Chapitre 0

Introduction aux tests statistiques

0.1 Principe général et dénitions
L'objectif d'un test statistique est toujours de trancher entre deux hypothèses antagonistes. Le première est
appelée hypothèse nulle et est notée H0 . La seconde, appelée hypothèse alternative est notée H1 . En pratique,
H0 est l'hypothèse qu'on cherche à réfuter et qui est considérée vraie tant qu'on n'a pas démontré le contraire.
L'hypothèse alternative H1 est l'hypothèse contraire à H0 et est celle qu'on cherche à démontrer. A l'issue d'un
test, on aboutit à l'une des deux décisions suivantes :

 non-rejet de H0 ;
 rejet de H0 .

Exemple 43 Lors d'un procés, l'accusé est présumé innocent et il le sera tant qu'on n'aura pas réuni assez de
pruves pour prouver le contraire. Dans ce cas, on a
 H0 : la personne est innocente ;
 H1 : la personne est coupable.
A l'issu du procès, on va soit décider qu'on n'a pas assez d'éléments pour prouver que la personne est coupable,
on la considère donc innocente (sans savoir qu'elle l'est réellement), on ne rejette donc pas H0 . Dans le cas
contraire, on a assez d'éléments pour prouver sa culpabilité, on va donc rejeter H0 .

Lors de la prise de décision d'un test, on peut faire diérentes erreurs, dont il faut mesurer la probabilité.

Dénition 61 (Erreurs et Puissance)  L'erreur de première espèce est la décision de rejeter H0 alors
que H0 est vraie. La probabilité de commettre cette erreur, notée α s'appelle le risque de première espèce
ou le seuil du test.
 L'erreur de second espèce est la décision de ne pas rejeter H0 alors que H1 est vraie. La probabilité de
commettre cette erreur, notée β , s'appelle le risque de deuxième espèce.
 La puissance d'un test, notée γ , est la probabilité de rejeter H0 , quand cette cette hypothèse est fausse.

Supposons qu'on dispose d'un échantillon issu d'une loi parente X . La mécanique d'un test s'articule autour
de plusieurs étapes :

 On formule les hypothèses H0 et H1 ;

 On choisit un seuil pour l'erreur de 1er espèce α (1%, 5% ou 10%).
 On détermine la variable de décision Z, qui est une statistique (et donc une variable aléatoire) dont on
connait la loi si H0 est vraie.
 On calcule la région critique ou région de rejet W qui est l'ensemble des valeurs Z qui conduiront à rejeter
H0 . Ainsi, W est déterminé par l'équation

α = P(Z ∈ W avec H0 vraie) .

Le complémentaire de W est appelée région d'acceptation. Les points de jonction entre les deux régions
sont les points critiques.
 On calcule la valeur de Z à partir de l'observation de l'échantillon.
 Conclusion du test : acceptation ou rejet de H0 selon que la valeur de Z est ou n'est pas dans la région
d'acceptation.

39
40 CHAPITRE 5. INTRODUCTION AUX TESTS STATISTIQUES

0.2 Exemple
0.2.1 Choixdes hypothèses
Exemple 44 Atelier. Temps d'assemblage d'un ensemble de pièces. Deux contremaitres, deux mesures dié-
rentes. Premier contremaitre A : temps moyen (µ) = 10min. Deuxième contremaitre B : temps moyen (µ) =
10,8min.
 Pour le contremaitre A, le test à poser est
(
H0 : µ = 10
H1 : µ = 10, 8

En eet, le contremaitre A pensant qu'il a raison par rapport au contremaitre B, il faut lui démontrer
qu'il a tort pour rejeter son hypothèse. Le test doit donc avoir comme conclusion : rejet ou non rejet de H0 .

 Pour le contremaitre B, pour les mêmes raisons le test à poser est

(
H0 : µ = 10, 8
H1 : µ = 10

Exemple 45 Un fabricant de cordes prétend que la tension moyenne (µ) de rupture de sa corde haut de gamme
spécialement conçue pour le canyonning est de 2800kg. Pour des raisons de sécurité, il faut vérier que la tension
moyenne µ de rupture n'est pas inférieure à 2800kg. On pose le test suivant :
(
H0 : µ = 2800
H1 : µ < 2800

Quel est ici le risque à minimiser ?

Exemple 46 On veut tester l'ecacité d'un traitement médical. On dispose d'une population qu'on va séparer
en deux :
 La population A à laquelle on va administrer le médicament ;
 la population B à laquelle on va administrer un placébo (i.e. un médicament sans eet).
Dans les deux populations, on va s'intéresser au nombre de personnes guéries (µA et µB resp.) Deux entités
veulent tester l'ecacité du médicament : le laboratoire qui a fabriqué ce produit et l'agence de sécurité sanitaire.
Le laboratoire veut commercialiser le produit donc tant qu'on n'aura pas prouver que son médicament n'est pas
moins ecace que le placebo, il pourra le commercialiser. Il va donc poser :
(
H0 : µA = µB
H1 : µA < µB

L'erreur que veut éviter le laboratoire est d'accepter H1 ( ne pas commercialiser le produit) alors que H0 est
vraie (et qu'il autait pu commercialiser le produit), soit le risque de type I.

L'agence de sécurité sanitaire a un nobjectif diérent. Il veut vérier que le médicament est bien ecace. Il
va donc partir de l'hypothèse que le médicament n'a pas d'eet et il faudra prouver que le médicament est
ecace pour qu'il autorise la commercialisation. Il va donc poser :
(
H0 : µA = µB
H1 : µA > µB

L'erreur que veut éviter l'agence de sécurité sanitaire est d'accepter H1 ( commercialiser le produit) alors que
H0 est vraie (le médicament n'a pas d'eet), soit le risque de type I.

0.2.2 Le test en lui-même

• Choix des hypothèses. Reprenons l'exemple du temps d'assemblage et plaçons nous à la place du contre-
maitre A. On va faire l'hypothèse que la variable aléatoire temps d'assemblage X suit une loi normale
de paramètre µ et σ 2 = 4. On va réaliser le test suivant :
(
H0 : µ = 10
H1 : µ = 10, 8

Sous H0 , on a donc X ∼ N (10, 4) et sous H1 , X ∼ N (10.8, 4).

5.2. EXEMPLES 41

• Choix du seuil. Il faut choisir le seuil pour l'erreur du 1er espèce, i.e. pour l'erreur "Rejeter H0 alors qu'elle
est vraie". Fixons ici α = 2, 5%.
• Construction de la variable de décision. Supposons qu'on dispose d'un n = 100-échantillon issu de X :
(X1 , . . . , Xn ). On s'intéresse à la moyenne
Pn µ. On va donc se baser sur la moyenne empirique pour baser
notre décision. On prend donc X̄n = n1 i=1 Xi . Sous H0 , on sait que

X̄n ∼ N (µ = 10; σ 2 /n = 4/100 = 0, 04) .

Par contre, sous H1 on aurait :

X̄n ∼ N (µ = 10, 8; σ 2 /n = 4/100 = 0, 04) .

(Figure 11.1 Tribout) + Rappel : pour une loi normale de paramètre µ et σ2 , on a P(µ − 2σ ≤ X ≤
µ + 2σ) ≈ 95% donc P(µ − 2σ ≤ X) = P(X ≤ µ + 2σ) ≈ 2, 5% car la densité de X est symétrique en µ.
On voit donc que
 La probabilité que la moyenne empirique prenne une valeur supérieure à 10, 4 vaut environ 2, 5% si H0
est vraie.
 En revanche, si H1 est vraie, cette probablité est d'environ 97, 5%.
Ainsi, siX̄100 prend une réalisation supérieure à 10, 4, il est peu probable (moins de 2, 5% de chance) que
l'espérance µ soit seulement égale à 10, on rejettera donc H0 sachant qu'il y a 2, 5% de chance que µ soit
eectivement égale à 10 donc on a bien α = 2, 5%.

• Construction de la région de rejet W . Jusqu'à maintenant, on a calculé la valeur limite de manière ap-
proximative. Calculons la valeur limite cr de manière exacte. On cherche donc cr tel que, sous H0 ,

P(X̄100 > cr ) = 0, 025

 
X̄100 − 10 cr − 10
⇔ P > = 0, 025 car sous H0 , X̄100 ∼ N (10; 0, 04)
0, 2 0, 2
 
cr − 10
⇔P Z> = 0, 025 avec ZN (0, 1)
0, 2
cr − 10
⇔ = z97,5% avec z97,5% : quantile d'ordre 97, 5% d'une N (0, 1)
0, 2
cr − 10
⇔ = 1, 96 ⇔ cr = 10, 392
0, 2

La règle de décision est donc la suivante : si la réalisation de X̄1 00 est supérieure à10, 392, on rejette H0 ,
sinon on ne rejette pas H0 . On a donc W la région de rejet qui est W = [10, 392; +∞[ et 10, 392 est une
valeure critique.

• Calcul de X̄100 et prise de décision Supposons X̄100 = 10, 24 < 10, 392. On ne rejette pas H0 , i.e. qu'on
suppose que l contremaitre A n'a pas tort, mais a-t-il raison ?

• Calcul du risque de second espèce et de la puissance de test Si on veut calculer le risque de second
espèce, il faut calculer la probablité de ne pas rejeter H0 alors que H1 est vraie. Pour cela, il faut connaitre
la loi de X̄100 sous H1 , ce qui est le cas ici. Attention, c'est rarement le cas ! On doit calculer

P(X̄100 ≤ 10, 39) sachant que X̄100 ∼ N (10, 8; 0, 04)

 
X̄100 − 10, 8 10, 392 − 10, 8
= P ≤
0, 2 0, 2
= P (Z ≤ −2, 04) avec Z ∼ N (0, 1)
= 0, 0207 = 2, 07%

On a donc β = 2, 07%, i.e. qu'on a 2, 7% de chance de ne pas rejeter H0 alors que H1 est vraie.
On peut obtenir directement la puissance du test γ, puisque γ = 1 − β = 97, 93%.