0% ont trouvé ce document utile (0 vote)

47 vues115 pages

Introduction aux tests d'hypothèses en R

Ce document introduit les concepts clés des tests d'hypothèses en statistique. Il présente les différents types de tests, les notions d'hypothèses nulle et alternative, d'erreurs de type I et II, et détaille la construction d'un test d'hypothèses.

Transféré par

ramy.nawal.gm

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

47 vues115 pages

Introduction aux tests d'hypothèses en R

Transféré par

ramy.nawal.gm

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

HECH - Tests d’hypothèses

Une introduction à l’aide du logiciel R

Année 2019 - 2020 / R. Milano

1 Quelques notions générales sur les tests

Les tests d’hypothèses constituent un chapitre très important en statistique. Vous y serez
probablement confronté dans vos travaux d’études. Il existe de nombreux tests, selon les
contextes et les objectifs de l’étude statistique. Nous n’en verrons que les plus basiques,
l’objectif étant ici de vous familiariser avec les principes généraux d’un test.

Ce paragraphe est essentiellement théorique, étayant les notions clefs relatives aux tests
d’hypothèses. Ces concepts théoriques seront illustrés par des exemples dans les para-
graphes suivants. N’hésitez pas, si certains concepts sont peu clairs en première lecture,
d’y revenir après avoir exploré les exemples proposés dans la suite du chapitre.

1.1 Les principaux types de tests

Un test d’hypothèses consiste à construire une règle de décision conduisant à rejeter
ou ne pas rejeter une hypothèse H0 émise sur une population. Cette règle de décision
dépendra aussi d’une contre-hypothèse H1 mise en concurrence avec H0 . Plus précisément,
H0 est l’option “neutre” – supposée vraie a priori –, tandis que H1 “contredit” H0 , propo-
sant une information statistique alternative sur la population étudiée.
La règle de décision repose sur la valeur prise par une v.a. appelée statistique de test.
Cette v.a. est une mesure calculée à partir d’un ou plusieurs échantillons issu(s) de popula-
tion(s) desquelles on veut obtenir des informations. Trois familles de tests nous intéresseront :

• Test de conformité : compare 1 échantillon et 1 population. Test vérifiant si un

échantillon est issu d’une population considérée.
• Test d’égalité : ? compare 2 populations compte tenu de 2 échantillons ;
? compare plusieurs populations à partir de plusieurs échantillons.
(On parle aussi de test d’homogénéité.)
• Test d’indépendance sur données qualitatives. Tester l’indépendance de plusieurs
critères de classification.

1
Soit un échantillon de n observations {x1 , · · · , xn }, réalisations de n v.a. X1 , · · · , Xn
indépendantes. Dans ce chapitre, les tests d’hypothèses distingueront trois situations,
selon que ces v.a. suivent une :
• Distribution connue ;
• Distribution inconnue mais dont on soupçonne la nature qui devra être vérifiée ;
• Distribution inexistante.

La construction d’un test sera fonction des hypothèses H0 et H1 confrontées et de l’existence

ou non d’une distribution. Nous détaillerons plusieurs cas possibles.

1.2 Poser les hypothèses

Dans un test, deux hypothèses H0 et H1 s’“affrontent”, leurs rôles n’étant pas symétriques.
Ces hypothèses traduisent les enjeux d’une expérience dont l’objectif est, idéalement, de
prouver une propriété statistique, objectif pas forcément atteint.

I L’hypothèse nulle H0 est l’hypothèse privilégiée. Le test tourne autour d’elle. Elle
sera rejetée uniquement si les données de l’échantillon opposent des arguments hautement
probables à son non-rejet. Parfois, selon le contexte du test, ne pas rejeter H0 revient à
dire qu’il ne se passe rien, le tests n’étant alors pas concluant.
Ne pas rejeter H0 ne prouve pas qu’elle soit vraie. On ne rejette pas H0 soit parce que :
• on n’a pas pu accumuler suffisamment d’observations contre elle. Dans ce cas, les
données ne sont pas incompatibles avec H0 et l’on n’a pas de raison suffisante de lui
préférer H1 compte-tenu des résultats obtenus sur base de l’échantillon (un nouvel
échantillon pourrait d’ailleurs conclure au rejet de H0 ) ;
• H0 fut confrontée à une contre-hypothèses H1 irréaliste ou excessive ;
• H0 est vraie.

I L’hypothèse alternative H1 est l’hypothèse concurrente, acceptée uniquement si le

résultat du test est significatif. On rejette H0 – acceptant H1 – lorsque la statistique de test
(calculée sur l’échantillon) rend H0 peu probable. H0 étant privilégiée, c’est d’abord elle
qui plaide sa cause : si ses arguments ne convainquent pas alors H1 est finalement acceptée.

Selon l’étude menée, le choix de H0 correspondra à :

• l’hypothèse qu’il est le plus grave de rejeter à tort. On choisit H0 et H1 de telle sorte
que le pire scénario soit d’accepter H1 alors que H0 est vraie. Ce scénario aura une faible
probabilité α de se réaliser, risque fixé a priori (le “scénario catastrophe” dépend souvent
du point de vue considéré et du domaine de l’étude [médical, etc.]) ;
• l’hypothèse dont on a admis jusqu’à présent la validité. La contre hypothèse H1 est

2
suggérée par une nouvelle théorie ou une expérience récente. Si le test conduit à rejeter H0 ,
on aura donc démontré H1 au risque α de se tromper ;
• l’hypothèse qui permet de construire le test car seule hypothèse facile à formuler,
permettant – la supposant valide – de calculer la loi de probabilité (ou distribution) d’une
variable aléatoire sur laquelle on peut fonder le test.

1.3 La statistique de test

La statistique de test est une v.a. reflétant les enjeux du test. Sa valeur – fonction de
l’échantillon – devra être “mesurée” afin d’établir si cette valeur est “grande” ou “petite”.

Plus précisément, cette “mesure” est une probabilité calculée grâce à la distribution de
probabilité de la statistique de test. Cette distribution (d’échantillonnage) est établie en
admettant que H0 est vraie distribution sous H0 . L’hypothèse H0 est favorisée surtout
à cette étape. Cette distribution donne la probabilité que la statistique de test prenne
une valeur donnée, probabilité qui décidera du rejet éventuel de H0 . De plus, et c’est-là le
point essentiel du test, cette probabilité quantifie le risque de rejeter H0 par erreur.

Plus globalement, cette distribution introduit une notion de distance qui permet de juger
si 2 paramètres statistiques (2 moyennes, 2 médianes, 2 variances, etc.) sont “éloignés” ou
si deux ou plusieurs familles de paramètres statistiques (1 famille d’effectifs observés et 1
famille d’effectifs théoriques, deux collections de rangs, etc.) sont“éloignées”.

Cette approche inévitablement probabiliste entraı̂ne une prise de risque.

1.4 Erreurs de première et seconde espèce

Nous avons vu que les hypothèses H0 et H1 ne sont pas symétriques. Rejeter H0 avalise H1 .
Ne pas rejeter H0 est moins informatif, n’impliquant pas la véracité de H0 . La décision de
rejeter H0 repose sur une probabilité, impliquant un risque d’erreur incontournable. Deux
types d’erreur importent ici :

(i) Erreur de première espèce : le test rejette H0 alors que H0 est vraie ;
(ii) Erreur de seconde espèce : le test ne rejette pas H0 alors que H0 est fausse.

On ne peut minimiser simultanément ces deux erreurs : diminuer l’une se fait au détriment
de l’autre. Ces erreurs sont incompatibles. L’hypothèse H0 étant privilégiée, on veut avant
tout contrôler le risque de première espèce de rejeter H0 à tort, cherchant à minimiser
ce risque (mais pas trop, sinon le test perd tout son sens dans la mesure où H0 ne serait
jamais remise en cause, qu’elle soit vraie ou fausse). Généralement, on construit un test tel

3
que la probabilité de l’erreur de première espèce soit bornée par un seuil α fixé a priori :

P (Rejeter H0 | H0 vraie) ≤ α.

Une fois maı̂trisé ce premier risque – Test au niveau α –, on cherchera ensuite à améliorer
le test de façon à minimiser le risque de deuxième espèce β de garder H0 à tort :

β = P (Accepter H0 | H0 fausse).

Il n’est pas toujours aisé de déterminer le test qui minimise β tout en respectant le niveau
α. Cette optimisation dépasse le cadre de ce cours. Pour la suite, on visera prioritairement
à construire un test de niveau α sans toujours se préoccuper de la probabilité β. Cela dit,
le paragraphe ci-après donne deux trois clefs susceptibles d’améliorer l’efficacité d’un test.

1.5 Puissance d’un test

Un test est d’autant plus puissant que sa probabilité de rejeter une H0 fausse est élevée :

Puissance du test = 1 − β = P (Rejeter H0 | H0 fausse).

Toute information complémentaire sur le (les) échantillon(s) impliqué(s) dans un test aug-
mente la puissance du test.

,→ EXEMPLE. Considérons un test comparant deux échantillons. Certaines informations

complémentaires relatives à ces échantillons augmentent la puissance du test de comparai-
son. Notamment, il est toujours avantageux d’informer un test si l’on sait que ces deux
échantillons :
. proviennent de populations parentes dont les distributions ont des variances égales ;
. ne sont pas indépendants (échantillons appariés, par exemple).

Ces deux caractéristiques sont indépendantes et pas forcément vraies.

F ATTENTION. Si ces informations complémentaires s’avèrent fausses, les conclusions du

tests peuvent être totalement erronées !

On a donc intérêt à fournir au test tous les renseignements fiables dont on dispose sur
les échantillons. Il existe des tests spécialement prévus pour vérifier les propriétés des
échantillons : test sur l’égalité de variances, test de normalité, etc.

Les logiciels de statistiques disposent d’options précisant aux tests toute information per-
tinente. Attention cependant aux options par défaut ! A verifier dans le manuel du logiciel...

4
1.6 Seuil de signification du test
On consent à l’avance au risque α de rejeter à tort l’hypothèse nulle H0 dans l’éventualité
où elle serait vraie. A ce risque, parfois appelé seuil de signification du test ou niveau
du test, la distribution de la statistique de test (établie sous H0 ) associe une région
de rejet de H0 , appelée également région critique. L’aire de cette région couvre une
probabilité α.
Par exemple, choisir α = 0.05 signifie que l’on admet d’avance que la statistique de test
(v.a. d’échantillonnage) peut – conséquence du seul hasard dû à l’échantillonnage – prendre,
dans 5% des cas, une valeur située dans la zone de rejet de H0 , ceci bien que H0 soit vraie.
Cette distribution d’échantillonnage définit une région complémentaire, dite région de
non-rejet de H0 , couvrant une probabilité 1 − α.

Au niveau de test α, la zone de rejet ZRα de H0 est déterminée de telle sorte que :

α ≥ P (rejeter H0 à tort) = P (rejeter H0 | H0 vraie) = P (Tn ∈ ZRα | H0 ),

où Tn est la valeur prise par la statistique de test sur l’échantillon. Une fois ZRα déterminée,
le risque de deuxième espèce se définit par la zone complémentaire :

β(α) = P (accepter H0 à tort) = P (accepter H0 | H1 vraie) = P (Tn ∈

/ ZRα | H1 ).

La zone ZRα est déterminée, entre autres, par le contenu des hypothèses H0 et H1 . Elle
peut être un intervalle de nombres réels ou la réunion de deux intervalles disjoints.

La stratégie consiste à fixer avant tout le niveau α du test, fixant préalablement le risque
que l’on prend de rejeter H0 à tort. Les niveaux les plus utilisés sont α = 0.05 et α = 0.01.
Pour α = 1%, par exemple, la valeur de la statistique de test (établie sous H0 ) a une proba-
bilité (maximale) de 0.01 d’être non comprise dans la zone d’acceptation de H0 , induisant
le rejet d’une H0 vraie. On est donc prêt à rejeter indûment H0 avec une probabilité de 1%.

F REMARQUE. Pourquoi ne pas diminuer davantage ce risque en-deçà de α = 0.05 ou

α = 0.01 ? Pour la raison déjà évoquée : un niveau α trop faible rend le test “frileux”, ne
rejetant jamais H0 , ceci indépendamment de la véracité/non-véracité de H0 , rendant donc
inutile ce test.

,→ EXEMPLE. Soit un niveau fixé α = 0.05 et supposons que la statistique de test soit
une v.a. distribuée selon une normale réduite N (0, 1). Le graphique ci-après illustre les
différentes zones de rejet, selon que l’hypothèse alternative H1 soit unilatérale ou bilatérale.
Supposons, affinant notre exemple, un test de conformité comparant la moyenne inconnue
µ d’une population (représentée par un échantillon) à une moyenne de référence µ0 . L’hy-
pothèse nulle étant H0 : µ = µ0 , les trois alternatives H1 possibles sont :

5
Test unilateral a gauche Test bilateral Test unilateral a droite

-1.64

-1.96

1.96

1.64
Rejet H0 Non Rejet H0 Rejet H0 Non Rejet H0 Rejet H0 Non Rejet H0 Rejet H0

5% 2.5% 2.5% 5%

-3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3

H1 : µ < µ0 H1 : µ 6= µ0 H1 : µ > µ0

Pour l’alternative bilatérale H1 : µ 6= µ0 , la zone de rejet de H0 est répartie sur deux aires
disjointes (symétriques par rapport à 0) contrairement aux alternatives H1 unilatérales dont
la zone de rejet de H0 est entièrement située soit à droite soit à gauche de la distribution.

1.7 Prise de décision

I Non-rejet de H0
. La statistique de test fournit une valeur dont la probabilité (mesurée selon la
distribution de cette v.a.) ne remet pas significativement en cause H0 .
. Rappelons que cela n’induit nullement la véracité de H0 .
I Rejet de H0 ⇒ acceptation de H1
. On invalide H0 suite à un résultat statistiquement significatif du test.
. On valide H1 avec un risque d’erreur α.

1.8 Les principales étapes d’un test

• Poser deux hypothèses incompatibles : H0 (nulle) & H1 (alternative) ;
• Construire une statistique de test T dont on connait la loi de probabilité sous H0 ;
• Fixer un seuil de “significativité” α ;
• Déterminer une région de rejet ZRα telle que P (T ∈ ZRα | H0 ) = α ;
• Si la statistique observée sur les données T = tobs ∈ ZRα se trouve dans la zone de rejet,
on rejette H0 au profit de H1 . Sinon, on ne peut rejeter H0 , sans toutefois prouver que H0
est fausse.

6
2 Test de conformité : un exemple
Illustrons les principales étapes planifiant un test à l’aide d’un exemple, celui où la moyenne
d’une population ℘ – représentée ici par un échantillon – est comparée à une moyenne
de référence. Il s’agit d’un test de conformité : la moyenne inconnue µ de ℘ – d’où
provient l’échantillon – est comparée à une moyenne µ0 fixée a priori.

2.1 UN échantillon : Tester une éventuelle amélioration → Test unilatéral

On veut tester si un nouvel engrais E améliore la croissance d’une plante donnée. Pour ce
faire, on calcule la moyenne µE des tailles d’un échantillon E de plantes traitées avec E.
Par ailleurs, on connait la moyenne µ0 des tailles des plantes non traitées. On veut donc
comparer deux populations : celle ℘ des plantes traitées et celle Υ des plantes non traitées.

Ainsi, on oppose deux hypothèses H0 et H1 qui résument les enjeux de cette expérience :
(
H0 : E n’est pas meilleur que les engrais précédemment utilisés;
H1 : E est meilleur.
Pour faire simple, l’efficacité d’un engrais sera lié à la croissance de la plante. L’échantillon
traité avec E fournit n tailles (en cm) : E = {23 19 25 21 18 22 18 23 19 24}.
Sur base de cet échantillon, peut-on affirmer que la moyenne des tailles de la population ℘
est plus élevée que la moyenne µ0 des tailles de la population Υ ?

Un test adapté sera construit afin de répondre spécifiquement à cette question. Rappelons
un point primordial du test : H0 et H1 ne sont pas traitées équitablement. L’hypothèse
nulle H0 est favorisée par rapport à l’hypothèse alternative H1 , ceci afin d’éviter autant
que possible un faux positif (rejeter H0 alors qu’elle est vraie) et s’assurer qu’un rejet de
H0 – pourtant favorisée – prouve que l’échantillon penche significativement en faveur de
H1 . Autrement dit, si on rejette la position “neutre” H0 , c’est qu’on n’a vraiment pas le
choix ! Rejeter H0 implique alors que H1 est “très” probablement vraie. “Probablement”
signifie qu’il existe un risque d’erreur, risque inhérent à toute démarche statistique ! On
bornera évidemment ce risque par un seuil au-delà duquel ce risque devient inacceptable.

A partir d’un échantillon E, on veut ici inférer sur la population ℘. On espère – peut être
à tort – que E permette de comparer ℘ avec Υ, cette dernière population étant représentée
par sa moyenne µ0 connue. La moyenne de E, estimation de la moyenne de ℘, est ainsi
comparée à une valeur de référence µ0 . Le test suppose vérifié les points suivants :

• Les éléments de E sont prélevés aléatoirement, indépendamment les uns des autres.
• Soit la v.a X = taille d’une plante prise au hasard dans ℘. Alors X ∼ N (µE , σE ).
La moyenne µE est inconnue. La variance σE2 n’est pas forcément connue.

7
• La moyenne µ0 des tailles des plantes Υ non traitées avec E vaut µ0 = 20 cm ;

La moyenne de E vaut x̄n = 21.2 ⇒ 21.2 > µ0 = 20, moyenne calculée en R comme suit :

> tailles<-c(23,19,25,21,18,22,18,23,19,24)
> mean(tailles)

Cette “supériorité” de la moyenne estimée x̄n sur la moyenne de référence µ0 découle-t-

elle d’aléas dus à l’échantillonnage ou, au contraire, est-ce l’effet du nouvel engrais E ?
Autrement dit, cette différence 21.2−20 = 1.2 est-elle statistiquement significative ?

2.2 Poser les hypothèses

Les deux hypothèses précédentes se traduisent par un test unilatéral :

H0 : µE = µ0 vs H1 : µE > µ0

L’hypothèse alternative H1 est ici unilatérale car on veut tester une éventuelle amélioration
(traduite par µE > µ0 ) du nouvel engrais, les autres options (µE 6= µ0 ou µE < µ0 ) ne nous
intéressant pas ici. Ces hypothèses H0 et H1 sont incompatibles. La valeur de référence
µ0 = 20 est connue et fixée. L’étude vise donc à déterminer dans le test opposant :

H0 : µE = 20 vs H1 : µE > 20

si l’hypothèse H0 doit être rejetée on non. On rejettera H0 si l’écart x̄n − µ0 est “très
grand”, c’est-à-dire – vu notre logique unilatérale – si x̄n est “nettement plus grand” que
µ0 . “Mesurer” l’écart x̄n−µ0 , càd. décréter qu’il est “grand” ou “petit”, sera possible grâce
à la distribution de cet écart x̄n −µ0 .

2.3 La statistique de test

La distribution de l’écart x̄n −µ0 est établie sous H0 , c’est-à-dire considérant H0 vraie
a priori, ceci jusqu’à preuve du contraire ! Dès lors, posant µE = µ0 et notant X n la v.a.
prenant pour valeur la moyenne de l’échantillon E, on a, sachant que n = 10 :
√
σE X n − µ0 10(X n − 20)
X n ∼ N µ0 , √ ⇒ σE ∼ N (0, 1) ⇒ ∼ N (0, 1)
n √
n
σE

où σE est supposé connu. Si σE est inconnu, on l’estime sur l’échantillon E :

v
u n
u 1 X
sn = t (xi − x̄n )2
n−1
i=1

8
où xi sont les n = 10 éléments de l’échantillon E. Cette estimation substitue à N (0, 1) une
distribution de Student t9 à 9 degrés de liberté (voir chapitre sur l’inférence ponctuelle) :
√
10(X n − 20)
T = ∼ t9
sn
La v.a. T est appelée une Statistique de test. L’estimation sn = 2.5734 de l’écart-type
est calculée avec R sur l’échantillon E comme suit :

> tailles<-c(23,19,25,21,18,22,18,23,19,24)
> sd(tailles) √
10(21.2 − 20)
T = = 1.475
2.5734
La valeur T = 1.475 mesure l’écart entre la moyenne observée sur l’échantillon E et la
moyenne théorique de référence µ0 = 20. Que conclure de cet écart ?

2.4 Une règle de décision : la p-valeur

Parvenu à ce point, une règle de décision s’impose pour trancher l’alternative :
rejeter H0 / ne pas rejeter H0 .
Pour un seuil α donné et fixé a priori (fixant le risque assumé de se tromper), on décide :

I Rejeter H0 si x̄n est “beaucoup plus grand” que µ0

⇒ la différence x̄n −µ0 est “nettement supérieure à 0”
⇒ la mesure 1.475 est “grande” ⇒ P (T ≥ 1.475 | H0 ) < α
I Ne pas rejeter H0 si x̄n n’est “pas beaucoup plus grand” que µ0
⇒ l’écart x̄n −µ0 est “trop proche de 0”
⇒ la mesure 1.475 n’est “pas grande” ⇒ P (T ≥ 1.475 | H0 ) ≥ α

F REMARQUE. N’oublions pas que toute probabilité est calculée sous H0 , càd. suppo-
sant H0 vraie. D’où la notation P (· | H0 ). Si, pour alléger l’écriture, cette notation condi-
tionnelle sera souvent omise, cela n’ôte rien au fait que l’on travaillera toujours sous H0 .

Dans la règle de décision de ce test unilatéral, intervient la probabilité :

p-value = P (T ≥ 1.475 | H0 vraie),

appelée p-valeur du test. Elle dépend de la valeur de la statistique de test T prise sur les
observations (dans notre exemple : T = 1.475). Ce résultat clef du test préside au rejet
éventuel de H0 . La p-valeur est la probabilité de rejeter H0 alors que H0 est vraie. C’est
pourquoi on ne rejette pas H0 si la p-valeur dépasse un seuil α fixé a priori. Par conven-
tion, on adopte souvent deux seuils de risques : α = 0.05 et α = 0.01.

9
Tout test effectué en R fournit systématiquement la p-valeur. Plus petite est la p-valeur,
plus petit est le risque de rejeter une H0 vraie, plus le test est significatif.

α significativité du test
p-valeur > 0.05 non significatif
0.01 < p-valeur ≤ 0.05 significatif
0.001 < p-valeur ≤ 0.01 très significatif
p-valeur ≤ 0.001 hautement significatif

,→ p-valeur = P (T ≥ 1.475 | H0 ) = 1−P (T ≤ 1.475 | H0 ) ⇒ en R : > 1-pt(1.475,df=9)

Constat : P (T ≥ 1.475 | H0 ) = 0.087 > α, ceci aussi bien pour α = 0.05 que pour α = 0.01.
On ne peut donc pas rejeter H0 . Tenant compte des seules données livrées par l’échantillon
E, on ne peut conclure que l’engrais E est meilleur que les autres. Cela n’exclut pas qu’il
puisse êtres plus performant. Subsiste une probabilité 0.05 que cette conclusion résulte d’un
échantillonnage trompeur. Un autre échantillon pourrait conclure autrement (ou pas...)

Student t9 : Test Unilateral (droite)

0.4

T = 1.47

q0.95 9 = 1.83

q0.99 9 = 2.82
0.3

Zone NON rejet H0 : seuil 99% Rejet H0 : seuil 99%

Densite

0.2

Zone NON rejet H0 : seuil 95% Rejet H0 : seuil 95%

Hypothese H0
0.1

p-value=0.087
0.0

-4 -2 0 2 4

Les quantiles q0.95;9 et q0.99;9 de la Student t9 repris dans le graphique ci-dessus corres-
pondent respectivement à α = 0.05 et α = 0.01. Ils ont été calculés en R comme suit :

> qt(0.95,df=9) > qt(0.99,df=9)

1.833113 2.821438

10
F L’ensemble des calculs précédents mis en oeuvre pour tester le couple d’hypothèses
{H0 , H1 } peuvent s’opérer avec une seule commande R.

2.5 Une fonction R comparant deux moyennes : [Link]()

La fonction [Link]() compare deux moyennes, entre autres choses, dans de multiples
contextes. Pour le problème qui nous occupe, paramétrer [Link]() est simple : on lui
transmet l’échantillon E, la moyenne de référence µ0 = 20 et l’hypothèse alternative H1 :

> [Link](E, mu=µ0 , alternative=· · · )

I Echantillon tailles <- c(23,19,25,21,18,22,18,23,19,24)

I Moyenne de référence mu=20
I Alternative unilatérale (droite) H1 : µE > µ0 alternative="greater"
F Remarques ? si alternative H1 : µE < µ0 alternative="less"
? si alternative H1 : µE 6= µ0 alternative par défaut

Le test unilatéral qui nous intéresse est donc exécuté par [Link]() comme suit :

> [Link](tailles,mu=20,alternative="greater")

One Sample t-test

data: tailles
t = 1.4746, df = 9, p-value = 0.08721
alternative hypothesis: true mean is greater than 20
95 percent confidence interval:
19.70827 Inf
sample estimates: mean of x 21.2

Cette sortie R livre la p-value = 0.08721 calculée “à la main” précédemment. On vérifie
que le test est unilatéral (alternative hypothesis: true mean is greater than 20).

F REMARQUE. La mesure de la statistique de test T dépend de l’échantillon E. Un

échantillon différent, fournirait une mesure différente pour T , susceptible de modifier la
conclusion du test. Par exemple, soit le nouvel échantillon (le précédent + 1 nouvelle ob-
servation) : Ẽ = E ∪ {24} = {23 19 25 21 18 22 18 23 19 24 24}.

,→ Le test sur ce nouvel échantillon se fait via la commande R suivante :

> tailles<-c(23,19,25,21,18,22,18,23,19,24,24)
> [Link](tailles,mu=20,alternative="greater")

11
One Sample t-test
data: tailles
t = 1.8675, df = 10, p-value = 0.04569
alternative hypothesis: true mean is greater than 20
95 percent confidence interval:
20.04291 Inf
sample estimates: mean of x 21.45455

A présent H0 est rejetée au seuil α = 0.05 (,→ avec un risque de 5%), mais pas rejetée
au seuil α = 0.01 (,→ avec un risque de 1%). Autrement dit, on est prêt à rejeter H0 en
prenant 5% de risque de se tromper, c’est-à-dire accepter que le nouvel engrais est meilleur
(alors qu’il pourrait ne pas l’être avec une probabilité de 5%). Mais pour un risque moindre,
on préfère s’abstenir de conclure à une supériorité du nouvel engrais. Le tout est de clarifier
le risque que l’on est prêt à encourir : cela dépend des enjeux...

2.6 Exercices
1. La glycémie moyenne dans une population de référence est distribuée selon une nor-
male de moyenne µ0 = 1 g/l et de variance inconnue. On mesure la glycémie dans un
échantillon de 15 patients :

0.798 1.052 0.041 1.309 0.417 1.221 1.116 1.162

1.119 1.569 1.645 1.102 1.278 1.534 0.998

Cet échantillon est-il représentatif de la population de référence ?

AIDE. Pour le tester, calculez une statistique de test distribuée selon la Student t14
(car n = 14 < 30 et l’écart-type σ dans la population de référence est inconnu et doit être
estimé sur l’échantillon). Vous devez donc utiliser ici la fonction [Link]() qui effectue le
test de Student. Quelles hypothèses faut-il poser pour répondre à la question ?

2. Le QI moyen de la population est distribué selon une normale de moyenne µ0 = 100.

Des chercheurs ont mesuré le QI d’un échantillon de 30 enfants juste après une séance de
3 heures de télévision :
71 75 55 112 92 89 86 106 69 122 77 106 101 77 107
108 96 97 97 109 100 82 91 100 81 88 101 64 121 92

Ces séances de télévision diminuent-elles en moyenne le QI ?

AIDE. Quelles hypothèses répondent à cette question (alternative unilatérale ?)

12
3 DEUX échantillons : Comparer deux proportions : un
exemple sur grands échantillons indépendants
Passons à une deuxième exemple avant de systématiser dans le paragraphe suivant certains
types de tests. Dans un pays donné, on veut déterminer si les intentions de vote aux
prochaines élections sont identiques dans deux régions distinctes. Dans chacune de ces deux
régions, un échantillon d’électeurs est interrogé, ces deux échantillons étant indépendants.
Pour faire simple, supposons que ces élections portent sur le choix entre deux candidats A
et B parvenus au second tour d’élections présidentielles. Ce sondage donne :

Candidat A B TOTAL Proportion favorable à A

Région
1 327 849 n1 = 1176 p1 = 327/n1 = 0.278
2 203 652 n2 = 855 p2 = 203/n2 = 0.237

Cette table reprend un gros échantillon de 2031 personnes interrogées. De plus, chacune
des cellules des colonnes A et B comporte au moins 5 personnes.
Sur l’échantillon, on constate que la proportion observée de personnes votant pour A est
plus grande dans la Région 1 (0.28) que dans la Région 2 (0.24). Mais cette différence
est-elle statistiquement significative : peut-on l’inférer au niveau de la population globale ?
Ou alors cette différence est-elle due au hasard des fluctuation d’échantillonnage ? Un test
d’égalité sur ces deux proportions permettra de faire la part des choses, avec, comme
toujours en statistique, un risque – fixé a priori – de se tromper.

3.1 Poser les hypothèses : test bilatéral

Considérons deux populations ℘1 et ℘2 desquelles sont extraits deux échantillons E1 et E2
de tailles n1 et n2 respectivement. Soit la proportion inconnue π1 (resp. π2 ) d’une certaine
caractéristique dans la population ℘1 (resp. ℘2 ). A partir des proportions observées p1 et
p2 , on veut établir un test permettant de choisir entre deux hypothèses :
(
H0 : π1 = π2 les proportions au sein des populations sont égales
H1 : π1 6= π2 les proportions au sein des populations sont différentes.

De façon équivalente, ces hypothèses se réécrivent :

(
H0 : π1 − π2 = 0 écart nul entre les proportions
H1 : π1 − π2 6= 0 écart non nul entre les proportions.

Il s’agit là d’un test d’égalité.

13
3.2 Proportion : une distribution binomiale
Ici, chaque individu de la population ℘i (i = 1 ou 2) vérifie ou ne vérifie pas le caractère
étudié. C’est donc une épreuve de Bernoulli qui, répétée ni fois de façon indépendante,
aboutit à un schéma de Bernoulli.

Soit la v.a. Xi = nombre d’individus de Ei vérifiant le caractère (i = 1, 2). On a :

Xi ∼ B(ni , πi ).

Dans un précédent chapitre, nous avons vu que la moyenne d’une loi binomiale B(n, π)
vaut nπ et sa variance nπ(1 − π).

Définissons la v.a. Yi = Xi /ni = “proportion du nombre d’individus dans Ei vérifiant le

caractère étudié”, où i = 1, 2. La distribution de Yi est une binomiale de moyenne valant
ni πi /ni = πi et de variance ni πi (1−πi )/n2i = πi (1−πi )/ni .

3.3 Statistique de test : test bilatéral

Pour un test bilatéral, l’hypothèse H0 ne sera pas rejetée si les estimations p1 et p2 se
“différencient peu”, càd. si la distance |p1 −p2 | séparant les deux proportions estimées est
“petite”, ne dépassant pas une “certaine limite”. Dès lors, pour ce test bilatéral, on veut
déterminer une borne ` telle que l’hypothèse H0 ne sera pas rejetée si :

|p1 − p2 | < `.

Imposant un risque α au test, l’inégalité précédente se réécrit :

P (|Y1 − Y2 | ≤ `) = 1 − α.

Il s’agit donc de déterminer le quantile ` de la v.a. |Y1 − Y2 |, ce qui n’est possible que
connaissant la distribution de |Y1 − Y2 |. Quelle est cette distribution ? Supposons que les
échantillons étudiés vérifient les conditions autorisant le Théorème Central Limite :
I n1 > 30 et n2 > 30 (→ gros échantillons) ;
I n1 p1 > 5 et n2 p2 > 5 et n1 (1 − p1 ) > 5 et n2 (1 − p2 ) > 5 ;
I les échantillons sont indépendants.
Dans ces conditions, les résultats asymptotiques livrent :
 s 
p Xi πi (1 − πi ) 
Xi ∼ N nπi , nπi (1 − πi ) =⇒ Yi = ∼ N πi ,
ni ni

On veut établir la distribution de Y1 −Y2 de la différence des deux proportions étudiées, ce

qui nous permettra de “mesurer” l’écart entre ces proportions (est-il “grand” ? / “petit” ?),

14
écart figurant dans les hypothèses du test. Construire cette distribution exige des conditions
supplémentaires. Une fois de plus, cette construction se fait sous H0 , càd. admettant vraie
H0 (jusqu’à preuve du contraire !) Autrement dit, on favorise d’entrée de jeu H0 , comme
d’habitude, rendant son rejet éventuel d’autant plus convainquant. Sous H0 : π1 = π2 = π :
 s  s !
π 1 (1−π 1 ) π 2 (1−π )
2  1 1
Y1 − Y2 ∼ N π1 − π2 , + ∼ N 0, π(1 − π) + .
n1 n2 n1 n2

Sous H0 , les deux échantillons étant supposés provenir de populations telles que π1 = π2 ,
une estimation p de π peut donc être fournie par une mise en commun des proportions
observées sur les DEUX échantillons. On recoure donc à la moyenne pondérée :
n1 p1 + n2 p2
p= ,
n1 + n 2
permettant d’écrire, toujours supposant de gros échantillons et toujours sous H0 , la dis-
tribution de l’écart entre les proportions des deux populations :
s !
1 1
Y1 − Y2 ∼ N 0, p(1 − p) + .
n1 n2

Cette distribution mesurera l’écart observé entre les proportions estimées et décidera si cet
écart est causé par des aléas d’échantillonnage ou s’il est significatif et traduit une réelle
différence entre les deux populations étudiées. Centrant-réduisant la v.a. Y1 − Y2 :

Y1 − Y2
Z=r ∼ N (0, 1).
p(1 − p) n11 + 1
n2

Revenons à présent à notre problème initial, celui de trouver le quantile ` vérifiant :

P (|Y1 − Y2 | ≤ `) = 1 − α

On peut facilement résoudre ce problème pour |Z| ∼ |N (0, 1)|, équivalent centré-réduit de
|Y1 − Y2 |. En effet, par définition des quantiles −z1− α2 et z1− α2 de N (0, 1), on a :
 
 |Y1 − Y2 | 
P ≤ z1− α2  = 1 − α

r
p(1 − p) n11 + 1
n2

RAPPEL : le quantile z1− α2 de N (0, 1) est le nombre vérifiant P (Z > z1− α2 ) = α2 .

15
I Ainsi, la v.a. |Z| est la statistique de test recherchée, créant la règle de décision
suivante : on ne rejette pas H0 si la valeur absolue de la v.a. |Z| calculée sur les échantillons
vérifie :
|p1 − p2 |
|Z| = r ≤ z1− α2
1 1
p(1 − p) n1 + n2

Une fois de plus, on accepte un risque α de rejeter H0 à tort α = P (Rejet H0 | H0 vraie).

I Autrement dit, on rejette H0 lorsque la valeur absolue de la statistique de test |Z|

calculée sur échantillons vérifie :
|p1 − p2 |
|Z| = r > z1− α2 .
p(1 − p) n11 + 1
n2

Concrètement, la zone de rejet de H0 est l’union de deux intervalles disjoints, ce qui ca-
ractérise un test bilatéral. Selon le niveau de risque α admis, on a :
. Pour un risque α = 0.05, on a : z1− α2 = qnorm(0.975) = 1.96
=⇒ Zone de rejet de H0 ≡ ]−∞,-1.96[ ∪ ]1.96,+∞[
. Pour un risque α = 0.01, on a : z1− α2 = qnorm(0.995) = 2.58
=⇒ Zone de rejet de H0 ≡ ]−∞,-2.58[ ∪ ]2.58,+∞[

I Equivalent de la règle de décision du test : rejeter H0 lorsque la p-value associée au

résultat |Z| = κ de la statistique de test est inférieure à α. Pour un test bilatéral :
p-value = P (|Z| > κ) = P (Z > κ ∪ Z < −κ) = 1 - pnorm(κ) + pnorm(−κ).

3.4 Application aux données du sondage

Reprenons l’exemple du sondage introduisant ce paragraphe : n1 = 1176 ; n2 = 855 ; p1 =
0.278 ; p2 = 0.237. Sous H0 , on calcule la proportion commune aux deux échantillons :

1176 × 0.2780612 + 855 × 0.2374269

p= = 0.261
1176 + 855
La statistique de test Z a dès lors pour valeur :
|p1 − p2 | |0.278 − 0.237|
Z=r =q = 2.06
1 1

p(1 − p) n11 + 1 0.261(1 − 0.261) 1176 + 855
n2

Comment interpréter cette valeur Z = 2.06 ? Comment la situer par rapport à la distribu-
tion N (0, 1) dont elle est supposée provenir ? Est-elle grande ? Autrement dit, la différence
|p1 −p2 | est-elle importante au point de rejeter H0 ? Il faut comparer 2.06 aux quantiles

16
z1−α/2 = 1.96 (α = 5%) et z1−α/2 = 2.58 (α = 1%).
Constatant que 1.96 < 2.06 < 2.58, on rejette H0 au niveau α = 0.05. On ne rejette pas
H0 au niveau α = 0.01. Le sort de H0 selon le niveau α fixé est illustré ci-après :

Normale N(0,1) : Test bilateral (=> Attention aux quantiles !!)

0.4

− Z0.995 = - 2.58

− Z0.975 = - 1.96

Z0.975 = 1.96

Z0.995 = 2.58
Z = - 2.06

Z = 2.06
0.3

Rejet H0 : seuil 99% Zone NON rejet H0 : seuil 99% Rejet H0 : seuil 99%
Densite

0.2

Rejet H0 : seuil 95% Zone NON rejet H0 : seuil 95% Rejet H0 : seuil 95%

Hypothese H0
0.1

proba=0.02 proba=0.02
0.0

-4 -2 0 2 4

I Calculons la p-value, associée à |Z| = 2.06, càd. la probabilité :

P (|Z| > 2.06) = P (Z > 2.06 ∪ Z < −2.06) = 1-pnorm(2.06)+pnorm(-2.06) = 0.04.
,→ On a : 0.01 < 0.04 < 0.05, conduisant aux mêmes conclusions que celles précédentes.

3.5 La fonction [Link]()

La fonction [Link]() du logiciel R permet de facilement effectuer ce test bilatéral sur
les proportions du sondage précédent, effectuant les calculs développés ci-dessus. D’abord,
les données de la table sont encodées dans une matrice 2 × 2, soumise ensuite au test :

> matrix(c(327,203,849,652),2) # Le "2" final impose le nombre de lignes

. [, 1] [, 2]
[1, ] 327 849
[2, ] 203 652

Le test [Link]() est ensuite directement appliqué à cette matrice comme suit :

17
> [Link](matrix(c(327,203,849,652),2))

2-sample test for equality of proportions with continuity correction

data: matrix(c(327, 203, 849, 652), 2)
X-squared = 4.0304, df = 1, p-value = 0.04469
alternative hypothesis: [Link]
95 percent confidence interval:
0.001294125 0.079974523
sample estimates: prop 1 0.2780612 prop 2 0.2374269

La p-value=0.04469 permet de rejeter H0 au niveau α = 0.05, mais pas au niveau α = 0.01.

Acceptant un risque de 5% de se tromper, on conclut que le candidat A est préféré en
Région 1 : H0 est rejetée. Mais si on veut diminuer à 1% le risque de se tromper, alors H0
n’est pas rejetée : ce risque est trop faible pour oser conclure que A est préféré en Région1.

Pour comparer 2 échantillons, la fonction [Link]() se configure comme suit :

> [Link]("table/matrice", alternative=· · · )

I "table/matrice" Table ou matrice reprenant les 2 échantillons

I Alternative unilatérale (droite) H1 : π1 > π2 alternative="greater"
I Alternative unilatérale (gauche) H1 : π1 < π2 alternative="less"
I Alternative bilatérale H1 : π1 6= π2 alternative par défaut

ATTENTION. Toujours vérifiez dans les sorties du test que l’alternative est correcte. Le
choix – "less"/"greater" – dépend de l’ordre des échantillons dans la table ou la matrice !

3.6 Exercices
1. Dans un lycée, on veut comparer les taux de réussite au bac sur deux années différentes.
En 2016, on note 54 succès pour 62 interrogés. En 2017, on note 50 succès pour 56 interrogés.
Le taux de réussite a-t-il augmenté entre 2016 et 2017 ? ( Aide : Gros échantillons...)

2. Un fabricant de vêtements teste ses produits sur des sportifs. Voici leur appréciation :

Très insatisfait Insatisfait Satisfait Très satisfait

Homme 10 12 15 17
Femme 16 14 10 8

Ce fabricant veut savoir si l’appréciation Très satisfait des femmes diffère de celle des
hommes. Comment procéder ? Idem pour l’appréciation Insatisfait.

18
4 UN échantillon : Tests de conformité & Distribution connue
On s’intéresse ici à l’information que peut apporter un unique échantillon. Cette informa-
tion recherchée dépend de la loi de probabilité que la v.a. X est ici sensée suivre.
Soit un échantillon de n observations {x1 , · · · , xn } ; réalisations de n variables aléatoires
X1 , · · · , Xn indépendantes et identiquement distribuées (iid) :

Xi ∼ D(θ) ∀i

où θ représente un ou plusieurs paramètres caractérisant la distribution D. Par exemple :

Xi ∼ B(p) ∀i

dans le cas d’une épreuve de Bernoulli caractérisée par un unique paramètre p = probabilité
d’obtenir UN succès, ou encore :

Xi ∼ N (µ, σ) ∀i

loi normale caractérisée par une moyenne µ et un écart-type σ. Notons que l’on ne connait
pas toujours a priori la distribution suivie par ces v.a. Xi , ignorance impliquant un test
préalable pour identifier ou confirmer la nature éventuelle de cette distribution. Dans cer-
tains cas, ces v.a. Xi ne suivent aucune distribution.

On veut tester deux hypothèses portant sur le(s) paramètre(s) θ de la loi de probabilité
D(θ) modélisant la v.a. Xi générant l’observation xi . Ce test oppose deux hypothèses
incompatibles : H0 contre H1 . Considérons le cas d’une proprtion.

4.1 UN échantillon : comparer une proportion à une proportion théorique

Soit une proportion estimée sur un échantillon. On veut comparer la vraie proportion π de
la population dont est issu cet échantillon avec une proportion théorique π0 fixée a priori.
Il s’agit là d’un test de conformité.

Objectif : tester si la proportion π d’individus d’une population satisfaisant à une certaine

caractéristique correspond à une proportion π0 théorique spécifiée. Ce test mesure l’écart
entre π0 et la proportion p̂ estimant π sur un échantillon de taille n. La v.a. Xi = l’individu
tiré au hasard vérifie la caractéristique suit une Bernoulli Xi ∼ B(π). Dans ce cas, les deux
hypothèses H0 et H1 se formulent selon trois déclinaisons possibles :

(1) H0 : π = π0 vs H1 : π > π0
(2) H0 : π = π0 vs H1 : π < π0
(3) H0 : π = π0 vs H1 : π 6= π0 .

19
où respectivement on teste si le paramètre p de la Bernoulli B(π) générant l’échantillon est
(1) supérieur ou (2) inférieur ou (3) égal à une proportion théorique π0 fixée a priori. Les
deux premiers tests (1) et (2) sont unilatéraux, le test (3) est bilatéral.

L’échantillon est ici unique. Deux cas possibles : l’échantillon est “grand” (> 50) ou “petit”.

4.1.1 Grands échantillons : la fonction [Link]() de R

Pour de grands échantillons (taille n > 50), le Théorème Central Limite entraı̂ne que la
statistique de test est une v.a. distribuée selon une N (0, 1). Cela nous évite de passer par
la distribution d’une loi binomiale, plus délicate à manipuler. Conditions sur les données :

• L’échantillon ne peut pas être biaisé (éléments indépendants).

• nπ0 ≥ 10 et n(1 − π0 ) ≥ 10 Grand échantillon Approximation normale

La condition grand échantillon permet d’établir la statistique de test grâce au Théorème

Central Limite :
p − π0
Z=p ∼ N (0, 1)
π0 (1 − π0 )/n
La fonction [Link]() de R utilise cette statistique de test pour calculer la p-value.

F ATTENTION. Les paramètres fournis à la fonction [Link]() dépendent du type de

test mis en oeuvre. Pour traiter les tests qui nous occuperont dans les deux exemples qui
suivent, la fonction [Link]() prendra comme argument les paramètres suivants :

> [Link](x, n, p=... , alternative = "[Link]"/"less"/"greater")

. x = nombre de “succès” ;
. n = taille de l’échantillon (x/n estime la proportion π de la pop dont est issu échantillon) ;
. p = probabilité de référence (optionnel) ;
. alternative = exprime l’hypothèse alternative H1 (optionnel).

Les diverses contre-hypothèses H1 se traduisent dans la fonction [Link]() comme suit :

H0 H1 fonction [Link]()
π = π0 π=6 π0 [Link](x, n, p = π0 )
π = π0 π > π0 [Link](x, n, p = π0 , alternative="greater")
π = π0 π < π0 [Link](x, n, p = π0 , alternative="less")

I Par défaut la fonction [Link]() prend l’option alternative = "[Link]".

20
Exemple 1. Le SPF Santé se pose la question d’une éventuelle fermeture d’un service
de chirurgie C à la vue d’un taux de mortalité élevé : 31 patients opérés pour une pose de
valve cardiaque n’ont pas survécu à l’intervention parmi les 300 opérations comptabilisées
en 2009. Le taux de mortalité pour ce type d’opérations est 6.4% au niveau national. D’un
point de vue statistique, doit-on fermer ce centre : autrement dit, la proportion de décès
dans le service C est-elle significativement supérieure à la proportion nationale ?

? Définissons les deux proportions suivantes :

• π : vraie proportion de décès dans la population du service C.
• π0 = 0.064 : pourcentage de décès au niveau national.

? Choix des hypothèses pour ce test unilatéral :

• H0 : π = π0 l’échantillon étudié ne diffère pas de la population nationale.
• H1 : π > π0 la mortalité est supérieure à la moyenne nationale.

> [Link](31,300, p=0.064, alternative ="greater")

1-sample proportions test with continuity correction

data: 31 out of 300, null probability 0.064
X-squared = 7.1053, df = 1, p-value = 0.003843
alternative hypothesis: true p is greater than 0.064
95 percent confidence interval:
0.07643497 1.00000000
sample estimates:
p 0.1033333

L’hypothèse H0 est nettement rejetée, ceci aussi bien au risque α = 1% qu’au risque α = 5%.
Cet échantillon suffit pour affirmer que le service C présente une proportion d’échecs signi-
ficativement supérieure à la proportion nationale. Une décision est à prendre d’urgence !

# EXERCICE. Et si 29 décès avaient été observés, quelle serait la conclusion à 5% et à 1% ?

Exemple 2. Sous l’hypothèse génétique d’un héritage simple Mendélien, un croise-

ment entre plantes possédants deux génotypes particuliers devrait donner une génération
suivante composée d’un quart de plantes “naines” et de 3/4 de plantes “géantes”.

Suite à une expérience ayant pour but de vérifier si cette hypothèse est raisonnable, le
résultat d’un croisement donne, pour la nouvelle génération, 243 plantes “naines” et 682
plantes “géantes”. (→ Source : Conover (1971), p. 97f.)

21
,→ Soit π la vraie proportion de plantes “géantes” dans la population dont est issu l’échantillon.
Auquel cas, on la compare à la proportion théorique π0 = 3/4. Les hypothèses testées sont :
(
H0 : π = π0
H1 : π 6= π0
Il s’agit donc ici d’un test bilatéral. Pour la mise en oeuvre de ce test en R, on transmet
à la fonction [Link]() les effectifs observés sur l’échantillon (le nombre de “succès” et
l’effectif total) ainsi que la proportion théorique π0 à laquelle l’échantillon est comparé :

> [Link](682, n=682+243, p = 3/4)

1-sample proportions test with continuity correction

data: 682 out of 682 + 243, null probability 3/4
X-squared = 0.72973, df = 1, p-value = 0.393
alternative hypothesis: true p is not equal to 0.75
95 percent confidence interval:
0.7074391 0.7651554
sample estimates: p 0.7372973

On a p-value=0.393 : H0 n’est pas rejetée. Les observations ne permettent pas d’affirmer

que la nouvelle génération de plantes “géantes” ne vérifie pas la proportion théorique.

Exercices.

1. Soit un couple d’allèle A dominant et a récessif. Ces allèles expliquent-ils les phénotypes
A et a ? D’après la loi de Mendel, on s’attend à avoir 75% de A et 25% de a. Sur un
échantillon de 200 sujets, on observe 65% de A. La répartition de la population dont est
issu cet échantillon suit-elle une loi de Mendel ?

2. Afin de tester une solution toxique, on fait des injections à un groupe de 80 souris.
On admet que l’injection est mortelle dans 80% des cas. Le fait que 22 souris ne soient pas
mortes est-il compatible au seuil 5% avec cette hypothèse ?

3. On souhaite savoir si les adolescents victimes de mauvais traitements pendant l’enfance

ont tendance à fuguer plus que les autres. On a relevé 28 fugueurs parmi les 85 adolescents
maltraités et 9 parmi les 104 adolescents non maltraités. Peut-on, au risque α = 5%, accep-
ter l’hypothèse émise ?

4. Une anomalie génétique touche en France 1/1000 des individus. Dans une région
donnée, on constate que 2 personnes sont atteintes sur 50000 naissances. Cette région
comptabilise-t-elle moins d’anomalies que la France entière ?

22
4.1.2 UN petit échantillon Test Binomial Exact : [Link]()
Pour des échantillons de petite taille (n < 50), on ne peut bénéficier du Théorème Cen-
tral Limite : la statistique de test ne peut plus être considérée comme étant distribuée
selon une N (0, 1). On doit alors utiliser un test dit “exact”. Ce test est dit exact car ne
recourant à aucune approximation asymptotique ([Link]. le Théorème Central Limite). La
fonction [Link]() effectue un test exact avec hypothèse binomiale. Intervient ici une
H0 mentionnant une probabilité de succès dans une épreuve de Bernoulli.

Les options de la fonction [Link]() sont identiques à celles de la fonction [Link]()

prévue pour les gros échantillons. Les paramètres de la fonction [Link]() sont :

> [Link](x, n, p = NULL, alternative = c("[Link]", "less", "greater"))

. x = nombre de “succès” ;
. n = taille de l’échantillon ;
. p = probabilité de référence ;
. alternative = exprime l’hypothèse alternative H1 .

I Par défaut, le test [Link]() prend : alternative = "[Link]"

,→ EXEMPLE. Soit un échantillon de 20 poissons dont 3 sont monochromes. Cet échantillon

peut-il provenir d’une population où la proportion π de “monochromes” est supérieure à
celle théorique attendue π0 = 0.064 ? La taille de l’échantillon étant petite (20), on utilise
le test exact basé sur la binomiale.

Les hypothèses traduisant la question sont : H0 : π = 0.064 vs H1 : π > 0.064

> [Link](3,20, p=0.064, alternative="greater")

Exact binomial test

data: 3 and 20
number of successes = 3, number of trials = 20, p-value = 0.1327
alternative hypothesis: true probability of success is greater than 0.064
95 percent confidence interval:
0.04216941 1.00000000
sample estimates:
probability of success 0.15

Le test livre p-value=0.1327. On ne rejette pas H0 . On ne prend pas le risque d’affirmer

que cet échantillon provient d’une population dont la proportion de “monochromes” est

23
supérieure à la proportion théorique π0 , ceci malgré le fait que la proportion observée sur
l’échantillon (0.15) vaut plus du double de π0 = 0.064 ! Ce phénomène contre-intuitif est
possible du fait que la taille de l’échantillon est petite.

# EXERCICE. Si on doublait toutes les valeurs, conservant ainsi les mêmes proportions,
la conclusion serait-elle identique ? Vérifiez-le en testant la commande adéquate.

F REMARQUE. L’échantillon étant de petite taille, un [Link]() donnerait ici un

résultat contestable (→ voir WARNING MESSAGE !) :

> [Link](3,20, p=0.064, alternative="greater")

1-sample proportions test with continuity correction

data: 4 out of 20, null probability 0.064
X-squared = 4.1136, df = 1, p-value = 0.02127
alternative hypothesis: true p is greater than 0.064
95 percent confidence interval:
0.07696688 1.00000000
sample estimates: p 0.2
Warning message:
In [Link](4, 20, p = 0.064, alternative = "greater", [Link] = 0.95) : Chi-squared approximation
may be incorrect

EXERCICES.
1. (a) Une classe de 17 étudiants compte 2 filles. Cette proportion est-elle conforme à
celle de la population, autrement dit, est-elle due aux fluctuations d’échantillonnage ou
n’est-ce pas un hasard ?
(b) Même question, sachant qu’une nouvelle étudiante survient entre-temps dans la classe.
(c) Même question, sachant qu’une deuxième nouvelle étudiante survient dans cette classe.
(d) Même question, sachant qu’une troisième nouvelle étudiante survient dans cette classe.

2. Comment expliquez-vous que le test du point précédent puisse donner deux conclusions
opposées pour les deux échantillons suivants :
◦ la classe compte 10 filles sur 40 étudiants ;
◦ la classe compte 1 fille sur 4 étudiants ;
ceci alors que les proportions sont identiques dans les deux cas ?

24
4.2 UN échantillon : Comparer une moyenne à une moyenne théorique
Soit une v.a. X distribuée selon une loi normale N (µ, σ), où la moyenne µ et l’écart-type
σ de la population – supposée très grande – sont inconnus. Trois couples d’hypothèses
peuvent être formulés concernant la moyenne µ :

(1) H0 : µ = µ0 vs H1 : µ > µ0 test unilatéral

(2) H0 : µ = µ0 vs H1 : µ < µ0 test unilatéral
(3) H0 : µ = µ0 vs H1 : µ 6= µ0 test bilatéral

Ici aussi, on s’interroge sur la position de la moyenne µ par rapport à une valeur théorique µ0
fixée a priori. Choisir entre un test bilatéral ou unilatéral dépend du type de données ana-
lysées et de d’expérience menée. Par exemple, tester si une nouvelle thérapie est meilleure
qu’une précédente peut conduire à tester si un indicateur (taux de glycémie ou pression
artérielle, etc.) est en moyenne plus élevé ⇒ on prendra l’hypothèse alternative H1 = “la
nouvelle moyenne est supérieure à l’ancienne”. Le parti pris ici est de postuler que la nou-
velle méthode ne peut en aucun cas être moins bonne : au pire elle ne fait pas mieux.

En général, H1 représente ce que l’on veut prouver. Le rejet de H0 , qui n’a qu’une probabi-
lité faible d’arriver sous H0 (par ex. 5%) confirme a contrario H1 (statistiquement parlant).

,→ EXEMPLE 1. Un entrepreneur a besoin de poutres en ciment conçues pour résister à

une pression latérale de 30 MPa (Mega-Pascal ). Plus précisément, √il exige que la distribu-
tion de la résistance X de ces poutres suive une loi normale N (30, 2). Un fabricant affirme
produire des poutres respectant ces normes. Prélevant dans sa production un échantillon de
5 plaques, on observe les valeurs suivantes : 30.1, 29.5, 29.6, 28.4, 28.9. Sur base de
cet échantillon, peut-on affirmer que le fabricant respecte les normes de conception exigées ?

La moyenne observée dans l’échantillon x̄n = 29.3 semble donner tort au fabricant. Mais
cela permet-il d’affirmer que la moyenne µ de la population dont est issu cet échantillon
de poutres est inférieure à celle exigée (µ0 = 30) ?

On formule les hypothèses : H0 : µ = 30 vs H1 : µ < 30

F REMARQUES :
(1) Le test est ici unilatéral (gauche) : on s’intéresse uniquement à l’alternative où – ne
respectant pas la norme de conception – la résistance moyenne d’une poutre représenterait
un danger structurel (l’alternative unilatérale H1 : µ > 30 dépasse les exigences de l’entre-
preneur et l’alternative bilatérale H1 : µ 6= 30 ne répond pas à la question présente).
(2) Seule la distribution sous H0 ici est entièrement spécifiée (on parle alors d’hypothèse
simple). L’hypothèse alternative H1 est dite hypothèse composée car elle ne spécifie pas

25
une distribution unique lorsque H1 est vraie. C’est le cas le plus fréquemment rencontré
en pratique bien que parfois on puisse aussi avoir une alternative simple.

4.2.1 Loi normale d’écart-type σ connu

On suppose ici que l’échantillon de taille n est constitué d’observations indépendantes et
que la v.a. X = “résistance
√ d’une poutre prise au hasard” suive une distribution normale
d’écart-type connu σ = 2 et de moyenne µ inconnue, ces paramètres étant identiques pour
toutes les poutres : √
X ∼ N µ, 2 .

Sous H0 , la moyenne X n de ces observations est donc une v.a. dont la distribution
√ !
σ 2
X n ∼ N µ, √ = N 30, √
n 5

permet de calculer P (X n ≤ 29.3). Si cette probabilité est inférieure à un risque que l’on
s’est fixé (souvent α = 0.05) alors on rejettera l’hypothèse H0 car la valeur x̄n = 29.3 ap-
paraı̂tra comme atypique pour la distribution de X n .

Sous H0 , la statistique de test est ici :

X n − 30
Z= √ ∼ N (0, 1)
σ/ 5
√ √
Sur l’échantillon : Z = 29.3−30
√ √ = −0.7 5/ 2 = −1.1068 = −1.11. Ce test étant unilatéral (gauche),
2/ 5
on s’intéresse à la probabilité :

P (X n ≤ 29.3) = P (Z ≤ −1.1068) = pnorm(-1.1068) = 0.134.

Observant que 0.134 > 0.05, on ne peut rejeter H0 , i.e. on n’a pas d’évidences suffisantes
pour affirmer que l’exigence de conception n’est pas respectée.

F REMARQUES.
I Le nombre d’observations joue un rôle clé dans cette décision. Par exemple, un échantillon
de 20 observations plutôt que 5, toujours livrant la même moyenne, donnerait p-value=0.0136
entraı̂nant une décision contraire.
I On pourrait
√ directement utiliser la fonction de répartition de la normale non réduite X n ∼
N (30, σ/ 5) via la commande R : > pnorm(29.3,30,sqrt(2)/sqrt(5)) = 0.1341908
Attention au fait que ce raccourci n’est pas évident pour d’autres distributions. Autant
dès lors s’habituer à centrer-réduire les normales quelconques pour construire intervalles et
tests à partir des quantiles standards.

26
Normale N(0,1) : Test unilateral (gauche)

0.4

Z = -1.11
− Z0.99 = -2.33

− Z0.95 = -1.64
0.3

Rejet H0 : seuil 99% Zone NON rejet H0 : seuil 99%

Densite

0.2

Rejet H0 : seuil 95% Zone NON rejet H0 : seuil 95%

Hypothese H0
0.1
0.0

-4 -2 0 2 4

Dans graphique ci-dessus, les limites des aires (droites rouges verticales) ont été calculées
comme suit :

qnorm(0.05) = -qnorm(0.95) = −1.64 = limite laissant une probabilité 0.05 à gauche.

qnorm(0.01) = -qnorm(0.99) = −2.33 = limite laissant une probabilité 0.01 à gauche.

4.2.2 Loi normale d’écart-type σ inconnu : la fonction [Link]()

Il peut arriver que la statistique de test soit distribuée selon une N (µ, σ) dont la variance
σ 2 est inconnue. Pour procéder à un test, on doit préalablement estimer l’écart-type σ en
calculant sn : v
u n
u 1 X
sn = t (xi − x̄n )2 .
n−1
i=1
,→ EXEMPLE 1. Modifions l’exemple des poutres. A présent les exigences de l’entre-
preneur sont que la résistance des poutres suive une loi normale N (30, σ) dont il ignore
l’écart-type (ce qui en pratique est impossible). En R, l’estimation sn de l’écart-type σ se
fait comme suit :

> resist=c(30.1, 29.5, 29.6, 28.4, 28.9)

> sd(resist) 0.6595453

27
Les hypothèses testées demeurent inchangées :

H0 : µ = 30 vs H1 : µ < 30

Pour établir la statistique de test, nous avons besoin d’un résultat vu précédemment (→
voir chapitre sur les intervalles de confiance), à savoir que, σ étant inconnu et donc estimé
sur l’échantillon, la v.a. T √
n(X n − 30)
T = ∼ tn−1
sn
est distribuée selon une Student tn−1 , où n est la taille de l’échantillon et X n la v.a. valant
la moyenne d’un échantillon extrait aléatoirement de la population. Pour notre exemple,
la mesure de cette statistique de test vaut :
√ √
n(x̄n − 30) 5(29.3 − 30)
T = = = −2.372
sn 0.66
Sachant que T ∼ t4 et qu’il s’agit d’un test unilatéral (gauche), on s’intéresse à :
p-value = P (T ≤ −2.372) = pt(-2.372,4) = 0.038.
Conclusion : 0.01 < 0.038 < 0.05 ⇒ Rejet de H0 au niveau α = 5%. Mais pas pour α = 1%.

Student t4 : Test Unilateral (gauche)

− q0.99 4 = -3.75

− q0.95 4 = -2.13
Z = -2.37
0.3

R H0 : 99% Zone NON rejet H0 : seuil 99%

Densite

0.2

Rejet H0 : seuil 95% Zone NON rejet H0 : seuil 95%

Hypothese H0
0.1

p-value=0.038
0.0

-4 -2 0 2 4

La fonction [Link]()
La fonction [Link]() réalise le test sur une moyenne en partant du principe que l’écart-type

28
est inconnu. Ce test estime automatiquement l’écart-type à partir de l’échantillon. Rappe-
lons aussi que ce test s’applique uniquement aux échantillons issus d’une v.a. normalement
distribuée. Cependant, pour un gros échantillon il est inutile de se préoccuper de cette
dernière condition, le Théorème Central Limite assurant que la moyenne d’échantillon est
auquel cas normalement distribuée.

Reprenant l’exemple des poutres où σ est inconnu, le test unilatéral (gauche) se code :

> resist=c(30.1, 29.5, 29.6, 28.4, 28.9)

> [Link](resist,mu=30,alternative="less")

One Sample t-test

data: resist
t = -2.3732, df = 4, p-value = 0.03828
alternative hypothesis: true mean is less than 30
95 percent confidence interval:
-Inf 29.9288
sample estimates: mean of x 29.3

F REMARQUE. Entre autres choses, les résultats d’un test résument le type de test réalisé.
Vérifiez toujours que vous avez choisi la bonne option alternative=... pour exprimer la
contre-hypothèse H1 . Ici, l’information alternative hypothesis: true mean is less
than 30, confirme le choix de la bonne option "less".

,→ EXEMPLE 2. Sur base d’un échantillon E de 7 gymnastes, on veut déterminer si la

taille moyenne µg des gymnastes de 15 ans est plus petite que la moyenne µ0 = 161 cm des
jeunes filles de leur âge. Soit E = { 146.4 145.6 143.2 156.4 131.8 148.7 154.9}
On fait l’hypothèse que les tailles sont distribuées selon une loi normale. On teste ici :

H0 : µg = µ0 vs H1 : µg < µ0 .

,→ Soit la v.a. X =Taille d’une fille de 15 ans choisie au hasard où X ∼ N (µ0 , σ0 ). On ne
connait pas l’écart-type σ0 de cette loi normale. Les estimations livrées par l’échantillon
sont : x̄n = 146.7 cm et sn = 8.2 cm. L’échantillon est de petite taille n = 7 ⇒ on utilise
la fonction [Link](). La statistique étudiée est :

X − µ0 146.7 − 161
T = √ = √ = −4.62 ⇒ La v.a. T ∼ t6 .
ŝ7 / 7 8.2/ 7

Calcul de la p-value : p = P (T ≤ −4.62) = pt(-4.62,df=6) = 0.0018 < α = 0.05.

29
Student t6 : Test unilateral (gauche)

− Z0.99 = − 3.14

− Z0.95 = − 1.94
Z = − 4.62
0.3

Rejet H0 : seuil 95% Zone NON rejet H0 : seuil 95%

Densite

0.2

Rejet H0 : seuil 99% Zone NON rejet H0 : seuil 99%

Hypothese H0
0.1
0.0

-4 -2 0 2 4

Réalisation du [Link]() avec le logiciel R :

> tailles<-c(146.4,145.6,143.2,156.4,131.8,148.7,154.9)
> [Link](tailles,mu=161,alternative = "less")

One Sample t-test

data: tailles
t = -4.624, df = 6, p-value = 0.0018
alternative hypothesis: true mean is less than 161
95 percent confidence interval:
-Inf 152.7177
sample estimates: mean of x 146.7143

On rejette donc l’hypothèse H0 d’égalité des moyennes. REMARQUE. On peut éventuellement

faire un box-plot de ces tailles et comparer sa position par rapport à la constante 161.

Exercice. Dans la population, le dosage de l’activité d’un enzyme suit une loi normale
d’espérance (moyenne) µ = 10.7 et d’écart-type σ inconnu. Une série de dosages effectués
sur une même personne a donné : 12.9 8.7 9.0 1.2 2.7 9.7 9.1 10.3
Cette personne peut-elle être considérée comme “normale” ?

30
5 DEUX échantillons : Tests d’égalité & Distribution connue
Comparaison de deux groupes : très souvent basée sur des taux de “succès” ou “d’échec”.
Par exemple : nombre de succès respectifs de deux médicaments, de deux thérapies, etc.
Pourcentage d’animaux présentant une caractéristique dans deux régions distinctes, etc.

L’objectif est ici de tester l’égalité des proportions πa et πb d’un caractère dans deux
populations ℘a et ℘b . Pour ce faire, on dispose de deux échantillons Ea et Eb indépendants
de taille na et nb respectivement, échantillons où sont observées les proportions estimées pa
et pb du caractère étudié. L’absence de différence entre ces proportions entraı̂ne πa = πb ,
impliquant que pa − pb est nulle en moyenne.

5.1 Comparer deux proportions : DEUX (gros) échantillons

On veut tester si les proportions de caractères qualitatifs observées sur deux échantillons
sont compatibles avec celles de populations où les vraies proportions de ces caractères se-
raient égales.

Les conditions de validité de ce test correspondent à celles d’un grand échantillon :

na × p a > 5 na × (1−pa ) > 5 nB × p b > 5 nb × (1−pb ) > 5.

Une fois de plus, la statistique de test sera établie sous H0 , c’est-à-dire considérant H0
vraie. Sous H0 : πa = πb . Les estimations pa et pb – égales en moyenne – sont alors deux
estimations d’une même proportion π. Sous H0 , la meilleure estimation possible p de π
se calcule sur l’ensemble des deux groupes. Il s’agit de la proportion commune aux deux
échantillons :
na pa + nb pb
p= .
na + nb
Sous H0 , le Théorème Central Limite postule (→ voir précédemment dans ce chapitre) :
pa − pb
Z=r ∼ N (0, 1).
p(1 − p) n1a + 1
nb

La zone de rejet de H0 découle de la statistique de test Z.

Nous verrons ultérieurement qu’il existe un lien avec le test du χ2 (→ voir suite du cours).

,→ EXEMPLE . Soient deux traitements anti-VHC testés respectivement sur deux groupes
Ea et Eb de taille na = nb = 50. Les essais cliniques donnent :

31
Succès Echec
Traitement A 26 24
Traitement B 19 31

Question : le traitement A est-il plus efficace que le traitement B ?

REPONSE. Les proportions estimées de “succès” sont : pa = 0.52 et pb = 0.38.

On constate : 50 × 0.38 > 5 50 × 0.62 > 5 50 × 0.52 > 5, etc.
⇒ Les conditions grand échantillon sont donc remplies.

On pose les hypothèses : H0 : πa = πb vs H1 : πa > πb ⇒ test unilatéral.

On estime la proportion commune sous H0 : p = (50 × 0.52 + 50 × 0.38)/100 = 0.45

La statistique de test calculée sur échantillons a pour valeur :
pa − pb 0.52 − 0.38
r =p = 1.41
0.45 × 0.55 × 2/50

p(1 − p) n1a + 1
nb

Constatant que 1.41 < 1.96, on ne rejette donc pas H0 (risque à α = 5%).
La p-value correspondante 1-pnorm(1.41) = 0.08 confirme cette conclusion.

La fonction [Link]() permet de tester l’égalité de deux proportions. Cependant,

cette fonction n’effectue pas exactement les calculs précédents, recourant à une correction
de continuité qui tient compte du passage d’une distribution discrète (la binomiale) à une
distribution continue (la loi normale). D’où une p-value légèrement différente (0.08 6=
0.11). Mais il ne faut pas s’inquiéter de cette subtile différence, les conclusions du test
étant identique.

La fonction [Link]() requière une matrice reprenant les éléments de la table :

> matrix(c(26,24,19,31),nrow=2,byrow=T)

[, 1] [, 2]
[1, ] 26 24
[2, ] 19 31

Dans la commande matrix(), l’option nrow= fixe le nombre de lignes et l’option byrow=T
précise que les nombres de la liste c(26,24,19,31) remplissent la matrice “ligne par ligne”.
Cette matrice est ensuite soumise au test :

> [Link](matrix(c(26,24,19,31),2,byrow=T),alternative="greater")

32
2-sample test for equality of proportions with continuity correction
data: matrix(c(26, 24, 19, 31), 2, byrow = T)
X-squared = 1.4545, df = 1, p-value = 0.1139
alternative hypothesis: greater
95 percent confidence interval:
-0.04203269 1.00000000
sample estimates:
prop 1 prop 2
0.52 0.38

F REMARQUE : Vérifiez sur le bilan du test ci-dessus (deux dernières lignes) que les
proportions estimées sur échantillon sont correctes, ainsi que l’ordre dans lequel elles se
présentent, ce qui a un impact sur l’option alternative="greater" du test. ATTEN-
TION à ne pas vous tromper d’alternative, erreur courante !

Conclusion du test : p-value=0.1139 ⇒ on ne prend pas le risque de rejeter H0 .

EXERCICES 1. On compare deux traitements α et β sur un échantillon de patients.

Les données médicales sont :
Succès Echec
Traitement α 29 24
Traitement β 17 31

Acceptant 5% d’erreur, peut-on affirmer que le traitement α est meilleur que traitement β ?

2. Dans un échantillon de 1000 personnes on observe 40% de fumeurs. Parmi les fumeurs
175 sont malades et 180 parmi les non fumeurs. La proportion de malades parmi les fumeur
est-elle plus élevée que celle parmi les non fumeurs ?
On demande ici de tenir compte précisément de l’hypothèse alternative H1 et d’activer
l’option adéquate dans la fonction [Link]().

5.2 Comparer 2 proportions & Petits échantillons : test exact de Fisher

Pour les petits échantillons, le Théorème Central Limite n’est plus d’application. L’ap-
proximation par une normale n’étant plus possible, on doit alors utiliser un test dit exact,
applicable aux tables de contingence 2 × 2 : le Test de Fisher. Ce test vérifie l’égalité de
deux proportions estimées sur deux échantillons indépendants, égalité bien entendu testée
au niveau des populations respectives.

,→ EXEMPLE. Soit un échantillon de 24 personnes réparties comme suit :

33
Pas problème santé Problème santé
Non fumeur 5 2
Fumeur 5 12

> [Link](matrix(c(5,2,5,12),2))

Fisher’s Exact Test for Count Data

data: matrix(c(5, 2, 5, 12), 2)
p-value = 0.08501
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
0.6394478 76.7250325
sample estimates: odds ratio 5.514148

On ne rejette pas H0 , ni à 5% de risque, ni à 1% de risque. Conclusion ? Pour les mêmes

proportions sur un échantillon plus grand, la conclusion aurait-elle été identique ? Recom-
mencez cette étude en décuplant chaque donnée de la table de départ (quel test utiliser ?)

5.3 Remarque : comparer plus de 2 proportions

La fonction [Link]() permet de comparer plus de deux proportions (sur
grand échantillon) > [Link](x,n,[Link]=[Link],...)

,→ EXEMPLE. Quatre médecins des années ’80 ont comptabilisé le nombre de fumeurs
parmi leurs patients (→ Source : Fleiss (1981), p. 139.) :

Fumeurs 83 90 129 70
Patients 86 93 136 82

QUESTION : Les proportions de fumeurs sont-elles identiques pour ces quatre médecins ?

Posons les hypothèses :

H0 : Les 4 populations dont sont issus les patients ont la même proportion de fumeurs.
H1 : La proportion est différente dans au moins une de ces populations.
Dans un premier temps, les deux ensembles de proportions sont stockés dans deux listes :
> smokers <- c(83,90,129,70)
> patients <- c(86,93,136,82)
Ces listes sont ensuite soumises à la fonction [Link]() :
> [Link](smokers, patients)

,→ Conclusion ?

34
5.4 DEUX échantillons : Comparaison de moyennes → Test t de STUDENT
Soient deux populations ℘1 et ℘2 sur lesquelles une même v.a. X a pour moyenne µ2 et µ1
respectivement. On veut tester l’égalité éventuelle de ces moyennes, à savoir les hypothèses :
( ( (
H0 : µ1 = µ2 H0 : µ1 = µ2 H0 : µ1 = µ2
ou ou
H1 : µ1 6= µ2 H1 : µ1 > µ2 H1 : µ1 < µ2
On traite ici d’observations issues de deux échantillons. Le test recouvre les cas suivants :

Si la taille des échantillons est “petite” (< 30), alors ils doivent provenir de v.a.
normalement distribuées. Le test adaptera sa statistique de test selon que :
♦ les deux lois normales concernées ont des variances égales ou inégales
♦ ces variances sont connues : le test utilise les quantiles d’une loi normale
♦ ces variances sont inconnues : interviennent les quantiles d’une Student
♦ les échantillons sont indépendants ou appariés (“pairés”)
Pour des échantillons de tailles suffisamment élevées (n > 30), le Théorème Central
Limite assure que la moyenne de ces échantillons suit une loi normale. Auquel cas,
peu importe si ces échantillons proviennent de populations normalement distribuées
ou non. La statistique de test tient compte du fait que :
♦ les quantiles intervenant dans le test sont toujours ceux d’un loi normale
♦ les variances de la v.a. X sur les populations ℘1 et ℘2 sont égales ou inégales
♦ les échantillons sont indépendants ou appariés (“pairés”)

5.4.1 Tester la normalité & Tester l’égalité de variances

Le logiciel R permet de tester si les valeurs prises par la v.a. X sur un échantillon E sont
issues d’une loi normale. Plusieurs tests existent, notamment le test de Shapiro-Wilk.
Les hypothèses testées par cette fonction sont :
(
H0 : La v.a. X est distribuée normalement sur la population dont provient E
H1 : La v.a. X n’est pas distribuée normalement sur la population
Nous ne détaillerons pas ici les calculs de ce test. Il suffit de retenir que la p-value est le
paramètre livré par ce test qui importera dans le choix ultérieur d’un test. Une fois de
plus, selon le risque fixé a priori (α = 5% ou α = 1%) on rejettera ou non H0 . Rejeter
H0 induit ici une non normalité de la distribution suivie par X. Ne pas rejeter H0 en-
traı̂nera ici que nous admettrons être autorisé à recourir à un test supposant la normalité
de la v.a. X testée. Ce choix est évidemment un peu abusif, H0 n’étant pas forcément vraie !

En R, la fonction [Link]() active le test de Shapiro-Wilk. Il suffit de fournir à cette

fonction les valeurs de l’échantillon.

35
,→ EXEMPLE 1. Soit à tester la normalité de la v.a. X dont un échantillon aléatoire de
12 valeurs est :
80.6 60.5 47.5 60.6 85.6 78.5 80.4 84.7 74.1 90.3 72.7 76.8

Tester la normalité se fait à l’aide de la commande :

> [Link](c(80.6,60.5,47.5,60.6,85.6,78.5,80.4,84.7,74.1,90.3,72.7,76.8))

Shapiro-Wilk normality test

data: c(80.6, 60.5, 47.5, 60.6, 85.6, 78.5, 80.4, 84.7, 74.1, 90.3, 72.7, 76.8)
W = 0.91394, p-value = 0.2396

Conclusion : on ne rejette pas H0 . Rien ne permet d’affirmer que cet échantillon ne provient
pas d’une population normalement distribuée.

F REMARQUE. En réalité, les données reprises dans cet échantillon proviennent effective-
ment normalement distribuées. La prtite taille de l’échantillon induit le fait que la p-value
n’est pas plus élevée.

,→ EXEMPLE 2. Soit à tester la normalité de la v.a. X dont un échantillon aléatoire de

14 valeurs est : 4 5 6 7 7 7 7 7 7 7 7 7 8 9

Tester la normalité se fait à l’aide de la commande :

> [Link](c(4,5,6,7,7,7,7,7,7,7,7,7,8,9))

Shapiro-Wilk normality test

data: c(4, 5, 6, 7, 7, 7, 7, 7, 7, 7, 7, 7, 8, 9)
W = 0.81447, p-value = 0.007577

Conclusion : on rejette H0 . Cet échantillon ne provient très probablement pas d’une popu-
lation normalement distribuée.

F REMARQUE. On ne rejette pas l’hypothèse que la distribution de la v.a. X ayant pro-

duit l’échantillon (6,6,7,7,7,8,8,8) serait normale :

> [Link](c(6,6,7,7,7,8,8,8))

Shapiro-Wilk normality test

data: c(6, 6, 7, 7, 7, 8, 8, 8)
W = 0.83521, p-value = 0.06724

36
Pourtant, cet échantillon ne suit clairement pas une loi normale. Le test refuse de rejeter
H0 du fait, entre autres choses, de la petite taille de l’échantillon.

F REMARQUE. On peut graphiquement évaluer la normalité d’une variable à l’aide d’un

Q-Q plot (quantile-quantile plot). Un Q-Q plot dessine la correlation entre un échantillon
donné et la distribution normale.

# EXERCICE. Vérifiez les sorties en R pour les commandes suivantes :

[Link](1:12)
[Link](c(rep(4,3),5))
[Link](c(1:12,6:18))
Commentez les résultats (n’hésitez pas à faire un histogramme...)

Soit à présent une v.a. X dont les valeurs sont connues sur deux échantillons E1 et E2
issus des populations ℘1 et ℘2 . Soit σi2 (i = 1, 2) la variance de X sur la population ℘i .
Comparant deux populations, le t − test basé sur la Student gagne en puissance si
l’égalité des variances σ12 = σ22 est avérée. Il est donc utile de préalablement établir si ces
variances peuvent être considérées comme étant égales. La fonction [Link]() – test de
Fisher ou F-test – teste l’égalité de deux variances σ12 et σ22 à partir des variances s21 et s22
de X estimées sur les échantillons. Plus précisément, cette fonction teste :

H0 : σ12 = σ22 vs H1 : σ12 6= σ22

Le F-test est peu robuste, autrement dit, il très sensible aux écarts par rapport à ses condi-
tions d’applications, notamment la condition de normalité. Il faut donc préalablement
vérifier que les données sont normalement distribuées avant de recourir au F-test.

F REMARQUE. S’il y a un doute à propos de la normalité, mieux vaut utiliser le test de

Levene ou le test Fligner-Killeen, ces tests étant moins sensibles à un écart par rapport à
la condition de normalité.

,→ EXEMPLE. Soit le fichier "crabs" inclu dans R et activé comme suit :

> data(crabs,package="MASS"); attach(crabs)

Ce fichier comprend diverses mensurations de crabes, notamment la largeur de carapace

(CW) et une variable qualitative “espèce” à DEUX modalités (sp).

> [Link](CW∼sp)

37
F test to compare two variances
data: CW by sp
F = 1.0881, num df = 99, denom df = 99, p-value = 0.6753
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval: 0.7321095 1.6171499
sample estimates: ratio of variances 1.088086

On ne rejette pas H0 . Vu la taille élevée de l’échantillon (n = 200), cela induit une forte
possibilité de normalité de la variable CW.

,→ EXEMPLES. Considérons quelques exemples artificiels, mais qui ont le mérite de traiter
des données simples et prévisibles :

> [Link](1:10,100:110)

F test to compare two variances

data: 1:10 and 100:110
F = 0.83333, num df = 9, denom df = 10, p-value = 0.794
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval: 0.2205191 3.3032210
sample estimates: ratio of variances 0.8333333

> [Link](1:10,20:50)

F test to compare two variances

data: 1:10 and 20:50
F = 0.11089, num df = 9, denom df = 30, p-value = 0.001616
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval: 0.04306947 0.39480355
sample estimates: ratio of variances 0.1108871

> [Link](1:10,100:101)

F test to compare two variances

data: 1:10 and 100:101
F = 18.333, num df = 9, denom df = 1, p-value = 0.3589
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval: 0.01903211 132.17019287
sample estimates: ratio of variances 18.33333

Dans ce dernier exemple, le non rejet de H0 est certainement moins dû à l’égalité des va-

38
riances qu’à la petitesse du deuxième échantillon (deux unités) ⇒ Test prudent...

Par contre, voyez-vous pourquoi les données suivantes, pourtant assez similaires aux précédentes,
entraı̂nent un rejet de H0 ?

> [Link](rep(1:10,3),rep(100:101,3))

F test to compare two variances

data: rep(1:10, 3) and rep(100:101, 3)
F = 28.448, num df = 29, denom df = 5, p-value = 0.001449
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval: 4.563425 86.591725
sample estimates: ratio of variances 28.44828

F REMARQUE. Nous verrons un peu plus loin que la fonction [Link]() teste
l’égalité de plus de deux variances.

5.4.2 La fonction [Link]() : les différents tests

Les options de la fonction [Link]() intègrent toutes les conditions énumérées ci-dessus :

• Un échantillon : tester l’égalité de la moyenne µ d’une population avec une valeur

théorique µ0 donnée a priori (→ déjà étudié précédemment dans ce chapitre) ;
• Deux échantillons E1 et E2 indépendants + variances égales : tester l’égalité des
moyennes µ1 et µ2 de deux populations dont les variances sont égales : σ12 = σ22 ;
• Deux échantillons E1 et E2 indépendants + variances inégales : tester l’égalité des
moyennes µ1 et µ2 de deux populations dont les variances sont inégales : σ12 6= σ22 ;
• Deux échantillons E1 et E2 appariés : tester l’égalité des moyennes µ1 et µ2 de deux
populations appariées (et donc non indépendantes).
NN
Si non précisées, certaines options du test sont imposées par défaut ! Notamment :

• [Link]() teste H1 : µ1 6= µ2 bilatérale. Toute autre alternative doit être précisée :

? H1 : µ1 > µ2 ⇒ option : alternative="greater" ;
? H1 : µ1 < µ2 ⇒ option : alternative="less".
• Appliquée à deux échantillons, la fonction [Link]() suppose des variances inégales.
Sinon, activer l’option : [Link]=TRUE ;
• Appliquée à deux échantillons, la fonction [Link]() suppose qu’ils sont indépendants.
Sinon, activer l’option : paired=TRUE

39
La fonction [Link]() traite deux échantillons E1 et E2 (⇒ 2 vecteurs c(· · · )) comme suit :

> [Link](E1 , E2 , alternative=..., [Link]=..., paired=...)

Voyons aux travers d’exemples quelles options choisir dans le cas de DEUX échantillons.

5.4.3 Fonction [Link]() sur DEUX échantillons indépendants

On veut tester si les moyennes µ1 et µ2 de la v.a. X étudiée sur les populations ℘1 et ℘2
diffèrent ou non. Si cette différence est significativement avérée, H1 précisera sa nature. Ne
pas perdre de vue que l’issue d’un test dépend, entre autres caractéristiques, de H1 .

Pour inférer sur l’égalité éventuelle des “vraies” moyennes µ1 et µ2 de X au niveau des
populations ℘1 et ℘2 , on recoure aux moyennes observées x̄1 et x̄2 de X estimées sur les
échantillons E1 et E2 de taille n1 et n2 respectivement (pas forcément égales), échantillons
indépendants, sélectionnés aléatoirement dans ℘1 et ℘2 .

,→ EXEMPLE 1. Pour deux catégories différentes de raisins C1 et C2 , on a observé l’aci-

dité (ph) de 7 et de 11 grappes respectivement. Supposant que le ph suit une loi normale,
testez si la différence d’acidité est significative.

C1 : 3.752 3.521 3.708 3.638 3.501 3.542 3.595

C2 : 3.445 3.516 3.404 3.548 3.447 3.448 3.259 3.527 3.485 3.356 3.592

On compare ici deux moyennes µ1 et µ2 de populations. Formulation des hypothèses :

H0 : µ1 = µ2 vs H1 : µ1 6= µ2 .

Dans l’espoir d’augmenter la puissance du test, on s’interroge dans un premier

temps sur l’égalité des variances des ph au niveau des deux populations. Réalisation du
[Link]() :

c1 <- c(3.752,3.521,3.708,3.638,3.501,3.542,3.595)
c2 <- c(3.445,3.516,3.404,3.548,3.447,3.448,3.259,3.527,3.485,3.356,3.592)

> [Link](c1, c2)

F test to compare two variances

data: c1 and c2
F = 1.0426, num df = 6, denom df = 10, p-value = 0.9067
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval: 0.2560247 5.6937914

40
sample estimates: ratio of variances 1.042566

p-value = 0.9. L’hypothèse H0 n’est pas rejetée. On postule (abusivement !) l’égalité

des variances σ12 = σ22 , activant dès lors l’option [Link]=TRUE du [Link]() :

> [Link](c1,c2,[Link]=TRUE)

Two Sample t-test

data: c1 and c2
t = 3.3022, df = 16, p-value = 0.004499
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: 0.05411307 0.24817264
sample estimates: mean of x mean of y 3.608143 3.457000

La p-value invite à rejeter H0 au niveau α = 0.01. Ce test conclut à une différence signi-
ficative des taux d’acidité entre les deux catégories de raisins.

#EXERCICE. Faite le même test où l’hypothèse alternative H1 postule à présent un ph

plus élevé pour le premier échantillon de raisin. Que devient la p-value ainsi obtenue par
rapport à celle de l’alternative H1 bilatérale ci-dessus ?

,→ EXEMPLE 2. Poids du cerveau (en grammes) de 10 hommes et 10 femmes (d’après

R.J. Glastone, 1905). Sur base de ces échantillons, peut-on inférer que le poids moyen du
cerveau masculin est significativement plus élevé que le poids moyen du cerveau féminin ?
On suppose que le poids d’un cerveau masculin (resp. féminin) est une v.a. distribuée selon
une normale N (µ1 , σ1 ) (resp. N (µ2 , σ2 )).

hommes 1381 1349 1258 1248 1355 1335 1416 1475 1421 1383
femmes 1055 1305 1155 1120 1252 1208 1154 1197 1229 1212

Solution. Tout d’abord, stocker les données dans deux listes R distinctes :

males <- c(1381,1349,1258,1248,1355,1335,1416,1475,1421,1383)

females <- c(1055,1305,1155,1120,1252,1208,1154,1197,1229,1212)

Ensuite, tester l’égalité des variances : H0 : σ12 = σ22 vs H1 : σ12 6= σ22 .

Ces hypothèses sont testées avec la fonction [Link]() :

> [Link](males,females)

F test to compare two variances

41
data: males and females
F = 0.99225, num df = 9, denom df = 9, p-value = 0.9909
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval: 0.2464616 3.9948052
sample estimates: ratio of variances 0.9922531

La p-value=0.99 ne permet pas de rejeter H0 . On suppose donc l’égalité des variances.

Passons au test sur les moyennes. Les hypothèses testées sont :
(
H0 : µ1 = µ2
H1 : µ1 > µ2 (Attention à l’encodage de H1 unilatérale !)
> [Link](males,females,[Link]=TRUE,alternative="greater")

Two Sample t-test

data: males and females
t = 5.4894, df = 18, p-value = 1.63e-05
alternative hypothesis: true difference in means is greater than 0
95 percent confidence interval: 118.6241 Inf
sample estimates: mean of x mean of y 1362.1 1188.7

La p-value = 1.63 · 10−5 < 0.01, nous amène à rejeter H0 . Conclusion ?

5.4.4 Exercices
1. Tester l’efficacité d’un médicament contre la tension artérielle. Dans ce but, on va
comparer les tensions mesurées sur deux échantillons de tailles différentes, l’un traité par
le médicament (traitement), l’autre recevant un placebo (placebo). On suppose que la
tension est une v.a. normalement distribuée :
traitement 88 83 82 101 99 85 87 89 88
placebo 88 82 101 106 96 92 112 97

Question : le traitement fait-il diminuer significativement la pression sanguine ?

2. Dans le but d’étudier l’influence du type d’atmosphère d’élevage sur la durée de

développement des drosophiles femelles, ces dernières ont été élevées à 14◦ C sous at-
mosphère normale (N) ou enrichie en CO2 . Les résultats suivants ont été obtenus :

N 864 768 912 804 924 984 888 816 840 936 792 876
CO2 840 948 936 1032 912 948 1020 936 1056 876 1032 918

42
(a) Testez la normalité de la variable “durée de développement”. Conclusion ?
(b) Vérifiez que les variances sont égales (→ [Link]()).
(c) Posez les hypothèses. Faite le test tenant compte des résultats précédents.

3. On a mesuré la longueur de la mâchoire inférieure (en mm) d’un échantillon de 10

chacals mâles et 10 chacals femelles, longueur supposée distribuée selon une normale de
paramètres inconnus :

m^
ale 120 107 110 116 114 111 113 117 114 112
femelle 110 111 107 108 110 105 107 106 111 111

QUESTION : Les mâchoires de la population mâle sont-elles significativement plus longues

que les mâchoires de la population femelle ?
(a) Vérifiez que les variances sont égales (→ [Link]()).
(b) Posez les hypothèses.
(c) Faite le test. Conclusion ?

4. Les poids à la naissance (en kg) de deux échantillons de veaux de deux races différentes
sont les suivants (Remarque : On suppose que ces poids sont distribués normalement) :

Race Parthenaise 53 49 40 48 43 42 43 46 42 43 38 40 50 44
Race Charolaise 46 46 48 38 42 42 40 53 55 41 47 30

(i) Calculer la moyenne et l’écart type de chacun de ces échantillons.

(ii) A l’aide d’un test adéquat, au risque α = 5%, dire si l’on peut considérer que les
variances des deux populations sont égales.
(iii) Peut-on conclure, au vu de ces échantillons et au risque de 5%, que les poids
moyens à la naissance des deux races sont différents ?

5. Le fichier “crabs” répertorie des caractéristiques morphologiques sur un échantillon de

deux espèces (sp) de crabes : oranges (O) et bleus (B).

I Chargez en R le fichier “crabs” comme suit :

> data(crabs, package="MASS")
> attach(crabs)

Les variables de ce fichier sont les suivantes :

sp : species - ”B” or ”O” for blue or orange sex : as it says.
index : index 1-50 within each of the four groups.
FL : frontal lobe size (mm).
RW : rear width (mm) CL : carapace length (mm).

43
CW : carapace width (mm) BD : body depth (mm).

Testez une différence éventuelle des mensurations en fonction de l’espèce (resp. du sexe).
Faite deux types de tests, selon l’hypothèse alternative H1 : le cas bilatéral et le cas uni-
latéral (bien choisir l’inégalité ! !) Comparez les p-values selon l’alternative H1 retenue.

AIDE. Ici, un fichier “plat” est scindé en deux échantillons définis à l’aide d’une va-
riable dichotomique ([Link]. espèce). Nous avons déjà rencontré l’opérateur ∼ qui permet
de subdiviser un ensemble selon les différentes modalités d’une variable qualitative ([Link].
dans les fonctions boxplot, mosaicplot, etc.) Cet opérateur joue un rôle identique dans
la fonction [Link](). Par exemple, pour créer les deux échantillons E1 = crabes bleus et
E2 = crabes oranges et pour ensuite comparer la longueur moyenne des carapaces CL entre
ces deux groupes, il suffit simplement d’encoder la commande :

> [Link](CL∼sp,...)

Ensuite, complétez les options de la fonction [Link]() selon les hypothèses testées. No-
tamment, testez la normalité des longueurs tapply(CL,sp,[Link]) et l’égalité
des variances [Link](CL∼sp). N’hésitez pas à faire un graphique illustrant le problème !

5.5 Test t sur deux échantillons appariés

Lorsque le test porte sur deux échantillons E1 et E2 reprenant des individus “liés entre eux”,
ces échantillons ne sont dès lors pas indépendants. On parle d’échantillons appariés.
Le cas le plus courant d’échantillons appariés est celui où deux mesures sont effectuées sur
les mêmes sujets. D’autres situations sont possibles, par exemple celle où chaque sujet de
E1 a une “parenté” avec un autre sujet de E2 . Autrement dit, d’un échantillon à l’autre, les
sujets partagent des caractéristiques communes – lien de parenté, jumeaux, plantes issues
du même champ, animaux provenant d’un même élevage, etc. – de sorte que E1 est assimi-
lable à un ensemble équivalent à E2 .

Conditions sur les données :

• Au sein d’un échantillon, les sujets doivent être sélectionnés de manière indépendante.
• Les échantillons ne peuvent pas être biaisés.
• Les données doivent être normalement distribuées ou n > 30.

Notons µi (i = 1, 2) la moyenne inconnue de la v.a. X sur la population d’où provient

l’échantillon Ei . Pour les échantillons appariés, les hypothèses testées sont :
(
H0 : La différence des moyennes est nulle : µ1 − µ2 = 0
H1 : µ1 − µ2 6= 0 (ou µ1 − µ2 > 0 ou µ1 − µ2 < 0)

44
Sous H0 , la statistique de test est ici :

δ̄
T = √
sδ / n
où δ est la différence des couples de valeurs prises par X sur les paires d’individus “ap-
parentés” entre E1 et E2 . Ce sont à présent la moyenne δ̄ et l’écart-type sδ de δ qui inter-
viennent dans la construction de cette v.a. T , et non plus l’écart-type des valeurs initiales.
Si l’effet testé se manifeste surtout par paire d’individus (et pas forcément“globalement”),
sδ différera de l’écart-type calculé dans le cas non-apparié, modifiant T .

,→ EXEMPLE 1. Deux techniques d’échographies différentes ont été testées sur 5 porcs
Piétrain vivants pour estimer la surface d’un muscle. Les résultats sont :

Porc Echographie A Echographie B Différence δ

1 12.3 12.6 -0.3
2 14.1 14.2 -0.1
3 10.0 10.5 -0.5
4 16.2 16.3 -0.1
5 14.2 14.5 -0.3

On veut procéder au test bilatéral suivant :

(
H0 : La différence des moyennes est nulle : µ1 − µ2 = 0
H1 : µ1 − µ2 6= 0

La réalisation de ce test bilatéral et apparié en R est :

> echo1<-c(12.3,14.1,10.0,16.2,14.2)
> echo2<-c(12.6,14.2,10.5,16.3,14.5)
> [Link](echo1,echo2,paired=T)

Paired t-test
data: echo1 and echo2
t = -3.4744, df = 4, p-value = 0.02548
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -0.46777013 -0.05222987
sample estimates: mean of the differences -0.26

La différence entre les deux techniques de radiographie est significative au risque α = 5%.

F REMARQUE. A quelle conclusion aboutit le test NON apparié ?

45
> [Link](echo1,echo2)

Welch Two Sample t-test

data: echo1 and echo2
t = -0.18204, df = 7.966, p-value = 0.8601
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -3.556078 3.036078
sample estimates: mean of x mean of y 13.36 13.62

On ne rejette PAS H0 . La différence entre les deux techniques de radiographie n’est PLUS
significative au risque α = 5%. La puissance du test est ici moindre que dans sa version ap-
pariée. Cet exemple montre l’importance de préciser au test les caractéristiques de l’étude
menée, ceci pour maximiser la puissance du test et, pour un même niveau de risque α = 5%,
augmenter la probabilité de conclure sur une information significative (rejet H0 ).

# EXERCICE. L’échographie B livre-t-elle des mesures PLUS élevées que l’échographie

A ? Adaptez le test précédent à cette nouvelle question. De quel test s’agit-il ? Conclusion ?

,→ EXEMPLE 2. Pour mesurer l’effet d’un traitement contre l’hypertension, on étudie un

échantillon de n = 5 individus auxquels on donne dans un 1er temps un placebo et dans un
2nd temps un anti-hypertenseur. La tension est une v.a. considérée ici comme normalement
distribuée. Les tensions systoliques observées sont :

patient traitement placebo

1 152 170
2 159 159
3 150 168
4 154 152
5 161 179

La différence est elle significative au risque α = 5% ?

Les échantillons ne sont pas indépendants : les mêmes personnes se retrouvent dans
chacun d’eux. Les échantillons sont appariés (ou “pairés”). Voulant tester une simple
différence entre les deux situations, les hypothèses suivantes traduisent un test bilatéral :
(
H0 : Aucune différence entre le traitement et le placebo
H1 : Le traitement et le placebo agissent différemment sur l’hypertension

> [Link](c(152,159,150,154,161),c(170,159,168,152,179), paired=TRUE)

Paired t-test

46
data: c(152, 159, 150, 154, 161) and c(170, 159, 168, 152, 179)
t = -2.2295, df = 4, p-value = 0.08966
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -23.351454 2.551454
sample estimates: mean of the differences -10.4

On ne rejette pas H0 . Rien ne permet d’affirmer un effet traitement sur l’hypertension.

En réalité, dans une telle étude, on s’interrogera surtout sur la supériorité du traitement
sur le placebo. Auquel cas, le test est unilatéral :
(
H0 : Aucune différence entre le traitement et le placebo
H1 : Comparé au placebo, le traitement diminue l’hypertension

> [Link](c(152,159,150,154,161),c(170,159,168,152,179), paired=TRUE, alternative="less")

Paired t-test
data: c(152, 159, 150, 154, 161) and c(170, 159, 168, 152, 179)
t = -2.2295, df = 4, p-value = 0.04483
alternative hypothesis: true difference in means is less than 0
95 percent confidence interval: -Inf 0.4554432
sample estimates: mean of the differences -10.4

Rejet de H0 au risque α = 5%. Supériorité du traitement sur le placebo (mais PAS au

risque α = 1% !) Contrairement au test bilatéral, on rejette ici H0 ⇒ Test plus puissant.

F REMARQUE. Insistons sur le fait qu’une méconnaissance de l’étude menée peut déforcer
le test et vous faire passer à côté d’une conclusion intéressante. Pour vous en convaincre,
contrôler ce que donne la p-value du test suivant, où ont été “oubliés” le fait que les
échantillons sont appariés et l’unilatéralité de la question :

> [Link](c(152,159,150,154,161),c(170,159,168,152,179))

Welch Two Sample t-test

data: c(152, 159, 150, 154, 161) and c(170, 159, 168, 152, 179)
t = -2.0396, df = 5.5411, p-value = 0.0914
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -23.131669 2.331669
sample estimates: mean of x mean of y
155.2 165.6

47
# EXERCICE 1. Comparaison des longueurs moyennes (mm) des humérus droit et gauche
de dix squelettes de femmes. [→ Source Jolicoeur (1998)].

Squelette Humérus Droit Humérus Gauche

1 311 310
2 302 306
3 301 311
4 322 331
5 312 316
6 285 292
7 305 304
8 310 318
9 328 326
10 304 309

Peut-on affirmer, au risque de α = 5%, que l’humérus gauche est plus long que son humérus
droit ?
. Posez vos hypothèses et testez-les selon le test adéquat. Pour ce faire, vérifiez si les condi-
tions exigées par le t − test sont remplies.
. Pourrait-on améliorer la puissance du test en y intégrant l’égalité des variances de la
variable “longueur” sur les deux groupes étudiés ?
. Que conclut le test si on oublie de lui préciser que les échantillons sont appariés ?
. N’hésitez jamais à illustrer la question étudiée d’un graphique pertinent. Lequel dans ce
cas-ci ?

# EXERCICE 2. Un médecin mesure la tension de 9 patients volontaires le matin et le

soir. Les résultats, en centimètres de mercure, sont :

Matin 13.12 13.54 15.12 14.51 12.12 13.10 13.98 11.21 14.44
Soir 13.92 13.89 14.51 14.78 10.97 13.58 14.52 11.54 13.54

(a) Doit-on exclure que la tension suit une loi normale au sein de chaque groupe ?
(b) Doit-on exclure que les variances des deux populations sont différentes ?
(c) Quel graphique illustrait correctement la question étudiée ?
(d) Peut-on affirmer, au risque 5%, qu’en moyenne la tension du soir est différente de
celle du matin ? Posez les hypothèses traduisant cette question (tenez compte des résultats
précédents).

# EXERCICE 3. Un médecin administre un traitement spécifique à certains malades. Il

veut tester au risque de α = 5% si ce traitement provoque en moyenne un accroissement
de poids au bout de 3 mois. Le médecin examine le poids (kg) avant et après traitement
de 5 malades choisis au hasard :

48
Sujet Poids avant traitement Poids après traitement
1 80.82 83.76
2 60.12 64.13
3 102.52 101.81
4 51.65 56.63
5 65.96 68.21

(a) Doit-on exclure que le poids suive une loi normale ?

(Remarque : cette question est précisément posée pour ces échantillons, dans la me-
sure où nous connaissons la réponse au niveau de la population...)
(b) Peut-on affirmer, au risque 5%, qu’en moyenne le traitement augmente le poids ?
(c) Peut-on affirmer, au risque 1%, qu’en moyenne le traitement influence le poids ?

# EXERCICE 4. Des hauteurs d’arbres ont été mesurées, d’abord sur l’arbre debout puis
sur ce même arbre une fois abattu. Voici les données recueillies :

> debout <- c(20.4,25.4,25.6,25.6,26.6,28.6,28.7,29.0,29.8,30.5,30.9,31.1)

> abattu <- c(21.7,26.3,26.8,28.1,26.2,27.3,29.5,32.0,30.9,32.3,32.3,31.7)

Peut-on affirmer que la mesure d’un arbre debout sous-estime la vraie hauteur de cet arbre ?
Etudier les points suivants vous aidera à répondre à cette question :
(a) Vérifiez si les conditions d’application d’un t − test sont vérifiées.
(b) Qu’en est-il des variances ?
(b) Faite un graphique illustrant la problématique.

# EXERCICE 5. On étudie le comportement agressif d’enfants ayant des difficultés de

comportement, avant et après la projection d’un film d’aventures. Pour cela, on a noté
le nombre de comportements agressifs pendant la demi-journée précédant la projection
du film et pendant la demi-journée suivant la projection du film. L’étude porte sur un
échantillon de 13 enfants considérés comme ayant des difficultés de comportement.

enfant 1 2 3 4 5 6 7 8 9 10 11 12 13
avant projection 46 31 65 61 47 32 58 14 7 48 43 33 14
après projection 71 79 27 39 75 28 32 36 61 83 80 28 72

Peut-on dire, au risque α = 5%, que le film a une influence néfaste sur le comportement
agressif des enfants ? Posez les bonnes hypothèses qui traduisent cette question.
REMARQUE : La variable d’intérêt est ici une variable de comptage supposée – excep-
tionnellement – suivre une loi normale.

49
6 Test “libre de distribution” & Test non paramétrique
Ce court paragraphe explicite quelques notions utiles par la suite.

Certains tests statistiques ne sont valables que sous certaines conditions imposées à la dis-
tribution de la v.a. X étudiée. Par exemple, le test de Student exige une v.a. issue d’une
distribution normale, l’analyse de la variance également (voir plus tard).

Au contraire, les tests dits “libres de distribution” (→ en anglais : distribution-free

tests) sont valables indépendamment de toute distribution. Par exemple, le test du χ2 , le
test des signes, ou le test du coefficient de Spearman.

Les tests dits paramétriques ont pour but de montrer l’égalité de certains paramètres.
Exemples de paramètres :
1. la médiane : test de comparaison de deux médianes (ou plus)
2. la moyenne : test de comparaison de deux moyennes (ou plus)
3. la variance : test de comparaison de deux variances (ou plus)

Les tests non paramétriques testent des hypothèses plus générales. Par exemples :
1. Une égalité de lois de probabilité ;
2. l’indépendance entre deux variables qualitatives (χ2 )
3. la conformité d’une variable à une loi.

Habituellement, les tests paramétriques sont plus puissants. Par conséquent, ils seront
préférés aux tests non paramétriques. De même les tests “non libres de distribution” sont
généralement plus puissants que les tests “libres de distribution”. Cependant, les tests plus
puissants sont aussi plus contraignants, car il faut vérifier leurs conditions d’application,
conditions plus nombreuses et plus délicates à prouver que pour les tests non paramétriques
ou “libres de distribution”. On choisira généralement un test libre ou non paramétrique
lorsque :
1. les conditions d’application du test ne sont pas vérifiées
2. ou s’il est impossible de vérifier ces conditions.

Les logiciels de statistiques proposent de nombreux tests non paramétriques. Ci-après, nous
en étudierons deux d’entre-eux, dont l’usage dépend des caractéristiques des échantillons
traités.

50
7 DEUX échantillons & Distribution parente inconnue
Le test [Link]() suppose une statistique de test distribuée selon une Student t, c’est-à-
dire des échantillons dont les valeurs proviennent de v.a. normalement distribuées. Si on
n’exige pas cette condition, exigeant plus simplement que les échantillons proviennent de
populations ayant des distribution à peu près comparables en terme de forme, alors on
peut utiliser des tests non-paramétriques.

S’agissant de comparer la tendance centrale de deux échantillons, l’alternative au test

[Link]() sont les tests non-paramétriques. Ces tests sont souvent utilisés pour des
échantillons de petite taille, lorsque les données disponibles ne permettent pas réellement
de vérifier la normalité des distributions parentes, contrairement au test t, et excluent
le Théorème Central Limite. Ces tests non-paramétriques présentent en outre l’avantage
d’être moins sensibles à la présence de valeurs extrêmes. Toutefois, rappelons que leur puis-
sance est moindre par rapport au test de Student.

Sans normalité assurée, on utilise un test non paramétrique dont le type dépend de :
• Les deux groupes sont indépendants → Test de Mann-Whitney ;
• Les deux groupes sont appariés → Test de Wilcoxon.
Etudions chacune de ces options sur des exemples concrets.

7.1 Deux échantillons indépendants : Test de Mann-Whitney

Le test non paramétrique de Mann-Whitney compare deux échantillons indépendants.
Ce test a l’avantage d’être non paramétrique, c’est-à-dire de n’émettre aucune hypothèse sur
la distribution des échantillons. Selon les sources, ce test s’appelle Test de Mann-Whitney
ou Test de Wilcoxon de la somme des rangs ou encore Test de Mann-Whitney-Wilcoxon
(dans la littérature anglo-saxonne, il est connu sous le nom de Wilcoxon rank-sum test).

Le test de Mann-Whitney a pour objectif de tester si deux échantillons proviennent d’une

même population. Autrement dit, si ces deux populations ont la même “forme”. Plus
précisément, soit X une v.a. de loi continue prenant ses valeurs, de manière indépendante,
sur deux populations ℘1 et ℘2 (ou sur une population divisée en deux sous-populations).
Nous obtenons ainsi deux séries d’observations. Notons Li la loi de la variable aléatoire X
sur la population ℘i . Le test de Mann-Whitney permet de tester l’hypothèse :
(
H0 : L1 = L2
H1 : L1 6= L2 (→ test bilatéral)

En particulier, ce test est souvent considéré comme comparant les médianes des distri-
butions d’une v.a. sur deux populations indépendantes (alors que le test paramétrique
compare les moyennes – µ1 et µ2 – entre groupes indépendants), paramètre de position.

51
Ce test suppose :

• Toutes les observations sont indépendantes ;

• Les observations sont des variables de type ordinal ;
• Sous H0 , les échantillons proviennent d’une même v.a. X identiquement (et indépendamment)
distribuée sur les deux populations ;
• H1 stipule que les distributions de X diffèrent sur les deux populations.

,→ EXEMPLE 1. Dans deux types de forêts distincts, les hauteurs de respectivement 13

et 14 arbres (choisis au hasard et indépendamment) ont été mesurées. On veut vérifier si
les hauteurs d’arbres X sont distribuées différemment selon le type de forêts, distribution
pas forcément normale.

For^
et 1 23.4 24.6 25.0 26.3 26.6 27.0 27.7 24.4 24.9 26.2 26.5 26.8 27.6
For^
et 2 22.5 23.7 24.3 25.3 26.1 26.7 27.4 22.9 24.0 24.5 26.0 26.4 26.9 28.5

Le test bilatéral est :

(
H0 : La loi de X est identique pour les deux for^
ets
H1 : La loi de X diffère selon la for^
et.
Solution : On stocke les observations dans deux vecteurs :

> foret1<-c(23.4,24.6,25.0,26.3,26.6,27.0,27.7,24.4,24.9,26.2,26.5,26.8,27.6)
> foret2<-c(22.5,23.7,24.3,25.3,26.1,26.7,27.4,22.9,24.0,24.5,26.0,26.4,26.9,28.5)

. En R, le test de Mann-Whitney bilatéral se concrétise à l’aide de la fonction [Link]() :

> [Link](foret1,foret2)

Wilcoxon rank sum test

data: foret1 and foret2
W = 112, p-value = 0.3255
alternative hypothesis: true location shift is not equal to 0

Conclusion : on ne peut affirmer une différence de distribution des hauteurs entre les deux
types de forêt.

,→ EXEMPLE 2. Soit un nouveau médicament parvenu en Phase II d’un test clinique

conçu pour étudier son efficacité à réduire les symptômes de l’asthme chez les enfants.
Parmi un total de n = 10 participants, on détermine aléatoirement ceux auxquels on
administre soit le nouveau médicament soit un placebo. Ensuite, les sujets enregistrent

52
durant une semaine la v.a. X = nombre d’épisodes de type “souffle-court”. Les données
récoltées sont reprises ci-après :

Placebo 7 5 6 4 12
New Drug 3 6 4 2 1

La distribution de X dépend-t-elle du traitement ? Plus précisément, on veut savoir si la

distribution de X est significativement “décalée vers la droite” pour les enfants recevant
un placebo. Simplifiant cette question, on peut admettre que cela revient à tester si la
médiane de X est plus élevée sur la population “placebo”. Ce qui se résume abusivement
comme suit : la valeur de X diminue-t-elle significativement avec le nouveau médicament ?
On observe que X diminue pour les participants ayant reçu le nouveau médicament, mais
est-ce là un effet d’échantillonnage ou un fait statistiquement significatif ? Les observations
révèlent des comptages X distincts dans le groupe “placebo” et dans le groupe “nou-
veau médicament”. Cela ne nous autorise pas à affirmer sans vérification que la loi de X
diffère selon le traitement. Seul un test pourra assurer (avec une prise de risque) l’existence
d’une différence statistiquement significative entre les deux populations dont sont issus les
échantillons.

Les valeurs de X sont des comptages qui ne suivent pas une distribution normale. De
plus, la taille de l’échantillon est petite (n1 = n2 = 5). Dès lors, un test non-paramétrique
s’impose. On choisit un niveau de risque à 5% (α = 0.05). Les hypothèses testées sont :


 H0 : La loi de X est identique pour les deux populations étudiées

 (celle recevant le nouveau médicament et celle recevant le placebo)


 H1 : La médiane (par exemple) de la loi de X est inférieure sur la population traitée

avec le nouveau médicament comparée à la population recevant le placebo.

. Réalisation du test unilatéral de Mann-Whitney :

> placebo<-c(7, 5, 6, 4, 12)

> nouveau<-c(3, 6, 4, 2, 1)
> [Link](placebo,nouveau,alternative="greater")

Wilcoxon rank sum test with continuity correction

data: placebo and nouveau
W = 22, p-value = 0.05855
alternative hypothesis: true location shift is not equal to 0

. CONCLUSION : ces échantillons ne permettent pas de mettre en évidence une différence

significative entre les deux groupes, ceci à un niveau 5% de risque. Attention : le non rejet

53
de H0 peut être causé par la petitesse de l’échantillon !

,→ EXEMPLE 3. La concentration X d’un produit est mesurée sur 2 échantillons E1 et E2

indépendants de tailles respectives n1 = 6 et n2 = 8. Voici les mesures :

> echant1 <- c(1.31, 1.46, 1.85, 1.58, 1.64, 1.53)

> echant2 <- c(1.99, 1.62, 1.89, 1.85, 1.76, 1.86, 1.68, 1.42)

Notons ℘i la population d’où provient l’échantillon Ei (i = 1, 2). On veut déterminer si la

distribution de X sur ℘1 est significativement “décalée vers la gauche” par rapport à la
distribution de X sur ℘2 . Pour faire simple, on peut admettre ici que ce test vérifie si, par
exemple, la médiane de X sur ℘1 est inférieure à la médiane de X sur ℘2 . Les échantillons
étant de petites tailles (ce qui n’est pas rare, notamment dans les expériences en biologie),
on privilégie un test non paramétrique.
La fonction [Link]() réalise ce test unilatéral comme suit :

> [Link](echant1,echant2, alternative="less")

Wilcoxon rank sum test with continuity correction

data: echant1 and echant2
W = 9.5, p-value = 0.0352
alternative hypothesis: true location shift is not equal to 0

. Prenant 5% de risque, on rejette H0 , admettant qu’il y a une différence de concentrations

entre les deux groupes. Malgré la nette différence des concentrations entre les deux groupes,
la p-value est “élevée”. Le test est peu enclin à rejeter “fortement” H0 , cela du fait de la
faible taille des échantillons.

F REMARQUE. Si les données proviennent d’un fichier plat dont on veut étudier, par
exemple, une variable A selon ses valeurs prises sur deux groupes définis par les DEUX
modalités d’une variable qualitative factor, on utilise la commande R suivante :

> [Link](variable A∼factor)

# EXERCICE 1. Des prélèvements sanguins ont été réalisés sur des “Natives Americans”
et sur des “Caucasians”. Pour chaque sujet, on mesure la teneur d’une certaine substance.
On veut déterminer si ces concentrations sont significativement distinctes entre les groupes.
- Native Americans : 8.5, 9.48, 8.65, 8.16, 8.83, 7.76, 8.63
- Caucasians : 8.27, 8.2, 8.25, 8.14, 9.00, 8.1, 7.2

Réalisez un test de Mann-Whitney pour établir si ces concentrations sont différemment

54
distribuées sur les deux groupes.

# EXERCICE 2. Un nouveau programme de soins prénatals est proposé aux femmes

enceintes vivant en milieu rural. Ce nouveau programme prévoit des visites à domicile
durant la grossesse, cela en plus des visites habituellement programmées. Une enquête
pilote impliquant 15 femmes enceintes est conçue pour évaluer si les femmes participant
au nouveau programme donnent naissance à des bébés en meilleure santé que ceux nés de
femmes ayant reçu les soins habituels. Pour mesurer l’état de santé du nouveau-né, mesure
prise 5 minutes après la naissance, on a utilisé l’échelle APGAR qui s’étend de 0 à 10. Un
score ≥ 7 indique une santé normale, un score allant de 4 à 6 indique une santé faible et
un score ≤ 3 révèle une mauvaise santé. Les scores observés sont :
Usual Care 8 7 6 2 5 8 7 3
New Program 9 9 7 8 10 9 6

(a) Le nouveau programme de soins prénatals influence-t-il la santé des nouveaux-nés ?

(b) Ce nouveau programme améliore-t-il la santé des nouveaux-nés ?

# EXERCICE 3. A clinical trial is run to assess the effectiveness of a new anti-retroviral

therapy for patients with HIV. Patients are randomized to receive a standard anti-retroviral
therapy (usual care = S) or the new anti-retroviral therapy (= N) and are monitored for 3
months. The primary outcome is viral load which represents the number of HIV copies per
milliliter of blood. A total of 30 participants are randomized and the data are shown below :

> hiv = [Link](count=c(7500,8000,2000,550,1250,1000,2250,6800,3400,6300,9100,

970,1040,670,400,400,250,800,1400,8000,7400,1020,6000,920,1420,2700,4200,5200,4100),
therapy=c("S","S","S","S","S","S","S","S","S","S","S","S","S","S","S","N","N","N",
"N","N","N","N","N","N","N","N","N","N","N"))
> attach(hiv)

La nouvelle thérapie est-elle plus efficace que celle usuelle ? ( Aide : > [Link](count∼therapy))

# EXERCICE 4. Ci-après sont repris le temps de survie (en jours) de 13 patients atteints
d’un cancer de l’estomac et de 11 patients atteint d’un cancer du poumon.

> estomac <- c(124, 42, 25, 45, 412, 51, 1112, 46, 103, 876, 146, 340, 396)
> poumon <- c(1235, 24, 1581, 1166, 40, 727, 3808, 791, 1804, 3460, 719)

Le temps de survie varie-t-il selon le type de cancer ?

55
7.2 Deux échantillons appariés : Test de Wilcoxon apparié
Toute information complémentaire fournie à un test augmente sa puissance (attention :
vérifier cette information sous peine de conclusions erronées). Cette information peut, par
exemple, porter sur l’égalité des variances des groupes comparés. Une éventuelle dépendance
entre les échantillons est aussi une information importante. Les deux groupes pourraient,
par exemple, reprendre les mêmes individus : on parle alors d’échantillons appariés.
Lorsque les deux échantillons sont appariés, on recoure au test des rangs signés de Wil-
coxon (Wilcoxon Signed Rank Test). Sa mise en oeuvre en R utilise la fonction vue au point
précédent dont il faut y activer l’option précisant le lien entre les deux échantillons :

> [Link]( ... , paired=TRUE).

,→ EXEMPLE . On étudie le temps de réaction nécessaire pour arrêter une automobile

chez des sujets sous l’influence d’un dl d’alcool. On mesure le temps de réaction (en 100ème
de seconde) avant et après l’ingestion d’alcool, temps pas forcément normalement distribué.

Sujet 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Avant 33 29 26 23 21 36 27 38 22 33 42 35 22 39 37
Après 46 41 37 37 30 43 38 47 33 42 54 48 33 54 50

Les hypothèses testées sont :

(
H0 : Aucun lien entre temps de réaction et consommation d’alcool
H1 : Le temps de réaction dépend de la consommation d’alcool

Les deux échantillons sont placés dans des vecteurs :

> Avant<-c(33,29,26,23,21,36,27,38,22,33,42,35,22,39,37)
> Apres<-c(46,41,37,37,30,43,38,47,33,42,54,48,33,54,50)

Le test apparié s’écrit :

> [Link](Avant,Apres,paired=T)

Wilcoxon signed rank test with continuity correction

data: Avant and Apres
V = 0, p-value = 0.0006928
alternative hypothesis: true location shift is not equal to 0
Warning message: In [Link](Avant, Apres, paired = T) :
cannot compute exact p-value with ties

56
Rejet de H0 , d’où une dépendance entre temps de réaction et alcool.

Pour un test unilatéral, les hypothèses testées sont :

(
H0 : Aucun lien entre temps de réaction et consommation d’alcool
H1 : Augmentation du temps de réaction et consommation d’alcool

> [Link](Avant,Apres,paired=T,alternative="less")

Wilcoxon signed rank test with continuity correction

data: Avant and Apres
V = 0, p-value = 0.0003464
alternative hypothesis: true location shift is less than 0
Warning message:
In [Link](Avant, Apres, paired = T, alternative = "less") :
cannot compute exact p-value with ties

# EXERCICE . Consider a clinical investigation to assess the effectiveness of a new drug

designed to reduce repetitive behaviors in children affected with autism. If the drug is
effective, children will exhibit fewer repetitive behaviors on treatment as compared to
when they are untreated. A total of 8 children with autism enroll in the study. Each child
is observed by the study psychologist for a period of 3 hours both before treatment and
then again after taking the new drug for 1 week. The time that each child is engaged in
repetitive behavior during each 3 hour observation period is measured. Repetitive behavior
is scored on a scale of 0 to 100 and scores represent the percent of the observation time in
which the child is engaged in repetitive behavior. For example, a score of 0 indicates that
during the entire observation period the child did not engage in repetitive behavior while
a score of 100 indicates that the child was constantly engaged in repetitive behavior. The
data are shown below.
Child Before Treatment After 1 Week of Treatment
1 85 75
2 70 50
3 40 50
4 65 40
5 80 20
6 75 65
7 55 40
8 20 25

Après une semaine, le traitement améliore-t-il significativement le comportment des en-

fants ?

57
7.3 Les fonctions tapply() & aggregate()
La suite du cours requerra l’usage de deux fonctions essentielles de R.

7.3.1 La fonction tapply()

La fonction tapply() calcule un (ou plusieurs) paramètre(s) statistique(s) sur un ensemble
de sous-groupes de la base de données, sous-groupes définis selon les modalités d’une va-
riable discrète numérique ou nominale (catégorielle). Cette fonction admet trois arguments :
(i) la variable numérique sur laquelle s’effectue le calcul du paramètre statistique ;
(ii) la variable de regroupement ;
(iii) l’identité du paramètre désiré.

,→ Exemple 1. Considérons un data frame et quelques réalisations de tapply() :

> exemp1 <- [Link](variable1 = c(6,4,2,2,1,3,5,9,7,8,3,5,0,4,5,7,9),

variable2 = c(57,83,41,60,29,11,33,55,77,88,33,55,18,44,55,77,99),
facteur1 = c("wet","dry","dry","wet","wet","wet","dry","dry","dry","wet","wet","wet",
"dry","dry","dry","wet","wet"),
facteur2 = c(0, 1, 1, 1, 2, 0, 2, 1, 0, 2, 0, 1, 0, 1, 1, 2, 2))

variable1 variable2 facteur1 facteur2

1 6 57 wet 0
2 4 83 dry 1
3 2 41 dry 1
4 2 60 wet 1
5 1 29 wet 2
6 3 11 wet 0
7 5 33 dry 2
8 9 55 dry 1
9 7 77 dry 0
10 8 88 wet 2
11 3 33 wet 0
12 5 55 wet 1
13 0 18 dry 0
14 4 44 dry 1
15 5 55 dry 1
16 7 77 wet 2
17 9 99 wet 2

> tapply(variable2,facteur1,mean)

dry wet
50.75000 56.55556

58
> tapply(variable2,facteur2,IQR)

0 1 2
39 8 55

> tapply(variable2,facteur1,range)

$dry
18 83
$wet
11 99

> tapply(variable1, list(facteur1,facteur2), mean)

0 1 2
dry 3.5 4.8 5.00
wet 4.0 3.5 6.25

> tapply(variable2, list(facteur1,facteur2), sum)

0 1 2
dry 95 278 33
wet 101 115 293

> tapply(variable2, facteur1, sort)

$dry
18 33 41 44 55 55 77 83
$wet
11 29 33 55 57 60 77 88 99

,→ Exemple 2. La fonction tapply() permet aussi d’effectuer simultanément certains tests

sur plusieurs sous-ensembles d’un fichier, ceci en une unique commande. Par exemple, tes-
ter la normalité de la variable variable2 selon les groupes définis par les modalités de la
variable catégorielle facteur1 :

> tapply(variable2,facteur1,[Link])

$dry
Shapiro-Wilk normality test
data: X[[i]]
W = 0.96306, p-value = 0.8387

59
$wet
Shapiro-Wilk normality test
data: X[[i]]
W = 0.97105, p-value = 0.9035

Tester la normalité de la variable variable2 selon les groupes définis par les modalités de
la variable catégorielle facteur1 :

,→ Exemple 3. Comment la fonction tapply() gère-t-elle d’éventuelles valeurs manquantes ?

Reprenons le data frame précédent, duquel certaines données ont été remplacées par des
NA, symbolisant traditionnellement les valeurs manquantes.

} REMARQUE. Dans une base de données, le code NA peut signifier :

B "Not Available" : non disponible ;
B "Not Applicable" : non pertinent ;
B "No Answer" : non-réponse.
Le symbole NA est reconnu par la plupart des logiciels statistiques et traité comme tel.

exemp2 <- [Link](variable1 = c(6,4,2,2,NA,3,5,9,7,8,3,5,0,4,NA,7,9),

variable2 = c(57,83,41,60,29,11,NA,55,77,88,33,55,18,44,NA,NA,99),
facteur1 = c("wet","dry","dry","wet",NA,"wet","dry","dry",NA,"wet","wet","wet", "dry",
"dry",NA,"wet","wet"),
facteur2 = c(0, NA, 1, 1, 2, 0, 2, 1, 0, 2, 0, 1, 0, 1, 1, NA, 2))

variable1 variable2 facteur1 facteur2

1 6 57 wet 0
2 4 83 dry NA
3 2 41 dry 1
4 2 60 wet 1
5 NA 29 <NA> 2
6 3 11 wet 0
7 5 NA dry 2
8 9 55 dry 1
9 7 77 <NA> 0
10 8 88 wet 2
11 3 33 wet 0
12 5 55 wet 1
13 0 18 dry 0
14 4 44 dry 1
15 NA NA <NA> 1
16 7 NA wet NA
17 9 99 wet 2

60
> table(facteur1)
facteur1
dry wet
6 8

F ATTENTION. Une table comptabilisera les NA uniquement si on la contraint d’en

tenir compte, ceci via l’option useNA="always" :

> table(facteur1,useNA="always")
facteur1
dry wet <NA>
6 8 3

> table(facteur1,facteur2,useNA="always")

facteur2
facteur1 0 1 2 <NA>
dry 1 3 1 1
wet 3 2 2 1
<NA> 1 1 1 0

F ATTENTION. La fonction tapply() ne procède à aucun calcul lorsque la variable

étudiée contient des NA. Testons cette situation sur les données ci-dessus :

> tapply(variable1,facteur2,mean)

0 1 2
3.8 NA NA

Pour éviter que les valeurs manquantes empêchent le calcul d’une moyenne (ou tout
autre paramètre statistique), on ajoute l’option [Link]=T signalant qu’il faut ôter les NA
avant de calculer la moyenne :

> tapply(variable1,facteur2,mean, [Link]=T)

0 1 2
3.8 4.400 7.333

,→ Exemple 4. Le logiciel R propose plusieurs bases de données. L’une d’elles – ChickWeight

– rassemble des informations dont les détails s’obtiennent par la commande ?ChickWeight.
On active cette base de données comme suit :

61
> attach(ChickWeight)

La moyenne des poids des poulets selon leur régime alimentaire s’obtient comme suit :

> tapply(weight,Diet,mean)

1 2 3 4
102.6455 122.6167 142.9500 135.2627

L’écart-type – et tout paramètre – des poids selon le régime alimentaire s’obtient de même :

> tapply(weight,Diet,sd)

1 2 3 4
56.65655 71.60749 86.54176 68.82871

> tapply(weight,Diet,max)

1 2 3 4
305 331 373 322

Plusieurs paramètres peuvent être calculés simultanément par cette fonction. Par exemple,
pour obtenir les différents quartiles selon le régime alimentaire :

> tapply(weight,Diet,quantile)

$‘1‘
0% 25% 50% 75% 100%
35.00 57.75 88.00 136.50 305.00

$‘2‘
0% 25% 50% 75% 100%
39.0 65.5 104.5 163.0 331.0

$‘3‘
0% 25% 50% 75% 100%
39.00 67.50 125.50 198.75 373.00

$‘4‘
0% 25% 50% 75% 100%
39.00 71.25 129.50 184.75 322.00

62
7.3.2 La fonction aggregate()
La fonction aggregate() permet de ventiler les calculs de paramètres statistiques d’une
variable selon les croisements de plusieurs variables discrètes.

,→ Exemple. Soit ci-après un data frame reprenant trois facteurs :

exemp3 <- [Link](var1 = c(6,4,2,2,1,3,5,9,7,8,3,5,0,4,5,7,9,5,0,9,5,1,0,6,3,4),

var2 = c(57,83,41,60,29,11,33,55,77,88,33,55,18,44,55,77,96,18,40,25,79,82,54,33,15,94),
fact1 = c("wet","dry","dry","wet","wet","wet","dry","dry","dry","wet","wet","wet","dry",
"wet","dry","wet","wet","dry","dry","dry","wet","wet","wet","dry","dry","wet"),
fact2 = c(0,1,1,1,1,0,0,1,0,0,0,1,0,1,1,1,0,1,1,1,0,0,1,0,0,1),
fact3 = c("A","A","B","B","B","A","A","B","A","B","A","B","B","B","A","A","B","A",
"B","A","A","B","A","B","A","B"))

La fonction aggregate() calcule la moyenne de tous les sous-groupes correspondant au

croisement de plusieurs variables discrètes spécifiées, ceci simplement comme suit :

> aggregate(var1∼fact1+fact2+fact3,data=exemp3,mean)

fact1 fact2 fact3 var1

1 dry 0 A 5.000000
2 wet 0 A 4.250000
3 dry 1 A 5.750000
4 wet 1 A 3.500000
5 dry 0 B 3.000000
6 wet 0 B 6.000000
7 dry 1 B 3.666667
8 wet 1 B 3.200000

# Exercices. (a) Calculez la variance, l’intervalle interquartile et la médiane de la variable

var2, ces paramètres ventilés par deux et ensuite trois facteurs.

(b) Construisez le même data frame en y introduisant des valeurs manquantes codifiées
NA et vérifiez ce que livre dans ce cas la fonction aggregate().

,→ On constatera que la fonction aggregate() livre des résultats, éliminant les valeurs
manquantes avant d’effectuer les calculs demandés. Là où le fonction tapply() exige que
cela soit précisé...

63
8 Plusieurs échantillons : comparer k moyennes ou k médianes
Jusqu’à présent, les tests étudiés dans ce cours comparaient deux populations via deux
échantillons. Que faire s’il s’agit de comparer k groupes entre-eux lorsque k ≥ 2 ? Autre-
ment dit, on dispose de k échantillons sur base desquels on veut tester si les k populations
dont ils sont issus sont “différentes” ou non. Selon la distribution suivie par ces populations,
on distingue deux types de tests :

• Les échantillons sont issus de populations normalement distribuées : la différence

entre les k groupes s’étudiera ici en comparant globalement leur k moyennes
→ Test ANOVA (,→ test paramétrique).
• Les échantillons ne sont pas issus de populations normalement distribuées : la
différence entre les k groupes s’étudiera ici en comparant leur k médianes
→ Test de Kruskal-Wallis (,→ test non paramétrique).

8.1 ANalysis Of VAriance : ANOVA à 1 facteur

Se pose la question de déterminer si un facteur (qualitatif) F discrimine une variable V
donnée. Autrement dit, ce facteur F influence-t-il V , distinguant ainsi – via V – des sous-
groupes dans la population étudiée ?
Si le facteur F présente k modalités, il subdivise un échantillon initial en k sous-échantillons.
Si ces k échantillons proviennent chacun d’une distribution normale, le test ANOVA com-
pare globalement les k moyennes des groupes. “Globalement” veut dire ici que l’ANOVA
ne teste pas deux à deux les k moyennes (autrement dit, en cas de rejet de H0 , si par la
suite on désire déterminer lesquelles parmi ces moyennes sont particulièrement distinctes,
on doit procéder à un test complémentaire). Hypothèses requises pour l’ANOVA :

• Les échantillons doivent être aléatoires simples.

• Les échantillons doivent être indépendants.
• La variable étudiée doit être normalement distribuée pour les k populations.
• On doit avoir : σ1 = σ2 = · · · = σk (,→ test de Bartlett ou test de Levene).

Les deux hypothèses opposées dans ces tests sont :

H0 : µ1 = µ2 = · · · = µk−1 = µk H1 : µi 6= µj pour au moins un couple i, j ∈ {1, . . . , k}

où µ1 , µ2 , · · · , µk sont les moyennes inconnues des populations parentes.

8.1.1 Un préliminaire illustré

Pour illustrer les enjeux de l’ANOVA, comparons ci-après quatre situations graphiques
différentes. Dans chacune de ces situations, on compare trois groupes à l’aide de boxplots

64
et d’histogrammes. D’une situation à l’autre, la moyenne de chaque groupe ne varie pas
(µ1 = 70, µ2 = 120, µ3 = 200), alors que leur variance, égales entre-elles, augmente d’une
situation à l’autre, passant de 400 à 22500. Cette variance augmentant, on voit que les
trois histogrammes des groupes tendent à se confondre de plus en plus pour ne former à
la fin qu’une distribution commune où ces groupes ne se distinguent (visuellement) plus,
la variance intra groupes finissant par l’emporter sur la variance inter moyennes, “noyant”
toute distinction entre groupes. L’ANOVA compare ces deux “variabilités” (variances),
celle au sein des groupes et celle entre les groupes (= entre les moyennes) :

Variance dans chaque groupe = 400 (m1=70, m2=120, m3=200) Variance dans chaque groupe = 400 (m1=70, m2=120, m3=200)

200
250
200

150
150

Frequency

100
100

50
50

0
0

0 50 100 150 200 250 300

Variance dans chaque groupe = 2500 (m1=70, m2=120, m3=200) Variance dans chaque groupe = 2500 (m1=70, m2=120, m3=200)
300

150
200

100
Frequency
100

50
0
-100

-100 0 100 200 300 400

65
Variance dans chaque groupe = 8100 (m1=70, m2=120, m3=200) Variance dans chaque groupe = 8100 (m1=70, m2=120, m3=200)

100
400

80
60
200

Frequency

40
0

20
-200

0
-200 0 200 400

Variance dans chaque groupe = 22500 (m1=70, m2=120, m3=200) Variance dans chaque groupe = 22500 (m1=70, m2=120, m3=200)
150
600
400

100
200

Frequency
0

50
-200
-400

-400 -200 0 200 400 600 800

Les trois moyennes µ1 = 70, µ2 = 120, µ3 = 200 étant constantes, la variance de ces trois
moyennes est constante pour toutes les situations illustrées ci-dessus. A priori, les trois
groupes de distinguent d’autant plus que cette variance est élevée. Cependant, cette va-
riance n’est pas signifiante dans l’absolu, devant être relativisée par les variances au sein
des groupes. Au plus ces dernières sont élevées, au moins la variance des trois moyennes
est pertinente pour distinguer les trois groupes.

66
Pour les quatre situations précédentes, on calcule :

(variance inter-groupes) / (variances intra-groupe).

Sachant que var inter-groupes = var(c(70,120,200)) = 4300, on obtient :

1 (variance inter-groupes) / (variances intra-groupe) = 4300/400 = 10.75 ;

2 (variance inter-groupes) / (variances intra-groupe) = 4300/2500 = 1.72 ;
3 (variance inter-groupes) / (variances intra-groupe) = 4300/8100 = 0.53 ;
4 (variance inter-groupes) / (variances intra-groupe) = 4300/22500 = 0.19.

Ce rapport entre ces deux variances (inter/intra) déterminera si les moyennes observées
sur les échantillons discriminent éventuellement les groupes. On verra ce principe appliqué
dans le test ANOVA, test qui statuera si ce rapport est “grand” (,→ groupes distinguables)
ou “petit” (,→ groupes non distinguables).

8.1.2 Décomposition de la variance totale

Quelques notations utiles : k = nombre de groupes
k
X
ni = taille de l’échantillon du groupe i n= ni = taille de l’échantillon
i=1
i k n
1 XX
xij = j ème observation du groupe i x̄ = xij = moyenne globale
n
j=1 i=1
ni
1 X
x̄i = xij = moyenne du groupe i
ni
j=1
v
u ni
u 1 X
si = t (xij − x̄i )2 = écart-type d’échantillon du groupe i
ni − 1
j=1

On peut montrer que la variance totale (SST ) se décompose comme suit :

X ni
k X k
X ni
k X
X
(xij − x̄)2 = 2
ni (x̄i − x̄) + (xij − x̄i )2
i=1 j=1 i=1 i=1 j=1
| {z } | {z } | {z }
SStotal SSinter = Factor effect SSintra = Residuals

67
Sachant que :
i k n
1 XX
(xij − x̄)2 = Variance globale = SStotal /(n − 1)
n−1
i=1 j=1
k
1 X
ni (x̄i − x̄)2 = Variance entre groupes = SSinter /(k − 1)
k−1
i=1
ni
k X
1 X
(xij − x̄i )2 = Variance dans les groupes = SSintra /(n − k)
n−k
i=1 j=1

Cette somme divise la dispersion totale des données selon deux critères :
(a) la part de variabilité due au facteur ;
(b) la part de variabilité non expliquée, ou résiduelle.
La somme précédente peut dès lors s’écrire (aux facteurs près) :

Variance globale ≈ Variance expliquée + Variance résiduelle (non expliquée).

Le principe de l’ANOVA est simple. Il s’agit de tester si la variabilité SSinter entre les k
moyennes est du même ordre de grandeur que les variations SSintra observées à l’intérieur
des groupes. Autrement dit, la variabilité entre les k moyennes est-elle due simplement
au “bruit” inhérent à la variable étudiée ou est-elle significativement supérieure ? Si oui,
on conclut à un effet “facteur”, sinon, le facteur mis en avant n’est pas pertinent pour
discriminer la population globale en k sous-groupes. Pour comparer les ordres de grandeur
entre ..., on s’intéresse au rapport des deux variances suivantes :
SSinter /(k − 1)
F =
SSintra /(n − k)
Une fois de plus, déterminer si ce quotient F est “grand” (,→ “effet facteur”) ou “petit”
(,→ pas d’“effet facteur”) nécessite de connaı̂tre la distribution de cette statistique F .

8.1.3 Distribution de Fisher

L’expression F est le quotient de deux χ2 ayant k − 1 et n − k degrés de liberté respective-
ment. F suit une distribution de Fisher F (k −1, n−k) caractérisée par les deux paramètres
k − 1 et n − k. A tout couple (k − 1, n − k) correspond une densité précise :

SSinter /(k − 1) χ2
F = = 2k−1 = distribution de Fisher = F (k − 1, n − k)
SSintra /(n − k) χn−k

Ci-après, sont illustrés quelques exemples :

68
Quelques distributions de Fisher

1.2
Degrees of freedom
df = (1, 3)
df = (6, 24)
1.0

df = (3, 20)
df = (14, 38)
df = (30, 50)
0.8
Density

0.6
0.4
0.2
0.0

0 1 2 3 4 5

8.1.4 Homoscédasticité
Le test ANOVA suppose que les k échantillons (correspondants aux k groupes) proviennent
de populations de variances égales. Idéalement, pour utiliser à bon escient le test ANOVA,
il faut préalablement vérifier l’égalité de ces variances.
La fonction [Link]() – associée au [Link]() pour vérifier l’égalité de deux variances –
ne peut être utilisée ici pour tester l’égalité de k variances lorsque k ≥ 3.
Plusieurs tests permettent de tester l’égalité des variances de k populations où k ≥ 3, ceci
à partir d’échantillons issus de ces populations. L’un d’eux, disponible en R, est réalisé,
pour des lois normales, avec la fonction [Link]() dont le cas particulier, pour
k = 2 échantillons, est la fonction [Link]().

8.1.5 Un exemple : les tulipes

Soit une variété de tulipe hollandaise sur laquelle on veut tester les effets de quatre condi-
tions de croissances distinctes (engrais, terrain, lumière, humidité, atmosphère, etc.) Pour
ce faire, on prend un échantillon de 40 tulipes, subdivisé en quatre groupes de mêmes tailles
dont chacun est soumis à un contexte de croissance précis. L’effet des ces quatre contextes
est mesuré par la taille des fleurs adultes. Voici les tailles – supposées suivre une loi normale
– mesurées pour ces quatre groupes :

69
Groupe 1 Groupe 2 Groupe 3 Groupe 4
54 55 62 56
50 54 58 52
50 61 58 52
58 55 66 60
57 55 65 59
55 58 63 57
51 59 59 53
58 54 66 60
50 56 58 52
53 57 61 55

On veut tester si les conditions de croissance (“traitement”) influencent la taille des tulipes.

Poser les hypothèses. Les hypothèses confrontées ici sont :

(
H0 : µ1 = µ2 = µ3 = µ4
H1 : µi 6= µj pour au moins un couple (i, j);

où µ1 , · · · , µ4 sont les moyennes des tailles pour les quatre groupes.

La fonction tapply() calcule la moyenne de chaque groupe :

> tapply(Taille,Traitement, mean)

G1 G2 G3 G4
53.6 56.4 61.6 55.6

Les effectifs des groupes étudiés étant réduits, on peut intégrer toutes les observations
dans un unique graphique – ci-dessous à gauche – scindé selon les groupes (l’option "stack"
permet de superposer les valeurs identiques) :

> stripchart(Taille∼Traitement, method="stack", col="red",

main="Tulipes : Donnees brutes / Groupes")

Aligner des boxplots ventilés selon les groupes étudiés – ci-dessous à droite – livre une
première idée de leur différence éventuelle (les points rouges représentent les moyennes) :

> boxplot(Taille∼Traitement, col="lightblue",

main="Tulipes - Quatre traitements distincts");
lines(tapply(Taille,Traitement, mean),pch=19,type="b",col="red")

70
Tulipes : Donnees brutes / Groupes Tulipes - Quatre traitements distincts

65
G4

60
G3

55
G2
G1

50
50 55 60 65 G1 G2 G3 G4

Taille

L’ANOVA exige une normalité de la variable Taille sur chaque groupe étudié. Vérifions :

> tapply(Taille,Traitement,[Link])

$G1
Shapiro-Wilk normality test
data: X[[i]]
W = 0.87013, p-value = 0.1003
$G2
Shapiro-Wilk normality test
data: X[[i]]
W = 0.89716, p-value = 0.2038
$G3
Shapiro-Wilk normality test
data: X[[i]]
W = 0.87013, p-value = 0.1003
$G4
Shapiro-Wilk normality test
data: X[[i]]
W = 0.87013, p-value = 0.1003

On ne peut donc a priori rejeter la normalité de la variable Taille sur les quatre groupes.

Homoscédasticité ? Le point précédent nous permet d’utiliser le test de Bartlett pour

71
tester l’égalité des quatre variances relatives aux groupes étudiés. Posons les hypothèses
sur les variances σi des populations dont sont issus les 4 échantillons :

H0 : σ1 = σ2 = σ3 = σ4 H1 : σi 6= σj pour au moins un (i, j) ∈ {1, 2, 3, 4}.

> [Link](Taille∼Traitement)

Bartlett test of homogeneity of variances

data: Taille by Traitement
Bartlett’s K-squared = 1.4289, df = 3, p-value = 0.6988

Vérifions “manuellement” que les différentes sommes au carré vérifient la décomposition

de la variance (cette étape est optionnelle). Pour cela on aura besoin de :

> var(Taille) # ← variance globale

17.75385
> mean(Taille) # ← moyenne globale
56.8
> tapply(Taille, Traitement, var) # ← variance des 4 groupes
G1 G2 G3 G4
10.933333 5.377778 10.933333 10.933333

SStotal = 39 × 17.75385 = 692.4

SSinter = 10(53.6 − 56.8)2 + 10(56.4 − 56.8)2 + 10(61.6 − 56.8)2 + 10(55.6 − 56.8)2 = 348.8
SSintra = 9 × 10.933333 + 9 × 5.377778 + 9 × 10.933333 + 9 × 10.933333 = 343.6.

On vérifie : 692.4 = 348.8 + 343.6

Réalisation du test ANOVA avec le logiciel R : fonction aov().

> aov(Taille∼Traitement)

Call: aov(formula = Taille∼Traitement)

Terms:
Traitement Residuals
Sum of Squares 348.8 343.6
Deg. of Freedom 3 36

Residual standard error: 3.089408

Estimated effects may be unbalanced

72
Les résultats livrés par le test aov() donneront pour valeur F de la statistique de test :

348.8/3
F = = 12.18.
343.6/36

> tul <- aov(Taille∼Traitement)

> summary(tul)

Df Sum Sq Mean Sq F value Pr(>F)

Traitement 3 348.8 116.27 12.18 1.18e-05 ***
Residuals 36 343.6 9.54
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

,→ p-value = 1.18 × 10−5 ⇒ rejet H0 . Les graphiques ci-après montrent que la valeur
12.18 de la statistique de test se situe bien au-delà des quantiles 0.95 et 0.99 :

> qf(0.95,3,36) = 2.866266 > qf(0.99,3,36) = 4.377096

Fisher(3, 36) Fisher(3, 36)

0.8

0.8
Z0.95 = 2.87

Z0.99 = 4.38
0.6

0.6
Density

Density
0.4

0.4

95%
0.2

0.2

99%
0.0

0.0

0 2 4 6 8 0 2 4 6 8

F Comparaison par paires. Le test ANOVA rejette nettement l’hypothèse H0 , impli-

quant que le facteur Traitement a un impact sur la croissance des tulipes. Les quatre
moyennes des groupes sont discernables. Notez qu’on ignore quelles moyennes sont parti-
culièrement distinctes, l’égalité des 4 moyennes étant rejetée en bloc, sans nuance aucune.
Pour déterminer si le rejet de H0 est dû à la différence entre deux groupes spécifiques, on
peut recourir au test deux-à-deux :

73
> [Link](Taille, Traitement)

Pairwise comparisons using t tests with pooled SD

data: Taille and Traitement

G1 G2 G3
G2 0.15048 - -
G3 8e-06 0.00239 -
G4 0.31278 0.56618 0.00055
P value adjustment method: holm

On voit que les conditions de croissance distinguent significativement le groupe G3 des

autres groupes {G1,G2,G4}, tandis que ces groupes {G1,G2,G4} ne se distinguent pas signi-
ficativement entre-eux (les boxplots précédents confirment ce constat).

8.1.6 Exercices
1. Le logiciel R fournit des bases de données touchant des thématiques très variées. L’une
d’elles – iris – reprend quatre mesures (en cm) relatives à trois espèces d’iris : Iris setosa,
versicolor et virginica.
(a) Activez la base de données avec l’instruction suivante : attach(iris).
(b) Vérifier la taille et le type de variables de ce fichier.
(c) Le facteur espèce influence-t-il les différentes mesures ? Pour chaque mesure, faite
d’abord un graphique destiné à vous donner une première idée de la situation, ceci
avant de confirmer ou infirmer vos impressions à l’aide d’un test dont vous poserez
préalablement les hypothèses.

Exemples d’aide visuelle pour la variable [Link]. Que suggèrent ces graphiques
concernant la moyenne de cette variable selon l’espèce à laquelle appartient l’iris ?

> stripchart([Link]∼Species,method="stack",col="red");
abline(v = mean([Link]), col="blue", lwd=1.5, lty=3);
text(3.6,3.1,"Moyenne globale",srt=90,col="blue",cex=1.2)

> boxplot([Link]∼Species,col="lightblue",main="Petal Length");

lines(tapply([Link],Species,mean),pch=20,col="red",type="b")

> stripchart([Link]∼Species,method="stack",col="red");
abline(v = mean([Link]), col="blue", lwd=1.5, lty=3);
text(4.15,3.5,"Moyenne globale",col="blue",cex=1); text(3.75,3.5,"------",col="blue")

74
> boxplot([Link]∼Species,col="lightblue",main="Sepal Width");
lines(tapply([Link],Species,mean),pch=20,col="red",type="b")

Petal Length

7
Moyenne globale
virginica

6
5
4
versicolor

3
2
setosa

1 2 3 4 5 6 7 setosa versicolor virginica

[Link]

Sepal Width

------ Moyenne globale

virginica

4.0
3.5
versicolor

3.0
2.5
setosa

2.0

2.0 2.5 3.0 3.5 4.0 setosa versicolor virginica

[Link]

Ces graphiques indiquent un lien clair entre l’espèce de l’iris et ses mesures de pétales.

2. La base de données chickwts (elle aussi stockée dans R) reprend le poids de poulets
selon leur régime alimentaire.

75
(a) Activez la base de données : attach(chickwts).
(b) Vérifier la taille du fichier, ainsi que le type de ses variables.
(c) Combien de régimes alimentaires sont comparés ici ? Sur combien de poulets ?
(d) Ces différents régimes sont-ils répartis de façon plus ou moins équilibrée sur l’échantillon ?
(e) Le régime alimentaire influence-t-il le poids du poulet ? “Vérifiez” cela à l’aide d’un
graphique approprié. Ensuite, posant vos hypothèses, faite un test adéquat pour
confirmer vos impressions.

3. La base de données PlantGrowth (elle aussi stockée dans R) reprend les “poids-sec”
de plantes selon trois types de traitement (dont un groupe “contrôle”).
(a) Activez la base de données : attach(PlantGrowth).
(b) Vérifier la taille du fichier, ainsi que le type de ses variables. Combien de facteurs ?
(c) Vérifier que trois groupes sont comparés ici. Sur combien de plantes ?
(d) Ces différents groupes sont-ils également représentés dans cet échantillon ? (Le plan
est-il équilibré ?)
(e) Le traitement influence-t-il le “poids-sec” de la plante ? Le graphique ci-dessous à
gauche (les moyennes sont indiquées en rouge) semble répondre par l’affirmative.
Posez vos hypothèses et faite un test. Prenant un risque de 5%, puis-je rejeter H0 ?
Et prenant un risque à 1%, puis-je conclure à l’impact du traitement sur le “poids-
sec” de la plante ?

AIDE. Un graphique pertinent est toujours utile pour orienter une étude :

PlantGrowth data Fisher(2, 27)

1.0

Z0.95 = 3.35

Z0.99 = 5.49
6.0

0.8
5.5
Dried weight of plants

0.6
Density
5.0

0.4
4.5

0.2
4.0

0.0

4.85
3.5

ctrl trt1 trt2 0 2 4 6 8

Le graphique de gauche suggère que le poids de la plante est fonction du traitement au-
quel elle fut soumise. Reste à vérifier si un test adéquat confirme statistiquement cette
possibilité.

76
8.2 ANOVA à 2 facteurs
A présent, on étudie si la moyenne d’une v.a. X diffère sur plusieurs populations ou plusieurs
groupes d’une population, ceux-ci étant définis selon les modalités prises par le croisement
de deux variables. Ces deux variables sont généralement qualitatives (càd. catégorielles),
appelées facteurs. L’ANOVA à deux facteurs teste la possibilité qu’une variable puisse
“dépendre” de deux facteurs donnés et de leur interaction (effets conjugués).

Autrement dit, on s’interroge sur la multiplicité de facteurs pouvant influencer une v.a. X
et déterminer ainsi si X distingue des sous-groupes dans une population.

Les conditions d’application de l’ANOVA à 2 facteurs sont :

(a) la v.a. X étudiée est normalement distribuée sur chaque groupe ;
(b) homogénéité des variances de X sur les différents groupes.

Le test étant moins robuste par rapport à la seconde condition, celle-ci est la plus impor-
tante des deux. Pour un échantillon de grande taille, l’hypothèse de normalité est rendue
inutile du fait du Théorème Central Limite.

Les hypothèses testées se résument comme suit :


Le premier facteur ne différencie pas les moyennes de X sur les groupes;





 et
H0 = Le second facteur ne différencie pas les moyennes de X sur les groupes;

et





Aucune interaction des deux facteurs influence les moyennes.




 Le premier facteur différencie les moyennes de X sur les groupes;



 ou
H1 = Le second facteur différencie les moyennes de X sur les groupes;

ou





Une interaction des deux facteurs influence les moyennes.

Le plan d’expérience est un plan équilibré lorsque les cellules du tableau de contingence
défini par les deux facteurs étudiés comptabilisent des effectifs “plus ou moins” égaux.

F REMARQUE. Un plan équilibré améliore la robustesse du test.

NOTE : Un test est dit robuste lorsqu’un écart de la réalité des données par rapport aux
hypothèses n’invalide pas les résultats du test.

77
Le principe de l’ANOVA à 2 facteurs consiste à décomposer la dispersion totale des données
selon quatre critères :
(a) la part imputable au premier facteur ;
(b) la part imputable au second facteur ;
(c) la part imputable à l’interaction des 2 facteurs ;
(d) la part non expliquée, ou résiduelle.

L’ANOVA teste statistiquement si les parts factorielles et si la part relative à l’interaction

sont significativement supérieures à la part résiduelle.

,→ EXEMPLE. Soit une variété d’aubergines dont on étudie la croissance dans di-
verses conditions. Pour faire simple, limitons ces conditions à deux facteurs : F1 et F2.
Par exemple : F1 = "exposition" et F2 = "pluviosité". Toujours dans cet exemple,
supposons que le premier facteur F1 présente 2 modalités possibles (A = "ombre", B =
"soleil"), le second facteur F2 présentant 3 modalités possibles (X = "sec", Z = "pluie
moyenne", Y = "pluie abondante"). On veut déterminer dans quelle mesure ces deux
facteurs influencent la croissance des aubergines, plus précisément leur poids. Cependant,
contrairement à l’ANOVA à 1 facteur, on ne veut pas limiter cette analyse à chacun des fac-
teurs pris isolément, mais on veut aussi étudier leur interaction éventuelle : leur conjonc-
tion – c’est-à-dire une combinaison particulière de leurs modalités respectives – augmente-
t-elle les effets sur la variable étudiée (ici le poids) ?

L’ANOVA à 2 facteurs permet une telle étude, testant la dépendance éventuelle du poids
aussi bien par rapport à chaque facteur F1 et F2 que par rapport à la combinaison des deux
facteurs F1*F2.

Chargez les données en R :

> p <- [Link](". . . /anova2 [Link]",header=T,sep=";"); attach(p)

Quelques explorations élémentaires sur le fichier de données :

> dim(p) 137 3

> summary(p)

F1 F2 poids
A:72 X:50 Min. :141.0
B:65 Y:41 1st Qu.:226.0
Z:46 Median :268.0
Mean :271.4
3rd Qu.:319.0
Max. :440.0

78
La table ci-après montre que le plan d’expérience est relativement bien équilibré, les
cellules de la table présentant des effectifs plus ou moins égaux :

> table(F1,F2)

F2
F1 X Y Z
A 25 23 24
B 25 18 22

Les moyennes de l’échantillon stratifié selon chaque facteur F1 et F2 pris isolément :

> tapply(poids,F1,mean)

A B
258.6111 285.4615

> tapply(poids,F2,mean)

X Y Z
251.1200 277.7805 287.6087

Les moyennes sur les six groupes de l’échantillon stratifié selon les six croisements des
facteurs F1 et F2 :

> aggregate(poids,list(F1,F2),mean)

Group.1 Group.2 x
1 A X 264.2800
2 B X 237.9600
3 A Y 252.0435
4 B Y 310.6667
5 A Z 259.0000
6 B Z 318.8182

Les boxplots permettent une première approche visuelle de l’impact éventuel des fac-
teurs F1 et F2 sur le poids, facteurs considérés isolément (les moyennes figurent en rouge) :

> boxplot(poids∼F1,col="lightblue");
lines(tapply(poids,F1,mean),pch=19,type="b",col="red")
> boxplot(poids∼F2,col="lightblue");
lines(tapply(poids,F2,mean),pch=19,type="b",col="red")

79
450

450
400

400
350

350
300

300
250

250
200

200
150

150
X Y Z A B

Les boxplots croisant les deux facteurs figurent ci-après à gauche :

> boxplot(poids∼F2*F1,col=c("lightblue","pink","lightgreen"))

Vu le nombre peu élevé d’observations pour chacun des six groupes, on peut toutes les vi-
sualiser sur un unique schéma, par exemple à l’aide de la fonction graphique stripchart()
(voir ci-après à droite).
> stripchart(poids∼F2*F1,method="jitter",vertical=T)
450

450
400

400
350

350
300

300
poids
250

250
200

200
150

150

X.A Y.A Z.A X.B Y.B Z.B X.A Y.A Z.A X.B Y.B Z.B

80
Les deux diagrammes d’interaction ci-après visualisent les 6 moyennes de la va-
riable poids correspondant aux 6 découpages de l’échantillon selon le croisement des deux
facteurs : 2 × 3 = 6.

> [Link](F1,F2,poids) > [Link](F2,F1,poids)

320

320
F2 F1

Z B
Y A
300

300
X
mean of poids

mean of poids
280

280
260

260
240

240

A B X Y Z

F1 F2

Il y a d’autant moins interaction entre les deux facteurs F1 et F2 que les segments sont
davantage parallèles (voir le paragraphe sur les diagrammes d’interaction plus loin).
Plus précisément, pour cet exemple, interprétons le diagramme ci-dessus à gauche :

• Parallélisme (plus ou moins rigoureux) des segments Z et Y & segments Z et Y peu

décalés verticalement l’un par rapport l’autre ⇒ la variable étudiée poids dépend
de façon identique des modalités Z et Y du facteur F2.
• Segments Z et Y fortement “non-horizontaux” et très “proches” ⇒ la variable étudiée
poids dépend des modalités A et B du facteur F1, ceci de façon identique sur les
modalités Z et Y.
• Non parallélisme des segments Y|Z et X ⇒ les facteurs F1 et F2 interagissent.
• Le segment X est fortement distinct des segments Z et Y ⇒ la variable étudiée poids
dépend de la modalité X du facteur F2 différemment de ses modalités Z et Y.
• Le segment X est fortement “non-horizontal” ⇒ la variable étudiée poids dépend
des modalités A et B du facteur F1 (quelque soit la modalité de F2, d’après les points
précédents). Etc.

L’ANOVA suppose que au sein de chaque groupe les observations soient issues d’une po-
pulation normalement distribuée. Le test de Shapiro-Wilk permet de vérifier cette condition
,→ fonction [Link]().

81
F REMARQUE. La commande > aggregate(poids,list(F1,F2),[Link]) ne
fonctionne pas !

Pour vérifier cette condition sur les six groupes, on définit une nouvelle variable (ceci n’est
pas la seule façon de faire, mais elle est simple et fonctionne) caractérisant chacun des
groupes (où la fonction paste() “colle” deux chaı̂nes de caractères) :

> pp <- transform(p,grp=paste(F1,F2))

> head(pp)
F1 F2 poids grp
1 B Y 285 B Y
2 B Z 227 B Z
3 A X 180 A X
4 A Z 193 A Z
5 B Y 319 B Y
6 B X 281 B X

> attach(pp)

Ensuite, comme déjà vu précédemment, on utilise la fonction tapply() pour obtenir un

test de normalité pour chacun des six groupes :

> tapply(poids,grp,[Link])

$‘A X‘
Shapiro-Wilk normality test
data: X[[i]]
W = 0.94613, p-value = 0.2048
$‘A Y‘
Shapiro-Wilk normality test
data: X[[i]]
W = 0.97425, p-value = 0.7892
$‘A Z‘
Shapiro-Wilk normality test
data: X[[i]]
W = 0.97561, p-value = 0.8034
$‘B X‘
Shapiro-Wilk normality test
data: X[[i]]
W = 0.98078, p-value = 0.9001
$‘B Y‘

82
Shapiro-Wilk normality test
data: X[[i]]
W = 0.95727, p-value = 0.55
$‘B Z‘
Shapiro-Wilk normality test
data: X[[i]]
W = 0.97733, p-value = 0.8696

Conclusion : aucune des six H0 est rejetée. L’hypothèse nulle supposant la normalité des ob-
servations, la variable poids n’a aucune raison d’être considérée comme non normalement
distribuée sur chacun des groupes étudiés. On peut pour la suite de cette étude accepter
de travailler avec une distribution normale (en tous cas, le test ne s’y oppose pas...).

L’ANOVA suppose que la variance de la v.a. poids étudiée soit identique sur les groupes
(groupes définis par le croisement des modalités des facteurs). La condition de normalité
étant remplie, on peut tester l’homogénéité des variances sur les six groupes à l’aide du
test de Bartlett ,→ fonction [Link]() :

Bartlett Test of Homogeneity of Variances. Performs Bartlett’s test of the null that
the variances in each of the groups (samples) are the same.

> [Link](poids,grp)

Bartlett test of homogeneity of variances

data: poids and grp
Bartlett’s K-squared = 2.2243, df = 5, p-value = 0.8173

La p-valeur étant très nettement supérieure à 0.05, on ne rejette pas l’hypothèse H0 . L’hy-
pothèse nulle supposant l’égalité des différentes variances, on peut pour la suite de cette
étude accepter l’homogénéité des variances (en tous cas, le test ne s’y oppose pas...).

Venons-en à l’ANOVA à 2 facteurs. Pour signaler à la fonction aov() une approche à 2

facteurs, on introduit conjointement les deux facteurs dans la fonction : F1*F2, où le sym-
bole * exige du test d’étudier les effets éventuels d’une interaction entre les facteurs F1 et F2.

> aov(poids∼F1*F2)

Call: aov(formula = poids ∼ F1 * F2)

Terms:

83
F1 F2 F1:F2 Residuals
Sum of Squares 24627.9 36150.5 57972.5 418056.2
Deg. of Freedom 1 2 2 131

Residual standard error: 56.49132

Estimated effects may be unbalanced

Les valeurs les plus informatives pour notre étude d’une éventuelle dépendance du poids
par rapport aux deux facteurs s’obtiennent par la fonction summary() appliquée aux
résultats de l’ANOVA :

> summary(aov(poids∼F1*F2))

Df Sum Sq Mean Sq F value Pr(>F)

F1 1 24628 24628 7.717 0.006273 **
F2 2 36151 18075 5.664 0.004373 **
F1:F2 2 57973 28986 9.083 0.000202 ***
Residuals 131 418056 3191
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

QUESTION : Que peut-on conclure des trois p-values de la table précédente ?

F REMARQUE. Une ANOVA à 2 facteurs n’égale pas deux fois une ANOVA à 1 fac-
teur. Non seulement l’ANOVA à 2 facteurs teste les interactions, mais de plus le calcul des
variances est plus élaboré que celui intervenant dans l’ANOVA à 1 facteur (on s’épargne ici
les détails de ces calculs). Voyez les résultats d’une ANOVA à 1 facteur appliquée à chacun
de deux facteurs séparément :

> summary(aov(poids∼F1))

Df Sum Sq Mean Sq F value Pr(>F)

F1 1 24628 24628 6.491 0.012 *
Residuals 135 512179 3794
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

> summary(aov(poids∼F2))

Df Sum Sq Mean Sq F value Pr(>F)

F2 2 34318 17159 4.576 0.012 *
Residuals 134 502489 3750

84
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Aucune de ces ANOVA à 1 facteur rejette H0 au risque α = 1%, contrairement à l’ANOVA

à deux facteurs précédente.

8.2.1 Les diagrammes d’interaction : divers exemples

Les diagrammes d’interaction sont précieux pour déceler visuellement des suspicions d’in-
teraction entre facteurs. A partir de quelques exemples types, tâchons de faciliter leur in-
terprétation. Précisons d’abord quelques éléments régissant la construction ces diagrammes.

L’échantillon des observations est subdivisé en ` sous-groupes, correspondant aux croi-

sements entre les deux facteurs étudiés. Par exemple, si le premier facteur comporte r
modalités et le deuxième facteur p modalités, alors ` = r × p. C’est le nombre de cellules du
tableau de contingence construit sur ces deux facteurs. Pour chaque sous-groupe, on cal-
cule la moyenne de la variable étudiée. Un diagramme d’interaction reprend ces ` moyennes
ainsi obtenues. Chaque extrémité d’un segment représente la valeur d’une moyenne.

Un diagramme d’interaction compare ` moyennes. Deux moyennes reliées par un segment

portent sur deux sous-groupes ayant en commun une modalité de l’un des facteurs. Deux
diagrammes sont possibles, selon que le tableau de contingence est balayé verticalement ou
horizontalement.

REMARQUE. Les exemples de ce paragraphe traitent de jeux de données distincts,

données simulées en R. Les ordres de grandeur de ces différents jeux de données sont
identiques, afin de rendre comparables les différentes situations proposées. Les moyennes
reprises sur l’axe des ordonnées sont comparables dans les différentes conclusions.

Il n’y a pas de règle stricte pour interpréter de tels diagrammes. Les différents cas de figure
qui suivent montrent qu’il faut une certaine habitude pour faire parler aisément ces figures.

Considérons ci-après les résultats d’une ANOVA à 2 facteurs :

Df Sum Sq Mean Sq F value Pr(>F)

fact1 1 68564 68564 18.501 3.26e-05 ***
fact2 1 63711 63711 17.191 5.98e-05 ***
fact1:fact2 1 480 480 0.129 0.72
Residuals 133 492901 3706
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

85
320

320
fact2 fact1

2 1
1 0
0
300

300
mean of variable

mean of variable
280

280
260

260
240

240
0 1 0 1 2

Factor 1 Factor 2

A titre d’exemple, voici une interprétation des deux diagrammes ci-dessus :

• Le parallélisme (plus ou moins rigoureux) des segments signifie que les deux facteurs
n’interagissent pas.
• Ces segments (±) parallèles étant décalés verticalement les uns par rapport aux
autres, la variable étudiée X dépend du facteur fact2 (diagramme de gauche) et
du fact1 (diagramme de droite).
• Ces segments étant “fortement” non-horizontaux, cela induit une dépendance de la
variable X par rapport au facteur fact1 (diagramme de gauche) et par rapport au
fact2 (diagramme de droite).

On voit, sans surprise, qu’il y a une redondance d’information entre ces deux diagrammes.

Exemple où seul le facteur fact2 a un impact significatif sur la v.a. étudiée :

Df Sum Sq Mean Sq F value Pr(>F)

fact1 1 352 352 0.108 0.743180
fact2 1 46816 46816 14.330 0.000231 ***
fact1:fact2 1 2957 2957 0.905 0.343148
Residuals 133 434508 3267
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

86
300

300
fact2 fact1
290

290
2 0
1 1
0
280

280
mean of variable

mean of variable
270

270
260

260
250

250
240

240
0 1 0 1 2

Factor 1 Factor 2

Les segments ne se croisant pas, ces diagrammes montrent une absence d’interaction entre
les deux facteurs. L’influence du facteur fact2 sur la moyenne de la variable étudiée se
traduit, par exemple dans le diagramme de gauche, par le fait que les trois segments sont
nettement décalés verticalement les uns par rapport aux autres.

Autre exemple où seul le facteur fact2 a un impact (sur la variable étudiée) statistique-
ment significatif :

Df Sum Sq Mean Sq F value Pr(>F)

fact1 1 1162 1162 0.307 0.580727
fact2 1 48705 48705 12.845 0.000474 ***
fact1:fact2 1 677 677 0.179 0.673219
Residuals 133 504294 3792
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

87
310

310
fact2 fact1

2 1
1 0
300

300
0
290

290
mean of variable

mean of variable
280

280
270

270
260

260
0 1 0 1 2

Factor 1 Factor 2

Les segments ne se croisant (presque) pas, ces diagrammes montrent une absence d’inter-
action entre les deux facteurs. L’influence du facteur fact2 sur la moyenne de la variable
étudiée se traduit, par exemple dans le diagramme de gauche, par le fait que les trois seg-
ments sont nettement décalés verticalement les uns par rapport aux autres.

Exemple où seul le facteur fact1 a un impact (sur la variable étudiée) statistiquement
significatif : significatif :

Df Sum Sq Mean Sq F value Pr(>F)

fact1 1 39996 39996 12.268 0.000628 ***
fact2 1 1172 1172 0.359 0.549877
fact1:fact2 1 49 49 0.015 0.902464
Residuals 133 433593 3260
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

88
290

290
fact2 fact1

1 1
280

280
0 0
2
270

270
mean of variable

mean of variable
260

260
250

250
240

240
0 1 0 1 2

Factor 1 Factor 2

Les segments ne se croisant pas, ces diagrammes montrent une absence d’interaction entre
les deux facteurs. L’influence du facteur fact 1 sur la moyenne de la variable étudiée se
traduit, par exemple dans le diagramme de droite, par un net décalage vertical des segments.

Exemple où seule l’interaction est statistiquement non significative :

Df Sum Sq Mean Sq F value Pr(>F)

fact1 1 35451 35451 10.881 0.00125 **
fact2 1 57967 57967 17.792 4.53e-05 ***
fact1:fact2 1 11 11 0.003 0.95401
Residuals 133 433313 3258
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

89
340

340
fact2 fact1

2 1
1 0
0
320

320
mean of variable

mean of variable
300

300
280

280
260

260
0 1 0 1 2

Factor 1 Factor 2

L’absence de l’impact significatif d’une interaction des facteurs sur la variable étudiée en-
traı̂ne clairement ici le non croisement des segments.

Exemple où aucun facteur (ni leur interaction) n’influence la variable étudiée :
Df Sum Sq Mean Sq F value Pr(>F)
fact1 1 3 3 0.001 0.977
fact2 1 210 210 0.051 0.821
fact1:fact2 1 123 123 0.030 0.862
Residuals 133 544699 4095
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
260

260

fact2 fact1

0 0
1 1
2
255

255
mean of variable

mean of variable
250

250
245

245
240

240

0 1 0 1 2

Factor 1 Factor 2

90
Que conclure ici ? Ne devrait-on pas obtenir sur ces diagrammes des moyennes identiques,
puisque non dépendantes des facteurs (càd. des sous-groupes). En fait, le piège serait de
raisonner ici en termes de parallélisme des segments ou de leur croisement. Il faut se rendre
compte que l’étendue de l’axe des ordonnées est ici nettement moins large que dans tous
les graphiques précédents ! ! D’où le fait que ces différentes moyennes tendent à davantage
se confondre dans cet exemple par rapport aux exemples précédents !

8.2.2 Exercices
1. On compare la hauteur de 37 arbres répertoriés selon trois types distincts
(source : P. Dagnelie. Théories et méthodes statistiques. Applications agronomiques.)

> dag <- [Link](hauteur=c(23.4,24.4,24.6,24.9,25.0,26.2,26.3,26.8,26.8,26.9,27.0,

27.6,27.7,22.5,22.9,23.7,24.0,24.4,24.5,25.3,26.0,26.2,26.4,26.7,26.9,27.4,28.5,19.9,
21.1,21.2,22.1,22.5,23.6,24.5,24.6,26.2,26.7),
type=c("T1","T1","T1","T1","T1","T1","T1","T1","T1","T1","T1","T1","T1","T2","T2","T2",
"T2","T2","T2","T2","T2","T2","T2","T2","T2","T2","T2","T3","T3","T3","T3","T3","T3",
"T3","T3","T3","T3"))

On veut vérifier si la hauteur d’un arbre dépend de son type.

Encodez le [Link] précédent en R et vérifier son contenu. Dans un premier temps,
n’hésitez pas à étudier graphiquement le problème. Quel graphique utiliseriez-vous ?

AIDE. Première question : quel test utiliser ? Pour y répondre, il convient de tester
la normalité de la distribution des hauteurs pour les trois types séparément. Pour ce faire,
on peut répéter trois fois l’instruction suivante pour chacun des types :

> [Link](hauteur[type=="T1"])

Shapiro-Wilk normality test

data: hauteur[type == "T1"]
W = 0.92201, p-value = 0.267

La fonction tapply() permet de tester les trois sous-ensembles en une seule commande :

> tapply(hauteur,type,[Link])

$T1
Shapiro-Wilk normality test
data: X[[i]]

91
W = 0.92201, p-value = 0.267

$T2
Shapiro-Wilk normality test
data: X[[i]]
W = 0.97278, p-value = 0.9115

$T3
Shapiro-Wilk normality test
data: X[[i]]
W = 0.95945, p-value = 0.7796

On ne peut pas affirmer que les hauteurs de ces arbres soient distribuées selon une loi non
normale. Ensuite, la fiabilité de l’ANOVA suppose l’égalité des variances des hauteurs pour
les trois types d’arbres, condition vérifiée à l’aide de [Link]() :

> [Link](hauteur,type)

Bartlett test of homogeneity of variances

data: hauteur and type
Bartlett’s K-squared = 2.5883, df = 2, p-value = 0.2741

Rien ne s’oppose à tester la différence des moyennes à l’aide d’une ANOVA :

> summary(aov(hauteur∼type))

Df Sum Sq Mean Sq F value Pr(>F)

type 2 45.27 22.633 7.056 0.00274 **
Residuals 34 109.07 3.208
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Conclusion du test ?

2. Analyser l’influence du temps et de trois espèces ligneuses d’arbre sur la décomposition

de la masse d’une litière constituée de feuilles de Lierre. Pour ce faire, 24 sachets d’une masse
identique de feuilles de lierre ont été constitués, sachets permettant une décomposition
naturelle. Puis une première série de 8 sachets, choisis au hasard, a été déposée sous un
chêne, une deuxième sous un peuplier, et la dernière série sous un frêne. Après 2, 7, 10
et 16 semaines respectivement, deux sachets sont prélevés au hasard sous chaque arbre
et la masse résiduelle est déterminée pour chacun d’eux. Cette masse est exprimée en

92
pourcentage de la masse initiale. Voici les résultats :

Sachet Semaine Arbre Masse

1 2 Ch^
ene 85.10
2 2 Ch^
ene 87.60
3 2 Peuplier 85.20
4 2 Peuplier 84.90
5 2 Fr^
ene 84.30
6 2 Fr^
ene 85.75
7 7 Ch^
ene 75.90
8 7 Ch^
ene 72.85
9 7 Peuplier 73.00
10 7 Peuplier 75.70
11 7 Fr^
ene 72.80
12 7 Fr^
ene 70.80
13 10 Ch^
ene 71.60
14 10 Ch^
ene 66.95
15 10 Peuplier 74.15
16 10 Peuplier 71.85
17 10 Fr^
ene 67.10
18 10 Fr^
ene 64.95
19 16 Ch^
ene 62.10
20 16 Ch^
ene 64.30
21 16 Peuplier 67.25
22 16 Peuplier 60.25
23 16 Fr^
ene 58.75
24 16 Fr^
ene 59.00

> lierre <- [Link](semaine=c(rep(2,6),rep(7,6),rep(10,6),rep(16,6)),

arbre=c(rep(c("Chene","Chene","Peuplier","Peuplier","Frene","Frene"),4)),
masse=c(85.10,87.60,85.20,84.90,84.30,85.75,75.90,72.85,73.00,75.70,72.80,70.80,
71.60,66.95,74.15,71.85,67.10,64.95,62.10,64.30,67.25,60.25,58.75,59.00))

Supposant que la masse suit une loi normale, utilisez l’analyse de la variance à deux facteurs.
Au préalable analysez les aspects ci-après :
(a) Combien y a-t-il de variables ? De quel types sont-elles ?
(b) Que donnent les boxplots ? Et les diagrammes d’interactions ?

Deux graphiques ne faisant pas intervenir une interaction entre les deux facteurs :

> stripchart(masse∼semaine,method="stack",col="red",ylab="Semaine")
> stripchart(masse∼arbre,method="stack",col="red",ylab="Semaine")

93
16

Peuplier
10
Semaine

Frene
7

Chene
2

60 65 70 75 80 85 60 65 70 75 80 85

masse masse

Interprétez les diagrammes d’interaction : suggèrent-ils une interaction entre arbre et

semaine ?

> [Link](arbre,semaine,masse) > [Link](semaine,arbre,masse)

semaine arbre

2 Peuplier
7 Chene
10 Frene
80

16
mean of masse

mean of masse
75

75
70

70
65

65
60

Chene Frene Peuplier 2 7 10 16

arbre semaine

3. Le fichier warpbreaks reprend le nombre de ruptures breaks d’un échantillon de laine,

ceci en fonction du type de laine wool et de la tension exercée tension. Les deux variables
qualitatives wool et tension expliquent-elles la variable breaks ? En outre, ces facteurs
peuvent-ils interagir (s’influencer) ? Ces questions conduisent à une analyse de variance à

94
deux facteurs.

Le chargement du fichier en R s’effectue comme suit :

> data(warpbreaks)
> attach(warpbreaks)

La fonction summary() livre les dimensions du fichier warpbreaks et le type de ses va-
riables :

> summary(warpbreaks)

breaks wool tension

Min. :10.00 A:27 L:18
1st Qu.:18.25 B:27 M:18
Median :26.00 H:18
Mean :28.15
3rd Qu.:34.00
Max. :70.00

,→ 2 types de laine (A et B), 3 types de tensions (L = low, M = medium et H = high).

Les différentes combinaisons des deux facteurs se répartissent équitablement sur l’échantillon :

Type de plan (équilibré ?) :

> table(wool,tension)

tension
wool L M H
A 9 9 9
B 9 9 9

Les graphiques mettent-ils en évidence un effet facteur sur le nombre de ruptures ob-
servées ?

95
Nombre de ruptures en fonction du type de laine Nombre de ruptures en fonction de la tension
70

70
60

60
50

50
40

40
30

30
20

20
10

10
A B L M H

Ces boxplots mettent en évidence un effet du facteur tension pris isolément (encore faut-
il confirmer cette observation par un test approprié). Pour le facteur wool, le boxplot est
moins catégorique. Ces boxplots ne traitent pas d’une interaction éventuelle entre ces deux
facteurs.

Test ANOVA à 2 facteurs :

> [Link] <- aov(breaks∼wool*tension)

> coef([Link])...

Test de normalité de Shapiro-Wilk...

8.3 Test de Kruskal-Wallis : n groupes indépendants

Le test de Kruskal-Wallis est l’alternative non-paramétrique au test ANOVA à 1 facteur.

Ce test ne suppose pas que les données proviennent d’une population de distribution
connue. Il intervient lorsque les hypothèses requises pour l’ANOVA ne sont pas vérifiées
(l’hypothèse de normalité, par exemple). Ce test se base sur les rangs des données plutôt
que leur valeur, testant si les médianes de plusieurs groupes sont globalement différentes.

Comme la plupart des tests, une statistique de test est calculée à partir des échantillons.
Ce résultat numérique est comparé aux quantiles d’une distribution, entraı̂nant le rejet

96
éventuel de l’hypothèse nulle H0 . Les hypothèses testées sont :

H0 : les médianes des population parentes sont égales.

H1 : au moins deux médianes des population parentes sont inégales.

Le test de Kruskal-Wallis détermine s’il existe une différence significative entre les différents
groupes, sans préciser quels groupes particuliers se différencient. Un test Post Hoc permet
d’affiner l’information.

Hypothèses régissant le test de Kruskal-Wallis :

(a) Une variable à deux ou plusieurs modalités définit différents groupes indépendants
(non appariés). Ce test est surtout utilisé pour au moins 3 modalités (3 groupes).
Pour 2 modalités, on utilisera le test de Mann-Whitney.
(b) La variable d’intérêt est soit ordinale, soit une échelle de rapport, ou intervalle
(Ordinal scale, Ratio Scale or Interval scale dependent variables. ).
(c) Les observations sont indépendantes (aucun lien entre les individus d’une groupe
ou entre groupes)
(d) Tous les groupes sont issus de populations parentes dont les distributions ont
“mêmes formes” (à tester préalablement, le cas échéant).

Les échantillons fournissant les estimations de moyennes (ou tout autre paramètre sta-
tistique) ne proviennent pas tous de populations parentes normalement distribuées. On
traite ici d’échantillons issus de lois quelconques, éventuellement non précisées. Si aucune
hypothèse n’a pu être faite sur la distribution des populations étudiées, on utilisera le test
non paramétrique de Kruskal-Wallis.

On a vu précédemment que le test de Mann-Whitney s’applique à DEUX échantillons

indépendants de tailles n < 30 (,→ réalisé en R avec la fonction [Link]() et l’option
– par défaut – PAIRED=F).

Le test de Kruskal-Wallis généralise le test de Mann-Whitney à K ≥ 3 échantillons

indépendants (échantillons de tailles n < 30).

Ce test permet de déterminer si au moins un échantillon est différent. Pour de gros échantillons
(taille > 30), le Théorème Central Limite permet de recourir aux tests vu précédemment,
tests basés sur une population parente normalement distribuée.

,→ EXEMPLE. A personal trainer is interested in comparing the anaerobic thresholds of

elite athletes. Anaerobic threshold is defined as the point at which the muscles cannot get
more oxygen to sustain activity or the upper limit of aerobic exercise. It is a measure also

97
related to maximum heart rate. The following data are anaerobic thresholds for distance
runners, distance cyclists, distance swimmers and cross-country skiers :

Distance Runners Distance Cyclists Distance Swimmers Cross-Country Skiers

185 190 166 201
179 209 159 195
192 182 170 180
165 178 183 187
174 181 160 215

Is a difference in anaerobic thresholds among the different groups of elite athletes ?

Un test à un niveau de confiance à 95% est ici exigé (α = 0.05). Posons les hypothèses :
(
H0 : Les quatre populations ont des médianes égales
H1 : Il existe au moins deux médianes inégales.

Les données sont introduites dans R sous forme d’un data frame :

> oxy<-[Link](anae=c(185,179,192,165,174,190,209,182,178,181,166,159,170,183,160,
201,195,180,187,215), sport=c(rep("dr",5),rep("dc",5),rep("ds",5),rep("cs",5)))

Réalisation du test de Kruskal-Wallis avec le logiciel R. A partir d’un data frame, ce

test s’encode facilement comme suit :

> [Link](anae∼sport,data=oxy)

Kruskal-Wallis rank sum test

data: anae by sport
Kruskal-Wallis chi-squared = 9.1143, df = 3, p-value = 0.02781

. Conclusion du test ?

8.4 Exercices : Kruskal-Wallis, ou pas...

1. Le logiciel R propose plusieurs bases de données. L’une d’elles – airquality – ras-
semble des informations dont les détails sont livrés par la commande ?airquality. Activez
cette base de données de la façon suivante :

> attach(airquality)

98
On demande :
(a) Vérifiez le contenu de la base de données (nombre d’obs., nature des variables, etc.).
(b) Vérifiez par un graphique adéquat l’existence éventuelle d’un lien entre la quantité
d’ozone dans l’air et le mois de l’année.
(c) Calculez la moyenne des quantités d’ozone selon les différents mois (attention : valeurs
manquantes ! → aggregate(Ozone∼Month,data=airquality,mean) )
(d) Que livre la commande : aggregate(cbind(Ozone,Temp)∼Month,data=airquality,mean) ?
(e) Vérifiez par la commande adaptée le nombre maximum d’observations pour chaque
mois. Ce plan paraı̂t-il équilibré ? (Attention : valeurs manquantes !)
(f) Quel test statistique confirmerait que le mois influence significativement la quantité
d’ozone ?
(g) Quel graphique suggérerait que la température influence la quantité d’ozone ?
(h) Quel outil statistique vérifierait que la température influence la quantité d’ozone ? Quel
type de lien est ici mis en évidence ? Comment mesurer la qualité de ce lien ?

2. La base de données CO2 – elle aussi intégrée au logiciel R – reprend des informations
dont vous obtiendrez la description par la commande ?CO2. Activez cette base de données
comme suit :

> attach(CO2)

On demande :
(a) Vérifiez le contenu de la base de données (nombre d’obs., nature des variables, etc.).
(b) Vérifiez par un graphique adéquat un lien éventuel entre l’absorption de CO2 par la
plante et son origine.
(c) Vérifiez par un graphique adéquat un lien éventuel entre l’absorption de CO2 par la
plante et le fait d’avoir été préalablement gelée.
(d) Calculez les moyennes d’absorption de CO2 selon le traitement. Ensuite selon l’origine.
Ensuite selon le croisement de ces deux facteurs.
(e) Calculez la moyenne et la médiane de CO2 , ceci pour le croisement “origine x traite-
ment”.
(f) Comment vérifier graphiquement une interaction éventuelle entre origine et traitement
préalable ?
(g) Vérifiez par la commande adaptée le nombre d’observations pour chaque croisement
des deux paramètres du point précédent.

99
(h) Tenant compte du point précédent, quel test statistique confirmerait significativement
que l’origine et le traitement influencent interactivement l’absorption de CO2 ?

3. La base de données iris – elle aussi intégrée au logiciel R – reprend des informations
dont vous obtiendrez la description par la commande ?iris. Activez cette base de données
comme suit :

> attach(iris)

On demande :
(a) Vérifiez le contenu de la base de données (nombre d’obs., nature des variables, etc.).
(b) Vérifiez par un graphique adéquat un lien éventuel entre les différentes mesures des iris
et l’espèce à laquelle ils appartiennent.
(c) Calculez les moyennes et médianes des différentes mesures des iris, moyennes groupées
selon les espèces.
(d) Vérifiez par la commande adaptée le nombre d’observations pour chaque espèce. Ce
plan est-il équilibré ?
(e) Tenant compte du point précédent, quel test statistique confirmerait que l’espèce in-
fluence significativement la mesure étudiée ?

4. La base de données PlantGrowth – elle aussi intégrée au logiciel R – reprend des

informations dont vous obtiendrez la description par la commande ?PlantGrowth. Activez
cette base de données comme suit :

> attach(PlantGrowth)

On demande :
(a) Vérifiez le contenu de la base de données (nombre d’obs., nature des variables, etc.).
(b) Vérifiez par un graphique adéquat un lien éventuel entre la croissance de la plante et
le traitement auquel elle fut soumise.
(c) Calculez les moyennes des poids des plantes selon leur traitement.
(d) Vérifiez par la commande adaptée le nombre d’observations pour chaque traitement.
(e) Tenant compte du point précédent, quel test statistique confirmerait que le traitement
influence significativement la croissance de la plante ?

100
9 Exercices (partiellement) résolus
1. A partir d’un échantillon de 20 personnes – 10 femmes et 10 hommes – tester s’il existe
une différence entre le poids (en kg) des hommes et celui des femmes.

Femmes : 42.1 53.8 30.0 59.2 66.2 66.9 51.2 82.4 45.8 57.7
Hommes : 79.5 80.9 88.6 69.3 69.8 81.7 107.2 80.7 85.1 63.0

,→ Réalisation du [Link]() avec le logiciel R :

> pfemmes<-c(42.1,53.8,30.0,59.2,66.2,66.9,51.20,82.4,45.8,57.7)
> phommes<-c(79.5,80.9,88.6,69.3,69.8,81.7,107.2,80.7,85.1,63.0)
> [Link](pfemmes,phommes) # test F

F test to compare two variances

data: pfemmes and phommes

F = 1.4327, num df = 9, denom df = 9, p-value = 0.6008
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.3558597 5.7679982
sample estimates:
ratio of variances
1.432689

La p-value = 0.6, permettant de conclure... Pour la suite, on utilise le test...

2. En théorie, une population humaine compte 10% de gauchers. Or, ayant échantillonné
aléatoirement 10 étudiants de master maths, on trouve 3 gauchers. Les étudiants de ce type
de master sont-ils davantage gauchers que la population générale ?

Le test à utiliser doit comparer une proportion théorique à une proportion observée :

> [Link](3,10,p=0.1)

Exact binomial test

data: 3 and 10
number of successes = 3, number of trials = 10, p-value = 0.07019
alternative hypothesis: true probability of success is not equal to 0.1
95 percent confidence interval:
0.06673951 0.65245285
sample estimates:

101
probability of success
0.3

La p-value ne permet pas de rejeter H0 ( = aucune différence entre la proportion de gau-

chers au sein de la population et chez les master-maths). De plus, l’intervalle de niveau 0.95
montre la très grande imprécision de l’estimation 0.3, due à la faible taille de l’échantillon.

3. Une épidémie liée à la Salmonella fut attribuée aux crèmes-glacées produites par une
certaine entreprise. Des scientifiques ont mesuré le degré de Salmonella dans 9 lots de
crèmes-glacées aléatoirement sélectionnés dans cette entreprise. Les niveaux (MPN/g) ob-
servés sont : 0.593 0.142 0.329 0.691 0.231 0.793 0.519 0.392 0.418.
Peut-on conclure que le niveau moyen de Salmonella dans ces glaces dépasse 0.3 MPN/g ?

Soit µ le niveau moyen de Salmonella des lots de glaces. Les hypothèses exprimant la
question sont :
H0 : µ = 0.3 H1 : µ > 0.3
Donc, il faut préciser les options : alternative="greater", mu=0.3. En R cela donne :

> x = c(0.593, 0.142, 0.329, 0.691, 0.231, 0.793, 0.519, 0.392, 0.418)
> [Link](x, alternative="greater", mu=0.3)

Vu les résultats obtenus par ce test, comment répondez-vous à la question ?

4. On administre un médicament à 6 sujets (groupe-traitement). Un placebo est donné à 6

autres sujets (groupe-contrôle). Leur temps de réaction à un stimulus a été mesuré (en ms) :

groupe-traitement : 91 87 99 77 88 91
groupe-contrôle : 101 110 103 93 99 104

Peut-on affirmer que le temps de réaction moyen diminue suite à la prise du médicament ?
On supposera que ces temps suivent une loi normale.

Notant µ1 la moyenne de la population prenant le médicament et µ2 la moyenne de la

population non traitée, les hypothèses traduisant cette étude sont :

H0 : µ1 − µ2 = 0 H1 : µ1 − µ2 < 0

Le test intégrera donc l’option alternative="...". Afin de traiter ces données, on crée
deux listes : la liste Traitement contenant les données relatives au groupe-traitement ;
la liste Controle celles du groupe-contrôle. Avant tout, testons l’hypothèse selon laquelle

102
les variances des deux groupes étudiés sont égales (dans l’affirmative, cela permettrait
d’augmenter la puissance du test) :

H0 : σ12 = σ22 H1 : σ12 6= σ22

,→ Ci-après, le code R qui teste l’égalité des deux variances :

> Traitement = c(91, 87, 99, 77, 88, 91)

> Controle = c(101, 110, 103, 93, 99, 104)

[Link](Controle,Traitement)

F test to compare two variances

data: Controle and Traitement

F = 1.6119, num df = 5, denom df = 5, p-value = 0.6131
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.2255582 11.5194293
sample estimates:
ratio of variances
1.611925

La p-value=0.61 > 0.05 ne permet pas de rejeter H0 . On postule donc l’égalité des va-
riances.

,→ Ci-après, le code R qui teste l’inégalité des moyennes suppose l’égalité des variances :

> [Link](Traitement,Controle,[Link]=TRUE,alternative="less")

Que conclure des résultats de ce test ?

5. Une étude fut menée pour établir si les voitures parcourent une distance moyenne
(en km) plus élevée avec le carburant premium comparé au regular. Pour chacune des 10
voitures de cette étude, on fit d’abord le plein soit avec du regular soit du premium, ceci
après tirage au sort. Ensuite leur distance parcourue fut enregistrée. La même voiture fut
ensuite remplie de l’autre type de carburant. Son kilométrage fut là aussi enregistré :

Voiture 1 2 3 4 5 6 7 8 9 10
regular 160 200 210 220 230 220 270 250 270 280
premium 190 220 240 240 250 250 260 260 280 320

(a) Posez les hypothèses reflétant les enjeux de cette étude.

(b) Pensez-vous qu’il faille utiliser un test pairé pour déterminer lequel de ces deux car-

103
burants offre le plus d’autonomie moyenne à une voiture ?

,→ Ci-après le code R traduisant cette étude pairées :

> reg = c(160, 200, 210, 220, 230, 220, 270, 250, 270, 280)
> prem = c(190, 220, 240, 240, 250, 250, 260, 260, 280, 320)
> [Link](prem,reg,alternative="greater", paired=TRUE)

Paired t-test

data: prem and reg

t = 4.4721, df = 9, p-value = 0.0007749
alternative hypothesis: true difference in means is greater than 0
95 percent confidence interval:
11.80207 Inf
sample estimates:
mean of the differences
20

La p-value=0.00075 < 0.001 ⇒ on rejette H0 . On conclut avec une forte évidence que le
carburant premium augmente la moyenne kilométrique parcourue.

6. La base de données birthwt est directement accessible en R. Entre autres variables,

elle comprend les deux variables bwt et smoke qui sont, respectivement, le poids d’un bébé
à la naissance et le fait que la mère fuma durant sa grossesse. Observe-t-on une différence
significative du poids moyen d’un bébé à la naissance entre les deux populations des mères
fumeuses et des mères non fumeuses ?
(a) Posez les hypothèses.
(b) N’oubliez pas de tester l’égalité des variances des poids au sein de ces deux populations.

> data(birthwt, package="MASS")

> [Link](bwt∼smoke, data=birthwt, [Link]=TRUE)

Two Sample t-test

data: bwt by smoke

t = 2.6529, df = 187, p-value = 0.008667
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
72.75612 494.79735
sample estimates:
mean in group No mean in group Yes

104
3055.696 2771.919

La p-value = 0.008667 < 0.01 rejette nettement H0 . Un boxplot confirme l’écart entre
les deux groupes.

> boxplot(bwt∼smoke, data=birthwt)

7. Un biologiste teste 2 techniques de mesure de température sur un troupeau de 30 vaches.

La première technique utilise un thermomètre conventionnel au mercure et la seconde uti-
lise un appareil à détection infrarouge à distance. Les 2 techniques donnent respectivement
38.7 ± 0.54◦ C et 38.9 ± 0.64◦ C. La différence moyenne entre les deux techniques est de
0.16 ± 0.44◦ C. Quelles conclusions pouvez-vous tirer ?

Les paramètres estimés sont x̄n = 0.16◦ C et sn = 0.44◦ C

- méthode A : thermomètre au mercure : ma = 38.7◦ C et sa = 0.54◦ C

- méthode B : détection infrarouge à distance : mb = 38.9◦ C et sb = 0.64◦ C

Les variances des deux populations étudiées peuvent être considérées comme étant égales.

,→ Type de test : Test de comparaison entre deux échantillons tirés de populations ap-
pariées (les mêmes patients, les mêmes prélèvements MAIS des méthodes différentes). On
pose les hypothèses
H0 : µa = µb vs H1 : µa 6= µb
Calcul de la statistique de test :
0.16 − 0
tobs = q = 1.99
(0.44)2
30

Le seuil de signification étant fixé à α = 5% ⇒ t0.975,29 = 2.045

Conclusion : tobs < t0.975,29 . Nous n’avons pas pu montrer que les 2 techniques d’analyses
de la température donnaient des résultats différents.

8. (a) On lance aléatoirement une pièce 10 fois et on observe la séquence suivante :

P P P P F F F P F P. La pièce est-elle truquée ?

Dans ce test, l’hypothèse nulle suppose la pièce bien équilibrée et les lancers indépendants
→ On teste H0 : p = 0.5 contre H1 : p 6= 0.5.
Un test binomial permet de vérifier si la proportion observée 0.4 des “Face” diffère signifi-
cativement de celle théorique attendue 0.5, ceci en considérant un risque de 5% de prendre

105
la mauvaise décision en rejetant H0 . Les paramètres par défaut du test [Link]() sup-
posent que l’on compare la proportion observée avec la proportion théorique 0.5, ceci au
niveau de confiance 0.95. Dans cette étude, il suffit donc de préciser les paramètres sui-
vants : nombre de “Faces” observées (4) et nombre total de lancers (10) :

> [Link](4,10)

Exact binomial test

data: 4 and 10 number of successes = 4, number of trials = 10, p-value = 0.7539

alternative hypothesis: true probability of success is not equal to 0.5
95 percent confidence interval:
0.1215523 0.7376219
sample estimates:
probability of success
0.4

La p-value=0.7539 refuse nettement le rejet de H0 . On ne peut conclure que la pièce soit

truquée.

(b) Et si on observait 3 “Face” sur les 10 lancers ? Quelle conclusion obtiendrait-on ?

(c) Et si 2 “Face” seulement résultaient des 10 lancers ? La pièce serait-elle encore considéré
comme non-truquée avec un risque de 5% ? Comment expliquez-vous ce dernier résultat ?
Vous semble-t-il acceptable ?
(d) Et si on observait 17 “Face” sur 50 lancers ? Quelle serait la conclusion à 5% de risque ?
Sachant que 2/10 < 17/50 (→ 2 “Face” sur 10 représentent moins que 17 “Face” sur 50),
ce résultat vous semble-t-il “normal” comparé à la conclusion du point (c) ?

9. On étudie le poids de nouveaux-nés en fonction du sexe et on obtient pour 5 filles 2.8

3 3 3.2 3.3 et pour 4 garçons 3 3.2 3.4 3.6. On suppose les variances égales et
la distribution normale des poids.
Peut-on postuler une différence significative des poids selon le sexe de l’enfant ? On veut
ici comparer les moyennes des deux échantillons.

[Link](c(2.8,3,3,3.2,3.3),c(3,3.2,3.4,3.6),[Link]=T)

Two Sample t-test

data: c(2.8, 3, 3, 3.2, 3.3) and c(3, 3.2, 3.4, 3.6)

t = -1.5954, df = 7, p-value = 0.1546
alternative hypothesis: true difference in means is not equal to 0

106
95 percent confidence interval:
-0.5957056 0.1157056
sample estimates:
mean of x mean of y
3.06 3.30

10 Exercices
1. Un sondage électoral donne les préférence suivantes :
(a) Candidat A = 20, candidat B = 30. Puis-je en déduire, à 95% de confiance, que B va
gagner les prochaines élections ? Posez clairement vos hypothèses et faite le test adéquat.
(b) Même question où : Candidat A = 15, candidat B = 35.
(c) Même question où : Candidat A = 22, candidat B = 28.
(d) Même question où : Candidat A = 88, candidat B = 112.
(e) Même question où : Candidat A = 220, candidat B = 280.
Comment expliquez les différentes p-value pour les 3 derniers points alors que les propor-
tions sont exactement identiques ?

2. Un échantillon dont les effectifs sont croisés selon des préférences musicales et couleurs :

Couleur préférée : Choix musical : Rock Classique

Rouge 18 7
Vert 25 14

Puis-je affirmer, à 95% de confiance, que la proportion de personnes préférant la couleur

verte est supérieure pour les deux courants musicaux ? Même question pour la table sui-
vante :
Couleur préférée : Choix musical : Rock Classique
Rouge 38 7
Vert 25 14

3. Un traitement est administré à trois doses différentes D1 , D2 et D3 à un groupe de

sujets atteints d’une même maladie. L’expérimentation est faite en double aveugle. On
compte le nombre de guérisons pour chaque dose. Les résultats sont les suivants :

107
guéris non guéris
Dose D1 30 30
Dose D2 42 35
Dose D3 58 31

QUESTION : L’efficacité du traitement est-elle liée à la dose utilisée ?

4. On souhaite comparer deux méthodes pédagogiques pour la lecture. On a formé deux

groupes d’enfants, le premier groupe est soumis à la méthode dite classique et le second à
la méthode moderne. Les notes obtenues en fin d’année scolaire sont les suivantes :
Groupe 1 : 15 18 17 18 17 19 16 17 14 19
Groupe 2 : 20 16 19 16 18 17 16 20 21 17
On suppose que ces notes sont des réalisations de variables aléatoires normales indépendantes.
(a) Donner une estimation ponctuelle des moyennes et écart-types de chaque groupe.
(b) Au seuil 5%, ces deux méthodes donnent des résultats significativement différents ?
(c) Au seuil 5%, la méthode moderne donne en moyenne de meilleurs résultats ?

5. (a) Une pièce de monnaie est jetée 50 fois, donnant 31 “Faces” et 19 “Piles”. Peut-on
conclure que cette pièce n’est pas équilibrée à 5% de risque ?
(b) Une autre pièce de monnaie est jetée 50 fois, donnant 33 “Faces” et 17 “Piles”. Peut-on
conclure que cette pièce n’est pas équilibrée à 5% de risque, à 1% de risque ?
(b) Une autre pièce de monnaie est jetée 50 fois, donnant 35 “Faces” et 15 “Piles”. Peut-on
conclure que cette pièce n’est pas équilibrée à 1% de risque ?

6. Le fichier [Link] contient des informations sur la prise d’aspirines et

son incidence sur la survenue d’un cancer. Chargez ce fichier en R et ensuite confirmez ou
infirmez par le test adéquat l’hypothèse d’indépendance entre la consommation d’aspirines
et le risque de cancer. Quel est le niveau de confiance de votre test ?
> aspirine <- [Link]("chemin directory/[Link]",header=T,sep=",")
> attach(aspirine)

7. Un procédé de fabrication courant a produit des millions de tubes T.V., dont la durée de
vie moyenne est µ = 1200 heures et l’écart-type σ = 300 heures. Un nouveau procédé, estimé
meilleur par le bureau d’études, fournit un échantillon de 100 tubes avec une moyenne de
1265. Bien que cet échantillon fasse apparaı̂tre le nouveau procédé comme meilleur, s’agit-il
d’un hasard d’échantillonnage ?

8. Le staff médical d’une grande entreprise fait ses petites statistiques sur le taux de cho-
lestérol de ses employés. Les observations sur 100 employés tirés au sort sont les suivantes :

108
Taux de cholestérol en cg (centre classe) 120 160 200 240 280 320
Effectif d’employés 9 22 25 21 16 7

(a) Estimer la moyenne et l’écart-type pour le taux de cholestérol dans toute l’entreprise.
(b) Déterminer un intervalle de niveau 0.95 de confiance pour la moyenne.
(c) Déterminer la taille minimum d’échantillon pour que l’amplitude de l’IC soit < 10.

9. Testez l’indépendance entre les variables “pays” et “salaire” du fichier [Link].

> sal5 <- [Link]("chemin acces fichier/[Link]", header=TRUE, sep="\t")

10. Soit une expérience dont le but est d’évaluer l’effet de l’inoculation d’un mycorrhize
sur la croissance en hauteur de plantules de Pinus kesiya. Dans l’expérience, 10 plantules,
formant le Groupe I, ont été inoculées, et 10 autres (Groupe II) ont été laissées telles
quelles. Le tableau ci-après donne les hauteurs des plantules de Pinus kesiya obtenues
dans les deux groupes :

Parcelles Groupe I Groupe II

1 23.0 8.5
2 17.4 9.6
3 17.0 7.7
4 20.5 10.1
5 22.7 9.7
6 24.0 13.2
7 22.5 10.3
8 22.7 9.1
9 19.4 10.5
10 18.8 7.4

Le test appliqué reposera sur les hypothèses suivantes : (i) Les variables étudiées sont conti-
nues (ii) La population-mère des échantillons prélevés suit une loi de distribution normale
(iii) Les échantillons ont été prélevés de manière indépendante.

F Avant d’appliquer le test adéquat, vérifier que les variances des deux populations dans
lesquelles on prélève les échantillons sont homogènes (égales). L’homogénéité de deux va-
riances sera testée à l’aide du test [Link](). Une fois prouvé que les variances de la
hauteur des plantules des deux groupes sont égales, l’analyse se poursuit avec le test...

11. (a) En théorie, une population humaine compte 10% de gauchers. Or, ayant échantillonné
aléatoirement 50 étudiants de master maths, on trouve 11 gauchers. Les étudiants de ce
type de master sont-ils davantage gauchers que la population générale ?
(b) Même question si on observe 8 gauchers sur 50 étudiants.

109
12. Dans le but d’étudier l’influence éventuelle de la lumière sur la croissance du poisson
Lebistes Reticulus, on a élevé deux lots de ces poissons dans des conditions d’éclairage
différentes. Au 95ème jour, on a mesuré en mm les longueurs xi des poissons. On a obtenu
les résultats suivants :
P180 P180 2
- Lot 1 (180 individus) = éclairage à 400 lux. : i=1 xi(1) = 3780 i=1 xi(1) = 84884.
P90 P90 2
- Lot 2 (90 individus) = éclairage à 3000 lux. : i=1 xi(2) = 2043 i=1 xi(2) = 46586.

1 1
xi et σ 2 = x2i − x̄2 .
P P
Que peut-on conclure ? RAPPEL : x̄ = n n

13. En Belgique, le blaireau européen (Meles meles) se retrouve essentiellement en Wal-

lonie. Il est caractérisé par un poids moyen de 12 kg et une variance de 4 kg 2 .
Plusieurs terrains occupés jadis par des industries sidérurgiques ont été récemment aménagés,
et le blaireau y a élu domicile. Une étude a été réalisée pour comparer l’acclimatation de
cet animal sur 2 terrains. Ci-contre, voici les résultats des poids de corps enregistrés sur
ces 2 terrains.
indiv. terrain 1 terrain 2
1 8.6 15.0
2 9.6 13.2
3 12.2 15.8
4 12.1 12.4
5 9.8 14.2
6 8.1 11.4
7 12.2 12.6
8 11.5 12.1
9 10.6 12.9
10 11.6 12.0
11 8.9 10.0
12 9.9 10.3
13 10.9 13.3
14 8.9 14.2
15 13.4 13.2
16 13.8 8.8
17 8.6 12.8
18 8.0 14.9
19 10.7 13.0

Ces 2 terrains sont-ils aussi favorables au développement du blaireau, par rapport au poids
moyen attendu chez ces animaux ?
Sources : Pratique des biostatistiques - [Link]/biostats Eric Depiereux - Université de Namur

14. On teste deux boissons énergétiques qui ont pour but une meilleure récupération de
la fréquence cardiaque normale d’un individu. Sur un échantillon de 10 athlètes, chaque
athlète teste les deux boissons (ordre des boissons testées choisi aléatoirement pour chacun).
Voici le temps de récupération obtenus par ces deux boissons :

110
Athlète 1 2 3 4 5 6 7 8 9 10 11
Boisson I 123 132 109 110 121 101 105 124 121 106 111
Boisson II 127 131 105 113 125 112 106 137 116 119 128

Peut-on affirmer que l’une de ces boissons est plus performante que l’autre (au niveau de
confiance de 95%) ?

15. Dans un atelier de réparation d’ordinateurs, on a noté les temps de réparation (en
min) sur 50 ordinateurs de marque A et sur 40 ordinateurs de marque B. Sur ces deux
échantillons d’ordinateurs, on a obtenu les résultats suivants :

Durée d’intervention [0,20[ [20,40[ [40,60[ [60,80[ [80,100[ [100,120[

Nombre d’interventions sur A 1 6 11 15 10 7
Nombre d’interventions sur B 3 7 12 9 6 3

(a) Vérifiez que les moyennes et écart-types de ces deux échantillons sont :
mA = 69.2, mB = 58.5, σA = 25.6, σB = 29.49.
(b) On veut savoir si la relation mA > mB constatée est significative ou due aux aléas
d’échantillonnage. Pour cela, testez au risque de 5% les hypothèses :
H0 : mA = mB contre H1 : mA > mB .
(c) Quelle conclusion obtient-on avec un test bilatéral au même risque d’erreur ?

16. On souhaite mesurer l’effet d’un médicament sur la migraine. Pour cela, on constitue
2 groupes, chacun de 100 personnes. Un groupe A reçoit le médicament et un groupe B un
placebo, c’est à dire un comprimé sans aucun principe actif. Dans le groupe A, 68 personnes
ont vu leur migraine diminuer, contre 56 dans le groupe B.
(a) A l’aide d’un IC0.95 , que peut-on conclure quant à l’efficacité du médicament ?
(b) Quelle taille aurait dû avoir chacun des 2 groupes, pour pouvoir conclure à l’efficacité
du médicament, avec des fréquences identiques ?

17. Résultat d’un essai antibiotique sur un échantillon de 60 souris. Chacune a été ino-
culée avec une souche potentiellement mortelle de Salmonelle sp. Après cette injection :
- 30 souris tirées au hasard (lot témoin) sont laissées tranquille.
- 30 autres (lot traités) reçoivent une dose de pentacycline (un antibiotique à large spectre).

Dans le groupe traité, 19 souris ont survécus. Dans le groupe non traité, 14 souris ont
survécus. Testez un lien éventuel entre traitement et taux de mortalité.

111
11 Annexe : créer une matrice en R
Certaines fonctions R opèrent indifféremment sur des tables ou des matrices. Une table sera,
par exemple, construite à partir de variables d’un fichier de données à l’aide de la fonction
table(). Mais lorsque les donnés de départ sont déjà livrées sous forme d’un tableau, le
plus simple est alors d’encoder directement ce tableau dans une matrice. A partir d’une
liste de valeurs c(v1,v2,...) la fonction matrix() construit une matrice de dimensions
spécifiées en paramètres. Voyons quelques exemples :

Soient les nombres {1, 2, 3, 4, 5, 6} dont on veut faire une matrice 2 × 3. Première étape,
créer une liste de ces nombres :

> c(1,2,3,4,5,6)

Ensuite, une matrice 2 × 3 s’en déduit simplement comme suit :

> matrix(c(1,2,3,4,5,6),nrow=3) # nrow indique le nbre de colonnes

[, 1] [, 2]
[1, ] 1 4
[2, ] 2 5
[3, ] 3 6
On peut aussi écrire :

> matrix(c(1,2,3,4,5,6),3) # 3 indique le nbre de colonnes

Ou encore :

> matrix(c(1,2,3,4,5,6),3,2) # 3 indique le nbre de colonnes

Pour obtenir une matrice 2 × 3 (2 lignes, 3 colonnes), on peut écrire :

> matrix(c(1,2,3,4,5,6),2,3)

[, 1] [, 2] [, 3]
[1, ] 1 3 5
[2, ] 2 4 6
Si on exige que le remplissage des éléments de la matrice se fasse en remplissant “ligne à
ligne”, on écrira :

> matrix(c(1,2,3,4,5,6),2,3,byrow=T)

112
[, 1] [, 2] [, 3]
[1, ] 1 2 3
[2, ] 4 5 6
La commande suivante ne devrait plus vous réserver de surprise :

> matrix(c(1,2,3,4,5,6),3,2,byrow=T)

[, 1] [, 2]
[1, ] 1 2
[2, ] 3 4
[3, ] 5 6

113
Table des matières
1 Quelques notions générales sur les tests 1
1.1 Les principaux types de tests . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Poser les hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 La statistique de test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Erreurs de première et seconde espèce . . . . . . . . . . . . . . . . . . . . . 3
1.5 Puissance d’un test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.6 Seuil de signification du test . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.7 Prise de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.8 Les principales étapes d’un test . . . . . . . . . . . . . . . . . . . . . . . . . 6

2 Test de conformité : un exemple 7

2.1 UN échantillon : Tester une éventuelle amélioration → Test unilatéral . . . 7
2.2 Poser les hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 La statistique de test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4 Une règle de décision : la p-valeur . . . . . . . . . . . . . . . . . . . . . . . 9
2.5 Une fonction R comparant deux moyennes : [Link]() . . . . . . . . . . . . 11
2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

3 DEUX échantillons : Comparer deux proportions : un exemple sur grands

échantillons indépendants 13
3.1 Poser les hypothèses : test bilatéral . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Proportion : une distribution binomiale . . . . . . . . . . . . . . . . . . . . 14
3.3 Statistique de test : test bilatéral . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4 Application aux données du sondage . . . . . . . . . . . . . . . . . . . . . . 16
3.5 La fonction [Link]() . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

4 UN échantillon : Tests de conformité & Distribution connue 19

4.1 UN échantillon : comparer une proportion à une proportion théorique . . . 19
4.1.1 Grands échantillons : la fonction [Link]() de R . . . . . . . . 20
4.1.2 UN petit échantillon Test Binomial Exact : [Link]() . . . 23
4.2 UN échantillon : Comparer une moyenne à une moyenne théorique . . . . . 25
4.2.1 Loi normale d’écart-type σ connu . . . . . . . . . . . . . . . . . . . . 26
4.2.2 Loi normale d’écart-type σ inconnu : la fonction [Link]() . . . . . 27

5 DEUX échantillons : Tests d’égalité & Distribution connue 31

5.1 Comparer deux proportions : DEUX (gros) échantillons . . . . . . . . . . . 31
5.2 Comparer 2 proportions & Petits échantillons : test exact de Fisher . . . . . 33
5.3 Remarque : comparer plus de 2 proportions . . . . . . . . . . . . . . . . . . 34
5.4 DEUX échantillons : Comparaison de moyennes → Test t de STUDENT . . 35

114
5.4.1 Tester la normalité & Tester l’égalité de variances . . . . . . . . . . 35
5.4.2 La fonction [Link]() : les différents tests . . . . . . . . . . . . . . . 39
5.4.3 Fonction [Link]() sur DEUX échantillons indépendants . . . . . . 40
5.4.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.5 Test t sur deux échantillons appariés . . . . . . . . . . . . . . . . . . . . . . 44

6 Test “libre de distribution” & Test non paramétrique 50

7 DEUX échantillons & Distribution parente inconnue 51

7.1 Deux échantillons indépendants : Test de Mann-Whitney . . . . . . . . . . 51
7.2 Deux échantillons appariés : Test de Wilcoxon apparié . . . . . . . . . . . . 56
7.3 Les fonctions tapply() & aggregate() . . . . . . . . . . . . . . . . . . . . 58
7.3.1 La fonction tapply() . . . . . . . . . . . . . . . . . . . . . . . . . . 58
7.3.2 La fonction aggregate() . . . . . . . . . . . . . . . . . . . . . . . . 63

8 Plusieurs échantillons : comparer k moyennes ou k médianes 64

8.1 ANalysis Of VAriance : ANOVA à 1 facteur . . . . . . . . . . . . . . . . . . 64
8.1.1 Un préliminaire illustré . . . . . . . . . . . . . . . . . . . . . . . . . 64
8.1.2 Décomposition de la variance totale . . . . . . . . . . . . . . . . . . 67
8.1.3 Distribution de Fisher . . . . . . . . . . . . . . . . . . . . . . . . . . 68
8.1.4 Homoscédasticité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
8.1.5 Un exemple : les tulipes . . . . . . . . . . . . . . . . . . . . . . . . . 69
8.1.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
8.2 ANOVA à 2 facteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
8.2.1 Les diagrammes d’interaction : divers exemples . . . . . . . . . . . . 85
8.2.2 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
8.3 Test de Kruskal-Wallis : n groupes indépendants . . . . . . . . . . . . . . . 96
8.4 Exercices : Kruskal-Wallis, ou pas... . . . . . . . . . . . . . . . . . . . . . . 98

9 Exercices (partiellement) résolus 101

10 Exercices 107

11 Annexe : créer une matrice en R 112

115

Vous aimerez peut-être aussi

Tests d'Hypothèses en Statistique IV
100% (1)
Tests d'Hypothèses en Statistique IV
177 pages
Test d'hypothèses sur proportions et moyennes
Pas encore d'évaluation
Test d'hypothèses sur proportions et moyennes
9 pages
Examen de Statistiques et Probabilités 2023
Pas encore d'évaluation
Examen de Statistiques et Probabilités 2023
8 pages
Tests d'hypothèses pour moyennes
100% (1)
Tests d'hypothèses pour moyennes
16 pages
Examen de Statistique Probabiliste S3
Pas encore d'évaluation
Examen de Statistique Probabiliste S3
4 pages
Exercices de Probabilités et Statistiques
Pas encore d'évaluation
Exercices de Probabilités et Statistiques
10 pages
Statistiques et Probabilités : Examen L1 Gestion
Pas encore d'évaluation
Statistiques et Probabilités : Examen L1 Gestion
2 pages
Test d'Hypothèses en Statistiques
Pas encore d'évaluation
Test d'Hypothèses en Statistiques
8 pages
Examen de Probabilités et Statistiques
100% (1)
Examen de Probabilités et Statistiques
2 pages
Intervalles de confiance corrigés
Pas encore d'évaluation
Intervalles de confiance corrigés
4 pages
Statistique Mathématique: Cours S6
100% (1)
Statistique Mathématique: Cours S6
49 pages
Corrigé des exercices de stat-proba
Pas encore d'évaluation
Corrigé des exercices de stat-proba
2 pages
Exercices corrigés sur tests d'hypothèses
Pas encore d'évaluation
Exercices corrigés sur tests d'hypothèses
39 pages
Analyse des notes et statistiques scolaires
Pas encore d'évaluation
Analyse des notes et statistiques scolaires
4 pages
Estimations et Intervalles de Confiance en Statistiques
Pas encore d'évaluation
Estimations et Intervalles de Confiance en Statistiques
10 pages
Examen de Probabilités et Statistiques 2022
Pas encore d'évaluation
Examen de Probabilités et Statistiques 2022
5 pages
Résumé des Statistiques et Probabilités
Pas encore d'évaluation
Résumé des Statistiques et Probabilités
8 pages
Séminaire Pré-stage Mathématiques ENS Abidjan
Pas encore d'évaluation
Séminaire Pré-stage Mathématiques ENS Abidjan
4 pages
Statistiques et Probabilités en Génie Civil
Pas encore d'évaluation
Statistiques et Probabilités en Génie Civil
1 page
Tests d'hypothèses et risques statistiques
100% (1)
Tests d'hypothèses et risques statistiques
1 page
Cours de Statistique Inférentielle ENSTA
Pas encore d'évaluation
Cours de Statistique Inférentielle ENSTA
12 pages
Estimations statistiques corrigées
Pas encore d'évaluation
Estimations statistiques corrigées
5 pages
Exercice Corrigé Méthodes de Monte Carlo
100% (2)
Exercice Corrigé Méthodes de Monte Carlo
6 pages
Exercices de Probabilités Licence 2
Pas encore d'évaluation
Exercices de Probabilités Licence 2
2 pages
Cours 1 V A C
Pas encore d'évaluation
Cours 1 V A C
55 pages
Exercices de Probabilités 2ème Bac
Pas encore d'évaluation
Exercices de Probabilités 2ème Bac
2 pages
Tests d'hypothèse en statistiques avancées
100% (1)
Tests d'hypothèse en statistiques avancées
4 pages
Estimation des probabilités en ingénierie
Pas encore d'évaluation
Estimation des probabilités en ingénierie
6 pages
Exercices Corrigés sur la Loi Gamma
Pas encore d'évaluation
Exercices Corrigés sur la Loi Gamma
7 pages
Examen de Statistiques Descriptives
Pas encore d'évaluation
Examen de Statistiques Descriptives
5 pages
Statistiques et probabilités - Licence 2022-2023
Pas encore d'évaluation
Statistiques et probabilités - Licence 2022-2023
5 pages
Probabilités : Lois Normales, Exponentielle, Uniforme, Poisson, Binomiale
Pas encore d'évaluation
Probabilités : Lois Normales, Exponentielle, Uniforme, Poisson, Binomiale
2 pages
Exercice corrigé sur vecteurs gaussiens
Pas encore d'évaluation
Exercice corrigé sur vecteurs gaussiens
4 pages
Statistiques Inférentielles en Économie
Pas encore d'évaluation
Statistiques Inférentielles en Économie
22 pages
Estimation Statistique des Procédés
Pas encore d'évaluation
Estimation Statistique des Procédés
13 pages
Corrigé de Probabilités et Statistiques
Pas encore d'évaluation
Corrigé de Probabilités et Statistiques
6 pages
Échantillonnage et Estimations Statistiques
Pas encore d'évaluation
Échantillonnage et Estimations Statistiques
1 page
Variables aléatoires continues : exercices et solutions
Pas encore d'évaluation
Variables aléatoires continues : exercices et solutions
2 pages
Moyenne Échantillonnale en Statistique
Pas encore d'évaluation
Moyenne Échantillonnale en Statistique
63 pages
Echantillonnage et Estimation en Statistiques
Pas encore d'évaluation
Echantillonnage et Estimation en Statistiques
3 pages
Exercices de Probabilités Licence 2
100% (1)
Exercices de Probabilités Licence 2
9 pages
Corrigés de Statistiques Descriptives S1
Pas encore d'évaluation
Corrigés de Statistiques Descriptives S1
15 pages
Concours ESTP Paris 2A2A : Physique-Chimie
Pas encore d'évaluation
Concours ESTP Paris 2A2A : Physique-Chimie
6 pages
Statistiques descriptives : groupes sanguins et réactions vaccinales
Pas encore d'évaluation
Statistiques descriptives : groupes sanguins et réactions vaccinales
8 pages
Optimisation Différentiable : Méthodes et Conditions
Pas encore d'évaluation
Optimisation Différentiable : Méthodes et Conditions
42 pages
Comparaison de Proportions Populations
Pas encore d'évaluation
Comparaison de Proportions Populations
24 pages
Analyse des Pannes d'Appareils A et B
100% (1)
Analyse des Pannes d'Appareils A et B
3 pages
Estimations ponctuelles en échantillonnage
Pas encore d'évaluation
Estimations ponctuelles en échantillonnage
5 pages
Tests d'Hypothèses Statistiques 2016
Pas encore d'évaluation
Tests d'Hypothèses Statistiques 2016
19 pages
Calcul d'intervalle de confiance 95%
Pas encore d'évaluation
Calcul d'intervalle de confiance 95%
3 pages
Statistiques descriptives et exercices
100% (1)
Statistiques descriptives et exercices
5 pages
Exercices de Probabilités Licence 2
50% (2)
Exercices de Probabilités Licence 2
3 pages
Exercices de Statistique Avec Corrigé PDF
Pas encore d'évaluation
Exercices de Statistique Avec Corrigé PDF
9 pages
Analyse asymptotique et négligeabilité
Pas encore d'évaluation
Analyse asymptotique et négligeabilité
22 pages
Cours de probabilités pour ECS 2ème année
Pas encore d'évaluation
Cours de probabilités pour ECS 2ème année
70 pages
Probabilités et Statistiques : Exercices Pratiques
Pas encore d'évaluation
Probabilités et Statistiques : Exercices Pratiques
3 pages
Travaux Dirigés de Maths Générales
Pas encore d'évaluation
Travaux Dirigés de Maths Générales
2 pages
Exercices de Probabilités et Statistiques
Pas encore d'évaluation
Exercices de Probabilités et Statistiques
17 pages
Estimation en Biostatistique : TD 8
100% (1)
Estimation en Biostatistique : TD 8
5 pages
Tests d'hypothèses : théorie et méthodes
Pas encore d'évaluation
Tests d'hypothèses : théorie et méthodes
5 pages