Cours Echantillonnage Et Estimations 1

UNIVERSITE MOHAMMED V
RABAT
FACULTE DES SCIENCES
JURIDIQUES
ECONOMIQUES
ET SOCIALES
AGDAL
DEPARTEMENT DE SCIENCES ECONOMIQUES
Licence fondamentale en Sciences Economiques et Gestion
COURS DECHANTILLONNAGE ET ESTIMATIONS
Professeur : Adil EL MARHOUM
ANNEE UNIVERSITAIRE 2014/2015
Cours Echantillonnage et Estimation
PREMIERE PARTIE
THEORIE DECHANTILLONNAGE
Adil EL MARHOUM
Page 2
THEORIE DECHANTILLONNAGE
I. Rle de lchantillonnage
Lorsquon souhaite collecter les informations sur une population, deux possibilits soffrent :
La premire solution consiste observer ou interroger tous les lments de la population,
cest ce quon appelle une enqute complte ou enqute exhaustive ou recensement. La
seconde solution consiste observer ou interroger une partie de la population, cest ce quon
appelle enqute partielle ou sondage. Les lments de la population qui sont rellement
observs constituent lchantillon et lopration qui consiste choisir ces lments est appele
chantillonnage.
Lalternative dcrite ci-dessus se prsente dans beaucoup de situations et le recours la
deuxime solution cest dire lenqute partielle et la pratique la plus courante.
Par rapport lenqute complte, lenqute partielle offre une srie davantages. Le cot
global de lenqute partielle est en gnral plus rduit que le cot global dune enqute
complte. Lenqute par sondage est plus rapide que lenqute complte, surtout lorsque la
caractristique tudie prsente des modifications assez importantes au cours du temps. Les
erreurs dobservations sont plus rduites que dans lenqute exhaustive. En fin dans certaines
situations particulires, lenqute partielle est la seule solution possible, cest le cas lorsque
lobservation prsente un caractre destructif.
II. VOCABULAIRE
Enqute : ensemble des oprations de collecte et de traitement de donnes relatives
quelques domaines que ce soit.
Population : rassemblement de tous les cas qui rpondent un ensemble de caractres
spcifiques. Appele aussi univers ou ensemble statistique, cest lensemble des lments
auxquels on sintresse.
Unit de base : unit dchantillonnage ou unit de sondage, cest llment pris en
considration dans lenqute.
Recensement : Enqute complte ou enqute exhaustive, cest une enqute au cours de
laquelle toutes les units de base de la population sont observes.
Sondage : Enqute incomplte, enqute partielle ou enqute par chantillonnage,
cest une enqute au cours de laquelle seulement une partie des units de base de la
population sont observe.
Adil EL MARHOUM
Page 3

Echantillon : ensemble des units de base slectionnes et rellement observes au cours
dun sondage.
Echantillonnage : ensemble des oprations qui permettent de slectionner de faon organise
les lments de lchantillon.
Base de sondage : numration ou prsentation ordonne de toutes les units de base
constituant la population.
Erreur dchantillonnage : cart entre les rsultats obtenus auprs dun chantillon et ce que
nous apprendrait un recensement comparable de la population. Plus la taille de lchantillon
est grande plus lerreur dchantillonnage diminue.
Fraction ou taux de sondage : proportion des units de la population qui font partie de
lchantillon. Cest le rapport entre la taille de lchantillon n, et la taille de la population N.
f
n
100
N
III. METHODES DECHANTILLONNAGE

Pour que les rsultats dune enqute par sondage puissent tre extrapols lensemble de la
population faisant lobjet de ltude, il est indispensable que cette enqute soit conduite selon
des rgles bien dfinies et que les calculs conduisant ces extrapolations soient conformes
la procdure dchantillonnage utilise.
Lchantillon choisi doit tre le plus reprsentatif possible de la population tudie, cest
dire le degr de correspondance entre linformation recueillie et ce que nous apprendrait un
recensement comparable de la population dpend en grande partie de la faon dont
lchantillon a t choisi.
La thorie moderne de lchantillonnage nous propose une distinction fondamentale entre
chantillons bass sur la probabilit : chantillons probabilistes; et chantillons non bass sur
la probabilit : chantillons non probabilistes ou empiriques.
3.1. METHODES DECHANTILLONNAGE PROBABILISTES

3.1.1. Echantillonnage alatoire et simple
Un chantillonnage est alatoire si tous les individus de la population ont la mme chance de
faire partie de lchantillon; il est simple si les prlvements des individus sont raliss
indpendamment les uns des autres.
En particulier, si la population est finie, cette dfinition correspond au tirage alatoire avec
remise, qui permet de traiter les populations finies comme des populations infinies.
Adil EL MARHOUM
Page 4

Pour prlever un chantillon alatoire et simple il faut :
-
Constituer la base de sondage qui correspond la liste complte et sans rptition des
lments de la population ;
Numroter ces lments de 1 N ;
Procder, laide dun gnrateur de nombres pseudo alatoires la slection des
units diffrentes qui constitueront lchantillon.
3.1.2. Echantillonnage stratifi

Lchantillonnage stratifi est une technique qui consiste subdiviser une population
htrogne, deffectif N, en P sous populations ou strates plus homognes deffectif Ni de
telle sorte que N= N1+N2+. +Np. Un chantillon, deffectif ni, est par la suite, prlev
indpendamment au sein de chacune des strates en appliquant un plan dchantillonnage au
choix de lutilisateur. Le plus souvent, on procdera par un chantillonnage alatoire et simple
lintrieur de chaque strate.
La stratification peut entraner des gains de prcision apprciables, elle facilite en outre les
oprations de collecte des donnes et fournit des informations pour diffrentes parties de la
population.
Pour la rpartition de leffectif total, n, de lchantillon dans les diffrentes strates, La
premire solution, dite proportionnelle, consiste conserver la mme fraction
dchantillonnage dans chaque strate. Une seconde solution, dite optimale, tient compte du
budget de lenqute.
a) Rpartition proportionnelle
La rpartition optimale consiste rpartir la taille de lchantillon n en utilisant la mme
fraction de sondage f dans chacune des strates. Cette solution tient compte dun seul facteur
qui est le poids de chaque strate.
Dsignons par wi le poids de la strate et par f la fraction de sondage constante.
fn
N
wi Ni
N
le nombre dunits choisir dans chacune des strates est donc :
ni w i n f Ni
Exemple :
Dans une population de 10000 entreprises, rparties en 500 petites entreprises, 3000
moyennes entreprises et 2000 grandes entreprises, on souhaite avoir un chantillon de 500
entreprises.
Fraction de sondage constante : f = 500 / 1000 = 0.05 %
Adil EL MARHOUM
Page 5

Strate
Petite
Moyenne
Grande
Total
Effectif de la strate
5000
3000
2000
10000
Taille de lchantillon
5000 * 0,05 = 250
3000 * 0,05 = 150
2000 * 0,05 = 100
500
b) Rpartition optimale
Cette deuxime solution consiste rpartir leffort dchantillonnage de faon ingale dans
les diffrentes strates. Elle tient compte de quatre facteurs :
-
Budget total de lenqute, G

Poids de la strate, wi
Cot de la collecte de linformation dans la strate, ci
Dispersion lintrieur de la strate, mesure par lcart type i.
le nombre dunits choisir dans chacune des strates est donn par :
ni k w i i
ci
avec
G
w i i ci
Exemple :
Dans la population des 10000 entreprises, on a pu avoir les informations suivantes :
Strate
Poids de la strate
wi
Petite
Moyenne
Grande
0,5
0,3
0,2
Cot de la collecte de
linformation dans la
strate, ci
50
75
100
Dispersion lintrieur
de la strate, mesure par
lcart type i.
0,8
1,5
2,2
le nombre dentreprises choisir dans chacune des strates est donn par :
k
G
5000
=
= 449,42
w i i ci
0,50,8 50 0,31,5 75 0,22,2 100
0,5 0,8
= 26 petites entreprises
50
0,3 1,5
n1 449,42
= 24 moyennes entreprises
75
0,2 2,2
n1 449,42
= 20 grandes entreprises
100
n1 449,42
Adil EL MARHOUM
Page 6

3.1.3. ECHANTILLONNAGE PAR DEGRES
Lchantillonnage par degrs regroupe toute une srie de plans dchantillonnage caractriss
par un systme ramifi et hirarchis dunits.
Dans le cas de deux degrs, par exemple, on considre que la population est constitue dun
certain nombre dunits de sondage du premier degr (units primaires), chacune de ces units
tant constitue dun certain nombre dunits du second degr. (units secondaires)
On ralise dabord un chantillonnage dunits du premier degr. Ensuite, dans chaque unit
slectionne au premier degr, on prlve un chantillon dunits du second degr. Le mode
de slection pouvant varier dun degr lautre.
Lchantillonnage par degrs simpose lorsquil est impossible dinventorier les lments de
toute la population et quil est possible dnumrer les units prleves au premier degr. Il
permet une concentration du travail sur le terrain et donc une rduction des cots.
Pour un mme nombre total dobservations, il faut citer sa plus faible efficacit que
lchantillonnage alatoire et simple.
Exemple :
Pour tudier le niveau de consommation des mnages dune ville, on a tir
alatoirement 5 quartiers. Dans chaque quartier slectionn, on retient une rue sur 5,
dans chaque rue retenue, on retient un immeuble sur 3, et dans chaque immeuble, un
mnage par tage sera questionn.
3.1.4. Echantillonnage systmatique

Lchantillonnage systmatique est une technique qui consiste prlever des units
dchantillonnage situes intervalles gaux. Le choix du premier individu dtermine la
composition de tout lchantillon.
Si on connat leffectif total de la population N et quon souhaite prlever un chantillon
deffectif n, lintervalle entre deux units successives slectionner est donn par :
k N (arrondi lentier le plus proche)

n
Connaissant k, on choisit le plus souvent, pour dbuter, un nombre alatoire, i, compris entre
1 et k. le rang des units slectionnes est alors i, i+2k, i+3k,
Lchantillonnage systmatique est facile prparer et, en gnral facile excuter, il rduit
le temps consacr la localisation des units slectionnes.
Adil EL MARHOUM
Page 7

Si les lments de la population se prsentent dans un ordre alatoire (pas de tendance)
lchantillonnage systmatique est quivalent lchantillonnage alatoire et simple. Par
contre si les lments de la population prsentent une tendance, lchantillonnage
systmatique est plus prcis que lchantillonnage alatoire.
Exemple :
On veut slectionner un chantillon de 30 entreprises au sein dune population de
1800 entreprises.
k 1800 60
30
Ainsi on va tirer une entreprise toutes les 60 en partant dun nombre tir alatoirement entre 1
et 60.
Supposons ce nombre est le 15. On va donc slectionner la 15me entreprise puis la 75me, la
135me. jusqu la 1755me ce qui nous donnera lchantillon de 30 entreprises.
3.2. METHODES DECHANTILLONNAGE EMPIRIQUES

3.2.1 Echantillonnage accidentel (De convenance)
Il sagit dun chantillon constitu dindividus qui se trouvaient accidentellement lendroit
et au moment o linformation a t collecte.
Exemple :
-
Enquts ralises dans la rue, les lieux publics, en sortie de super march
Questionnaires figurant dans les magasines et renvoys spontanment.
Les chantillons accidentels ne peuvent tre considrs reprsentatifs daucune population. Il

est risqu de gnraliser une population donne des rsultats obtenus par un chantillon
accidentel.
3.2.2. Echantillonnage priori

Cest un chantillonnage par jugement priori. Il consiste slectionner des individus dont
on pense, avant de les interroger, quils peuvent dtenir linformation.
Le risque de ce type dchantillonnage est de considrer des individus, apparemment
reprsentatifs de la population tudie.
Adil EL MARHOUM
Page 8
3.2.3. Echantillonnage Boule de neige

Cette mthode est rserve aux populations composes dindividus dont lidentification est
difficile ou qui possdent des caractristiques rares.
La mthode consiste faire construire lchantillon par les individus eux-mmes. Il suffit den
identifier un petit nombre initial et de leur demander de faire appel dautres individus
possdant les mmes caractristiques.
3.2.4. Echantillonnage par Quotas.

Lchantillonnage par quotas est lchantillonnage non probabiliste le plus connu, et
finalement le mieux accept comme substitut aux mthodes probabilistes dans le cas o ces
dernires rencontreraient des contraintes de base de sondage. Mais la reprsentativit de la
population tudie reste douteuse.
Lchantillonnage par quotas consiste tudier la structure de la population selon des critres
choisis (quotas) empiriquement. Lchantillon est ensuite construit de manire constituer
une reproduction en miniature de la population sur ces critres.
Lchantillonnage par quotas est une forme simplifie de lchantillonnage stratifi fraction
de sondage constante. Les quotas reprsentent les variables de stratification.
Une fois les quotas sont fixs, les individus sont slectionns la convenance de lenquteur.
Les critres servant de base la dfinition des quotas ne doivent pas tre nombreux. Au-del
de 3 critres, la dmarche devient complexe. Les quotas doivent tre construits sur une base
de donnes fiables ( statistiques disponibles ) indiquant la rpartition de la population sur les
critres choisis. Les critres les plus utiliss dans les tudes de march sont conomiques et
socio-dmographiques en particulier lge, le sexe, la catgorie socioprofessionnelle,
Exemple :
On souhaite avoir un chantillon de 1000 individus. La structure de la population selon trois
critres est la suivante :
1) Age
Age
20 29 ans
30 49 ans
50 60 ans
Total
Adil EL MARHOUM
Structure de la population Rpartition de lchantillon

40 %
400
35 %
350
25 %
250
100 %
1000
Page 9

2) Sexe x Age
Structure de la population
Age
Sexe
20 29 ans
30 49 ans
50 60 ans
Masculin Fminin
48 %
52 %
49 %
51 %
45 %
55 %
Total
100 %
100 %
100 %
Rpartition de lchantillon
Age
Sexe
20 29 ans
30 49 ans
50 60 ans
Masculin Fminin
192
208
172
178
113
137
Total
400
350
250
3) Age x Sexe x Catgorie socioprofessionnelle

Structure de la population
AGE
20-29
30-49
50-60
CSP
Sexe
M
F
M
F
M
F
Sans
Etudiant Agric
10%
15%
8%
20%
6%
35%
30%
25%
5%
4%
2%
1%
5%
2%
15%
10%
25%
20%
Artisans Prof
librales
6%
9%
10%
8%
22%
15%
16%
14%
22%
18%
20%
6%
Employs Ouvriers Total

25%
30%
15%
24%
17%
13%
15%
10%
20%
12%
10%
5%
100%
100%
100%
100%
100%
100%
Rpartition de lchantillon
AGE
20-29
30-49
50-60
CSP
Sexe
M
F
M
F
M
F
Sans
Etudiant Agric
19
31
14
36
7
48
58
52
9
7
2
1
Adil EL MARHOUM
10
4
26
18
28
27
Artisans Prof
librales
12
17
21
17
38
26
28
25
25
20
27
8
Employs Ouvriers Total

48
62
26
43
19
18
28
21
33
21
12
8
192
208
172
178
113
137
Page 10

IV. DETERMINATION DE LA TAILLE DE LECHANTILLON
Le nombre nest pas une garantie absolue de reprsentativit. La dtermination de la taille
dchantillon dpend essentiellement de deux facteurs :
-
La prcision souhaite : plus on souhaite des rsultats prcis, plus lchantillon

ncessaire est important.
Le budget disponible : plus on augmente la taille, plus le cot de lenqute saccrot.
La taille de lchantillon doit tre celle qui permet datteindre le meilleur quilibre entre le
risque de commettre des erreurs dchantillonnage, le cot induit par ces erreurs, et le cot de
lchantillonnage lui-mme.
Afin de dterminer la taille de lchantillon, nous utiliserons lingalit de Bienaym
Tchebycheff ou la loi normale.
4.1. UTILISATION DE LINEGALITE DE BIENAYME

TCHEBYCHEFF
Cette ingalit nest utilise que si la loi de la variable alatoire est compltement inconnue.
Elle aboutit des chantillons de taille leve.
4.1.1. Taille dchantillon pour estimer une moyenne.
-
La taille de lchantillon dpend de la prcision souhaite pour la gnralisation des

rsultats.
La prcision (ou erreur dchantillonnage) sexprime en valeur absolue ou relative.
Elle reprsente la largeur de lintervalle de confiance de la moyenne. Soit la moiti
de cette largeur.
Lingalit de Binaym Tchebycheff dans le cas de la moyenne scrit :
P( X m < ) 1
n
avec :
n
: taille de lchantillon ;
: prcision souhaite ;
X
: moyenne de lchantillon ;
m
: moyenne de la population.
: Ecart- type dchantillon, il est souvent inconnu, il faut avoir des informations
antrieures ou mener une tude pilote.
Pour obtenir un maximum de fiabilit dans les rsultats, on commence par se fixer une marge
d'erreur "" que l'on accepte. On se fixe ensuite un seuil de confiance (1-), qui reprsente la
probabilit minimale pour que la moyenne calcule partir de lchantillon ne scarte pas de
la moyenne de la population de plus de . Ceci scrit :
Adil EL MARHOUM
Page 11
P( X m < ) 1-
En rapprochant les deux formules on obtient :
1 = 1-
n
et donc :
Exemple :
Un parc de loisirs souhaite estimer 10dh prs le montant moyen dachats effectus par
chaque visiteur, cest dire on se fixe une marge d'erreur de 10 dans l'analyse des rsultats :
= 10
Une tude pilote mene sur 50 visiteurs choisis au hasard a montr que lcart- type des
achats est : = 100 dh.
Si on se fixe un seuil de confiance (1-) = 95%, La taille de lchantillon est donc :
100 2000
100,05
4.1.2. Taille dchantillon pour estimer une proportion

-
La taille de lchantillon dpend de la prcision souhaite pour la gnralisation des

rsultats.
La prcision (ou erreur dchantillonnage) sexprime en valeur absolue ou relative.
Elle reprsente la largeur de lintervalle de confiance de la proportion. Soit la moiti
de cette largeur.
lingalit de Binaym Tchebycheff dans le cas de la proportion scrit :

P( f n p < ) 1
pq
n
avec :
n
fn
: proportion ou frquence relative dans lchantillon ;
Adil EL MARHOUM
Page 12

p
: proportion dans la population (q = 1 p). Elle est souvent inconnue, il faut avoir des
informations antrieures ou mener une tude pilote, sinon on utilise une proportion de 50 %.
probabilit minimale pour que la frquence calcule partir de lchantillon ne scarte pas de
la proportion dans la population de plus de . Ceci scrit :
P( f n p < ) 1-
En rapprochant les deux formules on obtient :
pq
n = 1-
et donc :
pq
Exemple :
Le parc souhaite estimer la proportion des visiteurs qui font des achats cinq points prs,
cest dire on se fixe une marge d'erreur de 5% dans l'analyse des rsultats :
= 0,05
Lenqute pilote a estim cette proportion 65%, cest dire p = 0,65
Si on se fixe un seuil de confiance (1-) = 95%, la taille de lchantillon est donc :
n 0,650,35 1820
0,050,05
4.2. UTILISATION DE LA LOI NORMALE
On applique cette mthode si la variable suit une loi normale ou si elle peut tre approche par
la loi normale.
4.2.1. Taille dchantillon pour estimer une moyenne

a) Cas des prlvements dans une population finie avec remise ou dans une
population infinie sans remise :
probabilit minimale pour que la moyenne calcule partir de lchantillon ne scarte pas de
la moyenne de la population de plus de . Ceci scrit :
Adil EL MARHOUM
Page 13
P( X m < ) 1-
avec :
X
m
: moyenne de lchantillon ;
: moyenne de la population.
Daprs le thorme central limite, la variable alatoire X suit une loi normale dont les
paramtres sont :
E( X ) m
V (X )
2
n
X
n
Lcart type de la moyenne est donc :
Dterminer la taille de lchantillon consiste rsoudre lquation :
P( X m < ) 1-
P( X m) 1-
P( X m ) 1-
n
n
n
P( n Z n ) 1-
( n )( n ) 1-
( n )[1( n )] 1-
2( n )1 1-
( n ) 1-
2
Adil EL MARHOUM
Page 14

On se reporte la table de distribution de la loi Normale centre rduite, et on cherche la
valeur correspondante une probabilit gale 1- , cette valeur de z sera dsigne par Z1
2
2
On a alors :
n Z
= 1 2
n Z12
Exemple :
Reprenons lexemple du parc de loisirs qui souhaite estimer 10dh prs le montant moyen
dachats effectus par chaque visiteur, cest dire on se fixe une marge d'erreur de 10 dans
l'analyse des rsultats :
= 10
Une tude pilote mene sur 50 visiteurs choisis au hasard a montr que lcart- type des
achats est : = 100 dh.
Si on se fixe un seuil de confiance (1-) = 95%, La taille de lchantillon est donc :
n 1,96 100 384,16 385

10
b) Cas des prlvements dans une population finie sans remise :
E( X n ) = m
V( X n ) = N n
N 1 n
Lcart type de la moyenne est donc :
X N n 1 n
N 1 n
N
n
De la mme manire, on arrive :
n N
N n
Z1
n Z
N n 1 2 N
Adil EL MARHOUM
Page 15
n Z
1
N n
2 N
nZ1 n Z1
2
2 N
n(1 Z1 ) Z1
2 N
2
Z1-2 N
N Z1-2
4.2.2. Taille dchantillon pour estimer une proportion.

Pour obtenir un maximum de fiabilit dans les rsultats, on commence par se fixer une
marge d'erreur "" que l'on accepte. On se fixe ensuite un seuil de confiance (1-), qui
reprsente la probabilit minimale pour que la frquence calcule partir de lchantillon ne
scarte pas de la proportion dans la population de plus de . Ceci scrit :
P( f n p < ) 1-
avec :
n
fn
: proportion ou frquence relative dans lchantillon ;
p
: proportion dans la population (q = 1 p). Elle est souvent inconnue, il faut avoir des
informations antrieures ou mener une tude pilote, sinon on utilise une proportion de 50 %.
Daprs le thorme central limite, la variable alatoire f n suit une loi normale dont les
paramtres sont :
a) Cas des prlvements dans une population finie avec remise ou dans une
population infinie sans remise :
E( f n ) = p
V( f n ) =
Lcart type de la frquence est donc :
Adil EL MARHOUM
pq
n
fn
pq
n
Page 16

Dterminer la taille de lchantillon consiste rsoudre lquation :
P( f n p < ) 1-
P( fn p) 1-
fn p
P(
) 1-
pq
pq
pq
n
n
n
P( n Z n ) 1-
pq
pq
( n )( n ) 1-
pq
pq
( n )[1( n )] 1-
pq
pq
2( n )1 1-
pq
( n ) 1-
2
pq
On se reporte la table de distribution de la loi Normale centre rduite, et on cherche la
valeur correspondante une probabilit gale 1- , cette valeur de z sera dsigne par Z1
2
2
On a alors :
n Z
= 1
2
pq
n Z12 pq
Exemple :
Reprenons lexemple du parc de loisirs qui souhaite estimer la proportion des
visiteurs qui font des achats cinq points prs, cest dire on se fixe une marge
d'erreur de 5% dans l'analyse des rsultats : = 0,05
Adil EL MARHOUM
Page 17

Lenqute pilote a estim cette proportion 65%, cest dire p = 0,65
Si on se fixe un seuil de confiance (1-) = 95%, on se reporte la table de
distribution de la loi Normale, et on cherche la valeur correspondante une
probabilit (1-/2) = 0,975, ce qui donne Z = 1,96.
La taille de lchantillon est donc :
n 1,96 0,650,35 349,58 350

0,05
b) Cas des prlvements dans une population finie sans remise :
E( f n ) = p
pq
V( f n ) = N n
N 1 n
Lcart type de la frquence est donc :
fn
pq
n
N n
N 1
pq
1 n
N
n
De la mme manire, on arrive :
n N =Z
1
2
pq N n
n Z pq
N n 1 2 N
n Z pq
1
N n
2 N
n Z1
pq
pq
n Z1
2 N
n(1 Z1
Adil EL MARHOUM
pq
pq
) Z1
N
2
Z1-2 p q N
N Z1-2 p q
Page 18

V. DISTRIBUTIONS DECHANTILLONNAGE
La notion de distribution dchantillonnage est la base des mthodes dinfrence statistique
dont les deux principales applications sont les problmes destimation et les tests
dhypothses. Les premiers ont pour but destimer, partir dun chantillon, la valeur
numrique dun ou de plusieurs paramtres de la population, et de dterminer la prcision de
cette ou de ces estimations. Les seconds ont pour but de vrifier la vracit dune hypothse
mise au dpart au sujet dune ou de plusieurs populations.
A tout paramtre de population , on peut associer une srie infinie de valeurs observes t, t,
t , , calcules partir dchantillons successifs de mme effectif, prlevs dans des
conditions identiques. Ces valeurs peuvent tre considres comme des valeurs observes
dune mme variable alatoire T, et cette variable est fonction des diffrentes variables
alatoires correspondant chacun des individus de lchantillon :
T = f (X1, X2, , Xn)
En supposant que lchantillon est alatoire et simple, la variable alatoire T possde une
distribution de probabilit, dite distribution d chantillonnage. On peut donc calculer
lesprance E(T) et la variance V(T) de cette distribution.
La distribution dchantillonnage est donc la distribution des diffrentes valeurs que peut
prendre la variable alatoire T, pour les diffrents chantillons possibles. Son cart type T est
appel erreur standard.
Les principales distributions dchantillonnage sont la distribution dchantillonnage de la
moyenne, la distribution dchantillonnage de la variance et la distribution dchantillonnage
de la proportion.
5.1. DISTRIBUTION DECHANTILLONNAGE DE LA MOYENNE

Supposons que dans une population infinie quelconque, on ait prlev au hasard un premier
chantillon de n observations :
x1, x2, x3, ., xn

n
et quon ait calcul la moyenne :
xi
x i 1
n
Si on prlve, dans les mmes conditions, un deuxime chantillon de mme effectif :
x1, x2, x3, ., xn
Adil EL MARHOUM
Page 19

n
x'i
La moyenne correspondante x' i 1

n
observe.
sera gnralement diffrente de la premire moyenne
Il en sera de mme pour les moyennes dautres chantillons prlevs dans les mmes
conditions :
x1, x2, x3, ., xn

n
xi''
x'' i1
n
On peut considrer la suite des premires observations x1, x1, x1, des diffrents
chantillons comme des valeurs observes dune mme variable alatoire X1, la suite des
deuximes observations des diffrents chantillons comme des valeurs observes dune mme
variable alatoire X2, etc.
Les moyennes observes
x , x' , x'' , sont alors des valeurs observes dune mme variable
alatoire
X qui est fonction de X1, X2, , Xn.

n
Xi
X i 1
n
Comme X1, X2, , Xn, la variable alatoire X possde une distribution de probabilit, dite
distribution d chantillonnage de la moyenne. On peut donc calculer lesprance et la
variance de cette distribution, en supposant que lchantillon est alatoire et simple, les
variables alatoires X1, X2, , Xn ont toutes la mme distribution de probabilit, dont la
moyenne est dsigne par m et la variance par .
E(Xi) = m
et
V(Xi) =
On dmontre alors :
n
E( X ) = E(
Xi
i 1
) = 1 E(Xi) = 1 nm = m
n i 1
n
V( X ) = V(
Xi
i 1
) = 1 V(Xi) = 1 n =
n i 1
n
n
X est appel erreur standard de la moyenne dun chantillon alatoire est simple
n
Adil EL MARHOUM
Page 20

Dans le cas dune population finie deffectif N, au sein de laquelle est prlev, sans remise, un
chantillon alatoire est simple deffectif n, la variance de la moyenne est :
V( X ) = N n
N 1
Lerreur standard est alors : X
N n
n N 1
En plus des caractristiques de la distribution dchantillonnage de la moyenne, on peut aussi

rechercher la forme de cette distribution.
Si par exemple, la population parent possde une distribution normale, on peut affirmer que la
distribution de la moyenne est elle-mme normale de moyenne m et dcart type X
.
n
Si la distribution de la population parent est inconnue, le thorme central limite permet

daffirmer que la distribution de la moyenne est asymptotiquement normale. Pour un effectif
suffisamment lev, la moyenne dun chantillon peut toujours tre considre comme une
variable approximativement normale. Cest gnralement le cas lorsque leffectif est suprieur
30. Dans le cas contraire (n < 30), la moyenne dun chantillon peut toujours tre considre
comme une variable de Student (n-1) degr de libert.
5.2. DISTRIBUTION DECHANTILLONNAGE DE LA VARIANCE

De la mme manire que la moyenne, chacun des chantillons possde une variance :
n
(x x)
i
v(x) i 1
(x ' x')
i
v(x') i 1
(x " x")
i
v(x") i 1
Ces variances peuvent tre considres comme des valeurs observes dune mme variable
alatoire :
n
(X i X )
V(X) i 1
Adil EL MARHOUM
Page 21

Comme X1, X2, , Xn, la variable alatoire V(X) possde une distribution de probabilit, dite
distribution d chantillonnage de la variance. On peut donc calculer lesprance
mathmatique et la variance de cette distribution, en supposant que lchantillon est alatoire
et simple, les variables alatoires X1, X2, , Xn ont toutes la mme distribution de
probabilit, dont la moyenne est dsigne par m et la variance par .
E(Xi) = m
V(Xi) =
et
on peut dmontrer alors :

n
(X X )
i
E(V(X)) = E(
i 1
) = E(
i 1
i 1
n
n
(X m)2(X m)(X m)(X m)

i
i 1
i 1
i 1
(X i m)
E(V(X)) = E( i 1
i 1
) = E(
E(V(X)) = E(
[(X m)2(X m)(X m)(X m)]

i
[(X m)(X m)]
E(V(X)) = E(
(X m X m)
2(X m) i 1
(X i m)
(X m)
i1
(Xi m)
E(V(X)) = E( i 1
2(X m)(X m) (X m) )
E(V(X)) = E( (X m) )
E(V(X)) = E( ) E( (Xm) )
E(V(X)) = -
n
E(V(X)) n1
n
Pour la variance de la distribution dchantillonnage de la variance, on dmontre, dans le cas
dune population normale :
Adil EL MARHOUM
Page 22

2(n1) 4
V(V(X)) = E[(V(X) E(V(X)))] = E[(V(X) n1 )] =
.
n
n
chantillon alatoire est simple deffectif n, lesprance mathmatique de la variance est :
E(V(X))
N n1
N 1 n
En ce qui concerne la forme de la distribution dchantillonnage de la variance, on peut

dmontrer que dans le cas particulier dune population normale, la variable alatoire
n
(xi x)
i 1
possde une distribution khi deux (n-1) degr de libert.
5.3. DISTRIBUTION DECHANTILLONNAGE DE LA PROPORTION

Si on considre une population infinie et si on y prlve un chantillon alatoire et simple
deffectif n, on dsigne par x le nombre dindividus possdant, dans lchantillon, le caractre
tudi.
fn X n est la frquence ou proportion des individus possdant, dans lchantillon, le caractre

n
tudi.
On dsigne par p la proportion des individus possdant, dans la population, le caractre
tudi.
De la mme manire que la moyenne et la variance, chacun des chantillons possde une
frquence :
fn X n
n
fn' X n'
n
fn" X n"
n
Ces frquences peuvent tre considres comme des valeurs observes dune mme variable
alatoire :
Fn X n
n
Adil EL MARHOUM
Page 23

La variable alatoire Fn possde une distribution de probabilit, dite distribution
d chantillonnage de la proportion. On peut donc calculer lesprance et la variance de cette
distribution, en supposant que lchantillon est alatoire et simple.
On peut dmontrer alors :
E(Fn) = E( X n ) = 1 E( X n ) = 1 n p = p
n
n
n
pq
V(Fn) = V( X n ) = 1 V( X n ) = 1 n p q =
n
n
n
n
Fn
pq
est appel erreur standard de la frquence dun chantillon alatoire est simple
n
chantillon alatoire est simple deffectif n, la variance de la frquence est :
pq
V(Fn) = V( X n ) = 1 V( X n ) = 1 N n n p q = N n
n
n
n N 1
N 1 n
pq
Lerreur standard est alors : Fn N n
N 1
En ce qui concerne la forme de cette distribution, on peut affirmer que la distribution de la

pq
proportion suit une loi normale de moyenne p et dcart type Fn
condition que la
n
taille de lchantillon soit suprieure ou gale 30 (n 30) et le produit n p 5.
Adil EL MARHOUM
Page 24
EXERCICES SUR LA THEORIE

DECHANTILLONNAGE
1. Quelle est l'esprance mathmatique et quelle est la variance des rsultats qu'on peut obtenir
quand on choisit au hasard et indpendamment dix nombres entiers de 1 9 et qu'on en
calcule la moyenne, en supposant que chacun des nombres de 1 9 a une mme probabilit
d'tre choisi et qu'un mme nombre peut tre choisi plusieurs fois sans aucune restriction ?
2. Quelle est la probabilit que la moyenne d'un chantillon de 12 observations provenant d'une
population de distribution uniforme dfinie dans l'intervalle (0, 1) soit comprise entre 0,4 et
0,6 ?
3. Calculez la moyenne et l'cart type de la variance V(X), ainsi que la probabilit
P(10<V(X)<20), en supposant que V(X) dsigne la variance observe d'chantillons alatoires
et simples d'effectif 10 extraits d'une population normale de moyenne gale 15 et dcart
type gal 4.
4. On suppose que les poids de 3000 tudiants d'une universit suivent une loi normale de
moyenne 68,0 kilogrammes et cart type 3,0 kilogrammes. Si l'on extrait 80 chantillons de
25 tudiants chacun, quelle est la moyenne et cart type thoriques de la distribution
d'chantillonnage des moyennes pour (a) un chantillonnage non exhaustif, (b) un
chantillonnage exhaustif ?
5. 500 pignons ont un poids moyen de 5,02 grammes et un cart type de 0,30 grammes. Trouver
la probabilit pour quun chantillon de 100 pignons choisi au hasard ait un poids total (a)
compris entre 496 et 500 grammes. (b) plus grand que 510 grammes.
6. Lors dlections, les rsultats ont montr quun des candidats a obtenu 46 % des voix.
Dterminer la probabilit pour que le vote de (a) 200 (b) 1000 personnes choisies au hasard
parmi le corps lectoral donne une majorit de voix en faveur de ce candidat.
7. Les ampoules lectriques d'un fabricant A ont une dure de vie moyenne de 1400 heures avec
un cart-type de 200 heures, et celles d'un fabricant B ont une dure de vie moyenne de 1200
heures avec un cart-type de 100 heures. Si l'on teste des chantillons de 125 ampoules pour
chaque marque, quelle est la probabilit pour que la marque d'ampoules A ait une dure de vie
moyenne qui soit au moins suprieure de (a) 160 heures, (b) 250 heures celle de la marque
d'ampoules B ?
8. Les pignons d'une marque donne psent 0,50 gramme avec un cart-type de 0,02 gramme.
Quelle est la probabilit pour que deux lots de 1000 pignons chacun diffrent entre eux de
plus de 2 grammes ?
9. Un certain type dampoule lectrique a une dure de vie moyenne de 1500 heures et un cart
type de 150 heures. Trois ampoules sont branches de telle manire que, si lune delles est
grille, les autres continuent fonctionner. En supposant que les dures de vie suivent une loi
de Laplace Gauss, quelle est la probabilit pour que lclairage fonctionne (a) au moins
pendant 5000 heures. (b) au plus pendant 4200 heures ?
Adil EL MARHOUM
Page 25

10. Lcart type des poids dune trs grande population de personnes est 10 kg On extrait de cette
population des chantillons de 200 personnes chacun. On calcule alors les carts types pour
chaque chantillon. (a) Trouver la moyenne et lcart type de la distribution dchantillonnage
des carts types. (b) Quel est le pourcentage dchantillons qui a un cart type plus grand que
11 Kg ?
11. Les poids de 1500 pignons suivent une loi de Laplace-Gauss de moyenne 22,40 kg et cart
type 0,048 kg Dterminer pour 300 chantillons alatoires de taille 36 de cette population la
moyenne et l'cart-type thoriques de la distribution d'chantillonnage des moyennes,
l'chantillonnage tant (a) non exhaustif, (b) exhaustif.
12. Les poids des colis reus dans un grand magasin ont une moyenne de 300 kg et un cart-type
de 50 kg, Quelle est la probabilit pour que 25 colis reus au hasard et chargs sur un montecharge dpassent la limite de scurit du monte-charge, qui est 8200 kilogrammes.
13. Un fabricant expdie 1000 lots de 100 ampoules lectriques chacun. Si 5 % des ampoules
sont normalement dfectueuses, dans combien de lots peut-on avoir (a) moins de 90 bonnes
ampoules, (b) 98 bonnes ampoules ou davantage ?
14. A et B fabriquent deux types de cbles ayant comme charges de rupture respectives 4000 et
4500 kilogrammes avec des carts-types de 300 et 200 kilogrammes. Si l'on teste 100 cbles
de la marque A et 50 cbles de la marque B, quelle est la probabilit pour que la rsistance de
rupture moyenne de B ait (a) au moins 600 kilogrammes de plus que A, (b) au moins 450
kilogrammes de plus que A ?
15. Les rsultats d'une lection montrent qu'un des candidats a obtenu 65 % des voix. Trouver la
probabilit pour que deux chantillons alatoires, chacun correspondant 200 votants,
indiquent plus de 10 % de diffrence dans les proportions de gens qui ont vot pour ce
candidat.
16. Une firme fabrique un bien dont la dure de vie est en moyenne 1800 heures avec un cart
type de 200 heures. (a) Trouver la probabilit qu'un chantillon alatoire de 100 units de ce
bien a une moyenne de vie suprieure 1825. (b) Trouver la probabilit qu'un chantillon
alatoire de 100 Units de ce bien une moyenne de vie de pas plus de 1775 et pas moins de
1760.
17. Dans le but dtudier lintention dachat dun produit, on dcide de raliser un sondage.
Combien de personnes doit-on interroger pour que la frquence empirique ne sloigne pas de
la vraie proportion de 1% et ce avec une probabilit au moins gale 95%?
18. Une enqute sur l'emploi a pour but destimer le taux d'activit dans un pays. Dans les
statistiques disponibles, la population active du pays est estime 10000000 personnes sur
une population totale de 40 millions de personnes. Dtermines la taille de l'chantillon si l'on
accepte une erreur de 1% . avec une probabilit de 0,95.
Adil EL MARHOUM
Page 26

19. Afin destimer le revenu mensuel moyen dans un secteur de production. Quelle doit
tre la taille de lchantillon de salaris interroger pour que la moyenne empirique
ne sloigne pas de la moyenne de la population de 100 dh avec une probabilit au
moins gale 0,95 sachant que lcart type est de 500 dh par salari ?
20. On souhaite raliser une enqute sur lemploi afin destimer le taux de chmage. La
population active est de 5 millions de personnes. Quelle doit tre la taille de
lchantillon pour que la frquence empirique ne sloigne pas du vrai taux de
chmage et ce avec une probabilit de 0,95 de 2%. Une enqute rcente avait donn
un taux de chmage de 12 %
21. Dans le cadre d'une tude socio-conomique, on s'intresse aux habitants de 18 units
urbaines, rparties en deux rgions. L'enqute devrait comporter 500 interviews. Comme on
dispose de 10 enquteurs et qu'on souhaite que chaque enquteur n'opre que dans une seule
unit urbaine, on souhaite se limiter l'tude de 10 units urbaines. En fonction de la
rpartition des units urbaines par rgion et de leurs nombres d'habitants, expliquez, de faon
aussi dtaille que possible la manire dont on pourrait organiser cette enqute, en prcisant
notamment dans quelles units urbaines il y aurait lieu d'envoyer les enquteurs.
Rgion 1
Units urbaines Nombres dhabitants
1
93600
2
45400
3
38900
4
36500
5
35100
6
32900
7
28100
8
26400
Rgion 2
Units urbaines Nombres dhabitants
9
117100
10
107100
11
61200
12
51000
13
43800
14
38900
15
37800
16
33500
17
25800
18
25300
22. Dans une rgion regroupant environ 3 millions dhabitants runis en un peu plus de 1500
communes, on dsire raliser une enqute au cours de laquelle 0,5 pour mille des habitants
devraient tre interrogs. En effectuant une stratification base sur la distribution de
frquences donne ci-dessous, combien dinterviews devrait-on raliser dans chacune des
catgories de communes. Si de plus pour des raisons de facilit, on dcidait de ne pas
effectuer moins de 10 interviews par commune, dans combien de communes diffrentes de
chacune des catgories les enquteurs devraient-ils se rendre ?
Nombre dhabitants
Moins de 1000
1000 2000
2000 5000
5000 10000
10000 20000
plus de 20000
Total
Adil EL MARHOUM
Nombre de communes
900
300
200
80
40
10
1530
Page 27
DEUXIEME PARTIE
LES PROBLEMES DESTIMATION
Adil EL MARHOUM
Page 28
LES PROBLEMES DESTIMATION

Les premiers problmes dinfrence statistique auxquels sapplique la thorie des distributions
dchantillonnage sont les problmes destimations. Le but poursuivi est destimer, partir
dun chantillon, la ou les valeurs numriques dun ou de plusieurs paramtres de la
population considre et de dterminer la prcision de cette ou de ces estimations.
On distingue deux formes destimations : lestimation ponctuelle et lestimation par intervalle
de confiance.
I. ESTIMATION PONCTUELLE
Lestimation ponctuelle ou lestimation de point dun paramtre est la connaissance de la
seule valeur estime de ce paramtre. Les paramtres les plus recherchs sont la moyenne, la
variance et la proportion.
1.1. PRINCIPES GENERAUX DE LESTIMATION

Soit une population quelconque, dont la distribution de probabilit L(X) est fonction dun
paramtre : L(X) = f(X, ) et un chantillon alatoire et simple deffectif n extrait de cette
population.
On appelle estimateur du paramtre , toute fonction alatoire des valeurs observes, X1, X2,
, Xn, susceptibles de servir estimer .
Tn = f (X1, X2, , Xn)
On appelle estimations les valeurs numriques t1, t2, de cette variable alatoire Tn.
1.1.1. Les principales qualits dun estimateur
a) labsence de biais
La premire qualit dun bon estimateur est labsence derreur systmatique ou de biais. Cette
qualit implique que la vraie valeur doit tre retrouve en moyenne :
E(Tn) =
Tout estimateur qui satisfait cette condition est dit sans biais ou non biais.
b) la variance minimale
Une deuxime qualit dun bon estimateur est de possder une prcision suffisante. Cette
prcision peut tre mesure par le moment dordre deux par rapport .
E[(Tn - )]
Adil EL MARHOUM
Page 29

Pour les estimateurs non biaiss, ce moment se confond avec la variance :
E[(Tn - )] = V(Tn)
On peut dmonter qu tout paramtre correspond une valeur minimum de E[(Tn - )].
La fonction qui correspond ce minimum dfinit lestimateur de variance minimum.
Dans le cas des estimateurs non biaiss, cette variance vaut :
1
d log f(x,)
nE[(
)]
d
Un estimateur non biais dont la variance est gale ce minimum est appel estimateur non
biais de variance minimum ou estimateur efficace.
c) convergence en probabilit
un estimateur Tn converge en probabilit vers si :
0,
lim P(Tn ) = 0
n
Ce ci signifie que lcart entre le paramtre calcul partir de lchantillon et la vraie valeur
du paramtre de la population est trs faible quand la taille de lchantillon est grande. Cet
cart peut tre mesur par la variance. Ainsi on parle de convergence en probabilit si :
limV(Tn) = 0
n
Un estimateur qui converge en probabilit est dit consistant.
1.1.2. la mthode du maximum de vraisemblance
Ayant dfinit les principales qualits des estimateurs, la mthode du maximum de
vraisemblance permet le plus souvent dobtenir des estimateurs possdant ces qualits. Le
principe de cette mthode est de choisir comme estimation de tout paramtre la valeur la
plus vraisemblable, cest dire celle qui a la plus grande probabilit de provoquer lapparition
des valeurs observes dans lchantillon. Cette probabilit est appele fonction de
vraisemblance. Cest la probabilit ou la densit de probabilit relative aux valeurs observes
x1, x2, , xn, exprime en fonction du paramtre de la population.
Adil EL MARHOUM
Page 30

Pour un chantillon alatoire et simple et pour une population dfinie par un seul paramtre ,
la fonction de vraisemblance est :
L() = p(x1, x2, , xn ; ) = p(x1 ; ) p(x2 ; ) p(xn ; )

Ou
L() = f(x1, x2, , xn ; ) = f(x1 ; ) f(x2 ; ) f(xn ; )

Les estimateurs du maximum de vraisemblance correspondent par dfinition au maximum de
cette fonction. On cherche ce maximum en annulant la drive de la fonction par rapport :
dL()
0
d
ou en annulant la drive de son logarithme :
d log L()
0
d
1.2.
Estimation de la moyenne
La meilleure estimation de la moyenne m dune population, qui puisse tre dduite dun
chantillon alatoire et simple, est la moyenne de lchantillon.
m x
La dispersion des diffrentes estimations possibles autour de cette moyenne gnrale, est
mesure par lerreur standard de la moyenne :
X
n
Estimateur du maximum de vraisemblance :

Pour une population normale, la densit de probabilit est :
f(x,m)
Adil EL MARHOUM
1 e 12 ( x m)
2
Page 31

La fonction de vraisemblance est :
L(m) =
1 e 12 ( xnm)
1 e 12 ( x1m) 1 e 12 ( x2 m)
2
2
2
1 ( xim)
1
L(m) = (
) e 2
2
n
i 1
n xim
n
1
Log L(m) = log(2) - (
)
2
2i1
La drive de cette fonction par rapport m est :
d logL(m) 1 n
=
(xim)
dm
i
1
lestimation du maximum de vraisemblance de la moyenne de la population, est telle que :
n
1
(xim) = 0
i1
n
i1
i1
(xim) = xinm = 0
n
m=
xi
i1
=x
On retrouve la moyenne de lchantillon dfinie prcdemment.
Adil EL MARHOUM
Page 32
LES QUALITES DE CET ESTIMATEUR

n
X
i 1
est un estimateur non biais de la moyenne m de la population puisquon a
dmontr que :
n
E( X n ) = E(
Xi
i 1
) = 1 E(Xi) = 1 nm = m
n i 1
n
En effet, pour lensemble des chantillons qui peuvent tre rencontrs, on doit retrouver, en
moyenne, la vraie valeur de la population.
b) la variance minimale
f(x,m)
1 e 12 ( x m)
2
log f(x , m) = -log ( 2 ) - 1 ( xm)

2
d log f(x,m)
= xm
dm
nE[(
d log f(x,m)
)] = n E[( xm )] = n E[(X-m)] = n
dm
le minimum de la variance des estimateurs de la moyenne est donc :

1
=
d log f(x,m)
n
nE[(
)]
dm
Comme cette valeur est aussi la variance de la distribution dchantillonnage de la moyenne,

n
il en rsulte que la moyenne
X
i 1
dun chantillon alatoire et simple est un estimateur
de variance minimale. Il est donc un estimateur efficace de la moyenne m de la population.

Adil EL MARHOUM
Page 33

c) convergence en probabilit
n
i 1
est un estimateur consistant de la moyenne m de la population puisquon a
dmontr que :
V( X n ) =
n
limV(X n) = 0
n
n
Xi
la moyenne X n i 1
calcule partir dun chantillon de taille n converge en probabilit
n
vers m.
1.3.
Estimation de la variance

f(x,)
1 e12( xm)
2
la fonction de vraisemblance est :
L() =
1 e 1 ( x1m) 1 e 1 ( x2m)
2
2
2
2
1 e 1 ( xnm)
2
2
(xim)
i 1
n
L() = ( 1 ) e 2
2
n
Log L() = nlog(2) - 21 (xim)
2
i1
Adil EL MARHOUM
Page 34
La drive de cette fonction par rapport est :
d log L()
d
n
2
n
+ 21 4 (xim)
i 1
lestimation du maximum de vraisemblance de la variance de la population, est telle que :
n
2
n
+ 21 4 (xim) = 0
i 1
n (xi m) = 0
i 1
(xi m)
= i1
On retrouve la variance de lchantillon V(X).
LES QUALITES DE CET ESTIMATEUR

n
(xi m)
= i1
est un estimateur biais de la variance de la population puisquon a
dmontr que :
E(V(X)) n 1
n
Contrairement la moyenne, la meilleure estimation de la variance dune population, qui
puisse tre dduite dun chantillon alatoire et simple, nest pas la variance de lchantillon
v(x). En effet, pour lensemble des chantillons qui peuvent tre rencontrs, on ne retrouve
pas, en moyenne, la vraie valeur de la population, on obtient ainsi, en moyenne, une valeur
infrieure la variance de la population.
le biais est :
E(V(X)) - =
n
Adil EL MARHOUM
Page 35
Ce biais peut tre corrig en multipliant la variance de lchantillon par le facteur n . On

n1
obtient alors lestimation :
^
n v(x) =
n1
(xi x)
i 1
n1
dont lesprance mathmatique est bien .

^
E( ) = E( n v(x) ) = n E(v(x)) = n n1 =
n1
n1
n1 n
^
n v(x)
n1
est appele quasi-variance, cest un estimateur sans biais de la variance
de la population. La quasi-variancee est dsigne par
n1
Lerreur standard de cette estimation est, dans le cas dune population normale :
^
2(n1) 4
=
v( ) v( n ) = n
n1
n1
n
2
n1
1.4. Estimation de la proportion

La meilleure estimation de la proportion p dune population, qui puisse tre dduite dun
chantillon alatoire et simple, est la frquence de lchantillon fn.
^
p fn
La dispersion des diffrentes estimations possibles autour de cette proportion gnrale, est
mesure par lerreur standard de la proportion :
fn
Adil EL MARHOUM
fn(1 fn)
n
Page 36

Pour un chantillon alatoire et simple deffectif n, dont x individus possdent le caractre
tudi, la fonction de vraisemblance est :
x
L(p) = C n px (1-p)n-x
Log L(p) = log
C nx
+ x log p + (n-x) log (1-p)
La drive de cette fonction par rapport p est :
d logL(p) x n x
=
dp
p 1 p
lestimation du maximum de vraisemblance de la variance de la population, est telle que :
x - n x = 0
p 1 p
(1-p) x p (n-x) = 0
x np = 0
^
p= x
n
La frquence fn de lchantillon est donc un estimateur du maximum de vraisemblance de la
proportion de la population.
Les qualits de cet estimateur

Fn X n
n
est un estimateur non biais de la proportion p de la population puisquon a
dmontr que :
E(Fn) = p
En effet, pour lensemble des chantillons qui peuvent tre rencontrs, on doit retrouver, en
moyenne, la vraie valeur de la population.
Adil EL MARHOUM
Page 37

b) convergence en probabilit
Fn X n
n
est un estimateur consistant de la proportion p de la population puisquon a
dmontr que :
V( f n ) =
pq
n
limV(f n) = 0
n
la frquence relative
Fn X n
n
calcule partir dun chantillon de taille n converge en
probabilit vers p.
II. ESTIMATION PAR INTERVALLE DE CONFIANCE

Lestimation par intervalle de confiance consiste dterminer autour de la valeur estime un
intervalle dont on a de fortes chances de croire quil contient la vraie valeur du paramtre
recherch.
Si on sintresse un paramtre , dont on possde un estimateur T, lestimation par
intervalle de confiance consiste dterminer de part et dautre de T les bornes T1 et T2 dun
intervalle qui a une forte probabilit de contenir . Cette probabilit est appele niveau de
confiance et dsigne par (1-). est alors un risque derreur.
Les limites T1 et T2 sont telles que :
p(T1 T2) = 1 -
Lintervalle [T1 , T2] est appel intervalle de confiance.
La probabilit que le paramtre se trouve lextrieur de cet intervalle est donc :
p( < T1) + p( > T2) =

Le risque total peut tre rparti dune infinit de manire. Gnralement, on divise le risque
en deux parties gales, Les limites T1 et T2 sont telles que :
p( < T1) = p( > T2) = /2
Adil EL MARHOUM
Page 38
2.1. Intervalle de confiance de la moyenne

2.1.1. cas dune population normale
Si on sintresse la moyenne inconnue m dune population normale dcart type connu ,
lestimation par intervalle de confiance consiste dterminer de part et dautre de lestimateur
X les bornes X 1 et X 2 dun intervalle qui a un niveau de confiance (1-) de contenir m.
Les limites X 1 et X 2 sont telles que :
p( X 1 m X 2 ) = 1 -
ou dune autre faon :
p(m < X 1 ) = p(m > X 2 ) = /2

les limites de confiance peuvent tre crites :
X 1 = X - d1
et
X 2 = X + d2
on peut alors crire :
p(m < X - d1) = p(m > X + d2) = /2
p( X - m > d1) = p(m - X > d2) = /2
Comme, pour une population normale, la variable X est elle-mme normale de moyenne m et
dcart type
X , on peut crire :
n
p( xm d1 ) = p(m x d2 ) =
2
n
n
n
n
p(Z1 d1 ) = p(Z 2 d2 ) =
2
n
n
p(Z1 d1 ) = p(Z 2 d2 ) = 1 -
2
n
n
( d1 ) = ( d2 ) = 1 -
2
n
n
Adil EL MARHOUM
Page 39

Si on dsigne par Z1 la valeur de la variable normale rduite lue dans la table :
2
d1 = d2 = Z
1
2
n
n
il en rsulte :
d1 = d2 = Z1
Les limites de confiances sont donc :
X 1 = X - Z1
n
2
et
X 2 = X + Z1
On notera lintervalle de confiance :
X Z1
Cest un intervalle symtrique par rapport la moyenne.

2.1.2. cas dune population de distribution inconnue
Pour une population de distribution de probabilit inconnue (cart type inconnu), on utilise
la quasi-variance comme estimation de la variance de la population. Lintervalle de confiance
de la moyenne sera dfini selon les cas.
Cas dun chantillon deffectif infrieur 30 (n < 30) :
Dans ce cas, la moyenne dun chantillon peut toujours tre considre comme une variable T
de Student (n-1) degr de libert. La valeur Z1 sera remplace par la valeur T1 (n-1)
2
degr de libert. Lintervalle de confiance est alors :

^
X T1
n
2
Cas dun chantillon deffectif suprieur ou gal 30 (n 30) :

Dans ce cas, la moyenne dun chantillon peut toujours tre considre comme une variable
approximativement normale. Lintervalle de confiance est alors :
n
2
X Z1
Adil EL MARHOUM
Page 40

2.2. Intervalle de confiance de la variance
Si on sintresse la variance dune population normale, lestimation par intervalle de
confiance consiste dterminer les bornes 1 et 2 dun intervalle qui a un niveau de
confiance (1-) de contenir .
Les limites 1 et 2 sont telles que :
p(1 2) = 1 -
(xi x)
Comme, pour une population normale, la variable alatoire i 1
possde une
distribution khi deux (n-1) degr de libert, on peut alors crire :
(xi x)
p( i1
i 1
(xi x)
i1
(xi x)
)=1-
ou encore :
p( i 1
(xi x)
< i1
> i1
) = 1 - /2
) = /2
(xi x)
i 1
= 1
(xi x)
< i1
) = p( i 1
(xi x)
(xi x)
p( i 1
(xi x)
(xi x)
i1
(xi x)
p( i 1
(xi x)
(xi x)
) = /2
i 1
Les limites de confiances sont alors :
1 = i1
1
(xi x)
(xi x)
et
2 = i1
Les valeurs de et 1 sont (n-1) degr de libert.

2
Adil EL MARHOUM
Page 41

2.3. Intervalle de confiance de la proportion
Si on sintresse la proportion p, lestimation par intervalle de confiance consiste
dterminer de part et dautre de lestimateur Fn les bornes p1 et p2 dun intervalle qui a un
niveau de confiance (1-) de contenir p.
Les limites p1 et p2 sont telles que :
p(p1 p p2) = 1 -
ou dune autre faon :
p(p < p1) = p(p > p2) = /2

les limites de confiance peuvent tre crites :
p1= fn - d1 et
p2 = fn + d2
on peut alors crire :
p(p < fn - d1) = p(p > fn + d2) = /2

p(fn - p > d1) = p(p - fn > d2) = /2
Comme, la distribution de la proportion suit une loi normale de moyenne p et dcart type
pq
Fn
condition que la taille de lchantillon soit suprieure ou gale 30 (n 30) et le
n
produit n p 5, on peut crire :
p(
p(Z1
d1 ) = p(Z2 d2 ) =
2
p(1 p)
p(1 p)
n
n
p(Z1
d1 ) = p(Z 2 d2 ) = 1 -
2
p(1 p)
p(1 p)
n
n
Adil EL MARHOUM
fn p
d1 ) = p( p f n d2 ) =
2
p(1 p)
p(1 p)
p(1 p)
p(1 p)
n
n
n
n
d1 ) = ( d2 ) = 1 -
2
p(1 p)
p(1 p)
n
n
Page 42

Si on dsigne par Z1 la valeur de la variable normale rduite lue dans la table :
2
d1
=
p(1 p)
n
d2
= Z1
p(1 p)
2
n
il en rsulte :
p(1 p)
n
d1 = d2 = Z1
Les limites de confiances sont donc :

p1= fn - Z1
p(1 p)
n
et
p2 = fn + Z1
p(1 p)
n
On notera lintervalle de confiance :
p(1 p)
n
fn Z1
La proportion p de la population sera estime par la frquence fn de lchantillon. On obtient

ainsi un intervalle symtrique par rapport la proportion.
Exemple 1 : intervalle de confiance de la moyenne et de lcart type

Dans une entreprise produisant un article dtermin on veut estimer sa dure de vie en heures.
cette fin on a observ un chantillon alatoire et simple de 16 units dont les rsultats sont
(en 1000 heures) :
1,10
1,30
1,05
1,35
1,25
1,15
1,08
1,32
1,35
1,05
1,15
1,25
1,30
1,10
1,25
1,15
Lestimation ponctuelle de la moyenne de la population est :

16
^
mx
i 1
1,2
16
Lestimation ponctuelle de lcart type de la population de la population est :

16
^
Adil EL MARHOUM
(x
x)
i 1
16 1
0,11
Page 43

Lintervalle de confiance de la moyenne un niveau de confiance de 95 % (=5%):
La distribution de la population parent tant inconnue et la taille de lchantillon infrieure
30, lintervalle de confiance de la moyenne est dfini par :
^
X T1
n
2
La valeur de T1 15 degrs de libert est : t 0,975 = 2,131

2
lintervalle de confiance est :
0,11
X T1 = 1,2 2,131
n
16
2
X 1 = 1,2 2,131 0,11 = 1,14

16
X 2 =1,2 + 2,131 0,11 = 1,26

16
et
Lintervalle [1,14 ; 1,26] a une probabilit de 95 % de contenir la vraie valeur de la moyenne

de la population.
Lintervalle de confiance de lcart type un niveau de confiance de 95 % (=5%):

Les limites de confiances de la variance sont :
1 = i1
1
(xi x)
(xi x)
2 = i1
et
les valeurs de et 1 sont 15 degrs de libert :

2
0,025 = 6,26
0,975 = 27,49
et
Lcart type est la racine carre de la variance, ses limites de confiance sont donc :
16
^
16
( xi x)
i 1
Adil EL MARHOUM
0,11 15
0,08
27,49
(x
x )
i 1
0,11 15
0,17
6, 26
Page 44
Exemple 2 : intervalle de confiance de la proportion

On tudie le pourcentage d'utilisation d'une machine. 400 observations ont t effectues qui
ont donn le rsultat suivant :
Machine marche : 320 observations.

Machine arrte : 80 observations.
Lestimation ponctuelle de la proportion dutilisation de la machine est :

^
p = fn = 320 = 0,8
400
Le taux dutilisation de la machine est estim 80 %.

Lintervalle de confiance de la proportion un niveau de confiance de 95 % est dfini par :
fn Z1
p(1 p)
n
La valeur de Z1 est : Z 0,975 = 1,96

2
Les limites de confiances de la proportion sont :
p1= fn - Z1
p(1 p)
= 0,80 1,96
n
p2 = fn + Z1
p(1 p)
= 0,80 + 1,96
n
0,8(10,8)
= 0,76
400
0,8(10,8)
= 0,84
400
Lintervalle [76 % ; 84 %] a une probabilit de 95% de contenir le vrai taux dutilisation de la

machine.
Adil EL MARHOUM
Page 45
EXERCICES SUR LES PROBLEMES DE

LESTIMATION
Ex 1 : Soit X une variable de Poisson de paramtre (inconnu) m et (XI, Xn) les
observations dun chantillon de taille n. crire la fonction du maximum de vraisemblance
associe la moyenne. Quel est l'estimateur du maximum de vraisemblance de la moyenne de
la population ? Cet estimateur prcdent est-il un estimateur efficace ?
Ex 2 : Soit X une variable alatoire dont la densit de probabilit f est ainsi dfinie:
f (x,) =
1 exp( x )
f (x,) = 0
si x > 0
si x < 0
O est le paramtre (positif) de la loi.

a) Calculer lesprance mathmatique et la variance de X.
b) Pour estimer le paramtre , on considre un chantillon alatoire de taille n. Quel est
lestimateur du maximum de vraisemblance de ?
c) Lestimateur de est-il un estimateur efficace ?
Ex 3 : Le tableau suivant donne la distribution du nombre de pannes observes dans
le fonctionnement dune machine au cours de 100 journes de travail. Dduisez-en
une estimation du nombre moyen de pannes par jour, en supposant que la distribution
thorique du nombre de pannes est une loi de poisson. Donner lerreur standard du
rsultat obtenu.
Nombres de pannes Nombres de jours
0
53
1
32
2
11
3
3
4
1
Total
100
Ex 4 : Un chantillon de 15 tudiants d'une facult a donn les notes suivantes :

13 ; 06 ; 12 ; 10 ; 10 ; 16 ; 02 ; 04 ; 11 ; 12 ; 12 ; 05 ; 07 ; 08 ; 13
a) Estimer la note moyenne et l'cart type des notes pour l'ensemble des tudiants de la
facult.
b) Donner des estimations par intervalle de confiance pour la moyenne et l'cart type.
(=5%).
Adil EL MARHOUM
Page 46

Ex 5 : Dans une entreprise produisant un article dtermin on veut estimer sa dure de vie en
heures. cette fin on a observ un chantillon de 16 units dont les rsultats sont (en 1000
heures) :
1,10
1,30
1,05
1,35
1,25
1,15
1,08
1,32
1,35
1,05
1,15
1,25
1,30
1,10
1,25
1,15
a) Estimer la dure de vie moyenne et l'cart type d'un article.

b) Donner des estimations par intervalle de confiance pour la moyenne et l'cart type.
(=5%).
Ex 6 : dans une station service, on suppose que le montant des chques essence suit une loi
normale de paramtres m et . On considre un chantillon de taille n = 50 et on obtient une
moyenne de 130 Dh et un cart-type de 28 Dh. Donner une estimation de m et par un
intervalle de confiance au niveau de confiance 95%.
Ex 7 : on donne la rpartition des masses de 219 ressorts provenant dune mme fabrication :
masses (g) [8,2 ; 8,4[ [8,4 ; 8,6[ [8,6 ; 8,8[ [8,8 ; 9[ [9 ; 9,2[ [9,2 ; 9,4[ [9,4 ; 9,6[
Nbre de
9
21
39
63
45
27
15
ressorts
X donnant le poids dun ressort provenant de cette fabrication, donner une estimation de E(X)
et V(X). Donner pour E(X) et V(X) un intervalle de confiance au niveau de confiance 95%.
Ex 8 : on veut estimer lesprance mathmatique m dune variable alatoire gaussienne X
dont on connat lcart type = 2,3. Quelle est la taille minimum de lchantillon de X qui est
prendre si lon veut obtenir pour m un intervalle de confiance de seuil 0,95 et dont la
longueur ne dpasse pas 0,1 ?
Ex 9 : Un promoteur dsire tudier le nombre de garage qu'il est souhaitable de construire
avec un ensemble de logements, afin que les occupants puissent y ranger leur voiture. Pour
cela il fait effectuer une enqute par sondage auprs d'un chantillon de mnages susceptibles
d'habiter ces appartements.
a) On interroge un chantillon de 3238 mnages. On trouve parmi eux 1943 possesseurs
d'une voiture. Estimez, partir de cet chantillon, la proportion des mnages ayant une
voiture. Degr de confiance 99 %.
b) partir de la proportion estime, combien de mnages faudrait-il interroger pour
construire, avec un risque d'erreur de 5 %, un intervalle de confiance d'amplitude 0,04 ?
Adil EL MARHOUM
Page 47

Ex 10 : On tudie le pourcentage d'utilisation d'une machine. 400 observations ont t
effectues qui ont donn le rsultat suivant :
Machine marche : 320 observations.

Machine arrte : 80 observations.
a) Entre quelles limites peut-on fixer le taux d'utilisation de la machine avec un degr de
confiance de 95 % ?
b) On fait un plus grand nombre d'observations. On obtient le mme pourcentage d'utilisation
ce qui permet, avec un risque d'erreur de 5 %, de fixer les limites de confiance [78,4 % ;
81,6 %]. Combien a-t-on fait d'observations ?
Ex 11 : Un chantillon alatoire de 50 notes (sur 100) dans une population de 200 a donn
une moyenne de 75 et un cart type de 10.
a) Quelles sont les limites de confiance 95 % pour estimer la moyenne des 200 notes ?
b) Avec quel degr de confiance peut-on dire que la moyenne des 200 notes est de 75
plus ou moins 1 ?
Ex 12 : Un chantillon de 150 lampes de marque A a donn une dure de vie moyenne de
1400 heures et un cart type de 120 heures. Un chantillon de 200 lampes de marque B a
donn une dure de vie moyenne de 1200 heures et un cart type de 80 heures. Dterminer les
limites de confiances 95 % de la diffrence des dures de vie moyennes des marques A et B.
Ex 13 : Sur un chantillon de 400 adultes et de 600 adolescents ayant regard un certain
programme de tlvision, 100 adultes et de 300 adolescents lont apprci. Calculer les
limites de confiances 99 % de la diffrence des frquences des adultes et des adolescents qui
ont regard et apprci le programme.
Ex 14 : Une compagnie fabrique des roulements billes ayant un poids moyen de 0,638 Kg et
un cart type de 0,012 Kg Calculer les limites de confiance 95 % des poids de lots
comprenant 100 roulements chacun.
Ex 15 : Soit une variable alatoire X de densit de probabilit f(x,) dfinie par :
f(x,)
x
1
e 2
2
pour tout nombre rel x.
a) Reconnatre la loi de la variable X et en dduire, sans calcul, lesprance

mathmatique et la variance de X.
b) Dterminer un estimateur de maximum de vraisemblance de associ un chantillon
alatoire de taille n.
c) Lestimateur prcdent est-il un estimateur sans biais ?
Adil EL MARHOUM
Page 48
TROISIEME PARTIE
LES TESTS STATISTIQUES
Adil EL MARHOUM
Page 49
LES TESTS STATISTIQUES

I. INTRODUCTION
Un test statistique est une mthode permettant de prendre une dcision partir dinformations
fournies par un chantillon.
Les tests statistiques ou les tests dhypothses ont pour but de vrifier, partir de
donnes observes dans un ou plusieurs chantillons, la validit de certaines
hypothses relatives une ou plusieurs populations.
On peut distinguer diffrents types de tests, en fonction des hypothses auxquelles on a
affaire.
Les tests de comparaison une norme ou tests de conformit sont destins comparer
entre eux une population thorique et un chantillon observ. Ils servent vrifier si un
chantillon donn peut tre considr comme extrait dune population possdant telle
caractristique particulire (telle moyenne, telle variance, ). Le test se fait en vrifiant si la
diffrence entre la valeur observe et la valeur thorique du paramtre considr peut tre
attribue au hasard ou non.
Les tests dhomognit ou dgalit ont pour but de comparer entre elles un certain nombre
de populations, laide dun mme nombre dchantillons.
Les tests dajustement sont destins vrifier si un chantillon observ peut tre extrait
dune population donne.
Les tests dindpendance ont pour but de contrler, partir dun chantillon, lindpendance
de deux ou plusieurs critres de classification, gnralement qualitatifs.
II. LE PRINCIPE DUN TEST STATISTIQUE

Pour commencer, on met une certaine hypothse tester, appele hypothse nulle,
gnralement dsigne par H0. Celle-ci suppose toujours lgalit des caractristiques
compares.
Lhypothse qui diffre de H0 est dite hypothse alternative, gnralement dsigne par H1.
On mesure ensuite lcart observ entre les caractristiques compares, et on calcule la
probabilit dobserver, si lhypothse nulle est vraie, un cart aussi important.
Si cette probabilit est relativement leve, on considre Lhypothse nulle comme plausible
et on laccepte. Par contre si la probabilit calcule est faible, lcart observ apparat comme
peu compatible avec lhypothse nulle et on rejette celle-ci.
Adil EL MARHOUM
Page 50

Lensemble des valeurs observes pour lesquelles lhypothse nulle est admissible forme la
rgion dacceptation. Les autres valeurs constituent la rgion de rejet. Les valeurs limites sont
appeles valeurs critiques.
La dcision dpend donc de lchantillon. Ainsi quelle que soit la dcision prise, le hasard
de lchantillonnage peut fausser les conclusions. Quatre situations doivent en effet tre
envisages:
Lacceptation de l'hypothse nulle alors qu'elle est vraie, le rejet de l'hypothse nulle alors
qu'elle est vraie, l'acceptation de l'hypothse nulle alors qu'elle est fausse, le rejet de
l'hypothse nulle alors qu'elle est fausse.
Dans le premier et le dernier cas, la conclusion obtenue est correcte, mais il n'en est
malheureusement pas de mme dans les deux cas intermdiaires. L'erreur qui consiste
rejeter une hypothse vraie est appele erreur de premire espce et dsigne par RH0/H0.
Accepter une hypothse fausse est une erreur de seconde espce, elle est dsigne par
AH0/H1.
Les probabilits daboutir de telles conclusions errones sont les risques de premire et de
deuxime espce, dsigns respectivement par et .
= p(RH0/H0)
= p(AH0/H1)
Le risque de premire espce est appel aussi seuil de signification du test, fix trs souvent
5 %. La probabilit contraire de dsigne le niveau de confiance du test.
1- = p(AH0/H0)
La probabilit contraire de dsigne la puissance du test.
1- = p(RH0/H1)
On peut prsenter une table de dcision comme suit :
Dcision prise
Accepter H0
Accepter H1
H0
1-
: erreur de premire espce
Hypothse
Niveau de confiance
vraie
H1 : erreur de deuxime espce
1-
Puissance du test
La dtermination des valeurs limites de la rgion dacceptation de lhypothse nulle dpend
de lhypothse alternative H1, ainsi on distingue le test bilatral et le test unilatral.
Adil EL MARHOUM
Page 51

2.1. Test bilatral
Un test est dit bilatral si la condition de rejet est indpendante du signe de lcart observ
entre les caractristiques compares. Les hypothses formules du test bilatral sont :
H0 : = t0 et
H1 : t0
et t0 sont les caractristiques compares.

La rgle de dcision peut tre reprsente ainsi :
t0
= t0
t0
Rgion de rejet de H0 Rgion dacceptation de H0 Rgion de rejet de H0
A1
A2
A1 et A2 sont les valeurs critiques qui dlimitent la rgion dacceptation.
La rgion dacceptation est donc lintervalle [A1 ; A2].
p(A1 t0 A2) = 1 -
p(t0 < A1) = p(t0 > A2) = /2
2.2. Test unilatral
Un test est dit unilatral si lhypothse alternative dsigne quune caractristique est
strictement suprieure ou infrieure lautre. On parle respectivement de test unilatral
droite ou gauche.
2.2.1 Test unilatral droite
Les hypothses formules du test unilatral droite sont :
H0 : = t0 et
H1 : > t0

t0
> t0
Rgion dacceptation de H0 Rgion de rejet de H0
A
A dsigne la valeur critique qui dlimite la rgion dacceptation.
Adil EL MARHOUM
Page 52
La rgion dacceptation est donc lintervalle - ; A].
p(t0 A) = 1 -
p(t0 > A) =
2.2.2. Test unilatral gauche
Les hypothses formules du test unilatral gauche sont :
H0 : = t0 et
H1 : < t0

< t0
t0
Rgion de rejet de H0 Rgion dacceptation de H0
A
A dsigne la valeur critique qui dlimite la rgion dacceptation.
La rgion dacceptation est donc lintervalle [A ; + [.
p(t0 < A) =
p(t0 A) = 1 -
pour rcapituler, la dmarche dun test statistique est forme des tapes suivantes :
1.
2.
3.
4.
5.
6.
Formuler les hypothses H0 et H1 ;

Fixer le seuil de signification ;
Prciser la loi de probabilit de lcart observ, appel aussi variable de dcision ;
Calculer la valeur numrique de la variable de dcision ;
Dterminer les valeurs critiques qui dlimitent la rgion dacceptation ;
Prendre la dcision et conclure.
III. TESTS STATISTIQUES SUR LES MOYENNES

3.1. Test de conformit dune moyenne
Formulation de lhypothse nulle :
On attribue la valeur m0 pour moyenne dans une population dont la vraie moyenne m est
inconnue, et on veut juger la validit de cette hypothse.
Adil EL MARHOUM
Page 53

Ce test a pour but de vrifier si la moyenne m dune population est ou nest pas gale une
valeur donne m0, appele norme.
Lhypothse nulle est donc : H0
m = m0
Variable de dcision :
On extrait de la population un chantillon alatoire et simple dans lequel la moyenne observe
x est en gnral diffrente de m0, il sagit dexpliquer cette diffrence.
La variable de dcision du test correspond lestimation de m qui est la moyenne de

lchantillon :
VD = x
Pour une population normale dcart type connu, la variable de dcision est elle-mme
normale de moyenne m0 et dcart type. La variable de dcision centre rduite est donc :
xm0
VDR =
n
VDR est alors une variable normale rduite N(0 ; 1).
Si la distribution de la population parent est inconnue, la quasi-variance sera utilise comme
estimation de la variance de la population. Pour un effectif suffisamment lev, la variable de
dcision peut toujours tre considre comme une variable approximativement normale. Cest
gnralement le cas lorsque leffectif est suprieur 30. Dans le cas contraire (n < 30), la
variable de dcision rduite VDR peut toujours tre considre comme une variable de
Student (n-1) degr de libert.
Rgion dacceptation :
La rgion dacceptation dpend de lhypothse alternative H1.
a) Test bilatral :
H0 : m = m0 et
H1 : m m0
Les valeurs critiques qui dlimitent la rgion dacceptation sont, pour une distribution
normale rduite ou asymptotiquement normale rduite, Z1 et Z2 telles que :
p(Z1 VDR Z2) = 1 -
p(VDR < Z1) = /2
Z1 = Z
2
p(VDR > Z2) = /2
p(VDR Z2) = 1-/2
Z2 = Z1
Adil EL MARHOUM
Page 54

La rgion dacceptation est donc lintervalle [ Z ; Z1 ].
2
On accepte lhypothse nulle si la variable de dcision rduite appartient la rgion

dacceptation. Sinon, cest lhypothse alternative qui est accepte.
Remarque :
Puisque la rgion dacceptation est symtrique, on rejette lhypothse nulle si :
VDR > Z1
b) Test unilatral droite :
H0 : m = m0 et
H1 : m > m0
La valeur critique qui dlimitent la rgion dacceptation est, pour une distribution normale
rduite ou asymptotiquement normale rduite, Z telle que :
p(VDR Z) = 1 -
Z = Z1
La rgion dacceptation est donc lintervalle ]- ; Z1 ].
c) Test unilatral gauche :
H0 : m = m0 et
H1 : m < m0
La valeur critique qui dlimitent la rgion dacceptation est, pour une distribution normale
rduite ou asymptotiquement normale rduite, Z telle que :
p(VDR < Z) =
Z = Z
La rgion dacceptation est donc lintervalle [ Z ; +[.
Remarque :
Pour une distribution de probabilit inconnue, et lorsque leffectif de lchantillon est

infrieur 30, la variable de dcision rduite VDR peut toujours tre considre comme une
variable de Student (n-1) degr de libert. Les valeurs de Z sont remplaces par les valeurs
de T de la loi de Student avec (n-1) degr de libert.
Adil EL MARHOUM
Page 55

Exemple :
Le diamtre des billes fabriques par une machine est en moyenne de 6 mm. Pour contrler si
la machine est bien rgle, on a prlev un chantillon de 50 billes et on a mesur leur
diamtre. On a trouv :
x 2462
350
La machine est-elle bien rgle au seuil de signification de 95 %?

Pour rpondre cette question, on doit vrifier si le diamtre moyen des 50 billes observes,
est conforme la norme de 6 mm. Il sagit donc de faire un test de conformit de la moyenne.
Hypothse nulle :
Il sagit dun test bilatral
m = 6 H1 : m 6
H0
La variable de dcision du test correspond lestimation de m qui est la moyenne de
lchantillon :
xi
VD = 350 7
50 50
La variable de dcision peut tre considre comme une variable approximativement normale.
La variance de la population peut tre estime par la quasi-variance.
(xi x) n 50 2462
=
= (
7) = 0,24

n1
n1 49 50
0,24 = 0,49
VDR = x^m0 = 76 = 14,43

0.49
50
n
La rgion dacceptation est lintervalle [ Z ; Z1 ].
2
Adil EL MARHOUM
Page 56
Au seuil de signification de 95 % ( = 0,05), les valeurs critiques qui dlimitent la rgion

dacceptation sont :
Z = Z0,025 = -1,96
2
Z1 = Z0,975 = 1,96
2
La rgion dacceptation est donc lintervalle [-1,96 ; 1,96].

On rejette lhypothse nulle car la variable de dcision rduite nappartient pas la rgion
dacceptation. La machine nest donc pas bien rgle au seuil de signification de 95 %
3.2. Test de comparaison des moyennes de deux chantillons indpendants

Ce test a pour but de comparer les moyennes de deux populations laide de deux
chantillons.
Soient deux chantillons alatoires et non exhaustifs prlevs respectivement dans une
population 1 de moyenne inconnue m1 et dans une population 2 de moyenne inconnue m2. les
moyennes observes des deux chantillons x1 et x 2 sont en gnral diffrentes, il sagit

dexpliquer cette diffrence.
Ce test a pour but de vrifier si la moyenne m1 dune population est ou nest pas gale la
moyenne m2 dune autre population.
m1 = m2
La variable de dcision du test correspond la diffrence entre les moyennes observes des
deux chantillons :
VD = x1 - x 2
Une distinction est faite entre le cas de deux populations de variances ingales et le cas de
deux populations de variances gales.
Adil EL MARHOUM
Page 57

a) cas de deux populations de variances ingales
Pour des populations normales (variances connues), les variables x1 - x 2 sont des variables
normales de moyennes respectivement m1 et m2 et dcarts type respectivement 1 et 2
n1
n2
. La variable de dcision est elle-mme normale de moyenne (m1-m2) et dcart type
1 2 .
n1 n2
Sous lhypothse nulle, (m1-m2)=0. La variable de dcision centre rduite :
(x1 x 2)
1 2
n1 n2
VDR =
Est donc une variable normale rduite N(0 ; 1).
Si les distributions des populations parents sont inconnues, pour des effectifs suffisamment
levs, la variable de dcision peut toujours tre considre comme une variable
approximativement normale. Cest gnralement le cas lorsque les effectifs sont suprieurs
30. Dans le cas contraire, la variable de dcision rduite VDR peut toujours tre considre
comme une variable de Student (n1 + n2 - 2) degr de libert.
b) cas de deux populations de variances ingales
Dans le cas o les populations sont de variances gales, une estimation de la variance
commune aux deux populations est donne par :
(xi x1)(xi x2)

n1 n2 2
la variable de dcision rduite devient :
VDR =
(x1 x 2)
^
^
( 1 1 )
n1 n2

n1 n2
VDR =
(x1 x 2)
(x1 x2)
(xi x1)(xi x 2) ( 1 1 )
n1n2 2
Adil EL MARHOUM
n1 n2
Page 58

Si les distributions des populations parents sont inconnues, pour des effectifs suffisamment
levs, la variable de dcision peut toujours tre considre comme une variable
approximativement normale. Cest gnralement le cas lorsque les effectifs sont suprieurs
30. Dans le cas contraire, la variable de dcision rduite VDR peut toujours tre considre
comme une variable de Student (n1 + n2 - 2) degr de libert.
a) Test bilatral :
H0 : m1 = m2 et
H1 : m1 m2
Les valeurs critiques qui dlimitent la rgion dacceptation sont, pour des distributions
normales rduites ou asymptotiquement normales rduites, Z1 et Z2 telles que :
p(Z1 VDR Z2) = 1 -
p(VDR < Z1) = /2
Z1 = Z
2
p(VDR > Z2) = /2
p(VDR Z2) = 1-/2
Z2 = Z1

2

Remarque :
VDR > Z1

H0 : m1 = m2 et
H1 : m1 > m2
La valeur critique qui dlimitent la rgion dacceptation est, pour des distributions normales
rduites ou asymptotiquement normales rduites, Z telle que :
p(VDR Z) = 1 -
Z = Z1

Adil EL MARHOUM
Page 59

H0 : m1 = m2 et
H1 : m1 < m2
La valeur critique qui dlimitent la rgion dacceptation est, pour des distributions normales
rduites ou asymptotiquement normales rduites, Z telle que :
p(VDR < Z) =
Z = Z

Remarque :
Pour des distributions de probabilits inconnues, et lorsque les effectifs des chantillons sont
infrieurs 30, la variable de dcision rduite VDR peut toujours tre considre comme une
Exemple :
Pour savoir sil existe une diffrence dassiduit entre les filles et les garons, on a choisi de
manire alatoire et simple un premier chantillon de 10 filles et de faon indpendante, un
deuxime chantillon de 10 garons. En fonction des rsultats ci-dessous relatifs aux notes
dassiduits (note sur 100), et en supposant que les variances des deux populations sont
gales, peut-on conclure, au seuil de 5 %, lexistence dune diffrence significative entre les
deux sexes ?
Assiduit
des filles
Assiduit
des garons
72
67
52
54
46
58
59
54
58
63
66
59
54
57
63
55
61
55
66
75
Pour rpondre cette question, on doit raliser un test de comparaison de deux moyennes.
Hypothse nulle :
Ce test a pour but de vrifier si lassiduit moyenne m1 des filles est ou nest pas gale
lassiduit moyenne m2 des garons.
Il sagit dun test bilatral :
H0 : m1 = m2 et
H1 : m1 m2
Les deux chantillons sont indpendants, les populations sont de variances gales, la variable
de dcision centre rduite est donc:
Adil EL MARHOUM
Page 60
(x1 x2)
VDR =
(xi x1)(xi x 2) ( 1 1 )
n1n2 2
n1 n2
58,361,1
= - 0,88
514,1390,9 1 1
( )
10102 10 10
VDR = 0,88
Pour = 0,05, la valeur de t1 avec 18 degrs de libert est : t0,975 = 2,101
2
VDR < t1 , on accepte donc lhypothse nulle. Cest dire, il ny a pas de diffrence
2
significative entre lassiduit des deux sexes.

3.3. Test de comparaison des moyennes de deux chantillons apparies
Ce test a pour but de comparer les moyennes de deux populations laide de deux
chantillons associs par paires. Cest le cas o on soumet les mmes individus, choisis dans
une population donne, deux types dobservations.
Ce test a pour but de vrifier si la moyenne m1 dune population sous une forme donne est ou
nest pas gale la moyenne m2 de la mme population sous une autre forme.
m1 = m2
Soient deux sries de n observations chacune, x1, x2, , xn, et y1, y2, , yn . On travaille avec
la srie des diffrences :
di = xi yi
La variable de dcision du test correspond la moyenne des diffrences :
VD = d
Pour une population normale, la variable de dcision est elle-mme normale de moyenne. La
variable de dcision centre rduite est donc :
VDR = ^d
d
n
VDR est alors une variable normale rduite N(0 ; 1).
Adil EL MARHOUM
Page 61

Si la distribution de la population parent est inconnue, pour un effectif suffisamment lev, la
variable de dcision peut toujours tre considre comme une variable approximativement
normale. Cest gnralement le cas lorsque leffectif est suprieur 30. Dans le cas contraire
(n < 30), la variable de dcision rduite VDR peut toujours tre considre comme une
variable de Student (n-1) degr de libert.
La rgion dacceptation est identique celle du test prcdent. Elle dpend toujours de
lhypothse alternative H1.
a) Test bilatral :
H1 : m1 m2
H0 : m1 = m2 et

2

Remarque :
VDR > Z1

H0 : m1 = m2 et
H1 : m1 > m2
La rgion dacceptation est lintervalle ]- ; Z1 ].

H0 : m1 = m2 et
H1 : m1 < m2
La rgion dacceptation est lintervalle [ Z ; +[.

Remarque :
Pour des distributions de probabilits inconnues, et lorsque les effectifs des chantillons sont
infrieurs 30, la variable de dcision rduite VDR peut toujours tre considre comme une
Adil EL MARHOUM
Page 62

Exemple :
Un chef de produit souhaite tester leffet dun nouvel emballage sur les ventes dun produit.
Un chantillon alatoire de 20 magasins est constitu, puis scind en deux chantillons de 10
units, coupls sur la base de leurs ventes hebdomadaires. Lun des magasins de chaque
couple propose le produit dans son nouvel emballage, tandis que lautre magasin prsente le
produit dans lancien emballage. Les ventes enregistres sont indiques dans le tableau cidessous. Peut-on parler dun effet positif du nouvel emballage ?
Couple Nouvel emballage Ancien emballage Diffrence (di)
1
4580
3970
610
2
5190
4880
310
3
3940
4090
-150
4
6320
5870
450
5
7680
6930
750
6
3480
4000
-520
7
5720
5080
640
8
7040
6950
90
9
5270
4960
310
10
5840
5130
710
Pour rpondre cette question, on doit raliser un test de comparaison de deux moyennes.
Hypothse nulle :
Ce test a pour but de vrifier si, en moyenne, les ventes enregistres avec le nouvel emballage
m1 sont ou ne sont pas gales aux ventes enregistres avec lancien emballage m2.
Il sagit dun test unilatral droite :
H0 : m1 = m2 et
H1 : m1 > m2
Les deux chantillons sont associs par paires, la variable de dcision centre rduite est donc:
VDR = ^d = 320 = 2,462

410,96
d
10
n
VDR = 2,462
Pour = 0,05, la valeur de t1 avec 9 degrs de libert est : t0,95 = 1,833
VDR > t1 , on rejette donc lhypothse nulle. Cest dire, on peut conclure que le nouvel
emballage est plus performant que lancien.
Adil EL MARHOUM
Page 63

3.1. Analyse de la variance
Cest une mthode statistique pour tester l'galit de plusieurs moyennes. La mthode repose
sur les postulats suivants: les chantillons alatoires proviennent de populations distribues
normalement et ayant la mme variance. Comme ces suppositions de base ne sont pas toujours
satisfaites en pratique, l'analyste dispose aussi de mthodes dites non paramtriques pour comparer
les chantillons entre eux.
Formulation de lhypothse nulle
L'analyse de variance, sert effectuer le test de l'galit de plusieurs moyennes. On crit comme
suit les hypothses:
Ho: m1 = m2 = ... = mJ
H1: au moins une des moyennes est diffrente des autres.
En effet, l'analyse de variance est une technique d'analyse statistique qui permet de tester
globalement l'galit des moyennes de J populations normales dans lesquelles on suppose que les
variances sont gales (12 22 .... 2J 2 ), mme si elles demeurent inconnues. L'analyse de
variance constitue une extension J populations normalement distribues, J 2, du test de
comparaison des moyennes de deux chantillons indpendants.
Modles d'analyse de variance

Les modles varient selon le nombre de facteurs contrls. On aura ainsi le modle un facteur,
le modle 2 facteurs sans interaction et le modle 2 facteurs avec interaction.
3.4.1. ANALYSE DE VARIANCE UN FACTEUR

On essaie de dcouvrir si un seul facteur peut expliquer ou non les variations constates dans les
observations Yij. Au dpart, on dispose d'chantillons prlevs alatoirement dans des populations
2
normales dans lesquelles les variances sont supposes gales ( 1 2 3 ... J ). Le tableau
suivant illustre la notation indice: par exemple, Y21 reprsente la deuxime observation
prleve de la premire population. Dans chaque chantillon, on a aussi calcul le total des
observations, la moyenne et la variance.
Adil EL MARHOUM
Page 64

Matrice des donnes
Population
P1 : N(m1,1) P1 : N(m2,2)
P1 : N(mj,j)
Y11
Y12
Y21
Y22
yn11
yn22
ynjj
Total
T1
T2
Tj
Moyenne
Y1
Y2
Yj
Variance
S1
S 2
S j
N n1 n 2 ...n J
Y1j
Y2j
Moyenne gnrale = Y
Grand total = T
quation fondamentale de l'analyse de la variance

L'analyse de la variance dveloppe par Fisher repose sur la comparaison de deux estimateurs de
la variance commune aux J populations normales.
2T
a) Estimation de par
2T , est obtenu partir de l'ensemble des N n1 n 2 ...n J
Un premier estimateur de , not
observations en divisant la somme totale des carrs, STC, par ses degrs de libert, soit (N-1). La
statistique qui en dcoule est donne par l'expression suivante:
J
2T
STC
N 1
nj
ij
j1 i 1
N 1
2
M
b) Estimation de par
2M , est obtenu cette fois en mesurant la variabilit existante
Un deuxime estimateur de , not
entre les moyennes des chantillons. On l'appelle parfois la moyenne des carrs inter-groupes, ou
la moyenne des carrs due aux traitements. Dans ce qui suit, on la nomme la moyenne des carrs
due au facteur (MCF); elle est calcule en divisant la somme des carrs due au facteur (SCF) par
ses degrs de libert, (J-1):
Adil EL MARHOUM
Page 65

J
2M MCF
SCF
J 1
n Y Y
j
j 1
J 1
2C
c) Estimation de par
Un troisime estimateur de est obtenu cette fois en combinant les variances intra-chantillons (
2
2
2
2
S1 , S2 , ..., SJ ) dj prsentes dans le tableau des donnes. La pondration attribue Sj sera
gale aux degrs de libert de cette statistique, soit n j 1, j=1, 2, ..., J. L'estimateur est appel la
moyenne des carrs due l'erreur (MCE) et il est donn par les expressions quivalentes suivantes:
J
2C MCE
SCE
NJ
n j 1S2j
j1
N J
nj
ij
Yj
j1 i 1
NJ
Les trois sommes de carrs prsentes plus haut ne sont pas totalement indpendantes les unes des
autres. Il existe en effet un rsultat important qui montre que la somme totale des carrs est gale
la somme des deux autres sommes de carrs:
STC = SCF + SCE

C'est cette relation qui s'appelle l'quation fondamentale de l'analyse de la variance. La variabilit
totale entre les observations est dcompose en une part due aux diffrences entre les modalits du
facteur et une part de variabilit rsiduelle.
Formules quivalentes
Pour effectuer les calculs l'aide d'une calculatrice lectronique, il est prfrable d'utiliser les
formules suivantes qui sont algbriquement quivalentes aux prcdentes:
J
nj
T2
STC Y
N
j i i 1
2
J
2
T
T
SCF j
N
j i n j
2
ij
SCE = STC - SCF
Adil EL MARHOUM
Page 66
Tableau d'analyse de variance un seul facteur

Il est d'usage de prsenter les rsultats d'une analyse de variance un seul facteur dans un tableau
comme celui-ci:
Analyse de variance un facteur
Source de variation
Somme des carrs Degrs de libert Moyenne des carrs
Facteur
SCF
J-1
MCF
Erreur
SCE
N-J
MCE
Totale
SCT
N-1
MCF
MCE
Quand Ho est vraie, MCF et MCE constituent deux estimateurs indpendants de de sorte que le
MCF
rapport F
obit une loi de Fisher avec ( J-1 ) et ( N-J ) degrs de libert. En vertu
MCE
mme de la construction du rapport F , on devra rejeter l'hypothse nulle de l'galit des moyennes
MCF
Ho : 1 = 2 = ... = J au seuil si et seulement si la valeur de F
est plus grande
MCE
que la valeur critique de la table F(J-1) et (N-J) dl.
Exemple :
Un manufacturier japonais de puces lectroniques songe implanter une nouvelle usine au Maroc
afin de desservir tout le march nord-africain. Il hsite entre trois villes: Tanger, Casablanca et
Eljadida. Selon son point de vue, le critre le plus important prendre en considration pour
dterminer l'emplacement de cette nouvelle usine est l'assiduit au travail des ouvriers.
Le manufacturier a visit au hasard dans chacune des villes considres cinq grandes usines de
fabrication et il a obtenu des administrateurs le taux d'absentisme par 3500 journes de travail.
Les rsultats sont reproduits dans le tableau ci-dessous.
Donnes numriques
Ville
Echantillon
Tanger
141; 127 ; 111; 124 ; 144 T1 = 647
Y 1 = 129,4
Casablanca 157; 131; 105; 132 ; 163 T2 = 688

Eljadida
183; 161; 145 ; 157 ; 189 T3 = 835
Y 3 = 167
J=3
N = 15
Y = 144,67
Adil EL MARHOUM
Total
T = 2170
Moyenne
Variance
S1 = 180,3
Y 2 = 137,6
S 2 = 539,8
S3 = 340
Page 67
A un seuil de 5%, peut-on conclure que le taux d'absentisme au travail est le mme en moyenne
dans ces 3 villes?
On calcule en premier lieu les trois sommes des carrs:
J nj
STC
Yij2
j i i 1
SCF
T j2
nj
j i
T 141 127 ... 189 2170 8149,33

N
15
T 647 688 835 2170 3908,93

N
5
5
5
15
SCE = 8149,33 - 3908,93 = 4240,40

Ce qui permet la construction du tableau de l'analyse de variance.
Tableau danalyse de variance un facteur
Source de variation Somme des carrs
Degrs de libert Moyenne des carrs
Facteur
3908,93
1954,467
Erreur
4240,40
12
353,367
Totale
8149,33
14
5,53
A un seuil = 5%, on ne peut pas conclure que l'assiduit des travailleurs leur travail soit la
mme en moyenne dans ces 3 villes puisque la valeur observe 5,53 de F est suprieure la
valeur critique F 0,95 2 et 12 dl = 3,89 obtenue de la distribution de Fisher 2 et 12 degrs
de libert.
3.1.2. ANALYSE DE VARIANCE DEUX FACTEURS SANS

INTERACTION
On essaiera dans ce chapitre-ci de dcouvrir si deux facteurs A et B peuvent expliquer ou non
les variations constates dans les observations alatoires Yij.
Adil EL MARHOUM
Page 68

La matrice des donnes
Au dpart, l'analyste dispose d'chantillons prlevs alatoirement de populations normales dans
lesquelles les variances sont prsumes gales. Le tableau ci-dessous illustre la notation indice.
Ainsi, Y32 reprsente la valeur de l'observation prleve quand le premier facteur est son
troisime niveau (ou modalit) et que le second facteur est son deuxime niveau; par ailleurs,
T2 et Y2 dsignent le total et la moyenne des observations quand le premier facteur est maintenu
son deuxime niveau (l'indice sur lequel la sommation a t effectue est remplac par un ).
Toutes les combinaisons possibles des modalits des facteurs donnent lieu IJ traitements. A
remarquer qu'il n'y a qu'une seule observation pour chaque traitement, c'est--dire une seule
valeur numrique dans chacune des cellules du tableau.
Matrice des donnes
Facteur A \ Facteur B
.....
Total
Moyenne
Y11
Y12 .....
Y1J
T1
Y1
Y21
Y22 ......
Y2J
T2
Y2
YIJ
TI
YI
TJ
....
Y32 ......
....... etc.........
YI1
T1
Total
Y1
Moyenne
YI2 ....
T2
Y2
....
....
Y J
Tableau d'analyse de variance deux facteurs sans rptition

Les rsultats d'une analyse de variance deux facteurs sans rptition se prsentent dans un
tableau comme celui-ci:
Analyse de variance deux facteurs sans rptition
Source de variation Somme des carrs
D.L.
Moyenne des carrs
Facteur A
SCFA
I-1
MCFA
MCFA / MCE
Facteur B
SCFB
J-1
MCFB
MCFB / MCE
Erreur
SCE
(I-1)(J-1)
MCE
Totale
STC
IJ-1
Adil EL MARHOUM
Page 69

Les diverses sommes des carrs et moyennes des carrs sont calcules l'aide des formules
suivantes:
I
T2
STC Y
IJ
i 1 j1
2
ij
Ti2 T 2
IJ
i 1 J
SCFA
J
SCFB
j1
T2j
I
T2
IJ
SCE STC SCFA SCFB

En se basant sur les rsultats prsents au tableau, on dduit que les tests sur le facteur A et sur le
facteur B s'effectuent exactement comme dans le cas de lanalyse de variance un facteur, savoir
au moyen des statistiques :
MCA
F A
MCE
MCB
F B
MCE
Exemple :
Sur le march, il existe quatre machines diffrentes, M1, M2, M3, et M4 pouvant servir
l'assemblage d'un produit haute teneur technologique. On a alors dcid de toutes les essayer et
d'utiliser les oprateurs qualifis pour comparer les dites machines. Comme ce travail exige
beaucoup de dextrit manuelle de la part de l'usager, on s'attend ce qu'il y ait des diffrences
importantes entre oprateurs et peut-tre aussi entre machines. C'est dans un ordre alatoire et en
laissant couler beaucoup de temps entre les tests que les oprateurs ont t assigns aux machines
afin de contrler l'effet d'apprentissage. Voici les temps (en minutes) mesurs lors de ces tests.
M1
Donnes numriques
M2
M3
M4
Total
Moyenne
192
178
167
190
194
921
48
44,5
41,75
47,5
48,5
Oprateurs
Machines
O1
O2
O3
O4
O5
Total
Adil EL MARHOUM
42
39
38
43
44
206
45
41
39
45
45
215
55
52
48
54
56
265
50
46
42
48
49
235
Page 70
Y a-t-il des diffrences significatives au niveau 5% entre les cinq oprateurs d'une part et entre les
quatre machines d'autre part quant au temps moyen ncessaire l'assemblage de ce produit?
On calcule en premier lieu les quatre sommes des carrs:
J
STC
T 42 45 ... 49 921 548,95

IJ
20
Yij2
i 1 j 1
SCFA
I T2
i T 192 ... 194 921 131,20
J
IJ
4
20
i 1
SCFB
T2j
j 1
T 206 ... 235 921 410,15

IJ
5
20
SCE = 548,95 - 131,20 - 410,15 = 7,60

Ce qui permet la construction du tableau de l'analyse de variance ci-dessous.
Analyse de variance deux facteurs sans rptition:
Source de variation
Somme des carrs
D.L.
Moyenne des carrs
Facteur A= Hommes
131,2
32,8
51,79
Facteur B = Machines
410,15
136,72
215,87
Erreur
7,6
12
0,63
Totale
548,95
19
En examinant les valeurs F observes 51,79 et 215,87 qui sont toutes deux suprieurs aux valeurs
thoriques F 0,95 4 et 12 dl = 3,26 et F 0,95 3 et 12 dl = 3,49 on peut rejeter les deux
hypothses nulles et conclure qu'il y a d'une part, des diffrences significatives entre les cinq
oprateurs quant au temps moyen ncessaire l'assemblage de ce produit et d'autre part, des
diffrences significatives entre les quatre machines.
Adil EL MARHOUM
Page 71

3.1.3. ANALYSE DE VARIANCE DEUX FACTEURS AVEC
INTERACTION
Bien des recherches ont pour but d'tudier l'impact de plusieurs facteurs sur le rsultat d'une
exprience. Dans ce qui suit on tentera de dcouvrir si deux facteurs A et B peuvent expliquer
ou non les variations constates dans les observations Yijk.
On dispose de IJ chantillons de taille K (K>1) prlevs alatoirement de populations
normales dans lesquelles les variances sont prsumes gales. Le tableau suivant illustre la
notation indice: par exemple, Y324 renvoie la quatrime observation prleve quand le
facteur A est son troisime niveau (ou modalit) et que le facteur B est son deuxime
niveau. Ainsi, T2 reprsente le total des observations quand le premier facteur est maintenu
son deuxime niveau, alors que Y3 dsigne la moyenne des observations quand le second
facteur est maintenu sa troisime modalit.
Toutes les combinaisons possibles des modalits des facteurs donnent lieu IJ traitements.
A remarquer enfin qu'il y a ici le mme nombre d'observations dans chacune des IJ cellules,
soit K, et cette valeur est suprieure l'unit.
Matrice des donnes
Facteur A \ Facteur B
1
Y111
Y112
...
Y11K
...
2
Y121
Y122
...
Y12K
...
Y211
Y212
...
Y21K
Y221
Y222
...
Y22K
Total
T1
T2
Moyenne
Y1
Y2
1
...
Adil EL MARHOUM
...
...
...
J
Y1J1
Y1J2
...
Y1JK
...
Total
T1
Moyenne
Y1
...
...
YIJ1
YIJ2
...
YIJK
TI
YI
TJ
T = grand
total
Y J
Y=
moyenne
gnrale
Page 72
Tableau d'analyse de variance deux facteurs avec rptitions

Les rsultats d'une analyse de la variance deux facteurs avec rptitions sont habituellement
prsents dans un tableau comme celui-ci
.
Analyse de variance deux facteurs avec rptitions
Source de variation Somme des
carrs
Facteur A
Facteur B
Interaction
Erreur
Totale
Degrs de libert Moyenne des

carrs
SCFA
SCFB
SCI
SCE
STC
MCFA
MCFB
MCI
MCE
I-1
J-1
(I-1)(J-1)
IJ(K-1)
IJK-1
F
MCFA / MCE
MCFB / MCE
MCI / MCE
Les sommes des carrs et les moyennes des carrs sont calcules l'aide des formules
suivantes:
I
K
2
STC Yijk
i 1 j1 k1
T2
IJK
Ti2 T 2
IJK
i 1 JK
SCFA
J
SCFB
j1
T2j
IK
SCI
i 1 j1
2
Tij
T2
IJK
I
J
T
T2
T2
i j
K i 1 JK j 1 IK IJK
SCE STC SCFA SCFB SCI

En se basant sur les rsultats prsents au tableau, on dduit que les tests sur la prsence
dinteraction, sur le facteur A et sur le facteur B s'effectuent exactement comme dans le cas de
lanalyse de variance un facteur, savoir au moyen des statistiques :
~
F I MCI
MCE
Adil EL MARHOUM
Page 73

~
FA MCA
MCE
~
FB MCB
MCE
L'analyse de variance doit vrifier en premier lieu si l'interaction entre les deux facteurs est
importante; si la rponse est ngative, on pourra considrer ensuite les deux autres tests
disponibles dans le tableau de l'analyse de la variance.
La prsence dinteraction entre les deux facteurs signifie que les rsultats sous les niveaux
d'un facteur se comportent diffremment selon les diffrents niveaux de l'autre facteur.
Exemple :
Il est difficile de prdire le temps ncessaire pour apprendre programmer en langage C++.
On a demand 24 programmeurs qui ne connaissaient pas ce langage de prdire le nombre
dheures ncessaires pour apprendre les principales commandes en langage C++ et effectuer
ensuite un certain projet. Les programmeurs ont t classifis selon leur type dexprience et
leur nombre dannes dexprience. Quand le projet fut termin, tous sans exception avaient
sous-estim le temps effectivement requis pour accomplir cette tche. Dans le tableau qui
suit, on a ces erreurs de prvision (en heures).
Donnes numriques
TYPE DEXPRIENCE
Sur petits systmes
seulement
Sur gros systmes

seulement
Total
NOMBRE DANNES DEXPRIENCE

Moins de 2 ans Entre 2 et 5 ans Plus de 5 ans
25
12
10
22
10
9
18
14
11
20
8
8
30
20
14
38
28
15
45
29
26
44
28
24
242
149
117
Total
167
341
508
Que ce soit sous l'angle Type d'exprience ou Nombre d'annes d'exprience, existe-t-il
globalement des diffrences significatives entre les groupes?
L'analyse de ces donnes doit vrifier en premier lieu si l'interaction entre les deux facteurs
est importante; si la rponse est ngative, on pourra considrer ensuite les deux autres tests
disponibles dans le tableau de l'analyse de la variance et rpondre aux deux questions cidessus.
Calculons d'abord les quatre sommes des carrs:
I J K 2
STC Yijk
T 25 12 ... 24 508 2737,33
IJK
24
i 1 j 1k 1
Adil EL MARHOUM
Page 74
SCFA
I T2
i T 167 341 508 1261,50
JK
IJK
12
24
i 1
2
J T j
SCFB
T 242 149 117 508 1054,08
IJK
8
8
8
24
j 1 IK
2
2
J T j
I J Tij
I Ti2
SCI

T
IJK
i 1 j 1 K
i 1 JK
j 1 IK
SCI = 85 ... 79 167 341 242 149 117 508 61,75
4
12
8
24
SCE STC SCFA SCFB SCI 2737,33 1261,50 1054,08 61,75 360
ce qui permet la construction du tableau de l'analyse de variance suivant :

Analyse de variance deux facteurs avec rptitions
Source de variation
Somme des carrs D.L.
Moyenne des carrs F
Facteur A:
Type d'exprience
Facteur B:
Nombre d'annes d'exprience
Interaction
Erreur
Totale
1261,5
1261,5
63,075
1054,08
527,04
26,35
61,75
360
2737,33
2
18
23
30,875
20
1,54
En examinant en tout premier lieu le test sur linteraction, on peut vrifier que la valeur FI =
1,54 est infrieure la valeur critique de la table, soit F 0,95 2 et 18 dl = 3,55. on doit
conclure qu'il n'y a pas d'interaction significative entre les deux facteurs Type d'exprience et
Nombre d'annes d'exprience.
Adil EL MARHOUM
Page 75

Cette constatation justifie la poursuite de l'analyse de la variance. Comme les valeurs FA=
63,075 et FB =26,35 sont suprieures respectivement aux valeurs critiques de la table F 0,95
1 et 18 dl = 4,41 et F 0,95 2 et 18 dl = 3,55, on doit conclure qu'aussi bien sous l'angle
Type d'exprience que Nombre d'annes d'exprience, il existe globalement des
diffrences significatives entre les groupes.
IV. TESTS STATISTIQUES SUR LES VARIANCES

4.1. Test de conformit dune variance
Ce test a pour but de vrifier si la variance dune population est ou nest pas gale une
valeur donne 0, appele norme.
= 0
On extrait un chantillon alatoire non exhaustif de taille n. La variable de dcision du test
correspond :
n
(xi x)
i 1
0
VD =
La variable de dcision possde une distribution khi deux (n-1) degrs de libert.
Test bilatral :
H0 : = 0 et
H1 : 0
Les valeurs critiques qui dlimitent la rgion dacceptation sont 1 et 2 telles que :
p(1 VD 2) = 1 -
p(VD < 1) = /2
1 =
2
p(VD > 2) = /2
p(VD 2) = 1-/2
2 = 1
Adil EL MARHOUM
Page 76

La rgion dacceptation est donc lintervalle [ ; 1 ].
2
On accepte lhypothse nulle si la variable de dcision appartient la rgion dacceptation.

Sinon, cest lhypothse alternative qui est accepte.
Test unilatral droite :
H0 : = 0 et
H1 : > 0
La valeur critique qui dlimitent la rgion dacceptation est telle que :

p(VD ) = 1 -
= 1
La rgion dacceptation est donc lintervalle ]0 ; 1 ].

Test unilatral gauche :
H0 : = 0 et
H1 : < 0
La valeur critique qui dlimite la rgion dacceptation est telle que :

p(VD < ) =
La rgion dacceptation est donc lintervalle [ ; +[.

Exemple :
On souhaite vrifier, au seuil de signification de 95 %, si le peuplement, dans lequel on a
mesur la hauteur dun chantillon de 12 arbres, appartient un type de fort dont lcart type
est de 1,4 m. Les rsultats en mtre sont :
5,1
5,2
5,2
5,4
5,9
6,3
6,3
6,8
6,9
6,9
7,0
7,0
Pour rpondre cette question, on doit raliser un test de conformit de la variance.

Hypothse nulle :
Il sagit dun test bilatral.
H0
= 1,4 = 1,96
H1 : 1,96
La variable de dcision du test correspond :
Adil EL MARHOUM
Page 77
(xi x)
VD = i1
6,6
= 3,37
1,96
La variable de dcision possde une distribution khi deux 11 degrs de libert.

Les valeurs critiques qui dlimitent la rgion dacceptation sont : et 1
2
Au seuil de signification de 95 % ( = 0,05)

0,025 = 3,82
et
0,975 = 21,9
La rgion dacceptation est donc lintervalle [3,82 ; 21,9].

On rejette lhypothse nulle car la variable de dcision nappartient pas la rgion
dacceptation.
4.2. Test de comparaison des deux variances de deux chantillons

indpendants
Ce test a pour but de comparer les variances de deux populations laide de deux chantillons
indpendants.
Ce test a pour but de vrifier si la variance 1 dune population est ou nest pas gale la
variance 2 dune autre population.
1 = 2
Soient deux chantillons alatoires et non exhaustifs prlevs dans les deux populations. La
variable de dcision du test correspond au rapport des deux variances observes des deux
chantillons :
^
VD = ^1
2
Adil EL MARHOUM
Page 78

La variable de dcision sui une loi de Fisher avec (n1-1) et (n2-1) degr de libert.
Les tables de la loi de Fisher ne donnent que des valeurs suprieures lunit. Cest la raison
pour laquelle la variable de dcision correspond au rapport de variances qui est suprieur
lunit, do lchantillon 1 est celui qui a la plus grande variance.
Le test dgalit de deux variances est en gnral un test bilatral. Il prcde gnralement le
test de comparaison des moyennes de deux chantillons indpendants.
H0
1 = 2
et
1 2
H1
Les valeurs critiques qui dlimitent la rgion dacceptation sont F1 et F2 telles que :
p(F1 VD F2) = 1 -
p(VD < F1) = /2
F1 = F
2
p(VD > F2) = /2
p(VD F2) = 1-/2
F2 = F1
La rgion dacceptation est donc lintervalle [ F ; F1 ].

2
Les tables de la loi de Fisher ne donnent que des valeurs suprieures lunit, de telle sorte
que seule est possible la comparaison avec F1 , et on rejette lhypothse nulle si la variable
2
de dcision est suprieure ou gale F1 .

2
Exemple :
Pour savoir si les filles sont plus assidues que les garons ou non, on a choisi de manire
alatoire et simple un premier chantillon de 10 filles et de faon indpendante, un deuxime
chantillon de 10 garons. En fonction des rsultats ci-dessous relatifs aux notes dassiduits
(note sur 100), peut-on supposer, au seuil de 5 %, que les variances des deux populations sont
gales ?
Assiduit
des filles
Assiduit
des garons
72
67
52
54
46
58
59
54
58
63
66
59
54
57
63
55
61
55
66
75
Pour rpondre cette question, on doit raliser un test de comparaison de deux variances.
Adil EL MARHOUM
Page 79

Hypothse nulle :
Ce test a pour but de vrifier si la variance 1 de la population des filles est ou nest pas gale
la variance 2 de la population des garons.
1 = 2
Il sagit dun test bilatral : H0
et
H1
1 2
^
57,12
VD = ^1 =
= 1,31
43,43
2
Pour = 0,05 la valeur de F1 avec 9 et 9 degrs de libert est :
2
F0,975 = 4,03
La variable de dcision est infrieure F1 , on accepte donc lhypothse dgalit des
2
variances des deux populations.
V. TESTS STATISTIQUES SUR LES PROPORTIONS

5.1. Test de conformit dune proportion
On attribue la valeur p0 pour proportion dans une population dont la vraie proportion p est
inconnue, et on veut juger la validit de cette hypothse.
Ce test a pour but de vrifier si la proportion p dune population est ou nest pas gale une
valeur donne p0, appele norme.
p = p0
On extrait de la population un chantillon alatoire et simple dans lequel la proportion
observe fn est en gnral diffrente de p0, il sagit dexpliquer cette diffrence.
La variable de dcision du test correspond lestimation de p qui est la frquence de
lchantillon :
VD = fn
Adil EL MARHOUM
Page 80

Comme, la distribution de la proportion suit une loi normale de moyenne p et dcart type
p(1 p)
condition que la taille de lchantillon soit suprieure ou gale 30 (n 30) et le
n
produit n p 5, la variable de dcision rduite :
VDR =
fn p0
p0(1 p0)
n
est donc une variable normale rduite N(0 ; 1).

Test bilatral :
H0 : p = p0
et
H1 : p p0
Les valeurs critiques qui dlimitent la rgion dacceptation sont les valeurs dune variable
normale rduite Z1 et Z2 telles que :
p(Z1 VDR Z2) = 1 -
p(VDR < Z1) = /2
Z1 = Z
2
p(VDR > Z2) = /2
p(VDR Z2) = 1-/2
Z2 = Z1

2

Remarque :
VDR > Z1
Adil EL MARHOUM
Page 81

H0 : p = p0
et
H1 : p > p0
La valeur critique qui dlimitent la rgion dacceptation est la valeur dune variable normale
rduite Z telle que :
p(VDR Z) = 1 -
Z = Z1

H0 : p = p0
et
H1 : p < p0
La valeur critique qui dlimitent la rgion dacceptation est la valeur dune variable normale
rduite Z telle que :
p(VDR < Z) =
Z = Z

Exemple :
Au cours des lections, un candidat est lu avec 52 % des voix. Plusieurs mois aprs
l'lection, un institut de sondage interroge 1600 lecteurs, dont 800 dclarent qu'ils voteraient
en cas d'lection, pour le mme candidat. Ce rsultat est-il ou non significatif d'une
dsaffection des lecteurs pour l'lu ?
Pour rpondre cette question, on doit vrifier si le nouveau pourcentage obtenu par le
sondage, nest pas infrieur la norme de 52 %. Il sagit donc de faire un test de conformit
de la proportion.
Hypothse nulle :
Il sagit dun test unilatral gauche
H0
p = 0,52
H1 : p < 0,52
La variable de dcision du test correspond la frquence fn de lchantillon :
VD = fn = 800 = 0,50
1600
Adil EL MARHOUM
Page 82
La distribution de la proportion suit une loi normale de moyenne p et dcart type
pq
(la
n
taille de lchantillon est suprieure 30 et le produit n p > 5).

La variable de dcision rduite est :
VDR =
fn p0
=
p0(1 p0)
n
0,500,52
= - 1,60
0,52(10,52)
1600
La rgion dacceptation est lintervalle [ Z ; +[.
Au seuil de signification de 95 % ( = 0,05) :
Z = Z0,05 = -1,65
La rgion dacceptation est donc lintervalle [-1,65 ; +[.

On accepte lhypothse nulle car la variable de dcision rduite appartient la rgion
dacceptation. Ce rsultat n'est donc pas significatif d'une dsaffection des lecteurs pour ce
candidat.
5.2. Test de comparaison des proportions de deux chantillons

indpendants
Ce test a pour but de comparer les proportions de deux populations laide de deux
chantillons indpendants.
Ce test a pour but de vrifier si la proportion p1 dune population est ou nest pas gale la
proportion p2 dune autre population.
p1 = p2
Il sagit de comparer deux proportions observes. Soient deux chantillons alatoires de taille
respectivement n1 et n2 extraits de deux populations. Les frquences observes fn1 et fn2
Sont gnralement diffrentes, il sagit dexpliquer cette diffrence.
Adil EL MARHOUM
Page 83

f n1 X1
n1
et
f n2 X 2
n2
La variable de dcision du test correspond la diffrence entre les frquences observes des
deux chantillons :
VD = fn1 fn2
Comme, les distributions des deux proportions suivent des lois normales de moyennes
p1 (1 - p1)
p2 (1 - p 2)
respectivement p1 et p2 et dcarts types respectifs
et
condition
n1
n2
que la taille de lchantillon soit suprieure ou gale 30 (n 30) et le produit n p 5, la
variable de dcision est elle-mme normale de moyenne (p1-p2) et dcart type
p1 (1 p1)
p2 (1 p2)
.
n1
n2
Sous lhypothse nulle p1 = p2 , il y a la mme proportion inconnue p dans les deux
populations. Cette proportion peut tre estime par la frquence observe fn1+n2 dans
lchantillon unique qui est la runion des deux chantillons.
fn1+n2 =
n1 f n1 n2 f n2
X1 X 2
=
n1 n2
n1 n2
Sous lhypothse nulle, la variable de dcision suit une loi normale de moyenne (p1-p2) = 0 et
dcart type :
p (1 p)
p (1 p)
n1
n2
f n1 n2 (1 f n1 n2)( 1 1 )
n1
n2
La variable de dcision centre rduite :
VDR =
f n1 f n2
f n1 n2(1 f n1 n2)( 1 1 )
n1 n2
est donc une variable normale rduite N(0 ; 1).

La rgion dacceptation est identique celle du test de conformit dune proportion, elle
dpend de lhypothse alternative H1.
Adil EL MARHOUM
Page 84

Test bilatral :
H0 : p1 = p2
H1 : p1 p2
et

2

Remarque :
VDR > Z1

H0 : p1 = p2
et
H1 : p1 > p2

H0 : p1 = p2
et
H1 : p1 < p2

Exemple :
Une enqute sur lemploi a concern 220 personnes dont 115 dans le milieu rural et 105 dans
le milieu urbain. Sur les 115 ruraux enquts, 74 se sont rvls actifs, alors que pour les
enquts urbains, 81 sont actifs. Peut-on admettre, au seuil de 5 %, quil ny a pas de
diffrence significative entre les taux dactivits dans les deux milieux ?
Pour rpondre cette question, on doit raliser un test de comparaison de deux proportions.
Hypothse nulle :
Ce test a pour but de vrifier si la proportion p1 des personnes actives dans le milieu rural est
ou nest pas gale la proportion p2 des personnes actives dans le milieu urbain.
Il sagit dun test bilatral : H0 : p1 = p2
Adil EL MARHOUM
et
H1 : p1 p2
Page 85
Daprs les donnes :
f n1 74 = 0,64
115
f n2 81 = 0,77
105
f n2 n2 155 = 0,70
220
La variable de dcision centre rduite est :
VDR =
f n1 f n2
f n1 n2(1 f n1 n2)( 1 1 )
n1 n2
0,640,77
= -2,10
1
1
0,70(10,70)(
)
115 105
Pour = 0,05 la valeur de Z1 est : Z0,975 = 1,96
2
VDR > Z1 , on rejette donc lhypothse nulle. Cest dire, il y a une diffrence
2
significative entre les taux dactivits dans les deux milieux.
5.3. Test de comparaison des proportions de plusieurs chantillons

indpendants
Ce test a pour but de comparer les proportions dun certain nombre de populations laide du
mme nombre dchantillons indpendants.
Ce test a pour but de vrifier si les proportions p1, p2, ... pk de k populations sont gales. On
crit comme suit les hypothses:
Ho: p1 = p2 = ... = pk
H1: au moins une des proportions est diffrente des autres.
Adil EL MARHOUM
Page 86

Soient k chantillons alatoires de taille respectivement n1, n2 , , nk extraits de k
populations. Il sagit de comparer les effectifs observs nij dans les k chantillons et les
effectifs attendus ou thoriques sous lhypothse nulle.
Effectifs observs
Avoir le
caractre tudi
Ne pas avoir le
caractre tudi
Total
Echantillon 1
n11
Echantillon 2
n21
Echantillon k
nk1
n12
n22
nk12
n1.
n2.
nk.
Sous lhypothse nulle p1 = p2 = ... = pk, il y a la mme proportion inconnue p dans les k
populations. Cette proportion peut tre estime par la frquence observe f dans lchantillon
unique qui est la runion des k chantillons.
f =
n11n21...nk1
n1.n2....nk.
sous lhypothse nulle, les effectifs thoriques sont :

Effectifs thoriques
Avoir le
caractre tudi
Ne pas avoir le
caractre tudi
Total
Echantillon 1
f n1.
Echantillon 2
f n2.
Echantillon k
f nk.
(1 f) n1.
(1 f) n2.
(1 f) nk1.
n1.
n2.
nk.
On est amen confronter les effectifs observs et les effectifs thoriques. On calcule la
variable de dcision VD :
VD = (effectif observ-effectif thorique)2 / effectif thorique
Adil EL MARHOUM
Page 87
VD =
i1
(ni1 fni.) (ni2 (1 f)ni.)
]
fni.
(1 f)ni.
On peut dmonter que la variable de dcision est une variable alatoire Khi deux avec (k-1)
degr de libert.
La variable de dcision est nulle lorsque les effectifs observs sont touts gales aux effectifs
attendus, cest dire, lorsquil y a concordance absolue entre la distribution observe et la
distribution thorique. La valeur de la variable de dcision est dautant plus grande que les
carts entre les effectifs observs et attendus sont plus grands. La valeur critique qui dlimite
la rgion dacceptation est telle que :
p(VD < ) = 1 - = 1-
Le test tant toujours unilatral, la rgion dacceptation est donc lintervalle [0 ; 1-[.
On rejettera donc lhypothse nulle lorsque la valeur de la variable de dcision est suprieure
ou gale 1- avec (k-1) degrs de libert.
Exemple :
Lors dune campagne lectorale, un parti politique a effectu un sondage pour valuer les
intentions de vote en faveur de ce parti. Quatre chantillons indpendants ont t choisis dans
quatre villes diffrentes. On a obtenu les rsultats suivants :
Voteront pour le parti

Ne Voteront pas pour le parti
Total
Rabat
94
240
334
Tanger
58
230
288
Oujda
60
252
312
Agadir
43
197
240
Au seuil de signification de 5 %, la proportion de la population des lecteurs qui ont

lintention de voter pour ce parti est-elle identique dans les quatre villes ?

Ho: p1 = p2 = p3 = p4
H1: au moins une des proportions est diffrente des autres.
Adil EL MARHOUM
Page 88

Sous lhypothse nulle :
p1 = p2 = p3 = p4, il y a la mme proportion inconnue p dans les 4

villes. Cette proportion peut tre estime par la frquence observe f dans lchantillon unique qui
est la runion des 4 chantillons.
94586043
f = 334 288312 240 = 0,22

Sous lhypothse nulle, les effectifs thoriques sont :
Effectifs thoriques
Voteront pour le parti

Ne Voteront pas pour le parti
Total
Rabat
73,48
260,52
334
Tanger
63,36
224,64
288
Oujda
68,64
243,36
312
Agadir
52,8
187,2
240
On calcule la variable de dcision VD :
VD =
(94 73,48) (240 260,52) (5863,36) (230 224,64) (60 68,64) (252 243,36)
73,48
260,52
63,36
224,64
68,64
243,36
(4352,8) (197 187,2)
= 11,65
52,8
187,2
La variable de dcision est une variable alatoire Khi deux avec 3 degrs de libert.
La rgion dacceptation est donc lintervalle [0 ; 1-[.
Au seuil de signification de 5 %, la valeur 0,95 3 degrs de libert est gale 7,81.
La valeur de la variable de dcision est suprieure la valeur 0,95 3 degrs de libert, on
rejettera donc lhypothse nulle, cest dire au seuil de signification de 5 %, la proportion de
la population des lecteurs qui ont lintention de voter pour ce parti nest pas identique dans
les quatre villes.
Adil EL MARHOUM
Page 89
VI. LES TESTS DAJUSTEMENT

Les tests dajustement sont destins comparer une distribution observe et une distribution
thorique donne. Dune faon gnrale, on considre dune part, une population infinie dont
les individus sont classs en k catgories, en fonction dun critre qualitatif ou quantitatif, et
dautre part, un chantillon alatoire et simple deffectif n, dont les individus sont classs de
la mme manire. Le but du test est de vrifier si la population possde une distribution de
probabilit donne :
p1, p2, p3, , pk tel que :
pi 1
i 1

Pour comparer la distribution thorique et la distribution observe, on est amen confronter
les effectifs observs ni et les effectifs attendus ou thoriques correspondants npi.
Lhypothse nulle est alors :
k
i 1
i 1
H0 : ni = npi avec ni = npi = n

On distingue deux cas dapplication de ces tests, selon que la distribution thorique est ou
nest pas compltement dfinie. Dans le premier cas, la variable de dcision peut tre calcule
immdiatement. Dans le second cas, la distribution de probabilit de la population nest
dfinie quen fonction dun ou de plusieurs paramtres, ceux-ci doivent pralablement tre
estims partir des donnes de lchantillon.
Cas dune distribution compltement dfinie :
les effectifs observs ni et les effectifs attendus ou thoriques correspondants npi.
Les effectifs attendus doivent tre tous suprieurs ou gales 5. quand cette condition nest
pas remplie, on peut regrouper des classes voisines, de manire augmenter les effectifs
attendus.
On calcule la variable de dcision VD :
(ni npi )
i 1 npi
VD =
Adil EL MARHOUM
Page 90

On peut dmonter que la variable de dcision est une variable alatoire Khi deux avec (k-1)
degr de libert. k correspond au nombre de calasses aprs regroupement.
La variable de dcision peut tre calcule plus facilement par :
k (ni npi )
i 1 npi
VD =
k ni 2ni npi npi

npi
i 1
k
k 2ni npi
k npi
k
= ni -
+
= ni - 2n + n
i 1 npi
i 1 npi
i 1 npi
i 1 npi
ni
VD = npi - n
i 1
Cas dune distribution incompltement dfinie :
Lorsque la distribution thorique nest pas compltement dfinie, le ou les paramtres qui
caractrisent cette distribution doivent tout dabord tre estims. On peut calculer ensuite les
^
probabilits estimes pi , les effectifs attendus correspondants n pi , et la valeur de dcision :
ni
VD = i 1 ^ - n
n pi
Le nombre de degr de libert (k-1) doit tre rduit du nombre de paramtres estims.
La variable de dcision est nulle lorsque les effectifs observs sont touts gales aux effectifs
attendus, cest dire, lorsquil y a concordance absolue entre la distribution observe et la
distribution thorique. La valeur de la variable de dcision est dautant plus grande que les
carts entre les effectifs observs et attendus sont plus grands. La valeur critique qui dlimite
la rgion dacceptation est telle que :
p(VD < ) = 1 -
= 1-
ou gale 1-.
Adil EL MARHOUM
Page 91

Exemple :
Le tableau suivant donne la distribution de frquences des nombres de garons observs dans
1600 familles de 4 enfants, considres comme choisies au hasard au sein dune trs large
population. En fonction de ces rsultats, peut-on affirmer, au seuil de 5 %, que le nombre de
garons suit une loi binomiale ?
Nombre de garons Nombre de familles
0
113
1
367
2
576
3
426
4
118
Total
1600
Pour rpondre cette question, on doit raliser un test dajustement dans le but de comparer la
distribution observe la une distribution binomiale.
Hypothse nulle :
H0 : ni = npi
avec
i 1
i 1
ni = npi = n
les effectifs observs ni et les effectifs attendus ou thoriques correspondants npi. on doit
calculer alors les probabilits pi en utilisant la loi binomiale.
La probabilit davoir un garon est suppose gale 0,5, la loi binomiale qui caractrise le
nombre de garons dans une famille de 4 enfants a pour paramtre 4 et 0,5.
En utilisant la formule de la loi binomiale, on trouve les probabilits suivantes :
p ( x)
x
n
p x q nx
Distribution de la variable B(4 , 1/2)

x
0
1
2
3
4
Total
Adil EL MARHOUM
p(x)
0,0625
0,2500
0,3750
0,2500
0,0625
1
Page 92
Le tableau suivant regroupe les effectifs observs ni et les effectifs attendus ou thoriques
correspondants npi.
x
0
1
2
3
4
Total
ni
113
367
576
426
118
1600
npi
100
400
600
400
100
1600
Les effectifs thoriques sont tous suprieures 5, on peut calculer la variable de dcision :
VD =
ni
np
i
i 1
-n
VD = 113 367 576 426 118 - 1600 = 10,3
100
400
600
400 100
La rgion dacceptation est lintervalle [0 ; 1-[.
Pour = 0,05, la valeur de 1- avec 4 degrs de libert est : 0,95 = 9,49
La valeur de la variable de dcision est suprieure 1- , on rejette donc lhypothse nulle.
VII. LES TESTS DINDEPENDANCE

Les tests dindpendance ont pour but de contrler lindpendance stochastique de deux ou
plusieurs critres de classification. Ils permettent galement deffectuer des comparaisons de
proportions.
Les tests dindpendance concernent une population subdivise en pq classes, en fonction de
deux critres de classification. La distribution de probabilit correspondante est alors une
distribution deux dimensions, et les donnes relatives tout chantillon sont prsentes sous
la forme dun tableau de contingence.
Pour des chantillons alatoires et simples, si les deux critres de classification sont
indpendants, les probabilits pij de la distribution deux dimensions peuvent tre estimes
par :
Adil EL MARHOUM
Page 93

^
ni.
pij fi. f.j avec fi. =
n et
f.j =
n.j
n
sont les frquences relatives marginales.
ni. et n.j sont les effectifs marginaux, et nij les effectifs conjoints.
Les effectifs attendus correspondants sont donc :
ni.n.j
ni. n.j
n pij = n fi. f.j = n n n =
n
les effectifs attendus doivent touts tre suprieurs ou gales 5.
^
les effectifs observs nij et les effectifs attendus ou thoriques correspondants n pij .
Lhypothse nulle est lindpendance des deux critres de classification.
^
H0 : nij = n pij
la comparaison des effectifs observs et attendus se fait comme pour les tests dajustement, en
calculant la variable de dcision suivante :
p q
VD =
nij
^
i 1 j 1n p
-n
ij
On dmontre que la variable de dcision est une variable alatoire Khi deux avec (p-1)(q-1)
degr de libert.
La valeur critique qui dlimite la rgion dacceptation est telle que :
p(VD < ) = 1 -
= 1-
ou gale 1-.
Adil EL MARHOUM
Page 94

Exemple :
Un tour oprateur souhaite segmenter son march. Il se demande sil existe un lien entre le
choix dune destination de vacances et le niveau dinstruction. Les donnes recueillies ont t
structures sous forme de d tableau de contingence.
Niveau
dinstruction
Primaire
Secondaire
Suprieur
Total
Destination de vacances
Mer Montagne
Dsert
300
50
100
250
80
20
50
120
30
600
250
150
Total
450
350
200
1000
Hypothse nulle :
Lhypothse nulle est lindpendance des deux critres de classification.
^
H0 : nij = n pij
^
ni.n.j
Les effectifs attendus sont estims par la formule : n pij =
n
Niveau
Destination de vacances
dinstruction Mer Montagne
Dsert
Primaire
270
112,5
67,5
Secondaire
210
87,5
52,5
Suprieur
120
50
30
Total
600
250
150
Total
450
350
200
1000
p q
nij
VD = ^ - n = 300 50 100 250 ... 30 - 1000 = 220,91
270 112,5 67,5 210
30
i 1 j 1 n p
ij
La rgion dacceptation est lintervalle [0 ; 1-[.
Le nombre de degrs de libert est gal (3-1)(3-1) = 4.
Pour = 0,05, la valeur de 1- avec 4 degrs de libert est 0,95 = 9,49.
La valeur de la variable de dcision est suprieure 1- , on rejette donc lhypothse nulle.
On conclut donc que le niveau dinstruction a une influence sur le choix dune destination
touristique.
Adil EL MARHOUM
Page 95
EXERCICES SUR LES TESTS STATISTIQUES

Ex 1 : Un fabricant de tubes essais pour laboratoire fonde sa publicit sur le fait que la
dure de vie de ses tubes correspond 1500 heures de chauffage laide d'un bec Bunzen. Un
laboratoire de contrle de publicit constate que sur 100 tubes essais, la dure moyenne de
vie est de 1485 heures de chauffage avec un cart-type de 110 heures. Au risque 5%, la dure
de vie des tubes essais est-elle diffrente de 1500 heures de chauffage ?
Ex 2 : Le directeur de ventes dun laboratoire pharmaceutique veut savoir sil existe des
diffrences significatives entre les rgions en terme de niveau daccueil dun nouveau produit.
Les rsultats suivants ont t obtenus auprs dun chantillon alatoire de clients :
Rgions
Niveau daccueil Nord Est Sud Ouest
Faible
22 35 0
5
Modr
84 55 8
24
Elev
25 17 22
12
Le niveau daccueil dpend-t-il de la rgion ?
Ex 3 : Les moteurs des appareils lectromnagers d'une marque M ont une dure de vie
moyenne de 3000 heures avec un cart-type de 150 heures. la suite d'une modification dans
la fabrication des moteurs, le fabriquant affirme que les nouveaux moteurs ont une dure de
vie suprieure celle des anciens. On a test un chantillon de 50 nouveaux moteurs et on a
trouv une dure de vie moyenne de 3250 heures avec un cart-type gal 150 heures. Les
nouveaux moteurs apportent-ils une amlioration dans la dure de vie des appareils
lectromnagers au risque de 1% ?
Ex 4 : Dans une grande ville d'un pays donn, une enqute a t ralise sur les dpenses
mensuelles pour les loisirs. On a observ les rsultats suivants:
Sur 280 familles habitant le centre-ville, les dpenses mensuelles pour les loisirs sont en
moyenne de 640 dh avec un cart-type de 120 dh.
Sur 300 familles habitant la banlieue, les dpenses mensuelles pour les loisirs sont en
moyenne de 610 dh avec un cart-type de 100 dh.
Peut-on dire au risque de 5 % que la part du budget familial consacr aux loisirs est diffrente
suivant que la famille habite le centre-ville ou la banlieue ?
Ex 5 : Un fabricant affirme qu'au moins 95 % de lquipement qu'il fournit un dpositaire
est conforme au cahier des charges. Lexamen d'un chantillon de 200 pices fournies montre
que 18 pices sont dfectueuses. Que penser de l'affirmation du fabricant au seuil de
confiance de 5 %?
Adil EL MARHOUM
Page 96

Ex 6 : Pour une lection, on effectue un sondage pour valuer les intentions de vote en faveur
du candidat M. Dans la ville de casa, sur 450 personnes interroges, 52% ont l'intention de
voter pour M. Dans la ville de rabat, sur 300 personnes interroges, 49 % ont l'intention de
voter pour M. Au risque de 5%, y a-t-il une diffrence d'intention de vote dans ces deux
villes?
Ex 7 : Un spcialiste en marketing a fait modifier la mthode traditionnellement utilise pour
effectuer la promotion d'un certain produit. A titre exprimental, il a observ dans 10 points de
vente le nombre dunits vendues en une semaine en utilisant la mthode existante. La semaine
daprs, les mmes points de vente ont utilis la nouvelle mthode de promotion, on a observ le
nombre dunits vendues en cette semaine en utilisant. Les donnes recueillies sont comme suit :
Ancienne mthode: 48, 46, 47, 43, 46, 45, 49, 46, 47, 44.
Nouvelle mthode: 56, 49, 53, 51, 48, 52, 55, 53, 49, 50.
La nouvelle mthode de promotion a-t-elle un effet positif sur les ventes ( = 5%)?
Ex 8 : Un chercheur a dcouvert un procd efficace 90 % pour prolonger la dure de vie

des ballons eau chaude. On teste son procd sur 200 ballons. On constate qu'il est efficace
pour 160 dentre eux. Laffirmation du chercheur est-elle lgitime au seuil de signification de
0,05 ?
Ex 9 : Dans le but de contrler le poids net des sachets d'un produit alimentaire, on a prlev
deux chantillons respectivement de 10 et 12 sachets, on a obtenu les rsultats suivant (en
grammes) :
ch 1
ch 2
190
210
200
204
202
203
195
189
194
194
208
195
205
206
196
205
198
200
206
201
198
197
Ces deux rsultats sont-ils significativement diffrents en ce qui concerne le poids moyen %
Ex 10 : Au concours dentre une cole, lpreuve de culture gnrale est note de 0 50.
on tire au hasard un chantillon de 100 candidats et lon relve que les notes quils ont
obtenues se classent en cinq tranches de la manire suivante :
Tranches de notes Nombre de candidats
10
Note 10
20
10 < Note 20
30
20 < Note 30
20
30 < Note 40
20
40 < Note 50
Le jury se demande sil est justifi de considrer que la distribution des notes suit une
loi normale dans la population de tous les candidats.
Adil EL MARHOUM
Page 97
Ex 11 : 24 ttes dovin ont reu 6 alimentations diffrentes pour constituer 4

rptitions et on a enregistr les gains moyens quotidiens en poids suivants :
Alim. 1
590
760
700
640
Alim. 2
460
430
540
470
Alim. 3
600
460
610
510
Alim. 4
640
660
720
580
Alim. 5
690
600
550
480
Alim. 6
690
650
680
740
Au seuil de 5 %, existe-t-il une diffrence significative quant leffet des diffrentes

alimentations sur le gain moyen quotidien en poids des ovins ?
Ex 12 : L'exprience suivante avait pour but d'analyser l'impact des 2 facteurs Sexe et
ge sur la consommation d'un certain produit de luxe. Dans chacun des 6 groupes, le
produit a t offert 100 personnes choisies au hasard. La consommation, en nombre
dunits achetes, est donne dans le tableau qui suit:
Sexe
Catgorie d'ge
Moins de 20 ans
Entre 20 et 45 ans
Plus de 45 ans
Total
Fminin
27
39
54
120
Masculin
32
45
62
139
Total
59
84
116
259
On suppose que les nombres dunits achetes obissent des lois normales, que les variances
sont gales dans ces six populations.
Quant au nombre dunits achetes en moyenne, peut-on affirmer au niveau = 0.01 qu'il y a une
diffrence significative entre hommes et femmes d'une part, et entre les trois groupes d'ge, d'autre
part?
Ex 13 : Une entreprise commerciale succursales multiples procde un sondage dans ses
magasins de rabat et casa. A rabat, sur 1000 clients interrogs, 350 dclarent souhaiter que le
magasin reste ouvert jusqu 21 heures tandis qu casa, sur 900 clients, 280 ont mis ce
mme vu. Lentreprise peut-elle, au seuil de signification de 5%, considrer que sa clientle
de rabat ragit comme celle de casa ?
Adil EL MARHOUM
Page 98

Ex 14 : Dans une population, soit p1, la proportion d'hommes possdant le baccalaurat et p2
la proportion de femmes possdant le baccalaurat. Le tableau suivant correspond la
rpartition de 200 individus choisis au hasard dans cette population.
Possdent le bac
ne possdent pas le bac
hommes femmes
32
26
64
78
Peut-on affirmer au risque 0,05, que p1 et p2 sont significativement diffrents ?

Ex 15 : Dans un pays M, le gouvernement a annonc que le taux de chmage est de 15,6 %.
Contestant ce chiffre, les dputs de l'opposition ont fait appel un institut de sondage. Celui
ci a ralis une tude couvrant 4900 personnes en ge d'activit et a trouv que le taux de
chmage est de 16,4 %. Avec un niveau de confiance de 0,95 ; estimez-vous que l'opposition
a raison de contester le chiffre annonc par le gouvernement ?
Ex 16 : On a enregistr plusieurs fois de suite le nombre de personnes qui se sont prsent
un guichet automatique bancaire, pendant des temps de 5 minutes.
Nombres darrives
0 1 2 3 4 5 6 7 8 9 10
Frquences absolues observes 1 4 12 18 22 17 11 6 4 3 2
Peut-on affirmer au seuil de signification de 5 % que le nombre de personnes qui se
prsentent un guichet automatique bancaire, pendant un intervalle de temps de 5 minutes
suit une loi de poisson ?
Ex 17 : Le tableau suivant donne le nombre dtudiants qui ont t brillants et
mdiocres devant trois examinateurs :
Examinateur1 Examinateur2 Examinateur3
Brillants
50
47
56
Mdiocres
5
14
8
Total
55
61
64
Au seuil de 5 %, testez lhypothse selon laquelle le nombre dtudiants
mme pour chaque examinateur.
Total
153
27
180
mdiocres est le
Ex 18 : Quelques jours avant une consultation lectorale mettant deux candidats A et B en

prsence, une socit d'tude effectue un sondage auprs des lecteurs afin d'estimer le
pourcentage des voix que chaque candidat est susceptible de recueillir dans l'ensemble du
corps lectoral.
a) 2304 personnes sont interroges ; 1267 se prononcent en faveur du candidat A. On
demande d'estimer lintervalle de confiance contenant le pourcentage de voix que le
candidat A pourrait obtenir ( = 5 %).
b) Quelques mois aprs deux instituts de sondage interrogent nouveau les lecteurs. Pour
l'institut X, qui a interrog 1600 personnes, le candidat A ne recueillerait que 47 % des
suffrages. Pour l'institut Y, qui a interrog 2500 personnes, A recueillerait 50 % des
suffrages. Ces deux rsultats sont-ils significativement diffrents avec un degr de
confiance de 95 % ?
Adil EL MARHOUM
Page 99

TABLE DE LA FONCTION DE REPARTITION DE LA LOI NORMALE REDUITE
Z
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,00
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,90320
0,91924
0,93319
0,94520
0,95543
0,96407
0,97128
0,97725
0,98214
0,98610
0,98928
0,99180
0,99379
0,99534
0,99653
0,99744
0,99813
0,99865
0,99903
0,99931
0,99952
0,99966
0,99977
0,99984
0,99989
0,99993
0,99995
0,01
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,90490
0,92073
0,93448
0,94630
0,95637
0,96485
0,97193
0,97778
0,98257
0,98645
0,98956
0,99202
0,99396
0,99547
0,99664
0,99752
0,99819
0,99869
0,99906
0,99934
0,99953
0,99968
0,99978
0,99985
0,99990
0,99993
0,99995
Adil EL MARHOUM
0,02
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,90658
0,92220
0,93574
0,94738
0,95728
0,96562
0,97257
0,97831
0,98300
0,98679
0,98983
0,99224
0,99413
0,99560
0,99674
0,99760
0,99825
0,99874
0,99910
0,99936
0,99955
0,99969
0,99978
0,99985
0,99990
0,99993
0,99996
0,03
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,90824
0,92364
0,93699
0,94845
0,95818
0,96638
0,97320
0,97882
0,98341
0,98713
0,99010
0,99245
0,99430
0,99573
0,99683
0,99767
0,99831
0,99878
0,99913
0,99938
0,99957
0,99970
0,99979
0,99986
0,99990
0,99994
0,99996
0,04
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7703
0,7995
0,8264
0,8508
0,8729
0,8925
0,90988
0,92507
0,93822
0,94950
0,95907
0,96712
0,97381
0,97932
0,98382
0,98745
0,99036
0,99266
0,99446
0,99585
0,99693
0,99774
0,99836
0,99882
0,99916
0,99940
0,99958
0,99971
0,99980
0,99986
0,99991
0,99994
0,99996
0,05
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,91149
0,92647
0,93943
0,95053
0,95994
0,96784
0,97441
0,97982
0,98422
0,98778
0,99061
0,99286
0,99461
0,99598
0,99702
0,99781
0,99841
0,99886
0,99918
0,99942
0,99960
0,99972
0,99981
0,99987
0,99991
0,99994
0,99996
0,06
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,91309
0,92785
0,94062
0,95154
0,96080
0,96856
0,97500
0,98030
0,98461
0,98809
0,99086
0,99305
0,99477
0,99609
0,99711
0,99788
0,99846
0,99889
0,99921
0,99944
0,99961
0,99973
0,99981
0,99987
0,99992
0,99994
0,99996
0,07
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,91466
0,92922
0,94179
0,95254
0,96164
0,96926
0,97558
0,98077
0,98500
0,98840
0,99111
0,99324
0,99492
0,99621
0,99720
0,99795
0,99851
0,99893
0,99924
0,99946
0,99962
0,99974
0,99982
0,99988
0,99992
0,99995
0,99996
0,08
0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,91621
0,93056
0,94295
0,95352
0,96246
0,96995
0,97615
0,98124
0,98537
0,98870
0,99134
0,99343
0,99506
0,99632
0,99728
0,99801
0,99856
0,99897
0,99926
0,99948
0,99964
0,99975
0,99983
0,99988
0,99992
0,99995
0,99997
0,09
05359
05753
06141
06517
06879
07224
07549
07852
08133
08389
08621
08830
090147
0,91774
0,93189
0,94408
0,95449
0,96327
0,97062
0,97670
0,98169
0,98574
0,98899
0,99158
0,99361
0,99520
0,99643
0,99736
0,99807
0,99861
0,99900
0,99929
0,99950
0,99965
0,99976
0,99983
0,99989
0,99992
0,99995
0,99997
Page 100

TABLE DE LA LOI KHI DEUX DE PEARSON
k/p
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
0,0005
0,06393
0,02100
0,0153
0,0639
0,158
0,299
0,485
0,710
0,972
1,26
1,59
1,93
2,31
2,70
3,11
3,54
3,98
4,44
4,91
5,40
5,90
6,40
6,92
7,45
7,99
8,54
9,09
9,66
10,2
10,8
0,001
0,05157
0,02200
0,0243
0,0908
0,210
0,381
0,598
0,857
1,15
1,48
1,83
2,21
2,62
3,04
3,48
3,94
4,42
4,90
5,41
5,92
6,45
6,98
7,53
8,08
8,65
9,22
9,80
10,4
11,0
11,6
Adil EL MARHOUM
0,005
0,04393
0,0100
0,0717
0,207
0,412
0,676
0,989
1,34
1,73
2,16
2,60
3,07
3,57
4,07
4,60
5,14
5,70
6,26
6,84
7,43
8,03
8,64
9,26
9,89
10,5
11,2
11,8
12,5
13,1
13,8
0,01
0,03157
0,0201
0,115
0,297
0,554
0,872
1,24
1,65
2,09
2,56
3,05
3,57
4,11
4,66
5,23
5,81
6,41
7,01
7,63
8,26
8,90
9,54
10,2
10,9
11,5
12,2
12,9
13,6
14,3
15,0
0,025
0,03982
0,0506
0,216
0,484
0,831
1,24
1,69
2,18
2,70
3,25
3,82
4,40
5,01
5,63
6,26
6,91
7,56
8,23
8,91
9,59
10,3
11,0
11,7
12,4
13,1
13,8
14,6
15,3
16,0
16,8
0,05
0,1
0,2
0,3
0,4
0,02393 0,0158 0,0642 0,148 0,275
0,103
0,211
0,446 0,713 1,02
0,352
0,584 1,00
1,42 1,87
0,711
1,06
1,65
2,19 2,75
1,15
1,61
2,34
3,00 3,66
1,64
2,20
3,07
3,83 4,57
2,17
2,83
3,82
4,67 5,49
2,73
3,49
4,59
5,53 6,42
3,33
4,17
5,38
6,39 7,36
3,94
4,87
6,18
7,27 8,30
4,57
5,58
6,99
8,15 9,24
5,23
6,30
7,81
9,03
10,2
5,89
7,04
8,63
9,93
11,1
6,57
7,79
9,47
10,8
12,1
7,26
8,55
10,3
11,7
13,0
7,96
9,31
11,2
12,6
14,0
8,67
10,1
12,0
13,5
14,9
9,39
10,9
12,9
14,4
15,9
10,1
11,7
13,7
15,4
16,9
10,9
12,4
14,6
16,3
17,8
11,6
13,2
15,4
17,2
18,8
12,3
14,0
16,3
18,1
19,7
13,1
14,8
17,2
19,0
20,7
13,8
15,7
18,1
19,9
21,7
14,6
16,5
18,9
20,9
22,6
15,4
17,3
19,8
21,8
23,6
16,2
18,1
20,7
22,7
24,5
16,9
18,9
21,6
23,6
25,5
17,7
19,8
22,5
24,6
26,5
18,5
20,6
23,4
25,5
27,4
Page 101

TABLE DE LA LOI KHI DEUX DE PEARSON (SUITE)
k/p
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
0,5
0,455
1,39
2,37
3,36
4,35
5,35
6,35
7,34
8,34
9,34
10,3
11,3
12,3
13,3
14,3
15,3
16,3
17,3
18,3
19,3
20,3
21,3
22,3
23,3
24,3
25,3
26,3
27,3
28,3
29,3
0,6
0,708
1,83
2,95
4,04
5,13
6,21
7,28
8,35
9,41
10,5
11,5
12,6
13,6
14,7
15,7
16,8
17,8
18,9
19,9
21,0
22,0
23,0
24,1
25,1
26,1
27,2
28,2
29,2
30,3
31,3
Adil EL MARHOUM
0,7
1,07
2,41
3,67
4,88
6,06
7,23
8,38
9,52
10,7
11,8
12,9
14,0
15,1
16,2
17,3
18,4
19,5
20,6
21,7
22,8
23,9
24,9
26,0
27,1
28,2
29,2
30,3
31,4
32,5
33,5
0,8
1,64
3,22
4,64
5,99
7,29
8,56
9,80
11,0
12,2
13,4
14,6
15,8
17,0
18,2
19,3
20,5
21,6
22,8
23,9
25,0
26,2
27,3
28,4
29,6
30,7
31,8
32,9
34,0
35,1
36,3
0,9
2,71
4,61
6,25
7,78
9,24
10,6
12,0
13,4
14,7
16,0
17,3
18,5
19,8
21,1
22,3
23,5
24,8
26,0
27,2
28,4
29,6
30,8
32,0
33,2
34,4
35,6
36,7
37,9
39,1
40,3
0,95
3,84
5,99
7,81
9,49
11,1
12,6
14,1
15,5
16,9
18,3
19,7
21,0
22,4
23,7
25,0
26,3
27,6
28,9
30,1
31,4
32,7
33,9
35,2
36,4
37,7
38,9
40,1
41,3
42,6
43,8
0,975
5,02
7,38
9,35
11,1
12,8
14,4
16,0
17,5
19,0
20,5
21,9
23,3
24,7
26,1
27,5
28,8
30,2
31,5
32,9
34,2
35,5
36,8
38,1
39,4
40,6
41,9
43,2
44,5
45,7
47,0
0,99 0,995 0,999 0,9995

6,63 7,88 10,8
12,1
9,21 10,6 13,8
15,2
11,3 12,8 16,3
17,7
13,3 14,9 18,5
20,0
15,1 16,7 20,5
22,1
16,8 18,5 22,5
24,1
18,5 20,3 24,3
26,0
20,1 22,0 26,1
27,9
21,7 23,6 27,9
29,7
23,2 25,2 29,6
31,4
24,7 26,8 31,3
33,1
26,2 28,3 32,9
34,8
27,7 29,8 34,5
36,5
29,1 31,3 36,1
38,1
30,6 32,8 37,7
39,7
32,0 34,3 39,3
41,3
33,4 35,7 40,8
42,9
34,8 37,2 42,3
44,4
36,2 38,6 43,8
46,0
37,6 40,0 45,3
47,5
38,9 41,4 46,8
49,0
40,3 42,8 48,3
50,5
41,6 44,2 49,7
52,0
43,0 45,6 51,2
53,5
44,3 46,9 52,6
54,9
45,6 48,3 54,1
56,4
47,0 49,6 55,5
57,9
48,3 51,0 56,9
59,3
49,6 52,3 58,3
60,7
50,9 53,7 59,7
62,2
Page 102

TABLE DE LA LOI T DE STUDENT
k/p
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
80
100
200
500
0,6
0,325
0,289
0,277
0,271
0,267
0,265
0,263
0,262
0,261
0,260
0,260
0,259
0,259
0,258
0,258
0,258
0,257
0,257
0,257
0,257
0,257
0,256
0,256
0,256
0,256
0,256
0,256
0,256
0,256
0,256
0,255
0,254
0,254
0,254
0,254
0,253
0,253
0,7
0,727
0,617
0,584
0,569
0,559
0,553
0,549
0,546
0,543
0,542
0,540
0,539
0,538
0,537
0,536
0,535
0,534
0,534
0,533
0,533
0,532
0,532
0,532
0,531
0,531
0,531
0,531
0,530
0,530
0,530
0,529
0,527
0,527
0,526
0,525
0,525
0,524
Adil EL MARHOUM
0,8
1,376
1,061
0,978
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
0,851
0,848
0,846
0,845
0,843
0,842
0,842
0,9
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,296
1,292
1,290
1,286
1,283
1,282
0,95
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,671
1,664
1,660
1,653
1,648
1,645
0,975
12,71
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,000
1,990
1,984
1,972
1,965
1,960
0,99
31,82
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,390
2,374
2,365
2,345
2,334
2,326
0,995
63,66
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,660
2,639
2,626
2,601
2,586
2,576
0,999
318,3
22,33
10,22
7,173
5,893
5,208
4,785
4,501
4,297
4,144
4,025
3,930
3,852
3,787
3,733
3,686
3,646
3,611
3,579
3,552
3,527
3,505
3,485
3,467
3,450
3,435
3,421
3,408
3,396
3,385
3,307
3,232
3,195
3,174
3,131
3,106
3,090
0,9995
636,6
31,60
12,94
8,610
6,859
5,959
5,405
5,041
4,781
4,587
4,437
4,318
4,221
4,140
4,073
4,015
3,965
3,922
3,883
3,850
3,819
3,792
3,767
3,745
3,725
3,707
3,690
3,674
3,659
3,646
3,551
3,460
3,415
3,389
3,339
3,310
3,291
Page 103

TABLE DE LA LOI F DE FISHER (p = 0,95)
k/p
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
24
26
28
30
40
50
60
80
100
200
500
1
161
18,5
10,1
7,71
6,61
5,99
5,59
5,32
5,12
4,96
4,84
4,75
4,67
4,60
4,54
4,49
4,45
4,41
4,38
4,35
4,30
4,26
4,23
4,20
4,17
4,08
4,03
4,00
4,96
4,94
4,89
4,86
3,84
2 3 4 5 6 7 8 9 10 15
200 216 225 230 234 237 239 241 242 246
19,0 19,2 19,2 19,3 19,3 19,4 19,4 19,4 19,4 19,4
9,55 9,28 9,12 9,01 8,94 8,89 8,85 8,81 8,79 8,70
6,94 6,59 6,39 6,26 6,16 6,09 6,04 6,00 5,96 5,86
5,79 5,41 5,19 5,05 4,95 4,88 4,82 4,77 4,74 4,62
5,14 4,76 4,53 4,39 4,28 4,21 4,15 4,10 4,06 3,94
4,74 4,35 4,12 3,97 3,87 3,79 3,73 3,68 3,64 3,51
4,46 4,07 3,84 3,69 3,58 3,50 3,44 3,39 3,35 3,22
4,26 3,86 3,63 3,48 3,37 3,29 3,23 3,18 3,14 3,01
4,10 3,71 3,48 3,33 3,22 3,14 3,07 3,02 2,98 2,85
3,98 3,59 3,36 3,20 3,09 3,01 2,95 2,90 2,85 2,72
3,89 3,49 3,26 3,11 3,00 2,91 2,85 2,80 2,75 2,62
3,81 3,41 3,18 3,03 2,92 2,83 2,77 2,71 2,67 2,53
3,74 3,34 3,11 2,96 2,85 2,76 2,70 2,65 2,60 2,46
3,68 3,29 3,06 2,90 2,79 2,71 2,64 2,59 2,54 2,40
3,63 3,24 3,01 2,85 2,74 2,66 2,59 2,54 2,49 2,35
3,59 3,20 2,96 2,81 2,70 2,61 2,55 2,49 2,45 2,31
3,55 3,16 2,93 2,77 2,66 2,58 2,51 2,46 2,41 2,27
3,52 3,13 2,90 2,74 2,63 2,54 2,48 2,42 2,38 2,23
3,49 3,10 2,87 2,71 2,60 2,51 2,45 2,39 2,35 2,20
3,44 3,05 2,82 2,66 2,55 2,46 2,40 2,34 2,30 2,15
3,40 3,01 2,78 2,62 2,51 2,42 2,36 2,30 2,25 2,11
3,37 2,98 2,74 2,59 2,47 2,39 2,32 2,27 2,22 2,07
3,34 2,95 2,71 2,56 2,45 2,36 2,29 2,24 2,19 2,04
3,32 2,92 2,69 2,53 2,42 2,33 2,27 2,21 2,16 2,01
3,23 2,84 2,61 2,45 2,34 2,25 2,18 2,12 2,08 1,92
3,18 2,79 2,56 2,40 2,29 2,20 2,13 2,07 2,03 1,87
3,15 2,76 2,53 2,37 2,25 2,17 2,10 2,04 1,99 1,84
3,11 2,72 2,49 2,33 2,21 2,13 2,06 2,00 1,95 1,79
3,09 2,70 2,46 2,31 2,19 2,10 2,03 1,97 1,93 1,77
3,04 2,65 2,42 2,26 2,14 2,06 1,98 1,93 1,88 1,72
3,01 2,62 2,39 2,23 2,12 2,03 1,96 1,90 1,85 1,69
3,00 2,60 2,37 2,21 2,10 2,01 1,94 1,88 1,83 1,67
Adil EL MARHOUM
20
248
19,4
8,66
5,80
4,56
3,87
3,44
3,15
2,94
2,77
2,65
2,54
2,46
2,39
2,33
2,28
2,23
2,19
2,16
2,12
2,07
2,03
1,99
1,96
1,93
1,84
1,78
1,75
1,70
1,68
1,62
1,59
1,57
30
250
19,5
8,62
5,75
4,50
3,81
3,38
3,08
2,86
2,70
2,57
2,47
2,38
2,31
2,25
2,19
2,15
2,11
2,07
2,04
1,98
1,94
1,90
1,87
1,84
1,74
1,69
1,65
1,60
1,57
1,52
1,48
1,46
50
252
19,5
8,58
5,70
4,44
3,75
3,32
3,02
2,80
2,64
2,51
2,40
2,31
2,24
2,18
2,12
2,08
2,04
2,00
1,97
1,91
1,86
1,82
1,79
1,76
1,66
1,60
1,56
1,51
1,48
1,41
1,38
1,35
100
253
19,5
8,55
5,66
4,41
3,71
3,27
2,97
2,76
2,59
2,46
2,35
2,26
2,19
2,12
2,07
2,02
1,98
1,94
1,91
1,85
1,80
1,76
1,73
1,70
1,59
1,52
1,48
1,43
1,39
1,32
1,28
1,24
200 500
254 254 254
19,5 19,5 19,5
8,54 8,53 8,53
5,65 5,64 5,63
4,39 4,37 4,37
3,69 3,68 3,67
3,25 3,24 3,23
2,95 2,94 2,93
2,73 2,72 2,71
2,56 2,55 2,54
2,43 2,42 2,40
2,32 2,31 2,30
2,23 2,22 2,21
2,16 2,14 2,13
2,10 2,08 2,07
2,04 2,02 2,01
1,99 1,97 1,96
1,95 1,93 1,92
1,91 1,89 1,88
1,88 1,86 1,84
1,82 1,80 1,78
1,77 1,75 1,73
1,73 1,71 1,69
1,69 1,67 1,65
1,66 1,64 1,62
1,55 1,53 1,51
1,48 1,46 1,44
1,44 1,41 1,39
1,38 1,35 1,32
1,34 1,31 1,28
1,26 1,22 1,19
1,21 1,16 1,11
1,17 1,11 1,00
Page 104

TABLE DE LA LOI F DE FISHER (p = 0,975)
k/p
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
22
24
26
28
30
40
50
60
80
100
200
500
1 2 3 4 5 6 7 8 9 10 15 20 30 50 100 200
648 800 864 900 922 937 948 957 963 969 985 993 1001 1008 1013 1016
38,5 39,0 39,2 39,2 39,3 39,3 39,4 39,4 39,4 39,4 39,4 39,4 39,5 39,5 39,5 39,5
17,4 16,0 15,4 15,1 14,9 14,7 14,6 14,5 14,5 14,4 14,3 14,2 14,1 14,0 14,0 13,9
12,2 10,6 9,98 9,60 9,36 9,20 9,07 8,98 8,90 8,84 8,66 8,56 8,46 8,38 8,32 8,29
10,0 8,43 7,76 7,39 7,15 6,98 6,85 6,76 6,68 6,62 6,43 6,33 6,23 6,14 6,08 6,05
8,81 7,26 6,60 6,23 5,99 5,82 5,70 5,60 5,52 5,46 5,27 5,17 5,07 4,98 4,92 4,88
8,07 6,54 5,89 5,52 5,29 5,12 4,99 4,90 4,82 4,76 4,57 4,47 4,36 4,28 4,21 4,18
7,57 6,06 5,42 5,05 4,82 4,65 4,53 4,43 4,36 4,30 4,10 4,00 3,89 3,81 3,74 3,70
7,21 5,71 5,08 4,72 4,48 4,32 4,20 4,10 4,03 3,96 3,77 3,67 3,56 3,47 3,40 3,37
6,94 5,46 4,83 4,47 4,24 4,07 3,95 3,85 3,78 3,72 3,52 3,42 3,31 3,22 3,15 3,12
6,72 5,26 4,63 4,28 4,04 3,88 3,76 3,66 3,59 3,53 3,33 3,23 3,12 3,03 2,96 2,92
6,55 5,10 4,47 4,12 3,89 3,73 3,61 3,51 3,44 3,37 3,18 3,07 2,96 2,87 2,80 2,76
6,41 4,97 4,35 4,00 3,77 3,60 3,48 3,39 3,31 3,25 3,05 2,95 2,84 2,74 2,67 2,63
6,30 4,86 4,24 3,89 3,66 3,50 3,38 3,29 3,21 3,15 2,95 2,84 2,73 2,64 2,56 2,53
6,20 4,76 4,15 3,80 3,58 3,41 3,29 3,20 3,12 3,06 2,86 2,76 2,64 2,55 2,47 2,44
6,12 4,69 4,08 3,73 3,50 3,34 3,22 3,12 3,05 2,99 2,79 2,68 2,57 2,47 2,40 2,36
6,04 4,62 4,01 3,66 3,44 3,28 3,16 3,06 2,98 2,92 2,72 2,62 2,50 2,41 2,33 2,29
5,98 4,56 3,95 3,61 3,38 3,22 3,10 3,01 2,93 2,87 2,67 2,56 2,44 2,35 2,27 2,23
5,92 4,51 3,90 3,56 3,33 3,17 3,05 2,96 2,88 2,82 2,62 2,51 2,39 2,30 2,22 2,18
5,87 4,46 3,86 3,51 3,29 3,13 3,01 2,91 2,84 2,77 2,57 2,46 2,35 2,25 2,17 2,13
5,79 4,38 3,78 3,44 3,22 3,05 2,93 2,84 2,76 2,70 2,50 2,39 2,27 2,17 2,09 2,05
5,72 4,32 3,72 3,38 3,15 2,99 2,87 2,78 2,70 2,64 2,44 2,33 2,21 2,11 2,02 1,98
5,66 4,27 3,67 3,33 3,10 2,94 2,82 2,73 2,65 2,59 2,39 2,28 2,16 2,05 1,97 1,92
5,61 4,22 3,63 3,29 3,06 2,90 2,78 2,69 2,61 2,55 2,34 2,23 2,11 2,01 1,92 1,88
5,57 4,18 3,59 3,25 3,03 2,87 2,75 2,65 2,57 2,51 2,31 2,20 2,07 1,97 1,88 1,84
5,42 4,05 3,46 3,13 2,90 2,74 2,62 2,53 2,45 2,39 2,18 2,07 1,94 1,83 1,74 1,69
5,34 3,98 3,39 3,06 2,83 2,67 2,55 2,46 2,38 2,32 2,11 1,99 1,87 1,75 1,66 1,60
5,29 3,93 3,34 3,01 2,79 2,63 2,51 2,41 2,33 2,27 2,06 1,94 1,82 1,70 1,60 1,54
5,22 3,86 3,28 2,95 2,73 2,57 2,45 2,36 2,28 2,21 2,00 1,88 1,75 1,63 1,53 1,47
5,18 3,83 3,25 2,92 2,70 2,54 2,42 2,32 2,24 2,18 1,97 1,85 1,71 1,59 1,48 1,42
5,10 3,76 3,18 2,85 2,63 2,47 2,35 2,26 2,18 2,11 1,90 1,78 1,64 1,51 1,39 1,32
5,05 3,72 3,14 2,81 2,59 2,43 2,31 2,22 2,14 2,07 1,86 1,74 1,60 1,46 1,34 1,25
5,02 3,69 3,12 2,79 2,57 2,41 2,29 2,19 2,11 2,05 1,83 1,71 1,57 1,43 1,30 1,21
Adil EL MARHOUM
500
1017 1018
39,5 39,5
13,9 13,9
8,27 8,26
6,03 6,02
4,86 4,85
4,16 4,14
3,68 3,67
3,35 3,33
3,09 3,08
2,90 2,88
2,74 2,72
2,61 2,60
2,50 2,49
2,41 2,40
2,33 2,32
2,26 2,25
2,20 2,19
2,15 2,13
2,10 2,09
2,02 2,00
1,95 1,94
1,90 1,88
1,85 1,83
1,81 1,79
1,66 1,64
1,57 1,55
1,51 1,48
1,43 1,40
1,38 1,35
1,27 1,23
1,19 1,14
1,13 1,00
Page 105

Cours Echantillonnage Et Estimations 1

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Cours Echantillonnage Et Estimations 1

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSITE MOHAMMED V

DEPARTEMENT DE SCIENCES ECONOMIQUES

Licence fondamentale en Sciences Economiques et Gestion

COURS DECHANTILLONNAGE ET ESTIMATIONS

Professeur : Adil EL MARHOUM

ANNEE UNIVERSITAIRE 2014/2015

Cours Echantillonnage et Estimation

Cours Echantillonnage et Estimation

Cours Echantillonnage et Estimation

III. METHODES DECHANTILLONNAGE

3.1. METHODES DECHANTILLONNAGE PROBABILISTES

Cours Echantillonnage et Estimation

3.1.2. Echantillonnage stratifi

le nombre dunits choisir dans chacune des strates est donc :

Cours Echantillonnage et Estimation

Budget total de lenqute, G

Cours Echantillonnage et Estimation

3.1.4. Echantillonnage systmatique

k N (arrondi lentier le plus proche)

Cours Echantillonnage et Estimation

3.2. METHODES DECHANTILLONNAGE EMPIRIQUES

Les chantillons accidentels ne peuvent tre considrs reprsentatifs daucune population. Il

3.2.2. Echantillonnage priori

Cours Echantillonnage et Estimation

3.2.3. Echantillonnage Boule de neige

3.2.4. Echantillonnage par Quotas.

Structure de la population Rpartition de lchantillon

Cours Echantillonnage et Estimation

3) Age x Sexe x Catgorie socioprofessionnelle

Employs Ouvriers Total

Employs Ouvriers Total

Cours Echantillonnage et Estimation

La prcision souhaite : plus on souhaite des rsultats prcis, plus lchantillon

4.1. UTILISATION DE LINEGALITE DE BIENAYME

La taille de lchantillon dpend de la prcision souhaite pour la gnralisation des

Lingalit de Binaym Tchebycheff dans le cas de la moyenne scrit :

Cours Echantillonnage et Estimation

4.1.2. Taille dchantillon pour estimer une proportion

La taille de lchantillon dpend de la prcision souhaite pour la gnralisation des

lingalit de Binaym Tchebycheff dans le cas de la proportion scrit :

Cours Echantillonnage et Estimation

En rapprochant les deux formules on obtient :

4.2.1. Taille dchantillon pour estimer une moyenne

Cours Echantillonnage et Estimation

Lcart type de la moyenne est donc :

Dterminer la taille de lchantillon consiste rsoudre lquation :

Cours Echantillonnage et Estimation

n 1,96 100 384,16 385

Lcart type de la moyenne est donc :

De la mme manire, on arrive :

Cours Echantillonnage et Estimation

4.2.2. Taille dchantillon pour estimer une proportion.

Lcart type de la frquence est donc :

Cours Echantillonnage et Estimation

Cours Echantillonnage et Estimation

n 1,96 0,650,35 349,58 350

Lcart type de la frquence est donc :

De la mme manire, on arrive :

Cours Echantillonnage et Estimation

5.1. DISTRIBUTION DECHANTILLONNAGE DE LA MOYENNE

x1, x2, x3, ., xn

et quon ait calcul la moyenne :

Si on prlve, dans les mmes conditions, un deuxime chantillon de mme effectif :

x1, x2, x3, ., xn