Probabilités et inférence statistique en biostatistique

La biostatistique, et plus particulièrement les probabilités et l'inférence statistique, est un pilier fondamental pour l'analyse des phénomènes biologiques et médicaux. Elle fournit les outils nécessaires pour quantifier l'incertitude inhérente aux données expérimentales et observations, permettant ainsi de tirer des conclusions robustes et généralisables à partir d'échantillons limités. Ce domaine répond à la question cruciale de savoir comment passer de l'observation d'un sous-ensemble d'une population à la compréhension des caractéristiques de la population entière, tout en maîtrisant les risques d'erreur. Cette fiche détaillée explorera les concepts clés des probabilités, les lois de distribution fondamentales, les principes de l'échantillonnage, les méthodes d'estimation et les tests d'hypothèses, offrant une compréhension approfondie des bases de l'analyse statistique en biostatistique.

Variable Aléatoire (VA)

Fonction qui associe une valeur numérique à chaque issue d'une expérience aléatoire, permettant de modéliser des phénomènes dont le résultat est incertain.

Distribution de Probabilité

Description de toutes les valeurs possibles qu'une variable aléatoire peut prendre et de la probabilité associée à chacune de ces valeurs.

Paramètre

Mesure descriptive d'une caractéristique d'une population, généralement inconnue et fixe (par exemple, la moyenne ou la variance réelle de la population).

Statistique (ou estimateur)

Mesure descriptive calculée à partir d'un échantillon, utilisée pour estimer un paramètre de la population (par exemple, la moyenne ou la variance de l'échantillon).

Inférence Statistique

Ensemble des méthodes permettant de tirer des conclusions sur une population à partir des données d'un échantillon, en quantifiant l'incertitude de ces conclusions.

Hypothèse Nulle (H₀)

Énoncé de non-différence ou d'absence d'effet que l'on cherche à réfuter lors d'un test statistique.

Valeur p (p-value)

Probabilité d'observer des données au moins aussi extrêmes que celles obtenues, sous l'hypothèse que l'hypothèse nulle est vraie. Une petite p-value indique une incompatibilité des données avec H₀.

Intervalle de Confiance (IC)

Plage de valeurs à l'intérieur de laquelle on estime, avec un certain niveau de confiance, que le véritable paramètre de la population se situe.

Fondements des Probabilités

Les probabilités constituent le langage mathématique de l'incertitude, offrant un cadre rigoureux pour quantifier les chances qu'un événement se produise. Dans le contexte biostatistique, elles permettent de modéliser la variabilité intrinsèque des phénomènes biologiques, qu'il s'agisse de la réponse à un traitement, de la propagation d'une maladie ou de la variabilité génétique. La théorie des probabilités s'appuie sur la notion d'espace échantillon (Ω), qui est l'ensemble de tous les résultats possibles d'une expérience aléatoire, et d'événements, qui sont des sous-ensembles de cet espace. La probabilité d'un événement est une mesure de sa vraisemblance, comprise entre 0 et 1. Un événement certain a une probabilité de 1, tandis qu'un événement impossible a une probabilité de 0.

Les règles fondamentales de calcul des probabilités, telles que la règle d'addition pour des événements mutuellement exclusifs (P(A ou B) = P(A) + P(B)) et la règle de multiplication pour des événements indépendants (P(A et B) = P(A) * P(B)), sont essentielles. La probabilité conditionnelle, P(A|B), qui est la probabilité que A se produise sachant que B s'est produit, joue un rôle crucial dans l'analyse de dépendance entre événements. Elle est définie par P(A|B) = P(A et B) / P(B). Cette notion est fondamentale en épidémiologie, par exemple, pour évaluer le risque de maladie chez des individus exposés à un facteur spécifique. Comprendre ces concepts permet de construire des modèles probabilistes complexes et d'interpréter correctement les résultats d'études cliniques ou épidémiologiques.

Le théorème de Bayes, dérivé de la probabilité conditionnelle, est un outil puissant pour réviser nos croyances sur la probabilité d'une hypothèse à la lumière de nouvelles preuves. Il s'exprime par P(H|E) = [P(E|H) * P(H)] / P(E), où P(H) est la probabilité a priori de l'hypothèse, P(E|H) la vraisemblance des preuves sachant l'hypothèse, et P(H|E) la probabilité a posteriori de l'hypothèse après avoir observé les preuves. En diagnostic médical, par exemple, il permet de calculer la probabilité qu'un patient ait réellement une maladie (H) sachant qu'un test (E) est positif, en tenant compte de la prévalence de la maladie et de la sensibilité/spécificité du test. Une confusion fréquente est d'assimiler P(E|H) et P(H|E), ce qui peut conduire à des erreurs d'interprétation graves en clinique. P(E|H) est la probabilité d'un résultat positif *sachant* la maladie, tandis que P(H|E) est la probabilité de la maladie *sachant* un résultat positif.

Variables Aléatoires et Lois de Distribution

Les variables aléatoires (VA) transforment les résultats qualitatifs ou non numériques d'une expérience aléatoire en valeurs numériques, permettant ainsi leur traitement mathématique. On distingue les VA discrètes, qui prennent un nombre fini ou dénombrable de valeurs (par exemple, le nombre de mutations génétiques), et les VA continues, qui peuvent prendre n'importe quelle valeur dans un intervalle donné (par exemple, la concentration d'une substance dans le sang). Chaque type de VA est caractérisé par sa distribution de probabilité, qui décrit la manière dont les probabilités sont réparties sur les différentes valeurs possibles. Pour une VA discrète, la distribution est donnée par une fonction de masse de probabilité (fmp), tandis que pour une VA continue, c'est une fonction de densité de probabilité (fdp) qui est utilisée.

Parmi les distributions discrètes, la loi de Bernoulli modélise le succès/échec d'une seule épreuve (par exemple, patient guéri ou non). La loi binomiale généralise cela à un nombre fixe d'épreuves indépendantes (par exemple, le nombre de patients guéris sur 100 traités). La loi de Poisson décrit le nombre d'événements rares se produisant dans un intervalle de temps ou d'espace donné (par exemple, le nombre d'admissions aux urgences par heure), utile pour les phénomènes de comptage. La loi géométrique, quant à elle, modélise le nombre d'épreuves de Bernoulli nécessaires pour obtenir le premier succès. Chacune de ces lois est définie par un ou plusieurs paramètres qui en déterminent la forme et les propriétés, comme la moyenne (espérance) et la variance.

Les distributions continues les plus importantes incluent la loi normale (ou gaussienne), omniprésente en biostatistique en raison du théorème central limite. Elle est caractérisée par sa moyenne (μ) et son écart-type (σ), et sa forme en cloche symétrique décrit de nombreux phénomènes biologiques comme la taille, le poids, ou certaines mesures physiologiques. La loi exponentielle modélise la durée de vie d'un processus sans mémoire (par exemple, le temps entre deux événements successifs dans un processus de Poisson, comme la durée de vie d'une bactérie ou le temps d'attente avant un appel). D'autres lois, comme la loi du chi-deux (χ²), la loi de Student (t) et la loi de Fisher-Snedecor (F), sont dérivées de la loi normale et sont fondamentales pour les tests d'hypothèses en inférence statistique. Par exemple, la loi de Student est utilisée pour l'inférence sur la moyenne d'une population lorsque la variance est inconnue et l'échantillon de petite taille.

f(x) = \frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^2}

Cette formule représente la fonction de densité de probabilité de la loi normale. Le choix de la loi de distribution appropriée est crucial car il conditionne la validité des analyses statistiques ultérieures. Une erreur fréquente est d'assumer la normalité des données sans vérification, alors que de nombreuses données biologiques ne suivent pas cette distribution, nécessitant l'utilisation de tests non paramétriques ou de transformations de données. La non-conformité à une distribution supposée peut invalider les conclusions d'une étude.

f(x) = 1/(sqrt(2*pi)) * exp(-x^2/2)

Densité de probabilité de la loi normale centrée réduite (μ=0, σ=1)

Échantillonnage et Théorème Central Limite

L'échantillonnage est la pierre angulaire de l'inférence statistique. Il s'agit du processus de sélection d'un sous-ensemble (échantillon) d'une population plus vaste, à partir duquel nous souhaitons tirer des conclusions sur l'ensemble de la population. Pour que ces conclusions soient valides, l'échantillon doit être représentatif de la population. La méthode la plus courante est l'échantillonnage aléatoire simple, où chaque individu de la population a une chance égale d'être sélectionné. L'erreur d'échantillonnage est inévitable et représente la différence entre une statistique calculée sur l'échantillon et le paramètre réel de la population. Une des principales préoccupations en biostatistique est de minimiser cette erreur et de la quantifier.

Le concept de distribution d'échantillonnage est fondamental. Il décrit la distribution de probabilité d'une statistique (par exemple, la moyenne d'échantillon) si l'on répétait l'échantillonnage un grand nombre de fois. Cette distribution est cruciale car elle nous permet de comprendre comment une statistique d'échantillon peut varier d'un échantillon à l'autre et, par conséquent, de quantifier la précision de nos estimations. La variabilité de cette distribution est mesurée par l'erreur standard de la statistique, qui diminue à mesure que la taille de l'échantillon augmente, reflétant une plus grande précision de l'estimation.

Le Théorème Central Limite (TCL) est l'un des résultats les plus puissants des statistiques. Il stipule que, quelle que soit la distribution de la population parente, la distribution d'échantillonnage de la moyenne d'échantillon (ou de la somme) tendra vers une distribution normale à mesure que la taille de l'échantillon (n) augmente. Plus précisément, si n est suffisamment grand (généralement n ≥ 30 est une bonne règle empirique), la moyenne d'échantillon $\bar{X}$ sera approximativement distribuée selon une loi normale avec une moyenne égale à la moyenne de la population (μ) et une erreur standard égale à $\sigma/\sqrt{n}$ , où $\sigma$ est l'écart-type de la population. Ce théorème est d'une importance capitale car il justifie l'utilisation de méthodes basées sur la loi normale pour l'inférence sur les moyennes, même lorsque les données originales ne sont pas normales, ce qui est très courant en biologie. Sans le TCL, de nombreuses techniques statistiques seraient impraticables ou invalides.

\bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right) \text{ pour } n \rightarrow \infty

Il est important de noter que le TCL s'applique à la distribution de la moyenne d'échantillon, et non à la distribution des données individuelles de l'échantillon. Une erreur courante est de croire que le TCL rend les données de l'échantillon elles-mêmes normales, ce qui n'est pas le cas. Il est crucial de distinguer la distribution des observations individuelles de la distribution des statistiques calculées à partir de ces observations. La validité du TCL est d'autant plus rapidement atteinte que la distribution de la population parente est symétrique ou proche de la normalité. Pour des distributions très asymétriques, une taille d'échantillon plus grande peut être nécessaire pour que l'approximation normale soit adéquate.

Estimation des Paramètres

L'estimation des paramètres est le processus d'utilisation des données d'un échantillon pour estimer les valeurs inconnues des paramètres d'une population. Il existe deux types principaux d'estimation : l'estimation ponctuelle et l'estimation par intervalle. L'estimation ponctuelle fournit une valeur unique, la meilleure estimation possible d'un paramètre. Par exemple, la moyenne de l'échantillon $\bar{X}$ est un estimateur ponctuel de la moyenne de la population $\mu$. L'estimation par intervalle, en revanche, fournit une plage de valeurs, appelée intervalle de confiance, dans laquelle le paramètre de la population est susceptible de se situer avec un certain niveau de confiance. Cette dernière est généralement plus informative car elle quantifie l'incertitude de l'estimation.

Un bon estimateur ponctuel possède plusieurs propriétés souhaitables : il est sans biais (sa moyenne est égale au paramètre qu'il estime), efficace (il a la plus faible variance parmi les estimateurs sans biais), convergent (il se rapproche du vrai paramètre à mesure que la taille de l'échantillon augmente) et robuste (peu sensible aux petites déviations par rapport aux hypothèses du modèle). La méthode du maximum de vraisemblance est une technique courante pour obtenir des estimateurs ayant ces propriétés. Pour un échantillon de taille n, si nous mesurons les niveaux de glucose sanguin chez des patients diabétiques, la moyenne de ces mesures sera notre estimation ponctuelle de la moyenne réelle du niveau de glucose dans la population de tous les patients diabétiques. Cependant, cette valeur unique ne donne aucune idée de la précision de cette estimation.

L'intervalle de confiance (IC) est une gamme de valeurs construite autour d'un estimateur ponctuel, indiquant la précision de l'estimation. Un IC à (1-$\alpha$)% signifie que si l'on répétait l'échantillonnage un grand nombre de fois, (1-$\alpha$)% des IC construits de cette manière contiendraient le véritable paramètre de la population. Par exemple, un IC à 95% pour la moyenne signifie que nous sommes 95% confiants que la vraie moyenne de la population se trouve dans cet intervalle. L'amplitude de l'IC dépend de l'erreur standard de l'estimateur (qui diminue avec la taille de l'échantillon) et du niveau de confiance choisi. Un niveau de confiance plus élevé (par exemple, 99% au lieu de 95%) entraînera un intervalle plus large, reflétant une plus grande certitude mais une moindre précision ponctuelle. L'interprétation correcte de l'IC est cruciale : il ne s'agit pas de la probabilité que le paramètre soit dans l'intervalle d'un échantillon spécifique, mais de la proportion d'intervalles qui contiendraient le paramètre sur un grand nombre de répétitions. C'est une erreur fréquente de penser que l'IC de 95% pour la moyenne signifie qu'il y a 95% de chances que la vraie moyenne tombe dans cet intervalle spécifique.

\bar{X} \pm Z_{1-\alpha/2} \frac{\sigma}{\sqrt{n}}

Cette formule générale pour l'intervalle de confiance de la moyenne illustre comment l'estimation ponctuelle est complétée par une mesure d'incertitude basée sur un quantile de la distribution normale (Z) et l'erreur standard. Si nous avons un échantillon de 100 patients avec un taux de cholestérol moyen de 200 mg/dL et un écart-type connu de 30 mg/dL, l'intervalle de confiance à 95% serait de 200 $\pm$ 1.96 * (30/$\\sqrt{100}$), soit [194.12, 205.88] mg/dL. Cela signifie que nous sommes 95% confiants que le vrai taux moyen de cholestérol dans la population se situe entre 194.12 et 205.88 mg/dL. Si l'écart-type de la population est inconnu et que la taille de l'échantillon est petite, la distribution t de Student est utilisée à la place de la distribution normale pour calculer l'IC, ce qui conduit à des intervalles légèrement plus larges pour tenir compte de l'incertitude supplémentaire liée à l'estimation de l'écart-type.

Tests d'Hypothèses Statistiques

Les tests d'hypothèses statistiques sont une méthode formelle pour prendre des décisions concernant les paramètres de la population basées sur les données de l'échantillon, en quantifiant le risque d'erreur. Ils impliquent la formulation de deux hypothèses concurrentes : l'hypothèse nulle (H₀), qui représente le statut quo ou l'absence d'effet (par exemple,

Il n'y a pas de différence entre les moyennes de deux groupes de traitement), et l'hypothèse alternative (H₁), qui représente l'effet ou la différence que l'on cherche à démontrer (par exemple,

Il y a une différence entre les moyennes des deux groupes). L'objectif du test est de décider si les données de l'échantillon fournissent des preuves suffisantes pour rejeter H₀ en faveur de H₁.

Le processus de test d'hypothèses commence par la collecte des données et le calcul d'une statistique de test (par exemple, une statistique t ou F). Cette statistique de test mesure la

distance

entre l'observation de l'échantillon et ce que l'on s'attendrait à observer si H₀ était vraie. Ensuite, la p-value est calculée. La p-value est la probabilité d'obtenir une statistique de test au moins aussi extrême que celle observée, en supposant que H₀ est vraie. Une petite p-value (généralement inférieure à un seuil prédéfini, appelé niveau de signification $\alpha$, souvent 0.05) indique que les données sont incompatibles avec H₀, ce qui conduit à son rejet. Le niveau de signification $\alpha$ représente la probabilité de commettre une erreur de Type I (rejeter H₀ alors qu'elle est vraie).

Deux types d'erreurs peuvent être commises lors d'un test d'hypothèse : l'erreur de Type I (faux positif), qui est le rejet de H₀ alors qu'elle est vraie, et l'erreur de Type II (faux négatif), qui est la non-rejection de H₀ alors qu'elle est fausse. La probabilité d'une erreur de Type I est fixée par le niveau de signification $\alpha$, tandis que la probabilité d'une erreur de Type II est souvent désignée par $\beta$. La puissance d'un test est (1-$\beta$), c'est-à-dire la probabilité de rejeter H₀ lorsqu'elle est réellement fausse. Il existe un compromis entre $\alpha$ et $\beta$ : réduire l'un augmente généralement l'autre. En biostatistique, les conséquences des erreurs de Type I et II peuvent être importantes, par exemple, le rejet d'un traitement efficace (Type II) ou l'approbation d'un traitement inefficace (Type I). L'importance de la puissance dans la planification d'une étude ne peut être sous-estimée : une étude sous-dimensionnée peut échouer à détecter un effet réel, conduisant à des conclusions erronées.

Un exemple concret est le test t de Student pour comparer les moyennes de deux groupes de patients recevant des traitements différents. H₀ serait que les moyennes de réponse aux traitements sont égales, et H₁ qu'elles sont différentes. Si la p-value calculée est de 0.03 (inférieure à 0.05), nous rejetterions H₀, concluant qu'il existe une différence statistiquement significative entre les réponses aux traitements. Cependant,

statistiquement significatif

ne signifie pas nécessairement

cliniquement significatif

. Une petite p-value pour une très grande taille d'échantillon peut détecter une différence minimale qui n'a aucune pertinence pratique. C'est une confusion fréquente qu'il faut éviter. Il est crucial d'interpréter les résultats des tests d'hypothèses en tenant compte du contexte clinique et de l'ampleur de l'effet observé, souvent quantifiée par les intervalles de confiance ou des mesures d'effet. Un autre point de vigilance est le problème des tests multiples : si l'on effectue de nombreux tests, la probabilité de trouver au moins un résultat significatif par le seul fait du hasard augmente, même en l'absence de véritable effet. Des corrections comme la correction de Bonferroni ou la méthode de Benjamini-Hochberg sont alors nécessaires.

Modèles Linéaires et Régression

Les modèles linéaires, et en particulier la régression linéaire simple et multiple, sont des outils fondamentaux en biostatistique pour étudier les relations entre les variables. La régression linéaire vise à modéliser la relation entre une variable dépendante (ou réponse) Y et une ou plusieurs variables indépendantes (ou explicatives) X. En biostatistique, cela peut permettre de prédire une mesure physiologique (Y) en fonction de l'âge, du sexe, de la dose d'un médicament (X), ou d'évaluer l'effet d'un facteur de risque sur l'incidence d'une maladie. Le modèle linéaire simple est de la forme Y = $\beta_0$ + $\beta_1$X + $\epsilon$, où $\beta_0$ est l'ordonnée à l'origine, $\beta_1$ est la pente (qui représente le changement moyen en Y pour une unité de changement en X), et $\epsilon$ est le terme d'erreur aléatoire, supposé normalement distribué avec une moyenne de zéro et une variance constante.

L'estimation des coefficients $\beta_0$ et $\beta_1$ se fait généralement par la méthode des moindres carrés ordinaires (MCO), qui minimise la somme des carrés des résidus (les différences entre les valeurs observées et les valeurs prédites). Les hypothèses clés de la régression linéaire incluent la linéarité de la relation, l'indépendance des erreurs, la normalité des erreurs et l'homoscédasticité (variance constante des erreurs). La violation de ces hypothèses peut compromettre la validité des inférences. Par exemple, si la relation entre X et Y n'est pas linéaire, un modèle linéaire simple sera inadapté et pourrait masquer la vraie relation ou produire des prédictions biaisées.

La régression linéaire multiple étend ce concept à plusieurs variables indépendantes, permettant de contrôler pour des facteurs confondants et d'évaluer l'effet indépendant de chaque prédicteur. Par exemple, pour étudier l'impact d'un nouveau régime alimentaire sur le poids (Y), il est important de contrôler pour l'âge, le sexe, le niveau d'activité physique (X1, X2, X3...), afin d'isoler l'effet propre du régime. Les tests d'hypothèses peuvent être appliqués aux coefficients de régression pour déterminer si chaque variable indépendante a un effet significatif sur la variable dépendante. Le coefficient de détermination (R²), compris entre 0 et 1, mesure la proportion de la variance de Y expliquée par le modèle. Un R² élevé indique que le modèle explique une grande partie de la variabilité de la variable réponse, mais ne garantit pas la validité des hypothèses du modèle.

Il est important de se méfier de la confusion entre corrélation et causalité. Une forte corrélation (mesurée par le coefficient de corrélation de Pearson) entre deux variables ne signifie pas qu'une cause l'autre. Il peut y avoir des facteurs de confusion non inclus dans le modèle qui sont responsables de la relation observée, ou bien la causalité peut être inverse. De plus, l'extrapolation (prédire des valeurs en dehors de la plage des données observées) est risquée avec les modèles de régression, car la relation linéaire pourrait ne pas tenir au-delà de ces limites. Les modèles linéaires sont puissants, mais leur utilisation requiert une compréhension critique de leurs hypothèses et de leurs limites, ainsi qu'une interprétation prudente des résultats.

Analyse de Survie

L'analyse de survie est une branche spécialisée de la biostatistique qui étudie le temps écoulé jusqu'à la survenue d'un événement d'intérêt (par exemple, décès, récidive de maladie, guérison). Elle se distingue des autres méthodes statistiques par la prise en compte de la censure, une particularité où l'événement n'a pas été observé pour certains individus à la fin de l'étude ou lors du dernier suivi. Ces individus

censurés

apportent des informations partielles sur leur temps de survie, ce qui rend les méthodes traditionnelles de moyenne inadaptées. L'objectif est d'estimer et de comparer des fonctions de survie, de déterminer les facteurs pronostiques et d'évaluer l'efficacité de traitements.

Les concepts clés incluent la fonction de survie S(t), qui est la probabilité qu'un individu survive au-delà du temps t, et la fonction de risque h(t), qui est le taux instantané d'événement à l'instant t, sachant que l'individu a survécu jusqu'à ce moment. La méthode de Kaplan-Meier est une technique non paramétrique largement utilisée pour estimer la fonction de survie à partir de données censurées. Elle produit une courbe en escalier qui représente la proportion de sujets survivants au fil du temps. Pour comparer les courbes de survie de deux groupes ou plus (par exemple, un groupe traité et un groupe placebo), le test du log-rank est couramment employé pour évaluer s'il existe une différence statistiquement significative entre les survies des groupes.

Pour modéliser l'effet de covariables sur le temps de survie et estimer les risques relatifs, le modèle de régression de Cox (ou modèle à risques proportionnels) est l'outil standard. Ce modèle semi-paramétrique n'exige pas de spécifier la forme exacte de la fonction de risque de base, ce qui le rend flexible. Il permet d'estimer les

hazard ratios

(HR), qui sont des mesures de l'effet d'une covariable sur le taux de risque. Un HR > 1 indique un risque accru, tandis qu'un HR < 1 indique un risque réduit. L'hypothèse fondamentale du modèle de Cox est la proportionnalité des risques, c'est-à-dire que le ratio des risques entre deux individus doit rester constant dans le temps. La vérification de cette hypothèse est cruciale pour la validité du modèle. Si cette hypothèse n'est pas satisfaite, des extensions du modèle de Cox ou d'autres approches doivent être envisagées.

Un exemple d'application serait l'étude de la survie de patients atteints de cancer après un traitement. Nous pourrions avoir des patients qui sont décédés (événement), des patients qui sont encore en vie à la fin de l'étude (censuré à droite), ou des patients perdus de vue (également censuré à droite). L'analyse de Kaplan-Meier nous donnerait une estimation de la probabilité de survie au cours du temps pour l'ensemble de la cohorte ou pour différents groupes (par exemple, selon le stade du cancer). Le modèle de Cox permettrait d'identifier des facteurs tels que l'âge, le sexe ou le type de traitement qui sont associés à un risque de décès plus ou moins élevé. Une erreur courante est d'ignorer la censure et de traiter les temps de survie censurés comme des temps de survie complets, ce qui entraînerait une sous-estimation du temps de survie moyen et des conclusions biaisées. La spécificité de l'analyse de survie réside précisément dans sa capacité à gérer ces données incomplètes de manière rigoureuse.

A retenir :

À retenir

Les probabilités quantifient l'incertitude et modélisent la variabilité des phénomènes biologiques.
Le théorème de Bayes permet de réviser les probabilités d'une hypothèse à la lumière de nouvelles preuves, essentiel pour le diagnostic.
Les variables aléatoires (discrètes et continues) sont décrites par des lois de distribution spécifiques (Binomiale, Poisson, Normale, Exponentielle).
La loi normale est fondamentale grâce au Théorème Central Limite, qui justifie les méthodes inférentielles basées sur la normalité pour les moyennes d'échantillons grands.
L'estimation ponctuelle fournit une valeur unique, tandis que l'intervalle de confiance (IC) quantifie la précision de l'estimation d'un paramètre.
Les tests d'hypothèses permettent de prendre des décisions sur les paramètres de la population en évaluant la p-value et en contrôlant les risques d'erreurs (Type I et II).
La signification statistique (p-value faible) ne doit pas être confondue avec la signification clinique ou l'ampleur de l'effet.
Les modèles de régression linéaire étudient les relations entre variables, mais ne prouvent pas la causalité et sont sensibles à la violation des hypothèses.
L'analyse de survie gère les données censurées pour étudier les temps jusqu'à un événement, avec des outils comme Kaplan-Meier et le modèle de Cox.
La puissance statistique est cruciale pour la conception d'études, afin de détecter des effets réels avec une probabilité suffisante.
Une compréhension rigoureuse des hypothèses sous-jacentes à chaque méthode est essentielle pour la validité des conclusions biostatistiques.
L'échantillonnage aléatoire est nécessaire pour la représentativité de l'échantillon et la généralisation des résultats à la population.