Revision sheet: Principes fondamentaux des tests statistiques

📋 Plan du Cours

1. Test d'hypothèses
2. Risque alpha
3. Risque beta
4. Région critique
5. Statistique de décision
6. Distribution χ²
7. Distribution t de Student
8. Test de proportion
9. Test de variance
10. Décision statistique
11. Population mère et échantillon

📖 1. Test d'hypothèses

🔑 Notions clés & Définitions

• Test d'hypothèses : procédure statistique permettant de décider, à partir d’un échantillon, si l’on doit rejeter ou non une hypothèse nulle H0 en faveur d’une hypothèse alternative H1, en utilisant une règle de décision basée sur une statistique et un seuil α fixé à l’avance.

• Hypothèses H0 et H1 : hypothèse nulle H0, formulée comme étant la situation de référence ou d’absence d’effet, et hypothèse alternative H1, qui représente la situation contraire ou l’effet recherché. La décision repose sur la comparaison de la statistique de décision à une valeur critique.

• Règle de décision : critère basé sur la statistique de décision et le seuil α, permettant de rejeter H0 si la statistique dépasse une valeur critique (région critique) ou si elle se trouve dans une zone spécifique, avec un risque α fixé à l’avance.

• Procédure statistique : ensemble des étapes comprenant le calcul d’une statistique de décision à partir de l’échantillon, la détermination de la région critique en fonction de la loi de cette statistique sous H0, et la décision de rejeter ou non H0.

• Exemple d’application : dans un contexte industriel ou commercial, le test d’hypothèses peut servir à décider si un produit est conforme ou si un processus est fiable, en se basant sur un échantillon de mesures ou de résultats.

📝 Points essentiels

Le test d’hypothèses consiste à comparer une statistique de décision, calculée à partir de l’échantillon, à une valeur critique déterminée par la loi de cette statistique sous H0. La règle de décision stipule que si la statistique dépasse cette valeur, on rejette H0, sinon on ne peut pas la rejeter. La décision est ainsi encadrée par un risque α, appelé risque de première espèce, qui correspond à la probabilité de rejeter H0 alors qu’elle est vraie. La formulation précise des hypothèses H0 et H1 doit être claire et adaptée au contexte. La procédure permet d’évaluer la fiabilité d’un processus ou la conformité d’un produit en utilisant un seuil de signification fixé à l’avance, souvent 5%. La décision repose sur la statistique de décision, dont la distribution sous H0 est connue ou déterminée, et la région critique, qui délimite l’ensemble des valeurs conduisant au rejet de H0.

💡 À retenir

Le test d’hypothèses est une procédure statistique permettant de prendre une décision objective sur la validité d’une hypothèse à partir d’un échantillon, en utilisant une règle de décision basée sur une statistique et un seuil α fixé à l’avance.

📖 2. Risque alpha

🔑 Notions clés & Définitions

• Risque alpha (risque de première espèce) : Probabilité de rejeter l'hypothèse nulle H0 alors qu'elle est en réalité vraie. Selon PERROUX (date), il s'agit de la probabilité de commettre une erreur de type I dans un test statistique.
• Seuil de significativité α : Niveau fixé avant le test, représentant la limite maximale acceptable de risque alpha. Si la probabilité critique Pα calculée sous H0 est inférieure ou égale à α, H0 est rejetée.
• Probabilité critique Pα : Probabilité, sous H0, que la statistique de décision dépasse la valeur critique kcn. Elle est calculée à partir de la loi de la statistique de décision (ex : loi χ² ou loi t).
• Interprétation du risque alpha : Dans la prise de décision, un risque alpha fixé à 5% signifie qu'il y a 5% de chances de rejeter H0 alors qu'elle est vraie, ce qui peut conduire à arrêter une production fiable ou à prendre une décision erronée.
• Lien entre risque alpha et seuil α : La probabilité critique Pα est comparée au seuil α fixé à l'avance. Si Pα ≤ α, H0 est rejetée, sinon elle est acceptée, limitant ainsi la probabilité d'erreur de type I à α.

📝 Points essentiels

• Le risque alpha est la probabilité de commettre une erreur de première espèce, c’est-à-dire de rejeter H0 alors qu’elle est vraie, ce qui peut entraîner des décisions incorrectes comme arrêter une fabrication fiable ou rejeter un produit conforme.
• Le seuil de significativité α est fixé avant le test, généralement à 5% ou 1%, et sert de référence pour la décision. La probabilité critique Pα, calculée sous H0, doit être comparée à α pour déterminer si H0 doit être rejetée ou non.
• La règle de décision repose sur la comparaison entre Pα et α : si Pα ≤ α, H0 est rejetée avec un risque de se tromper égal à α. Sinon, H0 est acceptée, limitant ainsi la probabilité d’erreur de première espèce.
• La probabilité critique Pα est obtenue à partir de la loi de la statistique de décision (ex : loi χ² ou loi t), en utilisant la valeur critique kcn correspondant au niveau α.
• La compréhension du risque alpha permet d’évaluer la fiabilité du test et d’éviter des décisions hâtives ou erronées, notamment dans le contexte industriel ou de contrôle qualité.

💡 À retenir

Le risque alpha représente la probabilité de rejeter H0 alors qu’elle est vraie, et la fixation du seuil α permet de contrôler cette erreur lors de la prise de décision statistique.

📖 3. Risque beta

🔑 Notions clés & Définitions

• Risque beta (risque de deuxième espèce) : Probabilité d'accepter H0 alors que H1 est vrai, c'est-à-dire de ne pas détecter un effet réel ou une différence significative. Selon PERROUX (date), il s'agit de l'erreur liée à la non-rejet de H0 malgré la véracité de H1.

• Lien entre risque beta et erreur de ne pas détecter un effet réel : Le risque beta représente la probabilité de commettre une erreur de type II, c'est-à-dire de ne pas rejeter H0 alors que H1 est vraie. Il est directement associé à la puissance du test (1 - risque beta).

• Difficulté de calcul du risque beta dans certains tests bilatéraux : Lorsqu'il s'agit de tests bilatéraux, la complexité réside dans la détermination précise de la probabilité de ne pas rejeter H0 dans la zone critique sous H1, notamment en raison de la symétrie et des distributions associées.

• Interprétation du risque beta dans la prise de décision : Par exemple, dans un contexte d'investissement, accepter H0 (ne pas investir) alors que le placement est rentable (H1 vraie) correspond à une erreur de type II, avec un risque beta à minimiser pour optimiser la décision.

📝 Points essentiels

• Le risque beta est la probabilité de ne pas rejeter H0 alors que H1 est vraie, ce qui peut conduire à manquer une opportunité ou à laisser passer un effet réel. Il est lié à la puissance du test, qui est 1 - risque beta (voir PERROUX, date).

• La difficulté de calcul du risque beta apparaît notamment dans les tests bilatéraux, où la zone critique est répartie de part et d'autre de la distribution sous H0, rendant la probabilité de ne pas rejeter H1 plus complexe à déterminer.

• La prise de décision doit équilibrer le risque alpha (première espèce) et le risque beta (deuxième espèce), en cherchant à réduire le plus possible le risque beta pour ne pas manquer des effets importants, tout en contrôlant le risque alpha pour éviter de fausses alarmes.

• La compréhension du risque beta permet d’évaluer la sensibilité du test et d’adapter la taille de l’échantillon ou le seuil de décision pour optimiser la détection des effets réels.

💡 À retenir

Le risque beta représente la probabilité de manquer une différence réelle en acceptant H0 alors qu’elle est fausse, et sa maîtrise est essentielle pour assurer la puissance et la fiabilité d’un test statistique.

📖 4. Région critique

🔑 Notions clés & Définitions

• Région critique : ensemble des valeurs de la statistique de décision qui conduisent au rejet de l'hypothèse nulle H0. Elle délimite les zones où la preuve en faveur de H1 est considérée comme suffisante pour rejeter H0.
• Détermination de la région critique : processus basé sur le seuil α (risque de première espèce) et la loi de la statistique sous H0, permettant de définir les valeurs ou intervalles de la statistique de décision qui entraînent le rejet de H0.
• Exemples de régions critiques : régions unilatérales (rejet dans une seule queue de la distribution, par exemple pour un test à droite ou à gauche) et bilatérales (rejet dans les deux queues, pour un test bilatéral).
• Utilisation dans la règle de décision : la région critique sert à décider si la valeur observée de la statistique de décision justifie le rejet ou non de H0, en comparant la valeur calculée à la limite critique.
• Seuil α : probabilité fixée à l’avance par le test, représentant le risque de rejeter H0 alors qu’elle est vraie (première espèce). La région critique est construite pour que cette probabilité soit respectée.

📝 Points essentiels

• La région critique est définie à partir de la distribution de la statistique sous H0, en utilisant le seuil α. Par exemple, si la statistique suit une loi χ² ou t de Student, la région critique correspond aux valeurs extrêmes (dans une ou deux queues) qui ont une probabilité cumulée égale à α.
• La détermination de la région critique dépend du type de test (unilatéral ou bilatéral). Pour un test unilatéral, la région critique est située dans une seule queue de la distribution (ex : P(k > k_{crit} | H0) = α). Pour un test bilatéral, elle est répartie dans les deux queues (ex : P(|T| > t_{crit} | H0) = α).
• La règle de décision consiste à rejeter H0 si la valeur observée de la statistique de décision appartient à la région critique, sinon on ne rejette pas H0.
• La région critique est donc l’outil permettant de contrôler le risque α tout en assurant une décision statistique cohérente.

💡 À retenir

La région critique, déterminée à partir du seuil α et de la loi de la statistique sous H0, délimite les valeurs extrêmes de la statistique de décision qui conduisent au rejet de H0 dans un test statistique.

📖 5. Statistique de décision

🔑 Notions clés & Définitions

• Variable aléatoire de décision : variable calculée à partir de l’échantillon utilisée pour le test, permettant de prendre une décision statistique (ex : kobs = ns²/σ² pour test de variance, T = (X̄ - μ)/(S/√n) pour test t). Elle résulte d’une fonction de l’échantillon et sert à comparer à une valeur critique pour accepter ou rejeter H0.
• Distribution de la statistique sous H0 : loi de la variable de décision lorsque l’hypothèse nulle est vraie (ex : χ², t de Student). Elle permet de déterminer la région critique et le seuil de décision.
• Calcul de la réalisation observée : valeur concrète de la statistique de décision calculée à partir de l’échantillon observé, qui sera comparée à la région critique pour statuer sur H0 (ex : kobs, tobs).

📝 Points essentiels

• La variable aléatoire de décision est essentielle pour effectuer le test statistique, car elle synthétise l’information de l’échantillon en une seule valeur permettant de prendre une décision.
• La distribution de la statistique sous H0 est connue (ex : loi χ² pour variance, loi t de Student pour moyenne) et sert à définir la région critique, c’est-à-dire l’ensemble des valeurs qui conduisent au rejet de H0.
• La réalisation observée de la statistique est calculée à partir de l’échantillon et comparée à la région critique : si elle appartient à cette région, H0 est rejetée ; sinon, H0 est acceptée.
• La règle de décision consiste à comparer la valeur observée à la valeur critique déterminée par la distribution sous H0, en fixant un seuil α (risque de première espèce). Si la statistique observée dépasse ce seuil, H0 est rejetée avec un risque α.

💡 À retenir

La statistique de décision, calculée à partir de l’échantillon, et sa distribution sous H0, permettent de définir une région critique pour décider de rejeter ou non H0, en contrôlant le risque d’erreur de première espèce.

📖 6. Distribution χ²

🔑 Notions clés & Définitions

• Distribution χ² : loi de probabilité utilisée pour tester la variance d'une population normale, notamment dans les tests de variance. La statistique de décision suit une loi χ² sous H0.
• Formule de la statistique de décision : $k = \frac{n s^2}{\sigma^2}$, où $s^2$ est la variance de l’échantillon, $n$ la taille de l’échantillon, et $\sigma^2$ la variance hypothétique. Cette statistique suit une loi χ² avec $n-1$ degrés de liberté.
• Conditions d’application : échantillon indépendant, population normale. La loi χ² est utilisée pour déterminer la région critique dans un test de variance.

📝 Points essentiels

• La statistique $k = \frac{n s^2}{\sigma^2}$ permet de comparer la variance observée à la variance hypothétique sous H0. Si la valeur calculée de $k$ est dans la région critique (définie par la loi χ²), on rejette H0.
• La loi χ² est caractérisée par ses degrés de liberté, qui sont généralement $n-1$ pour un test de variance.
• La région critique est déterminée en fixant un risque de première espèce $\alpha$, puis en trouvant la valeur critique $k_{cn}$ telle que $P(k > k_{cn} | H0) = \alpha$.
• La loi χ² est utilisée dans des tests où l’on souhaite vérifier si la variance d’une population normale est conforme à une valeur donnée, notamment pour tester la fiabilité ou la stabilité d’un processus.

💡 À retenir

La distribution χ² permet de tester la variance d’une population normale en comparant la variance observée à une valeur hypothétique, en utilisant une statistique suivant une loi χ² avec $n-1$ degrés de liberté.

📖 7. Distribution t de Student

🔑 Notions clés & Définitions

• Distribution t de Student : loi de probabilité utilisée pour tester la moyenne d'une population lorsque la variance est inconnue, notamment dans le cadre d’échantillons de petite taille. Elle est caractérisée par ses degrés de liberté (n-1) et possède une queue plus épaisse que la loi normale, ce qui permet de prendre en compte l’incertitude sur la variance.
• Statistique T : variable aléatoire définie par la formule T = (X̄ - μ) / (S / √n), où X̄ est la moyenne de l’échantillon, μ la moyenne hypothétique, S l’écart-type de l’échantillon, et n la taille de l’échantillon. Elle suit une loi t de Student avec n-1 degrés de liberté sous H0.
• Degrés de liberté (d.l.) : paramètre de la loi t de Student, généralement n-1 pour un test sur la moyenne, qui reflète le nombre d’observations indépendantes dans l’échantillon après estimation de la variance.
• Quantiles tca : valeurs critiques de la loi t de Student, calculées pour un niveau de confiance ou de risque α, qui délimitent la région critique pour le test. La région critique est déterminée à partir de ces quantiles, par exemple, pour un test bilatéral, on utilise ± tca.
• Utilisation pour tests bilatéraux et unilatéraux : la loi t permet de réaliser des tests d’hypothèses sur la moyenne, en comparant la statistique T à ses quantiles tca, selon que le test est bilatéral (deux queues) ou unilatéral (une queue).

📝 Points essentiels

• La loi t de Student est essentielle lorsque la variance de la population est inconnue, ce qui est fréquent en pratique. Elle permet d’adapter la testabilité de la moyenne en tenant compte de l’incertitude sur la variance estimée par S.
• La statistique T suit une loi t de Student avec n-1 degrés de liberté sous H0, ce qui permet de calculer la région critique en utilisant les quantiles tca. La région critique dépend du niveau α choisi : pour un test bilatéral, on utilise généralement ± tca, où tca est déterminé par P(|T| > tca) = α.
• La décision de rejeter H0 se fait si la valeur observée de T dépasse la région critique, c’est-à-dire si |T| ≥ tca. Sinon, on ne rejette pas H0.
• La loi t de Student a des queues plus épaisses que la normale, ce qui augmente la probabilité d’observer des valeurs extrêmes, ce qui est pris en compte dans le calcul des quantiles.
• La valeur critique tca est obtenue à partir de la table de la loi t ou par calcul, en fonction du niveau α et des degrés de liberté.

💡 À retenir

La loi t de Student permet de réaliser des tests fiables sur la moyenne d’une population lorsque la variance est inconnue, en utilisant la statistique T et ses quantiles pour définir la région critique.

📖 8. Test de proportion

🔑 Notions clés & Définitions

• Test de proportion : procédure statistique permettant d’évaluer si la proportion π d’une population est égale à une valeur hypothétique en se basant sur un échantillon, en utilisant la statistique Fn (fréquence observée) normalisée en Z pour grands échantillons, et en comparant cette statistique à un seuil critique βcn (voir concepts pré-assignés).
• Statistique Fn : fréquence observée dans l’échantillon, normalisée en Z pour grands échantillons, permettant d’estimer la proportion π.
• Règle de décision : critère basé sur la comparaison de la statistique Fn (ou Z) avec un seuil critique βcn, pour rejeter ou non H0.
• Loi normale : loi utilisée pour approximer la distribution de la statistique Fn sous H0 dans le cas de grands échantillons, selon le théorème central limite (voir concepts pré-assignés).
• Seuil critique (βcn) : valeur déterminée à partir de la loi normale ou de la loi du χ², qui sert de référence pour décider de rejeter H0 si la statistique observée dépasse ce seuil.

📝 Points essentiels

• La statistique Fn, la fréquence observée dans l’échantillon, est normalisée en Z :
  $Z = \frac{Fn - p_0}{\sqrt{\frac{p_0(1 - p_0)}{n}}}$ où $p_0$ est la proportion hypothétique sous H0, et n la taille de l’échantillon.
• La loi normale (ou loi du Z) est utilisée pour approximer la distribution de Fn sous H0, notamment pour grands échantillons (n suffisamment grand).
• La règle de décision consiste à comparer la valeur observée de Z ou Fn à un seuil critique βcn, déterminé pour un risque de première espèce α fixé à l’avance.
• Si la statistique dépasse le seuil critique, H0 est rejetée, indiquant que la proportion dans la population est significativement différente de la valeur hypothétique.
• La décision repose sur la comparaison entre la probabilité critique (p-value) et le risque α, selon la règle :
  • Si $P \leq \alpha$, on rejette H0.
  • Sinon, on ne rejette pas H0.
• La formule du seuil critique βcn dépend du niveau de confiance (1 - α) et de la loi utilisée (normale ou χ²).

💡 À retenir

Le test de proportion permet d’évaluer si la proportion d’un paramètre dans une population diffère significativement d’une valeur hypothétique, en utilisant la statistique normalisée Fn et la règle de décision basée sur un seuil critique.

📖 9. Test de variance

🔑 Notions clés & Définitions

• Test de variance : procédure statistique permettant de vérifier si la variance σ² d'une population normale est égale à une valeur hypothétique σ0², en utilisant une statistique de décision basée sur la loi du χ² (chi-deux).
• Statistique de décision (k) : variable aléatoire calculée à partir de l’échantillon, définie par la formule $k = \frac{n s^2}{\sigma_0^2}$, où $s^2$ est la variance observée dans l’échantillon. Selon PERROUX (date), cette statistique suit une loi χ² sous H0.
• Loi χ² (chi-deux) : loi de probabilité utilisée pour tester la variance d'une population normale, avec $k$ qui suit une χ² avec $n-1$ degrés de liberté sous H0. La distribution permet de déterminer la région critique pour le test.
• Région critique : ensemble des valeurs de la statistique de décision qui conduisent au rejet de H0, déterminée à partir de la distribution χ² et du seuil α fixé à l’avance. Si la valeur observée de $k$ appartient à cette région, H0 est rejetée.
• Exemple d’application : vérification de la fiabilité d’un package, en testant si la variance du coût ou d’un indicateur est conforme à une valeur de référence, comme illustré dans l’exemple de la fabrication de lessive ou de contrôle qualité.

📝 Points essentiels

• La statistique de décision $k = \frac{n s^2}{\sigma_0^2}$ suit une loi χ² avec $n-1$ degrés de liberté sous H0, à condition que l’échantillon soit indépendant et que la population soit normalement distribuée (voir distribution χ²).
• La détermination de la région critique repose sur la loi χ² : pour un risque α fixé à l’avance, on calcule la valeur critique $k_{cn}$ telle que $P(k > k_{cn} | H_0) = \alpha$. Si la valeur observée $k_{obs}$ dépasse cette valeur, H0 est rejetée, indiquant une variance différente de la valeur hypothétique.
• La règle de décision est basée sur la comparaison entre $k_{obs}$ et $k_{cn}$. Si $k_{obs} > k_{cn}$, on rejette H0 avec un risque de première espèce α. Sinon, on ne rejette pas H0.
• L’application pratique consiste à tester la fiabilité d’un package ou la conformité d’un processus, en vérifiant si la variance observée est compatible avec la variance hypothétique.
• La formule et la distribution sont valides sous l’hypothèse que l’échantillon est indépendant, de taille suffisante, et que la population est normalement distribuée (voir conditions d’application).

💡 À retenir

Le test de variance utilise la statistique $k = \frac{n s^2}{\sigma_0^2}$ qui suit une loi χ² sous H0 ; la décision de rejeter ou non H0 repose sur la comparaison avec la valeur critique déterminée par la distribution χ² et le risque α fixé à l’avance.

📖 10. Décision statistique

🔑 Notions clés & Définitions

• Décision statistique : Choix d'accepter ou rejeter l'hypothèse nulle H0 en se basant sur la statistique de décision et le seuil α, afin de contrôler le risque d'erreur de première espèce (rejeter H0 alors qu'elle est vraie) ou de seconde espèce (ne pas rejeter H0 alors qu'H1 est vraie).

• Conséquences de la décision : Résultats possibles de la procédure de décision, comprenant une bonne décision (acceptation correcte ou rejet correct) ou une erreur (risque α ou β). Le risque α correspond à la probabilité de rejet de H0 alors qu'elle est vraie, tandis que le risque β est la probabilité d'accepter H0 alors qu'H1 est vraie.

• Lien entre décision statistique et risque associé : La décision est influencée par le seuil α fixé à l'avance, qui détermine la probabilité de commettre une erreur de première espèce. La statistique de décision, calculée à partir de l'échantillon, permet de comparer cette valeur au seuil critique pour prendre la décision.

📝 Points essentiels

• La décision repose sur la comparaison de la statistique de décision (ex : χ², t, F) à une valeur critique déterminée par le seuil α et la loi de la statistique sous H0. Par exemple, si la statistique dépasse la valeur critique, H0 est rejetée ; sinon, elle est acceptée.

• La règle de décision est directement liée au risque α : si la probabilité critique Pα (ex : P(k > kcn | H0)) est inférieure ou égale à α, on rejette H0 avec un risque de se tromper égal à α. Sinon, on ne rejette pas H0.

• La décision dans différents contextes (investissement, fabrication, fournisseur) doit prendre en compte ces risques pour éviter des erreurs coûteuses, comme lancer une production avec un produit non conforme ou rejeter un produit fiable.

• La région critique correspond à l'ensemble des valeurs de la statistique de décision qui conduisent au rejet de H0, déterminée à partir du seuil α et de la loi sous H0. Par exemple, pour un test bilatéral, cette région est répartie aux extrémités de la distribution.

• La décision est aussi influencée par la taille de l’échantillon et la variabilité des données, ce qui impacte la valeur de la statistique et la puissance du test.

💡 À retenir

La décision statistique consiste à comparer une statistique calculée à un seuil critique fixé à l'avance, permettant de contrôler le risque d'erreur, et d'agir en conséquence dans différents contextes industriels ou commerciaux.

📖 11. Population mère et échantillon

🔑 Notions clés & Définitions

• Population mère : ensemble complet des unités d'étude (ex : semaines, transactions, produits) qui constitue la totalité de l'univers étudié.
• Échantillon aléatoire simple (E.A.S) : sous-ensemble prélevé au hasard dans la population mère, où chaque unité a une probabilité égale d’être sélectionnée, permettant une représentativité statistique.
• Variable aléatoire associée à chaque unité : variable numérique ou qualitative (ex : CA, prix, conformité) qui caractérise chaque unité de la population ou de l’échantillon.
• Indépendance et identiquement distribuée (i.i.d) : hypothèse selon laquelle chaque observation dans l’échantillon est indépendante des autres et suit la même loi de probabilité, condition essentielle pour la validité des méthodes statistiques.
• Lien entre population mère, échantillon et statistiques : l’échantillon permet d’estimer des paramètres de la population mère via des statistiques calculées à partir de l’échantillon, sous réserve de l’indépendance et de l’échantillonnage aléatoire.

📝 Points essentiels

• La population mère représente l’ensemble complet des unités d’étude, comme par exemple toutes les semaines ou tous les produits d’une livraison.
• L’échantillon aléatoire simple (E.A.S) est prélevé de façon à garantir que chaque unité a une probabilité égale d’être sélectionnée, ce qui permet une estimation sans biais des paramètres de la population.
• La variable aléatoire associée à chaque unité (ex : CA, conformité) est considérée comme une variable aléatoire (v.a.) qui suit une loi de probabilité spécifique.
• L’hypothèse d’indépendance et d’identiquement distribuée (i.i.d) des observations dans l’échantillon est fondamentale pour appliquer la plupart des tests statistiques et pour assurer la validité des estimations.
• La statistique de décision, comme la moyenne ou la variance de l’échantillon, sert à estimer les paramètres de la population mère, en reliant directement la population à l’échantillon par des calculs probabilistes.

💡 À retenir

La population mère est l’ensemble complet des unités d’étude, et l’échantillon aléatoire simple permet d’en tirer des estimations fiables en respectant l’indépendance et l’i.i.d, assurant la représentativité et la validité des analyses statistiques.

📊 Tableaux de Synthèse

Concept	Définition	Loi associée	Auteur clé
Test d'hypothèses	Procédure pour décider de rejeter ou non H0 à partir d’un échantillon	Loi de la statistique	-
Risque alpha (1ère espèce)	Probabilité de rejeter H0 alors qu’elle est vraie	Loi de la statistique	PERROUX (date)
Risque beta (2ème espèce)	Probabilité d’accepter H0 alors que H1 est vraie	Loi de la statistique	PERROUX (date)
Région critique	Zone de la statistique conduisant au rejet de H0	Loi de la statistique	-
Distribution χ²	Loi utilisée pour les tests de variance et d’indépendance	Loi χ²	-
Distribution t de Student	Loi utilisée pour les tests de moyenne avec petit échantillon	Loi t de Student	-
Test de proportion	Test pour comparer une proportion observée à une proportion hypothétique	Loi binomiale ou normale	-
Test de variance	Test pour comparer deux variances ou une variance à une valeur théorique	Loi χ² ou F	-
Population mère et échantillon	Population de référence et sous-ensemble étudié	-	-

⚠️ Pièges & Confusions Fréquentes

1. Confondre risque alpha (première espèce) et risque beta (deuxième espèce).
2. Négliger la définition précise des hypothèses H0 et H1, notamment leur formulation en contexte.
3. Utiliser une loi inappropriée pour le calcul de la région critique (ex : loi χ² au lieu de loi t).
4. Omettre de vérifier si la distribution de la statistique de décision est conforme aux hypothèses du test.
5. Sous-estimer l’impact de la taille de l’échantillon sur la puissance du test (risque beta).
6. Confondre région critique unilatérale et bilatérale, ou mal délimiter la zone de rejet.
7. Oublier que le seuil α doit être fixé avant le calcul pour éviter le biais dans la décision.

✅ Checklist Examen

• Connaître la définition du test d’hypothèses selon Neyman-Pearson.
• Savoir distinguer entre hypothèse nulle H0 et hypothèse alternative H1.
• Expliquer la règle de décision basée sur la statistique de décision et la région critique.
• Comprendre le rôle du risque alpha (PERROUX) dans la fixation du seuil de signification.
• Définir le risque beta et son lien avec la puissance du test.
• Identifier la loi de distribution appropriée pour chaque type de test (χ², t de Student, binomiale).
• Décrire la notion de région critique et sa détermination en fonction du seuil α.
• Maîtriser les concepts de population mère et d’échantillon dans le contexte du test.
• Savoir comment interpréter une erreur de type I (risque alpha) et une erreur de type II (risque beta).
• Savoir utiliser la table de la loi χ² ou t de Student pour déterminer la région critique.
• Connaître la différence entre test unilatéral et bilatéral.
• Être capable d’appliquer la procédure de test dans un contexte industriel ou commercial.