En ingénierie, tout commence par des données. Que vous mesuriez la puissance d'un panneau solaire ou la tension d'une batterie, vous collectez des informations. Ces informations, ou variables, se présentent sous deux formes principales.

Les variables quantitatives sont au cœur de la plupart des analyses statistiques en ingénierie. Elles nous permettent de calculer des indicateurs clés pour comprendre et prédire le comportement d'un système.

Pour analyser un ensemble de données, nous cherchons d'abord sa « tendance centrale », c'est-à-dire une valeur typique ou centrale. Il existe trois manières principales de la mesurer : la moyenne, la médiane et le mode.

La moyenne, notée $\mu$ (mu) pour une population entière ou $\bar{x}$ (x-barre) pour un échantillon, est très sensible aux valeurs extrêmes. Si une batterie se charge exceptionnellement vite un jour, cela tirera la moyenne vers le haut.

La médiane est la valeur du milieu d'un ensemble de données triées. Si vous avez 11 mesures de température, la médiane est la 6ème valeur. Elle est moins affectée par les valeurs aberrantes.

Le mode est simplement la valeur qui apparaît le plus souvent. C'est utile pour les données qualitatives ou pour identifier les pics de fréquence.

Connaître le centre ne suffit pas. Deux ensembles de données peuvent avoir la même moyenne mais être très différents. Imaginez deux machines qui produisent des vis. Les deux produisent des vis d'une longueur moyenne de 50 mm. Mais sur la première machine, les longueurs varient de 49 à 51 mm, tandis que sur la seconde, elles varient de 45 à 55 mm. La seconde machine est moins fiable.

Pour quantifier cette dispersion, on utilise principalement l'écart-type.

Un faible écart-type signifie que les données sont regroupées près de la moyenne. Un écart-type élevé indique que les données sont très étalées. Dans notre exemple, la seconde machine aurait un écart-type beaucoup plus grand.

Dans la nature et en ingénierie, de nombreux phénomènes aléatoires suivent un modèle de distribution particulier : la loi normale, aussi appelée distribution de Gauss ou courbe en cloche. La taille des individus, les erreurs de mesure, ou le bruit dans un signal électronique tendent souvent à suivre cette distribution.

Elle est symétrique autour de la moyenne. Cela signifie que les valeurs proches de la moyenne sont les plus fréquentes, et les valeurs extrêmes sont de plus en plus rares. La forme de la cloche est entièrement définie par seulement deux paramètres : la moyenne ($\mu$) qui la centre, et l'écart-type ($\sigma$) qui détermine son étalement.

Cette distribution est fondamentale car de nombreux tests statistiques, dits tests paramétriques, supposent que les données la suivent. Avant d'appliquer des analyses complexes, il est donc crucial de vérifier comment vos données réelles se distribuent.

Pour cela, l'outil le plus simple et le plus visuel est l'histogramme. Il découpe la plage de vos données en intervalles (ou « classes ») et compte le nombre de valeurs dans chaque intervalle. En traçant ces comptes sous forme de barres, on obtient une image de la fréquence de distribution.

Si l'histogramme ressemble à une courbe en cloche, c'est un bon indice que vos données pourraient être normalement distribuées. C'est la première étape essentielle avant de se lancer dans des analyses plus poussées. Cette visualisation simple vous en dit déjà long sur le comportement de votre système.