Principe des tests statistiques : Application à la comparaison d’une moyenne à une valeur de référence M-A Dronne 2016 - 2017 1 / 57 Introduction Remarques préliminaires I Etablir un plan d’expérience et prévoir l’analyse statistique avant de faire les expériences I Déterminer le test statistique (= test d’hypothèse) en fonction de : I I I I Question posée Variables (nombre, type) Données (nombre d’échantillons et propriétés des données) Bien différencier "population" et "échantillon" : I I La question statistique posée concerne une (ou plusieurs) population(s) Les données disponibles proviennent d’un (ou de plusieurs) échantillon(s) issu(s) de cette(ces) population(s) et représentatif(s) de cette (ces) populations (méthodes d’échantillonnage) 2 / 57 Introduction Types de tests statistiques On distingue classiquement : I Tests univariés/multivariés ⇒ dépend du nombre de variables prises en compte I Tests paramétriques/non paramétriques ⇒ dépend des propriétés des données et des conditions d’application des tests Plan du cours I Démarche générale : principales étapes I Application au test de comparaison d’une moyenne à une valeur de référence : 1. Cas bilatéral, grand échantillon 2. Cas unilatéral, grand échantillon 3. Cas bilatéral, petit échantillon 3 / 57 Exemple de problème Contexte On considère la population des patients hypertendus (dont la moyenne théorique de la pression artérielle systolique (PAS) vaut 154.5 mm Hg). On souhaite étudier l’effet d’un nouveau médicament A sur la PAS de cette population. Pour cela, on constitue un groupe de 50 patients hypertendus et on mesure la PAS de chacun de ces patients après l’administration de ce médicament. Le médicament A a-t-il un effet sur la PAS des hypertendus ? Question en langage statistique La moyenne de la PAS de la population des hypertendus après l’administration du médicament A est-elle significativement différente de la valeur de référence de la PAS des hypertendus au risque α ? ⇒ Comparaison d’une moyenne à une valeur de référence 4 / 57 Démarche générale Principales étapes 1. Question statistique (variables et hypothèses statistiques) 2. Etude des données (propriétés et calculs) 3. Choix du test (tests préliminaires) 4. Statistique de test (formule et calcul) 5. Confrontation (décision statistique) 6. Conclusion du test 5 / 57 Démarche générale Principales étapes 1. Question statistique (variables et hypothèses statistiques) 2. Etude des données (propriétés et calculs) 3. Choix du test (tests préliminaires) 4. Statistique de test (formule et calcul) 5. Confrontation (décision statistique) 6. Conclusion du test 6 / 57 Question statistique Variables étudiées Caractéristiques des variables I I Variable(s) étudiée(s) Type de variable I I qualitative quantitative (discrète / continue) Exemple I 1 variable : X : PAS après administration du médicament A I variable quantitative, continue 7 / 57 Question statistique Hypothèses statistiques Hypothèse nulle I Hypothèses nulle = H0 I H0 traduit le plus souvent une égalité I H0 s’adresse toujours à la population (pas à l’échantillon) Hypothèse alternative I I Hypothèses alternative = H1 H1 traduit le plus souvent une différence ou une inégalité I I Différence (6=) ⇒ test bilatéral Inégalité (< ou >) ⇒ test unilatéral (gauche ou droit) I H1 s’adresse toujours à la population (pas à l’échantillon) I H1 est fixée a priori et ne peut pas être modifiée a posteriori 8 / 57 Question statistique Hypothèses statistiques Exemple Dans cette partie, on considère que l’on n’a pas d’a priori sur l’effet du médicament A sur la PAS et qu’il peut potentiellement aussi bien diminuer qu’augmenter la PAS chez les patients hypertendus. I H0 : égalité de la moyenne de la PAS des hypertendus avec le médicament A et de la moyenne théorique de la PAS des hypertendus. H 0 : µ = µ0 I H1 : différence des deux moyennes ⇒ test bilatéral H1 : µ 6= µ0 9 / 57 Question statistique Remarques sur les risques Risque α I I Risque α = risque de 1ère espèce = erreur de 1ère espèce Doit être fixé avant de faire le test : I I Soit donné dans l’énoncé Soit fixé arbitrairement (souvent à 5%) I Probabilité de rejeter H0 quand H0 est vraie : α = P(RH0 /H0 ) I Probabilité contraire : probabilité d’accepter H0 quand H0 est vraie : 1 − α = P(AH0 /H0 ) ⇒ confiance Exemple On prend ici α = 5% 10 / 57 Question statistique Remarques sur les risques Risque β I Risque β = risque de 2ème espèce = erreur de 2ème espèce I Calcul possible a posteriori (mais souvent difficile) I Probabilité d’accepter H0 quand H1 est vraie : β = P(AH0 /H1 ) I Probabilité contraire : probabilité de rejeter H0 quand H1 est vraie : 1 − β = P(RH0 /H1 ) ⇒ puissance Remarques I Plus α est petit, plus β est grand et inversement. I Plus la taille de l’échantillon (n) est petite, plus β est grand I Dans les essais cliniques, on calcule le nombre de sujets nécessaires (n) pour avoir une puissance (1 − β) suffisante. 11 / 57 Question statistique Remarques sur les risques Résumé Décision test H0 acceptée H0 rejetée Réalité H0 vraie H1 vraie confiance risque β risque α puissance Remarque On se positionne toujours par rapport à H0 I On ne dit jamais que l’on accepte H1 ou que l’on rejette H1 I On dit que l’on rejette H0 ou que l’on ne rejette pas (= que l’on accepte) H0 12 / 57 Démarche générale Principales étapes 1. Question statistique (variables et hypothèses statistiques) 2. Etude des données (propriétés et calculs) 3. Choix du test (tests préliminaires) 4. Statistique de test (formule et calcul) 5. Confrontation (décision statistique) 6. Conclusion du test 13 / 57 Etude des données Propriétés Propriétés des données I Nombre d’échantillons I Taille de(s) échantillon(s) I Données appariées ou indépendantes (quand plusieurs échantillons) Exemple I 1 échantillon I n = 50 (> 30) ⇒ grand échantillon 14 / 57 Etude des données Calculs Calcul des paramètres statistiques d’intérêt I Paramètres : moyennes, variances (et écart-types), pourcentages,... I Calculs de leurs valeurs estimées dans la population à partir des données de l’échantillon ⇒ estimations Cas de la comparaison d’une moyenne à une valeur de référence Calcul des paramètres estimés suivants : P x I Moyenne estimée : m = n r SCE I Ecart-type estimé : s = n−1 15 / 57 Etude des données Calculs Exemple Calculs des valeurs estimées de la moyenne et de l’écart-type de la population à partir des 50 données de PAS de l’échantillon : I m = 150.5 mm Hg I s = 11.44 mm Hg 16 / 57 Démarche générale Principales étapes 1. Question statistique (variables et hypothèses statistiques) 2. Etude des données (propriétés et calculs) 3. Choix du test (tests préliminaires) 4. Statistique de test (formule et calcul) 5. Confrontation (décision statistique) 6. Conclusion du test 17 / 57 Choix du test Test paramétrique / non paramétrique Tests paramétriques I Définition : tests qui reposent sur des hypothèses concernant les distributions des variables étudiées. I Avantage : tests puissants I Problème : hypothèses contraignantes (normalité, homoscédasticité (= égalité des variances)) Tests non paramétriques I Définition : tests qui ne prennent pas en compte la distribution des variables I Avantage : pas de contrainte ou faibles contraintes (applicables aux très petits échantillons et quand absence de normalité et/ou hétéroscédasticité) I Problème : tests moins puissants (mais plus robustes) 18 / 57 Choix du test Test paramétrique / non paramétrique Conditions Choix d’un test paramétrique dans les conditions suivantes : I Grand(s) échantillon(s) I Petit(s) échantillon(s) mais avec certaines propriétés. Exemples : I I Normalité (de la distribution) des variables Homoscédasticité = homogénéité des variances = égalité des variances Tests préliminaires pour vérifier ces propriétés I Test de normalité I Test de comparaison de variances 19 / 57 Choix du test Critères de choix I Caractéristiques des données (taille de l’échantillon, données appariées/indépendantes,...) I Résultats des tests préliminaires (normalité, homoscédasticité,...) ⇒ Détermination du test le mieux adapté pour répondre à la question posée Exemple I Données : 1 grand échantillon ⇒ utilisation du TLC (Théorème de la Limite Centrée) ⇒ normalité de la (distribution de la) moyenne empirique de la variable ⇒ pas nécessaire de faire des tests préliminaires I Test retenu : test paramétrique de comparaison d’une moyenne à une valeur de référence, dans le cas bilatéral et avec grand échantillon. 20 / 57 Démarche générale Principales étapes 1. Question statistique (variables et hypothèses statistiques) 2. Etude des données (propriétés et calculs) 3. Choix du test (tests préliminaires) 4. Statistique de test (formule et calcul) 5. Confrontation (décision statistique) 6. Conclusion du test 21 / 57 Statistique de test Formule et loi Remarques I Statistique de test = variable de décision = fonction discriminante I Statistique de test : variable aléatoire (le plus souvent centrée réduite) I Détermination de la formule sous H0 (= quand H0 est vraie) I Détermination de la loi suivie par la statistique de test sous H0 (à partir de la loi suivie par la variable étudiée) I Notation : I I I I Cas général : Z Si elle suit une loi normale : U Si elle suit une loi de Student : T Si elle suit une loi de Fisher : F ,... 22 / 57 Statistique de test Formule et loi Exemple I Variable étudiée : M : estimateur de la moyenne I Loi suivie par M (sous H0 ) : loi normale : σ M → N µ0 , √ n I Statistique de test (sous H0 ) : Z = I Loi suivie par Z (sous H0 ) : loi normale centrée réduite : M − µ0 √σ n Z → N(0, 1) I Remarque : on peut noter U au lieu de Z 23 / 57 Statistique de test Calcul Calcul de la valeur de la statistique de test I I 2 cas : I Valeurs théoriques des paramètres connues ⇒ utilisation de ces valeurs dans le calcul I Valeurs théoriques des paramètres inconnues ⇒ remplacement par les estimations calculées précédemment à partir des données des échantillons Notation : minuscule (z, u, t,...) Remarque Dans le cadre de ce cours et de celui sur les tests paramétriques, on s’intéressera au cas où la valeur théorique σ n’est pas connue (cas habituel en pratique). 24 / 57 Statistique de test Calcul Exemple Dans l’expression : Z = U = M − µ0 √σ n , on remplace : I M par la moyenne estimée : m = 150.5 I σ par l’écart-type estimé : s = 11.44 On obtient alors la valeur calculée de la statistique de test : z=u= m − µ0 √s n = 150.5 − 154.5 11.44 √ 50 ⇒ u ' −2.47 25 / 57 Démarche générale Principales étapes 1. Question statistique (variables et hypothèses statistiques) 2. Etude des données (propriétés et calculs) 3. Choix du test (tests préliminaires) 4. Statistique de test (formule et calcul) 5. Confrontation (décision statistique) 6. Conclusion du test 26 / 57 Confrontation Généralités 3 façons pour arriver à la conclusion I Utilisation d’une valeur seuil lue dans une table ⇒ Comparaison de la valeur calculée de la statistique de test à une valeur seuil lue dans une table de distribution (table de l’écart-réduit, table de Student,...) I Utilisation de l’intervalle d’acceptation ⇒ Position de la valeur calculée de la statistique de test par rapport à l’intervalle d’acceptation (de H0 ) I Utilisation de la p-value ⇒ Comparaison de la p-value au risque α préalablement choisi 27 / 57 Confrontation Utilisation d’une valeur seuil lue dans une table Etapes I Table de la loi suivie par la statistique de test sous H0 I Lecture de la valeur seuil obtenue pour le risque α ⇒ zs (toujours positive) I Comparaison de cette valeur seuil à la valeur de la statistique de test : I I Si |z| < zs ⇒ non rejet de H0 au risque α Si |z| ≥ zs ⇒ rejet de H0 au risque α Exemple I Z = U → N(0, 1) ⇒ table de l’écart-réduit I Valeur seuil lue dans la table pour α = 5% ⇒ us = 1.96 I Comme 2.47 ≥ 1.96 ⇒ |z| ≥ zs ⇒ rejet de H0 au risque α = 5% 28 / 57 Confrontation Utilisation d’une valeur seuil lue dans une table Remarque Pour lire la valeur seuil zs dans la table, il faut tenir compte : I I Du test : unilatéral ou bilatéral De la table : unilatérale ou bilatérale I I Table bilatérale : table de l’écart-réduit (loi normale), table de Student,... Table unilatérale : table de Fisher, table du Chi-Deux,... La valeur zs = zαtable se lit pour αtable qui vaut : Table bilatérale Table unilatérale Test bilatéral α α 2 Test unilatéral 2α α 29 / 57 Confrontation Utilisation de l’intervalle d’acceptation Etapes I Table de la loi suivie par la statistique de test sous H0 et lecture de la valeur seuil obtenue pour le risque α ⇒ zs I Intervalle d’acceptation de H0 ⇒ Ia =] − zs ; zs [ I Position de la valeur de la statistique de test par rapport à cet intervalle : I I Si z ∈ Ia ⇒ non rejet de H0 au risque α Si z ∈ / Ia ⇒ rejet de H0 au risque α Exemple I Valeur seuil lue dans la table de l’écart-réduit pour α = 5% ⇒ us = 1.96 I Ia =] − 1.96; 1.96[ I Comme us = −2.47 ∈ / Ia ⇒ rejet de H0 au risque α = 5% 30 / 57 Confrontation Utilisation de la p-value Définitions I p-value = probabilité critique = degré de signification = "petit p" I p − value : probabilité d’observer une valeur au moins aussi grande que la valeur observée z sous H0 : p − value = P(Z ≤ −|z|/H0 ) + P(Z ≥ |z|/H0 ) ⇒ la p − value représente la "crédibilité" de H0 I Rappel : α : probabilité de rejeter H0 quand H0 est vraie : α = P(RH0 /H0 ) = P(Z ≤ −zs /H0 ) + P(Z ≥ zs /H0 ) 31 / 57 Confrontation Utilisation de la p − value Etapes I I Détermination de la valeur de la p − value (par le calcul ou par un logiciel de statistique) Comparaison de la p − value et du risque de 1ère espèce : I I Si p − value > α ⇒ non rejet de H0 au risque α Si p − value ≤ α ⇒ rejet de H0 au risque α Exemple I Calcul de probabilité (en utilisant la table de l’écart-réduit) : p − value = P(Z ≤ −2.47) + P(Z ≥ 2.47) I Lecture de la p − value sur R : p − value = 0.017 I Comme p − value ≤ 0.05 ⇒ rejet de H0 au risque α = 5% 32 / 57 Démarche générale Principales étapes 1. Question statistique (variables et hypothèses statistiques) 2. Etude des données (propriétés et calculs) 3. Choix du test (tests préliminaires) 4. Statistique de test (formule et calcul) 5. Confrontation (décision statistique) 6. Conclusion du test 33 / 57 Conclusion du test Non rejet de H0 au risque α I Langage statistique ⇒ Pas de différence significative de la moyenne de la grandeur mesurée dans la population d’étude d’avec la valeur théorique, au risque α I Langage courant ⇒ Absence d’effet significatif du facteur étudié, au risque α Rejet de H0 au risque α I Langage statistique ⇒ Différence significative de la moyenne de la grandeur mesurée dans la population d’étude d’avec la valeur théorique, au risque α I Langage courant ⇒ Effet significatif du facteur étudié, au risque α 34 / 57 Conclusion du test Exemple I Langage statistique ⇒ Différence significative de la moyenne de la PAS des hypertendus après administration du médicament A d’avec la moyenne théorique de PAS des hypertendus, au risque α = 5% I Langage courant ⇒ Effet significatif du médicament A sur la PAS, au risque α = 5% 35 / 57 Conclusion du test Remarques I On dit parfois que le test est "significatif" quand il a montré une différence significative (entre une moyenne et une valeur de référence par exemple). I Lorsque le test a montré une différence significative, il est d’usage de donner un ordre de grandeur de la p − value (en puissance de 10). Exemple Effet significatif du médicament A sur la PAS, au risque α = 5% (p − value = 10−2 ) 36 / 57 Utilisation du logiciel R Commande R t.test(data, alternative=’two.sided’, mu=154.5, conf.level=.95) I data : fichier de données (50 valeurs de PAS) I alternative : hypothèse H1 I mu = : valeur de référence I conf.level : niveau de confiance (0,95 pour un risque α = 5%) Remarque Dans les logiciels de statistique, on utilise habituellement le t-test (= test t = test de Student) car, lorsque les échantillons sont grands, la loi normale et la loi de Student sont équivalentes. 37 / 57 Utilisation du logiciel R Résultats obtenus sur R One Sample t-test data: data t = -2.4725, df = 49, p-value = 0.01694 alternative hypothesis: true mean is not equal to 154.5 95 percent confidence interval: 147.2489 153.7511 sample estimates: mean of x 150.5 38 / 57 Autres tests de comparaison d’une moyenne à une valeur de référence Différents cas I Cas vu précédemment : Cas bilatéral dans le cas d’un grand échantillon I Autres cas : I I Cas unilatéral Cas d’un petit échantillon 39 / 57 Autres tests de comparaison d’une moyenne à une valeur de référence Différents cas I Cas vu précédemment : Cas bilatéral dans le cas d’un grand échantillon I Autres cas : I I Cas unilatéral Cas d’un petit échantillon 40 / 57 Test unilatéral Exemple Nouvel énoncé On reprend l’exemple précédent en considérant que l’on a un a priori sur l’effet du médicament A : soit il n’a pas d’effet soit il diminue la PAS des hypertendus. Dans ce cas, il faut considérer un test unilatéral (toujours dans le cas grand échantillon). ⇒ Nouvelle étude 41 / 57 Test unilatéral Différentes étapes Hypothèse H1 Cas bilatéral Cas unilatéral droit (= risque à droite) Cas unilatéral gauche (= risque à gauche) µ 6= µ0 µ > µ0 µ < µ0 Confrontation avec la valeur seuil lue dans la table de l’écart-réduit Cas bilatéral Cas unilatéral (droit ou gauche) zs = zα zs = z2α ⇒ comparaison de la valeur calculée z avec la valeur seuil zs 42 / 57 Test unilatéral Différentes étapes Confrontation avec l’Ia Cas bilatéral Cas unilatéral droit Cas unilatéral gauche Ia =] − zα ; zα [ Ia =] − ∞; z2α [ Ia =] − z2α ; +∞[ ⇒ position de la valeur calculée z par rapport à l’Ia Confrontation avec la p − value (notée p) Cas bilatéral Cas unilatéral droit Cas unilatéral gauche p = P(Z ≤ −|z|) + P(Z ≥ +|z|) p = P(Z ≥ z) p = P(Z ≤ z) ⇒ comparaison de la p − value et du risque α 43 / 57 Test unilatéral Exemple Hypothèses I H0 : µ = µ0 I H1 : µ < µ0 ⇒ test unilatéral gauche (= risque à gauche) Confrontation I Valeur calculée : z = −2.47 I Valeur seuil (table de l’écart-réduit) : zs = z2α = z0.1 = 1.645 (< 2.47) I Ia =] − z2α ; +∞[=] − 1.645; +∞[ I p − value = P(Z ≤ z) = P(Z ≤ −2.47) = 0.0085 (< 0.05) ⇒ rejet de H0 au risque α = 5% 44 / 57 Test unilatéral Exemple Conclusion I Langage statistique ⇒ Diminution significative de la moyenne de la PAS des hypertendus après administration du médicament A d’avec la valeur théorique de PAS des hypertendus, au risque α = 5% I Langage courant ⇒ Effet anti-hypertenseur significatif du médicament A sur la PAS, au risque α = 5% Remarque Un test unilatéral est toujours plus puissant qu’un test bilatéral. 45 / 57 Test unilatéral Utilisation du logiciel R Commande R t.test(data, alternative=’less’, mu=154.5, conf.level=.95) Résultats obtenus sur R One Sample t-test data: data t = -2.4725, df = 49, p-value = 0.008469 alternative hypothesis: true mean is less than 154.5 95 percent confidence interval: -Inf 153.2124 sample estimates: mean of x 150.5 46 / 57 Autres tests de comparaison d’une moyenne à une valeur de référence Différents cas I Cas vu précédemment : Cas bilatéral dans le cas d’un grand échantillon I Autres cas : I I Cas unilatéral Cas d’un petit échantillon 47 / 57 Test sur un petit échantillon Exemple Nouvel énoncé On reprend l’exemple initial en considérant que l’on a un échantillon de seulement 15 patients hypertendus auxquels on administre le médicament A. On souhaite savoir si ce médicament a un effet (positif ou négatif) sur la PAS des hypertendus. Dans ce cas, on considère un test (bilatéral) dans le cas petit échantillon (< 30) ⇒ Nouvelle étude 48 / 57 Test sur un petit échantillon Différentes étapes Position du problème Comme l’échantillon est petit (< 30), on ne peut pas utiliser le TLC et considérer que la moyenne suit nécessairement une loi normale. Pour savoir si la moyenne suit une loi normale ou non, il faut regarder si la variable suit une loi normale et donc faire un test de normalité sur les données Visualisation graphique des données : commandes R I Histogramme de la distribution ⇒ fonction hist I Graphe quantile-quantile (= normal q-q plot) : I I I fonction qqnorm fonction qqline (droite passant par les 1er et 3ème quartiles) fonction qqPlot du package car 49 / 57 Test sur un petit échantillon Différentes étapes Tests de normalité : commandes R I Test de Shapiro-Wilk ⇒ fonction shapiro.test I Test de Lilliefors (variante du test de Kolmogorov-Smirnov) ⇒ fonction lillie.test du package nortest Choix du test I Si la variable est normale ⇒ test paramétrique de comparaison de moyennes I Si la variable n’est pas normale ⇒ test non paramétrique de comparaison de moyennes 50 / 57 Test sur un petit échantillon Différentes étapes Cas paramétrique I Formule de la statistique de test (sous H0) : Z =T = M − µ0 S √ n → Student à ν = n − 1 ddl S : estimateur de l’écart-type I Valeur calculée : z=t = m − µ0 √s n 51 / 57 Test sur un petit échantillon Synthèse Test de comparaison d’une moyenne à une valeur de référence 1 Grand échantillon Petit échantillon ( n ≥ 30 ) (n < 30) X → N( µ,σ ) X → L quelconque Statistique du test : U Statistique du test : T Sous H0 : Sous H0 : U= M − µ0 → N(0,1) σ n u= m − µ0 s n T= Tests non paramétriques M − µ0 → Student à ν = n − 1 ddl S n t= m − µ0 s n 52 / 57 Test sur un petit échantillon Utilisation du logiciel R Visualisation des données I hist(data, scale="frequency") I qqPlot(data, dist="norm") I qqnorm(data) 4 3 2 1 0 frequency 5 6 7 Résultats obtenus sur R : histogramme 130 140 150 160 170 180 comp_moy_theo_petit$valeurs 53 / 57 Test sur un petit échantillon Utilisation du logiciel R Résultats obtenus sur R : qqplot Normal Q−Q Plot 170 170 ● ● ● ● ● ● ● ● ● 130 ● ● −1 0 norm quantiles 1 ● ● ● ● ● 140 140 ● 160 ● ● 150 150 ● ● ● Sample Quantiles 160 ● 130 comp_moy_theo_petit$valeurs ● ● ● ● ● ● ● −1 0 1 Theoretical Quantiles 54 / 57 Test sur un petit échantillon Utilisation du logiciel R Test de normalité Commande sur R pour le test de Shapiro : shapiro.test(data) Résultats obtenus sur R Shapiro-Wilk normality test data: data W = 0.9391, p-value = 0.3715 Interprétation Comme p − value > 0.05 ⇒ non rejet de H0 au risque 5% ⇒ Normalité de la variable acceptée. ⇒ Test paramétrique de comparaison de moyennes 55 / 57 Test sur un petit échantillon Utilisation du logiciel R Test de comparaison de moyennes Commande sur R (idem cas grand échantillon) : t.test(data, alternative=’two.sided’, mu=154.5, conf.level=.95) Résultats obtenus sur R One Sample t-test data: data t = -1.2382, df = 14, p-value = 0.236 alternative hypothesis: true mean is not equal to 154.5 95 percent confidence interval: 144.9372 157.0628 sample estimates: mean of x 151 56 / 57 Test sur un petit échantillon Utilisation du logiciel R Interprétation Comme p − value > 0.05 ⇒ non rejet de H0 au risque 5% ⇒ différence non significative entre la moyenne de la PAS des hypertendus avec le médicament A et la moyenne théorique de la PAS des hypertendus au risque α = 5% ⇒ pas d’effet significatif du médicament A sur la PAS des hypertendus au risque α = 5% Remarque Lorsque la taille de l’échantillon (n) diminue, la puissance du test diminue (= la probabilité de mettre en évidence une différence significative quand cette différence existe diminue = le risque de dire qu’il n’y a pas de différence significative alors qu’il y en a un augmente) 57 / 57