1

Statistique inférentielle

1) Notions de probabilités

Sébastien Déjean - [Link]/~sdejean

2) Tests statistiques

J’ai 26 ans, je travaille dans le département du contrôle des

marchandises […]. Il serait impossible de les contrôler soigneusement
une à une […]. Par conséquent, on se borne à tirer sur quelques boucles
de chaussures, à grignoter quelques gâteaux à titre d’échantillon.

Le communiqué du kangourou
nouvelle tirée du recueil L’éléphant s’évapore
Haruki Murakami
 2

Points-clés
● Statistique inférentielle
● Test statistique

Sébastien Déjean - [Link]/~sdejean

● Risques d’erreur
● P-value
● En pratique (un petit quizz!)
● On n’oublie pas les représentations graphiques
 3

Statistique inférentielle
● Tirer des conclusions à l'échelle d'une
population à partir d'informations recueillies
sur un échantillon.

Sébastien Déjean - [Link]/~sdejean

● Sondage, recensement, échantillon
représentatif...
● Lorsque l'on avance des informations
quantitatives à l'échelle de la population, on ne
parle plus de mesure mais d'estimation.
● Les mesures effectuées sur l'échantillon sont
des observations de la variable aléatoire
traduisant le phénomène à l'échelle de la
population.
 4

Statistique inférentielle
Dans un fabrique de pain d'épice, le procédé mis en œuvre pour vérifier l’aspect
moelleux du produit fini consiste à plier une tranche et à mesurer l’angle
d’inclinaison nécessaire pour la casser (un tel test est dit destructif). La règle étant
qu’un bon pain d'épice doit avoir un angle de rupture de 50° (valeur fictive) : si
l'angle est inférieur, le pain est trop sec, s'il est supérieur, le pain est trop moelleux.

Sébastien Déjean - [Link]/~sdejean

Tout lot doit être validé avant d’être commercialisé.
Il va de soi qu’une tranche cassée n’est pas commercialisable ainsi qu’un pain
n’étant pas convenablement moelleux (angle de rupture  50°).
Dans de telles conditions, il est impossible de tester l’ensemble des produits
(test destructif). Il est donc nécessaire d’effectuer les mesures sur un échantillon
représentatif de la population (éviter par exemple de prendre les n premiers ou les
n derniers pains fabriqués dans une journée ou, sur une même ligne de production
si plusieurs fonctionnent en parallèle). L’angle moyen de rupture calculé sur
l’échantillon est un estimateur de cet angle chez les pains d'épice du même lot (aux
conditions de fabrication analogues).
 5

Statistique inférentielle

Sébastien Déjean - [Link]/~sdejean

Population
Échantillon

● Intervalle de confiance : calculer, à partir de l'échantillon, un intervalle dans lequel

la moyenne (par exemple) de la population devrait se trouver.

●Test statistique : ce qui est observé sur un échantillon permet-il d'invalider une
hypothèse faite sur la population ?
 6

D'où sort la courbe en cloche ?

Par exemple d'une planche avec des clous et
des billes !
Planche de Galton

Sébastien Déjean - [Link]/~sdejean

 7

D'où sort la courbe en cloche ?

De la taille (de beaucoup) d'individus

Sébastien Déjean - [Link]/~sdejean

 8

D'où sort la courbe en cloche ?

De la taille (de beaucoup) d'individus

Sébastien Déjean - [Link]/~sdejean

 9

Il n'y a pas que la courbe en cloche

Exemple : distribution de salaires

Sébastien Déjean - [Link]/~sdejean

 10

D'autres formes sont possibles

Distribution de χ2, distribution de Fisher

Sébastien Déjean - [Link]/~sdejean

 11

D’autres formes sont possibles

En agissant sur les paramètres des lois de probabilité
Loi exponentielle
Loi normale Loi de Student

1.0
0.4

=1 – 0.5 - 2
N(0,1)

0.4

0.8
0.3

N(1,1)

Sébastien Déjean - [Link]/~sdejean

0.6
0.3
N(0,2)
0.2

0.4
0.2
0.1

0.2
0.1
0.0

0.0
-4 -2 0 2 4
k=1 - 2 - 5 - 10 0 1 2 3 4 5
0.0

-3 -2 -1 0 1 2 3

Loi du chi2
Loi de Fisher

1.2
k=1 - 5 - 10 - 20
F(1,1)

1.0
2.0

F(1,5)

0.8
F(5,1)
1.5

0.6
F(5,5)
1.0

F(10,10)
0.4
0.5

0.2
0.0

0.0

0.0 0.5 1.0 1.5 2.0 2.5 3.0

0 2 4 6 8 10
 Test statistique ?
Exemple : le test de Student de comparaison de 2 moyennes

La conclusion du test
porte sur les moyennes
théoriques

Observations
Hypothèses nécessaires
à la réalisation du test
 Faux positif ?
2 échantillons indépendants tirés de la même population
peuvent conduire à une conclusion erronée
Welch Two Sample t-test
data: matrice[indice, 1:10] and matrice[indice, 11:20]
t = 3.6523, df = 17.61, p-value = 0.001878
alternative hypothesis: true difference in means is not equal to 0

Sébastien Déjean - [Link]/~sdejean

 14

Test statistique
Exemple : Fabrication industrielle de pain d’épice dont l’angle de rupture d’une
tranche doit être de 50°. Des facteurs incontrôlés font que cet angle est aléatoire.
Question : comment décider qu’un lot est conforme ?

Sébastien Déjean - [Link]/~sdejean

Hypothèses :
H0 : le lot est conforme (=50)
H1 : le lot n’est pas conforme (50)
Pour trancher entre les 2 hypothèses, on tire au hasard un échantillon de n
tranches et on en mesure l’angle de rupture (Xi)i=1,…n.
On suppose que chaque Xi suit une loi N(, 2).

Règle de décision (principe): Rejet de H0  X[50-c ; 50+c]

Région critique [1] Région critique [2]

50-c 50 50+c
 15

Test statistique : risques d'erreur

Décision
Rappel :
H0 : lot conforme
H1 : lot non conforme
H1 H0
(rejet de H0) (accept. H0)

Sébastien Déjean - [Link]/~sdejean

Réalité
H0  Bonne décision

H1 Bonne décision 

Interprétation des risques (en termes de pain d’épice) :

•  : rejeter le lot de biscuits alors qu’il est conforme (gaspillage !)
 Le patron ne va pas être content. En fait non, il ne le saura pas.

•  : déclarer conforme, et donc vendre, des biscuits « défectueux »

 Dans ce cas, c’est le client qui n’est pas content. Lui, le saura.
 16

Test statistique : risques d'erreur

● Gène différentiellement exprimé entre WT et KO ?
– H0 : le gène n’est pas différentiellement exprimé (WT=KO)
– H1 : le gène est différentiellement exprimé (WT≠KO)
●  : décider qu’un gène est différentiellement exprimé alors qu’il ne l’est pas. Faux-
positif, perte de temps et d’argent pour le confirmer (RT-qPCR...)

Sébastien Déjean - [Link]/~sdejean

●  : décider qu’un gène n’est pas différentiellement exprimé alors qu’il l’est. Faux
négatif, on passe peut-être à côté d’une découverte importante.
● Une nouvelle molécule pour augmenter...
– H0 : l’effet de la nouvelle molécule est similaire à celui d’un placebo
(drug=placebo)
– H1 : l’effet de la nouvelle molécule est supérieur à celui d’un
placebo (drug>placebo)
●  : décider qu’une molécule est meilleur qu’un placebo alors qu’elle ne l’est pas.
Commercialiser une nouvelle molécule sans effet (assurance maladie...)
●  : décider qu’une molécule a le même effet qu’un placebo alors qu’elle est plus
efficace. Des malades ne vont pas bénéficier de ce traitement pourtant efficace.
 17

Région critique et risque α

Règle de décision : Rejet de H0  X[50-c ; 50+c]
 = P[Rejeter H0 // H0 vraie] = P[X  [50-c ; 50+c] //  =50]

Sébastien Déjean - [Link]/~sdejean

Sous H0 ( =50)
Xi  N(,2)  X  N(,2/n) ?
Pour l'application numérique : n=16 et 2=9

=P[« N(50,9/16) »  [50-c ; 50+c] ]

Le risque  est la probabilité qu'une variable aléatoire suivant une

loi normale de moyenne 50 et de variance 9/16 n'appartienne pas
à l'intervalle [50-c ; 50+c].
 18

Calculs
Xi  N(,2)  X  N(,2/n)
Données pour les Données simulées avec =5
échantillons de
longueur 3 Données pour les échantillons de longueur 10
Moyennes Moyennes
Ech_1 172 171 166 170 Ech_1 167 162 170 176 167 170 167 169 168 169 169
Ech_2 172 166 179 173 Ech_2 168 171 170 173 155 171 166 168 166 172 168
Ech_3 164 169 165 166 Ech_3 163 175 169 182 170 169 168 173 172 176 172

Sébastien Déjean - [Link]/~sdejean

Ech_4 160 177 173 170 Ech_4 173 168 169 166 170 166 176 171 173 177 171
Ech_5 172 172 171 171 Ech_5 169 171 168 172 171 165 172 163 168 171 169
Ech_6 163 168 171 167 Ech_6 167 165 167 169 177 167 169 162 166 176 169
Ech_7 164 172 170 169 Ech_7 163 179 169 175 173 165 165 171 170 171 170
Ech_8 163 166 174 168 Ech_8 165 165 173 172 177 174 163 164 174 170 170
Ech_9 164 181 160 168 Ech_9 167 170 167 172 172 170 180 169 170 167 170
Ech_10 164 170 167 167 Ech_10 171 165 168 169 171 167 159 167 159 167 166
Ech_11 173 160 163 165 Ech_11 167 176 170 167 170 171 173 164 165 167 169
Ech_12 173 177 165 172 Ech_12 170 177 168 165 162 172 173 170 168 158 168
Ech_13 172 166 176 171 Ech_13 172 171 171 171 169 170 166 165 168 168 169
Ech_14 171 179 167 172 Ech_14 173 177 179 172 164 173 174 174 174 166 173
Ech_15 171 167 172 170 Ech_15 165 173 170 173 164 172 169 167 175 172 170
Ech_16 175 176 172 175 Ech_16 167 165 175 164 168 158 168 171 172 173 168
Ech_17 170 170 173 171 Ech_17 168 175 178 167 174 167 168 167 171 175 171
Ech_18 166 163 177 168 Ech_18 165 171 167 175 174 163 176 167 165 167 169
Ech_19 171 183 179 178 Ech_19 162 168 160 172 170 166 174 174 175 166 169
Ech_20 168 172 178 173 Ech_20 179 167 173 172 173 170 165 166 172 176 171

Moyenne des moyennes 170 Moyenne des moyennes 170

Ecart­type des moy. 3.0 .≃5 / √ 3 Ecart­type des moy. 1.5
.≃5 / √ 10

Moyenne des moyennes 170

Pour les échantillons de longueur 100 0.5 .≃5 / √ 100
Ecart­type des moy.
 19

Précision d’une moyenne

Xi  N(,2)  X  N(,2/n) ???
Une moyenne est plus précise quand elle est calculée à partir
d’un plus grand nombre d’observations.

Sébastien Déjean - [Link]/~sdejean

20 moyennes de tailles
d’individus calculées à partir
d’échantillons de longueur 3
(bleu), 10 (rouge) et 100 (vert).
 20

Région critique et risque α

Calculer la probabilité qu'une variable aléatoire suivant une loi
normale de moyenne 50 et de variance 9/16 n'appartienne pas à
l'intervalle [50-c ; 50+c], revient à calculer l’aire située sous la
courbe représentant la distribution de probabilités N(50,9/16) et

Sébastien Déjean - [Link]/~sdejean

hors de l’intervalle [50-c ; 50+c].
0 .5

Densité de la loi N(50;9/16)

0 .4
0 .3
D e n s ité

0 .2
0 .1
0 .0

47 48 49 50 51 52 53
 21

Région critique et risque α

 Exemple : prenons c=1, la région critique est ![49 ; 51]. Calculons le risque
 associé. =P[« N(50,9/16) »  [49 ; 51 ]

Sébastien Déjean - [Link]/~sdejean

Densité de la loi N(50;9/16)
0 .5

R> pnorm(49,50,0.75) # 0.09

R> pnorm(49,50,0.75)*2 # 0.18
0 .4
0 .3
D e n s ité

=0.18
0 .2
0 .1
0 .0

47 48 49 50 51 52 53

![49 ; 51] = ]- ; 49]  [51 ; + [

 22

Région critique et risque α

 Exemple : prenons c=2, la région critique est ![48 ; 52]. Calculons le
risque  associé. =P[« N(50,9/16) »  [48 ; 52 ]

Densité de la loi N(50;9/16)

0 .5

Sébastien Déjean - [Link]/~sdejean

R> pnorm(48,50,0.75) # 0.0038
R> pnorm(48,50,0.75)*2 # 0.0076
0 .4
0 .3
D e n s ité

=0.0076
0 .2
0 .1
0 .0

47 48 49 50 51 52 53
 23

Région critique et risque α

 Trouver c tel que : =P[« N(50,9/16) »  [50-c ; 50+c] ]=0.05

Densité de la loi N(50;9/16)

R> qnorm(0.025,50,0.75) # 48.53
0 .5

Sébastien Déjean - [Link]/~sdejean

R> qnorm(0.975,50,0.75) # 51.47
0 .4

c = 1.47
0 .3
D e n s ité

0 .2
0 .1
0 .0

47 48 49 50 51 52 53
 *
P-value

Sébastien Déjean - [Link]/~sdejean

 P-value
“We teach it because it’s what we do;
we do it because it’s what we teach.”

Sébastien Déjean - [Link]/~sdejean

Q: Why do so many colleges and grad schools teach p = 0.05?

A: Because that’s still what the scientific community and journal

editors use.

Q: Why do so many people still use p = 0.05?

A: Because that’s what they were taught in college or grad school.

George Cobb, Professor Emeritus of Mathematics and Statistics at

Mount Holyoke College
 P-value
An unhealthy obsession with p-values is ruining science
[Link]

"The proportion of papers that use p-values is going up over time, and the

Sébastien Déjean - [Link]/~sdejean

most significant results have become even more significant over time."
John Ioannidis

Though statisticians have long been pointing out problems with "significance
doping" and "P-dolatory" (the "worship of false significance") journals have
increasingly relied on p-values to determine whether a study should be
published.

"It's this number that looks like you could use it to make a decision that might
otherwise be difficult to make or require a whole lot more effort to make,"
“The p-value was never intended to be a substitute for scientific reasoning,”
Ron Wasserstein, Executive director of the American Statistical Association
 P-value

Good luck trying to find a really clear definition of a p-value.

Not Even Scientists Can Easily Explain P-values

Sébastien Déjean - [Link]/~sdejean

[Link]
values/

The ASA's Statement on p-Values: Context, Process, and Purpose

[Link]

"Informally, a p-value is the probability under a specified statistical model that a

statistical summary of the data (for example, the sample mean difference between
two compared groups) would be equal to or more extreme than its observed value."
I called Rebecca Goldin, the director for [Link] and a professor at
George Mason University, for help parsing that still perplexing definition.
 Digression
p-value sondage

recherche scientifique Journalisme politique

Sébastien Déjean - [Link]/~sdejean

Le Parisien abandonne les sondages politiques pendant la campagne
[Link]
sondages­politiques­pendant­la­campagne­03­01­2017­[Link]

Article qui pourrait être ré-intitulé d'après le premier article cité en "Une
obsession malsaine pour les sondages ruine le journalisme (politique)" ou
d'après le second "Même les sondeurs (ceux que l'on voit à la télé, pas les
"vrais") ne savent pas expliquer facilement les résultats d'un sondage"
 Digression
Le Parisien abandonne les sondages politiques pendant la campagne

Le directeur des rédactions du Parisien/Aujourd'hui en France Stéphane Albouy a annoncé

mardi sur France Inter que le quotidien ne commanderait plus de sondages politiques, une
"pause" pendant la campagne pour "se concentrer sur le journalisme de terrain".

Sébastien Déjean - [Link]/~sdejean

"C'est une réflexion qu'on a mené depuis quelques temps déjà, notamment après le Brexit et
l'élection de Donald Trump", explique-t-il à l'AFP, ajoutant que le journal ne commandait plus
de sondages depuis plusieurs semaines déjà.
"Ce n'est pas une question de défiance envers les sondeurs mais une façon de travailler
différemment que nous voulons tester pour la suite de la campagne", poursuit-il.
Il souhaite notamment éviter "ce côté course de petits chevaux où on se focalise sur qui
prend la première position" afin de "se concentrer sur le fond, sur les programmes".
Il ne s'interdit pas toutefois de commenter les sondages commandés par d'autres médias.
Consommateur de sondages, le titre y consacre "quelques dizaines de milliers d'euros par
an", selon Stéphane Albouy, qui insiste sur le fait qu'il ne s'agit pas avec cette "pause" de
réaliser des économies.
"On peut entendre les critiques qui nous sont faites, à nous, médias, d'être coupés d'une
forme de réalité. Nous allons privilégier le terrain", explique-t-il, rappelant que le journal
s'appuie sur un réseau de 140 journalistes déployés en Ile-de-France.
"Déployer ces journalistes sur le terrain, cela coûte plus cher que les sondages, et
nous oblige aussi à être plus exigeants", estime-t-il.
 30

P-value
● La p-value n’est pas facile à définir simplement :
● Not Even Scientists Can Easily Explain P-values, C. Aschwanden 24/11/2015,
[Link]

● An unhealthy obsession with p-values is ruining science, J. Belluz, 15/03/2016,

[Link]

Sébastien Déjean - [Link]/~sdejean

● « Degré de significativité »
● C'est la plus petite des valeurs de α pour lesquelles les
observations conduisent au rejet de H0.
● C'est donc la probabilité, sous H0, d’observer les données ou
des données « plus extrêmes ».
● Comparer la p-value et α : rejet de H0  p-value < α
● Plus une p-value est petite, plus le risque de se tromper en
rejetant l’hypothèse H0 est faible.
 31

P-value et *
Une histoire vraie, retour d’un referee

Second, the statistical methods performed are confusing and interpretation of

significance is improper. Details about the stat’s need to be moved to the methods
section. Commenting on the level of statistical significance based on the p-value is

Sébastien Déjean - [Link]/~sdejean

incorrect. A p-value is either less than alpha value (rejecting null hypothesis) or it is
not (retaining null hypothesis); a smaller p-value does not indicate that something
has greater or stronger significance. Please delete adjectives (i.e. slightly, strongly,
etc.) accordingly.
5%

p-value < 5% *
p-value
Roman de E.L.
JAMES sorti en 2011

There is a reason that the speedometer in your car doesn't just Album de Jean-
read "slow" and "fast" -- Frank Harrell (warning about the use of Jacques Goldman
cutoffs after logistic regression) R-help (February 2011) sorti en 1987
 32

P-value (exemple)
Cas 1) : Angle moyen pour 16 tranches : 49.3
Cette valeur n’est pas dans la région critique (![48.53 ;
51.47]), on ne peut pas rejeter H0, la production du jour
est probablement conforme. La p-value associée à la
valeur 49.3 est environ 0.17 ce qui est supérieur au seuil
de 5%. Elle indique qu’en supposant que l’hypothèse

Sébastien Déjean - [Link]/~sdejean

nulle est vraie (angle moyen de la population = 50), la
probabilité d’observer un angle moyen de 49.3 pour un
échantillon de taille 16 est de 17 %.
49.3

Cas 2) : Angle moyen pour 16 tranches : 52.4

Cette valeur est dans la région critique, on rejette H0, la
production du jour n’est pas conforme (au seuil de 5%). La
p-value associée à la valeur 52.4 est de l’ordre de 0.0007
ce qui est inférieur au seuil de 5%. Elle indique qu’en
supposant que l’hypothèse nulle est vraie (angle moyen de
la population = 50), la probabilité d’observer un angle
moyen de 52.4 pour un échantillon de taille 16 est de
0.007 %. Ce qui nous incite à rejeter cette hypothèse au
niveau de la population. 52.4
 33

Et le risque β ?
β = P[Accepter H0 // H1 vraie] = P[X  [50-c ; 50+c] //  =???]

Le calcul explicite du risque β nécessite des valeurs de .

β()=P[«N(,9/16)»[50-c;50+c] ]

Sébastien Déjean - [Link]/~sdejean

Pour c=1 : RC=![49 ; 51] - =0.18 Pour c=2 : RC=![48 ; 52] - =0.0076
R> pnorm(51,45,0.75)-pnorm(49,45,0.75) R> pnorm(52,45,0.75)-pnorm(48,45,0.75)

β(45)=4.10-8 β(45)=3.10-5
1 .0

β(46)=3.10-5 β(46)=0.0038
c = 1
β(47)=0.0038 c = 2 β(47)=0.091
0 .8

β(48)=0.091 β(48)=0.5
β(49)=0.496 β(49)=0.91
β(50)=0.818 β(50)=0.99
0 .6
R is q u e B e ta

β(51)=0.496 β(51)=0.91
β(52)=0.091 β(52)=0.5
0 .4

β(53)=0.0038 β(53)=0.091
β(54)=3.10-5 β(54)=0.0038
0 .2

β(55)=4.10-8 β(55)=3.10-5
0 .0

46 48 50 52 54
 34

Puissance d'un test

La puissance d'un test est la probabilité de détecter une différence
(rejeter H0) lorsqu'elle existe.
P = 1-β
= 1-P[Accepter H0 // H1 vraie]

Sébastien Déjean - [Link]/~sdejean

= P[Rejeter H0 // H1 vraie]
1 .0
0 .8
0 .6
P u is s a n c e

0 .4

Représentation
de la fonction
0 .2

c = 1
c = 2
puissance
0 .0

46 48 50 52 54
 35

Représentation graphique de α et β
H0: μ=50 Rappel : pour α=5%, la région critique est ]- ; 48.53]  [51.47 ; + [
H1: μ=48 Dans ces conditions, β = 0.24 R> 1- pnorm(48.53,48,0.75)

Sébastien Déjean - [Link]/~sdejean

0 .5

Densité de la loi N(48;9/16) - H1 Densité de la loi N(50;9/16) - H0


0 .4


0 .3
D e n s ité

0 .2
0 .1
0 .0

46 48 50 52
 36

Représentation graphique de α et β
Variations de α de 0.01 à 0.1
0 .5

Sébastien Déjean - [Link]/~sdejean

  0 0. 0. 1198765432
0 .4

  00 . 4123. 2 6578241
0 .3
D e n s ité

0 .2
0 .1
0 .0

46 48 50 52
 37

Test « significatif »
● Si le test conduit à rejeter H0, le risque de se tromper
(α) est faible. La conclusion en faveur de H1 est
solide. Le test est dit significatif.

Sébastien Déjean - [Link]/~sdejean

● Si le test conduit à accepter H0,le risque de se
tromper (β) peut être grand (selon l'hypothèse
alternative). Cette conclusion est moins solide. Dans
ce cas, le test est dit non significatif. D'où l'habitude
d'affirmer « on ne peut pas rejeter H0 » plutôt que « on
accepte H0 ».
● D'où la nécessaire réflexion du choix des hypothèses
H0 et H1 ; H1 étant celle que l'on souhaite voir
satisfaite avec un faible risque de se tromper.
 38

Statistical significance
[Link]/wiki/Statistical_hypothesis_testing
It is important to note the difference between accepting the null hypothesis
and simply failing to reject it. The "fail to reject" terminology highlights the
fact that the null hypothesis is assumed to be true from the start of the test; if

Sébastien Déjean - [Link]/~sdejean

there is a lack of evidence against it, it simply continues to be assumed true.
The phrase "accept the null hypothesis" may suggest it has been proved simply
because it has not been disproved, a logical fallacy known as the argument from
ignorance. Unless a test with particularly high power is used, the idea of
"accepting" the null hypothesis may be dangerous. Nonetheless the
terminology is prevalent throughout statistics, where the meaning actually
intended is well understood.
[Link]/wiki/Statistical_significance
… a result has statistical significance when it is very unlikely to have
occurred given the null hypothesis. More precisely, the significance level
defined for a study, α, is the probability of the study rejecting the null hypothesis,
given that it were true; and the p-value of a result, p, is the probability of
obtaining a result at least as extreme, given that the null hypothesis were true.
The result is statistically significant, by the standards of the study, when p < α.
 39

Diminuer α et β
Le seul moyen de diminuer simultanément les risques α et β consiste à
augmenter la taille de l'échantillon (ce qui implique une diminution de la
variance de X et donc diminue le recouvrement des 2 courbes).  /n2

Exemple pour c=1 et H1 : μ=48

Sébastien Déjean - [Link]/~sdejean

 40

Représentation graphique de α et β
Variations de la taille de l'échantillon
n  21 2086
1 .0

Sébastien Déjean - [Link]/~sdejean

0 .8
0 .6
D e n s ité

0 .4
0 .2
0 .0

46 48 50 52
 41

Calcul d'effectif : principe

● La puissance diminue ( = le risque β augmente) quand :
● Le risque α diminue et / ou
● La taille de l'échantillon diminue et / ou

Sébastien Déjean - [Link]/~sdejean

● La taille de l'effet recherché diminue. En d'autres termes,
l'hypothèse alternative H1 « se rapproche » de l'hypothèse nulle H0.

● Une fois fixés :

● Le risque α
● Le risque β ou la puissance du test (1-β)
● La taille de l'effet à mettre en évidence
seule la taille de l'échantillon reste comme inconnue et on peut
donc la définir a priori compte tenu des autres informations.
 42

Calcul d'effectif : exemple

Extrait de l'aide en ligne de la fonction [Link]() de R
Power calculations for one and two sample t tests

Description
Compute power of test, or determine parameters to obtain target power.

Usage

Sébastien Déjean - [Link]/~sdejean

[Link](n = NULL, delta = NULL, sd = 1, [Link] = 0.05,
power = NULL,
type = c("[Link]", "[Link]", "paired"),
alternative = c("[Link]", "[Link]"),
strict = FALSE)

Arguments
n Number of observations (per group)
delta True difference in means
sd Standard deviation
[Link] Significance level (Type I error probability)
power Power of test (1 minus Type II error probability)
type Type of t test alternative One- or two-sided test
strict Use strict interpretation in two-sided case

Details
Exactly one of the parameters n, delta, power, sd, and [Link] must be
passed as NULL, and that parameter is determined from the others.

...
 43

Calcul d'effectif : exemple

R> [Link](n = 25, delta = 1, sd = 1, [Link] = 0.05, power = NULL)

Two-sample t test power calculation

n = 25 R> [Link](n = 30, delta = 1, [Link] = NULL ,power= 0.9)

delta = 1
sd = 1 n = 30
delta = 1

Sébastien Déjean - [Link]/~sdejean

[Link] = 0.05
power = 0.9337076 sd = 1
alternative = [Link] [Link] = 0.01286591
power = 0.90
NOTE: n is number in *each* group

R> [Link](n = NULL, delta = 1, sd = 1, [Link] = 0.05, power = 0,9)

Two-sample t test power calculation

n = 22.02110
delta = 1
sd = 1 R> [Link](n = 30, delta = NULL, sig = 0.05 ,power= 0.9)
[Link] = 0.05
power = 0.9
alternative = [Link] n = 30
delta = 0.8511743
NOTE: n is number in *each* group sd = 1
[Link] = 0.05
power = 0.9
 En pratique

Sébastien Déjean - [Link]/~sdejean

 45

Panorama de quelques tests statistiques

Problèmes à 1 échantillon Source : Wikipedia

Type de test Test paramétrique Test non paramétrique

Conformité à 1 standard Test de comparaison de

moyenne (Student), d'écart-
type, d'une proportion à une

Sébastien Déjean - [Link]/~sdejean

valeur de référence
Adéquation à une loi ● Kolmogorov-Smirnov
● 2 d'adéquation
● Shapiro-Wilk

Association entre variables

Type de test Test paramétrique Test non paramétrique

2 variables quantitatives Coefficient de corrélation de

Pearson
2 variables qualitatives 2 d'indépendance
 46

Panorama de quelques tests statistiques

Problèmes à K échantillons : comparaison de population
Type de test Test paramétrique Test non paramétrique
Comparaison de populations, les ● Kolmogorov-Smirnov
fonctions de répartition sont les ● Cramer – von Mises
mêmes dans les groupes
Tests de comparaison de K ● Test de comparaison de ● somme des rangs de Wilcoxon
échantillons indépendants moyennes (K=2) (K=2)

Sébastien Déjean - [Link]/~sdejean

(différenciation selon les ● ANOVA (analyse de variance) à 1 ● Mann - Whitney (K=2)
caractéristiques de tendance centrale) facteur ● Kruskal - Wallis
● Test des médianes
Tests de comparaison de K ● Fisher (K=2) ● Ansari - Bradley
échantillons indépendants ● Bartlett ● Siegel-Tukey
(différenciation selon les ● Cochran ● Test des différences extrêmes de
caractéristiques de dispersion) ● F-max de Hartley Moses
Tests pour K échantillons appariés ● Test de Student de comparaison ● Test des signes (K=2)
(mesures répétées ou blocs aléatoires de moyennes pour échantillons ● Rangs signés de Wilcoxon (K=2)
complets) appariés (K=2) ● Friedman
● Test de comparaison de variances ● Test de McNemar (K=2, variables
pour échantillons appariés (K=2) binaires)
● ANOVA pour blocs aléatoires ● Test Q de Cochran (variables
complets binaires)
Tests multivariés pour K échantillons ● T² de Hotelling, comparaison de
indépendants K=2 barycentres (vecteur des
moyennes)
● MANOVA (analyse de variance
mutlivariée), comparaison de K
barycentres : Lambda de Wilks,
Trace de Pillai, Trace de Hotelling-
Lawley, La plus grande valeur
Source : Wikipedia
 47

Comment s’y retrouver ?

Ce n’est pas simple...

Sébastien Déjean - [Link]/~sdejean

Source : [Link] entre autres
 48

Données indépendantes ou appariées ?

→ Attention de ne pas se tromper dans ce choix !
● Données indépendantes : les observations sont
indépendantes à l'intérieur de chaque échantillon

Sébastien Déjean - [Link]/~sdejean

et d'un échantillon à l'autre
Ex: résultats scolaires filles et garçons, dosage d'un produit chez 2
groupes de patients ayant reçu une molécule ou un placebo...

● Données appariées : les mêmes individus sont

soumis à 2 mesures successives d'une même
variable
Ex: notes de copies soumises à une double correction, dosage d'un
produit avant et après un traitement chez les mêmes individus...
 49

Données indépendantes ou appariées

Garçon Fille Garçon Fille Avant Après
18 22 18 16 Louise 18 22
21 25 21 21 Léo 21 25
16 17 16 23 Emma 16 17
22
19
24
24
18
29
= 22
19
24
20
29
18
Gabriel
Chloé
22
19
24
18
Adam 24 29
17 20 17 24 Lola 17 20

Sébastien Déjean - [Link]/~sdejean

20 23 20 17 Timéo 20 23
23 21 23 25 Inès 23 21
12 16 12 22 Raphaël 12 16

Garçon Fille

[Link](x,y, paired=FALSE) [Link](x,y, paired=TRUE)

p-value = 0,1928 p-value = 0,0118
**
 50

Test paramétrique ou non

paramétrique ?
→ Se tromper dans ce choix n'est pas forcément gênant

● Test paramétrique : les hypothèses nulle et

Sébastien Déjean - [Link]/~sdejean

alternative du test portent sur un paramètre
statistique (moyenne ou variance par exemple).
Ces tests nécessitent généralement des conditions
de validité (distribution normale des données par
exemple).

● Test non paramétrique : un test non paramétrique

porte globalement sur la répartition des données
sans hypothèse sur leur distribution.
 Quizz

● Données
X 1.31 1.46 1.85 1.58 1.64

Sébastien Déjean - [Link]/~sdejean

Y 1.49 1.32 2.01 1.59 1.76 1.86

● Question : y a-t-il une différence entre x et y ?

☞ Dois-je utiliser un test pour données appariées ?

NON, les données ne sont pas appariées car les 2 échantillons

sont de taille différente.
 R est d’accord !

x <­ c(1.31,1.46,1.85,1.58,1.64)
y <­ c(1.49,1.32,2.01,1.59,1.76,1.86)

Sébastien Déjean - [Link]/~sdejean

[Link](x,y, paired=TRUE)
Erreur dans [Link](x, y,
paired = TRUE) :
'x' et 'y' doivent avoir la même longueur
[Link](x,y, paired=TRUE)

[Link](x,y, paired=TRUE)
Erreur dans [Link](x, y) :
les arguments n'ont pas tous la même
taille
Données indépendantes !
STATISTICIAN

☞ OK, mais quel test utiliser ?

Le t-test ?

Sébastien Déjean - [Link]/~sdejean

YES NO

Ne fais pas de test,

tu n’as pas assez de données !
Si tu insistes, fais plutôt un test de Wilcoxon
 Une idée du résultat ?

Sébastien Déjean - [Link]/~sdejean

☞ Combien vaut la p-value du test de Wilcoxon
qui teste un éventuel décalage dans les 2
distributions dont sont issus les 2 échantillons ?
 Et le résultat est...
> [Link](x,y)
Wilcoxon rank sum test
data: x and y
W = 10, p-value = 0.4286
alternative hypothesis: true location shift is not equal to 0

Sébastien Déjean - [Link]/~sdejean

- Les 2 tests sont d’accord... ouf !
Et si ce n’était pas le cas ?
> [Link](x,y, [Link]=TRUE) - Trouver pourquoi...
Two Sample t-test
data: x and y
t = -0.7381, df = 9, p-value = 0.4792
alternative hypothesis: true difference in means is not equal to 0 95 percent
confidence interval:
-0.4213783 0.2140450
sample estimates:
mean of x mean of y
1.568000 1.671667
 Autre exemple

X 18 21 16 22 19 24 17 20 23 12
Y 22 25 17 24 18 29 20 23 21 16

Sébastien Déjean - [Link]/~sdejean

☞ Dois-je faire un test pour données appariées ?

?
Le fait d’avoir 2 échantillons de tailles égales est une
condition nécessaire mais pas […]
[…] = suffisante
 Ce sont des données appariées
Avant Après
Louise 18 22
Léo 21 25

Sébastien Déjean - [Link]/~sdejean

Emma 16 17
Gabriel 22 24
Chloé 19 18
Adam 24 29
Lola 17 20
Timéo 20 23
Inès 23 21
Raphaël 12 16
 Resultats
> [Link](x,y, paired=TRUE)
Wilcoxon signed rank test with continuity correction

data: x and y
V = 5, p-value = 0.02428

Sébastien Déjean - [Link]/~sdejean

alternative hypothesis: true location shift is not equal to 0

Les 2 tests sont d’accord (re-ouf !)

pour décider que le décalage est
> [Link](x,y, paired=TRUE) significatif ou que la différence des
Paired t-test
moyennes n’est pas nulle.
data: x and y
t = -3.1461, df = 9, p-value = 0.01181
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-3.953766 -0.646234
sample estimates:
mean of the differences
-2.3
 Et si je m’étais trompé
> [Link](x,y, paired=FALSE)
Wilcoxon rank sum test with continuity correction

data: x and y
W = 35, p-value = 0.2716
alternative hypothesis: true location shift is

Sébastien Déjean - [Link]/~sdejean

not equal to 0

> [Link](x,y, paired=FALSE)

Two Sample t-test

data: x and y
t = -1.3529, df = 18, p-value = 0.1928
alternative hypothesis: true difference in means
is not equal to 0
95 percent confidence interval: Les 2 tests seraient d’accord pour décider que le
-5.871567 1.271567 décalage n’est pas significatif ou que la différence
sample estimates: des moyennes est nulle. Ce qui serait une
mean of x mean of y conclusion fausse si j’ai des données effectivement
19.2 21.5 appariées (mais ce n’est pas de la faute des tests...)
 60

Cas de 2 échantillons
« Comparaison de moyennes »

Type de test Test paramétrique Test non

paramétrique

Sébastien Déjean - [Link]/~sdejean

Type de données

Données Test de Student pour Test de Wilcoxon-

indépendantes 2 échantillons Mann-Whitney
Rank-sum test

Données appariées Test de Student pour Test de Wilcoxon

Signed-rank test
1 échantillon
(sur la différence)
 61

Le test de Wilcoxon-Mann-Whitney
Exemple : la concentration d'un produit est mesurée sur 2 échantillons indépendants de
taille respective n1=5 et n2=6. Voici les mesures :
Ech 1 : 1.31 1.46 1.85 1.58 1.64
Ech 2 : 1.49 1.32 2.01 1.59 1.76 1.86

Sébastien Déjean - [Link]/~sdejean

Les distributions des données sont-elle significativement différentes dans les 2
populations dont sont issues les 2 échantillons?
L'hypothèse d'absence de
Procédure du test de W-M-W décalage entre les 2 distributions
1) Classer toutes les observations par ordre croissant est rejetée si cette valeur W
2) Affecter son rang à chaque observation s'éloigne « trop » d'une valeur
3) Calculer la somme des rangs d'un échantillon « moyenne ».

1) 1.31 1.32 1.46 1.49 1.58 1.59 1.64 1.76 1.85 1.86 2.01
2) 1 2 3 4 5 6 7 8 9 10 11
3) Somme des rangs en bleu : W = 25 > x<­c(1.31,1.46,1.85,1.58,1.64)
> y<­c(1.49,1.32,2.01,1.59,1.76,1.86)
> [Link](x,y)
Wilcoxon rank sum test
La p-value obtenue ici (0.4286) indique qu'il n'y a pas data: x and y
de décalage (shift) entre les positions des 2 séries W = 10, p­value = 0.4286
d'observations. alternative hypothesis: true location
shift is not equal to 0
 62

Le test de Student
On considère le même problème que précédemment et on applique un test de Student pour
comparer la moyenne des 2 échantillons même si les conditions d'application sont plus que
discutables.
Formules Sous H0, hypothèse d'égalité
Calculs 1.31 1.49 des moyennes, on a :
1.46 1.32 ̄x − ̄y ∼Student (n +n −2)
1.85 2.01

Sébastien Déjean - [Link]/~sdejean

1 2
1.58
1.64
1.59
1.76
1.86
s
√ 1 1
+
n1 n2

Avec s2 la variance (n1−1)V 1 +(n2 −1)V 2

Moyenne 1.658 1.672 2
Variance 0.041 0.064
commune aux 2 s=
n1 +n 2−2
Var. Commune 0.054 échantillons

t = ­0.738
> [Link](x,y,[Link]=T)
Two Sample t­test
data: x and y
t = ­0.7381, df = 9, p­value = 0.4792
alternative hypothesis: true difference
Densité de la in means is not equal to 0
loi de Student à 95 percent confidence interval:
9 ddl ­0.4213783 0.2140450
sample estimates:
mean of x mean of y
1.568000 1.671667
 63

Mise en œuvre de quelques tests

Données simulées : génération aléatoire selon une loi normale de 2
échantillons de longueur 100 : x ~ N(0,1) et y ~ N(1,1)

Sébastien Déjean - [Link]/~sdejean

y
x

-3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3
 64

Mise en œuvre de quelques tests

Test de Student pour un échantillon Densité d'une loi de Student à 99 ddl

0 .4
Aire bleue
=
On ne peut pas rejeter

0 .3
p-value
H0, la moyenne est
One Sample t-test

0 .2
probablement nulle.

0 .1

Sébastien Déjean - [Link]/~sdejean

data: x

0 .0
t = -0.1175, df = 99, p-value = 0.9067 -3 -2 -1 0 1 2 3

alternative hypothesis: true mean is not equal to 0 -0.1175

95 percent confidence interval:

-0.2239679 0.1989233
sample estimates: Rejet de H0 avec une
mean of x très faible probabilité
-0.01252230 de se tromper.
One Sample t-test
Densité d'une loi de Student à 99 ddl
data: y
0 .4

t = 7.78, df = 99, p-value = 7.082e-12

alternative hypothesis: true mean is not equal to 0
0 .3

95 percent confidence interval:

0 .2

0.6291375 1.0599157
0 .1

sample estimates:
mean of x
0 .0

-5 0 5

7.78 0.8445266
 65

Mise en œuvre de quelques tests

Test de Fisher d’égalité des variances

F test to compare two variances

Sébastien Déjean - [Link]/~sdejean

data: x and y
F = 0.9637, num df = 99, denom df = 99, p-value = 0.8545
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.6484291 1.4323091
sample estimates:
ratio of variances
0.9637173
On ne peut pas rejeter H0, les 2 variances
sont très probablement égales.
 66

Mise en œuvre de quelques tests

Test de Student pour 2 échantillons
Two Sample t-test (variances supposées égales)
data: x and y
t = -5.6342, df = 198, p-value = 5.982e-08
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:

Sébastien Déjean - [Link]/~sdejean

-1.1570238 -0.5570741 Pour effectuer ce test, on

30
sample estimates: suppose les 2 variances

20
mean of x mean of y égales. Cela peut être

10
contrôlé par un test de Fisher
-0.01252230 0.84452662

0
d’égalité des variances.

-10
Dans le cas ci-contre, la
comparaison des moyennes

-20
On rejette H0, les 2 moyennes sont très n’a pas vraiment de sens. x y

probablement différentes.

Welch Two Sample t-test

adaptation du test de Student sans l'hypothèse de variances égales
data: x and y
t = -5.6342, df = 197.932, p-value = 5.985e-08
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-1.1570244 -0.5570734
sample estimates:
mean of x mean of y
-0.01252230 0.84452662
 67

Mise en œuvre de quelques tests

Test sur le coefficient de corrélation
Pearson's product-moment correlation
data: x and y

3
t = 0.5464, df = 98, p-value = 0.586

2
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:

1
-0.1428544 0.2488346

0
sample estimates: cor = 0.05511005

Sébastien Déjean - [Link]/~sdejean

-1
-3 -2 -1 0 1 2

Pearson's product-moment correlation

data: x and z1
4

t = 5.5115, df = 98, p-value = 2.88e-07

2

alternative hypothesis: true correlation is not equal to 0

0

95 percent confidence interval:

y

0.3206572 0.6233025
-2

sample estimates: cor = 0.486438

-4
-6

-3 -2 -1 0 1

Pearson's product-moment correlation

3
data: x and z2
t = 22.3231, df = 98, p-value < 2.2e-16

2
alternative hypothesis: true correlation is not equal to 0

1
z
95 percent confidence interval:

0
0.8748002 0.9415099

-1
sample estimates: cor = 0.914144

-2
-3
-2 -1 0 1 2 3

x
 68

Mise en œuvre de quelques tests

Test de normalité Kolmogorov-Smirnov
> [Link](x,y) # x et Y sont-ils des échantillons d'une même distribution ?
Two-sample Kolmogorov-Smirnov test
data: x and y
D = 0.33, p-value = 3.729e-05 Probablement pas, avec une faible
alternative hypothesis: two-sided chance de se tromper

Sébastien Déjean - [Link]/~sdejean

> [Link](x,"pnorm") # x est-il un échantillon d'une loi normale N(0,1) ?
One-sample Kolmogorov-Smirnov test
data: x
D = 0.0718, p-value = 0.6803
Les données ne permettent
alternative hypothesis: two-sided pas de dire le contraire.

> [Link](y,"pnorm") # y est-il un échantillon d'une loi normale N(0,1) ?

One-sample Kolmogorov-Smirnov test
data: y Probablement pas, avec une très
D = 0.3408, p-value = 1.641e-10 faible chance de se tromper.
alternative hypothesis: two-sided

> [Link](y,"pnorm",1) y est-il un échantillon d'une loi normale N(1,1) ?

One-sample Kolmogorov-Smirnov test
data: y
D = 0.0923, p-value = 0.3614
Les données ne permettent
alternative hypothesis: two-sided pas de dire le contraire.
 69

Quelques tests classiques

Test du 2 d'indépendance
● Données : effectifs recueillies dans une table de contingence (tableau croisé pour 2
variables qualitatives)
● Question : les 2 variables qualitatives sont-elles indépendantes ?

●Exemple : 1250 personnes ont répondu à la question « Êtes-vous satisfaits des

Sébastien Déjean - [Link]/~sdejean

programmes TV ? ». On souhaite savoir si la satisfaction dépend du sexe.
OUI NON Indécis Somme
Hommes 378 237 26 641
Femmes 438 146 25 609
Somme 816 383 51 1250

Hypothèse H0 : Satisfaction et sexe sont indépendants

Effectifs théoriques sous l'hypothèse d'indépendance
(effectif d'une case = effectif de la ligne * effectif de la colonne / effectif total)
OUI NON Indécis
Statistique de test : 2obs = Σ (Obs-Théo)2 / Théo
Hommes 418 196 26
Femmes 398 187 25 Reflète l'écart entre les données observées et les
effectifs théoriques en cas d'indépendance

Pearson's Chi-squared test

data: [Link] Les 2 caractères ne semblent
X-squared = 25.2501, df = 2, p-value = 3.289e-06 pas indépendants.
 Test et visualisation des données
Y a-t-il un effet du facteur WT/mut sur la variable Vx ?

Vx Fact > [Link](Vx~Fact)

1 -1.11 WT Welch Two Sample t-test OUI !
2 -0.01 WT data: Vx by Fact
3 0.20 WT t = 2.3854, df = 10.269, p-value = 0.03765
4 -0.67 WT

Sébastien Déjean - [Link]/~sdejean

5 0.05 WT
6 0.17 WT > [Link](Vx~Fact)
Wilcoxon rank sum test
7
8
0.34
0.24
WT
WT data: Vx by Fact NON !?
9 0.54 WT W = 72, p-value = 0.1051
10 0.75 WT
11 2.51 Mut
12 -0.43 Mut
13 2.09 Mut
14 2.21 Mut PEUT-ETRE...
15 4.36 Mut
16 -0.17 Mut
17 -1.43 Mut
18 1.99 Mut
19 0.50 Mut
20 5.10 Mut
 Test et visualisation des données
Données: 1 facteur (WT/Mut), 2 variables quantitatives
factor Vx Vy
Le facteur influence-t-il Vx et Vy?
1 WT 2.0 2.00 Vx
2 Mut 3.0 2.50 > [Link](Vx~fact)
3 WT 4.5 3.50 Welch Two Sample t-test

Sébastien Déjean - [Link]/~sdejean

data: Vx by fact
4 Mut 5.0 3.25 t = -0.34852, df = 8.7078, p-value = 0.7357
5 Mut 5.5 3.30
6 WT 6.0 4.30 > [Link](Vx~fact)
NO
7 Mut 7.0 4.20 Wilcoxon rank sum test
8 WT 8.0 5.10 data: Vx by fact
9 Mut 8.5 4.80 W = 16, p-value = 0.8182
NO
10 Mut 9.0 5.00 Vy
11 WT 10.0 6.00
> [Link](Vy~fact)
12 WT 11.0 6.50
Welch Two Sample t-test
NO
data: Vy by fact
t = -0.91815, df = 8.1062, p-value = 0.385
> [Link](Vy~fact)
Wilcoxon rank sum test
data: Vy by fact
W = 11, p-value = 0.3095 NO
 Test et visualisation des données
Les stripcharts semblent d’accord Et que dit un nuage de points 2D ?

Sébastien Déjean - [Link]/~sdejean

factor Vx Vy
1 WT 2.0 2.00
2 Mut 3.0 2.50
3 WT 4.5 3.50
4 Mut 5.0 3.25
5 Mut 5.5 3.30
6 WT 6.0 4.30
7 Mut 7.0 4.20
8 WT 8.0 5.10
9 Mut 8.5 4.80
10 Mut 9.0 5.00
11 WT 10.0 6.00
12 WT 11.0 6.50
 ANOVA 2 facteurs
Id genotype treatment X1 X2 X3 X4
1 WT CTRL 10.4 10.4 10.1 10.1
2 WT CTRL 10.5 10.5 10.2 10.2
3 WT CTRL 9.6 9.6 9.8 9.8
4 WT CTRL 9.5 9.5 9.9 9.9
5 WT CTRL 10.0 10.0 10.0 10.0

Sébastien Déjean - [Link]/~sdejean

6 WT Treat 6.4 6.4 5.1 8.1
7 WT Treat 6.5 6.5 5.2 8.2
8 WT Treat 5.6 5.6 4.8 7.8
9 WT Treat 5.8 5.8 4.9 8.9
10 WT Treat 6.0 6.0 5.0 8.0
11 Mut CTRL 12.1 10.3 5.1 5.1
12 Mut CTRL 12.2 10.6 5.2 5.2
13 Mut CTRL 11.8 9.7 4.8 4.8
14 Mut CTRL 11.9 9.4 4.9 4.9
15 Mut CTRL 12.0 10.0 5.0 5.0
16 Mut Treat 8.1 6.3 10.1 10.1
17 Mut Treat 8.2 6.6 10.2 10.2
18 Mut Treat 7.8 5.5 9.8 9.8
19 Mut Treat 7.9 5.9 9.9 9.9
20 Mut Treat 8.0 6.0 10.0 10.0
 ANOVA table

X1 Df Sum Sq Mean Sq F value Pr(>F)

genotype 1 19.40 19.4 192.600 2.44e-10 ***
treatment 1 78.80 78.8 782.179 5.17e-15 ***
genotype:treatment 1 0.00 0.0 0.045 0.835

Sébastien Déjean - [Link]/~sdejean

X2 Df Sum Sq Mean Sq F value Pr(>F)
genotype 1 0.00 0.00 0.0 1
treatment 1 77.62 77.62 413.4 7.42e-13 ***
genotype:treatment 1 0.00 0.00 0.0 1

X3 Df Sum Sq Mean Sq F value Pr(>F)

genotype 1 0.0 0.00 0 1
treatment 1 0.0 0.00 0 1
genotype:treatment 1 125.0 125.00 5000 <2e-16 ***
a
X4 Df Sum Sq Mean Sq F value Pr(>F)
genotype 1 12.8 12.80 204.8 1.54e-10 ***
treatment 1 12.8 12.80 204.8 1.54e-10 ***
genotype:treatment 1 57.8 57.80 924.8 1.38e-15 ***
 Graphiques d’interaction
[Link]/Documents/MultiBook3/[Link]

X1 X2
genotype 2.44e-10 *** genotype 1
treatment 5.17e-15 *** treatment 7.42e-13 ***
genotype:treatment 0.835 genotype:treatment 1

Sébastien Déjean - [Link]/~sdejean

X3 genotype 1 X4
treatment 1
genotype 1.54e-10 ***
genotype:treatment <2e-16 ***
treatment 1.54e-10 ***
genotype:treatment 1.38e-15 ***
 76

Planification expérimentale
2 conditions à l'étude : Contrôle / Traitement

Jour 1 8 échantillons Contrôle

Jour 2 8 échantillons Traitement

Sébastien Déjean - [Link]/~sdejean

Test statistique : les moyennes des 2 séries sont significativement différentes !

Jour 1
*
Effet
traitement !
Effet jour ? Jour 2

Randomisation
To call in the statistician after the experiment is done
may be no more than asking him to perform a post-
mortem examination: he may be able to say what the
experiment died of.
R.A. Fisher
 Conclusion

Après nous avoir convaincu de leur objectivité fondamentale, il ne

reste plus aux chiffres qu’à nous amener doucement à penser

Sébastien Déjean - [Link]/~sdejean

qu’ils en déterminent le monopole. Dès lors, une forme de
hiérarchie gagne l’argumentation et le raisonnement : contenir
quelques chiffres qualifie automatiquement votre discours, même
si personne ne prend la peine de comprendre vraiment ce qu’ils
signifient, voire même s’ils sont sans rapport avec le sujet traité !
A contrario, de ce fait, toute argumentation purement textuelle
semble dépréciée […] comme si le raisonnement et la rigueur ne
pouvait exister hors des chiffres.

Lorsqu’on invoque les mathématiques pour garantir des résultats qui ne dépendent
que des choix faits au départ, on trompe le lecteur et d’une certaine façon, on
contraint cette discipline scientifique à blanchir des hypothèses douteuses. Les
mathématiques sont alors prises en otage, ni plus ni moins. […] L’outil mathématique
fait son travail, que l’hypothèse soit plausible ou non, qu’elle soit légitime ou non. En
aucun cas, il n’assume la garantie des hypothèses sur lesquelles on le fait travailler.
Un outil reste un outil.