Corrélation vs causalité : Une corrélation entre deux variables ne signifie pas nécessairement qu'une cause l'autre. Il peut exister des variables cachées ou des relations inverses.
- Identifier la relation observée
- Rechercher des variables cachées ou des facteurs confondants
- Considérer la direction de la causalité
- Évaluer la qualité de l'étude
- Formuler une conclusion prudente
Il y a une corrélation entre durée de sommeil et résultats scolaires
Plus on dort, meilleurs sont les résultats
Des élèves plus motivés dorment peut-être mieux et travaillent plus
Des élèves en difficulté stressent plus et dorment moins
Des élèves avec un meilleur environnement familial dorment mieux
Est-ce que dormir plus améliore les résultats ?
Ou est-ce que des bons résultats réduisent le stress et améliorent le sommeil ?
Comment les données ont-elles été collectées ?
L'échantillon est-il représentatif ?
Y a-t-il des biais de sélection ?
Il y a une corrélation positive entre durée de sommeil et résultats
Mais on ne peut pas conclure à une relation de causalité
D'autres facteurs peuvent expliquer cette relation
On ne peut pas conclure que dormir plus améliore directement les résultats. Il s'agit d'une corrélation qui peut être influencée par d'autres facteurs. Une étude plus rigoureuse serait nécessaire pour établir un lien de causalité.
• Corrélation ≠ causalité : Ne pas confondre association et cause
• Variables cachées : Rechercher d'autres facteurs explicatifs
• Conclusion prudente : Formuler des interprétations mesurées
Homogénéité d'une série : Mesurée par la dispersion des valeurs autour de la moyenne. Une série est dite plus homogène si ses valeurs sont plus proches de la moyenne (écart-type plus petit).
- Comparer les moyennes des deux séries
- Comparer les écarts-types
- Interpréter la dispersion
- Déterminer laquelle est plus homogène
- Expliquer la signification
Classe A : moyenne = 12
Classe B : moyenne = 12
Les moyennes sont identiques
Classe A : écart-type = 3
Classe B : écart-type = 1
La classe B a un écart-type plus petit
Classe A : les notes sont plus dispersées (écart-type = 3)
Classe B : les notes sont plus concentrées autour de la moyenne (écart-type = 1)
La classe B est plus homogène car son écart-type est plus petit
Cela signifie que les performances sont plus uniformes
Classe A : grande diversité de niveaux
Classe B : niveau plus uniforme entre les élèves
La classe B est plus homogène que la classe A. Bien que les deux classes aient la même moyenne (12/20), les résultats de la classe B sont plus uniformes avec un écart-type de 1 contre 3 pour la classe A.
• Écart-type : Plus petit = plus homogène
• Homogénéité : Proximité des valeurs à la moyenne
• Comparaison : Nécessite des unités identiques
Signification statistique : Un changement est statistiquement significatif s'il est suffisamment important pour ne pas être dû au hasard. Cela dépend de la magnitude du changement, de l'unité de mesure et du contexte.
- Calculer la valeur finale après le changement
- Évaluer la magnitude du changement
- Considérer le contexte et les seuils réglementaires
- Interpréter la signification pratique
- Identifier les limites de l'information
Valeur initiale : 100 μg/m³
Diminution de 20% : 100 × 0.20 = 20 μg/m³
Valeur finale : 100 - 20 = 80 μg/m³
Changement de 20% sur 5 ans
Soit 4% par an en moyenne
C'est un changement progressif mais significatif
Pour la pollution atmosphérique, une réduction de 20% est importante
Cela peut avoir des impacts positifs sur la santé publique
Les seuils réglementaires sont souvent fixés en dessous de 50 μg/m³
Le changement est statistiquement significatif
Il est aussi socialement pertinent
Mais on ignore la méthode de mesure et les conditions de relevé
On ne connaît pas la méthode de mesure
Les conditions météorologiques peuvent influencer
La réduction peut varier selon les périodes de l'année
La réduction de 20% (de 100 à 80 μg/m³) est statistiquement et pratiquement significative. Cependant, pour une interprétation complète, il faudrait connaître la méthode de mesure, les conditions de relevé et les seuils réglementaires applicables.
• Signification : Statistique + pratique
• Contexte : Nécessaire pour l'interprétation
• Limites : Identifier les manques d'information
Généralisation : Processus consistant à étendre les résultats d'un échantillon à une population entière. Cela nécessite que l'échantillon soit représentatif et que la taille soit suffisante.
- Évaluer la taille de l'échantillon
- Considérer la méthode de sélection
- Calculer la marge d'erreur
- Évaluer la représentativité
- Formuler une conclusion mesurée
Échantillon de 100 personnes
Pour une enquête, c'est une taille modeste
La marge d'erreur est d'environ ±10% au seuil de 95%
On ne connaît pas la méthode de sélection
Si l'échantillon est biaisé, les résultats ne sont pas généralisables
Échantillonnage aléatoire est idéal
Pour n = 100, la marge d'erreur est d'environ ±10% (au seuil de 95%)
Cela signifie que la vraie proportion est entre 50% et 70%
La population cible n'est pas précisée
Les critères de sélection sont inconnus
Il peut y avoir des biais de sélection
On ne peut pas généraliser avec certitude
Les résultats suggèrent une préférence, mais avec incertitude
Une enquête plus large serait nécessaire
On ne peut pas généraliser à la population entière. Avec un échantillon de 100 personnes, la marge d'erreur est d'environ ±10%, et on ignore la méthode de sélection. La préférence observée (60%) pourrait varier entre 50% et 70% dans la population.
• Échantillon : Doit être représentatif
• Marge d'erreur : Dépend de la taille de l'échantillon
• Généralisation : Prudence face aux conclusions hâtives
Critique d'informations : Processus d'analyse systématique des données présentées pour identifier les biais, les omissions, les erreurs d'interprétation et les limites de validité.
- Vérifier les sources des données
- Identifier les échelles et les unités
- Considérer le contexte temporel
- Rechercher les facteurs externes
- Évaluer la pertinence des comparaisons
Qui a fourni ces données ?
Sont-elles issues d'une source fiable ?
Les données sont-elles vérifiables ?
Quelle est l'unité de mesure des ventes ?
Le graphique utilise-t-il des échelles appropriées ?
Y a-t-il des axes tronqués qui exagèrent la tendance ?
Quelle est la période de référence ?
Y a-t-il des facteurs saisonniers ?
Le mois de comparaison est-il représentatif ?
Y a-t-il eu des événements exceptionnels ?
Des campagnes marketing ?
Des changements de prix ?
Compare-t-on des périodes équivalentes ?
Les conditions sont-elles similaires ?
La comparaison est-elle justifiée ?
Pour valider cette information, il faut vérifier la source, les échelles, le contexte temporel, les facteurs externes et la pertinence de la comparaison. Sans ces éléments, l'augmentation de 50% peut être trompeuse.
• Source : Vérifier la fiabilité
• Contexte : Considérer les conditions de mesure
• Critique : Questionner les interprétations
- Source : Fiabilité et indépendance
- Échantillon : Taille, représentativité, méthode de sélection
- Contexte : Conditions de mesure, période, facteurs externes
- Présentation : Échelles, axes, interprétations visuelles
- Conclusion : Validité, généralisation, limites
- Corrélation ≠ causalité
- Échantillon représentatif pour généralisation
- Contexte essentiel pour interprétation
- Prudence face aux graphiques trompeurs
- Questionner les sources et les méthodes
