INTRODUCTION 2

A. PRINCIPES DES TESTS D’HYPOTHÈSES 3

1. DÉFINITION 3
2. Les étapes d’un test d’hypothèse 4
[Link] et niveau de signification. 6
3. Concepts clés 7
[Link] de tests d’hypothèses 10
I. Tests Paramétriques 10
II. Tests non paramétriques 18
C. COMPARAISON DES TESTS PARAMÉTRIQUES ET NON PARAMÉTRIQUES 24
D. APPLICATIONS PRATIQUES DES TESTS D'HYPOTHÈSE 24
[Link] D’ APPLICATION : TEST DE STUDENT 25
CONCLUSION 26
BIBLIOGRAPHIE 27
Références 28
 Introduction
Dans le domaine des sciences et de l’analyse de données, les tests
d’hypothèses sont des outils statistiques permettant de prendre des décisions
sur des paramètres inconnus d’une population à partir d’un échantillon. Ils
permettent de vérifier des hypothèses préalablement formulées à l’aide de
techniques statistiques rigoureuses. Ils reposent sur une comparaison entre
des hypothèses (nulle et alternative) pour déterminer si une hypothèse est
statistiquement plausible ou non. Cet exposé couvre les principes généraux
des tests d’hypothèse, ainsi que les différences entre les tests paramétriques
et non paramétriques.
A. Principes des tests d’hypothèses

1. Définition
Un test d'hypothèse est une procédure statistique permettant de déterminer si
une hypothèse de recherche peut être acceptée ou rejetée, en fonction des
données recueillies. Il consiste à formuler deux hypothèses :

Hypothèse Définition
Hypothèse nulle (H₀) Aucune différence ou aucun effet.
Hypothèse alternative (H₁) Il existe une différence ou un effet.

C’est à dire L’hypothèse testée est appelée hypothèse nulle (H₀), et elle est
comparée à une hypothèse alternative (Hₐ).

L’hypothèse nulle notée H0 est l’hypothèse que l’on désire contrôler : elle
consiste à dire qu’il n’existe pas de différence entre les paramètres comparés
ou que la différence observée n’est pas significative et est due aux
fluctuations d’échantillonnage. Cette hypothèse est formulée dans le but
d’être rejetée.
L’hypothèse alternative notée H1 est la "négation" de H0, elle est équivalente
à dire « H0 est fausse ». La décision de rejeter H0 signifie que H1 est réalisée
ou H1 est vraie.
Il existe une dissymétrie importante dans les conclusions des tests. En effet,
la décision d’accepter H0 n’est pas équivalente à « H0 est vraie et H1 est
fausse ». Cela traduit seulement l’opinion selon laquelle, il n’y a pas
d’évidence nette pour que H0 soit fausse. Un test conduit à rejeter ou à ne pas
rejeter une hypothèse nulle jamais à l’accepter d’emblée.
La nature de H0 détermine la façon de formuler H1 et par conséquent la
nature unilatérale ou bilatérale du test. On parle de test bilatéral lorsque
l’hypothèse alternative se "décompose en deux parties". Par exemple si H0
consiste à dire que la population estudiantine avec une fréquence de fumeurs
p est représentative de la population globale avec une fréquence de fumeurs
p0, on pose alors : H0 : p = p0 et H1 : p =6 p0. Le test sera bilatéral car on
considère que la fréquence p peut être supérieure ou inférieure à la fréquence
p0.
On parle de test unilatéral lorsque l’hypothèse alternative se "compose
d’une seule partie". Par exemple si l’on fait l’hypothèse que la fréquence de
fumeurs dans la population estudiantine p est supérieure à la fréquence de
fumeurs dans la population p0, on pose alors H0 : p = p0 et H1 : p > p0. Le test
sera unilatéral car on considère que la fréquence p ne peut être que
supérieure à la fréquence p0. Il aurait été possible également d’avoir : H0 : p
= p0 et H1 : p < p0

2. Les étapes d’un test d’hypothèse

1. Formulation des hypothèses : Définir H₀ et Hₐ.
2. Choix d’un test statistique : Sélectionner un test approprié en
fonction du type de données et de la question de recherche.
Le choix du test et guidé par la question posée et la structure des données
issues de l’expérience. La littérature statistique est très abondante sur ce
sujet, seuls sont référencés ici les tests élémentaires les plus couramment
utilisés et généralement proposés par les logiciels statistiques; en voici un
guide sommaire.
Tests paramétriques les observations sont supposées suivre un modèle
gaussien ou l’échantillon est de suffisamment grande taille pour accepter la
normalité asymptotique par le théorème de la limite centrale.
Un échantillon
– Comparaison de la moyenne de l’échantillon à une valeur
théorique lorsque la variance est supposée connue (Gauss)
– Comparaison de la moyenne de l’échantillon à une valeur
théorique lorsque la variance est inconnue et estimée (Student)
– Comparer une proportion à une valeur théorique
Deux échantillons indépendants
– Comparaison de deux moyennes (variances égales ou
échantillon suffisamment grand, Student)
– Comparaison de deux variances (Fisher)
 – Comparaison de deux proportions
Deux échantillons appariés Le même échantillon est observé à deux instants
différents ou dans deux conditions différentes (Student apparié)
Plusieurs échantillons ANOVA à un facteur
Tests d’adéquation
– Comparaison de deux distributions (chi-deux)
– Normalité d’une distribution (Kolmogorov, Shapiro Wilks)
Tests non-paramétrique Dans le cas : petit échantillon et distribution non
gaussienne (cf. tests d’adéquation)
Deux échantillons indépendants Comparaison de deux médianes
(Mann-Whitney)
Deux échantillons appariés Test de Wilcoxon sur les différences
Plusieurs échantillons Kruskal-Wallis
Liaisons entre variables D’autres questions, qui conduisent à tester
l’influence d’une variable quantitative (régression) ou qualitative (ANOVA
et comparaison de plusieurs moyennes) sur une variable quantitative,
considèrent d’autre modèles .
 3. Détermination du seuil de signification (α) : Généralement fixé à
0,05 ou 0,01.
4. Calcul de la statistique de test : Mesurer l’écart entre les données
observées et H₀.
5. Prise de décision : Comparer la statistique calculée à une valeur
critique ou à un p-value pour déterminer si H₀ doit être rejetée.
[Link] et niveau de signification.
Une statistique est une fonction des variables aléatoires représentant
l’échantillon. Le choix de la statistique dépend de la nature des données, du
type d’hypothèse que l’on désire contrôler, des affirmations que l’on peut
admettre concernant la nature des populations étudiées .... La valeur
numérique de la statistique obtenue pour l’échantillon considéré permet de
distinguer entre H0 vraie et H0 fausse.
Connaissant la loi de probabilité suivie par la statistique S sous l’hypothèse
H0, il est possible d’établir une valeur seuil, Sseuil de la statistique pour une
probabilité donnée appelée le niveau de signification α du test. La région
critique Rc = f(Sseuil) correspond à l’ensemble des valeurs telles que : ℙ (S ∈
Rc) = α. Selon la nature unilatérale ou bilatérale du test, la définition de la
région critique varie.

Unilatéral Bilatéral
Test
H0 : t = t0 H0 : t = t0
Hypothèse H1 : t > t0 H1 : t < t0 H1 : t 6= t0
alternative
Niveau de ℙ(S > Sseuil) = α ℙ (S < Sseuil) = α ℙ (|S| > Sseuil) = α
signification

Il existe deux stratégies pour prendre une décision en ce qui concerne un test
d’hypothèse : la première stratégie fixe à priori la valeur du seuil de
signification α et la seconde établit la valeur de la probabilité critique αobs à
posteriori.
 Règle de décision 1 :
Sous l’hypothèse « H0 est vraie » et pour un seuil de signification α fixé
- si la valeur de la statistique Sobs calculée appartient à la région critique
alors l’hypothèse H0 est rejetée au risque d’erreur α et l’hypothèse H1 est
acceptée;
- si la valeur de la statistique Sobs n’appartient pas à la région critique alors
l’hypothèse H0 ne peut être rejetée.

Le choix du niveau de signification ou risque α est lié aux conséquences

pratiques de la décision; en général on choisira α = 0,05, 0,01 ou 0,001.
Règle de décision 2 :
La probabilité critique α telle que ℙ(S ≥ Sobs) = αobs est évaluée
- si αobs ≥ α l’hypothèse H0 est acceptée car le risque d’erreur de rejeter H0
alors qu’elle est vrai est trop important;
- si αobs < α l’hypothèse H0 est rejetée car le risque d’erreur de rejeter H0
alors qu’elle est vrai est très faible.

3. Concepts clés
 Erreur de type I (α) : Rejeter H₀ alors qu'elle est vraie.

Définition On appelle risque d’erreur de première espèce la probabilité de

rejeter H0 et d’accepter H1 alors que H0 est vraie.

Ceci se produit si la valeur de la statistique de test tombe dans la région de

rejet alors que l’hypothèse H0 est vraie. La probabilité de cet évènement est
le niveau de signifiation α. On dit aussi que le niveau de signification est la
probabilité de rejeter l’hypothèse nulle à tort.
La valeur du risque α doit être fixée a priori par l’expérimentateur et jamais
en fonction des données. C’est un compromis entre le risque de conclure à
tort et la faculté de conclure.
La région critique diminue lorsque α décroît (voir intervalle de confiance) et
donc on rejette moins fréquemment H0. A vouloir commettre moins
d’erreurs, on conclut plus rarement.
Exemple : Si l’on cherche à tester l’hypothèse qu’une pièce de monnaie
n’est pas « truquée », nous allons adopter la règle de décision suivante :
H0 : la pièce n’est pas truquée

– est acceptée si X ∈ [40,60]

– rejetée si X ∈6 [40,60] donc soit X < 40 ou X > 60
avec X « nombre de faces » obtenus en lançant 100 fois la pièce. Le risque
d’erreur de première espèce est α = ℙ(B(100,1/2) ∈ [40,60]).

 Erreur de type II (β): Ne pas rejeter H₀ alors qu'elle est fausse.

Définition On appelle risque d’erreur de seconde espèce, notée β la
probabilité de rejeter H1 et d’accepter H0 alors que H1 est vraie.

Ceci se produit si la valeur de la statistique de test ne tombe pas dans la

région de rejet alors que l’hypothèse H1 est vraie. Pour quantifier le risque β,
il faut connaître la loi de probabilité de la statistique sous l’hypothèse H1.
Exemple : Si l’on reprend l’exemple précédent de la pièce de monnaie, et
que l’on suppose la probabilité d’obtenir face est de 0,6 pour une pièce
truquée. En adoptant toujours la même règle de décision : H0 :la pièce n’est
pas truquée

– est acceptée si X ∈ [40,60]

– rejetée si X 6∈ [40,60] donc soit X < 40 ou X > 60
avec X « nombre de faces » obtenues en lançant 100 fois la pièce. Le risque
de seconde espèce est β = ℙ(B(100,0,6) ∈ [40,60]).

 Puissance du test: Probabilité de rejeter H₀ lorsqu'elle est

effectivement fausse (= 1 – β).
Rappelons que les tests ne sont pas faits pour « démontrer » H0 mais
pour « rejeter » H0 . L’aptitude d’un test à rejeter H0 alors qu’elle est
fausse constitue la puissance du test.
Définition:On appelle puissance d’un test, la probabilité de rejeter H0
et d’accepter H1 alors que H1 est vraie. Sa valeur est 1 − β
La puissance d’un test est fonction de la nature de H1, un test unilatéral est
plus puissant qu’un test bilatéral. Elle augmente avec taille de l’échantillon
N étudié, et diminue lorsque α diminue.
La robustesse d’une technique statistique représente sa sensibilité à des
écarts aux hypothèses faites.
Les différentes situations que l’on peut rencontrer dans le cadre des tests
d’hypothèse sont résumées dans le tableau suivant :

Décision H0 vraie H1 vraie

Réalité
manque de
H0 acceptée Correct puissance risque de
seconde espèce β
H1 acceptée rejet à tort puissance du test
risque de premières 1–β
espèce α
[Link] de tests d’hypothèses

I. Tests Paramétriques
I.1. Définition

Les tests paramétriques supposent que les données suivent une distribution
connue, généralement normale. Ils exploitent des paramètres comme la
moyenne et l'écart-type pour effectuer des comparaisons.

I.2. Exemples de Tests Paramétriques

I.2.1. Tests paramétriques

Ces tests supposent que les données suivent une distribution spécifique
(souvent normale).

Exemples : Test de Student, ANOVA

 Test de Student
Compare la moyenne d'un échantillon à une moyenne
théorique (test unilatéral ou bilatéral).

 Variance connue.
On suppose que l’on a un échantillon qui suit une loi normale N(µ,σ2) ou
la variance est connue.
On veut tester H0 : µ = µ0 contre H1 : µ ≠ µ0, c’est le cas bilatéral.

Sous l’hypothèse H0 la variable aléatoire suit une loi

N(µ0,σ2/n) et par conséquent la statistique

suit une loi normale centrée réduite.

Pour un risque d’erreur α fixé on a donc ℙ (|Z| ≤ q1−α/2) = 1 − α
avec q1−α/2 le quantile d’ordre 1 − α/2 de la loi ℕ(0,1); et donc la région
de rejet est ] − ∞,q1−α/2[ ∪ ]q1−α/2,+∞[
On calcule alors pour les valeurs de l’échantillon Z et on accepte ou on
rejette H0 suivant la valeur trouvée, au risque α
Si on considère un test unilatéral et une hypothèse alternative H1 : µ > µ0
par exemple, on obtient pour un risque d’erreur α
ℙ (Z ≤ q1−α) = 1 − α
avec q1−α le quantile d’ordre 1 − α de la loi ℕ(0,1); et donc la région de
rejet est ]q1−α,+∞[
 Variance inconnue
On suppose que l’on a un échantillon qui suit une loi normale N(µ,σ2) ou
la variance est maintenant inconnue.
On veut tester H0 : µ = µ0 contre H1 : µ ≠ µ0, dans le cas bilatéral.
Sous l’hypothèse H0 la variable aléatoire suit une loi
N(µ0,σ2/n). Comme la variance est inconnue, on l’estime par la variance
empirique :

.
On a déjà vu qu’alors la variable

suit une de Student à n − 1 degrés de liberté.

Pour un risque d’erreur α fixé on a donc ℙ(|T| ≤ t1−α/2) = 1 – α avec
t1−α/2 le quantile d’ordre 1 − α/2 de la loi de Student à n − 1 degrés de
liberté; et donc la région de rejet est ] − ∞,t1−α/2[ ∪ ]t1−α/2,+∞[
On calcule alors pour les valeurs de l’échantillon T et on accepte ou on
rejette H0 suivant la valeur trouvée, au risque α

Compare les moyennes de deux groupes indépendants ou

appariés.
Si les deux échantillons on la même taille n1 = n2 = n. Le test se ramène à
une test à une moyenne nulle de l’échantillon (Z1,...,Zn), avec Zi = Xi − Yi.

 Variance connue

On suppose que l’on a deux échantillons (X1,...,Xn1) et (Y1,...,Yn2)qui

suivent une loi normale où les variances sont connues.

On veut tester H0 : µ1 = µ2 contre H1 : µ1 ≠µ2, c’est la cas bilatéral.

Sous l’hypothèse H0 la variable aléatoire suit une loi

et la variable aléatoire suit une loi , par
conséquent la statistique

suit une loi normale centrée réduite.

Pour un risque d’erreur α fixé on a donc

ℙ(|U| ≤ q1−α/2) = 1 − α

avec q1−α/2 le quantile d’ordre 1 − α/2 de la loi ℕ(0,1); et donc la région

de rejet est ] − ∞,q1−α/2[ ∪ ]q1−α/2,+∞[

On calcule alors pour les valeurs de l’échantillon U et on accepte ou on

rejette H0 suivant la valeur trouvée, au risque α

Si on considère un test unilatéral et une hypothèse alternative H1 : µ1 >µ2

par exemple, on obtient pour un risque d’erreur α

ℙ(Z ≤ q1−α) = 1 − α
avec q1−α le quantile d’ordre 1 − α de la loi ℕ(0,1); et donc la région de
rejet est ]q1−α,+∞[

 Variance inconnue

On suppose que l’on a que l’on a deux échantillons (X1,...,Xn1) et

(Y1,...,Yn2)qui suivent une loi normale où les variances
sont inconnues.

Cas 1 : n1 et n2 supérieurs à 30.

On veut tester H0 : µ1 = µ2 contre H1 : µ1 ≠µ2, dans le cas bilatéral.

Sous l’hypothèse H0 la variable aléatoire Xn1 −Yn2 suit une loi

. Comme la variance est inconnue, on l’estime par la
variance empirique corrigée

Alors la variable aléatoire

peut être approximé par une loi normale centrée réduite.

Pour un risque d’erreur α fixé on a donc

ℙ(|N| ≤ t1−α/2) = 1 − α

avec t1−α/2 le quantile d’ordre 1 − α/2 de la loi normale centrée réduite;

et donc la région de rejet est ] − ∞,t1−α/2[ ∪ ]t1−α/2,+∞[
On calcule alors pour les valeurs de l’échantillon N et on accepte ou on
rejette H0 suivant la valeur trouvée, au risque α.

Cas 2 : n1 ou n2 inférieur à 30 et σ1 = σ2

On veut tester H0 : µ1 = µ2 contre H1 : µ1 ≠µ2, dans le cas bilatéral.

Sous l’hypothèse H0 la variable aléatoire Xn1 −Yn2 suit une loi

. Comme la variance est inconnue, on l’estime par la
variance empirique corrigée

Alors la variable aléatoire

suit une de Student à n1 + n2 − 2 degrés de liberté.

Pour un risque d’erreur α fixé on a donc

ℙ(|T| ≤ t1−α/2) = 1 − α

avec t1−α/2 le quantile d’ordre 1 − α/2 de la loi de Student à n1 + n2 − 2

degrés de liberté; et donc la région de rejet est ] − ∞,t1−α/2[ ∪
]t1−α/2,+∞[

On calcule alors pour les valeurs de l’échantillon T et on accepte ou on

rejette H0 suivant la valeur trouvée, au risque α

Cas 3 : n1 ou n2 inférieur à 30 et σ1 ≠ σ2

On veut tester H0 : µ1 = µ2 contre H1 : µ1 ≠ µ2, dans le cas bilatéral.

Sous l’hypothèse H0 la variable aléatoire Xn1 −Yn2 suit une loi
. Comme la variance est inconnue, on l’estime par la
variance empirique corrigée

Alors la variable aléatoire

suit une de Student à ν degrés de liberté, où ν est l’entier le plus proche

de

Pour un risque d’erreur α fixé on a donc

ℙ(|T| ≤ t1−α/2) = 1 − α

avec t1−α/2 le quantile d’ordre 1 − α/2 de la loi de Student précédente; et

donc la région de rejet est ] − ∞,t1−α/2[ ∪ ]t1−α/2,+∞[

On calcule alors pour les valeurs de l’échantillon T et on accepte ou on

rejette H0 suivant la valeur trouvée, au risque α

 ANOVA (Analyse de la variance)

Compare les moyennes de trois groupes ou plus pour
déterminer s’ils proviennent de populations différentes.

La comparaison des moyennes de plusieurs échantillons se présente sous une

forme générale en considérant les m échantillons comme les m classes
d’unités statistiques prenant les modalités d’une variable qualitative X.
Comparer les moyennes d’une variable quantitative Y revient alors à
s’intéresser à l’influence possible de la variable qualitative X ou facteur sur
la variable quantitative Y . Cette présentation est en fait un cas particulier de
modèle linéaire couramment appelée ANOVA pour méthode d’ANalyse de
la VAriance. La présentation générale est beaucoup plus élégante mais ne
permet pas d’aller à l’essentiel, à savoir la présentation élémentaire et
opérationnelle du test sans doute le plus utilisé en biostatistique comme dans
bien d’autres domaines. Les compléments ANOVA à 2 facteurs et plus,
comparaisons multiples sont développés par ailleurs.
Attention aux subtilités sémantiques, ce test compare bien des moyennes en
testant H0 : µ1 = ··· = µk contre H1 : au moins deux moyennes sont
différentes. Néanmoins la statistique de test est basée sur la comparaison des
deux variances inter et intra-classes d’où le nom de ce modèle.
Deux hypothèses importantes sont à vérifiées préalablement à l’analyse :
1. la variable Y suit une loi gaussienne,
2. les variances des sous-groupes (variances conditionnelles) sont
identiques (homoscédasticité).
La première hypothèse est moins contraignante car l’ANOVA est robuste si
les tailles des échantillons sont suffisantes. En revanche celle
d’homoscédasticité est sensible; elle peut être vérifiée par différents tests :
Bartlett dans le cas gaussien strict, Levene sinon. Ils ne sont pas décrits ici
mais présents dans la plupart des logiciels. Dans le cas de violation de ces
hypothèses préalables, une approche non-paramétrique est préférable
(Kruskal-Wallis).
 Notations
Une variable aléatoire supposée gaussienne Y est observée sur m
échantillons de tailles nk. C’est aussi la partition de l’échantillon en m
classes issue de la variable qualitative X ; y désigne la moyenne générale,
yk, la moyenne dans chaque classe ou pour chaque échantillon.
L’ANOVA est basée sur la décomposition de la variance :
SST = SSB + SSW
ou SST traduit la variabilité totale, c’est la somme des carrés totaux. SSB
traduit la variabilité des moyennes des groupes ou moyennes conditionnelles
par rapport à la moyenne générale. C’est la variabilité inter-classe (between)
ou expliquée par le modèle. SSW traduit la variabilité résiduelle à l’intérieur
des groupes ou variabilité intra-classe (within).

 Statistique de test

Trois autres quantités sont définies, les carrés moyens MSB=SSB/(m−1) et

MSW=SSW/(n−m) ainsi que la statistique de test F=MSB/MSW. Plus cette
quantité F est grande, plus la variance inter-classe l’emporte sur celle
intraclasse et donc, au regard de la dispersion globale, la dispersion des
moyennes des classes est d’autant plus significative.
Tout logiciel présente les résultats dans un tableau dit d’analyse de la
variance à un facteur :

Source Somme
de d.d.l des carrés
Variance F
variatio .
n
Modèle m− SSB MSB=SSB/( MSB/MS
(inter) 1 m − 1) W
Erreur n− SSW MSW=SSW/(
(intra) m n − m)
Total n− SST
1

Sous les hypothèses de normalité de Y , d’homoscédasticité (égalité des

variances conditionnelles) et sous l’hypothèse H0 : µ1 = ··· = µm, la statistique
de test est un rapport de variables suivant des lois du chi-deux, c’est donc
une variable de Fisher à (m − 1) et (n − m) degrés de liberté. Tout logiciel
fournit la probabilité critique (P-valeur) que cette variable de Fisher dépasse
la réalisation de la statistique de test.
 Si H0 est rejetée (P-valeur inférieure au seuil), une comparaison
desmoyennes par paires permet de juger de celles qui sont effectivement
significativement différentes. Il s’agit alors de comparaisons multiples
nécessitant des ajustements des seuils (Scheffé, Tukey...) avec l’affichage en
parallèle des intervalles de confiance corrigés des estimations des moyennes.
Enfin, l’analyse de variance à deux facteurs est nettement plus complexe et
sort du cadre de cet exposé.

I.2.2. Conditions d'application

1. Les données doivent suivre une distribution normale.
2. Les échantillons doivent avoir une variance homogène.
3. Les échantillons doivent être indépendants (sauf pour les tests
appariés).
I.2.3. Avantages et inconvénients
 Avantages : Puissants et précis si les hypothèses sont respectées.
Inconvénients : Peu fiables si les hypothèses ne sont pas respectées

II. Tests non paramétriques

II.1. Définition

Les tests non paramétriques ne supposent aucune distribution particulière

des données. Ils sont utilisés lorsque les hypothèses des tests paramétriques
ne sont pas respectées.

Exemples : Test de Wilcoxon-Mann-Whitney U ,Test de Wilcoxon, Test de

Kruskal-Wallis ,Test du Khi-carré.

 Test de Wilcoxon & Mann-Whitney U

Compare deux échantillons indépendants.

Ce test repose sur l’idée que deux séries de valeurs mélangées et

ordonnées par valeurs croissantes, doivent conduire à un mélange
homogène si l’hypothèse H0 d’identité des distributions est vérifiée.
 Soit (x1,...,xn) et (y1,...,ym) deux échantillons, les deux suites étant
fusionnées et réordonnées, R1 (resp. R2) désigne la somme des rangs
des observations de l’échantillon 1 (resp. l’échantillon 2) dans cette
suite en affectant éventuellement un rang moyen en cas d’égalité entre
valeurs.
La statistique U est définie par la plus petite des deux valeurs :
et .
La loi de U est tabulée (effectifs < 16) ou, lorsque n1 et n2 sont
suffisamment grands, U suit une loi gaussienne de moyenne (nm +
1)/2 et de variance nm(n + m + 1)/12; le test se ramène au test de la
moyenne d’un échantillon gaussien.

 Test de Wilcoxon
Compare deux échantillons appariés.

Comme pour des échantillons gaussiens, la variable considérée est

celle X − Y des différences. Le test dit des signes consiste à dénombrer
le nombre K de différences positives. Sous l’hypothèse
d’homogénéité, k suit une loi binomiale B(n,0.5). Ce test est facile à
mettre en œuvre mais s’avère moins puissant que le test de Wilcoxon
pour données appariées.

 Test de Kruskal-Wallis
Extension du test de Mann-Whitney pour comparer plus de
deux groupes.

Le test de Kruskal-Wallis est la généralisation à m échantillons de

celui de Wilcoxon-Mann-Whitney auquel il est équivalent pour k = 2.
Chaque observation xi,k appartient à l’un k des m échantillons et est
remplacée par son rang ri,k dans la suite ordonnée de toutes les valeurs;
r = (n+1)/2 et rk désignent respectivement la moyenne globale des
 rangs et la moyenne des rangs pour les observations de l’échantillon k.
La statistique H de Kruskal-Wallis est définie de façon analogue à
celle d’une variance inter-classe par :

où Sk est la somme des rangs du k-ième échantillon, nk son effectif.

La loi de H est tabulée pour de petits effectifs et, pour des effectifs
plus importants (nk > 5 pour tout k), la loi de H est approchée par une
loi du chi-deux à m − 1 degrés de liberté.

 Test du Chi-carré
Compare des fréquences observées à des fréquences attendues
dans des variables catégoriques.

Le test du chi-deux utilise des propriétés de la loi multinomiale. Il permet de

juger si une hypothèse concernant la loi de probabilité d’une variable
aléatoire est compatible avec la réalisation d’un échantillon. Deux cas sont à
distinguer :
– la fonction de répartition F est entièrement spécifiée, et ses paramètres
sont connus.
– on connaît seulement la forme de la loi de distribution, et ses
paramètres sont estimés à partir d’un échantillon.
Soit (X1,...,Xn) un n-échantillon d’une v.a.r. X prenant ses valeurs dans
l’ensemble {x1,...,xk}. On se donne un vecteur de Rk, p = (p1,...,pk), tel que p1
+ ... + pk = 1. On souhaite tester l’hypothèse
H0 : pour tout i de 1 à k, P(X = xi) = pi
contre l’hypothèse
H1 : il existe i de 1 à k tel que P(X = xi) 6= pi.
Test du χ2 pour une loi uniforme discrète
Lors d’un lancer de dé, on cherche à déterminer si le dé est biaisé ou non au
risque de 1%. L’hypothèse nulle est que le dé est non biaisé, c’est-à-dire que
la loi de probabilité sous-jacente est uniforme :
 xi 1 2 3 4 5 6
P(X = 1 1 1 1 1 1
xi)
6 6 6 6 6 6
Dans cet exemple, il y a k = 6 classes différentes et pour tout i variant de 1 à
. Parmi les n observations à notre disposition, on note Ni le nombre de
variables parmi X1,...,Xn qui prennent la valeur xi, c’est-à-dire
n
Ni = X1{Xj=xi}.
j=1
 Statistique de test
La v.a.r. Ni correspond à l’effectif observé de la valeur xi, tandis que npi
correspond à l’effectif théorique espéré de la valeur xi (effectif calculé à
partir de la distribution théorique F). Sous l’hypothèse H0, la fréquence
observée Ni/n est “proche" de la fréquence théorique pi pour tout i. En effet,
par la
LGN, elle converge en probabilité vers l’espérance de la v.a.r. 1{X1=xi}, qui
n’est autre que pi.
La statistique de test que l’on considère est :

.
Elle exprime une distance dite du chi-deux entre la distribution empirique et
celle théorique sous H0. On admet que cette v.a.r. D2 suit une loi du chi-deux
à ν degrés de liberté, quelle que soit la loi considérée, lorsque le nombre n
d’observations tend vers l’infini. Le nombre ν de degrés de liberté est égal à
:
– (k − 1) si la distribution théorique est entièrement déterminée, aucun
paramètre n’ayant été estimé.
– (k − 1 − r) si r paramètres ont dû être estimés à partir des
observations, pour définir complètement la distribution. Règle de décision
:
Rejet de
Sinon, on garde l’hypothèse H0 et on considère que la distribution théorique
spécifiée est plausible, c’est-à-dire que F = F0.
Exemple : On note les résultats sur 100 lancés et l’on obtient le tableau
suivant :
Face 1 2 3 4 5 6
Ni,obs : 7 18 26 15 18 16
Effectifs
npi 16.67 16.67 16.67 16.67 16.67 16.67
5.61 0.11 5.23 0.17 0.11 0.03
où les effectifs théoriques sont npi = 100 × 1/6 = 16.67 si le dé est équilibré
(c’est-à-dire sous H0). D’où la valeur de

.
Comme on a 6 classes, on utilise donc la loi du χ2 à 5 degrés de liberté. À
l’aide des tables, on trouve la valeur de la probabilité cherchée :
.
Cette probabilité étant supérieure à α = 0.01, alors l’hypothèse H0 “le dé est
équilibré" est acceptée au risque de α = 0.01.
 Test du chi-deux de contingence
Ce test est une application particulière du test d’adéquation du chi-deux car
il est utilisé pour caractériser la liaison entre deux variables qualitatives. La
question posée concerne l’indépendance en deux variables à partir
d’observations consignées dans une table de contingence. Il s’agit donc de
comparer les effectifs observées en croisant les deux variables à ceux qui
seraient obtenus sous l’hypothèse H0 : les variables sont indépendantes.
Les notations reprennent celles de la description statistique de deux variables
qualitatives. Deux caractères ou variables qualitatives X (r modalités notées
x1,...,x`, ...,xr) et Y (c modalités notées y1,...,yh,...,yc) sont observées sur un
même échantillon de taille n. La table de contingence associée a pour
élément générique l’effectif conjoint et sont
les effectifs marginaux. La division des lignes et co-
lonnes par ces effectifs marginaux foutnit des distributions empiriques
constituées de fréquences conditionnelles.
Ce sont les profils lignes : et les profils colonnes : .
Pour le modèle probabiliste, les observations proviennent d’un échantillon
bidimensionnelle. L’hypothèse à tester est que les deux marginales de cette
loi sont indépendantes. Dans ce cas, les profils lignes seront tous très
proches de la distribution empirique de Y et les profils colonnes de celle de
X:

et
C’est équivalent à dire que les fréquences conjointes sont proches des
produits des fréquences marginales :

.
La statistique de test est la distance du chi-deux entre ces deux quantités,
elles s’écrit :

.
Pour n assez grand, nDχ2 est approchée par une loi du χ2 à (r − 1)(c − 1)
degrés de liberté. Il s’agit donc d’un test asymptotique qui nécessite, en
pratique, des effectifs théoriques .

II.2.2. Conditions d'application

1. Les données peuvent être ordinales ou continues, mais sans
distribution normale.
2. Les tailles d’échantillons peuvent être petites.
II.2.3. Avantages et inconvénients

 Avantages : Plus flexibles et robustes.

  Inconvénients : Moins puissants que les tests paramétriques.

C. Comparaison des Tests Paramétriques et Non Paramétriques

Aspect Tests Paramétriques Tests Non Paramétriques

Distribution normale, Aucune distribution

Hypothèses
variances homogènes prédéfinie

Types de Données ordinales, continues

Données continues
données ou catégoriques

Sensibles aux violations des

Robustesse Plus robustes
hypothèses

Plus puissants si les

Puissance Moins puissants
hypothèses sont respectées

Test t, ANOVA, Corrélation Test de Wilcoxon, Chi-carré,

Exemples
de Pearson Kruskal-Wallis

D. Applications Pratiques des Tests d'Hypothèse

5.1. Sciences de la santé

 Comparaison de traitements (exemple : études cliniques).

 Analyse de corrélation entre facteurs de risque et maladies.
5.2. Économie

 Comparaison des tendances de marché.

 Validation de modèles économétriques.
5.3. Ingénierie et industries
 Contrôle de la qualité des produits.
  Tests de fiabilité sur des systèmes techniques.
[Link] d’ application : Test de Student
Hypothèse : Comparer la moyenne d’un échantillon à une valeur donnée.

Formule : t = (x̄ - μ₀) / (s / √n)

Exemple pratique:

Taille de l’échantillon : n = 25
Moyenne observée : x̄ = 20
Moyenne théorique : μ₀ = 18

Écart-type : s = 4

Calcul :

t = (20 - 18) / (4 / √25) = 2 / 0.8 = 2.5

Pour plus d’exercices d’application veillez télécharger les documents ci-

après :

[Link] btsa-tc-41-42-ress-c
[Link]
 Conclusion
Les tests d’hypothèses permettent de prendre des décisions objectives sur
des données en s’appuyant sur des méthodes statistiques rigoureuses. Le
choix entre tests paramétriques et non paramétriques dépend de la nature des
données et des hypothèses sous-jacentes.
 BIBLIOGRAPHIE
[Link]

[Link]

[Link]

[Link]

[Link]

[Link]

[Link]
 Références
Pour plus de notions et de comprehension sur les tests d’hypothèses en
statistiques ; veillez faire référence aux documents ci-dessous :
Fourdrinier D., (2002). Statistique inférentielle. Dunod.
Jolion J.M., (2003). Probabilité et Statistique. Cours de l'INSA. http
://[Link]/ jolion
Kaufman P., (1994). Statistique : Information, Estimation, Test. Dunod.
Saporta G., (1990). Probablités, analyse des données et statistique.
Edition Technip.
Reau J.P., Chauvat G., (1996). Probabilités et statistiques. Excercices et
corrigés, Armand Colin,
Collection cursus TD, série économie.
Scherrer B., (1988). Biostatitiques. Edition Gaetan Morin.
Schwartz D., (1984). Méthodes statistiques á l'usage des médecins et des
biologistes, Flammarion,
Médecine-Sciences, Collection Statistique en biologie et médecine.