The Bio Data Scientist

D005 - Confidence Intervals: What Do They Really Mean?

A confidence interval (CI) gives a range of values that is likely to contain the true effect or true estimate in the population.

For example:
Mean = 12.4 (95% CI: 11.8–13.1)
This means:
👉 If we repeated the study many times, 95% of the calculated intervals would contain the true value.

Why CIs are more informative than p-values

They show magnitude of effect
They show precision
They help interpret biological relevance

Interpreting CI width

Narrow CI → precise estimate
Wide CI → more uncertainty (often due to small sample size)

A result can be statistically significant but biologically irrelevant —
CIs help you judge both.

---
J005 -Intervalles de confiance : que signifient-ils vraiment ?

Un intervalle de confiance (IC) fournit une plage de valeurs usceptible de contenir l’effet réel ou la vraie valeur d'une estimation dans la population.

Par exemple :
Moyenne = 12,4 (IC 95 % : 11,8–13,1)
Cela signifie :
👉 Si l’on répétait l’étude plusieurs fois, 95 % des intervalles contiendraient la vraie valeur.

Pourquoi les IC sont plus informatifs que les valeurs p?

Ils montrent l’ampleur de l’effet
Ils indiquent la précision
Ils aident à juger la pertinence biologique

Interprétation de l'étendu

IC étroit → estimation précise
IC large → plus d’incertitude (souvent dû à un petit échantillon)

Un résultat peut être statistiquement significatif mais biologiquement insignifiant — Les IC permettent d’évaluer les deux.

D004: Understanding p-value

Today, let’s clarify one of the most misunderstood concepts in biostatistics: the p-value.

A p-value tells us how compatible our data are with the assumption that there is no real effect (the null hypothesis). It does not tell us the probability that the hypothesis is true — only how surprising the data are if the null were true.

✔️ p < 0.05 → strong evidence against the null
✔️ p >= 0.05 → no evidence against the null

Remember:
A small p-value ≠ a large effect.
A large p-value ≠ no effect.
Interpretation always depends on study design, sample size, and biological context.

---
J004: Comprendre la valeur p

Aujourd’hui, clarifions un concept souvent mal compris en biostatistiques : la valeur p.

La valeur p indique à quel point nos données sont compatibles avec l’hypothèse nulle (absence d’effet réel). Elle ne représente pas la probabilité que l’hypothèse soit vraie — seulement à quel point les données seraient surprenantes si l’hypothèse nulle était vraie.

✔️ p < 0,05 → forte preuve contre l’hypothèse nulle
✔️ p >= 0,05 → pas de preuve contre l’hypothèse nulle

À retenir :
Une petite valeur p ≠ un grand effet.
Une grande valeur p ≠ absence d’effet.
Tout dépend du design de l’étude, de la taille d’échantillon et du contexte biologique.

D003: Why Choosing the Right Data Type Matters

Now that we’ve seen the main types of biological data, let’s answer a key question:

👉 Why does the type of data matter so much?
Because every statistical test and every ML algorithm expects a specific kind of data. Choosing the wrong type means:

❌ invalid results
❌ misleading conclusions
❌ wrong interpretation in research

Here are examples:

• Continuous data → t-test, regression, ANOVA
Example: comparing enzyme concentration between groups.

• Discrete data → Poisson or logistic models
Example: counting bacteria colonies.

• Categorical data → Chi-square test
Example: comparing infection status across groups.

• Ordinal data → non-parametric tests
Example: disease severity scales.

In short:
Correct data type → correct method → correct conclusions.
It’s the foundation of biostatistical analysis.

---

J003 : Pourquoi le type de données est-il si important ?

Après avoir vu les principaux types de données biologiques, répondons à une question essentielle :

👉 Pourquoi le type de données est-il si important ?
Parce que chaque test statistique et chaque modèle de ML nécessite un type de données précis.
Choisir le mauvais type entraîne :

❌ résultats invalides
❌ conclusions trompeuses
❌ mauvaise interprétation scientifique

Quelques exemples :

• Données continues → t-test, régression, ANOVA
Exemple : comparer une concentration enzymatique entre groupes.

• Données discrètes → modèles Poisson ou logistiques
Exemple : compter des colonies bactériennes.

• Données catégorielles → test du Chi-deux
Exemple : comparer le statut infecté/non infecté.

• Données ordinales → tests non paramétriques
Exemple : échelle de sévérité d’une maladie.

En résumé :
Bon type de données → bonne méthode → bonnes conclusions.
C’est la base de toute analyse biostatistique.