Intervalle de confiance Tests d’hypothèses

Techniques quantitatives d’économie et de gestion

Chapitre V
Estimations et tests d’hypothèses

1 / 64
Intervalle de confiance Tests d’hypothèses

Plan

I. Estimation à partir d’un intervalle de confiance

II. Les tests d’hypothèses

2 / 64
Intervalle de confiance Tests d’hypothèses

I. Estimation à partir d’un intervalle de confiance

3 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation

4 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Les estimateurs sont des v.a. et généralement on ne dispose que
d’une estimation (→ Estimation ponctuelle).

4 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Les estimateurs sont des v.a. et généralement on ne dispose que
d’une estimation (→ Estimation ponctuelle).
Extrait du site internet France info, 22 mars 2021 :
« Selon l’étude publiée lundi par l’institut de sondage britannique
YouGov, les Européens ont de plus en plus peur d’éventuels effets
secondaires du produit développé par l’université d’Oxfort contre le
Covid-19. En France, la méfiance envers ce vaccin a fortement
augmenté : 61% des personnes qui ont répondu jugent qu’il n’est
pas sûr (+18 points par rapport à une étude réalisée en février),
contre seulement 23% qui le jugent sûr. En Allemagne, 55% des
sondés le jugent même dangereux. »

4 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Les estimateurs sont des v.a. et généralement on ne dispose que
d’une estimation (→ Estimation ponctuelle).
Extrait du site internet France info, 22 mars 2021 :
« Selon l’étude publiée lundi par l’institut de sondage britannique
YouGov, les Européens ont de plus en plus peur d’éventuels effets
secondaires du produit développé par l’université d’Oxfort contre le
Covid-19. En France, la méfiance envers ce vaccin a fortement
augmenté : 61% des personnes qui ont répondu jugent qu’il n’est
pas sûr (+18 points par rapport à une étude réalisée en février),
contre seulement 23% qui le jugent sûr. En Allemagne, 55% des
sondés le jugent même dangereux. »
Problème : les estimations ponctuelles ne fournissent aucune
indication sur leur degré de précision.
4 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Solution : calcul de l’Intervalle de Confiance (IC) associé à
l’estimation.

5 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Solution : calcul de l’Intervalle de Confiance (IC) associé à
l’estimation.

L’IC donne un intervalle de valeurs

5 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Solution : calcul de l’Intervalle de Confiance (IC) associé à
l’estimation.

L’IC donne un intervalle de valeurs encadrant avec un certain

niveau de confiance

5 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Solution : calcul de l’Intervalle de Confiance (IC) associé à
l’estimation.

L’IC donne un intervalle de valeurs encadrant avec un certain

niveau de confiance la vraie valeur du paramètre de la population
(e.g. π, µ ou σ).

5 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Solution : calcul de l’Intervalle de Confiance (IC) associé à
l’estimation.

L’IC donne un intervalle de valeurs encadrant avec un certain

niveau de confiance la vraie valeur du paramètre de la population
(e.g. π, µ ou σ).

Le niveau de confiance de l’IC

5 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Solution : calcul de l’Intervalle de Confiance (IC) associé à
l’estimation.

L’IC donne un intervalle de valeurs encadrant avec un certain

niveau de confiance la vraie valeur du paramètre de la population
(e.g. π, µ ou σ).

Le niveau de confiance de l’IC

I Sera noté 1 − α

5 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Solution : calcul de l’Intervalle de Confiance (IC) associé à
l’estimation.

L’IC donne un intervalle de valeurs encadrant avec un certain

niveau de confiance la vraie valeur du paramètre de la population
(e.g. π, µ ou σ).

Le niveau de confiance de l’IC

I Sera noté 1 − α
I Indique la probabilité que l’IC contienne le paramètre inconnu
(e.g. π, µ ou σ).

5 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Solution : calcul de l’Intervalle de Confiance (IC) associé à
l’estimation.

L’IC donne un intervalle de valeurs encadrant avec un certain

niveau de confiance la vraie valeur du paramètre de la population
(e.g. π, µ ou σ).

Le niveau de confiance de l’IC

I Sera noté 1 − α
I Indique la probabilité que l’IC contienne le paramètre inconnu
(e.g. π, µ ou σ).
⇒ Il y a donc un risque α pour que l’IC ne contienne pas le
paramètre de la population.
5 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Formellement, si θ est le paramètre inconnu, on notera l’IC de θ,
θ
IC1−α = [Y1 , Y2 ]

6 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Formellement, si θ est le paramètre inconnu, on notera l’IC de θ,
θ
IC1−α = [Y1 , Y2 ] , tel que : P{Y1 < θ < Y2 } = 1 − α.

6 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Formellement, si θ est le paramètre inconnu, on notera l’IC de θ,
θ
IC1−α = [Y1 , Y2 ] , tel que : P{Y1 < θ < Y2 } = 1 − α.

En pratique, on a souvent α = 1 %, 5 % ou 10 %.

6 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Formellement, si θ est le paramètre inconnu, on notera l’IC de θ,
θ
IC1−α = [Y1 , Y2 ] , tel que : P{Y1 < θ < Y2 } = 1 − α.

En pratique, on a souvent α = 1 %, 5 % ou 10 %.

Si α= 5 %, l’IC aura 95 chances sur 100 de contenir la véritable

valeur du paramètre θ .

6 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Formellement, si θ est le paramètre inconnu, on notera l’IC de θ,
θ
IC1−α = [Y1 , Y2 ] , tel que : P{Y1 < θ < Y2 } = 1 − α.

En pratique, on a souvent α = 1 %, 5 % ou 10 %.

Si α= 5 %, l’IC aura 95 chances sur 100 de contenir la véritable

valeur du paramètre θ .

Pour calculer un IC, on a besoin de

6 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Formellement, si θ est le paramètre inconnu, on notera l’IC de θ,
θ
IC1−α = [Y1 , Y2 ] , tel que : P{Y1 < θ < Y2 } = 1 − α.

En pratique, on a souvent α = 1 %, 5 % ou 10 %.

Si α= 5 %, l’IC aura 95 chances sur 100 de contenir la véritable

valeur du paramètre θ .

Pour calculer un IC, on a besoin de

I connaître la distribution d’échantillonnage de l’estimateur

6 / 64
Intervalle de confiance Tests d’hypothèses

1- Présentation

1- Présentation
Formellement, si θ est le paramètre inconnu, on notera l’IC de θ,
θ
IC1−α = [Y1 , Y2 ] , tel que : P{Y1 < θ < Y2 } = 1 − α.

En pratique, on a souvent α = 1 %, 5 % ou 10 %.

Si α= 5 %, l’IC aura 95 chances sur 100 de contenir la véritable

valeur du paramètre θ .

Pour calculer un IC, on a besoin de

I connaître la distribution d’échantillonnage de l’estimateur
I fixer un niveau de confiance.

6 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2. IC de l’espérance d’une population

7 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2. IC de l’espérance d’une population

Rappels :
Le meilleur estimateur de l’espérance d’une population est la
moyenne d’échantillonnage.

7 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2. IC de l’espérance d’une population

Rappels :
Le meilleur estimateur de l’espérance d’une population est la
moyenne d’échantillonnage.

Pour que les résultats qui vont être présentés soient valides. Il faut
que :
I La taille de l’échantillon soit grande (n>30)
I Ou que la population soit normale

7 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2. IC de l’espérance d’une population

Rappels :
Le meilleur estimateur de l’espérance d’une population est la
moyenne d’échantillonnage.

Pour que les résultats qui vont être présentés soient valides. Il faut
que :
I La taille de l’échantillon soit grande (n>30)
I Ou que la population soit normale

Il existe deux cas de figure :

I σ est connu
I σ est inconnu
7 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

Si σ est connu, X ∼ N(µ, √σn ).

8 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

Si σ est connu, X ∼ N(µ, √σn ).

X −µ
On a donc aussi Z = σ
√ ∼ N(0, 1)
n

8 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

Si σ est connu, X ∼ N(µ, √σn ).

X −µ
On a donc aussi Z = σ
√ ∼ N(0, 1)
n

Grâce à la table statistique de la loi NCR, on va déterminer −zα/2

et zα/2 tel que P{−zα/2 < Z < zα/2 } = 1 − α.

8 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

9 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

Grace à la table statistique bilatérale de la loi d’une VNCR, on a les
bornes −zα/2 et zα/2 tel que : P{−zα/2 < Z < zα/2 } = 1 − α.
X −µ
⇔ P{−zα/2 < σ
√ < zα/2 } = 1 − α.
n

10 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

Grace à la table statistique bilatérale de la loi d’une VNCR, on a les
bornes −zα/2 et zα/2 tel que : P{−zα/2 < Z < zα/2 } = 1 − α.
X −µ
⇔ P{−zα/2 < σ
√ < zα/2 } = 1 − α.
n

⇔ P{−zα/2 √σn < X − µ < zα/2 √σn } = 1 − α.

10 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

Grace à la table statistique bilatérale de la loi d’une VNCR, on a les
bornes −zα/2 et zα/2 tel que : P{−zα/2 < Z < zα/2 } = 1 − α.
X −µ
⇔ P{−zα/2 < σ
√ < zα/2 } = 1 − α.
n

⇔ P{−zα/2 √σn < X − µ < zα/2 √σn } = 1 − α.

⇔ P{−X − zα/2 √σn < −µ < −X + zα/2 √σn } = 1 − α.

10 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

Grace à la table statistique bilatérale de la loi d’une VNCR, on a les
bornes −zα/2 et zα/2 tel que : P{−zα/2 < Z < zα/2 } = 1 − α.
X −µ
⇔ P{−zα/2 < σ
√ < zα/2 } = 1 − α.
n

⇔ P{−zα/2 √σn < X − µ < zα/2 √σn } = 1 − α.

⇔ P{−X − zα/2 √σn < −µ < −X + zα/2 √σn } = 1 − α.

⇔ P{X + zα/2 √σn > µ > X − zα/2 √σn } = 1 − α.

10 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

Grace à la table statistique bilatérale de la loi d’une VNCR, on a les
bornes −zα/2 et zα/2 tel que : P{−zα/2 < Z < zα/2 } = 1 − α.
X −µ
⇔ P{−zα/2 < σ
√ < zα/2 } = 1 − α.
n

⇔ P{−zα/2 √σn < X − µ < zα/2 √σn } = 1 − α.

⇔ P{−X − zα/2 √σn < −µ < −X + zα/2 √σn } = 1 − α.

⇔ P{X + zα/2 √σn > µ > X − zα/2 √σn } = 1 − α.

⇔ P{X − zα/2 √σn < µ < X + zα/2 √σn } = 1 − α.

10 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

Grace à la table statistique bilatérale de la loi d’une VNCR, on a les
bornes −zα/2 et zα/2 tel que : P{−zα/2 < Z < zα/2 } = 1 − α.
X −µ
⇔ P{−zα/2 < σ
√ < zα/2 } = 1 − α.
n

⇔ P{−zα/2 √σn < X − µ < zα/2 √σn } = 1 − α.

⇔ P{−X − zα/2 √σn < −µ < −X + zα/2 √σn } = 1 − α.

⇔ P{X + zα/2 √σn > µ > X − zα/2 √σn } = 1 − α.

⇔ P{X − zα/2 √σn < µ < X + zα/2 √σn } = 1 − α.

µ
On peut aussi écrire IC1−α =

10 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

Grace à la table statistique bilatérale de la loi d’une VNCR, on a les
bornes −zα/2 et zα/2 tel que : P{−zα/2 < Z < zα/2 } = 1 − α.
X −µ
⇔ P{−zα/2 < σ
√ < zα/2 } = 1 − α.
n

⇔ P{−zα/2 √σn < X − µ < zα/2 √σn } = 1 − α.

⇔ P{−X − zα/2 √σn < −µ < −X + zα/2 √σn } = 1 − α.

⇔ P{X + zα/2 √σn > µ > X − zα/2 √σn } = 1 − α.

⇔ P{X − zα/2 √σn < µ < X + zα/2 √σn } = 1 − α.

µ
On peut aussi écrire IC1−α = [X ± zα/2 √σn ]

10 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
IC1−α =

11 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
IC1−α = [X ± zα/2 √σn ]

11 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
IC1−α = [X ± zα/2 √σn ]

Application 1 :
Soit une variable X suivant une loi normale de moyenne µ inconnue
et d’écart type σ=2.
On a tiré au sort 100 individus de la population et calculé une
moyenne d’échantillonnage est égale à 11.
1. Calculez l’intervalle de confiance de µ à 95%

11 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
IC1−α = [X ± zα/2 √σn ]

Application 1 :
Soit une variable X suivant une loi normale de moyenne µ inconnue
et d’écart type σ=2.
On a tiré au sort 100 individus de la population et calculé une
moyenne d’échantillonnage est égale à 11.
1. Calculez l’intervalle de confiance de µ à 95%
µ
IC0.95 =

11 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
IC1−α = [X ± zα/2 √σn ]

Application 1 :
Soit une variable X suivant une loi normale de moyenne µ inconnue
et d’écart type σ=2.
On a tiré au sort 100 individus de la population et calculé une
moyenne d’échantillonnage est égale à 11.
1. Calculez l’intervalle de confiance de µ à 95%
µ 2
IC0.95 = [11 ± 1, 96 √100 ]=

11 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
IC1−α = [X ± zα/2 √σn ]

Application 1 :
Soit une variable X suivant une loi normale de moyenne µ inconnue
et d’écart type σ=2.
On a tiré au sort 100 individus de la population et calculé une
moyenne d’échantillonnage est égale à 11.
1. Calculez l’intervalle de confiance de µ à 95%
µ 2
IC0.95 = [11 ± 1, 96 √100 ] = [11 ± 0, 392] = [10,608 ; 11,392].

11 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
IC1−α = [X ± zα/2 √σn ]

Application 1 :
Soit une variable X suivant une loi normale de moyenne µ inconnue
et d’écart type σ=2.
On a tiré au sort 100 individus de la population et calculé une
moyenne d’échantillonnage est égale à 11.
1. Calculez l’intervalle de confiance de µ à 95%
µ 2
IC0.95 = [11 ± 1, 96 √100 ] = [11 ± 0, 392] = [10,608 ; 11,392].
2. Calculez l’intervalle de confiance de µ à 99%

11 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
IC1−α = [X ± zα/2 √σn ]

Application 1 :
Soit une variable X suivant une loi normale de moyenne µ inconnue
et d’écart type σ=2.
On a tiré au sort 100 individus de la population et calculé une
moyenne d’échantillonnage est égale à 11.
1. Calculez l’intervalle de confiance de µ à 95%
µ 2
IC0.95 = [11 ± 1, 96 √100 ] = [11 ± 0, 392] = [10,608 ; 11,392].
2. Calculez l’intervalle de confiance de µ à 99%
µ
IC0.99 =

11 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
IC1−α = [X ± zα/2 √σn ]

Application 1 :
Soit une variable X suivant une loi normale de moyenne µ inconnue
et d’écart type σ=2.
On a tiré au sort 100 individus de la population et calculé une
moyenne d’échantillonnage est égale à 11.
1. Calculez l’intervalle de confiance de µ à 95%
µ 2
IC0.95 = [11 ± 1, 96 √100 ] = [11 ± 0, 392] = [10,608 ; 11,392].
2. Calculez l’intervalle de confiance de µ à 99%
µ 2
IC0.99 = [11 ± 2, 58 √100 ]=

11 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
IC1−α = [X ± zα/2 √σn ]

Application 1 :
Soit une variable X suivant une loi normale de moyenne µ inconnue
et d’écart type σ=2.
On a tiré au sort 100 individus de la population et calculé une
moyenne d’échantillonnage est égale à 11.
1. Calculez l’intervalle de confiance de µ à 95%
µ 2
IC0.95 = [11 ± 1, 96 √100 ] = [11 ± 0, 392] = [10,608 ; 11,392].
2. Calculez l’intervalle de confiance de µ à 99%
µ 2
IC0.99 = [11 ± 2, 58 √100 ] = [11 ± 0, 516] = [10,484 ; 11,516].

11 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

X −µ
Si σ est inconnu, S
√
n

12 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

X −µ
Si σ est inconnu, S
√
∼ St(n − 1).
n

12 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

X −µ
Si σ est inconnu, S
√
∼ St(n − 1).
n

Grâce à la table statistique bilatérale de la loi de Student, on va

déterminer −tα/2 et tα/2 tel que P{−tα/2 < X√−µ S < tα/2 } = 1 − α.
n

12 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

13 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
On peut démontrer que : IC1−α =

14 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
On peut démontrer que : IC1−α = [X ± tα/2 √sn ]

14 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
On peut démontrer que : IC1−α = [X ± tα/2 √sn ]

Application 2 :
L’analyse d’un échantillon aléatoire de 100 directeurs financiers
révèle un revenu moyen de 3 800e avec un écart-type corrigé de
300 e.
⇒ Encadrez le revenu moyen de la population des directeurs
financiers avec un niveau de confiance de 95%.

14 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
On peut démontrer que : IC1−α = [X ± tα/2 √sn ]

Application 2 :
L’analyse d’un échantillon aléatoire de 100 directeurs financiers
révèle un revenu moyen de 3 800e avec un écart-type corrigé de
300 e.
⇒ Encadrez le revenu moyen de la population des directeurs
financiers avec un niveau de confiance de 95%.
µ
IC0.95 =

14 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
On peut démontrer que : IC1−α = [X ± tα/2 √sn ]

Application 2 :
L’analyse d’un échantillon aléatoire de 100 directeurs financiers
révèle un revenu moyen de 3 800e avec un écart-type corrigé de
300 e.
⇒ Encadrez le revenu moyen de la population des directeurs
financiers avec un niveau de confiance de 95%.
µ
IC0.95 = [3800 ± 1, 96 √300
100
]=

14 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ
On peut démontrer que : IC1−α = [X ± tα/2 √sn ]

Application 2 :
L’analyse d’un échantillon aléatoire de 100 directeurs financiers
révèle un revenu moyen de 3 800e avec un écart-type corrigé de
300 e.
⇒ Encadrez le revenu moyen de la population des directeurs
financiers avec un niveau de confiance de 95%.
µ
IC0.95 = [3800 ± 1, 96 √300
100
] = [3800 ± 58, 8] = [3 741,2 ; 3 858,8].

14 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ µ
Remarques sur IC1−α = [X ± zα/2 √σn ] et IC1−α = [X ± tα/2 √sn ] :
I Les bornes de confiance vérifient généralement la relation
suivante :
Bornes de l’intervalle = [Estimation ± marge d’erreur]

15 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ µ
Remarques sur IC1−α = [X ± zα/2 √σn ] et IC1−α = [X ± tα/2 √sn ] :
I Les bornes de confiance vérifient généralement la relation
suivante :
Bornes de l’intervalle = [Estimation ± marge d’erreur]
I Marge d’erreur = Marge d’échantillonnage
I Marge d’erreur relative = marge d’erreur/ estimation

15 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ µ
Remarques sur IC1−α = [X ± zα/2 √σn ] et IC1−α = [X ± tα/2 √sn ] :
I Les bornes de confiance vérifient généralement la relation
suivante :
Bornes de l’intervalle = [Estimation ± marge d’erreur]
I Marge d’erreur = Marge d’échantillonnage
I Marge d’erreur relative = marge d’erreur/ estimation
I Plus n est élevé, plus la marge d’erreur sera

15 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ µ
Remarques sur IC1−α = [X ± zα/2 √σn ] et IC1−α = [X ± tα/2 √sn ] :
I Les bornes de confiance vérifient généralement la relation
suivante :
Bornes de l’intervalle = [Estimation ± marge d’erreur]
I Marge d’erreur = Marge d’échantillonnage
I Marge d’erreur relative = marge d’erreur/ estimation
I Plus n est élevé, plus la marge d’erreur sera faible

15 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ µ
Remarques sur IC1−α = [X ± zα/2 √σn ] et IC1−α = [X ± tα/2 √sn ] :
I Les bornes de confiance vérifient généralement la relation
suivante :
Bornes de l’intervalle = [Estimation ± marge d’erreur]
I Marge d’erreur = Marge d’échantillonnage
I Marge d’erreur relative = marge d’erreur/ estimation
I Plus n est élevé, plus la marge d’erreur sera faible
⇒ La taille de l’échantillon a un impact, pas celle de la
population !

15 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ µ
Remarques sur IC1−α = [X ± zα/2 √σn ] et IC1−α = [X ± tα/2 √sn ] :
I Pour réduire une marge d’erreur de moitié, il faut multiplier le
nombre d’observations dans l’échantillon par

16 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ µ
Remarques sur IC1−α = [X ± zα/2 √σn ] et IC1−α = [X ± tα/2 √sn ] :
I Pour réduire une marge d’erreur de moitié, il faut multiplier le
nombre d’observations dans l’échantillon par 4.

16 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ µ
Remarques sur IC1−α = [X ± zα/2 √σn ] et IC1−α = [X ± tα/2 √sn ] :
I Pour réduire une marge d’erreur de moitié, il faut multiplier le
nombre d’observations dans l’échantillon par 4.
I À taille d’échantillon donnée, plus la population est homogène
(σ faible), plus la marge d’erreur est

16 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ µ
Remarques sur IC1−α = [X ± zα/2 √σn ] et IC1−α = [X ± tα/2 √sn ] :
I Pour réduire une marge d’erreur de moitié, il faut multiplier le
nombre d’observations dans l’échantillon par 4.
I À taille d’échantillon donnée, plus la population est homogène
(σ faible), plus la marge d’erreur est faible
I Plus le niveau de confiance est élevé, plus l’IC sera

16 / 64
Intervalle de confiance Tests d’hypothèses

2- IC de l’espérance d’une population

2- IC de l’espérance d’une population

µ µ
Remarques sur IC1−α = [X ± zα/2 √σn ] et IC1−α = [X ± tα/2 √sn ] :
I Pour réduire une marge d’erreur de moitié, il faut multiplier le
nombre d’observations dans l’échantillon par 4.
I À taille d’échantillon donnée, plus la population est homogène
(σ faible), plus la marge d’erreur est faible
I Plus le niveau de confiance est élevé, plus l’IC sera large et
donc moins précis.
⇒ Gagner en fiabilité nécessite de perdre en précision (et vice
versa).

16 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3. IC de la proportion d’une population

17 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3. IC de la proportion d’une population

Rappel :
le meilleur estimateur de la proportion d’une population (π) est la
proportion de l’échantillon, F.

17 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3. IC de la proportion d’une population

Rappel :
le meilleur estimateur de la proportion d’une population (π) est la
proportion de l’échantillon, F.

Si n est grand (n > 30) et que la proportion de la population π

n’est pas trop proche de 0 ou 1 (nπ>5 et n(1 − π)>5),

17 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3. IC de la proportion d’une population

Rappel :
le meilleur estimateur de la proportion d’une population (π) est la
proportion de l’échantillon, F.

Si n est grand (n > 30) et que la proportion de la population π

n’est pas trop proche de 0 ou 1 (nπ>5 et n(1 − π)>5), dans les
échantillons aléatoires, F suit approximativement la loi normale :

17 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3. IC de la proportion d’une population

Rappel :
le meilleur estimateur de la proportion d’une population (π) est la
proportion de l’échantillon, F.

Si n est grand (n > 30) et que la proportion de la population π

n’est pas trop proche de 0 ou 1 (nπ>5 et n(1 − π)>5), dans les
échantillons
 q aléatoires,
 F suit approximativement la loi normale :
π(1−π)
N π, n

17 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
On peut démontrer que IC1−α =

18 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

 q 
π π(1−π)
On peut démontrer que IC1−α = F ± zα/2 n

18 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

 q 
π π(1−π)
On peut démontrer que IC1−α = F ± zα/2 n

Application tirée Hahn et Macé (2012) p.177 :

Le gestionnaire d’un self-service souhaite tester la satisfaction des
usagers de ce restaurant. Il sélectionne un échantillon de 60
usagers. Parmi eux, 42 se déclarent globalement satisfaits.
Calculez un IC à 99% de la proportion de satisfaits sur
l’ensemble des usagers.

18 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

 q 
π π(1−π)
On peut démontrer que IC1−α = F ± zα/2 n

Application tirée Hahn et Macé (2012) p.177 :

Le gestionnaire d’un self-service souhaite tester la satisfaction des
usagers de ce restaurant. Il sélectionne un échantillon de 60
usagers. Parmi eux, 42 se déclarent globalement satisfaits.
Calculez un IC à 99% de la proportion de satisfaits sur
l’ensemble des usagers.

Problème ?

18 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

 q 
π π(1−π)
On peut démontrer que IC1−α = F ± zα/2 n

Application tirée Hahn et Macé (2012) p.177 :

Le gestionnaire d’un self-service souhaite tester la satisfaction des
usagers de ce restaurant. Il sélectionne un échantillon de 60
usagers. Parmi eux, 42 se déclarent globalement satisfaits.
Calculez un IC à 99% de la proportion de satisfaits sur
l’ensemble des usagers.

Problème ? L’IC est incalculable !

18 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
Pour pouvoir calculer IC1−α :
I Solution 1 : la méthode par défaut

19 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
Pour pouvoir calculer IC1−α :
I Solution 1 : la méthode par défaut
⇒ On remplace π(1 − π) par F (1 − F ).
π
On a alors IC1−α =

19 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
Pour pouvoir calculer IC1−α :
I Solution 1 : la méthode par défaut
⇒ On remplace π(1− π) par F (1 − F ). 
q
π F (1−F )
On a alors IC1−α = F ± zα/2 n

19 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
Pour pouvoir calculer IC1−α :
I Solution 1 : la méthode par défaut
⇒ On remplace π(1− π) par F (1 − F ). 
q
π F (1−F )
On a alors IC1−α = F ± zα/2 n
Retour à notre exemple :
Le gestionnaire d’un self-service souhaite tester la satisfaction
des usagers de ce restaurant. Il sélectionne un échantillon de
60 usagers. Parmi eux, 42 se déclarent globalement satisfaits.
Calculez un IC à 99% de la proportion de satisfaits sur
l’ensemble des usagers.
π
IC0,99 =

19 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
Pour pouvoir calculer IC1−α :
I Solution 1 : la méthode par défaut
⇒ On remplace π(1− π) par F (1 − F ). 
q
π F (1−F )
On a alors IC1−α = F ± zα/2 n
Retour à notre exemple :
Le gestionnaire d’un self-service souhaite tester la satisfaction
des usagers de ce restaurant. Il sélectionne un échantillon de
60 usagers. Parmi eux, 42 se déclarent globalement satisfaits.
Calculez un IC à 99% de la proportion de satisfaits sur
l’ensemble
 des usagers. 
q
π 0,7×0,3
IC0,99 = 0, 7 ± 2, 58 × 60 =

19 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
Pour pouvoir calculer IC1−α :
I Solution 1 : la méthode par défaut
⇒ On remplace π(1− π) par F (1 − F ). 
q
π F (1−F )
On a alors IC1−α = F ± zα/2 n
Retour à notre exemple :
Le gestionnaire d’un self-service souhaite tester la satisfaction
des usagers de ce restaurant. Il sélectionne un échantillon de
60 usagers. Parmi eux, 42 se déclarent globalement satisfaits.
Calculez un IC à 99% de la proportion de satisfaits sur
l’ensemble
 des usagers. 
q
π 0,7×0,3
IC0,99 = 0, 7 ± 2, 58 × 60 =[0, 7 ± 0, 15] =
[0, 55; 0, 85]
19 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
Pour pouvoir calculer IC1−α :
I Solution 2 : la méthode par excès

20 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
Pour pouvoir calculer IC1−α :
I Solution 2 : la méthode par excès
⇒ On remplace π(1 − π) par la plus grande valeur que cette
expression puisse atteindre : 1/4.
π
On a alors IC1−α =

20 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
Pour pouvoir calculer IC1−α :
I Solution 2 : la méthode par excès
⇒ On remplace π(1 − π) par la plus grande valeur que cette
expression puisse atteindre
h : 1/4.
q i
π 1
On a alors IC1−α = F ± zα/2 4n
Retour à notre exemple :
Le gestionnaire d’un self-service souhaite tester la satisfaction
des usagers de ce restaurant. Il sélectionne un échantillon de
60 usagers. Parmi eux, 42 se déclarent globalement satisfaits.
Calculez un IC à 99% de la proportion de satisfaits sur
l’ensemble des usagers.

20 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
Pour pouvoir calculer IC1−α :
I Solution 2 : la méthode par excès
⇒ On remplace π(1 − π) par la plus grande valeur que cette
expression puisse atteindre
h : 1/4.
q i
π 1
On a alors IC1−α = F ± zα/2 4n
Retour à notre exemple :
Le gestionnaire d’un self-service souhaite tester la satisfaction
des usagers de ce restaurant. Il sélectionne un échantillon de
60 usagers. Parmi eux, 42 se déclarent globalement satisfaits.
Calculez un IC à 99% de la proportion de satisfaits sur
l’ensemble des usagers.
π
IC0,99 =
20 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
Pour pouvoir calculer IC1−α :
I Solution 2 : la méthode par excès
⇒ On remplace π(1 − π) par la plus grande valeur que cette
expression puisse atteindre
h : 1/4.
q i
π 1
On a alors IC1−α = F ± zα/2 4n
Retour à notre exemple :
Le gestionnaire d’un self-service souhaite tester la satisfaction
des usagers de ce restaurant. Il sélectionne un échantillon de
60 usagers. Parmi eux, 42 se déclarent globalement satisfaits.
Calculez un IC à 99% de la proportion de satisfaits sur
l’ensemble
h des usagers. q i
π 1
IC0,99 = 0, 7 ± 2, 58 × 4×60 =
20 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

π
Pour pouvoir calculer IC1−α :
I Solution 2 : la méthode par excès
⇒ On remplace π(1 − π) par la plus grande valeur que cette
expression puisse atteindre
h : 1/4.
q i
π 1
On a alors IC1−α = F ± zα/2 4n
Retour à notre exemple :
Le gestionnaire d’un self-service souhaite tester la satisfaction
des usagers de ce restaurant. Il sélectionne un échantillon de
60 usagers. Parmi eux, 42 se déclarent globalement satisfaits.
Calculez un IC à 99% de la proportion de satisfaits sur
l’ensemble
h des usagers. q i
π 1
IC0,99 = 0, 7 ± 2, 58 × 4×60 =[0, 7 ± 0, 17] = [0, 53; 0, 87]
20 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

 q 
π π(1−π)
Remarques sur IC1−α = F ± zα/2 n :

21 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

 q 
π π(1−π)
Remarques sur IC1−α = F ± zα/2 n :
I Plus l’effectif est important plus, la marge d’erreur est

21 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

 q 
π π(1−π)
Remarques sur IC1−α = F ± zα/2 n :
I Plus l’effectif est important plus, la marge d’erreur est faible

21 / 64
Intervalle de confiance Tests d’hypothèses

3- IC de la proportion d’une population

3- IC de la proportion d’une population

 q 
π π(1−π)
Remarques sur IC1−α = F ± zα/2 n :
I Plus l’effectif est important plus, la marge d’erreur est faible
I Plus π tend vers 50%, plus la marge d’erreur est importante

21 / 64
Intervalle de confiance Tests d’hypothèses

Rappels

Grâce aux distributions et aux propriétés des estimateurs (e.g. X ,

F ), on peut utiliser plusieurs outils pour avoir une idée du
paramètre recherché de la population (e.g. µ, π) lorsque l’on a un
échantillon aléatoire de cette dernière :
I L’estimation ponctuelle (e.g. x, f ) de ce paramètre

22 / 64
Intervalle de confiance Tests d’hypothèses

Rappels

Grâce aux distributions et aux propriétés des estimateurs (e.g. X ,

F ), on peut utiliser plusieurs outils pour avoir une idée du
paramètre recherché de la population (e.g. µ, π) lorsque l’on a un
échantillon aléatoire de cette dernière :
I L’estimation ponctuelle (e.g. x, f ) de ce paramètre
µ
I L’intervalle de confiance à 1 − α de ce paramètre, IC1−α ou
π
IC1−α

22 / 64
Intervalle de confiance Tests d’hypothèses

Rappels

Grâce aux distributions et aux propriétés des estimateurs (e.g. X ,

F ), on peut utiliser plusieurs outils pour avoir une idée du
paramètre recherché de la population (e.g. µ, π) lorsque l’on a un
échantillon aléatoire de cette dernière :
I L’estimation ponctuelle (e.g. x, f ) de ce paramètre
µ
I L’intervalle de confiance à 1 − α de ce paramètre, IC1−α ou
π
IC1−α
I Les tests d’hypothèses sur ce paramètre

22 / 64
Intervalle de confiance Tests d’hypothèses

II. Les tests d’hypothèses

23 / 64
Intervalle de confiance Tests d’hypothèses

Définition

Définition

24 / 64
Intervalle de confiance Tests d’hypothèses

Définition

Les hypothèses statistiques sont des assertions au sujet d’une

population

25 / 64
Intervalle de confiance Tests d’hypothèses

Définition

Les hypothèses statistiques sont des assertions au sujet d’une

population que l’on teste à l’aide d’un échantillon issu de cette
dernière.

25 / 64
Intervalle de confiance Tests d’hypothèses

Définition

Les hypothèses statistiques sont des assertions au sujet d’une

population que l’on teste à l’aide d’un échantillon issu de cette
dernière.

On abordera dans ce cours les tests :

1. de comparaison de moyenne à une norme
2. d’indépendance

25 / 64
Intervalle de confiance Tests d’hypothèses

Définition

Les hypothèses statistiques sont des assertions au sujet d’une

population que l’on teste à l’aide d’un échantillon issu de cette
dernière.

On abordera dans ce cours les tests :

1. de comparaison de moyenne à une norme
2. d’indépendance

Un test statistique est toujours associé à trois éléments :

1. Une hypothèse nulle et une hypothèse alternative

25 / 64
Intervalle de confiance Tests d’hypothèses

Définition

Les hypothèses statistiques sont des assertions au sujet d’une

population que l’on teste à l’aide d’un échantillon issu de cette
dernière.

On abordera dans ce cours les tests :

1. de comparaison de moyenne à une norme
2. d’indépendance

Un test statistique est toujours associé à trois éléments :

1. Une hypothèse nulle et une hypothèse alternative
2. Le risque de première espèce

25 / 64
Intervalle de confiance Tests d’hypothèses

Définition

Les hypothèses statistiques sont des assertions au sujet d’une

population que l’on teste à l’aide d’un échantillon issu de cette
dernière.

On abordera dans ce cours les tests :

1. de comparaison de moyenne à une norme
2. d’indépendance

Un test statistique est toujours associé à trois éléments :

1. Une hypothèse nulle et une hypothèse alternative
2. Le risque de première espèce
3. Une statistique de test

25 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

1. Tests de comparaison de moyenne à une norme

26 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

1. Tests de comparaison de moyenne à une norme

Application 3 :
Soucieuse de son image et de sa marge de profit, une entreprise
conditionnant des petits pois en conserve souhaite vérifier si le
poids réel de ses conserves est bien de 400g comme indiqué sur leur
étiquette.

26 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

1. Tests de comparaison de moyenne à une norme

Application 3 :
Soucieuse de son image et de sa marge de profit, une entreprise
conditionnant des petits pois en conserve souhaite vérifier si le
poids réel de ses conserves est bien de 400g comme indiqué sur leur
étiquette.
Pour cela, un échantillon de 100 boîtes de conserves sortant de la
chaîne de production a été tiré au sort. Leur poids moyen est de
397g avec un écart-type corrigé de 10g.

26 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

27 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

Dans un test statistique, on teste la validité d’une hypothèse de
référence (dite hypothèse nulle, notée H0 ), contre une hypothèse
alternative, notée H1 .

27 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

Dans un test statistique, on teste la validité d’une hypothèse de
référence (dite hypothèse nulle, notée H0 ), contre une hypothèse
alternative, notée H1 .

Application 3 :

27 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

Dans un test statistique, on teste la validité d’une hypothèse de
référence (dite hypothèse nulle, notée H0 ), contre une hypothèse
alternative, notée H1 .

Application 3 :
H0 : les boîtes de conserves font en moyenne le poids indiqué sur
l’étiquette (µ= 400g)

27 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

Dans un test statistique, on teste la validité d’une hypothèse de
référence (dite hypothèse nulle, notée H0 ), contre une hypothèse
alternative, notée H1 .

Application 3 :
H0 : les boîtes de conserves font en moyenne le poids indiqué sur
l’étiquette (µ= 400g)

Remarques :
I Les hypothèses portent toujours sur les paramètres de la
population.

27 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

Dans un test statistique, on teste la validité d’une hypothèse de
référence (dite hypothèse nulle, notée H0 ), contre une hypothèse
alternative, notée H1 .

Application 3 :
H0 : les boîtes de conserves font en moyenne le poids indiqué sur
l’étiquette (µ= 400g)

Remarques :
I Les hypothèses portent toujours sur les paramètres de la
population.
I H0 représente en général le statu quo, l’absence d’effet.

27 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

Dans un test statistique, on teste la validité d’une hypothèse de
référence (dite hypothèse nulle, notée H0 ), contre une hypothèse
alternative, notée H1 .

Application 3 :
H0 : les boîtes de conserves font en moyenne le poids indiqué sur
l’étiquette (µ= 400g)

Remarques :
I Les hypothèses portent toujours sur les paramètres de la
population.
I H0 représente en général le statu quo, l’absence d’effet.
I C’est l’hypothèse H0 qui est testée et qui sera rejetée ou non.
27 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

L’hypothèse alternative, notée H1 :
I décrit une évolution, écart par rapport à la situation de
référence.

28 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

L’hypothèse alternative, notée H1 :
I décrit une évolution, écart par rapport à la situation de
référence.
I n’est pas nécessairement le complémentaire de H0

28 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

L’hypothèse alternative, notée H1 :
I décrit une évolution, écart par rapport à la situation de
référence.
I n’est pas nécessairement le complémentaire de H0
I sa définition dépend du problème posé

28 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

L’hypothèse alternative, notée H1 :
I décrit une évolution, écart par rapport à la situation de
référence.
I n’est pas nécessairement le complémentaire de H0
I sa définition dépend du problème posé

Soit une constante µ0 , on distinguera :

28 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

L’hypothèse alternative, notée H1 :
I décrit une évolution, écart par rapport à la situation de
référence.
I n’est pas nécessairement le complémentaire de H0
I sa définition dépend du problème posé

Soit une constante µ0 , on distinguera :

I Les tests unilatéraux :

28 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

L’hypothèse alternative, notée H1 :
I décrit une évolution, écart par rapport à la situation de
référence.
I n’est pas nécessairement le complémentaire de H0
I sa définition dépend du problème posé

Soit une constante µ0 , on distinguera :

I Les tests unilatéraux :
I À gauche H0 : µ = µ0 , contre H1 : µ < µ0

28 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

L’hypothèse alternative, notée H1 :
I décrit une évolution, écart par rapport à la situation de
référence.
I n’est pas nécessairement le complémentaire de H0
I sa définition dépend du problème posé

Soit une constante µ0 , on distinguera :

I Les tests unilatéraux :
I À gauche H0 : µ = µ0 , contre H1 : µ < µ0
I À droite H0 : µ = µ0 , contre H1 : µ > µ0

28 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

L’hypothèse alternative, notée H1 :
I décrit une évolution, écart par rapport à la situation de
référence.
I n’est pas nécessairement le complémentaire de H0
I sa définition dépend du problème posé

Soit une constante µ0 , on distinguera :

I Les tests unilatéraux :
I À gauche H0 : µ = µ0 , contre H1 : µ < µ0
I À droite H0 : µ = µ0 , contre H1 : µ > µ0
I Du test bilatéral H0 :

28 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

L’hypothèse alternative, notée H1 :
I décrit une évolution, écart par rapport à la situation de
référence.
I n’est pas nécessairement le complémentaire de H0
I sa définition dépend du problème posé

Soit une constante µ0 , on distinguera :

I Les tests unilatéraux :
I À gauche H0 : µ = µ0 , contre H1 : µ < µ0
I À droite H0 : µ = µ0 , contre H1 : µ > µ0
I Du test bilatéral H0 : µ = µ0 , contre H1 : µ 6= µ0

28 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

Si l’entreprise souhaite vérifier qu’elle remplit bien ses engagements
vis-à-vis de ses clients en indiquant un poids de 400g.

29 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

Si l’entreprise souhaite vérifier qu’elle remplit bien ses engagements
vis-à-vis de ses clients en indiquant un poids de 400g.
⇒ Test unilatéral à gauche :

H0 : µ= 400g
H1 : µ< 400g

29 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

Si l’entreprise souhaite vérifier qu’elle remplit bien ses engagements
vis-à-vis de ses clients en indiquant un poids de 400g.
⇒ Test unilatéral à gauche :

H0 : µ= 400g
H1 : µ< 400g

Si l’entreprise souhaite vérifier qu’elle ne remplit pas trop ses

conserves (→ gaspillage dans le processus de conditionnement).

29 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

Si l’entreprise souhaite vérifier qu’elle remplit bien ses engagements
vis-à-vis de ses clients en indiquant un poids de 400g.
⇒ Test unilatéral à gauche :

H0 : µ= 400g
H1 : µ< 400g

Si l’entreprise souhaite vérifier qu’elle ne remplit pas trop ses

conserves (→ gaspillage dans le processus de conditionnement).
⇒ Test unilatéral à droite :

H0 : µ= 400g
H1 : µ> 400g

29 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

Si l’entreprise souhaite vérifier qu’elle remplit exactement ses

conserves du poids indiqué.

30 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

a. Hypothèse nulle et hypothèse alternative

Si l’entreprise souhaite vérifier qu’elle remplit exactement ses

conserves du poids indiqué.
⇒ Test bilatéral :


H0 : µ= 400g
H1 : µ 6= 400g

30 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Le risque de première espèce

31 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Le risque de première espèce

Il y a quatre cas de figure possibles :

31 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Le risque de première espèce

Il y a quatre cas de figure possibles :

Décision
Non-rejet de H0 Rejet de H0
H0 est vraie
Réalité
H0 est fausse

31 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Des risques de première espèce et de seconde espèce

Rappel : Les hypothèses statistiques sont des assertions au sujet

d’une population que l’on teste à l’aide d’un échantillon issu de
cette population.

Il y a quatre cas de figure possibles :

Décision
Non-rejet de H0 Rejet de H0
H0 est vraie Décision correcte
Réalité
H0 est fausse

32 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Des risques de première espèce et de seconde espèce

Il y a quatre cas de figure possibles :

Décision
Non-rejet de H0 Rejet de H0
H0 est vraie Décision correcte
Réalité
H0 est fausse Décision correcte

33 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Des risques de première espèce et de seconde espèce

Il y a quatre cas de figure possibles :

Décision
Non-rejet de H0 Rejet de H0
H0 est vraie Décision correcte Erreur de type I
Réalité
H0 est fausse Décision correcte

Le risque I ou risque de première espèce, noté α, est le risque

34 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Des risques de première espèce et de seconde espèce

Il y a quatre cas de figure possibles :

Décision
Non-rejet de H0 Rejet de H0
H0 est vraie Décision correcte Erreur de type I
Réalité
H0 est fausse Décision correcte

Le risque I ou risque de première espèce, noté α, est le risque de

rejeter H0 , alors qu’elle est vraie.

34 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Des risques de première espèce et de seconde espèce

Il y a quatre cas de figure possibles :

Décision
Non-rejet de H0 Rejet de H0
H0 est vraie Décision correcte Erreur de type I
Réalité
H0 est fausse Décision correcte

Le risque I ou risque de première espèce, noté α, est le risque de

rejeter H0 , alors qu’elle est vraie.

On le fixe généralement à 5% ou à 1%.

34 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Des risques de première espèce et de seconde espèce

Il y a quatre cas de figure possibles :

Décision
Non-rejet de H0 Rejet de H0
H0 est vraie Décision correcte Erreur de type I
Réalité
H0 est fausse Erreur de type II Décision correcte
Le risque II ou risque de seconde espèce, noté β, est le risque de

35 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Des risques de première espèce et de seconde espèce

Il y a quatre cas de figure possibles :

Décision
Non-rejet de H0 Rejet de H0
H0 est vraie Décision correcte Erreur de type I
Réalité
H0 est fausse Erreur de type II Décision correcte
Le risque II ou risque de seconde espèce, noté β, est le risque de ne
pas rejeter H0 , alors qu’elle est fausse.

35 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Des risques de première espèce et de seconde espèce

Il y a quatre cas de figure possibles :

Décision
Non-rejet de H0 Rejet de H0
H0 est vraie Décision correcte Erreur de type I
Réalité
H0 est fausse Erreur de type II Décision correcte
Le risque II ou risque de seconde espèce, noté β, est le risque de ne
pas rejeter H0 , alors qu’elle est fausse.

Remarques :

35 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Des risques de première espèce et de seconde espèce

Il y a quatre cas de figure possibles :

Décision
Non-rejet de H0 Rejet de H0
H0 est vraie Décision correcte Erreur de type I
Réalité
H0 est fausse Erreur de type II Décision correcte
Le risque II ou risque de seconde espèce, noté β, est le risque de ne
pas rejeter H0 , alors qu’elle est fausse.

Remarques :
I 1 − β est appelé puissance du test.

35 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

b. Des risques de première espèce et de seconde espèce

Il y a quatre cas de figure possibles :

Décision
Non-rejet de H0 Rejet de H0
H0 est vraie Décision correcte Erreur de type I
Réalité
H0 est fausse Erreur de type II Décision correcte
Le risque II ou risque de seconde espèce, noté β, est le risque de ne
pas rejeter H0 , alors qu’elle est fausse.

Remarques :
I 1 − β est appelé puissance du test.
I Les risques de première et de seconde espèces varient en sens
inverse
35 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

c. Détermination de la statistique du test

36 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

La statistique est la réalisation de la v.a. représentant l’estimateur

du paramètre recherché si H0 est vraie.

37 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

La statistique est la réalisation de la v.a. représentant l’estimateur

du paramètre recherché si H0 est vraie.

Exemple : pour un test de comparaison de moyenne à une norme, si

σ est inconnu et H0 est vraie, X√−µ
S
n

37 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

La statistique est la réalisation de la v.a. représentant l’estimateur

du paramètre recherché si H0 est vraie.

Exemple : pour un test de comparaison de moyenne à une norme, si

σ est inconnu et H0 est vraie, X√−µ
S ∼ St(n − 1).
n

37 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

La statistique est la réalisation de la v.a. représentant l’estimateur

du paramètre recherché si H0 est vraie.

Exemple : pour un test de comparaison de moyenne à une norme, si

σ est inconnu et H0 est vraie, X√−µ
S ∼ St(n − 1).
n

x−µ
On calculera donc tcal = S
√
n

37 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

La statistique est la réalisation de la v.a. représentant l’estimateur

du paramètre recherché si H0 est vraie.

Exemple : pour un test de comparaison de moyenne à une norme, si

σ est inconnu et H0 est vraie, X√−µ
S ∼ St(n − 1).
n

x−µ
On calculera donc tcal = S
√
n

Cette statistique :
I permet de décider du rejet ou du non-rejet de l’hypothèse nulle
en fonction de sa vraissemblance.

37 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

La statistique est la réalisation de la v.a. représentant l’estimateur

du paramètre recherché si H0 est vraie.

Exemple : pour un test de comparaison de moyenne à une norme, si

σ est inconnu et H0 est vraie, X√−µ
S ∼ St(n − 1).
n

x−µ
On calculera donc tcal = S
√
n

Cette statistique :
I permet de décider du rejet ou du non-rejet de l’hypothèse nulle
en fonction de sa vraissemblance.
I est identique que le test soit bilatéral ou unilatéral.

37 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

Retour application 3 :
X −µ
⇒ Calcul de la réalisation de la v.a. S
√
dans notre échantillon si
n
H0 est vraie.

38 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

Retour application 3 :
X −µ
⇒ Calcul de la réalisation de la v.a. S
√
dans notre échantillon si
n
H0 est vraie.

tcal =

38 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

Retour application 3 :
X −µ
⇒ Calcul de la réalisation de la v.a. S
√
dans notre échantillon si
n
H0 est vraie.
397−400
tcal = √10
= −3.
100

38 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

Retour application 3 :
X −µ
⇒ Calcul de la réalisation de la v.a. S
√
dans notre échantillon si
n
H0 est vraie.
397−400
tcal = √10
= −3.
100

38 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

Retour application 3 :
X −µ
⇒ Calcul de la réalisation de la v.a. S
√
dans notre échantillon si
n
H0 est vraie.
397−400
tcal = √10
= −3.
100

On va maintenant pouvoir conclure sur la vraisemblance de H0 à

partir de la réalisation tcal .

38 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

39 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

La région critique est l’ensemble des valeurs de la statistique du
test pour lesquels on rejette H0 .
⇔ Correspond à l’ensemble des réalisations possibles de X√−µ S trop
n
peu vraisemblable si H0 est vraie.

39 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

La région critique est l’ensemble des valeurs de la statistique du
test pour lesquels on rejette H0 .
⇔ Correspond à l’ensemble des réalisations possibles de X√−µ S trop
n
peu vraisemblable si H0 est vraie.
La région critique dépend de la façon dont on a posé le test :

39 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

La région critique est l’ensemble des valeurs de la statistique du
test pour lesquels on rejette H0 .
⇔ Correspond à l’ensemble des réalisations possibles de X√−µ S trop
n
peu vraisemblable si H0 est vraie.
La région critique dépend de la façon dont on a posé le test :

Figure tirée de Hahn (2012) p. 205

39 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

La région critique est l’ensemble des valeurs de la statistique du
test pour lesquels on rejette H0 .
⇔ Correspond à l’ensemble des réalisations possibles de X√−µ S trop
n
peu vraisemblable si H0 est vraie.
La région critique dépend de la façon dont on a posé le test :

Figure tirée de Hahn (2012) p. 205

Remarque : la zone complémentaire de la région critique s’appelle

la région d’acceptabilité 39 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à gauche :
−µ0
Il faut déterminer tα tel que P{ X √s < tα } = α.
n

Figure tirée de Hahn (2012) p. 205.

40 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à gauche :
−µ0
Il faut déterminer tα tel que P{ X √s < tα } = α.
n

Figure tirée de Hahn (2012) p. 205.

Fixons α = 5%.

40 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à gauche :
−µ0
Il faut déterminer tα tel que P{ X √s < tα } = α.
n

Figure tirée de Hahn (2012) p. 205.

Fixons α = 5%.
Cherchons maintenant dans la table de Student t0,05 tel que
−µ0
P{ X √s < t0,05 } = 0, 05.
n
40 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

41 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Posons α = 5%.

42 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Posons α = 5%.
−µ0
On cherche donc t0,05 tel que P{ X √s < t0,05 } = 0, 05.
n
D’après la table statistique unilatéral de Student,

42 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Posons α = 5%.
−µ0
On cherche donc t0,05 tel que P{ X √s < t0,05 } = 0, 05.
n
D’après la table statistique unilatéral de Student,
P{T < 1, 6602} = 95%

42 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Posons α = 5%.
−µ0
On cherche donc t0,05 tel que P{ X √s < t0,05 } = 0, 05.
n
D’après la table statistique unilatéral de Student,
P{T < 1, 6602} = 95%
⇔ P{T < −1, 6602} = 5%, on a donc t0.05 = −1, 6602.

42 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Retour application 3 avec un test unilatéral à gauche :

H0 : µ= 400g
H1 : µ< 400g
Si on fixe α = 5%, alors t0.05 = −1, 6602.

43 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Retour application 3 avec un test unilatéral à gauche :

H0 : µ= 400g
H1 : µ< 400g
Si on fixe α = 5%, alors t0.05 = −1, 6602.
On conclura donc :

43 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Retour application 3 avec un test unilatéral à gauche :

H0 : µ= 400g
H1 : µ< 400g
Si on fixe α = 5%, alors t0.05 = −1, 6602.
On conclura donc :
I Si tcal < −1, 6602, au rejet de H0 , les boîtes de conserves font
moins que le poids indiqué sur l’étiquette

43 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Retour application 3 avec un test unilatéral à gauche :

H0 : µ= 400g
H1 : µ< 400g
Si on fixe α = 5%, alors t0.05 = −1, 6602.
On conclura donc :
I Si tcal < −1, 6602, au rejet de H0 , les boîtes de conserves font
moins que le poids indiqué sur l’étiquette
I Sinon tcal ≥ −1, 6602, que les boîtes de conserves font le
poids indiqué sur l’étiquette (on ne rejette pas H0 ).

43 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Retour application 3 avec un test unilatéral à gauche :

H0 : µ= 400g
H1 : µ< 400g
Si on fixe α = 5%, alors t0.05 = −1, 6602.
On conclura donc :
I Si tcal < −1, 6602, au rejet de H0 , les boîtes de conserves font
moins que le poids indiqué sur l’étiquette
I Sinon tcal ≥ −1, 6602, que les boîtes de conserves font le
poids indiqué sur l’étiquette (on ne rejette pas H0 ).
Dans notre exemple, tcal = −3 < t0.05 , on rejette donc H0 .
⇒ Il est peu probable que le poids des conserves produites est de
400g en moyenne.
43 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Figure tirée de Hahn (2012) p. 205.

En résumé, règle de décision pour un test unilatéral à
gauche :

44 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Figure tirée de Hahn (2012) p. 205.

En résumé, règle de décision pour un test unilatéral à
gauche :
I Si tcal < tα , on rejette H0

44 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Figure tirée de Hahn (2012) p. 205.

En résumé, règle de décision pour un test unilatéral à
gauche :
I Si tcal < tα , on rejette H0
I Si tcal ≥ tα , on ne rejette pas H0 .

44 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à droite

45 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à droite

Retour exemple : Si l’entreprise souhaite vérifier qu’elle ne remplit

pas trop ses conserves (→ gaspillage dans le processus de
conditionnement).

H0 : µ= 400g
H1 : µ> 400g

45 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à droite

Figure tirée de Hahn (2012) p. 205.

46 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à droite

Figure tirée de Hahn (2012) p. 205.

Règle de décision :

46 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à droite

Figure tirée de Hahn (2012) p. 205.

Règle de décision :
I Si tcal > tα , on rejette H0

46 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à droite

Figure tirée de Hahn (2012) p. 205.

Règle de décision :
I Si tcal > tα , on rejette H0
I Si tcal ≤ tα , on ne rejette pas H0 .

46 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à droite

Figure tirée de Hahn (2012) p. 205.

Règle de décision :
I Si tcal > tα , on rejette H0
I Si tcal ≤ tα , on ne rejette pas H0 .

⇒ Déterminons t0,05 à l’aide de la table de Student.

46 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

47 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à droite
D’après la table statistique pour α = 0, 05, t0.05 = 1, 6602.

48 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à droite
D’après la table statistique pour α = 0, 05, t0.05 = 1, 6602.
Retour exemple : Si l’entreprise souhaite vérifier qu’elle ne remplit
pas trop ses conserves (→ gaspillage dans le processus de
conditionnement).

H0 : µ= 400g
H1 : µ> 400g

On a ici tcal = −3

48 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test unilatéral à droite
D’après la table statistique pour α = 0, 05, t0.05 = 1, 6602.
Retour exemple : Si l’entreprise souhaite vérifier qu’elle ne remplit
pas trop ses conserves (→ gaspillage dans le processus de
conditionnement).

H0 : µ= 400g
H1 : µ> 400g

On a ici tcal = −3< t0.05 , on ne rejettera pas H0 .

⇒ Il n’y a pas de raison de penser que le poids des conserves
produites est significativement différent de 400g.

48 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test bilatéral

Figure tirée de Hahn (2012) p. 205.

49 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test bilatéral

Figure tirée de Hahn (2012) p. 205.

Règle de décision :

49 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test bilatéral

Figure tirée de Hahn (2012) p. 205.

Règle de décision :
I Si |tcal | > tα/2 , on rejette H0

49 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test bilatéral

Figure tirée de Hahn (2012) p. 205.

Règle de décision :
I Si |tcal | > tα/2 , on rejette H0
I Si |tcal | ≤ tα/2 , on ne rejette pas H0 .

49 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test bilatéral

Figure tirée de Hahn (2012) p. 205.

Règle de décision :
I Si |tcal | > tα/2 , on rejette H0
I Si |tcal | ≤ tα/2 , on ne rejette pas H0 .

⇒ Déterminons t0,025 à l’aide de la table de Student bilatérale. 49 / 64

Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

50 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test bilatéral
Retour exemple : Si l’entreprise souhaite vérifier qu’elle remplit
exactement ses conserves du poids indiqué.

51 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test bilatéral
Retour exemple : Si l’entreprise souhaite vérifier qu’elle remplit
exactement ses conserves du poids indiqué.


H0 : µ= 400g
H1 : µ 6= 400g

51 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

d. Conclusion à partir de la région critique

Si test bilatéral
Retour exemple : Si l’entreprise souhaite vérifier qu’elle remplit
exactement ses conserves du poids indiqué.


H0 : µ= 400g
H1 : µ 6= 400g

D’après la table statistique, t0.025 = 1, 96.

On a donc |tcal | = 3 > t0.025 , on rejette H0 .
⇒ Il est peu probable que le poids des conserves produites est de
400g en moyenne.

51 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Approche alternative : La probabilité critique (p-value).

52 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Approche alternative : La probabilité critique (p-value).

On teste dans quelle mesure la moyenne d’échantillonnage est
compatible avec H0 en mesurant le risque de rejeter à tort H0 et en
le comparant au risque de première espèce.

52 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Approche alternative : La probabilité critique (p-value).

On teste dans quelle mesure la moyenne d’échantillonnage est
compatible avec H0 en mesurant le risque de rejeter à tort H0 et en
le comparant au risque de première espèce.

Règle de décision pour un test unilatéral à gauche :

I Si la probabilité de rejeter à tort H0 est inférieure à 5%,
P{tcal < tα } < 5%, on rejette H0 .

52 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Approche alternative : La probabilité critique (p-value).

On teste dans quelle mesure la moyenne d’échantillonnage est
compatible avec H0 en mesurant le risque de rejeter à tort H0 et en
le comparant au risque de première espèce.

Règle de décision pour un test unilatéral à gauche :

I Si la probabilité de rejeter à tort H0 est inférieure à 5%,
P{tcal < tα } < 5%, on rejette H0 .
I Sinon, on ne rejette pas H0 .

52 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Approche alternative : La probabilité critique (p-value).

53 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Approche alternative : La probabilité critique (p-value).

Si H0 est vraie (µ = 400), quelle est la probabilité d’observer un

poids moyen aussi faible que 397g dans un échantillon ⇔
P{X < 397|H0 vraie}= ?

53 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Approche alternative : La probabilité critique (p-value).

Si H0 est vraie (µ = 400), quelle est la probabilité d’observer un

poids moyen aussi faible que 397g dans un échantillon ⇔
P{X < 397|H0 vraie}= ?
⇔ 
X −400 397−400
P √10
< √10 |H0 vraie =
100 100

53 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Approche alternative : La probabilité critique (p-value).

Si H0 est vraie (µ = 400), quelle est la probabilité d’observer un

poids moyen aussi faible que 397g dans un échantillon ⇔
P{X < 397|H0 vraie}= ?
⇔   
X −400 397−400 X −400
P √10
< √10 |H0 vraie =P √10
< −3|H0 vraie =
100 100 100

53 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Approche alternative : La probabilité critique (p-value).

Si H0 est vraie (µ = 400), quelle est la probabilité d’observer un

poids moyen aussi faible que 397g dans un échantillon ⇔
P{X < 397|H0 vraie}= ?
⇔   
X −400 397−400 X −400
P √10
< √10 |H0 vraie =P √10
< −3|H0 vraie =0.13%.
100 100 100
Si le poids moyen des boîtes de conserves est de 400g, il y a une
probabilité de 0.51% d’observer dans un échantillon une moyenne
inférieure à 397.

53 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Approche alternative : La probabilité critique (p-value).

Si H0 est vraie (µ = 400), quelle est la probabilité d’observer un

poids moyen aussi faible que 397g dans un échantillon ⇔
P{X < 397|H0 vraie}= ?
⇔   
X −400 397−400 X −400
P √10
< √10 |H0 vraie =P √10
< −3|H0 vraie =0.13%.
100 100 100
Si le poids moyen des boîtes de conserves est de 400g, il y a une
probabilité de 0.51% d’observer dans un échantillon une moyenne
inférieure à 397.
⇔ Cette probabilité est inférieure à α = 5%, on rejette H0 .

53 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Remarque :

54 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Remarque :
Conclusion si on avait calculé que P{X < 397|H0 vraie}=0,56 ?

54 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Remarque :
Conclusion si on avait calculé que P{X < 397|H0 vraie}=0,56 ?
On aurait conclut que l’échantillon ne permet pas d’infirmer H0

54 / 64
Intervalle de confiance Tests d’hypothèses

1. Tests de comparaison de moyenne à une norme

e. Conclusion à partir de la probabilité critique

Remarque :
Conclusion si on avait calculé que P{X < 397|H0 vraie}=0,56 ?
On aurait conclut que l’échantillon ne permet pas d’infirmer H0
⇔ Il n’y a donc pas de raison de rejeter H0

54 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

55 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

Test statistique :
I fréquemment utilisé
I permettant de déterminer si deux variables sont indépendantes
au niveau de la population

55 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

Test statistique :
I fréquemment utilisé
I permettant de déterminer si deux variables sont indépendantes
au niveau de la population

Rappels :

55 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

Test statistique :
I fréquemment utilisé
I permettant de déterminer si deux variables sont indépendantes
au niveau de la population

Rappels : Il y a indépendance statistique entre deux événements E1

et E2 , si le fait que E2 (respectivement E1 ) se réalise n’influe pas
sur la réalisation (ou la non-réalisation) de E1 (resp. E2 ).

55 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

Rappel exemple : 100 entreprises présentant des difficultés de

trésorerie sont placées sous surveillance.
I 50 décident une modernisation de leur gestion.
À la fin de leur période d’observation, on constate que 20
d’entre elles ont finalement fait faillite.
I Sur les 50 qui n’ont pas modifié leur gestion, 40 ont fait faillite.

56 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

À partir des effectifs observés et théoriques, on peut calculer le

degré d’indépendance entre deux variables avec le coefficient du
P (N −T )2
Khi-deux : χ2 = ij ij Tij ij .

M M Total M M Total
F 20 40 60 F 30 30 60
F 30 10 40 F 20 20 40
Total 50 50 100 Total 50 50 100
Table – des effectifs observés Table – des effectifs théoriques

57 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

À partir des effectifs observés et théoriques, on peut calculer le

degré d’indépendance entre deux variables avec le coefficient du
P (N −T )2
Khi-deux : χ2 = ij ij Tij ij .

M M Total M M Total
F 20 40 60 F 30 30 60
F 30 10 40 F 20 20 40
Total 50 50 100 Total 50 50 100
Table – des effectifs observés Table – des effectifs théoriques

On avait
P calculé :
(N −T )2 (20−30)2 (40−30)2 (30−20)2 (10−20)2
χ2 = ij ij Tij ij = 30 + 30 + 20 + 20
50
⇒ χ2 = 3 = 16, 67
57 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

Supposons que ces observations sont des entreprises tirées au sort

avec remise parmi la population des entreprises présentant des
difficultés de trésorerie en France en 2020.

58 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

Supposons que ces observations sont des entreprises tirées au sort

avec remise parmi la population des entreprises présentant des
difficultés de trésorerie en France en 2020.
Que peut-on conclure sur l’indépendance entre la modernisation et
le fait de faire faillite dans la population ?

58 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

1. Définition de H0 et H1

59 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

1. Définition de H0 et H1
H0 :les variables sont indépendantes dans la population(χ2 = 0)


H1 :les variables sont liées dans la population(χ2 > 0)

59 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

1. Définition de H0 et H1
H0 :les variables sont indépendantes dans la population(χ2 = 0)


H1 :les variables sont liées dans la population(χ2 > 0)

2. Définition du risque de première espèce

59 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

1. Définition de H0 et H1
H0 :les variables sont indépendantes dans la population(χ2 = 0)


H1 :les variables sont liées dans la population(χ2 > 0)

2. Définition du risque de première espèce

Posons α = 5%

59 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

1. Définition de H0 et H1
H0 :les variables sont indépendantes dans la population(χ2 = 0)


H1 :les variables sont liées dans la population(χ2 > 0)

2. Définition du risque de première espèce

Posons α = 5%

3. Détermination de la statistique du test

59 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

1. Définition de H0 et H1
H0 :les variables sont indépendantes dans la population(χ2 = 0)


H1 :les variables sont liées dans la population(χ2 > 0)

2. Définition du risque de première espèce

Posons α = 5%

3. Détermination de la statistique du test

Dans notre exemple, on avait calculé que χ2cal = 16, 67.

59 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux
4. Conclusion à partir de la région critique

60 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux
4. Conclusion à partir de la région critique
Plus les effectifs théoriques s’éloignent des effectifs observés, plus la
statistique calculée du χ2 est forte.

60 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux
4. Conclusion à partir de la région critique
Plus les effectifs théoriques s’éloignent des effectifs observés, plus la
statistique calculée du χ2 est forte.
⇒ La zone de rejet est l’ensemble des valeurs pour lesquelles la
statistique du χ2 calculée est

60 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux
4. Conclusion à partir de la région critique
Plus les effectifs théoriques s’éloignent des effectifs observés, plus la
statistique calculée du χ2 est forte.
⇒ La zone de rejet est l’ensemble des valeurs pour lesquelles la
statistique du χ2 calculée est trop forte pour être seulement
expliquée par les fluctuations d’échantillonnage.

60 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux
4. Conclusion à partir de la région critique
Plus les effectifs théoriques s’éloignent des effectifs observés, plus la
statistique calculée du χ2 est forte.
⇒ La zone de rejet est l’ensemble des valeurs pour lesquelles la
statistique du χ2 calculée est trop forte pour être seulement
expliquée par les fluctuations d’échantillonnage.

Règle de décision :

60 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux
4. Conclusion à partir de la région critique
Plus les effectifs théoriques s’éloignent des effectifs observés, plus la
statistique calculée du χ2 est forte.
⇒ La zone de rejet est l’ensemble des valeurs pour lesquelles la
statistique du χ2 calculée est trop forte pour être seulement
expliquée par les fluctuations d’échantillonnage.

Règle de décision :
I Si χ2cal > χ2α , on rejette H0

60 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux
4. Conclusion à partir de la région critique
Plus les effectifs théoriques s’éloignent des effectifs observés, plus la
statistique calculée du χ2 est forte.
⇒ La zone de rejet est l’ensemble des valeurs pour lesquelles la
statistique du χ2 calculée est trop forte pour être seulement
expliquée par les fluctuations d’échantillonnage.

Règle de décision :
I Si χ2cal > χ2α , on rejette H0
I Si χ2cal ≤ χ2α , on ne rejette pas H0 .

60 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux
4. Conclusion à partir de la région critique
Plus les effectifs théoriques s’éloignent des effectifs observés, plus la
statistique calculée du χ2 est forte.
⇒ La zone de rejet est l’ensemble des valeurs pour lesquelles la
statistique du χ2 calculée est trop forte pour être seulement
expliquée par les fluctuations d’échantillonnage.

Règle de décision :
I Si χ2cal > χ2α , on rejette H0
I Si χ2cal ≤ χ2α , on ne rejette pas H0 .

À admettre, cette statistique suit une loi du khi-deux à

(i − 1).(j − 1) ddl, avec i le nombre de ligne dans le tableau de
contingence et j le nombre de colonne.
60 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

61 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

4. Conclusion à partir de la région critique

D’après la table du Khi-deux, χ20.05 (1) = 3, 84.
On a donc ici χ2cal = 16, 67 > χ20.05 (1)

62 / 64
Intervalle de confiance Tests d’hypothèses

2. Le test du khi-deux

2. Le test du khi-deux

4. Conclusion à partir de la région critique

D’après la table du Khi-deux, χ20.05 (1) = 3, 84.
On a donc ici χ2cal = 16, 67 > χ20.05 (1)
⇒ On rejette H0 , les variables de modernisation et de faillite ne
sont pas indépendantes dans la population.

62 / 64
Intervalle de confiance Tests d’hypothèses

3. Conclusion sur les tests statistiques

Conclusion sur les tests statistiques

63 / 64
Intervalle de confiance Tests d’hypothèses

3. Conclusion sur les tests statistiques

Conclusion sur les tests statistiques

! ! Logique complexe : On teste la vraisemblance des observations

au regard de H0

63 / 64
Intervalle de confiance Tests d’hypothèses

3. Conclusion sur les tests statistiques

Conclusion sur les tests statistiques

! ! Logique complexe : On teste la vraisemblance des observations

au regard de H0
I S’il est probable de tirer l’échantillon que l’on a tiré étant
donné H0 alors

63 / 64
Intervalle de confiance Tests d’hypothèses

3. Conclusion sur les tests statistiques

Conclusion sur les tests statistiques

! ! Logique complexe : On teste la vraisemblance des observations

au regard de H0
I S’il est probable de tirer l’échantillon que l’on a tiré étant
donné H0 alors il n’y a pas de raison de rejeter cette hypothèse

63 / 64
Intervalle de confiance Tests d’hypothèses

3. Conclusion sur les tests statistiques

Conclusion sur les tests statistiques

! ! Logique complexe : On teste la vraisemblance des observations

au regard de H0
I S’il est probable de tirer l’échantillon que l’on a tiré étant
donné H0 alors il n’y a pas de raison de rejeter cette hypothèse
I S’il est peu probable de tirer l’échantillon que l’on a tiré étant
donné H0 , alors

63 / 64
Intervalle de confiance Tests d’hypothèses

3. Conclusion sur les tests statistiques

Conclusion sur les tests statistiques

! ! Logique complexe : On teste la vraisemblance des observations

au regard de H0
I S’il est probable de tirer l’échantillon que l’on a tiré étant
donné H0 alors il n’y a pas de raison de rejeter cette hypothèse
I S’il est peu probable de tirer l’échantillon que l’on a tiré étant
donné H0 , alors on rejettera H0

63 / 64
Intervalle de confiance Tests d’hypothèses

3. Conclusion sur les tests statistiques

Conclusion sur les tests statistiques

! ! Logique complexe : On teste la vraisemblance des observations

au regard de H0
I S’il est probable de tirer l’échantillon que l’on a tiré étant
donné H0 alors il n’y a pas de raison de rejeter cette hypothèse
I S’il est peu probable de tirer l’échantillon que l’on a tiré étant
donné H0 , alors on rejettera H0

⇒ On ne pourra jamais démontrer qu’une hypothèse est vraie

63 / 64
Intervalle de confiance Tests d’hypothèses

3. Conclusion sur les tests statistiques

Conclusion sur les tests statistiques

! ! Logique complexe : On teste la vraisemblance des observations

au regard de H0
I S’il est probable de tirer l’échantillon que l’on a tiré étant
donné H0 alors il n’y a pas de raison de rejeter cette hypothèse
I S’il est peu probable de tirer l’échantillon que l’on a tiré étant
donné H0 , alors on rejettera H0

⇒ On ne pourra jamais démontrer qu’une hypothèse est vraie mais

qu’il n’y a pas de raison de la rejeter,

63 / 64
Intervalle de confiance Tests d’hypothèses

3. Conclusion sur les tests statistiques

Conclusion sur les tests statistiques

! ! Logique complexe : On teste la vraisemblance des observations

au regard de H0
I S’il est probable de tirer l’échantillon que l’on a tiré étant
donné H0 alors il n’y a pas de raison de rejeter cette hypothèse
I S’il est peu probable de tirer l’échantillon que l’on a tiré étant
donné H0 , alors on rejettera H0

⇒ On ne pourra jamais démontrer qu’une hypothèse est vraie mais

qu’il n’y a pas de raison de la rejeter, sauf à pouvoir observer toute
la population.

63 / 64
Intervalle de confiance Tests d’hypothèses

3. Conclusion sur les tests statistiques

Conclusion
Les évaluations à venir :
I Evaluation en ligne sur Moodle (semaine du 11 avril)
I Programme entier
I Pensez à avoir une calculatrice et vos tables statistiques avec
vous
I Rattrapage pour les absences justifiées : oral
I Evaluation finale (Lundi 9 Mai - Samedi 18 Juin)
I Programme entier
I Calculatrice interdite
I Les tables statistiques seront fournies avec le sujet d’examen
I Rattrapage pour les absences justifiées : oral

64 / 64
Intervalle de confiance Tests d’hypothèses

3. Conclusion sur les tests statistiques

Conclusion
Les évaluations à venir :
I Evaluation en ligne sur Moodle (semaine du 11 avril)
I Programme entier
I Pensez à avoir une calculatrice et vos tables statistiques avec
vous
I Rattrapage pour les absences justifiées : oral
I Evaluation finale (Lundi 9 Mai - Samedi 18 Juin)
I Programme entier
I Calculatrice interdite
I Les tables statistiques seront fournies avec le sujet d’examen
I Rattrapage pour les absences justifiées : oral

Suite l’année prochaine en Introduction à l’économétrie.

64 / 64