Fiche de révision : Introduction aux Tests Statistiques Essentiels

📋 Plan du Cours

1. Tests d'hypothèses
2. Test du Khi-Deux
3. Test de normalité
4. Comparaison de moyennes
5. Erreur de première espèce
6. Erreur de deuxième espèce
7. Test de Fisher-Snédécor
8. Test de Student
9. Estimation paramétrique
10. Test de variances

📖 1. Tests d'hypothèses

🔑 Notions clés & Définitions

• Test d'hypothèse : Expérience ou procédure statistique permettant de décider d'accepter ou de rejeter l'hypothèse nulle 𝐻0, en se basant sur la loi de probabilité d'une variable aléatoire (voir mise en œuvre).
• Hypothèse nulle (𝐻0) : Hypothèse de référence affirmant généralement l'absence d'effet ou d'effet nul, par exemple, que deux populations ont la même moyenne ou variance.
• Hypothèse alternative (𝐻1) : Hypothèse concurrente à 𝐻0, indiquant qu'il existe une différence ou un effet, par exemple, que deux populations ont des moyennes différentes ou que la pièce de monnaie n'est pas équilibrée.
• Test bilatéral vs unilatéral :
  • Test bilatéral : Vérifie si la différence est différente de zéro dans les deux sens (ex : 𝑝 ≠ 0,5).
  • Test unilatéral : Vérifie si la différence est dans un seul sens (ex : 𝑓𝑚 < 𝑓 ou 𝑓𝑚 > 𝑓).
• Risque α (erreur de première espèce) : Probabilité de rejeter 𝐻0 alors qu'elle est vraie, généralement fixée à 5% ou 1%.
• Risque β (erreur de deuxième espèce) : Probabilité de ne pas rejeter 𝐻0 alors qu'elle est fausse, non quantifié directement mais lié à la puissance du test (1 - β).

📝 Points essentiels

Le test d'hypothèse repose sur la formulation de deux hypothèses : la nulle 𝐻0 et l'alternative 𝐻1. La décision se fonde sur la loi de probabilité d'une variable aléatoire associée à l'expérience, dont on connaît la distribution sous 𝐻0. La variable est calculée à partir des données observées, et la décision consiste à rejeter ou non 𝐻0 en comparant cette valeur à une valeur critique déterminée par le risque α. La différence entre test bilatéral et unilatéral réside dans la direction du test : le premier vérifie si la différence est différente de zéro dans les deux sens, le second dans un seul sens. La gestion des risques α et β est essentielle pour contrôler la fiabilité du test, où α limite la probabilité de rejet erroné de 𝐻0, et β celle de ne pas détecter une différence réelle.

💡 À retenir

Le test d'hypothèse est une procédure permettant de prendre une décision statistique en contrôlant les risques d'erreur, en formulant deux hypothèses opposées, et en utilisant la loi de probabilité d'une variable aléatoire pour accepter ou rejeter 𝐻0.

📖 2. Test du Khi-Deux

🔑 Notions clés & Définitions

• But du test du Khi-Deux : Comparer les effectifs observés (Oi) avec les effectifs théoriques (Ti) pour vérifier si une distribution suit une loi donnée, en utilisant la statistique S = ∑ (Oi - Ti)² / Ti, conformément à PERROUX (date).

• Conditions d’application : Effectifs théoriques (Ti) ≥ 5 pour chaque classe, et au moins 4 classes pour une loi continue. Ces conditions assurent la validité du test selon PERROUX (date).

• Degrés de liberté ν : Calculés par la formule ν = n - 1 - r, où n est le nombre de classes et r le nombre de paramètres estimés dans la loi théorique, selon PERROUX (date).

• Comparaison de S à la valeur critique χ²ν,α : Si S > χ²ν,α, on rejette l’hypothèse nulle H0 au risque α, sinon on ne la rejette pas, conformément à PERROUX (date).

• Interprétation du rejet de H0 : Rejeter H0 indique que la distribution observée ne suit pas la loi théorique, selon PERROUX (date). Ne pas rejeter H0 ne prouve pas qu’elle est vraie, mais que les données ne permettent pas de la rejeter au seuil α.

📝 Points essentiels

• Le test du Khi-Deux compare la distribution observée à une loi théorique en utilisant la statistique S, qui suit asymptotiquement une loi du χ² avec ν degrés de liberté, lorsque H0 est vraie (PERROUX, date).

• La valeur de S est calculée par la somme des écarts quadratiques relatifs (Oi - Ti)² / Ti pour chaque classe. Les effectifs théoriques (Ti) sont déterminés à partir de la loi supposée, en utilisant les probabilités théoriques p_i, avec p_i = P(X = C_i) pour une loi discrète ou la différence de probabilités pour une loi continue.

• La condition d’effectifs théoriques ≥ 5 est essentielle pour la validité du test. En cas de classes avec effectifs faibles, on peut regrouper des classes ou supprimer des classes rares.

• La valeur critique χ²ν,α est obtenue via tables ou Excel (KHIDEUX.INVERSE(α; ν)). La décision de rejeter H0 dépend de la comparaison entre S et cette valeur critique.

• La formule pour ν : ν = n - 1 - r, où r est le nombre de paramètres estimés dans la loi théorique, permet d’ajuster le degré de liberté en fonction de la complexité du modèle.

• La statistique S suit asymptotiquement une loi du χ² lorsque n → +∞, sous H0, selon PERROUX (date).

💡 À retenir

Le test du Khi-Deux permet de vérifier si une distribution observée correspond à une loi théorique en comparant les effectifs observés et théoriques, en utilisant la statistique S et la loi du χ², sous réserve que les conditions d’application soient respectées.

📖 3. Test de normalité

🔑 Notions clés & Définitions

• Test de normalité : procédure statistique permettant de vérifier si un échantillon suit une loi normale 𝑁(μ;σ) en comparant la distribution observée à une distribution théorique.
• Effectifs théoriques : nombres attendus dans chaque classe ou intervalle, calculés à partir de la loi normale centrée réduite ou d'une loi paramétrée, à partir des paramètres μ et σ ou de leur estimation.
• Distribution de la loi normale centrée réduite : loi normale 𝑁(0;1) utilisée pour déterminer les effectifs théoriques via la table de la loi ou Excel, notamment avec la syntaxe LOI.NORMALE.N(𝑥;μ;σ;VRAI).
• Degrés de liberté (ν) : nombre de valeurs indépendantes disponibles pour estimer les paramètres dans le test, égal à 𝑛−1 si μ et σ sont connus, ou 𝑛−3 si μ et σ sont estimés (voir notion de test du Khi-Deux).
• Décision du test : acceptation ou rejet de 𝐻0 (hypothèse nulle) selon la valeur de la statistique 𝑆 comparée au seuil critique χ²ν,α, déterminé à partir des tables ou Excel avec KHIDEUX.INVERSE(α; ν).

📝 Points essentiels

• Le test de normalité s'applique à des classes ou intervalles de l’échantillon, avec au moins 4 classes pour une loi continue, et des effectifs théoriques ≥ 5 pour la validité du test du Khi-Deux.
• La statistique 𝑆 = ∑ (𝑂𝑖−𝑇𝑖)² / 𝑇𝑖 suit asymptotiquement une loi du χ² à ν degrés de liberté :
  • si tous les paramètres sont connus, ν = 𝑛−1.
  • si μ et σ sont estimés, ν = 𝑛−3.
• La décision repose sur la comparaison de 𝑆 à χ²ν,α : si 𝑆 > χ²ν,α, on rejette 𝐻0, indiquant que la distribution ne suit pas une loi normale.
• Exemple : vérification de la normalité de la masse de sachets de bonbons, avec regroupement des classes si nécessaire, et comparaison de 𝑆 à χ² pour conclure.
• La valeur critique χ²ν,α est obtenue via tables ou Excel, avec la syntaxe KHIDEUX.INVERSE(α; ν).

💡 À retenir

Le test du Khi-Deux pour la normalité compare les effectifs observés et théoriques dans des classes, en utilisant la loi du χ² avec un nombre de degrés de liberté dépendant de la connaissance ou de l’estimation des paramètres, pour déterminer si la distribution suit une loi normale.

📖 4. Comparaison de moyennes

🔑 Notions clés & Définitions

• Hypothèse nulle (H0) : hypothèse selon laquelle il n’y a pas de différence entre les moyennes de deux populations, soit μ1 = μ2.
• Hypothèse alternative (H1) : hypothèse selon laquelle il existe une différence ou une relation spécifique entre les moyennes, par exemple μ1 ≠ μ2 (bilatéral) ou μ1 > μ2 (unilatéral).
• Variable U (pour grands échantillons) : variable aléatoire suivant une loi normale centrée réduite, utilisée pour comparer deux moyennes lorsque n1 > 30 et n2 > 30, calculée par U = (μ̂1 - μ̂2) / sqrt(σ̂1²/n1 + σ̂2²/n2) (voir section 4).
• Seuil critique uα : valeur déterminée par la loi normale centrée réduite, correspondant au risque α, utilisée pour décider si l’on rejette ou non H0 en comparant |U| à uα (voir section 4).

📝 Points essentiels

• La comparaison de deux moyennes repose sur la formulation d’hypothèses H0 : μ1 = μ2 et H1 : μ1 ≠ μ2 (bilatéral) ou μ1 > μ2 (unilatéral).
• Pour grands échantillons (n1 > 30, n2 > 30), la variable U suit une loi normale centrée réduite sous H0, ce qui permet de calculer U = (μ̂1 - μ̂2) / sqrt(σ̂1²/n1 + σ̂2²/n2).
• La décision de rejeter H0 se fait en comparant |U| à uα, le seuil critique issu de la loi normale centrée réduite. Si |U| ≥ uα, H0 est rejetée, indiquant une différence significative entre les moyennes.
• Le seuil uα est déterminé par la loi normale centrée réduite pour un risque α donné. Par exemple, pour α=5%, uα ≈ 1,96.
• En cas de petits échantillons (n1 ≤ 30 ou n2 ≤ 30), on doit vérifier la normalité et l’égalité des variances avant d’appliquer des tests spécifiques (voir autres sections).

💡 À retenir

La comparaison de deux moyennes pour grands échantillons repose sur la variable U suivant une loi normale centrée réduite, et la décision d’acceptation ou de rejet de H0 se fait par la comparaison de |U| à un seuil critique uα déterminé par la loi normale.

📖 5. Erreur de première espèce

🔑 Notions clés & Définitions

• Erreur de première espèce (α) : Rejeter l'hypothèse nulle 𝐻0 alors qu'elle est vraie. C’est le risque de faire une fausse alarme, généralement fixé à 5% ou 1% dans la pratique (voir section 1).
• Erreur de deuxième espèce (β) : Ne pas rejeter 𝐻0 alors qu’elle est fausse. C’est le risque de manquer une différence réelle (voir section 6).
• Confiance du test (1 - α) : Probabilité de ne pas rejeter 𝐻0 quand elle est vraie, c’est-à-dire la fiabilité du test face à l’erreur de première espèce (voir section 6).
• Puissance du test (1 - β) : Probabilité de rejeter 𝐻0 quand elle est fausse, c’est-à-dire la capacité du test à détecter une vraie différence (voir section 6).
• Lien entre α et β : Diminuer l’un peut augmenter l’autre, car ils sont souvent inversément liés dans la conception des tests (voir section 6).

📝 Points essentiels

• Lors de la construction d’un test d’hypothèse, on cherche à limiter le risque α, qui correspond à la probabilité de rejeter 𝐻0 à tort (voir section 1).
• La décision dans un test repose sur la variable aléatoire dont la loi est connue sous 𝐻0. Si la valeur observée dépasse un seuil critique déterminé par α, 𝐻0 est rejetée, avec un risque α de se tromper (voir section 1).
• La représentation classique des erreurs est dans un tableau de décision où :
  • Si 𝐻0 est vraie et rejetée : erreur de première espèce (α).
  • Si 𝐻0 est fausse et acceptée : erreur de deuxième espèce (β).
• La limite de α est essentielle pour garantir la fiabilité du test, en évitant de rejeter trop souvent une hypothèse vraie (voir section 1).

💡 À retenir

L’erreur de première espèce correspond au risque de rejeter à tort une hypothèse vraie, et sa maîtrise est cruciale pour assurer la fiabilité des décisions statistiques.

📖 6. Erreur de deuxième espèce

🔑 Notions clés & Définitions

• Erreur de deuxième espèce (β) : Probabilité de ne pas rejeter l'hypothèse nulle 𝐻0 alors qu'elle est fausse. Autrement dit, conserver 𝐻0 alors que la réalité est différente, ce qui correspond à une erreur de type II.

• Puissance du test (1 - β) : Probabilité de rejeter 𝐻0 lorsque celle-ci est fausse. Elle mesure la capacité du test à détecter une différence réelle. Plus la puissance est élevée, plus le test est efficace pour identifier une hypothèse fausse.

• Dépendance de β à α : La valeur de β dépend du niveau de risque α choisi pour l'erreur de première espèce. En général, diminuer α (limiter le risque de rejet erroné de 𝐻0) tend à augmenter β, rendant la détection plus difficile.

• Taille de l’échantillon et nature du test : La valeur de β varie selon la taille de l’échantillon (plus elle est grande, plus β tend à diminuer) et la nature du test (test paramétrique ou non paramétrique). Une taille d’échantillon insuffisante rend la quantification précise de β difficile.

• Difficulté de quantification précise de β : La valeur exacte de β est souvent complexe à déterminer, car elle dépend de la vraie valeur du paramètre sous 𝐻1, de la distribution, et des caractéristiques du test. Elle est généralement estimée ou approximée.

• Importance de la puissance dans l’interprétation des tests : Une puissance faible (β élevée) implique un risque élevé de ne pas détecter une différence réelle, ce qui peut conduire à des conclusions erronées. La puissance doit donc être prise en compte pour évaluer la fiabilité d’un test.

💡 À retenir

L’erreur de deuxième espèce (β) représente le risque de manquer une différence réelle en conservant 𝐻0, et sa maîtrise, via la puissance (1 - β), est essentielle pour garantir la sensibilité et la fiabilité des tests statistiques.

📖 7. Test de Fisher-Snédécor

🔑 Notions clés & Définitions

• Test de Fisher-Snédécor : test statistique permettant de comparer deux variances échantillonnales pour vérifier l'hypothèse que deux populations ont des variances égales, en utilisant la statistique F = S1² / S2².
• Hypothèse nulle (H0) : σ1² = σ2², indiquant que les variances des deux populations sont égales.
• Distribution de F : loi du rapport de deux variances échantillonnales, sous H0, avec degrés de liberté (n1 - 1, n2 - 1), selon F de Fisher (ou Snédécor).
• Décision : consiste à comparer la valeur calculée de F à une valeur critique déterminée dans les tables ou par Excel (INV.F.2T), pour accepter ou rejeter H0 avec un risque α.

📝 Points essentiels

• Le test de Fisher-Snédécor s'applique avant la comparaison de moyennes, pour vérifier l'homogénéité des variances, condition préalable à certains tests paramétriques.
• La statistique F = S1² / S2² est calculée à partir des variances échantillonnales. Si cette valeur est supérieure à la valeur critique Fα (donnée par tables ou Excel avec INV.F.2T), H0 est rejetée, indiquant une différence significative entre variances.
• En cas de variances inégales, on peut permuter les échantillons pour que la statistique F soit ≥ 1, facilitant la lecture dans les tables.
• La décision repose sur la comparaison de F calculé avec Fα, où Fα est déterminé pour un risque α, en utilisant la loi de Fisher à (n1 - 1, n2 - 1) degrés de liberté.
• Exemple : si F < Fα, on ne rejette pas H0, sinon on la rejette avec un risque α.

💡 À retenir

Le test de Fisher-Snédécor permet de vérifier l'égalité des variances entre deux populations, condition essentielle pour certains tests paramétriques, en utilisant la loi du rapport de variances avec une distribution F.

📖 8. Test de Student

🔑 Notions clés & Définitions

• Test de comparaison de moyennes (pour petits échantillons) : procédure statistique permettant de vérifier si deux moyennes issues d’échantillons de petite taille (n ≤ 30) proviennent de populations avec la même moyenne, en utilisant la distribution de Student (voir section 2).
• Hypothèses H0 et H1 : H0 : μ1 = μ2 (moyennes égales), H1 : μ1 ≠ μ2 (différentes), ou unilatéral selon le contexte. La décision repose sur la comparaison de la statistique t à la valeur critique tν,α (voir section 2).
• Distribution de Student : loi de probabilité utilisée pour modéliser la statistique t dans le cas de petits échantillons, avec un nombre de degrés de liberté ν lié aux tailles d’échantillons (voir section 2).
• Variance commune estimée : dans le cas de variances supposées égales, la variance commune est estimée par une formule combinant les variances des deux échantillons (voir section 2).
• Degrés de liberté (ν) : nombre de valeurs indépendantes dans le calcul de la statistique t, généralement ν = n1 + n2 - 2 pour la comparaison de deux moyennes avec variances égales (voir section 2).

📝 Points essentiels

• Le test de Student s’applique lorsque la taille des échantillons est petite (n ≤ 30) et que les populations suivent une loi normale (voir section 2).
• La statistique t se calcule en utilisant la différence entre les deux moyennes estimées, divisée par l’écart-type estimé de la différence, basé sur la variance commune (voir section 2).
• La décision de rejet ou non de H0 se fait en comparant |t| à la valeur critique tν,α, obtenue dans les tables ou via Excel (voir section 2).
• En cas de variances supposées égales, on estime la variance commune par la formule :
  \sigmâ^2 = \frac{(n_1 - 1)\sigma_1^2 + (n_2 - 1)\sigma_2^2}{n_1 + n_2 - 2}
  (voir section 2).
• La loi de Student dépend du nombre de degrés de liberté, qui est généralement n1 + n2 - 2 dans le cas de variances égales (voir section 2).
• La décision peut être bilatérale (test à deux queues) ou unilatérale (test à une queue), selon l’hypothèse alternative formulée (voir section 2).

💡 À retenir

Le test de Student permet de comparer deux moyennes issues d’échantillons petits, en utilisant la distribution de Student pour déterminer si la différence observée est statistiquement significative, sous réserve de normalité et d’égalité des variances.

📖 9. Estimation paramétrique

🔑 Notions clés & Définitions

• Estimation des paramètres inconnus : processus consistant à déterminer à partir d’un échantillon les valeurs approximatives des paramètres d’une population, tels que la moyenne (μ) ou l’écart-type (σ). AUTEUR (date) : "L'estimation consiste à utiliser un échantillon pour approximer un paramètre inconnu de la population."
• Estimateurs μ̂ et σ̂ : quantités calculées à partir de l’échantillon, servant d’approximation des paramètres μ et σ. μ̂ est la moyenne d’échantillon, σ̂ l’écart-type estimé. AUTEUR (date) : "Les estimateurs μ̂ et σ̂ sont utilisés dans les tests statistiques pour faire des inférences sur la population."
• Impact sur les degrés de liberté : l’estimation de paramètres inconnus modifie le nombre de degrés de liberté dans certains tests (ex : Khi-Deux), en réduisant la liberté d’analyse. AUTEUR (date) : "L’estimation des paramètres inconnus influence le calcul des degrés de liberté, notamment dans le test du Khi-Deux où r paramètres estimés réduisent ν."
• Différence entre paramètres connus et estimés : lorsque les paramètres sont connus, les tests utilisent ces valeurs fixes ; lorsqu’ils sont estimés, cela introduit une incertitude supplémentaire, ajustant la distribution de référence (ex : loi du χ² ou de Student). AUTEUR (date) : "L’estimation des paramètres modifie la loi asymptotique du test, notamment en diminuant le nombre de degrés de liberté."
• Exemples d’estimation dans tests : utilisation de μ̂ et σ̂ pour tester la normalité d’une distribution ou comparer deux moyennes, en adaptant la procédure selon que les paramètres sont connus ou estimés. AUTEUR (date) : "Les tests de normalité ou de comparaison de moyennes intègrent souvent l’estimation des paramètres pour ajuster la distribution de référence."

📝 Points essentiels

L’estimation paramétrique permet d’adapter les tests statistiques à la réalité lorsque les paramètres de la population sont inconnus. Les estimateurs μ̂ (moyenne d’échantillon) et σ̂ (écart-type estimé) sont calculés à partir de l’échantillon et servent à faire des inférences. La différence fondamentale réside dans l’impact de cette estimation sur la distribution du test : lorsque les paramètres sont connus, la loi de référence est souvent la loi normale ou χ² avec des degrés de liberté fixes ; lorsqu’ils sont estimés, le nombre de degrés de liberté est réduit, par exemple dans le test du Khi-Deux (ν = n - 1 - r, avec r le nombre de paramètres estimés). Cette correction permet d’éviter une surestimation de la précision du test.

Dans le cadre des tests de normalité ou de comparaison de moyennes, l’utilisation de μ̂ et σ̂ permet d’ajuster la distribution de référence (loi de Student ou χ²) pour refléter l’incertitude liée à l’estimation. Par exemple, dans le test du Khi-Deux, si les paramètres sont inconnus, on doit estimer la moyenne ou l’écart-type pour calculer les effectifs théoriques, ce qui modifie la valeur de ν.

💡 À retenir

L’estimation paramétrique consiste à utiliser un échantillon pour approximer des paramètres populationnels inconnus, ce qui ajuste la distribution des tests statistiques et leur nombre de degrés de liberté, permettant une meilleure adaptation à la réalité.

📖 10. Test de variances

🔑 Notions clés & Définitions

• Test de Fisher-Snédécor (date non précisée) : test statistique permettant de comparer deux variances échantillonnales pour vérifier leur égalité entre deux populations, basé sur la statistique F = S1² / S2².
• Hypothèse nulle (H0) : σ1² = σ2², indiquant que les variances des deux populations sont égales.
• Distribution de F : loi du rapport de deux variances échantillonnales sous H0, avec degrés de liberté (n1 - 1, n2 - 1).
• Valeur critique F : valeur seuil issue des tables ou d’Excel (INVERSE.LOI.F), permettant de rejeter H0 si F observé dépasse cette valeur.
• Test préalable à la comparaison de moyennes : vérification de l’égalité des variances pour choisir le test approprié (ex : Student ou autre).

📝 Points essentiels

• Le test de Fisher-Snédécor s’utilise pour évaluer l’égalité des variances entre deux populations gaussiennes, en calculant F = S1² / S2², où S1² et S2² sont les variances échantillonnales.
• La statistique F suit asymptotiquement une loi du F de Fisher à (n1 - 1, n2 - 1) degrés de liberté sous H0.
• Si F ≥ F_α (valeur critique), on rejette H0, indiquant que les variances sont significativement différentes.
• En cas de variances inégales, il est conseillé d’utiliser un test de comparaison de moyennes avec variances inégales (ex : test de Welch).
• La vérification préalable de l’égalité des variances est essentielle, car elle influence le choix du test de comparaison de moyennes (Student ou autre).

💡 À retenir

Le test de Fisher-Snédécor compare les variances de deux populations pour déterminer leur égalité, condition préalable indispensable pour choisir le bon test de comparaison de moyennes.

📅 Repères chronologiques

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre test du Khi-Deux pour la loi avec celui pour la normalité.
2. Utiliser le test du Khi-Deux avec des effectifs théoriques inférieurs à 5.
3. Omettre de vérifier la condition n ≥ 4 classes pour le test de normalité.
4. Confondre la loi du χ² avec la loi F ou la loi normale dans l’interprétation.
5. Ne pas ajuster le degré de liberté ν en fonction des paramètres estimés.
6. Confondre test unilatéral et bilatéral dans l’interprétation.
7. Ignorer la condition que σ1² et σ2² doivent être homogènes pour le test de Fisher-Snédécor.

✅ Checklist Examen

1. Connaître la définition d’un test d’hypothèse selon Neyman et Pearson.
2. Maîtriser la différence entre hypothèse nulle (H0) et hypothèse alternative (H1).
3. Savoir distinguer un test bilatéral d’un test unilatéral.
4. Connaître la formule de la statistique du test du Khi-Deux et ses conditions d’application.
5. Savoir comment calculer et interpréter la statistique du test de normalité.
6. Maîtriser la formule et l’interprétation du test de Student pour la comparaison de deux moyennes.
7. Connaître la formule et l’usage du test de Fisher-Snédécor pour la comparaison de variances.
8. Comprendre la notion de degré de liberté dans chaque test (ν = n - 1 - r).
9. Savoir utiliser la table ou Excel pour obtenir la valeur critique χ²ν,α ou Fα,ν1,ν2.
10. Connaître la condition d’effectifs pour la validité du test du Khi-Deux (≥ 5).
11. Savoir comment effectuer un test de normalité à partir d’un tableau de classes.
12. Se rappeler que l’estimation des paramètres influence le nombre de degrés de liberté dans le test du Khi-Deux et le test de normalité.