Expliquer pour comprendre n'est pas discriminer pour apprendre. Plus précisément, on s'intéresse aux liens entre pouvoir explicatif d'une variable qualitative décrivant des classes par des diagrammes de fréquence et pouvoir discriminant de cette variable. On montre que la variable la plus explicative n'est pas nécessairement la plus discriminante et on énonce huit règles explicitant ces liens. On donne ensuite des critères permettant de sélectionner la variable à la fois la plus explicative et la plus discriminante. On donne aussi des critères permettant de mesurer le pouvoir explicatif et discriminant d'un tableau de données symboliques. Dans ces critères, on introduit l'entropie ou un critère de Gini afin d'accroître le pouvoir explicatif par des diagrammes de fréquence plus contrastés et concentrés. On utilise ces critères pour définir des indicateurs logiques ou numériques dont il faut optimiser les paramètres. On évoque enfin les champs potentiels d'applications industrielles.