Statistiques descriptives

Note

Graphique quantile-quantile

Dans le graphe ci-dessus, les points devraient suivre approximativement la ligne de régression. Toute déviation importante suggère potentiellement la nécessité de séparer les données en sous-groupe, ou d'évaluer la pertinence d'exclure certaines données extrêmes (si les conditions expérimentales le justifient).


Graphique en boite à moustache

Le graphique ci-dessus représente un graphe en boite à moustache des données. Les observations individuelles sont ajoutées avec un placement aléatoire autour du centre de l'axe des abcisses. La boite est définie par les 25ième et 75ième centiles, et les moustaches par les 10ième et 90ième centiles.

Paramètres estimés

Paramètres estimés - Distribution

Paramètres estimés - Fraction de dépassement

L'estimé est:

L'intervalle de crédibilité est:

Paramètres estimés -

L'estimé est:

L'intervalle de crédibilité est:

Paramètres estimés - Moyenne arithmétique

L'estimé est:

L'intervalle de crédibilité est:

Graphique séquentiel

Le graphique séquentiel représente la distribution des expositions estimée en supposant que 250 mesures aient été prises. Si les mesures représentent des valeurs pondérées sur 8h, cela correspond approximativement à une année d'exposition. La VLE est en rouge.

Analyse de risque

Le risquemètre ci-dessous résume l'analyse bayésienne des données. Il montre la probabilité de surexposition, c'est à dire la probabilité que le 95ième centile soit supérieur à la valeur limite d'exposition. Une aiguille dans la section rouge indique une exposition mal maitrisée (c.a.d. une situation impliquant le déclenchement d'actions de maîtrise). Une aiguille dans la section jaune indique une exposition maitrisées, mais avec une marge de sécurité limitée. Une aiguille dans la section verte indique une exposition bien maitrisée.

Décision sur le risque

Critère définissant la surexposition: 95ième centile 95ième centile ≥ VLE

Gestion de l'incertitude : basé sur le modèle bayésien, la probabilité que ce critère soit rencontré (risque de surexposition) est:

En conséquence, la situation est déclarée:

Cadre d'analyse de risque

Dans Tool1 Express, le cadre décisionnel choisi pour interpréter des mesures d'exposition repose sur les principes suivants : Le première étape consiste à définir un critère de surexposition, par example, 95ième centile au dessus de la VLE.

L'étape suivante nécessite le choix d'un seuil pour la probabilité que ce critère soit rencontré. Au dessus de ce seuil, la probabilité de surexposition sera jugée trop élevée et des actions doivent être déclenchées. Le seuil traditionnel pour cette probabilité est de 5% (ainsi, il faut être sur au moins à 95% qu'il n'y a pas de surexposition). Des institutions de santé au travail françaises et britanniques ont proposé un seuil alternatif de 30% au lieu de 5%. C'est un seuil pragmatique visant à limiter la déclaration de trop de situations réellement acceptables comme innaceptables du à la sévérité du seuil de 5%.

Nous proposons le cadre suivant pour interpréter le risque de surexposition (c.a.d la probabilité que le critère de surexposition soit rencontré):

  • Risque de surexposition <5% : Le risque de surexposition est très faible, la situation est bien maîtrisée.
  • Risque de surexposition entre 5% et 30% : Le risque de surexposition est modéré, a situation est maîtrisée, mais avec une marge de sécurité limitée.
  • Risque de surexposition >30% : Le risque de surexposition est élevé, la situation requière des actions de prévention, ou la prise de plus de mesures.

La proposition ci-dessus est arbitraire, et peu être adaptée aux besoins spécifique de chaque utilisateur. l'information clé issu de l'analyse est le risque de surexposition (c.a.d la probabilité que le critère de surexposition soit rencontré) estimé par les modèles bayésiens.

À propos de Tool1 Express

Dans cette application l'estimation des paramètres de la distribution lognormale est réalisée par le biais d'un modèle bayésien. Nous avons privilégié cette approche pour 3 raisons : Les méthodes bayésiennes permettent de répondre à des questions d'une façon plus intuitive que les approches traditionnelles ; le traitement des résultats non détectés est naturellement intégré dans les méthodes bayésiennes; Le cadre bayésien permet d'intégrer aux mesures objectives des information externes. Cette dernière propriété n'est cependant pas utilisée dans l'outil actuel.