$$\newcommand{\mtn}{\mathbb{N}}\newcommand{\mtns}{\mathbb{N}^*}\newcommand{\mtz}{\mathbb{Z}}\newcommand{\mtr}{\mathbb{R}}\newcommand{\mtk}{\mathbb{K}}\newcommand{\mtq}{\mathbb{Q}}\newcommand{\mtc}{\mathbb{C}}\newcommand{\mch}{\mathcal{H}}\newcommand{\mcp}{\mathcal{P}}\newcommand{\mcb}{\mathcal{B}}\newcommand{\mcl}{\mathcal{L}} \newcommand{\mcm}{\mathcal{M}}\newcommand{\mcc}{\mathcal{C}} \newcommand{\mcmn}{\mathcal{M}}\newcommand{\mcmnr}{\mathcal{M}_n(\mtr)} \newcommand{\mcmnk}{\mathcal{M}_n(\mtk)}\newcommand{\mcsn}{\mathcal{S}_n} \newcommand{\mcs}{\mathcal{S}}\newcommand{\mcd}{\mathcal{D}} \newcommand{\mcsns}{\mathcal{S}_n^{++}}\newcommand{\glnk}{GL_n(\mtk)} \newcommand{\mnr}{\mathcal{M}_n(\mtr)}\DeclareMathOperator{\ch}{ch} \DeclareMathOperator{\sh}{sh}\DeclareMathOperator{\th}{th} \DeclareMathOperator{\vect}{vect}\DeclareMathOperator{\card}{card} \DeclareMathOperator{\comat}{comat}\DeclareMathOperator{\imv}{Im} \DeclareMathOperator{\rang}{rg}\DeclareMathOperator{\Fr}{Fr} \DeclareMathOperator{\diam}{diam}\DeclareMathOperator{\supp}{supp} \newcommand{\veps}{\varepsilon}\newcommand{\mcu}{\mathcal{U}} \newcommand{\mcun}{\mcu_n}\newcommand{\dis}{\displaystyle} \newcommand{\croouv}{[\![}\newcommand{\crofer}{]\!]} \newcommand{\rab}{\mathcal{R}(a,b)}\newcommand{\pss}[2]{\langle #1,#2\rangle} $$
Bibm@th
Lien copié  ✅

Formulaire - Tests statistiques

Principe d'un test

Un test statistique permet de décider, au vu d'un échantillon, si une hypothèse sur la population est compatible avec les observations. On procède en cinq étapes :

  1. On formule l'hypothèse nulle ${H_0}$ (par exemple « ${p=0{,}05}$ ») et l'hypothèse alternative ${H_1}$ (« ${p\neq0{,}05}$ » : test bilatéral ; « ${p>0{,}05}$ » : test unilatéral).
  2. On choisit le seuil (ou risque) ${\alpha}$, souvent ${5\,\%}$.
  3. On choisit une statistique de test, dont on connaît la loi lorsque ${H_0}$ est vraie.
  4. On en déduit la région de rejet : l'ensemble des valeurs de la statistique qui n'ont qu'une probabilité ${\alpha}$ d'être atteintes si ${H_0}$ est vraie.
  5. On calcule la statistique sur l'échantillon : si elle tombe dans la région de rejet, on rejette ${H_0}$ au seuil ${\alpha}$ ; sinon, on ne la rejette pas.
Densité de la loi normale centrée réduite, avec la zone de non-rejet entre -1,96 et 1,96 et les deux zones de rejet de 2,5 % chacune

Ne pas rejeter ${H_0}$ ne prouve pas qu'elle est vraie : cela signifie seulement que les données ne permettent pas de la contredire.

Risques et p-valeur
${H_0}$ vraie${H_0}$ fausse
on rejette ${H_0}$erreur de première espèce
(probabilité ${\alpha}$)
bonne décision
(probabilité ${1-\beta}$, la puissance)
on ne rejette pas ${H_0}$bonne décisionerreur de seconde espèce
(probabilité ${\beta}$)
  • Diminuer ${\alpha}$ augmente ${\beta}$ : à taille d'échantillon fixée, on ne peut pas rendre les deux risques petits à la fois. Augmenter ${n}$ augmente la puissance.
  • La p-valeur est la probabilité, si ${H_0}$ est vraie, d'obtenir une statistique au moins aussi extrême que celle observée. On rejette ${H_0}$ au seuil ${\alpha}$ si et seulement si la p-valeur est inférieure à ${\alpha}$.
Valeurs critiques : test bilatéral ou unilatéral

La région de rejet est délimitée par une valeur critique, que l'on lit dans la table de la loi de la statistique de test. Prenons une statistique ${Z}$ qui suit la loi normale ${\mathcal N(0,1)}$ lorsque ${H_0}$ est vraie, et un seuil ${\alpha}$. On note ${u_\alpha}$ le réel tel que ${P(|Z|>u_\alpha)=\alpha}$ (par exemple ${u_{0{,}05}=1{,}96}$ et ${u_{0{,}10}=1{,}645}$, voir la fiche estimation).

  • Test bilatéral (${H_1}$ : « ${\mu\neq\mu_0}$ ») : on rejette ${H_0}$ si ${|Z|>u_\alpha}$. Le risque ${\alpha}$ est partagé entre les deux queues de la loi, ${\alpha/2}$ de chaque côté : c'est la figure du début de la fiche, avec ${\pm1{,}96}$ pour ${\alpha=5\,\%}$.
  • Test unilatéral (${H_1}$ : « ${\mu>\mu_0}$ ») : on rejette ${H_0}$ seulement si ${Z}$ est trop grand, c'est-à-dire si ${Z>c}$ avec ${P(Z>c)=\alpha}$. Tout le risque ${\alpha}$ est cette fois dans une seule queue. Comme la loi est symétrique, ${P(|Z|>c)=2\alpha}$, donc ${c=u_{2\alpha}}$ : on lit la table à ${2\alpha}$. Pour ${\alpha=5\,\%}$, on obtient ${c=u_{0{,}10}=1{,}645}$ au lieu de ${1{,}96}$.
    Densité de la loi normale centrée réduite, avec la zone de non-rejet à gauche de 1,645 et la zone de rejet de 5 % à droite
    Si ${H_1}$ est « ${\mu<\mu_0}$ », on rejette ${H_0}$ si ${Z<-u_{2\alpha}}$.
  • Avec une statistique ${T}$ de loi de Student, c'est la même chose : la table de Student donne ${t_\alpha}$ tel que ${P(|T|>t_\alpha)=\alpha}$ ; on utilise ${t_\alpha}$ en test bilatéral et ${t_{2\alpha}}$ en test unilatéral.
Au lycée : intervalle de fluctuation et prise de décision

Si la proportion ${p}$ d'un caractère dans la population est connue (ou supposée), la fréquence ${F}$ observée sur un échantillon de taille ${n}$ appartient, avec une probabilité d'environ ${95\,\%}$, à l'intervalle de fluctuation $$\left[p-1{,}96\sqrt{\frac{p(1-p)}{n}}\ ;\ p+1{,}96\sqrt{\frac{p(1-p)}{n}}\right]$$ (conditions : ${n\geq30}$, ${np\geq5}$, ${n(1-p)\geq5}$). Règle de décision : si la fréquence observée ${f}$ n'appartient pas à cet intervalle, on rejette l'hypothèse « la proportion vaut ${p}$ » au seuil de ${5\,\%}$ ; sinon, on ne la rejette pas. C'est un test bilatéral sur une proportion.

Tests sur une moyenne ou une proportion

On teste ${H_0}$ : « ${\mu=\mu_0}$ » (ou « ${p=p_0}$ »). On calcule la statistique ci-dessous ; en test bilatéral, on rejette ${H_0}$ si sa valeur absolue dépasse ${u_\alpha}$ (ou ${t_\alpha}$) ; en test unilatéral, on compare avec ${u_{2\alpha}}$ (ou ${t_{2\alpha}}$), du côté indiqué par ${H_1}$.

  • Moyenne, ${\sigma}$ connu (loi normale ou ${n\geq30}$) : ${\displaystyle Z=\frac{\bar x-\mu_0}{\sigma/\sqrt n}}$, de loi ${\mathcal N(0,1)}$ sous ${H_0}$.
  • Moyenne, ${\sigma}$ inconnu, loi normale : ${\displaystyle T=\frac{\bar x-\mu_0}{s/\sqrt n}}$, de loi de Student à ${n-1}$ degrés de liberté sous ${H_0}$ (pour ${n\geq 30}$, on peut utiliser la loi normale).
  • Proportion (${np_0\geq5}$ et ${n(1-p_0)\geq5}$) : ${\displaystyle Z=\frac{f-p_0}{\sqrt{p_0(1-p_0)/n}}}$, de loi approximativement ${\mathcal N(0,1)}$ sous ${H_0}$.
Comparaison de deux échantillons

On dispose de deux échantillons indépendants, de tailles ${n_1}$ et ${n_2}$, et on teste l'égalité des moyennes (${\mu_1=\mu_2}$) ou des proportions (${p_1=p_2}$).

  • Deux moyennes, grands échantillons (${n_1,n_2\geq30}$) : $$Z=\frac{\bar x_1-\bar x_2}{\sqrt{\dfrac{s_1^2}{n_1}+\dfrac{s_2^2}{n_2}}},\quad\textrm{de loi approximativement }\mathcal N(0,1).$$
  • Deux moyennes, petits échantillons (lois normales de même variance) : avec la variance commune estimée $$s^2=\frac{(n_1-1)s_1^2+(n_2-1)s_2^2}{n_1+n_2-2},$$ $$T=\frac{\bar x_1-\bar x_2}{s\sqrt{\dfrac1{n_1}+\dfrac1{n_2}}},$$ de loi de Student à ${n_1+n_2-2}$ degrés de liberté.
  • Deux proportions : avec la fréquence globale ${\hat p=\dfrac{n_1f_1+n_2f_2}{n_1+n_2}}$, $$Z=\frac{f_1-f_2}{\sqrt{\hat p(1-\hat p)\left(\dfrac1{n_1}+\dfrac1{n_2}\right)}},\quad\textrm{de loi approximativement }\mathcal N(0,1).$$
Tests du χ²
  • Test d'adéquation : on veut savoir si des observations suivent une loi donnée. On répartit les ${n}$ observations en ${k}$ classes ; ${O_i}$ est l'effectif observé dans la classe ${i}$ et ${E_i=np_i}$ l'effectif attendu sous ${H_0}$. On calcule $$\chi^2=\sum_{i=1}^k\frac{(O_i-E_i)^2}{E_i}.$$ Sous ${H_0}$, cette quantité suit approximativement une loi du ${\chi^2}$ à ${k-1-r}$ degrés de liberté, où ${r}$ est le nombre de paramètres de la loi qu'on a dû estimer à partir des données. On rejette ${H_0}$ si ${\chi^2}$ dépasse la valeur lue dans la table du χ². Condition : tous les ${E_i}$ doivent être au moins égaux à ${5}$ (sinon, on regroupe des classes).
  • Test d'indépendance : on observe deux caractères qualitatifs sur ${n}$ individus, et on range les effectifs ${O_{ij}}$ dans un tableau de contingence à ${r}$ lignes et ${c}$ colonnes. Sous l'hypothèse d'indépendance, l'effectif attendu dans la case ${(i,j)}$ est $$E_{ij}=\frac{(\textrm{total de la ligne } i)\times(\textrm{total de la colonne } j)}{n}.$$ La statistique ${\displaystyle\chi^2=\sum_{i,j}\frac{(O_{ij}-E_{ij})^2}{E_{ij}}}$ suit approximativement une loi du ${\chi^2}$ à ${(r-1)(c-1)}$ degrés de liberté.
Test de Kolmogorov-Smirnov

Pour tester si un échantillon de taille ${n}$ provient d'une loi continue de fonction de répartition ${F}$ donnée, on compare ${F}$ à la fonction de répartition empirique ${F_n}$ (${F_n(x)}$ est la proportion des observations inférieures ou égales à ${x}$) : $$D_n=\sup_{x}|F_n(x)-F(x)|.$$ On rejette ${H_0}$ si ${D_n}$ dépasse la valeur lue dans la table de Kolmogorov-Smirnov. Contrairement au test du ${\chi^2}$, il ne demande pas de regrouper les données en classes.

Exemples

Proportion : un fabricant annonce ${5\,\%}$ de pièces défectueuses. Sur un échantillon de ${400}$ pièces, on en trouve ${30}$, soit ${f=0{,}075}$. On teste ${H_0}$ : « ${p=0{,}05}$ » contre ${H_1}$ : « ${p>0{,}05}$ » au seuil de ${5\,\%}$. $$Z=\frac{0{,}075-0{,}05}{\sqrt{0{,}05\times0{,}95/400}}\approx2{,}29>1{,}645.$$ On rejette ${H_0}$ : l'annonce du fabricant semble trop optimiste. La p-valeur vaut environ ${0{,}011}$. Avec la méthode du lycée, l'intervalle de fluctuation à ${95\,\%}$ est ${[0{,}029\,;0{,}071]}$, qui ne contient pas ${0{,}075}$ : même conclusion.

Adéquation : on lance ${120}$ fois un dé et on obtient les effectifs suivants.

face${1}$${2}$${3}$${4}$${5}$${6}$
effectif observé${15}$${18}$${22}$${25}$${17}$${23}$

Si le dé est équilibré, chaque effectif attendu vaut ${E_i=20}$. On calcule $$\chi^2=\frac{25+4+4+25+9+9}{20}=3{,}8.$$ Avec ${6-1=5}$ degrés de liberté, la table donne ${11{,}07}$ au seuil de ${5\,\%}$. Comme ${3{,}8<11{,}07}$, on ne rejette pas l'hypothèse que le dé est équilibré (p-valeur environ ${0{,}58}$).