Documente Academic
Documente Profesional
Documente Cultură
BIOSTATISTIQUE
Pr E. BOUAITI
UPR Mdecine sociale
Programme
Chapitre 1 : Principes de base en Biostatistiques
Chapitre 2 : Les statistiques descriptives
Chapitre 3 : Organisation et Prsentation des donnes
Chapitre 4 : Estimation et fluctuations dchantillonnage
Chapitre 5 : Les principales lois de probabilit
Chapitre 6 : Principes des tests statistiques
Chapitre 7 : Les tests de comparaison de pourcentages
Chapitre 8 : Les tests de comparaison de moyennes
02/10/2017 2
Chapitre 1
Principes de base en
biostatistique
1
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
I. Introduction
II. La biostatistique : Dfinition et intrt
III. Variabilit
IV. Unit statistique
V. Population
VI. chantillon
VII. Variables statistiques
VIII.Les mesures de bases
IX. Conclusion
02/10/2017 4
I. Introduction
s
Statistique : du latin statisticum
(ce qui se rapporte lEtat)
Ensemble cohrent de donnes numriques
relatives un groupe d'individus.
Statistiques dmographiques
Statistiques de sant
Etat de sant de la population
Une statistique : un nombre calcul partir
d'observations.
02/10/2017 5
I. Introduction
Statistique :
Ensemble des mthodes scientifiques consistant
runir, organiser, prsenter des donnes
numriques sur une/plusieurs particularit(s)
commune(s) chez un groupe de personnes ou de
choses, puis analyser, tirer des conclusion et
prendre des dcisions.
02/10/2017 6
2
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
I. Introduction
un peu dhistoire
Antiquit :
Premiers recensements :
Sumriens : 3000 av J.-C.
Egyptiens : recensements systmatiques de la
population
Dnombrement de populations humaines pour les
besoins de la guerre et de l'impt.
02/10/2017 7
I. Introduction
un peu dhistoire
Le premier crit sur les sta s ques :
Mathmaticien arabe Al-Kindi (801-873)
"Manuscrit pour Dcrypter les messages
cryptographiques
02/10/2017 8
I. Introduction
un peu dhistoire
Vritable dbut : 18ime sicle :
Gottfried Achenwall (1746) :
Premier enseignement de la statistique (Marburg,
Allemagne)
Dbut des enregistrements des actes civils
(naissances, mariages, dcs)
Calcul des probabilits (P. S. de Laplace, K. F.
Gauss, S. D. Poisson)
1853: Premier Congrs International de Statistique
Statistique descriptive
02/10/2017 9
3
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
13 causes de Dcs
02/10/2017 12
4
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
02/10/2017 13
I. Introduction
Premire moiti du 20ime sicle
Statistiques biologiques et psychologiques
Biomtrie et Psychomtrie
1940 Recherche oprationnelle
02/10/2017 14
Domaines dutilisation de la
statistique
Statistique officielle
Banques Assurances
Sant et Sciences de la vie
Environnement ( air, eau, foresterie, pche )
Sciences humaines
Entreprises Industrie (contrle de qualit,
tudes de march, management)
Presse Mdias
... Discipline transversale
02/10/2017 15
5
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Domaines dutilisation de la
statistique
02/10/2017 16
Domaines dutilisation de la
statistique
02/10/2017 17
Plan
I. Introduction
II. La biostatistique : Dfinition et intrt
III. Variabilit
IV. Unit statistique
V. Population
VI. chantillon
VII. Variables statistiques
VIII.Les mesures de bases
IX. Conclusion
02/10/2017 18
6
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
II. La biostatistique
Dfinition
La biostatistique : ensemble des mthodes
qui ont pour objet :
La collecte des donnes
Le traitement des donnes
Linterprtation des donnes
tout cela au service de sciences biomdicales.
02/10/2017 19
II. La biostatistique
intrt
Pourquoi un module de biostatistique?
Exercice mdicale
Raisonnement
Incertitude
Mthodologie statistique
02/10/2017 20
II. La biostatistique
intrt
Description de l'tat de sant d'une population
Causes de dcs, morbidit
valuation d'un test ou d'un signe
Smiologie quantitative : spcificit, sensibilit, valeurs prdictives
valuation dun traitement
Essai thrapeutique
Recherche de facteurs tiologiques
conomie de la sant
Prvision (Nbre de malades attendus,...)
valuation de la qualit et contrle de production
.
02/10/2017 21
7
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
02/10/2017 22
Exprimentation
C'est--dire en provoquant volontairement l'apparition
de certains phnomnes contrls.
Exemple : administration dun mdicament un groupe
et dun placbo (substance inactive) un autre.
02/10/2017 23
8
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
II. La biostatistique
Deux branches distinctes
Statistique descriptive Calcul de la moyenne,
Statistique du pourcentage
infrentielle
II. La biostatistique
Deux branches distinctes
Statistique descriptive Statistique infrentielle
Variabilit?
chantillon?
02/10/2017 27
9
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
I. Introduction
II. La biostatistique : Dfinition et intrt
III. Variabilit
IV. Unit statistique
V. Population
VI. chantillon
VII. Variables statistiques
VIII.Les mesures de bases
IX. Conclusion
02/10/2017 28
III. Variabilit
Variabilit intra-
individuelle
Variabilit
biologique
Variabilit inter-
individuelle
Variabilit totale
Variabilit
exprimentale
Variabilit
mtrologique
Variabilit
appareil de
mesure
1. Variabilit biologique
Variabilit inter-individuelle Variabilit intra-individuelle
Caractristiques qui diffrent Caractristiques voluant
dun individu lautre dans le temps chez un
mme individu
Si vous observez des
personnes dans la rue vous Si vous mesurez la tension
constatez quelles nont pas artrielle dun individu
toutes la mme couleur de diffrents moments de la
cheveux. journe vous obtiendrez des
valeurs diffrentes.
10
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
2. Variabilit mtrologique
Variabilit de la mesure
Variabilit exprimentale
Variabilit appareil de mesure
3. Variabilit : consquences
Du fait de la variabilit, on est dans le
domaine de lincertain.
Il nexiste pas de vraie valeur
Un Intervalle : Valeur usuelle
Valeur exceptionnelle, hors norme
On ne peut pas prdire avec certitude la
valeur qui va tre observe chez un sujet
inconnu
02/10/2017 32
3. Variabilit : consquences
Exemple courbe de croissance dans le carnet de sant
02/10/2017 33
11
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
4. Variabilit : rsum
Caractristique dans le domaine des sciences
de la sant : VARIABILITE
Chez un mme individu / Entre les individus
Entre les groupes dindividus
Si l'on n'a pas cette variabilit : on a affaire a une
constante.
Biostatistique : Traiter les problmes de
variabilit dans les donnes
La variabilit = la rgle et non lexception
02/10/2017 34
4. Variabilit : rsum
La variabilit est un phnomne naturel
La variabilit est un phnomne invitable
La variabilit est la rgle et non lexception
La variabilit n'est pas une imprcision
La variabilit n'est pas une erreur de mesure
02/10/2017 35
Plan
I. Introduction
II. La biostatistique : Dfinition et intrt
III. Variabilit
IV. Unit statistique
V. Population
VI. chantillon
VII. Variables statistiques
VIII.Les mesures de bases
IX. Conclusion
02/10/2017 36
12
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
02/10/2017
02/10/2017 38
Plan
I. Introduction
II. La biostatistique : Dfinition et intrt
III. Variabilit
IV. Unit statistique
V. Population
VI. chantillon
VII. Variables statistiques
VIII.Les mesures de bases
IX. Conclusion
02/10/2017 39
13
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
V. Population
1. Dfinition
Ensemble dindividus (ou units
statistiques ) sur lequel on tudie
une ou plusieurs caractristiques et
qui sont de mme nature
2. Exemples
Femmes atteintes du cancer du
sein.
Ensemble des patients hospitaliss
dans un hpital
Toutes les naisances de lanne en
cours
Ensemble des tudiants inscrits la
facult de mdecine
02/10/2017 40
V. Population
On peut ne pas connaitre tous les
individus qui composent une
population
Une population peut tre partitionne
en sous populations:
Hommes atteints du VIH.
Femmes fumeuses et atteintes
du cancer du poumon.
Taille de la population
Le nombre d'individus constituant la
population.
Gnralement trs grande
Notation : N
02/10/2017 41
V. Population
Si population limite :
Exhaustive
Recensement : Tous les
sujets de la population
sont examins
Population
02/10/2017 42
14
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
V. Population
Si population importante : Une
partie des sujets de la population
sont examins
chantillon
Population
02/10/2017 43
Plan
I. Introduction
II. La biostatistique : Dfinition et intrt
III. Variabilit
IV. Unit statistique
V. Population
VI. chantillon
VII. Variables statistiques
VIII.Les mesures de bases
IX. Conclusion
02/10/2017 44
VI. chantillon
1. Dfinition
Sous ensemble dune
population et qui est de
de taille finie
2. Exemples
200 Femmes atteintes
du cancer du sein
100 tudiants inscrits
la facult de mdecine
02/10/2017 45
15
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
VI. chantillon
Notation : n
02/10/2017 46
temps
cot
02/10/2017 47
4. chantillon : Infrence
REPRESENTATIVITE
chantillon
Population
Caractristiques?
02/10/2017 48
16
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
4. chantillon : Infrence
chantillon reprsentatif :
chantillon qui reflte fidlement la complexit et
la composition de la population.
chantillonnage alatoire :
Prlvement au hasard, et de faon indpendante,
dun certain nombre " n " dlments partir
dune population de " N " lments.
Chaque lment de la population doit avoir la
mme probabilit dtre slectionn.
02/10/2017 49
Plan
I. Introduction
II. La biostatistique : Dfinition et intrt
III. Variabilit
IV. Unit statistique
V. Population
VI. chantillon
VII. Variables statistiques
VIII.Les mesures de bases
IX. Conclusion
02/10/2017 50
17
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
18
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Variable qualitative
Variable quantitative
02/10/2017 55
VARIABLES QUALITATIVES
1. Dfinition
Une variable statistique est qualitative si ses valeurs
correspondent des qualits :
Non mesurables sur une chelle
Prsence ou absence dune caractristique
Expression : modalits (Classes - Catgories)
02/10/2017 56
02/10/2017 57
19
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Dfinition :
C'est une variable qualitative dont les modalits
sont naturellement ordonnes (il existe un ordre
entre les classes).
Exemple :
Niveau dtude :
Primaire, secondaire, universitaire.
Stade de gravit dune maladie :
Modr, svre, trs svre.
Degr de satisfaction
02/10/2017 58
VARIABLES QUANTITATIVES
Dfinition
Une variable statistique est quantitative si ses
valeurs sont reprsentes par des quantits.
Expression : valeurs numriques.
sur lesquels les oprations arithmtiques (somme,
diffrence...) ont un sens.
02/10/2017 59
Dfinition
Une variable quantitative discrte :
Est une variable avec une valeur que lon peut
numrer.
Est une variable qui ne prend qu'un nombre fini de
valeurs.
Valeurs possibles : peut tre donn sous la forme
dune liste de nombres.
Exemples
Nombre denfants dune famille : 0, 1, 2, 3, 4, 10
02/10/2017 60
20
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Dfinition
Une variable continue peut prendre nimporte
quelle valeur dun intervalle.
Valeurs possibles :
Ne sont pas dnombrable.
Une infinit de valeurs possibles.
Entre un minimum et un maximum.
Exemples
ge, poids, taille, niveau de cholestrol, .
02/10/2017 61
Variables quantitatives
Variables ordinales
Variables qualitatives
02/10/2017 63
21
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Ordinales
Variables
Continues
Variables
quantitatives
Discrtes
02/10/2017 64
Plan
I. Introduction
II. La biostatistique : Dfinition et intrt
III. Variabilit
IV. Unit statistique
V. Population
VI. chantillon
VII. Variables statistiques
VIII.Les mesures de bases
IX. Conclusion
02/10/2017 65
Ratio
Rapports
Indice
Taux
02/10/2017 66
22
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
1. Proportion
Dfinition:
Cest le rapport o le numrateur est une part du
dnominateur.
Numrateur et dnominateur : mme nature
Expression :
a
Nombre compris entre 0 et 1
Pourcentage (pour mille, pour dix mille, ) a+b
02/10/2017 68
2. Ratio
Dfinition
Cest le rapport des effectifs de deux classes dune
mme variable.
Le numrateur nest pas inclus dans le
dnominateur.
Numrateur et dnominateur : mme nature
Expression : nombre sans unit
02/10/2017 69
23
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
3. Indice
Dfinition:
Cest le rapport des effectifs de deux classes de
deux variables diffrentes.
Le numrateur nest pas compris dans le
dnominateur.
Numrateur et dnominateur :
Nature diffrente.
Rfrent des vnements diffrents.
Exemple : habitant / mdecin
02/10/2017 70
4. Taux
Dfinition :
Cest une forme particulire de la proportion qui
renferme la notion de temps, il exprime la vitesse
de changement dun phnomne dans le temps
Notion de risque:
Risque= probabilit
Taux= probabilit de survenue dun vnement au
cours dune priode
02/10/2017 71
4. Taux
Dfinition :
Numrateur : individus ayant subi un vnement
au cours du temps
Dnominateur : lensemble des individus
susceptibles de connatre lvnement pendant
cette priode
Expression : nombre de cas pour 10x personnes -
temps
02/10/2017 72
24
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
4. Taux
Nb de cas survenus
au cours dune priode donne
Taux = x 10x
Effectif de la population risque
au cours de la mme priode
02/10/2017 73
IX. Conclusion
Biostatistique et variabilit
02/10/2017 74
Chapitre 2
La Statistique Descriptive
25
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Dfinition
Rappels
Statistique descriptive : Variable qualitative
Statistique descriptive : Variable quantitative
Statistique deux dimensions
Conclusion
La Statistique Descriptive
Dfinition
Cest l'ensemble des mthodes et
techniques permettant de
Prsenter
Dcrire
et Rsumer
des donnes nombreuses et varies.
La Statistique Descriptive
Dfinition
Peut concerner :
Une variable la fois : statistique une
dimension
Deux variables la fois : statistique deux
dimensions
Plus de deux variables la fois : statistique
multidimensionnelle.
26
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
La Statistique Descriptive
Dfinition
Dcrire les donnes par
Des paramtres statistiques :
Rduction des donnes quelques valeurs
numriques caractristiques.
Plan
Dfinition
Rappels
Statistique descriptive : Variable qualitative
Statistique descriptive : Variable quantitative
Statistique deux dimensions
Conclusion
Le nombre d'individus tant gnralement grand, une telle srie brute est
difficilement lisible et interprtable. Il est indispensable de la rsumer.
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 81
27
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Rappels : variables
- Sexe
Observables
-Niveau
dtude
- Couleur
-Ville dorigine
-Taille
-Poids
-Nombre
Mesurables de
patients
Mthodes de mesure
La mtrologie
La mtrologie est la science de la mesure au sens
le plus large.
La mesure est l'opration qui consiste donner une
valeur une observation.
La mesure se fait l'aide d'un instrument de mesure
qui donne une valeur.
La mesure de la taille, du poids, glycmie
Le diagnostic mdical va classer le malade dans
une pathologie
La douleur
Un handicap
02/10/2017 84
28
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Mthodes de mesure
La mtrologie
Les dnombrements (ou comptages)
Il suffit de compter le nombre d'individus affects
par chacune des valeurs de la variable.
Les variables qualitatives.
Les variables quantitatives discrtes.
Les mesures (ou mensurations)
Valeurs brutes
Les variables quantitatives continues
02/10/2017 85
Mthodes de mesure
La mtrologie
Les dnombrements (ou comptages)
Exemple : nombre denfants par famille dans un
chantillon de 100 mnages.
Nombre denfants 0 1 2 3 4 5
Nombre de 10 30 25 15 15 5
mnages
Les mesures (ou mensurations)
Exemple : ges des 120 enfants
2,1 3,5 3,1 2,2 4,7 2,6 1,1 2,5 2,4 2,6
4,1 5,0 3,9 2,1 2,6 ..
02/10/2017 86
Plan
Dfinition
Rappels
Statistique descriptive : Variable qualitative
Statistique descriptive : Variable quantitative
Statistique deux dimensions
Conclusion
29
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Statistique descriptive
- Sexe
Observables
-Niveau
dtude
- Couleur
-Ville dorigine
-Taille
-Poids
-Nombre
Mesurables de
patients
Statistique descriptive
Variable qualitative
Un caractre qualitatif ne peut tre mesur
Do notion de frquence
Frquence absolue : effectif
Nombre dindividus par classe : n
100 sujets: 24 ont la maladie x
Frquences relatives
Pour chaque classe, le rapport de son effectif au
nombre total dindividus
Exprimes en pourcentage : P = 0,24 ou 24 %
Statistiques descriptives
variables qualitatives
xi ni fi
Chaque ligne
correspond une
x1 n1 f1 modalit diffrente.
ni correspond au nombre
x2 n2 f2 dobservations (effectif)
ayant comme valeur xi
fi correspond la
frquence (pourcentage)
dobservations ayant
xp np fp comme valeur xi
ni
fi X 100
p
S1 xi
02/10/2017
n 1
Pr. BOUAITI (ebouaiti@gmail.com)
n
90
30
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Statistiques descriptives
variables qualitatives
On a not la situation familiale des 150
patients dune tude
Nom Situation de famille
Patient 1 Mari
Patient 2 Veuf
Patiente 3 Marie
Patiente 4 Clibataire
Patient 5 Divorc
. .
Statistiques descriptives
variables qualitatives
Statistiques descriptives
variables qualitatives
Modalits Effectifs (n) Pourcentage
Mari 80 53,3%
Clibataire 30 20%
Veuf 20 13,3%
Divorc 20 13,3%
Total 150 100%
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 93
31
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Statistiques descriptives
variables qualitatives
Age n
14 6
15 4
16 12 Variable quantitative
17 8
18 15
19 20
20 10
Classes
Discrtisation
21 5
22 3
23 2 dge
24 5
25 2
26 7
27 3
28
29
4
2
Variable qualitative
30 2
Statistiques descriptives
variables quantitatives continues
Classe d'ge ni %
[14-16[ 10 9,1%
[16-18[ 20 18,2%
[18-20[ 35 31,8%
[20-22[ 15 13,6%
[22-24[ 5 4,5%
>24 25 22,7%
Total 110 100,0%
Plan
Dfinition
Rappels
Statistique descriptive : Variable qualitative
Statistique descriptive : Variable quantitative
Statistique deux dimensions
Conclusion
32
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Statistiques descriptives
variables quantitatives
continues
Paramtres de position : Mesures de la
tendance centrale
Position
Paramtres de position
Moyenne arithmtique
Mdiane
Mode
Moyenne arithmtique
33
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Moyenne arithmtique
Exemple
Exemple: Calculer la moyenne des valeurs
suivantes : 10, 12, 18, 20, 25, 35
Moyenne arithmtique
donnes groupes
Tranches dge Nombre (ni)
[10-20[ 4
[20-30[ 6
[30-40[ 10
[40-50[ 4
[50-60[ 4
[60-70[ 2
Total (n) 30
Moyenne arithmtique
donnes groupes
34
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Moyenne arithmtique
donnes groupes
Valeur centrale
Tranches dge Nombre (ni) ni x xi
(xi)
[10-20[ 4 15 60
[20-30[ 6 25 150
[30-40[ 10 35 350
[40-50[ 4 45 180
[50-60[ 4 55 220
[60-70[ 2 65 130
Total (n) 30 1090
Paramtres de position
Moyenne arithmtique
Mdiane
Mode
Mdiane
La mdiane est la valeur qui divise les
observations en 2 groupes de taille gale :
Le premier contenant les valeurs infrieures la
mdiane
Et le second les valeurs suprieures la mdiane
35
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Mdiane
exemples
9 patients hospitaliss dans un service de
mdecine. Leurs dures de sjour (en jours)
sont les suivantes :
Mdiane
Mdiane
exemples
Mdiane dun nombre impair de donnes
10, 12, 18, 20, 25
Ranger les valeurs en ordre ascendant : 10, 12, 18, 20,
25
Dterminer le point central de la srie : (5 valeurs +1)/
2 = 3.
La mdiane est donc la valeur en 3me position dans la
srie
La 3me valeur est 18.
La mdiane quivaut donc 18.
36
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Mdiane
exemples
Mdiane dun nombre pair de donnes
10, 12, 18, 20, 25, 45
Ranger les valeurs en ordre ascendant : 10, 12, 18,
20, 25, 45
Dterminer le point central de la srie (6
valeurs+1)/2 = 7/2 = 3,5.
La mdiane est la valeur mi-chemin entre le 3me
et le 4me chiffre : Le 3me chiffre est 18 et le 4me
est 20.
La mdiane est (18+20)/2 = 19.
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 109
Moyenne - Mdiane
Paramtres de position
Moyenne arithmtique
Mdiane
Mode
37
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Mode
La valeur que lon observe le plus
frquemment dans une srie de valeurs.
La valeur dominante
Mode
La valeur que lon observe le plus
frquemment dans une srie de valeurs.
La valeur dominante
Mode
200
80 150
100
40
50
0 0
45 98 150 203 256 309 361 414 467 519 572 2.1 3.3 4.6 5.8 7.0 8.3 9.5 10.8 12.0 13.3 14.5
Cratinine (mol/l) Glycmie (mmol/l)
38
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
0.4
0.3
ddp
0.2
0.1
0.0
-4 -2 0 2 4
02/10/2017 18 22(ebouaiti@gmail.com)
Pr. BOUAITI 23 25 27 115
mode < mdiane < moyenne moyenne < mdiane < mode
Mode Mode
20
Mdiane Histogramme
18 Mdiane
16
14
Moyenne Moyenne
12
10
%
8
6
4
2
0
2 4 6 8 10
1 2 3 4 5 6 7 8 9
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) Notes 116
PSA (ng/l)
Statistiques descriptives
variables quantitatives
39
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Paramtres de dispersion
tendue
Les quartiles
La variance
cart-type
tendue
Ltendue indique la distance entre la plus
grande et la plus petite valeur observe dans
la distribution.
Quantifie ltalement total des donnes
tendue
Histogram m e Histogram m e
200 140
180
120
160
140 100
120
Nombre
Nombre
80
100
80 60
60 40
40
20
20
0 0
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900
Cratinine J PBR Cratinine J PBR
40
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Paramtres de dispersion
tendue
Les quartiles
La variance
cart-type
Les quartiles
Ce sont des valeurs (Q1, Q2, Q3) qui sparent
lchantillon en 4 parties qui contiennent le
mme nombre de donnes.
Les quartiles
Le premier quartile ou le quartile infrieur Q1 =
25 % des valeurs sont infrieures Q1 et 75 % lui
sont suprieures
41
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Paramtres de dispersion
tendue
Les quartiles
La variance
cart-type
La variance
La variance :
La moyenne des carrs des carts la moyenne
La somme des carrs des carts la moyenne
divise par le nombre d'observations
( )2
=
1
Dispersion, talement, Variabilit des Valeurs
La variance
x1
x12 x3
x2
x11
m x4
x10 x5
x9 x7 x6
x8
Reprsente l cart moyen des donnes de
lchantillon par rapport la moyenne
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 126
42
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Paramtres de dispersion
tendue
Les quartiles
La variance
cart-type
cart-type
Mesure la dispersion autour de m
La mesure de dispersion la plus couramment
utilise
= Standard Deviation (SD)
Calcul
( )2
s= =
1
Dispersion, talement, Variabilit des Valeurs
s2 < s1
s1
s2
m
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com)
129
43
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Statistique descriptive
2 dimensions
Objectif : mettre en vidence les relations qui
existent entre deux sries d'observations.
Nature des variables : les deux variables peuvent
tre
Qualitatives
Quantitatives
Ou l'une quantitative et l'autre qualitative.
Deux variables mesures chez le mme individu
Exemples :
Prsence dun cancer et tabagisme...
Poids et taille
44
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
02/10/2017 134
45
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Estimation du coefficient de
corrlation : r
A partir dun chantillon de taille n on estime la
covariance par :
cov (x, y)
r
2
s X s 2y
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 137
46
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Conclusion
La statistique descriptive
Premire tape danalyse biostatistique
Obligatoire
Variable qualitative
Effectif & Pourcentage
Variable quantitative
Moyenne cart- type
Mdiane et quartiles
Deux variables quantitatives : corrlation
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 139
Chapitre 3
Organisation et
Prsentation des donnes
Plan
Rappel
Introduction
Tableaux
Graphiques
Bote moustaches
Diagramme de dispersion
Conclusion
47
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Introduction
tude sur un chantillon ou une population :
Donnes brutes
Variables quantitatives : Une srie de valeurs
Variables qualitatives : un tableau brut
Prsentation des donnes : rarement parlante
Organisation et prsentation des donnes :
Faire ressortir une partie de linformation
Visualiser le rsum statistique
Introduction
Les trois tapes du traitement des donnes
statistiques:
Des paramtres statistiques.
Rappels : variables
Dichotomiques
- Sexe
Binaires
Observables
Variables -Niveau
qualitatives Ordinales dtude
- Couleur
Nominales -Ville dorigine
Variables
-Taille
Continues -Poids
Variables
Mesurables quantitatives -Nombre
de
Discrtes patients
48
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Statistique descriptive
Variables qualitatives
Dichotomiques
Observables
Binaires
Variables
Variables Ordinales
qualitatives
Nominales
Frquences relatives
Pour chaque classe, le rapport de son effectif au nombre total dindividus
Exprimes en pourcentage
Statistique descriptive
Variables quantitatives
Mesurables
Continues
Variables
Variables
quantitatives
Discrtes
Introduction
Les trois tapes du traitement des donnes
statistiques:
Des paramtres statistiques.
49
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Introduction
Tableau ou graphique :
Choix : Suivant le type de variable alatoire
Classes ou modalits +++
Tri des donnes :
Organiser les donnes
Ranger les donnes : ordre croissant / dcroissant
Regroupement en classes
Introduction
Regroupement en classes
Variables Variables
quantitatives Transformation quantitatives
continues Discrtisation discrtes
Variables Variables
quantitatives Transformation qualitatives
continues / ordinales
discrtes
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 149
Introduction
Regroupement en classes
Variables Variables
quantitatives Transformation quantitatives
continues Discrtisation discrtes
Exemple : ge des patients (n=50) min = 18 ans, max = 70
ans)
29 65 55 45 26 66 23 44 70 65
20 31 23 28 30 21 48 39 64 65
68 70 37 57 59 26 65 51 53 51
36 63 33 57 28 66 48 27 33 32
54 18 47 22 20 20 55 33 68 64
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 150
50
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Introduction
Regroupement en classes
Exemple : ge des patients (n=50) min = 18, max = 70)
29 65 55 45 26 66 23 44 70 65
20 31 23 28 30 21 48 39 64 65
68 70 37 57 59 26 65 51 53 51
36 63 33 57 28 66 48 27 33 32
54 18 47 22 20 20 55 33 68 64
Classe dge 1 2 3
Borne infrieure 18 31 51
Borne suprieure 30 50 70
n 15 13 22
Introduction
Regroupement en classes
Variables Variables
quantitatives Transformation qualitatives
continues / ordinales
discrtes
Exemple : poids des patients (n=50) min = 50 kg, max = 120
kg)
95 97 89 93 88 67 64 58 97 51
118 100 69 67 54 71 74 100 65 57
100 90 85 96 108 80 100 74 72 53
58 120 85 62 73 64 115 64 57 60
96 97 113 79 107 108 55 76 93 50
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 152
Introduction
Regroupement en classes
Exemple : poids des patients (n=50) min = 50 kg, max = 120
kg)
95 97 89 93 88 67 64 58 97 51
118 100 69 67 54 71 74 100 65 57
100 90 85 96 108 80 100 74 72 53
58 120 85 62 73 64 115 64 57 60
96 97 113 79 107 108 55 76 93 50
Classe 1 2 3
Borne infrieure 60 66 81
Borne suprieure 65 80 120
n 15 11 24
Faible poids Poids moyen Poids lev
51
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Rappels : variables
Dichotomiques
- Sexe
Binaires
Observables
Variables -Niveau
qualitatives Ordinales dtude
- Couleur
Nominales -Ville dorigine
Variables
-Taille
Continues -Poids
Variables
Mesurables quantitatives -Nombre
de
Discrtes patients
Plan
Introduction
Tableaux
Graphiques
Bote moustaches
Diagramme de dispersion
Conclusion
Tableaux
Dfinition
Matrice comportant au moins deux entres :
Une horizontale : lignes
Une verticale : colonnes
Objectif
Prsenter les donnes de faon exacte
Prsentation crite des donnes
statistiques
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 156
52
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Tableaux de frquences
Les tableaux statistiques :
Distribution de frquences absolues
Distribution de frquences relatives
Distribution de frquences relatives cumules
Prsentation
Les classes de la variables
Les effectifs et les frquences
Total des effectifs et total des frquences
viter les donnes manquantes
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 157
Tableaux de frquences
Variables qualitatives
Variables quantitatives
Discrtes
Continues
Tableaux de frquences
Tableau simple entre, sans hirarchie (sauf
si le caractre est ordinal).
La premire colonne renseigne les modalits
et les deux suivantes les effectifs et
frquences.
Si le caractre est ordinal, on pourra rajouter
une dernire colonne avec les frquences
cumules.
53
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Tableaux de frquences
xi ni fi
Chaque ligne
correspond une
x1 n1 f1 modalit diffrente.
ni correspond au nombre
x2 n2 f2 dobservations (effectif)
ayant comme valeur xi
fi correspond la
frquence (pourcentage)
dobservations ayant
xp np fp comme valeur xi
ni
fi X 100
p
S1 xi
02/10/2017
n 1
Pr. BOUAITI (ebouaiti@gmail.com)
n
160
Tableaux de frquences
Exemple : V. qualitative
Distribution des patientes selon les
ATCDs mdicaux (n=1000)
Effectif des Pourcentage des
ATCDs mdicaux
patients (n) patients (%)
Grossesse 129 12,9%
Diabte 483 48,3%
HTA 332 33,2%
Mnopause 56 5,6%
Total 1000 100,0%
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 161
Tableaux de frquences
Exemple : V. quantitative discrte
Une enqute pidmiologique a t ralise pour tudier le nombre
denfants par foyer au niveau de la rgion de Rabat.
Posons X = la variable statistique reprsentant le nombre denfants
dans un foyer. Calculer les frquences et prsenter les rsultat sous
forme dun tableau de frquence
2 1 3 0 6 0 1 2 3
3 0 2 0 4 1 0 4 0
1 1 3 2 3 3 2 1 1
0 1 2 4 1 2 2 7 3
0 1 1 2 5 5 3 4 3
1 2 2 3 0 1 2 0 2
..
n=1000 foyers
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 162
54
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Tableaux de frquences
Exemple : V. quantitative discrte
Distribution des foyers de la region de Rabat selon le nombre
denfants (n=1000)
Nombre Frquence Frquence
Effectif (n)
d'enfants relative (%) cumule (%)
0 129 12,9% 12,9%
1 451 45,1% 58,0%
2 332 33,2% 91,2%
3 56 5,6% 96,8%
4 21 2,1% 98,9%
5 8 0,8% 99,7%
6 3 0,3% 100,0%
Total 1000 100%
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 163
Tableaux de frquences
Exemple : V. quantitative continues
Classe d'ge ni %
[14-16[ 15 12,50%
[16-18[ 20 16,67%
[18-20[ 35 29,17%
[20-22[ 15 12,50%
[22-24[ 10 8,33%
>24 25 20,83%
Total 120 100,00%
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 164
Tableaux de frquences
Exemple : 2 variables
Classe Hommes Femmes Total
d'ge n i % n i % ni %
[14-16[ 11 15,7% 4 8,0% 15 12,5%
[16-18[ 10 14,3% 10 20,0% 20 16,7%
[18-20[ 19 27,1% 16 32,0% 35 29,2%
[20-22[ 8 11,4% 7 14,0% 15 12,5%
[22-24[ 5 7,1% 5 10,0% 10 8,3%
>24 17 24,3% 8 16,0% 25 20,8%
Total 70 100,0% 50 100,0% 120 100,0%
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 165
55
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Introduction
Tableaux
Graphiques
Bote moustaches
Diagramme de dispersion
Conclusion
56
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Graphiques
Dfinition
Images des donnes des tudes statistiques
Objectif
Faire ressortir une vision synthtique du
phnomne tudi
Permet de comparer dun coup dil les
diffrentes modalits
Graphiques
Deux axes :
Axe horizontal : abscisses
Axe vertical : ordonnes
Graphiques
Deux axes :
Axe horizontal : abscisses
Les modalits
Axe vertical : ordonnes
Les effectifs (ou frquences)
La hauteur de chaque bande
Proportionnelle leffectif correspondant
57
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Graphiques
Recommandation :
Graphique simple
Comprhensible
Lgend (titre, axes, units)
Honnte
A viter :
Graphes 3D
Les superpositions de multiples graphes sur une
mme graphique
La coloration abusive : dgrad de gris +++
Graphiques
Types :
Histogramme
Polygone de frquence
Diagramme en barres Types de
Diagramme en barres horizontales variables
Camembert
Histogramme
Types de variables :
58
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Histogramme
Un diagramme :
Barres verticales contigus
Ordonnes : effectifs / frquences
Abscisses : les classes de la variable
chelle des abscisses :
Variables continues : Les bornes des classes (intervalle
de la classe)
Variables discrtes : Le centre de la barre
Histogramme
Exemples
Effectif :
Distribution de l'ge chez 120 sujets
nombre
de sujet
adultes
80
Nombre
60 de barre
?!
40
20
0
Variable quantitative : Age (ans)
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 176
Histogramme
Trop de classe
Distribution de l'ge chez 120 sujets adultes
35
30
25
20
15
10
59
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Histogramme
Trop de classe
Distribution de l'ge chez 120 sujets adultes
colonnes de Buren
02/10/2017 178
Histogramme
Peu de classes
Distribution de l'ge chez 120 sujets adultes
podium olympique
02/10/2017 179
Histogramme
tendue des classes
60
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Histogramme
4 rgles
La dure dhospitalisation de 36 malades
11 20 18 10 20 11
16 10 15 17 17 11
11 12 12 11 20 13
Calculer ltendue E
15 20 13 19 14 15
E = maximale minimale. 16 11 20 12 10 12
Calculer lIntervalles de Classe (L):
L=E/K
18 10 13 16 16 13
Dterminer les classes:
1re Classe = [min- mini-+L[ Arrondir L selon prcision
2me Classe = [min- +L min-+2L[ voulue diminution ou
Dernire Classe =[maximale+ -L maximale+[ augmentation parfois de K de 1.
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 181
Histogramme
4 rgles
La dure dhospitalisation de 36 malades
11 20 18 10 20 11
16 10 15 17 17 11
Calculer ltendue E
E =20 10 = 10 11 12 12 11 20 13
Intervalles de Classe (L):
15 20 13 19 14 15
L = 10/6 =1,7 2 16 11 20 12 10 12
18 10 13 16 16 13
Dterminer les classes:
1re Classe = [9 11[
2me Classe = [11 13[
3me Classe = [13 15[
4me Classe = [15 17[
5me Classe = [17 19[
02/10/2017 6me Classe = [19 21[ Pr. BOUAITI (ebouaiti@gmail.com) 182
Histogramme
4 rgles
La dure dhospitalisation de 36 malades
61
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Polygone de frquence
Type de variable :
Polygone de frquence
Graphe linaire :
Ordonne : effectifs ou frquences
Abscisse : valeurs du variable discrtise
Chaque point = effectif ou frquence pour le
point central de la classe de la variable.
Polygone de frquence doit commencer et se
terminer 0
Intrt : reprsenter sur un mme graphique
plusieurs distributions.
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 185
Polygone de frquence
Exemples
Effectif :
nombre
de sujetDistribution de l'ge chez 120 sujets adultes
40
30
20
10
0
<14 [14-16[ [16-18[ [18-20[ [20-22[ [22-24[ >24
Variable quantitative : Age (ans)
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 186
62
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Polygone de frquence
Exemples
Effectif :
nombre
de sujet
Distribution de l'ge selon le sexe
20
15
10
5
0
<14 [14-16[ [16-18[ [18-20[ [20-22[ [22-24[ >24
Hommes Femmes
Variable quantitative : Age (ans)
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 187
Polygone de frquence
Exemples
63
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Diagramme en barres
Type de variable :
Diagramme en barres
Diagramme :
Barres verticales disjointes
Ordonnes : effectifs ou les frquences
Abscisses :
Sans chelle numrique
Libells : modalits des variables
Les barres :
Largeur : identique
Diagramme en barres
Exemple
64
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Diagramme en barres
Exemple
Diagramme en barres
Exemple
Diagramme en barres
Exemple
65
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Diagramme en barres
Exemple
Diagramme en barres
Diagramme en barres horizontales
Variable qualitative nominale
Diagramme :
Barres horizontales disjointes
Ordonnes : Libells des classes
Abscisses : effectifs ou les frquences
66
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Camembert
(Pie chart)
Type de variable :
Camembert
(Pie chart)
Camembert :
Cercle divis en secteurs
Chaque secteur : une classe de la variable
La surface du secteur : proportionnelle la
frquence
Nombre de secteurs : moyenne de 6
Camembert
Exemple
67
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Diagramme en barres
horizontales
Camembert
5,80%
33,40%
60,70%
Plan
Introduction
Tableaux
Graphiques
Bote moustaches
Diagramme de dispersion
Conclusion
Bote moustaches
Dfinition:
Rsume quelques caractristiques de position du
caractre tudi (mdiane, quartiles, minimum,
maximum)
68
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Bote moustaches
Variables :
Variables quantitatives
Bote moustaches
Bote moustaches
69
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Bote moustaches
Exemple
Bote moustaches
Exemple
Plan
Introduction
Tableaux
Graphiques
Bote moustaches
Diagramme de dispersion
Conclusion
70
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Diagramme de dispersion
Nuage de points
Dfinition:
Outil pour reprsenter graphiquement la relation
entre deux variables quantitatives continues
Diagramme de dispersion
Nuage de points
(X;Y)
X
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 212
Diagramme de dispersion
Nuage de points
71
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Conclusion
Organisation et
Prsentation des
donnes
Nominales
Tableaux de frquences
Graphiques :
Diagramme en barres
Diagramme en barres horizontales
Camembert
Mesurables
Continues
Variables
Variables
quantitatives
Discrtes
Tableaux de frquences
Graphiques :
Histogramme
Polygone de frquence
Bote moustaches
72
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Chapitre 4
Estimation et fluctuations
dchantillonnage
Plan
Rappel
Introduction
Fluctuation dchantillonnage
Estimation ponctuelle
Estimation par intervalle
Intervalle de confiance dune moyenne
Intervalle de confiance dune proportion
02/10/2017 218
Rappels : variables
Dichotomiques
- Sexe
Binaires
Observables
Variables -Niveau
qualitatives Ordinales dtude
-Ville dorigine
Nominales
Variables
-Taille
Continues -Poids
Variables
quantitatives
Mesurables -Nombre
Discrtes denfants
02/10/2017 219
73
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Statistique descriptive
Variables qualitatives
Dichotomiques
Observables Binaires
Variables
Variables
qualitatives Ordinales
Nominales
Statistique descriptive
Variables quantitatives
Mesurables
Continues
Variables
Variables
quantitatives
Discrtes
02/10/2017 221
Introduction
Si la population est trop nombreuse on ne
peut pas tudier toutes les units statistiques .
On prend alors un chantillon de la
population.
Recensement ou chantillonnage
Recensement = vrit
chantillonnage = estimation de la vrit
02/10/2017 222
74
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Introduction
Estimation
Intervalle de confiance
Prdiction
Intervalle de fluctuation chantillon
Population Observations
Valeur thorique ou Valeur estime
02/10/2017 vraie 223
Plan
Rappel
Introduction
Fluctuation dchantillonnage
Estimation ponctuelle
Estimation par intervalle
Intervalle de confiance dune moyenne
Intervalle de confiance dune proportion
02/10/2017 224
Fluctuation dchantillonnage
Plusieurs chantillons
peuvent tre constitus
Fluctuation
dchantillonnage
chantillon reprsentatif
Tirage au sort
Population
02/10/2017 225
75
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Fluctuation dchantillonnage
Tirage au sort : chantillon
reprsentatif
02/10/2017 226
Fluctuation dchantillonnage
Exemple
Population : 1 000 000 sujets
Malades : 20%
Non malades : 80%
02/10/2017 227
Fluctuation dchantillonnage
Exemple
Nombres de malades observs sur 10 000 chantillons de 20 sujets tirs
dune population o le pourcentage vrai de malades est 20%
2500
2211
2006
2000 1793
1500 1353
1069
1000
601 558
500
204
104 75 19 6 1
0
0 1 2 3 4 5 6 7 8 9 10 11 12
02/10/2017 228
76
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Fluctuation dchantillonnage
Exemple
Nombres de malades observs sur 10 000 chantillons de 20 sujets tirs
dune population o le pourcentage vrai de malades est 20%
2500
2211
2006
2000 1793
1500 1353
1069
1000
601 558
500
204
104 75 19 6 1
0
0 1 2 3 4 5 6 7 8 9 10 11 12
02/10/2017
(20%) 229
Fluctuation dchantillonnage
Frquence de
nombres
Convergence de la
frquence dun
vnement vers sa
probabilit
n
Nombre n dobservations (taille de lchantillon)
02/10/2017 230
En rsum
Extraction de n chantillons dune population
P
Si lon extrait plusieurs chantillons reprsentatifs
de taille n fixe, les diffrences observes entre
les rsultats obtenus sont dues des fluctuations
dchantillonnage.
A partir dun chantillon, on na donc pas de
certitudes mais des estimations de paramtres.
02/10/2017 231
77
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Estimation
Estimation ponctuelle
On donne une unique valeur calcule partir des
observations faites sur l'chantillon
Estimation par intervalle
On donne 2 valeurs entre lesquelles le paramtre
peut se trouver
On donne un intervalle qui a de "fortes chances"
de contenir la vraie valeur.
Intervalle de confiance 95%
02/10/2017 232
Plan
Rappel
Introduction
Fluctuation dchantillonnage
Estimation ponctuelle
Estimation par intervalle
Intervalle de confiance dune moyenne
Intervalle de confiance dune proportion
02/10/2017 233
Estimation ponctuelle
Estimation dun pourcentage
P = pourcentage vrai de malades dans la
population
Echantillon comprenant n sujets dont k malades
Estimation de P :
02/10/2017 234
78
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Estimation ponctuelle
Estimation dune moyenne
= moyenne vraie de X
Echantillon de n sujets tirs au sort dans la
population
Valeurs observes : x1, , xn
Estimation de :
02/10/2017 235
Estimation ponctuelle
Estimation dune variance
= moyenne vraie de X
2 variance vraie de X
Comme est inconnue
Estimation de s2
Autres expressions de s2 :
02/10/2017 236
Absence de biais
Prsence de biais
02/10/2017 237
79
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Rappel
Introduction
Fluctuation dchantillonnage
Estimation ponctuelle
Estimation par intervalle
Intervalle de confiance dune moyenne
Intervalle de confiance dune proportion
02/10/2017 238
chantillon
Observations
Population Valeur estime
Valeur thorique ou vraie
po /mo
02/10/2017 P/? 239
p2 /m2
p3 /m3 chantillon
Pn-1 /mn-1
Population
Valeur thorique ou vraie pn /mn
02/10/2017 P/? 240
80
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
p2 /m2
p3 /m3 chantillon
02/10/2017 a 5% 242
02/10/2017
Intervalle de confiance 95%) 243
81
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
chantillon
Intervalle de confiance a 5%
02/10/2017 244
Plan
Rappel
Introduction
Fluctuation dchantillonnage
Estimation ponctuelle
Estimation par intervalle
Intervalle de confiance dune moyenne
Intervalle de confiance dune proportion
02/10/2017 246
82
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Notation : N(, )
02/10/2017 247
02/10/2017 248
X ~ N mx , x
N
Distribution
dchantillonnage Lcart-type
de la moyenne
02/10/2017 249
83
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Intervalle de confiance de = m0 i
mo + i - Fourchette
+i . Centre sur mo
mo mo . i est la prcision (la marge d'erreur)
- Risque derreur a
-i
02/10/2017 mo - i 250
02/10/2017 251
02/10/2017 252
84
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
s2 s2
[ m0 - 1.96 - m0 + 1.96 ]
n n
02/10/2017 253
s2 s2
[ m0 - t a , (n -1)
- m0 + t a ,(n -1)
]
2 n 2 n
02/10/2017 255
85
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Lois de Student
02/10/2017 256
Lois de Student
Exemple
Valeur t
Exemple : n= 10 et = 0,05
ddl = 10 - 1 = 9
02/10/2017 257
02/10/2017 258
86
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Interprtation :
Dans 95% des chantillons de 400 nouveau-ns,
la moyenne observe des tailles est comprise
entre 48,73 cm et 49,27 cm.
02/10/2017 259
7,8 7,8
m [ 49 - 2.262 ; 49 2.262 ]
10 10
02/10/2017 261
87
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Interprtation :
Dans 95% des chantillons de 10 nouveau-
ns, la moyenne observe des tailles est
comprise entre 47 cm et 51cm.
02/10/2017 262
Rsum
des intervalles de confiance de moyenne
Si n 30 : s2
IC1a m za / 2 X
n
Si n <30, la population suit une loi normale
Si la valeur de est connue alors:
2
IC1a m za / 2 X
n
Si la valeur de est inconnue alors:
s2
IC1a m ta / 2, n 1 X
02/10/2017 n 263
Plan
Rappel
Introduction
Fluctuation dchantillonnage
Estimation ponctuelle
Estimation par intervalle
Intervalle de confiance dune moyenne
Intervalle de confiance dune proportion
Conclusion
02/10/2017 264
88
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Intervalle de confiance de P = po i
po + i - Fourchette
+i . Centre sur po
po po . i est la prcision (la marge d'erreur)
- Risque derreur a
-i
02/10/2017 po - i 265
02/10/2017 266
Tables
02/10/2017 267
89
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
02/10/2017 268
02/10/2017 269
Conclusion
chantillon : Infrence
Population chantillon
Caractristiques
Caractristiques connues
inconnues
02/10/2017 270
90
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Chapitre 5
Les principales
lois de probabilit
Plan
Introduction
Notions lmentaires
Principes de probabilit
Loi binomiale
Loi de Poisson
Loi normale
Conclusion
272
Introduction
Quest-ce quune probabilit?
La probabilit est la chance quun phnomne x se
produise, tant donn que loccurrence du
phnomne rpond la loi du hasard.
273
91
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Introduction
Exemples:
Le jet de d
Le jet dune pice de monnaie
Concrtement:
Un pice de monnaie a deux faces
La chance a priori de tomber sur une face est de
et la probabilit de ne pas tomber sur lautre face
(pile) est de (1-1/2)= 1/2
274
Introduction
Statistique versus Probabilit
Raisonnement inductif : partir dun chantillon
connue, on veut tirer des conclusions sur toute la
population dans laquelle a t choisi cet chantillon :
Infrence statistique.
Population chantillon
(inconnue) (connu)
Introduction
Probabilit versus Statistique
Raisonnement dductif : partir dune population
connue, on veut prvoir les rsultats dun chantillon
tir de cette population
Population chantillon
(connue) (inconnu)
92
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Probabilits en sant
Diagnostic
Appendicite en prsence de douleurs abdominales la palpation
Probabilit de maladie en prsence dun ensemble de signes cliniques
Thrapeutique
Rponse positive dun malade hypertendu un beta-bloquant
Probabilit defficacit dun traitement
Pronostic
Survie 5 ans pour une patiente atteinte de cancer de sein
Probabilit de survie aprs un diagnostique ou un traitement
Gntique
Transmission dun diabte
Probabilit de transmission dune maladie hrditaire.
277
Plan
Introduction
Notions lmentaires
Principes de probabilit
Probabilits en sant
Loi binomiale
Loi de Poisson
Loi normale
Conclusion
278
Notions lmentaires :
Exprience
Dfinition :
Un processus dont lequel des mesures sont prises
ou des observations sont faites.
Toute procdure qui gnre des rsultats ou des
observations.
Exemple :
Dosage biologique
Suivi dun malade
.
279
93
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Notions lmentaires :
Exprience alatoire
Dfinition :
Toute exprience qui satisfait aux deux conditions
suivantes :
On peut dcrire tous les rsultats possibles avant
lexprience
Lancer une pice de monnaie : pile ou face
On ne peut pas prvoir avec certitude le rsultat de
lexprience
280
Notions lmentaires :
vnement alatoire
Un vnement alatoire
Un vnement qui peut ou ne pas se raliser au
cours d'une exprience alatoire.
Exemple :
Exprience alatoire prendre un mdicament
vnements alatoires
bien rpondre au mdicament
ou ne pas rpondre au mdicament
281
Notions lmentaires :
Variable alatoire
Dfinition
Variable dont les valeurs dpendent des rsultats
dune exprience alatoire
Exemples
Variables qualitatives : malade / non malade
Variables quantitatives : glycmie jeun
282
94
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Notions lmentaires :
Variable alatoire
Si rsultats numriques : variable quantitative
Continue : les valeurs couvrent ou un intervalle
Discrte : les valeurs sont discontinues ()
Sinon : variable qualitative
Ordinale : les valeurs sont ordonnes
Nominale ou catgorielle : valeurs sans ordre
283
Notions lmentaires :
Fonction de rpartition
Soit X une variable alatoire.
Soit lvnement [X x] o x est un nombre
(ensemble des rsultats dexprience dont la
valeur est infrieur ou gal x)
Pr ([X x]) dpend de la valeur x
Fonction de rpartition de X :
FX(x) = F(x) = Pr ([X x])
284
Notions lmentaires :
Fonction de rpartition
FX(-) = 0
FX(+) = 1
a<b
Pr ([X b]) = Pr ([X a]) + Pr ([a < X b])
FX(b) = FX(a) + Pr ([a < X b])
285
95
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Notions lmentaires
Variable
Variable alatoire
alatoire
continue
discrte
Densit de probabilit
f(x)
Pr ([a < X b])
Dfinition de la Tableau des =
loi de probabilit pi = Pr(X=xi) F(b) - F(a)
=
286
Notions lmentaires
Esprance mathmatique
Moyenne au niveau de la population
Notation E(X) = X =
Calcul : somme de toutes les valeurs pondres
par leur probabilit
Variance = mesure de la variabilit autour de
lesprance
Notation var(X) = X = 2
2
Ecart-type = X = = ( )
287
Plan
Introduction
Notions lmentaires
Principes de probabilit
Probabilits en sant
Loi binomiale
Loi de Poisson
Loi normale
Conclusion
288
96
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Principes de probabilit
Dfinition
La probabilit dun vnement est gale au
rapport entre le nombre de cas favorables cet
vnement au nombre total de cas possible.
289
Principes de probabilit
Exemple
Dans une classe de 52 lves, on a 13 filles
Si tous les lves ont des chances gales d'tre
tires, la probabilit d'extraire une fille est 13/52 =
0,25
290
Principes de probabilits
Pour tout vnement A, on a
0 P( A) 1
Une probabilit est toujours comprise entre 0 et 1.
291
97
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Signification de la probabilit
P(A) = 0,30 = 30%
Un enfant prsentant une fivre (T>37),
consultant au service des urgences pdiatriques
30% de chances (ou de risques) de prsenter
une otite.
Cela ne signifie pas que sur 100 enfants fbriles,
30 enfants prsentent une otite.
Sur 100 enfants, on peut sattendre observer (en
moyenne ou environ) 30 enfants avec lvnement
292
Lois de probabilit
Considrons un chantillon, de taille n=2, sans remise dont lordre nest
pas important et regardons le nombre de femmes choisi dans chaque
chantillon possible, quon dnote par X.
(X = nombre de femmes choisies dans chaque chantillon).
(1-2) 1 (2-5) 1
(1-3) 0 (2-6) 2
(1-4) 1 (3-4) 1
(1-5) 0 (3-5) 0
(1-6) 1 (3-6) 1
(2-3) 1 (4-5) 1
(2-4) 2 (4-6) 2
(5-6) 1 293
Lois de probabilit
Dans cette population, 50 % sont des femmes.
On remarque que X varie selon lchantillon et elle
prend les valeurs 0,1, et 2. X est appele : Variable
alatoire.
chantillons possibles de taille n=2 : 15
Proportion des femmes : 0%, 50% et 100%.
3 chantillons nont pas de femmes (20%).
9 chantillons (60% ) ont exactement une femme
3 chantillons (20% ) ont deux femmes.
Une variable alatoire gnre un modle de
probabilit ou une distribution de probabilit.
294
98
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Lois de probabilit
Loi Binomiale
Loi de poisson
Loi normale Nature de la
Loi de chi-deux variables
Loi de Student
295
Loi Binomiale
Situation
Connaitre la probabilit dobserver k
individus possdant une caractristique
donne dans un chantillon de n individus
tirs dune population o la proportion P de
la caractristique est connue
B (n; p)
296
Loi Binomiale
Situation
Quelle est la probabilit de tirer 3 as en jetant 10
fois un d?
297
99
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Loi Binomiale
Conditions dapplication
Variable qualitative binaire
Malade / non-malade
La probabilit du succs dans chaque essai est
constante
Les essais sont indpendants.
chantillon alatoire
La taille dchantillon n ngligeable par rapport
la taille de la population N (n/N<10%)
298
Loi Binomiale
preuve de Bernoulli :
Soit deux vnements mutuellement exclusifs A et
son contraire B
Toute ralisation de l'exprience aura comme
rsultat A ou B.
Exemple :
Pile/Face;
Garon/Fille
Rsultat positif/ Rsultat ngatif
299
Loi Binomiale
preuve de Bernoulli :
300
100
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Loi Binomiale
On peut rpter n fois une preuve de
Bernoulli : Loi Binomiale
Soit X le nombre dapparitions de lvnement
k
X suit une loi binomiale de paramtres n et p
B (n; p)
P (X=k) : la probabilit dobserver la valeur k
301
Loi Binomiale
n!
P( X k ) Cnk p k q n k p k q nk
(n k )!k!
o k = nombre de succs
p=probabilit du succs
q=1-p
n = taille dchantillon
302
Loi Binomiale
Exemple
303
101
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Loi Binomiale
Exemple
La caractristique tudie est : tre
malade
k = nombre de malade = 3
p= frquence de la maladie = 0,17
n = taille dchantillon = 10
10!
P( X 3malades) C 3 0.17 30.8310 3 0.17 30.837
10 (10 3)!3!
Loi Binomiale
Proprits additives
P(X<k) = P(0)+P(1)+..+P(k-1)
P(X>k) = 1 P(Xk)
P(Xk)= 1- P(X<k)
305
Loi Binomiale
Exemple
306
102
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Loi Binomiale
Exemple
307
Loi de Poisson
Cest la loi des vnements rares
308
Loi de Poisson
Situation
Connaissant le nombre moyen
dvnements attendus pendant une priode
donne, quelle est la probabilit dobserver k
individus ayant subi cet vnement pendant
une priode quivalente?
P()
309
103
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Loi de Poisson
Situation
Sachant que dans un service durgence, on
accueille en moyenne 5 entorse par week-
end, quelle est la probabilit dobserver 3
entorses au cours de prochain week-end?
310
Loi de Poisson
Conditions dapplication
Variable qualitative
Les vnement doivent tre dnombrables
Les vnements doivent tre indpendants
Les vnements rares (p<5%)
311
Loi de Poisson
mk
P( X k ) e m
k!
= nombre moyen dvnements observs dans la
population pendant une priode donne
e= 2,718
X = le nombre dindividus ayant subi lvnement observ
pendant la priode donne
k= une valeur de cette variable X
P(X=k) : la probabilit dobserver la valeur k
104
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Loi de Poisson
Exemple
Sachant que dans un service durgence, on
accueille en moyenne 5 entorse par week-end,
quelle est la probabilit dobserver 3 entorses au
cours de prochain week-end?
mk
P( X k ) e m
k!
313
Loi normale
Loi de Gauss
Trs utilis en statistique
Variable quantitative continue
Loi normale
15/09/2015 315
105
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Loi normale
Proprits
Forme : courbe en cloche
Aspect : symtrique : P(X m) P(X m) 0.5
Centre autour de la
moyenne
La moyenne = La mdiane =
Le mode.
316
Loi normale
Proprits
Courbe de la densit
Surface sous la courbe = 1
Maximum sur laxe de
symtrie
Ecart-type = distance entre
axe de symtrie et point
dinflexion
317
Loi normale
Si X suit une loi normale de moyenne et une
variance 2 ,
on crit alors X N( , 2).
318
106
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Loi normale
Proprits
P (a X b )
= laire sous la courbe de la loi normale de a b.
319
a b
Loi normale
Probabilit dun intervalle = surface sous la courbe
Pr (0,5 X 2) = 0,312
= Surface grise
Calcul = intgration de f(x)
???
Des tables numriques
Donnent les rsultats
Pr (-2 X 2) 0,95
320
Loi N( ; 2) : influence de
= 1 pour les 3 courbes
Lallure de la courbe se conserve si on change de
moyenne
Il sagit dun
simple dcalage
321
107
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Loi N( ; 2) : influence de
= 0 pour les 3 courbes
La courbe saplatit si
Elle se resserre si
Le maximum
sajuste
pour que la
surface = 1
322
Moyenne : 0
cart type : 3
Moyenne : 4
cart type : 1
Moyenne : -1
cart type : 0,5
323
Loi normale
50 % des individus en-dessous de la moyenne et 50 % au-dessus
68 % des individus entre -1 et +1
95 % des individus entre -1,96 et +1,96
99,7 % des individus entre -3 et +3
324
108
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Loi normale
Densit de probabilit
N(m,)
Loi normale
f(x) =
Densit de probabilit
Surface hachure
Fonction de rpartition
326
327
109
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
1re transformation : X = x
Z
328
329
330
110
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
02/10/2017 332
Loi normale
Calcul des probabilits : table
111
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Loi normale
P(0,510 < Z < 0,628) = ?
P(a < Z <b) = P(Z > a) - P(Z > b)
P(0,510 < Z < 0,628) = P(Z > 0,510) - P(Z > 0,628)
= 0,61 - 0,53 = 0,08
334
Conclusion
Lois discrtes
Loi binomiale
Loi de Poisson
Lois continues
Loi normale
Autres
Loi du chi2
Loi T de Student
336
112
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Probabilits conditionnelles
Plan
Rappels
Evnements exclusifs
Probabilits conditionnelles
Applications en sant
02/10/2017 338
Probabilit
Dfinition
La probabilit dun vnement est gale au
rapport entre le nombre de cas favorables cet
vnement au nombre total de cas possible.
02/10/2017 339
113
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Rappels
Evnements exclusifs
Probabilits conditionnelles
Applications en sant
02/10/2017 340
Evnements exclusifs
Les vnements A et B ne peuvent se produire
simultanment.
Si 2 vnements sont exhaustifs et
mutuellement exclusifs (mort-vivant)
La non-ralisation de lun implique la ralisation
de lautre.
P(A)+P(B) = 1 => P(A) = 1-P(B).
La probabilit dtre malade un moment donn
est gale 1 moins la probabilit de ne pas tre
malade ce moment.
02/10/2017 341
Plan
Rappels
Evnements exclusifs
Probabilits conditionnelles
Applications en sant
02/10/2017 342
114
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Lvnement : A U B (A+B)
Se lit A union B ( A ou B ) est form
des issues qui ralisent A ou B ou les
deux.
A ou B
02/10/2017 344
115
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Rappels
Evnements exclusifs
Probabilits conditionnelles
Applications en sant
02/10/2017 346
Probabilits conditionnelles
En mdecine, lutilisation des probabilits
conditionnelles est frquente et apparat
naturelle.
un individu a 5 fois plus de chances de dvelopper
une maladie coronarienne sil fume un paquet de
tabac par jour que si il ne fume pas
02/10/2017 347
Probabilits conditionnelles
Soit deux vnements non exclusifs A et B
On cherche la probabilit que lun se ralise alors
que lautre est dj ralis.
On note P(A/B) : la probabilit de A si B est
ralis.
Quelle est la probabilit davoir une appendicite alors
que jobserve une douleur dans la fosse iliaque droite ?
02/10/2017 348
116
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Probabilits conditionnelles
Soit deux vnements non exclusifs A et B
On cherche la probabilit que lun se ralise alors
que lautre est dj ralis.
On note P(A/B) : la probabilit de A si B est
ralis.
P( A B )
P( A / B)
P( B)
P( A B) P( B A) P( A / B ) * P( B ) P ( B / A) * P( A)
02/10/2017 349
Indpendance
Deux vnements sont indpendants si la
ralisation de lun ninfluence pas la
ralisation de lautre.
02/10/2017 350
Inversion du conditionnement
Intrt : valuation des examens
complmentaires.
Thorme de Bayes :
P( A B)
P( A / B) P ( A B ) P ( A / B ) * P( B )
P ( B)
P ( A B ) P( A / B ) * P ( B )
P ( B / A)
P ( A) P ( A)
P ( Non B ) 1 P ( B )
P ( A / Non B ) 1 P ( Non A / Non B)
P ( A) P ( A / B ) * P ( B) P ( A / Non B ) * P ( Non B )
P ( A) P ( A / B ) * P ( B) [1 P ( Non A / Non B )] *[1 P( B )]
02/10/2017 351
117
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Rappels
Evnements exclusifs
Probabilits conditionnelles
Applications en sant
02/10/2017 352
Applications en sant
Evaluation des signes et examens
complmentaires.
02/10/2017 353
Le tableau de contingence
Tableaux 4 cases : trs utiliss
02/10/2017 354
118
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Applications en sant
Evaluation des signes et examens
complmentaires.
02/10/2017 355
02/10/2017 356
M+ = A+C =
Total M-=B+D=FP+VN N=A+B+C+D
VP+FN
119
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
02/10/2017 358
Prvalence de la maladie
Maladie + Maladie - Total
M+ = A+C =
Total M-=B+D=FP+VN N=A+B+C+D
VP+FN
Prvalence de la maladie
Prvalence de la maladie
Cest la frquence de la maladie dans la
population considre (pourcentage de cas)
Attention : La prvalence dpend notamment
de :
La zone gographique
De la slection de la population
Exercice libral/hpital
Prslection par un dpistage
02/10/2017 360
120
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Sensibilit - Spcificit
Maladie + Maladie - Total
M+ = A+C = M-=B+D=
Total N=A+B+C+D
VP+FN FP+VN
Sensibilit - Spcificit
Sensibilit : probabilits des tests positifs chez
les malades
Sensibilit = P(T+/M+)
Sensibilit - Spcificit
Rgle de Sackett
Sensibilit : probabilits des tests positifs chez
les malades
Si un test a une sensibilit leve, un rsultat
ngatif limine le diagnostic
Spcificit : probabilits des tests ngatifs
chez les non malades
Si un test a une spcificit leve, un rsultat
positif confirme lhypothse diagnostic
121
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Sensibilit Spcificit
Le test idal
Sensibilit = 1 et Spcificit = 1: rare
Sensibilit = 1 :
Le signe est toujours prsent (constant) dans une
maladie.
Labsence dun tel signe permet dliminer le
diagnostic de la maladie.
Exemple : Fivre dans la typhode
Sensibilit Spcificit
Le test idal
Spcificit = 1
Le signe est toujours absent parmi les sujets non
atteints de la maladie.
Sa prsence permet daffirmer le diagnostic de la
maladie: il est dit pathognomonique.
Le signe de Kplik :
pathognomonique de la rougeole
Indice de Youden
Indice de Youden
Y = Se + Sp 1
122
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
M+ = A+C =
Total M-=B+D=FP+VN N=A+B+C+D
VP+FN
123
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
(1 prvalence) * ( spcificit )
VPN
(1 prvalence) * ( spcificit ) ( prvalence) * (1 sensibilt)
Test Positif
Sensibilit
Malade
1 - Sensibilit
Prvalence Test Ngatif
Thorme de Bayes Test Positif
1 - Spcificit
1 - Prvalence
Non Malade
Le mme test (mme sensibilit et spcificit) aura des
Spcificit
VPP et VPN trs diffrentes en fonction de la prvalence
Test Ngatif
02/10/2017 de la maladie. 370
02/10/2017 371
02/10/2017 372
124
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Maladie + Maladie -
Test + VP FP
Test - FN VN
02/10/2017 373
La courbe de ROC
Receiver Operating Characteristic
02/10/2017 374
La courbe de ROC
Spcificit et sensibilit en fonction de la valeur
seuil
125
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
La courbe de ROC
P(T+ / M-) = Faux positifs =
Nombre de sujets 1- P(T-/M-)= 1- Spcificit
Limite L de la
glycmie au-del de
P(T- / M+) = Faux ngatif=
laquelle on dit le test
1- P(T+/M+) =1- Sensibilit
positif
02/10/2017 376
La courbe de ROC
A chaque valeur de la limite L du
critre quantitatif
On a une valeur de la sensibilit et de la
spcificit.
On obtient ainsi 1 point de la courbe.
En faisant varier la limite L
On obtient dautres points.
La courbe joignant les points
La courbe de ROC.
02/10/2017 377
La courbe de ROC
02/10/2017 378
126
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Applications en sant
Evaluation des signes et examens
complmentaires.
02/10/2017 379
Caries dentaires
Oui Non Total
Oui 10 20 30
Tabac
Non 5 45 50
Total 15 65 80
02/10/2017 380
Exposs E+ A B E+=A+B
127
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Exposs E+ A B
Non exposs E- C D
02/10/2017 382
Exposs E+ A B
Non exposs E- C D
02/10/2017 383
02/10/2017 384
128
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Non exposs E- C D
02/10/2017 385
Exposs E+ A B
=
Non exposs E- C D
02/10/2017 386
02/10/2017 387
129
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Chapitre 6
Principes des tests statistiques
Plan
Introduction
Rappel
Utilit des tests statistiques en sant
Origine de la problmatique
Principe des tests
La dmarche dans les tests statistiques
Risques derreur en statistique
Conditions dapplication des tests
Jugement de causalit
15/09/2015 389
Introduction
Si la population est trop nombreuse on ne
peut pas tudier toutes les units statistiques .
On prend alors un chantillon de la
population.
Recensement ou chantillonnage
Recensement = vrit
chantillonnage = estimation de la vrit
Pr. BOUAITI
02/10/2017 390
(ebouaiti@gmail.com)
130
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Introduction
Estimation
Intervalle de confiance
Prdiction
Intervalle de fluctuation chantillon
Population Observations
Valeur thorique ou Valeur estime
vraie Pr. BOUAITI
02/10/2017 391
(ebouaiti@gmail.com)
Plan
Introduction
Rappel
Utilit des tests statistiques en sant
Origine de la problmatique
Principe des tests
La dmarche dans les tests statistiques
Risques derreur en statistique
Conditions dapplication des tests
Jugement de causalit
15/09/2015 392
Rappel
Principes dchantillonnage
Population chantillon
Effectif N Tirage
effectif n
au
sort
Paramtre
Paramtre observ
inconnu po
P
Estimation
Infrence
Information sur P
Pr. BOUAITI
02/10/2017 393
(ebouaiti@gmail.com)
131
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Rappel
Principes dchantillonnage
chantillon reprsentatif
Tirage au sort
Plusieurs chantillons
peuvent tre constitus
Fluctuation
dchantillonnage
Population
Pr. BOUAITI
02/10/2017 394
(ebouaiti@gmail.com)
Rappel
Principes dchantillonnage
100 sujets tirs au sort
84 vaccins - 84%
70 vaccins - 70%
10 vaccins - 10%
60 vaccins - 60%
pobserve : 0% 100%
fluctuation
P=80% d chantillonnage
02/10/2017
Vaccins Pr. BOUAITI
395
(ebouaiti@gmail.com)
Rappel
Le thorme Central Limite TCL
Paramtres de la population :
effectif (n) fix de N=1000 ; = 168; =106
lchantillon,
le TCL tablit que la moyenne de
lchantillon (variable alatoire)
respecte une loi normale. Echantillon 3 :
n3=100
Echantillon 1 :
P( x m ) m3=165
n1=100
s3=105
m1=170 Echantillon 2 :
s1=100 n2=100
/ n
m2=155
s2=110
m1 m3 m2
m
Pr. BOUAITI
02/10/2017 396
(ebouaiti@gmail.com)
132
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Introduction
Rappel
Utilit des tests statistiques en sant
Origine de la problmatique
Principe des tests
La dmarche dans les tests statistiques
Risques derreur en statistique
Conditions dapplication des tests
Jugement de causalit
15/09/2015 397
15/09/2015 398
Tirage
au sort
Traitement A Traitement B
(n=100 patients) (n=100 patients)
A=B
Gurison Gurison
(30/100) (30/100)
15/09/2015 399
133
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Tirage
au sort
Traitement A Traitement B
(n=100 patients) (n=100 patients)
A>B
Gurison Gurison
(40/100) (15/100)
15/09/2015 400
Tirage
au sort
Traitement A Traitement B
(n=100 patients) (n=100 patients)
A<B
Gurison Gurison
(20/100) (35/100)
15/09/2015 401
134
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 405
135
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Introduction
Rappel
Utilit des tests statistiques en sant
Origine de la problmatique
Principe des tests
La dmarche dans les tests statistiques
Risques derreur en statistique
Conditions dapplication des tests
Jugement de causalit
15/09/2015 406
Origine de la problmatique
Effet du traitement = 0
Origine de la problmatique
Effet du traitement = 0
136
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Origine de la problmatique
Quand on ignore la ralit, la diffrence
observe de -6% est-elle ?
Une manifestation des fluctuations alatoires,
donc due uniquement au hasard
La traduction dune relle diffrence entre les
deux groupes
Comment dpartager ces 2 possibilits ?
Solution : test statistique .
15/09/2015 409
Origine de la problmatique
Quel est le but des comparaisons ?
Groupe
Traitement A : 6%
Plan
Introduction
Rappel
Utilit des tests statistiques en sant
Origine de la problmatique
Principe des tests
La dmarche dans les tests statistiques
Risques derreur en statistique
Conditions dapplication des tests
Jugement de causalit
15/09/2015 411
137
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
chantillon
chantillon chantillon
138
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
1 2?
1 2
m1 m2
15/09/2015 1,96 2,46 2,96
415
Plan
Introduction
Rappel
Utilit des tests statistiques en sant
Origine de la problmatique
Principe des tests
La dmarche dans les tests statistiques
Risques derreur en statistique
Conditions dapplication des tests
Jugement de causalit
15/09/2015 416
139
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Attention !!! Les hypothses sont toujours poses partir des populations et
non des chantillons
Attention !!! Les hypothses sont toujours poses partir des populations et
non des chantillons
Fluctuation dchantillonnage
m1 - m2 0 m1-m2 : R
15/09/2015 420
140
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Calculer la
m1 - m2 0 Probabilit (m1 m2) 0
N (0,1)
15/09/2015 421
Symtrique par
rapport 0
- 0 +
Abscisses : valeurs possibles de Z sous H0 (1 = 2)
15/09/2015 422
141
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
- -1 0 +1 +
Abscisses : valeurs possibles de Z sous H0 (1 = 2)
Etape 4 : Interprtation et
conclusion
Fixer une rgle de dcision : fixer a priori un
seuil alpha suffisamment petit
Au dessous duquel : on rejette H0 et on accepte H1
P ( Z Z 0 / H 0 vraie) a rejet H 0
Au dessus duquel : on ne peu pas rejeter H0
P( Z Z 0 / H 0 vraie) a non rejet de H 0
15/09/2015
Classiquement : =0.05 425
- -1,96 0 +1,96 +
Z = valeur de Z Abscisses : valeurs possibles de Z sous H0 (1 = 2)
pour le risque
142
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Etape 4 : Interprtation et
conclusion
Z : variable alatoire
15/09/2015 427
Etape 4 : Interprtation et
conclusion
P (Z> |Z| ) : |Z0| < Z
Conclusion : non rejet de H0
On na pas mis en vidence de diffrence
statistiquement significative entre m1 et m2
(chantillons)
15/09/2015
Classiquement : =0.05 428
Etape 4 : Interprtation et
conclusion
P (Z> |Z| ) < : |Z0| Z
Conclusion :
Rejet de H0 H0 : 1 = 2
Acceptation de H1 : 1 2
Il existe une diffrence statistiquement
significative entre m1 et m2 (chantillons)
On conclut que 1 2 (populations) avec un
risque derreur
15/09/2015
Classiquement : =0.05 429
143
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Introduction
Rappel
Utilit des tests statistiques en sant
Origine de la problmatique
Principe des tests
La dmarche dans les tests statistiques
Risques derreur en statistique
Conditions dapplication des tests
Jugement de causalit
15/09/2015 430
144
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Fausse absence
de diffrence
145
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Risque de
H0 vrai
1re espce 1-
Ralit
(population) Risque de 2me
H1 vraie Puissance
espce
1-
15/09/2015 438
146
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Signification statistique
p0.05
Il est peu probable que la
diffrence observe soit due
au hasard
Diffrence Test
observe statistique On rejette H0 au risque de
le faire tort
Signification statistique
p>0.05
La probabilit que la
diffrence observe soit
due au hasard est forte
Diffrence Test
observe statistique On ne rejette pas H0 au
risque de le faire tort
Conclusion : On na pas
mis en vidence de
diffrence statistiquement
significative entre les deux
populations
147
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Signification statistique
Calcul partir des donnes de la probabilit
de commettre une erreur alpha = p
Signification statistique
Absence relle
d'effet
Rsultat
non significatif ?
Manque de
puissance
Impossible de conclure
Ne pas conclure labsence de diffrence
Labsence de preuve nest pas la preuve de
labsence
Plan
Introduction
Rappel
Utilit des tests statistiques en sant
Origine de la problmatique
Principe des tests
La dmarche dans les tests statistiques
Risques derreur en statistique
Conditions dapplication des tests
Jugement de causalit
15/09/2015 444
148
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
149
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Comparaison de moyenne
Deux variables quantitatives
15/09/2015 448
Plan
Introduction
Rappel
Utilit des tests statistiques en sant
Origine de la problmatique
Principe des tests
La dmarche dans les tests statistiques
Risques derreur en statistique
Conditions dapplication des tests
Jugement de causalit
15/09/2015 449
Jugement de causalit
Test statistique : Signification statistique
Conclure une diffrence statistiquement
significative entre 2 groupes
Ne permet pas de porter un jugement de causalit
Exemple
Cancer bronchique et le sexe du patient
Test statistique : pourcentage significativement
diffrent entre les hommes et les femmes
Mais pas de relation causale ente le cancer bronchique
et le sexe du patient
15/09/2015 450
150
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Jugement de causalit
Les 9 critres de causalit
Austin Bradford Hill (1965)
A retenir
Dmarche gnrale dun test statistique
15/09/2015 452
Conclusion
Les tests permettent seulement de conclure
l'existence d'une diffrence
151
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Chapitre 7
Les tests de comparaison de
pourcentages
Plan
Rappel
Introduction
Comparaison dun pourcentage observ un
pourcentage thorique
Comparaison de deux pourcentages observs
Autres tests de comparaison de pourcentages
15/09/2015 455
Plan
Rappel
Introduction
Comparaison dun pourcentage observ un
pourcentage thorique
Comparaison de deux pourcentages observs
Autres tests de comparaison de pourcentages
15/09/2015 456
152
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Introduction
Pourcentage
Variable qualitative dichotomique
(Prsence/Absence, Malades/Non malades, Dcs/Survie, )
Introduction
Comparaison de pourcentages : tests de 2
Tests de chi deux.
Tests de chi carr.
Test de 2 de Pearson.
Type de variables
Qualitative binaire
Qualitative nominale / ordinale
Quantitative discrte
15/09/2015 458
Introduction
Comparer une distribution observ
(chantillon) une distribution thorique
Tests de 2 de conformit
Comparer deux ou plusieurs distributions
observes sur des chantillons
Tests de 2 dhomognit
tudier le liaison entre les distribution de
variables dun mme chantillon
Tests de 2 dindpendance
15/09/2015 459
153
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Rappel
Introduction
Comparaison dun pourcentage observ un
pourcentage thorique
Comparaison de deux pourcentages observs
Autres tests de comparaison de pourcentages
15/09/2015 460
Population Population
(inconnu) de rfrence
th (connu)
chantillon
p
Population Population
(inconnu) de rfrence
th (connu)
chantillon
p
154
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 463
15/09/2015 464
Population Population
(inconnu) de rfrence
th (connu)
chantillon
p
155
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 466
Effectifs
thorique ou C1 = n.th C2 = n.(1-th) n
calculs
15/09/2015 467
15/09/2015 468
156
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 469
Conditions dapplication : C1 5 et C2 5
(O1 C1 ) 2 (O 2 C 2 ) 2
2
C1 C2
Sous H0 la statistique suit une loi du X2 1 ddl
15/09/2015 471
157
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 472
2
En pratique, si a = 5% : 1, 3,84
Si 2 3,84 : rejet de H0
Si 2 <3,84 : non rejet de H0
On donne le degr de significativit p
correspondant 2
Degrs de libert
Alpha
15/09/2015 474
158
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Conditions dapplication : C1 5 et C2 5
(50 35)2 (200 215)2
2 7,47
35 215
15/09/2015 476
159
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Rappel
Introduction
Comparaison dun pourcentage observ un
pourcentage thorique
Comparaison de deux pourcentages observs
Autres tests de comparaison de pourcentages
15/09/2015 478
Comparer 1 2
Population Population
1 2
chantillon chantillon
p1 p2
15/09/2015 479
Population Population
1 2
chantillon chantillon
p1 p2
15/09/2015 480
160
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 482
15/09/2015 483
161
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 484
15/09/2015 485
Distribution compare
Total
A B
Total Total
Total N
colonne 1 colonne 2
15/09/2015 486
162
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Distribution compare
Total
A B
Effectif observ Effectif
Total ligne
Oui 1 observ 2
1
Variable O1 O2
tudie Effectif observ Effectif
Total ligne
Non 3 observ 4
2
O3 O4
Total colonne
Total Total colonne 1 N
2
15/09/2015 487
15/09/2015 488
15/09/2015 489
163
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Conditions dapplication :
n1. 0 5 et n1.(1- 0) 5
n2. 0 5 et n1.(1- 0) 5
15/09/2015 490
15/09/2015 491
164
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
(O1 C1 ) 2 (O 2 C 2 ) 2 (O 3 C 3 ) 2 (O 4 C 4 ) 2
2
C1 C2 C3 C4
15/09/2015 493
2
O ij Cij - 0,5
2
i, j Cij
15/09/2015 494
15/09/2015 495
165
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 496
2
En pratique, si a = 5% : 1, 3,84
Si 2 3,84 : rejet de H0
Si 2 <3,84 : non rejet de H0
On donne le degr de significativit p
correspondant 2
166
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Hypothses : H0 : 1 = 2 ; H1 : 1 2
Calcul Guris Non guris Total
ATB A 15 (17,5) 35 (32,5) 50
ATB B 20 (17,5) 30 (32,5) 50
Total 35 65 100
15/09/2015 500
Plan
Rappel
Introduction
Comparaison dun pourcentage observ un
pourcentage thorique
Comparaison de deux pourcentages observs
Autres tests de comparaison de pourcentages
15/09/2015 501
167
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 502
Chapitre 8
Les tests de comparaison de
moyennes
Plan
Rappel
Introduction
Comparaison dune moyenne une moyenne
thorique
Comparaison de deux moyennes observes
Autres tests de comparaison de moyennes
15/09/2015 504
168
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Rappel
Estimation ponctuelle dune moyenne
1 n
m xi
n i 1
Estimation de la variance
n
(x i m) 2
s
2 i 1
n 1
Ecart type de la moyenne s
sm
n
15/09/2015 505
Rappel
classification des variables
Dichotomiques
Binaires
Variables
Nominales
qualitatives
Ordinales
Variables
Continues
Variables
quantitatives
Discrtes
VARIABLES QUANTITATIVES
Dfinition
Une variable statistique est quantitative si ses valeurs sont
des nombres exprimant une quantit, sur lesquels les
oprations arithmtiques (somme, diffrence...) ont un
sens.
Expression :
Moyenne / mdiane
Ecart type
Variance
169
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Rappel
Introduction
Comparaison dune moyenne une moyenne
thorique
Comparaison de deux moyennes observes
Autres tests de comparaison de moyennes
15/09/2015 508
Introduction
Type de variables :
Quantitatives : moyennes
Tests statistiques
Test Z (loi normale) : n 30
Test t de student : n<30
15/09/2015 509
Introduction
3 types de comparaisons:
Une moyenne observe une moyenne thorique
2 moyennes observes sur 2 chantillons indpendants
2 moyennes observes sur 2 chantillons apparis
2 types de tests choisir en fonction des conditions
dapplication
Paramtriques
Non paramtriques
15/09/2015 510
170
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Rappel
Introduction
Comparaison dune moyenne une moyenne
thorique
Comparaison de deux moyennes observes
Autres tests de comparaison de moyennes
15/09/2015 511
Population Population
(inconnu) de rfrence
th (connu)
chantillon
m
Population Population
(inconnu) de rfrence
th (connu)
chantillon
m
171
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 514
15/09/2015 515
Population Population
(inconnu) de rfrence
th (connu)
chantillon
m
172
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 517
15/09/2015 519
173
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 520
15/09/2015 521
174
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
175
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 526
15/09/2015 527
176
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
177
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Plan
Rappel
Introduction
Comparaison dune moyenne une moyenne
thorique
Comparaison de deux moyennes observes
Autres tests de comparaison de moyennes
15/09/2015 532
Comparaison de 2 moyennes
observs
- chantillons indpendants -
Problme : comparer 2 moyennes (m1 et m2)
dans 2 groupes indpendants de tailles n1 et
n2
Comparer 1 2
Population Population
1 2
chantillon chantillon
m1 m2
15/09/2015 533
Comparaison de 2 moyennes
observs
- chantillons indpendants -
Exemple : dure dhospitalisation et infection
nosocomiale (IN)
IN oui : m1 = 14j
IN non : m2= 8j
Population Population
1 2
chantillon chantillon
m1 m2
15/09/2015 534
178
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Comparaison de 2 moyennes
observs
- chantillons indpendants -
Etape 1 : Formuler les hypothses : H0 et H1
Etape 2 : Dduire ce que devraient tre les
observations si lhypothse nulle (H0) est
vraie.
Etape 3: Calcul de la statistique de test
Etape 4 : Interprtation et conclusion
15/09/2015 535
15/09/2015 536
Comparaison de 2 moyennes
observs
- chantillons indpendants -
Etape 1 : Formuler les hypothses : H0 et H1
Etape 2 : Dduire ce que devraient tre les
observations si lhypothse nulle (H0) est
vraie.
Etape 3: Calcul de la statistique de test
Etape 4 : Interprtation et conclusion
15/09/2015 537
179
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Comparaison de 2 moyennes
observs
- chantillons indpendants -
Choisir la statistique :
Test Z (loi normale)
Test du t de Student
Conditions dapplication :
Taille dchantillon : n1 et n2
La distribution de X1 et X2 est normale
Comparaison de 2 moyennes
observs
- chantillons indpendants -
Cas de grands chantillons (n1 30 et n2 30)
m1 suit approximativement une loi normale de
moyenne 1 et de variance 21/n1 car n1 30
15/09/2015 539
Comparaison de 2 moyennes
observs
- chantillons indpendants -
15/09/2015 540
180
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Comparaison de 2 moyennes
observs
- chantillons indpendants -
15/09/2015 541
Comparaison de 2 moyennes
observs
- chantillons indpendants -
15/09/2015 542
15/09/2015 543
181
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Comparaison de 2 moyennes
observs
- chantillons indpendants -
Confronter Z0 la valeur seuil Za
Lecture de la valeur seuil dans la table de la loi
normale centre rduite
En pratique, si a = 5% : Za = 1,96
Si Z0 1,96 : rejet de H0
Si Z0 < 1,96 : non rejet de H0
On donne le degr de significativit p
correspondant Z0
15/09/2015 544
Comparaison de 2 moyennes
observs
- chantillons indpendants -
15/09/2015 545
Comparaison de 2 moyennes
observs
- chantillons indpendants -
15/09/2015 546
182
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
Comparaison de 2 moyennes
observs
- chantillons indpendants -
Remarques
Lorsque
ddl
Z/2
tn-1;/2 de la loi normale centre
rduite
15/09/2015 548
Plan
Rappel
Introduction
Comparaison dune moyenne une moyenne
thorique
Comparaison de deux moyennes observes
Autres tests de comparaison de moyennes
15/09/2015 549
183
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE
15/09/2015 550
Conclusion
Comparaison de deux pourcentages
Tests de 2 dhomognit
15/09/2015 551
184