Le Paradoxe de Simpson : Quand les Statistiques nous Trompent

Problématique

Comment le paradoxe de Simpson illustre-t-il les limites des statistiques globales face aux probabilités conditionnelles, et en quoi montre-t-il la nécessité de prendre en compte les facteurs de confusion pour interpréter correctement des données ?

---

Introduction

Nous vivons dans une société gouvernée par les données. Qu’il s’agisse de santé publique, de choix économiques ou de politiques éducatives, les statistiques sont présentées comme le garant suprême de l’objectivité et de la rationalité. Un adage populaire affirme même que « les chiffres ne mentent pas ». Pourtant, la manipulation inconsciente ou l’interprétation hâtive des données peut conduire à des conclusions totalement erronées, parfois contraires à la réalité.

L’un des exemples les plus frappants de ce décalage entre l’intuition et la rigueur mathématique est le paradoxe de Simpson. Décrit pour la première fois de manière formelle par le statisticien Edward Simpson en 1951, ce phénomène se produit lorsqu’une tendance observée dans différents groupes de données s’inverse complètement lorsque ces groupes sont combinés. Ce paradoxe met en lumière un piège classique : la confusion entre corrélation et causalité due à l’omission d’une variable cachée, appelée facteur de confusion.

Dès lors, nous pouvons formuler la problématique suivante : Comment le paradoxe de Simpson illustre-t-il les limites des statistiques globales face aux probabilités conditionnelles, et en quoi montre-t-il la nécessité de prendre en compte les facteurs de confusion pour interpréter correctement des données ?

Pour y répondre, nous présenterons d’abord une modélisation concrète du paradoxe à travers une étude médicale fictive mais réaliste. Nous analyserons ensuite ce phénomène sous l’angle mathématique des probabilités conditionnelles et de la formule des probabilités totales. Enfin, nous verrons l’importance de ce paradoxe dans la prise de décision et dans les sciences appliquées.

---

I. Illustration concrète : le choix d’un traitement médical

A. Présentation des données globales

Imaginons la situation suivante : un patient est diagnostiqué avec une tumeur rénale. Le médecin lui présente deux traitements alternatifs pour éliminer cette tumeur :

• Le Traitement A (une thérapie médicamenteuse légère).
• Le Traitement B (une intervention chirurgicale lourde).

Pour aider le patient à choisir, le médecin lui montre les résultats globaux portant sur les $1000$ derniers patients traités dans l’hôpital :

• Sur $500$ patients ayant reçu le Traitement A, $390$ ont été guéris, soit un taux de guérison global de : $$\frac{390}{500} = 78%$$
• Sur $500$ patients ayant reçu le Traitement B, $255$ ont été guéris, soit un taux de guérison global de : $$\frac{255}{500} = 51%$$

Face à ces chiffres, le choix intuitif du patient est immédiat et rationnel en apparence : le Traitement A présente un taux de réussite nettement supérieur ($78%$ contre $51%$). Il demande donc à recevoir le Traitement A.

B. L’inversion des tendances par sous-groupes

Le médecin explique alors que la réussite du traitement dépend fortement de la gravité de la maladie, caractérisée ici par la taille de la tumeur. Les données sont alors séparées en deux sous-groupes : les petites tumeurs (cas bénins) et les grosses tumeurs (cas graves).

1. Cas des petites tumeurs :

   • Traitement A : $400$ patients testés, $360$ guéris $\implies$ Taux de guérison = $\frac{360}{400} = 90%$
   • Traitement B : $100$ patients testés, $95$ guéris $\implies$ Taux de guérison = $\frac{95}{100} = 95%$
   • Constat : Le Traitement B is plus efficace que le Traitement A ($95% > 90%$).

2. Cas des grosses tumeurs :

   • Traitement A : $100$ patients testés, $30$ guéris $\implies$ Taux de guérison = $\frac{30}{100} = 30%$
   • Traitement B : $400$ patients testés, $160$ guéris $\implies$ Taux de guérison = $\frac{160}{400} = 40%$
   • Constat : Le Traitement B est également plus efficace que le Traitement A ($40% > 30%$).

Le paradoxe éclate alors de manière spectaculaire : le Traitement B est plus efficace pour les petites tumeurs, il est également plus efficace pour les grosses tumeurs, mais au niveau global, c’est le Traitement A qui semble le plus efficace !

---

II. Modélisation mathématique par les probabilités conditionnelles

A. Définition des événements et probabilités associées

Pour analyser rigoureusement cette contradiction apparente, nous devons modéliser la situation avec les outils du programme de spécialité mathématiques de Terminale. Définissons les événements suivants :

• $A$ : « Le patient reçoit le Traitement A »
• $B$ : « Le patient reçoit le Traitement B »
• $T$ : « Le patient a une petite tumeur »
• $\bar{T}$ : « Le patient a une grosse tumeur »
• $S$ : « Le traitement est un succès (guérison) »

Les taux de réussite par sous-groupe correspondent aux probabilités conditionnelles suivantes exprimées selon la notation réglementaire du lycée ($P_{\text{sachant}}(\text{événement})$) :

• Pour les petites tumeurs ($T$) : $$P_{A \cap T}(S) = 0{,}90 \quad \text{et} \quad P_{B \cap T}(S) = 0{,}95$$
• Pour les grosses tumeurs ($\bar{T}$) : $$P_{A \cap \bar{T}}(S) = 0{,}30 \quad \text{et} \quad P_{B \cap \bar{T}}(S) = 0{,}40$$

Nous constatons bien que pour chaque état de la tumeur : $$P_{A \cap T}(S) < P_{B \cap T}(S) \quad \text{et} \quad P_{A \cap \bar{T}}(S) < P_{B \cap \bar{T}}(S)$$

B. Application de la formule des probabilités totales

Puisque les événements $T$ et $\bar{T}$ forment une partition de l’univers (une tumeur est soit petite, soit grosse), la formule des probabilités totales nous permet d’exprimer la probabilité globale de guérison pour chaque traitement : $$P_A(S) = P_{A \cap T}(S) \cdot P_A(T) + P_{A \cap \bar{T}}(S) \cdot P_A(\bar{T})$$ $$P_B(S) = P_{B \cap T}(S) \cdot P_B(T) + P_{B \cap \bar{T}}(S) \cdot P_B(\bar{T})$$

Calculons les probabilités d’avoir une petite ou une grosse tumeur sachant le traitement administré :

• Pour le groupe ayant reçu le Traitement A ($500$ patients dont $400$ petites tumeurs) : $$P_A(T) = \frac{400}{500} = 0{,}80 \quad \text{et} \quad P_A(\bar{T}) = \frac{100}{500} = 0{,}20$$
• Pour le groupe ayant reçu le Traitement B ($500$ patients dont $100$ petites tumeurs) : $$P_B(T) = \frac{100}{500} = 0{,}20 \quad \text{et} \quad P_B(\bar{T}) = \frac{400}{500} = 0{,}80$$

Injectons ces valeurs dans nos formules de probabilités totales :

• Pour le Traitement A : $$P_A(S) = 0{,}90 \cdot 0{,}80 + 0{,}30 \cdot 0{,}20 = 0{,}72 + 0{,}06 = 0{,}78 \quad (78%)$$
• Pour le Traitement B : $$P_B(S) = 0{,}95 \cdot 0{,}20 + 0{,}40 \cdot 0{,}80 = 0{,}19 + 0{,}32 = 0{,}51 \quad (51%)$$

Le calcul confirme le paradoxe : les coefficients de pondération (la répartition des types de tumeurs) viennent masquer la réalité de l’efficacité intrinsèque des traitements.

---

III. Le facteur de confusion et l’interprétation des données

A. Mécanisme du paradoxe : la variable cachée

Pourquoi les tendances se sont-elles inversées ? L’explication réside dans le fait que la taille de la tumeur ($T$ ou $\bar{T}$) est liée à la fois au choix du traitement (la cause) et à la guérison (l’effet). C’est ce qu’on appelle une variable de confusion (ou facteur de confusion).

1. La taille de la tumeur influe sur la guérison : une petite tumeur guérit beaucoup plus facilement qu’une grosse tumeur, quel que soit le traitement choisi ($90%$ à $95%$ contre $30%$ à $40%$).
2. La taille de la tumeur influe sur l’attribution du traitement : les médecins prescrivent préférentiellement le traitement léger A aux cas bénins ($80%$) et réservent le traitement lourd B (la chirurgie) aux cas graves ($80%$).

De ce fait, le Traitement A est testé en grande majorité sur des patients faciles à guérir ($P_A(T) = 80%$), ce qui gonfle artificiellement son taux de réussite global. À l’inverse, le Traitement B est testé en majorité sur des patients très malades ($P_B(\bar{T}) = 80%$), ce qui plombe statistiquement son efficacité globale.

En agrégeant les données, nous mélangeons des populations non comparables. L’analyse globale crée une illusion d’efficacité pour le traitement A, alors que le traitement B est biologiquement supérieur dans tous les cas.

B. Conséquences pour la prise de décision

Ce paradoxe n’est pas un cas d’école abstrait. Il se produit régulièrement dans des situations réelles :

• En médecine : Lors de l’analyse de l’efficacité de vaccins ou de médicaments, si les populations à risque (personnes âgées) reçoivent un traitement particulier, les données globales peuvent faire croire que ce traitement est inefficace alors qu’il sauve des vies dans sa cible.
• En sciences sociales : En 1973, l’université de Berkeley a été suspectée de discrimination sexiste car le taux d’admission global des femmes était inférieur à celui des hommes. Cependant, en analysant département par département, on a découvert que les femmes avaient des taux d’admission égaux ou légèrement supérieurs à ceux des hommes. Le facteur de confusion était le choix des départements : les femmes postulaient en majorité dans des départements très sélectifs avec peu de places, tandis que les hommes postulaient dans des filières moins sélectives.

---

Conclusion

En conclusion, le paradoxe de Simpson est une démonstration majeure de la nécessité de dépasser l’analyse statistique de premier niveau. Il prouve que la simple agrégation de pourcentages peut masquer des réalités inverses et conduire à des décisions catastrophiques (comme choisir le moins bon traitement médical).

Les mathématiques, à travers les probabilités conditionnelles et la formule des probabilités totales, nous fournissent les outils indispensables pour décomposer et analyser les données sous-jacentes. Elles nous rappellent qu’un chiffre n’a de valeur que replacé dans son contexte. Face à un tableau de données, la rigueur consiste à toujours se poser la question : « Y a-t-il une variable cachée qui influence mes résultats ? ». C’est à ce prix que les statistiques redeviennent un outil d’aide à la décision fiable et non une source d’illusions cognitives.

---

Questions Potentielles du Jury

1. Qu’est-ce qu’une partition de l’univers et comment intervient-elle dans la formule des probabilités totales ?

Réponse : En probabilités, une famille d’événements $(E_1, E_2, \dots, E_n)$ de l’univers $\Omega$ forme une partition de l’univers si ces événements remplissent deux conditions :

1. Ils sont deux à deux disjoints (incompatibles) : pour tout $i \neq j$, $E_i \cap E_j = \emptyset$.
2. Leur réunion forme l’univers tout entier : $E_1 \cup E_2 \cup \dots \cup E_n = \Omega$.

Dans notre exposé, les événements $T$ (petite tumeur) et $\bar{T}$ (grosse tumeur) forment une partition de l’univers car une tumeur est soit petite soit grosse (elle ne peut pas être les deux à la fois et couvre toutes les situations). La formule des probabilités totales utilise cette partition pour décomposer la probabilité d’un événement quelconque $S$ (la guérison) : $$P(S) = P(S \cap T) + P(S \cap \bar{T})$$ En utilisant la définition des probabilités conditionnelles, $P(S \cap T) = P_T(S) \cdot P(T)$, nous pouvons écrire : $$P(S) = P_T(S) \cdot P(T) + P_{\bar{T}}(S) \cdot P(\bar{T})$$ Dans le cas de probabilités conditionnelles par rapport à un choix (sachant le traitement A), nous appliquons cette même logique sur l’univers restreint à $A$, ce qui donne la formule de l’exposé.

2. Comment peut-on montrer mathématiquement que le choix du traitement et la taille de la tumeur ne sont pas indépendants dans cette étude ?

Réponse : Deux événements $X$ et $Y$ de probabilité non nulle sont indépendants si et seulement si $P_Y(X) = P(X)$, ce qui équivaut à $P(X \cap Y) = P(X) \cdot P(Y)$. Vérifions si le choix du traitement ($A$) et le fait d’avoir une petite tumeur ($T$) sont indépendants.

• La probabilité d’avoir une petite tumeur dans toute l’étude est de : $$P(T) = \frac{400\text{ (sous A)} + 100\text{ (sous B)}}{1000\text{ (total)}} = \frac{500}{1000} = 0{,}50 \quad (50%)$$
• Or, la probabilité d’avoir une petite tumeur sachant que le patient a reçu le Traitement A est : $$P_A(T) = \frac{400}{500} = 0{,}80 \quad (80%)$$

Puisque $P_A(T) \neq P(T)$ (en l’occurrence $0{,}80 \neq 0{,}50$), nous en déduisons mathématiquement que les événements $A$ et $T$ ne sont pas indépendants. Le choix du traitement est fortement corrélé à la taille de la tumeur, ce qui valide l’existence d’une variable de confusion.

3. Si l’on avait distribué les traitements de manière totalement aléatoire (étude en double aveugle) sans tenir compte de la taille de la tumeur, le paradoxe de Simpson aurait-il pu se produire ?

Réponse : Non, le paradoxe de Simpson n’aurait pas pu se produire. Si les traitements sont attribués de manière totalement aléatoire (par tirage au sort indépendant de la gravité), alors la taille de la tumeur et le choix du traitement auraient été des événements indépendants. Dans ce cas, nous aurions eu : $$P_A(T) = P_B(T) = P(T) \quad \text{et} \quad P_A(\bar{T}) = P_B(\bar{T}) = P(\bar{T})$$ Les pondérations appliquées aux probabilités conditionnelles de guérison auraient été strictement identiques pour les deux traitements. Si $P_{A \cap T}(S) < P_{B \cap T}(S)$ et $P_{A \cap \bar{T}}(S) < P_{B \cap \bar{T}}(S)$, alors par linéarité de la somme, nous aurions obligatoirement obtenu $P_A(S) < P_B(S)$ au niveau global. C’est pourquoi, en recherche clinique, on utilise des essais randomisés contrôlés pour répartir les facteurs de confusion potentiels de manière homogène entre les groupes et éliminer le biais de Simpson.

4. Est-il possible d’illustrer géométriquement le paradoxe de Simpson à l’aide de pentes de segments de droite ?

Réponse : Oui, c’est une excellente façon de visualiser le paradoxe. On peut représenter les résultats dans un repère où :

• L’axe des abscisses représente le nombre total de patients traités.
• L’axe des ordonnées représente le nombre de patients guéris. La pente de la droite reliant l’origine à un point $(x, y)$ correspond au taux de réussite $\frac{y}{x}$. Pour chaque sous-groupe (petites et grosses tumeurs), on peut tracer les vecteurs représentants le Traitement A et le Traitement B.
• Le taux de guérison global de chaque traitement s’obtient par l’addition vectorielle des deux sous-groupes (petites + grosses tumeurs).
• Géométriquement, le vecteur global est la somme des vecteurs de chaque sous-groupe. La pente du vecteur somme dépend de la taille des échantillons. Puisque le traitement A a un très long vecteur dans la catégorie à forte pente (petites tumeurs) et un court vecteur dans la catégorie à faible pente (grosses tumeurs), sa pente globale est tirée vers le haut. Pour le traitement B, c’est l’inverse. Graphiquement, on voit que le segment global de A a une pente supérieure à celui de B, alors que pour chaque étape de construction, les segments de B ont des pentes supérieures à ceux de A.

5. Comment ce sujet se lie-t-il à votre projet d’études professionnelles ?

Réponse : Ce sujet illustre l’importance capitale de l’esprit critique et de la modélisation mathématique face à des données brutes. Je souhaite m’orienter vers des études de statistiques appliquées, d’économie ou de science des données (Data Science), par exemple via un BUT Décisionnel et Statistique (BUT Science des Données) ou une licence MIASHS (Mathématiques et Informatique Appliquées aux Sciences Humaines et Sociales). Dans ces cursus, l’analyse multivariée et l’identification des biais de sélection ou des facteurs de confusion sont des compétences clés. Comprendre le paradoxe de Simpson est un prérequis indispensable pour concevoir des études statistiques honnêtes, analyser des politiques publiques ou programmer des algorithmes d’apprentissage automatique qui ne reproduisent pas des biais cachés dans les bases de données d’apprentissage.