Tests

d'hypothèse
Louis Paluku SABUNI, BSc, MSc, PhD & Post-Doc.
 Introduction
• Une hypothèse est une supposition, une croyance ou une opinion qui peut être vraie ou
non. Par exemple, on peut penser qu'un médicament donné guérit 90% des patients qui le
prennent ou que la taille moyenne des soldats dans l'armée est de 168 cm.
• Le test d'une hypothèse statistique est le processus par lequel cette croyance ou opinion
est testée par des moyens statistiques. Cela signifie que le test d'une hypothèse est une
procédure qui permet de décider, sur la base d'informations obtenues à partir de données
d'échantillonnage, d'accepter ou de rejeter une déclaration ou une hypothèse sur la valeur
d'un paramètre de population.
• Nous acceptons l'hypothèse comme étant vraie, lorsqu'elle est appuyée par un échantillon de données.
Nous rejetons l'hypothèse lorsque les données de l'échantillon ne la soutiennent pas.
• Le test d'hypothèse est la technique la plus importante dans l'inférence statistique. Ces tests sont
largement utilisés en santé publique et en médecine pour prendre des décisions.
• Il est important de comprendre ce que nous entendons par les termes rejeter et accepter
dans le test d'hypothèse.
• Le rejet d'une hypothèse est de la déclarer fausse.
• L'acceptation d'une hypothèse revient à conclure qu'il n'y a pas suffisamment de preuves à rejeter.
• N.B. L'acceptation ne signifie pas nécessairement que l'hypothèse est vraie.
• Les concepts de base associés aux tests d'hypothèses sont discutés ci-dessous.
 Hypothèse nulle et alternative
• Une hypothèse nulle, généralement désignée par le symbole Ho, est
toute hypothèse qui doit être testée pour un rejet ou une annulation
possible sous l'hypothèse qu'elle est vraie. Une hypothèse nulle doit
toujours être précise, comme «la pièce donnée est impartiale» ou «un
médicament est inefficace pour guérir une maladie particulière» ou «il n'y
a pas de différence entre les deux méthodes d'enseignement».
• L'hypothèse NULLE reçoit généralement une valeur numérique. Par exemple,
supposons que nous pensons que la taille moyenne des étudiants dans tous les
collèges est de 150 cm. Cette affirmation est prise comme hypothèse et s'écrit
symboliquement comme Ho: µ = 150 cm. En termes d'ordre, nous émettons
l'hypothèse que µ = 150 cm.
• L'hypothèse alternative est toute autre hypothèse que nous acceptons
l'hypothèse nulle Ho est rejetée. Il est désigné par H1 ou HA. Une hypothèse
nulle est ainsi testée par rapport à une autre hypothèse. Par exemple, si
notre hypothèse nulle est Ho: µ = 150 cm, alors notre alternative peut être:
• H1: µ ≠150 cm ou H1: µ > 150 cm ou H1: µ < 150 cm.
 Hypothèse simple et composite
• Une hypothèse statistique est dite simple si elle spécifie
complètement les valeurs des paramètres. Par exemple, si nous
émettons l'hypothèse que µ = 150 cm ou p = 0,4, nous avons alors
émis une hypothèse simple.

• Si une hypothèse n'est pas simple (c'est-à-dire une fonction des

données d'échantillon ne contenant aucun paramètre), elle est
appelée hypothèse composite. Par exemple, si nous supposons que µ
> 150 cm, l'hypothèse est composite car elle n'attribue pas de valeur
spécifique au paramètre µ. Évidemment, le paramètre u a plus d'une
valeur.
 Test Statistiques
• Une statistique (c'est-à-dire une fonction des données d'échantillon
ne contenant aucun paramètre), qui fournit une base pour tester une
hypothèse nulle, est appelée un test statistique.
• Chaque test statistique a une distribution de probabilité (d'échantillonnage)
qui donne la probabilité d'obtenir une valeur spécifiée du test statistique
lorsque l'hypothèse nulle est vraie.
• Il est important de se rappeler qu'un test statistique ne prouve pas
que l'hypothèse est correcte, mais elle fournit une preuve contre
l'hypothèse.
• Les tests statistiques les plus couramment utilisées sont Z, t, X² ou F.
Régions d'acceptation ou de rejet
• Toutes les valeurs possibles qu'un test statistique peuvent être
divisées en deux groupes mutuellement exclusifs:
• Un groupe composé de valeurs qui semblent cohérentes avec l'hypothèse
nulle et
• L'autre ayant des valeurs qui conduisent au rejet de l'hypothèse nulle.
• Le premier groupe est appelé région d'acceptation et
• Le deuxième ensemble de valeurs est connu comme région de rejet pour un test. La
région de rejet est également appelée région critique.
• Les valeurs qui séparent la région critique de la région d'acceptation
sont appelées valeurs critiques. La valeur critique, qui peut être
dans les mêmes unités que le paramètre ou dans les unités
standardisées, doit être décidée par le testeur en tenant compte du
degré de confiance qu'il souhaite avoir dans l'hypothèse nulle.
 Erreurs de type I et de type II
• Lors du test d'hypothèse, deux types d'erreurs sont
susceptibles de se produire. Sur la base d'un échantillon
d'informations:
• Nous pouvons rejeter une hypothèse nulle Ho, lorsqu'elle est
vraie, ou
• Nous pouvons accepter une hypothèse nulle Ho, lorsqu'elle est
en fait fausse.
• Le premier type est appelé une erreur du premier type ou
une erreur de type I, tandis que le second, une erreur du
deuxième type ou une erreur de type II.
• Ces deux types d'erreur peuvent être affichés sous forme de tableau
comme ci-dessous:
 Erreurs de type I et de type II
REJETTER Ho (OU
DECISION ACCEPTER Ho
ACCEPTER H1)

DECISION CORRECTE FAUSSE DECISION (ERREUR

Ho EST VRAIE
(PAS D’ERREUR) DE TYPE I)

FAUSSE DECISION DECISION CORRECTE

H1 EST FAUSSE
(ERREUR DE TYPE II) (PAS D’ERREUR)
 Erreurs de type I et de type II
• Une analogie juridique aidera à comprendre la différence entre les
erreurs de type I et de type II.
• Dans un procès, la supposition de La loi est que l'accusé est innocent. Cette
supposition d'innocence peut être considérée comme une sorte d'hypothèse
nulle Ho qui doit être rejetée ou acceptée. Après avoir entendu les preuves
présentées lors du procès, le juge arrive à une décision. Supposons que
l'accusé en fait, innocent (c'est-à-dire Ho est vrai), mais la conclusion du juge
est coupable. Le juge a rejeté une véritable hypothèse nulle et, ce faisant, a
commis une erreur de type I. Si, en revanche, l'accusé est en fait coupable
(c'est-à-dire Ho est faux) et que la conclusion du juge est innocente, le juge a
accepté une hypothèse fausse et en acceptant une fausse hypothèse, il a
commis une erreur de type II.
• Ces situations peuvent être résumées comme suit:
• L'hypothèse est vraie mais notre test la rejette.
• L'hypothèse est fausse mais notre test l'accepte.
• L'hypothèse est vraie et notre test l'accepte.
• L'hypothèse est fausse et notre test la rejette.
 Erreurs de type I et de type II
• De toute évidence, les deux premières possibilités conduisent à des
erreurs. Si nous rejetons une hypothèse alors qu'elle devrait être acceptée
(possibilité no 1), nous disons que l'erreur de type I a été commise.
• En revanche, si nous acceptons une hypothèse quand elle doit être rejetée
(possibilité n° 2), nous disons qu'une erreur de type II a été commise.
• => Dans les deux cas, une mauvaise décision ou une erreur de jugement s'est
produite.
• La probabilité de commettre une erreur de type I est classiquement désignée par la
lettre grecque α (alpha) et celle de commettre une erreur de type II est indiquée par
β (bêta).
• Ainsi, α est la probabilité de rejeter Ho lorsque Ho est vrai et β est la
probabilité d'accepter Ho lorsque H1 est faux (c'est-à-dire que H1 est vrai).
• En symbole, nous pouvons écrire:
• α = P (erreur de type I) = P (rejeter Ho -> Ho est vrai)
• β = P (erreur de type II) = P (accepter Ho -> Ho est faux).
 Erreurs de type I et de type II
• Les probabilités de α et β sont l'ombre
et les zones en pointillés,
respectivement de la distribution sous
l'hypothèse nulle et sous l'hypothèse
alternative.
• Lorsque notre hypothèse nulle Ho est
vraie, alors toute valeur supérieure ou
égale à C (le point critique) constitue la
région de rejet égale à α (unilatérale).
 Erreurs de type I et de type II
• C'est un est associée à des valeurs extrêmes de la distribution µo. Les
valeurs couramment utilisées de α sont 0,05 et 0,01. D'autre part, β
est associé à la zone sous la distribution µ1 dans la région
d'acceptation établie à partir de la distribution µo. La probabilité
d'accepter Ho lorsque H1 est vrai, c'est-à-dire β, dépend donc à la fois
de l'hypothèse nulle Ho et de l'alternative H1.
• Afin de déterminer β (la probabilité d'erreur de type II), nous avons
besoin de α (la probabilité d'erreur de type I) et les valeurs de µo et
µ1. Quand α devient plus petit, β tend à devenir plus grand et quand
α devient plus grand, β a tendance à devenir plus petit.
• Il existe donc une relation inverse entre α et β. Nous pouvons
diminuer à la fois α et β, en augmentant la taille de l'échantillon.
 NIVEAU DE SIGNIFICATION
• Le niveau de signification d'un test est la probabilité utilisée comme
norme pour rejeter une hypothèse nulle Ho lorsque Ho est supposé
être vrai. Cette probabilité est égale à une petite valeur pré-attribuée,
classiquement désignée par α.
• La valeur α est également connue comme la taille de la région
critique. Il est à noter que le niveau de signification et la probabilité
d'erreur de type I sont équivalents. Les valeurs les plus fréquemment
utilisées de α, le Niveau de Signification, sont 0,05 et 0,01, c'est-à-
dire 5 pour cent et 1 pour cent. Par α = 5%, nous voulons dire qu'il y a
environ 5 chances sur 100 de rejeter incorrectement une hypothèse
nulle vraie, d'une autre manière, nous disons que nous sommes sûrs
à 95% de prendre la bonne décision.
 Test de signification
• Un test de signification est une règle ou une procédure par laquelle les
résultats de l'échantillon sont utilisés pour décider d'accepter ou de rejeter
une hypothèse nulle.
• Une telle procédure est généralement basée sur une statistique de test et la
distribution d'échantillonnage d'une telle statistique sous Ho.
• Une valeur de la statistique est dite statistiquement significative lorsque la
probabilité de son occurrence sous Ho est égale ou inférieure au niveau de
signification de α, c'est-à-dire que la valeur tombe dans la région de rejet.
• Dans ce cas, Ho est rejeté.
• Si en revanche la valeur tombe dans la zone d'acceptation, elle est dite
statistiquement non significative.
• Dans ce cas, Ho peut être accepté.
• Il existe deux qualités souhaitables pour une signification de test.
• Premièrement, lorsque l'hypothèse nulle est réellement vraie, elle doit avoir une
faible probabilité de rejeter Ho et
• deuxièmement, lorsque Ho est réellement fausse, elle doit avoir une forte
probabilité de rejeter Ho. Il est à noter que le mot significatif est utilisé dans un
sens particulier.
 Tests unilatéraux et bilatéraux.
• Fondamentalement, il existe trois types de problèmes dans le test
d'hypothèse. Ils incluent:
• Test à deux queues
• Test à droite et,
• Test de gauche.
• Le test bilatéral est celui où l'hypothèse concernant la moyenne de la
population est rejetée pour la valeur de ẍ tombant dans l'une ou
l'autre queue de la distribution d'échantillonnage. Lorsque
l'hypothèse concernant la moyenne de la population est rejetée
uniquement pour ẍ tombant dans l'une des queues de la distribution
d'échantillonnage, elle est alors appelée test unilatéral. S'il s'agit de
la queue droite, il est appelé test unilatéral droit ou alternative
unilatérale à droite et s'il se trouve sur la queue gauche, il s'agit
d'une alternative unilatérale à gauche et appelé test unilatéral
gauche.
 Tests unilatéraux et bilatéraux.
• Par exemple:
• Ho: µ = 100 testé contre H1: µ > 100 ou <100 est un test unilatéral puisque H1
spécifie que µ se trouve du côté particulier de 100.

• La même hypothèse nulle testée contre H1: µ ≠100 est un deux test réduit car
µ peut être de chaque côté de 100. Les schémas suivants le rendraient plus
clair.
 Qu'est-ce qu'un test bilatéral?
• Tout d'abord, commençons par la signification d'un test
bilatéral. Si vous utilisez un niveau de signification de
0,05, un test bilatéral attribue la moitié de votre alpha
pour tester la signification statistique dans une direction
et la moitié de votre alpha pour tester la signification
statistique dans l'autre direction. Cela signifie que 0,025
se trouve dans chaque queue de la distribution de votre
statistique de test. Lorsque vous utilisez un test bilatéral,
quelle que soit la direction de la relation que vous
supposez, vous testez la possibilité de la relation dans les
deux directions. Par exemple, nous pouvons souhaiter
comparer la moyenne d'un échantillon à une valeur
donnée x en utilisant un test t. Notre hypothèse nulle est
que la moyenne est égale à x. Un test bilatéral testera à
la fois si la moyenne est significativement supérieure à x
et si la moyenne est significativement inférieure à x. La
moyenne est considérée comme significativement
différente de x si la statistique de test se situe dans les
2,5% supérieurs ou 2,5% inférieurs de sa distribution de
probabilité, ce qui donne une valeur de p inférieure à
0,05.
 Qu'est-ce qu'un test unilatéral?
• Ensuite, discutons de la signification d'un test unilatéral:
• Si vous utilisez un niveau de signification de 0,05, un test
unilatéral alloue tout votre alpha pour tester la
signification statistique dans la seule direction qui vous
intéresse. Cela signifie que 0,05 se trouve dans une queue
de la distribution de votre statistique de test. Lorsque vous
utilisez un test unilatéral, vous testez la possibilité d'une
relation dans une direction et vous ignorez complètement
la possibilité d'une relation dans l'autre direction.
Revenons à notre exemple comparant la moyenne d'un
échantillon à une valeur donnée x à l'aide d'un test t.
Notre hypothèse nulle est que la moyenne est égale à x.
Un test unilatéral testera si la moyenne est
significativement supérieure à x ou si la moyenne est
significativement inférieure à x, mais pas les deux. Ensuite,
selon la queue choisie, la moyenne est significativement
supérieure ou inférieure à x si la statistique de test se situe
dans les 5% supérieurs de sa distribution de probabilité ou
dans les 5% inférieurs de sa distribution de probabilité, ce
qui donne une valeur de p inférieure à 0,05. Le test
unilatéral fournit plus de puissance pour détecter un effet
dans une direction en ne testant pas l'effet dans l'autre
direction. Une discussion de quand cela est une option
appropriée suit.
 Qu'est-ce qu'un test unilatéral?
• Quand un test unilatéral est-il approprié?
• Étant donné que le test unilatéral fournit plus de puissance pour
détecter un effet, vous pouvez être tenté d'utiliser un test unilatéral
chaque fois que vous avez une hypothèse sur la direction d'un effet.
Avant de le faire, considérez les conséquences de manquer un effet
dans l'autre sens. Imaginez que vous avez développé un nouveau
médicament qui, selon vous, est une amélioration par rapport à un
médicament existant. Vous souhaitez maximiser votre capacité à
détecter l'amélioration, vous optez donc pour un test unilatéral. Ce
faisant, vous ne testez pas la possibilité que le nouveau médicament
soit moins efficace que le médicament existant. Les conséquences dans
cet exemple sont extrêmes, mais elles illustrent le danger d'une
utilisation inappropriée d'un test unilatéral.
• Alors, quand un test unilatéral est-il approprié? Si vous considérez les
conséquences de manquer un effet dans la direction non testée et
concluez qu'elles sont négligeables et nullement irresponsables ou
contraires à l'éthique, alors vous pouvez procéder à un test unilatéral.
Par exemple, imaginez à nouveau que vous avez développé un nouveau
médicament. Il est moins cher que le médicament existant et, selon
vous, non moins efficace. En testant ce médicament, vous n'êtes
intéressé par le test que s'il est moins efficace que le médicament
existant. Vous ne vous souciez pas si c'est beaucoup plus efficace. Vous
souhaitez seulement montrer qu'elle n'est pas moins efficace. Dans ce
scénario, un test unilatéral serait approprié.
• Quand un test unilatéral n'est-il PAS approprié?
• Le choix d'un test unilatéral dans le seul but d'atteindre la signification
n'est pas approprié. Le choix d'un test unilatéral après avoir exécuté un
test bilatéral qui n'a pas rejeté l'hypothèse nulle n'est pas approprié,
quelle que soit la «proximité» de l'importance du test bilatéral.
L'utilisation inappropriée de tests statistiques peut conduire à des
résultats invalides qui ne sont pas reproductibles et très discutables -
un prix élevé à payer pour une étoile d'importance dans votre tableau
de résultats!
 Tests unilatéraux et bilatéraux.
• Le tableau suivant donne les
valeurs critiques de Z pour les Niveau de signification 0.10 0.05 0.01 0.005 0.0002

tests unilatéraux et bilatéraux Valeur critique de Z -1.28 -1.650 -2.33 -2.58 -2.88
à divers degrés de pour test unilatéral ou
1.28
ou
1.650
ou
2.33
ou
2.58
Ou
2.88
signification. Valeur critique de Z -1.645 -1.96 2.58 -2.81 -3.08
pour test bilatéral ou ou ou ou ou
1.645 1.96 2.58 2.81 3.08
• Remarque:
• Pour les valeurs critiques de Z
pour les autres niveaux de
signification, consultez le
tableau des courbes normales.
 Tests d'hypothèse concernant les
grands échantillons
• Bien qu'il soit difficile de tracer une ligne de démarcation claire entre les
grands et les petits échantillons, il est généralement admis que si la taille
de l'échantillon dépasse 30, il doit être considéré comme un grand
échantillon. Les tests de signification utilisés pour les grands échantillons
sont différents de ceux utilisés pour les petits échantillons, car les
hypothèses que nous faisons dans le cas de gros échantillons ne sont pas
valables pour les petits échantillons. Les tests d'hypothèse impliquant de
grands échantillons sont basés sur les hypothèses suivantes:
• La distribution d'échantillonnage des statistiques est approximativement normale,
• Les valeurs données par les échantillons sont suffisamment proches de la valeur de la
population et peuvent être utilisées à sa place pour l'erreur type de l'estimation.
• Ainsi, nous avons vu que la distribution normale joue un rôle vital dans les
tests d'hypothèse basés sur de grands échantillons (théorème central
limite).
 Test de l'hypothèse sur la
moyenne de la population
• Pour tester les hypothèses sur la moyenne de la population, la
procédure suivante est adoptée:
• Énoncer l'hypothèse nulle selon laquelle il n'y a pas de contradiction entre la
moyenne de l'échantillon et la moyenne de la population.
• Trouver l'erreur standard de la moyenne en utilisant la formule: σẍ = σx/ 𝑛.
• Calculer les limites dans lesquelles la moyenne de l'échantillon tombera à des
niveaux de confiance de 95% ou 99% si la moyenne de la population est vraie.
• Découvrez si la moyenne de l'échantillon se situe ou non dans ces limites. Si la
moyenne de l'échantillon se situe dans ces limites, l'hypothèse nulle est
acceptée sinon, elle est rejetée.
Exemple 1.
• La durée de vie moyenne d'un échantillon de 100 tubes lumineux produits par
une entreprise est de 1 570 heures avec un écart type de 80 heures. Testez
l'hypothèse que la durée de vie moyenne des tubes produits par l'entreprise est
de 1 600 heures.
• Solution:
• Ho: µ = 1600
• H1: µ ≠ 1600
• À un niveau de confiance de 95%:
• Moyenne de la population = moyenne de l'échantillon +/- 1,96 (σẍ).
• σẍ = σẍ / 𝑛 = 80 / 100 = 8.
• La population doit se situer entre la fourchette suivante:
• 1570 +/- 1,96 (8)
• 1570 +/- 15,7
• 1554,3 à 1585,7
• Comme la population moyenne de 1600 se situe en dehors de ces limites,
l'hypothèse nulle est rejetée.
 Méthode alternative
• L'approche suivante peut également être utilisée pour arriver à la même
conclusion. L'hypothèse nulle est qu'il n'y a pas de différence entre la moyenne
de l'échantillon et la moyenne hypothétique de la population, c'est-à-dire Ho: µ =
µo et H1: µ ≠ µo.
• z = ẍ-µ / σẍ, où σẍ = s / 𝑛 [puisque σ est inconnu pour les grands échantillons].

• z = 1570 - 1600 / 80 100 = -3,75

• La valeur critique de z = ± 1,96 pour un test bilatéral à un niveau de signification

de 5%. Puisque la valeur calculée de z = - 3,75 tombe dans la région de rejet, nous
rejetons l'hypothèse. Par conséquent, la durée de vie moyenne des tubes
produits par la société n'est pas nécessairement de 1600 heures.
• Au niveau de signification de 0,5 et avec un test bilatéral.
• Valeurs z critiques = ± 1,96.
 Exemple 2:
• Un responsable de la protection de l'enfance affirme que le sommeil
moyen des jeunes bébés est de 14 heures par jour. Un échantillon aléatoire
de 64 bébés montre que leur sommeil moyen n'était que de 14 heures 20
minutes, avec un écart type de 3 heures. À un niveau de signification de
5%, testez l'affirmation selon laquelle le sommeil moyen des bébés est
inférieur à 14 heures par jour.
• Solution:
• Ho = µ = 14 heures; H1 = µ <14 heures.
• Il s'agit d'un test unilatéral car nous nous intéressons à la queue gauche de la
distribution. Dans ce cas, z doit être compris entre 1,65.
• z = ẍ-µ / σẍ = 13,5 -14 / 3 / 64 = 0,5x8 / 3 = 1,33

• À un niveau de signification de 5%, H1 est accepté, c'est-à-dire que la moyenne de la

population est inférieure à 14 heures par jour.
 Test d'hypothèse sur la
proportion de la population.
• Pour tester l'hypothèse sur la proportion de la population, la procédure
suivante est adoptée:
• a. Énoncez l'hypothèse nulle selon laquelle il n'y a pas de contradiction entre la
proportion d'échantillon et la proportion de la population.
• b. Sélectionnez le niveau de confiance sur la base d'un test à une ou deux queues.
• c. Calculez l'erreur standard de proportion en utilisant la formule suivante.
𝑝𝑞
• Erreur standard de proportion (σp) = où
𝑛
• p = proportion d'échantillon
• q = 1-p
• n = taille de l'échantillon.

• d. Calculez la valeur de: p ± Nombre approprié de σp

• e. Vérifiez où se situe la proportion d'échantillon. Si l'échantillon signifie qu'il se situe
entre les limites ci-dessus, l'hypothèse nulle est acceptée et vice versa.
 Exemple 3
• Un échantillon de 400 électeurs choisis au hasard donne une majorité de 51% au parti
politique XY. Un tel échantillon aurait-il pu être tiré d'une population avec une division
50-50 de l'opinion politique?
• Solution:
• P = 0.5
• p = 0.51
• qo = 0.5 ou Po = Population et qo = 1-po
• q = 1-0.51 = 0.49
• n = 400
• Ho: Po = 0.5
• H1: Po ≠ 0.5
𝑝𝑞 (0.5)(0.49)
• σp = = = 0.025
𝑛 400
• À un niveau de signification de 5%, la proportion d'échantillon devrait échouer dans les limites
suivantes:
• P ±1.96 (σp) = 0.50 ±1.96 (0.025) => 0.50 ±0.049 = > 0.451 a 0.549.
• Comme la proportion d'échantillon se situe entre ces limites, l'hypothèse nulle est
acceptée. Il s'agit d'un test bilatéral.
 Méthode Alternative
• L'approche suivante peut également être utilisée pour arriver à la même
conclusion:
• L'hypothèse nulle signifie qu'il n'y a pas de différence entre la proportion
d'échantillon et la proportion de la population.
• Par conséquent, la statistique:
(𝑝𝑜)(𝑞𝑜) (0.5)(0.5)
• Z = P-po/σp; σp = = = 0.025
𝑛 400
• Z = P-po/σp = 0.51 – 0.50/0.025 = -0.01/0.025 = - 0.4
• Au niveau de signification de 0,05 et avec un test à deux queues, valeur Z
critique = ±1,96.
• Pour que Ho soit accepté, c'est-à-dire que l'échantillon aurait pu être tiré
d'une population avec une division de 50 à 50 d'opinions politiques,
puisque le Zp calculé = -0,4, se situe dans la région d'acceptation
 Exemple 4
• Un commis aux ventes dans un grand magasin affirme que 60% des acheteurs qui
entrent dans le magasin partent sans faire d'achat. Un échantillon aléatoire de 50
acheteurs a montré que 35 d'entre eux sont partis sans rien acheter. Les résultats
de l'échantillon correspondent-ils à la réclamation du commis aux ventes? Utilisez
un niveau de signification de 0,05.
• Solution:
• Ho: Po = 0.6
• H1: Po ≠ 0.6
• Test: deux queues: p = 35/50 = 0.70
(𝑝𝑜)(𝑞𝑜)
• En utilisant le test statistique Z, nous avons: z = p-po/ =
𝑛
(0.6)(0.4)
• 0.70-0.60/ = 1.44
50
• Il s'agit d'un test unilatéral, la valeur critique de z est donc de 1,65 à un niveau de
confiance de 5%. Puisque la valeur calculée de z = 1,44 qui est inférieure à la
valeur critique de z = 1,65, par conséquent, l'hypothèse nulle ne peut pas être
rejetée. En conclusion, sur la base de ces échantillons de données, nous ne
pouvons pas rejeter la réclamation du vendeur.
 Tester l'hypothèse sur la
différence entre deux moyennes
• Si deux échantillons aléatoires sont prélevés, il est nécessaire de savoir si la
différence entre deux moyennes est significative ou non. La procédure
générale de ce test d'hypothèse est la même sauf que l'erreur type est
calculée sous:
• Erreur standard de la différence entre les moyennes:
σ! + σ!
• σ(ẍ1-ẍ2)=
𝑛 𝑛

• Z = ẍ1-ẍ2/σ(ẍ1-ẍ2)
• Étant donné que les écarts-types de la population ne sont pas indiqués dans la plupart
des cas, utilisez donc les d'écarts-types d’échantillons.
• À un niveau de signification de 5%, la valeur critique de Z pour bilatéral = ±1,96. Si la
valeur calculée de z est supérieure à +1,96 ou inférieure à -1,96, alors rejetez Ho.
 Exemple 5
• Vous travaillez en tant que responsable des achats pour une entreprise. Les
informations suivantes vous ont été fournies par deux fabricants d'ampoules
électriques.
• Entreprise A Entreprise B
• Durée de vie moyenne (en heures) 1.300 1.248
• Écart type (en heures) 82 93
• Taille de l'échantillon 100 100
• Quelle marque d'ampoules allez-vous acheter si vous souhaitez prendre un risque
de 5%?
• Solution:
• Prenons l'hypothèse qu'il n'y a pas de différence significative dans la qualité des ampoules,
c'est-à-dire Ho: µ1 = µ2.
!² !² $%&&'$()* +( +(
• Z = ẍ1-ẍ2/ # #
= = =
,-.()/*,.)0 $(.%00
= 4.19
!"² &'²
$%%$%%

• Puisque notre calcul de z = 4,19 est supérieur à la valeur critique de z = 1,96 (5%), nous
rejetons l'hypothèse nulle. Par conséquent, la qualité de deux marques d'ampoules diffère
considérablement.
 Exemple 6
• Un échantillon de 100 pneus de voiture a une moyenne de 20 000 milles et un écart type de 800 milles. Un
deuxième échantillon de 150 pneus a une durée de vie moyenne de 22 000 miles et un écart type de 900
miles.
• Solution:
• X1 = 20,000 n1 = 100 S1 = 800
• X2 = 22,000 n2 = 150 S2 = 900
• Hypothèse nulle (Ho): µ1 - µ2 = 0, c'est-à-dire que des échantillons ont été prélevés dans la même population.
• Alternative:
• Hypothèse (H1): u1 # u2, c'est-à-dire que les échantillons n'ont pas été prélevés dans la même population. Erreur standard
de différence entre les moyennes:
!! " !² '((² )((²
• σ(ẍ1-ẍ2) = #$ #&
= $(( $*(
= 11,800 = 108,6

+$,+& &(,((( ,&&,(((

• Z= -(+$,+&)
= $('.2
= -18.4

• Sous Ho et au niveau de signification de 0,05 avec un test bilatéral, valeurs Z critiques = +/- 1,96

• Conclusion: Ho est rejeté, c'est-à-dire que les échantillons n'auraient pas pu être prélevés de la même
manière puisque la valeur Z calculée tombe dans la région de rejet.
Test de l'hypothèse sur la différence
entre deux proportions
• De manière similaire, la différence entre les proportions d'un attribut donné trouvées
dans deux échantillons aléatoires peut également être testée.
• L'hypothèse nulle est qu'il n'y a pas de différence entre les proportions de la population.
Cela signifie que deux échantillons proviennent de la même population.
• D'où: Ho = π1 = π2.
• La meilleure estimation de l'erreur standard de la différence de P1 et P2 est donnée en
regroupant les échantillons et en trouvant la proportion d'échantillon regroupée (p),
ainsi:
!"#"$!%#%
• p=
#"$#%
• Erreur standard de différence entre les proportions:
!& !&
• [(p1 - p2)] = +
#" #%

(#$%#!)('$%'!)
• et z = .
((#$%#!)
• Mais là où l'hypothèse nulle est y1 = y2, la deuxième partie du numérateur disparaît.
 Exemple 7
• Sur un échantillon aléatoire de 100 personnes prélevées dans le village A, 60 sont en train de consommer du thé. Dans un autre
échantillon de 200 personnes prélevées dans le village B, 100 personnes consomment du thé. Les données révèlent-elles une
différence significative entre les deux villages en ce qui concerne l'habitude de prendre le thé?
• Solution:
• Prenons l'hypothèse qu'il n'y a pas de différence significative entre les deux villages en ce qui concerne l'habitude de prendre le thé, c'est-à-
dire π1 = π2.
• On nous donne:
!" $%
• p1 = = = 0,6. n1 = 100.
#" "%%

!& "%%
• p2 = = = 0,5. n2 = 200
#& &%%
• Le test statistique appropriée à utiliser est donnée par:
'"#"('&#& %.$ "%% ((%.+)(&%%) $%("%%
• p= = = = 0,53
#"(#& "%%(&%% -%%

• q = 1-0,53 = 0,47

'. '. (%.+-)(%./0) (%.+-)(%./0)

• σ(p1-p2) = + = + = 0.0608
#" #& "%% &%%

'"1'& %.$1%.+ %."

• Z= = = = 1.64
2('"1'&) %.%$%3 %.$%3

• Puisque la valeur calculée de z est inférieure à la valeur critique de z = 1,96 à un niveau de signification de 5%, nous acceptons donc
l'hypothèse. Par conséquent, nous concluons qu'il n'y a pas de différence significative dans l'habitude de prendre du thé dans les deux villages
A et B.
 Exemple 8
• Avant une augmentation des accises sur le thé, 400 personnes sur un échantillon de 500
personnes étaient des buveurs de thé. Après une augmentation des droits, 400
personnes étaient des buveurs de thé dans un échantillon de 600 personnes. En utilisant
l'erreur type de proportion, indiquez s'il y a une diminution significative de la
consommation de thé.
• Solution:
• Prenons l'hypothèse qu'il n'y a pas eu de diminution significative de la consommation de thé après
l'augmentation des droits, c'est-à-dire Y1 = Y2.
• On nous donne:
1$ )&&
• p1 = #$ = +&& = 0.8, n1 = 500

1( )&&
• p2 = #( = ,&& = 0.667, n2 = 600
• La statistique appropriée à utiliser ici est donnée par:
2$#$/2(#( &.* +&& /(&.,,-)(,&&)
• p= = = 0.73; q = 1 – 0.73 = 0.27
#$/#( +&&/,&&

25/25 (&.-%)(&.(-) (&.-%)(&.(-) 2$'2( &.* '&.,,- &.$%%

• σ(p1-p2) = = + = 0.027; Z = = = = 𝟒. 𝟗𝟑
#$/#( +&& ,&& 6(2$'2() &.&(- &.&(-
• Il s'agit d'un test à queue. La valeur calculée de Z est supérieure à la valeur critique de Z à 10% de
signification, soit 2,33, donc l'hypothèse est rejetée. Par conséquent, il y a une diminution
significative de la consommation de thé après une augmentation des droits.
 Théorie de petit
échantillonnage - La
distribution t de Student.
 Introduction
• Les techniques examinées dans les chapitres précédents en ce qui
concerne les distributions d'échantillonnage et les tests d'hypothèse
étaient basées sur des statistiques d'échantillonnage de grands
échantillons. Dans ce cas, on a supposé que la population d'origine était
normalement distribuée. Si la taille de l'échantillon est petite (c'est-à-dire
30 ou moins), les moyennes arithmétiques ne sont pas normalement
distribuées.
• Dans de telles circonstances, la distribution-t de Student doit être utilisée.
La distribution-t de Student a été présentée par W.S Gosset en 1908 sous
le nom de plume 'Student'. La distribution-t est d'une grande importance
dans les tests dits à petit échantillon et est profondément utilisée dans
l'inférence statistique. L'étude de l'inférence statistique avec de petits
échantillons est appelée théorie du petit échantillonnage.
• La distribution-t a un seul paramètre, connu sous le nom de nombre de
degrés de liberté. Il est désigné par le symbole grec ν (lu comme nu.). Il
peut être interprété comme le nombre d'informations utiles générées par
un échantillon de taille donnée. Les degrés de liberté sont la taille de
l'échantillon moins un (ν = n-1).
 Propriétés de t-Distribution
• 1. La distribution-t varie de - ∞ à ∞ comme une distribution normale.
• 2. La distribution-t comme la distribution normale standard est en
forme de cloche et symétrique autour du zéro moyen.
• 3. Les formes de la distribution-t changent à mesure que le nombre
de degrés de liberté change. Par conséquent, pour différents degrés
de liberté, la distribution-t a une famille de distributions-t. Ainsi, les
degrés de liberté ν sont un paramètre de la distribution-t.
• 4. La distribution-t est plus de platykurtic (moins pointu au centre et
plus élevé dans les queues) que la distribution normale.
• 5. La distribution-t a une plus grande dispersion que la distribution
normale standard. Lorsque n est aussi grand que 30, la différence est
très petite.
 La relation entre la distribution-t et la
distribution normale standard est illustrée
dans le diagramme suivant
• La distribution-t a différentes formes en fonction de la taille de l'échantillon.
Lorsque l'échantillon est assez petit, par exemple, si n est égal à cinq, la hauteur
de la distribution t est plus courte que la distribution normale et les queues sont
plus larges. Cependant, lorsque n s'approche de 30, la distribution-t s'approche
de la distribution normale de forme.
• La table-t:
• La table-t donnée (annexe) est l'intégrale de probabilité de la distribution-t. Il donne une
gamme de valeurs de ν à différents niveaux de signification. En sélectionnant un degré de
liberté et un niveau de signification particuliers, nous déterminons la valeur tabulaire de t.
Nous établissons une hypothèse nulle: et si notre t calculé est supérieur au tableau-t, nous
rejetons l'hypothèse nulle; si notre t calculé est plus petit que le tableau, t nous acceptons
l'hypothèse nulle.
• Hypothèses pour le test-t:
• 1. Les échantillons sont tirés d'une population normale.
• 2. Les observations de l'échantillon sont aléatoires.
• 3. L'écart-type de la population est inconnu.
• 4. La taille de l'échantillon est de trente ou moins.
• 5. Pour tester l'égalité de deux moyennes de population, les variances de population sont
considérées comme égales et inconnues.
• 6. Les deux échantillons sont aléatoires et indépendants l'un de l'autre.
Application de la distribution-t
• Voici quelques applications importantes de la distribution-t:
• 1. Estimation de la moyenne de la population à partir de petits échantillons,
• 2. Test d'hypothèse sur la moyenne de la population,
• 3. Test d'hypothèse sur la différence entre deux moyennes.
• Estimation de la moyenne de la population à l'aide de la distribution t:
• Si la taille de l'échantillon est petite (n <30), les moyennes arithmétiques des petits
échantillons ne sont pas normalement distribuées. Dans de telles circonstances, la
distribution-t de l'élève doit être utilisée pour estimer la moyenne de la population.
• Dans ce cas:
• La moyenne de la population (µ) = ẍ ± tsẍ, où ẍ = moyenne de l'échantillon.
-
• Sẍ = .
, s = écart type de l'échantillon, n = taille de l'échantillon.
• La valeur de t est obtenue à partir des tableaux de distribution-t pour le
niveau de confiance requis. La valeur tabulée de t est substituée à la valeur
de z qui est obtenue à partir de l'aire sous la courbe normale dans le cas de
grands échantillons.
 Exemple 1
• Un échantillon aléatoire de 12 articles est prélevé et est prélevé et il s'avère qu'il a un poids
moyen de 50 grammes et un écart type de 9 grammes.
• Quel est le poids moyen de la population: avec une confiance de 95% et avec une confiance de 99%?
• Solution:
• ẍ = 50, s = 9, v = n-1 = 12-1 = 11
!
• µ=ẍ±t
#
• À un niveau de confiance de 95%:
"
• µ = 50 ± 2,262 { #$
} = 50 ± 5,72 grammes.

• Par conséquent, nous pouvons affirmer avec une confiance de 95% que la moyenne de la
population se situe entre 44,28 et 55,72 grammes.
• À un niveau de confiance de 99%:
"
• µ = 50 ± 3,25 { #$
} = 50 ± 8,07 grammes.

• Par conséquent, nous pouvons affirmer que la confiance à 99% que la moyenne de sa population
se situe entre 41,93 et 58,07 grammes.

• Remarque:
• Pour utiliser les tableaux de distribution t, il est nécessaire de trouver le degré de liberté (v = n-1). Si la taille
de l'échantillon est 12-1, alors v = 12-1 = 11.
• À partir des tableaux, nous pouvons constater qu'à un niveau de confiance de 95% contre 11 et moins de
0,05, la valeur de t = 2.201. De même, à 99% de confiance contre 11 sous 0,01 la valeur de t = 3,106
 Test d'hypothèse sur la
population Moyenne
• Lorsque l'écart-type de la population (σ) est inconnu, la statistique «t» est
définie comme suit:
ẍ"#
• t= "
#
• suivre la distribution-t de Student avec (n-1) d.l. où ẍ = moyenne de
l'échantillon, µ = moyenne de la population hypothétique, n = taille de
l'échantillon et s est l'écart type de l'échantillon calculé par la formule:
$(&"ẍ)
• s=
(")
• L'hypothèse nulle à tester est de savoir s'il existe une différence
significative entre x et u.
• Si la valeur calculée de t dépasse la valeur de table de t au niveau de
signification spécifié, l'hypothèse nulle est rejetée et la différence entre x et
u est considérée comme significative. Si la valeur calculée de t est
inférieure à la valeur du tableau, la différence entre x et u n'est pas
considérée comme significative. On peut noter que ce test est basé sur n-1
degrés de liberté.
 Exemple 2
• Dix bidons d'huile sont pris au hasard dans une machine de remplissage
automatique. Le poids moyen des boîtes est de 15,8 kg et l'écart type est
de 0,50 kg. La moyenne de l'échantillon diffère-t-elle significativement du
poids prévu de 16 kg?
• Solution:
• Soit l'hypothèse nulle que le poids moyen de l'échantillon n'est pas différent du
poids prévu.
• Étant donné que n = 10; x = 15,8; s = 0,50; u = 16. En utilisant le test t, nous avons:
ẍ'8 $+.* $, &.(
• t= ( = %.+% = &.$, = -1.25
) $%

• La valeur de table de t pour 9 d.l. à 5%, le niveau de signification est de 2,26. La

valeur calculée de t est inférieure à la valeur de table de t. Par conséquent, la
différence est insignifiante et l'hypothèse nulle est acceptée. Par conséquent, la
différence entre le poids moyen de l'échantillon et le poids prévu est insignifiante.
 Exemple 3
• Les prix des actions d'une société aux différents jours du mois se sont avérés être de 66,
65, 69, 70, 69, 71, 70, 63, 64 et 68.
• Discutez si le prix moyen des actions au cours du mois est de 65.
• Solution: x (x-65) d²
d
66 1 1
65 0 0
69 4 16
70 5 25
69 4 16
+, ./
• ẍ= A + = 65 + = 67.5 71 6 36
- 01 70 5 25
63 -2 4
64 -1 1
68 3 9
- Σd=25 Σd²= 133

+(23ẍ)² +2² (+2)² +,² (+,)² 066 (./)²

• S= = − = − = = 14.78 − 6.94 = 7.84 = 2.8
-30 -30 -(-30) -30 -(-30) 7 0137
ẍ38 9:./39/ ../
• t= 9 = ;.< = = 2.81
1.;7
: =>

• La valeur de table t pour 0 degré de liberté à un niveau de signification de 5% est de 1,833. Puisque la valeur calculée de t =
2,81 est supérieure à la valeur du tableau, nous rejetons l'hypothèse. Le prix moyen de l'action au cours du mois n'est donc
pas 65.
 Test d'hypothèse sur la différence
•
entre deux moyennes.
Pour tester une hypothèse concernant la différence entre les moyennes de deux populations normalement réparties lorsque les variances de
population sont inconnues, le test t peut être utilisé dans deux types de cas:
• Le cas où les variances sont égales, c'est-à-dire σ²1 = σ²2
• Le cas où les variances ne sont pas égales et c'est-à-dire σ²1 ≠ σ²2

• Cas de variances égales:

• Lorsque les variances de la population (bien que inconnues) sont égales, la statistique de test appropriée à utiliser est:
ẍ%&ẍ𝟐
• t=
𝒏 𝟏
&
𝒏𝟏 𝒏𝟐
• suivra la distribution t avec (n1 + n2 -2) d.l.
• Lorsque ẍ1 et ẍ2 sont des moyennes d'échantillon de l’ échantillon 1 de taille n1 et d'échantillon 2 de taille n2 respectivement; µ1
et µ2 sont les moyennes de la population, s est l'estimation «groupée» de l'écart-type de la population commune obtenue en
𝒏𝟏 '𝟏 𝒔" 𝟏/ 𝒏𝟐'𝟏 𝒔" 𝟐 C(𝒙𝟏'ẍ)² 7(𝒙𝟐,ẍ𝟐)²
• regroupant les données des échantillons s =s =
𝒏𝟏'𝒏𝟐'𝟐
ou s²1 =
𝒏𝟏'𝟏
; s²2 = 𝒏𝟐,𝟏
• sont les écarts types de l'échantillon 1 et de l'échantillon 2, respectivement.

7 𝒙𝟏,ẍ𝟐 ! "7(𝒙𝟐,ẍ𝟐)²
• Par conséquent, alternativement s peut être calculé à partir de: s =
𝒏𝟏,𝒏𝟐,𝟐
• L'hypothèse nulle est qu'il n'y a pas de différence entre les deux moyennes.
• Si la valeur calculée de t est inférieure à la valeur de table de t à un niveau de signification spécifié, l'hypothèse nulle est
acceptée et la différence entre les deux moyennes est considérée comme insignifiante. Si la valeur calculée de t est supérieure à
la valeur de table de t, l'hypothèse nulle est rejetée et la différence entre les moyennes de l'échantillon est considérée comme
significative.
 Cas de variances inégales
• Lorsque les variances de population ne sont pas égales, c'est-à-dire
σ ² ≠ σ ² , nous utilisons les estimateurs sans biais S ² et S ² pour
1 2 1 2

remplacer σ ²et σ ².
1 2

• Dans ce cas, la difficulté survient parce que la distribution

d'échantillonnage présente une grande variabilité que la variabilité de
la population.
ẍ"#ẍ$ #(&"#&$)
• La statistique t = '(²
*(+',, /*,

• peut ne pas suivre strictement la distribution t mais peut être

approximée par la distribution t avec une valeur modifiée pour les
degrés de liberté, donnés
(/( + /,²
*( + *,
• par d.l. = /, ,
( )² + (/,, /*,)²
*(
*(1( + *,1(
Exemple 4
• Deux types différents de médicaments A et B ont été essayés sur
certains patients pour prendre du poids, 5 personnes ont reçu le
médicament A et 7 personnes ont reçu le médicament B.
L'augmentation de poids (en livres) est indiquée ci-dessous:
• Médicament A: 8 12 13 9 3
• Médicament B: 10 8 12 15 6 8 11
• Les deux médicaments diffèrent-ils considérablement en ce qui
concerne leur effet sur l'augmentation du poids? (Donné pour v = 10,
t = 2,23).
0,05

• Solution:
• Hypothèse nulle Ho: µ1= µ2, c'est-à-dire qu'il n'y a pas de différence dans l'efficacité des
deux médicaments.
ẍ%(ẍ) +%+)
• Appliquer le test t=
* +%&+)
Solution de l’exemple 4:
• Calcul pour ẍ1, ẍ2 et s.
• x1 (x1-x2) (x1-x1)² x2 (x2-x2) (x2-x2)²
x1=9 x2=10
• 8 -1 1 10 0 0
• 12 +3 9 8 -2 4
• 13 +4 16 12 +2 4
• 9 0 0 15 +5 25
• 3 -6 36 6 -4 16
• 8 -2 16
• 11 +1 1
• Σx1=45Σ(x1-x2)=0Σ(x1-x1)² =62Σx2=70Σ(x2-x2)=0Σ(x2-x2)²=54
%𝒙𝟏 𝟒𝟓 𝚺𝒙𝟐 𝟕𝟎
• X1= 𝒏𝟏
= 𝟓 = 9; x2= 𝒏𝟐 = 𝟕
= 𝟏𝟎
𝚺𝒙𝟏/ẍ 4 1%(𝒙𝟐.ẍ𝟐)² 𝟔𝟐1𝟓𝟒 𝟏𝟏𝟔
• S= 𝒏𝟏1𝒏𝟐 /𝟐
= 𝟓1𝟕 /𝟐
= 𝟏𝟎
= 3.406
ẍ𝟏/ẍ𝟐 𝒏𝟏𝒏𝟐 𝟗/𝟏𝟎 𝟓𝒙𝟕 𝟏
• ∴𝒕= = =- x 1.708 = -0.5
𝒔 𝒏𝟏1𝒏𝟐 𝟑.𝟒𝟎𝟔 𝟓1𝟕 𝟑.𝟒𝟎𝟔
• v= n1 + n2 – 2 = 5 + 7 – 2 = 10. For v= 10, t0.05 = 2.23.
• La valeur calculée de t est inférieure à la valeur du tableau. Notre hypothèse est acceptée. Par conséquent, nous
concluons qu'il n'y a pas de différence significative dans l'efficacité des deux médicaments en matière
d'augmentation de poids.
 Exemple 5
• Deux vendeurs A et B travaillent dans un certain quartier. À partir d'un sondage mené par le siège social, les
résultats suivants ont été obtenus. Indiquez s'il existe une différence significative dans les ventes moyennes
entre les deux vendeurs.
• A B
• Nombre de ventes 20 18
• Vente moyenne en $ 170 205
• Ecart-type en $ 20 20
• Solution:
• Hypothèse nulle Ho: u1 = u2, c'est-à-dire qu'il n'y a pas de différence dans les ventes moyennes entre les deux vendeurs.
ẍ$,ẍ& #$#& #$,$ !$! " #&,$ !&²
• En appliquant le test t: t = ! #$"#&
ou s = #$"#& ,&

• Ẍ1 = 170, ẍ2 = 205, n1 = 20, n2 = 18, s1 = 20, s2 = 25

$) &( ! "($:)(&*)² :2(("$(2&* $'&&*
• S= &("$' ,&
= ;2
= ;2
= 506.25 = 22.5

• t=
$:(,&(*
&&.*
&(+$'
&("$'
=
,;*
&&.*
;2(
;'
-
= -1.56 x 3.08 = 4.8
• La valeur de table de t au niveau de signification de 5% pour 36 d.l. (lorsque d.l. est supérieur à 30, alors la
distribution t est la même que la distribution normale) est de 1,9. Puisque la valeur calculée de t est
beaucoup plus que la valeur du tableau, nous rejetons l'hypothèse nulle. Ainsi, nous concluons qu'il existe
une différence significative dans les ventes moyennes entre deux vendeurs.
MERCI
Prof Louis SABUNI