Documente Academic
Documente Profesional
Documente Cultură
Act5120
UQM
&
UQM - Chapitre 1.
Page 1 de 93
'
Plan de lexpos
Introduction
Lestimation ponctuelle de paramtres.
Diffrentes mthodes destimation.
Ltude sur la qualit des estimateurs.
Lestimation par intervalle de confiance.
Les tests dhypothses.
Exemples et exercices.
&
UQM - Chapitre 1.
Page 2 de 93
'
Introduction
&
UQM - Chapitre 1.
Page 3 de 93
'
&
UQM - Chapitre 1.
Page 4 de 93
'
&
UQM - Chapitre 1.
Page 5 de 93
'
Pour obtenir des rsultats prcis et intressants, nous faisons un certain nombre
dhypothses lies lexprience effectue sur la loi commune F (x|) des
variables X1 , X2 , , Xn de lchantillon.
Nous restreindrons notre tude, dans les chapitres 12 et 15, la statistique dite
paramtrique. Dans cette approche, les diffrentes lois considres possibles a
priori pour les variables Xi sont dans la famille paramtrique, cest dire dans
lensemble {F (x|)} de lois de probabilits sur . Nous chercherons alors
dterminer une fonction de rpartition F (x|) qui est en accord avec les
donnes et estimer le paramtre inconnu . Nous tudierons les cas o les
donnes sont compltes et individuelles, groupes, tronques ou censures.
Lorsquon ignore la forme spcifique de la loi inconnue F (x|) et quon na pas
de bonnes raisons pour supposer quelle appartienne telle ou telle famille
paramtrique, nous aborderons alors, dans les chapitres 13 et 14, lanalyse
statistique de ces modles dite non paramtrique.
&
UQM - Chapitre 1.
Page 6 de 93
'
Une statistique
Une statistique (ou une rgle de calcul) calcule partir dun chantillon
alatoire ou dune exprience randomise est une variable alatoire. On appelle
distribution dchantillonnage la loi de probabilit dune statistique.
Exemples:
Pn
Moyenne chantillonnale: T1 =
1
n
Variance chantillonnale: T2 =
1
n1
i=1
Xi = X
Pn
i=1 (Xi
X)2 = S 2
&
UQM - Chapitre 1.
Page 7 de 93
'
&
UQM - Chapitre 1.
Page 8 de 93
'
&
UQM - Chapitre 1.
Page 9 de 93
'
Estimation ponctuelle
&
n
1X
=
(Xi X)2 ;
n i=1
UQM - Chapitre 1.
Page 10 de 93
'
Lestimateur et lestimation
&
UQM - Chapitre 1.
Page 11 de 93
'
etc...
&
UQM - Chapitre 1.
Page 12 de 93
'
Biais
b 1 , , Xn )
Bb = E (X
On peut aussi voir Bb comme la valeur moyenne de lerreur b .
Bb = Bb , n .
&
UQM - Chapitre 1.
Page 13 de 93
'
Un estimateur b est dite sans biais pour si son biais est identiquement nul i.e.
Bb , n = E b = 0,
ou galement, si sa valeur moyenne est identiquement gale , cest--dire
E b = .
Il est dite asymptotiquement sans biais si
Bb , n
0 lorsque
&
UQM - Chapitre 1.
Page 14 de 93
'
Exemple 1.
1
n
Pn
i=1 (X1
i=1
n
estimateur: B c2 = 2 /n. On remarque que le biais est ngatif, ce qui
en moyenne.
&
UQM - Chapitre 1.
Page 15 de 93
'
&
Numro du compte
Nombre de transactions
15
18
22
25
10
1 X
=
yi = 18 ;
N i
UQM - Chapitre 1.
1 X
=
(yi )2 = 27, 6.
N i
2
Page 16 de 93
'
chantillons de taille 2
(15,22)
(15,25)
(15,10)
(18,22)
(18,25)
(18,10)
(22,25)
(22,10)
(25,10)
y 2 =18,5
y 3 =20
y 4 =12,5
y 5 =20
y 6 =21,5
y 7 =14
y 8 =23,5
y 9 =16
y 10 =17,5
12,5
14
16
16,5
17,5
18,5
20
21,5
23,5
1/10
1/10
1/10
1/10
1/10
1/10
2/10
1/10
1/10
(y)
E(Y ) =
X
y
12, 5
1
10
yp
(y)
+ 14
1
10
+ + 23, 5
= 18
10
&
UQM - Chapitre 1.
Page 17 de 93
'
Exemple 3.
1 ex/ , x > 0
f (x | ) =
0
sinon
&
UQM - Chapitre 1.
Page 18 de 93
'
Solution:
Trouvons dabord la densit de Y , fY (y), comme E(Y | ) =
que fY (y) = d FY (y), nous commenons par FY (y):
dy
FY (y)
3
2
FX (y) + 3 FX (y) (1 FX (y)) comme Xi sont i.i.d. FX
de faite que
FX (y) =
&
UQM - Chapitre 1.
Ry
si y > 0
si y 0
fX (x)dx =
y
Ry 1 x/
e
dx = ex/ = 1 ey/
0
0
si y > 0
si y 0
Page 19 de 93
'
dy
Y
fY (y) =
$
y > 0
si y 0
finalement:
E(Y | )
Z 6
y [e2y/ e3y/ ]dy
Z 2
Z 3
2y/
3
y e
dy 2
y e3y/ dy
0
0
3/2 2/3 =
6=
Alors la mdiane est un estimateur biais pour , si X1 , X2 , X3 sont i.i.d. de loi Exp (). Le biais
est
5
BY = E(Y | ) =
=
6
6
&
UQM - Chapitre 1.
Page 20 de 93
'
Exemple 4.
1
si 0 < x <
fX (x | ) =
0
sinon
Solutions:
Il faut montrer que
Z
d
n est f
o la densit de la variable alatoire
n (y) = dy F
n (y) avec F
n (y) est la fonction de
n .
rpartition de
F (y)
n
&
n y] = Pr[max(X , X , Xn ) y]
Pr[
1
2
Pr[X1 y, X2 y, , Xn y]
UQM - Chapitre 1.
sont indpendants
Page 21 de 93
'
Comme
FX (y)
Zy
Pr(X y) =
fX (x)dx
Alors
et par consquent:
F (y) =
n
Ry 1
y
dy =
0
1
0
y n
d
f (y) =
F (y) =
n
dy n
&
UQM - Chapitre 1.
si y < 0
si 0 < y <
si y >
si y < 0
si 0 y
si y >
0
ny n1
n
0
si y < 0
si 0 y
si y >
Page 22 de 93
'
n | )
E(
0
=
ny n1
n
dy =
n Z
y n dy
n n+1
n y n+1
=
n n + 1 0
n (n + 1)
!
n
n+1
n est biais:
On voit que
n | ) 6= ,
E(
mais asymptotiquement sans biais:
n | ) = lim
lim E(
n
n
&
UQM - Chapitre 1.
n
n+1
= .
Page 23 de 93
'
Estimateur convergent
b
Lestimateur (X
il est fonction de la taille de
1 , X2 , , Xn ) tant une fonction de lchantillon,
n
o
bn , n = 1, 2, . On peut alors
lchantillon et ainsi on a une suite de variables alatoires
Pr
bn
et on note
.
En mots, un estimateur convergent scarte du paramtre avec une faible probabilit, si la taille
de lchantillon est assez grande.
Lexemple de base destimateur convergent est la moyenne empirique X n . La loi faible des grands
nombres affirme que X n est un estimateur convergent de lesprance de X.
&
UQM - Chapitre 1.
Page 24 de 93
'
Puisque la convergence est vers une constante, on peut utiliser le critre dfini suivant:
Si
alors
bn
E
et
bn
V ar
Pr
bn
Ce rsultat est beaucoup plus simple dmontrer que la convergence en probabilit selon la
dfinition. Par contre si ce critre ne fonctionne pas, il ne faut pas conclure que lestimateur nest
pas convergent puisque ce sont uniquement des conditions suffisantes. On peut interprter le
critre de convergence en probabilit comme tant le fait que si la taille de lchantillon est assez
grande alors la valeur sera suffisamment prs du paramtre.
Pour la preuve de ce critre, utilisez lingalit de Chebychev.
&
UQM - Chapitre 1.
Page 25 de 93
'
Un exemple
x1 ,
si 0 < x < 1
sinon
Solution:
X
est un estimateur convergent pour .
1X
E(X ) =
Z 1
0
c
1
x x
dx =
h x+c i 1
=
.
+c 0
+c
E(X) =
2
E(X ) =
+1
et
+2
V ar(X) =
( + 1)2 ( + 2)
V ar(X) =
n(+1)2 (+2)
qui 0 quand n + .
E(X) =
&
UQM - Chapitre 1.
+1
Page 26 de 93
'
y
. Cette fonction est
1y
, il sensuit
continue en tout point de y 6= 1. Comme X est un estimateur convergent pour
+1
1+
h(
) =
=
1+
1
1+
Revenons notre exemple prcdent et considrons la fonction h(y) =
et que la condition
&
UQM - Chapitre 1.
Page 27 de 93
'
&
UQM - Chapitre 1.
Page 28 de 93
'
&
UQM - Chapitre 1.
Page 29 de 93
'
et ainsi
n1 2
E S 2 =
et
2 (n 1) 4
V ar S 2 =
n2
2n 1 4
EQM2 S 2 =
n2
Selon le critre 1, lestimateur S 2 est meilleur que S 2 et selon le critre 2,
S 2 est meilleur que S 2 . La diffrence est minime et on prfre par
tradition utiliser S 2 comme estimateur.
&
UQM - Chapitre 1.
Page 30 de 93
'
3n 1
4
2
(n 1)n
&
UQM - Chapitre 1.
Page 31 de 93
'
Exemple 1:
Soit X1 , X2 , Xn un chantillon de variable alatoire de loi de bernoulli
de paramtre inconnu . Considrons comme estimateur de : b = 0.5. Il
b = 0.5 6= . De plus
est biais car pour tout , E()
2
b
EQM () = E (0.5 )
=
(0.5 )2
Cet estimateur est le meilleur selon le critre de lEQM lorsque =0,5 car
lerreur quadratique moyenne au point 0,5 est nul. Par contre, cet EQM
augmente quand sloigne de 0,5.
b = EQM1 ()=0,25.
b
Remarquez EQM0 ()
&
UQM - Chapitre 1.
Page 32 de 93
'
Exemple 2:
X = nombre de clients le samedi dans un supermarch, X P(). La
ralisation dun chantillon de taille 7 donne:
501,
522,
475,
526,
481,
498,
506
Les deux sont des estimateurs sans biais et nous retiendrons plutt la
premire estimation. En effet
b1 )
2
n2
n
V ar(
=
=
1,
4
b
n
2(n
1)
2(n
1)
V ar(2 )
&
UQM - Chapitre 1.
Page 33 de 93
'
X+1
n+2
np + 1
n+2
et
p(1 p)
.
n
V ar(b
p1 ) =
np(1 p)
(n + 2)2
do
&
i2
np(1 p) h np + 1
(1 2p)2 + np(1 p)
EQM (b
p1 ) =
+
p =
.
(n + 2)2
n+2
(n + 2)2
UQM - Chapitre 1.
Page 34 de 93
'
Or pour p = 1/2 ceci veut dire que n2 /(n + 1)2 < 1 et le rapport ci-dessus
tant continue de p dans [0, 1], il reste strictement infrieur 1 dans un
certain voisinage de 1/2. Un calcul plus approfondi montrerait que ce
voisinage dpend de n et est lintervalle
i1 r n + 1 1 r n + 1 h
,
+
2
2n + 2 2
2n + 2
&
UQM - Chapitre 1.
Page 35 de 93
'
et 2 = 6 Y sont tous
Exemple 4: la page 18, nous avons vu que 1 = X
5
deux estimateurs sans biais pour o Y = Mdiane (X1 , X2 , X3 ) avec
X1 , X2 , X3 sont i.i.d. de loi exponentielle de paramtre . De ce qui
prcde:
1
1
EQM (b1 ) = V ar(X) = V ar(Xi ) = 2 .
3
3
De mme
EQM (b2 )
=
=
=
comme
E(Y 2 ) =
Z
0
V ar(b2 ) = E(22 ) E 2 (2 )
2 !
2
6
6
E
Y
2 =
E(Y 2 ) 2
5
5
2
6
19 2
2 = 0, 52 2 ,
5
18
y 2 fY (y)dy =
Z
0
y2
6 2y/
19 2
(e
e3y/ )dy = =
.
18
&
UQM - Chapitre 1.
Page 36 de 93
'
V ar(X) =
2
.
12
E(1 )
E(2 )
E(3 )
et
Alors:
= 1 est sans biais pour .
2E(X)
n+1
E
X(n) = 2 est de mme sans biais pour .
n
n
n
E(X(n) ) =
E(2 ) =
3 est biais pour
n+1
n+1
n
Donc:
EQM (1 )
=
=
&
UQM - Chapitre 1.
V ar(1 | )
V ar(X)
2
4
=
.
n
3n
Page 37 de 93
'
n+1
n
2 Z
n+1
n
2
n+1
n
2
(n + 1)2 2
.
n(n + 2)
2 ny
n1
dy
ny n+2
n n + 2 0
n2
n+2
Ce qui donne:
&
UQM - Chapitre 1.
2 2
2
(n
+
1)
2
EQM (2 ) =
=
.
n(n + 2)
n(n + 2)
Page 38 de 93
'
&
UQM - Chapitre 1.
V ar(3 | ) + (E(3 | ) )2
n
2 |
n+1
V ar
n2
(n + 1)2
2 (2n + 2)
(n + 1)2 (n + 2)
22
.
(n + 1)(n + 2)
2
+
(n + 1)2
2
n(n + 2)
2 (n + 2)
+
(n + 1)2 (n + 2)
Page 39 de 93
'
Remarques:
Pour n = 1
= 2X
= 2X
1
1
2
2
2
)
EQM (
i
3
3
= X
3
1
2
Pour n = 2
= X +X
= 3 max(X , X )
1
1
2
2
1
2
2
2
2
)
EQM (
i
6
8
Pour n 3
= 2X
1
2
)
EQM (
i
3n
et
2 est un estimateur plus prcis que
1
2
n(n + 2)
&
= max(X , X )
3
1
2
2
UQM - Chapitre 1.
<
= n+1 X
2
(n)
n
2
n(n+2)
3 , en effet:
2 2
(n + 1)(n + 2)
<
= X
3
(n)
2 2
(n+1)(n+2)
3n
Page 40 de 93
'
&
UQM - Chapitre 1.
Page 41 de 93
'
1 . 0 < < 1
&
UQM - Chapitre 1.
Page 42 de 93
'
o Z N (0, 1) .
P (Z z ) =
2
En choisissant alors le point critique z(/2) de cette faon, on obtient
!
z/2 = 1
Pr z/2
z/2
+ z/2
&
UQM - Chapitre 1.
Page 43 de 93
'
Remarque 1:
Lcart-type de lestimateur =
alors si la solution des ingalits
z/2
z/2
()
z/2 () ; + z/2 ()
Voir lexemple 1 la page 54 et lexemple 3 la page 58.
&
UQM - Chapitre 1.
Page 44 de 93
'
Remarque 2:
Lintervalle de confiance
nest pas unique. Dans lexemple prcdant il tait
z(/4) = 1 au dpart et de
possible de poser Pr z(3/4)
dduire lintervalle
z(3/4)
+ z(/4)
&
UQM - Chapitre 1.
Page 45 de 93
'
x z/2
n
o z/2 est le point critique suprieur /2 de la distribution normale standard.
Cet intervalle est exact si la distribution de la population est normale et
approximativement correct si n est grand dans les autres cas.
&
UQM - Chapitre 1.
Page 46 de 93
'
&
UQM - Chapitre 1.
Page 47 de 93
'
Considrons
T =
X
.
s/ n
o t , note aussi tn1;/2 , est le point critique suprieur /2 dune t(n 1),
soit P (T > t ) = /2 o T t(n 1).
&
UQM - Chapitre 1.
Page 48 de 93
'
t1 (x1 , x2 , xn ) t2 (x1 , x2 , xn ) .
&
UQM - Chapitre 1.
Page 49 de 93
'
&
UQM - Chapitre 1.
Page 50 de 93
'
$
iid
Exemple 2: Soient X1 , X2 , Xn N (, ),
si connu, la fonction
pv(X1 , X2 , Xn |) =
/ n
est un pivot.
Si est inconnu (voir le prochain chapitre), la fonction
pv(X1 , X2 , Xn |) =
et la fonction
&
s/ n
S2
pv(X1 , X2 , Xn |) = 2
UQM - Chapitre 1.
Page 51 de 93
'
Un exemple
&
UQM - Chapitre 1.
Page 52 de 93
'
P
f. Utiliser le fait que b = 1 11
i=1 ln(1/Xi) est de loi gamma de paramtres
= 11 et = 1 pour dterminer un intervalle de confiance 90% pour
tant donn lchantillon en e. Voici quelques valeurs de la fonction de
rpartition F (x) dune loi gamma de paramtres = 11 et = 1:
x
0, 01
0, 05
0, 10
0, 15
0, 20
0, 80
0, 85
0, 90
0, 95
0, 99
F (x)
4, 77
6, 17
7, 02
7, 64
8, 16
13, 65
14, 41
15, 41
16, 96
20, 14
P
h. Utiliser le fait que b = 1 11
i=1 ln(1/Xi) est peu prs de loi normale pour
dterminer un intervalle de confiance 90% pour tant donn
lchantillon en e.
&
UQM - Chapitre 1.
Page 53 de 93
'
On utilise la relation
Pr
&
UQM - Chapitre 1.
np
z/2
pb p
p (1 p)
np
pb p
N (0, 1)
p (1 p)
z/2
Page 54 de 93
'
Pr
(b
p p)
2
n z/2
p (1 p)
p)
Pr (b
p p) n
2
2
2
2
Pr pb 2b
pp + p n z/2 p p 0
2
2
2
2
Pr nb
p 2b
pn + z/2 p + n + z/2 p 0
2
z/2
p (1
On a une quation du second degr qui est ngative lorsque p est entre les deux
2
est toujours positif. Les racines de cette quations
racines puisque 2b
pn + z/2
sont
!
r
1
2
2
4
2
2
2b
p
r1 =
pn + z/2 +
4b
pnz/2 + z/2 4z/2 nb
,
2
2 n+z
/2
r2 =
&
2
2 n + z/2
UQM - Chapitre 1.
2
2b
pn + z/2
r
2
4
2 nb
4b
pnz/2
+ z/2
4z/2
p2
!
Page 55 de 93
'
2
2 (1 p
4
b
)
+
z
2b
p
n
+
z
4b
p
nz
/2
/2
/2
p
2
2 n + z/2
Cet intervalle est assez difficile valuer mais on peut simplifier en utilisant la
statistique
pb p
np
pb (1 pb)
qui est approximativement N (0, 1). LIC est alors donn par
!
r
pb (1 pb)
p pb z/2
n
&
UQM - Chapitre 1.
Page 56 de 93
'
n1
2
pour construire lIC. La relation de base est
2
(n
1)
S
2
=1
Pr 2n1;1/2
n1;/2
2
et lIC est
2
1) S 2
1) S 2
(n
(n
;
2n1;/2 2n1;1/2
&
UQM - Chapitre 1.
Page 57 de 93
'
X
z/2 1 ,
Pr z/2 p
/n
nous pivotons(!) pour dduire un I.C. 100(1 )% comme suit:
p
&
UQM - Chapitre 1.
)2 z 2
Pr (X
/2
+ z2
Pr 2 2X
/2
2 0
+X
Page 58 de 93
'
soit encore
+ z2
2X
/2
Pr
"
+
Pr X
2
z/2
2n
1
n
r
z/2 q
2n
+ z2 1
2X
/2 n
2
z/2
+ 4nX
2
2
4X
2
z/2
2n
z/2 q
2n
2
z/2
+ 4n
x.
Une deuxime mthode alternative pour cet intervalle est, comme V ar() = n
,
b = b = X , ce qui dduit comme I.C. 100(1 )% pour
de lestimer par Vd
ar()
n
&
UQM - Chapitre 1.
x
z/2
Page 59 de 93
'
Tests dhypothses
La thorie des tests dhypothses est quivalente celle de lestimation par intervalle
de confiance. Nous tentons de dcider si les donnes confirment ou contredisent une
opinion a priori concernant la valeur dun paramtre de la population. Voici des
exemples:
situation bernouillinne: Un organisme anticipe que la proportion p des
individus dune population(trs grande) possdant une certaine particularit
(fumeurs. protestants. chmeurs etc) est suprieure 1/2, (ou une valeur p0
dintrt particulier).
situation poissonnienne: Un chercheur postule que le taux de ralisation
dun vnement (nombre moyen de naissances par jour, nombre moyen de
collisions par semaine, nombre moyen dappels par heure pour un service
tlphonique, etc) est infrieur 4 (ou une valeur 0 dintrt particulier).
La valeur moyenne dun certain caractre X (poids, taille, temps dattente
entre deux appels ou deux accidents) soumis des perturbations des au
hazard est infrieure ou gale 0
Une compagnie nonce que la dure moyenne de vie des pneus, dune certaine
marque, est au moins 20,000 milles
&
UQM - Chapitre 1.
Page 60 de 93
'
&
UQM - Chapitre 1.
Page 61 de 93
'
Dfinitions:
Une hypothse statistique est un nonc (une affirmation) concernant les
caractristiques (valeurs des paramtres, forme de la distribution des
observations etc.) dune population.
Un test dhypothse (ou test statistique) est une dmarche qui a pour but de
fournir une rgle de dcision permettant, sur la base de rsultats dchantillon,
de faire un choix entre deux hypothses statistiques.
Lhypothse selon laquelle on fixe priori un paramtre de la population une
valeur particulire sappelle lhypothse nulle et est note H0 . Le test est fait
pour mesurer la force de linformation contre H0 . Elle est habituellement sous
la forme dun nonc reprsentant aucun effet ou aucune diffrence.
Nimporte quelle autre hypothse qui diffre de lhypothse H0 sappelle
lhypothse alternative (ou contre-hypothse) et est note Ha . Lnonc
reprsentant ce quon pense tre la ralit si H0 nest pas satisfaite.
Note: Cest lhypothse nulle qui est soumise au test et toute la dmarche du
test seffectue en considrant cette hypothse comme vraie.
&
UQM - Chapitre 1.
Page 62 de 93
'
H SH = H
H :H
a
0
0
0
et
H0 T Ha =
Ha : Ha
&
UQM - Chapitre 1.
Page 63 de 93
'
H :H
0
0
.
Ha : Ha
&
UQM - Chapitre 1.
Page 64 de 93
'
Exemple 1.
&
UQM - Chapitre 1.
Page 65 de 93
'
Suite...
&
UQM - Chapitre 1.
Page 66 de 93
'
Notes:
Nous savions lavance (avant de voir les donnes) que sil tait pour y
avoir un problme, alors > 5. Si la moyenne tait moins que 5, ce ne
serait pas dangereux pour les yeux.
Le test est bas sur une statistique qui estime le paramtre dans H0 .
5.
Ha
> 5.
&
UQM - Chapitre 1.
Page 67 de 93
'
X 0
6.2 5
/ n
2.1/ 15
P (Z 2.22)
0, 0132
&
UQM - Chapitre 1.
Page 68 de 93
'
Signification statistique
Dans notre dmarche, nous allons tablir des rgles de dcision qui vont nous
conduire lacceptation ou au rejet de lhypothse nulle H0 . Toutefois cette
dcision est fonde sur une information partielle, les rsultats dun chantillon.
Il est donc statistiquement impossible de prendre la bonne dcision coup sr.
En pratique, on met en oeuvre une dmarche qui nous permettrait, long
terme de rejeter tort une hypothse nulle vraie dans une faible proportion de
cas. La conclusion qui sera dduite des rsultats de lchantillon aura un
caractre probabiliste: on ne pourra prendre une dcision quen ayant
conscience quil y a un certain risque quelle soit errone. Ce risque nous est
donn par le seuil de signification du test.
Le seuil de signification du test est la mesure statistique qui indique la
probabilit avec laquelle on est dispos risquer de commettre lerreur de
rejeter tort lhypothse nulle.
Ce risque, consenti donc lavance et que nous notons , snonce en
probabilit ainsi:
= P (rejeter H0 | H0 vraie) .
&
UQM - Chapitre 1.
Page 69 de 93
'
Rgion critique
&
UQM - Chapitre 1.
Page 70 de 93
'
&
UQM - Chapitre 1.
Page 71 de 93
'
Z=
1, 645
2.1/ 15
si et seulement si
2.1
X 5 + 1, 645
15
si et seulement si
X 5.89,
&
UQM - Chapitre 1.
Page 72 de 93
'
Exemple 3.
1
1
) = exp(2C) = 0, 05 C = ln(0, 05) = 1, 479.
2
2
&
UQM - Chapitre 1.
Page 73 de 93
'
Exemple 4.
&
UQM - Chapitre 1.
Page 74 de 93
'
10
P (X C | = 3)
0,1847
0,0839
0,0335
0,0119
0,0038
0,0011
&
UQM - Chapitre 1.
Page 75 de 93
'
&
UQM - Chapitre 1.
Page 76 de 93
'
Remarques...
1. Les seuils de signification les plus utilises sont = 0.05 et = 0.01, dpendant
des consequences de rejeter tort lhypothse H0 .
2. La P-valeur est le plus petit niveau auquel les donnes sont significatives.
3. La P-valeur contient plus dinformation que le rsultat dun test avec niveau
de signification fixe. Si un rsultat est significatif au niveau 5%, lest-il au
niveau 1%?
4. Si la P-valeur est infrieure ou gale , le rsultat du test est considre
statistiquement significative au niveau .
5. Un test dhypothse bilatral de niveau rejette lhypothse H0 : = 0 si et
seulement si lintervalle de confiance de niveau 1 pour ne contient pas .
6. tapes dun test
noncer les hypothses nulle et alternative.
(Optionnel) Spcifier le niveau de signification .
Calculer la valeur de la statistique de test.
Calculer la P-valeur pour les donnes observes. Si elle est plus petite que
, le rsultat est significatif au niveau .
&
UQM - Chapitre 1.
Page 77 de 93
'
&
UQM - Chapitre 1.
Page 78 de 93
'
&
UQM - Chapitre 1.
X 5, 5
5, 89 5, 5
)
2.1/ 15
2.1/ 15
P(
P (Z 0, 904)
0, 1736 .
Page 79 de 93
'
Illustration
&
UQM - Chapitre 1.
Page 80 de 93
'
Remarques
&
UQM - Chapitre 1.
Page 81 de 93
'
=
=
=
P X 0 + z / n | Ha : = a
!
X a
0 + z / n a
P
/ n
/ n
0 a
P Z z +
/ n
&
UQM - Chapitre 1.
Page 82 de 93
'
Exemple 2.
(pa ) = P (X 6|p = pa ) = (1 pa ) .
au point pa = 0, 3, la puissance du test est: (0, 3) = 0, 16807.
&
UQM - Chapitre 1.
Page 83 de 93
'
c. Une autre approche consiste tirer des observations jusqu ce quon ait
deux succs. Si Y est le nombre dessais effectu considrons la rgion
critique {Y : Y > C}. Pour quelle valeur de C a-t-on un test de niveau
10%? Dterminez la puissance de ce test au point p = 0, 3. Lequel des
deux tests est meilleur?
&
P (X > 9|p = pa )
(1 pa ) + 9pa (1 pa )
0, 196
pour pa = 0, 3
UQM - Chapitre 1.
Page 84 de 93
'
et
P (Z 2|p = 0, 4) = 0, 057 .
=
=
=
P (Z 2|p = 0, 3)
13
13
13
0
13
1
12
2
11
(0, 3) (0, 7) +
(0, 3) (0, 7)
(0, 3) (0, 7) +
1
2
0
0, 202 .
Puissance suprieure encore celle des deux premiers, malgr une rgion
critique de taille infrieure.
&
UQM - Chapitre 1.
Page 85 de 93
'
&
UQM - Chapitre 1.
Page 86 de 93
'
x 0
/ n
(1)
> 0
est
P (Z > z)
Ha
< 0
est
P (Z < z)
Ha
6= 0
est
2P (Z > |z|)
&
UQM - Chapitre 1.
Page 87 de 93
'
Exemple
z=
= 1, 09 .
=
/ n
15/ 72
La P-valeur est 2P (Z > | 1, 09|) = 0, 2758, donc on na pas beaucoup
dinformation lencontre de H0
Note: Les donnes ne dmontrent pas que la moyenne est de 128. Tout au plus,
on peut dire que les donnes ne contredisent pas H0 . Mais on na pas dmontr
que H0 est vraie.
&
UQM - Chapitre 1.
Page 88 de 93
'
x 0
.
/ n
ou
Ha
> 0
si
z > z
Ha
< 0
si
z < z
&
UQM - Chapitre 1.
Page 89 de 93
'
Exemple
=
/ n
100/ 500
Parce que lhypothse Ha est unilatrale, on rejette H0 si z est suprieur au point
critique. Puisque P (Z > 2, 326) = 0.01, dans notre cas, z = 2, 46 > 2, 326 et on
rejette alors H0 au niveau 1%.
Notez que la P-valeur est P (Z > 2, 326) = 0, 0069 < 0, 01.
&
UQM - Chapitre 1.
Page 90 de 93
'
> 0
est
P (T > t)
Ha
< 0
est
P (T < t)
Ha
6= 0
est
2P (T > |t|)
&
UQM - Chapitre 1.
Page 91 de 93
'
x 0
.
s/ n
ou
Ha
> 0
si
t > t
Ha
< 0
si
t < t
&
UQM - Chapitre 1.
Page 92 de 93
'
(3)
p0 (1 p0 )/n
&
pb p0
Ha
p > p0
est
P (Z > z)
Ha
p < p0
est
P (Z < z)
Ha
p 6= p0
est
2P (Z > |z|)
UQM - Chapitre 1.
Page 93 de 93