La plus grosse confusion des sciences : la p-value !! 🌶 

ERRATUM : Popper est mort en 1994 et non pas en 1914.

Personne ne connaitrait une chaine qui vulgarise les propos de Lê !? Si oui cela m 'intéresse grandement

Apprenti-statisticien, je suis en plein milieu du sujet que vous traitez. J'ai trouvé la vidéo intéressante mais très théorique et assez difficile d'accès pour qqn qui ne sait pas ce qu'est la p-valeur. J'aurais aimé plus d'exemples : notamment des cas de faux positifs ou de théories fausses avec des p-valeurs très faibles.

Waw, merci pour cette pièce bien complète sur la p-value qui finira à n'en pas douter dans moult descriptions de mes vidéos !

Super vidéo comme d’hab. Mais lê, tu nous avais habitué à nous donner plus d’exemple concrets pour illustrer tes théories. Je veux bien un épisode de plus avec des exemples de p-value et des théories fausses avec des erreurs de raisonnement scientifique ...

Jeune doctorant en sciences, j'attendais cette vidéo (et les suivantes ! ) avec impatience pour être sur de ne pas dire trop de bêtise dans la suite de mon travail xD Excellent vidéo, excellente série, comme d'hab'

Tjrs l une des meilleures vidéos en stats ! Bravo Après 4 ans elle est tjrs utile !

Salut ! Petite coquille à 3:25 : Popper est mort en 1994 et non pas en 1914 🙂

J'ai rien compris à part que c'était dur à comprendre, mais c'était super intéressant 😁

Belle vidéo. Un peu difficile. Il faut que je médite un peu...

meilleure vidéo que j'ai vue sur le sujet. je suis en école d'ingénieur et notre prof de stats (parti pour raisons personnelles) nous avait fait une présentation similaire. son travail de recherche est la relecture de thèses en maths appliquées. étant donné la barrière de langue (prof taiwanais parlant anglais), peu d'étudiants ont réussi à saisir l'importance d'ajouter d'autres valeurs statistiques pour pouvoir choisir si on fait confiance ou pas en la théorie.

Tes vidéos sont vraiment d'une grande qualité et d'une grande profondeur. Je suis dans le monde de la recherche et de la vulgarisation depuis plusieurs années, et jamais je n'ai vu quelqu'un qui avait aussi bien compris et l'incompréhensible. Merci

j'étais en train bosser l' économétrie avec ma belle soeur APRES avoir vu ta série bayésienne, et au moment où j'aborde la partie des tests d'hypothèse F (et t d'ailleurs) je me suis dit : une minute, la vraisemblable sous H0 du coefficient des MCO observé sur mon échantillon, n'est pas la crédence de H0! je n'ai ni la plausibilité à priori de H0 , ni la vraisemblable de mon estimateur sous l' hypothèse alternative, pour réévaluer la crédence de H0 sachant la valeur observée de mon estimateur .Et là, lumière, je repasse sur cette vidéo et je comprends enfin! Gloire à toi merci !

Si lire "statistiquement significatif" te fait grincer des dents, alors n'ouvre surtout pas un bouquin de maths de TS ou de TES ! On y trouve des intervalles de fluctuation asymptotiques à gogo avec prise de décision sans jamais appeler les choses par leurs noms (risque de première ou de seconde espèce) et même des théorèmes faux ! (voir le papier de Daniel Perrin sur le sujet).

La vraisemblance des données n'est pas la crédence de la théorie. Wé oké je crois que j'ai copris maintenant ^^ Merci. Superbe vidéo comme toujours!!

Super vidéo comme toujours ! Par contre le terme de "crédence" me semble assez difficile à interpréter, on pourrait avoir un peu de détail sur cette opposition Crédence/Vraisemblance (je crois qu'il y a déjà eu un commentaire sur la question un peu plus bas). En tous cas merci pour cette nouvelle série sur Bayes et l'épistémologie, ça manquait vraiment dans le milieu de la vulgarisation :)

2:59 j'ai déjà dit 200 fois "mais putain c'est quoi la p-value" devant mon écran. 3:00 je me calme, ça va mieux. Superbe vidéo pouce bleu.

OK mais du coup est-ce qu'on peut dire que la vraisemblance des données c'est un peu comme la crédence de la théorie ?

Je suis en fin de L3 math appliquées et je ne savais pas que la notion de p-value était aussi importante en science . Il faut ,car c'est sûrement important que je pige bien la différence entre Credence et vraissemblance. Par crédence , tu entends, crédibilité ?

encore une fois, c'est intéressant mais vraiment trop compliqué pour des non-matheux !

Génial ! J'ai rien compris mais c'est passionnant. Enfin, je présume que j'ai rien compris, mais peut-être que je me trompe. Bref, merci de partager de l'info sur tous ces sujets.

Chouette vidéo ! Je "pense" avoir compris... En gros, d'après ce que j'en comprends, la p-value indique la probabilité de trouver des données qui rendraient la théorie fausse ? Mais la confusion vient du fait que "un moins la probabilité qu'une théorie soit fausse" n'est pas du tout égal à la probabilité que la théorie soit vraie... Donc en fait on peut jamais prouver qu'une théorie est vraie, juste qu'il y a très peu de chances qu'elle soit fausse...

Toujours aussi excellent. J'ai beau être statisticien (en formation), je passe toujours du temps à me triturer le cerveau pour recomprendre la p-value. Encore médecine, elle a une grande force dans le sens où elle permet l'innovation. La p-value est permissive, et elle a permis la mise sur le marché de médicaments qui ont ensuite été suivi. Le problème c'est qu'il y a donc sur le marché des médicaments inefficaces (parfois depuis des décennies).

Vraiment une de tes vidéo les plus importantes !

Bonjour Lê. Je suis l'un de vos abonnés et viens simplement vous saluer. Bravo et bonne continuation dans vos projets. "La vraisemblance des données n'est pas la crédence de la théorie" ou ce n'est pas parce que les données semblent vraies qu'il faut apporter du crédit à la théorie car cette dernière peut-être fausse...

Crédence n'existe pas en français. Enfin je ne l'ai jamais rencontré. Crédibilité, ou vraisemblance me parait plus approprié.

Hello, suite à la lecture des commentaires, je m'interroge aussi sur le mot crédence, que tu utilises tout le temps, mais dont le sens est est défini dans les dictionnaires uniquement comme un meuble de cuisine. Du coup d'où vient le sens que tu lui attribues ?

J'me sens un peu idiot en écoutant tes vidéos mais ça m'intéresse et j'essaie de retenir le maximum

Cher Lê, je ne sais pas si tu vas poursuivre cette série (à l'heure où j'écris ce commentaire tu es es à l'épisode 52 de la série Bayes, c'est déjà beaucoup et on t'en remercie). Cependant, je tiens à faire ici quelques remarques générales, ayant moi-même enseignés les mathématiques et ayant décidé de "me taper" toute la série... Je trouve cette série à la fois très excitante et un peu pénible. Très excitante, parce que tu aborde des sujets passionnants pour ceux qui s'intéressent aux maths, à la méthode scientifique et aux sciences, et un peu pénible parce que ton enseignement manque de clarté - surtout pour des non-initiés, et encore plus pour des non-lecteurs d'articles. J'ai listé quelques pistes d'améliorations, libre à toi d'en tenir compte. Je comprends que l'ambition de ta chaine (c'est dans le titre :) est de faire un seul et même contenu à la fois pour satisfaire les initiés et les non initiés. C'est ambitieux mais pas impossible, j'apprécie ta démarche et ton engagement, et je t'y encourage. Quelques pistes d'améliorations : éviter les notations bizarres ou confuses qui desservent le propos (surtout quand on aborde un sujet complexe, eg "d rond" pour désigner la borne des queues de distributions, c'est une très mauvaise idée) ; éviter les digressions qui n'apportent rien aux propos (surtout si on aborde un sujet complexe) ; écrire un script (plan de cours détaillé) et essayer de ne pas se disperser, quitte à faire une annexe en fin de vidéo pour aborder des questions ... annexes - type "pour aller plus loin") ; ne pas essayer de tout expliquer ; éviter de mélanger notation US et notation fr (on dit "pee-valiou" ou "paix-valeur", pas "paix-valiou") ; enfin, tu es une personne magnifique mais je ne vois pas l'intéret de te filmer constamment en action - le coté prof à coté de son tableau ? évidemment c'est un choix et un style et je le respecte, et d'ailleurs rien n’empêche de faire pause / rembobiner / passer en vitesse 1/2 ou bien de suivre seulement avec l'audio, cependant je ne suis pas fan car en voulant rendre ton propos plus "vivant" et plus "humain" ça a un effet délétère, en effet ta gestuelle capte forcément en partie l'attention du spectateur et donc l'esprit n'est pas concentré à 100% sur telle formule ou telle citation placé en vis-à-vis, or certains propos nécessitent une bon niveau de concentration pour être compris - en particulier en tenant compte des remarques faites précédemment qui rendent souvent le propos plus difficile à cerner. A part ces micro-remarques (rien de méchant ni d'insurmontable, ce sont des pistes pour améliorer la réception du sujet abordé), tu fais d'énormes efforts pour rendre le propos intéressant, compréhensible et ludique, ce qui est tout à fait louable. Merci pour ta contribution notable et appréciable aux contenus de vulga francophone sur YT, et merci pour ton travail avec Tournesol et bravo pour tes travaux sur la théorie des modèles, et tes travaux sur la sécurité et l'éthique des systèmes fédérés d'apprentissage automatique. Longue vie à science4all !

Superbe vidéo ! Je m'attendais à ce que tu enchaines sur les travaux de Neyman-Pearson, dommage ;) Superbe vidéo

Bon, si je comprends bien, pour affiner les résultats donné par la p-value, il va falloir qu'on pense à inventer une p-value de la p-value elle-même. Je propose de l'appeler la "meta-p-value"

Toujours cool tes vidéos! J'ai l'impression que tes vidéos précédentes m'ont bien aidé à comprendre la P-value.

Anecdote. Il y a longtemps, j'avais bossé sur les marchés financiers, et j'y remarquais que les gens utilisaient des outils comme des moyennes mobiles basées sur l'historique des cours, et se mettaient aussi à programmer leurs propres indicateurs; et là pour bien les calibrer ils utilisaient un truc comme la p-value, c'est à dire que l'algorithme devait "englober" ce qui s'était passé précédemment pour être considéré comme valide, on appelait cela "encadrer la volatilité".. et bien ça ne marchait pas, rien ne prédisait les mouvements du marché ni même n'arrivait à les encadrer, même chez les grands professionnels, parce qu'il y avait évidemment un problème de confondre causes et conséquences, les données étaient des conséquences et la théorie( l'algorithme) se basait donc sur le passé pour se valider. Ainsi aucun algorithme ne durait dans le temps, allant toujours à un moment donné "dévier" complètement, il fallait continuellement le réajuster, et des programmes toujours plus gourmands en données voyaient le jour, jusqu'à des réseaux de neurones. Considérations. Dans la nature, il y a toujours une usure, ainsi plus une donnée est ancienne et plus elle est usée, pour autant une donnée neuve est-elle "juste"? on peut comparer avec l'humain, il est nouveau-né, neuf et se mets à grandir puis un jour à vieillir, alors à quel moment de la vie se placerait la théorie voulant modéliser l'humain ? que serait un humain "moyen" selon une théorie avec ses écart-types ?

Merci pour tout le travail effectuer très bien expliquer je trouve je n'en suis pas un spécialiste je n'arriverais pas a le refaire mais en me concentrant du long de la vidéo j'en comprend les conclusions du aux conditions et les dérives qu'elles peuvent avoir si c'est très mal expliqué et donc très mal compris il faudrait que je regarde une nouvelle fois la vidéo voir plus pour vraiment comprendre quand les gens font une erreur a ce sujet, Voilà mon ressenti j'espère qu'il vous aideras et bonne continuation!!

Superbe vidéo Il me semble qu au début tu pourrais également employer le terme conjecture Par ailleurs sur un sujet dérivé il y a le livre "philosophie du renseignement" qui recommande d appliquer les théories de la réfutation pour identifier la désinformation mais sans l outilleur comme toi avec une approche statistique Bravo encore👏

Yes enfin une bonne vidéo sur la p-value merci! plus qu'à regarder cette vidéo deux trois fois pour avoir une base ^^'

Bonjour les copains, dans un soucis de bonne compréhension de la vidéo est-ce que qqn pourrait me dire ce que Lê place en abscisse et en ordonnée lorsqu'il parle de sa fameuse courbe en cloche ? (disons qu'ainsi j'aurai peut-être compris un truc à la vidéo) Merci, bonne journée

C'eût été plus clair de conserver H0 : l'hypothèse dont on cherche à évaluer la vraissemblance est l'hypothèse nulle (la négation logique de la théorie qui nous intéresse), c'est-à-dire qu'on cherche à évaluer la probabilité du contraire logique de la théorie à démontrer ; autrement dit, on quantifie la probabilité de se tromper. Par exemple, on veut prouver qu'il existe une corrélation entre deux variables A et B, au-delà des hasards de la mesure. On commence par supposer qu'il n'y a pas de corrélation entre deux variables, on pose l'hypothèse nulle H0 : absence de corrélation entre A et B. Si la p-valeur vaut 0.01, cela signifie que la probabilité que H0 soit vraie est de 1%, donc que la probabilité qu'il n'y ai pas de corrélation est de 1%. La probabilité de la négation de l'hypothèse nulle est ainsi de 99% (p-valeur = P(H0) = 0.01 donc P(non-H0) = 1 - 0.01 = 0.99), et la négation de l'hypothèse nulle, c'est l'existence d'une corrélation entre A et B - si on considère le principe du tiers exclu : H0 ou non-H0, l'un des deux évènements doit forcément se réaliser, et l'un exclut l'autre. Donc la probabilité de l'existence d'une corrélation est de 99%. D'où plus la p-valeur est faible, plus la vraissemblance des données est forte. (Et à noter ici qu'on ne considère pas l'ampleur de la corrélation, seulement sa significativité c'est-à-dire la probabilité qu'elle ne soit pas liée à un hasard de mesure.) (Corrigez-moi si je me trompe.) Sinon, j'ai rien compris de la vidéo, à part peut-être que "la p-valeur concerne la probabilité d'une conclusion sachant la théorie vraie" (13:41). Est-ce que ça veut dire qu'on applique le principe du tiers exclu ? Mais que dans la "vraie vie" on ne peut pas être certain de ce principe, qu'il y a toujours la possibilité d'alternatives, d'hypothèses tiers, autres que H0 et non-H0 ? Et l'idée que "la vraissemblance des données ne se confond pas avec la crédibilité de la théorie", est-ce que ça veut dire qu'on distingue l'existence ou non d'une significativité des résultats, avec la théorie elle-même ? Mais alors est-ce qu'il n'y aurait pas une grosse confusion dans la vidéo, qui en fait mélange la p-valeur, qui s'applique pour déterminer la vraissemblance des données, c'est-à-dire l'existence ou non d'une significativité de la mesure (déterminée par rapport à quoi ?), et la "théorie" qui n'a rien à voir avec la p-valeur ? Enfin bref, sachant qu'aucun exemple concret et précis n'est donné dans la vidéo, se contentant d'abstractions, et présupposant d'autres connaissances en mobilisant des concepts définis ailleurs ("la crédence de la théorie"), ça n'aide pas à se représenter les choses, et c'est assez incompréhensible :-/

Si seulement tu avais été mon prof d'inférence statistique et d'économetrie, je n'aurais pas galéré à suivre ces cours.

excellente vidéo, c'est vrai qu'on nous explique pas bien toutes les subtilités de la p-valeur, on sait qu'on l'utilise abusivement pour "valider" des hypothèses mais en pratique on l'oublie

Là tu me fais plaisir :) .... C'est tellement difficile aux étudiants de comprendre que rejeter H0, ne veux pas dire forcément accepter H1 ... :)

Résumé rapide: On a une théorie T, et des données récoltées D. On peut calculer une valeur appelée *p-value* qui correspond à la vraisemblance des données D *dans le cadre de la théorie T SUPPOSÉE vraie.* Donc si cette *p-value* est suffisamment faible (seuil fixé) on peut rejeter la théorie T. MAIS : la vraisemblance des données n'est pas la crédence de la théorie (ex: théorie de gravitation universelle d'Isaac Newton vs relativité générale d'Albert Einstein; les données récoltées sur la surface terrestre valide LES DEUX théories à très peu de choses près pourtant on sait bien que l'une décrit bien plus de phénomènes correctement que l'autre…)

Super, hâte de voir les prochaines

Merci infiniment pour cette vidéo ! Elle m'a permis de comprendre la p-valeur plus facilement que d'autres explications. Bonne continuation Ps : t'es vraiment génial mec haha !

Pourrais tu commenter sur le role de l'hypothese alternative ? Dans le cas ou l'on test par exemple HO lambda =1 vs H1 lambda =4 pour une lois de Poisson, la defenition de l'hypothèse alternative peut jouer un role important sur la significativité de la p value. Ceci est très different de tester H0 lambda =1 vs H1 lambda est different de 1.

bien jouer pour le référencement de la vidéo car même en la regardant deux fois, la comprendre c'est difficile (alors que d'habitude j'y arrive asser bien en une fois)

Bonjour ! Merci pour toute tes vidéos, excellentes et hyper intéressantes ! J'ai réfléchis longtemps à l’énigme des deux enfants et j'ai voulu faire une petite analyse "Fréquentiste" (de profane, je précise que je ne suis pas du tout mathématicien). J'ai donc fais un tableur pour illustrer les différentes façon de percevoir l’énigme avec un système de jet de dé avec pour résultat "0 = fille" ou "1 = garçon". J'ai une question cependant. Le résultat de 33% attendu ne tombe bien entendu jamais pile sur cette valeur et j'aimerais calculer le seuil correspondant à une certaine p value (par exemple 1%) pour les fluctuation statistique de ce fameux "33%". J'ai en effet beaucoup de mal à comprendre comment se calcule concrètement la p value, et ce, malgré mes recherches sur internet. Je tombe le plus souvent sur des explications très compliquées et je ne comprend pas tout. J'ai cru comprendre que la fonction "loi normale" devrait pouvoir m'aider mais je n'arrives pas à comprendre comment l'utiliser. Merci d'avance à ceux qui accepteront de m'aider ! Voici le lien du tableur : docs.google.com/spreadsheets/d/1SARJNvSnIY_2u1KQbkgza2VA7YrmVO3lU9UFNSfwDTI/edit?usp=sharing

c'est rare que je fasse des commentaires mais, excellente vidéo !

merci beaucoup, j'ai enfin compris ce que c'était la p_value :) Crédence est la la loi à priori c'est ca .

Super vidéo j'avoue que le bayésianisme ne me convient pas toujours, (notamment quand tu avais fait une conférence pour Vulgarizators, je n'étais absolument pas convaincu par ce que tu disais) mais quand tu appliques ça à l'épistémologie ça prend tout de suite plus de sens pour moi. Ce qui amène une question : ici je trouve qu'il est plus simple de réfléchir de manière bayésienne (et étant donné le nombre d'échantillons auquel on a accès en général selon les sciences c'est parfois trop faible pour qu'une approche fréquentiste soit envisageable) cependant les mêmes objets peuvent être définis avec une approche fréquentiste. Dans ce cas particulier(donc p value et interprétation des résultats d'expériences), si on supposait que le nombre d'échantillons est très important, est-ce que tu as des arguments pour m'expliquer qu'une approche bayésienne est plus forte/adaptée qu'une approche fréquentiste?

Super vidéo Lê ! Discuter et préciser le sens de la p-value est fondamental. Juste une question, quand tu parles de « la crédence de la théorie », tu parles de P(T) ou de P(T|D) ?

J'ai beau chercher des informations sur ce qu'est la crédence, on me renvoie uniquement vers des sujets autour de la cuisine. Je vois pas ce que la cuisine fait dans cette vidéo

Est-ce qu'il y aurait pas moyen de créer "l'inverse de la p value" c'est à dire une valeur qui part du principe que la théorie T est fausse, et regarde la probabilité d'obteir des résultats pires que ceux qu'on a eu?

Excellente vidéo : fisher => Pb de normalité

Merci beaucoup pour cette vidéo très abordable sur un sujet si important !

Salut merci beaucoup pour cette vidéo! Je suppose que tu as lu "How not to be Wrong", de Jordan Ellenberg. En tout cas, je le conseille fortement à tes abonnés intéressés par ce sujet. Il se trouve dans ce livre une série d'exemples croustillants sur les travers de la p-value, comme la fameuse étude démontrant que les albinos n'existent pas ou que les saumons morts placés dans un IRM reconnaissent les visages humains. En tout cas, ce sujet est à la fois inquiétant, hilarant, et hautement stimulant! Je profite de ce commentaire pour te remercier infiniment pour toutes tes vidéos qui vont grandement me servir. Je passe le bac spé Maths, en candidat libre cette année de mes 28 ans, pour intégrer une fac de philo et me diriger vers l'épistémologie. Sans le travail de passionnés comme toi, l'accès au savoir serait une toute autre affaire. Tes engagements pour une science juste (et juste) sont très précieux pour notre société.

"La vraisemblance des données n'est pas la crédence de la théorie", j'ai bien compris que tu étais fier de cette phrase expliqué quelques vidéo plus tôt, mais sincèrement, la balancer sans expliquer, ni le rapport, ni en quoi ça s'applique ici, c'est pas incroyable, surtout que le mot crédence n'est pas tellement utilisé, sinon bonne vidéo même si assez compliqué

Tu as changé tes réglages de fond vert ? le détourage est moins bon que d'habitude (juste pour trouver un truc à redire) Très bonne vidéo, faut s'accrocher, mais j'adore

Super l'explication de la p-value ! Faut la penser, la méditer et la reméditer , même pour les initiés, je pense. Et quelle proportion accordait à la vraisemblance des données par rapport à la crédence de la théorie ? Et quelle crédence a cette vraisemblance ? Faut-il, du coup, en accordait une ? Ha oui, mais comment réfuter en étant vraiment sur, alors ? La p-value,c' est mieux que l'absence de p-value, mais cela peut ne pas être totalement satisfaisant. Comment on fait alors ? Dur, dur, la migraine là...

Superbe vidéo, même si sa complexité ne la rend pas tout publique. Je trouve ça désolant de constaté que cette vidéo serait énormément utile dans le milieu pédagogique pour beaucoup mieux comprendre ce que l'on y suit. Je suis en étude d'éco/gestion et j'ai une matière Etudes des probabilités Statistiques mais je ne crois pas qu'on est jamais réellement définis la p-value ce qui fait que le cours reste "flou" et beaucoup plus difficile à suivre et comprendre. Avec ta vidéo en introduction je suis sûre que ça aurait été beaucoup plus simple.

Big, big confusion between the "scientific method" and statistics ! Many ancient Greeks, Galileo, Newton, for example, were amazing scientists, way before the introduction of statistics, let alone the concept of the NHST and the p-value

Ces histoires de p-values, ça permet de voir avec un autre oeil les indices suggérant l'existence d'une 9ème planète très au-delà de Neptune (mais puisque des télescopes assez puissants entrent en service d'ici quelques années, ça permet de faire des paris bayésiens et d'espérer une réponse prochainement).

Pour vulgariser: C'est dans le truc "la vraisemblance des données n'est pas la crédence de la théorie, il voit clair, il appuie sur le bon point! Après voir la sémantique de chaque terme." La crédence de la théorie, c'est l'irréfutable. Ce qui est complexe, donc on le pose sous forme de statistique. Pourquoi complexe. Car dans le monde de la mathématique. On peut travailler dans des dimensions basique, 1, 2, 3, 4,.... 9 on arrive au limite de l'esprit humain. Mais dans le monde de la réalité. L'univers est à n dimension. La fusion de l'eau solide à l'état liquide, se calcule dans la réalité dans un univers à n dimension. Dimension de température, dimension de cinétique, dimension de pression, dimension de champ électrique, dimension de champ magnétique, dimension de gravité, effet tunnel, force de van..., dimension de phénomène interconnecté. Exemple la caléfaction est un phénomène interconnecté (Sans rapport avec la fusion, là on est dans la vaporisation, mais la fusion de l'eau trop complexe pour mes petits neurones). .... Bref aucune théorie n'est irréfutable dans la réalité, car tout dépend du référentiel, dans la relativité restreinte, ça va, dans la générale, on pédale. Ce n'est valable que dans le monde merveilleux et parfait des mathématiques. Le pourquoi on a créé la p value. Un genre de repère turlututu. Tchusss.tu déchires sinon, un tel travail! Wahow! Respect! Meilleurs qu'un buzz d'orange bud!

Merci pour cette vidéo. La p-value était une chose floue conceptuellement pour moi. Je pense avoir enfin bien saisi le concept. Et oui même en Centrale Paris je crois que mon prof de math/stat était pas tout à fait au point dessus (ou c'est juste moi, surement d'ailleurs, et c'était y'a 15 ans). A noter qu'à la première lecture de la vidéo, au premier tiers, j'ai juste penser (à tord) que c'était juste la loi des grand nombre/loi normale, les distributions gaussiennes...etc...etc....on connais tous. Puis je me suis dis que c'était pas possible que ce soit un truc aussi simple pour qu'un doctorant en math admette avoir eu du mal à saisir le concept. J'ai dû regarder 5 fois la vidéo et je pense avoir saisi le tuc.....en tout cas j'ai touché le concept et va falloir que je le laisse mûrir en moi (comme la relativité générale et la physique quantique.....au delà des équations c'est le concept qu'il est difficile à approcher).

C'est quoi la crédence de la théorie ? Tu nous rabâche ça mais je ne sais pas trop ce que c'est.

Existe t il des cas dans lesquels la distribution de la densité de probabilité ne suit pas une loi normale ? Et d ailleurs pourquoi en suit elle une ? Cela a t il un rapport avec le théorème central limite ou est ce hors sujet ?

encore une formidable video. Merci. Merci.

Pour ceux qui ont lu le livre, y'a comme un air de déjà vu ... x) sinon j'ai un questionnement vis-à-vis de la p-value : j'ai bien compris qu'il fallait une courbe de gauss pour la calculer mais peut-on construire la courbe avec n'importe quelle donnée ? C'est là que pige pas. Comment peut-on placer les résultats du LHC sur une courbe de gauss ? Quelles données ils utilisent (et/ou transforment) ? La chaîne "La statistique expliquée à mon chat" montre l'exemple avec des lancers de dés, ok c'est évident que l'on puisse tracer une courbe de gausse sans problème mais pour le reste ... merci pour ta ou vos réponses, si plusieurs personnes souhaitent y répondre.

Merci pour ta vidéo elle est top :)

Aie, j'ai la boite crânienne qui pique. Serait-il possible d'ajouter quelques exemples concrets pour les noobs comme moi?

" La p-value concerne la probabilité d'une conclusion sachant la théorie vrai, et ça en faite ça ne nous dit pas grand chose de la probabilité de la théorie sachant qu'elle a été rejetée tout ça parce que la vraisemblance des données n'est pas la crédence de la théorie" Merci Science4All

Tu appeles ta chaîne "science for all" mais tes vidéos sont quand même très compliqués à comprendre😂

avec mes cours de statistiques que j'ai en école d'ingé c'est deja pas tout a fait évident a comprendre, alors je veux bien comprendre que certains moldus veuillent que ce soit vulgarisé :'( très interessant!

Comment j'ai la cervelle qui pique. Je vais me la repasser 1 ou 2 fois celle là 🤯. Très rigolot à écouter comme toujours, merci!

J’ai juste une question qui me tourmente depuis un moment en statistique, comment est ce possible que nous estimons nos données à l’aide d’une loi de type normale mais que nous avons besoin de ces même données pour déterminé la loi qu’elle suivent?? J’ai l’impression que c’est un peu le serpent qui se mort la queue ou peut être que je me trompe.

@Lê corriges moi si je me trompe, est-ce qu'un titre valide aurait pu être "les chercheurs n'ont pas réussi à invalider la théorie du boson de Higgs à plus de 0,0001%" ?

si je fais un test d'égalité de proportions par exemple et que je dis que je veux savoir si la différence entre les proportions est significative (au sens français du terme) est-ce faux?

Excellent exposé mais incomplet je crois. Lorsque l'on cherche à tirer les conclusion d'une expérience il y a deux risques: celui de rejetter T à tort, mesuré par la p-value, et celui de ne pas rejeter T, à tort, rarement mesuré. Le choix traditionnel (Neyman-Pearson) est de minimiser le premier risque en ignorant le second. Ce choix, comme vous le laissez entendre en creux est à l'origine de la sous-publication de résultats "négatifs". Dans la course au scoop le gagnant n'est pas celui qui aura la plus grosse mais celui qui aura la plus petite... p-value.

Enfiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiin!!!

D'où une cause majeure de surinterprétation (validation d'un modèle pourtant faux). Prenez un modèle hypersophistiqué (du genre : formule avec 12 paramètres ajustables), et trois ou quatre données. Ajustez les 12 paramètres à vos données. Bingo : régression géniale, p-value hyper-faible. Cela veut juste dire que si votre modèle est vrai, alors la probabilité que les données collent au modèle est grande. Pourtant, la probabilité que le modèle soit vrai est en fait proche de zéro dans ce cas précis... Mais Lê : admettez que ce genre d'exemple reste rare : on fait gaffe à tout un tas de précautions : quand j'étais jury de thèse, je retoquais systématiquement des modèles qui avaient davantage de paramètres ajustables que de jeux de données indépendants (erreur de degrés de liberté...) ET je demandais à ce que les étudiants arrêtent de coller systématiquement une interprétation phénoménologique à un calage purement statistique sans indice phénoménologique (bref : sans découverte phénoménologique, un paramètre ajusté n'est qu'un paramètre). Certes, pas mal de mauvaises publis passent au travers des mailles du filet, mais quand même : admettez que les fréquentistes ne sont pas si débiles. Ils sont aussi bayésiens, en réalité.

Excellent travail Lê !!! Bonne continuation !

Bonjour, Si j'ai un risque de 5% Est ce que une pvalue de 4% a le même interprétation qu'une pvalue de 0,04%? Merci

Ce n'est pas parce que le critère de réfutabilité est vu comme nécessaire qu'il est suffisant, et notamment que l'activité scientifique se restreindrait à réfuter des théories. Le critère de Popper n'est que l'exigence que les théories soient compatibles avec les données. Il est souvent aussi requis que les théories soient originales (ce qui évite les hypothèses ad hoc), c'est à dire qu'elles ne se contentent pas d'organiser les données existantes mais prédisent aussi des observations inédites. Cela correspond à l'exigence bayésienne de prédiction des données à partir des théories, avec évidemment l'avantage que l'approche bayésienne est quantitative. En somme, je ne comprends pas pourquoi tu associes le popperisme avec le fréquentisme, alors que le bayésianisme est la version quantifiée du poppérisme...

Ah la la et je viens d’avoir partiel de test statistiques aujourd’hui tu aurais du la sortir hier cette vidéo car j’en ai eu des p-valeur à calculer 🤣🤣🤣 en tout cas merci !!

tu peux même ajouter parmi les utilisateur de p-value les trader (sens large), et en général, ça leur coûte cher :p

Bonjour tout le monde, Merci beaucoup pour cette vidéo Lê ! J'ai entrepris des études de médecines et je pense faire typiquement parti de ces personnes qui interprètent très régulièrement des p-value sans en comprendre le sens😁. Même si je sens bien que je suis très loin d'avoir bien compris toutes les implications et que j'ai encore beaucoup de chose à apprendre cette vidéo a vraiment créée une rupture sur le manière que j'avais d'appréhender cette donnée. Vivement le suite 😉. (Par contre j’ai un concours dans 20 jours et maintenant je suis plus du tout sûr de comprendre pleinement la p-value^^) Petite question pour ceux qui auraient compris plus loin que moi. J’essaye d’appliquer à ce que je croise quand je lis des études: Les études que je lis comparent souvent deux traitements (T1 et T2) et leurs effets sont mesurés grâce à un jeu de données D1 pour T1 et D2 pour T2 en général avec cette forme : Hypothèse H0 : les deux traitements sont aussi efficaces l’un que l’autre soit D1/D2=1 Hypothèse H1 : il y a une différence d’efficacité entre les deux traitements soit D1/D2 # 1 Seuil = 5 % Donc si j’ai pas trop compris de travers : *Si on mesure D1/D2 # 1 avec p=0,05 alors on peut dire que si H1 est vraie alors cette donnée a 5 % de chance de la réfuter. → Ceci serait un interprétation correcte de la p-value. *Par contre j’avais aussi l’habitude de comprendre dans cette situation que la probabilité que H1 soit quand même fausse malgré ces données était de 5 %.→Ceci est une mauvaise interprétation de la p-value car cette dernière est définie pour H1 vraie et n’est donc pas informative pour les situations où H1 fausse. Merci 😊.

En plus de ce que tu viens de dire il faut en plus ajouter les hypothèses faites pour pouvoir calculer les probabilités. Notamment la distribution de la statistique étudiée que l on suppose par exemple normale. On a au moins le théorème limite centrale pour aider dans certains cas mais souvent ces verifications et précautions quant aux conclusions sont oubliées.

Merci

à 8:37 , est-ce que le "blabla" revient à dire que "la probabilité d'obtenir un jeu de données D qui contre-dise l'hypothèse est suffisamment faible (

Donc la p value c'est le seuil statistique à partir duquel l'expérimentation permet de rejeter h0 et d'adopter h1, c'est bien ça ?

Très bonne vidéo, ai-je trouvé, cher Lê ! 8-) J'ai notamment apprécié que tu aies pris soin de souligner que, si la p-valeur est effectivement l'objet de bien des abus et confusions, ça n'en reste pas moins un outil très intéressant et dont l'invention a marqué un grand progrès scientifique… Concernant le critère de réfutabilité de Popper que tu évoques, j'avais trouvé particulièrement intéressante la vidéo de Monsieur Phi sur le sujet (Grain de Philo #22) où il soulignait comme ce très pertinent critère avait, tout comme la notion de p-valeur, tendance à être interprété de façon caricaturale et in fine erronée… Peut-être pourrais-tu ajouter un lien vers cette vidéo ? (encore que, cela s'éloignerait peut-être un peu trop du sujet traité… :-S). En tout cas, bravo pour cette vidéo très réussie sur un sujet particulièrement subtil à traiter dans un tel format de vulgarisation en 10 minutes ! :-D

Au niveau 7'09'' vous dites que "D est hautement invraisemblable (ou improbable) si la probabilité des données extrêmes (sachant T) est très faible. N'est-ce pas le contraire ?

J'arrive après la bataille. Il me semblait que justement ce seuil arbitraire pour la valeur p se nomme alpha (d'où le risque alpha de rejeter H0 alors que H0 est vraie). Or il me semblait également que l'intervale de confiance (donc certitude) est donné par 1 - alpha. Donc, en sachant ça, voir que les scientifiques ont prouvé l'existence du boson de Higgs avec 99,9999% de certitude me semble correct si la p value était de 0,000029%. Car l'hypothèse nulle étant l'inexistence du boson de Higgs, la p-value permet de rejeter cette hypothèse. Bref, ça ne change rien à la validité des critiques que tu émets par la suite, et la simplification du propos par les médias, mais l'affirmation ne me semblait pas erronée quand on a conscience de la nature de la p-value et des intervalles de confiances ainsi que de la méthodologie du test statistique.

Même pas mal, même Popper !

La crédence est un meuble ( ou partie d'un meuble ) de cuisine ?

On peut rejeter avec une p-value inférieur à 1% l'hypothèse H0: "Cette vidéo n'est pas intéressante!"

je comprenais bien jusqu'à 6:40 "La donnée D est hautement invraisemblable si la probabilité de données pire que D est très faible" ça veut dire que si la probabilité de données pire que D est très faible, alors D est invraisemblable ? c'est pas plutôt le contraire ? peut-être que je comprends pas bien ce que veut dire pire que D

L'erreur de base, c'est de ne pas exemplifier. Ainsi, ce n'est pas de la vulgarisation, c'est un cours de maths pour matheux. Sur un sujet pareil et aussi important (la crédibilité des articles de presse sur la science), ça vaudrait vraiment la peine de faire une vidéo en plusieurs épisodes, avec des exemples et une construction narrative qui accroche le néophyte.

Après l'expression "mathématiquement prouvé", vous pouvez oublier également l'expression "statistiquement significatif" !

Quelques exemples concrets de p value de certaines etudes aideraient . Je travaille avec des etudes scientifiques comme support , dont la p-value est tres mise en avant , mais je reste un peu dans le vague avec ta video