PSY 1004

Techniques danalyses en psychologie

Cours 6 : Tableaux de contingences et tests du 2

Table des matires
Section 1. Attribut moyen vs. rpartition d'attributs ...................................................................... 2
Section 2. Test non paramtrique sur les frquences ...................................................................... 2
2.1.

Structure du test ................................................................................................................ 3

Section 3. Tableaux de contingences et frquences marginales..................................................... 5

` crire une interprtation des donnes............................................................................................ 6
Section 4. Test sur la variance............................................................................................................. 9
a Postulats exacts vs. postulats asymptotiques .............................................................................. 11
Section 5. Conclusion ......................................................................................................................... 12
Exercices ....................................................................................................................................... 13
Lectures
Lecture suggre : Howell, chapitre 6, 6.1 6.7 inclusivement.
Objectifs
Pouvoir raliser un test sur des rpartitions dans une liste et dans un tableau avec des
marges. Pouvoir raliser un test sur la variance.

Cours 6. Tableaux de contingences et tests du 2

PSY 1004

Techniques danalyses en psychologie

Section 1. Attribut moyen vs. rpartition d'attributs

Pour faire des statistiques, il faut avant tout mesurer un attribut sur des individus.
Souvent par la suite, on rapporte la mesure de tendance centrale: la moyenne. Or certains
attributs ne se moyennent pas. Par exemple, lorsque l'on dit qu'il y a 30% de fumeurs, on ne
dit pas que l'individu moyen fume 30%. L'individu typique (si on entend par typique, qui
reprsente la majorit) ne fume pas. De mme, lorsqu'on rapporte que 50% des fumeurs
meurent du cancer du poumon, a ne veut pas dire que le fumeur typique est moiti mort
(quoique). Ces deux statistiques sont bases sur des mesures de type nominales (chelle de
type I). Comme on l'a vu au cours 1, une variable se mesure laide dune chelle soit
nominale, ordinale, relative ou absolue. Chacune de ces chelles permet des oprations
mathmatiques diffrentes. En psychologie, plus particulirement dans la recherche
descriptive, une grande partie des donnes (ex. le sexe, lorigine ethnique, etc.) provient des
variables classificatoires pouvant tre mesures uniquement par lchelle nominale .
Lorsque les donnes sont mesures sur des chelles de type I, la seule option possible est
de classifier les donnes (combien sont de tel sexe? combien sont albanais? etc.) puis de
compter le nombre de reprsentants dans chaque catgorie. Il est frquent aussi de rapporter
ces nombres en pourcentage. Cependant, dans les tests qui vont suivre, il faut utiliser la
valeur des effectifs, pas les pourcentages.
Section 2. Test non paramtrique sur les frquences
Lchelle nominale ne permet pas de tests statistiques aussi labors quune moyenne,
mais elle permet quand mme une comparaison entre les effectifs. La comparaison de ces
dcomptes permet de vrifier si les catgories sont reprsentes dans des proportions gales,
ou dans des proportions attendues.
Par exemple, lautomne 2000, le cours de statistique tait compos de 123 femmes et de
35 hommes. Puisquil sagit dun cours obligatoire, la rpartition de cet chantillon constitue
peut-tre un bon indice de la distribution des sexes dans le choix de cette profession. Une
question naturelle alors est de savoir si la psychologie attire galement les tudiants des deux
sexes. Puisque notre chantillon est compos dun total de 158 personnes, lhypothse nulle
dicte alors une rpartition attendue de 79 79 dans chaque catgorie.
On peut alors dresser un tableau des frquences observes (les effectifs) que lon note Oi
dans chacune des catgories i qui nous intressent (ici, deux catgories, hommes et femmes).
En parallle, on a aussi les valeurs attendues, notes ai. On note O en gras car il sagit dune
variable alatoire qui peut changer dun chantillon lautre, et a sans gras car il sagit dune
valeur prdite priori par notre hypothse. Concrtement, on obtient :
Hommes

Femmes

total

observ O

35

123

158

attendu a

79

79

158

Cours 6. Tableaux de contingences et tests du 2

PSY 1004

Techniques danalyses en psychologie

Un autre exemple dans lequel le nombre de classe est suprieur deux. Un journal
rapporte que durant la semaine prcdente, il sest produit 427 accidents de la route, rpartis
ainsi pour chaque jour de la semaine :
dim

lun

mar

mer

jeu

ven

sam

total

31

60

46

64

57

82

87

427

61

61

61

61

61

61

61

427

Encore ici, lhypothse que lon veux examiner est une rpartition gale des accidents au
cours des jours de la semaine. Donc, ai vaut 427 / 7 = 61.
2.1. Structure du test
Une approche est de tester si les carts entre les valeurs observes O et attendues a sont
significatives. Si nous utilisons cette approche et faisons la somme des carts, nous avons
cependant un gros problme, car nous avons vu (au cours 2) que la somme des carts donne
toujours zro. Une approche alternative est dutiliser la somme des carts mis au carr. De
cette faon, tous les carts deviennent positifs. Pour bien faire, on peut aussi pondrer lcart
observ par la valeur attendue ai. On obtient une formule gnrale pour valuer lcart aux
valeurs attendues :
(O i ai ) 2
i
ai
Maintenant, il est dmontr que O est normalement distribu quand leffectif observ
est raisonnablement grand. En effet, si ai est, disons, 5, on sattend observer aussi souvent 4
que 6 (symtrie), par pur hasard. De plus, il est dmontr que la variance dans le nombre
deffectifs dune classe dont le rsultat rel est ai est aussi de ai (cest dire quon sattend en
moyenne une diffrence de ai ). Autrement dit, la somme ci-haut est une somme de
scores z, des scores normaliss. Nous avons vu au cours 3 quelle est la distribution thorique
dune somme de scores normaliss, la 2. Nous avons tous les ingrdients pour construire un
test statistique.
a.1. Postulats
Le test est bas sur le postulat que les frquences observes Oi sont normalement
distribu et que chaque frquence attendue est suffisamment grande. Ici, on entend par
grande un ai > 5. Si vous prdisez des classes avec moins de cinq effectifs, vous devez alors les
regrouper pour que leffectif prdit de cette super classe dpasse 5.
a.2. Hypothses et seuil
Dans notre premier exemple, lhypothse nulle prdit une rpartition gale des hommes
et des femmes en psychologie. Nous pouvons alors crire :
H0 :Ohomme = Ofemmes
H1 :Ohomme Ofemmes
Cours 6. Tableaux de contingences et tests du 2

PSY 1004

Techniques danalyses en psychologie

Dans le cas des accidents automobiles, lide est la mme, mais la formulation formelle
plus longue :
H0 : Odim = 61 et Olun = 61 et Osam = 61
H1 : Odim 61 ou Olun 61 ou Osam 61
Notons quun test des frquences est ncessairement bidirectionnel car il ne peut pas
prvoir un effectif uniquement plus petit (ou uniquement plus grand).
Nous adoptons dans ces exemples un seuil usuel de 5%.
a.3. Chercher le test
Le test de frquence est de la forme :
(O i ai ) 2
> s ( )
Rejet de H0 si
ai
i
(O i ai ) 2
est distribue comme un 2 (nombre de classe 1). Dans notre
i
ai
exemple sur le sexe des futurs psychologues, le nombre de classes est 2, et donc la valeur
critique, aprs inspection dans la table, est s() = 3.841. Pour lexemple des accidents de la
route, il y a 7 classes, et la valeur critique est s() = 12.592.
o la valeur

a.4. Appliquer le test et conclure

Dans le premier exemple, nous trouvons :
2
(O i ai ) 2 (O hom me a hom me ) 2 (O femme a femme )
=
+
i
ai
a hom me
a femme

(35 79) 2 (123 79) 2 44 2 44 2

=
+
=
+
= 49.01
79
79
79
79
ce qui confirme ce que tous le monde sait dj: la rpartition des gars et des filles nest pas
gale en psychologie.
Dans le second exemple, on obtient, aprs un calcul similaire, la valeur 37.18. Comme
cette valeur est suprieure la valeur critique 12.592, on rejette H0 et conclut que la
rpartition des accidents nest significativement pas quivalente dun jour lautre, et ce, avec
un seuil de confiance de 5%. Puisqu'il existe au moins une diffrence, on peut mentionner la
plus grande diffrence dans le tableau comme tant significative: il y a significativement plus
d'accidents les samedis que les dimanches.
Prcisons que dans les exemples ci-haut, nous prdisions une rpartition gale. Ce nest
pas forcment notre hypothse nulle. Une hypothse qui prdit des valeurs attendues ai est
tout aussi possible, et est teste de la mme faon que ci-haut.

Cours 6. Tableaux de contingences et tests du 2

PSY 1004

Techniques danalyses en psychologie

Section 3. Tableaux de contingences et frquences marginales

Supposons que dans ltude prcdente sur la rpartition des sexes en psychologie, nous
ayons aussi mesur lattitude face la psychologie (soit favorable ou dfavorable). Nous
obtenons de faon gnrale que 63 personnes sur lchantillon de 158 sont favorables lusage
des statistiques en psychologie, soit un pourcentage de prs de 40%. On peut se poser la
question savoir si cela est aussi vrai des hommes que des femmes. Heureusement, lors de la
collecte des donnes sur cette deuxime question, nous avons aussi linformation sur le sexe,
ce qui permet dtablir le tableau suivant, quon appelle un tableau de contingence :
Femme

Homme

Total

Favorable

30

(49)

33

(14)

63

Dfavorable

93

(74)

(21)

95

Total

123

35

158

Des marges du tableau, nous obtenons linformation prcdente que les femmes sont
nettement majoritaires dans le dpartement de psychologie. De lautre marge, nous obtenons
linformation que prs de 40% sont favorables la psychologie. Est-ce quil en va de mme
pour les hommes, pour les femmes prises sparment.
Lhypothse nulle, qui dit que 40% des femmes sont favorables la statistique prdit
donc que 0.40 123 donne le total de femmes favorables, soit 49. Inversement, 0.60 123
donne 74 femmes dfavorables. Chez les hommes, 0.40 35 donne 14 alors que 0.60 35
donne 21 hommes dfavorables. Nous avons mis ces valeurs entre parenthses dans le
tableau ci-haut. Comme on le voit, il semble exister des dviations importantes (surtout chez
les hommes dfavorables). Peut-on tester formellement cette intuition? Le test du 2 sutilise
aussi avec plusieurs variables classificatoires.
a.1. Postulats
Le test est bas sur le postulat que les frquences observes Oij sont normalement
distribues et que chaque frquence attendue est suffisamment grande. Ici, on entend par
grande un aij > 5. Si vous prdisez des classes avec moins de cinq effectifs, vous devez alors
les regrouper pour que leffectif prdit de cette super-classe dpasse 5.
a.2. Hypothses et seuil
Dans notre exemple, lhypothse nulle prdit une rpartition gale des attitudes des
hommes et des femmes en psychologie. Nous pouvons alors crire :
H0 :Oattitude|homme = Oattitude|femmes = Oattitude
H1 : Oattitude |homme Oattitude |femmes
o la barre verticale | se lit tant donne . Autrement dit, le sexe ninfluence pas lattitude
de la personne face la statistique. Lors du cours sur les ANOVA, nous parlerons dune
"absence dinteraction" entre le sexe et lattitude. Une faon plus courte de noter les
hypothses est:
Cours 6. Tableaux de contingences et tests du 2

PSY 1004

Techniques danalyses en psychologie

H0: Pas d'interaction entre le sexe et l'attitude
H1: Interaction entre le sexe et l'attitude

Nous adoptons dans cet exemple un seuil usuel de 5%.

a.3. Chercher le test
Le test de frquence est de la forme :
Rejet de H0 si
j

o la valeur

(O ij aii ) 2
aij

(O ij aii ) 2
aij

> s ( )

est distribue comme un 2( (nombre de classe i 1) (nombre

de classe j 1) ). Nous avons d utiliser une double somme car il faut faire la somme pour les
deux lignes (attitudes favorable et dfavorable) et pour les deux colonnes (hommes et
femmes). Dans notre exemple sur le sexe et l'attitude des futurs psychologues, le nombre de
colonne est 2 et le nombre de ligne, 2 aussi. On utilise donc (2 1) (2 1) = 1 degr de libert
pour rechercher la valeur critique. Elle est, aprs inspection dans la table, s() = 3.841.
a.4. Appliquer le test et conclure
Nous trouvons :

(O ij a ii ) 2
a ij

(O HF a HF ) 2 (O HD a HD ) 2 (O FF a FF ) 2 (O FD a FD ) 2
=
+
+
+
a HF
a HD
a FF
a FD
(33 14) 2 (2 21) 2 (30 49) 2 (93 74) 2
+
+
+
14
21
49
74
361 361 361 361
=
+
+
+
= 55.22
14
21
49
74
=

ce qui montre que les gars ont une attitude significativement diffrentes des filles face aux
statistiques (2 (1) = 55.22. p < .05). Les hommes tendent tre plus favorables aux statistiques
( plus de 90%) alors que l'inverse est vrai pour les femmes, seulement 25% d'entre elles
montrant une attitude favorable aux statistiques.
` crire une interprtation des donnes
L'criture d'une interprtation des rsultats n'est pas chose aise. D'un ct, tout un
travail de statistique a t ralis. Or celui qui va lire votre recherche n'est pas un statisticien
mais un psychologue. Vous devez expliquer les rsultats en termes accessibles et significatifs

pour votre lecteur. Il est probable que H0, , X , etc. ne feront qu'garer votre auditoire. D'un
autre ct, pour des raisons de crdibilit, vous ne pouvez pas faire d'affirmations gratuites.
toutes les fois que vous rapportez une diffrence ou un effet, vous devez mettre dans votre
rapport des signes linguistiques qui disent en substance "je n'affirme pas cela gratuitement,
j'ai pos mes hypothses et fait le test statistique appropri, et l'effet est significatif ou pas."
Cours 6. Tableaux de contingences et tests du 2

PSY 1004

Techniques danalyses en psychologie

Ces signes linguistiques sont les mmes dans peu prs toutes les disciplines
scientifiques: (1) l'utilisation du mot "significativement", (2) l'inclusion du rsultat du test
entre parenthses, suivi du seuil suivant cette criture trs stricte: "(nom-de-la-stat( degrs
de libert, s'il y a) = rsultat, p < seuil )" si le test est significatif. S'il n'est pas significatif, il
faut aussi rapporter la statistique, mais cette fois, "p > seuil )". Le signe plus petit signifie
que la probabilit d'obtenir ce rsultat par pur hasard est plus petit que , ce qui veut dire
qu'on a rejet H0.
Voici un petit exemple qui reprend la rpartition des sexes en psychologie de la section
1. Je suppose que le chercheur, un tudiant de matrise, tient un cahier, une sorte de journal
personnel dans lequel il note ses observations et commentaires (en physique, l'usage du
cahier est obligatoire). Voici ce qu'il note dans son cahier:
[1 nov 02]
Ne me reste plus que trois semaines pour trouver un projet
[20 nov 02]
Le sexe des aspirants psychologues, a stune bonne ide! Ca peut
tre super utile. Lasso va pouvoir prvoir plus exactement le
nombre de caisses de bire commander au party de fin danne.
Pis si ya moins de gars que de filles, la corpo pourrait faire des
campagnes de recrutement mieux cibles. Cest cool!
[21 nov 02}
Zut, le dpartement ne veut pas me donner les listes des tudiants.
Jpeux quand mme pas faire un recensement complet moi-mme.
Jvais collecter un chantillon. O?
Le cours de stats commence 13h00. Ctun cours obligatoire,
il devrait tre rprsentatif.
[21 nov 02, 12h45]
Dcompte de ceux qui entrent :
homme (code 1):
femme (code 2):
Total : homme 35,

femme 123

[21 nov 02, 13h30]

Ca ben lair quil a plus de filles. Ctu significatif? Voyons
H0 :Nbre gars = Nbre fille = la moiti (123+25/2 = 79)
H0 : #gars = #filles = 79

H1 : #gars 79, #filles 79.

Cest pas des moyennes, cest des effectifs test du chi2 avec rp. gale.

Ltudiant entre dans un fichier sexe.dat, que lon voit dans la Figure 1 puis excute la syntaxe
suivante :

Cours 6. Tableaux de contingences et tests du 2

PSY 1004

Techniques danalyses en psychologie

Figure 1 : Donnes de lexprience sur le sexe des futurs psychologues

o
o

data list file="C:\windows\bureau\sexe.dat" list

/sexe nbre.

weight by nbre.

npar test

/chisqu=sexe(1,2)

/expected=equal.
Il obtient le listing de la Figure 2 qu'il agrafe dans son cahier:

Chi-Square Test
Frequencies
SEXE
Category Observed N Expected N Residual
1
1.00
35
79.0
-44.0
2
2.00
123
79.0
44.0
Total
158
Test Statistics
SEXE
Chi-Square
49.013
df
1
Asymp. Sig.
.000
a 0 cells (.0%) have expected frequencies less than 5. The
minimum expected cell frequency is 79.0.

Figure 2 : Listing produit pas SPSS

Voici ce qu'il crit dans son rapport de recherche:
[Mthode]
tant donn qu'il n'existe pas de listes d'inscrits accessible,
nous avons procd la collecte d'un chantillon reprsentatif
d'tudiants de psychologie l'universit de Montral. L'chantillon
est bas sur l'assistance au cours PSY 1004, un cours obligatoire
pour tous les tudiants de premire anne.
[Interprtation des rsultats]
Cours 6. Tableaux de contingences et tests du 2

PSY 1004

Techniques danalyses en psychologie

Se trouvait prsent 35 hommes et 123 femmes. Il semble qu'il y

ait presque 4 fois plus de femmes que d'hommes en psychologie, ce qui
est significativement diffrent d'une rpartition gale (2(1) =
49.01, p < .05).
Il se peut que notre chantillon ne soit pas absolument
reprsentatif. Premirement, il s'agit d'une classe de premire
anne. Peut-tre que la rpartition tend s'homogniser au fur et
mesure que les tudiants progressent dans leurs tudes. De plus,
l'chantillon a t pris en fin d'anne scolaire. Le taux
d'absentisme est peut-tre plus grand pour les hommes que pour les
femmes cette priode de l'anne.
Comme on peut le voir, part l'utilisation du mot "significativement" et la prsence de
la parenthse, il n'y a aucune rfrence au travail de statistique dans le rapport final. Ca peut
donner une impression que la statistique est ngligeable en psychologie. Il n'en est rien. Si
l'tudiant avait crit entre parenthse "(t(177) = 4.23, p > .05)", le travail aurait t srement
refus et l'tudiant contraint de recommencer (ou pire, exclu des tudes suprieures).
Section 4. Test sur la variance
Le dernier test que nous prsentons dans cette section est un test de la variance. Plus
prcisment, il sagit uniquement dun test qui permet de savoir si la variance est telle
quattendue (selon notre hypothse). Par exemple, soit un chantillon de 40 sujets o nous
observons une variance non biaise de 1200 units au carr. Supposons que nous ayons une
thorie qui prdit que la variance devrait tre de 1000. Est-ce que la prdiction faite par cette
thorie est rejete?
Dans la pratique courante de la recherche, il est plutt rare de voir une thorie qui fait
des prdictions sur la variance. Il en existe, et en gnral, ce sont les plus compltes (car elles
font aussi des prdictions sur la moyenne), mais elles se comptent sur le bout des doigts.
Nanmoins, le test dvelopp ici est la base de lANOVA, le test statistique le plus utilis
pour distinguer des moyennes. Il est donc important de saisir la provenance de ce test, ce que
nous voyons ici.
Examinons un peu la variance dun chantillon. Si nous faisons des manipulations
algbriques, nous avons (dans la suite, nous ne mettrons pas ltiquette "n - 1") :
2

X =

1
( X i X) 2
n 1 i

Or,
( X i ) 2 = [( X i X) + ( X )] 2
= ( X i X) 2 + 2( X i X)( X ) + ( X ) 2

Il sensuit que

Cours 6. Tableaux de contingences et tests du 2

PSY 1004

Techniques danalyses en psychologie

(X

) 2 = ( X i X) 2 + 2 ( X i X)( X ) + ( X ) 2
i

= ( X i X) + 2( X ) ( X i X) + ( X ) 2
2

= ( X i X) + 0 + n( X )
2

(X
i

X) = ( X i ) 2 n( X ) 2
2

(on se rappelle que la somme des carts la moyenne donne toujours zro cours 2). Si lon
divise les deux cts par 02 , o 02 est la variance prdite par la thorie,
1

2
0

(X

X) 2 =

2
0

(X

)2

(X i ) 2

02

2
0

(X ) 2

(X ) 2
02 n

(X i X) est gale (n 1) 2 , soit un ratio de la

02 i
0
valeur de la variance obtenue de notre chantillon divise par la variance attendue multipli
par (n - 1). Si notre hypothse est vraie, les deux variables sont gales, et le ratio donne 1.
Donc, la partie de gauche devrait donner une valeur proche de (n 1).
Maintenant, la partie de gauche

La partie de droite, si on regarde attentivement est a) une somme de scores bruts

normalis plus b) une moyenne dchantillon normalise par son erreur type. Si vous vous
rappelez de votre cours 3, on voit que a) est un 2 avec n degrs de libert et que b) est 2 avec
un seul degr de libert (il ny a quun terme). Ceci signifie que la partie de gauche, contenant
les lments de notre hypothse (variance observe et variance prdite) est distribue comme
une 2 avec n 1 degrs de libert. Il ne nous en faut pas plus pour faire un test statistique.
Le test peut tre unidirectionnel ou bidirectionnel.
a.1. Postulats
Le test de la variance est bas sur le postulat que les donnes brutes Xi sont
normalement distribues. Il sagit dun postulat fort, car il ne porte pas sur la moyenne, mais
sur chaque donne brute (on ne peut pas faire appel au thorme central limite ici). Dans les
faits cependant, le test semble assez rsistant (si n >>), de telle faon que pour des donnes
approximativement normales, les conclusions sont encore valables.
a.2. Hypothses et seuil
Dans notre exemple, lhypothse nulle prdit que la variance relle de la population est
donne par 02, une valeur dcide a priori par notre thorie. Nous pouvons alors crire :
H0 :2 = 02
H1 : 2 02

Cours 6. Tableaux de contingences et tests du 2

10

PSY 1004

Techniques danalyses en psychologie

Comme toujours, nous choisissons dans notre exemple un = 5%. La distribution du 2

n'est pas symtrique; il faut donc trouver deux bornes, une infrieure s-(/2) et une suprieure
s+(/2).
a.3. Chercher le test
Le test de la variance est de la forme :

Rejet de H0 si (n 1)

o la valeur (n 1)

02

> s+(/2) ou (n 1)

02

< s-(/2)

2
0

~ 2( n - 1). Les valeurs critiques sont: s+(/2) = 56.895 et s-(/2) = 22.878

avec 38 degrs de libert (car 39 nest pas tabul). La figure qui suit montre les deux seuils.

0.04
0.03
0.02

2.5%

0.01

10

2.5%

20

30

40

50

60

70

Figure 4 : Placement des valeurs critiques s-( /2) et s+( /2) sur la distribution 2 .
a.4. Appliquer le test et conclure
Le test devient:

(n 1)

2
0

= (40 1)

1200
= 46.8
1000

La valeur obtenue de notre chantillon ntant pas plus grande que la valeur critique, on ne
rejette pas H0; la variance observe est compatible avec la prdiction du modle.
a Postulats exacts vs. postulats asymptotiques
Certaines distributions sont bases sur le postulat que n >> alors que d'autres sont
bases sur une taille n donne. On appelle le premier type de postulat un postulat
asymptotique. La distribution normale, telle que dfinie dans la thorie des erreurs de Gauss,
est base sur un nombre de facteur n non spcifi mais grand. Il s'agit donc d'une thorie
base sur un postulat asymptotique. La distribution de Weibull est aussi base sur un
postulat asymptotique puisque le nombre de comptiteurs n est non spcifi mais doit tre
Cours 6. Tableaux de contingences et tests du 2

11

PSY 1004

Techniques danalyses en psychologie

grand. l'oppos, la distribution binomiale est base sur un n prcis (il faut connatre le
paramtre n pour lire dans la table B(n, p) ); il s'agit d'un postulat exact.
Les distributions asymptotiques sont plus difficiles dmontrer (le thorme central
limite pris 100 ans dmontrer; le cas gnral pour la Weibull a t prouv en 2002 par moimme). Cependant, ils sont beaucoup plus simples d'utilisation puisqu'on n'a pas connatre
la valeur de n. De plus, les postulats asymptotiques peuvent tre utiliss pour rejeter des
thories de la pense. En effet, comme on ne connat pas le nombre de neurones dans le
cerveau (ou trs approximativement), une thorie de l'esprit ne peut pas tre btie sur un
nombre n de neurones (ou de synapses, selon ce qui sera le plus pertinent).
Voici deux exemples de thorie du fonctionnement cognitif qui font appelle des
arguments asymptotiques: (1) Les rseaux connexionnistes classiques fonctionnent en simulant
un grand nombre de "neurones" qui peuvent, aprs des stimulations, accrotre ou rduire
leurs connections rciproques. Les premiers neurones peuvent tre connects une camra et
les derniers un bras robot. Les connexions de ces neurones simplifis sont donc des
"facteurs" affectant la rponse, ils sont en grand nombre, et peu prs autant excitateur
qu'inhibiteur. Or, suivant la thorie des erreurs de Gauss, il faut que les rponses de ce
systme soit distribues de faon normal (argument asymptotique utilisant le thorme
central limite). Cependant, quand on enregistre les temps de rponse des humains, ils ne sont
jamais symtriques autour du temps de rponse moyen, ce qui invalide le modle normal, et
donc, les rseaux connexionnistes classiques (rejet de H0).
Les rseaux de courses postulent plutt que les neurones vont ragir aussitt qu'un
rcepteur sensoriel ou un neurone antcdent s'active. Il s'agit donc d'un modle de course (le
plus rapide envoie son signal en premier). En utilisant un argument asymptotique, le modle
prdit est la distribution de Weibull qui prdit que les temps de rponse sont asymtriques,
tout comme ceux qu'on observe. Le modle de course n'est donc pas rejet (non rejet de H0).
Section 5. Conclusion

Cours 6. Tableaux de contingences et tests du 2

12

PSY 1004

Techniques danalyses en psychologie

Exercices
1. Un chercheur fait une tude auprs de
deux petits groupes dtudiants
(littrature et optomtrie). Il sintresse
la variable Qualit de vie quil
mesure suivant le revenu annuel.
Lequel, parmi les tests suivant, doit-il
raliser?
a) Test z
b) Test sur la mdiane
c) Test t
d) Test 2
2. En une heure, les nombres dutilisateurs
de 6 guichets automatiques sont les
suivants : 12, 32, 21, 41, 67, 37. Vrifiez
que ces guichets sont uniformment
visits sur la base de votre chantillon
avec un seuil de dcision de 0.01.
3. Un nouveau vaccin a t test sur 150
enfants, dont 70 dans un groupe
contrle. Six enfants traits sont
malades contre 25 dans le groupe
contrle. Choisissez un seuil et vrifiez
lefficacit du vaccin.
4. Un candidat la mairie de Montral
demande un sondage. Effectu auprs
de 111 hommes et 133 femmes, il rvle
que 49 personnes sont contre lui alors
que 171 lui sont favorables, et 24
incertaines. Parmi les femmes, ces
nombres deviennent 35 contre, 80 pour.
Est-ce que le candidat peut compter
galement sur les hommes et les
femmes pour tre lu?
5. Un journal rapporte le nombre de
meurtres commis Montral au cours
des annes 1984 1989 : 34, 27, 41, 25,
18, 35. Vrifiez lhypothse dune
rpartition gale avec un seuil de 5%.
Cours 6. Tableaux de contingences et tests du 2

6. Un sondage effectu auprs des 12

employs dun bureau rapporte que 4
dentre eux ont une opinion favorable
envers leur nouveau patron, 5 sont
dfavorables, et 3 restent neutres. Les
opinions se rpartissent-elles
galement? (Attention la pogne)
7. Au cours dune recherche, vous avez
mesur la taille de 300 universitaires
qubcois. Vous voulez vrifier si les
donnes de cette variable se distribuent
normalement (seuil de 1%). Pour cela,
vous devez : a) tablir une distribution
de frquences parti des tailles
observes (tableau donn ci-bas), et b)
dresser un tableau des valeurs
attendues si la distribution est belle et
bien normale. La moyenne de votre
chantillon est 1.625 m avec un cart
type non biais de 7.0 cm.
Tailles

Observes

Attendues

1.45-1.50

10

1.50-1.55

28

1.55-1.60

67

1.60-1.65

84

1.65-1.70

65

1.70-1.75

34

1.75-1.80

12
300

300

8. Une compagnie observe que les ventes

du dernier mois se rpartissent comme
suit dans leurs 5 commerces : 81, 84, 75,
78, 82, en K$. Doit-elle fermer une
boutique (seuil de 1%)?

13