REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Service d’Epidémiologie et de Médecine préventive de Bab El Oued
Module Epidémiologie et Médecine Préventive

Statistique inférentielle,
tests d’hypothèses
Comparaison de deux pourcentages
Comparaison de deux moyennes

Pr ZANOUN .N
2023-2024
 Objectifs du cours
• Comprendre le principe des tests statistiques
• Connaitre les étapes de réalisation d’un test
• Savoir formuler les hypothèses à tester
• Savoir choisir un test statistique
• Savoir interpréter le résultat du test
• Savoir faire une comparaison de pourcentages
• Savoir faire une comparaison de moyennes
Méthode du test de l’hypothèse nulle

Une des applications les plus fréquentes de la

statistique est de tester la liaison ou la
relation entre deux variables.

Cependant, il n’est pas difficile d’imaginer

qu’une liaison entre deux variables puisse être
due au seul hasard.
Exemple1 :
A partir d’un groupe de 100 malades, on a constitué :
Groupe de 54 malades traités par traitement A
et
Groupe de 46 malades traités par Traitement B

les résultats sont consignés au tableau 1.

Tableau 1 : données hypothétiques relatives à la
comparaison de deux traitements A et B chez 100
malades.

Malades traités Succès

effectif %
Traitement A 54 43 79,6
46 31 67,4
Traitement B
• Si l’on se tient aux seules données du tableau,
on pourrait conclure que le traitement A est
plus efficace que le traitement B puisque la
fréquence relative de succès avec A (79,6%).

• Mais cette différence pourrait être expliquée par

le seul hasard.
Il s’agit donc de savoir si les sujets soumis au
traitement A sont caractérisés par la même
fréquence relative de succès (ou d’échec) que
les sujets soumis au traitement B. ou encore, en
d’autres termes,

il existe une relation entre les deux variables :

•Le traitement : modalités : A et B
•Le résultat : modalités : succès et échec
• La méthode du test d’hypothèse va permettre de
quantifier le rôle du hasard dans l’observation de
cette différence.

• La formulation de l’hypothèse nulle est la

première étape du test d’hypothèse.

• L’hypothèse nulle notée H0 est une hypothèse

d’absence de différence ; elle est susceptible
d’être vérifiée statistiquement. De manière
générale c’est une hypothèse d’indépendance ou
d’absence de relation entre deux variables dont
on cherche à tester la liaison.
Méthode du test d’hypothèse
Étapes:
1.-Formulation de l’hypothèse nulle, notée Ho qui
est une hypothèse d’absence de différence.

• Dans notre exemple, H0 pourrait s’énoncer :

• Le traitement et le résultat produit sont
indépendants ;
• Il n’existe pas de relation entre le traitement et le
résultat produit ;
• L’utilité du traitement A n’est pas différente de
celle du traitement B ;
• Il n’existe pas de différence entre les deux
traitements.
• Sous forme abrégée, si pA et PB désignent les
fréquences relatives de succès observées pour
les deux traitements, on peut écrire H0 sous la
forme :

H0 : pA = pB
 Ho: P A = P B
Soit gardée Soit rejetée

Test statistique
• Le test statistique donne la probabilité p que le
hasard puisse expliquer les résultats.

• Si la probabilité p est inferieure ou égale à un

certain seuil de signification, on rejette H0 et on
dit que la différence est significative.

• Si la probabilité p est supérieure au seuil de

signification, on ne rejette pas H0 et on dit que la
différence n’est pas significative.
• Le seuil est habituellement fixé à 5%.

• Il s’agit d’une convention très largement

adoptée.

• Un seuil de 5% réduit à une proportion

acceptable le rôle du hasard puisque celui-ci
ne va intervenir que dans 5 cas sur 100 pour
expliquer la différence observée.
• Quel que soit le test utilisé, la méthode du test
d’hypothèse comporte les étapes suivantes :

1. Formulation de H0
2. Choix du test statistique
3. Choix du seuil de signification, il est
implicitement égale à 5% si rien n’est spécifié
4. Conditions d’application du test statistique
5. Exécution du test statistique
6. Décision au seuil choisi et sens de la liaison
• La décision consiste donc à rejeter ou à retenir
H0 et dépend seulement du seuil de signification
choisi.

• Le sens de la liaison, en cas de rejet de H0 est

indiqué par la lecture du tableau.

• Dans notre exemple, le sens de la liaison consiste

à déclarer, en cas de rejet de H0, le traitement A
est plus efficace que le traitement B.
• La méthode du test d’hypothèse comporte les
étapes suivantes :

1. Formulation de H0
2. Choix du test statistique
3. Choix du seuil de signification, il est
implicitement égale à 5% si rien n’est spécifié
4. Conditions d’application du test statistique
5. Exécution du test statistique
6. Décision au seuil choisi et sens de la liaison
• La décision consiste
à rejeter
ou à retenir H0
et dépend seulement du seuil de signification
choisi.

• Le sens de la liaison, en cas de rejet de H0

• est indiqué par la lecture du tableau.

Comparaison de deux
pourcentage
 Nature des variables
Une des statistiques descriptives utilisées pour
décrire une variable qualitative est le pourcentage
(fréquence relative) de ces modalités.
 Variable qualitative dichotomique (binaire) : 2
modalités
• sexe : masculin / féminin
• tabac : oui / non
• décès : oui/non
 Variable qualitative polytomique : > 2 modalités
• couleur des yeux : bleu, vert, brun…
• groupe sanguin : A, B, AB, O
 Nature des variables

• Comparer 2 pourcentages revient à tester la

liaison entre : 1 variable qualitative binaire et
une variable qualitative binaire.

Exemple : traitement (oui/non)

décès J30 (oui/non)
Pdécès J30 (traité) = Pdécès J30 (non-traité) ?
 Nature des variables
• Comparer plusieurs pourcentages revient à tester la liaison
entre :
 Une variable qualitative binaire
 Une variable qualitative polytomique

Exemple :
• Fumeur (oui/non)
• CSP(ouvrier/agriculteur/artisan/cadre/employé…)
Pfumeur (ouvrier) = Pfumeur (agriculteur) = Pfumeur (artisan) =
…?
Comparaison de 2 pourcentages observés
sur 2 échantillons indépendants
 Principe .
-On a observé un % Pa sur un échantillon Na et
un % Pb sur un échantillon Nb.

On veut savoir s’il y a une différence entre

les deux pourcentages.

Deux méthodes : - test de Khi-deux

- test de l’écart réduit
Test du Khi Deux (X²)
 Test du Khi Deux (X²)
• Principe :
• Le X² teste la liaison entre deux variables
qualitatives.

• Il est ainsi adapté au problème de la

comparaison de deux traitements exposé dans
l’exemple 1.
• De façon générale le test X² s’applique à tous les
tableaux de contingence quel que soit le nombre
de modalités des deux variables qualitatives.
• Le principe du test X² consiste à calculer pour chacune
des cases du tableau de contingence l’écart
quadratique :
(O-C)²/C et à en faire la somme :

X²= ∑ (O-C)²/C

• O est l’effectif observé de la case,

• C est l’effectif calculé (appelé aussi effectif théorique)
correspondant à la case et qui devrait être observé si H0
était vraie.
A coté du calcul du X², il faut déterminer le nombre de
degrés de liberté (dl).

Celui-ci dans un tableau de contingence à

L ligne ( l modalité pour une variable)
et c colonnes (c modalités pour l’autre variable), est
tout simplement :
Calcul du degré de liberté (dl)

dl = (l –1) (c -1)
l: nombre de lignes.
c: nombre de colonnes
• Remarque

• Dans un tableau 2x2, c'est-à-dire à 4 cases

(chacune des deux variables n’a que deux
modalités), le nombre de degrés de liberté
(ddl) est toujours égale à 1 :
• dl = (2-1) (2-1)=1
• Conditions d’application :

Pour exécuter le test du X², les effectifs calculés

dans chaque case doivent être au moins égaux
ou supérieurs à 5.

question qui se pose ?

Comment calculer les effectifs théoriques?

On multiplie le total ligne par le total
correspondant à la case, le résultat est divisé
par le total général.

Total ligne x Total colonne

c= --------------------------------------
Total général
• Tableau de contingence
.

E+ E- Total
M+ a B M1
M- c d m2
Total n1 n2 N

Les deux pourcentages observés sont : Pa = a/n1 et Pb = b/n2

a, b, c et d : effectifs observés
On va calculer les effectifs calculés (théoriques )
L’effectif théorique de la 1ère case (a: effectif observé) : n1*m1/N
L’effectif théorique de la 2ème case (b : effectif observé) : n2*m1/N
L’effectif théorique de la 3ème case (c : effectif observé) : n1*m2/N
L’effectif théorique de la 4ème case (d : effectif observé) : n2*m2/N
• faire le calcul :

X²= ∑ (O-C)²/C
 Règle générale
• Si : X2 calculé ≥X2 de la table, pour un dl
donné, et un risque d’erreur égale à 5%, la
différence est significative Ho est rejetée.

• •Si : X2 calculé <X2 de la table, pour un ddl

donné, et un risque d’erreur égale à 5%, la
différence n’est pas significative Ho est
acceptée.
Exemple :
• Reprenons les données du tableau 1 relatives à la
comparaison de deux traitements A et B.

• Disposons les données comme dans le tableau 1 ou

les effectifs observés dans chacune des 4 cases sont
facilement déduits par différence.

• L’effectif calculé correspondant à chaque effectif

observé est entre parenthèses.
Tableau 1 : données hypothétiques relatives à la
comparaison de deux traitements A et B chez 100
malades.
Malades traités Succès
effectif %
Traitement A 54 43 79,6

46 31 67,4
Traitement B
• Quel que soit le test utilisé, la méthode du test
d’hypothèse comporte les étapes suivantes :

1. Formulation de H0
2. Choix du test statistique
3. Choix du seuil de signification, il est
implicitement égale à 5% si rien n’est spécifié
4. Conditions d’application du test statistique
5. Exécution du test statistique
6. Décision au seuil choisi et sens de la liaison
Relation ou non

1. H0 : Il n’existe pas de relation entre le traitement

et le résultat produit.
2. Choix du test :
Deux variables qualitatives :
•Le traitement : modalités : A et B
•Le résultat : modalités : succès et échec
Test X²

3.Choix du seuil de signification: 5%

 tableau de contingence

A partir des données de l’énoncé,

reconstituer le tableau de contingence

à 2 lignes et 2 colonnes
4. Conditions d’application du test
Tableau de contingence
Résultat total
Succès échec
Traitement A 43 11 54
31 15 46
Traitement B
total 74 26 100
• Test de khi deux
.

E+ E- Total
M+ a B M1
M- c d m2
Total n1 n2 N

Les deux pourcentages observés sont : Pa = a/n1 et Pb = b/n2

a, b, c et d : effectifs observés
On va calculer les effectifs calculés (théoriques ou attendus)
L’effectif théorique de la 1ère case (a: effectif observé) : n1*m1/N
L’effectif théorique de la 2ème case (b : effectif observé) : n2*m1/N
L’effectif théorique de la 3ème case (c : effectif observé) : n1*m2/N
L’effectif théorique de la 4ème case (d : effectif observé) : n2*m2/N
 Tableau de contingence :
calcul des effectifs théoriques
succès échec Total
Traitement A 43 (40) 11 (14) 54

31 (34) 15 (12) 46
Traitement B
total 74 26 100

On remarque que tous les effectifs théoriques

sont supérieurs à 5.
• Illustrons la façon dont l’effectif correspondant à
l’effectif observé 43 a été calculé. Il s’agit donc de
l’effectif des sujets qui ont reçu le traitement A et qui
sont des succès.
• Selon H0, les groupes A et B ont la même
distribution en matière de résultats obtenu. Le
nombre de succès grâce au traitement A devrait
être : (74/100) x54=40,0
• En pratique, pour éviter cette règle de trois et
effectuer machinalement les calculs, on multiplie le
total ligne par le total correspondant à la case, le
résultat est divisé par le total général.
• On remarque que tous les effectifs théoriques sont
supérieurs à 5.
 5. Exécution du test :
X²= ∑ (O-C)²/C

• O est l’effectif observé de la case,

• C est l’effectif calculé
 succès échec Total
Traitement A 43 (40) 11 (14) 54
31 (34) 15 (12) 46
Traitement B
total 74 26 100

X²= X²= ∑ (O-C)²/C = (43-40)²/40 + (31- 34)²/34+ (11- 14)²/14+ (15-

12)²/12= 1,93

• Le dl étant égal à 1, la table de khi-deux montre que le X2 de la table

= 3,84

6. Décision au seuil choisi et sens de la liaison

X²c =1,93 < X² table (3,84) , la différence entre les pourcentages de

succès des deux traitements n’est pas donc significative
contrairement à ce que laissait supposer un examen superficiel des
résultats et Ho est acceptée.
Test de l’écart réduit : z
• Test de l’écart réduit : z
.

- La comparaison de deux pourcentages P1 et P2 observés

sur N1 et N2 cas respectivement, est basée sur l’écart
réduit :
p1 p2
z 
p 0 .(1  p 0 ) p 0 .(1  p 0 )

n1 n2 n1 .p1  n2 .p2
p0 
n1  n2
Où P0 et (1-P0) désignent les proportions évaluées sur
l’ensemble des deux échantillons.
.
 .

- Si |z | <1.96, la différence n’est pas

significative à 5 %.

- Si |z | ≥1.96, la différence est significative, et

le risque correspondant à z, lu dans la table de
l’écart réduit, fixe le degré de signification.
Tableau 1 : données hypothétiques relatives à la
comparaison de deux traitements A et B chez 100
malades.
Malades traités Succès
effectif %
Traitement A 54 43 79,6

46 31 67,4
Traitement B
Méthode du test d’hypothèse
Étapes:
1.-Formulation de l’hypothèse nulle, notée Ho
qui est une hypothèse d’absence de différence.

• Dans notre exemple, H0 pourrait s’énoncer :

• Le traitement et le résultat produit sont
indépendants ;
• Il n’existe pas de relation entre le traitement et
le résultat produit ;
• Il n’existe pas de différence entre les deux
traitements.
Comparer 2 pourcentages sur 2 échantillons
indépendants revient à tester la liaison entre :

• une variable qualitative binaire

(traitement : A / B)
Et
• Une variable qualitative binaire
(résultat : succès / échec)
• Test de l’écart réduit : z
.

- La comparaison de deux pourcentages P1 et P2 observés

sur N1 et N2 cas respectivement, est basée sur l’écart
réduit :
p1 p2
z 
p 0 .(1  p 0 ) p 0 .(1  p 0 )

n1 n2 n1.p1  n 2 .p 2
p0 
n1  n 2
Où P0 et Q (1-P0) désignent les proportions évaluées sur
l’ensemble des deux échantillons.
 Résultat total

Traitement A p Succès
43
échec
11 54
31 15 46
Traitement B
total 74 26 100

• P1 = 79,6 n1 = 54
n1 .p1  n2 .p2
• P2= 67,4 n2= 46 p0 
n1  n2
• P0= (54*79.6 + 46*67.4) / (54+46) = 4298.4+3100.4 /100
= 73.98

• P0= 73.98
 p1 p2
z 
p 0 .(1  p 0 ) p 0 .(1  p 0 )

n1 n2

(79.6-67.4) 12.2
Z = ------------------------------------------------------=--------- =
73.98(1-73.98)/54 + 73.98(1-73.98)/46 RC 217.35=14.74

Z= 0.82
z = 0,82 < z0,05 = 1,96 : la différence entre les pourcentages de
succès des deux traitements n’est pas donc significative
contrairement à ce que laissait supposer un examen superficiel
des résultats et Ho est acceptée.

(Même conclusion que le test précédent)

Comparaison de deux moyennes
I. Types de comparaison de deux moyennes

1. Comparaison d’une moyenne observée à une moyenne théorique

• Test Z de l’écart réduit
• Test t de Student

2. Comparaison de 2 moyennes observées sur deux échantillons indépendants

• Test Z de l’écart réduit
• Test t de Student

3. Comparaison de 2 moyennes observées sur deux échantillons appariés

• Test Z de l’écart réduit
• Test t de Student

4.Test U de Mann et Whitney pour échantillon indépendant

5. Test T de Wilcoxon pour séries appariées

 III. Comparaison de 2 moyennes observées sur 2
échantillons indépendants
En pratiques deux cas de figure :

1. Les effectifs des deux échantillons sont grands (supérieurs à

30) :

Test z de l’écart réduit.

2. Un des effectifs ou les deux sont petits. En plus de l’égalité des

variances, la loi de distribution du paramètre doit suivre une loi normale. Il
est nécessaire de calculer la variance commune:

Test t de student.
Les étapes de réalisation du test de l’hypothèse
1. Formulation des hypothèses:
H0 : µ = µH0
H1 : µ  µH0
2.Donner le risque α = 0.05 (5%)
3. Vérifier les conditions d’application du test
4. Choix du test :
 Test Z de l’écart réduit (n1 ≥ 30 et n2 ≥ 30 )
 Test t de Student (hypothèse de normalité, variances
comparables )

5. Application du test:

6. Déterminer la valeur p de signification de la différence

et conclure – On utilise la table Z ou t
Comparaison de deux moyennes observées sur des
échantillons indépendants.

Cas de grands échantillons :

N1 ≥ 30 et N2 ≥ 30

Test Z de l’écart réduit

 1. Test Z de l’écart réduit-principe
Le test de Z : comparer des paramètres en testant leurs différences
1. Formulation des hypothèses :
L’hypothèse de départ (hypothèse nulle H0) est celle de l’égalité
entre les moyennes observées des deux groupes.
En d’autres termes, on pose comme hypothèse de départ que
la moyenne du groupe A est égale à celle du groupe B ou, plus
exactement :
Que les groupes A et B sont deux échantillons qui proviennent
d’une même population parente et donc doivent avoir une moyenne
approximativement égale à celle de cette population mère dont ils
sont issus ;
Que la différence observée entre les deux groupes peut avoir été
produite par le simple fait de tirer aléatoirement ces deux
échantillons.
 1. Test Z de l’écart réduit-principe

• Hypothèse nulle :
– H0 : m1 = m2

• Hypothèses alternatives
- H1 : m1 ≠ m2

– Test bilatéral µa  µb
– Test unilatéral µa > µb ou µa < µb
2.Donner le risque α = 0.05 (5%)
3. Vérifier les conditions d’application du test: N1 ≥ 30 et N2 ≥ 30

4. Choix du test : Test de l’écart réduit

Suit approximativement une loi centrée réduite.

 Détermination de la valeur de Z α
correspondant à un risque α = 0.05 (5%)
Table de l’écart réduit :
La table donne la probabilité α pour que l'écart/réduit dépasse en valeur absolue une
valeur donnée ε, c'est/à dire la probabilité extérieure à l'intervalle [/ ε, +ε]. La
probabilité α s'obtient par addition des nombres inscrits en marge,
 Test Z (Ɛ ) ou de l’écart réduit
Interprétation du test Z – On utilise la table Z
Au risque α = 5% :

• Si la valeur observée zo < 1,96→ on ne rejette pas H0

→ On ne peut pas affirmer que les échantillons proviennent de
populations différentes
→ la différence entre les paramètres n’est pas significative.

• Si la valeur observée zo ≥ 1,96→ on rejette H0

→ On accepte H1 en affirmant que les échantillons
proviennent de populations différentes
→ On affirme que la différence entre les paramètres est
significative
Exemple
Exemple

On veut comparer le périmètre crânien moyen d’un échantillon

de 82 nouveau-nés prématurés (nés avant terme, mais de
développement normal) m1 = 30,06 variance s21=2,04 ; à
celui d’un échantillon de 87 nouveau-nés dysmatures (de
développement intra-utérin retardé par rapport au terme),
m2 = 30,72 variance s22 = 1,96.
1. Formulation des hypothèses
H0 : Les périmètres crâniens moyens des populations dont sont
tirés les deux échantillons de nouveau-nés sont identiques :
m1= m2

H1 : Le périmètre crânien moyen de la population des nouveau-

nés prématurés est différent de celui de la population des
nouveau-nés dysmatures. m1≠m2
2.Donner le risque α = 0.05 (5%)
3. Vérifier les conditions d’application du test: N1 ≥ 30 et
N2 ≥ 30

4. choix du test : Test de l’écart réduit

• Calcul
Z= (30.06-30.76) = 2,14
(2.04/82)+(1.96/87)

=2.14

qui doit être comparer à la valeur lue dans la

table de la loi normale
La valeur lue dans la table de la loi normale
On trouve : z0,05 = 1,96 < 2,14
la valeur observée Zobsevé = 2.14 sup à 1,96

Conclusion :

On rejette H0, la différence m1 – m2 est dite significative

car en examinant la table, on constate que le degré de
signification p est de l’ordre de 3 %.
Comparaison de deux moyennes observées sur des
échantillons indépendants.

Cas de petits échantillons :

N1 < 30 ou N2 < 30
- test T de Student
Lorsqu’ au moins un des échantillons est petit : n1 ou n2< 30,
dans ce cas, l’approximation par la loi normale n’est plus possible, et
le test précédent n’est plus applicable. Il faut utiliser le test de
Student.
Si la distribution de X est normale dans chacune des deux populations et si les variances s21
et s22 sont égales, on montre que

T= suit une loi de Student à n1+n2- 2ddl (si H0 est vraie).

Dans cette expression s2 est l’estimation de la variance commune aux deux échantillons
définie par :s2= (n1-1)s21+(n2-1)s22
n1+n2-2

Le test T reste possible dans le cas de grands échantillons: T suit une loi de student à n1+n2-
2 ddl quelles que soient les valeurs de n1 et n2 (à condition, bien sur que les hypothèses
de distributions normales et de variances égales soient vérifiées)
Test t de Student
 2. Test t de Student
Interprétation:

• t alpha lu dans la table de Student pour le DDL correspondant

• Si t > t alpha on rejette H0 : les deux moyennes diffèrent au

risque alpha. On cherche le degré de signification p dans la
table de t

• Si t < t alpha on ne peut pas rejeter H0. Il n'y a pas de

différence significative au seuil de risque alpha,
Exemple quand n1 et/ou n2 sont < 30.
Un laboratoire pharmaceutique produit des tubes de
pommade dont les poids ont une distribution
normale.

On dispose de deux échantillons de contrôle de 8 et

9 tubes, on veut savoir si les poids des tubes des
deux échantillons diffèrent.

Les poids sont donnés dans le tableau ci-après

Echantillon 1 56,4 57,5 55,8 54,3 58,9 56,9 54,8 54,2 58,1
Echantillon 2 54,6 58,2 60,3 59,5 61,1 58,7 59,8 57,5
Exemple quand n1 et/ou n2 sont < 30.
On pose :
H0 : Les deux échantillons de tubes proviennent d'une même
population où la moyenne des poids des tubes est μ : μ1= μ2=μ

H1 : Les deux échantillons ne proviennent pas d'une même population :

μ1≠μ2

On trouve :

Echantillon 1 : n1 = 9, m1 = 56,32 Σxi=506,9 Σxi 2=28 572,45

donc s21= 2,839

Echantillon 2 : n2 = 8, m2 = 58,71 Σxi=469,7 Σxi2=27 605,93 donc

S22= 4,095
• On suppose que le test de comparaison des variances s 21 et s22 montre qu’elles
ne diffèrent pas significativement. On peut donc calculer la variance commune
s2 puis le test de Student

S2= =3,43

t= =2,66

Le seuil de signification au risque 5 % de la loi de Student à 15 ddl étant de 2,131

pour un test bilatéral, |t|=2,658 > t0,05=2,131, on conclut au rejet de H0, les
moyennes des deux échantillons sont significativement différentes avec p ≈
0,02
 Resumé
n1≥30 et n2≥30
on ne sait rien sur Rejet de H0 si Aucune condition
la distribution de X d’application
/z0/ >Zα
n1et n2 les
distributions de x Rejet de H0 si Le test est
dans les deux t0=
robuste à un
populations sont |t0| >tn1+n2-2 écart de la
normales et de
mêmes variances
normalité
s2=(n1-1)s21+(n2-1)s22
n1+n2-2

n1= n2 < 30 les Rejet de H0 si

t0= Le test est
distributions de x robuste à un
dans les deux |t0| >tn1+n2-2
écart de la
populations sont
s2=(n1-1)s21+(n2-1)s22 normalité
normales
n1+n2-2
 Résumé
variables
Test khi-deux Condition : effectifs calculés ≥5
Comparaison de X² = ∑ (O-C)/C
Qualitative 2 pourcentages p1 p2
observés Test de l’écart z  n1 .p1  n2 .p2
réduit p0 .(1  p0 ) p0 .(1  p0 ) p0 
 n1  n2
n1 n2
Test z de N1 ≥ 30 et N2 ≥ 30
Comparaison de l’écart réduit
Quantitativ 2 moyennes
observées
e

Test t de St n1 ou n2< 30
udent

s2=(n1-1)s21+(n2-1)s22
n1+n2-2
Références bibliographiques

1) Ancelle. T. Statistique – épidémiologie. Paris : éd Maloine 2006

2) Bezzaoucha.A Tests statistiques en sciences médicales
3) Labarere.J Tests paramétriques de comparaison de deux
moyennes université Joseph Fourier Grenoble 2011-2012
4) Schwartz D. Méthodes statistiques à l’usage des médecins et des
biologistes.Flammarion, vol 1, Paris, 1970