Study program

• Objectives

  A la fin du cours, l'étudiant-e sait:

  • (C) Comprendre et construire une distribution empirique de données.
  • (C) Calculer les principales caractéristiques d'une distribution.
  • (C) Calculer une probabilité d'occurrence d'un événement.
  • (A) Choisir judicieusement la loi statistique fondamentale (binomiale, géométrique, de Poisson, exponentielle, hypergéométrique, normale) qui modélise une épreuve aléatoire donnée.
  • (C) Estimer les paramètres d'un modèle statistique et calculer leur intervalle de confiance
  • (A) Etablir un modèle de régression linéaire simple

  Acquis d'Apprentissage Visé (AAV)

  • Connaître les principales lois de probabilité
  • Comprendre les notions de statistique (échantillon, population)
  • Estimer les paramètres d'un modèle et déterminer leur intervalle de confiance
  • Etablir un modèle de régression linéaire simple
• Content

  • Statistique descriptive: échantillon, mesures de tendance centrale et de dispersion (moyenne et médiane, variance et écart-type,...), graphes de données (histogrammes, box-plots,...)
  • Probabilités: concept de probabilité, définition, algèbre des événements, calcul des probabilités, probabilité conditionnelle et théorème de Bayes
  • Variables aléatoires: définition, notion de variables discrètes et continues, lois de probabilité et fonction de densité, fonctions de répartition, espérance mathématique, variance, principales lois (Bernoulli, binomiale, géométrique, de Poisson, uniforme, exponentielle, hypergéométrique, normale), théorème central limite
  • Statistique: estimation de paramètres sous forme ponctuelle (moyenne µ, variance sigma^2, proportion p) et par intervalles de confiance (moyenne µ, proportion p)
  • Régression linéaire via la méthode des moindres carrés et coefficient de corrélation

Type of teaching and workload

Course specification

Evaluation methods

• Continuous assessment Written work

Intructor(s) and/or coordinator(s)

Corinne Hager Jörin, Rudolf Riedi