Professional Documents
Culture Documents
UE4 Tome 1
UE4 Tome 1
P.A.S.S
UE 4
Evaluation des méthodes d’analyses
Appliquées aux sciences de la vie et
de la santé
Tome 1 / 2
Pr R. Giorgi
Les reproductions d’œuvres contenues dans ce document sont réalisées avec l’autorisation de CFC
(20 rue des Grands Augustins – 75006 Paris)
UE4 : Evaluation des méthodes d’analyses appliquées aux
sciences de la vie et de la santé
Biostatistique
en PArcours Spécifique accès Santé
(PASS)
R. Giorgi
Coordonnateur
2022 - 2023
Table des matières
Avant-propos ............................................................................................................... vii
Objectifs du cours de statistiques en PASS .......................................................... vii
Objectifs généraux ............................................................................................ vii
Objectifs spécifiques ......................................................................................... vii
Bibliographie ......................................................................................................... ix
Notations et typographie ........................................................................................ ix
Chapitre 1 Introduction générale aux statistiques .................................................... 1
Généralités .............................................................................................................. 1
Population, échantillon ....................................................................................... 1
Échantillonnage .................................................................................................. 1
Tirage au hasard .............................................................................................. 2
Stratification.................................................................................................... 2
Problème de l’estimation ........................................................................................ 3
Les tests statistiques ................................................................................................ 3
Chapitre 2 Statistique descriptive .............................................................................. 5
Buts de la statistique descriptive ............................................................................. 5
Les différents types de données .............................................................................. 5
Données de type qualitatif .................................................................................. 5
Données de type ordinal ..................................................................................... 5
Données de type quantitatif ................................................................................ 6
Caractérisation des données qualitatives et ordinales unidimensionnelles ............. 6
Fréquence absolue et tableau des effectifs ......................................................... 6
Fréquences relatives ........................................................................................... 7
Fréquences cumulées (relatives et absolues)...................................................... 7
Diagramme « camembert »................................................................................. 8
Diagramme en bâtons, mode .............................................................................. 8
Diagramme en bâtons ..................................................................................... 8
Mode ............................................................................................................... 9
Caractérisation des données qualitatives à deux dimensions .................................. 9
Caractérisation des données quantitatives à une dimension ................................. 10
Généralités ........................................................................................................ 10
Histogramme ..................................................................................................... 10
Paramètres statistiques décrivant un ensemble de mesures quantitatives ....... 12
Paramètres de tendance centrale ou de position .............................................. 12
La moyenne ................................................................................................... 12
La médiane .................................................................................................... 13
Le mode ........................................................................................................ 13
Les quantiles ................................................................................................. 15
Paramètres de dispersion ................................................................................. 15
Variance et écart-type ................................................................................... 16
Autres paramètres de dispersion. .................................................................. 17
Caractérisation des données quantitatives à deux dimensions.............................. 17
Introduction ...................................................................................................... 17
Représentation dans le plan .............................................................................. 17
Coefficient de corrélation ................................................................................. 18
Ce qu’il faut savoir absolument ............................................................................ 19
Question à choix multiples ................................................................................... 20
Chapitre 3 Notions de probabilité ............................................................................ 21
Introduction ........................................................................................................... 21
Evènements ........................................................................................................... 21
Définitions ......................................................................................................... 21
Ensemble fondamental .................................................................................. 21
Evènements ................................................................................................... 22
Opérations sur les évènements ......................................................................... 22
Union ............................................................................................................ 22
Intersection .................................................................................................... 22
Complémentarité ........................................................................................... 22
Evènements incompatibles ou disjoints ........................................................ 23
Partition ......................................................................................................... 23
Probabilités ........................................................................................................... 23
Probabilités élémentaires ................................................................................. 23
Probabilités conditionnelles ............................................................................. 25
Indépendance en probabilité ............................................................................ 26
Théorème de Bayes ........................................................................................... 27
Ce qu’il faut savoir absolument ............................................................................ 30
Question à choix multiples ................................................................................... 30
Chapitre 4 Variables aléatoires, lois de distribution .............................................. 31
Exemple introductif .............................................................................................. 31
Variables aléatoires discontinues ou discrètes ...................................................... 32
Définitions ......................................................................................................... 32
Espérance mathématique ou moyenne d’une v.a. discrète ............................... 32
Variance et écart-type d’une v.a. discrète ........................................................ 33
Variables aléatoires conjointes ou variable aléatoire à 2 dimensions ................... 34
Variables aléatoires indépendantes .................................................................. 35
Covariance, coefficient de corrélation ............................................................. 36
Variables aléatoires continues............................................................................... 37
Lois de distribution ............................................................................................... 39
Loi Normale ...................................................................................................... 39
Loi de Student ................................................................................................... 40
Loi du Chi-deux (2) ......................................................................................... 41
Ce qu’il faut savoir absolument ............................................................................ 42
Question à choix multiples ................................................................................... 43
Chapitre 5 Estimation ponctuelle et intervalle de confiance ................................. 45
Introduction ........................................................................................................... 45
Échantillon, estimateur et estimation .................................................................... 46
Propriétés d’un « bon » estimateur ....................................................................... 46
Biais .................................................................................................................. 46
Variance ............................................................................................................ 47
Estimation ponctuelle ........................................................................................... 47
Estimation de la moyenne et de la variance d’une population ......................... 47
Estimation de la moyenne d’une population ................................................. 47
Estimation de la variance d’une population .................................................. 50
iv
Estimation d’une proportion et de la variance d’une proportion (échantillon au
hasard) .............................................................................................................. 51
Estimation d’une proportion ......................................................................... 51
Estimation de la variance d’une proportion .................................................. 51
Estimation par intervalle ....................................................................................... 52
Définition .......................................................................................................... 52
Intervalle de confiance d’une moyenne (échantillon au hasard)...................... 53
Cas des grands échantillons (n 30) ............................................................ 54
Cas des petits échantillons (n < 30) .............................................................. 54
Intervalle de confiance d’une proportion (échantillon au hasard) .................. 55
Ce qu’il faut savoir absolument ............................................................................ 57
Questions à choix multiples .................................................................................. 59
Chapitre 6 Indicateurs et courbes de survie : définitions et estimations .............. 61
Introduction ........................................................................................................... 61
Indicateurs de morbidité ....................................................................................... 61
Prévalence ........................................................................................................ 61
Incidence ........................................................................................................... 62
Indicateurs de la valeur informationnelle d’un signe médical .............................. 62
Sensibilité .......................................................................................................... 64
Spécificité .......................................................................................................... 65
Indicateurs de l’effet d’un facteur : risque relatif ................................................. 66
Etablissement des courbes de survie ..................................................................... 71
Généralités ........................................................................................................ 71
Définitions ......................................................................................................... 71
Estimation des courbes de survie : méthode de Kaplan-Meier ........................ 74
Estimation de la médiane de survie .................................................................. 76
Ce qu’il faut savoir absolument ............................................................................ 78
Questions à choix multiples .................................................................................. 81
Chapitre 7 Principes généraux des tests statistiques .............................................. 83
Position du problème (exemple) ........................................................................... 83
Méthode « classique » d’un test statistique........................................................... 84
Notion de risque .................................................................................................... 85
Degré de signification d’un test statistique ........................................................... 87
Variations de β ...................................................................................................... 88
Variation de β en fonction de ........................................................................ 88
Variation de β en fonction de la taille de l’échantillon .................................... 88
Variation de β en fonction de l’écart H0 - HA ................................................... 89
Récapitulatif ...................................................................................................... 90
Choix d’un test statistique..................................................................................... 90
Les étapes d’un test statistique.............................................................................. 91
Ce qu’il faut savoir absolument ............................................................................ 91
Question à choix multiples ................................................................................... 92
Chapitre 8 Etude de la liaison entre deux variables : tests de comparaison et tests
d’indépendance ....................................................................................... 93
Introduction ........................................................................................................... 93
Etude de la liaison entre une variable quantitative et une variable qualitative ..... 93
Comparaison des moyennes de deux sous-populations .................................... 93
v
Cas des grands échantillons (n1 et n2 30) ................................................... 94
Cas des petits échantillons (n1 ou n2 < 30).................................................... 96
Comparaison d’une moyenne observée à une constante .................................. 98
Cas d’un grand échantillon (n 30) ............................................................. 98
Cas d’un petit échantillon (n < 30) ............................................................. 100
Séries appariées .............................................................................................. 102
Principe général .......................................................................................... 102
Cas des grands échantillons (n 30) .......................................................... 103
Cas des petits échantillons (n < 30) ............................................................ 104
Etude de la liaison entre deux variables qualitatives .......................................... 106
Introduction .................................................................................................... 106
Principe général ............................................................................................. 106
Comparaison d’une répartition observée à une répartition théorique........... 107
Comparaison de plusieurs répartitions observées.......................................... 109
Indépendance entre deux variables qualitatives ............................................. 112
Etude de la liaison entre deux variables quantitatives ........................................ 118
Indépendance : test du coefficient de corrélation ........................................... 118
Coefficient de corrélation ........................................................................... 118
Test du coefficient de corrélation ............................................................... 119
Ce qu’il faut savoir absolument .......................................................................... 122
Questions à choix multiples ................................................................................ 124
Chapitre 9 Exercices et corrections des QCM ...................................................... 125
Exercices sur les probabilités (Chapitre 3) ......................................................... 125
Exercice sur la loi Normale (chapitre 4) ............................................................. 126
Exercice sur l’estimation de la valeur informationnelle d’un signe (chapitre 5) 127
Exercices sur les test statistiques (chapitres 7 et 8) ............................................ 128
Exercice sur la comparaison de 2 distributions (chapitres 2, 6, 7, 8) ................. 130
Exercice de synthèse : le diagnostic de l’embolie pulmonaire (chapitres 1, 2, 5, 6,
7, 8) ......................................................................................................................... 131
Exercice de synthèse : le dépistage de la trisomie 21 (chapitres 3, 4, 5) ............ 136
Corrections des QCM ......................................................................................... 140
Bibliographie ............................................................................................................. 141
Annexe : Tables utiles............................................................................................... 143
Index 146
vi
Avant-propos
Objectifs généraux
L’introduction des biostatistiques en PASS est une initiation méthodologique à
l’analyse et au traitement des données en biologie et en médecine. Elle présente les
concepts de base de la décision statistique : observation sur échantillon, problème de la
représentativité des échantillons, modélisation de la variabilité et de l’incertitude,
principe de l’estimation statistique et principe d’un test statistique. Elle doit fournir aux
étudiants une connaissance de base et une initiation aux méthodes d’analyses
couramment mises en œuvre dans la recherche clinique, les études épidémiologiques.
Elle doit enfin expliciter les concepts fondamentaux permettant de lire avec profit des
articles scientifiques médicaux, base de la formation médicale continue. En cela, elle
prépare la décision médicale basée sur les données établies par la science.
On préférera dans la présentation des concepts, l’éclairage méthodologique à
l’éclairage « mathématique », « formel » ou « calculatoire ».
Objectifs spécifiques
L’étudiant doit savoir :
Reconnaître le type d’une variable observée (quantitative, ordinale, qualitative) ;
Choisir une représentation pour décrire une variable observée sur un échantillon
suivant son type :
caractéristiques de tendance centrale : moyenne, fréquence, mode, médiane,
quantiles
caractéristiques de dispersion : variance, écart-type, étendue, intervalle inter-
quartile
caractéristiques de distribution : tableau de fréquences
représentations graphiques : diagramme en bâtons, histogramme, camembert
Définir un évènement élémentaire et la notion de probabilité qui lui est attachée ;
Définir deux évènements indépendants, deux évènements incompatibles ;
Préciser clairement les évènements auxquels on s’intéresse dans un problème
donné, formuler en termes de probabilité les données d’un problème ;
Définir une probabilité conditionnelle et une probabilité composée :
Application : définir la notion de taux de survie, de son estimation, méthode
de calcul d’une courbe de survie
Énoncer le théorème de Bayes ;
Définir les indicateurs de la valeur informationnelle d’un signe : sensibilité,
spécificité, valeur prédictive positive, valeur prédictive négative ;
Définir une variable aléatoire (v.a.) ;
Définir une loi de distribution d’une v.a., l’espérance mathématique et la
variance d’une v.a. ;
Énoncer les propriétés remarquables de la loi Normale (symétrie, centrée,
réduite), les applications pratiques qui en découlent (table), l’utilisation pratique
de la table ;
Définir la loi de distribution d’une v.a. à deux dimensions ;
Définir la notion de corrélation et d’indépendance entre deux variables
aléatoires ;
Définir une population, un échantillon et un échantillon représentatif d’une
population ;
Définir le problème de l’estimation d’un paramètre d’une variable aléatoire :
estimation ponctuelle (moyenne et fréquence)
connaître les définitions et savoir estimer une prévalence, une incidence, la
sensibilité et la spécificité d’un signe pour un diagnostic donné, estimation du
risque relatif
estimation par intervalle (intervalle de confiance)
calculer le nombre de sujets pour obtenir une certaine précision de
l’estimation
Définir le principe d’un test statistique, test d’hypothèses ;
Connaître les tests à appliquer et leurs conditions d’applications dans les
situations suivantes :
tests de comparaison d’une moyenne à une constante, test de comparaison de
moyennes
test pour séries quantitatives appariées
test de comparaison d’une répartition à une répartition théorique, 2
test de même répartition d’un caractère qualitatif dans 2 populations,
exemple : test du risque relatif égal à 1
Énumérer les différentes étapes de réalisation d’un test statistique ;
Formuler les hypothèses nulle (H0) et alternative (HA) ;
viii
Définir et choisir le risque de première espèce () définir le risque de deuxième
espèce () ;
Choisir un test en fonction des données du problème (conditions de validité du
test) ;
Calculer la valeur observée de la statistique du test ;
Conclure (rejet ou non de l’hypothèse nulle au risque choisi), donner le degré
de signification ;
Connaître la notion de puissance du test (1 - ) sous l’hypothèse alternative ;
Définir et réaliser le test d’indépendance (pour variable quantitative et variable
qualitative).
Bibliographie
Dans le cadre de la préparation du concours de PASS, l’assiduité aux cours et ce
polycopié doivent permettre de donner à l’étudiant(e) les connaissances suffisantes. Ce
document a été élaboré pour lui éviter de consulter d’autres ouvrages où, en particulier,
les notations utilisées peuvent varier et constituer une gêne importante ;
les questions traitées ne sont pas toutes au programme du PASS dans notre
Faculté.
Toutefois, nous recommandons l’ouvrage « Biostatistique. Beuscart R. et al. Paris :
Omniscience, 2009 » réalisé par le Collège des enseignants d'informatique médicale,
biomathématiques, méthodes en épidémiologie et statistique (CIMES).
Nous fournissons également à la fin du document quelques références d’ouvrages
pour pouvoir aller plus loin...
Notations et typographie
Les traits verticaux que l’on retrouve dans la marge signalent des définitions
importantes.
Les mots en caractères gras soulignent des notions importantes que l’on retrouve
le plus souvent dans l’index à la fin de l’ouvrage.
Les paragraphes en italiques présentent les exemples.
ix
Chapitre 1 Introduction générale aux
statistiques
Généralités
Population, échantillon
La méthode statistique, en général, a pour but de dégager certaines propriétés d’un
ensemble de mesures (ou d’observations) ou de décrire cet ensemble (appelé
population pour des raisons historiques).
Une population peut être tout aussi bien un groupe d’êtres humains, un ensemble
d’objets ; tous ces éléments ayant en commun un attribut ou une propriété qui
caractérise cet ensemble d’éléments (exemple : les individus de sexe masculin).
Généralement, le statisticien n’étudie pas le caractère sur l’ensemble de la
population mais sur un échantillon extrait de la population, pour plusieurs raisons,
entre autres :
La taille de la population peut être très importante et le coût de l’enquête serait
trop important ;
L’accès à tous les individus de la population est matériellement impossible ;
L’étude du caractère peut détruire les éléments de la population.
Le nombre d’éléments constituant l’échantillon est appelé l’effectif ou la taille de
l’échantillon.
Un bon échantillon doit constituer une image réduite de l’ensemble de la population
dont on veut étudier un caractère bien défini. Dans le cas contraire, on dit que
l’échantillon est biaisé.
Le choix de l’échantillon, le recueil des données nécessaires à l’étude que l’on se
propose de conduire, constituent la partie fondamentale, la plus longue, de l’étude.
Afin de généraliser les résultats obtenus sur l’échantillon, on désire que celui-ci
représente le mieux possible la population cible c’est à dire celle sur laquelle porte
l’étude.
Échantillonnage
Comment choisir un échantillon pour qu’il soit représentatif ?
Généralités
Tirage au hasard
Un échantillon ne doit en aucun cas être choisi par commodité. Afin de disposer
d’un échantillon représentatif, il faut le constituer d’une manière « aléatoire » : on
peut pour cela procéder à un véritable tirage au sort ou bien utiliser des tables de
nombres aléatoires qui ont été construites à cet effet.
On peut constituer un échantillon par un tirage au hasard dans toute la population ou
bien par des procédés plus complexes comme la stratification.
Stratification
On subdivise la population en sous-groupes (ou strates) et on choisit ensuite
l’échantillon en tirant au sort dans chacune des strates. Chaque strate peut être
représentée en fonction de son importance dans la population.
Exemples :
1. Si l’on veut faire une enquête épidémiologique sur l’hypertension
artérielle, on pourra constituer un échantillon qui sera un modèle réduit de
la population étudiée. En stratifiant de telle sorte qu’il respecte les mêmes
proportions que la composition de la population quant aux catégories
socioprofessionnelles, aux tranches d’âges, au sexe …
2. Dans un essai thérapeutique d’un traitement anticancéreux, on pourra
définir les strates en tenant compte des facteurs pronostiques tels que :
taille de la tumeur, extension loco-régionale, métastase à distance, …
Il faut remarquer qu’il n’est pas toujours facile de prélever un bon échantillon. Le
prélèvement de l’échantillon doit être fait au hasard. Nous allons voir sur un exemple
les difficultés qui peuvent être rencontrées dans le choix des échantillons :
Exemple :
On se propose d’étudier le pourcentage de décès dans la population
française des sujets atteints d’un infarctus du myocarde.
On peut constituer un échantillon en observant les décès des malades qui
ont été hospitalisés dans un service hospitalier donné. Le biais introduit, si
la population « cible » est la population de tous les français, est évident.
En effet, le service hospitalier a un recrutement particulier et une
renommée telle qu’il hérite, peut-être, de malades plus graves, ou d’une
catégorie sociale dont le genre de vie, l’alimentation, l’âge, …, sont des
facteurs pronostiques qui peuvent modifier l’issue de la phase aiguë.
Un échantillon représentatif de la population française atteinte d’un
infarctus du myocarde pourrait être obtenu par tirage au sort sur tous les
cas d’infarctus du myocarde recensés en France. Toutefois on ne les
connaît pas tous et il est toujours possible d’introduire un biais.
2
Problème de l’estimation
Problème de l’estimation
Il s’agit d’évaluer un paramètre (une caractéristique) sur un échantillon pour pouvoir
estimer ce paramètre pour la population entière. Le problème de l’estimation est
développé plus loin.
Exemple :
Évaluation, à partir de la mesure de la glycémie pratiquée sur un
échantillon de sujets sains ayant entre 20 et 40 ans, de la valeur moyenne
de la glycémie pour tous les sujets sains de cette tranche d’âge.
Si l’on veut que cette estimation soit aussi précise que possible, il est
nécessaire que l’échantillon soit aussi représentatif que possible de la
population.
3
Chapitre 2 Statistique descriptive
A+ A- B+ B- AB+ AB- O+ O-
80 10 20 5 5 2 50 8
Tableau 2.1 : Description de l’échantillon des groupes sanguins.
6
Caractérisation des données qualitatives et ordinales unidimensionnelles
Sur les classes ainsi formées, seules les opérations suivantes sont permises : réaliser
des classes disjointes à partir d’une seule classe, ou bien regrouper certaines classes.
La seule relation qui puisse être utilisée sur ces données est la relation d’appartenance
à une même classe.
Exemple (suite) :
Sur l’exemple ci-dessus, on pourrait regrouper les classes correspondant
aux rhésus + ou -, ou ignorer le rhésus pour former les groupes A, B, AB,
O (Tableau 2.2).
A B AB O
90 25 7 58
Tableau 2.2 : Description de l’échantillon des groupes sanguins sans facteur rhésus.
Fréquences relatives
On peut définir les fréquences relatives qui sont, pour chaque classe, le rapport de
son effectif au nombre total d’individus de la série des mesures.
La somme des fréquences relatives est égale à 1.
Parfois, les résultats sont exprimés en pourcentage, chacune des fréquences relatives
étant multipliée par 100 (Tableau 2.3).
A B AB O
50 14 4 32
Tableau 2.3 : Fréquences relatives (exprimées en pourcentage et arrondies à l’unité).
7
Caractérisation des données qualitatives et ordinales unidimensionnelles
Cette présentation permet de dire, par exemple, que 92% des sujets
examinés ont un stade inférieur ou égal à 2.
Diagramme « camembert »
On peut représenter les effectifs absolus ou relatifs des classes par des secteurs de
cercle dont la surface est proportionnelle à l’effectif.
Le diagramme « camembert » ainsi construit est bien adapté à la représentation des
données qualitatives « pures » (exemple Tableau 2.5 et Figure 2.1).
Diagramme en bâtons
Pour les données ordinales, on peut également représenter les fréquences absolues,
relatives ou cumulées par un diagramme en bâtons.
Exemple :
L’exemple de l’échantillon des 500 cancéreux dont on a noté le stade est
représenté sur la Figure 2.2.
8
Caractérisation des données qualitatives à deux dimensions
Mode
Sur l’exemple de la Figure 2.2, la classe caractérisée par le stade 1 est la classe qui
contient le plus grand nombre de sujets ; c’est le mode ou classe modale. Le mode est
la classe (catégorie) qui offre la plus grande fréquence
Dans le cas de variables ordinales, si les données montrent plusieurs classes
d’effectifs supérieurs aux effectifs des classes adjacentes, on dit que le diagramme
représente une distribution multimodale : bi-modale, tri-modale, … Dans le cas
contraire, on dit que la distribution est uni-modale.
M+ M- Total
S+ 90 30 120
S- 30 50 80
Total 120 80 200
Tableau 2.6 : Tableau de contingence (les malades présentant la maladie sont dénombrés dans
la colonne M+, les autres dans la colonne M-).
9
Caractérisation des données quantitatives à une dimension
Les effectifs de chaque modalité d’un caractère, quelles que soient les modalités
de l’autre caractère. Ces effectifs sont situés dans la dernière colonne et la
dernière ligne.
La dernière ligne et la dernière colonne sont appelées : les « marginales », (marge
ligne et marge colonne) ou encore « distributions marginales ».
Généralités
Nous avons déjà vu que les variables quantitatives peuvent être de deux types :
variables discontinues (ou discrètes) et variables continues.
Dans le cas des variables discontinues, il est possible de représenter les données par
un diagramme en bâtons, comme dans le cas de données ordinales.
Dans tous les cas, on peut diviser l’intervalle de variation de la variable en un certain
nombre de classes et l’on dénombre toutes les mesures à l’intérieur de chaque classe.
Exemple :
Soit la série de mesures représentant les âges de 20 individus, rangées par
ordre croissant :
3, 5, 6, 7, 8, 11, 15, 20, 21, 22, 23, 23, 23, 30, 31, 32, 35, 36, 40, 45.
On peut décider de déterminer des classes d’âge de 10 ans en 10 ans1 : 0 -
10 ans, 10 - 20 ans, 20 - 30 ans, 30 - 40 ans, 40 - 50 ans. On transforme
ainsi la série qui peut se représenter dans le tableau des fréquences
(Tableau 2.7).
Classe Effectif / classe
0 - 10 ans 5
10 - 20 ans 2
20 - 30 ans 6
30 - 40 ans 5
40 - 50 ans 2
Tableau 2.7 : Effectifs par classe.
Histogramme
Les données quantitatives continues peuvent être représentées par un
histogramme.
1
Nous adoptons la convention suivante : la borne supérieure de l’intervalle est
exclue.
10
Caractérisation des données quantitatives à une dimension
11
Caractérisation des données quantitatives à une dimension
Cette courbe est dite « courbe des fréquences ». Si l’on rapporte la fréquence
absolue de chaque classe à l’effectif total de l’échantillon, on obtient la fréquence
relative par classe.
L’ensemble des classes affectées de leur fréquence constitue une distribution de
fréquences.
Quand le nombre de classes tend vers l’infini, le polygone des fréquences devient
une ligne continue : la courbe des fréquences.
La moyenne
La valeur centrale la plus utilisée est la moyenne arithmétique des mesures, c’est-à-
dire le rapport de la somme des mesures au nombre de mesures effectuées.
On peut caractériser la tendance centrale par la moyenne notée
12
Caractérisation des données quantitatives à une dimension
1 n n
x
x xi i
n i 1 i 1 n
La moyenne s’exprime dans les mêmes unités que les valeurs observées.
Usuellement on note {x1, x2, …, xn} la série de mesures, x la moyenne et n
l’effectif.
Exemple :
Considérons la série de mesures constituée par les poids de 5 individus
(poids exprimés en kilogrammes) : 70,0 ; 68,5 ; 72,5 ; 73,0 ; 76,0. La
moyenne est égale à 72 kg.
La médiane
La médiane est la valeur qui laisse de part et d’autre un nombre égal d’observations.
C’est donc un nombre de même nature et de même unité que les valeurs observées.
Pour déterminer la médiane d’une série de nombres, il est nécessaire d’ordonner
cette série de mesures.
Exemple (suite) :
Dans l’exemple précédent, il faut ordonner les poids : 68,5 ; 70 ; 72,5 ;
73,0 ; 76,0.
La médiane est égale à 72,5 Kg car il y a autant de mesures inférieures à
72,5 que de mesures supérieurs à 72,5.
Deux cas peuvent se présenter :
Si n est impair (n = 2k + 1), la médiane est la valeur de la mesure qui se situe au
milieu de la série de mesures ordonnées : c’est xk + 1.
Si n est pair (n = 2k), on appelle médiane toute valeur comprise entre xk et xk + 1.
En effet, il n’y a pas de valeur observée qui soit au milieu de la série de mesures.
En général, on prend pour valeur de la médiane (xk + 1 + xk)/2.
Remarques :
1. La médiane est moins influencée que la moyenne arithmétique par les valeurs
extrêmes.
En effet, si dans la série précédente, le plus petit des poids, c’est-à-dire
68,5 kg est remplacé par 55 kg, la moyenne est influencée alors que la
médiane reste identique.
2. La médiane peut aussi être utilisée dans le cas des données ordinales, puisque sa
détermination se base sur l’ordre des données.
Le mode
Le mode, encore appelé valeur dominante, est la valeur de la variable dont la
fréquence est maximale.
Si les données sont affectées à des classes, on parle de classe modale. La classe
modale est celle dont la fréquence est maximale. C’est, dans le cas d’une courbe
13
Caractérisation des données quantitatives à une dimension
Dans certaines distributions, il peut n’y avoir qu’un petit nombre d’observations
dans le voisinage de la moyenne ou de la médiane (Figure 2.7).
14
Caractérisation des données quantitatives à une dimension
Les quantiles
Les quantiles sont les valeurs de la variable qui divisent l’échantillon ordonné en
groupes d’effectifs égaux.
Les quantiles portent des noms différents selon le nombre de groupes souhaités :
quartiles pour 4 groupes, déciles pour 10 groupes, percentiles pour cent groupes.
Les quartiles : Pour séparer les valeurs de la variable en quatre groupes d’effectifs
égaux, il faut trois valeurs appelées quartiles. Les quartiles sont les valeurs Q1, Q2 et
Q3 de la série X qui partagent l’effectif total, après l’avoir ordonné, en 4 classes de
même effectif.
Entre la valeur minimum de la série et le premier quartile Q1, on retrouve un quart
des observations. Un autre quart des observations se retrouve entre le premier quartile
Q1 et le deuxième quartile Q2. Entre Q2 et Q3 on retrouve également un quart des
valeurs, de même entre Q3 et la valeur maximum. Comme nous le verrons dans la
partie « Paramètres de dispersion », les valeurs des quantiles sont utilisées pour définir
des intervalles.
Notons que le deuxième quartile n’est autre que la médiane.
Exemple :
Soit une série des âges de n = 20 individus : 3, 5, 6, 7, 8, 11, 15, 20, 21, 22,
23, 23, 23, 30, 31, 32, 35, 36, 40, 45.
L’effectif de chaque quartile est donc de 5.
La valeur qui sépare le 1er groupe du 2ème est donc située entre 8 et 11.
Toute valeur comprise entre 8 et 11 peut être retenue comme premier
quartile, toute valeur entre 22 et 23 comme deuxième quartile et toute
valeur comprise entre 31 et 32 comme troisième quartile.
Les percentiles : Les percentiles définissent 100 groupes d’effectifs correspondants
chacun à 1 % de l’effectif de l’échantillon. Le 50ème percentile est à la médiane.
Paramètres de dispersion
La moyenne ne suffit pas pour caractériser un ensemble de données.
Exemple :
La valeur moyenne de la série suivante : 1, 8, 9, 10, 11, 12, 19 est égale à
10.
La valeur moyenne de la série 8, 8, 9, 10, 11, 12, 12, est aussi égale à 10.
Dans le deuxième cas, la dispersion des mesures autour de la moyenne 10
est beaucoup moins importante que dans le premier cas.
Ces situations correspondent aux schémas de droite de la Figure 2.8.
15
Caractérisation des données quantitatives à une dimension
Variance et écart-type
Le paramètre le plus efficace pour rendre compte de la dispersion d’une série de
mesures est la variance, ou sa racine carrée : l’écart-type.
Variance : La variance est définie comme la moyenne arithmétique des carrés des
écarts à la moyenne de l’échantillon.
Cette définition répond à la formule :
n
x i x 2
Var X
i 1 n
où x est la moyenne de la série de mesures et n l’effectif.
Attention : Var(X) est la variance de l’échantillon, ce n’est ni la variance de la
population dont est issu l’échantillon, ni l’estimation de la variance de la population
(cf. chapitre « Estimation ponctuelle et intervalle de confiance »).
Ecart-type : afin de disposer d’un indice de dispersion qui s’exprime dans la même
unité que la grandeur mesurée, on considère, en général, la racine carrée de la
variance : l’écart-type.
Ecart-type X Var X
Exemple :
Calcul de la variance et de l’écart-type de la mesure des poids de 5
individus dans un échantillon de moyenne 72 kg (Tableau 2.8) :
Individus 1 2 3 4 5 total
xi 70 68,5 72,5 73 76
xi x -2 -3,5 +0,5 +1 +4 0
16
Caractérisation des données quantitatives à deux dimensions
Propriété de la variance :
Soit la série {x1, x2, …, xn} de moyenne x , de variance Var(X) et deux
constantes a et b.
Considérons la série {y1, …, yn} sachant que yi = axi + b
soit {y1 = ax1 + b, y2 = ax2 + b, …, yn = axn + b}.
Le calcul montre que la variance de cette nouvelle série (que nous noterons
Var(Y) est égal à :
Var(Y) = a2Var(X)
Introduction
Considérons des mesures X et Y effectuées sur un échantillon d’effectif n. Deux
mesures sont effectuées sur le même individu « i » : xi et yi.
Exemple :
On peut mesurer chez n individus la concentration sanguine du potassium
et du chlore. Nous obtenons pour chaque individu i le couple de mesures
(xi , yi).
17
Caractérisation des données quantitatives à deux dimensions
Ce point, noté G, dont les coordonnées sont les moyennes des deux séries
d’observations, s’appelle : « centre de gravité ».
Y G
0 X x
Coefficient de corrélation
Le coefficient de corrélation, noté r, est une grandeur qui reflète la dispersion des
couples (xi , yi) en fonction de la dispersion observée pour chacune des deux séries de
mesures X et Y.
Covar X , Y
r
Var X Var Y
Remarque
Le coefficient de corrélation r est un nombre sans dimension. On montre qu’il est
compris entre -1 et 1.
18
Ce qu’il faut savoir absolument
19
Question à choix multiples
20
Chapitre 3 Notions de probabilité
Introduction
Le calcul de probabilité permet de modéliser des phénomènes aléatoires, c’est-à-
dire des phénomènes pour lesquels les issues sont connues mais dont on ne peut en
prédire la valeur car leur réalisation est incertaine.
Exemple :
Concernant le sexe, les seules issues possibles, et connues, sont
« masculin » et « féminin ». Cependant, pour un couple qui le désire, il
n’est pas possible de prédire de manière certaine quel sera le sexe d’un
enfant.
L’observation des issues d’un phénomène sur des séries suffisamment grandes
permet d’en déterminer leurs fréquences et par suite de connaître la loi qui le dirige (cf.
section « Probabilités élémentaires »). Le calcul des probabilités permet de modéliser
ces phénomènes aléatoires en attribuant à chacune de ses issues possibles une
vraisemblance plus ou moins grande.
Exemple (suite) :
On considère généralement que la probabilité d’être de sexe masculin est
la même que la probabilité d’être de sexe féminin, soit 0,5.
Evènements
Définitions
Ensemble fondamental
C’est l’ensemble des issues possibles d’un phénomène aléatoire, c’est-à-dire d’une
expérience que l’on appelle généralement une épreuve.
Exemple :
Le système ABO comporte 3 allèles : A, B et o. A et B sont co-dominants et
dominent o. {AA, Ao, AB, BB, Bo, oo} est l’ensemble fondamental
concernant le génotype d’un individu.
L’épreuve est la détermination du groupe sanguin d’un individu tiré au
sort.
Evènements
Evènements
Un événement correspond à un sous-ensemble d’un ensemble fondamental. On
considère deux types d’évènements :
Un évènement élémentaire correspond à une seule éventualité. L’ensemble des
événements élémentaires constitue l’ensemble fondamental ;
Un évènement composé correspond à la réunion (un regroupement)
d’évènements élémentaires.
Par exemple, AA, AB et Ao sont des événements élémentaires alors que le
groupe sanguin A (individus AA ou Ao) est un événement composé.
L’ensemble fondamental est constitué des événements élémentaires AA, Ao,
AB, BB, Bo et oo.
Union
C = E1 E2 : l’événement C est réalisé si et seulement si E1 est réalisé OU E2 est
réalisé OU les deux sont réalisés.
Exemple :
BB Bo = Groupe sanguin B.
L’opération union permet donc de déterminer un événement composé.
Intersection
C = E1 E2 : l’événement C est réalisé si et seulement si E1 ET E2 sont réalisés tous
les deux.
Exemple :
Allèle o homozygote = Groupe sanguin o.
Complémentarité
C = non E1 : l’événement C est réalisé si et seulement si E1 n’est pas réalisé.
Exemple :
Non allèle A est réalisé si le groupe sanguin est B ou o.
Remarque : On distingue 2 évènements particuliers :
L’événement toujours réalisé ou évènement certain contenant tous les résultats
possibles est noté : E1 non E1 = .
L’événement jamais réalisé ou événement impossible qui ne contient aucun des
résultats possible est noté : E1 non E1 = .
22
Probabilités
A a
A AA Aa
a aA aa
Tableau 3.1 : Evènements possibles pour un gène et deux allèles.
Partition
Soit ξ un ensemble d’évènements et E1, E2, …, Ek des évènements appartenant à ξ,
avec Ei (i = 1, …, k). E1, E2, …, Ek forment une partition de si et seulement si :
Leur réunion est l’ensemble fondamental : E1 E2 … Ek = ;
Les évènements sont deux à deux disjoints : (i j), (Ei Ej) = .
Exemple :
Les groupes sanguins A, B, AB et o forment une partition.
Probabilités
Probabilités élémentaires
Soit le phénomène aléatoire « détermination du groupe sanguin dans le système
ABO » dont l’ensemble fondamental est = {AA, Ao, BB, Bo, AB, oo}.
La répétition n fois de cette épreuve (c’est-à-dire qu’on recueille l’information
concernant le génotype sur n individus différents) permet de construire le Tableau 3.2 :
23
Probabilités
AA Ao BB Bo AB oo Total
Fréquences absolues n1 n2 n3 n4 n5 n6 n
Fréquences relatives n1/n n2/n n3/n n4/n n5/n n6/n 1
Tableau 3.2 : Fréquences observées et relatives lors de la répétition de n épreuves.
Propriétés :
Si E est un événement quelconque et freq(E) sa fréquence relative, alors :
freq(E) 0.
Si est l’événement certain, alors : freq() = n/n = 1.
Par ailleurs, considérons les événements :
E1 = groupe sanguin A = AA Ao
E2 = groupe sanguin B = BB Bo
E3 = allèle o = Ao Bo oo
dont les fréquences relatives sont :
freq(E1) = (n1 + n2)/n
freq(E2) = (n3 + n4)/n
freq(E3) = (n2 + n4 + n6)/n
Considérons les événements E1 et E2 :
E1 E2 = AA Ao BB Bo
E1 E2 =
freq(E1 E2) = (n1 + n2)/n + (n3 + n4)/n = freq(E1) + freq(E2)
Considérons les événements E2 et E3 :
E2 E3 = BB Bo Ao Bo oo
E2 E3 = Bo
freq(E2 E3) = (n2 + n3 + n4 + n6)/n
freq(E2 E3) (n3 + n4)/n + (n2 + n4 + n6)/n = freq(E2) + freq(E3)
Ceci se généralise pour donner la propriété suivante :
Si E1 et E2 sont 2 événements disjoints, alors : freq(E1 E2) = freq(E1) +
freq(E2).
Si le phénomène aléatoire est observé un très grand nombre de fois (n ) nous
admettrons que la fréquence relative d’un événement tend vers une limite que l’on
appelle la probabilité de l’événement.
Exemple :
Fréquence relative du groupe sanguin AB = freq(AB) 2/100
Fréquence relative du groupe sanguin A = freq(AA) + freq(Ao) 48/100
24
Probabilités
On va alors définir une probabilité en lui attribuant les mêmes propriétés que celles
définies précédemment pour les fréquences.
Définitions
Soit ξ un ensemble d’évènements défini sur l’ensemble fondamental . On appelle
probabilité une application P qui à tout événement E associe un nombre réel telle que :
1. P(E) 0, E ξ
2. P() = 1
3. Si E1 et E2 sont des événements disjoints (E1 E2 = ) alors
P(E1 E2) = P(E1) + P(E2)
Remarques :
La propriété 3 se généralise : si E1, E2, …, En sont des événements disjoints 2 à
2, alors P(E1 E2 … En) = P(E1) + P(E2) + … +P(En)
0 P(E) 1
P(E) = 1 - P(nonE), puisque E nonE = et E nonE =
P() = 0, puisque non =
P(E1 E2) = P(E1) +P(E2) - P(E1 E2)
Exemple :
Soit une famille dans laquelle le groupe sanguin de la mère est A (de
génotype Ao) et celui du père est AB. Quelle est la probabilité pour qu’un
enfant soit du groupe sanguin A ? (on admettra que les événements
élémentaires ont tous la même probabilité notée p).
Les événements élémentaires sont : = {AA, AB, Ao, Bo}.
Calculons d’abord la probabilité d’un événement élémentaire :
P() = 1 = P(AA AB Ao Bo)
Les événements élémentaires étant disjoints, on a :
P() = 1 = P(AA) + P(AB) + P(Ao) + P(Bo)
et puisqu’il y a 4 événements élémentaires de même probabilité, on a :
P() = 1 = 4.p et donc p = 1/4.
P(groupe A) = P(AA Ao)
comme AA et Ao sont disjoints :
P(groupe A) = P(AA) + P(Ao) = 2/4.
Probabilités conditionnelles
Soient A et B deux événements quelconques. Dans certains cas, P(A) peut être
différente si l’événement B est déjà réalisé. Pour définir cette probabilité (probabilité
de A sachant que B est réalisé), il faut se restreindre au sous-ensemble des résultats
25
Probabilités
Indépendance en probabilité
Quels que soient A et B, A et B sont indépendants si et seulement si :
P A B P A P B
Remarques :
Si A et B sont indépendants et P(A) > 0, P(B) > 0, alors :
P(A / B) = P(A B) / P(B) = P(A)·P(B) / P(B) = P(A).
De même, P(B / A) = P(B).
C’est-à-dire que deux événements A et B sont indépendants si la réalisation de B ne
change pas la probabilité de A (autrement dit, la probabilité pour que A soit réalisé est
la même que B se soit produit ou non).
26
Probabilités
Théorème de Bayes
La formule P(A B) = P(A / B)·P(B) = P(B / A)·P(A), nous donne :
PB / AP A
P A / B
P B
Le développement de cette formule va conduire à une formulation développée du
théorème de Bayes. Ce développement requiert l’utilisation de la formule des
probabilités totales :
Soient ξ un ensemble d’évènements, P une probabilité définie sur ξ. Considérons les
événements A1, A2, …, Ak formant une partition et B appartenant à ξ. On définit la
formule des probabilités totales par :
PB PB A1 PB A2 ... PB Ak
Exemple :
Dans une population donnée, chaque individu est soit porteur d’une
maladie M, soit non porteur de M, et la proportion des M est 0,05. Par
ailleurs, on sait qu’un test T est positif chez 80 % des porteurs de M et
10 % des non porteurs.
Question 1. Quelle est la probabilité qu’un individu pris au hasard soit
positif pour T ?
On recherche P(T+). Sachant que P(M) = 0,05, P(T+/M) = 0,8 et que
P(T+ / nonM) = 0,1 on en déduit que : P(nonM) = 1 - P(M) = 0,95
M et nonM forment une partition :
M nonM =
M nonM =
Par application de la formule des probabilités totales :
P(T+) = P(T+ M) + P(T+ nonM)
et par application de P(A B) = P(A / B).P(B), on a :
P(T+) = P(T+ / M).P(M) + P(T+ / nonM).P(nonM)
P(T+) = 0,8.0,05 + 0,1.0,95 = 0,04 + 0,095 = 0,135
Remarquons que l’apport des T+ par les nonM est majoritaire (95 pour
135).
Question 2. Quelle est la probabilité des M parmi les T+ ?
27
Probabilités
28
forcement donné un gène B. Donc pour que l’enfant soit B, le père a donné
un gène B ou o. Par suite, P(ph / [B]) = P(ph / père donne B ou o).
Les probabilités de donner un gène B ou o sachant le génotype sont
données dans la 4ème colonne du Tableau 3.3. On peut ainsi calculer pour
chaque génotype la probabilité d’avoir le génotype en question et de
donner B ou o sachant ce génotype (5ème colonne du Tableau 3.3).
Les divers génotypes formant une partition, nous pouvons appliquer le
théorème de Bayes pour calculer P(génotype / [B]) (4ème colonne du
Tableau 3.4).
Par suite, on a :
P(père A / [B]) = 0,195 / 0,705 = 0,277.
P(génotype) .
Phénotype Génotype P(génotype / [B]) P(ph / [B])
P([B] / génotype)
A AA 0 0 / 0,705
(0 + 0,195) / 0,705
A Ao 0,195 0,195 / 0,705
AB AB 0,01 0,01 / 0,705 0,01 / 0,705
B BB 0,02 0,02 / 0,705
(0,02 + 0,06) / 0,705
B Bo 0,06 0,06 / 0,705
O oo 0,42 0,42 / 0,705 0,42 / 0,705
Total 0,705 1 1
Tableau 3.4 : Probabilités et groupes ABO. Les probabilités P(ph/[B]) s’obtiennent par
addition des P(génotype/[B]) puisque les divers génotypes sont disjoints.
29
Ce qu’il faut savoir absolument
30
Chapitre 4 Variables aléatoires, lois
de distribution
Exemple introductif
Un couple souhaitant avoir 2 enfants s’intéresse au nombre de garçons
qu’il pourrait avoir. On admet que la naissance d’un garçon est aussi
probable que celle d’une fille (P(G) = P(F) = 1/2) et que les naissances
sont indépendantes. Le nombre de garçons dans cette fratrie ne peut pas
être choisi par les parents ; il est régi par un phénomène aléatoire.
Notons X = nombre de garçons. Les valeurs possibles de X sont 0, 1 ou 2
avec des probabilités différentes. Le Tableau 4.1 donne la probabilité
associée, c’est-à-dire celle de l’évènement correspondant, pour chaque
valeur possible x de X. L’ensemble des valeurs possibles et leurs
probabilités associées définissent la loi (ou distribution) de X.
Figure 4.1 : Diagramme en bâtons de la distribution de probabilité d’avoir un garçon dans une
fratrie de 2 enfants.
Variables aléatoires discontinues ou discrètes
Définitions
Une variable aléatoire (v.a.) discontinue X prend différentes valeurs x avec des
probabilités définies par sa distribution de probabilité p(x) (ou distribution de X).
La distribution de X est définie par l’ensemble des valeurs possibles x et de leurs
probabilités associées {(x1, P(X = x1)), …, (xk, P(X = xk))}.
Soient x1 x2 … xk les valeurs possibles prises par la v.a. X, on note
pi = P(X = xi) la probabilité pour que X prenne la valeur xi, avec p1 + p2 + … +pk = 1.
Exemple (suite) :
Dans cet exemple, le nombre de garçon est une variable aléatoire pouvant
prendre les valeurs x = 0, 1 ou 2.
Les probabilités associées sont p0 = P(X = 0) = 1/4, p1 = P(X = 1) = 1/2 et
p2 = P(X = 2) = 1/4.
La distribution du nombre de garçons dans une fratrie de 2 enfants
correspond à l’ensemble {(x0, p0), (x1, p1), (x2, p2)}. Elle peut être
représentée par un tableau (Tableau 4.1) ou par un diagramme en bâtons
(Figure 4.1).
Propriété :
Nous admettrons que si X est une v.a. et si f est une fonction qui à tout nombre réel
associe un nombre réel, alors f(X) est (en général) une v.a. de distribution {(f(x i), pi),
i = 1, 2, …, k}. Par exemple, Y = aX + b (où a et b sont des constantes), X2 sont des
v.a.
32
Variables aléatoires discontinues ou discrètes
événement (ni / N) tend vers la probabilité de réalisation de cet événement (pi). Donc
x tend vers .
33
Variables aléatoires conjointes ou variable aléatoire à 2 dimensions
Phénotype Marginale
A Non A
[S = 1, Ph = 1] [S = 1, Ph = 0]
Garçon S = 1 (0,5)
(0,375) (0,125)
Sexe (S)
[S = 2,Ph = 1] [S = 2, Ph = 0]
Fille S = 2 (0,5)
(0,375) (0,125)
Marginale Ph = 1 (0,75) Ph = 0 (0,25)
Tableau 4.4 : Variables aléatoires conjointes indépendantes (les probabilités associées sont
données entre parenthèses).
34
Variables aléatoires conjointes ou variable aléatoire à 2 dimensions
35
Variables aléatoires conjointes ou variable aléatoire à 2 dimensions
Hémophilie Marginale
Présence Absence
[S = 1, Hémo. = 1] [S = 1, Hémo. = 0] Sexe = 1
Garçon
(0,25) (0,25) (0,5)
Sexe
[S = 2, Hémo. = 1] [S = 2, Hémo. = 0] Sexe = 2
Fille
(0) (0,5) (0,5)
. Y Y x i X . y j Y .rij
nX nY
Covar X , Y E X X
i 1 j 1
36
Variables aléatoires continues
s = 0 pour les filles ainsi qu’une v.a. Ph indicatrice du phénotype telle que
ph = 1 pour les phénotypes A et ph = 0 les phénotypes non A.
La distribution du couple de v.a. S et Ph est notée : {((1 1), 0,375), ((0 1),
0,375), ((1 0), 0,125), ((0 0), 0,125)}.
On a pour la v.a. S :
E(S) = 1.0,5 + 0.0,5= 0,5
Var(S) = (1 - 0,5)2.0,5 + (0 - 0,5)2.0,5 = (0,5)2
S = 0,5
et pour la v.a. Ph :
E(Ph) = 1.0,75 + 0.0,25 = 0,75
Var(Ph) = (1 - 0,75)2.0,75 + (0 - 0,75)2.0,25 = 0,19
Ph = 0,43
Covar(S, Ph) = (1 - 0,5).(1 - 0,75).0,375 + (1 - 0,5).(0 - 0,75).0,125
+ (0 - 0,5).(1 - 0,75).0,375 + (0 - 0,5).(0 - 0,75).0,125 = 0
S , Ph 0
37
Variables aléatoires continues
lorsque l’ensemble d’évènements est infini, c’est-à-dire lorsque l’on s’intéresse à une
variable continue.
La généralisation du cas des v.a. discontinues au cas de v.a. continues peut être
abordée de manière intuitive à partir de l’histogramme du polygone des fréquences (cf.
chapitre « Statistique descriptive ») : lorsque la taille de l’échantillon devient infinie et
la largeur des classes tend vers 0, alors la limite du polygone des fréquences tend vers
la densité de probabilité d’une v.a. continue (Figure 4.2).
Une densité de probabilité f(X) est positive ou nulle.
La probabilité pour qu’une réalisation au hasard de la v.a. soit comprise entre deux
valeurs x1 et x2 correspond à la surface comprise entre la courbe de densité et l’axe des
X limité par les 2 verticales passant par x1 et x2 (Figure 4.2).
Remarque :
Il en résulte que P(x1 X x1) = 0, c’est-à-dire que P(X = x1) = 0.
La surface délimitée par la courbe de densité et l’axe des X sans bornes vaut 1
(la somme de toutes les probabilités élémentaires vaut 1 : f x dx 1 .
Figure 4.2 : Approche d’une densité de probabilité à partir d’un histogramme. (a)
Histogramme des fréquences. L’augmentation de la taille de l’échantillon et la réduction de la
largeur des classes tend vers (b) la densité de probabilité f(X) d’une v.a continue.
38
Lois de distribution
Lois de distribution
Nous présentons ici trois lois de distribution utilisées dans la suite de ce cours.
Loi Normale
La distribution Normale, ou de Laplace Gauss, ne dépend que de 2 paramètres : la
moyenne, , et l’écart-type, . Nous noterons N(, ) une v.a. Normale de moyenne
et d’écart-type :
Propriétés de la loi Normale
f(x) est totalement déterminée par sa moyenne et son écart-type ;
La fonction de densité est (Figure 4.3) :
- continue ;
- symétrique par rapport à la moyenne ;
- passe par un maximum pour x = (c’est-à-dire que le mode = ) ;
- a une médiane égale à ;
Si X1, X2, …, Xn sont Normales et indépendantes alors Y = X1 + X2 + … + Xn
est Normale ;
Si X est N(, ) alors Y = aX + b (a et b sont des constantes) est N(a + b,
| a |.). Cette propriété permet d’établir un cas particulièrement utile par la suite en
définissant une nouvelle v.a. Z telle que Z = (X - ) / . Dans ce cas la loi de
distribution de Z est N(0, 1), appelée loi Normale centrée réduite (la distribution est
centrée sur 0 avec un écart-type égal à 1).
soit
ProbaZ N ou Z N Proba Z N
39
Lois de distribution
Toute v.a. Normale peut être rendue Normale centrée réduite ce qui autorise
l’utilisation de la table. En effet, si Y est N(, ) alors Z = (Y - ,) / est N(0, 1) et
donc (Figure 4.4) :
1 Proba N Y N
et
ProbaY N ou Y N
Loi de Student
La loi de Student dépend d’un seul paramètre : son nombre de degré de liberté (ddl).
Le nombre de degré de liberté est une quantité exprimant le nombre de données
indépendantes. Il n’y a pas une distribution de Student mais une famille de
distributions de Student, une par ddl (Figure 4.5).
Propriétés de la loi de Student à ddl (Figure 4.5)
Elle est symétrique par rapport à 0 ;
Elle passe par un maximum pour 0 (le mode = 0) ;
Elle est d’autant plus aplatie que est petit ;
Elle tend vers la loi N(0, 1) lorsque tend vers l’infini.
40
Lois de distribution
41
Ce qu’il faut savoir absolument
E X E X E X
2 2
Variance
Var X 2 E X E X
2
Propriétés
Espérance (somme de v.a. ) = somme des espérances
Variance (somme de v.a. indépendantes) = somme des variances
42
Question à choix multiples
. Y Y x i X . y j Y .rij
nX nY
Covariance
Covar X , Y E X X
i 1 j 1
et la distribution de Y est :
yi 0 2
pi 0,5 0,5
43
Chapitre 5 Estimation ponctuelle et
intervalle de confiance
Introduction
Il est peu fréquent d’étudier un caractère sur l’ensemble de la population. On
travaille donc sur un échantillon extrait de la population.
Etant donné un résultat obtenu à partir d’un échantillon, que peut-on déduire sur la
population dont il est issu, quelle inférence statistique peut-on faire ?2 Par exemple, si
le paramètre étudié est la moyenne, quelle est la valeur que l’on doit admettre pour la
population à partir de la valeur calculée sur l’échantillon (Figure 5.1) ? Nous sommes
ici dans un problème d’estimation ponctuelle.
Il n’y a pas forcement une estimation ponctuelle unique et il existe un ensemble de
valeurs possibles, compatibles avec les observations, dans lequel on peut penser qu’est
réellement située la valeur du paramètre de la population ; on parle alors d’intervalle
de confiance. Il importe alors de fournir l’estimation la plus « vraisemblable » et de
connaître la « précision » de cette estimation.
Figure 5.1 : Estimation des paramètres d’une population à partir d’un échantillon tiré au sort et
inférence.
2
La vraie valeur de la caractéristique dans la population est inconnue. On cherche à l’approcher à
partir de calculs réalisés sur un échantillon.
Échantillon, estimateur et estimation
Biais
Un bon estimateur doit être sans biais. Soit un paramètre quelconque de la
population et U un estimateur de :
U est un estimateur sans biais de si E(U) =
U est un estimateur biaisé de si E(U) ; le biais vaut : E(U) -
Ces notions sont illustrées sur la Figure 5.2.
46
Estimation ponctuelle
Figure 5.2 : Biais et variance pour 3 estimateurs d’un paramètre : U1 et U2 sont 2 estimateurs
sans biais avec Var(U1) < Var(U2) ; U3 est un estimateur biaisé.
Variance
Un bon estimateur doit avoir une faible variance.
On dira d’un estimateur qu’il est convergent lorsqu’il est sans biais et que sa
variance tend vers 0 quand l’effectif de l’échantillon observé tend vers l’infini.
Si deux estimateurs sont sans biais, le plus efficace est celui dont la variance est la
plus petite puisque ses valeurs sont en moyenne plus proches du paramètre estimé (cf.
Figure 5.2).
Estimation ponctuelle
47
Estimation ponctuelle
x x 2 ... x n x i
x 1 i 1
n n
n
y i
y i 1
n
…
n
z i
z i 1
n
Il est alors naturel de penser :
Que chacune des moyennes x , y , …, z est une estimation de la moyenne de la
population ;
Qu’il n’est pas étonnant, par ailleurs, de trouver x y ... z .
Exemple :
On s’intéresse à la taille du nourrisson de sexe masculin, normal, à l’âge
de trois mois. Soient et 2 la moyenne et la variance de cette v.a.,
paramètres que l’on cherche à estimer. On effectue p échantillonnages,
tous d’effectifs n = 8, dans cette population. Les résultats obtenus sont
donnés dans le Tableau 5.1. Chacune des moyennes est une estimation de
la moyenne de la population et chaque moyenne est différente d’un
échantillon à l’autre.
48
Estimation ponctuelle
C’est un estimateur convergent puisqu’il est sans biais et que Var X 2 n tend
vers 0 lorsque n tend vers l’infini.
L’observation x est une bonne estimation de la moyenne de la population.
Exemple (suite) :
Considérons une population de N = 200 nourrissons de sexe masculin,
normaux, à l’âge de trois mois. La moyenne et l’écart-type de la taille sont
respectivement = 59,7 et = 3,2. On va échantillonner p = 30
échantillons d’effectifs croissants (n = 8, 15, 20 puis 80) à partir de cette
population (les résultats du premier échantillon sont ceux du Tableau 5.1).
On a ainsi 4 distributions d’échantillonnage de la moyenne (Figure 5.3).
On voit que (Figure 5.3 et Tableau 5.2) quand n augmente, la moyenne de
la distribution d’échantillonnage se rapproche de avec de moins en
moins de variabilité (m tend vers 0).
49
Estimation ponctuelle
Population
n 8 15 20 80 … N = 200
m 59,8 59,6 59,6 59,7 … 59,7 = 59,7
m 1,1 0,8 0,7 0,4 … 0 = 3,2
Tableau 5.2 : Evolution de m et de m en fonction de n.
x x
2
i
s x2 i 1
n 1
et sx est une bonne estimation de l’écart-type de la population.
On peut démontrer que S x2 est un estimateur sans biais convergent de 2 .
Var X
64 77,822 ... 60 77,822 90,51
11
50
Estimation de la variance de la population :
s x2
64 77,822 ... 60 77,822 99,56
11 1
ou
11
s x2 90,51 99,56
11 1
Estimation de l’écart-type de la population :
s x 99,56 9,98
51
Estimation par intervalle
Définition
Nous avons vu, dans la partie « Estimation ponctuelle », que chacune des moyennes
de p échantillons tirés au hasard xi , i 1,..., p est une estimation de la moyenne de
la population et que chaque moyenne est différente d’un échantillon à l’autre. Ceci se
généralise à la situation de l’estimation d’une proportion d’une population.
Notons un paramètre inconnu (une moyenne ou une proportion) d’une population.
Si l’on souhaite que l’inférence réalisée à partir de ˆ (estimation de obtenue sur un
échantillon) présente un degré de confiance acceptable il faut construire un intervalle
d’estimation (appelé intervalle de confiance), c’est-à-dire un intervalle, déterminé à
partir des données d’un échantillon, dans lequel on peut parier, avec un risque de se
tromper qui soit acceptable, que se situe réellement dans la population cible.
Ce risque, noté , est généralement pris à 5 % et correspond aux erreurs
d’échantillonnages jugées acceptables.
L’intervalle de confiance de est de la forme :
ˆ erreur d’échantillonnage ; ˆ erreur d’échantillonnage
52
Estimation par intervalle
Figure 5.4 : Construction de 100 estimations d’intervalle. La vraie valeur est correctement
encadrée dans 95 % des situations3.
3
Adapté de Wannacott & Wannacott. L’estimation par intervalle (chap. 8) in : Statistique :
Economie, Gestion, Sciences, Médecine. Ed Economica, 1991.
53
Estimation par intervalle
où T, est la valeur lue dans la table de la loi de Student au risque choisi et
avec = (n - 1) degrés de liberté.
Si la loi de distribution de la variable dans la population n’est pas Normale alors
on ne peut pas calculer l’intervalle de confiance des paramètres de la population
cible.
54
Estimation par intervalle
Exemple :
Sur un échantillon d’effectif n = 10 représentatif d’une population la
moyenne x = 14 et l’estimation de l’écart-type de la population sx = 2.
Trouver l’intervalle de confiance, au risque de 5 % de la moyenne de la
population cible. On suppose que la variable suit une loi Normale.
Il s’agit d’un petit échantillon (n < 30). La condition de Normalité étant
remplie la loi de distribution de la moyenne des échantillons est la loi de
Student à degrés de liberté.
n = 10, x 14 , s x 2 , donc s m 2 10 0,63 .
55
Estimation par intervalle
soit,
0,2 0,8 2
Or on veut que 1,96
n 100
56
Ce qu’il faut savoir absolument
Qualité d’un estimateur : un bon estimateur est sans biais avec une variance qui
tend vers 0 quand l’effectif de l’échantillon observé tend vers l’infini (il est alors
convergent).
x x 2 ... x n x i
x 1 i 1
n n
alors l’observation x de X est une bonne estimation de la moyenne de la
population cible et
n
x x
2
i
s x2 i 1
n 1
est une bonne estimation de la variance de la population et sa racine carrée, sx, est
une bonne estimation de l’écart-type de la population.
La formule suivante permet d’avoir une estimation de la variance de la population à
partir de la variance de l’échantillon :
Var X
n
s x2
n 1
57
Ce qu’il faut savoir absolument
58
Questions à choix multiples
A. Pour une valeur seuil de 300 pg/mL, la sensibilité estimée du BNP pour le
diagnostic d’insuffisance cardiaque est de 0,94.
B. Pour une valeur seuil de 300 pg/mL, la sensibilité estimée du BNP pour le
diagnostic d’insuffisance cardiaque est de 0,90.
C. Pour une valeur seuil de 300 pg/mL, la spécificité estimée du BNP pour le
diagnostic d’insuffisance cardiaque est de 0,80.
D. La probabilité estimée de l’erreur commise en utilisant un seuil de 300 pg/mL est
égale à 0,24.
E. La probabilité estimée de l’erreur commise en utilisant un seuil de 300 pg/mL est
égale à 0,12.
59
Chapitre 6 Indicateurs et courbes de
survie : définitions et
estimations
Introduction
Dans cette partie, nous nous intéresserons plus particulièrement à certains
indicateurs permettant de décrire un état de santé, de rendre compte de la valeur
informationnelle d’un signe médical, de quantifier le risque de morbidité (risque
relatif) ou le risque de mortalité (établissement des courbes de survie) d’un facteur
pronostic.
Indicateurs de morbidité
Prévalence
Le taux de prévalence ou prévalence est la proportion des cas (individus porteurs
de la maladie M ou de tout autre caractéristique) existants dans une population P à une
certaine date. La prévalence est un nombre sans dimension. On peut assimiler la
prévalence à la probabilité qu’un individu pris au hasard dans la population soit porteur
de M4. La prévalence s’exprime comme une probabilité ou en « pour N », comme par
exemple pour 10 000.
nombre de cas existant
Prévalence
effectif de la population
L’estimation de la prévalence repose sur une enquête transversale : observation de la
population ou d’un échantillon à une date fixée. Cette enquête peut être réalisée par le
prélèvement d’un échantillon au hasard dans la population à une certaine date, et pour
chaque individu on détermine si la maladie M est présente ou absente. Toutefois ce
procédé peut être inapproprié s’il n’est pas possible de pratiquer les tests permettant de
déterminer la présence ou l’absence de M chez des individus pris au hasard ; il peut
être inefficace si la maladie M est rare car dans ce cas, pour une taille d’échantillon
4
Afin de modéliser le problème, on suppose que ce patient est pris au hasard dans une population P et
que l’on connaît la proportion p des personnes atteintes par M dans P. Puisque le patient est pris au
hasard dans la population, la probabilité qu’il soit un des porteurs de M est la prévalence p = P(M).
Indicateurs de la valeur informationnelle d’un signe médical
Incidence
Le taux d’incidence ou incidence est le nombre de nouveaux cas dans un certain
intervalle de temps T dans une population P. L’incidence est un nombre sans
dimension par unité de temps. On peut assimiler l’incidence à la probabilité qu’un
individu pris au hasard contracte la maladie pendant une unité de temps. L’incidence
s’exprime en « pour N par T ». Par exemple, l’incidence du cancer bronchique est
de 15 / 100 000 par an.
nombre de nouveaux cas dans la période
Incidence par unité de temps
effectif de la population période en unité de temps
62
Indicateurs de la valeur informationnelle d’un signe médical
Patient M+ Patient M-
T+ déclaré M+ vrai positif (VP) faux positif (FP)
T- déclaré M- faux négatif (FN) vrai négatif (VN)
Tableau 6.1 : Relation maladie - résultat du test.
Patient M+ Patient M-
T+ déclaré M+ P(M+ T+) = Se.p M- T+) = (1 - Sp).(1 - p)
T- déclaré M- P(M+ T-) = (1 - Se).p P(M- T-) = Sp. (1 - p)
Tableau 6.2 : Relation maladie - résultat au test, sensibilité et spécificité.
63
Indicateurs de la valeur informationnelle d’un signe médical
Remarque :
Si un test a une Sp = 1 alors VPP = 1 (signe pathognomonique). Plus
généralement si un test a une Sp très élevée, un résultat positif est fortement
en faveur du diagnostic (VPP haute) ;
Si un test a une Se = 1 alors VPN = 1. Plus généralement si un test a une Se
très élevée, un résultat négatif élimine le diagnostic (VPN haute).
Sensibilité
On peut estimer la sensibilité Se de T vis-à-vis de M au vu d’un échantillon au
hasard pris parmi les malades (Tableau 6.3) :
64
Indicateurs de la valeur informationnelle d’un signe médical
T+ T- total
M+ a c nM+
Tableau 6.3 : Estimation de la sensibilité à partir d’un échantillon de malades tiré au hasard.
Se = P(T+ / M+) est une probabilité on peut donc l’estimer par se = a / nM+ et
l’intervalle de confiance, si nM+ est assez grand, est
se 1 se
se N
nM
Spécificité
On peut estimer la spécificité Sp de T vis-à-vis de M au vu d’un échantillon pris au
hasard parmi les non malades (Tableau 6.4) :
T+ T- total
M- b d nM-
Tableau 6.4 : Estimation de la spécificité à partir d’un échantillon de non malades tiré au
hasard.
Sp = P(T- / M-) est une probabilité on peut donc l’estimer par sp = d / nM- et
l’intervalle de confiance, si nM- est assez grand, est
sp 1 sp
sp N
nM
Remarque :
Nous venons de voir qu’il faut 2 échantillons au hasard : l’un de malades, pour
estimer la sensibilité, et l’autre de non malades, pour estimer la spécificité. Dans
certains cas nous ne disposons que d’un seul échantillon dans la population pour lequel
on note, pour chacun des individus, les résultats T et M comme le montre le Tableau
6.5 :
M+ M- Total
T+ a b a+b
T- c d c+d
a+c b+d n
Tableau 6.5 : Résultat d’un test sur un échantillon.
65
Indicateurs de l’effet d’un facteur : risque relatif
5
On ne peut pas estimer l’intervalle de confiance de Sp avec la formule du cours car l’estimation de
Sp est proche de 1.
66
Indicateurs de l’effet d’un facteur : risque relatif
développer un état (par exemple : risque de récidive d’un cancer après rémission).
On s’intéresse souvent à la modification du risque par la présence ou l’absence de
certains facteurs, autrement dit on s’intéresse au risque dans des sous populations
définies par la présence ou l’absence de certains facteurs. Par exemple, on peut
s’intéresser à la trisomie 21 et considérer la sous population des mères âgées de plus de
38 ans ou apparentées à un trisomique 21 et celle des mères ni âgées de plus de 38 ans
ni apparentées à un trisomique 21.
Nous considèrerons les cas où la maladie est présente (M+) ou absente (M-) et où il
y a un seul facteur F qui peut être présent (F+) ou absent (F-).
On définit alors 2 risques :
Le risque chez les exposés au facteur F : P(M+/F+),
Le risque chez les non exposés au facteur F : P(M+/F-).
Un indicateur de l’influence du facteur est le risque relatif : risque de M+ chez les
exposés à F par rapport au risque de M+ chez les non exposés à F.
PM / F
RR
PM / F
Le RR (risque relatif) varie de 0 à l’infini.
Interprétation du RR :
Si RR > 1 ( P(M+ / F+) > P(M+ / F-)), alors la présence du facteur F
« favorise la maladie ». On dit que F est un facteur de risque.
Si RR < 1 ( P(M+ / F+) < P(M+ / F-)), alors la présence du facteur F
« favorise la non maladie ». On dit que F est un facteur protecteur.
Si RR = 1 ( P(M+ / F+) = P(M+ / F-)), alors le facteur F n’a pas d’effet sur la
maladie.
Remarque :
Le risque relatif mesure le rapport des risques et non pas la variation absolue des
risques.
Sur le Tableau 6.8, le RR est égal à 3 dans les 2 cas alors que la différence absolue
des risques (ou réduction absolue des risques) est de 20 % dans le premier cas et 2 %
dans le second. C’est-à-dire, toutes choses égales par ailleurs, qu’une éradication du
facteur pourrait avoir un effet quantitativement plus grand dans le premier cas.
Exemple :
67
Indicateurs de l’effet d’un facteur : risque relatif
68
Indicateurs de l’effet d’un facteur : risque relatif
On ne peut pas estimer P(poids faible / mère jeune) par 40 / (40 + 23) car
40 et 23 sont issus de 2 échantillons indépendants.
40 / (40 + 60) n’estime pas P(poids faible / mère jeune) mais P(mère
jeune / poids faible) puisque l’échantillon est pris parmi les poids faibles.
On ne peut donc pas estimer le risque relatif dans ce type d’enquête
(cas / témoins) sauf si la maladie M est rare (cf. plus loin).
Pour estimer le risque relatif on peut soit :
Conduire une enquête simple : on prend un seul échantillon de personnes dans
la population cible et on détermine par interrogatoire ou par consultation de
dossiers leur statut (M+ ou M-) et leur exposition passée (F+ ou F-) (Tableau
6.12) :
M+ M-
F+ a b
F- c d
Tableau 6.12 : Enquête simple.
M+ M-
F+ a b
F- c d
Tableau 6.13 : Enquête exposés / non exposés.
69
Indicateurs de l’effet d’un facteur : risque relatif
M+ M-
F+ a b
F- c d
Tableau 6.14 : Enquête cas / témoins.
70
Etablissement des courbes de survie
Exemple :
On s’intéresse à la bronchite chronique et au tabagisme défini par :
tabac+ = plus de 20 cigarettes par jour.
Une enquête exposés / non exposés donne l’observation du Tableau 6.15.
Le RR est estimé par rr = (50 / 100) / (10 / 100) = 5.
Bronchite+ Bronchite-
Tabac+ 50 50
Tabac- 10 90
Tableau 6.15 : Observation de la bronchite chronique dans une enquête exposés / non exposés.
Généralités
On est parfois conduit à s’intéresser au délai séparant le début d’une expérience et la
survenue d’un certain événement.
Exemples :
Délai entre le diagnostic d’une maladie et la survenue du décès par cette
maladie, délai entre un premier épisode d’infarctus du myocarde et la
récidive, délai entre la mise en œuvre d’un traitement et la disparition des
symptômes, …
Pour cela il faut estimer au vu d’un échantillon des caractéristiques de la variable
aléatoire « délai dans la population » telles que, par exemple : taux de survie à 5 ans,
médiane de survie, …
Ces estimations, ou inférences, ne nécessiteraient pas de méthode particulière si les
observations étaient complètes, c’est-à-dire si on observait l’événement pour tous les
éléments de l’échantillon. Or ceci n’est en général pas le cas parce que l’on ne peut pas
attendre que tous les individus aient produits l’événement (délai trop long) ou bien
parce que l’on peut ne pas observer l’événement chez certains individus (par exemple,
alors qu’elle aurait pu se produire, on n’observera pas la récidive d’un infarctus du
myocarde chez les individus décédés). Ces observations incomplètes sont dites
censurées à droite et l’on considérera qu’elles sont dues au hasard.
Par la suite l’événement d’intérêt sera dénommé « décès ».
Définitions
Le délai T entre l’entrée dans l’expérience et le décès est une variable aléatoire
pouvant être caractérisée par sa fonction de survie : S t PT t , avec S 0 1 ,
S t est décroissante et S t tend vers 0 quand t tend vers l’infini (cf. Figure 6.2).
71
Etablissement des courbes de survie
On décide de débuter une expérience à une date fixée et de la terminer à une date
également fixée. Cette date de fin de l’expérience est la date de point. Les individus
sont recrutés pendant la durée de l’expérience (ou au début) au fur et à mesure de leur
éligibilité.
On doit connaître pour chacun des individus :
La date d’entrée dans l’étude ;
La date des dernières nouvelles (DN) : date à laquelle on a observé l’individu
pour la dernière fois. En cas de décès, la date de DN est celle du décès ;
L’état aux DN : vivant ou décédé ;
Si la date des DN est postérieure à la date de point, on « tronque » l’observation qui
est analysée comme « vivant à la date de point ».
Si la date des DN est antérieure à la date de point, l’observation est analysée comme
l’indique l’état aux DN.
On appelle (cf. Figure 6.3) :
Observations complètes : les individus décédés avant la date de point (ou à la
date de point).
Exclus vivants : les individus vivants à la date de point.
Perdus de vue : les individus vivants aux dernières nouvelles et dont la date des
DN est antérieure à la date de point.
Censures : les exclus vivants et les perdus de vue.
Recul : le délai entre la date d’entrée et la date de point.
Temps de participation : le délai entre la date d’entrée et la date des DN si
celle-ci est antérieure à la date de point, sinon le délai entre la date d’entrée et la
date de point.
72
Etablissement des courbes de survie
Exemple :
On s’intéresse au délai séparant un 1er infarctus du myocarde (IDM) et sa
récidive.
L’observation porte sur 6 patients (Tableau 6.16). La date de début est le
1/1/86, la date de point est le 1/6/87.
73
Etablissement des courbes de survie
État en fin
Temps de Etat à la
Patient Recul État aux DN de
participation date de point
participation
1 17 17 Vivant Vivant Vivant
2 12 12 Vivant Vivant Vivant
3 8 6 Décédé Décédé Décédé
4 7 5 Vivant ? Perdu de vue Vivant
5 5 4 Décédé Décédé Décédé
6 3 3 Décédé Vivant Vivant
Tableau 6.17 : Données de survie6.
Il y a :
1 perdu de vue, le patient 4 ;
3 exclus vivants, les patients 1, 2, 6 ;
4 données censurées, les patients 1, 2, 4, 6.
6
En accord avec la terminologie utilisée dans le texte, on assimile à vivant les individus ne présentant
pas de récidive et à décédés les individus présentant une récidive.
74
Etablissement des courbes de survie
ei d i
S t i 1 / t i
ei
En faisant l’hypothèse que la survie (T) et le temps de censure sont indépendants7 on
estime la fonction de survie ou le taux de survie par :
S t 1 S t 2 / t1 ... S t k 1 / t k pour tk t tk + 1
Exemple :
Reprenons les données sur l’IDM du Tableau 6.17 pour construire le
Tableau 6.18 :
Remarques :
1. Dans le calcul d’une probabilité conditionnelle de survie, le nombre de censures
7
Par exemple, le temps de survie et le temps de censure ne sont pas indépendants si ont sait, dans le
contexte de l’étude, que les perdus de vue sont ceux qui vivent le plus longtemps.
75
Etablissement des courbes de survie
Exemple :
On s’intéresse au devenir des patients ayant subi 2 angioplasties et plus
particulièrement à la survenue après la 2ème dilatation soit d’un IDM soit
d’un pontage soit d’un décès d’origine cardiaque (Tableau 6.19). Les
dates sont exprimées en mois. La date de point est le 1/1/98.
76
Etablissement des courbes de survie
Date Temps de
Patient Date DN Etat aux DN Etat
d’entrée participation
1 10/93 2/94 Pontage 5 Décédé
2 4/94 5/94 Vivant 2 Vivant
3 9/94 12/94 Décédé 4 Décédé
4 1/95 4/95 Pontage 4 Décédé
5 3/95 7/95 IDM 5 Décédé
6 7/95 7/95 IDM 1 Décédé
7 10/95 3/96 Pontage 6 Décédé
8 11/95 12/95 Vivant 2 Vivant
9 4/97 10/97 Pontage 7 Décédé
10 6/97 2/98 Vivant 7 Vivant
Tableau 6.19 : Données de survie.
77
Ce qu’il faut savoir absolument
Se = P(T+ / M+) est une probabilité on peut donc l’estimer par se = a / nM+ et
78
Ce qu’il faut savoir absolument
Sp = P(T- / M-) est une probabilité on peut donc l’estimer par sp = d / nM- et
l’intervalle de confiance, si n M- est assez grand, est
sp 1 sp
sp N
nM
Dans certains cas nous ne disposons que d’un seul échantillon tiré au hasard :
M+ M- Total
T+ a b a+b
T- c d c+d
a+c b+d n
On a alors :
se = a / (a + c)
sp = d / (b + d)
vpp = a / (a + b)
vpn = d / (c + d)
79
Ce qu’il faut savoir absolument
M+ M-
F+ a b
F- c d
Tableau 6.22 : Enquête cas / témoins.
80
Questions à choix multiples
81
Questions à choix multiples
QCM 7 : Concernant l’estimation de la survie, quelles sont les assertions qui sont
vraies :
A. Les exclus vivants correspondent à des sujets qui sont exclus des calculs car ils
ne sont pas morts.
B. Le temps de participation correspond toujours au délai entre la date d’entrée et la
date de point.
C. Le calcul du nombre d’individus encore en vie et exposés au risque de décès sur
un intervalle tient compte, entre autre, du nombre d’individus décédés et
censurés dans l’intervalle précédent.
D. L’estimation de la probabilité de survie au temps t n’est pas modifiée lorsque
l’on a affaire à une censure.
E. L’estimation de la probabilité de survie au temps t est d’autant moins fiable que
le nombre d’observations censurées avant t est grand.
82
Chapitre 7 Principes généraux des
tests statistiques
84
Notion de risque
Notion de risque
Nous avons vu que la réalisation d’un test implique de définir une hypothèse nulle
H0 que l’on veut tester. La Figure 7.2 (a) représente ce que l’on observe réellement, si
H0 est vraie. On appelle seuil de signification la valeur Vs correspondant au risque de
rejeter H0 alors que celle-ci est vraie. Ce type d’erreur s’appelle également erreur de
1ère espèce et correspond au risque d’erreur ou risque de 1ère espèce,.
Le rejet de l’hypothèse H0 se fait au bénéfice d’une autre hypothèse, dite hypothèse
alternative (HA). Comme sous H0, D suit sous HA une loi de distribution dont les
caractéristiques peuvent être étudiées. Une erreur peut être commise si le résultat de la
statistique du test de comparaison tombe dans la zone d’acceptation de H0, alors que
HA est vraie. On appelle erreur de 2ème espèce l’erreur consistant à accepter H0 alors
que celle-ci est fausse. Sa probabilité est le risque de 2ème espèce, représentée par la
zone rayée sur la Figure 7.2 (b).
Figure 7.2 : Types d’erreurs possibles dans un test. (a) = probabilité de rejeter H0 alors
qu’elle est vraie (b) = probabilité d’accepter H0 alors qu’elle est fausse. δ est le résultat de la
statistique.
Une décision de rejet ou d’acceptation d’une hypothèse est toujours prise avec
incertitude (la réalité est inconnue). Le Tableau 7.2 représente ces différentes situations
décisionnelles.
Réalité (inconnue)
H0 vraie HA vraie
Décision retenue au vue H0 vraie Pas d’erreur Risque
du résultat de la statistique HA vraie Risque Pas d’erreur
85
Notion de risque
Test unilatéral (Figure 7.4) : une autre situation consiste à introduire une notion
d’ordre dans la définition de HA : la moyenne 0 est inférieure à la moyenne A
(ou l’inverse, HA : 0 > A). Si HA : A > 0, seules les valeurs du résultat de la
statistique supérieures à +Vs sont en faveur de HA et la région de rejet n’a qu’un
seul côté. D’une manière similaire à la situation bilatérale, Vs est déterminé par :
Proba( D +Vs ) = .
86
Degré de signification d’un test statistique
Figure 7.5 : Représentation du risque d’erreur et du degré de signification (p) sous H0.
87
Variations de β
Variations de β
Variation de β en fonction de
Supposons que le même test soit réalisé d’une part au risque 1 et d’autre part au
risque 2, avec 2 < 1. Comme le montre de manière intuitive la Figure 7.6, une
diminution du risque augmente la valeur seuil (Vs2 > Vs1) entraînant de ce fait une
augmentation du risque (2 > 1).
Toute chose égale par ailleurs, et varient en sens inverse.
Figure 7.6 : Variation de en fonction de (toute chose égale par ailleurs). (a) Situation pour
un risque 1 fixé. (b) Situation pour un risque 2 < 1 (Vs correspond à la valeur seuil et
correspond au résultat de la statistique).
88
Variations de β
Figure 7.7 : Variation de en fonction de la taille de l’échantillon (toute chose égale par
ailleurs). (a) Situation pour un effectif n1 fixé. (b) Situation pour un effectif n2 > n1 (Vs
correspond à la valeur seuil et correspond au résultat de la statistique).
Figure 7.8 : Variation de en fonction de l’écart H0 - HA (toute chose égale par ailleurs). (a)
Situation pour un résultat de la statistique 1 fixé. (b) Situation pour un résultat 2 > 1 (Vs
correspond à la valeur seuil).
89
Choix d’un test statistique
Récapitulatif
Le Tableau 7.3 récapitule l’interdépendance entre , et donc entre la puissance d’un
test (1 - ), et certains paramètres statistiques. Ces propriétés sont vraies pour tous les
tests statistiques.
Si augmente
Puissance augmente ( diminue) Si n augmente
Si (écart H0 - HA) augmente
Tableau 7.3 : Variation de la puissance d’un test statistique.
90
Les étapes d’un test statistique
Exemple :
On a mesuré la fibrinémie avant un traitement A et après ce même
traitement. On dispose donc pour chaque individu du dosage de la fibrine
à deux instants donnés, avant et après le traitement. On a donc à comparer
une variable de type quantitatif (dosage de la fibrine) à une variable de
type qualitatif (dont les modalités sont « avant » et « après ») et l’on
pourrait alors penser traiter ce problème en faisant un test de
comparaison des moyennes de l’échantillon de mesures « avant » et de
l’échantillon de mesures « après ». Mais cette solution ne serait pas
exacte. En effet, on suppose dans un tel test que les deux échantillons sont
indépendants. Or, dans notre exemple, les résultats des fibrinémies des
deux séries se correspondent deux à deux, c’est-à-dire que chacun des
nombres de la première série de mesures doit être comparé au nombre
correspondant de la deuxième série de mesures et non à tous les autres.
Ici, on veut connaître l’effet d’un changement de situation sur une variable
mesurée chez les mêmes individus.
91
Question à choix multiples
Notion de risque
On appelle seuil de signification la valeur Vs correspondant au risque de rejeter
l’hypothèse nulle alors que celle-ci est vraie. Ce type d’erreur s’appelle également
risque d’erreur ou risque de 1ère espèce. Il y a une autre façon de se tromper : on
peut accepter l’hypothèse nulle alors que l’hypothèse alternative est vraie. Ce risque
est appelé risque de 2ème espèce ou risque d’erreur .
Une erreur de première espèce est commise si on rejette H0 alors que celle-ci est
vraie (rejet de H0 à tort).
Une erreur de deuxième espèce est commise si on accepte H0 alors que celle-ci
est fausse (acceptation de H0 à tort).
Réalité (inconnue)
H0 vraie HA vraie
Si augmente
Puissance augmente ( diminue) Si n augmente
Si (écart H0 - HA) augmente
Figure 7.10 : Variation de la puissance d’un test statistique.
92
Chapitre 8 Etude de la liaison entre
deux variables : tests de
comparaison et tests
d’indépendance
Introduction
Il est possible de considérer deux types de tests : les tests de comparaison et les tests
d’indépendance.
Exemple :
1. Test de comparaison : considérons deux échantillons pris au hasard :
l’échantillon 1 correspond à des patients ayant eu une thrombose veineuse
et l’échantillon 2 correspond à des patients ayant eu une thrombose
artérielle. Le sexe de chaque individu étant connu, il peut être intéressant
de savoir si la proportion d’homme et de femme (répartition du sexe) dans
l’échantillon 1 est différente de celle obtenue dans l’échantillon 2.
Autrement dit, la variable sexe dépend-elle statistiquement de la variable
type de thrombose. On porte alors un jugement de comparaison entre deux
variables sur des populations différentes.
2. Test d’indépendance : si nous disposons d’un seul échantillon pris au
hasard sur lequel on observe conjointement le type de thrombose
(artérielle ou veineuse) et le sexe (homme ou femme) des individus. Il peut
être intéressant de savoir si les femmes sont prédisposées à la survenue
d’une thrombose veineuse. Autrement dit, le type de thrombose dépend t-il
du sexe d’un individu. Ces deux variables jouent maintenant des rôles
symétriques dont il convient d’apprécier leur dépendance.
Les vraies variances 12 et 22 sont peu souvent connues. Elles seront estimées
respectivement par :
n1 n2
x1i x1 2 x 2i x 2 2
s x21 et s 2 i 1
i 1
n1 1 n2 1
x2
94
Etude de la liaison entre une variable quantitative et une variable qualitative
95
Etude de la liaison entre une variable quantitative et une variable qualitative
d’où
1,1
e 2,56
8,89 8,59
100 90
5. Conclusion du test : pour un risque de 5 %, la valeur seuil N0,05 dans la
table numérique bilatérale de la loi Normale est 1,96. Comme 2,56 > 1,96,
on rejette H0 au risque de 5 %. Autrement dit, au risque de 5 % on affirme
que la différence des durées moyennes d’hospitalisation est statistiquement
significative.
6. Détermination du degré de signification : dans la table numérique
bilatérale de la loi Normale, on trouve N0,01 = 2,58 et N0,02 = 2,33. La
valeur exacte ne se trouve pas dans la table (0,01 p 0,02). On dira que
le degré de signification du test est p < 0,02.
Sachant que s x21 est une bonne estimation de 12 et que s x22 est une bonne
estimation de 22 , alors 2 peut-être estimé à partir des deux échantillons à la
fois (moyenne pondérée) par :
n1 n2
x x1 x 2i x 2
2 2
n1 1.s x2 n2 1.s x2 1i
s2 1 2
i 1 i 1
n1 n2 2 n1 n2 2
96
Etude de la liaison entre une variable quantitative et une variable qualitative
97
Etude de la liaison entre une variable quantitative et une variable qualitative
de taille < 30, et le rythme cardiaque est distribué normalement avec des
variances identiques dans les deux populations.
4. Statistique du test : les conditions d’application étant vérifiées, nous
pouvons utiliser le test t :
t
102,9 77,8
1
4,49
11 251,1 10 99,5 1 1
12 11 2 12 11
5. Conclusion du test : il y a 12 + 11 - 2 = 21 ddl. Pour un risque de 5 %,
la valeur seuil T0,05,21 lue dans la table numérique bilatérale de la loi de
Student est 2,08. Comme 4,49 > 2,08, nous acceptons l’hypothèse
alternative selon laquelle la moyenne de la fréquence cardiaque chez les
hyperthyroïdiens est statistiquement différente de la moyenne de la
fréquence cardiaque chez les normaux, et cela avec un risque d’erreurs de
5 %.
6. Détermination du degré de signification : dans la table numérique
bilatérale de la lois de Student, la valeur la plus proche de 4,49, pour 21
ddl, est 0,01. On dira que le degré de signification du test est p < 0,01.
98
Etude de la liaison entre une variable quantitative et une variable qualitative
hasard dans la population cible. On montre que l’écart X a suit une loi
Normale de moyenne 0 et Var X a Var X 2 n si H0 est vraie.
La statistique du test, notée e, correspond à la différence, exprimée en unité
d’écart-type, entre la moyenne observée et la constante. Lorsque la variance de
la population théorique est connue et que n 30 :
x a
e
2
n
99
Etude de la liaison entre une variable quantitative et une variable qualitative
100
Etude de la liaison entre une variable quantitative et une variable qualitative
de chance de se tromper).
6. Détermination du degré de signification :
Lire dans la table numérique bilatérale de la loi Normale la valeur p telle que
e = Np (ou la valeur la plus proche de p).
101
Etude de la liaison entre une variable quantitative et une variable qualitative
Séries appariées
Principe général
Dans les tests précédents, étudiant la liaison entre une variable quantitative et une
variable qualitative, nous avons supposé que la constitution de chacun des échantillons
était indépendante l’une de l’autre. Il n’en est pas toujours ainsi. Il arrive que l’on
s’intéresse à des situations où le recueil de données ne peut pas suivre cette contrainte
d’indépendance.
Par exemple, pour comparer deux méthodes de dosage de la fibrinèmie on
a dosé 100 prélèvements de sang par la méthode A et on a dosé ces mêmes
100 prélèvements de sang par la machine B. On souhaite ensuite comparer
les valeurs moyennes observées.
Une autre situation concerne les expériences du type « mesure avant -
mesure après » dans lesquelles on veut connaître l’effet d’un changement
de situation sur une variable mesurée chez les mêmes individus (cf.
exemple du chapitre « Principes généraux des test statistiques »).
On a affaire à deux échantillons indépendants quand les mesures sont effectuées
sur des individus différents. Dans ce cas, la variabilité des mesures prend en compte la
variabilité entre les individus. Par contre, quand les deux échantillons proviennent de
mesures effectuées chez les mêmes individus (échantillons dépendants ou séries
102
Etude de la liaison entre une variable quantitative et une variable qualitative
appariées), la différence entre deux mesures chez le même individu est amputée de la
variabilité inter-individuelle. Pour tenir compte de ce phénomène on ne va plus étudier
la différence des moyennes obtenues sur chacun des échantillons. On va travailler sur
les différences obtenues sur chaque observation (différence de la fibrinèmie avant -
après traitement chez le même patient) pour étudier la nullité de la moyenne de ces
différences. On retrouve ainsi la situation de la comparaison d’une moyenne (moyenne
des différences) à une constante (zéro) dont le principe a déjà été présenté.
d d
n 2
i
sD2 i 1
n 1
Cette statistique e suit une loi Normale N(0, 1).
5. Conclusion du test :
Pour le risque choisi, on lit la valeur seuil N dans la table numérique
bilatérale de la loi Normale.
Si e < N, alors on conserve H0 ;
103
Etude de la liaison entre une variable quantitative et une variable qualitative
Lire dans la table numérique bilatérale de la loi Normale la valeur p telle que
e = Np (ou la valeur la plus proche de p).
104
Etude de la liaison entre une variable quantitative et une variable qualitative
Surface Surface
d - d
2
Individu di i
avant TRT après TRT
1 24 30 +6 70,14
2 6 3 -3 0,39
3 9 1 -8 31,64
4 12 17 +5 54,39
5 7 3 -4 2,64
6 6 9 +3 28,89
7 25 18 -7 21,39
8 12 3 -9 43,89
9 24 16 -8 31,64
10 10 6 -4 2,64
11 12 18 +6 70,14
12 7 5 -2 0,14
13 2 0 -2 0,14
14 25 25 0 5,64
15 24 23 -1 1,89
16 48 38 -10 58,14
d d = 423,75
2
d = -2,37 i
423, 75
sD2 28, 25
15
Tableau 8.1 : Mesures des tailles des n = 16 tumeurs avant et après traitement et détails des
calculs.
105
Etude de la liaison entre deux variables qualitatives
Introduction
Considérons une variable qualitative A comportant respectivement nA modalités.
Nous avons vu que cette variable qualitative A peut être caractérisée par les fréquences
absolues et par les fréquences relatives, exprimées en pourcentages, des nA modalités.
Cette notion de fréquences relatives détermine l’ensemble des probabilités pour que
chaque modalité se réalise, autrement dit elle permet d’estimer la distribution de A
dans son ensemble. Dans le cas d’une variable quantitative nous disposions
d’indicateurs, la moyenne et la variance, permettant de résumer sa distribution et
d’étudier la liaison de cette variable avec une variable qualitative. La liaison entre deux
variables qualitatives, représentée dans un tableau de contingence, sera étudiée à partir
de la distribution de leurs fréquences relatives respectives.
Principe général
Le principe calculatoire général de l’étude de la liaison entre deux variables
qualitatives est le même quels que soient les problèmes de comparaisons envisagés :
comparaison d’une répartition observée à une répartition théorique, comparaison de
plusieurs répartitions observées ou étude de l’indépendance entre deux variables
qualitatives8.
Supposons une population théorique dans laquelle un caractère qualitatif C peut
prendre ses valeurs parmi k modalités c1, c2, …, ck en proportions p1, p2, …, pk (avec
p1 + p2 + … + pk = 1).
On tire au hasard n individus à partir de cette population et on note o1, o2, …, ok les
effectifs observés pour les k modalités. Si la distribution des fréquences relatives
observées de l’échantillon était la même que celle de la population, nous aurions les
effectifs théoriques suivants : t1 = np1, t2 = np2, … tk = npk (cf. Tableau 8.2)9.
On retrouve donc une situation bien connue maintenant consistant à savoir si l’écart
entre deux quantités, dans ce cas les effectifs observés (o1, o2, …, ok) et les effectifs
théoriques (t1, t2, …, tk), est dû aux fluctuations d’échantillonnage (hypothèse nulle) ou
8
Remarque : il s’agit là de problèmes respectivement homologues à la comparaison d’une moyenne
observée à une constante, à la comparaison de deux moyennes.
9
Par construction, la somme des effectifs théoriques vaut n (np1 +…+ npk = n.( p1 +…+ pk) =n).
106
Etude de la liaison entre deux variables qualitatives
Modalités c1 c2 … ck
Proportions
théoriques
p1 p2 … pk p i 1
Effectifs
observés
o1 o2 … ok o i n
Effectifs
théoriques
t1 = np1 t2 = np2 … tk = npk t i n
o1 t1 2 o2 t 2 2 o k t k 2 k
oi t i 2
2 …
t1 t2 tk i 1 ti
Tableau 8.2 : Principe du test du chi-deux (valide si tous les ti sont 5).
s’il est suffisamment grand pour ne pas être dû à ces fluctuations d’échantillonnage
(hypothèse alternative). Le paramètre statistique utilisé pour cela est le chi-deux (noté
2) dont la formule est la suivante :
k
oi ti 2
2
i 1 ti
Si H0 est vraie et si tous les effectifs théoriques sont assez grands (ti 5), ce
paramètre suit une loi de probabilité particulière, la loi du 2 (cf. chapitre « Variables
aléatoires, lois de distribution ») qui ne dépend que de son nombre de degrés de liberté.
Celui-ci exprime, pour un caractère qualitatif comportant k modalités, le nombre de
modalités indépendantes de ce caractère qualitatif. Du fait de la relation de contrainte
t1 + t2 + …+ tk = n, le nombre de degré de liberté est, dans cette situation, le nombre
de modalité du caractère étudié moins 1 ( = k - 1)10.
Donc pour conclure à un test utilisant la statistique du 2 :
Si 2 < 2 , k 1 , alors on conservera H0 (l’écart entre les effectifs observés et les
effectifs théoriques est dû aux fluctuations d’échantillonnage) ;
Si 2 2 , k 1 , alors on rejette H0 pour accepter HA au risque (avec 100. % de
chance de se tromper).
10
Si les k - 1 premiers effectifs théoriques sont libres le dernier effectif théorique est fixé par la
contrainte t i n .
107
Etude de la liaison entre deux variables qualitatives
i 1 ti
Exemple (suite) :
1. Hypothèses à tester : la répartition des décès dans le centre hospitalier
est identique à celle de la région (H0) et HA : la répartition des décès dans
108
Etude de la liaison entre deux variables qualitatives
2
110 66
2
130 88
2
200 286
2
75,24
66 88 286
avec = 3 - 1 = 2 degrés de liberté.
5. Conclusion du test : pour un risque de 5 % et pour = 2 degrés de
liberté, la valeur seuil 02, 05, 2 lue dans la table numérique unilatérale de la
loi du 2 est 5,99. Comme 75,24 > 5,99, on conclut, au risque de 5 %, que
la répartition observée des décès dans le centre hospitalier est
statistiquement différentes de la répartition théorique de la région.
6. Détermination du degré de signification : dans la table numérique
unilatérale de la loi du 2 à 2 ddl, on a une valeur de 13,81 pour
= 0,001. Le degré de signification du test est donc p < 0,001
(75,24 > 13,81).
109
Etude de la liaison entre deux variables qualitatives
populations
HA : les répartitions de la variable sont « différentes »
2. Choix du risque
3. Conditions d’application :
Echantillons indépendants ;
Echantillons pris au hasard ;
Effectifs théoriques 5.
4. Statistique du test :
Les observations de données qualitatives à deux dimensions sont représentées
par un tableau de contingence (Tableau 8.3).
Soit oi,j l’effectif observé pour la ième modalité du caractère qualitatif étudié dans
le jème échantillon.
Si H0 est vraie, on peut estimer la probabilité commune à toutes les populations
par pi N i ,. N . Par suite l’effectif théorique pour la ième modalité du jème
échantillon est :
N i ,.
t i , j N ., j
N
A condition que tous les ti,j 5, alors l’écart entre les distributions observées,
oi,j, et les distributions théoriques, ti,j, est caractérisé par le 2 étendu à m
échantillons :
k m o ti, j
2
2 i, j
i 1 j 1 ti, j
110
Etude de la liaison entre deux variables qualitatives
5. Conclusion du test :
2
4 13,1
2
17 13,6
2
12 15,7
2
24,19
13,1 13,6 15,7
avec = (3 - 1).(4 - 1) = 6 degrés de liberté.
5. Conclusion du test : pour un risque de 5 % et pour = 6 degrés de
liberté, la valeur seuil 02, 05, 6 lue dans la table numérique unilatérale de la
loi du 2 est 12,59. Comme 24,19 > 12,59, on conclut, au risque de 5 %,
que selon l’état de la thyroïde, l’intensité du tremblement des mains est
statistiquement différente.
6. Détermination du degré de signification : dans la table numérique
unilatérale de la loi du 2 à 6 ddl, on a une valeur de 22,46 pour
= 0,001. Le degré de signification du test est donc p < 0,001
(24,19 > 22,46).
11
Remarque : là encore, nous pouvons remarquer que, par construction, les effectifs marginaux
théoriques sont identiques aux effectifs marginaux observés.
111
Etude de la liaison entre deux variables qualitatives
Tremblements
Absent Légers Nets Majeurs Total
Hyperthyroïdiens 4 8 22 24 58
Euthyroïdiens 17 19 13 11 60
Hypothyroïdiens 19 14 14 12 59
Total 40 41 49 47 177
Tableau 8.4 : Effectifs observés.
Tremblements
Absent Légers Nets Majeurs Total
4058/177 4158/177 4958/177 4758/177
Hyperthyroïdiens 58
=13,1 =13,4 =16,1 =15,4
4060/177 4160/177 4960/177 4760/177
Euthyroïdiens 60
=13,6 =13,9 =16,6 =15,9
4059/177 4159/177 4959/177 4759/177
Hypothyroïdiens 59
=13,3 =13,7 =16,3 =15,7
Total 40 41 49 47 177
Tableau 8.5 : Effectifs théoriques.
112
Etude de la liaison entre deux variables qualitatives
B1 … Bi … Bk Total ligne
A1 o1,1 oi,1 ok,1 N.,1
…
Soit oi,j l’effectif observé pour la ième modalité du caractère qualitatif B dans la
jème modalité du caractère qualitatif A.
Si les deux caractères sont indépendants, on peut estimer les probabilités de
chaque modalités du caractère B par pBi N i ,. N et les probabilités de chaque
modalités du caractère A par pA j N ., j N .
Par suite l’effectif théorique12 pour la ième modalité du caractère qualitatif B
12
Remarque : là encore, nous pourrions remarquer que, par construction, les effectifs marginaux
113
Etude de la liaison entre deux variables qualitatives
2 i, j
i 1 j 1 ti, j
Pour le risque choisi, on lit la valeur seuil 2 ,m 1k 1 dans la table numérique
unilatérale de la loi du 2.
Si 2 < 2 ,m 1k 1 , alors on conserve H0 ;
114
Etude de la liaison entre deux variables qualitatives
2
30 342 52 482 21 172 20 242 2,41
34 48 17 24
avec = (2 - 1).(2 - 1) = 1 degré de liberté.
5. Conclusion du test : pour un risque de 5 % et pour = 1 degré de
liberté, la valeur seuil 02, 05,1 lue dans la table numérique unilatérale de la
loi du 2 est 3,84. Comme 2,41 < 3,84, on conclut que le fait d’avoir une
thrombose veineuse ou artérielle ne dépend pas du sexe.
6. Détermination du degré de signification : dans la table numérique
unilatérale de la loi du 2 à 1 ddl, on a une valeur de 1,64 pour = 0,20 et
une valeur de 2,71 pour = 0,10. Le degré de signification du test est
donc p > 0,10 (1,64 < 2,41 < 2,71).
Remarque 1 : Le test du 2 d’indépendance peut paraître analogue au test du 2 de
comparaison de deux distributions observées. Il en diffère cependant car il ne porte que
sur un seul échantillon. De ce fait, seul l’effectif total est contrôlé et les totaux lignes
et colonnes sont aléatoires. Ceci peut agir, en particulier, sur la puissance du test :
Exemple :
Soit une population comportant 20 % de femmes et 80 % d’hommes. Par
ailleurs 50 % des femmes et 30 % des hommes ont un signe S.
Un investigateur, ne connaissant pas ces répartitions, désire tester
l’indépendance entre S et le sexe. Pour cela il prend un échantillon au
hasard de 100 individus et observe les résultats donnés dans le Tableau
8.9 :
S Non S Total
Femmes 10 (6,8) 10 (13,2) 20
Hommes 24 (27,2) 56 (52,8) 80
Total 34 66 100
Tableau 8.9 : Effectifs observés sur un échantillon. Les effectifs théoriques associés sont
donnés entre parenthèses.
2
2,85
6,8 13, 2 27, 2 52,8
Pour = 5 % et = 1, on a 2,85 < 3,84. On conserve donc l’hypothèse
d’indépendance entre S et le sexe.
Une autre observation a été faite en considérant 2 populations, une
population d’hommes et une population de femmes, puis en prenant 1
échantillons de taille 50 parmi les femmes et 1 échantillon de taille 50
115
Etude de la liaison entre deux variables qualitatives
S Non S Total
Femmes 25 (20) 25 (30) 50
Hommes 15 (20) 35 (30) 50
Total 40 60 100
Tableau 8.10 : Effectifs observés sur deux échantillons. Les effectifs théoriques associés sont
donnés entre parenthèses.
25 20 25 30 15 20 35 30
2 2 2 2
2
4,17
20 30 20 30
Pour = 5 % et = 1, on a 4,17 > 3,84. On rejette l’hypothèse de même
répartition pour retenir celle de répartitions différentes de S en fonction du
sexe. Cette conclusion peut être assimilée à non indépendance de S et du
sexe dans la population « hommes femmes » puisque la distribution de S
diffère selon le sexe.
Bien que l’effectif total soit le même dans ces deux situations (N = 100), le
premier test est moins puissant car les effectifs des hommes et des femmes
ne sont pas équilibrés.
13
Cette notion de risque relatif est présentée plus amplement dans le chapitre « Indicateurs,
estimations ».
116
Etude de la liaison entre deux variables qualitatives
24 16 24 32 6 14 36 28
2 2 2 2
2
12,86
16 32 14 28
Le test est applicable puisque tous les effectifs théoriques sont > 5 et il est
statistiquement significatif puisque 12,86 > 3,84 (pour = 5 % et = 1)
avec p < 0,001.
Il est normal de compléter ce résultat par les estimations de resténose, qui
sont :
24/48 = 0,5 sous angioplastie et 6/42 = 0,14 sous angioplastie + Stent.
On peut aussi estimer le risque relatif de resténose sous angioplastie par
rapport à angioplastie + Stent :
rr = (24/48)/(6/42) = (24.42)/(6.48) = 21/6 = 3,5, qui indique que l’on a
3,5 fois plus de risque de resténoser sous angioplastie seule qu’avec la
117
Etude de la liaison entre deux variables quantitatives
On obtient :
2
128, 6
160 320 140 280
mais on a toujours rr = 3,5. Dans cette situation, l’intervalle de confiance
de RR sera plus étroit.
Le test du 2 peut être significatif alors que le RR est voisin 1 si les effectifs
sont grands.
Coefficient de corrélation
Nous avons déjà défini dans le chapitre « Variables aléatoires, lois de distribution »
un indicateur permettant de quantifier l’intensité de la liaison entre deux variables
quantitatives : le coefficient de corrélation de Pearson ou coefficient de corrélation
linéaire. C’est ce coefficient qui va être utilisé.
Rappels : soit le coefficient de corrélation de Pearson (-1 1). Si X et Y, 2
variables aléatoires continues, sont indépendantes alors = 0 et si Y = aX + b alors
= 1.
118
Etude de la liaison entre deux variables quantitatives
x i x yi y
r i
x x y y
2 2
i i
i i
Figure 8.1 : Nuages de points représentant (a) l’absence de corrélation r=0, (b) une corrélation
positive r>0 et voisin de 1, (c) une corrélation négative r<0 et voisin de -1 et (d) une relation
non linéaire (r<0 jusqu’à une certaine valeur de x, puis r>0).
119
Etude de la liaison entre deux variables quantitatives
x i x yi y
s xy
r i
x x y y sx s y
2 2
i i
i i
120
Etude de la liaison entre deux variables quantitatives
121
Ce qu’il faut savoir absolument
Conditions
Type de variables Méthode
d’application
122
Ce qu’il faut savoir absolument
123
Questions à choix multiples
124
Chapitre 9 Exercices14 et corrections
des QCM
Exercice 1
Un patient reçoit consécutivement 3 injections d'une substance S. Cette substance est
responsable d’effets secondaires locaux dans 10 % des cas. On admet que l’apparition
de l’effet secondaire est indépendant d’une administration antérieure de S.
Question
Quelle est la probabilité pour ce patient d’avoir des effets secondaires ?
Réponse
P(Effets secondaires +) = 1 - (0,90)3 = 0,271
Exercice 2
Un patient présente 2 obstructions au niveau du territoire artériel coronaire. Le
chirurgien cardio-vasculaire titulaire décide que la désobstruction des artères doit être
réalisée à l’aide d’une sonde intra-vasculaire. Le geste technique est laissé à l’interne
du service qui n’a droit qu’à 3 essais avant que le chirurgien titulaire n’intervienne.
On admet que la probabilité qu’un interne peu expérimenté a de désobstruer une
artère est constante et égale à 0,7.
Question
Quelle est la probabilité pour que l’interne désobstrue les 2 artères ?
Réponse
Désobstruer les 2 = (réussiréussi) (réussiratéréussi) (raté réussiréussi)
ces évènements sont disjoints donc la probabilité est la somme des probabilités :
P(Désobstruer les 2) = P(réussiréussi) + P (réussiratéréussi)
+ P(raté réussiréussi)
Et puisque la probabilité est constante :
14
La (Les) partie(s) du cours concernée(s) par l’exercice est (sont) donnée(s) entre parenthèses.
Exercice sur la loi Normale (chapitre 4)
126
Exercice sur l’estimation de la valeur informationnelle d’un signe (chapitre 5)
On recherche dans la table de la loi Normale centrée réduite la valeur N ’ tel que
P(Z N’) = 0,05.
On sait que /2 = P(Z N), donc = 2P(Z N) et ’ = 2*0,05 = 0,1 et
N’ = 1,64.
P(Z 1,64) = 0,05 donc (X [150+(50*1,64)]) = 0,05
D’où P(X232) = 0,05.
La borne supérieure des résultats normaux est à 232 UI.
2. Par un raisonnement similaire à celui de la question 1, on trouve que la borne
inférieure des résultats normaux est à 52 UI.
3. On cherche la probabilité : P(normal) = P(52 X 232).
On a : P(Normal) = 1 - P(Anormal)
et P(Anormal) = P(X 52 Ou X 232) = P(X 52) + P(X 232).
D’où, P(Normal) = 1 - P(X 52) - P(X 232)
P(X 52) = P(Z [(52-150)/50]) = P(Z -1,96)
Dans la table, quand N = 1,96 alors = 0,05 et donc /2 = P(Z -1,96) = 0,025.
P(X 232) = P(Z [(232-150)/50]) = P(Z 1,64)
Dans la table, quand N = 1,64 alors = 0,10 et donc /2 = P(Z -1,96) = 0,05
D’où, P(Normal) = 1 - 0,025 - 0,05 = 0,925.
Exercice 1
La mammographie a vis-à-vis du cancer du sein, chez la femme de 50 à 59 ans, une
sensibilité de 0,9 et une spécificité de 0,95. On admet que la Se et la Sp demeurent les
mêmes lorsque l’on effectue plusieurs mammographies chez la même femme et qu’il y
a indépendance entre les mammographies effectuées chez une même femme saine.
Question
Quelle est la probabilité pour qu’une femme ne présentant pas de cancer du sein et
passant 4 mammographies soit dépistée positive au moins une fois ?
Réponse
Dépistée positive au moins une fois = contraire de jamais dépistée positive.
P(jamais dépistée positive/femme indemne)=P(1ère mammo négative 2ème mammo
négative 3ème négative4ème négative/femme indemne).
Puisqu’il y a indépendance :
P(jamais dépistée positive/femme indemne)=P(1ère négative/femme indemne)*P(2ème
négative/femme indemne)*…
La Sp demeurant constante :
P(jamais dépistée positive/femme indemne)=0.95*0.95*0.95*0.95=0.81
P(dépistée au moins une fois positive/femme indemne)=1-0.81=0.19
C'est à dire que sur un dépistage avec mammographie tous les 2,5 ans une femme
indemne entrant dans le programme à 50 ans a environ une « chance » sur 5 d'être
inquiétée au moins une fois avant 60 ans.
127
Exercices sur les test statistiques (chapitres 7 et 8)
Exercice 2
La prévalence du cancer du sein chez les femmes de 50 à 59 ans est de 200/100 000.
La mammographie a une sensibilité de 0,9 et une spécificité de 0,95.
Questions
1. Quelle est la probabilité qu'une femme de 55 ans ayant une mammographie
positive soit atteinte ? Comment s'appelle cette probabilité ?
2. Quelle est la probabilité qu'une femme de 55 ans ayant une mammographie
négative soit indemne ? Comment s'appelle cette probabilité ?
Réponses
1. Proba(Cancer du sein / mammographie positive) = p.Se/(p.Se+(1-p).(1-Sp))
= (2/1000)*0,9/((2/1000)*0,9+(998/1000)*(0,05)
=2*90/(2*90+998*5)=180/(180+4990) 0,035
Proba(Cancer du sein / mammographie positive)=VPP
2.
Proba(Pas de cancer du sein/mammographie négative)=(1-p).Sp/((1-p).Sp+p.(1-Se))
= (998/1000)*0,95/((998/1000)*0,95+(2/1000)*0,1)
= 998*95/(998*95+2*10)= (95.000-190)/((95.000-190)+20)=94.810/94.830
0,9998
Proba(Pas de cancer du sein/mammographie négative) = VPN
Exercice 3
Un signe S a vis-à-vis d'une maladie M une sensibilité de 0,90 et une spécificité de
0,90.
Question
Calculer la VPP de S vis à vis de M pour les valeurs suivante de prévalence : 0,50 ;
0,10 ; 0,05. Commentez.
Réponse
P = 0,50 VPP = 0,90
p = 0,10 VPP = 0,50
p = 0,05 VPP = 0,32
La VPP décroît très vite lorsque la prévalence devient « petite ».
Exercice 1
Afin de comparer l’efficacité de 2 traitements A et B sur une maladie M, on a traité
10 malades pris au hasard par A et 10 malades pris au hasard par B. Les résultats sont :
Succès Echec
Traitement A 5 5
128
Exercices sur les test statistiques (chapitres 7 et 8)
Traitement B 3 7
La conclusion est : 2 = 0,83 (p = 0,36) les traitements ne diffèrent pas.
Question
Qu’en pensez-vous (choix du test, résultats) ?
Réponse
Il s’agit de comparer les distributions d’une variable qualitative dans 2 populations
au vu de 2 échantillons au hasard ; le test du CHI2 est donc adéquat (H0 :
P(succès)=P(échec), Ha : P(succès)P(échec)). De plus les traitements étant attribués
au hasard on pourra invoquer la causalité.
Succès Echec Total
Traitement A 5 (4) 5 (6) 10
Traitement B 3 (4) 7 (7) 10
Total 8 12 20
2 effectifs théoriques sont égaux à 4 donc < 5 ; le test du CHI2 est invalide.
La conclusion des auteurs est donc invalide.
De plus même si le résultat statistique (p=0,36) était valide on ne doit pas conclure
« les traitements ne diffèrent pas » mais « nous conservons H0 » ou bien « nous
n’avons pas mis en évidence une différence significative entre A et B ». Remarquons
par ailleurs que les effectifs (10) sont petits et que par suite même si la vraie différence
entre A et B est intéressante la puissance du test est faible.
Exercice 2
Une étude porte sur le stress au travail. Sur un échantillon de 22 employés pris au
hasard les auteurs ont mesuré : la proportion par employé de postes informatiques
(nombre de postes/nombre d’employés dans l’entreprise) et une échelle de stress. Une
valeur élevée sur l’échelle de stress est en faveur d’un stress élevé. On admettra que
stress et proportion de postes informatiques suivent une loi Normale à 2 dimensions.
L’estimation du coefficient de corrélation de Pearson est r=0,66.
Question
1. Quelle est votre conclusion ?
2. La conclusion des auteurs est : « une forte proportion de postes informatiques dans
une entreprise augmente le stress r=0,66 (p<0,01) ».
Réponse
1. Les conditions d’application du test du coefficient de corrélation sont satisfaites :
échantillon au hasard et normalité du couple (stress, proportion de postes
informatiques). Les hypothèses du test sont : H0 : stress et proportion de postes
indépendantes, Ha : stress et proportion liées.
0,66 > R 5%, 20ddl =0,360 donc on rejette H0 pour Ha, et 0,66>0,537= R 0,01, 20ddl donc
p<0,01.
129
Exercice sur la comparaison de 2 distributions (chapitres 2, 6, 7, 8)
130
Exercice de synthèse : le diagnostic de l’embolie pulmonaire (chapitres 1, 2, 5, 6, 7,
8)
L’EP est d’évolution rapide et est mortelle dans plus de 30% des cas en absence de traitement. On
15
131
Exercice de synthèse : le diagnostic de l’embolie pulmonaire (chapitres 1, 2, 5, 6, 7,
8)
Tableau II :
Score Non EP EP (%) total
0 95 5 (5) 100
1 90 8 (8) 100
2 92 10 (10) 100
3 88 12 (12) 100
4 85 15 (15) 100
5 90 30 (25) 120
6 70 40 (36,4) 110
7 45 45 (50) 90
8 35 45 (56,2) 80
9 10 30 (75) 40
10 0 25 (83,3) 30
11 0 20 (100) 20
12 0 10 (100) 10
132
Exercice de synthèse : le diagnostic de l’embolie pulmonaire (chapitres 1, 2, 5, 6, 7,
8)
>12 0 5 (100) 0
700 300 1000
Tableau III :
suspicion Non EP(%) EP(%) total
Faible (score 4) 450(90) 50(10) 500
Intermédiaire (score 5-8) 240(60) 160(40) 400
Elevée(score 9) 10(10) 90(90) 100
Total 700 300 1000
Questions
1. Quelle est la nature de chaque variable sexe, âge et score clinique ? (chap. 1, 2)
2. Comment représentez-vous graphiquement les données concernant le sexe, le score
clinique ? (chap. 1, 2)
3. Quelle est la médiane, le 3ème quartile du score, la moyenne du score ? (chap. 1, 2)
4. Que pensez-vous de cet échantillon ? (chap. 1, 2)
Par la suite on fera comme si l’échantillon était pris au hasard dans la population des
suspicions d’EP aux urgences.
5. Que pouvez-vous dire de la prévalence de l’EP ? (chap. 6, 7)
6. Justifier la phrase « En particulier on peut exclure le diagnostic d’EP en cas de
suspicion clinique faible et un taux de DD faible ». (chap. 5)
On souhaite étudier la valeur informationnelle du score en prenant un résultat 9
comme valeur seuil. A partir des données du tableau II on obtient alors le tableau de
contingence suivant :
EP Non EP
Score 9 90 10 100
Score < 9 210 690 900
300 700 1000
7. Quelles sont les estimations de la sensibilité et la spécificité du signe score 9
(suspicion élevée) ? Pouvez vous en donner un intervalle de confiance à 95 % ?
(chap. 7)
8. Pouvez vous estimer la VPP de score 9 ? (chap. 7)
9. Quelle est la signification de la colonne « RR » tableau I ? (chap. 7)
10. Quelle est la signification de la colonne « p » tableau I ? (chap. 8, 9)
11. Justifier les résultats concernant la douleur thoracique. (chap. 8, 9)
12. Au vu du tableau III pouvez-vous tester si le score est « prédictif de l’EP » ? (chap.
8, 9)
Réponses
133
Exercice de synthèse : le diagnostic de l’embolie pulmonaire (chapitres 1, 2, 5, 6, 7,
8)
120
100
fréquence absolue
80
60
40
20
0
0 1 2 3 4 5 6 7 8 9 10 11 12 >12
SCORE
3. Le score est une donnée ordinale, les quartiles peuvent être utilisés.
Médiane : 500 individus ont un score 4, 500 ont un score 5. La médiane est
donc n’importe quelle valeur entre 4 et 5. On donne comme valeur de la médiane
4,5.
730 individus ont un score 6, 820 7. Le troisième quartile est donc 7 car
1000*0,75=750.
Le score est une donnée ordinale la moyenne est donc un mauvais indicateur.
4. Cet échantillon est pris dans la population des suspicions d’EP aux urgences du
CHU X. Il ne permet donc pas d’étendre les éventuelles inférences à une
population plus générale sans réserve. Il paraît difficile, par exemple, de les étendre
en dehors des urgences. De plus il n’est pas pris au hasard car constitué par 1000
patients consécutifs. Toutefois on peut, sous certaines conditions (durée de
recrutement ni trop courte ni trop longue, moyens d’investigation stables, …),
admettre que 1000 patients consécutifs sont pris « au hasard ».
5. On ne peut pas estimer la prévalence de l’EP car l’enquête n’est pas transversale
dans la population. Par contre on peut estimer la proportion, p, des EP parmi les
entrants en urgence pour suspicion d’EP dans le CHU X puisque nous disposons
d’un échantillon au hasard dans cette population. Nous savons que la fréquence
relative est une bonne estimation de p : f=300/1000=0,30. p étant
vraisemblablement ni voisin de 0 ni voisin de1 et la taille de l’échantillon étant
1000 on peut donner un intervalle de confiance de p à 95% :
0,3 0,7
0,30 1,96 0,30 0,028 0,27 0,33
1000
6. Le signe DD 500 g ayant une très forte sensibilité son absence conduit à une
VPN élevée ( VPN VN VN FN et le terme FN=p(1-Se) est faible car la Se est
élevée) et permet donc d’éliminer le diagnostic d’EP. Toutefois l’EP étant
134
Exercice de synthèse : le diagnostic de l’embolie pulmonaire (chapitres 1, 2, 5, 6, 7,
8)
« grave » il convient de préciser ceci par une estimation de la VPN pour « faible
suspicion clinique ET DD < 500 g/l » :
La probabilité pré-test est la probabilité de l’EP chez un individu avec une faible
suspicion clinique. On peut d’après le tableau III lui donner une valeur de l’ordre
de 10%.
Par suite on a pour la probabilité post test (après observation de DD < 500 g /l) :
Sp (1 p) 0,50 0,90
P(nonEP / DD ) VPN
Sp (1 p) (1 Se )p 0,50 0,90 0,03 0,10
50 90 4500
VPN 0,993
50 90 3 10 4500 30
Par suite :
P(EP/faible suspicion ET DD-)=0,007, donc une suspicion d’EP très faible, il est
donc possible d’écarter l’EP.
Remarquons que sans l’utilisation du score la probabilité pré-test est d’environ
0,30 et que la VPN de DD 500 g/l serait de :
0,50 0,70 3500
VPN 0,975 ce qui est élevé mais pas
0,50 0,70 0,03 0,30 3500 90
assez pour éliminer une maladie aussi grave.
7. On dispose d’un échantillon au hasard sur lequel on a mesuré le signe score et
l’EP, on peut donc estimer la sensibilité par 90/300 = 0,30 et la spécificité par
690/700 = 0,985. 300 et 700 sont des observations de nombres aléatoires on ne
peut donc pas utiliser la méthode du cours pour estimer des intervalles de
confiance.
8. VPP(score 9) = 90/100 = 0,90.
Pour la même raison que ci dessus on ne peut pas utiliser la méthode du cours pour
estimer des intervalles de confiance.
Les estimations obtenues en 8. et 9. sont extrapolables à une population
comparable d’entrants en urgence pour suspicion d’EP, elles ne sont pas
extrapolables à, par exemple, la population générale.
9. RR est l’estimation du risque relatif. Cette estimation est possible puisque
l’échantillon est un échantillon au hasard dans la population des entrants en
urgence pour suspicion d’EP.
10. p est le degré de signification du test du CHI2 ayant pour hypothèse nulle : EP et
caractéristique indépendantes, et pour alternative EP et caractéristique liées.
Rappelons que le degré de signification est la probabilité que, sous l’hypothèse
nulle, la valeur de la statistique soit « aussi éloignée de l’hypothèse nulle que celle
observée ».
11. L’estimation du RR est :
135
Exercice de synthèse : le dépistage de la trisomie 21 (chapitres 3, 4, 5)
200
rr 800 200 200 0,50
100 100 800
200
Le test du CHI2 :
EP Non EP Total
Douleur oui 200 (240) 600 (560) 800
Douleur non 100 (60) 100 (140) 200
300 700 1000
Les effectifs théoriques indiqués entre parenthèse sont tous 5.
40 2 40 2 40 2 40 2
47,62 ; 47,62> 5%,1ddl =3,84 donc H0 est rejetée
2
2
240 560 60 140
pour Ha.
12. Le score est prédictif de l’EP si la proportion des EP varie avec la valeur du score,
ce qui peut être traduit par score et EP non indépendantes. On peut donc tester cette
hypothèse comme alternative de l’hypothèse score et EP indépendantes par un test
du CHI2 puisque nous disposons d’un échantillon au hasard, EP est une variable
qualitative et le score (faible, intermédiaire, élevée) peut être considéré comme
qualitatif (on n’utilise pas l’ordre).
Non EP EP Total
Faible 450 (350) 50 (150) 500
Intermédiaire 240 (280) 160 (120) 400
élevée 10 (70) 90 (30) 100
total 700 300 1000
Les effectifs théoriques (entre parenthèses) sont tous 5.
1002 1002 402 402 60 2 602
2
285,7
350 150 280 160 70 30
On rejette l’hypothèse nulle pour l’alternative : EP et score non indépendantes
puisque 285,7> 5%, 2 ddl =5,99. Puisque 285,7>13,81= 0, 001, 2 ddl on a p<0,001.
2 2
Mais cette conclusion ne nous dit rien sur la force du lien. On peut apprécier cette
dernière par les estimations du RR de EP de suspicion élevée et de suspicion
intermédiaire par rapport à suspicion faible qui sont de 4 et 9 respectivement.
136
Exercice de synthèse : le dépistage de la trisomie 21 (chapitres 3, 4, 5)
Objectif
Cet exercice vise à identifier et à mettre en œuvre les outils probabilistes et statistiques
appropriés, présentés dans le cours, pour répondre à un problème de santé publique : la
stratégie de dépistage de la trisomie 21.
I. Naissance d’un enfant trisomique et âge de la mère
La trisomie 21 est la principale cause de retard mental. Il y a un cas de trisomie 21
pour 700 naissances, le risque de trisomie 21 est fortement lié à l’âge de la mère. Le
diagnostic anténatal de la trisomie 21 est possible par le caryotype fœtal, différentes
politiques de dépistage sont donc possibles.
NB : Afin de simplifier, nous avons supposé dans cet exemple :
Que seule la trisomie 21 est prise en considération ;
L’échographie n’est pas prise en compte ;
L’âge de la mère est découpé en 3 classes plutôt que considéré par année.
Ces hypothèses simplifient les calculs et ne changent que numériquement les
résultats.
Ampleur du problème
Le risque qu’une grossesse à terme donne lieu à la naissance d’un enfant trisomique
21 (T21) dépend fortement de l’âge de la mère. Par la suite nous considérerons l’âge
de la mère découpé en trois classes comme le montre le Tableau 9.1.
Questions
1. Quel est le nombre moyen de naissances de T21 par an (sans action de
prévention) ?
2. Parmi les T21 : quelle est la proportion de ceux dont la mère est âgée de 35 ans
et plus ? Quelle est la proportion de ceux dont la mère est âgée de 38 ans et
plus ?
Réponses
1. Le découpage des âges réalisé est une partition (on peut utiliser les probabilités
totales).
P(T21) = (8 / 10 000)x(650 000 / 750 000)+(45 000 / 10000)x(50 000 / 750 000)
+(60 000 / 10000)x(50 000 / 750 000)
P(T21) = 1045 / 750 000
Cette probabilité est peu différente de 0,001393 ce qui correspond à environ une
137
Exercice de synthèse : le dépistage de la trisomie 21 (chapitres 3, 4, 5)
138
Exercice de synthèse : le dépistage de la trisomie 21 (chapitres 3, 4, 5)
139
Corrections des QCM
140
Bibliographie
Beuscart R. et al. Biostatistique. Paris : Omniscience, 2009.
Bouyer J. Méthodes statistiques. Médecine-biologie. Paris : ESTEM éditions
INSERM 1996.
Daurès JP. Probabilités et statistiques en médecine. Montpellier : Sauramps médical,
1993.
Goldberg M. L’épidémiologie sans peine. Paris : Frison-Roche, 1990.
Mercier M. Biostatistique et probabilités. Exercices, problèmes et épreuves corrigés.
Paris : Ellipses, 1996.
Salamon R. Statistique médicale. Paris : Masson, 1988.
Schwartz D. Méthodes statistiques à l’usage des médecins et des biologistes. 4ème
édition. Paris : Flammarion, 1996.
Annexe : Tables utiles
Table de la loi Normale
0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,00 2,58 2,33 2,17 2,05 1,96 1,88 1,81 1,75 1,69
0,10 1,64 1,60 1,55 1,51 1,48 1,44 1,40 1,37 1,34 1,31
0,20 1,28 1,25 1,23 1,20 1,17 1,15 1,13 1,10 1,08 1,06
0,30 1,04 1,01 0,99 0,97 0,95 0,93 0,91 0,90 0,88 0,86
0,40 0,84 0,82 0,81 0,79 0,77 0,75 0,74 0,72 0,71 0,69
0,50 0,67 0,66 0,64 0,63 0,61 0,60 0,58 0,57 0,55 0,54
0,60 0,52 0,51 0,50 0,48 0,47 0,45 0,44 0,43 0,41 0,40
0,70 0,38 0,37 0,36 0,34 0,33 0,32 0,30 0,29 0,28 0,27
0,80 0,25 0,24 0,23 0,21 0,20 0,19 0,18 0,16 0,15 0,14
0,90 0,13 0,11 0,10 0,09 0,07 0,06 0,05 0,04 0,02 0,01
Annexe : Tables utiles
Nombre de
= 0,20 = 0,10 = 0,05 = 0,02 = 0,01
d.d.l.
1 3,078 6,314 12,706 31,821 63,66
2 1,886 2,920 4,303 6,965 9,925
3 1,638 2,353 3,182 4,541 5,841
4 1,533 2,132 2,776 3,747 4,604
5 1,476 2,015 2,571 3,365 4,032
6 1,440 1,943 2,447 3,143 3,707
7 1,415 1,895 2,365 2,998 3,499
8 1,397 1,860 2,306 2,896 3,355
9 1,383 1,833 2,262 2,821 3,250
10 1,372 1,812 2,228 2,764 3,169
11 1,363 1,796 2,201 2,718 3,106
12 1,356 1,782 2,179 2,681 3,055
13 1,350 1,771 2,160 2,650 3,012
14 1,345 1,761 2,145 2,624 2,977
15 1,341 1,753 2,131 2,602 2,947
16 1,337 1,746 2,120 2,583 2,921
17 1,333 1,740 2,110 2,567 2,898
18 1,330 1,734 2,101 2,552 2,878
19 1,328 1,729 2,093 2,539 2,861
20 1,325 1,725 2,086 2,528 2,845
21 1,323 1,721 2,080 2,518 2,831
22 1,321 1,717 2,074 2,508 2,819
23 1,319 1,714 2,069 2,500 2,807
24 1,318 1,711 2,064 2,492 2,797
25 1,316 1,708 2,060 2,485 2,787
26 1,315 1,706 2,056 2,479 2,779
27 1,314 1,703 2,052 2,473 2,771
28 1,313 1,701 2,048 2,467 2,763
29 1,311 1,699 2,045 2,462 2,756
30 1,28 1,64 1,96 2,33 2,58
144
Annexe : Tables utiles
145
Index
C E
Caractère Ecart-type .............................. 12, 16, 33
ordinal ..............................................5 Echantillon .......................................... 1
qualitatif ...........................................5 Echantillon représentatif ..................... 2
quantitatif .........................................6 Effectifs théoriques ................. 108, 109
Catégorie ..............................................9 Epreuve ............................................. 21
Censures .................................74, 76, 77 Espérance .......................................... 32
Chi-deux ..........................................109 Estimateur
Classe modale ................................9, 13 convergent ..................................... 49
Coefficient de corrélation ..........18, 120 sans biais ....................................... 48
Complémentarité................................22 Estimation ......................... 3, 47, 49, 54
Courbe Estimation
de survie ...................................63, 76 de la sensibilité ............................. 66
des fréquences ................................12 Estimation
Covariance ...................................18, 36 de la spécificité ............................. 67
Etendue ............................................. 17
D Evènement
Date certain ........................................... 24
d’entrée dans l’étude ......................74 composé ........................................ 22
de point ..........................................74 impossible ............................... 22, 23
des dernière nouvelles....................74 incompatible ................................. 23
Degré de liberté............40, 41, 109, 112 indépendants ................................. 26
Degré de signification (test statistique) Exclus vivants ................................... 74
.......................................................89
Densité de probabilité ........................38 F
Diagramme Facteur
bâtons .........................................8, 10 de risque ........................................ 69
camembert........................................8 protecteur ...................................... 69
Distribution ........................................32 Faux
Distribution négatif ........................................... 65
de fréquences ...........................12, 14 positif ............................................ 65
Distribution Fonction de survie....................... 73, 76
conditionnelle ................................36 Fréquence
Données de survie ..............................73 absolue ............................................ 6
cumulée ........................................... 7
marginale ...................................... 10
relative ............................................ 7
Index
I R
Incidence ............................................64 Recul ................................................. 74
Intersection ........................................22 Risque ............................................... 68
Intervalle Risque
de confiance ...................................54 relatif ............................................. 68
inter-quartile ............................12, 17 Risque
relatif approché ............................. 72
L Risque
de première espèce ........................ 87
Loi
Risque
de Student ..............................40, 124
de deuxième espèce ...................... 87
du Chi-deux ...................................41
Risque
Normale (loi de Laplace Gauss) ....39
relatif ........................................... 118
Normale centrée réduite .................39
S
M
Sensibilité ......................................... 64
Médiane .................................13, 15, 17
Spécificité ......................................... 65
Médiane de survie ..............................78
Statistique descriptive ......................... 5
Méthode de Kaplan-Meier .................76
Strates ................................................. 2
Mode ........................................9, 13, 17
Stratification ....................................... 2
Moyenne ................................12, 13, 15
Multimodale.........................................9
T
O Tableau de contingence ...................... 9
Taux
Odd ratio ....................................72, 119
d’incidence .................................... 64
de prévalence ................................ 63
P
de survie ........................................ 76
Paramètre Temps de participation ..................... 74
de dispersion ............................12, 15 Test
de position......................................12 bilatéral ......................................... 88
de tendance centrale .......................12 unilatéral ....................................... 88
Partition..............................................23 Tests statistiques ..................... 3, 85, 95
Percentile ...........................................15 Théorème de Bayes ............... 27, 28, 66
Perdus de vue .....................................74 Tirage au hasard .................................. 2
Polygone des fréquences........11, 12, 38 Tirage au sort ...................................... 2
Population ............................................1
Population cible .............................1, 48 U
Prévalence ..........................................63
Uni-modale ......................................... 9
Probabilité
Union ................................................ 22
conditionnelle ................................25
de l’évènement ...............................24
147
Index
V discontinue .................................... 32
Variable aléatoire
Valeur
centrée réduite ............................... 33
dominante ..................................9, 13
Variable aléatoire
Valeur prédictive
à deux dimensions......................... 34
négative ..........................................65
Variables aléatoires
positive...........................................65
conjointes ...................................... 34
Variable................................................5
indépendantes ............................... 35
Variable aléatoire ...............................31
Variance .......................... 12, 16, 33, 49
Variable aléatoire
Vrai
discrète ...........................................32
négatif ........................................... 65
Variable aléatoire
positif ............................................ 65
148