Des statistiques sans mathématiques ? Est-il possible?
Oui, il est possible de comprendre et d’appliquer des statistiques sans mathématiques complexes. En se concentrant sur les concepts logiques de base, les observations du monde réel et les graphiques simples, les étudiants et les chercheurs peuvent comprendre les principes statistiques et analyser efficacement les données sans se laisser submerger par les complexités mathématiques.
Vous avez besoin statistiques et l'analyse des données pour vos recherches scientifiques, mais vous éprouvez des difficultés à comprendre et à appliquer les concepts en raison de leur complexité mathématique ? Rassurez-vous, vous n'êtes pas seul. La plupart des étudiants et des chercheurs, même dans des domaines autres que les sciences exactes, rencontrent également ce problème. Poursuivez votre lecture pour découvrir comment et pourquoi il est possible de comprendre et d'appliquer les statistiques sans recourir à des concepts mathématiques complexes.
Le problème
De nombreux étudiants et chercheurs de divers domaines rencontrent des difficultés importantes avec les statistiques.
Ce problème est particulièrement préoccupant car l'analyse des données est cruciale pour toute recherche scientifique.
Heureusement, il est possible de saisir les bases des statistiques et d'appliquer efficacement l'analyse des données sans être submergé par les concepts mathématiques.
La solution
En 2004, William Magnusson et Guilherme Mourão ont publié le livre Statistics Without Math.
“Statistiques sans maths » n’est pas un ouvrage de statistiques ordinaire, ni un substitut aux manuels classiques. Un excès de détails mathématiques détourne l’attention des concepts logiques fondamentaux, entraînant des erreurs dans la conception des échantillons, l’analyse des données et la compréhension de la littérature scientifique. C’est pourquoi ce livre part d’observations concrètes et explique comment les statistiques peuvent être utilisées comme un outil pratique pour répondre aux questions qu’elles posent et communiquer les résultats. Enfin, il s’adresse aux étudiants de niveau intermédiaire (souvent négligé dans la plupart des livres et des cours) et enseigne les concepts avec un minimum de détails mathématiques, en privilégiant la simplicité des graphiques et, si nécessaire, l’analogie. Cette approche, éprouvée en classe pendant de nombreuses années par les auteurs, a transformé la manière dont les étudiants appréhendent les statistiques“
Some essentiel tirés du livre :
Points clés à retenir
Les données ne sont utiles que si elles fournissent des informations.
Les questions statistiques doivent refléter des questions scientifiques.
Le monde n'a pas besoin d'un autre livre de statistiques.
Les équations et les statistiques ne font que refléter ce que montrent graphiques montrer.
implicite ou apparente Les projets de recherche ne comportent aucune question.
A hypothèse nulle affirme à quoi ressemblerait le monde si nos croyances étaient fausses.
L'interprétation graphiques est souvent plus importante que celle des statistiques.
Trouver la bonne question est souvent plus important que de trouver la bonne réponse.
Si les équations vous intimident, tournez-vous vers graphiques pour obtenir les mêmes informations.
Les analyses de tableaux de contingence (par exemple, le chi carré) sont rarement appropriées pour les questions statistiques.
S'éloigner des simples nuages de points peut inutilement compliquer les choses.
La conception d'un échantillon implique la collecte de données susceptibles d'éclairer les bonnes décisions.
On ne devrait croire à une structure (standard) que si elle peut être visualisée dans un graphique simple.
Tout mesurer et laisser « les données parler d'elles-mêmes » est inefficace pour découvrir des informations.
Les chercheurs doivent faire preuve de logique pour décider quelles variables inclure dans leur analyse.
Le fait de rejeter à tort l'hypothèse nulle et de conclure à l'existence d'un phénomène alors qu'il n'existe pas est appelé une erreur de type.
Les biologistes privilégient souvent les moyennes, mais les différences de variabilité peuvent être plus importantes.
Élaborez un organigramme représentant le système étudié avant de choisir l'analyse.
Tester les différences entre les moyennes nécessite de supposer variabilité approximativement égale au sein des catégories.
Les chercheurs peuvent représenter graphiquement des données transformées, mais l'adéquation du modèle ne peut être évaluée qu'avec des données non transformées données.
Sur les graphiques, les lignes droites minimisent la distance moyenne entre la ligne et les points.
Les analyses statistiques réduisent les problèmes complexes à des questions bidimensionnelles présentables sous forme de simples nuages de points.
Ne pas rejeter l’hypothèse nulle lorsqu’elle est fausse constitue une erreur de type II, avec une probabilité connue sous le nom de « 1−β ».
Les lecteurs d'articles peuvent soupçonner une pseudo-réplication et des inférences statistiques dénuées de sens lorsqu'ils rencontrent un tableau de contingence.
n’excédant pas ce nombre Une bonne règle empirique pour déterminer les réplicats consiste à les diviser par dix et à limiter le modèle à un nombre de facteurs.
De nombreuses probabilités rapportées sont des pseudo-probabilités, témoignant d'une adhésion à la culture scientifique plutôt que d'une volonté de fournir des informations objectives sur le monde réel.
La plus grande erreur dans la conception d'un échantillon provient de la négligence des concepts logiques de base, que les étudiants auraient pu assimiler si les mathématiques statistiques n'avaient pas détourné leur attention.
Bien que les traités mathématiques sur les statistiques soient essentiels, il existe peut-être de meilleures façons pour les étudiants d'acquérir des connaissances pratiques sur l'utilisation des statistiques pour interpréter les données.
Remarques finales
Pour mener efficacementune analyse statistique , suivez ces étapes fondamentales :
1. Comprendre les concepts de base des statistiques.
2. Familiarisez-vous avec les principales mesures de synthèse, telles que la moyenne arithmétique et l'écart type (statistiques descriptives).
3. Apprendre les principaux graphiques et savoir quand et comment les utiliser.
4. Savoir sélectionner l’analyse statistique appropriée à chaque situation et apprendre à appliquer correctement toutes les étapes de l’analyse (statistiques inférentielles).
Réalisez tout cela grâce aux statistiques sans mathématiques!
Pour acheter le livre « Statistiques sans mathématiques », cliquez ici !
