Tests statistiques : exemples

V. Ledda

12 février 2024

1 Exemple 4
On pèse 15 gélules à l'issue de la chaîne de fabrication, on obtient les résultats suivants (en gramme).
Ce résultat est-il conforme à la spécication de 1,50 grammes?
gelules<-c(1.41,1.67,1.51,1.72,1.28,1.33,1.45,1.33,1.76,1.28,1.31,1.45,1.29,1.58,1.23)
n<-length(gelules)
m<-mean(gelules)
s<-sd(gelules)
m0=1.5
c(n,m,s)

[1] 15.0000000 1.4400000 0.1728335

1.1 Test bilatéral

1.1.1 Calculs avec R

t<-qt(0.975,n-1)
t

[1] 2.144787

c(m0-t*s/sqrt(n),m0+t*s/sqrt(n))

[1] 1.404288 1.595712

[1] 1.404288 1.595712

1.1.2 Rédaction du test

On teste
 H0 : µ = 1, 5 contre
 H1 µ ̸= 1, 5
La région d'acceptation est [1, 4 ; 1, 6].
On a observé une moyenne de 1,44. Cette valeur appartient à la région d'acceptation. Donc on accepte H0 au risque de 5%.
1.1.3 test bilatéral avec R

t.test(gelules,mu=1.5)

1
Exemples du chapitre 1 IE4

One Sample t-test

data: gelules
t = -1.3445, df = 14, p-value = 0.2002
alternative hypothesis: true mean is not equal to 1.5
95 percent confidence interval:
1.344288 1.535712
sample estimates:
mean of x
1.44

La $p$-value est supérieure à 5%, on accepte H0 au risque de 5%.

1.1.4 Compléments

On retrouve la p -value en évaluant la probabilité de l'évènement (|ξ| > ξ ) lorsque H0 est vraie.
obs

xiObs<-sqrt(n)*(m-m0)/s
c(xiObs)
pt(xiObs,df=n-1)+ 1-pt(-xiObs,df=n-1)

[1] -1.344525
[1] 0.2001593

On retrouve bien la $p$-value donnée par le $t$-test de R.

Attention
Attention de ne pas confondre l'intervalle de conance donné par le t -test et l'intervalle d'acceptation...

1.2 Test unilatéral

Si l'on suppose que ce qui est important c'est que la masse des gélules ne doit pas dépasser 1,5 g; on réalise un test unilatéral.
1.2.1 Calculs avec R

t<-qt(0.95,n-1)

c(m0-t*s/sqrt(n),m0+t*s/sqrt(n))

[1] 1.421401 1.578599

1.2.2 Rédaction des tests

1. Unilatéral à gauche On teste

 H0 : µ = 1, 5 contre
 H1 µ < 1, 5
La région d'acceptation est ] − ∞; 1, 58].
On a observé une moyenne de 1,44. Cette valeur appartient à la région d'acceptation. Donc on accepte H0 au risque
de 5%.
On ne peut pas considérer que la masse des gélules est inférieure à 1,5g.
2. Avec R
t.test(gelules,mu=1.5,alternative = "less")

2 V. Ledda
Exemples du chapitre 1 IE4

One Sample t-test

data: gelules
t = -1.3445, df = 14, p-value = 0.1001
alternative hypothesis: true mean is less than 1.5
95 percent confidence interval:
-Inf 1.518599
sample estimates:
mean of x
1.44

2 Exemple 5

s0<-sqrt(0.025)
n<-12
c(s0^2*qchisq(0.025,11)/12,s0^2*qchisq(0.975,11)/12)
(10/60)^2

[1] 0.007949476 0.045666769

[1] 0.02777778

On teste
 H0 : σ = 0, 025 contre
2

 H1 σ ̸= 0, 025
2

La région d'acceptation est [0, 0079 ; 0, 0457].

On a observé une variance de 0,0278. Cette valeur appartient à la région d'acceptation. Donc, on accepte H0 au risque de
5%.
3 Exemple 6
Lorsque H est vraie,
1
nS 2
σ12
suit une loi du χ à n − 1 degrés de liberté.
2

β = P (0.007949476 ≤ S 2 ≤ 0.045666769)
nS 2
= P (12 × 36 × 0.007949476 ≤ ≤ 12 × 36 × 0.045666769)
σ12

c(0.007949476*12*36, 12*36*0.045666769)
pchisq(12*36*0.045666769,11)-pchisq(0.007949476*12*36,11)

[1] 3.434174 19.728044

[1] 0.9344432

La puissance du test est faible (7%).

Si l'on augmente n, (toutes choses égales par ailleurs) la puissance augmente :
Par exemple pour n = 100 :
1-(pchisq(100*36*0.045666769,11)-pchisq(0.007949476*100*36,11))

[1] 0.9973991

3 V. Ledda
Exemples du chapitre 1 IE4
4 Exemple 7
On dispose de deux luminancemètres luminancemètres. On réalise deux séries de mesures (exprimées en cd/m2) avec ces
deux appareils d'une même surface lumineuse.
Est-ce que les deux appareils donnent la même mesure?
l1<-c(101.1,101.9,101,99.2,103.3,99.5,99,100.2,102.4,98.2)
l2<-c(99.1,96.8,100.2,96.3,96.9,99.5,100.3,100.8,102.5,98.5)
n1<-length(l1)
n2<-length(l2)
m1<-mean(l1)
m2<-mean(l2)
s1<-sd(l1)
s2<-sd(l2)

4.1 Test d'homoscédasticité

4.1.1 Calculs

f<-(s2/s1)^2
c(qf(0.025,n2-1,n1-1),qf(0.975,n2-1,n1-1))
f

[1] 0.2483859 4.0259942

[1] 1.466016

[1] 0.2483859 4.0259942

[1] 1.466016

4.1.2 Rédaction du test

 H0 : S = S
 H1 : S ̸= S
1 2

La région d'acceptation [0, 248 ; 4, 025]. On observe f ≃ 1, 46. La valeur f appartient à la région d'acceptation, donc on
1 2

accepte H0 au seuil de 5%. Donc on peut considérer que les variances sont les mêmes.
4.1.3 Avec R

Le test de Levene conrme l'homoscédasticité.

luminancemetres<-data.frame(appareils=factor(c(rep("l1",10),rep("l2",10))) , mesures=c(l1,l2))
library(car)
leveneTest(mesures ~ appareils ,data=luminancemetres)

Df F value Pr(>F)
group 1 0.2312263 0.6364089
18 NA NA

4.2 Test d'égalité de moyenne

4.2.1 Calculs

c(qt(0.025,18),qt(0.975,18))
t<-(m1-m2)/sqrt(((1/n1+1/n2)*((n1-1)*s1^2+(n2-1)*s2^2)/(n1+n2-2)))
t

[1] -2.100922 2.100922

[1] 1.826926

4 V. Ledda
Exemples du chapitre 1 IE4
4.2.2 Rédaction du test

 H0 : m = m
 H1 : m ̸= m
1 2

La région d'acceptation [−2, 1 ; 2, 1]. On observe t ≃ 1, 83. La valeur observée t appartient à la région d'acceptation, donc
1 2
⋆ ⋆

on accepte H0 au seuil de 5%.

Ainsi, il n'existe pas de diérence signicative entre les mesures des deux luminancemètres.
4.2.3 Avec R
Le t -test de R conrme notre travail.
t.test(l1,l2,var.equal=TRUE)

Two Sample t-test

data: l1 and l2
t = 1.8269, df = 18, p-value = 0.08434
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-0.2234648 3.2034648
sample estimates:
mean of x mean of y
100.58 99.09

5 V. Ledda