Econom´etrie I S5 - Module M3 Parcours :...

Introduction GeneraleLES TESTS Pour 1 PopulationLES TESTS Pour 2 Populations

Econometrie IS5 - Module M3

Parcours : E conomieChapitre 0: Les Tests d’Hypotheses

Driss TOUIAR

Faculte des Sc. Juridiques, Economiques et SocialesDepartement des Sc Economiques et de Gestion- Fes

November 9, 2017

Driss TOUIAR Econometrie I S5 - Module M3 Parcours : E conomie

Table des matieres1 Introduction Generale

Table des matieres1 Introduction Generale2 LES TESTS Pour 1 Population

Tests Relatifs a Une Proportion

Tests Relatifs a Une ProportionTest Unilateral a gauche pour p

Test Unilateral a droite pour la proportion

Test Bilateral pour la proportion

Tests Relatifs a Une Moyenne

Tests Relatifs a Une MoyenneTest Unilateral a droite pour µ

Test Unilateral a gauche pour µ

Test Bilateral pour la moyenne

Tests Relatifs a Une Variance

Tests Relatifs a Une VarianceTest Unilateral a droite pour la variance

Test Unilateral a gauche pour la variance

Test Bilateral pour la variance

3 LES TESTS Pour 2 Populations

3 LES TESTS Pour 2 PopulationsTests de comparaison de 2 Variances

Test bilateral de comparaison de 2 VariancesDriss TOUIAR Econometrie I S5 - Module M3 Parcours : E conomie

Bibliographie I

Pierre-Andre CORNILLON, Arnaud GUYADER,and Francois HUSSON.Statistiques avec R.Paris : PUR cop edition, 2012.

Francois HUSSON, SEBASTIEN LE, andJ PAGES.Analyse de donnees avec R.Paris : PUR cop edition, 2009.

Bibliographie II

Pierre LAFAYE de MICHEAUX, RemyDROUILHET, and Benoit LIQUET.Le logiciel R - Maıtriser le langage - Effectuerdes analyses (bio)Statistiques.Springer-Verlag 2 eme edition, 2014.

Driss TOUIJAR.Statistique Descriptive Cours, Exercices etExamens corriges, avec mise en oeuvre sous R.Octobre 2016.

Avertissement

Ce document est un support de Cours et non pas LeCours.

Par consequent, votre presence aux seances ducours est indispensable pour mieux cerner leprogramme de l’Econometrie...

La naissance de l’econometrie moderne

L’econometrie moderne est nee a la fin desannees 30 et pendant les annees 40.

L’econometrie moderne est nee a la fin desannees 30 et pendant les annees 40.C’est la resultante de trois phenomenes :

le developpement de la theorie de l’inferencestatistique a la fin du XIX eme siecle ;

le developpement de la theorie de l’inferencestatistique a la fin du XIX eme siecle ;la theorie macro-economique et lacomptabilite nationale qui offrent des agregatsobjectivement mesurables ;

le developpement de la theorie de l’inferencestatistique a la fin du XIX eme siecle ;la theorie macro-economique et lacomptabilite nationale qui offrent des agregatsobjectivement mesurables ;Enfin, et surtout , la forte demande de travauxeconometriques(publics, entreprises) :modelisation.

A partir des annees 60, l’informatique va rendrepresque routiniere l’utilisation de l’econometrie.

On peut distinguer deux grandes periodes de larecherche econometrique moderne.

→ annees 70 l’econometrie va etudier laspecification et la solvabilite de modelesmacroeconomiques a equations simultanees.

Puis a la suite de ce que l’on a appele larevolution des anticipations rationnelles et de lacritique de Lucas, la recherche se tourneradavantage vers la microeconomie et l’analysedes series temporelles .

Introduction Generale

L’econometrie c’est la branche des scienceseconomiques qui traite des modeles et des methodesmathematiques appliquees aux grandeurs etvariations economiques.

L’econometrie c’est la branche des scienceseconomiques qui traite des modeles et des methodesmathematiques appliquees aux grandeurs etvariations economiques.Pour analyser, interpreter et prevoir diversphenomenes economiques, on utilise Le calculinfinitesimal, les probabilites, les statistiques et latheorie des jeux ainsi que d’autres domaines desmathematiques.

Exemples

les variations de prix sur le marche;

Exemples

l’evolution des couts de production;

Exemples

le taux de croissance;

Exemples

le taux de croissance;

les variations du taux de change...

Les modeles utilises ne permettent pas de prevoir,au sens strict, l’evolution des phenomeneseconomiques, mais davantage de construire deshypotheses et d’extrapoler des tendances futures apartir d’elements actuels.

Tests Relatifs a Une ProportionTests Relatifs a Une MoyenneTests Relatifs a Une Variance

Introduction

Soit X1,X2, ...,Xn un echantillon aleatoirerelatif a la V.A. parente X de loi L (θ), ouθ ∈ Θ est un parametre reel inconnu.

Introduction

Le semestre precedent, on cherchait a estimerθ. Mais il arrive qu’on ait une idee preconcuesur sa valeur: θ = θ0.

Introduction

Le semestre precedent, on cherchait a estimerθ. Mais il arrive qu’on ait une idee preconcuesur sa valeur: θ = θ0.

On desire alors tester la validite de cettehypothese, en la confrontant a une hypothesealternative.

Introduction

Cette derniere exprime une tendance differente ausujet du parametre.

Introduction

Exemple des Hypotheses

Est-ce que le taux de chomage au Maroc est p0?

Introduction

Est-ce que le taux de chomage au Maroc est p0?

Est-ce que l’esperance de vie au Maroc est m0

?...ou a augmente ?

Methodologie du test d’hypothese

On suppose que Θ est partitionne en Θ0 et Θ1:Θ0 ∪Θ1 = Θ et Θ0 ∩Θ1 = ∅

Exprimons le fait que θ ∈ Θ0 par l’hypotheseH0 et le fait que θ ∈ Θ1 par H1.

Formulation des Hypotheses

H0 : ”θ ∈ Θ0”

H1 : ”θ ∈ Θ1”

H0 : s’appelle l’hypothese nulle.

H1 : s’appelle l’hypothese alternative.

Si Θ0 se reduit au seul point θ0 :Θ0 devient θ0 : Θ0 = {θ0}

Si Θ0 se reduit au seul point θ0 :Θ0 devient θ0 : Θ0 = {θ0}H0 : ”θ = θ0” sera appelee l’hypothese simple.

Soit l’hypothese simple H0 : ”θ = θ0”

Si H1 est telle que H1 : ”θ > θ0” ; alors on dit quele test est unilateral a droite:

T.U.D.

H0 : ”θ = θ0 ”

H1 : ”θ > θ0 ”

Si H1 est telle que H1 : ”θ < θ0” ; alors on dit quele test est unilateral a gauche:

T.U.G.

H0 : ”θ = θ0 ”

H1 : ”θ < θ0 ”

Si H1 est telle que H1 : ”θ 6= θ0” ; alors on dit quele test est Bilateral:

H0 : ”θ = θ0 ”

H1 : ”θ 6= θ0 ”

Regle de decision

DefinitionUn test d’hypothese, est une regle de decisionpermettant, au vu de la realisation (x1, x2, . . . , xn)de l’E.A., de repondre a la question ”dans lequeldes deux sous ensemble se trouve θ ?”

Les Types d’erreurs

Cette regle de decision peut conduire a deuxtypes d’erreurs :

On rejette H0 alors que H0 est vraie:

RH0/H0 vraie

On l’appelle ”erreur de premiere espece”

On rejette H0 alors que H0 est vraie:

RH0/H0 vraie

On l’appelle ”erreur de premiere espece”

On ne rejette pas H0 alors que H1 est vraie:

NRH0/H1 vraie

c’est ”l’erreur de seconde espece”.

Les Types de risques

→ On definit alors la probabilite de commettre l’uneou l’autre erreur:

1 α = P (RH0/H0 vraie) = P0 (RH0)

→ C’est le risque de premiere espece.

Les Types de risques

→ On definit alors la probabilite de commettre l’uneou l’autre erreur:

1 α = P (RH0/H0 vraie) = P0 (RH0)

→ C’est le risque de premiere espece.

2 β = P (NRH0/H1 vraie) = P1 (NRH0)

→ C’est le risque de seconde espece.

La puissance du Test

→ La puissance du Test est definie comme suit :

1 π = 1−β = P (NRH0/H0 vraie) = P1 (NRH0)

La puissance d’un test d’hypothese :

Voici un tableau resumant toutes les situations

❳❳❳❳❳❳❳❳❳❳❳❳

RealiteDecision

RH0 NRH0

H0 est vraie Erreur de 1ereespece

Bonne Deci-sion

H1 est vraie Bonne Deci-sion

Erreur de2eme espece

Procedure a suivre1 definir le parametre θ a tester

Procedure a suivre1 definir le parametre θ a tester2 Formuler les deux hypotheses H0 et H1

3 Preciser le Genre du test

3 Preciser le Genre du test4 Choisir la Statistique du test (bon estimateur

de θ)

de θ)5 Preciser la loi de la statistique sous H0

6 Ecrire la regle de Decision

6 Ecrire la regle de Decision7 Faire l’application numerique et decider

6 Ecrire la regle de Decision7 Faire l’application numerique et decider8 Conclure

Plan1 Introduction Generale2 LES TESTS Pour 1 Population

Procedure a suivre1 parametre θ = p a tester;

Procedure a suivre1 parametre θ = p a tester;2 F.H. ⇒ T.U.G. pour la proportion;

Procedure a suivre1 parametre θ = p a tester;2 F.H. ⇒ T.U.G. pour la proportion;3 F est un bon estimateur de p;

Procedure a suivre1 parametre θ = p a tester;2 F.H. ⇒ T.U.G. pour la proportion;3 F est un bon estimateur de p;4 Si le T.C.L. (n ≥ 30; np0 ≥ 5 et nq0 ≥ 5) est

verifie sous H0 alors :

Z =F − p0

p0 × q0

N (0 ; 1)

Procedure a suivre1 parametre θ = p a tester;2 F.H. ⇒ T.U.G. pour la proportion;3 F est un bon estimateur de p;4 Si le T.C.L. (n ≥ 30; np0 ≥ 5 et nq0 ≥ 5) est

verifie sous H0 alors :

Z =F − p0

p0 × q0

N (0 ; 1)

Test Unilateral a gauche pour p

Formulation des hypotheses

H0 : ”p = p0 ”

H1 : ”p < p0 ”

Regle de Decision

Si f < cα= p0- zα ×

p0 × q0

nOn rejette H0

Si f ≥ cα= p0- zα ×

p0 × q0

nOn ne rejette pas H0

Proof.Debut de la demonstration

Z N (0 ; 1)

Notation

zα est tel que

P(Z > zα) = α

et ou zα = −z1−α

Densite d’une loi

Normale centree

reduite

1− α

1√2π

1 2 3−1−2−3−4

Densite d’une loi

Normale N (p0 ;p0q0

cα p0 R0R0

α = P0(RH0) = P0(F < cα)

= P0(F−p0√p0×q0

<cα−p0√

p0×q0

= P0(Z <cα−p0√

p0×q0

⇒ cα−p0√p0×q0

= -zα ⇒ cα = p0 - zα

p0×q0n

Proof.Fin de la demonstration

Remarque

Les logiciels utilisent souvent le niveau de signification

α0(p�-�v�a�l�u�e ) d’une realisation f de F : c’est le plus

petit α a partir du quel on ne peut plus rejeter H0 :

α0 = P0(F < f )

Application

Supposons que n = 100, p0 = 0.75 et f = 0.65

α0 = P0(F < f )

= P0(Z < − 2.309) = 1%

Le test est donc significatif a 5 %Driss TOUIAR Econometrie I S5 - Module M3 Parcours : E conomie

α0 p�-�v�a�l�u�e Interpretation

α0 < 1% very strong evidence against H0

1% ≤ α0 < 5% moderate evidence against H0

5% ≤ α0 < 10% suggestive evidence against H0

10% ≤ α0 little or no real evidence against H0

Test Unilateral a droite pour p

H0 : ”p = p0 ”

H1 : ”p > p0 ”

Regle de Decision

Si f > cα= p0+ z

α×√

p0 × q0

nOn rejette H0

Si f ≤ cα= p0+ z

α×√

p0 × q0

Densite d’une loi

Normale N (p0 ;p0q0

cαp0 R0R0 F

α = P0(RH0) = P0(F > cα)

= P0(F−p0√p0×q0

>cα−p0√

p0×q0

= P0(Z >cα−p0√

p0×q0

⇒ cα−p0√p0×q0

= +zα ⇒ cα = p0 + zα

p0×q0n

Application

α0 = P0(F > f )

= P0(Z >− 2.309) = 99%

Le test n’est donc pas significatif a 5 %

H0 : ”p = p0 ”

H1 : ”p 6= p0 ”

Regle de Decision

Si f /∈ [c1 , c2] On rejette H0

Si f ∈ [c1 , c2] On ne rejette pas H0

|b|bc1

|b|bc1 c2

|b|bc1 c2p0

|b|bc1 c2p0 R0

|b|bc1 c2p0 R0R0

f ∈ [c1 , c2] ⇔ f ∈ [p0 − c , p0 + c]

|b|bc1 c2p0 R0R0

f ∈ [c1 , c2] ⇔ f ∈ [p0 − c , p0 + c]

⇔ −c ≤ f − p0 ≤ +c ⇔| f − p0 |≤ c

|b|bc1 c2p0 R0R0

f ∈ [c1 , c2] ⇔ f ∈ [p0 − c , p0 + c]

⇔ −c ≤ f − p0 ≤ +c ⇔| f − p0 |≤ c

f /∈ [c1 , c2] ⇔| f − p0 |> c

|b|bc1 c2p0 R0R0

f ∈ [c1 , c2] ⇔ f ∈ [p0 − c , p0 + c]

⇔ −c ≤ f − p0 ≤ +c ⇔| f − p0 |≤ c

f /∈ [c1 , c2] ⇔| f − p0 |> c

α = P0(RH0) = P0(| F − p0 | > c)

|b|bc1 c2p0 R0R0

f ∈ [c1 , c2] ⇔ f ∈ [p0 − c , p0 + c]

⇔ −c ≤ f − p0 ≤ +c ⇔| f − p0 |≤ c

f /∈ [c1 , c2] ⇔| f − p0 |> c

α = P0(RH0) = P0(| F − p0 | > c)

= P0(|F−p0|√

p0×q0

>c√p0×q0

|b|bc1 c2p0 R0R0

f ∈ [c1 , c2] ⇔ f ∈ [p0 − c , p0 + c]

⇔ −c ≤ f − p0 ≤ +c ⇔| f − p0 |≤ c

f /∈ [c1 , c2] ⇔| f − p0 |> c

α = P0(RH0) = P0(| F − p0 | > c)

= P0(|F−p0|√

p0×q0

>c√p0×q0

= P0(| Z | >c√p0×q0

|b|bc1 c2p0 R0R0

f ∈ [c1 , c2] ⇔ f ∈ [p0 − c , p0 + c]

⇔ −c ≤ f − p0 ≤ +c ⇔| f − p0 |≤ c

f /∈ [c1 , c2] ⇔| f − p0 |> c

α = P0(RH0) = P0(| F − p0 | > c)

= P0(|F−p0|√

p0×q0

>c√p0×q0

= P0(| Z | >c√p0×q0

⇒ c√p0×q0

= +zα

2⇒ c = zα

p0 × q0

D’ou

Regle de Decision

Si | f − p0 | > zα

2×√

p0 × q0

nOn rejette H0

Si | f − p0 | ≤ zα

2×√

p0 × q0

Ou encore

Regle de Decision

Si |z | > zα

2On rejette H0

Si |z | ≤ zα

2On ne rejette pas H0

Ou z =f − p0

p0 × q0

nDriss TOUIAR Econometrie I S5 - Module M3 Parcours : E conomie

Application

α0 = P0

F − p0√

p0 × q0

f − p0√

p0 × q0

= 2× P0(Z >| − 2.309|) = 2× 1% = 2%

Le test est donc significatif a 5 %

Rappel sur les lois

X L (µ ; σ2)

σ connu

X Normale

X N (µ ; σ2

n ≥ 30

X ≈ N (µ ; σ2

Rappel sur les lois

X L (µ ; σ2)

σ connu

X Normale

X N (µ ; σ2

n ≥ 30

X ≈ N (µ ; σ2

X Normale

T t(n − 1)

n ≥ 50

X ≈ N (µ ; s2

Ou T =X − µ

Introduction

Est-ce que l’esperance de vie des marocains µ0

a augmente depuis le dernier recensement ?

Introduction

Est-ce que le niveau m0 des etudiants aaugmente ?

Introduction

Est-ce que le niveau m0 des etudiants aaugmente ?

Pour repondre a ces questions, on doit confronter 2hypotheses:

Test Unilateral a droite pour µ

H0 : ”µ = µ0 ”

H1 : ”µ > µ0 ”

On adopte ensuite une Regle de decision basee surla statistique X et qui repondra a la question:

H0 : ”µ = µ0 ”

H1 : ”µ > µ0 ”

a partir de quelle realisation de X decidera-t-on durejet de H0 pour un risque α ?

a) Si σ est connu et (X est normale ou n ≥ 30)

Regle de Decision

Si x > cα = µ0+zα ×σ√n

On rejette H0

Si x ≤ cα = µ0+zα ×σ√n

On ne rejette pas H0

Ou zα est la valeur critique d’ordre α de la N (0 ; 1)

b) Si σ est inconnu et X est normale

Regle de Decision

Si x > cα = µ0+tα,n−1 ×s√n

On rejette H0

Si x ≤ cα = µ0+tα,n−1 ×s√n

Ou tα,n−1 est la valeur critique d’ordre α d’une loide student a n − 1 d .d .l .

c) Si σ est inconnu et n ≥ 50

Regle de Decision

Si x > cα = µ0+zα ×s√n

On rejette H0

Si x ≤ cα = µ0+zα ×s√n

Ou zα est la valeur critique d’ordre α de la N (0 ; 1)

H0 : ”µ = µ0 ”

H1 : ”µ < µ0 ”

H0 : ”µ = µ0 ”

H1 : ”µ < µ0 ”

a partir de quelle realisation de X decidera-t-on durejet de H0 pour un risque α ?

Regle de Decision

Si x < cα = µ0-zα ×σ√n

On rejette H0

Si x ≥ cα = µ0-zα ×σ√n

Ou zα est la valeur critique d’ordre α d’une N (0 ; 1)

Regle de Decision

Si x < cα = µ0-tα,n−1 ×s√n

On rejette H0

Si x ≥ cα = µ0-tα,n−1 ×s√n

Ou tα,n−1 est la valeur critique d’ordre α d’une loide student a n − 1 d .d .l .

Regle de Decision

Si x < cα = µ0-zα ×s√n

On rejette H0

Si x ≤ cα = µ0-zα ×s√n

Ou zα est la valeur critique d’ordre α d’une N (0 ; 1)

Test Bilateral pour µ

H0 : ”µ = µ0 ”

H1 : ”µ 6= µ0 ”

Regle de Decision

Si x /∈ [c1 , c2] On rejette H0

Si x ∈ [c1 , c2] On ne rejette pas H0

|b|bc1

|b|bc1 c2

|b|bc1 c2µ0

|b|bc1 c2µ0 R0

|b|bc1 c2µ0 R0R0

x ∈ [c1 , c2] ⇔ x ∈ [µ0 − c , µ0 + c]

|b|bc1 c2µ0 R0R0

x ∈ [c1 , c2] ⇔ x ∈ [µ0 − c , µ0 + c]

⇔ −c ≤ x − µ0 ≤ +c ⇔| x − µ0 |≤ c

|b|bc1 c2µ0 R0R0

x ∈ [c1 , c2] ⇔ x ∈ [µ0 − c , µ0 + c]

⇔ −c ≤ x − µ0 ≤ +c ⇔| x − µ0 |≤ c

x /∈ [c1 , c2] ⇔| x − µ0 |> c

|b|bc1 c2µ0 R0R0

x ∈ [c1 , c2] ⇔ x ∈ [µ0 − c , µ0 + c]

⇔ −c ≤ x − µ0 ≤ +c ⇔| x − µ0 |≤ c

x /∈ [c1 , c2] ⇔| x − µ0 |> c

α = P0(RH0) = P0(| X − µ0 | > c)

|b|bc1 c2µ0 R0R0

x ∈ [c1 , c2] ⇔ x ∈ [µ0 − c , µ0 + c]

⇔ −c ≤ x − µ0 ≤ +c ⇔| x − µ0 |≤ c

x /∈ [c1 , c2] ⇔| x − µ0 |> c

α = P0(RH0) = P0(| X − µ0 | > c)

= P0(|X−µ0|

σ√n

>cσ√n

|b|bc1 c2µ0 R0R0

x ∈ [c1 , c2] ⇔ x ∈ [µ0 − c , µ0 + c]

⇔ −c ≤ x − µ0 ≤ +c ⇔| x − µ0 |≤ c

x /∈ [c1 , c2] ⇔| x − µ0 |> c

α = P0(RH0) = P0(| X − µ0 | > c)

= P0(|X−µ0|

σ√n

>cσ√n

= P0(| Z | >cσ√n

|b|bc1 c2µ0 R0R0

x ∈ [c1 , c2] ⇔ x ∈ [µ0 − c , µ0 + c]

⇔ −c ≤ x − µ0 ≤ +c ⇔| x − µ0 |≤ c

x /∈ [c1 , c2] ⇔| x − µ0 |> c

α = P0(RH0) = P0(| X − µ0 | > c)

= P0(|X−µ0|

σ√n

>cσ√n

= P0(| Z | >cσ√n

⇒ cσ√n

= +zα

2⇒ c = zα

σ√n

D’oua) Si σ est connu et (X est normale ou n ≥ 30)

Regle de Decision

Si | x − µ0 | > zα

σ√n

On rejette H0

Si | x − µ0 | ≤ zα

σ√n

Ou encorea) Si σ est connu et (X est normale ou n ≥ 30)

Regle de Decision

Si | z | > zα

2On rejette H0

Si | z | ≤ zα

Ou z =x − µ0

σ√n

Regle de Decision

Si | t | > tα2; n−1 On rejette H0

Si | t | ≤ tα2; n−1 On ne rejette pas H0

Ou t =x − µ0

Regle de Decision

Si | z | > zα

2On rejette H0

Si | z | ≤ zα

Ou z =x − µ0

Tests Relatifs a Une Variance

ConditionDans ce paragraphe on supposera toujours lanormalite de la population de moyenne inconnue

Test Unilateral a droite pour la variance

H0 : ”σ2 = σ20 ”

H1 : ”σ2> σ2

On adopte ensuite une Regle de decision basee sur

la statistique Y = (n−1)S 2

Regle de Decision

2 > cα = χn−1; ασ20

(n − 1)On rejette H0

2 ≤ cα = χn−1; ασ20

(n − 1)NRH0

Proof.Determination de cα

Sous H0 Y = (n−1)S 2

χ2n−1

α = P0(S2 > cα) = P0(Y > (n−1)cα

⇒ χn−1;α = cα × (n−1)σ2

⇒ cα = χn−1;α × σ2

(n−1)

(voir illustration graphique)

4 8 12 16χα Y

α1− α

Y χ2(ν)

khi-deux

χα est tel que

P0(Y > χα) = α

H0 : ”σ2 = σ20 ”

H1 : ”σ2< σ2

On adopte ensuite une Regle de decision basee sur

la statistique Y = (n−1)S 2

Regle de Decision

2 < cα = χn−1; 1−α

(n − 1)On rejette H0

2 ≥ cα = χn−1; 1−α

(n − 1)NRH0

H0 : ”σ2 = σ20 ”

H1 : ”σ2 6= σ20 ”

Regle de Decision

2 /∈[

χn−1; 1−α

(n − 1), χn−1; α

(n − 1)

2 ∈[

χn−1; 1−α

(n − 1), χn−1; α

(n − 1)

Tests de comparaison de 2 VariancesTest de comparaison de 2 moyennes

Tests de comparaison de 2 Variances

ConditionDans ce paragraphe on supposera toujours lanormalite des deux populations de moyennesinconnues

Test bilateral de comparaison de 2

Variances

H0 ”σ21 =σ2

H1 ”σ21 6=σ2

Variances

H0 ”σ21 =σ2

H1 ”σ21 6=σ2

H0 ”σ21

H1 ”σ21

6=1”

Variances

La Statistique du test

21 ≥ s

22 alors Rc =

22 ≥ s

21 alors Rc =

Rc est appele Rapport critiqueDriss TOUIAR Econometrie I S5 - Module M3 Parcours : E conomie

Variances

Regle de Decision

Si rc /∈[

F(n1−1,n2−1; 1−α

2);F(n1−1,n2−1); α

Si rc ∈[

F(n1−1,n2−1; 1−α

2);F(n1−1,n2−1; α

Ou F(ν1,ν2; α) est la valeur critique d’ordre α de laloi de Fisher F(ν1 ; ν2)

moyennes

H0 ”µ1 =µ2 ”

H1 ”µ1 6=µ2 ”

moyennes

H0 ”µ1 =µ2 ”

H1 ”µ1 6=µ2 ”

H0 ”µ1 − µ2=0”

H1 ”µ1 − µ2 6=0”

moyennes

a) Si σ1 et σ2 sont connus et (X1 est normale oun1 ≥ 30) et (X2 est normale ou n2 ≥ 30)

Regle de Decision

Si | x1 − x2 | > zα

Si | x1 − x2 | ≤ zα

n2NRH0

Ou z est la valeur critique d’ordre α d’une N (0 ; 1)Driss TOUIAR Econometrie I S5 - Module M3 Parcours : E conomie

Test bilateral de comparaison de 2 µ

b) σ1 et σ2 inconnus mais egales et X1 et X2

normales

Regle de Decision

Si | x1 − x2 | > tα2;n1+n2−2 × s

Si | x1 − x2 | ≤ tα2;n1+n2−2 × s

n2NRH0

Test bilateral de comparaison de 2 µ

b) σ1 et σ2 inconnus mais egales et X1 et X2

normales

Regle de Decision

Si | x1 − x2 | > tα2;n1+n2−2 × s

Si | x1 − x2 | ≤ tα2;n1+n2−2 × s

n2NRH0

2 =(n1 − 1)s21 + (n2 − 1)s22

n1 + n2 − 2Driss TOUIAR Econometrie I S5 - Module M3 Parcours : E conomie

moyennes

c) Si σ1 et σ2 sont inconnus, n1 ≥ 50 et n2 ≥ 50

Regle de Decision

Si | x1 − x2 | > zα

Si | x1 − x2 | ≤ zα

n2NRH0

Ou zα est la valeur critique d’ordre α d’une N (0 ; 1)Driss TOUIAR Econometrie I S5 - Module M3 Parcours : E conomie

Econom´etrie I S5 - Module M3 Parcours :...

Documents

Transcript of Econom´etrie I S5 - Module M3 Parcours :...

COURS DE MECANIQUE ANALYTIQUE 3eme Bac. Sc. Phys. & … · la mecanique sous la forme analytique la plus g´ ´en erale et d’en d´ eduire ensuite les lois de Newton,´ moyennant

Introduction générale et rappelsperrin/... · 2007. 11. 27. · Introduction générale et rappels Après quelques rappels, le cours proprement dit comprendra quatre chapitres

Une description g en erale de la rupture dans les sols et ...

3ème - 2012/2013 - DNB Série gén érale Correction du sujet de polynésie (juin ... · 2013. 6. 23. · 3ème - 2012/2013 - DNB Série gén érale Correction du sujet de

Th eorie Classique des Champs - LKB | Laboratoire … g en erale Ce cours porte, comme son titre l’indique, sur la th eorie classique des champs, c’est a dire essentielle-ment

Introduction G en erale - Gregory Corcosgregory.corcos.free.fr/ECO434/ECO434-Slides-1Intro.pdf · Introduction G en erale Gregory Corcos Isabelle M ejean ECO 434: Economie Internationale

FORMATION WORD 2007 · Cours Access 2007 Cours Access 2010 Cours Windows 7 Cours Windows Vista Cours Publisher 2010 Cours PowerPoint 2007 Cours PowerPoint 2010 Cours Outlook 2007

Programmation Web avec JavaScript - univ-artois.frparis/cours/javascript/slidesJavascriptFr.pdf · Description G en erale JavaScript est un langage de programmation de scripts principalement

L’Universit e tunisienne banalis ee. Mise a niveau lib erale et ...L’Universit e tunisienne banalis ee. Mise a niveau lib erale et d epolitisation Fran˘cois Siino To cite this

Analyse Uni-variée 1 Seule Variablefsjes.usmba.ac.ma/cours/touijar/S5_Organigrammes_Tests... · 2013. 12. 3. · V. continu ou Quali ordinale Ajustement à une loi Test de Kolmogorov-Smirnov

1 : Introduction Systèmes/Services Unix - Cours 1 ... · Plan du cours 1 : Introduction au syst eme UNIX 1 Pr esentation g en erale UNIX 2 Commandes de base 3 Utilisateurs, groupes

Technologie Générale : Support de coursISET Radès cours de technologie générale HAGGEGE, 2003` 1.2 - Les conducteurs métalliques 3 1.2.1 Cuivre et alliages de cuivre 1.2.1.1

Astrophysique et Cosmologiestockage.univ-brest.fr/~scott/GR_2013/GR_lecture_1.pdf · 2013. 2. 11. · Cours 1: Introduction a la relativit e g en erale 1 Astrophysique et Cosmologie

LES TESTS D HYPOTHESE le :Méthodes …fsjes.usmba.ac.ma/cours/touijar/Cours-S5-10-13_TOUIJAR.pdf · Méthodes statistiques B. Grais stat22 Introduction à la statistique J.P Bélisle;J.Desrosiers

La D el egation g en erale - PSL

ARCHIVISTICA GE ERALE I

Laurent Poinsot Plan Chap. 0 : Presentation g´ en´ erale de´poinsot/save/MMI1/... · Chap. 0 : Presentation´ gen´ erale de´ Maple Laurent Poinsot Plan Plan 1 Introduction 2

Physique G´en´erale C Semestre d’automne (11P090) Notes du ...

ECOLE POLYTECHNIQUE FED´ ERALE DE´ LAUSANNEegg.epfl.ch/analyse/CDI.pdf · 2019-09-18 · ECOLE POLYTECHNIQUE FED´ ERALE DE´ LAUSANNE SECTION DE MATHEMATIQUES´ CALCUL DIFFERENTIEL

Introduction à la relativité restreinte et générale ...fabien.besnard.pagesperso-orange.fr/cours/EPF/relativity.pdf · Chapitre 1 La physique en 1905 1.1 Les référentiels