1. Objectifs et description détaillée du cours 
Description détaillée 
Ce cours vise à donner aux étudiant·e·s les connaissances fondamentales et les compétences pratiques 
nécessaires pour analyser, synthétiser et interpréter des jeux de données issus d’applications réelles. Le 
contenu combine des notions de statistique descriptive, de visualisation de données, d’introduction à la théorie 
des probabilités, d’inférence statistique élémentaire (intervalles de confiance et tests d’hypothèse), d’analyse de 
tableaux croisés et de modèles linéaires simples. Une part importante du cours est consacrée à l’utilisation d’un 
logiciel statistique (ex. SPSS, R ou autre outil institutionnel) pour effectuer des calculs, produire des graphiques 
et interpréter des résultats. L’approche privilégie la compréhension conceptuelle, la capacité à choisir et 
appliquer la méthode statistique appropriée, ainsi que l’aptitude à communiquer des conclusions claires et 
argumentées à partir de données. 
Objectifs pédagogiques détaillés 
À l’issue du cours, l’étudiant·e devra être capable de : 
1. Décrire, résumer et visualiser des jeux de données 
o Calculer et interpréter des mesures de tendance centrale (moyenne, médiane), de dispersion 
(écart-type, variance, étendue, quantiles) et de forme (asymétrie, kurtosis) ; 
o Construire et lire correctement des représentations graphiques (histogrammes, boîtes à 
moustaches, diagrammes en barres, nuages de points, tableaux croisés) ; 
o Détecter anomalies, valeurs atypiques et tendances structurelles dans les données. 
2. Comprendre les notions élémentaires de probabilité et de variables aléatoires 
o Manipuler la terminologie de la probabilité, distinguer événements indépendants/compatibles ; 
o Connaître la loi normale et son usage comme approximation ; 
o Calculer espérance et variance pour variables discrètes simples. 
3. Construire et interpréter des intervalles de confiance 
o Estimer un paramètre (moyenne, proportion) par un estimateur ponctuel et construire 
l’intervalle de confiance associé ; 
o Interpréter correctement la signification d’un intervalle et ses hypothèses (taille d’échantillon, 
distribution, approximations). 
4. Réaliser et interpréter des tests d’hypothèse de base 
o Formuler des hypothèses nulles et alternatives adaptées ; 
o Conduire des tests de signification pour moyennes et proportions (tests unilatéraux et 
bilatéraux), calculer p-values et prendre des décisions en fonction d’un seuil choisi ; 
o Comprendre les notions d’erreurs de type I et II et la puissance approximative d’un test. 
5. Analyser les relations entre variables 
o Mesurer l’association linéaire à l’aide de la corrélation et interpréter ses limites ; 
o Estimer et interpréter un modèle de régression linéaire simple (droite d’ajustement, coefficients, 
intervalles de confiance, signification statistique) ; 
o Effectuer un diagnostic rudimentaire du modèle (résidus, ajustement). 
6. Traiter et analyser des tableaux croisés 
o Construire et interpréter des tableaux de contingence pour variables catégorielles ; 
o Utiliser des tests d’indépendance / d’association (test du χ²) et comprendre leurs conditions 
d’application. 
7. Mettre en œuvre des analyses avec un logiciel statistique 
o Savoir importer, nettoyer, décrire et visualiser un jeu de données dans l’outil choisi ; 
o Savoir exécuter des procédures de base (moyennes, écarts, tests, régressions) et 
extraire/présenter les résultats de façon compréhensible ; 
o Rédiger des rapports synthétiques et interpréter les sorties du logiciel sans se contenter d’une 
lecture mécanique. 
8. Communiquer des résultats statistiques de façon critique et éthique 
o Présenter des conclusions claires (graphique + texte) en expliquant les limites et hypothèses ; 
o Éviter les interprétations trompeuses, respecter l’intégrité des données et mentionner les 
éventuels biais d’échantillonnage ou limites méthodologiques. 
Approche pédagogique et méthodes d’enseignement 
• Exposés magistraux pour les concepts théoriques ; 
• Séances pratiques en laboratoire (utilisation du logiciel statistique) pour appliquer les méthodes à des 
jeux de données réels ; 
• Travaux dirigés et devoirs hebdomadaires pour renforcer l’apprentissage ; 
• Quiz courts réguliers pour vérification continue des acquis ; 
• Projets / études de cas appliqués (possibilité d’analyse de données réelles) pour mobiliser l’ensemble 
des compétences ; 
• Examens (mi-parcours et final) pour l’évaluation sommative. 
Compétences transversales développées 
• Analyse critique des données ; 
• Communication claire des résultats quantitatifs ; 
• Utilisation d’outils numériques spécialisés ; 
• Travail en équipe et gestion de projet d’analyse de données.