Etablissement : Faculté de Médecine Générale

Formation : Médecine Générale

Année : 2024/2025
Promotion : Deuxième Année
Semestre : Semestre 4

SANTE PUBLIQUE : CONCEPTS ET

SYSTEMES

Pr E. BOUAITI
UPR de médecine sociale
(Santé publique, hygiène et médecine préventive)
Faculté de médecine et de pharmacie - Rabat
 Etablissement : Faculté de Médecine Générale
Formation : Médecine Générale
Année : 2024/2025
Promotion : Deuxième Année
Semestre : Semestre 4

BIOSTATISTIQUE

Pr E. BOUAITI
UPR de médecine sociale
(Santé publique, hygiène et médecine préventive)
Faculté de médecine et de pharmacie - Rabat
 Programme
Chapitre 1 : Principes de base en Biostatistiques
Chapitre 2 : Les statistiques descriptives
Chapitre 3 :Organisation et Présentation des
données
Chapitre 4 : Les principales lois de probabilité
Chapitre 5 : Probabilité conditionnelle
Chapitre 6 : Principes des tests statistiques
Chapitre 7 : Les tests de comparaison de
pourcentages
Chapitre 8 : Les tests de comparaison de moyennes
12/05/2025 Pr_BOUAITI_version pour révision 3
 Chapitre 1
Principes de base en
biostatistique
 Plan
I. Introduction
II. La biostatistique : Définition et intérêt
III. Population et unité statistique
IV. Variabilité et incertitude
V. Recensement / Echantillonnage
VI. Échantillon
[Link] statistiques
[Link]

12/05/2025 Pr_BOUAITI_version pour révision 5

 I. Introduction
• La biostatistique est un champ scientifique constitué par
l'application de la science statistique à la biologie et à
la médecine (sciences de la santé).
• Dans le domaine de la santé : L’analyse de problèmes à partir
de données numériques est fréquente et nécessite
l’application d’un raisonnement statistique rigoureux.
• La biostatistique : un sujet interdisciplinaire qui se situe à
l’intersection de la biologie et de la statistique.
• La biostatistique permet de répondre à une question dans le
domaine de la santé afin de prendre une décision : QUI, QUOI,
COMMENT, POURQUOI…

12/05/2025 Pr_BOUAITI_version pour révision 6

 II. La biostatistique
Définitions
s
• Statistique : du latin statisticum
(ce qui se rapporte à l’Etat)
– Ensemble cohérent de données numériques
relatives à un groupe d'individus.
– Une statistique : un nombre calculé à partir
d'observations.

12/05/2025 Pr_BOUAITI_version pour révision 7

 II. La biostatistique
Définitions
Statistique La biostatistique
• Ensemble des méthodes • La biostatistique s’intéresse
scientifiques consistant à à la mise au point et à
réunir, organiser, présenter l’application de méthodes
des données numériques statistiques dans divers
sur une ou plusieurs domaines liés à la santé : la
particularité(s) commune(s) médecine, la médecine
chez un groupe de dentaire, la pharmacie et les
personnes ou de choses, autres sciences de la santé.
puis à analyser, tirer des
conclusion et prendre des
décisions.
12/05/2025 Pr_BOUAITI_version pour révision 8
 II. La biostatistique
intérêt
• Biostatistique : réponses aux questions
« santé »
• Les questions descriptives: décrire une situation, un concept ou une
pathologie…
• Les questions comparatives : explorer les différences entre deux ou
plusieurs groupes.
• Les questions évaluatives/normatives : juger l’efficacité d’une
intervention en santé (un traitement).
• Les questions explicatives : déterminer la cause d’un problème.
• Les questions prédictives : prédire l’avènement futur d’un événement.
• Les questions de résolution de problème : identifier de nouvelles
solutions à des problèmes existants.

Groupe d'individus
12/05/2025 Pr_BOUAITI_version pour révision 9
 II. La biostatistique
intérêt
• Description de l'état de santé d'une population
– Causes de décès, morbidité
• Évaluation d'un test diagnostique ou d'un signe clinique
– Sémiologie quantitative : spécificité, sensibilité, valeurs prédictives
• Évaluation d’un traitement
– Essai thérapeutique
• Recherche de facteurs étiologiques
• Économie de la santé
• Prévision (Nbre de malades attendus,...)
• Évaluation de la qualité et contrôle de production
• ….
12/05/2025 Pr_BOUAITI_version pour révision 10
 II. La biostatistique
Démarche générale
Étape 1
Définir le PROBLÈME?
Question?

Étape 5
Étape 2
Interprétation des résultats :
Réaliser une étude
Réponses et prise de décision

Étape 4 Étape 3
Analyse statistique Collecter les données

12/05/2025 Pr_BOUAITI_version pour révision 11

 II. La biostatistique
Démarche générale
• Deux types d’analyse statistique :

– Analyse "déductive" ou descriptive

Statistique descriptive

– Analyse "inductive" ou inférence

Statistique inférentielle

• Ces étapes ne sont pas indépendantes.

12/05/2025 Pr_BOUAITI_version pour révision 12
 II. La biostatistique
Deux branches distinctes
Statistique descriptive Statistique inférentielle

• Organisation, présentation • Permet de généraliser les

et analyse des données résultats obtenus sur un
• Synthèse de l’information: petit groupe à l'ensemble
résumés statistiques. de la population étudiée.
• Expression des résultats :
représentation graphique. • Statistique avancée : tests
• Étape préliminaire statistiques …

Echantillon Inférence Population ?

Inférer = tirer des conclusions sur la population à partir des données recueillies auprès des répondants à l’enquête
Pr_BOUAITI_version pour révision
12/05/2025 13
 II. La biostatistique
Deux branches distinctes
Statistique descriptive vs Statistique
inférentielle
• On souhaite étudier l'intérêt de la radiographie standard pour le
diagnostic des caries dentaires chez la population marocaine.
Connaissances Pratiques
Statistique inférentielle
Raisonnement
inductif

Raisonnement
déductif

12/05/2025 Pr_BOUAITI_version pour révision 14

 III. Population et unité statistique
•Principes :
–La Biostatistique s'intéresse aux individus et contribue
à une meilleur connaissance de la population.

–En biostatistique, on travaille sur des populations.

–Le terme “population” s'applique à tout ensemble

« homogène » sur lequel on fait des
observations statistiques :population humaine ou non.
– Exemples :Étudiants d'une université, patients d'un hôpital,
dossiers médicaux, prélèvements sanguins …

12/05/2025 Pr_BOUAITI_version pour révision 15

 III. Population et unité statistique
• Principes :
• Une population est composée d'individus :
Les individues qui composent une population stati
stique sont appelés unités statistiques.
• Exemples :
–Population : ensemble
des étudiants composant un amphithéâtre.
–Chaque étudiant étant une unité sta s que.

12/05/2025 Pr_BOUAITI_version pour révision 16

 III. Population et unité statistique
1. Définition de la population
– Ensemble d’individus (ou unités
statistiques ) sur lequel on étudie une ou
plusieurs caractéristiques et qui sont de
même nature.
– Population cible : question de recherche?
2. Taille de la population
– Le nombre d'individus constituant la
population.
– Généralement très grande.
– Notation : N
3. Exemples
– Femmes atteintes du cancer du sein.
– Les patients hospitalisés dans un hôpital

Population
12/05/2025 Pr_BOUAITI_version pour révision 17
 III. Population et unité statistique
1. Définition de l’unité
statistique Unité statistique
– Une unité statistique est une unité
d'observation ou de mesure pour
laquelle des données sont
recueillies ou collectées.
– L'unité statistique est donc
l'élément de base pour présenter
les données statistiques.
2. Exemples
– Une femme atteinte du cancer du
sein.
– Une dent d’un patient hospitalisé
dans un hôpital
Population
12/05/2025 Pr_BOUAITI_version pour révision 18
 IV. Variabilité et incertitude
• Sur n sujets (n > 1) :
– Plusieurs valeurs
– En général différentes les unes des autres
• Donc variabilité des sujets = variabilité des
valeurs
• Si l'on n'a pas cette variété de réponse, on a
affaire à une constante

12/05/2025 Pr_BOUAITI_version pour révision 19

 IV. Variabilité et incertitude
• Caractéristique dans le domaine des sciences
de la santé
– Chez un même individu / Entre les individus
– Entre les groupes d’individus
– Si l'on n'a pas cette variabilité : on a affaire a une
constante.
• Biostatistique : Traiter les problèmes de
variabilité dans les données
La variabilité = la règle et non l’exception
12/05/2025 Pr_BOUAITI_version pour révision 20
 IV. Variabilité et incertitude

1. La variabilité est un phénomène naturel.

2. La variabilité est un phénomène inévitable.

3. La variabilité est la règle et non l’exception.

4. La variabilité n'est pas une imprécision.

5. La variabilité n'est pas une erreur de mesure.

12/05/2025 Pr_BOUAITI_version pour révision 21

 IV. Variabilité et incertitude
Variabilité intra-
individuelle
Variabilité
biologique
Variabilité inter-
individuelle
Variabilité totale
Variabilité
expérimentale
Variabilité
métrologique
Variabilité
appareil de
mesure

La variabilité = la règle et non l’exception

12/05/2025 Pr_BOUAITI_version pour révision 22
 1. Variabilité biologique
Variabilité inter-individuelle Variabilité intra-individuelle
Caractéristiques qui différent Caractéristiques évoluant
d’un individu à l’autre dans le temps chez un
même individu
Si vous observez des
personnes dans la rue vous Si vous mesurez la tension
constatez qu’elles n’ont pas artérielle d’un individu à
toutes la même couleur de différents moments de la
cheveux. journée vous obtiendrez des
valeurs différentes.

La variabilité = la règle et non l’exception

12/05/2025 Pr_BOUAITI_version pour révision 23
 2. Variabilité métrologique
• Variabilité de la mesure
• Variabilité expérimentale
• Variabilité appareil de mesure

– Essayer de mesurer plusieurs (100) fois la tension

artérielle d’un individu : vous trouverez des
valeurs différentes cependant dans l’absolu un
individu a une taille et une seule.

La variabilité = la règle et non l’exception

12/05/2025 Pr_BOUAITI_version pour révision 24
 3. Variabilité : conséquences
• Du fait de la variabilité, on est dans le
domaine de l’incertain.
• Il n’existe pas de « vraie valeur »
– Un Intervalle : Valeurs usuelles (valeurs normales)
– Valeur exceptionnelle, hors norme
• On ne peut pas prédire avec certitude la
valeur qui va être observée chez un sujet
inconnu

12/05/2025 Pr_BOUAITI_version pour révision 25

 V. Recensement /
Echantillonnage
• 1. Le recensement
– Un recueil d’informations auprès de tous les
individus d’une population.
– Il consiste en un dénombrement de toutes les
unités statistiques d’une population dans sa
totalité.
– Il s‘agit de la source de données la plus complète
dont on dispose sur la population.
– Exemples : Recensement de la population au
Maroc en 2014 (tous les 10 ans).
12/05/2025 Pr_BOUAITI_version pour révision 26
 V. Recensement /
Echantillonnage
• Si population limitée :
Exhaustive
– Recensement : Tous les
sujets de la population
sont « examinés »

• Exemple : les étudiants

de la 1ère année
médecine

Population
12/05/2025 Pr_BOUAITI_version pour révision 27
 V. Recensement /
Echantillonnage
• 2. L’échantillonnage
– Un recueil d’informations auprès de quelques
individus ou d’une partie d’une population «
l’échantillon ».

12/05/2025 Pr_BOUAITI_version pour révision 28

 V. Recensement /
Echantillonnage
• Si population importante : Une
partie des sujets de la population
sont « examinés »

• Exemple : échantillon
des étudiants de la
faculté de médecine

Échantillon
Population
12/05/2025 Pr_BOUAITI_version pour révision 29
 VI. Échantillon
1. Définition
– Sous ensemble d’une
population et qui est de
de taille finie.

2. Exemples
– 200 Femmes atteintes
du cancer du sein
– 100 étudiants inscrits à
la faculté de médecine
Échantillon
12/05/2025 Pr_BOUAITI_version pour révision 30
 VI. Échantillon
• On connait tous les
individus qui
composent un
échantillon
• Taille de l'échantillon :
le nombre d‘individu
dans l'échantillon.

Notation : n
Échantillon
12/05/2025 Pr_BOUAITI_version pour révision 31
 VI. Échantillon

• Échantillon représentatif :
– Échantillon qui reflète fidèlement la complexité et
la composition de la population.
• Échantillonnage aléatoire :
– Prélèvement au hasard, et de façon indépendante,
d’un certain nombre " n " d’éléments à partir
d’une population de " N " éléments.
• Échantillon aléatoire simple :
– Chaque élément de la population doit avoir la
même probabilité
12/05/2025
d’être sélectionné.
Pr_BOUAITI_version pour révision 32
 VI. Échantillon

Échantillon représentatif
Échantillonnage aléatoire
• Remarques :
– Pour être représentatif, un échantillon doit être
aléatoire.
– Un échantillon aléatoire est représentatif de sa
population
– Représentatif ne veut pas dire "conforme à l'idée
que le chercheur se fait de la population"!
– Aléatoire ne signifie
12/05/2025 pas pour
Pr_BOUAITI_version "n'importe
révision comment"! 33
 VI. Échantillon
Pourquoi travaille-t-on sur un échantillon ?

temps

coût

Inférence
statistique
12/05/2025 Pr_BOUAITI_version pour révision 34
 VI. Échantillon
Inférence statistique

REPRESENTATIVITE

Échantillon

Population
Caractéristiques?
12/05/2025 Pr_BOUAITI_version pour révision 35
 VII. Variable statistique
•Les statistiques étudient les caractéristiques des
individus.
•Un individu présente une ou plusieurs caractéristiques
: l’âge, le motif de consultation ….
•Pour étudier une population, on ne retient que
les caractères intéressant: un caractère est une variable
qui caractérise les individus de cette popula on.
•Un caractère varie d'un sujet à l'autre : une variable.
–Exemple : Si on s'intéresse à une population de patient :
on peut étudier l'âge, le motif de consultation,
le délai d'attente ….
12/05/2025 Pr_BOUAITI_version pour révision 36
 VII. Variable statistique
1. Définition
– Caractéristique ou facteur susceptible de prendre
une valeur différente selon les individus (ou les
unités statistiques) étudiés.
– Caractéristique mesurable pour toutes les unités
statistiques.
2. Exemple :
– Le sexe des patients hospitalisés
– Le poids
– La durée d’incubation d’une maladie
12/05/2025 Pr_BOUAITI_version pour révision 37
 VII. Variable statistique
• Valeurs: les nombres pris par une variable
quantitative.
• Modalités : les catégories prises par une
variables qualitative
– Exemple :
• Pour la couleur des yeux : {noir ; bleu ; vert}
• Pour le sexe : {homme ; femme}
• Age: entre 18 et 25 ans
Valeurs
Variable
Modalités
12/05/2025 Pr_BOUAITI_version pour révision 38
 VII. Variable statistique
3. Valeurs / modalités possibles
Tous les résultats possibles a priori si on fait une
observation d'une variable
– Exemple :
• Sexe : x1: Masculin, x2: Féminin
• Groupe ABO: x1: A, x2 : B, x3: O, x4: AB
• Poids : [50 kg – 100 kg]
4. Valeur / modalité observée
Résultat a posteriori d'une observation d'une variable
– Exemple :
• Sexe : x=x1: Masculin
• Groupe ABO: x=x4 : AB
• Poids : 70 kg
12/05/2025 Pr_BOUAITI_version pour révision 39
 VII. Variable statistique
4. Types de variables : Différentes natures ou
types :

• Variable qualitative

• Variable quantitative

12/05/2025 Pr_BOUAITI_version pour révision 40

 VARIABLES QUALITATIVES
1. Définition
– Une variable statistique est qualitative si ses valeurs
correspondent à des « qualités » :
• Non mesurables sur une échelle
• Présence ou absence d’une caractéristique
• Expression : modalités (Classes - Catégories)

Variable qualitative nominale Variable qualitative ordinale

12/05/2025 Pr_BOUAITI_version pour révision 41

 2. Variable qualitative ordinale

• Définition :
– C'est une variable qualitative dont les modalités
sont naturellement ordonnées (il existe un ordre
entre les classes).
• Exemple :
– Niveau d’étude :
• Primaire, secondaire, universitaire.
– Stade de gravité d’une maladie :
• Modéré, sévère, très sévère.
– Degré de satisfaction
12/05/2025 Pr_BOUAITI_version pour révision 42
 3. Variable qualitative nominale
• Définition :
– C'est une variable qualitative dont les modalités ne
sont pas ordonnées.
– Si deux modalités : Dichotomique/ binaire
• Exemples
– Variable binaire
• Sexe : homme ou femme
• État de santé : malade ou sain
– Groupe sanguin
• A, B, AB, O
– Situation familiale :
• Célibataire, marié, divorcé, veuf

12/05/2025 Pr_BOUAITI_version pour révision 43

 VARIABLES QUANTITATIVES
1. Définition
– Une variable statistique est quantitative si ses
valeurs sont représentées par des quantités.
– Expression : valeurs numériques.
sur lesquels les opérations arithmétiques (somme,
différence...) ont un sens.

Variable quantitative discrète Variable quantitative continue

12/05/2025 Pr_BOUAITI_version pour révision 44

 2. Variable quantitative discrète

• Définition
– Une variable quantitative discrète :
• Est une variable avec une valeur que l’on peut
énumérer.
• Est une variable qui ne prend qu'un nombre fini de
valeurs : elle ne peut prendre que des valeurs
numériques isolées dans une liste.
– Valeurs possibles : peut être donné sous la forme
d’une liste de nombres.
• Exemples
– Nombre d’enfants
12/05/2025
d’une famille : 0, 1, 2, 3, 4, …10
Pr_BOUAITI_version pour révision 45
 3. Variable quantitative continue

• Définition
– Une variable continue peut prendre n’importe
quelle valeur numérique d’un intervalle
déterminé.
– Valeurs possibles :
• Ne sont pas dénombrable.
• Une infinité de valeurs possibles.
• Entre un minimum et un maximum.
• Exemples
– Âge, poids, taille, niveau de cholestérol,… .
12/05/2025 Pr_BOUAITI_version pour révision 46
 Chapitre 2
La Statistique Descriptive
 Plan
I. Définition
II. Rappels
III. Statistique descriptive : Variable qualitative
IV. Statistique descriptive : Variable quantitative
V. Statistique decscriptive à deux dimensions
VI. Conclusion

12/05/2025 Pr_BOUAITI_version pour révision 48

 I. Définition
• La statistique descriptive : C’est
l'ensemble des méthodes et techniques
permettant de
– Présenter
– Décrire
– et Résumer
des données nombreuses et variées.

12/05/2025 Pr_BOUAITI_version pour révision 49

 I. Définition
• La statistique descriptive peut concerner:
– Une seule variable : statistique à une
dimension.
– Deux variables à la fois : statistique à deux
dimensions.
– Plus de deux variables à la fois : statistique
multidimensionnelle.

12/05/2025 Pr_BOUAITI_version pour révision 50

 I. Définition
• La Statistique Descriptive : Décrire les
données par
– Calculer des paramètres statistiques :
• Réduction des données à quelques valeurs
numériques caractéristiques.
– Des tableaux : distributions de fréquences.
– Des diagrammes : graphiques.

Pour la bien mener il faut savoir de quelle type de

variable s’agit-il
12/05/2025 Pr_BOUAITI_version pour révision 51
 III. Statistique descriptive : Variable
qualitative
• A. Calcul des paramètres statistiques
a) Mesures de fréquence relative.

b) Intervalle de confiance d’une proportion.

12/05/2025 Pr_BOUAITI_version pour révision 52

 a) Mesures de fréquence relative.
• Un caractère qualitatif ne peut être mesuré
• D’où notion de fréquence
• Fréquence absolue : effectif
• Nombre d’individus par classe : n
– 100 sujets: 24 ont la maladie x
• Fréquences relatives
• Pour chaque classe, le rapport de son effectif au
nombre total d’individus
• Exprimées en pourcentage : P = 0,24 ou 24 %
• La fréquence relative = une probabilité.

12/05/2025 Pr_BOUAITI_version pour révision 53

a) Mesures de fréquence relative.
Fréquence relative = Rapports
Expression de la relation qui existe entre
deux quantités:
X (numérateur)
Il est de la forme xK
Y (dénominateur)

Quel numérateur, quel dénominateur ?

12/05/2025 Pr_BOUAITI_version pour révision 54
 a) Mesures de fréquence relative.
1. Proportion

2. Ratio
Rapports : X/Y

3. Indice
Quel numérateur, quel dénominateur ?
4. Taux

12/05/2025 Pr_BOUAITI_version pour révision 55

 1. Proportion

• Définition:
– Une proportion est un rapport dans lequel les deux entités
proviennent du même ensemble et où le numérateur est
inclus dans le dénominateur.
– Numérateur et dénominateur : même nature
– Proportion = probabilité de survenue d’un événement
• Utile pour décrire la répartition des caractéristiques au sein d’une
population.
– Expression : a b
• Nombre compris entre 0 et 1
• Pourcentage : 0% et 100%

12/05/2025 Pr_BOUAITI_version pour révision 56

 2. Ratio

• Définition
– C’est le rapport des effectifs de deux classes d’une
même variable.
– Le numérateur n’est pas inclus dans le
dénominateur.
– Numérateur et dénominateur : même ensemble.
– Expression : nombre sans unité

a b

12/05/2025 Pr_BOUAITI_version pour révision 57

 3. Indice

• Définition:
– C’est le rapport des effectifs de deux classes de
deux variables différentes.
– Le numérateur n’est pas compris dans le
dénominateur.
– Numérateur et dénominateur :
• Nature différente.
• Référent à des événements différents.
• Exemple : habitant / médecin

12/05/2025 Pr_BOUAITI_version pour révision 58

 4. Taux
• Définition :
– Mesure de la fréquence avec laquelle un événement se
produit dans une population définie au cours d'une
période donnée.
– Taux : vitesse à laquelle la maladie survient dans une
population
– «Taux» = Risque = proportion de la population qui
développe la maladie au cours d'une période donnée.
– Numérateur : nombre de nouveaux cas pendant une
période de temps déterminé
– Dénominateur : l’ensemble des individus susceptibles de
connaître l’événement pendant cette période.
– Expression : Nombre de nouveaux cas pour 10x

12/05/2025 Pr_BOUAITI_version pour révision 59

 a) Mesures de fréquence relative.
• Exemples d’application : Indicateurs épidémiologiques
– Les indicateurs de morbidité
– Objectif : Mesurer la « Fréquence des maladies ».
– Les mesures :
1. Prévalence
2. Incidence
– Les indicateurs de mortalité
– Objectif : Mesurer la « Fréquence des décès ».
– Les mesures :
1. Mortalité globale
2. Taux brut de mortalité
3. Mortalité spécifique
4. Mortalité proportionnelle
5. Létalité

12/05/2025 Pr_BOUAITI_version pour révision 60

 1. Prévalence
• Définition:
– La prévalence = Mesure instantanée (sans référence au passé et
sans suivi dans le futur).
– Les cas prévalents : les anciens et les nouveaux cas d’un
événement (maladie) existant dans une population à un à un
moment ou sur une période de temps donnée.
– La prévalence est la proportion de malades présents dans la
population à un instant donné ou sur une période de temps
donnée.

• Expression : chiffre entre 1 et 0 (ou %).

12/05/2025 Pr_BOUAITI_version pour révision 61

 1. La Prévalence
• La prévalence indique l’ampleur d’un problème à
un moment précis.
• La prévalence mesure la probabilité « a priori »
d’être atteint d’une maladie.
• Intérêt : Pour les maladies chroniques (date de
début?)
• Exemple :
– Dans une population de 10 000 personnes, 500 sont
touchées par le diabète. Quelle est la prévalence de
cette maladie dans cette population ?
– Prévalence du diabète = 500/10 000 = 0,05 soit 5%.

12/05/2025 Pr_BOUAITI_version pour révision 62

 2. Incidence
• Incidence : la fréquence avec laquelle un nouveau
cas d’un événement ou d’une maladie se produit
dans une population sur une période de temps.
• Mesures d’incidence : quantifient la « vitesse
d’apparition » de nouveaux cas de maladie dans
la population.
• Incidence = le risque moyen de contracter une
maladie pendant une période donnée pour un
individu de la population
12/05/2025 Pr_BOUAITI_version pour révision 63
 2. Incidence
• Définition : L’incidence est égal au nombre de
nouveaux cas par unité de temps divisé par la
taille de la population à risque.

• Exemple : Cancer buccal

– Dans une population de 1 000 000 d’habitants, nous
avons diagnostiqué 100 nouveaux cas de cancer
buccal en 2023.
– L’incidence du cancer buccal en 2023 est :
• 100/ 1 000 000 soit 10 nouveaux cas pour 100 000 habitants.

12/05/2025 Pr_BOUAITI_version pour révision 64

 b) Intervalle de confiance d’une
proportion.
• Principes de l’inférence statistique
– On désire connaître une population P mais
l’investigation exhaustive n’est généralement pas
possible: coûts exorbitants, inaccessibilité de
l’ensemble de la population, temps disponible
pour obtenir les résultats de l’étude...
– Le principe de l’inférence statistique est d’obtenir
des informations sur la population P (population
cible) à partir de la connaissance d’un échantillon.

12/05/2025 Pr_BOUAITI_version pour révision 65

 b) Intervalle de confiance d’une
proportion.
Inférence statistique
Estimation
Intervalle de confiance

Échantillon
Observations
Population Valeur estimée
Valeur théorique ou vraie
po
12/05/2025 P réelle? Pr_BOUAITI_version pour révision 66
 b) Intervalle de confiance d’une
proportion.
• Principe
– Le principe général d’un intervalle de confiance consiste à
déterminer, à partir de ce qui a été observé dans un
échantillon, un intervalle dans lequel le paramètre que l’on
étudie, au sein de la population (dont est extrait
l’échantillon), a de fortes chances de se situer.
– En connaissant la proportion p observée dans l’échantillon,
on détermine un intervalle au sein duquel la
proportion P réelle de la population étudiée se situe avec
une probabilité égale à 95 %.
– Niveau de confiance de 95% (1- α) : on à 95 % de chance
que la proportion réelle se situerait dans cet intervalle de
12/05/2025confiance. Pr_BOUAITI_version pour révision 67
 b) Intervalle de confiance d’une
proportion.
1. po est le plus souvent différent de P
2. po « proche » de P est « plus probable »
intervalle  ponctuelle
« P » va être estimée à partir de pobservée

Intervalle de confiance de P = po ± i

po + i - Fourchette
+i . Centrée sur po
po po . i est la précision (la marge d'erreur)
- Risque d’erreur 
-i
12/05/2025 po -Pr_BOUAITI_version
i pour révision 68
 b) Intervalle de confiance d’une
proportion.
I.C. de P = po  i
– Si np et nq sont ≥ 5

12/05/2025 Pr_BOUAITI_version pour révision 69

 b) Intervalle de confiance d’une
proportion.
• Expression :
Intervalle de confiance à 95 % pour p :

p0(1 - p0) p0(1 - p0)

[ p0 - 1.96 - p0 + 1.96 ]
n n

p0 = proportion estimée sur l’échantillon.

n = taille de l’échantillon.

12/05/2025 Pr_BOUAITI_version pour révision 70

 III. Statistique descriptive : Variable
qualitative
B. Présentation des résultats sous forme de
tableaux : distributions de fréquences.

C. Présentation des résultats sous forme de

diagrammes : graphiques

12/05/2025 Pr_BOUAITI_version pour révision 71

 B. Présentation des résultats sous forme
de tableaux : distributions de fréquences.
• Présentation
– Il doit toujours être accompagné d’un titre informatif:
groupe étudié, le lieu et la période de l’étude.
– Par convention ce titre doit être placé au-dessus du
tableau.
– Il existe toujours un bandeau de titre pour indiquer la
nature des informations figurant dans les colonnes, ce
bandeau a un trait horizontal au-dessus et au-dessous.
– Un trait horizontal figure sous la dernière ligne
– Aucun autre trait n'est utile (pas de trait vertical)

12/05/2025 Pr_BOUAITI_version pour révision 72

 B. Présentation des résultats sous forme
de diagrammes : graphiques
• Définition
– Images des données des études statistiques

• Objectif
– Faire ressortir une vision synthétique du
phénomène étudié
– Permet de comparer d’un « coup d’œil » les
différentes modalités

12/05/2025 Pr_BOUAITI_version pour révision 73

 B. Présentation des résultats sous forme
de diagrammes : graphiques
• Deux axes :
– Axe horizontal : abscisses
• Les modalités
– Axe vertical : ordonnées
• Les effectifs (ou fréquences)
– La hauteur de chaque bande
• Proportionnelle à l’effectif correspondant

12/05/2025 Pr_BOUAITI_version pour révision 74

 B. Présentation des résultats sous forme
de diagrammes : graphiques
• Recommandation :
– Graphique simple
– Compréhensible
– Légendé (titre, axes, unités) : Le titre est situé sous le graphique
– Le titre doit être informatif: groupe étudié, le lieu et la période de
l’étude.
– Par convention ce titre doit être placé au-dessous du tableau.
– En dehors des traits représentant les axes et ceux représentant les
informations du graphique aucun autre trait n'est utile.
• A éviter :
– Graphes 3D
– Les superpositions de multiples graphes sur une même graphique
– La coloration abusive : dégradé de gris +++

12/05/2025 Pr_BOUAITI_version pour révision 75

 B. Présentation des résultats sous
forme de diagrammes : graphiques
• Graphiques pour les variables qualitatives

1. Diagramme en barres

2. Diagramme en barres horizontales

3. Camembert

12/05/2025 Pr_BOUAITI_version pour révision 76

 1. Diagramme en barres
• Diagramme :
– Barres verticales disjointes
– Ordonnées : effectifs ou les fréquences
– Abscisses :
• Sans échelle numérique
• Libellés : modalités des variables
– Les barres :
• Largeur : identique

12/05/2025 Pr_BOUAITI_version pour révision 77

 3. Camembert
(Pie chart)
• Camembert :
– Cercle divisé en secteurs
– Chaque secteur : une classe de la variable
– La surface du secteur : proportionnelle à la
fréquence
– Nombre de secteurs : moyenne de 6
– Total des modalités = 100%

12/05/2025 Pr_BOUAITI_version pour révision 78

Statistique descriptive
Variable quantitative
Des paramètres statistiques :
Réduction des données à quelques
valeurs numériques caractéristiques
 Statistiques descriptives
variables quantitatives
continues
• Paramètres de position : Mesures de la
tendance centrale
Position

• Paramètres de dispersion Dispersion

12/05/2025 Pr_BOUAITI_version pour révision 80

 Paramètres de position
• Moyenne arithmétique

• Médiane

• Mode

12/05/2025 Pr_BOUAITI_version pour révision 81

 Moyenne arithmétique

12/05/2025 Pr_BOUAITI_version pour révision 82

 Moyenne arithmétique
données groupées

12/05/2025 Pr_BOUAITI_version pour révision 83

 Moyenne arithmétique
• Si la variable suit la loi normale :
– La moyenne = la valeur la plus fréquente ou la plus
probable.
• Exemple : Durée moyenne d’hospitalisation = 19,93
jours est la durée d’hospitalisation la plus probable
pour les malades du service de médecine interne.

• Si la variable ne suit pas la loi normale :

– La moyenne = ne peut pas être interpréter.

12/05/2025 Pr_BOUAITI_version pour révision 84

 Médiane
• La médiane est la valeur qui divise les
observations en 2 groupes de taille égale :
– Le premier contenant les valeurs inférieures à la
médiane
– Et le second les valeurs supérieures à la médiane

La valeur qui partage la série en 2 parties

de même effectif (ordre croissant+++)

12/05/2025 Pr_BOUAITI_version pour révision 85

 Moyenne - Médiane

Série de valeurs: Moyenne Médiane

10, 12, 18, 20, 25
17 18

10, 12, 18, 20, 45

21 18

La moyenne est sensible aux valeurs extrêmes

La médiane est insensible aux valeurs extrêmes

12/05/2025 Pr_BOUAITI_version pour révision 86

 Mode
• La valeur que l’on observe le plus
fréquemment dans une série de valeurs.
La valeur dominante

• Exemple 1 : Le mode des valeurs 10, 12, 12, 12, 18, 18, 20, 25,
35 est 12
• Exemple 2 : La série 10, 12, 12, 12, 18, 18, 18, 20, 25, 35 à 2
modes, 12 et 18
• Une distribution est bimodale :
– Échantillon: deux populations différentes
12/05/2025 Pr_BOUAITI_version pour révision 87
 Paramètres de position
Interprétation
• Deux situations
– Distribution symétrique : distribution unimodale
Gaussienne (Normale) si
• Les 3 coïncident : Moyenne = Médiane = Mode
– Distribution asymétrique si
• Moyenne # Médiane # Mode

12/05/2025 Pr_BOUAITI_version pour révision 88

 Paramètres de dispersion
• Étendue

• Les quartiles

• La variance

• Écart-type

12/05/2025 Pr_BOUAITI_version pour révision 89

 Étendue
• L’étendue indique la distance entre la plus
grande et la plus petite valeur observée dans
la distribution.
Quantifie l’étalement total des données

Étendue = valeur maximale - valeur minimale

• Exemple :
– Une série : 10, 12, 18, 20, 25, 35
– Étendue : 25 (10 à 35).

12/05/2025 Pr_BOUAITI_version pour révision 90

 Les quartiles
• Le premier quartile ou le quartile inférieur Q1
= 25 % des valeurs sont inférieures à Q1 et 75
% lui sont supérieures
• Le troisième quartile ou le quartile supérieur
Q3 = 75 % des valeurs sont inférieures à Q3 et
25 % lui sont supérieures
• La médiane = le deuxième quartile Q2
• Intervalle interquartile (50% des valeurs) :
intervalle [Q1 , Q3]
12/05/2025 Pr_BOUAITI_version pour révision 91
 Écart-type
• Mesure la dispersion autour de m
• La mesure de dispersion la plus couramment
utilisée
• = Standard Deviation (SD)
• Calcul

∑𝑛𝑖 (𝑥𝑖 − 𝑚)2

s =𝑆𝐷 = 𝑛−1
Dispersion, Étalement, Variabilité des Valeurs

12/05/2025 Pr_BOUAITI_version pour révision 92

 La signification probabiliste de l’écart-
type
Echantillon 1 Echantillon 2

s2 < s1
s1
s2

m
12/05/2025 Pr_BOUAITI_version pour révision
93
 La signification probabiliste de l’écart-
type
50 % des individus en-dessous de la moyenne et 50 % au-dessus
68 % des individus entre µ-1σ et µ+1σ
95 % des individus entre µ-1,96σ et µ+1,96σ
99,7 % des individus entre µ -3σ et µ+3σ

12/05/2025 Pr_BOUAITI_version pour révision 94

 La signification probabiliste de l’écart-
type
• Exemple : Chez le sujet adulte non diabétique
• La glycémie est distribuée selon une loi normale
• Moyenne : 0,86 g/L
• Écart - type 0,07 g/L

95 % des individus entre µ-1,96σ et µ+1,96σ

95 % des sujets « normaux » de

cette population ont une glycémie
comprise entre 0,72 et 1,00 g/L
12/05/2025 Pr_BOUAITI_version pour révision 95
 Statistiques descriptives
variables quantitatives
• Si distribution normale « gaussiènne »
Résultats = Moyenne ± Ecart type
Exemple : Le poids moyen est de 60 kg ± 5
• Si distribution asymétrique non gaussienne
Résultats = Médiane et Quartiles
Intervalle interquartile : intervalle [Q1 , Q3]
Exemple : Médiane = 50 kg (Q1=30 kg;Q3=70 kg)
Intervalle interquartile : intervalle [30 kg , 70 kg]
12/05/2025 Pr_BOUAITI_version pour révision 96
 Intervalle de confiance d’une
moyenne
1. mo est le plus souvent différent de μ
2. mo « proche » de μ est « plus probable »
intervalle  ponctuelle
« μ » va être estimée à partir de mobservée

Intervalle de confiance de μ = m0 ± i

mo + i - Fourchette
+i . Centrée sur mo
mo mo . i est la précision (la marge d'erreur)
- Risque d’erreur 
-i
12/05/2025 moPr_BOUAITI_version
-i pour révision 97
 Intervalle de confiance d’une
moyenne
I.C. de  = m  i
• Taille d’échantillon grande : n >30

12/05/2025 Pr_BOUAITI_version pour révision 98

 Intervalle de confiance d’une
moyenne
• Expression :
Intervalle de confiance à 95 % pour m :

s2 s2
[ m0 - 1,96 ; m0 + 1,96 ]
n n

• Remarque : si n augmente , i diminue et IC à

95 devient plus précis.

12/05/2025 Pr_BOUAITI_version pour révision 99

 Statistiques descriptives
variables quantitatives
Les trois étapes du traitement des données
statistiques:
– Des paramètres statistiques.

– Des tableaux : distributions de fréquences.

– Des diagrammes : graphiques.

12/05/2025 Pr_BOUAITI_version pour révision 100

 Regroupement en classes

Variables Variables
quantitatives Discrétisation quantitatives
continues discrètes
Variables Variables
quantitatives Transformation
qualitatives
continues / Ordinales /
discrètes nominales
Le regroupement doit s’appuyer sur un raisonnement médical et non
12/05/2025 Pr_BOUAITI_version pour révision 101
uniquement statistique.
 Regroupement en classes
• Regroupement en classe d’une variable quantitative
continue:
– Transformation normative : la transformation des données
qui consistent à rechercher les valeurs normales des
paramètres vitaux et biologiques (les normes médicaux) à
partir des quelles on donne un « jugement » sur le sujet
selon la valeur du paramètre (ex: Diabétique / non
diabétique).
– Discrétisation : la normalisation des données qui
consistent à rechercher la transformation adaptée au
travers de laquelle elles suivront une loi normale.

12/05/2025 Pr_BOUAITI_version pour révision 102

 Statistiques descriptives
variables quantitatives
Les trois étapes du traitement des données
statistiques:
– Des paramètres statistiques.

– Des tableaux : distributions de fréquences.

– Des diagrammes : graphiques.

12/05/2025 Pr_BOUAITI_version pour révision 103

 Histogramme
• Types de variables :

– Variables quantitatives discrètes

– Variables quantitatives continues : transformation

(discrétisation)

12/05/2025 Pr_BOUAITI_version pour révision 104

 Histogramme
• Un diagramme :
– Barres verticales contiguës
– Ordonnées : effectifs / fréquences
– Abscisses : les classes de la variable
– Échelle des abscisses :
• Variables continues : Les bornes des classes (intervalle
de la classe)
• Variables discrètes : Le centre de la barre

12/05/2025 Pr_BOUAITI_version pour révision 105

 Polygone de fréquence
• Type de variable :
– Variable quantitative continue
• Graphe linéaire :
– Ordonnée : effectifs ou fréquences
– Abscisse : valeurs du variable discrétisée
• Chaque point = effectif ou fréquence pour le point
central de la classe de la variable.
• Polygone de fréquence doit commencer et se terminer
à0
• Intérêt : représenter sur un même graphique plusieurs
distributions.

12/05/2025 Pr_BOUAITI_version pour révision 106

 Boîte à moustaches
• Définition:
– Résume quelques caractéristiques de position du
caractère étudié (médiane, quartiles, minimum,
maximum)
– Permet de faire une comparaison entre deux
populations
• Variables :
– Variables quantitatives
Médiane, Quartiles, Minimum, Maximum
12/05/2025 Pr_BOUAITI_version pour révision 107
 Boîte à moustaches
Exemple

12/05/2025 Pr_BOUAITI_version pour révision 108

 Statistique descriptive
à 2 dimensions
• Objectif : mettre en évidence les relations qui
existent entre deux variables.
– Nature des variables : les deux variables peuvent
être
• Qualitatives
• Quantitatives
• Ou l'une quantitative et l'autre qualitative.
– Deux variables mesurées chez le même individu
• Exemples :
– Présence d’un cancer et tabagisme...
– Poids et taille

12/05/2025 Pr_BOUAITI_version pour révision 109

Statistique descriptive à 2 dimensions
deux variables quantitatives
• Corrélation : étudier les variations d’une
variable quantitative en fonction d’une autre
variable quantitative.
• Comment :
– Un indicateur de liaison:
• Le coefficient de corrélation linéaire
– Diagramme de dispersion :
• Nuage de points

12/05/2025 Pr_BOUAITI_version pour révision 110

 Coefficient de corrélation linéaire
• Notation
– ρ : paramètre théorique (population)
– r : paramètre observé sur un échantillon
– Sans unité

Le coefficient de corrélation de Bravais-Pearson

Le coefficient de corrélation de Spearman

12/05/2025 Pr_BOUAITI_version pour révision 111

 Coefficient de corrélation linéaire
• Le coefficient de corrélation est symétrique : rx,y = ry,x
• Mesure l'intensité de la liaison linéaire entre X et Y
• Le coefficient de corrélation varie entre -1 et 1.
• 0 signifie une association nulle
• Le signe indique le sens de la liaison / corrélation:
– Corrélation positive: les deux variables ont tendance à varier
dans le même sens.
– Corrélation négative: les deux variables ont tendance à varier en
sens opposées
• |rx,y| Proche de 1  RELATION LINEAIRE FORTE entre les
deux variables.
• |rx,y| Proche de 0  RELATION LINEAIRE FAIBLE entre les
deux variables
12/05/2025 Pr_BOUAITI_version pour révision 112
 Coefficient de corrélation linéaire
• Finalité : Déterminer l’intensité de la corrélation linéaire en
utilisant le coefficient de corrélation de Pearson.
– si deux variables ont une forte corrélation positive : alors 𝑟 est proche de 1 ;
– si deux variables ont une faible corrélation positive : alors 𝑟 est positif, mais
plus proche de 0 que de 1 ;
– si deux variables ont une forte corrélation négative : alors 𝑟 est proche
de −1 ;
– si deux variables ont une faible corrélation négative : alors 𝑟 est négatif, mais
plus proche de 0 que de −1 ;
– s’il n’y a pas de corrélation : alors 𝑟 est proche de 0.

12/05/2025 Pr_BOUAITI_version pour révision 113

 Diagramme de dispersion
Nuage de points
• Définition:
– Outil pour représenter graphiquement la relation
entre deux variables quantitatives continues

– Deux mesures réalisées sur un même individu.

– Permet de caractériser la direction, la force et la

forme de la relation.

12/05/2025 Pr_BOUAITI_version pour révision 114

 Diagramme de dispersion
Nuage de points
(X;Y)

X
12/05/2025 Pr_BOUAITI_version pour révision 115
 Diagramme de dispersion
Nuage de points

12/05/2025 Pr_BOUAITI_version pour révision 116

 Statistique descriptive
Variables qualitatives
Dichotomiques
Observables
Binaires
Variables
Variables Ordinales
qualitatives

Nominales

Fréquence absolue : effectif

Nombre d’individus par classe : n

Fréquences relatives
Pour chaque classe, le rapport de son effectif au nombre total d’individus
Exprimées en pourcentage

12/05/2025 Pr_BOUAITI_version pour révision 117

 Statistique descriptive
Variables quantitatives

Mesurables
Continues
Variables
Variables
quantitatives
Discrètes

Paramètres de position : Paramètres de dispersion

Mesures de la tendance centrale Étendue
Moyenne arithmétique Les quartiles
Médiane La variance
Mode Écart-type
12/05/2025 Pr_BOUAITI_version pour révision 118
 Conclusion
Organisation et
Présentation des
données

Type des variables

12/05/2025 Pr_BOUAITI_version pour révision 119

Organisation et Présentation des
données
Dichotomiques
Observables
Binaires
Variables
Variables Ordinales
qualitatives

Nominales

Tableaux de fréquences
Graphiques :
Diagramme en barres
Diagramme en barres horizontales
Camembert

12/05/2025 Pr_BOUAITI_version pour révision 120

Organisation et Présentation des
données

Mesurables
Continues
Variables
Variables
quantitatives
Discrètes

Tableaux de fréquences
Graphiques :
Histogramme
Polygone de fréquence
Boîte à moustaches

12/05/2025 Pr_BOUAITI_version pour révision 121

 Conclusion
Échantillon : Inférence

Échantillon
Population Caractéristiques
Caractéristiques connues
inconnues
Estimation par intervalle Estimation ponctuelle
IC à 95% p0 / m0

12/05/2025 Pr_BOUAITI_version pour révision 122

 Chapitre 3
Les principales
lois de probabilité
 Plan
I. Introduction
II. Probabilités en santé
III. Principes de probabilité
IV. Loi binomiale
V. Loi de Poisson
VI. Loi normale
VII. Conclusion

12/05/2025 Pr_BOUAITI_version pour révision 124

 I. Introduction
Statistique versus Probabilité
Raisonnement inductif : à partir d’un échantillon
connue, on veut tirer des conclusions sur toute la
population dans laquelle a été choisi cet échantillon :
Inférence statistique.

Population Échantillon
(inconnue) (connu)

Raisonnement propre à la statistique

12/05/2025 Pr_BOUAITI_version pour révision 125
 I. Introduction
Probabilité versus Statistique
Raisonnement déductif : à partir d’une population
connue, on veut prévoir les résultats d’un échantillon
tiré de cette population

Population Échantillon
(connue) (inconnu)

Raisonnement propre à la probabilité

12/05/2025 Pr_BOUAITI_version pour révision 126
 II. Probabilités en santé
• Diagnostic
– Probabilité de maladie en présence d’un ensemble de signes
cliniques
– Abcès dentaire en présence de douleurs dentaires
• Thérapeutique
– Probabilité d’efficacité d’un traitement
– Réponse positive d’un malade ayant une infection à un antibiotique.
• Pronostic
– Probabilité de survie après un diagnostique ou un traitement
– Survie à 5 ans pour une patiente atteinte de cancer de sein
• Génétique
– Probabilité de transmission d’une maladie héréditaire.
– Transmission d’un diabète
12/05/2025 Pr_BOUAITI_version pour révision 127
 III. Principes de probabilité
• Définition de la probabilité
– La probabilité d’un événement est égale au
rapport entre le nombre de cas favorables à cet
événement au nombre total de cas possible.

nombre de fois que l ' on observe x  A

P( x  A) 
nombre d ' observations des valeurs de x

12/05/2025 Pr_BOUAITI_version pour révision 128

 III. Principes de probabilité
• Pour tout événement A, on a
– Une probabilité est toujours comprise entre 0 et 1.

0  P( A)  1
– P(A) = 1 : L’événement est toujours réalisé.

– P(A) = 0 : L’événement est impossible.

12/05/2025 Pr_BOUAITI_version pour révision 129

 III. Principes de probabilité
• La probabilité pré-test :
– Démarche diagnostique :
• Une démarche probabiliste,
• Un raisonnement hypothético-déductif à partir de l'examen clinique et de
l'anamnèse.
– La première étape de la démarche diagnostique consiste en
l'établissement d'une probabilité pré-test.
– La probabilité pré-test : c'est la probabilité d'être malade par rapport à
la probabilité de ne pas être malade avant la réalisation d'un test
diagnostique.
– La probabilité pré-test = la prévalence.
– Trois classes de probabilité : probabilité faible, intermédiaire ou forte
d'avoir la maladie suspectée.

12/05/2025 Pr_BOUAITI_version pour révision 130

 III. Principes de probabilité
Lois de probabilité

• Loi Binomiale
• Loi de poisson Nature de la
• Loi normale variables
• Loi de chi-deux
• Loi de Student
• ……

12/05/2025 Pr_BOUAITI_version pour révision 131

 Loi Binomiale
• La loi binomiale modélise la fréquence du
nombre de succès obtenus lors de la
répétition de plusieurs expériences aléatoires
identiques et indépendantes.

12/05/2025 Pr_BOUAITI_version pour révision 132

 Loi Binomiale
• Situation
À partir d’une population où la proportion P de la caractéristique est
connue, on cherche à connaitre la probabilité d’observer k individus
possédant une caractéristique donnée dans un échantillon de n individus
tirés de la population.
• Exemple :
– Population : Au Maroc le taux de prévalence du diabète dans la
population adulte est de 12,4 %.
– Quelle est la probabilité de détecter 4 patients diabétique parmi un
échantillon de 10 marocains?

12/05/2025 Pr_BOUAITI_version pour révision 133

 Loi Binomiale
• Conditions d’application
– Variable qualitative binaire
• Malade / non-malade
– La taille d’échantillon n négligeable par rapport à
la taille de la population N (n/N<10%)
• Soit X le nombre d’apparitions de l’événement
A
– X suit une loi binomiale de paramètres n et p :
• On note B (n; p)
– P (X=k) : la probabilité d’observer la valeur k
12/05/2025 Pr_BOUAITI_version pour révision 134
 Loi Binomiale

nk n! k nk
P( X  k )  C p q
k
n
k
 p q
(n  k )!k!

où k = nombre de succès
p=probabilité du succès
q=1-p
n = taille d’échantillon

12/05/2025 Pr_BOUAITI_version pour révision 135

 Loi Binomiale
• Propriétés additives
– P(X<k) = P(0)+P(1)+…..+P(k-1)

– P(X≤k)= P(0)+P(1)+…..+P(k-1) + P(k)

– P(X>k) = 1 – P(X≤k)

– P(X≥k)= 1- P(X<k)

12/05/2025 Pr_BOUAITI_version pour révision 136

 Loi de Poisson
• La loi de Poisson est une loi de probabilité
discrète qui décrit le comportement du
nombre d'événements se produisant dans un
intervalle de temps fixé, si ces événements se
produisent avec une fréquence moyenne
connue.

12/05/2025 Pr_BOUAITI_version pour révision 137

 Loi de Poisson
• C’est la loi des événements rares.

• Événements : probabilité très faible.

• En pratique un événement est rare si

p<0,05.

12/05/2025 Pr_BOUAITI_version pour révision 138

 Loi de Poisson
• Situation
À partir d’une population où le nombre moyen λ d’événements attendus
pendant une période donnée est connue, on cherche à connaitre la
probabilité d’observer k individus ayant subi cet événement pendant une
période équivalente?
P(λ)
• Exemple :
– Population : dans un cabinet de médecine dentaire, le nombre
moyen des chutes de pansement (λ) est de 3 chutes par mois.
– Quelle est la probabilité de détecter 4 chutes de pansement dentaire
durant le mois suivant?

12/05/2025 Pr_BOUAITI_version pour révision 139

 Loi de Poisson
• Conditions d’application
– Variable qualitative.
– Les événement doivent être dénombrables
(nombre moyen).
– Les événements doivent être indépendants
– Les événements rares (p<5%)

12/05/2025 Pr_BOUAITI_version pour révision 140

 Loi de Poisson

• λ = nombre moyen d’événements observés dans la population

pendant une période donnée
• e= 2,718
• X = le nombre d’individus ayant subi l’événement observé
pendant la période donnée
• k= une valeur de cette variable X
• P(X=k) : la probabilité d’observer la valeur k

12/05/2025 Avantage: un seul paramètre (λ)

Pr_BOUAITI_version pour révision 141
 Loi de Poisson
• Propriétés additives
– P(X<k) = P(0)+P(1)+…..+P(k-1)

– P(X≤k)= P(0)+P(1)+…..+P(k-1) + P(k)

– P(X>k) = 1 – P(X≤k)

– P(X≥k)= 1- P(X<k)

12/05/2025 Pr_BOUAITI_version pour révision 142

 VI. Loi normale
• Loi de Gauss
• Très utilisé en statistique
• Variable quantitative continue

Âge des Fréquence battements cardiaques

étudiants
12/05/2025 Pr_BOUAITI_version pour révision 143
 VI. Loi normale
• Situation
À partir d’une population où la valeur moyenne d’un paramètre (variable
quantitative) est égale à µ et sa variance est égale à s2 , on cherche à
connaitre la probabilité d’observer une valeur x chez un sujet?
N(µ , s2)
• Exemple :
– Population : dans un cabinet de médecine dentaire, la durée
moyenne des soins est égale à 40 min et sa variance est égale à 1.
– Quelle est la probabilité d’avoir une durée des soins inférieure à 30
min?

12/05/2025 Pr_BOUAITI_version pour révision 144

 VI. Loi normale
Si X suit une loi normale de moyenne µ et une
variance s2 ,
on écrit alors X » N(µ , s2).

12/05/2025 Pr_BOUAITI_version pour révision 145

 VI. Loi normale
• Propriétés
– Forme : courbe en cloche
– Courbe de la densité
– Aspect : symétrique : Centrée
autour de la moyenne
– Surface sous la courbe =
probabilité totale = 1
– Maximum sur l’axe de
symétrie : La moyenne = La
médiane = Le mode.

12/05/2025 Pr_BOUAITI_version pour révision 146

 VI. Loi normale
Loi N(μ ; σ2) : influence de μ
• σ = 1 pour les 3 courbes
• Si on change de moyenne : L’allure de la courbe se
conserve mais la courbe change de position.

Il s’agit d’un
simple décalage

12/05/2025 Pr_BOUAITI_version pour révision 147

 VI. Loi normale
Loi N(μ ; σ2) : influence de σ
• μ = 0 pour les 3 courbes
• Si on change d’ecart type σ : La courbe conserve la
même position mais L’allure de la courbe change.
– La courbe s’aplatit si σ↗
– La courbe se resserre si σ↘

12/05/2025 Pr_BOUAITI_version pour révision 148

 VI. Loi normale
• Soit X une variable quantitative continue
– Pr (X ≤ x): ensemble des résultats de la variable X
dont la valeur est inférieur ou égal à x.
– Pr (X > x) = 1 – P(X ≤ x)
– !!!! Loi normale : Pr (X= x) = 0

12/05/2025 Pr_BOUAITI_version pour révision 149

 VI. Loi normale
• Pr (a < X < b) = Pr (X ≤ b) - Pr (X ≤ a)
• P(a < X <b) = P(X > a) – P(X > b)

Pr (a < X < b)

Pr (X > b)

Pr (X > a)

12/05/2025 Pr_BOUAITI_version pour révision 150

 VI. Loi normale

Loi normale : X Loi normale centrée

réduite : Z
N(,s2) N(0,1)
Loi normale: Loi normale centrée réduite:
Moyenne =  , écart type = s. Moyenne = 0, écart type = 1.
P(X>a) est inconnue P(Z>a) est connue

Principe : Transformation de X en Z
Nous pouvons déduire la valeur de P(X>a)
12/05/2025 Pr_BOUAITI_version pour révision 151
 Loi normale centrée réduite
• Principe
– Pour calculer les probabilités pour toute
distribution normale de moyenne µ et de variance
s2, on la standardise pour utiliser la table des
probabilités de la loi normale centrée réduite
(standardisée) de moyenne 0 et de variance 1.
– On va centrer et réduire pour obtenir la
probabilité.

12/05/2025 Pr_BOUAITI_version pour révision 152

 Conclusion
• Lois discrètes
• Loi binomiale
• Loi de Poisson
• Lois continues
• Loi normale
• Autres
• Loi du chi2
• Loi T de Student
•…
12/05/2025 Pr_BOUAITI_version pour révision 153
 Chapitre 4
Probabilités conditionnelles
 Probabilités conditionnelles
• Soit deux événements non exclusifs A et B
– On cherche la probabilité que l’un se réalise alors que
l’autre est déjà réalisé.
• On note P(A/B) : la probabilité de A si
B est réalisé.
– Quelle est la probabilité d’avoir « un abcès
dentaire » si j’observe une « douleur dentaire » ?
– Quelle est la probabilité d’avoir « une infection à
VIH » si le malade présente une « Parodontite
ulcéro-nécrosante »?
– Quelle est la probabilité d’avoir « un infarctus du
myocarde » si le « malade est diabétique » ?

Parodontite ulcéro-nécrotique liée au VIH (Service

des maladies infectieuses CHU IBN ROCHD)
12/05/2025 Pr_BOUAITI_version pour révision 155
 Probabilités conditionnelles
• Applications en santé

– Evaluation des signes et examens

complémentaires.

– Recherche de facteurs de risque.

12/05/2025 Pr_BOUAITI_version pour révision 156

 Probabilités conditionnelles
Le tableau de contingence
• Tableaux à 4 cases : très utilisés

Maladie + Maladie - Total Maladie + Maladie - Total

Test + A (VP) B (FP) T+=VP+FP Exposés A B E+=A+B

Test - C (FN) D (VN) T-=FN+VN Non

C D E-=C+D
exposés
M+ =
Total M-= FP+VN n M+ = A+C M- = B+D A+B+C+D
VP+FN

12/05/2025 Pr_BOUAITI_version pour révision 157

 Evaluation des examens
complémentaires
• Validité : C’est la capacité à identifier la
maladie ou à suivre un traitement
• 2 types d’examens
– Examen avec réponse Positif/Négatif
• Recherche de BK dans les crachats/tuberculose.
– Examen avec réponses quantitatives
• glycémie/diabète => Problème du seuil
• Examen de référence : gold standard

12/05/2025 Pr_BOUAITI_version pour révision 158

 Evaluation des examens
complémentaires
Maladie + Maladie - Total

Test + A (VP) B (FP) T+=A+B=VP+FP

Test - C (FN) D (VN) T-=C+D=FN+VN

M+ = A+C =
Total M-=B+D=FP+VN N=A+B+C+D
VP+FN

VP : Vrais positifs FP : Faux positifs

VN : Vrais négatifs FN : Faux négatifs
12/05/2025 Pr_BOUAITI_version pour révision 159
 Evaluation des examens
complémentaires
• Prévalence de la maladie
• Sensibilité
• Spécificité
• Indice de Youden
• La valeur prédictive positive (VPP)
• La valeur prédictive négative (VPN)

12/05/2025 Pr_BOUAITI_version pour révision 160

 Prévalence de la maladie
Maladie + Maladie - Total

Test + A (VP) B (FP) T+=A+B=VP+FP

Test - C (FN) D (VN) T-=C+D=FN+VN

M+ = A+C =
Total M-=B+D=FP+VN N=A+B+C+D
VP+FN

Fréquence de la maladie = Prévalence

P(M+) = (VP+FN)/N
12/05/2025 Pr_BOUAITI_version pour révision 161
 Prévalence de la maladie
• Prévalence de la maladie
– C’est la fréquence de la maladie dans la
population considérée (pourcentage de cas)
• Attention : La prévalence dépend notamment
de :
– La zone géographique
– De la sélection de la population
• Exercice libéral/hôpital
• Présélection par un dépistage
• …
12/05/2025 Pr_BOUAITI_version pour révision 162
 Sensibilité - Spécificité
Maladie + Maladie - Total

Test + A (VP) B (FP) T+=A+B=VP+FP

Test - C (FN) D (VN) T-=C+D=FN+VN

M+ = A+C = M-=B+D=
Total N=A+B+C+D
VP+FN FP+VN

Sensibilité = P(T+/M+) = VP/(VP+FN)

Spécificité = P(T-/M-)= VN/(VN+FP)
12/05/2025 Pr_BOUAITI_version pour révision 163
 Sensibilité - Spécificité
• Sensibilité : probabilités des tests positifs chez les
malades Sensibilité = P(T+/M+)
– C’est la capacité d’un test à détecter un maximum de
malades (c'est-à-dire à avoir le moins de faux négatifs).
• Spécificité : probabilités des tests négatifs chez les
non malades Spécificité = P(T-/M-)
– C’est la capacité d’un test à ne détecter que les malades
(avoir le moins de faux positifs).
• Test de référence : gold standard
– Déterminer si la personne était malade ou non.
Caractéristiques intrinsèques du test
Indépendantes de la prévalence de la maladie
12/05/2025 Pr_BOUAITI_version pour révision 164
 Sensibilité - Spécificité
Règle de Sackett
• Sensibilité : probabilités des tests positifs chez
les malades
– Si un test a une sensibilité élevée, un résultat
négatif élimine le diagnostic
• Spécificité : probabilités des tests négatifs
chez les non malades
– Si un test a une spécificité élevée, un résultat
positif confirme l’hypothèse diagnostic

Caractéristiques intrinsèques du test

Indépendantes de la prévalence de la maladie165
12/05/2025 Pr_BOUAITI_version pour révision
 Sensibilité – Spécificité
Le test idéal
Sensibilité = 1 et Spécificité = 1: rare
• Sensibilité = 1 :
– Le signe est toujours présent (constant) dans une
maladie.
– L’absence d’un tel signe permet d’éliminer le
diagnostic de la maladie.
Exemple : Fièvre dans la typhoïde

Sensibilité = P(T+/M+) = VP/(VP+FN)

12/05/2025 Pr_BOUAITI_version pour révision 166
 Sensibilité – Spécificité
Le test idéal
• Spécificité = 1
– Le signe est toujours absent parmi les sujets non
atteints de la maladie.
– Sa présence permet d’affirmer le diagnostic de la
maladie: il est dit pathognomonique.

Le signe de Köplik :
pathognomonique de la rougeole

Spécificité = P(T-/M-)= VN/(VN+FP)

12/05/2025 Pr_BOUAITI_version pour révision 167
 Indice de Youden
• Indice de Youden

Y = Se + Sp – 1

– valeur diagnostique d'un test est d'autant plus

grande que l'indice de Youden est plus proche de
1

Y = 0,78 + 0,88- 1 = 0,66

12/05/2025 Pr_BOUAITI_version pour révision 168
 Sensibilité – Spécificité
• On utilise un test sensible quand :
– Le but de la démarche diagnostique est d'exclure la
maladie;
– Un résultat « faux négatif » n'entraîne pas de conséquence
grave.
• On utilise un test spécifique quand :
– Le but de la démarche diagnostique est d’affirmer ou de
confirmer le diagnostic;
– Un résultat « faux positif » entraîne des problèmes graves
et/ou n’est pas acceptable.

12/05/2025 Pr_BOUAITI_version pour révision 169

 Choix entre sensibilité et
spécificité
• Un test sensible est plus utile aux cliniciens
quand le test est négatif (ne pas rater le
diagnostique).
• Un test spécifique est plus utile quand le
résultat est positif (ex: décision d’intervention
chirurgicale…)
• Donc en pratique, on va choisir d’abord un
test sensible puis faire subir aux patients
positifs un test spécifique
12/05/2025 Pr_BOUAITI_version pour révision 170
 La valeur prédictive positive
La valeur prédictive négative
Maladie + Maladie - Total

Test + A (VP) B (FP) T+=A+B=VP+FP

Test - C (FN) D (VN) T-=C+D=FN+VN

M+ = A+C =
Total M-=B+D=FP+VN N=A+B+C+D
VP+FN

VPP = P(M+/T+) = VP/(VP+FP)

VPN = P(M-/T-) = VN/(VN+FN)
12/05/2025 Pr_BOUAITI_version pour révision 171
 La valeur prédictive positive
La valeur prédictive négative
• La valeur prédictive positive (VPP) :
probabilité d’avoir la maladie si le test est
positif VPP = P(M+/T+)

• La valeur prédictive négative (VPN) :

probabilité de ne pas avoir la maladie si le test
est négatif VPN = P(M-/T-)

12/05/2025 Éléments de la décision médicale

Pr_BOUAITI_version pour révision 172
 La valeur prédictive positive
La valeur prédictive négative
• Les valeurs prédictives dépendent de :
– La sensibilité du test
– La spécificité du test
– La prévalence la maladie

Pour une sensibilité donnée, VPP et VPN varient en fonction de la

prévalence.

Le même test (même sensibilité et spécificité) aura des VPP et VPN très
12/05/2025 différentes en fonction de la prévalence
Pr_BOUAITI_version pour révision de la maladie. 173
 La valeur prédictive positive
La valeur prédictive négative
• Risque que le résultat du test ne reflète pas la
réalité :
– Affirmer une maladie à la vue d’un résultat positif
du test : VPP
• => Risque de se tromper 1-VPP
– Rejeter une maladie à la vue d’un résultat négatif
du test : VPN
• => Risque de se tromper 1-VPN

12/05/2025 Pr_BOUAITI_version pour révision 174

 Evaluation des examens
complémentaires
• Dépistage :
– S’adresse à des sujets ne se plaignant de rien à
priori sains.
– Prendre un test à sensibilité élevée :
• Peu de FN, VPN très grande.
• Une valeur prédictive négative faible fait rassurer à tort
des personnes malades
– Exemple (Cancer du colon) un hemoccult négatif malgré la
présence d'un cancer qui ne saigne que de façon
intermittente.

12/05/2025 Pr_BOUAITI_version pour révision 175

 Evaluation des examens
complémentaires
• Confirmation d’une maladie suspectée :
– Prendre un test avec une spécificité élevée
• Peu de FP, VPP très grande.
• Une valeur prédictive positive faible fait pratiquer, pour
essayer d'affirmer le diagnostic, beaucoup d'examens
pénibles et coûteux inutiles à des gens bien portants
– Exemple :une biopsie de prostate pour un taux
élevé de PSA.

12/05/2025 Pr_BOUAITI_version pour révision 176

 Evaluation des examens
complémentaires
• Si Résultat = variable quantitative
• Glycémie / diabète

La sensibilité et la spécificité vont dépendre du seuil :

test positif / négatif

La courbe de ROC
Receiver Operating Characteristic
12/05/2025 Pr_BOUAITI_version pour révision 177
 La courbe de ROC
Spécificité et sensibilité en fonction de la valeur
seuil

Sensibilité = P(T+/M+) = VP/(VP+FN)

Spécificité = P(T-/M-)= VN/(VN+FP)
12/05/2025 Pr_BOUAITI_version pour révision 178
 La courbe de ROC
Construction
• A chaque valeur de la limite L du
critère quantitatif
– On a une valeur de la sensibilité et de la
spécificité.
– On obtient ainsi 1 point de la courbe.
• En faisant varier la limite L
– On obtient d’autres points.
• La courbe joignant les points
– La courbe de ROC : sensibilité en
fonction de (1- spécificité)

12/05/2025 Pr_BOUAITI_version pour révision 179

 La courbe de ROC
Interprétation
• Interprétation de la courbe ROC :
– Evaluer la performance globale du test.

– Définir la valeur-seuil du test (la valeur seuil

optimal)

– Réaliser la comparaison de plusieurs tests

quantitatifs

12/05/2025 Pr_BOUAITI_version pour révision 180

 La courbe de ROC
Interprétation
• Interprétation de la
courbe ROC :
– Evaluer la performance
globale du test.
– L’aire sous la courbe ROC (ASC /
AUC)
• AUC : est une mesure globale de la
performance du test parmi les plus
utilisées.

12/05/2025 Pr_BOUAITI_version pour révision 181

 La courbe ROC
Interprétation
• L’aire sous la courbe ROC (ASC) (Area Under Curve / AUC)
– La performance d’un test : La capacité à discriminer les individus malades des individus
sains .
– AUC : est une mesure globale de la performance du test parmi les plus utilisées.
– Aire sous la courbe ROC : Plus l’AUC est grand, meilleur est le test.
– Elle varie entre
• 0,5 dans le cas d’un test non informatif
• à 1 dans le cas d’une performance parfaite.

Test non informatif : AUC=0,5

test idéal : AUC=1
Une ASC de 0,50 signifie que le test est
le test permet de distinguer dans 100% des cas
mauvais et qu’il ne fait pas mieux que la
la personne malade de celle qui ne l'est pas.
chance pour classer les individus.
12/05/2025 Pr_BOUAITI_version pour révision 182
 La courbe de ROC
Interprétation
• Définir la valeur-seuil du test : la valeur seuil
optimal
– La valeur seuil « optimale » : la valeur qui
permette de bien discriminer les individus
malades des individus sains.
– Valeur seuil « optimale » : meilleur sensibilité
pour une meilleur spécificité.
– Deux méthodes d’identification du seuil optimal
• L’indice de Youden;
• Méthodes graphiques
12/05/2025 Pr_BOUAITI_version pour révision 183
 La courbe ROC
Comparaison de plusieurs tests quantitatifs

Lorsque plusieurs tests sont étudiés

simultanément, la courbe ROC permet la
détermination et la comparaison des
performances diagnostiques de plusieurs tests à
l'aide de l'évaluation des aires sous la courbe.

12/05/2025 Pr_BOUAITI_version pour révision 184

 La courbe ROC
Comparaison de plusieurs tests quantitatifs

• Aire sous la courbe :

• Entre 0,5 : examen au
hasard
• 1 : examen parfait

• ASC pour le test C = 0,930 est

meilleur que pour le test A =
0,618 alors que pour le test B,
l’AUC est de 0,5 (test sans
intérêt).

12/05/2025 Pr_BOUAITI_version pour révision 185

 Chapitre 5
Principes des tests statistiques
« tests d’hypothèse »
 Plan
I. Introduction
II. Rappel
III. Principe des tests
IV. Utilité des tests statistiques
V. La démarche dans les tests statistiques
VI. Risques d’erreur en statistique
VII. Conditions d’application des tests

12/05/2025 Pr_BOUAITI_version pour révision 187

 I. Introduction
• Plan d’analyse statistique :
– Étape 1 : Statistique descriptive : décrire
Indispensable +++
• Objectifs : Réduire les données à un nombre limité de
paramètres (fréquence, moyenne, …)
– Étape 2 : Statistique inférentielle : généraliser
• Plus ambitieuse dans la mesure
• Objectifs : déduire des résultats obtenus sur un
échantillon.
• Moyen : Statistique univariée : les tests statistiques
12/05/2025 Pr_BOUAITI_version pour révision 188
 III. Principe des tests statistiques
• On souhaite comparer la fréquence de la maladie parodontale chez
les malades diabétiques et les malades non diabétiques?
Malades diabétiques
Fréquence de la maladie
parodontale : inconnue

200 Malades
diabétiques : 60%

Différence est elle vraie?

oui / non
(fluctuation
Malades non diabétiques d échantillonnage)

300 Malades non

diabétiques : 10%

Observation :
12/05/2025Réalité : inconnue estimation
Pr_BOUAITI_version pour révision 189
 III. Principe des tests statistiques
• Quand on ignore la réalité, la différence
observée est-elle ?
– Une manifestation des fluctuations aléatoires,
donc due uniquement au hasard;
– La traduction d’une réelle différence entre les
deux groupes
• Comment départager ces 2 possibilités ?
– Solution : test statistique .

12/05/2025 Pr_BOUAITI_version pour révision 190

 III. Principe des tests statistiques
• 3 grands types de comparaison (questions)
1. Comparer un échantillon observé à une population de référence
•Exemple : La mortalité des personnes travaillant de nuit est-elle différente de
la mortalité de la population globale?
2. Comparer deux ou plusieurs échantillons indépendants entre eux
•Exemple La durée moyenne d’hospitalisation est-elle différente entre les
malades hospitalisé en médecine et les malades hospitalisés en chirurgie?
3. Comparer deux ou plusieurs échantillons appariés entre eux
•Exemple : Le poids moyen de sujets obèses est-il différent avant et après la
prise en charge nutritionnelle?

Objectif du test statistique: Comparer des populations

12/05/2025 Pr_BOUAITI_version pour révision 191
 IV. Utilité des tests statistiques
• Biostatistique : réponses aux questions
« santé » Statistique descriptive
• Les questions descriptives: décrire une situation, un concept ou une
pathologie…
• Les questions comparatives : explorer les différences entre deux ou
plusieurs groupes.
• Les questions évaluatives/normatives : juger l’efficacité d’une
intervention en santé.
• Les questions explicatives : déterminer la cause d’un problème.
• Les questions prédictives : prédire l’avènement futur d’un événement.
• Les questions de résolution de problème : identifier de nouvelles
solutions à des problèmes existants
Statistique inférentielle

Groupe d'individus
12/05/2025 Pr_BOUAITI_version pour révision 192
 IV. Utilité des tests statistiques
• Évaluation de l’efficacité des traitements
• Identification des facteurs de risque
• Tirer des conclusions à partir des données que
vous aurez analysées.
• Lire et interpréter les études
• Critiquer les données cliniques : médicaments
• Accessoirement : Rédaction mémoire / thèse
Comparaison +++
12/05/2025 Pr_BOUAITI_version pour révision 193
 V. La démarche dans les tests
statistiques
• Etape 1 : Formuler les hypothèses H0 et H1
• Etape 2 : Déduire ce que devraient être les observations si
l’hypothèse nulle (H0) est vraie.
La différence est due aux fluctuations d’échantillonnage
• Etape 3: Calculer la probabilité que la différence est due au
hasard (fluctuation d’échantillonnage) : calcul du test
statistique.
• Etape 4 : Interprétation et conclusion
Non rejet de H0 (Accepter H0) / Rejet de H0 (Accepter H1)

Une démarche hypothético-déductive

12/05/2025 Pr_BOUAITI_version pour révision 194
 Etape 1 : Formuler les hypothèses
• Hypothèse H0 :
– Hypothèse nulle
– C’est toujours l’hypothèse que l’on cherche à
invalider (rejeter)
– H0 :
• Absence de différence entre les deux populations
• Les paramètres des populations d’où sont issus les 2
échantillons sont identiques.

Attention !!! Les hypothèses sont toujours posées à partir des populations et
non des échantillons
12/05/2025 Pr_BOUAITI_version pour révision 195
 Etape 1 : Formuler les hypothèses
• Hypothèse H0 : Absence de différence
– La différence n’est pas réelle mais une
manifestation des fluctuations aléatoires,
donc due uniquement au hasard :
– H0 : exemples
• L’efficacité du médicament A n’est pas différente de
l’efficacité du médicament B.
• Le taux du cholestérol chez les diabétiques n’est pas
diffèrent du taux du cholestérol chez les non
diabétiques.
Attention !!! Les hypothèses sont toujours posées à partir des populations et
non des échantillons
12/05/2025 Pr_BOUAITI_version pour révision 196
 Etape 1 : Formuler les hypothèses
• Hypothèse H1 :
– Hypothèse alternative
– C’est toujours ce que l’on cherche à montrer
– Sera retenue si H0 est rejetée
– H1 bilatérale : Les paramètres sont différents
– H1 unilatérale : Un des paramètres est inférieur
(ou supérieur) à l’autre.

Attention !!! Les hypothèses sont toujours posées à partir des populations et
non des échantillons
12/05/2025 Pr_BOUAITI_version pour révision 197
 Etape 1 : Formuler les hypothèses
• Hypothèse H1 : Présence de différence
– La différence est réelle entre les deux groupes
– H1 : exemples
• L’efficacité du médicament A est diffèrent de l’efficacité
du médicament B.

• Le taux du cholestérol chez les diabétiques est diffèrent

du taux du cholestérol chez les non diabétiques.

Attention !!! Les hypothèses sont toujours posées à partir des populations et
non des échantillons
12/05/2025 Pr_BOUAITI_version pour révision 198
 Etape 3: Calculer la probabilité que la différence est
due au hasard (fluctuation d’échantillonnage)
(calcul de la statistique de test)
• Test statistique : Calcul de la probabilité p
– p : probabilité que "la différence observée soit
due uniquement au hasard"
– p : représente le risque de faire une conclusion
erronée si l'on décidait de conclure
– On ne conclut que si ce risque d'erreur est
suffisamment petit.

12/05/2025 Pr_BOUAITI_version pour révision 199

 Etape 4 : Interprétation et
conclusion
p≤0,05
•Il est peu probable que la
différence observée soit due
au hasard
Différence Test
observée statistique •On rejette H0 au risque α de
le faire à tort.

•Conclusion : il existe une

différence statistiquement
significative entre les
paramètres étudiés
(populations cibles).
12/05/2025 Pr_BOUAITI_version pour révision 200
 Etape 4 : Interprétation et
conclusion
p>0,05
• La probabilité que la
différence observée soit
due au hasard est forte
Différence Test
observée statistique • On ne rejette pas H0 au
risque β de le faire à tort.

• Conclusion : On n’a pas

mis en évidence de
différence statistiquement
significative entre les
paramètres étudiés
12/05/2025 Pr_BOUAITI_version pour(populations
révision cibles). 201
 Etape 4 : Interprétation et
conclusion
Absence de
différence
p>0,05
Résultat
non significatif
?
Manque de
puissance

• Manque de puissance : effectif des sujets

insuffisant (nombre de sujets nécessaire NSN).
• p>0,05 : Impossible de conclure

12/05/2025 Pr_BOUAITI_version pour révision 202

 Etape 4 : Interprétation et
conclusion
• Rejet de H0: Acceptation de H1
– On a mis en évidence une différence
statistiquement significative entre les paramètres
étudiés.
– On conclut que les populations sont différentes
vis-à-vis des paramètres étudiés.

12/05/2025
Classiquement : α =0.05
Pr_BOUAITI_version pour révision 203
 Etape 4 : Interprétation et
conclusion
• Non rejet de H0 (accepter H0)
– On n’a pas mis en évidence de différence
statistiquement significative entre les paramètres
étudiés.
– Attention! : On ne peut pas conclure que les
paramètres sont identiques (populations)

12/05/2025
Classiquement : α =0.05
Pr_BOUAITI_version pour révision 204
 VI. Risques d'erreur statistiques
• La démarche dans les tests statistiques
– Etape 1 : Formuler les hypothèses H0 et H1
– Etape 2 : Déduire ce que devraient être les observations si l’hypothèse
nulle (H0) est vraie.
La différence est due aux fluctuations d’échantillonnage
– Etape 3: Calculer la probabilité que la différence est due au hasard
(fluctuation d’échantillonnage) : calcul du test statistique.
– Etape 4 : Interprétation et conclusion
Non rejet de H0 (Accepter H0) / Rejet de H0 (Accepter H1)

Risque de se tromper?
= risques d’erreur

12/05/2025 Une démarche hypothético-déductive

Pr_BOUAITI_version pour révision 205
 VI. Risques d'erreur statistiques
• Le risque de 1ère espèce : risque α
– C’est la probabilité de rejeter H0, si H0 est vraie
– C’est le risque de se tromper en rejetant H0
– Conclure à l'existence d'une différence qui n'existe pas en
réalité : faux positif

P(rejeter H0, si H0 est vraie) = α

12/05/2025 Pr_BOUAITI_version pour révision 206

 VI. Risques d'erreur statistiques
• Le risque de 2ème espèce : risque β
– C’est la probabilité d’accepter H0 alors que H0 est fausse
(ou H1 est vraie)
– Egale à la probabilité de ne pas rejeter H0, si H1 est vraie
– Ne pas conclure à une différence qui existe pourtant en
réalité : faux négatif
– Méconnu : on ignore le risque de ne pas rejeter à tort H0
P(non rejet de H0 si H1 est vraie) = β

12/05/2025 Pr_BOUAITI_version pour révision 207

 VI. Risques d'erreur statistiques
Risque α Degré de signification
Seuil de signification (P-value)

• Est fixé a priori • Est déterminer a

posteriori
• Est fixé à 5% en santé et • Nécessite le calcul du
biologie test statistique
• p est une quantification
du risque alpha

12/05/2025 Pr_BOUAITI_version pour révision 208

 VII. Condition d’application des tests
Choix du test statistique
1. Nombre d’échantillons : 2 ou plus (au moins
2)

2. Indépendance des observations

3. Les lois de distribution théorique

4. Nature des variables

12/05/2025 Pr_BOUAITI_version pour révision 209
 Indépendance des observations
• Echantillons indépendants :
– Quand les 2 (ou plus) paramètres comparés sont mesurés sur des
individus différents
• Ex : Comparaison des poids moyens de 2 groupes

• Echantillons dépendants (ou séries appariées) :

– Quand les différents échantillons proviennent de mesures effectuées
chez les mêmes individus
• Ex : Comparaison du poids moyen d’1 groupe d’individus, avant et après
régime

12/05/2025 Pr_BOUAITI_version pour révision 210

 Les lois de distribution théorique
• Les tests paramétriques
– Un test paramétrique s’applique aux analyses qui mettent
en jeu des variables dont l’évolution est susceptible de
suivre une loi statistique dont les paramètres sont
«connus» ou du moins «estimables».
– En général, ces tests ne peuvent s’appliquer qu’aux
variables numériques :
• Effectif dans chaque groupe suffisant (n>30).
• Distribution gaussienne des variables.
– Ils sont plus puissants que les tests non paramétriques.

Taille des échantillons : grands (n ≥ 30) ou petits (n < 30)

12/05/2025 Pr_BOUAITI_version pour révision 211
 Les lois de distribution théorique
• Les tests non paramétriques
– Un test non paramétrique est un test dont le modèle ne
précise pas les conditions que doivent remplir les
paramètres de la population dont a été extrait
l’échantillon.
– Ils peuvent s’appliquer à des petits échantillons (n<30).
– Ils s’appliquent à la fois aux variables numériques et
qualitatives.
– Ils sont théoriquement moins puissants que les tests
paramétriques.

Taille des échantillons : grands (n ≥ 30) ou petits (n < 30)

12/05/2025 Pr_BOUAITI_version pour révision 212
 Nature des variables
• Variables qualitatives : tests de comparaison
de pourcentage (proportion)

• Deux variables quantitatives : tests de

comparaison de moyennes.

12/05/2025 Pr_BOUAITI_version pour révision 213

 Tests de comparaison
d’échantillons
• Le cas d’un échantillon isolé :
– Comparaison d'une proportion observée avec une
proportion théorique : Test pour une proportion
(khi²).
– Comparaison d'une moyenne observée avec une
tendance théorique :
• Les tests paramétriques : Test t pour un échantillon
• Les tests non paramétriques :Test de rang signé de
Wilcoxon.

12/05/2025 Pr_BOUAITI_version pour révision 214

 Tests de comparaison
d’échantillons
• Le cas de deux échantillons indépendants :
– Pour comparer deux proportions : Le test du Khi2 «Khi-deux » ou test exact de
Fisher.
– Pour comparer deux moyennes :
• Les tests paramétriques : Le test Z / Le test «t» de Student (suppose la normalité des
distributions et l'égalité des variances).
• Les tests non paramétriques : Le test de Mann-Whitney.
• Le cas de plusieurs échantillons indépendants :
– Pour comparer les variables qualitatives : Le test du Khi2 «Khi-deux » ou test exact
de Fisher.
– Pour comparer les moyennes :
• Les tests paramétriques : Le test ANOVA (Analyse Of Variance).
• Les tests non paramétriques : Le test Kruskal-Wallis.

12/05/2025 Pr_BOUAITI_version pour révision 215

 Tests de comparaison
d’échantillons
• Le cas de deux échantillons appariés (moyennes) :
– Test paramétrique : test «t» de Student pour données
appariées.
– Test non paramétrique : Le test de Wilcoxon.
• Le cas de plus de deux échantillons appariés
(moyennes) :
– Plusieurs séries de mesures sur les mêmes individus
(avant-après) :
• Test paramétrique : ANOVA à mesures répétées.
• Test non paramétrique : Le test de Friedman.

12/05/2025 Pr_BOUAITI_version pour révision 216

 Conclusion
• Les tests permettent seulement de conclure à
l'existence d'une différence

• En cas de différence non significative

• Impossible de conclure
• Et ne permet surtout pas de conclure à l'absence de
différence vu que le risque d'erreur est inconnu
• "L'absence de preuve n'est pas la preuve de l'absence"

12/05/2025 Pr_BOUAITI_version pour révision 217

 Chapitre 6:
Introduction à l’épidémiologie
Pr E. BOUAÏTI
UPR de médecine Sociale et Santé
publique
 Plan
I. Introduction
II. Historique
III. Définitions
IV. Champs d’application de l’épidémiologie
V. Les branches de l’épidémiologie
VI. Classification des phénomènes de masse
[Link] démarche en épidémiologie

12/05/2025 Pr_BOUAITI_version pour révision 219

 I. Introduction
Quelle est la place de l'épidémiologie en santé
publique ?
• L'épidémiologie vise à quantifier l'état de
santé des populations, permettant ainsi :
– L'identification des problèmes de santé,
– La priorisation des problèmes de santé,
– La planification d'actions pour résoudre ces
problèmes,
– L'évaluation des actions mises en place.

12/05/2025 Pr_BOUAITI_version pour révision 220

 II. Historique
• Hippocrate ( 460 ans avant JC):
– Rôle de l’environnement dans les
phénomènes morbides
• John Graunt (1862):
– Dénombre les décès d’enfants et
leurs causes par semaine à Londres
– 1ère table de mortalité
• James Lind XVIII siècle:
– Essai thérapeutique ( agrumes et
scorbut).
– La démarche épidémiologique

12/05/2025 Pr_BOUAITI_version pour révision 221

 II. Historique
• William Farr 1807-1883 Grande Bretagne :
– Importance des analyses longitudinales (≪ cohortes ≫)
– Évaluer les risques (notion de risque).
– Collecte systématique des données de morbidité : fondateur de la
surveillance épidémiologique (1839).
• Semmelweis Ignas Phillipe 1847:
– Causes et explication des fièvres puerpérales
– Fait tomber la mortalité de 20% à 0,23% en demandant au personnel
de se désinfecter les mains avant les accouchements
• Jhon Snow: 1854
– Met en évidence l’agent incriminé dans le choléra.

12/05/2025 Pr_BOUAITI_version pour révision 222

 II. Historique
• Avant 1940 :

– L’épidémiologie s’est consacrée quasi

essentiellement aux maladies infectieuses
(épidémies et endémies; scorbut, choléra…)

– Objectif : la description

12/05/2025 Pr_BOUAITI_version pour révision 223

 II. Historique
• À partir de 1940 :
Naissance de l’épidémiologie moderne
– Epidémiologie dépasse le cadre des maladies
infectieuses
Maladies non transmissibles, comportements…
La recherche étiologique et l’évaluation des mesures
de santé
– Utilisation de méthode modernes de
l’épidémiologie
– Appui scientifique des biostatistiques
S’intéresse à tout ce qui est en relation avec la
12/05/2025 santéPr_BOUAITI_version
d’une population pour révision 224
 II. Historique
• Le futur de l’épidémiologie
– Jusque-là très axée sur maladies et les
comportements (ex: tabac, alcool, nutrition),
– L’épidémiologie s’ouvre à la génétique, à
l’environnement, au « BIG DATA» et à l’intelligence
artificielle….
– Nouvelles technologies biomédicales : explosion
des capacités de gestion et traitement de
l’observation.

12/05/2025 Pr_BOUAITI_version pour révision 225

 Plan
I. Introduction
II. Historique
III. Définitions
IV. Champs d’application de l’épidémiologie
V. Les branches de l’épidémiologie
VI. Classification des phénomènes de masse
[Link] démarche en épidémiologie

12/05/2025 Pr_BOUAITI_version pour révision 226

 III. Définitions
Épidémiologie
• Du mot grec
Epi – demos – logos

Sur – le peuple – l’étude de

• Anciennement : « sciences des épidémies »

12/05/2025 Pr_BOUAITI_version pour révision 227

 III. Définitions
Épidémiologie
« Étude de la distribution et des déterminants
des états de santé ou évènements de santé
dans une population définie et l’application des
résultats de cette étude pour le contrôle des
problèmes de santé. »
« Mac Mahon 1988 »

12/05/2025 Pr_BOUAITI_version pour révision 228

 III. Définitions
Les populations humaines
• L’épidémiologie s’intéresse au groupe et non à
l’individu.
• C’est une grande différence par rapport à la
médecine clinique.
• Ces populations sont définies d’après un
critère géographique, temporel,
sociodémographiques, …

12/05/2025 Pr_BOUAITI_version pour révision 229

 III. Définitions
Les populations humaines
• L’épidémiologie s’intéresse au groupe et non à
l’individu.
• Les groupes humains peuvent être :
– Des populations « naturelles »: définies par leurs
caractéristiques (âge, sexe, lieu …);
– Des groupes constitués spécifiquement pour les besoins
de la recherche (exemple : les employés dans une industrie
et exposés a un toxique entre telle et telle année) ;
– Des groupes « théoriques » (exemple, pour les besoins de
la modélisation d’une épidémie).

12/05/2025 Pr_BOUAITI_version pour révision 230

 III. Définitions
La distribution
• L'épidémiologie traite de la fréquence et des
caractéristiques (répartition) des événements
de santé au sein d'une population donnée.

• Répartition: variation des événements en

rapport avec la santé, dans le temps, dans
l’espace et selon les caractéristiques des
personnes touchées.
12/05/2025 Pr_BOUAITI_version pour révision 231
 III. Définitions
La distribution
• Fréquence et répartition des événements de santé

• Fréquence:
• Nombre des événements dans une population.
• Taux ou risque de maladie dans une population.

• Répartition: variation des événements selon les

caractéristiques des personnes touchées.

12/05/2025 Pr_BOUAITI_version pour révision 232

 III. Définitions
La distribution
• Les caractéristiques
• Les caractéristiques temporelles (T) comprennent la
survenue annuelle, saisonnière ou quotidienne des
événements, voire même leur survenue horaire au cours
d'une épidémie.
• Les caractéristiques de lieu (L) comprennent les variations
géographiques, et l'emplacement des lieux de travail ou des
écoles.
• Les caractéristiques de personne (P) comprennent les
facteurs démographiques tels que l'âge, le sexe, la situation
de famille et le niveau socio-économique, mais également
les comportements et les expositions environnementales.

12/05/2025 Pr_BOUAITI_version pour révision 233

 III. Définitions

12/05/2025 Pr_BOUAITI_version pour révision 234

 Plan
I. Introduction
II. Historique
III. Définitions
IV. Champs d’application de l’épidémiologie
V. Les branches de l’épidémiologie
VI. Classification des phénomènes de masse
[Link] démarche en épidémiologie

12/05/2025 Pr_BOUAITI_version pour révision 235

 IV. Champs d’application de
l’épidémiologie
1. Tout ce qui à trait à la santé de la population
– Morbidité
– Décès
– Maladie aigue: épidémie
– Maladies chroniques: cancers, maladies
cardiovasculaires…
– Conséquences des maladies
– Incapacités, handicaps
– Éléments de bonne de santé : qualité de vie…

12/05/2025 Pr_BOUAITI_version pour révision 236

 IV. Champs d’application de
l’épidémiologie
2. Environnement et rôle dans la survenue des
maladies
– Facteurs socio professionnels
– Exposition au facteurs chimiques physiques
– Nutrition
3. Facteurs Comportementaux
– Alcool, tabac, IST
4. Épidémiologie génétique
5. Recherche clinique
12/05/2025 Pr_BOUAITI_version pour révision 237
 Plan
I. Introduction
II. Historique
III. Définitions
IV. Champs d’application de l’épidémiologie
V. Les branches de l’épidémiologie
VI. Classification des phénomènes de masse
[Link] démarche en épidémiologie

12/05/2025 Pr_BOUAITI_version pour révision 238

 V. Les branches de l’épidémiologie

1. Quelle est l’importance d’un problème de

santé dans une population donnée ?
Épidémiologie descriptive
2. Quelle est la cause d’une maladie (et plus
généralement d’un événement) ou quels sont
ses facteurs de risque ?
Épidémiologie analytique
3. Quelle est l’action de santé la plus efficace pour
traiter ou prévenir un problème de santé ?
Épidémiologie évaluative
12/05/2025 Pr_BOUAITI_version pour révision 239
 V. Les branches de l’épidémiologie

• Quelle est l’importance d’un problème

de santé dans une population
donnée ?

• Évaluation de l’état sanitaire ou Mesure

d’un problème de santé.

L’épidémiologie descriptive

12/05/2025 Pr_BOUAITI_version pour révision 240

 L’épidémiologie descriptive
Définition
• C’est l’étude de la distribution de la maladie dans les
populations selon les caractéristiques de :
– Personne :
• âge
• sexe
• état civil
• profession
– Lieu : résidence, région, pays, lieu de travail,…
– Temps : saison, années, mois, etc.. (temps d'observation)
• Il s'agit donc d'apporter des réponses pour les questions
suivantes :
– Chez qui ? <=> personnes
– Où ? <=> lieu
– Quand ? <=> temps

12/05/2025 Pr_BOUAITI_version pour révision 241

 Epidémiologie descriptive
Objectifs
• Décrire la fréquence et la répartition des
maladies et des indicateurs de santé dans la
population

• Étudier les variabilités de cette fréquence en

fonction :
– Des caractéristiques de personnes( âge, sexe,
profession…)
– De leur répartition géographique ( pays, régions,
communes….)
– De leur évolution dans le temps

12/05/2025 Pr_BOUAITI_version pour révision 242

 Épidémiologie descriptive
Objectifs
• Identifier les problèmes de santé dans une
population et leur ampleur
– Exemple: incidence des cancers, taux de décès

• Déterminer la nature et la quantité de

ressources nécessaires pour résoudre ces
problèmes

12/05/2025 Pr_BOUAITI_version pour révision 243

 Épidémiologie descriptive
sources d’information
• Surveillance Epidémiologique

• Statistiques sanitaires
– Statistiques de mortalité,
– Registres des cancers
– …
• La recherche clinique (études / enquêtes)

12/05/2025 Pr_BOUAITI_version pour révision 244

 Épidémiologie descriptive
Exemple : expérience de SNOW
• John Snow, médecin anglais
• Etude de la mortalité par choléra dans la ville de
Londres entre 1849 et 1854
• 1849 :
– Mortalité élevée par Choléra
– Des zones étaient desservies en eau potable par 2
compagnies :
• Southwalk (S)
• Lambeth (L)
– Les 2 compagnies S et L puisaient l'eau dans la portion
basse de la TAMISE, en aval des égouts, donc ...
contamination

12/05/2025 Pr_BOUAITI_version pour révision 245

 Épidémiologie descriptive
Exemple : expérience de SNOW
• Snow a commencé par
formuler une
hypothèse :
« Il existe une relation
entre la mortalité par
choléra et les sources
d'eau utilisées » ?

12/05/2025 Pr_BOUAITI_version pour révision 246

 Les différentes branches de
l’épidémiologie 2
• Quelle est la cause d’une maladie (et
plus généralement d’un événement) ou
quels sont ses facteurs de risque ?

• Identification des déterminants à l’origine de

l’état sanitaire ou des facteurs de risque d’un
problème de santé

L’épidémiologie analytique
12/05/2025 Pr_BOUAITI_version pour révision 247
 Épidémiologie analytique
• Identifier les facteurs de risque des maladies et
de quantifier leur importance.

• Rechercher les déterminants c.à.d origines ou

étiologies des phénomènes de santé.

• Exemple: pollution et asthme, activité physique et

prévention diabète, ostéoporose ( rôle protecteur)

12/05/2025 Pr_BOUAITI_version pour révision 248

 Épidémiologie analytique
Exemple : Cohorte de Framingham
(1948)
• Méthodologie :
– 5209 individus âgés de 30 à 62 ans vivant à
Framingham
– Facteurs de risque cardio-vasculaires
• Résultats:
– 1960: Tabac
– 1961: Cholestérol et hypertension artérielle
– 1967: Effet bénéfique de l’activité physique
– 1970: Hypertension artérielle et AVC

12/05/2025 Pr_BOUAITI_version pour révision 249

 Épidémiologie analytique
Exemple : étude de Doll et Hill
• Les 2 premières études réalisées par Doll et
Hill en Angleterre :
– Comment expliquer «l’épidémie» de cancers
broncho-pulmonaires chez les hommes d'âge
moyen ?
• Depuis 1930 (recueil systématique des cas dans les
hôpitaux de Londres…)
• Augmentation progressive mais persistante des cancers
broncho pulmonaires

12/05/2025 Pr_BOUAITI_version pour révision 250

 1948: Etude de Doll et Hill
tabac - cancer du poumon

Taux de mortalité par cancer du poumon (pour 1000 personnes) en fonction du

nombre de cigarettes fumées, médecins britanniques de sexe masculin, 1951-1961
12/05/2025
Doll Pr_BOUAITI_version
R, Hill A. Mortality in relation to smoking: pour révision
ten years’ observations on British doctors. BMJ 1964;1:1399- 251
410.
 1948: Etude de Doll et Hill
tabac - cancer du poumon

Taux de survie à partir de l'âge de 35 ans des non-fumeurs, fumeurs de cigarettes et ex-
fumeurs ayant arrêté entre 25 et 34 ans.

Doll R, Peto R, Boreham J, Sutherland I., « Mortality in relation to smoking: 50 years' observation on male British doctors », BMJ, vol.
328,12/05/2025
no 7455, 2004, p. 1519. Pr_BOUAITI_version pour révision 252
 Épidémiologie analytique
Exemple : étude de Doll et Hill
• 1948-52: > 20 hôpitaux de Londres.
• Cas: cancers du poumon.
• Témoins: patients hospitalisés au même
endroit
• Exposition: tabac
• Analyse sur 1465 cas:
– OR de l’association tabac – cancer du poumon = 9

12/05/2025 Pr_BOUAITI_version pour révision 253

 Les différentes branches de
l’épidémiologie 3
• Quelle est l’action de santé la plus
efficace pour traiter ou prévenir un
problème de santé ?

• Proposition et élaboration de programmes

ou de stratégies destinés à améliorer l’état
sanitaire ou lutter contre un problème de
santé.
L’épidémiologie évaluative
12/05/2025 Pr_BOUAITI_version pour révision 254
 Épidémiologie évaluative ou
d’intervention
• L’épidémiologie évaluative / interventionnelle
– Elle s'intéresse à la mesure de l'efficacité des
actions de santé menées dans la population.
– Elle concerne les techniques, les procédures ou
les programmes de santé destinés à prévenir
et/ou traiter les maladies ou leurs complications.
– Exemple : évaluation d'un test de dépistage du cancer du
col utérin.
• Évaluer les cas évités,
• Mesurer les malades guéris à la suite du dépistage.

12/05/2025 Pr_BOUAITI_version pour révision 255

 Épidémiologie évaluative ou
d’intervention
• Différents types :
– Évaluer les actions de santé dans la communauté
(préventives et curatives) .
– Évaluer les effets d’une action de santé par
rapports aux objectifs fixés.
– Évaluation de l’impact : les effets positifs ou
négatifs, non recherchés par les promoteurs de
l'action.

12/05/2025 Pr_BOUAITI_version pour révision 256

 Plan
I. Introduction
II. Historique
III. Définitions
IV. Champs d’application de l’épidémiologie
V. Les branches de l’épidémiologie
VI. Classification des phénomènes de masse
[Link] démarche en épidémiologie

12/05/2025 Pr_BOUAITI_version pour révision 257

 1. Endémie / endémo-épidémie

• Définition :
– Une maladie ou un trouble présent en permanence
dans une région particulière ou dans un certain
groupe d'individus.
– C’est un phénomène de masse illimité dans le temps,
limité dans l’espace avec une fréquence observée
relativement constante.
• On parle également d’endémo-épidémie.
• Exemple :
– Tuberculose au Maroc : environ 25 000 nouveaux cas par an
– Paludisme pays tropicaux

12/05/2025 Pr_BOUAITI_version pour révision 258

 1. Endémie / endémo-épidémie
Exemple

12/05/2025 Pr_BOUAITI_version pour révision 259

 2. Epidémie
• Définition :
– L'apparition dans une collectivité humaine d'une maladie dont la
fréquence est clairement en excès par rapport à la fréquence
attendue
– C’est un phénomène de masse limité dans le temps et dans
l’espace.
• Pour affirmer qu'il y a épidémie il faut connaître la fréquence en dehors
des périodes d'épidémie :
– L'épidémie est une augmentation significative d'une
maladie endémique par rapport au seuil épidémique.
– ou l'apparition d'un grand nombre de malades là où la maladie était
absente.
– NB : Le seuil épidémique se définit comme le nombre de cas d'une
maladie à partir de laquelle il peut être considéré qu'une épidémie
est en cours.

12/05/2025 Pr_BOUAITI_version pour révision 260

 2. Epidémie
Exemple

Proportions hebdomadaires des SG par consultation (%) pour la saison grippale

2019-2020 (semaines 36/19 à 07/20)
12/05/2025 Bulletin Epidémiologique Grippe etPr_BOUAITI_version pourAigües
Infections Respiratoires révisionSévères N°4/20 – 06 Mars 2020 261
 2. Epidémie
Exemple

12/05/2025 Pr_BOUAITI_version pour révision 262

 2. Epidémie
Exemple

Fréquence observée fréquence attendue

12/05/2025 Pr_BOUAITI_version pour révision 263

 2. Epidémie
Dynamique d’une épidémie

12/05/2025 Pr_BOUAITI_version pour révision 264

 3. Pandémie
• Définition :
– C’est un phénomène de masse limité dans le temps illimité dans l’espace,
avec une fréquence variable.
– C’une épidémie qui s'étend à la quasi-totalité d'une population d'un continent
ou de plusieurs continents, voire dans certains cas de la planète.

• Exemple :
– Pandémie de grippe espagnole : entre 1918 à 1920 (15 millions de décès).
– Pandémie de grippe AH1N1 2009 (280 000 morts)
– Pandémie de maladie à virus Ebola : entre 2014 et 2015 (11 316 décès sur
28 638 cas déclarés)
– Pandémie de la maladie à coronavirus 2019 (COVID-19) (entre le 1er janvier
2020 et le 31 décembre 2021 : environ 14,9 millions décès)
– Pandémie du SIDA (40 millions décès)

12/05/2025 Pr_BOUAITI_version pour révision 265

 4. Cas sporadiques
• Définition :
– Cas isolés sans aucun lien apparent entre les
cas de cette maladie.
– Une maladie qui n'est présente
qu'occasionnellement dans une population.
– Phénomène de masse limité dans le temps et
dans l’espace avec une fréquence basse.
– Exemple :
• La poliomyélite,
• Le tétanos,
• La rage

12/05/2025 Pr_BOUAITI_version pour révision 266

 Remarques importantes
• Une fréquence anormalement basse doit attirer
l'attention
• Exemple :
– Quasi-absence du cancer du col utérin chez les
"religieuses".
• Une épidémie peut passer inaperçue et n’être
mise en évidence que par les statistiques à
postériori
• Exemple :
– Canicule en France, 2003
12/05/2025 Pr_BOUAITI_version pour révision 267
 Plan
I. Introduction
II. Historique
III. Définitions
IV. Champs d’application de l’épidémiologie
V. Les branches de l’épidémiologie
VI. Classification des phénomènes de masse
[Link] démarche en épidémiologie

12/05/2025 Pr_BOUAITI_version pour révision 268

 VIII. La démarche en épidémiologie
• La démarche épidémiologique : le Raisonnement
épidémiologique
1. La fréquence : l’étape de la quantification de la survenue
ou de l’existence de la maladie dans la population.
2. La distribution : trois questions capitales
– QUI fait la maladie ? (Personne) Hypothèses
– OÙ survient la maladie ? (Lieu)
– QUAND survient la maladie ? (Temps)
3. Les déterminants : Pourquoi il y a cette distribution de la
maladie ?
4. L’évaluation :
– Efficacité des programmes de santé (prévention primaire,
traitement, soins, modification de comportement).

12/05/2025 Pr_BOUAITI_version pour révision 269

 Cycle de l’épidémiologie
Connaitre
1- Décrire l’état de
santé d’une
population Comprendre
Evaluer
4- Évaluer l’impact 2- Analyser les déterminants
des interventions des problèmes de santé

3- Proposer les interventions

les plus efficaces

Proposer
12/05/2025 Pr_BOUAITI_version pour révision 270
 Chapitre 7:
Les enquêtes épidémiologique
Pr E. BOUAÏTI
UPR de médecine Sociale et Santé
publique
 Plan
I. Introduction.
II. Classification des études épidémiologiques.
III. Les études descriptives.
IV. Les études analytiques.
V. Les études quasi-expérimentales.
VI. Avantages et inconvénients des enquêtes
étiologiques.

12/05/2025 Pr_BOUAITI_version pour révision 272

 I. Introduction
• L’épidémiologie a pour objectif général la
connaissance des problèmes de santé dans les
populations et de leurs déterminants.

• Comment ? : les études épidémiologiques

12/05/2025 Pr_BOUAITI_version pour révision 273

 I. Introduction
• Une enquête est une méthode de collecte
d'informations auprès d'une population cible,
généralement à l'aide de questionnaires ou
d'entretiens.

• Une enquête ou étude épidémiologique: est

une enquête qui concerne l’état de santé
d’une population (groupe humain).

12/05/2025 Pr_BOUAITI_version pour révision 274

 I. Introduction
Les branches de l’épidémiologie

1. Quelle est l’importance d’un problème de

santé dans une population donnée ?
Épidémiologie descriptive
2. Quelle est la cause d’une maladie (et plus
généralement d’un événement) ou quels sont
ses facteurs de risque ?
Épidémiologie analytique
3. Quelle est l’action de santé la plus efficace pour
traiter ou prévenir un problème de santé ?
Épidémiologie évaluative
12/05/2025 Pr_BOUAITI_version pour révision 275
 II. Classification des études
épidémiologiques
• Selon le degré de contrôle de
l’investigateur
• Selon la période d’étude
• Selon la population étudiée
• Selon l’objectif de l’étude

12/05/2025 Pr_BOUAITI_version pour révision 276

 II. Classification des études
épidémiologiques
• Selon le degré de contrôle de l’investigateur
Type d’étude Description
L’investigateur intervient activement sur l’exposition (par
exemple : essais cliniques, essais randomisés).
Études expérimentales
Il attribue un traitement ou une intervention à un groupe et
compare avec un groupe témoin.

Études d’observation
L’investigateur n’intervient pas.
Il se contente d’observer et d’analyser les relations entre les
facteurs de risque et les maladies (ex. : études de cohorte,
études cas-témoins).

12/05/2025 Pr_BOUAITI_version pour révision 277

 II. Classification des études
épidémiologiques
• Selon la période d’étude :
Type d’étude Description
Études continues dans le temps, souvent à visée de
surveillance.
Études permanentes
Exemples : registres de cancer, certificats de décès, systèmes
de déclaration obligatoire.

Étude réalisée à un moment précis, comme une photographie

Études transversales instantanée d'une population.
Permet de mesurer la prévalence d’un phénomène (ex. :
enquête de santé en population).

Études
Observation d’une population dans le temps.
longitudinales

12/05/2025 Pr_BOUAITI_version pour révision 278

 II. Classification des études
épidémiologiques
• Selon la population étudiée
Type d’étude Description
L’étude porte sur toute la population
Études exhaustives cible (ex. : recensement national, registre
national de cancer).

On étudie un échantillon représentatif de

Études par échantillonnage la population, ce qui permet de
généraliser les résultats sans interroger
tout le monde (ex. : sondage santé sur 1
000 personnes).

12/05/2025 Pr_BOUAITI_version pour révision 279

 II. Classification des études
épidémiologiques
• Selon l’objectif de l’étude
Type d’étude Objectif principal

Décrire la distribution d’un problème de santé dans une

Études
population donnée (ex. : taux de prévalence du diabète chez les
descriptives
adultes d’une région).

Rechercher et mesurer les relations entre un facteur de risque (ou

Études une exposition) et une maladie.
analytiques Elles permettent d’établir des associations, parfois des liens de
causalité (ex. : tabac et cancer du poumon).
Évaluer l’efficacité d’une intervention, d’un programme de santé
Études
publique, ou d’une politique (ex. : impact d’une campagne de
évaluatives
vaccination).

12/05/2025 Pr_BOUAITI_version pour révision 280

II. Classification des études épidémiologiques
L’investigateur impose t-il une exposition?

Oui Non

Les études d’intervention Les études observationnelles

Existence d’un groupe contrôle

Randomisation?
(comparateur)

Oui Non Non Oui

Les études d’évaluation
Études descriptives Études analytiques
« quasi-expérimentales »

Études de
prévalence
Essai clinique Études
Études de cohortes « ici-ailleurs »
Études d’incidence Études de cohorte

Études Les cas et séries de

« avant-après » cas
Études cas témoins
Les études
12/05/2025 Pr_BOUAITI_version pour révisionécologiques 281
 III. Les études descriptives
• Objectifs
– Décrire l’état sanitaire d’une population en
quantifiant l’importance des problèmes de santé.
– Mesurer dans une population sur une période
donnée:
• La fréquence d’une pathologie (prévalence),
• Le nombre de nouveaux cas d’une pathologie
(incidence)
• Le nombre de décès liés à la pathologie (mortalité).
• Exemple : Enquêtes de couverture vaccinale.

12/05/2025 Pr_BOUAITI_version pour révision 282

 III. Types d’études descriptives
1. Les cas et séries de cas

2. Études écologiques

3. Études de prévalence

4. Études d’incidence

12/05/2025 Pr_BOUAITI_version pour révision 283

 1. Les cas et séries de cas
• Description de cas cliniques (souvent peu
nombreux).
• La première étape de la reconnaissance d’une
nouvelle maladie ou d’un nouveau facteur de
risque.
• Exemple :
– Le diagnostic de pneumonies à Pneumocystis carinii à
Los Angeles chez 5 hommes jeunes, homosexuels,
sans antécédent particulier, a conduit à la découverte
du SIDA.

12/05/2025 Pr_BOUAITI_version pour révision 284

 2. Études écologiques
• Une étude écologique utilise des données
agrégées au niveau d’une population (par
exemple le nombre de décès).

• Mesure individuelle : difficile ou impossible.

• Unités d'analyse
– Populations
– Groupes de personnes

12/05/2025 Pr_BOUAITI_version pour révision 285

 2. Études écologiques
Exemple

12/05/2025 Pr_BOUAITI_version pour révision 286

 3. Études de prévalence
• Les études de prévalence permettent
d’observer la fréquence de survenue d’un
phénomène de santé, dans une population, à
un moment précis.
• Il s’agit d’enquêtes transversales.
• Le recueil d’information s’effectue sur une
période brève, « un jour donné ».
• La notion de suivi des patients dans le temps
est absente.
12/05/2025 Pr_BOUAITI_version pour révision 287
 3. Études de prévalence
• Études de prévalence : Enquêtes transversales
– À un instant donné un enquêteur cherche à
connaître le nombre de personnes qui présentent
un caractère donné dans une population.
– Elles rendent compte à un moment donné, dans
un groupe donné d’une situation d’un indicateur
(fréquence, distribution…).
– Elles ne permettent pas de poser des
interprétations, mais formulent des hypothèses.

12/05/2025 Pr_BOUAITI_version pour révision 288

 3. Études de prévalence

Un instantané photographique
AU MOMENT ”t”
• Mesure de cas
– Nombre de malades : Nombre de cas prévalent
• Mesure de l’exposition
– Effectif total : Nombre d’exposés & non exposés

12/05/2025 Pr_BOUAITI_version pour révision 289

 3. Études de prévalence
• Exemple :
– Déterminer la prévalence de l’hépatite A chez des
sujets VIH + Durant 7 mois,
– Recueil de tous les patients VIH+ d’un hôpital

12/05/2025 Pr_BOUAITI_version pour révision 290

 3. Études de prévalence
• Les études de prévalence permettent de
– Mesurer le nombre de cas (prévalence) du
problème ciblé
– Recueillir les facteurs associés : caractéristiques
socio-économiques, niveau d’éducation,
conditions environnementales, style de vie…
– Possibilité de déduction d’une hypothèse
étiologique.

12/05/2025 Pr_BOUAITI_version pour révision 291

 3. Études de prévalence

Malades ?
Non malades ?
Exposés ?
Non exposés?

t0 temps

12/05/2025 Les enquêtes transversales

Pr_BOUAITI_version pour révision 292
 4. Les études d’incidence
• Les études d’incidence nécessitent l’observation sur
une période déterminée d’un ou de groupes de sujets
pour mesurer les modifications de l’état de santé des
populations.
• Principe : suivre une population sur une période
donnée durant laquelle on observe l'apparition d'une
ou plusieurs maladies.
• Il s’agit d’études longitudinales : prospective.
• Intérêts :
– Évaluer l'évolution d'une maladie
– Évaluer l'impact des mesures préventives
• Finalité : la surveillance épidémiologique
12/05/2025 Pr_BOUAITI_version pour révision 293
 4. Les études d’incidence
• Les études d’incidence :
– Estiment le nombre de nouveaux cas de maladie
dans une population, pendant une période
donnée.
– Le taux d’incidence est le rapport du nombre de
nouveaux cas de maladie recensés au nombre de
personnes susceptibles d’être atteintes dans la
population, pendant une période donnée.

12/05/2025 Pr_BOUAITI_version pour révision 294

 Exemple
Impact de la couverture vaccinale par le Vaccin Ainti-Rougeoleux sur la situation
des cas de rougeole (1987-2003)

12/05/2025 Pr_BOUAITI_version pour révision 295

 Schémas des études descriptives
Études descriptives

Études de
Études d’incidence
prévalence
Longitudinale
Transversale

Un jour
Prospective
donné

12/05/2025
Le choix en fonction de l’objectif
Pr_BOUAITI_version pour révision 296
 Mesures dans les études descriptives
• Indicateurs épidémiologiques
– Enquête de prévalence (un jour donné)
• Indicateurs de morbidité : Prévalence
– Enquête longitudinale (surveillance
épidémiologique)
• Indicateurs de morbidité : Incidence
• Indicateurs de mortalité

12/05/2025 Pr_BOUAITI_version pour révision 297

 Avantages et inconvénients des
études descriptives
Avantages Inconvénients
Ne permettent pas d’établir une relation
Faciles et rapides à mettre en œuvre
de cause à effet
Risque de biais si l’échantillon n’est pas
Coût relativement faible
représentatif
Permettent une première exploration
Durée de l’étude et incidence
d’un phénomène
Utiles pour générer des hypothèses pour Données parfois limitées dans leur
des études futures interprétation
Résultats souvent influencés par le
Peuvent couvrir de larges populations
contexte
Fournissent des données concrètes et Ne permettent pas de prédire le
observables l’évolution future

12/05/2025 Pr_BOUAITI_version pour révision 298

Classification des études épidémiologiques
L’investigateur impose t-il une exposition?

Oui Non

Les études d’intervention Les études observationnelles

Existence d’un groupe contrôle

Randomisation?
(comparateur)

Oui Non Non Oui

Les études « quasi-
Études descriptives Études analytiques
expérimentales »

Études de
prévalence
Essai clinique Études
Études de cohortes « ici-ailleurs »
Études d’incidence Études de cohorte

Études Les cas et séries de

« avant-après » cas
Études cas témoins
Les études
12/05/2025 Pr_BOUAITI_version pour révisionécologiques 299
 IV. Les études analytiques
• Les études analytiques : Les enquêtes étiologiques
– Analysent les relations entre l’exposition à un facteur de
risque et un état de santé.
• Les enquêtes étiologiques sont
toujours comparatives (elles comparent deux
groupes différant soit sur la présence de la maladie,
soit sur la présence du facteur de risque).
• Un facteur de risque est une caractéristique associée
à une probabilité plus élevée de maladie : C’est une
définition statistique.
12/05/2025 Pr_BOUAITI_version pour révision 300
 IV. Les études analytiques
• Objectif :
– Etudier l’association entre une exposition (E) et
une maladie (M)
• Comparaison +++
– Identifier les facteurs de risque des maladies :
mesures de risque.
– Quantifier leur importance : mesures d’impact.
• Exemples :
– Association entre contraception orale (E) et
cancer du sein (M).
12/05/2025 Pr_BOUAITI_version pour révision 301
Classification des études épidémiologiques
L’investigateur impose t-il une exposition?

Oui Non

Les études d’intervention Les études observationnelles

Existence d’un groupe contrôle

Randomisation?
(comparateur)

Oui Non Non Oui

Les études « quasi-
Études descriptives Études analytiques
expérimentales »

Études de
prévalence
Essai clinique Études
Études de cohortes « ici-ailleurs »
Études d’incidence Études de cohorte

Études
« avant-après » cas et séries de cas
Études cas témoins

12/05/2025 études écologiques

Pr_BOUAITI_version pour révision 302
 IV. Les études analytiques
• Études de cohortes

• Études cas témoins

12/05/2025 Pr_BOUAITI_version pour révision 303

 Les études de cohorte
• Une cohorte : groupe de sujet suivi dans le
temps.
• Étude de cohorte : étude comparant plusieurs
cohortes.

cohorte cohorte cohorte

12/05/2025 Pr_BOUAITI_version pour révision Temps
304
 Les études de cohorte
• Etudes analytiques
• Études PROSPECTIVES
• Sélection selon le statut vis à vis de
l’exposition étudiée :
– Exposés
– Non exposés
• Les études de cohortes sont également
appelées études exposés / non exposés.
• Recherche les nouveaux cas

12/05/2025 Pr_BOUAITI_version pour révision 305

 Les études de cohorte
• En pratique, deux groupes sont établis :
– les sujets exposés au facteur de risque
– les sujets non exposés au facteur de risque
• Les deux groupes vont être suivis (études
longitudinales) puis comparés entre eux.
• On parlera de cohorte historique si la survenue de
l’exposition au(x) facteur(s) et de la maladie, a déjà
eu lieu au moment où le chercheur débute son
enquête.

12/05/2025 Pr_BOUAITI_version pour révision 306

 Les études de cohorte
• Observation
– Les sujets sont sélectionnés sur la base de leur
exposition au facteur étudié et sont suivi de
manière prospective pour voir si ils développent la
maladie.

12/05/2025 Pr_BOUAITI_version pour révision 307

 Les études de cohorte
Principe et Objectifs
Incidence ?

Sujets exposés Nombre

de nouveaux cas

COMPARAISON
Population

Nombre
Non-exposés de nouveaux cas

temps
Collecte de données sur les nouveaux cas à venir
12/05/2025 Pr_BOUAITI_version pour révision 308
 Les études de cohorte
Présentation des résultats
« tableau de contingence »

Malades Non Malades Total

Exposés A B A+B

Non Exposés C D C+D

Total A+C B+D N

Incidence chez les Exposés A/(A+B)

Incidence chez les Non Exposés C/(C+D)

12/05/2025 Pr_BOUAITI_version pour révision 309
 Mesures dans une étude de cohorte

Maladie + Maladie -

Exposés E+ A B

Non exposés E- C D

12/05/2025 Pr_BOUAITI_version pour révision 310

 Mesure d'association
Comparer l’incidence de la maladie
observée chez les sujets exposés au
facteur de « risque » à celle observée
chez les sujets non exposés

le risque relatif : RR
RR=Ice Exposés/Ice Non Exposés

12/05/2025 Pr_BOUAITI_version pour révision 311

 Mesure d'association
Interprétation
• Le RR est une estimation ponctuelle
qui varie de 0 a l’infini
• RR=1 : il n’y a pas d’association
• RR≠1 : il y a association :
RR>1: il s’agit d’un facteur de risque
0<RR<1: il s’agit d’un facteur protecteur

12/05/2025 Pr_BOUAITI_version pour révision 312

 Exemple
• L’incidence du cancer de colon chez un
échantillon dont l’alimentation est riche en
fibre: 6 pour cent habitants
• L’incidence du cancer de colon chez un
échantillon dont l’alimentation est pauvre en
fibre : 12 pour cent habitants
• RR=0,5 Facteur protecteur
• Une alimentation riche en fibre baisse le
risque de Kc par la moitié
12/05/2025 Pr_BOUAITI_version pour révision 313
 Les études analytiques
• Études de cohortes

• Études cas témoins

12/05/2025 Pr_BOUAITI_version pour révision 314

 Les études cas-témoins
• Etudes analytiques
• Études RETROSPECTIVES : Le recueil
d’information est toujours rétrospectif.
• Sélection selon le statut vis à vis de la maladie
étudiée :
– «Malade = Cas»
– «Non malade = Témoin»
• Recherche leur exposition éventuelle au facteur
étudié.
• Etudes comparatives : comparaison entre cas et
témoins.

12/05/2025 Pr_BOUAITI_version pour révision 315

 Les études cas-témoins
• Observations
– L’enquêteur choisit les groupes étudiés sur la base de leur
statut malade (cas) et non malade (témoins).
– Ce sont des études rétrospectives, c'est-à-dire que
l’enquêteur va chercher dans le passé des individus des
deux groupes l’exposition au facteur étudié.
– Les cas et les témoins doivent être choisis dans la même
population.
– Les caractéristiques du groupe « témoin » doivent être les
plus proche possible du groupe « cas ».
– La seule différence observable entre les groupes devrait
être théoriquement l’absence de signes de la maladie.

12/05/2025 Pr_BOUAITI_version pour révision 316

 Etudes cas – témoins
Principe et Objectifs
% Exposés ?

Nombre de sujets exposés CAS

Nombre de cas

COMPARAISON Population

Nombre de sujets exposés

TEMOINS
Nombre de témoins

temps
Collecte de données sur le passé des cas et des témoins
12/05/2025 Pr_BOUAITI_version pour révision 317
 Etudes cas – témoins
Présentation des résultats
« tableau de contingence »
Cas Témoins Total

Exposés A B A+B

Non Exposés C D C+D

Total A+C B+D N

Proportion d’exposés chez les cas A/(A+C)

Proportion d’exposés chez les témoins B/(B+D)

12/05/2025 Pr_BOUAITI_version pour révision 318
 Mesures dans une enquête
cas témoin

Cas Témoins

Exposés E+ A B

Non exposés E- C D

12/05/2025 Pr_BOUAITI_version pour révision 319

 Mesure d'association
• Calcul du risque relatif interdit proportion de
malades et de non-malades fixée par l’observateur
• Comparer la fréquence de l’exposition observée chez
les sujets malades à celle observée chez les sujets
non malades « témoins »

l’Odds Ratio : OR
OR= La cotes d’exposition chez les cas / La cotes
d’exposition chez les témoins

12/05/2025 Pr_BOUAITI_version pour révision 320

 Mesure d'association
Interprétation
• L’OR est une estimation ponctuelle
qui varie de 0 a l’infini
• OR=1 : il n’y a pas d’association
• OR≠1 : il y a association :
OR>1: il s’agit d’un facteur de risque
0<OR<1: il s’agit d’un facteur protecteur

12/05/2025 Pr_BOUAITI_version pour révision 321

 Epidémiologie analytique
Résumé
• Comparer la fréquence de l’apparition de la
maladie entre sujets exposés et non exposés à un
facteur
Enquête exposé- non exposé= enquête de
cohorte

• Compare la fréquence de l’exposition à un facteur

de risque entre les sujets malades et les sujets
indemnes
Enquêtes cas-témoins

12/05/2025 Pr_BOUAITI_version pour révision 322

 Épidémiologie analytique
Exemples
• Étude de la relation entre petit poids à la
naissance et exposition de la mère au tabac
pendant la grossesse
– Soit suivre 2 groupes de femmes, l’un exposé au tabac
et l’autre non exposé et déterminer la fréquence des
enfants de petits poids dans les deux groupes
Etude de cohorte

– Soit interroger les mères d’enfants de petit et de poids

normal sur leur exposition au tabac
Etude cas témoin

12/05/2025 Pr_BOUAITI_version pour révision 323

Classification des études épidémiologiques
L’investigateur impose t-il une exposition?

Oui Non

Les études d’intervention Les études observationnelles

Existence d’un groupe contrôle

Randomisation?
(comparateur)

Oui Non Non Oui

Les études « quasi-
Études descriptives Études analytiques
expérimentales »

Études de
prévalence
Essai clinique Études
Études de cohortes « ici-ailleurs »
Études d’incidence Études de cohorte

Études
« avant-après » cas et séries de cas
Études cas témoins

12/05/2025 études écologiques

Pr_BOUAITI_version pour révision 324
 IV. Les études quasi-expérimentales
• Définition
– Le terme « quasi-expérimental » fait référence à une «
expérimentation avec une intervention donnée
étudiée avec au moins deux unités expérimentales
(groupe recevant l’intervention et groupe contrôle),
mais sans recours à la randomisation.
– Les études quasi expérimentales sont utilisées pour
évaluer des programmes de santé publique
(dépistage, par exemple) ou des pratiques médicales
quand l'allocation de l'intervention ne peut pas être
randomisée.

12/05/2025 Pr_BOUAITI_version pour révision 325

 IV. Les études quasi-expérimentales
• Les méthodes quasi-expérimentales:
– Avant –Après : 2 groupes distincts dans le temps
• La fréquence de l'événement étudié est comparée dans un
groupe de sujets avant et après la mise en place de
l'intervention.

– Ici-Ailleurs : 2 groupes distincts géographiquement

• La fréquence de l'événement étudié est comparée entre des
sites où les sujets reçoivent l'intervention (ici) et des sites où
cette intervention n'est pas pratiquée (ailleurs).

12/05/2025 Pr_BOUAITI_version pour révision 326

 V. Avantages et inconvénients des
enquêtes étiologiques

Études Cas Témoins Études de Cohorte

 Adaptée pour étudier :  Adaptée pour étudier :
 Maladies rares  Les risques (incidences)
 Plusieurs FDR  Les expositions rares
Avantages

Adaptés aux maladies où le délai  Plusieurs maladies

entre exposition et maladie  Mesure de l’incidence
est long
 Mesure du risque relatif précise
 Plus rapides qu'une cohorte
 Maîtrise des biais
 Coût faible
 Courte durée
 Faibles effectifs
 Parfois les seules possibles
12/05/2025 Pr_BOUAITI_version pour révision 327
 V. Avantages et inconvénients des
enquêtes étiologiques
Études Cas Témoins Études de Cohorte

Non adaptée pour étudier :  Non indiquée pour étudier

Expositions rares  Maladies rares
Plusieurs maladies  Plusieurs expositions
Inconvénients

Pas de calcul de taux  Coût élevé

d’incidence  Long délai d’observation
Estimation du Risque  Effectifs de sujets élevés
Biais Fréquents  Sujets perdus de vue +++
(mémorisation)  La connaissance de
La connaissance de la l’exposition peut influencer
maladie peut influencer la le diagnostic.
12/05/2025 Pr_BOUAITI_version pour révision 328
recherche de l’exposition.
 Les études épidémiologiques
Résumé
Répondre à la question « Quoi ? », décrire un phénomène
Études descriptives • D’un cas
• D’une série de cas
• De populations :
• Transversales
• Longitudinales
Répondre à la question « Pourquoi ? », la recherche des
causes, l’étiologie du phénomène
Études à visée étiologique • Transversales
• Cas-témoins
• Longitudinales de cohorte(s) :
• Expérimentales
• Non expérimentales
• Quasi expérimentales

La classification des types d’études en fonction de leur

12/05/2025 Pr_BOUAITI_version pour révision 329
finalité
 Conclusion
• Études épidémiologiques: plusieurs types
– Objectifs
– Avantages et inconvénients

Choix du type d’enquêtes!!

12/05/2025 Pr_BOUAITI_version pour révision 330