Académique Documents
Professionnel Documents
Culture Documents
Année 2008/2009
Faculté de médecine Oran
1
Faculté de médecine
Département de pharmacie
Statistique Descriptive
1-Tableaux et graphes
I- Définition :
Statistique
1- Au sens « courant »
On emploie le terme de statistique pour designer les données elle-même «Un ensemble de données
numériques » ainsi on parle des statistiques démographiques, économiques, sanitaires, les statistiques des
étudiants Répartition par âge, sexe, année, spécialité …
Généralement se sont les tableaux et les chiffres qui figurent dans les bilans administratifs.
2- Au sens « scientifique »
La statistique est l'ensemble des méthodes des techniques a partir desquelles on: collecte, organise, résume,
présente et analyse des données. Ces techniques nous aident à tirer des conclusions et à prendre des décisions
judicieuses.
La population :
L’échantillon :
Page 2
Faculté de médecine
Département de pharmacie
1- Caractère quantitatif :
Un caractère et dit quantitatif quand il est par un chiffre ex : poids, l’âge, taille, le taux de glycémie …
2- Caractère qualitatif :
Un Caractère est dit qualitatif quand il n’est pas mesurable ex : la couleur, la douleur, la nationalité …
Dans le caractère quantitatif en distingue deux variables
La variable ne peut prendre que des valeurs isolé entière ex : nombre d’enfant par famille
La variable peut prendre tout les valeurs comprise dans un intervalle donner ex : le poids, la taille, l’âge …
a- Caractère qualitatif :
𝑛𝑖
fi = 𝑛
× 100
Graph :
Soit
Secteur circulaire
30
25
20 Pr
15 INf
10
5 MA
0
Professeur Maitre Infermière
assistant
Page 3
Faculté de médecine
Département de pharmacie
b- Caractère quantitatif :
1- Variable discontinue
Graph :
Diagramme :
30
25
20
15
10
5
0
0 1 2
2- Variable continue :
Graph :
Histogramme
30
25
20
15
10
5 Histogramme
Polygone de fréquence
0
Poids (Kg) xi Page 4
Faculté de médecine
Département de pharmacie
INTRODUCTION
PARAMETRES DE
TENDANCE
CENTRALE
Paramètres de position
De telle sorte qu'en première approximation la comparaison de deux séries puisse se ramener à la comparaison
de deux nombres.
Le Mode (Mo)
Page 5
Faculté de médecine
Département de pharmacie
Interprétation:
Le nombre d'enfants le plus fréquent dans cet échantillon est égal à 4.
a) Méthode direct
Exemple
Interprétation :
Le poids le plus fréquent dans cet échantillon égal à 3,75 Kg
Interprétation :
Le poids le plus fréquent dans cet échantillon égal à 3,76 Kg
Page 6
Faculté de médecine
Département de pharmacie
La médiane (Me)
La médiane est la valeur de la variable statistique qui divise la série statistique en deux parties égales
(50% de l’effectif lui soit inférieur et 50% supérieur)
- Nombre d’observation impair :
7, 9, 13, 45, 70, 101, 115
Me = 45
- Nombre d’observations pair :
2, 5, 9, 10, 12, 14, 20, 22
Me = (10 +12) / 2 = 11
La demi-somme de l’intervalle médian
Interprétation :
Il ya 50% (soit 40 familles) qui ont moins de 4 enfants et 40 plus de 4 enfants
a) Méthode direct
Les pesées de 50 nouveau-nées
Page 7
Faculté de médecine
Département de pharmacie
Interprétation :
Il ya 50% (soit 25) nouveau-née qui ont un poids inferieur à 3,75 Kg et 50% (25) qui on un poids
supérieur à 3,75 Kg
La moyenne arithmétique
𝑥𝑖
Ce qui donne 𝑋 =
𝑛
Page 8
Faculté de médecine
Département de pharmacie
𝑛𝑖 𝑥𝑖
𝑋=
𝑛
Exemple :
𝑛𝑖 𝑥𝑖 299
𝑋= = = 3,74
𝑛 80
Paramètres de dispersion :
Elles ont pour but de permettre de mesurer la concentration de valeurs observées autour des valeurs
centrales
Elles vont nous données les unes par rapport au autres : sont elles prés de leur centre ? Proches les
une des autres ? sont-elles dispersées ?
1- L’étendue :
Il est défini comme étant égal à des différentes valeurs absolues, des différences entrent l’observation
et la valeur centrale
𝑛 𝑖 𝑥 𝑖 −𝑋
Em=
𝑛
Page 9
Faculté de médecine
Département de pharmacie
3- La variance :
Elle est définie comme la valeur moyenne des carrées des écarts des valeurs de la série statistique a
leur moyenne arithmétique
𝑛 𝑖𝑥𝑖 2
𝑛 𝑖 𝑥 𝑖 −𝑋 2 𝑛𝑖 𝑥𝑖 − 𝑛
S2 = =
𝑛 𝑛
4- L’écart-type :
C’est la racine carré positive de la variance c’est un paramètre dont l’unité est celle de la variable
𝑛 𝑖𝑥𝑖 2
𝑛 𝑖 𝑥 𝑖 −𝑋 2 𝑛𝑖 𝑥𝑖 − 𝑛
S= =
𝑛 𝑛
5- Le coefficient de variation:
𝑆
C.V =
𝑋
Remarque :
C.V ≥ 0.33 la dispersion est importante
C.V < 0.33 la dispersion est moins importante
Application :
Soit le tableau suivant qui représente la répartition des notes dans un examen
Classe xi Effectif ni xi centre de class xi ni 𝑥𝑖 − 𝑋 2 𝑛𝑖 𝑥𝑖 − 𝑋 2
𝑛𝑖 𝑥𝑖 568 𝑛 𝑖 𝑥 𝑖 −𝑋 2
𝑋= = = 11.83
2
S =
𝑛
𝑛 48
𝑑1 4 S2 = 25.33
Mod = bmin + × k = 12 +
× 4 = 14.66 S = 5.033
𝑑 1 +𝑑 2 4+2
𝑛 48 C.V = 0.419
−𝑆 −22
Me = bmin +
2
× k = 12 + 2 × 12,14 C.V > 0.33
𝑛 𝑚𝑒 14 La dispersion est importante
Page 10
Faculté de médecine
Département de pharmacie
On dit qu’un ensemble est dénommable si on peut numéroter ses éléments pour les compter. L’analyse
combinatoire comprend un ensemble de méthodes qui permettent de déterminer le nombre de tous les résultats
possibles d’une expérience particulière
I. 1- Arrangements :
Exemple1 :
Tiercé dans l’ordre dans une course de 14 chevaux
3 14!
𝐴14 = 14 ∗ 13 ∗ 12 = = 2184 𝑓𝑜𝑖𝑠
14−3 !
Exemple 2 :
Une séquence d’ADN est constituée d’un enchainement de 4 nucléotides [A (Adénine), C (cytosine), G
(guanine), et T (Thymine)]. Il existe différents arrangements possibles de 2 nucléotides ou di nucléotides p=2
et n=4
4!
𝐴24 = = 12 di nucléotides possible
4−2 !
Une permutation de n objet, les permutations de ces n objets constituent un cas particulier des arrangements,
c’est le cas ou n=p
Deux permutations ne différent que par l’offre des objets
𝑛!
Calcule de 𝑃𝑛 = 𝐴𝑛𝑛 = = 𝑛 𝑛 − 1 𝑛 − 2 … . = 𝑛!
𝑛 −𝑛 !
Exemple :
Le nombre de manières de places 8 médecin autour d’une table
P8 = 8 ! = 8(8 – 1) (8 – 2) * …….*1=40320
Possibilités
Page 11
Faculté de médecine
Département de pharmacie
II.- Combinaison :
On appelle combinaison de p élément pris parmi n (n ≥ p) tout ensemble que l’on peut former en choisissant p
de ces éléments, sans considération d’ordre. Deux combinaison distinctes différent donc par la nature d’au
𝑝
𝑝 𝐴𝑛 𝑛!
moins un élément calcul de p ou 𝐶𝑛 = =
𝑃! 𝑝! 𝑛 −𝑝 !
Exemple 1 :
combien de manière peut-on avoir le nombre de possibilité de tiercé dans désordre dans une course de 14
chevaux
3 14∗13∗12
𝐶14 = = 364
3∗2∗1
Exemple 2 :
Dans le cadre de l’exemple de séquence d’ADN le nombre de di nucléotides attendus sans tenir compte de
l’ordre des bases dans la séquence est donc
4∗3
𝐶42 = = 6 di nucléotide
2∗1
Sont prévisibles donnent un résultat qui ne dépend pas d’une loi de probabilité. Ils donnent le même résultat
lorsqu’on répète l’expérience.
Sont dus en partie au hasard mais suivant des lois de probabilité. Le résultat est variable mais la répartition des
résultats est prévisible
Page 12
Faculté de médecine
Département de pharmacie
Convergence en probabilité :
Si l’on répète N fois une expérience dans laquelle la probabilité d’apparition d’un événement A est p ; la
𝑛
fréquence de cet évènement au cours des N expériences, tend vers p lorsque N tend vers l’infini
𝑁
𝑛
N → ∞ => →p
𝑁
𝑓 𝑥𝑖 → 𝑝 𝑥𝑖 quand n → ∞
IV- La probabilité :
Quand une épreuve peut avoir résultat un ensemble de N cas et que n de ces cas sont favorables à un
événement A alors la probabilité que A se réalise
𝑛 𝑛
𝑃 𝐴 = 𝑁 comme 0 ≤ 𝑛 ≤ 𝑁 en divisant par N => 0 ≤ ≤ 1 => 0 ≤ 𝑃 𝐴 ≤1
𝑁
𝑁− 𝑛 𝑛
𝑃 𝐴 = =1− =1− 𝑃 𝐴
𝑁 𝑁
Page 13
Faculté de médecine
Département de pharmacie
Soit A et B deux événement dont le nombre de cas favorable sont respectivement n1 et n2cherchons la
probabilité de l’événement « A ou B » noté A∪B
nombre de cas favorables à « A∪B »
𝑃 𝐴∪𝐵 = 𝑁𝑒𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑎𝑠 𝑝𝑜𝑠𝑠𝑖𝑏𝑙𝑒𝑠
B A
𝑛1 + 𝑛2 𝑛1 𝑛2
𝑃 𝐴∪𝐵 =
𝑁
= +
𝑁 𝑁
=𝑃 𝐴 +𝑃 𝐵 n2 n1
𝑃 𝐴∪𝐵 = 𝑃 𝐴 +𝑃 𝐵
Evénement incompatibles :
Deux événement A et B sont dis incompatibles si la réalisation de l’un exclu la réalisation de l’autre autrement
dit les parties A et B sont disjointes
𝑃 𝐴1 ∪ 𝐴2 ∪ 𝐴3 … … … ∪ 𝐴𝑛 = 𝑃 𝐴1 + 𝑃 𝐴2 + ⋯ + 𝑃 𝐴𝑛
Evénement compatibles
𝑃 𝐴∪𝐵 =𝑃 𝐴 +𝑃 𝐵 −𝑃 𝐴∩𝐵
Soit une variable pouvant prendre l’ensemble des valeurs : 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 … … 𝑥𝑛 avec les
probabilités 𝑝1 , 𝑝2 , 𝑝3 , 𝑝4 … … 𝑝𝑛 telles que 𝑝1 + 𝑝2 + 𝑝3 + 𝑝4 + ⋯ + 𝑝𝑛 = 𝑃𝑖 = 1
On dit que x est variable discrète si elle ne peut prendre que des valeurs isolées et variable aléatoire si
sa valeur est fixée par le résultat d’une épreuve.
Donc tout les (valeurs) variables qui sont associées à une épreuve aléatoire et qui prennent les valeurs
numérique discontinues s’appellent variable aléatoires discontinues.
I.2 loi de probabilité :
Page 14
Faculté de médecine
Département de pharmacie
Exemple1 :
On jette un dé équilibré une seule foi. Soit x la variable aléatoire désignent le nombre de point
obtenus sur chaque face :
1- Déterminer graphiquement cette loi
Réponse :
1- loi de probabilité
𝑥𝑖 1 2 3 4 5 6 Σ
𝑝𝑖 1/6 1/6 1/6 1/6 1/6 1/6 1
Connaissant toutes les valeurs possibles de la variable 𝑥𝑖 et les valeurs correspondantes de
𝑝𝑖 , on a donc défini la loi de probabilité de cette variable
1/6
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥6
En portent les valeurs de 𝑥𝑖 en abscisses et celles des 𝑝𝑖 en ordonnés sur l’axe des cordonné
La variance d’une variable aléatoire discontinue, notée 𝜎 2 𝑥 ou 𝑉(𝑥) est définie par
𝑉 𝑥 = 𝑝𝑖 𝑥𝑖 − 𝐸 𝑥 2
C’est une moyenne de la somme des carrés 𝑥𝑖 par a port a leur espérance mathématique
La formule de définition peut encore s’écrire 𝑉 𝑥 = 𝑝𝑖 𝑥𝑖2 − 𝐸 𝑥 2 (formule pratique)
Page 15
Faculté de médecine
Département de pharmacie
La fonction de répartition 𝐹(𝑥) est la fonction cumulative qui correspond à la courbe cumulative
(sigmoïde) de la variable statistique, c’est un moyen (outil) pour le calcule des probabilités des lois
C’est une fonction en escalier, toujours croissante.
Exemple :
Soit à déterminer en fonction de répartition de la loi de probabilité définie par
𝑥𝑖 2 5 6 8 Σ 1
Lorsque les éventualités se réduisent à une alternative (succès ou échec – Malade ou non malade), la variable
aléatoire (nombre de succès, nombre de malades) suit une loi de probabilité appelée LOI BINOMIALE
Soit P la probabilité d'un événement A, donc q = 1-p, est la probabilité de l'événement contraire
La probabilité de réaliser x fois au cours de n épreuves identiques l'événement A est :
𝑝 𝑝 𝑛!
𝑃 𝑥 = 𝐶𝑛 ∗ 𝑃 𝑥 ∗ 𝑞 𝑛−𝑥 𝑜𝑢 𝐶𝑛 = 𝑝! 𝑛−𝑝 ! (Combinaison) n x
n : nombre des épreuves, taille de l'échantillon
p : probabilité élémentaire ( p + q = 1)
n! = n(n-1) (n-2) (n-3) ...1
(5! =5 x 4 x 3 x 2 x 1) lire 5 factoriel.
L’espérance mathématique :
E (x) = n.p
La variance :
V(x) = n.p.q
L’écart type :
𝑆= 𝑛∗𝑝∗𝑞
Page 16
Faculté de médecine
Département de pharmacie
La loi binomiale n’est applicable que si les conditions suivantes sont vérifiées:
1) La variable aléatoire étudiée est discontinue.
2) Les deux évènements indépendants.
3) La probabilité élémentaire est constante durant toute l’épreuve.
Exemple 1 :
Réponse :
Exemple 2
Réponse :
Il s’agit d’une variable aléatoire discontinue (nombre de garçons) et deux éventualités (garçon ou fille).
𝑝
On a : n = 4, p = ½, q = ½, 𝑃 𝑥 = 𝐶𝑛 ∗ 𝑃 𝑥 ∗ 𝑞 𝑛−𝑥
Alors :
1) La probabilité de n’avoir aucun garçon :
0
10 14 1
𝑃 𝑥 = 0 = 𝐶4 ∗ ∗ = = 0.062
2 2 16
2) La probabilité d’avoir un garçon :
1
11 13 4
𝑃 𝑥 = 0 = 𝐶4 ∗ ∗ = = 0.250
2 2 16
3) La probabilité d’avoir quatre garçons :
Page 17
Faculté de médecine
Département de pharmacie
14 10 1
𝑃 𝑥 = 0 = 𝐶44 ∗ ∗ = = 0.062
2 2 16
On peut déterminer ces probabilités directement de la table de la loi binomiale
Exemple 3 :
Une intoxication répartie au hasard affecte 10% de l’ensemble des habitants d’une ville. On considère
l’ensemble des familles de 5 personnes. Quelle est la probabilité :
- Que les cinq membres de la famille soient malades ?
- Que 4 des 5 membres de la famille soient malades ?
- Qu’il y ait au moins 3 malades dans la famille ?
- Quelles sont l’espérance mathématique et la variance de cette variable ?
Réponse :
Exercice :
Page 18
Faculté de médecine
Département de pharmacie
On dit qu’une variable aléatoire discrète suit une loi de Poisson si sa densité de probabilité est donnée sous la
forme:
𝛌𝐱 𝐞−𝛌
𝐏 𝐱 =
𝐱!
Où :
e = 2,71 (base du logarithme népérien) et
: espérance mathématique E (x), appelée encore en pratique la moyenne.
λ = nP = E x = V x
Exemple 1 :
On suppose qu'une variable biologique discontinue est distribuée dans le temps avec une moyenne de 9 unités
par heure. Quelle est la probabilité d'avoir 3 unités durant une heure ? (On suppose que cette variable suit une
loi de Poisson).
Réponse :
On a comme données
E(x) = = 9 unités ; x = 3
x suit la loi de Poisson, donc :
𝜆𝑥 𝑒 −𝜆
𝑃 𝑥 =
𝑥!
93 𝑒 −9
𝑃 𝑥=3 = = 0.015
3!
Ou bien directement de la table 𝑃 𝑥 = 3 = 0.015
Exemple 2 :
On suppose que le standard téléphonique du C.H.U. d'Oran reçoit en moyenne 5 appels par minute.
Sous l'hypothèse que le nombre d'appel pendant un intervalle de temps suit une loi de Poisson, calculer la
probabilité que durant une minute le standard téléphonique reçoit :
- trois appels
- Au plus deux appels.
Page 19
Faculté de médecine
Département de pharmacie
Réponse :
1) On a les données :
E(x) = = 5 appels par minute ; x = 3
x suit la loi de Poisson, donc :
𝜆𝑥 𝑒 −𝜆
𝑃 𝑥 =
𝑥!
53 𝑒 −5
𝑃 𝑥=3 =
3!
La probabilité de recevoir 3 appels: P (x=3) = 0,140
Ou bien directement de la table : P(x=3) = 0,140.
Exercice :
Suite à une vaccination contre le paludisme, dans une population à risque, on estime à 2%, compte tenu du
délai d'immunisation, la proportion de personnes qui seront pourtant atteintes de la maladie. Quelle est la
probabilité de constater, lors d'un contrôle dans un petit village de 100 habitants tous récemment vaccinés, plus
d'une personne malade ? (on supposera l'indépendance des éventualités).
Solution :
La probabilité de constater, lors d'un contrôle dans un petit village de 100 habitants tous récemment vaccinés,
plus d'une personne malade est égale à 0,617.
Les conditions :
Page 20
Faculté de médecine
Département de pharmacie
Exercice :
En jette une pièce de monnaie 7 foi quelle est la probabilité d’avoir 4 foi pille
Condition d’application de la loi binominale
Nombre d’épreuve ≥ 2
L’expérience avec remise
1
Le succès : pille 𝑝 = 2
1
L’échec : face 𝑞 = 2
B(7,1/2)
𝑃 𝑥 = 4 = 𝐶74 0.5 4 0.5 3
𝐸 𝑥 = 𝑛𝑝
𝑉 𝑥 = 𝑛𝑝𝑞
L’espérance mathématique :
𝑏
𝐸 𝑥 = 𝑥𝑓 𝑥 𝑑𝑥
𝑎
𝑏 𝑏
𝑉 𝑥 = 𝑓 𝑥 𝑥 − 𝐸 𝑥 𝑑𝑥 = 𝑥 2 𝑓 𝑥 𝑑𝑥 − 𝐸 𝑥 2
𝑎 𝑎
Une variable aléatoire continue x pouvant prendre tout les valeurs réelles x dans l’intervalle de
−∞, +∞, pour 𝜇 ∈ ℝ, pour 𝜎 ∈ ℝ+dont la fonction de densité est :
1 −
1 𝑥−𝜇 2
𝑓 𝑥 =𝑔 𝑥 = 𝑒 2 𝜎
𝜎 2𝜋
Soit X une variable aléatoire distribuer selon une loi normale et 𝑓(𝑥) la fonction de probabilité de X
alors :
Condition de densité de F
Page 21
Faculté de médecine
Département de pharmacie
∀𝑥 ∈ℝ𝑔 𝑥 >0
+∞
𝑔 𝑥 𝑑𝑥 = 1
−∞
La loi normale repose sur l’estimation de deux paramètres de la population statistique
La moyenne μ
L’écart type σ
La courbure (appelée « fonction de densité de probabilité »)
A la formule suivante
𝐹 𝑥 =𝜇
𝑉 𝑥 = 𝜎2 = 𝑆2
𝜎=𝑆
𝑒 = 2.72; 𝜋 = 3.14
La représentation graphique :
f(x)
Moyenne
Médiane
Mode
1- Symétrique
2- Médiane = Mode = Moyenne
3- En forme de cloche
En pratique on procède à un changement de cette variable (on dit qu’on nome la variable). Pour cela, on
pratique le changement de X par T tel que :
𝑋−𝜇
𝑇=
𝜎
La nouvelle variable est dite variable est dite variable centrée réduite. De moyenne 𝑡 = 0 est sa variance 𝜎 =
1. Elle est notée N(0,1)
Page 22
Faculté de médecine
Département de pharmacie
𝑡1 0 𝑡2
Exemple 1 :
x−μ
Si x suit une loi normale N (μ , σ) de paramètre N (3.2, 2.2) alors 𝑡 = σ
suit une loi normale centré N (0, 1).
Calculer la probabilité 𝑃(𝑥 ≤ 5) ?
5 5
1 −
1 𝑥−𝜇 2
𝑃 𝑥≤5 = 𝑔 𝑥 𝑑𝑥 = 𝑒 2 𝜎 𝑑𝑥
𝜎 2𝜋
−∞ −∞
𝑥 − 𝜇 5 − 3.2
𝑡= = = 0.82
𝜎 3.2
0.82 0.82 0 0.82
1 𝑡2
−
𝑃 𝑡 ≤ 0.82 = 𝑔 𝑡 𝑑𝑡 = 𝑒 2 𝑑𝑡 = 𝑔 𝑡 𝑑𝑡 + 𝑔 𝑡 𝑑𝑡 = 0.5 + 𝐺 0.82 = 0.793
2𝜋
−∞ −∞ −∞ 0
Page 23
Faculté de médecine
Département de pharmacie
L’échantillonnage :
La théorie de l’estimation :
Lorsqu’on évalue dans un ensemble de sujet ou population la proportion P de ceux qui présente un caractère
donné on ne dispose le plus souvent dans la réalité que de group extrait de cette population
La population qu’ils nous fournissent P0 n’est pas la proportion exact, elle s’écart plus ou moins selon le
hasard de l’échantillonnage.
I- le parie :
Condition d’utilisation :
1) 𝑛 ≥ 30 ; 𝑛 ∗ 𝑝 ≥ 5 ; 𝑛 ∗ 𝑞 ≥ 5
Lorsqu’on observe un pourcentage P0 sur un échantillon le problème est d’estimer le véritable pourcentage
inconnu P de la population d’où est extrait l’échantillon
Page 24
Faculté de médecine
Département de pharmacie
𝑃𝑞 𝑃𝑞
𝑃 − 𝜉𝛼 ≤ 𝑃0 ≤ 𝑃 + 𝜉𝛼
𝑛 𝑛
1 − 𝑃𝑖 ≥ 𝑞 ≥ 1 − 𝑃𝑠
Condition d’application :
1) 𝑛 ≥ 30 ; 𝑛 ∗ 𝑝 ≥ 5 ; 𝑛 ∗ 𝑞 ≥ 5
Page 25
Faculté de médecine
Département de pharmacie
Comparaison de pourcentage
I- Principe :
Echanti 1 Popula
p1, q1 p, q
Test de conformité
Echanti 1 Echanti 1
P1, Q1 P1, Q1
Test d’homogénéité
II- Procédure :
1- Détermination du risque α
2- Construction des hypothèses H0 et H1
3- Vérification des conditions 𝑛 ≥ 30; 𝑛 − 𝑝 ≥ 5; 𝑛 − 𝑞 ≥ 5
𝑝 0 −𝑝
4- Calcule de la variable testé : 𝜀 = 𝑝 ∗𝑞
𝑛
5- Conclusion et prise de décision :
Si 𝜀 ≥ 𝜀𝛼 la différence est significative au risque α, H0 est rejetée
Si 𝜀 < 𝜀𝛼 la différence n’est pas significative au risque α, H0 est retenue
Page 26
Faculté de médecine
Département de pharmacie
1- Détermination du risque α
2- Construction des hypothèses H0 et H1
3- Vérification des conditions 𝑛1 ≥ 30; 𝑛2 ≥ 30; 𝑛 − 𝑝 ≥ 5; 𝑛 − 𝑞 ≥ 5 𝑎𝑣𝑒𝑐 𝑛 = 𝑛1 + 𝑛2 et
𝑛1 ∗ 𝑝1 + 𝑛2 𝑝2
𝑝=
𝑛1 + 𝑛2
𝑝 1 −𝑝 2
4- Calcule de la variable testé : 𝜀 = 𝑝 ∗𝑞 𝑝 ∗𝑞
+
𝑛1 𝑛2
II- Principe:
Echantillon Population
𝑛 ; 𝑋 ; 𝑆2 T.C µ ; 𝜎2
Echantillon 1 Echantillon 2
𝑛1 ; 𝑋1 ; 𝑆1 2 T.H 𝑛2 ; 𝑋2 ; 𝑆2 2
III- Procédure :
1) Détermination du risque α.
2) Condition : 𝑛 ≥ 30.
3) Construction de H0.
Page 27
Faculté de médecine
Département de pharmacie
1) Détermination du risque α.
2) Condition : 𝑛1 ≥ 30 et 𝑛2 ≥ 30.
3) Construction de H0 et H1.
4) Calcule de la variable testée :
𝑋1 − 𝑋2
𝜉=
𝑆12 𝑆22
−
𝑛1 − 1 𝑛2 − 1
5) Conclusion :
Si 𝜀 ≥ 𝜀𝛼 la différence est significative au risque α, H0 est rejetée
Si 𝜀 < 𝜀𝛼 la différence n’est pas significative au risque α, H0 est retenue
A. Test de student : Comparaison d’une moyenne observée avec une moyenne théorique :
1) Détermination du risque α.
2) Condition : 𝑛 < 30.
3) Construction de H0 et H1.
4) degré de liberté 𝑑. 𝑑. 𝑙 = 𝜈 = 𝑛 − 1 et 𝑡𝛼𝜈 de la table.
5) variable testée :
𝑋−µ
𝑡=
𝑆
𝑛−1
6) Conclusion :
Si 𝑡 ≥ 𝑡𝛼𝜈 la différence est significative au risque α, H0 est rejetée
Si 𝑡 < 𝑡𝛼𝜈 la différence n’est pas significative au risque α, H0 est retenue
1) Détermination du risque α.
2) Condition : 𝑛1 < 30 et/ou 𝑛2 < 30.
3) Construction de H0 et H1.
4) Calcule de la variance commune
𝑛1 𝑆12 + 𝑛2 𝑆22
𝑆𝑐2 =
𝑛1 + 𝑛2 − 2
5) Degré de liberté 𝑑. 𝑑. 𝑙 = 𝜈 = 𝑛1 + 𝑛2 − 2.
6) Détermination de 𝑡𝛼𝜈 de la table.
Page 28
Faculté de médecine
Département de pharmacie
7) Variable de student :
𝑋1 − 𝑋2
𝑡=
𝑆𝑐2 𝑆𝑐2
𝑛1 − 𝑛2
8) Conclusion :
Si 𝑡 ≥ 𝑡𝛼𝜈 la différence est significative au risque α, H0 est rejetée
Si 𝑡 < 𝑡𝛼𝜈 la différence n’est pas significative au risque α, H0 est retenue
Page 29