Académique Documents
Professionnel Documents
Culture Documents
Biostatistique Cours 1: 30 Septembre 2021 Master 1 Santé Publique Julie - Boucquemont@
Biostatistique Cours 1: 30 Septembre 2021 Master 1 Santé Publique Julie - Boucquemont@
Cours 1
30 septembre 2021
Master 1 Santé Publique
julie.boucquemont@universite-paris-saclay.fr
Fonctionnement de l’UE
• 1 cours par semaine : le jeudi de 14h à 16h (test du co-modal) sauf semaine du 11 novembre
• 1 TD par semaine : le mardi de 14h à 16h
-> 2 groupes en parallèle : un en présentiel, un en distanciel
-> Enseignants : Faroudy Boufassa et Hugues Herrmann
-> A préparer à l’avance
• 3 TD de révisions (attention aux jours et horaires – voir planning)
• Examen sur table de 2h en janvier (tous documents autorisés)
• Ensemble des documents de cours sur eCampus
• Livre de référence : Jean Bouyer. Méthodes statistiques - Médecine-Biologie. 16 juin 2017.
Vuibert.
Biostatistique – M1 SP 2
Plan
• Variabilité dans les sciences de la vie
• Lois de probabilités
• Utilisation des tables statistiques
Biostatistique – M1 SP 3
Variabilité dans les sciences de la vie
• La variabilité est partout
Exemple 1 : répartition
des poids de naissance
de 2673 nouveau-nés
Biostatistique – M1 SP 4
Variabilité dans les sciences de la vie
• La variabilité est partout
Biostatistique – M1 SP 5
Variabilité dans les sciences de la vie
• La variabilité est partout
Fluctuations d’échantillonnage
Les observations varient (au hasard)
d’un échantillon à l’autre
Biostatistique – M1 SP 6
Fluctuations d’échantillonnage
• Conséquence 1 : les conclusions qu’on peut tirer concernant un échantillon sont
sujettes à erreur
Intervalle de fluctuation
Le % de malades dans un échantillon de 20 sujets est compris entre 15% et 50%...
…mais seulement dans 95% des échantillons
Biostatistique – M1 SP 7
Fluctuations d’échantillonnage
• Conséquence 2 : on ne peut pas donner une seule valeur pour une variable telle
que le poids de naissance
-> Il faut des indices pour résumer les observations : moyenne, variance
• A partir d’un échantillon, on ne doit pas donner une estimation unique d’une
moyenne ou d’un pourcentage, mais un intervalle
-> Intervalle de confiance
Biostatistique – M1 SP 8
Fluctuations d’échantillonnage
Intervalle de fluctuation
Valeur théorique
Observations
(ou vraie)
Population Echantillon
Intervalle de confiance
Biostatistique – M1 SP 9
Fluctuations d’échantillonnage
• Conséquence 3 : la comparaison de moyennes ou de pourcentages observés
nécessite des précautions
Tests statistiques
Biostatistique – M1 SP 10
Fluctuations d’échantillonnage
Biostatistique – M1 SP 11
Population et échantillons
Observations
Population Echantillon 2
Inférence
Conclusion sur les
paramètres de la population
Echantillon k
Biostatistique – M1 SP 12
Variables aléatoires
Observations
Questions
Hypothèses Modélisation des Echantillon 1
fluctuations m1 – p1 – s1
d’échantillonnage
Population Echantillon 2
Inférence m2 – p2 – s2
µ–p–σ
Conclusion sur les
paramètres de la population Echantillon k
mk – pk – sk
Variables aléatoires
Biostatistique – M1 SP 13
Différents types de variables
• Variables qualitatives
• Ordinales : niveau d’étude, stade de gravité d’une maladie
• Nominales : malade/non malade, groupe sanguin, sexe, catégorie socio-
professionnel
• Variables quantitatives
• Discrètes : nombre d’enfants d’une famille, âge en années
• Continues : poids, dosage biologique
Biostatistique – M1 SP 14
Représentations graphiques
Groupe sanguin
Biostatistique – M1 SP 15
Représentations graphiques
• Variables quantitatives : histogramme
Distribution des poids de naissance des 2673 enfants nés à la maternité de Haguenau (1984 et 1985)
Biostatistique – M1 SP 16
Représentations graphiques
• Variables quantitatives : histogramme
Distribution des poids de naissance des 2673 enfants nés à la maternité de Haguenau (1984 et 1985)
Biostatistique – M1 SP 17
Indices
• Caractéristiques de position et de dispersion d’une variable
quantitative
Moyenne Variance
𝑁 𝑁
Population 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑁 1 1
𝜇= = 𝑥𝑖 𝜎 2 = 𝑥𝑖 − 𝜇 2
𝑁 𝑁 𝑁
𝑖=1 𝑖=1
𝑛 𝑛
𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛 1 1
Echantillon 𝑚= = 𝑥𝑖 𝑠2 = 𝑥𝑖 − 𝑚 2
𝑛 𝑛 𝑛−1
𝑖=1 𝑖=1
Biostatistique – M1 SP 18
Indices
• Caractéristiques de position et de dispersion d’une variable
quantitative
Biostatistique – M1 SP 19
Lois de probabilités
Connaitre la loi suivie par une variable aléatoire
permet entre autre le calcul de probabilités
P X = k = Cnk πk (1 − π)n−k
n!
P X=k = πk (1 − π)n−k
k! n − k !
Biostatistique – M1 SP 20
Lois de probabilités
• Loi de probabilité continue
• 𝑓 𝑥 = densité de probabilité
𝑏
• P 𝑎 ≤ 𝑋 ≤ 𝑏 = 𝑡 𝑓 𝑎d𝑡
Biostatistique – M1 SP 21
Lois de probabilités
Connaitre la loi suivie par une variable aléatoire permet entre autre le calcul de probabilités
Biostatistique – M1 SP 22
Lois de probabilités
Connaitre la loi suivie par une variable aléatoire permet entre autre le calcul de probabilités
• Loi normale
1 (𝑥 − 𝜇)²
𝑓 𝑥 = exp −
𝜎 2𝜋 2𝜎²
𝑥
𝐹 𝑥 = P 𝑋 ≤ 𝑥 = න 𝑓 𝑡 d𝑡
−∞
Biostatistique – M1 SP 23
Lois de probabilités
Connaitre la loi suivie par une variable aléatoire permet entre autre le calcul de probabilités
• Loi normale
Biostatistique – M1 SP 24
Lois de probabilités
Connaitre la loi suivie par une variable aléatoire permet entre autre le calcul de probabilités
• Loi normale
Biostatistique – M1 SP 25
Lois de probabilités
Connaitre la loi suivie par une variable aléatoire permet entre autre le calcul de probabilités
• Loi normale
Biostatistique – M1 SP 26
Lois de probabilités
Connaitre la loi suivie par une variable aléatoire permet entre autre le calcul de probabilités
Biostatistique – M1 SP 27
Table de la loi normale centrée réduite
P(Z>0.643) = ?
Biostatistique – M1 SP 28
Table de la loi normale centrée réduite
P(Z>0.643) = 0.260
Biostatistique – M1 SP 29
Table de la loi normale centrée réduite
P(Z>-1.036) = ?
Biostatistique – M1 SP 30
Table de la loi normale centrée réduite
P(Z>-1.036) = 0.850
Biostatistique – M1 SP 31
Table de la loi normale centrée réduite
P(Z<0.138) = ?
Biostatistique – M1 SP 32
Table de la loi normale centrée réduite
P(Z<0.138)
= 1 - P(Z>0.138)
= 1 - 0.445
= 0.555
Biostatistique – M1 SP 33
Table de la loi normale centrée réduite
P(0.510<Z<0.628)
=?
Biostatistique – M1 SP 34
Table de la loi normale centrée réduite
Biostatistique – M1 SP 35
Table de la loi normale centrée réduite
P(0.510<Z<0.628)
= P(Z>0.510)
-P(Z>0.628)
= 0.305 - 0.265
= 0.04
Biostatistique – M1 SP 36
Table de la loi normale centrée réduite
-> a = ?
Biostatistique – M1 SP 37
Table de la loi normale centrée réduite
-> a = 0.075
Biostatistique – M1 SP 38
Loi normale quelconque
• X ~ loi normale de moyenne µ et d’écart-type σ
𝑋−𝜇
•𝑈 = ~ loi normale centrée réduite : table
𝜎
𝑎′−𝜇 𝑏′−𝜇
• 𝑃 𝑎′ < 𝑋 < 𝑏′ = 𝑃 <𝑈<
𝜎 𝜎
Biostatistique – M1 SP 39
Loi normale quelconque : exemple
• X = poids de naissance
X ~ loi normale de moyenne µ=3300 g et d’écart-type σ=500 g
Biostatistique – M1 SP 40
Loi normale quelconque : exemple
• X = poids de naissance
X ~ loi normale de moyenne µ=3300 g et d’écart-type σ2=500g2
Biostatistique – M1 SP 41
Loi normale quelconque : exemple
Biostatistique – M1 SP 42
Approximation par la loi normale
• Approximation de la loi binomiale : 𝑋~𝐵(𝑛, 𝜋)
→ Si n grand, X suit approximativement une loi normale
- de moyenne nπ
- de variance n π(1- π)
Règle : nπ ≥ 5 et n(1-π) ≥ 5
Biostatistique – M1 SP 43
Approximation par la loi normale
• Loi des grands nombres : la somme de variables aléatoires suivant
une même loi de probabilité suit une loi normale
𝑋𝑖 𝜎2
𝑋ത = ~𝑁 𝜇,
𝑛 𝑛
Biostatistique – M1 SP 44
Approximation par la loi normale
• Loi des grands nombres : convergence de la distribution de la
moyenne vers une loi normale
Biostatistique – M1 SP 45
Approximation par la loi normale
• Loi des grands nombres : convergence de la distribution de la
moyenne vers une loi normale
Biostatistique – M1 SP 46
Approximation par la loi normale
• Loi des grands nombres : convergence de la distribution de la
moyenne vers une loi normale
Biostatistique – M1 SP 47
Approximation par la loi normale : exemple
% de malades dans la population = 8%
Biostatistique – M1 SP 48
Approximation par la loi normale : exemple
% de malades dans la population = 8%
Biostatistique – M1 SP 49
Approximation par la loi normale : exemple
% de malades dans la population = 8%
Biostatistique – M1 SP 50
Approximation par la loi normale : exemple
% de malades dans la population = 8%
Biostatistique – M1 SP 51
Approximation par la loi normale : exemple
X une variable aléatoire representant l’âge des sujets d’une population
moyenne = 35 ans, variance = 300 ans2
Biostatistique – M1 SP 52
Approximation par la loi normale : exemple
X une variable aléatoire representant l’âge des sujets d’une population
moyenne = 35 ans, variance = 300 ans2
Biostatistique – M1 SP 53
Approximation par la loi normale : exemple
X une variable aléatoire representant l’âge des sujets d’une population
moyenne = 35 ans, variance = 300 ans2
Biostatistique – M1 SP 55