17 mai 2023 · 6 min
Des données aux prévisions : le vocabulaire statistique
Dans cet épisode audio, suivez les étapes qui vont des populations, variables et indicateurs aux estimations, modèles et tests d’hypothèse.
Un contenu original Tangente, adapté en podcast avec l’aide de l’IA et validé par notre rédaction. Comment ça marche ?
Transcription
Afficher la transcriptionMasquer la transcription
Transcription automatique
Intervenant 1
Bienvenue à toutes et à tous dans le podcast du magazine Tangente. Aujourd'hui, on plonge dans une mécanique invisible qui régit notre quotidien.
Intervenant 2
Ouais, une vraie montagne de chiffres en fait.
Intervenant 1
Exactement. Comment on passe de ces données brutes à une véritable connaissance scientifique ?
Intervenant 2
Le but de cette exploration, c'est vraiment de démystifier les fondements des statistiques grâce à un article de référence.
Intervenant 1
C'est un sacré programme.
Intervenant 2
Bon, décortiquons ça. Pour lancer la machine, il y a un concept de base qui semble presque, je ne sais pas, trompeur. Quelle est la différence fondamentale entre un individu, au sens de la rue, et une unité d'observation statistique ?
Intervenant 1
Le sens commun nous fait tout de suite penser à une personne humaine, c'est normal. Mais en statistique, c'est simplement l'unité de mesure élémentaire d'une étude.
Intervenant 2
D'accord, donc c'est plus large. Tout à fait. Prenons un exemple fil rouge pour mieux comprendre. Imaginons l'évaluation d'un nouveau traitement contre la migraine. OK. Là, l'unité d'observation, ça sera effectivement un patient. Logique. En revanche, si l'étude portait sur le rendement agricole, l'individu statistique, ça serait une parcelle de terre ou même un épi de blé.
Intervenant 1
Ah oui, je vois le genre. Et l'ensemble de ces unités forme alors ce qu'on appelle la population.
Intervenant 2
Voilà, exactement.
Intervenant 1
Mais avant de chercher à guérir cette migraine ou à prédire l'efficacité du traitement, il faut rigoureusement décrire ce qu'on observe.
Intervenant 2
Absolument.
Intervenant 1
Et l'article sépare les variables qualitatives et quantitatives. Concrètement, sur notre essai clinique, ça se traduit comment alors ?
Intervenant 2
En fait, la variable qualitative, elle classe les observations par catégories ou modalités. Par exemple, on se demande si le patient a subi des effets secondaires.
Intervenant 1
Et ce genre de choses.
Intervenant 2
C'est ça, elle tombe dans cette case. La variable quantitative, à l'inverse, elle se mesure avec des nombres. Comme
Intervenant 1
le temps en minutes avant la disparition de la douleur, du
Intervenant 2
coup. Voilà, et pour analyser ces temps, on cherche d'abord un centre de gravité, avec des indicateurs de position, comme la moyenne ou la médiane.
Intervenant 1
C'est là que ça devient vraiment intéressant. Parce que la moyenne toute seule, elle masque souvent la réalité, non ?
Intervenant 2
Totalement.
Intervenant 1
Si le soulagement moyen est de 30 minutes, ça cache peut-être des patients guéris en 5 minutes et d'autres en 1 heure.
Intervenant 2
D'où le besoin vital des indicateurs de dispersion, l'étendue, la variance et l'écart-type.
Intervenant 1
Justement, concernant la variance, pourquoi s'amuser à calculer le carré des écarts par rapport à la moyenne ? C'est bizarre, ça déforme pas complètement les données.
Intervenant 2
Si, complètement, et c'est voulu. Élever au carré, ça agit vraiment comme une loupe grossissante.
Intervenant 1
Ah bon ?
Intervenant 2
Oui. Un patient dont le temps de guérison s'éloigne beaucoup de la moyenne pèsera mathématiquement beaucoup plus lourd. Ça permet de pénaliser les grandes déviations pour repérer l'instabilité du traitement.
Intervenant 1
Et donc, c'est super utile.
Intervenant 2
Exactement. Le seul inconvénient, c'est qu'en élevant des minutes au carré, on obtient des minutes au carré. Ce qui ne veut absolument rien dire physiquement. C'est clair.
Intervenant 1
D'où le rôle de l'écart-type. On applique une simple racine carrée au résultat de la variance pour annuler l'effet loop.
Intervenant 2
Et on revient à la réalité, à des simples minutes. C'est la clé pour interpréter l'étalement des données de manière concrète.
Intervenant 1
Sauf que bon, posséder les données exhaustives de toute une population, tous les migraineux de la planète par exemple, c'est un luxe inaccessible.
Intervenant 2
C'est clair. Dans la réalité, on travaille toujours sur des fragments.
Intervenant 1
Ce qui nous fait basculer dans la statistique inférentielle.
Intervenant 2
Exactement. Puisqu'on ne peut pas tout mesurer, on s'appuie sur un échantillon aléatoire pour en déduire des règles sur toute la population. Ce qui est fascinant ici, c'est qu'on assiste à une véritable bascule.
Intervenant 1
C'est-à-dire ?
Intervenant 2
On passe d'une observation passive des données à une prévision active. C'est l'essence même de la modélisation. On va utiliser une variable source, dite explicative, comme le dosage du médicament,
Intervenant 1
Pour prédire une variable cible comme l'intensité de la douleur. Alors qu'est-ce que tout ça veut dire en pratique ?
Intervenant 2
Par exemple, si on observe un résultat encourageant.
Intervenant 1
Si une centaine de patients guérissent très vite avec ce dosage, comment on s'assure que cette observation c'est pas juste un énorme coup de chance sur ce petit groupe ?
Intervenant 2
Pour trancher entre l'efficacité réelle et le hasard, la source présente le tribunal ultime des données, le test d'hypothèse.
Intervenant 1
Ouh, carrément le tribunal !
Intervenant 2
Ouais, carrément. Et cela soulève une question importante sur la manière dont les mathématiques gèrent l'incertitude et prouvent l'existence d'un phénomène.
Intervenant 1
Et la logique est complètement contre-intuitive. On ne cherche pas directement à prouver que le médicament fonctionne, en fait.
Intervenant 2
Non, pas du tout.
Intervenant 1
On postule l'inverse ? On part du principe qu'une hypothèse de base est vraie, l'hypothèse nulle, ou H0.
Intervenant 2
Donc, dans notre cas, le médicament n'a aucun effet.
Intervenant 1
C'est ça.
Intervenant 2
Le mécanisme est diablement efficace. On calcule la probabilité d'obtenir des temps de guérison aussi exceptionnels chez nos 100 patients en partant du principe que H0 est vrai.
Intervenant 1
Si le médicament sert à rien, quelle était la probabilité d'avoir de tels résultats par pur hasard ?
Intervenant 2
Exactement. Et si le calcul montre que cette probabilité est extrêmement faible, le maintien de H0 relèverait du miracle.
Intervenant 1
Donc on rejette H0 de manière rationnelle.
Intervenant 2
Voilà.
Intervenant 1
Les données réelles sont tellement incompatibles avec l'hypothèse de départ qu'elles forcent son rejet. De la simple description d'une unité d'observation jusqu'à la modélisation prédictive, ces concepts encadrent littéralement notre capacité à produire du savoir.
Intervenant 2
C'est le fondement de la science moderne.
Intervenant 1
Mais il y a un détail crucial de l'article qui m'interpelle pour finir. On rejette l'hypothèse nulle si la probabilité est jugée, je cite, « trop faible ».
Intervenant 2
Ce qui n'est pas du tout une valeur absolue dictée par la nature en effet.
Intervenant 1
Et c'est bien là le vertige. Qui fixe ce seuil du trop faible ? Est-ce que c'est 5 %, 1 % ?
Intervenant 2
Ça dépend entièrement de nous.
Intervenant 1
À quel point cette simple décision de placer un curseur, un choix profondément subjectif et humain, façonne-t-elle les grandes vérités scientifiques de notre époque ?
Intervenant 2
Ça fait réfléchir.
Intervenant 1
Une réflexion qui invite à regarder la froide objectivité des mathématiques sous un tout autre jour. À très vite pour une nouvelle analyse.
À écouter ensuite
Des épisodes qui partagent une playlist, une figure ou un domaine avec celui-ci.
10 sept. 2026 · 6 min
9 sept. 2026 · 23 min
9 sept. 2026 · 20 min
9 sept. 2026 · 23 min
9 sept. 2026 · 22 min
21 août 2026 · 22 min