Tests Hyp Parametric

D - Inférence Statistique –
Estimation et Tests d’hypothèses
1. Introduction – Déduction et inférence statistique
2. Fluctuations d’échantillonnage d’une proportion observée
3. Principe et résolution d’un test d’hypothèse
4. Fluctuation d’échantillonnage d’une moyenne observée
5. Comparaison de 2 variances observées - de 2 moyennes observées
6. Tests du Khi-deux
7. Autres tests non paramétriques
8. Analyses de variance - ANOVA

D - Inférence Statistique - Estimation et Tests d’hypothèses
Population : ensemble total d’objets ou d’individus à étudier,

à partir duquel sont extraits des échantillons.
La moyenne µ et l’écart-type σ de la population

sont des constantes (généralement inconnues),
exemples de paramètres fixes de la population ou objectifs.
! Les probabilités P(X) sont utilisées dans le calcul de µ et σ

Echantillon : Sous ensemble de la population. Un échantillon représentatif

est un sous ensemble choisi au hasard dans la population.
La moyenne X et l’écart-type s de l’échantillon sont des variables aléatoires,
variant d’un échantillon à l’autre, et sont appelées statistiques d’échantillon,
statistiques aléatoires ou estimateurs (ici respectivement de µ et σ)
Remarque : la médiane me peut être dans certains cas un meilleur estimateur de µ que x
Les fréquences relatives f/n sont utilisées dans le calcul de x et s
![ Un estimateur T est dit biaisé si son espérance E(T) est différente de sa
cible θ dans la population : biais = E(T)-θ ]
Tirage d’un échantillon avec remise : important pour garantir l’indépendance

des n observations qui le constituent (surtout dans les petites populations).
La proportion comme la moyenne changeant sinon à chaque tirage!
Tirage d’un échantillon sans remise : sans importance dans les grandes
populations, aucune différence pratiquement que l’on remette ou non chaque
individu avant le tirage suivant. Pour l’essentiel les observations sont
indépendantes. Ce n’est pas le cas pour une petite population
Déduction :
prédire, à partir d'une population connue ou supposée connue,

les caractéristiques des échantillons qui en seront prélevés
Induction (inférence) :
prédire les caractéristiques d'une population inconnue à partir des statistiques

déterminées dans un échantillon représentatif de cette population.
! Extrapolation des observations réalisées dans un échantillon à l'ensemble de la population
Allons y ...
• Etude des fluctuations d’échantillonnage d’une proportion observée,

• Tests d’hypothèses (conformité, homogénéité)
• Estimations : Intervalles de pari, Intervalles de confiance
• Etude des fluctuations d’échantillonnage d’une moyenne observée,
(en se servant du modèle de cahier des charges vu lors de l’étude des
fluctuations d’échantillonnage d’une proportion observée)
• Intervalles de pari, Intervalles de confiance.
• Autre test utile : Test du χ2 de Pearson , (tests : conformité, homogénéité,
ajustement à une loi)
• Exemples ; exercices
• IMPORTANCE DES SCHEMAS !
Les proportions, indicateurs parmi d’autres

• Définition
• Intérêt
• On travaille sur un échantillon de taille quelconque pour obtenir des
informations sur la population d’origine
• Caractéristique : Π [population]
• Statistique : Po [observée ou observable sur un n-échantillon]
• Po comme estimateur de Π
• Tests et encadrements possibles : sur Π et Po
• On va travailler sur le biais : θ = Π - Po
Comment traduire P(X=k) = 0.33 ?
! Si l’on répétait un très grand nombre de fois l’expérience on

obtiendrait X=k dans 33% des cas
! Autre façon de le formuler :

33% des échantillons conduisent à X=k (nbre infini de tirages)
En remplaçant X=k par Po= k/n :
! Fluctuations d’échantillonnage d’une proportion observée.

! Nature : Loi Binomiale de paramètres n et Π (objectif dans population)
! Problème continu lorsque n très grand.
C - Lois de probabilités
Fluctuation d’échantillonage d’une proportion expérimentale (observée)
p(X=k) Po
0.35
B (5, 0.5)
0.30
0.25
k p(X=k) Po
0.20
0.15
0 0.031 0.025
1 0.156 0.13
0.10
2 0.313 0.35
0.05 3 0.313 0.3
0.00
4 0.156 0.168
0 1 2 3 4 5 k 5 0.031 0.027
moy. 2.500 2.540
Résultat de l’échantillonnage
Expérience réalisée sur un grand nombre d’échantillons)
Loi théorique (atteinte lorsque le tirage concerne une nombre infini d’échantillons)
Fluctuations d’échantillonnage d’une proportion observée

! Le caractère étudié est qualitatif
et sa répartition dans l’échantillon ou la population constitue une variable aléatoire quantitative discrète.
Lorsqu’un évènement donné E a une probabilité Π d’être observé dans une population, la proportion
observée Po de cet évènement dans des n-échanitillons, tirés au hasard de la population, subit des
fluctuations d’échantillonnage suivant une loi binomiale de moyenne Π et d’écart type σ = Π (1−Π )
n
En pratique (Ceci rend les calculs de probabilité aisés)
Si N Π > 5 et N(1-Π) > 5

Alors la loi binomiale est approchée par une loi Normale de même moyenne et même écart-type
Y a ( Π , Π (1−Π ) )
n
Nous serons amenés à vérifier cette condition à priori ou à posteriori !
! Nous allons exploiter ces propriétés
Tests de conformité Intervalles de pari

Hypothèse nulle Ho :
DIFFERENCES (Po-Π) SIGNIFICATIVES ? Π caractéristique connue (valeur donnée)
L ’échantillon observé peut-il

provenir de cette population ? po
Π A quels type d’échantillons issus de
cette population peut-on s’attendre?
Risque seuil α ENCADREMENT DE Po
Risques αo et β
Echantillon
• taille : n (n_échantillon)
• représentatif
Population
• Po : observée
• taille ?
• Inaccessible
• Π : caractéristique connue ou supposée connue
(résultant par ex d’études menées sur de nombreux
échantillons)
Un intervalle de pari , au risque (ou taux, ou seuil) α ,

encadre les valeurs de P0 observables dans un n-échantillon lorsque celui-ci
est tiré au hasard d’une population caractérisée par le paramètre exact Π
Π(1−Π) Π(1−Π)
Π − εα/2 ≤ P0 ≤ Π + εα/2
n n
Poser l’Hypothèse nulle (notée Ho) Déduction
La probabilité de trouver P0 dans cet intervalle est (1-α)
Seuil standard : α = à5 voir
Facile % si on a le schéma de la distribution en tête
Il faut, bien sûr, être dansréaliser
=> Toujours une situation oùschéma
un rapide l'on peutdeapprocher les fluctuations
la situation
binomiales de la variable d'échantillonnage P0 par une loi normale
! (NΠ > 5 et N(1- Π) > 5)
Important : On considère εα dans la table de l’écart réduit

mais εα/2 dans la table N(0,1) plus précise
Tirages aléatoire d’échantillons issus d’une population caractérisée par le paramètre Π
Grâce à la distribution normale,

on peut trouver aisément les
deux bornes de l’intervalle
centré sur Π
Exercice "La machine déréglée "
La production d’une machine déréglée conduit à 50 % de pièces défectueuses.

Un échantillon de 100 pièces est extrait de la production de cette machine.
- Quelle est la probabilité d’observer moins de 30% de pièces défectueuses

dans l’échantillon ?
- L’une des personnes de l’atelier voisin a parié une tablette de chocolat (suisse!)
que la proportion observée de pièces défectueuses est comprise entre 40% et
60%. Quel risque a-t-elle pris de perdre son pari?
- Déterminer l’IP5%
Π = 0,5
σ = 0,05
probabilité d’observer
entre 40% et 60%
de sportifs dans
l’échantillon : 95,4 %
Intervalles de confiance
On part des seules informations disponibles : po et n
Π? Un tel échantillon va-t-il nous po

permettre de préciser la population
dont il pourrait être issu ?
ENCADREMENT DE Π
Risque seuil α
Risques αo et β
Echantillon
• représentatif
Population
• Po : observée
• taille ?
• Inaccessible
• Π : caractéristique théorique ou attendue
(inconnue)
Intervalle de confiance (ICα) : intervalle encadrant les valeurs de Π permettant
de caractériser un ensemble de populations dont pourrait être issu l’échantillon

dans lequel la valeur P0 a été observée
P0(1−P0) P (1−P0)
P0 − εα/2 ≤ Π ≤ P0 + εα/2 0
n n
Inférence
Validation de l ’ICα : Il faut finalement vérifier à posteriori que nΠ et n(1-Π) sont

tous deux supérieurs à 5 aux deux bornes de l’intervalle. Dans le cas contraire, on
ne peut pas valider l’intervalle de confiance.
Important : On considère εα dans la table de l’écart réduit

mais εα/2 dans la table N(0,1) plus précise
Exercice " Les produits laitiers "
Un micro sondage a révélé que sur 30 parisiens interrogés au hasard dans la rue,
18 consomment régulièrement des produits laitiers (lait, fromages, yaourts, beurre,
produits dérivés du lait, …). En sachant que la ville de Paris compte 2,5 millions
d'habitants, estimez le nombre de parisiens consomment régulièrement des
produits laitiers aux risques de 10%, 5% et finalement 1% ?
Quels sont vos commentaires?
ICα
[0,925 106, 2,075 106]

2,57 [0,37, 0,83]
Cette partie va nous permettre de développer le principe des tests d’hypothèses

et de présenter la méthode de résolution des problèmes qui leurs sont associés
Généralités
Les tests sur les proportions vont servir de modèles pour tous les tests
d’hypothèses.
Pour résoudre un test d’hypothèses il va falloir suivre une procédure
Cette méthode permet d’obtenir toutes les conclusions que l’on peut tirer des
observations dont on dispose, conclusions pouvant servir de base à une décision.
Il n’y a jamais de réponse absolue dans cette démarche !

Les conclusions des tests d’hypothèse doivent faire apparaître les risques
de se tromper qui y sont associés (en termes de probabilités)
Avertissements
Tirer des conclusions à partir d ’un nombre limité d’observations (échantillon)
! La certitude absolue ne peut jamais être atteinte car la population totale

n ’est connue qu ’à travers l ’image imparfaite que constitue l ’échantillon.
Mais le degré de confiance que l ’on peut accorder à une conclusion peut être
formulée en terme de probabilité.
Posons la problématique
Une observation faite sur un échantillon semble peu probable dans la population référence
(ou incompatible avec un autre échantillon)...
! Les écarts constatés entre l'échantillon et la population totale sont-ils significatifs

ou imputables au hasard des fluctuations d'échantillonnage ?
! On confronte la loi suivie dans la population à la probabilité de l'observation dans un

échantillon tiré au hasard de la population. On est ainsi amené à poser une hypothèse (dite
hypothèse nulle) pouvant rendre compte de cette observation (voir transparent).
! L’approche est la même pour toutes les variables d’échantillonnages étudiées (proportion,
moyenne, ...) et pour tous les tests d’hypothèses (tests de conformité, d’homogénéité,
d’ajustement à une loi de distribution) et toutes les lois de distributions utilisées (loi normale,
Student-Fisher, Chi-deux, …).
! Décision : rejet ou non de l’hypothèse nulle ; différences significatives ou dues au hasard

des fluctuations d’échantillonnage.
Si les tests permettent de réfuter une hypothèse nulle avec un degré de confiance parfaitement défini,
ils sont, dans l'autre sens, impuissants à démontrer la satisfaction de l'hypothèse nulle ;
ils indiquent simplement que celle-ci n'est pas contredite par les faits.
Quelles vont être les grandes étapes ?
• Collecter les informations (échantillon)

• Caractériser l’observation
• Définir la population, l’échantillon
• Définir la Variable Aléatoire d’étude
• Poser une Hypothèse nulle (notée Ho) et son hypothèse alternative H1
• Fixer un risque seuil α arbitraire (généralement 5%, risque standard)
• Calculer αο, probabilité d’observer sous Ho un tel évènement ou des évènements

encore moins probables (et calculer éventuellement β) en utilisant les tables des lois
de distributions connues : Binomiale, Poisson, Normale, Chi-deux, Student, Fisher, ...
• Conclure en comparant notamment α et αο .
! Cahier des charges de la résolution d’un test d’hypothèses

Exemple introductif : "Le médicament miracle"
Un laboratoire pharmaceutique garantit que son médicament destiné au traitement

d'une affection cutanée est efficace dans 80 % des cas. Un groupe indépendant a
collecté les données de cabinets médicaux d'une région où 40 patients atteints par
l'affection ont été traités par le médicament. Parmi eux, 28 ont été définitivement
guéris. Pour les 12 autres patients le médicament a été sans effet, ils ont dû
changer de traitement .
- Ces résultats sont-ils conformes à l'affirmation du laboratoire pharmaceutique ?

- En se basant sur les chiffres du laboratoire pharmaceutique, quelle est la
probabilité de trouver entre 75% et 85 % de malades guéris par le médicament
dans un tel échantillon ?
- Au risque seuil de 5%, donner les limites de la valeur attendue pour Po.
- Quelle seraient ces limites si l'on avait étudié un échantillon de 150 personnes
traitées par le médicament dont 105 auraient été guéries par le médicament ?
« Le médicament miracle » - Construction du test d'hypothèse
Population : l'ensemble des malades atteints de l'affection cutanée et traitées par le médicament
Echantillon : 40 patients (issus de cabinets médicaux de la région) atteints par l'affection traités par le médicament
V.A. d'étude :
Po = "pourcentage de personnes guéries par le médicament dans un échantillon de 40 personnes"
Observation : Po=28/40 = 70% guéris
Ho : l'échantillon provient d'une population définie par un taux de guérison par le médicament de Π=0,8.
Les différences entre ce paramètre et la valeur observée dans l'échantillon sont imputables au hasard des
fluctuations d'échantillonnage.
Seuil : fixons un seuil α=5% à ne pas dépasser
Méthode ! (cahier des charges d’un test d’hypothèses)

• Définir l’échantillon et caractériser l'observation (collecter les données, tri à plat)
• Définir la variable aléatoire
• Définir la population (que connaît-on de cette population ? Loi de distribution suivie par la variable
aléatoire d'étude dans la population ? )
• Poser une Hypothèse nulle (notée Ho) permettant de raccorder l'observation faite sur un échantillon à
une population donnée.
• Le test va alors consister à évaluer la probabilité d’obtenir, par hasard sous l’hypothèse nulle,
l'observation dont on dispose (ainsi que les évènements encore moins probables).
Il faut se fixer un risque seuil α arbitraire (généralement 5%) que l’on ne doit pas dépasser pour
accepter l’hypothèse nulle. Ce seuil sera comparé à la probabilité αο d’obtenir par le hasard sous Ho les
observations dont on dispose.
• La conclusion du test dépendra du résultat cette comparaison
Si α > αο on rejette l’hypothèse nulle avec un risque de première espèce αο de se tromper en la
rejetant alors qu’elle est vraie.
Si αο ≥ α l’hypothèse nulle est accepatable (acceptable jusqu'au seuil αο)
Dans certains cas nous pourrons définir un risque de seconde espèce, noté β, probabilité d’erreur
d’admettre que Ho , qui est fausse, puisse être acceptable alors que c’est une hypothèse alternative
H1 qui est vraie.
• L’expérimentateur peut alors prendre une décision en fonction du résultat du test (+ bon sens ...)
Test de conformité à une proportion exacte
Il s'agit de confronter une valeur de la variable aléatoire Po , observée dans un

échantillon, à la valeur exacte du paramètre Π, dans la population.
Tout revient à déterminer si la différence observée entre les 2 valeurs est

significative ou si elle peut s'expliquer par le hasard des fluctuations
d'échantillonnage.
P0 − Π
Le critère de test utilisé est :
ε 0 = nΠ >5 et n(1-Π) >5
Π (1 − Π )
n
avec ε0 N (0, 1)
Si α ≥ α ⇔ ε ≤ εα
0 0 , Ho est acceptable
Si α < α ⇔ ε > εα
0 0 , Ho est rejetée
« Le médicament miracle » - Construction du test d'hypothèse
Population : l'ensemble des malades atteints de l'affection cutanée

Echantillon : 40 patients (issus de cabinets médicaux de la région) atteints par l'affection traités par le médicament
V.A. d'étude :
Po = "pourcentage de personnes guéries par le médicament dans un échantillon de 40 personnes"
Observation : Po=28/40 = 70% guéris
Ho : l'échantillon provient d'une population définie par un taux de guérison par le médicament de Π=0,8.
Les différences entre ce paramètre et la valeur observée dans l'échantillon sont imputables au hasard des
fluctuations d'échantillonnage.
Seuil : fixons un seuil α=5% à ne pas dépasser
Calcul de αo : sous Ho, Po subit des fluctuations d'échantillonnage de nature binomiale B
(40, 0,8)
approximables par une distribution normale (0,8x40 et 0,2x40 tous deux supérieurs à 5)
de moyenne µ=Π=0,8 et d'écart type σ=(0,8x0,2/40)1/2=0,063 ; N (0,8, 0,063)
Test bilatéral : à priori, il y a autant de chances que le hasard induise des différences négatives que positives.
αο=P((Po<0,7) ou (Po>0,9)) = 2×P(Po>0,9), probabilité d’observer un tel échantillon sous Ho
Z=(Po-0,8)/0,063 est normale centrée réduite N(0,1).
αο=2×P(Z>(0,9-0,8)/0,063)
αο=2×P(Z>1,58)
αο=2×0,057053=0,114 (lecture table N(0,1))
Conclusion : αο> α ; Ho est acceptée au risque seuil α=5%
De telles différences peuvent s'expliquer par le hasard des fluctuations d'échantillonnage.
Ces résultats sont conformes à l'affirmation du laboratoire pharmaceutique.
Remarques : Aucune certitude mais la Statistique peut expliquer ces différences.
Une étude sur d'autres échantillons serait intéressante.
Exercice "Les noix de coco"
Un producteur déclare à son client que deux tiers des noix de coco qu’il lui fournit sont de
tailles supérieures à une certaine limite qu'ils ont fixée ensemble. Le distributeur conteste
cette statistique et avance que d'après les ventes qu'il a réalisées, ce sont seulement la
moitié des noix de coco qui sont de taille suffisante (atteignant ou dépassant la limite fixée).
Pour en avoir le coeur net, un échantillon de 50 noix de coco est prélevé ou hasard de la
production destinée au client. Le résultat tombe bientôt : 30 noix de l'échantillon sont de taille
supérieure à la limite fixée.
Que peut-on en conclure ?

Les noix de coco
test unilatéral
seuil α 0.05
Po 0.6
1ère solution
Π sous Ho 0.667
Π sous H1 0.5
N 25 50 100 150 250 1000
σ ( Ho) 0.094 0.067 0.047 0.038 0.030 0.015
σ ( H1) 0.100 0.071 0.050 0.041 0.032 0.016
εo, critère de test sous Ho 0.707 1.000 1.414 1.732 2.236 4.472
α 0 = P(Po<0,6) 24.0% 15.9% 7.9% 4.2% 1.3% 0.0%
position limite pour α =5% 0.51 0.56 0.59 0.60 0.62 0.64
critère de test sous H1 0.120 0.811 1.787 2.536 3.724 8.995
β = P(Po<limite) 45.2% 20.9% 3.7% 0.6% 0.0% 0.0%

différences différences différences
conclusion Ho acceptable Ho acceptable Ho acceptable
significatives significatives significatives
2ème solution
Π sous Ho 0.5
Π sous H1 0.667
σ ( Ho) 0.100 0.071 0.050 0.041 0.032 0.0158
σ ( H1) 0.094 0.067 0.047 0.038 0.030 0.015
εo, critère de test sous Ho 1.000 1.414 2.000 2.449 3.162 6.325
α 0 = P(Po>0,6) 15.9% 7.9% 2.3% 0.7% 0.1% 0.0%

position limite pour α =5% 0.66 0.62 0.58 0.57 0.55 0.53
critère de test sous H1 0.028 0.761 1.796 2.591 3.851 9.441
β = P(Po>0,6) 48.9% 22.3% 3.6% 0.5% 0.0% 0.0%

différences différences différences différences
conclusion Ho acceptable Ho acceptable
significatives significatives significatives significatives
Une première approche intuitive de la notion de maximum de vraisemblance peut-être

évoquée dans le cadre des tests d’hypothèses. Elle consiste a considérer et tester
plusieurs hypothèses nulles pour sélectionner, comme la plus vraisemblable, celle
associée au plus fort degré de signification αo.
Dans l’exemple des « noix de coco »,

il apparaît que (H0 : Π = 2/3) est l’hypothèse nulle la plus vraisemblable
f [Po] Dens. Pr. Ies noix de coco

10.000
(n = 50)
Ho
H1
5.000
0.000 Po
0.30 0.32 0.34 0.36 0.38 0.40 0.42 0.44 0.46 0.48 0.50 0.52 0.54 0.56 0.58 0.60 0.62 0.64 0.66 0.68 0.70 0.72 0.74 0.76 0.78 0.80 0.82 0.84 0.86 0.88 0.90

10.000
(n = 100)
Ho
H1
5.000
0.000 Po
0.30 0.32 0.34 0.36 0.38 0.40 0.42 0.44 0.46 0.48 0.50 0.52 0.54 0.56 0.58 0.60 0.62 0.64 0.66 0.68 0.70 0.72 0.74 0.76 0.78 0.80 0.82 0.84 0.86 0.88 0.90

15.000
(n = 250)
Ho
H1
10.000
5.000
0.000 Po
0.30 0.32 0.34 0.36 0.38 0.40 0.42 0.44 0.46 0.48 0.50 0.52 0.54 0.56 0.58 0.60 0.62 0.64 0.66 0.68 0.70 0.72 0.74 0.76 0.78 0.80 0.82 0.84 0.86 0.88 0.90

30.000
(n = 1000)
25.000
Ho
H1
20.000
15.000
10.000
5.000
0.000 Po
0.30 0.32 0.34 0.36 0.38 0.40 0.42 0.44 0.46 0.48 0.50 0.52 0.54 0.56 0.58 0.60 0.62 0.64 0.66 0.68 0.70 0.72 0.74 0.76 0.78 0.80 0.82 0.84 0.86 0.88 0.90
Risque de seconde espèce
β = probabilité d’accepter à tord Ho

C’est-à-dire probabilité :
- d’accepter Ho alors que c’est l’hypothèse alternative H1 qui est vraie
- de réalisation de la V.A. sous l’hypothèse H1 dans le domaine d’acceptation de Ho
Puissance du test
1−β = puissance du test
- probabilité de mettre en évidence que l’hypothèse nulle Ho est fausse

lorsqu’elle est effectivement fausse (voir schéma)
Les quatres résultats possibles d’un test d’hypothèses
Décision
Réalité H o acceptable H o rejetée
Décision correcte H o rejetée à tord

H o est Vraie
probabilité = (1 - α )
risque de 1ère espèce On peut accepter Ho
seuil de confiance probabilité = αo jusqu'au seuil α o
α seuil du test
H o acceptée à tord Décision correcte
probabilité = (1 - β )
H o est fausse (H 1 est Vraie) risque de 2nde espèce
probabilité = β Puissance du test
La réduction α de entraîne l’accroissement de β !
! compromis (voir transparent) Analogie avec un procès : il n’y a pas de moyen de rendre α nul (assurance
β absolue qu’on n’accuse pas un innocent) sans que β atteigne 1 (relaxe de tout
prévenu, ce qui rendrait le procès dénué de sens).
! Une augmentation de la taille n de l’échantillon rends les distributions

α d’échantillonnage plus exactes. On peut alors réduire β sans augmenter α .
! En toute rigueur le seuil α , la taille n de l'échantillon et l'écart entre les 2 valeurs

impliquées dans les 2 hypothèses sont les 3 paramètres faisant varier β .
L’hypothèse nulle Ho permet de calculer des probabilités.

Ho est acceptable tant que l’on n’a pas acquis la quasi certitude qu’elle est fausse.
Si l’on peut démontrer que l'observation est improbable sous Ho celle-ci est rejetée,
au profit de l’hypothèse alternative H1, Sinon Ho est acceptable (on ne conclue pas).
En pratique, on divise la distribution en :
! domaine d’acceptation de Ho au seuil α,

région pour laquelle la V.A. d’étude peut prendre des valeurs, avec une probabilité 1-α,
si Ho est vraie
! domaine de rejet de Ho au seuil α,

région pour laquelle la V.A. d’étude prend des valeurs improbables (petite probabilité α)
si Ho est vraie
Le seuil de rejet, limite entre ces deux régions, est la valeur (liée à α), à partir de
laquelle l’expérimentateur décide de rejeter Ho en faveur de H1.
Ho est acceptable tant que l'observation ne dépasse pas cette valeur seuil.
Le seuil de rejet est calculable par rapport à la distribution modèle considérée.
α mesure le risque que l’expérimentateur accepte de prendre en rejetant à tord Ho

β mesure le risque que l’expérimentateur accepte de prendre en acceptant à tord Ho
La valeur observée dans l’échantillon Po est comparée au seuil de rejet Pseuil
Si Po appartient au domaine d’acceptation de Ho , l’observation Po est

compatible avec la vraisemblance de Ho ! l’observation n’est pas
extraordinaire, elle ne permet pas d’affirmer avec une probabilité
suffisamment élevée que Ho est fausse
Si Po appartient au domaine de rejet de Ho, on préfère rejeter Ho , trop peu

vraisemblable, en faveur de H1 ! L’observation nous semble suffisamment
extraordinaire pour nous permettre de rejeter Ho avec une faible probabilité
de se tromper
L’inférence et la déduction statistique aident l’expérimentateur à prendre une

décision en considérant le risque d’erreur associé (1ère et 2ème espèce)
Autre préoccupation :
Test d’homogénéité concernant deux valeurs de proportions observées dans

deux échantillons (tirés au hasard).
Tests d’homogénéité
On part des seules informations disponibles : po1, po2 et n1, n2
po1 Différences |P01 - P02| significatives ? po2

Peuvent-ils être issus de la même
population d’origine ?
Risque seuil α
Risques αo et β
Echantillon 1 Echantillon 2
• taille : n1 (n1_échantillon) • taille : n2 (n2_échantillon)
• représentatif • représentatif
• P01 : observée • P02 : observée
Population d’origine commune ?

Test d’homogénéité de deux proportions observées
Il s'agit de confronter 2 valeurs de la variable aléatoire Po, Po1et Po2, observées dans
2 échantillons (supposés provenir d'une population commune sous l'hypothèse nulle).
Tout revient à déterminer si la différence observée entre les 2 valeurs est significative ou
peut, au contraire, s'expliquer par le hasard des fluctuations d'échantillonnage.
On pose Ho : Π1=Π2 , soit : (Π1 - Π2)=0 H1 : Π1≠Π2 test bilatéral
! Egalité des deux paramètres exacts dans les deux populations d’origine ;
les différences observées dans les échantillons étant dues au hasard des fluctuations
d’échantillonnage.
! On est ainsi ramené à comparer la différence (Po1-Po2) à la valeur exacte 0.
( P01 − P02 ) − 0
Le critère de test utilisé est : ε0 = 1 1
(à condition que n1p >5 , n1(1-p) > 5 ,
n2p >5 et n2(1-p) > 5)
P(1 - P) ( + )
n1 n2
n1.P01 + n2.P02
avec ε 0 N (0, 1) et P=
n1 + n 2
(la variance d’une différence
est la somme des variances)
Le premier jugement que l’on tire d’un test qui permet de conclure est un jugement de
signification (les différences sont significatives).
Le jugement d’interprétation permet, quant à lui, de déterminer si c’est la présence ou
l’absence d’un caractère est à l’origine de ces différences. Pour discuter de la causalité à
l’issue d’un test, il faut s’assurer du contrôle d’un des deux caractères étudiés.
Démarche / situation expérimentale
Lorsque l’expérience se conduit avec un facteur contrôlé (par l’expérimentateur).
Au cours de la constitution de l’échantillon, on reste libre d’un caractère (exemple : individu i traité ou non).
On ne peut affirmer la causalité hors d’une démarche expérimentale qui est la seule qui permet
d’assurer que les individus constituant l’échantillon sont comparables ou homogènes sauf pour ce qui
concerne le caractère contrôlé (attribué par tirage au sort).
Démarche / situation d’observation
Lorsque l’expérience se conduit sur la base de deux facteurs aléatoires (non contrôlés par
l’expérimentateur ; ex : surpoids et maladie rare, couleur des yeux et couleur cheveux, effets secondaires)
! Il faudra faire des recherches (par ex sur les gènes) pour conclure plus finement.
Exemple typique : comparaison de deux traitements (un des traitement est la référence,
constitution d’un groupe témoin recevant le traitement de référence) ou mise en évidence de l’effet
d’un traitement (constitution d’un groupe témoin recevant un placebo. Procédure « d’aveugle » où les
malades ne doivent pas savoir s’ils reçoivent le traitement ou le placebo. Procédure de « double aveugle »
si l’attribution du traitement ou du placebo se fait en plus à l’insu du médecin).
Exercice " Traitement contre la grippe " (un grand classique!)
On veut comparer deux formes de traitement T1 et T2 contre la grippe. Dans ce but, on

décide d'attribuer T1 ou T2 par tirage au sort aux 300 personnes qui se présentent à un
service hospitalier. Après 5 jours de traitement, on constate que sur les 200 personnes qui
ont suivi T1, 175 sont guéries et sur les 100 autres qui ont suivi T2, 70 sont guéries.
" A - Pensez-vous que la nature du traitement influe sur le taux de guérison en 5 jours ?
" B - Dans chacun des 2 groupes; on a noté le sexe de chaque individu.
Les proportions de femmes observées sont les suivantes : 52 % dans le groupe T1 et
49 % dans le groupe T2. Au risque d'erreur 5%, la différence entre les 2 pourcentages
observés est-elle significative ?
Ce résultat pouvait-il être attendu ?
" C - Sachant que sur les 104 femmes ayant suivi le traitement T1, 90 sont guéries et
que sur les 49 femmes ayant suivi le traitement T2, 40 sont guéries, pensez-vous que
la guérison soit liée au sexe, quel que soit le traitement suivi?
Exercice Traitement contre la grippe tests bilatéraux
" A– P01 =175/200 = 0,875 ; P02 =70/100 = 0,700 ;
P=(200x0.875+100x0.7)/(200+100)=0.817
(la plus petite quantité à comparer à 5 étant 0.183x100=18.3 est bien > 5,
on peut appliquer l’approximation normale des fluctuations d’échantillonnage)
0.875 - 0.700
ε0 = = 3.695 , αo=2x0.0001
1 1
0.817 x0.183 ( + )
200 100
conclusion : si l’on pose α=5% et même α=1% ! Ho rejetée ;

au seuil de 1% on peut dire, pratiquement sans aucun risque de se tromper (en rejetant Ho),
que la nature du traitement influe sur le taux de guérison (jugement de signification);
les différences étant significatives (jugement de signification) jusqu’au seuil α=0.02 %
(! auquel on peut encore rejeter de Ho)
Situation expérimentale
" B– P01 = 0,52 ; P02 = 0.49 ; P=0.51 ,
(la plus petite quantité à comparer à 5 étant 0.49x100=49 est bien > 5)
0.52 - 0.49
ε0 = = 0.490 ; α0 = 2x0.312 = 0.624
1 1
0.51x0.49 ( + )
200 100
décision : α=5% ! Ho acceptable ; (jusqu’à α=62.4%!)
La différence entre les 2 pourcentages n’est pas significative au seuil de 5 %
" C– Quelque soit le traitement suivit ! On regroupe les données

des 2 traitements T1 et T2. Les deux échantillons considérés sont les hommes et
les femmes sélectionnés pour être traités (indifféremment parT1 ou T2).
P01 =130/153 = 0,850 (90+40)=130 femmes guéries sur (104+49)=153 femmes au total
P02 =115/147= 0,782 (175+70)-(90+40)=115 hommes guéris sur (300-104+49)=147 hommes
P=0.817 , εo=1.52 ; αo=0.064x2=0.128 (la table de la loi normale centrée réduite donne αo/2)
(la plus petite quantité à comparer à 5 étant 0.183x100=18.3 est bien > 5)
0.850 - 0.782
ε0 = = 1.52 ; α0 = 2x0.064 = 0.128
1 1
0.817 x0.183 ( + )
153 147
décision : α=5% ! Ho acceptable (jusqu’à 12.8 %!!);
Au seuil de 5 %, les différences ne sont pas assez significatives pour que l’on puisse
dire que le taux de guérison soit lié au sexe quelque soit le traitement suivi
4. Fluctuations d’échantillonnage d’une moyenne observée
Tests de conformité Intervalle de pari

Hypothèse nulle Ho :
DIFFERENCES (Xo-µ) SIGNIFICATIVES ? µ caractéristique connue (valeur donnée)
L ’échantillon observé peut-il

provenir de cette population ? Xo
µ A quels type d’échantillons issus de
cette population peut-on s’attendre?
σ Risque seuil α
ENCADREMENT DE Xo
Risques αo et β
Echantillon
Population • représentatif
• taille ?
• Xo : observée
• Inaccessible
• µ : caractéristique connue ou supposée connue
• (résultant par ex d’études menées sur de nombreux échantillons)
Plusieurs cas possibles …
• La variable étudiée dans la population ou l’échantillon est X
• La variable d’échantillonnage est sa moyenne X0 :
• Loi suivie par X0 : il sera nécessaire de vérifier que X0 (le cas échéant X)
est distribuée normalement.
• Connaissance de σ (population) ?
• Théorème « central limit »
Dans tous les tests sur la moyenne,

il est souvent utile de démontrer que X 0 suit une loi normale
Pour appliquer le théorème de la limite

Théorème « central limit » centrale il faut que σ soit connu!
Si X, variable aléatoire d'étude, est distribuée de façon quelconque dans une population
de moyenne µ et écart type σ, paramètres exacts connus,
X 0 , moyenne observée dans un échantillon de taille n, prélevé dans cette population
tend vers une distribution normale de même moyenne µ et d’écart-type σ 2 /n .
! Lorsque la loi de distribution suivie par la variable d'étude X est normale dans la
population, X 0 est réellement distribuée normalement
! Lorsque la loi de distribution suivie par la variable d'étude X n'est pas connue dans la
population, on peut considérer que X 0 est distribuée normalement, dès que n ≥ 30
! Si n < 30 : il est parfois possible d'émettre l'hypothèse que la variable d'étude X est supposée
distribuée normalement dans la population (souvent le cas en biologie) ou au moins que la distribution
est symétrique. Dans le cas contraire, on ne pourra pas traiter le problème en utilisant la loi normale.
Cas où σ, écart type de la population, est connu
Intervalle de pari ,
au risque α , encadrant les valeurs de X 0 observables dans un
échantillon tiré au hasard d’une population caractérisée par le
paramètre exact µ (caractéristique) :
σ2 σ2
µ − εα / 2 n
≤ X0 ≤ µ + εα / 2 n
La probabilité de trouver X 0 dans cet intervalle est (1-α)
Seuil standard : α = 5 %
Exemple introductif "Simulation d'échantillonnage"
Une expérience d'échantillonnage consiste à simuler le prélèvement de 100 échantillons

de 20 individus dans une population de sujets âgés de moins de 30 ans.
Chez ces sujets, le taux d’une enzyme y est supposée distribuée normalement
avec une moyenne exacte µ = 1 mg/ml et un écart-type σ = 0,3 mg/ml.
1) Quel est l'intervalle de pari sur X0 au risque α = 1% ?
2) Sur les 100 valeurs observées, combien de valeurs observées de la moyenne vous
attendez-vous à trouver dans cet intervalle ?
3) Donnez l'intervalle de pari de la variable centrée et réduite au risque α = 1%.
4) Sur les 100 ICα construits au risque α, combien en moyenne recouvrent la valeur
exacte µ = 1 mg/ml ?
Intervalle de pari de la variable d’échantillonage X0
Cas où σ, écart type de la population, n’est pas connu
Intervalle de pari ,
au risque α , encadrant les valeurs de X0 observables dans un échantillon tiré au
hasard d’une population caractérisée par le paramètre exact µ (caractéristique) :
σ02 σ02
µ − t α/2 ≤ X0 ≤ µ + t α/2
n n
La probabilité de trouver X0 dans cet intervalle est (1-α)
[seuil standard : α = 5 %]
On se sert des tables de la loi de Student à n-1 ddl Condition d’application :

(Il faut que la V.A. d’étude X suive
une loi normale dans la population)
Intervalles de confiance
On part des seules informations disponibles : Xo et n
µ? Un tel échantillon va-t-il nous Xo

permettre de préciser la population
dont il pourrait être issu ?
ENCADREMENT DE µ
Risque seuil α
Risques αo et β
Echantillon
• représentatif
Population
• Xo : observée
• taille ?
• Inaccessible
• µ : caractéristique théorique ou attendue
Cas où σ, écart type de la population, est connu

Situation rare car lorsque µ est inconnue, σ est généralement inconnu lui aussi !
Intervalle de confiance , au risque α , encadrant les valeurs attendues pour le
paramètre exact µ (caractéristique) , à partir de la connaissance de X0

observée dans un échantillon supposé représentatif :
X0 − εα / 2 σ2
n
≤ µ≤ X0 + εα / 2 σ2
n
La probabilité de trouver µ dans cet intervalle est (1−α)
! On définit ainsi plusieurs populations pouvant rendre compte de l'échantillon observé.

Cas où σ, écart type de la population, est inconnu
Intervalle de confiance , au risque α , encadrant les valeurs attendues pour le
paramètre exact µ (caractéristique) , à partir de la connaissance de X0

observée dans un échantillon supposé représentatif :
X0 − α/2t σ02
n
≤ µ ≤ X0 + α/2 t σ02
n
La probabilité de trouver µ dans cet intervalle est (1−α)
! On définit ainsi plusieurs populations pouvant rendre compte de l'échantillon observé.

Test de conformité à une moyenne exacte µ

dans le cas où σ, écart type de la population est connu
(X 0 − µ )
Critère de test : ε 0 = , suivant la loi normale centrée réduite
σ2
n
! Même raisonnement que pour l’étude des fluctuations d’échantillonnage

d’une proportion observée
Exemple introductif "Vers une vie éternelle"
Un laboratoire de recherche étudie, sur une nouvelle espèce de vers (C. marginalus),
les gènes pouvant être impliqués dans la mort programmée. Chez ces vers, la durée
de vie est caractérisée par une moyenne exacte µ = 250 heures et un écart-type
exact σ = 24 heures.
Après modification d'un gène, supposé intervenir dans la mort programmée, on a

relevé dans un échantillon de 80 vers une durée de vie moyenne de 263 heures et
un écart type de 27 heures.
Que peut-on en conclure?
Situation d’expérience
L’écart-type de l’échantillon n’est pas une donnée utilisée

247 250 253 263

H1 : µ > 250 heures
test unilatéral
Test de conformité à une moyenne exacte µ,

Cas où σ, écart type de la population, n’est pas connu
Dans ce cas, on se base sur la seule connaissance de σO (calculé à partir des données de
l'échantillon). Contrairement à σ2/n, σO2/n n'est plus une constante mais une variable
aléatoire suivant une loi de distribution de Student. Le critère de test utilisé sera to, à (n-1)
degré de liberté. On se servira de la table échantillonnée de Student pour trouver les
valeurs de la probabilité αO connaissant to ou celles de to connaissant αO . La distribution de
Student est symétrique ; elle pourra dans la pratique être approchée, avec peu d'erreur, par
une distribution normale lorsque n est suffisamment grand ( n> 30, théorème central limite ).
( X 0 − µ)
Critère de test : t 0 =
Condition d’application :
σ0
2
(Il faut que la V.A. d’étude X suive

n une loi normale dans la population)
t0 suivant une loi de Student à n-1 degrés de libertés (ddl)

Exemple introductif "Vers une vie éternelle"
Un laboratoire de recherche étudie, sur une nouvelle espèce de vers (C. marginalus),
les gènes pouvant être impliqués dans la mort programmée. Chez ces vers, la durée
de vie est caractérisée par une moyenne exacte µ = 250 heures.
Après modification d'un gène, supposé intervenir dans la mort programmée, on a

relevé dans un échantillon de 80 vers une durée de vie moyenne de 263 heures et
un écart type de 27 heures.
- Que peut-on en conclure?

- Même question si l’observation avait été faite sur un échantillon de 25 vers ?
Situation d’expérience
L’écart-type de l’échantillon est utilisé en absence de la connaissance de σ

(population) => test t
5. Comparaison de 2 variances observées / de 2 moyennes observées
Tests d’homogénéité
On part des seules informations disponibles : Xo1, Xo2 et n1, n2
Xo1 Différences |X01 - X02 | significatives ? Xo2

σ02/σ01 significativement différent de 1 ? σo2
σo1 Peuvent-ils être issus de la même
population d’origine ?
Risque seuil α
Risques αo et β
Echantillon 1 Echantillon 2
• taille : n1 (n1_échantillon) • taille : n2 (n2_échantillon)
• représentatif • représentatif
• X01 : observée • X02 : observée
Existe-t-il une Population d’origine commune ?

Test de comparaison de 2 variances observées
Hypothèse nulle Ho : σ12 = σ22

!population commune / différences dues au hasard
On se servira de la table échantillonnée de Fisher pour trouver les valeurs de la probabilité

αO connaissant F ou celles de F connaissant αO .
σ 01 2
Critère de test : F=
σ 022
F suivant une loi de Fisher à (n1 - 1) et (n2 - 1) degrés de libertés (ddl)

Test F
Pour mesurer la crédibilité de Ho, on calcule sa probabilité critique (probabilité de la queue

de distribution de F située au delà de la valeur observée).
Lecture de la table de Fisher dépendant des degrés de libertés de la variance du numérateur
(n1-1) et de ceux de la variance du dénominateur (n2-1)
Table F à double entrée ddl : colonne n1-1 et lignes n2-1
Test d’homogénéité de 2 moyennes observées

Cas où n1 et n2 sont tous deux supérieurs à 30
Ho : µ1 - µ2 = 0
!population d’origine commune / différences dues au hasard
On se servira de la table échantillonnée de la loi normale centrée réduite pour trouver les
valeurs de la probabilité αO connaissant εo ou celles de εo connaissant αO .
Critère de test : ε =
( X01 − X02 ) - 0
0
2 2
σ 01 σ 02
+
n1 n2
ε O suivant la loi N (0,1)

Test d’homogénéité de 2 moyennes observées
Petits échantillons n1 ou/et n2 inférieur(s) à 30
Ho : µ1 - µ2 = 0
Critère de test : t0 =
( X01 − X02 ) - 0
1 1
σ02 ( + )
n1 n2
On se sert de la table échantillonnée de la loi de student pour trouver les valeurs de la
probabilité αO connaissant to ou celles de to connaissant αO .
Attention : le nombre de degrés de liberté est ici : (n1+n2-2) ddl
!Test F préalable sur les variances observées pour pouvoir calculer la variance commune
si elle existe (Ho : σ1=σ2, hypothèse d’égalité des variances des 2 populations, acceptable)
L’approximation de la variance supposée commune des variables étudiées est alors :
2 2
2 (n1 - 1)σ 01 + (n2 - 1)σ 02
σ0 = Si le test F échoue, on ne peut pas conclure à l’égalité
(n1 − 1) + (n2 − 1) des 2 moyennes car le test t ne peut être réalisé !

Exercice "Une production machine-dépendante ?"
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 laborantin qui en est responsable soupçonne une production
dépendante de la machine.
Qu’en pensez-vous?
Xo1=49 et Xo2=51 Attention, il s’agit de petits échantillons :
les tailles des 2 échantillons sont inférieures à 30.
! Test F préalable comparant les variances observées

Ho : σ21/σ22 = 1 (ou σ22/σ21 = 1);
si les variances sont les mêmes (même population d’origine),
le rapport des deux variances observées doit tendre vers 1.
σ2o1 = [(47-49)2+(53-49)2+(49-49)2+(50-49)2+(46-49)2] / (5-1) = 30/4 = 7.5

σ2o2 = 14/4 = 3.5
Fo = 7.5/3.5 = 2.14
Cette valeur est plus petite que F0.10 (4.11) lue sur la table de Fisher
à 4 ddl au numérateur (intervenant dans le calcul de la première variance)
et 4 ddl au dénominateur (intervenant dans le calcul de la deuxième variance).
Ho est donc largement acceptable (jusqu’au risque seuil de 10 % et même presque 25 %)
et l’on peut calculer une variance commune :
4x7.5 + 4x3.5
σ02 = = 5.5
(5 − 1) + (5 − 1)
(suite)
Le test sur les variance étant positif, on peut poursuivre le test sur les moyennes
Test t sur les deux moyennes observées
(on supposera que la production est distribuée normalement dans les 2 populations)
Ho : µ1- µ2 = 0
51- 49
t0 = = 1.35 ; à (5 + 5 - 2) = 8 ddl
1 1
5.5 ( + )
5 5
(la variance commune calculée est injectée dans le calcul de to)
to < 1.86 ( à 8 ddl)

(test bilatéral, il y autant de chance d’observer des écarts positifs que des écarts négatifs)
αo > 10%
Ho est acceptable, au moins jusqu’au seuil de 10%, et même 20 % (to pour 20% est 1.39)
les différences sont imputables au hasard des fluctuations d’échantillonnage.
On ne peut affirmer sans risque de se tromper que la production est machine dépendante.
On veut comparer maintenant la production de la première machine avec celle d’une autre
machine. Les statistiques figurent ci-dessous. Le laborantin soupçonne toujours une
production dépendante de la machine.
Qu’en pensez-vous?
Xo1=49 et Xo2=56 Attention, il s’agit de petits échantillons :
les tailles des 2 échantillons sont inférieures à 30.

! Test F préalable comparant les variances observées
Ho : σ1/σ2 = 1 ; si les variances sont les mêmes (même population d’origine),
le rapport des deux variances observées doit tendre vers 1.
σ2o1 = [(47-49)2+(53-49)2+(49-49)2+(50-49)2+(46-49)2] / (5-1) = 30/4 = 7.5

σ2o2 = 50/4 = 12.5
Fo = 12.5/7.5 = 1.67
Cette valeur est plus petite que F0.25 (2.06) lue sur la table de Fisher
à 4 ddl au numérateur (intervenant dans le calcul de la première variance)
et 4 ddl au dénominateur (intervenant dans le calcul de la deuxième variance).
Ho est donc largement acceptable (jusqu’au risque seuil de 25 %)
et l’on peut calculer une variance commune :
2 4x7.5 + 4x12.5
σ0 = = 10
(5 − 1) + (5 − 1)
(suite)
Test t sur les deux moyennes observées

(on supposera que la production est distribuée normalement dans les 2 populations)
Ho : µ1- µ2 = 0
56 - 49 7
t0 = = = 3.5 ; à (5 + 5 - 2) = 8 ddl
2
1 1
10 ( + )
5 5
(la variance commune calculée est injectée dans le calcul de to)
to > 2.31 ( à 8 ddl)

(test bilatéral, il y autant de chance d’observer des écarts positifs que des écarts négatifs)
αo < 5% (et même αo < 0.1% !!!)
Ho est rejetée, au seuil de 0.1%,

les différences sont significatives au seuil de 1 pour mille.
Au seuil de 0.1% on peut dire que la production est machine dépendante.
Comparaison de 2 moyennes sur séries appariées
Cas où n est supérieur à 30
Ho : µ = 0
ε0 =
d-0
Critère de test :
σ02
n
On se sert de la table échantillonnée de la loi normale centrée réduite pour trouver les
valeurs de la probabilité αO connaissant εo ou celles de εo connaissant αO .
n 2
σ0
2 1
On utilise la variance expérimentale des différences , = ∑ (d − d)
i
n est le nombre de paires n-1 i =1
Permet de contrôler le paramètre toutes choses égales par ailleurs

! évite les effets de variances inter échantillon (puisqu’on travaille avec le même échantillon)
Petits échantillons n inférieur à 30
Ho : µ = 0
t0 =
d-0
Critère de test :
σ02
n
On se sert de la table échantillonnée de la loi de student pour trouver les valeurs de la

probabilité αO connaissant to ou celles de to connaissant αO .
Attention : le nombre de degrés de liberté est ici : (n1-1) ddl
Validité : la variable d doit être normale dans la population d’origine
Permet de contrôler le paramètre toutes choses égales par ailleurs

! évite les effets de variances inter échantillon (puisqu’on travaille avec le même échantillon)
Taux de l'enzyme Taux de l'enzyme au
différences
N° de l'animal avant traitement cours du traitement
di
[mg/ml] [mg/ml]
1 2.75 2.36 -0.39
2 3.14 2.88 -0.26
3 3.01 2.62 -0.39
4 3.4 3.14 -0.26
5 3.53 3.01 -0.52
6 3.14 2.75 -0.39
7 3.01 2.75 -0.26
8 3.66 3.01 -0.65
9 3.27 2.88 -0.39
10 2.88 2.62 -0.26
11 3.92 3.27 -0.65
12 3.66 3.14 -0.52
13 2.75 2.36 -0.39
14 3.14 2.88 -0.26
15 3.01 2.62 -0.39
moyenne -0.40
écart-type 0.13
Test d'homogénéité :
t0 11.50
α 5.0%
Ho rejetée au seuil α0 0.0%
5% ddl 14

Tests Hyp Parametric

Transféré par

Droits d'auteur :

Formats disponibles

Tests Hyp Parametric

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tests Hyp Parametric

Transféré par

Droits d'auteur :

Formats disponibles

D - Inférence Statistique –

Estimation et Tests d’hypothèses

1. Introduction – Déduction et inférence statistique

2. Fluctuations d’échantillonnage d’une proportion observée

3. Principe et résolution d’un test d’hypothèse

4. Fluctuation d’échantillonnage d’une moyenne observée

5. Comparaison de 2 variances observées - de 2 moyennes observées

7. Autres tests non paramétriques

8. Analyses de variance - ANOVA

Population : ensemble total d’objets ou d’individus à étudier,

La moyenne µ et l’écart-type σ de la population

! Les probabilités P(X) sont utilisées dans le calcul de µ et σ

Echantillon : Sous ensemble de la population. Un échantillon représentatif

Tirage d’un échantillon avec remise : important pour garantir l’indépendance

prédire, à partir d'une population connue ou supposée connue,

prédire les caractéristiques d'une population inconnue à partir des statistiques

• Etude des fluctuations d’échantillonnage d’une proportion observée,

Les proportions, indicateurs parmi d’autres

Comment traduire P(X=k) = 0.33 ?

! Si l’on répétait un très grand nombre de fois l’expérience on

! Autre façon de le formuler :

En remplaçant X=k par Po= k/n :

! Fluctuations d’échantillonnage d’une proportion observée.

moy. 2.500 2.540

Fluctuations d’échantillonnage d’une proportion observée

En pratique (Ceci rend les calculs de probabilité aisés)

Si N Π > 5 et N(1-Π) > 5

Tests de conformité Intervalles de pari

L ’échantillon observé peut-il

Risque seuil α ENCADREMENT DE Po

Un intervalle de pari , au risque (ou taux, ou seuil) α ,

Important : On considère εα dans la table de l’écart réduit

Grâce à la distribution normale,

Exercice "La machine déréglée "

La production d’une machine déréglée conduit à 50 % de pièces défectueuses.

- Quelle est la probabilité d’observer moins de 30% de pièces défectueuses

Π? Un tel échantillon va-t-il nous po

Intervalle de confiance (ICα) : intervalle encadrant les valeurs de Π permettant

de caractériser un ensemble de populations dont pourrait être issu l’échantillon

Validation de l ’ICα : Il faut finalement vérifier à posteriori que nΠ et n(1-Π) sont

Important : On considère εα dans la table de l’écart réduit

Exercice " Les produits laitiers "

[0,925 106, 2,075 106]

Cette partie va nous permettre de développer le principe des tests d’hypothèses

Pour résoudre un test d’hypothèses il va falloir suivre une procédure

Il n’y a jamais de réponse absolue dans cette démarche !

! La certitude absolue ne peut jamais être atteinte car la population totale

! Les écarts constatés entre l'échantillon et la population totale sont-ils significatifs

! On confronte la loi suivie dans la population à la probabilité de l'observation dans un

! Décision : rejet ou non de l’hypothèse nulle ; différences significatives ou dues au hasard

Quelles vont être les grandes étapes ?

• Collecter les informations (échantillon)

• Calculer αο, probabilité d’observer sous Ho un tel évènement ou des évènements

• Conclure en comparant notamment α et αο .

! Cahier des charges de la résolution d’un test d’hypothèses

Exemple introductif : "Le médicament miracle"

Un laboratoire pharmaceutique garantit que son médicament destiné au traitement

- Ces résultats sont-ils conformes à l'affirmation du laboratoire pharmaceutique ?

Méthode ! (cahier des charges d’un test d’hypothèses)