Initiez-vous à la statistique inférentielle

Le data analyst va pouvoir apporter des réponses à chacune de ces questions, en ayant posé au préalable un modèle probabiliste (on reviendra sur les raisons de cette hypothèse dans la suite), discret dans le premier exemple, continu dans le second exemple.

1. A la première question, le data analyst donnera comme réponse une estimation (ponctuelle)
   — du taux de guérison théorique $\$\backslash (p\backslash )\$$ dans le premier exemple.
   — de la consommation d’essence théorique $\$\backslash (\backslash mu\backslash )\$$ dans le second exemple (on peut vouloir aussi estimer la dispersion de cette consommation $\$\backslash (\backslash sigma^2\backslash )\$$ ).

2. La réponse apportée à la seconde question sera un intervalle de confiance.

3. Enfin pour répondre à la troisième question, il mettra en place un test statistique pour vérifier que :
   — $\$\backslash (p\; >\; p\_0\backslash )\$$ , avec $\$\backslash (p\_0\; =\; 0.75\backslash )\$$ , dans le premier exemple,
   — $\$\backslash (\backslash mu\; =\; \backslash mu\_0\backslash )\$$ , avec $\$\backslash (\backslash mu\_0\; =\; 31\backslash )\$$ , dans le second exemple.

Globalement, le data analyst apporte des outils d’aide à la décision, enjeu crucial dans de nombreux domaines aujourd’hui.