Semaines 3–5 — Statistiques univariées

Pourquoi décrire une variable?

Une grande partie des données en sciences de la Terre commence sous une forme simple: une série de mesures d’une même propriété. Il peut s’agir du volume d’un glissement de terrain, de la taille des grains d’un grès, de la concentration d’un élément ou de l’âge de cristaux. Pourtant, une colonne de nombres ne constitue pas encore une connaissance scientifique. Il faut déterminer ce que représente chaque ligne, rendre visibles la position, la dispersion et la forme de la distribution, puis décider quels résumés conservent l’information pertinente.

Les statistiques univariées étudient une variable à la fois. Petrelli organise leur description autour de la position, de la dispersion et de l’asymétrie (Petrelli 2021). Trauth replace ces résumés dans une démarche plus large: les observations forment un échantillon limité d’une population naturelle que l’on ne peut généralement pas mesurer dans son intégralité (Trauth 2022). Décrire l’échantillon est donc la première étape; l’inférence cherche ensuite à quantifier ce qu’il permet de conclure sur la population définie par la méthode d’échantillonnage.

Dans ce bloc, nous passerons progressivement de la structure d’un catalogue à une comparaison statistique:

  1. Construire une unité d’analyse cohérente en semaine 3;
  2. Visualiser et résumer une distribution en semaine 4;
  3. Passer d’une différence observée à une inférence en semaine 5.

Données du bloc: glissements de terrain et tsunamis

Les semaines 3–5 utilisent un catalogue global de glissements de terrain ayant déclenché un tsunami Dohmen et al. (2025b). Une ligne correspond à un glissement documenté; plusieurs lignes peuvent appartenir au même tsunami. Les variables décrivent notamment la cause rapportée, le milieu aquatique, le volume du glissement et différentes mesures de l’impact du tsunami.

Le fichier pédagogique Dohmen_et-al_landslides_clean.csv contient 355 lignes et 43 colonnes. Il provient du fichier tabulé archivé dans PANGAEA, puis enrichi de colonnes explicites pour l’année, les catégories nettoyées et la validité de chaque entrée. Les colonnes appartiennent à quatre familles:

Table 1: Structure simplifiée du catalogue utilisé pendant les semaines 3-5.
Famille Exemples de colonnes Type pandas Rôle scientifique
identifiants landslide_id, tsunami_id float64 relier une ligne au glissement et au tsunami correspondant
catégories landslide_cause, landslide_type, water_body object décrire le mécanisme, le matériau ou le contexte
mesures landslide_volume_m3, max_water_height_m, fatalities float64 quantifier le glissement et ses conséquences
contrôle is_valid_entry, is_multiple_landslide_tsunami bool documenter les décisions de préparation

La présence d’un type numérique ne garantit ni qu’une valeur est disponible, ni qu’elle constitue une mesure continue: tsunami_id, par exemple, est un identifiant malgré son stockage numérique. Les types informatiques doivent donc être interprétés avec la définition scientifique des colonnes (Table 2.1).

Ce catalogue est pertinent parce qu’il oblige à relier statistique et construction des données. Une valeur manquante ne signifie pas que le phénomène est absent, plusieurs glissements peuvent appartenir au même événement, et les cas publiés ne constituent pas un échantillon aléatoire de tous les glissements terrestres. Les résultats décrivent donc les événements documentés qui satisfont nos critères, pas une population universelle de glissements.

La préparation du catalogue permet de reproduire la génération du fichier utilisé dans le cours depuis celui téléchargé depuis PANGAEA et produit le CSV chargé en semaine 3. La simulation utilisée en semaine 5 (Générer les données synthétiques de la semaine 5) est documentée à la fin de la même page: elle sert à apprendre l’inférence dans un modèle contrôlé et ne crée aucune observation géologique supplémentaire.

Cette simulation contient 150 lignes et trois colonnes: event_id (object) identifie chaque observation, landslide_cause (object) sépare les 60 événements volcaniques des 90 événements associés aux précipitations, et landslide_volume_m3 (int64) donne le volume simulé en mètres cubes. Les paramètres ont été choisis sur l’échelle logarithmique afin de produire des volumes positifs couvrant plusieurs ordres de grandeur et des dispersions différentes. Ils constituent un scénario pédagogique, pas l’estimation d’une population naturelle.