Biostatistique
Cours 7 – Partie 1
Comparaison de variances
Master 1 Méthodes en Santé Publique
[Link]@[Link]
Introduction
• But en soi : regarder si la dispersion des valeurs est différente entre
deux populations
• Comparaison de la précision de deux types de mesure
• Conditions d’application du test de Student
Biostatistique – M1 SP 2
Test
• Hypothèse nulle H0 : 𝜎12 = 𝜎22
• Hypothèse alternative H1
o Test bilatéral : 𝜎12 ≠ 𝜎22
o Test unilatéral : 𝜎12 < 𝜎22 ou 𝜎12 > 𝜎22
• Observations : 𝑠12 et 𝑠22 sur deux échantillons d’effectifs n1 et n2
Biostatistique – M1 SP 3
Test
• Hypothèse nulle H0 : 𝜎12 = 𝜎22
• Hypothèse alternative H1
o Test bilatéral : 𝜎12 ≠ 𝜎22
o Test unilatéral : 𝜎12 < 𝜎22 ou 𝜎12 > 𝜎22 → + facile dans un 1er temps
• Observations : 𝑠12 et 𝑠22 sur deux échantillons d’effectifs n1 et n2
Biostatistique – M1 SP 4
Test
• Si distribution de X normale dans les deux populations comparées
𝑆12 𝑆22 𝑆12 𝜎22 𝑛 −1
𝐹 = 2 / 2 = 2 2 ~ Fisher𝑛21−1
𝜎1 𝜎2 𝑆2 𝜎1
• Sous H0
𝑆12 𝑛1 −1
𝐹 = 2 ~ Fisher𝑛2 −1
𝑆2
Biostatistique – M1 SP 5
Test
• Sous H0
𝑆12 𝑛1 −1
𝐹 = 2 ~ Fisher𝑛2 −1
𝑆2
• Calcul de f à partir des observations faites sur les échantillons
• Comparaison à une valeur seuil de la loi de Fisher à (n1-1) et (n2-1)
degrés de libertés
Biostatistique – M1 SP 6
𝑆12 𝑛 −1
Loi de Fisher 𝐹 = 2
𝑆2
~ Fisher𝑛21−1
Biostatistique – M1 SP 7
𝑆12 𝑛 −1
Loi de Fisher 𝐹 = 2
𝑆2
~ Fisher𝑛21−1
4
• 𝑃 𝐹12 > 5,41 = ?
Biostatistique – M1 SP 8
𝑆12 𝑛 −1
Loi de Fisher 𝐹 = 2
𝑆2
~ Fisher𝑛21−1
4
• 𝑃 𝐹12 > 5,41 = 0,01
Biostatistique – M1 SP 9
𝑆12 𝑛 −1
Loi de Fisher 𝐹 = 2
𝑆2
~ Fisher𝑛21−1
4
• 𝑃 𝐹12 > 5,41 = 0,01
6
• 𝑃 𝐹13 > 𝑎 = 0,05
Biostatistique – M1 SP 10
𝑆12 𝑛 −1
Loi de Fisher 𝐹 = 2
𝑆2
~ Fisher𝑛21−1
4
• 𝑃 𝐹12 > 5,41 = 0,01
6
• 𝑃 𝐹13 > 𝑎 = 0,05
6 6 6
𝐹12 > 𝐹13 > 𝐹14
Biostatistique – M1 SP 11
𝑆12 𝑛 −1
Loi de Fisher 𝐹 = 2
𝑆2
~ Fisher𝑛21−1
4
• 𝑃 𝐹12 > 5,41 = 0,01
6
• 𝑃 𝐹13 > 𝑎 = 0,05
11
• 𝑃 𝐹13 > 𝑎 = 0,05
Biostatistique – M1 SP 12
𝑠12 𝑛 −1
Loi de Fisher 𝐹 = 2
𝑠2
~ Fisher𝑛21−1
4
• 𝑃 𝐹12 > 5,41 = 0,01
6
• 𝑃 𝐹13 > 𝑎 = 0,05
11
• 𝑃 𝐹13 > 𝑎 = 0,05
10 11 12
𝐹12 > 𝐹13 > 𝐹14
Biostatistique – M1 SP 13
Test unilatéral
• H0 : 𝜎12 = 𝜎22 et H1 : 𝜎12 > 𝜎22
𝑠12
• Rejet de H0 si f = 2 ≥ 𝐹𝛼
𝑠2
Biostatistique – M1 SP 14
Exemple
• Comparaison de la reproductibilité d’un nouvel appareil de pesée et
d’un ancien
• Même objet pesé
2
o 15 fois par l’ancien appareil : 𝑠1 = 6,8
2
o 25 fois par le nouvel appareil : 𝑠2 = 2,7
• H0 : 𝜎12 = 𝜎22 (reproductibilités identiques)
• H1 : 𝜎12 > 𝜎22 (meilleure reproductibilité du nouvel appareil)
Biostatistique – M1 SP 15
Exemple
• Comparaison de la reproductibilité d’un nouvel appareil de pesée et
d’un ancien
𝑠12 6,8
•f = 2 = = 2,52
𝑠2 2,7
• Valeur seuil pour α=5% ?
Biostatistique – M1 SP 16
Exemple
• Comparaison de la reproductibilité d’un nouvel appareil de pesée et
d’un ancien
𝑠12 6,8
•f = 2 = = 2,52
𝑠2 2,7
• Valeur seuil pour α=5%
14
𝐹24 = 2,13
Biostatistique – M1 SP 17
Exemple
• Comparaison de la reproductibilité d’un nouvel appareil de pesée et
d’un ancien
• Rejet de H0 au seuil α=5%
• Le nouvel appareil a une meilleure précision que l’ancien
Biostatistique – M1 SP 18
Exemple
• Comparaison de la reproductibilité d’un nouvel appareil de pesée et
d’un ancien
• Degré de signification ?
Biostatistique – M1 SP 19
Exemple
• Comparaison de la reproductibilité d’un nouvel appareil de pesée et
d’un ancien
• Degré de signification
0,010 < p < 0,025
Biostatistique – M1 SP 20
Test unilatéral : inversion de H1
• H0 : 𝜎12 = 𝜎22 et H1 : 𝜎12 < 𝜎22 (au lieu de 𝜎12 > 𝜎22 )
𝑠12 𝑛1 −1
• Rejet de H0 si f = 2 < 𝐹𝛼′ définie par 𝑃 𝐹𝑛2 −1 < 𝐹𝛼′
𝑠2
Biostatistique – M1 SP 21
Test unilatéral : inversion de H1
• H0 : 𝜎12 = 𝜎22 et H1 : 𝜎12 < 𝜎22 (au lieu de 𝜎12 > 𝜎22 )
Pas dans la table
𝑠12 𝑛1 −1
• Rejet de H0 si f = 2 < 𝐹𝛼′ définie par 𝑃 𝐹𝑛2 −1 < 𝐹𝛼′
𝑠2
Biostatistique – M1 SP 22
Test unilatéral : inversion de H1
• H0 : 𝜎12 = 𝜎22 et H1 : 𝜎12 < 𝜎22 (au lieu de 𝜎12 > 𝜎22 )
Pas dans la table
𝑠12 𝑛1 −1
• Rejet de H0 si f = 2 < 𝐹𝛼′ définie par 𝑃 𝐹𝑛2 −1 < 𝐹𝛼′
𝑠2
𝑠22
→ On se ramène à f = 2 > 𝐹𝛼
𝑠1
𝑛2 −1
définie par 𝑃 𝐹𝑛1−1 > 𝐹𝛼
Attention à l’inversion des ddl
Biostatistique – M1 SP 23
Exemple
• Dosage biologique chez 25 sujets hospitalisés dans un service
spécialisé : 𝑠12 = 7,5
• Dosage biologique chez 150 sujets consultant dans un centre :
𝑠22 = 11,2
• Hétérogénéité plus grande dans le centre par rapport au service ?
Biostatistique – M1 SP 24
Exemple
• H0 : ? et H1 : ?
Biostatistique – M1 SP 25
Exemple
• H0 : 𝜎12 = 𝜎22 et H1 : 𝜎12 < 𝜎22
• Statistique de test et valeur seuil ?
Biostatistique – M1 SP 26
Exemple
• H0 : 𝜎12 = 𝜎22 et H1 : 𝜎12 < 𝜎22
𝑠22
•f = 2 = 1,49
𝑠1
149
• Comparaison au seuil 𝐹24
Biostatistique – M1 SP 27
Exemple
• H0 : 𝜎12 = 𝜎22 et H1 : 𝜎12 < 𝜎22
𝑠22
•f = 2 = 1,49
𝑠1
149
• Comparaison au seuil 𝐹24
Biostatistique – M1 SP 28
Exemple
• H0 : 𝜎12 = 𝜎22 et H1 : 𝜎12 < 𝜎22
𝑠22
•f = 2 = 1,49
𝑠1
149
• Comparaison au seuil 𝐹24
• Non rejet de H0 pour α=5%
• On ne met pas en évidence
que 𝜎12 < 𝜎22
Biostatistique – M1 SP 29
Test bilatéral
• H0 : 𝜎12 = 𝜎22 et H1 : 𝜎12 ≠ 𝜎22
𝑠12
• Rejet de H0 si f = 2
𝑠2
s’écarte trop fortement de 1,
en lui étant < ou >
2 valeurs seuils
Biostatistique – M1 SP 30
Test bilatéral
• H0 : 𝜎12 = 𝜎22 et H1 : 𝜎12 ≠ 𝜎22
𝑠12
• Rejet de H0 si f = 2
𝑠2
s’écarte trop fortement de 1
• Fs trouvé dans la table 4
pour un risque α/2
Biostatistique – M1 SP 31
Test bilatéral
𝑠12 𝑠22
• Identification de Fi → transformation de f = 2 en f ′ = 2
𝑠2 𝑠1
1 𝑛2 −1
• Valeurs f < Fi ↔ > valeur seuil pour α/2 de 𝐹𝑛1 −1
f
• Rejet de H0 si
𝑠12 𝑛1 −1
o 2 > 𝐹𝛼/2 (valeur seuil de 𝐹𝑛2 −1 pour α/2)
𝑠2
Ces 2 valeurs seuil sont > 1
𝑠22 ′ 𝑛 −1
o 2 > 𝐹𝛼/2 (valeur seuil de 𝐹𝑛12−1 pour α/2)
𝑠1
Biostatistique – M1 SP 32
Test bilatéral – en pratique
𝑠12 𝑠22
• On calcule celui des deux rapports ou qui est supérieur à 1
𝑠22 𝑠12
• On rejette H0 si ce rapport dépasse la valeur seuil lue au risque α/2
dans la table de Fisher aux degrés de liberté appropriés
• On conclue au risque α
Biostatistique – M1 SP 33
Exemple 1
• Deux échantillons de tailles n1=17 et n2=25
• On observe 𝑠12 = 2,7 et 𝑠22 = 6,2
• Les variances des deux populations sont-elles différentes ?
Biostatistique – M1 SP 34
Exemple 1
• Deux échantillons de tailles n1=17 et n2=25
• On observe 𝑠12 = 2,7 et 𝑠22 = 6,2
• Les variances des deux populations sont-elles différentes ?
• H0 : 𝜎12 = 𝜎22 et H1 : 𝜎12 ≠ 𝜎22
𝑠22 6,2
• Calcul de f = 2 = = 2,3
𝑠1 2,7
Biostatistique – M1 SP 35
Exemple 1
• f = 2,3
• Valeur seuil ?
Biostatistique – M1 SP 36
Exemple 1
• f = 2,3
24
• Valeur seuil pour 𝐹16 = 2,63
(α=5% → α/2=0,025)
• Conclusion ?
Biostatistique – M1 SP 37
Exemple 1
• f = 2,3
24
• Valeur seuil pour 𝐹16 = 2,63
(α=5% → α/2=0,025)
• Non rejet de H0 au risque 5%
• On ne met pas en évidence de différence entre les deux variances
Biostatistique – M1 SP 38
Exemple 2
• Deux échantillons de tailles n1=17 et n2=25
• On observe 𝑠12 = 2,7 et 𝑠22 = 13,5
• Les variances des deux populations sont-elles différentes ?
Biostatistique – M1 SP 39
Exemple 2
• Deux échantillons de tailles n1=17 et n2=25
• On observe 𝑠12 = 2,7 et 𝑠22 = 13,5
• Les variances des deux populations sont-elles différentes ?
𝑠22 13,5 24
• Calcul de f = 2 = = 5 : valeur seuil 𝐹16 = 2,63
𝑠1 2,7
• Rejet de H0 pour un risque α=5%
• Variances significativement différentes (p<0,002)
Biostatistique – M1 SP 40
Exemple 3
• Deux échantillons de tailles n1=17 et n2=25
• On observe 𝑠12 = 14,5 et 𝑠22 = 6,2
• Les variances des deux populations sont-elles différentes ?
Biostatistique – M1 SP 41
Exemple 3
• Deux échantillons de tailles n1=17 et n2=25
• On observe 𝑠12 = 14,5 et 𝑠22 = 6,2
• Les variances des deux populations sont-elles différentes ?
𝑠12 14,5 16
• Calcul de f = 2 = = 2,34 : valeur seuil 𝐹24 = 2,41
𝑠2 6,2
• Non rejet de H0 pour un risque α=5%
• On ne met pas en évidence de différence entre les deux variances
Biostatistique – M1 SP 42
Conclusion
• Conditions d’application du test de Student
• Comparaison de la précision de deux types de mesure
• But en soi : regarder si la dispersion des valeurs est différente entre
deux populations
• Hypothèse de la normalité de la variable d’intérêt à ne pas oublier
Biostatistique – M1 SP 43
Conclusion
• But en soi : regarder si la dispersion des valeurs est différente entre
deux populations
Exemple : tabac pendant la grossesse et poids de naissance
Habituellement : comparaison des moyennes de poids de naissance ou des %
d’hypotrophie
→ Hypothèse implicite d’un effet additif : à cause du tabac, la moyenne est
déplacée d’une certaine valeur a mais la variance ne change pas
→ Si la variance change : effet du tabac non égal à a pour tous les nouveau-nés
mais dépend des caractéristiques des nourrissons
Biostatistique – M1 SP 44
