Revision sheet: Introduction aux mesures statistiques essentielles

1. 📌 L'essentiel

• La moyenne arithmétique : somme des valeurs / effectif total.
• La médiane : valeur centrale après tri croissant ; impaire : valeur du milieu ; paire moyenne des deux valeurs centrales.
• Le mode : valeur la plus fréquente ; peut être multiple ou absent.
• La variance : moyenne des carrés des écarts à la moyenne ; formule : $V = \frac{1}{n} \sum_{i=1}^{n} (x_i - \bar{x})^2$.
• La covariance : mesure de l’écart conjoint entre deux variables ; nulle si indépendantes.
• L’écart type : racine carrée de la variance ; unité identique aux données.
• La matrice de covariance : caractérise la dispersion multidimensionnelle.
• La relation entre variance et covariance : la variance est un cas particulier de la covariance.
• La distribution asymétrique influence le choix entre moyenne et médiane.
• La dispersion est mieux caractérisée par la variance ou l’écart type.

2. 🧩 Structures & Composants clés

• Moyenne arithmétique — mesure centrale la plus courante.
• Médiane — valeur centrale, robuste face aux valeurs extrêmes.
• Mode — valeur la plus fréquente, utile pour données discrètes.
• Variance — mesure la dispersion autour de la moyenne.
• Écart type — racine carrée de la variance, unité identique.
• Covariance — relation conjointe entre deux variables.
• Matrice de covariance — représentation multidimensionnelle.
• Distribution asymétrique — influence la position de la moyenne et de la médiane.
• Analyse en composantes principales — utilise la matrice de covariance.

3. 🔬 Fonctions, Mécanismes & Relations

• La moyenne synthétise la tendance centrale.
• La médiane divise la distribution en deux parties égales.
• Le mode indique la valeur la plus fréquente.
• La variance quantifie la dispersion, plus elle est grande, plus la distribution est étalée.
• La covariance indique si deux variables varient conjointement (positive, négative ou nulle).
• La corrélation : covariance normalisée, varie entre -1 et 1.
• La matrice de covariance permet l’analyse de la structure multidimensionnelle.
• La dispersion est mieux représentée par la variance ou l’écart type que par la moyenne.
• La distribution asymétrique peut faire privilégier la médiane à la moyenne.
• La relation entre variance et covariance : la variance est la covariance d’une variable avec elle-même.

4. Tableau comparatif

Élément	Caractéristiques clés	Notes / Différences
Moyenne arithmétique	Somme des valeurs / effectif	Mesure centrale la plus courante
Médiane	Valeur centrale après tri, ou moyenne des deux centrales si pair	Résistante aux valeurs extrêmes
Mode	Valeur la plus fréquente	Peut être multiple ou absent
Variance (V)	Moyenne des carrés des écarts à la moyenne	Toujours positive, mesure dispersion
Covariance	Moyenne du produit des écarts à la moyenne de deux variables	Nulle si variables indépendantes
Écart type (σ)	Racine carrée de la variance	Unité identique aux données
Matrice de covariance	Matrice symétrique, diagonale : variance, hors diagonale : covariance	Analyse multidimensionnelle

5. Diagramme Hiérarchique ASCII

Statistiques descriptives
 ├─ Mesures de tendance centrale
 │    ├─ Moyenne
 │    ├─ Médiane
 │    └─ Mode
 └─ Mesures de dispersion
      ├─ Variance
      ├─ Écart type
      └─ Covariance

6. ⚠️ Pièges & Confusions fréquentes

• Confondre moyenne et médiane dans distributions asymétriques.
• Penser que la variance peut être négative (elle est toujours positive).
• Confondre covariance et corrélation : la corrélation est la covariance normalisée.
• Oublier que la moyenne est sensible aux valeurs extrêmes, contrairement à la médiane.
• Confondre mode et médiane : mode est la valeur la plus fréquente.
• Croire que la covariance indique la force de la relation (elle indique la direction, pas la force).
• Négliger que la variance est un cas particulier de la covariance.
• Confondre dispersion et centrale : dispersion se mesure par variance ou écart type.

7. ✅ Checklist Examen Final

• Définir la moyenne, la médiane et le mode.
• Expliquer la formule de la variance.
• Savoir calculer la variance et l’écart type.
• Comprendre la relation entre covariance et corrélation.
• Interpréter une matrice de covariance.
• Identifier quand utiliser la médiane plutôt que la moyenne.
• Expliquer la signification d’une covariance nulle.
• Savoir différencier dispersion et tendance centrale.
• Comprendre l’impact de la distribution asymétrique.
• Savoir utiliser la matrice de covariance pour l’analyse en composantes principales.
• Connaître la formule de la covariance : $Cov(x,y) = E[(x - E[x])(y - E[y])]$.
• Reconnaître que la variance est toujours positive.
• Savoir que la moyenne est sensible aux valeurs extrêmes.
• Identifier la différence entre covariance et corrélation.
• Savoir interpréter la dispersion à partir de l’écart type.
• Maîtriser la hiérarchie des mesures : tendance centrale vs dispersion.