Teste Khi Deux

Notions essentielles
de statistique
Livret 2/4
La méthode statistique
Tests relatifs aux fréquences
et au khi-deux (  )
Youcef Elmeddah
Table des matières
AVERTISSEMENT ..................................................................................................... 1
PRÉREQUIS INDISPENSABLES À L'ÉTUDE DE CE LIVRET… ............................................................... 1
COMMENT TRAITER UN EXERCICE DE STATISTIQUE ? ...................................................................... 1
CONSEILS GÉNÉRAUX DE TRAVAIL ........................................................................................................... 2
Séquence de travail n° 1 3
INTERPRÉTATION STATISTIQUE ............................................................................ 3

I. ESTIMATION DES PARAMÈTRES D'UNE POPULATION ..................................................................... 4
1. Distributions d'échantillonnage ....................................................................................... 4
2. Estimation ponctuelle d'un paramètre ............................................................................. 5
3. Estimation d'un paramètre par intervalle de confiance.................................................... 6
4. Cas d'un caractère qualitatif : estimation et intervalle de confiance d'une
fréquence (ou d'une proportion) .......................................................................................... 7
5. Cas d'un caractère quantitatif ......................................................................................... 9
1. Estimation ponctuelle de la moyenne et de la variance .............................................. 9
2. Estimation de la moyenne par intervalle de confiance .............................................. 10
II. PRINCIPE GÉNÉRAL DES TESTS STATISTIQUES .............................................................................. 15
1. Comment formuler un problème en statistique ? .......................................................... 15
2. Comment résoudre un problème en statistique ? .......................................................... 15
1. La méthode statistique ............................................................................................... 15
2. Application................................................................................................................ 16
3. Hypothèses nulle et alternative ...................................................................................... 16
4. Risques d'erreurs ........................................................................................................... 18
5. Antagonisme entre les deux risques d'erreurs et puissance d'un test ............................. 19
6. Les tests d'hypothèse .................................................................................................... 20
1. Tests de conformité .................................................................................................... 20
2. Tests d'homogénéité ou d'égalité ou tests de comparaison ....................................... 20
3. Tests d'ajustement ...................................................................................................... 20
4. Tests d'indépendance ................................................................................................. 20
7. Test bilatéral - Test unilatéral ....................................................................................... 21
TESTS RELATIFS AUX FRÉQUENCES ................................................................. 23

I. COMPARAISON D'UNE FRÉQUENCE OBSERVÉE P0 À UNE FRÉQUENCE
THÉORIQUE P OU TEST DE CONFORMITÉ D'UNE FRÉQUENCE............................................ 24
1. Position du problème et réalisation du test.................................................................... 24
II
2. Exemples ....................................................................................................................... 25
II. COMPARAISON DE DEUX FRÉQUENCES OBSERVÉES SUR DEUX POPULATIONS
OU TEST D'HOMOGÉNÉITÉ DE DEUX FRÉQUENCES .................................................................. 28
1. Position du problème ..................................................................................................... 28
2. Exemples ....................................................................................................................... 29
TEST DU KHI-DEUX OU C2 .................................................................................. 31

I. POSITION DU PROBLÈME : CAS GÉNÉRAL ......................................................................................... 32
1. Procédure de calcul ....................................................................................................... 32
2. Intérêts du test du c2 ...................................................................................................... 33
II. COMPARAISON D'UNE RÉPARTITION OBSERVÉE À UNE RÉPARTITION
THÉORIQUE : TESTS DE CONFORMITÉ ET TESTS D'AJUSTEMENT ....................................... 34
1. Mise en place du test ..................................................................................................... 34
2. Tests de conformité ....................................................................................................... 35
3. Tests d'ajustement ......................................................................................................... 35
1. Exemple d'ajustement à une loi normale ................................................................... 35
2. Exemple d'ajustement à une loi de Poisson ............................................................... 37
III. COMPARAISON DE RÉPARTITIONS OBSERVÉES ENTRE ELLES : TEST
D'HOMOGÉNÉITÉ ................................................................................................................................... 39
1. Position du problème et présentation des données ........................................................ 39
2. Calcul des valeurs théoriques ........................................................................................ 39
3. Exemple......................................................................................................................... 40
IV. CAS PARTICULIER : COMPARAISON DE DEUX FRÉQUENCES .................................................. 41
TABLE I .................................................................................................................... 43
TABLE DE LA DISTRIBUTION NORMALE RÉDUITE ............................................................................. 43
TABLE II ................................................................................................................... 44
TABLE DE LA LOI NORMALE CENTRÉE, RÉDUITE N (0,1) OU TABLE DE L'ÉCART
RÉDUIT ...................................................................................................................................................... 44
TABLE III .................................................................................................................. 45

TABLE DE STUDENT ....................................................................................................................................... 45
TABLE IV ................................................................................................................. 46
TABLE DU C2 .................................................................................................................................................. 46
BIBLIOGRAPHIE ..................................................................................................... 47
_______________________________________________________________________________ ______________________________________________________________________________
1
AVERTISSEMENT
Ce document se propose de vous fournir l'essentiel des connaissances qui vous permettront de
mieux comprendre les concepts et de connaître les outils de la statistique. C'est un ouvrage
d'initiation dont l'objectif principal est l'acquisition des techniques de base de la statistique
ainsi que l'interprétation des résultats qui en découlent. Pour cela, les fondements
mathématiques des théories exposées ne sont pas développés. Nous avons pensé que ce
document est destiné surtout à des utilisateurs de l'outil statistique et non à des théoriciens.
Afin de répondre aux difficultés que rencontrent les étudiants pour transposer les
connaissances théoriques à l'application pratique, le document réunit l'essentiel des
connaissances avec de nombreux exemples d'application illustrant les parties théoriques.
Les connaissances importantes , qu'il faut absolument garder à l'esprit, sont

signalées en grisé dans le texte.
Les connaissances s’enchaînent dans un ordre logique. Chaque nouvelle notion introduite
suppose que d’autres notions sont connues.
En commençant par découvrir ces nouvelles notions, notamment à l’aide des exemples
proposés, vous pouvez rencontrer des difficultés dues à une mauvaise assimilation de notions
précédentes.
Il faut donc systématiquement revenir en arrière et reprendre le cours mal assimilé. Ces allers
et retours dans le cours sont presque inévitables. Ne soyez donc pas découragés pour autant.
Vous verrez alors que, petit à petit, les nouvelles notions s’éclaircissent et se mémorisent de
mieux en mieux.
PRÉREQUIS INDISPENSABLES À L'ÉTUDE DE CE LIVRET…

Dans ce livret, nous exposons d'abord les méthodes statistiques à travers l'estimation des
paramètres d'une population qui ne sont jamais connus en pratique, puis le principe général
des tests statistiques. Nous appliquerons alors ces méthodes aux problèmes relatifs à la
comparaison des fréquences puis au test du 2.
Pour une meilleure assimilation des connaissances exposées, l'étude de ce livret suppose une
bonne connaissance :
• des paramètres de position notamment de la moyenne arithmétique et de ses propriétés ;
• des paramètres de dispersion notamment de la variance et de l'écart type (formules,
propriétés…)
• des probabilités
• des lois de probabilités en particulier, la loi binomiale et la loi normale
Si vous avez des difficultés à remobiliser ces notions supposées acquises, reportez-vous au
premier livret 16 R6.
COMMENT TRAITER UN EXERCICE DE STATISTIQUE ?

La rédaction d’un exercice d’un test d’évaluation, d’un devoir ou à une épreuve d'examen,
doit être réalisée avec le plus grand soin.
Averstissement
_______________________________________________________________________________ ______________________________________________________________________________
2
• Faites d’abord une première lecture rapide de l’énoncé de manière à situer le problème posé
en relation avec votre programme.
- Quelles sont les données (nature de la variable, loi de probabilité, taille de
l’échantillon, paramètres donnés…) ?
- Que vous demande-t-on ?
- Les questions sont-elles liées ?
- Quelle table statistique utiliser ?
• Commencez alors par résoudre l’exercice sur du brouillon, question par question.
• A l'examen, on vous jugera à la démarche adoptée pour résoudre les exercices mais aussi à
la rédaction et à la présentation du travail fourni, que beaucoup d'étudiants négligent en se
contentant par exemple,
- d' « appliquer » des formules sans expliquer les conditions d'applications,
- d'aboutir par le calcul à des décisions « statistiques » mais sans une interprétation rigoureuse
de leurs conclusions.
Si vous rédigez, c’est pour être lu. Soignez vos copies. N’imposez pas à votre correcteur de
vous « déchiffrer ». Il peut se lasser…
Vous risquez alors de perdre des points inutilement.
- Faites attention aux calculs numériques et aux unités. Les ordres de grandeurs doivent être
respectés.
- Chaque résultat final d’une question doit être souligné proprement et suivi d’une petite
conclusion.
CONSEILS GÉNÉRAUX DE TRAVAIL

Ce livret se présente sous forme de séquences de travail visant des objectifs pédagogiques
formulés dès le départ. Les évaluations qui vous sont proposées à la fin des séquences visent à
vérifier l'atteinte des objectifs visés par la séquence de travail proposée.
Pour cela, nous vous conseillons :
• de travailler aussi régulièrement que possible ;
• d'éloigner de votre vue tout ce qui peut vous distraire : magazines, journaux, radio, télé…
• d'avoir toujours sous la main une calculatrice, du brouillon, un crayon de papier et une
gomme ;
• de vérifier, chaque fois que vous avez un doute, les calculs développés ;
• de traiter la totalité des exercices d'application proposés avant de passer à la séquence
suivante ;
• d'établir une fiche de synthèse à la fin de chaque séquence de travail ; elle vous sera très utile
pour la séquence suivante ;
• si vous avez la chance d'avoir un micro et de maîtriser EXCEL, n'hésitez pas à rentrer les
données des exercices proposés et de faire exécuter les calculs par le logiciel ; cela vous
permettra de faire des simulations en changeant les données pour « voir ce qui se passe ».
Tous les enseignants et pédagogues connaissent très bien la difficulté de rédiger un cours
de statistique. Tous savent combien il est délicat de traiter un problème de statistique en
faisant l'impasse sur des concepts qui le sous-tendent. Ceux qui se référeront au présent
document voudront bien l'utiliser avec indulgence et en nous communiquant,
éventuellement, leurs remarques et suggestions. Nous les remercions par avance.
Averstissement
_______________________________________________________________________________ ______________________________________________________________________________
3
Séquence de travail n° 1
8h
INTERPRÉTATION STATISTIQUE
• Échantillonnage
• Méthode statistique 4
Objectifs pédagogiques :
A la fin de cette séquence, mais étape par étape, vous devriez être capable :
1. de comprendre et d'expliquer les bases théoriques de l'estimation par

intervalle de confiance des fréquences et des moyennes d'une population ;
2. d'estimer une fréquence, une moyenne et une variance d'une population :
- ponctuellement
- par intervalle de confiance
à différents seuils de signification ;
3. de formuler un problème en statistique ;
4. de développer une démarche pour la résolution d'un problème statistique ;
5. de distinguer les différents types de tests statistiques.
4. Interprétation statistique
_______________________________________________________________________________ ______________________________________________________________________________
4
_______________________________________________________________________________ ______________________________________________________________________________
5
I. ESTIMATION DES PARAMÈTRES D'UNE POPULATION
1. Distributions d'échantillonnage
Une population est un ensemble d'individus (animaux, exploitations, parcelles…) auxquels

on s'intéresse ; sa taille est généralement infinie ou alors suffisamment grande pour être
considérée comme telle.
Soit un caractère donné présent dans une population P. Ce caractère peut être défini par sa
fréquence ou sa moyenne et sa variance au sein de cette population.
Il est évident que, vu la taille de la population, en général très grande, on ne peut pas, pour des
raisons purement pratiques et/ou économiques, étudier ce caractère sur la population elle-
même.
• Que fait-on alors ?

On extrait dans ce cas un échantillon de taille n censé représenter aussi fidèlement que
possible cette population.
L'échantillonnage ou le sondage est l'ensemble des opérations qui ont pour objectif de prélever
dans une population les individus devant constituer un échantillon. Cet échantillonnage est, le
plus souvent, dit aléatoire (ou au hasard) et simple :
• aléatoire indique que tous les individus de la population ont la même probabilité, connue et
non nulle, de faire partie de l'échantillon ;
• simple indique que les individus de l'échantillon sont prélevés indépendamment les uns des
autres.
L'échantillonnage a une importance pratique considérable car l'inférence statistique a pour

but de porter un jugement sur l'ensemble des individus de la population étudiée à partir des
observations effectuées sur l'échantillon obtenu à partir de cette population.
Cette manière de procéder pose alors le problème des fluctuations d'échantillonnage du

paramètre étudié (fréquence, moyenne, variance…).
En effet, si on extrait plusieurs échantillons représentatifs de taille n fixée, on n'aura pas
forcément toujours les mêmes valeurs pour le paramètre étudié. Autrement dit, à partir d'un
échantillon, nous n'avons que des paramètres estimés.
Il existe deux méthodes d'échantillonnage :

• la méthode dite exhaustive consistant à extraire plusieurs échantillons de taille n,
indépendamment les uns des autres et sans les remettre dans la population lorsqu'on passe
d'un tirage à l'autre ;
_______________________________________________________________________________ ______________________________________________________________________________
6
• la méthode dite non exhaustive consistant à extraire plusieurs échantillons de taille n,

indépendamment les uns des autres mais en remettant, à chaque tirage, l'échantillon dans la
population.
C'est cette deuxième méthode que l'on considérera dans tous les tests statistiques.
Pourquoi ?
Tout simplement parce que la taille de l'échantillon étant très faible, comparée à
celle de la population, les calculs et le raisonnement statistiques se simplifient au
maximum dans ce cas.
Soient une population de mesures et un paramètre de cette population noté  (moyenne,

variance, fréquence…). Constituons à partir de cette population une série d'échantillons
possibles de même effectif, prélevés dans des conditions identiques ; pour chaque échantillon,
on peut calculer une valeur correspondant au paramètre étudié : d1 , d2 , … … dn ; ces valeurs
peuvent être considérés comme des valeurs observées d'une même variable aléatoire D.
On voudrait par exemple déterminer :

• la moyenne de la variable D : E (D)
• la variance de la variable D : V (D) , ou son écart type qui est l'erreur standard.
• la distribution de la variable D, appelée distribution d'échantillonnage ; c'est la
distribution des différentes valeurs que peut prendre le paramètre D, pour les différents
échantillons d'effectif fixé qu'il est possible d'extraire de la population étudiée.
Dans ces conditions,
•  est une constante généralement inconnue et relative à la population ;
• D est une variable relative aux échantillons ;
• E (D) et V(D) sont des constantes relatives à la population et à un type d'échantillon.
2. Estimation ponctuelle d'un paramètre
Toute estimation d'un paramètre est entachée d'erreurs. C'est la raison pour laquelle,
chaque fois que l'on fait une estimation, on doit préciser les conditions de sa validité.
• L'estimateur est dit biaisé lorsqu'il ne reflète pas correctement le paramètre estimé ;
• dans le cas contraire, l'estimateur est dit non biaisé.
Le paramètre de la population étudiée est inconnu. On extrait de la population un
échantillon de n valeurs observées. Il faudra donc, à partir des valeurs observées, obtenir une
estimation du paramètre . On utilise pour cela un estimateur du paramètre , noté
généralement par un ^ au-dessus du paramètre estimé, fonction des valeurs observées, qui sert
à estimer , ou qui permet d'obtenir une estimation de .
La théorie des estimateurs repose sur deux conditions :
_______________________________________________________________________________ ______________________________________________________________________________
7
• l'estimateur doit être sans biais ou non biaisé ; en général, une variable aléatoire ^
 est un
estimateur sans biais d'un paramètre  si :
^ )=
E (
• la variance de l'estimateur doit être minimum :
^ ) = min
V (
L'estimation ainsi obtenue est dite ponctuelle. On réalise ainsi des estimations ponctuelles
des paramètres étudiés et on obtient des valeurs estimées des caractéristiques de la variable
dans la population.
Cependant, ces valeurs estimées sur l'échantillon peuvent être faussées par des erreurs
notamment celles dues à un mauvais échantillonnage. Autrement dit, ces valeurs estimées ne
sont que des valeurs approximatives des valeurs réelles de la population.
L'estimation ponctuelle est donc sans intérêt si on ne connaît pas la précision de
l'estimation obtenue.
3. Estimation d'un paramètre par intervalle de confiance
Pour pallier le problème précité, on procède à des estimations par intervalles de confiance :
il s'agit, en pratique, de déterminer des intervalles de valeurs dans lesquels se situe la vraie
moyenne ou la vraie fréquence de la population mais avec un certain risque d'erreur (de se
tromper). On imagine alors aisément que plus l'intervalle de confiance est grand, moins on a
de chances de se tromper et inversement.
On se fixe donc un coefficient de confiance, ou de sécurité, ou degré de confiance, ou
niveau de confiance, ou seuil de confiance, désigné par 1 -  ;  est le risque d'erreur.
Les limites de confiance ou de sécurité, c'est-à-dire les bornes de l'intervalle de confiance,
sont telles que :
Prob (D1 <  < D2 ) = 1 - 

ou
Prob (  > D2 ) ou Prob (  < D1 ) = 
Il existe alors une infinité d'intervalles répondant à cette condition. En général, on répartit le
risque en deux parties égales, c'est-à-dire que :

Prob (  > D2 ) = Prob (  < D1 ) = 

Exemple. Au seuil de confiance 1 -  = 0,99, donc au risque  = 0,01, on a obtenu, pour la
moyenne  d'une population, l'intervalle de confiance suivant :
_______________________________________________________________________________ ______________________________________________________________________________
8
1200 <  < 1600

On a donc :
Prob (1200 <  < 1600) = 0,99
0,01
Prob (  > 1600) = Prob (  < 1200) = 2 = 0,005
Que signifie cette expression ?
Cela ne signifie pas que la vraie valeur de  a 99 % de chances de se trouver dans

l'intervalle 1200 - 1600 mais on peut dire que, pour l'ensemble des applications de la
méthode, dans 99 % des cas, la vraie valeur de  est dans l'intervalle obtenu ; ou
encore, en affirmant que l'intervalle 1200 - 1600 contient , on peut commettre une
erreur dont la probabilité est égale à 1 %. 
4. Cas d'un caractère qualitatif : estimation et intervalle de

confiance d'une fréquence (ou d'une proportion)
Considérons une population donnée où un caractère A est présent avec une fréquence p
inconnue ; l'événement contraire A sera présent alors avec une fréquence q = 1 - p.
On prélève un échantillon aléatoire simple de taille n dans cette population ; la fréquence des
individus possédant le caractère A dans l'échantillon est f (ou p0) ; f est la valeur observée de
la variable F, fréquence du caractère A dans un échantillon de taille n.
La variable F peut s'écrire :
Y
F= n
Y désignant la variable nombre d'individus possédant le caractère A dans un échantillon de

taille n ; Y est une variable binomiale de paramètres n et p et E (Y) = n.p.
Nous avons donc : V ( Y ) = n.p . (1 - p)

autrement dit,
np n p (1 - p) p ( 1 - p)
E ( F ) = n = p et V(F)= =
n2 n
De plus si n est grand, on peut assimiler une loi binomiale à une loi normale de même
espérance et de même variance ; donc :
p ( 1 - p)
F est une v.a qui obéit à une loi normale N (p ; n ).
Nous considérons que n est grand si n > 100 et si n p et n (1 - p) > 5.

Dans ces conditions, on démontre que F est un bon estimateur de p et f (ou p0) est donc
l'estimation ponctuelle sans biais de p.
_______________________________________________________________________________ ______________________________________________________________________________
9
Cela ne veut pas dire que f (ou po ) reflète la vraie valeur de p. L'estimation
ponctuelle ne le précise pas. La précision de cette estimation est donnée par
l'intervalle de confiance de p.
Cela veut dire que si l'on dispose d'un échantillon de taille n, l' estimation ponctuelle sans
biais de p, inconnue, sera la fréquence po observée sur cet échantillon.
La question est alors la suivante : quelle confiance accorde-t-on à l'estimation de p par po ?

La réponse consiste à déterminer un intervalle dans lequel oscillera la vraie valeur de p avec
un risque d'erreur  déterminé.
pq
F étant une v.a qui obéit à une loi normale N (p ; n ), la v.a :
F-p
U=
pq
n
obéit à une loi normale N (0 ; 1) ; d'où :
Prob ( | U | <  ou Prob ( | U | > 
Au seuil de confiance 1 - , nous avons donc :
|F-p| pq
< d'où | F - p | <  n
pq
n
d'où l'intervalle de confiance au seuil 1 -  ou au risque  :
pq pq
F-
n <p<F+ n
avec, pour :
•  = 0,05   = 1,96
•  = 0,01   = 2,58

 étant l'écart réduit dont les valeurs sont données par la table II en annexe en
fonction du risque .
p étant inconnu, sera estimé par f (ou p0) et q par 1 - f (ou 1 - p0 = q0) et l'estimation de p par
intervalle de confiance sera :
______________________________________________________________________________ _____________________________________________________________________________
10
p0 q0
po -  n < p < po + 
p0 q0
n
Cet intervalle est dit intervalle de confiance de p au risque  ou au coefficient de sécurité

1- 
Exemple
On veut étudier une population de bovins, dans laquelle certains individus possèdent le
caractère " pie ". Sur un échantillon de 4000 individus, on dénombre 320 individus à robe
"pie".
Quel est l'intervalle de confiance au seuil de 99 % du pourcentage d'individus " pie " dans
cette population ?
********
p0 = 320/4000 = 0,08 q0 =1-0,08 = 0,92
 = 0,01   = 2,58
p0q0 p0q0
p0 -  . n < p < p0 +  . n
0,08 . 0,92 0,08 . 0,92

0,08 - 2,58 4000 < p < 0,08 + 2,58 4000
0,069 < p < 0,091
5. Cas d'un caractère quantitatif
Soit X une variable aléatoire définie sur la population avec :

E (X) =  et V(X) = 2
Pour estimer  et  , on prend un échantillon aléatoire simple de taille n ; les valeurs
observées x1 , x2 , … … xn peuvent être considérées comme les valeurs prises par des v.a X1
, X2 , … … Xn de même loi que X, de même espérance  et de même variance 2 ; elles sont,
de plus, indépendantes.
La moyenne observée sur l'échantillon est x ; la variance de l'échantillon est notée s2.
1. Estimation ponctuelle de la moyenne et de la variance

q Pour la moyenne : On montre que l'estimation de  peut se faire par x , c'est-à-dire que
x est un estimateur sans biais de .
______________________________________________________________________________ _____________________________________________________________________________
11
^
 = x
q Pour la variance : Si x est considérée comme estimation non biaisée de , il n'en est pas
de même pour 2. Pour des raisons mathématiques, on montre que l'estimation non biaisée de
2 consiste à multiplier s2 par n/n-1 et donc :
^ 2 = n s2
 n-1
SCE
et donc, comme s2 = n ,
^ = n s2 SCE
 n-1 = (n - 1)
^ 2 = n s2 n'a de l'importance que pour les petits

En fait l'estimation de 2 par  n-1
échantillons.
En effet, lorsque n (ou tout simplement lorsqu'il est suffisamment grand), le
n
rapport n-1 tend vers 1 et donc, pratiquement, 2 = s2.
2. Estimation de la moyenne par intervalle de confiance

Nous avons :
• une population dans laquelle on étudie la v.a X avec :
E (X) = 
V (X) = 2
• un échantillon de taille n avec des valeurs observées x1 , x2 , … … xn qui sont les variables
X1 , X2 , … … Xn , indépendantes, de même espérance et de même variance que X.
La moyenne x de l'échantillon est la valeur prise par une variable X .

On montre alors que :
E( X )=
2
V( X ) = n
E ( X ) =  indique que si on répète un grand nombre de fois l'échantillonnage dans les

mêmes conditions, la moyenne des moyennes observées sera égale à .
______________________________________________________________________________ _____________________________________________________________________________
12
Par ailleurs,  x ( écart type de la distribution d'échantillonnage de la moyenne) est d'autant
plus faible que n est grand, c'est-à-dire que la dispersion de X , autour de sa moyenne , est
d'autant plus réduite que la taille de l'échantillon est plus grande.
A quelle loi obéit X ?

On démontre que si la v.a X est normale, ou si l'échantillon est de taille
suffisante (n > 30) quelle que soit la loi de X, la loi de probabilité de
X est une loi normale.
q Cas où la variance de la population 2 est connue : cas rare
X est une v.a qui obéit à une loi normale N(; / n )

donc la v.a :
X -
U=
/ n
obéit aussi à une loi normale centrée réduite N ( 0, 1 ).
d'où l'on déduit :

Prob ( | U | <  ) = 1 -  ou Prob (| U | >  ) = 
1- étant le seuil de confiance choisi et  le risque d'erreur associé.

Donc, au seuil de confiance 1-, nous avons :
| X - 
U= < d'où | X -  <  . / n
/ n
• Si X -  > 0 , X -  <  . / n et  > X -  . / n
• Si X -  < 0 ,  - X  <  . / n et  < X +  . / n
d'où l'intervalle de confiance au seuil de confiance 1- ou au risque  :

 
X -  << X +
n n
et l'estimation de  par intervalle de confiance sera obtenue en remplaçant X par la valeur

calculée sur l'échantillon x .
L'intervalle de confiance ainsi obtenu sera d'autant plus petit que :

______________________________________________________________________________ _____________________________________________________________________________
13
- le risque d'erreur choisi est plus grand ;

- la variance de la population est plus petite ;
- la taille de l'échantillon est plus grande.

* = X
= est l'écart type de la distribution d'échantillonnage de X : c'est
n
l'erreur standard.
* Si la population d'où est extrait l'échantillon est grande mais finie (effectif N), il
 N-n
faut multiplier l'erreur standard par N-1 .
n
Exemple
La production laitière des vaches est considérée comme une v.a. normale dont l'écart type est
connu et égal à 1000 kg. Dans une région particulière donnée, on a mesuré chez une race de
bovins la production laitière de 25 vaches choisies au hasard et indépendamment les unes des
autres; la moyenne observée chez ces animaux est de 4 290 kg lait. Quel est l'intervalle de
confiance de cette moyenne à 95 et 99 % ?
********
• La valeur estimée de la moyenne de la population est ^ = x = 4 290 kg
• Les limites de confiance à 95 % sont :

x ± .  / n = 4 290 ± 1,96 1000/ 25 = 4 290 ± 390 kg
ou 3 900 kg <  < 4 700 kg
• Les limites de confiance à 99 % sont :
x ± .  / n = 4 290 ± 2,58 1000/ 25 = 4 290 ± 520 kg

ou 3 770 kg <  < 4 810 kg
Remarquez que l'intervalle de confiance est plus large pour un risque  plus petit.
q Cas où la variance de la population 2 est inconnue
• Si  est inconnu, on l'estime par  ^ mais en supposant que la population-mère est

distribuée normalement, c'est-à-dire que la variable étudiée obéit à une loi normale.
L'estimation 
^ , basée sur l'échantillon sera :
n n s2 SCE

^ =
n-1 s = n-1 = n-1
• Dans le cas des petits échantillons, cette estimation modifie la nature de la loi suivie par
X et la variable aléatoire :
______________________________________________________________________________ _____________________________________________________________________________
14
X -
T= ^
/ n
n'obéit plus à une loi normale comme précédemment mais à une loi de Student à n-1 degrés
de liberté (ddl) (voir table III en annexe)
La courbe représentative de sa fonction densité de probabilité est une courbe en cloche

symétrique par rapport à l'axe des ordonnées, mais plus aplatie que celle de la loi normale.
La table de t donne, en fonction du nombre de ddl et du risque , la valeur t telle que :
Prob (-t < T < + t ) = 1 - 

ou alors :

Prob (T > t) = Prob (T < -t) = 2
ou encore :
Prob (| T |) > t) =  ou Prob (| T |) < t) = 1 - 
L'intervalle de confiance de la moyenne , à un seuil de confiance donné, devient alors :
^
 ^

X -t < < X +t
n n
où t représente la variable de Student à n - 1 degrés de liberté (ddl)
Lorsque n est grand (> 30), la distribution de Student tend vers la distribution
normale. En effet, vous remarquerez sur la table III que les valeurs de la dernière
ligne, pour un ddl = ∞, coïncident avec celles de la première ligne de la table II de
l'écart réduit.
Première ligne des valeurs (en grisé) de l'écart réduit  (table II)
 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09

0,00 ∞ 2,577 2,327 2,171 2,054 1,960 1,881 1,812 1,751 1,696
Deux dernières lignes des valeurs (en grisé) de la variable de Student t (table III)
 0,90 0,50 0,30 0,20 0,10 0,05 0,02 0,01 0,001
ddl
120 0,126 0,677 1,041 1,289 1,658 1,980 2,358 2,617 3,373
∞ 0,126 0,675 1,037 1,282 1,645 1,960 2,327 2,577 3,293
______________________________________________________________________________ _____________________________________________________________________________
15
Exemple
La mesure de la taille de 10 arbres provenant d'une même forêt, a donné les résultats suivants :
x = 4,7 m ; s2 = 1,928 m
1. Quelle est l'estimation ponctuelle non biaisée de la moyenne et de l'écart type de la

population dont ces arbres sont extraits.
2. Donner un intervalle de confiance de la moyenne de la population au risque de 0,05 en

supposant que cette taille obéit à une loi normale.
********
1.
• L'estimation ponctuelle non biaisée de la moyenne est : x = 4,7 m
^
• L'estimation ponctuelle non biaisée de l'écart type est : 
On a : s2 = 1,928 m  s = 1,928 = 1,388
^ = n
 n-1 s = 10/10 - 1 . 1,388  1,46 m
2.
Nous sommes dans le cas d'un petit échantillon dont la variable obéit à une loi normale mais
dont  est inconnu.
Dans ces conditions :
^ / n
= x ±t.
Pour  = 0,05 et ddl = 10 - 1 = 9 , ttable = 2,262


 = 4,7 ± 2,262. 1,46/ 10 = 4,7 ± 1,045 m
autrement dit, au risque de 5 % :

3,65 m <  < 5,75 m
______________________________________________________________________________ _____________________________________________________________________________
16
II. PRINCIPE GÉNÉRAL DES TESTS STATISTIQUES
1. Comment formuler un problème en statistique ?
Partons d'un exemple qui vous est familier…

Y a-t-il une relation entre la consommation de tabac et le cancer ?
Il est évident qu'une telle relation ne suppose aucunement une réponse constante (c'est-à-dire
que tout fumeur sera cancéreux et tout non-fumeur ne le sera pas). La seule chose qu'on peut
affirmer est qu'un fumeur a "nettement" plus de risques d'être atteint par un cancer pulmonaire
qu'un non-fumeur. A cause justement de la variabilité.
Ainsi, dans un domaine où la réponse est variable, les problèmes doivent être posés à
l'échelon, non de l'individu, mais du groupe qu'on définira par une propriété moyenne.
La définition du mot cause telle qu'elle est généralement conçue, exige que :
• si la cause existe, l'effet existe ;

• si la cause est absente, l'effet disparaît.
Ce qui suppose que tous les fumeurs seront cancéreux et tous les non-fumeurs non cancéreux.
Avec une telle définition, la causalité n'existera pas en biologie.
Dans une formulation statistique, on dira simplement que l'effet existe plus souvent quand la
cause est présente que lorsqu' elle est absente. C'est donc en termes de probabilités qu'il faut
poser les problèmes.
2. Comment résoudre un problème en statistique ?
1. La méthode statistique
• Dans un premier temps, si on veut comparer deux groupes pour un caractère donné, on
examine si la différence est imputable aux fluctuations du hasard, ou, au contraire
significative : c'est le test de signification.
• Dans un deuxième temps, si la différence est significative, on cherchera à l'interpréter pour
en déterminer la cause (interprétation causale). Celle-ci n'est possible en toute rigueur, que
si les deux groupes sont, à part le caractère étudié, strictement comparables.
Le rôle du statisticien est double : il doit d'abord organiser l'expérience ou l'enquête, ensuite
analyser et interpréter les résultats.
Une recherche vise presque toujours à étudier l'association de 2 facteurs ou plus : c'est ainsi
qu'on cherche si l'existence de la maladie est liée à certains signes (diagnostic), si son
______________________________________________________________________________ _____________________________________________________________________________
17
apparition est liée à certaines conditions (étiologie), si son développement est lié à certains
indices (pronostic) ou à certains traitements (thérapeutique).
Or l'association de 2 facteurs en biologie ne se présente pas comme une relation rigide : elle
ne peut être vraie qu'en "moyenne", c'est-à-dire en termes de probabilités ; il est donc
nécessaire de la définir de façon particulière.
Cette formulation du problème et la façon de le résoudre constituent la méthode statistique.
2. Application
Dans une région donnée, une certaine race de bovins présente une infection particulière avec
un taux constant et connu qui est p = 20 %. On se demande si l'application d'un traitement
antibiotique sur les animaux va modifier ce taux de 20 % dans un sens ou l'autre.
Pour cela, on fait une expérience d'application de l'antibiotique, sur 100 animaux par exemple.
On obtient alors po d'animaux malades.
Il s'agit de savoir si le traitement a été actif ou pas.
Comment répondre à cette question ?
Premier cas : Si l'antibiotique n'a pas été actif, il y aurait eu théoriquement, sur cet
échantillon de 100 individus, la même proportion d'animaux malades, c'est-à-dire 20 % ou
presque ; mais il est possible d'observer, de temps à autre, des valeurs très différentes pouvant
aller de 0 % à 100 %.
Donc, même si po est très différent de p, il est possible que le traitement soit sans effet.
Deuxième cas : Si l'antibiotique est actif, la proportion d'animaux malades devrait

théoriquement diminuer mais il se pourrait aussi que cette proportion avoisine, une fois par
hasard, les 20 % .
Ainsi, même si on observe 20 % d'animaux malades, il reste possible que le traitement soit
actif. Autrement dit, il est impossible de répondre à la question posée avec certitude.
Or, refuser de répondre équivaudrait à renoncer à tous les problèmes de ce genre, caractérisés
par une variabilité de comportement des sujets, c'est-à-dire à la majorité des problèmes
biologiques.
On sera donc forcé de répondre avec un certain risque d'erreur qui doit être évalué de façon
à ne conclure qu'avec un risque connu et raisonnable.
3. Hypothèses nulle et alternative
Dans un test statistique, on formule souvent deux hypothèses ou affirmations relatives aux
deux populations avec comme objectif de n'en conserver qu'une.
______________________________________________________________________________ _____________________________________________________________________________
18
• l'hypothèse nulle ou hypothèse à tester consiste à supposer que le traitement est sans effet.
Cette hypothèse est notée Ho.
• l'hypothèse alternative, notée H1, est l'hypothèse opposée ; dans ce cas H1 suppose que le
traitement a un effet.
L'ensemble des valeurs observées pour lesquelles on admet l'hypothèse nulle, constitue la
région d'acceptation de cette hypothèse ; les autres valeurs constituent la région de rejet de
l'hypothèse nulle appelée aussi région critique. Les valeurs limites s'appellent valeurs
critiques.
Cette dernière expression peut prêter à confusion car certains auteurs l'utilisent
pour désigner le niveau de signification.
Dans notre exemple, il s'agit de savoir, par calcul statistique, si on accepte ou on rejette cette
hypothèse nulle.
Si Ho est vraie, po avoisinera 20 %.
Avec un risque d'erreur  = 5 % (de se tromper c'est-à-dire que le pourcentage sort d'un
intervalle p+ e, p - e), on peut calculer un intervalle dans lequel oscillera po (cf. § intervalle de
confiance d'une fréquence)
En effet, si  = 5 % ,
alors   (table de l'écart réduit)
 e =  .  = 1,96  = 1,96 . 0,2.0,8/100 = 0,08
l'intervalle sera donc : [20 - 8 ; 20 + 8] ou 12 % - 28 %
po sera donc dans cet intervalle dans 95 % des cas et sortira de cet intervalle dans 5 % des cas
( = 5 %).
Tant que po est dans cet intervalle, le traitement est déclaré sans effet. (toujours avec 5 % de
chance de se tromper en affirmant cela).
Autrement dit, si po est en dehors de l'intervalle, on dira que l'écart est significatif, c'est-à-dire
que le traitement est actif.
Ainsi, un écart po - p est significatif s'il égale ou dépasse :
1,96   1,96  = 1,96. p.q/n

ou alors si la valeur absolue de l'écart réduit :
po - p
= dépasse 1,96
pq/n
______________________________________________________________________________ _____________________________________________________________________________
19
4. Risques d'erreurs
Une fois l'hypothèse nulle posée, le hasard des situations peut conduire à quatre éventualités :
• accepter l'hypothèse nulle alors qu'elle est vraie ;
• rejeter l'hypothèse nulle alors qu'elle est vraie ;
• accepter l'hypothèse nulle alors qu'elle est fausse ;
• rejeter l'hypothèse nulle alors qu'elle est fausse.
Bien évidemment, le premier et le dernier cas correspondent à une conclusion correcte. Dans
les deux autres cas, on se trompe dans notre conclusion.
L'erreur qui consiste à rejeter une hypothèse alors qu'elle est vraie est appelée risque de
première espèce. Par analogie avec les probabilités conditionnelles, ce risque est noté  tel
que, en désignant le rejet par la lettre R et l'acceptation par la lettre A,
 = Prob (RHo/Ho)
d'où : 1 -  = Prob (AHo/Ho)
lorsqu'on accepte une hypothèse fausse, on commet un autre type d'erreur appelé erreur de
deuxième espèce et est désigné par la lettre .
 = Prob (AHo/H)
d'où : 1 -  = Prob (RHo/H)
Toute décision « statistique » comporte donc des risques d'erreur. Ne pas condamner un
couplable est une décision injuste : c'est le risque de première espèce ; condamner un innocent
revient à commettre une erreur judicière : c'est le risque de deuxième espèce.
La puissance d'un test [ 1 -  est la probabilité de rejeter l'hypothèse nulle alors
qu'elle est fausse. Lorsqu'on utilise un test puissant, on a peu de chances de se
tromper quand on accepte Ho ; au contraire si le test est peu puissant, on prend un
risque important quand on accepte Ho.
Dans notre exemple, si po avoisine 20 %, on dira que le traitement est sans effet c'est-à-dire
qu'il y a 5 chances sur 100 pour que le traitement soit efficace et 95 % de chances qu'il ne le
soit pas.
Ce risque consiste donc à déclarer actif un traitement qui ne l'est justement pas : c'est un
risque de première espèce ou risque  .
Si le traitement est efficace alors que le hasard fait tomber po dans l'intervalle 12 - 28 %,
nous commettons une autre erreur en déclarant le produit inactif alors qu'il est actif.
C'est donc le risque de deuxième espèce ou risque . Ce risque peut se calculer mais son
calcul est complexe car il dépend :
• de  : plus  est grand, plus  est petit ;
______________________________________________________________________________ _____________________________________________________________________________
20
• de la taille de l'échantillon : plus elle est faible, plus  est grand ;

• du degré de fausseté de Ho : plus Ho est fausse, plus  est petit ;
• de la différence que l'on veut mettre en évidence : plus cette différence est petite, plus  est
grand.
En pratique, les valeurs " classiques " du risque  sont :

•  ≤ 0,05, probabilité pour laquelle on considère conventionnellement que la différence est
significative ;
très significative ;
très hautement significative.
Nous pouvons résumer la notion de risque par le tableau suivant :
Réalité Ho est vraie Ho est fausse

Décision
Ho est acceptée Pas d'erreur Erreur
1- Risque de deuxième espèce 
Ho est rejetée Erreur Pas d'erreur
Risque de première espèce  1-
La conclusion n'est correcte que dans les deux cas représentés en grisé sur le tableau.
5. Antagonisme entre les deux risques d'erreurs et puissance

d'un test
Dans notre exemple, pour  = 5 % l'intervalle était de 12 - 28 %

Que se passe -t-il si  était très petit ?
Exemple.  = 1/10000   = 3,89

d'où :  3,89 . 0,2.0,8/100 =16 %
Donc l'intervalle sera :
[20 - 16 % ; 20 + 16] % ou alors [4 % - 36 %]
Conséquence: il n'y a que les différences les plus importantes qui seront remarquées.
Il y a donc antagonisme entre les 2 risques. Plus le risque de première espèce est petit et plus
le risque de deuxième espèce sera grand et vice-versa. Il n'est donc pas possible, pour un test
donné, de réduire simultanément les deux risques d'erreurs.
______________________________________________________________________________ _____________________________________________________________________________
21
Cet antagonisme est évidemment intuitif. Pour un intervalle choisi de [0 % - 100 %], on ne se
tromperait jamais mais on ne conclurait jamais non plus.
C'est donc en termes de probabilités que les problèmes statistiques doivent être résolus.
Lorsque le risque de deuxième espèce est important, le test est dit peu puissant
statistiquement. Inversement, un test statistique sera d'autant plus puissant que ce
risque est faible.
6. Les tests d'hypothèse
Les tests d'hypothèse sont des tests statistiques dont le but est de vérifier, à partir de données
observées dans un ou plusieurs échantillons, la validité de certaines hypothèses relatives à une
ou plusieurs populations.
Les tests d'hypothèse, basés généralement sur une hypothèse nulle à tester, peuvent être
distingués en :
1. Tests de conformité
Ces tests permettent de comparer une population à un échantillon. La population étant définie
pour un paramètre donné (moyenne, variance, fréquence…), on cherche à vérifier si,
connaissant la caractéristique correspondante d'un échantillon, on peut considérer qu'il est issu
de cette population.
2. Tests d'homogénéité ou d'égalité ou tests de comparaison
Ces tests sont utilisés pour comparer des populations à partir d'un même nombre
d'échantillons. Ces tests peuvent être utiliser pour comparer des moyennes, des fréquences ou
des variances.
3. Tests d'ajustement
Ces tests sont utilisés pour vérifier qu'à tout point de vue, un échantillon observé peut être
regardé comme issu d'une population donnée. Le test du 2 en est l'exemple type.
Dans ce type de test, il s'agit de tester, à un seuil de signification choisi, l'hypothèse selon
laquelle la distribution observée sur un échantillon est conforme à une distribution théorique
donnée.
4. Tests d'indépendance
Ces tests ont pour objectif de contrôler, à partir d'un échantillon, que deux ou plusieurs
caractères de classification sont indépendants. Ce sont, en fait, des cas particuliers de tests
d'ajustement qui consistent à tester, à un certain seuil de signification, l'hypothèse selon
laquelle deux ou plusieurs caractères, généralement qualitatifs, sont indépendants ou non.
______________________________________________________________________________ _____________________________________________________________________________
22
7. Test bilatéral - Test unilatéral
Pour un seuil donné, un test peut être :
• bilatéral, lorsque la probabilité  de se tromper se trouve " partagée " en deux parties égales
des deux côtés de la région d'acceptation de l'hypothèse correspondant à l'intervalle de
confiance. Dans ce cas, on utilisera la table II de l'écart réduit (graphe de droite ci-
dessous).
• unilatéral, dans le cas contraire, c'est-à-dire lorsqu'on situe cette probabilité  d'un seul côté
de la région d'acceptation (à gauche ou à droite). Dans ce cas, on utilisera la table I de la
fonction de répartition (deux graphes de gauche, ci-dessous).
région région région région

de rejet de rejet de rejet de rejet
0,025 0,025 0,025 0,025
région région région
d'acceptation d'acceptation d'acceptation
0,975 0,975 0,95
u = - 1, 96 u = + 1,96 - 1,96 + 1, 96
Test unilatéral à gauche Test unilatéral à droite Test bilatéral
Ces deux courbes répondent donc à la même fonction :
1
(u) = e - 1/2u2
2π
La première (fonction de répartition) donnera l'aire sous la courbe, de - ∞ à u, correspondant à
la région de rejet de l'hypothèse nulle, pour un test unilatéral ; la deuxième donnera deux
aires symétriques correspondant aux régions de rejet pour un test bilatéral.
Il existe une analogie entre la notion de région d'acceptation de l'hypothèse nulle et

d'intervalle de confiance. La région d'acceptation est pratiquement confondue avec
l'intervalle de confiance. On admet conventionnellement que les limites de confiance
appartiennent à l'intervalle de confiance alors que les valeurs limites (critiques) sont
exclues de la zone d'acceptation.
[ intervalle de confiance ]
] zone d'acceptation [
C'est ce qui explique que, dans certains tests de comparaison, le problème peut être
résolu soit en déterminant l'intervalle de confiance, soit en précisant les valeurs
critiques.
______________________________________________________________________________ _____________________________________________________________________________
23
______________________________________________________________________________ _____________________________________________________________________________
24
Exemple de correspondance entre les deux courbes
• Lorsque  = 1,96, la valeur  correspondante dans la table de l'écart réduit vaut 0,05 ou 5 %
Ces 5 % sont partagés de part et d'autre de la courbe (2,5 % ou 0,025 de chaque côté, zones
hachurées dans le graphe de droite ci-dessus). La zone d'acceptation dans ce cas vaut 95 %
(surface blanche).
• Lorsque u = -1,96, l'aire de la courbe de la fonction de répartition, c'est-à-dire la zone de
rejet, (graphe de gauche, ci-dessus) ne correspond plus à 5 % mais à 2,5 % c'est-à-dire à
0,025. Autrement dit, la zone d'acceptation vaudra :
1 - 0,025 = 0,975 ou 97,5 %
Ces 0,975, qu'on retrouve dans la table de la fonction de répartition, représentent donc l'aire
sous la courbe, de u = -1,96 à + ∞, correspondant à la région d'acceptation.
Il est fondamental de bien comprendre la relation entre ces deux courbes.

Voici quelques valeurs remarquables de  :
risque  0,01 0,05 0,10

Test bilatéral ± 2,58 ± 1,96 ± 1,645
Test unilatéral à droite + 2,33 + 1,645 + 1,28
Test unilatéral à gauche - 2,33 - 1,645 - 1,28
Ce tableau montre que, pour un même risque , les valeurs de  sont plus élevées, en valeur
absolue, pour un test bilatéral que pour un test unilatéral.
Cela montre qu'un test unilatéral est toujours plus puissant qu'un test bilatéral.
Pour plus de compléments sur les tests unilatéraux, voir Annexe I du livret 3.
______________________________________________________________________________ _____________________________________________________________________________
25
5h
TESTS RELATIFS AUX FRÉQUENCES

Cas des grands échantillons 5
A la fin de cette séquence vous devriez être capable :
1. de mobiliser les connaissances acquises à la séquence de travail N° 1 afin de

les appliquer à un caractère qualitatif ;
2. de situer les problèmes relatifs à la comparaison des fréquences ;
3. d'expliquer les étapes nécessaires pour effectuer un test d'hypothèses ;
4. de comparer une fréquence observée à une fréquence théorique ;
5. de comparer deux fréquences observées sur deux échantillons de « grande

taille » ;
6. d'interpréter les résultats d'un test de comparaison de deux fréquences.
5. Tests relatifs aux fréquences

______________________________________________________________________________ _____________________________________________________________________________
26
I. COMPARAISON D'UNE FRÉQUENCE OBSERVÉE p0 À UNE

FRÉQUENCE THÉORIQUE p OU TEST DE CONFORMITÉ D'UNE
FRÉQUENCE
1. Position du problème et réalisation du test
Le problème est le suivant : étant donné un échantillon de taille n, où la fréquence d'apparition

d'un certain caractère est po ; est-il représentatif de la population-mère où la fréquence
d'observation de ce caractère est p ?
La distribution d'échantillonnage des fréquences est ici la distribution décrite précédemment,
c'est-à-dire caractérisée par :
• sa moyenne : E(po) = p
pq
• son écart type :  (po) = n avec q = 1 - p et qo = 1 - po
L'hypothèse à tester est : Ho : p = po

Pour celà, un échantillon de grande taille est extrait de la population, ce qui permet d'obtenir
une estimation ponctuelle de p : f.
Nous avons déjà signalé que la v.a F peut être considérée comme une v.a qui obéit à une loi
pq
normale de paramètres : N (p ; n );
F-p
donc : U= obéit à une loi N( 0 ; 1)
pq
n
Si Ho est vraie, la variable U devient :
F - po
Uo (ou obs) = et obéit à une loi N( 0 ; 1)
poqo
n
Dans ces conditions, pour comparer une fréquence théorique p à une fréquence observée po,
on émet l'hypothèse nulle :
Ho : p = po
puis on calcule l'écart réduit, c'est-à-dire le rapport :
| p - po|
obs =
pq
n
• Siobs< table, on accepte Ho . Risque  de deuxième espèce.

______________________________________________________________________________ _____________________________________________________________________________
27
• Siobs≥ table, on rejette Ho et le risque de première espèce correspondant à

, lu dans la table de l'écart réduit, fixe le degré de signification.
Le test n'est valable que si n.p et n.q sont supérieurs à 5

Concrètement, en raisonnant sur l'intervalle de confiance, on peut dire par exemple
que la différence n'est pas significative à 5 % si :
obs  ] - 1,96 ; + 1,96 [
et elle est significative si :
obs  ] - 1,96 ; + 1,96 [
2. Exemples
Exemple 1
Dans une population animale qui comporte autant de mâles que de femelles, une maladie a
frappé 20 femelles et 10 mâles. Cette maladie frappe-t-elle davantage les femelles ?
********
Il s'agit de savoir si l'hypothèse p = 0,50 ( fréquence théorique) est admissible au vu de la
fréquence observée, po = 20/30 = 0,67
• Ho : il n'existe pas de différence significative entre les fréquences p et po.
0,50.0,50 0,67 - 0,50

= 30 = 0,0913  obs = 0,0913 = 1,86
• Pour  = 0,05, table = 1,96

obs table  la différence n'est pas significative.
En dépit des résultats constatés, la maladie frappe autant les mâles que les femelles.
Exemple 2
On a examiné 30 000 familles de 5 enfants, soit au total 150 000 enfants, et dénombré 77250
garçons. La proportion de garçons est-elle compatible avec l'hypothèse d'une probabilité égale
de garçons et de filles ?
********
Fréquence théorique de garçons : p = 1/2 = 0,5
77250
Fréquence observée de garçons : po = 150000 = 0,515
Fréquence théorique Fréquence observée

Garçons p = 0,5 d'où q = 1 - p = 0,5 po = 0,515 d'où qo = 0,485
Filles p = 0,5 d'où q= 1 - p = 0,5

______________________________________________________________________________ _____________________________________________________________________________
28
0,515-0,5
obs = = 11,62
0,5.0,5
150000
La probabilité correspondant à cet écart réduit est quasi nulle.
La différence est donc hautement significative, et on ne saurait admettre l'hypothèse p =
0,50, c'est-à-dire l'hypothèse d'une probabilité égale entre garçons et filles.
On notera que la fréquence observée po = 0,515 est extrêmement voisine de 0,50, mais pour
un échantillon aussi important que celui-ci une différence, même minime, est très
significative.
On ne peut manquer d'être frappé par le contraste avec l'exemple 1 ci-dessus où le
pourcentage 0,80 ne différait pas significativement de 0,50.
Ce contraste confirme bien le manque de puissance des tests fondés sur de petits
échantillons. Il montre aussi combien il est dangereux de conclure à une signification
ou à une absence de signification sans faire le calcul exact.
Exemple 3
Dans une région particulière d'Auvergne, les mammites touchent 20 % du cheptel. Un
chercheur de l'INRA a expérimenté un traitement sur un échantillon de n vaches atteintes de
mammites. Après traitement, il a recensé alors 6 % de vaches malades.
Quelle est la valeur minimale de n qui permette à ce chercheur de conclure à l'efficacité du

traitement :
• au risque de 5 % ?
• au risque de 1 % ?
********
Nous sommes dans un cas de test de conformité entre une fréquence théorique p = 0,20 et une
fréquence observée po = 0,06.
Ho = le traitement n'a pas d'effets
On ne précise pas la valeur de n puisque qu'on nous demande de la chercher mais nous devons
supposer que n ≥ 30.
Par ailleurs, nous devons nécessairement avoir po < p car le traitement est supposé avoir une
action efficace.
Nous ne sommes pas donc en présence d'un test bilatéral mais d'un test unilatéral à gauche.
Cela veut dire que pour :

______________________________________________________________________________ _____________________________________________________________________________
29
-  = 0,05, obs = - 1,645
-  = 0,01, obs = - 2,33

Le traitement sera efficace si le rapport :
0,20 - 0,06 0,06 x 0,94 0,20

• ≤ - 1,645 pour un risque de 5 % ou n ≤ 1,645
0,06 x 0,94
n
0,20 - 0,06 0,06 x 0,94 0,20

• ≤ - 2,33 pour un risque de 1 % ou n ≤ 2,33
0,06 x 0,94
n
• Pour  = 0,05, n ≥ 120
• Pour  = 0,01, n ≥ 240
Il est logique que, pour un risque moindre, le nombre d'animaux soit plus important.

______________________________________________________________________________ _____________________________________________________________________________
30
II. COMPARAISON DE DEUX FRÉQUENCES OBSERVÉES SUR

DEUX POPULATIONS OU TEST D'HOMOGÉNÉITÉ DE DEUX
FRÉQUENCES
1. Position du problème
Soient f1 et f2 les fréquences d'apparition d'un certain caractère A dans deux échantillons
indépendants E1 et E2 de taille n1 et n2 et extraits de deux populations P1 et P2 .
Les fréquences d'apparition de A dans les populations P1 et P2 sont inconnues et désignées
respectivement par p1 et p2 .
Il s'agit alors de savoir si la différence observée entre f1 et f2 est significative ou seulement
due aux fluctuations d'échantillonnage, c'est-à-dire au hasard.
Désignons par F1 et F2 les variables aléatoires qui prennent les valeurs f1 et f2 sur chaque
échantillon de tailles n1 et n2.
En supposant qu'on puisse approximer les lois binomiales par des lois normales , c'est-à-dire
si:
n1 et n2 ≥ 30 ; n1f1 ≥ 5 ; n1(1 - f1) ≥ 5 ; n2f2 ≥ 5 ; n2(1 - f2) ≥ 5
alors, sous l'hypothèse Ho [ p1 = p2 = p ],
la variable aléatoire :
F1 - F2
U=
1 1
pq [ n + n ]
1 2
obéit à une loi normale centrée réduite.
Pour comparer deux fréquences f1 et f2 observées sur deux échantillons de taille n1 et n2

respectivement, on émet l'hypothèse nulle :
Ho : p1 = p2 = p
puis on calcule l'écart réduit, c'est-à-dire le rapport :
f1 - f2
obs =
^ 1 1
p^q[n +n ]
1 2
p^ , q^ étant les proportions évaluées sur l'ensemble des 2 échantillons :
n1f1 + n2f2 et ^
q =1-^
p
^
p = n +n
1 2
______________________________________________________________________________ _____________________________________________________________________________
31
• Siobs< table, on accepte Ho . Risque  de deuxième espèce.
• Siobs≥ table, on rejette Ho et le risque de première espèce correspondant à

, lu dans la table de l'écart réduit fixe le degré de signification.
2. Exemples
Exemple 1
On teste le taux de germination de 2 lots de grains de blé.
Variété A = sur 300 grains testés, 258 ont germé.
Variété B = sur 600 grains testés, 462 ont germé.
Les 2 lots ont-ils des taux de germination équivalents au risque de 0,01?
*******

 : les taux de germination sont équivalents
f1 - f2
  obs =
1 1
p^q^ [ n + n ]
1 2
n1 = 300 ; f1 = 258/300 = 0,86
n2 = 600 ; f2 = 462/600 = 0,77
n1f1 + n2f2 720

p^ = n1 + n2 = 900 = 0,80  q^ = 1 - p^ = 0,20
0,86 - 0,77 0,09 0,09 0,09

obs = = = = 0,02828 = 3,18
0,8.0,2 0,8.0,2 (0,8.0,2).3 0,0008
300 + 600 600

table= 2,58 < obs
La différence est donc très significative. On rejette donc Ho. Les taux de germination sont
différents.
Exemple 2
Dans un centre d'insémination artificielle (IA) bovine, deux inséminateurs ont obtenu les
résultats suivants :
Nombre d'IA premières % de non retour

Inséminateur A 4500 60 %
Inséminateur B 3000 70 %
Que peut-on dire au vu de ces résultats ?

______________________________________________________________________________ _____________________________________________________________________________
32
********
Le tableau ci-dessous résume l'essentiel de la démarche à effectuer pour comparer ces deux
fréquences observées sur deux échantillons indépendants.
Nombre d'IA premières Total % de non retour

réussies
Inséminateur A 2700 4500 = n1 0,60 = f1
Inséminateur B 2100 3000 = n2 0,70 = f2
Ho : il n' y a pas de différence significative entre les résultats des deux inséminateurs.
n1f1 + n2f2 q^ = 1 - p^ = 1 - 0,64 = 0,36
p^ = n + n = 0,64
1 2
1 1 0,01131
Écart type de la différence : p^q^ [ n + n ]
1 2
f1 - f2 0,1
 table,  = 0,05 1,960

f1 - f2 8,839
obs =
1 1
p^q^ [ n + n ]
1 2
Décision statistique: obs >> tbable ; Ho est rejetée même au risque de 0,001.
Il existe donc une différence significative entre les deux inséminateurs.

______________________________________________________________________________ _____________________________________________________________________________
33
6h
2
TEST DU KHI-DEUX OU

6

A la fin de cette séquence, vous devriez être capable :
1. de situer le problème relatif à l'utilisation du test du Khi-deux ou 2 ;
2. d'utiliser la table du 2 ;
3. de comparer une fréquence théorique à une fréquence observée ;
4. d'ajuster une répartition observée à une loi de probabilité théorique ;
5. d'appliquer le test du 2 pour effectuer un test d'homogénéité ;
6. de comparer le test du 2 au test relatif à la comparaison de deux fréquences

observées ;
7. d'interpréter les résultats d'un test du 2.
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
34
I. POSITION DU PROBLÈME : CAS GÉNÉRAL
Le test du 2 de Pearson a pour but de comparer une distribution rangée par classes à une autre
distribution de rangement identique.
Pratiquement, on rencontre 2 cas :
- Comparer une distribution observée à une distribution calculée à partir d'une loi théorique.
- Comparer 2 ou plusieurs distributions observées entre elles.
1. Procédure de calcul
On se limitera à indiquer uniquement la manière d'appliquer le test.

Soient 2 distributions A (observée) et B (théorique) rangées de la même façon suivant les
différentes valeurs (1, 2, 3, ......k) que peut prendre le caractère étudié.
Caractère
Répartition A Répartition B
(observée) (théorique)
1 n1 n'1
2 n2 n'2
3 n3 n'3
. . .
. . .
k nk n'k
n=N  n' = N
L'effectif global est le même dans les 2 répartitions. D'autre part, N étant fixé, on peut choisir
k-1 effectifs, le dernier étant alors déterminé. On dit qu'on a k-1 degrés de liberté (d.d.l).
Problème posé : les répartitions A et B sont-elles conformes ou différentes ?

Intuitivement, on voit que si ni = n'i , on peut conclure que les 2 répartitions A et B sont
identiques.
Si ni ≠ n'i , il faut alors étudier l'importance statistique des différences ni - n'i.
On ne saurait utiliser comme indice, ni la somme (ou la moyenne) des écarts, qui vaut 0
évidemment, ni la somme de leurs valeurs absolues, qui ne se prête pas commodément à des
calculs de probabilité. La somme des carrés des écarts (SCE) évite les inconvénients ci-
dessus. C'est cependant un indice encore imparfait car il donne le même poids à tous les
écarts, qu'ils se rapportent à de petits ou à de grands effectifs calculés.
Des considérations théoriques conduisent à adopter l'indice suivant, dû à Pearson :
(n1 - n'1)2 (n2 - n'2)2 (nk - n'k)2

obs = n'1 + n'2 + ........ + n'k
qui peut s'écrire :
(ni - n'i)2 (Oi - Ti)2
obs = k = 
i=1 n'i Ti

6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
35
• où O désigne les effectifs observés et T, les effectifs théoriques.

Remarque :
Cette dernière expression peut aussi s'écrire :
(ni )2

 obs = k
n'i - N 
i=1
ce qui permet, parfois, des calculs plus commodes.
Plus le 2 est grand, plus les 2 répartitions sont différentes. La limite à partir de laquelle on
peut dire que 2 est trop grand, est donnée par une table ( cf. table IV dont un extrait est
présenté ci-dessous) en fonction du risque d'erreur  choisi et du nombre de degrés de liberté
noté parfois , dans ce cas égal à k-1.
Extrait de la table du 2
 0,99 0,975 0,95 0,90 0,10 0,05 0,025 0,01 0,001

1 0,0002 0,001 0,004 0,016 2,71 3,84 5,02 6,63 10,83
2 0,02 0,05 0,10 0,21 4,61 5,99 7,38 9,21 13,82
3 0,11 0,22 0,35 0,58 6,25 7,81 9,35 11,34 16,27
4 0,30 0,48 0,71 1,06 7,78 9,49 11,14 13,28 18,47
5 0,55 0,83 1,15 1,61 9,24 11,07 12,83 15,09 20,51
Exemple : pour  = 3 et  = 0,05,  table = 7,81
2
Le test du 2 consiste à :
• formuler une hypothèse nulle Ho et déterminer un risque d'erreur ;
• déterminer la valeur du 2 observé ;
• de comparer le 2 observé au 2 donné par la table au seuil de signification choisi ;
• de conclure statistiquement.
Le test du 2 est toujours unilatéral.
2. Intérêts du test du 2
Le test du 2 peut être utilisé dans les cas suivants :

• comme test de conformité, lorsqu'il s'agit de comparer des fréquences observées à des
fréquences théoriques ;
• comme test d'ajustement lorsqu'il s'agit de vérifier si certaines données peuvent être ajustées
à une loi particulière (binomiale, Poisson ou normale) ;
• comme test d'homogénéité (ou d'indépendance) lorsqu'il s'agit d'étudier la liaison entre deux
caractères qualitatifs.
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
36
II. COMPARAISON D'UNE RÉPARTITION OBSERVÉE

À UNE RÉPARTITION THÉORIQUE : TESTS DE
CONFORMITÉ ET TESTS D'AJUSTEMENT
1. Mise en place du test
q On commence par formuler l'hypothèse nulle,

Ho : la distribution observée dans l'échantillon est conforme à la distribution théorique
présumée.
q Soient Oi l'effectif observé de la valeur xi (ou de la classe de centre xi) et Ti l'effectif
théorique correspondant. On calcule le rapport :
( Oi - Ti )2
2obs =  Ti
q On détermine le nombre de degrés de liberté  :
• si la distribution théorique est connue,
= k-1
k, étant le nombre de classes
Ce sera le cas des comparaisons d'une fréquence observée à une fréquence théorique connue.
• si la distribution théorique est déterminée en estimant certains de ses paramètres :
=k-m-1
k : nombre de classes
m : nombre de paramètres estimés à partir des observations
q On compare le 2observé au 2table qui sera fonction de  et de , le risque d'erreur adopté.
• Si obs < 2table , on accepte Ho ; la différence est non significative au risque

choisi.
• Si obs ≥ 2 table , on rejette Ho.
• Le test du 2 ne peut s'appliquer qu'à condition que chaque classe ait un effectif
supérieur ou égal à 5. Si cette condition n'est pas remplie, il faudra prévoir un
regroupement des classes tout en faisant attention à la valeur de  !
• La valeur du 2 se calcule avec des effectifs et non des fréquences. Les valeurs
observées sont toujours des nombres entiers ; les valeurs calculées peuvent être
décimales et ne doivent pas être arrondies.
• La table du 2 est limitée à  = 30. Au-dessus de cette valeur, on utilise le fait que
le paramètre 2 2 est distribué approximativement suivant une loi normale, de
moyenne 2  - 1 et d'écart type égal à 1. Cela revient à utiliser la table de l'écart
réduit avec :
U = 2 2 - 2  - 1
U étant alors une variable aléatoire distribuée suivant une loi normale centrée
réduite.
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
37
2. Tests de conformité
Exemple. Le dihybridisme
On a croisé 12 variétés de plantes différant par 2 caractères A et B. La deuxième génération
fait apparaître 4 types de plantes notées AB, Ab, aB et ab avec les proportions théoriques
9/16, 3/16, 3/16 et 1/16 respectivement (Loi de Mendel).
Dans une expérience, un échantillon de 160 plantes a donné :
AB = 100 Ab = 18 aB = 24 ab = 18
Cette répartition est-elle conforme à la loi de Mendel ? Prendre  = 0,05.
********
Ho : la distribution observée est conforme à la distribution théorique.

Si l'échantillon est conforme à la loi de Mendel, le 2 calculé doit être inférieur à celui donné
par la table au risque de 5 %.
Donc pour  = 5 % et  = 4-1 = 3, 2table = 7,815 (table IV)
Calcul du 2obs
AB Ab aB ab Total
Répartition observée 100 18 24 18 160
Répartition calculée 90 30 30 10 160
(100-90)2 (18-10)2 102 (-12)2 (-6)2 82

2 obs. = 90 + ....... 10 = 90 + 30 + 30 + 10 =
13,511
Donc 2 obs. > 2 table , on doit rejeter Ho ; la distribution observée n'est pas conforme à la
distribution théorique. Autrement dit, l'échantillon n'est pas conforme à la loi de Mendel.
3. Tests d'ajustement
On appelle ajustement à une loi théorique T, l'opération qui consiste à associer à un ensemble
d'observations O, une loi théorique de probabilité telle que O puisse être considéré comme un
échantillon issu d'une population obéissant à la loi T. Le choix de T repose alors :
- soit sur des raisons purement théoriques ;
- soit sur des résultats expérimentaux : allure de l'histogramme, valeurs des paramètres etc.
Les tests d'ajustement ont donc pour but de vérifier si une population étudiée, à partir d'un
échantillon aléatoire, peut être considérée comme conforme à une population théorique
donnée. Il s'agit alors de savoir si les écarts constatés entre les effectifs observés et les
effectifs théoriques, c'est-à-dire ceux que l'on devrait obtenir si la population étudiée est
conforme à la population théorique, peuvent être, ou non, expliqués par le hasard de
l'échantillonnage.
1. Exemple d'ajustement à une loi normale
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
38
On a pesé 300 œufs et on a obtenu la série suivante (centres de classes), les résultats étant
exprimés en g.
xi (g) 32 36 40 44 48 52 56 60 64 68
ni 6 13 32 41 60 50 52 26 14 6
1. Calculer la moyenne et l'écart type de cet échantillon.

2. Peut-on considérer que les poids de ces œufs sont répartis selon une distribution normale ?
*********
Si la distribution proposée obéit à une loi normale, la moyenne et l'écart type de cette loi
normale sont convenablement estimés par la moyenne et l'écart type de la distribution.
Le tableau ci-dessous résume l'essentiel des calculs à réaliser ; pour des commodités de calcul
les classes sont légèrement modifiées.
Classes xi ni nixi nixi2 u (u) Probabilité Effectif (O-T)2

T
O théorique, T
] - - 34 ] 32 6 192 6144 6,35 0,01929
34 -2,03 0,0212 0,0212
] 34 - 38 ] 36 13 468 16848 0,0431 12,94 0,00028
38 -1,52 0,0643
] 38 - 42 ] 40 32 1280 51200 0,0919 27,57 0,71182
42 -1,01 0,1562
] 42 - 46 ] 44 41 1804 79376 0,1488 44,64 0,29681
46 -0,51 0,3050
] 46 - 50 ] 48 60 2880 138240 0,1950 58,5 0,03846
50 0,00 0,5000
] 50 - 54 ] 52 50 2600 135200 0,1950 58,5 1,23504
54 0,51 0,6950
] 54 - 58 ] 56 52 2912 163072 0,1488 44,64 1,21348
58 1,01 0,8438
] 58 - 62 ] 60 26 1560 93600 0,0919 27,57 0,08941
62 1,52 0,9357
] 62 - 66 ] 64 14 896 57344 0,0431 12,93 0,08855
66 2,03 0,9788
] 66 - +  ] 68 6 408 27744 0,0212 6,36 0,02038
70
Totaux 300 15000 768768 1,00 300 2obs =
3,714
moyenne, x  nixi
x = n = 50 g
population
= [ nnx ] -
i i
2
x 2 = 62,56 g2
^2
 ^ 2 = n .  = 62,77 g2
estimée  n-1
^
 ^ =
 ^ 2 = 7,9 g

estimée
ddl,   = 10 - 2 - 1 = 7
table,  = 0,05 14,07
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
39
décision obs (3,714) < table (14,07)

statistique On accepte Ho, l'hypothèse de normalité de la distribution proposée.
Sur le tableau ci-dessus, nous observons que :
x = 50 g ; ^ estimé = 7,9 g

Le nombre de paramètres estimés est donc égal à 2.
• L'étape suivante consiste à calculer pour chaque classe, l'effectif théorique qui lui est
associé.
Par exemple, pour la classe ] 58 - 62 ] - en grisé sur le tableau ci-dessus - si la distribution
proposée était normale,
X- x
avec u = et en remplaçant x et  par leurs valeurs respectives, on a :

Prob (58 < X ≤ 62) = Prob (1,01 < u ≤ 1,52)
= Prob (u ≤ 1,52) - Prob (u < 1,01)
= 0,9357 - 0,8438 = 0,0919
L'effectif théorique de cette classe sera donc :
300 x 0,0919 = 27,57
Il en sera de même pour les autres classes.
• À noter que la dernière probabilité - en grisé sur le tableau ci-dessus -, s'obtient tout
simplement par différence entre la probabilité totale (1) et la dernière probabilité " cumulée ":
1 - 0,9788 = 0,0212
• Les effectifs théoriques étant tous supérieurs à 5, nous n'avons pas à procéder à un
regroupement des classes.
• Le 2 observé s'obtient aisément par addition des nombres de la dernière colonne
Au risque de 5 %, on accepte l'hypothèse que la distribution proposée obéit à une loi normale
^ estimé = 7,9 g.
de moyenne x 50 g et d'écart type 
2. Exemple d'ajustement à une loi de Poisson
Exemple
Dans une région particulière, le nombre de vêlages pour une période de 80 jours se répartit
comme suit :
nombre de vêlages, xi 0 1 2 3 4 5 6 et plus

nombre de jours, ni 18 23 20 9 4 3 3
1. Estimer la moyenne et la variance de la population à partir de cet échantillon

2. Peut-on admettre au risque de 0,05 que la population obéit à une loi de Poisson ?
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
40
********
• Ho : la distribution observée est conforme à une loi de Poisson.

Le tableau ci-dessous résume l'essentiel des calculs à effectuer.
Totaux
xi 0 1 2 3 4 5 6 et plus 7 = k
ni, O 18 23 20 9 4 3 3 80
nixi 0 23 40 27 16 15 18 139
nixi2 0 23 80 81 64 75 108 431
Prob (x=k) 0,1827 0,3106 0,2640 0,1496 0,0636 0,0216 0,0080 1,00
n théor., T 14,61 24,84 21,12 11,97 5,09 1,73 0,64 80,0
14,61 24,84 21,12 11,97 7,46 5 = k'
( O-T )2 0,791 0,130 0,057 0,752 0,869 2obs
T 2,599
n 80
moyenne, x 1,737 ≈ 1,7
variance population ,  2,369
variance estimée, 
^ 2 2,399
écart type estimé, 

^ 1,549
risque d'erreur,  0,05

ddl, k' - 1 - 1 5-1-1=3
table,  = 3; = 0,05 7,815
décision statistique : 2obs (2,599) < 2table (7,815). On accepte Ho.

La distribution observée est donc conforme à la loi de Poisson.
• Le calcul de la moyenne et de la variance estimées donne :
x = 1,737 ≈ 1,7 et 
^ 2 = 2,399
Rappelons qu'une loi de Poisson est définie par un seul paramètre qui est la moyenne m = n.p
Pour calculer les effectifs théoriques, on applique la loi de Poisson , c'est-à-dire :
mk 1,7k
Prob ( X = k ) = e-m . k ! = e-1,7 . k !
Noter que la dernière probabilité, en grisé sur le tableau ci-dessus s'obtient de la manière
suivante :
Prob (X ≥ 6) = 1 - Prob (X ≤ 5) = 1 - 0,9920 = 0,0080
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
41
Noter aussi que nous avons regroupé les trois dernières classes pour que l'effectif soit
supérieur à 5.
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
42
III. COMPARAISON DE RÉPARTITIONS OBSERVÉES

ENTRE ELLES : TEST D'HOMOGÉNÉITÉ
1. Position du problème et présentation des données
Il s'agit de comparer entre elles des distributions relatives à plusieurs échantillons afin de
déterminer si les différences observées sont significatives ou seulement dues au hasard de
l'échantillonnage.
Les données observées doivent être groupées dans un tableau à double entrée, appelé tableau
de contingence (voir la première partie) et qui se présente sous l'allure suivante, le caractère
étudié "prend les valeurs" a, b, c, ....d.
Caractère étudié a b c ..... .... d Total

Répartition
Répartition A n1
Répartition B n2
Répartition C n3
. .
. .
. .
Total n'1 n'2 n'3 n'4 N
Pour un tableau à L lignes et C colonnes, on peut choisir (L-1) (C-1) effectifs.

Cette valeur représente alors le nombre de degrés de liberté pour le test en question.
2. Calcul des valeurs théoriques
Pour les déterminer, on fait l'hypothèse nulle ou l'hypothèse d'homogénéité, c'est-à-dire que
l'on suppose les échantillons homogènes.
Donc, sur N sujets, il y a n'1 pour lesquels le caractère est a.
Combien y a -t-il de sujets pour lesquels le caractère est a, sur n1 ?
n'1
On obtient N . n1 qui représente la valeur calculée pour la première case (caractère a,
répartition A) sur la base de l'hypothèse d'homogénéité.

De la même façon, on peut déterminer les autres valeurs calculées pour les autres cases.
Le test du 2 permettra alors de comparer les valeurs théoriques aux valeurs observées avec un
ddl = (L-1)(C-1).
• Si 2obs. < 2table  Ho peut être acceptée
• Si 2obs. ≥ 2table  Ho est à rejeter
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
43
3. Exemple
Le tableau suivant indique le résultat de l'examen de 120 sujets, classés d'après la couleur de
leurs yeux et la couleur de leurs cheveux.
On demande s'il existe une liaison entre ces 2 caractères.
Couleur des cheveux Blonds Bruns Noirs Roux Total

Couleur des yeux
Bleus 24 10 4 6 44
Verts 15 16 9 7 47
Marron 7 12 6 4 29
Total 46 38 19 17 120
********
Nous devons tester l'hypothèse nulle :
Ho : la répartition de la couleur des cheveux est indépendante de celle des yeux.
S'il n'existe pas de liaison entre ces caractères, il doit y avoir le même pourcentage de blonds
parmi les individus aux yeux bleus que parmi les individus aux yeux marron ou le même
pourcentage d'individus aux yeux verts parmi les individus bruns que parmi les roux.
• Ho = Population homogène et on en déduit les proportions en regroupant tous les

échantillons.
Le tableau ci-dessous résume l'ensemble des résultats nécessaires aux calculs.
Couleur des cheveux Blonds Bruns Noirs Roux Totaux

Couleur des yeux
Bleus
n observés , O 24 10 4 6 44
n théoriques , T 16,9 13,9 7,0 6,2 44
(O-T)2/T 3,02 1,11 1,26 0,01 5,40
Verts
n observés , O 15 16 9 7 47
n théoriques , T 18,0 14,9 7,4 6,7 47
(O-T)2/T 0,51 0,08 0,33 0,00 0,93
Marron
n observés , O 7 12 6 4 29
n théoriques , T 11,1 9,2 4,6 4,1 29
(O-T)2/T 1,52 0,86 0,43 0,00 2,82
Total 120 obs
= 9,16
Sur 120 individus  46 sont blonds , c'est-à-dire 38,33 %

 38 sont bruns , c'est-à-dire 31,66 %
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
44
Si 38,33 % des individus sont blonds, parmi les 44 individus aux yeux bleus, on aurait du
trouver :
38,33
44 . 100 = 16, 9 "blonds" (au lieu des 24 observés, valeur en grisé sur le tableau ci-dessus)
31,66
44 . 100 = 13,9 "bruns" (au lieu des 10 observés, valeur en grisé sur le tableau ci-dessus)
etc.
(Oi - Ti)2
• On calcule ensuite l'expression 2obs = Ti et on additionne ces 12 expressions.
(24-16,9)2 (10 - 13,9)2 (4 - 4,1)2

2obs = 16,9 + 13,9 + ........ + 4,1 = 9,16
Les calculs peuvent être simplifiés s' ils sont présentés comme dans le tableau ci-dessus.
• ddl =  = (C-1)(L-1) = 3 x 2 = 6
• Pour = 6 et  = 5 % , 2table = 12,59
• 2obs < 2table , on accepte donc Ho.
Il n' existe pas de liaison entre la couleur des yeux et celle des cheveux.
Ce test porte le nom de test d'indépendance.
IV. CAS PARTICULIER : COMPARAISON DE DEUX FRÉQUENCES
Exemple. Le taux de glycémie (taux de glucose dans le sang) a été mesuré chez 82 enfants
prématurés.
Il y a :
- hypoglycémie si la glycémie ≤ 30 cg/l
- hyperglycémie si la glycémie > 30 cg/l
Garçons Filles Effectifs observés

Hypoglycémie 18 11 29
Normoglycémie 22 31 53
Total 40 42 82
Problème posé : la fille est-elle moins sujette que le garçon à présenter une hypoglycémie ?
********
Première méthode : comparaison de deux fréquences observées.
pA - pB
Calcul de  =
pq pq
nA + nB
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
45
Il s'agit de savoir si la différence entre pA = 18/40 et pB = 11/42 est significative ou non.

Ho : pA = pB
pA = 18/40 = 0,45 pB = 11/42 = 0,26
18 + 11 29
Calcul de p = 40 + 42 = 82 = 0,354  q = 0,646
nA = 40 et nB = 42
0,45 - 0,26 0,19

obs = = 0,1054 = 1,80
0,354 . 0,646 0,354 . 0,646
40 + 42
Pour  = 0,05, table = 1,96

obs < table, la différence est non significative à 5 %. Le taux de glycémie est le même chez
les garçons et les filles.
Deuxième méthode. Calcul du 2

Ho : les deux populations sont homogènes.

Garçons Filles Effectifs observés
Hypoglycémie 18 (14,15) 11 (14,85) 29
Normoglycémie 22 (25,85) 31 (27,15) 53
Total 40 42 82

Les effectifs théoriques sont entre parenthèses sur le tableau ci-dessus.
40
Exemple. 14,15 = 29 x 82 (en grisé sur le tableau)

(18-14,15)2 (31-27,15)2
2obs. = 14,5 + ..........+ 27,15 = 3,24
Pour  = (2-1)(2-1) = 1 et  = 5 %
le 2table = 3,84

2obs. < 2table , la différence est non significative à 5 %
Il y a donc indépendance entre le sexe et l'hypoglycémie. On ne peut pas prétendre, au vu de

cet échantillon, que la fille soit moins sujette que le garçon à l'hypoglycémie.
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
46
Les 2 méthodes conduisent donc au même résultat.
6. Test du khi-deux
______________________________________________________________________________ _____________________________________________________________________________
47
TABLE I
TABLE DE LA DISTRIBUTION NORMALE RÉDUITE
FONCTION DE RÉPARTITION
u
 (u) =  1 e -1/2 u2 du
 2
-
Exemple :  (0,52) = 0,6985 ;  (-1,93) = 1 -  (1,93) = 1 - 0,97320 = 0,02680
u 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91308 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99896 0,99900
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926 0,99929
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948 0,99950
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962 0,99964 0,99965
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975 0,99976
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981 0,99981 0,99982 0,99983 0,99983
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987 0,99987 0,99988 0,99988 0,99989
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99991 0,99992 0,99992 0,99992 0,99992
Tables statistiques
______________________________________________________________________________ _____________________________________________________________________________
48
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994 0,99994 0,99995 0,99995 0,99995
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996 0,99996 0,99996 0,99997 0,99997
Tables statistiques
______________________________________________________________________________ _____________________________________________________________________________
49
TABLE II
TABLE DE LA LOI NORMALE CENTRÉE, RÉDUITE N (0,1) OU

TABLE DE L'ÉCART RÉDUIT
N (0,1)
1- 
 / 2  / 2
-• - 0 + +•
La probabilité  s'obtient par addition des nombres inscrits en marge.
Exemple : Pour  = 1,96, la probabilité est  = 0,00 + 0,05 = 0,05
 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09

0,00 ∞ 2,577 2,327 2,171 2,054 1,960 1,881 1,812 1,751 1,696
0,10 1,645 1,598 1,555 1,514 1,476 1,440 1,405 1,372 1,341 1,311
0,20 1,282 1,254 1,227 1,201 1,175 1,150 1,127 1,103 1,080 1,058
0,30 1,037 1,015 0,995 0,974 0,954 0,935 0,915 0,897 0,878 0,860
0,40 0,842 0,824 0,806 0,789 0,772 0,755 0,739 0,723 0,706 0,690
0,50 0,675 0,659 0,643 0,628 0,613 0,598 0,583 0,568 0,553 0,539
0,60 0,524 0,510 0,496 0,482 0,468 0,454 0,440 0,426 0,412 0,399
0,70 0,385 0,372 0,358 0,345 0,332 0,319 0,305 0,292 0,279 0,266
0,80 0,253 0,240 0,228 0,215 0,202 0,189 0,176 0,164 0,151 0,138
0,90 0,126 0,113 0,100 0,088 0,075 0,063 0,050 0,038 0,025 0,013
TABLES POUR LES PETITES VALEURS DE 
 0,001 0,000 1 0,000 01 0,000 001 0,000 000 1 0,000 000 01 0,000 000 001
 3, 290 53 3,890 59 4,417 17 4,891 64 5,326 72 5,730 73 6,109 41
Tables statistiques
______________________________________________________________________________ _____________________________________________________________________________
50
TABLE III
TABLE DE STUDENT
La table donne la probabilité  pour que t égale ou dépasse, en valeur absolue,

une valeur donnée, en fonction du nombre de degrés de liberté (ddl).
Exemple : avec ddl = 10, pour t = 2,228, la probabilité est  = 0,05
 0,90 0,50 0,30 0,20 0,10 0,05 0,02 0,01 0,001
ddl
1 0,158 1,000 1,963 3,078 6,314 12,706 31,821 63,656 636,578
2 0,142 0,816 1,386 1,886 2,920 4,303 6,965 9,925 31,600
3 0,137 0,765 1,250 1,638 2,353 3,182 4,541 5,841 12,924
4 0,134 0,741 1,190 1,533 2,132 2,776 3,747 4,604 8,610
5 0,132 0,727 1,156 1,476 2,015 2,571 3,365 4,032 6,869
6 0,131 0,718 1,134 1,440 1,943 2,447 3,143 3,707 5,959
7 0,130 0,711 1,119 1,415 1,895 2,365 2,998 3,499 5,408
8 0,130 0,706 1,108 1,397 1,860 2,306 2,896 3,355 5,041
9 0,129 0,703 1,100 1,383 1,833 2,262 2,821 3,250 4,781
10 0,129 0,700 1,093 1,372 1,812 2,228 2,764 3,169 4,587
11 0,129 0,697 1,088 1,363 1,796 2,201 2,718 3,106 4,437
12 0,128 0,695 1,083 1,356 1,782 2,179 2,681 3,055 4,318
13 0,128 0,694 1,079 1,350 1,771 2,160 2,650 3,012 4,221
14 0,128 0,692 1,076 1,345 1,761 2,145 2,624 2,977 4,140
15 0,128 0,691 1,074 1,341 1,753 2,131 2,602 2,947 4,073
16 0,128 0,690 1,071 1,337 1,746 2,120 2,583 2,921 4,015
17 0,128 0,689 1,069 1,333 1,740 2,110 2,567 2,898 3,965
18 0,127 0,688 1,067 1,330 1,734 2,101 2,552 2,878 3,922
19 0,127 0,688 1,066 1,328 1,729 2,093 2,539 2,861 3,883
20 0,127 0,687 1,064 1,325 1,725 2,086 2,528 2,845 3,850
21 0,127 0,686 1,063 1,323 1,721 2,080 2,518 2,831 3,819
22 0,127 0,686 1,061 1,321 1,717 2,074 2,508 2,819 3,792
23 0,127 0,685 1,060 1,319 1,714 2,069 2,500 2,807 3,768
24 0,127 0,685 1,059 1,318 1,711 2,064 2,492 2,797 3,745
25 0,127 0,684 1,058 1,316 1,708 2,060 2,485 2,787 3,725
26 0,127 0,684 1,058 1,315 1,706 2,056 2,479 2,779 3,707
27 0,127 0,684 1,057 1,314 1,703 2,052 2,473 2,771 3,689
28 0,127 0,683 1,056 1,313 1,701 2,048 2,467 2,763 3,674
29 0,127 0,683 1,055 1,311 1,699 2,045 2,462 2,756 3,660
30 0,127 0,683 1,055 1,310 1,697 2,042 2,457 2,750 3,646
40 0,126 0,681 1,050 1,303 1,684 2,021 2,423 2,704 3,551
80 0,126 0,678 1,043 1,292 1,664 1,990 2,374 2,639 3,416
120 0,126 0,677 1,041 1,289 1,658 1,980 2,358 2,617 3,373
∞ 0,126 0,675 1,037 1,282 1,645 1,960 2,327 2,577 3,293
Tables statistiques
______________________________________________________________________________ _____________________________________________________________________________
51
TABLE IV
TABLE DU 2
La table donne la probabilité  pour que 2 égale ou dépasse
une valeur donnée, en fonction du nombre de degrés de liberté .
Exemple : avec  = 3, pour 2 = 0,11 la probabilité  = 0,99.
 0,99 0,975 0,95 0,90 0,10 0,05 0,025 0,01 0,001

1 0,0002 0,001 0,004 0,016 2,71 3,84 5,02 6,63 10,83
2 0,02 0,05 0,10 0,21 4,61 5,99 7,38 9,21 13,82
3 0,11 0,22 0,35 0,58 6,25 7,81 9,35 11,34 16,27
4 0,30 0,48 0,71 1,06 7,78 9,49 11,14 13,28 18,47
5 0,55 0,83 1,15 1,61 9,24 11,07 12,83 15,09 20,51
6 0,87 1,24 1,64 2,20 10,64 12,59 14,45 16,81 22,46
7 1,24 1,69 2,17 2,83 12,02 14,07 16,01 18,48 24,32
8 1,65 2,18 2,73 3,49 13,36 15,51 17,53 20,09 26,12
9 2,09 2,70 3,33 4,17 14,68 16,92 19,02 21,67 27,88
10 2,56 3,25 3,94 4,87 15,99 18,31 20,48 23,21 29,59
11 3,05 3,82 4,57 5,58 17,28 19,68 21,92 24,73 31,26
12 3,57 4,40 5,23 6,30 18,55 21,03 23,34 26,22 32,91
13 4,11 5,01 5,89 7,04 19,81 22,36 24,74 27,69 34,53
14 4,66 5,63 6,57 7,79 21,06 23,68 26,12 29,14 36,12
15 5,23 6,26 7,26 8,55 22,31 25,00 27,49 30,58 37,70
16 5,81 6,91 7,96 9,31 23,54 26,30 28,85 32,00 39,25
17 6,41 7,56 8,67 10,09 24,77 27,59 30,19 33,41 40,79
18 7,01 8,23 9,39 10,86 25,99 28,87 31,53 34,81 42,31
19 7,63 8,91 10,12 11,65 27,20 30,14 32,85 36,19 43,82
20 8,26 9,59 10,85 12,44 28,41 31,41 34,17 37,57 45,31
21 8,90 10,28 11,59 13,24 29,62 32,67 35,48 38,93 46,80
22 9,54 10,98 12,34 14,04 30,81 33,92 36,78 40,29 48,27
23 10,20 11,69 13,09 14,85 32,01 35,17 38,08 41,64 49,73
24 10,86 12,40 13,85 15,66 33,20 36,42 39,36 42,98 51,18
25 11,52 13,12 14,61 16,47 34,38 37,65 40,65 44,31 52,62
26 12,20 13,84 15,38 17,29 35,56 38,89 41,92 45,64 54,05
27 12,88 14,57 16,15 18,11 36,74 40,11 43,19 46,96 55,48
28 13,56 15,31 16,93 18,94 37,92 41,34 44,46 48,28 56,89
29 14,26 16,05 17,71 19,77 39,09 42,56 45,72 49,59 58,30
30 14,95 16,79 18,49 20,60 40,26 43,77 46,98 50,89 59,70
Tables statistiques
______________________________________________________________________________ _____________________________________________________________________________
52
BIBLIOGRAPHIE
Les Statistiques : une approche nouvelle.

Donald H. Sanders ; A. Franklin Murph et Robert J. Eng. 2e édition.
McGraw-Hill, Éditeurs.
Statistique et Probabilités.
M. Laviéville.
Dunod Université.
Probabilité et statistique pour biologistes.

F. Couty ; J. Debord et D. Fredon.
Flash U. Armand Colin.
Statistique : cours et exercices résolus .

E. Azoulay et D. Cohen.
Ediscience International.
Théorie et méthodes statistiques. (Volumes 1 et 2)

P. Dagnélie.
Les Presses Agronomiques de Gembloux.
Méthodes statistiques à l'usage des médecins et des biologistes.

D. SChwartz
Flammarion Medecine Sciences
Tables statistiques

Teste Khi Deux

Hochgeladen von

Dokumentinformationen

Originaltitel

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

Teste Khi Deux

Hochgeladen von

Copyright:

Verfügbare Formate

Notions essentielles

INTERPRÉTATION STATISTIQUE ............................................................................ 3

TESTS RELATIFS AUX FRÉQUENCES ................................................................. 23

TEST DU KHI-DEUX OU C2 .................................................................................. 31

TABLE III .................................................................................................................. 45

Les connaissances importantes , qu'il faut absolument garder à l'esprit, sont

PRÉREQUIS INDISPENSABLES À L'ÉTUDE DE CE LIVRET…

COMMENT TRAITER UN EXERCICE DE STATISTIQUE ?

CONSEILS GÉNÉRAUX DE TRAVAIL

1. de comprendre et d'expliquer les bases théoriques de l'estimation par

2. d'estimer une fréquence, une moyenne et une variance d'une population :

à différents seuils de signification ;

3. de formuler un problème en statistique ;

4. de développer une démarche pour la résolution d'un problème statistique ;

5. de distinguer les différents types de tests statistiques.

I. ESTIMATION DES PARAMÈTRES D'UNE POPULATION

Une population est un ensemble d'individus (animaux, exploitations, parcelles…) auxquels

• Que fait-on alors ?

L'échantillonnage a une importance pratique considérable car l'inférence statistique a pour

Cette manière de procéder pose alors le problème des fluctuations d'échantillonnage du

Il existe deux méthodes d'échantillonnage :

• la méthode dite non exhaustive consistant à extraire plusieurs échantillons de taille n,

Soient une population de mesures et un paramètre de cette population noté  (moyenne,

On voudrait par exemple déterminer :

2. Estimation ponctuelle d'un paramètre

La théorie des estimateurs repose sur deux conditions :

3. Estimation d'un paramètre par intervalle de confiance

Prob (D1 <  < D2 ) = 1 - 

1200 <  < 1600

Que signifie cette expression ?

Cela ne signifie pas que la vraie valeur de  a 99 % de chances de se trouver dans

4. Cas d'un caractère qualitatif : estimation et intervalle de

Y désignant la variable nombre d'individus possédant le caractère A dans un échantillon de

Nous avons donc : V ( Y ) = n.p . (1 - p)

Nous considérons que n est grand si n > 100 et si n p et n (1 - p) > 5.

La question est alors la suivante : quelle confiance accorde-t-on à l'estimation de p par po ?

Au seuil de confiance 1 - , nous avons donc :

d'où l'intervalle de confiance au seuil 1 -  ou au risque  :

Cet intervalle est dit intervalle de confiance de p au risque  ou au coefficient de sécurité

0,08 . 0,92 0,08 . 0,92

0,069 < p < 0,091

5. Cas d'un caractère quantitatif

Soit X une variable aléatoire définie sur la population avec :

1. Estimation ponctuelle de la moyenne et de la variance

^ 2 = n s2 n'a de l'importance que pour les petits

2. Estimation de la moyenne par intervalle de confiance

La moyenne x de l'échantillon est la valeur prise par une variable X .

E ( X ) =  indique que si on répète un grand nombre de fois l'échantillonnage dans les

Par ailleurs,  x ( écart type de la distribution d'échantillonnage de la moyenne) est d'autant

A quelle loi obéit X ?

q Cas où la variance de la population 2 est connue : cas rare

X est une v.a qui obéit à une loi normale N(; / n )

d'où l'on déduit :

1- étant le seuil de confiance choisi et  le risque d'erreur associé.

• Si X -  > 0 , X -  <  . / n et  > X -  . / n

• Si X -  < 0 ,  - X  <  . / n et  < X +  . / n

d'où l'intervalle de confiance au seuil de confiance 1- ou au risque  :

et l'estimation de  par intervalle de confiance sera obtenue en remplaçant X par la valeur

L'intervalle de confiance ainsi obtenu sera d'autant plus petit que :

- le risque d'erreur choisi est plus grand ;

• Les limites de confiance à 95 % sont :

x ± .  / n = 4 290 ± 2,58 1000/ 25 = 4 290 ± 520 kg

q Cas où la variance de la population 2 est inconnue