TQG Partie 2 Probabilité L3

ESAA Licence 3
Techniques Quantitatives
de Gestion
Calcul de probabilité et tests d’hypothèses
Dr. Sid-Ahmed Mokhtari
17
Dr. S. Mokhtari Techniques quantitatives de gestion ESAA, Oct. 2017
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 ..................................................................................... 15
B. Cas des petits échantillons et 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........................................................................................... 19
a. Cas d’une distribution normale avec connu ....................................................................... 19
b. Cas d’une distribution normale avec inconnu .................................................................... 20
c. Les observations de la population ne suivent pas une loi normale ........................................ 21
VI- Le test d’indépendance Du Khi-Deux ( ²) ........................................................................................ 23
1. Effectifs observés et effectifs théoriques calculés .................................................................... 24
Définition : .................................................................................................................................... 24
Degré de liberté d’un tableau de contingence : ............................................................................. 24
2
2. Le test d’indépendance de Khi-deux ......................................................................................... 24

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  Ω = {pile, face}

 On lance un dé équilibré  Ω = {1,2, , 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 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 »}  Pr(A) = Pr(1)+Pr(2) +Pr(3) = 7/8
Propriétés élémentaires
3
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 articles du lot l’un
après l’autre. Quelle est la probabilité pour que les trois ( ) 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
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) ≠ , 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
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 ( = ), 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
ou tout entier.
6
2. Fonction de répartition
On appelle « Fonction de répartition d’une variable aléatoire X » l’application F telle
que :
,
( )
( )= ( )
 Fonction de répartition dans le cas de v.a discrète :
On définit la probabilité attachée en un point du domaine de définition de la variable

aléatoire discrète par : ( = ). 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 , noté ( ) par :
Exemple : On jette une paire de dés. On défini la v. a = ( , ). = {1,2, ,4,5,6}

et la loi de probabilité de X est donnée par :
X 1 2 3 4 5 6
( = ) 1/36 3/36 5/36 7/36 9/36 11/36
E(X)   xi pi  161 / 36  4,47

Propriété de l’espérance :
1. Si est un scalaire : ( ) = et ( )= ( )
7
2. Pour les deux v.a X et Y on a toujours : ( ) = ( ) ( )

3. Si X et Y sont indépendants : ( ) = ( ). ( )
La Variance
 Cas de v.a discrète :
 Cas de v.a continue :
 Propriété de la variance :
1. Si est un scalaire : ( ) = ( . )= . ( )
2. Si et sont indépendants alors : ( ) = ( ) ( )
La Covariance
Soient X et Y deux v.a. On défini la covariance entre X et Y par :
, = ( ) ( )
Propriété de la Covariance
1. Pour les scalaires a, b, c, d alors ( ) = ( )

2. Soient X et Y deux v.a alors : ( , ) = ( , )
3. Si X et Y sont indépendants alors : ( , ) =
II- Distributions de probabilité utiles

1. Distribution de Bernoulli
Considérons une expérience aléatoire dont le résultat n’a que deux issues : « succès »
avec probabilité , « échec » avec probabilité .
x  0,1 Pr X  x   p x 1  p 
1 x
La v.a X = 1 si succès et X = 0 si échec de sorte que :
Il est facile de vérifier que : ( ) = et ( ) = ( )
8
2. Loi binomiale
On réalise fois successivement et d’une manière indépendante l’épreuve de Bernoulli.
On s’intéresse au nombre de « succès » obtenus.
Si suit la loi de Bernouilli, alors = 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 : ( = , = ) . On doit calculer
2 4
1 1
Pr X  2  C62    
2 2
Calculer la probabilité d’obtenir au moins 4 faces ( = 4, 5, 6) :
k 6 k
6
1 1
Pr X  4   C    
k
6  11 / 32
k 4 2 2
Propriété :
Exemple 2
La probabilité pour qu’un tireur atteigne la cible est ,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
1 3 1 3
Solution : 1. Pr X  2  1  Pr X  2  1  C70      C71    
4 4 4 4
 1  0,4449  0,55
2. Pr X  1  2 / 3  1  Pr X  1  2 / 3
 Pr X  1  Pr X  0  1 / 3
 Cn0 1 4 3 4  1 / 3  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
 50 % des individus en dessous de la moyenne  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  = et = .
X 
Si X  N  ,  alors t   N 0,1
 Exemples :
10
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.
25 = (25 2 ) 4 = 1,25 = ,1 6 = 1 ,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 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 à
degrés de liberté ; on note le degré de liberté1 (ddl). Les valeurs de dépendent du degré de liberté
et du seuil de signification . Elles sont notées ( , ) et sont tabulées sur la table du avec :
( , ) =
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 :
( , ) = , 4; pour un seuil de signification de 1 % et un ddl de 1, ( , ) = 6,6 .
Pour un ddl de 1, il y a une chance sur 100 pour que la variable aléatoire du 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
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
= à
La densité de notée ( ) est donnée par :

1
1 2
( )= 1
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 > 1, et ne peut pas être définie pour = 1.
 Sa variance est infinie pour ≤ 2 et vaut pour 2.
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 :
( )=
12
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 :
= ( )= = =
On dira que 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
= sauf que ce dernier n’est pas un bon estimateur.
Un bon estimateur de l’écart-type de la population σ est :
X X
= =s
1 1
III- Estimation par intervalle de confiance
Lorsque nous procédons à une estimation, il est plus pertinent de fournir un intervalle
plutôt que simplement une estimation ponctuelle, c'est-à-dire d'écrire
uniquement μ = . Un tel intervalle]a,b[ s'appelle une estimation par intervalle de confiance
du paramètre .
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 :
(a μ b) = 1
1- 1- Les observations de la population suivent une loi normale

Le but est toujours de trouver un intervalle de confiance pour la moyenne avec dans ce cas
les variables de la population ( , ).
A. Cas où l’écart type de la population est connu

La distribution de probabilité de la moyenne de l’échantillon est : , . On passant
par la loi normale centrée réduite, la variable = ( , 1). Ceci nous permet d’écrire
=1
=1
=1
13
=1
=1
Donc l’intervalle de confiance pour la moyenne de la population μ au seuil de confiance

1 est :
=
Prenons le cas où =5 3 et = , = 1, 6. L’intervalle de confiance au seuil de 95%

est donné par = 1, 6 1, 6
Exemple :
Considérons la longueur en cm d’une population d’élèves qui suit une loi normale ( , =
6 ). On prélève un échantillon N = 40 dont la moyenne est = 156 cm. Donner un IC
pour au niveau de confiance de 95%.
Solution :
Un intervalle de confiance IC pour la moyenne de la population μ est donné par :

=1
6 6
156 1, 6 156
= , 5 1, 6
4 4
(156 1, 5 4 156 1, 5 4) = , 5
(154,14 157, 6) = , 5
= 156 1, 5 4 = 154,14 157, 6
 Caractéristiques d’un intervalle de confiance

1. La longueur de l’IC est égale à 2
2. Le terme s’appelle la marge d’erreur d’estimation,

3. Quel est la taille minimale d’échantillon permettant d’avoir une marge d’erreur ne
dépassant une valeur donnée :
Exemple :
3
α est appelé aussi « seuil de risque »
14
Considérons la longueur en cm d’une population d’élèves qui suit une loi

normale ( , = 6 ). 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 = 1 .
6
1, 6 =1 , =
1
B. Cas où l’écart type de la population est inconnu
L’écart-type de la population σ est estimé par l’écart-type corrigé de l’échantillon
= . Dans ces conditions , et la variable = ( , 1).
Ceci nous permet d’écrire

=1
Au seuil de confiance de 1 , l’intervalle de confiance est donné par
Exemple
On s’intéresse à l’âge d’une population. Un échantillon de taille 410 est prélevé avec
= ,1 et = 6,2. Donner un intervalle de confiance à 95% pour la moyenne des âges de
cette population ?
Solution
Calculons l’écart-type = = 6,2 = 6,2 757

6,2 757 6,2 757
= ,1 1, 6 ,1 1, 6
41 41
= 7,5 ,7
Les paramètres de la loi normale centrée réduite les plus utilisés en pratiques sont :
Seuil de confiance 1 99% 98% 95% 90% 80%

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

On peut démontrer par le théorème central limite TLC que toute distribution de probabilité
converge, lorsque la taille de l’échantillon est grande , 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
est connu
15
est inconnu
B. Cas des petits échantillons et inconnu

La variable aléatoire = à = 1.
, ,
Un intervalle de confiance au seuil de 1 est
= , = , =
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
Il faut calculer l’écart-type corrigé = =1 = 1, 541. On lit sur la table de la loi

Student pour = 1 = et = 5% = 2,262. Un intervalle de confiance au seuil de
95% est donné comme suit :
1, 541 1, 541
= 16 2,262 16 2,262
1 1
= 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
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 : « les soldes n’amènent aucun changement : = »;

 l’hypothèse alternative : « Les soldes font progresser les ventes : ».
Il s’agit d’arbitrer entre ces deux hypothèses. Si l’hypothèse est vraie, quelle est la
probabilité que la moyenne observée soit de 315 ou plus ?
Notons l’estimateur de moyenne dans l’échantillon ; il suit sous une loi normale avec
, .
17
Ainsi on a4 : ( 15 ) = = ( 2, )= ,2
,
Cette probabilité est la probabilité de crédibilité de l’hypothèse . Ici cette probabilité est
très faible et l’hypothèse peut-être rejetée sans grand risque. La probabilité 0,2% est
la probabilité critique de l’hypothèse .
On peut prendre le problème à l’inverse et fixer un seuil d’acceptation de l’hypothèse . 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 :
( ) = , 5 ( ) = , 5 = , 5
5 , 164
À l’aide de la table inverse de loi normale, on trouve = 1,64. D’où = ,46

,
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 et ces deux hypothèses, dont une et une seule est vraie.
La décision consiste à choisir ou . Il y a quatre cas qui sont reproduits dans le tableau ci-
dessous :
Où et sont les probabilités d’erreur de 1ère et 2ème espèce :
 est la probabilité de rejeter alors que est vraie ;

 est la probabilité de décider alors que est fausse.
Remarque : Ces deux probabilités d’erreur sont antagonistes, plus α est grande
(respectivement petite), plus β est petite (respectivement grande).
4
Sachant que = 5 , 164.
18
Définition :
La puissance d’un test est égale à 1 . Dans la pratique des tests statistiques, la règle est de
se fixer . 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.
a. Test d’hypothèse pour la moyenne

a. Cas d’une distribution normale avec connu
La variable aléatoire ( , ) avec μ inconnue ce qui permet d’assurer la normalité
pour la distribution d’échantillonnage de la moyenne , ou encore
( ,1 )
19
1. Formulation du test :
Il s’agit de tester si n’est pas trop éloignée d’une norme au seuil de confiance 1
contre le fait qu’elle soit significativement différente de celle-ci.
: =
: ≠
2. Zone d’acceptation
Sous l’hypothèse nulle on a ( ,1 ) ce qui est équivalent à
=1
=1
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 :
 Si ou encore = alors on accepte au seuil α.
 Si autrement dit = alors on rejette au seuil α.
b. Cas d’une distribution normale avec inconnu
L’écart-type de la population σ est estimé par l’écart-type corrigé de l’échantillon =
Dans ces conditions , et la variable = ( , 1).
1. Formulation du test :
Il s’agit de tester si n’est pas trop éloignée d’une norme au seuil de confiance 1
contre le fait qu’elle soit significativement différente de celle-ci.
: =
: ≠
20
2. Zone d’acceptation
Sous l’hypothèse nulle on a ( ,1 ) ce qui est équivalent à
=1
=1
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 :
 Si ou encore = alors on accepte au seuil de risque α.
c. Les observations de la population ne suivent pas une loi normale
i. Cas des grands échantillons avec connu

Sous l’hypothèse nulle on a ( ,1 ) et la zone d’acceptation est dans l’intervalle
suivant :
La règle de décision à appliquer est :
ii. Cas des grands échantillons avec inconnu

Sous l’hypothèse nulle on a ( ,1 ) et la zone d’acceptation est dans l’intervalle
suivant :
La règle décision sera donc :
21
iii. Cas des petits échantillons avec inconnu

Sous l’hypothèse nulle a variable aléatoire = à = 1 . Un
intervalle de confiance pour la moyenne au seuil de 1 est donné par
= , = , =
La règle décision5 sera donc :

 Si ou encore = , = , =
alors on accepte .
 Si ou = , = , =
alors on rejette .
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 est la durée de vie moyenne de toutes les
ampoules produites par l’usine,
a. tester bilatéralement l’hypothèse = 1600 h contre ≠ 1600 heures au seuil de

signification de 1%.
b. Effectuer, au même seuil, un test unilatéral à gauche de = 1600 h contre < 1600 h
Solution 1
Calculons = = 12 = 12 ,6
,
a. Sous l’hypothèse nulle on a 16 , et , ( ,1 ) et = 1 . Le
= 2,5 . La zone d’acceptation pour la moyenne est dans l’intervalle suivant :

= 16 2,5 12, 6 16 2,5 12, 6
= 156 , 16 1,1
Comme = 157 ⟹ est acceptée au seuil de confiance de 99%.
Le test peut être validé aussi par le calcul : = = , = 2,4 2,5 2,5
⟹ est acceptée au seuil de confiance de 99%.

b. Il s’agit de tester
: = 16 h
: 16
5
On doit se référer à la table de Student avec DDL et seuil de confiance approprié
22
Pour α = 1%, sur la table de la loi normale on peut lire le = 2, . La règle de décision
est établie comme suit :
 Si 2, on rejette au seuil de 99%

 Si 2, on accepte au seuil de 99%
Or la statistique calculée = 2,4 = 2, donc on rejette 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 = 45 alors

il s’agit de tester :
: = 45 DA
: 45 DA
Il faut calculer = =6 = 6, 25 et = 46 . Comme la distribution de

l’endettement n’est pas normale et la taille de l’échantillon est =1 , alors Sous
l’hypothèse nulle a variable aléatoire = à = 1 la variable
ou encore = , = 4, 5 à . La lecture de la table de student
donne , = = , , = = 1, 1. On remarque que =5 1, 1⟹ On rejette

H0 au seuil de 95%. Le bureau d’étude a tort.
VI- Le test d’indépendance Du Khi-Deux ( ²)
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
23
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 .
Définition :
Les effectifs calculés sous l’hypothèse d’indépendance, encore appelés effectifs théoriques, sont notés cij et
donnés par :
. .
=
..
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 . 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.
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 : =( 1)( 1), ou encore
= ( – 1) ( – 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 :
 : les deux caractères sont indépendants.
24
 : les deux caractères ne sont pas indépendants.

2. Choisir le seuil de signification, noté .
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
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
ANNEXE 1 : La table de la loi Normale centrée réduite
27
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 . 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 .
Ainsi, pour 1 = 5 et = = 7, si suit une loi de Student à 7 degrés de liberté, on
lit dans la table que ( 1, 5) = , 5
28
ANNEXE 3 : La table de la loi de KHI- DEUX
29

TQG Partie 2 Probabilité L3

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

TQG Partie 2 Probabilité L3

Transféré par

Droits d'auteur :

Formats disponibles

ESAA Licence 3

Calcul de probabilité et tests d’hypothèses

Dr. Sid-Ahmed Mokhtari

2. Le test d’indépendance de Khi-deux ......................................................................................... 24

 On lance une pièce de monnaie  Ω = {pile, face}

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

 pour toute union finie ou dénombrable d’événements incompatibles (A et B sont

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

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

 Pr (A) = 1/4 et Pr(B) = 2/5

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

Considérons trois boîtes telles que :

 La boîte I contient 10 ampoules dont 4 défectueux ?

L’arbre de probabilité est tel que :

 Soit D = {ampoule défectueuse}

B. Variable aléatoire, Espérance et Variance

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

On défini la probabilité P telle que :

Définition : Une distribution de probabilité (ou loi de probabilité) est un ensemble de

Variables aléatoires discrète ou continue

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

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

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

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

Exemple : On jette une paire de dés. On défini la v. a = ( , ). = {1,2, ,4,5,6}

( = ) 1/36 3/36 5/36 7/36 9/36 11/36

E(X)   xi pi  161 / 36  4,47

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

 Cas de v.a discrète :

 Cas de v.a continue :

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

1. Pour les scalaires a, b, c, d alors ( ) = ( )

II- Distributions de probabilité utiles

Il est facile de vérifier que : ( ) = et ( ) = ( )

Si suit la loi de Bernouilli, alors = suit la loi Binomiale

 La loi normale centrée réduite

Lecture de la table de Khi-deux

Utilité de la distribution de Khi-deux

La densité de notée ( ) est donnée par :

III- Estimation ponctuelle

1. Estimation de la moyenne de la population

On dira que est un bon estimateur de μ ou encore un estimateur sans biais de μ.

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

= sauf que ce dernier n’est pas un bon estimateur.

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

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.

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

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

Donc l’intervalle de confiance pour la moyenne de la population μ au seuil de confiance

Prenons le cas où =5 3 et = , = 1, 6. L’intervalle de confiance au seuil de 95%

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

 Caractéristiques d’un intervalle de confiance

2. Le terme s’appelle la marge d’erreur d’estimation,

Considérons la longueur en cm d’une population d’élèves qui suit une loi

= . Dans ces conditions , et la variable = ( , 1).

Ceci nous permet d’écrire

Calculons l’écart-type = = 6,2 = 6,2 757

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

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

A. Cas des grands échantillons

Intervalle de confiance au seuil de 1

B. Cas des petits échantillons et inconnu