Aller au contenu principal
📉 L2 • Gestion Disponible

Décider avec des données sans effacer l’incertitude

Statistiques descriptives, probabilités, régression, séries chronologiques, prévision.

1 QCM disponible 14 Questions dans les QCM

Banque publiée de la matière : 14 questions au total. Les compteurs ci-dessus concernent les QCM listés sur cette page. Explorer aussi les fiches notions et leurs entraînements.

Commencer à réviser

Choisis un QCM et tes scores s'enregistreront automatiquement.

← Toutes les matières L2
🤖 Auto Disponible

QCM Statistiques Gestion L2 - Statistiques Gestion

QCM de 14 questions avec corrections détaillées sur Statistiques Gestion (Statistiques Gestion). Révisez efficacement avec des explications pédagogiques pour le niveau L2.

14 questions Intermédiaire Jusqu'à 28 XP
Révision Challenge Examen
Fiches notions :
Voir ce QCM

Présentation de Statistiques appliquées

Une analyse statistique commence par une population, une unité d’observation et des variables. Étudier des commandes, des clients ou des lignes de facture ne produit pas le même échantillon. Un client effectuant beaucoup d’achats peut être surreprésenté si l’on tire des commandes plutôt que des personnes. Les variables qualitatives décrivent des catégories ; les variables quantitatives mesurent des quantités discrètes ou continues. Cette distinction détermine les résumés et graphiques possibles. Une moyenne de codes attribués arbitrairement à des catégories n’a généralement aucun sens économique.

Notions et périmètre de Statistiques appliquées en Licence 2

Repères de cours pour situer la matière. Le contenu de chaque questionnaire est précisé sur sa page ; confrontez ce périmètre à votre propre cours.

Définir les observations avant de calculer
Résumer niveau et dispersion
Échantillonnage, intervalles et tests
Régression, causalité et séries temporelles

Compétences visées en Statistiques appliquées

  • Choisir des résumés adaptés aux variables
  • Interpréter un intervalle et une p-value
  • Distinguer corrélation, prédiction et causalité
  • Évaluer une régression et une prévision temporelle

Définir les observations avant de calculer

Une analyse statistique commence par une population, une unité d’observation et des variables. Étudier des commandes, des clients ou des lignes de facture ne produit pas le même échantillon. Un client effectuant beaucoup d’achats peut être surreprésenté si l’on tire des commandes plutôt que des personnes. Les variables qualitatives décrivent des catégories ; les variables quantitatives mesurent des quantités discrètes ou continues. Cette distinction détermine les résumés et graphiques possibles. Une moyenne de codes attribués arbitrairement à des catégories n’a généralement aucun sens économique.

La provenance des données conditionne l’interprétation. Un export administratif peut être très volumineux tout en excluant certains usagers. Les valeurs manquantes, doublons et changements de définition doivent être documentés. Une absence de réponse n’équivaut pas à zéro, et supprimer les observations incomplètes peut introduire un biais. Avant toute modélisation, examiner distributions, unités, dates et valeurs extrêmes. Un montant inhabituel peut être une erreur de saisie ou une transaction réelle importante ; la décision de l’exclure doit être justifiée, non dictée par le souhait d’obtenir un résultat plus régulier.

Résumer niveau et dispersion

La moyenne utilise toutes les valeurs et se prête aux décompositions, mais elle est sensible aux observations extrêmes. La médiane partage une série ordonnée et renseigne autrement sur une situation typique. Pour des salaires fortement asymétriques, les deux mesures apportent des informations complémentaires. Une moyenne pondérée tient compte des effectifs ou des poids pertinents ; faire la moyenne simple de moyennes de groupes de tailles différentes peut être faux. La définition du dénominateur doit être explicite, notamment pour les taux de conversion ou les dépenses moyennes.

La variance mesure les écarts quadratiques autour de la moyenne ; l’écart-type retrouve l’unité de la variable. Dans l’estimation usuelle d’une variance à partir d’un échantillon, le dénominateur est $n-1$, contrairement à une variance descriptive calculée avec $n$. Le coefficient de variation rapporte l’écart-type à la moyenne et convient surtout à des variables positives dont le zéro a un sens. Deux services ayant le même délai moyen peuvent présenter des dispersions très différentes. Les quartiles et les graphiques complètent donc utilement un indicateur central isolé.

Échantillonnage, intervalles et tests

L’inférence utilise un échantillon pour apprendre sur une population sous des hypothèses de sélection et de modèle. La variabilité d’échantillonnage signifie que deux échantillons peuvent donner des moyennes différentes sans changement réel de population. L’erreur standard de la moyenne diminue approximativement comme l’inverse de la racine de l’effectif, dans le cadre indépendant usuel. Un intervalle de confiance décrit une procédure de couverture répétée ; il ne garantit pas que toutes les observations individuelles y figurent. Augmenter l’effectif réduit la variabilité, mais ne supprime pas un biais de recrutement.

Un test précise une hypothèse nulle, une alternative et un seuil avant d’observer le résultat. La p-value est la probabilité, sous l’hypothèse nulle et les hypothèses du modèle, d’un résultat au moins aussi extrême que celui observé. Ce n’est ni la probabilité que l’hypothèse soit vraie ni la taille de l’effet. Ne pas rejeter ne prouve pas l’égalité. Les tests de comparaison dépendent notamment de l’indépendance ou de l’appariement des observations. Le test de Welch permet de comparer deux moyennes sans imposer des variances égales.

Régression, causalité et séries temporelles

La régression linéaire simple représente une moyenne conditionnelle par une droite et choisit ses coefficients en minimisant la somme des carrés des résidus. La pente indique la variation prédite de la variable expliquée pour une unité supplémentaire du prédicteur. Le coefficient de corrélation mesure une association linéaire standardisée, non une relation causale. Un lien entre publicité et ventes peut aussi refléter saison, promotions ou décisions budgétaires prises en anticipation de la demande. Une régression utile à la prévision n’identifie donc pas automatiquement l’effet d’une intervention.

L’examen des résidus permet de détecter non-linéarité, dispersion inégale ou observations influentes. Prédire très loin des valeurs observées constitue une extrapolation risquée. Pour les séries chronologiques, l’ordre du temps importe : tendance, saisonnalité et autocorrélation peuvent invalider une lecture fondée sur des observations indépendantes. Une moyenne mobile lisse la série mais peut retarder les changements. Évaluer une prévision exige des données non utilisées pour l’ajustement, en respectant l’ordre chronologique. Les indicateurs d’erreur doivent être comparés à une prévision naïve, pas seulement présentés comme petits ou grands sans référence.

Exemple : comparer deux procédures de traitement

Une entreprise teste deux procédures sur des dossiers comparables répartis aléatoirement. Le groupe A comprend cent dossiers avec un délai moyen de dix minutes ; le groupe B en comprend cent avec une moyenne de neuf minutes. Dans les deux groupes, l’écart-type observé vaut quatre minutes. On cherche à estimer la différence moyenne A moins B, et non à affirmer que chaque dossier gagne exactement une minute. L’indépendance des dossiers et la comparabilité du protocole doivent être vérifiées avant d’interpréter les calculs.

L’erreur standard de la différence est la racine de $16/100+16/100$, soit environ 0,566 minute. Un intervalle bilatéral approximatif à 95 %, utilisant ici le grand effectif, vaut une minute plus ou moins 1,96 fois 0,566. Il s’étend donc approximativement de moins 0,11 à 2,11 minutes. Il contient zéro : au seuil bilatéral de 5 %, ces données ne permettent pas de conclure nettement à une différence. Le test de Welch donne une lecture proche avec un quantile de Student adapté.

Cette absence de rejet ne démontre pas l’inefficacité de B. L’estimation reste compatible avec un gain économiquement intéressant, mais aussi avec une différence faible ou légèrement inverse. La décision doit considérer le coût de déploiement, la qualité et la précision souhaitée. Si les mêmes salariés ont traité plusieurs dossiers, la dépendance pourrait rendre l’erreur standard naïve trop faible ; le protocole et l’analyse devraient en tenir compte. Une observation statistiquement significative ne suffirait pas davantage si le gain pratique était négligeable ou accompagné d’erreurs supplémentaires.

Méthode : produire une conclusion proportionnée aux données

Écrire la question de gestion puis sa traduction statistique. Définir population, variables, mode de collecte et unité indépendante. Décrire les données avant de choisir le modèle. Annoncer les hypothèses, calculer estimation et incertitude, puis revenir à l’unité économique. Rapporter une différence de délai avec son intervalle est plus informatif qu’un verdict « significatif » isolé. Pour une prévision, distinguer période d’apprentissage et période de test et éviter toute utilisation involontaire d’informations futures.

Les erreurs à éviter sont la confusion entre écart-type et erreur standard, l’interprétation causale d’une corrélation et la lecture de la p-value comme probabilité de vérité. Multiplier les tests augmente le risque de faux positifs si aucune correction ou stratégie préalable n’est prévue. Dans les QCM, identifier ce qui est aléatoire, ce qui est estimé et quelles hypothèses soutiennent la formule. Une réponse statistique rigoureuse ne transforme pas l’incertitude en certitude : elle la quantifie et précise ce que les données permettent réellement d’affirmer.

Questions de cours

La médiane est-elle toujours préférable à la moyenne ?

Non. Elle résiste mieux aux valeurs extrêmes, mais la moyenne convient à d’autres objectifs, notamment les totaux et certaines analyses de coûts.

Une p-value de 3 % signifie-t-elle 97 % de chances que l’alternative soit vraie ?

Non. Elle décrit un résultat sous l’hypothèse nulle et les hypothèses du test, pas une probabilité postérieure des hypothèses.

Pourquoi une corrélation ne prouve-t-elle pas la causalité ?

Des variables omises, une causalité inverse ou une sélection peuvent produire l’association observée.

Plus de données supprime-t-il tous les biais ?

Non. Un grand échantillon mal sélectionné peut fournir une estimation très précise d’une quantité qui ne représente pas la population visée.

Bibliographie recommandée en Statistiques appliquées

Comment réviser Statistiques appliquées efficacement ?

Relire le cours

Commencez par relire vos notes et le manuel de référence pour rafraîchir les concepts clés.

Mode Révision

Utilisez le mode Révision avec les indices et corrections détaillées pour tester vos connaissances.

Mode Examen

Une fois prêt, passez en mode Examen pour vous évaluer dans les conditions réelles.