Les tests dhypothses Variables alatoires Une variable alatoire
Les tests d’hypothèses
Variables aléatoires • Une variable aléatoire X est un résultat d’une expérience aléatoire. Ex: Résultat du tirage d’un dé à 6 faces, v. a. discrète. • Problème : comment faire si on doit représenter le même genre d’histogramme pour une v. a. pouvant prendre n’importe quelle valeur dans [0; 1] uniformément ? 2
Densité Pour les v. a. continues, on ne peut plus caractériser la probabilité point par point, on a donc recours à une fonction nommée densité. On définit pour X la probabilité d’appartenir à un intervalle [a; b] Propriétés remarquables : La densité d’une somme est la convolée des densités. 3
Loi normale Densité de la loi normale de moyenne et d’écart type N ( , ) Ex: loi normale N (0, 1) 4
Table de la loi normale 5
Théorème Central Limit Théorème : Soit Xi une suite de v. a. de même loi d’espérance μ et d’écart type σ. Alors la v. a. converge en loi vers une v. a. normale centrée réduite N (0, 1). Conséquences : la moyenne des Xi converge vers une N (μ, σ/√n). une proportion Fn tend vers une N (p, σ/√(p(1 -p) / n)). Attention : On suppose tout de même l’existence d’un écart type fini !!! 6
But des tests d’hypothèses: Répondre à des questions de la forme : Cette pièce est-elle truquée ? Ces deux populations sont-elles significativement différentes ? Est-il possible que ces données suivent une loi Gaussienne ? En fait on cherche à trancher entre deux hypothèses dont une et une seule est vraie en ayant une idée sur les erreurs commises. Soient H 0 et H 1 ces deux hypothèses. α et β sont des probabilités α erreur de première espèce β erreur de seconde espèce 1 -β est la puissance du test H 0 vraie H 1 vraie H 0 décidée 1 -α β H 1 décidée α 1 - β 7
Région d’acceptation α étant fixé, il faut choisir une variable de décision X dont le comportement est connu sous l’hypothèse H 0. Ω ensemble des possibles pour X R : Région de rejet de H 0 A : Région d’acceptation de H 0 P(X R /H 0)=1 -α P(X A /H 0)=α P(X R /H 1)=β P(X A /H 1)=1 -β 8
Sur un exemple On souhaite construire un test au niveau 5% permettant de détecter si une pièce est truquée ou non. On se donne pour cela 1000 tirages. H 0 : « la pièce est normale » H 1 : « la pièce est truquée » Si H 0 est vraie la pièce doit faire « pile » avec une probabilité ½. Donc si X est le nombre de « pile » : X→B(1000, 1/2) ; cette loi est approximée par une N (500, 250) Il faut trouver une région R telle que X soit dans R avec probabilité 95%. 9
Exemple (2) On cherche a et b tels que P(X [a, b] / H 0) ≥ 0. 95 P(N (500, 250) [a, b] ) ≥ 0. 95 P(N (0, 1) [(a-500)/ 250, (b-500)/ 250] ) ≥ 0. 95 Il faut trouver les valeurs des bornes de l’intervalle de confiance. 10
Table de la loi normale 11
Exemple (3) a 530. 99 b 469. 01 On accepte H 0 (la pièce n’est pas truquée) si X est dans [470; 530]. On rejette H 0 dans les autres cas. On est sûr que si H 0 est vraie, il n’y a que 5% des cas où on ne va pas le détecter. Que se passe t-il dans le cas où H 1 est vraie ? 12
Exemple (4) Impossible de déterminer la puissance de notre test. Pour capable de la minorer, il faut se fixer une tolérance sur le biais de la pièce. Par exemple on tolère les pièces dont la probabilité de faire pile est comprise entre 0. 49 et 0. 51. 1 - = P(X [469; 530] / H 1) > P(N (510, 249. 9) [469; 530] ) = P(N (490, 249. 9) [469; 530]) = P(N (0, 1) [-1. 328 ; 2. 530]) = 0. 0895 Passage à un test unilatéral (on sait que les pièces truquées font moins de piles) Au niveau 5%, le rejet à lieu si X < 474 La puissance est minorée (pour une tolérance de 0. 01) par 0. 1562 13
Lien entre seuil et risque 14
Loi du 2 Elle possède un paramètre : m « degré de liberté » Soit (xi) une suite de v. a. indépendantes suivant une N (0, 1) alors : Remarque : 15
Test du 2 C’est un test d’adéquation d’une loi de probabilités à des données. Soit {x 1, …, xn} un échantillon de n réalisations indépendantes de la v. a. X Soit f(x) la densité réelle de X Soit f* notre hypothèse sur la densité de X (les paramètres de f* sont soit connus soit estimés à partir des données) H 0 : f(x) = f*(x) H 1 : f(x) ≠ f*(x) • A partir de l’échantillon on construit un histogramme pour X de k classes Ci. Soit Oi le nombre d’observations dans la classe Ci Les classes sont déterminées à partir des valeurs prises dans l’échantillon au bon vouloir de l’utilisateur. 16
On construit ensuite le tableau suivant : Effectif Observé Effectif théorique sous H 0 Carré de la différence C 1 C 2 … Ck O 1 O 2 Ok P(X C 1/f=f*). n P(X C 2/f=f*). n P(X Ck/f=f*). n a 1 a 2 ak suit une 2 à degrés de libertés = k – nombre de relations entre effectifs théoriques sous H 0 et effectifs observés. En fait I mesure une « distance » entre la distribution attendue et la distribution observée Pour construire un test au niveau de H 0 contre H 1, il suffit de choisir un seuil s tel que P(I>s/H 0)< , ce qui est facile car sous H 0 I suit un 2 dont les valeurs sont tabulées. 17
Expérience de Mendel Chez les pois, le caractère couleur est codé par un gène présentant deux formes allèles C et c, correspondant aux couleurs jaune et vert. Le jaune est dominant, le vert récessif. La forme, rond ou ridé, est portée par un autre gène à deux allèles R (dominant) et r (récessif). On croise deux individus dont le génotype est Cc. Rr. Dans ses expériences, Mendel a obtenu les résultats suivants. Effectif observé Effectif théorique Proportion théorique Jaune Rond Jaune Ridé Vert Rond Vert Ridé 315 101 108 32 312. 75 104. 25 34. 75 9/16 3/16 1/16 I=0. 47 à comparer avec la valeur d’un 2 à 3 ddl (au niveau 5% on rejette H 0 dessus de 7. 815). En réalité sous H 0 on avait seulement 8% de chances d’avoir des résultats aussi proches de la théorie… 18
2 de contingence Utilisé pour tester l’indépendance de deux caractères A et B dans une même population. Chacun des deux caractères possède plusieurs classes. H 0 : « Algo 1 » et « Algo 2 » ont des performances équivalentes. H 1 : « Algo 1 » et « Algo 2 » ont des performances différentes. Effectifs observés Effectifs attendus sous H 0 AB Algo 1 Algo 2 Total Bien classés 246 213 459 Bien classés 229. 5 459 Mal classés 54 87 141 Mal classés 70. 5 141 Total 300 300 600 19
2 de contingence (2) Différence entre observation et effectifs attendus Carré des différences divisé par l’effectif attendu AB Algo 1 Algo 2 Total Bien classés 16. 5 -16. 5 0 Bien classés 1. 19 2. 37 Mal classés -16. 5 0 Mal classés 3. 86 7. 72 0 0 0 Total 5. 05 10. 10 Total En fait on observe la statistique Avec h nb de lignes, k nb de colonnes O(i, j) effectif observé en (i, j) E(i, j) effectif attendu en (i, j) Sous H 0 I suit un 2 à (h-1)(k-1)=1 degré de liberté Donc pour un test au niveau 1% on rejette H 0 (le seuil est de 6. 635) 20
Remarques Pour un tableau 2 x 2 c’est mal de faire un 2 car il est équivalent à un t-test sur les proportions qui possède deux avantages : Possibilité de calculer la puissance pour le t-test; On peut créer un test unilatéral alors que 2 est toujours bilatéral ce qui signifie que l’on obtient que des informations du type « algo 1 et algo 2 sont différents » mais pas davantage. On peut citer de nombreux autres tests : Tests du maximum de vraisemblance Test de Fisher (variances) ; Student (moyennes) ; Kolmogorov-Smirnov, Cramer (tests sur fonction répartition) ; Spearman (indépendance des réalisations) … ANOVA (analyse of variance). 21
Documents utiles Jean-Michel JOLION : http: //rvf. insa-lyon. fr/~jolion/STAT/poly. html Stephan MORGENTHALER « Introduction à la statistique » , Presses Polytechniques et Universitaires Romandes SMEL Projet de l’INRIA sur les statistiques en médecine. 22
Densité 23
- Slides: 23