Statistiques Appliquées À La Gestion

STATISTIQUES APPLIQUEES A LA GESTION
(c) Escem 2012-2013
Statistiques appliques la
gestion
http://astroblog.typepad.fr/ebosia/
http://intranet.escem.fr/qcm/
engagementintgritcuriosithumilit
StatistiquesProbabilits
1
E. Bosia L. Gautier A. Rychalski
Contenu du cours
Introduction
lments de statistiques descriptives
univaries
lments de probabilits
Echantillonnage et estimations
Les tests
Principe gnral
Les tests de corrlation et dassociation
4
E. Bosia L. Gautier A Rychalski
(c) Escem 2012-2013
Pour les enseignements de

statistiques
Inutile dacheter un livre, le cours suffit.
http://astroblog.typepad.fr/ebosia/
Vous devrez vous entraner sur le site live QCM
http://intranet.escem.fr/qcm
Vous devez prendre note des exemples et exercices traits

en cours, ils compltent le support pdf.
Si ncessaire, des ouvrages en Mdiathque compltent le

tout.
La base de lapprentissage, cest la rptition

Evaluation
En gnral, sous forme de QCM

Pour ce cours
Contrle continu : 30%
Examen final individuel : 70%
Cette anne, a priori, notes, cours,

tables de probabilit, ordinateur sont
interdits le jour de lexamen.
Inutile dapprendre les formules. Un
Vademecum sera fourni
6
(c) Escem 2012-2013
Introduction gnrale
8
Vocabulaire de base
Population : ensemble de rfrence auquel
on sintresse
Population mre <> chantillon
Individu ou unit statistique : un lment de

cette population
Individu <> Observation ou rpondant
Caractre :
Aspect particulier dun individu auquel on
sintresse .
On parle de variable
(c) Escem 2012-2013
Le choix dun outil statistique

dpend Du nombre de variables
conjointement traites
Si vous traitez statistiquement une variable,

puis une autre, puis une autre, etc., vous
ralisez des statistiques univaries.
Si vous envisagez des variables deux deux,
vous ralisez des statistiques bivaries
Si vous traitez conjointement plus de deux
variables (p variables), vous mettez en uvre
des mthodes multivaries.
10

dpend Des objectifs de
lanalyste
Lorsque vous vous contentez dinterprter les
donnes recueillies, vous pratiquez de la statistique
descriptive.
Si vous cherchez mettre en relation mathmatique
deux ou plusieurs variables, vous tes dans une
dmarche de modlisation et utilisez des mthodes
explicatives.
Ex : on peut tenter de modliser la dpense ralise en une
journe chez Euro-Disney (D) en fonction de lge du chef de
famille (A) et de son nombre denfants (E).
On pourra tenter de construire le modle suivant :
D=aA+bE+c
Schmatiquement, les dmarches descriptives sont

trs utilises en entreprise, les dmarches
explicatives (plus techniques) sont rserves aux
chercheurs.
11
(c) Escem 2012-2013

dpend De lunivers de rfrence
dans lequel on inscrit son travail.
Deux univers se ctoient et se compltent parfaitement

en TQ
Lorsque je dnombre le nombre de filles et de garons
dans cette salle, je suis en univers certain ou
dterministe
Je peux aussi considrer que les gens prsents dans cette
salle reprsentent un chantillon dtudiants de la
promotion. Mon raisonnement statistique et mes calculs
sinscriront donc dans un univers probabiliste ou
alatoire, car jai pioch dans la population un certain
nombre dindividus.
Ce qui est certain (vous concernant) est probable
pour lensemble des tudiants
de la promotion.
12

dpend Du type de variables
manipules
Variable qualitative : variable qui ne peut pas
se mesurer mais simplement tre qualifie
ou code. Elle fait lobjet dun dnombrement
par modalit
Ex : sexe, CSP, nationalit, couleur, secteur
dactivit, etc
Variable quantitative : variable qui fait rfrence
une quantit que lon peut mesurer.
Ex : taille, salaire, nombre denfants dun
mnage etc
13
(c) Escem 2012-2013
En rsum Le choix dun outil

statistique dpend
Du nombre de variables conjointement

manipules (une, deux, p).
De vos objectifs danalyse (description ou

explication).
De lunivers dans lequel vous inscrivez votre

raisonnement (certain ou probabiliste).
Du type de variables manipules (qualitatif ou

quantitatif).
14
I- lments de statistique descriptive

univarie
15
(c) Escem 2012-2013
Statistiques descriptives univaries

Collecte de donnes
Graphiques
Pour les variables QUANTITATIVES

uniquement , calculs complmentaires
Compression de linformation
Tableaux de distribution
Les variables qualitatives

Les diffrentes propositions associes un
caractre qualitatif se nomment des
modalits.
Les traitements univaris sont restreints : on
se limite au calcul des effectifs et des
frquences (pourcentages) observs par
modalit.
17
(c) Escem 2012-2013
Les diffrentes variables qualitatives

2 Types distinguer
variable nominale : variable qualitative dont
les valeurs ne peuvent pas tre ordonnes,
hirarchises (ex : couleur des yeux)
variable ordinale : variable qualitative dont
les valeurs peuvent tre ordonnes,
hirarchises (ex : mentions au bac)
18
Statistiques univaries : les

variables qualitatives
Quel est votre sport prfr ?
Observations ponctuelles
Rpondant
1
2
3
4
5
6
7
8
n
Rponse
Foot
Jogging
Tennis
Natation
Gym
Natation
Foot
Tennis
..
Tableau de distribution
Modalits
xi
Foot
Jogging
Tennis
Natation
Autres
Total
effectifs frquences
ni
fi
90
32.14%
70
25.00%
50
17.86%
65
23.21%
5
1.79%
280
100%
19
(c) Escem 2012-2013
La synthse par les chiffres et les

graphiques
Le tableau de distribution
Les diffrents graphiques

4
Diagramme barres
0
9
10
11
12
14
15
18
30%
bleu
Diagramme secteurs
50%
rouge
jaune
20%
Diagramme figuratif.
20
Les variables quantitatives
Mesurables numriquement.
Exemples : nombre denfants, dpense
tlphonique mensuelle dun mnage,
quantit de vin bue par mois, note obtenue
au partiel de finance, etc.
Une chelle dattitude peut tre assimile
une variable quantitative.
Pas du tout
daccord
Pas
daccord
Moyennement
daccord
Daccord
Tout fait
daccord
On peut se faire une ide de quelquun

aux disques quil/quelle choisit
ICI, on codera la rponse de 1 5 pour faire des calculs

21
(c) Escem 2012-2013
Les diffrentes variables quantitatives

2 Types distinguer
La variable discrte. Elle ne prend que des
valeurs entires (ex : le nombre denfants).
La variable continue. Elle prend toutes les
valeurs possibles, y compris des dcimales
(ex : note obtenue au partiel de finance).
Lorsquune variable continue prend un trop

grand nombre de valeurs, ces valeurs sont
regroupes en classes.
22
Statistiques univaries : les variables

quantitatives
Quel ge avez-vous ?
Observations
ponctuelles
Rpondan
t
Rponse
1
14ans
2
20ans
3
18ans
4
8ans
5
22ans
n
..
Paramtres de
Tendance centrale
et de dispersion
Tableau
de distribution
Classes
[0;10[
[10;20[
[20;30[
Total
frquences
effectifs frquences cumules
ni
fi
Fi
18
23%
23%
35
46%
69%
24
31%
100%
77
100%
Ecart
Moyenne type
Variance
C.V.
Mdiane Fractile
Mode
Etendue
Ou plus directement
23
10
(c) Escem 2012-2013
Problmes mthodologiques lis

lutilisation des classes
Combien de classes constituer ?
Sont-elles de mme amplitude ou bien

damplitudes ingales ?
Quel est impact de lutilisation des classes

sur les traitements ultrieurs ?
24
Quelques exemples de problmes

cognitifs
11
(c) Escem 2012-2013
Combien de classes constituer ?

Un trop petit nombre de classes : perte de
vue densemble du phnomne tudi.
Un trop grand nombre de classes : perte
dinformation.
Pour des raisons probabilistes
5 7 classes permettent dtaler la mesure et de
faire apparatre des distributions connues
Pour des raisons de perception cognitive

5 7 classes permettent au rpondant et
lanalyste de sy retrouver
26
Lamplitude des classes ?

Lhistogramme ne doit pas tre confondu
avec un diagramme barres juxtaposes
Ensemble de rectangle accols deux
deux avec :
La base de chacun des rectangles correspond la
largeur de la classe, on parle damplitude.
La surface de chaque rectangle est gale
leffectif de la classe ou sa frquence.
On raisonne en termes de densit dobservations :
di =
ni
a i +1 a i
ou d i =
fi
a i +1 a i
27
12
(c) Escem 2012-2013
Lamplitude des classes ?

Classes de mme amplitude : effectifs ou frquences directement
comparables
Classes avec amplitudes ingales : les effectifs et les frquences
ne sont plus directement comparables et lhistogramme ne
ressemble plus un diagramme barres juxtaposes
Histogramme : densit des femmes salaries selon la tranche dges
Densit
dobservations
d3
d2
d1
d4
a1 a2
a3
a4
a5
Age
28
s E. Bosia L. Gautier A. Rychalski
Impact de lutilisation des classes sur

les traitements ultrieurs ?
On ne raisonne plus avec les donnes
ponctuelles car on associe chaque
classe un centre de classe qui peut tre
le milieu de la classe ou encore la valeur
moyenne de la classe
29
13
(c) Escem 2012-2013
La synthse par les chiffres et les

graphiques
Le tableau de distribution
Effectifs, frquences, frquences cumules.
Amplitude, densit, centre.
Les graphiques
Diagramme barres
Diagramme secteurs
Lhistogramme
La courbe des frquences cumules ou
dcumules
30
Si on rsume .
nominale
qualitative
ordinale
variable
Intervalle (chelles)
discrte
quantitative
continue
31
14
(c) Escem 2012-2013
Relation entre variables quantitatives

et variables qualitatives
Il est toujours possible de retraiter une

variable quantitative en variable qualitative
alors que linverse nest pas possible.
Ex : si vous mesurez un revenu, rien ne vous
empche de recoder vos rsultats dans les
modalits bien pay , dans la moyenne ,
mal pay . Si vous procdez linverse, vous
allez avoir du mal calculer le revenu moyen de
la population tudie
Cest pour cette raison que les anglo-saxons

privilgient lutilisation de variables
quantitatives.
32
Quelle mthodologie d analyse

adopter pour tre efficace ?
Questionnnaire
Questionnnaire11
Collecte de donnes
- Questionnaires
- Base de donnes
Sortir les grandes conclusions
de votre tude
Synthse chiffre
Synthse graphique
Ecrire une phrase
par variable
Ensuite des calculs complmentaires sont possibles pour :

Entrer dans un contexte de justification
Entrer dans un contexte de prcision
Prparer dautres analyses
33
15
(c) Escem 2012-2013
Mthodologie pour . les variables

QUALI
Rappel : les traitements univaris sont
trs limits
Justification et prcision supposent que
vous
passiez en univers bivari ou multivari,

intgriez des notions de probabilit votre
travail
34
Mthodologie pour . les variables

QUANTI
On peut raisonner en termes de :

Forme : dissymtrie (Skewness ou coefficient
dasymetrie) et daplatissement (Kurtosis),
Ces coefficients vous renseignent sur lallure de la distribution des
observations
Tendance centrale.
Dispersion.
Il est aussi possible

De passer en univers bi ou multivari,
Dintgrer des notions de probabilit votre travail
35
16
(c) Escem 2012-2013
Caractristiques de formes : Skewness

et Kurtosis
Calculatoirement, ceci passe par linterprtation des
coefficient dasymtrie (Skewness) et le coefficient de
platicurtie (Kurtosis).
SK = 0
1
SK =
N
1
K=
N
xi x
i =1
N
xi x
i =1
N
Loi de Gauss
SK > 0 distribution tale droite

(elle tire gauche)
SK < 0 distribution tale gauche
(elle tire droite)
4
K = 3 Loi de Gauss
K > 3 Leptocurtie (PIC)
K < 3 Platicurtie
Attention, Excel utilise des fonctions diffrentes

36
(standardises et/ou sans biais) E. Bosia L. Gautier A. Rychalski
Skewness avec Excel

=coefficient.asymtrie()
La fonction renvoie un
paramtre sans biais
37
17
(c) Escem 2012-2013
Kurtosis avec Excel

=Kurtosis()
La fonction renvoie un paramtre
sans biais et standardis
Si la Kurtosis est ngative, excs

daplatissement
Si la Kurtosis est nulle, la distribution est
normalement cloche
Si la Kurtosis est positive, excs de pic
38
Quest-ce quun paramtre ?
Cest un hyper rsum de votre

distribution.
Il existe des paramtres de
9tendance centrale (ex : la moyenne dcrit M.
Tout le monde),
9dispersion (ex : calculer un cart-type qui
vous indiquera si vos observations sont trs
concentres ou trs disperses autour de la
moyenne).
39
18
(c) Escem 2012-2013
Pour les caractres quantitatifs

uniquement (justification & prcision)
Paramtres de
tendance centrale
Moyenne
Mdiane
Mode
Paramtres de
dispersion
Ecart-Type
Variance
Coefficient de
variation
quantiles dordre p
Intervalles inter
quantiles
Etendue
40
II- lments de probabilits
41
19
(c) Escem 2012-2013
Univers diffrents, concepts

similaires.
Univers certain
Variable (sous-entendue
Univers probabiliste
Variable alatoire
statistique)
frquence
La somme des
frquences vaut 1
La moyenne
La variance
L cart-type
Probabilit
La somme des
proba vaut 1
L esprance
La variance
L cart-type
42
Pourquoi des probabilits ?

Pour sappuyer sur les rsultats de
modle connu, on transforme
l observation en probabilit. On
passe ainsi du contingent au
thorique.
Parce que l on travaille avec des
chantillons : on pioche et on
rcupre les proprits des lois de
probabilit au cours de diffrentes
phases dexploration des donnes
(estimations, tests)
43
20
(c) Escem 2012-2013
Quest-ce quune loi de probabilit ?

Une loi de probabilit est un
MODELE reprsentant "au mieux",
une distribution de frquences ou
deffectifs d'une variable statistique.
Dans la classification des lois de
probabilit, on distingue les lois
discrtes et les lois
continues
44
Le cas de variables alatoires discrtes.

La loi de Poisson
La loi binomiale
45
21
(c) Escem 2012-2013
La loi de Poisson P()
Cest la loi des vnements rares : ds

que lon sloigne de lesprance, les
probabilits dcroissent trs rapidement.
Les arrives un poste de service (ex :
caisse en GMS, page) sont rgies par cette
loi.
P( X = x) = e *
x!
Le paramtre doit tre constant dun essai lautre, cest-dire que les priodes tudies doivent tre homognes.
E( X ) =
46
Comment savoir si une distribution

suit une loi de Poisson ?
Analyse graphique de la distribution

observe.
Ex : = 4
0.2500
0.2000
0.1500
0.1000
0.0500
-
10
2 proprits
E( X ) = V ( X ) =
x 1.
x
e
e
P( X = x )
x.( x 1)!
x
!
=
=
=
x 1
x 1
x
P(X = x 1)
e
e
( x 1)!
( x 1)!
47
22
(c) Escem 2012-2013
La loi binomiale B(n,p)

Cette loi donne la probabilit dobserver
x succs en n essais indpendants
Deux vnements complmentaires et
mutuellement exclusifs
Deux probabilits
p succs
q=(1-p) checs
50
Caractristiques de la loi binomiale

B(n,p)
P(X = x ) = C nx .p x .(1 p) ( n x ) =
E(X)= n.p
V(X) = n.p.q
n!
.p x .(1 p) ( n x )
x!(n x )!
51
23
(c) Escem 2012-2013
Exemple
Vous jouez pile ou face. En quoi ce jeu est
il un processus binomial ?
En 10 lancers
Combien de pile attendez-vous ?
Quelle est la probabilit dobserver 5 pile ?
Quelle est la probabilit dobserver entre 4 et 6
pile inclus ?
52
Aide aux Rsultats

X
0
1
2
3
4
5
6
7
8
9
10
P(X=x)
0.0010
0.0098
0.0439
0.1172
0.2051
0.2461
0.2051
0.1172
0.0439
0.0098
0.0010
P(x<=X)
0.0010
0.0107
0.0547
0.1719
0.3770
0.6230
0.8281
0.9453
0.9893
0.9990
1.0000
Loi binmiale P(X=x)
0.3000
0.2500
0.2000
0.1500
P(X=x)
0.1000
0.0500
1
10
11
53
24
(c) Escem 2012-2013
Rsultat
Lorsquun seul essai est ralis, le jeu de
pile ou face suit une loi de Bernouilli qui
est un cas particulier de la loi binomiale
En 10 lancers
Combien de pile ? E(X) = n.p = 10*0.5 = 5
P(X=5) = C105 .p 5 .(1 p) (5)
10! 1 1
. .
5!(5)! 2 2
= 0.2461
Quelle est la probabilit dobserver entre 4 et

54
6 pile inclus = 0.6563
Un sondage avec remise est-il

un processus binomial ?
Dans la population franaise, on sait que p%

des lecteurs sont favorables la politique de
M. Dugenou
Quelle loi de probabilit suit la V.A. nombre de sonds
dun chantillon de taille n se dclarant favorables la
politique de M. Dugenou ?
55
25
(c) Escem 2012-2013
Un sondage avec remise est-il
La loi hypergomtrique sapplique dans le cas

dun tirage exhaustif de n lments ou n
tirages sans remise
Ainsi, Un sondage sans remise sera un processus

Hypergomtrique. On montre que pour cette loi :
E[X ] = n.p
n
V[X ] = n.p.q.(1 N )
MAIS SI N est TRES GRAND, on se ramne une loi

binomiale
CL : Pour la population franaise, les cas avec et
sans remise se rejoignent, la probabilit de
slectionner deux fois un rpondant est quasi-nulle 56
Le cas des variables alatoires

continues
La loi normale centre rduite
La loi normale
La loi de Student
La loi du Khi
57
26
(c) Escem 2012-2013
Pralable pour les V.A. continues
Lorsquune variable alatoire est continue,

elle peut prendre une infinit de valeurs et la
probabilit pour que la variable alatoire soit
gale une valeur particulire est nulle :
P(X=x) = 0.
On sintresse alors des vnements du
type : X prend ses valeurs dans un
intervalle I . On remplace ainsi la notion de
probabilit ponctuelle P(X=x) par la notion de
densit de probabilit ou fonction de densit
de probabilit, f(x).
58

f(x) : densit de probabilit
f(x)
P(x < X < x +dx) = f(x).dx
x x+dx
f ( x ).dx = 1
x
59
27
(c) Escem 2012-2013
La fonction de rpartition donne la

probabilit que la V.A soit infrieure une
certaine valeur. On a ainsi :
F(x) = P(X < x)
Graphiquement, une fonction de

rpartition se traduit par une courbe
cumulative des probabilits.
60

f(x)
F(b) = p(X < b)
x
61
28
(c) Escem 2012-2013

f(x)
f ( x )dx
F(b) F(a) = p(a < X < b) = a f ( x ).dx
NOTE : P(a < X < b) = P(a X b)
62
En rsum
Il existe des fonctions de densit de probabilit
Elles permettent une reprsentation graphique
Elles ne permettent pas de calculer directement une
probabilit ponctuelle car P(X=x)=0
Il existe des fonctions de rpartition qui

permettent de
tracer la courbe des probabilits cumules
calculer des probabilits (sous-entendues
dintervalles)
63
29
(c) Escem 2012-2013
La loi normale centre rduite
Fonction de densit
de probabilit
(courbe en cloche)
Fonction de
rpartition (courbe
cumulative)
f (z) =
P( Z < t ) =
1
* e z / 2
2
t
1
* e z / 2 dz
2
La connaissance de la dfinition mathmatique de ces fonctions

nest pas indispensable pour utiliser la loi de probabilit.
Il suffit de se reporter aux tables
64
Reprsentation graphique
La fonction de densit de probabilit : f (z) =
1
* e z / 2
2
0.45
0.4
0.35
0.3
0.25
0.2
0.15
-1.5
-1
-0.5
0.5
1.5
65
30
P( Z < t ) =
La fonction de rpartition
(c) Escem 2012-2013
t
1
* e z / 2 dz
2
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-1.5
-1
-0.5
0.5
1.5
66
Application la loi normale centre rduite ou

loi de Gauss N(O;1)
V.A. continues
Moyenne = 0
Ecart-type = 1
Symtrie
P(Z < - t) = P (Z > t)
Cette loi est mathmatique Avez vous dj vu des distributions 67

avec 0 de moyenne et 1 dcart type
? L. Gautier A. Rychalski
E. Bosia
31
(c) Escem 2012-2013
Deux approches classiques
Lapproche
Unilatrale
(1 ) = ?
Quelle est la probabilit dobserver

une valeur infrieure t ?
Lapproche
Bilatrale
Quelle est la probabilit dobserver
une valeur comprise dans un
intervalle symtrique par rapport
la moyenne ?
(1 ) = ?
/2
/2
-t
68
Deux approches classiques - suite
Lapproche
Unilatrale
La probabilit dobserver une
valeur infrieure ??? est de 1 -
(1 )
t = ???
U
1
Lapproche
Bilatrale
La probabilit dobserver une
valeur comprise dans un intervalle
symtrique par rapport la moyenne
de bornes ???? est de 1 -
(1 )
/2
- t = ???
/2
t = ???
69
32
(c) Escem 2012-2013
Exemple
Z est une V.A centre rduite. A laide des
tables de probabilit, calculez :
P(Z > 1.64)

P(Z < -1.64)
P(- 1 < Z < 2)
P(- 0.43 < Z < 0)
P(Z < t) = 0.95
P(Z < t) = 0.975
P(- t < Z < t) = 0.95
(calculez la valeur de t)
70
Rsultat
P(Z > 1.64) = 1- P(Z < 1.64) = 0.051
P(Z < -1.64) = P(Z > 1.64) = 0.051
P(- 1 < Z < 2) = P(Z > - 1) - P(Z > 2)
= P(Z < 1) [1- P(Z < 2)] = 0.818
P(-0.43 < Z < 0) = P(Z > - 0.43) P(Z > 0) = 0.166
P(Z < t) = 0.95
t = 1.645
P(Z < t) = 0.975
t = 1.96
P(- t < Z < t) = 0.95
t = 1.96, - t = - 1.96
71
33
(c) Escem 2012-2013
En rsum de lapproche unilatrale

pour la loi de Gauss N(O;1)
95%
97,5%
99,5%
0
+1,645
+1,96 +2,576
72
En rsum de lapproche bilatrale

pour la loi de Gauss N(O;1)
-1,645
-1.96
-2,576
90%
+1,645
95%
+1.96
99%
+2,576
73
34
(c) Escem 2012-2013
La loi normale (non centre, non

rduite) : cas gnral
X N( x , )
Fonction de densit
de probabilit
(courbe en cloche)
Fonction de
rpartition (courbe
cumulative)
f (x) =
1
2
P(X < t ) =
1
2
*e
1 x x

2
* e
1 x x

2
dx
74
Standardiser une variable
Centrer et rduire = standardiser

Transforme une distribution normale en
une distribution centre rduite N(O;1)
Cette opration permet
Dexprimer des variables dans un ordre de
grandeur similaire
De se rattacher une loi standard qui a
lavantage dtre tabule (il y a moins de
calculs).
75
35
(c) Escem 2012-2013
Le centrage et la rduction dune

variable permet de se rattacher
une loi standard
1. On vrifie que la variable tudie X suit une
loi normale
2. On calcule la moyenne et lcart-type de la
variable X.
3. Pour chaque valeur de X, cest--dire xi, on
lui soustrait la moyenne puis on divise le tout
par lcart-type. On obtient ainsi la valeur zi :
zi =
xi x
76
Un exemple simple
La variable alatoire note obtenue au

partiel de finance suit une loi normale
de moyenne 12 et dcart-type 3
Quelle est la probabilit quun tudiant
ait obtenu moins de 15/20 ?
77
36
(c) Escem 2012-2013
On standardise
La loi de Gauss est une abstraction, pourtant
On sy rattache en centrant et rduisant la variable

initiale pour le calcul des probabilits.
Si
X a N( x; ) et que lon pose Z =
Alors Z a N (0;1)
Calculer P( X < 15) revient calculer P( Z <
Xx
15 x
)
Avec Z qui suit une loi normale centre rduite.

Solution : P(Z < 1) = 0.841
78
On retrouve les proprits prcdentes sur

une loi normale non centre, non rduite
Approche unilatrale
N ( x; )
95%
x + 1.645.
81
37
(c) Escem 2012-2013
Loi normale
Approche unilatrale
N ( x; )
95%
x + 1.96.
97,5%
x + 2.576.
99,5%
x + 1.645.
82
Loi normale
Approche bilatrale
90%
95%
x 1.96.
x + 1.96.
99%
x 2.576.
x 1.645.
x + 2.576.
x + 1.645.
83
38
(c) Escem 2012-2013
La loi de Student
Schmatiquement, il sagit dune petite loi normale.

Cette loi est symtrique comme la loi normale
Si T St alors
E(T) = 0
pour > 1
V(T) = 2 pour > 2

La dfinition de cette loi fait intervenir le nombre de degrs
de libert (lire nu )
La courbe de densit est diffrente selon le nombre de d.d.l.
manipuls
84
Source: Statistique pour conomistes et gestionnaires , B. Tribout, 2007
Les degrs de libert
Le nombre de degrs de libert

Cest le nombre de valeurs non redondantes que
lon doit connatre connaissant un paramtre pour
en dduire automatiquement toutes les autres.
Exemple : le calcul de lcart type dune variable.
Considrons un chantillon de taille n. si lon calcule
les n 1 premiers carts, alors le dernier sera
strictement dtermin du fait que ( x i x ) = 0 . Il y a
ainsi (n 1) donnes indpendantes, libres .
Degrs de libert = d.d.l.= Degrees of freedom = d.f.

Vous devez savoir manipuler les tables de la loi de student.
85
39
(c) Escem 2012-2013
Les degrs de libert

Individu n
Lorsque vous disposez

dobservations ponctuelles, le
nombre de d.d.l. est de (n-1)
Caricaturalement si vous interrogez
5 individus, vous avez 4 d.d.l.
Lorsque les observations sont

paires, le nombre de d.d.l est de
(n-2) avec n le nombre de paires
1
2
3
4
5
Total
X note de finance
10
16
1
14
??
10
65
Intention
Individu Age
d'achat
1
23
3
2
33
2
3
26
1
4
45
5
5
55
3
6
62
5
7
77
4
??
8
??
Moyenne 46.63
3.38
86
Les degrs de libert

Macavecomporte
Chinon
Bourgueil
Saumur
???
Total
Dans un tri plat, le

nombre de d.d.l. est
de (l-1)
Caricaturalement si
vous connaissez l
lignes, et un
paramtre, vous
pouvez en dduire la
valeur de la dernire
Gar ons
Dans un tri crois, le

nombre de d.d.l. est
de (l -1)*(c -1)
Pour
Contre
Total
Filles
12
??
30
60
30
100
Total
??
??
16
28
18
46
87
40
(c) Escem 2012-2013
La loi du Khi de Pearson (1857;1936)
Considrons Z1, Z, variables alatoires

indpendantes qui suivent chacune la loi normale
centre rduite. Alors la V.A Y qui est la somme des
carrs des variables normales centres rduites
suit une loi du khi-deux degrs de libert.
Si Y = Z i2 alors Y 2
i =1
E(Y) = et V(Y) = 2.
Cette loi trouve de nombreuses applications lorsque

lon effectue des comparaisons de proportions, lorsque
lon teste la conformit dune distribution observe
une distribution thorique ou encore lorsque lon teste
lindpendance de deux caractres qualitatifs. Cest ce
que lon appelle les tests du khi-deux.
90
La loi du Khi de Pearson (1857;1936)
Sa courbe de densit est diffrente selon le nombre

de d.d.l. manipuls. Plus le nombre de d.d.l.
augmente et plus la courbe se rapproche de celle
dune loi normale.
Une V.A qui suit une loi du 2 ne prend que des
valeurs positives.
0,3
LOI du khi - DENSITE DE PROBABILITE

0,25
0,2
3 d.d.l.
4 d.d.l.
0,15
5 d.d.l.
6 d.d.l.
0,1
7 d.d.l.
0,05
0
0
10
15
20
91
41
(c) Escem 2012-2013
Des petites lois la loi normale
De la loi de Poisson la loi normale

- De la loi binomiale la loi normale
- De la loi de Student la loi normale
-
92
Loi de Poisson, loi binomiale et loi normale
Conditions :
Lorsque > 20
Approximation :
Conditions :
Si np > 5 et n(1-p)> 5
Approximation :
P( ) = N(; )
B( n; p ) = N ( np; np (1 p ) )
ou (selon les auteurs)

Lorsque n > 5 et que
p
(1 p )
1
*
< 0,3
(1 p )
p
n
93
42
(c) Escem 2012-2013
Exemple dapproximation dune loi de Poisson

par loi normale
Loi de poisson - Loi normale
0.06
0.05
0.04
P(X=k)
0.03
Loi normale
0.02
0.01
0
1
9 17 25 33 41 49 57 65 73 81 89 97
94
Exemple dapproximation dune loi binomiale

par une loi normale
Loi Binmiale - Loi normale
(n=100 et p=36%)
0.09
0.08
0.07
0.06
0.05
P(X=k)
0.04
Loi normale
0.03
0.02
0.01
0
1
13 19 25 31 37 43 49 55 61 67 73 79 85 91 97
95
43
(c) Escem 2012-2013
De la loi de Student la loi Normale
=5
=10
=50
Loi N
Au risque dinsister...
Lorsque n augmente (plus de 30 ou de

50 essais), la V.A. peut tre approche
par une loi normale.
Loi Binomiale
Loi HG
Loi de Poisson
Loi de Student
Etc
Loi normale
Ce sont les Grands nombres
97
44
(c) Escem 2012-2013
III- Echantillonnage et estimations
102
Deux catgories de problmes

On connat la valeur de certains paramtres dans
la population mre et on cherche induire des
renseignements sur les valeurs que peuvent
prendre ces paramtres sur lchantillon.
Cest un problme de distribution
dchantillonnage.
Au contraire, on connat la valeur de certains
paramtres dans lchantillon et on cherche
induire des renseignements sur les valeurs que
peuvent prendre ces paramtres dans la
population mre.
Cest un problme destimation.
103
45
(c) Escem 2012-2013
Deux catgories de problmes

Que lon peut schmatiser de la faon suivante
(Daprs V. Giard (1995), Statistiques appliques la gestion, p162)
Connu
Inconnu
prvisible
Inconnu
prvisible
Connu
Problme de distribution
dchantillonnage
Problme destimation
104
Les problmes de distribution

dchantillonnage
105
46
(c) Escem 2012-2013
Un exemple pour comprendre

La cote de popularit de la chanteuse Lorie
Fabian est, dans la population franaise ge
de 4 ans et plus de f = 52%.
Constituant un chantillon de 1000 individus,
Combien de partisans de Lorie attendez-vous ?
Quelle est la probabilit que vous observiez une
cote suprieure 54 % dans cet chantillon ?
106
Rsultat
Ici, nous sommes en prsence dun processus binomial.

Dans la population franaise, un sondage avec
remise = sans remise . (Voir prcdemment, la loi
binomiale).
La variable alatoire X nombre de sonds dans
lchantillon se dclarant pour Lorie suit une loi
binomiale de paramtres n=1000 ; p=52%
Combien de partisans E(X) = n.p = 1000*0.52 = 520
Une cote suprieure 54 %.... veut dire : P(X > 540)
1. Comme n est grand , on peut considrer que cette
variable alatoire suit une loi normale de paramtres :
B(n; p) ~ N(np; np(1 p) )
Ici B(1000;0.52) = N(np = 520; np(1 p) = 15,8)
107
47
(c) Escem 2012-2013
Rsultat - suite
2. Il faut donc centrer et rduire pour se rattacher une loi de
Gauss N(0;1)
Calculer P(X > 540) revient calculer : P( Z >
540 520
)
15,8
Avec Z qui suit une loi de Gauss centre rduite.

Donc : P( Z > 1,26) = 1 P( Z < 1,26) = 0.104
P = 10.4%
108
z = 1,26
Autrement dit .
Vous connaissez un paramtre de la population mre (la

proportion de gens favorables Lorie) et savez quen
constituant UN chantillon de 1000 individus slectionns
au hasard, vous avez environ 11 chances sur 100
dobserver une cote de popularit suprieure 54%.
Ce problme de distribution dchantillonnage est idiot

Lorsque lon connat ce qui caractrise la population
mre, on ne se fatigue pas, en Marketing, faire un
sondage !
La situation inverse est beaucoup plus frquente: on

observe un paramtre sur un chantillon et on cherche
induire celui-ci lchelle de la population mre. Cest une
problmatique destimation
On peut estimer des proportions (ou pourcentages)
On peut estimer des moyennes
109
48
(c) Escem 2012-2013
Les estimations
- Principe gnral
- Estimer une proportion
- Estimer une moyenne
110
Principe gnral
n = taille de lchantillon
f = % observ sur lchantillon
x = moyenne observe de lchantillon
s = cart-type observ sur lchantillon
ESTIMATION
OBSERVATION
p : proportion de la population mre

m : moyenne de la population mre
(Ecart-type de la population mre)
ventuellement
111
49
(c) Escem 2012-2013
Principe gnral : exemple de la moyenne
La moyenne dun chantillon (x) peut tre

plus ou moins grande par rapport m
(moyenne de la population mre).
On doit, en estimant m, tenir compte du fait
qu'il y a une marge derreur dans lestimation.
On dfinit donc un intervalle destimation de
m en se fixant un degr de confiance cest ce
que lon appelle un intervalle de confiance.
Ainsi un intervalle de confiance 95% signifie
que dans 95 % des cas, lintervalle contient
la moyenne de la population mre.
IC95%
m
t1
t2
112
Estimer une proportion
113
50
(c) Escem 2012-2013
Estimer une proportion p (chantillon

avec remise)
La variable tudie suit une loi normale.

Dans la population mre, il existe une proportion p
dindividus possdant une caractristique donne.
Comme on ne connat pas p, on pourrait utiliser
simplement la frquence observe f sur lchantillon.
Toutefois, on prend le risque que f ne soit pas la vraie
proportion dans la population mre.
Pour tre plus prcis, on va encadrer cette proportion
en utilisant la frquence observe sur lchantillon :
[f < p < f + ] p [f ; f + ] p [f ]
On doit donc identifier la valeur de puisque f est

connue
On doit aussi prciser la confiance que lon a en
cet intervalle :
P[f < p < f + ] = 1 -
114
Finalement
Intervalle de confiance au
niveau 1- pour une

f (1 f )
IC1 ( p ) = f u
1
proportion p inconnue
n
2
(chantillon avec remise)

A utiliser lorsque N inconnu
pour les grands nombres.
f (1 f )
n
est lcart type estim de la proportion f (pour

une mme caractristique, la valeur de f varie
dun chantillon lautre).
Exemple :
est lintervalle de confiance
f (1 f )
IC95% ( p) = f 1.96
95% dune proportion p
n
inconnue
115
51
(c) Escem 2012-2013
Exemple
Un sondage a t ralis auprs dun chantillon
alatoire de 500 individus. Les intentions de vote pour
le candidat Dugenou sont de f = 54%
Estimez p laide d un I.C. 95%
116
Rsultat
Cas n1 : Il y a 95 chances sur 100 pour que p (la

proportion de favorables Dugenou dans la
population mre) soit comprise dans lintervalle :
0.54(1 0.54)
IC95% ( p ) = 0.54 1.96
500
= le rayon de lestimation
95% = (1-) = le niveau de lestimation
Donc p [0.496;0.583]
117
52
(c) Escem 2012-2013
Rsultat

proportion de favorables Dugenou dans la
population mre) soit comprise dans lintervalle :
0.54(1 0.54)
IC99% ( p) = 0.54 2.576
500
= le rayon de lestimation
99% = (1-) = le niveau de lestimation
Donc p [0.482;0.597]
118
Premire remarque
Lorsque lon augmente le niveau de confiance

de lestimation (passer de 95% 99%, par
exemple), le rayon de lestimation augmente.
Plus on est fiable dans lestimation de p

moins on est prcis quant la valeur que
peut prendre p
119
53
(c) Escem 2012-2013
Seconde remarque
La prcision de lestimation dpend :
f u1
2
f (1 f )
Du niveau de confiance
que se fixe lanalyste
De la variabilit
du paramtre tudi
De la taille de lchantillon
La prcision ne dpend pas de N !!!

120
Estimer une proportion p (chantillon

sans remise)
On connat N.
Intervalle de confiance au niveau 1- pour une
proportion p inconnue (chantillon sans
remise).
IC1 ( p ) = f u
1
2
f (1 f ) N n
n
N
Le taux de sondage n/N doit tre suprieur de

lordre de 1/5 1/7.
121
54
(c) Escem 2012-2013
Exemple
alatoire de 60 tudiants. 18% dentre eux sont
gauchers (N = 400).
122
Rsultat

proportion dindividus gauchers dans la population mre)
soit comprise dans lintervalle :
0.18(1 0.18) 400 60

IC95% ( p) = 0.18 1.96
60
400
Donc p [0.09;0.29]

proportion dindividus gauchers dans la population mre)
soit comprise dans lintervalle :
0.18(1 0.18) 400 60
IC99% ( p) = 0.18 2.576
60
400
Donc p [0.062;0.297 ]
123
55
(c) Escem 2012-2013
Estimer une moyenne
124
Estimer une moyenne
Intervalle de confiance au niveau 1- pour une

moyenne inconnue (chantillon avec remise)
Si peu de sonds on utilise la loi de Student
s'
IC1(m) =X t
1 ;(n1)
n1
2
Sinon, on utilise la loi normale

( partir de n=120 rpondants selon Malhotra in Etudes Marketing avec
Spss , Pearson education)
s'
IC1(m) =X u
1
n1
2
125
56
(c) Escem 2012-2013
Exemple
alatoire de 101 tudiants de 1re anne. Leur taille
moyenne est de 170 cm avec un cart-type de 30 cm.
Estimez m laide dun I.C. 95%
Estimez m laide dun I.C. 99%
126
Rsultat
Cas n1 : Il y a 95 chances sur 100 pour que m (la

moyenne dans la population mre) soit comprise dans
lintervalle :
30
IC95% (m) = 170 1.984

100
Donc m [164;176 ]
Cas n2 : Il y a 99 chances sur 100 pour que m (la

moyenne dans la population mre) soit comprise dans
lintervalle :
30
IC99% (m) = 170 2.626

100
Donc m [162;178]
127
57
(c) Escem 2012-2013
On retrouve notre premire remarque
Lorsque lon augmente le niveau de confiance

de lestimation (passer de 95% 99%, par
exemple), le rayon de lestimation augmente.
Plus on est fiable dans lestimation de p

moins on est prcis quant la valeur que
peut prendre p
128
On retrouve notre seconde remarque

La prcision de lestimation dpend :
s'
X
u
1
n1
2
Du niveau de confiance
que se fixe lanalyste
De la variabilit
du paramtre tudi
De la taille de lchantillon
La prcision ne dpend pas de N !!!

129
58
(c) Escem 2012-2013
Calibrer la taille dun chantillon
130
But de la manoeuvre
Avant la phase terrain, matriser tous les

paramtres des estimations futures dans le
but de pouvoir conclure
Le calibrage seffectue donc avant la phase

terrain, les estimations, aprs.
131
59
(c) Escem 2012-2013
Lobjectif dun chantillon est de pouvoir fournir

une estimation prcise des paramtres dune
variable.
plus la taille de lchantillon est grande et plus
le degr de prcision est important
Il ny a pas proportionnalit entre la prcision et
la taille de lchantillon.
Exemple : si vous doublez la taille de votre
chantillon, la prcision ne sera pas multiplie
par 2 mais par moins de 2.
132
Le calcul de la taille dun chantillon dpend de 3

lments :
Le niveau de confiance que vous accordez
votre calcul, gnralement 95%
Le paramtre sur lequel vous vous reposez pour
votre calcul : proportion dun caractre tudi ou
moyenne
La marge de prcision de lestimation du
paramtre appele aussi marge derreur. Par
exemple, prendre une marge de prcision de
2% dune proportion signifie que mon rsultat
est connu 2% prs en plus ou en moins
133
60
(c) Escem 2012-2013
Taille dun chantillon avec une

proportion
A partir d'une proportion, la taille de l'chantillon (avec

remise) est donne par lexpression suivante :
u
1
n = p o .(1 p o ). 2

po est la proportion connue dans la population-mre

ou la proportion estime.
est la marge de prcision ou marge derreur
La taille dun chantillon ne dpend pas de la taille
de la population mre
134
Exemple
Lors dun rcent sondage, vous avez constat que 10%
des lecteurs avaient lintention de voter pour le candidat
Trucmuche.
Vous souhaitez effectuer un nouveau sondage.
Combien devez vous interroger dindividus pour
connatre la proportion p dlecteurs potentiels 4% prs
avec un niveau de confiance de 95% ?
Combien devez vous interroger dindividus pour
connatre la proportion p dlecteurs potentiels 2% prs
avec un niveau de confiance de 95% ?
135
61
(c) Escem 2012-2013
Rsultat
Cas n1 : la proportion p dlecteurs potentiels 4%
prs avec un niveau de confiance de 95% ?
1.96
n = 0.1.(1 0.1).
= 217
0.04
On arrondit la valeur suprieure

216.09 -> 217
Cas n2 : la proportion p dlecteurs potentiels 2%

prs avec un niveau de confiance de 95% ?
1.96
n = 0.1.(1 0.1).
= 865
0.02
Pour doubler la prcision, multiplier la taille

de lchantillon par 4.
136
Que faire si p est inconnue ?
On majore la taille de lchantillon en sappuyant

sur la valeur de po.(1 po) dans lexpression :
u
1
n = p o .(1 p o ). 2

Le terme po.(1 po) varie entre les valeurs 0 et

0,25 avec une moyenne de 0,175.
Si lon veut majorer la taille de lchantillon, on
utilise la valeur maximum de po.(1 po)
cest--dire 0,25 qui correspond une valeur de
p = 0.5.
137
62
Sans remise
(5) Echantillon
sans remise
On connat N
n/N > 1/5 ou 1/7
n0
(c) Escem 2012-2013
N
N + n0 1
u1
p0 q0 2

= no
On reprend le rsultat no dun calibrage avec remise

en le multipliant par un terme qui intgre N, taille de
la population mre.
Pourquoi de telles recettes ?

Quelques complments pour comprendre
Les distributions dchantillonnage
139
63
(c) Escem 2012-2013
Pourquoi de telles recettes ?
La loi normale n est pas prsente dans

ce que lon observe et pourtant, on en
rcupre les proprits
Essayons de la dcouvrir
140
Les distributions dchantillonnage

Si population de taille N (infinie, en fait)
Si chantillon de taille n
Combien d chantillons diffrents peuton constituer ???
C
n
N
Soit un nombre presque infini

141
64
(c) Escem 2012-2013
Spculation intellectuelle
Admettons que nous ayons le temps de

constituer cette infinit d chantillons et
d interroger 1 par 1 les individus qui les
composent !!!
Posons leur la question Etes-vous
favorable la politique de M. Dugenou ?
On va collecter une infinit de f (une par chantillon)

142
Analysons les f1, f2, ., fn obtenues

Nombre
d chantillons
ayant rendu
f
N ( p;
pq
)
n
f
0%
chantillons
d opposants
100%
chantillons 143
E. Bosia de
L. partisans
Gautier A. Rychalski
65
(c) Escem 2012-2013
On peut retrouver facilement les

paramtres de cette loi
Soit X le nombre de
rpondants positifs sur
un chantillon de n individus
Comme n grand et N
infini
Et la proportion de
X
positifs sur un chantillon f =
n
vaut f=X/n
X
X
B ( n; P )
N ( nP; nPQ )
N ( P;
PQ
)
n
On retrouve bien les paramtres de la

distribution dchantillonnage
prcdente
144
En bref...
La distribution dchantillonnage des
proportions est la distribution que lon
observerait si lon constituait tous les
chantillons potentiellement ralisables
Elle suit une loi normale
On peut donc jongler avec ses proprits.

145
66
(c) Escem 2012-2013
Jonglons un peu !!!
Quelle est la probabilit de constituer un chantillon

qui rendrait une frquence f comprise dans l intervalle ?
p + ou 1.96
pq
n
95%
146
Donc :
Probabilit de 95% d observer une valeur f comprise dans
l intervalle
p 1.96
pq
pq
f p + 1.96
n
n
On additionne
+ 1 . 96
pq
n
On soustrait
1.96
pq
n
147
67
(c) Escem 2012-2013
Remis dans l ordre, on

obtient :
pq
pq
f 1.96
p f + 1.96
n
n
Probabilit de 95% que la proportion p de la population mre
soit comprise dans un intervalle qui dpend :
De ce que jobserve sur un chantillon f
Dun autre truc qui dpend de la population
mre !
Mon petit jeu avec les proprits de la loi normale

ne mest d aucune utilit Sauf si...
148
Je remplace...
pq par
f (1 f )
n
n
Estimateur sans biais
et j obtiens :
f 1.96
f (1 f )
p f + 1.96
n
f (1 f )
n
Je peux donc encadrer l aide d un I.C. 95%

la proportion p qui caractrise la population mre
grce une observation f effectue sur un seul
chantillon probabiliste.
149
68
(c) Escem 2012-2013
Etonnant, non ?
150
Les diffrents types d chantillons

Non probabilistes
Probabilistes
Cot +++
Robustesse +++
Alatoire
simple
Ech. systmatique
En grappes
ou clustered
Cot --Robustesse ---
L chantillon
de convenance
Echantillon
boule de neige
Les Quotas
Stratifis
151
69
(c) Escem 2012-2013
La mthode des quotas
Reproduire des caractristiques de la

population mre dans lchantillon
En gnral sur des variables socio
dmographiques
Age / Sexe . Catgorie PCS ou CSP / niveau dtudes /
statut marital / lieu dhabitation
Lchantillon sera alors reprsentatif

Si les quotas sont correctement construits
et rigoureusement administrs , cela revient
reconstituer une pure pioche donc un
chantillonnage alatoire
On se donnera le droit de faire des estimations
alors que la thorie linterdit
152
Une bonne synthse pour

comprendre lchantillonnage et les
estimations
Vous devez vous connecter sur le site

ipsos.fr et lire le contenu de la rubrique
FAQ sondages
153
70
(c) Escem 2012-2013
IV- INTRODUCTION AUX TESTS

- Principe gnral dun test
- Elments de statistiques bi-varies
- Covariation et Corrlation
- Le test de corrlation
- Elments de statistiques bi-varies

- La distance du Khi
- Le test du Khi de Pearson
Principe gnral
71
(c) Escem 2012-2013
Principe gnral
Une pice de monnaie est elle

quilibre ?
Un lancer ne suffit pas pour rpondre
cette question !
100 lancers seraient bienvenus
La pice tombe 54 fois sur pile. Est-elle

quilibre ?
En bref :
Un test se ralise suite une

exprience alatoire
ici 100 lancers
Il permet d accepter (ou de rejeter) une

hypothse
Ho : la pice est quilibre
Ha : la pice n est pas quilibre
Cette acceptation (ou ce rejet)

s effectue en fonction de valeurs
critiques fixes par l analyste
Ici, obtenir entre 40 et 60 pile->Ho
accept
72
(c) Escem 2012-2013
Dans le cas prsent :
P(40<=X<=60) = 95,4%
Processus binomial (100;0,5) classique
que l on peut approcher par une loi
normale de paramtres (50;5)
Conclusion :
Ho accept
95,4% est la puissance du test.
4,6% est le seuil du test.
Si vous changez vos valeurs critiques (votre seuil), votre

conclusion peut tre change.
En rsum
On cherchera toujours savoir si ce

que lon a observ sur un chantillon
procde du hasard dchantillonnage ou
pas.
Si non, ce qui a t observ sur
lchantillon peut tre gnralis la
population mre.
Tester est plus puissant que raliser une estimation
(les fondements mathmatiques utiliss sont les mmes).
73
(c) Escem 2012-2013
Une dmarche en cinq points
1/ Exprience alatoire
Cest le sondage
2/ Formulation des hypothses Ho et Ha

3/ Obtention dune valeur calcule Vc
Il sagit dune opration qui vise rattacher ce que vous
avez observ lors du (ou des) sondage(s) une loi de
probabilit connue (Souvent note Z- attention, ce nest pas
toujours une loi normale)
4/ Application dune rgle de dcision

Vous devez vous fixer un seuil
5/ Conclusion
Acceptation ou rejet de Ho
Elments de statistiques bivaries

appliqus au traitement de variables
quantitatives
Covariation et corrlation
- Le test de corrlation
-
74
(c) Escem 2012-2013
Statistiques bi-varies : pour des

variables quantitatives,
deux notions cl :
Pour description en univers dterministe

avec des variables quantitatives :
La covariation (en perte de vitesse)
La corrlation (pratique, trs utilise)
Envisageons trois variables
X1 : La temprature (C) 12H

mesure pendant 100 jours la
terrasse dun caf sur le vieux port de
Marseille,
X2 : Le volume de pastis (en l) vendu
cette mme heure,
X3 : Le volume de chocolat chaud (en l)
vendu cette mme heure.
75
(c) Escem 2012-2013
La covariance
Un indicateur de la variation simultane

de deux variables
Cov( X ;Y ) =
1 n
( Xi X ) * (Yi Y )
n i =1
Cet indicateur n est pas trs parlant !
Illustration graphique pour 2 observations

l de chocolat
chaud
Moyenne des Y
Moyenne
Moyenne
des X
Temprature
en C
76
(c) Escem 2012-2013
La corrlation linaire
Exprime par r, coefficient de

corrlation linaire de Pearson
(Compris entre -1 et +1)
Du mme signe que la covariance
Plus facile interprter
r=
Cov ( X ;Y )
( X ) * (Y )
Corrlation positive (R proche de 1)

16
15
14
13
12
11
10
0
10
- Les variables voluent dans le mme sens.

- Le nuage de point ressemble une droite
77
(c) Escem 2012-2013
Corrlation ngative (R proche de -1)

16
15
14
13
12
11
10
0
10
- Les variables voluent dans un sens contraire

- Le nuage de point ressemble une droite
Corrlation nulle (R=0)

20
18
16
14
12
10
0
10
78
(c) Escem 2012-2013
Corrlation faible
2.5
2
1.5
1
0.5
0
-0.5 0.5
2.5
4.5
6.5
8.5
10.5
Une faible corrlation ne signifie pas qu il n existe pas

de relation entre vos variables : celle-ci n est seulement pas
linaire.
Basiquement
La corrlation observe sur un

chantillon procde-t-elle du hasard
dchantillonnage ou pas ?
Autrement dit, est-elle extrapolable la
population mre ?
Le test de corrlation va permettre de rpondre

cette interrogation.
79
(c) Escem 2012-2013
Le test de corrlation
Concerne des observations paires

Chaque sond a donc rpondu deux
questions.
Analyse la relation entre deux variables

quantitatives.
Rappel : celle-ci est-elle due au hasard
dchantillonnage, ou pas ?
Etape 1 : le sondage
Vous avez interrog n=600

personnes et observ une
corrlation de r=0,3 entre
lge du rpondant et
lintention dachat pour le
produit Schlips.
Cette intention tait
mesure sur une chelle en
5 points, 5 correspondant
lintention dachat la plus
leve, 1 la plus basse.
Individu
Age
1
2
3
4
5
6
7
8
etc
23
33
26
45
55
62
77
52
etc
Intention
3
2
1
5
3
5
4
4
etc
Que conclure ? (Duce, non dat)

80
(c) Escem 2012-2013
Etape 2 : les hypothses
Hypothse nulle Ho
r=0
La corrlation observe entre les variables procde du hasard
dchantillonnage. Dans la population mre, ge et intention
dachat sont indpendants.
Hypothse alternative Ha
r<>0
La corrlation entre les variables ne procde pas du hasard
dchantillonnage. Elle est, au seuil de x% significativement non
nulle. Dans la population mre, ge et intention dachat sont
dpendantes, lge influenant positivement lintention dachat.
Etape 3 : obtention dune valeur

calcule Vc
Obtenir une valeur

calcule tcalc qui se
rattache une loi de
probabilit connue
Cette valeur t suit une
loi de student (n-2)
ddl. Si le nombre
dobservation est faible,
on se rfre une loi
de student ; si n>30, la
distribution de t est
normale.
t=
r n2
1 r2
tcalc = 7,7
81
(c) Escem 2012-2013
Etape 4 : appliquer une rgle de

dcision.
En gnral, le seuil dun test est

par dfaut de 5%
t calc < t
Conserver Ho tant que
1 ; n 2
2
/2
(1 )
Ha
Ho
/2
Ha
1 ; n 2
2
Etape 5 : conclusion
Or tcalc = 7,7
t97,5;598 =U97,5 = 1,96
Nous avions moins de 5 chances sur 100

dobserver une telle valeur !
On ne peut conserver Ho -> Ha accepte
r<>0
La corrlation entre les variables ne procde pas du hasard
dchantillonnage. Elle est, au seuil de 5% significativement non
nulle. Dans la population mre, ge et intention dachat sont
dpendantes, lge influenant positivement lintention dachat.
82
(c) Escem 2012-2013
Ce test suppose que
Les deux variables manipules soient

normalement distribues.
Ceci est trs important pour les petits
chantillons
Le test nest donc pas distribution free
Ceci passe au moins par :

Par lanalyse des histogrammes
Par lexamen des coefficients de symtrie
et daplatissement
Elments de statistiques bivaries

appliqus au traitement de variables
qualitatives : la distance du Khi
- La distance du Khi
- Le test du Khi de Pearson
83
(c) Escem 2012-2013
La distance du Khi
La distance entre Paris et Tours est de 250 Km.

Le milieu se situe donc au Km 125
On utilise intuitivement une distance euclidienne qui est la
distance des variables QUANTITATIVES
50 femmes sont prtes acheter votre produit contre

40 hommes.
O situer le milieu ?
Pour quantifier des carts entre effectifs, on utilise la
distance du Khi.
Cest une distance non-euclidienne qui est schmatiquement
la distance des variables QUALITATIVES
Exemple sur un tri plat

F obs
PREFERENCE
ROUGE
VERT
BLEU
JAUNE
NOIR
Total
F th
Effectif observ
Thorie
35
15
19
10
21
100
( Fth Fobs )
Fth
Ecart
20
20
20
20
20
100
Khi
15
-5
-1
-10
1
11.25
1.25
0.05
5
0.05
- La distance du Khi permet ici de quantifier les carts

entre ce qui a t rellement observ et ce qui aurait d ltre
si la couleur nimpactait pas la prfrence pour le produit.
- Le khi calcul est le total de tous ces carts.
2
calc
( Fth Fobs )
Fth
84
(c) Escem 2012-2013
Le test du Khi de Pearson :

application un tri crois
Association, dpendance ou liaison entre
deux variables
Prambule
Quest-ce que le nombre de degrs de

libert dans un tri crois ? (rappel)
Comment utiliser les tables de la loi du
Khi ? (rappel)
Quest-ce quun effectif thorique dans
un tri crois (Fth) et comment le calculer
?
85
(c) Escem 2012-2013
Un degr de libert cest ?
Gnriquement : un degr de libert est

un indice de prdictibilit
Dans un tri crois, cest le nombre de
cases que vous devez connatre,
connaissant les totaux, pour pouvoir en
dduire toutes les autres.
d.d.l. ou d.f. = (l-1)*(c-1)
Un effectif thorique Fth
Cest leffectif attendu (ou espr)

dans une case dun tri crois en cas
dindpendance des variables.
Fth
c*l
=
n
86
(c) Escem 2012-2013
Pause
publicitaire
Aux ditions
Publibook
Un exemple de test sur un tableau 2*2
Lors d une tude, deux questions ont

t poses
Q1 : quel est votre cours prfr ?
Q2 : sexe du rpondant
Pouvez-vous complter ce tableau de

rsultats ?
Q1/Q2
Hommes
Femmes
Droit
?
?
310
Marketing
?
?
290
210
390
600
87
(c) Escem 2012-2013
En fait !
Vous venez de construire un tableau d effectifs
thoriques qui correspond l hypothse d indpendance
entre vos deux variables.
Hommes
Femmes
Droit
Marketing
108.5
101.5
201.5
188.5
310
290
210
390
600
D o peut
provenir
ce type
d cart ?
Les rponses au sondage taient

les suivantes :
Droit
Marketing
Hommes
120
90
210
Femmes
190
200
390
310
290
600
Deux solutions possibles
Il s agit du hasard d chantillonnage

Il n y a pas que le hasard
d chantillonnage, il y a association (ou
dpendance) entre les variables
Le test du Khi-deux vous permet de rpondre

ces questions. Procdons en 5 tapes.
88
(c) Escem 2012-2013
Etape 1 : le sondage
On retrouve le tableau prcdent
Droit
Hommes
Femmes
Total
120
190
310
Marketing Total
90
200
290
210
390
600
Les observations sont paires,

il sagit de statistique bivarie.
Etape 2 : les hypothses
Hypothse nulle Ho
Au seuil de %, les variables sexe du
rpondant et prfrence pour un cours sont
indpendantes, non lies, non associes.
Hypothse alternative Ha
Au seuil de %, il existe une association
statistiquement significative entre les variables
(les variables sont dpendantes, lies, associes)
89
(c) Escem 2012-2013
Autrement dit
Ho (indpendance)
Les carts entre effectifs observs et effectifs

thoriques sont mettre sur le compte du hasard
dchantillonnage ( cest la pioche )
Ha (association)
Les carts entre effectifs observs et effectifs

thoriques sont trop importants pour procder du
seul hasard dchantillonnage ( Ce nest pas que
la pioche = les variables sont lies )
Etape 3 : obtention dune valeur

calcule Khicalc
Observ
Droit
Marketing
Hommes
120
90
210
Femmes
190
200
390
310
290
600
Thorique Droit Marketing

Hommes 108.5
101.5
Femmes 201.5
188.5
310
290
210
390
600
Droit Marketing
1.22
1.30
0.66
0.70
3.88
( Fth Fobs ) 2
calcul =
Fth
2
Hommes
Femmes
Khi calcul = 3,88
Le khi calcul synthtise les carts entre le rel et lobserv. Ce chiffre

na de sens quau-regard de la taille du tableau (le nombre de d.d.l.)
90
(c) Escem 2012-2013
Etape 4 : appliquer un rgle de

dcision
Si jai une forte probabilit dobserver autant

dcarts, je serai tent de dire quils
procdent de la pioche.
Ho sera accepte.
Si jai une faible probabilit dobserver autant

dcarts (moins de %), il sera logique de dire
quils ne procdent pas du hasard
dchantillonnage mais plutt que mes
variables sont associes.
Je ne pourrai plus conserver Ho et serai oblig
daccepter Ha.
Autrement dit, la rgle est
Garder Ho tant que
2
calc
2
th
Le Khi thorique
dpend
Ho
Ha
Du seuil du test
(gnralement 5%)
Du nombre de d.d.l.
91
(c) Escem 2012-2013
Etape 5 : conclusion du test
Nombre de D.D.L. = (l-1)*(c-1)=1

Khi thorique (5%) = 3,84
Khi calcul = 3,88
Rgle de dcision (rappel) :
- calcul < thorique Ho accepte
* Dans le cas prsent, Ha accepte (seuil de 5%)
* Jai 5 chances sur 100 daccepter Ha tort
(cest le risque de premire espce)
Remarques sur ce test
Les variables sont qualitatives
On peut utiliser dans ce test des variables quantitatives

retraites.
Ce test est distribution free

BREF, CE TEST EST PASSE PARTOUT
Ce test est robuste
Pour un effectif thorique minimum de 5 individus par case
Un test robuste pour les chantillons de taille moyenne
Comme dans un test de corrlation, on peut conclure

l existence d une relation entre deux variables
alors qu une 3 se cache derrire !
Intention d achat & C.S.P. (rle du revenu) ?
Comme dans un test de corrlation, cest lanalyste
de poser le sens de la relation, sil lestime
ncessaire.
3,84 = ?
92

Statistiques Appliquées À La Gestion

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Statistiques Appliquées À La Gestion

Transféré par

Droits d'auteur :

Formats disponibles

STATISTIQUES APPLIQUEES A LA GESTION

(c) Escem 2012-2013

E. Bosia L. Gautier A Rychalski

STATISTIQUES APPLIQUEES A LA GESTION

(c) Escem 2012-2013

Pour les enseignements de

Inutile dacheter un livre, le cours suffit.

Vous devrez vous entraner sur le site live QCM

Vous devez prendre note des exemples et exercices traits

Si ncessaire, des ouvrages en Mdiathque compltent le

La base de lapprentissage, cest la rptition

En gnral, sous forme de QCM

Cette anne, a priori, notes, cours,

E. Bosia L. Gautier A Rychalski

STATISTIQUES APPLIQUEES A LA GESTION

(c) Escem 2012-2013

Individu ou unit statistique : un lment de

E. Bosia L. Gautier A. Rychalski

E. Bosia L. Gautier A Rychalski

STATISTIQUES APPLIQUEES A LA GESTION

(c) Escem 2012-2013

Le choix dun outil statistique

Si vous traitez statistiquement une variable,

Le choix dun outil statistique

Schmatiquement, les dmarches descriptives sont

E. Bosia L. Gautier A. Rychalski

E. Bosia L. Gautier A Rychalski

STATISTIQUES APPLIQUEES A LA GESTION

(c) Escem 2012-2013

Le choix dun outil statistique

Deux univers se ctoient et se compltent parfaitement

E. Bosia L. Gautier A. Rychalski

Le choix dun outil statistique

E. Bosia L. Gautier A. Rychalski

E. Bosia L. Gautier A Rychalski

STATISTIQUES APPLIQUEES A LA GESTION

(c) Escem 2012-2013

En rsum Le choix dun outil

Du nombre de variables conjointement

De vos objectifs danalyse (description ou

De lunivers dans lequel vous inscrivez votre

Du type de variables manipules (qualitatif ou

I- lments de statistique descriptive

E. Bosia L. Gautier A Rychalski

STATISTIQUES APPLIQUEES A LA GESTION

(c) Escem 2012-2013

Statistiques descriptives univaries

Pour les variables QUANTITATIVES

E. Bosia L. Gautier A. Rychalski

Les variables qualitatives

E. Bosia L. Gautier A Rychalski

STATISTIQUES APPLIQUEES A LA GESTION

(c) Escem 2012-2013

Les diffrentes variables qualitatives

Statistiques univaries : les

E. Bosia L. Gautier A Rychalski

STATISTIQUES APPLIQUEES A LA GESTION

(c) Escem 2012-2013

La synthse par les chiffres et les

Les diffrents graphiques

Les variables quantitatives

On peut se faire une ide de quelquun

ICI, on codera la rponse de 1 5 pour faire des calculs