Vous êtes sur la page 1sur 8

introduction au raisonnement statistique

par J. BONITZER
Ingénieur en Chef
au Laboratoire Central
des Ponts et Chaussées

L'assimilation des mécanismes du raisonne- radioactif comme Co 6 0


, utilisé en nucléodensimé-
ment statistique ne va pas sans difficultés. La t r i e : le n o m b r e d e p h o t o n s y é m i s d a n s u n temps
raison n'en e s t p a s t e l l e m e n t d a n s le n i v e a u des d o n n é est u n e v a r i a b l e a l é a t o i r e régie par u n e loi
connaissances mathématiques requises (qui est de Poisson ; d'où l'intérêt pratique, pour les be-
modeste, au moins pour les a p p l i c a t i o n s couran- soins de la nucléodensimétrie, de connaître le
tes) que dans une complication réelle de ces paramètre X de cette loi. Cependant, dans les
m é c a n i s m e s . C ' e s t p o u r q u o i , il p e u t ê t r e intéres- techniques des Ponts et Chaussées, un cas de
sant d'en démonter les articulations sur des cette espèce sera l'exception.
exemples extrêmement simples.

2. 2 - Supposons que nous ayons à contrôler le


1 - REMARQUE LIMINAIRE
respect d'une spécification de teneur en liant
Ce qu'on manipule en statistiques, ce qu'on moyenne dans une fabrication de matériaux en-
e s t i m e , ce q u ' o n teste, ce sont des lois de proba- robés par un malaxeur continu : les enrobés
b i l i t é (1). viennent, après malaxage, s'accumuler dans
une trémie, qui les déverse par gâchées de
Lorsque la loi de probabilité est représentée l ' o r d r e d ' u n e t o n n e d a n s la b e n n e d u c a m i o n . La
par une densité de probabilité dépendant d'un teneur en liant m o y e n n e peut être d é f i n i e sur une
nombre fini de paramètres, comme c'est le cas gâchée : ce sera le r a p p o r t d u poids de bitume
de la loi n o r m a l e : c o n t e n u d a n s la g â c h é e a u p o i d s t o t a l d e l a gâ-
chée. Cette caractéristique n'a rien de probabi-
liste. Mais, en même temps, elle pose un pro-
_ (x-m) 2

b l è m e d e c o n t r ô l e , c a r il se t r o u v e q u e les t e c h -
1 2 a 2
n i q u e s de c o n t r ô l e n ' o p è r e n t pas sur la t o t a l i t é de
f (x) = — e ( p a r a m è t r e s m e t <r) la g â c h é e , m a i s s e u l e m e n t sur des prises de l'or-
V 2 7T a dre de 1 kg ; non seulement il c o û t e r a i t c h e r de
o u d e l a l o i d e P o i s s o n (2) contrôler 1.000 prises, mais comme en plus le
c o n t r ô l e est d a n s c e c a s d e s t r u c t i f , il p e r d r a i t en
m ê m e t e m p s sa r a i s o n d ' ê t r e . O n v a d o n c prendre
p (n) = e ' j (paramètre ),) seulement un petit nombre de prises, et suppo-
sons même une seule, et mesurer sa t e n e u r en
liant. Ce faisant, on obtiendra un résultat erroné,
Ce qu'on estimera ou testera, ce seront des
différent de la teneur en liant moyenne de la
paramètres caractérisant une loi de probabilité.
La première question à laquelle nous avons à ré-
p o n d r e est d o n c celle-ci :

(1) Nous supposons connues les notions élémentaires de


2 - QUE REPRESENTENT PHYSIQUEMENT LES variable aléatoire (résultat d'une épreuve aléatoire, chiffré
LOIS DE PROBABILITE ET LES PARAMETRES numériquement) de probabilité, de fonction de répartition et
de densité de probabilité, ainsi que celles de moyenne (au
PROBABILITES ? sens probabiliste : espérance mathématique) et de va-
riance.
2. 1 - Il y a e n e f f e t d e s p h é n o m è n e s q u i se p r é -
sentent en quelque sorte spontanément, naturel-
(2) Nous employons le terme de densité de probabilité
l e m e n t , s o u s u n a s p e c t a l é a t o i r e . C ' e s t le c a s par même dans ce cas de loi discontinue, comme la théorie de
exemple pour l'émission de rayons y par un corps la mesure autorise à le faire.

3-1

Bul. Liaison Labo. P. et Ch. n° 9 - Sept.-Oct. 1964 - n° 243


gâchée. Le recours a u x statistiques va permettre, a u lieu d ' u n e prise choisie p a r m i les 1 . 0 0 0 prises
non pas d'annuler l'erreur commise, mais d'en résultant de la d i v i s i o n de la t o t a l i t é de la gâ-
m i n i m i s e r e t d ' e n m e s u r e r les conséquences. c h é e , u n e prise a u h a s a r d à la s u r f a c e d u tas sur
la b e n n e d u c a m i o n , a v e c u n e d e n s i t é d e proba-
Pour pouvoir recourir aux statistiques, la pre-
bilité uniforme sur toute la surface de ce tas.
m i è r e chose à f a i r e est de m é t a m o r p h o s e r la ca-
D a n s c e c a s , le p h é n o m è n e d e s é g r é g a t i o n fausse
ractéristique non probabiliste qu'on doit contrôler l'échantillonnage, et la m o y e n n e probabiliste de
(ici, la t e n e u r en liant moyenne de la gâchée) la t e n e u r en l i a n t d e la prise n'est p l u s é g a l e à
en un paramètre de loi de probabilités qui lui la t e n e u r e n l i a n t m o y e n n e d e la g â c h é e .
soit égal. Supposons par exemple que nous divi-
sons la g â c h é e en 1.000 prises de 1 kg numéro-
3 - ESTIMATION
tées de 1 à 1.000 et que nous disposons d'un
processus aléatoire nous permettant de tirer au Métamorphosée une première fois en para-
sort des nombres allant de 1 à 1.000, chacun mètre probabiliste, notre caractéristique techni-
1 que va subir maintenant, pour sa mesure, une
avec la probabilité Nous pouvons ainsi s e c o n d e m é t a m o r p h o s e , q u i v a la t r a n s f o r m e r en
1.000
une variable aléatoire — c'est-à-dire en un ré-
choisir la prise q u e nous allons analyser, et ce,
sultat de tirage a u sort.
dans des c o n d i t i o n s telles q u e l'espérance mathé-
m a t i q u e de la t e n e u r en l i a n t de la prise (para- 3. 1 - Ce qui autorise cette seconde métamor-
mètre probabiliste) est r i g o u r e u s e m e n t é g a l e à la p h o s e e s t le p h é n o m è n e d e c o n v e r g e n c e e n pro-
teneur en liant moyenne que nous voulons babilité dont l'illustration la p l u s s i m p l e est four-
contrôler. Nous avons transformé cette teneur nie par la loi des g r a n d s nombres de Bernoulli.
m o y e n n e en l i a n t en u n e m o y e n n e a u sens p r o b a -
O n s a i t q u e , si l ' o n f a i t l a m o y e n n e arithmétique
biliste.
X de n variables aléatoires X j obéissant à une

2. 3 - Cette façon d'opérer constitue l'échan- même loi de probabilités de moyenne m et


tillonnage aléatoire (en anglais, random sam- d'écart-type a, o n a :
pling, ou randomisation). \ 1
Prob X - m >t
C o m m e il e s t d i f f i c i l e d e r é a l i s e r à c h a q u e fois
le processus aléatoire qu'implique l'échantillon-
nage aléatoire, o n recourra à des tables de nom- Etant donnés deux nombres arbitrairement
b r e s a u h a s a r d , o ù f i g u r e n t les r é s u l t a t s d ' u n pro- petits, t et r,, nous pouvons choisir t, puis n,
cessus a l é a t o i r e réalisé u n e fois p o u r t o u t e s (par suffisamment grands pour que
exemple [2] table 9).
(
Prob m
2. 4 - Remarque 1

L ' i n t r o d u c t i o n d e s s t a t i s t i q u e s se p r é s e n t e d o n c Autrement dit, la p r o b a b i l i t é pour que X soit


comme une opération artificielle. Le hasard une approximation de m de précision fixée à
q u ' o n f a i t i n t e r v e n i r est d ' o r i g i n e entièrement l'avance, p e u t être rendue aussi voisine de l'unité
e x t é r i e u r e a u p r o b l è m e t r a i t é (les t a b l e s de n o m - que l'on veut : notre variable aléatoire X sera
bres au h a s a r d o n t g é n é r a l e m e n t été dressées à d a n s p r e s q u e t o u s les c a s u n e a p p r o x i m a t i o n de
partir de phénomènes aléatoires relevant de m. On peut donc, avec une grande confiance,
l'électronique). prendre pour mesure approchée de m la valeur
de X observée d'après un échantillon d'effectif n
2. 5 - Remarque 2 tiré a u sort. X sera dit u n e s t i m a t e u r de m . D'une
manière générale un estimateur d'un paramètre
Les c o n s i d é r a t i o n s ci-dessus m o n t r e n t qu'il ne
probabiliste sera u n e v a r i a b l e aléatoire, calculée
faut pas chercher l'origine du hasard dans les
d'après un échantillon, qui converge en probabi-
Modes Opératoires des essais. Ceux-ci laissent
lité vers ce paramètre.
certes la porte ouverte à des erreurs aléatoires,
mais qui seront généralement négligeables de-
vant les f l u c t u a t i o n s d'échantillonnage. 4 - TESTS

2. 6 - Remarque 3 Reprenons notre problème de spécification


d'une fabrication de m a t é r i a u x enrobés, et sup-
Il e s t e x t r ê m e m e n t i m p o r t a n t de ne pas man- p o s o n s , p o u r s i m p l i f i e r , q u e la q u a l i t é d ' u n e gâ-
quer l'opération de métamorphose impliquée chée dépend uniquement de sa teneur en liant
dans l'échantillonnage aléatoire, faute de quoi, moyenne. S o i t 9, la teneur en liant moyenne
o n s ' e x p o s e r a i t à des e r r e u r s g r a v e s . D a n s le c a s réelle d'une certaine gâchée, 6 0 la t e n e u r e n liant
de notre gâchée, supposons que nous prenions, moyenne spécifiée (au Cahier des Prescriptions

3-2
Spéciales, C.P.S.) et S une tolérance : la gâ- toire b i e n f a i t , et o n lui d e m a n d e de procéder à
c h é e est b o n n e si : une analyse c h i m i q u e portant sur u n certain
c o n s t i t u a n t c h i m i q u e C . Si l e c i m e n t A a é t é u t i -
9 0 - 3 < 0 < 6 0 + S
lisé, la t e n e u r m o y e n n e d u b é t o n e n C est
D a n s le c a s c o n t r a i r e , e l l e n ' e s t « p a s b o n n e » 9 0 = 2 , 6 2 ( h y p o t h è s e H ) , t a n d i s q u ' e l l e est
0

( n o u s ne d i s o n s pas e n c o r e « m a u v a i s e », n o u s 8i = 3 , 1 2 ( h y p o t h è s e H i ) si c ' e s t le c i m e n t B
verrons plus loin p o u r q u o i ) . O n peut donc diviser qui a été utilisé. De plus, on suppose savoir
l ' i n t e r v a l l e de v a r i a t i o n possible d e la t e n e u r e n q u e , d a n s les d e u x c a s , l ' é c h a n t i l l o n n a g e a l é a -
liant (soit 0 à 100, c h i f f r é e e n p o u r cent) en toire c o n d u i t à des éprouvettes d o n t la t e n e u r en
deux parties ou « hypothèses » : C est u n e v a r i a b l e n o r m a l e , d ' é c a r t - t y p e a = 0,25
(5) . C e l a é t a n t , n o u s a l l o n s d é t e r m i n e r l e s r é -
H : 0 e -5<
0 o<e + 0 5 gions caractéristiques de m a n i è r e à satisfaire a u x
règles suivantes :
H, : 8 < 6 -S
0 ou 8 > 0 o + 5
4 . 1 . 1 . - a ) Si H est v r a i e , nous voulons
0 que
la p r o b a b i l i t é de c o n c l u r e q u e H i est v r a i e , soit
Hi H 0 Hi
p e t i t e , a u p l u s é g a l e à a . a est d i t r i s q u e d e p r e -
m i è r e e s p è c e d u t e s t . D a n s c e c a s , c o m m e il
serait grave d'accuser de m a l f a ç o n et de sanc-
tionner en conséquence un entrepreneur qui a u -
6 - 3
0 9 0 8 + 5
0

rait bien fait son métier, nous prendrons a très


petit, égal à 0 0 0 1 .
A c h a c u n e de ces hypothèses, nous associons
t

une décision, par exemple : Cette condition peut se t r a d u i r e ainsi : nous


calculons X, moyenne arithmétique des teneurs
H 0 : nous payons l'entrepreneur (décision d )
0

en C des prises de l'échantillon, et nous définis-


Hi : nous prenons les sanctions prévues au sons u n e région de refus Q x (et la r é g i o n d ' a c c e p -
C.P.S. (décision d j . tation Q , complémentaire deQi) telle que, si
0

8 = 8 ,
0 la p r o b a b i l i t é pour que X tombe dans
L e p r o b l è m e d u t e s t est le s u i v a n t : d u f a i t q u e Û i soit égale à a , ce q u e nous écrirons
n o u s n e c o n n a i s s o n s p a s l a v a l e u r e x a c t e d e 9,
(mais seulement une valeur approchée, résultant
P ( X C Ûi | 6 = 6 o ) = a (1)
d'une estimation) et que, par conséquent, nous
ne savons p a s , d ' a p r è s nos essais, q u e l l e est l'hy-
pothèse vraie, c o m m e n t allons-nous prendre no- ou encore P 0 ( X e ) = a
tre décision ?
C e t t e c o n d i t i o n ne p e r m e t pas c e p e n d a n t de
La réponse à ce p r o b l è m e sera de l'espèce sui- d é t e r m i n e r Q e t û j d e f a ç o n u n i q u e . Il f a u t p o u r
0

vante : nous allons choisir u n estimateur 8* de cela considérer la c o n t r e - h y p o t h è s e H i , et la


notre p a r a m è t r e 8 , diviser l'espace de v a r i a t i o n condition suivante :
de cet estimateur en deux régions caractéristi-
4.1.2-b) Parmi toutes les régions caracté-
ques : une région d'acceptation Q et une région 0

ristiques satisfaisant à la condition (1), nous


d e refus Q i (3), et nous p r e n d r o n s la décision d 0

ou d i selon que notre échantillon nous fournira choisirons celles qui minimisent le r i s q u e d e se-
une valeur particulière de 6* située dans fi ou 0
conde espèce P, probabilité pour que X tombe
d a n s Q i. L a t h é o r i e des tests a p o u r o b j e t d ' é l a - dans L>o si () = 0 1 (si H , est v r a i e ) . Nous écri-
b o r e r les r è g l e s d e d é f i n i t i o n d e s r é g i o n s c a r a c - rons cette c o n d i t i o n (avec une notation analogue
téristiques. à c e l l e d e la s e c o n d e é q u a t i o n (1 ) :

4. 1 - N o u s allons d ' a b o r d e x a m i n e r ce p r o - £ = P t ( X c Qo) minimum. (2)


b l è m e d a n s l e c a s le p l u s s i m p l e p o s s i b l e , c e l u i
où l'hypothèse H et la « c o n t r e - h y p o t h è s e » H i
0

sont ponctuelles, c'est-à-dire correspondent cha- (3) La terminologie n'est pas absolument fixée. Le terme
cune à u n e valeur u n i q u e possible d u p a r a m è t r e
de « région caractéristique », qui nous parait commode,
n'est pas courant.
Pour cela, nous allons recourir à un autre exem-
ple concret (4) : n o u s s u p p o s o n s q u ' u n c e r t a i n (4) Les tests d'hypothèses ponctuelles contre des contre-
ouvrage en béton doit être construit avec un ci- hypothèses ponctuelles se présentant très rarement dans la
pratique, nous avons construit cet exemple de toutes piè-
m e n t A , c o n f o r m e a u CPS ; mais certains indices ces.
nous d o n n e n t à penser qu'il a été construit en
(5) Si on ne possédait pas ces renseignements, on pour-
r é a l i t é a v e c u n c i m e n t B. O n e n v o i e a u l a b o r a - rait recourir à d'autres tests, qu'on trouvera dans les ou-
toire n = 4 éprouvettes de béton supposées pré- vrages spécialisés (test de Student, tests non paramétri-
levées a u h a s a r d a u m o y e n d ' u n é c h a n t i l l o n a l é a - ques).

3-3
Il existe un théorème général dû à Neyman a u t r e m e n t d i t , u n e v a r i a b l e n o r m a l e r é d u i t e . En
e t E.S. P e a r s o n q u i p e r m e t d e d é t e r m i n e r les r é - se r e p o r t a n t à u n e t a b l e d e l a f o n c t i o n d e r é p a r -
gions Q 0 etOj optimums. Nous n'en donnerons t i t i o n de la loi n o r m a l e r é d u i t e ( p a r e x e m p l e la
pas ici l ' é n o n c é ; n o u s n o u s b o r n e r o n s à indiquer table 2 - 2 dans [1 ] on trouve :
que, dans le cas présent, n, est de la forme
a-e 0
[X>a]. 3,09

P o u r c a l c u l e r n u m é r i q u e m e n t a e t ¡3, n o u s p r o -
cédons c o m m e suit :
d'où, avec les v a l e u r s numériques du problème,
a = 3,01. On trouve ensuite :
La condition ( 1 ) donne :

P 0 (x> a) = Pc il??) = 0,001 (3) 1 - 3 = P, ( X > a ) =P,

y 7
n V 7
n
X-6,
(c'est maintenant qui est une variable
^ " ^° est une variable normale de moyenne
a
nulle si 8 = 6 0 et d'écart-type unité

^ n
(puisque l'écart-type de X est "7=:), réduite) soit, avec nos valeurs numériques,

V n ß = 0,18.

, 1 - ß = P, (X > a) = 0,95

ic=P (x$a) 0 = 0P01

9i 9 0 a

Fig. 1 - Signification des risques de première et de seconde espèces.

4 . 1 . 3 - A u t r e m e n t d i t , il y a a u m i e u x p r e s q u e (4)
une chance sur cinq de c o m m e t t r e une erreur de
s e c o n d e e s p è c e d a n s le t e s t e n q u e s t i o n . O n p o u r -
ra a c c e p t e r é v e n t u e l l e m e n t ce risque d'après
l'analyse d u contexte d u test (voir plus loin).
M a i s si o n l e j u g e t r o p f o r t , e t s i o n n e v e u t p a s on en déduit (en arrondissant) : n = 6,
a u g m e n t e r a, i l r e s t e l a p o s s i b i l i t é d ' a u g m e n t e r a = 2,95.
n. P a r e x e m p l e , a u l i e u d e se d o n n e r n e t a, o n
p e u t s e d o n n e r a e t ¡3.

Supposons toujours a = 0,001, et maintenant 4.1. 4 - Remarque 1


I - B = 0,95. La s t r u c t u r e d u test est d i s s y m é t r i q u e par rap-
Nous écrirons : (fig. 1) port à H 0 et H x si o n s e f i x e « e t n ; e l l e e s t s y -
a = P o (X > a) = 0,001 m é t r i q u e s i o n s e f i x e a e t ¡3. D a n s l e s c a s d'ap-
plication pratique, il pourra arriver que l'hypo-
thèse et la c o n t r e - h y p o t h è s e jouent en effet un
1 - B = P 1 (X > a) = 0,95
rôle dissymétrique (au point qu'il arrivera qu'on
d'où, après une m a n i p u l a t i o n analogue à celles se désintéresse complètement de connaître (3),
que nous avons déjà faites : o u aussi bien qu'elles j o u e n t u n rôle symétrique.
Dans ce cas, il v a u d r a mieux, si p o s s i b l e , bâtir
^ = 3 ) 090 l e t e s t à p a r t i r d e s r i s q u e s a e t B, q u ' à p a r t i r de
l'effectif d'échantillon.

3-4
Il y a d ' a i l l e u r s des tests (dits s é q u e n t i e l s ) o ù b) B doit être d ' a u t a n t plus petit que ( 1 — -o»)
n e s t u n e v a r i a b l e a l é a t o i r e , d é t e r m i n é e p a r le est plus g r a n d .
d é r o u l e m e n t m ê m e d u test. Ces tests, souvent
c) a doit être d'autant plus petit que C 0 est
très é c o n o m i q u e s , s u p p o s e n t la s y m é t r i e de l'hy-
plus grand.
p o t h è s e et de la c o n t r e - h y p o t h è s e .
d) B doit être d'autant plus petit que d est
plus grand.
4.1. 5 - Remorque 2
e) n doit être d'autant plus grand que C e est
Risque du fournisseur et risque d u client. On plus petit par rapport à C 0 et Ci.
a p p e l l e s o u v e n t B le r i s q u e d u c l i e n t , e t a le ris-
Pratiquement, on verra que l'efficacité margi-
que du fournisseur. Nous avons vu cependant
nale d'une prise s u p p l é m e n t a i r e dans l'échantil-
que, dans le cas étudié, c'est l'Administration,
lon d i m i n u e très v i t e q u a n d n a u g m e n t e , ce qui
c l i e n t , q u i f i x e le r i s q u e d u f o u r n i s s e u r . C ' e s t que
f a i t q u e la m a r g e de c h o i x p o u r n, e t p a r c o n s é -
le f o u r n i s s e u r , d a n s la r é a l i t é , n ' e s t p a s s a n s d é -
q u e n t a e t B, n ' e s t p a s t r è s g r a n d e . O n p r e n d r a
fenses c o n t r e des risques excessifs q u ' o n voudrait
g é n é r a l e m e n t des risques é g a u x à 0 , 0 5 - 0 , 0 2 -
m e t t r e à sa c h a r g e : p a r e x e m p l e , il p o u r r a s'as-
0,01 - 0 , 0 0 5 ou 0 , 0 0 1 , valeurs en f o n c t i o n des-
s u r e r e n m a j o r a n t ses p r i x . L e r i s q u e d u fournis-
q u e l l e s la p l u p a r t des t a b l e s o n t é t é c o n s t r u i t e s ,
seur c o m p o r t e donc aussi des inconvénients (des
e n s'inspirant q u a l i t a t i v e m e n t des critères a) à
coûts) pour le client.
e) c i - d e s s u s .

4.1. 6 - L ' é l i m i n a t i o n d e a e n t r e les é q u a t i o n s 4. 2 - Tests d'hypothèses composites. Courbe


(4) du chapitre 4.1.3, qui sont applicables quel- d'efficacité
les q u e s o i e n t l e s v a l e u r s n u m é r i q u e s d e 9 , 91, 0

U n e h y p o t h è s e c o m p o s i t e est u n e h y p o t h è s e
a et n, m o n t r e q u e , les r i s q u e s é t a n t f i x é s , n est
n o n p o n c t u e l l e . O n d é f i n i r a le r i s q u e d e p r e m i è r e
) , En fait, on ne re- espèce a d ' u n test p o r t a n t sur une hypothèse
8, -e/ 0 c o m p o s i t e H p a r la c o n d i t i o n q u e , q u e l q u e s o i t
0

c o u r r a à d e s t e s t s s t a t i s t i q u e s q u e si a e s t d u 9, é l é m e n t d e H , l a p r o b a b i l i t é p o u r q u e l ' e s t i -
0

m ê m e o r d r e de g r a n d e u r q u e la d i s t a n c e 9 i - G 0 mateur 9* s o i t d a n s l a r é g i o n d e r e f u s û est x

e n t r e l e s d e u x h y p o t h è s e s t e s t é e s . Si a e s t b e a u - i n f é r i e u r e o u é g a l e à a. E n b r e f :
c o u p plus petit, n devient égal à l'unité, et on
r e v i e n t a u c a s d e s m e s u r e s c e r t a i n e s . Si o- e s t Quel que soit 9 e H , P 0 (9* e Qi | e ) < a
sensiblement plus g r a n d , l'effectif d'échantillon fii é t a n t défini et par conséquent son c o m p l é m e n -
d e v i e n t t r è s g r a n d , e t les o p é r a t i o n s m a t é r i e l l e s t a i r e , la r é g i o n d ' a c c e p t a t i o n Q , 0 le r i s q u e d e se-
de mesure vont coûter très cher. M a i s surtout, o n c o n d e espèce est u n e fonction B (9) (9parcou-
risquera, a u cours d'une longue série de mesure,
rant H!) ; en bref :
d e v o i r se p r o d u i r e d e s d é r i v e s s y s t é m a t i q u e s d e s
r é s u l t a t s , q u i f a u s s e r a i e n t le sens d u t e s t . p (9) = P (9* ca 0 I e) ete e H ,
4 . 1 . 7 - D é t e r m i n a t i o n d u niveau des risques
En g é n é r a l , o n c h o i s i r a les r i s q u e s p l u s o u (6) Le traitement de ce problème a déjà fait couler
d'abondants flots d'encre philosophique et fait fleurir les
m o i n s « à v u e d e n e z », e n t e n a n t c o m p t e p l u s
sophismes les plus exubérants. Ce n'est pas ici le lieu de
o u m o i n s c o n s c i e m m e n t de la g r a v i t é des c o n s é - s'y appesantir. Disons simplement, qu'il nous parait évi-
quences d'une erreur de première ou de seconde dent que lorsqu'un ingénieur essaye d'apprécier, d'après
espèce, d u c o û t des essais, et de la p r o b a b i l i t é a tous les éléments objectifs d'information en sa possession,
le caractère plus ou moins vraisemblable d'une malfaçon
priori des hypothèses testées ( e l l e - m ê m e appré-
de la part de tel entrepreneur, dont le chantier s'est
ciée avec plus ou moins de sûreté d'après toutes déroulé dans telles conditions, dans le contexte d'un
'les i n f o r m a t i o n s d i s p o n i b l e s ) . Soit la p r o b a - marché des liants hydrauliques présentant telles caracté-
bilité a priori de H 1 - - » c e l l e d e H , , C , Ci e t
0 i 0
ristiques d'abondance ou de pénurie, il procède à une esti-
mation — imparfaite, non méthodique, mais une estimation
C r e s p e c t i v e m e n t les c o û t s d ' u n e e r r e u r d e p r e -
tout de même — d'une probabilité (celle que nous appe-
e

m i è r e et de d e u x i è m e espèce, et de l'obtention lons t » ).


d ' u n r é s u l t a t d ' e s s a i . O n d o i t m i n i m i s e r le c o û t
Cela signifie aussi que, lorsqu'on est assuré qu'un chan-
global, o u p l u t ô t son espérance mathématique
tier sera suivi en permanence par un personnel qualifié, de
(6): l'entreprise et de l'Administration, ce qui a pour consé-
quence certaine de réduire la probabilité des malfaçons,
Y = -B» a C 0 4 - (1 - •»>) & C i + nc e on peut modifier les risques (dans le sens d'une augmen-
tation du - risque du client », P) ; en termes concrets :
relâcher quelque peu le contrôle.
On verrait aisément que, pour répondre à la
Naturellement, les risques optimums pourront n'être pas
condition de Y m i n i m u m : les mêmes selon qu'ils sont déterminés par le C.P.S. (avant
designation.de l'entrepreneur) ou plus tard, au moment où
a) a doit être d'autant plus petit que te est seront connues les principales dispositions concrètes d'or-
plus grand. ganisation du chantier.

3-5
La courbe donnant B en fonction de 6 dépendant de 8). Nous voulons que le risque de
première espèce soit a = 0,02. Soit X la moyen-
P = B (6)
ne arithmétique des teneurs en liant de l'échan-
est appelée c o u r b e d ' e f f i c a c i t é du test. tillon ; c'est une variable normale de moyenne 6
a
4.2. 1 - Considérons à nouveau notre problème et d écart-type — = r . Nous définissons un inter-
V n
de contrôle de matériaux enrobés du chapitre 4.
Supposons 6 = 6,00,
0 5 = 0,15 et en outre, valle d'acceptation fl = [ o — • a , % + a ] et nous
0 0

que la teneur en liant d'une prise de l'échantillon voulons que, si 8o - 5 < 9 < 9 + S, 0

est une variable normale de moyenne 8 (incon-


nue, à contrôler) et d'écart-type <r = 0,30 (in- P (Xeûo U)>1 -a

Il s u f f i t pour cela que

P (XeQ 0 e -s)=P(Xeü
0 o e +s)=1-a
0

mais P ( x eu, j e -r-s) =


0 P (e<> — a < X < 8 o + a | 8o - j - s )

a4-S . X-(8 +S) 0 . a-B


< . —

v/rT

la variable aléatoire ' étant une normale réduite y s i 9 = 8 + î. 0

On voit aisément que, dans un cas de cette sorte

(5)

y n yn
D'où si a = 0,02, d'après la table ([11,2-2)
a-s = 2,054

. 2,054 x 0,30 , _
d ou a = —• !— 4- 0,15

Si par exemple n = 4, a = 0,46


Dans ce cas, l'équation de la courbe d'efficacité est :

ß (0) = P ( Xeûo |o) =

'o-a-6 ^ X-e , ,+a-e


< — < 5

X-8
étant une variable normale réduite)

Pour déterminer la bronche de la courbe située à droite du point 8 = 8 + 8 , on peut avec 0

une approximation tout à f a i t excellente remplacer l'extrémité gauche de û par ( - co ) d'où 0

P ( O ) = P e
J ^ z ! |e)

3-6
C e t t e q u a n t i t é n'est a u t r e q u e la v a l e u r d e la f o n c t i o n de répartition F (u) de la loi normale
réduite, donné par la table ([l]-2-l) pour

— fto+ -a 6
_ 0.46-e
U _
~~ 0,15

d'où le t a b l e a u suivant (traduit fig. 2 et 3)

Fig. 2
»1 Hi
Hi Ho Ht

e ô 0
+
ea*a Ôo*ô'

e 6,15 6,25 6,35 6,45 6,55 6,65 6,75

u 2,06 1,40 0,73 0,07 - 0,60 -1,27 -1,93

F (u) 0,980 0,919 0,767 0,527 0,274 0,102 0,027

4.2. 2 - On remarquera q u e la p r o b a b i l i t é d'ac- s a t i s f e r o n s à c e t t e c o n d i t i o n si n o u s a v o n s B =


ceptation de l'hypothèse H 0 reste très voisine de 0,02 pour 8 = e 0 + S ', a u t r e m e n t dit
l ' u n i t é l o r s q u e 6 se t r o u v e d a n s Hi, pas t r o p loin
de la limite des d e u x hypothèses. Par exemple, P (X e û 0 6o + S') = B ou encore, selon un
pour 8 = 6 , 2 5 , elle est e n c o r e s u p é r i e u r e à 0,90.
calcul approché analogue à celui du paragraphe
On pourra considérer que les r i s q u e s d'accepta-
4.2.1. y étant une variable normale réduite :
tion restent trop forts pour des enrobés « fran-
chement mauvais ». O n devra alors définir au-
t r e m e n t les r é g i o n s c a r a c t é r i s t i q u e s d u c o n t r ô l e : p ( y < ^ ) = P
on distinguera, outre l'hypothèse H 0 d'enrobé
est bon) et l'hypothèse Hj d'enrobé n'est pas
bon) une hypothèse H'i, i n c l u s e d a n s Hx : l'en- c o n d i t i o n à j o i n d r e à la c o n d i t i o n (5) du chapi-
robé est mauvais. Nous nous poserons comme
tre 4.2.1.
condition de d é p a r t , n o n plus l'effectif d'échan-^
t i l l o n e t l e r i s q u e d e p r e m i è r e e s p è c e a, m a i s le p
( y < 3 : 5
) = 1
- «
r i s q u e a e t l e r i s q u e s y m é t r i q u e f3 ( r i s q u e maxi-
mum d'accepter H 0 si Hj est v r a i e ) . Supposons V^rT
par exemple que nous considérons l'enrobé com-
Avec nos valeurs n u m é r i q u e s , o n trouve
m e m a u v a i s si 8 <8 -S'ou0 8 > 8 0 4- S ', avec
S' = 0,45, et que nous nous fixons un risque a -
= 2,054
£.<0,02 d'accepter H 0 si 8 est d a n s H\. Nous

Fig. 3 - Courbe d'efficacité du contrôle.


a = ^ = 0,30

2S
vTT = 2,054 x -p- = 4,108
S-S
n = 17

On construirait la courbe d'efficacité comme


au paragraphe 4.2.1.

3-7

605 6,15 6,25 6,35 645 6,55 6,65 6,75 0


4. 3 - T e s t s s u r des p a r a m è t r e s autres que des de n o r m a l i t é soit acceptable. Dans tous les cas,
moyennes on peut l'admettre à partir de n = 30.
Les e x e m p l e s q u e nous avons donnés ne con- Il faut être plus prudent dans l'emploi des
c e r n e n t q u e des tests de m o y e n n e s . M a i s o n peut tests qui font intervenir u n e s t i m a t e u r de la v a -
tester n'importe quel autre type de paramètre riance.
probabiliste, par exemple une variance, qui me-
5. 3 - On pourra avoir avantage à tester la for-
surera une dispersion (la métamorphose de la
m e de la loi q u ' o n suppose : on fera par exemple
dispersion physique en variance pose des ques-
le t e s t d e l ' h y p o t h è s e H 0 : la loi est n o r m a l e con-
tions u n p e u plus délicates q u e celle de la m o y e n -
tre la c o n t r e - h y p o t h è s e Hi : elle n'est pas nor-
ne physique en moyenne probabiliste, mais n'en
male. On pourra employer pour cela le célèbre
diffère pas essentiellement : e l l e se f a i t toujours
test d e /- 2
d e K. Pearson. C o m m e on ne sait pas
par un échantillonnage aléatoire) ou encore une
calculer d'une manière générale le r i s q u e d e se-
proportion (de pièces bonnes o u mauvaises, dans
conde espèce de ce test, o n ne pourra conclure
une fabrication d'objets individualisés). On trou-
que de deux façons :
vera un très g r a n d nombre de tels tests décrits
dans [3]. C e n ' e s t p a s n o t r e o b j e t d e les décrire a) H 0 est contradictoire avec le résultat du
ici. test, donc fausse (à u n risque de première espè-
ce c o n n u près).
5 - Remarques sur certaines hypothèses impli-
b) H n ' e s t p a s c o n t r a d i c t o i r e a v e c le résultat
q u é e s d a n s les t e s t s .
0

du test. On peut donc l'admettre comme vraie


5. 1 - Il existe des tests, dits « non-paramétri- j u s q u ' à n o u v e l o r d r e , m a i s il n ' e s t p a s s û r q u e la
ques » qui ne supposent aucune hypothèse sur v r a i e loi ne soit pas u n e loi p l u s o u m o i n s voisine
la forme de la loi de probabilité testée. Mais, de H , 0 qui conduirait, elle aussi, à une probabi-
très souvent, on lui supposera une forme déter- lité voisine de 1 de conclure à l'acceptation de
minée, généralement normale. Que se passe-t-il H . 0

si l ' o n f a i t u n t e s t , (tel q u e c e u x des paragraphes


Cependant, plus l'effectif d'échantillon sera
4.1 e t 4.2.1 ), en supposant normale une loi qui
élevé, plus voisines de H 0 s e r o n t les lois d é t e r m i -
ne l'est pas ? Les régions c a r a c t é r i s t i q u e s restent
nant une probabilité élevée de conclure à l'ac-
ce q u ' e l l e s s o n t , m a i s les p r o b a b i l i t é s d e l'estima-
ceptation de H .
0

teur de s'y trouver ne sont plus celles qu'on a


calculées. A u t r e m e n t dit, on exécute u n test dif- 5. 4 - Certains tests sont construits sur la base
férent du test q u ' o n a conçu, ayant des risques d'une valeur supposée de certains paramètres se-
différents. Etant donné le c a r a c t è r e peu rigou- condaires, qu'on ne cherche pas à tester (par
r e u x des règles d e d é t e r m i n a t i o n des risques op- e x e m p l e c d a n s les t e s t s d é c r i t s a u x paragraphes
timums, cette conséquence n'est pas très grave, 4. 1 e t 4.2. 1 ). Si c e s p a r a m è t r e s n'ont pas la
si l ' o n e s t a s s u r é q u e les r i s q u e s n e c h a n g e n t pas v a l e u r s u p p o s é e , la r e m a r q u e d u p a r a g r a p h e 5.1
d'ordre de grandeur. U n test dont les r i s q u e s ne reste v r a i e : ce sont s i m p l e m e n t les r i s q u e s qui
changent pas beaucoup si les h y p o t h è s e s inclu- sont altérés. On peut, dans ce cas, calculer a
ses dans sa définition ne sont pas exactement priori leur altération en fonction de la valeur
vérifiées sera d i t (d'après la t e r m i n o l o g i e anglo- réelle d u p a r a m è t r e secondaire.
saxonne) « r o b u s t e ». O n p o u r r a i t d i r e p l u s clai-
rement : tolérant. Si l'on n'est pas sûr que les
hypothèses admises quant à la forme des lois
d e p r o b a b i l i t é s s o n t v é r i f i é e s , o n p o u r r a se g a r a n -
tir en diminuant les risques apparents du test.

BIBLIOGRAPHIE
5. 2 - Dans les cas c o u r a n t s , la m o y e n n e arith-
— Centre de formation aux applications industrielles de
métique X d e n v a r i a b l e s a l é a t o i r e s X,; régies la Statistique (Institut de Statistique de l'Université de
par une m ê m e loi d e m o y e n n e m et de variance Paris).
a' e s t r é g i e p a r u n e l o i t e n d a n t v e r s u n e l o i nor-
Tables statistiques :
m a i e , de m o y e n n e m et de v a r i a n c e — - , quand
n [1] Tables des lois fondamentales.
n t e n d v e r s co . I l e n r é s u l t e q u ' u n t e s t f o n d é uni- [2] Tables pour les contrôles de fabrication et de récep-
quement sur l'estimateur X pourra être défini tion.
en considérant comme normale la loi de X dès Il existe dans la même série (non citées ici) des Tables
que n sera assez grand. Si la loi des X | n'est pour les tests fondamentaux dérivées de la loi normale.
elle-même pas trop loin d'une loi normale, il [3] Cavé - Le contrôle statistique des fabrications (2' éd.)
suffira de n = 10 ou 15 pour que l'hypothèse Eyrolles éd.

3-8