2.0.1 Résumer, visualiser et communiquer des données – Introduction

Le polymathe britannique Francis Galton (1822-1911; figure 2.0.1.1) a été un pionnier dans l’utilisation de statistiques synthétiques.  Fasciné par les mesures et la quantification, il a développé des concepts statistiques novateurs (bien que profondément problématiques) pour y répondre.  Il a notamment fait une observation intelligente concernant la médiane lors d’un concours d’estimation du poids d’un bœuf lors d’une foire de bétail. Intrigué par la diversité des estimations, Galton a analysé les données et a constaté que si les estimations individuelles variaient considérablement, la médiane des estimations était étonnamment proche du poids réel du bœuf. Cette découverte a mis en évidence l’efficacité de la médiane en tant que mesure de la tendance centrale, notamment en ce qui concerne sa robustesse face aux valeurs aberrantes et aux données asymétriques. Cette avancée a été publiée dans la revue Nature en 1907.

William Playfair (1759-1832; figure 2.0.1.2) est considéré comme le fondateur des méthodes graphiques en statistiques, et notamment des diagrammes topologiques, à barres, de zones et en secteurs.  Il a révolutionné la manière de présenter les données et a démontré que les graphiques pouvaient communiquer des informations plus efficacement que les tableaux de données.  Une fois qu’on les a décrites et résumées à l’aide de statistiques descriptives, les données peuvent être présentées sous de nombreuses formes de visualisation graphiques, ce qui permet d’en extraire des conclusions.

Le besoin et la croissance des visualisations de données démontrent le rôle critique des graphiques statistiques en tant qu’outils efficaces pour comprendre la distribution et la forme des données. Contrairement à une simple collection de chiffres, les graphiques fournissent une représentation visuelle qui permet de discerner plus facilement les groupes de données, les tendances et les valeurs aberrantes. Il s’agit d’une pratique largement utilisée dans divers médias et industries pour comparer et communiquer les données rapidement et efficacement.

Nous nous concentrons sur les méthodes graphiques fondamentales comme les histogrammes, les diagrammes en barres, les diagrammes en boîte, les séries temporelles et les nuages de points (aussi appelés diagrammes de dispersion).  Les applications pratiques de ces concepts sont démontrées par des exercices utilisant des tutoriels Jupyter Notebook basés sur Python.  Nous conclurons en soulignant les principes de l’excellence graphique et l’importance de créer des graphiques informatifs, véridiques et visuellement utiles.

Dans l’ensemble, ce module fournit un bon mélange de concepts théoriques, d’applications pratiques et d’outils de calcul statistique essentiels pour maîtriser la communication graphique des données dans les statistiques en génie biomédical.