Objectifs d’apprentissage

Objectifs d’apprentissage

Les étudiant.e.s:

1. maîtriseront les principes de base des statistiques d’ingénierie
2. seront en mesure de mettre en œuvre des techniques d’analyse de données adaptées aux scénarios d’ingénierie
3. développeront des compétences pratiques en Python à l’aide de tutoriels et de simulations
4. appliqueront leurs connaissances des statistiques à des problèmes d’ingénierie réels.

.

Importance pour l’ingénierie

Ces objectifs d’apprentissage sont essentiels aux ingénieur.e.s. En effet, ils fournissent une base solide en matière d’analyse statistique et d’analyse des données, en plus de fournir des compétences en programmation Python. S’ils atteignent ces objectifs, les étudiant.e.s seront en mesure de résoudre des problèmes d’ingénierie complexes qui nécessitent de prendre des décisions basées sur les données et des analyses statistiques.

Parties, modules et chapitres 

Les parties spécifiques suivantes et leurs objectifs d’apprentissage, tels qu’ils sont enseignés dans les parties, modules et chapitres, sont conformes aux objectifs globaux mentionnés ci-dessus.

Partie 1 :  Explorer les données

• Reconnaître et distinguer les différents termes clés.
• Appliquer différents types de méthodes d’échantillonnage pour la collecte des données.
• Comprendre le rôle des statistiques en ingénierie.
• Appliquer des compétences informatiques en matière de statistiques à des fins d’exploration des données.
• Nettoyer les données pour les préparer à l’analyse statistique.

Partie 2 :  Résumer, visualiser et communiquer via les données

• Apprendre à effectuer un tracé des données et à les communiquer efficacement
• Afficher les données sous forme de graphiques et interpréter les graphiques.
• Reconnaître, décrire et calculer des mesures de position et de répartition des données.

Partie 3 : Probabilités et variables aléatoires discrètes

• Comprendre et utiliser la terminologie des probabilités.
• Calculer les probabilités en utilisant les règles d’addition et de multiplication.
• Construire et interpréter des tableaux de contingence, des diagrammes de Venn et des schéma en arbre.
• Reconnaître et comprendre les fonctions de distribution de probabilité discrètes.
• Calculer et interpréter l’espérance mathématique.
• Appliquer correctement les distributions de probabilité discrètes.

Partie 4 : Variables aléatoires continues et distribution normale de la probabilité

• Reconnaître et comprendre les fonctions de densité de probabilité continue.
• Appliquer correctement les distributions de probabilité continues.
• Reconnaître et appliquer la distribution de probabilité normale.

Partie 5 : Statistiques inférentielles et test d’hypothèses à l’aide d’échantillons

• Appliquer et interpréter le théorème limite central pour les moyennes.
• Décrire les tests d’hypothèses et faire la distinction entre les types d’erreurs de test d’hypothèses.
• Réaliser et interpréter des tests d’hypothèses pour les paramètres de population.
• Réaliser et interpréter des tests d’hypothèses pour deux paramètres de population.
• Comprendre et appliquer les méthodes non paramétriques pour comparer des distributions.
• Calculer et interpréter les intervalles de confiance pour les paramètres de population.
• Déterminer les tailles d’échantillons requises pour les intervalles de confiance.
• Comprendre et pouvoir expliquer la valeur p et les conclusions du test statistique.
• Choisir en tout confiance le test statistique à exécuter.

Partie 6 : Inférence pour les études mutli-échantillons non structurées et ANOVA.

• Interpréter la distribution de la probabilité F.
• Exécuter et interpréter l’analyse de la variance à un facteur et des essais de variances.
• Appliquer des méthodes d’intervalle de confiance individuels et simultanés pour l’analyse de la variance à un facteur.

Partie 7 : Méthode des moindres carrés et analyse de régression linéaire simple

•  Discuter des concepts de régression linéaire et de corrélation.
• Calculer et analyser des diagrammes de dispersion, calculer des coefficients de corrélation, et identifier les valeurs aberrantes.
• Tirer des conclusions sur des modèles simples de régression linéaire et communiquer ces conclusions avec assurance.
• Trouver la droite de régression de modèles établis et créer de nouveaux modèles à partir des données.

Partie 8 :  Analyse de régression linéaire multiple

• Appliquer l’analyse de régression linéaire multiple.
• Apprendre l’ajustement et l’élaboration de modèles pour la régression linéaire multiple.
• Présentation du plan complet d’expériences factorielles.

Partie 9 : Plan d’expériences

• Appliquer et mettre en œuvre un plan d’expérience.
• Appliquer des plans factoriels complets et fractionnés.
• Comprendre et utiliser les méthodologies de surfaces de réponse et les méthodes d’optimisation.

.

Dans l’ensemble, ces modules et objectifs d’apprentissage donnent aux étudiant.e.s en génie les connaissances et compétences en statistiques requises pour exceller dans leur domaine et leur permettre de prendre des décisions basées sur les données pour résoudre les problèmes d’ingénierie avec efficacité.