Fiche de révision : Introduction aux statistiques en psychologie

📋 Plan du Cours

1. Introduction aux statistiques
2. Variables et niveaux de mesure
3. Distribution des variables
4. Indices de tendance centrale
5. Indices de dispersion
6. Distribution normale
7. Étalonnage et scores z
8. Corrélation et covariance
9. Statistiques inférentielles

📖 1. Introduction aux statistiques

🔑 Notions clés & Définitions

Statistiques : Ensemble de méthodes permettant de collecter, analyser, interpréter et présenter des données numériques. Elles garantissent la rigueur et l’objectivité dans la recherche en psychologie (source : introduction).
Statistiques descriptives : Statistiques qui visent à décrire, résumer et représenter les données d’un seul ensemble de mesures ou variables (source : introduction).
Statistiques inférentielles : Statistiques qui permettent de faire des inférences ou des généralisation à partir d’un échantillon vers une population, notamment par le biais de tests d’hypothèses (source : introduction).
Données et variables en psychologie : En psychologie, on utilise un tableau de données où chaque individu est représenté par une ligne, et chaque mesure ou caractéristique par une colonne. Une variable est une information qui varie d’un individu à l’autre (source : introduction).
Démarche hypothético-déductive : Processus scientifique où la théorie guide la collecte de données, qui sont ensuite analysées pour confirmer ou infirmer l’hypothèse formulée (source : introduction).

📝 Points essentiels

• Les statistiques sont essentielles pour garantir la rigueur et l’objectivité en psychologie, notamment dans la recherche scientifique et la pratique clinique (source : introduction).
• La distinction entre statistiques descriptives et inférentielles est fondamentale : les premières décrivent les données, les secondes permettent de faire des généralisation et des tests d’hypothèses (source : introduction).
• En psychologie, chaque tableau de données comporte une colonne d’identification, des constantes, et des variables qui varient selon les individus (source : introduction).
• La démarche scientifique repose sur la démarche hypothético-déductive : théorie → expérience → données → conclusion (source : introduction).
• La première étape en statistiques est de déterminer le type de variable (nominal, ordinal, numérique) pour choisir les opérations et analyses appropriées (source : introduction).

💡 À retenir

Les statistiques en psychologie sont indispensables pour analyser objectivement les données, en utilisant des méthodes descriptives pour résumer et inférentielles pour généraliser, dans le cadre d’une démarche scientifique rigoureuse.

📖 2. Variables et niveaux de mesure

🔑 Notions clés & Définitions

• Niveau de mesure : le type de variable qui détermine les opérations et analyses possibles.
• Variable nominale : modalités sont des noms, sans ordre hiérarchique. (AUTEUR non cité)
• Variable ordinale : modalités ont un ordre, mais les écarts entre elles ne sont pas constants. (AUTEUR non cité)
• Variable numérique : valeurs numériques, subdivisées en deux types : intervalle et rapport. (AUTEUR non cité)
• Modalités observables : réponses possibles d’une variable, listées dans un ensemble.
• Variables discrètes : prennent des valeurs distinctes (souvent entiers). (AUTEUR non cité)
• Variables continues : peuvent prendre n’importe quelle valeur dans un intervalle. (AUTEUR non cité)
• Intervalle : variable numérique où le point 0 est arbitraire, pas de rapport significatif entre deux valeurs. (AUTEUR non cité)
• Rapport : variable numérique où le point 0 est absolu, permettant de calculer des rapports entre valeurs. (AUTEUR non cité)
• Modalités observables : ensemble de réponses possibles, noté entre accolades { } pour nominales et ordinales, ou entre crochets [ ; ] pour continues. (AUTEUR non cité)

📝 Points essentiels

• Le niveau de mesure détermine les opérations possibles :
  • Nominal : comptage, fréquence.
  • Ordinal : classement, médiane.
  • Numérique : calculs de moyenne, variance, écart-type.
• La variable nominale n’a pas d’ordre, ses modalités sont des noms.
• La variable ordinale possède un ordre, mais sans écarts constants.
• La variable numérique d’intervalle a un zéro arbitraire, sans rapport significatif.
• La variable numérique de rapport a un zéro absolu, permettant le calcul de rapports.
• Les modalités observables sont listées selon leur type :
  • Nominales/ordinales : {modalité1, modalité2, ...}
  • Continues : [min ; max] ou {…, 1990, 1991, ...}
• Variables discrètes ont des valeurs séparées, continues peuvent prendre toutes les valeurs dans un intervalle.

💡 À retenir

Le niveau de mesure d’une variable détermine la nature des analyses possibles, allant du simple comptage pour le nominal au calcul de rapports pour le rapport, en passant par le classement pour l’ordinal.

📖 3. Distribution des variables

🔑 Notions clés & Définitions

Distribution d'une variable : façon dont les réponses se répartissent entre les différentes modalités observables, en comptant le nombre d'individus pour chaque modalité (effectifs).
Tableau de distribution : représentation tabulaire du nombre d'individus (effectifs) pour chaque modalité ou classe.
Graphique de distribution : visualisation graphique du tableau de distribution, représentant le nombre d'individus par modalité ou classe.
Distribution regroupée : regroupement des modalités d'une variable numérique continue en classes (catégories) pour faciliter l'analyse.
Histogramme : graphique de distribution en bâtons fins représentant la fréquence ou effectif de chaque classe ou modalité regroupée.
Distribution des fréquences relatives : répartition des réponses exprimée en proportions (fréquences) ou pourcentages, calculées en divisant chaque effectif par le total (N).
Forme de distribution : configuration générale de la distribution, pouvant être unimodale (un seul pic), bimodale (deux pics), ou multimodale (plusieurs pics).

📝 Points essentiels

• La distribution d'une variable indique comment les réponses ou mesures se répartissent, en comptant le nombre d'individus par modalité ou classe.
• Le tableau de distribution synthétise ces données en listant chaque modalité avec son effectif (nk).
• Le graphique de distribution visualise cette répartition, facilitant l'identification de la forme (unimodale, bimodale, etc.).
• Pour une variable numérique continue, la distribution est souvent regroupée en classes, dont le graphique est un histogramme.
• La distribution des fréquences relatives permet d’interpréter la répartition en pourcentages ou proportions, facilitant la comparaison.
• La forme de distribution est analysée pour déterminer si elle est unimodale, bimodale ou multimodale, et pour évaluer la symétrie ou l’asymétrie, ainsi que la présence de valeurs extrêmes.

💡 À retenir

La distribution d'une variable décrit comment les réponses ou mesures se répartissent, et son analyse (tableau, graphique, forme) permet de mieux comprendre la nature des données collectées.

📖 4. Indices de tendance centrale

🔑 Notions clés & Définitions

• Mode : La valeur la plus fréquente dans une distribution. (Source : distribution d'une variable)
• Médiane : La valeur qui divise un échantillon en deux parts égales, c’est-à-dire que 50% des observations sont en dessous et 50% au-dessus. (Source : distribution d'une variable)
• Moyenne : La somme de tous les scores divisée par le nombre total de scores. (Source : distribution d'une variable)
• Quartiles : Les valeurs qui divisent un échantillon en quatre parties égales. La médiane est le deuxième quartile. (Source : distribution d'une variable)
• Déciles : Les valeurs qui divisent un échantillon en dix parties égales.
• Percentiles : Les valeurs qui divisent un échantillon en cent parties égales.
• Distribution normale : Forme en cloche caractéristique, unimodale, symétrique, avec peu de valeurs extrêmes, importante pour la modélisation des phénomènes humains. (Source : distribution normale)

📝 Points essentiels

• Le mode est repéré comme la modalité avec l’effectif le plus élevé. Il n’est pas adapté pour une distribution bimodale ou multimodale.
• La médiane est calculée en utilisant les effectifs ou fréquences cumulées croissantes, elle divise la distribution en deux parts égales. En cas de nombre pair, elle peut se situer entre deux modalités.
• La moyenne est calculée par la formule : somme de tous les scores / nombre de scores. Elle est pertinente si la distribution est approximativement normale.
• La distribution normale possède des caractéristiques spécifiques : unimodale, symétrique, forme de cloche, peu de valeurs extrêmes, et la moyenne y est le paramètre de tendance centrale.
• La forme de la distribution (unimodale, symétrique, présence de valeurs extrêmes) influence le choix de l’indice de tendance centrale.
• La médiane et les quartiles permettent de résumer la distribution en divisant l’échantillon en parts égales, ce qui est utile pour analyser la dispersion et la position centrale.

💡 À retenir

Les indices de tendance centrale (mode, médiane, moyenne) permettent de résumer la distribution d’une variable, mais leur choix dépend du type de distribution et de la présence de valeurs extrêmes. La distribution normale, caractéristique en forme de cloche, est centrale en statistique pour l’interprétation des scores.

📖 5. Indices de dispersion

🔑 Notions clés & Définitions

• Étendue : Indice simple qui mesure la différence entre la valeur maximale et la valeur minimale d'une distribution. Elle indique l'amplitude totale des données.

• Variance : (formule :) La moyenne des écarts à la moyenne, chaque écart étant élevé au carré. Elle résume la dispersion des scores autour de la tendance centrale. Plus la variance est grande, plus les scores sont dispersés.

• Écart-type : Racine carrée de la variance. Il représente la distance typique entre chaque score et la moyenne, exprimée dans la même unité que les scores. C’est un paramètre de dispersion essentiel pour la loi normale.

• Variance et écart-type : définition et calculs : La variance est calculée en faisant la moyenne des écarts au carré par rapport à la moyenne. L’écart-type est la racine carrée de cette variance, permettant une interprétation plus intuitive.

• Utilité des indices de dispersion pour décrire la variabilité : Ils permettent d’évaluer à quel point les données sont étalées ou concentrées autour de la tendance centrale, ce qui est crucial pour comprendre la distribution.

• Distribution normale et dispersion : La variance et l’écart-type sont les deux paramètres principaux qui caractérisent la dispersion dans une distribution normale. La moyenne et l’écart-type définissent la forme en cloche de cette loi.

• Valeurs extrêmes et leur impact sur la dispersion : Les valeurs extrêmes influencent fortement la dispersion, notamment la moyenne et l’écart-type, en créant un effet de levier qui peut déformer la représentation de la variabilité réelle.

📝 Points essentiels

• La dispersion indique la variabilité des scores autour de la tendance centrale, contrairement à l’indice de tendance centrale qui localise le centre de la distribution.

• La variance est calculée en prenant la moyenne des écarts au carré par rapport à la moyenne, ce qui élimine les effets de signes négatifs.

• L’écart-type, étant la racine carrée de la variance, est plus facile à interpréter puisqu’il est dans la même unité que les scores.

• La distribution normale est caractérisée par une moyenne et un écart-type précis, qui déterminent la forme et la dispersion de la courbe.

• Les valeurs extrêmes, en étant très éloignées de la moyenne, augmentent la variance et l’écart-type, pouvant fausser la représentation de la variabilité.

💡 À retenir

Les indices de dispersion, notamment la variance et l’écart-type, sont indispensables pour quantifier la variabilité d’une distribution, en particulier dans le contexte de la loi normale, tout en étant sensibles aux valeurs extrêmes.

📖 6. Distribution normale

🔑 Notions clés & Définitions

• Forme en cloche : La distribution normale possède une courbe symétrique en forme de cloche, caractéristique principale de cette loi de probabilité.
• Propriétés : La distribution normale est unimodale (un seul sommet), symétrique par rapport à la moyenne, et présente une forme de cloche.
• Critères d'identification d'une loi normale : La distribution doit être unimodale, relativement symétrique, avec peu de valeurs extrêmes, et sa forme doit ressembler à une courbe en cloche.
• Importance en statistiques : La distribution normale est le paramètre de tendance centrale de cette loi, et elle sert de référence pour l'application de nombreux tests statistiques et pour l'étalonnage en psychologie.
• Symétrie et asymétrie dans la distribution : La distribution normale est symétrique, ce qui signifie que la moitié des scores se trouve de chaque côté de la moyenne. Une asymétrie indique une déviation de cette symétrie, pouvant suggérer des effets plafond ou plancher.
• Effet des valeurs extrêmes sur la forme de la distribution : La présence de valeurs extrêmes peut déformer la forme de la distribution, la rendant asymétrique ou multimodale, et influence fortement la moyenne et l'écart-type.

📝 Points essentiels

• La distribution normale est caractérisée par sa forme en cloche, symétrique, unimodale, avec peu de valeurs extrêmes.
• La moyenne est le paramètre de tendance centrale, représentant le centre de la distribution.
• La symétrie est souvent difficile à juger si la distribution présente des valeurs extrêmes ou n'est pas unimodale.
• La forme en cloche indique que la majorité des scores se regroupent autour de la moyenne, avec une diminution progressive des fréquences à mesure qu'on s'éloigne.
• La présence de valeurs extrêmes peut indiquer un problème dans les données ou une déviation de la loi normale.

💡 À retenir

La distribution normale est une forme en cloche symétrique, essentielle en statistiques, dont la forme et la symétrie permettent de décrire et d'analyser de nombreux phénomènes, à condition que les données suivent approximativement cette loi. La présence de valeurs extrêmes peut altérer cette forme et doit être prise en compte dans l'interprétation.

📖 7. Étalonnage et scores z

🔑 Notions clés & Définitions

Scores z : Mesures de standardisation d’une variable. Selon AUTEUR (date), un score z indique combien d’écarts-types une donnée se trouve au-dessus ou en dessous de la moyenne. Il se calcule en soustrayant la moyenne du score brut, puis en divisant par l’écart-type.

Calcul des scores z : $z = \frac{X - \bar{X}}{s}$

• $X$ : score brut
• $\bar{X}$ : moyenne de la distribution
• $s$ : écart-type de la distribution

Interprétation des scores z :

• $z = 0$ : score moyen
• $z > 0$ : score supérieur à la moyenne
• $z < 0$ : score inférieur à la moyenne
• Plus $|z|$ est grand, plus la donnée est extrême par rapport à la moyenne.

Étalonnage : Méthode de comparaison d’un score à une norme ou à un échantillon de référence. Selon AUTEUR (date), il permet de situer un score dans une distribution de référence pour déterminer s’il est normal ou atypique.

Principe de l’étalonnage :

• Comparer un score brut à une norme (scores des autres)
• Utiliser des indicateurs comme la moyenne, l’écart-type, ou les quantiles (médiane, quartiles, percentiles) pour situer le score.

Relation entre scores z et distribution normale :

• Si la distribution est approximativement normale, le score z indique la position relative dans la courbe en forme de cloche.
• La proportion de la population située à moins de $|z|$ écarts-types de la moyenne peut être déterminée précisément.

📝 Points essentiels

• Le score z standardise une variable pour permettre la comparaison entre différentes mesures ou variables.
• La formule $z = \frac{X - \bar{X}}{s}$ est utilisée pour le calcul.
• La valeur du score z indique la position relative par rapport à la moyenne, en écarts-types.
• La distribution normale est la référence pour l’interprétation des scores z : un score z de 2, par exemple, correspond à une position dans le 2ème écart-type au-dessus de la moyenne, avec une probabilité associée (ex. 95,4% en dessous).
• L’étalonnage permet de déterminer si un score est dans la norme ou hors norme, en utilisant la règle des 5% (hypothèse unilatérale ou bilatérale).

💡 À retenir

Les scores z permettent de standardiser et d’interpréter une donnée en la situant par rapport à une distribution de référence, généralement normale, facilitant ainsi la comparaison et la détection d’anomalies ou de scores extrêmes.

📖 8. Corrélation et covariance

🔑 Notions clés & Définitions

• Covariance : (non explicitement défini dans le contenu source), mais généralement, c’est une mesure qui indique dans quelle mesure deux variables varient ensemble. Elle permet de voir si deux variables ont tendance à augmenter ou diminuer conjointement.

• Relation entre covariance et corrélation : La corrélation est une version standardisée de la covariance, permettant d’obtenir une mesure sans unité, facilitant la comparaison entre différentes paires de variables.

• Coefficient de corrélation : (non explicitement défini dans le contenu source), mais généralement, c’est une valeur numérique comprise entre -1 et +1 qui indique la force et la direction de la relation linéaire entre deux variables.

• Applications de la corrélation en psychologie : La corrélation est utilisée pour analyser la relation entre deux variables psychologiques, par exemple, la relation entre l’anxiété et la performance, ou entre la confiance en soi et la réussite scolaire.

📝 Points essentiels

• La covariance mesure la façon dont deux variables varient ensemble, mais sa valeur dépend des unités de mesure des variables, ce qui limite sa comparabilité.

• La corrélation standardise cette mesure en divisant la covariance par le produit des écarts-types des deux variables, ce qui donne une valeur comprise entre -1 et +1.

• La relation entre covariance et corrélation est directe : la corrélation est la covariance divisée par les écarts-types des deux variables.

• La corrélation permet d’évaluer la force et la direction d’une relation linéaire, sans implication de causalité.

• En psychologie, la corrélation est un outil central pour explorer et quantifier les relations entre différentes variables psychologiques.

💡 À retenir

La covariance indique la tendance commune de deux variables à varier ensemble, mais la corrélation, en la standardisant, facilite l’interprétation de la force et de la direction de cette relation, notamment dans le contexte de la psychologie.

📖 9. Statistiques inférentielles

🔑 Notions clés & Définitions

• Statistiques inférentielles : Ensemble de méthodes permettant de faire des inférences ou des généralisation à partir d’un échantillon de données pour tirer des conclusions sur une population plus large (voir introduction aux statistiques).
• Tests d'hypothèses : Procédure statistique visant à vérifier une affirmation ou une hypothèse sur une population à partir des données d’un échantillon. Leur objectif est de déterminer si les résultats observés sont compatibles avec l’hypothèse nulle ou s'il faut la rejeter.
• Estimation : Méthode permettant d’évaluer une caractéristique inconnue d’une population (par exemple, la moyenne ou la proportion) à partir d’un échantillon, souvent par l’intermédiaire d’un intervalle de confiance.
• Échantillonnage et généralisation : Processus de sélection d’un sous-ensemble représentatif de la population pour effectuer des analyses, avec pour but de généraliser les résultats obtenus à l’ensemble de la population.
• Erreur de type I : Erreur consistant à rejeter une hypothèse nulle vraie (faux positif).
• Erreur de type II : Erreur consistant à ne pas rejeter une hypothèse nulle fausse (faux négatif).
• Utilisation en recherche : Les statistiques inférentielles sont essentielles pour tester des hypothèses, faire des estimations et généraliser les résultats d’un échantillon à une population, garantissant la rigueur et l’objectivité dans la démarche scientifique (voir application en recherche).

📝 Points essentiels

• La démarche hypothético-déductive en psychologie implique la collecte de données sur un échantillon, suivie d’analyses statistiques pour inférer des conclusions sur la population.
• La vérification des hypothèses repose sur des tests statistiques, qui permettent de déterminer si les résultats observés sont compatibles avec l’hypothèse nulle.
• L’estimation par intervalles de confiance fournit une fourchette dans laquelle se trouve probablement la vraie valeur de la population, avec un certain niveau de confiance (souvent 95%).
• La généralisation repose sur un échantillonnage représentatif, permettant d’étendre les conclusions à l’ensemble de la population.
• La maîtrise des erreurs de type I et II est cruciale pour interpréter correctement les résultats : une erreur de type I peut conduire à conclure à une différence ou un effet alors qu’il n’existe pas, tandis qu’une erreur de type II peut faire manquer une différence réelle.
• En recherche, l’utilisation des statistiques inférentielles garantit la rigueur scientifique en permettant de tester des hypothèses et d’évaluer la significativité des résultats.

💡 À retenir

Les statistiques inférentielles permettent de tirer des conclusions valides sur une population à partir d’un échantillon, en utilisant des tests d’hypothèses et des estimations, tout en contrôlant le risque d’erreurs.

📅 Repères chronologiques

(aucun date explicitement mentionnée dans le contenu fourni, donc cette section est omise)

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre variable nominale et ordinale : la nominale n’a pas d’ordre, la ordinale en possède un.
2. Confondre variable numérique d’intervalle et de rapport : l’intervalle a un zéro arbitraire, le rapport un zéro absolu.
3. Utiliser la moyenne pour une distribution asymétrique ou bimodale : la médiane est souvent plus représentative.
4. Interpréter à tort la forme de distribution : unimodale, bimodale ou multimodale, sans analyser la symétrie ou l’asymétrie.
5. Confondre histogramme et graphique de distribution : l’histogramme représente des classes continues.
6. Mal distinguer la distribution des fréquences relatives et effectifs : la première est en pourcentages ou proportions.
7. Confondre modalité et valeur numérique continue : modalités sont des réponses ou catégories, valeurs numériques peuvent être continues ou discrètes.
8. Négliger l’importance du niveau de mesure dans le choix des analyses statistiques.

✅ Checklist Examen

1. Connaître la définition de statistiques, statistiques descriptives et inférentielles.
2. Savoir décrire la démarche hypothético-déductive.
3. Identifier et distinguer les types de variables : nominale, ordinale, numérique (intervalle, rapport).
4. Connaître la notation des modalités observables : { } pour nominale/ordinale, [ ; ] pour continue.
5. Expliquer comment construire un tableau de distribution et un graphique (histogramme).
6. Définir la distribution d’une variable et ses formes possibles (unimodale, bimodale, multimodale).
7. Connaître les indices de tendance centrale : mode, médiane, moyenne.
8. Comprendre la différence entre dispersion et tendance centrale.
9. Savoir ce qu’est une distribution normale et ses caractéristiques.
10. Maîtriser le calcul et l’interprétation des scores z.
11. Expliquer la corrélation et la covariance, et leur différence.
12. Connaître les principes fondamentaux des statistiques inférentielles, notamment les tests d’hypothèses.