Python et loi statistique : de l'algorithme au modèle graphique

Section role: soutient la formalisation des concepts de programmation et de statistiques découverts pendant le défi de simulation, tandis que le professeur commente les résultats au tableau et présente la syntaxe. Slides : (1) Titre — 'De l'algorithme à la loi statistique' ; (2) Bilan du défi — bullets : rappel des résultats des binômes, observation de la stabilité des fréquences p et q ; (3) Les bases de Python — bullets : définition formelle d'une variable, règle d'affectation et syntaxe des fonctions ; (4) Calculs statistiques en Python — bullets : méthodes pour calculer la moyenne (m) et l'écart-type (s) sur un jeu de données ; (5) Intervalle de confiance — bullets : identification de la proportion d'éléments dans [m - 2s, m + 2s] ; (6) Loi des grands nombres — lien entre l'augmentation de la taille de l'échantillon et la stabilisation de la courbe ; (7) Visualisation des données — bullets : structure du code pour générer un histogramme avec les bibliothèques de calcul ; (8) Exemple complet — script Python combinant calculs et tracé graphique pour le modèle d'Hardy-Weinberg ; Closing slide: 'Comment la taille de l'échantillon modifie-t-elle la lisibilité de notre histogramme ?' — prépare la transition vers la validation individuelle des compétences.

Lara de Teachy