MTH 2301 Méthodes statistiques en ingénierie Lexique anglais
Transcription
MTH 2301 Méthodes statistiques en ingénierie Lexique anglais
MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Lexique Chapitre 7 - Tests d’hypothèses anglais – français Lexique anglais - français • null hypothesis ………. hypothèse nulle ( principale) Constats - terminologie - concepts de base tests Tests concernant une moyenne • alternative hypothesis ….. contre-hypothèse - variance connue - courbe caractéristique • significance level ………… seuil de signification - variance inconnue - n=? • critical region …………… région critique • type I error ………………… faute (erreur) de type I Test de Shapiro-Wilk : distribution gaussienne ? Tests concernant 2 moyennes : • type II error ……………….. faute (erreur) de type II • one-tailed test …….……… test unilatéral - variances inconnues égales • two-tailed test …………… test bilatéral - courbes caractéristiques n =? - variances inconnues inégales - échantillons appariés (dépendants) • OC (Operating Characteristic) curve ……. ………........ courbe d’efficacité (caractéristique) Tests concernant les variances: -- -une variance / 2 variances • paired samples ……………. échantillons apprariés (pairés) hors programme 7.4 ( 1 binomiale) – 7.5 ( 2 binomiales) – 7.7 (non paramétrique) 7 -1 Bernard CLÉMENT, P h D 7- 2 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie constats - terminologie – concepts de base constats - terminologie – concepts de base • prendre des décisions à l’aide de données échantillonnales • Hypothèse nulle H 0: hypothèse à tester (mettre à l’épreuve) • Contre hypothèse H 1 : seule affirmation sensée lorsque que H0 est fausse provenant d’observations passives ou de données expérimentales: - 2 appareils de mesure ont-ils la même justesse /précision ? - traitement anti corrosion réduit – il la rouille de 50% après 4 ans ? - un type de boulon peut-il être soumis à 100 000 cycles de tension-compression sans se rompre par fatique ? • H 0 est toujours formulée en termes d’une valeur exacte du paramètre statistique à tester - exemple : H 0 : µ = 100 • H 1 prévoit toujours un ensemble de valeurs : ex. H 1 : µ < 100 • test statistique : est définie par une région critique d’une • prendre une décision conjecture issue probabiliste formulation d’une hypothèse statistique • hypothèse statistique : affirmation concernant une population - vraie ou fausse - on dispose que de un seul échantillon de taille n - risques (probabilités ) de mauvaises décisions: -- accepter une hypothèse fausse ( erreur de type II) -- rejeter une hypothèse vraie (erreur de type I) • adopter une hypothèse : les données de l’échantillon n’indiquent pas clairement que ’on ne doit pas l’adopter • réfuter une hypothèse : l’échantillon témoigne fortement contre statistique X (fonction des données) qui conduit au rejet de H0 X Région d’acceptation Région critique : X > c • erreur de type II : adopter (ne pas rejeter) H0 alors qu’elle fausse • seuil (niveau) de signification : la probabilité de commettre erreur type I 7- 3 Bernard CLÉMENT, P h D c • erreur de type I : réfuter l’hypothèse nulle H0 alors qu’elle est vraie 7- 4 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie LES DÉCISIONS STATISTIQUES constats - terminologie – concepts de base H0 STATUT VRAIE DÉCISION La statistique n’est pas une discipline qui permet de décider de la vérité ou de la fausseté des questions qu’elle examine : c’est plutôt une science du comportement rationnel qui fournit des règles de conduite pratiques dans des situations d’incertitude. FAUSSE REJET DE H0 erreur type I pas d’erreur NON REJET H0 pas d’erreur erreur type II Une hypothèse particulière est déclarée vraie : sur la base de données disponibles vous pouvez la tenir vraie jusqu’à preuve du contraire. Une hypothèse particulière est déclarée fausse : sur la base de données disponibles vous ne pouvez pas la tenir pour vraie. Risque de type I = P ( erreur type I ) = α Risque de type II = P ( erreur type II ) = β • LA DÉCISION EST BASÉE SUR DES OBSERVATIONS X i • LE STATUT RÉEL DE H0 N’ EST JAMAIS CONNU • β EST UNE FONCTION Mais dans les deux cas, vous aurez raison en moyenne, dix neuf fois sur 20, (95%), ou n’importe quel niveau de confiance ou niveau de risque (=1- niveau de confiance) que l’on se fixe d’avance. COURBE D’ EFFICACITÉ En moyenne vos conclusions seront donc bonnes, mais on ne pourra jamais savoir si une décision particulière est bonne. 7- 6 7- 5 Bernard CLÉMENT, PhD Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie Cas A : test moyenne µ - population gaussienne - variance σ2 connue X 0.14 N ( µ, σ2 ) 0.12 H 0 : µ = µ0 σ 0.10 X1, X2, …, Xn GAUSS 0.08 0.06 ~ N ( µ, 0.02 X 0.00 -2 0 2 4 6 8 10 12 14 16 18 20 22 24 : échantillon de X si H0 est vraie Z = ( X – µ0 ) / (σ / √ n ) ~ N ( 0, 1) X µ0 α Questions (a) définir l’hypothèse nulle , la contre hypothèse, le seuil du test, le risque de type II. (b) Poser les équations définissant les risques de type I et de type II; résoudre afin de trouver la taille de l’échantillon à prélever et déterminer la région critique du test. (c) Un échantillon de 19 observations a donné une moyenne de 25970. Le nouvel alliage est-il supérieur ? µ = µ0 26 σ/√ n U c Région critique : rejeter H 0 si X > c Z 0 z1 - α β σ= 300 α Région critique X>c P ( X > c ) = P ( X - µ0 > c - µ0 ) = P ( X – µ0 ) > ( c - µ0 ) σ/√ n σ/√ n X µ0 = 25800 = P ( Z > z0 ) = α H0 z0 = ( c - µ0 )/ σ/√ n = z 1-α c µ1 = 25800 + 250 = 26050 H1 :µ > µ0 ( unilatérale ) P( erreur type I ) = P ( X > c ) = α = 0.01 c = µ0 + z1-α ( σ /√ n ) P( erreur type II ) = P ( X < c ) = β = 0.10 7- 7 Bernard CLÉMENT, P h D σ/√n Solution (a)-(b) c=? P ( rejeter H0 quand elle est vraie ) = α σz =1 Cas A : test moyenne µ - population gaussienne - variance σ2 connue X ~ N ( µ, σ2 ) Exemple 1 : un acier d’un alliage spécial a une tension de rupture X (psi) dont la moyenne est de 25800 avec un écart type de 300. Un changement dans la composition de l’alliage devrait augmenter la tension moyenne sans changer l’écart type. Si le nouvel alliage ne produit aucun changement on voudrait pouvoir le dire avec une probabilité de 0.99. Par contre, si la tension moyenne est augmentée de 250, on veut que le risque de ne pas le détecter soit 0.10 H 1 : µ > µ0 X = ∑ Xi / n : moyenne échantillonnale 0.04 -0.02 vs MTH 2301 Méthodes statistiques en ingénierie σ2 ) 7- 8 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie σ2 Cas A : test moyenne µ - population gaussienne - variance Solution (a)-(b) P ( X > c | si µ = 25800) = α = 0.01 connue X ~ N ( µ, σ2 ) Cas A : test moyenne µ - population gaussienne - variance σ2 connue X ~ N ( µ, σ2 ) (1) Courbe d’efficacité (caractéristique) du test P ( X < c | si µ = 26050) = β = 0.10 (2) 2 équations avec 2 inconnus : n et c Définition: probabilité d’accepter H0 en fonction de la moyenne µ de la population β ( µ ) = P ( X < c =µ0 + z 1-α ( σ /√ n ) | µ ) = P [ ( X - µ ) / σ /√ n < z 1-α + (µ0 - µ) / σ /√ n ] n = ( z0.99 + z0.90 )2 σ2 / ( 26050 – 25800)2 = ( 2.33 + 1.28)2 ( 300 / 250 )2 = 18.8 ≈ 19 c = 25800 + 2.33 * 300 / (19)0.5 = 25960.36 ( c ) puisque x = 25970 > c = 25960.36 σ/√n Solution (a)-(b) = Φ (z 1-α + δ √ n ) on rejette H0 β Calcul de n : on veut σ= 300 *) dépend de α, n, δ que β ( µ1 ) = β pour une valeur particulière µ1 de µ n = ( z 1-α + z 1- β )2 σ2 / (µ1 – µ0)- 2 α Région critique ( où δ = (µ0 - µ) / σ : paramètre de non centralité graphiques : page 7-11 avec α = 0.05, 0.01 / n = 1,2,3, … / -1 ≤ δ ≤ 3 X>c Exemple : voir page 7-9 avec α = 0.01 β = 0.10 σ = 300 µ0 = 25800 µ1 = 26050 X µ0 = 25800 H0 c Exemple : calcul de la fonction d’efficacité µ1 = 25800 + 250 = 26050 H1 P( erreur type I ) = P ( X > c ) = α = 0.01 P( erreur type II ) = P ( X < c ) = β = 0.10 µ = 25800 26000 26050 µ 25800 26000 26050 26100 β 0.99 0.28 0.10 0.02 26100 avec la formule ( * ) ci haut 7 -10 7- 9 Bernard CLÉMENT, PhD Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Cas A : test moyenne µ - population gaussienne - variance σ2 connue X ~ N ( µ, σ2 ) Cas A : test moyenne µ - population gaussienne - variance σ2 connue X ~ N ( µ, σ2 ) courbe d’efficacité (caractéristique) du test Z : unilatéral type de la CONTRE HYPOTHÈSE : unilatérale contre hypothèse H1 : µ > µ0 Exemple 1 ( page 7- 8) : autres cas ou bilatérale unilatéral droite ( cas 1 ) H 1 : µ < µ0 unitatéral gauche ( cas 2 ) H1 : µ ≠ µ0 bilatéral ( cas 3 ) Formules Cas 2 si x < c = µ0 - z1-α ( σ /√ n ) n = ( z1-α + z1- β )2 σ2 / (µ1 – µ0) - 2 rejeter H0 β( µ ) = Φ (z1-α - δ √ n ) Cas 3 rejeter H0 si note : - z1-α = zα δ = (µ0 - µ) / σ x < c1 = µ0 - z1-α/2 ( σ /√ n ) ou si x > c2 = µ0 + z1-α/2 ( σ /√ n ) région critique bilatérale équivalent à : rejeter H0 si │ x - µ0 │ / σ /√ n > z1-α/2 n = ( z1-α/2 + z 1- β )2 σ2 / (µ1 – µ0) – 2 β( µ ) = Φ (z 1-α/2 - δ √ n ) + Φ (z 1-α/2 - δ √ n ) - 1 7 -11 Bernard CLÉMENT, PhD 7 -12 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Cas A : test moyenne µ - population gaussienne - variance σ2 connue X ~ N ( µ, σ2 ) courbe d’efficacité (caractéristique) du test Z : bilatéral Cas B : test moyenne µ - population N ( µ, σ2) variance σ2 inconnue Si σ2 est inconnue : on en fait l’estimation avec la variance échantillonnale s2 S2 = ∑ ( X i – X )2 / ( n - 1 ) et utilise la statistique T de Student en place de Z Les 2 cas sont résumés dans le tableau. Hypothèse nulle Statistique pour le test H N : µ = µ0 σ2 Z0 = connue H N : µ = µ0 σ2 7 -13 Bernard CLÉMENT, PhD inconnue σ n x − µ0 s n Critère de rejet H A : µ ≠ µ0 Z 0 > z1 − α H A : µ > µ0 Z 0 > z1 − α H A : µ < µ0 Z 0 < − z1 − α 2 H A : µ ≠ µ0 T0 > t n −1, 1 − α H A : µ > µ0 T0 > t n −1, 1− α H A : µ < µ0 2 T0 < − t n −1, 1 − α Remarque : le test est employé pour le cas de différences appariées (2 échantillons dépendants) avec xi = x1i − x 2 i 7 -14 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Cas B : test moyenne µ - population gaussienne - variance σ2 inconnue X ~ N ( µ, σ2 ) Cas B : test moyenne µ - population gaussienne - variance σ2 inconnue X ~ N ( µ, σ2 ) courbe d’efficacité (caractéristique) du test T : unilatéral courbe d’efficacité (caractéristique) du test T : bilatéral 7 -15 Bernard CLÉMENT, PhD T0 = x − µ0 Contre hypothèse (alternative) 7 -16 Bernard CLÉMENT, PhD MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Cas B : test moyenne µ - population gaussienne - variance σ2 inconnue X ~ N ( µ, σ2 ) Cas C : test d’ajustement à une loi gaussienne BUT : Exemple 2 : étiquette sur un contenant 4 litres de peinture ‘’couvre 325 pi. ca’’ en moyenne dans des conditions normales d’utilisation. Vous testez 6 contenants avec les résultats suivants : 305, 285, 310, 300, 280, 290. H0 : X ~ N ( µ, σ2 ) vs H1 : X ~ loi non gaussienne Statistique W du test de Shapiro-Wilk : x ( i ) ] 2 / [ ∑ ( xi - x ) ] 2 W = [ ∑ an, i a n, i s = 11.83 , coefficients spéciaux ( table non disponible dans le manuel du cours ). La statistique W mesure la corrélation entre la série ordonnée des observations T5 = ( 295 – 325 ) / 11.83 √ 6 = - 6.21 < - t 5 , 0.95 = - 2.015 H0 xn provient d’une Plusieurs tests : Khi2, Kolmogorov-Smirnov ( D ), Lilifors, Shapiro-Wilk. ( W ) ( b ) calculer le nombre d’observations nécessaire pour détecter un écart de moyenne de 10 pi. car. avec un risque de type 2 de 0.10 x = 295 vérifier si une série de données x1 , x2 , x3 , ,,,,, population distribué selon une loi gaussienne. ( a ) Testez H0 : µ = 325 vs H1 : µ < 325 au seuil α = 0.05 Solution : ( a ) n = 6 - procédure de Shapiro-Wilk et les quantiles théoriques d’une loi N( 0,1 ). est rejetée Décision : rejeter H0 si 0.70 ≤ W ≤ 1 W est ‘’petite’’ Mise en oeuvre avec le logiciel Statistica : p-value = P( W < Wcalculée ) ( b ) δ = 10 / 11.83 = 0.84 noté d dans l’annexe L-3 (page 550) Si le p-value est petite (disons inférieure à 0.05 ) on rejette loi gaussienne on obtient une valeur de n = 15 comme modèle acceptable pour les observations. Exemple 3 : OTHM 7.9 – 7.15 p. 237, 243 n = 10 X : 4050 - 4185 - 4080 - 4100 - 4160 - 4230 - 4350 - 4290 - 4320 - 4710 W calculée = 0.85 7 -17 Bernard CLÉMENT, PhD et P ( W ≤ 0.85) = 0.06 = p-value on ne rejette pas la loi gaussienne pour ces données. MTH 2301 Méthodes statistiques en ingénierie W = 0.85 et MTH 2301 Méthodes statistiques en ingénierie P ( W ≤ 0.85) = 0.06 = p-value Cas D : Quantile-Quantile Plot of EX3_Y (ch07.sta 10v*50c) Distribution: Normal EX3_Y = 4247.5+187.1784*x 0.05 0.10 0.25 0.50 test d’égalité X ~ N ( µX, σX2) 0.12 0.10 0.75 0.90 0.95 GAUSS 4700 0.10 σX 0.08 0.06 0.02 0.02 0.00 Observed Value 0.00 4500 σY 0.06 0.04 0.04 4600 -0.02 -0.02 -2 0 2 4 6 8 10 12 µX 14 16 18 20 22 24 26 -2 U 4400 X = ∑ X i / n1 4200 0 2 4 6 8 10 12 µY 14 16 18 20 22 24 U indépendants Y1, Y2, … , Yn2 moyennes Y = ∑ Yi / n2 H 0 : µX = µY 4100 4000 cas 1 : variances connues -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 Cas 2 : variances inconnues 2.0 Tableau page 7- 21 Cas 3 : échantillons appariés Theoretical Quantile 7 -19 Bernard CLÉMENT, PhD échantillons X1, X2, … , Xn1 4300 moyennes Y ~ N ( µY, σY2) 0.12 0.08 4800 de 2 0.14 0.14 GAUSS Exemple 3 : graphique quantile – quantile 3900 -2.0 7 -18 Bernard CLÉMENT, PhD 7 - 20 Bernard CLÉMENT, P h D 26 MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie Cas D : tests d’égalité Hypothèse nulle HN Statistique pour le test H N : µ1 − µ 2 = 0 σ 12 , σ 22 Z0 = connues σ 2 inconnue S 2p = HN : µ1 − µ2 = 0 ≠ H A : µ1 − µ 2 ≠ 0 σ 12 H A : µ1 − µ 2 > 0 + n2 Z 0 > z1 − α 2 Z 0 > z1 − α Z 0 < − z1 − α H A : µ1 − µ 2 < 0 H A : µ1 − µ 2 ≠ 0 T0 > tν , 1 − α informations suivantes : X : n1 = 16 σX = 128 X = 1050 Y : n2 = 9 σY = 81 Y = 970 Intervalle de confiance avec coefficient de confiance 0.95 µX - µY : 1050 – 970 ± 1.96 ( 1282 / 16 + 812 / 9 )0.5 = 80 ± 82.1 = ( - 2.1, 162.9 ) 2 + n1 + n2 − 2 H A : µ1 − µ 2 < 0 T0 < − t n1 + n 2 − 2, 1−α ( x1 − x 2 ) H A : µ1 − µ 2 ≠ 0 (n2 − 1) S22 Question : les ampoules de type X durent - elles ( en moyenne ) plus longtemps que les ampoules de type Y ? Solution avec un test d’hypothèse : bilatéral - variances connues - alpha = 0.05 S12 S2 + 2 n1 n2 T0 > tn1 + n2 − 2, 1−α 2 H A : µ1 − µ 2 > 0 la durée moyenne ampoules type X n’est pas différente de la durée moyenne des ampoules de type Y T0 < − tν , 1 − α H A : µ1 − µ 2 < 0 (a + b) 2 a 2 ( n1 − 1) + b 2 ( n 2 − 1) Z = ( 1050 – 970 ) / ( 1282 / 16 + 812 / 9 )0.5 = 80 / 41.87 =1.91 < 1.96 = z0.975 T0 > tν , 1 − α a = s12 n1 , b = s 22 n 2 ν = pour la différence de vie ( heures ) moyenne de deux types ( X et Y) d’ampoules électriques à l’aide des T0 > t n1 + n 2 − 2, 1 − α T0 = inégales Exemple 4 : calculer un intervalle de confiance avec coefficient de confiance 0.95 Critère de rejet H A : µ1 − µ 2 > 0 (n1 − 1) S12 σ 22 inconnues σ 22 1 1 + n1 n2 SP σ 12 = σ 22 = σ 2 Contre hypothèse ( x1 − x 2 ) T0 = moyennes ( x1 − x 2 ) n1 H N : µ1 − µ 2 = 0 σ 12 de 2 7 - 21 Bernard CLÉMENT, P h D 7 - 22 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie MTH 2301 Méthodes statistiques en ingénierie différence entre 2 moyennes avec variances inconnues égales Exemple 5 : OTHM p. 245, 247 ex.7.19 comparaison de l’épaisseur à heure x et heure y X ~ N ( µX, σ2 ) 0.12 0.10 Y ~ N ( µY, σ2 ) 0.12 0.10 σ Heure y : 12.4-10.9- 10.4- 10.3- 10.6- 9.6- 9.7- 9.6- 9.8- 10.3- 7.7- 12.7- 10.2- 10.2- 8.6- 8.4- 9.5- 7.8 11.5- 10.0- 10.0- 8.4-10.0-11.5-11.4-11.7-10.7-10.8-9.4-10.7 0.08 GAUSS 0.08 0.06 σ Solution : avec Statistica / module Basic Statistics and Tables / T- test independent 0.06 0.04 0.04 12 0.02 0.02 n moy écart type 0.00 0.00 µX -0.02 -2 0 2 4 6 8 10 X1, X2, … , Xn1 12 -0.02 14 16 18 U 20 22 SX2 = ∑ ( Xi – X ) 2 / ( n1 - 1 ) moyennes variances -2 0 2 4 6 8 Sp √ 1/ n1 + 1 / n2 10 12 10 14 16 18 20 22 24 Y1, Y2, … , Yn2 30 8.99 1.18 Y 30 10.16 1.22 8 Y = ∑ Yi / n2 Test T avec variances SY2 = ∑ ( Yi – Y ) 2 / ( n2 - 1 ) ‘ pooled ’ inconnues et égales 6 s p = 1.20 4 T = - 3.77 2 0 7 - 23 ddl=58 p- value = 0.0004 = T ~ Student avec n1 + n2 - 2 ddl égalité moyennes rejetée 5 6 7 8 9 10 11 12 13 14 5 HEURE: x Bernard CLÉMENT, P h D X 26 U [ ( n1 -1 ) SX2 + ( n2 – 1) SY2 ] / ( n1 + n2 -2) ( X - Y ) - ( µX - µY ) Résultat 26 échantillons indépendants X = ∑ Xi / n1 Sp2 = 24 µY No of obs GAUSS Heure x : 10.0-11.2- 8.1- 8.3- 10.8- 10.3- 9.5- 8.2- 10.0- 10.1- 9.2- 8.4- 6.4- 8.3- 8.2- 7.0- 10.8- 7.5 7.4- 9.5- 9.7- 9.4-8.6-10.4-8.3-8.0-8.7-9.6-8.9-8.9 0.14 0.14 7 8 9 10 11 12 13 14 HEURE: y épaisseur Bernard CLÉMENT, P h D 6 7 - 24 MTH 2301 Méthodes statistiques en ingénierie Test d’égalité de 2 MTH 2301 Méthodes statistiques en ingénierie Cas E - test sur une variance H0 : σ2 = σ02 moyennes : échantillons appariés dépendants Contexte : lorsque les 2 séries de mesures proviennent des mêmes unités expérimentales. Par exemple, lorsque que l’on fait une comparaison AVANT-APRÈS : mesures avant sur n unités expérimentales X : x1, x2, …, xn Y : y1, y2, …, yn mesures après sur les mêmes unités expérimentales l’indépendance des 2 échantillons n’est vérifiée car les mêmes unités expérimentales sont utilisées pour faire la comparaison. Le test est basé sur les différences : Di = x i - y i i = 1, 2, …, n Le problème est ramené à un test de la nullité d’une moyenne avec variance inconnue. Remarque: il est important de reconnaître le cas d’échantillons appariés dépendants afin d’exécuter le bon test tel que décrit à la page 7-21 ( observations couplées) Exemple 6 : OTHM ex. 7.26 p. 253 15 composants électroniques sont testés à 2 niveau de température : N et E N : normale ( 20 degrés C) E: élevée ( 100 degrés C) Une mesure de qualité importante Y fut mesurée à ces 2 niveaux de température Composant : 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 N (normale) : 7.6 - 10.2 - 9.5 - 1.3 - 3.0 - 6.3 - 5.3 - 6.2 - 2.2 - 4.8 - 11.3 - 12.1 - 6.9 - 7.6 - 8.4 E (élevée) : 7.3 - 9.1 - 8.4 - 1.5 - 2.7 - 5.8 - 4.9 - 5.3 - 2.0 - 4.2 - 11.0 - 11.0 - 6.1 - 6.7 - 7.5 D = YN – YE : 0.3 1.1 1.1 -0.2 0.3 0.5 0.4 0.9 0.2 0.6 0.3 1.1 0.8 0.9 0.9 Exemple 7 : OTHM ex. 7.36 p. 262 réf. table 2.1 p. 28 n = 75 données de poids test de H1 : σ2 < 0.015 p-value = P ( W ≤ 50.3 ) = 0.016 on rejette H0 si on utilise un risque de type I de 0.05 7 - 25 7 - 26 Bernard CLÉMENT, P h D MTH 2301 Méthodes statistiques en ingénierie Cas F - test d’égalité de 2 variances vs s2 = ( 0.101 )2 = 0.010 W = 74 ( 0.01) /0.015 = 50.3 T = D / (s D/√ 15) = 6.02 > t14, 0.995 = 2.977 test : D = 0.61 s D = 0.39 On rejette l’égalité des 2 moyennes avec risque de type 1 de 0.001 Bernard CLÉMENT, P h D H0 : σ2 = 0.015 donne MTH 2301 Méthodes statistiques en ingénierie H0 : σX2 = σY2 Courbes d’efficacité du test Khi-deux Annexes L-5 /L-6 ----------------------Application : Calcul de n voir aussi : Exemple 8 : courbes d’efficacité OTHM ex. 7.39 p. 264 n1 = 16 s X = 1.93 test unilatéral et F = 1.932 n2 = 10 / s Y = 1.00 du test F 1.00 2 = 3.72 Annexe L-7 p.552 loi de Fisher avec ( 15, 9 ) ddl : F15 ,9, 0.95 = 3.01 Bernard CLÉMENT, P h D 7 - 27 Bernard CLÉMENT, P h D 7 - 28