Comparaison d’une moyenne observée à une moyenne théorique

Slides:



Advertisements
Présentations similaires
Intervalles de confiance
Advertisements

Intervalles de confiance
Introduction aux statistiques Intervalles de confiance
Corrélation Position du problème Définition covariance (X,Y) r =
Test statistique : principe
Introduction aux statistiques
Les tests d’hypothèses (II)
TESTS RELATIFS AUX CARACTERES QUANTITATIFS
Echantillonnage Introduction
Inférence statistique
Comparaison de deux moyennes observées
Inférence statistique
Situation du problème :
Comparaison de pourcentages : séries appariées
Faculté de médecine de Nancy - SPI-EAO - Pr. F. KOHLER
Comparaison d'une distribution observée à une distribution théorique
Comparaison de deux pourcentages observés
Comparaison de plusieurs moyennes observées
Tests non paramétriques
Les TESTS STATISTIQUES
Tests de comparaison de pourcentages
Nombre de sujets nécessaires en recherche clinique
Les tests statistiques. Une situation à risques
Tests non paramétriques de comparaison de moyennes
Les TESTS STATISTIQUES
Les Tests dhypothèses. 1)Définition Un test cest une méthode qui permet de prendre une décision à partir des résultats dun échantillon.
Régression -corrélation
Tests de comparaison de moyennes
Autres LOIS de PROBABILITES
Méthodes de Biostatistique
Nombre de sujets nécessaires en recherche clinique
Groupe 1: Classes de même intervalle
Problème Autre formulation :
Corrélation et régression linéaire simple
Le test t. Procédure de linférence statistique 1. Contexte théorique 2. Hypothèses 3. Seuil de signification et puissance 4. Taille de leffet 5. Collecte.
Le test t.
La puissance statistique
La puissance statistique
Corrélation Principe fondamental d’une analyse de corrélation
Théorie… Inférence statistique: étude du comportement d’une population ou d’un caractère X des membres d’une population à partir d’un échantillon aléatoire.
Régression linéaire (STT-2400)
Statistiques Séance 10 N. Yamaguchi.
Méthodes de Biostatistique
PRINCIPE DES TESTS D’HYPOTHÈSE
ANALYSE DE DONNEES TESTS D’ASSOCIATION
Lien entre deux variables
N. Yamaguchi1 Statistiques Séance 6 – 16 Nov 2005.
ANOVA à 1 facteur en groupes de mesure indépendants
Principales distributions théoriques
Les approches statistiques pour la qualité
STATISTIQUE INFERENTIELLE LES TESTS STATISTIQUES
L’erreur standard et les principes fondamentaux du test de t
1.  On souhaite comparer deux traitements dans le cadre d’un essai randomisé sur les lombosciatiques :  corticoïdes par infiltrations  placebo  Critère.
1 Licence Stat-info CM3 a 2004 V1.2Christophe Genolini Problème des groupes Un amphi de 200 élèves : loi normale moyenne X et écart type s –Un élève :
LOI NORMALE LOI STUDENT ECHANTILLONS ET TESTS DE MOYENNE
1 L2 STE. Test du χ2 d’adéquation/conformité: Il s'agit de juger de l'adéquation entre une série de données statistiques et une loi de probabilité définie.
Probabilités et statistique MQT-1102
Chapitre 4 Concepts fondamentaux Les composantes d’un test statistique Les hypothèses nulles en statistiques Le sens de p Inférence: comment traduire p.
ECHANTILLONAGE ET ESTIMATION
Comparaison de plusieurs moyennes observées
Tests relatifs aux variables qualitatives: Tests du Chi-deux.
Tests relatifs aux variables qualitatives: Tests du Chi-deux.
Introduction aux statistiques Intervalles de confiance
Chapitre 6 Les tests d ’ hypoth è se 1 – Comparer des moyennes ou des proportions.
Biostatistique pour le troisième cycle P. Leroy, F. Farnir 2013.
Notions de statistiques et d’analyse de données Master 1 MGS – Sarah MISCHLER –
Transcription de la présentation:

Comparaison d’une moyenne observée à une moyenne théorique Situation du problème Les variables quantitatives Peuvent être transformées en variables qualitatives (on peut s’intéresser au pourcentage d’hypertendus plutôt qu’à la valeur de la tension artérielle) et l’on peut alors réaliser des comparaisons de fréquences et se ramener aux cas précédents. Mais il y a alors perte d’information donc de puissance. Elles peuvent aussi être considérées en tant que telles. On peut alors calculer les paramètres de la distribution : moyenne, écart type, estimateur de l’écart type de la population, estimateur de l’écart type de la moyenne (ESM), paramètres de symétrie et d’aplatissement. Le problème évoqué ici est de comparer une moyenne observée à une moyenne théorique (conformité). Par exemple, lors de la fabrication de comprimés de valium© à 5mg on veut vérifier que la production est bien conforme à cette norme.

Fluctuations d’échantillon Hypothèses Hypothèses : Hypothèse nulle (H0) : La moyenne observée x est un estimateur de la moyenne µo. m est la moyenne théorique µo = m Hypothèse alternative Test unilatéral : µo # m Test unilatéral µo > m ou (exclusif) µo < m Fluctuations d’échantillon Si H0 est vraie la quantité : | x - m | u = Suit une loi de normale si la distribution de la variable suit une loi normale (condition remplie quand N > 30). 2 s N

( ) En pratique s s = | x - m | t = s | x - m | u = s N s s | x - m | Suite: En pratique, on ne connaît pas s 2 On estime la variance à partir de la variance de l’échantillon ( ) 2 - x x 2 s 2 N = N - 1 | x - m | s 2 On montre que t = suit une loi de Student à N-1 DDL N u = | x - m | s N 2 suit une loi normale centrée réduite, (n-1)* s 2 Y = suit une loi du Khi 2 à N-1 DDL s 2 N | x - m | s 2 u Il s’en suit que t = = par définition suit une loi de Student Y N-1

Statistique t de Student Condition d’application : Si N < 30 : Normalité de la distribution (cf paramètres de symétrie et d'aplatissement) Données nécessaires : Moyenne théorique m, moyenne observée x Estimateur de l’écart type Effectif de l’échantillon N | x - m | t = DDL = N-1 2 s N Décision : t > t alpha lu dans la table : on rejette H0. Il y a une différence significative. On recherche dans la table le degré de signification p. Remarque : Pour décider, on aurait pu calculer p et comparer p au risque alpha retenu. Si p<alpha on rejette H0

Exemple Exemple : On tire au sort un échantillon de 100 comprimés de valium d’un lot de fabrication qui doit fournir des comprimés dosés à 5mg. On obtient les résultats suivants : Total des valeurs T= 495, Total des carrés des valeurs U = 2500. La fabrication peut-elle être considérée comme conforme au dosage prévu ? (on prend alpha = 5%) H0 : La fabrication est conforme. s 2 = 2500 - 495 100 100 - 1 x = 4,95 495 100 = 0,5025 t = 0,5025 100 5 - 4,95 = 0,70 DDL = 99 talpha 5% = 1,96 Le t est inférieur au talpha 5% , je ne peux pas rejeter H0. La fabrication peut être considérée comme conforme. Mais attention au risque Bêta. Remarque : t est le rapport entre l’écart des moyennes et l’ESM.

Carte de contrôle Utilisation dans les approches qualités Dans les démarches de qualité, on est amené, par exemple, à vérifier la conformité des lots à une valeur théorique. La méthode consiste à comparer la moyenne des valeurs observées sur un échantillon, de même effectif, prélevé régulièrement (1 fois heure par exemple) à une valeur théorique. Pour ce faire, on détermine la différence minimale d qui amène à rejeter l’hypothèse nulle de conformité de la moyenne observée à la moyenne théorique. On détermine les bornes m+d et m-d, puis on trace un diagramme avec en abscisse les différents échantillons et en ordonnées les lignes horizontales correspondant à la borne inférieure, la moyenne théorique, la borne supérieure et la ligne brisée reliant les différentes moyennes observées. Tous les points à l’extérieur des bornes différent significativement au seuil de risque alpha de la moyenne théorique.

Exemple Sur les 15 jours un seul point est (j5) hors limite. Exemple : Dans une production de médicaments, la valeur théorique de la concentration de principe actif doit être de 12mg. L’écart type de la population est de 1 mg. On réalise tous les jours un échantillon de 100 comprimés destiné au suivi de la qualité. => Pour alpha = 5%, d = 2 * 0,1 Sur 15 jours on a les résultats suivants : Sur les 15 jours un seul point est (j5) hors limite.