🔵 𝓓𝓮́𝓽𝓮𝓬𝓽𝓮𝓻 𝓮𝓽 𝓒𝓸𝓶𝓹𝓻𝓮𝓷𝓭𝓻𝓮 𝓵𝓮𝓼 𝓞𝓾𝓽𝓵𝓲𝓮𝓻𝓼 (𝓥𝓪𝓵𝓮𝓾𝓻𝓼 𝓐𝓫𝓮𝓻𝓻𝓪𝓷𝓽𝓮𝓼) : 𝓤𝓷 𝓘𝓷𝓭𝓲𝓼𝓹𝓮𝓷𝓼𝓪𝓫𝓵𝓮 𝓮𝓷 𝓐𝓷𝓪𝓵𝔂𝓼𝓮 𝓭𝓮 𝓓𝓸𝓷𝓷𝓮́𝓮𝓼

🔴 𝓤𝓷 𝓸𝓾𝓽𝓵𝓲𝓮𝓻 est un point de données 𝓼𝓲𝓰𝓷𝓲𝓯𝓲𝓬𝓪𝓽𝓲𝓿𝓮𝓶𝓮𝓷𝓽 𝓭𝓲𝓯𝓯𝓮́𝓻𝓮𝓷𝓽 du reste des observations.

👉 En termes simples, c’est une valeur 𝓽𝓻𝓸𝓹 𝓮́𝓵𝓮𝓿𝓮́𝓮 𝓸𝓾 𝓽𝓻𝓸𝓹 𝓫𝓪𝓼𝓼𝓮 par rapport aux autres.

U𝙣 𝙡𝙞𝙠𝙚 𝙚𝙩 𝙪𝙣 𝙋𝙖𝙧𝙩𝙖𝙜𝙚. Let's go !

🔎 𝓔𝔁𝓮𝓶𝓹𝓵𝓮
Si la plupart des étudiants obtiennent entre 𝟞𝟘 𝓮𝓽 𝟠𝟘, mais qu’un élève a 𝟙𝟘 ou 𝟡𝟡, ces notes sont des 𝓸𝓾𝓽𝓵𝓲𝓮𝓻𝓼.

📊 𝓒𝓸𝓶𝓶𝓮𝓷𝓽 𝓭𝓮́𝓽𝓮𝓬𝓽𝓮𝓻 𝓵𝓮𝓼 𝓸𝓾𝓽𝓵𝓲𝓮𝓻𝓼 ?

1️⃣ 𝓟𝓪𝓻 𝓿𝓲𝓼𝓾𝓪𝓵𝓲𝓼𝓪𝓽𝓲𝓸𝓷

• Boxplot → les 𝓸𝓾𝓽𝓵𝓲𝓮𝓻𝓼 apparaissent comme des points hors des moustaches.
• Scatterplot → ils sont éloignés du nuage de points.

2️⃣ 𝓟𝓪𝓻 𝓶𝓮́𝓽𝓱𝓸𝓭𝓮𝓼 𝓼𝓽𝓪𝓽𝓲𝓼𝓽𝓲𝓺𝓾𝓮𝓼

• 𝓩-𝓼𝓬𝓸𝓻𝓮 : si |Z| > 3, la valeur est un 𝓸𝓾𝓽𝓵𝓲𝓮𝓻.
• 𝓘𝓠𝓡 :
  • Calculer Q1 (25e percentile) et Q3 (75e percentile)
  • IQR = Q3 – Q1
  • Toute valeur < Q1 – 1,5×IQR ou > Q3 + 1,5×IQR est un 𝓸𝓾𝓽𝓵𝓲𝓮𝓻.

⚖ 𝓟𝓸𝓾𝓻𝓺𝓾𝓸𝓲 𝓬’𝓮𝓼𝓽 𝓲𝓶𝓹𝓸𝓻𝓽𝓪𝓷𝓽 ?

• Ils peuvent 𝓯𝓪𝓾𝓼𝓼𝓮𝓻 𝓵𝓮𝓼 𝓶𝓸𝔂𝓮𝓷𝓷𝓮𝓼 et indicateurs.
• Parfois ce sont des 𝓮𝓻𝓻𝓮𝓾𝓻𝓼 (saisie, mesure).
• Mais ils révèlent parfois des 𝓲𝓷𝓯𝓸𝓻𝓶𝓪𝓽𝓲𝓸𝓷𝓼 𝓹𝓻𝓮́𝓬𝓲𝓮𝓾𝓼𝓮𝓼 (maladies rares, phénomènes extrêmes).

---

✨ En résumé, savoir identifier les 𝓸𝓾𝓽𝓵𝓲𝓮𝓻𝓼 c’est distinguer ce qui est 𝓫𝓻𝓾𝓲𝓽 de ce qui peut être 𝓼𝓲𝓰𝓷𝓪𝓵.

________________________________________

Si vous avez trouvé cette publication utile, n'hésitez pas à 𝒍𝒂 𝒍𝒊𝒌𝒆𝒓 𝒆𝒕 à 𝒍𝒂 𝒑𝒂𝒓𝒕𝒂𝒈𝒆𝒓 avec vos amis et collègues !

Pour mieux apprendre l’utilisation des logiciel et modèles statistiques, nous vous invitons à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢é𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨 avec un accent sur l’IA 

________________________________________

 

---

1. #DataScience
2. #Statistiques
3. #AnalyseDeDonnées
4. #MachineLearning
5. #BusinessIntelligence