Vous êtes sur la page 1sur 21

UNIVERSITE EVANGELIQUE EN AFRIQUE

(UEA)

FACULTE DE SCIENCES AGRONOMIQUES ET ENVIRONNEMENT

Travail pratique de BIOMETRIE

SUJET : Comparaison de deux moyennes et la comparaison de


plusieurs moyennes.

Réalisé par :
BIRHIMWIRAGI CIRHAKARULA Jacques
CIRHUZA LWABIMBA Moise
NTABOBA MASIRIKA Eloi
NTALE YA MUSHAGALUSA Elie
OKOLE OKENGWE KARUME Nathan
Cours dispense par :
Le Prof. VUMILIA KIZUNGU Roger
ass. Yannick M.

ANNEE ACADEMIQUE 2018-2019


TP biometrie
6/17/2019

R Markdown
This is an R Markdown document. Markdown is a simple formatting syntax for authoring
HTML, PDF, and MS Word documents. For more details on using R Markdown see
http://rmarkdown.rstudio.com.
When you click the Knit button a document will be generated that includes both content as
well as the output of any embedded R code chunks within the document. You can embed an
R code chunk like this:

Simmulation des données


set.seed(123456)

Verification de la base de données


str(data)

## 'data.frame': 300 obs. of 3 variables:


## $ Continent: Factor w/ 3 levels "Afrique","Asie",..: 3 3 3 3 3 3 3 3 3 3
...
## $ Sexe : Factor w/ 2 levels "Feminin","Masculin": 1 2 2 2 2 1 1 1 1 1
...
## $ Taille : num 184 191 180 200 166 ...

COMPARAISON DE DEUX MOYENNES (ECHANTILLONS


INDEPENDANTS)

1. Problématique

La moyenne de la taille des hommes est-elle égale à la moyenne de la


taille des femmes ?
H0 : les deux moyennes sont égales
H1 : les deux moyennes sont différentes
2. Méthodes

Méthode Paramétrique: Test T de Student

Méthode Non Paramétrique: Test de Wilcoxon|Mann-Whitney

3. Choix de la méthode

Test de normalité de la distribution de la taille des hommes


##
## Shapiro-Wilk normality test
##
## data: subset(data, Sexe == "Masculin")$Taille
## W = 0.99116, p-value = 0.4852

On conclut que la taille des hommes est distribuée normalement

Test de normalité de la distribution de la taille des hommes


##
## Shapiro-Wilk normality test
##
## data: subset(data, Sexe == "Feminin")$Taille
## W = 0.98397, p-value = 0.07495

On conclut que la taille des femmes est distribuée normalement

N.B.: Comme la normalité est acquise pour les deux groupes, alors la
méthode à utiliser est le Test T de Student

4. Correction de Welch

Test de l’égalité des variances


## Loading required package: carData

Test de levenne
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 0.0037 0.9513
## 298

0n conclut H0 qui veut dire que les variances sont les mêmes.

Test de Bartlett
##
## Bartlett test of homogeneity of variances
##
## data: Taille by Sexe
## Bartlett's K-squared = 0.24878, df = 1, p-value = 0.6179

Vu que p-value est supérieur à 0.05, 0n conclut H0 qui veut dire que les vari
ances sont les mêmes.

N.B.: Comme l’égalité des variances est acquise, alors il faut faire un
test T de student normal sans la correction de Welch

5. Analyse

Two Sample t-test

## data: Taille by Sexe


## t = 0.17219, df = 298, p-value = 0.8634
## alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-3.743020 4.460835
## sample estimates:
mean in group Feminin mean in group Masculin
167.2397 166.8808

On conclut que H0 cela veut dire que les deux moyennes


sont egales, donc les hommes et les femmes ont la meme
taille
Note importante

1. Si la condition de normalité n’était pas acquise alors la méthode à


utiliser serait le test de Wilcoxon (Comparaison des deux medianes).
La syntaxe serait alors:
##
## Wilcoxon rank sum test with continuity correction
##
## data: Taille by Sexe
## W = 11739, p-value = 0.5138
## alternative hypothesis: true location shift is not equal to 0

Ici, l’on veut savoir si deux médianes sont égales et pour n


otre cas, on décide H0 vu que p-value vaut un nombre supérieu
r à 0.05 donc elles sont égales.

2. Si les conditions de normalité étaient acquises et celles d’égalité


des variances non acquises alors la méthode à utiliser serait le test T
de student avec la correction de Welch.

La syntaxe serait alors:


Welch Two Sample t-test

data: Taille by Sexe


t = 0.17245, df = 295.91, p-value = 0.8632
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-3.737070 4.454885
sample estimates:
mean in group Feminin mean in group Masculin
167.2397 166.8808
COMPARAISON DE DEUX MOYENNES (ECHANTILLONS APPARIES)

Simulation des données

Supposons les poids des souris de laboratoire avant de subir un


certain traitement

Supposons aussi leurs poids après avoir subi ledit traitement

Base de Données

1. Problématique

La moyenne du poids avant le traitement est-elle égale à la moyenne


du poids après le traitement?

2. Méthodes

Méthode Parametrique: Test T de Student

Méthode Non Paramétrique: Test de Wilcoxon|Mann-Whitney

3. Choix de la méthode

Test de normalité de la distribution de la taille des souris avant


l’expérimentation
##
## Shapiro-Wilk normality test
##
## data: subset(souris, periode == "avant")$poids
## W = 0.98256, p-value = 0.2092
On conclut H0 pour affirmer que les données suivent la loi no
rmale.

Test de normalité de la distribution de la taille des souris après


l’expérimentation
##
## Shapiro-Wilk normality test
##
## data: subset(souris, periode == "apres")$poids
## W = 0.99185, p-value = 0.8106

On decide l’hypothese nulle car p-value est superieur au seuil de significati


on (0.05) et on affirme que la taille des souris après l’expérimentation q de
s données qui suivent la loi normale.

N.B.: Comme la normalité est acquise pour les deux groupes, alors la
méthode à utiliser est le Test T de Student

4. Correction de Welch

Test de l’égalité des variances

Test de levenne
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 1 21.936 5.229e-06 ***
## 198
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

On conclut H1 pour dire que la diffence des variances est trè


s significative. P-value est largement inférieur au seuil de
signification.

Test de Bartlett
##
## Bartlett test of homogeneity of variances
##
## data: poids by periode
## Bartlett's K-squared = 28.901, df = 1, p-value = 7.617e-08
On decide H1, c-à-d que les variances ne sont pas égales.

N.B.: Comme l’egalité des variances n’est pas acquise, alors il faut
faire un

test T de student avec la correction de Welch

5. Analyse
##
## Paired t-test

## data: poids by periode


## t = 57.377, df = 99, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
186.0900 199.4218
## sample estimates:
mean of the differences
192.7559

Note importante

1. Si la condition de normalité n’était pas acquise alors la méthode à


utiliser serait le test de Wilcoxon (Comparaison des deux medianes).
la syntaxe serait alors:
##
## Wilcoxon signed rank test with continuity correction
##
## data: poids by periode
## V = 5050, p-value < 2.2e-16
## alternative hypothesis: true location shift is not equal to 0

On conclut H1, ce qui veut dire est les données ne suivent pas la loi d
e distribution normale.
2. Si les conditions de normalité et d’egalité des variances étaient
acquises alors

la méthode à utiliser serait le test T de student sans la correction de


Welch.

La syntaxe serait alors:


##
## Paired t-test
##
## data: poids by periode
## t = 54.199, df = 99, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 187.2203 201.4495
## sample estimates:
## mean of the differences
## 194.3349

On conclut ainsi l’hypothèse alternative, c’est à dire qu’il


y a effet expérimentation sur le poids des souris, elles n’o
nt pas le même poids avant et après expérimentation

TP Biometrie comparaison de plusieurs moyennes

G3 AGRO

6/17/2019

Simmulation des données

Verification de la base de données


## 'data.frame': 300 obs. of 3 variables:
## $ Continent: Factor w/ 3 levels "Afrique","Asie",..: 3 3 3 3 3 3 3 3 3 3
...
## $ Sexe : Factor w/ 2 levels "Feminin","Masculin": 2 1 2 1 2 1 1 1 1 2
...
## $ Taille : num 188 176 175 180 204 ...

COMPARAISON DE PLUS DE DEUX MOYENNES

1. Problématique

La moyenne de la taille est-elle la même pour les trois groupes?


H0= Les moyennes sont les mêmes
H1= Les moyennes différentes

2. Méthodes

Méthode Paramétrique: ANOVA ou ANOVA avec correction de Welch

Méthode Non Paramétrique: Test de Kruskal-Wallis

3. Choix de la méthode

Test de normalité de la distribution de la taille des Africains


H0 : les données sont distribuées normalement
H1 : les données ne sont pas distribuées normalement
##
## Shapiro-Wilk normality test
##
## data: subset(data, Continent == "Afrique")$Taille
## W = 0.98664, p-value = 0.4142

Test de normalité de la distribution de la taille des Europeens


##
## Shapiro-Wilk normality test
##
## data: subset(data, Continent == "Europe")$Taille
## W = 0.99379, p-value = 0.931

Test de normalité de la distribution de la taille des Asiatiques


##
## Shapiro-Wilk normality test
##
## data: subset(data, Continent == "Asie")$Taille
## W = 0.99241, p-value = 0.8503

N.B.: Comme la normalité est acquise pour les trois groupes, alors la
méthode à utiliser est à choisir entre ANOVA et ANOVA avec
correction de Welch

4. Test de l’egalité des variances


H0 : les variances de tailles entre les différents groupes sont égales
H1 : les variances de tailles entre les différents groupes ne sont pas égales

## Loading required package: carData

Test de levenne
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 2 0.2456 0.7824
## 297

Test de Bartlett
##
## Bartlett test of homogeneity of variances
##
## data: Taille by Continent
## Bartlett's K-squared = 0.75126, df = 2, p-value = 0.6869
N.B.: Comme l’égalité des variances est acquise, alors il faut faire une
ANOVA

5. Analyse
## Df Sum Sq Mean Sq F value Pr(>F)
## Continent 2 36068 18034 136.1 <2e-16 ***
## Residuals 297 39368 133
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

ON CONCLUT QUE LES MOYENNES NE SONT PAS EGALES

Separation des groupes homogenes


## Warning: package 'agricolae' was built under R version 3.5.3

Méthode de la plus petite différence significative


## $statistics
## MSerror Df Mean CV t.value MSD
## 132.5511 297 166.6563 6.908279 2.407617 3.920073
##
## $parameters
## test p.ajusted name.t ntr alpha
## Fisher-LSD bonferroni Continent 3 0.05
##
## $means
## Taille std r LCL UCL Min Max Q25
## Afrique 152.4792 11.80673 100 150.2134 154.7449 123.5302 176.5915 145.2824
## Asie 168.3047 11.78230 100 166.0390 170.5705 138.5168 198.0528 160.2361
## Europe 179.1850 10.92849 100 176.9193 181.4508 148.7624 206.5291 171.0140
## Q50 Q75
## Afrique 152.7118 161.7859
## Asie 168.1210 175.6693
## Europe 179.5270 188.1731
##
## $comparison
## NULL
##
## $groups
## Taille groups
## Europe 179.1850 a
## Asie 168.3047 b
## Afrique 152.4792 c
##
## attr(,"class")
## [1] "group"

Méthode de la plus grande différence significative


## $statistics
## MSerror Df Mean CV MSD
## 132.5511 297 166.6563 6.908279 3.835256
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey Continent 3 3.331215 0.05
##
## $means
## Taille std r Min Max Q25 Q50 Q75
## Afrique 152.4792 11.80673 100 123.5302 176.5915 145.2824 152.7118 161.7859
## Asie 168.3047 11.78230 100 138.5168 198.0528 160.2361 168.1210 175.6693
## Europe 179.1850 10.92849 100 148.7624 206.5291 171.0140 179.5270 188.1731
##
## $comparison
## NULL
##
## $groups
## Taille groups
## Europe 179.1850 a
## Asie 168.3047 b
## Afrique 152.4792 c
##
## attr(,"class")
## [1] "group"

La séparation des groupes est la même pour les tests de HSD


et de LSD

MODELE AVEC INTERACTION

Test de l’égalité des variances


H0 : les variances de tailles entre les différents groupes sont égales
H1 : les variances de tailles entre les différents groupes ne sont pas égales

Test de levenne
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 5 0.9383 0.4564
## 294

Test de Bartlett
##
## Bartlett test of homogeneity of variances
##
## data: Taille by interaction(Continent, Sexe)
## Bartlett's K-squared = 5.2523, df = 5, p-value = 0.3859

N.B.: Comme l’égalité des variances est acquise pour l’interaction


alors Il faut faire une ANOVA

5. Analyse
## Df Sum Sq Mean Sq F value Pr(>F)
## Continent 2 36068 18034 137.421 <2e-16 ***
## Sexe 1 120 120 0.913 0.3401
## Continent:Sexe 2 666 333 2.538 0.0807 .
## Residuals 294 38582 131
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Seules les moyennes par continent présentent des différences


significatives

Séparation des groupes homogènes pour le facteur continent


## $statistics
## MSerror Df Mean CV
## 131.2302 294 166.6563 6.873773
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey Continent:Sexe 6 4.056835 0.05
##
## $means
## Taille std r Min Max Q25 Q50
## Afrique:Feminin 152.2531 11.75105 49 123.5302 176.5915 145.2239 153.2032
## Afrique:Masculin 152.6964 11.97279 51 125.7307 176.3752 146.3011 151.7592
## Asie:Feminin 167.6946 13.32226 50 140.2098 198.0528 159.3646 168.1100
## Asie:Masculin 168.9149 10.11117 50 138.5168 190.8045 162.0483 168.2933
## Europe:Feminin 181.9124 10.88167 50 153.6740 206.5291 174.5404 183.1016
## Europe:Masculin 176.4577 10.37835 50 148.7624 203.7748 169.5375 176.5942
## Q75
## Afrique:Feminin 161.6127
## Afrique:Masculin 161.8997
## Asie:Feminin 176.1221
## Asie:Masculin 175.2436
## Europe:Feminin 190.3616
## Europe:Masculin 182.9303
##
## $comparison
## NULL
##
## $groups
## Taille groups
## Europe:Feminin 181.9124 a
## Europe:Masculin 176.4577 a
## Asie:Masculin 168.9149 b
## Asie:Feminin 167.6946 b
## Afrique:Masculin 152.6964 c
## Afrique:Feminin 152.2531 c
##
## attr(,"class")
## [1] "group"

N.B.: Si la condition de normalité était acquise mais celle de l’égalité


des variances ne l’était pas, alors la méthode à utiliser serait : ANOVA
avec correction de welch ou le test de Kruskal-wallis.

Methode 1: ANOVA avec correction de Welch

Methode 2
## Warning: package 'onewaytests' was built under R version 3.5.3

##
## Welch's Heteroscedastic F Test (alpha = 0.05)
## -------------------------------------------------------------
## data : Taille and Continent
##
## statistic : 137.8213
## num df : 2
## denom df : 197.7319
## p.value : 3.289573e-38
##
## Result : Difference is statistically significant.
## -------------------------------------------------------------
Comparaison par pairs

Comme les fonctions HSD.test et LSD.test ne supportent que les


objets obtenus avec oneway.test et welch.test, on utilise alors la
fonction paircomp.
##
## Bonferroni Correction (alpha = 0.05)
## -----------------------------------------------------
## Level (a) Level (b) p.value No difference
## 1 Afrique Asie 2.319833e-17 Reject
## 2 Afrique Europe 8.508748e-39 Reject
## 3 Asie Europe 4.325216e-10 Reject
## -----------------------------------------------------

Methode 3
## Coefficient covariances computed by hccm()

## Analysis of Deviance Table (Type II tests)


##
## Response: Taille
## Df F Pr(>F)
## Continent 2 136.9 < 2.2e-16 ***
## Residuals 297
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Separation des groupes homogenes de l’interaction


## $statistics
## MSerror Df Mean CV MSD
## 132.5511 297 166.6563 6.908279 3.835256
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey Continent 3 3.331215 0.05
##
## $means
## Taille std r Min Max Q25 Q50 Q75
## Afrique 152.4792 11.80673 100 123.5302 176.5915 145.2824 152.7118 161.7859
## Asie 168.3047 11.78230 100 138.5168 198.0528 160.2361 168.1210 175.6693
## Europe 179.1850 10.92849 100 148.7624 206.5291 171.0140 179.5270 188.1731
##
## $comparison
## NULL
##
## $groups
## Taille groups
## Europe 179.1850 a
## Asie 168.3047 b
## Afrique 152.4792 c
##
## attr(,"class")
## [1] "group"

Avantage avec cette méthode: Possibilité de prendre l’interaction


## Coefficient covariances computed by hccm()

## Analysis of Deviance Table (Type II tests)


##
## Response: Taille
## Df F Pr(>F)
## Continent 2 137.3537 < 2e-16 ***
## Sexe 1 1.4029 0.23719
## Continent:Sexe 2 2.6698 0.07094 .
## Residuals 294
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Separation des groupes homogenes de l’interaction


## $statistics
## MSerror Df Mean CV
## 131.2302 294 166.6563 6.873773
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey Continent:Sexe 6 4.056835 0.05
##
## $means
## Taille std r Min Max Q25 Q50
## Afrique:Feminin 152.2531 11.75105 49 123.5302 176.5915 145.2239 153.2032
## Afrique:Masculin 152.6964 11.97279 51 125.7307 176.3752 146.3011 151.7592
## Asie:Feminin 167.6946 13.32226 50 140.2098 198.0528 159.3646 168.1100
## Asie:Masculin 168.9149 10.11117 50 138.5168 190.8045 162.0483 168.2933
## Europe:Feminin 181.9124 10.88167 50 153.6740 206.5291 174.5404 183.1016
## Europe:Masculin 176.4577 10.37835 50 148.7624 203.7748 169.5375 176.5942
## Q75
## Afrique:Feminin 161.6127
## Afrique:Masculin 161.8997
## Asie:Feminin 176.1221
## Asie:Masculin 175.2436
## Europe:Feminin 190.3616
## Europe:Masculin 182.9303
##
## $comparison
## NULL
##
## $groups
## Taille groups
## Europe:Feminin 181.9124 a
## Europe:Masculin 176.4577 a
## Asie:Masculin 168.9149 b
## Asie:Feminin 167.6946 b
## Afrique:Masculin 152.6964 c
## Afrique:Feminin 152.2531 c
##
## attr(,"class")
## [1] "group"

On conclut de toutes ces analyses que les moyennes


sont différentes selon les continent et non selon les
sexes

COMPARAISON DES MEDIANES

1. Test de Kruskal-wallis
##
## Kruskal-Wallis rank sum test
##
## data: Taille by Continent
## Kruskal-Wallis chi-squared = 149.71, df = 2, p-value < 2.2e-16

Sepration des groupes homogenes


## $statistics
## Chisq Df p.chisq t.value MSD
## 149.7057 2 0 1.967984 17.11722
##
## $parameters
## test p.ajusted name.t ntr alpha
## Kruskal-Wallis none data$Continent 3 0.05
##
## $means
## data.Taille rank std r Min Max Q25
## Afrique 152.4792 72.04 11.80673 100 123.5302 176.5915 145.2824
## Asie 168.3047 157.86 11.78230 100 138.5168 198.0528 160.2361
## Europe 179.1850 221.60 10.92849 100 148.7624 206.5291 171.0140
## Q50 Q75
## Afrique 152.7118 161.7859
## Asie 168.1210 175.6693
## Europe 179.5270 188.1731
##
## $comparison
## NULL
##
## $groups
## data$Taille groups
## Europe 221.60 a
## Asie 157.86 b
## Afrique 72.04 c
##
## attr(,"class")
## [1] "group"

2. Test de Kruskal-wallis pour l’interaction


##
## Kruskal-Wallis rank sum test
##
## data: Taille by interaction(Continent, Sexe)
## Kruskal-Wallis chi-squared = 152.52, df = 5, p-value < 2.2e-16

Sepration des groupes homogenes


## $statistics
## Chisq Df p.chisq
## 152.519 5 0
##
## $parameters
## test p.ajusted name.t ntr
## Kruskal-Wallis none interaction(data$Continent, data$Sexe) 6
## alpha
## 0.05
##
## $means
## data.Taille rank std r Min Max
## Afrique.Feminin 152.2531 70.85714 11.75105 49 123.5302 176.5915
## Afrique.Masculin 152.6964 73.17647 11.97279 51 125.7307 176.3752
## Asie.Feminin 167.6946 154.30000 13.32226 50 140.2098 198.0528
## Asie.Masculin 168.9149 161.42000 10.11117 50 138.5168 190.8045
## Europe.Feminin 181.9124 235.66000 10.88167 50 153.6740 206.5291
## Europe.Masculin 176.4577 207.54000 10.37835 50 148.7624 203.7748
## Q25 Q50 Q75
## Afrique.Feminin 145.2239 153.2032 161.6127
## Afrique.Masculin 146.3011 151.7592 161.8997
## Asie.Feminin 159.3646 168.1100 176.1221
## Asie.Masculin 162.0483 168.2933 175.2436
## Europe.Feminin 174.5404 183.1016 190.3616
## Europe.Masculin 169.5375 176.5942 182.9303
##
## $comparison
## NULL
##
## $groups
## data$Taille groups
## Europe.Feminin 235.66000 a
## Europe.Masculin 207.54000 b
## Asie.Masculin 161.42000 c
## Asie.Feminin 154.30000 c
## Afrique.Masculin 73.17647 d
## Afrique.Feminin 70.85714 d
##
## attr(,"class")
## [1] "group"

On conclut que dans tous les continents, pour ce test


, les moyennes sont différentes, sans aucun effet du
sexe sauf en Europe. Ce qui donne 4 groupes de taille
.

3. Scheirer Ray Hare test


## Warning: package 'rcompanion' was built under R version 3.5.3

##
## DV: Taille
## Observations: 300
## D: 1
## MS total: 7525

## Df Sum Sq H p.value
## Continent 2 1126535 149.706 0.00000
## Sexe 1 2909 0.387 0.53412
## Continent:Sexe 2 18261 2.427 0.29719
## Residuals 294 1102270

Separation des groupes homogenes


Dunn test
## ## FSA v0.8.22. See citation('FSA') if used in publication.
## ## Run fishR() for related website and fishR('IFAR') for related book.
##
## Attaching package: 'FSA'

## The following object is masked from 'package:car':


##
## bootCase

## Group Letter MonoLetter


## 1 Afrique a a
## 2 Asie b b
## 3 Europe c c

N.B.: S’il faut faire la separation des groupes homogenes de


l’interaction, alors:
## Group Letter MonoLetter
## 1 Afrique.Feminin a a
## 2 Afrique.Masculin a a
## 3 Asie.Feminin b b
## 4 Asie.Masculin bc bc
## 5 Europe.Feminin d d
## 6 Europe.Masculin cd cd

Les tests non paramétriques donnent les mêmes résultats que


les tests paramétriques, à savoir que les moyennes sont diff
érentes selon les continents. Il y a une différence entre le
s tests paramétriques et non paramétriques en ceci que le se
xe a une influence non seulement en Europe (paramétrique) ma
is aussi en Asie (non paramétrique)

Vous aimerez peut-être aussi