Lesréserves d'eau de la côte ouest sont dangereusement basses.Oh, non ! Mais à quel point, exactement ? C'est le moment idéal pour utiliser des preuves statistiques, pour expliquer ce que signifie "dangereusement basses".
De telles statistiques peuvent être des éléments importants d'un argument. En fait, les statistiques peuvent être si influentes qu'elles peuvent à la fois créer et gagner des arguments. Tu dois cependant être particulièrement prudent lorsque tu utilises et analyses des preuves statistiques, car ce qui peut te faire gagner un argument peut aussi t'en faire perdre un.
Preuves statistiques : Définition
Les mots sont souvent utilisés, mais qu'est-ce qu'une statistique et qu'est-ce qu'une preuve ?
Une statistique est un nombre dérivé d'un grand ensemble de données.
Une preuve est une justification d'un argument.
Mets-les ensemble et qu'est-ce que tu obtiens ? Tu obtiens une preuve statistique.
La preuve statistique est un type de preuve qui utilise des données numériques et une analyse statistique pour soutenir un argument ou une revendication. Elle implique l'utilisation de données pour faire des observations objectives et quantitatives sur un phénomène particulier, une population ou un groupe de personnes.
Une statistique est souvent dérivée d'une étude ou d'une enquête et devient une preuve lorsqu'elle est employée dans une nouvelle thèse.
Les preuves statistiques peuvent être recueillies par le biais de diverses méthodes, telles que les enquêtes, les expériences et les études d'observation. Les preuves statistiques sont souvent utilisées dans des domaines tels que la science, l'économie et les sciences sociales, mais elles peuvent être appliquées à n'importe quel domaine où des données objectives sont nécessaires pour étayer un argument ou une affirmation dans une dissertation.
Preuves statistiques : Exemples
Les enquêtes, les sondages, les données de recensement, les résultats d'expériences, les données économiques et les statistiques criminelles sont des exemples de preuves statistiques. Les preuves statistiques peuvent être un moyen efficace d'étayer des arguments et de fournir des preuves objectives pour les affirmations. Cependant, il est important d'utiliser les preuves statistiques de façon responsable et précise et d'être conscient des biais et des limites potentielles des données.
Voyons un élément de preuve statistique, puis utilisons-le.
Il y a 20 % d'insectes volants en moins aux États-Unis qu'en 2010.
Cette statistique pourrait ensuite être utilisée pour étayer un énoncé de thèse comme celui-ci :
En raison du changement climatique, la population d'insectes en Amérique diminue à un rythme alarmant, ce qui met les écosystèmes terrestres en danger.
La statistique de notre enquête ne prouverait évidemment pas toute cette thèse (si c'était le cas, ce ne serait pas une bonne thèse). Cependant, cette statistique peut certainement contribuer à prouver que les insectes volants sont en déclin. D'autres preuves statistiques seraient nécessaires pour relier ce déclin au changement climatique, et une explication scientifique serait nécessaire pour relier ces deux éléments à l'"écosystème terrestre."
Fig. 1 - Quelle est la signification de mon déclin statistique ?
Tu peux déjà constater le rôle central que jouent les preuves statistiques dans la démonstration d'une thèse scientifique.
Importance des preuves statistiques
Il existe de nombreuses façons d'étayer un argument, mais les preuves statistiques apparaissent souvent comme le moyen le plus crédible et le plus significatif de le faire. Pourquoi ?
La raison, ce sont les chiffres. De toutes les choses que l'on t'apprend à l'école, les mathématiques sont peut-être les plus rigides. Il y a une bonne façon d'additionner les nombres, de les soustraire et de les utiliser dans les formules. Les mauvais calculs peuvent être tailladés au stylo rouge, en faisant preuve d'une objectivité implacable. En cours de mathématiques, on ne te demandera pas ton avis sur l'efficacité de la formule quadratique, par exemple.
Les chiffres constituent une base de référence pour les gens. Un plus un égal deux, c'est là que tu commences à composer le monde qui t'entoure. Pour reprendre l'exemple de la formule quadratique, tu n'apportes pas de preuves à l'appui de la formule quadratique. Tu utilises la formule quadratique comme un moyen d'apprendre quelque chose à propos d'autre chose.
Ainsi, lorsque quelqu'un entend une statistique, il a l'impression qu'elle est définitive. Qu'y a-t-il de plus fondamental qu'un chiffre solide comme le roc ? L'utilisation de preuves statistiques est un moyen puissant de faire appel à la logique, également appelé appel au logos.
Fig. 2 - Un chiffre doit être juste, n'est-ce pas ?
Malheureusement, c'est là que beaucoup de gens se trompent, car malgré le fait que les preuves statistiques soient numériques, elles sont loin d'être indiscutables. En effet, les statistiques ne sont pas créées par l'utilisation de formules dans une salle de classe.Les statistiques sont dérivées de l'observation.
Il va sans dire que l'observation humaine n'est pas parfaite.
Rassembler des preuves statistiques
Les statistiques sont des chiffres, mais les chiffres peuvent mentir : à la fois lorsqu'ils sontmal recueillis et lorsqu'ils sont mal appliqués.
Lespreuves statistiques mal recueilliespeuvent être le résultat d'uneerreur scientifique.
L'erreur scientifique est une observation scientifique qui ne reflète pas exactement la nature du sujet.
Note la description, "une observation scientifique". Cela signifie que les erreurs scientifiques sont des erreurs honnêtes. Bien qu'il s'agisse d'erreurs, ce sont des erreurs commises par des chercheurs neutres. Si une étude ne tient pas compte de l'environnement, ou utilise une procédure défectueuse, ou utilise des instruments qui fonctionnent mal, il s'agit souvent d'erreurs scientifiques. Ceci est différent de l'autre source d'erreur statistique.
L'autre source de preuves statistiques mal recueillies est.
Le biais, c'est lorsque tu appliques une hypothèse à quelque chose avant de l'étudier.
Par exemple, si quelqu'un mène une étude en s'attendant à un certain résultat, ce biais peut affecter ses conclusions. Si une étude qui dénonce l'utilisation des jeux vidéo a été menée par un groupe anti-jeux vidéo, tu as de bonnes raisons de t'arrêter et de remettre en question les résultats de, qui pourraient bien être biaisés !
Application des preuves statistiques
Lespreuves statistiques mal appliquées sont le résultat d'une manipulation ou de l'ignorance.
Voici une façon de voir les choses. As-tu déjà lu un article qui cite une étude ? Bien sûr, tu l'as fait de nombreuses fois. D'accord, mais à quelle fréquence as-tu lu ces études ? Probablement beaucoup moins souvent ! En soi, ce n'est pas une mauvaise chose. On ne peut pas s'attendre à ce que tu ailles au fond de tout ce que tu lis, car c'est impossible. Cependant, cette question met en lumière les personnes à qui tu dois faire confiance .
Lorsque tu rédiges ta dissertation, assure-toi de citer des sources fiables, sinon tu seras coupable d'ignorance. Ignore ton ignorance, et tu seras coupable de manipulation !
Les émissions-débats, les médias sociaux et les plateformes partisanes ne sont pas fiables. Cherche des études provenant d'universités réputées et d'institutions neutres vérifiables.
Voici l'essentiel, messieurs les essayistes . Si tu utilises des preuves statistiques erronées, ou si tu utilises des preuves statistiques exactes de manière biaisée, ton essai en souffrira. Tu veux connaître la meilleure façon de procéder ?
Rassembler et appliquer correctement les preuves statistiques
Lorsque tu utilises des preuves statistiques exactes de manière neutre et objective, tes chiffres sont solides. Les preuves statistiques correctes ne doivent pas être ignorées, et tu peux tirer parti de la puissance de ces chiffres pour obtenir d'excellents résultats.
Pour t'assurer que tes preuves statistiques sont correctes, voici une liste de contrôle.
Vérifie la source des données statistiques. Les crois-tu ? Si tu ne les crois pas, qui les croit ? S'agit-il d'un parti pris ou d'une campagne de peur, ou bien d'une institution de recherche solide dont tu n'as jamais entendu parler ? Si nécessaire, examine l'étude. Cherche quand même dans l'étude, si tu veux vraiment te mettre en valeur !
Comprends le contexte de la preuve statistique. Assure-toi de bien comprendre ce que signifie l'étude et ce que signifie l'article. Sois impartial dans ton approche.
Relie les preuves statistiques à ta propre thèse, en utilisant la logique. Suis toujours une ligne de raisonnement.
Utilise les données statistiques sans les manipuler. Ne les gonfle pas, ne les dégonfle pas et ne les utilise pas pour dire quelque chose qu'elles ne veulent pas dire.
Utiliser les preuves statistiques dans ta rédaction
Avec des statistiques précises en main, comment les utiliser ?
Tu dois synthétiser tes preuves pour soutenir ta thèse. Voici une routine étape par étape que tu peux utiliser pendant la phase d'élaboration du plan.
Élimine les preuves qui sont redondantes.
Vois comment tes chiffres sont liés les uns aux autres. Raconte une histoire. En général, tu voudras soit aller du moins général au plus général, du plus général au moins général, soit suivre un ordre chronologique.
Classe tes statistiques sous chaque point principal (dans chaque paragraphe du corps). De cette façon, tu sauras exactement quand utiliser tes preuves statistiques.
Tu es maintenant une légende de l'utilisation correcte des preuves statistiques. Félicite-toi !
Preuves statistiques - Points clés à retenir
Une preuve statistique est un nombre dérivé d'un grand ensemble de données qui est utilisé pour justifier un argument.
Comme les statistiques sont dérivées de l'observation, elles ne sont pas nécessairement justes, même s'il s'agit de chiffres précis.
Une preuve statistique mal recueillie est le résultat d'une erreur ou d'un préjugé scientifique.
Des données statistiques mal appliquées sont le résultat d'une manipulation ou d'une ignorance.
Pour utiliser correctement les preuves statistiques, vérifie tes sources, comprends leur contexte et relie-les logiquement à ta thèse. Ne manipule jamais tes données.
Apprends plus vite avec les 15 fiches sur Preuve statistique
Inscris-toi gratuitement pour accéder à toutes nos fiches.
Questions fréquemment posées en Preuve statistique
Qu'est-ce qu'une preuve statistique?
Une preuve statistique est une méthode utilisant des données et des outils statistiques pour vérifier une hypothèse ou démontrer une relation entre des variables.
Pourquoi les preuves statistiques sont-elles importantes?
Les preuves statistiques sont importantes car elles permettent de vérifier des hypothèses avec un niveau de confiance quantifiable, soutenant des décisions basées sur des données.
Comment interpréter une preuve statistique?
Interpréter une preuve statistique signifie comprendre les résultats des tests statistiques, comme les valeurs p, et déterminer si les résultats sont significatifs ou non.
Quels outils sont utilisés pour obtenir des preuves statistiques?
Des logiciels comme SPSS, R et Excel sont couramment utilisés pour réaliser des analyses statistiques et fournir des preuves statistiques.
How we ensure our content is accurate and trustworthy?
At StudySmarter, we have created a learning platform that serves millions of students. Meet
the people who work hard to deliver fact based content as well as making sure it is verified.
Content Creation Process:
Lily Hulatt
Digital Content Specialist
Lily Hulatt is a Digital Content Specialist with over three years of experience in content strategy and curriculum design. She gained her PhD in English Literature from Durham University in 2022, taught in Durham University’s English Studies Department, and has contributed to a number of publications. Lily specialises in English Literature, English Language, History, and Philosophy.
Gabriel Freitas is an AI Engineer with a solid experience in software development, machine learning algorithms, and generative AI, including large language models’ (LLMs) applications. Graduated in Electrical Engineering at the University of São Paulo, he is currently pursuing an MSc in Computer Engineering at the University of Campinas, specializing in machine learning topics. Gabriel has a strong background in software engineering and has worked on projects involving computer vision, embedded AI, and LLM applications.