COURS DE STATISTIQUE

INFERENTIELLE

Présenté par : Dr BAMBA Lanciné

15 septembre 2025
 Plan

1 Introduction
Introduction
Statistique et probabilités

2 / 86
 Plan

1 Introduction
Introduction
Statistique et probabilités
2 Statistique Descriptive

2 / 86
 Plan

1 Introduction
Introduction
Statistique et probabilités
2 Statistique Descriptive
3 Statistique Inférentielle
Echantillonnage
Qualité d’un Estimateur
Constuction d’un estimateur : Estimation Ponctuelle
Estimation par intervalle de Confiance

2 / 86
 Plan

1 Introduction
Introduction
Statistique et probabilités
2 Statistique Descriptive
3 Statistique Inférentielle
Echantillonnage
Qualité d’un Estimateur
Constuction d’un estimateur : Estimation Ponctuelle
Estimation par intervalle de Confiance
4 Tests
Principes
Test d’adéquation à une valeur
Test d’une probabilité
Test de Normalité

2 / 86
 Introduction
Statistique Descriptive Introduction
Statistique Inférentielle Statistique et probabilités
Tests

Utilité des méthodes statistiques pour l’ingénieur

La statistique est l’ensemble des méthodes et techniques utilisées

dans le but d’extraire de l’information de données . Ces données
peuvent être issues :
de l’observation de phénomènes naturels (météorologie,...)
de résultats d’expériences scientifiques (médecine, chimie,...)
d’enquêtes socio-économiques etc...
Dans la plupart des cas, les données sont entachées d’incertitudes
et présentent des variations pour plusieurs raisons :

3 / 86
 Introduction
Statistique Descriptive Introduction
Statistique Inférentielle Statistique et probabilités
Tests

le résultat des expériences effectuées n’est pas prévisible à l’avance

avec certitude
toute mesure est entachée d’erreur
une enquête est faite sur quelques individus et on doit
extrapoler les conclusions de l’étude à toute une population
etc...
Il y a donc intervention du hasard et des probabilités. L’objectif
essentiel de la statistique est de maîtriser au mieux cette incertitude
pour extraire des informations utiles des données, via l’analyse des
variations dans les observations.

4 / 86
 Introduction
Statistique Descriptive Introduction
Statistique Inférentielle Statistique et probabilités
Tests

Les méthodes statistiques se répartissent en deux classes :

la statistique descriptive (ou statistique exploratoire ou analyse
des données) a pour but de résumer l’information contenue
dans les données de façon synthétique et efficace. Elle utilise
pour cela des représentations de données sous forme de
graphiques, de tableaux et d’indicateurs numériques. Elle
permet de dégager les caractéristiques essentielles du
phénomène étudié et de suggérer des hypothèses pour une
étude ultérieure plus sophistiquée. Les probabilités n’ont ici
qu’un rôle mineur.
la statistique inférentielle a pour but de faire des prévisions et
de prendre des décisions au vu des observations. En général, il
faut pour cela proposer des modèles probabilistes du
comportement du phénomène aléatoire étudié et savoir gérer
les risques d’erreurs. Les probabilités jouent ici un rôle
fondamental.
5 / 86
 Introduction
Statistique Descriptive Introduction
Statistique Inférentielle Statistique et probabilités
Tests

Les méthodes statistiques sont utilisées dans de très nombreux

domaines. Citons quelques exemples :
ingénierie : contrôle de qualité des procédés de fabrication,
sûreté de fonctionnement (fiabilité, sécurité,...)
médecine : expérimentation de nouveaux traitements ou
médicaments
économie : prévisions économétriques, études quantitatives de
marchés
prévisions de tous ordres : météorologiques, démographiques,
sociologiques,...
politique : sondages d’opinion
Enfin, tout ingénieur est amené à prendre des décisions au vu de
certaines informations, dans des contextes où de nombreuses
incertitudes demeurent. Il importe donc qu’un ingénieur soit formé
aux techniques de gestion du hasard et de traitement de données
expérimentales.
6 / 86
 Introduction
Statistique Descriptive Introduction
Statistique Inférentielle Statistique et probabilités
Tests

La statistique et les probabilités sont les deux aspects

complémentaires de l’étude des phénomènes aléatoires. Ils sont
cependant de natures bien différentes. Les probabilités peuvent être
envisagées comme une branche des mathématiques pures, basée sur
la théorie de la mesure, abstraite et complètement déconnectée de
la réalité. Les probabilités appliquées proposent des modèles
probabilistes du comportement de phénomènes aléatoires concrets.
On peut alors, préalablement à toute expérience, faire des
prévisions sur ce qui va se produire.

7 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

La statistique descriptive a pour but de résumer l’information

contenue dans les données de façon à en dégager les
caractéristiques essentielles sous une forme simple et intelligible.
Les deux principaux outils de la statistique descriptive sont les
représentations graphiques et les indicateurs statistiques.
Population, Individus, Variable
Les données dont nous disposons sont des mesures faites sur des
individus (ou unités statistiques) issus d’une population. On
s’intéresse à une ou plusieurs particularités des individus appelées
variables ou caractères. L’ensemble des individus constitue
l’échantillon étudié.

8 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Remarque : le mot « variable » désigne à la fois la grandeur que

l’on veut étudier (variable statistique) et l’objet mathématique qui
la représente (variable aléatoire). Une variable statistique peut être
discrète ou continue, qualitative ou quantitative. Les méthodes de
représentation des données diffèrent suivant la nature des variables
étudiées.

9 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Représentation graphique

Variable qualitative(les modalités ne sont pas mesurables) ou

variable quantitative discrète
Diagramme en bâtons
Diagramme en barres
Diagramme circulaire où sémi circulaire
Variable continue
Histogramme

10 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Réprésentation numérique des données

Une série de données peut être résumée par quelques valeurs

numériques appelées caractéristiques des séries statistiques, classées
en quatre grandes catégories :
les caractéristiques de tendance centrale,
les caractéristiques de dispersion,
les caractéristiques de forme,
les caractéristiques de concentration.

11 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Les caractéristiques de tendance centrale,

Elles donnent une idée de l’ordre de grandeur des valeurs

constituant la série ainsi que la position où semblent se concentrer
les valeurs de cette série. Les principales caractéristiques de
tendance centrale sont :
la moyenne arithmétique
la médiane
le mode
les quantiles.
la moyenne arithmétique,

12 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

la moyenne arithmétique
1 Cas des données brutes x1 , x2 , ..., xn
n
1X
X̄ = xi (1)
n
i=1
2 Cas des données groupées dans un tableau à k modalités, avec
ni et fi , pour i = 1, ..., k ; les effectifs et fréquences relatifs des
modalités xi
k k
1X X
X̄ = ni xi = fi xi (2)
n
i=1 i=1
3 Cas des données regroupées en k classes (intervalles) de
centres ci avec i = 1, ..., k
k k
1X X
X̄ = ni c i = fi ci (3)
n
i=1 i=1
13 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Propriétés

La moyenne arithmétique permet de résumer par un seul

nombre la série statistique.
Elle prend en compte toutes les valeurs de la série et elle est
facile à calculer.
Elle est sensible aux valeurs extrêmes, il est parfois nécessaire
de supprimer des valeurs extrêmes ou « aberrantes »

14 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

La médiane

La médiane est la valeur, observée ou possible, dans la série des

données classées par ordre croissant (ou décroissant) qui partage
cette série en deux parties comprenant exactement le même nombre
de données de part et d’autre de Me.
Calcul de la Médiane
séries non groupées dont l’effectif n est impair et où aucune
valeur n’est répétée
Ranger les observations par ordre croissant
Déterminer la valeur qui est à la position ( n+1
2 )
La médiane est la valeur qui est à la position ( n+1
2 ).

15 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Calcul de la Médiane
séries non groupées dont l’effectif n est pair et où aucune
valeur n’est répétée
Ranger les observations par ordre croissant
Déterminer la valeur qui est à la position ( n+1
2 ) notée x( 2 )
n+1
n
puis celle à la position ( 2 ) notée x( 2 ) .
n

x( n+1 ) +x( n )
2 2
La médiane est la valeur obtenue en faisant 2

16 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Calcul de la médiane
Cas des données groupées dans un tableau à k modalités
Faire le tableau des effectifs cumulés croissants (ECC) ou des
fréquences cumulées croissantes (FCC).
La médiane est la modalité qui correspond à 50% des ECC ou
50% des FCC.
Cas des données groupées en k classes
Déterminer la classes médiane c’est-à-dire la classe à laquelle
appartient 50% des ECC ou 50% des FCC.
faire une interpolation.

17 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Propriétés
La médiane n’est pas influencée par les valeurs extrêmes ou
aberrantes. Elle est influencée par le nombre des données mais
non par leurs valeurs, elle ne peut donc pas être utilisée en
théorie de l’estimation
La médiane est le point d’intersection des courbes cumulatives
croissante et décroissante (Courbe des FCC et des FCD).

18 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Le Mode

Le mode est la valeur de la variable statistique la plus fréquente que

l’on observe dans une série d’observations. Si la variable est une
variable discrète, le mode s’obtient facilement. Si la variable est une
variable continue, on définit une classe modale.
Propriété
Le mode n’existe pas toujours et quand il existe, il n’est pas
toujours unique.

19 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Les Quantiles

Les quantiles sont des caractéristiques de position partageant la

série statistique ordonnée en k parties égales.
Propriétés
Pour k = 4, les quantiles, appelés quartiles, sont trois nombres
Q1 , Q2 , Q3 tels que :
25 % des valeurs prises par la série sont inférieures à Q1 ,
25 % des valeurs prises par la série sont supérieures à Q3 ,
Q2 est la médiane Me,
Q3 − Q1 est l’écart interquartile, il contient 50 % des valeurs
de la série.

20 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Pour k = 10, les quantiles sont appelés déciles, il y a neuf déciles

D1, D2... 10 % des valeurs de la série sont inférieures à D1... Pour
k = 100, les quantiles sont appelés centiles, il y a 99 centiles,
chacun correspondant à 1% de la population.
Caractérisation
En comparant les trois différentes grandeur, on a
Distribution parfaitement symétrique : Moyenne = Médiane =
Mode
Distribution étalée vers la droite : Moyenne > Médiane >
Mode
Distribution étalée vers la gauche : Moyenne < Médiane <
Mode.

21 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Les paramètres de dispersion

Cette partie s’intéresse à la variabilité des données au sein d’une
série. Ainsi, une fois la moyenne connue, on peut compléter la
connaissance d’une série pour apprécier dans quelle mesure les
données sont dispersées ou au contraire concentrées autour de la
moyenne.
L’intervalle de variation ou l’étendue : c’est la différence entre
la plus grande valeur et la plus petite valeur de la variable. Il
permet d’avoir une première idée de la dispersion des
observations. Mais l’indicateur est assez limité, car il est trop
sensible aux valeurs extrêmes
L’intervalle interquartile I = [Q3 , Q1 ] , il mesure l’étendue des
50% de valeurs situées au milieu d’une série de données
classées série. L’intervalle interquartile est une mesure de la
variation qui n’est pas influencée par les valeurs extrêmes,
contrairement à l’intervalle de variation.
22 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Boîte à moustache
Boîte à moustache (Box-plot) : est un graphique qui résume la
dispersion d’une série à partir de 5 valeurs : la valeur minimale
et la valeur maximale (ce sont les « moustaches »), l’intervalle
interquartile (désigné par ses deux valeurs Q1 et Q3 ) et la
médiane (ces trois dernières valeurs constituant la « boîte »)
Propriétés
Si la médiane est proche du centre de la boîte, c’est que la
distribution est symétrique.
Si la médiane est à gauche du centre de la boîte, c’est que la
distribution est étalée à droite.
Si la médiane est à droite du centre de la boîte, c’est que la
distribution est étalée à gauche.

23 / 86
 Introduction
Statistique Descriptive
Statistique Inférentielle
Tests

Variance- Ecart type Coefficient de variation

La variance, l’écart-type et le coefficient de variation sont les
indicateurs les plus fréquemment utilisés pour mesurer la
dispersion d’une série. Ces indicateurs renseignent sur la
dispersion des données autour de la moyenne.
Plus les données sont concentrées autour de la moyenne, plus
les valeurs de ces trois indicateurs sont faibles. Inversement,
plus les données sont dispersées autour de la moyenne, plus
ces trois indicateurs sont élevés.

k
1 X
V (x) = E(X 2 ) − E (X )2 = ni xi2 − (X̄ )2 (4)
N
i=1
(5)
p
σ(X ) = V (X )
σ(X )
CV = × 100 (6)
X̄
24 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Définition

Echantillon
On appelle échantillon aléatoire de taille n (n-échantillon) une suite
de n variables aléatoires indépendantes et de même loi (ou v.a.
i.i.d). Cette loi est appelée la loi mère de l’échantillon.

Pour ce qui est des notations, on distinguera la notion d’échantillon

aléatoire X1 , X2 , ..., Xn dont on peut dire qu’elle se réfère à des
résultats potentiels avant expérience ou a priori, de celle
d’échantillon réalisé x1 , x2 , ..., xn correspondant aux valeurs
observées après expérience ou a posteriori.

25 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Méthodes d’échantillonnage
L’échantillonnage aléaatoire et simple : le choix se fait parmi
tous les individus de la population (au sens statistique), qui ne
forme qu’un grand ensemble.
L’échantillonnage stratifié : si la population est très
hétérogène, elle peut être divisée en sous-ensembles exclusifs
(ou strates). Au sein de ces strates l’échantillonnage est
ensuite aléatoire et simple. Les strates sont identifiées dans
l’analyse statistique comme les niveaux d’un facteur fixe.
L’échantillonnage en grappes : si les strates sont très
nombreuses, on en choisit certaines au hasard (les grappes).
Au sein de ces grappes l’échantillonnage est ensuite aléatoire
et simple. Les grappes sont identifiées dans l’analyse
statistique comme les niveaux d’un facteur aléatoire.

26 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

L’objectif de ce chapitre est d’étudier certaines caractéristiques de

l’échantillon aléatoire, essentiellement sa moyenne et sa variance,
en relation avec celles de la loi mère.
Définition : Statistique
Soit X1 , X2 , ..., Xn un n-échantillon, on appelle statistique toute v.a.
Tn = h(X1 , X2 , ..., Xn ) fonction de X1 , X2 , ..., Xn .

Moyenne
On appelle moyenne de l’échantillon ou moyenne empirique la
statistique, notée X̄n , définie par
n
1X
X̄n = Xi
n
i=1

27 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Variance empirique
On appelle variance empirique la statistique, notée S̃ 2 , définie par :
n
2 1X
S̃ = (Xi − X̄n )2
n
i=1

Nous commençons maintenant à établir certaines relations entre les

lois de ces statistiques et la loi mère (population).
Proposition
Soit µ et σ 2 , respectivement la moyenne et la variance de la loi
mère. On a :
σ2
E(X̄n ) = µ V (X̄n ) =
n
De plus,
n−1 2
E(S̃ 2 ) = σ .
n 28 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Variance de l’échantillon
On appelle variance de l’échantillon la statistique
n
1 X
S2 = (Xi − X̄n )2
n−1
i=1

Dorénavant on étudiera S 2 plutôt que S̃ 2 à laquelle on pourra

éventuellement se référer en conservant le terme de variance
empirique.

29 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Distribution d’échantillonnage de la moyenne

Lorsque la variance σ 2 de la population est connue et que
l’échantillon prélévé est grand (n ≥ 30), alors la moyenne
échantillonnale vérifie
σ2 X̄n − µ
X̄n ∼ N (µ, ) i.e Z = ∼ N (0, 1) (7)
n √σ
n

Le résultat précédant est vrai aussi lorsque la variance est

connue, l’échantillon est petit et que la variable aléatoire X
suit une loi normale N (µ, σ 2 ).
Lorsque la variance σ 2 de la population est inconnue et que
l’échantillon prélévé est grand (n ≥ 30), alors
S2 X̄n − µ
X̄n ∼ N (µ, ) i.e Z = ∼ N (0, 1) (8)
n √S
n
30 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Cas de variance inconnue

Si la variance de la population est inconnue, si la variable X suit
une distribution normale N (µ, σ 2 ), et si la taille de l’échantillon est
petite (n < 30), alors

X̄n − µ
T = ∼ t(n − 1) (9)
√s
n

t(n − 1) : Loi de Student à n − 1 dégrés de liberté

Distribution d’´echantillonnage d’une proportion

Si p est la proportion de la population, alors pour un échantillon de
taille grande (n > 30), la proportion échantillonnale vérifie :

p(1 − p) p̄ − p
p̄ ∼ N (p, ) i.e q ∼ N (0, 1)
n p(1−p)
n
31 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Les statistiques des notes obtenues en mathématiques au BAC

STI en France pour l’année 2006 sont : Moyenne nationale =
10.44, Ecart-type=1.46. Une classe de BTS comporte 35
élèveves en 2006/2007 issus d’un BAC STI en 2006. Calculer la
probabilité que la moyenne de cette classe soit supérieure à 10.
Pour estimer le montant hebdomadaire moyen dépensé par les
familles de 4 personnes pour leur épicerie, on tire un
échantillon aléatoire de 25 personnes. On suppose que les
montants dépensés sont distribués normalement avec une
moyenne 120 et une variance inconnue. Si la variance de
l’échantillon de taille 25 est 36, calculer la probabilité que la
moyenne de l’échantillon soit supérieure à 123.
p = 0, 8 est la proportion de Canadiens satisfaits du libre
échange. n = 100 personnes interrogées. Quelle est la
probabilité que la proportion des personnes interrogées
satisfaites du libre échange soit inférieure ou égale à 0.9 ?
32 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

estimation Ponctuelle
On se place dans le cadre paramétrique, c’est-à-dire qu’on restreint
l’étude de la loi de X à une famille de loi (binomiale, Poisson,
normale, exponentielle, etc). Cette famille de loi est fixée, choisie en
fonction du contexte de modélisation, mais son ou ses paramètres
sont généralement inconnus. On note θ les paramètres inconnus de
la loi de X.
Exemples
Loi de Bernoulli, loi Binomiale : Paramètre p
Loi de Poisson Paramètre λ
Loi Normale Paramètres (m, σ)
Loi Exponentielle Paramètre λ

Objectifs
On cherche à approcher au mieux θ à partir d’un échantillon de
33 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Estimateur Définition
Soit (X1 , X2 , ..., Xn ) un n-échantillon d’une loi Pθ dépendant d’un
paramètre réel inconnu θ. On appelle estimateur de θ une variable
aléatoire (statistique) toute fonction mesurable des variables
aléatoires Xi
Tn = f (X1 , X2 , ..., Xn )

Remarque
Un estimateur est en fait une suite de variables aléatoires (Tn )n≥1 .
On assimile souvent l’estimateur avec le terme général de la suite
Tn .
Exemple :
n
1X
X̄ = f (X1 , X2 , ..., Xn ) = Xi
n
i=1

34 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Estimation
Soit Tn un estimateur de θ. On appelle estimation de θ la
réalisation tn de la v.a. Tn , obtenue à partir de la réalisation
déterministe (x1 , x2 , ..., xn ) du n-échantillon (X1 , X2 , ..., Xn ) sur E.

tn = f (x1 , x2 , ..., xn )

Remarque
Pour un même paramètre, il peut y avoir plusieurs estimateurs
possibles (ex : Le paramètre λ d’une loi de Poisson admet comme
estimateurs possibles la moyenne empirique et la variance
empirique). Pour pouvoir choisir, il faut définir les qualités qui font
qu’un estimateur sera meilleur.

35 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Deux types de propriétés sont recherchées chez un estimateur

Les propriétés à temps fixe ou propriétés à échantillon fini. Il
s’agit d’exploiter les caractéristiques E(Tn ) et V (Tn ) de la
variable aléatoire Tn .
Les propriétés asymptotiques de Tn , lorsque n tend vers
l’infini : par exemple, un estimateur raisonnable se concentrera
de plus en plus autour de sa cible (i.e. le paramètre θ) lorsque
n croît.

36 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Propriétés à temps fixe

Pour opérer des choix parmi les différents estimateurs qu’on peut
obtenir, il est nécessaire de se donner des critères de qualité
pertinents.
Biais d’un estimateur
On appelle biais de Tn pour θ la valeur :

B(Tn ) = E(Tn ) − θ

B(Tn ) représente l’erreur systématique et s’appelle BIAIS de

l’estimateur.
Si B(Tn ) = 0 quel que soit θ, on dit que Tn est sans biais
pour θ.
Si lim B(Tn ) = 0, on dit que B(Tn ) est un estimateur
n→∞
asymptotiquement sans biais.
37 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Erreur quadratique moyenne

On appelle erreur quadratique moyenne de Tn par rapport à θ, la
valeur, notée eqm(Tn ), définie par :

eqm(Tn ) = E[(Tn − θ)2 ] = [B(Tn )]2 + V (Tn )

Comme l’indique son nom ce critère mesure la distance au carrée à

laquelle Tn se situe en moyenne par rapport à θ. Le critère d’erreur
quadratique moyenne (en bref e.q.m.) n’est pas la panacée mais il
est préféré parce qu’il s’exprime en fonction des notions simples de
biais et de variance.

38 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Choix des estimateurs

Soient Tn1 et Tn2 deux estimateurs de θ.
Si Tn1 et Tn2 sont deux estimateurs sans biais de θ alors la
condition V (Tn1 ) ≤ V (Tn2 ) suffit à dire que Tn1 est préférable
à Tn2 .
De manière générale, on dira que Tn1 est préférable à Tn2 si
eqm(Tn1 ) ≤ eqm(Tn2 ).

39 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Propriétés asymptotiques : Consistance

Consistance
Un estimateur Tn de θ est dit consistant s’il Converge en
Probabilité vers θ quand n tend vers l’infini :
 
∀ε > 0, P |Tn − θ| ≥ ε −→ 0.
n→∞

Cas Pratique
Dans la pratique, on dira qu’un estimateur Tn de θ est consistant si
lim E(Tn ) = θ (Tn est asymptotiquement sans biais) et
n→∞
lim V (Tn ) = 0.
n→∞

En d’autres termes, un estimateur asymptotiquement sans biais

dont la variance tend vers 0 est convergent.
40 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Cas général

Il existe deux grands théorèmes de convergence en probabilité

La loi des grands nombres (Loi forte des grands nombres
(LFGN) et Loi faible des grands nombres (LFGN))
Le théorème Central Limite (TCL)
Ces théorèmes font appel à des notions de convergence de variables
aléatoires. Il en existe de plusieurs sortes.
Convergence en loi = convergence des fonctions de répartition
Convergence presque sure = toute trajectoire converge avec
probabilité 1

41 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Loi forte des grands nombres

Soient n variables aléatoires X1 , X2 , ..., Xn indépendantes, de même
loi qu’une variable aléatoire X telle que E(X ) = µ soit fini. Alors,
on a :
n
1X p.s
X̄n = Xi −→ µ.
n
i=1

Loi faible des grands nombres

Soient n variables aléatoires X1 , X2 , ..., Xn indépendantes, de même
loi qu’une variable aléatoire X telle que E(X ) = µ et V (X ) = σ 2
sont finis. Alors, on a
n
1X P
X̄n = Xi −→ µ.
n
i=1

En d’autres termes, quelle que soit la loi des Xi , si n est grand, X̄n
42 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Théorème Central limite

X1 , ..., Xn une suite de variables aléatoires i.i.d de même espérance
µ et de P même variance σ 2 . Pour tout n ≥ 1, nous définissons
Xn = n n1 Xi . Alors quelque soit la loi des Xi , la variable
¯ 1

√ (X¯n −µ)
Tn = n σ

converge en Loi vers une variable aléatoire de loi N (0; 1). Et on

note
L
Tn −→ N (0, 1).

En d’autres termes, quelle que soit la loi des Xi , si n est grand, X¯n
suit approximativement la loi N (µ, √σn ).

43 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Convergence Presque sûre

Soit (Xn )n∈N une suite de variables aléatoires à valeurs dans Rd
définies sur (Ω, A, P). On dit que (Xn ) converge presque sûrement
vers X et on note
p.s
Xn → X si P({ω ∈ Ω : lim Xn (ω) = X (ω)}) = 1.
n→+∞

Convergence en Loi
Une suite (Xn )n∈N de variables aléatoires réelles converge en loi
L
vers X et on note Xn → X si et seulement si pour toute fonction g
continue et bornée, on a : E(g (Xn )) → E(g (X )).
La convergence presque sûre implique la convergence en probabilité
qui elle implique la convergence en loi.

44 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Propriétés Recherchées

Il est sans biais ou asymptotiquement sans biais c’est-à-dire

(B(Tn ) = 0) ou lim B(Tn ) = 0
n→∞
Il est de variance minimale si (B(Tn ) = 0) ou lim B(Tn ) = 0
n→∞
Tn est consistant

Exemple
X¯n est un estimateur de la moyenne

45 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Méthode du Maximum de Vraisemblance

D’un point de vue pratique, pour un échantillon suffisamment
grand (disons n > 30 pour fixer les id´ees), elle fournit des
estimateurs de très bonne qualité.
Définition : Fonction de Vraisemblance
Soit un échantillon aléatoire (X1 , X2 , ..., Xn ) issu d’une variable
aléatoire de fonction de densité f (x; θ). On appelle fonction de
vraisemblance de θ pour une réalisation (x1 , x2 , ..., xn ) donnée de
l’échantillon, la fonction de θ :
n
Y
L(θ; x1 , x2 , ..., xn ) = f (x1 , x2 , ..., xn ; θ) = f (xi , θ)
i=1

La vraisemblamce est donc une fonction des paramètres.

46 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

P(X = xi ) si X est une variable aléatoire discrète


f (xi , θ) =
fX (xi ) si X est une variable aléatoire continue.

Estimation du maximum de vraisemblance

On appelle estimation du maximum de vraisemblance une valeur
θ̂nMV , s’il en existe une, telle que

L(θ̂nMV ) = supL(θ). (10)

θ

Une telle solution est fonction de (x1 , x2 , ..., xn ). Ainsi, la statistique

θ̂nMV = h(X1 , X2 , ..., Xn ) vérifiant (10) est appelée estimateur du
maximum de vraisemblance de θ.
L’idée est de maximiser la fonction vraisemblance. Ce qui nous
conduit à un problème d’optimisation.
47 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Mise en oeuvre
On détermine la fonction de vraisemblance L(θ; x1 , x2 , ..., xn )
ou la Log-vraisemblance ln(L(θ; x1 , x2 , ..., xn ))
On dérive la log-vraisemblance par rapport à θ c’est-à-dire
∂
∂θ ln(L(θ; x1 , x2 , ..., xn )).
On résout l’équation ∂
∂θ ln(L(θ)) = 0 afin d’obtenir les
solutions θ̃.
On dérive une seconde fois la log-vraisemblance en
∂2
∂θ2
ln(L(θ̃)).
2
Le θ̃ pour lequel ∂θ
∂
2 ln(L(θ̃)) < 0 sera appélé l’estimateur du

maximum de vraisemblance (EMV) noté θ̂nMV

48 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Propriétés de l’EMV
1 θ̂nMV est asymptotiquement sans biais, i.e. lim E(θ̂nMV ) = θ
n→∞
2 pour n tendant vers l’infini, la variance de θ̂nMV se
rapproche
de In (θ)
1
. On dit que θ̂nMV est asymptotiquement efficace.
3 des propriétés 1 et 2 on déduit que θ̂nMV converge vers θ en
moyenne quadratique (avec un choix adéquat de conditions de
régularité on démontre que θ̂nMV converge presque sûrement).
4 θ̂nMV tend à devenir gaussien quand n s’accroît.

avec In (θ) est l’information de Fisher apportée par le paramètre θ.

On a h ∂ 2 i
In (θ) = E ln f (x, θ)
∂θ

49 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Intérêt
On résume ces propriétés en disant que l’EMV est un
estimateur BAN (Best Asymptotically Normal).
L’intérêt de ce résultat est double. D’une part il garantit que
l’EMV, moyennant des conditions de régularité, soit de très
bonne qualité pour les grands échantillons (disons n > 30),
d’autre part il va permettre une approximation de sa
distribution d’échantillonnage par une gaussienne, ce qui sera
trè utile pour établir des intervalles de confiance.
Il existe une autre méthode d’estimation appelée La méthode
des moments. Cependant, elle est loin d’offrir les mêmes
garanties. C’est pourquoi la méthode du MV est la méthode de
référence, notamment dans les logiciels statistiques.

50 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Exemples d’estimateurs avec de bonnes propriétés

Soit X une variable aléatoire qui suit une loi normale de paramètres
µ et σ (X ∼ N (µ, σ)).
Nous désirons obtenir les estimateurs de la moyenne µ et de la
variance σ
Estimateur de la moyenne m ou µ
n
1X
X¯n = Xi
n
i=1

Il s’agit de la moyenne empirique qui est un estimateur sans

biais et convergent de µ.

51 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Estimateurs de la variance σ 2
Cas où la moyenne µ dans la population est connue
n
1X
2
T = (Xi − µ)2 ( non biaisé)
n
i=1

est un estimateur efficace de σ 2 .

Cas où la moyenne µ dans la population est inconnue
n
1X
Sl2 = (Xi − X̄ )2 ( biaisé)
n
i=1

Il s’agit de la variance empirique qui est un estimateur biaisé

de σ 2 , mais asymptotiquement sans biais.
n
1 X
S2 = (Xi − X̄ )2 (non biaisé)
n−1
i=1

52 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Intervalle de confiance : Introduction

Soit (X1 , X2 , ..., Xn ) un n-échantillon d’une loi dépendant d’un

paramètre θ. On sait construire un estimateur Tn de θ et en
déduire une estimation (donc une valeur) de θ à partir d’une
réalisation (x1 , x2 , ..., xn ).
Problème : quelle confiance accorder à cette estimation ?
Solution : trouver un encadrement de θ du type [tn − ε; tn + ε] avec
un niveau de confiance donné. Ce niveau de confiance sera atteint
via la loi de l’estimateur Tn .

53 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Les estimations ponctuelles, bien qu’utiles, ne fournissent aucune

information concernant la précision des estimations, c’est-à-dire
qu’elles ne tiennent pas compte de l’erreur possible dans
l’estimation due aux fluctuations d’échantillonnage. La théorie des
intervalles de confiance (IC) consiste à construire, autour de
l’estimation ponctuelle, un intervalle qui aura une grande
probabilité (1 − α) de contenir la vraie valeur du paramètre.
But
Trouver un encadrement du paramètre θ par des bornes (A et B)
telles que
P(A ≤ θ ≤ B) = 1 − α
1 − α est appélé seuil de confiance, fixé à priori et généralement
égal à 0.9, 0.95, 0.99

Remarquons que A et B sont des fonctions des Xi

54 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Procédure de construction
1 Trouver un estimateur ponctuel Tn de θ
2 A partir de la loi de Tn , trouver une fonction pivotale pour θ
i.e (une fonction des Xi et θ, h(X1 , X2 , ..., Xn , θ) dont la loi ne
dépend pas de θ)
3 Identifier la loi de cette fonction pivotale
4 On cherche u1 et u2 tel que
P(u1 ≤ h(x1 , x2 , ..., xn , θ) ≤ u2 ) = α.
5 On résout de la double inéquation u1 ≤ h(x1 , x2 , ...,n , θ) ≤ u2
en θ pour aboutir à l’encadrement
f (x1 , x2 , ...,n ) ≤ θ ≤ g (x1 , x2 , ...,n ) souhaité.

55 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Procédure de construction
1 Trouver un estimateur ponctuel Tn de θ
2 A partir de la loi de Tn , trouver une fonction pivotale pour θ
i.e (une fonction des Xi et θ, h(X1 , X2 , ..., Xn , θ) dont la loi ne
dépend pas de θ)
3 Identifier la loi de cette fonction pivotale

4 On cherche u et u tel que

1 2
P(u1 ≤ h(x1 , x2 , ..., xn , θ) ≤ u2 ) = α.
5 On résout de la double inéquation u ≤ h(x , x , ..., , θ) ≤ u
1 1 2 n 2
en θ pour aboutir à l’encadrement
f (x1 , x2 , ...,n ) ≤ θ ≤ g (x1 , x2 , ...,n ) souhaité.
Nous définissons la fonction Gamma par
Z +∞
Γ(a) = x a−1 exp (−x)dx
a

55 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Loi déduite de la loi normale : Loi du Khi-Deux

Soient X1 , X2 , ..., Xn , n variables aléatoires normales standards
(Xi ∼ N (0; 1)) pour i = 1, ..., n indépendantes. La variable
aléatoire X définie par :

X = X12 + X22 + ... + Xn2

suit une loi de Khi-Deux à n dégrés de libertés. Sa densité de

probabilité est donnée par la fonction suivante :
n
1
x 2 −1 exp (− x2 ) si x ≥ 0
(
n
2 n
fn (x) = 2 Γ( 2 )
0 si sinon.

Et on écrit X ∼ χ2 (n). On a E(X ) = 2 et Var (X ) = 2n. La loi de

probabilité de khi-deux est une loi Gamma de paramètres a = n2 ,
λ = 12 notée Γ( n2 , 12 )
56 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Loi déduite de la loi normale : Loi de Student

Soient X une variable aléatoire normale standard (Xi ∼ N (0; 1)) et
Y une variable aléatoire indépendante de X ayant la loi de khi-deux
à n degrés de liberté Y ∼ χ2 (n). La variable aléatoire T définie par

X
T =q
Y
n

suit la loi de Student à n degrés de liberté. Sa densité de probabilité

est donnée par

1 Γ( n+1
2 )
 x 2 − n+1
2
f (x) = √ n 1 + , x ∈R
nπ 2 n

Et on écrit T ∼ T (n). On a E(T ) = 0 et Var (T ) = n−2 n

. Elle est
symétrique, plus n est grand et plus sa distribution se confond avec
celle de la loi normale standard. 57 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Exemples d’intervalle de Confiance

Cas où n, la taille de l’échantillon, est petite n < 30

On suppose que X ∼ N (µ, σ).
On distingue deux cas σ est connu et σ est inconnu

Echantillon Gaussien
Soit (X1 , X2 , ..., Xn ) un n-échantillon de loi gaussienne N (µ, σ)
Intervalle de confiance de µ quand σ est connu
X¯n est un estimateur sans biais et consistant de µ.
on l’utilise pour construire un intervalle de confiance de µ de
niveau de confiance 1 − α

58 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Intervalle de confiance de µ quand σ est connu(suite)

Comme les X1 , X2 , ..., Xn sont indépendants de loi N (µ, σ)
alors
√ X¯n − µ
n ∼ N (0, 1)
σ
On cherche √
donc zα tel que 
¯
P − zα ≤ n Xnσ−µ ≤ zα = 1 − α.
α
zα : quantile d’ordre 1 − 2 d’une N (0, 1)
Ainsi, un intervalle de confiance de µ de niveau de confiance 1 − α
est
h zα σ zα σ i
ICα (µ) = X¯n − √ ; X¯n + √
n n

59 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Exemple

Pour α = 5%, d’après la table de la loi N (0, 1), zalpha = 1.96, ainsi
µ ∈ ICα avec une probabilité fixe égale à 95% : si on répétait
l’expérience aléatoire de tirage d’un échantillon de taille n un grand
nombre de fois, pour 95% d’entre eux (950 sur 1000 par exemple)
l’intervalle contiendrait la valeur µ.
Pour un échantillon donné de taille n, l’intervalle correspondant est
donc h zα σ zα σ i
ICα (µ) = x¯n − √ ; x¯n + √
n n
Cet intervalle sera alors l’estimation par intervalle de µ, qui
contiendra (échantillon typique) ou ne contiendra pas (échantillon
atypique) la vraie valeur de µ.

60 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Exemples d’intervalle de Confiance

Echantillon Gaussien
Intervalle de confiance de µ quand σ est inconnu
X¯n est un estimateur sans biais et consistant de µ.
on l’utilise pour construire un intervalle de confiance de µ de
niveau de confiance 1 − α
S 2 est un estimateur sans biais et consistant de σ 2 .
on l’utilise pour construire un intervalle de confiance de σ 2 de
niveau de confiance 1 − α

61 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Exemples d’intervalle de Confiance

Echantillon Gaussien
Intervalle de confiance de µ quand σ est inconnu
X¯n est un estimateur sans biais et consistant de µ.
on l’utilise pour construire un intervalle de confiance de µ de
niveau de confiance 1 − α
S 2 est un estimateur sans biais et consistant de σ 2 .
on l’utilise pour construire un intervalle de confiance de σ 2 de
niveau de confiance 1 − α

Soit (X1 , X2 , ..., Xn ) un n-échantillon de loi N (µ, σ). Soient

n n
1X 1 X
X¯n = Xi et S 2 = (Xi − X¯n )2 alors
n n−1
i=1 i=1
√ X¯n − µ
n √ ∼ T (n − 1) (loi de Student à n − 1 degrés de liberté)
S2 61 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Intervalle de confiance de µ quand σ est inconnu(suite)

 √ ¯ 
On cherche donc tα tel que P − tα ≤ n X√n −µ S2
≤ t α = 1−α
à l’aide de la loi de Student
tα : quantile d’ordre 1 − α2 de Student à n − 1 degrés de
libertés
On obtient l’intervalle de confiance de µ de niveau de confiance
1 − α, √ √
h
¯ tα S 2 ¯ tα S 2 i
ICα (µ) = Xn − √ ; Xn + √
n n

62 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Echantillon Gaussien
Intervalle de confiance de σ 2 quand µ est inconnu
S 2 est un estimateur sans biais et consistant de σ 2 .
on l’utilise pour construire un intervalle de confiance de σ 2 de
niveau de confiance 1 − α.
Comme les X1 , X2 , ..., Xn sont indépendants de loi N (µ, σ)
alors
S2
(n − 1) 2 ∼ χ2 (n)
σ

63 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

On
 cherche donc 2cα et dα tels que
P cα ≤ (n − 1) Sσ2 ≤ dα = 1 − α.
Pour un
 intervalle unilatéral,
 on cherche par exemple dα tel
S2
que P (n − 1) σ2 ≤ dα = 1 − α.
Ainsi, dα représente le quantile d’ordre α de la loi de Khi-deux
à n − 1 dégrés de liberté χ2 (n − 1)
On obtient l’intervalle de confiance de σ 2 de niveau de confiance
1 − α,
h S2 S2 i
ICα (σ 2 ) = (n − 1) ; (n − 1)
dα cα

64 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Exemples d’intervalle de Confiance

Cas des l’échantillon de grande taille n ≥ 30

Dans ce cas,l’hypothèse X ∼ N (µ, σ) n’est plus necessaire
On distingue deux cas σ est connu et σ est inconnu

Echantillon de grande taille

Soit (X1 , X2 , ..., Xn ) un n-échantillon d’une loi inconnue d’espérance
E(X1 ) = µ et de variance V (X1 ) = σ 2 . On suppose n ≥ 30.
Problème : construire un intervalle de confiance de µ de niveau
de confiance 1 − α.
Solution : Utiliser le théorème central limite (TCL) pour
approcher la loi de X¯n par une loi connue.

65 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

√ ¯
Comme n ≥ 30, on peut approcher la loi de n Xnσ−µ par une
loi normale centrée et réduite.
On peut aussi montrer que on peut approcher la loi de
√ X¯n −µ
n S par une loi normale centrée et réduite.

66 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Cas où σ est connu : Intervalle de confiance de µ de niveau de

confiance 1 − α.
h zα σ zα σ i
ICα (µ) = X¯n − √ ; X¯n + √
n n

où zα obtenu via la table de la loi normale centrée réduite.

Cas où σ est inconnu : Intervalle de confiance de µ de niveau
de confiance 1 − α.
√ √
h
¯ zα S 2 ¯ zα S 2 i
ICα (µ) = Xn − √ ; Xn + √
n n

où zα obtenu via la table de la loi normale centrée réduite.

67 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Soit une population ayant des individus possédant une certaine

caractéristique A. On veut estimer à partir d’un échantillon de taille
n la proportion d’individus possédant cette caractéristique A. Soit
K la variable aléatoire qui représente le nombre d’individus dans
l’échantillon possédant la caractéristique A.
Estimation ponctuelle d’une proportion
La fréquence empirique F = K
n est l’estimateur efficace de p.
p(1−p)
E(F ) = p et Var (F ) = n
donc F est un estimateur sans biais et convergent de p.

68 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

Estimation par intervalle de confiance d’une proportion

On sait que F = Kn est un estimateur ponctuel de p, où p est
la proportion de la population possédant le caractère considéré.
Pour np, n(1 − p) > 5,
r
p(1 − p) F −p
F ∼ N (p, ) ie q ∼ N (0, 1).
n p(1−p)
n

On cherche dans la table de N (0, 1) la valeur u1− α2 telle que

F −p F −p α
P(−uα ≤ q ≤ uα ) = 1−α ie P( q ≤ uα ) = 1−
p(1−p) p(1−p) 2
n n

uα est donc le quantile d’ordre 1 − α

2 d’une loi normale centrée
réduite.
69 / 86
 Introduction Echantillonnage
Statistique Descriptive Qualité d’un Estimateur
Statistique Inférentielle Constuction d’un estimateur : Estimation Ponctuelle
Tests Estimation par intervalle de Confiance

On aboutit ainsi à l’encadrement suivant

r r
p(1 − p) p(1 − p)
P(F − u1− α2 ≤ p ≤ F + u1− α2 )=1−α
n n

Problème : p(1 − p) est inconnu pourtant il intervient dans les

bornes de l’intervalle.
Solution :q
Méthode parqestimation de l’écart-type ie on
p(1−p)
remplace n par f (1−f
n
)
où f est une estimation de F.
Finalement, l’intervalle de confiance défini pour la proportion est :
r r
h f (1 − f ) f (1 − f ) i
f − u1− α2 , f + u1− α2
n n

70 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Tests

71 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Exemple de la comparaison de deux échantillons

On observe une différence entre les deux groupes. Est-elle

significative ? Pour cela on effectue un test statistique
72 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

On dispose de n données x1 , x2 , ...., xn réalisations de n

variables aléatoires X1 , X2 , ...., Xn . On va chercher à tester des
hypothèses portant sur la loi de probabilité du n-uplet
(X1 , X2 , ...., Xn ) modélisant les observations.
On se placera essentiellement dans le cadre où les Xi sont
indépendantes et identiquement distribuées (iid).
On effectue un test de H0 contre H1 , H0 et H1 étant deux
hypothèses portant sur la loi de X1 , X2 , ...., Xn .

73 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

La construction d’un test va consister à établir une règle de

décision permettant de faire un choix entre les deux hypothèses
H0 et H1 au vu d’un échantillon de même loi que X .
En faisant ce test nous allons faire deux types d’erreurs La
première erreur consiste à rejetter l’hypothèse H0 alors qu’elle
est vraie.
La deuxième erreur consiste à garder l’hypothèse H0 alors
qu’elle est fausse.

74 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Choix des hypothèses

H0 est l’hypothèse privilégiée

L’hypothèse H0 appelée hypothèse nulle est celle que l’on
garde si le résultat de l’expérience n’est pas clair. On conserve
H0 sauf si les données conduisent à la rejeter.
Quand on ne rejette pas H0 , on ne prouve pas qu’elle est
vraie ; on accepte de conserver H0 car on n’a pas pu accumuler
suffisamment d’éléments matériels contre elle ; les données ne
sont pas incompatibles avec H0 , et l’on n’a pas de raison
suffisante de lui préférer H1 compte-tenu des résultats de
l’échantillon.
L’hypothèse H1 contre laquelle on teste H0 est appelée contre
hypothèse ou hypothèse alternative

75 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Niveau de test et statistique de test

En pratique, on va imposer pour le test que la probabilité de

rejetter H0 à tort (alors qu’elle est vraie) soit petite, inférieure
à α, que l’on appelera le niveau du test.
Lorsque le test conduira à rejeter H0 pour H1 , on dira que le
test de niveau α est significatif. Dans ce cas, on aura
démontrer H1 avec un risque α de se tromper.
Le test est basé sur une statistique de test, Tn , fonction des
variables aléatoires X1 , X2 , ..., Xn .
La statistique de test Tn est une variable aléatoire dont la loi
sous H0 va déterminer la zone de rejet de H0 (appelée région
critique). On rejette H0 quand Tn est "loin" de H0 vers H1

76 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Résumé

On choisit 2 hypothèses : H0 (nulle) VS H1 (alternative)

On construit une statistique de test : T dont on connait
exactement la loi sous H0 et la tendance sous H1 .
On fixe seuil de significativité α
On détermine une région de rejet ZR ou région critique dans
laquelle se trouve T avec proba α sous H0 .
Si la statistique observée sur les données observées se trouve
dans la zone de rejet, on rejette l’hypothèse H0 au profit deH1 .
Si non, on ne peut rejeter H0 , on ne peut pas prouver que H0
est fausse.

77 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Test d’adéquation d’un échantillon à une valeur

Soit X un caractère quantitatif d’une population P dont on veut

étudier l’espérance E(X ) = µ. On note Var (X ) = σ 2 . Soit
(X1 , X2 , ..., Xn ) un échantillon i.i.d. de même loi que X ; et
x1 , x2 , ..., xn une série statistique, réalisation de l’échantillon.
Soit µ0 , une valeur de référence connue et fixée. On veut tester

H0 : µ = µ 0

contre une des trois alternatives suivantes

µ ̸= µ0
µ < µ0
µ > µ0

78 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Construction du test

Il est naturel de rejeter H0 si l’écart X̄ − µ0 est “trop grand”.

Il faut donc connaître la loi de X̄ − µ0 sous H0 .
On distingue plusieurs cas :
la variance σ 2 de X est-elle connue ou inconnue ?
A t’on un grand échantillon (de loi quelconque) pour utiliser le
TCL, ou un échantillon de loi normale

79 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Cas d’un échantillon gaussien, variance inconnue

On suppose que l’on a un n-échantillon (X1 , X2 , ..., Xn ) gaussien,
X ∼ N (µ, σ 2 ).
On estime µ par X¯n , et σ 2 par S 2 . On sait alors que
√ X¯n − µ0
Tn = n √ ∼ t(n − 1)
S 2 H0
(loi de Student à (n − 1) degrés de liberté).
Test de H0 : µ = µ0 VS H1 : µ ̸= µ0
√ ¯n −µ0
Statistique de test : sous H0 , Tn = n X√ 2
∼ t(n − 1)
S H0
Règle de décision :
Si |Tn | > sα , On rejette H0
Si |Tn | ≤ sα , On ne rejette pas H0
où sα est le quantile d’ordre 1 − α
2 de la loi de Student
80 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Autre point de vue : La p-valeur

Définition
La p-valeur est le risque minimal pour accepter H1 . C’est le
plus petit niveau α pour lequel le test est significatif.
C’est aussi la probabilité que la statistique de test dépasse la
valeur observée sur les données, sous H0 .
La p-valeur ne peut être calculée qu’une fois que les
observations ont été faites (tn calculé)
C’est la valeur habituellement donnée par les logiciels. Plus la
p-valeur est faible, moins on prend de risque en rejetant H0 .

0.01 < p − valeur ≤ 0.05 ........... Test significatif

0.001 < p − valeur ≤ 0.01 ......... Test très significatif
p − valeur ≤ 0.001 ........... Test hautement significatif
81 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Pour le test d’adéquation d’un échantillon à une valeur µ0

 
p − valeur = PH0 (|Tn | ≥ |tn |) = 2 1 − PH0 (|Tn | ≤ |tn |)
 
= 2 1 − PH0 (|t(n − 1) ≤ |tn |)

car Tn ∼ t(n − 1)
H0

82 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Echantillon non gaussien de grande taille, variance inconnue

On suppose que l’on a un n-échantillon (X1 , X2 , ..., Xn ) gaussien,
Xi ∼ N (µ, σ 2 ).
On estime µ par X¯n , et σ 2 par S 2 . On sait alors d’après le (TCL)
que
√ X¯n − µ0
Tn = n √ ∼ N (0, 1)
S 2 H0

Test de H0 : µ = µ0 VS H1 : µ ̸= µ0
√ ¯n −µ0
Statistique de test : sous H0 , Tn = n X√ 2
∼ N (0, 1)
S H0
Règle de décision :
Si |Tn | > sα , On rejette H0
Si |Tn | ≤ sα , On ne rejette pas H0
où sα est le quantile d’ordre 1 − α
2 de la loi de N (0, 1)
83 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Test sur la valeur d’une probabilité sur un échantillon

84 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Test de Normalité

85 / 86
 Introduction Principes
Statistique Descriptive Test d’adéquation à une valeur
Statistique Inférentielle Test d’une probabilité
Tests Test de Normalité

Cas Pratique sur Logiciel R

86 / 86