Revision sheet: Introduction aux Tests Statistiques Essentiels

📋 Plan du Cours

1. Tests de conformité
2. Tests d’homogénéité
3. Tests pour deux proportions
4. Tests paramétriques
5. Tests non paramétriques
6. Test de Student
7. Test de Fisher-Snedecor
8. Test de Wilcoxon-Mann-Whitney
9. Test de Wilcoxon apparié

📖 1. Tests de conformité

🔑 Notions clés & Définitions

Test de conformité : Procédure statistique qui compare la moyenne d’un échantillon à une valeur théorique pour vérifier si l’échantillon provient d’une population ayant cette moyenne. La variable étudiée doit suivre une loi normale pour que le test soit valide.

Hypothèse nulle (H0) : Affirmation selon laquelle la moyenne de la population est égale à une valeur théorique spécifique (μ = m). Elle représente l’état de référence à tester.

Hypothèse alternative (H1) : Affirmation contraire à H0, indiquant que la moyenne de la population diffère de la valeur théorique (μ ≠ m pour un test bilatéral, ou μ > m / μ < m pour un test unilatéral).

Statistique observée (tobs) : Quantité calculée à partir des données échantillonnées, exprimant la différence entre la moyenne estimée et la valeur théorique, rapportée à l’erreur type. Elle permet d’évaluer la compatibilité des données avec H0.

Valeur théorique (m) : La moyenne de référence ou valeur hypothétique à laquelle on compare la moyenne estimée de l’échantillon.

Distribution de Student : Loi de probabilité utilisée pour modéliser la statistique observée dans le cadre du test de conformité, sous l’hypothèse H0. Elle dépend du nombre de degrés de liberté (n-1).

📝 Points essentiels

Le test de conformité consiste à comparer la moyenne d’un échantillon à une valeur théorique. La variable étudiée doit suivre une loi normale pour que le test soit valable. La statistique observée, notée tobs, est calculée comme la différence entre la moyenne estimée de l’échantillon et la valeur théorique, divisée par l’erreur type de la moyenne. Plus cette statistique est grande (en valeur absolue), plus la différence entre l’échantillon et la valeur théorique est significative. La distribution de cette statistique suit une loi de Student à n-1 degrés de liberté sous H0. Le rejet de H0 intervient si la statistique observée dépasse la valeur critique de Student pour le risque alpha choisi, ou si la p-value associée est inférieure à alpha. Le test peut être bilatéral, vérifiant si la moyenne est différente de la valeur théorique, ou unilatéral, vérifiant si elle est supérieure ou inférieure à cette valeur.

💡 À retenir

Le test de conformité permet de vérifier si un échantillon provient d’une population avec une moyenne connue, en s’appuyant sur la loi normale et la distribution de Student. La décision de rejeter ou non H0 repose sur la statistique observée et la valeur critique associée au risque alpha.

📖 2. Tests d’homogénéité

🔑 Notions clés & Définitions

Test d’homogénéité : Évalue si deux échantillons indépendants proviennent de populations avec la même moyenne. Il permet de déterminer si les différences observées entre deux échantillons sont statistiquement significatives ou dues au hasard.

Comparaison de moyennes entre deux populations : Analyse visant à vérifier si la moyenne d’une variable dans deux populations distinctes est identique, en utilisant des échantillons indépendants.

Échantillons indépendants : Deux groupes d’observations dont les mesures ne sont pas reliées ou appariées, et dont la sélection dans une population n’influence pas l’autre.

Hypothèse d’égalité des moyennes (μ₁ = μ₂) : Hypothèse nulle (H0) selon laquelle les moyennes des deux populations sont identiques.

Test préalable d’égalité des variances : Vérification, souvent via le test de Fisher-Snedecor, si les variances des deux populations sont égales, condition nécessaire pour appliquer le test de Student classique.

Test de Student sur échantillons non appariés : Test statistique utilisé pour comparer deux moyennes d’échantillons indépendants, sous réserve que les variances soient égales ou ajustées si elles le sont.

📝 Points essentiels

Le test d’homogénéité sert à déterminer si deux échantillons indépendants ont des moyennes statistiquement équivalentes. Pour cela, il faut d’abord vérifier que les variables suivent une loi normale et que leurs variances sont égales. La vérification de l’égalité des variances se fait à l’aide d’un test préalable (test de Fisher-Snedecor). Si ce test indique que les variances sont égales, on peut appliquer le test de Student classique. En revanche, si les variances sont inégales, une correction de Welch est utilisée pour ajuster le test.

Le rejet de H0 (hypothèse d’égalité) intervient lorsque la statistique de test (to bs) dépasse la valeur critique (ttheo) ou lorsque la p-value est inférieure au risque alpha. Cela indique une différence significative entre les moyennes des deux populations. La zone de rejet est généralement située dans les extrémités de la distribution, en fonction du niveau de confiance choisi.

💡 À retenir

Les tests d’homogénéité permettent de vérifier si deux échantillons indépendants ont des moyennes statistiquement équivalentes, en intégrant systématiquement la vérification préalable de l’égalité des variances.

📖 3. Tests pour deux proportions

🔑 Notions clés & Définitions

Comparaison de deux proportions : Il s'agit de tester si la fréquence d’un événement est différente entre deux groupes. La statistique de test compare les proportions observées dans chaque groupe pour évaluer s'il existe une différence significative.

Hypothèses sur proportions : Les hypothèses portent sur l’égalité ou la différence des proportions entre deux populations. La hypothèse nulle (H0) suppose que les proportions sont égales, tandis que l’hypothèse alternative (H1) envisage une différence ou une direction spécifique.

Statistique de test pour proportions : Elle est calculée à partir des effectifs et des proportions observées dans chaque groupe. Elle permet de mesurer la distance entre les proportions observées et ce qui serait attendu sous H0, en tenant compte de la variabilité.

Conditions de validité pour proportions : La validité du test repose sur la suffisance des effectifs pour que l’approximation normale soit valable. Il faut notamment que les effectifs soient suffisamment grands pour que la distribution de la statistique de test suive une loi normale ou de Student.

Risque de première espèce (alpha) : C’est la probabilité de rejeter H0 alors qu’elle est vraie. Elle est fixée à l’avance (souvent 5%) et sert de seuil pour décider si la différence observée est statistiquement significative.

📝 Points essentiels

Les tests pour deux proportions comparent la fréquence d’un événement entre deux groupes. La statistique de test est calculée à partir des effectifs et des proportions observées, permettant d’évaluer si la différence entre ces proportions est significative ou peut résulter du hasard. Pour que le test soit valide, il faut que les conditions d’effectifs suffisants soient respectées, notamment pour assurer une approximation normale. Si la statistique de test dépasse le seuil critique ou si la p-value est inférieure au risque alpha, on rejette H0, indiquant une différence significative entre les proportions des deux groupes.

💡 À retenir

Les tests pour deux proportions évaluent la différence de fréquence d’un événement entre deux groupes en utilisant des conditions d’échantillonnage spécifiques, notamment la taille suffisante des échantillons pour garantir la validité de l’approximation normale.

📖 4. Tests paramétriques

🔑 Notions clés & Définitions

Test paramétrique
AUTEUR (date) : procédure statistique utilisant des hypothèses sur la distribution des données, notamment la normalité, pour comparer des paramètres comme la moyenne ou la variance.

Hypothèses sur la distribution
Supposent que les données suivent une loi normale, condition essentielle pour la validité des tests paramétriques.

Test de Student
AUTEUR (date) : test utilisé pour comparer deux moyennes lorsque les variances des populations sont supposées égales, en utilisant une statistique suivant une loi de Student à ʋ degrés de liberté.

Test de Fisher-Snedecor
AUTEUR (date) : test permettant de comparer deux variances en utilisant une statistique suivant une loi de Fisher-Snedecor.

Variance commune
Variance estimée partagée entre deux échantillons lorsque l’on suppose que leurs variances sont égales, utilisée pour calculer le test de Student.

Correction de Welch
AUTEUR (date) : ajustement appliqué au test de Student lorsque les variances des deux populations ne sont pas égales, permettant une comparaison fiable des moyennes.

📝 Points essentiels

Les tests paramétriques supposent que les données suivent une distribution normale.
Le test de Student est utilisé pour comparer des moyennes lorsque les variances sont supposées égales.
Le test de Fisher-Snedecor sert à comparer les variances de deux populations.
Lorsqu’on accepte l’hypothèse d’égalité des variances, on calcule une variance commune pour le test de Student.
En cas d’inégalité des variances, on applique la correction de Welch, qui ajuste la formule du test pour tenir compte de cette différence.

💡 À retenir

Les tests paramétriques exploitent des hypothèses sur la normalité des données pour comparer moyennes et variances, en utilisant des méthodes adaptées selon que les variances soient égales ou non.

📖 5. Tests non paramétriques

🔑 Notions clés & Définitions

Test non paramétrique : Méthode statistique qui ne repose pas sur l’hypothèse de normalité des données. Il est utilisé lorsque cette condition n’est pas remplie ou que la distribution des données est inconnue. AUCUN paramètre de la distribution n’est supposé.

Test de Wilcoxon-Mann-Whitney : Test non paramétrique permettant de comparer deux échantillons indépendants non appariés. Il repose sur le classement des données plutôt que sur leurs valeurs brutes, et teste si les deux populations ont des distributions différentes.

Test de Wilcoxon apparié : Test non paramétrique utilisé pour comparer deux échantillons appariés. Il analyse la différence entre chaque paire d’observations et teste si la moyenne de ces différences est différente de zéro.

Échantillons appariés et non appariés :

• Échantillons appariés : Deux séries de mesures réalisées sur les mêmes individus ou unités, permettant de comparer deux conditions ou moments.
• Échantillons non appariés : Deux groupes distincts, indépendants, dont les observations ne sont pas liées.

Distribution sans hypothèse de normalité : Situation où aucune hypothèse n’est faite sur la forme de la distribution des données, ce qui justifie l’utilisation de tests non paramétriques.

📝 Points essentiels

Les tests non paramétriques offrent une alternative robuste aux tests paramétriques, notamment lorsqu’on ne peut pas supposer que les données suivent une distribution normale. Ils ne nécessitent pas cette hypothèse, ce qui leur permet d’être utilisés dans des situations où la normalité est douteuse ou impossible à vérifier.

Le test de Wilcoxon-Mann-Whitney compare deux échantillons indépendants non appariés en classant toutes les données, puis en analysant la somme des rangs. Il permet de tester si ces deux populations ont des distributions différentes.

Le test de Wilcoxon apparié compare deux mesures sur les mêmes individus ou unités, en analysant la moyenne des différences. La condition de validité est que ces différences suivent une loi normale, mais en pratique, il est souvent utilisé même si cette condition n’est pas strictement vérifiée.

Ces tests reposent sur le classement des données plutôt que sur leurs valeurs brutes, ce qui leur confère une certaine robustesse face aux valeurs extrêmes ou aux distributions asymétriques.

💡 À retenir

Les tests non paramétriques constituent une alternative fiable aux tests paramétriques, permettant de comparer des échantillons sans supposer de normalité, en se basant sur le classement des données plutôt que sur leurs valeurs.

📖 6. Test de Student

🔑 Notions clés & Définitions

• Test de Student : voir section 4

• AUTEUR : voir section 4

Degrés de liberté : Nombre de valeurs indépendantes dans un calcul statistique, dépendant de la taille des échantillons. Ils influencent la forme de la distribution t utilisée pour déterminer la valeur critique du test.

Test bilatéral et unilatéral :

• Bilatéral : teste si la différence entre deux moyennes est quelconque, sans préciser le sens.
• Unilatéral : teste si la différence est dans un seul sens (par exemple, une moyenne est supérieure ou inférieure à l’autre).

Erreur type de la moyenne : Estimation de la variabilité de la moyenne d’un échantillon. Elle est utilisée dans le calcul de la statistique t pour évaluer la précision de la moyenne estimée.

📝 Points essentiels

Le test de Student compare une moyenne d’échantillon à une valeur théorique ou entre deux moyennes. La statistique t est calculée en soustrayant la moyenne de référence ou la différence entre deux moyennes, puis en la divisant par l’erreur type de la différence. La valeur de t ainsi obtenue est comparée à la valeur critique de la distribution t, qui dépend des degrés de liberté, pour décider du rejet ou non de l’hypothèse nulle.

Les degrés de liberté dépendent de la nombre d’observations dans chaque échantillon. Plus ils sont grands, plus la distribution t ressemble à une distribution normale. Le test peut être bilatéral, où l’on vérifie si la différence est quelconque, ou unilatéral, où l’on teste une différence dans un seul sens. La décision de rejet de l’hypothèse nulle (H0) se fait en comparant la statistique t observée à la valeur critique : si t est en dehors du domaine de rejet, H0 n’est pas rejetée.

💡 À retenir

Le test de Student est un outil fondamental pour comparer des moyennes en tenant compte de la variabilité et de la taille des échantillons via la distribution t. La décision repose sur la comparaison entre la statistique t calculée et la valeur critique, en fonction des degrés de liberté et du type de test (bilatéral ou unilatéral).

📖 7. Test de Fisher-Snedecor

🔑 Notions clés & Définitions

• Test de Fisher-Snedecor : voir section 4

Comparaison de variances : Opération consistant à vérifier si deux variances estimées à partir de deux échantillons proviennent de populations ayant la même variance, en utilisant la statistique F.

Statistique F : Rapport des variances estimées des deux échantillons, avec la plus grande variance placée au numérateur. Elle suit une loi de Fisher-Snedecor sous l’hypothèse nulle.

Degrés de liberté du numérateur et dénominateur : Paramètres de la loi de Fisher-Snedecor correspondant aux tailles des échantillons moins un (n1-1 pour le premier, n2-1 pour le second). Ils déterminent la forme de la distribution de la statistique F.

Homoscedasticité : Hypothèse selon laquelle les deux populations ont la même variance. La vérification de cette hypothèse est l’objectif principal du test de Fisher-Snedecor.

📝 Points essentiels

Le test de Fisher-Snedecor compare les variances de deux populations en utilisant la statistique F, qui est le rapport des variances estimées. La variance la plus grande est placée au numérateur pour tester si cette différence est significative. Les degrés de liberté du numérateur et du dénominateur correspondent aux tailles des échantillons moins un, soit n1-1 et n2-1. Le test sert à vérifier l’hypothèse d’homoscédasticité, c’est-à-dire l’égalité des variances. Si la valeur de la statistique F dépasse une valeur critique déterminée par la loi de Fisher-Snedecor pour un seuil de signification donné, on rejette H0, indiquant une différence significative entre les variances.

💡 À retenir

Le test de Fisher-Snedecor est essentiel pour valider l’égalité des variances, condition préalable à l’application correcte de nombreux tests paramétriques. Son résultat guide la décision sur la compatibilité des variances des populations étudiées.

📖 8. Test de Wilcoxon-Mann-Whitney

🔑 Notions clés & Définitions

• Test de Wilcoxon-Mann-Whitney : voir section 5

Test non paramétrique pour échantillons indépendants : Méthode statistique qui ne repose pas sur des hypothèses de distribution spécifique (notamment la normalité) pour comparer deux groupes indépendants. (Source : contenu source)

Classement des données : Processus consistant à ordonner toutes les observations de deux échantillons combinés selon leur valeur, puis à leur attribuer un rang croissant. En cas d’égalité, un rang médian est attribué. (Source : contenu source)

Hypothèse d’égalité des distributions : Hypothèse nulle (H0) selon laquelle les deux populations proviennent de distributions identiques, c’est-à-dire P(X₁ > X₂) = P(X₂ > X₁) = ½. (Source : contenu source)

Alternative au test de Student : Le test de Wilcoxon-Mann-Whitney sert d’alternative non paramétrique au test t de Student pour deux échantillons indépendants, notamment lorsque la distribution des données ne suit pas une loi normale. (Source : contenu source)

📝 Points essentiels

Ce test compare deux échantillons indépendants sans supposer de normalité, en utilisant le classement des observations plutôt que leurs valeurs brutes. L’hypothèse nulle (H0) stipule que les deux populations ont la même distribution, ce qui implique que la probabilité qu’une observation du premier groupe soit supérieure à une observation du second est de ½. Le rejet de H0 indique une différence significative entre les distributions des deux groupes. Il est particulièrement utile lorsque les données ne respectent pas les conditions paramétriques, notamment la normalité. La statistique de test est basée sur la somme des rangs attribués aux observations, et sa valeur observée est comparée à une valeur critique issue de la table de Mann-Whitney ou d’une distribution normale approximative selon la taille des échantillons. Un résultat significatif permet de conclure à une différence entre les groupes, en fonction du test bilatéral ou unilatéral choisi.

💡 À retenir

Le test de Wilcoxon-Mann-Whitney permet de comparer deux groupes indépendants en s’affranchissant des contraintes de normalité, via une approche basée sur les rangs.

📖 9. Test de Wilcoxon apparié

🔑 Notions clés & Définitions

• Test de Wilcoxon apparié : voir section 5
• Différences de paires : Les écarts calculés en soustrayant la valeur avant de l’intervention (ou condition initiale) de la valeur après. Ces différences sont notées Di = après - avant.
• Classement des différences : Les valeurs absolues des différences sont classées par ordre croissant. La statistique du test repose sur la somme des rangs des différences positives (T+) et négatives (T-).
• Alternative au test de Student apparié : Utilisé lorsque les conditions du test paramétrique ne sont pas remplies, notamment l’hypothèse de normalité.

📝 Points essentiels

Ce test compare deux échantillons appariés sans supposer de normalité. Il se concentre sur l’analyse des différences entre chaque paire d’observations. Pour cela, on calcule les différences Di = après - avant, puis on classe leurs valeurs absolues dans l’ordre croissant. La statistique du test consiste à comparer la somme des rangs des différences positives (T+) et négatives (T-). La valeur observée Tobs est la plus petite de ces deux sommes. Si Tobs est inférieure à la valeur critique tirée de la distribution de T pour un certain seuil α (par exemple, 0,05), on rejette l’hypothèse nulle H0, indiquant une différence significative entre les deux mesures appariées. Le test peut être bilatéral ou unilatéral selon l’hypothèse alternative formulée.

💡 À retenir

Le test de Wilcoxon apparié offre une méthode robuste pour comparer des données appariées lorsque les hypothèses paramétriques ne sont pas respectées, en se concentrant sur les différences de rangs plutôt que sur la normalité des distributions.

📊 Tableaux de Synthèse

Critère	Tests de conformité	Tests d’homogénéité	Tests pour deux proportions	Tests paramétriques	Tests non paramétriques	Test de Student	Test de Fisher-Snedecor	Test de Wilcoxon-Mann-Whitney	Test de Wilcoxon apparié
Objectif	Vérifier si un échantillon provient d’une population avec une moyenne spécifique	Vérifier si deux échantillons indépendants ont la même moyenne	Comparer deux proportions dans deux groupes	Comparer deux moyennes sous hypothèses normales	Comparer deux échantillons ou groupes non paramétriques	Comparer deux moyennes avec variances égales (ou ajustées)	Vérifier l’égalité des variances (Fisher)	Comparer deux groupes indépendants non paramétriques	Comparer deux échantillons appariés
Hypothèses principales	Variable suit loi normale, H0 : μ = m	Variables suivent loi normale, H0 : μ1 = μ2, variances égales ou non	Effectifs suffisants, H0 : p1 = p2	Normalité, H0 : μ1 = μ2	Distribution inconnue ou non normale	Normalité, variances égales ou correction (Welch)	Variances égales ou non, dépend du résultat du test F	Distribution asymétrique ou non normale	Données appariées, différences suivent loi symétrique
Statistique utilisée	t (distribution de Student)	t (avec correction si variances inégales)	Z ou t selon effectifs	t, Z selon conditions	Rang ou somme rangs	t de Student	F de Fisher-Snedecor	U de Mann-Whitney	Rang median des différences
Condition d’application	Loi normale, taille suffisante	Loi normale, vérification variances	Effectifs suffisants pour approximation normale	Normalité, taille suffisante	Non normalité acceptée	Normalité et variances homogènes	Homogénéité des variances	Non paramétrique, distribution asymétrique acceptable	Données appariées, distribution symétrique des différences
Rejet H0	Si statistique > valeur critique ou p-value < α	Si statistique > valeur critique ou p-value < α	Si différence significative (p < α)	Si statistique > valeur critique ou p-value < α	Si rangs ou somme rangs indiquent différence	Si tobs > t critique ou p < α	Si F > F critique	Si U < U critique	Si rangs des différences indiquent différence

⚠️ Pièges & Confusions Fréquentes

1. Confondre test de conformité et test d’homogénéité.
2. Utiliser un test paramétrique sans vérifier la normalité des données.
3. Oublier la vérification préalable de l’égalité des variances pour le test de Student.
4. Appliquer un test pour proportions sans s’assurer que les effectifs sont suffisants.
5. Confondre le test de Wilcoxon-Mann-Whitney et le test de Wilcoxon apparié.
6. Ignorer la condition d’indépendance entre les échantillons pour les tests d’homogénéité.
7. Utiliser un test paramétrique dans un contexte non normal sans correction appropriée.
8. Ne pas vérifier si la variable suit une loi normale pour les tests paramétriques.

✅ Checklist Examen

1. Connaître la définition précise du test de conformité et ses conditions d’utilisation.
2. Savoir différencier un test d’homogénéité d’un test de conformité.
3. Maîtriser la procédure et l’interprétation du test de Student pour deux moyennes.
4. Connaître le rôle du test de Fisher-Snedecor dans la vérification des variances.
5. Savoir appliquer le test pour deux proportions en respectant les conditions d’effectifs.
6. Comprendre la différence entre tests paramétriques et tests non paramétriques.
7. Être capable d’expliquer quand utiliser le test de Wilcoxon-Mann-Whitney versus le test apparié.
8. Connaître l’hypothèse nulle et alternative pour chaque type de test.
9. Savoir calculer et interpréter la statistique observée dans chaque contexte.
10. Maîtriser les conditions nécessaires à l’application correcte des tests (normalité, indépendance, effectifs).
11. Identifier les pièges liés à l’utilisation inappropriée des tests statistiques.
12. Connaître les auteurs clés : la distribution de Student, F de Fisher-Snedecor, et leur rôle dans les tests paramétriques.