Licence Economie et Gestion - L2S4

COURS : M. JALAL EL OUARDIGHI

Probabilités et statistique IV
Document 2 : Un exemple introductif…

Exemple I.1 : un inventeur ‘malchanceux’ !

Dans une fabrique d’appareils électriques, des relevés au hasard effectués sur des lots de 50
ampoules de type RT120 ont permis d’établir que la durée de vie de ce type d’ampoules peut être
considérée comme une variable aléatoire de moyenne 600 heures et d'écart type 100 heures. Un
inventeur prétendait pouvoir augmenter de 50 heures la durée de vie moyenne des ampoules, ceci
par l’introduction d’un nouveau composant du corps lumineux des ampoules.
Deux hypothèses s’affrontent : ou bien le nouveau procédé est sans effet, ou bien il augmente
réellement la durée de vie moyenne des ampoules de 50 heures. Le fabriquant hésitant à opter pour
l’introduction du procédé de l’inventeur forcément onéreux tient à l’hypothèse selon laquelle la
durée de vie moyenne des ampoules est de 600 heures. Il faut donc qu’une expérience puisse le
convaincre, c’est à dire que le résultat observé contredise nettement la validité de son jugement. Le
fabriquant n’est donc décidé à abandonner son hypothèse qu’en présence de faits traduisant une
éventualité improbable. Le fabriquant choisit a = 0.05 comme niveau de probabilité, c’est à dire
qu’il est prêt à accepter l’hypothèse de l’inventeur si le résultat obtenu fait partie d’une éventualité
improbable qui n’a que 5 chances sur 100 de se produire. Autrement dit, il admet implicitement que
des événements rares ne sauraient se produire sans remettre en cause le bien-fondé de l’hypothèse
selon laquelle la durée de vie moyenne des ampoules est de 600 heures, en d’autres termes, il
assume le risque de se tromper dans 5 cas sur 100.
Le nouveau composant proposé par notre inventeur est mis à l’œuvre et un prélèvement au hasard
d’un lot de 50 ampoules donne comme résultat une durée de vie moyenne de 620 heures et un
écart-type de 100. Que peut-on en conclure ? En particulier, doit-on admettre qu’il existe réellement
une différence de ‘rendement’ des ampoules avant et après l’introduction du nouveau composant
ou doit-on attribuer la différence observée au hasard de l’échantillonnage ? A méditer ! : pourquoi
a-t-on qualifié notre inventeur de ‘malchanceux’ ?

Exemple I.2 : Retour à l’exemple introductif ‘Un inventeur malchanceux’

(i) le modèle statistique : la variable aléatoire X ‘ durée de vie moyenne des ampoules’ appartient à
la famille des lois normales, d’écart type connu s = 100 . Si l’on désigne par m l’espérance
mathématique de X, inconnue mais ne peut prendre dans l’exemple que deux valeurs (600 ou 650
heurs). Il s’agit donc de faire un choix entre l’hypothèse nulle H 0 : X~ N(600 ; 100) et l’hypothèse
alternative H 1 : X~ N(650 ; 100). En particulier,

1
 ìH 0 : m = m 0 = 600
í .
î H 1 : m = m1 = 650

Chacune des ces hypothèses a pour conséquence une décision qui lui est associée : D0 , ne rien faire
(ne pas introduire la nouvelle technologie), ou D1 , incorporer le nouveau composant dans la
fabrication des ampoules. Puisqu’il s’agit de tester la valeur de m , X n est ‘la variable de décision’.
Sous H 0 , X n ~ N(600 ; 100/ n ) où n=50 (nombre des observations).

(ii) Régions critique et d’acceptation : la région critique est telle que W ={ ( x1 , x 2 , K, x50 ) / x50 ³ k }
où k est défini par la probabilité suivante :

a =0.05 = P(rejet H 0 / H 0 ) = P(W / H 0 )= P{ ( X n ³ k / m = 600 } .

Sous H 0 , X n ~N(600 ; 100/ 50 ). En centrant et en réduisant, on obtient la condition suivante :

k - 600
a =0.05 = P{ ( Z ³ ) } , où Z est une variable aléatoire de la loi normale N(0 ; 1). Ainsi, la
100 / 50
constante k est définie par :
100
k = 600 + z1-a ,
50
où z1-a est le quantile d’ordre ( 1 - a ) de la loi normale centrée réduite, z1-a = z 0.95 = 1.645 (cf. la
table de la loi normale centrée réduite). La valeur de k est de l’ordre de k @ 623.26. D’où la région
critique (région du rejet de H 0 ) :

W = { ( x1 , x 2 , K, x 50 ) / x50 ³ 623.26 } .

L’ensemble complémentaire W forme la région d’acceptation de H 0 :

W = ( x1 , x 2 ,K, x 50 ) / x50 < 623.26 } .

(iii) Décision : l’expérience indique que x n = 620 . La conclusion étant donc de conserver H 0 , c’est à
dire que le nouveau procédé est sans effet sur la durée de vie des ampoules. On opte ainsi pour la
décision D0 qui consiste à ne rien faire. .

(iv) Pourquoi a-t-on qualifié notre inventeur de ‘malchanceux’ ? Conserver l’hypothèse nulle H 0
ne signifie pas qu’on ne s’est pas trompé. Notre inventeur a peut être raison. En effet, il y a deux
manières de se tromper : faire confiance à l’inventeur, alors qu’il n’est pour rien dans le résultat
obtenu (probabilité a =0.05) ; ne pas croire l’inventeur alors que son procédé est fiable et que seul
le hasard (malencontreux pour lui !), dû au faible nombre d’observations par exemple, a donné des
résultats insuffisants pour convaincre le fabriquant des appareils électriques.

2
 Supposons que l’inventeur ait raison, alors X n ~ N(650 ; 100/ 50 ). On commet une erreur
chaque fois que X n prend une valeur inférieur à 623.26, c’est à dire avec une probabilité b définie
par :
623.26 - 650
b = P(accepter H 0 / H 1 ) = P( W / H 1 )= P{ ( Z < ) } = P{ ( Z < -1.891 }
100 / 50
b =1 - P{ ( Z < 1.891) } = 1 – 0.9706 = 0.0294.

Le risque d’accepter l’hypothèse nulle alors qu’elle est fausse (accepter H 0 à tort) présente une
probabilité très faible. Enfin, on déduit aisément la puissance du test :
p = 1 - b = 0.9706.

La probabilité de rejeter l’hypothèse nulle, alors qu’elle est fausse (c’est à dire, rejet de H 0 avec
raison) est de 97,06%. La puissance du test mesure ainsi la performance de la règle de décision
adoptée, sa capacité à ne pas conduire à rejeter à tort l’hypothèse privilégiée.

Exemple I.3 : Retour à l’exemple introductif ‘Un inventeur malchanceux’

Un laboratoire d’études confirme que l’introduction du nouveau composant dans la fabrication des
ampoules aurait une chance sur deux de réussir, c’est à dire 50% de chances au nouveau procédé
d’augmenter la durée de vie des ampoules. Ces informations permettent d’attribuer la probabilité a
priori p 0 = 0.5 à l’hypothèse H 0 de ne pas incorporer le nouveau procédé (et donc p1 = 1 - p 0 =0.5 à
l’hypothèse H 1 ). On considère de plus que les coûts associés à chaque décision D0 et D1 sont les
suivants :
Coûts associés au nouveau composant des ampoules
Etat de la nature (hypothèse vraie)
Décision retenue H 0 : q Î Q0 H 1 : q Î Q1
D0 C 00 = 0 C 01 = 0
D1 C10 = 0.5 C11 = -1.5
Probabilité a priori 0.5 0.5

Le tableau nous indique ainsi que la décision D0 de ne rien faire présente des coûts nuls et ceci
quel que soit l’état de la nature. Par contre, la décision d’incorporer le nouveau procédé coûtera au
fabriquant des appareils électrique 0.5 si H 0 est vraie (c’est à dire que le nouveau composant n’a
aucun effet sur la durée de vie des ampoules). Ce coût peut s’expliquer par les frais de mise en place
du nouveau procédé, etc. Mais, si H 1 est vraie (c’est à dire que le nouveau composant est efficace
et fiable), les coûts sont négatifs et peuvent s’expliquer par exemple par les retombés financières
liées à la nouvelle technologie, etc.

3
 Après la réalisation ( x1 , x 2 , K , x n ) , on peut déterminer les probabilités a posteriori p 0 et p 1 des
hypothèses H 0 et H 1 à l’aide du théorème de Bayes :

p 0 L0 L0 p1 L1 L1
p0 = = et p 1 = = ,
p 0 L0 + p1 L1 L0 + L1 p0 L0 + p1 L1 L0 + L1

où L0 désigne la valeur de la vraisemblance L( x1 , x 2 , K , x n ;q ) sous H 0 et L1 la valeur de la

vraisemblance sous H 1 . L’espérance du coût de chaque décision pour la distribution a posteriori est
alors :

E[C ( D0 )] = p 0 C 00 + p 1C 01 = 0

L0 L1 0.5L0 - 1.5L1
et E[C ( D1 )] = p 0 C10 + p 1C11 = 0.5 + (-1.5)= .
L0 + L1 L0 + L1 L0 + L1

La règle de décision de Bayes consiste à associer à l’observation ( x1 , x 2 , K , x n ) la décision dont

l’espérance de coût est la plus faible. Il s’ensuit que le fabricant des ampoules optera pour la
décision D0 de ne pas changer son procédé de fabrication tant que E[C ( D0 )] < E[C ( D1 )]
1. 5 L0 L
Û L0 > L1 = 3L1 , c’est à dire tant que > 3 (ou tant que ln 0 > ln 3 ). Il suffit donc de
0.5 L1 L1
calculer le rapport des deux vraisemblances et conclure.

*
* *