CM Chapter1 2

Analyse Statistique
L2 SVT
Anna Melnykova
Laboratoire de Mathématiques d’Avignon
anna.melnykova@univ-avignon.fr
2022-2023
Organisation
Responsable :
• Nom : Anna Melnykova, MCF, Laboratoire de Mathématiques
• Q& A : anna.melnykova@univ-avignon.fr
Cours :
• 2 CM × 3h, 7 TD × 1.5h
• 2 CC écrits (26 octobre, 29 novembre)
Acknowledgement : Le modèle de présentation est fourni par Vincent

Labatut (Université Avignon). Les supports sont basés sur le cours de
Céline Lacaux (LMA)
Analyse Statistique A. Melnykova 2022-2023 2/75

Chapitre 1
Introduction. Tests de conformité de la

proportion.
Test de conformité d’une fréquence : Exemple
Le fabricant d’un médicament affirme qu’il est efficace à 90% pour

traiter une allergie en 8h. Sur un échantillon de 554 personnes, 482
ont été guéries de cette allergie en 8h. Ce résultat remet-il en
cause l’affirmation du fabricant, au seuil de confiance de 95 % ?
Reformulation de la problématique :
• Notons p la probabilité de guérison
• Notons p0 = 0.9 la valeur annoncée par le fabricant.
• Nous nous demandons si p = p0 ou non.

Démarche intuitive
• Considérons la fréquence empirique de guérison
Nombre de personnes guéries dans l’échantillon

Fn =
n
avec n la taille de l’échantillon, i.e. le nombre d’observations.
• Dans l’exemple présenté,
• la taille de l’échantillon est n = 554
• et la valeur observée de Fn est
482 241
fobs = = ≈ 0.87
554 277

Démarche intuitive
• On est d’accord que 0.87 != 0.9

• On est aussi d’accord que 0.87 ≈ 0.9
• La question qu’on se pose : Est-ce qu’il s’agit d’une
coïncidence (et la probabilité de guérir est bien 0.9) où
l’efficacité du médicament est en fait différente de 0.9 ?

Démarche intuitive
La loi de !Fn −p est approchée par la loi normale N (0, 1) (grâce à
p(1−p)
n
TCL).
f(x)
0.4
0.3
0.2
0.1
5% des valeurs 5% des valeurs
x
−3 −2 −1 1 1.63 2 3
Figure 1 – N (0, 1) = loi normale (ou gaussienne) de moyenne 0 et

variance 1

68.2%
95%
99.7%
Frequence
2.1% 13.6% 34.1% 34.1% 13.6% 2.1%
−3 −2 −1 0 1 2 3
L’écarts types
Remarque
En principe, pour utiliser l’approximation par la loi normale, il faut

que :
• La taille d’échantillon soit supérieure à 30
• Le nombre d’individus avec la réponse positive Fn soit
supérieure à 10
• Le nombre d’individus avec la réponse négative 1 − Fn soit
supérieure à 10

Objectif d’un test statistique
• Confronter une hypothèse à la réalité, i.e. déterminer si une

hypothèse est vraisemblable ou non vu les données
observées.
Exemples :
• Le fabricant d’un médicament affirme qu’il est efficace à 90%
pour traiter une allergie en 8h. Son affirmation est-elle vraie ?
! Test de conformité : comparaison à une référence
• 70 personnes reçoivent le traitement A1 et 50 autres reçoivent le
traitement A2 . Est-il vraisemblable que le taux moyen de
glucose soit identique dans les 2 groupes ?
! Test d’homogénéité : comparaison de deux échantillons.
• En pratique, il s’agit de comparer deux hypothèses et de
prendre une décision entre les deux.

La formulation du test
• On émet une hypothèse H0 , appelée hypothèse nulle.

• C’est l’hypothèse que l’on souhaite confronter aux données.
• On teste cette hypothèse H0 contre une hypothèse H1 ,
appelée hypothèse alternative.
• H1 est souvent la négation de H0 mais pas nécessairement.
• Pour tester H0 contre H1 :
• On choisi une statistique du test t.q. sa loi sous H0 est bien
connu (par exemple : la loi normale)
• On calcule la statistique en utilisant les données existantes
• On décide quelle hypothèse est plus vraisemblable vu des
données

Exemple 1 : l’efficacité du médicament est-elle celle
annoncée ?

ont été guéries de cette allergie en 8h.
Ce résultat remet-il en cause l’affirmation du fabricant, au seuil de

confiance de 95 % ?
• p = probabilité de guérison et p0 = 0.9 = valeur référence.
• Formulation du test : Nous testons H0 : p = p0 contre H1 :
p != p0

Exemple 2 : Le fabricant sous-estime-t-il l’efficacité
du médicament ?

Le fabricant sous-estime-t-il l’efficacité du médicament ?

• Formulation du test : Nous testons H0 : p = p0 contre H1 :
p > p0

Exemple 3 : Le fabricant surestime-t-il l’efficacité du
médicament ?

Le fabricant surestime-t-il l’efficacité du médicament ?

• Formulation du test : Nous testons H0 : p = p0 contre
H1 : p < p0

Construire un test et prendre une décision
• Nous testons l’hypothèse nulle H0 contre l’hypothèse

alternative H1 .
• À partir des observations, le test statistique mis en place
conduit
• soit à rejeter l’hypothèse H0 et retenir l’hypothèse H1 : Cas où
les données sont considérées comme non raisonnables sous H0
et plus raisonnables sous H1
• soit à ne pas rejeter l’hypothèse H0 : Cas où les données sont

considérées comme raisonnables sous H0
! Les données peuvent être aussi raisonnables sous une autre
hypothèse…

La statistique du test
• On choisit une quantité T, appelée statistique de test. Cette

statistique
• doit être calculable sur les données observées
• doit apporter suffisamment d’informations pour distinguer
l’hypothèse nulle H0 de l’hypothèse alternative H1
" T est notre variable de décision
• On note tobs la valeur observée pour T sur les données.

Règle de décision
• On choisit une région D appelée région de rejet et on adopte

la règle de décision suivante :
• si la valeur observée tobs ∈ D, on rejette H0 et on retient H1
• si tobs ∈
/ D, on ne rejette pas H0 .
• La région de rejet D doit être choisie telle que
• sous H0 , observer pour T une valeur dans D est peu probable
• sous H1 , observer pour T une valeur dans D est raisonnable.

La prise de risque
Réalité
H0 vraie H0 fausse
Décision
rejet de H0 α 1−β
non rejet de H0 1−α β
Définition
• Le risque de première espèce est
α = probabilité de rejeter H0 à tort.
• Le risque de seconde espèce est
β = probabilité de ne pas rejeter H0 à tort.
• 1 − β est appelé puissance du test.

La prise de risque
Réalité
H0 vraie H0 fausse
Décision
rejet de H0 α 1−β
non rejet de H0 1−α β
• Décision : Rejet de H0 . Les valeurs observées sont très peu

probables si l’hypothèse nulle H0 est vraie.
• Décision : Non rejet de H0 . Les valeurs observées ne sont pas
nécessairement en désaccord avec H0 mais pourraient être
expliquées par une autre hypothèse.
• Rejeter H0 est plus riche en information que de ne pas la
rejeter.

annoncée ?
Les observations remettent-elle en cause l’affirmation du

fabricant, au seuil de confiance de 95 % ?
• p = probabilité de guérison et p0 = 0.9
• Nous testons H0 : p = p0 contre H1 : p != p0
p(1−p)
• Loi de la fréquence empirique Fn ≈ N (p, n
)
• On peut prendre Fn comme statistique de test mais en
général on préfère prendre
√
Fn − p0 n(Fn − p0 )
T= ! = "
p0 (1−p0 ) p0 (1 − p0 )
n
• Loi de T sous H0 ≈ N (0, 1).

Distribution (densité) de T sous H0

Exemple 1 : forme de la région de rejet (H1 : p != p0 )
• On prend alors comme région de rejet D = R\[a, b] ;

Exemple 1 : forme de la région de rejet (H1 : p != p0 )
Règle de décision Valeurs classiques

• si |T| ! z1−α/2 , non rejet de H0 ; • si α = 10%, z1−α/2 = 1.645
• si |T| > z1−α/2 , rejet de H0 • si α = 5%, z1−α/2 = 1.960
# $
avec P N (0, 1) ! z1−α/2 = 1 − α
2
. • si α = 1%, z1−α/2 = 2.578

annoncée ?
Rappelons que
• nous testons H0 : p = p0 contre H1 : p != p0 avec p0 = 0.9
√
554( 482
• tobs =
−0.9)
√ 554
0.9×0.1
≈ −2.351
• |tobs | > z0.975 = 1.96, donc prenant comme risque de 1re espèce
α = 5%, on rejette H0 et conclut que p != 0.9, i.e. que le
fabricant a tort.
• |tobs | ! z0.995 = 2.578, donc prenant comme risque de 1re
espèce α = 1%, on ne rejette pas H0 et conclut que les
données ne sont pas en contradiction avec l’affirmation du
fabricant.

Exemple 2 : le fabricant sous-estime t-il l’efficacité
du médicament ?
• Nous testons à présent H0 : p = p0 contre H1 : p > p0 où

p0 = 0.9
√
• Statistique de décision : T = √n(Fn −p0 )
p0 (1−p0 )
• Valeur observée : tobs ≈ −2.351

• Loi approchée de T sous H0 : N (0, 1)

du médicament ?
Distribution (densité) de T sous H0 et H1

du médicament ?

• si T ! z1−α , non rejet de H0 ; • si α = 10%, z1−α = 1.282
• si T > z1−α , rejet de H0 • si α = 5%, z1−α = 1.645
• si α = 1%, z1−α = 2.326
" #
avec P N (0, 1) ! z1−α = 1 − α.

du médicament ?
Rappelons que
• nous testons H0 : p = p0 contre H1 : p > p0 avec p0 = 0.9
• tobs ≈ −2.351
• ici tobs < z0.95 = 1.645, donc prenant comme risque de 1re
espèce α = 5%, on ne rejette pas H0 et on conclut que les
données ne sont pas en contradiction avec l’affirmation du
fabricant.

Exemple 3 : le fabricant sur-estime t-il l’efficacité du
médicament ?
• Nous testons à présent H0 : p = p0 contre H1 : p < p0 où

p0 = 0.9
√
• Statistique de décision : T = √n(Fn −p0 )
p0 (1−p0 )
• Valeur observée : tobs ≈ −2.351

• Loi approchée de T sous H0 : N (0, 1)

médicament ?
Distribution (densité) de T sous H0 et H1

médicament ?

• si T " zα , non rejet de H0 ; • si α = 10%, zα = −1.282
• si T < zα , rejet de H0 • si α = 5%, zα = −1.645
avec P (N (0, 1) ! zα ) = α. • si α = 1%, zα = −2.326

Exemple 3 :le fabricant sur-estime t-il l’efficacité du
médicament ?
Rappelons que
• nous testons H0 : p = p0 contre H1 = p < p0 avec p0 = 0.9
• tobs ≈ −2.351
• ici tobs < z0.05 = −1.645, donc prenant comme risque de 1re
espèce α = 5%, on rejette H0 et conclut que p < p0 : le
fabricant sur-estime l’efficacité du médicament.

Démarche d’un test : récapitulatif
1 Formulation de l’objectif
• Formuler l’hypothèse nulle H0 à tester.
• Formuler une hypothèse alternative H1 .
2 Choix de la statistique T de décision :
• Calculable sur les données observées ;
• Loi, éventuellement approchée, connue sous H0 ;
• Contrôle du comportement sous H1 .
3 Choix de la région de rejet D de H0 en fonction du risque α de
première espèce et de la forme de H1 :
P (rejeter H0 à tort) = PH0 (T ∈ D) ≈ α
" Utilisation de la table statistique de la loi de T sous H0 .

4 Application sur les données # prise de décision. Si on rejette
H0 , α est la probabilité d’erreur.

Forme de la région de rejet
• Test bilatéral : zone de rejet située de part et d’autre de la
répartition sous H0 .

Forme de la région de rejet
• Test unilatéral : zone de rejet située d’un seul côté de la
répartition sous H0 .

Test de conformité d’une fréquence : bilan
Objectif : Comparer la fréquence d’apparition d’un phénomène à

une valeur référence fixée p0 à partir de n expériences
indépendantes identiques.
• Notons p = fréq. théorique du phénomène.
• Formulation du test : nous testons


 H1 : p != p0


 ou
H0 : p = p0 contre H1 : p > p0



 ou

H1 : p < p0 .

Test sur une fréquence pour un grand échantillon
Validité du test proposé

• Test considéré comme valide si n " 30, np0 " 10 et
n(1 − p0 ) " 10.
Statistique de test
• Choix de la statistique de décision
√
n (Fn − p0 )
T= "
p0 (1 − p0 )
• Valeur observée notée tobs

• Loi de T sous H0 ≈ N (0, 1)

Règle de décision lorsque H1 : p #= p0

Prenant un risque de première espèce α, la règle de décision est la
suivante :
• Rejet de H0 pour |T| > z1−α/2

• Non rejet de H0 si |T| ! z1−α/2
avec z1−α/2 quantile d’ordre 1 − α2 de la loi N (0, 1), i.e. le réel tel que
# $ α
P N (0, 1) ! z1−α/2 = 1 − .
2

Règle de décision lorsque H1 : p > p0

suivante :
• Rejet de H0 pour T > z1−α

• Non rejet de H0 si T ! z1−α
avec z1−α quantile d’ordre 1 − α de la loi N (0, 1), i.e. le réel tel que
P (N (0, 1) ! z1−α ) = 1 − α.

Règle de décision lorsque H1 : p < p0

suivante :
• Rejet de H0 pour T < zα

• Non rejet de H0 si T " zα
avec zα quantile d’ordre α de la loi N (0, 1), i.e. le réel tel que
P (N (0, 1) ! zα ) = α.

Chapitre 2
Test de conformité de la moyenne

Objectif dans le cadre de ce cours
# Comparer la moyenne/médiane (paramètre de position) d’un

caractère X d’une population avec la norme.
Exemples de problématiques :
• À partir d’un prélèvement de n comprimés, peut-on déterminer
si le poids moyen est bien celui attendu par le fabricant ?
• Le niveau annuel moyen des pluies dans la Beauce est-il de 600
mm ?
• La contenance moyenne des bouteilles est-elle celle annoncée
par le fabricant ?

Introduction : Modèle & Formulation du test
Modélisation probabiliste
• Caractère X distribué selon une loi gaussienne N (m, σ 2 ) de
moyenne m et de variance σ 2 .
• Observation d’un échantillon : les données x1 , . . . , xn sont les
réalisations respectives des variables aléatoires X1 , . . . , Xn
indépendantes de même loi que X.
Formulation du test
• Nous souhaitons tester 

 H1 : m != m0


 ou
H 0 : m = m0 contre H 1 : m > m0



 ou

H 1 : m < m0 .

Introduction : Estimateur de la moyenne théorique
• La moyenne théorique m est estimée par la moyenne

empirique
n
1)
Xn = Xi
n i=1
* +
σ2
• La loi de Xn est la loi N m, .
n

Statistique de test quand σ 2 est connue
Choix de la statistique de décision

Supposons σ 2 connue. Alors, la statistique de test est :
√ # $
n Xn − m0
Z=
σ
• Calculable sur les observations x1 , . . . , xn car m0 , σ connus.

• Loi sous Z sous H0 : N (0, 1)
Remarque
• Ce test est appelé test de conformité d’une moyenne sur un
échantillon gaussien de variance connue.

Région de rejet

Région de rejet
• La région de rejet dépend du choix de H1 .
• Choix analogue à celui fait pour un test de conformité de
fréquence sur un grand échantillon.
• Pour H1 : m #= m0 , le test est bilatéral.
• Pour H1 : m > m0 ou encore H1 : m < m0 , le test est unilatéral.

Test bilatéral pour H1 : m != m0 , σ 2 est connue
Test lorsque H1 : m #= m0
Nous testons H0 : m = m0 contre H1 : m != m0 avec σ 2 connue.
√
n(Xn −m0 )
• Statistique de test : Z = σ
• Loi de Z sous H0 : N (0, 1)
• Le risque de 1re espèce étant α, la règle de décision est :
• Rejet de H0 pour |Z| > z1− α

2
• Non rejet de H0 si |Z| ! z1− α
# $ 2
avec PH0 Z ! z1− α2 = 1 − α 2

.
• Valeurs classiques : z0.95 = 1.645, z0.975 = 1.96, z0.995 = 2.576

Test unilatéral pour H1 : m > m0 , σ 2 connue
Test lorsque H1 : m > m0

Nous testons H0 : m = m0 contre H1 : m > m0 avec σ 2 connue.
√
n(Xn −m0 )
• Rejet de H0 pour Z > z1−α

• Non rejet de H0 si Z ! z1−α
avec PH0 (Z ! z1−α ) = 1 − α.
• Valeurs classiques : z0.9 = 1.282, z0.95 = 1.645, z0.99 = 2.326

Test unilatéral pour H1 : m < m0 , σ 2 connue
Test lorsque H1 : m < m0

Nous testons H0 : m = m0 contre H1 : m < m0 avec σ 2 connue.
√
n(Xn −m0 )
• Rejet de H0 pour Z < zα

• Non rejet de H0 si Z " zα
avec PH0 (Z ! zα ) = α.
• Par symétrie de la loi N (0, 1), zα = −z1−α

• Valeurs classiques : z0.1 = −1.282, z0.05 = −1.645, z0.01 = −2.326

Application avec un test bilatéral
Les spécifications d’un certain médicament indiquent que chaque

comprimé doit contenir 2.5 g de substance active. On prélève en
sortie de chaîne de production 10 comprimés et on relève la
quantité de substance active contenue dans chaque comprimé :
2.67 3.08 3.07 2.84 3 2.67 2.81 3.05 2.89 2.97
La quantité de substance active contenue dans un comprimé est

supposé de loi gaussienne de variance σ 2 = 0.12 . Nous
souhaitons savoir si la quantité moyenne de substance active est
bien conforme aux spécifications.
Hypothèses :
• La #quantité$ de substance active suit une loi gaussienne
N m, 0.12 .
• Nous avons un échantillon des observations indépendantes.

• Formulation du test : Nous testons H0 : m = 2.5 g contre

H1 : m != 2.5 g.
• Valeur observée zobs de la statistique Z : Ici la moyenne
empirique observée est :
2.67 + 3.08 + 3.07 + 2.84 + 3 + 2.67 + 2.81 + 3.05 + 2.89 + 2.97
10
soit xn = 2.905 et donc
√
10 (xn − 2.5)
zobs = √ ≈ 12.8072
0.12

Nous testons H0 : m = m0 contre H1 : m != m0 .
Règle de décision
• Rejet de H0 pour |Z| > z1− α2
• Non rejet de H0 si |Z| ! z1− α2
# $
avec PH0 Z ! z1− α2 = 1 − α2 .
• La loi sous H0 de Z étant la loi N (0, 1), pour un risque de 1re

espèce α = 5%, z1− α2 = z0.975 = 1.96 et donc on rejette H0 car
|zobs | ≈ 12.8072 > 1.96 = z0.975
• Avec une probabilité de 5% de se tromper, on conclut que la
quantité moyenne de substance active n’est pas conforme
aux spécifications.

Application : Test unilatéral avec H1 : m > m0
Nous souhaitons savoir si la quantité de substance moyenne n’est

pas sous-estimée dans les spécifications du médicament.
• Formulation du test Nous testons H0 : m = 2.5 g contre
H1 : m > 2.5 g.
• Valeur observée de la statistique de test : zobs ≈ 12.8072
• Loi sous H0 de Z : N (0, 1)

Application : Test unilatéral avec H1 : m > m0
Règle de décision
• Rejet de H0 si zobs > z1−α
• Non rejet de H0 si zobs ! z1−α
avec PH0 (Z ! z1−α ) = 1 − α.
• La loi de Z sous H0 étant la loi N (0, 1), pour un risque de 1re

espèce de 5%, z1−α = z0.95 = 1.645 et donc on rejette H0 car
zobs ≈ 12.8072 > 1.645 = z0.95 .
• Autrement dit, avec une probabilité α = 5% de se tromper, on
conclut que la quantité moyenne de substance active est
sous-estimée dans les spécifications du médicament.

Application : Test unilatéral avec H1 : m < m0
Nous souhaitons savoir si la quantité de substance moyenne n’est

pas sur-estimée dans les spécifications du médicament.
H1 : m < 2.5 g.
• Valeur observée de la statistique de test : zobs ≈ 12.8072
• Loi sous H0 de Z : N (0, 1)

Application : Test unilatéral avec H1 : m < m0
Règle de décision
• Rejet de H0 si zobs < zα
• Non rejet de H0 si zobs " zα
avec PH0 (Z ! zα ) = α
• La loi de Z sous H0 étant la loi N (0, 1), pour un risque de 1re

espèce de 5%, zα = −1.645 et donc on ne rejette pas H0 car
zobs ≈ 12.8072 > −1.645 = z0.05 .
• Autrement dit, prenant α = 5% comme risque de 1re espèce, on
conclut que la quantité moyenne de substance active n’est
pas en contradiction avec les spécifications du médicament.

Cas σ 2 inconnue
Supposons à présent σ 2 inconnue.

• La variable Z proposée dans le cas précédent n’est plus
calculable et ne peut donc pas servir de statistique de test.
• La variance σ 2 est estimée (et remplacée dans Z) par la
variance empirique non biaisée
n n
1 ) # $2 1 ) n # $2
S2n = Xi − Xn = X2i − Xn .
n−1 i=1
n−1 i=1
n−1

Statistique de test quand σ 2 est inconnue
Choix de la statistique de décision
Supposons σ 2 inconnue. Alors, la statistique de test est
√ # $
n X n − m0
T= "
S2n
• Calculable sur les observations x1 , . . . , xn car m0 connu.

• Sous H0 , T suit la loi dite de Student à (n − 1) degrés de
libertés
Remarque
• Ce test est appelé test de Student (ou test t) de conformité
d’une moyenne sur un échantillon gaussien de variance
inconnue.
Forme de la loi de Student
Densités des lois de Student
• Loi symétrique : si la loi de T est

la loi Student(n − 1), alors
P (T ! −x) = P (T " x)

Région de rejet
• La région de rejet dépend du choix de H1 .
• Choix analogue à celui fait pour test Z (i.e. dans le cas
variance connue), sauf que le seuil critique s’obtient en lisant
la table d’une loi de Student.
• Pour H1 : m #= m0 , le test est bilatéral.
• Pour H1 : m > m0 ou encore H1 : m < m0 , le test est unilatéral.

Cas où σ 2 est inconnue, Test H1 : m #= m1
Test de Student lorsque H1 : m #= m0

Nous testons H0 : m = m0 contre H1 : m != m0 avec σ 2 inconnue.
√
n(Xn −m0 )
• Statistique de décision : T = √2
Sn
• Loi de T sous H0 : Student(n − 1)

• Rejet de H0 pour |T| > z1−α/2

• Non rejet de H0 si |T| ! z1−α/2
# $
avec PH0 T ! z1−α/2 = 1 − α2 .
• z1−α/2 = quantile d’ordre 1 − α

2 de la loi Student(n − 1).

Cas où σ 2 est inconnue, Test H1 : m > m1
Test de Student lorsque H1 : m > m0

Nous testons H0 : m = m0 contre H1 : m > m0 avec σ 2 inconnue.
√
n(Xn −m0 )
Sn


avec PH0 (T ! z1−α ) = 1 − α
• z1−α = quantile d’ordre 1 − α de la loi Student(n − 1).

Cas où σ 2 est inconnue, Test H1 : m < m1
Test de Student lorsque H1 : m < m0

Nous testons H0 : m = m0 contre H1 : m < m0 avec σ 2 inconnue.
√
n(Xn −m0 )
Sn

• Le risque de 1re espèce étant α,

avec PH0 (T ! zα ) = α.
• zα = quantile d’ordre α de la loi Student(n − 1) = −z1−α .

Application : Test de Student bilatéral
Les spécifications d’un certain médicament indiquent que chaque

comprimé doit contenir 2.5 g de substance active. On prélève en
sortie de chaîne de production 10 comprimés et on relève la
quantité de substance active contenue dans chaque comprimé :
2.67 3.08 3.07 2.84 3 2.67 2.81 3.05 2.89 2.97
La quantité de substance active contenue dans un comprimé est

supposé de loi gaussienne de variance σ 2 inconnue. Nous
souhaitons savoir si la quantité moyenne de substance active est
bien conforme aux spécifications.
Hypothèses :
$ de substance active suit une loi gaussienne
• La#quantité
N m, σ 2 de variance σ 2 inconnue.
• Nous avons un échantillon.


H1 : m != 2.5 g.
• Test bilatéral
• Valeur observée de la statistique T
• la moyenne empirique observée est : xn = 2.905
• la variance σ 2 est estimée par s2 ≈ 0.024
• et donc √
10 (xn − 2.5)
tobs = √ ≈ 8.267
s2
• Sous H0 , T suit la loi Student(10 − 1) = Student(9).

Règle de décision
• Rejet de H0 pour |T| > z1−α/
• Non rejet de H0 si |T| ! z1−α
# $
avec PH0 T ! z1−α/2 = 1 − α2
• La table de loi Student(9) (i.e. de la loi sous H0 de T) nous

donne pour α = 5%, z0.975 = 2.262
• |tobs | ≈ 8.267 > 2.262 = z0.975 donc pour un risque de 1re espèce
α = 5%, on rejette H0 .
quantité moyenne de substance active n’est pas conforme
aux spécifications.

Application : Test de Student pour H1 : m > m0
Nous nous demandons si la quantité moyenne de substance

active est sous-estimée dans les spécifications.
H1 : m > 2.5 g.
• Test unilatéral
• Valeur observée de la statistique T : tobs ≈ 8.267
• Sous H0 , T suit la loi Student(9).

Application : Test de Student pour H1 : m > m1
Règle de décision
avec PH0 (T ! z1−α ) = 1 − α

donne pour α = 5%, z0.95 = 1.833
• Alors tobs ≈ 8.267 > 1.833 = z0.95 et donc pour un risque de 1re
espèce α = 5%, on rejette H0 .
quantité moyenne de substance active est sous-estimée (i.e.
est supérieure à 2.5) dans les spécifications du médicaments.

Application : Test de Student pour H1 : m < m0
Nous nous demandons si la quantité moyenne de substance

active est sur-estimée dans les spécifications.
• Formulation du test : Nous testons H0 : m = 2.5 g contre
H1 : m < 2.5 g.
• Test unilatéral
• Valeur observée de la statistique T : tobs ≈ 8.267
• Sous H0 , T suit la loi Student(9).

Application : Test de Student pour H1 : m < m1
Règle de décision
avec PH0 (T ! zα ) = α

donne pour α = 5%, z0.05 = −1.833
• Alors tobs ≈ 8.267 > −1.833 = z0.05 et donc pour un risque de 1re
espèce α = 5%, on ne rejette pas H0 .

Pour finir : Cadre non gaussien
Supposons à présent que le caractère observé n’est pas (a priori)

gaussien.
• Dans ce cas sous l’hyp. H0 , pour n grand
√
n(Xn − m0 )
T= ≈ N (0, 1)
σ
• Si la variance σ 2 est connue sous H0 , le test proposé reste

valable pour de grands échantillons, i.e. pour n grand (n > 30).
• Risque de première espèce asymptotique.

Pour finir : Cadre non gaussien
• De plus, pour n grand,

√
n(Xn − m0 )
T= " ≈ N (0, 1)
S2n
• Dans le cas d’un grand échantillon, le test proposé dans le cas

d’une variance inconnue reste vrai en remplaçant la loi de
Student par la loi gaussienne N (0, 1).
• Risque de première espèce asymptotique.
Remarque
• Student(n − 1) ≈ N (0, 1) pour n grand.
• Et si l’échantillon est petit non gaussien, sauf cas particulier, on

utilise un test non paramétrique.

CM Chapter1 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

CM Chapter1 2

Transféré par

Droits d'auteur :

Formats disponibles

Analyse Statistique

Acknowledgement : Le modèle de présentation est fourni par Vincent

Analyse Statistique A. Melnykova 2022-2023 2/75

Introduction. Tests de conformité de la

Le fabricant d’un médicament affirme qu’il est efficace à 90% pour

Analyse Statistique A. Melnykova 2022-2023 5/75

• Considérons la fréquence empirique de guérison

Nombre de personnes guéries dans l’échantillon

Analyse Statistique A. Melnykova 2022-2023 6/75

• On est d’accord que 0.87 != 0.9

Analyse Statistique A. Melnykova 2022-2023 7/75

5% des valeurs 5% des valeurs

Figure 1 – N (0, 1) = loi normale (ou gaussienne) de moyenne 0 et

Analyse Statistique A. Melnykova 2022-2023 8/75

2.1% 13.6% 34.1% 34.1% 13.6% 2.1%

En principe, pour utiliser l’approximation par la loi normale, il faut

Analyse Statistique A. Melnykova 2022-2023 10/75

• Confronter une hypothèse à la réalité, i.e. déterminer si une

Analyse Statistique A. Melnykova 2022-2023 11/75

• On émet une hypothèse H0 , appelée hypothèse nulle.

Analyse Statistique A. Melnykova 2022-2023 12/75

Le fabricant d’un médicament affirme qu’il est efficace à 90% pour

Ce résultat remet-il en cause l’affirmation du fabricant, au seuil de

Analyse Statistique A. Melnykova 2022-2023 13/75

Le fabricant d’un médicament affirme qu’il est efficace à 90% pour

Le fabricant sous-estime-t-il l’efficacité du médicament ?

Analyse Statistique A. Melnykova 2022-2023 14/75

Le fabricant d’un médicament affirme qu’il est efficace à 90% pour

Le fabricant surestime-t-il l’efficacité du médicament ?

Analyse Statistique A. Melnykova 2022-2023 15/75

• Nous testons l’hypothèse nulle H0 contre l’hypothèse

• soit à ne pas rejeter l’hypothèse H0 : Cas où les données sont

Analyse Statistique A. Melnykova 2022-2023 16/75

• On choisit une quantité T, appelée statistique de test. Cette

Analyse Statistique A. Melnykova 2022-2023 17/75

• On choisit une région D appelée région de rejet et on adopte

Analyse Statistique A. Melnykova 2022-2023 18/75

α = probabilité de rejeter H0 à tort.

• Le risque de seconde espèce est

β = probabilité de ne pas rejeter H0 à tort.

• 1 − β est appelé puissance du test.

Analyse Statistique A. Melnykova 2022-2023 19/75

• Décision : Rejet de H0 . Les valeurs observées sont très peu

Analyse Statistique A. Melnykova 2022-2023 20/75

Les observations remettent-elle en cause l’affirmation du

• Loi de T sous H0 ≈ N (0, 1).

Analyse Statistique A. Melnykova 2022-2023 21/75

Analyse Statistique A. Melnykova 2022-2023 22/75

• On prend alors comme région de rejet D = R\[a, b] ;

Analyse Statistique A. Melnykova 2022-2023 23/75

Règle de décision Valeurs classiques

Analyse Statistique A. Melnykova 2022-2023 24/75

Analyse Statistique A. Melnykova 2022-2023 25/75

• Nous testons à présent H0 : p = p0 contre H1 : p > p0 où

• Valeur observée : tobs ≈ −2.351

Analyse Statistique A. Melnykova 2022-2023 26/75

Distribution (densité) de T sous H0 et H1

Analyse Statistique A. Melnykova 2022-2023 27/75

Règle de décision Valeurs classiques

Analyse Statistique A. Melnykova 2022-2023 28/75

Analyse Statistique A. Melnykova 2022-2023 29/75

• Nous testons à présent H0 : p = p0 contre H1 : p < p0 où

• Valeur observée : tobs ≈ −2.351