Support Module Stat de Gestion

ECOLE DES HAUTES ETUDES COMMERCIALES
Module : Statistique de Gestion

Niveau : 1ère année Master TC
Année académique : 2018/2019
Enseignante : Mme BEN ADDA MEGHARI R
Section : 01
Groupes : 01, 02, 03, 04 et 05.
SUPPORT DE COURS
Mme BEN ADDA MEGHARI R Statistique de Gestion 1

SYLLABUS
MODULE : STATISTIQUE DE GESTION
1. Informations générales :
Intitulé du module : Statistique De Gestion

Unité d'enseignement : Découverte
Coefficient : 03
Crédits : 03
Volume horaire semestriel : 24 H
Volume horaire hebdomadaire : 03 H
2. Description du module :
Ce module s’adresse tout particulièrement aux étudiants de différentes

disciplines, désireux de s’initier aux techniques de la statistique de gestion. Les
étudiants doivent posséder assez de connaissances de base de la statistique de
façon générale et de la statistique descriptive de façon particulière. C’est
essentiellement le complément du programme de la statistique évoquée à l’issue
de la formation préparatoire.
L’idée qui prévaut dans la structuration de ce module est qu’il soit

simplifié, que l’étudiant s’imprègne des outils et méthodes statistiques avant
d’aborder l’étude d’un phénomène, d’une situation en économie, en commerce
et en gestion.
De nombreux exemples d’illustration concrète sont retenus afin de fournir

aux étudiants peu familiarisés avec les méthodes statistiques, la possibilité de

procéder à une démarche logique afin de résoudre des problèmes statistiques et
étudier des phénomènes dans un cadre bien déterminé.
Le programme du module est divisé en quatre principales unités, à savoir :
 1ère Unité : Introduction à la Statistique de gestion.

 2ème Unité : Echantillonnage.
 3ème Unité : Estimation.
 4ème Unité : Tests d’hypothèses.
3. Objectif du module:
Ce module a pour vocation pédagogique, vise d’une part à compléter les

connaissances acquises en Statistique descriptive, et à détailler la statistique de
gestion d’autre part. Pour ce faire, un ensemble de concepts, d’outils et de
méthodes statistiques censés être abordés tout au long de la formation.
4. Compétences visées :
A l’issue du module, et après avoir assimilé les notions de base de la

statistique de gestion, les étudiants seront capables de mener une étude
statistique, de traiter un phénomène spécifique et de résoudre un problème
particulier, relatifs à l’économie, au commerce, à la gestion et au management.
Au-delà de la simple description des caractéristiques d’une population, ce
module permet aux étudiants de :
 Pouvoir mener un processus de collecte de données.
 Estimer les caractéristiques inconnues d’une population donnée à travers
des grandeurs espérées tirées d’un échantillon représentatif.
 Construire des intervalles de confiance des paramètres inconnus d’une
population donnée.

 Procéder à des tests d’hypothèses des paramètres d’une population afin de
généraliser les résultats obtenus.
 Comprendre et savoir analyser un ensemble d’informations.
 Tirer des informations quantitatives d’un échantillon représentatif et les
inférer sur la population mère.
 Prendre des décisions pertinentes suite aux résultats extraits de
l’échantillon.
 Susciter l’intérêt d’approfondir l’analyse des phénomènes en devenant
éventuellement des producteurs d’informations et des preneurs de
décisions.
5. Pré-requis :
 Statistique descriptive.
 Probabilités.
6. Méthode d'enseignement :
 Une séance de 1h30 Cours et une séance de 1h30 TD par semaine.

 Formation : Cours, Exercices d’application, Séries d’exercices.
 Evaluation : Travaux individuels et en groupe, Tests, Examen final.
7. Matériel et documents nécessaires :
 Support de cours.
 Séries d’exercices.
 Calculatrice scientifique.
 Tables statistiques.

8. Méthode d’évaluation : Les étudiants seront évalués sur la base d’un
contrôle continu (Présence, Travaux, Test et Participation) à raison de
40%, l’examen final comptera pour 60% de la note globale.
9. Références bibliographiques :
 Anderson, Statistique pour l’économie et la gestion, édition De Boeck, Bruxelles,

Belgique, 2010.
 Bernard Velerlant, Geneviève Saint-Pierre, Statistiques et probabilités (manuel de

cours, exercices corrigés et sujets d’examens), édition BERTI, Alger, Algérie, 2008.
 BRIGITTE TRIBOUT, Statistique pour économistes et gestionnaires, édition

Pearson, Paris, France, 2008.
 Khaled KHALDI, Méthodes statistiques et probabilités, édition Casbah, Alger,

Algérie, 2000.
 Khaled KHALDI, Méthodes statistiques (rappels de cours et exercices corrigés),

édition OPU, Alger, Algérie, 2010.
 MURRAY R.SPIEGEL, Théorie et application de la statistique, édition McGraw

Hill, Paris, France, 1990.
 VINCENT GIARD, Statistique appliquée à la gestion, édition Economica, Paris,

France, 1992.


Enseignante : Mme BEN ADDA MEGHARI
Section : 01
Groupes : 01, 02, 03, 04 et 05
1ère Unité : INTRODUCTION A LA STATISTIQUE

DE GESTION
I. Différence entre la statistique et les

statistiques.
II. Champs d’application de la statistique.
Contenu III. Inférence statistique.
IV. Données et informations.
V. Informatique et statistique.
VI. Concepts de base.
 Exercices d’application
 Série d’exercices N°01
Introduction :
Pour avoir une idée de la place et de l’importance que revêt la statistique

dans la vie de tous les jours, il suffit de parcourir les différents journaux,
rapports et revues qui proposent des résultats observés à l’aide d’études ou de
sondages…
Si le terme « la statistique » est né récemment, la statistique en tant que la

collecte de renseignements, remonte à la plus haute antiquité, c'est-à-dire à une
époque où la reproduction des sociétés humaines rendait nécessaire le recueil de
données numériques pour lever les armées, collecter les impôts.
I. Différence entre « LA statistique » et « LES statistiques » :
En effet, la statistique est une discipline hautement dépendante des

instruments de calculs, pour produire à la fin du processus des informations
chiffrées. Il convient donc de faire la différence entre la Statistique et les
statistiqueS.
La statistique Les statistiques

- Outil scientifique. - Ensemble de renseignements
- Ensemble de techniques, méthodes numériques (données quantitatives),
permettant de collecter, d’organiser, tirés d’un recensement de population
de résumer d’analyser, de présenter, d’un registre d’état civil, d’un sondage.
des données quantitatives, pour en Les Stats économiques sont par
tirer des conclusions appropriées exemple, celles relatives aux prix, CA
servant à la prise de décision (s). d’une entreprise, % de croissance de
l’économie …
La statistique est un domaine des mathématiques qui possède une

composante théorique ainsi qu'une composante appliquée. La composante
théorique est proche de la théorie des probabilités et forme avec cette dernière,
les sciences de l'aléatoire. La statistique plus appliquée est utilisée dans presque
tous les domaines de l'activité humaine : ingénierie, management, économie,

biologie, informatique… etc. Ces distinctions ne consistent pas à définir
plusieurs domaines étanches.
En effet, le traitement et l'interprétation des données ne peuvent se faire

que lorsque celles-ci ont été collectées. La statistique possède des règles et des
méthodes sur la collecte des données, pour que celles-ci puissent être
correctement interprétées dans un contexte bien déterminé.
Par ailleurs, les méthodes statistiques se répartissent en deux classes :
 La statistique descriptive, statistique exploratoire ou analyse des

données, a pour but de résumer l'information de façon synthétique et
efficace, sous forme d’indicateurs statistiques, dans des tableaux
statistiques et avec des représentations graphiques. Elle permet de dégager
les caractéristiques essentielles du phénomène étudié et de suggérer des
hypothèses pour une étude ultérieure plus sophistiquée.
 La statistique inférentielle va au-delà de la simple description des
données. Elle a pour but de faire des prévisions et de prendre des
décisions au vu des observations par le biais des estimations et tests
d’hypothèses. En général, elle permet de tirer des conclusions sur la
population à partir de l’étude de l’échantillon avec fourchette
d’incertitude. il faudrait donc proposer des modèles probabilistes du
phénomène aléatoire étudié et savoir gérer les risques d'erreurs. Les
probabilités jouent ici un rôle fondamental.
II. Champs d’application de la statistique :
Dans l’environnement économique et commercial actuel, tout le monde a

accès à des nombreuses informations statistiques, les managers ayant plus de

succès sont ceux qui comprennent l’information et savent l’utiliser au moment
opportun. Les données étudiées en statistique peuvent être de toute nature, ce qui
rend la statistique utile dans tous les champs disciplinaires. Des exemples
présentés ci-après illustrent quelques utilisations de la statistique dans le
domaine économique et commercial :
1. La comptabilité : les experts comptables utilisent des procédures

d’échantillonnage statistique pour effectuer des opérations d’audit pour le
compte de leurs clients.
2. La finance : les analystes financiers utilisent des informations statistiques

diverses pour orienter leurs recommandations en matière d’investissement, dans
le cas de titres boursiers, les analystes examinent un certain nombre de données
financières, tels que le coefficient de capitalisation des résultats et le rendement
des dividendes.
3. Le marketing : les marketeurs utilisent les statistiques pour faire des études
de marché, analyse des ventes, analyse des données des enquêtes d’opinion,
détermination de la part de marché …etc.
4. La gestion de la production : l’importance accordée de nos jours à la qualité

fait de son contrôle une application primordiale de la statistique. Dans la gestion
de la production, de nombreux graphiques de contrôle de qualité sont utilisés
pour vérifier les caractéristiques du produit fini dans un processus de
production.
5. L’économie : les économistes fournissent des prévisions à propos de certains

faits économiques futurs, ils utilisent de nombreuses informations statistiques
pour effectuer ces prévisions, par exemple pour prévoir le taux d’inflation, les
économistes utilisent des indicateurs tels que l’indice des prix à la production, le
taux de chômage et le taux d’utilisation des capacités de production. Souvent ces

indicateurs statistiques sont intégrés à des modèles de prévision qui prévoient le
taux d’inflation.
Par ailleurs, le point fondamental est que ces données sont entachées
d’incertitude et présentent des variations pour les raisons suivantes :
- Le déroulement des phénomènes observés n’est pas prévisible à l’avance

avec certitude.
- Seuls quelques individus sont observés, les conclusions de l’échantillon
étudié qui sont extrapolées sur la population mère.
- Toute mesure est entachée d’erreur .
Il y a donc l’intervention du hasard, la statistique a pour objectif de maitriser

au mieux cette incertitude voire minimiser afin d’extraire des informations
fiables et utiles.
III. Inférence statistique :
De nombreuses situations requièrent des données relatives à un vaste

ensemble d’éléments (individus, entreprises, ménages, produits, clients, …etc), à
cause de considérations tels que les moyens et le temps, les données ne peuvent
être collectées qu’auprès d’une petite partie du groupe concerné, le groupe
considéré dans son ensemble est désigné par le terme "population" et la petite
partie du groupe par le terme "échantillon".
Le processus de conduite d’une enquête pour collecter des données

relatives à la population entière est appelé un "recensement".
Le processus de conduite d’une enquête pour collecter des données

relatives à un échantillon est appelé une "enquête d’échantillonnage", l’apport
majeur des statistiques réside dans la possibilité de faire des estimations et des
tests d’hypothèses sur les caractéristiques d’une population à partir d’un
échantillon au travers d’un processus dit "inférence statistique".

IV. Données et informations :
Les données sont les faits et les chiffres qui sont collectés, analysés et
résumés pour pouvoir ensuite être interprétés, toutes les données collectées dans
une étude particulière forment l’ensemble de données de l’étude. Elles peuvent
être :
 Données quantitatives / données qualitatives : les données peuvent être
classées en fonction de leur nature qualitative ou quantitative, les données
qualitatives incluent des labels ou des noms utilisés pour identifier une
caractéristique de chaque élément, les données quantitatives ont des
valeurs numériques et présentent un caractère dénombrable.
 Données en coupe transversale / séries temporelles : pour les besoins

de l’analyse statistique, la distinction entre les données en coupe
transversale et les données de série temporelle est fondamentale, les
données en coupe transversale (instantanées) sont collectées au même
moment (ou approximativement au même moment). Dans les sciences
économiques, l’analyse des données en coupe transversale est étroitement
liée aux questions micro-économiques, telles que les sciences de travail,
l’organisation industrielle, les sciences économiques urbaines, la
démographie, les sciences économiques de santé. Les données sur des
individus, des ménages, des sociétés, et des villes à une période donnée
sont importantes dans l’évaluation des hypothèses micro-économiques et
ainsi que les politiques économiques. Tandis que les séries temporelles
(chronologiques) sont des données collectées sur plusieurs périodes de
temps différentes, elles incluent la masse monétaire, l’indice de prix à la
consommation, le produit intérieur brut, les chiffres d’affaires ou les
coûts relatifs à une activité.

L’information est l’ensemble des données collectées, enregistrées,
classées, organisées pour avoir une signification dans un cadre déterminé. Les
données peuvent être obtenues à partir de sources existantes ou grâce à des
enquêtes ou des études menées spécifiquement dans le but de collecter de
nouvelles données. On distingue entre deux types de classification des sources,
celle qui distingue les sources internes des sources externes, et celle qui
distingue les sources primaires des sources secondaires.
Données primaires versus secondaires
Primaires Secondaires
- Opinions des vendeurs - Rapports des vendeurs
- Suggestions - Plaintes des
Internes
d’employés consommateurs
- Analyse des données - Historique des ventes
clients - Études antérieures
- Sondages employés
- Sondages - Statistiques
- Groupes de discussion gouvernementales
Externes
- Entrevue en - Données
profondeur d’associations
- Consultation d’experts - Périodiques spécialisés
- Données industrielles
V. Informatique et la statistique :
Ce sont deux éléments du traitement de l’information ; l’informatique

acquiert et traite d’information tandis que la statistique l’analyse. Les deux
disciplines sont donc étroitement liées, en particulier, l’augmentation
considérable de la puissance des ordinateurs et la facilité de transmission des
données par internet ont rendu possible l’analyse de très grandes masses de
données, ce qui nécessite l’utilisation de méthodes de plus en plus sophistiquées,
tel que le Data mining. Enfin, l’informatique décisionnelle ou business

intelligence regroupe les outils d’aide à la décision devenus essentiels dans la
gestion des entreprises. Ces outils nécessitent un recours important aux
méthodes statistiques. Dans la mesure où l’analyse statistique implique de
larges ensembles de données, les analystes utilisent des logiciels informatiques
pour ce travail tels que : EXCEL, MINITAB, E-VIEWS, SPSS, SAS,
STATISTICA…
VI. Concepts de base : Rappel
-Un ensemble d’unités statistiques sur lesquelles porte une étude

statistique, ayant au moins une caractéristique commune.
Population
Ex : Etudiant de HEC inscrits en 2018.
Entreprise algériennes du secteur agroalimentaire
Salariés d’une entreprise X.
Echantillon -Un sous ensemble représentatif de la population étudiée, il
reflète toutes ses caractéristiques.
-L’élément de base de la population, sur lequel porte l’étude.
Elle peut être :
Unité statistique  Un objet matériel : usine, pièce, produit…
 Un objet vivant : étudiant, malade, salarié…
 Un objet abstrait : idée, donnée, avis…
-L’aspect particulier que l’on désire étudier, c’est ce qui

différencie les unités stat, représente l’état, la nature de l’unité.
Ex : âge, CA, état civil, sexe.
-Caractère= ensemble de modalités.

-Modalités = Sont les différentes situations, natures dans
lesquelles les individus peuvent se trouver à l’égard du caractère
considéré.
Caractère statistique 1) Caractère qualitatif : si les modalités ne sont pas
mesurables, ne s’expriment pas par un nombre.
a) Qual nominal : modalités exprimées par des noms, peut

être :
- Qual nominal dichotomique : à 2 modalités.
Ex : sexe ( H/F).
- Qual nominal polytomique : à plusieurs modalités.
Ex : groupe sanguin ( A, B, AB, O ), Nationalité,
Profession…
b) Qual Ordinal : modalités exprimées par une échelle,

degré.
Ex :
Stade d’une maladie : 1er stade………………. Stade final
Satisfaction client : Insatisfait…………..Tout à fait satisfait
Mention : faible………………excellent
2) Caractère Quantitatif : Si les modalités sont numériques

mesurables.
a) Quant discret : les modalités prennent des valeurs

entières, dont l’unité de mesure est indivisible.
Ex : nbr d’enfants/foyer, nbr de voitures vendues en 2018,
nbr de chambres d’un appartement, nbr d’articles
vendus d’un magasin/jour.
b) Quant continu : modalités prennent des valeurs sur un

intervalle donné, dont l’unité de mesure est divisible.
Ex : poids, âge, CA, ancienneté, revenu, taille.
Effectif total -l’ensemble des unités stat de l’échantillon = somme ni/ N
Effectif = fréquence -Nombre d’individus associés à la modalité ni

absolue
Fréquence relative -Degré de concentration de la modalité au sein de l’échantillon
( fi % = ni/N )

Enseignante : Mme BEN ADDA MEGHARI
Section : 01
Groupes : 01, 02, 03, 04 et 05
2ème Unité : Échantillonnage
I. Introduction
II. Terminologie
Contenu III. Définition de l’échantillonnage
IV. Méthodes d’échantillonnage
V. Distribution d’échantillonnage
I. Introduction :
L'étude de propriétés caractéristiques d'un ensemble, quand on ne dispose

pas encore de données, nécessite d'examiner, d'observer des éléments de cet
ensemble. La manière de recueillir ces données fait l'objet d'une théorie

mathématique appelée théorie des sondages ou encore théorie de
l'échantillonnage en anglais : sampling theory ), Cette théorie concerne
l'optimisation de la collecte des données selon divers critères et répond à
certaines interrogations sur la façon de procéder à cette collecte en rapport avec
l'information disponible et l'effort d'échantillonnage consenti.
La théorie d’échantillonnage est relative à l’étude des liaisons existantes

entre une population statistique autant qu’ensemble et les sous ensembles
(échantillons) issus de cette population. Cette théorie pose des fondements qui
permettent d’estimer les grandeurs qui caractérisent la population à travers des
grandeurs correspondantes dans l’échantillon, elle permet également de juger la
signification des différences observées entre échantillons.
II. Terminologie :
Terme Désignation
Cadre Une liste d’éléments à partir desquels l’échantillon
d’échantillonnage est sélectionné.
Distribution Distribution de probabilité composée de toutes les
d’échantillonnage valeurs possibles d’une statistique d’échantillon.
Sélection d’une partie dans un tout (population),
Echantillonnage l’échantillon sélectionné doit être représentatif de la
population.
Méthodes Ensemble des méthodes permettant de réaliser un
d’échantillonnage sondage (de prélever un échantillon de données) au
sein d’une population, de manière à reproduire un
échantillon aussi représentatif que possible de cette
population.
Paramètre Caractéristique numérique d’une population tels que
la moyenne de la population "μ", l’écart type de la
population "σ" et la proportion de la population "p".
Population finie Une population qui consiste en un nombre fini
d'éléments.
Population infinie Une population est infinie s’il n'y a pas de limite au
nombre d'éléments qu'il contient.
Population homogène Une population avec des éléments qui possèdent les
mêmes caractéristiques.
Population non Une population avec des éléments qui ne possèdent
homogène pas les mêmes caractéristiques.
Population La population à partir de laquelle l’échantillon est
échantillonnée constitué.
Tirage exhaustif Tirage sans remise.
Tirage non exhaustif Tirage avec remise.
Théorie Etude des liaisons existant entre une population et ses
d’échantillonnage échantillons.
III. Définition de l’échantillonnage :
Définition (1) : L’échantillonnage est le procédé utilisé pour choisir un

échantillon et qui est à la base de l'enquête par sondage.1
Définition (2) : L’échantillonnage est la phase qui consiste à sélectionner les

individus que l’on souhaite interroger au sein de la population de base.2
La notion d’échantillonnage est associée à un sous ensemble de taille n

d’individus tiré d’un ensemble plus vaste appelé population. A chaque individu
tiré on lie une valeur et on note par (x1, x2,……..,xn) l’ensemble des valeurs
obtenues.
On peut distinguer deux problèmes :
1
http://www.larousse.fr/dictionnaires/francais/echantillonnage
2
http://www.definitions-marketing.com/Definition-Echantillonnage-etude

- Connaissant la valeur du paramètre (moyenne, écart type,…), on cherche
des renseignements sur la valeur que peut prendre ce paramètre dans
l’échantillon, ce problème est un problème d’échantillonnage.
- On connait la valeur d’un paramètre dans un échantillon et on cherche des
renseignements sur ce paramètre dans la population, ce problème est un
problème d’estimation. La résolution de ce type de problèmes est liée à
la notion d’échantillonnage.
Si on fait l’hypothèse que les valeurs observées (x1, x2,….xn) sont des
réalisations d’une même variable aléatoire X, on peut considérer que pour
l’individu numéro i tiré on associe une variable aléatoire Xi et on observe une
seule réalisation de Xi qui est xi. On peut donc considérer que (x1, x2,….xn)
constitue n réalisations de la variable aléatoire X ou une seule réalisation de (x1,
x2,….xn) où les Xi sont des variables aléatoires de même loi.
Prenons tous les échantillons possibles de taille n tirés d’une population

donnée. Pour chaque échantillon, on peut calculer une statistique (moyenne,
variance, etc...) qui variera avec l’échantillon. Pour tous les échantillons, on
obtient alors une distribution de la statistique que l’on nomme la distribution
d’échantillonnage. Pour la validité des résultats, il est important que les
échantillons soient représentatifs de la population concernée.
IV. Méthodes d’échantillonnage :
L’échantillonnage peut se faire avec ou sans remise et une population peut

être considérée comme finie ou infinie. Une population finie dans laquelle on
procède à un échantillonnage avec remise peut être théoriquement considérée
comme infinie.

Dans la pratique, il en va de même pour des populations finies mais de
grandes tailles. Pour chaque distribution d’échantillonnage, on peut calculer une
moyenne, un écart type, une variance…etc.
Les méthodes d’échantillonnage : un ensemble de techniques permettant

de réaliser un sondage au sein d’une population donnée, de façon à constituer un
échantillon représentatif. Ces méthodes se répartissent en deux formes, à savoir :
Schéma N° 01: Méthodes d’échantillonnage
Echantillonnage aléatoire simple

simple
Méthodes Echantillonnage systématique
probabilistes
Echantillonnage stratifié
Echantillonnage par grappes

Méthodes
d’échantillonnage Echantillonnage de convenance
Echantillonnage sur base volontaire
Méthodes non Echantillonnage au jugé

probabilistes
Echantillonnage boule de neige
Echantillonnage par quotas
Source : élaboré par l’enseignante
A. Méthodes probabilistes (Aléatoires) :
L’échantillonnage probabiliste repose sur un choix d’unités dans la

population fait au hasard, ce n’est pas l’enquêteur qui choisit les unités, c’est la
méthode utilisée pour la sélection qui le fait. Une des caractéristiques de cette

méthode est que chaque unité de la population a une probabilité mesurable
d’être choisie.
L’avantage de la méthode d’échantillonnage probabiliste est qu’elle

permet de généraliser les résultats de l’échantillon à l’ensemble de la population
en s’appuyant sur une théorie statistique reconnue. Son seul inconvénient est
qu’il faut posséder une liste de toutes les unités formant la population avant de
procéder à la sélection de l’échantillon. Voici les quatre types d’échantillonnage
probabiliste que l’on peut effectuer :
1) Echantillonnage aléatoire simple :
Un échantillon aléatoire simple est un échantillon sélectionné de manière

à ce que chaque échantillon possible de taille "n" ait la même probabilité d’être
sélectionné, On prélève dans la population, des individus au hasard, tous les
individus ont la même probabilité d’être prélevés 1/N, et ils le sont
indépendamment les uns des autres. Pour procéder au tirage au sort, il faut
disposer d’une base de sondage, dans laquelle tous les individus sont numérotés
de 0 à ….Ce type d’échantillonnage favorise la représentativité mais ne la
garantit pas, il est Simple mais peut être difficile d'utilisation et onéreux lorsqu'il
n'existe pas de liste et qu'il faut la construire.
2) Echantillonnage systématique :
Appelé également, échantillonnage par intervalles, l'échantillonnage

systématique signifie qu'il existe un écart, ou un intervalle, entre chaque unité
sélectionnée qui est incluse dans l'échantillon. Ce type d’échantillonnage repose
sur un seul choix aléatoire, celui de l'élément de départ. A partir de l’origine
choisie, les unités statistiques sont régulièrement espacées selon l’intervalle
d’échantillonnage k ( N/n ). Il s’agit d’une méthode très facile à appliquer, il
suffit de fixer le k, le reste se passe automatiquement néanmoins, le problème de
non représentativité se pose, notamment si le k n’est pas entier.

3) Echantillonnage aléatoire stratifié :
Supposons que la population soit stratifiée, constituée de sous-populations

appelées des strates, qui sont homogènes à l’intérieur mais hétérogènes entre
elles. (par ex : stratification par tranche d’âge). Dans chaque strate, on fait un
échantillonnage aléatoire simple, de taille proportionnelle à la taille de strate
dans la population (échantillon représentatif). Les individus de la population
n’ont pas tous la même probabilité d’être tirés. Une meilleure homogénéité des
strates permet d’augmenter la précision des estimations.
L'échantillonnage stratifié a l'avantage d'assurer une bonne représentation

des différentes strates de la population dans l’échantillon. Il permet aussi
d’obtenir des estimations pour chacune des strates de la population. Toutefois,
pour utiliser cette méthode il faut avoir des informations sur la répartition des
strates dans la population.
4) Echantillonnage aléatoire par grappe :

On tire au hasard des grappes ou familles d’individus, et on examine tous
les individus de la grappe (ex: on tire des immeubles puis on interroge tous les
habitants). La méthode est d’autant meilleure que les grappes se ressemblent et
que les individus d’une même grappe sont différents, contrairement aux strates.
Supposons par ailleurs, que la population est décomposée sous-groupes
appelés « grappes ». Les grappes ont le même profil, homogènes de l’extérieur
mais hétérogènes à l’intérieur. la variance d’une grappe à l’autre étant faible. Il
sélectionne par la suite un échantillon aléatoire de grappes et non pas un
échantillon aléatoire à l’intérieur de chaque grappe.
L'avantage de cette méthode par rapport aux précédentes est qu'elle est
utile lorsque les éléments sont naturellement groupés ou quand il n'est pas
possible d'obtenir la liste de tous les éléments de la population cible, seule la
liste des unités pour les grappes pigées est nécessaire. C’est une technique
économique en temps et en argent. Cependant, elle est moins exacte, elle produit
des estimations habituellement moins précises que l’échantillonnage aléatoire
simple parce que des unités appartenant à une même grappe ont tendance à
présenter des caractéristiques semblables. Cette perte de précision peut être
compensée par une augmentation de la taille de l’échantillon.
B. Méthodes non probabilistes (raisonnées ou empiriques) :
L'échantillonnage non probabiliste repose sur un choix arbitraire des

unités, c’est l’enquêteur qui choisit les unités et non le hasard. En ce sens, il
serait donc aventureux de généraliser les résultats obtenus pour l’échantillon à
toute la population. Néanmoins, ces méthodes sont souvent utilisées dans
certaines disciplines. En voici quelques-unes :
1) Echantillonnage par quotas : la population est décrite par quelques

caractéristiques descriptives (quotas) puis on construit un échantillon
ayant les mêmes caractéristiques. (par ex. âge, sexe, revenus,… etc.)
2) Echantillonnage de convenance (de commodité) : le choix des
individus est basé sur des critères pratiques. Cas où les unités
d’échantillonnage sont faciles à rejoindre, disponibles et généralement
facile à convaincre (dans la rue, à la sortie d’un magasin, sur un réseau
social…)
3) Echantillonnage selon le jugement : le chercheur juge que l’échantillon

va lui permettre d’atteindre les objectifs de la recherche (préjugé). Il s’agit
d’une méthode utilisée beaucoup plus dans les études préparatoires (tests),
ou le choix des sujets des expériences dans le cadre des laboratoires.

4) Echantillonnage boule de neige : appelé également par recommandation,
l’échantillon est construit progressivement sur proposition des individus
interrogés.
5) Echantillonnage sur une base volontaire : il fait appel à des répondants

volontaires. Seules les personnes qui expriment leur volonté de répondre,
peuvent participer et faire partie de l’échantillon.
V. Distribution d’échantillonnage :
La distribution d’échantillonnage est l’étude de la de probabilité de
l’échantillon en fonction de la distribution de la variable parente lorsque la taille
de l’échantillon augmente.
La précision de l’estimation d’un paramètre est définie comme une
mesure de l’écart entre l’estimation obtenue à partir de l’échantillon et la vraie
valeur du paramètre. Cet écart est attribuable à deux types d’erreur ; erreur
d’échantillonnage et erreur d’observation. Pour résoudre les problèmes
d’estimation de paramètres inconnus, il faut tout d’abord étudier les distributions
d’échantillonnage, c’est à dire la loi de probabilité suivie par l’estimateur.
Les valeurs observées dans un échantillon tendent à suivre une certaine

distribution bien déterminée et converge vers la valeur réelle du paramètre
correspondant dans la population-mère d'où on a tiré l'échantillon, avec un
risque d'erreur connu, c'est ce qu'on appelle distribution d'échantillonnage.
2
Il est possible d’extraire d’une population de paramètres p, m, σ pour une
variable aléatoire X, k échantillons aléatoires simples de même effectif, n. Sur
chaque échantillon de taille n, on calcule les statistiques suivantes (f, ,s2).
En pratique, les données étudiées sont relatives à un seul échantillon.

C’est pourquoi, il faut rechercher les propriétés des échantillons susceptibles

d’être prélevés de la population ou plus précisément les lois de probabilité de
variables aléatoires associées à un échantillon aléatoire.
La distribution d’échantillonnage peut fournir des informations

probabilistes sur l’écart entre la statistique calculée à partir de l’échantillon et la
valeur réelle du paramètre de la population.
Population
2
X (p, m, σ )
k échantillons aléatoires simples possibles de n individus
f1 x̄ 1s21 fi x̄ is2i fk x̄ ks2k
Echantillon 1 Echantilloni Echantillon k

(x1,x2,…xi,…xn) (x1,x2,…xi,…xn) (x1,x2,…xi,…xn)
X1
Ainsi les n observations x1 , x2 ,…, xi , ..., xn, faites sur un échantillon peuvent

être considérées comme n variables aléatoires X1 , X2 ,…, Xi , ..., Xn. En effet, la
x̄
valeur prise par le premier élément extrait de la population X1, dépend de
l’échantillon obtenu lors du tirage aléatoire. Cette valeur sera différente si l’on
considère un autre échantillon. Il en est de même pour les n valeurs extraites de
la population. Chaque valeur possédera ainsi une distribution d’échantillonnage
au même titre que la variable aléatoire X.

1) Distribution d’échantillonnage des moyennes :
Type du tirage Moyenne Variance

Tirage avec remise σ2
(non exhaustif)
n
Tirage sans remise
( )
2
σ N−n
(exhaustif) n N−1
Exercice d’application n°1 :

Soit une population statistique composée de 5 chiffres suivants :
2, 3, 6, 8, 11
On considère tous les échantillons de taille n = 2 sur cette population tirés

de façon indépendante.
 Calculer la moyenne et la variance de cette population ?
 Combien d’échantillons de taille n= 2 peut-on extraire avec remise de
cette population ?
 Calculer la moyenne et la variance des moyennes des échantillons
obtenus ?
 Refaites les mêmes questions si le tirage est sans remise ?
*Corrigé en cours
Exercice d’application N°2 :
Le montant moyen des ventes par magasin d’un produit donné s’élève à 3400
UM avec un écart type de 200 UM. On suppose qu’il y a un grand nombre de
magasins qui vendent ce produit, quel est l’écart type de la variable aléatoire

moyenne d’échantillons de taille n = 25 que l’on peut extraire de cette
population ?.
*Corrigé en cours
2) Distribution d’échantillonnage de la différence de deux moyennes :

On considère deux populations différentes P1, P2 de moyennes m1, m2 et de
variances σ21 , σ22. On s’intéresse à la différence (m1 - m2).
Moyenne Variance
Les résultats d’une enquête menée au sein d’une entreprise sont les suivants : un
salaire hebdomadaire moyen égal à 180 UM avec un écart type de 14 UM.
Les résultats d’une autre enquête réalisée au sein d’une autre entreprise sont les
suivants : un salaire hebdomadaire égal à 170 UM avec un écart type de 10 UM.
Si l’on teste 30 salariés de la 1ère entreprise et 40 salariés de la seconde, calculer

la moyenne et l’écart type de la différence des salaires hebdomadaires moyens
des 2 entreprises ?.
*Corrigé en cours
3) Distribution d’échantillonnage des fréquences :
La probabilité de la réalisation d’un évènement est supposée être égale à

p. On considère les échantillons de taille n extraits, avec remise, d’une
population de taille N. A chaque échantillon extrait correspond une fréquence
f𝑛de réalisation de l’évènement considéré.

Type du tirage Moyenne Variance
Tirage avec remise

Non exhaustif
Tirage sans remise

Exhaustif
3% des téléviseurs fabriqués par une usine présentent un défaut, quelle est la
probabilité que la proportion des téléviseurs défectueux soit comprise entre 2%
et 3,5% sur un échantillon de 300 téléviseurs ?.
*Corrigé en cours
4) Distribution d’échantillonnage des variances :
Chaque échantillon de taille n de la population à une variance 𝑆2=
Ces variances sont des valeurs observées d’une même variable aléatoire, donc :
Moyenne Variance

Enseignante : Mme BENADDA MEGHARI
Section : 01
Groupes : 01, 02, 03, 04 et 05
3ème Unité : Estimation
I. Introduction
II. Terminologie
III. Estimation et estimateur
Contenu IV. Types d’estimation
I. Introduction :
De manière générale, l’inférence statistique est l’étude des conclusions

que l’on peut tirer d’un échantillon issu d’une population, ainsi que leur degré de
précision. Pour que ces conclusions soient valables et fiables, il faut que
l’échantillon choisi soit représentatif de la population mère. Cela signifie qu’il

doit être prélevé d’une manière aléatoire, c’est-à-dire que tous les éléments de la
population ont la même probabilité d’être choisis.
La théorie de la distribution d’échantillonnage trouve, un terrain

d’application, les problèmes d’estimation. A partir des valeurs observées dans
un échantillon de taille n, on cherche à avoir une idée sur la valeur d’un
paramètre inconnu d’une population de taille N, c’est pourquoi la question de
précision se pose alors.
Le problème de l'estimation est de déduire des informations numériques

sur la population (paramètres) à partir des informations données par
l'échantillon (statistiques). Il est clair que lorsqu'on fait un sondage, on ne peut
aboutir à une connaissance parfaite des paramètres de la population.
II. Terminologie :
Terme Définition
Une estimation est une valeur particulière prise
Estimation par un estimateur.
Statistique définie à partir d’un échantillon

Estimateur (fonction des Xi de l’échantillon) qui permet
d’estimer un paramètre.
La valeur de l’estimateur calculée à partir de
Estimation ponctuelle l’échantillon
spécifique qui a été observé.
Au lieu d’estimer le paramètre par une seule
valeur, on préfèrera construire un intervalle de
Estimation par intervalle
valeurs pour celui-ci. On pourra ainsi fixer un
de confiance
niveau de confiance à notre estimation et
déterminer le degré de précision ou la marge
d’erreur qui lui est associée.
Intervalle qui permet de définir une marge
Intervalle de confiance d'erreur entre les résultats d'un sondage et un
relevé de la population.
Valeur ajoutée ou soustraite à l’estimation
Marge d’erreur ponctuelle pour construire l’intervalle de
confiance d’un paramètre de la population.
désigne un écart entre la valeur d’un paramètre et
Biais la valeur estimée de ce paramètre.
III. Estimation et estimateur :
1. Définitions :
 L’estimation est le procédé par lequel on détermine les valeurs inconnues

des paramètres de la population à partir des données de l’échantillon. Pour
cela, on utilise des distributions théoriques, c’est à dire des variables
aléatoires dont on connait les lois de probabilité.
 Un estimateur est une statistique permettant d'évaluer un paramètre inconnu

relatif à une loi de probabilité (comme son espérance ou sa variance). Il peut
par exemple servir à estimer certaines caractéristiques d'une population totale
à partir de données obtenues sur un échantillon.
Soient 𝑋1, X2,…, Xi...Xn, n réalisations indépendantes de la variable

aléatoire X. On a à estimer une caractéristique H dans la population et l’on
dispose d’un échantillon de valeurs x1, x2,…, xi,….xn.
H est un paramètre associé à la loi de probabilité suivie par X,
l’estimateur du paramètre H est une variable aléatoire, noté 𝜃 ; 𝜃 = 𝑓(x1, x2,…,
xi,….xn). Cet estimateur admet une espérance E (𝜃) et une variance V (𝜃).
2. Propriétés d’un estimateur :
Un estimateur doit posséder certaines qualités ou propriétés afin de

fournir une bonne estimation. Cet estimateur doit être sans biais, efficace et
convergent.

A. Estimateur sans biais :
On dit que 𝜃 est un estimateur sans biais de H si : E (𝜃)= H

Le biais est la différence moyenne entre la valeur de l’estimateur et celle
du paramètre est égale à 0. Par conséquent, le biais doit être égal à 0 pour avoir
un bon estimateur.
B (𝜃) = B (𝜃- H) = B (𝜃) – B(H) = B (𝜃) – H = 0
B. Estimateur convergent (robuste) :
L’estimateur 𝜃 doit tendre vers la valeur réelle du paramètre H lorsque le

nombre d’individus étudiés augmente. On dit que l’estimateur 𝜃 est convergent,
si la limite, lorsque n tend vers N, la variance de 𝜃 = 0
LimV (𝜃 ) = 0
n→ N
C. Variance d’un estimateur :

L’estimateur le plus efficace est celui qui a la variance la plus faible par
rapport aux variances des autres estimateurs sans biais.
V (𝜃) = E [ 𝜃- E(𝜃) ] 2
IV. Types d’estimations :
A. Estimation ponctuelle :
Cette technique consiste à estimer un paramètre H de la population à

l’aide d’un seul nombre déduit des résultats de l’échantillon, ce nombre est
appelé estimateur ponctuel. Les estimations ponctuelles ne fournissent aucune
information concernant la précision des estimations. En d’autres termes, elles ne

tiennent pas compte de l’erreur possible dans l’estimation, erreur attribuable aux
fluctuations d’échantillonnage.
La valeur de l’estimateur 𝜃 obtenue pour un échantillon précis de la

population mère est appelée estimation ponctuelle, au tour de cette valeur
estimée sera construit un intervalle de confiance.
1. Estimation ponctuelle de la moyenne m :
L’estimateur retenu pour estimer m est X .
Grandeurs Tirage non exhaustif Tirage exhaustif
Espérance E(X )=m E(X )=m
2
σ
( N−n
N−1 )
2
σ
Variance
X) = n V(X ) =
n
V(
2. Estimation ponctuelle de la variance σ2 :
S2 estimateur biaisé de σ2 car E (S2) = σ2

L’estimateur retenu pour estimer σ2est S`2 car E (S`2) = σ2
Il aurait fallu de corriger le S2 par S`2
n 2
S`2= n−1 . S

Tirage non exhaustif Tirage exhaustif
Espérance E(X )=m E(X )=m
( )
2
Variance S2 S N −n
V* ( X ) = n−1 V* ( X ) = n−1 N
Exercice d’application N° 01:

On reçoit 100 machines en panne dans un atelier de réparation, on en répare 10
au hasard, sachant que le temps moyen de réparation d’une machine est de 85
minutes avec un écart type de 15 minutes.
 A combien estime-t-on le temps moyen de réparation de 10 machines et de
100 machines ?
 Estimer la variance de la variable aléatoire moyenne d’échantillons de n=10 ?
*Corrigé en cours
3. Estimation ponctuelle de la proportion P :
Soit une population dans laquelle une proportion p des individus présente

une certaine propriété. Si X est le nombre d’individu présentant la propriété dans
un échantillon de taille n. pour n observations, nous avons : B (n,p) avec E(X)
= np et V(X) = npq.
Nous pouvons trouver k au lieu X pour définir le nombre d’unités

statistiques qui portent le caractère étudié.
L’estimateur retenu pour estimer P est f

Grandeurs Tirage non exhaustif Tirage exhaustif
Espérance
Variance
f (1−f )
V
*
(fn) = n−1 V*(fn) = n−1
( )
f (1−f ) N−n
N

Le directeur commercial d’une entreprise a effectué un sondage sur un
échantillon de 100 clients pris au hasard. Il a constaté que 12 clients règlent
leurs achats par chèque.
 Estimer la proportion clients qui règlent leurs achats par chèque et calculer sa
variance ?.
*Corrigé en cours
B. Estimation par intervalle de confiance :
Au lieu d’estimer un paramètre à l’aide d’une valeur ponctuelle, il arrive

fréquemment que l’on fasse l’estimation en construisant un intervalle de valeurs,
appelé intervalle de confiance. Il est défini de telle sorte que l’on puisse affirmer
avec un degré de confiance fixé que le paramètre visé se trouve à l’intérieur de
cet intervalle.
L’estimation par intervalle d’un paramètre inconnu H consiste à calculer à
partir d’un estimateur 𝜃 retenu, un intervalle dans lequel, on a un pourcentage de
chance d’y trouver la valeur correspondante au paramètre H. L’intervalle de
confiance est défini par deux limites auxquelles est associée une certaine
probabilité de contenir la vraie valeur du paramètre H.
P (LI < H < LS) = 1 - 

LI: Limite inférieure de l’intervalle de confiance.
LS: Limite supérieure de l’intervalle de confiance.
 : Risque d’erreur accepté.
1- : La probabilité associée à l’intervalle d’encadrer la vraie valeur du
paramètre, c’est le niveau de confiance. L’intervalle est d’autant plus grand que
la précision est faible.
1. Estimation de la moyenne par intervalle de confiance :
X → N (m,)
X → N (m,  ) X
p (- t/2< T < t/2) = 1 - 
Supposant que le tirage est non exhaustif avec remise, en effet :

X −m
| | X − m
σ σ
P( √n < t ) = 1 -  P ( - t < √n < t ) = 1 - 
Par la suite, on pourra dégager un intervalle de confiance pour estimer la

moyenne m de sorte que :
p ( X - t/2 < m < X + t/2 ) = 1 - 

X X
D’où m [ X - t X , X + t X ]
La valeur est calculée/estimée en fonction du type de tirage effectué.

X
Nous distinguons trois cas de figure possibles, à savoir :

 Dès que la taille de l’échantillon n dépasse 30, X suit la loi normale de
moyenne m et d’écart type , la variable t suivra une loi normale N(0,1).
X

 n<30,  inconnu estimé, X→ N (m,) alors X suit une loi normale N (m,
 ), la variable t suivra la loi Student Fisher à (n-1) degré de liberté.
X
 n<30,  inconnu estimé, X suit une loi quelconque alors X suit une loi
normale N (m,  ), la variable t est calculée par l’égalité de BT.
X
Un attaché de recherche commerciale a recueilli des données concernant 100

parmi 400 clients qui se sont rendus à son magasin.
Les 100 clients sélectionnés ont dépensé en moyenne 24,57 UM avec un écart
type de 6,60 UM.
 Calculer l’écart type de la variable aléatoire moyenne d’échantillons de
n=100 ?
 Etablir un intervalle de confiance au seuil de 95% pour estimer le montant
moyen des achats ?
*Corrigé en cours
2. Estimation de m1-m2 par intervalle de confiance :
Il arrive que l’on ait besoin d’estimer non pas la moyenne d’une variable
X mais la différence de deux moyennes de la variable X dans deux populations
différentes. L’estimateur retenu pour estimer la différence de deux moyennes
m1-m2 est : X 1- X 2
P (( X 1- X 2) - t/2 X 1- X 2<m1-m2< ( X 1- X 2) + t/2 X 1- X 2 ) = 1 - 

Nous distinguons trois cas de figure possibles pour le t, à savoir :
 Dès que la taille de deux échantillons n dépasse 30 (n1 > 30 , n2> 30), la

variable t suivra une loi normale N(0,1).
 n1<30 , n2<30, 1et 2 inconnus estimés , X → N (m,), la variable t

suivra une loi Student Fisher à (n1+ n2 – 2) degré de liberté ddl.

 n1<30 , n2<30, 1et 2 inconnus estimés, X suit une loi quelconque, le t est
calculé par l’égalité de BT.
Sur un échantillon de 10 lampes d’une marque donnée, on a observé une durée

de vie moyenne de 4600 heures avec un écart type de 200 heures.
Sur un échantillon de 08 lampes d’une autre marque, on a observé une durée de
vie moyenne de 4000 heures avec un écart type de 250 heures.
 Etablir un intervalle de confiance au seuil de 90% pour estimer la différence

des durées de vie moyennes des lampes ?
*Corrigé en cours
3. Estimation de la proportion par intervalle de confiance :
On cherche à construire un intervalle de confiance pour une proportion

d’individus possédant un caractère statistique dans une population donnée.
f − p
f → N( p , f ) d'où √ pq
n → N ( 0 , 1) (si le tirage est avec remise )
f −p
√ ( )
pq N −n
n N −1 → N ( 0 , 1) (si le tirage est sans remise)
f - t/2f< p <f + t/2ff) = 1 - 
P(
P (f-t
 √ pq
√
pq
n < p <f+ t n ) = 1 - (si le tirage est avec remise)
Si le paramètre p est inconnu, on doit l’estimer, on aura alors :
P ( f- t/2 √ f (1−f )
n < p <f+ t/2 √
f (1−f )
n ) = 1-

d’où : p  [f- t/2 √ f (1−f )
n , f+ t/2√f (1−f )
n ]
 Dès que la taille de l’échantillon n dépasse 30, la variable t suivra une loi
normale N(0,1).
 n<30,  inconnu estimé, X → N (m,) alors, la variable t suivra une loi

Student Fisher à n-1 degré de liberté.
 n<30,  inconnu estimé, X suit une loi quelconque, la variable t est

calculée par l’égalité de BT.
Le directeur commercial d’une entreprise a effectué un sondage sur un

échantillon de 100 clients pris au hasard. Il a constaté que 12 clients règlent
leurs achats par chèque.
 Estimer la proportion clients qui règlent leurs achats par chèque et calculer sa
variance ?
 Etablir un intervalle de confiance au seuil de 95% pour estimer la proportion
des clients qui règlent leurs achats par chèque ?
*Corrigé en cours
4. Estimation de P1-P2 par intervalle de confiance :
Il arrive souvent qu’il faille estimer non pas une proportion d’une
population donnée mais la différence de deux proportions, de deux populations
différentes. L’estimateur retenu pour estimer la différence de deux moyennesP1-
P2est :f1-f2
P( (f1-f2) - t/2f1-f2<P1-P2 < (f1-f2) + t/2f1-f2) = 1 - 
Nous distinguons trois cas de figure possibles, à savoir :

 Dès que la taille de deux échantillons dépasse 30 (n1 > 30, n2> 30), la
variable t suivra une loi normale N(0,1).
 n1<30 , n2<30, 1et 2inconnus estimés , X → N (m,), la variable t

suivra une loi Student Fisher à (n1+ n2 – 2) degré de liberté.
 n1<30, n2<30, 1et 2 inconnus estimés, X suit une loi quelconque, le t est
calculé par l’égalité de BT.
Dans une ville A, on a observé que 40 parmi 100 hommes préfèrent une marque
donnée de cigarette.
Dans une ville B, on a constaté que 60 parmi 200 hommes préfèrent la même
marque.
 Etablir un intervalle de confiance au seuil de 90% pour estimer la différence
des proportions d’hommes qui préfèrent la marque étudiée ? .
*Corrigé en cours

Support Module Stat de Gestion

Transféré par

Droits d'auteur :

Formats disponibles

Support Module Stat de Gestion

Transféré par

Informations du document

Description originale:

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

Support Module Stat de Gestion

Transféré par

Droits d'auteur :

Formats disponibles

ECOLE DES HAUTES ETUDES COMMERCIALES

Module : Statistique de Gestion

Mme BEN ADDA MEGHARI R Statistique de Gestion 1

Intitulé du module : Statistique De Gestion

Volume horaire semestriel : 24 H

Volume horaire hebdomadaire : 03 H

Ce module s’adresse tout particulièrement aux étudiants de différentes

L’idée qui prévaut dans la structuration de ce module est qu’il soit

De nombreux exemples d’illustration concrète sont retenus afin de fournir

Mme BEN ADDA MEGHARI R Statistique de Gestion 2

Le programme du module est divisé en quatre principales unités, à savoir :

 1ère Unité : Introduction à la Statistique de gestion.

Ce module a pour vocation pédagogique, vise d’une part à compléter les

A l’issue du module, et après avoir assimilé les notions de base de la

Mme BEN ADDA MEGHARI R Statistique de Gestion 3

 Une séance de 1h30 Cours et une séance de 1h30 TD par semaine.

7. Matériel et documents nécessaires :

Mme BEN ADDA MEGHARI R Statistique de Gestion 4

 Anderson, Statistique pour l’économie et la gestion, édition De Boeck, Bruxelles,

 Bernard Velerlant, Geneviève Saint-Pierre, Statistiques et probabilités (manuel de

 BRIGITTE TRIBOUT, Statistique pour économistes et gestionnaires, édition

 Khaled KHALDI, Méthodes statistiques et probabilités, édition Casbah, Alger,

 Khaled KHALDI, Méthodes statistiques (rappels de cours et exercices corrigés),

 MURRAY R.SPIEGEL, Théorie et application de la statistique, édition McGraw

 VINCENT GIARD, Statistique appliquée à la gestion, édition Economica, Paris,

Mme BEN ADDA MEGHARI R Statistique de Gestion 5

Module : Statistique de Gestion

1ère Unité : INTRODUCTION A LA STATISTIQUE

I. Différence entre la statistique et les

Pour avoir une idée de la place et de l’importance que revêt la statistique

Si le terme « la statistique » est né récemment, la statistique en tant que la

I. Différence entre « LA statistique » et « LES statistiques » :

En effet, la statistique est une discipline hautement dépendante des

La statistique Les statistiques

La statistique est un domaine des mathématiques qui possède une

Mme BEN ADDA MEGHARI R Statistique de Gestion 7

En effet, le traitement et l'interprétation des données ne peuvent se faire

Par ailleurs, les méthodes statistiques se répartissent en deux classes :

 La statistique descriptive, statistique exploratoire ou analyse des

II. Champs d’application de la statistique :

Dans l’environnement économique et commercial actuel, tout le monde a

Mme BEN ADDA MEGHARI R Statistique de Gestion 8

1. La comptabilité : les experts comptables utilisent des procédures

2. La finance : les analystes financiers utilisent des informations statistiques

4. La gestion de la production : l’importance accordée de nos jours à la qualité

5. L’économie : les économistes fournissent des prévisions à propos de certains

Mme BEN ADDA MEGHARI R Statistique de Gestion 9

- Le déroulement des phénomènes observés n’est pas prévisible à l’avance

Il y a donc l’intervention du hasard, la statistique a pour objectif de maitriser

III. Inférence statistique :

De nombreuses situations requièrent des données relatives à un vaste

Le processus de conduite d’une enquête pour collecter des données

Le processus de conduite d’une enquête pour collecter des données

Mme BEN ADDA MEGHARI R Statistique de Gestion 10

 Données en coupe transversale / séries temporelles : pour les besoins

Mme BEN ADDA MEGHARI R Statistique de Gestion 11

Données primaires versus secondaires

Ce sont deux éléments du traitement de l’information ; l’informatique