Académique Documents
Professionnel Documents
Culture Documents
Clément Rau
Laboratoire de Mathématiques de Toulouse
Université Paul Sabatier-IUT GEA Ponsan
3 Estimation
décor
Estimation par intervalles de confiance
Estimation d’une moyenne
Complément : estimation d’une variance
4 Tests
Tests paramétriques
Test d’une moyenne, σ connu
Test d’une moyenne, σ inconnu mais échantillon Gaussien
Test d’une variance, µ connu mais échantillon Gaussien
Test d’une variance, µ inconnu échantillon Gaussien
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques
Estimation
Tests
Tests de comparaison
Cas d’échantillons Gaussiens
Cas d’échantillons non Gaussiens
Comparaison d’échantillons Gaussiens appariés
3 Estimation
4 Tests
Echantillonage
L’échantillonnage permet de passer (de la loi connue d’un
paramètre θ dans une population de taille N ) à une estimée
d’une quantité θn fabriquée à partir seulement d’une population
de taille n plus petite (échantillon).
Echantillon, effectif n
θn inconnu θ connu
Echantillonage
L’échantillonnage permet de passer (de la loi connue d’un
paramètre θ dans une population de taille N ) à une estimée
d’une quantité θn fabriquée à partir seulement d’une population
de taille n plus petite (échantillon).
Echantillon, effectif n
θn inconnu θ connu
Exemple : échantillonnage
Estimation
L’estimation permet d’induire, à partir des résulats observés sur
un échantillon, des informations sur la population totale.
Echantillon, effectif n
θn connu θ inconnu
Estimation
L’estimation permet d’induire, à partir des résulats observés sur
un échantillon, des informations sur la population totale.
Echantillon, effectif n
θn connu θ inconnu
Exemple : estimation
Test statistiques
Tests de validité d’une hypothèse, prise de décision, contrôle
qualité.
Test sur un paramètre. Est ce qu’une moyenne µ est
inférieure à une valeur µ0 ?
Test de comparaison. Peut on considérer que la moyenne
du chiffre d’affaire d’entreprises issues d’un réseau A, est
la même que celle d’un réseau B ?
Etant donné, une marge d’erreur α, on rejettera ou ne rejettera
pas une hypothèse au risque α% de se tromper.
Remarque
On ne dira pas "qu’on valide une hypothèse" mais on dira
"qu’on ne rejette pas une hypothèse". En effet, les théories
probabilistes permettent de dire que sous une certaine
hypothèse, il n’y a pas de contradictions...
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose Echantillonnage
Distribution d’échantillonnage de certaines statistiques Estimation
Estimation Tests
Tests Idée générale pour la résolution de ces 3 problématiques
Test statistiques
Tests de validité d’une hypothèse, prise de décision, contrôle
qualité.
Test sur un paramètre. Est ce qu’une moyenne µ est
inférieure à une valeur µ0 ?
Test de comparaison. Peut on considérer que la moyenne
du chiffre d’affaire d’entreprises issues d’un réseau A, est
la même que celle d’un réseau B ?
Etant donné, une marge d’erreur α, on rejettera ou ne rejettera
pas une hypothèse au risque α% de se tromper.
Remarque
On ne dira pas "qu’on valide une hypothèse" mais on dira
"qu’on ne rejette pas une hypothèse". En effet, les théories
probabilistes permettent de dire que sous une certaine
hypothèse, il n’y a pas de contradictions...
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose Echantillonnage
Distribution d’échantillonnage de certaines statistiques Estimation
Estimation Tests
Tests Idée générale pour la résolution de ces 3 problématiques
Test statistiques
Tests de validité d’une hypothèse, prise de décision, contrôle
qualité.
Test sur un paramètre. Est ce qu’une moyenne µ est
inférieure à une valeur µ0 ?
Test de comparaison. Peut on considérer que la moyenne
du chiffre d’affaire d’entreprises issues d’un réseau A, est
la même que celle d’un réseau B ?
Etant donné, une marge d’erreur α, on rejettera ou ne rejettera
pas une hypothèse au risque α% de se tromper.
Remarque
On ne dira pas "qu’on valide une hypothèse" mais on dira
"qu’on ne rejette pas une hypothèse". En effet, les théories
probabilistes permettent de dire que sous une certaine
hypothèse, il n’y a pas de contradictions...
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose Echantillonnage
Distribution d’échantillonnage de certaines statistiques Estimation
Estimation Tests
Tests Idée générale pour la résolution de ces 3 problématiques
Test statistiques
Tests de validité d’une hypothèse, prise de décision, contrôle
qualité.
Test sur un paramètre. Est ce qu’une moyenne µ est
inférieure à une valeur µ0 ?
Test de comparaison. Peut on considérer que la moyenne
du chiffre d’affaire d’entreprises issues d’un réseau A, est
la même que celle d’un réseau B ?
Etant donné, une marge d’erreur α, on rejettera ou ne rejettera
pas une hypothèse au risque α% de se tromper.
Remarque
On ne dira pas "qu’on valide une hypothèse" mais on dira
"qu’on ne rejette pas une hypothèse". En effet, les théories
probabilistes permettent de dire que sous une certaine
hypothèse, il n’y a pas de contradictions...
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose Echantillonnage
Distribution d’échantillonnage de certaines statistiques Estimation
Estimation Tests
Tests Idée générale pour la résolution de ces 3 problématiques
Test statistiques
Tests de validité d’une hypothèse, prise de décision, contrôle
qualité.
Test sur un paramètre. Est ce qu’une moyenne µ est
inférieure à une valeur µ0 ?
Test de comparaison. Peut on considérer que la moyenne
du chiffre d’affaire d’entreprises issues d’un réseau A, est
la même que celle d’un réseau B ?
Etant donné, une marge d’erreur α, on rejettera ou ne rejettera
pas une hypothèse au risque α% de se tromper.
Remarque
On ne dira pas "qu’on valide une hypothèse" mais on dira
"qu’on ne rejette pas une hypothèse". En effet, les théories
probabilistes permettent de dire que sous une certaine
hypothèse, il n’y a pas de contradictions...
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose Echantillonnage
Distribution d’échantillonnage de certaines statistiques Estimation
Estimation Tests
Tests Idée générale pour la résolution de ces 3 problématiques
Test statistiques
Tests de validité d’une hypothèse, prise de décision, contrôle
qualité.
Test sur un paramètre. Est ce qu’une moyenne µ est
inférieure à une valeur µ0 ?
Test de comparaison. Peut on considérer que la moyenne
du chiffre d’affaire d’entreprises issues d’un réseau A, est
la même que celle d’un réseau B ?
Etant donné, une marge d’erreur α, on rejettera ou ne rejettera
pas une hypothèse au risque α% de se tromper.
Remarque
On ne dira pas "qu’on valide une hypothèse" mais on dira
"qu’on ne rejette pas une hypothèse". En effet, les théories
probabilistes permettent de dire que sous une certaine
hypothèse, il n’y a pas de contradictions...
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose Echantillonnage
Distribution d’échantillonnage de certaines statistiques Estimation
Estimation Tests
Tests Idée générale pour la résolution de ces 3 problématiques
3 Estimation
4 Tests
On pose,
P
Xi
X¯n = i=1...n
.
n
Moyenne empirique des Xi
On pose,
P
Xi
X¯n = i=1...n
.
n
Moyenne empirique des Xi
On pose,
P
Xi
X¯n = i=1...n
.
n
Moyenne empirique des Xi
Propriétés de X¯n
1
σ2
E(X¯n ) = µ et Var (X¯n ) = .
n
Propriétés de X¯n
1
σ2
E(X¯n ) = µ et Var (X¯n ) = .
n
Propriétés de X¯n
1
σ2
E(X¯n ) = µ et Var (X¯n ) = .
n
Propriétés de X¯n
1
σ2
E(X¯n ) = µ et Var (X¯n ) = .
n
Propriétés de X¯n
1
σ2
E(X¯n ) = µ et Var (X¯n ) = .
n
Exemples d’application
Variance empirique
Variance empirique
Propriétés
Sn2 − n−1
n σ
2
L
2
→ N (0; 1).
Var (Sn )
Propriétés
Sn2 − n−1
n σ
2
L
2
→ N (0; 1).
Var (Sn )
Propriétés
Sn2 − n−1
n σ
2
L
2
→ N (0; 1).
Var (Sn )
Propriétés
Sn2 − n−1
n σ
2
L
2
→ N (0; 1).
Var (Sn )
Une remarque
2 2
Avantage : Sˆn est sans biais, puisque E(Sˆn ) = σ 2
Une remarque
2 2
Avantage : Sˆn est sans biais, puisque E(Sˆn ) = σ 2
σ 2
X¯n ∼ N (µ; )
n
nSn2
∼ χ2 (n − 1)
σ2
− X¯n )2
P
i=1...n (Xi
ie : ∼ χ2 (n − 1)
σ2
σ 2
X¯n ∼ N (µ; )
n
nSn2
∼ χ2 (n − 1)
σ2
− X¯n )2
P
i=1...n (Xi
ie : ∼ χ2 (n − 1)
σ2
σ 2
X¯n ∼ N (µ; )
n
nSn2
∼ χ2 (n − 1)
σ2
− X¯n )2
P
i=1...n (Xi
ie : ∼ χ2 (n − 1)
σ2
σ 2
X¯n ∼ N (µ; )
n
nSn2
∼ χ2 (n − 1)
σ2
− X¯n )2
P
i=1...n (Xi
ie : ∼ χ2 (n − 1)
σ2
σ 2
X¯n ∼ N (µ; )
n
nSn2
∼ χ2 (n − 1)
σ2
− X¯n )2
P
i=1...n (Xi
ie : ∼ χ2 (n − 1)
σ2
σ 2
X¯n ∼ N (µ; )
n
nSn2
∼ χ2 (n − 1)
σ2
− X¯n )2
P
i=1...n (Xi
ie : ∼ χ2 (n − 1)
σ2
Et donc, en posant :
√
n ¯
σ (Xn − µ)
Tn−1 := r
nSn2
(n−1)σ 2
√
n−1 ¯
= (Xn − µ)
Sn
suit une loi de Student à n − 1 degrès de liberté
Et donc, en posant :
√
n ¯
σ (Xn − µ)
Tn−1 := r
nSn2
(n−1)σ 2
√
n−1 ¯
= (Xn − µ)
Sn
suit une loi de Student à n − 1 degrès de liberté
2
De même pour l’estimateur Sˆn , on peut prouver :
2
nSˆn
∼ χ2 (n)
σ2
− µ)2
P
i=1...n (Xi
ie : ∼ χ2 (n)
σ2
2
De même pour l’estimateur Sˆn , on peut prouver :
2
nSˆn
∼ χ2 (n)
σ2
− µ)2
P
i=1...n (Xi
ie : ∼ χ2 (n)
σ2
Retenir
2
nSn2 nSˆn
∼ χ2 (n − 1) ∼ χ2 (n)
σ2 σ2
et
√
n−1 ¯
(Xn − µ) ∼ Student(n − 1)
Sn
Retenir
2
nSn2 nSˆn
∼ χ2 (n − 1) ∼ χ2 (n)
σ2 σ2
et
√
n−1 ¯
(Xn − µ) ∼ Student(n − 1)
Sn
Definition
Soient X ∼ N (0, 1) et Y ∼ χ2 (n). Posons T = √X . Alors T
Y /n
suit une loi de Student à n degré de liberté et on la note
Student(n)
Definition
Soient X ∼ N (0, 1) et Y ∼ χ2 (n). Posons T = √X . Alors T
Y /n
suit une loi de Student à n degré de liberté et on la note
Student(n)
Une application
Exemple :
Les durées de vie moyenne des écrans d’ordinateurs d’une
société sont de 3000h avec un écart-type de 70h. On suppose
que les durées de vie de chaque machines, suivent des lois
normales et sont indépendantes. On prend au hasard 10
écrans.
Trouver probabilité que l’écart-type de l’échantillon obtenu soit
compris entre 60h et 80h.
Une application
Exemple :
Les durées de vie moyenne des écrans d’ordinateurs d’une
société sont de 3000h avec un écart-type de 70h. On suppose
que les durées de vie de chaque machines, suivent des lois
normales et sont indépendantes. On prend au hasard 10
écrans.
Trouver probabilité que l’écart-type de l’échantillon obtenu soit
compris entre 60h et 80h.
Un exemple
1 Pour 1 ≤ i ≤ 10, notons Xi les durées de vie des 10 écrans
de l’échantillon. Par hypothèse, on a
Xi ∼ N (3000; 70).
2
ˆ
3 Or, on sait que la v.a Z = 1070
S10
2 suit une loi du χ2 (10).
Il ne reste plus qu’à traduire l’événement demandé avec la
v.a Z .
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques La moyenne empirique X¯n
Estimation La variance empirique Sn2
Tests
Un exemple
1 Pour 1 ≤ i ≤ 10, notons Xi les durées de vie des 10 écrans
de l’échantillon. Par hypothèse, on a
Xi ∼ N (3000; 70).
2
ˆ
3 Or, on sait que la v.a Z = 1070
S10
2 suit une loi du χ2 (10).
Il ne reste plus qu’à traduire l’événement demandé avec la
v.a Z .
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques La moyenne empirique X¯n
Estimation La variance empirique Sn2
Tests
Un exemple
1 Pour 1 ≤ i ≤ 10, notons Xi les durées de vie des 10 écrans
de l’échantillon. Par hypothèse, on a
Xi ∼ N (3000; 70).
2
ˆ
3 Or, on sait que la v.a Z = 1070
S10
2 suit une loi du χ2 (10).
Il ne reste plus qu’à traduire l’événement demandé avec la
v.a Z .
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques La moyenne empirique X¯n
Estimation La variance empirique Sn2
Tests
Un exemple
1 Pour 1 ≤ i ≤ 10, notons Xi les durées de vie des 10 écrans
de l’échantillon. Par hypothèse, on a
Xi ∼ N (3000; 70).
2
ˆ
3 Or, on sait que la v.a Z = 1070
S10
2 suit une loi du χ2 (10).
Il ne reste plus qu’à traduire l’événement demandé avec la
v.a Z .
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques La moyenne empirique X¯n
Estimation La variance empirique Sn2
Tests
Un exemple
1 Pour 1 ≤ i ≤ 10, notons Xi les durées de vie des 10 écrans
de l’échantillon. Par hypothèse, on a
Xi ∼ N (3000; 70).
2
ˆ
3 Or, on sait que la v.a Z = 1070
S10
2 suit une loi du χ2 (10).
Il ne reste plus qu’à traduire l’événement demandé avec la
v.a Z .
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques La moyenne empirique X¯n
Estimation La variance empirique Sn2
Tests
Un exemple
Donc, on a :
2
ˆ 10 × 602 10Sˆ10 10 × 802
P(60 ≤ S10 ≤ 80) = P( ≤ ≤ )
702 702 702
10 × 602 10 × 802
= P( ≤ Z ≤ )
702 702
= P(7, 34 ≤ Z ≤ 13, 06)
= P(Z ≤ 13, 06) − P(Z ≤ 7, 34)
= 0, 473 à l’aide de la table du χ2 (10),
ou calculatrice, logiciel.
Un exemple
Donc, on a :
2
ˆ 10 × 602 10Sˆ10 10 × 802
P(60 ≤ S10 ≤ 80) = P( ≤ ≤ )
702 702 702
10 × 602 10 × 802
= P( ≤ Z ≤ )
702 702
= P(7, 34 ≤ Z ≤ 13, 06)
= P(Z ≤ 13, 06) − P(Z ≤ 7, 34)
= 0, 473 à l’aide de la table du χ2 (10),
ou calculatrice, logiciel.
3 Estimation
décor
Estimation par intervalles de confiance
4 Tests
Outil : estimateur
Outil : estimateur
Outil : estimateur
Outil : estimateur
3 Estimation
décor
Estimation par intervalles de confiance
Estimation d’une moyenne
Complément : estimation d’une variance
Exemple 1
Exemple 1
Soit Xi , la v.a qui renvoit la masse de l’objet i de
l’échantillon. On cherche un intervalle de confiance de
µ = E(Xi )
On sait qu’avec proba 1 − α,
σ σ
X¯n − uα √ ≤ µ ≤ X¯n + uα √
n n
α = 0, 01 donne un uα = 2, 58. (table 2 de la loi normale
centrée réduite)
D’où,
0, 92 0, 92
179, 93 − 2, 58 × √ ≤ µ ≤ 179, 93 + 2, 58 × √
100 100
ie :
Avec proba 0, 99 on a, µ ∈ [179, 69; 180, 17].
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques décor
Estimation Estimation par intervalles de confiance
Tests
Exemple 1
Soit Xi , la v.a qui renvoit la masse de l’objet i de
l’échantillon. On cherche un intervalle de confiance de
µ = E(Xi )
On sait qu’avec proba 1 − α,
σ σ
X¯n − uα √ ≤ µ ≤ X¯n + uα √
n n
α = 0, 01 donne un uα = 2, 58. (table 2 de la loi normale
centrée réduite)
D’où,
0, 92 0, 92
179, 93 − 2, 58 × √ ≤ µ ≤ 179, 93 + 2, 58 × √
100 100
ie :
Avec proba 0, 99 on a, µ ∈ [179, 69; 180, 17].
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques décor
Estimation Estimation par intervalles de confiance
Tests
Exemple 1
Soit Xi , la v.a qui renvoit la masse de l’objet i de
l’échantillon. On cherche un intervalle de confiance de
µ = E(Xi )
On sait qu’avec proba 1 − α,
σ σ
X¯n − uα √ ≤ µ ≤ X¯n + uα √
n n
α = 0, 01 donne un uα = 2, 58. (table 2 de la loi normale
centrée réduite)
D’où,
0, 92 0, 92
179, 93 − 2, 58 × √ ≤ µ ≤ 179, 93 + 2, 58 × √
100 100
ie :
Avec proba 0, 99 on a, µ ∈ [179, 69; 180, 17].
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques décor
Estimation Estimation par intervalles de confiance
Tests
√
On utilise le fait que T = Sn−1n
(X¯n − µ) suit une loi de
Student(n − 1).
Etant donné une marge d’erreur α, on détermine alors un
certain tα à l’aide de la table de la loi de student, tel que
P(|T | ≤ tα ) ≥ 1 − α, où T ∼ Student(n − 1).
√
On utilise le fait que T = Sn−1n
(X¯n − µ) suit une loi de
Student(n − 1).
Etant donné une marge d’erreur α, on détermine alors un
certain tα à l’aide de la table de la loi de student, tel que
P(|T | ≤ tα ) ≥ 1 − α, où T ∼ Student(n − 1).
√
On utilise le fait que T = Sn−1n
(X¯n − µ) suit une loi de
Student(n − 1).
Etant donné une marge d’erreur α, on détermine alors un
certain tα à l’aide de la table de la loi de student, tel que
P(|T | ≤ tα ) ≥ 1 − α, où T ∼ Student(n − 1).
√
On utilise le fait que T = Sn−1n
(X¯n − µ) suit une loi de
Student(n − 1).
Etant donné une marge d’erreur α, on détermine alors un
certain tα à l’aide de la table de la loi de student, tel que
P(|T | ≤ tα ) ≥ 1 − α, où T ∼ Student(n − 1).
Exemple
Exemple
Exemple
Soit Xi le chiffre d’affaire de l’entreprise le mois i.
√
On sait que T = 11 (X¯12 − µ) suit une loi de Student(11)
S12
A l’aide de la table de la loi de Student, on trouve
tα = t0,02 ' 2, 718 tel que P(|T | ≤ 2, 718) ≥ 0, 98
√
Donc, | 11 (X¯12 − µ)| ≤ 2, 718 avec proba ≥ 0, 98.
S12
S12 S12
ie : µ ∈ [X¯12 − 2, 718 × √ ; X¯12 − 2, 718 × √ ].
11 11
Avec X¯12 = 10000 et S12 = 2000, on obtient
Exemple
Soit Xi le chiffre d’affaire de l’entreprise le mois i.
√
On sait que T = 11 (X¯12 − µ) suit une loi de Student(11)
S12
A l’aide de la table de la loi de Student, on trouve
tα = t0,02 ' 2, 718 tel que P(|T | ≤ 2, 718) ≥ 0, 98
√
Donc, | 11 (X¯12 − µ)| ≤ 2, 718 avec proba ≥ 0, 98.
S12
S12 S12
ie : µ ∈ [X¯12 − 2, 718 × √ ; X¯12 − 2, 718 × √ ].
11 11
Avec X¯12 = 10000 et S12 = 2000, on obtient
Exemple
Soit Xi le chiffre d’affaire de l’entreprise le mois i.
√
On sait que T = 11 (X¯12 − µ) suit une loi de Student(11)
S12
A l’aide de la table de la loi de Student, on trouve
tα = t0,02 ' 2, 718 tel que P(|T | ≤ 2, 718) ≥ 0, 98
√
Donc, | 11 (X¯12 − µ)| ≤ 2, 718 avec proba ≥ 0, 98.
S12
S12 S12
ie : µ ∈ [X¯12 − 2, 718 × √ ; X¯12 − 2, 718 × √ ].
11 11
Avec X¯12 = 10000 et S12 = 2000, on obtient
Exemple
Soit Xi le chiffre d’affaire de l’entreprise le mois i.
√
On sait que T = 11 (X¯12 − µ) suit une loi de Student(11)
S12
A l’aide de la table de la loi de Student, on trouve
tα = t0,02 ' 2, 718 tel que P(|T | ≤ 2, 718) ≥ 0, 98
√
Donc, | 11 (X¯12 − µ)| ≤ 2, 718 avec proba ≥ 0, 98.
S12
S12 S12
ie : µ ∈ [X¯12 − 2, 718 × √ ; X¯12 − 2, 718 × √ ].
11 11
Avec X¯12 = 10000 et S12 = 2000, on obtient
Exemple
Soit Xi le chiffre d’affaire de l’entreprise le mois i.
√
On sait que T = 11 (X¯12 − µ) suit une loi de Student(11)
S12
A l’aide de la table de la loi de Student, on trouve
tα = t0,02 ' 2, 718 tel que P(|T | ≤ 2, 718) ≥ 0, 98
√
Donc, | 11 (X¯12 − µ)| ≤ 2, 718 avec proba ≥ 0, 98.
S12
S12 S12
ie : µ ∈ [X¯12 − 2, 718 × √ ; X¯12 − 2, 718 × √ ].
11 11
Avec X¯12 = 10000 et S12 = 2000, on obtient
Exemple
Soit Xi le chiffre d’affaire de l’entreprise le mois i.
√
On sait que T = 11 (X¯12 − µ) suit une loi de Student(11)
S12
A l’aide de la table de la loi de Student, on trouve
tα = t0,02 ' 2, 718 tel que P(|T | ≤ 2, 718) ≥ 0, 98
√
Donc, | 11 (X¯12 − µ)| ≤ 2, 718 avec proba ≥ 0, 98.
S12
S12 S12
ie : µ ∈ [X¯12 − 2, 718 × √ ; X¯12 − 2, 718 × √ ].
11 11
Avec X¯12 = 10000 et S12 = 2000, on obtient
3 Estimation
décor
Estimation par intervalles de confiance
Estimation d’une moyenne
Complément : estimation d’une variance
2
On utilise l’estimateur Sˆn = 1
− µ)2
P
n i=1...n (Xi
2
nSˆn
On sait que Z = σ2
∼ χ2 (n)
Etant donné, un taux d’erreur α, à l’aide de la table de la loi
du χ2 , on détermine deux nombres mα et Mα tels que :
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n).
2
On utilise l’estimateur Sˆn = 1
− µ)2
P
n i=1...n (Xi
2
nSˆn
On sait que Z = σ2
∼ χ2 (n)
Etant donné, un taux d’erreur α, à l’aide de la table de la loi
du χ2 , on détermine deux nombres mα et Mα tels que :
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n).
2
On utilise l’estimateur Sˆn = 1
− µ)2
P
n i=1...n (Xi
2
nSˆn
On sait que Z = σ2
∼ χ2 (n)
Etant donné, un taux d’erreur α, à l’aide de la table de la loi
du χ2 , on détermine deux nombres mα et Mα tels que :
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n).
2
On utilise l’estimateur Sˆn = 1
− µ)2
P
n i=1...n (Xi
2
nSˆn
On sait que Z = σ2
∼ χ2 (n)
Etant donné, un taux d’erreur α, à l’aide de la table de la loi
du χ2 , on détermine deux nombres mα et Mα tels que :
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n).
On déduit donc,
2
nSˆn
P(mα ≤ ≤ Mα ) ≥ 1 − α.
σ2
Ainsi,
2 2
nSˆn 2 nSˆn
P( ≤σ ≤ ) ≥ 1 − α.
Mα mα
r r
ˆ n ˆ n
ie : σ ∈ [Sn ; Sn ] avec proba 1 − α.
Mα mα
On déduit donc,
2
nSˆn
P(mα ≤ ≤ Mα ) ≥ 1 − α.
σ2
Ainsi,
2 2
nSˆn 2 nSˆn
P( ≤σ ≤ ) ≥ 1 − α.
Mα mα
r r
ˆ n ˆ n
ie : σ ∈ [Sn ; Sn ] avec proba 1 − α.
Mα mα
On déduit donc,
2
nSˆn
P(mα ≤ ≤ Mα ) ≥ 1 − α.
σ2
Ainsi,
2 2
nSˆn 2 nSˆn
P( ≤σ ≤ ) ≥ 1 − α.
Mα mα
r r
ˆ n ˆ n
ie : σ ∈ [Sn ; Sn ] avec proba 1 − α.
Mα mα
1 X
Sn2 = (Xi − X¯n )2
n
i=1...n
nSn2
On sait alors que Z = σ2
∼ χ2 (n − 1)
A l’aide de la table du χ2 , pour le taux α, on détermine
deux nombres mα et Mα tels que :
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n − 1).
1 X
Sn2 = (Xi − X¯n )2
n
i=1...n
nSn2
On sait alors que Z = σ2
∼ χ2 (n − 1)
A l’aide de la table du χ2 , pour le taux α, on détermine
deux nombres mα et Mα tels que :
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n − 1).
1 X
Sn2 = (Xi − X¯n )2
n
i=1...n
nSn2
On sait alors que Z = σ2
∼ χ2 (n − 1)
A l’aide de la table du χ2 , pour le taux α, on détermine
deux nombres mα et Mα tels que :
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n − 1).
1 X
Sn2 = (Xi − X¯n )2
n
i=1...n
nSn2
On sait alors que Z = σ2
∼ χ2 (n − 1)
A l’aide de la table du χ2 , pour le taux α, on détermine
deux nombres mα et Mα tels que :
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n − 1).
On déduit donc,
nSn2
P(mα ≤ ≤ Mα ) ≥ 1 − α.
σ2
Ainsi,
nSn2 nSn2
P( ≤ σ2 ≤ ) ≥ 1 − α.
Mα mα
r r
n n
ie : σ ∈ [Sn ; Sn ] avec proba 1 − α.
Mα mα
On déduit donc,
nSn2
P(mα ≤ ≤ Mα ) ≥ 1 − α.
σ2
Ainsi,
nSn2 nSn2
P( ≤ σ2 ≤ ) ≥ 1 − α.
Mα mα
r r
n n
ie : σ ∈ [Sn ; Sn ] avec proba 1 − α.
Mα mα
On déduit donc,
nSn2
P(mα ≤ ≤ Mα ) ≥ 1 − α.
σ2
Ainsi,
nSn2 nSn2
P( ≤ σ2 ≤ ) ≥ 1 − α.
Mα mα
r r
n n
ie : σ ∈ [Sn ; Sn ] avec proba 1 − α.
Mα mα
Exemple
Exemple
25S 2 25S 2
on obtient σ 2 ∈ [ 36,415
25 25
; 13,848 ] avec proba 0, 9.
Exemple
25S 2 25S 2
on obtient σ 2 ∈ [ 36,415
25 25
; 13,848 ] avec proba 0, 9.
Exemple
25S 2 25S 2
on obtient σ 2 ∈ [ 36,415
25 25
; 13,848 ] avec proba 0, 9.
Exemple
25S 2 25S 2
on obtient σ 2 ∈ [ 36,415
25 25
; 13,848 ] avec proba 0, 9.
Exemple
25S 2 25S 2
on obtient σ 2 ∈ [ 36,415
25 25
; 13,848 ] avec proba 0, 9.
Exemple
25S 2 25S 2
on obtient σ 2 ∈ [ 36,415
25 25
; 13,848 ] avec proba 0, 9.
3 Estimation
4 Tests
Tests paramétriques
Tests de comparaison
4 Tests
Tests paramétriques
Test d’une moyenne, σ connu
Test d’une moyenne, σ inconnu mais échantillon Gaussien
Test d’une variance, µ connu mais échantillon Gaussien
Test d’une variance, µ inconnu échantillon Gaussien
Tests de comparaison
Cas d’échantillons Gaussiens
Cas d’échantillons non Gaussiens
Comparaison d’échantillons Gaussiens appariés
√
La position du nombre σn (X¯n − µ0 ) par rapport à
[−uα ; uα ], permet de rejetter ou de ne pas rejetter H0 .
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
√
La position du nombre σn (X¯n − µ0 ) par rapport à
[−uα ; uα ], permet de rejetter ou de ne pas rejetter H0 .
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
√
La position du nombre σn (X¯n − µ0 ) par rapport à
[−uα ; uα ], permet de rejetter ou de ne pas rejetter H0 .
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
√
La position du nombre σn (X¯n − µ0 ) par rapport à
[−uα ; uα ], permet de rejetter ou de ne pas rejetter H0 .
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
Ainsi,
√
n ¯
Si σ (Xn − µ0 ) ∈ [−uα ; uα ], on ne rejette pas H0 .
Sinon on rejette H0 .
Ainsi,
√
n ¯
Si σ (Xn − µ0 ) ∈ [−uα ; uα ], on ne rejette pas H0 .
Sinon on rejette H0 .
√
n−1 ¯
Etude de la position de Sn (Xn − µ0 ) par rapport à
[−tα ; tα ].
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
√
n−1 ¯
Etude de la position de Sn (Xn − µ0 ) par rapport à
[−tα ; tα ].
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
√
n−1 ¯
Etude de la position de Sn (Xn − µ0 ) par rapport à
[−tα ; tα ].
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
√
n−1 ¯
Etude de la position de Sn (Xn − µ0 ) par rapport à
[−tα ; tα ].
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
nSˆn2 1 X
Z = = (Xi − µ)2
σ2 σ2
i=1...n
nSˆn2
Etude de la position de σ02
par rapport à cα .
nSˆn2
Etude de la position de σ02
par rapport à cα .
nSˆn2
Etude de la position de σ02
par rapport à cα .
nSˆn2
Etude de la position de σ02
par rapport à cα .
nSn2
qui doit suivre un χ2 (n − 1), si le σ est correct.
σ2
nSn2
qui doit suivre un χ2 (n − 1), si le σ est correct.
σ2
nSn2
Etude de la position de σ02
par rapport à cα .
nSn2
Etude de la position de σ02
par rapport à cα .
nSn2
Etude de la position de σ02
par rapport à cα .
nSn2
Etude de la position de σ02
par rapport à cα .
4 Tests
Tests paramétriques
Test d’une moyenne, σ connu
Test d’une moyenne, σ inconnu mais échantillon Gaussien
Test d’une variance, µ connu mais échantillon Gaussien
Test d’une variance, µ inconnu échantillon Gaussien
Tests de comparaison
Cas d’échantillons Gaussiens
Cas d’échantillons non Gaussiens
Comparaison d’échantillons Gaussiens appariés
Problématique :
Etant donné deux échantillons de taille nA et nB , peut-on
admettre qu’ils ont été prélevés dans une même population.
Ces deux échantillons ayant été prélevés independamment l’un
de l’autre.
Test de comparaison
Population A Population B
Echantillon Echantillon
SnAA SnBB
Principe du test :
On suppose H0 : σA = σB .
Etant donné un seuil α, on détermine un fα à l’aide de la
table de la loi de Fisher-Snedecor tel que
P(F ≤ fα ) = 1 − α où F ∼ F(nA − 1, nB − 1).
A 2
nA Sn
A
(nA −1)
On compare la valeur Z = B 2 , à fα .
nB Sn
B
(nB −1)
Principe du test :
On suppose H0 : σA = σB .
Etant donné un seuil α, on détermine un fα à l’aide de la
table de la loi de Fisher-Snedecor tel que
P(F ≤ fα ) = 1 − α où F ∼ F(nA − 1, nB − 1).
A 2
nA Sn
A
(nA −1)
On compare la valeur Z = B 2 , à fα .
nB Sn
B
(nB −1)
Principe du test :
On suppose H0 : σA = σB .
Etant donné un seuil α, on détermine un fα à l’aide de la
table de la loi de Fisher-Snedecor tel que
P(F ≤ fα ) = 1 − α où F ∼ F(nA − 1, nB − 1).
A 2
nA Sn
A
(nA −1)
On compare la valeur Z = B 2 , à fα .
nB Sn
B
(nB −1)
Principe du test :
On suppose H0 : σA = σB .
Etant donné un seuil α, on détermine un fα à l’aide de la
table de la loi de Fisher-Snedecor tel que
P(F ≤ fα ) = 1 − α où F ∼ F(nA − 1, nB − 1).
A 2
nA Sn
A
(nA −1)
On compare la valeur Z = B 2 , à fα .
nB Sn
B
(nB −1)
Principe du test :
On suppose H0 : σA = σB .
Etant donné un seuil α, on détermine un fα à l’aide de la
table de la loi de Fisher-Snedecor tel que
P(F ≤ fα ) = 1 − α où F ∼ F(nA − 1, nB − 1).
A 2
nA Sn
A
(nA −1)
On compare la valeur Z = B 2 , à fα .
nB Sn
B
(nB −1)
Remarques
Si les deux échantillons ont même taille (nA = nB ),
l’expression se simplifie en :
2
SnAA
2
.
SnBB
Remarques
Si les deux échantillons ont même taille (nA = nB ),
l’expression se simplifie en :
2
SnAA
2
.
SnBB
Remarques
Si les deux échantillons ont même taille (nA = nB ),
l’expression se simplifie en :
2
SnAA
2
.
SnBB
Rappels
Prérequis :
Si X et Y sont deux v.a indépendantes, on a :
Var (X + Y ) = Var (X ) + Var (Y )
Par ailleurs, la somme de deux Gaussiennes
indépendantes est encore une Gaussienne.
Ainsi,
si X ∼ N (µ1 , σ1 ) et Y ∼ N (µ2 , σ2 ), on a :
X + Y ∼ N (µ1 + µ2 , σ1 + σ2 )
Si les Xi ∼ N (µ, σ), alors
σ
X¯n ∼ N (µ, √ )
n
Rappels
Prérequis :
Si X et Y sont deux v.a indépendantes, on a :
Var (X + Y ) = Var (X ) + Var (Y )
Par ailleurs, la somme de deux Gaussiennes
indépendantes est encore une Gaussienne.
Ainsi,
si X ∼ N (µ1 , σ1 ) et Y ∼ N (µ2 , σ2 ), on a :
X + Y ∼ N (µ1 + µ2 , σ1 + σ2 )
Si les Xi ∼ N (µ, σ), alors
σ
X¯n ∼ N (µ, √ )
n
Rappels
Prérequis :
Si X et Y sont deux v.a indépendantes, on a :
Var (X + Y ) = Var (X ) + Var (Y )
Par ailleurs, la somme de deux Gaussiennes
indépendantes est encore une Gaussienne.
Ainsi,
si X ∼ N (µ1 , σ1 ) et Y ∼ N (µ2 , σ2 ), on a :
X + Y ∼ N (µ1 + µ2 , σ1 + σ2 )
Si les Xi ∼ N (µ, σ), alors
σ
X¯n ∼ N (µ, √ )
n
Rappels
Prérequis :
Si X et Y sont deux v.a indépendantes, on a :
Var (X + Y ) = Var (X ) + Var (Y )
Par ailleurs, la somme de deux Gaussiennes
indépendantes est encore une Gaussienne.
Ainsi,
si X ∼ N (µ1 , σ1 ) et Y ∼ N (µ2 , σ2 ), on a :
X + Y ∼ N (µ1 + µ2 , σ1 + σ2 )
Si les Xi ∼ N (µ, σ), alors
σ
X¯n ∼ N (µ, √ )
n
Rappels
Prérequis :
Si X et Y sont deux v.a indépendantes, on a :
Var (X + Y ) = Var (X ) + Var (Y )
Par ailleurs, la somme de deux Gaussiennes
indépendantes est encore une Gaussienne.
Ainsi,
si X ∼ N (µ1 , σ1 ) et Y ∼ N (µ2 , σ2 ), on a :
X + Y ∼ N (µ1 + µ2 , σ1 + σ2 )
Si les Xi ∼ N (µ, σ), alors
σ
X¯n ∼ N (µ, √ )
n
Rappels
Prérequis :
Si X et Y sont deux v.a indépendantes, on a :
Var (X + Y ) = Var (X ) + Var (Y )
Par ailleurs, la somme de deux Gaussiennes
indépendantes est encore une Gaussienne.
Ainsi,
si X ∼ N (µ1 , σ1 ) et Y ∼ N (µ2 , σ2 ), on a :
X + Y ∼ N (µ1 + µ2 , σ1 + σ2 )
Si les Xi ∼ N (µ, σ), alors
σ
X¯n ∼ N (µ, √ )
n
X¯A − X¯B p
T =q nA + nB − 2,
2 2
(nA SnAA + nB SnBB )( n1A + 1
nB )
2
Le test de variance n’est plus valable en général. ( nS
σ2
n
ne
suit pas forcément un χ2 )
Parcontre, si nA et nB sont assez grands (≥ 30), on peut
quand même tester les moyennes avec la formule de
Student.
2
Le test de variance n’est plus valable en général. ( nS
σ2
n
ne
suit pas forcément un χ2 )
Parcontre, si nA et nB sont assez grands (≥ 30), on peut
quand même tester les moyennes avec la formule de
Student.
2
Le test de variance n’est plus valable en général. ( nS
σ2
n
ne
suit pas forcément un χ2 )
Parcontre, si nA et nB sont assez grands (≥ 30), on peut
quand même tester les moyennes avec la formule de
Student.
Test de comparaison
d’échantillons Gaussiens
appariés.
Appariement
Appariement
Appariement
Appariement
Appariement
Appariement
Exemple
En projet 4,5 7 6 6 6 7 6 6 7 5
Normal 6 8 7 7 6 7 8 7 7 7
Exemple
En projet 4,5 7 6 6 6 7 6 6 7 5
Normal 6 8 7 7 6 7 8 7 7 7
Exemple
Soit X la v.a temps de sommeil en période de projet et Y
en période normale.
Soit Z = X − Y , on Z¯10 = −0, 95h et S10 = 0, 72h
Sous H0 := ”µX = µY ”, on sait que la v.a,
√
n−1 ¯
Tn−1 = (Zn ) doit suit une loi de Student(n − 1)
Sn
(ici n = 10)
Etant donné une marge d’erreur α = 5%, on détermine
alors un certain tα à l’aide de la table de Student(9), tel
que P(|T9 | ≤ tα ) ≥ 0, 95,on trouve tα = 2, 262
On a T9 ≈ −3, 94 ∈ / [−2, 262; 2, 262], donc on rejette H0 .
Ainsi, on peut conclure que le personnel dort
significativement moins en période de projet.
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
Exemple
Soit X la v.a temps de sommeil en période de projet et Y
en période normale.
Soit Z = X − Y , on Z¯10 = −0, 95h et S10 = 0, 72h
Sous H0 := ”µX = µY ”, on sait que la v.a,
√
n−1 ¯
Tn−1 = (Zn ) doit suit une loi de Student(n − 1)
Sn
(ici n = 10)
Etant donné une marge d’erreur α = 5%, on détermine
alors un certain tα à l’aide de la table de Student(9), tel
que P(|T9 | ≤ tα ) ≥ 0, 95,on trouve tα = 2, 262
On a T9 ≈ −3, 94 ∈ / [−2, 262; 2, 262], donc on rejette H0 .
Ainsi, on peut conclure que le personnel dort
significativement moins en période de projet.
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
Exemple
Soit X la v.a temps de sommeil en période de projet et Y
en période normale.
Soit Z = X − Y , on Z¯10 = −0, 95h et S10 = 0, 72h
Sous H0 := ”µX = µY ”, on sait que la v.a,
√
n−1 ¯
Tn−1 = (Zn ) doit suit une loi de Student(n − 1)
Sn
(ici n = 10)
Etant donné une marge d’erreur α = 5%, on détermine
alors un certain tα à l’aide de la table de Student(9), tel
que P(|T9 | ≤ tα ) ≥ 0, 95,on trouve tα = 2, 262
On a T9 ≈ −3, 94 ∈ / [−2, 262; 2, 262], donc on rejette H0 .
Ainsi, on peut conclure que le personnel dort
significativement moins en période de projet.
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
Exemple
Soit X la v.a temps de sommeil en période de projet et Y
en période normale.
Soit Z = X − Y , on Z¯10 = −0, 95h et S10 = 0, 72h
Sous H0 := ”µX = µY ”, on sait que la v.a,
√
n−1 ¯
Tn−1 = (Zn ) doit suit une loi de Student(n − 1)
Sn
(ici n = 10)
Etant donné une marge d’erreur α = 5%, on détermine
alors un certain tα à l’aide de la table de Student(9), tel
que P(|T9 | ≤ tα ) ≥ 0, 95,on trouve tα = 2, 262
On a T9 ≈ −3, 94 ∈ / [−2, 262; 2, 262], donc on rejette H0 .
Ainsi, on peut conclure que le personnel dort
significativement moins en période de projet.
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
Exemple
Soit X la v.a temps de sommeil en période de projet et Y
en période normale.
Soit Z = X − Y , on Z¯10 = −0, 95h et S10 = 0, 72h
Sous H0 := ”µX = µY ”, on sait que la v.a,
√
n−1 ¯
Tn−1 = (Zn ) doit suit une loi de Student(n − 1)
Sn
(ici n = 10)
Etant donné une marge d’erreur α = 5%, on détermine
alors un certain tα à l’aide de la table de Student(9), tel
que P(|T9 | ≤ tα ) ≥ 0, 95,on trouve tα = 2, 262
On a T9 ≈ −3, 94 ∈ / [−2, 262; 2, 262], donc on rejette H0 .
Ainsi, on peut conclure que le personnel dort
significativement moins en période de projet.
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
Exemple
Soit X la v.a temps de sommeil en période de projet et Y
en période normale.
Soit Z = X − Y , on Z¯10 = −0, 95h et S10 = 0, 72h
Sous H0 := ”µX = µY ”, on sait que la v.a,
√
n−1 ¯
Tn−1 = (Zn ) doit suit une loi de Student(n − 1)
Sn
(ici n = 10)
Etant donné une marge d’erreur α = 5%, on détermine
alors un certain tα à l’aide de la table de Student(9), tel
que P(|T9 | ≤ tα ) ≥ 0, 95,on trouve tα = 2, 262
On a T9 ≈ −3, 94 ∈ / [−2, 262; 2, 262], donc on rejette H0 .
Ainsi, on peut conclure que le personnel dort
significativement moins en période de projet.
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests
Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
Exemple
Soit X la v.a temps de sommeil en période de projet et Y
en période normale.
Soit Z = X − Y , on Z¯10 = −0, 95h et S10 = 0, 72h
Sous H0 := ”µX = µY ”, on sait que la v.a,
√
n−1 ¯
Tn−1 = (Zn ) doit suit une loi de Student(n − 1)
Sn
(ici n = 10)
Etant donné une marge d’erreur α = 5%, on détermine
alors un certain tα à l’aide de la table de Student(9), tel
que P(|T9 | ≤ tα ) ≥ 0, 95,on trouve tα = 2, 262
On a T9 ≈ −3, 94 ∈ / [−2, 262; 2, 262], donc on rejette H0 .
Ainsi, on peut conclure que le personnel dort
significativement moins en période de projet.
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests