Académique Documents
Professionnel Documents
Culture Documents
En vue de notre réunion du mardi 21 mars 2006, je vous prie de trouver la dernière version de
notre projet de norme relative à l’estimation de l’incertitude de mesure dans le domaine de l’analyse
microbiologique de l’eau.
Certes, certaines parties restent à rédiger et d’autres à améliorer (notamment l’annexe C), mais
l’ensemble prend forme.
D’ici le 21 mars, des modifications et compléments seront encore apportés. Je vous les
communiquerai dès que possible.
Je vous souhaite bonne lecture et vous invite à faire parvenir vos questions éventuelles à
Madame Thomas.
Le Directeur d’AGLAE,
Philippe Guarini
PS : Les numéros de page indiqués dans le sommaire ne sont pas justes (ne pas en tenir compte); la
numérotation des annexes ne démarre pas sur « A » (en revanche, les renvois dans le texte sont justes).
1/1
Association loi 1901 à but non lucratif, déclarée en Préfecture du Nord (59) n° 5/28900,
e
et parue au J.O. du 13 /4/1994 (126 année n°15) – SIRET 397 997 594 00023 - APE 743B.
Qualité de l'eau
Modifications
Corrections
Avant-propos national
Page
Introduction 3/
1 Domaine d'application 4/
2 Références normatives 4/
3 Définitions et symboles 4/
3.1 Définitions d’ordre général 4/
3.2 Définitions répondant plus spécifiquement aux besoins de la présente norme 6/
3.3 Définitions et symboles statistiques 6/
4 Considérations préliminaires 8/
4.1 Méthode microbiologique validée 8/
4.2 Méthode sous contrôle qualité 8/
4.3 Pré-requis pour l’application de la présente norme 9/
5 Méthodologie 9/
5.1 Rédaction d’un dossier d’estimation de l’incertitude 9/
5.2 Identifier et décrire la méthode de dénombrement 10/
5.3 Lister les facteurs sources de variabilité 10/
5.4 Réaliser l’approche quantitative de l’incertitude de mesure 11/
6 Mise en œuvre pratique de l’approche globale 14/
6.1 Recherche de l’expression de CV Poisson2 14/
6.2 Exploitation des cartes de contrôle 15/
6.3 Collecte des données disponibles auprès des organisateurs d’essais interlaboratoires 20/
6.4
Bibliographie
La norme NF EN ISO/CEI 17025 demande d’ailleurs d’évaluer l’incertitude de mesure dans les
laboratoires d’analyses. Mais cette question ne concerne pas que les laboratoires. C’est l’affaire de
tous les intervenants et un accord entre client et fournisseur est nécessaire.
Ainsi, tout donneur d’ordre devrait clairement spécifier ses attentes dans ce domaine.
Un autre intervenant, le législateur, doit préciser explicitement s’il a inclus l’incertitude de mesure
dans le facteur de sécurité qui détermine la valeur réglementaire, auquel cas il n’y a plus lieu de le
reprendre en compte au moment de la décision de gestion. C’est encore plus clair si le législateur écrit
« en aucun cas le résultat de dénombrement ne doit dépasser n germes dans les x ml analysés ».
Le caractère particulaire des microorganismes et leur répartition aléatoire même dans des eaux
parfaitement homogénéisées, obligent à des considérations statistiques et limitent inexorablement la
précision des dénombrements.
Aussi, de manière à réduire l’incertitude le client devra parfois envisager de faire réaliser plusieurs
mesures. En effet, dans certains cas l’estimation statistique ne permet pas de prendre de décision parce
que la différence avec la valeur réglementaire n’est pas significative. La réalisation de mesures
répétées ou de séries de mesures permet alors d’affiner l’estimation de la concentration microbienne.
Dans d’autres cas, c’est un biais, ou écart à la valeur vraie, qui est redouté (par exemple interférence
de certains éléments de la microflore de l’échantillon sur le mesurande) et là encore des mesures
répétées sont nécessaires, mais en modifiant la méthode ou en associant plusieurs laboratoires.
A l’incertitude au sens restreint (précision), s’ajoute enfin une incertitude (au sens commun) qui peut
être largement prépondérante et consiste en biais. En effet, les microorganismes présentent dans les
eaux différents états physiologiques (cultivables, stressés, revivifiables, … surtout dans les eaux
oligotrophes ou désinfectées) qu’il faut distinguer sous peine de biais importants.
L’objet de la présente norme est de fixer la démarche à suivre pour procéder à l’évaluation de
l’incertitude de mesure dans le domaine de l’analyse microbiologique de l’eau.
Avant de décrire les modalités du travail à accomplir, il convient de rappeler plusieurs points :
Tout d’abord, l’analyse microbiologique classique se démarque de l’analyse chimique par le
fait qu’il s’agit d’un dénombrement.
Il en résulte que la représentation de la dispersion des données dans ce domaine nécessite
d’utiliser des lois statistiques spécifiques, différentes de celles appliquées en chimie : loi de
Poisson et loi binomiale négative au lieu de la loi normale.
Par ailleurs, l’analyse microbiologique pour les besoins du contrôle sanitaire ou de la police
des eaux s’inscrit dans un contexte réglementaire où les limites de qualité sont le plus
souvent du type « absence de germes dans la prise d’essai analysée ».
Tout l’enjeu de traiter cette question de l’incertitude de mesure réside donc le plus souvent
dans l’évaluation d’une limite de détection objective.
Enfin, connaître l’incertitude de mesure c’est pouvoir substituer a priori à un résultat
observé l’intervalle de confiance sur lequel la valeur vraie du paramètre a toutes les chances
de se trouver (au seuil de confiance de 95% ou 99% généralement).
Il s’agit donc de ne pas s’en tenir à connaître la fidélité du dénombrement (étroitesse de
l’accord de mesures répétées sur un même matériau) ainsi que ses fluctuations sur la gamme
de travail de la méthode, mais bien d’en déduire les limites de confiance liées à l’observation
d’un résultat donné. Ceci intégrant autant que faire se peut les biais et l’état physiologique
des microorganismes ciblés par l’analyse.
Compte tenu de ces éléments, seule la méthodologie décrite dans la norme ISO/TR 13843:2000
permet aujourd’hui d’apporter une réponse complète et constructive à la problématique posée.
La présente norme s’appuie donc largement sur ce texte normatif, en particulier pour l’exploitation
statistique des données expérimentales.
Les définitions et procédures de travail décrites dans le présent document s’appliquent à toute méthode
de dénombrement de microorganismes dans les eaux, qu’elle soit de type énumératif (comptage de
colonies sur boîtes de Petri) ou de type quantique (technique dite du «Nombre le Plus Probable»).
Elles peuvent également être appliquées à d’autres méthodes de comptage d’entités discrètes ; ceci
dans le domaine de l’analyse microbiologique de l’environnement, voire d’autres secteurs d’activité.
En revanche, la présente norme ne s’applique pas aux méthodes de recherche (résultat qualitatif, du
type « présence/absence »). Elle ne s’applique pas d’emblée aux méthodes indirectes (ATP-métrie,
PCR, impédance-métrie, …).
2. Références normatives
Ce document comporte par référence datée ou non datée des dispositions d'autres publications. Pour
les références datées, seule l'édition citée s'applique. Pour les références non datées, la dernière édition
du document de référence s'applique (y compris les éventuels amendements).
ISO 5725-1, Exactitude (justesse et fidélité) des résultats et méthodes de mesure. Partie 1: Principes
généraux et définitions.
ISO/TR 13843:2000, Qualité de l'eau – Lignes directrices pour la validation des méthodes
microbiologiques.
3. Définitions et symboles
Pour les besoins du présent document, les définitions et symboles suivants s'appliquent.
3.1.1 Mesurande
Grandeur particulière soumise à un mesurage.
[NF X07-001]
NOTE 1 Dans le cadre d’une analyse microbiologique, le mesurande est le germe ou l’ensemble de germes
ciblé (par exemple Pseudomonas aeruginosa ou les entérocoques intestinaux).
NOTE 2 Le terme «exactitude», appliqué à un ensemble de résultats d’essai, implique une combinaison de
composantes aléatoires et une erreur systématique commune ou une composante de biais.
NOTE 3 A défaut de valeur théorique ou établie sur des principes scientifiques (SI), en microbiologie la
valeur de référence acceptée peut-être :
- une valeur assignée arbitraire, éventuellement certifiée, fondée sur les travaux expérimentaux d’une
organisation nationale ou internationale ;
- une valeur de consensus, éventuellement certifiée, fondée sur un travail expérimental en collaboration et
placé sous les auspices d’un groupe scientifique ou technique identifié ;
- l’espérance mathématique de la quantité mesurée, c’est-à-dire la moyenne observée d’une population
spécifiée de mesures, choisie pour sa représentativité.
3.1.3 Fidélité
Etroitesse d'accord entre les résultats d'essais indépendants obtenus sous des conditions stipulées.
NOTE 4 La fidélité dépend uniquement de la distribution des erreurs aléatoires et n'a aucune relation avec la
valeur vraie ou la valeur spécifiée.
[ISO 3534-1]
3.1.4 Répétabilité
Etroitesse de l’accord entre les résultats des mesurages successifs de la même quantité, effectués dans
les mêmes conditions de mesurage.
[ISO/TR 13843:2000]
3.1.5 Reproductibilité
Etroitesse de l’accord entre les résultats des mesurages de la même quantité, effectués dans des
conditions de mesurage variables.
[ISO/TR 13843:2000]
3.1.6 Justesse
Etroitesse de l'accord entre la valeur moyenne obtenue à partir d'une large série de résultats d'essai et
une valeur de référence acceptée.
[ISO 3534-1]
3.1.7 Biais
Différence entre l'espérance mathématique des résultats d'essais et la valeur de référence acceptée.
NOTE 5 Le biais est une erreur systématique totale par opposition à l'erreur aléatoire. Il peut y avoir une ou
plusieurs composantes d'erreurs systématiques qui contribuent au biais. Une différence systématique importante
par rapport à la valeur de référence acceptée est reflétée par une grande valeur du biais.
[ISO 3534-1]
[NF X07-001]
NOTE 6 Le résultat d’une analyse microbiologique s’exprime en nombre de germes par unité de volume ; par
exemple, 1.200 Legionella pneumophila par litre. Il en résulte qu’il n’est aucunement absurde d’avoir un résultat
présentant des chiffres après la virgule. Sans considération sur la significativité des chiffres après la virgule, 12,3
germes par 100 millilitres (par exemple) est rigoureusement égal à 123 germes par litre.
NOTE 7 Le résultat d’une recherche élémentaire est binaire : présence / absence du germe ciblé dans la prise
d’essai considérée. Le résultat d’un dénombrement élémentaire est un entier naturel : 0, 1, 2, … germes ciblés
dans la prise d’essai considérée.
NOTE 8 La limite inférieure est évidemment l’absence totale des germes ciblés dans le matériau testé.
∑x i
m= i =1
∑ (x i − m) 2
s2 = i =1
( s= s2 )
n −1
[ISO/TR 13843:2000]
NOTE 9 La loi de Poisson se caractérise par une moyenne arithmétique égale à la variance.
Soient n valeurs distribuées selon une loi de Poisson de paramètre µ. A condition que n soit suffisamment grand,
on peut vérifier que :
m = s2 = µ
Le dénombrement répété n fois d’une suspension microbienne idéalement homogénéisée contenant µ germes par
prise d’essai, génère un ensemble de n valeurs vérifiant l’équation ci-dessus. Ceci à condition que l’exactitude du
dénombrement soit absolue.
[10]
[ISO/TR 13843:2000]
NOTE 10 La loi binomiale négative présente une variance supérieure à la moyenne arithmétique.
s2 > m
Elle représente efficacement la distribution de dénombrements répétés plus dispersés que prévu par la loi de
Poisson.
[10]
3.3.5 Surdispersion
Variation excédentaire du caractère aléatoire de Poisson.
NOTE 11 Elle est détectée qualitativement par l'indice de dispersion k et mesurée quantitativement lors de
l'estimation du paramètre u (facteur de surdispersion) de la distribution binomiale négative.
[ISO/TR 13843:2000]
NOTE 12 Il peut s’avérer que k soit significativement inférieur à 1. Cette situation est anormale ; elle
témoigne le plus souvent d’un défaut de justesse dans la méthode de dénombrement : rendement du milieu de
culture utilisé insuffisant, généralement.
[ISO 3534-1]
s
CV =
m
[ISO/TR 13843:2000]
NOTE 13 Il en résulte que la variance de la loi binomiale négative à utiliser pour représenter la distribution
des n valeurs obtenues est donnée par :
s 2 = m + m2 ⋅ u 2
4. Considérations préliminaires
Au sens de la norme ISO/TR 13843:2000, « la validation est un processus qui permet de démontrer
qu’une méthode remplit la fonction à laquelle elle est destinée : détecter ou quantifier un microbe ou
un groupe microbien donné avec la fidélité et l’exactitude requises ».
En pratique, toute méthode normalisée est censée avoir subi une validation primaire attestant de sa
fiabilité.
En revanche, une validation secondaire s’impose à tout laboratoire désireux de réaliser l’analyse d’un
nouveau paramètre microbiologique. Il s’agit de prouver que le laboratoire a su s’emparer de la
méthode (sur le plan technique) et qu’il produit des résultats satisfaisants.
En effet, avant de produire des résultats il convient d’avoir résolu les problèmes principaux d’erreur
systématique. Mais il convient aussi de s’être prémuni contre toute dérive éventuelle, ainsi que contre
toute source d’erreur cachée.
Pour cela le laboratoire doit mettre en place un contrôle de qualité analytique opérationnel,
comprenant :
- un contrôle interne (cartes de contrôle, contrôle des consommables, habilitation du personnel,
…) ;
- un contrôle externe (essais interlaboratoires).
5. Méthodologie
Trois ou quatre étapes successives doivent être réalisées pour estimer efficacement l’incertitude de
mesure associée à un résultat d’analyse pour une méthode de dénombrement microbiologique :
- identifier la méthode et la décrire ;
- cerner les facteurs sources de variabilité ;
- évaluer quantitativement l’incertitude par une approche « globale » ;
- le cas échéant procéder par une approche « incertitude combinée ».
Chacune de ces étapes doit être documentée dans un dossier d’estimation de l’incertitude.
Toute estimation de l’incertitude de mesure dans le domaine couvert par la présente norme doit faire
l’objet d’un dossier détaillé.
Celui-ci doit être rédigé dans le double objectif :
Dans un premier temps, il convient de documenter le dossier avec une identification précise de la
méthode considérée et une description complète du processus de dénombrement.
L’identification de la méthode est simple lorsqu’elle est normalisée : il suffit de porter les références
de la norme dans le dossier, ainsi que l’option appliquée lorsque la norme comporte des variantes ;
sans oublier de préciser la version (année).
Lorsqu’une modification mineure est apportée à une méthode normalisée, la méthode peut être
identifiée par les références de la norme, immédiatement suivies par une mention explicite renvoyant à
un descriptif des modifications apportées.
En revanche, lorsque la modification est majeure l’identification de la méthode ne doit plus faire
directement référence à la norme.
Sur la base du descriptif de la méthode de dénombrement défini dans le paragraphe 5.2 ci-dessus, il
faut dans un second temps dresser une liste la plus complète possible des sources d’erreur.
EXEMPLE 1 Lorsque l’on prélève un volume de 5 millilitres d’un matériau contenant en moyenne 3
germes pour 5 millilitres, on « n’attrape pas à tous les coups » exactement 3 germes dans les 5 millilitres
prélevés. Le hasard peut faire que l’on en attrape 2, 5, 1, …, voire aucun ; ceci même si le matériau est
idéalement homogénéisé.
De la structure du plan de prises d’essais décrit dans la méthode découle donc directement une
variabilité ; laquelle est inévitable, incontournable et incompressible.
De nombreux facteurs différents peuvent contribuer à la variabilité des résultats d’une méthode de
dénombrement, parmi lesquels :
- le technicien ;
- l’équipement ;
- les consommables ;
- l’environnement.
Parmi les sources de variations prises en compte dans le présent document, on peut distinguer deux
groupes :
- celles qui peuvent être négligées à condition d’être contenues dans les spécifications
normatives de la méthode (exemple : durée d’incubation, valeur de pH, …) ;
- celles dont il faut mesurer l’influence, avec deux catégories :
• les sources contrôlables ou maîtrisables (exemple: milieux de culture) ;
• les sources non maîtrisables (exemple: présence de microflore interférente, état
physiologique des microorganismes dénombrés).
Chacun des facteurs ci-dessus peut être source d’erreur aléatoire et d’erreur systématique.
Pour les besoins de la présente norme, certaines sources de variabilité ne doivent pas être prises en
compte dans le bilan ; ce sont :
- les erreurs (aléatoires et/ou systématiques) liées à l’échantillonnage sur le terrain (plan
d’échantillonnage et prélèvement) ;
- l’influence du transport et de la conservation des échantillons (durée, température, …).
De façon plus générale, ce sont toutes les sources de variabilité générées par les étapes antérieures à
l’analyse de l’échantillon dans le laboratoire. Leur impact sur le résultat de mesure peut être important,
mais elles ne sont pas du ressort des analystes.
La variabilité générée par chacun des facteurs portés au bilan des sources d’erreur est quantifiée par un
coefficient de variation au carré CV2 (voir paragraphe 3.3.7).
La variabilité totale (sur le résultat de dénombrement) est la somme des CV2 des différentes sources
d’erreur.
Sur le plan mathématique, on peut écrire le modèle linéaire simple (additif) suivant :
∑ CV
2 2
CV totale = source
2
où CV totale représente la dispersion des résultats de dénombrements
2
les CV source représentent la variabilité générée par chacune des sources
d’erreur portées au bilan
[8] et [9]
2
où CV Poisson représente la dispersion inhérente à la méthode
2
les CV facteur représentent la variabilité induite par chacun des facteurs
analytiques sources d’erreur
∑ CV
2
Comme on ne décompose pas facteur dans l’approche globale, on peut l’écrire sous forme
∑ CV
2 2
d’un facteur de surdispersion en posant facteur = u analyse .
D’où :
2 2 2
CV totale = CV Poisson + u analyse
2
où CV Poisson représente la dispersion inhérente à la méthode
2
u analyse représente la surdispersion due à l'effet combiné de tous les facteurs
analytiques
2
NOTE 14 Le terme u analyse est réputé indépendant du niveau de concentration ([ISO/TR 13843:2000]) ;
fait largement vérifié en pratique.
NOTE 15 Pour les besoins de la présente norme, l’incertitude combinée est réservée aux méthodes pour
lesquelles l’approche globale s’est révélée infructueuse (dispersion des résultats en double population ou
résultats anormalement dispersés). Elle peut également s’avérer très utile pour traiter indépendamment un facteur
dont on sait qu’il est peu ou pas représenté dans le cadre de l’approche globale ; exemple typique :
l’échantillonnage des colonies pour confirmation.
2
Il s’agit de quantifier les 2 termes composant CV totale :
2
- d’une part CV Poisson , dont la quantification est une démarche purement calculatoire ;
2
- d’autre part u analyse , dont la quantification découle de l’exploitation de séries de
mesures répétées (essais de fidélité - voir paragraphe 3.1.3).
2
Pour la quantification de u analyse , il faut s’attendre à des valeurs d’autant plus élevées que l’on fait
varier les conditions de déroulement des analyses répétées. Comme il est classiquement admis, on
retient 3 niveaux de fidélité :
2
- u r la surdispersion quantifiée dans des conditions de répétabilité (en pratique, mesures
répétées au sein d’une même série analytique) ;
On note également :
2
- uA la composante résiduelle intra série analytique, c’est à dire l’erreur de mesure (qui
s’ajoute à la loi de Poisson) à l’intérieur d’une même série analytique ;
2
- uB la composante « série analytique » du biais, c’est à dire l’erreur de mesure d’une
série analytique à l’autre ;
2
- uC la composante « laboratoire » du biais, c’est à dire l’erreur de mesure d’un
laboratoire à l’autre.
Ainsi :
2 2
ur = u A
2 2 2
u R' = u A + u B
2 2 2 2
u R = u A + u B + uC
2
Bref, l’approche globale repose sur le calcul de CV Poisson et la quantification des composantes
2 2 2
globales d’erreur u A , u B et u C .
5.4.3 Données dont il faut disposer pour mettre en œuvre l’approche globale
Il découle du principe de l’approche globale décrit ci-dessus (paragraphe 5.4.2) que le laboratoire doit
disposer de séries de résultats de mesures répétées pour pouvoir évaluer les différentes composantes
globales d’erreur :
- mesures répétées dans des conditions de répétabilité (au sein d’une même série
analytique) ;
- mesures répétées dans des conditions de reproductibilité intralaboratoire (réparties sur des
séries analytiques différentes).
Ces séries de données sont d’emblée disponibles au travers du contrôle interne de qualité (cartes de
contrôle).
Il en découle également que le laboratoire doit disposer de séries de résultats de mesures répétées dans
des conditions de reproductibilité interlaboratoires.
Là aussi, ces séries de données sont d’emblée disponibles au travers du contrôle externe de qualité
(essais d’aptitude).
En effet, il est essentiel de veiller à utiliser des données suffisamment représentatives de la diversité
rencontrée en routine. En particulier, les séries produites sur un matériau fraîchement dopé par une
unique culture pure du germe ciblé en phase exponentielle de croissance présentent peu d’intérêt et
doivent être écartées.
L’idéal serait de disposer de données produites sur des matériaux naturels (naturellement contaminés)
d’une complexité moyenne pour la classe de matrices considérée (en termes de microflore interférente
Dans ce contexte, il faut autant que possible ne retenir que les données établies à partir :
- de matériaux naturels, s’il y en a ;
- de matériaux de référence (éventuellement certifiés) ; il en existe, disponibles sur le
marché, qui représentent assez bien le stress des germes présents dans les eaux de
réseaux ;
- de matrices naturelles dont les caractéristiques (mesurande et flore interférente) auront le
cas échéant été ajustées :
• abaissement éventuel de la charge microbienne par chloration puis neutralisation au
thiosulfate de sodium ;
• dopage par des mélanges de cultures pures stressées.
Avant de se lancer dans l’exploitation des données disponibles retenues comme décrit dans le
paragraphe ci-dessus (5.4.3), il faut identifier le type de technique de dénombrement de la méthode
dont on cherche à évaluer l’incertitude de mesure : énumérative ou quantique ?
Les définitions des paragraphes 3.2.4 et 3.2.5 permettent de faire cette distinction.
En parallèle, il faut aussi répertorier les valeurs réglementaires du paramètre. C’est en effet autour de
ces valeurs que l’incertitude de mesure doit être évaluée (pas ailleurs).
L’annexe C rassemble ces éléments pour les principaux paramètres microbiologiques de l’analyse de
l’environnement.
2
6.1 Recherche de l’expression de CV Poisson
(pour remplir la case 1 du Tableau 1)
2
Le calcul de CV Poisson est simple pour les techniques énumératives réduites à un dénombrement
élémentaire. Il peut être plus compliqué lorsque plusieurs dénombrements élémentaires sont réalisés
(dénombrement des Legionella par la norme NF T 90-431:2003 par exemple).
Pour les techniques quantiques, il peut être nécessaire de faire appel à un statisticien.
En tout état de cause, la procédure de validation décrite dans la norme ISO/TR 13843:2000 nécessite
de faire ce calcul. Toute méthode normalisée devra donc, à terme, fournir l’expression de
2
CV Poisson . Il suffira au laboratoire de la reporter dans la case 1 du Tableau 1 à remplir.
En attendant, l’annexe C pallie à l’absence éventuelle de cette information dans les normes antérieures
à la parution du présent document.
De son système de contrôle interne de qualité, le laboratoire doit extraire un nombre suffisant de
2 2
données pour calculer u r et u R ' .
Toute carte de contrôle repose sur l’analyse régulière d’un matériau de référence dont la stabilité et
l’homogénéité sont suffisantes durant toute la période d’utilisation.
NOTE 16 Il appartient au laboratoire de pouvoir produire la preuve de la qualité du matériau de référence qu’il
utilise : attestation du fabricant (de préférence couverte par une certification ISO 9000 dans le respect du guide
ISO 34) pour les matériaux achetés dans le commerce ; preuve expérimentale pour les matériaux fabriqués en
interne.
Les mesures doivent être répétées p fois (p>1) au sein de chaque série analytique (voir paragraphe
3.2.6) mise en œuvre ; on note q le nombre de séries analytiques.
Bien entendu, dans l’historique d’un laboratoire les lots de matériaux de référence se succèdent. Ils
présentent forcément des niveaux de charge bactérienne différents.
Ceci ne perturbe en rien l’exploitation que l’on peut faire des données. Il faut juste éviter de conserver
les groupes de données situées à un niveau de concentration trop faible, là où la variabilité inhérente à
la méthode l’emporte trop largement sur la variabilité induite par l’effet global des facteurs
analytiques.
2 2
6.2.2 Calculer u r et u R ' dans le cas d’une méthode énumérative
réduite à un dénombrement élémentaire
Le traitement statistique débute par l’agencement des données en un tableau à q lignes et p colonnes :
Matériau de Séries analytiques
Mesures répétées au sein de chaque série analytique
référence successives
MR réf xxx - lot xxx série 1 x11 x12 x1p
MR réf xxx - lot xxx série 2 x21 x22 x2p
2
6.2.2.1 Calcul du facteur de surdispersion pour chaque série analytique ( u ri )
La première étape du traitement est de tester si globalement les mesures répétées au sein d’une même
série analytique présentent une dispersion réduite à la variabilité inhérente à la méthode de
dénombrement. En l’occurrence, il faut établir si les mesures répétées disposées en ligne dans le
Tableau 2 suivent la loi de Poisson.
Il faut d’abord calculer pour chaque série i (chaque ligne du Tableau 2) la statistique
2
x
p
x ij − i .
p p
T1 i = ∑
j =1
xi. où x i . = ∑ x ij
j =1
p
Le degré de liberté correspondant à cette statistique est ddl = p-1 .
Selon la position du T1 i par rapport aux limites théoriques, on détermine pour chaque série analytique
la significativité de l’écart de la dispersion observée à la dispersion prévue par la loi de Poisson :
Conclusion sur l’écart de la dispersion A noter
Position de T1 i par rapport aux
observée par rapport à la dispersion prévue dans le
limites théoriques par la loi de poisson Tableau 2
Dispersion très significativement inférieure à
cas 1 T1 i < χ 2
p − 1 ; 0 , 005 celle attendue d’après la loi de Poisson
<<
Il reste à compléter le Tableau 2 en ajoutant pour chaque série analytique la valeur de l’indice de
dispersion :
T1 i
ki =
p −1
Puis le facteur de surdispersion :
2 p
u ri = ⋅ ( k i − 1)
x i.
2
6.2.2.2 Identification et traitement des u ri anormaux
2
Si l’un des u ri du Tableau 2 apparaît singulier (très différent des autres), il peut s’agir d’une donnée
anormale. Il convient alors d’investiguer pour tenter de trouver une explication technique (événement
particulier survenu dans la série analytique).
Si aucune explication n’est trouvée, il faut conserver la série analytique pour la suite du traitement. Si
une explication est trouvée, il peut être justifié d’éliminer la série (toute la ligne du Tableau 2).
2
Les séries analytiques (lignes du Tableau 2) aboutissant à un u ri < 0 et dont la dispersion apparaît
significativement, voire très significativement, inférieure à cette prévue par la loi de Poisson (cas 1 et
2 du Tableau 3) font partie de ces séries singulières.
2
En effet, si k i < 1 , on aboutit à une incohérence : u ri <0.
Il faut alors s’attarder sur le niveau de signification de la statistique T1 i .
• Si χ p2 −1 ; 0 , 025 < T1 i < χ p2 −1; 0 , 975 (cas 3 du Tableau 3), en réalité ki n’est pas
significativement différent de 1. Il est alors parfaitement légitime de conserver la série pour la
2
suite des calculs, ainsi que la valeur u ri telle qu’elle est (négative) ; simplement, elle n’est pas
significativement différente de 0 : la dispersion est réduite à la loi de Poisson.
• En revanche, si χ p2 −1; 0 , 005 < T1 i < χ p2 −1 ; 0 , 025 (cas 2 du Tableau 3) voire T1 i < χ
2
p − 1 ; 0 , 005
(cas 1 du Tableau 3), alors k i est réellement inférieur à 1. Ceci constitue une anomalie
caractérisée qu’il faut corriger : le rendement du milieu de culture employé n’est probablement
pas ce qu’il devrait être (rendement peu satisfaisant qui devrait par ailleurs transparaître au
travers des résultats du contrôle externe de qualité : z-scores systématiquement bas). Si cette
situation est ponctuelle (pas plus d’un écart significatif sur 20), la série concernée peut être
simplement écartée même en l’absence de justification technique. En revanche, si la situation
est récurrente (présence d’un écart très significatif ou plus d’un écart significatif sur 20), alors
l’estimation de l’incertitude de mesure doit être remise à plus tard ; il convient d’abord de
solutionner l’anomalie et vérifier l’efficacité de l’action corrective.
2
6.2.2.3 Calcul de la valeur de u r à reporter dans le Tableau 1
Selon la position de T1 par rapport aux limites théoriques, on détermine la significativité globale de
l’écart de la dispersion observée avec la dispersion prévue par la loi de Poisson :
Conclusion sur l’écart de la dispersion
Position de T1 par rapport aux limites Notation
observée par rapport à la dispersion
théoriques à apposer
prévue par la loi de poisson
Dispersion très significativement inférieure à
cas 1 T1 < χ q2.( p −1 ); 0 , 005 celle attendue d’après la loi de Poisson
<<
Dispersion significativement inférieure à
cas 2 χ q2.( p −1 ); 0 , 005 < T1 < χ q2⋅( p −1 ); 0 , 025 celle attendue d’après la loi de Poisson
<
Dispersion non significativement différente
cas 3 χ q2⋅( p −1 ); 0 , 025 < T1 < χ q2⋅( p −1 ); 0 , 975 de celle attendue d’après la loi de Poisson
o
Dispersion significativement supérieure à
cas 4 χ q2⋅( p −1 ); 0 , 975 < T1 < χ q2⋅( p −1 ); 0 , 995 celle attendue d’après la loi de Poisson
>
Dispersion très significativement supérieure
cas 5 χ q2⋅( p −1 ); 0 , 995 < T1 à celle attendue d’après la loi de Poisson
>>
Tableau 4
2
Reste à calculer le facteur global de surdispersion u r .
L’indice de dispersion est :
T1
k1 =
q ⋅ ( p − 1)
2
Le facteur de surdispersion u r est :
q⋅p q
∑
2
ur = ⋅ ( k 1 − 1) où x .. = xi.
x .. i =1
2
Reporter la valeur u r ainsi calculée dans la case 2 du Tableau 1.
2
6.2.2.4 Calcul de la valeur de u R ' à reporter dans le Tableau 1
2
Il faut ensuite passer au calcul de u R ' , sur le même principe.
Selon la position de T 2 par rapport aux limites théoriques, on détermine la significativité globale de
l’écart de la dispersion observée avec la dispersion prévue par la loi de Poisson :
Conclusion sur l’écart de la dispersion
Position de T1 par rapport aux limites
observée par rapport à la dispersion Notation
théoriques prévue par la loi de poisson
Dispersion très significativement inférieure à
cas 1 T 2 < χ q2−1 ; 0 , 005 celle attendue d’après la loi de Poisson
<<
Dispersion significativement inférieure à
cas 2 χ q2−1 ; 0 , 005 < T 2 < χ q2−1 ; 0 , 025 celle attendue d’après la loi de Poisson
<
Dispersion non significativement différente
cas 3 χ q2−1 ; 0 , 025 < T 2 < χ q2−1 ; 0 , 975 de celle attendue d’après la loi de Poisson
o
Dispersion significativement supérieure à
cas 4 χ q2−1 ; 0 , 975 < T 2 < χ q2−1 ; 0 , 995 celle attendue d’après la loi de Poisson
>
Dispersion très significativement supérieure
cas 5 χ q2−1 ; 0 , 995 < T 2 à celle attendue d’après la loi de Poisson
>>
Tableau 5
Comme précédemment, des séries singulières peuvent venir interférer dans l’estimation. Il convient de
statuer sur les situations particulières, et le cas échéant éliminer des séries si cela est techniquement
justifié.
2
NOTE 17 La représentation graphique des séries i, avec en abscisse x i. et en ordonnées u ri peut
permettre de repérer les données singulières. En effet, les séries doivent apparaître sous forme d’un nuage de
points, les séries singulières étant isolées.
6.2.2.5 Ajustement des calculs pour traiter ensemble des groupes de contrôle différents
Si plusieurs ensembles de séries analytiques sont disponibles, obtenus sur des matériaux de référence
2 2
différents, il faut moyenner les estimations de u r et u R ' .
Pour cela, vérifier au préalable l’homogénéité des valeurs en les positionnant sur en graphique avec en
x ..
abscisse (qui n’est autre que le niveau de charge du matériau, en nombre de germes moyen
q⋅p
2 2 2 2
par prise d’essai) et en ordonnée u r et u R ' . Si les différentes valeurs de u r d’un côté et u R '
2
de l’autre sont cohérentes, moyenner séparément les différentes valeurs de u r et les différentes
2
valeurs de u R ' (moyenne arithmétique).
2 2
Il y a cohérence si les points (séparément pour u r et u R ' ) forment un nuage horizontal sans point
isolé. Si un point se révèle isolé, il faut investiguer pour tenter d’en trouver la raison technique (il peut,
2
le cas échéant être éliminé). Par ailleurs, il faut que le nuage de points relatif à u R ' soit plus haut (ou
2
au moins confondu) avec le nuage de u r .
2
Reporter la moyenne arithmétique des u r dans la case 2 du Tableau 1 et la moyenne arithmétique
2
des u R ' dans la case 5.
2 2
6.2.3 Calculer u r et u R ' dans le cas d’une méthode quantique
- à rédiger -
6.3 Collecte des données disponibles auprès des organisateurs d’essais interlaboratoires
Resituée dans le contexte de la présente norme, les spécifications du document ISO/TS 21748:2004
continuent de s’appliquer malgré les difficultés rencontrées avec la justesse. Les estimations de
répétabilité et de reproductibilité (en termes de facteur de surdispersion u2) proviennent des essais
interlaboratoires.
Les organisateurs d’essais d’aptitudes sont à même de produire des estimations du facteur de
2
surdispersion dans des conditions de répétabilité ( u r ) et de reproductibilité interlaboratoires
2
( u R ).
En revanche, ils ne sont pas toujours en mesure d’effectuer une approche de la composante « série
2
analytique » du biais ( u B ).
En effet, comme déjà indiqué dans le paragraphe 5.4.3 les essais interlaboratoires doivent
préférentiellement porter sur des matériaux aussi proches que possible des échantillons analysés en
routine. Il en résulte que des problèmes de stabilité limitent considérablement la possibilité de différer
les analyses. Pas question donc, dans la plupart des cas, de demander aux laboratoires participants de
procéder sur des séries analytiques différentes.
Néanmoins, il serait particulièrement intéressant que les organismes d’essais interlaboratoires
2
s’attachent ponctuellement à évaluer u R ' ; ceci par exemple grâce à des matériaux de référence.
2 2 2 2 2
Ces valeurs de u r , u R , voire u R ' sont à reporter dans le Tableau 1 : u r dans la case 4, u R
2
dans la case 9, et u R ' (si accessible) dans la case 7. Elles s’appliquent à l’ensemble des laboratoires
ayant participé aux essais.
2 2
Mais les organismes d’essais d’aptitudes sont aussi capables de produire des valeurs de u r et u R
2
(voire u R ' ) spécifiquement corrigées pour les différents participants.
En effet, suite à une série d’essais interlaboratoires, il est possible de dire pour chaque participant s’il
présente une performance analytique meilleure que l’ensemble des autres laboratoires, pouvant ainsi se
prévaloir d’une incertitude de mesure plus faible.
2 2
Ces valeurs personnalisées sont à reporter dans le Tableau 1 : case 3 pour u r , case 8 pour u R , et
2
case 6 pour un éventuel u R ' .
6.3.1 Conditions à respecter pour pouvoir se saisir de données fournies par un organisateur
d’essais interlaboratoires
En premier lieu, le laboratoire doit s’assurer de la qualité des données fournies. En d’autres termes, il
doit vérifier que l’organisme considéré dispose des compétences requises en statistiques et en
microbiologie de l’eau et de l’environnement. Le laboratoire doit pouvoir produire les preuves de cette
compétence.
Il est entendu qu’un certificat d’accréditation accompagné d’une portée intégrant le paramètre
considéré sur la matrice considérée est une preuve nécessaire.
Enfin, le laboratoire doit ne pas avoir présenté d’anomalie dans ses performances analytiques ; ceci en
terme d’erreur systématique (composante « laboratoire » du biais), mais aussi en termes d’erreur
aléatoire (répétabilité, voire reproductibilité intralaboratoire).
Si c’est le cas, les anomalies doivent rester ponctuelles et avoir fait l’objet d’une action corrective
efficace soldée.
2 2 2
Les valeurs de u r , u R , voire u R ' doivent être fournies par l’organisateur d’essais
interlaboratoires avec un minimum d’informations sur les conditions dans lesquelles chaque essai a été
réalisé :
- date ;
- nombre de participants ;
- nature et composition du matériau mis en œuvre (mesurande et flore interférente si elle a
été caractérisée) ;
- niveaux de charge (du mesurande et de la flore interférente si elle a été caractérisée) ;
- commentaires issus du traitement statistique, comme par exemple l’observation d’écarts
entre milieux de culture.
Il faut éviter de conserver les données établies sur des essais présentant un trop petit nombre de
participants. En pratique, 30 laboratoires paraît être un minimum ; néanmoins, les essais regroupant
moins de 30 participants peuvent être conservés s’ils restent largement minoritaires, et à condition que
le nombre de participants ne descende tout de même pas en dessous de 20.
2 2 2
Il convient tout d’abord de représenter les diverses valeurs de u r , u R , voire u R ' sous forme
2
graphique : en abscisse, le niveaux de charge du mesurande ; en ordonnée u . Ceci permet de visualiser
les données et d’identifier les éventuelles singularités.
Mais aucune donnée ne doit être éliminée sans raison valable. Outre les conditions posées pour les
besoins de la présente norme, sur la nature des matériaux (voir paragraphe 5.4.3) d’une part, sur le
nombre de participants aux essais (voir ci-dessus) d’autre part, seule une réserve de l’organisme
d’essais interlaboratoires sur la fiabilité de la donnée est une raison recevable.
2
Reporter la moyenne arithmétique des u r dans la case 4 du Tableau 1, la moyenne arithmétique des
2 2
u R dans la case 9, et la moyenne arithmétique des u R ' (si accessible) dans la case 7.
NOTE 18 Les organismes d’essais interlaboratoires sont les mieux placés pour réaliser cette synthèse. En
effet, ils détiennent toutes les informations nécessaires et sont plus à même que tout autre d’apprécier la portée
des valeurs découlant de cette approche ; en particulier eu égard au point d) de la procédure spécifiée dans le
document ISO/TS 21748:2004, portant sur les facteurs non pris en compte de manière adéquate.
A suivre
Les limites de qualité, valeurs guides et valeurs limites impératives citées dans le tableau ci-dessous
proviennent du décret n°2003-461 du 21 mai 2003 relatif à certaines dispositions réglementaires du
code de la santé publique.
A compléter
Option considérée : essai standard appliqué sur 100 ml dans le cadre du contrôle sanitaire des eaux de
distribution, ou sur 250 ml dans le cadre du contrôle sanitaire des eaux embouteillées.
Incubation
Comptage des colonies typiques (coloration jaune)
Repiquage pour 2 essais de confirmation : toutes
les colonies typiques ou au moins 10
Liste à établir
2 1
CV Poisson = où λ est la charge microbienne (par 100 ml ou par 250 ml selon le cas
λ
considéré).
origine de l’estimation
contrôle externe (essais d’aptitude)
contrôle interne du information
laboratoire information générale
spécifique au
sur la profession
laboratoire
2 2 1
CV Poisson CV Poisson = où λ est la charge microbienne
λ
2 2 2 3 4
ur = u A
2 2 2 5 6 7
u R' = u A + u B
2 2 2 2 8 9
uR = u A + uB + uC
Dans les archives du laboratoire, 13 groupes de contrôle étaient disponibles pour le paramètre
Escherichia coli. Chaque groupe a été réalisé sur un matériau de référence différent (MR 1 à 13). Des
mesures répétées (en nombre variable) ont été réalisées au sein de chaque série analytique (Série 1 à
…).
Les résultats de 3 groupes de contrôle ont été isolés pour illustrer les calculs.
On détermine ainsi pour chaque série analytique la significativité de l’écart de la dispersion observée à
la dispersion prévue par la loi de Poisson. Dans ce cas, la première série de donnée présente une
dispersion significativement inférieure à celle attendue d’après la loi de Poisson. Comme indiqué dans
le paragraphe 6.2.2.2, le laboratoire doit corriger une anomalie. Cette situation étant ponctuelle (un
seul écart significatif sur 20 séries), la première série peut être simplement écartée même en l’absence
de justification technique.
2
Pour chaque série (de 2 à 20), l’indice de dispersion ( ki ) et le facteur de surdispersion ( u ri ) sont
calculés.
q
La statistique T1 est ensuite calculée selon T1 = ∑T
i =1
1i .
T1 présente une dispersion très significativement supérieure à celle attendue d’après la loi de Poisson.
L’indice de dispersion est alors:
T1 228 , 541
k1 = = = 1, 718
q ⋅ ( p − 1) 19 .( 8 − 1)
Le facteur de surdispersion est :
2 q⋅p 19 . 8
ur = ⋅ ( k 1 − 1) = .( 1, 718 − 1) = 0 , 016
x .. 6627
T2 présente une dispersion très significativement supérieure à celle attendue d’après la loi de Poisson.
analytiques retenues, la dispersion est non significativement différente de celle attendue d’après la loi
de Poisson.
En procédant selon le paragraphe 6.2.2 (même calculs que pour le 1er groupe de contrôle), on obtient
les indices de dispersion, les facteurs de surdispersion et les statistiques T1 et T 2 en considérant les
23 séries analytiques.
T1 k1 ur
2
T2 k2 u R'
2
Pour la série 49, le niveau de charge bactérienne par prise d’essai est plutôt faible (le paragraphe 6.2.1
précise qu’il faut éviter de descendre à 15-20 micro-organismes en moyenne) et
surtout T1 i < χ 5 ; 0 , 005 .
2
T1 k1 ur
2
T2 k2 u R'
2
Exploitation des groupes de contrôle obtenus sur des matériaux de référence différents
Les facteurs de dispersion pour les 13 groupes de contrôle du paramètre Escherichia coli obtenus sont
présentés ci-dessous (3 premiers groupes calculés précédemment) :
MR m u r2 uR'2
1 43,599 0,016 0,019
2 53,165 0,001 0,025
3 15,794 0,022 0,041
4 43,828 0,001 0,022
5 52,878 0,016 0,021
6 22,767 0,014 0,031
7 11,683 0,018 0,025
8 35,301 0,014 0,052
9 24,411 0,008 0,041
10 65,834 0,014 0,040
11 17,080 0,019 0,035
12 53,303 0,014 0,043
13 35,772 0,009 0,031
x ..
Les valeurs du niveau de charge ( m =
2 2
) sont placées en abscisse et u r et u R ' en
q⋅p
ordonnée.
0,050
ur2
0,030
uR'2
0,020
0,010
0,000
0 20 40 60 80
Niveau de charge du matériau (m)
2 2
Les différentes valeurs de u r d’un côté et u R ' de l’autre forment des nuages de points sans points
2
isolés, on peut moyenner séparément les différentes valeurs de u r et les différentes valeurs de
2 2 2
u R ' . De plus, le nuage de points relatif à u R ' est plus haut que le nuage de u r .
On obtient :
2
u r =0,013
2
u R ' =0,033
origine de l’estimation
contrôle externe (essais d’aptitude)
contrôle interne du information
laboratoire information générale
spécifique au
sur la profession
laboratoire
2 1
= λ est la charge microbienne
2
CV Poisson CV Poisson où
λ
2 2 3 4
ur = u A 0,013
2 2 2 6 7
u R' = u A + u B 0,033
2 2 2 2 8 9
uR = u A + uB + uC
Le laboratoire participe aux essais d’aptitude organisés par l’Association Générale des Laboratoires
d’Analyses de l’Environnement (A.G.L.A.E.) depuis 5 années, au rythme de 4 essais par an. Il s’est
adressé à cet organisme pour avoir des estimations du facteur de surdispersion dans des conditions de
répétabilité et dans des conditions de reproductibilité (l’information n’étant pas disponible dans des
conditions de reproductibilité intralaboratoire).
2
Un dossier complet a été retourné par l’organisme - dossier à insérer ; compléter avec u r - . Il est
2
établi que selon l’état physiologique des germes présents, u R varie :
origine de l’estimation
contrôle externe (essais d’aptitude)
contrôle interne du information
laboratoire information générale
spécifique au
sur la profession
laboratoire
2 1
= λ est la charge microbienne
2
CV Poisson CV Poisson où
λ
2 2 3
ur = u A 0,013 à compléter
2 2 2 6 7
u R' = u A + u B 0,033
2 2 2 2 8
uR = u A + uB + uC 0,344
Pour information, mais doit être rédigé : passage aux limites de détections
u r = 0 ,113
u R ' = 0 ,181
Les valeurs réglementaires du paramètre Escherichia coli en utilisant cette méthode sont des seuils
d’absence :
- 0 / 100ml pour les eaux de distribution et eaux de piscine,
- 0 / 250ml pour les eaux vendues en bouteille.
L’incertitude de mesure autour du seuil d’absence va être intéressante, il vaut mieux l’exprimer sous
forme d’une limite de détection.
Dans l’exemple traité, la dispersion n’est donc pas réduite à la loi de Poisson.
En conditions de répétabilité intralaboratoire et avec une probabilité de 95% (p0 = 0,05), on obtient :
0 , 05 − 0 , 013 − 1
LD = = 3 , 054
0 , 013
0 , 05 − 0 , 033 − 1
LD = = 3 ,148
0 , 033
L’incertitude au niveau intralaboratoire doit être exprimée par la limite de détection 3,054 E. coli par
100 ml en moyenne en conditions de répétabilité, ou LD = 3,148 E. coli par 100 ml en moyenne en
conditions de reproductibilité.
Elle signifie que seules les charges bactériennes supérieures à 3,054 par 100 ml en moyenne (ou 3,148
selon l’usage) peuvent raisonnablement être considérées comme détectées à coup sûr. Inversement,
Attention : ne pas repiquer toutes les colonies typiques pour confirmation conduit à des valeurs de LD
plus élevées.
Remarque : l’incertitude de mesure obtenue est proche de celle attendue avec la dispersion de Poisson
uniquement.
ddl p=0,005 p=0,025 p=0,975 p=0,995 ddl p=0,005 p=0,025 p=0,975 p=0,995
1 0,00004 0,00098 5,02389 7,87944 51 28,73471 33,16179 72,61599 80,74666
2 0,01003 0,05064 7,37776 10,59663 52 29,48116 33,96813 73,80986 82,00083
3 0,07172 0,21580 9,34840 12,83816 53 30,23003 34,77633 75,00186 83,25255
4 0,20699 0,48442 11,14329 14,86026 54 30,98125 35,58634 76,19205 84,50190
5 0,41174 0,83121 12,83250 16,74960 55 31,73476 36,39811 77,38047 85,74895
6 0,67573 1,23734 14,44938 18,54758 56 32,49049 37,21159 78,56716 86,99376
7 0,98926 1,68987 16,01276 20,27774 57 33,24838 38,02674 79,75219 88,23638
8 1,34441 2,17973 17,53455 21,95495 58 34,00838 38,84351 80,93559 89,47687
9 1,73493 2,70039 19,02277 23,58935 59 34,77043 39,66186 82,11741 90,71529
10 2,15586 3,24697 20,48318 25,18818 60 35,53449 40,48175 83,29768 91,95170
11 2,60322 3,81575 21,92005 26,75685 61 36,30050 41,30314 84,47644 93,18614
12 3,07382 4,40379 23,33666 28,29952 62 37,06842 42,12599 85,65373 94,41865
13 3,56503 5,00875 24,73560 29,81947 63 37,83819 42,95028 86,82959 95,64930
14 4,07467 5,62873 26,11895 31,31935 64 38,60978 43,77595 88,00405 96,87811
15 4,60092 6,26214 27,48839 32,80132 65 39,38314 44,60299 89,17715 98,10514
16 5,14221 6,90766 28,84535 34,26719 66 40,15824 45,43136 90,34890 99,33043
17 5,69722 7,56419 30,19101 35,71847 67 40,93502 46,26103 91,51936 100,55401
18 6,26480 8,23075 31,52638 37,15645 68 41,71347 47,09198 92,68854 101,77592
19 6,84397 8,90652 32,85233 38,58226 69 42,49353 47,92416 93,85647 102,99621
20 7,43384 9,59078 34,16961 39,99685 70 43,27518 48,75757 95,02318 104,21490
21 8,03365 10,28290 35,47888 41,40106 71 44,05838 49,59216 96,18870 105,43203
22 8,64272 10,98232 36,78071 42,79565 72 44,84310 50,42792 97,35305 106,64763
23 9,26042 11,68855 38,07563 44,18128 73 45,62930 51,26481 98,51626 107,86174
24 9,88623 12,40115 39,36408 45,55851 74 46,41696 52,10283 99,67835 109,07438
25 10,51965 13,11972 40,64647 46,92789 75 47,20605 52,94194 100,83934 110,28558
26 11,16024 13,84391 41,92317 48,28988 76 47,99653 53,78212 101,99925 111,49538
27 11,80759 14,57338 43,19451 49,64492 77 48,78839 54,62336 103,15811 112,70380
28 12,46134 15,30786 44,46079 50,99338 78 49,58159 55,46563 104,31594 113,91087
29 13,12115 16,04707 45,72229 52,33562 79 50,37612 56,30890 105,47275 115,11661
30 13,78672 16,79077 46,97924 53,67196 80 51,17193 57,15317 106,62857 116,32106
31 14,45777 17,53874 48,23189 55,00270 81 51,96902 57,99842 107,78341 117,52422
32 15,13403 18,29076 49,48044 56,32811 82 52,76735 58,84462 108,93729 118,72613
33 15,81527 19,04666 50,72508 57,64845 83 53,56691 59,69175 110,09024 119,92682
34 16,50127 19,80625 51,96600 58,96393 84 54,36767 60,53981 111,24226 121,12629
35 17,19182 20,56938 53,20335 60,27477 85 55,16960 61,38878 112,39337 122,32458
36 17,88673 21,33588 54,43729 61,58118 86 55,97270 62,23863 113,54360 123,52170
37 18,58581 22,10563 55,66797 62,88334 87 56,77694 63,08935 114,69295 124,71768
38 19,28891 22,87848 56,89552 64,18141 88 57,58230 63,94094 115,84144 125,91254
39 19,99587 23,65432 58,12006 65,47557 89 58,38876 64,79336 116,98908 127,10628
40 20,70654 24,43304 59,34171 66,76596 90 59,19630 65,64662 118,13589 128,29894
41 21,42078 25,21452 60,56057 68,05273 91 60,00491 66,50069 119,28189 129,49053
42 22,13846 25,99866 61,77676 69,33600 92 60,81457 67,35556 120,42708 130,68107
43 22,85947 26,78537 62,99036 70,61590 93 61,62525 68,21123 121,57148 131,87058
44 23,58369 27,57457 64,20146 71,89255 94 62,43695 69,06767 122,71511 133,05906
45 24,31101 28,36615 65,41016 73,16606 95 63,24965 69,92487 123,85797 134,24655
46 25,04133 29,16005 66,61653 74,43654 96 64,06333 70,78282 125,00007 135,43305
47 25,77456 29,95620 67,82065 75,70407 97 64,87797 71,64152 126,14144 136,61858
48 26,51059 30,75451 69,02259 76,96877 98 65,69357 72,50094 127,28207 137,80315
49 27,24935 31,55492 70,22241 78,23071 99 66,51011 73,36108 128,42199 138,98678
50 27,99075 32,35736 71,42020 79,48998 100 67,32756 74,22193 129,56120 140,16949
[1] DE MAN, J.C. The Probability of Most Probable Numbers. Eur. J. Appl. Microbiol., 1, 67-
78, 1975.
[2] DE MAN, J.C. MPN Tables, Corrected. Eur. J. Appl. Microbiol., 17, 301-305, 1983.
[3] LIGHTFOOT, N.F. and MAIER, E.A. (eds.). Microbiological analysis of food and water.
Guidelines for quality assurance. Elsevier, Amsterdam, 1998, 266 p.
[4] LIGHTFOOT N.F., TILLET, H.E., BOYD, P. and EATON, S. Duplicate split samples for
internal quality control in routine water microbiology. Lett. Appl. Microbiol. 19, 321-324,
1994.
[5] ISO/WD TS 20192-1, Qualité de l'eau - Contrôle analytique de la qualité en microbiologie
- Partie 1: Contrôle de la qualité des milieux de culture.
[6] TILLET, H.E. and LIGHTFOOT, N.F. Quality control in environmental microbiology
compared with chemistry; what is homogeneous and what is random? Wat. Sci. Tech., 31,
471-477, 1995.
[7] NIEMELÄ, S.I. Uncertainty of quantitative determinations derived by cultivation of
microorganisms. Metrologia, Mikes Publication J4/2003, Helsinki, 2003.
[8] McCULLAGH, P. and NELDER, J.A., Generalized Linear Models. London, Chapman and
Hall, 1983, (second edition) 1989.
[9] KEEN, A., ENGEL, B., A simple approach for the analysis of generalized linear mixed
models, report LWA-92-6, Agricultural Mathematics Group (AMG-DLO), Wageningen,
February, 1992, submitted for publication in Statistica Neerlandica.
[10] JOHNSON, N.L., KOTZ, S., Distributions in statistics, discrete distributions, New York,
John Wiley & Sons, 1969.
[11] COCHRAN, W.G., Some methods of strengthening the common X2-tests. Biometrics, 10,
417-451, 1954.