Professional Documents
Culture Documents
Un test statistique est une règle permettant de vérifier, à partir de données observées dans un
ou plusieurs échantillons, la validité de certaines hypothèses relatives à une ou plusieurs
populations. L'exécution d'un test statistique suppose trois étapes principales :
• Formulation de l'hypothèse à tester ou hypothèse nulle : cette hypothèse est notée (H0)
• Choix d'une fonction discriminante
• Décision en fonction du risque d'erreur admis.
• L'hypothèse nulle (H0) est, par exemple, l'hypothèse de normalité : un échantillon donné
peut être considéré comme extrait d'une population parent gaussienne : le test utilisé est un
test d'ajustement.
• L'hypothèse nulle peut être qu'un paramètre estimé sur un échantillon (par exemple la
moyenne " x ") est une estimation du paramètre théorique correspondant d'une population-
parent : le test utilisé est un test de conformité :
• Citons enfin les tests d'homogénéité ou d'égalité : par exemple, le test de comparaison des
moyennes observées sur deux échantillons indépendants. L'hypothèse nulle est, dans ce cas,
l'égalité des moyennes théoriques des populations d'origine.
Prenons le cas d’une moyenne x estimée sur un échantillon de taille "n" prélevé dans une
population (supposée gaussienne) de moyenne µ et d’écart-type σ.
Soit à comparer la moyenne observée x (estimation de µ ) à une moyenne de référence µ0 ;
l’hypothèse nulle testée est donc (H0) : µ = µ0.
X − µ0
Nous verrons que la fonction discriminante Z = suit une loi de Gauss centrée
σ/ n
réduite lorsque l'hypothèse nulle (H0) est vérifiée.
V-3 : Décision
Les valeurs de "α" les plus fréquemment choisies sont 0,05 et 0,01. Toutefois, l'utilisateur
reste libre de choisir d'autres valeurs pour "α".
Pour un test donné, il est donc possible de déterminer un intervalle ] z1 ; z2 [ tel que
Pb ( z1 < Z < z2 ) = 1 - α
lorsque l'hypohèse (H0) est vérifiée. L'intervalle ] z1 ; z2 [ constitue le domaine
d'acceptation de(H0) au risque "α" fixé. Les autres valeurs constituent le domaine de refus de
(H0).
Le risque "α" de première espèce apparaît donc comme le risque de refuser l'hypothèse nulle
(H0) alors que cette hypothèse (H0) est vérifiée.
On note quelquefois le risque "α" de première espèce (ou de type I) sous la forme :
α = Pb ( R H0 /H0) ⇔ Probabilité de refuser (H0) alors que (H0) est vraie
1
f(z)
0,8
0,6
0,4
z1 = z α 1 avec Pb ( z ≤ z α 1 ) = α1 avec α1 + α2 = α.
En résumé :
On calcule la valeur numérique "zc" de la fonction discriminante à partir des valeurs
expérimentales.
On lit dans la table de la fonction de répartition de Z les valeurs z α / 2 et z 1−α / 2 telles que
:
α
Pb ( Z ≤ z α / 2 ) =
2
α
Pb ( Z ≤ z 1−α / 2 ) = 1 -
2
On refuse donc (H0) chaque fois que la valeur observée de la fonction discriminante est dans
le domaine de refus. Ce faisant, on admet implicitement la validité d' une autre hypothèse(H
1)
dite alternative. Une hypothèse alternative est une hypothèse que l' on opposeà l' hypothèse
nulle (H0). Selon la connaissance plus ou moins précise de (H1) on répartit le risque "α" de
façon bilatérale ou de façon unilatérale.
Dans le cas d' untest bilatéral, le risque "α" de première espèce est réparti à gauche et à droite
α
de l' intervalle d' acceptationα(1 = α2 = ).
2
Dans le cas d' untest unilatéral, le risque "α" sera concentré soit à droite, soit à gauche, de
l' intervalle d' acceptation. Ce choix suppose une connaissance de 1(H
) plus précise que dans le
cas bilatéral. Un test unilatéral est plus puissant qu' un test bilatéral, mais il demande une
meilleure connaissance de l' hypothèse alternative (H1)
Exemple :
Prenons le test de comparaison d' une moyenne observée à une moyenne de référence µ0.
Dans ce cas, l' hypothèse nulle s' écrit :
(H0) µ = µ 0.
Remarque :
Dans le cas d'une hypothèse nulle composite, le test utilisé est obligatoirement unilatéral :
nous n'aborderons pas ce problème. Notons que dans le cas d'une hypothèse nulle (H0)
simple, un test unilatéral est un cas particulier d'un test bilatéral : c'est le cas particulier où α1
= 0 et α2 = α (ou bien α1 = α et α2 = 0).
L'erreur que l'on commet en acceptant une hypothèse fausse est l'erreur de seconde espèce. On
peut la désigner par le symbole A H0 / H/ 0 ou A H0 / H1 (H1 étant une hypothèse
alternative). Le risque "β" de deuxième espèce est le risque d'accepter (H0) alors que c'est une
hypothèse (H1), différente de (H0), qui est exacte.
On écrit : β = Pb ( A H0 / H1 )
Nous verrons que, "α" étant fixé, et pour une hypothèse alternative donnée, le risque β de
deuxième espèce dépend de la taille de l'échantillon observé. Ainsi, dans l'interprétation du
résultat d'un test statistique, il ne faut jamais sous-estimer l'importance du risque β. En
effet l'acceptation de l'hypothèse nulle (H0) peut résulter, non du fait que cette hypothèse est
vraie, mais uniquement du fait que les observations sont insuffisantes pour déclarer (H0)
inacceptable.
Avant de pouvoir affirmer valablement qu'une hypothèse (H0) est vraie, on devrait toujours
s'assurer que l'efficacité du test utilisé est suffisante pour mettre en évidence une telle
différence.
V-6 : Degré de significativité d’un test : probabilité critique pc.
• Test bilatéral : pc = Pb (Z ≥ zc ) (
= Pb Z ≤ − z c ) + Pb ( Z ≥ zc )
• Test unilatéral : pc = Pb ( Z ≥ zc ) si "α" à droite.
pc = Pb ( Z ≤ zc ) si "α" à gauche.