Fiche de révision : Essais cliniques et corrélation

📋 Plan du Cours

1. Fondements de l’inférence statistique
2. Population, échantillon et variables
3. Description des variables quantitatives
4. Distribution normale et écart-réduit
5. Quantiles et loi normale
6. Événements et probabilités
7. Probabilités conditionnelles et indépendance
8. Variables aléatoires et lois classiques
9. Approximation normale et TLC
10. Échantillonnage et estimateurs
11. Intervalles de fluctuation et confiance
12. Tests d’hypothèse et Chi-deux
13. Tests du Chi-deux
14. Comparaison des moyennes
15. Principes des tests d’hypothèses
16. Conception des essais cliniques
17. Randomisation et schémas d’essai
18. Puissance et conduite des essais

📖 1. Fondements de l’inférence statistique

🔑 Notions clés & Définitions

• Intervalle de confiance : Intervalle qui, lors de répétitions nombreuses de l’étude, contiendrait la vraie valeur du paramètre estimé dans 95 % des cas.

★ À maîtriser

📌 La statistique descriptive analyse les données observées, tandis que l’inférence statistique généralise les résultats d’un échantillon à la population.

• La méthodologie de la recherche comprend:
  • une question
  • un dessin d’étude adapté
  • un plan d’analyse adapté
  • le déroulement de l’étude
  • l’analyse des résultats
  • l’interprétation des résultats

Compléments

• La variabilité individuelle explique qu’un patient, sa maladie, sa réponse au traitement et son pronostic puissent différer d’un autre patient.

💡 Astuce mémo

Variabilité → échantillon représentatif → inférence

📖 2. Population, échantillon et variables

🔑 Notions clés & Définitions

• Population : Ensemble d’individus bien défini par qui, où et quand.
• Distribution statistique : Ensemble des couples associant chaque modalité xi d’une variable X à son effectif ni ou à sa fréquence relative fi.

📝 Points essentiels

📌 Le tirage au sort est la seule façon d’obtenir un échantillon représentatif, car il équilibre en moyenne les caractéristiques de la population.

📐 Formule — La fréquence relative d’une modalité vérifie $f_i = \frac{n_i}{n}$, où ni est l’effectif de la modalité et n l’effectif total.

• Les variables se distinguent en:
  • variables qualitatives nominales
  • variables qualitatives ordinales
  • variables quantitatives

📌 Les variables quantitatives discrètes prennent un nombre fini de valeurs possibles, tandis que les variables quantitatives continues prennent un nombre infini de valeurs possibles.

💡 Astuce mémo

Population entière ≠ échantillon étudié

📖 3. Description des variables quantitatives

🔑 Notions clés & Définitions

• Médiane : Partage une série de valeurs triées en deux parties de même effectif, avec autant de valeurs inférieures que supérieures.

★ À maîtriser

📐 Formule — La variance est la moyenne des écarts quadratiques à la moyenne et vérifie $\sigma^2 = \frac{\sum (X_i-\bar{x})^2}{n} = \frac{\sum X_i^2}{n} - \bar{x}^2$.

📐 Formule — L’écart-type est la racine carrée de la variance et vérifie $\sigma = \sqrt{\text{variance}}$.

Compléments

📐 Formule — La densité de fréquence d’une classe vérifie $d_i = \frac{f_i}{\text{amplitude}_i}$ afin que l’aire de chaque rectangle soit proportionnelle à la fréquence de la classe.

📐 Formule — Le coefficient de variation est le rapport de l’écart-type à la moyenne et vérifie $CV = \frac{\sigma}{\bar{x}}$.

• Pour un échantillon de taille 64, le premier quartile correspond au rang 16,25, le cinquième percentile au rang 3,25 et le troisième décile au rang 19,5.

💡 Astuce mémo

Position → dispersion → quantiles

📖 4. Distribution normale et écart-réduit

★ À maîtriser

• La densité de la loi normale est symétrique par rapport à la moyenne et l’aire située sous sa courbe vaut 1.

📐 Formule — L’écart-réduit d’une valeur xi vérifie $\varepsilon = \frac{x_i-\mu}{\sigma}$.

• Si X suit une loi normale de moyenne μ et d’écart-type σ, son écart-réduit suit une loi normale standard de moyenne 0 et d’écart-type 1.

Compléments

📐 Formule — La densité de la loi normale est définie par $f(x)=\frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$.

💡 Astuce mémo

Loi normale quelconque ≠ loi normale centrée réduite

📖 5. Quantiles et loi normale

🔑 Notions clés & Définitions

• Loi normale : Entièrement décrite par sa moyenne μ et sa variance σ², ou par son écart-type σ; sa densité est symétrique autour de μ et son aire totale vaut 1.

★ À maîtriser

• Pour une série de taille n, le rang du quantile de probabilité p est $p(n+1)$ après classement des valeurs de la plus petite à la plus grande.

📐 Formule — La standardisation d’une variable X de moyenne μ et d’écart-type σ est définie par $Z=\frac{X-\mu}{\sigma}$; Z suit alors une loi normale de moyenne 0 et d’écart-type 1.

• Dans une loi normale centrée réduite, 68 % des valeurs appartiennent à l’intervalle [-1 ; 1] et 95 % à l’intervalle [-2 ; 2].

Compléments

• Dans un échantillon de taille 64, le premier quartile a le rang 16,25, le 5e percentile le rang 3,25 et le 3e décile le rang 19,5.

💡 Astuce mémo

La loi normale décrit une distribution, tandis que les quantiles repèrent des positions dans une série triée.

📖 6. Événements et probabilités

🔑 Notions clés & Définitions

• Expérience aléatoire : Peut être répétée, possède plusieurs résultats possibles et produit un résultat imprévisible.
• Événement : Un sous-ensemble de l’ensemble fondamental Ω, qui rassemble tous les résultats possibles d’une expérience aléatoire.

★ À maîtriser

📌 L’union A ∪ B correspond à la réalisation de A ou de B, l’intersection A ∩ B à la réalisation simultanée de A et B, et le complémentaire de A aux résultats de Ω qui ne sont pas dans A.

📐 Formule — Pour deux événements A et B, $P(A\cup B)=P(A)+P(B)-P(A\cap B)$; si A et B sont incompatibles, alors $P(A\cup B)=P(A)+P(B)$.

Compléments

📐 Formule — Dans un univers fini équiprobable, la probabilité d’un événement A est $P(A)=\frac{\text{nombre de cas favorables à A}}{\text{nombre de cas possibles dans }\Omega}$.

💡 Astuce mémo

Visualiser Ω comme une boîte contenant des événements, dont A et B s’unissent, s’intersectent ou se complètent.

📖 7. Probabilités conditionnelles et indépendance

📝 Points essentiels

📐 Formule — Pour un événement B de probabilité non nulle, la probabilité conditionnelle de A sachant B est $P(A\mid B)=\frac{P(A\cap B)}{P(B)}$.

📐 Formule — La formule des probabilités composées s’écrit $P(A\cap B)=P(B)P(A\mid B)=P(A)P(B\mid A)$.

📐 Formule — Si {A₁,…,Aₙ} est un système complet d’événements, alors la formule des probabilités totales est $P(B)=\sum_{i=1}^{n}P(B\mid A_i)P(A_i)$.

📐 Formule — Le théorème de Bayes donne $P(A_j\mid B)=\frac{P(A_j)P(B\mid A_j)}{\sum_{i=1}^{n}P(A_i)P(B\mid A_i)}$ pour une partition {A₁,…,Aₙ}.

📌 Deux événements incompatibles vérifient A ∩ B = Ø, tandis que deux événements indépendants vérifient $P(A\cap B)=P(A)P(B)$; deux événements de probabilités non nulles incompatibles ne sont donc pas indépendants.

💡 Astuce mémo

Conditionner restreint l’univers à B → Bayes inverse le conditionnement → l’indépendance supprime l’influence.

📖 8. Variables aléatoires et lois classiques

🔑 Notions clés & Définitions

• Variable aléatoire : Attribue un nombre réel à chaque résultat d’une expérience aléatoire et constitue une variable quantitative.
• Loi de Bernoulli : Modélise une variable discrète prenant seulement les valeurs 0 et 1, avec une probabilité p d’obtenir 1 et q = 1 − p d’obtenir 0.

★ À maîtriser

📌 Une variable aléatoire discrète prend un nombre fini ou dénombrable de valeurs, tandis qu’une variable aléatoire continue prend un nombre indénombrable de valeurs.

📐 Formule — L’espérance d’une variable discrète est $E(X)=\sum_i x_iP(X=x_i)$, tandis que celle d’une variable continue de densité f est $E(X)=\int_{-\infty}^{+\infty}xf(x)\,dx$.

📐 Formule — La variance vérifie $\operatorname{var}(X)=E((X-E(X))^2)=E(X^2)-E(X)^2$ et l’écart-type vérifie $\sigma_X=\sqrt{\operatorname{var}(X)}$.

📐 Formule — Si Sₙ suit une loi binomiale de paramètres n et p, alors $P(S_n=k)=\binom{n}{k}p^k(1-p)^{n-k}$, $E(S_n)=np$ et $\operatorname{var}(S_n)=npq$.

📌 L’approximation d’une loi binomiale ℬ(n,p) par une loi normale est applicable lorsque n ≥ 30, np ≥ 5 et n(1 − p) ≥ 5.

📌 Le théorème de la limite centrale indique que, pour n suffisamment grand et notamment n ≥ 30, la moyenne d’un échantillon suit approximativement une loi normale de moyenne μX et d’écart-type $\frac{\sigma_X}{\sqrt n}$.

Compléments

📐 Formule — Si X suit une loi de Bernoulli de paramètre p, alors $E(X)=p$ et $\operatorname{var}(X)=p(1-p)=pq$.

💡 Astuce mémo

Bernoulli → binomiale → normale → approximations par le théorème de la limite centrale.

📖 9. Approximation normale et TLC

📝 Points essentiels

📐 Formule — Pour n suffisamment grand, la moyenne d’un échantillon vérifie $M \approx \mathcal{N}\left(\mu_X,\frac{\sigma_X}{\sqrt{n}}\right)$, avec n ≥ 30.

📐 Formule — Si Sn suit une loi binomiale de paramètres n et p, alors elle peut être approximée par une loi normale de moyenne np et d’écart-type $\sqrt{np(1-p)}$ lorsque n ≥ 30, np ≥ 5 et n(1 − p) ≥ 5.

💡 Astuce mémo

Échantillon suffisamment grand → approximation normale

📖 10. Échantillonnage et estimateurs

📝 Points essentiels

• Un échantillon statistique est un ensemble de n variables aléatoires indépendantes et de même loi, notées (X₁, X₂, …, Xₙ), tandis que les valeurs observées correspondantes sont notées (x₁, x₂, …, xₙ).

• Pour obtenir un échantillon aléatoire simple indépendant, chaque individu doit avoir la même probabilité d’être choisi, les tirages doivent être indépendants et s’effectuer avec remise dans une population suffisamment grande, idéalement au moins dix fois plus grande que l’échantillon.

• Un estimateur T de θ est une variable aléatoire définie par une fonction des variables de l’échantillon, tandis qu’une estimation t est le nombre obtenu en appliquant cette fonction aux valeurs observées.

📐 Formule — Le biais d’un estimateur T est $E(T)-\theta$, et son erreur quadratique moyenne est $EQM=Var(T)+biais^2$.

📐 Formule — L’estimateur F d’une proportion est défini par $F=\frac{S_n}{n}$ et vérifie approximativement $E(F)=\pi$ et $Var(F)=\frac{\pi(1-\pi)}{n}$ lorsque n ≥ 30, nπ ≥ 5 et n(1 − π) ≥ 5.

💡 Astuce mémo

Estimateur = variable aléatoire ; estimation = valeur observée

📖 11. Intervalles de fluctuation et confiance

★ À maîtriser

📐 Formule — Un intervalle de fluctuation de niveau 1 − α pour une variable normale d’espérance μY et d’écart-type σY est $IF_{1-\alpha}(X)=\mu_Y\pm z_{1-\alpha/2}\sigma_Y$.

• Un intervalle de fluctuation est construit à partir d’un paramètre connu dans la population pour contenir une valeur observée dans un échantillon, tandis qu’un intervalle de confiance est construit à partir d’une estimation d’échantillon pour contenir le paramètre vrai de la population.

• Un intervalle de confiance ne peut être établi que si n ≥ 30, et pour une proportion ses deux bornes f₁ et f₂ doivent vérifier n f₁ ≥ 5, n(1 − f₁) ≥ 5, n f₂ ≥ 5 et n(1 − f₂) ≥ 5.

• Plus la taille de l’échantillon augmente, plus l’intervalle de confiance est étroit, tandis que plus le niveau de confiance augmente, plus l’intervalle est large.

Compléments

📌 Pour préserver le niveau de confiance, la borne inférieure d’un intervalle doit être arrondie par défaut et la borne supérieure par excès.

💡 Astuce mémo

IF : population connue → échantillon ; IC : échantillon connu → population

📖 12. Tests d’hypothèse et Chi-deux

🔑 Notions clés & Définitions

• Hypothèse nulle : L’hypothèse de référence selon laquelle la pièce est équilibrée, avec π = π₀ = 1/2.

★ À maîtriser

📌 L’hypothèse alternative H₁ correspond au déséquilibre de la pièce, avec π ≠ 0,5, tandis que H₀ correspond à l’équilibre avec π = 0,5.

📐 Formule — Pour tester une proportion sous H₀, la statistique de test est $S=\frac{|F-\pi|}{\sqrt{\pi(1-\pi)/n}}$ et suit approximativement une loi normale centrée réduite.

📌 Pour un test bilatéral au risque α = 5 %, on rejette H₀ si la statistique observée est au moins égale au quantile z₁₋α/₂ ≈ 1,96.

📌 La p-value est la probabilité, sous H₀, d’obtenir un résultat expérimental au moins aussi extrême que celui observé ; si p-value < α, on rejette H₀, tandis que si p-value > α, on ne peut pas conclure.

📐 Formule — Dans un test du Chi-deux, la statistique est $S=\sum_i\sum_j\frac{(O_{ij}-E_{ij})^2}{E_{ij}}$ et suit une loi du Chi-deux à $(I-1)(J-1)$ degrés de liberté, sous réserve que chaque effectif attendu vérifie Eᵢⱼ ≥ 5.

Compléments

• Avec 100 lancers donnant 35 piles, l’estimation observée est f = 35/100 = 0,35 et la statistique sous H₀ vaut sobs = |0,35 − 0,5|/0,05 = 3.

💡 Astuce mémo

H₀ → statistique → p-value → décision

📖 13. Tests du Chi-deux

★ À maîtriser

• Pour une table de contingence à I lignes et J colonnes, le nombre de degrés de liberté vaut $(I-1)(J-1)$.

📐 Formule — La statistique du test du Chi-deux vaut $S=\sum_{i=1}^{I}\sum_{j=1}^{J}\frac{(O_{ij}-E_{ij})^2}{E_{ij}}$, où $O_{ij}$ désigne l’effectif observé et $E_{ij}$ l’effectif attendu sous $H_0$.

📌 Pour un test du Chi-deux à un degré de liberté au risque de 5 %, on compare la statistique observée au seuil 3,84 ; si la statistique est inférieure à 3,84, on ne rejette pas $H_0$.

• Pour 100 lancers d’une pièce donnant 35 piles et 65 faces, la statistique du Chi-deux vaut 9, supérieure au seuil 3,84 ; on rejette donc $H_0$ au risque de 5 % et on conclut que la pièce est déséquilibrée.

Compléments

• Dans la comparaison des proportions de fumeurs chez les hommes et les femmes, la statistique observée vaut 3,74 et est inférieure à 3,84 ; on ne rejette donc pas $H_0$ et aucune différence significative n’est mise en évidence.

💡 Astuce mémo

Chi-deux : seuil à droite, contrairement aux tests normaux bilatéraux

📖 14. Comparaison des moyennes

🔑 Notions clés & Définitions

• Test de l’écart-réduit : Le test de l’écart-réduit compare une moyenne observée à une moyenne de référence ou deux moyennes indépendantes lorsque les effectifs sont suffisamment grands et que la variable suit asymptotiquement une loi normale.
• Test de Student : Le test de Student compare deux moyennes indépendantes lorsque la variable est normalement distribuée, y compris lorsque les effectifs ne sont pas nécessairement supérieurs ou égaux à 30.

★ À maîtriser

📐 Formule — Pour une moyenne comparée à une référence, la statistique sous $H_0$ vaut $Z_{H_0}=\frac{|M-\mu_0|}{\sqrt{\sigma^2/n}}\sim\mathcal N(0{,}1).$

📌 Pour appliquer asymptotiquement le test de l’écart-réduit à une moyenne, il faut notamment un effectif $**n\geq30**$ afin d’utiliser le théorème central limite.

📌 Pour appliquer le test de Student avec des variances proches, le rapport des variances estimées doit vérifier $0{,}5<\frac{s_A^2}{s_B^2}<2.$

Compléments

📐 Formule — Dans le test de Student à deux échantillons, la variance commune estimée vaut $S_c^2=\frac{(n_A-1)S_A^2+(n_B-1)S_B^2}{n_A+n_B-2}$ et la statistique suit une loi de Student à $n_A+n_B-2$ degrés de liberté.

💡 Astuce mémo

Écart-réduit si n est grand ; Student si la normalité est connue

📖 15. Principes des tests d’hypothèses

🔑 Notions clés & Définitions

• Puissance : La puissance $1-\beta$ mesure la capacité d’un test à détecter une différence significative donnée.

★ À maîtriser

📌 Le risque de première espèce $\alpha$ correspond au rejet de $H_0$ alors qu’elle est vraie, tandis que le risque de seconde espèce $\beta$ correspond au non-rejet de $H_0$ alors qu’elle est fausse.

• La confiance vaut $1-\alpha$ et la puissance d’un test vaut $1-\beta$.

📌 La décision de rejeter $H_0$ est possible lorsque la statistique de test est supérieure au seuil de rejet, mais le non-rejet de $H_0$ ne permet pas de conclure à l’égalité ni d’accepter automatiquement $H_1$.

Compléments

📌 La puissance augmente lorsque l’écart entre la valeur sous $H_0$ et la vraie valeur augmente, lorsque $\alpha$ augmente, lorsque l’écart-type diminue ou lorsque l’effectif augmente.

📌 Un test bilatéral pose $H_1:\mu_A\ne\mu_B$, tandis qu’un test unilatéral peut poser $H_1:\mu_A>\mu_B$.

💡 Astuce mémo

α contrôle les faux positifs → β mesure les faux négatifs → 1−β donne la puissance

📖 16. Conception des essais cliniques

🔑 Notions clés & Définitions

• Essai clinique : Un essai clinique est une expérimentation planifiée comparant, sur une même période, les résultats d’un groupe traité par l’intervention étudiée à ceux d’un groupe recevant une intervention contrôle.
• Randomisation : La randomisation est l’allocation aléatoire des patients aux bras de traitement afin de rendre les groupes comparables en moyenne et d’attribuer les différences observées à l’intervention.
• Analyse en intention de traiter : L’analyse en intention de traiter inclut tous les patients randomisés et les analyse dans le bras auquel ils ont été affectés par la randomisation, sans exclusion a posteriori.
• Stratification : La stratification consiste à créer une liste de randomisation dans chaque catégorie d’un facteur afin d’assurer un équilibre entre les bras au sein de chaque strate.

📝 Points essentiels

• 🔄 La démarche suit les étapes suivantes:

  1. formulation d’une question scientifique
  2. sélection des patients
  3. randomisation
  4. suivi
  5. définition d’un critère de jugement
  6. analyse statistique
  7. communication des conclusions

• La population cible est la population à laquelle on souhaite appliquer le traitement, la population source est celle dont est issu l’échantillon, et l’échantillon est le sous-ensemble effectivement étudié.

• Le double aveugle signifie que les patients et les médecins ignorent le traitement reçu, tandis que dans le simple aveugle seuls les patients l’ignorent.

• Un essai clinique doit comporter un unique critère de jugement principal, défini précisément, cliniquement pertinent, objectivement mesurable et évalué selon des modalités standardisées.

💡 Astuce mémo

Question → sélection → randomisation → suivi → critère → analyse

📖 17. Randomisation et schémas d’essai

🔑 Notions clés & Définitions

• Stratification : Consiste à diviser l’échantillon en strates selon des facteurs de confusion, puis à établir une liste de randomisation dans chaque strate afin d’équilibrer les bras.
• Randomisation par bloc : La randomisation par bloc répartit aléatoirement les participants dans des sous-groupes de taille prédéterminée afin de maintenir un équilibre des effectifs entre les bras tous les m sujets inclus.

★ À maîtriser

• Des perdus de vue indépendants du traitement et identiques dans les deux bras entraînent un biais de sélection non différentiel, tandis que des perdus de vue liés au traitement entraînent un biais de sélection différentiel pouvant surestimer ou sous-estimer son effet.

• L’analyse en intention de traiter conserve chaque participant dans le groupe auquel il a été randomisé, tandis que l’analyse en intention de traiter modifiée exclut certains participants, notamment ceux qui n’ont pas commencé le traitement pour une raison indépendante du bras.

• L’analyse per-protocole exclut les participants qui n’ont pas totalement respecté le protocole initial, contrairement à l’analyse en intention de traiter qui maintient la comparabilité issue de la randomisation.

• Les groupes parallèles comportent deux branches indépendantes, le schéma cross-over fait recevoir successivement les deux interventions aux mêmes participants, et le plan factoriel combine plusieurs traitements chez un même participant.

Compléments

• La méthode du biais maximum remplace les critères dichotomiques manquants par des succès dans un groupe et des échecs dans l’autre, puis inverse cette attribution et compare les conclusions obtenues.

• La randomisation adaptative attribue chaque nouveau participant au bras où il contribue le moins au déséquilibre déjà présent entre les facteurs de confusion.

• Les séquences possibles d’un bloc de quatre sont:

  • AABB
  • BBAA
  • ABAB
  • BABA
  • ABBA
  • BAAB

💡 Astuce mémo

Stratifier, adapter, bloquer, puis comparer

📖 18. Puissance et conduite des essais

🔑 Notions clés & Définitions

• Puissance statistique : La puissance statistique est le complément du risque de seconde espèce et mesure la capacité d’un test à détecter une différence significative donnée.
• Corrélation : Représente l’association et le degré de liaison entre deux variables aléatoires quantitatives qui varient conjointement.
• Régression linéaire simple : Décrit une variable dépendante Y à partir d’une variable explicative X au moyen d’une droite ajustée aux données.
• Moindres carrés ordinaires : La méthode des moindres carrés ordinaires estime la droite de régression en minimisant la somme des carrés des résidus.

📝 Points essentiels

• La puissance statistique est égale à $1-\beta$.

• La puissance dépend de α, de la différence entre μ0 et μ, de σ et de n par l’intermédiaire de l’erreur-type.

• Le nombre de sujets dépend notamment de:

  • La nature du critère de jugement principal
  • Le test réalisé
  • La différence minimale cliniquement pertinente
  • Alpha
  • Bêta
  • Le caractère unilatéral ou bilatéral du test

📌 Le nombre de sujets doit augmenter lorsque les risques α et β doivent être faibles ou lorsqu’il faut détecter un faible écart entre les groupes.

• Les quatre principes éthiques sont:
  • Le respect de la personne humaine et du consentement
  • La bienfaisance
  • La justice
  • Le respect de la dignité de la science et de ses exigences méthodologiques

📌 Une association entre variables qualitatives ou entre une variable quantitative et une variable qualitative n’est pas une corrélation mathématique calculable par un coefficient de corrélation.

📐 Formule — La covariance de X et Y vérifie $\operatorname{cov}(X,Y)=E[(X-\mu_X)(Y-\mu_Y)]=E(XY)-E(X)E(Y)$.

📌 Une covariance positive signifie que les variables évoluent dans le même sens, tandis qu’une covariance négative signifie qu’elles évoluent en sens opposé.

📌 L’indépendance de X et Y implique $E(XY)=E(X)E(Y)$ et $\operatorname{cov}(X,Y)=0$, mais une covariance nulle n’implique pas nécessairement l’indépendance.

📐 Formule — Le coefficient de corrélation de Pearson vérifie $\rho_{X,Y}=\frac{\sigma_{X,Y}}{\sigma_X\sigma_Y}$ et est compris entre -1 et 1.

📐 Formule — Pour tester une corrélation linéaire, la statistique vaut $t=\frac{r\sqrt{n-2}}{\sqrt{1-r^2}}$ et suit une loi de Student à n−2 degrés de liberté sous H0 : ρ=0.

📐 Formule — Le modèle de régression s’écrit $Y_i=\beta_0+\beta_1x_i+\varepsilon_i$, où β0 est l’ordonnée à l’origine et β1 la pente.

💡 Astuce mémo

Plus de sujets → plus de puissance et moins de risques

📊 Tableaux de synthèse

Intervalle de fluctuation ou de confiance

Choix des tests selon la variable