Biostatistique

Cours 5
Comparaison de moyennes
28 octobre 2021
Master 1 Santé Publique

[email protected]
Tests statistiques – Rappel : 4 étapes
1. Formuler la question posée et l’hypothèse testée (H0)
2. Déterminer ce que seraient les observations si H0 était vraie
3. Confronter ce qu’on observe à ce qui est attendu sous H0
4. Choisir la règle de décision et conclure au rejet ou au non rejet de H0

Raisonnement par l’absurde : si nos observations s’éloignent trop de ce

qui est attendu sous H0 alors il est peu probable que « H0 soit vraie »

Biostatistique – M1 SP 2
Principe
Valeur théorique
Observations
(ou vraie)

Population 1 Echantillon 1
μ1 n 1 – m1

Populations semblables ?

Population 0
μ0 connue

Biostatistique – M1 SP 3
Tests statistiques – Etape 1
1. Formuler la question posée et l’hypothèse testée (H0)

• H0 : μ1 = μ0
Population de la région Echantillon 1
μ1 n1 – m1

Populations semblables ?
μ1=μ0 ?

Population 0
μ0 connue

Biostatistique – M1 SP 4
Tests statistiques – Etape 1
1. Formuler la question posée et l’hypothèse testée (H0)

• H0 : μ1 = μ0
Population de la région
μ1
Echantillon 1
n1 – m1 • Hypothèse alternative
Hypothèse pour décrire
Populations semblables ?
μ1=μ0 ?
la réalité si H0 fausse
H1 : μ1 ≠ μ0
Population 0
μ0 connue (bilatéral)

Biostatistique – M1 SP 5
Tests statistiques – Etape 2
2. Déterminer ce que seraient les observations si H0 était vraie

Statistique de test
Population de la région Echantillon 1 𝑀1 − 𝜇0
μ1 n1 – m1 𝑇= ~𝑁(0,1) sous 𝐻0
𝜎12
Populations semblables ?
μ1=μ0 ? 𝑛1

Population 0
X ~ loi normale
μ0 connue 𝜎12
M1 ~ loi normale 𝜇1 ,
𝑛1

Biostatistique – M1 SP 6
Tests statistiques – Etape 2
2. Déterminer ce que seraient les observations si H0 était vraie

Statistique de test
Population de la région Echantillon 1 𝑀1 − 𝜇0
μ1 n1 – m1 𝑇= ~Student 𝑛−1 𝑑𝑑𝑙 sous 𝐻0
𝜎12
Populations semblables ?
μ1=μ0 ? 𝑛1
𝒔𝟐𝟏
Population 0
μ0 connue
X ~ loi normale
𝜎12
M1 ~ loi normale 𝜇1 ,
𝑛1

Biostatistique – M1 SP 7
Tests statistiques – Etape 3
3. Confronter ce qu’on observe à ce qui est attendu sous H0
• Calcul de t
𝑚1 − 𝜇0
𝑡=
Population de la région Echantillon 1
μ1 n1 – m1 𝑠12
𝑛1
Populations semblables ?
μ1=μ0 ?

Population 0
μ0 connue

Biostatistique – M1 SP 8
Tests statistiques – Etape 4
4. Choisir la règle de décision
→ rejet de H0 au risque α si |t| ≥ tn-1,α/2

(bilatéral)

Biostatistique – M1 SP 9
Tests statistiques – Etape 4
4. Conclusion
→ Rejet de H0 au risque α=5% si |t| ≥ tn-1,0,025
→ Non rejet de H0 au risque α=5% si |t| < tn-1,0,025

Compléments
• Degré de signification
• Sens de la différence en cas de rejet de H0 (« on observe que la
différence est dans le sens μ1>μ0 ou μ1<μ0»)

Biostatistique – M1 SP 10
Degré de signification

(bilatéral)

p = P(|T| ≥ |t|) = 2 P(T ≥ t)

Biostatistique – M1 SP 11
Exemple 1
• X la variation de poids après un régime
• μ1 la moyenne de la variation de poids dans la population
• Ho : μ1=0 et H1 : μ1≠0

• Observations : n1 = 61 ; m1 = 0.5kg et s2 = 1.8kg2

Biostatistique – M1 SP 12
Exemple 1
• X la variation de poids après un régime
• μ1 la moyenne de la variation de poids dans la population
• Ho : μ1=0 et H1 : μ1≠0

• Observations : n1 = 61 ; m1 = 0.5kg et s2 = 1.8kg2

Statistique de test
𝑀1 − 𝜇0
𝑇= ~Student 𝑛−1 𝑑𝑑𝑙 sous 𝐻0
𝑠2
𝑛
X ~ loi normale
Biostatistique – M1 SP 13
Exemple 1
• Observations : n1 = 61 ; m1 = 0.5kg et s2 = 1.8kg2

𝑚1 − 𝜇0 0.5 − 0
𝑡= = = 2.89
𝑠2 1.8
𝑛 61

• Seuil de signification pour α=5% : t60,α/2 = t60,0.025 = 2.00

Biostatistique – M1 SP 14
Exemple 1
• Rejet de H0 au risque 5% : 2.89 > 2.00

• Seuil de signification pour α=5% : t60,α/2 = t60,0.025 = 2.00

• Relation entre le régime alimentaire et la variation moyenne de poids

→ Poids moyen plus petit après le régime

• Pas de lien causal entre régime alimentaire et variation moyenne de

poids

Biostatistique – M1 SP 15
Exemple 1
• Degré de signification
p = P(|T|≥ 2.89) = 2 P(T ≥ 2.89)

0.001*2 < p < 0.005*2

0.002 < p < 0.010

Biostatistique – M1 SP 16
Exemple 2
• Observations : n1 = 20 ; m1 = 0.3 et s2 = 1.5

𝑚1 − 𝜇0 0.3 − 0
𝑡= = = 1.10
𝑠2 1.5
𝑛 20

• Seuil de signification pour α=5% : t19,α/2 = t19,0.025 = 2.093

• Non rejet de H0 au risque α=5% : t < t19,0.025

Biostatistique – M1 SP 17
Exemple 2
• On ne met pas en évidence de relation entre le régime alimentaire et
la variation moyenne de poids

• Souvent : pas de calcul de p mais reste possible

0.10*2 < p < 0.20*2

0.20 < p < 0.40
Biostatistique – M1 SP 18
Risque α et degré de signification
• Conclusion du test et p : cohérent

Rejet de H0 au risque α = 5% Non rejet de H0 au risque α = 5%

- Test significatif - Test non significatif
- p ≤ 0.05 - p > 0.05

Biostatistique – M1 SP 19
Tests statistiques – Etape 2
2. Déterminer ce que seraient les observations si H0 était vraie

Statistique de test
Population de la région Echantillon 1 𝑀1 − 𝜇0
μ1 n1 – m1 𝑇= ~Student 𝑛−1 𝑑𝑑𝑙 sous 𝐻0
𝑠2
Populations semblables ? 𝑛
μ1=μ0 ?
X ~ loi normale
Population 0
μ0 connue

Biostatistique – M1 SP 20
Tests statistiques – Etape 2
2. Déterminer ce que seraient les observations si H0 était vraie

Statistique de test
Population de la région Echantillon 1
𝑀1 − 𝜇0
μ1 n1 – m1 𝑍= ~𝑁(0,1) sous 𝐻0
𝑠2
Populations semblables ? 𝑛
μ1=μ0 ?
n ≥ 30
Population 0 Normalité de X non nécessaire
μ0 connue

Biostatistique – M1 SP 21
Tests statistiques – Etape 2
3 & 4. Calcul de z et choix de la règle de décision

• Rejet de H0 si |z| ≥ zα/2

• Degré de signification à partir de la table de la loi normale centrée

réduite

• Seule condition : n ≥ 30

Biostatistique – M1 SP 22
Exemple 1
• Observations : n1 = 61 ; m1 = 0.5kg et s2 = 1.8kg2

𝑚1 − 𝜇0 0.5 − 0
𝑡= = = 2.89
𝑠2 1.8
𝑛 61

• Seuil de signification pour α=5% : t60,α/2 = t60,0.025 = 2.00

Biostatistique – M1 SP 23
Exemple 1
• Observations : n1 = 61 ; m1 = 0.5kg et s2 = 1.8kg2

𝑚1 − 𝜇0 0.5 − 0 𝑚1 − 𝜇0 0.5 − 0
𝑡= = = 2.89 𝑧= = = 2.89
𝑠2 1.8 𝑠2 1.8
𝑛 61 𝑛 61

• Seuil de signification pour α=5% : zα/2 = z0.025 = 1.96 → rejet de H0

Biostatistique – M1 SP 24
Exemple 1
• Observations : n1 = 61 ; m1 = 0.5kg et s2 = 1.8kg2

• Seuil de signification pour α=5% : zα/2 = z0.025 = 1.96 → rejet de H0

p = P(|Z|≥ 2.89) = 2 P(Z ≥ 2.89) → < 2*0.005 = 1%

Biostatistique – M1 SP 25
Résumé
• Ho : μ1 = μ0 et H1 : μ1 ≠ μ0

Seuil de signification Conditions

Effectif Calcul
(bilatéral) d’application
n ≥ 30 𝑚1 − 𝜇0 Rejet de H si |z| ≥ z
𝑧= 0 α/2
𝑠2 Aucune
𝑛
n < 30 𝑚1 − 𝜇0 Rejet de H si |t| ≥ t
𝑡= 0 n-1,α/2 Distribution de
𝑠2 X normale
𝑛

Biostatistique – M1 SP 26
Comparaison de deux moyennes - Principe

Valeur théorique
(ou vraie)
Observations

Population 1 Echantillon 1
μ1 n1 – m1

Populations semblables ?
μ1=μ2 ?
Population 2 Echantillon 2
μ2 n2 – m2

Biostatistique – M1 SP 27
Tests statistiques – Etape 1
1. Formuler la question posée et l’hypothèse testée (H0)
Valeur théorique • H0 : μ1 = μ2
(ou vraie)
Observations
• Hypothèse alternative
Population 1
μ1
Echantillon 1
n1 – m1
Hypothèse pour décrire la réalité
si H0 fausse
Populations semblables ?
μ1=μ2 ? H1 : μ1 ≠ μ2
(bilatéral)
Population 2 Echantillon 2
μ2 n2 – m2
μ1 et μ2 = moyennes vraies de X dans les
populations 1 et 2

Biostatistique – M1 SP 28
Tests statistiques – Etape 1
1. Formuler la question posée et l’hypothèse testée (H0)
Valeur théorique • H0 : μ1 = μ2
(ou vraie)
Observations
• Hypothèse alternative
Fumeuses
μ1
Echantillon 1
n1 – m1
Hypothèse pour décrire la réalité
si H0 fausse
Populations semblables ?
μ1=μ2 ? H1 : μ1 ≠ μ2
(bilatéral)
Non fumeuses Echantillon 2
μ2 n2 – m2
μ1 et μ2 = moyennes vraies du poids de
naissance dans les populations 1 et 2

Biostatistique – M1 SP 29
Grands échantillons (n1 ≥ 30 et n2 ≥ 30)
2. Déterminer ce que seraient les observations si H0 était vraie
Valeur théorique Loi des grands nombres
(ou vraie)
Observations 𝜎12
• 𝑀1 ~𝑁 𝜇1 ,
𝑛1
Population 1 Echantillon 1
μ1 n1 – m1
𝜎22
• 𝑀2 ~𝑁 𝜇2 ,
Populations semblables ? 𝑛2
μ1=μ2 ? (échantillons indépendants)
Population 2 Echantillon 2
μ2 n2 – m2 𝜎12 𝜎22
(𝑀1 − 𝑀2 )~𝑁 𝜇1 − 𝜇2 , +
𝑛1 𝑛2

Biostatistique – M1 SP 30
Grands échantillons (n1 ≥ 30 et n2 ≥ 30)
2. Déterminer ce que seraient les observations si H0 était vraie
Valeur théorique
(ou vraie) 𝜎12 𝜎22
(𝑀1 − 𝑀2 )~𝑁 𝜇1 − 𝜇2 , +
Observations 𝑛1 𝑛2
Population 1 Echantillon 1
μ1 n1 – m1
Centrer réduire
Populations semblables ?
μ1=μ2 ?
𝑀1 − 𝑀2 − (𝜇1 − 𝜇2 )
Population 2 Echantillon 2 𝑍= ~𝑁(0,1)
μ2 n2 – m2
𝜎12 𝜎22
+
𝑛1 𝑛2

Biostatistique – M1 SP 31
Grands échantillons (n1 ≥ 30 et n2 ≥ 30)
2. Déterminer ce que seraient les observations si H0 était vraie
𝑀1 − 𝑀2 − (𝜇1 −𝜇2 )
Valeur théorique 𝑍= ~𝑁(0,1)
(ou vraie)
Observations 𝜎12 𝜎22
+
𝑛1 𝑛2
Population 1 Echantillon 1
μ1 n1 – m1
sous H0
Populations semblables ?
μ1=μ2 ?
𝑀1 − 𝑀2
Population 2 Echantillon 2 𝑍= ~𝑁(0,1)
μ2 n2 – m2
𝜎12 𝜎22
+
𝑛1 𝑛2

Biostatistique – M1 SP 32
Grands échantillons (n1 ≥ 30 et n2 ≥ 30)
2. Déterminer ce que seraient les observations si H0 était vraie
Valeur théorique 𝑀1 − 𝑀2
(ou vraie)
𝑍= ~𝑁(0,1) sous 𝐻0
Observations 𝜎12 𝜎22
+
𝑛1 𝑛2
Population 1 Echantillon 1
μ1 n1 – m1
n1 et n2 grands = approximation des variances
Populations semblables ?
μ1=μ2 ?
𝑀1 − 𝑀2
Population 2 Echantillon 2 𝑍= ~𝑁 0,1 sous 𝐻0
μ2 n2 – m2
𝑠12 𝑠22
+
𝑛1 𝑛2

Biostatistique – M1 SP 33
Grands échantillons (n1 ≥ 30 et n2 ≥ 30)
3 & 4. Calcul de z et choix de la règle de décision
𝑚1 − 𝑚2
𝑧=
𝑠12 𝑠22
+
𝑛1 𝑛2

• Rejet de H0 au risque α si |z| ≥ zα/2

• Degré de signification à partir de la table de la loi normale centrée

réduite

Biostatistique – M1 SP 34
Exemple
Association entre consommation de tabac pendant la grossesse et poids
de naissance du nouveau-né
Valeur théorique Observations
(ou vraie)

Echantillon 1
Fumeuses n1=792
μ1 m1=3258g
s1=595g
Populations semblables ?
μ1=μ2 ?
Echantillon 2
Non fumeuses n2=1847
μ2 m2=3325g
s2=502g

Biostatistique – M1 SP 35
Exemple
Association entre consommation de tabac pendant la grossesse et poids
de naissance du nouveau-né
Valeur théorique Observations • H0 : μ1 = μ2
(ou vraie)
• H1 : μ1 ≠ μ2
Echantillon 1
Fumeuses n1=792
μ1 m1=3258g μ1 et μ2 = moyennes vraies du poids de
s1=595g naissance chez les fumeuses et les non
Populations semblables ?
μ1=μ2 ? fumeuses
Echantillon 2
Non fumeuses n2=1847
𝑀1 − 𝑀2
μ2 m2=3325g
𝑍= ~𝑁(0,1) sous 𝐻0
s2=502g 𝑠12 𝑠22
+
𝑛1 𝑛2 n1 et n2 > 30

Biostatistique – M1 SP 36
Exemple
Association entre consommation de tabac pendant la grossesse et poids
de naissance du nouveau-né
Valeur théorique Observations 3258 − 3325
(ou vraie) 𝑧= = −2.77
5952 5022
+
Echantillon 1 792 1847
Fumeuses n1=792
μ1 m1=3258g

Populations semblables ?
s1=595g
• |z| ≥ 1.96 → rejet de H0
μ1=μ2 ? au risque α=5%
Echantillon 2
Non fumeuses n2=1847
μ2 m2=3325g • p = P(|Z|>2.77) = 2 P(Z>2.77)
s2=502g
→ p < 1%

Biostatistique – M1 SP 37
Exemple
• Association significative entre consommation de tabac pendant la
grossesse et poids de naissance moyen du nouveau-né (au risque 5%)

• p < 1%

• On observe que le poids de naissance moyen est plus petit lorsque la

mère est fumeuse par rapport à une mère non fumeuse

• Pas de conclusion causale

Biostatistique – M1 SP 38
Petits échantillons (n1 < 30 ou n2 < 30)
1. Formuler la question posée et l’hypothèse testée (H0)
Valeur théorique • H0 : μ1 = μ2
(ou vraie)
Observations
• Hypothèse alternative
Population 1
μ1
Echantillon 1
n1 – m1
Hypothèse pour décrire la réalité
si H0 fausse
Populations semblables ?
μ1=μ2 ? H1 : μ1 ≠ μ2
(bilatéral)
Population 2 Echantillon 2
μ2 n2 – m2
μ1 et μ2 = moyennes vraies de X dans les
populations 1 et 2

Biostatistique – M1 SP 39
Petits échantillons (n1 < 30 ou n2 < 30)
2. Déterminer ce que seraient les observations si H0 était vraie
Valeur théorique
Statistique de test
(ou vraie) 𝑀1 − 𝑀2
Observations 𝑇= ~Student 𝑛1+𝑛2 −2 sous 𝐻0
𝜎2 𝜎2
+
Population 1
μ1
Echantillon 1
n1 – m1
𝑛1 𝑛2 s2 (variance commune)
2 2
Populations semblables ? 𝑛1 − 1 𝑠1 + 𝑛 2 − 1 𝑠2
μ1=μ2 ? 𝑠2 =
𝑛1 + 𝑛2 − 2
Population 2 Echantillon 2
μ2 n2 – m2 Distribution de X normale dans les deux
populations et variances de X égales
(𝜎12 = 𝜎22 = 𝜎 2 )
Biostatistique – M1 SP 40
Petits échantillons (n1 < 30 ou n2 < 30)
3 & 4. Calcul de t et choix de la règle de décision

𝑚1 − 𝑚2
𝑡=
𝑠2 𝑠2
+
𝑛1 𝑛2

• Rejet de H0 au risque α si |t| ≥ tn1+n2-2,α/2

• Degré de signification à partir de la table de la loi de Student

Biostatistique – M1 SP 41
Exemple
Efficacité sur perte de poids ≠ selon régime amaigrissant A ou régime B ?
Tirage au sort du régime reçu pour chaque sujet.
Valeur théorique Observations
(ou vraie)

Echantillon A
Régime A nA=20
μA m1=3.9kg
𝑠𝐴2 =2.6kg2
Populations semblables ?
μA=μB ?
Echantillon B
Régime B nB=22
μB mB=2.9kg
𝑠𝐵2 = 1.8kg2

Biostatistique – M1 SP 42
Exemple
Efficacité sur perte de poids ≠ selon régime amaigrissant A ou régime B ?
Tirage au sort du régime reçu pour chaque sujet.
Valeur théorique Observations
(ou vraie)

Echantillon A • H0 : μA = μB
Régime A nA=20
μA m1=3.9kg
𝑠𝐴2 =2.6kg2 • H1 : μA ≠ μB
Populations semblables ?
μA=μB ?
Echantillon B
μA et μB = moyennes vraies de la perte
Régime B nB=22 de poids selon le régime reçu
μB mB=2.9kg
𝑠𝐵2 = 1.8kg2

Biostatistique – M1 SP 43
Exemple
Efficacité sur perte de poids ≠ selon régime amaigrissant A ou régime B ?
Tirage au sort du régime reçu pour chaque sujet.
Valeur théorique Observations
(ou vraie) 𝑀1 − 𝑀2
𝑇= ~Student 𝑛1 +𝑛2 −2 sous 𝐻0
𝑠2 𝑠2
Echantillon A +
Régime A nA=20
𝑛1 𝑛2
μA m1=3.9kg
𝑠𝐴2 =2.6kg2 2 2
Populations semblables ? 2
𝑛1 − 1 𝑠1 + 𝑛 2 − 1 𝑠2
μA=μB ? 𝑠 =
Echantillon B
𝑛1 + 𝑛2 − 2
Régime B nB=22
μB mB=2.9kg Distribution de X normale dans les deux
𝑠𝐵2 = 1.8kg2 populations et variances de X égales
(𝜎12 = 𝜎22 = 𝜎 2 )
Biostatistique – M1 SP 44
Exemple
Efficacité sur perte de poids ≠ selon régime amaigrissant A ou régime B ?
Tirage au sort du régime reçu pour chaque sujet.
Valeur théorique Observations
(ou vraie) Calcul de t et choix de la règle de
décision
Echantillon A
Régime A nA=20 3.9 − 2.9
μA m1=3.9kg 𝑡= = 2.19
𝑠𝐴2 =2.6kg2
2.18 2.18
Populations semblables ? +
μA=μB ? 20 22
Echantillon B
Régime B nB=22
μB mB=2.9kg • Rejet de H0 au risque 5% car
𝑠𝐵2 = 1.8kg2
|t| ≥ 2.021

Biostatistique – M1 SP 45
Exemple
• Différence significative entre les variations de poids moyennes après
les régimes A et B (au risque 5%)

• p = P(|T|>2.19) → p < 5%

• On observe que la diminution moyenne de poids est plus forte avec le

régime A qu’avec le régime B

• Causalité : régimes tirés au sort → régime A plus efficace que régime B

Biostatistique – M1 SP 46
Conditions d’application du test T
• Test T robuste
• Hypothèse de normalité d’importance relativement secondaire
• Hypothèse d’égalité des variances non fondamentale en pratique si
effectifs des échantillons égaux

• Variances ne doivent cependant pas être trop ≠ (rapport < 3)

Problème si effectifs des 2 petits échantillons ≠ et variances ≠

Biostatistique – M1 SP 47
Conditions d’application du test T
• Test T robuste
• Hypothèse de normalité d’importance relativement secondaire
• Hypothèse d’égalité des variances non fondamentale en pratique si
effectifs des échantillons égaux

• Variances ne doivent cependant pas être trop ≠ (rapport < 3)

Problème si effectifs de 2 petits échantillons ≠ et variances ≠

(gds ech = pas de conditions particulières d’application)

Biostatistique – M1 SP 48
Effectifs de 2 petits échantillons ≠ et variances ≠
𝑀1 − 𝑀2
𝑍′ = ~Student sous 𝐻0
𝑠12 𝑠22
+
𝑛1 𝑛2

Nombre de ddl = entier le plus proche de k

2 2 2
𝑠1 𝑠2
+
𝑛1 𝑛2
𝑘=
2 2 2 2
1 𝑠1 1 𝑠2
+
𝑛1 − 1 𝑛1 𝑛2 − 1 𝑛2

Biostatistique – M1 SP 49
Effectifs de 2 petits échantillons ≠ et variances ≠
𝑀1 − 𝑀2
𝑍′ = ~Student sous 𝐻0
𝑠12 𝑠22
+
𝑛1 𝑛2

Nombre de ddl = entier le plus proche de k

𝑠2 2 2
1 + 𝑠2
𝑛1 𝑛2
𝑘=
𝑠2
2
𝑠 2 2
: k toujours comprise entre min(n1-1,n2-1) et n1+n2-2
1 1 + 1 2
𝑛1 −1 𝑛1 𝑛2 −1 𝑛2

Biostatistique – M1 SP 50
Effectifs de 2 petits échantillons ≠ et variances ≠
Exemple
• Echantillon 1 : n1 = 13 ; m1 = 2.7 ; 𝑠12 = 1.2
• Echantillon 2 : n2 = 7 ; m2 = 4.6 ; 𝑠22 = 5.2

Biostatistique – M1 SP 51
Effectifs de 2 petits échantillons ≠ et variances ≠
Exemple
• Echantillon 1 : n1 = 13 ; m1 = 2.7 ; 𝑠12 = 1.2
• Echantillon 2 : n2 = 7 ; m2 = 4.6 ; 𝑠22 = 5.2

2.7 − 4.6
𝑧′ = = −2.08
1.2 5.2
+
13 7

𝑠2 𝑠2 2
1+ 2
𝑛1 𝑛2 0.698
𝑘= 2 2 2
= = 7.52 → 8ddl
1 𝑠2
1 + 1 𝑠 0.097
2
𝑛1 −1 𝑛1 𝑛2 −1 𝑛2

Biostatistique – M1 SP 52
Effectifs de 2 petits échantillons ≠ et variances ≠
Exemple
• Echantillon 1 : n1 = 13 ; m1 = 2.7 ; 𝑠12 = 1.2
• Echantillon 2 : n2 = 7 ; m2 = 4.6 ; 𝑠22 = 5.2

′
2.7 − 4.6
𝑧 = = −2.08
1.2 5.2
+
13 7

t8,0.025=2.306 : pas de mise en évidence d’une différence entre les deux

moyennes

Biostatistique – M1 SP 53
Résumé

Z’

Biostatistique – M1 SP 54
Résumé

Z’

Biostatistique – M1 SP 55
 Résumé
Seuil de
Effectif et distribution
Calcul signification Remarques
de X
(bilatéral)
𝑚1 − 𝑚2
n1 ≥ 30 𝑧=
et 𝑠12 𝑠22 zα/2 Pas de condition d’application
n2 ≥ 30 𝑛1 + 𝑛2

n1 < 30 ou n2 < 30 𝑚1 − 𝑚2
𝑡=
X~N 𝑠2 𝑠2 Test robuste à un écart à l’égalité des
𝜎12 = 𝜎22 𝑛1 + 𝑛2 𝑡𝑛1 +𝑛2−2,α/2 variances si n1=n2 et à un écart à la
𝑛1 −1 𝑠12 + 𝑛2 −1 𝑠22 normalité. Utilisable si n1 ≥ 30 et n2 ≥ 30
avec 𝑠2 = 𝑛1 +𝑛2 −2

n1 < 30 ou n2 < 30 𝑚1 − 𝑚2 2
𝑧′ = 𝑠12 𝑠22
X~N
𝑠12 𝑠22 𝑡𝑘′ ,α/2 𝑛1 + 𝑛2
𝜎1 ≠ 𝜎22
2
𝑘=
𝑛1 + 𝑛2 k’ entier le plus 1 𝑠12
2
1 𝑠22
2
proche de k 𝑛1 − 1 𝑛1 + 𝑛2 − 1 𝑛2
Robuste à un écart à la normalité.
Biostatistique – M1 SP 56
Tests et intervalles de confiance
• Hypothèses testées → H0 : μ1 = μ2 et H1 : μ1 ≠ μ2
• μD = μ1 - μ2

Si grands échantillons ou distributions de X normales alors :

on ne rejette pas H0 (différence NS)

intervalle de confiance de μD contient 0

Biostatistique – M1 SP 57
Tests et intervalles de confiance
• Test = réponse en oui / non (significatif / non significatif)

• L’intervalle de confiance
• « Quantifie » l’écart entre μ1 et μ2 en donnant un intervalle qui a
de bonnes chances de contenir μD
• Ne donne pas “p” (qui n’est pas une quantification de l’écart)

Biostatistique – M1 SP 58
Tests et intervalles de confiance
• Pas de relation simple entre les positions des IC de μ1 et μ2 et le test
de comparaison de ces moyennes

IC emboités = test NS IC disjoints = test S

IC qui se croisent : pas de règle pour le résultat du test

Biostatistique – M1 SP 59
Récapitulatif sur les tests (1)

Biostatistique – M1 SP 60
Récapitulatif sur les tests (2)

Biostatistique – M1 SP 61