Statistiques descriptives et distributions
Moyenne, médiane, variance, std, asymétrie, aplatissement et distributions normale, binomiale et de Poisson.
Statistiques descriptives et distributions est une leçon Learn AI with Python gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Learn AI with Python, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Learn AI with Python comprend 4 leçons au total.
Résumer les données
Les statistiques descriptives condensent un jeu de données en quelques nombres décrivant son centre, sa dispersion et sa forme. Ce sont les premières valeurs que vous calculez sur tout nouveau jeu de données.
import numpy as np
data = np.array([4, 8, 6, 5, 3, 7, 9, 6])Mean et median
La mean est la moyenne arithmétique ; la median est la valeur centrale. La median résiste aux valeurs aberrantes : un écart important entre les deux signale une asymétrie.
print(np.mean(data)) # 6.0
print(np.median(data)) # 6.0Variance et écart type
La variance est la moyenne des écarts au carré par rapport à la mean ; l’écart type est sa racine carrée, dans les mêmes unités que les données.
print(np.var(data)) # population variance
print(np.std(data)) # standard deviationÉchantillon ou population (ddof)
NumPy divise par N par défaut (population). Pour une estimation SAMPLE, divisez par N-1 en utilisant ddof=1, ce qui corrige le biais.
print(np.std(data, ddof=0)) # population
print(np.std(data, ddof=1)) # sample (unbiased)Percentiles et IQR
Les percentiles divisent les données triées. Les 25e et 75e percentiles (quartiles) délimitent les 50 % centraux ; leur différence correspond à l’IQR.
q1 = np.percentile(data, 25)
q3 = np.percentile(data, 75)
print(q1, q3, q3 - q1) # IQRAsymétrie
L’asymétrie mesure le manque de symétrie. Une asymétrie positive présente une longue queue à droite (données de revenus) ; une asymétrie négative, une longue queue à gauche. scipy.stats.skew la calcule.
from scipy import stats
print(stats.skew(data)) # near 0 -> symmetricKurtosis
La Kurtosis mesure le poids des queues. Une Kurtosis élevée signifie qu’il y a davantage de valeurs aberrantes extrêmes que dans une courbe normale. scipy renvoie l’excès de Kurtosis (normale = 0).
print(stats.kurtosis(data)) # 0 means normal-like tailsLa distribution normale
La distribution normale en forme de cloche est définie par sa mean et son écart type. Environ 68 % des valeurs se trouvent à moins d’un std, et 95 % à moins de deux.
sample = stats.norm.rvs(loc=0, scale=1, size=1000, random_state=0)
print(np.mean(sample), np.std(sample)) # near 0 and 1La distribution binomiale
La distribution binomiale compte les succès lors de n essais indépendants oui/non, avec une probabilité de succès p, comme les côtés obtenus lors de lancers de pièce.
print(stats.binom.pmf(k=3, n=10, p=0.5)) # P(exactly 3 heads in 10)La distribution de Poisson
La distribution de Poisson modélise le nombre d’événements rares dans un intervalle fixe, pour un taux moyen lambda donné, comme le nombre d’arrivées par minute.
print(stats.poisson.pmf(k=2, mu=3)) # P(2 events when avg is 3)Histogram
Un histogram regroupe les valeurs en intervalles pour révéler la forme d’une distribution. np.histogram renvoie les effectifs et les limites des intervalles ; matplotlib le représente.
counts, edges = np.histogram(sample, bins=10)
print(counts)
# import matplotlib.pyplot as plt; plt.hist(sample, bins=30)Vérification rapide
Testez vos connaissances en statistiques descriptives.
Récapitulatif
Boîte à outils des statistiques descriptives :
- Centre :
np.mean,np.median - Dispersion :
np.var,np.std(utilisezddof=1pour les échantillons), IQR via les percentiles - Forme :
scipy.stats.skew,scipy.stats.kurtosis - Distributions : normale, binomiale et de Poisson dans
scipy.stats - Histogrammes pour visualiser la forme
Questions Fréquemment Posées
La leçon « Statistiques descriptives et distributions » est-elle gratuite ?
Oui — le texte complet de « Statistiques descriptives et distributions » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Learn AI with Python, passe à CoddyKit PRO. Le cours Learn AI with Python comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Statistiques descriptives et distributions » ?
Moyenne, médiane, variance, std, asymétrie, aplatissement et distributions normale, binomiale et de Poisson. Tu pratiques Learn AI with Python avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Learn AI with Python ?
Aucune expérience préalable n'est requise. Learn AI with Python sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Statistiques descriptives et distributions » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Learn AI with Python ?
Oui. Chaque leçon Learn AI with Python inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Statistiques descriptives et distributions
- Probabilités et théorème de Bayes
- Tests d’hypothèses
- Corrélation et covariance