Study Programmes 2026-2027
WARNING : 2025-2026 version of the course specifications
BTGH2023-1  
Traitement des données numériques, Analyse des données
Duration :
Number of credits :
Bachelier : agronome en techniques et gestion horticoles2
Lecturer :
Robert Milano
Language(s) of instruction :
French language
Organisation and examination :
Teaching in the second semester
Units courses prerequisite and corequisite :
Prerequisite or corequisite units are presented within each program
Learning unit contents :
Statistique

Ce cours a pour objectif une approche concrète des notions statistiques les plus courantes, point de départ de toute analyse de données bio-agronomiques. Les chapitres suivants seront étudiés :

A. Statistiques descriptives

A.1. Variables discrètes, continues, quantitatives, qualitatives, ordinales, nominales.

A.2. Statistiques à une variable

* Paramètres de position et de dispersion : Moyenne, médiane, fréquences, étendue, variance, écart-type, quartiles, score Z, intervalle interquartile, valeurs extrêmes.

* Table des effectifs et des fréquences (pourcentages); Effectifs cumulés; Fréquences cumulées.

* Diagramme en bâtons; Diagramme circulaire; Histogramme; Box-plot; Q-Q-Plot; strip-chart, etc.

* Fonction de répartitions.

A.3. Statistiques à deux variables

A.3.1. - Deux variables qualitatives : tableau de contingence, diagramme en mosaïques, distributions marginales, probabilités conditionnelles.

A.3.2. - Une variable qualitative et une variable quantitative : statistiques groupées, Box-plot parallèles, événements rares ou aberrants. 

A.3.3. - Deux variables quantitatives : nuage de points, corrélation, régression linéaire, ajustement des moindres carrés, coefficient de détermination.



B. Lois de probabilités

B.1. - Rappels de notions de bases en probabilités : indépendance d'événements, incompatibilité, probabilité conditionnelle.

B.2. Notions de variable aléatoire, d'espérance d'une v.a., fonction de répartition, loi de probabilité d'une v.a.

B.3. Loi Binomiale

B.4. Loi Normale

B.5. Loi Khi-Carré

B.6. Loi de Student



C. Statistique inférentielle  :

C.1. Notion d'échantillonnage; notion d'estimateur.

C.2. Estimation ponctuelle d'une moyenne et d'une proportion.

C.3. Intervalle de confiance (IC) d'un estimateur (proportion, moyenne, etc.).



D. Tests d'hypothèses

D.1. risque alpha, bêta, niveau de confiance, puissance d'un test, test unilatéral, test bilatéral

D.2. Test du X² : test d'indépendance

D.3. Comparaison de deux moyennes (variance connue ou estimée) : Test de Student

D.4. Comparaison de deux moyennes issues de "gros" échantillons : hypothèse de normalité (-> Test de Shapiro)

D.5. Comparaison de deux proportions : Approximation normale - Test de Fisher - Test de Mc Nemar

D.6. Comparaison de plusieurs moyennes : ANOVA à 1 facteur / ANOVA à 2 facteurs (+ diagrammes d'interaction)

D.7. Test de normalité d'une v.a. / Test d'homogénéité des variances (BARTLETT, LEVENE)

D.8. Tests non-paramétriques tels que : Mann-Whitney, Wilcoxon, Kruskal-Wallis, test exact de Fisher, test de Mc Nemar, Corrélation des rangs

 

EXERCICES/TP

Les notes du cours théorique contiennent de nombreux exercices variés dont certains sont résolus en classe.

De plus, les étudiants reçoivent un document reprenant des exercices supplémentaires de synthèse. Une majorité de ces exercices renvoient à des bases de données mises à disposition des étudiants. Certains exercices sont résolus pendant les séances théoriques ou durant les séances pratiques sur ordinateur, d'autres sont proposés mais facultatifs. 

 
Learning outcomes of the learning unit :
  • Construire une méthodologie précise pour obtenir des résultats pertinents en réponse à un problème scientifique précis
  • Présenter, communiquer des résultats d'observations à l'aide de tableaux, graphiques réalisés avec ou sans outils informatiques
  • Interpréter, critiquer ces résultats à l'aide de paramètres statistiques en vue de solutionner le problème
  • Comparer différentes situations afin d'optimiser la solution à un problème, tout en respectant un ensemble de contraintes
  • Déterminer le nombre total de solutions possibles à un problème donné
  • Prédire les probabilités d'apparition pour chacune de ces solutions
  • Rédiger une conclusion pertinente, complète, claire à un problème, à une expérimentation
Prerequisite knowledge and skills :
- Utilisation basique d'un ordinateur (gestion des répertoires et des fichiers, etc.)

- Pré-requis mathématiques : Dérivée d'une fonction - Fonctions exponentielles et logarithmiques (propriétés de ces fonctions)  - Intégration - Analyse combinatoire
Planned learning activities and teaching methods :
Cours ex cathedra en présentiel

Résolution de problèmes statistiques et études de cas concrets.                                         
Exercices, applications : études et analyses de bases de données variées.

TP sur ordinateur avec le logiciel R. S'il le désire, l'étudiant pourra installer le logiciel R sur son propre PC.

Les informations livrées durant le cours sont tout aussi importantes que celles figurant sur les notes. Les notes ne résument pas toute l'information utile aux examens.
Mode of delivery (face to face, distance learning, hybrid learning) :
Présentiel, sur ordinateur.
Recommended or required readings :
Assessment methods and criteria :
Examen écrit.

Examen pratique sur ordinateur. Etude de cas concrets de données statistiques. L'étudiant analysera ces données statistiques à l'aide du logiciel R. Il déterminera la méthode statistique la plus adaptée à la résolution des problèmes soumis et des questions précises posées. Il disposera de ses notes de cours durant l'examen. 
Work placement(s) :
Organizational remarks :
Contacts :
r.milano@hech.be