Fiche de révision : Introduction aux statistiques et estimation

📋 Plan du Cours

1. Statistique descriptive
2. Estimation paramètre
3. Test d’hypothèse
4. Risques erreur
5. Tests paramétriques
6. Tests non paramétriques
7. Loi normale
8. Loi binomiale
9. Loi de Student
10. Intervalle de confiance

📖 1. Statistique descriptive

🔑 Notions clés & Définitions

• Statistique descriptive : Ensemble de méthodes permettant de synthétiser, décrire et résumer des données d’un échantillon sous des formes claires et compréhensibles (graphiques, indicateurs, etc.), en se concentrant sur l’échantillon.
  Source : Rodolphe Loubaton (date) : « La statistique descriptive est un ensemble de méthodes permettant de synthétiser, décrire et résumer des données (souvent très nombreuses) sous des formes claires et compréhensibles. »

• Estimateurs ponctuels : Valeurs calculées à partir d’un échantillon pour estimer un paramètre de la population. Parmi eux, la moyenne empirique et la variance empirique sont couramment utilisés comme estimateurs de la moyenne et de la variance de la population.
  Source : Rodolphe Loubaton (date) : « Estimation du paramètre θ par une valeur ponctuelle. Elle est obtenue à partir d’une variable aléatoirê θ. »

• Moyenne empirique : Estimateur ponctuel de la moyenne de la population, calculé comme la somme des valeurs observées divisée par le nombre d’observations.
  Source : Rodolphe Loubaton (date) : « F := 1/n ∑_{k=1}^n X_k, la fréquence de 'Face' (ou d’un caractère étudié). »

• Variance empirique : Estimateur ponctuel de la variance de la population, basé sur la moyenne empirique et la dispersion des données autour de celle-ci.
  Source : Rodolphe Loubaton (date) : « S² = (1/(n−1)) ∑_{k=1}^n (X_k − X̄)². »

• Différence entre statistique descriptive et statistique inférentielle : La statistique descriptive se concentre sur la synthèse et la description des données de l’échantillon, tandis que la statistique inférentielle vise à faire des inférences ou des estimations sur la population à partir de l’échantillon.
  Source : Rodolphe Loubaton (date) : « La statistique descriptive est un ensemble de méthodes permettant de synthétiser, décrire et résumer des données. L’inférence statistique consiste, à partir d’un échantillon, d’induire les caractéristiques inconnues de cette population. »

📝 Points essentiels

• La statistique descriptive utilise des indicateurs (moyenne, médiane, variance, etc.) pour résumer les données d’un échantillon, facilitant leur compréhension et leur interprétation.
• Les estimateurs ponctuels, tels que la moyenne empirique et la variance empirique, sont des outils fondamentaux pour estimer les paramètres inconnus de la population.
• La moyenne empirique est souvent utilisée pour comparer des groupes ou des modalités, par exemple dans une analyse descriptive de différentes espèces ou groupes.
• La variance empirique permet de mesurer la dispersion des données autour de la moyenne, essentielle pour évaluer la précision des estimations.
• La distinction entre statistique descriptive et inférentielle est cruciale : la première synthétise, la seconde infère.

💡 À retenir

La statistique descriptive permet de résumer efficacement un échantillon, tandis que la statistique inférentielle utilise ces résumés pour faire des estimations ou des tests sur la population.

📖 2. Estimation paramètre

🔑 Notions clés & Définitions

• Estimation ponctuelle : La procédure consistant à déterminer une seule valeur numérique à partir d’un échantillon pour approximer un paramètre inconnu de la population. Selon Rodolphe Loubaton (date non précisée), elle vise à fournir la meilleure approximation possible du paramètre à partir des données observées, comme la moyenne ou la fréquence.

• Estimation par intervalle : La construction d’un intervalle autour de l’estimation ponctuelle, appelé intervalle de confiance, qui contient, avec une probabilité donnée (1−α), le vrai paramètre inconnu. D’après Rodolphe Loubaton (date non précisée), cette méthode permet d’évaluer la précision de l’estimation ponctuelle en fournissant une plage plausible pour le paramètre.

• Erreur standard (SE) : La mesure de la dispersion de l’estimateur autour du paramètre vrai, calculée à partir de l’échantillon. Selon Rodolphe Loubaton (date non précisée), le SE joue un rôle crucial dans la construction des intervalles de confiance, car il quantifie l’incertitude liée à l’estimation.

• Formule d’intervalle de confiance bilatéral : Un intervalle symétrique autour de l’estimation ponctuelle, généralement de la forme [X̄ − t_{n−1, 1−α/2} * SE, X̄ + t_{n−1, 1−α/2} * SE], où t_{n−1, 1−α/2} est le quantile de la loi de Student. D’après Rodolphe Loubaton (date non précisée), cette formule permet d’obtenir un intervalle avec un niveau de confiance fixé (par exemple 95%).

• Objectif de l’estimation statistique : Inférer un paramètre inconnu de la population à partir d’un échantillon, en utilisant des méthodes qui minimisent l’erreur et quantifient l’incertitude. Selon Rodolphe Loubaton (date non précisée), cette démarche vise à faire des conclusions fiables sur la population en se basant uniquement sur les données d’échantillonnage.

📝 Points essentiels

• L’estimation ponctuelle fournit une valeur unique pour représenter un paramètre inconnu, comme la moyenne ou la proportion, à partir d’un échantillon. Elle est souvent la moyenne empirique ou la fréquence observée, qui sont des estimateurs sans biais selon Rodolphe Loubaton.

• La construction d’un intervalle de confiance permet d’évaluer la fiabilité de l’estimation ponctuelle. La formule de l’intervalle bilatéral utilise la statistique de Student (T_{n−1}) pour ajuster la largeur de l’intervalle en fonction de la taille de l’échantillon et de la variabilité des données.

• La formule de l’erreur standard (SE) dépend de la variance empirique (s²) pour la moyenne ou de F(1−F)/n pour une proportion. Elle sert à mesurer l’incertitude liée à l’estimation et à déterminer la largeur de l’intervalle de confiance.

• La précision de l’estimation s’améliore avec l’augmentation de la taille de l’échantillon, ce qui réduit le SE et resserre l’intervalle de confiance, conformément aux théorèmes de la statistique inférentielle.

• La méthode d’estimation par intervalle est essentielle pour faire des inférences statistiques fiables, en particulier lorsque l’on ne connaît pas la valeur réelle du paramètre.

💡 À retenir

L’estimation ponctuelle fournit une valeur unique pour un paramètre inconnu, tandis que l’estimation par intervalle, en utilisant la statistique de Student et l’erreur standard, offre une plage de valeurs plausibles avec un niveau de confiance fixé, permettant ainsi d’évaluer la fiabilité de l’estimation.

📖 3. Test d’hypothèse

🔑 Notions clés & Définitions

• Test d’hypothèse : procédure permettant de choisir entre deux hypothèses statistiques, H0 (hypothèse nulle) et H1 (hypothèse alternative), à partir de résultats d’échantillon, en utilisant une règle de décision basée sur une statistique de test et une p-valeur (voir introduction).
• Hypothèse nulle (H0) : énoncé que l’on souhaite contrôler ou tester, généralement une position de référence ou d’innocence, formulée pour être rejetée si les données la contredisent (voir définition).
• Hypothèse alternative (H1) : négation de H0, affirmant qu’une différence ou un effet existe, que l’on cherche à démontrer en rejetant H0 (voir définition).
• Raisonnement par l’absurde : méthode consistant à supposer H0 vraie, puis à montrer que cela mène à une contradiction ou un résultat incohérent, afin de rejeter H0 et valider H1 (voir principe).
• Zone de rejet : ensemble des valeurs de la statistique de test pour lesquelles H0 est rejetée, correspondant à un seuil de signification α (voir définition).
• p-valeur : probabilité, sous H0, d’observer une valeur de la statistique de test aussi extrême ou plus extrême que celle observée, servant à mesurer la discordance entre données et H0 (voir définition).

📝 Points essentiels

• Le test d’hypothèse repose sur la formulation claire de H0 et H1, où H0 est généralement une hypothèse d’égalité ou d’absence d’effet, et H1 une hypothèse d’effet ou de différence (voir définition).
• La procédure s’effectue en six étapes : formulation des hypothèses, choix du risque α, sélection de la statistique de test, calcul de la p-valeur, décision de rejet ou non de H0, et éventuellement, calcul du risque β (voir étapes).
• La décision se base sur la comparaison de la p-valeur avec α : si p ≤ α, on rejette H0, sinon on ne la rejette pas (voir interprétation).
• Les tests peuvent être unilatéraux (une seule extrémité) ou bilatéraux (deux extrémités), selon la nature de H1 (voir types).
• La zone de rejet est déterminée par la statistique de test et le seuil α, et indique la région où H0 est rejetée (voir définition).
• La méthode s’appuie sur la distribution de la statistique sous H0, souvent la loi de Student ou la loi normale, selon le contexte (voir distribution sous H0).

💡 À retenir

Le test d’hypothèse est une démarche statistique structurée permettant de décider, avec un risque contrôlé, si une hypothèse sur la population peut être rejetée ou non, en se basant sur les résultats d’un échantillon.

📖 4. Risques erreur

🔑 Notions clés & Définitions

• Risque d’erreur de première espèce (α) : Probabilité de rejeter H0 alors qu’elle est vraie, c’est-à-dire de commettre une erreur de type I. (Loubaton, 2026) : "Le risque de rejeter à tort H0 (hypothèse nulle) alors qu’elle est vraie : α = P(rejeter H0 | H0 vraie)".
• Risque d’erreur de deuxième espèce (β) : Probabilité de ne pas rejeter H0 alors que H1 est vraie, c’est-à-dire de commettre une erreur de type II. (Loubaton, 2026) : "Le risque de ne pas rejeter l’hypothèse nulle H0 alors que c’est l’hypothèse H1 qui est vraie : β = P(ne pas rejeter H0 | H1 vraie)".
• Lien entre seuil de signification α et risque d’erreur : La valeur α fixe la limite pour rejeter H0, influençant directement la probabilité d’erreur de type I. (Loubaton, 2026) : "Le seuil de signification α détermine la zone de rejet, et donc le risque d’erreur de première espèce".
• Puissance du test (1−β) : Probabilité de rejeter H0 alors que H1 est vraie, c’est-à-dire d’éviter l’erreur de type II. (Loubaton, 2026) : "La puissance d’un test, sa valeur étant 1−β, dépend de H1 et augmente avec la taille de l’échantillon n".
• Relation entre taille d’échantillon, α, β et puissance : La puissance augmente avec la taille de l’échantillon n et diminue lorsque α diminue, ce qui implique un compromis entre sensibilité et spécificité du test. (Loubaton, 2026) : "Elle augmente avec la taille n et diminue lorsque α diminue".

📝 Points essentiels

• Le risque d’erreur de première espèce (α) correspond à la probabilité de rejeter H0 alors qu’elle est vraie, ce qui peut conduire à une conclusion erronée en faveur de H1.
• Le risque d’erreur de deuxième espèce (β) concerne la probabilité de ne pas rejeter H0 alors que H1 est vraie, ce qui limite la capacité du test à détecter une différence réelle.
• La relation entre α, β, la taille de l’échantillon n, et la puissance du test est cruciale : augmenter n ou α augmente la puissance, permettant une meilleure détection de H1.
• La sélection du seuil α doit équilibrer le risque d’erreur de première espèce et la puissance du test, en fonction du contexte pratique.
• La puissance du test (1−β) est un indicateur de la capacité du test à détecter une différence réelle, essentielle pour la fiabilité des conclusions.

💡 À retenir

Le choix du seuil de signification α et de la taille d’échantillon n influence directement les risques d’erreur de première et deuxième espèce, ainsi que la puissance du test, nécessitant un compromis adapté à chaque contexte.

📖 5. Tests paramétriques

🔑 Notions clés & Définitions

• Tests paramétriques : Tests statistiques qui reposent sur des hypothèses concernant la distribution des données, notamment la normalité ou la loi de Student, afin de comparer des paramètres de population (ex : moyenne, proportion).
• Statistique de test : Variable aléatoire utilisée pour décider du rejet ou non de l’hypothèse nulle, dont la distribution sous H0 est connue (ex : loi de Student).
• Conditions d’application : Prérequis pour appliquer un test paramétrique, notamment la normalité des données ou la variance homogène entre groupes, comme indiqué dans la définition (voir section 3).
• Loi normale et loi de Student : Distributions utilisées pour modéliser la statistique de test sous H0 dans les tests paramétriques, avec la loi normale pour de grands échantillons et la loi de Student pour petits échantillons avec variance inconnue.
• Hypothèse H0 : Hypothèse nulle, supposée vraie, concernant un paramètre de la population (ex : moyenne = μ0), que le test cherche à valider ou rejeter selon la statistique de test et la p-valeur.

📝 Points essentiels

Les tests paramétriques sont appliqués lorsque les données suivent approximativement une loi normale ou peuvent être traitées comme telles (restriction d’utilisation). La statistique de test, souvent une loi de Student (pour moyenne) ou une loi normale (pour proportion), permet d’évaluer la compatibilité des données avec H0. La distribution de cette statistique sous H0 est connue, ce qui permet de calculer la p-valeur ou de définir une zone de rejet. La validité de ces tests repose sur des conditions strictes : normalité des données, variance homogène (voir section 3). La formule de la statistique T dans le cas d’une moyenne est donnée par :
$T := \frac{X - \mu_0}{S / \sqrt{n}}$
où $X$ est la moyenne empirique, $S^2$ la variance empirique, et $n$ la taille de l’échantillon. La loi de Student $T_{n-1}$ est utilisée pour déterminer la zone critique ou la p-valeur, notamment lorsque la variance est inconnue. La puissance du test augmente avec la taille de l’échantillon et diminue lorsque le seuil de signification $\alpha$ diminue. Ces tests sont souvent appliqués pour comparer une moyenne à une valeur ou deux moyennes entre deux échantillons (voir section 4).

💡 À retenir

Les tests paramétriques exploitent la loi normale ou la loi de Student pour évaluer la différence entre paramètres de population, à condition que les données respectent certaines hypothèses de normalité et d’homogénéité des variances. Leur efficacité dépend de la taille de l’échantillon et de la conformité aux conditions d’application.

📖 6. Tests non paramétriques

🔑 Notions clés & Définitions

• Tests basés sur rangs : Tests qui utilisent l’ordre ou le classement des données plutôt que leurs valeurs numériques exactes, permettant une analyse robuste sans hypothèses strictes sur la distribution (ex : test de Wilcoxon).
• Test de qualité de l’ajustement : Test statistique permettant de vérifier si une distribution observée correspond à une distribution théorique spécifique, sans supposer de paramètre précis (ex : test du khi carré).
• Test d’indépendance : Test visant à déterminer si deux variables sont indépendantes dans un tableau de contingence, en utilisant des rangs ou des fréquences observées (ex : test du chi carré d’indépendance).
• Utilisation en absence d’hypothèses fortes : Application des tests non paramétriques lorsque les conditions pour les tests paramétriques (normalité, variance homogène) ne sont pas remplies, offrant une alternative robuste.
• Avantages et limites : Les tests non paramétriques sont moins sensibles aux violations des hypothèses, mais peuvent être moins puissants que les tests paramétriques lorsque ces dernières sont vérifiées (voir aussi "comparaison avec tests paramétriques").

📝 Points essentiels

Les tests non paramétriques se distinguent par leur capacité à analyser des données sans supposer une distribution précise. Par exemple, le test de Wilcoxon ou le test du rang signé sont utilisés pour comparer deux échantillons appariés ou indépendants lorsque la normalité n’est pas assurée. Le test de qualité de l’ajustement, comme le test du khi carré, compare la distribution observée à une distribution théorique sans faire appel à des paramètres précis, ce qui le rend utile pour analyser la conformité d’un échantillon à une loi donnée. Le test d’indépendance, souvent basé sur des fréquences ou rangs, permet d’évaluer si deux variables sont liées ou indépendantes dans un tableau de contingence. Ces tests sont privilégiés lorsque les conditions des tests paramétriques (normalité, variance homogène) ne sont pas remplies, offrant une alternative robuste. Cependant, leur puissance est généralement inférieure à celle des tests paramétriques lorsque ces derniers sont applicables.

💡 À retenir

Les tests non paramétriques sont essentiels pour analyser des données sans hypothèses strictes sur leur distribution, offrant une méthode robuste mais souvent moins puissante que les tests paramétriques lorsque leurs conditions sont respectées.

📖 7. Loi normale

🔑 Notions clés & Définitions

• Loi normale (distribution gaussienne) : Distribution continue caractérisée par une courbe en forme de cloche, symétrique autour de la moyenne μ, décrite par la fonction de densité $f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$. Elle est fondamentale en statistique inférentielle.
• Théorème central limite (TCL) : Rodolphe Loubaton (date implicite) : La somme (ou la moyenne) de variables aléatoires i.i.d. avec un moment d’ordre 2 converge en loi vers une loi normale lorsque la taille de l’échantillon tend vers l’infini, sous réserve d’une variance finie.
• Paramètres de la loi normale : La moyenne μ (espérance) et la variance σ² (dispersion), qui déterminent respectivement la position et la largeur de la courbe. La loi normale standard, notée $N(0,1)$, a μ=0 et σ²=1.
• Quantiles de la loi normale standard : Valeurs $Q_{\alpha/2}$ telles que $P(Z \leq Q_{\alpha/2}) = \alpha/2$ pour $Z \sim N(0,1)$, utilisés pour construire des intervalles de confiance.
• Distribution normale approximative : Utilisée pour approximer la distribution d’échantillonnage de la moyenne ou d’autres estimateurs lorsque la taille de l’échantillon est grande, en application du TCL, notamment dans le contexte de la loi de Student (voir section 9).

📝 Points essentiels

• La loi normale est définie par ses deux paramètres : la moyenne μ, qui indique la valeur centrale, et la variance σ², qui mesure la dispersion autour de μ. La fonction de densité est symétrique et unimodale.
• Selon Rodolphe Loubaton (date implicite), le Théorème central limite affirme que, pour une suite de variables aléatoires i.i.d. avec variance finie, la distribution de la moyenne d’échantillon $\frac{1}{n} \sum_{i=1}^n X_i$ tend vers une loi normale $N(\mu, \sigma^2/n)$ lorsque $n \to \infty$.
• La loi normale standard $N(0,1)$ est utilisée comme référence pour calculer les quantiles et construire des intervalles de confiance, en utilisant la notation $Q_{\alpha/2}$ pour les quantiles correspondant à un niveau de confiance $1-\alpha$.
• La distribution normale est souvent utilisée pour approximer la distribution d’échantillonnage de la moyenne lorsque la taille de l’échantillon est grande, en s’appuyant sur le TCL, ce qui facilite la réalisation de tests statistiques et la construction d’intervalles de confiance.
• La notion de quantile $Q_{\alpha/2}$ de la loi normale standard permet de définir des seuils pour les intervalles de confiance, notamment dans le cadre de la loi de Student pour des échantillons de taille finie.

💡 À retenir

La loi normale, caractérisée par ses paramètres μ et σ², est essentielle en statistique inférentielle, notamment grâce au théorème central limite qui permet d’approximer la distribution d’échantillonnage de la moyenne par une loi normale lorsque la taille de l’échantillon est grande.

📖 8. Loi binomiale

🔑 Notions clés & Définitions

• Loi binomiale B(n,p) : distribution discrète d'une variable aléatoire X représentant le nombre de succès dans n essais indépendants identiques, chaque essai ayant une probabilité p de succès, avec X ∈ {0, ..., n}.
• Paramètres de la loi binomiale :
  • n : nombre d’essais (entier naturel positif).
  • p : probabilité de succès lors de chaque essai, avec p ∈ [0,1].
• Lien avec la loi de Bernoulli : La loi binomiale B(n,p) est la somme de n lois de Bernoulli indépendantes et identiques (X = Σ Xi, où Xi ∼ Bernoulli(p)).
• Approximation par la loi normale : Selon PERROUX (date non précisée), la loi binomiale peut être approximée par une loi normale N(np, np(1−p)) lorsque n > 30, np > 5 et n(1−p) > 5.

📝 Points essentiels

• La loi binomiale modélise le nombre de succès dans une série d’essais indépendants, chacun avec une probabilité p de succès.
• La relation avec la loi de Bernoulli est fondamentale : la loi binomiale est la somme de n variables de Bernoulli.
• L’approximation normale est justifiée par le théorème central limite (voir section 2), sous les conditions n > 30, np > 5, n(1−p) > 5, permettant d’utiliser la loi normale pour calculer des probabilités ou construire des intervalles de confiance.
• Exemple d’application : le nombre de faces dans des lancers de pièces, où chaque lancer suit une loi de Bernoulli avec p = 1/2, et la somme des succès suit une loi binomiale B(n, 1/2).

💡 À retenir

La loi binomiale B(n,p) est essentielle pour modéliser des expériences binaires répétées, et son approximation par la loi normale facilite le calcul de probabilités et d’intervalles de confiance lorsque n est suffisamment grand.

📖 9. Loi de Student

🔑 Notions clés & Définitions

• Loi de Student (ou loi t de Student) : Distribution de la statistique T = (X̄ - μ) / (S / √n), où X̄ est la moyenne d’un échantillon, μ la moyenne hypothétique, S l’estimateur empirique de la variance, et n la taille de l’échantillon. Selon ****(Student, 1908)**, cette loi permet d’estimer la moyenne d’une population lorsque la variance est inconnue.

• Degrés de liberté (ddl) : Nombre de valeurs indépendantes dans le calcul de la statistique, ici n - 1, correspondant à la taille de l’échantillon moins un. La loi de Student Tn-1 est caractérisée par ces degrés de liberté.

• Convergence vers la loi normale : Quand n → ∞, la loi de Student Tn-1 converge vers la loi normale N(0,1), selon le théorème central limite. Cela signifie que pour de grands échantillons, la distribution de la statistique T s’approche d’une loi normale standard.

• Quantiles tn-1,α/2 : Valeurs critiques de la loi de Student, telles que P(T ≤ tn-1,α/2) = α/2. Utilisées pour construire des intervalles de confiance ou réaliser des tests d’hypothèses bilatéraux.

• Formule de la statistique T :
  $T = \frac{\bar{X} - \mu}{S / \sqrt{n}}$
  où $\bar{X}$ est la moyenne de l’échantillon, $\mu$ la moyenne hypothétique, $S$ l’estimateur empirique de la variance, et $n$ la taille de l’échantillon.

📝 Points essentiels

• La loi de Student est utilisée pour estimer la moyenne d’une population lorsque la variance $\sigma^2$ est inconnue, en particulier dans le contexte de petits échantillons (n faible).
• La statistique T suit une loi de Student Tn-1, dont la forme dépend des degrés de liberté n - 1.
• La formule de la statistique T permet de mesurer l’écart entre la moyenne empirique $\bar{X}$ et la valeur hypothétique $\mu$, en tenant compte de la variabilité empirique S.
• La convergence vers la loi normale quand n → ∞ justifie l’utilisation de cette loi pour de grands échantillons, simplifiant les calculs et les intervalles de confiance.
• Les quantiles tn-1,α/2 sont essentiels pour déterminer la région critique dans les tests bilatéraux ou construire des intervalles de confiance à 1 - α.

💡 À retenir

La loi de Student Tn-1 permet d’estimer la moyenne d’une population à partir d’un petit échantillon lorsque la variance est inconnue, en utilisant la statistique T dont la distribution dépend des degrés de liberté et converge vers la normale pour de grands n.

📖 10. Intervalle de confiance

🔑 Notions clés & Définitions

• Intervalle de confiance bilatéral : Un intervalle [t₁, t₂] construit de manière à ce que la probabilité que le paramètre θ se trouve entre ces deux bornes soit égale à 1−α, c’est-à-dire P(t₁ ≤ θ ≤ t₂) = 1−α. Il repose sur la distribution d’échantillonnage et permet d’estimer un paramètre inconnu avec un niveau de confiance donné.
• Interprétation probabiliste de l’IC (1−α) : La probabilité que l’intervalle calculé à partir d’un échantillon contienne effectivement le paramètre θ est égale à 1−α, ce qui signifie qu’en répétant l’expérience de prélèvement, environ (1−α)×100% des intervalles construits seront corrects.
• Construction d’un IC autour d’une moyenne avec loi de Student : Lorsqu’on estime la moyenne μ d’une population à partir d’un échantillon de taille n, et que la variance σ² est inconnue, on utilise la loi de Student Tₙ₋₁ pour construire un intervalle [X̄ − tₙ₋₁,α/2 × (s/√n), X̄ + tₙ₋₁,α/2 × (s/√n)] où X̄ est la moyenne échantillonnale, s l’écart-type empirique, et tₙ₋₁,α/2 le quantile de la loi de Student.
• Construction d’un IC autour d’une proportion avec loi normale : Pour une proportion p̂ observée dans un échantillon, l’intervalle de confiance à 95% s’écrit : [p̂ − u₁−α/2 × √(p̂(1−p̂)/n), p̂ + u₁−α/2 × √(p̂(1−p̂)/n)], où u₁−α/2 est le quantile de la loi normale standard.
• Lien entre IC et estimation par intervalle : La construction d’un IC repose sur l’estimation ponctuelle du paramètre et l’utilisation de la distribution d’échantillonnage pour déterminer les bornes, garantissant un certain niveau de confiance.

📝 Points essentiels

• L’intervalle de confiance bilatéral est défini par deux limites, t₁ et t₂, telles que P(t₁ > θ) = α/2 et P(θ > t₂) = α/2, assurant que P(t₁ ≤ θ ≤ t₂) = 1−α.
• La formule pour une moyenne μ avec loi de Student est : $\left[ X̄ - t_{n-1, α/2} \times \frac{s}{\sqrt{n}}, \quad X̄ + t_{n-1, α/2} \times \frac{s}{\sqrt{n}} \right]$, où X̄ est la moyenne échantillonnale, s l’écart-type empirique, et t_{n-1, α/2} le quantile de la loi Tₙ₋₁.
• Pour une proportion p̂, l’intervalle de confiance à 95% est : $\left[ p̂ - u_{1−α/2} \times \sqrt{\frac{p̂(1−p̂)}{n}}, \quad p̂ + u_{1−α/2} \times \sqrt{\frac{p̂(1−p̂)}{n}} \right]$, avec u_{1−α/2} le quantile de la loi normale standard.
• La relation entre IC et estimation par intervalle permet d’évaluer la précision de l’estimation ponctuelle, en tenant compte de la variabilité de l’échantillon.

💡 À retenir

L’intervalle de confiance offre une estimation probabiliste de la localisation d’un paramètre inconnu, avec un niveau de confiance prédéfini, en utilisant la distribution d’échantillonnage adaptée à la statistique d’intérêt.

📅 Repères chronologiques

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre statistique descriptive et inférentielle : la première résume, la seconde infère.
2. Utiliser la moyenne empirique comme estimateur sans vérifier si la distribution est normale.
3. Confondre intervalle de confiance et intervalle de prédiction.
4. Ignorer la loi de Student dans le calcul des intervalles pour petits échantillons.
5. Confondre p-valeur et niveau de signification α.
6. Supposer que la variance empirique est toujours une estimation précise pour la variance réelle.
7. Confondre hypothèse nulle (H0) et hypothèse alternative (H1).

✅ Checklist Examen

• Connaître la définition de la statistique descriptive selon Rodolphe Loubaton.
• Savoir distinguer statistique descriptive et statistique inférentielle.
• Maîtriser la formule de la moyenne empirique et de la variance empirique.
• Comprendre le principe de l’estimation ponctuelle et ses exemples.
• Savoir construire un intervalle de confiance bilatéral à partir de la loi de Student.
• Connaître la notion d’erreur standard et son rôle dans l’estimation.
• Maîtriser la procédure du test d’hypothèse, notamment la formulation de H0 et H1.
• Savoir définir la zone de rejet et la p-valeur.
• Comprendre l’utilisation de la loi de Student pour les petits échantillons.
• Connaître la différence entre erreur de type I et erreur de type II.
• Savoir interpréter un intervalle de confiance.
• Maîtriser la différence entre erreur de première et deuxième espèce.
• Vérifier la maîtrise des concepts clés de Rodolphe Loubaton sur la croissance.