Chapitre 1 Tests Hyp Part 2

Module CI 27 − 1
A.U. 2023 − 2024
Tests d’hypothèse (Partie 2)
Abdessamad OUSAADANE
ENSAM
18 Mars 2024
Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 1 / 36

Plan de cours
1 Tests statistiques paramétriques

Tests de conformité
Comparaison de deux moyennes
Comparaison de deux proportions
Comparaison de deux variances

Définition : Tests paramétriques
Méthodes statistiques utilisées lorsque des informations spécifiques sur les
paramètres de la population sont connues ou supposées, et lorsque les
données suivent une distribution particulière, généralement une distribution
normale.
Définition : Tests non paramétriques

Méthodes statistiques utilisées lorsque peu d’informations sur les
paramètres de la population sont disponibles ou lorsque les données ne
suivent pas une distribution spécifique. Ils sont souvent utilisés lorsque les
données sont ordinales ou lorsque les hypothèses des tests paramétriques ne
sont pas satisfaites.

Ce sont des tests paramétriques qui visent à vérifier si un échantillon peut
être considéré comme extrait d’une population donnée ou s’il est
représentatif de cette population, en ce qui concerne un paramètre tel que
la moyenne, la variance ou la fréquence observée.
Comparaison de deux moyennes.
Comparaison de deux proportions.
Comparaison de deux variances.



Le but est de tester si la moyenne µ d’une population est statistiquement
égale à une valeur supposée, notée µ0 . On suppose que la variable X suit la
loi N (0, 1).
1ère étape : Formulation des hypothèses
H0 : µ = µ0 et H1 : µ ̸= µ0 , pour un test bilatéral.
H0 : µ = µ0 et H1 : µ > µ0 , pour un test unilatéral à droite.
H0 : µ = µ0 et H1 : µ < µ0 , pour un test unilatéral à gauche.

2ème étape : Détermination de la statistique du test ou la
variable de décision
On détermine la statistique qui convient pour ce test. Ici, l’estimateur
de la moyenne µ est X̄ .
On détermine la loi de probabilité de X̄ , en se plaçant sous l’hypothèse
H0 .
Pour cela, il existe deux cas : la variance σ de la population de
référence est connue (test normale) ou la variance est inconnue et il
faut l’estimer (test de Student).
• Variance de la population est connue :

σ
X̄ ∼ N µ, √ .
n
σ
Sous H0 est vraie, on a X̄ ∼ N µ0 , √ .
n
X̄ − µ0
On pose Z = √ , donc Z ∼ N (0, 1).
σ/ n

3ème étape : Détermination de la région critique ou la zone
d’acceptation
Pour un risque α donné, on détermine soit la zone de rejet ou la zone
d’acceptation. La zone d’acceptation vérifie P(Z ∈ Iacc ) = 1 − α, cela
revient à déterminer dans la table de N (0, 1) les valeurs de z1−α/2 et
z1−α , selon la nature du test, tel que :
P(|Z | ≤ z1−α/2 ) = 1 − α, pour un test bilatéral et on aura donc :
Iacc = [−z1−α/2 , z1−α/2 ].
P(Z ≥ −z1−α ) = 1 − α, pour un test unilatéral à gauche et on aura

donc :
Iacc = [−z1−α , +∞[.
P(Z ≤ z1−α ) = 1 − α, pour un test unilatéral à droite et on aura donc :
Iacc =] − ∞, z1−α ].

4ème étape : Conclusion et prise de la décision d’un test
On calcule une zcal prise par la variable aléatoire Z dans un échantillon,
telle que
x̄ − µ0
zcal = √ .
σ/ n
Selon la valeur zcal , on a deux cas :
1 Si zcal ∈
/ Iacc (ou zcal ∈ Rc ), on dit que l’écart-réduit observé est
significatif au seuil α.
Cet écart est anormalement élevé et ne permet pas d’accepter H0 .
Donc, on rejette H0 .
2 Si zcal ∈ Iacc (ou zcal ∈
/ Rc ), on dit que l’écart-réduit observé n’est pas
Cet écart est due aux fluctuations d’échantillonnage. Donc on accepte
H0 .

Exemple 1
Votre emploi consiste à vérifier la production d’une machine fabriquant des
milliers de boulons à l’heure. Lorsqu’elle est bien réglée, cette machine
produit des boulons avec un diamètre moyen de µ0 = 14.00 mm.
Les boulons dont le diamètre s’éloigne trop de cette moyenne, dans un sens
ou dans l’autre, sont inutilisables. Nous savons, par expérience, que
l’écart-type est de 0.15 mm et que les diamètres des boulons suivent une
distribution normale.
Chaque heure, vous devez prélever un échantillon aléatoire de 6 boulons
pour vérifier le réglage de la machine. Voici les résultats que vous avez
obtenus lors de votre dernière vérification (le diamètre est en mm) :
14.15 13.85 13.95 14.20 14.30 14.35
Au seuil de signification de 0.01 (α = 1%), devez-vous conclure que la

machine est bien réglée ?

Solution
1 Choix des hypothèses :
H0 : µ = 14.00 mm
H1 : µ ̸= 14.00 mm
Le test est bilatéral car le rejet de l’hypothèse nulle se produit si la
moyenne échantillonnale est significativement plus grande ou
significativement plus petite que la valeur attendue.
2 La statistique :
La population est distribuée selon une loi normale avec σ connu, donc
X̄ − µ0
Z= √
σ/ n
suit la loi N (0, 1).

Solution
3 Zone d’acceptation :
Le test est bilatéral, donc la zone d’acceptation Iacc est donnée par :
Iacc = [−z1−α/2 , z1−α/2 ], avec z1−α/2 vérifie
P(−z1−α/2 ≤ Z ≤ z1−α/2 ) = 1 − α = 0.99.
En utilisant la table de la loi normale centrée réduite, z1−α/2 = 2.58.
Donc Iacc = [−2.58, 2.58].
4 Conclusion et prise de la décision :
On a
14.15 + 13.85 + 13.95 + 14.20 + 14.30 + 14.35
x̄ = = 14.1333mm.
6
x̄ − µ0 14.1333 − 14.00
Donc zcal = √ = √ = 2.18.
σ/ n 0.15/ 6
Puisque zcal ∈ Iacc , on doit accepter H0 et conclure que la machine
est bien réglée, i.e. la différence observée n’est pas significative et est
due aux fluctuations d’échantillonnage.

Exemple 2
Un responsable d’une chaîne de supermarchés souhaite s’assurer que le
poids moyen des paquets de viande hachée emballés est bien de 500
grammes.
Si le poids moyen est significativement inférieur à 500 grammes, les clients
risquent de se plaindre et cela pourrait entraîner une perte de confiance
dans la qualité des produits de la chaîne.
Étant donné les normes d’emballage en vigueur, il est impossible que le
poids moyen soit significativement supérieur à 500 grammes.
Lors d’un échantillonnage de 50 paquets, la moyenne observée est de 490
grammes. En supposant que l’écart-type est de 10 grammes, nous devons
effectuer le test d’hypothèse approprié avec un seuil de risque α = 0.05.

Solution
H0 : µ = 500 grammes
H1 : µ < 500 grammes

Dans cette situation, le responsable rejettera l’hypothèse nulle
uniquement s’il juge que la moyenne échantillonnale est
significativement inférieure à 500 grammes, le test est donc unilatéral
à gauche.
2 La statistique :
X̄ − µ0
On a n = 50 > 30 avec σ connu, donc Z = √ suit la loi N (0, 1).
σ/ n

Solution
Le test est unilatéral à gauche, donc la zone d’acceptation Iacc est
donnée par : Iacc = [−z1−α , +∞[, avec z1−α vérifie
P(Z ≥ −z1−α ) = 1 − α = 0.95.
En utilisant la table de la loi normale centrée réduite,
z1−α = z0.95 = 1.645. Donc Iacc = [−1.645, +∞[.
On a x̄ = 490 grammes, donc
x̄ − µ0 490 − 500
zcal = √ = √ = −7.071.
σ/ n 10/ 50
Puisque zcal ∈ / Iacc , on doit rejeter H0 , i.e. la différence observée est

significative au seuil α = 5%.

Remarque
Dans le cas où la variance de la population est inconnue, on utilise la
même démarche que le cas où la variance est connue, la différence sera au
niveau de 2ème étape : Détermination de la statistique du test qui
affectera par la suite la détermination de la zone d’acceptation.

Puisque la variance de la population est inconnue, elle est remplacée par
n
son estimateur non biaisé S ∗2 = S 2.
n−1
On obtient donc comme statistique :
X̄ − µ0
T = √ ,
S/ n − 1
donc T ∼ Tn−1 une loi de Student à (n − 1) ddl.

d’acceptation
Pour un risque α donné, on détermine dans la table de la loi de
Student à n − 1 ddl, les valeurs des quantiles d’ordre 1 − α/2 et
1 − α. La zone d’acceptation vérifie P(Z ∈ Iacc ) = 1 − α selon la
nature de test.
P(|T | ≤ t1−α/2 ) = 1 − α, pour un test bilatéral et on aura donc :
Iacc = [−t1−α/2 , t1−α/2 ].
P(T ≥ −t1−α ) = 1 − α, pour un test unilatéral à gauche et on aura

donc :
Iacc = [−t1−α , +∞[.
P(T ≤ t1−α ) = 1 − α, pour un test unilatéral à droite et on aura donc :
Iacc =] − ∞, t1−α ].

On calcule une tcal prise par la variable aléatoire T dans un échantillon,
telle que
x̄ − µ0
tcal = √ .
s/ n − 1
Selon la valeur tcal , on a deux cas :
1 Si tcal ∈
/ Iacc (ou tcal ∈ Rc ), on dit que l’écart-réduit observé est
Cet écart est anormalement élevé et ne permet pas d’accepter H0 .
Donc, on rejette H0 .
2 Si tcal ∈ Iacc (ou tcal ∈
/ Rc ), on dit que l’écart-réduit observé n’est pas
Cet écart est due aux fluctuations d’échantillonnage. Donc on accepte
H0 .

Exemple 3
Pour l’exemple de la machine de fabrication des boulons, changeons un peu
les données du problème.
Le diamètre moyen µ des boulons produits par la machine doit toujours
être égal à 14.00 mm et aucune variation importante dans le diamètre ne
peut pas être tolérée ni dans un sens ni dans l’autre.
Supposons cette fois que l’écart-type σ est inconnu. On suppose que la
distribution des diamètres est une distribution normale.
Les résultats de la dernière vérification (le diamètre est en mm) sont
donnés par :
14.15 13.85 13.95 14.20 14.30 14.35
Au seuil de signification de 0.01, arrivons nous à la même conclusion que

précédemment ? Autrement dit, la machine est-elle bien réglée ?

Solution
H0 : µ = 14.00mm
H1 : µ ̸= 14.00mm
Le test est bilatéral.
2 La statistique :
On a un petit échantillon (n = 6 < 30) et σ inconnu. La distribution
des diamètres est une distribution normale, donc on utilisera la loi de
Student. Ce qui donne :
X̄ − µ0
T = √
S/ n − 1
suit une loi de Student à n − 1 degrés de liberté.

Solution
Le test est bilatéral, donc la zone d’acceptation Iacc est donnée par :
Iacc = [−t1−α/2 , t1−α/2 ], avec t1−α/2 vérifie
P(−t1−α/2 ≤ T ≤ t1−α/2 ) = 1 − α = 0.99.
En utilisant la table de la loi de Student pour un risque α = 0.01 et 5
(n − 1) degrés de liberté, on obtient t1−α/2 = 4.0321. Donc
Iacc = [−4.0321, 4.0321].
6
1X
On a x̄ = 14.1333 mm et s = 2 (xi − x̄)2 = 0.032.
n
i=1
x̄ − µ0 14.1333 − 14.00
Donc tcal = √ = √ √ = 1.66.
s/ n − 1 0.032/ 5
Puisque tcac ∈ Iacc , on doit accepter H0 et conclure que la
machine est bien réglée.

Remarque
X̄ − µ0
1 Si la variable X étudiée est de loi inconnue et n ≥ 30, on a √
S/ n − 1
X̄ − µ0
et √ sont de loi normale centrée réduite et on applique la même
σ/ n
procédure que les cas précédents.
2 Si la variable X étudiée est de loi inconnue et si n < 30, la loi de
X̄ − µ0 X̄ − µ0
√ et √ n’est pas connue.
S/ n − 1 σ/ n



On veut vérifier si la proportion p d’une population est statistiquement
égale à une proportion donnée p0 . On suppose que la taille de l’échantillon
est suffisamment grande de sorte que les conditions np, nq ≥ 5 soient
vérifiées.
H0 : p = p0 et H1 : p ̸= p0 , pour un test bilatéral.
H0 : p = p0 et H1 : p > p0 , pour un test unilatéral à droite.
H 0 : p = p0 et H1 : p < p0 , pour un test unilatéral à gauche.

F est un bon estimateur de p.
On a n ≥ 30, np ≥ 5 et nq ≥ 5, donc on a F ∼ N p, pq
p
n .
F − p0
Sous l’hypothèse H0 , on a Z = p p0 q0 ∼ N (0, 1), avec q0 = (1 − p0 ).
n
d’acceptation
Pour α donné, on cherche dans la table de la loi normale centrée
réduite les valeurs z1−α ou z1−α/2 , selon la nature du test (unilatéral
ou bilatéral). On a :

Pour un test bilatéral, on a Iacc = −z1−α/2 , z1−α/2 .
Pour un test unilatéral à gauche. On a Iacc = [−z1−α , +∞[ .
Pour un test unilatéral à droite. On a Iacc =] − ∞, z1−α ].

On calcule une valeur zcal prise par la variable aléatoire Z dans un
échantillon, telle que
f − p0
zcal = p p0 q0
n
Selon la valeur zcal , on a deux cas :

1 Si la valeur zcal ∈
/ Iacc , on rejette H0 .
2 Si la valeur zcal ∈ Iacc , on accepte H0 .
Exemple
Une entreprise de fabrication de pièces métalliques prétend que 30% de ses
pièces répondent aux normes de qualité établies.
Pour vérifier cette affirmation, un échantillon aléatoire de 500 pièces est
sélectionné et inspecté. Parmi ces pièces, 135 sont conformes aux normes de
qualité. Nous devons maintenant tester si cette proportion est vraiment de
30% avec un seuil de signification de 0.05.

Solution
H0 : p = 30%
H1 : p ̸= 30%
Le test est bilatéral.
2 La statistique :
La taille de l’échantillon est suffisamment grande pour qu’on puisse
utiliser la distribution de la loi normale dans le calcul de la statistique
et la zone d’acceptation. On a sous l’hypothèse H0 :
F − p0
Z= q
p0 q0
n
suit la loi normale centrée réduite.

Solution
Puisqu’il
s’agit d’un test bilatéral, la zone d’acceptation Iacc est telle que :
Iacc = −z1−α/2 , z1−α/2 , avec z1−α/2 vérifie

P −z1−α/2 ≤ Z ≤ z1−α/2 = 1 − α = 0.95
Ce qui donne, en utilisant la table de la loi normale centrée réduite,

zα/2 = 1.96. Donc : Iacc = [−1.96, 1.96].
135
On a f = × 100 = 27% et donc
500
f − p0 27% − 30%
zcal = p =p = −0.76.
p0 q0 /n 0.3 × 0.7/135
Puisque tcac ∈ Iacc , on doit accepter H0 et conclure qu’il n’y a
aucune évidence statistique permettant de rejeter l’affirmation de
l’entreprise.
Que peut-on dire si sur un échantillon aléatoire de 500 pièces sélectionnés
et inspectés, 190 sont conformes aux normes de qualité ?



Considérons une variable aléatoire X de loi N (m, σ). Le but est de tester si
la variance d’une population σ 2 peut être égale à une valeur proposée σ02 .
H0 : σ 2 = σ02 et H1 : σ 2 ̸= σ02 , pour un test bilatéral.
H0 : σ 2 = σ02 et H1 : σ 2 > σ02 , pour un test unilatéral à droite.
H0 : σ 2 = σ02 et H1 : σ 2 < σ02 , pour un test unilatéral à gauche.

• Moyenne de la population connue :
n
1X 2
T2 = (Xi − µ) est un bon estimateur de σ 2 dans ce cas.
n
i=1
nT 2
Sous H0 , on a T = suit une loi de χ2n .
σ02

d’acceptation
Pour un risque α donné. On détermine les quantiles d’ordre α, 1 − α,
α/2 et 1 − α/2 de la loi χ2n , selon la nature de test.
Pour un test bilatéral, on cherche χ2α/2 et χ21−α/2 telle que

P χ2α/2 ≤ T ≤ χ21−α/2 = 1 − α.
h i
La zone d’acceptation est donnée par : Iacc = χ2α/2 , χ21−α/2 .
2
Pour un test
unilatéral à gauche, on cherche χα telle que
2
P T ≥ χα = 1 − α.
La zone d’acceptation est donnée par : Iacc = χ2α , +∞[.

Pour un test unilatéral à droite, on cherche χ21−α telle que

2

P T ≤ χ1−α = 1 − α.
La zone d’acceptation est donnée par : Iacc = 0, χ21−α .


On calcule une valeur tcal prise par la variable aléatoire T dans un
n 2
X xi − µ
tcal = .
σ0
i=1
Selon la valeur tcal , on a deux cas :

1 Si tcal ∈
2 Si tcal ∈ Iacc , on accepte H0 .

Remarque
Dans le cas où la moyenne de la population est inconnue, on utilise la
même démarche que le cas où la moyenne est connue, la différence sera au
niveau de 2ème étape : Détermination de la statistique du test qui
affectera par la suite la détermination de la zone d’acceptation.

• 2ème cas : Moyenne de la population est inconnue :
Puisque la moyenne de la population inconnue, on a :
n
S ∗2 = S 2 est un bon estimateur de σ 2 dans ce cas.
n−1
Sous H0 , on a
(n − 1)S ∗2 nS 2
S= 2
= 2
σ0 σ0
suit une loi de χ2n−1 .

d’acceptation
Pour un risque α donné. On détermine les quantiles d’ordre
α/2, 1 − α/2, α et 1 − α de la loi χ2n−1 , selon la nature de test.
h i
Pour un test bilatéral : Iacc = χ2α/2 , χ21−α/2 .
Pour un test unilatéral à gauche : Iacc = χ2α , +∞[.

Pour un test unilatéral à droite : Iacc = 0, χ21−α .


On calcule une valeur s̃cal prise par la variable aléatoire S dans un
ns 2
s̃cal = 2 .
σ0
Selon la valeur s̃cal , on a deux cas :
1 Si s̃cal ∈
2 Si s̃cal ∈ Iacc , on accepte H0 .

Exemple
Vous venez d’acquérir dans votre laboratoire une nouvelle balance et vous
souhaitez comparer la régularité du travail de cette dernière pour des très
petites pesées à la norme habituelle du descriptif pour laquelle l’écart-type
est égale à 2g.
Vous prélevez un échantillon d’effectif égal à 30 dont les valeurs sont
données ci-dessous :
2.53; 1.51; 1.52; 1.44; 4.32; 2.36; 2.41; 2.06; 1.57; 1.68;
3.09; 0.54; 2.32; 0.19; 2.66; 2.20; 1.04; 1.02; 0.74; 1.01;
0.35; 2.42; 2.66; 1.11; 0.56; 1.75; 1.51; 3.80; 2.22; 2.88.
Au risque α = 5%, pouvez-vous considérer que la variance de l’échantillon

est conforme à la norme souhaitée ?
Que peut-on dire si l’écart-type est égale à 0.85 g ?

Chapitre 1 Tests Hyp Part 2

Transféré par

Informations du documentcliquez pour développer les informations du document

Informations du documentcliquez pour développer les informations du document

Droits d'auteur :

Formats disponibles

Chapitre 1 Tests Hyp Part 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 1 Tests Hyp Part 2

Transféré par

Droits d'auteur :

Formats disponibles

Module CI 27 − 1

A.U. 2023 − 2024

Tests d’hypothèse (Partie 2)

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 1 / 36

1 Tests statistiques paramétriques

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 2 / 36

Définition : Tests non paramétriques

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 3 / 36

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 4 / 36

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 5 / 36

Comparaison de deux moyennes

H0 : µ = µ0 et H1 : µ ̸= µ0 , pour un test bilatéral.

H0 : µ = µ0 et H1 : µ > µ0 , pour un test unilatéral à droite.

H0 : µ = µ0 et H1 : µ < µ0 , pour un test unilatéral à gauche.

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 6 / 36

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 7 / 36

Iacc = [−z1−α/2 , z1−α/2 ].

P(Z ≥ −z1−α ) = 1 − α, pour un test unilatéral à gauche et on aura

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 8 / 36

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 9 / 36

14.15 13.85 13.95 14.20 14.30 14.35

Au seuil de signification de 0.01 (α = 1%), devez-vous conclure que la

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 10 / 36

suit la loi N (0, 1).

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 11 / 36

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 12 / 36

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 13 / 36

H1 : µ < 500 grammes

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 14 / 36

Puisque zcal ∈ / Iacc , on doit rejeter H0 , i.e. la différence observée est

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 15 / 36

Comparaison de deux moyennes

donc T ∼ Tn−1 une loi de Student à (n − 1) ddl.

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 16 / 36

Iacc = [−t1−α/2 , t1−α/2 ].

P(T ≥ −t1−α ) = 1 − α, pour un test unilatéral à gauche et on aura

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 17 / 36

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 18 / 36

14.15 13.85 13.95 14.20 14.30 14.35

Au seuil de signification de 0.01, arrivons nous à la même conclusion que

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 19 / 36

suit une loi de Student à n − 1 degrés de liberté.

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 20 / 36

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 21 / 36

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 22 / 36

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 23 / 36

Comparaison de deux proportions

H0 : p = p0 et H1 : p ̸= p0 , pour un test bilatéral.

H0 : p = p0 et H1 : p > p0 , pour un test unilatéral à droite.

H 0 : p = p0 et H1 : p < p0 , pour un test unilatéral à gauche.

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 24 / 36

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 25 / 36

Selon la valeur zcal , on a deux cas :

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 26 / 36

suit la loi normale centrée réduite.

Abdessamad OUSAADANE (ENSAM) Tests d’hypothèse (Partie 2) 18 Mars 2024 27 / 36

Ce qui donne, en utilisant la table de la loi normale centrée réduite,