🎯 CE QUE CE CHAPITRE VAUT AU CONCOURS. Quatre des 43 vraies questions de statistiques recensées dans les annales SFO 2021-2024 viennent d'ici — et deux d'entre elles sont la même question posée à trois ans d'écart : « qu'est-ce qui augmente la largeur de l'IC95 % ? » (2021 Q2, puis 2024 Q29, avec les mêmes distracteurs). Le prof annonce le reste lui-même : « comme l'intervalle de confiance, c'est la proportion estimée plus ou moins deux fois la racine carrée, chaque année, il y a aussi des questions sur la notion de ce plus ou moins » (1:03:58), et « vous devez savoir l'appliquer sur des chiffres simples […] la racine carrée de 100, c'est quelque chose que vous savez calculer de tête » (1:06:00). Conséquence : ce chapitre tient en deux formules et une définition — mais elles doivent sortir en dix secondes, sans calculatrice, et l'interprétation doit être irréprochable. Bonne nouvelle : le prof déclare explicitement quatre blocs hors examen (simulations, théorème de la limite centrale, formules de construction, exemple du marathon), soit une vingtaine de diapositives que vous devez comprendre sans les apprendre.
▶N1 · Ce que la séance 3 reprend du Ch2, et ce qu'elle ajoute
d.1-90/3
⬜
⭐⭐ Identité du chapitre — et les deux annales jumelles
~8 min
📊 DIAPOS d.1
« Statistiques pour médecins — Estimation », Pr Christophe Combescure, Unité d'Appui Méthodologique du CRC, séance 3 sur 15, le 2 octobre. Le chapitre compte 67 diapositives — le plus long du semestre à ce stade — et 4 des 43 questions d'annales de la matière. Le prof donne 5 exercices officiels (fichier questions3) au lieu des 4 habituels.
🎙️ ORAL (séance 3, 09:05)
« Aujourd'hui, on va voir la notion d'estimation et d'inférence statistique. L'intervalle de confiance, qui est une conséquence de cette procédure d'inférence […] Et puis on finira avec les deux types d'erreurs, l'erreur aléatoire et l'erreur systématique et la notion de biais, qui est importante en recherche clinique. »
⚠️ PIÈGE
Croire que 67 diapositives = 67 diapositives à apprendre. Non : le prof pose lui-même le logo 🗑️ sur le théorème de la limite centrale et déclare hors examen les simulations, les formules de construction et l'exemple du marathon. Une vingtaine de diapositives sont à comprendre, pas à retenir. Le vrai programme tient à la d.66.
📝 TOMBE EN QCM
SFO 2021 Q2 (K′) · SFO 2022 Q1 (A) · SFO 2023 Q25 (A) · SFO 2024 Q29 (K′). 2021 Q2 et 2024 Q29 sont la même question, avec les mêmes distracteurs : « qu'est-ce qui augmente la largeur de l'IC95 % ? ». Si vous ne verrouillez qu'une chose de ce chapitre, c'est celle-là.
⬜
Le rappel du Ch2 en huit diapositives — et l'écart-type de 21 cm
~9 min
📊 DIAPOS d.2-8
La séance rejoue tout le Ch2 sur votre volée (N = 307 réponses). Le point à retenir : la variable « taille corporelle » donne d'abord moyenne 167,7 cm / écart-type 21,1 cm / médiane 163 cm — puis, une fois les 5 valeurs aberrantes retirées (d.4), moyenne 170,1 cm / écart-type 8,9 cm / médiane 170 cm sur N = 302. Suivent le tableau croisé (94 sans option science/math, 213 avec), la comparaison de deux groupes, le nuage de points et les mesures d'association.
🎙️ ORAL (séance 3)
« Avec ces valeurs aberrantes qui étaient très loin de la tendance centrale, j'avais un écart-type de 21, ce qui est absolument énorme pour des données de taille. »
⚠️ PIÈGE
Un écart-type de 21 cm pour des tailles humaines est absurde : quelqu'un a répondu en mètres ou s'est trompé de zéro. L'écart-type est la statistique la plus sensible aux valeurs aberrantes — bien plus que la médiane, qui ne bouge que de 163 à 170. C'est un rappel Ch2 déguisé, et il peut se poser en K′.
📝 TOMBE EN QCM
Pas d'annale directe. 🔗 PONT Ch2 : moyenne / médiane / écart-type / valeurs aberrantes / tableau croisé — tout le vocabulaire du Ch2 est présupposé ici. Si ce rappel ne coule pas tout seul, refaites le Ch2 avant d'attaquer le Ch3.
⬜
⭐ Les quatre objectifs imprimés — et pourquoi ils annoncent les annales
~6 min
📊 DIAPOS d.9
Quatre notions, écrites telles quelles : Estimation de paramètres · Intervalle de confiance · Échantillonnage · Types d'erreur (aléatoire et systématique). Lectures : Petrie & Sabin, chapitres 7 – 10 – 11.
🎙️ ORAL (séance 3, 09:05)
« Et puis, on finira avec les deux types d'erreurs, l'erreur aléatoire et l'erreur systématique et la notion de biais, qui est importante en recherche clinique. » — le quatrième objectif est celui sur lequel le prof met le plus d'insistance, et c'est celui qui est tombé deux fois.
⚠️ PIÈGE
Lire « Échantillonnage » comme un objectif technique (comment tirer au sort). Non : au concours, l'échantillonnage se joue en deux mots — représentatif (sinon biais) et taille suffisante (sinon imprécision). Ce sont les deux qualités de la d.55, et elles règlent deux problèmes différents.
📝 TOMBE EN QCM
L'ordre des quatre objectifs est celui des quatre familles de questions : estimer (2022 Q1), interpréter un IC (2023 Q25), l'échantillonnage, et distinguer les deux types d'erreur (2021 Q2 et 2024 Q29).
▶N2 · ⭐⭐ L'inférence : du raisin à la grappe, de l'échantillon à la population
d.10-130/3
⬜
⭐⭐ La grappe de raisin — l'analogie qui porte tout le chapitre
~7 min
📊 DIAPOS d.10
« Comment avoir une idée de la qualité de la grappe de raisin ? — Goûter un des raisins : si le raisin est bon, vous concluez que la grappe est bonne. » Vous GÉNÉRALISEZ à l'ensemble de la grappe le goût du raisin testé : le mot inférence est imprimé en bas à droite de la diapositive.
🎙️ ORAL (séance 3, 10:05)
« Vous allez au marché, il y a du raisin qui a l'air sympa. Est-ce que vous allez l'acheter ou pas ? Vous allez l'acheter s'il vous paraît de bonne qualité. »
⚠️ PIÈGE
Réciter l'analogie sans savoir la traduire. Le mapping est le contenu : la grappe = la population (ce qu'on veut connaître, jamais observé) · le raisin = l'échantillon (ce qu'on observe) · le goût = l'estimation · le risque de tomber sur un raisin non représentatif = l'aléa de l'échantillonnage.
📝 TOMBE EN QCM
Aucune annale ne parle de raisin, mais toutes reposent sur ce mapping : chaque question du chapitre demande, au fond, « êtes-vous en train de parler du raisin ou de la grappe ? » — de l'échantillon ou de la population.
⬜
⭐ Pourquoi la sélection doit être aléatoire — et pourquoi il faut plusieurs raisins
~8 min
📊 DIAPOS d.11
« Comment sélectionner le raisin à goûter ? — Sélection subjective ? risque de goûter surtout les jolis raisins ⇒ inférence incorrecte. » · « Une sélection aléatoire protège d'une sélection subjective. » · « Plusieurs raisins : échantillon » — un seul ne suffit pas.
🎙️ ORAL (séance 3, 10:05)
« Il y a un passage qui va être délicat. C'est passer de l'échantillon à la population. Et il se trouve qu'à cause de l'aléa de l'échantillonnage, ce qu'on va voir dans l'échantillon, en fait, ça peut varier d'un échantillon à l'autre. Et ça, ça va créer de l'imprécision dans l'estimation. »
⚠️ PIÈGE
Confondre les deux défauts que cette diapositive met côte à côte. Goûter les jolis raisins = biais (erreur systématique, la sélection est mauvaise) ; goûter un seul raisin = imprécision (erreur aléatoire, l'échantillon est trop petit). Ce sont deux problèmes distincts, et augmenter le nombre de raisins ne corrige que le second.
📝 TOMBE EN QCM
C'est déjà, en germe, la question de SFO 2021 Q2 et de SFO 2024 Q29 : « un échantillon non représentatif élargit-il l'IC ? » → NON, il le décale. 🔗 La d.11 et la d.56 disent la même chose à 45 diapositives d'intervalle.
⬜
⭐⭐ Le schéma en boucle et les six étapes de l'inférence
~10 min
📊 DIAPOS d.12-13
Le schéma (d.12) : en haut la POPULATION, qui porte les paramètres (« prévalence, risque, effet d'une intervention… ») ; vers le bas l'ÉCHANTILLONNAGE mène aux données observées ; vers le haut, les données observées INFORMENT sur les paramètres — c'est l'inférence statistique.
Les six étapes (d.13) : 1. une question sur un paramètre · 2. le paramètre n'est pas observable directement · 3. sélection d'un échantillon représentatif et de taille suffisante · 4. on obtient une estimation · 5. inférence statistique · 6. réponse avec un degré d'incertitude, une imprécision.
🎙️ ORAL (séance 3, 10:05)
« On va tirer des conclusions à partir des données de l'échantillon sur la population. Donc là, il y a un passage qui va être délicat. »
⚠️ PIÈGE
Inverser les deux flèches. On DESCEND par l'échantillonnage, on REMONTE par l'inférence — et l'étape 2 dit tout : le paramètre n'est jamais observé. Toute proposition qui prétend qu'une étude « mesure la prévalence dans la population » est fausse : elle l'estime.
📝 TOMBE EN QCM
Les étapes 3 et 6 sont celles qui tombent : l'étape 3 porte les deux qualités du bon échantillon (d.55), l'étape 6 porte l'imprécision — que l'IC95 % vient précisément chiffrer. Question inédite C3-Q1 (K′) du deck : « paramètre, estimation, inférence : qui est qui ? ».
▶N3 · ⭐⭐ Estimer un paramètre : prévalence, risque, moyenne — et la notation p̂ / m
d.14-15 · 35-360/3
⬜
⭐⭐ p̂ = x/N — et ce que veut dire le chapeau
~8 min
📊 DIAPOS d.14
« On veut connaître la prévalence d'allergie aux pollens dans la population » — c'est le paramètre p. La variable « allergie (non/oui) » est qualitative. On recueille des données dans un échantillon aléatoire de N personnes, on observe x cas. Formule imprimée : p̂ = x / N.
🎙️ ORAL (séance 3, 1:02:57 et 17:19)
« Le chapeau, c'est pour distinguer l'estimation du paramètre. » — et : « Cette proportion observée dans l'échantillon, c'est une estimation de la prévalence d'allergie [dans la population]. »
⚠️ PIÈGE
K′ type : « p̂ est la prévalence dans la population » → FAUX. p sans chapeau vit dans la population et reste inconnu ; p̂ avec chapeau se calcule dans l'échantillon et change d'un échantillon à l'autre. Second piège : p̂ est une proportion (0,127), pas un pourcentage (12,7) — et c'est la proportion qui entre dans la formule de la d.33.
📝 TOMBE EN QCM
C'est l'ouverture obligatoire de toute question de calcul du chapitre : identifier x, identifier N, poser p̂ = x/N en proportion. Question inédite C3-Q1 (K′) du deck. Et question 1 du prof : « une prévalence estimée à 10 % sur n = 100 » — 0,10, pas 10.
⬜
⭐ L'exemple fil rouge : 62 cas d'hyponatrémie sur 488 marathoniens
~7 min
📊 DIAPOS d.15
NEJM 2005;352:1550-6 — l'exemple qui revient aux d.34 et d.58-65. « Sur les 488 coureur·ses analysées, 62 cas d'hyponatrémie sont identifiés » ⇒ p̂ = 62/488 = 0,127 = 12,7 %. La question posée est celle de tout le chapitre : « que peut-on dire du risque d'hyponatrémie dans la population des coureur·ses de marathon ? »
🎙️ ORAL (séance 3, 1:07:01)
« Parmi les 488 personnes composant l'échantillon, 62 cas d'hyponatrémie étaient identifiés, ce qui donnait une estimation du risque […] de 12,7 %. »
⚠️ PIÈGE
Apprendre les chiffres de l'exemple. Le prof le déclare hors examen : « vous ne serez pas interrogé dessus […] vous devez savoir appliquer les deux formules » (1:45:36). Ce qu'il faut retenir, c'est le geste : 62/488 → 0,127 → formule → IC. L'exemple est un support, pas une donnée à mémoriser.
📝 TOMBE EN QCM
💊 Hyponatrémie : sodium sanguin trop bas ; chez le marathonien, hydratation excessive à l'eau pure pendant l'effort ; sévère, elle donne un œdème cérébral. Le calcul complet (IC 9,7 – 15,7 %) est à la micro-notion n5m5.
⬜
Les autres paramètres qu'on estime — et la moyenne d'une population
~7 min
📊 DIAPOS d.35-36
La d.35 liste les paramètres qu'on estime au-delà d'une proportion : moyennes, différences de risques et de moyennes, risque relatif, odds ratio — tout ce que le Ch2 appelait « mesures d'association ». La d.36 ouvre la seconde moitié : estimer la moyenne μ d'une population par la moyenne m de l'échantillon, exemple du cholestérol LDL.
🎙️ ORAL (séance 3, 1:35:10)
« Retenez bien cette définition de l'intervalle de confiance. Elle marche quel que soit le paramètre estimé. Que le paramètre en question, ce soit une probabilité, une moyenne ou je ne sais pas quoi d'autre, ça marche toujours. »
⚠️ PIÈGE
Croire qu'il existe une formule d'IC par paramètre à apprendre. Non : le cours n'en donne que deux (proportion, moyenne) et la d.66 ne demande que celles-là. Pour tous les autres paramètres, seule l'interprétation est exigée — et elle est identique.
📝 TOMBE EN QCM
SFO 2023 Q25 donne un risque relatif avec son IC95 % : aucune formule n'est demandée, uniquement la lecture. 🔗 PONT Ch2 (mesures d'association) et 🔗 PONT Ch4 (valeur p).
▶N4 · ⭐ L'aléa de l'échantillonnage : ce que montrent les simulations (🗑️ hors examen, mais indispensable)
d.16-20 · 37-400/4
⬜
🗑️ Le protocole des simulations — et pourquoi il ne tombera pas
~6 min
📊 DIAPOS d.16
Le renversement pédagogique du chapitre : on fait comme si on connaissait le paramètre (prévalence de 30 % dans une population fictive), on tire un grand nombre d'échantillons de n = 20, et on regarde comment les estimations se dispersent. C'est une démonstration, pas une méthode.
🎙️ ORAL (séance 3, 20:26)
« Vous n'aurez pas de questions à l'examen sur ces simulations. » — déclaration explicite, à prendre au mot.
⚠️ PIÈGE
Sauter les simulations parce qu'elles sont hors examen. Erreur de stratégie : elles ne seront pas demandées, mais tout ce qui tombe (largeur, effet de n, sens de « 95 % ») se comprend ici. On les regarde une fois, attentivement, et on ne les révise jamais.
📝 TOMBE EN QCM
🗑️ Aucune question directe — déclaré par le prof. Mais la propriété ③ (« la variance des estimations diminue quand n augmente ») est exactement ce que demandent SFO 2021 Q2, SFO 2022 Q1 et SFO 2024 Q29.
⬜
⭐ Deux échantillons, deux résultats — 15 % et 35 % dans la même population
~7 min
📊 DIAPOS d.17-19
Dans une population où la prévalence vaut 30 %, un premier échantillon de 20 personnes donne 3 cas ⇒ 15 %, un second 7 cas ⇒ 35 %. Ni l'un ni l'autre ne « se trompe » : c'est l'aléa de l'échantillonnage. La d.19 refait l'exercice en augmentant n : les estimations se resserrent autour de 30 %.
🎙️ ORAL (séance 3, 23:30)
« J'ai plus de chances d'être sur le paramètre que d'être à côté, mais quand même, j'ai une grande probabilité de tomber à côté du paramètre. Et par contre, j'ai très peu de risques de tomber sur un échantillon dans lequel j'observe 0 ou 10 événements. »
⚠️ PIÈGE
« Deux études qui donnent 15 % et 35 % se contredisent » → FAUX. Avec n = 20, les deux sont compatibles avec un même paramètre de 30 %. C'est le raisonnement complet du chapitre en une phrase : un désaccord apparent entre deux petites études n'est pas une contradiction, c'est de l'imprécision.
📝 TOMBE EN QCM
Support direct de la notion de compatibilité (d.21-22) et de la définition de l'IC. Aucune annale ne cite les simulations, mais le raisonnement est celui de SFO 2022 Q1.
⬜
⭐⭐ Les quatre propriétés de la distribution des estimations
~9 min
📊 DIAPOS d.20
Écrites telles quelles : ① « l'estimation la plus fréquente est égale à la valeur du paramètre » · ② « des estimations différentes du paramètre sont possibles », et « plus l'estimation est éloignée du paramètre, moins elle est fréquente » · ③ « lorsque la taille d'échantillon augmente, la variance de la distribution des estimations diminue » · ④ « cette distribution est connue grâce à la théorie des probabilités ».
🎙️ ORAL (séance 3, 23:30)
« J'ai plus de chances d'être sur le paramètre que d'être à côté » — c'est la propriété ①, et « j'ai très peu de risques de tomber sur un échantillon dans lequel j'observe 0 ou 10 événements » — c'est la ②.
⚠️ PIÈGE
Lire ① comme « l'estimation est égale au paramètre ». Non : c'est l'estimation la plus fréquente qui l'est — le pic de la distribution. Une estimation particulière, la vôtre, est presque toujours à côté. C'est ce décalage que l'IC95 % chiffre, et rien d'autre.
📝 TOMBE EN QCM
La propriété ③ est le moteur de trois annales sur quatre. La propriété ④ explique pourquoi on peut calculer un IC sans refaire mille études : la forme de la distribution est un résultat mathématique (loi binomiale pour une proportion, limite centrale pour une moyenne).
⬜
⭐⭐ Les trois distributions à ne jamais confondre
~10 min
📊 DIAPOS d.37-40 (la clé : d.39)
Trois graphiques empilés : ① distribution des données dans la POPULATION — moyenne μ (le paramètre), écart-type σ · ② distribution des données dans l'ÉCHANTILLON — moyenne m (l'estimation), écart-type s · ③ distribution des MOYENNES des échantillons — une courbe bien plus étroite que les deux autres, dont l'écart-type vaut σ/√n.
🎙️ ORAL (séance 3, 1:24:53)
« Vous souvenez qu'il y a deux aspects qui caractérisent une distribution. Vous avez la tendance […] et puis vous avez l'étalement, la dispersion. C'était vrai pour des valeurs individuelles. C'est vrai ici pour la distribution des moyennes d'échantillons. »
⚠️ PIÈGE
Le piège le plus cher du chapitre. σ et s décrivent la dispersion des individus ; la troisième courbe décrit la dispersion des moyennes d'échantillons. Son écart-type à elle s'appelle l'erreur type (d.47). Quand n augmente, la courbe ③ rétrécit — mais ni ① ni ② ne bougent.
📝 TOMBE EN QCM
K′ imparable : « quand n augmente, l'écart-type diminue » → FAUX ; « quand n augmente, l'erreur type diminue » → VRAI. Les deux propositions se ressemblent à un mot près. C'est aussi ce qui sépare les deux bonnes réponses des deux mauvaises dans SFO 2021 Q2 et SFO 2024 Q29.
▶N5 · ⭐⭐ L'IC95 % d'une proportion : compatibilité, définition, formule p̂ ± 2√(p̂(1−p̂)/n)
d.21-340/5
⬜
⭐⭐ Le mot « compatible » — et le sens de lecture
~9 min
📊 DIAPOS d.21-22
« L'intervalle de 10 % à 50 % est l'ensemble des prévalences (dans des échantillons de 20 personnes) COMPATIBLES avec une prévalence dans la population de 30 %. » · « Les prévalences < 10 % et > 50 % dans les échantillons sont peu probables et ne sont pas considérées comme compatibles. » En chiffres : 2 cas sur 20 et 10 cas sur 20.
🎙️ ORAL (séance 3, 30:07)
« Vous notez au passage que cet intervalle est centré sur la valeur 30 %, qui est la valeur du paramètre. »
⚠️ PIÈGE
Attention au sens de lecture. Ici on va du paramètre vers les estimations (« si p = 30 %, qu'est-ce que je peux observer ? ») : c'est le sens facile, et ce n'est pas l'intervalle de confiance. Le sens utile — de l'estimation vers le paramètre — arrive aux d.23-27 et demande de retourner le raisonnement.
📝 TOMBE EN QCM
Le mot compatible est le mot-clé de la définition officielle (d.32) et il est repris tel quel à la d.66. Toute proposition qui remplace « compatibles avec » par « probables » ou « certaines » est fausse.
⬜
⭐ Comment l'IC est construit : on essaie les valeurs du paramètre
~9 min
📊 DIAPOS d.23-27
Le vrai problème du chercheur (d.23) : il observe 7 cas sur 20 (p̂ = 35 %) et ignore p. La méthode (d.24-25) : on essaie des valeurs de p — 30 %, 50 %, 75 % sont compatibles avec 7/20 ; 5 % et 80 % ne le sont pas, on les rejette. En balayant, on trouve les deux bornes : 15 % et 59 % (d.26). C'est l'intervalle de confiance à 95 % (d.27).
🎙️ ORAL (séance 3, 35:15 et 36:17)
« Un problème de santé qui a une fréquence de 15 % dans la population, ce n'est pas du tout pareil qu'un problème de santé qui a une fréquence de 59 %. » — et : « Malgré le fait que j'observe 35 %, les données ne me permettent pas d'exclure que la prévalence dans la population, c'est quelque part entre 15 et 59 %. »
⚠️ PIÈGE
« J'observe 35 %, donc le paramètre vaut 35 % » → le piège d'interprétation numéro un. Avec n = 20, on ne sait presque rien : l'IC va de 15 % à 59 %. Une estimation ponctuelle sans son IC ne dit rien de sa précision — c'est pour cela que la d.54 exige qu'un IC soit « toujours rapporté avec l'estimation ».
📝 TOMBE EN QCM
Cette construction est hors examen en tant que méthode (elle n'est pas la formule), mais elle donne le sens exact du mot « compatible » de la définition. Retenez le geste, pas les bornes 15-59.
⬜
⭐⭐⭐ LA FORMULE : p̂ ± 2√(p̂(1−p̂)/n)
~12 min
📊 DIAPOS d.33
« Formule permettant de calculer une approximation de l'IC95 % » — paramètre à estimer p, proportion observée p̂, taille n :
p̂ ± 2 · √( p̂(1 − p̂) / n )
Attention imprimée sur la diapositive : « la largeur de l'intervalle de confiance est MAXIMALE si p̂ = 0,5, et diminue à mesure que p̂ se rapproche de 0 ou 1 » — parce que p̂(1−p̂) vaut 0,25 en 0,5 et tombe à 0 aux extrémités.
🎙️ ORAL (séance 3, 1:02:57 · 1:03:58 · 1:06:00)
« La formule qui permet de calculer l'intervalle de confiance, et que vous devez connaître, parce qu'elle est facile à calculer […] Et comme l'intervalle de confiance, c'est la proportion estimée plus ou moins deux fois la racine carrée, chaque année, il y a aussi des questions sur la notion de ce plus ou moins. » — et : « Vous devez savoir l'appliquer sur des chiffres simples […] la racine carrée de 100, c'est quelque chose que vous savez calculer de tête. »
⚠️ PIÈGE
Trois pièges, dans l'ordre de fréquence : ① entrer un pourcentage (12,7) au lieu d'une proportion (0,127) — la formule ne marche qu'en proportions ; ② confondre demi-largeur (le « ± ») et largeur totale, qui vaut 4·√(p̂(1−p̂)/n) ; ③ oublier que n est sous la racine — quadrupler n divise la largeur par 2, pas par 4.
📝 TOMBE EN QCM
Questions 1, 2 et 3 du prof (calcul direct) · SFO 2022 Q1 (tripler n) · et, indirectement, les deux annales sur la largeur. Valeurs à connaître de tête : √100 = 10, √225 = 15, √400 = 20, √900 = 30 · 0,5×0,5 = 0,25 · 0,1×0,9 = 0,09 ⇒ √0,09 = 0,3 · 0,16×0,84 ≈ 0,134 ⇒ √(0,134/50) ≈ 0,05.
⬜
⭐⭐⭐ La définition officielle, mot pour mot — et ce que « 95 % » veut dire
~11 min
📊 DIAPOS d.30-32
Définition (d.32) : « ensemble des valeurs du paramètre compatibles avec les données de l'échantillon ». Les quatre propriétés imprimées : « l'IC contient toujours la valeur estimée » · « plus l'IC est étroit, plus l'estimation est précise » · « la largeur de l'IC diminue lorsque la taille d'échantillon augmente » · « 95 % des IC contiennent la valeur du paramètre (5 % ne la contiennent pas) quelle que soit la taille d'échantillon ». Les d.30-31 le montrent : sur 100 puis 200 échantillons simulés, environ 5 barres sur 100 ratent le paramètre — et cette proportion ne change pas avec n.
🎙️ ORAL (séance 3, 36:17 et 1:35:10)
« La définition de l'intervalle de confiance, c'est l'ensemble des valeurs du paramètre compatible avec les données de l'échantillon. Il y a cette notion de compatibilité. » — et : « Retenez bien cette définition. Elle marche quel que soit le paramètre estimé. »
⚠️ PIÈGE
Le piège du « quelle que soit la taille d'échantillon » : augmenter n rétrécit l'IC mais ne change pas le taux de couverture — ce sont toujours 95 % des intervalles qui contiennent le paramètre. « Avec un grand échantillon, l'IC contient sûrement le paramètre » est FAUX. Autre formulation fausse : « il y a 95 % de chances que le paramètre soit dans MON intervalle » — c'est l'ensemble des intervalles qui a cette propriété.
📝 TOMBE EN QCM
La définition est reprise mot pour mot dans les notions clefs (d.66) : c'est la formulation à restituer. « L'IC contient toujours l'estimation » est une proposition K′ idéale (VRAI) — et sa jumelle « l'IC contient toujours le paramètre » est FAUSSE.
⬜
⭐ Application complète : l'IC95 % du risque d'hyponatrémie
~9 min
📊 DIAPOS d.28-29 · 34
Le calcul de la d.34 : p̂ = 62/488 = 0,127 ⇒ √(0,127 × 0,873 / 488) = 0,015 ⇒ 2 × 0,015 = 0,030 ⇒ IC95 % = 0,097 à 0,157, soit 9,7 % à 15,7 %. Contrôle Python ✓
L'effet de n (d.28-29) : la même estimation de 35 % vue sur 20 puis 40 personnes donne 15-59 % puis 21-51 % ; la d.29 trace la courbe « en entonnoir » de la largeur en fonction de n.
🎙️ ORAL (séance 3, 1:07:01)
« Ce qui donnait une estimation du risque d'hyponatrémie chez les coureurs de marathon de 12,7 %. » — l'IC est ensuite construit en direct au tableau avec la formule.
⚠️ PIÈGE
Rendre un résultat en proportions quand la question est posée en pourcentages, ou l'inverse. On calcule en proportions (0,097 – 0,157) et on reconvertit à la fin (9,7 % – 15,7 %). Second piège : arrondir trop tôt — 0,127 × 0,873 = 0,111, et c'est la racine du quotient par 488 qui donne 0,015.
📝 TOMBE EN QCM
Format exact des questions 1 et 3 du prof. Et la courbe en entonnoir de la d.29 est la figure mentale de SFO 2022 Q1 : tripler n ne divise pas la largeur par 3 mais par √3 ≈ 1,73.
▶N6 · ⭐⭐ L'IC95 % d'une moyenne : erreur type s/√n, formule m ± 2s/√n, théorème de la limite centrale
d.41-530/5
⬜
⭐ Le cholestérol LDL — et la propriété « CENTRÉ sur l'estimation »
~7 min
📊 DIAPOS d.41-42
Même construction que pour la proportion, sur une moyenne : la moyenne estimée du cholestérol LDL vaut 143 mg/dL ; on cherche les valeurs de μ compatibles et on trouve 123 mg/dL (borne inférieure, d.41) et 163 mg/dL (borne supérieure, d.42). 143 − 123 = 20 et 163 − 143 = 20 : l'intervalle est parfaitement centré sur l'estimation.
🎙️ ORAL (séance 3)
Le prof refait le raisonnement d'essai des valeurs, exactement comme pour la proportion — « c'est la même démarche » — mais cette fois sur une variable quantitative continue.
⚠️ PIÈGE
K′ type : « l'IC95 % d'une moyenne est centré sur le paramètre » → FAUX : il est centré sur l'estimation, jamais sur le paramètre (qu'on ne connaît pas). La d.54 nuance d'ailleurs : « contient toujours l'estimation (en général IC centré sur l'estimation) » — le « en général » vise les paramètres dont l'IC n'est pas symétrique, comme un risque relatif.
📝 TOMBE EN QCM
« L'IC contient toujours l'estimation » est VRAI pour tout paramètre ; « l'IC est centré sur l'estimation » est vrai pour la moyenne et la proportion avec les formules du cours. SFO 2023 Q25 exploite précisément le fait qu'un IC de risque relatif contient bien son estimation.
⬜
🗑️ Le théorème de la limite centrale — poubelle, mais ses deux conséquences comptent
~9 min
📊 DIAPOS d.43-45
Énoncé (d.43) : pour une variable de moyenne μ et de variance σ², quand n augmente, la distribution des moyennes d'échantillons tend vers une distribution normale de moyenne μ et de variance σ²/n. La d.44 en tire l'intervalle μ ± 2σ/√n ; la d.45 opère le retournement : de « où tombent les moyennes autour de μ » à « quelles valeurs de μ sont compatibles avec m ».
🎙️ ORAL (séance 3, 1:22:51 et 1:25:56)
« Vous remarquerez au passage la poubelle. Vous n'aurez pas de questions sur le théorème. Je ne vous demanderai pas la définition ou de réciter ce théorème. » — puis : « Vous n'avez pas besoin de connaître ce théorème. Ce qu'il faut comprendre, c'est que ce théorème formalise le fait que la distribution en bleu, c'est une distribution qui est gaussienne. »
⚠️ PIÈGE
Confondre « hors examen » et « inutile ». Ses DEUX conséquences sont dans le programme : ① la distribution des moyennes est centrée sur μ ; ② sa variance est σ²/n, donc son écart-type est σ/√n — c'est exactement d'où sortent l'erreur type de la d.47 et le √n de la formule.
📝 TOMBE EN QCM
🗑️ Aucune question sur l'énoncé du théorème. Mais « d'où vient le √n ? » est la seule justification du fait que quadrupler n divise la largeur par 2 — le cœur de deux annales et de la question 2 du prof.
⬜
⭐⭐⭐ LA FORMULE : m ± 2·s/√n
~11 min
📊 DIAPOS d.46
Trois gestes : calculer la moyenne de l'échantillon m · calculer l'écart-type des données dans l'échantillon s · appliquer m ± 2 · s/√n. Deux propriétés imprimées : « l'IC95 % est CENTRÉ sur l'estimation » et « sa largeur diminue lorsque : la taille d'échantillon n augmente et/ou l'écart type s diminue ».
🎙️ ORAL (séance 3, 1:28:00 et 1:37:13)
« Cette formule, vous devez aussi savoir l'appliquer. Elle est assez simple. Et on peut faire des calculs de tête assez facilement, évidemment, si la taille d'échantillon n est un nombre rond. » — et la consigne finale : « Il faut que vous sachiez utiliser ces deux formules de l'intervalle de confiance. »
⚠️ PIÈGE
Écrire σ au lieu de s : la formule utilise l'écart-type de l'échantillon, la seule quantité qu'on observe. Second piège : diviser par n au lieu de √n — c'est l'erreur qui fabrique les distracteurs. Comparez les deux formules : pour une proportion n est sous la racine, pour une moyenne √n est au dénominateur — dans les deux cas la demi-largeur est proportionnelle à 1/√n.
📝 TOMBE EN QCM
Question 4 du prof : m = 140, s = 5, n = 488 ⇒ √488 ≈ 22,1 ⇒ erreur type 0,23 ⇒ IC 139,5 à 140,5 mg/dL. Contrôle Python ✓ Et la d.66 exige explicitement de « calculer l'IC95 % d'une proportion et d'une moyenne ».
⬜
⭐⭐⭐ L'ERREUR TYPE s/√n — et pourquoi ce n'est PAS l'écart-type
~11 min
📊 DIAPOS d.47
Erreur type d'une moyenne estimée = s / √n — exactement le morceau qui suit le « ± 2 » dans la formule de la d.46. Donc IC95 % = m ± 2 × (erreur type), et par conséquent largeur totale de l'IC95 % = 4 × erreur type. La diapositive conclut : « l'erreur type est une mesure de la PRÉCISION de l'estimation ».
🎙️ ORAL (séance 3, 1:31:03)
« C'est appelé standard error of the mean, l'erreur type de la moyenne […] Après, il faut multiplier par 4 l'erreur type pour avoir la largeur de l'intervalle de confiance. »
⚠️ PIÈGE
Écart-type ≠ erreur type — le piège le plus rentable du chapitre. L'écart-type s décrit la dispersion des individus et ne diminue pas quand on recrute plus de monde ; l'erreur type s/√n décrit la dispersion des moyennes d'échantillons et diminue en √n. Dans les articles anglophones : SD (standard deviation) contre SEM (standard error of the mean) — et un graphique dont les barres d'erreur sont des SEM paraît toujours plus « propre » qu'un graphique en SD.
📝 TOMBE EN QCM
C'est le levier des deux annales jumelles : « la méthode de mesure est imprécise » ⇒ s augmente ⇒ erreur type ⇒ IC plus large ; « n diminue » ⇒ √n diminue ⇒ IC plus large. Tout le reste (calibration, représentativité) ne touche pas la largeur. Réflexe de conversion : largeur = 4 × erreur type ; demi-largeur = 2 × erreur type.
⬜
⭐⭐ Le piège du « gaussien » — et l'application étudiantes / étudiants
~10 min
📊 DIAPOS d.48-53 (le piège : d.52)
d.52 : une population visiblement NON normale (asymétrique, en deux bosses) ; en dessous, la distribution des moyennes d'échantillons de n = 10 : normale. « Quelle que soit la distribution dans la population : la distribution des moyennes est normale (à condition que n soit “suffisamment” grand) ; la formule de l'IC95 % est applicable. »
d.48, l'application : étudiantes N = 268, moyenne 166,4 cm, s = 6,7 ⇒ erreur type 0,41 ⇒ IC 165,6 – 167,2 (largeur 1,6 cm) · étudiants N = 103, moyenne 178,4 cm, s = 6,6 ⇒ erreur type 0,65 ⇒ IC 177,1 – 179,7 (largeur 2,6 cm). Contrôle Python ✓ d.49 : n = 5 contre n = 25 ⇒ la variance des moyennes est divisée par 5.
🎙️ ORAL (séance 3, 1:34:10 et 1:35:10)
« Une erreur qui est souvent commise, c'est de dire que ça marche lorsque la distribution est gaussienne dans la population. Là, j'attire votre attention, non. » — et : « La théorie sous-jacente marche très bien, y compris lorsque la distribution n'est pas normale dans la population. À partir du moment où on a des tailles d'échantillons raisonnables, ça marche bien. »
⚠️ PIÈGE
« La formule de l'IC95 % suppose que la variable est normalement distribuée dans la population » → FAUX, et le prof signale lui-même que c'est l'erreur fréquente. La normalité requise porte sur la distribution des moyennes d'échantillons, et elle est garantie par la taille de l'échantillon, pas par la forme des données. Sur l'application : deux écarts-types quasi identiques (6,7 et 6,6) donnent des largeurs très différentes (1,6 et 2,6 cm) — c'est n qui fait la différence.
📝 TOMBE EN QCM
Proposition K′ idéale, courte et fausse. Et l'exemple étudiantes/étudiants est le meilleur support de révision du chapitre : deux groupes, même s, n différent ⇒ largeur différente. d.51 ajoute que même avec n = 100, 5 % des IC ratent encore le paramètre.
▶N7 · ⭐⭐ Interpréter un IC95 % : les deux déterminants de la largeur, et ce que l'IC ne dit pas
d.540/3
⬜
⭐⭐⭐ La diapositive à photographier : deux formules, six propriétés, une définition
~10 min
📊 DIAPOS d.54
PROPORTION : p̂ ± 2√(p̂(1−p̂)/n) · MOYENNE : m ± 2·s/√n. Six propriétés valables pour tout IC95 %, imprimées telles quelles : « dépend des données observées » · « peut varier si on ré-échantillonne la population » · « contient toujours l'estimation (en général IC centré sur l'estimation) » · « essentiel à l'interprétation des résultats d'une étude » · « permet de mesurer la précision de l'estimation » · « devrait toujours être rapporté avec l'estimation ». Et la clôture : « quel que soit le paramètre estimé, interprétation identique : ensemble des valeurs du paramètre compatibles avec les données observées ».
🎙️ ORAL (séance 3, 1:37:13)
« Il faut que vous sachiez utiliser ces deux formules de l'intervalle de confiance. » — c'est, avec la d.66, la phrase la plus opérationnelle de la séance.
⚠️ PIÈGE
« L'IC est une caractéristique du paramètre » → FAUX : il « dépend des données observées » et « peut varier si on ré-échantillonne ». Deux équipes qui étudient la même population obtiennent deux IC différents, et aucun n'est « le bon ». Le paramètre, lui, ne bouge pas.
📝 TOMBE EN QCM
Chacune des six propriétés est une proposition K′ prête à l'emploi. Les plus piégeuses, parce qu'on les lit trop vite : « peut varier si on ré-échantillonne » (VRAI) et « contient toujours l'estimation » (VRAI, à ne pas confondre avec « contient toujours le paramètre », FAUX).
⬜
⭐⭐⭐ Les DEUX déterminants de la largeur — et rien d'autre
~11 min
📊 DIAPOS d.33 · 46 · 47 · 56
La largeur d'un IC95 % ne dépend que de deux choses : ① la taille de l'échantillon n (elle diminue en 1/√n) · ② la dispersion — s pour une moyenne, p̂(1−p̂) pour une proportion (maximale en p̂ = 0,5). Les conversions à connaître de tête : n × 4 ⇒ largeur ÷ 2 · n × 9 ⇒ largeur ÷ 3 · n × 3 ⇒ largeur ÷ √3 ≈ 1,73 · n ÷ 4 ⇒ largeur × 2. Contrôle Python ✓ pour p̂ = 0,1 · 0,3 · 0,5 · 0,8 — le rapport ne dépend pas de p̂.
🎙️ ORAL (séance 3, 1:31:03)
« Il faut multiplier par 4 l'erreur type pour avoir la largeur de l'intervalle de confiance. » — la conversion à retenir dans les deux sens.
⚠️ PIÈGE
Croire que quadrupler n divise la largeur par 4. Non : par 2, parce que n est sous une racine. Et surtout : rien d'autre n'élargit un IC. Un appareil mal calibré le décale ; un échantillon non représentatif le décale ; changer le niveau de confiance n'est pas au programme. Contrôle Python ✓ : avec un biais de −3 sur la moyenne, les deux bornes se déplacent de −3 et la largeur reste identique au centième près.
📝 TOMBE EN QCM
C'est LA question du chapitre, posée deux fois : SFO 2021 Q2 et SFO 2024 Q29. Plus SFO 2022 Q1 (tripler n) et la question 2 du prof (multiplier n par 4). Quatre des cinq questions calculatoires du chapitre reposent sur cette seule micro-notion.
⬜
⭐⭐ Comment on LIT un IC : le seuil clinique et la valeur nulle
~10 min
📊 DIAPOS d.54 · 32 · 66
Trois gestes de lecture, dans cet ordre : ① l'IC contient-il l'estimation ? (toujours oui — c'est un contrôle de cohérence) · ② où sont les bornes par rapport à un seuil qui a un sens clinique ? (question 5 du prof : tout l'IC +0,2 à +0,4 m/s est au-dessus du seuil de pertinence clinique 0,1 ⇒ l'effet est cliniquement pertinent) · ③ l'IC contient-il la valeur nulle ? (0 pour une différence, 1 pour un risque relatif ou un odds ratio).
🎙️ ORAL (séance 3, 1:35:10)
« Retenez bien cette définition de l'intervalle de confiance. Elle marche quel que soit le paramètre estimé. » — c'est ce qui autorise à lire de la même façon un IC de moyenne, de proportion, de différence ou de risque relatif.
⚠️ PIÈGE
Confondre 0 et 1 comme valeur nulle. Pour une DIFFÉRENCE (de moyennes, de risques), la valeur nulle est 0 ; pour un RAPPORT (risque relatif, odds ratio), c'est 1. Un IC de risque relatif 0,48 à 1,18 contient 1 ⇒ on ne peut pas conclure à un effet. Second piège : « l'IC contient 1 donc il n'y a pas d'effet » → non : on ne peut pas conclure à un effet, ce qui n'est pas la même chose que démontrer son absence.
📝 TOMBE EN QCM
SFO 2023 Q25 (RR = 0,75, IC 0,48–1,18, p = 0,17) et question 5 du prof (déjà rédigée en QCM). 🔗 PONT Ch4 : « l'IC contient la valeur nulle » et « p > 0,05 » disent la même chose — c'est la passerelle vers les tests statistiques.
▶N8 · ⭐⭐ Les deux types d'erreur : aléatoire (précision) contre systématique (validité, biais)
d.55-570/3
⬜
⭐⭐ Un bon échantillon a DEUX qualités, pas une
~9 min
📊 DIAPOS d.55
« Une inférence statistique juste nécessite un bon échantillon » — et il en faut deux qualités : REPRÉSENTATIF de la population cible → sinon biais · DE TAILLE SUFFISANTE (pour être assez précis) → sinon imprécision. « Toujours identifier la population cible ! » Pour être représentatif : aléatoire (idéal — sélection par tirage au sort) ou complet (cas des maladies rares).
🎙️ ORAL (séance 3, 1:39:19)
« Il faut que l'échantillon soit représentatif pour qu'ensuite les résultats soient extrapolables, généralisables à la population. Taille suffisante, c'est pour obtenir une précision. Mais attention, il n'y a pas que cette histoire de largeur d'intervalle de confiance, il y a aussi ce qu'on appelle des biais. »
⚠️ PIÈGE
Croire qu'agrandir un échantillon corrige un défaut de représentativité. Les deux qualités règlent deux problèmes différents : recruter dix fois plus de volontaires donne un IC dix fois… non, √10 fois plus étroit — autour de la même mauvaise valeur. Un grand échantillon biaisé est un échantillon confortablement faux.
📝 TOMBE EN QCM
C'est l'étape 3 des six étapes de l'inférence (d.13) et la clé des deux annales jumelles : « l'échantillon n'est pas représentatif de la population » n'élargit PAS l'IC95 %. Question inédite C3-Q12 (K′) du deck.
⬜
⭐⭐⭐ Aléatoire ou systématique : la balance capricieuse contre la balance décalée
~12 min
📊 DIAPOS d.56
ERREURS ALÉATOIRES — cause : méthode de mesure imprécise. Conséquence : l'IC95 % tend à être PLUS LARGE (l'écart-type est plus grand). Elles touchent la PRÉCISION.
ERREURS SYSTÉMATIQUES — causes : biais de sélection des participant·es, méthode de mesure mal calibrée. Conséquence : estimation BIAISÉE (la moyenne estimée est décalée). Elles touchent la VALIDITÉ.
Et l'avertissement imprimé en bas : « Attention : IC95 % ne dit rien d'une éventuelle erreur systématique (biais). »
🎙️ ORAL (séance 3, 1:41:22 et 1:42:25)
« L'exemple type, c'est la balance. Si vous avez une balance capricieuse qui, un jour, vous donne le bon poids plus un kilo et l'autre jour moins un kilo, alors vous allez agrandir la variabilité des observations. Par contre, si vous avez une balance qui vous donne toujours le bon poids moins un kilo systématiquement, alors toutes les mesures vont être décalées vers le bas et là, vous commettez une erreur systématique. » — et la phrase à graver : « Ce n'est pas parce que l'intervalle de confiance est large qu'il y a un biais dans l'étude, ou inversement, ce n'est pas parce qu'il est étroit qu'il n'y a pas de biais. Ça n'a rien à voir. »
⚠️ PIÈGE
Le distracteur des deux annales : « la méthode de mesure est mal calibrée » ⇒ élargit l'IC ? → FAUX, elle le décale. Contre : « la méthode de mesure est imprécise » ⇒ élargit l'IC ? → VRAI, elle augmente s. Deux adjectifs, deux effets opposés — et c'est exactement là que se gagnent ou se perdent les points. Contrôle Python ✓ : un biais de −3 déplace les deux bornes de −3 et laisse la largeur inchangée.
📝 TOMBE EN QCM
📜 CETTE DIAPOSITIVE EST TOMBÉE DEUX FOIS EN QUATRE ANS : SFO 2021 Q2 et SFO 2024 Q29, mêmes propositions, ordre différent. Réponse invariable : seuls « n qui baisse » et « s / la dispersion qui monte » élargissent l'IC.
⬜
⭐⭐ Le biais de sélection — définition imprimée et quatre situations
~9 min
📊 DIAPOS d.57
Définition imprimée : « Erreur systématique dans la sélection des participants qui conduit à une estimation incorrecte du phénomène mesuré (ex. proportion, moyenne, etc.). » Les situations citées d'un échantillon non représentatif : volontaires · patients choisis par le médecin · nombreux patients perdus de vue.
🎙️ ORAL (séance 3, 1:43:30)
« Il faut éviter que les participants soient sélectionnés par le médecin. Il ne faut pas que le médecin se dise “cette personne pourrait rentrer dans l'étude, mais je ne vais pas la rentrer parce que je l'aime bien”. » — et l'exemple des régimes alimentaires : recruter des volontaires, c'est ne recruter que des gens « intéressés par l'alimentation », pas la population générale. Règle déontologique ajoutée par le prof : un médecin non convaincu par l'étude « ne devrait pas y contribuer » plutôt que de trier ses patients.
⚠️ PIÈGE
Le biais de sélection n'est pas un défaut de taille. Une étude sur 100 000 volontaires reste biaisée si les volontaires diffèrent de la population cible. Et attention aux perdus de vue : ils ne comptent que s'ils sont liés à ce qu'on mesure — perdre au hasard 30 % des participants ne biaise pas, perdre 30 % parce qu'ils étaient malades, si.
📝 TOMBE EN QCM
Le mot « biais de sélection » figure mot pour mot dans les notions clefs (d.66) : la définition est à restituer. C'est aussi un des distracteurs des deux annales jumelles, et le sujet des d.60-65 (l'étude du marathon). 🔗 PONT Ch13 (biais et facteurs de confusion).
▶N9 · L'exemple du marathon, le SENS du biais, et les notions clefs
d.58-670/4
⬜
L'entonnoir du recrutement : 20 000 → 766 → 488
~8 min
📊 DIAPOS d.58-63
Le schéma en entonnoir, à cinq étages : tous les coureurs (n = 20 000) → présents à l'exposition 2 jours avant (n = ?) → approchés (n = ?) → recrutés (n = 766) → ont eu une prise de sang (n = 488). Mentions imprimées : « Processus de recrutement NON ALÉATOIRE » et « Analyse de 63,7 % (488/766) des personnes sélectionnées ». Contrôle Python ✓ : 488/766 = 63,7 % · 766/20 000 = 3,8 % · 278 personnes recrutées manquent à l'analyse.
🎙️ ORAL (séance 3, 1:44:35)
« Les recruteurs étaient là juste à l'exposition qui était deux jours avant. Toutes les personnes qui s'étaient inscrites à distance, elles n'y étaient pas. […] Le risque le plus important, c'est qu'il y a des personnes qui n'ont pas fini la course et qui participaient à l'étude. »
⚠️ PIÈGE
Retenir les chiffres. Le prof déclare l'exemple hors examen (« un exemple au charme suranné […] vous ne serez pas interrogé dessus », 1:45:36). Ce qui compte : chaque rétrécissement de l'entonnoir est une occasion de biais, et les deux « n = ? » sont le vrai problème — l'article ne dit pas qui a été raté ni pourquoi.
📝 TOMBE EN QCM
🗑️ Aucune question directe. Mais la structure « entonnoir » est le geste de lecture d'article que le prof enseigne : chercher dans la section Méthodes qui a été inclus, comment, et qui manque. 🔗 PONT Ch13.
⬜
⭐⭐ Le SENS du biais — savoir dire dans quelle direction
~10 min
📊 DIAPOS d.64-65
La d.64 pose la question en trois mots — « Risque de biais ? » — et la d.65 répond : « groupe sélectionné au départ peut-être atypique » (contactés lors d'une exposition, approchés « au petit bonheur », refus de participer non décrits) · « un tiers des participants perdus de vue : ceux qui ont développé des symptômes d'hyponatrémie avaient-ils moins de chances de terminer la course ? » · conclusion imprimée : « Suspicion de biais de sélection ⇒ risque de SOUS-ESTIMATION du risque d'hyponatrémie. »
🎙️ ORAL (séance 3, 1:45:36 et 1:42:25)
« Les personnes qui ont une hyponatrémie, peut-être qu'elles sont plus à risque d'arrêter la course en milieu de route. […] Ce risque d'hyponatrémie, potentiellement, il est sous-estimé, parce qu'on a raté les hyponatrémies qui ont entraîné des arrêts de course. » — et, sur la même diapositive : « Ce n'est pas parce que l'intervalle de confiance est étroit qu'il n'y a pas de biais. »
⚠️ PIÈGE
Répondre « il y a un biais » sans dire lequel ni dans quel sens. Un biais a toujours une direction : ici, les hyponatrémiques abandonnent plus souvent ⇒ ils manquent à l'arrivée ⇒ le numérateur est trop petit ⇒ 12,7 % sous-estime le vrai risque. Et la démonstration parfaite : la question 4 du prof donne sur les mêmes données un IC de 139,5 à 140,5 — 1 mmol/L de large, et pourtant potentiellement biaisé.
📝 TOMBE EN QCM
« Un IC étroit garantit l'absence de biais » → FAUX · « un IC large signale un biais » → FAUX. Ces deux propositions sont les K′ les plus faciles à écrire du chapitre, et elles reprennent l'avertissement imprimé de la d.56 et de la d.66.
⬜
⭐⭐⭐ Les notions clefs (d.66) — la liste des questions possibles, écrite par le prof
~10 min
📊 DIAPOS d.66
Écrites telles quelles : Estimation d'un paramètre, inférence · Échantillonnage, biais de sélection · Erreurs aléatoires et systématiques · « L'intervalle de confiance à 95 % d'une estimation décrit les valeurs du paramètre compatibles avec cette estimation : capte l'incertitude/imprécision de l'estimation MAIS PAS UN ÉVENTUEL BIAIS » · « Savoir : calculer l'IC95 % d'une proportion et d'une moyenne estimée avec les formules de ce cours · interpréter un IC95 % ».
🎙️ ORAL (séance 3, 1:45:36)
« Retenez cette notion d'inférence statistique. L'intervalle de confiance, vous devez savoir l'interpréter. Vous devez savoir appliquer les deux formules que je vous ai montrées en cours. Et ça, vous le retrouverez dans quasiment tous les articles scientifiques médicaux. »
⚠️ PIÈGE
Réviser ce chapitre « à l'endroit », des d.1 aux d.67. Révisez-le depuis cette diapositive : deux verbes seulement — CALCULER et INTERPRÉTER. Tout ce qui ne sert ni à l'un ni à l'autre (simulations, théorème, marathon, construction par essai des valeurs) est du décor pédagogique.
📝 TOMBE EN QCM
🎯 C'est le programme d'examen du chapitre, écrit par celui qui rédige les questions. Les quatre annales s'y rangent sans reste : 2022 Q1 = calculer · 2023 Q25 = interpréter · 2021 Q2 et 2024 Q29 = erreurs aléatoires et systématiques.
⬜
🗑️ Le hors-examen déclaré, et la porte vers le Ch4
~7 min
📊 DIAPOS d.16-20 · 43 · 44-45 · 58-64 · 67
Les quatre blocs déclarés hors examen par le prof, avec l'horodatage : ① les simulations (« vous n'aurez pas de questions à l'examen sur ces simulations », 20:26) · ② le théorème de la limite centrale, marqué du logo 🗑️ (« vous n'aurez pas de questions sur le théorème », 1:22:51) · ③ les formules qui construisent les distributions (« ces formules […] vous n'avez pas besoin de les connaître », 1:26:58) · ④ l'exemple du marathon (« vous ne serez pas interrogé dessus », 1:45:36).
d.67, la séance 4 : Tests statistiques · Hypothèses nulles et alternes · Erreurs de type 1 et de type 2 · Valeur p · Puissance. Petrie & Sabin ch. 17 – 18 – 36.
🎙️ ORAL (séance 3, 1:45:36)
« La semaine prochaine, on attaquera les tests statistiques. Je vous remercie et je vous souhaite une bonne semaine. »
⚠️ PIÈGE
« Hors examen » ne veut pas dire « à sauter ». Le théorème n'est pas demandé, mais ses deux conséquences (centrage sur μ, variance σ²/n) sont la seule justification du √n — et le √n, lui, tombe tous les ans. Le tri à faire est : comprendre une fois, ne jamais réviser.
📝 TOMBE EN QCM
🔗 PONT Ch4, déjà présent dans les annales : SFO 2023 Q25 mêle un IC95 % (0,48 – 1,18) et une valeur p (0,17). Comprendre que « l'IC contient la valeur nulle » et « p > 0,05 » disent la même chose est la passerelle Ch3 → Ch4.
📝 Les 5 exercices officiels du Ch3 — corrigés par le prof, revérifiés en Python
Fichier questions3_slide5corrigee.pdf. Le prof donne ici cinq questions au lieu des quatre habituelles, et la cinquième est déjà rédigée en QCM à cinq propositions — c'est-à-dire au format exact de l'examen. Chaque réponse ci-dessous est celle du corrigé officiel, recalculée en Python avec le facteur 2 du cours. Ces cinq questions sont le meilleur entraînement du chapitre : quatre calculs et une interprétation, exactement les deux verbes de la d.66.
Question 1 — une prévalence de 10 %, sur n = 100 puis n = 225
Énoncé. Si la prévalence de cancer est estimée à 10 % dans un échantillon de 100 personnes, quel est l'IC95 % de cette estimation ? ② Et si l'estimation était la même mais dans un échantillon de 225 personnes ?
Corrigé officiel. ① 0,10 ± 2√(0,10 × 0,90 / 100) = 0,10 ± 2 × √0,09 / √100 = 0,10 ± 2 × 0,30/10 = 0,10 ± 0,06 = 0,04 à 0,16. ② 0,10 ± 2 × 0,30/15 = 0,10 ± 0,04 = 0,06 à 0,14. Contrôle Python ✓ (√0,09 = 0,3 · √100 = 10 · √225 = 15)
🧠 Le geste à copier : le prof sépare la racine — √(0,09/100) devient √0,09/√100. C'est ce qui rend le calcul faisable de tête, et c'est pourquoi il choisit toujours un n carré parfait. Contrôle croisé : 225/100 = 2,25, √2,25 = 1,5, et 0,06/1,5 = 0,04 ✓.
Question 2 — multiplier n par 4
Énoncé. Dans un échantillon de 100 individus, on observe le succès d'un traitement chez 80 sujets. Si on observait la même proportion de succès dans un échantillon de 400 individus, la largeur de l'IC95 % serait divisée par combien ?
Corrigé officiel. La largeur vaut 4·√(p̂(1−p̂)/n) : elle est proportionnelle à 1/√n. À n = 100, 1/√100 = 0,1 ; à n = 400, 1/√400 = 0,05. Rapport = 2. Contrôle Python ✓ pour p̂ = 0,1 · 0,3 · 0,5 · 0,8 — le rapport ne dépend pas de p̂
⚠️ Le piège est « par 4 » : on divise par √4 = 2. Et remarquez que p̂ = 0,80 ne sert à rien — c'est une donnée inutile, exactement comme au vrai SFO. Règle générale : n × k ⇒ largeur ÷ √k.
Question 3 — l'essai canneberge, deux IC à comparer
Énoncé. Essai randomisé du jus de canneberge sur l'infection urinaire. Groupe canneberge (50 femmes) : 8 infections. Groupe contrôle (50 femmes) : 18 infections. Calculez les risques estimés et leurs IC95 %.
Corrigé officiel. Canneberge : 8/50 = 0,16 ⇒ 0,16 ± 2 × 0,05 = 0,06 à 0,26 (6 à 26 %). Contrôle : 18/50 = 0,36 ⇒ 0,36 ± 2 × 0,07 = 0,22 à 0,50 (22 à 50 %). Contrôle Python ✓ — √(0,16×0,84/50) = 0,0519 (arrondi 0,05) · √(0,36×0,64/50) = 0,0679 (arrondi 0,07)
🧠 Deux enseignements : ① la demi-largeur est plus grande dans le groupe contrôle (14 points contre 10) parce que p̂ = 0,36 est plus proche de 0,5 (d.33) ; ② les deux IC se chevauchent entre 22 et 26 % — avec 50 femmes par groupe, l'essai ne tranche pas. 🔗 PONT Ch1 : c'est l'essai canneberge où P = 0,048.
Question 4 — l'IC95 % du sodium des marathoniens
Énoncé. « À la slide 64 du cours 3, l'article rapporte que la concentration moyenne de sodium était 140 mmol/L avec un écart-type de 5 mmol/L », mesurée chez 488 coureurs. Quel est l'IC95 % de la moyenne estimée ?
Corrigé officiel. Erreur type = s/√n = 5/√488 = 5/22,1 = 0,23. Puis 140 ± 2 × 0,23 = 139,5 à 140,5 mmol/L. Le corrigé conclut : « on estime la moyenne à 140 mmol/L mais la moyenne dans la population de tous les coureurs de marathon (= le paramètre) pourrait être en réalité 139,5 ou 140,5 ». Contrôle Python ✓
⚠️ Les deux distracteurs naturels : 140 ± 0,23 (le facteur 2 oublié — « le plus ou moins » qui tombe chaque année) et 140 ± 5 (écart-type confondu avec erreur type). 🧠 Largeur : 1 mmol/L sur une moyenne de 140 — un IC très étroit, et pourtant l'estimation est peut-être biaisée (d.65).
Question 5 — déjà rédigée en QCM : interpréter un IC face à un seuil clinique
Énoncé. Essai PHYS-STROKE : l'évolution de la vitesse maximale de marche à 3 mois est estimée à +0,3 m/s dans le groupe Relaxation, IC95 % de +0,2 à +0,4 m/s. Le plus petit changement cliniquement pertinent est 0,1 m/s. Que peut-on inférer à la population ? (5 propositions)
Corrigé officiel — réponse 3. Mot pour mot : « L'IC95 % ne contient pas la valeur 0 : une absence d'évolution moyenne n'est pas compatible avec les données observées. La réponse 1 est fausse. Toutes les valeurs de l'IC95 % sont supérieures à 0,1 m/s, donc toutes les évolutions compatibles avec les données correspondent à des évolutions cliniquement pertinentes : la réponse 3 est la seule correcte. » Contrôle Python ✓
🧠 La méthode en deux gestes : ① l'IC contient-il la valeur nulle ? (0 pour une différence, 1 pour un rapport) ② est-il entièrement au-delà du seuil clinique ? Si l'IC était 0,05 à 0,4 — à cheval sur le seuil — on conclurait à une amélioration sans pouvoir se prononcer sur sa pertinence. On lit un IC en regardant OÙ TOMBENT SES DEUX BORNES.
📜 Les annales du Ch3 — quatre questions, dont deux identiques
4 questions sur les 43 recensées dans les retranscrits SFO 2021-2024. Deux d'entre elles — 2021 Q2 et 2024 Q29 — sont la même question, avec les mêmes propositions dans un autre ordre. C'est le taux de récidive le plus élevé de toute la matière : une seule micro-notion (n7m2 + n8m2) couvre la moitié des annales du chapitre.
SFO 2021 Q2 (K′) — « Augmente la largeur de l'IC95 % »
A Diminution de la taille de l'échantillon · B Augmentation de l'écart type · C Appareils de mesure mal calibrés · D Si des individus proviennent de 2 populations différentes.
Clé : V V F F
A vrai — n est au dénominateur de 2·s/√n. B vrai — s est au numérateur. C faux — un appareil mal calibré est une erreur systématique : il déplace la moyenne estimée et ne touche pas la largeur (d.56 ; « la balance qui donne toujours le bon poids moins un kilo »). D faux — deux populations mélangées, c'est un défaut de représentativité : biais de sélection, estimation décalée. Contrôle Python ✓ : un biais de −3 déplace les deux bornes de −3 et laisse la largeur identique
🧠 Le clivage à tenir : n et s élargissent l'IC ; tout le reste est du biais, et le biais ne se voit pas dans un IC.
SFO 2024 Q29 (K′) — la même question, trois ans plus tard
« On calcule l'IC95 % d'une moyenne estimée. La largeur augmente quand : » A L'échantillon n'est pas représentatif de la population · B La méthode de mesure est mal calibrée · C La taille de l'échantillon diminue · D L'écart-type augmente.
Clé : F F V V
Exactement les mêmes propositions qu'en 2021, avec les vraies déplacées de A-B en C-D. A et B sont deux biais (sélection, mesure) ; C et D sont les deux seuls termes de 2·s/√n. Contrôle Python ✓
📜 Deux fois en quatre ans, seul l'ordre change. Et l'avertissement imprimé de la d.56 est la phrase qui répond aux deux : « IC95 % ne dit rien d'une éventuelle erreur systématique (biais) ».
SFO 2022 Q1 (A) — tripler l'échantillon
Questionnaire sur 100 personnes, 40 % de réponses favorables. On refait le même questionnaire sur 300 personnes, prévalence identique. Quelle est la largeur de l'IC ? A. [40-50] · B. [37,5-42,5] · C. [35-45] · D. [36-44] · E. [27-29].
Clé : C (reconstituée par le calcul : le retranscrit ne donne aucune réponse pour toute l'année 2022)
La demi-largeur est proportionnelle à 1/√n : multiplier n par 3 la divise par √3 = 1,73. À n = 100, ±9,8 points ; à n = 300, ±5,7 points ⇒ [34,3 ; 45,7] ≈ [35-45], la seule proposition compatible. Le distracteur B correspond à une division par 4, D à une division par 2. Contrôle Python ✓
⚠️ Écart déclaré : l'IC de départ imprimé dans le retranscrit, « [40-50] », est incohérent avec p̂ = 40 % — un IC est centré sur l'estimation. C'est une coquille de retranscription ; le raisonnement testé (÷√3) est intact.
SFO 2023 Q25 (A) — lire un IC autour d'un risque relatif
Antiviral contre placebo, risque d'hospitalisation : RR = 0,75, IC95 % 0,48 à 1,18, p = 0,17. Affirmation correcte ? A. Il y a un risque de biais · B. Une réduction du risque de moitié est compatible avec les résultats · C. Le résultat est significatif · D. Un RR ne montrant pas d'effet est exclu · E. L'étude prouve l'efficacité.
Clé : B
Le geste unique : appliquer la définition de la d.32. 0,50 est entre 0,48 et 1,18 ⇒ une réduction de moitié est compatible ⇒ B vraie. C, D, E tombent ensemble : l'IC contient 1 (l'absence d'effet), donc non significatif — cohérent avec p = 0,17. A faux : rien dans l'énoncé ne parle du recrutement, et l'IC ne renseigne pas sur le biais. Contrôle Python ✓
🧠 La leçon centrale : non significatif ≠ absence d'effet. Cet IC est compatible avec une réduction de 52 % comme avec une augmentation de 18 % — il est simplement trop large pour trancher. 🔗 PONT Ch4 : « l'IC contient 1 » et « p > 0,05 » disent la même chose.
Conclusion stratégique du chapitre
Ce qui est rentable : les deux formules, appliquées de tête sur des carrés parfaits (√100 = 10, √225 = 15, √400 = 20, √900 = 30) · la définition de l'IC mot pour mot · le clivage n et s contre tout le reste · la distinction écart-type / erreur type · la lecture d'un IC face à 0, à 1 et à un seuil clinique.
Ce qui l'est moins : les simulations (d.16-20, d.37-40), le théorème de la limite centrale (d.43), les formules de construction (d.44-45) et l'exemple du marathon (d.58-64) — les quatre sont déclarés hors examen par le prof lui-même, avec l'horodatage. On les comprend une fois ; on ne les révise jamais.
Les valeurs par cœur du chapitre — ce sont des repères de méthode, pas des données : p̂ ± 2√(p̂(1−p̂)/n) · m ± 2·s/√n · erreur type = s/√n · largeur = 4 × erreur type · largeur ∝ 1/√n (×4 ⇒ ÷2, ×9 ⇒ ÷3, ×3 ⇒ ÷1,73) · largeur maximale en p̂ = 0,5 · facteur 2 (convention du cours, pas 1,96) · 95 % des IC contiennent le paramètre, quelle que soit n · valeur nulle : 0 pour une différence, 1 pour un rapport.
✅ Critères de verrouillage du Ch3
- Les 33 micro-notions cochées ✅ (pas 🔶), en trois passages espacés.
- Les 5 questions du prof refaites à 5/5 sans regarder, chronomètre en main, sans calculatrice — c'est la condition explicite du cours (« la racine carrée de 100, c'est quelque chose que vous savez calculer de tête »).
- Les 4 annales refaites à 4/4, dont les deux jumelles (2021 Q2 et 2024 Q29) répondues sans hésiter : n et s élargissent, tout le reste décale.
- Le test des deux formules : écrire de mémoire, en dix secondes, l'IC95 % d'une proportion et celui d'une moyenne — puis les appliquer à p̂ = 0,10 / n = 100 et à m = 140 / s = 5 / n = 488.
- Le test de la définition : restituer mot pour mot « ensemble des valeurs du paramètre compatibles avec les données de l'échantillon », et énoncer les six propriétés de la d.54.
- Le test du vocabulaire : distinguer en une phrase chacune — paramètre / estimation · écart-type / erreur type · erreur aléatoire / erreur systématique · précision / validité · biais de sélection / biais de mesure.
- L'examen blanc v2 ≥ 80 % et deux rappels libres ≥ 85 % sur deux jours différents (page blanche ou carte mentale).
- Alors seulement → Ch4 (Test statistique : principes), où la valeur p vient compléter l'IC : « l'IC contient la valeur nulle » et « p > 0,05 » sont deux façons de dire la même chose.