Vous êtes sur la page 1sur 97

Université Hassan II

Faculté des Sciences Juridiques, Economiques et Sociales


Ain Sebâa – Casablanca

05/10/2017 1
Eléments de cours :
Echantillonnage, Estimation et Tests d’Hypothèses

05/10/2017 2
I. Eléments de l’Echantillonnage

05/10/2017 Echantillonnage & Estimation 3


1. Généralités

Considérons une population de taille N dans laquelle on s’intéresse à étudier deux


caractères : L’un quantitatif X de moyenne m et de variance 2 et l’autre
quantitatif Y de proportion p.

 Solution 1: Une première solution consiste à réaliser une étude sur l’ensemble
des individus de la population. C’est ce qu’on appelle recensement.

 Solution 2 : Une deuxième solution consiste à prendre uniquement une sous-


population, appelée échantillon de taille (n < N) et essayer de trouver des
approximations pour les différents caractéristiques. C’est ce qu’on appelle
enquête par échantillonnage.

05/10/2017 Echantillonnage & Estimation 4


1. Généralités

 Pour une population : m,  2 , p et N représentent respectivement la moyenne,


la variance, la proportion et la taille de la population.

 Pour un échantillon : X , S2, f , n représentent respectivement la moyenne


ou la moyenne empirique, la variance ou la variance empirique, la
fréquence et la taille de l’échantillon.

Paramètres Paramètres
-Moyennes m -Moyennes X
-Variance 2 -Variance S2
-Proportion p -Proportion f

Population de taille N Echantillon de taille n

05/10/2017 Echantillonnage & Estimation 5


3. L’échantillonnage aléatoire et simple

 L’échantillonnage est l’ensemble des opérations permettant de sélectionner de


façon organisée les éléments de l’échantillon.

 Un échantillonnage est aléatoire si tous les individus de la population ont


la même probabilité de faire partie de l’échantillon.

 Un échantillonnage est simple si les prélèvements des individus sont réalisés


indépendamment les uns des autres.

05/10/2017 Echantillonnage & Estimation 6


4. Distribution d’échantillonnage de la moyenne

 Soit une population au sein de laquelle on prélève tous les échantillons possibles
d’une manière aléatoire et simple.
x11 .
1 n

.
x2 1
x1  x
i 1 i1
n
xn1 .

X1 . x22 .
1 n
X2 . x22 . x2 
n
 x
i 1 i 2
.
. xn2 .

.
x13 .
XN .
1 n

.
x2 3
x3  x
i 1 i 3
n
Population
xn3 .

05/10/2017 Echantillonnage & Estimation 8


4. Distribution d’échantillonnage de moyenne

 On remarque que la moyenne X varie d’un échantillon à un autre.

 L’étude de cette variable est appelée l’étude de distribution d’échantillonnage


des moyennes.

 On dit aussi que X possède une distribution de probabilité appelée


distribution de l’échantillonnage de la moyenne.
Donc on peut calculer l’espérance mathématique, la variance et déterminer la
loi de cette distribution.

05/10/2017 Echantillonnage & Estimation 9


4. Distribution d’échantillonnage de moyenne

 Echantillon exhaustif ( Tirage sans remise )


Dans le cas où la taille de la population est finie de taille N au sein de laquelle est
prélevé, sans remise, un échantillon aléatoire et simple de taille n, on a :

N n 2
EX   m et V X   
n 1 n

 Echantillon non exhaustif ( Tirage avec remise )


Dans le cas où la taille de la population est grande au sein de laquelle est
prélevé, avec remise, un échantillon aléatoire et simple de taille n, on a :

EX   m et V X  
2
n

05/10/2017 Echantillonnage & Estimation 10


4. Distribution d’échantillonnage de moyenne

Remarque: Dans la suite on va traiter seulement les cas de tirages non exhaustif

 Cas 1: Population normale , la moyenne et la variance sont connues

➢ Soit une population normale, c’est-à-dire ; la loi de la variable X définie


sur cette population est distribuée selon une loi normale de moyenne m et
variance  2 .

➢ On extrait des échantillons à partir de cette population dont la moyenne


est X . Alors :
  
X N  m, 
 n

05/10/2017 Echantillonnage & Estimation 11


4. Distribution d’échantillonnage de moyenne

 Cas 2: Population normale, la taille est petite (n < 30 ) et la variance


est inconnue

➢ Soit une population de moyenne m et de variance  2 qui est inconnue,


à partir de laquelle on extrait des échantillons.
La variable aléatoire définie par :

X m
Y Tn 1
S
n

Tn 1 désigne la loi de student à n – 1 degrés de liberté

05/10/2017 Echantillonnage & Estimation 12


4. Distribution d’échantillonnage de moyenne

 Cas 3: Population de quelconque et la taille est grande ( n >30)

➢ Soit une population de moyenne m et de variance 2 (on suppose qu’elles


sont connues).

➢ On suppose que la loi de cette population est inconnue. Si les tirages sont
non exhaustifs alors la variable aléatoire définie par :

X m
Y 

n

tend vers une loi normale N  0,1 lorsque n tend vers l’infini.

05/10/2017 Echantillonnage & Estimation 13


4. Distribution d’échantillonnage de moyenne

05/10/2017 Echantillonnage & Estimation 14


4. Distribution d’échantillonnage de moyenne

05/10/2017 Echantillonnage & Estimation 15


5. Distribution d’échantillonnage de la fréquence

 Considérons une expérience aléatoire E et un évènement A, appelé évènement


succès lié à cette expérience E.

 Soit X une variable aléatoire définie par :

1, si A est réalisé


X 
0, sinon

 Supposons que cette expérience est répété n fois d’une manière indépendante
et dans les mêmes conditions.

 Soit X n   i 1 X i le nombre de réalisations de l’évènement succès.


n

05/10/2017 Echantillonnage & Estimation 16


5. Distribution d’échantillonnage de la fréquence

 X n est appelée aussi le nombre d’individus possédant un caractère donné


(réalisation de A) dans l’échantillon de taille n (nombre de réplétion de E).

 La fréquence de l’évènement de succès est donnés par:


Xn
fn 
n

 Soit une population au sein de laquelle on prélève tous les échantillons


possibles d’une manière aléatoire et simple.

05/10/2017 Echantillonnage & Estimation 17


5. Distribution d’échantillonnage de la fréquence
x11 .
. X n1 1 n
f1    i 1 xi1
x2 1

n n
xn1 .

X1 . x22 .
X n2 1 n
X2 . x22 . f2    i 1 xi 2
n n
.
. xn2 .

.
x13 .
XN .
X n3 1 n
  i 1 xi 3
.
x2 3
f3 
n n
Population
xn3 .

On remarque que la fréquence varie d’un échantillon à un autre

05/10/2017 Echantillonnage & Estimation 18


5. Distribution d’échantillonnage de la fréquence

 L’étude de cette variable est appelée l’étude de distribution d’échantillonnage


des fréquences

 On dit aussi que f n ou f possède une distribution de probabilité appelée


distribution de l’échantillonnage de la fréquence. Donc on peut calculer
l’espérance mathématique , la variance de cette distribution et déterminer la
loi de cette distribution.

05/10/2017 Echantillonnage & Estimation 19


5. Distribution d’échantillonnage de la fréquence

 Echantillon exhaustif

Étant donné une population finie de taille N au sein de laquelle on a prélevé un


échantillon aléatoire et simple de taille n sans remise. Alors on a :

p 1  p  N  n
E  fn   p V  fn   
n N 1

 Echantillon non exhaustif


Dans le cas d’une population infinie au sein de laquelle on extrait un
échantillon aléatoire et simple de taille n avec remise. Alors on a :

E  fn   p p 1  p 
V  fn  
n

05/10/2017 Echantillonnage & Estimation 20


5. Distribution d’échantillonnage de la fréquence

 Soit une population au sein de laquelle un échantillon aléatoire et simple de


taille n est prélevé.

 Lorsque n  30 et np  5 , la distribution de la fréquence suit la loi normale de


p 1  p 
moyenne p et d’écart-type , i.e:
n

 p 1  p  
f N  p, 
 n 
 

05/10/2017 Echantillonnage & Estimation 21


6. Distribution d’échantillonnage de la variance
Soit une population au sein de laquelle on prélève tous les échantillons possibles
d’une manière aléatoire et simple.
x11 .
1 n
 i1 1 
.
S12  
x2 1 2
x x
n i 1
xn1 .

X1 . x22 .
1 n
S22   i2 2  
2
X2 . x22 . x x
n i 1
.
. xn2 .

.
x13 .
XN .
1 n
S   i 1  xi 3  x3 
x2 3 . 2 2
3
Population
n
xn3 .

05/10/2017 Echantillonnage & Estimation 22


6. Distribution d’échantillonnage de la variance

On remarque que S  X  varie d’un échantillon à un autre.


On dit que S  X  est une variable aléatoire qui possède une distribution de probabilité,
appelée distribution d’échantillonnage de la variance.

 Supposons que les variables aléatoires de ces échantillons suivant la loi normale
de paramètres m et .

 L’espérance et la variance empirique sont données par :


n 1 2
E  S 2  x    
n

2  n  1 4
V  S 2  x    2

n

05/10/2017 Echantillonnage & Estimation 23


6. Distribution d’échantillonnage de la variance

On remarque que l’espérance mathématique de S 2  x  n’est pas égale à  2 .

Soit la formule suivante :

S 2  x 
1

n

n  1 i 1
 X i  X  
1
n 1
S 2

Alors :
n n 1 2
 
E S 2  x 
n
n 1
E  S 2  x   
n 1 n
   2

Donc

 
E S 2  x   2

05/10/2017 Echantillonnage & Estimation 24


6. Distribution d’échantillonnage de la variance

 Soit une variable aléatoire définie par:

Y
  n
X
i 1 i X

nS 2

 n  1 2
S
2 2 2

 Cette variable suit la loi de Khi-deux à n-1 degrés de liberté.


On écrit :

Y  n21

05/10/2017 Echantillonnage & Estimation 25


II. Initiation à l’Estimation

05/10/2017 26
1. Généralités sur l’estimation

1. Principe de l’estimation

L’’objectif de l’estimation est de donner une valeur approché à un paramètre


(moyenne, variance, fréquence,…) d’une population à partir d’un échantillon,
et ce avec une précision la plus élevée possible.

2. Définition de l’estimation

L’estimation est l’évaluation d’un paramètre inconnu  de la population par


une ou plusieurs valeurs possibles.

05/10/2017 Echantillonnage & Estimation 27


1. Généralités sur l’estimation

3. Types d’estimation

 Quand on estime  par une valeur unique, on parle d’estimation


ponctuelle.
 Quand on estime  par tout un intervalle de valeurs, on parle
d’estimation par intervalle de confiance.

4. Définition de l’estimateur
Un estimateur d’un paramètre  d’une population est une fonction des valeurs
X 1 , X 2 ,..., X n observées susceptibles de servie à estimer  .
On écrit :
Tn  f  X 1 , X 2 ,..., X n 

05/10/2017 Echantillonnage & Estimation 28


1. Généralités sur l’estimation

5. Qualité d’un estimateur

5.1 Estimateur sans biais

Soit Tn un estimateur de  . On dit que Tn est un estimateur sans biais de  ,


si on a :
E Tn   

5.2 Estimateur efficace

Tn est un estimateur efficace de  si c’est un estimateur sans biais de 


et qui a une variance minimale parmi tous les estimateurs sans biais de  .

05/10/2017 Echantillonnage & Estimation 29


2. Estimation de la moyenne d’une population

1. Estimation ponctuelle

Etant donné une population de moyenne m, l’estimateur sans biais de m est


donné par :
1 n
X   Xi
n i 1

La variance de cet estimateur est : .

2
V X  
n

où  2 est la variance de la population

05/10/2017 Echantillonnage & Estimation 30


2. Estimation de la moyenne d’une population

Remarque :
On suppose que le tirage est non exhaustive dans tous les cas.

2. Estimation par intervalle de confiance

2.1 Cas d’une population normale

Etant donné une population normale de moyenne m et de variance  2 ,


c'est-à-dire la variable aléatoire concernée X de la population suit la loi
normale N  m,   .

05/10/2017 Echantillonnage & Estimation 31


2. Estimation de la moyenne d’une population

 L’estimateur par intervalle de confiance de m consiste à déterminer les bornes


x1 et x2 de l’intervalle I, pour lesquelles I a un niveau de confiance, appelé
probabilité 1   , de contenir m. α est appelé risque d’erreur.

 Les bornes x1 et x2 sont telles que :

P  x1  m  x2   1  

05/10/2017 Echantillonnage & Estimation 32


2. Estimation de la moyenne d’une population

2.1.1 Cas d’écart type connu

P  x1  m  x2   P  X  x2  X  m  X  x1   1  

 X  x2 X m X  x1   X  x2 X  x1 
P     P   T    1 
 / n  / n  / n   / n / n

X m
où : T
/ n

Donc
X x
T N  0,1
/ n

05/10/2017 Echantillonnage & Estimation 33


2. Estimation de la moyenne d’une population

 Soit Z  la valeur de la variable normale N  0,1 , appelé quartile, lue dans


1
2

la table, c'est-à-dire

 
P  Z   T  Z    1  
 1 2 1
2 

  X  x2 X  x1 
 
P  T    1
  / n / n

 On a: 

 P   Z 
  T  Z    1

 
1
2
1
2 

05/10/2017 Echantillonnage & Estimation 34


2. Estimation de la moyenne d’une population

 X  x2
  Z 
  / n 1
2

Alors 
 X
 Z 
 / n
 1
2

Donc x1  X  Z    et x2  X  Z  
1 n 1 n
2 2

D’où :
   
Ic  m    X  Z   ,X Z   
1 n 1 n
 2 2 

05/10/2017 Echantillonnage & Estimation 35


2. Estimation de la moyenne d’une population

2.1.2 Cas d’écart type inconnu

➢ Taille d’échantillon de n < 30

 Dans le cas où la variance est inconnue, on utilise la quasi-variance comme


estimation de la variance.

 L’intervalle de confiance de la moyenne I c  m  est définie comme suit :

P  x1  m  x2   P  X  x2  X  m  X  x1   1  

05/10/2017 Echantillonnage & Estimation 36


2. Estimation de la moyenne d’une population

 X  x2 X m X  x1 
P     1
S/ n S/ n S/ n

où :
n
S V X 
n 1

Comme X N  m,   et  est inconnue alors :

X m
T  Tn 1
S/ n

05/10/2017 Echantillonnage & Estimation 37


2. Estimation de la moyenne d’une population

 Soit t1  la valeur de la variable de Student à n-1 degré de liberté lue à


2

partir de la table de Student, c'est-à-dire :

 
P  t   T  t    1  
 1 2 1
2 

 On a:
  
 P  t1   T  t1    1  
  2 2 



 P  X  x2  T  X  x1   1  
 S/ n S/ n

05/10/2017 Echantillonnage & Estimation 38


2. Estimation de la moyenne d’une population

 X  x2
  t 
S / n 1


2

Alors 
X x
 1
t 

S / n 1
2

Donc x1  X  t  S / n et x2  X  t  S / n
1 1
2 2

D’où

 
Ic  m   Ic   X  t   S / n , X  t   S / n 
1 1
 2 2 

05/10/2017 Echantillonnage & Estimation 39


2. Estimation de la moyenne d’une population

2.2 Cas d’une population de loi quelconque et n > 30

P  x1  m  x2   P  X  x2  X  m  X  x1   1  

 X  x2 X  m X  x1   X  x2 X  x1 
P     P   T    1 
 / n  / n  / n   / n / n

X m
où T N  0,1
/ n

 
Donc Ic  m   Ic   X  Z   / n , X  Z   / n 
1 1
 2 2 

Remarque: Si  est inconnue alors on remplace  par S .

05/10/2017 Echantillonnage & Estimation 40


3. Estimation de la proportion d’une population

1. Estimation ponctuelle

Etant donné une population de proportion p.

 On a : E  fn   p alors p  fn est un estimation sans biais de p.

 La variance de cet estimateur est :

p 1  p 
V  fn  
n
et

p 1  p 
f 
n
n

05/10/2017 Echantillonnage & Estimation 41


3. Estimation de la proportion d’une population

2. Estimation par intervalle de confiance

 L’estimation par intervalle de confiance d’une proportion p consiste à


déterminer les bornes x1 et x2 d’un intervalle I qui a niveau de confiance,
appelé probabilité 1   , de contenir p.

 Les bornes x1 et x2 sont telles que :

P  x1  p  x2   1  

05/10/2017 Echantillonnage & Estimation 42


3. Estimation de la proportion d’une population

Si n  30 et n  fn  5

Alors
 f n 1  f n  f n 1  f n  
Ic  p    fn  Z   , fn  Z   
 1
2 n 1
2 n 

Z
1
 la valeur de la variable normale N  0,1 , appelé quartile, lue dans la table
2
de la loi Normale centrée réduite.

05/10/2017 Echantillonnage & Estimation 43


4. Estimation de la variance d’une population

1. Estimation ponctuelle

Etant donné un population de variance  2 .

 On a :  
E S2  2 alors S2 
n 2
n 1
S 
n
 i 
n

n  1 i 1
x  X
2

est un estimateur sans biais de  2 .

 Cet estimateur est appelé quasi-variance. La variance de cet estimateur est :

2  n  1 4
 
V S2 
n 2


05/10/2017 Echantillonnage & Estimation 44


4. Estimation de la variance d’une population

2. Estimation par intervalle de confiance

 Soit une population normale de variance  . L’estimateur par intervalle de


2

confiance de  consiste à déterminer les bornes x1et x2 d’un intervalle qui


2

a un niveau de confiance, appelé probabilité 1   , de contenir  2.

 Les bornes x1 et x2 sont telles que :

P  x1   2  x2   1  

05/10/2017 Echantillonnage & Estimation 45


4. Estimation de la variance d’une population

Donc :
 
 1 2
I c  2   I c    i 1  i  k  i 1  i  
n 2 1 n
x  X , x  X
k
 1 2 
2


 
de la loi  n 1 .
2
où k et k1 sont les quantiles d’ordre et 1 
2 2 2 2

05/10/2017 Echantillonnage & Estimation 46


III. Introduction au Tests Statistiques

05/10/2017 Echantillonnage & Estimation 47


1. Généralités

1.1 Définition de test statistique

Un test statistique est une procédure permettant de trancher entre deux hypothèses
en prenant une décision à partir d’informations fournies par un échantillon.

1.2 Types de tests statistiques

Il existe plusieurs types de tests statistiques.

1.2.1 Tests de comparaison

Ils constituent à vérifier si un échantillon peut être considéré comme un


extrait d’une population possédant telles caractéristique comme la moyenne,
la fréquence, la variance, …

05/10/2017 Echantillonnage & Estimation 48


1. Généralités

1.2.2 Tests d’égalité


Ils consistent à comparer un certain nombre de population en utilisant le
même nombre d’échantillon.

1.2.3 Tests d’ajustement

Ils consistent à vérifier si un échantillon peut être extrait d’une population donnée.

1.2.4 Tests d’indépendance

Ils consistent à contrôler l’indépendance de deux ou plusieurs critères de


classification.

05/10/2017 Echantillonnage & Estimation 49


2. Vocabulaires de base

2.1 Concept d’hypothèse

Pour prendre une décision statistique, il faut formuler généralement deux hypothèses:

-Hypothèse nulle, notée H0 , est l’hypothèse qui est supposant vrai en faveur du
décideur jusqu’à preuve du contraire dont on cherche à vérifier par
un raisonnement statistique.

-Hypothèse alternative , notée H1 , est l’hypothèse qui sera acceptée si H0 est


rejetée.

05/10/2017 Echantillonnage & Estimation 50


50
2. Vocabulaires de base

2.2 Concept de risque


Toute décision statistique comporte des risques d’erreurs. Celle-ci comporte deux
types de risques :
- Risque de première espèce :
C’est le risque de rejeter H0 alors qu’elle est vraie. Ce risque est appelé le seuil
de signification du test et noté α .

- Risque de deuxième espèce :


C’est le risque de ne pas rejeter H0 alors qu’elle est fausse. Ce risque est appelé
puissance du test et noté 1-β.

05/10/2017 Echantillonnage & Estimation 51


2. Vocabulaires de base

Le tableau suivant résume ces risques :

Hypothèses Décision prise


1 
Hypothèse H0 Niveau de confiance Risque de confiance

Risque (erreur) de 1 
Hypothèse H1
deuxième espèce Puissance de test

05/10/2017 Echantillonnage & Estimation 52


3. Régions de Tests Statistiques

3.1 Région d’acceptation et région critique

Soit X une variable aléatoire qui définie sur une population dont la loi de
probabilité dépend d’un paramètre.
Considérons un échantillon de taille n extrait à partir de cette population, noté

 X 1 , X 2 ,..., X n 

3.1.1 Région d’acceptation


La région d’acceptation, notée A , est la partie de l’espace de l’échantillon qui
permet d’accepter H 0 .
Autrement dit A   x1 , x2 ,..., xN  / H 0 est: vraie

05/10/2017 Echantillonnage & Estimation 53


3. Régions de Tests Statistiques

 Sachant que l’hypothèse nulle est H 0 :    0 et le paramètre calculé sur


l’échantillon est égal à  peut-être, en général, diffèrent de  , alors il faut
expliquer cette différence et déterminer la variable de décision concernant
cette décision.

 Si  est l’estimateur de  alors la variable de décision de ce test est  .

3.1.2 Région critique


La région critique ou de rejet, noté R , est l’espace des échantillons permettant
de rejeter H0. Autrement dit : R   x1 , x2 ,..., xN  / H 0 est fausse

05/10/2017 Echantillonnage & Estimation 54


4. Formulation des tests statistiques

Soit une population au sein de laquelle un échantillon aléatoire est simple est
extraite. Cette population est caractérisée par un paramètre (moyenne,
variance,…) qui estimé par un estimateur  (moyenne empirique, fréquence,
variance empirique,…) en utilisant cet échantillon.

4.1 Formulation de l’hypothèse nulle


 Supposons que la vraie valeur du  est inconnue. Attribuons une valeur  0 à 
et testons la validité de cette hypothèse.

 L’objectif de ce test est de vérifier si  est égale ou non la valeur  0 .


L’hypothèse nulle H0 est donc H 0 :    0

05/10/2017 Echantillonnage & Estimation 55


4. Formulation des Tests Statistiques

4.2 Variable de décision

La variable de la décision du test correspond à l’estimateur de  qui est  .


4.3 Règle de décision
La règle de décision est exprimée comme suit :
Si l’échantillon appartient à A alors on accepte H0
Si l’échantillon appartient à R alors on rejette H0

4.4 Formes de test statistiques


- Test bilatéral
- Test unilatéral à gauche
- Test unilatéral à droite

05/10/2017 Echantillonnage & Estimation 56


4. Formulation des Tests Statistiques

- Test bilatéral est exprimé comme suit :

 H 0 :   0

 H1 :    0
La règle de décision peut être représenté par :

  0   0   0
Région d’acceptation de Région de rejet de
Région de rejet de
H0 H0
H0
A1 A2
A1 et A2 sont les valeurs qui délimitent la région d’acceptation telles que :

P  A1   0  A2   1  

05/10/2017 Echantillonnage & Estimation 57


4. Formulation des Tests Statistiques

-Test unilatéral à gauche est exprimé comme suit :

 H 0 :   0

 H1 :    0

La règle de décision peut être représenté par :

  0   0
Région de rejet de H Région d’acceptation de H0
0

A désigne la valeur critique qui délimite la région d’acceptation telle que :

P  A  0   1  

05/10/2017 Echantillonnage & Estimation 58


4. Formulation des Tests Statistiques

- Test unilatéral à droite est exprimé comme suit :


 H 0 :   0

 H1 :    0

La règle de décision peut être représenté par :

0   0  
Région de rejet de Région d’acceptation de

A désigne la valeur critique qui délimite la région d’acceptation telle que :

P  A  0   1  

05/10/2017 Echantillonnage & Estimation 59


Vd

5. Procédure de Tests Statistiques

La démarche d’un test statistique est comme suit :

 Etape 1 : Formulation de H0 et H1

 Etape 2 : Précision de condition d’application


- Seuil de signification
- Taille de la population
- Taille de l’échantillon

05/10/2017 Echantillonnage & Estimation 60


5. Procédure de Tests Statistiques

 Etape 3 : Détermination de la variable Vd de décision et sa loi de probabilité

 Etape 4 : Calcul de région ou intervalle d’acceptation

 Etape 5 : Prise de décision

Si Vd  A alors on accepte H 0
Si Vd  A alors on rejette H0

05/10/2017 Echantillonnage & Estimation 61


6. Test de la moyenne

Etant donnée une population au sein de laquelle un échantillon et prélevé.


Notons par m la moyenne de la population et X la moyenne de l’échantillon.
Supposons que la vraie valeur de m est inconnue. Attribuons une valeur m0 à m
et testons la validité de cette hypothèse.

1. Formulation de tests de la moyenne

Les formes du test sont le test bilatéral, le test unilatéral à droite et le test
unilatéral à gauche qui sont données respectivement par F1 , F2 et F3 .

 H 0 : m  m0  H 0 : m  m0  H 0 : m  m0
F1 :  F2 :  F3 : 
 H1 : m  m0  H1 : m  m0  H1 : m  m0

05/10/2017 Echantillonnage & Estimation 62


6. Test de la moyenne

2. Précision de conditions d’application


Il s’agit à ce niveau de préciser la valeur du seuil de signification, la taille de la
population N et la taille de l’échantillon n.

3. Détermination de la variable de décision


La variable de la décision est l’estimateur de m qui est X dans ce cas.
Pour déterminer sa loi il faut distinguer deux cas :

05/10/2017 Echantillonnage & Estimation 63


6.Test de la moyenne

Cas 1 : La distribution de la population est normale.

Si X N  m,   où m et σ sont respectivement la moyenne et l’écart-type de

la population. Alors:

  
  est connu: X N  m,    X N  m, 
 n

  est inconnu:
 S 
- Si n  30 alors X N  m, 
 n 

X m
- Si n  30 alors Tn 1
S
n
05/10/2017 Echantillonnage & Estimation 64
6. Test de la moyenne

Cas 1 : La distribution de la population est quelconque et n > 30 .

Soient m et σ respectivement la moyenne et l’écart-type de la population

Alors:
  
  est connu: X N  m, 
 n

 S 
  est inconnu: X N  m, 
 n

05/10/2017 Echantillonnage & Estimation 65


6. Test de la moyenne
6. Calcul de la région ou l’intervalle d’acceptation
6.1 Test bilatéral
La formulation de ce test d’hypothèse est comme suit :
 H 0 : m  m0

 H1 : m  m0
La région ou l’intervalle d’acceptation dépend de H1 .

Alors il existe deux valeur critique A1 et A2 telles que sous H1 , il y’a 1    %


de chance que la moyenne se situe à l’intérieur de l’intervalle  A1 , A2  .

Cherchons l’intervalle d’acceptation I accep   A1 , A2  tel que :

P  A1  X  A2   1  

05/10/2017 Echantillonnage & Estimation 66


6. Test de la moyenne

Cas 1.1 : σ est connu

   X  m0
Sous l’hypothèse H0 : X N  m0 ,   N  0,1
 n 
n
   
 A m X  m0 A2  m0   A m A2  m0 
On a: P  A1  X  A2   P  1 0
    P 1 0
T    1 
        
   
 n n n   n n 
X m
où T N  0,1

n

Soit Z  la valeur de la variable normale centrée réduite telle que:


1
2
 
P  Z   T  Z    1
 1 2 1
2 

05/10/2017 Echantillonnage & Estimation 67


6. Test de la moyenne
 
   A m A  m0 
On a P  Z   T  Z    1 et P 1 0
T  2   1
 1 2 1
    
2
 
 n n 

A1  m0 A2  m0
Alors  Z  et Z 
1

2
 1

2

n n

 
Ce qui implique que A1  m0  Z  et A2  m0  Z  
 1
1
2 n 2 n

   
Donc I accep   m0  Z   , m0  Z   
1 1
 2 n 2 n 

05/10/2017 Echantillonnage & Estimation 68


6. Test de la moyenne

Cas 1.2 : σ inconnu et n > 30

 S S 
I accep   m0  Z  , m0  Z  
1 
 2 n 1
2 n

Cas 1.3 : σ inconnu et n < 30

 S S 
I accep   m0  t . , m0  t . 
n 1,1  
 2 n n 1,1
2 n 

où t  la valeur lue à partir de la table de la variable de Student à n – 1


n 1,1
2

degrés de liberté.
05/10/2017 Echantillonnage & Estimation 69
6. Test de la moyenne

6.2 Test unilatéral à droite


La formulation de ce test est comme suit :

 H 0 : m  m0

 H1 : m  m0

La région ou l’intervalle d’acceptation dépend de H1.


Alors il existe une valeur critique A telle que sous H1, il y’a 1    % de
chances que la moyenne calculée se situe à l’intérieur de l’intervalle , A.

Donc cherchons l’intervalle d’acceptation tel que:

P  X  A  1  

05/10/2017 Echantillonnage & Estimation 70


6. Test de la moyenne

Cas 1.1 : σ est connu

   X  m0
Sous l’hypothèse H0 : X N  m0 ,   N  0,1
 n  
n
   
 X m A  m0   A  m0 
On a: P  X  A  P  0
   P T    1 
      
   
 n n   n 
X m
où: T N  0,1

n

Soit Z1 la valeur de la variable normale centrée réduite telle que:

P T  Z1   1  

05/10/2017 Echantillonnage & Estimation 71


6. Test de la moyenne
 
 A  m0 
On a: P T  Z1   1   et P T 

  1
 
 
 n 

A  m0
Alors Z1 

n


Ce qui implique que : A  m0  Z1 
n

  
Donc I accep   , m0  Z1  
 n

05/10/2017 Echantillonnage & Estimation 72


6. Test de la moyenne

Cas 1.2 : σ inconnu et n > 30

 S 
I accep   , m0  Z1 
 n 

Cas 1.3 : σ inconnu et n < 30

 S 
I accep   , m0  tn 1,1 . 
 n 

Où tn 1,1 la valeur lue à partir de la table de la variable de Student

à n – 1 degrés de liberté.
05/10/2017 Echantillonnage & Estimation 73
6. Test de la moyenne

6. 3 Test unilatéral à gauche


La formulation de ce test est comme suit :

 H 0 : m  m0

 H1 : m  m0

La région ou l’intervalle d’acceptation dépend de H1 .


Alors il existe une valeur critique A telle que sous H1 , il y’a 1    % de
chances que la moyenne calculée se situe à l’intérieur de l’intervalle  A,  .

Donc cherchons l’intervalle d’acceptation tel que:

P  A  X   1

05/10/2017 Echantillonnage & Estimation 74


6. Test de la moyenne

Cas 1.1 : σ est connu

   X  m0
Sous l’hypothèse H0 : X N  m0 ,   N  0,1
 n  
n
   
 A  m0 X  m0   Am 
On a: P A  X   P    P 0
 T   1 
      
   
 n n   n 

Où: T  X  m N  0,1

n

Soit Z1 la valeur de la variable normale centrée réduite telle que:

P T   Z1   1  

05/10/2017 Echantillonnage & Estimation 75


6. Test de la moyenne
 
 Am 
On a: P   Z1  T   1   et P 0
T   1
  
 
 n 

A  m0
Alors  Z1 

n


Ce qui implique que : A  m0  Z1 
n

  
Donc I accep   m0  Z1  ,  
 n 

05/10/2017 Echantillonnage & Estimation 76


6. Test de la moyenne

Cas 1.2 : σ inconnu et n > 30

 S 
I accep   m0  Z1 ,  
 n 

Cas 1.3 : σ inconnu et n < 30

 S 
I accep   m0  tn 1,1 . ,  
 n 

où tn 1,1 la valeur lue à partir de la table de la variable de Student à n – 1

degrés de liberté.
05/10/2017 Echantillonnage & Estimation 77
6. Test de la moyenne

6.4 Règle de décision


Après le calcul de X , on applique la règle suivante :

Si X  I accep alors on accepte

Si X  I accep alors on rejette

05/10/2017 Echantillonnage & Estimation 78


7. Tests de la proportion

Etant donnée une population à partir de laquelle on a extrait un échantillon.


Notons par p la proportion de la population et ƒ la fréquence de l’échantillon.
Le test de la proportion p consiste à décider si celle-ci est égale ou non une
valeur donnée p0 .

7.1 Formulation de tests d’hypothèses


Il existe plusieurs formes de tests d’hypothèses dont les plus importants sont :

 H 0 : p  p0  H 0 : p  p0  H 0 : p  p0
F1 :  F2 :  F3 : 
 H1 : p  p0  H1 : p  p0  H1 : p  p0

F1, F2 et F3 sont appelées respectivement test bilatéral , test unilatéral à droite


et test unilatéral à gauche.

05/10/2017 Echantillonnage & Estimation 79


7. Tests de la proportion
.

7.2 Précision de conditions d’application


Il s’agit à ce niveau de préciser la valeur du seuil de signification , la taille de la
population N et la taille de l’échantillon n.

7.3 Détermination de la variable de décision


La variable de décision est l’estimateur de p qui est ƒ dans ce cas.
Pour un échantillon de taille n  30 , nf  5 et dans le cas de tirage non
exhaustif on a :
 p 1  p  
f N  p, 
 n 
 

05/10/2017 Echantillonnage & Estimation 80


7. Tests de la proportion

7.4 Calcul de région ou intervalle d’acceptation


La formulation de ce test est comme suit :

 H 0 : p  p0

 H1 : p  p0

l’intervalle d’acceptation dépend de H1 . Alors il existe deux valeurs critiques


a1 et a2 telles que sous H1, il y’a 1    % de chances que la fréquence calculée
sur l’échantillon se situe à l’intérieur de l’intervalle  a1 , a2  .
Alors cherchons l’intervalle d’acceptation I accep   a1 , a2  tel que :

P  a1  f  a2 1  

05/10/2017 Echantillonnage & Estimation 81


7. Tests de la proportion
 p 1  p  
On sait que f N  p, .
 n 
 

f  p0
Sous l’hypothèse N  0,1 .
p0 1  p0 
n
On a
   
   
a  p f  p a  p a  p a  p
P  a1  f  a2   P  1 0  0
 2 0   P 1 0  F  2 0   1 
 p 1  p  p0 1  p0  p0 1  p0    p0 1  p0  p0 1  p0  
 0 0
  
 n n n   n n 

f  p0
où F N  0,1
p0 1  p0 
n

05/10/2017 Echantillonnage & Estimation 82


7. Tests de la proportion

Soit Z  la valeur de la variable normale centrée réduite telle que


1
2

 
P  Z   F  Z    1  
 1 2 1
2 

On a :
  

  1 
P Z  F  Z    1 
1
  2 2 
  
  
  a1  p0 a2  p0   1
P
  p 1 p  F 

  0 0 p0 1  p0 

  n n 

05/10/2017 Echantillonnage & Estimation 83


7. Tests de la proportion

a1  p0 a2  p0
Z  et Z  
Alors p0 1  p0 

1
2 p0 1  p0  1
2

n n

p0 1  p0  p0 1  p0 
Ce qui implique que a1  p0  Z   et a2  p0  Z  
1 n 1 n
2 2

Donc
 p0 1  p0  p0 1  p0  
I accep   p0  Z   , p0  Z   
 1
2 n 1
2 n 

05/10/2017 Echantillonnage & Estimation 84


7. Tests de la proportion

7.5 Test unilatéral à droite


La formulation de ce test est comme suit :
.

 H 0 : p  p0

 H1 : p  p0

La région ou l’intervalle d’acceptation dépend de H1

Alors il existe une valeur critique a telle que sous H1 , il y’a 1    %

de chance que la fréquence calculé sur l’échantillon se situe à l’intérieur de


l’intervalle 0, a 

05/10/2017 Echantillonnage & Estimation 85


7. Tests de la proportion
.

Alors cherchons l’intervalle d’acceptation I accep  0, a  tel que P  f  a  1

 p 1  p  
On sait que f N  p,  sous l’hypothèse H0
 n 
 
on a :
   
   
f  p0 a  p0 a  p0
P    P F    1
 p0 1  p0  p0 1  p0    p0 1  p0  
   
 n n   n 

où a  p0
F N  0,1
p0 1  p0 
n

05/10/2017 Echantillonnage & Estimation 86


7. Tests de la proportion
.

Tel que : P  F  Z1   1  

 P  F  Z1   1  

  
On a :   
  a  p0   1
 
P F 
p0 1  p0  
  

  n 

a  p0 p0 1  p0 
Alors Z1  ce qui implique que a  p0  Z1 
p0 1  p0  n
n

 p0 1  p0  
Donc I accep   0, p0  Z1  
 n 

05/10/2017 Echantillonnage & Estimation 87


7. Tests de la proportion

7.6 Test unilatéral à gauche

La formulation de ce test comme suit

 H 0 : p  p0

 H1 : p  p0

En suivant la même démarche du test unilatéral à droite pour trouver le


résultat suivant :
 p0 1  p0  
I accep   p0  Z1  ,1
 n 

05/10/2017 Echantillonnage & Estimation 88


7. Tests de la proportion

7.7 Règle de décision


Après le calcul de f , on applique la règle suivante :

Si f  I accep alors on accepte H0

Si f  I accep alors on rejette H0

Remarque :
dans le cas d’un échantillon exhaustif et si, n  0.01 alors il faut tenir
N
N n
compte du coefficient dans le calcul de la variance.
N 1
Si n N  0.01 alors on ignore ce coefficient.

05/10/2017 Echantillonnage & Estimation 89


8. Tests de la variance

Etant donnée une population au sein de laquelle on a extrait un échantillon de


taille n. .

L’objectif de ce test est de vérifier si la variance  2 est égale ou non une valeur
donnée  0
2

8.1 Formulation de tests d’hypothèse


Il existe plusieurs formes de tests d’hypothèse dont les plus importants sont :

H0 :    0
 H0 :    0
 H0 :    0

2 2 2 2 2 2
F1 :  F2 :  F3 : 
 H1 :    0
  H1 :    0
  
2 2 2 2

 1
H : 2
 2
0

F1 , F2 et F3 appelées respectivement test bilatéral, test unilatéral à droite et test


unilatéral à gauche

05/10/2017 Echantillonnage & Estimation 90


8. Tests de la variance

8.1 Précision de condition d’application

Il s’agit à ce niveau de préciser la valeur de seuil de signification , la taille


de la proportion N et la taille de l’échantillon n.

8.2 Détermination de la variable de décision

La variable de décision est l’estimateur de  2 qui est S2 dans ce cas.

Pour un échantillon non exhaustif de taille n

On a :
 n  1 S /  2  n21

05/10/2017 Echantillonnage & Estimation 91


8. Tests de la variance

8.3 Calcul de région ou intervalle d’acceptation

8.3.1 Test bilatéral


La formulation de ce test est comme suit :

H0 :    0
 2 2


 H1 :    0

2 2

La région ou l’intervalle d’acceptation dépend de H1 . Alors il existe deux valeurs


critique a et b ,telles que sous H1 il y’a1    % de chances que la variance
.
calculée sur l’échantillon se situe à l’intérieur de l’intervalle  a, b 

Alors cherchons l’intervalle d’acceptation I accep   a, b tel que


P a  S 2  b  1 

05/10/2017 Echantillonnage & Estimation 92


8. Tests de la variance

Sous H 0 , on a
 n  1 S 2  n21
 02

On a :
       2
 n  1 b    n  1 a  n  1 b 
 
n 1 a n 1 S
P a  S  b  P     P  Y    1 
2
 2  2
 2
 2
 2
 0 0 0   0 0 

où Y
 n  1 S 2
 n21
 02

Soit K1 valeurs de la variable khi- deux à n-1 degrés de liberté telles que :

 
P  K  Y  K    1  
1
 2 2 

05/10/2017 Echantillonnage & Estimation 93


8. Tests de la variance

  
 P  K   Y  K1    1  
  2 2 

   n  1 a  n  1 b   1  
On a :
  2
P  Y  
  0  0
2

 n  1 a

 n  1 b
Alors K  et K 
2  2
0
1
2  02

K   02 K   02
1
Ce qui implique que a 2
et b 2
n 1 n 1

 K   02 K   02 
 2 1

Donc I accep  , 2
n 1 n 1 
 

05/10/2017 Echantillonnage & Estimation 94


8. Tests de la variance
.

8.3.2 Test unilatéral à droite

La formulation de ce test est comme suit :

H0 :    0
 2 2


 H1 :    0

2 2

La région ou l’intervalle d’acceptation dépend de H1


.

Alors il existe une valeur critique A telle que sous H1 , il y’a 1    % de


chances que la variance calculée sur l’échantillon se situe à l’intérieur de
l’intervalle 0, A

Alors cherchons l’intervalle d’acceptation I accep  0, A Tel que : P  S 2  A   1  

05/10/2017 Echantillonnage & Estimation 95


8. Tests de la variance
.

 n  1 S 2  n21
On sait que sous H 0 , on a
 02

    2
 n  1 A    n  1 A   1  
 
n 1 S
On a : P S  A  P
2
 
 P Y  
 2  2
 2
 0 0   0 

où Y
 n  1 S 2

 n21
 02

05/10/2017 Echantillonnage & Estimation 96


8. Tests de la variance

Soit K1 la valeur de la variable de khi-deux à n-1 degré de liberté telle que :

On a :
 P Y  K1   1  

 

 n  1 A   1  
 
P Y
 2 
  0 

P Y  K1   1  

 n  1 A K1  02
Alors K1  ce qui implique que A 
 02 n 1

 K1  02 
Donc I accep   0, 
 n  1 

05/10/2017 Echantillonnage & Estimation 97


8. Tests de la variance
8.3.3 Test unilatéral à gauche

 H 0 :  2   02
La formulation de ce test est comme suit : 

 1
H :  2
  2
0

En suivant la même démarche du test unilatéral à droite pour trouver le


résultat suivant.  K1  02 
I accep  ,  
 n 1 

8.3.4 Règle de décision

Après le calcul de S 2 , on applique la règle suivante :

Si S 2  I accep alors on accepte H 0

Si S 2  I accep alors on rejette H 0

05/10/2017 Echantillonnage & Estimation 98

Vous aimerez peut-être aussi