Introduction

L'analyse statistique (statistical analysis) est la science de la collecte, de l'organisation et de l'interprétation des données pour prendre des décisions. L'analyse statistique est au cœur de la science des données, avec des applications allant de l'analyse des consommateurs (consumer analysis) (par ex., les scores de crédit, la planification de la retraite et les assurances) aux préoccupations gouvernementales et commerciales (par ex., la prédiction des taux d'inflation), en passant par les analyses médicales et l'analyse d'ingénierie (engineering analysis).

L'analyse statistique est un aspect essentiel de la science des données, qui implique la collecte, l'organisation et l'interprétation systématiques des données pour la prise de décision (decision-making). Elle sert de fondement à diverses applications de l'analyse des consommateurs telles que l'évaluation du crédit, la planification de la retraite et les assurances, ainsi qu'aux processus de prise de décision gouvernementaux et commerciaux tels que la prévision des taux d'inflation et les stratégies marketing. En tant que consommateur, l'analyse statistique joue un rôle important dans divers processus de prise de décision. Par exemple, lors d'une décision financière majeure comme l'achat d'une maison, la probabilité de fluctuation des taux d'intérêt et son impact sur le financement hypothécaire doivent être pris en compte.

Une partie de l'analyse statistique comprend les statistiques descriptives (descriptive statistics), qui désignent la collecte, l'organisation, le résumé et la présentation des données à l'aide de divers graphiques et représentations visuelles. Une fois les données collectées et résumées à l'aide des méthodes de statistiques descriptives, l'étape suivante consiste à analyser les données à l'aide de divers outils probabilistes et de distributions de probabilité afin de tirer des conclusions sur le jeu de données et de formuler des prédictions utiles à des fins de planification et d'estimation.

Les statistiques descriptives comprennent les mesures de tendance centrale et de dispersion des données, les mesures de position et la génération de divers affichages graphiques (graphical displays). Par exemple, un gestionnaire des ressources humaines peut souhaiter produire certaines mesures statistiques pour la distribution des salaires dans une entreprise donnée. Cela peut impliquer le calcul du salaire moyen, du salaire médian et de l'écart type, entre autres. Le gestionnaire peut également souhaiter présenter les données aux autres employés, de sorte que la création de divers affichages graphiques tels que des histogrammes, des boîtes à moustaches et des nuages de points peut s'avérer appropriée.

Le gestionnaire des ressources humaines peut également souhaiter obtenir des estimations et des prédictions sur le salaire moyen dans l'entreprise à un horizon de cinq ans, en tenant compte des effets de l'inflation, ou créer un modèle pour prédire le salaire d'un employé individuel en fonction de ses années d'expérience dans le domaine.

De telles analyses s'appuient sur les méthodes et techniques statistiques que nous aborderons dans ce chapitre, en prolongeant l'introduction à l'analyse statistique présentée dans Que sont les données et la science des données ? et Collecter et préparer les données. L'analyse statistique fait appel à une variété d'outils technologiques pour automatiser les calculs statistiques et générer des affichages graphiques. Ce chapitre illustrera également l'utilisation de Python pour produire des résultats et des graphiques. Le matériel complémentaire situé à la fin de cet ouvrage montrera la même démarche à l'aide d'Excel (Annexe A) et de R (Annexe B).

Dans ce chapitre, vous étudierez également les concepts de probabilité et les distributions de probabilité. La théorie des probabilités nous aide à quantifier l'incertitude, qui est toujours inhérente aux données du monde réel. Nous verrons que dans les jeux de données réels, nous devons souvent composer avec le bruit et le caractère aléatoire, qui seront traités au moyen d'analyses statistiques.

L'analyse probabiliste (probability analysis) fournit les outils nécessaires pour modéliser, comprendre et quantifier les incertitudes, permettant ainsi aux spécialistes des données de prendre des décisions éclairées à partir des données. La théorie des probabilités constitue également la base de différents types d'analyses, tels que les intervalles de confiance et les tests d'hypothèses, qui seront abordés plus en détail dans Statistiques inférentielles et analyse de régression. De telles méthodes s'appuient sur des modèles probabilistes pour formuler des prédictions et détecter des régularités. De plus, l'apprentissage automatique (abordé dans Séries temporelles et prévisions) utilise des modèles probabilistes pour représenter l'incertitude et établir des prédictions à partir des données recueillies. L'analyse probabiliste aide les spécialistes des données à sélectionner des modèles de données, à interpréter les résultats et à évaluer la fiabilité de ces conclusions. Pour un examen plus détaillé des concepts statistiques, veuillez vous référer à Introductory Statistics 2e.