Statistique Mathématique

Nadia BOUSSAHA
Département de Recherche Opérationnelle
Faculté de Mathématiques,
Université des Sciences et de la Technologie Houari Boumediene,
(USTHB)

2021-2022
Table des matières

Introduction Générale 2

1 Échantillons et statistiques 3
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Échantillonnage et représentativité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Avantages de l’échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Méthodes d’échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Échantillonnage raisonné : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2 Échantillonnage aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.3 Échantillonnage strati…é . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.4 Échantillonnage par grappes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5 Notions fondamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.1 Mesure et moments empiriques . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.2 Statistiques d’ordre et fonction de répartition empirique . . . . . . . . . . . . . . 12
1.6 Modèle statistique et statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7 Problèmes classiques de statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.8 Notion d’exhaustivité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.9 La famille exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.9.1 La famille exponentielle et l’exhaustivité . . . . . . . . . . . . . . . . . . . . . . 22

2 Estimation ponctuelle 23

1
Introduction Génarale

Le mot statistique désigne à la fois un ensemble de données et l’activité qui consiste à les recueillir,
les traiter et les interpréter. Faire de la statistique c’est étudier un ensemble d’objets équivalents appelés
individus ou unités statistiques, sur lesquels on observe des caractéristiques appelées variables.
La démarche statistique
Statistique descriptive : Son but est de synthétiser, résumer l’information contenue dans les données.
Elle utilise les tableaux statistiques et les représentations graphiques.
Statistique inférentielle : Son but est d’étendre les propriétés constatées sur l’échantillon à toute la
population et valider des hypothèses a priori. Elle repose sur la théorie des probabilités. Des notions
comme la mesurabilité ou la convergence en loi y sont souvent utilisées. Mais il faut distinguer la
statistique en tant que discipline et la statistique en tant que fonction des données.
L’inférence statistique est le processus consistant à utiliser des données pour déduire la distribution
qui a généré les données. Une question d’inférence statistique typique est :
Étant donné un échantillon X1 ; :::; Xn F , comment déduire F ?
Dans certains cas, nous voudrons peut-être déduire uniquement certaines caractéristiques de F telles
que sa moyenne (problème d’estimation –› Chapitre 2 et 3), et ça, en général, dans le but de prendre
des décisions tout en contrôlant au mieux le risque d’erreur (problème de test –› Chapitre 4). La notion
d’échantiollon et de modèle statistique sont discutés dans le premier chapitre.

2
Chapitre 1

Échantillons et statistiques

1.1 Introduction

Dans une étude statistique, un dénombrement complet de la population est très souvent pratique-
ment impossible, soit parce que la population totale est inconnue, soit parce qu’elle comprend beaucoup
trop d’individus pour qu’une telle étude soit complètement réalisable. Toutefois, le but d’une étude sta-
tistique est d’obtenir des connaissances sur l’ensemble de la population. Or, si une étude sur l’ensemble
de la population est di¢ cilement envisageable, il nous faut malgré tout trouver d’autres moyens pra-
tiques d’y parvenir. Un moyen e¢ cace est de se limiter à une partie (échantillon) de la population de
référence. La question la plus importante, qu’on peut poser à ce stade, est de savoir comment obtenir un
échantillon fournissant le maximum d’informations et de renseignements les plus précis que possible sur
la population, et ceci au moindre coût. Le concept de la théorie de sondage ou encore l’échantillonnage
(en anglais sampling theory) prend en charge de cette tâche qui est très importante.
Un échantillon qui répond aux besoins du statisticien doit donc avoir, quelques propriétés et ca-
ractères essentiels a…n d’assurer la validité et la qualité des conclusions qui découlent de ces analyses
statistiques. On note qu’il y a plusieurs méthodes et techniques d’échantillonnage fréquemment utilisées
en statistique, dont la plus courante est l’utilisation des tables de nombres aléatoires. Le but de ce
cours est de donner une idée générale sur les propriétés de l’échantillon fourni par ces

3
techniques et non pas sur les techniques elles mêmes, néanmoins on donne un bref aperçu sur
ces techniques. On ne s’intéressera pas, dans ce cours, aux problèmes intéressants, délicats et compliqués
liés à l’établissement des plans de sondage ni à l’environnement adéquat à la collecte d’un échantillon
qui répond à certaines exigences et propriétés théoriques.
Dans un problème statistique typique, nous avons une variable aléatoire X d’intérêt, mais sa densité
f ou sa distribution F n’est pas connu. Notre ignorance sur f ou F peut être classée de deux manières :

1. f ou F est complètement inconnu.

2. La forme de f ou F est connue jusqu’à un paramètre , où peut être un vecteur.

Dans une démarche statistique, nos informations sur la distribution inconnue de X ou les paramètres
inconnus de la distribution de X proviennent d’un échantillon sur X. Les observations de l’échantillon
ont la même distribution que X, et nous les désignons comme les variables aléatoires X1 ; X2 ; :::; Xn ,
où n désigne la taille de l’échantillon. Souvent, les fonctions de l’échantillon sont utilisées pour résu-
mer l’information contenue dans un échantillon. Celles-ci sont appelées statistiques. Un estimateur du
paramètre d’intérêt est une statistique.
Dans ce chapitre nous présentons les concepts d’échantillons et de statistiques.

1.2 Échantillonnage et représentativité

L’utilité de l’échantillonnage peut être illustrée par l’exemple suivant. Un jardinier possède deux
millions de graines pratiquement identiques, qui donnent soit des ‡eurs blanches, soit des ‡eurs roses.
Ce jardinier désire connaitre d’avance le pourcentage de ‡eurs blanches que ces deux millions de graines
produiront, a…n d’être en mesure de les vendre sans tromper ses clients. Nous voyons d’emblée que s’il
veut être absolument certain du type de ‡eurs produit, il sera obligé de semer toutes les graines a…n
d’observer le nombre de ‡eurs blanches et de ‡eurs roses. Or, s’il procède de cette manière, il n’aura plus
aucune graine a vendre ! Dans ces conditions, la solution réaliste est d’e¤ectuer un échantillonnage.
Ainsi, le jardinier prélèvera un échantillon bien choisi de quelques graines parmi les deux millions de
graines disponibles, il les sème et observe le nombre de ‡eurs blanches et de ‡eurs roses. Sur la base de
ses observations, il fera une estimation du nombre de ‡eurs blanches et de ‡eurs roses parmi les deux
millions de graines.
Dans ce genre de raisonnement, on généralise (on fait l’inférence) à l’ensemble de la population, les
connaissances acquises sur la base de quelques observations. Ce type de raisonnement est appelé raison-
nement inductif. On ne peut pas être absolument certain de notre prédiction, puisqu’on ne considère
qu’une fraction seulement de la population totale, aussi surgira-t-il généralement un écart entre les ob-
servations faites sur l’échantillon et celles e¤ectuées sur la totalité de la population. Mais si l’échantillon
est choisi de façon scienti…que, il est possible de faire une évaluation probabiliste, c’est-a-dire d’indiquer
dans quelle mesure, ou avec quelle marge d’erreur le résultat obtenu à partir de l’échantillon est valable
pour l’ensemble de la population.

4
 A…n que les conclusions tirées à partir de l’échantillon soient également valables pour la population,
il est essentiel que les éléments de l’échantillon soient représentatifs de la population dans un vœu
précis de représentativité. Cette notion de représentativité est essentielle quant au choix de la méthode
d’échantillonnage. Il est très di¢ cile, voire impossible de choisir un échantillon qui soit tout a fait
représentatif de la population. Parfois, même pour des raisons d’e¢ cacité, la représentativité n’est
recherchée qu’à deux niveaux …xes de l’échantillon, par exemple, dans les states. D’ailleurs, il serait
faux de croire que les résultats obtenus à partir d’un échantillon posséderont exactement les mêmes
valeurs que les caractéristiques de la population correspondante. Il faut donc accepter une certaine
marge d’erreur, d’imprécision due a l’échantillonnage. À partir des résultats de l’échantillon, il est
possible d’évaluer l’erreur commise et donc de déterminer la précision de l’estimation.
Il faut remarquer que le résultat obtenu à partir d’un échantillon est parfois presque aussi précis
que celui d’une étude complète de la population. Il est même possible que les résultats obtenus a partir
de l’échantillon soient plus précis que ceux obtenus à partir d’une étude complète de la population, car
en pratique, à part les erreurs d’échantillonnage, d’autres erreurs a¤ectent les résultats statistiques, ces
erreurs non échantillonnales pouvant être plus importantes lors de recensements que lors d’enquêtes par
échantillons.

1.3 Avantages de l’échantillonnage

–Impossibilité d’étudier toute la population lorsqu’elle est in…nie.

–Le coût : Le choix d’un échantillon est de moindre coût qu’un recensement.
–Le temps : la rapidité nécessaire de certaines prises de décisions empêche le recours à un recense-
ment.
–Un échantillon peut ainsi produire des résultats plus exacts que ceux qui seraient obtenus à partir
d’un recensement.

1.4 Méthodes d’échantillonnage

On distingue deux grandes catégories de méthodes d’échantillonnage :

- L’échantillonnage par choix raisonné (non-probabiliste) ;
- L’échantillonnage aléatoire (probabiliste),
- L’échantillonnage par simulation (L’échantillonnage arti…ciel).

5
1.4.1 Échantillonnage raisonné :

Lorsque l’on ne maîtrise pas la liste des éléments de la base de sondage, on utilise une méthode
d’échantillonnage empirique (nonprobability sampling) pour laquelle le choix des individus n’est pas
aléatoire mais raisonné. Cette méthode ne nécessite pas de liste exhaustive des éléments de la popu-
lation considérée. En permettant un gain de temps, elle est moins couteuse que les échantillonnages
probabilistes.
La méthode la plus utilisée est la méthode des quotas. Cette méthode se base sur la construction d’un
échantillon de taille n dans lequel les proportions des individus sont égales à celles de la population. Une
fois ces quotas déterminés, il faut les respecter dans le choix de l’échantillon. La méthode des quotas est
très fréquemment utilisée par les entreprises privées en raison de ses avantages pratiques. Toutefois, la
sélection de l’échantillon n’étant pas basée sur des méthodes aléatoires, il devient di¢ cile
d’évaluer objectivement à quel point l’échantillon est représentatif et de ce fait, il n’est
pas possible de connaitre la marge d’erreur des résultats obtenus à partir de l’échantillon
même.

1.4.2 Échantillonnage aléatoire

Brièvement, il correspond aux méthodes de tirage de l’échantillon où chaque individu de la population

de référence a une probabilité connue d’appartenir à l’échantillon. Ceci assure la précision de la
grande quantité d’informations, et permet, de plus à la statistique de reposer sur la théorie
des probabilités, a…n d’établir une évaluation probabiliste des conclusions incertaines qui
peuvent être prises au sujet du problème statistique en question.
Les trois types d’échantillonnage aléatoire les plus courants sont : l’échantillonnage aléatoire simple,
l’échantillonnage strati…é et l’échantillonnage par grappes.

Échantillonnage aléatoire simple :

Tous les individus de la population de référence, aient une chance égale d’être inclus à l’intérieur de
l’échantillon, et chaque combinaison de membres de la population a aussi une chance égale de composer
l’échantillon.
Un tirage à la loterie est un bon exemple d’échantillonnage aléatoire simple. Par exemple, lorsqu’un
échantillon de six numéros est généré au hasard à partir d’une population de 49 numéros, chacun de
ces derniers a une chance égale d’être sélectionné et chaque combinaison de six numéros a la même
chance d’être la combinaison gagnante. Même si les gens tendent à éviter une combinaison comme 1-
2-3-4-5-6, cette combinaison a la même chance d’être la série gagnante de numéros que la combinaison
8-15-21-28-32-40.
Supposons que la population se compose d’un nombre N …ni d’individu. Le tirage d’un échantillon
de taille n peut se faire de deux façons di¤érentes donnant lieu à deux types distincts d’échantillons

6
aléatoires à savoir : échantillon aléatoire exhaustif et échantillon aléatoire non exhaustif.

Échantillon aléatoire exhaustif (Échantillon aléatoire simple) : Si, pendant le tirage aléatoire
de chaque individu, d’une population …nie, est remis, après son observation, dans la population avant le
tirage de l’individu suivant, alors l’échantillon aléatoire prélevé, de cette manière, dans une population
statistique est appelé échantillon exhaustif ou échantillon avec remise. On remarque que l’échantillon-
nage avec remise assure l’indépendance des variables aléatoires X1 ; X2 ; :::; Xn , car la population ne
change pas d’un tirage à un autre et par conséquent la loi de probabilité ne change pas de son coté.
Supposons que X = (X1 ; X2 ; :::; Xn ), est un échantillon aléatoire simple, c’est-à-dire que les variables
aléatoires X1 ; X2 ; :::; Xn sont indépendantes de même loi de probabilité (i:i:d:), prélevé dans une
population …nie de taille N . Dans ce cas simple, la probabilité conjointe des variables X1 ; X2 ; :::; Xn est
donnée par :
1
P(X1 = xi1 ; X2 = xi2 ; :::; Xn = xin ) = 8 (i1 ; i2 ; :::; in ) 2 f1; 2; :::N gn :
Nn
avec x = (xi1 ; xi2 ; :::; xin ) est une réalisation de l’échantillon aléatoire X = (X1 ; X2 ; :::; Xn ) :
Il est clair que les lois marginales sont données par
1
P Xj = xij = ; 8ij 2 f1; 2; :::ng :
N

L’échantillon le plus utilisé en statistique mathématique ou encore en statistique inférentielle, est

celui qui satisfait aux deux conditions précédentes (l’aléatoire et l’indépendance). Un échantillon satis-
faisant aux deux dernières conditions est appelé un échantillon aléatoire simple. Dans toute la suite,
l’appellation échantillon aléatoire simple, ou simplement échantillon sera prise au sens dé…ni précédem-
ment, sauf mention contraire.

Échantillon aléatoire non exhaustif : Si par contre, le tirage aléatoire se fait de sorte que chaque
individu tiré de la population est écarté de cette population avant le tirage aléatoire de l’individu
suivant ; alors l’échantillon aléatoire ainsi obtenu est dit : échantillon non exhaustif ou échantillon sans
remise, dans ce cas les variables aléatoires X1 ; X2 ; :::; Xn ne peuvent plus être indépendantes, car la
probabilité de la réalisation d’un individu est in‡uencée par le résultat du tirage précédent. Ceci est
du au fait que la composition de la population statistique change d’un tirage à un autre. Supposons
maintenant, que l’échantillon aléatoire, de taille n, est prélevé dans une population, un à un sans remise.
Dans ce cas, la probabilité conjointe des variables X1 ; X2 ; :::; Xn est donnée par :
1
P(X1 = xi1 ; X2 = xi2 ; :::; Xn = xin ) = 8ij 6= ik et ij ; ik 2 f1; 2; :::N gn :
N (N 1) ::: (N n + 1)

Il est clair que les lois marginales sont données par

1
P Xj = xij = ; 8ij 2 f1; 2; :::ng ;
N

7
 el les lois conjointes de deux variables aléatoires quelconques Xi et Xj (i 6= j)

1 6 ik et ij ; ik 2 f1; 2; :::N g
ij =
P Xj = xij Xk = xik = ; 8ij 2 f1; 2; :::ng ; :
N (N 1) j 6= k et j; k 2 f1; 2; :::ng

1.4.3 Échantillonnage strati…é

consiste à subdiviser la population en strates ou classes relativement homogènes par rapport à

l’ensemble de la population puis à réaliser dans chaque strate un échantillonnage aléatoire simple. La
méthode d’échantillonnage strati…é est généralement utilisée lorsque la population étudiée est hétéro-
gène. La strati…cation nécessite donc une connaissance préalable de la structure de cette dernière. Cette
méthode a le but d’améliorer la précision de l’estimation.

1.4.4 Échantillonnage par grappes

On subdivise la population en sous grappes, on tire un échantillon aléatoire de grappes. L’échantillon

désiré est constitué de tous les individus de chaque grappe.
Il y a deux raisons principales de procéder à un échantillonnage par grappes. Dans beaucoup d’en-
quêtes, il se trouve qu’il n’existe pas une liste complète et …able des unités de la population pour baser
l’échantillonnage, et qu’il est excessivement couteux de construire une telle liste. Par exemple, dans
beaucoup de pays, y compris les pays industrialisés, il est rare que des listes complètes et à jour de
la population, des logements ou des exploitations agricoles par exemple soient disponibles. Dans ces
situations, l’échantillonnage peut s’e¤ectuer à partir de cartes géographiques ou chaque région urbaine
est divisée en quartiers et chaque région rurale en groupement de terrains. Les quartiers et les super…cies
agricoles sont considérés comme des grappes et on travaille a partir de la liste complète des grappes à
défaut d’une liste complète et à jour des unités de base. Ainsi, on échantillonne un nombre de grappes
nécessaires à partir de la liste et ensuite on mène l’enquête sur toutes les unités de la grappe sélectionnée.
Une autre raison de procéder à un échantillonnage par grappes est une question de coût. Même
quand il existe une liste complète et à jour des unités de base, il se peut que, pour des motifs d’ordre
économique, il soit préférable de procéder à un échantillonnage par grappes. Ainsi, on diminue les frais
de transport, de recrutement d’enquêteurs dans di¤érentes régions, etc.

Le choix de la méthode d’échantillonnage (raisonnée, aléatoire, strati…é, par grappes, etc.) et donc
le choix des unités de la population qui seront observées n’est qu’un des deux aspects du problème des
sondages. Un autre aspect est celui du choix de la méthode pour résumer les observations obtenues
a…n d’obtenir l’estimation la plus proche possible de l’information recherchée. Dans le chapitre suivant,
on examinera l’estimation des moyennes et des proportions à partir d’un échantillon aléatoire simple.
La généralisation à d’autres modes d’échantillonnage peut être trouvée dans les ouvrages spécialisés
traitant des méthodes d’enquêtes.

8
1.5 Notions fondamentales

1.5.1 Mesure et moments empiriques

Mesure empirique : Une loi construite à partir des observations

Un outil fondamental en statistique est la mesure empirique que l’on peut décrire de manière in-
formelle comme suit. On a des observations x1 ; :::; xn ; que l’on interprète comme les X1 (! i ); :::; Xn (! i );
où les v:a: Xi suivent la loi inconnue v. Faute d’information supplémentaire, on décide de « ne pas
faire de jalouses » parmi les observations en attribuant à chacune la probabilité 1=n. On construit ainsi
une nouvelle mesure de probabilité vn , dépendant des observations et on se sert de vn pour estimer la
mesure de probabilité inconnue v.

Dé…nition 1.1 (Loi ou mesure empirique) Si x1 ; :::; xn sont des réels, on appelle loi empirique des
P
xi la mesure de probabilité vn = n1 ni=1 xi . Autrement dit, si les xi sont distincts, vn est la loi uniforme
sur les xi . De façon générale, pour tout borélien B de R, on a
1X 1X
n n
ji 2 f1; :::; ng ; xi 2 Bj
vn (B) = xi (B) = 1B (xi ) = :
n i=1 n i=1 n

Rappelons que la mesure de Dirac xau point x est dé…nie par

(
1 si x 2 B
8B 2 BR ; x (B) = = 1B (x) :
0 si x 2
=B

Si X1 ; :::; Xn sont des variables aléatoires i:i:d:, on appelle loi empirique de l’échantillon (X1 ; :::; Xn )
la fonction de B 2 BR dé…nie par
P
8B 2 BR ; vn (B) := n1 ni=1 1B (Xi )
= ji2f1;:::;ng;
n
Xi 2Bj

= jXi ; X
n
i 2Bj
:

— Ainsi, la loi empirique vn de l’échantillon (X1 ; :::; Xn ) est une probabilité aléatoire : à chaque
nouvelle réalisation (x1 ; :::; xn ), on a une nouvelle mesure de probabilité.
— Pour chaque réalisation (x1 ; :::; xn ), l’application vn : B 7 ! vn (B) est une mesure de probabilité
sur R muni de sa tribu borélienne, et vn est la loi discrète qui attribue une masse 1=n à chacune de ces
observations. S’il n’y a pas d’ex-æquo parmi les observations, vn est donc la loi uniforme discrète sur
l’ensemble …ni fx1 ; :::; xn g.

Moments de la mesure empirique

P P
Rappelons que si I est un ensemble …ni, l’espérance de la loi discrète est E (X) = i2I pi xi .
i2I pi xi
Pn
En appliquant ceci à la loi discrète vn , on voit que celle-ci a pour espérance n 1 Xi : D’une façon
i=1
générale, on a

9
Dé…nition 1.2 On appelle le moment d’ordre r, r 2 N , d’un échantillon, de taille n, ou le moment
empirique d’ordre r noté Mr !,
Xn
r
Mr = Xi n:
i=1

Le moment empirique d’ordre 1, est appelé moyenne empirique ou moyenne d’échantillon, noté X n :
P
n
Xir
i=1
M1 = X n = :
n

On remarque que l’espérance du moment empirique d’ordre r; Mr ,est égale au moment d’ordre r,
r , de la population :
E (Mr ) = E (Xir ) = r :

En particulier, l’espérance de la moyenne empirique est la moyenne :

Dé…nition 1.3 On appelle le moment centré d’ordre r, r 2 N , d’un échantillon, de taille n, ou le

moment empirique centré d’ordre r noté Mr
P
n r
Xi Xn
i=1
Mr = :
n
Le moment empirique centré d’ordre 1, est nul.
Le moment empirique centré d’ordre 2, est appelé variance empirique ou variance d’échantillon,
notée fréquement Sn2 :
P
n 2
Xi X n
M2 = Sn2 = i=1 :
n

Comportement asymptotique

Proposition 1.1 (Convergence et normalité asymptotique de la moyenne empirique) Si (Xn )n 1

un échantillon aléatoire simple et les Xi admettent un moment d’ordre 2, avec E (X1 ) = et V ar (X1 ) =
2
; alors
P p L
Xn ! et n Xn ! N 0; 2 :
n !1 n !1

Ceci signi…e que les valeurs possibles de la moyenne empirique X n sont également concentrées autour
2
de la moyenne de la population de référence, mais avec une dispersion n assez faible par rapport à
celle, de la population. Cette dispersion devient de plus en plus petite quand la taille n de l’échantillon
augmente.
Le premier point découle de la loi forte des grands nombres et le deuxième résulte du TCL
P P 2 2
V ar X n = V ar n1 ni=1 Xi = n12 ni=1 V ar (Xi ) = nn2 = n .

10
Proposition 1.2 (Convergence et normalité asymptotique de la variance empirique) Si un échan-
tillon aléatoire simple et les Xi admettent un moment d’ordre 2, avec E (X1 ) = et V ar (X1 ) = 2 ;
alors
P
Sn2 ! 2 ,
n !1
et si l’on suppose de plus l’existence d’un moment d’ordre 4 pour les Xi ; alors
p L
n Sn2 2
! N 0; v 2 ;
n !1

où
v 2 = V ar (X1 )2 = E (X1 )4 4
:

Preuve. H On a !
1X 1X 2
n n
2 2
Sn2 = Xi Xn = X X n:
n i=1 n i=1 i

Pour la convergence, on part de la deuxième formule à laquelle on applique deux fois la loi des grands
nombres :
1X 2
n
2 P
2
Sn = Xi X n ! E X12 E (X1 )2 = V ar (X1 ) = 2 :
n i=1 n !1

D’où le premier résultat.

H Considérons les variables i:i:d: centrées Yi = Xi ; on obtient alors
1X 1X 1X 2
n n n
2 2 2 2
Sn2 = Xi Xn = Yi Yn = Y Y n = Yi2 Y n:
n i=1 n i=1 n i=1 i

On peut donc écrire

p p p
n Sn2 2
= n Yi2 2
Yn nY n :
Par la loi des grands nombres, Y n tend en probabilité vers 0. De plus, le TCL appliqué aux variables
Yi de moyenne nulle et de variance 2 donne
p L
nY n ! N 0; 2 ;
n !1

d’où par Slutsky

p L
Yn nY n ! 0:
n !1
De même, le TCL appliqué aux variables Yi2 de moyenne 2 et de variance v 2 nous dit que
p 2 L
n Yi2 ! N 0; v 2 :
n !1

Il reste à appliquer Slutsky pour recoller les morceaux :

p p p L
n Sn2 2
= n Yi2 2
Y n nY n ! N 0; v 2 :
n !1

— Ces résultats interviennent dans la méthode d’estimation dite "des moments" (voir Chapitre 2).
— Des résultats similaires pour les moments d’ordre r > 2 existent (voir par exp Monfort, 2006).

11
1.5.2 Statistiques d’ordre et fonction de répartition empirique

Avant de dé…nir la fonction de répartition empirique, il convient de mettre de l’ordre dans l’échan-
tillon.

Dé…nition 1.4 (Statistique d’ordre) Partant d’un échantillon X1 ; :::; Xn ; les n statistiques d’ordre
X(1) ; :::; X(n) s’obtiennent en rangeant l’échantillon par ordre croissant, c’est-à-dire qu’elles véri…ent

X(1) ::: X(n) :

Pour tout k entre 1 et n, la variable X(k) est appelée la k-eme statistique d’ordre. Par exemple,
la première statistique d’ordre est le minimum de l’échantillon tandis que la n-eme correspond à son
maximum.

Remarque 1.1 La connaissance de X(1) donne de l’information sur X(2) , qui ne peut être plus petit,
et dont les X(i) ne sont pas indépendentes.

Dé…nition 1.5 (Fonction de répartition empirique) Soit X1 ; :::; Xn ; un échantillon et vn la me-

sure empirique associée. On appelle fonction de répartition empirique de l’échantillon (X1 ; :::; Xn ) fonc-
tion de répartition Fn de vn . Plus formellement on pose :

8x 2 R; Fn (x) := vn (] 1; x])

En reprenant la dé…nition d’une mesure empirique avec un borélien B de la forme B = ] 1; x], on

voit que :
1X 1X
n n
8x 2 R; Fn (x) = 1] 1;x] (Xi ) = 1] 1;x] X(i) ;
n i=1 n i=1
ou, de façon équivalente

1X
n
ji 2 f1; :::; ng ; Xi xj i 2 f1; :::; ng ; Xfig x
Fn (x) = 1fXi xg = =
n i=1 n n

c’est-à-dire la proportion de l’échantillon tombant au-dessous de x.

C’est une fonction aléatoire dont les réalisations sont des fonctions en escalier de sauts égaux à 1=n
si les Xi sont distincts. Dans le cas général, l’amplitude des sauts est toujours un multiple de 1=n, le
multiple en question correspondant au nombre de points de l’échantillon empilés au même endroit.

12
 F igure : Approximation de la f:d:r: de N (0; 1) par une f:d:r: empirique; n = 100

Convergence de la f.d.r. empirique vers la f.d.r. théorique

Des équivalents de la loi des grands nombres et du Théorème Central Limite sont donnés par les
Théorèmes de Glivenko-Cantelli et de Kolmogorov-Smirnov.

Proposition 1.3 Soit (Xn )n 1 un échantillon aléatoire simple de fonction de répartition F , alors pour
tout réél x, on a
,! loi : la variable aléatoire nFn (x) suit une loi binomiale B (n; F (x)) :
,! Convergence :
p:s
Fn (x) ! F (x) :
n !1

,! Normalité asymptotique :
p L
n (Fn (x) F (x)) ! N (0; F (x) (1 F (x))) :
n !1

Preuve. Dans tous ces résultats, il importe de garder en tête que x est un réel …xé. Ainsi nFn (x)
représente tout bonnement le nombre de points de l’échantillon qui tombent à gauche de x
X
n X
n
nFn (x) = 1] 1;x] (Xi ) = Yi ;
i=1 i=1

où Yi sont i:i:d: selon une loi de Bernoulli de paramètre

p = P (Y1 = 1) = P (Xi x) = F (x) ;

d’où la loi binomiale pour leur somme. De la même façon, la loi des grands nombres appliquée aux
variables Yi assure que
1X
n
p:s
Fn (x) = Yi ! E (Y1 ) = F (x) ;
n i=1 n !1

13
tandis que le TCL donne
p p L
n Yn E (Y1 ) = n (Fn (x) F (x)) ! N (0; V ar (Y1 )) = N (0; F (x) (1 F (x))) :
n !1

Ainsi, pour tout réel x, il existe un ensemble tel que, pour toute suite de réalisations x1 = X1 (!) ; x2 =
X2 (!) ; :::; on a
1X X
n n
i
1] 1;x] (xi ) = 1 (x) ! F (x) :
n i=1 i=1
n [x(i );x(i+1) [ n !1

A priori, ceci n’assure même pas la convergence simple de Fn vers F de façon presque sûre, car 0 (x)
dépend de x, or une intersection non dénombrable d’ensembles de probabilité 1 n’est pas nécessairement
de probabilité 1. En fait, de façon presque sûre, il y a bien convergence simple et même mieux :
convergence uniforme, comme nous le verrons avec le Théorème de Glivenko-Cantelli.

Loi des grands nombres uniforme : Glivenko-Cantelli

Théorème 1.1 (Glivenko-Cantelli ) Soit X1 ; :::; Xn ; un échantillon aléatoire simple: La convergence

de Fn vers F est presque sûrement uniforme, i.e :
p:s
kFn F k1 := sup jFn (x) F (x)j ! 0:
x2R n !1

Vitesse uniforme : Kolmogorov-Smirnov et DKWM Le théorème de Glivenko-Cantelli assure la

convergence uniforme de Fn vers F presque sûrement (ne pas oublier que les fonctions Fn sont aléatoires
!).
En gros ceci signi…e que, lorsque sa taille croît, l’échantillon (X1 ; :::; Xn ) permet de reconstruire la
fonction F , donc la loi PX , ce qui était bien l’objectif annoncé en introduction. On veut maintenant
donner un équivalent du Théorème Central Limite, c’est-à-dire préciser la vitesse à laquelle cette conver-
gence a lieu. Nous nous contenterons de donner un résultat en ce sens, résultat que nous admettrons.

Théorème 1.2 (Kolmogorov-Smirnov) Soit (Xn )n 1 des variables aléatoires i:i:d: de fonction de
répartition F , alors
p L
n kFn F k1 ! K;
n !1

où la variable K a la loi dite de Kolmogorov-Smirnov, de fonction de répartition

!
X1
2 2
FK (x) = P (K x) = 1 2 ( 1)k+1 e 2k x 1x>0 :
k=1

Une autre façon d’énoncer ce résultat est de dire que, pour tout c > 0
p X
1
2k2 x2
P n kFn F k1 c ! 2 ( 1)k+1 e :
n !1
k=1

14
 Ce théorème signi…e que la distribution asymptotique de la variable aléatoire kFn F k1 est connue
et ne dépend pas de la variable de départ X, et permet de calculer des limites pour les valeur de
kFn F k1 . La loi exacte de cette variable a été tabulée. Par exemple P (K 1:22) 0:1 et P (K 1:36)
0:05: Par ailleurs, la fonction Fn étant constante sur les intervalles ]X(j 1) ; X(j) [ et la fonction F crois-
sante et continue, la distance maximale entre Fn et F ne peut être atteinte qu’en l’un des X(j) , c’est-à-dire

j 1 j
kFn F k1 = max max F X(j) ; F X(j) :
1<j<n n n

En pratique, ceci signi…e que, étant donné l’échantillon (X1 ; :::; Xn ) et la fonction F , le calcul e¤ectif
de kFn F k1 par logiciel est très rapide : il su¢ t d’ordonner l’échantillon et de prendre le maximum
des 2n valeurs de la formule donnée.

De même, on dé…nit la fonction caractéristique empirique et les quantiles empiriques.

1.6 Modèle statistique et statistique

La démarche statistique comporte généralement deux étapes. La première est une phase de modé-
lisation, qui consiste à mettre un phénomène réel sous forme mathématique. En pratique, ceci revient
à supposer que l’observation X est un objet aléatoire dont la loi PX (inconnue !) appartient à une fa-
mille de lois P que l’on spéci…e. Cette étape préliminaire, cruciale, est en grande partie une a¤aire de
praticien : pour chaque domaine d’application (physique, chimie, biologie, etc.), ce sont les spécialistes
du domaine qui fourniront cette modélisation.
Ceci étant supposé acquis, la seconde étape est celle qui nous occupe dans ce cours, à savoir l’inférence
statistique, ou statistique inférentielle. Il s’agit, à partir du modèle statistique et de l’observation X, de
retirer l’information la plus pertinente possible sur les paramètres en jeu dans le modèle, c’est-à-dire
dans la loi de X. On rappelle que si X est un objet aléatoire (variable, vecteur, processus) à valeurs
dans un espace mesurable (E; "), sa loi PX est dé…nie pour tout A de " par :

PX (A) = P (X 2 A) = P (! 2 : X (!) 2 A) ;

probabilité que l’objet aléatoire X tombe dans l’ensemble A. Résumons ce qui vient d’être dit :

Dé…nition 1.6 (Modèle statistique) On appelle modèle statistique le triplet ( ; F; P) où

- : est un ensemble appelé espace fondamental ou espace des résultats,
- F est une tribu de parties de ,
- P une famille de probabilités sur l’espace mesurable ( ; F) :
Au lieu de «modèle statistique» on dit parfois «structure statistique» .

15
 Le cas le plus fréquent est celui où l’élément aléatoire observé est constitué de variables aléatoires
indépendantes et de même loi (i:i:d:) ; X = (X1 ; :::; Xn ), où les Xi sont i:i:d: On dit que l’on a alors un
modèle d’échantillon. Dans ce cas, par convention, si on note ( ; F; P) le modèle correspondant à un
échantillon de taille 1, on notera ( ; F; P)n le modèle correspondant à un échantillon de taille n.
Un exemple de référence consiste à recueillir les durées de vie, supposées indépendantes et de même
loi exponentielle, de n ampoules éléctriques. L’observation est de la forme x = (x1 ; :::; xn ), où les xi sont
i:i:d:
des réalisations de v:a: Xi P avec inconnu.
n
Pour tout i, xi 2 R+ , donc l’espace des observations est = R+ . Alors la tribu associée est
n
F = B R+ . Le modèle est continu. Comme on admet que la loi est exponentielle et que les Xi
identiquement distribuées, l’ensemble des lois de probabilités possibles pour chaque Xi est E ( ) ; 2
R+ . Comme les Xi sont indépendantes, la loi de probabilité du vecteur (X1 ; :::; Xn ) est la loi produit
P E ( ) n ; 2 R+ , ensemble des lois de probabilité des vecteurs aléatoires de taille n dont les
composantes sont indépendantes et de même loi exponentielle de paramètre inconnu. Finalement, le
modèle statistique associé est :
n n n n
R + ; B R+ ; E( ) ; 2 R+ ;

qu’on peut aussi écrire, d’après la convention énoncée

n
R+ ; B R+ ; E ( ) :

Dé…nition 1.7 (modèle statistique paramétrique) Si l’espace des paramètres du modèle statis-
tique est contenu dans Rk pour un certain k 2 N , on parle de modèle paramétrique, i:e.

k2N :P= P ; 2 Rk :

Sinon, il est non paramétrique.

est appelé l’espace des paramètres.

Dé…nition 1.8 (Expérience statistique) Une expérience statistique est la donnée d’un objet aléa-
toire X à valeurs dans un espace mesurable (E; ") et d’une famille de lois P sur cet espace, supposée
contenir la loi PX , et appelée modèle statistique pour la loi de X.

Dans cette dé…nition, l’hypothèse fondamentale est bien entendu qu’il existe, dans le cadre paramé-
trique, une valeur 2 telle que PX = P . Le vrai paramètre est inconnu mais l’espace dans lequel
il vit est, lui, supposé connu.

Exemple 1.1 :

1. Jeu de Pile ou Face : = ]0; 1[ R, donc c’est un problème paramétrique unidimensionnel.

2. Taille : =R R+ R2 , problème paramétrique bidimensionnel.

16
 3. Considérons que la taille des hommes ne soit pas supposée suivre une loi normale, mais une
loi inconnue sur [0:5; 2:5]. On suppose, ce qui est raisonnable, que cette loi a une densité f par
rapport à la mesure de Lebesgue. Dans ce cas, correspond à l’ensemble des densités sur [0:5; 2:5],
qui est clairement de dimension in…nie. C’est donc un modèle non paramétrique. Dans ce genre
de situation, a…n d’éviter des espaces fonctionnels trop gros, on met en général des contraintes
supplémentaires sur la densité, typiquement des hypothèses de régularité.

Le modèle statistique (P ) 2 est dit identi…able si l’application 7! P est injective, c’est-à-dire si

deux paramètres distincts ne peuvent correspondre à la même loi.

Exemple 1.2 Le modèle gaussien (N (m; 2 ))m2R; >0 est identi…able. Par contre, le modèle alternatif
(N (m; 2 ))m2R; 6=0 ne l’est pas puisque N (m; 2 ) = N m; ( )2 :

— Dans toute la suite, tous les modèles seront supposés identi…ables.

Dé…nition 1.9 (Statistique) On appelle statistique T dé…nie sur ; F; (P ) 2 une application me-
surables de ( ; F) dans un espace mesurable ( ; B).
II est important de remarquer que T ne dépend pas de :

On peut citer, à titre d’exemple, quelques statistiques les plus fréquemment utilisées :
Pn Pn 2
Xi n (moyenne empirique) ; Xi X n (variance empirique) ; les statistiques
i=1 i=1
P
n
d’ordre. On souligne que l’application (Xi )2 n est une variable aléatoire ; mais elle n’est
i=1
pas une statistique sauf dans le cas où est connu.

Dé…nition 1.10 (Modèle image) La loi de probabilité PT de T est appelée loi image par T et le
modèle ( ; B; PT ) est le modèle image par T de ( ; F; P) :

n i:i:d: P
n
Exemple 1.3 (des ampules) Le modèle est (R+ ; B (R+ ) ; E ( )) : Xi E ( ) ; donc T (X) = Xi
i=1
(n; ) : Ainsi, la loi image par T est la loi (n; ) est le modèle image (R+ ; B (R+ ) ; f (n; ) ; 2 R+ g) :

Remarquons que le modèle image est de dimension 1 alors que le modèle initial était de dimension
P
n
n. Autrement dit, la statistique T (x) = xi est un résumé des observations x = (x1 ; :::; xn ). On
i=1
retrouvera cette notion ultérieurement.

Remarque 1.2 T joue un rôle de passage d’un modèle statistique vers un autre.

17
1.7 Problèmes classiques de statistique

Les problèmes statistiques les plus fréquents sont les suivants :

— Il y a deux éventualités dont une seule est vraie ; à la prermière correspond une sous-famille P0 ,
de P et à la deuxième P1 = P P0 . Il s’agit de choisir un de ces deux éventualités. Ce problème est
appelé problème de test d’hypothèses.
Le principe d’un test d’hypothèse est de répondre de façon binaire (i:e: par oui ou non) à une
question sur l’expérience statistique en jeu. Dans le cadre du Pile ou Face, ce sera par exemple : la pièce
est-elle oui ou non équilibrée ? Dans le cadre des sondages politiques, ce sera plutôt : Alice va-t-elle être
élue plutôt que Bob ?
Ceci revient à se donner, dans le cadre d’un modèle statistique paramétrique, une partition de en
deux sous-ensembles 0 et 1 , c’est-à-dire que

0 [ 1 = et 0 \ 1 = ;:

Puis, à partir d’une observation X P , à décider si le vrai paramètre appartient à 0 ou à 1.

On dé…nit ainsi :
– H0 : 2 0, hypothèse nulle ;
– H1 : 2 1 , hypothèse alternative.

— Dans le cadre d’un modèle statistique paramétrique, les éventualités sont représentées par le
paramètre lui-même [ou une fonction g ( )]. Le problème est naturellement de choisir une valeur de
[ou de g ( )] . C’est un problème d’estimation ponctuelle.
— Toujours dans le cadre d’un modèle statistique paramétrique, l’ensemble des éventualités est
l’ensemble, ou un sous-ensemble, des parties de . Le problème du choix d’une partie est appelé problème
d’estimation ensembliste.
— On restera dans le cadre des modèles paramétriques mises à part quelques incursions dans le
domaine non paramétrique (test du 2 par exemple).

En résumé...
Nous avons abordé la problématique statistique. En deux mots, il s’agit à partir de l’observation
d’un échantillon provenant d’une loi inconnue, de deviner quelle est cette loi (problème d’estimation)
ou plus généralement de prendre une décision en contrôlant au mieux le risque d’erreur (problème de
test). Le but de ce chapitre était d’introduire un modèle permettant de « mathématiser » ces questions
et de mettre en place un outillage basique autour de la notion d’échantillon. Le résultat important
est le Théorème de Glivenko-Cantelli, appelé quelquefois Théorème Fondamental de la Statistique.
Ce théorème permet de justi…er l’idée intuitive que l’on peut reconstruire une loi inconnue à partir
d’observations, avec une approximation d’autant meilleure que le nombre d’observations est plus grand.
L’estimation et les tests font l’objet des trois chapitres suivants.

18
1.8 Notion d’exhaustivité

Le statisticien n’a pas intérêt à garder toutes les valeurs observées, s’il peut résumer cet échantillon
X = (X1 ; :::; Xn ) par une statistique T (X) = T (X1 ; :::; Xn ) de façon à ce que la forme résumée contienne
toutes les ”informations”sur le paramètre inconnu , disponibles dans l’échantillon détaillé. Pour illustrer
l’idée, prenons l’exemple suivant :

Exemple 1.4 Considérons un industriel venant de recevoir un lot important de pièces détachées. Une
proportion inconnue de ces pièces est défectueuse et, un contrôle systématique étant trop coûteux,
l’industriel tire au hasard uniforme (avec remise) n pièces et examine si elles sont défectueuses ou non.
Soit la variable aléatoire dé…nie par
(
1 si la i-eme pièce est défectueuse
Xi =
0 si la i-eme pièce n’est pas défectueuse

Alors la famille de lois de cette population est

x
P (Xi = x; ) = P (Xi = x) = (1 )1 x ; x 2 f0; 1g et 2 = [0; 1]:

Alors le modèle statistique peut s’écrire

(f0; 1g ; P (f0; 1g) ; B ( ))n :

Il est assez intuitif de penser que l’«information» sur contenue dans l’observation de X =
(X1 ; :::; Xn ), est aussi contenue dans l’observation de S = X1 + X2 + ::: + Xn ; en e¤et, il est na-
turel d’avancer que seul le nombre total de pièces défectueuses dans l’échantillon a de l’importance, les
rangs des tirages auxquels ces pièces apparaissent n’intervenant pas. On peut essayer de formaliser cette
idée en examinant la loi conditionnelle de X sachant S = s, c’est-à-dire :
8 Pn
>
< 0 si xi 6= s
i=1
P (X = xj S = s) = Pn
> s n x
: C s (1s (1 ) )n s = C1s si xi = s
n n
i=1

Cette loi conditionnelle est indépendante de ; cette indépendance signi…e bien intuitivement, que,
connaissant S, la connaissance de X n’apporte pas d’«information» supplémentaire sur
.

On pourrait donc penser à dé…nir l’exhaustivité de S comme l’indépendance, vis-à-vis de , de la

loi conditionnelle de X sachant S.

Dé…nition 1.11 La statistique T (X) est dite statistique exhaustive (ou statistique su¢ sante) pour la
famille de distribution (ou pour le paramètre ), si la distribution de l’échantillon X conditionnée par
T ne dépend pas de . c’est-à-dire
fXjT (xjt; ) = fXjT (xjt):

19
 En pratique il n’est pas facile, généralement, de véri…er que la loi de l’échantillon conditionnée par
T = t est indépendante du paramètre inconnu de la population statistique. J. Neymann, a élaboré une
méthode, assez pratique, permettant d’une part de véri…er l’exhaustivité d’une statistique donnée T (X)
et d’autre part de trouver une statistique exhaustive si elle existe.

Théorème 1.3 (factorisation de Neymann, cas d’un seul paramètre inconnu) Soit X un échan-
tillon aléatoire, de taille n, prélevé sur une population statistique dont la famille de densité est

fX (x; ) ; x 2]a; b[ et 2 ;

où a et b sont des constantes réelles (…nies ou in…nies). Alors une condition nécessaire et su¢ sante pour
que la statistique T (X) soit exhaustive pour le paramètre est : La densité de l’échantillon fX ( ; ) peut
se factoriser comme suit
fX (x; ) = (x) hT (t; ) ;
hT (t; ) ne dépend des observations, x1 ; x2 ; : : : ; xn qu’à travers t.

Exemple 1.5 Soit X = (X1 ; :::; Xn ) un échantillon aléatoire de loi de P( ), avec inconnu. La sta-
P
n
tistique T (X) = Xi est une statistique exhaustive pour le paramètre inconnu . En e¤et, on a
i=1

x
fX (x; ) = exp ( ) ;
x!
i:i:d P
n
et on sait que si Xi P( ); donc Xi P(n ), i.e.
i=1

(n )t X n
P (T = t) = exp ( n ) ; 8 (x1 ; :::; xn ) 2 Nn avec t = xi :
t! i=1

....

P (X = xj T = t) = P (X1 = x1 ; X2 = x2 :::; Xn = xn j T = t)
P (X1 = x1 ; X2 = x2 :::; Xn = xn ; T = t)
=
P (T = t)
nP1
P X1 = x1 ; X2 = x2 :::; Xn = xn ; Xn = t xi
i=1
=
P (T = t)
P (X1 = x1 ) ::: P (Xn = xn )
=
P (T = t)
Qn P
n
fXi (xi ; ) xi
i=1 exp ( n ) ( )i=1 t!
= = Q
n
h (t)
xi ! exp ( n ) (n )t
i=1
Pn
t! ( i=1 xi )!
= Q
n = Q
n Pn indépendente de
xi ! nt xi ! n( i=1 xi )
i=1 i=1

20
 Donc T est exhaustive pour .
Ou bien :
Y
n Y
n xi t
fX (x; ) = fX (xi ; ) = exp ( ) = exp ( n ) Q
n
xi !
i=1 i=1 xi !
i=1
P
n
t xi !
exp ( n ) (n ) i=1
= Q
n Pn
= h (t) (x) :
t! xi
xi !n i=1
i=1

D’après le principe de factorisation, T est exhaustive pour .

on peut caractériser facilement les lois de probabilité pour lesquelles les modèles d’échantillon ad-
mettent une statistique exhaustive : celles qui appartiennent à la famille exponentielle.

1.9 La famille exponentielle

Dé…nition 1.12 Soit X une variable aléatoire réelle, dont la loi de probabilité dépend d’un paramètre
2 Rd . On dit que la loi de X appartient à la famille exponentielle si et seulement si P (X = x; ) (cas
discret) ou fX (x; ) (cas continu) est de la forme :
Xd
exp (aj (x) j ( ) + b (x) + ( ))
j=1

Remarque 1.3 La plupart des lois usuelles appartiennent à la famille exponentielle.

Exemple 1.6 1. Loi de Bernoulli B (p)

2. Loi Exponentielle E ( )

2
3. Loi Normale N (m; )

21
1.9.1 La famille exponentielle et l’exhaustivité

Le lien entre la famille exponentielle et l’exhaustivité est donné par le Théorème de Darmois ;

Théorème 1.4 (de Darmois) Dans un modèle d’échantillon ( ; F; P )n , où le support de la loi des
observations ne dépend pas de , il existe une statistique exhaustive si et seulement si cette loi appartient
à la famille exponentielle. Alors
!
Xn X
n X
n
T (x) = a1 (xi ) ; a2 (xi ) ; :::; ad (xi )
i=1 i=1 i=1

est une statistique exhaustive.

Si on applique le théorème de Darmois aux lois usuelles ;

P
n
1. Loi de Bernoulli B (p) : a(x) = x, donc on retrouve le fait que xi est une statistique exhaustive.
i=1
Pn
2. Loi Exponentielle E ( ) : a(x) = x, donc on retrouve le fait que xi est une statistique exhaustive.
i=1

2
P
nn P
n
3. Loi Normale N (m; ) : a1 (x) = x2 et a2 (x) = x; donc on retrouve le fait que x2i ; xi ou
i=1 i=1
(xn ; Sn2 ) est une statistique exhaustive.

22
Bibliographie

[1] Arnaud Guyader. Statistique mathématique. Polycopié. Master Mathématiques et Applications.

Université Pierre et Marie Curie. 2015.
[2] Bentarzi Mohamed. Statistique Inférentielle. Polycopié. USTHB et Institut Supérieur de Formation
Ferroviaire.
[3] Berdjoudj Louiza. Statistique Inférentielle. Polycopié. Université A. MIRA - Béjaia. 2013
[4] Dodge Yadolah. Premiers pas en statistique. 2006.
[5] Monfort Alain. Cours de Statistique Mathématiques. 2eme édition.
[6] Suquet Charles. Initiation à la Statistique. Polycopié. Université des Sciences et Technologies de
Lille. 2009.
[7] Olivier Gaudoin. Notes de cours Statistique Inférentielle Avancée. Ensimag.

25