Première partie

Théorie d’estimation

1
0.1 Echantillonnage :
On s’intéresse à l’étude d’un caractère dans une population P à laquelle on n’a
pas accés. Si on extrait plusieurs échantillons reprèsentatif de taille n …xées,
les di¤érences observées entre les résultats obtenus sont dues à des ‡ucuations
d’échantillonnages. A partir d’un échantillon, on n’a pas de certitudes mais
estimations de paramètres.
L’échantillonnage est dit non-exhaustif si le tirade de n individus consti-
tuant l’échantillon a lieu avec remise.
Il est exhaustif si le tirage est réalisé sans remise. En fait, le plus souvent
la taille de l’éhantillon est faible par rapport à celle de la population, aussi
on considérera dans la suite que tout échantilllonnageest assimilable au cas
non-exhaustif.
Si on étudie sur la population un caractére quantitatif, et si on considère
plusieurs échantillon de taille n , on peut calculer la moyenne et la variancede
chaque échantillon. On dé…nit ainsi trois variables aléatoires.
X moyenne aléatoire de l’échantillon qui prend pour valeurs les moyenne
des échantillons de taille n:
Se2 variance aléatoire de l’échantillon qui prend pour valeurs les variance
des échantillons de taille n:
Si la population est formée des individus ayant ou non un caractére A.
F fréquence des échantillons qui prend pour valeurs les fréquences de A
des échantillons de taille n:

0.2 Estimation ponctuelle de la moyenne et la variance :

Soit X une variables aléatoire dé…nie sur la population avec la moyenne et
la variance 2 :
c’est et qu’il s’agit d’estimer
2 n 1
Théorème 1 E(X) = V (X) = n
; E(Se2 ) = n
2

2
0.2.1 Interprétation des résultats :

D’une maniére générale,on dit qu’une variable aléatoire R est estimateur

sans biais d’un paramétre r si E(R) = r
Dans le cas contraire on parle d’estimateur biaisé.
X est estimateur sans biais de :Mais Se2 est un estimateur biaisé de 2
:
n
Par contre S 2 = S2
n 1 e
est un estimateur sans biais de 2
:
En pratique ; on dispose d’un seul échantillon de taille n , alors la meilleur
estimation ponctuelle :
La meilleur estimation ponctuelle de est la moyenne x de l’échantillon.
2
la meilleur estimation ponctuelle de est le nombre s2 :
n
s2 = n 1
varaince de l0 echantillon:

0.3 Estimation ponctuelle d’un pourcentage :

la population est formée d’individus ayant ou non un caractére donné A.
Soit p la probabilité pour qu’un individu pris au hasard dans la population
présente le caractére A:
p(1 p)
Théorème 2 E(F ) = p V (F ) = n

0.3.1 Utilisation :

F est un estimateur sans biais de p:Quand on dispose d’un seul échantillon

de taille n; la meilleur estimation ponctuelle de p est donc la fréquence f
observée sur l’échantiollon.

0.4 Estimation d’une moyenne par un intervalle de con…ance :

L’estimation ponctuelle n’est pas commaude ; c’est pour cette raison on
cherche un intervalle I telle que : on ait de forte probabilité contenue
c-à-d I =]a; b[ P ( 2 I) = 1 ; où =risque
par exemple si = 5% ) 1 = 95%

3
On a 3 cas se présentent :
1er cas : P y N ( ; ) où n 30
P y N ( ; ) ) X y N ( ; pn )
X
X y N ( ; pn ); posons z = p
y N (0; 1)
n

X
P ( z < z < +z ) = 1 ) p( z < p
< +z ) = 1
n

) P( z p
n
<X < +z p
n
)=1

) P (X z p
n
< <X +z p
n
)=1
2 I =]x z p
n
;x + z p
n
[

2eme cas: P y N ( ; ) où n
30 et de la population est inconnue :
p
Si est inconnue, on l’estime par s = nn 1 se
D’où : I =]x z p se ; m +z p se [
n 1 n 1

3eme cas : P quelconque et n < 30 et inconnue

X suit la loi de student à n-1 degrés de liberté X y St((n 1)d:d:l)
D’où I =]x t p se ; m +t p se [
n 1 n 1

t est détermina par la table de student.

Exemple :
Un dosage de sucre dans une solution e¤ecuée sur 8 prélévement provenant
d’une meme fabrication a donné les résultats suivants exprimé en g/l :
19,5 19,7 19,8 20,2 20,2 20,3 20,4 20,8
trouver I au risque 5%
On ait au 3eme cas : n < 30 et =?
P P
xi x2i
x= n
= 20; 11g=l; V = s2e = n
x2 = 0; 178(g=l)2 ) se = 0; 422g=l
n 1=8 1 = 7 et = 5% = 0; 05 d’aprés la table de student t = 2; 365
(2;365)(0;422) (2;365)(0;422)
2]20; 11 7
; 20; 11 + 7
[) 2]19; 75; 20; 46[

4
0.5 Estimation d’un pourcentage par un intervalle de con…ance :
Soit dans une population P ; une variable quantitative présentée dans la
partition p( absente dans la partition q = 1 p):Soit un échantillon de taille
n sur lequel on dénombre np fois la présence du caractére A (nq fois son
absence) avec : n = np + nq
p
1er cas : si n 30; np 5 et nq 5 =) F y N (p; pqn )
F p
posons z = p pq y N (0; 1)
n

F p
P ( z < z < +z ) = 1 =) P ( z < p pq < +z ) = 1 =)
p pq p pq n

P( z n
< F p < +z n
) = 1
p pq p pq
=) P ( z n
< F p < +z n
)=1
p pq p pq
=) P (F z n
<p<F +z n
)=1
p pq p pq
Alors l’intervalle de con…ane de p est : I =]f z n
;f + z n
[
f (1 f ) p(1 p)
et comme n
est une estimation non biaisée de n
q q
f (1 f ) f (1 f )
D’où I =]f z n
;f + z n
[

2emecas : Si n < 30; np < 5 où nq < 5

dans ce cas l’intervalle de con…ance de la proprotion p est :
q q
f (1 f ) f (1 f )
I =]f t n
; f + t n
[
le t lu dans la table de student à (n 1) degrés de libereté.

Remarque 3 lorsque le nombre de degré de liberté tend vers l’in…ni, la fonc-

tion de répartition de la loi de student tends vers celle de la loi normale
centrée réduite( en pratique n 30)

0.6 Estimation d’une variance par un intervalle de con…ance :

n 1
Théorème 4 Si X suit une loi normale, la variable aléatoire Y 2 = 2 S2
suit la loi de 2 à n 1 degrés de libertés.

5
0.6.1 Utilisation si n 31 :

Le coe¢ cient de risque étant choisi et le nombre de degrés de liberté étant

connu, la table de 2 permet de déterminer a et b tels que :
P (a < Y 2 < b) = 1 avec P (Y 2 b) = 2
et P (Y 2 a) = 1 2
2 2
La seule valeur connue de S est s ;on obtient comme intervalle de con…ance
de 2 au risque :] (n b 1) s2 ; (n a 1) s2 [

Remarque 5 On a (n 1)s2 = ns2e où s2e est la variance de l’échantillon.

0.6.2 Utilisation si n > 31 :

2
Le théorème cité est vrai quel que soit n: Mais les tables de s’arrete au
degrés de liberté 30. On ne peut pas les utiliser si n > 31:

Théorème 6 Si Y 2 est une variable aléatoire qui suit une 2

p loi dep de degrés
de liberté et si > 30; alors la variable aléatoire U = Y 2 2 1 suit
sensiblement la loi normale centrée réduite.

Utilisation :
q p
Ici on a U = 2(n 2 1) S 2 2n 3; Aprés avoir choisi on détermine z et
on déduit l’intervalle de con…ance de 2 :
1)s2 1)s2
] p2(n
2n 3+z 2
; p2(n
2n 3 z2
[

6
 Deuxième partie

Introduction aux test

statistiques

7
0.7 Test d’hypothéses :
On est souvent conduit à prendre une décision au sujet d’une population à
partir des informations données sur un échantillon. Il s’agit de faire un choix
entre plusieurs hypothéses.
On met en avant une hypothése dite hypothése nulle et notée ( H0 ): on
souhaite véri…er si (H0 ) est vraie alors que deux hypothéses sont possibles
(H0 ) et (H1 ) ; où (H1 ) est dite hypothése alternative.
Pour e¤ectue notre choix entre (H0 ) et (H1 ) ; on e¤ectue un test statistique
lequel comporte les étapes suivantes :
a) Dé…nir (H0 ) et (H1 ):
b) Choisir un certain paramétre sous l’hypothése (H0 ):
c)Choisir un seuil :
d) Lire dans la table de la distributuion du parametre choisi en (b) la valeur
correspendante à :
e) Dé…nir une région critique.
f) Calculer la valeur du paramétre choisi en (b)
g) Adopter la régle suivante : si la valeur du paramétre calculer en (b) ap-
partienne à la région critique (H1 ) si non on accepte (H0 ):
On est alors conduit à choisir parmi deux décisions :
-Le résultat obetenue conduit à rejeter (H0 ). Mais on court ainsi un risque
de se tromper dit erreur de première espèce et noté :
est la probabilité de se tromper quand on rejete (H0 )
-Le résultat obtenu conduit à accepter (H0 ). Mais il y a là encore un risque
d’erreur. Il est dit erreur de deuxiéme espèce et noté :
est la probabilité de se tromper quand on accepte (H0 ).

0.7.1 Test de conformité :

Il s’agit de comparer un échantillon à une loi théorique. L’hypothése (H0 )

consiste à supposer que les di¤érences observées ne sont pas signi…cative et

8
 sont dues aux ‡uctuations d’échantillonnage.

0.7.2 Test d’homogénétié :

Il s’agit de comparer deux échantillons. L’hypothése (H0 ) est qu’ils pro-

viennent d’une meme population.

0.7.3 Comparaison d’une moyenne observée à une moyenne théorique :

Soit x la moyenne observée d’une variable quantitative dans un échantillon

E. Soit d’autre part P0 une population de moyenne 0 .
On désire savoir : Si l’échantillon E provient de P0 ou s’il est extrait
d’une autre population P de moyenne 6= 0
On désire savoir si la di¤érence x 0 entre les deux moyennes est signi…cative
(en l’est pas extrait de P0 ) où bien la di¤érence n’est pas signi…cative (extrait
de P0 ).

Test bilatéral :

On test (H0 ) l’hypothése nulle contre (H1 ) l’hypothése alternative.

(H0 ) l’hypothése nulle : = 0

(H1 ) l’hypothése alternative : 6= 0

x
On calcule z = p
0
n

En choisissant un seuil signi…cative est on est amené à prendre la

décision suivante :
z 2] z ; +z [ on accepte (H0 )
z 2]
= z ; +z [ on rejette (H0 ):

Test unilatéral :

On test (H0 ) l’hypothése nulle contre l’hypothése (H1 ) :

(H0 ) l’hypothése nulle : = 0

(H1 ) l’hypothése : > 0 où < 0

9
 x
On calcule z = p
0
n

Pour le cas unilatéral à droite :

z 2] 1; +z ] on accepte (H0 )
z 2] + z ; +1[ on rejette (H0 ):
Pour le cas unilatéral à gauche :
z 2 [ z ; +1[ on accepte (H0 )
z 2] 1; z [ on rejette (H0 ):
Soit la population P0 de moyenne 0 et d’écart type ; on extrait un echan-
tiollon E de taille n: la moyenne d’échantillon est x:On a 4 cas :
1er cas : n 30 et connue
x
x y N ( 0 ; pn ) ) z = p
0
y N (0; 1)
n

Supposon que = 5% ) z = 1; 96
Si z 2] 1; 96; +1; 96[ on accepete l’hypothése (H0 ) (E extrait de la popu-
lation P0 )
Si z 2] 1; 1; 96[ où z 2] + 1; 96; +1[ ( la région critique) On accepete
(H1 ) (E extrait de P et non P0 )
2eme cas : n 30 et inconnue
p n
de la population est inconnue on l’estime par s = s
n 1 e
; se l’écart type
de l’échantillon E:
x
z = ps
0
y N (0; 1)
n

3eme cas : N < 30 et inconnue

x
tl = pS
0
y St((n 1)d:d:l)
N

4eme cas : la population est normale et connue

c’est le 1er cas.

10
0.7.4 Comparaison d’une fréquence observée à une fréquence théorique :

Dans une population P on étudie un caractére statistique à deux modalités

A et A: Soit p le pourcentage d’apparition de A dans la population, et f est
la fréquence d’apparition de A dans un échantillon de taille n: notons F la
variable aléatoire qui prend la valeur f sur chaque échantiollon de taille n:
Est ce que la di¤erence entre f et p est explicable par les aléatoires dus à
l’échantillonnage ?

Test bilatéral :

On test (H0 ) l’hypothése nulle contre l’hypothése alternative (H1 ) :

(H0 ) l’hypothése nulle : p = p0
(H1 ) l’hypothése alternative : p 6= p0
On calcule z = q f p
p0 (1 p0 )
n

En choisissant un seuil signi…cative est on est amené à prendre la décision

suivante :
z 2] z ; +z [ on accepte (H0 )
z 2]
= z ; +z [ on rejette (H0 ):

Test unilatéral :

On test (H0 ) l’hypothése nulle contre l’hypothése (H1 )

(H0 ) l’hypothése nulle : p = p0
(H1 ) l’hypothése : p > p0 où p < p0
, On calcule z = q f p0
(p0 (1 p0 )
n

Pour le cas unilatéral à droite :

z 2] 1; +z ] on accepte (H0 )
z 2] + z ; +1[ on rejette (H0 ):
Pour le cas unilatéral à gauche :

11
 z 2 [ z ; +1[ on accepte (H0 )
z 2] 1; z [ on rejette (H0 ):
On a deux cas à distingué :
p pq
1er cas : si n 30; np 5 et nq 5 =) F y N (p; n
)
F p q f p0
posons z = p pq y N (0; 1) ) z = (p0 (1 p0 )
n n

2emecas : Si n < 30; np < 5 où nq < 5

le t lu dans la table de Student à (n 1) degrés de libereté.

0.7.5 Comparaison d’une variance expérimentale et d’une variance théorique :

Soit X une variable aléatoire suit la loi normale N ( ; ); on extrait un échan-

tillon de taille n, x est la moyenne de l’échantillon et s2 = nn 1 s2e
s2e est la variance de l’échantillon.
n 1
Alors Y 2 = 2 S 2 suit la loi khi-deux à (n 1) degrés de liberté.

Test bilatérale :

On test (H0 ) l’hypothése nulle contre (H1 ) l’hypothése alternative.

2 2
(H0 ) l’hypothése nulle : = 0
2 2
(H1 ) l’hypothése alternative : 6= 0
n 1 2
On calcule y 2 = 2 s
Le risque étant …xé et le nombre de degrés de liberté étant connu, la table
de 2 permet de déterminer a et b tels que :
P (a < Y 2 < b) = 1 avec p(Y 2 b) = 2
et P (Y 2 a) = 1 2

Si y 2 2]a; b[ alors on accepte (H0 ).

Si y 2 2]a;
= b[ alors on rejette (H0 ).

12
Test unilatérale :

On test (H0 ) l’hypothése nulle contre l’hypothése (H1 ) :

2 2
(H0 ) l’hypothése nulle : = 0
2 2
(H1 ) l’hypothése : > 0

On détermine b tel que P (Y 2 b) = , on décide que :

Si y 2 < b, alors on accepte (H0 ).
Si y 2 b; alors on rejette (H0 ).

Test unilatérale :

On test (H0 ) l’hypothése nulle contre l’hypothése (H1 ).

2 2
(H0 ) l’hypothése nulle : = 0
2 2
(H1 ) l’hypothése : < 0

On détermine a tel que P (Y 2 a) = 1 , on décide que :

Si y 2 > a, alors on accepte (H0 ).
Si y 2 a; alors on rejette (H0 ) avec une probabilité de se tromper.

0.7.6 Test d’homogénétié :

Il s’agit de comparer deux échantillons. L’hypothése (H0 ) est qu’ils pro-

viennent d’une meme population.

0.7.7 Comparaison de deux moyennes :

Dans deux populations P1 et P2 ; on étudie une variable aléatoire X:

On note :

1 et 1 la moyenne et l’écart-type de X dans P1 :

2 et 2 la moyenne et l’écart-type de X dans P2 :

De P1 on extrait un échantillon E1 de taille n1 ; pour lequel on calcule sa
moyenne x1 et s1 estimation de 1 :

13
 De P2 on extrait un échantillon E2 de taille n2 ; pour lequel on calcule sa
moyenne x2 et s2 estimation de 2 :
les échantillons E1 et E2 sont supposés indépendantes. le problème est de
savoir si les di¤érence entre les moyennes expirémentales x1 et x2 est signi…-
cative, ou contraire explicable par les ‡ucuations d’échantillonnage.
1)Cas de grand échantillons indépendants :
On suppose que n1 > 30 et n2 > 30
X1 X2
Théorème 7 Quelle que soit la loi suivie par X , la v.a Z = r
2 2
suit
1+ 2
n1 n2

la loi normale centrée réduite.

On calcule z = rx1 x2
s2 2
1 + s2
n1 n2

0.7.8 Test bilatéral :

(H0 ) 1 = 2 c’est à dire P1 = P2 sont homogénes.

(H1 ) 1 6= 2

étant …xé, on lit z tel que : P (jZj z )=

Si z 2] z ; z [; on accepte (H0 )
Si z 2]
= z ; z [; on rejette (H0 ):

0.7.9 Test unilatérale :

(H0 ) : 1 = 2 conte (H1 ) 1 > 2

On détermine z tel que P (Z < z ) = 1 et on décide que :

Si z < z ; alors on accepte (H0 ).
Si z z ; alors on rejette (H0 ).
(H0 ) : 1 = 2 conte (H1 ) 1 < 2
0
On détermine z tel que P (Z z )=1 et on décide que :
Si z > z ; alors on accepte (H0 ).

14
 Si z z ; alors on rejette (H0 ).
2) Cas de petits échantillons extraits de populations gaussiennes :
On suppose n1 < 30 et n2 < 30 et = 1 = 2

Théorème 8 Si X suit une loi normale dans P1 et P2 et si = 1 =

X1 X2
2 ;Alors la variable aléatoire T = r
1
suit la loi de student à (n1 +n2 2)
1
n2
+n
2
degrés de liberté.

Remarque 9 : Comme on ne connait pas 1 et ; 2 ; il faut d’abord tester

l’égalités des deux variances. Si l’hypothèses
q 1 = 2 est retenue, cette valeur
(n1 1)s21 +(n2 1)s22
commune est alors estimée par : b = n1 +n2 2

x1 x2
On calcul t = q
1
b n
+ n1
1 2

0.7.10 Test bélatéral :

étant …xé, on lit t tel que : P (jT j t )=

Si t 2] t ; t [; on accepte (H0 )
Si t 2]
= t ; t [; on rejette (H0 ):

0.7.11 Test unilatéral :

(H0 ) : 1 = 2 contre (H1 ) 1 > 2

On détermine t tel que P (T < t ) = 1 et on décide que :

Si t < t ; alors on accepte (H0 ).
Si t t ; alors on rejette (H0 ).
(H0 ) : 1 = 2 contre (H1 ) 1 < 2

On détermine t tel que P (T t )=1 et on décide que :

Si t > t ; alors on accepte (H0 ).
Si t t ; alors on rejette (H0 ).

15
 3) Cas des échantillons appariés :
Deux échantillons E1 et E2 sont dits appariés lorsque chaque observation
x1;i de E1 est asociée à une valeur x2;i de E2 (appariés=associés par paires).
C’est par exemple le cas lorsque E1 et E2 proviennent d’un meme groupe de
malades avant et aprés traitement. Deux échantillons appariés ont donc la
meme taille n = n1 = n2 :
3.1)Cas des grands échantillons appariés :
On suppose que n = n1 = n2 > 30; et que les échantillons E1 et E2 sont
appariés.
On considère la variable aléatoire D = X1 X2 ; dont un échantillon est
(D1 ; D2 ; :::; Dn ) avec Di = X1;i X2;i la moyenne et la variance d’échantillon
sont :
P P
Di n Di2
D= n
et Sd2 = n
S 2 avec Sd;e
1 d;e
2
= n
(D)2
Désignons par = 1 2 la moyenne de D:
D
Puisque n > 30, U = S
pd
suit la loi normale N (0; 1):
n

Test bélatéral :

L’hypothése (H0 ) : 1 = 2 contre (H1 ) 1 6= 2

Ce test est équivalent au test bilatéral de (H0 ) : = 0 contre (H1 ) : 6= 0

Test unilatéral :

L’hypothése (H0 ) : 1 = 2 contre (H1 ) 1 > 2

Ce test est équivalent au test bilatéral de (H0 ) : = 0 contre (H1 ) : >0

3.2) Cas des petits échantillons appariés extraits de populations
gaussiennes :
On suppose que n = n1 = n2 30; et que les échantillons E1 et E2 sont
appariés. et que X1 et X2 suivent les lois normales N ( 1 ; 1 ) et N ( 2 ; 2 )
D
Dans ce cas T = S
pd
suit la loi de Student à (n 1) degrés de liberté.
n

16
0.7.12 Comparaison de deux fréquences :

Dans deux populations P1 et P2 on étudié un caractére statistique à deux

modalités A et A:Les pourcentages d’apparition de A dans les populations P1
et P2 sont p1 et p2 :De P1 et P2 on extrait deux échantillons E1 et E2 de taille
n1 et n2 dans lesquels les fréquences d’appartition de A sont respectivement
f1 et f2 :
Notons F1 et F2 les variables aléatoires qui prennent les valeurs f1 et f2 sur
chaque échantillon.

Test bilatérale :

(H0 ) p1 = p2 = p
(H1 ) p1 6= p2

Théorème 10 Supposons que : n1 30 et n2 30 ; n1 f1 5 et n1 (1

f1 ) 5; n2 f2 5 et n2 (1 f2 ) 5;Alors la v.a Z = q p(1F1p) F2p(1 p)
suit la
n1
+ n2
loi normale centrée réduite.
n1 f1 +n2 f2
Estimation de p : on l’estime p par pb = n1 +n2
f1 f2
On calcule z = q
pb(1 pb)( n1 + n1 )
1 2

Puis on choisit le risque, on lit dans la table z tel que : P (jZj z )=

Si z 2] z ; z [; on accepte (H0 )
Si z 2]
= z ; z [; on rejette (H0 ):

Test unilatérale :

On a (H0 ) p1 = p2 contre (H1 ) p1 > p2

Dans ce cas on a toujour z > 0
On détermine alors z tels que : P (Z z )=
Si z < z ; on accepte (H0 )
Si z z ; on rejette (H0 )

17
0.7.13 Comparaison de deux variances :

Dans deux populations P1 et P2 ; on étudie une variable aléatoire X:

On note :

1 et 1 la moyenne et l’écart-type de X dans P1 :

2 et 2 la moyenne et l’écart-type de X dans P2 :

De P1 on extrait un échantillon E1 de taille n1 ; pour lequel on calcule sa
moyenne x1 et s1 estimation de 1 :
De P2 on extrait un échantillon E2 de taille n2 ; pour lequel on calcule sa
moyenne x2 et s2 estimation de 2 :
les échantillons E1 et E2 sont supposés indépendantes. le problème est de
savoir si les di¤érence entre les moyennes expirémentales s21 et s22 est signi…-
cative, ou au contraire explicable par les ‡ucuations d’échantillonnage.
2 2 2 2
On teste (H0 ): 1 = 2 contre (H1 ) : 1 6= 2

Théorème 11 Si les deux population sont gaussiennes, la variable aléatoire

S2
F = S12 suit la loi de Snédécor à (n1 1; n2 1) degrés de liberté.
2

s2
On calcule f = s21 ; Si nécesaire, on permute les échantillons de sorte que
2
f 1:le risque étant …xé ; on détermine f tel que :
P (F f )= 2
( on utilise la table de Snédécor) et on décide que :
Si f < f alors on accepte (H0 ).
Si f f on rejette (H0 ).
Lois de Snédécor :
Une loi de Snédécor est une loi de probabilité continue dont la densité est
nulle pour x < 0 et dépend de deux paramétres appelés degrés de liberté.
Le risque étant …xé, la table de Snédécor permettent de déterminer f et
f 0 tel que : P (f 0 < F < f ) = 1
avec P (F f0 ) = 2
et P (F f ) = 2:

18