STATISTIQUE : TESTS DHYPOTHESES
On connaît la loi théorique en général la loi normale. Par exemple dans un jeu de dés à 6 faces
Cours de Statistiques inférentielles
probabilités fortes autour de p et plus faibles lorsqu'on s'éloigne de p. Soit X une variable aléatoire admettant une espérance E(X) et de variance ...
7 Lois de probabilité
Lorsque la loi est une normale de moyenne et variance quelconques il faut utiliser les propriétés de la loi normale pour transformer la v.a. en une N (0
PROBABILITÉS
Exemple : On considère la variable aléatoire X définie dans l'exemple précédent. Chaque issue du lancer de dé est équiprobable et égale à. 1. 6 . La probabilité
Exercices Corrigés Statistique et Probabilités
S 4 4/20. C 6 6/20. T 5 5/20. L 5 5/20. ? 20 1. Déterminer le mode ? Les valeurs de la dispersion de la distribution : variance l'écart type et.
VARIABLES ALÉATOIRES
6. Ce tableau résume la loi de probabilité de la variable aléatoire X. variance et l'écart-type de la loi de probabilité de X et interpréter les ...
Cours de probabilités et statistiques
6. = 1/2. - Fréquence : Un enfant est attendu. Quelle est la probabilité que ce L'espérance et sa variance ne dépendent de X qu'`a travers sa loi : deux ...
MODELES LINEAIRES
Laboratoire de Statistique et Probabilités - Université Paul Sabatier - Toulouse d'analyse de variance à un facteur qui s'écrit sous la forme :.
Probabilités et variables aléatoires
variance d'une variable aléatoires sont définies avant de signaler {0
ESTIMATION DE PARAMÈTRES
Au moyen du calcul des probabilités le statisticien raison que l'on a introduit la variance d'échantillon S ... 1 S. ? s'appelle le risque ou le.
[PDF] Première S - Probabilités - Variable aléatoire - Parfenoff org
L'espérance d'une variable aléatoire est la moyenne des valeurs qu'elle prend en considérant que les probabilités sont les fréquences des valeurs • La variance
[PDF] PROBABILITÉS - maths et tiques
Dans le jeu de la "Méthode" du paragraphe précédent calculer l'espérance la variance et l'écart-type de la loi de probabilité de X et interpréter les
[PDF] Probabilité conditionnelle Variable aléatoire - Lycée dAdultes
3 mai 2021 · 1 Loi de probabilité Il s'agit de construire une structure mathématique qui permet de repérer des situations identiques et d'avoir une
[PDF] Cours de probabilités et statistiques
6 = 1/2 - Fréquence : Un enfant est attendu Quelle est la probabilité que ce L'espérance et sa variance ne dépendent de X qu'`a travers sa loi : deux
[PDF] Probabilités et variables aléatoires
Espérance et variance d'une variable aléatoires sont définies avant de signaler les deux théorèmes importants : loi des grands nombre et théorème de central
[PDF] Cours de Probabilités
les k premières expériences aléatoires et ne pas se réaliser durant les n?k La variance mathématique d'une variable aléatoire suivant une loi B(n
[PDF] Espérance variance quantiles
22 mai 2008 · Espérance variance quantiles Probabilité Gain × Proba 6 Exemple : Si X ? Bernoulli(p) alors son moment d'ordre 2 est
[PDF] Probabilités et Statistique
2 4 Espérance variance covariance et moments 39 Les premières publications sur le sujet remontent à
[PDF] Intégration et probabilités (cours + exercices corrigés) L3 MASS
6 Fondements de la théorie des probabilités Rappel : C1 veut dire que la fonction est continue et ses dérivées partielles du premier
[PDF] Cours calcul des probabilités et variables aléatoires
(xk ? E(X))r P(X = xk) Remarquons que le moment centré d'ordre 1 est nulle µ1 = 0 3 3 3 Variance - Ecart-type - Covariance - Corrélation Définition 3 3 1 :
Comment calculer la variance en probabilité ?
V(X) est la moyenne des carrés des écarts entre les valeurs prises par X et l'espérance pondérée par les probabilités correspondantes. Ainsi V(X) = E((X ? ?)2).Comment interpréter la variance en probabilité ?
La variance est utilisée dans le domaine de la statistique et de la probabilité en tant que mesure servant à caractériser la dispersion d'une distribution ou d'un échantillon. Il est possible de l'interpréter comme la dispersion des valeurs par rapport à la moyenne.- Définition : Soit une variable aléatoire X définie sur E et prenant les valeurs x1,x2,, xn. La loi de probabilité de X associe à toute valeur xi la probabilité pi = P(X = xi).
STATISTIQUE : TESTS D"HYPOTHESES
Préparation à l"Agrégation Bordeaux 1
Année 2012 - 2013
Jean-Jacques Ruch
Table des Matières
Chapitre I. Généralités sur les tests5
1. Introduction5
2. Principe des tests6
2.a. Méthodologie6
2.b. Hypothèse nulle - hypothèse alternative 6
2.c. Statistique et niveau de signification 6
3. Risques d"erreur7
4. Puissance d"un test8
Chapitre II. Test paramétriques9
1. Test de la moyenne9
1.a. Variance connue 9
1.b. Variance inconnue 9
2. Test de la variance10
2.a. Moyenne connue 10
2.b. Moyenne inconnue 10
3. Test de la fréquence11
4. Test de comparaison de deux moyennes 11
4.a. Variance connue 11
4.b. Variance inconnue 11
5. Test de comparaison de deux variances 13
6. Test de comparaison de deux proportions 13
Chapitre III. Test du215
1. Construction du test15
2. Première application : test d"ajustement (loi discrète) 17
3. Deuxième application : test d"ajustement (loi continue) 18
4. Troisième application : test d"ajustement (famille de lois) 18
5. Quatrième application : test d"indépendance 18
Chapitre IV. Fonction de répartition empirique191. Introduction19
2. Théorème de Glivenko-Cantelli 20
3. Test de Kolmogorov21
4. Test de Kolmogorov-Smirnov 22
3CHAPITRE I
Généralités sur les tests
1. Introduction
Untest d"hypothèseest un procédé d"inférence permettant de contrôler (accepter ou rejeter) à partir
de l"étude d"un ou plusieurs échantillons aléatoires, la validité d"hypothèses relatives à une ou plusieurs
populations. Les méthodes de l"inférence statistique nous permettent de déterminer, avec une probabilité
donnée, si les différences constatées au niveau des échantillons peuvent être imputables au hasard ou
si elles sont suffisamment importantes pour signifier que les échantillons proviennent de populations
vraisemblablement différentes.On distinguera deux classes de tests :
Les tests paramétriquesrequierent un modèle à fortes contraintes (normalité des distributions ou
approximation normale pour des grands échantillons). Ces hypothèses sont d"autant plus difficiles à
vérifier que les effectifs étudiés sont plus réduits.Les tests non paramétriquessont des tests dont le modèle ne précise pas les conditions que doivent
remplir les paramètres de la population dont a été extrait l"échantillon. Il n"y a pas d"hypothèse de
normalité au préalable.Les tests paramétriques, quand leurs conditions sont remplies, sont les plus puissants que les tests non
paramétriques. Les tests non paramétriques s"emploient lorsque les conditions d"applications des autres
méthodes ne sont pas satisfaites, même après d"éventuelles transformation de variables. Ils peuvent
s"utiliser même pour des échantillons de taille très faible.On ditingue les tests suivant :
Le test de conformitéconsiste à confronter un paramètre calculé sur l"échantillon à une valeur
pré-établie. Les plus connus sont certainement les tests portant sur la moyenne, la variance ou sur
les proportions. On connaît la loi théorique en général la loi normale. Par exemple, dans un jeu de
dés à 6 faces, on sait que la face 3 a une probabilité de 1/6 d"apparaître. On demande à un joueur
de lancer (sans précautions particulières) 100 fois le dé, on teste alors si la fréquence d"apparition de
la face 3 est compatible avec la probabilité 1/6. Si ce n"est pas le cas, on peut se poser des questions
sur l"intégrité du dé.Le test d"ajustement ou d"adéquationconsiste à vérifier la compatibilité des données avec une
distribution choisie a priori. Le test le plus utilisé dans cette optique est le test d"ajustement à la
loi normale, qui permet ensuite d"appliquer un test paramétrique .Le test d"homogénéité ou de comparaisonconsiste à vérifier queK(K2)échantillons (groupes)
proviennent de la même population ou, cela revient à la même chose, que la distribution de la variable
d"intérêt est la même dans les K échantillons. Y a-t-il une différence entre le taux de glucose moyen
mesuré pour deux échantillons d"individus ayant reçu des traitements différents?Le test d"indépendance ou d"associationconsiste à éprouver l"existence d"une liaison entre 2
variables. Les techniques utilisées diffèrent selon que les variables sont qualitatives nominales,
ordinales ou quantitatives. Est-ce que la distribution de la couleur des yeux observée dans la population française fréquences est indépendante du sexe des individus? 56Chapitre I. Généralités sur les tests
2. Principe des tests
2.a. Méthodologie.
Le principe des tests d"hypothèse est de poser une hypothèse de travail et de prédire les conséquences de
cette hypothèse pour la population ou l"échantillon. On compare ces prédictions avec les observations et
l"on conclut en acceptant ou en rejetant l"hypothèse de travail à partir de règles de décisions objectives.
Définir les hypothèses de travail, constitue un élément essentiel des tests d"hypothèses de même que
vérifier les conditions d"application de ces dernières. Différentes étapes doivent être suivies pour tester une hypothèse : (1) définir l"h ypothèsen ulle,notée H0, à contrôler; (2) c hoisirune statistique p ourcon trôlerH0; (3) définir la distribution de la statistique sous l"h ypothèse" H0est réalisée »; (4) définir le niv eaude signification du test et la région critique associée; (5) calculer, à partir des donné esfournies par l"éc hantillon,la v aleurde la statistique ; (6)prendre une décision concernan tl"h ypothèsep osée. 2.b. Hypothèse nulle - hypothèse alternative.
L"hypothèse nullenotéeH0est l"hypothèse que l"on désire contrôler : elle consiste à dire qu"il n"existe pas
de différence entre les paramètres comparés ou que la différence observée n"est pas significative et est due
aux fluctuations d"échantillonnage. Cette hypothèse est formulée dans le but d"être rejetée.
L"hypothèse alternativenotéeH1est la "négation" deH0, elle est équivalente à dire "H0est fausse ». La
décision de rejeterH0signifie queH1est réalisée ouH1est vraie.Remarque :Il existe une dissymétrie importante dans les conclusions des tests. En effet, la décision
d"accepterH0n"est pas équivalente à "H0est vraie etH1est fausse ». Cela traduit seulement l"opinion
selon laquelle, il n"y a pas d"évidence nette pour queH0soit fausse. Un test conduit à rejeter ou à ne pas
rejeter une hypothèse nulle jamais à l"accepter d"emblée.La nature deH0détermine la façon de formulerH1et par conséquent la nature unilatérale ou bilatérale du
test. On parle detest bilatérallorsque l"hypothèse alternative se "décompose en deux parties". Par exemple
siH0consiste à dire que la population estudiantine avec une fréquence de fumeurspest représentative
de la population globale avec une fréquence de fumeursp0, on pose alors :H0:p=p0etH1:p6=p0. Letest sera bilatéral car on considère que la fréquenceppeut être supérieure ou inférieure à la fréquencep0.
On parle detest unilatérallorsque l"hypothèse alternative se "compose d"une seule partie". Par exemple
si l"on fait l"hypothèse que la fréquence de fumeurs dans la population estudiantinepest supérieure à
la fréquence de fumeurs dans la populationp0, on pose alorsH0:p=p0etH1:p > p0. Le test seraunilatéral car on considère que la fréquencepne peut être que supérieure à la fréquencep0.
Il aurait été possible également d"avoir :H0:p=p0etH1:p < p02.c. Statistique et niveau de signification.
Unestatistiqueest une fonction des variables aléatoires représentant l"échantillon. Le choix de la statistique
dépend de la nature des données, du type d"hypothèse que l"on désire contrôler, des affirmations que l"on
peut admettre concernant la nature des populations étudiées:::. La valeur numérique de la statistique
obtenue pour l"échantillon considéré permet de distinguer entreH0vraie etH0fausse.Connaissant la loi de probabilité suivie par la statistiqueSsous l"hypothèseH0, il est possible d"établir
une valeur seuil,Sseuilde la statistique pour une probabilité donnée appelée leniveau de signification
du test. La région critiqueRc=f(Sseuil)correspond à l"ensemble des valeurs telles que :P(S2Rc) =.
Selon la nature unilatérale ou bilatérale du test, la définition de la région critique varie.TestUnilatéralBilatéral
H0:t=t0H
0:t=t0Hypothèse alternativeH
1:t > t0H
1:t < t0H
1:t6=t0Niveau de significationP(S > Sseuil) =P(S < Sseuil) =P(jSj> Sseuil) =
Jean-Jacques Ruch
3.Risques d"erreur7
Il existe deux stratégies pour prendre une décision en ce qui concerne un test d"hypothèse : la première
stratégie fixe à priori la valeur du seuil de significationet la seconde établit la valeur de la probabilité
critiqueobsà posteriori.Règle de décision 1:
Sous l"hypothèse "H0est vraie » et pour un seuil de significationfixési la v aleurde la statis tiqueSobscalculée appartient à la région critique alors l"hypothèseH0est
rejetée au risque d"erreuret l"hypothèseH1est acceptée;si la v aleurde la statistique Sobsn"appartient pas à la région critique alors l"hypothèseH0ne peut
être rejetée.Remarque :Le choix du niveau de signification ou risqueest lié aux conséquences pratiques de la
décision; en général on choisira= 0;05;0;01ou0;001.Règle de décision 2:
La probabilité critiquetelle queP(SSobs) =obsest évaluée si obsl"hypothèseH0est acceptée car le risque d"erreur de rejeterH0alors qu"elle est vrai est trop important; si obs< l"hypothèseH0est rejetée car le risque d"erreur de rejeterH0alors qu"elle est vrai est très faible.3. Risques d"erreurDéfinition 1.On appellerisque d"erreur de première espècela probabilité de rejeterH0et d"accepter
H1alors queH0est vraie.Ceci se produit si la valeur de la statistique de test tombe dans la région de rejet alors que l"hypothèse
H0est vraie. La probabilité de cet évènement est le niveau de signifiation. On dit aussi que le niveau
de signification est la probabilité de rejeter l"hypothèse nulle à tort.Remarque :La valeur du risquedoit être fixée a priori par l"expérimentateur et jamais en fonction
des données. C"est un compromis entre le risque de conclure à tort et la faculté de conclure.
La région critique diminue lorsquedécroît (voir intervalle de confiance) et donc on rejette moins
fréquemmentH0. A vouloir commettre moins d"erreurs, on conclut plus rarement.Exemple :Si l"on cherche à tester l"hypothèse qu"une pièce de monnaie n"est pas " truquée », nous allons
adopter la règle de décision suivante : H0: la pièce n"est pas truquée
est acceptée si X2[40;60] rejetée si X62[40;60]donc soitX <40ouX >60avecX" nombre de faces » obtenus en lançant100fois la pièce. Le risque d"erreur de première espèce
est=P(B(100;1=2)2[40;60]).Définition 2.On appellerisque d"erreur de seconde espèce, notéela probabilité de rejeterH1et
d"accepterH0alors queH1est vraie.Ceci se produit si la valeur de la statistique de test ne tombe pas dans la région de rejet alors que
l"hypothèseH1est vraie.Remarque :: Pour quantifier le risque, il faut connaître la loi de probabilité de la statistique sous
l"hypothèseH1.Exemple :Si l"on reprend l"exemple précédent de la pièce de monnaie, et que l"on suppose la probabilité
d"obtenir face est de0;6pour une pièce truquée. En adoptant toujours la même règle de décision :H0:
la pièce n"est pas truquéeJean-Jacques Ruch
8Chapitre I. Généralités sur les tests
est accepté esi X2[40;60] rejetée si X62[40;60]donc soitX <40ouX >60avecX" nombre de faces » obtenues en lançant100fois la pièce. Le risque de seconde espèce est
=P(B(100;0;6)2[40;60]).4. Puissance d"un test
Rappelons que les tests ne sont pas faits pour " démontrer »H0mais pour " rejeter »H0. L"aptitude
d"un test à rejeterH0alors qu"elle est fausse constitue la puissance du test.Définition 3.On appellepuissance d"un test, la probabilité de rejeterH0et d"accepterH1alors que
H1est vraie. Sa valeur est1La puissance d"un test est fonction de la nature deH1, un test unilatéral est plus puissant qu"un test
bilatéral. Elle augmente avec taille de l"échantillonNétudié, et diminue lorsquediminue.La robustesse d"une technique statistique représente sa sensibilité à des écarts aux hypothèses faites.
Les différentes situations que l"on peut rencontrer dans le cadre des tests d"hypothèse sont résumées dans
le tableau suivant :Décision RéalitéH0vraieH
1vraieH
0acceptéecorrectmanque de puissance
risque de seconde espèceH1acceptéerejet à tortpuissance du test
risque de premières espèce1On peut aussi voir cela sur le graphique suivant :Jean-Jacques Ruch
CHAPITRE II
Test paramétriques
On suppose dans ce chapitre que les échantillons sont issus d"une loi normale ou peuvent être approximés
par une loi normale.1. Test de la moyenne
1.a. Variance connue.On suppose que l"on a un échantillon qui suit une loi normaleN(;2)ou
la variance est connue. On veut testerH0:=0contreH1:6=0, c"est le cas bilatéral.Sous l"hypothèseH0la variable aléatoireX
n=1n P n k=1Xksuit une loiN(0;2=n)et par conséquent la statistique Z=X n0p 2=n suit une loi normale centrée réduite.Pour un risque d"erreurfixé on a donc
P(jZj q1=2) = 1
avecq1=2le quantile d"ordre1=2de la loiN(0;1); et donc la région de rejet est ] 1;q1=2[[]q1=2;+1[ On calcule alors pour les valeurs de l"échantillonZet on accepte ou on rejetteH0suivant la valeur trouvée, au risqueSi on considère un test unilatéral et une hypothèse alternativeH1: > 0par exemple, on obtient pour
un risque d"erreurP(Zq1) = 1
avecq1le quantile d"ordre1de la loiN(0;1); et donc la région de rejet est ]q1;+1[1.b. Variance inconnue.On suppose que l"on a un échantillon qui suit une loi normaleN(;2)
ou la variance est maintenant inconnue. On veut testerH0:=0contreH1:6=0, dans le cas bilatéral.Sous l"hypothèseH0la variable aléatoireX
n=1n P n k=1Xksuit une loiN(0;2=n). Comme la variance est inconnue, on l"estime par la variance empirique :S0n2=1n1n
X k=1(XkX n)2:On a déjà vu qu"alors la variable
T=Xn0q
S 0n2=n suit une de Student àn1degrés de liberté.Pour un risque d"erreurfixé on a donc
P(jTj t1=2) = 1
910Chapitre II. Test paramétriques
avect1=2le quantile d"ordre1=2de la loi de Student àn1degrés de liberté; et donc la région
de rejet est ] 1;t1=2[[]t1=2;+1[ On calcule alors pour les valeurs de l"échantillonTet on accepte ou on rejetteH0suivant la valeur trouvée, au risque2. Test de la variance
2.a. Moyenne connue.
On suppose que l"on a un échantillon qui suit une loi normaleN(;2)où la moyenne est connue. On veut testerH0:2=20contreH1:26=20. Sous l"hypothèseH0la statistique V=nS n2 20=nX k=1 Xk 0 2 suit une loi du2àndegrés de libertés. Pour un risque d"erreurfixé on a donc (en choisissant un intervalle symétrique) : P2=2(n)nS
n22021=2(n)!
= 1 avec2=2(n)et21=2(n)les quantiles d"ordre=2et1=2de la loi2(n). Donc la région de rejet est [0;2=2(n)[[]21=2(n);+1[On calcule alors pour les valeurs de l"échantillon,V, et on accepte ou on rejette au risque H0suivant
la valeur trouvée. Si on a une hypothèse alternativeH1:2> 20on fera un test unilatéral, et obtient au risque P nS n2221(n)!
= 1 avec21(n)le quantile d"ordre1de la loi2(n). Donc la région de rejet est]21(n);+1[2.b. Moyenne inconnue.
On suppose que l"on a un échantillon qui suit une loi normaleN(;2)où la moyenne est inconnue. On veut testerH0:2=20contreH1:26=20. Sous l"hypothèseH0la statistique V=nS 0n2 20=nX k=1 XkX n 0 2 suit une loi du2àn1degrés de libertés. Pour un risque d"erreurfixé on a donc (en choisissant un intervalle symétrique) : P2=2(n1)nS
0n22021=2(n1)!
= 1 avec2=2(n1)et21=2(n1)les quantiles d"ordre=2et1=2de la loi2(n1). Donc la région de rejet est [0;2=2(n1)[[]21=2(n1);+1[On calcule alors pour les valeurs de l"échantillon,V, et on accepte ou on rejette au risque H0suivant
la valeur trouvée.Jean-Jacques Ruch
4.Test de comparaison de deux moyennes11
3. Test de la fréquence
Le modèle mathématique est le suivant. On dispose d"une population dans laquelle chaque individu
présente ou non un certain caractère, la proportion d"individus présentant le caracère étant notéep,
et un échantillon aléatoire de taillenextrait de cette population. La proportion f calculée à partir de
l"échantillon est considérée comme une réalisation d"une v.a. de loi binomialeB(n;p)qu"on peut assimiler,
sinest assez grand, à une loi normaleN(p;pp(1p)=pn). On veut testerH0:p=p0contreH1:p6=p0, dans le cas bilatéral. On obtient la région de rejet pour un risque#1;p0q1=2pp
0(1p0)pn
p0+q1=2pp
0(1p0)pn
;+1" avecq1=2le quantile d"ordre1=2de la loiN(0;1).4. Test de comparaison de deux moyennes
Si les deux échantillons on la même taillen1=n2=n. Le test se ramène à une test à une moyenne nulle
de l"échantillon(Z1;:::;Zn), avecZi=XiYi.4.a. Variance connue.On suppose que l"on a deux échantillons(X1;:::;Xn1)et(Y1;:::;Yn2)qui
suivent une loi normaleN(1;21)etN(2;22)où les variances sont connues. On veut testerH0:1=2contreH1:16=2, c"est la cas bilatéral.Sous l"hypothèseH0la variable aléatoireX
n1=1n 1P n1 k=1Xksuit une loiN(1;21=n1)et la variable aléatoireY n2=1n 2P n2 k=1Yksuit une loiN(2;22=n2), par conséquent la statistique U=X n1Y n2p21=n1+22=n2
suit une loi normale centrée réduite.Pour un risque d"erreurfixé on a donc
P(jUj q1=2) = 1
avecq1=2le quantile d"ordre1=2de la loiN(0;1); et donc la région de rejet est ] 1;q1=2[[]q1=2;+1[ On calcule alors pour les valeurs de l"échantillonUet on accepte ou on rejetteH0suivant la valeur trouvée, au risqueSi on considère un test unilatéral et une hypothèse alternativeH1:1> 2par exemple, on obtient pour
un risque d"erreurP(Zq1) = 1
avecq1le quantile d"ordre1de la loiN(0;1); et donc la région de rejet est ]q1;+1[4.b. Variance inconnue.On suppose que l"on a que l"on a deux échantillons(X1;:::;Xn1)et
(Y1;:::;Yn2)qui suivent une loi normaleN(1;21)etN(2;22)où les variances sont inconnues.Cas 1 :n1etn2supérieurs à30.
On veut testerH0:1=2contreH1:16=2, dans le cas bilatéral.Sous l"hypothèseH0la variable aléatoireX
n1Y n2suit une loiN(0;21=n1+22=n2). Comme la variance est inconnue, on l"estime par la variance empirique corrigéeS0n12+S
0n22=1n
11n 1X k=1(XkX n1)2+1n 21n2X k=1(YkY n2)2:
Jean-Jacques Ruch
12Chapitre II. Test paramétriques
Alors la variable aléatoire
N=X n1Y n2q S0n12=n1+S
0n22=n2
peut être approximé par une loi normale centrée réduite.Pour un risque d"erreurfixé on a donc
P(jNj t1=2) = 1
avect1=2le quantile d"ordre1=2de la loi normale centrée réduite; et donc la région de rejet est
] 1;t1=2[[]t1=2;+1[ On calcule alors pour les valeurs de l"échantillonNet on accepte ou on rejetteH0suivant la valeur trouvée, au risque.Cas 2 :n1oun2inférieur à30et1=2
On veut testerH0:1=2contreH1:16=2, dans le cas bilatéral.Sous l"hypothèseH0la variable aléatoireX
n1Y n2suit une loiN(0;21=n1+22=n2). Comme la variance est inconnue, on l"estime par la variance empirique corrigéeS0n1;n22=1n
1+n22 n1X k=1(XkX n1)2+n 2X k=1(YkY n2)2!Alors la variable aléatoire
T=X n1Y n2q S0n1;n22(1=n1+ 1=n2)
suit une de Student àn1+n22degrés de liberté.Pour un risque d"erreurfixé on a donc
P(jTj t1=2) = 1
avect1=2le quantile d"ordre1=2de la loi de Student àn1+n22degrés de liberté; et donc la région de rejet est ] 1;t1=2[[]t1=2;+1[ On calcule alors pour les valeurs de l"échantillonTet on accepte ou on rejetteH0suivant la valeur trouvée, au risqueCas 3 :n1oun2inférieur à30et16=2
On veut testerH0:1=2contreH1:16=2, dans le cas bilatéral.Sous l"hypothèseH0la variable aléatoireX
n1Y n2suit une loiN(0;21=n1+22=n2). Comme la variance est inconnue, on l"estime par la variance empirique corrigéeS0n12+S
0n22=1n
11n 1X k=1(XkXquotesdbs_dbs22.pdfusesText_28[PDF] etre positif pdf
[PDF] le pouvoir de la pensée positive pdf gratuit
[PDF] pensée positive citation pdf
[PDF] pensée positive gratuite télécharger
[PDF] livre la puissance de la pensée positive pdf gratuit
[PDF] la pensée positive pour les nuls pdf gratuit
[PDF] soon the end
[PDF] cest bientot la fin paroles
[PDF] mozart opera rock c'est bientôt la fin lyrics
[PDF] allez viens c'est bientôt la fin paroles
[PDF] allez viens c'est bientôt la fin 1789
[PDF] c'est bientot la fin les enfoirés
[PDF] développer une mentalité de gagnant pdf
[PDF] feu sacré du succès