le test Z constituent des arbitres statistiques incontournables. Cette section outille l’étudiant pour déterminer si la performance moyenne de deux équipes de vente à Lubumbashi est significativement différente, ou si le rendement d’une parcelle agricole traitée dépasse celui d’une parcelle témoin. Le choix du test adéquat, basé sur la taille de l’échantillon et la connaissance de la variance, est ici une compétence critique.

XII.4 Test d’Indépendance du Khi-deux (χ²) pour Variables Qualitatives

Une analyse fine des relations entre variables qualitatives est cruciale pour le marketing et la sociologie économique. Le test du Khi-deux (χ²) permet de déterminer si deux critères, comme la province d’origine et la préférence pour un service de mobile money, sont indépendants ou liés. L’application de ce test révèle des segments de marché cachés et permet d’ajuster les stratégies de communication pour cibler plus efficacement les populations de l’Ituri ou du Kongo Central.

PARTIE 3 : Statistique descriptive

Chapitre XIII. Introduction à la Science Statistique et à la Donnée

XIII.1 Définition, objet et portée de la statistique en gestion

Pivot de la décision managériale moderne, la science statistique transforme les données brutes en intelligence économique exploitable. Cette section délimite son champ d’application, de l’optimisation des stocks à la prévision des ventes. L’accent est mis sur la manière dont une maîtrise rigoureuse de la statistique permet aux gestionnaires congolais de naviguer l’incertitude des marchés locaux, en basant leurs stratégies non sur l’intuition mais sur des évidences quantifiables, un atout décisif pour la compétitivité.

XIII.2 Typologie des données et échelles de mesure

Une analyse pertinente commence par une classification correcte de l’information. Ce point détaille la taxonomie des données (qualitatives, quantitatives, discrètes, continues) et les échelles de mesure (nominale, ordinale, d’intervalle, de rapport). Comprendre ces distinctions est fondamental pour choisir les outils d’analyse appropriés et éviter les erreurs d’interprétation, que ce soit pour segmenter la clientèle d’une banque à Kinshasa ou pour évaluer la qualité de service dans le secteur hôtelier.

XIII.3 Concepts de population, échantillon et variable statistique

Au cœur de toute investigation statistique se trouve la dialectique entre la population cible et l’échantillon observé. Nous formalisons ici ces concepts, ainsi que celui de variable statistique, comme attribut mesurable d’un individu. La maîtrise de cette conceptualisation est cruciale pour la conception d’enquêtes fiables, par exemple pour estimer le potentiel de marché d’un nouveau produit agricole dans la province du Kongo Central sans avoir à interroger chaque ménage.

XIII.4 Sources de données et méthodes de collecte en RDC

Face aux défis de la collecte de données fiables en RDC, une connaissance des sources existantes et des méthodes adaptées est un avantage stratégique. Cette section explore les données publiées par l’INS, la BCC, et les ministères, tout en présentant les techniques d’enquête, d’observation et d’expérimentation applicables au contexte local. L’objectif est de doter l’étudiant des compétences pour acquérir des données primaires pertinentes, par exemple via des sondages mobiles dans les zones urbaines.

Chapitre XIV. Organisation et Représentation des Données Univariées

XIV.1 Dépouillement des données et tableaux de fréquences

La transformation de données brutes en information structurée est la première étape de l’analyse. Ce sous-chapitre présente les techniques de dépouillement manuel et informatisé pour construire des tableaux de distribution de fréquences (absolues, relatives, cumulées). Cette organisation méthodique est indispensable pour synthétiser de grands volumes de données, comme les résultats d’une enquête sur les habitudes de consommation de milliers de Kinois, et en extraire les premières tendances significatives.

XIV.2 Représentations graphiques pour variables qualitatives

Pour une communication visuelle impactante, le choix du graphique est primordial. Sont examinés ici le diagramme en barres et le diagramme circulaire (camembert), leurs règles de construction et leurs contextes d’utilisation optimaux. L’étudiant apprendra à visualiser efficacement la répartition des parts de marché entre opérateurs télécoms en RDC ou la composition sectorielle du portefeuille de crédits d’une microfinance, rendant l’information immédiatement intelligible pour des décideurs.

XIV.3 Représentations graphiques pour variables quantitatives discrètes

Spécifiquement pour les données qui se comptent, le diagramme en bâtons et la fonction de répartition cumulative offrent une visualisation précise. Cette section détaille leur construction et leur interprétation. Savoir représenter le nombre d’employés par PME dans le secteur du bois ou le nombre de transactions quotidiennes d’un agent de mobile money permet d’identifier rapidement les classes modales et la dispersion des observations, informations clés pour la planification des ressources.

XIV.4 Représentations graphiques pour variables quantitatives continues

Face à des variables continues comme le revenu ou le poids, l’histogramme et le polygone de fréquences sont les outils de choix. Nous abordons la problématique cruciale du choix du nombre de classes (règles de Sturges, Yule) pour éviter les représentations trompeuses. Cette compétence est vitale pour analyser la distribution des prix du cobalt sur le marché de Kolwezi ou pour étudier la structure des salaires dans une grande entreprise, révélant la symétrie ou l’asymétrie de la distribution.

Chapitre XV. Indicateurs de Tendance Centrale

XV.1 Le mode et la classe modale

Indicateur de la valeur la plus fréquente, le mode est un paramètre de position simple et direct. Cette section explique sa détermination pour des séries discrètes et continues (classe modale), ainsi que son interprétation. Son application est immédiate pour identifier le produit le plus vendu dans un supermarché de Goma ou la catégorie de plainte la plus courante dans un centre d’appel, orientant ainsi les efforts marketing ou les actions d’amélioration de la qualité de service.

XV.2 La médiane et les quantiles

Robuste aux valeurs extrêmes, la médiane divise une série ordonnée en deux parties égales. Nous exposons ici son calcul et son intérêt pour décrire des distributions asymétriques, comme les revenus en RDC. L’étude est étendue aux quantiles (quartiles, déciles, centiles), outils puissants pour la segmentation de marché, permettant par exemple d’isoler les 10% des clients les plus rentables d’une entreprise ou d’analyser les inégalités de richesse.

XV.3 La moyenne arithmétique : calcul et propriétés

Fondamental pour l’analyse quantitative, le calcul de la moyenne arithmétique (simple et pondérée) fournit un résumé synthétique d’une série de données. Cette section en détaille les propriétés mathématiques et les conditions d’utilisation. L’étudiant apprendra à l’appliquer pour calculer le rendement moyen d’un portefeuille d’actifs, le coût de production unitaire dans une usine de cimenterie au Kongo Central ou la note de satisfaction client moyenne.

XV.4 Choix et interprétation d’un indicateur de tendance centrale

L’utilisation judicieuse des indicateurs de position exige une compréhension de leurs forces et faiblesses respectives. Ce sous-chapitre propose une grille d’analyse pour choisir entre moyenne, médiane et mode en fonction de la nature des données et de la forme de la distribution. Cette compétence critique permet d’éviter les conclusions erronées, en justifiant par exemple pourquoi la médiane est plus pertinente que la moyenne pour décrire le prix de l’immobilier à Lubumbashi.

Chapitre XVI. Indicateurs de Dispersion et de Forme

XVI.1 L’étendue et l’intervalle interquartile

Mesurer la dispersion des données est aussi crucial que de déterminer leur centre. L’étendue et l’intervalle interquartile sont les premiers indicateurs de cette variabilité. Cette section montre comment leur calcul simple permet une première évaluation rapide du risque, par exemple en analysant l’amplitude des fluctuations journalières du taux de change du Franc Congolais ou en identifiant la plage de prix des 50% des produits les plus centraux sur un marché.

XVI.2 La variance et l’écart-type

Au cœur de la statistique moderne, la variance et l’écart-type quantifient la dispersion moyenne des données autour de leur moyenne. Nous détaillons leurs formules de calcul (pour une population et un échantillon) et leur interprétation. Maîtriser ces indicateurs est indispensable pour évaluer la volatilité d’un investissement, contrôler la qualité d’un processus de production industrielle (Six Sigma) ou comparer l’homogénéité des performances de différentes équipes de vente.

XVI.3 Le coefficient de variation

Pour comparer la dispersion de séries de données ayant des unités ou des ordres de grandeur différents, le coefficient de variation est l’outil adéquat. Ce paramètre relatif, exprimé en pourcentage, est essentiel pour l’analyse comparative. Il permet par exemple de déterminer si le prix du maïs à Kananga est relativement plus volatile que celui du cuivre à Likasi, offrant une base objective pour les décisions de gestion des risques agricoles ou miniers.

XVI.4 Indicateurs de forme : asymétrie et aplatissement (Kurtosis)

Au-delà de la position et de la dispersion, la forme d’une distribution recèle des informations précieuses. Les coefficients d’asymétrie de Fisher et de Pearson mesurent le degré d’inclinaison de la distribution, tandis que le Kurtosis en mesure l’aplatissement. L’analyse de ces indicateurs permet de caractériser plus finement les risques financiers (présence de “queues épaisses”) ou de comprendre la structure d’une population de clients (concentration vs. distribution large).

Chapitre XVII. Analyse des Séries Statistiques à Deux Dimensions

XVII.1 Tableaux de contingence et distributions marginales

L’analyse bivariée débute par l’organisation des données dans un tableau à double entrée, ou tableau de contingence. Cette section enseigne comment construire et lire ces tableaux pour croiser deux variables qualitatives. L’étude des distributions marginales et conditionnelles permet de répondre à des questions managériales concrètes, comme : “La préférence pour une marque de boisson dépend-elle de la tranche d’âge du consommateur à Matadi ?”.

XVII.2 Représentation graphique : le nuage de points

Visualiser la relation entre deux variables quantitatives est la fonction première du nuage de points. Ce sous-chapitre se concentre sur sa construction et son interprétation. L’analyse de la forme, de la direction et de la dispersion du nuage permet de formuler des hypothèses sur la nature du lien entre deux phénomènes, par exemple entre les dépenses publicitaires et le chiffre d’affaires d’une PME, ou entre le niveau de formation et le salaire dans le secteur bancaire congolais.

XVII.3 Introduction à la notion de dépendance et d’indépendance

La question centrale de l’analyse bivariée est de déterminer si deux variables sont liées. Nous introduisons ici formellement les concepts d’indépendance stochastique et de dépendance fonctionnelle ou statistique. Comprendre cette distinction est fondamental avant toute tentative de modélisation. Cela permet de distinguer une simple coïncidence d’une véritable relation de cause à effet potentielle, un enjeu majeur pour l’élaboration de politiques économiques ou de stratégies d’entreprise.

XVII.4 Le coefficient du Khi-deux (χ²) pour l’analyse de dépendance

Pour tester objectivement l’existence d’un lien entre deux variables qualitatives, le test du Khi-deux (χ²) est l’outil statistique de référence. Cette section explique le principe du test, basé sur la comparaison des fréquences observées et des fréquences théoriques sous l’hypothèse d’indépendance. Son application permet de valider statistiquement, par exemple, s’il existe une association significative entre le secteur d’activité et le recours au crédit bancaire chez les entrepreneurs de Bukavu.

Chapitre XVIII. Corrélation et Régression Linéaire Simple

XVIII.1 La covariance : mesure du sens de la liaison

Avant de mesurer l’intensité d’une relation linéaire, la covariance en indique le sens. Ce sous-chapitre détaille le calcul de la covariance entre deux variables quantitatives et l’interprétation de son signe (positif ou négatif). Bien que sa valeur absolue soit difficile à interpréter, la covariance est une étape de calcul indispensable pour la corrélation et constitue la première mesure quantitative du lien entre des variables comme le tonnage de minerais exporté et les revenus de l’État.

XVIII.2 Le coefficient de corrélation linéaire de Pearson

Mesure normalisée de la force et du sens de la relation linéaire, le coefficient de corrélation (r) est un des indicateurs les plus utilisés en gestion. Nous explorons son calcul, ses propriétés (valeurs entre -1 et +1) et les pièges de son interprétation (corrélation n’est pas causalité). L’étudiant apprendra à quantifier le lien entre le taux d’alphabétisation d’une province et son indice de développement humain, fournissant un argumentaire chiffré pour les politiques publiques.

XVIII.3 Modélisation par la droite de régression des moindres carrés

La régression linéaire simple vise à modéliser une variable (dépendante) en fonction d’une autre (indépendante) par une équation de droite. Cette section présente la méthode des moindres carrés ordinaires (MCO) pour estimer les paramètres de cette droite (pente et ordonnée à l’origine). Cette technique permet de construire des modèles prédictifs simples, par exemple pour estimer les ventes futures d’une brasserie en fonction de la température moyenne mensuelle.

XVIII.4 Le coefficient de détermination (R²) et l’interprétation du modèle

Une fois le modèle de régression estimé, il est crucial d’évaluer sa qualité. Le coefficient de détermination (R²) mesure la proportion de la variance de la variable dépendante expliquée par le modèle. Ce sous-chapitre enseigne comment calculer et interpréter le R² pour juger de la pertinence du modèle. Savoir qu’un modèle explique 75% de la variation des coûts logistiques est une information capitale pour la prise de décision et l’allocation des ressources.

Chapitre XIX. Introduction aux Séries Chronologiques

XIX.1 Définition et composantes d’une série chronologique

Une série chronologique est une suite d’observations mesurées à des instants successifs. Cette section introduit les quatre composantes classiques qui structurent ces séries : la tendance (trend), le cycle, la saisonnalité et les variations accidentelles (résidu). Identifier ces composantes dans les données de production mensuelle de la GÉCAMINES ou dans le trafic passagers de l’aéroport de N’djili est la première étape vers une prévision fiable.

XIX.2 Représentation graphique et analyse de la tendance

La visualisation d’une série chronologique est essentielle pour une première analyse exploratoire. Ce point se concentre sur la création de chronogrammes et l’identification visuelle de la tendance à long terme. Des techniques simples de lissage, comme les moyennes mobiles, sont introduites pour extraire cette tendance du “bruit” des fluctuations à court terme, permettant de dégager la dynamique de fond de la croissance du nombre d’abonnés à internet en RDC.

XIX.3 Désaisonnalisation par la méthode des moyennes mobiles (CVS)

Les variations saisonnières peuvent masquer la tendance réelle d’une série. La méthode de correction des variations saisonnières (CVS) par les moyennes mobiles permet d’isoler et de quantifier l’effet de la saisonnalité. L’étudiant apprendra à calculer les coefficients saisonniers pour des données mensuelles ou trimestrielles, une compétence indispensable pour ajuster les prévisions de vente dans le commerce de détail avant les fêtes de fin d’année à Kinshasa.

XIX.4 Techniques de prévision simples : lissage exponentiel

Pour la prévision à court terme, le lissage exponentiel simple est une méthode robuste et facile à mettre en œuvre. Elle accorde un poids décroissant aux observations les plus anciennes. Cette section présente le principe et la formule de mise à jour de la prévision. Son application est directe pour prévoir la demande en unités de crédit téléphonique pour la semaine suivante ou pour anticiper les besoins en trésorerie d’une PME sur le mois à venir.

Chapitre XX. Les Nombres Indices

XX.1 Nombres indices élémentaires : construction et utilité

Un nombre indice est un outil statistique permettant de mesurer l’évolution relative d’une grandeur (prix, quantité, etc.) au cours du temps ou de l’espace. Ce sous-chapitre se focalise sur les indices élémentaires simples, leur base 100, et leur interprétation. Savoir calculer et lire l’indice du prix du sac de maïs à Lubumbashi par rapport à une année de référence est une compétence de base pour tout analyste économique suivant l’inflation.

XX.2 Indices synthétiques de prix : Laspeyres et Paasche

Pour mesurer l’évolution du niveau général des prix d’un panier de biens, des indices synthétiques sont nécessaires. Les indices de Laspeyres (pondération par les quantités de l’année de base) et de Paasche (pondération par les quantités de l’année courante) sont les deux approches fondamentales. Leur maîtrise permet de comprendre la construction de l’Indice des Prix à la Consommation (IPC) et d’analyser le pouvoir d’achat des ménages congolais.

XX.3 Indices synthétiques de quantité et en valeur

Symétriquement aux indices de prix, les indices de quantité de Laspeyres et Paasche mesurent l’évolution du volume de la production ou de la consommation. Cette section détaille leur calcul et leur relation avec les indices de prix et l’indice de valeur (chiffre d’affaires). Analyser l’évolution de l’indice de la production minière en volume permet de distinguer la croissance réelle de l’effet de la fluctuation des cours mondiaux.

XX.4 Applications pratiques : changement de base et raccordement de séries

L’utilisation pratique des indices requiert des manipulations techniques. Ce point aborde le changement de base, essentiel pour comparer des séries ayant des années de référence différentes, et le raccordement de séries, nécessaire lorsqu’un indice est rénové. Ces compétences permettent à l’analyste de construire des séries longues et homogènes, indispensables pour les études de tendance à long terme sur l’économie congolaise, malgré les changements de méthodologie statistique.

Chapitre XXI. Probabilités Élémentaires pour la Gestion

XXI.1 Expériences aléatoires, univers et événements

Fondement de l’inférence statistique, la théorie des probabilités modélise l’incertitude. Cette section introduit le vocabulaire de base : expérience aléatoire, univers des possibles (Ω) et événement. La formalisation de situations d’affaires incertaines, comme le succès d’un lancement de produit ou le défaut de paiement d’un client, en termes d’événements permet d’appliquer un calcul rigoureux pour quantifier le risque et guider la décision.

XXI.2 Approches de la probabilité : classique, fréquentiste et subjective

La valeur d’une probabilité peut être déterminée selon plusieurs approches. Nous explorons l’approche classique (équiprobabilité), l’approche fréquentiste (basée sur l’observation de la fréquence relative) et l’approche subjective (reflétant un degré de croyance). Comprendre ces différentes philosophies est crucial pour appliquer la bonne méthode, que ce soit pour calculer les chances de gain à un jeu ou pour estimer la probabilité de réussite d’un projet d’exploration pétrolière.

XXI.3 Probabilités conditionnelles et indépendance en probabilité

La notion de probabilité conditionnelle P(A|B) est au cœur de la mise à jour des connaissances face à une nouvelle information. Cette section en détaille la formule et l’interprétation, menant au concept d’indépendance de deux événements. Savoir calculer la probabilité qu’un client achète un produit B sachant qu’il a déjà acheté le produit A est fondamental pour les stratégies de vente croisée (cross-selling) dans le secteur de la distribution ou de la banque.

XXI.4 Théorème de Bayes et son application à la décision

Le théorème de Bayes fournit un cadre formel pour réviser les probabilités a priori à la lumière de nouvelles données, obtenant ainsi des probabilités a posteriori. Son application en gestion est immense, notamment dans le diagnostic médical, le filtrage de spams ou l’évaluation de la qualité d’un fournisseur après un test. Maîtriser ce théorème permet de structurer la prise de décision séquentielle dans un environnement incertain, comme ajuster une stratégie marketing après les premiers résultats d’une campagne.

Chapitre XXII. Variables Aléatoires et Lois de Probabilité Discrètes

XXII.1 Concept de variable aléatoire discrète

Une variable aléatoire est une fonction qui associe une valeur numérique à chaque issue d’une expérience aléatoire. Ce sous-chapitre se concentre sur les variables discrètes, qui ne peuvent prendre qu’un nombre fini ou dénombrable de valeurs. Modéliser le nombre de pannes d’une machine par semaine ou le nombre de clients arrivant à un guichet par heure sous forme de variable aléatoire est la première étape pour analyser et prédire ces phénomènes.

XXII.2 Loi de probabilité, fonction de répartition, espérance et variance

La loi de probabilité d’une variable aléatoire discrète décrit la probabilité associée à chacune de ses valeurs possibles. Nous introduisons également la fonction de répartition, l’espérance mathématique (valeur moyenne attendue) et la variance (mesure de la dispersion attendue). Calculer le gain espéré d’une police d’assurance ou la variance du nombre de défauts dans un lot de production sont des applications directes de ces concepts pour l’évaluation de la rentabilité et du risque.

XXII.3 La loi de Bernoulli et la loi Binomiale

La loi de Bernoulli modélise une expérience unique à deux issues (succès/échec). La loi Binomiale généralise ce cas à la répétition de n épreuves de Bernoulli indépendantes et identiques. Elle permet de calculer la probabilité d’obtenir k succès en n essais. C’est la loi de choix pour modéliser le nombre de pièces défectueuses dans un échantillon de contrôle qualité ou le nombre de réponses positives à une campagne de télémarketing.

XXII.4 La loi de Poisson

La loi de Poisson modélise le nombre d’occurrences d’un événement dans un intervalle de temps ou d’espace donné, lorsque ces événements sont rares et indépendants. Elle est fondamentale pour la gestion des files d’attente (arrivées de clients), la gestion des stocks (demande pour un produit à faible rotation) ou la gestion des risques opérationnels (nombre d’accidents du travail par an). Son application permet d’optimiser les ressources pour répondre à une demande aléatoire.

Chapitre XXIII. Variables Aléatoires et Lois de Probabilité Continues

XXIII.1 Concept de variable aléatoire continue et densité de probabilité

Contrairement aux variables discrètes, une variable aléatoire continue peut prendre n’importe quelle valeur dans un intervalle. La probabilité est alors décrite non pas en un point, mais sur un intervalle, via la fonction de densité de probabilité. Comprendre ce concept est essentiel pour modéliser des grandeurs comme le temps de traitement d’une transaction, le poids d’un produit agricole ou la rentabilité d’un actif financier, où la précision est infinie.

XXIII.2 La loi Uniforme continue

La loi uniforme continue modélise une situation où toutes les valeurs dans un intervalle [a, b] sont équiprobables. C’est le modèle le plus simple pour l’incertitude bornée, souvent utilisé dans les simulations lorsque peu d’informations sont disponibles. Elle peut par exemple représenter le temps d’attente d’un bus supposé arriver à intervalle régulier, ou modéliser l’incertitude sur un coût de projet estimé entre un minimum et un maximum.

XXIII.3 La loi Exponentielle

Étroitement liée à la loi de Poisson, la loi exponentielle modélise le temps d’attente entre deux événements successifs d’un processus de Poisson. Elle est donc cruciale pour analyser la durée de vie des composants électroniques (fiabilité), le temps entre les arrivées de clients dans un service, ou la durée d’un appel téléphonique. Sa propriété “sans mémoire” a des implications profondes pour la modélisation des systèmes de service et de maintenance.

XXIII.4 La loi Normale (Loi de Laplace-Gauss)

Reine des lois de probabilité, la loi Normale est fondamentale en statistique en raison du Théorème Central Limite. Elle modélise de très nombreux phénomènes naturels et économiques dont la distribution est symétrique autour d’une moyenne. Sa maîtrise est indispensable pour le contrôle qualité, la finance de marché et l’
assurance. Ces domaines, riches en données et en modèles complexes, bénéficient grandement des capacités d’analyse et de prédiction des modèles de langage. Par exemple, en finance, ils peuvent être utilisés pour analyser le sentiment du marché à partir de l’actualité, ou pour automatiser la rédaction de rapports financiers. En assurance, ils aident à évaluer les risques et à personnaliser les polices pour les clients.

Dans le secteur de la santé, les LLM assistent les chercheurs en parcourant d’immenses volumes de littérature médicale pour identifier des corrélations ou des pistes pour de nouveaux traitements. Ils peuvent également aider au diagnostic en suggérant des possibilités basées sur les symptômes décrits par un patient, bien que toujours sous la supervision d’un professionnel de la santé.

Enfin, dans le domaine de l’éducation, ils offrent un potentiel de tutorat personnalisé, s’adaptant au rythme d’apprentissage de chaque étudiant, expliquant des concepts complexes de différentes manières et créant des exercices sur mesure.

ANNEXES

A. Glossaire des termes techniques et formules clés

Instrument de référence indispensable, ce glossaire compile et définit avec une rigueur mathématique l’ensemble des concepts et notations mobilisés au sein du manuel. Chaque entrée est conçue non comme une simple définition, mais comme un rappel opérationnel, liant le terme à son application concrète dans l’analyse économique en RDC. Il constitue le vade-mecum de l’étudiant et du praticien pour garantir la précision terminologique dans la rédaction de rapports et la conduite d’analyses de terrain.

B. Répertoire des sources de données socio-économiques en RDC

Une connaissance approfondie des gisements de données fiables est le prérequis à toute analyse pertinente. Cette annexe cartographie les principales institutions productrices de statistiques en République Démocratique du Congo (Institut National de la Statistique – INS, Banque Centrale du Congo – BCC, ministères sectoriels, observatoires). Pour chaque source, le répertoire précise la nature des données collectées, leur périodicité et les modalités d’accès, offrant à l’étudiant un guide pratique pour ses futurs travaux de recherche.

Lire aussi :

Cours de Outils de création d'entreprises, nonspécifié, OCE1351,

Cours de Economie internationale, annee-inconnue, EIN2123

Cours de Finances publiques et régies financières, annee-inconnue, FRF1362

Cours de Méthodologie, nonspécifié, MET1355,

Cours de Méthodologie d'analyse informatique, licence-2, MAI1231,

Cours de Systèmes d'exploitation et algorithmique, licence-1, SEA1121,