Statistiques L2 Éco-Gestion : tests et estimations

En L2 éco-gestion, les stats changent de visage. Fini la descriptive de L1 avec ses moyennes et ses écarts-types sagement calculés sur des tableaux. Place à la statistique inférentielle : estimation de paramètres, intervalles de confiance, tests d’hypothèses. Le cœur du programme, c’est d’apprendre à décider à partir d’un échantillon.

Cette matière fait peur. Beaucoup d’étudiants décrochent au S4 parce qu’ils n’ont pas vu venir le virage probabiliste. Cette fiche te donne les repères essentiels pour ne pas te planter. On va droit au but, avec des exemples chiffrés.

Ce que tu dois maîtriser en L2

Le programme des techniques quantitatives 2 est assez homogène d’une fac à l’autre. À Paris Cité par exemple, l’UE Techniques quantitatives d’éco-gestion 2 — Stats inférentielles : estimation, tests d’hypothèses, intervalles de confiance pèse 6 ECTS. À Assas, c’est l’UE Statistiques 3 qui couvre exactement ce périmètre.

Concrètement, tu dois savoir faire 4 choses :

• Construire un estimateur d’un paramètre inconnu (moyenne, variance, proportion)
• Calculer un intervalle de confiance à 95 % ou 99 %
• Poser et exécuter un test d’hypothèse (bilatéral, unilatéral)
• Interpréter une p-value et une région critique

L’INSEE rappelle un point que beaucoup d’étudiants oublient : l’intervalle de confiance ne prend en compte que le fait que les résultats proviennent d’une enquête par sondage aléatoire, et non les autres sources d’erreurs. Biais de non-réponse, mauvaise formulation… ça, aucune formule ne le corrige.

L’estimation : passer de l’échantillon à la population

Tout part d’un constat tout bête : tu ne peux pas interroger 67 millions de Français pour connaître leur revenu moyen. Tu prends donc un échantillon de taille n, et tu extrapoles. L’estimation statistique, c’est l’ensemble des méthodes qui permettent d’estimer les paramètres de la population de l’étude en se basant sur l’analyse des données de l’échantillon.

Estimation ponctuelle

Un estimateur, c’est une variable aléatoire qui dépend de l’échantillon. Les plus classiques :

• Moyenne empirique : X̄ = (X₁ + X₂ + … + Xₙ) / n → estimateur de μ
• Variance empirique corrigée : S² = Σ(Xᵢ − X̄)² / (n−1) → estimateur sans biais de σ²
• Fréquence observée : F = k/n → estimateur de la proportion p

Deux propriétés à connaître par cœur : un bon estimateur est sans biais (son espérance vaut le paramètre) et convergent (sa variance tend vers 0 quand n augmente). Les profs adorent te demander de prouver ces deux trucs en exam.

Intervalle de confiance : un exemple chiffré

L’estimation ponctuelle, c’est bien, mais c’est juste un chiffre. L’intervalle de confiance donne une fourchette. Pour une proportion, la formule que tu dois retenir absolument :

IC₉₅% = [f − 1,96 × √(f(1−f)/n) ; f + 1,96 × √(f(1−f)/n)]

Exemple concret. Un sondage interroge 1 000 électeurs, 53 % disent voter pour le candidat A. L’intervalle de confiance à 95 % est [49,9 % ; 56,1 %]. Tu vois le problème ? La borne inférieure passe sous les 50 %. Impossible de garantir la victoire. Plus la taille de l’échantillon n est grande meilleure sera la précision.

Pour la moyenne d’une loi normale d’écart-type inconnu, on bascule sur la loi de Student à (n−1) degrés de liberté :

IC = [X̄ − t_α × S/√n ; X̄ + t_α × S/√n]

À retenir : pour un niveau de 90 %, on a k ≈ 1,645, mais pour un niveau de 95 %, on a k ≈ 1,96. Pour 99 %, c’est 2,58. Ces trois valeurs, tu les apprends ce soir.

Les tests d’hypothèses : la méthodologie qui sauve

Un test statistique, c’est une procédure de décision. Tu poses deux hypothèses, tu calcules une statistique de test, tu conclus. Les problèmes traités sont de deux types : l’estimation de paramètres et les tests d’hypothèses.

Les 5 étapes incontournables

• Étape 1 : poser H₀ (hypothèse nulle) et H₁ (hypothèse alternative)
• Étape 2 : choisir le risque α (souvent 5 %)
• Étape 3 : calculer la statistique de test (Z, T, χ²…)
• Étape 4 : déterminer la région critique ou la p-value
• Étape 5 : conclure — on rejette H₀ ou on ne la rejette pas

Attention piège classique : on ne dit JAMAIS « on accepte H₀ ». On dit « on ne rejette pas H₀ ». C’est la différence entre absence de preuve et preuve d’absence.

Test bilatéral vs unilatéral

Type de test	H₀	H₁	Région critique
Bilatéral	μ = μ₀	μ ≠ μ₀	Deux côtés (±z_{α/2})
Unilatéral droite	μ ≤ μ₀	μ > μ₀	À droite (+z_α)
Unilatéral gauche	μ ≥ μ₀	μ < μ₀	À gauche (−z_α)

Exemple : test de conformité d’une moyenne

Une chaîne de production affirme que la durée de vie moyenne de ses ampoules est de 1 000 heures. Tu testes un échantillon de n = 36 ampoules, tu obtiens X̄ = 985 heures avec σ = 30. Avec α = 5 %, est-ce que la production est conforme ?

Statistique de test : Z = (985 − 1000) / (30/√36) = −15 / 5 = −3. Valeur critique bilatérale : ±1,96. Comme |−3| > 1,96, tu rejettes H₀. La production n’est pas conforme.

La p-value, à connaître sur le bout des doigts

La p-value, c’est la probabilité d’observer une statistique au moins aussi extrême que celle qu’on a, si H₀ est vraie. Règle : p-value < α → on rejette H₀. Le dictionnaire BibM@th détaille très bien ces calculs si tu veux approfondir avec des exemples rigoureux.

Les lois à maîtriser absolument

• Loi normale N(0,1) : pour les grands échantillons (n ≥ 30) et quand σ est connu
• Loi de Student t_{n−1} : pour les petits échantillons gaussiens avec σ inconnu
• Loi du χ² (khi-deux) : pour les tests de variance et d’indépendance
• Loi de Fisher F : pour comparer deux variances

Pense à remobiliser tes acquis de L1. Un rappel sur les statistiques descriptives L1 et sur les maths appliquées à l’économie te fera gagner un temps fou.

Méthode de révision qui marche

La stat inférentielle, ça ne se lit pas. Ça se pratique. Voici la routine qui fonctionne :

• ✅ Fiche mémo d’1 page avec les 4 lois et leurs quantiles usuels
• ✅ Refaire 10 exercices d’IC (moyenne, proportion, variance)
• ✅ Refaire 10 tests d’hypothèses en variant H₁ (bilatéral/unilatéral)
• ✅ Apprendre à rédiger la conclusion en français clair, pas juste en formules

Cette matière est aussi la porte d’entrée vers l’économétrie en L2/L3, qui réutilise exactement les mêmes outils. Si tu comprends bien les tests maintenant, tu remercieras ton toi de L2 en L3. Pour les fondamentaux théoriques, jette aussi un œil à ta fiche de microéconomie L2 — les modèles économiques y utilisent la même logique d’estimation.

FAQ — Statistiques L2 éco-gestion

Quelle différence entre stat descriptive et stat inférentielle ?

La descriptive résume des données observées (moyenne, médiane, graphiques). L’inférentielle, elle, extrapole de l’échantillon à la population entière grâce aux probabilités.

Quand utiliser la loi normale vs la loi de Student ?

Loi normale si σ est connu OU si n ≥ 30. Loi de Student si σ est inconnu ET n < 30 (avec une population gaussienne).

Qu’est-ce que le risque α ?

C’est la probabilité de rejeter H₀ alors qu’elle est vraie (erreur de première espèce). Les valeurs classiques : 5 %, 1 %, 10 %.

Comment interpréter un intervalle de confiance à 95 % ?

Si on répétait l’expérience 100 fois, environ 95 intervalles contiendraient la vraie valeur du paramètre. Ce n’est PAS « 95 % de chance que μ soit dans l’intervalle ».

La stat inférentielle sert-elle vraiment en entreprise ?

Oui, massivement. Contrôle qualité, sondages marketing, A/B testing, études économiques, finance… Tout secteur qui manipule des données fait de la stat inférentielle, consciemment ou non.

Ces fiches sont faites pour toi 📋

Nos fiches de révision éco-gestion couvrent l’intégralité du programme de licence : micro 1 à 4, macro 1 à 4, comptabilité, maths (analyse, algèbre, Lagrangien, équations diff), stats, probabilités, marketing, contrôle de gestion, économétrie. Les formules, les méthodes et les exemples calculés — tout ce qu’il faut pour tes devoirs hebdomadaires et tes partiels.