Université Mohamed Bou Diaf -Msila

Faculté des sciences économiques commerciales et sciences de la gestion

Statistique inferencielle
Concepts et exercices
Présente par :dr Djaballah Mustapha

MC(A)
Introduction :

les statistiques concernent la collecte, la présentation, l'analyse et l'utilisation des données

numériques pour les inférences et la prise de décision

L'incertitude demeurait dans les domaines de l'économie, des affaires et d'autres sciences
sociales et naturelles. Il est divisé en une statistique descriptive et une statistique explicative:
la première est de résumer et de décrire un groupe de

Données, tandis que la seconde vise à généraliser les caractéristiques de l'ensemble

(population ) en examinant une partie de Pour que cette généralisation soit valide,
l'échantillon doit être représentatif de la communauté 1 et être déterminé La probabilité
d'erreur dans cette circulaire. Par conséquent, la statistique explicative contient une
explication extrapolative contrairement au raisonnement déductif qui déduit les propriétés de
la partie commençant par le tout.

La statistique a commencé comme une recherche descriptive, puis s'est transformée en un

puissant outil de prise de décision avec la croissance de la branche d'inférence.

L'analyse statistique récente pour apprendre la généralisation des échantillons dans les
communautés, vous devez d'abord savoir comment générer des échantillons à partir d'une
population .Pour que le raisonnement statistique soit valide, il doit être basé sur un échantillon
qui reflète pleinement les caractéristiques et les caractéristiques de la population .

Ce qui l'a tiré. L'échantillon est représenté, si l'échantillonnage est aléatoire, où il est pour
chaque individu l a population a la même opportunité d'entrer dans l'échantillon.

Puisque la probabilité d'erreur réside dans l'inférence statistique, les estimations et les tests
des caractéristiques de la société sont donnés avec l'opportunité ou la possibilité d'erreur dans
ces estimations. D'où la théorie de la probabilité est un élément essentiel de l'inférence
statistique. L es statistiques inductives sont le processus d'inférence de la société à partir des
informations fournies par les échantillons.

1
 I- La variable aléatoire et distributions statistiques

La Variable aléatoire :

Une variable aléatoire X est une variable associée à une expérience ou à un groupe
d'expériences aléatoires et servant à caractériser le résultat de cette expérience ou de ce
groupe d'expériences.

On distingue les variables aléatoires discontinues ou discrètes et les variables aléatoires

continues.

Variable aléatoire discrète :

Une variable aléatoire est discrète si elle varie de façon discontinue, la variable ne peut
prendre que des valeurs entières.

Exemple :

 Soit X la variable aléatoire qui caractérise le résultat de l'expérience aléatoire "jet d'un
dé homogène".
X est une variable aléatoire discrète, elle peut prendre les valeurs entières 1, 2, 3, 4, 5, et 6.

 la température qu'il fera demain à 10h, le nombre de clients qui entreront dans une
épicerie entre 14 et 17h, etc...

2.2. Distribution de probabilité

À chacune des valeurs x que peut prendre une variable aléatoire X, correspond une probabilité
p(x), c'est la probabilité que la variable aléatoire X prenne la valeur x :

p(x) = p(X = x)

L’ensemble des valeurs admissibles x et des probabilités correspondantes p(x) constitue une
distribution de probabilité discontinue. La relation entre x et p(x) est appelée loi de
probabilité.

Pour toutes les distributions de probabilités dont les valeurs x correspondent à des événements
complémentaires, le total des probabilités est égal à 1.

 p ( x)  1
La distribution cumulée des probabilités est appelée fonction de répartition :

2
 x
F (x) = p (X  x) =  p( x) où 0  F(x)  1

Exemple :

Soit X la variable aléatoire qui caractérise le résultat de l'expérience aléatoire "jet d'un dé
homogène".

X est une variable aléatoire discrète, elle peut prendre les valeurs entières 1, 2, 3, 4, 5, et 6
avec la probabilité constante 1/6.

Distribution de probabilité de X

x p(x) F(x)

1 1/6 1/6

2 1/6 2/6

3 1/6 3/6

4 1/6 4/6

5 1/6 5/6

6 1/6 6/6

Total 1

Esperance mathematique :

L’espérance mathématique (ou moyenne théorique) d’une variable aléatoire discrète X est
définie par :

E  X     X    pi xi
i

La variance :

3
théorique d’une variable aléatoire discrète X est définie par :

 2  X     X   X     pi  xi      pi xi 2   2
2 2

i i

L’écart- type théorique est :

 X   p x  
2
i i
i

Variable aléatoire contenue :

Lorsque X est une variable aléatoire continue la loi de probabilité (continue) associée est
définie par une fonction positive f X appelée densité de probabilité, telle que

b
P  a  X  b    f X  t  dt
a

La probabilité d’un intervalle se présente dans ce cas continu comme une aire sous la courbe
représentative de f X .
y

y=f(x)
P([a,b[)

a b

Propriété d’une fonction densité de probabilité :


f X  0 et

 f  t  dt  1
X

Fonction de répartition d’une variable aléatoire :

Si X est une variable aléatoire continue, on appelle fonction de répartition de X la fonction

t
FX  t   P  X  t    f  x  dx
X


4
 y

FX  t 
y=f(x)

b a
On a : P  a  X  b   fX  x  dx   f  x  dx  F b   F  a 
X X X
 

Esperance mathématique :


E( X )   x  f ( x)dx


Exemple :

Soit une variable aléatoire continue X définie par la fonction de densité de probabilité :

1 si 0  x  1
f (x)  
0 sinon

1 1
x² 1
E ( X )   x  dx  ] 
0 2 0 2

Variation :

Comme pour la moyenne, la variance d'une variable aléatoire conserve la même définition que la
variance d'une variable statistique. C'est l'espérance mathématique des carrés des écarts par rapport à
l'espérance.

5
 
: V(X) = E[(X - E(X))²] =  ( x  E ( X ))²  f ( x)dx


L'écart type est égal à la racine carrée de la variance :   V (X )

La variance est calculée à partir de la formule développée suivante :

V(X) = E[(X - E(X))²] = E[X² - 2XE(X) + E(X)²] = E(X²) - 2 E(X) E(X) + E(X)²

V(X) = E(X²) - E(X)²

La variance est donc égale à la différence entre l'espérance mathématique des carrés et le carré de
l'espérance mathématique.

Fonction de densité de probabilité :

e n mathématiques statistiques, on appelle densité de probabilité d'une variable aléatoire X

réelle continue une fonction f

positive ou nulle sur ;

intégrable sur ;

vérifiant

La probabilité se calcule alors par la relation suivante :

6
la courbe représentant la fonction de densité de probabilité f(x) est caractérisée par son allure en forme
de cloche comme le montre la figure suivante :

cette courbe symétrique (axe de symétrie d'équation x=µ) présente un maximum au point d'abscisse m
et d'ordonnée . On trouve une asymptote parallèle à l'axe des abscisses lorsque et deux points
d'inflexion aux abscisses µ ± σ .

Il existe autant de courbes possibles que l'on peut définir de distributions théoriques, c'est à dire une
infinité. La forme de la courbe est déterminée par les valeurs que l'on assigne aux constantes µ et σ
.Pour une valeur constante de σ, la courbe sera d'autant plus aplatie que sera grand. Le fait de faire
varier uniquement l'écart type génère ainsi une homothétie géométrique.

La fonction de répartition :

En probabilité, la fonction de répartition d'une variable aléatoire X est la fonction Fx qui à

tout réel x associe

FX(x) =Pr(X< x)

La fonction de répartition d'une variable aléatoire X continue est la primitive de la densité de

probabilité . fx

La fonction de répartition a les propriétés suivantes :

FX est croissante.

Elle est partout continue à droite. et admet en tout point une limite à gauche, égale à .

X0 est une limite a gauche égale a P[X < x0]

7
Principales distributions de probabilité :

Dans cette partie en voir trois distributions discrètes : la distribution binomiale, la distribution
géométrique et la distribution de Poisson. Puis il aborde deux distributions continues : la distribution la
distribution normale. Student khe-deux et Fisher Il importe de bien comprendre quelles sont les
situations concrètes que l’on peut modéliser `a l’aide de ces distributions. Viennent enfin trois
distributions théoriques dont la fonction n’est pas de modéliser mais de servir d’outils dans les
problèmes d’estimation et de test.

La distribution normale :

la loi normale des erreurs constitue l’une des généralisations les plus ´étendues de la philosophie
naturelle dans l’histoire de l’humanité elle est un outil précieux pour la recherche en sciences
physiques et sociales ainsi qu’en médecine, en agriculture et en génie. Elle est indispensable `a
l’analyse et `a l’interprétation des données obtenues par l’observation ou l’expérience.

La forme de la fonction de densité :

Si la variable est une variable aléatoire x avec une distribution normale, sa plage est    x  
1 ( x )
 1 
la fonction de densité f ( x)    2 e 2 
dx

Cette distribution a une courbe symétrique qui prend le graphe suivant:

8
Cette courbe est symétrique des deux côtés de la moyenne 

Les paramètres descriptifs de la distribution normale :

La moyenne 

La variance 2
L écart- type 

D après cette distribution est continue, cette zone (probabilité) est calculée en trouvant l'intégration

 1  x 

x2 2
1 2  
p( x1  x  x2 )   e dx
x1  2

Cette intégration est difficile à calculer, et donc les statisticiens ont eu recours au travail du
transformateur mathématique , car cette formule nous donne un nombre infini des distribution
normales selon la les valeurs de moyennes et variance pour chaque cas on peut utiliser la
distribution de probabilité dans le calcul de telles possibilités, et ce changement est: la distribution
normale standard ou la variable aléatoire x est devenue une valeur centre et réduite z

x
z   Cette variable a une fonction de densité qui prend la forme suivante:
  
x2 x2
1  1 ( z )2
p( x1  x  x2 )   f ( x)dx   e 2 dx
x1 x1  2

f est une fonction paire, l’axe des ordonnées est axe de symétrie de la courbe de Gauss.

Espérance, variance et écart type :

Z suit la loi normale N (0 ; 1)

E (z)=0 V (z)=1  (z)=1

Illustration graphique :

9
  0  2 1

Exemple d'utilisation de la table :

Pour calculer (x) avec un nombre positif x, il suffit d'utiliser directement la table exemple :
(1,2) = 0,88493
Pour calculer (x) avec un nombre négatif , on utilise la propriété :
Pour tout réel x on a : (- x) = 1 - (x)
Si X est une variable aléatoire suivant la loi N(0 ; 1 ) on a : p(- x X x) = 2 (x) – 1

Exemple : (-1,2) = 1 - 0,88493 = 0,11507 (voir annexes 1et 2)

- Exercice 1

T suit la loi N (0,1)

1- Déterminer les probabilités suivantes : P (-1<T<2) ; P (-1<T<1) ;

2- Déterminer h tel que P (-z<T<z)=0.95
3- Exprimer en fonction de  (t) la probabilité de l’événement ( T  t) puis de l’événement
( T >t).
Corrigés :

1- P (-1<T<2) =  (2)-  (-1)=  (2)- (1-  (1)) =  (2) +  (1) -1= 0.9772+ 0.8413 – 1= .8185

P (-1<T<1) =  (1)-  (-1)= 2  (1)- 1 =2x0.8413 – 1= 0.6826

2- P (-z<T<z) = 2  (z)- 1 ; on cherche h tel que 2  (z)- 1 = 0.95 ; alors  (z) = 0.975 z=1.96

P( T  t) =P (-t<T<t) = 2  (t) – 1 - P ( T >t) = 1 - P( T  t) = 1- (2  (t) – 1) = 2 (1-  (t)

(voir annexes 1 et 2 )

Exercice2

Si le revenu annuel de la famille suit d une distribution normale en moyenne 80 000, lavariance
est de 900. Ce qui est requis:

1- Ecrire la valeur des paramètres de la distribution de probabilité du revenu annuel.

2. Ecrire la forme de la fonction de densité.

3 - Quel pourcentage des ménages dont le revenu est inférieur à 60 000?

4. Quel revenu est inférieur à 0,975

Solution :

10
 la valeur des paramètres de la distribution de probabilité du revenu annuel. En supposant qu'une
variable aléatoire reflète le revenu annuel, elle suit la distribution normale, et ses paramètres sont:
E( x)    80000 Var ( x)   2  900 donc x ~ N (80,900)

La fonction de densité est f ( x) 

1
e
 
 1 x 80
2 30
2
,   x   ,   22 / 7
30 2

3 - Pourcentage des familles ayant moins de 60 000 revenus sont:

Pour calculer la probabilite

P( x  60)  Pz  0.67  0.2514 (voir annexe 1)

- Revenu inférieur à 0,975 dans ce cas recherchant la valeur de la variable inférieure à

0,975, en supposant que cette variable est: x1 donc

 x  80000 
P( x  x1 )  p z  1   0.975 la probabilité de 0.975 dans la distribution z est
 30 
1.96

En inverse, nous recherchons l'espace que nous trouvons à l'intersection de la ligne, et

toute colonne qui est une valeur, et c'est:

x1  80000
1.96  , donc x1  30(1.96)  80000  138800
30

La distribution T de Student :

Si x est une variable aléatoire a une fonction de densité donnée par la formule suivante


v 1
2
f (t )  (1 t ) 2
v

On dit que x suit la loi student avec les degrés de liberté v qui est considéré comme paramètre cette
distribution joue un rôle dans les petits enchantions (n<30) avec une variance inconnue

Les paramètres descriptifs de t –student :

11
 Moyenne µ =0
variance S²= n /n-2 ; n<2
Ecart –type
S= n/n2

Le graphe suivant montre la forme de la courbe de distribution pour différents degrés de liberté

D après ce graphe on admette que la distribution est symétrique autour de zero (la moyenne) il tend
vers l aplatissement dans les grands échantillons Pour mieux comprendre nous avons quelques
théorèmes a citer

1- Soit y ; z deux variables aléatoires indépendantes y ~ N (0,1) z ~  2 (v  n  1)

2- Si on a titre des échantillons de la taille n avec une moyenne de population  et S²

Et nous exprimons la valeur de la variable aléatoire qui suit la distribution T par le symbole

T(α ; v ) a cote de la droite de cette valeur avec v degré de liberté on peut trouver la probabilité

.de variable aléatoire qui suit la distribution student (voir annexe 04)

12
 Les applications de t –student :

1. Testez la valeur de la variance d une population normale .

2. Test de conformité (rapprochement des données)

3. Tester l'indépendance.

4. Tester l'homogénéité de plusieurs estimations de la société naturelle.

5. Test de corrélation.

6. trouver la période de confiance dans la variance de la population

Exemple :

Cherchons dans les tables la valeur réduite en dessous de laquelle on trouve 95% des individus :

Dans le cas de z v.a. N(0;1) si P(Z<z)=0,95 -> z=1,645

Dans le cas d'une distribution de Student avec v=40 degrés de liberté : t40;0,95 = 1,684

Dans le cas d'une distribution de Student avec v=20 degrés de liberté : t20;0,95 = 1,725

Dans le cas d'une distribution de Student avec v=10 degrés de liberté : t10;0,95 = 1,812

Dans le cas d'une distribution de Student avec v=5 degrés de liberté : t5;0,95 = 2,015

La distribution Chi-deux :

Soit x une variable aléatoire normale centre et réduite x ~ N ( 0 ,1)

(x )
Donc z  ~  ( 0 ,1 )


On peut définir les valeur carres de z comme une distribution  2 ddl  =n-1 par la
fonction de répartition suivante

La fonction de densité est donne par la formule ci-dessous :

v 1
f ( x)  x 2
ex / 2 , x0

Théorèmes :

13
 1- Soit x1 . x2…….xn des variables aléatoires indépendantes normales les valeurs carres
pendent la forme suivante

2-Soit U1. U2 ….Un des variables aléatoires indépendantes qui suivent la loi 2
n n

Ui  ² ( )   i

i 1 et i 1

3- Si on a un échantillon ( n ) retires d une population normale avec une moyenne

Est variance estimée S² le paramètre de 2

est
( n  1) s 2
~  ( n  1)
2
s 2

(x i  x)2
2 sachant que n1

Les paramètres descriptifs de 2 :

La moyenne µ= 

La variance  ²  2

L écart -type   2

ci-dessous représente les courbes de plusieurs densités de lois du Khi-deux de paramètres

différents.

14
On peut admettre que la forme de la distribution se varie selon les degrés de liberté

Application de la loi khi –eux :

1- testez la valeur de la variance a distribution. normale

2. Test de conformité (rapprochement des données)

3- Test d'indépendance.

4. Tester l'homogénéité de plusieurs estimations de la population normale .

5. Testez le coefficient de la corrélation.

6 -trouver l intervalle de confiance pour les différentes populations

Exemple :

////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
////

Distrebution Fisher (F) :

Soit x1 x2 deux variables aléatoires indépendantes X 1 ~ N (  ²,1 ) et X 2 ~ N (  ²,2 )

 X / 
Donc la proportion F   1 1  entre les deux distributions est définie comme distribution
 X 2 / 2 
de Fisher par les paramètres 1 2 deux derges de liberté pour le nominateur

15
dénominateur respectivement la fonction de densité de probabilité est donne par a formule
suivante

Les paramètres descriptifs de distribution F :

Ce pendant la distribution F prend la forme suivante

La variable aléatoire qui suit une distribution F est exprime comme suite

Les applications de loi F :

1. test d’homogénéité des variances de deux échantillons indépendantes

2. Test de signification du coefficient de corrélation multiple

3 - Test de signification du modèle de régression multilinéaire.

4. Tester l'homogénéité de plusieurs paramètres indépendants d'une .population normale

5. Large utilisation dans l analyse des variances (ANOVA …)

16
Exercices non résolues :

Calculez les possibilités suivantes Notez que Z → N (0,1):

P (Z11,67), P (Z - 1,23), P (| Z | 11,43), P (| Z | 22,67), P (1,04ZZ11 , 67)

0,1093 0,0747 0,8472 0,0076 0,1017

////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
/////////

II échantillonnage :

Si l'étude statistique est complète, nous sommes dans le cas du recensement, mais ce dernier
présente quelques inconvénients:

-Coût élevé

-L'impossibilité d'identifier les membres de la société à certains moments. –

-Le temps requis pour obtenir les données, nous n'avons parfois qu'une étude partielle on
sélectionnant un échantillon.

La qualité de l'information partielle est liée à la méthodologie utilisée, et quelle que soit la
méthode utilisée pour sélectionner l'échantillon

Le processus est rempli d'erreurs:

-Erreurs d'instruments de mesure. -

L'erreur d'échantillonnage fait référence au fait que l'information est partielle et que deux
questions peuvent être posées:

* Quelles méthodes devraient être utilisées pour la sélection de l'échantillon?

* Comment les différents paramètres sont-ils évalués le plus efficacement à partir du chargeur
d'échantillons?

Les types des échantillons:

Les échantillons sont généralement divisés en deux parties principales:

Échantillonnage aléatoire (probabiliste):

Ces échantillons sont sélectionnés selon un plan statistique dans lequel le chercheur n'a pas

Un rôle où la sélection est faite en utilisant certaines méthodes dans lesquelles le hasard joue
le premier rôle dans le choix de l'individu

17
Leur sélection de manière scientifique appropriée et appropriée peut assurer un haut degré de
représentation de population Tirée d'eux, c'est donc le principal moyen dans le cas de la
recherche scientifique précise. Des types les plus importants d'échantillon

Échantillon aléatoire simple:

Un échantillon aléatoire simple donne des chances égales aux individués pour entrer dans
l'échantillon, mais ces individués Le vocabulaire contenu dans le cadre qui entrer dans
l'échantillon sera aléatoirement. La sélection est faite manuellement par des cartes en taille et
en couleur, ou par des tableaux numériques ou par ordinateur Il est nécessaire de définir le
vocabulaire de la société dans son intégralité et c'est la définition sous la forme d'une liste) ou
carte (comprend tout les individués de la population et cette liste est appelée le cadre, et peut
être la sélection seulement à partir des individués présentes par ce cadre ; les individués
contenu dans le cadre .dans ce type d'échantillons, les conditions suivantes sont requises:

la taille est relativement modeste de la société et l'homogénéité de ses éléments en termes de

nature de l'étude à réaliser des cadres moyens crée une population homogène en termes de
revenus). la sélection des individués d'une formule mathématique la possibilité de
sélectionner un membre de la population est déjà connue.

Ex :

échantillon aléatoire de 5 travailleurs sur 80 dans une usine peut d'abord se voir attribuer un
nombre de 1 a 80 pour chaque travailleur, puis commencer à un point d'un plan, soit à partir
de la troisième colonne, et la ligne 11 dans le tableau des nombres aléatoires nous lisons 5
chiffres horizontalement ou verticalement (avec suppression de tous les nombres supérieurs à
80) par exemple en lisant verticalement on obtient les chiffres suivants : 41 ; 23 ; 77 ;42 ; 66

L'échantillonnage par grappes:

Le chercheur utilise ceci quand la société d'étude est très grande et dispersée sur de grandes
régions qui coûtent beaucoup du temps et des efforts pour se déplacer entre eux lors de la
collecte des données, même en l'absence d'un cadre qui comprend tout l individu

La population ne peut pas être directement choisie. Par conséquent, le chercheur a recours à
'échantillonnage par étapes multiple consécutifs. Dans la première étape, la population est
divisée en un nombre spécifique de grandes unités d'échantillonnage (UPE)

Certains d'entre eux sont sélectionnés verticalement puis suivis en tant que seconde étape pour
diviser les unités sélectionnées de la première phase à la première les unités sont plus petites
que la taille et certaines d'entre elles sont choisies bilatéralement. Ainsi, les étapes de division
et de sélection sont suivies, Le nombre de ces étapes n'est pas constant mais dépend de la
nature de la population étudiée et du potentiel du chercheur. dans la dernière étape le
chercheur atteint les unités d'échantillonnage qui seront recueillies par les données de
recherche et appelé les UPE.

18
Par exemple, pour étudier le niveau d'éducation de la dernière étape de l'enseignement
secondaire, nous suivons les étapes suivantes:

Un wilaya est automatiquement retiré de tous les wilayas -

Nous retirons l'une des circonscriptions constituantes dans cet wilaya

Nous retirons les élèves du secondaire du département sélectionné.

Nous retirons une classe du terminal au niveau du secondaire retiré à étudier

il s'agit donc de subdiviser une population homogène en grappe (sous-groupe) et à choisir

aléatoirement des grappes et à tout considérer les éléments de chaque grappe.

3- L'échantillonnage systématique :

Cette méthode consiste à dresser la liste de tous les éléments de la population visée et de
déterminer le rapport suivant:

(nombre d'éléments de la population)/(Taille de l'échantillon)

Exemple1: Un bottin téléphonique contient 4000 noms. Je veux un échantillon de 200

individus. Je vais faire 4000/200 = 20.

Alors, à partir du début du bottin, on choisit le 20ième, le 40ième, le 60ième, toujours en

faisant des bonds de 20.

Ex2 :

Par exemple, si nous avons une population de 2000 individus, et nous voulons choisir un
échantillon de 100 individus, nous divisons cette population aux intervalles réguliers, la
durée de chaque période est 2000 :100= 20 individu entre la première période (1 - 20 ) on
choisi un individu aléatoirement qui soit 14 les nombre de cet échantillon seront détermines
par les résultats des individus

4- L'échantillonnage stratifiée

il s'agit de subdiviser une population hétérogène en strate (sous-groupe). Cette méthode

consiste à retrouver dans l'échantillon les mêmes proportions pour chacune des strates selon
les caractéristiques choisies pour l'étude dans la population visée

exemple: J'ai une population de 200 individus.

sexe Nombre d individu

hommes 84
femmes 116
total 200
Hommes: 84 ==> 42% de la population

19
Femmes: 116 ==> 58% de la population

84 + 116 = 200 individus de ma population

Je veux un échantillon de 50 individus et je veux qu'il représente fidèlement ma population.

Je vais donc utiliser les proportions pour obtenir quelque chose de représentatif.

Hommes: 50 * 42% = 21

Femmes: 50 * 58% = 29

21 + 29 = 50 individus de mon échantillon

Sexe Nombre d individu Echantillon

Hommes 84 21
Femmes 116 29
Total 200 50

a différence entre l'échantillonnage probabiliste et l'échantillonnage non probabiliste tient à

une hypothèse de base au sujet de la nature de la population étudiée. Dans le cas de
l'échantillonnage probabiliste, chaque unité a une chance d'être sélectionnée. Dans celui de
l'échantillonnage non probabiliste, on suppose que la distribution des caractéristiques à
l'intérieur de la population est égale. C'est ce qui fait que le chercheur croit que n'importe quel
échantillon serait représentatif et que les résultats, par conséquent, seront exacts. Pour
l'échantillonnage probabiliste, la randomisation est une caractéristique du processus de
sélection, plutôt qu'une hypothèse au sujet de la structure de la population.

Dans le cas de l'échantillonnage non probabiliste, puisqu'on choisit arbitrairement des unités,
il n'existe aucune façon d'estimer la probabilité pour une unité quelconque d'être incluse dans
l'échantillon. Également, comme la méthode en question ne fournit aucunement l'assurance
que chaque unité aura une chance d'être incluse dans l'échantillon, on ne peut estimer la
variabilité de l'échantillonnage ni identifier le biais possible.

On ne peut mesurer la fiabilité d'un échantillonnage non probabiliste; la seule façon de

mesurer la qualité des données en résultant consiste à comparer certains des résultats de
l'enquête à l'information dont on dispose au sujet de la population. Encore une fois, rien ne
fournit l'assurance que les estimations ne dépasseront pas un niveau acceptable d'erreur. Les
statisticiens hésitent à utiliser les méthodes d'échantillonnage non probabiliste, parce qu'il
n'existe aucun moyen de mesurer la précision des échantillons en découlant malgré ces
inconvénients, les méthodes d'échantillonnage non probabiliste peuvent être utiles lorsqu'on
désire des commentaires descriptifs au sujet des échantillons eux-mêmes. Deuxièmement, leur
utilisation prend peu de temps tout en étant plus économique et plus pratique. Il existe aussi
des domaines, comme la recherche sociale appliquée, où il est impossible ou presque
impossible d'effectuer un échantillonnage probabiliste. Statistique Canada utilise
l'échantillonnage probabiliste pour presque toutes ses enquêtes, mais emploie

20
l'échantillonnage non probabiliste afin de tester ses questionnaires et aux fins de certaines
études préliminaires durant le stade d'élaboration d'une enquête.

L'application de la plupart des méthodes d'échantillonnage non probabiliste exige un certain

effort et une certaine organisation, mais d'autres méthodes d'échantillonnage non probabiliste,
comme l'échantillonnage de commodité, sont à l'occasion appliquées et n'exigent pas de plan
d'action formel.

Voici les types les plus courants des méthodes en question :

l'échantillonnage de commodité ou à l'aveuglette;

l'échantillonnage volontaire;

l'échantillonnage au jugé;

l'échantillonnage par quotas.

Échantillonnage de commodité ou à l'aveuglette

On appelle parfois l'échantillonnage de commodité l'échantillonnage à l'aveuglette ou

accidentel. Cet échantillonnage n'est pas normalement représentatif de la population cible,
parce qu'on ne sélectionne des unités d'échantillonnage dans son cas que si on peut y avoir
facilement et commodément accès.

Échantillonnage volontaire :

Comme l'expression le laisse entendre, ce type d'échantillonnage intervient lorsque des gens
offrent volontairement leurs services pour l'étude dont il est question. Il serait, par exemple,
difficile et contraire à l'éthique dans le cadre d'expériences psychologiques ou d'essais de
produits pharmaceutiques (de tests de médicaments) de recruter au hasard pour y participer
des gens du grand public. En pareils cas, on prélève l'échantillon à partir d'un groupe de
volontaires. Il arrive parfois qu'un chercheur offre de l'argent à des gens pour les inciter à
participer à son étude. En échange, les volontaires acceptent la possibilité d'avoir à se prêter à
des processus longs, exigeants ou quelques fois désagréables.

Le fait d'échantillonner des participants volontaires plutôt que la population en général peut
introduire des biais marqués. Souvent, à l'occasion des sondages d'opinion, seuls les gens qui
se soucient assez fortement d'une façon ou d'une autre de la question étudiée ont tendance à y

21
répondre. La majorité silencieuse n'y répond généralement pas, ce qui entraîne un important
biais sur le plan de la sélection.

Échantillonnage au jugé

On utilise la méthode d'échantillonnage au jugé lorsqu'on prélève un échantillon en se fondant

sur certains jugements au sujet de l'ensemble de la population. L'hypothèse qui sous-tend son
utilisation est que l'enquêteur sélectionnera des unités qui seront caractéristiques de la
population. La question cruciale dans ce cas est l'objectivité : Dans quelle mesure peut-on se
fier à son jugement pour en arriver à un échantillon typique? L'échantillonnage au jugé est
exposé aux préjugés du chercheur et est peut-être encore davantage biaisé que
l'échantillonnage de commodité ou à l'aveuglette. Étant donné que l'échantillonnage au jugé
reflète toutes les idées préconçues que risque d'avoir le chercheur, il peut y avoir introduction
de biais importants si ces idées sont inexactes.

Les statisticiens utilisent souvent cette méthode dans le cadre d'études préparatoires comme
des tests préalables de questionnaires et des discussions en groupe. Ils préfèrent également
avoir recours à cette méthode à l'intérieur du cadre de laboratoires où le choix des sujets des
expériences (comme des animaux, des êtres humains et des végétaux) reflète les croyances ou
les convictions antérieures de l'enquêteur au sujet de la population.

La réduction du coût et du temps qu'exige l'acquisition de l'échantillon est l'un des avantages
de l'échantillonnage au jugé.

Échantillonnage par quotas :

L'échantillonnage par quotas est l'une des formes les plus courantes d'échantillonnage non
probabiliste. Il s'effectue jusqu'à ce qu'un nombre précis d'unités (de quotas) pour diverses
sous-populations ait été sélectionné. Puisqu'il n'existe aucune règle qui régirait la façon dont il
faudrait s'y prendre pour remplir ces quotas, l'échantillonnage par quotas est réellement un
moyen de satisfaire aux objectifs en matière de taille d'échantillon pour certaines sous-
populations.

Les quotas peuvent être fondés sur des proportions de la population. Si une population, par
exemple, compte 100 hommes et 100 femmes et s'il faut en prélever un échantillon de 20
personnes pour qu'elles participent à un concours de dégustation de colas, il se peut que vous
vouliez diviser l'échantillon en proportions égales entre les sexes, ce qui donnerait 10 hommes
et 10 femmes. On peut penser que l'échantillonnage par quotas est préférable à d'autres formes
d'échantillonnage non probabiliste (comme l'échantillonnage au jugé), parce qu'il impose
l'inclusion dans l'échantillon de membres de différentes sous-populations.

L'échantillonnage par quotas est un peu similaire à l'échantillonnage stratifié parce que dans
son cas également les unités semblables sont regroupées. Toutefois, il en diffère, cependant,
sur le plan du mode de sélection. Dans le cas d'un échantillonnage probabiliste, on sélectionne
les unités au hasard, tandis que dans celui d'un échantillonnage par quotas, on laisse

22
habituellement à l'intervieweur le soin de déterminer qui sera échantillonné. Cela peut donner
lieu à des biais de sélection. Les responsables d'études de marché utilisent donc souvent
l'échantillonnage par quotas (pour des enquêtes ou des sondages téléphoniques, en
particulier), plutôt que l'échantillonnage stratifié, parce qu'il est relativement peu coûteux et
facile à administrer et a la propriété souhaitable de respecter les proportions de la population.
L'échantillonnage par quotas camoufle toutefois des biais pouvant être significatifs.

Comme dans le cas de toutes les autres méthodes d'échantillonnage non probabiliste, il faut
supposer pour l'échantillonnage par quotas que les personnes sélectionnées sont semblables à
celles qu'on ne sélectionne pas, afin de formuler des inférences au sujet de la population. Des

III- Distribution d échantillonnage

Nous supposons que nous avons pris la taille n de l'échantillon d'une population , puis nous
avons tiré quelques paramètres statistiques telles que la moyenne, la variance, ... Chacune de
ces paramètres est une variable aléatoire . La distribution est appelée distribution
d'échantillon. Par exemple, nous disons que la distribution d'échantillonnage de la moyenne
arithmétique est la distribution de toutes les moyennes arithmétiques des échantillons prélevés
dans la même société. La distribution d'échantillonnage de la variance est la distribution de
toutes les différences calculées à partir d'échantillons de même taille n

une distribution d’échantillonnage au même titre que la variable aléatoire X. On utilise

souvent

population échantillon Distribution Distribution

D echantionnage echantionnage
des moyennes des variances

taille N n / /

moyenne  X X µs²

Ecart -type  S X  s²

variance ² S²  ²X  ²s²

Proportion π p / /

Source : KHERRI Abdenacer

1- La distribution d'échantillonnage de la moyenne :

23
Si nous prenons des échantillons d'une population de la taille N et estimons une moyenne
pour chaque échantillon, nous constatons que la plupart de ces moyennes X sont différentes
les unes des autres, et la distribution de probabilité des moyennes de l'échantillon est appelée
«distribution probable de la moyenne».  X   Cependant, la distribution
d'échantillonnage de la moyenne a également une moyenne, exprimée par le symbole, un

écart-type ou une erreur-type.  X 
n

Il existe deux théories importantes entre la distribution d'échantillonnage du centre et la

société d'origine.

Théorème 1 :

- Si nous prenons des échantillons de taille n d'une population de taille N

X  

  N n
X  ou X 
n n N 1

Sachant que cette formule est utilisée pour les populations illimites de taille N lorsque

l échantillon n  0.05 N

Théorème 2 :

Quand n   La distribution d'échantillonnage de la moyenne est proche de la distribution

normale (Gauss) , quelle que soit la forme de la société d'origine. Est la taille d échantillon est
n  30 . C'est la théorie central. limite

Théorème central limite

En simulation, la situation typique est celle où on exécute un très grand nombre de fois une boucle, en
calculant à chaque passage des réalisations de variables aléatoires indépendantes. Le résultat attendu
est en général l'estimation d'une espérance. Pas plus en simulation qu'en physique ou en biologie on ne
donnera un résultat sans indication sur sa précision. C'est le théorème central limite qui permet de
calculer cette précision.

Soit ( Xn) :n  N une suite de variables aléatoires indépendantes de même loi, d'espérance 
et de variance  ²

24
 X  X
Et z 
 N( 0; 1)
X

La loi de z converge vers la loi normale N(0 ;1) , c'est-à-dire que pour tout a<b

Le résultat précédent est très important surtout dans les applications scientifiques et la théorie de la
limite centrale indique que dans le cas de grands échantillons, la moyenne X est soumise à la
 2
distribution normale des coefficients X et , d une population mère. Ainsi, pour de grandes
n
valeurs n, la relation est réalisée

bien sur il existe une valeur z qui suit la même loi mais cette fois si c est la loi normal centre
et réduite ou bien la loi normale standard nous voila donc z ~ N (0,1)

A- Lors ce que la variance est connue :

si la variable aléatoire x qui suit une distribution selon central limite ,la distribution de la
2
moyenne est toujours dans la même distribution X ~ N (  ,  ) 2
 X ~ N ( , )
n

X  X
la valeur de z est z  
 N(0;1)
X

ex : Supposons que la population est N=900 avec une moyenne 

20 et un écart-type de  = 12. pour échantillon n= 36

-quelle est la probabilité de la moyenne d échantillon x < 25

Corrige :

2
On sait que X ~ N (  ,  ) 2
 X ~ N ( , )
n

Donc
12
X ~ N (20;12)  X ~ N (20, )
36

pr( x < 25)=pr( x -20/12/6< 25-20/12/6)= pr(z = 2.5)= 0.9938

si N>0.05n

25
 N n
par exemple si n=64 on utilise le coefficient de la remise
N 1

 N n 12 900  64 12 836
X     (1.5)(0.96)  1.44
n N 1 64 900  1 8 899

B- Si la variance est inconnue :

Dans ce cas, nous estimons la variance de la population 2 par la variance de

l'échantillon prélevé , S² nous avons donc deux cas :

S²
 n ≥ 30), la moyenne d échantillon prélevé est X ~ N ( , )
n

la variance d échantillon est

s2 
(x i  x)2
la valeur réduite de z est : n1

X  X
z 
 N(0;1)
SX

la distribution d’échantillonnage de la moyenne approche la distribution normale quelle que

soit la distribution de la population
Si la population est normalement distribuée, la distribution d’échantillonnage de la moyenne
est une loi normale quelle que soit la valeur n de la taille des échantillons
.
Exemple : les mêmes donnes de l’exercice précédant avec n =25<30

Corrige :

S2
X ~ N ( , S )2
 X ~ N ( , )
n

12
X ~ N (20;12)  X ~ N (20, )
25

pr( x < 25)=pr( x -20/12/5< 25-20/12/5)= pr(z = 2.08 )= 0.9812

donc la distribution d’échantillonnage de la moyenne est une loi normale quelle que soit la
valeur n de la taille des échantillons

 n<30

26
 si la distribution d échantillon suit une loi normale est la variance est inconnue avec
une taille d échantillon strictement inferieur a 30

la moyenne dans ce cas suit la loi student avec v =n-1 degré de liberté

S2
X ~ N ( , S 2 )  X ~ N ( , )
n 1

Sachant que S² est estimateur de  2

Et s 2

(x i  x)2
T
X 

 t( v =n-1)
n1 S / n 1

Exemple :

Soit x  N ( 8.5 ,  ²)


un échantillon n qui contient les valeurs suivantes { 9 ;10.9.8.8.7.8.5.8}

-trouvez la fonction de répartition pour la moyenne et la variance

-calculez la probabilité pr(7< X < 9)

Corrige

D abord on estime la moyenne et la variance d échantillon

X 
 (x ) i

72
8
n 9

S² 
 (x i  x)2
n 1 =2
Voila donc la fonction de répartition

X  8.5
t 
 t (9  1)
1.414 / 8

pr(7< X < 9)=

7  8.5 X  8.5 9  8.5

pr (   )
1.414 / 8 1.414 / 8 1.414 / 8
pr(-3< t <1) =pr(t<1)- pr(t<-3)

27
la distribution de T est symétrique au zéro donc pr(t<-3) =pr(t> 3)

pr(7< X < 9)= 1- pr(t>1)- pr(t>3)

=1-0.1-0.01=0.89 (voir tableau student)

2- Distribution d’échantillonnage de différences des deux moyennes :

On considère 2 populations N1 et N2 2 moyennes  1 et  2 et 2 variances

 ²1 et  ²2 on s’intéresse à la différence  1-  2

 12  22
² =  ² X1   ² X 2  
n1 n2

Nous avons donc trois cas

A- les variances  ²1 et  ²2 sont connues :

On constate que la différence est normalement distribuée

Exemple :

Soit X 1~ N (30,25) X 2 ~ N (20,16)

n1= 30 n2= 35

-trouvez la répartition de différance

-calculez la probabilité pr <12

Corrige : par l application directe de la formule

28
 ( x1  x2 )  ( 1   2 )
z ~ N ( 0 ,1 )
 12  22

n1 n2

( X 2  X 2 ) 10 10  12
Pr ( x1  x2 ) > 12 =pr(  
1.29 1.29

10  12
 pr ( z  )
1.29

 pr ( z  1.76)
=0.9608
2- les 2 variances sont inconnues mais n1>30 ;n2>30

Dans ce cas la distribution de la différence des moyennes est de la moyenne approche la

distribution normale

A condition que la variance de la population  ² doit avoir une bonne estimation par la
variance

d échantillon S² dans les deux populations bien sur

est la valeur réparation de z est

( x1  x2 )  ( 1   2 )
z ~ N ( 0 ,1 )
S12 S2
 2
n1 n2

La réparation de probabilité prend la même procédure

Si les populations sont anormalement distribuée ou les variances sont inconnues, la

distribution d’échantillonnage de la différance des moyennes est une loi normale si la taille
des échantillons est assez grande (central limite)

3- les 2 variances sont inconnues et au moins la taille de l'un des deux échantillons est
petite :

C est notre troisième cas nous distinguons donc 2 hypothèses :

A- homogénéité des variances ou  ²1   ²2

Afin de déduire a relation que nous utiliserons dans ce cas, nous allons d'abord calculer la
distribution de la différances entre les deux moyennes selon la central limite

29
 ( x1  x2 )  ( 1   2 )
z ~ N ( 0 ,1 )
S12 S2
 2
n1 n2

La réparation de la variances échantillon S² suit la loi 2

( n  1) s2
~  2 ( n  1)
2

n-1= v degrés de liberté

( n1  1 ) s 21 ( n 2  1) s 2 2
~  2 ( n1  1 ) ~  2 ( n 2  1)
 21 et  22

( n1  1 ) s 21 (n2  1) s ²2
 
 2
 21  ²2 n1+n2-2

La distribution de différances de deux moyennes indépendantes est devenue suivre la loi

student dans ce cas

Pour simplifier on pose

( n1  1) S 12  ( n2  1) S 22
S 
2

n1  n2  2
p

( X 1  X 2 )  ( 1   2 )
t ~ t (n1  n2  2)
S p n11  n12

S²p(1/n)= S²x

( X 1  X 2 )  ( 1   2 )
t ~ t (n1  n2  2)
S ² X 1 X 2

30
 ( n1  1) S 12  ( n2  1) S 22
S 2p 
n1  n2  2

Exemple : supposons que n1= 20 avec S²1=30 et n2=18 avec S²= 25 µ1=300 .µ2=200
constatons toujours hypothèse d homogénéités des variances des population

Calcules la probabilité pr
> 215

Corrège :

n1 >30 n2>30 t(20+18 -2) =

t(36)

La covariance de la différance est

(20  1)(30)2  (18  1)252

S p2 
20  18  2

=770 .14

1 1
 )
2
S ( x1  x2 )
770.14(
20 18 =81.29
=

( X 1  X 2 )  (300  200)
t ~ t (38  2)
81.29

215  200
Pr t( ) (Voir le tableau de student )
> 215= 81. 29 pr(t>1.6637 =0.05

B- hétérogénéités des variances : ou  2 ≠  2

1 2

les degrés de liberté sont calcules selon la formule ci-dessous car nous avons deux

enchantions retires dans deux populations non homogènes

V est donc la taille d échantillon ou les degrés de liberté communs

31
Exemple :

si X 1~ N (1,  21)

on a tire un échantillon n1 =40 avec une variance de  ²1 =9

X 2 ~ N ( 2 2 2)

On a tire un échantillon de n2=15<30 avec  ²2 =16

- quelle est la fonction de réparation de différances des moyennes

- calcule la probabilité pr
>53 sachant que N1=300 N2= 350

corrige :

commençant par la taille d échantillon commun avec degré de liberté est

Donc   n  1  20 on peut déduire la fonction de reptation pour la différance des

moyenne suivante :

la variance de différances des deux moyennes est donc

32
La probabilité est donc

: Distribution de la variable proportion d’´echantillon

Proportion P d’individu possédant un caractère qualitatif donne. Bien sur, cette proportion pˆ sera
estimée `a l’aide des résultats obtenus sur un n- échantillon. La proportion p obtenue dans un n-
échantillon est la valeur observée d’une variable aléatoire F, fréquence d’apparition de ce caractère
dans un ´échantillon de taille n, appelée proportion d’´echantillon. On se pose la question. La moyenne
des fréquences d’observation du caractère sur l’ensemble de tous les ´échantillons de taille n est-elle
´égale `a la proportion P de la population ?

On a : pour la population cette proportion P est estimée par celle une proportion

d échantillon elle représente une variable aléatoire qui a une fonction de

réparation probabiliste on l appelle la distribution d une proportion ou fréquence

avec une moyenne

Sa variance est

si n ≥ 30, np ≥ 15 et nq ≥ 15, on peut approcher la loi binomiale par la loi normale de même espérance
et de même ´ variance . Donc F est devenue une variable centre et réduite z suit approximativement
la loi normale

C est le cas des grands échantillons

Exemple :

Selon une ´étude sur le comportement du consommateur, 25% d’entre eux sont influences par
la marque, lors de l’achat d’un bien. Si on interroge 100 consommateurs pris au hasard, quelle
est la probabilité pour qu’au moins 35 d’entre eux se déclarent influences par la marque ?

33
Corrige

Influence de la marque. appelons z la variable aléatoire :“proportion d’´echantillon dans un

´échantillon de taille 100”. Il s’agit ici de la proportion de consommateurs dans l’´echantillon

qui se déclarent influences par la marque. On cherche `a calculer P(z> 0.35).

Il nous faut donc d´exterminer la loi normale . or np = 100 × 0.25 = 25 et

n q = 100 × 0.75 = 75. Ces deux quantités étant supérieures a 15, on peut considérer que z
suit

pq
z
 N ( p; ) z
 N ( 0.25;0.0433)
n

qui suit la loi N (0, 1). il vient P(z> 0.35) = P(z> 2.31) = 0.5 − P(0 < T < 2.31) = 0.5 − 0.4896
= 0.0104.(voir annexe 01)

Conclusion il y a environ une chance sur 100 pour que plus de 35 consommateurs

dans un 100 échantillon se disent influences par la marque lorsque

L’ensemble de la population contient 25% de tels consommateurs.

Distribution de différence de deux proportions :

Supposant que X 1~ b( N1, P1)

et on a retire un échantillon d une taille de
(n1  30) on pareille si nous avons un deuxième échantillon retire
X 2 ~ b( N 2, P2) (n2  30) et si les deux populations sont
d une taille
 

indépendants voila donc P1  P 2 qui représente une variable aléatoire d une

différances de deux proportions et on va obtenir la moyenne et la variance
comme ci-dessous

La répartition de différence des deux proportions est donc

34
Exemple :

Si vous savez que le taux d échec dans l école A est 0.3 et dans l école B est 0.2 si nous tirons
deux enchantions de l école A n1=100 élèves et l école B n2= 200 élèves

Calculer la probabilité que la différence entre les deux taux soit supérieure à 6%

Corrige :

La repartions des différence des deux proportions avec une moyenne et une variance est

La fonction de répartition est donc :

Finalement la probabilité de différence est

La distribution de la variance :

la repartition de la variance suit la distribution  2 ( n  1)

avec v = n-1 degrés de liberté

35
( n  1) s 2
~  2 ( n  1)
 2

Et pour appliquer cette distribution on propose l exemple suivant

Exemple : si on tire un échantillon n=20 d une population normalement distribuée sa

variance est  2 = 9

Calculer la probabilité lors que pr( S²>15)

Corrige : Où cela

donc la probabilité est

Notez que la valeur de 31.67 n'est pas dans la table de distribution (  ) et que nous prenons
2

la valeur la plus proche 32.852 cela s'accorde avec la possibilité 0.025

La distribution de proportion de deux variances :

Cette répartition est considérée comme lune des importantes notamment on se qui concerne l
homogénéité des populations a laide de calculer la proportion entre les variances

Si on tire un échantillon d une taille n1 et une variance S²1 d une population

Et un autre échantillon n2 d une variance S²2 tire d une population

36
Après avoir simplifié le cote gauche de la fraction on obtient

Dans le cas les variances sont égaux

Notez bien que cette proportion suit maintenant la distribution Fisher

Exemple :

Si n1=13  2 1=9 n2=21  2 2 =25 si les deux populations sont indépendants

Calculez la probabilité la proportion des 2 variances qui est inferieur ou égale 0.8

Corrige :

Ou cela

37
Exercices non résolues :

. Tracer les longueurs de tous les jeunes dans une ville de distribution normale avec une
moyenne de 170 cm, et la variation de 36, si nous nous retirons un échantillon aléatoire de 25
jeunes hommes, quelle est la probabilité que la durée moyenne de l'échantillon est supérieure
à 172 cm? 0,0475

2. Si tout le personnel d'une grande entreprise avec le centre de mon compte est égal aux
salaires de 26 953 dinars, avec un écart-type 4573, si nous nous retirons de cette société un
échantillon aléatoire de 49 employés, quelle est la probabilité que le milieu de l'arithmétique
est inférieure à 26.000 dinars? 0,0721

Un échantillon aléatoire tiré de la communauté est distribuée naturellement milieu 28

déviation 3, un autre indépendant d'un échantillon aléatoire du premier échantillon prélevé
d'une autre communauté est distribué naturellement distribué milieu 25 et l'écart-4, si la taille
de chaque échantillon de deux échantillons est égal à 25, Vohsp la possibilité suivante:

P (m_1-m_2-200) 0.8413

2. Si nous avons deux sociétés ont la même moyenne arithmétique, et nous nous éloignons de
chaque échantillon aléatoire comprend 10 la société de vocabulaire, nous avons constaté que
la première variance de l'échantillon est égal à 9, et la variation du deuxième échantillon est
égal à 6, et était Alaantan indépendant, quelle est la probabilité que la différence entre la
moyenne du premier échantillon et la moyenne d'échantillon Le second est supérieur à 2 dans
les cas suivants:

A - Les disparités entre les deux communautés sont égales. 0,10 b) Les disparités entre
les deux communautés ne sont pas égales. 0

3. Les étudiants universitaires Les poids piste une distribution de gaz naturel avec une
moyenne de 72 kg, si l'on a tiré un échantillon aléatoire d'entre eux et a constaté que l'écart-

38
type est égal à 7 kg, quelle est la probabilité que le poids moyen de l'échantillon est supérieur
à 70 kg dans les conditions suivantes:

A) La taille de l'échantillon est égale à 0,9564

b. La taille de l'échantillon est égale à 26,90

Si le taux d'analphabétisme des personnes âgées de plus de 25 ans dans une ville est de
12,60% et choisi dans cette ville un échantillon aléatoire de 50 personnes de plus de 25 ans,
quelle est la probabilité que le taux d'analphabétisme dans l'échantillon soit inférieur à 10% ?
0,2912

2) Si le pourcentage endommagé de la production de la machine est de 7%, le pourcentage de

production de la machine endommagé est de 5% et nous avons retiré deux échantillons
indépendants, le premier de la première machine et 36 de la deuxième machine. , Quelle est la
probabilité que le pourcentage d'endommagement dans l'échantillon de machine (a) soit
supérieur de 1,8% ou plus au pourcentage d'endommagement dans l'échantillon de machine
(B)? 0,5160

- Un échantillon aléatoire de taille 12 de la population normale a été retiré, son écart type est
de 5.

Trouvez la probabilité que la variance de l'échantillon soit inférieure à 9? 0,025

2. Deux échantillons aléatoires, respectivement 10 et 12, ont été prélevés dans deux groupes
naturels, respectivement dans les déviations 2 et 4.

Trouver la probabilité que la variance du premier échantillon soit supérieure à la moitié

de la variance du deuxième échantillon? 0,10

IV - L estimation statistique

Le concept d'estimation :

c est le processus par lequel on peut représenter une population par un échantillon aléatoire
et de voir les décisions que test de l'échantillon, puis calculer les mesures à effectuer et la
diffuser à la population. Toute distribution de probabilité contient des paramètres qui
déterminent sa forme. Distribution binomiale dépend de p (taux de réussite), n (le nombre de

39
des expériences) Dans la distribution de Poisson dépend forme du paramètre λ (taux de succès
dans une période donnée), mais dans la distribution normale dépend former que la distribution
μ (moyenne), σ (écart-type σ² (variance) généralement ces paramètres ne sont pas connus,
et dans ce cas il est nécessaire d'estimer ces paramètres.

Il existe deux méthodes de base pour estimer les paramètres d’une société inconnue:

1 - estimation par un point (ponctuelle).

2. estimation par dure de confiance (intervalle de confiance)

Les principales qualités d’un estimateur :

1- l’absence de biais :

La première qualité d’un bon estimateur est l’absence d’erreur systématique ou de biais. Cette
qualité implique que la vraie valeur doit être retrouvée en moyenne :
a- pour la moyenne :

L estimateur x est non biais pour µ sachant que x=

Tout estimateur qui satisfait cette condition est dit sans biais ou non biaisé.
b- la variance minimale :
Une deuxième qualité d’un bon estimateur est de posséder une précision suffisante. Cette
précision peut être mesurée par le moment d’ordre deux par rapport à

on considère

40
Mais l estimateur est considéré non biaise pour la variance
de population car on peut démontrer que

.
2) convergence en probabilité
un estimateur converge en probabilité vers si :

Ce ci signifie que l’écart entre le paramètre calculé à partir de l’échantillon et la vraie valeur
du paramètre de la population est très faible quand la taille de l’échantillon est grande. Cet
écart peut être mesuré par la variance. Ainsi on parle de convergence en probabilité si :Un
estimateur qui converge en probabilité est dit consistant.

3 ) Efficacité :
:
Soit ˆ 1  ˆ 2deux estimateurs de 1  2 respectivement on peut dire que ˆ 1est
plus efficace que ˆ 2 si

On peut calculer l efficacité d estimateur (d) comme cela

41
Prenant par exemple la destitution de Bernoulli qui représente un cas particulier de la loi
binomiale si n=1 sa fonction de densité est

avec E(x)= 0 et V(x)= 0(1-0) donc

4- La suffisance :

L estimateur est dit suffisant s'il contient la totalité ou la plupart des observations de l'échantillon, de
sorte qu'il n'y a pas de d'autres estimations peuvent inclure toutes les observations

La moyenne arithmétique de l’échantillon retiré d’une population normale est estimée par rapport à la
médiane et le mode

a)Estimation ponctuelle:

Une estimation ponctuelle de ( moyenne inconnue dans la population )

c’est x moyenne de l’échantillon

Une estimation ponctuelle de P ( proportion inconnue dans la population )

c’est p proportion dans l’échantillon

42
Une estimation ponctuelle de σ ( écart type inconnu de la population )

c’est s =  échantillon n avec n la taille de l’échantillon.

n1

σ
par l’erreur standard de la moyenne : σx 
n
En considérant l’échantillon comme aléatoire et simple la moyenne globale est donnée par :


x _
 
n
et l’erreur standard est donnée par :  x  avec  
i
V ( x)
n n n 1

La moyenne de chaque strate est estimée par la moyenne de l’échantillon .


i
x Avec une erreur standard x 
i
ni

B- Estimation par intervalle de confiance :

L’estimation par intervalle de confiance consiste à déterminer autour de la valeur estimée un intervalle
dont on a de fortes chances de croire qu’il contient la vraie valeur du paramètre recherché.

Si on s’intéresse à la moyenne inconnue m d’une population normale d’écart type connu ,

l’estimation par intervalle de confiance consiste à déterminer de part et d’autre de l’estimateur X les
bornes X 1 et X 2 d’un intervalle qui a un niveau de confiance (1-) de contenir µ.

La probabilité α pour que l’intervalle de confiance ne contienne pas la vraie valeur peut être répartie

différemment de part et d’autre des bornes de l’intervalle de confiance. Écrivons donc α = α1 +α2 où

α1 et α2 mesurent respectivement les risques à gauche et à droite de dépasser un seuil plancher ou

plafond.

• L’intervalle de confiance est dit bilatéral quand α1 ≠ 0 et α2 ≠ 0. Si α1= α2= a /2

est dit symétrique. Il est dissymétrique sinon.

• L’intervalle de confiance est dit unilatéral si α1 α2 = 0 :

- quand on veut assurer une valeur minimale au paramètre à estimer, on considère

α1 2 = et α α2 = 0 , l’intervalle de confiance est alors de la forme : IC = [ a , +∞ [

43
- quand on ne veut pas dépasser un seuil maximal, on prend α1 =0 et α2 = α et on

obtient alors un intervalle de confiance de la forme : IC =] b −∞ ]

On notera l’intervalle de confiance de la moyenne par exemple

σ
µ =X  Zα
2 n

C’est un intervalle symétrique par rapport à la moyenne.

L e tableau ci-dessous indique les valeurs critiques de Z la fonction de réparation qui suivent une loi
normale centrée et réduite

niveau de 99.73% 99% 98% 96% 95.45% 95% 90% 80% 68.27% 50%
confiance

Zc 3 2.58 2 .33 2.05 2 1.96 1.645 1.28 1.00 0.6745

1- Estimation d une moyenne de population :

1-1 Lorsque la variance de population et connue :

dans ce cas et a partir de ce qui précède on peut estimer la moyenne de population µ par l intervalle de
confiance suivant :

1 -  =0.95  =0.05 (5%) a partir de la distribution normal qui est une distribution symétrique on

peut utiliser donc  /2 On constate le même intervalle de confiance dans ce cas Z/2 =1.96

Exemple :

Dans une station service, on suppose que le montant des chèques essence suit une loi normale de
paramètres µ et σ. On considère un échantillon de taille n = 64 et on obtient une moyenne de 130 DZ
et un écart-type de 25 DZ

44
Donner une estimation de µ par intervalle de confiance au niveau de confiance de 95%.

Corrige :

La taille d échantillon n=64>30 la variance est connue  ² = (25)² ; la moyenne d échantillon

x = 130

Revenant a l’intervalle de confiance précédant

130- 1.96(5/8) <µ<130+1.96(5/8)= (128 .775 ; 130 .625)

Un intervalle dans lequel on soit «sûr» à 95% que la moyenne de la population µ Fréquence entre
128 .775 et 130.625

1-2 lorsque la variance inconnue :

A- si n > 30 :

l intervalle de confiance est devenue

Il faut notez deux remarques :

la distribution est toujours suit une loi normale (par convergence)

 Tant que la variance de la population  2 est inconnue elle doit être estime par une
variance d un échantillon S² sachant que

si n < 30 :

Dans ce cas, la moyenne d’un échantillon peut toujours être considérée comme une variable T de
Student à (n-1) degré de liberté. La valeur Z  sera remplacée par la valeur T à (n-1) degré de liberté.
2 2

s
L’intervalle de confiance est alors : X  Tα
2 n-1

ou l intervalle de confiance devient :

45
On peut remarquer dans ce cas pour une moyenne qui suit la distribution student

Exemple :

Soit l échantillon X : 10 ;9 ;11 ; 6 ;7 ;8 ;10 ;8 ;9 ;7 tire dans une population suit une distribution
normale

Donner une estimation par intervalle de confiance pour l’écart type avec α = 5%

Corrige :

Dans ce cas les estimations ponctuelle de la moyenne et la variance ainsi l écart type sont

X 
X  8.5
n s²=2.49 s=1.58

C est vraie que la variance  2 est inconnue avec un échantillon inferieur a 30 (n=10)

La distribution donc est student T (n-1) =0.05 /2 ; 10-1= t( 0.025 ; 9)= 2.26 voir le tableau
2

student l intervalle de confiance est

Autrement dit, il y a 5% de risque que la moyenne réelle soit hors l intervalle de 7.31 et 9.69

Calcul de la taille optimale d’un échantillon :

Dans le cadre d’échantillonnage avec une méthode aléatoire, plus la taille de l’échantillon est grande,
plus l’analyse sera précise. Ce qui parait logique. Mais la proportionnalité n’est pas vrai. L’analyse ne
sera pas 2 fois plus précise, si votre échantillon est 2 fois plus important.

Il est important d’appréhender le fait que la taille de l’échantillon n’est pas en lien avec la taille de la
population mère (ou très peu).

46
La détermination de la taille de l’échantillon est donc une étape importante avant toute enquête, qui est
l’occasion d’arrêter la précision de l’analyse (souvent en fonction du budget alloué …).

Il existe 2 approches pour calculer la taille d’un échantillon(la deuxième méthode s'appliquera plus
tard)

A partir d’une moyenne, on peut calculer la taille de l’échantillon à partir de cette formule :

n= taille de l’échantillon attendu.

z= niveau de confiance déduit du taux de confiance (traditionnellement 1,96 pour un taux de

confiance de 95%) – loi normale centrée réduite.

= écart type estimé de la moyenne du critère étudié.

d= marge d’erreur.

Exemple :

un enseignant a noté avec son expérience que la note moyenne des élèves dans la statistique
75 est un signe et un écart-type 9 points. Si l'enseignant souhaite développer la méthode
d'enseignement et estimer la moyenne des notes selon la nouvelle méthode, 95% tel qu’ il
soit sure que l'erreur dans l'estimation n est Pas plus de 3 points, combien d'étudiants
doivent les soumettre à cette expérience

Corrige : on sait que Z  =1.96 ; d=3 Compensation directe dans l'équation précédente
2

donc il a besoin d'un échantillon de 35 étudiants a fin de

faire son expérience

2- Estimation de la différance de deux moyennes :

On suppose que les deux populations soient indépendantes on peut distinguer les cas suivants

A) Lorsque les deux variances sont connues : Si et

L estimation par intervalle sera note comme ci dessous

47
 Exemple :

un échantillon aléatoire de taille n= 9 a été tire sur une population normale et un échantillon
aléatoire de n=10 a été prélevé sur population normale indépendante de la première, à laquelle
une moyenne arithmétique de X1= 32 X2=47 trouvez :

 Un intervalle de confiance de 95% pour la différence entre la moyenne (μ1 - μ2)?

 Un intervalle de confiance de 90% pour la différence entre la moyenne (μ2 - μ1)

Corrige :

Nous avons les informations suivantes : n1=9 n2=10 X1=32 X2=47 = 25 = 40

 Lintervalle de confiance 95% : z=1.96

(32-47)-1.96 <µ1- µ2< (32-47)+ 1.96

( -15 – 1.96 , -15 – 1.96 )= ( -20.1 , -9.9 )

48
L intervalle de confiance 90%
Z=1.64

[(47 – 32) – Z0.95 , (47 – 32) + Z0.95 ]

( 15 – 1.64 , 15 + 1.64 )= ( 10.73 , 19.27 )

B) Lorsque les deux variances sont inconnues :

B-1 si n1>30 et n2>30 :

dans ce cas on peut estimer les deux variances de populations par le remplacement de
et par S²1 et S²2 et l intervalle de confiance devient

B-2 Si au moins un des deux échantillons est inférieur à 30

cette condition on peut distinguer deux cas : n1<30 et n2<30 ; n1<30 ou n2 <30

l intervalle de confiance et :

Exemple : soit deux enchantions

-n1 :(20 ;18 ;22 ;22 ;18 ;20 ;25 ;25)

-n1 :(25 ;22 ;24; 23 ;25 ;30 ;30 ;27 ;20)

Trouver l intervalle de confiance de différence de deux moyennes (a 95%)

Corrige :

on sait que n1=8<30 n2=9<30

l estimation ponctuelle de la moyenne de n1 est X 1  21.25 et n2 est X 2  25.11

les deux variances  ²1 ;  ²2 sont inconnues on doit les remplacer par les variances des
échantillons S²1= 7.618 S²= 11 .628 selon le tableau de student =2.131

49
 Estimation dune proportion :

Avant de noter cette estimation il est d abord avoir comprendre les notions suivantes :

1- La proportion théorique :

On considère par exemple l'expérience suivante consistant à lancer plusieurs fois un dé et à noter
si la face supérieure affichée est un( 4) ou un autre nombre .l a valeur supposée et théorique de la
1
probabilité d'obtenir un (4) est . Donc p=1/6
6

Voila un autre célèbre exemple c’est de lancer une pièce de monnaie une seul fois la proportion
théorique est p= 1 /2 = 0.5 donc 0 < P < 1

2- La fréquence observée :

Soit k le nombre de fois où un caractère donné est présent dans un échantillon tiré au hasard
d’effectif n Soit p la proportion inconnue du caractère étudié dans la population

Fréquence f du caractère étudié dans l’échantillon

ou E(F)= P

F est un estimateur convergent de p

on estime la variance p.(1 – p)/n par f .(1-f )/n

Par exemple :

On suppose que 22% des plaques de freins produites par l’entreprise des véhicules sont
défectueuses.

La proportion théorique p est donc égale à 22%.

On prélève un échantillon de taille 200 parmi cette production et on compte le nombre de cartes à puce
défectueuses parmi cet échantillon. Ce nombre est égal à 41.

50
 41
Dans ce cas, la fréquence observée f est égale à = 0,205.
200
.Intervalle de fluctuation :

-On utilise un intervalle de fluctuation lorsque la proportion p dans la population est connue ou si l’on
fait une hypothèse sur sa valeur (prise de décision à partir d’un échantillon). La fréquence f observée
dans un échantillon « doit » appartenir à l’intervalle de fluctuation considéré.

En fonction de l’appartenance ou non de f à l’intervalle de fluctuation à 0,95 que l’on a déterminé, on

prend une décision concernant la conformité de l’échantillon :si f n’appartient pas à l’intervalle, on
rejette, au risque d’erreur de 5 %, l’hypothèse que l’échantillon est compatible avec le modèle ;

il faut vérifier les conditions suivantes :

Si n > 30 et si np > 5 et n(1 − p) > 5, on virons 95 % des échantillons de taille n fournissent une
fréquence f appartenant à l’intervalle

Dans la loi normale la proportion d échantillon est un bon estimateur de la proportion du population

donc ou E( p^)=P et

On peut définir l intervalle qui vérifie

On peut noter que représente marge d’erreur (traditionnellement fixée à

5%)

Exemple :

Un échantillon de 10 000 personnes sur une population étant donné, on sait que le taux moyen
de personnes à soigner pour un problème de cholestérol élevé est de 7,5%. Donner un
intervalle dans lequel on soit «sûr» à 95%, de trouver le nombre exact de personnes à soigner
sur les 10 000.
Corrige :

On sait que p est connue donc p= 7,5%.=0.075

51
Un intervalle dans lequel on soit «sûr» à 95% de trouver le nombre exact de personnes à

soigner sur les 10 000 : IF=

. Fréquence entre 0.065 et 0.094 autrement dit 65,7% et 94,3%. Donc entre 698 et 802
personnes sur 10000

.Intervalle de confiance :

- On utilise un intervalle de confiance lorsque l’on veut estimer une proportion inconnue p dans une
population à partir de la fréquence f observée dans un échantillon (estimation, par exemple dans le
cadre d’un sondage) estimation d’une proportion inconnue p grâce à un échantillon aléatoire Soit f la
fréquence observée dans un échantillon de taille n on peut faire une estimation ponctuelle en posant p
= f . Cette estimation varie d’un échantillon à l’autre du fait de la fluctuation d’échantillonnage.

Si n > 30 et si nf > 5 et n(1 − f ) > 5, un intervalle de confiance de p au niveau de confiance 0,95 est

f −1 /√ n; f + 1 /√n si on remplace f par p( la proportion inconnue ) et on approxime cette

proportion

• p ∈ [0, 1] ⇒ p(1 − p) ≤ ¼ ⇒√ p(1 − p) ≤1 / 2

• 1, 96≤ 2 pour simplifier1, 96√ p(1 − p) ≤ 1

.Parmi tous les échantillons de taille n possibles, 95 % des intervalles associés

IC=[ f – 1/√ n ; f + 1/√n ]

Contiennent p. Une fois l’échantillon tiré, l’intervalle de confiance associé est entièrement fixé, il n’y
a plus d’aléatoire à ce stade. Il est donc incorrect de dire que p a une probabilité 0,95 d’appartenir à cet
intervalle (p est inconnu mais pas aléatoire).
Exemple :

Dans le cadre d’une étude sur la santé scolaire vaccination contre les maladies infectieuses
on a interrogé au hasard 500 élèves de différents écoles. 145 d’entre eux déclarent avoir déjà
leurs vaccins a l école

Donner une estimation de cette proportion par un intervalle de confiance à 95%.

Corrigé :

P est la proportion des écoliers qui on fait leurs vaccins dans toute la population donc p est
un connue On estime p par f la fréquence observée de "oui Jai fait mon vaccin "

f = 145/500 = 0, 29

52
On a tout d’abord n = 500 >30. nf>5 n(1-f)>5 L’estimation par intervalle de fluctuation à
95% est donnée par

IC=[ f 1/√n ] = IC(p) 0.29 1/ √500 donc l intervalle de confiance est

p [ 0.245 ; 0.334 ]

détermination d une taille d échantillon pour une proportion :

si la proportion p est connue :

Ou représente marge d’erreur (traditionnellement fixée à 5%)

Si p est inconnue :

dans le cas ou p est inconnue on doit la remplacer par 0.5

Exemple :

Quelle la taille de n sachant que zα/2 = 90% d = 0.04

- Dans le cas ou p=0.2

- P est inconnue

Corrige :

zα/2 =1.645 P=0.2 q=(1-p)=0.8

Donc n 269

P est inconnue donc p= ½ q=1/2

- Donc n 421

53
Estimation de différence deux proportions :

On sait que la variable aléatoire X1 suit une loi binomiale si nous avons tire un
échantillon n> 30 de la même façon se trouve X2 avec n> 30 dans une hypothèse
de l indépendance des deux populations

Dans le cas ou P1 et P2 sont inconnues on prend

L intervalle de confiance devient :

Exemple :

Un échantillon aléatoire de n1= 100 élèves de l'école A a été trouvé, 27 étaient atteintes de carie
dentaire, un autre échantillon aléatoire d'école B n2=80 et 12 filles atteintes de carie dentaire.

Trouvez un intervalle de confiance de 95% pour la différence entre (P1, P2)?

Corrige :

Un intervalle dans lequel on soit «sûr» à 95% de trouver la déférence entre deux proportions

0.27 0.15 (1.96) <P P2< 0.27+ 0.15 (1.96)

IC= (0.003 <P1 P2< 0.237

54
Estimation d une variance :

Nous avons vu que et par intervalle de confiance pour une variance

Est

Pour résoudre cette inégalité pour l’intervalle de confiance

Exemple :

Trouvez l’intervalle de confiance de 95% pour une variance de population si n =6 et la variance

d échantillon S²=11.8

corrige : n=6 S²=11.8 d après le tableau de khi-deux

Estimation du rapport de deux variances :

On sais que

55
L intervalle de confiance pour pour le rapport est

Par résoudre de légalité pour le rapport on a

L’importance de retrouver cet intervalle de confiance est déterminée en examinant l’existence d’une
homogénéité dans la société. Si ce rapport tend vert 1 les population étaient plus homogènes, avec presque la
même variation

Exemple :

Un échantillon d'une population normale a été retire de taille 10 et variance 9 et un autre échantillon a été retiré
d'une population indépendante de taille 15 et variance 8

Trouvez un intervalle de confiance de 95% pour le rapport des deux variances

Corrige :

Nous avons les données suivantes ; n1=10 S²1= 9 n2=15 S²2=8 = 0.05

Selon le tableau F on a :

Donc l’intervalle de confiance devient

Exercices non résolues :

56
 1- Le contenu des 9 emballages pharmaceutiques d'une usine pharmaceutique était le suivant:

10.1 10,3 9,7, 10, 9,7, 10,2, 9,8. 9,9, 10.3 Kgs . L’intervalle de confiance de 99% de la moyenne en
supposant que la distribution est normale

2. Un échantillon de 50 lignes d’une usine a été amené à une résistance moyenne de 80,2 kg.

Avec un écart type de 6,5 kg, trouvez un intervalle de confiance de 95% pour la résistance de tous les
fils issus de la production.

3. Un échantillon aléatoire de 400 enseignants été pris à l’école secondaire on a trouvé que 80

On obtenue leurs magisters. Estimer la proportion de titulaires magister

4. La conception d'une école de médecine pour estimer le pourcentage de la population qui souffre de
problèmes visuel combien de personnes devraient vérifier pour 98% de confiance L'erreur dans
l'estimation de ce pourcentage ne dépasse pas 0.05 dans les cas suivants:

-Si nous n'avons pas d'estimations antérieures de ce pourcentage

-Si oui, les estimations précédentes de ce pourcentage pourraient dépasser 0.3

6. trouvez Un intervalle de confiance de 95% pour la moyenne de la population établie dans une
expérience de tirage le premier chantions { 9, 12, 13, 10, 11 , 9 },

de la deuxième échantillon , { 7 ;5 ;4 ;8 ;5 ;10 ;6 }

7. Trouver l intervalle de confiance de 95% pour le personnel féminin dans les deux pays A e t B
afin de fournir un échantillon Un nombre aléatoire de 300 citoyens de A . si le nombre des femmes
est 140 et un notre nombre des citoyens de 400 dans B si le nombre des femmes est 220

8. Quel est le niveau de confiance adopté dans l’expérience si l intervalle de confiance dune
moyenne est [ 20 ; 30] la taille d échantillon est 16 la variance égale 81 la population est normale

9 quelle est la taille nécessaire pour l'échantillon qui ne doit pas dépasser un intervalle de confiance
de 99% pour estimer une moyenne de2.8 cm si l écart-type est 1.3 cm

10. calculez intervalle confiance de 90% pour un rapport entre deux variance si n1= 10 S²=4 n2=7

S²=9 ; si on a augmente l’intervalle de confiance a 95 % et 99%

11. soit le tableau suivant :

L échantillon A B

La taille 100 49

La moyenne 60 65

La variance 4 9

La proportion 0.3 0.7

57
 -Trouvez l’intervalle de confiance de 90% pour la différance des deux moyennes

- Trouvez l’intervalle de confiance de 95% pour la différance des deux proportions

- Trouvez l’intervalle de confiance de 99% pour le rapport des deux variances

12. En utilisant un échantillon de 16 observation a été estimé que la moyenne de population était
d'un niveau de confiance de 95%. 18.25 et 21.75, si je sais que cette communauté est répartie
naturellement avec une variance de 9.

A-. Quelle est la moyenne de l'échantillon retiré?

B - Quelle est l'erreur d'échantillonnage dans l'estimation de la moyenne arithmétique réelle de la

population ?

C - Nous voulons réduire l'erreur d'échantillonnage de moitié, c'est-à-dire améliorer la précision de

50%, quelle est la taille de l'échantillon nécessaire pour cela

V- Testes des hypothèses

Ouvrages :

 Targeted learning. Causal inference for observational and experimental data.

Van Der Laan (M.J.), Rose (S.) 2011. London : Springer. Collection Series in statistics. 2011.
697p.(BL)

 Approches non paramétriques en régression.

Droesbeke (J.), Saporta (G.) 2011. Paris : Technip. 448p. (GG)

 Introduction au calcul des probabilités et à la statistique.

Delmas (J.F.). 2010. Paris : Les presses de l'ENSTA. 315p. (STAT66)

58
 UE4. Évaluation des méthodes d'analyse appliquées aux sciences de la vie et de la santé.
Valleron (A.J.). 2010. Paris : Elsevier Masson. Collection Pass'Santé. 217p. (STAT69)

 Statistical meta-analysis with applications.

Hartung (J.), Knapp (G.), Sinha (B.) 2008. New-York : Wiley. Collection Probability and
statistics. 248p.

 Toutes les probabilités et les statistiques. Cours et exercices corrigés.

Dauxois (J.), Hassenforder (C.). 2004. Paris : Ellipses. 784p. (STAT41)

 Meta-analysis of controlled clinical trials.

Whitehead (A.) 2002. New-York : Wiley. Collection Statistics in practice. 352p. (VL)

 La statistique.
Malliavin ((P.) / Coor., Deheuvels (P.), Escoufier (Y.), et al. 2000. Paris : Tec&Doc. 185p. (STAT29)

 The Cambridge Dictionary of Statistics.

Everitt (B.S.) 1998. Cambridge : Cambridge University Press, 360p. (STAT24)

 Statistique : économie - gestion - sciences - médecine (avec exercices d'application).

Wonnacott (T.H.), Wonnacott (R.J.). 1991. Paris : Economica. 491p. (STAT33)

 Regression methods in biostatistics. Linear, logistic, survival, and repeated measures models.
Second edition
Vittinghoff (E.), Glidden (D.V.), Shiboski (S.C.), McCulloch (C.E.) 2012. New-York : Springer.
509p. (STAT70)

 Regression modeling strategies with application to linear models, logistic regression, and
survival analysis. Second edition.

Harrell (F.E.) 2010. New-York : Springer. 568p. (CC)

 Clinical prediction models. A practical approach to development, validation, and

updating.
Steyerberg (E.W.) 2008. New-York : Springer. Collection Statistics for biology and health.
528p. (VL)

 Modèles statistiques pour données qualitatives.

Droesbeke (J.J.), Lejeune (M.), Saporta (G.) 2005. Paris : Technip. 290p. (STAT49)

 Approche pragmatique de la classification. Arbres hiérarchiques. Partitionnements.

Nakache (J.P.), Confais (J.). 2005. Paris : Technip. 262p. (STAT44)

 Statistique exploratoire multidimensionnelle.

Lebart (L.), Morineau (A.), Piron (M.). 1995. Paris: Dunod. 439p. (STAT22)

 Analyse descriptive multivariée. Application à l'intelligence artificielle.

59
60