1. Études de cas supplémentaires

    Sciences sociales : Impact des réseaux sociaux sur le bien-être (corrélation, régression). Écologie : Analyse de la biodiversité selon des conditions environnementales (ANOVA, Kruskal-Wallis). Économie : Évolution des prix immobiliers en fonction des taux d’intérêt (régression multiple). Santé publique : Effet d’un nouveau traitement sur une maladie (tests t, analyse appariée).

  2. Applications pratiques avec logiciels

    R : Ajouter des scripts pour des cas spécifiques, comme lm() pour la régression ou ggplot2 pour les graphiques. Python : Montrer l’utilisation de scipy.stats pour les tests et seaborn pour la visualisation. Excel/Google Sheets : Pour des étudiants moins techniques, enseigner des tests simples directement via des fonctions intégrées.

  3. Concepts avancés

    Régression multiple : Ajouter une introduction aux modèles multivariés. Interactions : Étudier comment les variables interagissent dans un modèle de régression. Tests post-hoc : Comparaison des groupes après une ANOVA (Tukey HSD, Bonferroni). Tests de robustesse : Approche pour gérer les valeurs aberrantes ou les données manquantes.

  4. Discussions critiques

    Limites des pp-values : Introduire la valeur d’effet (effect size) comme complément. Biais statistiques : Détecter les biais dans les données (échantillons non représentatifs, variables omises). Reproductibilité scientifique : Mettre l’accent sur l’importance des scripts reproductibles.

  5. Ajouts pédagogiques

    Quiz interactifs : Inclure des questions courtes pour vérifier la compréhension après chaque section. Travail en groupes : Étudier des jeux de données différents par sous-groupes et comparer les analyses. Ressources visuelles : Ajouter des infographies pour expliquer les concepts complexes (ex. ANOVA).

  6. Enrichir le TP

    Données réelles : Proposez des jeux de données plus variés ou d’actualité. Problématiques ouvertes : Laissez les étudiants formuler une hypothèse à tester eux-mêmes. Rendus créatifs : Demandez aux étudiants de produire une présentation synthétique ou un rapport.

  7. Extension au-delà de la théorie

    Big data et machine learning : Une introduction aux modèles prédictifs et au rôle de la statistique dans l’IA. Analyse bayésienne : Comparer cette approche à la statistique fréquentiste pour des cas simples. Visualisation avancée : Utilisation de graphiques interactifs (ex. Dash, Shiny pour R).