Fiche de révision : Introduction à la biostatistique vétérinaire

📋 Plan du Cours

1. Rôle et méthodologie de la biostatistique en sciences vétérinaires
2. Principes et types d’échantillonnage aléatoire en biostatistique
3. Statistique descriptive et inférentielle en biostatistique
4. Classification et représentation graphique des variables aléatoires qualitatives et quantitatives
5. Mesure et interprétation de la corrélation linéaire entre variables
6. Estimation de paramètres et intervalles de confiance en biostatistique
7. Fondements, étapes et règles de décision des tests d’hypothèses
8. Tests statistiques usuels : test de Student, test d’Aspin-Welch, test apparié et conditions d’application
9. Test d’indépendance du Khi-deux : calculs, conditions et interprétation

📖 1. Rôle et méthodologie de la biostatistique en sciences vétérinaires

🔑 Notions clés & Définitions

• Biostatistique : Discipline appliquant des outils statistiques à la conception, la collecte, la présentation, l'analyse et l'interprétation des données biologiques afin de tirer des conclusions ou prendre des décisions.
• Protocole expérimental : Document rédigé avant une expérience qui précise les conditions, le déroulement et la méthode d'analyse des résultats attendus.

📝 Points essentiels

• Avant une expérience, un protocole expérimental décrit les conditions, le déroulement et la méthode d'analyse des résultats.
• La biostatistique permet de tirer des conclusions ou prendre des décisions à partir des données biologiques recueillies.

💡 À retenir

La biostatistique constitue un pont méthodologique essentiel entre la biologie et la statistique, garantissant la rigueur expérimentale et l'interprétation fiable des données vétérinaires.

📖 2. Principes et types d’échantillonnage aléatoire en biostatistique

🔑 Notions clés & Définitions

• Échantillon : Sous-ensemble de la population constitué d’individus sur lesquels la caractéristique faisant l'objet de l'étude est effectivement mesurée.
• Exemple : 596 ≈ 60% Garçon : 67/166

📝 Points essentiels

• L’échantillonnage aléatoire simple consiste à choisir au hasard un nombre donné d’individus dans une population.
• L’échantillonnage aléatoire stratifié divise la population en strates puis échantillonne aléatoirement dans chaque strate, pour représenter les sous-groupes.
• Un échantillon non représentatif peut biaiser les résultats et les conclusions statistiques.

💡 À retenir

Maîtriser les méthodes d’échantillonnage aléatoire est crucial pour garantir la représentativité des échantillons et la validité des inférences en biostatistique vétérinaire.

📖 3. Statistique descriptive et inférentielle en biostatistique

🔑 Notions clés & Définitions

• Statistique descriptive : Une branche de la statistique qui consiste à décrire les caractéristiques observées sur les individus d’un échantillon sans extrapoler les résultats à la population d’où l’échantillon est extrait.
• Statistique inférentielle : Pobs= nobs/n=35/50
• T-il une différence entre : 0(pˆ réferenceA =>

📝 Points essentiels

• La distinction entre statistique descriptive et inférentielle est fondamentale pour interpréter correctement les résultats.
• L’inférence statistique repose sur des méthodes permettant d’estimer des paramètres et tester des hypothèses.
• INFERENTIELLE déductionLa statistique descriptive consiste à décrire les caractéristiques observées sur les individus de l'échantillon sans extrapoler les résultats à la population d’où l’on a extrait l'échantillon.

💡 À retenir

La distinction claire entre la description des données observées et l’inférence vers la population est essentielle pour éviter les erreurs d’interprétation en biostatistique.

📖 4. Classification et représentation graphique des variables aléatoires qualitatives et quantitatives

🔑 Notions clés & Définitions

• Variable aléatoire : Une variable dont la valeur est soumise au hasard, obtenue en mesurant une caractéristique sur un individu choisi au hasard dans une population.
• Variables qualitatives : Des variables non numériques dont les valeurs, appelées modalités, peuvent être nominales sans ordre entre elles ou ordinales avec un ordre défini.
• Variables quantitatives : Des variables numériques qui sont discrètes lorsqu'elles prennent un nombre fini ou dénombrable de valeurs, et continues lorsqu'elles prennent un nombre infini de valeurs dans un sous-ensemble des réels.
• Représentation graphique : Une méthode visuelle adaptée à la nature des variables, utilisée pour représenter les données de manière claire et pertinente.

📝 Points essentiels

• Une variable aléatoire prend des valeurs soumises au hasard sur un individu choisi dans la population.
• Les variables qualitatives nominales n’ont pas d’ordre entre modalités, tandis que les ordinales ont un ordre.
• Les variables quantitatives discrètes se représentent par diagramme en bâtons, les continues par histogramme.
• L’histogramme nécessite de regrouper les données en classes, puis de calculer effectifs, fréquences, amplitude et densité.

💡 À retenir

Savoir classifier les variables et choisir la représentation graphique adaptée permet une analyse claire et pertinente des données vétérinaires.

📖 5. Mesure et interprétation de la corrélation linéaire entre variables

🔑 Notions clés & Définitions

• Linéaire entre : Relation dans laquelle la variable Y dépend en moyenne de la variable X selon une fonction linéaire.

📝 Points essentiels

• Si r ≈ +1, les variables sont corrélées positivement, si r ≈ -1, corrélées négativement.
• Si r ≈ 0, il n’y a pas de corrélation linéaire, mais une corrélation non linéaire peut exister.
• Le coefficient r ne quantifie que la corrélation linéaire, d’où l’importance de visualiser les données graphiquement avant calcul.
• Une corrélation n’implique pas nécessairement une relation causale.
• • On suppose que les caractères mesurés sont des variables quantitatives x1 x2 ………..

💡 À retenir

Interpréter le coefficient de corrélation linéaire avec prudence en combinant analyse graphique et compréhension des limites du coefficient.

📖 6. Estimation de paramètres et intervalles de confiance en biostatistique

🔑 Notions clés & Définitions

• Traitement A : Un traitement expérimental dont l’efficacité est évaluée en comparant le nombre de guérisons observées avec celles d’un traitement de référence ou d’un groupe témoin.
• Intervalle de confiance : Un intervalle calculé à partir des données d’un échantillon qui, avec un certain niveau de confiance (par exemple 95%), contient la valeur inconnue d’un paramètre de la population.
• Intervalles de confiance : Des intervalles calculés à partir d’échantillons successifs qui, avec un niveau de confiance donné, contiennent le paramètre inconnu de la population dans une proportion correspondante de cas.
• Appelle estimation : Le processus consistant à utiliser une statistique calculée sur un échantillon pour approcher un paramètre inconnu de la population.

📝 Points essentiels

• L’intervalle de confiance donne un intervalle dans lequel le paramètre inconnu est estimé avec un certain niveau de confiance (ex : 95%).
• La précision de l’estimation est liée à l’erreur standard, dépendant de l’écart-type et de la taille de l’échantillon.
• L’intervalle de confiance d’une moyenne s’écrit : moyenne ± t_(n-1,α/2) × erreur standard.
• L’intervalle de confiance d’un pourcentage s’appuie sur la distribution normale et la taille de l’échantillon.
• Si oui, quelle est la précision de cette estimation ?

💡 À retenir

L’intervalle de confiance donne un intervalle dans lequel le paramètre inconnu est estimé avec un certain niveau de confiance (ex : 95%).

📖 7. Fondements, étapes et règles de décision des tests d’hypothèses

🔑 Notions clés & Définitions

• Hypothèse alternative     : Une hypothèse qui traduit la différence, la supériorité ou l'infériorité d’un paramètre par rapport à une hypothèse nulle, formulée pour être testée.

📝 Points essentiels

• Un test d’hypothèse compare H0 (absence d’effet) à H1 (présence d’effet) pour prendre une décision statistique.
• Les étapes du test sont : formuler les hypothèses, fixer les risques, choisir la règle de décision, déterminer le seuil critique.
• Le risque α est la probabilité de rejeter H0 alors qu’elle est vraie (faux positif).
• Le risque β est la probabilité de ne pas rejeter H0 alors qu’elle est fausse (faux négatif).
• La règle de décision est basée sur une statistique de test et un seuil fixé pour contrôler α.
•  risque de 2ème espèce  risque de 1ère espèce Définition Propriété : RISQUES 1-β : Probabilité de rejeter H 0 alors que H 1 est vraie, on l’appelle la puissance du test Aptitude du test à détecter une différence entre les paramètres (décider H1 ) quand cette différence existe au niveau de la population (H1 est vraie) décision H 0 H1 réalité 0H 0H β α α−1 β−1 est vraie est vraie est acceptée est rejetée Définition : Puissance d’un test RISQUES Contrôle des risques On est en présence de deux risques qui ne varient pas dans le même sens.

💡 À retenir

Comprendre la logique et les risques associés aux tests d’hypothèses permet une prise de décision statistique rigoureuse.

📖 8. Tests statistiques usuels : test de Student, test d’Aspin-Welch, test apparié et conditions d’application

🔑 Notions clés & Définitions

• Test de Student : Un test statistique qui compare les moyennes de deux échantillons indépendants en supposant que les variances des populations sont égales (homoscedasticité).
• Test d’Aspin-Welch : Un test statistique utilisé pour comparer les moyennes de deux échantillons indépendants lorsque les variances des populations sont inégales (hétéroscedasticité), avec un calcul ajusté du degré de liberté.

📝 Points essentiels

• Le test de Student compare les moyennes de deux échantillons indépendants sous l’hypothèse d’égalité des variances (homoscedasticité).
• Le test d’Aspin-Welch est utilisé lorsque les variances des deux populations sont inégales (hétéroscedasticité).
• Les conditions d’application du test de Student incluent indépendance des observations, normalité (ou grand échantillon) et variances homogènes.
• Le test d’Aspin-Welch calcule un degré de liberté ajusté, souvent réalisé avec un logiciel.

💡 À retenir

Le test de Student compare les moyennes de deux échantillons indépendants sous l’hypothèse d’égalité des variances (homoscedasticité).

📖 9. Test d’indépendance du Khi-deux : calculs, conditions et interprétation

🔑 Notions clés & Définitions

• Effectifs théoriques : ∩ == BAP Soit en terme d’effectif : 133/95103133 133 95 * 133 103
• Degrés de liberté (ddl) : Le nombre de paramètres libres dans le test, calculé comme le produit du nombre de lignes moins un par le nombre de colonnes moins un, soit (nombre de lignes - 1) × (nombre de colonnes - 1).
• Test d’indépendance : Test d’indépendance (ou test du Khi-deux) 5.
• 2 ème étape : On calcule la distance entre les deux tables comme suit : 133/3830 )133/383010( 133/38103 )133/3810328( 133/9530 )133/953020( 133/95103 )133/9510375( 2222 2 − + − + − + − =obs χ Ou de façon générale : Nbd Nbdn Nbc Nbcn Nda Ndan Nca Ncan obs /* )/( /

📝 Points essentiels

• Le test du Khi-deux évalue l’indépendance entre deux variables qualitatives en comparant effectifs observés et théoriques.
• Le test est valide uniquement si tous les effectifs théoriques sont supérieurs à 5.
• Le Khi-deux suit une loi avec (nombre de lignes -1) × (nombre de colonnes -1) degrés de liberté.
• La p-valeur associée permet de décider de rejeter ou non l’hypothèse d’indépendance.
• • 2 ème étape : on calcule la distance entre la table des effectifs observés et celle des effectifs théoriques • 3 ème étape: on effectue le test en comparant cette distance à un seuil choisi en fonction du risque 𝛼𝛼 fixé a priori, si cette distance dépasse le seuil on rejette l’hypothèse d’indépendance sinon on l’accepte.

💡 À retenir

Utiliser le test du Khi-deux pour détecter des dépendances entre variables qualitatives en respectant ses conditions d’application.

📊 Tableaux de Synthèse

Comparaison des méthodes d’échantillonnage

Variables et représentations graphiques

⚠️ Pièges & Confusions Fréquentes

1. Confondre corrélation et causalité.
2. Utiliser un test d’indépendance lorsque les effectifs théoriques sont inférieurs à 5.
3. Interpréter un coefficient de corrélation sans visualiser les données.
4. Confondre statistique descriptive et inférentielle.
5. Utiliser un intervalle de confiance sans vérifier la normalité des données.
6. Appliquer un test paramétrique sans vérifier ses conditions.
7. Interpréter un résultat de Khi-deux sans considérer le risque alpha.

✅ Checklist Examen

1. Vérifier la représentativité de l’échantillon.
2. Choisir la méthode d’échantillonnage adaptée.
3. Différencier statistique descriptive et inférentielle.
4. Classifier correctement les variables.
5. Utiliser la représentation graphique appropriée.
6. Calculer et interpréter le coefficient de corrélation.
7. Estimer un paramètre avec un intervalle de confiance.
8. Formuler et tester une hypothèse.
9. Vérifier les conditions d’application des tests.
10. Interpréter la p-value.
11. Utiliser le test du Khi-deux pour variables qualitatives.