SlideShare une entreprise Scribd logo

Loic sarton (2)

loic sarton

1  sur  5
Télécharger pour lire hors ligne
LES TECHNOLOGIES DE LABORATOIRE - N°1 - 2006 — 15
I. Introduction
L’objet de cet article est de donner un aperçu sur les
méthodes statistiques applicables à l’analyse dans le
but d’optimiser soit les erreurs de mesure (aléatoires
ou systématiques) pour apprécier au mieux la
précision et l’exactitude des résultats trouvés lors
d’uneanalyse,soitpoursatisfairel’étudedescritères
de validation dans le cas de la mise au point d’une
nouvelle méthode d’analyse (quand les normes
l’exigent: cas de l’industrie pharmaceutique). On
donnera dans cet article un brève aperçu des tests
statistiques les plus couramment utilisés en analyse
avec des exemples d’applications.
II. Les méthodes statistiques (cas des
petits échantillons)
Pour estimer les erreurs (systématiques ou
aléatoires) affectant des analyses effectuées par des
expérimentateursoupourdéfinirlescritèrespermettant
de valider une méthode d’analyses, il est nécessaire
d’effectuer plusieurs analyses afin d’apprécier
notamment les effets aléatoires ou imprévisibles.
Chaque effet aléatoire est estimé par un paramètre
de dispersion qui est la variance ou son écart-type
associé (racine carrée de la variance).
Ce paramètre est établi à partir de plusieurs mesures
individuelles (yi
) supposées être indépendantes, de
caractère aléatoire et de distribution normale (la
vérification de la normalité et de l’indépendance
peut être effectuée par le test de χ2
qui ne sera pas
décrit dans cet article).
II.1. Distribution normale centrée réduite
Unevariablealéatoire(Y)estdedistributionnormale
lorsque les différentes valeurs individuelles (yi
),
que peut prendre cette variable, apparaissent selon
OUtils statistiques
pour l’Analyse
RESUME : Il est important, pour un expérimentateur, de savoir si le résultat d’une mesure
peut être accepté avec confiance ou s’il faut au contraire le rejeter parce qu’il est faux. Il
est important aussi pour un expérimentateur de savoir si une méthode d’analyse convient à
l’emploi prévu. Enfin, il est important pour un chercheur analyste de savoir si on peut faire
confiance à une nouvelle méthode mise au point et quels sont les critères ou les conditions
à respecter pour s’assurer de sa validité c’est ce qu’on appelle les critères de validations.
L’outil statistique nous permet d’avoir une meilleure approche de tous ce qui précède.
Mots Clés : Tests statistiques, student, Fischer Snedecor, précision, exactitude.
Digua Khalid 1
et Abdelaziz Bouklouze2
E-mail : K.digua@univh2m.ac.ma
1 Laboratoire de Génie des Procédés et de Dépollution, Faculté des Sciences et Techniques Mohammedia
2 Laboratoire de Pharmacologie et Toxicologie, Faculté de Médecine et de Pharmacie de Rabat
16 — LES TECHNOLOGIES DE LABORATOIRE - N°1 - 2006
une probabilité (p) définissant une courbe en forme
de cloche dite « Courbe de Gauss » d’équation
réduite :
( )
)
2
(
2
2
1
u
eup
−
⋅=
π
après un changement de
variable : σ
yy
u
−
=
Loi Normale Centrée Réduite
II.2. Variance et écart-type
Soit	 V (X) = variance de la variable aléatoire X
SX
= écart-type estimé de la variable aléatoire X
( ) ( ) 11
1
1
1
1
2
12
1
2
2
−
=


















−⋅
−
=−⋅
−
== ∑
∑
∑ =
=
= n
SCEx
n
X
X
n
XX
n
SXV
n
i
n
i
i
i
n
i
iX
Avec	 X  :	 moyenne des Xi
soit n
X
X
n
i
i∑=
= 1
 ;	
CV = 100*Sx
/ X  
n : taille du prélèvement ou nombre de Xi
prélevés
SCEx :	Sommes des Carrés des Ecarts à la
moyenne
CV: Coefficient de variation
II.3. Les Tests d’hypothèses
Les tests d’hypothèses ont pour but de vérifier
si les données expérimentales sont conformes à
certaines hypothèses théoriques.
1°) l’hypothèse nulle que l’on symbolise par H0
considèrequelesdeuxélémentsousériesd’éléments
sont égaux.
2°) la deuxième étape consiste à la mesure de l’écart
entre les différentes caractéristiques.
3°) la troisième étape consiste à calculer la
probabilité P d’avoir un tel écart si H0
est vraie.
4°) la quatrièmeétapeconsiste à tirerles conclusions
qui s’imposent :
si P est grand, on admet que H0
est plausible, par
contre si P est petit, l’écart est incompatible avec
H0
. La valeur limite de P que l’on se fixe pour
déterminer si P est grand ou petit est le niveau de
confiance ou le seuil de signification (généralement
on choisit P = 0,95 comme niveau de confiance
(α = 0,05 comme seuil de signification).
Quatre situations sont possibles :
- acceptation de H0
vraie
- rejet de H0
vraie : erreur de première espèce (α)
- acceptation de H0
fausse : erreur de deuxième
espèce (β)
- rejet de H0
fausse
II.4. Test de Student
La loi de Student est notamment utilisée pour :
-la détermination de l’intervalle de confiance
d’une moyenne
( ) ( )
n
S
tXm
n
S
tX pp ⋅+≤≤⋅− υυ ,,
bilatéral (avec
p = 1 - 2
α
 ; α : risque de 1ère
espèce)
- la comparaison d’une variable (ex.
moyenne) à une valeur de référence donnée
(A)
( )υ,pt
S
AX
≤
−
(avec p = 1 – α ; avec α = risque
de 1ère
espèce)
- la comparaison de deux variables
( )2,12
2
2
1
21
υυpt
SS
XX
≤
+
−
(avec p = 1 – α ; avec α = risque de 1ère
espèce)
υ : nombre de degré de liberté de S ; υ1
et υ2
 :
nombre de degré de liberté de 2
1S et 2
2S .
a)	 Test bilatéral
LES TECHNOLOGIES DE LABORATOIRE - N°1 - 2006 — 17
Détermination de t : t(α, υ) est lu sur la table
de Student en fonction du risque α et du degré de
liberté υ. α est le risque de première espèce, c’est-
à-dire le risque de déclarer l’hypothèse nulle fausse
alors que dans la réalité elle est vraie. α est souvent
pris égal à 0,05, 1–α = p niveau de confiance.
II.5. Test de Fisher
En général, la loi de Fisher est utilisée :
-	 pour des tests intervenant dans l’analyse
de la variance ;
-	 pour la détermination de l’intervalle de
confiance d’un rapport de deux variances ;
-	 pour la comparaison de deux variances à
une donnée …
Dans notre cas, le test de Fisher consiste à valider
un résultat statistique à un risque α choisi en
comparant deux variances indépendantes
2
1S et
2
2S
selon l’inégalité suivante :
( )2,1,2
2
2
1
υυαF
S
S
>
α : risque de première espèce souvent pris égal à 5 %
υ1
: degré de liberté de
2
1S  ; υ2
: degré de liberté
de
2
2S
La valeur de F(α υ1,
υ2
) est lue sur la table de Fisher
Snedecor
Le test de Fisher est significatif lorsque l’inégalité
ci-dessus est vérifiée.
II.6. Test de l’homogénéité des variances
Le test de Cochran permet de vérifier (à un risque
α choisi) l’homogénéité des variances des valeurs
individuelles, c’est-à-dire de vérifier que ces
variances sont peu différentes entre elles.
Le test de Cochran consiste à comparer le critère de
Cochran de ces variances avec celui lu sur la table
correspondante à un risque α.
Soit un ensemble de p variance Si
2
, toutes calculées
à partir du même nombre n de résultats de réplique,
le critère de Cochran est :
∑=
= p
i
iS
S
C
1
2
2
max
2
iS
 : Variance calculée à partir de n résultats d’un
même groupe i
2
maxS
 : Ecart-type maximal de l’ensemble des p Si
2
Le critère de Cochran ne teste que la plus forte
valeur d’un ensemble de variances (ou ses écart-
types associés) et est donc un test unilatéral de
valeur aberrante.
Le test de Cochran correspond à vérifier l’inégalité
suivante :
C < C(αn,p)
C(αn,p) est lu sur la table de Cochran en fonction
du risque α = 5 % du nombre de répétitions (n) et
du nombre de groupe p.
Remarque :
En pratique, le nombre n de répétitions peut
légèrement varier d’un groupe à un autre en
raison des données manquantes, redondantes ou
aberrantes.
Dans le cas d’une validation, on admet cependant
que dans une expérience correctement organisée,
de telles variations sont limitées et peuvent être
ignorées.
Le critère de Cochran est alors appliqué en
prenant pour n la moyenne arrondie des nombres
d’observations nj
des P groupes (ou séries de
valeurs).
III. Quelques exemples d’applications des
tests statistiques courants
III.1. Evaluation de la précision (fidélité)
et de l’intervalle de confiance
La précision est une grandeur caractéristique de la
dispersion des résultas autour de la moyenne. Elle
est souvent caractérisée par l’écart type, la variance
ou le coefficient de variation (CV) d’une série de
mesure.
La précision d’un dosage peut être définie au
sein d’une même série d’analyse d’un échantillon
homogène dans des conditions prescrites ou d’une
série à l’autre. La précision peut être définie par trois
niveaux. La répétabilité, la précision intermédiaire,
et la reproductibilité (voir définitions plus loin).
La répétabilité exprime la précision sous les même
conditions opératoires dans un intervalle de temps
18 — LES TECHNOLOGIES DE LABORATOIRE - N°1 - 2006
assez court (parfois appelée précision intra-essai).
La précision intermédiaire exprime la précision
dans des conditions intra laboratoire différentes (ex.
techniciens différents, équipements différents, jours
différents). La reproductibilité exprime la précision
entre laboratoires.
On sait que la moyenne d’une série de mesures,
composés chacune de n résultats (ce que l’on peut
identifier à une série de valeurs extraites d’une
population quelconque de moyenne m et d’écart
type sigma) suit une loi d’autant plus voisine de la
loi normale que le nombre de mesures est grand.
On calcule les estimateurs de la moyenne X  et
de l’écart type S et on détermine un intervalle de
confiance à 95 %. La table de student fournit un
coefficient t pour N= n - 1 et P = 0,95 (ou α = 0,05) :
la valeur moyenne à 95 % de chance de se trouver
dans les limites :
( ) ( )
n
S
tXm
n
S
tX pp ⋅+≤≤⋅− υυ ,,
La différence existant entre l’écart type (S ) et l’écart
moyen (Sm
= S/√n ) réside dans le fait que l’un
affecte un résultat isolé et l’autre une moyenne.
Exemple: considérons, par exemple, une solution
de Ca²+
que l’on analyse par spectrométrie
d’absorption atomique. En répétant la mesure 10
fois de suite, on obtient les valeurs suivantes pour
l’absorbance Ai
 : 0,152 ; 0,152 ; 0,157 ; 0,157 ;
0,156 ; 0,156 ; 0,156 ; 0,154 ; 0,154 ; 0,154.
La moyenne Ā = 0,155, la variance S2
= 3,5 10-6
est
l’écart type
3
1,89.10S −
= ≅ 0,002.
Le coefficient de variation CV = 100*1,89*10-3
/0,155 = 1,22%. Les limites de confiance peuvent
être fixées par la formule :
StAAiStA )(p,)(p, υυ +〈〈− 	
	pour toute nouvelle mesure
n
StA
n
StA )(p,)(p, υυ +〈〈− m
pour la moyenne
t étant le facteur de confiance (où tcr
= t critique)
pour lequel les valeurs à utiliser sont données dans
la table de student (en fonction du nombre de degrés
de liberté N = (Σni
) - 1 et de la probabilité P (ou
pour un risque α )).
Ainsi, pour 10 essais, il y a 95 % de chance que
toute nouvelle mesure tombe dans l’intervalle ( A
± 2,26 S) soit (0,155 ± 0,004) et 95 % de chance
(si n est grand) pour que la moyenne tombe dans
l’intervalle ( A ± 2,26 S/√10) soit (0,155 ± 0,001).
Remarque : si la population d’origine n’est pas
normale, on peut en extraire de petits échantillons
et prendre les moyennes respectives. La distribution
de ces moyennes tend très vite vers une distribution
normale. On peut donc appliquer à ces moyennes les
tests statistiques basés sur la distribution normale.
III.2.Evaluationd’uneméthodededosage
(tests t et F)
Dans le cadre de la validation d’une méthode interne
de dosage de l’acidité totale d’une boisson, les
résultats suivants ont été obtenus avec une boisson
de référence interne :
Expérimentateur A
Méthode interne 5,65 5,60 5,58 5,61 5,55 5,63 5,61 5,50
Méthode de référence 5,50 5,55 5,56 5,50 5,58 5,65
Expérimentateur B
Méthode interne 5,70 5,65 5,75 5,80 5,60 5,65 5,71 5,80
On utilisant un produit de référence certifié qui a une
acidité totale de 5,55 ± 0,02, les résultats suivants
ont été obtenus en utilisant la méthode interne :
Expérimentateur A 5,50 5,55 5,56 5,51 5,45 5,60 5,64
On se propose dans un premier temps, de traiter
statistiquement ces résultats (estimation des
variances, comparaison de moyennes).
III.2.1. Calcul des moyennes et des variances
Expérimentateur A : boisson de référence interne
Méthode Moyenne DDL Variance Ecart
type
Interne 5,591250 7 0,002269 0,047640
Référence 5,556667 5 0,003147 0,056095
Expérimentateur B : boisson de référence interne
Méthode Moyenne DDL Variance Ecart type
Interne 5,707500 7 0,005307 0,072850
Produit de référence Certifié
Expérimentateur Moyenne DDL Variance Ecart type
A 5,544286 6 0,004095 0,063994
III.2.2. Comparaison des variances : Précision
ou fidélité (test F)
LES TECHNOLOGIES DE LABORATOIRE - N°1 - 2006 — 19
III.2.2.1. Précision de la méthode interne/
référence (expérimentateur A)
La valeur trouvée :
721,02
2
int
==
référence
erne
S
S
F
 ;
la valeur de la table :	 F (95,7,5)
= 4,88	
F< F table : la différence entre la précision
de la méthode interne et celle de la mé-
thode de référence n’est pas significative
(P=0,95 ;  α=0,05) pour l’expérimentateur A
III.2.2.2. Comparaison des deux variances
internes
La valeur trouvée
4275,02
int
2
int
==
erneb
ernea
S
S
F
 ;
la valeur de la table : F(95,7,7)
= 3,79
F < F table : les deux variances internes ne
sont pas significativement différentes. La
fidélité de l’expérimentateur A est similaire
à celle de l’expérimentateur B.
On peut estimer l’écart type interne
0615,0
14
77 2
int
2
int
int =
×+×
= ernebernea
erne
SS
S
III.2.3. Comparaison des Moyennes (test t)
Critère t :
2
)(
2
)( bmam
ba
SS
xx
t
+
−
=  ;
a : Expérimentateur A ;
b : Expérimentateur B
Comparaisondesmoyennestrouvéesparlaméthode
interne par les expérimentateurs A et B.
778,3
8/005307,08/002269,0
591250,5707500,5
=
+
−
=t  ;
t table : t(95,14)
= 2,14
t trouvé > t table : la différence entre les
deux moyennes trouvées, par les deux ex-
périmentateurs A,B, par la méthode interne
est significative
III.2.4. Evaluation de la justesse (exactitude)
Critère t :	
)(am
vraiea
S
xx
t
−
=  ;
Calcul de t :	 23,0
7/004095,0
55,5544286,5
=
−
=t  ; 	
Valeur de la table t :	 t(95,6)
= 2,447
t trouvé < t table, la différence entre la val-
eur trouvée par l’expérimentateur A et la
valeur de référence n’est pas significative
III.2.5. Conclusion
On peut conclure qu’on se fiant uniquement à
l’expérimentateur A, la méthode interne de dosage
est bonne et le résultat trouvé est exacte.
IV. Conclusion générale
Dans cet article de synthèse, nous avons ni le temps
ni la prétention de donner tous les outils statistiques
nécessaire au traitement statistique des données
analytiques, mais nous espérons et nous souhaitons
quelelecteuraprisconsciencedel’intérêtdel’outils
statistique dans le domaine analytique (qualité des
analyse, contrôle qualité et validation analytique…
etc.). 	
Références
1)	Les plans d’expériences : De l’expérimentation à
l’assurance qualité
Gilles Sado et Marie Christine Sado
AFNOR, Edition 2000
2) Guide de validation analytique : Rapport d’une
commission de SFSTP
I. Méthodologie.
J.Caporal-Gautier, J.M. Nivet, P. Algranti, M. Guilloteau,
M. Histe, M. Lallier, J.J. N’Guyen-Huu et R. Russotto.
STP Pharma Pratiques 2 (4) 205-226 1992.
3)	Analytical Method Development and Validation
M.E. Swartz et Ira S. Krull
Marcel Dekker, 1997.
Publicité

Recommandé

Métrologie source de profits
Métrologie source de profitsMétrologie source de profits
Métrologie source de profitsJean-Michel POU
 
Explications sur le fascicule AFNOR FD X 07-014
Explications sur le fascicule AFNOR FD X 07-014Explications sur le fascicule AFNOR FD X 07-014
Explications sur le fascicule AFNOR FD X 07-014Jean-Michel POU
 
Optimisation des bandes de garde, suivant norme ISO/IEC Guide 98-4
Optimisation des bandes de garde, suivant norme ISO/IEC Guide 98-4Optimisation des bandes de garde, suivant norme ISO/IEC Guide 98-4
Optimisation des bandes de garde, suivant norme ISO/IEC Guide 98-4Jean-Michel POU
 
Métrologie : Jusqu'où ne pas aller trop loin ?
Métrologie : Jusqu'où ne pas aller trop loin ?Métrologie : Jusqu'où ne pas aller trop loin ?
Métrologie : Jusqu'où ne pas aller trop loin ?Jean-Michel POU
 
Ecart type experimental : quelle formule choisir ?
Ecart type experimental : quelle formule choisir ?Ecart type experimental : quelle formule choisir ?
Ecart type experimental : quelle formule choisir ?Jean-Michel POU
 
Pour une métrologie efficace et économique
Pour une métrologie efficace et économiquePour une métrologie efficace et économique
Pour une métrologie efficace et économiqueJean-Michel POU
 
Pourquoi le concept de capabilité est insuffisant
Pourquoi le concept de capabilité est insuffisantPourquoi le concept de capabilité est insuffisant
Pourquoi le concept de capabilité est insuffisantJean-Michel POU
 

Contenu connexe

Tendances

Analyses des données par SPSS et R
Analyses  des données par  SPSS et RAnalyses  des données par  SPSS et R
Analyses des données par SPSS et RAB IR
 
Des mesures pour des décisions
Des mesures pour des décisionsDes mesures pour des décisions
Des mesures pour des décisionsJean-Michel POU
 
Analyse de régression multiple
Analyse de régression multipleAnalyse de régression multiple
Analyse de régression multipleAdad Med Chérif
 
Révolution copernicienne pour la métrologie
Révolution copernicienne pour la métrologieRévolution copernicienne pour la métrologie
Révolution copernicienne pour la métrologieJean-Michel POU
 
Incertitude mesure cafmet_2008
Incertitude mesure cafmet_2008Incertitude mesure cafmet_2008
Incertitude mesure cafmet_2008Mohamed Kortbi
 
Conception d’un essai - Aspects statistiques
Conception d’un essai - Aspects statistiquesConception d’un essai - Aspects statistiques
Conception d’un essai - Aspects statistiquesMichel Cucherat
 
Presoutenance
PresoutenancePresoutenance
PresoutenanceJun XIONG
 

Tendances (8)

Analyses des données par SPSS et R
Analyses  des données par  SPSS et RAnalyses  des données par  SPSS et R
Analyses des données par SPSS et R
 
Des mesures pour des décisions
Des mesures pour des décisionsDes mesures pour des décisions
Des mesures pour des décisions
 
Analyse de régression multiple
Analyse de régression multipleAnalyse de régression multiple
Analyse de régression multiple
 
Révolution copernicienne pour la métrologie
Révolution copernicienne pour la métrologieRévolution copernicienne pour la métrologie
Révolution copernicienne pour la métrologie
 
Incertitude mesure cafmet_2008
Incertitude mesure cafmet_2008Incertitude mesure cafmet_2008
Incertitude mesure cafmet_2008
 
Metrologie
MetrologieMetrologie
Metrologie
 
Conception d’un essai - Aspects statistiques
Conception d’un essai - Aspects statistiquesConception d’un essai - Aspects statistiques
Conception d’un essai - Aspects statistiques
 
Presoutenance
PresoutenancePresoutenance
Presoutenance
 

En vedette

Conférence Minergie, Séminaire Energie&Bâtiments 2015: Tendre vers des bâtime...
Conférence Minergie, Séminaire Energie&Bâtiments 2015: Tendre vers des bâtime...Conférence Minergie, Séminaire Energie&Bâtiments 2015: Tendre vers des bâtime...
Conférence Minergie, Séminaire Energie&Bâtiments 2015: Tendre vers des bâtime...minergie-romande
 
Comment compter en tibétain
Comment compter en tibétainComment compter en tibétain
Comment compter en tibétainZefortiche
 
Sir winston churchill
Sir winston churchillSir winston churchill
Sir winston churchillCharles Dent
 
Politique énergétique cantonale et standard Minergie
Politique énergétique cantonale et standard MinergiePolitique énergétique cantonale et standard Minergie
Politique énergétique cantonale et standard Minergieminergie-romande
 
Proyecto capacitadoss
Proyecto capacitadossProyecto capacitadoss
Proyecto capacitadossJavier Novas
 
Propuesta de tercero con la xo
Propuesta de tercero con la xoPropuesta de tercero con la xo
Propuesta de tercero con la xoVerónica Blanco
 
Séminaire d'échange Aération 2015: Présentation de l'Agence Minergie Suisse r...
Séminaire d'échange Aération 2015: Présentation de l'Agence Minergie Suisse r...Séminaire d'échange Aération 2015: Présentation de l'Agence Minergie Suisse r...
Séminaire d'échange Aération 2015: Présentation de l'Agence Minergie Suisse r...minergie-romande
 
Rénovation: comment bien faire? - présentation de l'Agence Minergie romande
Rénovation: comment bien faire? - présentation de l'Agence Minergie romandeRénovation: comment bien faire? - présentation de l'Agence Minergie romande
Rénovation: comment bien faire? - présentation de l'Agence Minergie romandeminergie-romande
 
MIse en oeuvre des isolants, présentation de Marc Kleiner, Flumroc SA
MIse en oeuvre des isolants, présentation de Marc Kleiner, Flumroc SAMIse en oeuvre des isolants, présentation de Marc Kleiner, Flumroc SA
MIse en oeuvre des isolants, présentation de Marc Kleiner, Flumroc SAminergie-romande
 
El valioso tiempo de los maduros
El valioso tiempo de los madurosEl valioso tiempo de los maduros
El valioso tiempo de los madurosCharles Dent
 
Toledo la leyenda del beso
Toledo la leyenda del besoToledo la leyenda del beso
Toledo la leyenda del besoCharles Dent
 
GRUPO LOS COMETAS
GRUPO LOS COMETASGRUPO LOS COMETAS
GRUPO LOS COMETASelba.davila
 
I Love You For...
I Love You For...I Love You For...
I Love You For...amfree4ever
 
Chiffre clé de la consommation énergétique en France - Ademe 2013
Chiffre clé de la consommation énergétique en France - Ademe 2013Chiffre clé de la consommation énergétique en France - Ademe 2013
Chiffre clé de la consommation énergétique en France - Ademe 2013Techologis
 
33 edificiosmasextraosdelmundo
33 edificiosmasextraosdelmundo33 edificiosmasextraosdelmundo
33 edificiosmasextraosdelmundoCharles Dent
 

En vedette (20)

Conférence Minergie, Séminaire Energie&Bâtiments 2015: Tendre vers des bâtime...
Conférence Minergie, Séminaire Energie&Bâtiments 2015: Tendre vers des bâtime...Conférence Minergie, Séminaire Energie&Bâtiments 2015: Tendre vers des bâtime...
Conférence Minergie, Séminaire Energie&Bâtiments 2015: Tendre vers des bâtime...
 
Questionaire
QuestionaireQuestionaire
Questionaire
 
Comment compter en tibétain
Comment compter en tibétainComment compter en tibétain
Comment compter en tibétain
 
Palabras 5 años B
Palabras 5 años BPalabras 5 años B
Palabras 5 años B
 
Sir winston churchill
Sir winston churchillSir winston churchill
Sir winston churchill
 
Historietas Esc 72
Historietas Esc 72Historietas Esc 72
Historietas Esc 72
 
Politique énergétique cantonale et standard Minergie
Politique énergétique cantonale et standard MinergiePolitique énergétique cantonale et standard Minergie
Politique énergétique cantonale et standard Minergie
 
Proyecto capacitadoss
Proyecto capacitadossProyecto capacitadoss
Proyecto capacitadoss
 
Propuesta de tercero con la xo
Propuesta de tercero con la xoPropuesta de tercero con la xo
Propuesta de tercero con la xo
 
Séminaire d'échange Aération 2015: Présentation de l'Agence Minergie Suisse r...
Séminaire d'échange Aération 2015: Présentation de l'Agence Minergie Suisse r...Séminaire d'échange Aération 2015: Présentation de l'Agence Minergie Suisse r...
Séminaire d'échange Aération 2015: Présentation de l'Agence Minergie Suisse r...
 
Gráficos
GráficosGráficos
Gráficos
 
Edillim
EdillimEdillim
Edillim
 
Rénovation: comment bien faire? - présentation de l'Agence Minergie romande
Rénovation: comment bien faire? - présentation de l'Agence Minergie romandeRénovation: comment bien faire? - présentation de l'Agence Minergie romande
Rénovation: comment bien faire? - présentation de l'Agence Minergie romande
 
MIse en oeuvre des isolants, présentation de Marc Kleiner, Flumroc SA
MIse en oeuvre des isolants, présentation de Marc Kleiner, Flumroc SAMIse en oeuvre des isolants, présentation de Marc Kleiner, Flumroc SA
MIse en oeuvre des isolants, présentation de Marc Kleiner, Flumroc SA
 
El valioso tiempo de los maduros
El valioso tiempo de los madurosEl valioso tiempo de los maduros
El valioso tiempo de los maduros
 
Toledo la leyenda del beso
Toledo la leyenda del besoToledo la leyenda del beso
Toledo la leyenda del beso
 
GRUPO LOS COMETAS
GRUPO LOS COMETASGRUPO LOS COMETAS
GRUPO LOS COMETAS
 
I Love You For...
I Love You For...I Love You For...
I Love You For...
 
Chiffre clé de la consommation énergétique en France - Ademe 2013
Chiffre clé de la consommation énergétique en France - Ademe 2013Chiffre clé de la consommation énergétique en France - Ademe 2013
Chiffre clé de la consommation énergétique en France - Ademe 2013
 
33 edificiosmasextraosdelmundo
33 edificiosmasextraosdelmundo33 edificiosmasextraosdelmundo
33 edificiosmasextraosdelmundo
 

Similaire à Loic sarton (2)

TESTS D’HYPOTHESES.pdf
TESTS D’HYPOTHESES.pdfTESTS D’HYPOTHESES.pdf
TESTS D’HYPOTHESES.pdfRdaAllouche
 
L’apport des techniques statistiques dans les projets Lean 6 Sigma
L’apport des techniques statistiques dans les projets Lean 6 SigmaL’apport des techniques statistiques dans les projets Lean 6 Sigma
L’apport des techniques statistiques dans les projets Lean 6 SigmaXL Formation
 
94-justesse-fidélité.pdf
94-justesse-fidélité.pdf94-justesse-fidélité.pdf
94-justesse-fidélité.pdfFousseyniTraor
 
Metrologie termilnal
Metrologie termilnalMetrologie termilnal
Metrologie termilnalm.a bensaaoud
 
chapitre 1 régression simple.pdf
chapitre 1 régression simple.pdfchapitre 1 régression simple.pdf
chapitre 1 régression simple.pdfAnassFarkadi
 
Slides ensae - Actuariat Assurance Non Vie 2
Slides ensae - Actuariat Assurance Non Vie 2Slides ensae - Actuariat Assurance Non Vie 2
Slides ensae - Actuariat Assurance Non Vie 2Arthur Charpentier
 
Le controle de qualite au laboratoire
Le controle de qualite au laboratoireLe controle de qualite au laboratoire
Le controle de qualite au laboratoireS/Abdessemed
 
Julien slides - séminaire quantact
Julien slides - séminaire quantactJulien slides - séminaire quantact
Julien slides - séminaire quantactArthur Charpentier
 
7490_chap02.pdf
7490_chap02.pdf7490_chap02.pdf
7490_chap02.pdfSaidSousdi
 
fr_Tanagra_Naive_Bayes_Classifier_Explained.pdf
fr_Tanagra_Naive_Bayes_Classifier_Explained.pdffr_Tanagra_Naive_Bayes_Classifier_Explained.pdf
fr_Tanagra_Naive_Bayes_Classifier_Explained.pdfSidiAbdallah1
 
LECTURES9&10du11-11-2023-METROLOGIE-CALCUL.pdf
LECTURES9&10du11-11-2023-METROLOGIE-CALCUL.pdfLECTURES9&10du11-11-2023-METROLOGIE-CALCUL.pdf
LECTURES9&10du11-11-2023-METROLOGIE-CALCUL.pdfAIMENHAMOUDA
 
Article: Qu'est-ce que le R&R?
Article: Qu'est-ce que le R&R?Article: Qu'est-ce que le R&R?
Article: Qu'est-ce que le R&R?Infodream
 
Approche GUM
Approche GUMApproche GUM
Approche GUMchris5712
 
Stat4 Principes Des Tests Statistiques
Stat4  Principes Des Tests StatistiquesStat4  Principes Des Tests Statistiques
Stat4 Principes Des Tests StatistiquesJean-Louis ESTRADE
 

Similaire à Loic sarton (2) (20)

TESTS D’HYPOTHESES.pdf
TESTS D’HYPOTHESES.pdfTESTS D’HYPOTHESES.pdf
TESTS D’HYPOTHESES.pdf
 
L’apport des techniques statistiques dans les projets Lean 6 Sigma
L’apport des techniques statistiques dans les projets Lean 6 SigmaL’apport des techniques statistiques dans les projets Lean 6 Sigma
L’apport des techniques statistiques dans les projets Lean 6 Sigma
 
94-justesse-fidélité.pdf
94-justesse-fidélité.pdf94-justesse-fidélité.pdf
94-justesse-fidélité.pdf
 
0 p eintro_diapo
0 p eintro_diapo0 p eintro_diapo
0 p eintro_diapo
 
Metrologie
MetrologieMetrologie
Metrologie
 
Metrologie termilnal
Metrologie termilnalMetrologie termilnal
Metrologie termilnal
 
Thème 2.docx
Thème 2.docxThème 2.docx
Thème 2.docx
 
chapitre 1 régression simple.pdf
chapitre 1 régression simple.pdfchapitre 1 régression simple.pdf
chapitre 1 régression simple.pdf
 
Slides ensae - Actuariat Assurance Non Vie 2
Slides ensae - Actuariat Assurance Non Vie 2Slides ensae - Actuariat Assurance Non Vie 2
Slides ensae - Actuariat Assurance Non Vie 2
 
Stat6 Chideux
Stat6   ChideuxStat6   Chideux
Stat6 Chideux
 
Le controle de qualite au laboratoire
Le controle de qualite au laboratoireLe controle de qualite au laboratoire
Le controle de qualite au laboratoire
 
Julien slides - séminaire quantact
Julien slides - séminaire quantactJulien slides - séminaire quantact
Julien slides - séminaire quantact
 
Stat3 Intervalle De Confiance
Stat3  Intervalle De ConfianceStat3  Intervalle De Confiance
Stat3 Intervalle De Confiance
 
7490_chap02.pdf
7490_chap02.pdf7490_chap02.pdf
7490_chap02.pdf
 
fr_Tanagra_Naive_Bayes_Classifier_Explained.pdf
fr_Tanagra_Naive_Bayes_Classifier_Explained.pdffr_Tanagra_Naive_Bayes_Classifier_Explained.pdf
fr_Tanagra_Naive_Bayes_Classifier_Explained.pdf
 
LECTURES9&10du11-11-2023-METROLOGIE-CALCUL.pdf
LECTURES9&10du11-11-2023-METROLOGIE-CALCUL.pdfLECTURES9&10du11-11-2023-METROLOGIE-CALCUL.pdf
LECTURES9&10du11-11-2023-METROLOGIE-CALCUL.pdf
 
Article: Qu'est-ce que le R&R?
Article: Qu'est-ce que le R&R?Article: Qu'est-ce que le R&R?
Article: Qu'est-ce que le R&R?
 
Initiation à la logique Bayésienne
Initiation à la logique BayésienneInitiation à la logique Bayésienne
Initiation à la logique Bayésienne
 
Approche GUM
Approche GUMApproche GUM
Approche GUM
 
Stat4 Principes Des Tests Statistiques
Stat4  Principes Des Tests StatistiquesStat4  Principes Des Tests Statistiques
Stat4 Principes Des Tests Statistiques
 

Plus de Loic Sarton

Mémoire master complementaire de loic sarton
Mémoire master complementaire de loic sartonMémoire master complementaire de loic sarton
Mémoire master complementaire de loic sartonLoic Sarton
 
Loic sarton la csp partie de lolo et clementine (page de garde question 1 et 2)
Loic sarton la csp partie de lolo et clementine (page de garde question 1 et 2)Loic sarton la csp partie de lolo et clementine (page de garde question 1 et 2)
Loic sarton la csp partie de lolo et clementine (page de garde question 1 et 2)Loic Sarton
 
Loic sarton csp internet
Loic sarton csp internetLoic sarton csp internet
Loic sarton csp internetLoic Sarton
 
Loic sarton cas belgacom
Loic sarton cas belgacomLoic sarton cas belgacom
Loic sarton cas belgacomLoic Sarton
 
Loic sarton questionnaire gestion du_changement du prof
Loic sarton questionnaire gestion du_changement du profLoic sarton questionnaire gestion du_changement du prof
Loic sarton questionnaire gestion du_changement du profLoic Sarton
 
Loic sarton le modele de mckinsey
Loic sarton le modele de mckinseyLoic sarton le modele de mckinsey
Loic sarton le modele de mckinseyLoic Sarton
 
Loic sarton guide d entretien_illustratif - du prof
Loic sarton guide d entretien_illustratif - du profLoic sarton guide d entretien_illustratif - du prof
Loic sarton guide d entretien_illustratif - du profLoic Sarton
 
Loic sarton guide d entretien
Loic sarton guide d entretienLoic sarton guide d entretien
Loic sarton guide d entretienLoic Sarton
 
Loic sarton le modele des composantes
Loic sarton le modele des composantesLoic sarton le modele des composantes
Loic sarton le modele des composantesLoic Sarton
 
Loic sarton critiques
Loic sarton   critiquesLoic sarton   critiques
Loic sarton critiquesLoic Sarton
 

Plus de Loic Sarton (20)

Mémoire master complementaire de loic sarton
Mémoire master complementaire de loic sartonMémoire master complementaire de loic sarton
Mémoire master complementaire de loic sarton
 
Case bouygues
Case bouyguesCase bouygues
Case bouygues
 
Case bouygues
Case bouyguesCase bouygues
Case bouygues
 
Loic sarton
Loic sartonLoic sarton
Loic sarton
 
Loic sarton
Loic sartonLoic sarton
Loic sarton
 
Loic sarton la csp partie de lolo et clementine (page de garde question 1 et 2)
Loic sarton la csp partie de lolo et clementine (page de garde question 1 et 2)Loic sarton la csp partie de lolo et clementine (page de garde question 1 et 2)
Loic sarton la csp partie de lolo et clementine (page de garde question 1 et 2)
 
Loic sarton csp internet
Loic sarton csp internetLoic sarton csp internet
Loic sarton csp internet
 
Loic sarton cas belgacom
Loic sarton cas belgacomLoic sarton cas belgacom
Loic sarton cas belgacom
 
Loic sarton
Loic sartonLoic sarton
Loic sarton
 
Loic sarton
Loic sartonLoic sarton
Loic sarton
 
Loic sarton questionnaire gestion du_changement du prof
Loic sarton questionnaire gestion du_changement du profLoic sarton questionnaire gestion du_changement du prof
Loic sarton questionnaire gestion du_changement du prof
 
Loic sarton le modele de mckinsey
Loic sarton le modele de mckinseyLoic sarton le modele de mckinsey
Loic sarton le modele de mckinsey
 
Loic sarton guide d entretien_illustratif - du prof
Loic sarton guide d entretien_illustratif - du profLoic sarton guide d entretien_illustratif - du prof
Loic sarton guide d entretien_illustratif - du prof
 
Loic sarton guide d entretien
Loic sarton guide d entretienLoic sarton guide d entretien
Loic sarton guide d entretien
 
Loic sarton le modele des composantes
Loic sarton le modele des composantesLoic sarton le modele des composantes
Loic sarton le modele des composantes
 
Loic sarton
Loic sartonLoic sarton
Loic sarton
 
Loic sarton
Loic sartonLoic sarton
Loic sarton
 
Loic sarton (3)
Loic sarton (3)Loic sarton (3)
Loic sarton (3)
 
Loic sarton (2)
Loic sarton (2)Loic sarton (2)
Loic sarton (2)
 
Loic sarton critiques
Loic sarton   critiquesLoic sarton   critiques
Loic sarton critiques
 

Loic sarton (2)

  • 1. LES TECHNOLOGIES DE LABORATOIRE - N°1 - 2006 — 15 I. Introduction L’objet de cet article est de donner un aperçu sur les méthodes statistiques applicables à l’analyse dans le but d’optimiser soit les erreurs de mesure (aléatoires ou systématiques) pour apprécier au mieux la précision et l’exactitude des résultats trouvés lors d’uneanalyse,soitpoursatisfairel’étudedescritères de validation dans le cas de la mise au point d’une nouvelle méthode d’analyse (quand les normes l’exigent: cas de l’industrie pharmaceutique). On donnera dans cet article un brève aperçu des tests statistiques les plus couramment utilisés en analyse avec des exemples d’applications. II. Les méthodes statistiques (cas des petits échantillons) Pour estimer les erreurs (systématiques ou aléatoires) affectant des analyses effectuées par des expérimentateursoupourdéfinirlescritèrespermettant de valider une méthode d’analyses, il est nécessaire d’effectuer plusieurs analyses afin d’apprécier notamment les effets aléatoires ou imprévisibles. Chaque effet aléatoire est estimé par un paramètre de dispersion qui est la variance ou son écart-type associé (racine carrée de la variance). Ce paramètre est établi à partir de plusieurs mesures individuelles (yi ) supposées être indépendantes, de caractère aléatoire et de distribution normale (la vérification de la normalité et de l’indépendance peut être effectuée par le test de χ2 qui ne sera pas décrit dans cet article). II.1. Distribution normale centrée réduite Unevariablealéatoire(Y)estdedistributionnormale lorsque les différentes valeurs individuelles (yi ), que peut prendre cette variable, apparaissent selon OUtils statistiques pour l’Analyse RESUME : Il est important, pour un expérimentateur, de savoir si le résultat d’une mesure peut être accepté avec confiance ou s’il faut au contraire le rejeter parce qu’il est faux. Il est important aussi pour un expérimentateur de savoir si une méthode d’analyse convient à l’emploi prévu. Enfin, il est important pour un chercheur analyste de savoir si on peut faire confiance à une nouvelle méthode mise au point et quels sont les critères ou les conditions à respecter pour s’assurer de sa validité c’est ce qu’on appelle les critères de validations. L’outil statistique nous permet d’avoir une meilleure approche de tous ce qui précède. Mots Clés : Tests statistiques, student, Fischer Snedecor, précision, exactitude. Digua Khalid 1 et Abdelaziz Bouklouze2 E-mail : K.digua@univh2m.ac.ma 1 Laboratoire de Génie des Procédés et de Dépollution, Faculté des Sciences et Techniques Mohammedia 2 Laboratoire de Pharmacologie et Toxicologie, Faculté de Médecine et de Pharmacie de Rabat
  • 2. 16 — LES TECHNOLOGIES DE LABORATOIRE - N°1 - 2006 une probabilité (p) définissant une courbe en forme de cloche dite « Courbe de Gauss » d’équation réduite : ( ) ) 2 ( 2 2 1 u eup − ⋅= π après un changement de variable : σ yy u − = Loi Normale Centrée Réduite II.2. Variance et écart-type Soit V (X) = variance de la variable aléatoire X SX = écart-type estimé de la variable aléatoire X ( ) ( ) 11 1 1 1 1 2 12 1 2 2 − =                   −⋅ − =−⋅ − == ∑ ∑ ∑ = = = n SCEx n X X n XX n SXV n i n i i i n i iX Avec X  : moyenne des Xi soit n X X n i i∑= = 1  ; CV = 100*Sx / X   n : taille du prélèvement ou nombre de Xi prélevés SCEx : Sommes des Carrés des Ecarts à la moyenne CV: Coefficient de variation II.3. Les Tests d’hypothèses Les tests d’hypothèses ont pour but de vérifier si les données expérimentales sont conformes à certaines hypothèses théoriques. 1°) l’hypothèse nulle que l’on symbolise par H0 considèrequelesdeuxélémentsousériesd’éléments sont égaux. 2°) la deuxième étape consiste à la mesure de l’écart entre les différentes caractéristiques. 3°) la troisième étape consiste à calculer la probabilité P d’avoir un tel écart si H0 est vraie. 4°) la quatrièmeétapeconsiste à tirerles conclusions qui s’imposent : si P est grand, on admet que H0 est plausible, par contre si P est petit, l’écart est incompatible avec H0 . La valeur limite de P que l’on se fixe pour déterminer si P est grand ou petit est le niveau de confiance ou le seuil de signification (généralement on choisit P = 0,95 comme niveau de confiance (α = 0,05 comme seuil de signification). Quatre situations sont possibles : - acceptation de H0 vraie - rejet de H0 vraie : erreur de première espèce (α) - acceptation de H0 fausse : erreur de deuxième espèce (β) - rejet de H0 fausse II.4. Test de Student La loi de Student est notamment utilisée pour : -la détermination de l’intervalle de confiance d’une moyenne ( ) ( ) n S tXm n S tX pp ⋅+≤≤⋅− υυ ,, bilatéral (avec p = 1 - 2 α  ; α : risque de 1ère espèce) - la comparaison d’une variable (ex. moyenne) à une valeur de référence donnée (A) ( )υ,pt S AX ≤ − (avec p = 1 – α ; avec α = risque de 1ère espèce) - la comparaison de deux variables ( )2,12 2 2 1 21 υυpt SS XX ≤ + − (avec p = 1 – α ; avec α = risque de 1ère espèce) υ : nombre de degré de liberté de S ; υ1 et υ2  : nombre de degré de liberté de 2 1S et 2 2S . a) Test bilatéral
  • 3. LES TECHNOLOGIES DE LABORATOIRE - N°1 - 2006 — 17 Détermination de t : t(α, υ) est lu sur la table de Student en fonction du risque α et du degré de liberté υ. α est le risque de première espèce, c’est- à-dire le risque de déclarer l’hypothèse nulle fausse alors que dans la réalité elle est vraie. α est souvent pris égal à 0,05, 1–α = p niveau de confiance. II.5. Test de Fisher En général, la loi de Fisher est utilisée : - pour des tests intervenant dans l’analyse de la variance ; - pour la détermination de l’intervalle de confiance d’un rapport de deux variances ; - pour la comparaison de deux variances à une donnée … Dans notre cas, le test de Fisher consiste à valider un résultat statistique à un risque α choisi en comparant deux variances indépendantes 2 1S et 2 2S selon l’inégalité suivante : ( )2,1,2 2 2 1 υυαF S S > α : risque de première espèce souvent pris égal à 5 % υ1 : degré de liberté de 2 1S  ; υ2 : degré de liberté de 2 2S La valeur de F(α υ1, υ2 ) est lue sur la table de Fisher Snedecor Le test de Fisher est significatif lorsque l’inégalité ci-dessus est vérifiée. II.6. Test de l’homogénéité des variances Le test de Cochran permet de vérifier (à un risque α choisi) l’homogénéité des variances des valeurs individuelles, c’est-à-dire de vérifier que ces variances sont peu différentes entre elles. Le test de Cochran consiste à comparer le critère de Cochran de ces variances avec celui lu sur la table correspondante à un risque α. Soit un ensemble de p variance Si 2 , toutes calculées à partir du même nombre n de résultats de réplique, le critère de Cochran est : ∑= = p i iS S C 1 2 2 max 2 iS  : Variance calculée à partir de n résultats d’un même groupe i 2 maxS  : Ecart-type maximal de l’ensemble des p Si 2 Le critère de Cochran ne teste que la plus forte valeur d’un ensemble de variances (ou ses écart- types associés) et est donc un test unilatéral de valeur aberrante. Le test de Cochran correspond à vérifier l’inégalité suivante : C < C(αn,p) C(αn,p) est lu sur la table de Cochran en fonction du risque α = 5 % du nombre de répétitions (n) et du nombre de groupe p. Remarque : En pratique, le nombre n de répétitions peut légèrement varier d’un groupe à un autre en raison des données manquantes, redondantes ou aberrantes. Dans le cas d’une validation, on admet cependant que dans une expérience correctement organisée, de telles variations sont limitées et peuvent être ignorées. Le critère de Cochran est alors appliqué en prenant pour n la moyenne arrondie des nombres d’observations nj des P groupes (ou séries de valeurs). III. Quelques exemples d’applications des tests statistiques courants III.1. Evaluation de la précision (fidélité) et de l’intervalle de confiance La précision est une grandeur caractéristique de la dispersion des résultas autour de la moyenne. Elle est souvent caractérisée par l’écart type, la variance ou le coefficient de variation (CV) d’une série de mesure. La précision d’un dosage peut être définie au sein d’une même série d’analyse d’un échantillon homogène dans des conditions prescrites ou d’une série à l’autre. La précision peut être définie par trois niveaux. La répétabilité, la précision intermédiaire, et la reproductibilité (voir définitions plus loin). La répétabilité exprime la précision sous les même conditions opératoires dans un intervalle de temps
  • 4. 18 — LES TECHNOLOGIES DE LABORATOIRE - N°1 - 2006 assez court (parfois appelée précision intra-essai). La précision intermédiaire exprime la précision dans des conditions intra laboratoire différentes (ex. techniciens différents, équipements différents, jours différents). La reproductibilité exprime la précision entre laboratoires. On sait que la moyenne d’une série de mesures, composés chacune de n résultats (ce que l’on peut identifier à une série de valeurs extraites d’une population quelconque de moyenne m et d’écart type sigma) suit une loi d’autant plus voisine de la loi normale que le nombre de mesures est grand. On calcule les estimateurs de la moyenne X  et de l’écart type S et on détermine un intervalle de confiance à 95 %. La table de student fournit un coefficient t pour N= n - 1 et P = 0,95 (ou α = 0,05) : la valeur moyenne à 95 % de chance de se trouver dans les limites : ( ) ( ) n S tXm n S tX pp ⋅+≤≤⋅− υυ ,, La différence existant entre l’écart type (S ) et l’écart moyen (Sm = S/√n ) réside dans le fait que l’un affecte un résultat isolé et l’autre une moyenne. Exemple: considérons, par exemple, une solution de Ca²+ que l’on analyse par spectrométrie d’absorption atomique. En répétant la mesure 10 fois de suite, on obtient les valeurs suivantes pour l’absorbance Ai  : 0,152 ; 0,152 ; 0,157 ; 0,157 ; 0,156 ; 0,156 ; 0,156 ; 0,154 ; 0,154 ; 0,154. La moyenne Ā = 0,155, la variance S2 = 3,5 10-6 est l’écart type 3 1,89.10S − = ≅ 0,002. Le coefficient de variation CV = 100*1,89*10-3 /0,155 = 1,22%. Les limites de confiance peuvent être fixées par la formule : StAAiStA )(p,)(p, υυ +〈〈− pour toute nouvelle mesure n StA n StA )(p,)(p, υυ +〈〈− m pour la moyenne t étant le facteur de confiance (où tcr = t critique) pour lequel les valeurs à utiliser sont données dans la table de student (en fonction du nombre de degrés de liberté N = (Σni ) - 1 et de la probabilité P (ou pour un risque α )). Ainsi, pour 10 essais, il y a 95 % de chance que toute nouvelle mesure tombe dans l’intervalle ( A ± 2,26 S) soit (0,155 ± 0,004) et 95 % de chance (si n est grand) pour que la moyenne tombe dans l’intervalle ( A ± 2,26 S/√10) soit (0,155 ± 0,001). Remarque : si la population d’origine n’est pas normale, on peut en extraire de petits échantillons et prendre les moyennes respectives. La distribution de ces moyennes tend très vite vers une distribution normale. On peut donc appliquer à ces moyennes les tests statistiques basés sur la distribution normale. III.2.Evaluationd’uneméthodededosage (tests t et F) Dans le cadre de la validation d’une méthode interne de dosage de l’acidité totale d’une boisson, les résultats suivants ont été obtenus avec une boisson de référence interne : Expérimentateur A Méthode interne 5,65 5,60 5,58 5,61 5,55 5,63 5,61 5,50 Méthode de référence 5,50 5,55 5,56 5,50 5,58 5,65 Expérimentateur B Méthode interne 5,70 5,65 5,75 5,80 5,60 5,65 5,71 5,80 On utilisant un produit de référence certifié qui a une acidité totale de 5,55 ± 0,02, les résultats suivants ont été obtenus en utilisant la méthode interne : Expérimentateur A 5,50 5,55 5,56 5,51 5,45 5,60 5,64 On se propose dans un premier temps, de traiter statistiquement ces résultats (estimation des variances, comparaison de moyennes). III.2.1. Calcul des moyennes et des variances Expérimentateur A : boisson de référence interne Méthode Moyenne DDL Variance Ecart type Interne 5,591250 7 0,002269 0,047640 Référence 5,556667 5 0,003147 0,056095 Expérimentateur B : boisson de référence interne Méthode Moyenne DDL Variance Ecart type Interne 5,707500 7 0,005307 0,072850 Produit de référence Certifié Expérimentateur Moyenne DDL Variance Ecart type A 5,544286 6 0,004095 0,063994 III.2.2. Comparaison des variances : Précision ou fidélité (test F)
  • 5. LES TECHNOLOGIES DE LABORATOIRE - N°1 - 2006 — 19 III.2.2.1. Précision de la méthode interne/ référence (expérimentateur A) La valeur trouvée : 721,02 2 int == référence erne S S F  ; la valeur de la table : F (95,7,5) = 4,88 F< F table : la différence entre la précision de la méthode interne et celle de la mé- thode de référence n’est pas significative (P=0,95 ;  α=0,05) pour l’expérimentateur A III.2.2.2. Comparaison des deux variances internes La valeur trouvée 4275,02 int 2 int == erneb ernea S S F  ; la valeur de la table : F(95,7,7) = 3,79 F < F table : les deux variances internes ne sont pas significativement différentes. La fidélité de l’expérimentateur A est similaire à celle de l’expérimentateur B. On peut estimer l’écart type interne 0615,0 14 77 2 int 2 int int = ×+× = ernebernea erne SS S III.2.3. Comparaison des Moyennes (test t) Critère t : 2 )( 2 )( bmam ba SS xx t + − =  ; a : Expérimentateur A ; b : Expérimentateur B Comparaisondesmoyennestrouvéesparlaméthode interne par les expérimentateurs A et B. 778,3 8/005307,08/002269,0 591250,5707500,5 = + − =t  ; t table : t(95,14) = 2,14 t trouvé > t table : la différence entre les deux moyennes trouvées, par les deux ex- périmentateurs A,B, par la méthode interne est significative III.2.4. Evaluation de la justesse (exactitude) Critère t : )(am vraiea S xx t − =  ; Calcul de t : 23,0 7/004095,0 55,5544286,5 = − =t  ; Valeur de la table t : t(95,6) = 2,447 t trouvé < t table, la différence entre la val- eur trouvée par l’expérimentateur A et la valeur de référence n’est pas significative III.2.5. Conclusion On peut conclure qu’on se fiant uniquement à l’expérimentateur A, la méthode interne de dosage est bonne et le résultat trouvé est exacte. IV. Conclusion générale Dans cet article de synthèse, nous avons ni le temps ni la prétention de donner tous les outils statistiques nécessaire au traitement statistique des données analytiques, mais nous espérons et nous souhaitons quelelecteuraprisconsciencedel’intérêtdel’outils statistique dans le domaine analytique (qualité des analyse, contrôle qualité et validation analytique… etc.). Références 1) Les plans d’expériences : De l’expérimentation à l’assurance qualité Gilles Sado et Marie Christine Sado AFNOR, Edition 2000 2) Guide de validation analytique : Rapport d’une commission de SFSTP I. Méthodologie. J.Caporal-Gautier, J.M. Nivet, P. Algranti, M. Guilloteau, M. Histe, M. Lallier, J.J. N’Guyen-Huu et R. Russotto. STP Pharma Pratiques 2 (4) 205-226 1992. 3) Analytical Method Development and Validation M.E. Swartz et Ira S. Krull Marcel Dekker, 1997.