Study program

• Objectives

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

  • Résumer un ensemble de données par différents graphiques statistiques et valeurs caractéristiques, comme la moyenne, l'écart-type, les quartiles, ...
  • Calculer une probabilité d'occurrence d'un événement.
  • Appliquer les principales lois de distribution qui modélisent des épreuves aléatoires concrètes.
  • Estimer les paramètres d'un modèle statistique.
  • Comprendre le rôle de la statistique inférentielle.
• Content

  • Statistique descriptive : échantillon, mesures de tendance centrale et de dispersion (moyenne et médiane, écart-type, ...), graphes de données (histogrammes, box-plots, ...).
  • Probabilités : concept de probabilité, définition, algèbre des événements, calcul des probabilités (définitions, probabilité conditionnelle, théorème de Bayes).
  • Variables aléatoires : définition, notion de variables discrètes et continues, lois de probabilité et fonctions de densité, fonctions de répartition, espérance mathématique, variance, principales lois (Bernoulli, binomiale, géométrique, de Poisson, uniforme, exponentielle, normale), théorème central limite.
  • Statistique inférentielle : estimation de paramètres sous forme ponctuelle (moyenne µ, variance, sigma^2, proportion Pi) et par intervalles de confiance (moyenne µ, proportion Pi).
  • Ajustement de courbes : 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, Practical exercises / Evaluated reports

Intructor(s) and/or coordinator(s)

Rédina Berkachy, Corinne Hager Jörin, Christophe Hebeisen, Rudolf Riedi