Revision sheet: Introduction aux tests d'hypothèses statistiques

📋 Plan du Cours

1. Formulation des hypothèses nulle et alternative en test statistique
2. Principe du test d’hypothèse bilatéral et seuil de signification
3. Approches de Fisher et Neyman-Pearson dans la prise de décision
4. Risques d’erreur de première espèce (α) et de seconde espèce (β)
5. Définition et calcul des régions critique et d’acceptation
6. Calcul de la statistique de test (z ou t) et interprétation de la p-value
7. Exemples d’application du test d’hypothèse sur la moyenne d’un échantillon
8. Démarche complète du test d’hypothèse en quatre étapes

📖 1. Formulation des hypothèses nulle et alternative en test statistique

🔑 Notions clés & Définitions

• Entre deux : Une comparaison ou une différence entre deux éléments, généralement deux moyennes ou deux proportions, pour déterminer s'il existe une différence significative.

📝 Points essentiels

• L'hypothèse nulle suppose l'absence d'effet systématique, attribuant les observations aux variations aléatoires d’échantillonnage.
• L'hypothèse alternative suppose que les résultats ne peuvent s'expliquer uniquement par le hasard, indiquant un effet ou une différence réelle.
• Les hypothèses sont généralement opposées, couvrant des cas comme l'égalité ou la différence entre moyennes, ou l'absence ou la présence d'effet.

💡 À retenir

La base du test statistique repose sur la formulation claire et opposée des hypothèses nulle et alternative, qui encadrent toute la démarche d'inférence.

📖 2. Principe du test d’hypothèse bilatéral et seuil de signification

🔑 Notions clés & Définitions

• Principe du test :

  • Cette question revient à faire un choix entre deux hypothèses :  H 0 : μCNAM

• Seuil de signification : La probabilité fixée à l'avance, généralement 5%, qui détermine le risque de rejeter à tort l'hypothèse nulle.

📝 Points essentiels

• Un test bilatéral examine si une statistique est significativement différente d'une valeur de référence dans les deux directions.
• Le seuil de signification α est la probabilité fixée à l'avance de rejeter à tort l'hypothèse nulle.
• La région de non-rejet est construite autour de la valeur sous H0 avec un niveau de confiance 1-α.
• Si la statistique observée tombe en dehors de cette région, H0 est rejetée au risque α, sinon elle est conservée.

💡 À retenir

Le test bilatéral évalue la différence dans les deux sens et le seuil α détermine la rigueur du rejet de l'hypothèse nulle.

📖 3. Approches de Fisher et Neyman-Pearson dans la prise de décision

🔑 Notions clés & Définitions

• Hypothèse nulle : Hypothèse de référence testée, supposant l'absence d'effet ou de différence, que l'on cherche à rejeter ou à conserver selon les résultats du test.

📝 Points essentiels

• L'approche de Fisher rejette l'hypothèse nulle si p ≤ α, sinon elle réserve son jugement sans conclure.
• L'approche de Neyman-Pearson vise une décision claire en acceptant ou rejetant l'hypothèse nulle, en équilibrant les risques d'erreur α et β.
• Le risque α correspond à rejeter l'hypothèse nulle alors qu'elle est vraie, et est maîtrisé par le seuil de signification.
• Le risque β correspond à ne pas rejeter l'hypothèse nulle alors qu'elle est fausse, et est plus difficile à maîtriser, lié à la puissance du test.

💡 À retenir

Fisher privilégie la prudence en réservant la décision en cas de résultat non concluant, tandis que Neyman-Pearson cherche une décision claire en gérant explicitement les risques d'erreur α et β.

📖 4. Risques d’erreur de première espèce (α) et de seconde espèce (β)

🔑 Notions clés & Définitions

• Erreur de type : Catégorie d'erreur statistique comprenant l'erreur de première espèce et l'erreur de seconde espèce, correspondant respectivement à un faux positif et un faux négatif.
• Risque de seconde : Probabilité de ne pas rejeter une hypothèse nulle fausse, ce qui correspond à un faux négatif, aussi appelé erreur de seconde espèce (β).
• Conclusion est vraie vrai : Situation où la décision prise par le test statistique correspond à la réalité, soit un vrai positif ou un vrai négatif.

📝 Points essentiels

• L'erreur de première espèce (α) est le risque de rejeter à tort une hypothèse nulle vraie, fixé par le seuil de signification.
• L'erreur de seconde espèce (β) est le risque de ne pas rejeter une hypothèse fausse, liée à la puissance du test (1-β).
• La valeur de α est fixée par le chercheur comme seuil de signification, souvent à 5%.
• La valeur de β est plus difficile à maîtriser directement et est inversement liée à la puissance du test.

💡 À retenir

Les tests statistiques équilibrent deux types d'erreurs opposées, l'erreur de première espèce et l'erreur de seconde espèce, chacune ayant des conséquences distinctes sur la décision prise.

📖 5. Définition et calcul des régions critique et d’acceptation

🔑 Notions clés & Définitions

• Région critique : En test d'hypothèse, l'ensemble des valeurs de la statistique de test qui conduisent au rejet de l'hypothèse nulle au seuil de risque α fixé.

📝 Points essentiels

• La région critique regroupe les valeurs de la statistique de test pour lesquelles on rejette l'hypothèse nulle au seuil α.
• Pour un test bilatéral, la région critique est délimitée par des bornes calculées à partir de la valeur critique zα et de l'erreur standard.
• La détermination des régions critique et d'acceptation permet de prendre une décision objective basée sur la statistique observée.

💡 À retenir

La décision d'un test d'hypothèse s'interprète comme un choix entre deux régions définies par des seuils critiques, fondé sur la valeur observée de la statistique de test.

📖 6. Calcul de la statistique de test (z ou t) et interprétation de la p-value

🔑 Notions clés & Définitions

• Statistique de test : mesure qui quantifie l’écart normalisé entre la valeur observée et la valeur attendue sous l’hypothèse nulle, en tenant compte de la variabilité et de la taille de l’échantillon. Elle permet d’évaluer si cet écart est suffisamment important pour remettre en question H0.

• p-value (probabilité critique) : probabilité d’observer une valeur aussi extrême ou plus sous l’hypothèse nulle. Elle traduit la force de la preuve contre H0 en indiquant la probabilité d’obtenir des résultats au moins aussi extrêmes que ceux observés si H0 est vraie.

📝 Points essentiels

• La statistique de test, qu’elle soit z ou t, mesure l’écart entre la résultat observé et la valeur hypothétique, en le normalisant par la variabilité de l’échantillon. Elle dépend de la taille de l’échantillon et de la connaissance ou non de la variance : le z est utilisé lorsque la variance est connue ou pour de grands échantillons, le t lorsque la variance est inconnue et l’échantillon est petit.

• Le calcul de z ou t permet d’obtenir une valeur numérique qui sera comparée à une valeur critique dans une table (par exemple 1,96 pour un seuil α de 5%). Si la statistique dépasse cette valeur critique, H0 est rejetée au risque α. Sinon, H0 est conservée.

• La p-value est obtenue en lisant la probabilité associée à la valeur de la statistique dans la loi normale (pour z) ou la loi t. Elle représente la probabilité d’obtenir des données aussi extrêmes ou plus si H0 est vraie. Une p-value faible indique une preuve forte contre H0, conduisant à son rejet si p ≤ α.

💡 À retenir

La statistique de test quantifie l’écart observé entre la valeur mesurée et la valeur sous H0, en tenant compte de la variabilité. La p-value traduit la force de cette preuve, en indiquant la probabilité d’obtenir un résultat aussi extrême si H0 est vraie.

📖 7. Exemples d’application du test d’hypothèse sur la moyenne d’un échantillon

🔑 Notions clés & Définitions

• Erreur standard : Mesure de la dispersion de la moyenne d’un échantillon, calculée en divisant la racine carrée de la variance empirique par la racine carrée de la taille de l’échantillon, utilisée pour normaliser la statistique de test.

📝 Points essentiels

• L’exemple typique consiste à comparer la moyenne observée d’un échantillon à une moyenne de référence μ0.
• L’erreur standard est calculée à partir de la variance empirique et de la taille de l’échantillon, et sert à normaliser la statistique.
• Selon la taille de l’échantillon, on utilise la statistique z (n≥30) ou t (n<30) pour le test.
• Les exemples illustrent la démarche complète : formulation des hypothèses, calcul de la région critique, calcul de la statistique, et prise de décision.
• Les résultats montrent comment interpréter la valeur de la statistique et la p-value pour conclure sur H0.

💡 À retenir

Appréhender concrètement la mise en œuvre du test d’hypothèse sur la moyenne avec des données réelles et les calculs associés.

📖 8. Démarche complète du test d’hypothèse en quatre étapes

🔑 Notions clés & Définitions

• Démarche du test d’hypothèse : procédure structurée en quatre étapes permettant de vérifier une assertion sur une population à partir d’un échantillon.
• Méthodes de décision : techniques permettant de conclure si l’hypothèse nulle doit être rejetée ou non, parmi lesquelles la région critique, la comparaison de la statistique à la valeur critique, et la p-value.

📝 Points essentiels

• La démarche du test d’hypothèse se déploie en quatre étapes essentielles :
• 1. Formulation de l’hypothèse nulle et de l’hypothèse alternative, précisant la nature de la question à tester.
• 1. Choix du niveau de signification, qui détermine le seuil de décision.
• 1. Calcul de la statistique de test à partir des données de l’échantillon.
• 1. Prise de décision en utilisant l’une des trois méthodes : région critique, comparaison avec la valeur critique ou p-value. Ces trois méthodes, bien que différentes dans leur approche, conduisent toujours à la même conclusion.

💡 À retenir

Maîtriser la démarche en quatre étapes et connaître les méthodes de décision garantit un test d’hypothèse rigoureux, cohérent et complet.

📊 Tableaux de Synthèse

Comparaison des approches Fisher et Neyman-Pearson

Critère	Fisher	Neyman-Pearson
Décision	Réserve en cas de p-value faible, pas de rejet automatique	Rejet ou conservation selon seuils et risques
Risque d'erreur	Contrôlé par la p-value	Géré par α et β
Objectif	Mesure de la preuve contre H0	Décision claire entre rejeter ou non H0

⚠️ Pièges & Confusions Fréquentes

1. Confusion entre région critique et seuil de signification.
2. Mélanger erreur de première et seconde espèce.
3. Interpréter à tort la p-value comme la probabilité que H0 soit vraie.
4. Ignorer l'impact du seuil α sur la décision.
5. Confondre la statistique de test z ou t avec la p-value.
6. Négliger la puissance du test et l'erreur β.
7. Utiliser une approche unilatérale au lieu bilatérale sans justification.

✅ Checklist Examen

1. Calculer la statistique de test appropriée (z ou t).
2. Déterminer la région critique ou la p-value.
3. Comparer la statistique à la valeur critique ou la p-value à α.
4. Prendre une décision en respectant la méthode choisie.
5. Interpréter correctement la p-value.
6. Vérifier la taille de l'échantillon et la normalité si nécessaire.
7. Considérer la puissance du test pour éviter β élevé.
8. Documenter toutes les étapes du test.
9. Éviter les conclusions hâtives basées sur un seul résultat.
10. Réviser régulièrement la démarche et les hypothèses.