Welcome to Scribd, the world's digital library. Read, publish, and share books and documents. See more
Download
Standard view
Full view
of .
Save to My Library
Look up keyword
Like this
4Activity
0 of .
Results for:
No results containing your search query
P. 1
DocS2 Denombrement Gelose Part1

DocS2 Denombrement Gelose Part1

Ratings: (0)|Views: 237 |Likes:
Published by [AE]

More info:

Published by: [AE] on Dec 04, 2009
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/04/2014

pdf

text

original

 
Unversité de MetzIUT Thionville-YutzS1M1 - MathématiquesFrédéric Quignon 1
Doc S2 : Dénombrements sur gélose
 – 
Partie 1
La détermination de la densité microbienne (du titre microbien
) d’un échantillon fait appel à
la statistique
car il s’agit d’estimer la densité microbienne d’un système à partir d’échantillons
de ce système.Ainsi, si les
 N 
micro-organismes contenus dans le volume
du système étaient accessibles,on aurait accès à la valeur vraie de la densité microbienne () comme : .
S’agissant d’échantillons, on aura simplement accès à un nombre
 X 
de micro-organismes dansun petit volume
v
.On comprend facilement que
 X 
est une variable aléatoire (VA) qui, selon ce que renferme
l’échantillon, se traduira par une réalisation (
i.e.,
une valeur) correspondant au nombre
 N 
demicro-organismes de la fraction .
Si un grand nombre de prélèvements indépendants était réalisé sans épuiser la ressource, l’on
observerait que les réalisations de
 X 
se distribueraient selon un certain modèle, traduit par laloi binomiale .Or, dans le cas est petit (
i.e.
) et
 N 
grand (
 N 
> 50), alors la loi binomialepeut être approximée par la loi de Poisson .
Ainsi, sous les hypothèses d’un milieu prélevé présentant une répartition au hasard des micro
-organismes et de leur répa
rtition homogène dans l’échantillon, la probabilité que l’échantillon
renferme
micro-
organismes s’écrit
:En considérant le modèle de Poisson
, d’
espérance et d
’écart
-type , il
s’agit
donc
d’
estimer, pour chaque détermination, la valeur du paramètre v
.
D’après ce modèle,
l’incertitude de l’estimation diminue quand augmente la densitémicrobienne de l’échantillon
. Ex : pour , tandis quepour .
D’où l’idée d’une mise en œuvre d’un titrage qui génère
un maximum d’observations
chiffrées
, afin de réduire l’imprécision (exprimée sous forme d’intervalle de confiance) del’estimati
on. Cela passe par la réalisation de :-
 
séries de dilutions (n-uplet
d’observations pour n niveaux de dilution successifs)
 -
 
réplicats (k séries de dilution).Les réplicats dont il est question ici sont des
réplicats vrais
(à la différence par exemple deréplicas de lecture pour lesquels seule la dernière étape expérimentale est répliquée et qui sont
issus d’une même série de dilutions
) et
indépendants
.
 
Unversité de MetzIUT Thionville-YutzS1M1 - MathématiquesFrédéric Quignon 2
La détermination de la densité d’un échantillon donné va donc de préférence reposer sur 
k
séries d’ensemencement indépendants
 
(i = 1, 2 …k) sur boîte de Pétri (BdP), à part
ir de k 
séries de dilution de l’échantillon à titrer.
 Ainsi, pour chaque série de dilutions, e
n considérant l’ensemble des résultats r 
i
obtenus pourles différentes séries de dilutions, la variable aléatoire
 R
, dont la réalisation est la somme detous les comptages réalisés sur les BdP, suit une loi de Poisson de type.De plus, pour diminue
r l’imprécision de l’estimation, l’on
procède en général à
plusieurstitrages indépendants
,
i.e.
à des
réplicats
.
De plus, pour un nombre limité d’évènements (
i.e.
 
de colonies, de plages de lyse…), soit pour , les limites de l’intervalle de confiance autour de l’estimateur central font référence
à une loi du :Pour :avecavec
Pour un nombre suffisant d’évènements (
e.g.
 
colonies, plages de lyse…), soit pour 
,
les limites de l’intervalle de confiance autour de l’estimateur central font
référence à une loiNormale, pour donner :Pour :Remarque : dans ce dernier cas :-
 
la référence au modèle de Poisson apparaît clairement (valeur
centrale de l’estimation
= et incertitude fonction de )-
 
la référence au modèle de Gauss (loi normale)
 – 
vers lequel tend le modèle de Poisson
 pour un nombre d’observations suffisant – 
 
se retrouve dans l’expression del’incertitude. En effet,
décrit une variable qui suit une loi normale centréeréduite ( ). Par exemple, pour = 5%, .
Pour finir, l’estimation de la densité microbienne de l’échantillon,
exprimée en unités (e.g.
UFC, UFP…) par unité de volume d’échantillon
, est obtenue en divisant les valeursprécédentes par :
 
Unversité de MetzIUT Thionville-YutzS1M1 - MathématiquesFrédéric Quignon 3Pour la série
i
et le niveau de dilution
 j
, est le
volume équivalent
 
d’échantillon non
dilué ou le volume équivalent de la dilution de référenceEx : pour le 3
ème
tube de la série
i
de dilution décimale, le volume équivalent vaut :Les dilutions sont généralement opérées selon un pas régulier (= a), souvent égal à 10(dilutions décimales), mais la procédure de calcul proposée
 permet de s’adapter à toutes les
situations, même si le pas
de dilution n’a pas toujours la même valeur entre les niveaux de
dilution.
Exemple de calcul (1 détermination) 
Un échantillon est dilué selon le schéma suivant. Chaque dilution est initialement ensemencée(à raison de 0.1 mL/BdP) sur 4 BdP, donc certaines sont finalement éliminées car illisibles(contaminées).Dilution # BdP lisibles UFC (r
i
)r
i
 1/10 3 17 ; 14 ; 13 441/50 4 2 ; 3 ; 1 ; 3 91/100 2 0 ; 0 0
# BdP : nombre de boîtes de Pétri ; UFC : Unité Formant Colonie
 a) Estimation de la densité bactérienne à partir des résultats 1/10 :
= [ 44 / (3 x 0.1) ] x 10 = 1467 UFC/mL = 1.47 x 10^(3) UFC/mLComme r
i
 
< 50, les limites de l’intervalle de confiance au risque de 5%, sont obtenues en
référence à une loi du :
D’où
:L
i
= 30.1 / (3 x 0.1) x 10 = 1003 UFC/mL = 1.00 x 10^(3) UFC/mLL
s
= 59.0 / (3 x 0.1) x 10 = 1970 UFC/mL = 1.97 x 10^(3) UFC/mL
b) Estimation de la densité bactérienne à partir de l’ensemble des résultats
:
r
ij
= 44 + 9 + 0 = 53 UFCv
ij
 
= (3 x 0.10) + (4 x 0.02) + (2 x 0.01) = 0.4 mL d’échantillon non dilué
 Facteur de dilution résiduel = x 10 (car 0.1 mL ensemencé / BdP)

Activity (4)

You've already reviewed this. Edit your review.
1 thousand reads
1 hundred reads
majax3000 liked this
fjannic liked this

You're Reading a Free Preview

Download
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->