Cours : Modélisation statistique

Département : Mathèmatiques et Informatique

Prof. AZIZA BELMAATI

A.U. : 2025-2026

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 1 / 50

Plan du cours

1 Partie I : Tests d’hypothèses

Chapitre 1 : Tests paramétriques.

Chapitre 2 : Tests non paramétriques.

2 Partie II : Modèles de régression

Chapitre 3 : Modèle de régression linéaire simple.

Chapitre 4 : Modèle de régression linéaire multiple.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 1 / 50

Références

1 R. Veysseyre. Aide-mémoire - Statistique et probabilités pour les

ingénieurs, Dunod, 2ème édition, 2006.

2 G. Saporta. Probabilités, analyse des données et statistique, Technip,

Paris, 1990.

3 J. P. Lecoutre. TD Statistique et probabilités, Dunod, 4ème édition, 2008.

4 J. P. Boulay. Statistique mathématique : Applications commentées,

Ellipses, 2010.

5 Lafaye de Micheaux, Drouilhet, Liquet. Le logiciel R : Maîtriser le

langage, effectuer des analyses (bio)statistiques, Springer, 2014.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 2 / 50

 Chapitre 1

Tests paramétriques

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 3 / 50

 Tests paramétriques Introduction

Exemple introductif

Question : Est ce qu’il y a eu un réchauffement les dernières années par

rapport à l’ensemble du vingtième siècle ?

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 4 / 50

 Tests paramétriques Introduction

Exemple introductif

Considérons les données de température moyenne au mois d’août à paris sur

l’ensemble du vingtième siècle, ces températures moyennes en degrés
Celcius sont distribuées suivant une loi gaussienne de moyenne m = 20 et de
variance σ 2 = 1.
Sur les dix dernières années, on a observé les températures moyennes
suivantes :

(x1 , . . . , x10 ) = (22, 19, 21, 23, 20, 22, 24, 18, 20, 25)

telles que x̄ = 21, 24 et S = 2, 22.

Question : Est ce qu’il y a eu un réchauffement les dernières années par

rapport à l’ensemble du vingtième siècle ?

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 4 / 50

 Tests paramétriques Définitions et notations

Hypothèse statistique
Une hypothèse statistique est une affirmation concernant certaines
caractéristiques d’une population telles que la valeur d’un ou plusieurs
paramètres , la forme de la distribution...

Test d’hypothèse
On appelle test d’hypothèse ou test statistique, les procédés qui conduisent à
élaborer une règle de décision permettant de faire un choix entre deux
hypothèses l’une est appelée hypothèse nulle et l’autre appelée hypothèse
alternative.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 5 / 50

 Tests paramétriques Définitions et notations

Hypothèse statistique
Une hypothèse statistique est une affirmation concernant certaines
caractéristiques d’une population telles que la valeur d’un ou plusieurs
paramètres , la forme de la distribution...

Test d’hypothèse
On appelle test d’hypothèse ou test statistique, les procédés qui conduisent à
élaborer une règle de décision permettant de faire un choix entre deux
hypothèses l’une est appelée hypothèse nulle et l’autre appelée hypothèse
alternative.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 5 / 50

 Tests paramétriques Définitions et notations

Hypothèse nulle
L’hypothèse nulle notée H0 : c’est l’hypothèse selon laquelle on fixe a priori la
valeur d’un paramètre. Elle consiste à dire que la différence observée n’est
significative et est due aux fluctuations d’échantillonnage. Cette hypothèse est
formulée dans le but d’être rejetée.

Hypothèse alternative
L’hypothèse alternative notée H1 : on peut choisir pour cette hypothèse
n’importe quelle hypothèse compatible avec le problème étudié, mais
différente de H0 .

Exemple

Dans l’exemple précédant,

H0 : ”m = m0 = 20c”

H1 : ”m ̸= m0 ”, ”m > m0 ”, ”m < m0 ”, ”m = m1 ”

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 6 / 50

 Tests paramétriques Définitions et notations

Hypothèse nulle
L’hypothèse nulle notée H0 : c’est l’hypothèse selon laquelle on fixe a priori la
valeur d’un paramètre. Elle consiste à dire que la différence observée n’est
significative et est due aux fluctuations d’échantillonnage. Cette hypothèse est
formulée dans le but d’être rejetée.

Hypothèse alternative
L’hypothèse alternative notée H1 : on peut choisir pour cette hypothèse
n’importe quelle hypothèse compatible avec le problème étudié, mais
différente de H0 .

Exemple

Dans l’exemple précédant,

H0 : ”m = m0 = 20c”

H1 : ”m ̸= m0 ”, ”m > m0 ”, ”m < m0 ”, ”m = m1 ”

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 6 / 50

 Tests paramétriques Définitions et notations

Hypothèse nulle
L’hypothèse nulle notée H0 : c’est l’hypothèse selon laquelle on fixe a priori la
valeur d’un paramètre. Elle consiste à dire que la différence observée n’est
significative et est due aux fluctuations d’échantillonnage. Cette hypothèse est
formulée dans le but d’être rejetée.

Hypothèse alternative
L’hypothèse alternative notée H1 : on peut choisir pour cette hypothèse
n’importe quelle hypothèse compatible avec le problème étudié, mais
différente de H0 .

Exemple

Dans l’exemple précédant,

H0 : ”m = m0 = 20c”

H1 : ”m ̸= m0 ”, ”m > m0 ”, ”m < m0 ”, ”m = m1 ”

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 6 / 50

 Tests paramétriques Nature d’un test

Soit (X1 , X2 , . . . , Xn ) un échantillon aléatoire relatif à une variable aléatoire X

de loi l(θ), où θ est un paramètre inconnu.
Soit l’hypothèse H0 : ”θ = θ0 ”

Test unilatéral
Si H1 est telle que H1 : ”θ > θ0 ” respt. ”θ < θ0 ” ; alors on dit que le test est
unilatéral à droite (respt. à gauche), et on écrit :

 H0 : ”θ = θ0 ”
#
H1 : ”θ > θ0 ” respt. ”θ < θ0 ”


Test bilatéral
Si H1 est telle que H1 : ”θ ̸= θ0 ” ; alors on dit que le test est bilatéral, et on
écrit : 
 H0 : ”θ = θ0 ”
#
H1 : ”θ ̸= θ0 ”


Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 7 / 50

 Tests paramétriques Nature d’un test

Soit (X1 , X2 , . . . , Xn ) un échantillon aléatoire relatif à une variable aléatoire X

de loi l(θ), où θ est un paramètre inconnu.
Soit l’hypothèse H0 : ”θ = θ0 ”

Test unilatéral
Si H1 est telle que H1 : ”θ > θ0 ” respt. ”θ < θ0 ” ; alors on dit que le test est
unilatéral à droite (respt. à gauche), et on écrit :

 H0 : ”θ = θ0 ”
#
H1 : ”θ > θ0 ” respt. ”θ < θ0 ”


Test bilatéral
Si H1 est telle que H1 : ”θ ̸= θ0 ” ; alors on dit que le test est bilatéral, et on
écrit : 
 H0 : ”θ = θ0 ”
#
H1 : ”θ ̸= θ0 ”


Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 7 / 50

 Tests paramétriques Nature d’un test

Soit (X1 , X2 , . . . , Xn ) un échantillon aléatoire relatif à une variable aléatoire X

de loi l(θ), où θ est un paramètre inconnu.
Soit l’hypothèse H0 : ”θ = θ0 ”

Test unilatéral
Si H1 est telle que H1 : ”θ > θ0 ” respt. ”θ < θ0 ” ; alors on dit que le test est
unilatéral à droite (respt. à gauche), et on écrit :

 H0 : ”θ = θ0 ”
#
H1 : ”θ > θ0 ” respt. ”θ < θ0 ”


Test bilatéral
Si H1 est telle que H1 : ”θ ̸= θ0 ” ; alors on dit que le test est bilatéral, et on
écrit : 
 H0 : ”θ = θ0 ”
#
H1 : ”θ ̸= θ0 ”


Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 7 / 50

 Tests paramétriques Nature d’un test

Remarques importantes

1 H1 est la négation de H0 .

2 Il existe une dissymétrie importante dans les conclusions des tests. En

effet, la décision d’accepter H0 n’est pas équivalente à H0 est vraie et H1
est fausse, cela traduit seulement l’opinion selon laquelle il n’y a pas
d’évidence nette pour que H0 soit fausse.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 8 / 50

 Tests paramétriques Nature d’un test

Remarques importantes

1 H1 est la négation de H0 .

2 Il existe une dissymétrie importante dans les conclusions des tests. En

effet, la décision d’accepter H0 n’est pas équivalente à H0 est vraie et H1
est fausse, cela traduit seulement l’opinion selon laquelle il n’y a pas
d’évidence nette pour que H0 soit fausse.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 8 / 50

 Tests paramétriques Risques d’erreur

Toute décision comporte des risques d’erreur. Une décision statistique

comporte deux risques antagonistes.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 9 / 50

 Tests paramétriques Risques d’erreur

Risque d’erreur de première espèce

Définition
Le risque de rejeter à tort l’hypothèse H0 alors qu’elle est vraie et qui favorise
l’hypothèse H1 , appelé risque de première espèce et noté α, on l’appelle
aussi seuil de signification du test.

α = Pr (rejeter H0 |H0 vraie) = Pr (choisir H1 |H0 vraie)

Ce risque α définit la région critique W , d’aire α et de probabilité α sous

l’hypothèse H0 .
La région complémentaire, W , d’aire (1 − α) et de probabilité (1 − α),
représente la région d’acceptation de l’hypothèse H0 .

Remarque

La probabilité α est choisie par l’utilisateur. les valeurs les plus utilisées pour
α sont 5% et 1%.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 10 / 50

 Tests paramétriques Risques d’erreur

Risque d’erreur de première espèce

Définition
Le risque de rejeter à tort l’hypothèse H0 alors qu’elle est vraie et qui favorise
l’hypothèse H1 , appelé risque de première espèce et noté α, on l’appelle
aussi seuil de signification du test.

α = Pr (rejeter H0 |H0 vraie) = Pr (choisir H1 |H0 vraie)

Ce risque α définit la région critique W , d’aire α et de probabilité α sous

l’hypothèse H0 .
La région complémentaire, W , d’aire (1 − α) et de probabilité (1 − α),
représente la région d’acceptation de l’hypothèse H0 .

Remarque

La probabilité α est choisie par l’utilisateur. les valeurs les plus utilisées pour
α sont 5% et 1%.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 10 / 50

 Tests paramétriques Risques d’erreur

Risque d’erreur de deuxième espèce

Définition
Le risque de ne pas rejeter H0 alors qu’elle est fausse est le risque de
deuxième espèce noté β.

β = Pr (ne pas rejeter H0 |H1 vraie) = Pr (choisir H0 |H1 vraie)

β est appelé aussi manque de puissance de test par opposition à (1 − β) qui

est la puissance du test à l’égard de la valeur du paramètre figurant dans
l’hypothèse H1 . Elle représente la probabilité d’accepter H1 alors que celle-ci
est vraie.
On peut écrire aussi, en introduisant la région critique W :

Pr (W |H0 ) = 1 − α, Pr (W |H1 ) = 1 − β

Remarque

Pour calculer la puissance d’un test, on donne au paramètre la (ou les)

valeur(s) figurant dans l’hypothèse H1 .
Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 11 / 50
 Tests paramétriques Risques d’erreur

Risque d’erreur de deuxième espèce

Définition
Le risque de ne pas rejeter H0 alors qu’elle est fausse est le risque de
deuxième espèce noté β.

β = Pr (ne pas rejeter H0 |H1 vraie) = Pr (choisir H0 |H1 vraie)

β est appelé aussi manque de puissance de test par opposition à (1 − β) qui

est la puissance du test à l’égard de la valeur du paramètre figurant dans
l’hypothèse H1 . Elle représente la probabilité d’accepter H1 alors que celle-ci
est vraie.
On peut écrire aussi, en introduisant la région critique W :

Pr (W |H0 ) = 1 − α, Pr (W |H1 ) = 1 − β

Remarque

Pour calculer la puissance d’un test, on donne au paramètre la (ou les)

valeur(s) figurant dans l’hypothèse H1 .
Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 11 / 50
 Tests paramétriques Risques d’erreur

Résumé

Les différentes situations que l’on peut rencontrer dans le cadre des tests
d’hypothèses sont résumées dans le tableau suivant :

Réalité H0 vraie H0 fausse (H1 Vraie)

Décision
Non-rejet de H0 correct Manque de puissance
1−α risque de 2sd espèce β
rejet de H0 seuil de signification puissance du test
risque de 1er espèce α 1−β

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 12 / 50

 Tests paramétriques Risques d’erreur

Exemple 1

Considérons des lampes à incandescence dont la durée de vie est une

variable aléatoire gaussienne de moyenne m = 1000 heures et d’écart-type
σ = 125 heures. Un ingénieur propose un nouveau procédé de fabrication qui
doit améliorer, affirme-t-il, cette durée de vie moyenne et la rendre égale à
1075 heures.
On décide de contrôler un échantillon de taille n = 25 lampes fabriquées
suivant le nouveau procédé. la moyenne empirique de cet échantillon a donné
une durée de vie égale à 1050 heures.
Peut-on accepter ce nouveau procédé de fabrication au risque α = 5% ?

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 13 / 50

 Tests paramétriques Risques d’erreur

Exemple 1 : Solution
On suppose que la durée de vie des lampes X ∼ N (m, 125) et la région
critique W = X̄ > [Link] a

 H0 : ”H0 : m = m0 = 1000 heures”
#
H1 : ”H1 : m = m1 = 1075”


donc sous H0 , X̄ ∼ N (1000, 125) et sous H1 , X̄ ∼ N (1075, 125).

Le risque de première espèce α est égale à 5%, la région critique de rejet de
H0 est définie par :

IP (W |H0 ) = 0.05 c-à-d IP (X̄ > d|m = 1000) = 0.05

X̄ − 1000 d − 1000
=⇒ IP (X̄ > d|m = 1000) = IP ( > |m = 1000) = 0.05
25 25
d − 1000
= 1.6449 ⇒ d ≈ 1041 heures.
25

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 14 / 50

 Tests paramétriques Risques d’erreur

Exemple 1 : Solution
On suppose que la durée de vie des lampes X ∼ N (m, 125) et la région
critique W = X̄ > [Link] a

 H0 : ”H0 : m = m0 = 1000 heures”
#
H1 : ”H1 : m = m1 = 1075”


donc sous H0 , X̄ ∼ N (1000, 125) et sous H1 , X̄ ∼ N (1075, 125).

Le risque de première espèce α est égale à 5%, la région critique de rejet de
H0 est définie par :

IP (W |H0 ) = 0.05 c-à-d IP (X̄ > d|m = 1000) = 0.05

X̄ − 1000 d − 1000
=⇒ IP (X̄ > d|m = 1000) = IP ( > |m = 1000) = 0.05
25 25
d − 1000
= 1.6449 ⇒ d ≈ 1041 heures.
25

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 14 / 50

 Tests paramétriques Risques d’erreur

Exemple 1 : Solution
On suppose que la durée de vie des lampes X ∼ N (m, 125) et la région
critique W = X̄ > [Link] a

 H0 : ”H0 : m = m0 = 1000 heures”
#
H1 : ”H1 : m = m1 = 1075”


donc sous H0 , X̄ ∼ N (1000, 125) et sous H1 , X̄ ∼ N (1075, 125).

Le risque de première espèce α est égale à 5%, la région critique de rejet de
H0 est définie par :

IP (W |H0 ) = 0.05 c-à-d IP (X̄ > d|m = 1000) = 0.05

X̄ − 1000 d − 1000
=⇒ IP (X̄ > d|m = 1000) = IP ( > |m = 1000) = 0.05
25 25
d − 1000
= 1.6449 ⇒ d ≈ 1041 heures.
25

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 14 / 50

 Tests paramétriques Risques d’erreur

Exemple 1 : Solution

L’échantillon a donné pour X̄ la valeur 1050 heures. Alors on est amener à

rejeter H0 au profit de H1 .
Le risque β de deuxième espèce est donné par :

β = IP (W̄ |H1 ) = IP (X̄ < d|H1 )

X̄ − 1075 1041 − 1075

β = IP (X̄ ≤ 1041|m = 1075) = IP ( < = −1.36|m = 1075)
25 25
d’où
β = 0.0869.
La probabilité de refuser H1 alors que cette hypothèse est vraie (i.e le risque
de seconde espèce) est donc égale à 0.0869, elle est assez faible. La
puissance du test est alors égale à 0.9131.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 15 / 50

 Tests paramétriques Risques d’erreur

Exemple 1 : Solution

Les risques α et β

ss H0
ss H1
0.010

1−α 1−β

βα
0.000

900 950 1000 1050 1100 1150 1200

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 16 / 50
 Tests paramétriques Risques d’erreur

Propriétés des risques α et β

Plus m1 s’éloigne de m0 , plus la puissance du test 1 − β augmente et
réciproquement. Autrement, lorsque les deux hypothèses H0 et H1 sont très
différents, la probabilité de commettre l’erreur de second espèce est faible et
par conséquent la puissance est très forte.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 17 / 50

 Tests paramétriques Risques d’erreur

Propriétés des risques α et β

Si le risque α diminue, la zone de non-rejet de l’hypothèse H0 augmente, on
finit par la garder trop souvent. De plus, dans ces conditions, le risque β
augmente, donc la région de refus de l’hypothèse H1 augmente.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 18 / 50

 Tests paramétriques Risques d’erreur

Propriétés des risques α et β

Si on fixe le risque α et si la taille n de l’échantillon augmente, la zone de
non-rejet de l’hypothèse H0 devient plus petite, d’où une diminution du risque
β ; le test est donc plus puissant.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 19 / 50

 Tests paramétriques Risques d’erreur

Démarche à suivre pour élaborer un test

1 Formuler de façon précise H0 et H1 .
2 Fixer avant l’expérience, le risque α de première espèce.
3 Préciser les conditions d’application du test : forme de la loi de probabilité
de la population étudiée, taille de l’échantillon, variance connue ou
inconnue...
4 Choisir l’estimateur le mieux adapté en fonction des caractéristiques de
la population étudiée et donner sa loi de probabilité sous les deux
hypothèses. Ces lois doivent être différentes.
5 Déterminer la région critique ou région de rejet de l’hypothèse H0 au
profit de l’hypothèse H1 et en déduire la règle de décision :
W région critique conduisant au rejet de H0 : Pr (W |H0 ) = α.
W région de non-rejet donc "d’acceptation" de H0 : Pr (W |H0 ) = 1 − α
On en déduit la valeur du risque de deuxième espèce β :
Pr (W |H1 ) = 1 − β
6 Calculer effectivement la valeur numérique t de la variable de décision en
utilisant les résultats apportés par l’échantillon.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 20 / 50

 Tests paramétriques Risques d’erreur

Démarche à suivre pour élaborer un test

1 Formuler de façon précise H0 et H1 .
2 Fixer avant l’expérience, le risque α de première espèce.
3 Préciser les conditions d’application du test : forme de la loi de probabilité
de la population étudiée, taille de l’échantillon, variance connue ou
inconnue...
4 Choisir l’estimateur le mieux adapté en fonction des caractéristiques de
la population étudiée et donner sa loi de probabilité sous les deux
hypothèses. Ces lois doivent être différentes.
5 Déterminer la région critique ou région de rejet de l’hypothèse H0 au
profit de l’hypothèse H1 et en déduire la règle de décision :
W région critique conduisant au rejet de H0 : Pr (W |H0 ) = α.
W région de non-rejet donc "d’acceptation" de H0 : Pr (W |H0 ) = 1 − α
On en déduit la valeur du risque de deuxième espèce β :
Pr (W |H1 ) = 1 − β
6 Calculer effectivement la valeur numérique t de la variable de décision en
utilisant les résultats apportés par l’échantillon.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 20 / 50

 Tests paramétriques Risques d’erreur

Démarche à suivre pour élaborer un test

1 Formuler de façon précise H0 et H1 .
2 Fixer avant l’expérience, le risque α de première espèce.
3 Préciser les conditions d’application du test : forme de la loi de probabilité
de la population étudiée, taille de l’échantillon, variance connue ou
inconnue...
4 Choisir l’estimateur le mieux adapté en fonction des caractéristiques de
la population étudiée et donner sa loi de probabilité sous les deux
hypothèses. Ces lois doivent être différentes.
5 Déterminer la région critique ou région de rejet de l’hypothèse H0 au
profit de l’hypothèse H1 et en déduire la règle de décision :
W région critique conduisant au rejet de H0 : Pr (W |H0 ) = α.
W région de non-rejet donc "d’acceptation" de H0 : Pr (W |H0 ) = 1 − α
On en déduit la valeur du risque de deuxième espèce β :
Pr (W |H1 ) = 1 − β
6 Calculer effectivement la valeur numérique t de la variable de décision en
utilisant les résultats apportés par l’échantillon.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 20 / 50

 Tests paramétriques Risques d’erreur

Démarche à suivre pour élaborer un test

1 Formuler de façon précise H0 et H1 .
2 Fixer avant l’expérience, le risque α de première espèce.
3 Préciser les conditions d’application du test : forme de la loi de probabilité
de la population étudiée, taille de l’échantillon, variance connue ou
inconnue...
4 Choisir l’estimateur le mieux adapté en fonction des caractéristiques de
la population étudiée et donner sa loi de probabilité sous les deux
hypothèses. Ces lois doivent être différentes.
5 Déterminer la région critique ou région de rejet de l’hypothèse H0 au
profit de l’hypothèse H1 et en déduire la règle de décision :
W région critique conduisant au rejet de H0 : Pr (W |H0 ) = α.
W région de non-rejet donc "d’acceptation" de H0 : Pr (W |H0 ) = 1 − α
On en déduit la valeur du risque de deuxième espèce β :
Pr (W |H1 ) = 1 − β
6 Calculer effectivement la valeur numérique t de la variable de décision en
utilisant les résultats apportés par l’échantillon.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 20 / 50

 Tests paramétriques Risques d’erreur

Démarche à suivre pour élaborer un test

1 Formuler de façon précise H0 et H1 .
2 Fixer avant l’expérience, le risque α de première espèce.
3 Préciser les conditions d’application du test : forme de la loi de probabilité
de la population étudiée, taille de l’échantillon, variance connue ou
inconnue...
4 Choisir l’estimateur le mieux adapté en fonction des caractéristiques de
la population étudiée et donner sa loi de probabilité sous les deux
hypothèses. Ces lois doivent être différentes.
5 Déterminer la région critique ou région de rejet de l’hypothèse H0 au
profit de l’hypothèse H1 et en déduire la règle de décision :
W région critique conduisant au rejet de H0 : Pr (W |H0 ) = α.
W région de non-rejet donc "d’acceptation" de H0 : Pr (W |H0 ) = 1 − α
On en déduit la valeur du risque de deuxième espèce β :
Pr (W |H1 ) = 1 − β
6 Calculer effectivement la valeur numérique t de la variable de décision en
utilisant les résultats apportés par l’échantillon.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 20 / 50

 Tests paramétriques Risques d’erreur

Démarche à suivre pour élaborer un test

1 Formuler de façon précise H0 et H1 .
2 Fixer avant l’expérience, le risque α de première espèce.
3 Préciser les conditions d’application du test : forme de la loi de probabilité
de la population étudiée, taille de l’échantillon, variance connue ou
inconnue...
4 Choisir l’estimateur le mieux adapté en fonction des caractéristiques de
la population étudiée et donner sa loi de probabilité sous les deux
hypothèses. Ces lois doivent être différentes.
5 Déterminer la région critique ou région de rejet de l’hypothèse H0 au
profit de l’hypothèse H1 et en déduire la règle de décision :
W région critique conduisant au rejet de H0 : Pr (W |H0 ) = α.
W région de non-rejet donc "d’acceptation" de H0 : Pr (W |H0 ) = 1 − α
On en déduit la valeur du risque de deuxième espèce β :
Pr (W |H1 ) = 1 − β
6 Calculer effectivement la valeur numérique t de la variable de décision en
utilisant les résultats apportés par l’échantillon.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 20 / 50

 Tests paramétriques Risques d’erreur

Démarche à suivre pour élaborer un test

1 Formuler de façon précise H0 et H1 .
2 Fixer avant l’expérience, le risque α de première espèce.
3 Préciser les conditions d’application du test : forme de la loi de probabilité
de la population étudiée, taille de l’échantillon, variance connue ou
inconnue...
4 Choisir l’estimateur le mieux adapté en fonction des caractéristiques de
la population étudiée et donner sa loi de probabilité sous les deux
hypothèses. Ces lois doivent être différentes.
5 Déterminer la région critique ou région de rejet de l’hypothèse H0 au
profit de l’hypothèse H1 et en déduire la règle de décision :
W région critique conduisant au rejet de H0 : Pr (W |H0 ) = α.
W région de non-rejet donc "d’acceptation" de H0 : Pr (W |H0 ) = 1 − α
On en déduit la valeur du risque de deuxième espèce β :
Pr (W |H1 ) = 1 − β
6 Calculer effectivement la valeur numérique t de la variable de décision en
utilisant les résultats apportés par l’échantillon.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 20 / 50

 Tests paramétriques Risques d’erreur

Démarche à suivre pour élaborer un test

1 Formuler de façon précise H0 et H1 .
2 Fixer avant l’expérience, le risque α de première espèce.
3 Préciser les conditions d’application du test : forme de la loi de probabilité
de la population étudiée, taille de l’échantillon, variance connue ou
inconnue...
4 Choisir l’estimateur le mieux adapté en fonction des caractéristiques de
la population étudiée et donner sa loi de probabilité sous les deux
hypothèses. Ces lois doivent être différentes.
5 Déterminer la région critique ou région de rejet de l’hypothèse H0 au
profit de l’hypothèse H1 et en déduire la règle de décision :
W région critique conduisant au rejet de H0 : Pr (W |H0 ) = α.
W région de non-rejet donc "d’acceptation" de H0 : Pr (W |H0 ) = 1 − α
On en déduit la valeur du risque de deuxième espèce β :
Pr (W |H1 ) = 1 − β
6 Calculer effectivement la valeur numérique t de la variable de décision en
utilisant les résultats apportés par l’échantillon.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 20 / 50

 Tests paramétriques Risques d’erreur

Démarche à suivre pour élaborer un test

Donner les conclusions du test :

1 Si t ∈ W , on rejette l’hypothèse H0 au profit de l’hypothèse H1 sans
conclure que l’hypothèse H0 est fausse, mais elle a une forte probabilité
de l’être, le test est significatif.

2 Si t ∈ W , on ne peut pas rejeter l’hypothèse H0 donc on garde cette

hypothèse, le test n’est pas significatif.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 21 / 50

 Tests paramétriques Risques d’erreur

Démarche à suivre pour élaborer un test

Donner les conclusions du test :

1 Si t ∈ W , on rejette l’hypothèse H0 au profit de l’hypothèse H1 sans
conclure que l’hypothèse H0 est fausse, mais elle a une forte probabilité
de l’être, le test est significatif.

2 Si t ∈ W , on ne peut pas rejeter l’hypothèse H0 donc on garde cette

hypothèse, le test n’est pas significatif.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 21 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test entre deux hypothèses simples

Énoncé du problème

Considérons une variable aléatoire dont la densité f (x; θ) dépend du

paramètre réel θ, X = (X1 , . . . , Xn ) un échantillon aléatoire de taille n de cette
variable. on veut tester : 
 H0 : ”θ = θ0 ”
#
H1 : ”θ = θ1 ”


Soit L(x; θ) la vraisemblance associée à l’échantillon.

la région critique W , pour un risque de première espèce égal à α, est
l’ensemble des points de Rn défini par :
Z
Pr (W |H0 ) = α = L(x; θ0 )dx
W

Comment construire cette région critique ?

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 22 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test entre deux hypothèses simples

Méthode de Neyman et Pearson

Avec les hypothèses précédentes sur la variable aléatoire X et sur le test, On

démontre le résultat suivant :
Théorème de Neyman et Pearson
∀α ∈ [0, 1], il existe un test, de puissance maximale, défini par la région
critique W au seuil de signification α :

W = {x ∈ Rn | L(x; θ) > kα L(x; θ0 ) où kα ≥ 0}

Si W ne dépend pas de θ, alors on dit que le test est uniformément plus

puissant (UPP), c’est-à-dire, pour toute autre région W ′ on a

Pr (W |H1 ) ≥ Pr (W ′ |H1 )

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 23 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test entre deux hypothèses simples

Méthode de Neyman et Pearson

Avec les hypothèses précédentes sur la variable aléatoire X et sur le test, On

démontre le résultat suivant :
Théorème de Neyman et Pearson
∀α ∈ [0, 1], il existe un test, de puissance maximale, défini par la région
critique W au seuil de signification α :

W = {x ∈ Rn | L(x; θ) > kα L(x; θ0 ) où kα ≥ 0}

Si W ne dépend pas de θ, alors on dit que le test est uniformément plus

puissant (UPP), c’est-à-dire, pour toute autre région W ′ on a

Pr (W |H1 ) ≥ Pr (W ′ |H1 )

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 23 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test entre deux hypothèses simples

Méthode de Neyman et Pearson

Proposition
Pour le test entre deux hypothèses simples dont la région critique est définie
par la méthode de Neyman et Pearson, on a 1 − β > α.
Il est dit un test sans biais.
Exemple 2

Définir, par la méthode de neyman et Pearson, la région critique pour le test

de la moyenne m d’une loi normale dont l’écart-type σ est supposé connu.
Les deux hypothèses à tester sont :

 H0 : ”m = m0 ”
#
H1 : ”m = m1 ”


Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 24 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test entre deux hypothèses simples

Méthode de Neyman et Pearson

Proposition
Pour le test entre deux hypothèses simples dont la région critique est définie
par la méthode de Neyman et Pearson, on a 1 − β > α.
Il est dit un test sans biais.
Exemple 2

Définir, par la méthode de neyman et Pearson, la région critique pour le test

de la moyenne m d’une loi normale dont l’écart-type σ est supposé connu.
Les deux hypothèses à tester sont :

 H0 : ”m = m0 ”
#
H1 : ”m = m1 ”


Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 24 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test entre deux hypothèses simples : Exemple 2

Le rapport des densités de l’échantillon pour les deux valeurs du paramètre m

est égal à :

g(x1 , . . . , xn ; m1 )  n  
= exp − 2 (x̄ − m1 )2 − (x̄ − m0 )2
g(x1 , . . . , xn ; m0 ) 2σ

La condition de Neyman s’écrit, après simplification :

(x̄ − m0 )2 − (x̄ − m1 )2 > kα =⇒ (m0 − m1 )(m0 + m1 − 2x̄) > kα

on distingue deux cas :

m0 > m1 , la condition précédente est équivalente à X̄ < kα
m0 < m1 , la condition précédente est équivalente à X̄ > kα1
Ce résultat évident à l’intuition exprime que si m1 > m0 , on rejette H0 si X̄ est
trop grand, on trouve la constante kα en écrivant IP (X̄ > kα |H0 ) = α et
inversement si l’hypothèse H1 est m1 > m0

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 25 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test entre deux hypothèses simples : Exercice 1

Sur un échantillon de 900 naissances, on constate qu’il y a 470 garçons. Un

généticien décide d’utiliser ces données pour effectuer le test suivant relatif
aux proportions p et 1 − p de naissances respectivement masculines et
féminines : 
 H0 : ”p = 0, 5”
vs
H1 : ”p = 0, 48”


1 Quelle est la conclusion, au vu de cet échantillon ?

2 Déterminer la puissance de ce test.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 26 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test d’hypothèse simple contre hypothèse composite

on peut envisager pour l’hypothèse alternative H1 ,
H1 : ”θ > θ1 ” ou ”θ < θ1 ” ou ”θ ̸= θ1 ”

Proposition
On considère le test d’hypothèses(1) :

 H0 : ”θ = θ0 ”
#
H1 : ”θ > θ1 ”


Si la région critique du test de Neyman-pearson pour le test d’hypothèses :


 H0 : ”θ = θ0 ”
# avec θ1 > θ0
H1 : ”θ = θ1 ”


ne dépend de θ1 alors le test de Neyman-Pearson (de niveau α) est le test

UPP pour (1) parmi tous les tests de seuil α.
Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 27 / 50
 Tests paramétriques Différentes catégories de tests statistiques

Test d’hypothèse simple contre hypothèse composite

Remarque :

L’hypothèse H1 est composée d’un ensemble de valeurs. Le risque de second

espèce β doit être calculé pour chaque valeur du paramètre définie pour cette
hypothèse. On obtient ainsi une fonction β(θ), son graphe est la courbe
d’efficacité du test, la fonction (1 − β(θ)) est la puissance du test et son
graphe la courbe de puissance du test.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 28 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test d’hypothèse simple contre hypothèse composite

Exemple 3

L’an dernier le salaire hebdomadaire moyen payé par une entreprise pour les
nouveaux diplômés en gestion était de 2100 DH. Cette année, à pareille date,
un échantillon aléatoire de 25 diplômés donne les résultats suivants :
25
X
X̄ = 2180DH; (xi − x̄)2 = 24000.
i=1

On considère que les salaires sont distribués selon une loi normale. On veut
savoir si le salaire moyen a augmenté.
1 Formuler le test d’hypothèses.
2 Pour un risque de première espèce α = 5%, peut-on conclure que le
salaire hebdomadaire moyen a augmenté d’une façon significative ?
3 Tracer sur le même graphique la courbe d’efficacité du test et la courbe
de puissance.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 29 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test d’hypothèse simple contre hypothèse composite

Exemple 3 : On a le test d’hypothèses :

 H0 : ”m = 2100”
#
H1 : ”m > 2100”


selon l’exemple 2, on a la région critique est W = X̄ > kα .

On a la variance est inconnue, et on l’estime par
24000
S2 = = 960 donc s = 30.98
25
X̄ −2100
Sous l’hypothèse H0 , On a, √s ∼ T (24), d’où
n−1
!
X̄ − 2100 kα − 2100
P(W |H0 ) = P(X̄ > kα |m = 2100) = P > = α = 0.05
√s 30.98
√
n−1 24

ce qui indique que

kα − 2100
30.98
= t1−α (24) = 1.7109 =⇒ kα = 2110.82
√
24

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 30 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test d’hypothèse simple contre hypothèse composite

Exemple 3 : La règle de décision est :

Si x̄ > 2110.82 On rejette H0
Si x̄ ≤ 2110.82 On ne rejette pas H0
Puisqu’on a x̄ = 2180 > 2110.82 alors on rejette l’hypothèse H0 .
En utilisant β(m) = P(W̄ |H1 ) = P(X̄ ≤ 2110.82|m > 2100), on aura

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 31 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test d’hypothèse simple contre hypothèse composite

Remarques
1 Pour définir la région critique de la moyenne m d’une loi normale, on a
deux hypothèses à tester :

 H0 : ”m = m0 ”
#
H1 : ”m > m0 ” ou ”m < m0 ”


qui sont précisément UPP et différents l’un de l’autre.

2 Il n’existe pas de test UPP pour

 H0 : ”m = m0 ”
#
H1 : ”m ̸= m0 ”


car, s’il en existait un il devrait être UPP pour les deux hypothèses
H1′ : ”m > m0 ” et H”1 : ”m < m0 ” ce qui est contradictoire avec la
remarque 1 !

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 32 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test entre deux hypothèses composites

Théorème de Lehmann

 H0 : ”θ ≤ θ0 ”
#
H1 : ”θ > θ0 ”


S’il existe une statistique Tn telle que

L(x1 , . . . , xn ; θ)
L(x1 , . . . , xn ; θ0 )

soit une fonction croissante de Tn pour toutes les valeurs θ > θ0 alors, il existe
un test UPP de niveau α, de région critique définie par la condition

Tn > kα

Exemple 4

reprenons le cas de la moyenne d’une loi normale de variance connue σ 2 .

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 33 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test entre deux hypothèses composites

Exemple 4 : On a le test d’hypothèses :

 H0 : ”m ≤ m0 ”
#
H1 : ”m > m0 ”


D’après l’exemple 2,

L(x1 , . . . , xn ; m)  n  
= exp − 2 (x̄ − m)2 − (x̄ − m0 )2
L(x1 , . . . , xn ; m0 ) 2σ
n
= exp 2 (m0 − m)(−2x̄ + m + m0 )
2σ
On a la fonction f (x) = exp 2σn 2 (m0 − m)(−2x + m + m0 ) est croissante pour tout
m > m0 .
Alors, pour Tn = X̄ il existe un test UPP de niveau α et de région critique
donnée par
X̄ > kα .

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 34 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test entre deux hypothèses composites

Exemple 5

On veut vérifier que le pourcentage P de pièces défectueuses dans un lot de

plusieurs pièces n’excède pas 3%. Un échantillon de 200 pièces est prélevé
et 20 d’entre elles sont défectueuses.
Formuler un test d’hypothèses permettant de prendre la bonne décision.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 35 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test entre deux hypothèses composites

Exemple 5

On veut vérifier que le pourcentage P de pièces défectueuses dans un lot de

plusieurs pièces n’excède pas 3%. Un échantillon de 200 pièces est prélevé
et 20 d’entre elles sont défectueuses.
Formuler un test d’hypothèses permettant de prendre la bonne décision.

On a le test d’hypothèses

 H0 : ”P ≤ 0.03”
#
H1 : ”P > 0.03”


et  nf  n(1−f ) n
L(x1 , . . . , xn ; P) P 1−P 1X
= avec fn = xi
L(x1 , . . . , xn ; P0 ) P0 1 − P0 n
i=1
 nx  n(1−x)
La fonction f (x) = PP0 1−P
1−P0 est croissante pour tout P > P0 = 0.03.
Alors, pour Tn = Fn il existe un test UPP de niveau α et de région critique
donnée par F > kα .
Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 35 / 50
 Tests paramétriques Différentes catégories de tests statistiques

Test entre deux hypothèses composites

Exemple 5 p
Sous H0 (à la limite), Fn ≈ N(0.03, 0.03 ∗ 0.97/200) d’où

Fn − 0.03 kα − 0.03
Pr ( p >p |P0 = 0.03) = 0.05
0.03 ∗ 0.97/200 0.03 ∗ 0.97/200

conduit à kα = 0.05.
Règle de décision :

Si fn > 0.05 On rejette H0
Si fn ≤ 0.05 On ne rejette pas H0
Pour cet exemple n = 200 et le nombre de pièces défectueuses est 20 c-à-d
f = 0.1 > 0.05 donc le test est significatif.
La décision finale ? ?

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 36 / 50

 Tests paramétriques Différentes catégories de tests statistiques

Test du rapport de vraisemblances

On considère en général les hypothèses

 H0 : ”θ ∈ Θ0 ”
# où Θ1 ∩ Θ0 = ∅
H1 : ”θ ∈ Θ1 ”


on pose
supθ∈Θ0 L(x1 , . . . , xn ; θ)
λn (x) =
supθ∈Θ0 ∪Θ1 L(x1 , . . . , xn ; θ)

Définition
On appelle test du rapport de vraisemblances le test qui rejette H0 si

λn (x) ≤ kα

Remarque
On peut utiliser ce test pour déterminer la région critique dans le cas d’un test
bilatéral.
Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 37 / 50
 Tests paramétriques Différentes catégories de tests statistiques

Test du rapport de vraisemblances

Exemple 6
On considère un n-échantillon de loi normale de moyenne m et de variance
connue σ, on propose le test suivant :

 H0 : ”m = m0 ”
#
H1 : ”m ̸= m0 ”


On a
L(x1 , . . . , xn ; m0 )
λn (x) =
L(x1 , . . . , xn ; x̄)
−n
= exp 2 (−2x̄m0 + m02 + x̄ 2 )
2σ
−n
= exp 2 (x̄ − m0 )2 ≤ kα
2σ
2σ 2 ln kα
Ce qui donne (x̄ − m0 )2 > n d’où la région de rejet de ce test est
|x̄ − m0 | > kα′
Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 38 / 50
 Tests paramétriques Différentes catégories de tests statistiques

Test du rapport de vraisemblances : Exercice

Votre emploi consiste à vérifier la production d’une machine fabriquant des

milliers de boulons à l’heure. Cette machine, lorsqu’elle est bien réglée,
produit des boulons dont le diamètre est égal à 14.00mm. Le diamètre moyen
m est donc de 14.00mm si tout fonctionne bien. Les boulons dont le diamètre
s’éloigne trop de cette moyenne, dans un sens ou dans l’autre, sont
inutilisables. On sait que les diamètres des boulons se distribuent selon la loi
normale.
Chaque heure, vous devez prélever un échantillon aléatoire de 6 boulons pour
vérifier le réglage de la machine. Voici les résultats que vous avez obtenu à
votre dernière vérification (le diamètre est en mm) :

14.15 13.85 13.95 14.20 14.30 14.35

Au seuil de signification de 0.01, si on considère que l’écart-type est connu et

est égal à 0.15mm, devez-vous conclure que la machine est bien réglé ?
quelle est votre conclusion dans le cas d’écart-type inconnu ?

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 39 / 50

 Tests paramétriques Tests de comparaison d’échantillons indépendants

Position du problème

On considère deux échantillons aléatoires de tailles n1 et n2 , prélevés

indépendamment d’un de l’autre.

Question :sont-ils, ou non, issus de la même population relativement à la

variable étudiée ?

On note X1 la variable aléatoire associée à l’échantillon 1 et F1 (x) sa fonction

de répartition, X2 la variable aléatoire associée à l’échantillon 2 et F2 (x) sa
fonction de répartition. On veut tester

 H0 : ”F1 (x) = F2 (x)”
#
H1 : ”F1 (x) ̸= F2 (x)”


ce test est trop vague pour obtenir une région critique. Dans la pratique, on se
contentera de vérifier l’égalité des espérances et des variances.

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 40 / 50

 Tests paramétriques Tests de comparaison d’échantillons indépendants

Cas de deux échantillons gaussiens

On a
X1 ∼ N (m1 , σ12 ) et X2 ∼ N (m2 , σ22 )
Les hypothèses deviennent alors

 H0 : ”m1 = m2 ” et ”σ1 = σ2 ”
#
H1 : ”m1 ̸= m2 ” et ”σ1 ̸= σ2 ”


On teste d’abord les variances et si elles ne sont pas significativement

différentes, on teste ensuite les espérances en admettant σ1 = σ2

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 41 / 50

 Tests paramétriques Tests de comparaison d’échantillons indépendants

Cas de deux échantillons gaussiens

a- Test des variances (test de Fisher-Snedecor)

On a 
 H0 : ”σ1 = σ2 ”
#
H1 : ”σ1 ̸= σ2 ”


Comme la population est gaussienne, on trouve

n1 S12 (n2 − 1)σ22

∼ F(n1 − 1, n2 − 1)
(n1 − 1)σ12 n2 S22

sous H0 , on obtient

n1 S12 (n2 − 1)
F = ∼ F(n1 − 1, n2 − 1)
(n1 − 1) n2 S22

avec un seuil critique α, on rejette H0 si

F ∈ [Fα/2 (n1 − 1, n2 − 1); F1−α/2 (n1 − 1, n2 − 1)]c

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 42 / 50

 Tests paramétriques Tests de comparaison d’échantillons indépendants

Cas de deux échantillons gaussiens

a- Test de comparaison de deux moyennes (test des espérances de Student)

On pose D̄ = X̄1 − X̄2 ,

1 1
D̄ ∼ N (m1 − m2 ; σ 2 ( + ))
n1 n2
Sous H0 , on a
√
X̄ − X̄2 n1 + n2 − 2
q 1 q ∼ t(n1 + n2 − 2)
1 1
n1 S12 + n2 S22 n1 + n2

la région critique est de la forme

√
|X̄ − X̄2 | n1 + n2 − 2
q 1 q >k
1 1
n1 S12 + n2 S22 n1 + n2

k est le quantile de la loi de la loi de student à n1 + n2 − 2 ddl d’ordre 1 − α/2

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 43 / 50
 Tests paramétriques Tests de comparaison d’échantillons indépendants

Cas de deux échantillons gaussiens

Exemple 7
Pour comparer deux marques d’ampoules électriques, on a effectué des
essais sur des échantillons prélevés au hasard. La durée de vie moyenne
observée sur un échantillon de 25 ampoules de la marque 1 est de 1012
heures, avec un écart-type empirique de 241 heures. Sur un échantillon de 13
ampoules de la marque 2, on a obtenu respectivement 1104h et 319h. En
supposant que la durée de vie moyenne suit une loi normale, peut-on
considérer que ces marques sont de qualités équivalentes ?

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 44 / 50

 Tests paramétriques Tests de comparaison d’échantillons indépendants

Cas de deux échantillons non-gaussiens

2
Le test de variance n’est plus valable car nS
σ2
ne suit pas la loi χ2 , mais on a le
résultat suivant qui permet de tester m1 = m2 .

Résultat
Pour n1 , n2 assez grand, on peut quand même tester les moyennes m1 et m2
en appliquant la formule de Student que σ1 soit différent ou non de σ2 .

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 45 / 50

 Tests paramétriques Tests de comparaison d’échantillons indépendants

Test de comparaison de deux pourcentages

On considère deux échantillons de grandes tailles.
Soient n1 et n2 les tailles de ces échantillons, f1 et f2 les pourcentages des
individus présentant un certain caractère dans chaque échantillon et soient p1
et p2 les probabilités correspondantes. On a

 H0 : ”p1 = p2 ”
#
H1 : ”p1 ̸= p2 ”


On pose p1 = p2 = p et on propose comme estimateur de la proportion

commune la fréquence commune des 2 échantillons.
n1 f1 + n2 f2
f =
n1 + n2
la région critique est donnée par
|F1 − F2 |
q > k1−α/2
f (1 − f )( n11 + 1
n2 )

k est le fractile de la loi normale d’ordre 1 − α/2

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 46 / 50
 Tests paramétriques Tests de comparaison d’échantillons indépendants

Test de comparaison de deux pourcentages

Exemple 8
Un sondage effectué auprès de 2000 personnes indique que 19% d’entre
elles connaissent la marque de lessive Omopaic. Après une compagne
publicitaire, un sondage analogue auprès de 1000, autres, personnes montre
que 230 d’entre elles connaissent cette marque. Peut-on considérer que cette
compagne a été efficace ?

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 47 / 50

 Tests paramétriques Test de comparaison de deux échantillons dépendants

Cas de deux échantillons appariés

On considère un échantillon d’individus soumis à deux mesures successives

d’une même variable :
Question :les deux séries de valeurs sont-elles semblables ?
Soient X et Y les variables aléatoires associées à chaque série, on veut tester

 H0 : ”µ1 = µ2 ”
#
H1 : ”µ1 ̸= µ2 ”


La variable de décision est D̄ = X̄1 − X̄2 et la région critique est donnée par
√
|D̄| n − 1
|T | = > k1−α/2
Sd

où Sd2 /n est la variance de D̄ et T ∼ t(n − 1)

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 48 / 50

 Tests paramétriques Test de comparaison de deux échantillons dépendants

Cas de deux échantillons appariés

Exemple 9

On teste deux produits auprès d’un même échantillon de 5 consommateurs.

Chacun des consommateurs donne 2 notes, la première pour le produit A,
l’autre pour le produit B. On obtient le tableau suivant :
Produit A 13.3 10.1 8.5 6.9 3.7
Produit B 14.15 11.05 9.5 7.95 4.85

Est ce que les deux produits sont semblables ?

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 49 / 50

 Tests paramétriques Test de comparaison de deux échantillons dépendants

Cas de deux échantillons appariés

Exemple 9

Produit A Produit B |A − B| (A − B)2

13.3 14.15 0.85 0.7225
10.1 11.05 0.95 0.9025
8.5 9.5 1 1
6.9 7.95 1.05 1.1025
3.7 4.85 1.15 1.3225
Somme 5 5.05
p
donc√d̄ = 5/5 = 1 ; sd = 5.05/5 − 12 = 0.1 d’où
|t| = 0.14 = 20 > 2.78 =⇒ RH0

Pr. A. BELMAATI Modélisation statistique A.U. : 2025-2026 50 / 50