Université Abbes Laghrour Khenchela

Faculté de science de la nature et de la vie

Dr Y. Dalli

Biostatistique

Objectif du cours :
Initiation des étudiants de licence aux traitements des données liées à leurs thématiques de
travail via les biostatistiques.

But des statistiques :

Les statistiques permettent de confirmer ou d’infirmer une hypothèse avec une marge d’erreur
la plus petite possible, et/ou prédire un évènement à l’aide d’outils. Il existe deux types de
statistiques :
• Les statistiques descriptives, permettant de décrire une série de données.
• Les statistiques inférentielles, consistant en des tests permettant de confirmer ou infirmer une
hypothèse.
Sur l’organigramme ci-contre représentant le processus de démarche scientifique, les tests
statistiques permettent d’une part l’interprétation des résultats, et d’autre par la confirmation ou
l’information d’une hypothèse.

Fig 1 : Organigramme qui représente le processus de démarche scientifique.

1. Définitions et généralités :
1.1. biostatistique :
La biostatistique, qui est aussi connue sous le nom biométrie, est l’application des statistiques
en biologie ; sachant que, la statistique est la science dont l’objet est de recueillir, de traiter et
d’analyser des données issues de l’observation de phénomènes aléatoires, c’est-à-dire dans
lesquels le hasard intervient.
La biostatistique nous permet de décrire une population donnée, selon ses attributs et ses
qualités, de mesurer la précision d’une estimation ou de définir le degré d’association entre une
série de caractères et d’évènements.
Elle englobe :
– La conception d’expériences biologiques ;
– La collecte d’informations ;
– L’analyse des données chiffrées ;
– L’interprétation des résultats et conclusion.

1.1.1. Biostatistique en biologie végétale

Les biologistes sont des acteurs du vivant, appliquant une approche scientifique nécessitant :
◦ La description de la variabilité importante des phénomènes liés aux plantes.
◦ L’utilisation d’outils d’investigation de la complexité liée aux végétaux et leurs mécanismes
d’adaptations dans leurs biotopes ou dans certaines conditions stressantes.
◦ L’élaboration et interprétation de tests d’hypothèses in vivo ou in natura.

Quelques exemples :
1- Comment s’assurer (tester) l’efficacité d’un bioengrais ou d’un biopesticide sur une
population de pommier.
2- Comment évaluer la production de blé dans la région de khenchela.
3- Quels sont les facteurs d’environnement qui influent sur une telle végétation.

Le premier problème est donc celui de la récolte des données.

1.2. Population statistique
En statistique, une population est un ensemble d’éléments présentant des caractéristiques
similaires sur lesquels une étude statistique est destinée à être réalisée.
La taille de la population, est constituée du nombre total d’éléments du groupe qu’on souhaite
étudier.
Exemples :
1- Lorsqu’on fait une étude sur les notes obtenues par les étudiants de licence au cours d’une
année, les étudiants de L3 constituent la population statistique de l’étude.
2- Une analyse statistique de la qualité des pièces produites dans une usine pendant une période
donnée, toutes les pièces produites par cette usine pendant cette période constitueront la
population étudiée.
3- Etude de l’efficacité d’agents de bionconroles des maladies parasitaires chez le pommier de
khenchela, les pommiers des agriculteurs de la région de Khenchela est la population étudiée.

1.2.2. Types de population statistique

Il existe deux types de populations statistiques :

2
  Population statistique finie : population dont le nombre d’éléments est fini, c’est-à-
dire qu’ils peuvent être comptés.
 Population statistique infinie : population dont le nombre d’éléments est infini, c’est-
à-dire qui n’a pas de fin.

Exemples :
Le nombre de voitures qui circulent sur une route au cours d’une journée constitue une
population finie.
Nombre de planètes dans l’univers constitue une population infinie car toutes les planètes n’ont
pas encore été découvertes et ne peuvent donc pas être comptées.

1.2.3. Population statistique et échantillon

En statistique, la différence entre population et échantillon est la proportion par rapport au

nombre total d’éléments de l’étude. La population statistique est l’ensemble des éléments sur
lesquels l’étude est réalisée, cependant, l’échantillon statistique fait partie de tous les éléments
de l’étude.
La taille d’un échantillon sera donc toujours inférieure ou égale à la taille d’une population.
1.3. L’échantillon
Peut également être appelé un sous-ensemble de la population.
Normalement, pour étudier statistiquement une population, les données ne sont pas prélevées
sur chaque élément de la population, mais plutôt un échantillon représentatif est choisi, l’étude
est réalisée sur l’échantillon, puis les conclusions sont extrapolées à l’ensemble de la
population.
Exemple :
-Tester l’efficacité d’un biopesticide sur un le mildiou de tomate.
- L’ensemble des plants dans un champ de tomate sont la population et seulement quelques
individus de plants constituent l’échantillon.

Fig 2 : Représentation de la différence entre population et échantillon.

3
2. Les méthodes d’échantillonnage
En statistiques, les méthodes d'échantillonnage correspondent aux différentes manières de
constituer un échantillon de la population étudiée.
Si l'échantillon n'est pas constitué de manière aléatoire, il peut ne pas être représentatif de la
population c'est-à-dire ne pas posséder les mêmes caractéristiques que la population que l’on
souhaite étudier. Les résultats obtenus sur l'échantillon ne peuvent alors être extrapolés à la
population. L'étude est dite biaisée et non valide (le biais désigne une erreur systématique dans
l’estimation d’un paramètre).
Il existe différentes méthodes d'échantillonnage, aléatoires ou non.

2.1. Les méthodes non aléatoires

Échantillon de convenance : Le chercheur constitue son échantillon en choisissant les

individus (appelés aussi unités statistiques) disponibles pour des raisons pratiques
d’accessibilité et de coût et non de manière aléatoire. L'échantillon est obtenu sans méthode
particulière.
Exemple : Un enquêteur interroge les passants de la rue où il se trouve.
L'étude sera certainement biaisée : l'échantillon de convenance ne sera pas forcément un
échantillon représentatif, des facteurs tels que le lieu et le temps peuvent introduire un biais de
sélection dans l'étude. Dans notre exemple, en quoi les passants de cette rue à tel moment de la
journée sont représentatifs de la population ?
Échantillonnage à participation volontaire : Cette technique consiste à faire appel à des
volontaires pour constituer l’échantillon.
Exemple : Une animatrice télé propose à ses téléspectateurs de visiter son site Web et de
répondre à un sondage en ligne.
L'étude sera certainement biaisée : seuls les téléspectateurs que le sujet intéresse vraiment d’une
façon ou d’une autre ont tendance à répondre et ils n'ont pas nécessairement les mêmes opinions
que le reste de la population.
Exo :
Pour évaluer le niveau de satisfaction de ses clients, un restaurant laisse à disposition sur les
tables un bref questionnaire. Les clients qui le souhaitent remplissent le questionnaire.
Quelle méthode d’échantillonnage a-t-on utilisé ?
Choisissez une seule réponse : a- Échantillonnage de convenance
b- Échantillonnage à participation volontaire

2.1. Les méthodes aléatoires

2.1.1. Échantillon aléatoire simple : Tous les éléments de la population ont la même
probabilité de faire partie de l’échantillon. On peut utiliser un générateur de nombres aléatoires
ou bien utiliser des méthodes telles que le tirage en aveugle d'un nombre donné de nom
d'individus rassemblés dans un chapeau.
Exemple : Un enseignant met le nom des élèves du collège dans un chapeau et, sans regarder,
il en tire un certain nombre de noms des élèves qui constitueront l'échantillon.
Cette méthode permet d'obtenir un échantillon représentatif de la population car elle donne la
même probabilité à chaque individu de faire partie de l'échantillon.

2.1.2. Échantillon aléatoire stratifié : La population est initialement subdivisée en sous-

groupes homogènes (strates) définis selon un ou plusieurs critères (appelés variables d'intérêt).
Dans chaque strate, on prélève aléatoirement des individus pour obtenir des sous-échantillons
aléatoires simples.
4
Exemple : Une enquête sur la vie étudiante a été menée auprès de 100 étudiants. L'échantillon
a été obtenu en choisissant aléatoirement 25 étudiants de première année, 25 étudiants de
deuxième année, 25 étudiants de licence et 25 étudiants en Master I.
Cette méthode permet d'obtenir un échantillon représentatif car tous les individus d'un groupe
ont la même probabilité de faire partie du sous-échantillon et l'échantillon obtenu est
représentatif de la population en ce qui concerne la variable d'intérêt ( ici, le cycle universitaire).
2.1.3. Échantillon aléatoire par grappes : Une population est subdivisée en sous-groupes
(grappes). On choisit ensuite aléatoirement des grappes et tous les éléments de chaque grappe
choisie constituent l'échantillon.
Exemple : Une compagnie aérienne décide de mener une enquête de satisfaction auprès de ses
clients sur un jour. Pour cela, elle choisit aléatoirement 5 vols de la journée et interroge tous les
passagers de ces vols.
Cette méthode permet d'obtenir un échantillon représentatif de la population si les grappes sont
semblables entre elles et si dans une grappe, les individus sont hétérogènes.
2.1.4. Échantillon aléatoire systématique : Cette méthode consiste à dresser la liste de tous
les éléments de la population et de choisir au hasard chaque élément pour constituer
l’échantillon. L’échantillonnage systématique est donc une variante de la méthode aléatoire
simple, dans laquelle on sélectionne un échantillon à intervalles prédéterminés.
Exemple : À partir de la liste alphabétique des noms de tous les élèves du collège, un Conseiller
Pédagogique d'Education choisit au hasard un premier nom puis, à partir de ce nom, il choisit
chaque 20e nom de collégien pour constituer l'échantillon.
Exo :
Chaque étudiant d'une même université possède un numéro d’identification. Une société de
sondage utilise un logiciel générant aléatoirement 50 numéros d'identification afin que les
étudiants ayant ce numéro participent à une enquête sur la qualité des restaurants universitaires.
Quelle méthode d’échantillonnage a-t-on utilisé ?
a-Échantillonnage aléatoire simple
b-Échantillonnage aléatoire stratifié
c-Échantillonnage aléatoire par grappes
d-Échantillonnage aléatoire systématique

3. Qu'est-ce qu'une variable ?

Dans le contexte d’une recherche, les concepts sont généralement appelés variables. UN
variable est, comme son nom l'indique, quelque chose qui varie.

Exemples de variables

Ce sont tous des exemples de variables car chacune de ces propriétés varie ou diffère d'un
individu à l'autre.

 Âge,
 sexe,
 recettes et dépenses,
 la taille de la famille,
 pays de naissance,
 dépenses en capital,
 les notes de classe,
 mesures de tension artérielle,
5
  niveaux d'anxiété préopératoires,
 la couleur des yeux,
 Type de véhicule.

3.1. Qu’est-ce que la variable dans la recherche ?

Une variable est toute propriété, caractéristique, nombre ou quantité qui augmente ou diminue
avec le temps ou peut prendre différentes valeurs (par opposition aux constantes, telles que n,
qui ne varient pas) dans différentes situations.

Lors de la réalisation de recherches, les expériences manipulent souvent des variables. Par
exemple, un expérimentateur pourrait comparer l’efficacité de quatre types d’engrais.

Dans ce cas, la variable est le « type d'engrais ». Un spécialiste des sciences sociales peut
examiner l'effet possible du mariage précoce sur le divorce. Le mariage précoce est la variable.

L'efficacité, le divorce sont des variables car ils varient également en raison de la manipulation
des engrais, des mariages précoces.

3.2.Variables qualitatives

Une distinction importante entre les variables réside dans les variables qualitatives et
quantitatives.

Variables qualitatives sont ceux qui expriment un attribut qualitatif, comme la couleur des
cheveux, la religion, la race, le sexe, le statut social, le mode de paiement, etc. Les valeurs d'une
variable qualitative n'impliquent pas un ordre numérique significatif.

La valeur de la variable « religion » (musulmane, hindoue..., etc.) diffère qualitativement ;

aucun ordre de religion n’est implicite. Les variables qualitatives sont parfois appelées
variables catégorielles.

Par exemple, la variable sexe comporte deux catégories distinctes : « homme » et « femme ».
Puisque les valeurs de cette variable sont exprimées en catégories, nous appelons cela une
variable catégorielle.

De même, le lieu de résidence peut être classé comme urbain et rural et constitue donc une
variable catégorielle.

Les variables catégorielles peuvent à nouveau être décrites comme nominal et ordinal.

Les variables ordinales peuvent être logiquement ordonnées ou classées plus haut ou plus bas
qu'une autre, mais n'établissent pas nécessairement une différence numérique entre chaque
catégorie, comme les notes aux examens (A+, A, B+, etc., et la taille des vêtements (Extra
grand, grand, moyen, petit).

Les variables nominales sont celles qui ne peuvent ni être classées ni ordonnées logiquement,
comme la religion, le sexe, etc.

6
Une variable qualitative est une caractéristique qui ne peut pas être mesurée mais qui peut être
classée comme possédant ou non certaines caractéristiques.

3.3. Variables quantitatives

Variables quantitatives, aussi appelé variables numériques, sont ces variables qui sont
mesurées en termes de nombres. Un exemple simple de variable quantitative est l’âge d’une
personne.

L'âge peut prendre différentes valeurs car une personne peut avoir 20 ans, 35 ans, etc. De même,
la taille de la famille est une variable quantitative car une famille peut être composée d'un, deux
ou trois membres, etc.

Chacune de ces propriétés ou caractéristiques évoquées ci-dessus varie ou diffère d'un individu
à l'autre. A noter que ces variables sont exprimées en nombres, que l'on appelle variables
quantitatives ou parfois numériques.

Une variable quantitative est une variable pour laquelle les observations résultantes sont
numériques et possèdent donc un ordre ou un classement naturel.

3.4. Variables discrètes et continues

Les variables quantitatives sont encore une fois de deux types : discrètes et continues.

Des variables telles que le nombre d'enfants dans un ménage ou le nombre d'articles défectueux
dans une boîte sont des variables discrètes puisque les scores possibles sont discrets sur
l'échelle.

Par exemple, un ménage peut avoir trois ou cinq enfants, mais pas 4,52 enfants.

D'autres variables, telles que le « temps nécessaire pour réaliser un test QCM » et le « temps
d'attente dans une file d'attente devant un guichet bancaire », sont des variables continues.

Le temps requis dans les exemples ci-dessus est une variable continue, qui pourrait être, par
exemple, 1,65 minutes ou 1,6584795214 minutes.

Bien entendu, les aspects pratiques de la mesure empêchent la plupart des variables mesurées
d’être continues.

3.4.1. Variable discrète

Une variable discrète, limitée à certaines valeurs, est généralement (mais pas nécessairement)
constituée de nombres entiers, tels que la taille de la famille et le nombre d'articles défectueux
dans une boîte. Ils sont souvent le résultat d’un dénombrement ou d’un comptage.

Quelques autres exemples sont :

 Le nombre d'accidents sur les douze mois.

 Le nombre de cartes mobiles vendues dans un magasin dans les sept jours.
 Le nombre de patients admis dans un hôpital sur une période spécifiée.

7
  Le nombre de visites hebdomadaires effectuées par le personnel de santé au cours des
12 derniers mois.

3.4.2. Variable continue

Une variable continue peut prendre un nombre infini de valeurs intermédiaires sur un intervalle
spécifié. Les exemples sont :

 Le taux de sucre dans le corps humain ;

 Lecture de la tension artérielle ;
 Température;
 Taille ou poids du corps humain ;
 Taux d'intérêt bancaire ;
 Taux de rendement interne (TRI),
 Ratio de gains (ER);

Aussi proches que soient deux observations, si l’instrument de mesure est suffisamment précis,
une troisième observation peut être trouvée, se situant entre les deux premières.

Une variable continue résulte généralement d'une mesure et peut prendre d'innombrables
valeurs dans la plage spécifiée.

3.4.2.1.Variables dépendantes et variable indépendante

Dans de nombreux contextes de recherche, deux classes spécifiques de variables doivent être
distinguées : la variable indépendante et la variable dépendante.

De nombreuses études de recherche visent à révéler et à comprendre les causes de phénomènes

ou de problèmes sous-jacents dans le but ultime d'établir une relation causale entre eux.

Regardez les déclarations suivantes :

 Une faible consommation de nourriture entraîne une insuffisance pondérale.

 Le tabagisme augmente le risque de cancer du poumon.
 Le niveau d'éducation influence la satisfaction au travail.
 La publicité aide à la promotion des ventes.
 Le médicament entraîne une amélioration des problèmes de santé.
 L'intervention infirmière entraîne une récupération plus rapide.
 Les expériences professionnelles antérieures déterminent le salaire initial.

Dans chacune des requêtes ci-dessus, nous avons deux variables indépendantes et dépendantes.
Dans le premier exemple, on pense qu'une « faible consommation de nourriture » est à l'origine
du « problème d'insuffisance pondérale ».

C'est donc ce qu'on appelle la variable indépendante. L'insuffisance pondérale est la variable
dépendante car nous pensons que ce « problème » (le problème de l'insuffisance pondérale) a
été causé par « la faible consommation alimentaire » (le facteur).

8
De même, le tabagisme, les dividendes et la publicité sont tous des variables indépendantes,
tandis que le cancer du poumon, la satisfaction au travail et les ventes sont des variables
dépendantes.

En général, une variable indépendante est manipulée par l'expérimentateur ou le chercheur et

ses effets sur la variable dépendante sont mesurés.

3.4.2.2. Variable indépendante

La variable utilisée pour décrire ou mesurer le facteur censé causer ou au moins influencer le
problème ou le résultat est appelée une variable. variable indépendante.

La définition implique que l'expérimentateur utilise la variable indépendante pour décrire ou

expliquer son influence ou son effet sur la variable dépendante.

On suppose que la variabilité de la variable dépendante dépend de la variabilité de la variable

indépendante.

Selon le contexte, une variable indépendante est parfois appelée variable prédictive, régresseur,
variable contrôlée, variable manipulée, variable explicative, variable d'exposition (telle
qu'utilisée dans la théorie de la fiabilité), facteur de risque (tel qu'utilisé dans les statistiques
médicales), caractéristique (telle qu'utilisée dans les statistiques médicales). en apprentissage
automatique et en reconnaissance de formes) ou variable d'entrée.

La variable explicative est préférée par certains auteurs à la variable indépendante lorsque les
quantités traitées comme variables indépendantes peuvent ne pas être statistiquement
indépendantes ou manipulables indépendamment par le chercheur.

Si la variable indépendante est appelée variable explicative, alors le terme variable de réponse
est préféré par certains auteurs pour la variable dépendante.

3.4.2.3.Variable dépendante

La variable utilisée pour décrire ou mesurer le problème ou le résultat étudié est appelée un
variable dépendante.

Dans une relation causale, la cause est la variable indépendante et l’effet est la variable
dépendante. Si nous émettons l'hypothèse que le tabagisme provoque le cancer du poumon, le
« tabagisme » est la variable indépendante et le cancer la variable dépendante.

Un chercheur en affaires peut trouver utile d’inclure le dividende dans la détermination du cours
des actions. Ici, le dividende est la variable indépendante, tandis que le cours de l'action est la
variable dépendante.

La variable dépendante est généralement la variable que le chercheur souhaite comprendre,

expliquer ou prédire.

Dans la recherche sur le cancer du poumon, c’est le carcinome qui intéresse réellement le
chercheur, et non le comportement tabagique en soi. La variable indépendante est la cause
présumée, l’antécédent ou l’influence sur la variable dépendante.

9
Selon le contexte, une variable dépendante est parfois appelée variable de réponse, variable de
régression, variable prédite, variable mesurée, variable expliquée, variable expérimentale,
variable de réponse, variable de résultat, variable de sortie ou étiquette.

Certains auteurs préfèrent une variable expliquée à la variable dépendante lorsque les quantités
traitées comme variables dépendantes peuvent ne pas être statistiquement dépendantes.

Si la variable dépendante est appelée variable expliquée, alors le terme variable prédictive est
préféré par certains auteurs pour la variable indépendante.

Niveaux d'une variable indépendante

Si un expérimentateur compare un traitement expérimental avec un traitement témoin, alors la

variable indépendante (un type de traitement) a deux niveaux : expérimental et témoin.

Si une expérience devait comparer cinq types de régimes, alors les variables indépendantes
(types de régimes) auraient cinq niveaux.

En général, le nombre de niveaux d’une variable indépendante correspond au nombre de

conditions expérimentales.

4. Relations entre les variables

En traitant des relations entre les variables dans la recherche, nous observons diverses
dimensions dans ces relations.

1. Relation positive et négative

2. Relation symétrique
3. Relation causale
4. Relation linéaire et non linéaire

4.1. Relation positive et négative

Deux variables ou plus peuvent avoir une relation positive, négative ou inexistante. Dans le cas
de deux variables, une relation positive est une relation dans laquelle les deux variables varient
dans le même sens.

Cependant, on dit qu’ils ont une relation négative lorsqu’ils varient dans des directions
opposées.

Lorsqu'un changement dans l'autre variable n'accompagne pas le changement ou le mouvement

d'une variable, on dit que les variables en question ne sont pas liées.

Par exemple, si une augmentation du taux de salaire accompagne l'expérience professionnelle

d'une personne, la relation entre l'expérience professionnelle et le taux de salaire est positive.

Si l’augmentation du niveau d’éducation d’un individu diminue son désir d’avoir des enfants
supplémentaires, la relation est négative ou inverse.

10
Si le niveau d'éducation n'a aucune incidence sur le désir, on dit que les variables désir d'enfants
supplémentaires et « éducation » ne sont pas liées.

4.1.2. Force de la relation

Une fois qu’il a été établi que deux variables sont liées, nous voulons déterminer dans quelle
mesure elles sont liées.

Une statistique courante pour mesurer la force d'une relation est ce qu'on appelle Coefficient
de corrélation symbolisé par r. r est une mesure sans unité, comprise entre -1 et +1 inclus, zéro
signifiant aucune relation linéaire.

En ce qui concerne la prédiction d'une variable à partir de la connaissance de l'autre variable,

une valeur de r = +1 signifie une précision de 100% dans la prédiction d'une relation positive
entre les deux variables, et une valeur de r = -1 signifie une précision de 100%. précision dans
la prédiction d’une relation négative entre les deux variables.

4.2. Relation symétrique

Jusqu’à présent, nous n’avons discuté que des relations symétriques dans lesquelles un
changement dans l’autre variable accompagne un changement dans l’une ou l’autre variable.

Cette relation n'indique pas quelle variable est la variable indépendante et quelle variable est la
variable dépendante.

En d’autres termes, vous pouvez qualifier l’une ou l’autre variable de variable indépendante.

Une telle relation est symétrique relation. Dans un relation asymétrique, un changement de
variable X (disons) s'accompagne d'un changement de variable Oui, mais pas l'inverse.

La quantité de pluie, par exemple, augmentera la productivité, mais celle-ci n’affectera pas les
précipitations. Il s'agit d'une relation asymétrique.

De même, la relation entre le tabagisme et le cancer du poumon serait asymétrique, car le

tabagisme pourrait provoquer le cancer, mais le cancer du poumon ne pourrait pas provoquer
le tabagisme.

4.3. Relation causale

Indiquer une relation entre deux variables ne garantit pas automatiquement que les changements
dans une variable entraînent des changements dans une autre.

Il est cependant très difficile d’établir l’existence d’une causalité entre variables. Même si
personne ne peut jamais être certain que la variable UN provoque une variable B, on peut
rassembler des preuves qui renforcent notre conviction que UN mène à B.

Pour tenter de le faire, nous recherchons les preuves suivantes :

1. Y a-t-il une relation entre UN et B? Lorsque de telles preuves existent, elles indiquent
un possible lien de causalité entre les variables.

11
 2. La relation est-elle asymétrique de sorte qu'un changement dans UN résulte en B mais
pas l'inverse ? En d'autres termes, est-ce que UN se produire avant B? Si nous trouvons
cela B se produit avant UN, nous ne pouvons pas avoir confiance que UN causes.
3. Un changement dans A entraîne-t-il un changement dans B indépendamment des actions
d’autres facteurs ? Ou est-il possible d'éliminer d'autres causes possibles de B? Peut-on
déterminer que C, D, et E (disons) ne co-varie pas avec B d'une manière qui suggère des
liens de causalité possibles ?

4.4. Relation linéaire et non linéaire

Une relation linéaire est une relation linéaire entre deux variables, dans laquelle les variables
varient au même rythme, que les valeurs soient faibles, élevées ou intermédiaires.

Cela contraste avec les relations non linéaires (ou curvilignes), dans lesquelles la vitesse à
laquelle une variable change de valeur peut différer pour différentes valeurs de la deuxième
variable.

Si une variable est liée linéairement à l'autre variable ou non, il est simplement possible de
déterminer en traçant les valeurs K par rapport à X valeurs.

Si les valeurs, une fois tracées, semblent se situer sur une ligne droite, l'existence d'une relation
linéaire entre X et Oui est suggéré.

La taille et le poids ont presque toujours une relation approximativement linéaire, tandis que
l'âge et les taux de fécondité ont une relation non linéaire.

12