Vous êtes sur la page 1sur 29

ESAA,

Oct. 2018 Techniques


Quantitatives de
Gestion
Calcul de probabilité, Estimation et
tests d’hypothèses

Dr. Sid-Ahmed Mokhtari

ESAA LICENCE 2
Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

Plan du cours
I- Calcul de probabilité ........................................................................................................................ 3
A. Concepts fondamentaux ................................................................................................................. 3
La probabilité conditionnelle .............................................................................................................. 4
Evénements indépendants .................................................................................................................. 4
B. Variable aléatoire, Espérance et Variance .......................................................................................... 6
1. Distribution de probabilité .......................................................................................................... 6
2. Fonction de répartition ............................................................................................................... 7
II- Distributions de probabilité utiles ................................................................................................... 8
1. Distribution de Bernoulli ............................................................................................................. 8
2. Loi binomiale ............................................................................................................................... 9
3. La Loi normale ............................................................................................................................. 9
4. La distribution de Khi-deux ....................................................................................................... 11
5. La distribution de Student ......................................................................................................... 12
III- Estimation ponctuelle ...................................................................................................................... 12
1. Estimation de la moyenne de la population ........................................................................... 13
2. Estimation de l’écart-type de la population ........................................................................... 13
III- Estimation par intervalle ............................................................................................................... 13
1- Intervalle de confiance pour la moyenne ................................................................................... 13
A. Cas des grands échantillons 𝑵 ≥ 𝟑𝟎 ..................................................................................... 15
B. Cas des petits échantillons 𝑵 < 30 et 𝛔 inconnu .................................................................. 16
IV- Tests d’hypothèses .......................................................................................................................... 17
1. Principe ...................................................................................................................................... 17
2. Probabilités d’erreur et hypothèses .......................................................................................... 18
3. Tests bilatéral et unilatéral ........................................................................................................ 19
a. Test d’hypothèse pour la moyenne ........................................................................................... 20
a. Cas d’une distribution normale avec 𝛔 connu ....................................................................... 20
b. Cas d’une distribution normale avec 𝛔 inconnu .................................................................... 21
c. Les observations de la population ne suivent pas une loi normale ........................................ 21
VI- Le test d’indépendance Du Khi-Deux (𝛘²) ........................................................................................ 24
1. Effectifs observés et effectifs théoriques calculés .................................................................... 24
Définition : ..................................................................................................................................... 24

Degré de liberté d’un tableau de contingence :.............................................................................. 25

2

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

2. Le test d’indépendance de Khi-deux ......................................................................................... 25

4. Test de khi-deux sur Excel ......................................................................................................... 26


ANNEXE 1 : La table de la loi Normale centrée réduite ......................................................................... 27
ANNEXE 2 : La table de la loi de STUDENT ............................................................................................ 28
ANNEXE 3 : La table de la loi de KHI- DEUX ........................................................................................... 29


I- Calcul de probabilité

A. Concepts fondamentaux

La théorie des probabilités a pour objet l’étude des phénomènes aléatoires. le concept
« d’expérience aléatoire » concerne l’ensemble des résultats possibles de cette expérience
que l’on appelle « l’ensemble fondamental », noté habituellement Ω.

Exemple

• On lance une pièce de monnaie à Ω = {pile, face}


• On lance un dé équilibré à Ω = {1,2, 3, 4, 5, 6}

Définition :

Soit, l’ensemble des événements construit à partir de Ω, on appelle mesure de probabilité


une fonction P qui à tout événement A fait correspondre un nombre P(A) entre 0 et 1 que
l’on appellera la probabilité de l’événement E définie telle que :


•pour toute union finie ou dénombrable d’événements incompatibles (A et B sont
incompatibles si leur intersection est nulle).
Exemple
On jette 3 pièces de monnaie et on observe le nombre de « face » obtenu.
• Les résultats sont : {PPP, PPF, PFF, FFF, FPP, FFP, FPF, PFP}
• Ω = {0, 1, 2, 3} avec Pr(0) = (½)3 = 1/8 , Pr (1) = 3/8 , Pr (2) = 3/8, Pr (3) = 1/8
On vérifie que : Pr(0) + Pr(1) + Pr(2) +Pr(3) = 1.
• Soit A = {Avoir au moins une fois « face »} à Pr(A) = Pr(1)+Pr(2) +Pr(3) = 7/8
Propriétés élémentaires

3

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

La probabilité conditionnelle
Soient deux événements A et B. On défini la probabilité de l’événement A sachant la
réalisation de l’événement B par :

Evénements indépendants
Soient deux événements A et B. On dit que les événements A et B sont indépendants si :

Exemple 1

On jette une paire de dés bien équilibrés, sachant que la somme = 6, calculer la probabilité
pour que l’un des dés ait donné un « 2 » ?

Solution :

• Soit E = {la somme = 6} = {(1,5);(2,4);(3,3);(4,2);(5,1)}


• Soit A = {Au moins un des dés donne « 2 »} = {(2,1)(2,2)(2,3)(2,4)(2,5)(2,6)(1,2)(3,2)(4,2)(5,2)(6,2)}

Calculons Pr (A/E) ?

A ∩ E = {(2,4) ;(4,2)} ce qui donne Pr(A) = 11/36 et Pr(A/E) = 2/5

Exemple 2

Un lot contient 12 articles dont 4 sont défectueux. On tire au hasard 3 articles du lot l’un
après l’autre. Quelle est la probabilité pour que les trois (3) articles ne soient pas
défectueux ?

Solution


Exemple 3

Deux chasseurs A et B tirent sur la même cible. La probabilité que le chasseur A atteint la
cible est 1/4. La probabilité que le chasseur B atteint la cible est 2/5. Quelle est la
probabilité que la cible soit atteinte sachant que A et B tirent chacun sur la cible ?

Solution

• Pr (A) = 1/4 et Pr(B) = 2/5


• On remarque que A et B sont indépendants, ie

4

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

On cherche :


Cette probabilité vaut : 1/4 +2/5 – (1/4)(2/5) = 11/20

Exemple 4

Considérons trois boîtes telles que :

§ La boîte I contient 10 ampoules dont 4 défectueux ?


§ La boîte II contient 6 ampoules dont 1 défectueux ?
§ La boîte III contient 8 ampoules dont 3 défectueux ?

On choisi une boîte au hasard et on extrait une ampoule au hasard. Quelle est la
probabilité que cette ampoule soit défectueuse ?

Solution

L’arbre de probabilité est tel que :


§ Soit D = {ampoule défectueuse}
§ Pr (D) = Pr(D et I) + Pr (D et II) + Pr(D et III)
§ Pr(D) = (1/3)(2/5) + (1/3)(1/6)+(1/3)(3/8)
§ Pr (D) = 113/360 = 31, 4%

Théorème de Bayes:
Soient deux évènements A et B avec P(B) ≠ 0, alors :


Exemple
On considère une usine où trois machines fabriquent un même modèle de pièce. 40 % des
pièces sont fabriquées par la machine A, qui produit 0,1 % de pièces défectueuses ; 30 %
des pièces sont fabriquées par la machine B, plus ancienne, qui produit 0,3 % de pièces
défectueuses ; 30 % des pièces sont fabriquées par la machine C, encore plus ancienne,
qui produit 0,8 % de pièces défectueuses. On demande la probabilité conditionnelle
qu’une pièce ait été fabriquée par la machine C, sachant qu’elle est défectueuse.

5

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

Appelons A l’évènement « une pièce prise au hasard a été fabriquée par la machine A », B
et C les évènements analogues pour les machines B et C. Appelons D l’évènement « une
pièce prise au hasard est défectueuse ».

Solution

B. Variable aléatoire, Espérance et Variance


On parle de variable aléatoire (abréviation : v. a) lorsque les résultats sont numériques,


c’est-à-dire qu’ils font partie des nombres réels. Dans l’expression 𝑷𝒓(𝑿 = 𝒂), 𝑋 est la
v.a et a est la réalisation.

1. Distribution de probabilité
Soit Ω un ensemble fondamental fini et X une v.a définie sur Ω telle que :

On défini la probabilité P telle que :


Définition : Une distribution de probabilité (ou loi de probabilité) est un ensemble de
situations que prend la v.a X assorties de probabilité de réalisation. Elle est illustrée soit
par un tableau :



Variables aléatoires discrète ou continue

On distingue usuellement :

a. Les variables aléatoires discrètes pour lesquelles l’ensemble Ω est un ensemble


discret de valeurs numériques
b. les variables aléatoires continues pour lesquelles l’ensemble Ω est un intervalle
de ℝ ou ℝ tout entier.

6

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

2. Fonction de répartition
On appelle « Fonction de répartition d’une variable aléatoire X » l’application F telle
que :
𝑭 ∶ ℝ ⟶ 𝟎, 𝟏
𝑥 ⟶ 𝐹 𝑥 𝑎𝑣𝑒𝑐 ∶
𝑭(𝒙) = 𝑷(𝑿 < 𝑥)
§ Fonction de répartition dans le cas de v.a discrète :

On définit la probabilité attachée en un point 𝒙 du domaine de définition de la variable


aléatoire 𝑿 discrète par : 𝑷(𝑿 = 𝒙). La fonction de répartition est donnée par :


§ Fonction de répartition dans le cas de v.a continue :

Espérance Mathématique

On défini l’opérateur espérance mathématique sur la v.a 𝑋, noté 𝑬(𝑿) par :


Exemple : On jette une paire de dés. On défini la v. a 𝑿 = 𝒎𝒂𝒙 (𝒂, 𝒃). 𝑋 = {1,2,3,4,5,6}
et la loi de probabilité de X est donnée par :
X 1 2 3 4 5 6

𝑷(𝑿 = 𝒙𝒊) 1/36 3/36 5/36 7/36 9/36 11/36



E(X) = å xi pi = 161
/ 36 = 4,47
Propriété de l’espérance :

1. Si 𝒌 est un scalaire : 𝑬(𝒌) = 𝒌 et 𝑬(𝒌𝑿 ) = 𝒌𝑬(𝑿)

7

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

2. Pour les deux v.a X et Y on a toujours : 𝑬(𝑿 + 𝒀) = 𝑬(𝑿) + 𝑬(𝒀)


3. Si X et Y sont indépendants : 𝑬(𝑿 + 𝒀) = 𝑬(𝑿). 𝑬(𝒀)

La Variance

§ Cas de v.a discrète :


§ Cas de v.a continue :


§ Propriété de la variance :
1. Si 𝒌 est un scalaire : 𝑽𝒂𝒓(𝒌) = 𝟎 𝑒𝑡 𝑽𝒂𝒓(𝒌 . 𝑿 ) = 𝒌². 𝑽𝒂𝒓(𝑿)
2. Si 𝑿 et 𝒀 sont indépendants alors : 𝑽𝒂𝒓(𝑿 + 𝒀) = 𝑽𝒂𝒓(𝑿) + 𝑽𝒂𝒓(𝒀)

La Covariance

Soient X et Y deux v.a. On défini la covariance entre X et Y par :

𝐶𝑜𝑣 𝑋” , 𝑌– = 𝑝” 𝑝– 𝑥” − 𝐸 𝑋 𝑦– − 𝐸 𝑌
” –


Propriété de la Covariance

1. Pour les scalaires a, b, c, d alors 𝑪𝒐𝒗 (𝒂𝑿 + 𝒃 ; 𝒄𝒀 + 𝒅) = 𝒂𝒄 𝑪𝒐𝒗(𝑿; 𝒀)


2. Soient X et Y deux v.a alors : 𝑪𝒐𝒗(𝑿, 𝒀) = 𝑪𝒐𝒗(𝒀, 𝑿)
3. Si X et Y sont indépendants alors : 𝑪𝒐𝒗(𝑿, 𝒀) = 𝟎

II- Distributions de probabilité utiles


1. Distribution de Bernoulli
Considérons une expérience aléatoire dont le résultat n’a que deux issues : « succès »
avec probabilité 𝒑, « échec » avec probabilité 𝟏 − 𝒑.

La v.a X = 1 si succès et X = 0 si échec de sorte que : "x Î {0,1} Pr ( X = x ) = p x (1 - p )


1- x

Il est facile de vérifier que : 𝑬(𝑿) = 𝒑 et 𝑽𝒂𝒓 (𝑿) = 𝒑(𝟏 − 𝒑)

8

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

2. Loi binomiale
On réalise 𝒏 fois successivement et d’une manière indépendante l’épreuve de Bernoulli.
On s’intéresse au nombre de « succès » obtenus.
𝒏
Si 𝑋𝑖 suit la loi de Bernouilli, alors 𝑿 = 𝒊£𝟏 𝑿𝒊 suit la loi Binomiale

Pr ( X = k ) = Cnk p k (1 - p )
n-k
k = 1,2,..., n
E ( X ) = np et Var ( X ) = np (1 - p )
n!
Avec Cnk =
k!(n - k )!
Exemple

On jette 6 fois une pièce de monnaie avec : face = succès et pile = échec. Calculer la
probabilité qu’il ait 2 faces : 𝑿 ↝ 𝑩 (𝒏 = 𝟔, 𝒑 = 𝟏/𝟐) . On doit calculer
2 4
2æ 1 ö æ 1 ö
Pr ( X = 2 ) = C 6ç ÷ ç ÷
è2ø è2ø
Calculer la probabilité d’obtenir au moins 4 faces (𝑘 = 4, 5, 6) :
k 6-k

6
æ1ö æ1ö
Pr ( X ³ 4 ) = å C6k ç ÷ ç ÷ = 11 / 32
k =4 è2ø è2ø
Propriété :

Exemple 2

La probabilité pour qu’un tireur atteigne la cible est 0,25. En supposant qu’il tire 7 fois,
quelle est la probabilité pour qu’il atteigne la cible au moins 2 fois ?

Combien de fois doit-il tirer pour que la probabilité d’atteindre la cible au moins une fois
soit plus grande que 2/3 ?
0 7 1 6
æ1ö æ3ö 1æ 1 ö æ3ö
Solution : 1. Pr ( X ³ 2) = 1 - Pr ( X < 2) = 1 - C70 ç ÷ ç ÷ - C7 ç ÷ ç ÷
è4ø è4ø è4ø è4ø

= 1 - 0,4449 = 0,55
2. Pr ( X ³ 1) > 2 / 3 Û 1 - Pr ( X < 1) > 2 / 3

Û Pr ( X < 1) = Pr ( X = 0) < 1 / 3
Û Cn0 (1 4) (3 4) < 1 / 3 Û n = 4
0 n

3. La Loi normale
La loi normale est la loi statistique la plus répandue et la plus utile. Les autres lois
statistiques peuvent être approchées par la loi normale, tout spécialement dans le cas des
grands échantillons.

9

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018


— 50 % des individus en dessous de la moyenne µ et 50 % au-dessus (la loi normale est symétrique)

§ La loi normale centrée réduite

Pour calculer les probabilités associées à la loi normale, on utilise généralement la loi
normale centrée réduite : c’est une loi normale pour laquelle µ = 0 et s = 1.

X -µ
Si X ® N (µ , s ) alors t = ® N (0,1)
— Exemples :
s

10

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

A. Le poids des tomates produites par un jardinier obéit à une loi normale de moyenne 200
g et d'écart type 40 g. Calculez la probabilité que le poids d'une tomate excède 250 g.

𝑃𝑟[ 𝑋 > 250] = 𝑃𝑟[𝑡 > (250 − 200)/40] = 𝑃𝑟[𝑡 > 1,25] = 0,106 = 10,6%

B. Calculez la probabilité que le poids d'une tomate soit inférieur à 100 g (0,6%)
C. Calculez la probabilité que le poids d'une tomate soit inférieur à 230 g.(77,3%)

4. La distribution de Khi-deux
La loi de khi 2 notée 𝜒 ¯ finalisée par Karl Pearson au début du XXème siècle est une loi de probabilité
continue représentant la distribution de la somme des carrés de n variables aléatoires indépendantes,
chacune étant normale centrée réduite. Cette somme est appelée variable du 𝜒 ¯ à 𝑛 degrés de liberté ;
on note 𝜈 le degré de liberté1 (ddl). Les valeurs de 𝜒 ¯ dépendent du degré de liberté 𝜈 et du seuil de
¯
signification 𝛼. Elles sont notées 𝜒 ³,´ et sont tabulées sur la table du 𝜒 ¯ avec :
𝑷𝒓 𝝌𝟐 > 𝝌𝟐𝜶,𝝂 = 𝜶


Lecture de la table de Khi-deux

Prenons un exemple : pour un seuil de signification de 5 % (seuil de confiance) et un ddl ν = 1, on trouve :


𝜒 ¯´£¹,¹º;³£» = 3,84; pour un seuil de signification de 1 % et un ddl de 1, 𝜒 ¯´£¹,¹»;³£» = 6,63.
Pour un ddl de 1, il y a une chance sur 100 pour que la variable aléatoire du 𝜒 ¯ à 1 degré de liberté
dépasse 6,63.

Autre démarche

On peut, à partir du khi-deux calculé et du ddl, déterminer le degré de signification correspondant. Par
exemple, pour un khi-deux calculé de 2,8 et un ddl de 1, le degré de signification est de 9,43 % (ce degré de
signification peut être déterminé en utilisant Excel) ; si le seuil de 5 % a été assigné au test, alors on ne pourra
pas rejeter l’hypothèse nulle, car notre seuil de signification est supérieur à 5 %.


1
Où ν représente le nombre de variables aléatoires indépendantes et normalement distribuées Z qui
interviennent dans la définition de X.

11

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

Utilité de la distribution de Khi-deux


La distribution de probabilité de Khi-deux est indispensable pour :

i. Vérifier et tester si deux variables qualitatives sont indépendantes (test de khi 2).
ii. Tester l’ajustement d’une distribution de probabilité empirique par une distribution
théorique.

5. La distribution de Student
La loi de Student est une loi de probabilité, faisant intervenir le quotient entre une variable
suivant une loi normale centrée réduite et la racine carrée d'une variable distribuée suivant la loi
du χ².
Soit Z une variable aléatoire de loi normale centrée et réduite et soit U une variable
indépendante de Z et distribuée suivant la loi du χ² à k degrés de liberté. Par définition la
variable
𝑍
𝑇= ↝ 𝑆𝑡𝑢𝑑𝑒𝑛𝑡 à 𝜈 𝑑𝑑𝑙
𝑈 𝜈
La densité de 𝑇 notée 𝑓Å 𝑡 est donnée par :
𝜈+1 È
³É»
2 𝑡¯ 1 Γ ¯
𝑓Å 𝑡 = 1+
𝜈𝜋 Γ 𝜈 𝜈
2
Pour ν > 0, où Γ est la fonction Gamma d'Euler2. La densité associée à la variable est
symétrique, centrée sur 0, en forme de cloche.
§ Son espérance est nulle pour 𝜈 > 1, et ne peut pas être définie pour 𝜈 = 1.
³
§ Sa variance est infinie pour 𝜈 ≤ 2 et vaut pour 𝜈 > 2.
³È¯

III- Estimation ponctuelle


L’estimation est le processus inverse de l’échantillonnage car partant d’un échantillon prélevé
on essayera de se donner une idée (estimation) des paramètres de la population tels que la
moyenne µ et l’écart-type σ qui sont inconnus.


2
Pour tout nombre z, on définit la fonction suivante, appelée fonction gamma, et notée par la lettre grecque Γ :
ÉÎ
Γ 𝑧 = ¹ 𝑡 ÍÈ» 𝑒 ÈÏ 𝑑𝑡

12

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

1. Estimation de la moyenne de la population


La moyenne inconnue µ de la population est estimée par la moyenne de la distribution
d’échantillonnage des moyennes X car :
𝑋” 𝑁𝜇
𝑋=𝐸 𝑋 =𝐸 = =𝜇
𝑁 𝑁
On dira que 𝑋 est un bon estimateur de µ ou encore un estimateur sans biais de µ.

2. Estimation de l’écart-type de la population


L’écart-type de la population σ peut être estimé par l’écart-type de l’échantillon 𝑠 =
Ö Õ
Ô×Ø ÓÔ ÈÓ
sauf que ce dernier n’est pas un bon estimateur.
Ù

Un bon estimateur de l’écart-type de la population σ est :


Ù ¯
Ú£» XÚ − X N
𝑠= =s
N−1 N−1
III- Estimation par intervalle de confiance

Lorsque nous procédons à une estimation, il est plus pertinent de fournir un intervalle 𝑎 < 𝜇 <
𝑏 plutôt que simplement une estimation ponctuelle, c'est-à-dire d'écrire uniquement µ = 𝑐. Un
tel intervalle]a,b[ s'appelle une estimation par intervalle de confiance du paramètre 𝜇.

1- Intervalle de confiance pour la moyenne

On veut estimer la moyenne de la population µ inconnue à l’aide d’un intervalle de confiance.


Ceci revient à définir a et b tels que a ≤ µ ≤ b avec un niveau de confiance 1 − 𝛼 :
𝑃𝑟 a ≤ µ ≤ b = 1 − 𝛼

1- 1- Les observations de la population suivent une loi normale


Le but est toujours de trouver un intervalle de confiance pour la moyenne 𝜇 avec dans ce cas
les variables de la population 𝑋” ↝ 𝑁 𝜇, 𝜎 .

A. Cas où l’écart type de la population 𝝈 est connu


à
La distribution de probabilité de la moyenne de l’échantillon est : 𝑋 ↝ 𝑁 𝜇, . On passant
á
âÈã
par la loi normale centrée réduite, la variable 𝑡 = ä ↝ 𝑁 0, 1 . Ceci nous permet d’écrire
å

𝑃𝑟 −𝑡´/¯ ≤ 𝑡 ≤ 𝑡´/¯ = 1 − 𝛼

𝑋−𝜇
⇔ 𝑃𝑟 −𝑡´/¯ ≤ 𝜎 ≤ 𝑡´/¯ =1−𝛼
𝑁
𝜎 𝜎
⇔ 𝑃𝑟 −𝑡´/¯ ≤ 𝑋 − 𝜇 ≤ 𝑡´/¯ =1−𝛼
𝑁 𝑁
𝜎 𝜎
⇔ 𝑃𝑟 −𝑋 − 𝑡´/¯ ≤ −𝜇 ≤ −𝑋 + 𝑡´/¯ =1−𝛼
𝑁 𝑁

13

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

𝜎 𝜎
⇔ 𝑃𝑟 𝑋 − 𝑡´/¯ =1−𝛼 ≤ 𝜇 ≤ 𝑋 + 𝑡´/¯
𝑁 𝑁
Donc l’intervalle de confiance pour la moyenne de la population µ au seuil de confiance 1 − 𝛼
est :
𝜎 𝜎
𝐼𝐶 = 𝑋 − 𝑡´/¯ ; 𝑋 + 𝑡´/¯
𝑁 𝑁
Prenons le cas où 𝛼 = 5% et 𝑡´/¯ = 𝑡¯,º% = 1,96. L’intervalle de confiance au seuil de 95%
3

à à
est donné par 𝐼𝐶èº% = 𝑋” − 1,96 ; 𝑋” + 1,96
á á

Exemple :

Considérons la longueur en cm d’une population d’élèves qui suit une loi normale 𝑁 𝜇, 𝜎 =
6 𝑐𝑚 . On prélève un échantillon N = 40 dont la moyenne est 𝑋 = 156 cm. Donner un IC pour
𝜇 au niveau de confiance de 95%.

Solution :

Un intervalle de confiance IC pour la moyenne de la population µ est donné par :


𝜎 𝜎
𝑃𝑟 𝑋 − 𝑡´ ≤ 𝜇 ≤ 𝑋 + 𝑡´ = 1 − 𝛼
¯ 𝑁 ¯ 𝑁
6 6
𝑃𝑟 156 − 1,96 ≤ 𝜇 ≤ 156 + 1,96 = 0,95
40 40
𝑃𝑟 156 − 1,8594 ≤ 𝜇 ≤ 156 + 1,8594 = 0,95
𝑃𝑟 154,14 ≤ 𝜇 ≤ 157,86 = 0,95
𝐼𝐶 = 156 ∓ 1,8594 = 154,14 ; 157,86

§ Caractéristiques d’un intervalle de confiance


à
1. La longueur de l’IC est égale à 2×𝑡´/¯
á
à
2. Le terme 𝑡´/¯ s’appelle la marge d’erreur d’estimation,
á
3. Quel est la taille minimale d’échantillon 𝑁 permettant d’avoir une marge d’erreur ne
dépassant une valeur 𝑒 donnée :
¯
𝜎 𝜎
𝑡´/¯ ≤ 𝑒 ⇔ 𝑁 ≥ 𝑡´/¯
𝑁 𝑒
Exemple :


3
α est appelé aussi « seuil de risque »

14

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

Considérons la longueur en cm d’une population d’élèves qui suit une loi normale 𝑁 𝜇, 𝜎 =
6 𝑐𝑚 . Quelle est la taille d’échantillon N qu’il faut prélever pour que l’IC de µ au niveau
de confiance 95% produit une marge d’erreur maximale de 𝑒 = 1 𝑐𝑚.
¯
6
𝑁 ≥ 1,96 = 138,3 ⇒ 𝑵 = 𝟏𝟑𝟗
1
B. Cas où l’écart type de la population 𝛔 est inconnu
L’écart-type de la population σ est estimé par l’écart-type corrigé de l’échantillon 𝑠=
Ö Õ
ÓÔ ÈÓ ï âð Èã
Ô×Ø
. Dans ces conditions 𝑋 ↝ 𝑁 𝜇, et la variable 𝑡 = ä ↝ 𝑁 0, 1 . Ceci nous
ÙÈ» á
å

permet d’écrire
𝑃𝑟 −𝑡´/¯ ≤ 𝑡 ≤ 𝑡´/¯ = 1 − 𝛼
Au seuil de confiance de 1 − 𝛼 , l’intervalle de confiance est donné par

𝑠 𝑠
𝐼𝐶 = 𝑋 − 𝑡´/¯ ; 𝑋 + 𝑡´/¯
𝑁 𝑁

Exemple

On s’intéresse à l’âge d’une population. Un échantillon de taille 410 est prélevé avec 𝑋=
38,1 et 𝑠 = 6,2. Donner un intervalle de confiance à 95% pour la moyenne des âges de cette
population ?

Solution
á ñ»¹
Calculons l’écart-type 𝑠 = 𝑠 = 6,2 = 6,20757
áÈ» ñ»¹È»
6,20757 6,20757
𝐼𝐶 = 38,1 − 1,96 ; 38,1 + 1,96
410 410
𝐼𝐶 = 37,5 ; 38,7
Les paramètres 𝑡´/¯ de la loi normale centrée réduite les plus utilisés en pratiques sont :

Seuil de confiance 1 − 𝛼 99% 98% 95% 90% 80%


𝑡´/¯ 2,58 2,33 1,96 1,64 1,28

1- 2- Cas où les observations de la population ne suivent pas une loi normale

A. Cas des grands échantillons 𝑵 ≥ 𝟑𝟎


On peut démontrer par le théorème central limite TLC que toute distribution de probabilité
converge, lorsque la taille de l’échantillon est grande 𝑁 ≥ 30, vers la loi normale. Pour trouver
un IC pour la moyenne inconnue µ de la population il faut appliquer la démarche reprise à III-
1-1 de ce document dans les deux cas selon que l’écart-type de la population est connu ou non.
Nous aurons donc :

Intervalle de confiance au seuil de 1 − 𝛼


𝜎 𝜎
𝛔 est connu 𝑋 − 𝑡´/¯ ; 𝑋 + 𝑡´/¯
𝑁 𝑁

15

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

𝑠 𝑠
𝛔 est inconnu 𝑋 − 𝑡´/¯ ; 𝑋 + 𝑡´/¯
𝑁 𝑁
B. Cas des petits échantillons 𝑵 < 𝟑𝟎 et 𝛔 inconnu
âÈã
La variable aléatoire 𝑆𝑡 = ï ↝ 𝑆𝑡𝑢𝑑𝑒𝑛𝑡 à 𝑢𝑛 𝑑𝑑𝑙 𝜐 = 𝑁 − 1 .
á

−𝒕 𝟏È𝜶,𝝊£𝑵È𝟏 𝟎 + 𝒕 𝟏È𝜶,𝝊£𝑵È𝟏
𝟐 𝟐

Un intervalle de confiance au seuil de 1 − 𝛼 est


𝑠 𝑠
𝐼𝐶 = 𝑋 − 𝑡 𝟏−𝜶,𝝊=𝑵−𝟏 ; 𝑋 + 𝑡 𝟏−𝜶,𝝊=𝑵−𝟏
𝟐 𝑁 𝟐 𝑁
Exemple :
La durée d’encaissement des chèques auprès d’une agence bancaire est une variable aléatoire
dont en connaît pas la distribution de probabilité. On prélève 10 chèques au hasard. La durée
d’encaissement moyenne obtenue est de 16 jours avec un écart-type de 1 journée. Déterminer
un intervalle de confiance pour la durée moyenne d’encaissement des chèques dans cette
banque.

Solution
á »¹
Il faut calculer l’écart-type corrigé 𝑠 = 𝑠 =1 = 1,0541. On lit sur la table de la loi
áÈ» è
Student pour 𝜐 = 𝑁 − 1 = 9 et 𝛼 = 5% 𝑡 = 2,262. Un intervalle de confiance au seuil de 95%
est donné comme suit :
1,0541 1,0541
𝐼𝐶 = 16 − 2,262 ; 16 + 2,262
10 10

𝐼𝐶 = 15,246 ; 16,754

Un analyste financier souhaite déterminer un intervalle de confiance de niveau 0,95 de la valeur


moyenne m de la rentabilité de ce secteur.

Avec Excel

16

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

IV- Tests d’hypothèses

1. Principe
La construction de tests d’hypothèses prend le problème à l’inverse des intervalles de confiance
:

1. On suppose que l’on connaît la population dans son ensemble selon un certain critère.
2. On dispose d’un échantillon qui semble différer de la loi initiale suivie par la population.
3. On doit conclure à l’aide d’un test d’hypothèse si ce changement est le fait du hasard de
l’échantillonnage ou le fait d’un changement réel des paramètres de la loi dans la
population.

Exemple :

Le nombre d’articles vendus par jour pendant l’année dans un magasin suit une loi normale de
moyenne 300 et d’écart-type 20. Pendant les soldes qui durent 15 jours, le nombre moyen
d’articles vendus par jour est de 315. Les soldes induisent-elles une amélioration significative
des ventes ?

Solution

Notons µ la moyenne de la loi normale régissant le nombre d’articles vendus pendant les soldes.
Deux hypothèses alternatives sont ici en concurrence :

§ l’hypothèse nulle : 𝐻¹ « les soldes n’amènent aucun changement : 𝜇 = 300 »;


§ l’hypothèse alternative : 𝐻» « Les soldes font progresser les ventes : 𝜇 > 300 ».

Il s’agit d’arbitrer entre ces deux hypothèses. Si l’hypothèse 𝐻¹ est vraie, quelle est la
probabilité que la moyenne observée soit de 315 ou plus ?

Notons 𝑋 l’estimateur de moyenne dans l’échantillon ; il suit sous 𝐻¹ une loi normale avec 𝑋 ↝
¯¹
𝑁 300, .
ȼ

17

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

ö»º È ö¹¹
Ainsi on a4 : 𝑃 ( 𝑋 > 315 ) = 𝑃 𝑡 > = 𝑃 ( 𝑡 > 2,90 ) = 0 , 2 %
º,»÷ñ

Cette probabilité est la probabilité de crédibilité de l’hypothèse 𝐻¹ . Ici cette probabilité est très
faible et l’hypothèse 𝐻¹ peut-être rejetée sans grand risque. La probabilité 0,2% est
la probabilité critique de l’hypothèse 𝐻¹ .

On peut prendre le problème à l’inverse et fixer un seuil d’acceptation de l’hypothèse 𝐻¹ . Ce


seuil peut-être 1 %, 2 %, 5 % ou 10 %.

Par exemple, si on choisit un seuil d’acceptation de 5%, la valeur critique de la moyenne


observée vérifie :

𝑋ø − 300
𝑃 𝑋 > 𝑋ø = 0,05 ⇒ 𝑃 𝑋 < 𝑋ø = 0,95 𝑒𝑡 𝑃 𝑡 < = 0 , 95
5 , 164

âù È ö¹¹
À l’aide de la table inverse de loi normale, on trouve = 1,64. D’où 𝑋ø = 308,46
º , »÷ñ

Conclusion :

§ si la moyenne observée est inférieure à 308,46, l’hypothèse nulle est conservée ;


§ si la moyenne est supérieure à 308,46, l’hypothèse nulle est rejetée.

2. Probabilités d’erreur et hypothèses


Un test statistique est un mécanisme qui permet de trancher entre deux hypothèses à partir des
résultats d’un échantillon. Soit 𝐻¹ et 𝐻» ces deux hypothèses, dont une et une seule est vraie.
La décision consiste à choisir 𝐻¹ ou 𝐻» . Il y a quatre cas qui sont reproduits dans le tableau ci-
dessous :

Où 𝛼 et 𝛽 sont les probabilités d’erreur de 1ère et 2ème espèce :

§ 𝛼 est la probabilité de rejeter 𝐻¹ alors que 𝐻¹ est vraie ;


§ 𝛽 est la probabilité de décider 𝐻¹ alors que 𝐻¹ est fausse.

Remarque : Ces deux probabilités d’erreur sont antagonistes, plus α est grande (respectivement
petite), plus β est petite (respectivement grande).


¯¹
4
Sachant que = 5 , 164.

ȼ

18

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

Définition :

La puissance d’un test est égale à 1 − 𝛽. Dans la pratique des tests statistiques, la règle est de
se fixer 𝛼. Les valeurs les plus courantes sont 1 %, 5 % ou 10 %.

3. Tests bilatéral et unilatéral


Avant d’appliquer un test statistique, il s’agit de définir le problème posé. En effet, selon les
hypothèses formulées, nous appliquons soit un test bilatéral, soit un test unilatéral.
A. Un test bilatéral
Ce test s’applique quand nous cherchons une différence entre les valeurs de deux paramètres.
La zone de rejet de l’hypothèse de référence peut être l’union de deux zones situées dans
chacune des queues de la distribution.

B. Un test unilatéral
Ce test s’applique quand nous cherchons à savoir si un paramètre est supérieur (ou inférieur) à
un autre paramètre ou à une valeur donnée. La zone de rejet de l’hypothèse principale est située
d’un seul côté de la distribution de probabilité de référence.

19

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

a. Test d’hypothèse pour la moyenne


a. Cas d’une distribution normale avec 𝛔 connu
La variable aléatoire 𝑋” ↝ 𝑁 𝜇, 𝜎 avec µ inconnue ce qui permet d’assurer la normalité pour
à
la distribution d’échantillonnage de la moyenne 𝑋 ↝ 𝑁 𝜇, ou encore
á
𝑋−𝜇
𝜎 ↝ 𝓝 0,1
𝑁
1. Formulation du test :
Il s’agit de tester si 𝑋 n’est pas trop éloignée d’une norme 𝜇¹ au seuil de confiance 1 − 𝛼 contre
le fait qu’elle soit significativement différente de celle-ci.
𝐻¹ : 𝜇 = 𝜇¹
𝐻» : 𝜇 ≠ 𝜇¹

2. Zone d’acceptation
âÈãü
Sous l’hypothèse nulle 𝐻¹ on a ä ↝ 𝓝 0,1 ce qui est équivalent à
å

𝑋 − 𝜇¹
⇔ 𝑃𝑟 −𝑡´/¯ ≤ 𝜎 ≤ 𝑡´/¯ =1−𝛼
𝑁
𝜎 𝜎
⇔ 𝑃𝑟 𝜇¹ − 𝑡´/¯ ≤ 𝑋 ≤ 𝜇¹ + 𝑡´/¯ =1−𝛼
𝑁 𝑁
𝜎 𝜎
𝐼´ = 𝜇¹ − 𝑡´/¯ ; 𝜇¹ + 𝑡´/¯
𝑁 𝑁
𝐼´ est appelé la zone d’acceptation de l’hypothèse nulle

3. Critère de décision
L’objectif final du test est de prendre une décision selon la règle suivante :
âÈãü
§ Si 𝑋 ∈ 𝐼´ ou encore 𝑡 = ä ∈ −𝑡´/¯ ; 𝑡´/¯ alors on accepte 𝐻¹ au seuil α.
å
âÈãü
§ Si 𝑋 ∉ 𝐼´ autrement dit 𝑡 = ä < −𝑡´/¯ 𝑜𝑢 𝑡 > 𝑡´/¯ alors on rejette 𝐻¹ au seuil α.
å

20

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

b. Cas d’une distribution normale avec 𝛔 inconnu


á
L’écart-type de la population σ est estimé par l’écart-type corrigé de l’échantillon 𝑠 = 𝑠
áÈ»
ï âÈã
Dans ces conditions 𝑋 ↝ 𝑁 𝜇, et la variable 𝑡 = ÿ ↝ 𝑁 0, 1 .
á
å

1. Formulation du test :

Il s’agit de tester si 𝑋 n’est pas trop éloignée d’une norme 𝜇¹ au seuil de confiance 1 − 𝛼 contre
le fait qu’elle soit significativement différente de celle-ci.
𝐻¹ : 𝑋 = 𝜇¹
𝐻» : 𝑋 ≠ 𝜇¹

2. Zone d’acceptation
âÈãü
Sous l’hypothèse nulle 𝐻¹ on a ÿ ↝ 𝓝 0,1 ce qui est équivalent à
å

𝑋 − 𝜇¹
⇔ 𝑃𝑟 −𝑡´/¯ ≤ ≤ 𝑡´/¯ =1−𝛼
𝑠
𝑁
𝑠 𝑠
⇔ 𝑃𝑟 𝜇¹ − 𝑡´/¯ ≤ 𝑋 ≤ 𝜇¹ + 𝑡´/¯ =1−𝛼
𝑁 𝑁
𝑠 𝑠
𝐼´ = 𝜇¹ − 𝑡´/¯ ; 𝜇¹ + 𝑡´/¯
𝑁 𝑁
𝐼´ est appelé la zone d’acceptation de l’hypothèse nulle.

3. Critère de décision

L’objectif final du test est de prendre une décision selon la règle suivante :
âÈãü
§ Si 𝑋 ∈ 𝐼´ ou encore 𝑡 = ÿ ∈ −𝑡´/¯ ; 𝑡´/¯ alors on accepte 𝐻¹ au seuil de risque α.
å
âÈãü
§ Si 𝑋 ∉ 𝐼´ autrement dit 𝑡 = ÿ < −𝑡´/¯ 𝑜𝑢 𝑡 > 𝑡´/¯ alors on rejette 𝐻¹ au seuil α.
å

c. Les observations de la population ne suivent pas une loi normale

i. Cas des grands échantillons 𝑵 ≥ 𝟑𝟎 avec 𝛔 connu


âÈãü
Sous l’hypothèse nulle on a ä ↝ 𝓝 0,1 et la zone d’acceptation est dans l’intervalle
å
suivant :
𝜎 𝜎
𝐼´ = 𝜇¹ − 𝑡´/¯ ; 𝜇¹ + 𝑡´/¯
𝑁 𝑁

La règle de décision à appliquer est :


âÈãü
§ Si 𝑋 ∈ 𝐼´ ou encore 𝑡 = ä ∈ −𝑡´/¯ ; 𝑡´/¯ alors on accepte 𝐻¹ au seuil de risque α.
å

21

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

âÈãü
§ Si 𝑋 ∉ 𝐼´ autrement dit 𝑡 = ä < −𝑡´/¯ 𝑜𝑢 𝑡 > 𝑡´/¯ alors on rejette 𝐻¹ au seuil α.
å

ii. Cas des grands échantillons 𝑵 ≥ 𝟑𝟎 avec 𝛔 inconnu


âÈãü
Sous l’hypothèse nulle 𝐻¹ on a ÿ ↝ 𝓝 0,1 et la zone d’acceptation est dans l’intervalle
å
suivant :

𝑠 𝑠
𝐼´ = 𝜇¹ − 𝑡´/¯ ; 𝜇¹ + 𝑡´/¯
𝑁 𝑁

La règle décision sera donc :


âÈãü
§ Si 𝑋 ∈ 𝐼´ ou encore 𝑡 = ÿ ∈ −𝑡´/¯ ; 𝑡´/¯ alors on accepte 𝐻¹ au seuil de risque α.
å
âÈãü
§ Si 𝑋 ∉ 𝐼´ autrement dit 𝑡 = ÿ < −𝑡´/¯ 𝑜𝑢 𝑡 > 𝑡´/¯ alors on rejette 𝐻¹ au seuil α.
å

iii. Cas des petits échantillons 𝑵 < 𝟑𝟎 avec 𝛔 inconnu


âÈãü
Sous l’hypothèse nulle 𝐻¹ 𝑙a variable aléatoire 𝑆𝑡 = ï ↝ 𝑆𝑡𝑢𝑑𝑒𝑛𝑡 à 𝜐 = 𝑁 − 1 𝑑𝑑𝑙. Un
á
intervalle de confiance pour la moyenne au seuil de 1 − 𝛼 est donné par
𝑠 𝑠
𝐼´ = 𝜇¹ − 𝑡 𝟏−𝜶,𝝊=𝑵−𝟏 ; 𝜇¹ + 𝑡 𝟏−𝜶,𝝊=𝑵−𝟏
𝟐 𝑁 𝟐 𝑁
La règle décision5 sera donc :
âÈãü
§ Si 𝑋 ∈ 𝐼´ ou encore 𝑆𝑡 = ÿ ∈ −𝑡 𝟏−𝜶,𝝊=𝑵−𝟏 ; +𝑡 𝟏−𝜶,𝝊=𝑵−𝟏 alors on accepte 𝐻¹ .
𝟐 𝟐
å
âÈãü
§ Si 𝑋 ∉ 𝐼´ ou 𝑆𝑡 = ÿ < −𝑡 𝟏−𝜶,𝝊=𝑵−𝟏 𝑜𝑢 𝑆𝑡 > 𝑡 𝟏−𝜶,𝝊=𝑵−𝟏 alors on rejette 𝐻¹ .
𝟐 𝟐
å

Exemple 1

La durée de vie moyenne d’un échantillon de 100 ampoules fabriqués par ne usine est estimé à
1570 heures avec un écart type de 120 heures. Si 𝜇 est la durée de vie moyenne de toutes les
ampoules produites par l’usine,

a. tester bilatéralement l’hypothèse 𝜇 = 1600 h contre 𝜇 ≠ 1600 heures au seuil de


signification de 1%.
b. Effectuer, au même seuil, un test unilatéral à gauche de 𝜇 = 1600 h contre 𝜇 < 1600 h

Solution 1
á »¹¹
Calculons 𝑠 = 𝑠 = 120 = 120,6
áÈ» èè
»¯¹,÷ âÈ»÷¹¹
a. Sous l’hypothèse nulle on a 𝑋 ↝ 𝓝 1600 , et ØÕü,! ↝ 𝓝 0,1 et 𝛼 = 1%. Le
»¹¹
Øüü

𝑡´/¯ = 2,58. La zone d’acceptation pour la moyenne 𝑋 est dans l’intervalle suivant :

5
On doit se référer à la table de Student avec DDL et seuil de confiance approprié

22

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

𝐼´ = 1600 − 2,58×12,06; 1600 + 2,58×12,06

𝐼´ = 1568,9; 1631,1

Comme 𝑋 = 1570 ∈ 𝐼´ ⟹ 𝐻¹ est acceptée au seuil de confiance de 99%.


âÈãü »º#¹È»÷¹¹
Le test peut être validé aussi par le calcul : 𝑡 = ÿ = ØÕü,! = −2,49 ∈ −2,58; 2,58
å Øüü

⟹ 𝐻¹ est acceptée au seuil de confiance de 99%.


b. Il s’agit de tester
𝐻¹ : 𝜇 = 1600 h
𝐻» : 𝜇 < 1600 ℎ

Pour α = 1%, sur la table de la loi normale on peut lire le 𝑡´ = −2,33. La règle de décision
est établie comme suit :

§ Si 𝑡 < −2,33 on rejette 𝐻¹ au seuil de 99%


§ Si 𝑡 > −2,33 on accepte 𝐻¹ au seuil de 99%

Or la statistique calculée 𝑡 = −2,49 < 𝑡´ = −2,33 donc on rejette 𝐻¹ au seuil de 99%.

Exemple 2

On s’intéresse à l’endettement moyen qui cause la faillite des PME algériennes. Un bureau
d’étude financier affirme que le volume moyen de l’endettement impliquant la faillite des PME
en Algérie est de 450 millions de DA. On a observé le volume de l’endettement enregistré par
10 entreprises qui affichent le résultat suivant : Endettement moyen = 460 millions de DA avec
un écart-type = 6 millions de DA.

Effectuer un test unilatéral pour confirmer ou réfuter les propos du bureau d’études au seuil de
confiance de 95%

Solution 2 Si µ est le volume de la dette causant la faillite des PME et 𝜇¹ = 450 𝑀𝐷𝐴 alors
il s’agit de tester :
𝐻¹ : 𝜇 = 450 MDA
𝐻» : 𝜇 > 450 MDA
á »¹
Il faut calculer 𝑠 = 𝑠 =6 = 6,325 et 𝑋 = 460 𝑀𝐷𝐴. Comme la distribution de
áÈ» è
l’endettement n’est pas normale et la taille de l’échantillon est 𝑁 = 10 < 30, alors Sous
âÈãü
l’hypothèse nulle 𝐻¹ 𝑙a variable aléatoire 𝑆𝑡 = ï ↝ 𝑆𝑡𝑢𝑑𝑒𝑛𝑡 à 𝜐 = 𝑁 − 1 𝑑𝑑𝑙 la variable
á

23

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

ñ÷¹Èñº¹
ou encore 𝑆𝑡 = ÷,ö¯º = 4,999 ≅ 5 ↝ 𝑆𝑡𝑢𝑑𝑒𝑛𝑡 à 9 𝑑𝑑𝑙. La lecture de la table de student
»¹
donne 𝑡 𝟏−𝜶, 𝝊=𝑵−𝟏 = 𝑡 𝟎,𝟗𝟓, 𝝊=𝟗 = 1,8331. On remarque que 𝑆𝑡 = 5 > 1,8331⟹ On rejette H0
au seuil de 95%. Le bureau d’étude a tort.
VI- Le test d’indépendance Du Khi-Deux (𝛘²)

Le test d’indépendance du khi-deux permet de se prononcer sur l’indépendance de deux
variables qualitatives, observées sur un échantillon. Il s’effectue en deux étapes :
1. La première consiste à comparer le tableau des effectifs observés et le tableau des
effectifs théoriques calculés sous l’hypothèse d’indépendance :
a. Si la distance entre les tableaux est « petite », les effectifs observés sont
proches des effectifs théoriques. Les effectifs observés s’assimilent aux effectifs
théoriques sous hypothèse d’indépendance : on ne peut rejeter l’hypothèse
d’indépendance.
b. Si la distance entre les tableaux est « grande », les effectifs observés sont
différents des effectifs théoriques: les deux variables ne sont pas indépendantes.
2. La deuxième étape, présente dans tous les tests d’hypothèses, consiste à déterminer la
probabilité associée à la décision d’accepter ou de refuser l’hypothèse d’indépendance.
Ne pouvant prétendre à une certitude, il apparaît raisonnable de « minimiser » le risque
d’erreur.

1. Effectifs observés et effectifs théoriques calculés


La première étape passe par le calcul des effectifs théoriques notés 𝑐𝑖𝑗.

Définition :
Les effectifs calculés sous l’hypothèse d’indépendance, encore appelés effectifs théoriques, sont notés cij et
donnés par :
𝒏𝒊. ×𝒏.𝒋
𝒄𝒊𝒋 =
𝒏..
Après détermination des effectifs calculés cij, il est possible de déterminer un indicateur de distance entre le
tableau observé, composé des nij , et le tableau théorique, composé des 𝑐𝑖𝑗. Cette « distance » est appelée
distance du khi-deux.


Pour appliquer un calcul de distance du khi-deux entre deux tableaux, les deux conditions
suivantes doivent être vérifiées :
§ la taille de l’échantillon doit être supérieure ou égale à 30 ;
§ tous les effectifs calculés doivent être supérieurs ou égaux à 5 (dans le cas contraire, on
regroupe les classes adjacentes).
Karl Pearson a démontré que ce khi-deux calculé suit approximativement la distribution du khi-
deux, loi de probabilité continue, caractérisée par un paramètre ν (nu), le degré de liberté.

24

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

Degré de liberté d’un tableau de contingence :

Soit un tableau de contingence formé de n lignes et de p colonnes. Son degré de liberté, noté
ddl, est donné par : 𝑑𝑑𝑙 = 𝑛 − 1 𝑝 − 1 , ou encore
𝑑𝑑𝑙 = (𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑙𝑖𝑔𝑛𝑒𝑠 – 1) × (𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑐𝑜𝑙𝑜𝑛𝑛𝑒𝑠 – 1).

Pour comprendre la signification de la notion de degré de liberté, il convient d’observer que l’on
peut remplir librement les (n – 1) premières lignes et les (p – 1) premières colonnes et qu’alors les
effectifs marginaux imposent les valeurs restantes.

2. Le test d’indépendance de Khi-deux


La deuxième étape consiste à tester l’hypothèse d’indépendance, en respectant les quatre phases
suivantes :
1. Formuler les hypothèses :
§ 𝐻¹ : les deux caractères sont indépendants.
§ 𝐻» : les deux caractères ne sont pas indépendants.
2. Choisir le seuil de signification, noté 𝛼.

Exemple
Le tableau ci-après donne le résultat sur un échantillon de consommateurs constitué sur la base des
résultats obtenus en réponse à la question : « D’une façon générale, tenez-vous compte de la qualité
lorsque vous achetez un produit ? »

25

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

4. Test de khi-deux sur Excel du khi-deux sous Excel



Excel propose de réaliser un test du khi-deux uniquement à partir des tableaux de données observées et
théoriques, sans avoir à calculer les distances du khi-deux. Pour cela, sélectionnez la cellule dans laquelle
vous souhaitez faire apparaître le résultat, puis, dans la barre de menus, cliquez sur Insertion/Fonction.
Dans la boîte de dialogue, sélectionnez la catégorie Statistiques, puis sélectionnez la fonction
TEST.KHIDEUX.
Cliquez sur OK. Dans la boîte de dialogue Arguments de la fonction (voir figure 5.8), dans le champ Plage
réelle, indiquez la plage dans laquelle se trouve le tableau de données observées, soit B2:D4, et dans le
champ Plage_attendue, indiquez la plage dans laquelle se trouve le tableau de données théoriques, soit
B22:D24 pour notre exemple. Cliquez sur OK pour faire apparaître le résultat.









26

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

ANNEXE 1 : La table de la loi Normale centrée réduite

27

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

ANNEXE 2 : La table de la loi de STUDENT


Le tableau suivant fourni les valeurs de certains quantiles de la loi de Student pour différents
degrés de liberté 𝑘. Pour chaque valeur de α, le quantile donné est tel que la probabilité pour
qu'une variable suivant une loi de Student à k degrés de liberté lui soit inférieur est de 1 − 𝛼.
Ainsi, pour 1 − 𝛼 = 95% et 𝜈 = 𝑘 = 7, si 𝑋 suit une loi de Student à 7 degrés de liberté, on lit
dans la table que 𝑃𝑟 𝑋 < 1,895 = 0,95

28

Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2018

ANNEXE 3 : La table de la loi de KHI- DEUX


29

Vous aimerez peut-être aussi