Documente Academic
Documente Profesional
Documente Cultură
Tests statistiques
.
Michaël Genin
Université de Lille 2
EA 2694 - Santé Publique : Epidémiologie et Qualité des soins
michael.genin@univ-lille2.fr
Plan
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 1 / 103
Principe des tests statistiques Exemple introductif
Exemple introductif
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 4 / 103
Principe des tests statistiques Exemple introductif
Exemple introductif
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 5 / 103
Principe des tests statistiques Exemple introductif
Exemple introductif
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 6 / 103
Principe des tests statistiques Exemple introductif
Exemple introductif
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 7 / 103
Principe des tests statistiques Définitions
Définitions
Objectif : Valider ou non une hypothèse faite sur une ou plusieurs populations
d’hypothèse
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 9 / 103
Principe des tests statistiques Définitions
Définitions
C’est cette hypothèse qu’on va tester à l’aide des observations sur le (ou les)
échantillon(s).
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 10 / 103
Principe des tests statistiques Définitions
Définitions
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 11 / 103
Principe des tests statistiques Définitions
Définitions
Notion de risque
→ La conclusion du test n’est pas certaine mais lui est associé un risque d’erreur
faible.
.
Le risque de première espèce α
.
. Risque de rejeter H0 sachant qu’elle est vraie.
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 12 / 103
Principe des tests statistiques Définitions
Définitions
Notion de risque
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 13 / 103
Principe des tests statistiques Définitions
Définitions
Réalité
Décision H0 H1
H0 conclusion correcte risque de deuxième espèce
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 14 / 103
Principe des tests statistiques Définitions
Définitions
Règle de décision
Se base sur une statistique de test ST : variable aléatoire observable telle que
sa loi est complètement connue sous H0
La réalisation de ST est observée sur l’échantillon
Les valeurs peu probables de ST observées mettent en cause la validité de H0
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 15 / 103
Principe des tests statistiques Définitions
ST ∼ N (0, 1)
0 3
Valeur de ST observée
Si H0 était vraie, on aurait dû obtenir une valeur de ST plus probable et non une
valeur extrême.
2 explications possibles :
H0 n’est pas vraie ( les deux médicaments ont des efficacités différentes)
Problème d’échantillonnage
Quelles valeurs de ST conduisent au rejet de H0 ???
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 16 / 103
Principe des tests statistiques Définitions
Définitions
Région critique
P(ST ∈ W /H0 ) = α
P(ST ∈
/ W /H0 ) = 1 − α
Et
P(ST ∈
/ W /H1 ) = β
P(ST ∈ W /H1 ) = 1 − β
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 17 / 103
Principe des tests statistiques Définitions
Définitions
Exemple avec ST ∼ N (0, 1) sous H0 et α = 0.05
N (0, 1)
−z0.975 0 z0.975
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 18 / 103
Principe des tests statistiques Définitions
Définitions
5% 95% 95% 5%
−z0.95 0 0 z0.95
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 19 / 103
Principe des tests statistiques Définitions
Définitions
Réalité
Décision H0 H1
H0 Niveau de confiance 1 − α β
H1 α Puissance 1 − β
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 20 / 103
Principe des tests statistiques Définitions
Définitions
Remarques
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 21 / 103
Principe des tests statistiques Définitions
Définitions
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 22 / 103
Principe des tests statistiques Définitions
Définitions
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 23 / 103
Principe des tests statistiques Définitions
Définitions
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 24 / 103
Principe des tests statistiques Définitions
Définitions
P-value
C’est le degré de signification du test. Plus elle faible par rapport à α, plus le test
a un degré de signification important.
En pratique :
P-value < α alors on rejette H0
P-value ⩾ α alors on ne rejette pas H0
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 25 / 103
Principe des tests statistiques Définitions
Types de tests
Tests paramétriques : comparaison de paramètres (moyennes, variances...)
Tests semi et non-paramétriques : comparaison de distributions
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 26 / 103
Grands échantillons n ⩾ 30 Comparaison d’une moyenne observée à une moyenne théorique
Exemple : QI et prisonniers...
Nous ne pouvons faire des tests de QI sur tous les prisonniers, donc on procède à
un échantillonnage.
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 29 / 103
Grands échantillons n ⩾ 30 Comparaison d’une moyenne observée à une moyenne théorique
H0 : µ = µ0
H1 : µ ̸= µ0
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 30 / 103
Grands échantillons n ⩾ 30 Comparaison d’une moyenne observée à une moyenne théorique
Sous H0 ,
.
X̄ − µ0
Z= √ ∼ N (0, 1)
. Sn−1 / n
Pourquoi ?
Sous H0 , on considère que les QI moyens sont égaux. Aussi, l’échantillon de
prisonniers est tout simplement un échantillon de 100 individus de la population
générale de moyenne µ0 et d’écart-type σ (pas de différence).
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 31 / 103
Grands échantillons n ⩾ 30 Comparaison d’une moyenne observée à une moyenne théorique
N (0, 1)
−z0.975 0 z0.975
x̄ − µ0
z= √
sn−1 / n
85 − 100
z= = −15
10/10
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 33 / 103
Grands échantillons n ⩾ 30 Comparaison d’une moyenne observée à une moyenne théorique
Remarques
Test bilatéral → H1 : µ ̸= µ0
Calcul de la p-value :
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 34 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons indépendants
Objectif : on désire savoir si le LDL est différent entre les patients diabétiques et
les personnes saines.
En population générale, on considère que le LDL moyen chez les personnes saines
a pour valeur µ2 et un écart-type σ2 .
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 36 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons indépendants
H0 : µ1 = µ2
H1 : µ1 ̸= µ2
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 37 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons indépendants
Sous H0 ,
.
X¯1 − X¯2
Z=√ ∼ N (0, 1)
S12 S22
+
. n1 n2
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 38 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons indépendants
Donc
√
σ12 σ22
X¯1 − X¯2 ∼ N µ1 − µ2 , +
n1 n2
Et
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 39 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons indépendants
Or sous H0 , µ1 = µ2
Donc
X¯ − X¯2
√1 ∼ N (0, 1)
σ12 σ22
+
n1 n2
Comme σ1 et σ2 sont inconnus, on utilise S1 et S2 (estimateurs non baisées de
l’écart-type)
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 40 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons indépendants
N (0, 1)
−z0.975 0 z0.975
x¯1 − x¯2
z=√ ∼ N (0, 1)
s12 s22
+
n1 n2
1.8 − 1.3
z=√ = 9.3
0.52 0.22
+
100 50
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 42 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons indépendants
Remarques
Test bilatéral → H1 : µ1 ̸= µ2
Calcul de la p-value :
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 43 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons appariés
Définition de l’appariement
Exemples :
On mesure la taille pour différents couples de frère et soeur, et l’on souhaite
comparer la taille entre les hommes et les femmes
Mesure d’un paramètre biologique chez des patients, avant et après une
intervention (données répétées)
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 45 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons appariés
Principe du test
Dans le cadre des données appariées, un test Z apparié est plus puissant qu’un
test Z de comparaison de moyennes.
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 46 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons appariés
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 47 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons appariés
Ce sont ces considérations qui vont permettre de définir les hypothèses ainsi que
la statistique de test.
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 48 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons appariés
H0 : µD = 0
H1 : µD = ∆, ∆ ̸= 0
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 49 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons appariés
D̄ − ∆
Z= √ ∼ N (0, 1)
SD / n
Or sous H0 , ∆ = 0, donc :
.
D̄
Z= √ ∼ N (0, 1)
SD / n
Avec :
D̄ = X¯1 − X¯2
et √ ∑n
∑n i=1 (Di )
2
i=1 Di − n
SD =
. n−1
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 50 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons appariés
N (0, 1)
−z0.975 0 z0.975
d̄
z= √
sD / n
1.8 − 1.6
z= √ = 10
0.2/ 100
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 52 / 103
Grands échantillons n ⩾ 30 Comparaison de deux moyennes / Echantillons appariés
Remarques
Test bilatéral → H1 : µD = ∆ ̸= 0
Calcul de la p-value :
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 53 / 103
Grands échantillons n ⩾ 30 Comparaison d’une proportion observée à une proportion théorique
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 55 / 103
Grands échantillons n ⩾ 30 Comparaison d’une proportion observée à une proportion théorique
Sous H0
.
π̂ − π0
Z=√ ∼ N (0, 1)
π0 (1−π0 )
. n
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 56 / 103
Grands échantillons n ⩾ 30 Comparaison d’une proportion observée à une proportion théorique
N (0, 1)
−z0.975 0 z0.975
π̂ − π0
z=√
π0 (1−π0 )
n
0.42 − 0.54
z=√ = −2.41
0.54(1−0.54)
100
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 58 / 103
Grands échantillons n ⩾ 30 Comparaison d’une proportion observée à une proportion théorique
Remarques
Test bilatéral → H1 : π ̸= π0
Calcul de la p-value :
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 59 / 103
Grands échantillons n ⩾ 30 Comparaison de deux proportions / Echantillons indépendants
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 61 / 103
Grands échantillons n ⩾ 30 Comparaison de deux proportions / Echantillons indépendants
H0 : π1 = π2
H1 : π1 ̸= π2
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 62 / 103
Grands échantillons n ⩾ 30 Comparaison de deux proportions / Echantillons indépendants
Sous H0 , π1 = π2 , donc :
.
πb1 − πb2
Z=√ ∼ N (0, 1)
πb1 (1−πb1 ) πb2 (1−πb2 )
n1 + n2
.
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 63 / 103
Grands échantillons n ⩾ 30 Comparaison de deux proportions / Echantillons indépendants
N (0, 1)
−z0.975 0 z0.975
πb1 − πb2
z=√
πb1 (1−πb1 ) πb2 (1−πb2 )
n1 + n2
0.65 − 0.75
z=√ = −1.10
0.65(1−0.65) 0.75(1−0.75)
50 + 50
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 65 / 103
Grands échantillons n ⩾ 30 Comparaison de deux proportions / Echantillons indépendants
Remarques - 1
Test bilatéral → H1 : π1 ̸= π2
Calcul de la p-value :
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 66 / 103
Grands échantillons n ⩾ 30 Comparaison de deux proportions / Echantillons indépendants
Remarques - 2
Si l’on considère deux échantillons (n1 = 200) et (n2 = 200) dans lesquels les
proportions de guérison à 1 mois sont identique (πb1 = 0.65 et πb2 = 0.75), alors :
0.65 − 0.75
z=√ = −2.19
0.65(1−0.65) 0.75(1−0.75)
200 + 200
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 67 / 103
Grands échantillons n ⩾ 30 Comparaison de deux proportions / Echantillons indépendants
Remarques - 3
La puissance d’un test est en partie fonction du nombre d’observations
disponibles
Théoriquement, plus on augmente le nombre d’observations, plus le test sera
capable de détecter une différence infime comme significative
En pratique : on se fixe une différence clinique minimale (ex : 10%)...
Estimation du nombre de sujets nécessaires...
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 68 / 103
Petits échantillons n < 30 Comparaison d’une moyenne observée à une moyenne théorique
Test T de Student
Remarques préliminaires :
Le principe est très proche du test Z
On doit supposer que X ∼ N (µ, σ) dans la population
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 71 / 103
Petits échantillons n < 30 Comparaison d’une moyenne observée à une moyenne théorique
Test T de Student
Sous H0 ,
.
X̄ − µ0
T = √ ∼ Tn−1 d.d.l
. Sn−1 / n
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 72 / 103
Petits échantillons n < 30 Comparaison d’une moyenne observée à une moyenne théorique
Test T de Student
4. Détermination de la région critique W
T(9 ddl)
−t0.975, 9 0 t0.975, 9
Test T de Student
x̄ − µ0
t= √
sn−1 / n
85 − 100
t= √ = −4.74
10/ 10
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 74 / 103
Petits échantillons n < 30 Comparaison d’une moyenne observée à une moyenne théorique
Test T de Student
Remarques
Test bilatéral → H1 : µ ̸= µ0
Calcul de la p-value :
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 75 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons indépendants
Remarques préliminaires :
On doit supposer que dans la population :
X1 ∼ N (µ1 , σ1 )
X2 ∼ N (µ2 , σ2 )
1. σ12 = σ22
2. σ12 ̸= σ22
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 77 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons indépendants
En pratique :
Test unilatéral à droite
On prend la valeur la plus élevée entre s12 et s22 comme numérateur de la
statistique de test
Le rapport est ⩾ 1.
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 78 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons indépendants
Région critique W
Fn1 −1,n2 −1
5%
0 1 2 3 4 5 6
fn1−α
1 −1,n2 −1
W = [fn1−α
1 −1,n2 −1
; +∞[
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 79 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons indépendants
Remarques
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 80 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons indépendants
Test de T de Student
Objectif : on désire savoir si le LDL est différent entre les patients diabétiques et
les personnes saines.
En population générale, on considère que le LDL chez les diabétiques est distribué
selon une loi normale de moyenne µ1 et d’écart-type σ1 .
En population générale, on considère que le LDL chez les personnes saines est
distribué selon une loi normale de moyenne µ2 et d’écart-type σ2 .
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 81 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons indépendants
Test de T de Student
H0 : µ1 = µ2
H1 : µ1 ̸= µ2
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 82 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons indépendants
Test de T de Student
3. Choix de la statistique de test
1. Si σ 2 = σ 2 = σ 2 , alors sous H
1 2 0 :
.
X¯1 − X¯2
T = √ ∼ Tn1 +n2 −2 ddl
S n11 + n12
.
Avec S 2 l’estimateur de la variance commune σ 2 .
.
(n1 − 1)S12 + (n2 − 1)S22
S2 =
. n1 + n2 − 2
. Si σ 2 ̸= σ 2 , alors sous H0 :
2
1 2
.
X¯1 − X¯2
T =√ 2 ∼ Tn1 +n2 −2 ddl
S1 S22
. n1 + n2
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 83 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons indépendants
Test T de Student
4. Détermination de la région critique W
T(43 ddl)
−t0.975, 43 0 t0.975, 43
Test T de Student
On pose un risque α = 5%
H0 : σ12 = σ22
H1 : σ12 > σ22
s12 (0.5)2
f = 2 = = 25
s2 (0.1)2
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 85 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons indépendants
Test T de Student
Région critique W
F24,19
5%
0 1 2 3
0.95
f24,19
0.95
W = [f24,19 ; +∞[
W = [2.11; +∞[
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 86 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons indépendants
Test T de Student
X¯1 − X¯2
T =√ 2 ∼ Tn1 +n2 −2 ddl
S1 S22
n1 + n2
1.8 − 1.3
t=√ = 4.56
(0.5)2 (0.2)2
25 + 20
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 87 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons indépendants
Test T de Student
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 88 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons indépendants
Test T de Student
Remarques
Test bilatéral → H1 : µ1 ̸= µ2
Calcul de la p-value :
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 89 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons appariés
Sur l’échantillon
Les mesures sont appariées car elles sont effectuées sur les mêmes individus.
d̄ = 0.1
L’écart-type des différences entre les mesures :
sD = 0.091
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 92 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons appariés
H0 : µD = 0
H1 : µD = ∆, ∆ > 0
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 93 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons appariés
D̄ − ∆
T = √ ∼ Tn−1 ddl
SD / n
Or sous H0 , ∆ = 0, donc :
.
D̄
T = √ ∼ Tn−1 ddl
SD / n
Avec
D̄ = X¯1 − X¯2
et v [ n ]
u
u n
t 1 ∑ 2 ( )2
SD = Di − D̄
n−1 n
. i=1
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 94 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons appariés
T(14 ddl)
95% 5%
0 t0.95, 14
W = [t0.95, 14 ; +∞[
W = [1.761; +∞[
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 95 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons appariés
d̄
t= √
sD / n
0.1
z= √ = 4.25
0.91/ 15
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 96 / 103
Petits échantillons n < 30 Comparaison de deux moyennes / Echantillons appariés
Remarques
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 97 / 103
Conclusions
Tests de comparaison
Les tests de comparaison servent à comparer des paramètres entre des populations
différentes.
2 types :
Comparaison d’un échantillon observé à une population de référence
Comparaison de deux échantillons observés (les deux populations sont
inconnues)
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 99 / 103
Conclusions
Tests de comparaison
Se poser la question :
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 100 / 103
Conclusions
2 moyennes n1 et n2 ⩾ 30
2 moyennes appariées n ⩾ 30
2 proportions n1 , n2 ⩾ 30
min{ni p, ni (1 − pi )} > 5, i = 1, 2
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 101 / 103
Conclusions
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 102 / 103
Conclusions
2 variables quantitatives
Ex : Existe-t-il un lien significatif entre le taux de prothrombine et l’âge ?
→ Test sur le coefficient de corrélation / Régression linéaire
Michaël Genin (Université de Lille 2) Tests statistiques Version - 19 février 2015 103 / 103