Vous êtes sur la page 1sur 40

Introduction aux tests

dHypothses

Jan-16

Fethi Derbeli

Les Statistiques vont devenir un jour un


besoin ncessaire pour lfficacit des
citoyens comme laptitude lcriture et la
lecture.
H.G. Wells Circa 1925

Jan-16

Fethi Derbeli

Description de la vrification d hypothse:


Les statistiques communiquent des informations partir des donnes.
Les statistiques ne peuvent se substituer au jugement dun professionnel.
La vrification d hypothse rpond une question pratique:
Y-a-t-il vraiment une diffrence entre _____ et _____ ?

Un problme pratique de processus est traduit en une hypothse statistique afin


de rpondre cette question.
Dans la vrification dhypothse, nous utilisons des chantillons relativement
petits pour rpondre aux questions sur les paramtres de population.
Il est toujours possible que nous choisissions un chantillon qui nest pas
reprsentatif de la population. Par consquent, il y a toujours un risque que la
conclusion soit errone.
Avec quelques suppositions, les statistiques par dduction nous permettent
destimer la probabilit davoir un chantillon bizarre . Ceci nous permet de
quantifier la probabilit (valeur-P) dune conclusion errone.

Jan-16

Fethi Derbeli

Pourquoi apprendre la vrification d hypothse


La vrification dhypothse emploie des tests bass sur des donnes
qui aident dterminer les quelques X vitaux.
On utilise cet outil pour identifier des sources de variabilit et tablir
des rapports entre les X et les Y.
Pour aider identifier les quelques X vitaux, on peut prlever un
chantillon de donnes passes ou actuelles.
Passives: soit vous avez prlev directement des donnes dans votre processus,
soit vous avez obtenu des donnes dchantillons passs.
Actives: vous avez modifi votre processus, puis vous avez prlev des donnes.

Les essais statistiques apportent des solutions objectives des


questions qui ont la plupart du temps une rponse subjective.

Jan-16

Fethi Derbeli

Terminologie
Les termes dont vous devez vous souvenir
1. Hypothse nulle (Ho) - nonce pas de changement ou de diffrence. Cet nonc est
suppos vrai jusqu preuve du contraire.
2. Erreur Type I - le risque du faux positif qui dit quil y a quelque chose de significatif
qui se passe alors que ce nest pas vrai.
3. Risque Alpha - le risque ou la probabilit maximum de faire une Erreur de Type I. Cette
probabilit est toujours suprieure zro, et se situe en gnral autour de 5%. Le
chercheur prend des dcisions au plus haut niveau de risque qui est acceptable pour un
faux positif.
4. Degr de signification - identique au risque Alpha.
5. Hypothse alternative (Ha) - nonc d un changement ou d une diffrence. On dduit
que cet nonc est vrai si Ho est rejete.
6. Terreur de Type II - le risque du faux ngatif qui dit qu il n y a rien de significatif
qui se passe alors que ce nest pas vrai. C est l le plus gros risque dans lapproche de la
Perce!
Jan-16

Fethi Derbeli

Terminologie (suite)
7. Risque Beta - le risque ou la probabilit de faire une erreur du type II ou de ne pas
remarquer une solution efficace au problme.
8. Diffrence significative - le terme utilis pour dcrire les rsultats dune vrification
dhypothse statistique o la diffrence est trop large pour tre raisonnablement
attribue au hasard. Il se passe probablement quelque chose.
9. Puissance - laptitude d un test statistique dtecter quelque chose de significatif
lorsquil y a vraiment quelque chose de significatif. Utilis en gnral pour dterminer
si les tailles des chantillons sont suffisantes pour dtecter une diffrence entre les
traitements sil en existe une.
10.Statistique d essai - une valeur standard (z, t, F, etc.) qui reprsente la faisabilit dun
faux positif et qui est distribue dune manire connue de telle sorte que la probabilit
de cette valeur observe puisse tre dtermine. En gnral, plus le faux positif est
faisable, moindre est la valeur absolue de la statistique dessai et plus la probabilit
dobserver cette valeur dans la distribution est grande.

Jan-16

Fethi Derbeli

Les Paramtres
Paramtres de la
population

Statistiques
de
lchantillon

Moy.

Dviation
Standard

Proportion
(%)

1. Les paramtres de population (valeurs) sont fixes, mais inconnus.


2. Les statistiques dchantillon servent estimer les valeurs de la
population.

Les hypothses sont des noncs sur les


paramtres de la population, pas des
statistiques dchantillons.
Jan-16

Fethi Derbeli

Formulation de lhypothse
Hypothse nulle (Ho)
Hypothse alternative (Ha)
la supposition
ce que vous voulez
dduire
Interprtation statistique: il Ho : a b
ny a pas de diffrence
Ha : a b Interprtation statistique: les
entre les moyennes de
moyennes de population pour
population pour les
les gnrateurs A et B
Ho : a b
gnrateurs A et B.
viennent de distributions
Ha : a b
diffrentes;
Interprtation pratique: il
ny a aucune diffrence
Ho : p a p b Interprtation pratique: le
entre les rendements
rendement moyen du
Ha : p a p b
moyens des deux
gnrateur B diffre de celui
gnrateurs. (vos
du gnrateur A.
modifications nont servi
rien) But: Nous devons montrer qu il est tellement peu probable que les
valeurs observes proviennent de la mme population, que Ha doit tre
errone. (Nous devons rejeter Ho, et par dduction, accepter Ha.)
Jan-16

Fethi Derbeli

Tests de signification
Type de dduction statistique qui value les
indications fournies par les donnes dchantillon pour
accepter ou rejeter une dclaration (hypothse) sur un
paramtre de population.
Lhypothse nulle; Ho est un nonc sur un paramtre
de population, en gnral une moyenne de population,
une dviation standard ou un pourcentage de
dfectuosit.
En gnral lhypothse nulle, Ho, est un nonc de
pas deffet ou pas de diffrence .
Lhypothse alternative; Ha, ou H1 est un nonc qui
lon suspecte, sera vrai si Ho est rejet. Cest Ha
dapporter la preuve de sa validit... Nous continuons
croire Ho tant que les indications exprimentales ne
la contredisent pas fortement.

Jan-16

Fethi Derbeli

Ho: a b
Ha: a b

Ho: a b
Ha: a b
Ho: pa pb
Ha: pa pb

Niveau de signification
... Si peu probable ...
Quel degr d improbabilit ?
(C est le niveau de signification ())
Nous aimerions qu il y ait moins de 10% de risque que ces
observations surviennent au hasard ( = .10).
Cinq pour cent est bien plus confortable ( = .05).

Industry
Standard

Un pour cent, cest trs bien ( = .01).


Ce niveau alpha est bas sur notre supposition daucune
diffrence et dune certaine distribution de rfrence.
Il y a un risque de % que nous nous trompions lorsque
nous disons que le gnrateur modifi est meilleur.

Jan-16

Fethi Derbeli

10

Niveau de signification, (alpha):


Nous aimerions quil y ait moins de 10% de risque que ces observations
surviennent au hasard ( = .10).
Peut-tre aimerions-nous quil y ait moins de 5% de risque que ces
observations surviennent au hasard ( = .05).
Ou, par prudence, nous aimerions quil y ait moins de 1% de risque que ces
observations surviennent au hasard ( = .01).
Ce niveau alpha ncessite deux choses:
une supposition daucune diffrence (Ho), et
une distribution de rfrence

Rappel: lhypothse nulle Ho est suppose tre vraie. Cest une sorte de
prsomption dinnocence.
Vous tes le procureur. Cest vous de prouver que cette prsomption nest pas
au-dessus de tout soupon.
Ce soupon est ().

Jan-16

Fethi Derbeli

11

Risque Alpha () ou Beta (b):


-- est le risque de trouver une diffrence quand il ny en na pas. Utilis
comme critre de dcision pour rejeter Ho.

b -- est le risque de ne pas

trouver de diffrence quand en ralit il y en a une.


Cet aussi le paramtre de dterminer la taille ncessaire des chantillons.

Accepter
Ho
Ha
Ho
Ralit
Ha

Risque b aussi appel:


Erreur de type II
Risque du consommateur
Jan-16

Dcision
correcte

Erreur
Type I

Erreur
Type II
b

Dcision
correcte

Risque - aussi appel:


Erreur de type I
Risque du producteur

b
Fethi Derbeli

12

Concernant l Hypothesis nul

L Hypothse nul (Ho) est suppos tre vrai


Comme prsumer que laccus est non coupable

Rappel: Le systme judicaire laccus est innocent jusqu


prouver quil est coupable
On assume pas quil y a un effet seulement si la probabilit de
non effet est si faible de le croire
Ho: Pas d Effet
Ha: Effet
Vous tes lavocat de laccus tu doit prsenter des vidences You are
the prosecuting attorney - you must provide evidence au del des
doutes raisonnables

Jan-16

Fethi Derbeli

13

Exemple: Jugement
L Hypothse nul (Ho) est pas coupable

Dcision du juge
Pas coupable

Coupable

Consequence:
Incarcerer
linnocent

Pas coupable
Correcte

Erreur

En
ralit
Coupable

Erreur

Correcte

Consequence: Librer le coupable


Jan-16

Fethi Derbeli

14

Exemple: Scutit Airport


L Hypothse nul (Ho) est il n y a rien dans la valise

Dcision de lalarme
Rien dans la valise

Rien dans la
valise

Bombe dans la valise

Correcte

Erreur

Consquences:
Voyageurs en
_____________
scurit
_____________

En
ralit
Bombe dans la
valise

Erreur

Correcte

bombe dans lavion


Consquences: Une
_____________
Jan-16

Fethi Derbeli

15

Risque de dcision
Notre dcision de rejeter ou de confirmer lhypothse est base
sur les data
Notre dcision peut tre errone sous deux formes:
En rejetant lhypothse nul par erreur Erreur Type I
Rejeter lhypothse quand il est vrai
Cette erreur est connue comme risque du producteur
Accepter lhypothse nul par erreur
Erreur Type II
Echouer rejeter lhypothse nul quand il est faut
Cette erreur est connu sous risque consommateur
On doit spcifier avant linvestigation lampleur du risque quon
est prt prendre en commettant ces erreurs
Jan-16

Fethi Derbeli

16

Exemple: contrle pices


The Null Hypothesis (Ho) is Part is Good

Dcision du contrle
Pice bonne

Pice mauvaise

Pice bonne
Correcte

Erreur

Consquence:
Une
bonne pice
_____________
retouche
_____________

En
ralit
Pice mauvaise

Erreur

Correcte

Consquence: une pice mauvaise livre


Jan-16

Fethi Derbeli

17

La dcision est correcte


Accepter lhypothse Nul
Cest lintervalle de confiance
La valeur typique de (1 - ) = 0.95

Rejeter lhypothse nul


Elle est appel puissance du test
La valeur typique de (1 - b) = 0.80
La valeur du P est trs Importante
Retenir cette parole: If P is Low , Ho Must Go!
A quel degr P doit tre faible?
a dpend des consquences de lerreur typeI
Jan-16

Fethi Derbeli

18

Vrification dhypothse:
Les donnes sont collectes
Un test statistique est calcul sur la base d un taux signal-parasite (S/P) pour ces
donnes comme Z- ou T-Score), et valeur- P

Si Ho est vraie (aucune diffrence entre ____ & ____ ), alors


le taux S/P est trs faible
et force le test produire une valeur-p leve

Si Ha est vraie (vritable diffrence entre ____ & ____ ), alors


le taux S/P sera lev
et forcera la valeur-p tre faible

La valeur-p est la probabilit de lhypothse nulle se produisant par


hasard.
La valeur-p est base sur une distribution de rfrence suppose ou relle
(distribution normale, distribution-t, chi-au carr ou distribution-F).

Jan-16

Fethi Derbeli

19

Le taux de signal/parasite ?
Taux de signal/parasite - Cest le taux de la
diffrence entre les moyennes divise par la
dviation standard dchantillon global.

Bon, daccord, mais qu est-ce que a veut


vraiment dire ?
Si nous installons un quipement qui produit des
pices conscutives, disons un processus A,
puis nous mesurons une caractristique CDQ, il
y aura une certaine quantit de variabilit
mesure dans cet ensemble de conditions, nous
appelons cela des parasites.
Disons que nous pensons avoir identifi un nouvel
ensemble de rglages qui va amliorer la
caractristique CDQ. Nous rglons la machine
selon le nouveau rglage le processus B,
fabriquons quelques pices et les mesurons.
Comme pour le processus A, nous pensons
observer une variabilit mesure.
Pour dterminer s il y a une amlioration, nous
devons valuer si la diffrence entre les deux
processus est plus grande que la variabilit
globale.
Jan-16

Moyenne du Processus A - Moyenne du Processus B

45

55

65

Variabilit globale /Dv.Std. globale

Le taux Signal/Parasite est dune


importance critique pour nous aider
valuer si nous avons amlior le
processus

Fethi Derbeli

20

Analyze Roadmap
X Data

Discrete

Chi-Square

Continus

Discrete

ANOVA

Continus

Logistic

Y Data

Regression

Jan-16

Regression

Means / Medians Tests

Fethi Derbeli

21

Scenario #1
Un Superviseur veut savoir sil y a une diffrence significative entre la
Quantit de peinture faite par deux optateurs

Quantit de peinture
Cest quoiY ? ________
_____

Oprateur
Cest quoi X? _____________

Continues
Type de Data ? ______________

Discrte
Type de Data ? ______________

ANOVA
Quel type doutil on va utiliser ? ________________________

Jan-16

Fethi Derbeli

22

Scenario #2
La RH veut savoir sil y a une liaison entre lage
(Ag ou Jeune) et la date dembauchement

Discrte
Embauchement Type de Data ? ______________
Cest quoi Y? _____________

Age
Cest quoi X ? _____________

Discrte
Type de Data ? ______________

Chi-Square
Quel type doutil on va utiliser ? ________________________

Jan-16

Fethi Derbeli

23

Scenario #3
Une quipe R&D veut vrifier la relation entre la surface du cavit du four
Et le temps de chauffage du nouveau four

Temps
Y ? _____________

Continues
Type de Data ? ______________

Surface
X ? _____________

Continues
Type de Data ? ______________

Regression
Quel type doutil on va utiliser? ________________________

Jan-16

Fethi Derbeli

24

Scenario #4
Pour Analyser les accidents, OSHA veut vrifier sil y a une liaison entre lunit
Du poids par mm et les blessures des consommateurs

Blessures
Y ? _____________

Discrte
Type du Data ? ______________

Poids
X ? _____________

Continues
Type du Data ? ______________

Regression Logistique
Quel type doutil on va utiliser ? ________________________

Jan-16

Fethi Derbeli

25

Qu est-ce que la vrification d hypothse?

Enoncez une Hypothse nulle (Ho)


Hypothses de
moyennes

Ho: o = 13.6
Ha: o < 13.6

Hypothses de
dviations
standard

Ho: A = B
Ha: A > B

Enoncez l Hypothse alternative (Ha)

Etablissez vos critres ()

Rassemblez des preuves (chantillon de ralit)

DECIDEZ:
Que suggrent les preuves ?
Rejeter Ho?
Jan-16

ou ne pas rejeter Ho?


Fethi Derbeli

26

Exemple

Votre centrale dispose de plusieurs gnrateurs. Tous se


valent peu prs au niveau des performances. Le
responsable de la maintenance a dcid de dpenser
100000 $ pour modifier lun dentre eux afin
damliorer son rendement. Avant de dpenser
davantage dargent, de temps et de ressources modifier
les autres, il veut savoir sil a amlior le rendement de
faon substantielle. Aprs avoir prlev un chantillon
du rendement de deux gnrateurs (lun modifi et
lautre pas) comment dterminer sil existe une relle
diffrence entre les deux rendements ?
Regardons les rsultats. Le gnrateur B est celui qui a
t modifi.

Gnrateur A Gnrateur B
89.7

84.7

81.4

86.1

84.5

83.2

84.8

91.9

87.3

86.3

79.7

79.3

85.1

82.6

81.7

89.1

83.7

83.7

84.5

88.5

Y-a-t-il vraiment une diffrence entre le gnrateur A et le gnrateur B?

Jan-16

Fethi Derbeli

27

Test dhypothse

Hypothse statistique: il n y a pas de


diffrence entre les gnrateurs
Ceci sappelle une hypothse nulle (Ho)

Hypothse relle: le gnrateur


modifi amliore son rendement
Ceci sappelle une hypothse
alternative (Ha)

Ho: a b
Ha: a b
Nous devons montrer quil est tellement peu probable que les valeurs observes
proviennent du mme processus, que Ho doit tre errone.

Jan-16

Fethi Derbeli

28

Exemple
Question pratique: les modifications du gnrateur B vontelles amliorer le rendement par rapport au processus actuel,
reprsent par le gnrateur A
Descriptive Statistics
Variable Machine N
Yield
A
10
B
10

Mean
84.24
85.54

StDev
2.90
3.65

Question statistique: la moyenne du gnrateur B (85,54) diffre-telle assez de celle du gnrateur A (84,24) pour tre considre
comme significative ? Ou les moyennes sont-elles assez rapproches
pour tre le rsultat du hasard et des variations au jour le jour?
Concept statistique:
Jan-16

Fethi Derbeli

29

Exemple
Statistical Concept:
En ralit, les
rendements des
gnrateurs reprsententils deux populations
diffrentes ?

Machine A

Machine B

AAB

B BB B AA BB A B
AAAA

AAB

B BB B AA BB A B
AAAA

Ou les rendements des


gnrateurs viennent-ils
d une seule population ?

Jan-16

Fethi Derbeli

30

Quel relation?
p-value vs. critical value

Calc < Critical


P-value > alpha

Calc = Critical
P-value = alpha

Calc > Critical


P-value < alpha

Critical
Value
Calculated
Value
Calculated
Value

Calculated
Value

= 5.0%

Jan-16

Fethi Derbeli

31

Un cot vs. deux cots


Le test dgalit ; dvise le risque en deux cots
Le test de suprieur/infrieur une certaine
valeur; met tous le risque en seul cot

H a : A B

2.5%

H a : A B

5.0%

2.5%

Jan-16

Fethi Derbeli

32

Une mthode pour vous aider


L exemple qui suit concerne un test-t sur 2 chantillons, toutefois cette
mthode est valable pour toutes les vrifications dhypothse:
1. Identifiez lhypothse nulle
2. Identifiez lhypothse alternative
3. Etablissez votre risque alpha
4. Dessinez un schma (comme celui ci-dessous) pour reprsenter la vrification.
5. Collectez les donnes effectuez la vrification, dterminez la valeur-p et dcidez.

4
1 Ho: A = B
2 Ha: A > B
3 = 0.05

Ho

Ha

P > 0.05

P < 0.05
5
= 0.05

Jan-16

Fethi Derbeli

33

Les tapes de la vrification d hypothse:


1. Caractriser le problme et dfinir les
objectifs
2.

3.

4.
5.
6.

Elaborer les hypothses


- Enoncer lhypothse nulle (Ho)
- Enoncer lhypothse alternative
(Ha).
Dcider du test statistique appropri
(distribution de probabilit suppose, Z, t,
2, F)
Indiquer le niveau Alpha (en gnral 5%)
Dfinir la taille de lchantillon
Dvelopper le plan dchantillonnage

Problme
Pratique
Jan-16

Problme
Statistique

7.

Effectuer la vrification et collecter les


donnes

8.

Calculer la statistique du test


(z, t, ou F) partir des donnes.

9.

Dterminer la probabilit que se


produise par hasard cette probabilit de
test calcule = valeur-P .

Si p-value < , rejeter Ho

Si p-value > , accepter Ho


10. Reproduire les rsultats et transposer la
conclusion statistique en une solution
pratique

Solution
Statistique
Fethi Derbeli

Solution
Practique

34

Exemple
On veut savoir si une pice de monnaie nest pas truque, pour
rpondre cette question, on lance la pice plusieurs fois et note le
nombre de pile. Par chance si la pice est juste quel % est attendue?
Si on lance 10 fois la pice et on a 10 fois piles donc on serr confiant
que la pice est truque. Mais il y a une chance sur 1000 avoir 10
piles avec une pice non truque. Donc on peut conclure quon peut
accepter 0.1% chance dtre incorrecte.
On suppose quon accepte quon peut confirmer si la pice nest pas
truque avec seulement 10 lances. On lance la pice 10 fois et on
obtient 08 piles quel sera la dcision?
On peut utiliser la probabilit dune distribution binomiale pour
rpondre la question.
Est-ce quil y a une diffrence significative entre une cette pice et une
pice non truque?

Jan-16

Fethi Derbeli

35

Exemple

Notre supposition avant le test avec une pice


non truque on attend devoir le pile 50% des
lances.

Rappel:

n!
p r (1 p) n r
P(r)
r! (n r)!

Cumulative Probability
Density Function
Heads

Prob

Cum Prob

.0010

0.0010

.0098

0.0108

.0439

0.0547

.1172

0.1719

.2051

0.3770

r = le nombre des piles lances

.2461

0.6231

n = 10 (total lances)

.2051

0.8282

p = .5

.1172

0.9454

.0439

0.9893

.0098

0.9991

10

.0010

1.0000

Quel probabilit davoir 07 piles ou moins avec


une pice non truqus? Ou quel est la probabilit
davoir 08 piles ou plus sur 10 lances avec une
pice non truque?

Est-ce quil y a une diffrence significative entre une cette pice et une pice non
truque?
Jan-16

Fethi Derbeli

36

Exemple

Ici la distribution binomiale avec la supposition que la probabilit davoir


lvennement ( davoir un pile) est 0.50 pour chaque essai.

Si on conclu que cette pice est truque on prend un risque de 11,7% de se


tromper de dcision.

0.25

Probability

0.20
0.15
.010
0.05
0.00
0

Number of Heads

Rejection Region

Jan-16

Zone of Acceptance

Fethi Derbeli

10

Rejection Region

37

Conclusion
Test dhypothse est utilis pour valuer le message qui contient les.
Un hypothse est accept ou rejet selon le niveau acceptable du risque
(alpha).
La collecte des donnes est destine avoir des chantillons reprsentatives
sous des conditions spcifiques dintrts.
Les statistiques et les distributions dterminent la valeur critique, la valeur
calcule et la valeur P pour les analyses.
On se basons sur les critres ci dessus on peut conclure :
Les Tables de Rfrence tables dterminent la valeur critique et le compare avec
les statistiques calculs
Minitab ou Excel dtermine le risque (p-value) davoir se tromp si on rejette
lhypothse nul.

Jan-16

Fethi Derbeli

38

Test dHypothse: Roadmap

For all tests:


p > 0.05 Fail to Reject Ho (null)
p < 0.05 Reject Ho

Hypothesis Testing

Non Normal
Ho: s1 = s2 = s3 = ...
Ha: at least one is different
Minitab:
Stat - Anova Test for Equal Variances
For only two ss this is similar to an FTest: F=(S1)2 / (S2)2
If F calc > F table, then reject null.
(Use Chi-Squared for one sample)

Normality Test

Ho: Data is Normal


Ha: Data is NOT Normal
Minitab:
Stat - Basic Stat - Normality Test
Use Anderson-Darling

Contingency
Table

Normal
Two or More
Samples

Levenes Test

Ho: M1 = M target
1 Sample
Ha: M1 M target
Minitab:
Stat - Nonparametric - 1 Sample-Sign (OR)
Stat - Nonparametric - 1 Sample-Wilcoxon
(This is also used for paired comparisons:
Ho: M1 - M2 = 0)
M1 = Median of sample 1
M target = Target Median

One
Ho: 1 = target
Sample
Ha: 1 target
Minitab:
Chi-Squared
Stat Basic Stats Display Descriptive
Statistics
Graphs: Graphical Summary
If s target falls with CI, then fail to

Two or More
Samples
Ho: 1 = 2 = 3 = ...
Ha: at leastone is different
Minitab:
Stat - Anova Test for Equal Variance
(For only two ss this is the same as an FTest: F=(S1)2 / (S2)2
If F calc > F table, then reject null.

Bartletts Test

reject Ho.
Ho: 1 = target
Ha: 1 target
1
Minitab:
Stat - Basic Stats - 1 Sample-T

Sample T Test

Stat Basic Stats Display Descriptive


Statistics
Graphs: Graphical Summary

2 or More

Ho: M1 = M2 = M3 = ...
Samples
Ha: at least one is different
Minitab:
Stat - Nonparametric - Mann-Whitney (OR)
Stat - Nonparametric - Kruskal-Wallis (OR)
Stat - Nonparametric - Moods Median (OR)
Stat - Nonparametric - Friedmans
M1 = Median of sample 1, etc...

Jan-16

Ho: Two factors are independent


Ha: Two factors are dependent
Minitab:
Stat -Tables - Chi-square Test

Attribute Data (2 factors only)

Continuous Data (one factor only)

If Xbar target falls with

Two
Samples

Two or More
Samples

One Way
Anova

CI, then

fail to reject Ho.

Ho: 1 = 2

2 Sample T Test
( Variances Equal)

Ha: 1 2
Minitab:
Stat - Basic Stats - 2-Sample T
(Compares Means using pooled Std Dev)
Assume equal variances

Ho: 1 = 2

2 Sample T Test
(Variances Not Equal)

Ha: 1 2
Minitab:
Stat - Basic Stats - 2-Sample T
(Compares Means using each sample Std Dev)

Fethi Derbeli

Ho: 1 = 2 = 3 = ...
Ha: at least one is different
Minitab:
Stat - Anova- One-way (or oneway unstacked)
Assumes Equal Variances
(Bartletts test must fail to
reject that variances are =.

39

Questions?

Jan-16

Fethi Derbeli

40