C 5

Les divers types de problèmes que l’on se pose
Distribution d’échantillonnage de certaines statistiques

Estimation
Tests
Cours 5: Inférences: Estimation,

Echantillonnage et Tests
Clément Rau
Laboratoire de Mathématiques de Toulouse
Université Paul Sabatier-IUT GEA Ponsan
Module: Stat inférentielles
Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Estimation
Tests
1 Les divers types de problèmes que l’on se pose

Echantillonnage
Estimation
Tests
Idée générale pour la résolution de ces 3 problématiques
2 Distribution d’échantillonnage de certaines statistiques

La moyenne empirique X¯n
La variance empirique Sn2
Cas général
Cas des échantillons Gaussiens
Estimation
Tests
3 Estimation
décor
Estimation par intervalles de confiance
Estimation d’une moyenne
Complément : estimation d’une variance
4 Tests
Tests paramétriques
Test d’une moyenne, σ connu
Test d’une moyenne, σ inconnu mais échantillon Gaussien
Test d’une variance, µ connu mais échantillon Gaussien
Test d’une variance, µ inconnu échantillon Gaussien
Estimation
Tests
Tests de comparaison
Cas d’échantillons Gaussiens
Cas d’échantillons non Gaussiens
Comparaison d’échantillons Gaussiens appariés

Les divers types de problèmes que l’on se pose Echantillonnage
Distribution d’échantillonnage de certaines statistiques Estimation
Estimation Tests
Tests Idée générale pour la résolution de ces 3 problématiques

Echantillonnage
Estimation
Tests
Idée générale pour la résolution de ces 3 problématiques
3 Estimation
4 Tests

Estimation Tests
Introduction : les 3 grandes lignes
Les statistiques peuvent permettre :

d’estimer un paramètre inconnu,
de donner une zone dans laquelle un paramètre, a de
grande chance de se trouver
de prendre des décisions.
Chacune de ses questions correspond à une thématique en
statistiques.

Estimation Tests

statistiques.

Estimation Tests

statistiques.

Estimation Tests

statistiques.

Estimation Tests

statistiques.

Estimation Tests
Echantillonage
L’échantillonnage permet de passer (de la loi connue d’un
paramètre θ dans une population de taille N ) à une estimée
d’une quantité θn fabriquée à partir seulement d’une population
de taille n plus petite (échantillon).
Population mère, effectif N
Echantillon, effectif n
θn inconnu θ connu
F IGURE: Principe de l’échantillonnage.

Estimation Tests
Echantillonage
L’échantillonnage permet de passer (de la loi connue d’un
paramètre θ dans une population de taille N ) à une estimée
d’une quantité θn fabriquée à partir seulement d’une population
de taille n plus petite (échantillon).
θn inconnu θ connu
F IGURE: Principe de l’échantillonnage.

Estimation Tests
Exemple : échantillonnage
Dans une entreprise qui comptent 659 employés, on sait que

0, 03% des employés sont mécontents. On pioche un
échantillon de 15 employés. Quel est l’ordre de grandeur des
employés mécontents dans cet échantillon ?

Estimation Tests
Estimation
L’estimation permet d’induire, à partir des résulats observés sur
un échantillon, des informations sur la population totale.
θn connu θ inconnu
F IGURE: Principe de l’estimation.

Estimation Tests
Estimation
L’estimation permet d’induire, à partir des résulats observés sur
un échantillon, des informations sur la population totale.
θn connu θ inconnu
F IGURE: Principe de l’estimation.

Estimation Tests
Exemple : estimation
Dans un échantillon de 15 employés d’une entreprise, 7%

s’estiment sous pression. Quel est l’ordre de grandeur des
employés sous pression parmi tout le personnel de
l’entreprise ?

Estimation Tests
Test statistiques
Tests de validité d’une hypothèse, prise de décision, contrôle
qualité.
Test sur un paramètre. Est ce qu’une moyenne µ est
inférieure à une valeur µ0 ?
Test de comparaison. Peut on considérer que la moyenne
du chiffre d’affaire d’entreprises issues d’un réseau A, est
la même que celle d’un réseau B ?
Etant donné, une marge d’erreur α, on rejettera ou ne rejettera
pas une hypothèse au risque α% de se tromper.
Remarque
On ne dira pas "qu’on valide une hypothèse" mais on dira
"qu’on ne rejette pas une hypothèse". En effet, les théories
probabilistes permettent de dire que sous une certaine
hypothèse, il n’y a pas de contradictions...
Estimation Tests
Test statistiques
qualité.
Remarque
Estimation Tests
Test statistiques
qualité.
Remarque
Estimation Tests
Test statistiques
qualité.
Remarque
Estimation Tests
Test statistiques
qualité.
Remarque
Estimation Tests
Test statistiques
qualité.
Remarque
Estimation Tests
Exemple : test d’un paramètre
En vue d’aménager les heures de travail du personnel

d’une entreprise, une étude s’est interessée au temps de
sommeil d’un échantillon des employés de l’ entreprise.
L’étude donne une moyenne du temps de sommeil de 6, 56
h et un écart-type de 1, 35h.
Peut on considérer que le temps de sommeil des employés
de cette entreprise est significativement inférieur au temps
de sommeil moyen des individus qui est de 7h30 ?

Estimation Tests


Estimation Tests


Estimation Tests
Principe général commun
Dans chacun des cas, par les théorèmes probabilistes, on sait

que :
une quantité θn converge en loi vers une loi connue (loi
normale, loi du χ2 , loi de Student, loi de Fisher, etc...en
fonction des situations)
Par l’allure des densités de chacune de ces lois, on sait
donc où la variable θn doit de trouver avec grosse
probabilité...

Estimation Tests
Principe général commun
Dans chacun des cas, par les théorèmes probabilistes, on sait

que :
une quantité θn converge en loi vers une loi connue (loi
normale, loi du χ2 , loi de Student, loi de Fisher, etc...en
fonction des situations)
Par l’allure des densités de chacune de ces lois, on sait
donc où la variable θn doit de trouver avec grosse
probabilité...

Estimation Tests
Prérequis : lois classiques et convergence en loi
Lois limites classiques (que l’on obtiendra).

Connaître et savoir lire dans les tables les lois suivante :
Loi normale N (0; 1) et passage à N (µ; σ),
Loi du χ2 ,
Loi de Student,
Loi de Fischer.

Estimation Tests
Rappel : convergence en loi.

On dit que la suite de v.a (θn )n converge en loi vers la loi d’une
v.a θ si,
pour tout intervalle [a; b], on a :
lim P(θn ∈ [a; b]) = P(θ ∈ [a; b]).

n→+∞
L
Notation : On écrit θn → θ
Exemple :
Dans le Théorème central limite, on a vu que si les (Xi )i étaient
iid
√
et d’espérance finie µ et d’écart-type σ, alors la variable
n ¯
σ (Xn − µ) convergeait en loi vers une loi N (0; 1).

Estimation Tests

v.a θ si,
lim P(θn ∈ [a; b]) = P(θ ∈ [a; b]).

n→+∞
L
Exemple :
iid
√
n ¯

Estimation Tests

v.a θ si,
lim P(θn ∈ [a; b]) = P(θ ∈ [a; b]).

n→+∞
L
Exemple :
iid
√
n ¯

Distribution d’échantillonnage de certaines statistiques La moyenne empirique X¯n
Estimation La variance empirique Sn2
Tests

3 Estimation
4 Tests

Tests
Décor, notations valables pour toute la suite du cours
Soit un échantillon de taille n.

Pour 1 ≤ i ≤ n, notons Xi les valeurs d’un paramètre que
prennent les n individus de l’échantillon.
Les Xi sont donc des v.a supposées iid, de moyenne µ et
d’écart-type σ (connus ou pas).

Tests

Cas général

Tests
On pose,
P
Xi
X¯n = i=1...n
.
n
Moyenne empirique des Xi

Tests
On pose,
P
Xi
X¯n = i=1...n
.
n

Tests
On pose,
P
Xi
X¯n = i=1...n
.
n

Tests
Propriétés de X¯n
1
σ2
E(X¯n ) = µ et Var (X¯n ) = .
n
(conséquences des propriétés de linéarité de l’espérance

et de pseudo linéarité de la variance)
2
lim X¯n = µ p.s

n
(Loi des grands nombres)

3
√
n ¯ L
(Xn − µ) → N (0; 1).
σ
(Théorème central limite)
Tests
1
σ2
E(X¯n ) = µ et Var (X¯n ) = .
n

2
lim X¯n = µ p.s

n

3
√
n ¯ L
(Xn − µ) → N (0; 1).
σ
Tests
1
σ2
E(X¯n ) = µ et Var (X¯n ) = .
n

2
lim X¯n = µ p.s

n

3
√
n ¯ L
(Xn − µ) → N (0; 1).
σ
Tests
1
σ2
E(X¯n ) = µ et Var (X¯n ) = .
n

2
lim X¯n = µ p.s

n

3
√
n ¯ L
(Xn − µ) → N (0; 1).
σ
Tests
1
σ2
E(X¯n ) = µ et Var (X¯n ) = .
n

2
lim X¯n = µ p.s

n

3
√
n ¯ L
(Xn − µ) → N (0; 1).
σ
Tests
Justification de l’intérêt de la quantité X¯n
Ainsi, la statistique X¯n converge (en un certain sens)

quand n tend vers l’infini vers µ = E(Xi ). On dit que c’est
un estimateur de µ.
On dit qu’il est sans biais car, E(X¯n ) = µ (l’espérance de
l’estimateur est égale à la valeur que l’on cherche à
estimer).

Tests
Justification de l’intérêt de la quantité X¯n
Ainsi, la statistique X¯n converge (en un certain sens)

quand n tend vers l’infini vers µ = E(Xi ). On dit que c’est
un estimateur de µ.
On dit qu’il est sans biais car, E(X¯n ) = µ (l’espérance de
l’estimateur est égale à la valeur que l’on cherche à
estimer).

Tests
Exemples d’application
Parmi le personnel d’une entreprise, il y a 300 femmes et

600 hommes. On réalise une enquête sur un échantillon
de 55 personnes. Donnez une fourchette du nombres
d’hommes et de femmes de l’échantillon, avec proba 0,95.
Marcheur aléatoire (cf cours précédent)

Tests

Cas général

Tests
Variance empirique
Au regard de la définition de la variance et de la loi des grands

nombres, il est naturel d’introduire :
1 X 1 X 2 2
Sn2 = (Xi − X¯n )2 = [ Xi ] − X¯n .
n n
i=1...n i=1...n
variance empirique des Xi

Avantage de cet estimateur, on n’a pas besoin de connaître
l’espérance µ.

Tests
Variance empirique
Au regard de la définition de la variance et de la loi des grands

nombres, il est naturel d’introduire :
1 X 1 X 2 2
Sn2 = (Xi − X¯n )2 = [ Xi ] − X¯n .
n n
i=1...n i=1...n
variance empirique des Xi

Avantage de cet estimateur, on n’a pas besoin de connaître
l’espérance µ.

Tests
Propriétés
lim Sn2 = E(Xi2 ) − E(Xi )2 = σ 2

n
(loi des grands nombres aux Xi2 et Xi )

2
n−1 2
E(Sn2 ) = σ
n
(petit calcul) On dit que Sn2 a un biais, E(Sn2 ) 6= σ 2 .
3 On admet que,
Sn2 − n−1
n σ
2
L
2
→ N (0; 1).
Var (Sn )

Tests
Propriétés
lim Sn2 = E(Xi2 ) − E(Xi )2 = σ 2

n

2
n−1 2
E(Sn2 ) = σ
n
3 On admet que,
Sn2 − n−1
n σ
2
L
2
→ N (0; 1).
Var (Sn )

Tests
Propriétés
lim Sn2 = E(Xi2 ) − E(Xi )2 = σ 2

n

2
n−1 2
E(Sn2 ) = σ
n
3 On admet que,
Sn2 − n−1
n σ
2
L
2
→ N (0; 1).
Var (Sn )

Tests
Propriétés
lim Sn2 = E(Xi2 ) − E(Xi )2 = σ 2

n

2
n−1 2
E(Sn2 ) = σ
n
3 On admet que,
Sn2 − n−1
n σ
2
L
2
→ N (0; 1).
Var (Sn )

Tests
Une remarque
Si l’on connaît la valeur de µ, on peut remplacer l’estimateur Sn2

par l’estimateur :
2 1 X 1 X 2
Sˆn = (Xi − µ)2 = [ Xi ] − µ2
n n
i=1...n i=1...n
2 2
Avantage : Sˆn est sans biais, puisque E(Sˆn ) = σ 2

Tests
Une remarque
Si l’on connaît la valeur de µ, on peut remplacer l’estimateur Sn2

par l’estimateur :
2 1 X 1 X 2
Sˆn = (Xi − µ)2 = [ Xi ] − µ2
n n
i=1...n i=1...n
2 2
Avantage : Sˆn est sans biais, puisque E(Sˆn ) = σ 2

Tests
Cas particulier des échantillons Gaussiens

Si les Xi suivent une loi Normale N (µ; σ), on a :
σ 2
X¯n ∼ N (µ; )
n
nSn2
∼ χ2 (n − 1)
σ2
− X¯n )2
P
i=1...n (Xi
ie : ∼ χ2 (n − 1)
σ2
X¯n et Sn2 sont indépendants.

Tests

σ 2
X¯n ∼ N (µ; )
n
nSn2
∼ χ2 (n − 1)
σ2
− X¯n )2
P
i=1...n (Xi
ie : ∼ χ2 (n − 1)
σ2

Tests

σ 2
X¯n ∼ N (µ; )
n
nSn2
∼ χ2 (n − 1)
σ2
− X¯n )2
P
i=1...n (Xi
ie : ∼ χ2 (n − 1)
σ2

Tests

σ 2
X¯n ∼ N (µ; )
n
nSn2
∼ χ2 (n − 1)
σ2
− X¯n )2
P
i=1...n (Xi
ie : ∼ χ2 (n − 1)
σ2

Tests

σ 2
X¯n ∼ N (µ; )
n
nSn2
∼ χ2 (n − 1)
σ2
− X¯n )2
P
i=1...n (Xi
ie : ∼ χ2 (n − 1)
σ2

Tests

σ 2
X¯n ∼ N (µ; )
n
nSn2
∼ χ2 (n − 1)
σ2
− X¯n )2
P
i=1...n (Xi
ie : ∼ χ2 (n − 1)
σ2

Tests
Et donc, en posant :
√
n ¯
σ (Xn − µ)
Tn−1 := r
nSn2
(n−1)σ 2
√
n−1 ¯
= (Xn − µ)
Sn
suit une loi de Student à n − 1 degrès de liberté
Ce résultat est extrêmement utile car il ne dépend pas de σ et

servira donc dès que ce paramètre est inconnu.

Tests
Et donc, en posant :
√
n ¯
σ (Xn − µ)
Tn−1 := r
nSn2
(n−1)σ 2
√
n−1 ¯
= (Xn − µ)
Sn
suit une loi de Student à n − 1 degrès de liberté
Ce résultat est extrêmement utile car il ne dépend pas de σ et

servira donc dès que ce paramètre est inconnu.

Tests
2
De même pour l’estimateur Sˆn , on peut prouver :
2
nSˆn
∼ χ2 (n)
σ2
− µ)2
P
i=1...n (Xi
ie : ∼ χ2 (n)
σ2

Tests
2
De même pour l’estimateur Sˆn , on peut prouver :
2
nSˆn
∼ χ2 (n)
σ2
− µ)2
P
i=1...n (Xi
ie : ∼ χ2 (n)
σ2

Tests
Retenir
2
nSn2 nSˆn
∼ χ2 (n − 1) ∼ χ2 (n)
σ2 σ2
et
√
n−1 ¯
(Xn − µ) ∼ Student(n − 1)
Sn
Utilité de ces résultats pour les tests et intervalles de confiance.

Tests
Retenir
2
nSn2 nSˆn
∼ χ2 (n − 1) ∼ χ2 (n)
σ2 σ2
et
√
n−1 ¯
(Xn − µ) ∼ Student(n − 1)
Sn
Utilité de ces résultats pour les tests et intervalles de confiance.

Tests
Rappel : Loi de Student
Definition
Soient X ∼ N (0, 1) et Y ∼ χ2 (n). Posons T = √X . Alors T
Y /n
suit une loi de Student à n degré de liberté et on la note
Student(n)
La loi de Student est une loi à densité, qui a la "même" allure

que la loi normale centrée réduite.

Tests
Rappel : Loi de Student
Definition
Soient X ∼ N (0, 1) et Y ∼ χ2 (n). Posons T = √X . Alors T
Y /n
suit une loi de Student à n degré de liberté et on la note
Student(n)
La loi de Student est une loi à densité, qui a la "même" allure

que la loi normale centrée réduite.

Tests
Une application
Exemple :
Les durées de vie moyenne des écrans d’ordinateurs d’une
société sont de 3000h avec un écart-type de 70h. On suppose
que les durées de vie de chaque machines, suivent des lois
normales et sont indépendantes. On prend au hasard 10
écrans.
Trouver probabilité que l’écart-type de l’échantillon obtenu soit
compris entre 60h et 80h.

Tests
Une application
Exemple :
Les durées de vie moyenne des écrans d’ordinateurs d’une
société sont de 3000h avec un écart-type de 70h. On suppose
que les durées de vie de chaque machines, suivent des lois
normales et sont indépendantes. On prend au hasard 10
écrans.
Trouver probabilité que l’écart-type de l’échantillon obtenu soit
compris entre 60h et 80h.

Tests
Un exemple
1 Pour 1 ≤ i ≤ 10, notons Xi les durées de vie des 10 écrans
de l’échantillon. Par hypothèse, on a
Xi ∼ N (3000; 70).
2 La variance de l’échantillon est donnée par

2 1 X
Sˆ10 = (Xi − 3000)2
10
i=1...10
2
ˆ
3 Or, on sait que la v.a Z = 1070
S10
2 suit une loi du χ2 (10).
Il ne reste plus qu’à traduire l’événement demandé avec la
v.a Z .
Tests
Un exemple
Xi ∼ N (3000; 70).

2 1 X
Sˆ10 = (Xi − 3000)2
10
i=1...10
2
ˆ
S10
v.a Z .
Tests
Un exemple
Xi ∼ N (3000; 70).

2 1 X
Sˆ10 = (Xi − 3000)2
10
i=1...10
2
ˆ
S10
v.a Z .
Tests
Un exemple
Xi ∼ N (3000; 70).

2 1 X
Sˆ10 = (Xi − 3000)2
10
i=1...10
2
ˆ
S10
v.a Z .
Tests
Un exemple
Xi ∼ N (3000; 70).

2 1 X
Sˆ10 = (Xi − 3000)2
10
i=1...10
2
ˆ
S10
v.a Z .
Tests
Un exemple
Donc, on a :
2
ˆ 10 × 602 10Sˆ10 10 × 802
P(60 ≤ S10 ≤ 80) = P( ≤ ≤ )
702 702 702
10 × 602 10 × 802
= P( ≤ Z ≤ )
702 702
= P(7, 34 ≤ Z ≤ 13, 06)
= P(Z ≤ 13, 06) − P(Z ≤ 7, 34)
= 0, 473 à l’aide de la table du χ2 (10),
ou calculatrice, logiciel.

Tests
Un exemple
Donc, on a :
2
ˆ 10 × 602 10Sˆ10 10 × 802
P(60 ≤ S10 ≤ 80) = P( ≤ ≤ )
702 702 702
10 × 602 10 × 802
= P( ≤ Z ≤ )
702 702
= P(7, 34 ≤ Z ≤ 13, 06)
= P(Z ≤ 13, 06) − P(Z ≤ 7, 34)
= 0, 473 à l’aide de la table du χ2 (10),
ou calculatrice, logiciel.

Distribution d’échantillonnage de certaines statistiques décor
Estimation Estimation par intervalles de confiance
Tests
3 Estimation
décor
4 Tests

Tests
Outil : estimateur
Pour estimer une quantité, on fabrique une fonction des

observations, (une statistique/une v.a) qui tend vers la
quantité souhaitée, à l’aide des théorémes limites ( type
Loi des grands nombres). On préférera une statistique
sans biais
On essaye de connaître la loi limite de cette statistique.
On est alors capable, de donner les fluctuations les plus
probables de la statistique, et de donner par exemple un
intervalle de confiance.

Tests
Outil : estimateur

sans biais

Tests
Outil : estimateur

sans biais

Tests
Outil : estimateur

sans biais

Tests
3 Estimation
décor

Tests
Estimation d’une moyenne,

lorsque σ connu

Tests
Estimation d’une moyenne, dans le cas où la variance

σ 2 est connue
On estime la moyenne µ√par X¯n .
L
Par le TCL, on sait que σn (X¯n − µ) → N (0; 1).
Etant donné une marge d’erreur α, (par ex 5%), on
détermine alors un certain uα à l’aide de la table de la
N (0; 1), tel que
P(|Z | ≤ uα ) ≥ 1 − α, où Z ∼ N (0; 1).
√
Ainsi avec proba ≥ 1 − α, on a :| σn (X¯n − µ)| ≤ uα .
ie :
σ σ
X¯n − uα √ ≤ µ ≤ X¯n + uα √
n n

Tests

σ 2 est connue
L
N (0; 1), tel que
P(|Z | ≤ uα ) ≥ 1 − α, où Z ∼ N (0; 1).
√
ie :
σ σ
X¯n − uα √ ≤ µ ≤ X¯n + uα √
n n

Tests

σ 2 est connue
L
N (0; 1), tel que
P(|Z | ≤ uα ) ≥ 1 − α, où Z ∼ N (0; 1).
√
ie :
σ σ
X¯n − uα √ ≤ µ ≤ X¯n + uα √
n n

Tests

σ 2 est connue
L
N (0; 1), tel que
P(|Z | ≤ uα ) ≥ 1 − α, où Z ∼ N (0; 1).
√
ie :
σ σ
X¯n − uα √ ≤ µ ≤ X¯n + uα √
n n

Tests

σ 2 est connue
L
N (0; 1), tel que
P(|Z | ≤ uα ) ≥ 1 − α, où Z ∼ N (0; 1).
√
ie :
σ σ
X¯n − uα √ ≤ µ ≤ X¯n + uα √
n n

Tests
Exemple 1
Une machine produit en grande série des objets de masse

théorique 180g. On admet que la variable aléatoire qui associe
à un objet sa masse a pour ecart-type 0,92g. On préléve un
échantillon de 100 objets et on mesure la masse de chacun, on
obtient une moyenne de 179,93g. Déterminer un intervalle de
confiance au seuil de risque de 1%, de la masse µ d’un objet.

Tests
Exemple 1
Soit Xi , la v.a qui renvoit la masse de l’objet i de
l’échantillon. On cherche un intervalle de confiance de
µ = E(Xi )
On sait qu’avec proba 1 − α,
σ σ
X¯n − uα √ ≤ µ ≤ X¯n + uα √
n n
α = 0, 01 donne un uα = 2, 58. (table 2 de la loi normale
centrée réduite)
D’où,
0, 92 0, 92
179, 93 − 2, 58 × √ ≤ µ ≤ 179, 93 + 2, 58 × √
100 100
ie :
Avec proba 0, 99 on a, µ ∈ [179, 69; 180, 17].
Tests
Exemple 1
µ = E(Xi )
σ σ
X¯n − uα √ ≤ µ ≤ X¯n + uα √
n n
centrée réduite)
D’où,
0, 92 0, 92
179, 93 − 2, 58 × √ ≤ µ ≤ 179, 93 + 2, 58 × √
100 100
ie :
Avec proba 0, 99 on a, µ ∈ [179, 69; 180, 17].
Tests
Exemple 1
µ = E(Xi )
σ σ
X¯n − uα √ ≤ µ ≤ X¯n + uα √
n n
centrée réduite)
D’où,
0, 92 0, 92
179, 93 − 2, 58 × √ ≤ µ ≤ 179, 93 + 2, 58 × √
100 100
ie :
Avec proba 0, 99 on a, µ ∈ [179, 69; 180, 17].
Tests
Exemple 2 : intervalle de confiance d’une proportion

Intervalle de confiance d’une proportion lors d’une élection, voir
exemple détaillé en cours 3.
Rappel des grandes lignes :
Dans ce cas, les Xi ∼ Bernoulli(p) avec p inconnu. La
variance p(1 − p), est donc également inconnue !
On a donc avec proba 1 − α,
r r
p(1 − p) p(1 − p)
X¯n − uα ≤ µ ≤ X¯n + uα
n n
L’estimée précédente est à priori sans intérêt, puisque

p(1 − p) est inconnu.La clef consiste à remarquer que pour
tout p ∈ [0; 1], on a p(1 − p) ≤ 1/4. Ainsi, avec proba 1 − α,
uα uα
X¯n − √ ≤ µ ≤ X¯n + √ .
2 n 2 n
Tests

r r
p(1 − p) p(1 − p)
X¯n − uα ≤ µ ≤ X¯n + uα
n n

uα uα
X¯n − √ ≤ µ ≤ X¯n + √ .
2 n 2 n
Tests

r r
p(1 − p) p(1 − p)
X¯n − uα ≤ µ ≤ X¯n + uα
n n

uα uα
X¯n − √ ≤ µ ≤ X¯n + √ .
2 n 2 n
Tests

r r
p(1 − p) p(1 − p)
X¯n − uα ≤ µ ≤ X¯n + uα
n n

uα uα
X¯n − √ ≤ µ ≤ X¯n + √ .
2 n 2 n
Tests

r r
p(1 − p) p(1 − p)
X¯n − uα ≤ µ ≤ X¯n + uα
n n

uα uα
X¯n − √ ≤ µ ≤ X¯n + √ .
2 n 2 n
Tests
Estimation d’une moyenne,

lorsque σ inconnu

Tests
Estimation de la moyenne, dans le cas où la variance

σ 2 est inconnue.
On suppose dans ce cas que les Xi suivent des lois

normales N (µ, σ).

Tests
√
On utilise le fait que T = Sn−1n
(X¯n − µ) suit une loi de
Student(n − 1).
Etant donné une marge d’erreur α, on détermine alors un
certain tα à l’aide de la table de la loi de student, tel que
P(|T | ≤ tα ) ≥ 1 − α, où T ∼ Student(n − 1).
On conclut, qu’avec proba au moins 1 − α, on a :

√
n−1 ¯
| (Xn − µ)| ≤ tα .
Sn
Ainsi,
Sn Sn
X¯n − tα √ ≤ µ ≤ X¯n + tα √
n−1 n−1

Tests
√
Student(n − 1).

√
n−1 ¯
| (Xn − µ)| ≤ tα .
Sn
Ainsi,
Sn Sn
X¯n − tα √ ≤ µ ≤ X¯n + tα √
n−1 n−1

Tests
√
Student(n − 1).

√
n−1 ¯
| (Xn − µ)| ≤ tα .
Sn
Ainsi,
Sn Sn
X¯n − tα √ ≤ µ ≤ X¯n + tα √
n−1 n−1

Tests
√
Student(n − 1).

√
n−1 ¯
| (Xn − µ)| ≤ tα .
Sn
Ainsi,
Sn Sn
X¯n − tα √ ≤ µ ≤ X¯n + tα √
n−1 n−1

Tests
Exemple
Le chiffre d’affaire mensuel d’une entreprise suit une loi

normale de moyenne µ et d’écart-type σ inconnus. Sur les 12
derniers mois, on a observé une moyenne des chiffres
d’affaires égale à 10 000 euros avec un écart-type de 2000
euros.
Donner une estimation de µ par intervalle de confiance au
niveau 0, 98.

Tests
Exemple
Le chiffre d’affaire mensuel d’une entreprise suit une loi

normale de moyenne µ et d’écart-type σ inconnus. Sur les 12
derniers mois, on a observé une moyenne des chiffres
d’affaires égale à 10 000 euros avec un écart-type de 2000
euros.
Donner une estimation de µ par intervalle de confiance au
niveau 0, 98.

Tests
Exemple
Soit Xi le chiffre d’affaire de l’entreprise le mois i.
√
On sait que T = 11 (X¯12 − µ) suit une loi de Student(11)
S12
A l’aide de la table de la loi de Student, on trouve
tα = t0,02 ' 2, 718 tel que P(|T | ≤ 2, 718) ≥ 0, 98
√
Donc, | 11 (X¯12 − µ)| ≤ 2, 718 avec proba ≥ 0, 98.
S12
S12 S12
ie : µ ∈ [X¯12 − 2, 718 × √ ; X¯12 − 2, 718 × √ ].
11 11
Avec X¯12 = 10000 et S12 = 2000, on obtient
µ ∈ [8360, 9; 11639, 02], avec proba 0, 98.

Tests
Exemple
√
S12
tα = t0,02 ' 2, 718 tel que P(|T | ≤ 2, 718) ≥ 0, 98
√
S12
S12 S12
ie : µ ∈ [X¯12 − 2, 718 × √ ; X¯12 − 2, 718 × √ ].
11 11
µ ∈ [8360, 9; 11639, 02], avec proba 0, 98.

Tests
Exemple
√
S12
tα = t0,02 ' 2, 718 tel que P(|T | ≤ 2, 718) ≥ 0, 98
√
S12
S12 S12
ie : µ ∈ [X¯12 − 2, 718 × √ ; X¯12 − 2, 718 × √ ].
11 11
µ ∈ [8360, 9; 11639, 02], avec proba 0, 98.

Tests
Exemple
√
S12
tα = t0,02 ' 2, 718 tel que P(|T | ≤ 2, 718) ≥ 0, 98
√
S12
S12 S12
ie : µ ∈ [X¯12 − 2, 718 × √ ; X¯12 − 2, 718 × √ ].
11 11
µ ∈ [8360, 9; 11639, 02], avec proba 0, 98.

Tests
Exemple
√
S12
tα = t0,02 ' 2, 718 tel que P(|T | ≤ 2, 718) ≥ 0, 98
√
S12
S12 S12
ie : µ ∈ [X¯12 − 2, 718 × √ ; X¯12 − 2, 718 × √ ].
11 11
µ ∈ [8360, 9; 11639, 02], avec proba 0, 98.

Tests
Exemple
√
S12
tα = t0,02 ' 2, 718 tel que P(|T | ≤ 2, 718) ≥ 0, 98
√
S12
S12 S12
ie : µ ∈ [X¯12 − 2, 718 × √ ; X¯12 − 2, 718 × √ ].
11 11
µ ∈ [8360, 9; 11639, 02], avec proba 0, 98.

Tests
3 Estimation
décor

Tests
Complément : estimation d’une

variance, lorsque µ connue et
échantillon Gaussien

Tests
Etimation de la variance, on ne traitera que le cas

GAUSSIEN !
On suppose dans ce cas que les Xi suivent des lois

normales N (µ, σ).

Tests
Cas où la moyenne µ est connue.
2
On utilise l’estimateur Sˆn = 1
− µ)2
P
n i=1...n (Xi
2
nSˆn
On sait que Z = σ2
∼ χ2 (n)
Etant donné, un taux d’erreur α, à l’aide de la table de la loi
du χ2 , on détermine deux nombres mα et Mα tels que :
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n).

Tests
2
− µ)2
P
n i=1...n (Xi
2
nSˆn
On sait que Z = σ2
∼ χ2 (n)
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n).

Tests
2
− µ)2
P
n i=1...n (Xi
2
nSˆn
On sait que Z = σ2
∼ χ2 (n)
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n).

Tests
2
− µ)2
P
n i=1...n (Xi
2
nSˆn
On sait que Z = σ2
∼ χ2 (n)
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n).

Tests
Détermination des nombres mα et Mα : une

méthode...
Une manière possible de procéder est de trouver mα et Mα tels
que
P(Z ≥ Mα ) = α/2 et P(Z ≤ mα ) = α/2
F IGURE: Allure de la densité d’un χ2 .

Tests

méthode...
que
P(Z ≥ Mα ) = α/2 et P(Z ≤ mα ) = α/2

Tests

méthode...
que
P(Z ≥ Mα ) = α/2 et P(Z ≤ mα ) = α/2

Tests
On déduit donc,
2
nSˆn
P(mα ≤ ≤ Mα ) ≥ 1 − α.
σ2
Ainsi,
2 2
nSˆn 2 nSˆn
P( ≤σ ≤ ) ≥ 1 − α.
Mα mα
r r
ˆ n ˆ n
ie : σ ∈ [Sn ; Sn ] avec proba 1 − α.
Mα mα

Tests
On déduit donc,
2
nSˆn
P(mα ≤ ≤ Mα ) ≥ 1 − α.
σ2
Ainsi,
2 2
nSˆn 2 nSˆn
P( ≤σ ≤ ) ≥ 1 − α.
Mα mα
r r
ˆ n ˆ n
Mα mα

Tests
On déduit donc,
2
nSˆn
P(mα ≤ ≤ Mα ) ≥ 1 − α.
σ2
Ainsi,
2 2
nSˆn 2 nSˆn
P( ≤σ ≤ ) ≥ 1 − α.
Mα mα
r r
ˆ n ˆ n
Mα mα

Tests
Complément : estimation d’une

variance, lorsque µ inconnu et
échantillon Gaussien

Tests
Cas où la moyenne µ est inconnue.

2
On utilise même démarche en remplaçant Sˆn , par l’estimateur
1 X
Sn2 = (Xi − X¯n )2
n
i=1...n
nSn2
On sait alors que Z = σ2
∼ χ2 (n − 1)
A l’aide de la table du χ2 , pour le taux α, on détermine
deux nombres mα et Mα tels que :
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n − 1).

Tests

2
1 X
Sn2 = (Xi − X¯n )2
n
i=1...n
nSn2
∼ χ2 (n − 1)
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n − 1).

Tests

2
1 X
Sn2 = (Xi − X¯n )2
n
i=1...n
nSn2
∼ χ2 (n − 1)
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n − 1).

Tests

2
1 X
Sn2 = (Xi − X¯n )2
n
i=1...n
nSn2
∼ χ2 (n − 1)
P(mα ≤ Z ≤ Mα ) ≥ 1 − α, où Z ∼ χ2 (n − 1).

Tests
On déduit donc,
nSn2
P(mα ≤ ≤ Mα ) ≥ 1 − α.
σ2
Ainsi,
nSn2 nSn2
P( ≤ σ2 ≤ ) ≥ 1 − α.
Mα mα
r r
n n
Mα mα

Tests
On déduit donc,
nSn2
P(mα ≤ ≤ Mα ) ≥ 1 − α.
σ2
Ainsi,
nSn2 nSn2
P( ≤ σ2 ≤ ) ≥ 1 − α.
Mα mα
r r
n n
Mα mα

Tests
On déduit donc,
nSn2
P(mα ≤ ≤ Mα ) ≥ 1 − α.
σ2
Ainsi,
nSn2 nSn2
P( ≤ σ2 ≤ ) ≥ 1 − α.
Mα mα
r r
n n
Mα mα

Tests
Exemple
Une entreprise comporte un grand nombre d’employés avec un

système de pointage des heures d’arrivée. Chaque employé
doit arriver à 8h. On a relevé le retard d’un échantillon de 25
employés. On a obtenu un retard moyen de 6,47 min pour un
écart-type moyen 1,12 min. A partir de ces informations,
donner un intervalle de confiance au seuil de 0,9 pour
l’écart-type du temps de retard.

Tests
Exemple
Soit Xi le temps de retard de l’employé i. On a X¯25 = 6, 47

et S25 = 1, 12 On cherche une estimée de σ 2 = Var (Xi ).
2
25S25
On sait que Z = σ2
∼ χ2 (24)
A l’aide de la table de la loi d’un χ2 , on détermine
mα ' 13, 848 et Mα ' 36, 415 tels que
P(Z ≥ Mα ) = 0, 05 et P(Z ≤ mα ) = 0, 05.
25S 2 25S 2
on obtient σ 2 ∈ [ 36,415
25 25
; 13,848 ] avec proba 0, 9.
ie : σ ∈ [0, 927; 1, 505] avec proba 0, 9.

Tests
Exemple

2
25S25
On sait que Z = σ2
∼ χ2 (24)
mα ' 13, 848 et Mα ' 36, 415 tels que
P(Z ≥ Mα ) = 0, 05 et P(Z ≤ mα ) = 0, 05.
25S 2 25S 2
25 25
; 13,848 ] avec proba 0, 9.
ie : σ ∈ [0, 927; 1, 505] avec proba 0, 9.

Tests
Exemple

2
25S25
On sait que Z = σ2
∼ χ2 (24)
mα ' 13, 848 et Mα ' 36, 415 tels que
P(Z ≥ Mα ) = 0, 05 et P(Z ≤ mα ) = 0, 05.
25S 2 25S 2
25 25
; 13,848 ] avec proba 0, 9.
ie : σ ∈ [0, 927; 1, 505] avec proba 0, 9.

Tests
Exemple

2
25S25
On sait que Z = σ2
∼ χ2 (24)
mα ' 13, 848 et Mα ' 36, 415 tels que
P(Z ≥ Mα ) = 0, 05 et P(Z ≤ mα ) = 0, 05.
25S 2 25S 2
25 25
; 13,848 ] avec proba 0, 9.
ie : σ ∈ [0, 927; 1, 505] avec proba 0, 9.

Tests
Exemple

2
25S25
On sait que Z = σ2
∼ χ2 (24)
mα ' 13, 848 et Mα ' 36, 415 tels que
P(Z ≥ Mα ) = 0, 05 et P(Z ≤ mα ) = 0, 05.
25S 2 25S 2
25 25
; 13,848 ] avec proba 0, 9.
ie : σ ∈ [0, 927; 1, 505] avec proba 0, 9.

Tests
Exemple

2
25S25
On sait que Z = σ2
∼ χ2 (24)
mα ' 13, 848 et Mα ' 36, 415 tels que
P(Z ≥ Mα ) = 0, 05 et P(Z ≤ mα ) = 0, 05.
25S 2 25S 2
25 25
; 13,848 ] avec proba 0, 9.
ie : σ ∈ [0, 927; 1, 505] avec proba 0, 9.

Distribution d’échantillonnage de certaines statistiques Tests paramétriques
Estimation Tests de comparaison
Tests
3 Estimation
4 Tests

Tests
4 Tests

Tests
Point de vue global
C’est une stratégie analogue à celles des estimations. On

utilise la même technologie.
On fait une hypothèse sur un paramètre. On sait alors que,
sous cette hypothèse, une certaine v.a (une statistique)
doit être distribuée suivant une certaine loi (Théorème
limites, distribution d’échantillonage)
On vérifie alors, avec un taux α, "l’adéquation" des 2 lois.
(Il existe des tests unilatéraux et bilatéraux.)

Tests
Point de vue global


Tests
Point de vue global


Tests

Tests
Test moyenne, cas où σ connu

On veut tester l’hypothèse H0 : µ = µ0 contre H1 : µ 6= µ0 .
Sous H0 , on sait que pour n grand, la v.a
√
n ¯
(Xn − µ0 ) doit suivre une N (0; 1).
σ

certain uα à l’aide de la table de la N (0; 1), tel que
P(|Z | ≤ uα ) ≥ 1 − α, où Z ∼ N (0; 1).
√
La position du nombre σn (X¯n − µ0 ) par rapport à
[−uα ; uα ], permet de rejetter ou de ne pas rejetter H0 .
Tests

√
n ¯
σ

P(|Z | ≤ uα ) ≥ 1 − α, où Z ∼ N (0; 1).
√
Tests

√
n ¯
σ

P(|Z | ≤ uα ) ≥ 1 − α, où Z ∼ N (0; 1).
√
Tests

√
n ¯
σ

P(|Z | ≤ uα ) ≥ 1 − α, où Z ∼ N (0; 1).
√
Tests
Ainsi,
√
n ¯
Si σ (Xn − µ0 ) ∈ [−uα ; uα ], on ne rejette pas H0 .
Sinon on rejette H0 .

Tests
Ainsi,
√
n ¯
Si σ (Xn − µ0 ) ∈ [−uα ; uα ], on ne rejette pas H0 .

Tests
F IGURE: Zones rejet et non rejet de H0 .

Tests
Test d’une moyenne, σ inconnu

mais échantillon Gaussien

Tests
Test moyenne, cas d’un échantillon Gaussien et σ

inconnu
Dans le cas où σ est inconnu, c’est le même principe mais on

raisonne cette fois avec la variable de décision Tn−1 et on
suppose que les Xi suivent une loi Normale N (µ; σ).

Tests

inconnu
Sous H0 , on sait que la v.a,
√
n−1 ¯
Tn−1 = (Xn − µ0 ) doit suit une loi de Student(n − 1)
Sn

certain tα à l’aide de la table de Student(n − 1), tel que
P(|Tn−1 | ≤ tα ) ≥ 1 − α.
√
n−1 ¯
Etude de la position de Sn (Xn − µ0 ) par rapport à
[−tα ; tα ].
Tests

inconnu
√
n−1 ¯
Sn

P(|Tn−1 | ≤ tα ) ≥ 1 − α.
√
n−1 ¯
[−tα ; tα ].
Tests

inconnu
√
n−1 ¯
Sn

P(|Tn−1 | ≤ tα ) ≥ 1 − α.
√
n−1 ¯
[−tα ; tα ].
Tests

inconnu
√
n−1 ¯
Sn

P(|Tn−1 | ≤ tα ) ≥ 1 − α.
√
n−1 ¯
[−tα ; tα ].
Tests

inconnu
Ainsi, on a la même discussion,

Si Tn−1 ∈ [−tα ; tα ], on ne rejette pas H0 .

Tests

inconnu

Si Tn−1 ∈ [−tα ; tα ], on ne rejette pas H0 .

Tests

Tests
Exemples : Effet sur le temps de sommeil des

aménagements d’ horaire dans une entreprise

sommeil d’un échantillon de 30 employés de l’ entreprise.
En supposant que le temps de sommeil d’un employé suit
une loi normale, peut on considérer que le temps de
sommeil des employés de cette entreprise est inférieur au
temps de sommeil moyen des individus qui est de 7h30 au
seuil 5% ?

Tests


seuil 5% ?

Tests


seuil 5% ?

Tests

Soit Xi le temps de sommeil de la personne i de

l’échantillon, on suppose que Xi ∼ N (µ, σ).
Soit H0 : µ = 7, 5.
√
29 ¯
Sous H0 , on a T29 = S30 (X30 − 7, 5) ∼ Student(29)
La table de Student donne P(|T | ≤ 2, 045) ≥ 0, 95
√
29
Ici T29 = 1,35 (6, 56 − 7, 5) = −3, 74
Donc T29 ∈
/ [−2, 045 : 2, 045], et on rejette H0

Tests


Soit H0 : µ = 7, 5.
√
29 ¯
√
29
Ici T29 = 1,35 (6, 56 − 7, 5) = −3, 74
Donc T29 ∈
/ [−2, 045 : 2, 045], et on rejette H0

Tests


Soit H0 : µ = 7, 5.
√
29 ¯
√
29
Ici T29 = 1,35 (6, 56 − 7, 5) = −3, 74
Donc T29 ∈
/ [−2, 045 : 2, 045], et on rejette H0

Tests


Soit H0 : µ = 7, 5.
√
29 ¯
√
29
Ici T29 = 1,35 (6, 56 − 7, 5) = −3, 74
Donc T29 ∈
/ [−2, 045 : 2, 045], et on rejette H0

Tests


Soit H0 : µ = 7, 5.
√
29 ¯
√
29
Ici T29 = 1,35 (6, 56 − 7, 5) = −3, 74
Donc T29 ∈
/ [−2, 045 : 2, 045], et on rejette H0

Tests


Soit H0 : µ = 7, 5.
√
29 ¯
√
29
Ici T29 = 1,35 (6, 56 − 7, 5) = −3, 74
Donc T29 ∈
/ [−2, 045 : 2, 045], et on rejette H0

Tests
Test d’une variance, µ connu

mais échantillon Gaussien

Tests
Test variance, cas d’un échantillon Gaussien et µ

connu
C’est encore la même démarche, avec cette fois avec la

variable de décision
nSˆn2 1 X
Z = = (Xi − µ)2
σ2 σ2
i=1...n
qui doit suivre un χ2 (n), si le σ est correct.

Tests

connu
On veut tester l’hypothèse H0 : σ = σ0 contre H1 : σ 6= σ0 .

nSˆn2
Zn = σ02
doit suit une loi de χ2 (n)

certain cα à l’aide de la table de χ2 (n), tel que
P(Zn ≥ cα ) = α où la v.a Zn ∼ χ2 (n).
nSˆn2
Etude de la position de σ02
par rapport à cα .

Tests

connu

nSˆn2
Zn = σ02

nSˆn2

Tests

connu

nSˆn2
Zn = σ02

nSˆn2

Tests

connu

nSˆn2
Zn = σ02

nSˆn2

Tests

connu

Si Zn ≤ cα , on ne rejette pas H0 .

Tests

connu

Si Zn ≤ cα , on ne rejette pas H0 .

Tests

Tests
Test d’une variance, µ inconnu

et échantillon Gaussien

Tests

inconnu
Si les Xi suivent une loi Normale N (µ; σ), et lorsque µ est

inconnu, on utilise :
nSn2
qui doit suivre un χ2 (n − 1), si le σ est correct.
σ2

Tests

inconnu
Si les Xi suivent une loi Normale N (µ; σ), et lorsque µ est

inconnu, on utilise :
nSn2
qui doit suivre un χ2 (n − 1), si le σ est correct.
σ2

Tests

inconnu

nSn2
Zn−1 = σ02
doit suivre une loi de χ2 (n − 1)
certain cα à l’aide de la table de χ2 (n − 1), tel que
P(Zn−1 ≥ cα ) = α où la v.a Zn ∼ χ2 (n − 1).
nSn2

Tests

inconnu

nSn2
Zn−1 = σ02
nSn2

Tests

inconnu

nSn2
Zn−1 = σ02
nSn2

Tests

inconnu

nSn2
Zn−1 = σ02
nSn2

Tests

inconnu
Ainsi, on a une fois de plus la même discussion,

Si Zn−1 ≤ cα , on ne rejette pas H0 .

Tests

inconnu
Ainsi, on a une fois de plus la même discussion,

Si Zn−1 ≤ cα , on ne rejette pas H0 .

Tests

inconnu

Tests
4 Tests

Tests
Problématique :
Etant donné deux échantillons de taille nA et nB , peut-on
admettre qu’ils ont été prélevés dans une même population.
Ces deux échantillons ayant été prélevés independamment l’un
de l’autre.

Tests
Test de comparaison
Population A Population B
Echantillon Echantillon
Taille :nA Taille :nB

Moyenne :µA Moyenne :µB
Ecart-type : σA X¯nAA Ecart-type : σB X¯nBB
SnAA SnBB

Tests
Test de de comparaison des

variances d’échantillon
Gaussien.

Tests
Test de comparaison des variances
Soient deux échantillons A et B

Pour 1 ≤ i ≤ nA , notons
XiA les valeurs de la variable étudiée, issue de A,
avec XiA ∼ N (µA ; σA ).

De même, pour 1 ≤ i ≤ nB , notons
XiB les valeurs de la variable étudiée, issue de B,
avec XiB ∼ N (µB ; σB ).

On veut tester l’hypothèse H0 : σA = σB .

Tests




Tests




Tests




Tests

En appliquant les résultat de la théorie de
l’échantillonnage, on sait que :
2 2
nA SnAA 2 nB SnBB
∼ χ (nA − 1) et ∼ χ2 (nB − 1),
σA2 σB2
2 2
où SnAA et SnBB désignent les estimateurs respectifs de la
variance de l’échantillon A et B.
A 2
nA Sn
A
(nA −1)σ 2
Ainsi, la v.a Z := B 2
A
, rapport de deux χ2 divisés par
nB Sn
B
(nB −1)σ 2
B
les degrés de liberté, suit donc (par définition) une loi de
Fisher-Snedecor F(nA − 1, nB − 1).
Tests

En appliquant les résultat de la théorie de
l’échantillonnage, on sait que :
2 2
nA SnAA 2 nB SnBB
∼ χ (nA − 1) et ∼ χ2 (nB − 1),
σA2 σB2
2 2
où SnAA et SnBB désignent les estimateurs respectifs de la
variance de l’échantillon A et B.
A 2
nA Sn
A
(nA −1)σ 2
Ainsi, la v.a Z := B 2
A
, rapport de deux χ2 divisés par
nB Sn
B
(nB −1)σ 2
B
les degrés de liberté, suit donc (par définition) une loi de
Fisher-Snedecor F(nA − 1, nB − 1).
Tests
Sous l’hypothèse H0 : σA = σB , cette expression se

simplifie en :
2
nA SnA
A
(nA −1)
Z = 2
,
nB SnB
B
(nB −1)
Ainsi, sous H0 , la variable Z doit suivre une loi de

Fisher-Snedecor
F(nA − 1, nB − 1).

Tests
Sous l’hypothèse H0 : σA = σB , cette expression se

simplifie en :
2
nA SnA
A
(nA −1)
Z = 2
,
nB SnB
B
(nB −1)
Ainsi, sous H0 , la variable Z doit suivre une loi de

Fisher-Snedecor
F(nA − 1, nB − 1).

Tests
Principe du test :
On suppose H0 : σA = σB .
Etant donné un seuil α, on détermine un fα à l’aide de la
table de la loi de Fisher-Snedecor tel que
P(F ≤ fα ) = 1 − α où F ∼ F(nA − 1, nB − 1).
A 2
nA Sn
A
(nA −1)
On compare la valeur Z = B 2 , à fα .
nB Sn
B
(nB −1)
Si Z < fα alors on ne rejette pas H0 ,

sinon on rejette.

Tests
Principe du test :
P(F ≤ fα ) = 1 − α où F ∼ F(nA − 1, nB − 1).
A 2
nA Sn
A
(nA −1)
nB Sn
B
(nB −1)

sinon on rejette.

Tests
Principe du test :
P(F ≤ fα ) = 1 − α où F ∼ F(nA − 1, nB − 1).
A 2
nA Sn
A
(nA −1)
nB Sn
B
(nB −1)

sinon on rejette.

Tests
Principe du test :
P(F ≤ fα ) = 1 − α où F ∼ F(nA − 1, nB − 1).
A 2
nA Sn
A
(nA −1)
nB Sn
B
(nB −1)

sinon on rejette.

Tests
Principe du test :
P(F ≤ fα ) = 1 − α où F ∼ F(nA − 1, nB − 1).
A 2
nA Sn
A
(nA −1)
nB Sn
B
(nB −1)

sinon on rejette.

Tests

inconnu

Tests
Remarques
Si les deux échantillons ont même taille (nA = nB ),
l’expression se simplifie en :
2
SnAA
2
.
SnBB
En pratique, on met toujours au numérateur la plus grande

des deux quantités.
Possible de faire un test de Fisher-Snedecor bilateral
F IGURE: Test de Fisher-Snedecor bilateral.

Tests
Remarques
2
SnAA
2
.
SnBB


Tests
Remarques
2
SnAA
2
.
SnBB


Tests
Test de de comparaison des

moyennes d’échantillon
Gaussien.

Tests
Rappels
Prérequis :
Si X et Y sont deux v.a indépendantes, on a :
Var (X + Y ) = Var (X ) + Var (Y )
Par ailleurs, la somme de deux Gaussiennes
indépendantes est encore une Gaussienne.
Ainsi,
si X ∼ N (µ1 , σ1 ) et Y ∼ N (µ2 , σ2 ), on a :
X + Y ∼ N (µ1 + µ2 , σ1 + σ2 )
Si les Xi ∼ N (µ, σ), alors
σ
X¯n ∼ N (µ, √ )
n

Tests
Rappels
Prérequis :
Var (X + Y ) = Var (X ) + Var (Y )
Ainsi,
X + Y ∼ N (µ1 + µ2 , σ1 + σ2 )
σ
X¯n ∼ N (µ, √ )
n

Tests
Rappels
Prérequis :
Var (X + Y ) = Var (X ) + Var (Y )
Ainsi,
X + Y ∼ N (µ1 + µ2 , σ1 + σ2 )
σ
X¯n ∼ N (µ, √ )
n

Tests
Rappels
Prérequis :
Var (X + Y ) = Var (X ) + Var (Y )
Ainsi,
X + Y ∼ N (µ1 + µ2 , σ1 + σ2 )
σ
X¯n ∼ N (µ, √ )
n

Tests
Rappels
Prérequis :
Var (X + Y ) = Var (X ) + Var (Y )
Ainsi,
X + Y ∼ N (µ1 + µ2 , σ1 + σ2 )
σ
X¯n ∼ N (µ, √ )
n

Tests
Rappels
Prérequis :
Var (X + Y ) = Var (X ) + Var (Y )
Ainsi,
X + Y ∼ N (µ1 + µ2 , σ1 + σ2 )
σ
X¯n ∼ N (µ, √ )
n

Tests
Test de comparaison des moyennes

On suppose désormais σA = σB := σ, et on veut tester
µA = µB . Par les résultats de distribution d’échantillonnage, on
sait que :
X¯A ∼ N (µA , √σ ) et X¯B ∼ N (µB , √σ )
nA nB
2 2
nA SnA nB SnB
σ2
A
∼ χ2 (nA − 1) et σ2
B
∼ χ2 (nB − 1)
Donc, s
1 1
X¯A − X¯B ∼ N (µA − µB , σ + ) (1)
nA nB
et
2 2
nA SnAA + nB SnBB
∼ χ2 (nA + nB − 2) (2)
σ2

Tests

sait que :
X¯A ∼ N (µA , √σ ) et X¯B ∼ N (µB , √σ )
nA nB
2 2
nA SnA nB SnB
σ2
A
∼ χ2 (nA − 1) et σ2
B
∼ χ2 (nB − 1)
Donc, s
1 1
X¯A − X¯B ∼ N (µA − µB , σ + ) (1)
nA nB
et
2 2
nA SnAA + nB SnBB
∼ χ2 (nA + nB − 2) (2)
σ2

Tests

sait que :
X¯A ∼ N (µA , √σ ) et X¯B ∼ N (µB , √σ )
nA nB
2 2
nA SnA nB SnB
σ2
A
∼ χ2 (nA − 1) et σ2
B
∼ χ2 (nB − 1)
Donc, s
1 1
X¯A − X¯B ∼ N (µA − µB , σ + ) (1)
nA nB
et
2 2
nA SnAA + nB SnBB
∼ χ2 (nA + nB − 2) (2)
σ2

Tests

sait que :
X¯A ∼ N (µA , √σ ) et X¯B ∼ N (µB , √σ )
nA nB
2 2
nA SnA nB SnB
σ2
A
∼ χ2 (nA − 1) et σ2
B
∼ χ2 (nB − 1)
Donc, s
1 1
X¯A − X¯B ∼ N (µA − µB , σ + ) (1)
nA nB
et
2 2
nA SnAA + nB SnBB
∼ χ2 (nA + nB − 2) (2)
σ2

Tests

sait que :
X¯A ∼ N (µA , √σ ) et X¯B ∼ N (µB , √σ )
nA nB
2 2
nA SnA nB SnB
σ2
A
∼ χ2 (nA − 1) et σ2
B
∼ χ2 (nB − 1)
Donc, s
1 1
X¯A − X¯B ∼ N (µA − µB , σ + ) (1)
nA nB
et
2 2
nA SnAA + nB SnBB
∼ χ2 (nA + nB − 2) (2)
σ2

Tests
Si on a la valeur de σ, on peut directement tester

l’adéquation de X¯A − X¯B avec une normale centrée par (1).
Sinon, on forme le rapport de (1) par (2), puis aprés
simplification par σ et par définition de la loi de Student, on
a:
X¯A − X¯B − (µA − µB ) p

T := q nA + nB − 2,
2 2
(nA SnAA + nB SnBB )( n1A + 1
nB )
qui suit une loi de Student(nA + nB − 2), comme quotient d’une

loi normale et de la racine d’un χ2 (divisé par son degré de
liberté).
Tests

a:
X¯A − X¯B − (µA − µB ) p

T := q nA + nB − 2,
2 2
nB )

liberté).
Tests

a:
X¯A − X¯B − (µA − µB ) p

T := q nA + nB − 2,
2 2
nB )

liberté).
Tests
Sous l’hypothèse µA = µB , on calcule donc
X¯A − X¯B p
T =q nA + nB − 2,
2 2
nB )
que l’on teste (exactement comme pour le test de la moyenne

avec σ inconnu), avec une loi Student(nA + nB − 2).

Tests
Cas d’échantillon non Gaussiens
2
Le test de variance n’est plus valable en général. ( nS
σ2
n
ne
suit pas forcément un χ2 )
Parcontre, si nA et nB sont assez grands (≥ 30), on peut
quand même tester les moyennes avec la formule de
Student.

Tests
2
σ2
n
ne
Student.

Tests
2
σ2
n
ne
Student.

Tests
Un exemple : comparaison des moyennes du chiffre

d’affaire de 2 réseaux d’entreprises
Un réseau A d’entreprises constitué de nA = 31 entreprises,

possède un chiffre d’affaire moyen annuel de 27 432 euros
pour un écart-type moyen de 2349 euros. Un réseau B du
même secteur d’activité que A, est constitué de nB = 41
entreprises, a un chiffre d’affaire moyen annuel de 30431 euros
avec un écart-type moyen de 1802 euros.
Peut on considérer que les moyennes du chiffre d’affaire annuel

du réseau A et du réseau B sont égales (au seuil 5%) ?

Tests

Les échantillons ne sont pas supposés Gaussiens, mais

nA et nB grands (≥ 30), donc on peut tout de même faire le
test des moyennes de student.
X¯A = 27423, X¯B = 30431 et S A = 2349, S B = 2496
nA nB
On teste d’abord H0 : σA = σB ?
A 2
nA Sn
A 31×23492
(nA −1)
Z = B 2
= 30
41×24962
≈ 0, 892
nB Sn
B 40
(nB −1)
A l’aide de la table de la loi de Fisher-Snedecor, on a

P(F ≤ 1, 74) = 0, 95 où F ∼ F(30, 40).
0, 892 < 1, 74 donc on ne rejette pas H0 .
Tests


X¯A = 27423, X¯B = 30431 et S A = 2349, S B = 2496
nA nB
A 2
nA Sn
A 31×23492
(nA −1)
Z = B 2
= 30
41×24962
≈ 0, 892
nB Sn
B 40
(nB −1)

P(F ≤ 1, 74) = 0, 95 où F ∼ F(30, 40).
Tests


X¯A = 27423, X¯B = 30431 et S A = 2349, S B = 2496
nA nB
A 2
nA Sn
A 31×23492
(nA −1)
Z = B 2
= 30
41×24962
≈ 0, 892
nB Sn
B 40
(nB −1)

P(F ≤ 1, 74) = 0, 95 où F ∼ F(30, 40).
Tests


X¯A = 27423, X¯B = 30431 et S A = 2349, S B = 2496
nA nB
A 2
nA Sn
A 31×23492
(nA −1)
Z = B 2
= 30
41×24962
≈ 0, 892
nB Sn
B 40
(nB −1)

P(F ≤ 1, 74) = 0, 95 où F ∼ F(30, 40).
Tests


X¯A = 27423, X¯B = 30431 et S A = 2349, S B = 2496
nA nB
A 2
nA Sn
A 31×23492
(nA −1)
Z = B 2
= 30
41×24962
≈ 0, 892
nB Sn
B 40
(nB −1)

P(F ≤ 1, 74) = 0, 95 où F ∼ F(30, 40).
Tests


X¯A = 27423, X¯B = 30431 et S A = 2349, S B = 2496
nA nB
A 2
nA Sn
A 31×23492
(nA −1)
Z = B 2
= 30
41×24962
≈ 0, 892
nB Sn
B 40
(nB −1)

P(F ≤ 1, 74) = 0, 95 où F ∼ F(30, 40).
Tests

On suppose donc l’égalité des variances H0 et on teste
maintenant l’hypothèse H00 : µA = µB .
X¯A −X¯B √
On calcule T = r 2 2
nA + nB − 2,
(nA SnA +nB SnB )( n1 + n1 )
A B A B
On trouve
T ≈ −0, 00024
A l’aide de la table de la loi de Student, on a

P(|S| ≤ 1, 99) = 0, 95 où S ∼ Student(70)
(nA + nB − 2 = 70.)
−0, 00024 ∈ [−1, 99; 1, 99] donc on ne rejette pas H00 .
Tests

X¯A −X¯B √
nA + nB − 2,
A B A B
On trouve
T ≈ −0, 00024

P(|S| ≤ 1, 99) = 0, 95 où S ∼ Student(70)
(nA + nB − 2 = 70.)
Tests

X¯A −X¯B √
nA + nB − 2,
A B A B
On trouve
T ≈ −0, 00024

P(|S| ≤ 1, 99) = 0, 95 où S ∼ Student(70)
(nA + nB − 2 = 70.)
Tests

X¯A −X¯B √
nA + nB − 2,
A B A B
On trouve
T ≈ −0, 00024

P(|S| ≤ 1, 99) = 0, 95 où S ∼ Student(70)
(nA + nB − 2 = 70.)
Tests

X¯A −X¯B √
nA + nB − 2,
A B A B
On trouve
T ≈ −0, 00024

P(|S| ≤ 1, 99) = 0, 95 où S ∼ Student(70)
(nA + nB − 2 = 70.)
Tests
Test de comparaison
d’échantillons Gaussiens
appariés.

Tests
Appariement
On mesure deux caratères X et Y sur un même individu i.

Les échantillons (Xi )i et (Yi )i sont dits appariés et ne
peuvent plus être considérés comme indépendants.
On veut (par ex) comparer µX et µY .
En supposant les échantillons Gaussiens, on a alors la v.a
Z := X − Y qui suit une N (µ; σ). (différence de deux
Gaussiennes indépendantes)
Faire un test de comparaison de µX et µY , revient donc à
comparer µ à 0. On se ramène donc à un test connu...

Tests
Appariement


Tests
Appariement


Tests
Appariement


Tests
Appariement


Tests
Appariement


Tests
Exemple
Dans une entreprise, on veut comparer le temps de sommeil

d’une équipe en période de projet et en période normale. Pour
cela, on demandé à 10 individus de l’équipe de donner leur
temps de sommeil durant les deux périodes. Les résultats sont
consignés dans le tableau suivant :
En projet 4,5 7 6 6 6 7 6 6 7 5
Normal 6 8 7 7 6 7 8 7 7 7
Peut on considérer que les temps de sommeil sont identiques

durant les deux périodes, au risque 5% ?
On supposera que les temps de sommeil suivent des lois
normales.

Tests
Exemple
Dans une entreprise, on veut comparer le temps de sommeil

d’une équipe en période de projet et en période normale. Pour
cela, on demandé à 10 individus de l’équipe de donner leur
temps de sommeil durant les deux périodes. Les résultats sont
consignés dans le tableau suivant :
En projet 4,5 7 6 6 6 7 6 6 7 5
Normal 6 8 7 7 6 7 8 7 7 7
Peut on considérer que les temps de sommeil sont identiques

durant les deux périodes, au risque 5% ?
On supposera que les temps de sommeil suivent des lois
normales.

Tests
Exemple
Soit X la v.a temps de sommeil en période de projet et Y
en période normale.
Soit Z = X − Y , on Z¯10 = −0, 95h et S10 = 0, 72h
Sous H0 := ”µX = µY ”, on sait que la v.a,
√
n−1 ¯
Tn−1 = (Zn ) doit suit une loi de Student(n − 1)
Sn
(ici n = 10)
Etant donné une marge d’erreur α = 5%, on détermine
alors un certain tα à l’aide de la table de Student(9), tel
que P(|T9 | ≤ tα ) ≥ 0, 95,on trouve tα = 2, 262
On a T9 ≈ −3, 94 ∈ / [−2, 262; 2, 262], donc on rejette H0 .
Ainsi, on peut conclure que le personnel dort
significativement moins en période de projet.
Tests
Exemple
√
n−1 ¯
Sn
(ici n = 10)
Tests
Exemple
√
n−1 ¯
Sn
(ici n = 10)
Tests
Exemple
√
n−1 ¯
Sn
(ici n = 10)
Tests
Exemple
√
n−1 ¯
Sn
(ici n = 10)
Tests
Exemple
√
n−1 ¯
Sn
(ici n = 10)
Tests
Exemple
√
n−1 ¯
Sn
(ici n = 10)

C 5

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

C 5

Transféré par

Droits d'auteur :

Formats disponibles

Les divers types de problèmes que l’on se pose

Distribution d’échantillonnage de certaines statistiques

Cours 5: Inférences: Estimation,

Module: Stat inférentielles

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

1 Les divers types de problèmes que l’on se pose

2 Distribution d’échantillonnage de certaines statistiques

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

1 Les divers types de problèmes que l’on se pose

2 Distribution d’échantillonnage de certaines statistiques

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Introduction : les 3 grandes lignes

Les statistiques peuvent permettre :

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Introduction : les 3 grandes lignes

Les statistiques peuvent permettre :

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Introduction : les 3 grandes lignes

Les statistiques peuvent permettre :

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Introduction : les 3 grandes lignes

Les statistiques peuvent permettre :

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Introduction : les 3 grandes lignes

Les statistiques peuvent permettre :

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Population mère, effectif N

F IGURE: Principe de l’échantillonnage.

Population mère, effectif N

F IGURE: Principe de l’échantillonnage.

Dans une entreprise qui comptent 659 employés, on sait que

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Population mère, effectif N

F IGURE: Principe de l’estimation.

Population mère, effectif N

F IGURE: Principe de l’estimation.

Dans un échantillon de 15 employés d’une entreprise, 7%

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Exemple : test d’un paramètre

En vue d’aménager les heures de travail du personnel

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Exemple : test d’un paramètre

En vue d’aménager les heures de travail du personnel

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Exemple : test d’un paramètre

En vue d’aménager les heures de travail du personnel

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Principe général commun

Dans chacun des cas, par les théorèmes probabilistes, on sait

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Principe général commun

Dans chacun des cas, par les théorèmes probabilistes, on sait

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Prérequis : lois classiques et convergence en loi

Lois limites classiques (que l’on obtiendra).

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Prérequis : lois classiques et convergence en loi

Rappel : convergence en loi.

lim P(θn ∈ [a; b]) = P(θ ∈ [a; b]).

Clément Rau Cours 5: Inférences: Estimation, Echantillonnage et Tests

Prérequis : lois classiques et convergence en loi

Rappel : convergence en loi.

lim P(θn ∈ [a; b]) = P(θ ∈ [a; b]).