TESTS D’HOMOGENEITE ET D’ADEQUATION

I – TESTS D’HOMOGENEITE
Les tests d’homogénéité sont destinés à comparer deux populations à l’aide d’un
nombre équivalent d’échantillons. On peut aussi comparer deux échantillons tirés d’une
même population mère et chercher à répondre à la question de savoir si les résultats obtenus à
partir de deux échantillons issus d’une même population diffèrent significativement ou non.

1 – Comparaison de deux moyennes

Considérons que l’on a deux échantillons de tailles n1 et n2 tirés de deux populations

de moyennes  et   et d’écart-types  et   respectivement.

L’hypothèse nulle est basée sur le fait que les deux moyennes sont égales et donc leur
différence est nulle. H 0  : "     "
Le test peut être bilatéral ou unilatéral.
Pour des populations normales ou ayant des effectifs supérieurs ou égaux à 30 la
statistique d’échantillonnage qui est la différence des moyennes d’échantillons suit une loi

 2  2
normale de moyenne     et de variance 
n1 n2

En considérant que pour les deux échantillons on a les caractéristiques (m1 ,  1 ) et

m1  m2
te 
(m2 ,  2 ) ,  2  2 et les règles de décision sont analogues à celles vues avec le test

n1 n2

de conformité.:
NB. :  et   n’étant pas généralement connu on prend leurs estimation ponctuelles.

Exemple 1 :Sur deux échantillons de tailles respectives 50 et 60, les mesures ont données une
moyenne de 21 et un écart-type de 1,2 pour le premier échantillon et une moyenne de 21,1 et
un écart-type de 1,8 pour le deuxième échantillon. Peut-on considérer que ces deux
échantillons sont issus d’une même population au seuil de risque de 1%, de 5% ?

Page 1 sur 4
 2 – Comparaison de deux pourcentages
Par analogie à ce qui précède, considérons que l’on a deux échantillons dont les

caractéristiques sont (n1 , f1 ) et (n2 , f 2 ) . On suppose que n1 f1 et n2 f 2 sont supérieurs à 10.

L’hypothèse nulle est basée sur le fait que les deux fréquences sont égales et donc leur
différence est nulle
H 0  : " f1  f 2 "

f 2  f1
te 
Dans ce cas f1 (1  f1 ) f 2 (1  f 2 ) et les règles de décision sont analogues à

n1 n2

celles du test sur les moyennes  

Exemple 2 :
On veut tester l’impact des travaux dirigés dans la réussite à l’examen de statistique/ On a
recueillis pour cela les données suivantes :

Groupe 1 Groupe 2
Nombre d’heures de TD 20 30
Nombre d’étudiants admis 180 150
Nombre d’étudiants non 126 129
admis

Que concluez-vous au seuil de risque de 5% ?

3 Tests relatifs aux relatifs aux petits échantillons : cas des moyennes
Dans les tests précédents on suppose que la taille des échantillons est supérieure ou
égal à 30 individus (ou que la population est normale). Lorsque ce n’est plus le cas (n<30), la
statistique d’échantillonnage suit une loi de Student.
Considérons que l’on a deux échantillons de tailles n1 et n2 tirés de deux populations

normales, de moyennes  et   et de même écart-type     .

L’hypothèse nulle est basée sur le fait que les deux moyennes sont égales et donc leur
différence est nulle.

Page 2 sur 4
   
Dans ce cas la statistiques d’échantillonnage  12  22 suit une loi de Student

n1 n2

  n1  n2  2 degrés de liberté et le test peut être bilatérale ou unilatéral.

m1  m2
te  n1 s12  n2 s22
Pour la mise en œuvre du test on calcule 1 1 où s  est une
s  n1  n2  2
n1 n2

estimation ponctuelle de  dans ce cas.

Les règles de décision sont les mêmes que précédemment :
Exemple 3 : On veut tester un nouveau produit fertilisant sur une production agricole.
Sur 24 parcelles d’une même aire, 12 ont été traitées et 12 non. Les rendements
moyens constatés sur les deux échantillons sont respectivement de 70 t/ha avec un
écart-type de 4,9 t/ha pour les parcelles fertilisées et 65 t/ha avec un écart-type de 5,4
t/ha pour les autres. Peut-on conclure à une amélioration significative du rendement
avec le fertilisant aux niveaux de signification de 1% et 5%

II – Test d’adéquation : Test du 2 (« khi 2 »)

Il sert à tester si une variable aléatoire X connue à travers des mesures
effectuées sur un échantillon de taille n ( n  25 ) suit une loi de probabilité L
donnée.
On suppose que les valeurs ou mesures obtenues sont réparties en k classes xi
. Pour une classe xi , on a son effectif observé ou expérimental ei et son
effectif théorique t i prédit par la loi L avec impérativement que k  5 , ei  5
et t i  5 .
Test et Règle de décision :
On teste l’hypothèse H 0  : «La loi  L est valable pour décrire les résultats
d’expérience ».
Pour la mise en place du test, on procède comme suit :
i) On se donne un niveau de signification  ou niveau de confiance
1   (s’il n’est imposé)
ii) On calcule les effectifs théoriques t i prédits par la loi L et ensuite la
(e i  t i ) 2
k

valeur de   
2
0
i 1 ti
Si pour une classe donné un au moins de ses deux effectifs est
strictement inférieure à 5 alors on fusionne cette classe avec la classe
Page 3 sur 4
 voisine pour former une nouvelle classe en additionnant leurs effectifs
respectifs. Le nombre initial de classe est ainsi réduit et on veillera à ce
que le nombre définitif de classes ne soit pas inférieur à 5.
iii) On évalue le degré de liberté   k  1  m
k est le nombre définitif de classes
m est le nombre de paramètres de la loi L
iv) On calcule la valeur limite  c2 de la zone d’acceptation de H0 par la
relation P(  2   c2 )   ou P (    c )  1  
2 2

Règle de décision :
Si  0   c alors H 0 est acceptée au niveau de signification 
2 2

Si  0   c alors est rejetée au niveau de signification 

2 2
H0

Exemple 4 :
Les données suivantes représentent le nombre de retards de plus de 10 min au
départ des bus d’une société de transport, observés sur 1000 jours.

Nombre de retards xi
0 1 2 3 4 5 Plus de
5
Nombre de jours ni
250 316 254 112 58 10 0

Tester l’hypothèse selon laquelle cette variable aléatoire suit une loi de Poisson
de paramètre  au seuil de risque de 5%

Page 4 sur 4