Fiche de révision : Analyse Statistique en Sport

📋 Plan du Cours

1. Statistiques descriptives sportives
2. Analyse de données numériques
3. Variabilité des mesures
4. Distribution des données
5. Indicateurs de tendance centrale
6. Indicateurs de dispersion
7. Lois statistiques
8. Distribution normale
9. Corrélations et relations
10. Méthodes d’échantillonnage
11. Précision des outils de mesure

📖 1. Statistiques descriptives sportives

🔑 Notions clés & Définitions

• Statistiques descriptives : Méthodes visant à décrire un ensemble de données sans tirer de conclusions sur une population ou une hypothèse, en utilisant des outils comme les graphiques, moyennes, écarts-types, ou identifications de scores extrêmes.
• Indicateurs de tendance centrale : Mesures qui résument la position centrale d’une série de données, notamment la moyenne (somme des valeurs divisée par leur nombre) et la médiane (valeur du milieu après classement). (voir section 5)
• Indicateurs de dispersion : Mesures qui décrivent la variabilité ou la dispersion des données autour de la tendance centrale, telles que la variance (moyenne des écarts au carré) et l’écart-type (racine carrée de la variance). (voir section 6)
• Distribution des données : Organisation ordonnée des valeurs d’un ensemble, permettant d’observer la forme générale (par exemple, en cloche pour la distribution normale) et de repérer des valeurs extrêmes ou des tendances.
• Points essentiels : La statistique, selon PERROUX (date), est “l’étude des variations observables” et permet de quantifier, décrire et interpréter des données numériques dans le domaine du sport pour analyser niveaux et progressions.

📝 Points essentiels

• Les statistiques descriptives sont essentielles pour analyser rapidement et objectivement des données sportives telles que la force de préhension ou la vitesse moyenne sur 100 m, sans faire d’inférences sur une population.
• La moyenne est sensible aux valeurs extrêmes, contrairement à la médiane, qui reflète mieux la valeur typique dans un groupe avec des valeurs aberrantes.
• La dispersion est quantifiée par la variance et l’écart-type, qui indiquent à quel point les mesures varient autour de la moyenne, ce qui est crucial pour évaluer la fiabilité et la précision des données.
• La distribution des valeurs peut suivre des lois statistiques comme la normale ou la binomiale, permettant d’utiliser des tests spécifiques pour analyser la forme et la nature des données.
• La compréhension de la distribution et des indicateurs de tendance centrale et de dispersion permet d’interpréter efficacement les performances sportives et leur évolution dans le temps.

💡 À retenir

Les statistiques descriptives offrent un cadre simple mais puissant pour décrire et comprendre les données sportives, en mettant en évidence leur tendance centrale, leur variabilité et leur distribution, sans tirer de conclusions inférentielles.

📖 2. Analyse de données numériques

🔑 Notions clés & Définitions

• Données numériques : Résultats de mesures quantitatives exprimés sous forme chiffrée, permettant d’évaluer des grandeurs telles que la vitesse, la force ou le temps (voir introduction générale).
• Organisation des données : Mise en forme structurée des résultats sous forme de tableaux, diagrammes ou graphiques pour faciliter leur interprétation (voir introduction générale).
• Calculs de vitesses moyennes et segmentées : Opérations mathématiques permettant d’obtenir la vitesse moyenne sur une période ou un segment précis à partir de données chronométriques, en divisant la distance par le temps correspondant.
• Analyse statistique : Science qui s'intéresse à la production et au traitement de l’information numérique, permettant d’interpréter, de quantifier et de comparer des données ( Lindsay (date) ). Elle inclut la description des données par des indicateurs de tendance centrale, dispersion, et la modélisation par des lois statistiques.
• Importance du contexte : La valeur et l’interprétation des données numériques dépendent de leur environnement, des conditions de mesure et des facteurs environnementaux comme le vent ou l’altitude, qui doivent être pris en compte pour une analyse précise (voir introduction générale).

📝 Points essentiels

• La statistique consiste à réunir des données chiffrées sur de grands ensembles, puis à les analyser et à les interpréter pour comprendre des phénomènes ou prendre des décisions ( Lindsay (date) ).
• La organisation des données en tableaux, diagrammes ou graphiques facilite leur lecture et leur compréhension, en permettant d’identifier rapidement des tendances ou des anomalies.
• Le calcul de vitesses moyennes permet d’évaluer la performance globale d’un athlète ou d’un groupe, en divisant la distance parcourue par le temps total, tandis que le calcul de vitesses segmentées offre une analyse fine du comportement lors de chaque étape (ex : chaque tranche de 10 m).
• L’analyse statistique utilise des indicateurs comme la moyenne, la médiane, la variance ou l’écart-type pour décrire la distribution des données et comprendre leur dispersion ou leur tendance centrale. La distribution normale (voir section 8) est fondamentale pour appliquer certains tests paramétriques, sous réserve de sa vérification par des tests spécifiques (ex : Shapiro-Wilk).
• La prise en compte du contexte est cruciale : par exemple, la performance au 100 m est influencée par le vent ou l’altitude, et ces facteurs doivent être intégrés dans l’interprétation des résultats pour éviter des conclusions erronées.

💡 À retenir

L’analyse de données numériques en sport repose sur la collecte précise, l’organisation claire et l’interprétation contextualisée des résultats pour quantifier performances et progrès, tout en tenant compte des facteurs environnementaux.

📖 3. Variabilité des mesures

🔑 Notions clés & Définitions

• Variabilité des mesures : tendance d’un processus de mesure à produire des valeurs différentes pour un même élément testé, en raison de facteurs intrinsèques ou extrinsèques. Elle reflète la stabilité ou la précision d’une méthode de mesure.

• Écart entre valeurs observées : différence numérique entre deux mesures prises dans des conditions similaires, permettant d’évaluer la dispersion ou la stabilité des résultats.

• Facteurs influençant la variabilité : éléments qui modifient la stabilité des mesures, tels que le vieillissement, les conditions environnementales (vent, altitude), ou la qualité des outils de mesure. AUTEUR (date) : ces facteurs peuvent augmenter ou diminuer la fiabilité des mesures.

• Qualité et fiabilité des mesures : capacité d’un outil ou d’une méthode à produire des résultats précis et reproductibles. La fiabilité est essentielle pour garantir la validité des analyses statistiques (voir section 11).

• Influence du vent et de l’altitude : facteurs environnementaux qui affectent la performance chronométrique, notamment en sprint ou en saut. La réglementation (ex : IAAF) limite l’effet du vent (+2 m/s) pour homologuer les performances, et l’altitude peut offrir un avantage de temps (environ 0,03-0,04 secondes par 1000 m d’altitude).

• Concepts de médiation et modération : dans la variation des variables, la médiation explique comment ou pourquoi une relation existe (ex : hypertrophie musculaire médiatrice de la force), tandis que la modération indique dans quelles conditions ou pour qui cette relation est influencée (ex : âge comme modérateur des gains de force).

📖 4. Distribution des données

🔑 Notions clés & Définitions

• Distribution des valeurs : Ensemble ordonné de valeurs d’une variable, permettant d’observer comment ces valeurs se répartissent dans un échantillon ou une population, et d’identifier des caractéristiques comme la tendance centrale ou la dispersion.

• Scores extrêmes : Valeurs situées à l’extrémité d’une distribution, souvent appelées outliers, qui peuvent influencer la moyenne et la perception de la distribution (voir notions de tendance centrale et dispersion).

• Représentation graphique : Utilisation de diagrammes ou graphiques (histogrammes, box-plots) pour visualiser la distribution des données, facilitant l’interprétation de la fréquence et de la répartition des valeurs.

• Variable discrète et continue : La variable discrète ne peut prendre qu’un nombre limité de valeurs (ex : nombre de sets dans un match), tandis que la variable continue peut prendre toutes les valeurs dans un intervalle (ex : masse corporelle). La distribution de ces variables est essentielle en statistiques descriptives.

• Importance pour les statistiques descriptives : La distribution permet de résumer et d’interpréter les données en fournissant des indicateurs comme la moyenne, la médiane, la variance, et en aidant à détecter des anomalies ou des tendances (voir section 5 et 6).

📝 Points essentiels

• La distribution des données est fondamentale pour comprendre la répartition des valeurs d’une variable, en particulier dans le domaine du sport où elle permet d’évaluer la performance, la variabilité ou la progression d’un athlète (voir notions de distribution et de scores extrêmes).

• La représentation graphique, comme l’histogramme ou le box-plot, offre une visualisation claire de la fréquence des valeurs, de leur dispersion et de la présence éventuelle de scores extrêmes ou outliers.

• La distinction entre variables discrètes et continues influence la forme de la distribution : les variables discrètes ont souvent des distributions en barres, alors que les variables continues tendent vers une courbe, souvent modélisée par une loi normale si la distribution est symétrique et en forme de cloche (voir distribution normale).

• La connaissance de la distribution permet d’utiliser des indicateurs statistiques (moyenne, médiane, étendue, variance) pour caractériser la tendance centrale et la dispersion, éléments clés en statistiques descriptives.

• La détection de scores extrêmes est essentielle pour éviter qu’ils ne biaisent l’analyse et pour mieux comprendre la variabilité intrinsèque des performances ou des mesures.

💡 À retenir

La distribution des données, visualisée par des graphiques, est un outil clé pour analyser la fréquence et la répartition des valeurs, permettant d’identifier les scores extrêmes et d’évaluer la variabilité, ce qui est essentiel pour une interprétation précise en statistiques descriptives.

📖 5. Indicateurs de tendance centrale

🔑 Notions clés & Définitions

• Moyenne arithmétique : Lindsay (date) : somme de toutes les valeurs divisée par le nombre de valeurs, représentant une tendance générale d’un ensemble de données.
• Médiane : Lindsay (date) : valeur centrale d’une série de données classées par ordre croissant, indiquant une valeur typique sans être influencée par les valeurs extrêmes.
• Mode : Lindsay (date) : valeur ou modalité qui apparaît le plus fréquemment dans un ensemble de données, permettant d’identifier la ou les valeurs les plus représentatives.

📝 Points essentiels

• La moyenne arithmétique est sensible aux valeurs extrêmes, ce qui peut fausser la perception de la tendance centrale si des valeurs aberrantes sont présentes.
• La médiane est une mesure robuste face aux valeurs extrêmes, idéale pour représenter une valeur typique dans des distributions asymétriques ou avec des outliers.
• Le mode est utile pour identifier la valeur la plus fréquente, notamment dans des distributions multimodales ou pour des données qualitatives.
• La différence entre moyenne arithmétique et autres mesures de tendance réside dans leur sensibilité aux valeurs extrêmes (moyenne) ou leur capacité à représenter la valeur centrale sans influence des outliers (médiane).
• Le point à retenir : La sélection de l’indicateur de tendance centrale dépend de la nature des données et de leur distribution, pour une caractérisation représentative et fiable.

📖 6. Indicateurs de dispersion

🔑 Notions clés & Définitions

• Variance : Moyenne des écarts à la moyenne au carré. Elle mesure la dispersion des valeurs autour de la moyenne, en quantifiant la variabilité globale. (Source : cours) La variance est toujours positive et plus elle est grande, plus les valeurs sont dispersées.

• Écart-type : Racine carrée de la variance. Il indique la dispersion "typique" autour de la moyenne, en unités identiques à celles des données. (Source : cours) Plus l’écart-type est faible, plus les données sont concentrées autour de la moyenne.

• Mesure de la variabilité autour de la moyenne : Ensemble des indicateurs, notamment la variance et l’écart-type, qui quantifient la dispersion des données par rapport à leur tendance centrale. (Source : cours)

📝 Points essentiels

• La variance calcule la dispersion moyenne au carré, en suivant la formule : $V = \frac{1}{n} \sum (x_i - \bar{x})^2$. Elle est utilisée pour des calculs mathématiques et statistiques, mais son unité est au carré (ex : m², points²).

• L’écart-type, étant la racine carrée de la variance, permet une interprétation plus intuitive, car il est exprimé dans la même unité que les données (ex : mètres, points). Il représente la "dispersion typique" autour de la moyenne.

• La relation entre dispersion et fiabilité des mesures : une faible variance ou écart-type indique une grande précision et une meilleure fiabilité des mesures, tandis qu’une variance élevée traduit une grande variabilité, donc une moindre fiabilité.

• La variance et l’écart-type sont essentiels pour comprendre la précision des données, notamment dans le contexte sportif où la variabilité des performances peut révéler des dysfonctionnements ou des progrès.

• La distribution des valeurs peut aussi être influencée par des lois statistiques, comme la loi normale, qui modélise la répartition continue autour de la moyenne.

💡 À retenir

Les indicateurs de dispersion, tels que la variance et l’écart-type, permettent d’évaluer la fiabilité et la précision des mesures en quantifiant la variabilité des données autour de leur tendance centrale.

📖 7. Lois statistiques

🔑 Notions clés & Définitions

• Loi de Student (1885) : loi de probabilité utilisée pour effectuer des inférences statistiques à partir d’un échantillon, notamment pour estimer la moyenne d’une population lorsque la taille de l’échantillon est petite et que la variance de la population est inconnue. Elle permet de construire des intervalles de confiance et de réaliser des tests d’hypothèses.

• Distribution (voir section 4) : représentation ordonnée de la fréquence ou de la probabilité des valeurs d’une variable. Elle décrit comment les valeurs d’une variable se répartissent dans un ensemble de données, influençant le choix des tests statistiques.

• Inférence statistique (voir introduction) : processus permettant de généraliser les résultats obtenus sur un échantillon à l’ensemble d’une population, en utilisant des méthodes d’estimation et de tests pour tirer des conclusions fiables.

📝 Points essentiels

• Les lois statistiques, telles que la loi de Student, régissent la façon dont les variables aléatoires se distribuent dans la population, permettant d’établir des probabilités et d’évaluer la significativité des résultats (voir lien avec la distribution normale). La loi de Student est particulièrement adaptée lorsque l’échantillon est petit et que la variance de la population est inconnue, ce qui est fréquent dans le domaine du sport.

• La distribution d’une variable peut suivre différentes lois, comme la loi binomiale pour des événements discrets (succès/échec) ou la distribution normale pour des mesures continues regroupées autour d’une moyenne. La forme de la distribution influence directement la validité des tests statistiques utilisés.

• La méthode d’inférence consiste à utiliser des estimations (ex : moyenne, variance) calculées à partir de l’échantillon pour faire des généralisations sur la population entière. Elle repose sur la loi de Student pour tester l’hypothèse que la moyenne de l’échantillon reflète celle de la population, en tenant compte de la variabilité et de la taille de l’échantillon.

• La randomisation et les méthodes d’estimation sont essentielles pour garantir la représentativité de l’échantillon et la fiabilité des inférences, en minimisant les biais et en respectant les règles de la loi de Student.

💡 À retenir

Les lois statistiques, comme la loi de Student, permettent de modéliser la distribution des variables et d’effectuer des inférences fiables à partir d’échantillons, en assurant une généralisation précise à la population.

📖 8. Distribution normale

🔑 Notions clés & Définitions

• Distribution normale : forme en cloche des données continues, caractérisée par sa symétrie autour de la moyenne, où la majorité des valeurs se concentrent près de cette moyenne, et la fréquence diminue à mesure qu’on s’éloigne. Carl Friedrich Gauss (1809) a décrit cette distribution, soulignant que lorsqu’un phénomène est influencé par de nombreux facteurs sans dominance, ses mesures suivent une loi normale.

• Caractéristiques de la distribution normale : elle est symétrique, la moyenne est égale à la médiane, et la majorité des données se regroupent autour de la moyenne. La courbe en cloche reflète cette symétrie et cette concentration centrale.

• Importance dans les tests statistiques : la normalité d’une série de données permet d’utiliser des tests paramétriques, qui sont plus puissants et précis. La vérification de cette normalité se fait via des tests spécifiques comme le test de Kolmogorov-Smirnov ou le test de Shapiro-Wilk.

📝 Points essentiels

• La distribution normale modélise efficacement les performances sportives continues, telles que les temps de course ou les mesures biomécaniques, en raison de sa forme en cloche qui représente la majorité des valeurs proches de la moyenne. Gauss (1809) a été le premier à formaliser cette loi, qui apparaît lorsque de nombreux facteurs influencent un phénomène sans qu’un seul ne prédomine.

• La forme en cloche de la distribution normale permet d’appliquer des tests paramétriques, sous réserve que la série de données respecte cette loi. La normalité peut être vérifiée par des tests statistiques comme Kolmogorov-Smirnov ou Shapiro-Wilk.

• La distribution normale est essentielle pour l’analyse statistique en sport, notamment pour modéliser la variabilité des performances et pour faire des inférences sur une population à partir d’un échantillon.

• La symétrie et l’égalité entre moyenne et médiane sont des points clés qui distinguent la distribution normale d’autres formes de distribution.

💡 À retenir

La distribution normale, avec sa forme en cloche symétrique, est fondamentale en statistiques sportives car elle permet d’utiliser des tests paramétriques pour analyser et modéliser les performances continues, sous réserve que les données respectent cette loi.

📖 9. Corrélations et relations

🔑 Notions clés & Définitions

• Corrélation : Mesure statistique de la relation entre deux variables, indiquant si elles évoluent de manière conjointe (positivement ou négativement). La corrélation ne suppose pas de relation causale.
• Variable indépendante : Variable dont la variation n’est pas influencée par d’autres variables dans l’étude, et qui peut potentiellement expliquer une variation d’une autre variable (voir section 3).
• Variable dépendante : Variable dont la variation est supposée dépendre d’une ou plusieurs variables indépendantes, et qui est observée pour mesurer l’effet de celles-ci (voir section 3).
• Variable médiatrice : Variable qui explique le mécanisme ou le processus par lequel une variable indépendante influence une variable dépendante. (voir section 3).
• Variable modératrice : Variable qui modifie la force ou la direction de la relation entre une variable indépendante et une variable dépendante, en précisant dans quelles conditions cette relation se manifeste (voir section 3).
• Exemple d’application : Influence de l’entraînement sur la force via médiation, où l’hypertrophie musculaire serait une variable médiatrice expliquant comment l’entraînement augmente la force.

📝 Points essentiels

• La corrélation permet d’évaluer la force et la direction d’une relation entre deux variables, sans établir de causalité. Elle est souvent quantifiée par le coefficient de corrélation (ex : r de Pearson).
• La variable indépendante est manipulée ou considérée comme cause potentielle, tandis que la variable dépendante est l’effet ou le résultat observé. La distinction est essentielle pour l’analyse causale.
• La variable médiatrice intervient dans le mécanisme expliquant la relation entre une variable indépendante et une dépendante. Par exemple, dans une étude sur l’entraînement et la force, l’hypertrophie musculaire peut médiatiser cette relation.
• La variable modératrice influence la relation en modifiant sa force ou sa direction. Par exemple, l’âge peut modérer l’effet de l’entraînement sur la force, avec des gains plus importants chez les jeunes.
• L’analyse des relations permet de comprendre les mécanismes sous-jacents, en distinguant si une variable agit comme médiateur ou modérateur.
• Exemple pratique : L’entraînement augmente la force (variable dépendante) ; cette relation peut être médiatisée par l’hypertrophie musculaire ou modérée par l’âge.

💡 À retenir

Les corrélations révèlent des relations entre variables, mais seul l’analyse des variables médiatrices et modératrices permet de comprendre comment ou dans quelles conditions ces relations se produisent.

📖 10. Méthodes d’échantillonnage

🔑 Notions clés & Définitions

• Population : ensemble d’unités sur lesquelles une caractéristique peut être mesurée. Elle est souvent de grande taille (exemple : toutes les personnes âgées).
• Échantillon : sous-ensemble représentatif de la population, de taille plus petite, permettant d’estimer la caractéristique d’intérêt.
• Unité statistique : le sujet ou élément le plus petit de la population ou de l’échantillon étudié.
• Méthodes d’échantillonnage : techniques de sélection d’un sous-ensemble d’individus (échantillon) représentatif de la population, afin d’estimer ses caractéristiques.
• Importance de l’échantillonnage : garantir la représentativité de l’échantillon est essentiel pour faire des inférences statistiques valides (voir section 7).
• Techniques pour garantir la représentativité : méthodes de sélection aléatoire, stratifiée, systématique ou par grappes, permettant de limiter les biais et d’assurer que l’échantillon reflète fidèlement la population.

📝 Points essentiels

• La population constitue l’ensemble complet d’individus ou d’unités sur lequel porte l’étude, tandis que l’échantillon est un sous-ensemble choisi pour représenter cette population. La unité statistique est l’élément individuel étudié (ex : une personne, un événement).
• La méthode d’échantillonnage doit être choisie en fonction de l’objectif de l’étude et de la nature de la population, pour assurer la représentativité et éviter les biais. Parmi les techniques courantes :
  • Échantillonnage aléatoire simple : chaque unité a une probabilité égale d’être sélectionnée.
  • Échantillonnage stratifié : la population est divisée en strates (catégories) homogènes, puis un échantillon est tiré dans chaque strate.
  • Échantillonnage systématique : sélection d’individus à intervalles réguliers après un départ aléatoire.
  • Échantillonnage par grappes : la population est divisée en groupes (grappes), puis certains groupes sont sélectionnés aléatoirement.
• La représentativité de l’échantillon est cruciale pour la validité des inférences statistiques (voir section 7). Elle dépend de la méthode d’échantillonnage et de la manière dont sont gérés les biais potentiels.
• La technique d’échantillonnage influence directement la précision et la fiabilité des estimations faites à partir de l’échantillon, notamment dans le contexte des inférences statistiques.

💡 À retenir

L’échantillonnage doit être réalisé avec soin pour garantir que l’échantillon est représentatif de la population, permettant ainsi des inférences statistiques fiables et pertinentes.

📖 11. Précision des outils de mesure

🔑 Notions clés & Définitions

• Fiabilité : La fiabilité d’un outil de mesure désigne sa capacité à produire des résultats cohérents et reproductibles dans des conditions identiques. Selon PERROUX (date), c’est la stabilité des mesures lorsqu’on répète la même opération dans le temps ou par différents opérateurs.

• Exactitude : L’exactitude d’un outil correspond à sa capacité à fournir des mesures proches de la valeur réelle ou de référence. PERROUX (date) précise que c’est la proximité entre la mesure obtenue et la valeur vraie.

• Influence des outils : La qualité des données dépend de l’outil utilisé (ex : chronomètre vs œil). Un outil précis et fiable limite les erreurs de mesure, contrairement à un outil moins précis qui introduit des biais ou des imprécisions.

• Facteurs environnementaux affectant la précision : Les conditions extérieures comme le vent ou l’altitude peuvent altérer la fiabilité et l’exactitude des mesures. Par exemple, le vent peut fausser les chronos en sprint, et l’altitude peut améliorer ou détériorer la performance chronométrée.

• Objectivité dans la collecte des données : La nécessité d’adopter une méthode neutre et standardisée pour recueillir des données, afin d’éviter toute influence subjective ou biais. L’objectivité garantit la crédibilité et la comparabilité des résultats.

📝 Points essentiels

• La fiabilité et l’exactitude sont deux qualités fondamentales pour assurer la qualité des mesures en sport. La fiabilité assure la cohérence, tandis que l’exactitude garantit la proximité avec la valeur réelle (PERROUX, date).
• La précision des outils dépend aussi de leur environnement : un chronomètre manuel est moins fiable qu’un chronomètre électronique, surtout si des facteurs comme le vent ou l’altitude ne sont pas contrôlés.
• Les facteurs environnementaux, tels que le vent supérieur à +2 m/s ou l’altitude, peuvent influencer significativement les performances chronométriques, nécessitant une réglementation stricte pour assurer l’objectivité.
• La collecte objective des données implique l’utilisation d’outils calibrés, la standardisation des procédures et la prise en compte du contexte environnemental pour limiter les biais.

💡 À retenir

La précision des outils de mesure repose sur leur fiabilité, leur exactitude et la prise en compte des facteurs environnementaux, afin d’assurer une collecte objective et fiable des données sportives.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre moyenne et médiane, notamment en présence de valeurs extrêmes.
2. Sous-estimer l’impact des facteurs environnementaux (vent, altitude) sur les mesures.
3. Confondre variance et écart-type, ou leur interprétation.
4. Ignorer la forme de la distribution (normale ou non) lors de l’application de tests statistiques.
5. Confondre corrélation et causalité dans l’analyse des relations.
6. Négliger l’importance de la fiabilité des outils de mesure.
7. Omettre de vérifier si la distribution suit une loi normale avant d’utiliser certains tests.
8. Confondre variabilité intrinsèque et erreur de mesure.

✅ Checklist Examen

1. Connaître la définition de PERROUX sur la statistique comme étude des variations observables.
2. Savoir distinguer entre indicateurs de tendance centrale (moyenne, médiane) et indicateurs de dispersion (variance, écart-type).
3. Être capable d’expliquer la différence entre distribution normale et autres lois statistiques.
4. Maîtriser la méthode de calcul de la vitesse moyenne et segmentée en sport.
5. Identifier les facteurs environnementaux influençant la variabilité des mesures, notamment le vent et l’altitude.
6. Connaître Lindsay comme référence pour l’analyse de données numériques.
7. Comprendre la différence entre fiabilité et précision des outils de mesure.
8. Savoir représenter graphiquement la distribution des données (histogramme, box-plot).
9. Connaître les concepts de médiation et modération dans la variabilité.
10. Être capable d’interpréter une distribution de données et d’identifier outliers.
11. Maîtriser les lois statistiques fondamentales en sport, notamment la loi normale.
12. Vérifier si la distribution des données suit une loi normale avant d’appliquer des tests paramétriques.