PRÉLIMINAIRES

I. Objectifs Pédagogiques et Compétences Visées

Acquisition d’une compétence analytique fondamentale pour le pilotage des organisations de santé. Ce manuel structure la pensée statistique de l’étudiant, le rendant capable de transformer des données brutes en indicateurs de performance clairs. L’objectif final est de permettre au futur logisticien de santé de fonder ses décisions (gestion de stock, allocation de ressources, planification de campagnes) sur une analyse factuelle et rigoureuse, une nécessité absolue pour optimiser les systèmes de santé en RDC.

II. Positionnement de l’UE dans le Cursus

Socle indispensable de la première année, cette Unité d’Enseignement constitue la grammaire quantitative du logisticien de santé. Elle précède et conditionne la maîtrise des UE plus avancées en gestion de la chaîne d’approvisionnement, épidémiologie opérationnelle et recherche. Sans cette base, l’analyse des flux de médicaments, la prévision des besoins en intrants ou l’évaluation de l’efficacité d’une distribution deviennent impossibles. Elle ancre l’étudiant dans une culture de la preuve, vitale pour sa crédibilité professionnelle.

III. Méthodologie d’Évaluation et d’Apprentissage

L’évaluation combine une maîtrise théorique et une application pratique ciblée. Le Cours Magistral (CM) établit les fondements conceptuels. Les Travaux Dirigés (TD) se concentrent sur la résolution de problèmes concrets, basés sur des scénarios de la logistique sanitaire congolaise (ex: rupture de stock à Mbandaka). Les Travaux Pratiques (TP) initient à l’utilisation de logiciels pour traiter des jeux de données réels. L’évaluation finale sanctionnera la capacité à choisir et appliquer la bonne méthode statistique à un problème logistique donné.

IV. Guide d’Utilisation du Manuel

Conçu comme un instrument de travail, ce manuel suit une progression logique rigoureuse. Chaque partie correspond à un bloc de compétences distinct. Les chapitres sont des modules autonomes mais interdépendants, dont l’aperçu textuel expose l’utilité opérationnelle immédiate. Les sous-chapitres techniques détaillent les “comment”. L’étudiant est invité à systématiquement connecter la théorie à la problématique métier du logisticien de santé en RDC, dont les exemples parsèment ce document.

PARTIE 1 : Définitions de base

Cette partie installe le socle terminologique et conceptuel de la statistique. Maîtriser ce vocabulaire est la condition sine qua non pour structurer une pensée analytique claire et communiquer des résultats sans ambiguïté. Elle établit la distinction critique entre population et échantillon, classifie les types de données que le logisticien de santé manipulera au quotidien, et introduit le langage symbolique qui permet de formaliser les problèmes et les solutions de manière universelle et professionnelle.

Chapitre I. Fondements Conceptuels et Lexicaux de la Statistique

I.1 Distinction Fondamentale : Population, Échantillon, Individu

Face à l’immensité des données sanitaires nationales, la distinction entre la population cible (ex: tous les enfants de moins de 5 ans au Sud-Kivu), l’échantillon étudié (ex: les enfants suivis dans 50 centres de santé choisis) et l’individu (l’unité statistique) est cruciale. Ce point technique enseigne comment définir ces ensembles rigoureusement pour garantir la validité d’une enquête sur, par exemple, la couverture vaccinale, et éviter des conclusions erronées qui pourraient affecter la stratégie nationale.

I.2 Typologie des Variables et Échelles de Mesure

Sous l’angle de la classification rigoureuse, les données collectées doivent être correctement catégorisées pour être exploitables. Ce sous-chapitre détaille la taxonomie des variables (qualitatives nominales/ordinales, quantitatives discrètes/continues) et les échelles de mesure associées. Savoir si le “statut d’un stock” est une variable ordinale (Plein, Partiel, Critique, Rupture) ou si la “température d’un frigo” est continue conditionne directement le choix des outils d’analyse pertinents pour le suivi de la chaîne du froid.

I.3 Le Concept de Série Statistique et sa Représentation

Une organisation méthodique des données brutes est la première étape de toute analyse. Nous abordons ici la transformation d’une masse d’informations non structurées (ex: fiches de consultation journalières d’un centre de santé de la Tshopo) en une série statistique ordonnée et intelligible. La construction de tableaux de distribution de fréquences permet de visualiser la structure des données et de détecter rapidement des anomalies ou des tendances, comme un pic inhabituel de consommation d’un antipaludéen.

I.4 Introduction aux Notations et Symboles Mathématiques

Pour garantir un langage universel et sans ambiguïté, l’appropriation des notations statistiques est non négociable. Ce segment se concentre sur la signification et l’utilisation pratique des symboles fondamentaux (Σ, μ, σ, n, N, xi, fi…). La maîtrise de ce langage formel permet au logisticien congolais de lire, comprendre et critiquer des rapports techniques internationaux (OMS, UNICEF) et d’appliquer avec précision des formules pour calculer des indicateurs clés de performance de la chaîne logistique.

PARTIE 2 : Statistiques descriptives

Chapitre III. Mesures de Tendance Centrale et de Position

III.1 Moyenne, Médiane, Mode

Fondement de l’analyse quantitative, ces trois indicateurs synthétisent un ensemble de données en une seule valeur représentative. La maîtrise de leur calcul et de leur interprétation est capitale pour le logisticien de santé. Ce point démontre comment évaluer le délai moyen de livraison de médicaments à une zone de santé du Kivu, identifier le temps médian d’attente des patients pour isoler les goulots d’étranglement, ou déterminer le produit pharmaceutique le plus fréquemment demandé (mode) pour optimiser les stocks.

III.2 Quartiles, Déciles et Centiles

Au-delà de la simple moyenne, les quantiles segmentent une distribution ordonnée pour révéler la structure interne des données. Une connaissance fine de ces mesures de position permet de classer les performances et d’identifier les extrêmes. Nous appliquons ici ces outils pour stratifier les centres de santé du Kasaï selon leur consommation mensuelle d’intrants, permettant une allocation différenciée des ressources et une détection précoce des centres en rupture de stock (premier quartile) ou en surstockage (dernier quartile).

III.3 Moyenne Pondérée et Géométrique

Face à des données de poids inégaux, la moyenne arithmétique simple devient trompeuse. La moyenne pondérée corrige ce biais en attribuant une importance relative à chaque valeur. Ce sous-chapitre enseigne son application pour calculer le coût moyen d’un panier de médicaments essentiels en RDC, en pondérant chaque prix par les volumes d’achat. La moyenne géométrique est également introduite pour analyser les taux de croissance annuels de la prévalence d’une maladie, offrant une vision plus juste des tendances.

III.4 Choix de l’Indicateur et Robustesse

Le choix judicieux d’un indicateur de tendance centrale dépend de la nature et de la distribution des données. Cette section analyse la sensibilité de la moyenne aux valeurs extrêmes et la robustesse de la médiane. L’étudiant apprendra à justifier pourquoi la médiane est un meilleur indicateur du revenu des ménages dans une zone urbaine comme Kinshasa, souvent asymétrique, tandis que la moyenne est pertinente pour évaluer la note de performance standardisée des fournisseurs logistiques.

Chapitre IV. Mesures de Dispersion et de Forme

IV.1 Étendue et Écart Interquartile

Une première approche de la variabilité des données consiste à mesurer l’écart entre les valeurs extrêmes. L’étendue et l’écart interquartile quantifient la dispersion d’une série statistique, informant sur l’homogénéité des observations. Ce savoir-faire est appliqué pour évaluer la fluctuation des températures dans une chaîne du froid entre Matadi et Mbuji-Mayi. Un écart interquartile faible est un gage de fiabilité et de réduction des pertes de vaccins thermosensibles, un enjeu majeur en RDC.

IV.2 Variance et Écart-Type

Mesure cardinale de la dispersion, l’écart-type quantifie la fluctuation moyenne des données autour de leur moyenne. Sa maîtrise est non-négociable pour tout gestionnaire cherchant à contrôler un processus. Cette section détaille son calcul et son interprétation pour analyser la régularité des délais d’approvisionnement d’un dépôt pharmaceutique provincial. Un faible écart-type signifie une chaîne logistique prévisible et performante, permettant de réduire les stocks de sécurité et les coûts associés.

IV.3 Coefficient de Variation

Pour comparer la volatilité relative de deux séries de données n’ayant pas la même unité ou le même ordre de grandeur, l’écart-type seul est insuffisant. Le coefficient de variation, ratio de l’écart-type à la moyenne, offre un indicateur de dispersion normalisé. Il est ici utilisé pour comparer la variabilité des coûts de transport par route versus par voie fluviale en RDC, ou pour évaluer si la consommation de kits de diagnostic est plus stable à Goma qu’à Lubumbashi.

IV.4 Asymétrie (Skewness) et Aplatissement (Kurtosis)

L’analyse de la forme d’une distribution révèle des informations cruciales qu’une mesure de tendance ou de dispersion ne peut fournir. L’asymétrie indique la direction de la concentration des données, tandis que l’aplatissement caractérise la force des queues de distribution. Ce point montre comment l’étude de l’asymétrie de la distribution des âges des patients atteints de diabète peut orienter les stratégies de dépistage vers des groupes cibles spécifiques, optimisant l’impact des campagnes de santé publique.

Chapitre V. Représentations Graphiques et Tableaux Croisés

V.1 Histogrammes et Diagrammes en Bâtons

La traduction visuelle des fréquences par des histogrammes (variables continues) ou des diagrammes en bâtons (variables discrètes) constitue la première étape de l’exploration de données. Ces outils permettent une compréhension immédiate de la structure d’un jeu de données. L’étudiant apprendra à construire et interpréter un histogramme de la durée de séjour des patients pour identifier les modes de prise en charge, ou un diagramme en bâtons comparant le nombre de cas de choléra par zone de santé.

V.2 Diagrammes en Boîte (Box Plots)

Synthèse graphique puissante, le diagramme en boîte représente simultanément la médiane, les quartiles, l’étendue et les valeurs aberrantes. Il est l’outil par excellence pour comparer visuellement les distributions de plusieurs groupes. Cette section démontre son efficacité pour comparer la performance (ex: taux de disponibilité des médicaments) de dizaines de centres de santé en un seul graphique, permettant au gestionnaire du programme national de santé d’identifier instantanément les unités performantes et celles nécessitant un soutien urgent.

V.3 Tableaux de Contingence et Fréquences Croisées

L’exploration des relations entre variables qualitatives passe par la construction de tableaux de contingence. Ces matrices croisent les modalités de deux ou plusieurs variables pour en analyser les fréquences conjointes et marginales. Nous appliquons cette technique pour étudier le lien entre le niveau d’éducation d’une mère et le statut vaccinal de son enfant en milieu rural congolais, fournissant des preuves quantitatives pour cibler les programmes de sensibilisation.

V.4 Cartographie Statistique et Analyse Spatiale

Ancrer la donnée dans l’espace géographique congolais décuple sa valeur décisionnelle. La cartographie thématique (choroplèthe) transforme des tableaux de données en cartes parlantes. Ce sous-chapitre initie à la représentation de taux de prévalence, de couverture vaccinale ou de densité de personnel de santé par province ou territoire. Une telle visualisation permet au logisticien de santé d’optimiser les circuits de distribution et au décideur d’allouer les ressources là où l’impact sera maximal.

PARTIE 3 : Echantillonnage et introduction aux tests

Chapitre VI. Fondements de l’inférence statistique pour la logistique de santé

VI.1 Théorie de l’échantillonnage et ses méthodes

Face à l’impossibilité d’auditer l’intégralité des stocks pharmaceutiques d’une province comme le Kasaï, la maîtrise des techniques d’échantillonnage devient un impératif de gestion. Cette section détaille les méthodes probabilistes et non probabilistes, en insistant sur l’échantillonnage stratifié pour garantir la représentativité des différentes zones de santé. L’objectif est de permettre au logisticien de santé de collecter des données fiables sur la disponibilité des médicaments avec des ressources limitées, optimisant ainsi les tournées d’inspection.

VI.2 Estimation par intervalle de confiance

Au-delà de la simple moyenne, la quantification de l’incertitude via les intervalles de confiance offre une vision plus honnête de la réalité logistique. Ce point enseigne comment construire et interpréter un intervalle de confiance pour une moyenne ou une proportion. Pour un logisticien en RDC, cela signifie pouvoir affirmer avec 95% de confiance que le taux de rupture de stock de vaccins dans la Tshopo se situe entre 5% et 12%, guidant des décisions de réapprovisionnement plus robustes.

VI.3 Principes fondamentaux des tests d’hypothèses

Formalisation du raisonnement déductif, le test d’hypothèse structure la prise de décision face à une affirmation. Ce sous-chapitre expose la logique derrière la formulation des hypothèses nulle (H0) et alternative (H1), le calcul de la statistique de test et l’interprétation du seuil de signification (p-value). L’étudiant apprendra à valider ou réfuter une affirmation, par exemple, si une nouvelle chaîne du froid a significativement réduit le taux de péremption des intrants à Kinshasa.

VI.4 Introduction aux tests paramétriques : Test de Student (t-test)

Une comparaison rigoureuse entre deux stratégies logistiques exige des outils statistiques validés, tel le test de Student. Cette section se concentre sur l’application pratique du t-test pour comparer les moyennes de deux échantillons indépendants. Le futur logisticien de santé pourra ainsi déterminer si la durée moyenne de stockage des médicaments dans un dépôt de Goma diffère significativement de celle d’un dépôt de Bukavu, permettant d’identifier et de corriger les inefficacités de manière ciblée et chiffrée.

ANNEXES

A. Glossaire technique et lexique bilingue (Français-Lingala/Swahili)

Maîtriser le jargon statistique est un prérequis à toute communication professionnelle efficace. Cette annexe fournit les définitions rigoureuses des termes clés (variable, écart-type, quartile, etc.) et propose leur traduction contextualisée en Lingala et Swahili. L’objectif est de faciliter le déploiement des compétences sur le terrain, en permettant au logisticien de santé de dialoguer avec les équipes locales et de former le personnel non-technique avec une terminologie précise et comprise de tous, de Kinshasa à Goma.

B. Cas d’étude intégral : Optimisation de la chaîne du froid vaccinale dans la province de l’Ituri

Ce cas pratique synthétise l’ensemble des compétences acquises. À partir de données brutes (fictives mais réalistes) sur les températures des réfrigérateurs, les délais de livraison et les taux de couverture vaccinale en Ituri, l’étudiant doit mener une analyse descriptive complète. Il s’agira de calculer les indicateurs pertinents, de produire des graphiques pour identifier les points de rupture logistiques et de formuler des hypothèses chiffrées pour améliorer la performance de la chaîne du froid dans cette zone à forts défis sécuritaires et sanitaires.

Lire aussi :

Cours de Stage, master-2, STA2241

Cours de Fiscalité économique, nonspécifié, FEC1352,

Cours de Comptabilité Générale, licence-1, COG1121,

Cours de Architecture logicielle avancée, annee-inconnue, ALA2121

Cours de Laboratoire informatique, licence-1, LAI1124,

Cours de Institutions et services publics de l'Etat, annee-inconnue, ISP1111