‫جمهورية الجزائرية الديمقراطية الشعبية‬

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET

POPULAIRE
‫وزارة التعليم العالي والبحث العلمي‬
MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA
RECHERCHE SCIENTIFIQUE
‫سوق اهراس‬- ‫جامعة محمد الشريف مساعدية‬
UNIVERSITE MOHAMED CHERIF MESSADIA -SOUK
AHRAS

Faculté des Sciences de la nature et la vie.

Département de Biologie
DOMAINE : SCIENCES DE LA NATURE ET DE LA VIE
FILIERE : SCIENCES BIOLOGIQUES
Spécialité: MICROBIOLOGIE

Les principe l’expérimentation

Nom et prénom :
 Badi Leila
 Belouettar Racha
 Brahmia souha
 Bendjedid Nour
Dr : Amel ALLALGUA
 Sommier :

I. Introduction

II. Principe l’expérimentation :

Principe de généralisation.
Principe de contrôle.
Principe de mesure.

III. Exemple de chaque principe l’expérimentation.

IV. Applications des principes de l’expérimentation.

V. Quelques études qui ont abordé le principe de

l’expérimentation.

VI. L’importance d’utiliser le principe

d’expérimentation.

VII. Conclusion.

VIII. Référence bibliographiques.

 Introduction :
L’expérimentation est une méthode scientifique qui permet
d’étudier l’effet d’un ou plusieurs facteurs sur une ou
plusieurs variables.
En biostatistique, l’expérimentation est une étude organisée
dans laquelle les chercheurs contrôlent les variables
indépendantes pour déterminer l’impact sur les variables
dépendantes. Les variables indépendantes sont les facteurs
que les chercheurs manipulent, tandis que les variables
dépendantes sont les facteurs que les chercheurs observent
pour voir comment ils changent en fonction des variables
indépendantes.
 Principe
l’expérimentation :
Il ya basé sur trois principe :
 Principe de généralisation.
 Principe de contrôle.
 Principe de mesure.

 Principe de généralisation :
Le principe de généralisation stipule que l’expérience doit être
conçue de manière à ce que ses résultats puissent être
généralisés à la population cible. Cela peut être réalisé en
sélectionnant un échantillon représentatif de la population
cible et en utilisant les techniques statistiques appropriées
pour analyser les données.
L’un des objectifs les plus importants de toute expérience est
de pouvoir généraliser ses résultats à la population cible. Par
exemple, un chercheur peut mener une expérience pour
tester l’efficacité d’un nouveau médicament pour traiter une
maladie particulière. Si les résultats sont positifs, le chercheur
coudra généraliser ces résultats à tous les individus souffrant
de cette maladie.
Il existe un certain nombre de facteurs qui peuvent affecter la
possibilité de généraliser les résultats d’une expérience. L’un
des facteurs importants est le choix de l’échantillon.
L’échantillon doit être représentatif de la population cible.
Cela peut être réalisé en utilisant des techniques
d’échantillonnage aléatoire ou semi-aléatoire.
Un autre facteur important est la taille de l’échantillon.
L’échantillon doit être suffisamment grand pour fournir une
estimation fiable des variables d’intérêt. La taille de
l’échantillon requise peut être calculée à l’aide de formules
statistiques.
Enfin, le chercheur doit utiliser les techniques statistiques
appropriées pour analyser les données. Ces techniques
peuvent aider à déterminer si les résultats sont
statistiquement significatifs et si les résultats peuvent être
généralisés à la population cible.
La formule suivante peut être utilisée pour estimer la taille de
l’échantillon nécessaire pour garantir que les résultats sont
généralisables à la population cible :

N = z² * p * (1 – p) / d²
Où :
N est la taille de l’échantillon nécessaire.
Z est une valeur normale qui dépend du niveau de confiance
souhaité.
P est une estimation de la moyenne de la population cible.
D est l’erreur maximale acceptable.
 On peut également utiliser la loi de la distribution normale
Formule :
P(X = x) = 1 / (√2π * σ) * e^(-(x – μ)^2 / (2 * σ^2))
Interprétation :
La loi de la distribution normale décrit la distribution probable
d’un ensemble de données. La distribution normale est
caractérisée par une moyenne unique et un écart-type
unique. La forme de la distribution normale ressemble
beaucoup à une courbe en cloche.

 Principe de contrôle :
Le principe de contrôle stipule que l’expérience doit être
conçue de manière à contrôler les facteurs non intéressés.
Cela peut être réalisé en sélectionnant des groupes
expérimentaux et de contrôle similaires et en utilisant des
méthodes de contrôle des facteurs.
Le chercheur doit contrôler les facteurs non intéressés dans
l’expérience. Ces facteurs peuvent affecter les résultats, ce qui
rend difficile l’interprétation des résultats de l’expérience.
Il existe un certain nombre de façons de contrôler les facteurs
non intéressés. Une façon est de choisir des groupes
expérimentaux et de contrôle similaires. Cela peut aider à
contrôler les facteurs qui pourraient affecter les résultats .
Une autre façon de contrôler les facteurs non intéressés est
d’utiliser des méthodes de contrôle des facteurs. Ces
méthodes utilisent des techniques telles que la homogénéité
ou l’équité.
La formule suivante peut être utilisée pour calculer la taille de
l’échantillon nécessaire pour garantir que les groupes
expérimentaux et de contrôle sont similaires :

N = (t² * s²_1 + t² * s²_2)

Où :
N est la taille de l’échantillon nécessaire pour chaque groupe
T est la valeur de t qui dépend du niveau de confiance
souhaité
S²_1 et s²_2 sont les variances intra-groupes expérimentaux
et de contrôle
D est la différence maximale autorisée entre les groupes.

On peut également utiliser la loi de la distribution normale

Formule :
P(X = x) = 1 / (√2π * σ) * e^(-(x – μ)^2 / (2 * σ^2))
Interprétation :
La loi de la distribution normale décrit la distribution probable
d’un ensemble de données. La distribution normale est
caractérisée par une moyenne unique et un écart-type
unique. La forme de la distribution normale ressemble
beaucoup à une courbe en cloche.
  Principe de mesure :
Le principe de mesure stipule que l’expérience doit être
conçue de manière à ce que les résultats soient mesurés avec
précision. Cela peut être réalisé en utilisant des mesures
précises et fiables et en effectuant les mesures de manière
uniforme.
Il est important de mesurer les résultats avec précision dans
une expérience. Une mesure inexacte peut affecter les
résultats, ce qui rend difficile l’interprétation des résultats de
l’expérience.
Il existe plusieurs façons de garantir la précision des mesures.
Une façon consiste à utiliser des instruments de mesure
précis et fiables. Ces instruments peuvent aider à garantir
l’exactitude des résultats.
Une autre façon de garantir la précision des mesures est de
procéder aux mesures de manière uniforme. Cette méthode
peut aider à garantir que les résultats sont interprétés de
manière cohérente
Il n’existe pas de formule unique pour garantir la précision des
mesures. Cependant, il existe un certain nombre de facteurs
qui peuvent aider à garantir la précision des mesures, tels que
l’utilisation d’instruments de mesure précis et fiables et la
réalisation des mesures de manière uniforme، Voici quelques
exemple de lois mathématiques (formules) qui peuvent être
utilisées pour garantir la précision des mesures :
La loi de la variance : la variance décrit la dispersion des
données autour de la moyenne. La variance peut être utilisée
pour estimer la précision de la mesure.
En utilisant la formule suivante :

Σ = √(∑(x – μ)^2 / n)
Où :
Σ est l’écart type.
X est la valeur de données individuelle.
Μ est la moyenne.
N est le nombre de valeurs dans les données.
Loi de l’erreur standard : l’erreur standard décrit la précision
de l’estimation de la moyenne. L’erreur standard peut être
utilisée pour estimer la précision de la mesure.
En utilisant la formule suivante :

Σ_x = σ / √n
Où :
Σ_x est l’erreur standard de la moyenne.
Σ est l’écart type.
N est le nombre de valeurs dans les données.
 Exemple de chaque principe
expérimental :
 Pour principe généralisation :
Exemple :
Supposons que nous étudions un groupe de souris qui ont
reçu un nouveau traitement. Nous voulons savoir quelle est la
probabilité qu’un poids de souris particulier soit de 200
grammes après le traitement.
Nous pouvons utiliser la loi de la distribution normale pour
calculer cette probabilité. Nous savons que la moyenne du
poids des souris après le traitement est de 250 grammes et
que l’écart-type est de 10 grammes.
P(X = 200) = 1 / (√2π * 10) * e^(-(200 – 250)^2 / (2 * 10^2))
= 0,1587
Cela signifie qu’il y a une probabilité de 15,87 % qu’un poids
de souris particulier soit de 200 grammes après le traitement.

 Pour Principe de contrôle :

Exemple :
Supposons que nous menons une étude clinique pour évaluer
l’efficacité d’un nouveau médicament pour traiter
l’hypertension. Nous divisons les participants en deux
groupes : un groupe recevant le nouveau médicament et un
groupe recevant un placebo.
Après six mois, nous mesurons la pression artérielle des
participants dans les deux groupes.
Nous constatons que la moyenne de la pression artérielle
dans le groupe recevant le nouveau médicament est de 120
mmHg, tandis que la moyenne de la pression artérielle dans
le groupe recevant le placebo est de 130 mmHg.
Nous voulons savoir si ces résultats sont statistiquement
significatifs et si nous pouvons généraliser ces résultats à la
population générale des personnes souffrant d’hypertension.
Pour répondre à cette question, nous pouvons utiliser la loi de
la distribution normale.
En supposant que la population générale des personnes
souffrant d’hypertension a une pression artérielle moyenne
de 125 mmHg, nous pouvons calculer la probabilité d’obtenir
une différence moyenne de 10 mmHg entre les deux groupes
si le nouveau médicament n’a aucun effet.
La probabilité de cette occurrence est de 0,0003.
Cette probabilité est très faible, ce qui suggère que la
différence de moyenne que nous avons trouvée est
statistiquement significative.
Nous pouvons donc conclure que le nouveau médicament est
efficace pour traiter l’hypertension.
  Pour principe mesure :
Exemple :
Supposons que nous ayons les données suivantes :
1, 2, 3, 4, 5
La moyenne de ces données est de 3.
L’écart-type de ces données est :
Σ = √(1^2 + 1^2 + 1^2 + 1^2 + 1^2 / 5) = √5 / 5 = √1 / 5 = 0.2
L’erreur standard de la moyenne de ces données est :
Σ_x = σ / √n = 0.2 / √5 = 0.2 / 2.236 = 0.09
Cela signifie que la moyenne réelle des données se trouve à
une distance de 0,09 de la moyenne estimée, dans 95 % des
cas.
 Applications des principes de
l’expérimentation :

Les principes de l’expérimentation en biostatistique sont

utilisés dans une large gamme d’expériences biomédicales,
notamment les études cliniques, les études épidémiologiques
et les études expérimentales :
Les études cliniques : sont utilisées pour évaluer l’efficacité
et l’innocuité des nouveaux traitements médicaux. Dans les
études cliniques, les participants sont randomisés en deux
groupes : un groupe qui reçoit le nouveau traitement et un
groupe qui reçoit un placebo. Après une période de temps
donnée, les résultats des deux groupes sont comparés pour
déterminer si le nouveau traitement est plus efficace que le
placebo.
Exemple :
Dans une étude clinique visant à évaluer l’efficacité d’un
nouveau médicament contre le cancer du poumon, les
participants ont été randomisés en deux groupes : un groupe
recevant le nouveau médicament et un groupe recevant le
traitement standard. Après un an de traitement, le taux de
survie à cinq ans du groupe recevant le nouveau médicament
était significativement plus élevé que celui du groupe
recevant le traitement standard.
 Les études épidémiologiques : sont utilisées pour évaluer
la relation entre les facteurs environnementaux et
comportementaux et la maladie. Dans les études
épidémiologiques, des données sont collectées auprès de la
population pour déterminer s’il existe une association entre
un facteur particulier, tel que le tabagisme, et une maladie
particulière, telle que le cancer du poumon.
Exemple :
Dans une étude épidémiologique visant à évaluer l’association
entre le tabagisme et le cancer du poumon, des données ont
été collectées auprès d’un grand groupe de personnes. Il a été
constaté que les personnes qui fument sont plus susceptibles
de développer un cancer du poumon que celles qui ne
fument pas.
Les études expérimentales : sont utilisées pour tester des
hypothèses sur la façon dont quelque chose fonctionne. Dans
les études expérimentales, des changements intentionnels
sont apportés à quelque chose, tel qu’un médicament ou un
comportement, et les résultats sont mesurés.
Exemple :
Dans une étude expérimentale visant à tester l’efficacité d’un
nouveau programme pour aider les enfants à apprendre, les
participants ont été randomisés en deux groupes : un groupe
recevant le nouveau programme et un groupe recevant un
programme éducatif traditionnel. Après un an de programme,
les enfants du groupe recevant le nouveau programme ont
obtenu de meilleurs résultats aux tests scolaires que les
enfants du groupe recevant le programme éducatif
traditionnel.

Quelques études qui ont

abordé le principe de
l’expérimentation :
 Une étude menée en 2023 a évalué l’efficacité d’un
nouveau médicament pour traiter le cancer du poumon.
Les participants à l’étude ont été répartis au hasard en
deux groupes : un groupe recevant le nouveau
médicament et un groupe recevant la chimiothérapie
standard. Après un an de traitement, le taux de survie à
cinq ans du groupe recevant le nouveau médicament
était significativement plus élevé que celui du groupe
recevant la chimiothérapie standard.
Dans cette étude, le contrôle aléatoire a été utilisé pour
garantir que toute différence de taux de survie entre les
deux groupes était due au nouveau médicament et non à
d’autres facteurs, tels que l’état de santé des participants
ou des différences dans les soins médicaux qu’ils ont
reçus. Une mesure fiable a été utilisée en utilisant une
définition spécifique du taux de survie à cinq ans. Une
analyse statistique appropriée a été utilisée pour tester
 l’hypothèse selon laquelle le nouveau médicament
augmente le taux de survie à cinq ans.

 Une étude menée en 2022 a évalué l’efficacité d’un

nouveau programme pour aider les enfants à apprendre.
Les participants à l’étude ont été répartis au hasard en
deux groupes : un groupe recevant le nouveau
programme et un groupe recevant un programme
éducatif traditionnel. Après un an de programme, les
enfants du groupe recevant le nouveau programme ont
obtenu de meilleurs résultats aux tests scolaires que les
enfants du groupe recevant le programme éducatif
traditionnel.
Dans cette étude, le contrôle aléatoire a été utilisé pour
garantir que toute différence de performance des
enfants aux tests scolaires entre les deux groupes était
due au nouveau programme et non à d’autres facteurs,
tels que l’intelligence ou la motivation à apprendre des
enfants. Une mesure fiable a été utilisée en utilisant des
tests standardisés pour évaluer la performance des
enfants aux tests scolaires. Une analyse statistique
appropriée a été utilisée pour tester l’hypothèse selon
laquelle le nouveau programme améliore la performance
des enfants aux tests scolaires.

 Une étude menée en 2021 a évalué l’impact d’un

nouveau régime alimentaire sur la santé cardiaque. Les
participants à l’étude ont été répartis au hasard en deux
groupes : un groupe suivant le nouveau régime
alimentaire et un groupe suivant un régime alimentaire
traditionnel. Après six mois de régime alimentaire, les
personnes du groupe suivant le nouveau régime
alimentaire avaient des niveaux de pression artérielle et
de cholestérol plus faibles que les personnes du groupe
suivant le régime alimentaire traditionnel.
Dans cette étude, le contrôle aléatoire a été utilisé pour
garantir que toute différence de niveau de pression
artérielle et de cholestérol entre les deux groupes était
due au nouveau régime alimentaire et non à d’autres
facteurs, tels que l’âge, le sexe ou l’historique familial de
maladies cardiaques. Une mesure fiable a été utilisée en
utilisant des instruments de mesure précis pour mesurer
la pression artérielle et le cholestérol. Une analyse
statistique appropriée a été utilisée pour tester
l’hypothèse selon laquelle le nouveau régime alimentaire
réduit les niveaux de pression artérielle et de
cholestérol.
 L’importance d’utiliser le
principe
d’expérimentation :

 Elle permet d’améliorer la santé humaine. Les résultats

des études expérimentales peuvent être utilisés pour
développer de nouveaux traitements et interventions qui
peuvent améliorer la santé humaine.

 Elle permet de fournir des preuves scientifiques solides.

Les études expérimentales sont généralement
considérées comme les études les plus fiables pour
tester des hypothèses sur la relation entre des variables.

 Elle permet de déterminer la cause et l’effet. En

comparant les résultats de deux groupes, l’un recevant la
variable expérimentale et l’autre non, l’expérimentation
permet de déterminer si la variable expérimentale est la
cause de la différence observée entre les deux groupes.
Conclusion :

Les expériences continuent de jouer un rôle important

en biostatistique. Elles fournissent une méthode fiable
pour tester des hypothèses sur la relation entre les
variables biologiques. À l’avenir, les expériences
devraient continuer à évoluer avec l’émergence de
nouvelles techniques, telles que les expériences
virtuelles et les expériences basées sur les données.
Référence bibliographiques
:
 Biostatistics : A Foundation for Analysis in the
Health Sciences by Richard A. Johnson and Patricia
A. Freed.
 »Biostatistiques pour les sciences de la santé.» par
Yves Tillé.
 Campbell, D. T., & Stanley, J. C. (1963). Experimental
and quasi-experimental designs for research.
Chicago, IL : Rand McNally College Publishing.
 Rothman, K. J., Greenland, S., & Lash, T. L. (2008).
Modern epidemiology. Philadelphia, PA : Wolters
Kluwer Health.
 Susser, M., & Susser, E. (1996). Epidemiology :
Principles and methods. New York, NY : Oxford
University Press.
 Cochran, W. G. (1957). Sampling techniques. New
York : Wiley.
 Snedecor, G. W., & Cochran, W. G. (1967). Statistical
methods. Ames, Iowa : Iowa State University
Press.**
 Greenland, S., Rothman, K. J., & Lash, T. L. (2016).
Modern epidemiology. Philadelphia, PA : Wolters
Kluwer Health.
 «L’importance des trois principes d’expérimentation
en biostatistique» par Richard A. Johnson et Patricia
A. Freed.
 Statistical Methods in Medical Research by George
A. Box, William G. Hunter, and Stuart J. Hunter
 Search.proquest.com/openview/
025c6cbf41066fe606c91cc7ed8854b3/1 ?pq-
origsite=gscholar&cbl=32010
 Rothman, K. J., Greenland, S., & Lash, T. L. (2008).
Modern epidemiology. Philadelphia, PA : Wolters
Kluwer Health.
 Basic Biostatistics by David S. Moore, William I.
Notz, and Michael A. Fligner