Licence Economie et Gestion - L2S4

COURS : M. JALAL EL OUARDIGHI

Probabilités et statistique IV
CHAPITRE I : Tests d’hypothèses sur un paramètre, généralités

Cf. Exemple I.1 : un exemple introductif : un inventeur ‘malchanceux’ !

Section 1 : Principes et réalisations des tests

I.1.1. Modèle statistique et Test d’une hypothèse
Soit une variable aléatoire réelle X, dont les valeurs appartiennent à un sous ensemble E   et dont la
loi de probabilité dépend d’un paramètre  réel ou multidimensionnel,    où  est un sous-
ensemble de  (si  est unidimensionnel) ou un sous-ensemble de  K (si  est multidimensionnel).
Par exemple, si X suit une loi normale, le paramètre  est de dimension 2,   (  ,  ) et  =(   * ).
On suppose que l’ensemble  des valeurs possibles du paramètre  est composé de deux sous-
ensembles disjoints  0 et  1 tels que :
 0  1   et 0  1   .
La valeur du paramètre  est inconnue, et un problème de test d’hypothèses peut s’énoncer ainsi : à
quel sous-ensemble  0 ou  1 la valeur du paramètre  appartient-elle ?
D’une manière générale, dans tout test de signification (ou de conformité)1, on émet pour commencer
une certaine hypothèse à tester appelée généralement l’hypothèse nulle (ou privilégiée) et notée H 0 . Le
rejet de cette dernière nous conduit à admettre implicitement la validité d’une autre hypothèse, dite
alternative (ou adverse) qu’on note généralement H 1 ou H a . On peut donc formuler les deux hypothèses
de la manière suivante :
H 0 :   0 ou H 1 :   1 .
Définition :
Un test est une procédure de décision sur un échantillon qui permet de trancher entre deux hypothèses
exclusives l’une de l’autre H 0 et H 1 à la suite des résultats d’un échantillon. Le test est qualifié de
paramétrique quand les deux hypothèses font référence aux valeurs du paramètre, unidimensionnel ou
multidimensionnel, d’une loi de probabilité. Une hypothèse est dite simple si elle se réduit à une seule
valeur du paramètre  , dans le cas contraire, elle est dite multiple.

I.1.2. Région critique et Région d’acceptation

Un test d’hypothèse est un mécanisme qui permet de choisir entre deux décisions possibles D0 et D1 :
accepter l’hypothèse H 0 revient à choisir la décision D0 , refuser H 0 (et donc accepter H 1 ) revient à

1
Nous considérons tout au long du Chapitre I, pour illustrer les principes et les réalisations des tests d’hypothèses, le cadre des
tests de conformité, appelés également tests de signification, que nous avons défini et discuté dans l’introduction

1
opter pour la décision D1 . Ce choix repose sur une réalisation ( x1 , x2 ,, xn ) d’un échantillon
( X 1 , X 2 ,, X n ) de taille n de la variable aléatoire X , c’est-à-dire sur une valeur de l’espace E n des
résultats possibles : ( x1 , x2 ,, xn )  E n . (à noter... : les lettres minis cules pour une réalisation, les lettres
majuscules pour lois de probabilité…).

Définition :
Un test est une application f de E n dans l’ensemble des décisions { D0 , D1 } qui, à une réalisation de
l’échantillon ( x1 , x2 ,, xn )  E n , fait correspondre un élément de { D0 , D1 } : choix de D0 si
f ( x1 , x2 ,, xn ) = D0 ou choix de D1 (rejet de H 0 ) si f ( x1 , x2 ,, xn ) = D1 . Deux sous-ensembles de
E n peuvent être déterminés : le sous-ensemble des réalisations qui conduisent à choisir D1 définit la
région de rejet de l’hypothèse H 0 appelée la région critique ; le sous-ensemble complémentaire des
réalisations qui conduisent à choisir D0 , appelé la région d’acceptation.

Si l’on dénote par W et W respectivement les régions critique et d’acceptation, on peut les formuler de la
manière suivante :
W = { ( x1 , x2 ,, xn )  E n ; f ( x1 , x2 ,, xn ) = D1 } , (1.1)
W = { ( x1 , x2 ,, xn )  E n ; f ( x1 , x2 ,, xn ) = D0 } . (1.2)
1 1
W et W sont ainsi des applications réciproques f respectivement de D1 et de D0 : W= f ( D1 ) et
1
W= f ( D0 ). (à noter, pour mémoire… : pour se rappeler toujours de quelle région s’agit-il, W ou W , penser
à une main qui tapote la lettre W pour signifier : Accepter !! , W est donc la région d’acceptation de H 0 ).

I.1.3. Risques d’erreur

L’ensemble des valeurs observées pour lesquelles l’hypothèse nulle peut être admise forme la région
d’acceptation. Les autres valeurs constituent la région de rejet ou région critique. Les valeurs limites sont
appelées valeurs critiques (ou seuils de signification). Un test est un jugement sur un échantillon, de ce
fait, il n’est jamais possible de prendre une décision certaine. Le hasard de l’échantillonnage peut
évidemment fausser les conclusions, et quatre cas possibles doivent être envisagés :
Cas 1 : l’acceptation de l’hypothèse H 0 alors qu’elle est vraie.
Cas 2 : le rejet de l’hypothèse H 0 alors qu’elle est vraie.
Cas 3 : l’acceptation de l’hypothèse H 0 alors qu’elle est fausse.
Cas 4 : le rejet de l’hypothèse H 0 alors qu’elle est fausse.
Dans le premier (Cas 1) et le dernier cas (Cas 4), la conclusion obtenue est correcte, mais il n’en est pas de
même dans les deux cas intermédiaires (Cas 2 et Cas 3). L’erreur qui consiste à rejeter une hypothèse vraie
(rejet de H 0 à tort) est appelée erreur de première espèce (Cas 2). L’erreur qu’on commet en acceptant

2
une hypothèse fausse (accepter H 0 à tort) est l’erreur de deuxième espèce (Cas 3). A chacune de ces
erreurs, on peut associer une probabilité appelée risque. La probabilité d’aboutir à une conclusion erronée
(rejet de H 0 à tort) est le risque de première espèce noté  .

Définition :
le risque de première espèce capte (ou mesure) la probabilité de refuser à tort l’hypothèse H 0 , parce
que l’échantillon ( X 1 , X 2 ,, X n ) appartient à la région critique W :
 = P(rejet H 0 / H 0 ) = P{ ( X 1 , X 2 ,, X n )  W / H 0 } . (1.3)
La probabilité d’aboutir à une conclusion erronée en acceptant H 0 à tort, parce que l’échantillon
( X 1 , X 2 ,, X n ) appartient à la région d’acceptation W , est le risque de deuxième espèce noté  .
Cette probabilité est désignée par :
 = P(accepter H 0 / H 1 ) = P{ ( X 1 , X 2 ,, X n )  W / H 1 } . (1.4)

Nous pouvons résumer les quatre cas précédents avec les probabilités correspondantes dans le tableau ci-
dessous :

Tableau 1 : Hypothèses et Risques d’erreur

Etat de la nature (hypothèse vraie)
H0 H1
Décision (hypothèse retenue)
H0 Pas d’erreur Erreur de 2ème espèce
1 
ère
H1 Erreur de 1 espèce Pas d’erreur
 1 

Note : En pratique, il s’avère difficile de trouver une solution simple au problème que pose l’erreur de deuxième
espèce  . On est souvent tenté de perdre de vue, à tort, l’existence même du risque de deuxième espèce.

I.1.4. La fonction de puissance

La notion de puissance du test concerne le risque d’erreur de deuxième espèce. On appelle en effet
puissance d’un test la probabilité  de rejeter l’hypothèse nulle, alors qu’elle est fausse, c’est-à-dire le
complément à l’unité du risque de deuxième espèce :

  1   = P(rejeter H 0 / H 1 )= P{ ( X 1 , X 2 ,, X n )  W / H 1 } . (1.5)

D’une manière générale, le bon sens indique que cette probabilité est fonction du degré de fausseté de
l’hypothèse nulle. La probabilité de rejet est d’autant plus élevée que l’hypothèse nulle est plus fausse,
c’est-à-dire d’autant plus élevée que l’hypothèse alternative qui est vraie est plus différente de

3
l’hypothèse nulle H 0 . La relation qui lie la probabilité de rejet au degré de fausseté de l’hypothèse nulle
constitue la fonction de puissance du test.
Contrairement au risque de première espèce, le risque de deuxième espèce est une variable qui dépend
toujours de l’hypothèse alternative H 1 qui est vraie. C’est ce qui explique qu’on se contente souvent, pour
des raisons de facilité, de préciser l’importance du risque de première espèce, sans se soucier de
l’existence même du risque de deuxième espèce.

Cf. Exemple I.2 : Retour à l’exemple introductif ‘Un inventeur malchanceux’

___________