Vous êtes sur la page 1sur 184

Pr_E.

BOUAITI : Module 02/10/2017


BIOSTATISTIQUE

UNIVERSITE MOHAMMED V - RABAT


FACULTE DE MEDECINE ET DE PHARMACIE

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.

Chefs dEtats : connatre leur puissance :


population, richesses, potentiel militaire

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

Al-Kindi y donne une description dtaille de


la faon d'utiliser les statistiques et l'analyse
de la frquence de dchiffrer les messages
chiffrs.

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

Nombre de morts dans les hpitaux militaires britanniques (guerre de


Crime)
Florence Nightingale (1820-1910)
gris : maladies vitables
rose : blessures mortelles
brun : autres causes

1700 : John Graunt

% d'enfants ns vivants, et morts avant l'ge de 6 ans

13 causes de Dcs

Muguet Etouffement par couverture


Convulsions Variole
Rachitisme Varicelle
Accidents dentaires et vers Rougeole
Naissances prmatures Vers sans convulsion
Dcs de la premire enfance Inconnue
Gros Foie

02/10/2017 12

4
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Premier essai thrapeutique


James Lind (1716 1794)
Exprimentation sur lhomme : 1747
Administration de diffrents rgimes aux marins
Si contient orange, citron : gurison
Le premier essai thrapeutique contrl contre le
scorbut, par la mthode de la recherche tiologique.

02/10/2017 13

I. Introduction
Premire moiti du 20ime sicle
Statistiques biologiques et psychologiques
Biomtrie et Psychomtrie
1940 Recherche oprationnelle

Deuxime moiti du 20ime sicle


Dveloppement de l'informatique
Analyse des donnes

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

Les diffrentes tapes


dune biostatistique
Enqute / Etude
Ensemble des oprations qui ont pour but de
collecter de faon organise des informations
relatives un groupe d'individus ou d'lments
observs dans leur milieu ou leur cadre habituel.

02/10/2017 22

Les diffrentes tapes


dune biostatistique
La collecte des donnes
Simple observation :
Pas dintervention spcifique (dossiers mdicaux).

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

Les diffrentes tapes


dune biostatistique
Analyse statistique

Analyse "dductive" ou descriptive


Statistique descriptive

Analyse "inductive" ou infrence


Statistique infrentielle

Ces tapes ne sont pas indpendantes.


02/10/2017 24

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

Organisation, prsentation Permet de gnraliser de


et analyse des donnes grands ensembles
Synthse de linformation: d'lments les conclusions
rsums statistiques. tires des rsultats obtenus
Expression des rsultats : partir dun nombre rduit
reprsentation graphique. dobservations
tape prliminaire

Echantillon Infrence Population ?

Infrer = tirer une conclusion partir de propositions ou de faits, et de rgles


02/10/2017 25

II. La biostatistique
Deux branches distinctes
Statistique descriptive Statistique infrentielle

Organisation, prsentation Permet de gnraliser de


et analyse des donnes grands ensembles
Synthse de linformation: d'lments les conclusions
rsums statistiques. tires des rsultats obtenus
Expression des rsultats : partir dun nombre rduit
reprsentation graphique. dobservations
tape prliminaire

Echantillon Infrence Population ?

Infrer = tirer une conclusion partir de propositions ou de faits, et de rgles


02/10/2017 26

Pourquoi faire des biostatistiques en


mdecine?

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

La variabilit = la rgle et non lexception


02/10/2017 29

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.

La variabilit = la rgle et non lexception


02/10/2017 30

10
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

2. Variabilit mtrologique
Variabilit de la mesure
Variabilit exprimentale
Variabilit appareil de mesure

Essayer de mesurer plusieurs (100) fois la taille en


mm dun individu : vous trouverez des valeurs
diffrentes cependant dans labsolu un individu a
une taille et une seule.

La variabilit = la rgle et non lexception


02/10/2017 31

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

VI. Unit statistique


ou individu
1) Dfinition
Une unit distincte chez laquelle on
peut observer une ou plusieurs
caractristiques donnes.
lment sur lequel sont effectues
des observations ou des mesures
2) Exemples
Individu, animal, organe, cellule,
champ de microscope,...
Regroupement dunits: Grappe ou
cluster
Patients dun service
02/10/2017 37

VI. Unit statistique


ou individu
La dfinition de lindividu dpend
des paramtres tudis
Exemple 1 : paramtre tudi : note
dun tudiant dans un groupe de TD
Un individu = un tudiant

Exemple 2 : paramtre tudi : note


moyenne de chaque groupe de TD
dtudiant
Un individu = un groupe de TD
(Grappes)

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

Exemple : les tudiants


de la 1re anne
mdecine

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

Exemple : tous les


tudiants de la facult de
mdecine

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

On connait tous les


individus qui
composent un
chantillon
Taille de l'chantillon :
le nombre dindividu
dans l'chantillon.

Notation : n
02/10/2017 46

3. Pourquoi travaille-t-on sur un chantillon ?

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

VII. Variable statistique


1. Dfinition
Caractristique ou facteur susceptible de prendre
une valeur diffrente selon les individus (ou les
units statistiques) tudis
Caractristique mesurable pour toutes les units
statistiques
2. Exemple :
Le sexe des patients hospitaliss
Le poids
La dure dincubation dune maladie
02/10/2017 51

17
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

VII. Variable statistique


Valeurs: les nombres pris par une variable
quantitative.
Modalits : les catgories prises par une
variables qualitative
Exemple :
Pour la couleur des yeux : {noir ; bleu ; vert}
Pour le sexe : {homme ; femme}
Age: entre 18 et 25 ans
Valeurs
Variable
Modalits
02/10/2017 52

VII. Variable statistique


3. Valeurs / modalits possibles
Tous les rsultats possibles a priori si on fait une
observation d'une variable
Exemple :
Sexe : x1: Masculin, x2: Fminin
Groupe ABO: x1: A, x2 : B, x3: O, x4: AB
Poids : [50 kg 100 kg]
4. Valeur / modalit observe
Rsultat a posteriori d'une observation d'une variable
Exemple :
Sexe : x=x1: Masculin
Groupe ABO: x=x4 : AB
Poids : 70 kg
02/10/2017 53

VII. Variable statistique


4. Types de variables : Diffrentes natures ou
types :
Des catgories (Sexe, Couleur, Forme,)
Des rangs (position dans un ordre de prfrence)
Des comptages (nombre dobjets, nombre
despces, )
Des mesures physiques (temprature, pH,
poids,)
Des profils, des items .
02/10/2017 54

18
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

VII. Variable statistique


4. Types de variables : Diffrentes natures ou
types :

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)

Variable qualitative nominale Variable qualitative ordinale

02/10/2017 56

2. Variable qualitative nominale


Dfinition :
C'est une variable qualitative dont les modalits ne
sont pas ordonnes.
Si deux modalits : Dichotomique/ binaire
Exemples
Variable binaire
Sexe : homme ou femme
tat de sant : malade ou sain
Groupe sanguin
A, B, AB, O
Situation familiale :
Clibataire, mari, divorc, veuf

02/10/2017 57

19
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

3. Variable qualitative ordinale

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.

Variable quantitative discrte Variable quantitative continue

02/10/2017 59

1. Variable quantitative discrte

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

2. Variable quantitative continue

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

3. Variables continues ou discrtes ?


Discrtisation

On peut grouper une donne continue ou


discrte en classes de valeurs : donne
ordinale
Exemples
ge < 20, 20-25, 25-30, 30
Nombre de cigarettes/j = 0, 1-10, 11-20, > 20

Prix : perte dinformation !!!


02/10/2017 62

Nature des variables et richesse


en information
Grande richesse en information

Variables quantitatives

Variables ordinales

Variables qualitatives

Faible richesse en information

02/10/2017 63

21
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

4. Les variables en rsum


Dichotomiques
Binaires
Variables
Nominales
qualitatives

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

VIII.Les mesures de base


Proportion

Ratio
Rapports

Indice

Taux

02/10/2017 66

22
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

VIII.Les mesures de base


Rapports
Expression de la relation qui
existe entre deux quantits.
X
Il est de la forme xK
Y

Quel numrateur, quel dnominateur ?


02/10/2017 67

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

La variabilit est la rgle

La variabilit est non prvisible

Biostatistique : ncessit pour les


professionnels de sant

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 76

La Statistique Descriptive
Dfinition
Cest l'ensemble des mthodes et
techniques permettant de
Prsenter
Dcrire
et Rsumer
des donnes nombreuses et varies.

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 77

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.

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 78

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.

Des tableaux : distributions de frquences.

Des diagrammes : graphiques.

Pour la bien mener il faut savoir de quelle type de


variable sagit-il
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 79

Plan
Dfinition
Rappels
Statistique descriptive : Variable qualitative
Statistique descriptive : Variable quantitative
Statistique deux dimensions
Conclusion

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 80

Rappels : Base de donnes


Srie statistique = ensemble de mesures dune ou plusieurs variables
faites sur une population ou un chantillon.

Nom Situation de Nombre Age sexe


famille denfants
Patient 1 Mari 2 30 M
Patient 2 Veuf 3 45 M
Patiente 3 Marie 0 27 F
Patiente 4 Clibataire 0 32 F
Patient 5 Mari 1 39 M
. . . . .

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

Exemple : base de donnes


Npatient Prnom Circonstances delaiconsultation Sexe Age Annee orig_vil Dur_hosj type_brul ATCD
15 Sanae phlyctne : henn F 20 2 008 19 2 2
208 Zineb liq_chd mme jour F 20 2 004 21 0 2
125 Fatima flam_gaz dans la semaine F 21 2 006 45 0 2
62 Fatima Zahra flamme mme jour F 23 2 007 Kenitra 14 0 2
135 Maguat flamme F 24 2 006 Mauritanie 110 0 2
90 Mahjouba liq_chd aprs un mois F 24 2 006 Temara 12 0 2
223 Loubna flamme dans la semaine F 26 2 004 Casa Blanca 10 0 1
252 Fatima Zahra liq_chd mme jour F 26 2 009 Rabat 22 0 1
18 Fatima ex_bo_gz mme jour F 26 2 008 Taounate 21 0 2
49 Houda dans la semaine F 27 2 007 Kenitra 21 0 2
58 Hanane ex_bo_gz dans la semaine F 27 2 007 Taounate 30 0 2
11 Najat liq_chd aprs une semaine F 27 2 008 Sal 14 0 1
234 Hadhoum liq_chd mme jour F 28 2 004 Rabat 5 0 2
197 Rahma flam_gaz mme jour F 28 2 005 88 0 2
40 Halima liq_chd F 29 2 008 Kenitra 9 0 2
50 Amina liq_chd dans la semaine F 29 2 007 Kenitra 13 0 2
330 Saida flam_gaz dans la semaine F 30 2 010 Midelt 62 0 2
255 Zinba ex_bo_gz mme jour F 30 2 009 Tadla 69 0 2
274 Kaoutar liq_chd aprs une semaine F 30 2 009 7 0 1
102 Khadija flam_gaz mme jour F 31 2 006 Khemissat 50 0 2
250 touriya liq_chd dans la semaine F 32 2 009 Sal 35 0 1
336 Fatima flamme mme jour F 32 2 010 Tiflet 92 0 2
241 Touria flamme mme jour F 32 2 004 13 0 1
133 Fatima Zahra ex_bo_gz aprs une semaine F 32 2 006 Eljadida 0 1
142 Fatima flamme dans la semaine F 34 2 005 24 0 2
149 Najat liq_chd F 34 2 005 52 0 2
140 Hassna ex_bo_gz mme jour F 35 2 005 Mkns 9 0 2
283 Achoura ex_bo_gz mme jour F 35 2 009 Tiflet 93 0 2
103 Lekheila flamme dans la semaine F 36 2 006 Mauritanie 27 0 2
296 Amina liq_chd aprs une semaine F 36 2 010 Agadir 21 0 2

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 82

Rappels : variables
- Sexe

Observables
-Niveau
dtude

- Couleur
-Ville dorigine

-Taille
-Poids

-Nombre
Mesurables de
patients

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 83

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 87

29
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Statistique descriptive
- Sexe

Observables
-Niveau
dtude

- Couleur
-Ville dorigine

-Taille
-Poids

-Nombre
Mesurables de
patients

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 88

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 %

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 89

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

. .

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 91

Statistiques descriptives
variables qualitatives

Modalits Effectifs (n)


Mari 80
Clibataire 30
Veuf 20
Divorc 20
Total 150
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 92

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 94

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%

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 95

Plan
Dfinition
Rappels
Statistique descriptive : Variable qualitative
Statistique descriptive : Variable quantitative
Statistique deux dimensions
Conclusion

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 96

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 dispersion Dispersion

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 97

Paramtres de position
Moyenne arithmtique

Mdiane

Mode

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 98

Moyenne arithmtique

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 99

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 100

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 101

Moyenne arithmtique
donnes groupes

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 102

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 103

Paramtres de position
Moyenne arithmtique

Mdiane

Mode

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 104

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

La valeur qui partage la srie en 2 parties


de mme effectif (ordre croissant+++)

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 105

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 :

3; 15; 23; 46; 64; 126; 279; 623; 1350


n=4 n=4
La mdiane est la valeur de rang 5 : 64j

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 106

Mdiane

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 107

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.

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 108

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

Srie de valeurs: Moyenne Mdiane


10, 12, 18, 20, 25
17 18

10, 12, 18, 20, 45 21 18

La moyenne est sensible aux valeurs extrmes


La mdiane est insensible aux valeurs extrmes

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 110

Paramtres de position
Moyenne arithmtique

Mdiane

Mode

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 111

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

Exemple 1 : Le mode des valeurs 10, 12, 12,


12, 18, 18, 20, 25, 35 est 12

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 112

Mode
La valeur que lon observe le plus
frquemment dans une srie de valeurs.
La valeur dominante

Exemple 2 : La srie 10, 12, 12, 12, 18, 18, 18,


20, 25, 35 2 modes, 12 et 18
Une distribution est bimodale :
chantillon: deux populations diffrentes

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 113

Mode

Distribution unimodale Distribution


N N
250
bimodale
120

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)

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 114

38
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Mode, mdiane, moyenne


Si distribution unimodale, symtrique
les 3 concident Mode =
Mdiane =
Moyenne

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


Si distribution asymtrique
droite gauche

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

Paramtres de position : Mesures de la


tendance centrale
Position

Paramtres de dispersion Dispersion

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 117

39
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Paramtres de dispersion
tendue

Les quartiles

La variance

cart-type

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 118

tendue
Ltendue indique la distance entre la plus
grande et la plus petite valeur observe dans
la distribution.
Quantifie ltalement total des donnes

tendue = valeur maximale - valeur minimale


Exemple :
Une srie : 10, 12, 18, 20, 25, 35
tendue : 25 (10 35).

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 119

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

Valeur min = 45mol/l Valeur min = 45mol/l


Valeur max = 939 mol/l Valeur max = 572 mol/l
Etendue = 894 mol/l Etendue = 527 mol/l

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 120

40
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Paramtres de dispersion
tendue

Les quartiles

La variance

cart-type

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 121

Les quartiles
Ce sont des valeurs (Q1, Q2, Q3) qui sparent
lchantillon en 4 parties qui contiennent le
mme nombre de donnes.

25% 25% 25% 25%

Quart Quart Quart Quart


1 2 3 4
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 122

Les quartiles
Le premier quartile ou le quartile infrieur Q1 =
25 % des valeurs sont infrieures Q1 et 75 % lui
sont suprieures

Le troisime quartile ou le quartile suprieur Q3


= 75 % des valeurs sont infrieures Q3 et 25 %
lui sont suprieures

La mdiane = le deuxime quartile Q2

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 123

41
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Paramtres de dispersion
tendue

Les quartiles

La variance

cart-type

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 124

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 125

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 127

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 128

La signification probabiliste de lcart-


type
Echantillon 1 Echantillon 2

s2 < s1
s1
s2

m
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com)
129

43
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

La signification probabiliste de lcart-


type
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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 130

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 131

Statistique descriptive 2 dimensions


deux variables qualitatives
Distribution de frquences : tables de contingence.
Sujet Cancer Tabac
1 oui oui
2 oui oui
3 non non Cancer
4 oui oui oui non total
5 oui oui oui 40 20 60
6 oui non Tabac non 10 30 40
7 oui non total 50 50 100
8 oui oui
9 non oui
10 non Oui

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 132

44
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Statistique descriptive 2 dimensions


deux variables quantitatives
Patient Age (ans) taille (cm)
1 21 169
2 24 188
3 25 162
4 22 161
5 19 180
6 21 189
7 24 184
8 22 151
9 22 175
10 21 162

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 133

Statistique descriptive 2 dimensions


deux variables quantitatives
Position du problme
On dsire savoir, dans une population donne, si
lge (X) et la taille (Y) d'un individu sont deux
variables indpendantes ou non.
Corrlation : tudier les variations dune
variable quantitative en fonction dune autre
variable quantitative.

02/10/2017 134

Coefficient de corrlation linaire


Soit une population de N sujets pour laquelle
les valeurs des variables X et Y sont (xi, yi)
Coefficient de corrlation linaire
COV(X, Y)
X ,Y
VAR(X) VAR(Y)
COV (X,Y) = moyenne des produits des carts la
moyenne

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 135

45
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Coefficient de corrlation linaire


Notation
: paramtre thorique
r : paramtre observ sur un chantillon
Sans unit

Le coefficient de corrlation de Bravais-Pearson


Le coefficient de corrlation de Spearman

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 136

Estimation du coefficient de
corrlation : r
A partir dun chantillon de taille n on estime la
covariance par :

Calcul r : Remplacer la covariance et les


variances par leurs estimations

cov (x, y)
r
2
s X s 2y
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 137

Coefficient de corrlation linaire


Mesure l'intensit de la liaison linaire entre X et Y
Le coefficient de corrlation varie entre -1 et 1.
0 signifie une association nulle
Le signe correspond la direction de la corrlation.
Quand les deux valeurs augmentent ou diminuent
ensemble il s'agit d'une corrlation positive.
Quand une valeur augmente alors que l'autre diminue il
s'agit d'une corrlation ngative
|rx,y| Proche de 1 RELATION LINEAIRE entre les
variables

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 138

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 141

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 142

Introduction
Les trois tapes du traitement des donnes
statistiques:
Des paramtres statistiques.

Des tableaux : distributions de frquences.

Des diagrammes : graphiques.

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 143

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 144

48
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Statistique descriptive
Variables qualitatives
Dichotomiques
Observables
Binaires
Variables
Variables Ordinales
qualitatives

Nominales

Frquence absolue : effectif


Nombre dindividus par classe : n

Frquences relatives
Pour chaque classe, le rapport de son effectif au nombre total dindividus
Exprimes en pourcentage

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 145

Statistique descriptive
Variables quantitatives

Mesurables
Continues
Variables
Variables
quantitatives
Discrtes

Paramtres de position : Paramtres de dispersion


Mesures de la tendance centrale tendue
Moyenne arithmtique Les quartiles
Mdiane La variance
Mode cart-type
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 146

Introduction
Les trois tapes du traitement des donnes
statistiques:
Des paramtres statistiques.

Des tableaux : distributions de frquences.

Des diagrammes : graphiques.

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 147

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 148

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 151

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 153

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 154

Plan
Introduction
Tableaux
Graphiques
Bote moustaches
Diagramme de dispersion
Conclusion

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 155

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

Deux variables ou plus

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 158

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.

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 159

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 166

Carte figurative des pertes successives en hommes de l'arme


franaise dans la campagne de Russie 1812-1813 par Minard.

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 167

Nombre de morts dans les hpitaux militaires britanniques (guerre de


Crime)
Florence Nightingale (1820-1910)
gris : maladies vitables
rose : blessures mortelles
brun : autres causes

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 169

Graphiques
Deux axes :
Axe horizontal : abscisses
Axe vertical : ordonnes

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 170

Graphiques
Deux axes :
Axe horizontal : abscisses
Les modalits
Axe vertical : ordonnes
Les effectifs (ou frquences)
La hauteur de chaque bande
Proportionnelle leffectif correspondant

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 171

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 +++

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 172

Graphiques
Types :
Histogramme
Polygone de frquence
Diagramme en barres Types de
Diagramme en barres horizontales variables
Camembert

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 173

Histogramme
Types de variables :

Variables quantitatives discrtes

Variables quantitatives continues : discrtisation

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 174

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 175

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 177

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 180

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 183

61
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Polygone de frquence
Type de variable :

Variable quantitative continue

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 184

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 188

a) Histogramme bas sur des


groupes mesurs (units de 10
ans).

b) Histogramme bas sur des


groupes mesurs (units de 5
ans).

c) Nombre infini (mesurs en


mois).

63
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Diagramme en barres
Type de variable :

Variable qualitative ordinale +++

Variable qualitative nominale

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 190

Diagramme en barres
Diagramme :
Barres verticales disjointes
Ordonnes : effectifs ou les frquences
Abscisses :
Sans chelle numrique
Libells : modalits des variables
Les barres :
Largeur : identique

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 191

Diagramme en barres
Exemple

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 192

64
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Diagramme en barres
Exemple

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 193

Diagramme en barres
Exemple

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 194

Diagramme en barres
Exemple

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 195

65
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Diagramme en barres
Exemple

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 196

Diagramme en barres
Diagramme en barres horizontales
Variable qualitative nominale
Diagramme :
Barres horizontales disjointes
Ordonnes : Libells des classes
Abscisses : effectifs ou les frquences

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 197

Diagramme en barres horizontales


Exemple

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 198

66
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Camembert
(Pie chart)
Type de variable :

Variable qualitative nominale

Permet de bien visualiser la part relative de


chaque modalit.

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 199

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

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 200

Camembert
Exemple

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 201

67
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Diagramme en barres
horizontales
Camembert

5,80%

33,40%
60,70%

non fumeurs anciens fumeurs fumeurs actifs

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 202

Plan
Introduction
Tableaux
Graphiques
Bote moustaches
Diagramme de dispersion
Conclusion

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 203

Bote moustaches
Dfinition:
Rsume quelques caractristiques de position du
caractre tudi (mdiane, quartiles, minimum,
maximum)

Permet de faire une comparaison entre deux


populations

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 204

68
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Bote moustaches
Variables :

Variables quantitatives

Mdiane, Quartiles, Minimum, Maximum

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 205

Bote moustaches

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 206

Bote moustaches

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 207

69
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Bote moustaches
Exemple

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 208

Bote moustaches
Exemple

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 209

Plan
Introduction
Tableaux
Graphiques
Bote moustaches
Diagramme de dispersion
Conclusion

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 210

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

Deux mesures ralises sur un mme individu.

Permet de caractriser la direction, la force et la


forme de la relation.

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 211

Diagramme de dispersion
Nuage de points
(X;Y)

X
02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 212

Diagramme de dispersion
Nuage de points

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 213

71
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Conclusion
Organisation et
Prsentation des
donnes

Type des variables

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 214

Organisation et Prsentation des


donnes
Dichotomiques
Observables
Binaires
Variables
Variables Ordinales
qualitatives

Nominales

Tableaux de frquences
Graphiques :
Diagramme en barres
Diagramme en barres horizontales
Camembert

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 215

Organisation et Prsentation des


donnes

Mesurables
Continues
Variables
Variables
quantitatives
Discrtes

Tableaux de frquences
Graphiques :
Histogramme
Polygone de frquence
Bote moustaches

02/10/2017 Pr. BOUAITI (ebouaiti@gmail.com) 216

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

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 %
02/10/2017 220

Statistique descriptive
Variables quantitatives

Mesurables
Continues
Variables
Variables
quantitatives
Discrtes

Paramtres de position : Mesures de la Paramtres de dispersion


tendance centrale tendue
Moyenne arithmtique Les quartiles
Mdiane La variance
Mode cart-type

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

Plusieurs chantillons Echantillon 3 :


n3=4
peuvent tre constitus Echantillon 1 :
n1=4
165, 174
186, 190
170, 175, Echantillon 2 :
180, 182 n2=4
155, 170,
179, 186

02/10/2017 226

Fluctuation dchantillonnage
Exemple
Population : 1 000 000 sujets
Malades : 20%
Non malades : 80%

Echantillon alatoire : 20 sujets


Malades : 4 (20%)
Non malades : 16 (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

Loi des grands lvnement parmi n


observations

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

Qualits dune estimation


Pas de biais
Variance minimum

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

Estimation par intervalle


Estimation
Intervalle de confiance

chantillon
Observations
Population Valeur estime
Valeur thorique ou vraie
po /mo
02/10/2017 P/? 239

Estimation par intervalle


p1 /m1

p2 /m2

p3 /m3 chantillon

... ... Valeur


estime

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

Estimation par intervalle


p1 /m1

p2 /m2

p3 /m3 chantillon

... ... Valeur


estime
Population
Valeur thorique ou vraie
Pn-1 /mn-1
P [Pmin Pmax]
[mmin mmax]
pn /mn
02/10/2017 241

Estimation par intervalle


Consiste construire, autour de lestimation
ponctuelle, un intervalle qui aura une grande
probabilit (1-a) de contenir la vraie valeur du
paramtre.
Valeur de la
statistique
Intervalle de confiance calcule
partir de
lchantillon

Limite infrieure Limite suprieure

02/10/2017 a 5% 242

Estimation par intervalle

02/10/2017
Intervalle de confiance 95%) 243

81
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Estimation par intervalle

Population chantillon alatoire


Je suis confiant
Moyenne = 50 95% que m est entre
Moyenne, m, est 40 & 60.
inconnue

chantillon

Intervalle de confiance a 5%
02/10/2017 244

Estimation par intervalle


Objectif:
On veut infrer la valeur dun paramtre dune
population (inconnue) partir dun chantillon
La meilleure estimation de est x
La meilleure estimation de P est p
Puisque cette estimation a peu de chance dtre
exacte, on aimerait connatre un intervalle
lintrieur duquel il est probable de trouver la
vraie valeur du paramtre
02/10/2017 245

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

Intervalle de confiance dune


moyenne
Distribution normale.
La forme exacte dune distribution normale
dpend de:
La moyenne
lcart-type

Notation : N(, )
02/10/2017 247

Intervalle de confiance dune


moyenne
Une distribution dchantillonnage : est une
distribution de statistiques (par exemple x )
provenant de tous les chantillons possibles
dune taille n donne que lon peut tirer dune
population prcise.

02/10/2017 248

Intervalle de confiance dune


moyenne
Thorme limite centrale
Plus N est grand, plus la distribution
dchantillonnage de la moyenne sapparente
une distribution normale :


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 dune


moyenne
1. mo est le plus souvent diffrent de
2. mo proche de est plus probable
intervalle ponctuelle
va tre estime partir de mobserve

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

Intervalle de confiance dune


moyenne
partir du thorme de la limite centrale, on
obtient :

IC1a m0 za / 2 *
N

Mais, est aussi inconnu et doit lui aussi tre


estim partir de lchantillon!

02/10/2017 251

Intervalle de confiance dune


moyenne
I.C. de m = m i
Taille dchantillon grande : n >30

02/10/2017 252

84
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Intervalle de confiance dune


moyenne
Expression :
Intervalle de confiance 95 % pour m :

s2 s2
[ m0 - 1.96 - m0 + 1.96 ]
n n

02/10/2017 253

Intervalle de confiance dune


moyenne
I.C. de m = m i
Taille dchantillon petite: n <30
et X suit une loi normale
s2
i = ta/2(n-1) x n

s2 = variance n = effectif de lchantillon


ta/2 (n-1) = fonction a et degr de libert (ddl)
02/10/2017 Tables : loi du Student 254

Intervalle de confiance dune


moyenne
Expression :
Intervalle de confiance 95 % pour m :

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

Dans la table de la distribution t on trouve que t0,05/2 = 2,262.

02/10/2017 257

Intervalle de confiance dune moyenne


Exemple
Taille la naissance :
m0 = 49 cm s2 = 7,8 cm2
Intervalle de confiance 95% de la moyenne
des tailles de naissance observes sur un
chantillon de taille 400 :
7,8 7,8
m [ 49 - 1,96 ; 49 1,96 ]
400 400

02/10/2017 258

86
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Intervalle de confiance dune moyenne


Exemple

IC95% = [48,7 49,3]

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

Intervalle de confiance dune moyenne


Exemple
Taille la naissance :
m0 = 49 cm s2 = 7,8 cm2
Intervalle de confiance 95% de la moyenne
des tailles de naissance observes sur un
chantillon de taille 10 :
s2
IC1a m ta / 2, n 1 X
n
Condition dapplication :
distribution des tailles de naissance normale.
02/10/2017 260

Intervalle de confiance dune moyenne


Exemple
Valeur t
n= 10
ddl = 10 - 1 = 9
Dans la table de la distribution t on trouve que
t0,025 = 2,262.

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

Intervalle de confiance dune moyenne


Exemple
IC95% = [47,0 51,0]

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 dune


proportion
1. po est le plus souvent diffrent de P
2. po proche de P est plus probable
intervalle ponctuelle
P va tre estime partir de pobserve

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

Intervalle de confiance dune


proportion
I.C. de P = po i
Si np et nq sont 5

02/10/2017 266

Intervalle de confiance dune


proportion
Petits chantillons :
np et nq sont < 5

Tables

02/10/2017 267

89
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

02/10/2017 268

Intervalle de confiance dune


proportion
Expression :
Intervalle de confiance 95 % pour p :

p0(1 - p0) p0(1 - p0)


[ p0 - 1.96 - p0 + 1.96 ]
n n

02/10/2017 269

Conclusion
chantillon : Infrence

Population chantillon
Caractristiques
Caractristiques connues
inconnues

Estimation par intervalle Estimation ponctuelle


IC 95% p0 / m0

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.

La thorie des probabilits


Une science qui a pour but ltude des
expriences alatoires

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)

Raisonnement propre la statistique


275

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)

Raisonnement propre la probabilit


276

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])

Pr ([a < X b]) = FX(b) - FX(a)

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.

nombre de fois que l ' on observe x A


P ( x A)
nombre d ' observations des valeurs de x

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

nombre de fois que l ' on observe x A


P ( x A)
nombre d ' observations des valeurs de x

290

Principes de probabilits
Pour tout vnement A, on a
0 P( A) 1
Une probabilit est toujours comprise entre 0 et 1.

P(A) = 1 : Lvnement est toujours ralis.

P(A) = 0 : Lvnement est impossible.

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).

chantillon X = nb femmes chantillon X = nb femmes

(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?

Quelle est la probabilit dobserver 3 malades


dans un chantillon de 10 sujets choisis au hasard
dans une population o la frquence de la
maladie est de 17%?

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 :

A chaque preuve on associe X telle que :


X = 1 quand A est ralis
X = 0 quand B est ralis

La loi de probabilit de X est


P(X=1) = p
P(X=0) = q = 1-p

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

Quelle est la probabilit dobserver 3 malades


dans un chantillon de 10 sujets choisis au
hasard dans une population o la frquence de
la maladie est de 17%?
n!
P( X k ) Cnk p k q n k p k q nk
(n k )!k!

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!

P(X=3 malades) = 0,16


304

Loi Binomiale
Proprits additives
P(X<k) = P(0)+P(1)+..+P(k-1)

P(Xk)= P(0)+P(1)+..+P(k-1) + P(k)

P(X>k) = 1 P(Xk)

P(Xk)= 1- P(X<k)

305

Loi Binomiale
Exemple

Quelle est la probabilit dobserver moins de 4


malades dans un chantillon de 10 sujets choisis
au hasard dans une population o la frquence
de la maladie est de 17%?

306

102
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Loi Binomiale
Exemple

Quelle est la probabilit dobserver plus de 3


malades dans un chantillon de 10 sujets choisis
au hasard dans une population o la frquence
de la maladie est de 17%?

307

Loi de Poisson
Cest la loi des vnements rares

vnements : probabilit trs faible.

En pratique un vnement est rare si


p<0.05.

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

Avantage: un seul paramtre (m) 312

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

ge des Frquence battements cardiaques


tudiants
314

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

Exemples de lois normales

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,)

Elle dpend de deux paramtres : (moyenne) 2 (variance)


325

Loi normale
f(x) =
Densit de probabilit
Surface hachure

Fonction de rpartition

326

Loi normale centre rduite


Soit X N( ; 2).
On cherche Pr (a X b)

Seule N(0 ; 1) est tabule


Y= N(0 ; 1)

327

109
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Loi normale centre rduite


Loi normale centre rduite:
Moyenne = 0, cart type = 1. N(0;1)

1re transformation : X = x

2me transformation : Z=X/

Z
328

Loi normale centre rduite

329

Loi normale centre rduite


Principe
Pour calculer les probabilits pour toute
distribution normale de moyenne et de variance
2, on la standardise pour utiliser la table des
probabilits de la loi normale standardise de
moyenne 0 et de variance 1.

330

110
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Loi normale centre rduite


On va centrer et rduire pour obtenir la
probabilit

La probabilit se lit dans la table de la loi normale


centre rduite
331

Loi normale centre rduite

02/10/2017 332

Loi normale
Calcul des probabilits : table

P(Z > 0,643) = 0,52


P(Z > 0,189) = 0,850
P(Z < 0,189) = 1 - P(Z > 0,189) = 1 - 0,085 = 0,915
P(Z > a) = 0,47 => a = 0,72 333

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

Approximation par une loi


normale
Approximations dune loi binomiale B(n, p)
Conditions : np 5 et n(1-p) 5
Variable pour lapproxima on Y N(np ; np(1- p))
On a Pr ([X=k]) Pr ([k - 0,5 Y k + 0,5])
X Poisson()
Conditions : > 25
Variable pour lapproximation : Y N( ; )
On a Pr ([X=k]) Pr ([k - 0,5 Y k + 0,5])
15/09/2015 335

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

Evnements non 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.

nombre de fois que l ' on observe x A


P ( x A)
nombre d ' observations des valeurs de x

02/10/2017 339

113
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Plan
Rappels

Evnements exclusifs

Evnements non 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

Evnements non exclusifs

Probabilits conditionnelles

Applications en sant

02/10/2017 342

114
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Evnements non exclusifs


Les vnements peuvent se produire
simultanment.
Lintersection nest pas vide.
Exemple :
avoir un infarctus du myocarde et tre
diabtique .
tre fumeur et avoir une HTA .
Ne pas confondre vnements exclusifs et
vnements indpendants.
02/10/2017 343

Evnements non exclusifs


Lvnement : AB (A*B) A et B

Se lit A inter B ( A et B) est form


des issues qui ralisent la fois A et
B (intersection)
Lorsquaucune issue ne ralise A et
B, on dit que A et B sont
incompatibles.
A B

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

Evnements non exclusifs


P(A ou B) = P(B ou A)
P(A U B) = P(A) + P(B) - P(A B)
Ceci se dduit des relations :
P(A ou B) = P(A sans B) + P(B sans A) + P(A et B)
P(A sans B) = P(A) - P(A et B)
P(B sans A) = P(B) - P(A et B)
En conclusion :
P(A ou B) < P(A) + P(B)
A ou B
02/10/2017 345

115
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Plan
Rappels

Evnements exclusifs

Evnements non 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.

Si et seulement si deux vnements sont


indpendants alors P(AB) = P(A)*P(B)

P(A/B) = P(AB)/P(B) = P(A)

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

Evnements non exclusifs

Probabilits conditionnelles

Applications en sant

02/10/2017 352

Applications en sant
Evaluation des signes et examens
complmentaires.

Recherche de facteurs de risque.

02/10/2017 353

Le tableau de contingence
Tableaux 4 cases : trs utiliss

Maladie + Maladie - Total Maladie + Maladie - Total

Test + A (VP) B (FP) T+=VP+FP Exposs A B E+=A+B

Test - C (FN) D (VN) T-=FN+VN Non


C D E-=C+D
exposs
M+ =
Total M-= FP+VN n M+ = A+C M- = B+D A+B+C+D
VP+FN

02/10/2017 354

118
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Applications en sant
Evaluation des signes et examens
complmentaires.

Recherche de facteurs de risque.

02/10/2017 355

Evaluation des examens


complmentaires
Validit : Cest la capacit identifier la
maladie ou suivre un traitement
2 types dexamens
Examen avec rponse Positif/Ngatif
Recherche de BK dans les crachats/tuberculose.
Examen avec rponses quantitatives
glycmie/diabte => Problme du seuil
Examen de rfrence : gold standard

02/10/2017 356

Evaluation des examens


complmentaires
Maladie + Maladie - Total

Test + A (VP) B (FP) T+=A+B=VP+FP

Test - C (FN) D (VN) T-=C+D=FN+VN

M+ = A+C =
Total M-=B+D=FP+VN N=A+B+C+D
VP+FN

VP : Vrais positifs FP : Faux positifs


VN : Vrais ngatifs FN : Faux ngatifs
02/10/2017 357

119
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Evaluation des examens


complmentaires
Prvalence de la maladie
Sensibilit
Spcificit
Indice de Youden
La valeur prdictive positive (VPP)
La valeur prdictive ngative (VPN)

02/10/2017 358

Prvalence de la maladie
Maladie + Maladie - Total

Test + A (VP) B (FP) T+=A+B=VP+FP

Test - C (FN) D (VN) T-=C+D=FN+VN

M+ = A+C =
Total M-=B+D=FP+VN N=A+B+C+D
VP+FN

Frquence de la maladie = Prvalence


P(M+) = (VP+FN)/N
02/10/2017 359

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

Test + A (VP) B (FP) T+=A+B=VP+FP

Test - C (FN) D (VN) T-=C+D=FN+VN

M+ = A+C = M-=B+D=
Total N=A+B+C+D
VP+FN FP+VN

Sensibilit = P(T+/M+) = VP/(VP+FN)


Spcificit = P(T-/M-)= VN/(VN+FP)
02/10/2017 361

Sensibilit - Spcificit
Sensibilit : probabilits des tests positifs chez
les malades
Sensibilit = P(T+/M+)

Spcificit : probabilits des tests ngatifs


chez les non malades
Spcificit = P(T-/M-)

Test de rfrence : gold standard


Dterminer si la personne tait malade ou non.
Caractristiques intrinsques du test
Indpendantes
02/10/2017 de la prvalence de la maladie362

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

Caractristiques intrinsques du test


Indpendantes de la prvalence de la maladie363
02/10/2017

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 = P(T+/M+) = VP/(VP+FN)


02/10/2017 364

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

Spcificit = P(T-/M-)= VN/(VN+FP)


02/10/2017 365

Indice de Youden
Indice de Youden

Y = Se + Sp 1

valeur diagnostique d'un test est d'autant plus


grande que l'indice de Youden est plus proche de
1

Y = 0,77 + 0,71- 1 = 0,48


02/10/2017 366

122
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

La valeur prdictive positive


La valeur prdictive ngative
Maladie + Maladie - Total

Test + A (VP) B (FP) T+=A+B=VP+FP

Test - C (FN) D (VN) T-=C+D=FN+VN

M+ = A+C =
Total M-=B+D=FP+VN N=A+B+C+D
VP+FN

VPP = P(M+/T+) = VP/(VP+FP)


VPN = P(M-/T-) = VN/(VN+FN)
02/10/2017 367

La valeur prdictive positive


La valeur prdictive ngative
La valeur prdictive positive (VPP) :
probabilit davoir la maladie si le test est
positif VPP = P(M+/T+)

La valeur prdictive ngative (VPN) :


probabilit de ne pas avoir la maladie si le test
est ngatif VPN = P(M-/T-)

02/10/2017 lments de la dcision mdicale 368

La valeur prdictive positive


La valeur prdictive ngative
Les valeurs prdictives dpendent de :
La sensibilit du test
La spcificit du test
La prvalence la maladie
Test Positif
Sensibilit
Malade
1 - Sensibilit
Prvalence Test Ngatif
Thorme de Bayes Test Positif
1 - Prvalence 1 - Spcificit
Non Malade
Spcificit
Test Ngatif
02/10/2017 369

123
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

La valeur prdictive positive


La valeur prdictive ngative
prvalence* sensibilit
VPP
( prvalence* sensibilt) (1 prvalence) * (1 spcificit )

(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

VPP, VPN et prvalence

Pour une sensibilit


donne, VPP et
VPN varient en
fonction de la
prvalence.

02/10/2017 371

La valeur prdictive positive


La valeur prdictive ngative
Risque que le rsultat du test ne reflte pas la
ralit :
Affirmer une maladie la vue dun rsultat positif
du test : VPP
=> Risque de se tromper 1-VPP
Rejeter une maladie la vue dun rsultat ngatif
du test : VPN
=> Risque de se tromper 1-VPN

02/10/2017 372

124
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Evaluation des examens


complmentaires
Dpistage :
Sadresse des sujets ne se plaignant de rien priori sains.
Prendre un test sensibilit leve :
Peu de FN, VPN trs grande.
Confirmation dune maladie suspecte :
Prendre un test avec une spcificit leve
Peu de FP, VPP trs grande.

Maladie + Maladie -

Test + VP FP

Test - FN VN

02/10/2017 373

Evaluation des examens


complmentaires
Si Rsultat = variable quantitative
Glycmie / diabte

La sensibilit et la spcificit vont dpendre du seuil :


test positif / ngatif

La courbe de ROC
Receiver Operating Characteristic
02/10/2017 374

La courbe de ROC
Spcificit et sensibilit en fonction de la valeur
seuil

Sensibilit = P(T+/M+) = VP/(VP+FN)


Spcificit = P(T-/M-)= VN/(VN+FP)
02/10/2017 375

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

Sujets non diabtiques Sujets diabtiques

1 g/l 2,1 g/l

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

Aire sous la courbe :


Entre 0,5 : examen au
hasard
1 : examen parfait

02/10/2017 378

126
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Applications en sant
Evaluation des signes et examens
complmentaires.

Recherche de facteurs de risque.

02/10/2017 379

Recherche de facteurs de risque


Situation :
On cherche savoir si le Tabagisme est un facteur
de risque de caries dentaires.

Caries dentaires
Oui Non Total
Oui 10 20 30
Tabac
Non 5 45 50
Total 15 65 80
02/10/2017 380

Recherche de facteurs de risque

Maladie + Maladie - Total

Exposs E+ A B E+=A+B

Non exposs E- C D E-=C+D

M+ = A+C M- = B+D A+B+C+D

P(M+/E+); P(M+/E-); P(E+/M+);P(E-/M-)


02/10/2017 381

127
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Recherche de facteurs de risque


Le risque absolu chez les exposs E+
La proportion vraie de malades parmi les E+
P(M+ | E+) = A/(A+B)
Le risque absolu chez les non exposs E-
La proportion de vraie malades chez les E-
P(M+ | E-) = C/(C+D)
Maladie + Maladie -

Exposs E+ A B

Non exposs E- C D
02/10/2017 382

Recherche de facteurs de risque


La cote dun vnement : le rapport de sa
probabilit sur son complmentaire
La cote de la maladie chez les E+
P(M+ | E+)/P(M- | E+) = A/B
La cote de la maladie chez les E-
P(M+ | E-)/P(M- | E-) = C/D
Maladie + Maladie -

Exposs E+ A B

Non exposs E- C D
02/10/2017 383

Recherche de facteurs de risque


Mesures dassociation
Le risque relatif : RR

Le rapport des cotes (odds-ratio) : OR

02/10/2017 384

128
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Recherche de facteurs de risque


Le risque relatif : RR
Le rapport des risques absolus chez les exposs et
non exposs
Le risque absolu chez les exposs
P(M+ | E+) = A/(A+B)
Le risque absolu chez les non exposs
P(M+ | E-) = C/(C+D) Maladie + Maladie -
RR = P(M+ | E+)/P(M+ | E-)
Exposs E+ A B

Non exposs E- C D
02/10/2017 385

Recherche de facteurs de risque


Le rapport des cotes : OR
Le rapport de la cote de la maladie chez les
exposs et chez les non-exposs
La cote de la maladie chez les exposs
P(M+ | E+)/P(M- | E+) = A/B
La cote de la maladie chez les non-exposs
P(M+ | E-)/P(M- | E-) = C/D Maladie + Maladie -

Exposs E+ A B
=

Non exposs E- C D
02/10/2017 386

Recherche de facteurs de risque


Le risque relatif et le rapport des cotes
Valeurs entre 0 et linfini.
RR ou OR > 1 : lexposition est un facteur de risque
de lvnement tudi.
RR ou OR = 1 : pas dassociation entre lexposition
et lvnement tudi
RR ou OR <1 : lexposition est un facteur
protecteur de lvnement.

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

Utilit des tests statistiques en


sant
valuation de lefficacit des traitements

Identification des facteurs de risque

Finalit des statistiques en sant

15/09/2015 398

valuation de lefficacit des


traitements
Infection urinaire
(n=200 patients)

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

valuation de lefficacit des


traitements
Infection urinaire
(n=200 patients)

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

valuation de lefficacit des


traitements
Infection urinaire
(n=200 patients)

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

valuation de lefficacit des


traitements
Traitement A Traitement B
1 55 31
2 55 10
3
4
26
60
50
50
%:A=B
5 41 39
6 70 20
7 69 69
8 45 60
9 18 43
10
11
16
14
36
29
%:A>B
12 52 46
13 24 28
14 46 14
15 18 26
16 34 53
17 61 61 %:A<B
18 59 28
19 69 35
20
15/09/2015 29 49 402

134
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Identification des facteurs de


risque des maladies
Caries dentaires
Oui Non Total
Oui 10 20 30
Tabac
Non 5 45 50
Total 15 65 80

Caries dentaires Tabac


(n=15) 10/15 = 66,7 %

Pas de caries dentaires Tabac


(n=65) 20/65= 30,8%
15/09/2015 403

Identification des facteurs de


risque des maladies
Caries dentaires
Oui Non Total
Oui 15 20 35
Tabac
Non 25 20 45
Total 40 40 80

Caries dentaires Tabac


(n=40) 15/40 = 37,5%

Pas de caries dentaires Tabac


(n=40) 20/40= 50%
15/09/2015 404

Finalit des statistiques en sant


Lire et interprter les tudes
Efficacit des nouveaux traitements (essai clinique)
Facteurs de risque des maladies (pidmiologie)
Critiquer les donnes cliniques : mdicaments
Pratiquer une mdecine fonde sur les preuves
scientifiques (evidence-based medecine)
Accessoirement
Lecture critique darticles
Rdaction mmoire / thse

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

Efficacit relle = 10% Efficacit relle = 10%


Groupe Groupe
Traitement A Traitement B

Efficacit observe = 6% Efficacit observe = 12%

Diffrence observe = -6%


15/09/2015 407

Origine de la problmatique
Effet du traitement = 0

Efficacit relle = ? Efficacit relle = ?


Groupe Groupe
Traitement A Traitement B

Efficacit observe = 6% Efficacit observe = 12%

Diffrence observe = -6%


15/09/2015 408

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%

Conclure l'existence Dcider d'utiliser le


Diffrence -6% d'une diffrence traitement B
Groupe
Traitement B : 12%

2 faons de fausser la conclusion :


Le hasard peut faire apparatre une diffrence qui n'existe pas en ralit
Inversement, le hasard peut rduire une diffrence qui existe rellement

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

Principe des tests statistiques


Test statistique :
Outil statistique de comparaison

Comparer 2 ou plusieurs sries de donnes


On compare des paramtres estims sur des
chantillons
La valeur de ces paramtres fluctuent autour de la
vraie valeur du paramtr de la population

Principe des tests statistiques


Situations
Comparer un chantillon observ une
population de rfrence
Comparer deux ou plusieurs chantillons entre
eux
Population Population
de rfrence

chantillon

Objectif du test statistique: Comparer des populations

Principe des tests statistiques


Situations
Comparer un chantillon observ une
population de rfrence
Comparer deux ou plusieurs chantillons entre
eux
Population Population
de rfrence

chantillon chantillon

Objectif du test statistique: Comparer des populations

138
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Principe des tests statistiques


Paramtres de la population 1 Paramtres de la population 1
1; 1 1; 1

1 2?

1 2

1,96 2,46 2,96

1,96 2,46 2,96

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

La dmarche dans les tests


statistiques
Etape 1 : Formuler les hypothses
H0 : 1 = 2
H1 : 1 2
Etape 2 : Dduire ce que devraient tre les observations si
lhypothse nulle (H0) est vraie.
m1 m2 (fluctuations dchantillonnage)
Etape 3: Confrontation de lhypothse de travail et des
observations (calcul de la statistique de test)
Etape 4 : Interprtation et conclusion
Non rejet de H0 : 1 = 2
Rejet de H0 : 1 2
15/09/2015 Une dmarche hypothtico-dductive 417

139
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Etape 1 : Formuler les hypothses


Hypothse H0 :
Hypothse nulle
Cest toujours lhypothse que lon cherche
invalider (rejeter)
H0 :
1 = 2
Les paramtres des populations do sont issus les 2
chantillons sont identiques

Attention !!! Les hypothses sont toujours poses partir des populations et
non des chantillons

Etape 1 : Formuler les hypothses


Hypothse H1 :
Hypothse alternative
Cest toujours ce que lon cherche montrer
Sera retenue si H0 est rejete
H1 bilatrale : 1 2
Les paramtres sont diffrents
H1 unilatrale : 1 > 2 ou 1 < 2
Un des paramtres est infrieur (ou suprieur) lautre.

Attention !!! Les hypothses sont toujours poses partir des populations et
non des chantillons

Etape 2 : Dduire ce que devraient tre les


observations si lhypothse nulle (H0) est vraie
Sous H0 :
Paramtres Paramtres
=
Population 1 Population 2
1 = 2
Paramtres Paramtres
chantillon 1 = chantillon 2
m1 = m2

Fluctuation dchantillonnage
m1 - m2 0 m1-m2 : R
15/09/2015 420

140
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Etape 2 : Dduire ce que devraient tre les


observations si lhypothse nulle (H0) est vraie

Calculer la
m1 - m2 0 Probabilit (m1 m2) 0

N (0,1)

15/09/2015 421

Etape 2 : Dduire ce que devraient tre les


observations si lhypothse nulle (H0) est vraie
P (|Z|) x
P (|Z|) maximum
Aire total sous la
pour Z=0
courbe = 1 (100%)

Symtrique par
rapport 0

- 0 +
Abscisses : valeurs possibles de Z sous H0 (1 = 2)

15/09/2015 422

Etape 3: Confrontation de lhypothse de


travail et des observations
Calculer la valeur de Z0 partir des
estimations m1 et m2 sur les chantillons

Dterminer la probabilit dobserver une


valeur de Z au moins aussi grande que |Z0|
sous H0
P ( Z Z 0 / H 0 vraie)
Z0 : Z observ
15/09/2015 423

141
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Etape 3: Confrontation de lhypothse de


travail et des observations
P (|Z|) x

P (Z<-Z0) = 15% P (Z>Z0) = 15%

- -1 0 +1 +
Abscisses : valeurs possibles de Z sous H0 (1 = 2)

15/09/2015 P (Z>|Z0|) sous H0 = 30% 424

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

Etape 4 : Interprtation et conclusion


P (|Z|) x
=0.05 (5%)
|Z| = 1,96

P (Z<-1,96) = 2,5% P (Z>1,96) = 2,5%

- -1,96 0 +1,96 +
Z = valeur de Z Abscisses : valeurs possibles de Z sous H0 (1 = 2)
pour le risque

15/09/2015 P (Z>| Z |) sous H0 = 5% 426

142
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Etape 4 : Interprtation et
conclusion
Z : variable alatoire

Z : valeur particulire de la variable Z telle


que
P (Z> Z ) =

Z0 : la valeur calcule de Z sur lchantillon

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)

On ne peut pas conclure que 1 = 2


(populations)

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

Risques d'erreur statistiques


p1 = 8%
Quelle est la probabilit de commettre une erreur
si je conclus partir de ces donnes
l'existence d'une relle diffrence
p0 = 15%

Probabilit faible Probabilit forte

Conclusion Pas de conclusion

Conclure l'existence d'une diffrence que si le risque de faire une


conclusion errone est faible

Risques d'erreur statistiques


Le risque de 1re espce : risque
Cest la probabilit de rejeter H0, si H0 est vraie
Cest le risque de se tromper en rejetant H0

P(rejeter H0, si H0 est vraie) =

144
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Risques d'erreur statistiques

Le risque de 1re espce : risque


Conclure l'existence d'une diffrence qui n'existe
pas en ralit : faux positif

Vrai valeur chantillon 1


12% 8%
Diffrence
non relle

Vrai valeur chantillon 2


12% 15%

Risques d'erreur statistiques


Le risque de 2me espce : risque
Cest la probabilit daccepter H0 alors que H0 est fausse
(ou H1 est vraie)
Egale la probabilit de ne pas rejeter H0, si H1 est vraie
Mconnu : on ignore le risque de ne pas rejeter tort H0

P(non rejet de H0 si H1 est vraie) =

Risques d'erreur statistiques


Le risque de 2me espce : risque
Ne pas conclure une diffrence qui existe
pourtant en ralit : faux ngatif

Vrai valeur chantillon 1


12% 15%

Fausse absence
de diffrence

Vrai valeur chantillon 2


19% 15%

145
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Risques d'erreur statistiques


Risque alpha : risque de conclure une
diffrence qui nexiste pas

Risque bta : risque de ne pas mettre en


vidence une diffrence qui existe rellement

Puissance : 1 - bta : probabilit de mettre en


vidence une diffrence qui existe rellement

Risques d'erreur statistiques


Dcision (chantillon)

Rejet H0 Non rejet H0

Risque de
H0 vrai
1re espce 1-
Ralit
(population) Risque de 2me
H1 vraie Puissance
espce
1-

Risques d'erreur statistiques


Risque Degr de signification
Seuil de signification (P-value)

Est fix a priori Est dterminer a


posteriori
Est fix 5% en sant et Ncessite le calcul de la
biologie valeur de Z0
p est une quantification
du risque alpha

15/09/2015 438

146
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Risques d'erreur statistiques


Test statistique : Calcul de la probabilit p
p : probabilit que "la diffrence observe soit
due uniquement au hasard"
p reprsente le risque de faire une conclusion
errone si l'on dcidait de conclure
On ne conclut que si ce risque d'erreur est
suffisamment petit

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

Conclusion : il existe une


diffrence statistiquement
significative entre les deux
populations.

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

p<5% conclusion l'existence de la


p1 = 8% diffrence
p = 0.04 parce que le risque de faire une conclusion
p0 = 15% fausse est faible

p>5% impossible de conclure


p1 = 20% l'existence d'une diffrence
p = 0.25 car si on concluait une diffrence, le
p0 = 17% risque d'erreur serait trop fort

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

Condition dapplication des tests


Indpendance des observations

Les lois de distribution thorique


Loi normale
Loi de Student
Loi du 2

Nature des variables


15/09/2015 445

Indpendance des observations


Echantillons indpendants :
Quand les 2 (ou plus) paramtres compars sont mesurs sur des
individus diffrents
Ex : Comparaison des poids moyens de 2 groupes

Echantillons dpendants (ou sries apparies) :


Quand les diffrents chantillons proviennent de mesures effectues
chez les mmes individus
Ex : Comparaison du poids moyen d1 groupe dindividus, avant et aprs
rgime

Les lois de distribution thorique


Les tests paramtriques
Effectif dans chaque groupe suffisant (n>30)
Distribution gaussienne du paramtre
chantillonn
Les tests non paramtriques
Ne dpendent que des paramtres tudis
(moyenne, cart-type, )
Et ne repose pas sur lhypothse dune loi de
distribution particulire
15/09/2015 447

149
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Nature des variables


Comparaison de pourcentage
Deux variables qualitatives

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)

La force de lassociation (OR et RR)


Existence dune relation dose-effet
La spcificit de la relation
La temporalit (le + indispensable) :
Leffet doit prcder la cause
La cohrence externe :
reproductibilit, constance du rsultat dans la littrature
La cohrence interne :
Absence de biais dans le protocole
La plausibilit biologique
La preuve exprimentale (preuve de niveau 1 = essai clinique)
Analogie avec dautres vnements (plutt dun autre temps !!!)

A retenir
Dmarche gnrale dun test statistique

Formulation des hypothses H0 et H1

Risques derreur en statistique : et

Notion de degr de signification : p-value

15/09/2015 452

Conclusion
Les tests permettent seulement de conclure
l'existence d'une diffrence

En cas de diffrence non significative


Impossible de conclure
Et ne permet surtout pas de conclure l'absence de
diffrence vu que le risque d'erreur est inconnu
"L'absence de preuve n'est pas la preuve de l'absence"

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, )

est le pourcentage (inconnu) dindividus


prsentant la caractristique dans la population
est estim par le pourcentage p observ sur un
chantillon de taille n dont k individus prsentent
la caractristique
k
p
n
15/09/2015 457

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

Comparaison dun pourcentage


une valeur thorique
Problme : dterminer si un pourcentage
observ p sur un chantillon de taille n est
diffrent dune valeur thorique th
Comparer th

Population Population
(inconnu) de rfrence
th (connu)
chantillon
p

Comparaison dun pourcentage


une valeur thorique
Exemple:
Au Maroc : 14% des personnes hospitalises
contractent une infection nosocomiale dans
l'tablissement o elles sont soignes.
Dans un hpital H : 20%

Population Population
(inconnu) de rfrence
th (connu)
chantillon
p

154
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison dun pourcentage


une valeur thorique
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 463

Comparaison dun pourcentage


une valeur thorique
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 464

Comparaison dun pourcentage


une valeur thorique
Formuler les hypothses
Hypothse nulle H0
= th o est le pourcentage de la population dont est
issu lchantillon
Hypothses alternatives H1
Test bilatral : th
Test unilatral gauche ou droite : < th ou > th

Population Population
(inconnu) de rfrence
th (connu)
chantillon
p

155
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison dun pourcentage


une valeur thorique
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 466

Comparaison dun pourcentage


une valeur thorique
Tableau

Effectifs observs O1 = n.p O2 = n.(1-p) n

Effectifs
thorique ou C1 = n.th C2 = n.(1-th) n
calculs

15/09/2015 467

Comparaison dun pourcentage


une valeur thorique
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 468

156
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison dun pourcentage


une valeur thorique
Choisir Le test
Test du 2 de conformit (loi du X2)
Conditions dapplication
n. th 5
Et
n.(1- th) 5
(cas des grands chantillons)

15/09/2015 469

Comparaison dun pourcentage


une valeur thorique
Calculer la valeur 2 prise par la statistique du
test
Tableau
Effectifs observs O1 = n.p O2 = n.(1-p) n

Effectifs calculs C1 = n.th C2 = n.(1-th) n

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

Comparaison dun pourcentage


une valeur thorique
Utilisation de la table 2
Degrs de libert : ddl
ddl = (L 1) * (C - 1)
Avec : L = total des lignes et C = total des colonnes

15/09/2015 471

157
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison dun pourcentage


une valeur thorique
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 472

Comparaison dun pourcentage


une valeur thorique
2
Confronter 2 la valeur seuil 1,
Lecture de la valeur seuil dans la table de la loi du
2
Test bilatral : on rejette H0 au risque a si 2 1,
2

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

Comparaison dun pourcentage


une valeur thorique

Degrs de libert
Alpha

15/09/2015 474

158
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison dun pourcentage


une valeur thorique
Exemple
Au Maroc : 14% des personnes hospitalises
contractent une infection nosocomiale dans
l'tablissement o elles sont soignes.
Sur un chantillon de 250 personnes soignes
lhpital H, 50 ont contract une infection
nosocomiale.
Le pourcentage observ sur lchantillon diffre-t-il
de la rfrence nationale au risque = 5% ?

Comparaison dun pourcentage


une valeur thorique
Rponse : Test du 2
50
Donnes : n 250 ; p 250 0,2 ; th 0,14
Hypothses : H0 : = 0,14 ; H1 : 0,14
Calcul Infection nosocomiale
OUI NON Total
Effectifs observs O1 = 50 O2 = 200 250

Effectifs calculs C1 = 250x0,14 = 35 C2 = 250x0,86 = 215 250

Conditions dapplication : C1 5 et C2 5
(50 35)2 (200 215)2
2 7,47
35 215
15/09/2015 476

Comparaison dun pourcentage


une valeur thorique
Lecture

2 7,47 1,2 5% 3.84 : Rejet de H0


Conclusion : On montre, au risque de 5%, une diffrence significative entre le
pourcentage de personnes hospitalises contractant une infection nosocomiale
lhpital H et dans lensemble du pays (p < 0,01).

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

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Problme : comparer 2 proportions (p1 et p2)
dans 2 groupes indpendants de tailles n1 et
n2

Comparer 1 2

Population Population
1 2

chantillon chantillon
p1 p2

15/09/2015 479

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Exemple: Le pourcentage de gurison chez les
patients soumis ATB A est de 30%, et chez
ceux soumis ATB B de 40%.
Le taux de gurison est-il diffrent entre les 2
traitements ?

Population Population
1 2

chantillon chantillon
p1 p2

15/09/2015 480

160
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Exemple
On dsire comparer lefficacit de deux ATB A et B
sur des patients atteints dune infection urinaire.
On tire au sort deux groupes de 50 patients, un
groupe est soumis lATB A, le second lATB B.
Le pourcentage de gurison chez les patients
soumis ATB A est de 30%, chez ceux soumis
ATB B de 40%.
Le taux de gurison est-il diffrent entre les 2
traitements ?
15/09/2015 481

Comparaison de 2 pourcentages 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 482

Comparaison de 2 pourcentages 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 483

161
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Formuler les hypothses
Hypothse nulle H0
Les 2 chantillons sont issus de la mme population
ayant comme pourcentage 0
1 = 2 (= 0) o 1 et 2 pourcentages de la population dont sont
issus les chantillons 1 et 2
Hypothses alternatives H1
Test bilatral : 1 2
Test unilatral : 1 < 2 ou 1 > 2

15/09/2015 484

Comparaison de 2 pourcentages 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 485

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Tableau de contingence

Distribution compare
Total
A B

Oui Effectif 1 Effectif 2 Total ligne 1


Variable
tudie
Non Effectif 3 Effectif 4 Total ligne 2

Total Total
Total N
colonne 1 colonne 2

15/09/2015 486

162
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Tableau de contingence : Effectif observ

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

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Tableau de contingence : Effectif thorique /
calcul
Distribution compare Effectifs calculs sous H0 :
Total
A B
Effectif Effectif Total ligne i Total colonne j
Total C ij
Oui calcul 1 calcul 2
ligne 1 N
Variable C1 C2
tudie Effectif Effectif
Total
Non calcul 3 calcul 4
ligne 2
C3 C4
Total Total
Total N
colonne 1 colonne 2

15/09/2015 488

Comparaison de 2 pourcentages 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 489

163
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Choisir la statistique :
Test du 2 (loi du 2)

Conditions dapplication :
n1. 0 5 et n1.(1- 0) 5
n2. 0 5 et n1.(1- 0) 5

15/09/2015 490

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Calculer la valeur 2 prise par la statistique
Tableau de contingence (tableau 4 cases)
Distribution compare
Total
Effectifs calculs
A B sous H0 :
Effectif Effectif Total ligne i Total colonne j
Total C ij
Oui calcul 1 calcul 2
ligne 1 N
Variable C1 C2
tudie Effectif Effectif
Total
Non calcul 3 calcul 4
ligne 2
C3 C4
Total Total
Total N
colonne 1 colonne 2

15/09/2015 491

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Calculer la valeur 2 prise par la statistique
Tableau de contingence (tableau 4 cases)
Distribution compare
Total
Effectifs calculs
A B sous H0 :
Total
Total ligne i Total colonne j
Oui O1 (C1) O2 (C2) C ij
ligne 1 N
Variable
tudie Conditions
Total
Non O3 (C3) O4 (C4) dapplication :
ligne 2
Cij 5
Total Total
Total N
colonne 1 colonne 2 (O ij C ij ) 2
2
i, j C ij
15/09/2015 492

164
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Calculer la valeur 2 prise par la statistique
Tableau de contingence (tableau 4 cases)
Distribution compare
Total
A B

Oui O1 (C1) O2 (C2) Total ligne 1


Variable
tudie
Non O3 (C3) O4 (C4) Total ligne 2

Total Total colonne 1 Total colonne 2 N

(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

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Si 3Cij < 5
Dans le cas des tableaux de contingence 4 cases,
il est possible dutiliser la correction de continuit

2
O ij Cij - 0,5
2

i, j Cij

Petits chantillons : Cij < 3


Test exact de Fisher (hors programme)

15/09/2015 494

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Utilisation de la table 2
Degrs de libert : ddl
ddl = (L 1) * (C - 1)
Avec : L = total des lignes et C = total des colonnes

15/09/2015 495

165
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison de 2 pourcentages 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 496

Comparaison de 2 pourcentages observs


- chantillons indpendants -
2
Confronter 2 la valeur seuil 1,
Lecture de la valeur seuil dans la table de la loi du
2
Test bilatral : on rejette H0 au risque a si 2 1,
2

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

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Exemple
On dsire comparer lefficacit de deux ATB A et B
sur des patients atteints dune infection urinaire.
On tire au sort deux groupes de 50 patients, un
groupe est soumis lATB A, le second lATB B.
Le pourcentage de gurison chez les patients
soumis ATB A est de 30%, chez ceux soumis
ATB B de 40%.
Le taux de gurison est-il diffrent entre les 2
traitements ?
15/09/2015 498

166
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Rponse : Test du 2
Donnes : n 50 ; p 0,3 et n 50 ; p 0,4
1 1 2 2

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

Conditions dapplication vrifies : Cij 5


(15 - 17,5)2 (20 - 17,5)2 (35 32,5)2 (30 32,5)2
2 1,10
17,5 17,5 32,5 32,5
15/09/2015 499

Comparaison de 2 pourcentages observs


- chantillons indpendants -
Rponse : Test du 2
Lecture

2 1,10 1,2 5% 3,84 : H0 acceptable


Conclusion : On ne met pas en vidence, au risque 5%, de diffrence
significative entre les taux de gurison avec les 2 traitements (0,2<p<0,3)

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

Autres tests de comparaison de


pourcentages
Test du 2 de McNemar (loi du X2)
chantillons apparis
Individus de 2 chantillons lis
Prsence dune caractristique sur les mmes sujets
Prsence dune caractristique chez des sujets apparis

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

15/09/2015 Biostat/1AM/2015-2016 506

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

Variable quantitative discrte Variable quantitative continue

15/09/2015 Biostat/1AM/2015-2016 507

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

Comparaison dune moyenne


une moyenne thorique
Problme : dterminer si une moyenne
observe m sur un chantillon de taille n est
diffrent dune valeur thorique th
Comparer th

Population Population
(inconnu) de rfrence
th (connu)
chantillon
m

Comparaison dune moyenne


une moyenne thorique
Exemple : Une chaine de fabrication produit
des comprims de paractamol : th = 1g
Contrle de qualit : 20 comprims tirs au sort :
m = 1,05 g

Population Population
(inconnu) de rfrence
th (connu)
chantillon
m

171
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison dune moyenne


une moyenne thorique
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 514

Comparaison dune moyenne


une moyenne thorique
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 515

Comparaison dune moyenne


une moyenne thorique
Formuler une hypothse
Hypothse nulle H0
= th o est la moyenne du paramtre dans la
population dont est issu lchantillon
Hypothses alternatives H1
Test bilatral : th
Test unilatral gauche ou droite : < th ou > th

Population Population
(inconnu) de rfrence
th (connu)
chantillon
m

172
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison dune moyenne


une moyenne thorique
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 517

Comparaison dune moyenne


une moyenne thorique
Choisir la statistique
Test Z (loi normale)
Test t de student
Conditions dapplication :
Taille dchantillon
La distribution de X est normale

Comparaison dune moyenne


une moyenne thorique

15/09/2015 519

173
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison dune moyenne


une moyenne thorique

15/09/2015 520

Comparaison dune moyenne une


moyenne thorique
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 521

Comparaison dune moyenne


une moyenne thorique
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

174
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison dune moyenne une


moyenne thorique
Exemple : Une chaine de fabrication produit
des comprims de paractamol
th = 1g
La distribution de la dose de paractamol (X) par
comprim est Gaussienne
Contrle de qualit : 50 comprims tirs au
sort
m = 1,05 g
Peut on dire, au risque alpha = 5%, que le lot de comprims contenant cet
chantillon respecte la norme de fabrication de 1g de paractamol par
15/09/2015 comprim? 523

Comparaison dune moyenne


une moyenne thorique

Conclusion : au risque alpha = 5%, le lot de comprims contenant cet


chantillon ne respecte la norme de fabrication de 1g de paractamol par
15/09/2015 comprim 524

Comparaison dune moyenne


une moyenne thorique

Conclusion : au risque alpha = 5%, le lot de comprims contenant cet


chantillon ne respecte la norme de fabrication de 1g de paractamol par
15/09/2015 comprim (p<0,01) 525

175
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison dune moyenne


une moyenne thorique

15/09/2015 526

Comparaison dune moyenne


une moyenne thorique

15/09/2015 527

Comparaison dune moyenne


une moyenne thorique
Confronter t0 la valeur seuil tn-1;/2
Lecture de la valeur seuil dans la table de la loi de
Student
En pratique:
Si t0 tn-1;/2 : rejet de H0
Si t0 < tn-1;/2 : non rejet de H0
On donne le degr de significativit p
correspondant t0

176
Pr_E. BOUAITI : Module 02/10/2017
BIOSTATISTIQUE

Comparaison dune moyenne une


moyenne thorique
Exemple : Une chaine de fabrication produit
des comprims de paractamol
th = 1g
La distribution de la dose de paractamol (X) par
comprim est Gaussienne
Contrle de qualit : 20 comprims tirs au
sort
m = 1,05 g
Peut on dire, au risque alpha = 5%, que le lot de comprims contenant cet
chantillon respecte la norme de fabrication de 1g de paractamol par
15/09/2015 comprim? 529

Comparaison dune moyenne


une moyenne thorique

Conclusion : au risque alpha = 5%, le lot de comprims contenant cet


chantillon ne respecte la norme de fabrication de 1g de paractamol par
15/09/2015 comprim 530

Comparaison dune moyenne


une moyenne thorique

Conclusion : au risque alpha = 5%, le lot de comprims contenant cet


chantillon ne respecte la norme de fabrication de 1g de paractamol par
15/09/2015 comprim (p<0,001) 531

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

Comparer 2 moyennes observs


- chantillons indpendants -
Formuler les hypothse
Hypothse nulle H0
Les 2 chantillons sont issus de la mme population
ayant comme moyenne 0
1 = 2 (= 0) o 1 et 2 moyennes du paramtres dans la population
dont sont issus les chantillons 1 et 2
Hypothses alternatives H1
Test bilatral : 1 2
Test unilatral : 1 < 2 ou 1 > 2

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

Le choix du test va dpendre des effectifs des 2 chantillons


15/09/2015 538

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

m2 suit approximativement une loi normale de


moyenne 2 et de variance 22/n2 car n2 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

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 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 -
Confronter t0 la valeur seuil tn-1;/2
Lecture de la valeur seuil dans la table de la loi de
Student
En pratique :
Si t0 tn-1;/2 : rejet de H0
Si t0 < tn-1;/2 : non rejet de H0
On donne le degr de significativit p
correspondant Z0

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

Autres tests de comparaison de


moyennes
Tests non paramtriques
Le tes de Mann Whitney Wilcoxon
chantillons apparis
Test des rangs signs de Wilcoxon
Comparaison de plusieurs moyennes
Analyse de la variance ou ANOVA)

15/09/2015 550

Conclusion
Comparaison de deux pourcentages
Tests de 2 dhomognit

Comparaison de deux moyennes


Z/2 de la loi normale centre rduite
tn-1;/2 de la loi Student n-1 ddl

Condition dapplication +++++

15/09/2015 551

184