StatL3S6

Statistique appliquée à la psychologie L3

Christian Lavergne

Université Paul Valéry - Montpellier 3

http://moodle-miap.univ-montp3.fr
http://www.univ-montp3.fr/miap/ens

Année universitaire 2013-2014

(UPV) StatL3S6 2013/2014 1 / 75

 StatL3S6 Chapitre 1

Lois limites de la Statistique et Estimation :

1 Loi des grands nombres et estimation ponctuelle
2 Théorème central limite et estimation par intervalle

(UPV) StatL3S6 2013/2014 2 / 75

 Loi des grands nombres et estimation ponctuelle

Soient X1 , X2 , . . . , Xn n variables aléatoires indépendantes associées aux

répétitions d’une même expérience aléatoire X telle que E (X ) = µ) alors :

La moyenne des observations est aussi proche que possible

de la vraie valeur µ
à condition que n soit grand

n
1 X n grand
X = Xi → µ
n
i=1

(UPV) StatL3S6 2013/2014 3 / 75

Exemple 1 : Un jeu de la Française des jeux.

Exemple 2 : 2 personnes A et B jouent au dé (à 6 faces) et on propose

les gains suivants :
Si "le résultat est la face 6", B paie 600 euros à A
sinon A paie 100 euros à B.
À chaque coup, quelle est l’espérance de gain de A ?
P(A gagne 600) = 16 et P(A perd 100) = 56
donc A a pour espérance de gain :
1 5 100
600 × − 100 × = = 16.67 euros
6 6 6
À chaque coup, A gagne 600 ou perd 100, et son espérance de gain est de
16.67.
Donc si A joue un très grand nombre de fois, A est sûr de gagner.

(UPV) StatL3S6 2013/2014 4 / 75

La loi des grands nombres : jeu du dé

(UPV) StatL3S6 2013/2014 5 / 75

La loi des grands nombres : jeu du dé

(UPV) StatL3S6 2013/2014 6 / 75

 n
1X
Propriété de la moyenne X = Xi
n
i=1
de n répétitions indépendantes X1 , X2 , . . . , Xn d’une même expérience
aléatoire X telle que E (X ) = µ et V (X ) = σ 2 :
• son espérance mathématique

E (X ) = µ

• sa variance
σ2
V (X ) =
n
• son écart-type
σ
σ(X ) = √
n
La dispersion de la moyenne se réduit quand n grandit : c’est la loi des
grands nombres

(UPV) StatL3S6 2013/2014 7 / 75

Estimation ponctuelle
n
1X 1
La moyenne X = Xi est donc un bon prétendant pour approcher le
n
i=1
paramètre inconnu µ.

• La variable aléatoire X sera appelée l’Estimateur du paramètre µ.

notation : µ̂ = X
• Au vu d’observations, la valeur prise par X et notée x sera appelée une
estimation du paramètre µ (notée aussi µ̂).
• En pratique il y a UN (voir deux ou trois) Estimateur naturel du
paramètre inconnu ; mais il y a toujours une infinité d’estimations possible
de ce paramètre.

1. X1 , X2 , . . . , Xn sont n répétitions indépendantes d’une même expérience aléatoire X

telle que E (X ) = µ et V (X ) = σ 2
(UPV) StatL3S6 2013/2014 8 / 75
Forme générale et propriétés
Soient X1 , X2 , . . . , Xn n répétitions d’une expérience aléatoire et Tn une
combinaison (ou fonction) de ces répétitions.
Tn sera un bon prétendant pour approcher un paramètre inconnu θ ; donc
un Estimateur raisonnable de θ ; (Tn sera un θ̂) si :
L’espérance mathématique de l’estimateur est aussi proche que
possible du paramètre inconnu θ, idéalement on souhaite que

E (Tn ) = θ

et on dira que Tn est un estimateur sans biais de θ ;

n grand
mais on peut se contenter de E (Tn ) → θ
La variance de l’estimateur diminue avec le nombre de répétitions :
n grand
V (Tn ) → 0

(UPV) StatL3S6 2013/2014 9 / 75

Exemple : dans la cas de n répétitions indépendantes X1 , X2 , . . . , Xn
d’une même expérience aléatoire X telle que E (X ) = µ et V (X ) = σ 2 .
Si µ est inconnu ; la moyenne
n
1X
X = Xi est un estimateur sans biais de µ ; µ̂.
n
i=1
Si µ est connu et σ 2 inconnu ; la moyenne des dispersions
n
1X
(Xi − µ)2 est un estimateur sans biais de σ 2 ; noté σ̂µ2 .
n
i=1
Si µ est inconnu et σ 2 inconnu ; la variance empirique
n
1X
(Xi − X )2 est un estimateur biaisé de σ 2 ; noté σ̂ 2 .
n
i=1
Si µ est inconnu et σ 2 inconnu ;
n
1 X
(Xi − X )2 est un estimateur sans biais de σ 2 ; noté σ̂SB
2 .
n−1
i=1

(UPV) StatL3S6 2013/2014 10 / 75

Exercice 1 : On suppose avoir observé n variables aléatoires Y1 , Y2 , ...Yn
et on propose 3 estimateurs d’un paramètre θ : T1 , T2 , T3 ayant les
propriétés suivants ( λ est un autre paramètre inconnu) :

E (T1 ) = θ + λ et V (T1 ) = (θ ∗ λ)/n

E (T2 ) = θ + λ/n et V (T2 ) = (θ ∗ λ)/n

E (T3 ) = θ et V (T3 ) = λ
Donner les propriétés :
de biais ( "estimateur sans biais" ; "son biais diminue quand n, le
nombre d’observations grandit")
et de variance ("sa variance diminue quand n, le nombre
d’observations grandit")
Lequel des 3 est il raisonnable de garder ?

(UPV) StatL3S6 2013/2014 11 / 75

La loi de bernoulli et le sondage
Soit X une expérience aléatoire à 2 états (codés 1/0) : X ∼ Ber(p)

P(X = 1) = p ; P(X = 0) = 1 − p

• son espérance mathématique E (X ) = p p

• sa variance V (X ) = p(1 − p) et son écart-type p(1 − p)

La moyenne de loi de Bernoulli (de n répétitions indépendantes) :

n
1X
X = Xi
n
i=1
• son espérance mathématique est : E (X ) = p . r
p(1 − p) p(1 − p)
• sa variance V (X ) = et son écart-type σ(X ) =
n n

(UPV) StatL3S6 2013/2014 12 / 75

La loi des grands nombres pour la loi de Bernoulli
Soient X1 , X2 , . . . , Xn n répétitions indépendantes d’une même expérience
aléatoire de Bernoulli
(P(X = 1) = p)) alors :
La proportion de 1 est aussi proche que possible de p
à condition que n soit grand

n
1 X n grand
X = Xi → p
n
i=1

(UPV) StatL3S6 2013/2014 13 / 75

Estimation ponctuelle
Soient X1 , X2 , . . . , Xn n répétitions indépendantes d’une même expérience
aléatoire de Bernoulli
(P(X = 1) = p) , p paramètre inconnu) alors :
• La variable aléatoire X (ici la proportion ou la fréquence de 1) sera donc
un Estimateur sans biais du paramètre p ; p̂ = X .
• Après avoir effectué le sondage, la valeur prise par X et notée x sera
donc une estimation du paramètre p.
• En pratique on a toujours le même Estimateur du paramètre inconnu p ;
mais chaque sondage pratiqué amène une estimation différente de ce
paramètre.

(UPV) StatL3S6 2013/2014 14 / 75

 Théorème central limite et estimation par intervalle

Variable centrée, réduite : définition

• variable centrée : X − E (X )
X −E (X )
• variable centrée, réduite : σ(X )
Une variable centrée réduite a pour espérance 0 et écart-type 1
Pour la moyenne de n répétitions indépendantes d’une même expérience
aléatoire d’espérance µ et de variance σ 2 alors
X −µ
r est une variable centrée réduite
σ2
n
Pour la moyenne de répétitions de même loi de Bernoulli
indépendantes :
r X −p est une variable centrée réduite
p(1 − p)
n

(UPV) StatL3S6 2013/2014 15 / 75

Théorème central limite
Soient X1 , X2 , . . . , Xn n répétitions indépendantes d’une même expérience
aléatoire alors :

La moyenne se comporte comme une loi normale

à condition que n soit grand
donc centrée et réduite se comporte comme une N (0,1)

X −µ n grand
r → N (0, 1)
σ2
n

(UPV) StatL3S6 2013/2014 16 / 75

Le sondage
Soient X1 , X2 , . . . , Xn n répétitions indépendantes d’une même expérience
aléatoire de Bernoulli
(P(X = 1) = p)) alors :

La proportion de 1 se comporte comme une loi normale

à condition que n soit grand
donc centrée et réduite se comporte comme une N (0,1)

X −p n grand
r → N (0, 1)
p(1 − p)
n

(UPV) StatL3S6 2013/2014 17 / 75

Notion élémentaire d’intervalle de dispersion
On cherche à construire un intervalle de grande probabilité de la réalisation
d’une expérience aléatoire dont la loi de probabilité est connue.
Pour cela on se fixe une faible probabilité α, (en pratique α vaut 1%, 5%
parfois 10%, 0.1% et on construit un

Intervalle de dispersion de probabilité 1-α

(l’expérience aléatoire a une probabilité 1-α de se réaliser dans l’intervalle.

Exemple 1 : si on jette 500 fois une même pièce, on cherche l’intervalle

de dispersion à 95% du nombre de faces.

P(Nfaces ∈ [B1 , B2 ]) = 95%

Est ce [220 , 280] ? ou alors [240 , 260], ou alors [180 , 320] ?

Exemple 2 : Courbes dans les carnets de santé !

(UPV) StatL3S6 2013/2014 18 / 75

Intervalle de dispersion de la loi normale
Soit Z une variable aléatoire de loi normale N(0,1) alors :

P(−1.96 < Z < 1.96) = .95 P(−2.576 < Z < 2.576) = .99
Donc [−1.96 ; 1.96] (resp. [−2.576 ; 2.576]) est un intervalle de dispersion
de Z à 95% (resp. 99% )

De façon générale on notera ID1−α (Z ) = [−` α2 ; ` α2 ] l’intervalle de

dispersion de probabilité 1 − α d’une v.a. Z de loi normale N (0,1)

P(−` α2 < Z < ` α2 ) = 1 − α

(UPV) StatL3S6 2013/2014 19 / 75

Intervalle de dispersion d’une somme de Bernoulli, notée Sn
Soient X1 , X2 , . . . , Xn n réalisations indépendantes d’une même expérience
aléatoire de Bernoulli (P(X = 1) = p0 ), p0 connu) alors grâce au TCL :
n
X
Xi − np0
Sn − np0 n grand
pi=1 =p → N (0, 1)
np0 (1 − p0 ) np0 (1 − p0 )

Et comme pour Z , v.a. N(0,1) on sait que P(−` α2 < Z < ` α2 ) = 1 − α ; on

a

Sn − np0
P(−` α2 < p < ` α2 ) ≈ 1 − α
np0 (1 − p0 )
 p p 
Et, P np0 − ` α2 np0 (1 − p0 ) < Sn < np0 + ` α2 np0 (1 − p0 ) ≈ 1 − α

(UPV) StatL3S6 2013/2014 20 / 75

 n
X
Un I.D. de Xi de probabilité approximative (1 − α) est donc
i=1

Xn h p p i
ID1−α ( Xi ) = np0 − ` α2 np0 (1 − p0 ) , np0 + ` α2 np0 (1 − p0 )
i=1

Exemple : Sur 500 naissances, le nombre de garçons sera compris à 95%

entre :
" r r #
1 1 1 1 1 1
500 × − 1.96 500 × × (1 − ) , 500 × + 1.96 500 × ×
2 2 2 2 2 2

= [250 − 21.91 , 250 + 21.91] ≈ [228 , 272]

L’intervalle à 99% serait : [221 , 279].

(UPV) StatL3S6 2013/2014 21 / 75

Intervalle de dispersion d’une moyenne ; d’une somme de v.a.
Soient X1 , X2 , . . . , Xn n réalisations indépendantes d’une même expérience
aléatoire d’espérance µ0 connue, de variance σ02 connue alors (TCL) :
X − µ0 n grand Sn − nµ0 n grand
q → N (0, 1) q → N (0, 1)
σ02
n
nσ02

X − µ0 n −nµ0
P(−` α2 < q 2 < ` α2 ) ≈ 1 − α P(−l α2 < Sq < ` α2 ) ≈ 1 − α
σ0 2
nσ0
rn r !
σ02 σ02
P µ0 − ` 2
α < X < µ0 + ` α2 ≈1−α
n n
 q q 
σ02 σ02
ID1−α (X ) = µ0 − ` α2 n , µ0 + ` 2
α
n
 q q 
2 2
P nµ0 − ` 2 nσ0 < Sn < nµ0 + ` 2 nσ0 ≈ 1 − α
α α

n
X  q q 
ID1−α ( 2 2
Xi ) = nµ0 − ` α2 nσ0 , nµ0 + ` α2 nσ0
i=1

(UPV) StatL3S6 2013/2014 22 / 75

Exercice 2 : Donner l’intervalle de dispersion pour la fréquence
d’observations de Bernoulli de paramètre p0 connue.

Exercice 3 : Une chaîne de supermarché décide de supprimer dans ses

prix toutes références aux centimes d’euros par l’arrondi suivant :
{0, 00; 0, 01; 0, 02} donne 0,00 ; {0, 08; 0, 09} donne 0,10 ;
{0, 03; 0, 04; 0, 05; 0, 06; 0, 07} donne 0,05
À quoi peut-elle s’attendre après la vente de 20 000 produits ?
Soit A la v.a. résultat pour le supermarché de l’arrondi, A prend pour
valeur -2, -1, 0, 1, 2 en centime d’euros.
1 La loi de A est uniforme. Pourquoi ?
2 Quelle est son espérance, sa variance, son écart type (en euros)
3 Même question pour le résultat après la vente de 20 000 produits.
4 Donner alors l’ID pour le résultat de l’arrondi après la vente de 20 000
produits.

(UPV) StatL3S6 2013/2014 23 / 75

Notion élémentaire d’intervalle de confiance

On cherche à construire un intervalle de grande probabilité d’une grandeur

particulière inconnue (en général le paramètre d’intérêt d’une loi de
probabilité) .
Pour cela, on se fixe une faible probabilité α, appelée "risque" (en pratique
α vaut 1%, 5% parfois 10%, 0.1%) et on construit

L’intervalle de confiance à 1-α

que l’on notera : IC1−α (paramètre) représentera un intervalle (dont les
bornes seront aléatoires) qui aura une probabilité 1 − α de contenir le
paramètre inconnu recherché.

(UPV) StatL3S6 2013/2014 24 / 75

Exemple 1 : à la veille d’une élection, on réalise un sondage pour
connaître le plus précisément possible le paramètre associé au score d’un
candidat.

P(score ∈ [B1 , B2 ]) = 95%

Exemple 2 : on mesure les performances de n individus (n = 200) afin

de proposer un intervalle pour l’ensemble de la population.

P(performance ∈ [B1 , B2 ]) = 99%

les bornes B1 , B2 de l’intervalle sont des v.a. et seront calculées en pratique

à l’aide des observations.

(UPV) StatL3S6 2013/2014 25 / 75

 Intervalle de confiance du paramètre p
d’une loi de Bernoulli
Soient X1 , X2 , . . . , Xn n répétitions indépendantes d’une même expérience
aléatoire X de Bernoulli (X ∼ Ber(p) ) alors on sait que :

X −p n grand
r → N (0, 1)
p(1 − p)
n
Et comme pour Z v.a. N(0,1) on sait que P(−` α2 < Z < ` α2 ) = 1 − α ; on a

X −p
P(−` α2 < r < ` α2 ) ≈ 1 − α
p(1 − p)
n
 q q 
p(1−p) p(1−p)
Et, P X − ` α2 n < p < X + ` α2 n ≈1−α

(UPV) StatL3S6 2013/2014 26 / 75

  s s 
X (1 − X ) X (1 − X ) 
P X − ` α2 < p < X + ` α2 ≈1−α
n n

D’où  s s 
X (1 − X ) X (1 − X ) 
IC 1−α (p) = X − ` α2 , X + ` α2
n n

est donc un intervalle de confiance de p de probabilité approximativement

(1 − α)
Exemple :

q n = 1000
x(1−x)
x n IC à 95% IC à 99%
.2 .01265 [0.1752 , 0,2248] [0.1674 , 0.2326]
.5 .01581 [0.4690 , 0.5310] [0.4593 , 0.5407]
.9 .00949 [0.8814 , 0.9186] [0.8756 , 0.9244]

(UPV) StatL3S6 2013/2014 27 / 75

 Intervalle de confiance du paramètre µ
d’une loi gaussienne N (µ, σ 2 )
Avec X1 , X2 , . . . , Xn n répétitions indépendantes d’une même expérience
aléatoire de loi gaussienne N (µ, σ 2 ), on sait que :

X −µ
r ∼ N (0, 1)
σ2
n
Et comme pour Z v.a. N(0,1) on sait que P(−` α2 < Z < ` α2 ) = 1 − α ; on a

X −µ
P(−` α2 < r < ` α2 ) = 1 − α
σ2
n
 q q 
2 2
Et P X − ` α2 σn < µ < X + ` α2 σn =1−α

(UPV) StatL3S6 2013/2014 28 / 75

 " r r #
σ2 σ2
IC1−α (µ) = X − ` α2 , X + ` α2
n n

est donc un intervalle de confiance de µ de probabilité (1 − α) lorsque σ 2

est connu.

Dans le cas où σ est inconnu, on remplacera σ 2 par un estimateur : σ̂ 2 la

n
1X
variance empirique des observations (xi − x)2 .
n
i=1
" r r #
σ̂ 2 σ̂ 2
IC1−α (µ) = X − ` α2 , X + ` α2
n n

Ce qui nécessite un grand nombre d’observations n.

(UPV) StatL3S6 2013/2014 29 / 75

Exercice 4 :
On envisage de construire un intervalle de confiance de probabilité 94%
a) Quelle est la valeur du `α/2 correspondant : `α/2 =

b) Si X1 , X2 , ...Xn sont n variables aléatoires indépendantes d’une même loi

Exponentielle E(λ), λ étant un paramètre inconnu.
Rappeler : si X ∼ E(λ), E(X ) = et Var(X ) =
ainsi que E(X̄ ) = et Var(X̄ ) =
Donner l’expression d’un intervalle de confiance du paramètre λ qui tienne
compte de la loi des X .

c) Si X1 , X2 , ...Xn sont n variables aléatoires indépendantes d’une même loi

de Poisson de paramètre inconnu λ.
Donner l’expression d’un intervalle de confiance du paramètre λ qui tienne
compte de la loi des X .

(UPV) StatL3S6 2013/2014 30 / 75

 StatL3S6 Chapitre 2

Le test statistique :
1 Introduction et Vocabulaire
2 Un test dans le cas continu
3 Un test dans le cas du sondage

(UPV) StatL3S6 2013/2014 30 / 75

Notion élémentaire du test statistique
Terminologie de base : on cherche à construire un test d’une hypothèse H0
(appelée hypothèse nulle) contre une hypothèse H1 (appelée hypothèse
alternative) dans le but de rejeter l’hypothèse H0 .

Construire le test de H0 contre H1

C’est adopter une règle de décision qui amène :
à rejeter H0 ou ne pas rejeter H0 .

Exemple 1 : avant son entrée en campagne, la popularité d’un candidat

était stabilisée à 40%. Un récent sondage lui donne une popularité de 43%.
Est-ce que la popularité du candidat a effectivement augmenté ou est-ce dû
à une fluctuation du sondage ?
On construira le test de
• l’hypothèse H0 "status quo" contre
• l’hypothèse alternative H1 "augmentation de la popularité".

(UPV) StatL3S6 2013/2014 31 / 75

Exemple 2 : un fabriquant de composant assure la qualité de son produit
par la phrase suivante "la fiabilité de ma production est supérieure ou égale
à 99%”. Lors d’un contrôle, on relève 1,09% de pièces défectueuses sur un
échantillon de 1000 pièces. Doit-on supprimer l’accréditation au
fabriquant ?
On construira le test de :
• l’hypothèse H0 "le taux de pièces défectueuses est de 1%" contre
• l’hypothèse alternative H1 "le taux de pièces défectueuses est > 1%".

Exemple 3 : on connaît les résultats d’un test (éducatif, psychologique,

...) sur l’ensemble de la population. On fait alors pratiquer ce test sur un
groupe particulier et on observe sur ce groupe une augmentation des
résultats. Est-ce que ce groupe a effectivement de meilleurs résultats ou
est-ce dû à une fluctuation d’échantillonnage ?
On construira le test de :
• l’hypothèse H0 "le résultat au test est identique à celui de la population
générale"
• l’hypothèse alternative H1 "le résultat au test est supérieur".

(UPV) StatL3S6 2013/2014 32 / 75

Erreurs du test statistique
• On peut se tromper en déclarant H1 vraie alors que H0 est vraie : c’est
l’erreur de 1re espèce.
• On peut se tromper en déclarant H0 vraie alors que H1 est vraie : c’est
l’erreur de 2e espèce.

Choix de H0 Choix de H1
H0 vraie Décision juste Erreur de
1re espèce
H1 vraie Erreur de Décision juste
2e espèce

En pratique, l’erreur de 1re espèce ou niveau, notée α est fixée par

l’utilisateur
et on construit donc

un test de H0 contre H1 de niveau α

(UPV) StatL3S6 2013/2014 33 / 75
Dans les exemples précédents l’erreur de 1re espèce correspond à :

Exemple 1 : P(de croire à une "augmentation de la popularité" alors

qu’il n’en est rien)

Exemple 2 : P(supprimer l’accréditation au fabriquant alors que le taux

de pièces défectueuses est conforme)

Exemple 3 : P(penser à une amélioration dû au groupe alors qu’il n’en

est rien)

(UPV) StatL3S6 2013/2014 34 / 75

Test du paramètre d’espérance d’une loi gaussienne N (µ, σ 2 )
de l’hypothèse H0 “µ = µ0 " contre H1 “µ > µ0 "

Exemple 3 : on connaît les résultats d’un test (éducatif, psychologique,

...) sur l’ensemble de la population. On fait alors pratiquer ce test sur un
groupe particulier et on observe sur ce groupe une augmentation des
résultats. Est-ce que ce groupe a effectivement de meilleurs résultats ou est
ce dû à une fluctuation du sondage ?
On construira le test de :
• l’hypothèse H0 "le résultat au test est identique à celui de la population
générale"
• l’hypothèse alternative H1 "le résultat au test est supérieur".

(UPV) StatL3S6 2013/2014 35 / 75

Exemple 3 : Les résultats d’un test (éducatif, psychologique, ...) sur
l’ensemble de la population sont supposés N (µ0 = 100, σ 2 ) . On fait alors
pratiquer ce test sur un groupe particulier de 80 individus et on observe sur
ce groupe une augmentation moyenne des résultats : sur ces 80 individus,
la moyenne au test est de 110. Les résultats du groupe sont toujours
supposés gaussiens N (µgroupe , σ 2 ) ; avec la même variance σ 2 .
Y-a-t-il une augmentation significative entre les résultats du groupe et la
population totale ?

On construira le test de :
• l’hypothèse H0 : µgroupe = 100
• l’hypothèse alternative H1 : µgroupe > 100.

(UPV) StatL3S6 2013/2014 36 / 75

Test de l’hypothèse H0 “µ = µ0 " contre H1 “µ > µ0 "

Si les n observations sont gaussiennes N (µ, σ 2 ) alors :

2
leur moyenne X est gaussienne N (µ, σn )
et on rejettera l’hypothèse H0 si X est grand par rapport à µ0 .

On se place alors sous H0 vraie (“µ = µ0 ") alors :

X − µ0
r ∼ N (0, 1)
σ2
n
Donc, r !
σ2
P X < µ0 + `α =1−α
n

(UPV) StatL3S6 2013/2014 37 / 75

Donc le test de H0 “µ = µ0 " contre H1 “µ > µ0 ", d’erreur de première
espèce (ou niveau) α : Rejet de H0 si

σ
x > µ0 + `α √
n

C’est un test unilatéral.

Mais le fait de connaître la moyenne x ne permet aucune conclusion, la
connaissance de la valeur de σ est fondamentale.

Exemple 3 : µ0 = 100 ; n = 80 ; pour α = 5% ; `α = 1.65

Rejet de H0 si X > 100 + .184 × σ.
Donc si σ = 40, on rejettera si x > 107.38 et si σ = 80, on rejettera si
x > 114.76.
Dans l’énoncé, il est donné que x groupe = 110, on peut donc pas encore
conclure puisque le paramètre σ n’est pas donné !

(UPV) StatL3S6 2013/2014 38 / 75

• Cas 1 : σ connu. Il n’y a donc pas de difficulté, mais ce n’est pas un cas
réaliste en pratique.

• Cas 2 : σ inconnu. On remplacera σ 2 par la variance empirique des

n
1X
2
observations σ =
c (xi − x)2 .
n
i=1
En contre-partie, il est nécessaire que le nombre d’observations n soit grand.

En pratique, il est donc nécessaire d’avoir conservé les données et il est

conseillé de prendre une erreur de 1re espèce plus faible que lorsque l’on
connaît σ.

(UPV) StatL3S6 2013/2014 39 / 75

• Cas 3 (fréquemment rencontré dans la littérature) : σ inconnu . On
remplace σ 2 par
n
1 X
2
σ =
c (xi − x)2
n−1
i=1

qui est un estimation (sans biais) du paramètre σ 2 .

Sous l’hypothèse H0 la statistique de test devient une loi de Student à
(n − 1) degrés de liberté.

X − µ0
s ∼ Sn−1
σ
c 2

En pratique, il n’est pas nécessaire que le nombre d’observations n soit

grand mais demande une grande confiance en l’hypothèse de normalité des
observations.

(UPV) StatL3S6 2013/2014 40 / 75

Test du paramètre d’espérance d’une loi gaussienne
de l’hypothèse H0 “µ = µ0 " contre H1 “µ 6= µ0 "

Si H0 est vraie alors :

X − µ0
r ∼ N (0, 1)
σ2
n
Donc, r r !
σ2 σ2
P µ0 − ` α2 < X < µ0 + ` α2
n n
=1−α

(UPV) StatL3S6 2013/2014 41 / 75

Donc le test de H0 “µ = µ0 " contre H1 “µ 6= µ0 ", d’erreur de première
espèce (ou niveau) α.

Rejet de H0 si

r r
σ2 σ2
x < µ0 − ` α2 ou x > µ0 + ` α2
n n

C’est un test bilatéral, en remplaçant σ 2 par la variance empirique des

n
1X
observations (xi − x)2 .
n
i=1

(UPV) StatL3S6 2013/2014 42 / 75

Exercice 5 : Dans un magasin d’habillement, on a noté ces dernières
années le prix moyen d’un article du rayon “enfant" qui est de 18 euros. La
direction souhaite communiquer sur sa politique de promotion dans ce
rayon par la baisse du prix moyen d’un article.
Pour cela, elle relève le prix de 121 articles du rayon (pris au hasard).
1 Construire le test statistique associé à cette démarche.
2 Calculer la zone de rejet deP ce test, sachant que sur les 121 articles on
a calculé que la dispersion 121 2
i=1 (pi − p̄) = 5929 où pi est le prix de
l’article i et p̄ le prix moyen observé.
3 Sur ces 121 articles le prix moyen observé au mois de mai 2008 est de
16.8 euros. Quel est la décision à prendre concernant ce test
statistique ? Que proposeriez-vous alors à la direction ?
4 Idem pour un prix moyen observé au mois de juin de 16.2 euros.
5 Construire alors un intervalle du prix moyen d’un article du rayon
“enfant" (choisir un risque α = 3.6 %). Quel est le nom de cet
intervalle ?

(UPV) StatL3S6 2013/2014 43 / 75

Test du paramètre d’une loi de Bernoulli
de l’hypothèse H0 “p = p0 " contre H1 “p 6= p0 "

X − p0 n grand
Si H0 est vraie alors : r → N (0, 1)
p0 (1 − p0 )
n
r r !
p0 (1 − p0 ) p0 (1 − p0 )
D’où, P p0 − ` α2 < X < p0 + ` α2 ≈1−α
n n

Donc rejet de H0 si

r r
p0 (1 − p0 ) p0 (1 − p0 )
x < p0 − ` α2 ou x > p0 + ` α2
n n

C’est un test bilatéral.

(UPV) StatL3S6 2013/2014 44 / 75

Test du paramètre d’une loi de Bernoulli
de H0 “p = p0 " contre H1 “p > p0 "

Si H0 est vraie alors :

 
r !
 X − p0  p0 (1 − p0 )
P r < `α
=P X < p0 + `α ≈1−α

p0 (1 − p0 )
 n
n
Donc le test de H0 “p = p0 " contre H1 “p > p0 ", d’erreur de première
espèce (ou niveau) α est :

r
Rejet de H0 si p0 (1 − p0 )
x > p0 + `α
n

C’est un test unilatéral.

(UPV) StatL3S6 2013/2014 45 / 75
Exercice 6 :
1 Un fabricant de disques compacts affirme qu’au moins 99% de ses
disques n’ont aucun défaut. Pour vérifier cette affirmation une
association de défense des consommateurs teste 500 disques de ce
fabriquant et en trouve 10 défectueux.
Avec un seuil de 1%, l’association peut-elle contester l’affirmation du
fabricant ?
2 Le même fabricant de disques compacts affirme toujours qu’au moins
99% de ses disques n’ont aucun défaut.
Il cherche à conquérir un nouveau marché à l’aide de cette affirmation
et doit donc rassurer son nouveau client.
Il lui propose de venir contrôler sa chaîne de production en relevant
1000 ou 2000 exemplaires.
Quel sera la démarche de ce nouveau client ?

(UPV) StatL3S6 2013/2014 46 / 75

 StatL3S6 Chapitre 3

Construction de tests
en présence de 2 distributions :

1 Test sur la corrélation

2 Test d’adéquation
3 Analyse de la variance

(UPV) StatL3S6 2013/2014 47 / 75

Deux variables quantitatives : le coefficient de
corrélation linéaire
Le coefficient de corrélation linéaire cherche à mesurer la liaison linéaire qui
peut exister entre deux variables X et Y observées sur les mêmes individus.

X − E (X ) Y − E (Y )
ρXY = E ( × )
σX σY

qui sera estimé par le coefficient de corrélation linéaire empirique :

n
1 X (xi − x̄) (yi − ȳ )
ρ̂XY = ×
n σ̂X σ̂Y
i=1

et on a −1 ≤ ρ̂XY ≤ 1.
Plus ce coefficient se rapproche de 1, plus les variables sont corrélées
positivement, c’est-à-dire qu’elles varient dans le même sens. Plus il se
rapproche de -1, plus elles varient en sens opposé. S’il se rapproche de 0,
leurs variations ne sont pas liées linéairement.
(UPV) StatL3S6 2013/2014 48 / 75
Exemple 1 : Deux séries de notes observées sur 12 individus
X : 14 13 17 15 14 15 16 12 14 12 13 13
Y : 13 11 16 15 12 13 15 10 14 12 13 12

Ex1 : ρ̂ = 0.874.

(UPV) StatL3S6 2013/2014 49 / 75

Exemple 2 : “fichier notes"
Math Phys Chim Angl Fran Hist
1 15 17 18 9 8 10
2 6 7 5 10 7 5
3 7 4 4 13 15 19
4 18 19 19 18 14 16
5 8 12 10 10 11 9
6 15 14 19 12 6 8
7 6 10 5 19 13 16
8 14 16 12 17 11 15
9 8 7 8 9 10 10
10 7 9 7 7 5 5
11 9 10 11 12 14 13
12 14 18 15 6 7 5
13 5 7 9 18 16 16
14 6 11 10 9 5 8
15 14 16 18 16 11 10
16 16 12 12 14 11 14
17 14 16 15 8 7 10
18 9 8 13 12 9 10
19 6 4 7 15 14 17
20 8 4 3 8 9 8
21 12 15 13 15 12 13
22 7 4 3 17 15 13
23 5 8 7 9 9 9
24 16 14 17 7 9 6
25 7 11 12 11 10 9

(UPV) StatL3S6 2013/2014 50 / 75

 Variable Moyenne Écart-type Minimum Maximum
Mathém 10.08 4.17 5.00 18.00
Physique 10.92 4.69 4.00 19.00
Chimie 10.88 5.07 3.00 19.00
Anglais 12.04 3.94 6.00 19.00
Français 10.32 3.22 5.00 16.00
Histoire 10.96 4.03 5.00 19.00
Math. Phys. Chim. Angl. Fran. Hist.
Mathém 1.00 0.82 0.83 -0.00 -0.15 -0.05
Physique 0.82 1.00 0.87 -0.04 -0.29 -0.18
Chimie 0.83 0.87 1.00 -0.05 -0.25 -0.17
Anglais -0.00 -0.04 -0.05 1.00 0.76 0.80
Français -0.15 -0.29 -0.25 0.76 1.00 0.85
Histoire -0.05 -0.18 -0.17 0.80 0.85 1.00
Ce tableau s’appelle le tableau ou matrice des corrélations.

(UPV) StatL3S6 2013/2014 51 / 75

! ! Attention
Un coefficient de corrélation ne traduit pas nécessairement une relation de
cause à effet :
"Une bonne note en math n’implique pas une bonne note en chimie."
Autre exemple : la corrélation entre le revenu et le débit de carte bancaire
est fortement positif. Il existe ici une relation évidente : plus le revenu est
élevé plus le débit de carte bancaire va augmenter et pas le contraire ! ! !
! ! La relation n’est pas contenue dans les données.

(UPV) StatL3S6 2013/2014 52 / 75

Quand doit-on considérer le coefficient de
corrélation ρ comme significativement non nul ?

C’est un problème de test statistique avec H0 "ρ = 0".

En se plaçant sous l’hypothèse "absence de lien linéaire" entre 2 variables
quantitatives et sous les hypothèses du théorème central limite :
ρ
r ∼ N (0, 1)
1
n−1
On décidera de la dépendance entre 2 variables quantitatives
lorsque √
n − 1 ρ est grand en valeur absolue

(UPV) StatL3S6 2013/2014 53 / 75

Rejet de l’hypothèse H0 "ρ = 0" : "absence de lien
linéaire" contre H1 "ρ =
6 0" si

` α2
|ρ̂| > √
n−1

Exemple : pour α = 5%, on rejettera l’hypothèse "absence de lien linéaire"

1.96
si |ρ̂| > √ . C’est à dire, rejet :
n−1
si |ρ̂| > 0.653 (n = 10) si |ρ̂| > 0.197 (n = 100)
si |ρ̂| > 0.450 (n = 20) si |ρ̂| > 0.0877 (n = 500)
si |ρ̂| > 0.364 (n = 30) si |ρ̂| > 0.0620 (n = 1000)
si |ρ̂| > 0.314 (n = 40) si |ρ̂| > 0.0196 (n = 10 000)
si |ρ̂| > 0.280 (n = 50) si |ρ̂| > 0.00196 (n = 1 000 000)

(UPV) StatL3S6 2013/2014 54 / 75

 Un test d’adéquation : le test du χ 2

Exemple 1 : “lancer de dés"

Une expérience consiste à lancer deux dés, et à relever la somme des
chiffres lus. On fait l’expérience n = 1000 fois, et on obtient :
S 2 3 4 5 6 7 8 9 10 11 12
nk 32 56 81 115 142 160 143 105 89 53 24

Exemple 2 : “Les familles de 8 enfants"

On a observé, en étudiant 53680 familles de 8 enfants, les résultats
suivants (k désigne le nombre de garçons et nk le nombre de familles ayant
k garçons) :
k 0 1 2 3 4 5 6 7 8
nk 215 1485 5331 10649 14959 11929 6678 2092 342
(UPV) StatL3S6 2013/2014 55 / 75
Exemple 3 : “10 000 premières décimales du nombre π"
La répartition de ces décimales est donnée dans le tableau suivant :

d écimale 0 1 2 3 4 5 6 7 8 9
effectifs 968 1026 1021 974 1012 1046 1021 970 948 1014

Se répartissent-elles de manière uniforme ?

Exemple 4 : “Sondage sur le niveau d’acceptation d’un nouveau

système"

Appréciation Très difficile Assez difficile Peu/pas difficile

Les sondés
Jeunes 81 138 132
Actifs 126 131 94
Retraités 203 78 69

(UPV) StatL3S6 2013/2014 56 / 75

Distance entre 2 tableaux : le tableau des observations [nk ] et le tableau
sous l’hypothèse d’un modèle [ Eff théok ]

X (nk − Eff théok )2

χ 2 =
Eff théok
k

Cette distance sera donc d’autant plus grande que le tableau des
observations sera loin du tableau sous l’hypothèse du modèle

Pourquoi diviser par Eff théok ?

Théo 1000 100 10
Obs 1010 110 20
écart négligeable faible important
χ2cellule 1/10 1 10

(UPV) StatL3S6 2013/2014 57 / 75

Quand doit-on considérer cette distance du χ2
comme grande ?
C’est un problème décisionnel : donc un test statistique.
Pour chaque situation on a une hypothèse H0 "adéquation à un modèle" et
une alternative H1 = non H0 , et on aura :

X (nk − Eff théok )2

rejet de H0 si > `ν,α
Eff théok
k

On décidera de rejeter l’adéquation au modèle lorsque la distance du χ2

sera supérieure à une valeur limite, qui dépend d’un degré de liberté et de
l’erreur de 1re espèce choisie.
Pour répondre à cette question, on pourra utiliser la table du χ2 qui donne
cette valeur limite pour chaque degré de liberté et différentes erreurs de 1re
espèce.
(UPV) StatL3S6 2013/2014 58 / 75
 Table du χ2
ν : nombre de degrés de liberté
P(χ2ν < `ν,α ) = p = 1 − α
Exemple : P(χ24 < 11.1433) = 0.975

p 0.8000 0.9000 0.9500 0.9750 0.9900 0.9950

ν
1 1.6424 2.7055 3.8415 5.0239 6.6349 7.8794
2 3.2189 4.6052 5.9915 7.3778 9.2103 10.5966
3 4.6416 6.2514 7.8147 9.3484 11.3449 12.8382
4 5.9886 7.7794 9.4877 11.1433 13.2767 14.8603
5 7.2893 9.2364 11.0705 12.8325 15.0863 16.7496
6 8.5581 10.6446 12.5916 14.4494 16.8119 18.5476
7 9.8032 12.0170 14.0671 16.0128 18.4753 20.2777
8 11.0301 13.3616 15.5073 17.5345 20.0902 21.9550
9 12.2421 14.6837 16.9190 19.0228 21.6660 23.5894
10 13.4420 15.9872 18.3070 20.4832 23.2093 25.1882
11 14.6314 17.2750 19.6751 21.9200 24.7250 26.7568
12 15.8120 18.5493 21.0261 23.3367 26.2170 28.2995
13 16.9848 19.8119 22.3620 24.7356 27.6882 29.8195
14 18.1508 21.0641 23.6848 26.1189 29.1412 31.3193
90 101.0537 107.5650 113.1453 118.1359 124.1163 128.2989
100 111.6667 118.4980 124.3421 129.5612 135.8067 140.1695

(UPV) StatL3S6 2013/2014 59 / 75

 Analyse de la variance ou Anova

1 - Introduction
Objectif : Étudier l’effet d’une ou plusieurs variables qualitatives sur une
variable quantitative
Le cas d’une variable qualitatitive : on observe sur des individus à la
fois une variable quantitative et une une variable qualitative. On cherhche
alors à "savoir" si les différentes modalités de la variable qualitative
influencent la variable quantitative.

(UPV) StatL3S6 2013/2014 60 / 75

Exemple : On considère 6 échantillons de patients correspondant à des
localisations différentes. Pour chaque patient, on observe une donnée
clinique :

1 2 3 4 5 6
1602 1472 1548 1435 1493 1585
1615 1477 1555 1438 1498 1592
1624 1485 1559 1448 1509 1598
1631 1493 1563 1449 1516 1604
1496 1575 1454 1521 1609
1504 1458 1523 1612
1510 1467
1475

(UPV) StatL3S6 2013/2014 61 / 75

Information disponible pour chaque patient :
• Y : donnée clinique
• X : code de la localisation
Question : peut-on considérer que la localisation a une influence sur la
donnée clinique des patients ?
... ou encore : la variable X a-t-elle une influence sur la variable Y ?
... ou encore : la modélisation de l’espérance µ de Y doit-elle être
différente selon les modalités de X ou non ?

(UPV) StatL3S6 2013/2014 62 / 75

Vocabulaire

On appelle facteur (ou facteur explicatif, cause contrôlée) la variable

qualitative X qui sert à expliquer Y .
On parle de niveaux d’un facteur (ou traitements) pour désigner les
différentes modalités de cette variable.
Lorsqu’on étudie l’effet de plusieurs facteurs sur Y , on peut regarder leurs
effets cumulés mais aussi l’effet de leur interaction, i.e. le croisement de
deux modalités a une influence particulière sur Y .
On appelle unité expérimentale le sujet que l’on soumet à un traitement et
sur lequel on mesure Y .
De façon générale ici, on suppose que l’on ne soumet pas une unité
expérimentale à plusieurs traitements, autrement dit on suppose qu’il n’y a
pas de répétition de la mesure de Y . Il y a donc autant d’observations que
d’unités expérimentales.

(UPV) StatL3S6 2013/2014 63 / 75

ANOVA : pourquoi ?
• Analyse de la variance :
- variations inter-groupes : écart entre les moyennes des
groupes, dispersion des moyennes autour de la moyenne
globale.
- variations intra-groupes : écart entre les données à l’intérieur
des groupes, dispersion des données autour de leur moyenne
de groupe.

technique de comparaison de moyennes

%
• ANOVA
&
décider de l’égalité des moyennes

(UPV) StatL3S6 2013/2014 64 / 75

2 - ANOVA à un facteur contrôlé

Approche intuitive sur un exemple

Un étudiant a mesuré le temps de parcours pour ce rendre à la fac selon
trois types de trajet.

T1 17.5 20.0 18.0 17.0 16.5

T2 15.1 16.0 13.0 12.0 14.5
T3 10.0 13.0 10.0 11.0 12.0

(UPV) StatL3S6 2013/2014 65 / 75

Structure générale des données :
On a le tableau des données suivant :
facteur niveau 1 ... niveau i ... niveau I
observations y11 ... yi1 ... yI 1
indépendantes y12 ... yi2 ... yI 2
.. .. ..
de la variable . . .
quantitative y1n1 ... yini ... yInI

• yik : k e observation du niveau i

• ni : nombre d’observations du niveau i

(UPV) StatL3S6 2013/2014 66 / 75

 I
X
•n= ni : nombre total d’observations
i=1
ni
1 X
• ȳi. = yik : moyenne des observations pour le niveau i
ni
k=1

I
i n
1 XX
• ȳ.. = yik : moyenne globale
n
i=1 k=1

! ! ! Attention
La moyenne des observations ȳ.. n’est pas égale à la moyenne des moyennes
par niveau du facteur ȳi.

(UPV) StatL3S6 2013/2014 67 / 75

Quelques hypothèses naturelles
Les Yik sont les résultats aléatoires de l’expérience étudiée et on suppose
que leur "valeur espérée" est un paramètre noté µi qui ne dépend que du
niveau du facteur contrôlé.
• µi est appelé l’effet fixe du niveau i du facteur contrôlé. C’est un
paramètre inconnu : l’espérance de l’observation Yik
• les Yik sont aussi supposés être indépendants (donc associés à des
sujets distincts.
Dans cette modélisation, il y a donc I paramètres inconnus liés à
l’espérance : un paramètre pour chacun des niveaux du facteur.

(UPV) StatL3S6 2013/2014 68 / 75

Équation d’analyse de la variance :
X X X
(yik − ȳ.. )2 = (yik − ȳi. )2 + ni (ȳi. − ȳ.. )2
ik ik i

dispersion totale = dispersion INTRA + dispersion INTER

SST = SSR + SSF

↑ ↑ ↑
Sum of Square = Sum of Square + Sum of Square
Total Résiduelle due au facteur contrôlé

Degrés de liberté associés aux SS

ddl(SST ) = ddl(SSR ) + ddl(SSF )
n−1 = n−I + I −1

(UPV) StatL3S6 2013/2014 69 / 75

Données :
1 2 3 4 5 6
1602 1472 1548 1435 1493 1585
1615 1477 1555 1438 1498 1592
1624 1485 1559 1448 1509 1598
1631 1493 1563 1449 1516 1604
1496 1575 1454 1521 1609
1504 1458 1523 1612
1510 1467
1475
4 7 5 8 6 6 ni
1618 1491 1560 1453 1510 1600 ȳi.
X
470 1152 404 1296 760 534 (yik − ȳi. )2
k

(UPV) StatL3S6 2013/2014 70 / 75

Analyse de la variance sur l’exemple des patients :
i 1 2 3 4 5 6
1618 1491 1560 1453 1510 1600
ȳi.
1X 1X
ȳ.. = yik = ni ȳi. = 1528 ici n = 36
n n
ik i

Tableau d’analyse de la variance

Source de dispersion Somme des carrés ddl
INTER X 125145 5
ni (ȳi. − ȳ.. )2 I −1
i
INTRA X 4616 30
(yik − ȳi. )2 n−I
ik
TOTALE X 129761 35
(yik − ȳ.. )2 n−1
ik
(UPV) StatL3S6 2013/2014 71 / 75
Test de l’égalité des espérances :

• l’hypothèse H0 : absence d’effet du facteur contrôlé ; égalité des

espérances µ1 = µ2 · · · = µI
• l’hypothèse alternative H1 : effet significatif du facteur contrôlé ;
différence des espérances µi , i = 1, . . . , I
X X
(yik − ȳ.. )2 − (yik − ȳi. )2
INTER
∗ (n − I ) = ik X ik
INTRA 2
( (yik − ȳi. ) )/(n − I )
ik

suit sous H0 une loi de χ2 à (I − 1) degrés de liberté

dès que le nombre d’observations est grand

(UPV) StatL3S6 2013/2014 72 / 75

Re-écriture du paramètre µi et interprétation

µi = µ + αi i = 1, . . . , I (2)

avec I + 1 paramètres pour l’espérance dont seulement I sont libres et

identifiables =⇒ il y a sur-paramétrisation.
Différentes contraintes peuvent alors être envisagées :
P
i αi = 0
Lien avec la paramétrisation de l’équation (1) :
I
1X
µ= µi = µ̄. et αi = µi − µ̄.
I
i=1

Le paramètre µ représente alors l’effet moyen général

Le paramètre αi représente alors l’effet différentiel du niveau i à la
"moyenne"
(UPV) StatL3S6 2013/2014 73 / 75
α1 = 0, par défaut dans de nombreux logiciels de statistiques.
Lien avec la paramétrisation de l’équation (1) :

µ = µ1 et α i = µi − µ1

Le paramètre µ représente alors l’effet du niveau 1 du facteur

Le paramètre αi représente alors l’effet différentiel du niveau i à l’effet
du niveau 1
Ici le traitement 1 sert de référence mais on peut prendre l’un
quelconque des I traitements comme référence.

(UPV) StatL3S6 2013/2014 74 / 75

Estimation des paramètres :
PI Pni
Par moindres carrés : min i=1 k=1 (yik − µi )2
µi
ni
1 X
µ̂i = ȳi. = yik
ni
k=1
contraste “sum” :
I I I
1X 1X 1X
ˆ. =
µ̂ = µ̄ µ̂i = ȳi. et α̂i = µ̂i −µ̂ = ȳi. − ȳi.
I I I
i=1 i=1 i=1

Remarque : si ∀i ∈ {1, . . . , I } ni = K alors µ̂ = ȳ.. et α̂i = ȳi. − ȳ..

contraste “treatment” :

µ̂ = µ̂1 = ȳ1. et α̂i = µ̂i − µ̂1 = ȳi. − ȳ1.

(UPV) StatL3S6 2013/2014 75 / 75