📌 L'essentiel

• La statistique descriptive résume les données par des indicateurs clés.
• La moyenne, la médiane et le mode sont des mesures centrales.
• Les mesures de dispersion comprennent l’écart-type, la variance et l’étendue.
• La représentation graphique utilise histogrammes, diagrammes en boîte et nuages de points.
• La loi des grands nombres garantit la convergence de la moyenne empirique vers la moyenne théorique.
• La loi normale est une distribution continue symétrique caractérisée par sa moyenne et son écart-type.
• La transformation de variables permet la normalisation ou la standardisation des données.
• La corrélation évalue la relation linéaire entre deux variables.
• La régression linéaire modélise la dépendance d’une variable par une ou plusieurs autres.
• La statistique inférentielle permet d’estimer et de tester des paramètres.

📖 Concepts clés

Population : Ensemble complet d’individus, d’objets ou de phénomènes étudiés.
Échantillon : Sous-ensemble représentatif de la population.
Variable : Caractéristique mesurée sur chaque individu.
Variable quantitative : Admissible à des opérations arithmétiques (ex : taille, poids).
Variable qualitative : Catégorique (ex : couleur, sexe).
Distribution : Fonction associant chaque valeur à sa probabilité ou fréquence.

📐 Formules et lois

Moyenne arithmétique : $$ \bar{x} = \frac{1}{n} \sum_{i=1}^n x_i $$, conditions : données numériques, importance des mesures centrales.
Variance : $$ \sigma^2 = \frac{1}{n} \sum_{i=1}^n (x_i - \bar{x})^2 $$, conditions : dispersion par rapport à la moyenne.
Écart-type : $$ \sigma = \sqrt{\sigma^2} $$, conditions : mesure de dispersion.
Coefficient de corrélation de Pearson : $$ r = \frac{\sum_{i=1}^n (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^n (x_i - \bar{x})^2} \sqrt{\sum_{i=1}^n (y_i - \bar{y})^2}} $$, conditions : variables quantitatives, relation linéaire.

🔍 Méthodes

1. Recueillir un échantillon représentatif en utilisant une méthode adaptée.
2. Calculer la moyenne, la médiane et le mode pour identifier la tendance centrale.
3. Déterminer la dispersion via écart-type, variance et étendue.
4. Représenter graphiquement avec histogrammes, diagrammes en boîte ou nuages de points.
5. Vérifier la normalité ou asymétrie des distributions.
6. Analyser la relation entre variables avec la corrélation ou la régression.
7. Appliquer les lois de probabilité pour décrire l’incertitude.
8. Réaliser des tests d’hypothèses pour valider des conjectures.

💡 Exemples

• Calcul de la moyenne et de l’écart-type des résultats à un examen.
• Représentation graphique de l’âge d’une population via un histogramme.
• Analyse de la relation entre le nombre d’heures étudiées et la note obtenue par régression linéaire.

⚠️ Pièges

• Confondre moyenne et médiane pour données asymétriques.
• Négliger l’impact des valeurs extrêmes sur la moyenne.
• Confusion entre corrélation et causalité.
• Ne pas vérifier la normalité avant certains tests statistiques.
• Utiliser à tort des mesures de dispersion pour des variables qualitatives.

📊 Synthèse comparative

✅ Checklist examen

• Définir et distinguer population, échantillon et variable.
• Calculer et interpréter la moyenne, la médiane, le mode.
• Calculer l’écart-type, la variance, l’étendue et leur signification.
• Représenter graphiquement les données.
• Comprendre et appliquer la loi des grands nombres.
• Décrire une distribution normale.
• Effectuer une transformation standardisée.
• Calculer et interpréter le coefficient de corrélation.
• Comprendre et utiliser la régression linéaire.
• Identifier les principes fondamentaux de la statistique inférentielle.

Synthèse rapide

La statistique descriptive résume une série de données par des indicateurs (moyenne, médiane, mode, dispersion), tandis que la statistique inférentielle permet d’estimer des paramètres et de tester des hypothèses. La compréhension des distributions, notamment normale, et des méthodes de relation entre variables est essentielle pour analyser et interpréter des données.