Partie 3 : Tests d’hypothèses:
I-Tests paramétriques
Très souvent, on est conduit à confronter une
estimation obtenue à partir d’un sondage aléatoire à une
norme fixé a priori, ou encore à comparer les résultats de
deux échantillons différents.
La résolution de ces problèmes de comparaison à
partir des échantillons aléatoires repose sur un mode de
raisonnement statistique désigné sous le nom de test
d’hypothèses.
1- Principe des tests
Un test consiste à :
Émettre une hypothèse, notée H0, appelée hypothèse
nulle, sur un paramètre de X,
Proposer une hypothèse alternative, notée H1
Choisir une grandeur calculée à partir de l’échantillon,
appelée statistique
Construire une règle de décision
Déterminer la zone de rejet de l’hypothèse H0 en
fonction du risque d’erreur que l’on veut bien accepter
Prendre une décision
Les risques d’erreur dans un test
décision Accepter H0 Rejeter H0
réalité
H0 vraie Bonne décision Mauvaise
décision:
Erreur
H0 fausse Mauvaise Bonne décision
décision:
Erreur
= P(Rejeter H0 sachant que H0 est vraie)
= P(Accepter H0 sachant que H0 est fausse)
Remarque:
Le choix du risque α est lié aux conséquences
pratiques de la décision : si les conséquences
sont graves, on choisira α = 1% ou 1‰, mais si
le débat est plutôt académique, α = 5 % fera le
plus souvent l’affaire.
2. Tests de conformité
2.1 Test de comparaison d’une moyenne à
une valeur donnée
2.1.1 Principe du test
Soit X, une variable aléatoire
observée sur
une population, X → N(μ,σ)
Population Population connue
inconnue
X → N(μ,σ) X → N(μ0, σ0)
Echantillonnage aléatoire
Echantillon
n, X , s 2
Hypothèse
H0 : μ = μ0 H1: μ ≠ μ0 test bilatéral
μ < μ0 test unilatéral gauche
μ > μ0 test unilatéral droit
2.1.2 Méthode de résolution
Étape 1: H0 : = H1: ≠
Étape 2: Déterminer le risque d’erreur
α
Étape 3: Déterminer le critère de rejet.
X → N(μ,σ) avec σ connu X 0
Z obs
2
Pour un test bilatéral n
X 0
Z obs
2
Pour un test unilatéral n
Zobs suit une loi normale centrée réduite
N(0, 1)
Étape 4 : Règle de décision
pour un test bilatéral
Si Zobs > Zseuil on rejette H0 au risque d’erreur α
Sinon on accepte H0 Zseuil = Z1-α/2
Test unilatéral droit H1: >
Si Zobs >Zseuil on rejette H0 au risque d’erreur α.
Sinon on accepte H0 Zseuil = Z1-α
Test unilatéral gauche H1: <
Si Zobs< Zseuil on rejette H0 au risque d’erreur α.
Sinon on accepte H0 Zseuil = Z1-α
.
2.1.3 Remarque
Généralement on ignore à la fois la valeur de et de de
la population. On remplace alors, par son estimation sn
déduite des observations:
X 0
Z
Si n 30 ou X suit une loi normale, on a sn / n
suit la loi normale centrée réduite.
Si n < 30 et X suit une loi normale, Z est remplacé par T,
T suit une loi de Student à n-1 degrés de liberté.
Exemple :
Une bibliothèque universitaire se demande si le
nombre moyen d’ouvrages consultés par les
étudiants au cours d’une visite a augmenté. Dans le
passé une étude avait montré que cette moyenne
s’établissait à 3 livres.
Un échantillon aléatoire de 10 étudiants (on
suppose qu’il est normalement distribué) a permis
de mesurer une moyenne de 4,2 livres consultés
avec un écart type de 1,8. Que peut-on conclure ?
2.2 Test relatif à une proportion
Test bilatéral Test unilatéral droit Test
unilatéral gauche
H0 : p = p0 H 0 : p = p0 H 0 : p = p0
H1 : p p0 H1 : p > p0 H 1 : p < p0
2.2.1 Méthode de résolution
Étape 1: H0 : p = p H 1 : p ≠ p
Étape 2: Déterminer
p le
p 0risque d’erreur α
Z obsDéterminer
Étape 3: p (1 le p
0
critère
) 0
de rejet.
n
suit une loi normale N(0, 1) si n >30, np≥ 5 et
nq ≥ 5
Étape 4 : Règle de décision
pour un test bilatéral
Si Zobs > Zseuil on rejette H0 au risque d’erreur α
Sinon on accepte H0 Zseuil = Z1-α/2
Test unilatéral droit H1: >
Si Zobs >Zseuil on rejette H0 au risque d’erreur α.
Sinon on accepte H0 Zseuil = Z1-α
Test unilatéral gauche H1: <
Si Zobs< Zseuil on rejette H0 au risque d’erreur α.
Sinon on accepte H0 Zseuil = Z1-α
.
Exemple
Au vu d’un échantillon de 40 000 naissances, on veut tester
qu’il y a autant de chances qu’un nouveau-né soit un garçon que
de chances qu’il soit une fille. En désignant par p la probabilité
qu’un nouveau-né soit un garçon.
Le nombre des nouveau-nés garçons dans l’échantillon est
20436
3. Tests d’homogénéité
Les tests d’homogénéité, destinés à comparer deux
populations à l’aide d’un nombre équivalent
d’échantillons (tests d’égalité ou d’homogénéité),
sont les plus couramment utilisés. Dans ce cas la loi
théorique du paramètre étudié (par exemple p, μ ,σ2)
est inconnue au niveau des populations étudiées.
3.1 Comparaison de deux variances
3.1.1 Principe du test
Population 1 Population 2
X → N(μ2, σ2)
X → N(μ1, σ1)
Echantillonnage aléatoire
Echantillo Echantillo
n 2 n
n1 , X 1 , s1 2
n2 , X 2 , s2
Hypothèses
H0 : σ12= σ22 H1: σ12 > σ22
3.1.2 Méthode de résolution
Étape 1: H0 : σ12= σ22 H1: σ12 > σ22
Étape 2: Déterminer le risque d’erreur
α
Étape 3: Déterminer le critère
n1 de 2rejet.
^ s1
2
n1 1
Fobs 1
^
n2
22 2
s2
n2 1
suit une loi de Fisher à (n1 -1, n2 -1)
degrés de liberté
Étape 4 : Règle de décision
Il faut maintenant trouver dans la table
de Fisher
la valeur critique Fseuil .
La règle de décision s’énoncera alors
ainsi :
Si Fobs ≥ Fseuil alors on rejette H0.
Si Fobs ≤ Fseuil alors on accepte H0
Exemple :
Méthode A Méthode B
1,30 1,30
1,32 1,40
1,40 1,48
1,45 1,48
1,50 1,50
1,51 1,60
1,55 1,76
1,56 1,88
1,92
2,20
Réaliser le test d’égalité de deux variances avec un
risque d’erreur de 5%
3.2 Comparaison de deux
moyennes
a- Principe du test
Soit X un caractère quantitatif continu observé sur deu
populations suivant une loi normale et deux
échantillons indépendants extraits de ces deux
populations.
Hypothèses
H0 : = H1:
≠
b- Méthode de résolution
Étape 1: H0 : = H1: ≠
Étape 2: Déterminer le risque d’erreur
α
Étape 3: Déterminer le critère de rejet.
b-1 Si les variances des 2 populations sont connues
X1 → N(,) , X2 → N(,) avec connus
1
X 1 N 1 , et X 2 N 2 , 2
n1 n
2
2
2
donc X1 X 2 N 1 2 , 1
2
n n
1 2
ou Z
X 1
X 2 1 2
N (0,1)
2
2
1
2
n1 n2
Sous H0 : =
X 1 X 2
Z obs
12 22
n1 n2
Étape 4 : Règle de décision
Si Zobs > Zseuil on rejette H0 au risque
d’erreur α
Sinon on accepte H0 Zseuil =
Z
Exemple
On a effectué une étude, en milieu
urbain et en milieu rural, sur le rythme
cardiaque humain :
Effectif de 300(urbain 240(rural)
l’échantillo )
n
Moyenne de 80 77
l’échantillo
n
La [Link]
a X « rythme
de cardiaque
la » suit une loi
150 120normale
Peut-on affirmer qu’il existe une différence
population
significative entre les rythmes cardiaques moyens des
deux populations ?
b-2 si les variances des 2 populations
sont inconnues
Si les variances des deux populations sont inconnues, on
fait le test de comparaison variances (test de Fisher).
Si les deux variances sont différentes on
remplace
σ12 et σ22 par leurs estimateurs,n1>30 ou n2>30
X1 X 2 X1 X 2
zobs
^2 ^
2 s12
s2
2
1 2
n1 1 n2 1
n1 n2
Exemple
On veut comparer la production de deux machines
artisanales. Le volume de parfum déposé par ces
machines dans des flacons destinés à la vente a
été
mesuré en ml. Les statistiques figurent ci-dessous.
Le responsable soupçonne une production
dépendante de la machine.
Machine 1 47 53 49 50 46
Machine 2 54 50 51 51 49
Qu’en pensez-vous?
3.3 Comparaison de deux
proportions
3.3.1 Principe du test
Soit X une variable qualitative prenant deux
modalités (succès X=1, échec X=0) observée sur 2
populations et deux échantillons indépendants extraits
de ces deux populations. On fait l’hypothèse que les
deux échantillons proviennent de 2 populations dont les
probabilités de succès sont identiques.
Hypothèses
H0 : p= p H1: p ≠
p
Conditions d’application:
échantillons indépendants
n1 > 30 , n2 > 30,
n1p1 > 5, n1(1-p1)> 5,
n2p2 >5, n2(1-p2) > 5.
3.3.2 - Méthode de résolution
Étape 1: H0 : p= p H 1: p ≠ p
Étape 2: Déterminer le risque d’erreur α
Étape 3: Déterminer le critère de [Link] H0 :
p= p
p1 p 2 n1 p1 n 2 p 2
Z obs avec p
1 1 n1 n 2
p q
n1 n 2
suit une loi normale centrée réduite N(0,
1)
Étape 4 : Règle de décision
Si Zobs > Zseuil on rejette H0 au risque d’erreur α
Sinon on accepte H Z =Z
Exemple
On veut tester l’impact des travaux
dirigés dans la réussite à l’examen de
statistique.
Groupe 1 Groupe 2
Nombre
d’heures de TD 20 h 30 h
Nombre
d’étudiants 180 150
Nombre
d’étudiants 126 129
ayant réussi à
l’examen
Qu’en concluez-vous ?