Aller au contenu

Échantillonnage et estimation pour le bio-médical/Tests de conformité

Leçons de niveau 14
Une page de Wikiversité, la communauté pédagogique libre.
Début de la boite de navigation du chapitre
Tests de conformité
Icône de la faculté
Chapitre no 4
Leçon : Échantillonnage et estimation pour le bio-médical
Chap. préc. :Estimation
Chap. suiv. :Tests d'homogénéité

Exercices :

Test du χ²
fin de la boite de navigation du chapitre
En raison de limitations techniques, la typographie souhaitable du titre, « Échantillonnage et estimation pour le bio-médical : Tests de conformité
Échantillonnage et estimation pour le bio-médical/Tests de conformité
 », n'a pu être restituée correctement ci-dessus.

Les tests de conformité permettent de s'assurer :

  • qu'un échantillon a bien été extrait d'une population donnée ;
  • qu'un phénomène est conforme aux prévisions d'une loi théorique ;
  • que les performances de nouveaux produits sont meilleures que celle d'un ancien produit déjà connu.

Comparaison de la moyenne d'un échantillon à la moyenne de la population

[modifier | modifier le wikicode]

Soit X une variable aléatoire telle que :

E(X)=μV(X)=σ2σ(X)=σ.

On considère un échantillon dont la moyenne et x¯ et l'écart-type est se. Le problème que l'on se propose de résoudre est le suivant :

L'échantillon a-t-il été extrait d'une population régie par la variable aléatoire X ?


Soit s l'écart-type estimé à partir de se.


Mise en place du test.

Soit H0, l'hypothèse : L'échantillon a été extrait d'une population régie par la variable aléatoire X.

Soit H1, l'hypothèse : L'échantillon n'a pas été extrait d'une population régie par la variable aléatoire X.


Si H0 est vraie et si n⩾30, on sait d'après a théorie de l'échantillonnage que X¯ (variable aléatoire qui prend pour valeur les moyennes des échantillons extrait de la population) suit sensiblement une loi normale de moyenne μ et écart-type σn.

on en déduit que X¯−μσn suit sensiblement une loi normale centrée réduite.

Puisqu'il s'agit de comparer X à μ, cela suppose μ connue. Par contre, il se peut que σ ne soit pas connu. On le remplace alors par son estimation s et l'on obtient que :

si n⩾30,X¯−μsn suit sensiblement une loi normale centrée réduite.

Pour faire le test, on procède donc ainsi :

On calcule x¯ et se. on en déduit s grâce à :

s=senn−1

et l'on calcule la valeur u définie par :

u=x¯−μsn.

Si u∈[−tα;tα], on accepte l'hypothèse H0.

Si u∉[−tα;tα], on rejette l'hypothèse H0.

On rappelle que :

tα=1,96 pour α=0,05.

tα=2,576 pour α=0,01.

α est le risque de première espèce.


Si n<30 et si X suit une loi normale.

X¯−μσn suit une loi normale centrée réduite.


X¯−μsn suis une loi de Student à n degrés de liberté.


Si n<30 et si X ne suit pas une loi normale, on ne peut rien dire.


Exemple.

La moyenne des taux de glycémie chez des individus normaux est de 1,18 grammes par litre. On analyse le taux de glycémie chez une équipe de 40 plongeurs juste après qu'ils aient passé une semaine par −100 mètres de profondeur. On trouve sur l'échantillon une moyenne de 1,165 grammes par litre et un écart type de 0,06 gramme par litre. Peut-on dire au risque 5 % que la plongée par grand fond a une influence sur le taux de glycémie ?


Solution.

Mise en place du test :

Soit H0 l'hypothèse : La plongée sous-marine n'a pas d'influence sur le taux de glycémie.

Soit H1 l'hypothèse : La plongée sous-marine modifie le taux de glycémie.

Dans le cas où H0est vraie et comme n=40, on peut dire que X¯−μsn suit une loi normale centrée réduite.

s=0,064039=0,06076

u=X¯−μsn=1,165−1,180,0607640≃−1,56.

Pour α=0;05,tα=1,96.

On remarque que −1,56∈[−1,96;1,96].

Donc au risque de première espèce 5 %, on peut dire que la plongée sous-marine n'influe pas sur le taux de glycémie. La différence observée est probablement due aux fluctuations d'échantillonnage.

Comparaison de la fréquence sur un échantillon à la fréquence sur la population

[modifier | modifier le wikicode]

Soit p la fréquence d'un caractère sur une population.

Soit f la fréquence observée d'un caractère sur un échantillon de n individus.


Le problème que l'on se propose de résoudre est :

L'échantillon a-t-il été extrait d'une population sur laquelle la fréquence des caractères est p ?


Mise en place du test :

Soit H0, l'hypothèse : L'échantillon a été extrait d'une population sur laquelle la fréquence du caractère est p.

Soit H1, l'hypothèse : L'échantillon n'a pas été extrait d'une population sur laquelle la fréquence du caractère est p.

Si H0 est vraie et si n⩾30, on sait d'après a théorie de l'échantillonnage que F (variable aléatoire qui prend pour valeur les fréquences observée sur les échantillons extrait de la population) suit une loi normale de moyenne p et écart-type p(1−p)n.

Par conséquent, on peut en déduire que :

F−pp(1−p)n suit sensiblement une loi normale centrée réduite.

Puisqu'il s'agit de comparer f à p, cela suppose p connu.

Pour faire le test, on procédera donc ainsi :

On calcule la valeur u définie par :

u=f−pp(1−p)n

Si u∈[−tα;tα], on accepte l'hypothèse H0.

Si u∉[−tα;tα], on rejette l'hypothèse H0.

On rappelle que :

tα=1,96 pour α=0,05.

tα=2,576 pour α=0,01.

α est le risque de première espèce.


Exemple.

On sait qu'une souris grise réussit un test d'intelligence dans 37 % des cas. On fait subir le test à 35 souris blanches et l'on constate que 18 d'entre elles réussissent le test. Peut-on déduire au risque 5 % que l'intelligence des souris blanches est différente de celle des souris grises ?


Réponse.

Mise en place du test.

Soit H0, l'hypothèse : il n'y a pas de différence entre l'intelligence des souris grises et l'intelligence des souris blanches.

Soit H1, l'hypothèse : les souris grises et les souris blanches n'ont pas la même intelligence.

Dans le cas où H0 est vraie et comme n⩾30, on peut dire que :

F−pp(1−p)n suit sensiblement une loi normale centrée réduite.

Calculons : u=f−pp(1−p)n=1835−0,370,37(1−0,37)35≃1,768.

1,768∈[−1,96;1,96], donc on accepte l'hypothèse H0. On ne peut pas dire que les souris grises et les souris blanches ont une intelligence différente. La différence observée est probablement due aux fluctuations d'échantillonnage.


Test du Khi-deux

[modifier | modifier le wikicode]
descriptif indisponible
Wikipedia-logo-v2.svg
Wikipédia possède un article à propos de « Test du χ² ».

Le test du Khi-deux est un test de conformité qui permet de s'assurer qu'un ensemble d'effectifs observés est conforme à un ensemble d'effectifs théoriques. La loi du Khi-deux est une variable aléatoire continue qui dépend d'un paramètre appelé degré de liberté.

Soit O1,O2,⋯,Ok, les effectifs observés sur un échantillon et soit C1,C2,⋯,Ck, les effectifs que l'on devrait théoriquement avoir sur cet échantillon.


Mise en place du test.

Soit H0 l'hypothèse : Les effectifs observés sont conformes aux effectifs théoriques.

Soit H1 l'hypothèse : Les effectifs observés ne sont pas conformes aux effectifs théoriques.

Si H0 est vraie, la variable aléatoire χ2 qui prend pour valeur :

χ2=(O1−C1)2C1+(O2−C2)2C2+⋯+(Ok−Ck)2Ck

suit une loi du Khi-deux à k−1 degrés de liberté.

Pour faire le test, on procède donc ainsi :

On calcule les effectifs que l'on devrait théoriquement observer sur notre échantillon. C'est-à-dire C1,C2,⋯,Ck. On calcule :

χ2=(O1−C1)2C1+(O2−C2)2C2+⋯+(Ok−Ck)2Ck

et l'on regarde si le nombre obtenu dépasse ou non le nombre donné dans la table du Khi-deux à la colonne indiquant le risque de première espèce α et à la ligne indiquant le degré de liberté ν=k−1. Si le nombre obtenu χ2 est inférieur au nombre donné dans le tableau, on accepte l'hypothèse H0. Si le nombre χ2 est supérieur nombre donné dans le tableau, on rejette l'hypothèse H0.


Exemple.

On a effectué le croisement de balsamines blanches avec des balsamines pourpres. On obtient en deuxième génération :

1790 balsamines pourpres.

547 balsamines rose.

548 balsamines blanc lavande.

213 balsamines blanches.


la théorie mendélienne prévoyait :

9/16 de balsamine pourpres.

3/16 de balsamine roses.

3/16 de balsamines blanc lavande.

1/16 de balsamines blanches.


Peut-on accepter l'hypothèse de répartition mendélienne avec un risque de première espèce de 5%.


Réponse.

Notre échantillon contient en tout 1790+547+548+213=3098 balsamines. Théoriquement, on aurait dû obtenir:

916×3098=1742,625 balsamines pourpres.

316×3098=580,75 balsamines rose.

316×3098=580,75 balsamines blanc lavande.

116×3098=193,625 balsamines blanche.


Mise en place du test.

Soit H0 l'hypothèse : La répartition obtenue est conforme à la répartition mendélienne.

Soit H1 l'hypothèse : La répartition obtenue n'est pas conforme à la répartition mendélienne.

si H0 est vraie, la variable aléatoire χ2 qui prend pour valeur :

χ2=(O1−1742,625)21742,625+(O2−580,875)2580,875+(O3−580,875)2580,875+(O4−193,625)2193,625

où O1,O2,O3,O4 sont les effectifs observés respectivement pour les balsamines pourpres, roses, blanc lavande et blanches, suit une loi du Khi-deux à 4−1=3 degrés de liberté.

Calculons :

χ2=(1790−1742,625)21742,625+(547−580,875)2580,875+(548−580,875)2580,875+(213−193,625)2193,625≃7,06.

Cherchons dans la table du Khi-deux à la ligne ν=3 et à la colonne α=0,05. On lit 7,81. Comme 7,06<7,81, on accepte l'hypothèse H0. La répartition peut donc être considérée comme mendélienne. Les différences observées sont probablement dues aux fluctuations d'échantillonnage.