Tests D'hypothèses - Version Corrigée

Module : Techniques d’estimation pour l’ingénieur Classe : 3ème année
Tests d’hypothèses paramétriques
Activité introductive :
Les moteurs des appareils électroménagers d’une marque M ont une durée de vie moyenne
µ = 3000 heures avec un écart-type σ = 150 heures. A la suite d’une modification dans la
fabrication des moteurs, le fabricant affirme que les nouveaux moteurs ont une durée de
vie moyenne supérieure à celle des anciens. Pour ce faire, le fabriquant décide de prendre un
échantillon de nouveaux moteurs afin de répondre à la question :
”Les nouveaux moteurs apportent-ils une amélioration statistiquement

significative dans la durée de vie des appareils électroménagers ? ”
Pour vérifier le fondement de cette affirmation, le fabriquant doit tout d’abord construire une
hypothèse dans laquelle on suppose que la moyenne de la durée de vie est de 3000 heures.
Ensuite, il prélève un échantillon de nouveaux moteurs et il calcule la moyenne obtenue par
ces derniers. Enfin, on compare la moyenne calculée dans cet échantillon avec la moyenne
donnée (dans la population) par le fabriquant.
Alors le fabriquant arrive à conclure si son affirmation est correcte ou non.
1 Principe :
Définition 1 (Test d’hypothèses)
Un test d’hypothèses est un mécanisme qui permet de trancher entre deux hy-
pothèses à la vue des résultats d’un échantillon, en quantifiant le risque associé à
la décision prise.
• H0 : Hypothèse de référence (Hypothèse nulle)

• H1 : Hypothèse alternative
1
Soient H0 et H1 deux hypothèses, dont une et une seule est vraie. H0 joue le plus
souvent un rôle prédominant par rapport à H1 . En effet H0 est l’hypothèse de référence
alors que H1 est l’hypothèse alternative.
Une hypothèse statistique est une affirmation concernant :

▶ La valeur d’un paramètre (moyenne, variance, proportion)
▶ L’égalité des paramètres de deux distributions (deux moyennes, deux variances, . . .)
▶ La forme de la distribution
Test paramétrique Test non paramétrique

Moyenne, variance ou proportion deux moyennes, deux variances...
Types des tests d’hypothèses paramétriques

On suppose que l’on cherche à verifier la valeur d’un paramètre inconnu θ de la distribution
d’une population X. Pour cela, on compare deux hypothèses portant sur la valeur de θ.
H0 : θ = θ0
Test bilatéral Test unilatéral à droite Test unilatéral à gauche
H1 : θ ̸= θ0 H1 : θ > θ0 H1 : θ < θ0
Exemple 1 : Revenons à l’activité introductive, formuler le test d’hypothèses paramétriques.
Réponse : un test d’hypothèses unilatérale à droite

(
H0 : µ = 3000 ”la moyenne de la durée de vie est de 3000 heures”
H1 : µ > 3000 ”une durée de vie moyenne supérieure à celle des anciens”
Les étapes d’un test d’hypothèses paramétriques :

Étape 1 : Choix des deux hypothèses H0 et H1 .
Étape 2 : Détermination de la variable de décision et de l’écart réduit.
◦ Précision des conditions du test : distribution de la population, la taille de l’échantillon...

◦ L’estimateur du paramètre.
◦ Détermination de l’écart réduit ( écart entre l’estimateur et le paramètre estimé).
Étape 3 : Détermination des régions critiques.

Selon l’écart réduit et au niveau de signification α, on détermine les zones ( ou valeurs
ou régions) dont on se base pour prendre la décision.
Étape 4 : Prise de décision : On a deux décisions possibles :
2
◦ On accepte H0 et on rejette H1 .
=⇒ On donne bénéfice du doute à H0
L’estimation( dans l’échantillon ) est relativement proche de la valeur du paramètre
prévu par H0 . On dit que l’écart réduit n’est pas significatif et qu’il est dû au hasard
de l’échantillonnage.
◦ On rejette H0 et on accepte H1 .
=⇒ On donne bénéfice du doute à H1
L’estimation ( dans l’échantillon ) est loin de la valeur du paramètre prévu par H0 .
On dit que l’écart est significatif, et n’est pas uniquement dû au hasard.
2 Test d’hypothèses sur la moyenne :

On s’interesse au paramètre moyenne µ. Pour une valeur de référence µ0 , on définit les
hypothèses.
2.1 Test d’hypothèses bilatéral :

(
H0 : µ = µ0
H1 : µ ̸= µ0
. Estimateur de µ : On détermine l’estimateur qui convient pour ce test. L’estimateur

de la moyenne µ est
n
1X
Xn = Xi
n i=1
. Distribution de X n : On passe à déterminer la loi de X n .
n ≥ 30 & Population de loi quelconque de moyenne µ et de variance σ 2

Variance σ 2 Xn Ecart réduit
σ X n − µ0
connue X n ∼ N (µ0 , √ ) Z= σ ∼ N (0, 1)
n √
n
inconnue, on utilise l’estimateur
n s X n − µ0
1 X X n ∼ N (µ0 , √ ) Z= ∼ N (0, 1)
S2 = (Xi − X n )2 n √s
n
n − 1 i=1
3
n < 30 & Population normale de moyenne µ et de variance σ 2
Variance σ 2 Xn Ecart réduit
σ X n − µ0
connue X n ∼ N (µ0 , √ ) Z= σ ∼ N (0, 1)
n √
n
inconnue, on utilise l’estimateur
n X n − µ0
1 X T = ∼ Tn−1 Tn−1 ∼ Student de (n − 1) ddl
2
S = (Xi − X n )2 √s
n
n − 1 i=1
Étape 3 : Détermination des régions critiques
On détermine les valeurs critiques de l’écart réduit au seuil de signification α. On impose

toujours à la zone d’acceptation de H0 que l’écart réduit soit centré autour de 0.
Ecart réduit Zone d’acceptation de H0 Zone de rejet de H0

X n − µ0 α
Z= σ ∼ N (0, 1) P(|Z| < z α2 ) = 1 − α P(Z > z α2 ) = P(Z < −z α2 ) =
√ 2
n
X n − µ0 α
T = ∼ Tn−1 P(|T | < t α2 ) = 1 − α P(T < −t α2 ) = P(T > t α2 ) =
√s 2
n
Étape 4 : Prise de décision.
On calcule l’estimation de X n ainsi que la valeur z0 (ou t0 ) prise par l’écart réduit Z (ou
T ) à partir de l’échantillon et on prend notre décision suite aux valeurs déterminées. Si la
valeur prise par l’écart réduit est dans la zone d’acceptation de H0 alors on accepte H0 et
on rejette H1 sinon on rejette H0 et on accepte H1 .
4
Ecart réduit calculé H0 H1
−z α2 ≤ z0 ≤ z α2 (resp. − t α2 ≤ t0 ≤ t α2 ) acceptée rejetée
−z α2 ≥ z0 ou z0 ≥ z α2 (resp. − t α2 ≥ t0 ou t0 ≥ t α2 ) rejetéee acceptée
Interprétation :
. Si −z α2 ≤ z0 ≤ z α2 (resp. −t α2 ≤ t0 ≤ t α2 ) alors l’estimation xn de µ n’est pas loin de la va-
leur de référence µ0 d’une manière significative. =⇒ On accepte H0 et on rejette H1
. Si −z α2 ≥ z0 ou z0 ≥ z α2 (resp.−t α2 ≥ t0 ou t0 ≥ t α2 ) alors l’estimation xn de µ est loin
de la valeur de référence µ0 d’une manière significative. =⇒ On accepte H1 et on rejette H0
Application :(prenez soin de détailler toutes les étapes du test).
Une entreprise utilise un ancien modèle de fabrication d’écrans dont la durée de vie en heures
suit une loi normale de moyenne 15000 et d’écart type σ.
Une nouvelle méthode de fabrication est mise en application sur une autre chaine . On
examine un échantillon de 100 écrans issus de cette nouvelle chaine, on s’appercoit que la
durée de vie moyenne est de 15100.
1. Sachant que σ = 1000, au seuil de risque de 5%, peut-on dire que le modèle de
fabrication est différent de l’ancien en terme de durée de vie moyenne des écrans ?
2. L’échantillon utilisé nous donne un écart-type égale à 600, au seuil de risque de 10%,
peut-on dire que le modèle de fabrication est différent de l’ancien en terme de durée
de vie moyenne des écrans ?
Réponse :
1. Étape 1 : Choix d’hypothèses

(
H0 : µ = 15000 = µ0
H1 : µ ̸= 15000
Étape 2 : Variable de décision et écart réduit.

On a n = 100 > 30 , σ = 1000 connu
σ 1000 X n − µ0
X n ∼ N (µ0 , √ ) = N (15000, √ ) = N (15000, 100) ⇒ Z = σ ∼ N (0, 1)
n 100 √
n
Étape 3 :Régions critiques.

On détermine z α2 à partir du tableau de la loi normale centrée réduite,
α
α = 0.05 ⇒ = 0.025 ⇒ z α = 1.96
2
2
5
On calcule la valeur z0 prise par Z
xn − µ 0 15100 − 15000
z0 = σ = =1
√ 1000
√
n 100
Étape 4 :Décision
−z α2 < z0 < z α2
On est dans la zone d’acceptation de H0 , alors le modèle de fabrication n’est pas

différent de l’ancien d’une manière significative
2. Étape 1 : Choix d’hypothèses
(
H0 : µ = 15000 = µ0
H1 : µ ̸= 15000

On a n = 100 > 30 et σ inconnu mais estimé par s = 600
s 600 X n − µ0
X n ∼ N (µ0 , √ ) = N (15000, √ ) = N (15000, 60) ⇒ Z = s ∼ N (0, 1)
n 100 √
n

α
α = 0.1 ⇒ = 0.05 ⇒ z α = 1.64
2
2
xn − µ 0 15100 − µ0
z0 = s = = 1.66
√ 600
√
n 100
z0 > z α2
On est dans la zone de rejet de H0 et acceptation de H1 , alors le modèle de fabri-

cation est différent de l’ancien d’une manière significative
6
2.2 Test unilatéarl à droite
(
H0 : µ = µ0
H1 : µ > µ0
Étape 2 : Détermination de la variable de décision et calcul de l’écart réduit. On reprend

le même tableau que pour le test bilatéral.
On détermine les valeurs critiques de l’écart réduit au seuil de signification α. On détermine
alors les valeurs zα ou tα .

X n − µ0
Z= σ ∼ N (0, 1) P(Z < zα ) = 1 − α P(Z > zα ) = α
√
n
X n − µ0
T = ∼ Tn−1 P(T < tα ) = 1 − α P(T > tα ) = α
√s
n

On calcule l’estimation de X n ainsi que la valeur z0 (ou t0 ) prise par l’écart réduit Z (ou
T ) à partir de l’échantillon et on prend notre décision suite aux valeurs déterminées. Si la
valeur prise par l’écart réduit est dans la zone d’acceptation de H0 alors on accepte H0 et
on rejette H1 sinon on rejette H0 et on accepte H1 .
z0 ≤ zα (resp. t0 ≤ tα ) acceptée rejetée
z0 ≥ zα (resp.t0 ≥ tα ) rejetée acceptée
7
Interprétation :
. Si z0 ≤ zα (resp. t0 ≤ tα ) alors l’estimation xn de µ n’est pas loin du valeur de référence
µ0 d’une manière significative. =⇒ On accepte H0 et on rejette H1 .
. Si z0 ≥ zα (resp.t0 ≥ tα ) alors l’estimation xn de µ est loin du valeur de référence µ0
d’une manière significative. =⇒ On accepte H1 et on rejette H0 .
On extrait d’une population, dont le caractère masse est distribué selon le modèle normal, un
échantillon aléatoire simple de 7 éléments. La moyenne de cet échantillon est 257, 9 . L’écart
type de la population est supposé inconnu et l’écart type de l’échantillon est égal à 14. Est-
il possible, au seuil de 5%, de conclure que la moyenne de la population est supérieure à 250 ?
Réponse :
Étape 1 : Choix d’hypothèses

(
H0 : µ = 250 = µ0
H1 : µ > 250

On a n = 7 < 30 et σ inconnu, mais estimé par s = 14
X n − µ0
T = s ∼ T(n−1) = T6 Student de (n − 1) = 6 ddl
√
n

On détermine tα à partir du tableau de la loi Student,
α = 0.05 ⇒ tα = 1.943
On calcule la valeur t0 prise par T
xn − µ 0 257.9 − 250
t0 = s = = 1.49
√ 14
√
n 7
1.49 = t0 < tα = 1.943
On est dans la zone d’acceptation de H0 , alors la moyenne de la population n’est pas
8
supérieure à 250 d’une manière significative
2.3 Test unilatéarl à gauche

(
H0 : µ = µ0
H1 : µ < µ0


alors les valeurs zα et tα .

X n − µ0
Z= σ ∼ N (0, 1) P(Z > −zα ) = 1 − α P(Z < −zα ) = α
√
n
X n − µ0
T = ∼ Tn−1 P(T > −tα ) = 1 − α P(T < −tα ) = α
√s
n
9
On calcule l’estimation de X n ainsi que la valeur z0 ( ou t0 ) prise par l’écart réduit Z (ou
T ) à partir de l’échantillon et on prends notre décision suite aux valeurs déterminées. Si
la valeur de l’écart réduit est dans la zone d’acceptation de H0 alors on accepte H0 et on
rejette H1 sinon on rejette H0 et on accepte H1 .
z0 ≥ −zα (resp. t0 ≥ −tα ) acceptée rejetée
z0 ≤ −zα (resp.t0 ≤ −tα ) rejetée acceptée
Interprétation :
. Si z0 ≥ −zα (resp. t0 ≥ −tα ) alors l’estimation xn de µ n’est pas loin de la valeur de
référence µ0 d’une manière significative. =⇒ On accepte H0 et on rejette H1 .
. Si z0 ≤ −zα (resp.t0 ≤ −tα ) alors l’estimation xn de µ est loin de la valeur de référence
µ0 d’une manière significative. =⇒ On accepte H1 et on rejette H0 .
Dans une entreprise de conditionnement de colis, chaque employé est supposé s’occuper, en
moyenne, de 45 colis par jour. Le chef de service soupçonne un employé Mr Slow, de travailler
lentement et il effectue quelques mesures à son insu. Il note, sur une période de 10 jours, le
nombre de colis qu’il traite quotidiennement. Il obtient les résultats suivants (On supposera
que le nombre de colis traités quotidiennement par un employé suit une loi normale) :
44 3 45 46 34 39 43 40 44 48
Pour savoir si Mr Slow est plus lent que ses collègues de travail, testez au seuil de signification
de 5%, les hypothèses : (
H0 : µ = 45
H1 : µ < 45
Réponse :
Étape 1 : Choix d’hypothèses (

H0 : µ = 45
H1 : µ < 45

On a n = 10 < 30 et σ inconnu, mais estimé par s, on doit calculer alors les estimations xn
et s2
10
1X
xn = xi = 38.6
n i=1
10
1 X
s2 = (xi − xn )2 = 172.48 ⇒ s = 13.13
n − 1 i=1
10
X n − µ0
T = s ∼ T(n−1) = T9 Student de (n − 1) = 9 ddl
√
n
On détermine tα à partir du tableau de la loi Student,
α = 0.05 ⇒ tα = 1.833
On calcule la valeur t0 prise par T
xn − µ 0 38.6 − 45
t0 = s = = −1.54
√ 13.13
√
n 10
−1.833 = −tα < t0 = −1.54
On est dans la zone d’acceptation de H0 , alors Mr Slow n’est pas lent que ses collègues de
travail d’une manière significative
3 Test d’hypothèses sur la variance :

On s’interesse au paramètre variance σ 2 . On considère une population normale de moyenne
µ et de variance σ 2 . Pour une valeur de référence σ02 , on définit les hypothèses.
3.1 Test bilatéral :

(
H0 : σ 2 = σ02
H1 : σ 2 ̸= σ02
. Estimateur de σ 2 : On détermine l’estimateur qui convient pour ce test. On va

présenter deux cas possibles décrits dans le tableau suivant :
11
Cas possibles S 2 estimateur de σ 2
n
2 1X
µ connue S = (Xi − µ)2
n i=1
µ inconnue, on utilise l’estimateur n
n 2 1 X
1X S = (Xi − X n )2
Xn = Xi n − 1 i=1
n i=1
. Distribution de S 2 :
S2 Ecart réduit
n nS 2
2 1X Y = 2 ∼ χ2n
S = (Xi − µ)2 σ
n i=1 χ2n ∼ Khi-deux de n ddl
n (n − 1)S 2
1 X Y = ∼ χ2(n−1)
S2 = (Xi − X n )2 σ2
n − 1 i=1 χ2(n−1) ∼ Khi-deux de (n − 1) ddl
On détermine les valeurs critiques de l’écart réduit au seuil de signification α.

α
P(Y > χ2n, α ) =
nS 2 2 2
Y = 2 ∼ χ2n P(χ2n,1− α < Y < χ2n, α ) = 1 − α
σ 2 2
α
P(Y < χ2n,1− α ) =
2 2α
P(Y > χ2(n−1), α ) =
(n − 1)S 2 2 2
Y = ∼ χ2(n−1) P(χ2(n−1),1− α < Y < χ2(n−1), α ) = 1 − α
σ2 2 2
α
P(Y < χ2(n−1),1− α ) =
2 2
12
On calcule l’estimation de S 2 ainsi que la valeur y0 prise par l’écart réduit Y à partir de
l’échantillon et on prend notre décision suite aux valeurs déterminées. Si la valeur prise par
l’écart réduit est dans la zone d’acceptation de H0 alors on accepte H0 et on rejette H1 sinon
on rejette H0 et on accepte H1 .

χ2n,1− α < y0 < χ2n, α (resp. χ2(n−1),1− α < y0 < χ2(n−1), α ) acceptée rejetée
2 2 2 2
y0 > χ2n, α ou y0 < χ2n,1− α (resp. y0 > χ2(n−1), α ou y0 < χ2(n−1),1− α ) rejetée acceptée
2 2 2 2
Interprétation :
. Si χ2n,1− α < y0 < χ2n, α (resp. χ2(n−1),1− α < y0 < χ2(n−1), α ) alors l’estimation s2 de σ 2 n’est
2 2 2 2
pas loin du valeur de référence σ02 d’une manière significative. =⇒ On accepte H0 et

on rejette H1 .
. Si y0 > χ2n, α ou y0 < χ2n,1− α (resp.y0 > χ2(n−1), α ou y0 < χ2(n−1),1− α ) alors l’estimation
2 2 2 2
s2 de σ 2 est loin du valeur de référence σ02 d’une manière significative.=⇒ On accepte

H1 et on rejette H0 .
Un fabricant de boissons gazeuses s’intéresse à l’uniformité du remplissage des canettes par
une machine. Soit X le volume de remplissage d’une canette. On suppose que X suit une loi
normale de moyenne inconnue µ et de variance σ 2 .
Si la variance du volume est différente de 15mL2 alors la machine n’est pas bien réglée. Le
fabricant veut donc tester si la machine est bien réglée.
Sur la base d’un échantillon de 20 canettes, tester la régularité de la machine pour un seuil
de signification α = 0.05, sachant que la variance mesurée sur l’échantillon est de 25mL2 .
Réponse :

(
H0 : σ 2 = 15
.
H1 : σ 2 ̸= 15

On a n = 20 , µ inconnue, et s2 = 25 l’estimation de σ 2 .
(n − 1)S 2
Y = 2
∼ χ2(n−1) = χ219 , Khi-deux de (n − 1) = 19 ddl
σ
13
On détermine χ219, α et χ219,1− α à partir du tableau de la loi Khi-deux,
2 2
α
α = 0.05 ⇒ = 0.025 ⇒ χ219, α = 32.852
2 2
α
1− = 0.975 ⇒ χ219,1− α = 8.907
2 2
On calcule la valeur y0 prise par Y
(n − 1)s2 19 × 25
y0 = 2
= = 31.7
σ 15
χ2n−1,1− α < y0 < χ2n−1, α
2 2
On est dans la zone d’acceptation de H0 , alors la machine est bien reglée.

(
H0 : σ 2 = σ02
H1 : σ 2 > σ02
Étape 2 : Détermination de la variable de décision et de l’écart réduit. On reprend le

même tableau que pour le test bilatéral.

nS 2
Y = 2 ∼ χ2n P(Y < χ2n,α ) = 1 − α P(Y > χ2n,α ) = α
σ
(n − 1)S 2
Y = ∼ χ2(n−1) P(Y < χ2(n−1),α ) = 1 − α P(Y > χ2(n−1),α ) = α
σ2
14
On calcule l’estimation de S 2 ainsi que la valeur y0 prise par l’écart réduit Y à partir de
l’échantillon et on prend notre décision suite aux valeurs déterminées. Si la valeur prise par
l’écart réduit est dans la zone d’acceptation de H0 alors on accepte H0 et on rejette H1 sinon
on rejette H0 et on accepte H1 .

y0 < χ2n,α resp. y0 < χ2(n−1),α acceptée rejetée
y0 > χ2n,α resp. y0 > χ2(n−1),α rejetée acceptée
Interprétation :
. Si y0 < χ2n,α (resp. y0 < χ2(n−1),α ) alors l’estimation s2 de σ 2 n’est pas loin du valeur de
référence σ02 d’une manière significative. =⇒ On accepte H0 et on rejette H1 .
. Si y0 > χ2n,α (resp. y0 > χ2(n−1),α ) alors l’estimation s2 de σ 2 est loin du valeur de référence
σ02 d’une manière significative. =⇒ On accepte H1 et on rejette H0 .
Les pièces des moteurs d’automobiles de dernière génération sont usinées avec une très grande
précision. L’écart-type des dimensions d’une pièce ne doit pas dépasser 10µm (les dimensions
suivent une loi normale, la dimension moyenne est notée m). On prélève sur une unité de
production 25 moteurs pour lesquels des mesures dimensionnelles menées sur la même pièce
donnent un écart-type de 13, 5µm sachant que la dimension moyenne est connue. Peut-on
conclure que la variabilité est supérieure à la valeur tolérée (on adoptera un seuil de signifi-
cation de 1%) ?
Réponse :
15
(
H0 : σ 2 = 100
.
H1 : σ 2 > 100

On a n = 20 , µ connue, et s2 = (13.5)2 l’estimation de σ 2 .
nS 2
Y = ∼ χ2(n) = χ225 , Khi-deux de n = 25 ddl
σ2
On détermine χ225,α à partir du tableau de la loi Khi-deux,
α = 0.01 ⇒ χ225,α = 44.314
ns2 25 × (13.5)2
y0 = = = 45.56
σ2 100
y0 = 45.56 > χ225,α = 44.314
On est dans la zone d’acceptation de H1 , alors on peut conclure que la variabilité est
supérieure à la valeur tolérée.

(
H0 : σ 2 = σ02
H1 : σ 2 < σ02

16
nS 2
Y = 2 ∼ χ2n P(Y > χ2n,1−α ) = 1 − α P(Y < χ2n,1−α ) = α
σ
(n − 1)S 2
Y = ∼ χ2(n−1) P(Y > χ2(n−1),1−α ) = 1 − α P(Y < χ2(n−1),1−α ) = α
σ2
On calcule l’estimation de S 2 ainsi que la valeur y0 prise par l’écart réduit Y et on prend
notre décision suite aux valeurs déterminées. Si la valeur prise par l’écart réduit est dans la
zone d’acceptation de H0 alors on accepte H0 et on rejette H1 sinon on rejette H0 et on
accepte H1 .

y0 > χ2n,1−α resp. y0 > χ2(n−1),1−α acceptée rejetée
y0 < χ2n,1−α resp. y0 < χ2(n−1),1−α rejetée acceptée
Interprétation :
. Si y0 > χ2n,1−α (resp. y0 > χ2(n−1),1−α ) alors l’estimation s2 de σ 2 n’est pas loin du valeur
de référence σ02 d’une manière significative. =⇒ On accepte H0 et on rejette H1 .
. Si y0 < χ2n,1−α (resp. y0 < χ2(n−1),1−α ) alors l’estimation s2 de σ 2 est loin du valeur de
référence σ02 d’une manière significative.=⇒ On accepte H1 et on rejette H0 .
On reste avec la même application précédente sachant que la dimension moyenne est incon-
nue. Peut-on conclure que la variabilité est inférieure à la valeur tolérée (on adoptera un
seuil de signification de 1%) ?
Réponse :
17
(
H0 : σ 2 = 100
.
H1 : σ 2 < 100

On a n = 20 , µ inconnue, et s2 = (13.5)2 l’estimation de σ 2 .
(n − 1)S 2
Y = ∼ χ2(n−1) = χ224 , Khi-deux de n = 24 ddl
σ2
On détermine χ224,1−α à partir du tableau de la loi Khi-deux,
α = 0.01 ⇒ 1 − α = 0.99 ⇒ χ224,1−α = 10.856
(n − 1)s2 24 × (13.5)2
y0 = = = 43.74
σ2 100
y0 = 43.74 > χ224,1−α = 10.856
On est dans la zone d’acceptation de H0 , alors on peut pas conclure que la variabilité est
inférieure à la valeur tolérée.
4 Test d’hypothèses sur la proportion :

On s’interesse au paramètre proportion p. Pour une valeur de référence p0 , on définit les
hypothèses.
4.1 Test bilatéral :

(
H 0 : p = p0
H1 : p ̸= p0
18
. Estimateur de p : On détermine l’estimateur qui convient pour ce test. L’estimateur
de la proportion est P̂ .
. Distribution de P̂ : On suppose que l’on dispose d’un grand échantillon
n ≥ 30 & np ≥ 5 & nq = n(1 − p) ≥ 5

Loi de P̂ Ecart réduit
r
p0 (1 − p0 ) P̂ − p0
P̂ ∼ N (p0 , ) Z=q ∼ N (0, 1)
n p0 (1−p0 )
n
On détermine les valeurs critiques de l’écart réduit au seuil de signification α. On impose

toujours à la zone d’acceptation de H0 que l’écart réduit soit centré autour de 0.

P̂ − p0 α
Z=q ∼ N (0, 1) P(|Z| < z α2 ) = 1 − α P(Z > z α2 ) = P(Z < −z α2 ) =
p0 (1−p0 ) 2
n
On calcule l’estimation p̂ de p ainsi que la valeur z0 l’écart réduit Z et on prend notre

décision suite aux valeurs déterminées. Si la valeur prise par l’écart réduit est dans la zone
d’acceptation de H0 alors on accepte H0 et on rejette H1 sinon on rejette H0 et on accepte
H1 .

−z α2 ≤ z0 ≤ z α2 acceptée rejetée
−z α2 ≥ z0 ou z0 ≥ z α2 rejetée acceptée
Interprétation :
. Si −z α2 ≤ z0 ≤ z α2 alors l’estimation p̂ de p n’est pas loin de la valeur de référence p0
. Si −z α2 ≥ z0 ou z0 ≥ z α2 alors l’estimation p̂ de p est loin de la valeur de référence p0
Soit un lot de produits dans lequel il y a une certaine proportion inconnue de pièces
défectueuse. Des anciennes mesures ont montré que cette proportion est de 5%.
Le directeur technique de l’usine n’a aucune visibilité sur la nouvelle proportion des pièces
défectueuses. Il pense que cette proportion pourrait être différente de 5%.
19
Pour actualiser les mesures, le directeur technique choisit au hasard un échantillon de taille
n = 150. Sur la base de l’échantillon sélectionné, le directeur a trouvé que p̂ = 0.042. Au
seuil de signification α = 5%, la proportion des pièces défectueuses est-elle modifiée ?
Réponse :

H0 : p = 0.05
H1 : p ̸= 0.05

On a n = 150 > 30 , n ∗ p0 = 150 ∗ 0.05 = 7.5 > 5 et n ∗ (1 − p0 ) = 150 ∗ 0.95 = 142.5 > 5
on a r
p0 (1 − p0 ) P̂ − p0
P̂ ∼ N (p0 , )⇒Z= r ∼ N (0, 1)
n p0 (1 − p0 )
n
α
α = 0.05 ⇒ = 0.025 ⇒ z α2 = 1.96
2
p̂ − p0 0.042 − 0.05
z0 = r =r = −0.4496
p0 (1 − p0 ) 0.05(1 − 0.05)
n 150
−z α2 < z0 < z α
2
On est dans la zone d’acceptation de H0 , alors la proportion des pièces défectueuses n’est
pas modifiée d’une manière significative

(
H 0 : p = p0
H1 : p > p0
20

alors la valeur zα .

P̂ − p0
Z=q ∼ N (0, 1) P(Z < zα ) = 1 − α P(Z > zα ) = α
p0 (1−p0 )
n
On calcule l’estimation p̂ de p ainsi que la valeur z0 prise par l’écart réduit Z et on prend
accepte H1 .

z0 ≤ zα acceptée rejetée
z0 ≥ zα rejetée acceptée
Interprétation :
. Si z0 ≤ zα alors l’estimation p̂ de p n’est pas loin de la valeur de référence p0 d’une
manière significative. =⇒ On accepte H0 et on rejette H1 .
. Si z0 ≥ zα alors l’estimation p̂ de p est loin de la valeur de référence p0 d’une manière
significative. =⇒ On accepte H1 et on rejette H0 .
On reste avec la même application. Le fabriquant des pièces présente une offre pour un client
et prétend que la proportion des pièces défectueuses est de 4%. Le client craint que cette
proportion soit plus élevée. Le client ne veut pas conclure la vente si le lot est de mau-
vaise qualité. Il doit prendre une décision rationnelle sur la seule base de l’observation d’un
échantillon que nous supposerons de taille n = 150. Sur la base de l’échantillon sélectionné
par le fabriquant et le client, ils ont trouvé que p̂ = 0.048. Au seuil de signification 5%, le
client va-t-il conclure la vente ou il va renoncer à l’offre ?
Réponse :
21
H0 : p = 0.04
H1 : p > 0.04

On a n = 150 > 30 , n ∗ p0 = 150 ∗ 0.04 = 6 > 5 et n ∗ (1 − p0 ) = 150 ∗ 0.96 = 144 > 5 on a
r
p0 (1 − p0 ) P̂ − p0
P̂ ∼ N (p0 , )⇒Z= r ∼ N (0, 1)
n p0 (1 − p0 )
n

On détermine zα à partir du tableau de la loi normale centrée réduite,
α = 0.05 ⇒ zα = 1.64
p̂ − p0 0.048 − 0.04
z0 = r =r = 0.5
p0 (1 − p0 ) 0.04(1 − 0.04)
n 150
z0 < zα
On est dans la zone d’acceptation de H0 , alors la valeur de la proportion n’est pas plus
élevée que celle prétendue par le fabriquant et donc le client pourra conclure cette offre.

(
H 0 : p = p0
H1 : p < p0

alors la valeur zα .
22
P̂ − p0
Z=q ∼ N (0, 1) P(Z > −zα ) = 1 − α P(Z < −zα ) = α
p0 (1−p0 )
n

On calcule l’estimation p̂ de p ainsi que la valeur z0 prise par l’écart réduit Z et on prend
accepte H1 .
z0 ≥ −zα acceptée rejetée
z0 ≤ −zα rejetée acceptée
Interprétation :
. Si z0 ≥ −zα alors l’estimation p̂ de p n’est pas loin du valeur de référence p0 d’une
manière significative. =⇒ On accepte H0 et on rejette H1 .
. Si z0 ≤ −zα alors l’estimation p̂ de p est loin du valeur de référence p0 d’une manière
significative. =⇒ On accepte H1 et on rejette H0
On reste avec la même application. Le chargé de la qualité de la chaine de production prétend
que cette proportion est de 6%.
Le directeur technique de l’usine doute de cette proportion qu’il estime relativement élevée.
Il pense que cette proportion est moins faible. Pour s’assurer du résultat de l’employé, le
directeur technique choisit au hasard un échantillon de taille n = 150.
Sur la base de l’échantillon choisi, le directeur touve que la proportion des pièces défectueuses
est égale à p̂ = 0.04. Au seuil de signification α = 5%, le directeur a-t-il raison ?
Réponse :

H0 : p = 0.06
H1 : p < 0.06

On a n = 150 > 30 , n ∗ p0 = 150 ∗ 0.06 = 9 > 5 et n ∗ (1 − p0 ) = 150 ∗ 0.94 = 141 > 5 on a
r
p0 (1 − p0 ) P̂ − p0
P̂ ∼ N (p0 , )⇒Z= r ∼ N (0, 1)
n p0 (1 − p0 )
n
23
On détermine zα à partir du tableau de la loi normale centrée réduite,
α = 0.05 ⇒ zα = 1.64
On calcule z0 prise par Z
p̂ − p0 0.04 − 0.06
z0 = r =r = −1.031
p0 (1 − p0 ) 0.06(1 − 0.06)
n 150
z0 > −zα
On est dans la zone d’acceptation de H0 , alors la proportion des pièces défectueuses n’est
pas inférieure à 0.06 d’une manière significative, le directeur n’a pas raison
24

Tests D'hypothèses - Version Corrigée

Transféré par

Droits d'auteur :

Formats disponibles

Tests D'hypothèses - Version Corrigée

Transféré par

Informations du document

Titre original

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 D'hypothèses - Version Corrigée

Transféré par

Droits d'auteur :

Formats disponibles

Module : Techniques d’estimation pour l’ingénieur Classe : 3ème année

Tests d’hypothèses paramétriques

”Les nouveaux moteurs apportent-ils une amélioration statistiquement

• H0 : Hypothèse de référence (Hypothèse nulle)

Une hypothèse statistique est une affirmation concernant :

Test paramétrique Test non paramétrique

Types des tests d’hypothèses paramétriques

Exemple 1 : Revenons à l’activité introductive, formuler le test d’hypothèses paramétriques.

Réponse : un test d’hypothèses unilatérale à droite

Les étapes d’un test d’hypothèses paramétriques :

◦ Précision des conditions du test : distribution de la population, la taille de l’échantillon...

Étape 3 : Détermination des régions critiques.

Étape 4 : Prise de décision : On a deux décisions possibles :

2 Test d’hypothèses sur la moyenne :

2.1 Test d’hypothèses bilatéral :

Étape 2 : Détermination de la variable de décision et de l’écart réduit.

. Estimateur de µ : On détermine l’estimateur qui convient pour ce test. L’estimateur

. Distribution de X n : On passe à déterminer la loi de X n .

n ≥ 30 & Population de loi quelconque de moyenne µ et de variance σ 2

Étape 3 : Détermination des régions critiques

On détermine les valeurs critiques de l’écart réduit au seuil de signification α. On impose

Ecart réduit Zone d’acceptation de H0 Zone de rejet de H0

Étape 4 : Prise de décision.

1. Étape 1 : Choix d’hypothèses

Étape 2 : Variable de décision et écart réduit.

Étape 3 :Régions critiques.

On est dans la zone d’acceptation de H0 , alors le modèle de fabrication n’est pas

Étape 2 : Variable de décision et écart réduit.

Étape 3 :Régions critiques.

On calcule la valeur z0 prise par Z

On est dans la zone de rejet de H0 et acceptation de H1 , alors le modèle de fabri-

Étape 2 : Détermination de la variable de décision et calcul de l’écart réduit. On reprend

Ecart réduit Zone d’acceptation de H0 Zone de rejet de H0

Étape 4 : Prise de décision.

Étape 1 : Choix d’hypothèses

Étape 2 : Variable de décision et écart réduit.

Étape 3 :Régions critiques.

On calcule la valeur t0 prise par T

On est dans la zone d’acceptation de H0 , alors la moyenne de la population n’est pas

2.3 Test unilatéarl à gauche

Étape 2 : Détermination de la variable de décision et calcul de l’écart réduit. On reprend

Étape 3 : Détermination des régions critiques

On détermine les valeurs critiques de l’écart réduit au seuil de signification α. On détermine

Ecart réduit Zone d’acceptation de H0 Zone de rejet de H0

Étape 4 : Prise de décision.

Étape 1 : Choix d’hypothèses (

Étape 2 : Variable de décision et écart réduit.

On calcule la valeur t0 prise par T

3 Test d’hypothèses sur la variance :

3.1 Test bilatéral :

Étape 2 : Détermination de la variable de décision et de l’écart réduit.

. Estimateur de σ 2 : On détermine l’estimateur qui convient pour ce test. On va

Étape 3 : Détermination des régions critiques

On détermine les valeurs critiques de l’écart réduit au seuil de signification α.

Ecart réduit Zone d’acceptation de H0 Zone de rejet de H0

Étape 4 : Prise de décision.

Ecart réduit calculé H0 H1

pas loin du valeur de référence σ02 d’une manière significative. =⇒ On accepte H0 et

s2 de σ 2 est loin du valeur de référence σ02 d’une manière significative.=⇒ On accepte