Beruflich Dokumente
Kultur Dokumente
et estimations
3
Les mthodes statistiques sont utilises dans presque
tous les domaines:
dans le domaine industriel: la fiabilit des matriels,
le contrle de qualit (Etude des
caractristiques de pices dune chaine de
fabrication), lanalyse des rsultats de mesure et
leur planification, la prvision,
dans le domaine de lconomie et des sciences
sociales: les modles conomtriques (Prvoir
lvolution de la vente dun produit), les
sondages, les enqutes dopinion, les tudes
quantitatives de march,
4
Aprs le recueil de donnes, la dmarche
statistique consiste traiter et interprter les
informations recueillies.
Elle comporte deux grands aspects: laspect
descriptif ou exploratoire et laspect
infrentiel ou dcisionnel.
5
Introduction gnrale
Nous avons vu jusqu prsent des mthodes destines
observer, dcrire et modliser un phnomne:
6
Introduction gnrale
8
Introduction gnrale
9
Introduction gnrale
10
Introduction gnrale
11
Introduction gnrale
12
Introduction gnrale
Lchantillonnage dsigne l'opration destine
slectionner une fraction d'une population, afin
de conduire des analyses.
Mthodes de prlvement dun chantillon:
Mthode des quotas;
chantillonnage alatoire;
chantillonnage au hasard simple;
chantillonnage stratifi;
chantillonnage par grappe;
13
La problmatique de linfrence statistique
consiste, partir dun chantillon de donnes
(technique d chantillonnage, chapitre2)
provenant dune population de loi de
probabilit inconnue, dduire des proprits
sur cette population : quelle est sa loi
(problme destimation, chapitre 3 et4),
comment prendre une dcision en contrlant
au mieux le risque de se tromper (problme
de test chapitre 5).
14
Introduction gnrale
L'chantillonnage permet aux statisticiens de
tirer des conclusions au sujet d'un tout en y
examinant une partie. Il nous permet d'estimer
des caractristiques d'une population en
observant directement une partie de l'ensemble
de la population. Les chercheurs ne s'intressent
pas l'chantillon lui-mme, mais ce qu'il est
possible d'apprendre partir de l'enqute et la
faon dont on peut appliquer cette information
l'ensemble de la population.
15
CHI:LOIS USUELLES CONTINUES
Loi normale trs utilise en statistique
infrentielle;
16
ChI: LOIS USUELLES CONTINUES
I. LOI NORMALE
A. Loi normale gnrale
a. Dfinition
On dit quune v.a.r X suit une loi Normale de paramtres
et si :
17
ChI: LOIS USUELLES CONTINUES
b. Esprance et Variance :
c. Caractristiques :
La courbe de la loi Normale possde la forme en
CLOCHE
La distribution normale est symtrique par rapport
la droite verticale : X=
18
ChI: LOIS USUELLES CONTINUES
19
ChI: LOIS USUELLES CONTINUES
21
ChI: LOIS USUELLES CONTINUES
V.A centre rduite a pour esprance 0 et cart
type 1
E(U)= 0
V(U)= 1
23
Chapitre I (suite)
24
Chapitre I (suite)
Exercice
X1 et X2 sont indpendantes
25
Chapitre I (suite)
C.Thorme Central Limit (T.C.L)
26
Chapitre I (suite)
27
Chapitre I (suite)
28
Chapitre I (suite)
29
Chapitre I (suite)
La lecture de la table
Elle donne la valeur de connue
Elle donne la valeur de (u) pour connue
EXEMPLE
31
Chapitre I (suite)
Exercices dapplications
Exercice1
Soit
Calculer
La V.A X suit une loi normale desprance 550 et
dEcart type 100.
Quelle est la probabilit pour que X soit moins de
650, plus de 746, moins de 500, entre 550 et 600
32
Chapitre I (suite)
Exercice II
Le temps (en minutes) de fabrication dun
bien par un ouvrier est reprsent par une
variable normale (X). On considre deux
ouvriers A et B travaillent indpendamment
lune de lautre.
Pour A
Pour B
33
Chapitre I (suite)
Si A et B commencent travailler au mme
instant, quelle est la probabilit que A termine
avant B, la premire unit produite ?
Exercice III
Calculer
Dterminer la valeur de U
34
A la fin de cette partie, ltudiant doit tre
capable de:
Expliquer les caractristiques dune loi NORMALE;
Dfinir et expliquer la valeur centre rduite
correspondant a nimporte quelle observation
dune variable normale (toute variable normale
peut se convertir en une variable normale
centre rduite);
Dterminer, a laide de la distribution normale
centre rduite, la probabilit dune variable
normale se trouvant dans un intervalle donne.
35
Chapitre I (suite)
II. Loi de khi-deux (Loi de Karl Pearon)
a. Thorme
Soit U1,U2 ,,Uv une suite de (v) variables Normales
Centres et rduites indpendantes.
36
Chapitre I (suite)
(v reprsente le paramtre)
X=x2(v)
b.Caractristiques de la distribution de x2(v)
Exemple
X=x2(10) E(x2(10))= 10 V(x2(10))= 2 10
X=x2(5) E(x2(5))= 5 V(x2(5))= 2 5
38
Chapitre I (suite)
d. Comportement asymtrique (Approximation)
Approximation de Fisher:
Si v30 alors:
Approximation gnrale:
Si v101 alors:
39
Chapitre I (suite)
e. Lecture de table de x2(v)
La table x2(v) donne les valeurs de la V.A x2(v)
ayant la probabilit dtre dpasse.
Elle donne:
40
Chapitre I (suite)
Exercices dapplication
Exercice I
Dterminera la valeur de (k) dans chacun des
cas suivants :
P(x2(17)>k)=0,25
P(x2(24)>k)=0,01
P(x2(29)<k)=0,90
41
Chapitre I (suite)
Exercice 2 :
1- Calculer le quantile dordre 10% pour la V.A x2(10) .
2- Dterminer la mdiane de x2(15)
Exercice 3 :
Dterminer les valeurs k1 et k2 dans chacune d des
eux cas suivants :
P(k1 < x2(9) < k2)=0,9
P(k1 < x2(50) < k2)=0,98
42
Chapitre I (suite)
44
Chapitre I (suite)
III. Loi de Student (William Sealy Gosset)
a. Dfinition
Soit U=N(0,1) et X= x2(v)
Avec U et X sont indpendantes
Alors:
45
Chapitre I (suite)
b. Esprance mathmatique et variance
Soit T = stud (v)
E(T)= 0 (existe si v>1)
V(T)= (existe si v>2)
c. Comportement asymtrique
Soit T = stud (v)
Si (v) tend vers linfini alors T tend vers N(0,1)
46
Chapitre I (suite)
Remarque
La loi de Student est gnralement utilise pour
les petits chantillons lorsque la variance de
la population est inconnue.
47
Chapitre I (suite)
IV. Loi de Fisher-Sndcor
a. Dfinition
X1= x2(v1) et X2= x2(v2)
X1 et X2 deux variables indpendantes
Alors la variable:
48
Chapitre I (suite)
Remarque
La distribution de Fisher, comme celle de x2,
nest pas symtrique.
b. Rgle empirique de Fisher
49
Chapitre I (suite)
50
CHII:ECHANTILLONNAGE
I- Dfinitions
a-Population
Population statistique: ensemble des units statistiques
(personnes ou objets) auxquelles on s'intresse et sur
lesquelles porte une tude. Et on appelle individu chaque
lment (entit) de cette population pour lequel des
donnes sont collectes.
Variable Alatoire Parente (V.A.P): caractre tudi dans
la population statistique (poids, CA, salaire, taille,
bnfice,), not X , Y, Z,La loi de la V.A.P sappelle loi
de la population
51
CHII ( suite)
Paramtres de la population: Ce sont les
caractristiques numriques de la population
statistique
Moyenne de la population () = E(X);
Variance de la population (2 ) = V(X);
Proportion de la population = P
b-Echantillon
Dfinition: une partie (sous ensemble) reprsentative
de la population statistique observe. La population
do on tire lchantillon sappelle population mre
ou population chantillonne
52
La constitution dun chantillon permet de collecter
des donnes pour rpondre une question
concernant une population.
Exemple 1:
Les membres dun parti politique marocain sont
supposs soutenir un candidat particulier aux
lections du parlement, et les responsables du parti
voudraient estimer la proportion dlecteurs
favorables leur candidat. Un chantillon de 400
lecteurs a t slectionn et 160 de ces lecteurs
ont indiqu tre favorables au candidat. Une
estimation de la proportion dlecteurs favorables au
candidat est donc 160 sur 400 soit 0,40.
53
Exemple 2:
Un fabriquant de pneu a conu un nouveau type de
pneu permettant daccroitre le kilomtrage effectu.
Pour estimer le nombre moyen de kilomtres
effectus avec les nouveaux pneus, le fabricant a
slectionn un chantillon de 120 nouveaux pneus,
dans le but de les tester. Daprs les rsultats du
test, la moyenne de lchantillon est gale a 36 500
kilomtres. Par consquent, une estimation du
kilomtrage moyen pour la population des
nouveaux pneus est de 36 500 kilomtres.
54
Il est important de comprendre que les rsultats dun
chantillon fournissent seulement des estimations
(lchantillon contient juste une partie de la
population. Une certaine erreur dchantillonnage
est attendu).
56
CHII ( suite)
Echantillon alatoire simple(E.A.S)
(population finie): La construction dun
chantillon alatoire simple de taille n est
ralise par un tirage au hasard avec remise
de n individus dans lensemble de la
population. Ainsi, tous les individus seront
tirs de manire indpendante et auront une
chance gale de faire partie de lchantillon (la
mme probabilit detre slectionn).
57
CHII (suite)
Autrement dit, On dit quun chantillon (X1, X2,
X3,, Xn) est alatoire simple si et seulement si :
Quelque soit i= 1, 2, 3,,n; la loi de Xi est la
mme que celle de la V.A.P (X), do:
E (Xi)= E(X)=
V(Xi )= V(X)= 2
58
chantillonnage partir dune population infinie:
parfois, nous souhaitons slectionner un chantillon
partir dune population qui est infiniment grande ou dont
les lments sont gnres par un processus pour lequel il
ny a pas de limite quant au nombre dlments qui
peuvent tre gnres.
60
CHII ( suite)
C- probabilit dun chantillon (fonction de
vraisemblance)
Soit (X1, X2, X3,, Xn ) un chantillon alatoire
simple dont la ralisation est (x1, x2, x3 ,, xn),
la probabilit de cette chantillon est note:
L(x,), avec (cas continu):
61
CHII (suite)
Ou (cas discret)
62
CH II (suite)
Exemple
soit X=P( ), calculons L(x, )
Exercice1
Soit X=B(n,p)
Calculer L(x;p)
Exercice2
Soit X= B(p)
Calculer L(x;p)
63
CHII (suite)
Exercice 3
X=N(; 2)
Calculer L(x;; 2)
64
CHII (suite)
II- variables et distribution dchantillonnage
Distribution de probabilit appel distribution d
chantillonnage
Supposons une population statistique de taille N. de
combien de manires diffrentes peut on tirer un
chantillon de taille n parmi les N individus?
65
CHII (suite)
a-dfinition
On appelle variable dchantillonnage toute
fonction de lE.A.S (X1, X2, X3,, Xn)
Exemple:
66
CHII (suite)
b-la moyenne dchantillonnage
Une distribution d chantillonnage de la moyenne d chantillonnage correspond
la distribution de toutes les valeurs possibles de la moyenne d chantillon
Exemple: on effectue une tude dmographique
sur la fcondit chez la femme citadine et on
considre la variable alatoire X qui dsigne le
nombre d enfants par famille.
On sintresse au nombre moyen denfants par
famille. Pour cela, on prlve 5 chantillons
alatoires et on observe la ralisation des 9 V.A X 1
, X 2,, X 9
Pour chacun des 5 chantillons on a:
67
CHII (suite)
Echantillon 1 2 3 4 5
X1 2 1 4 4 0
X2 1 0 3 4 1
X3 1 0 3 0 0
X4 1 4 0 1 2
X5 3 3 1 0 2
X6 2 2 2 3 2
X7 5 5 5 2 4
X8 2 1 2 4 3
X9 4 0 2 1 5
X 2,3 1,8 2,4 2,1 2,1
68
CHII (suite)
On remarque que le nombre moyen denfants
par famille prend des valeurs diffrentes selon
lchantillon considr;
La moyenne est donc une variable alatoire
69
CHII (suite)
Proprit de la moyenne dchantillonnage
Le tableau prcdent nous a permis dobtenir 5
ralisations de la moyenne dchantillonnage
quon note:
On sattend ce que ces 5 valeurs soient
proches de la moyenne .
70
CHII (suite)
Proprit 1
Soit X1, X2, , Xn un chantillon alatoire simple
de taille n, relatif la V.A. parente X.
Lesprance de la V.A moyenne
dchantillonnage est gale la moyenne de la
population
=E(Xi)= E(X)=
71
CH II (suite)
Proprit 2
Soit X1, X2, , Xn un chantillon alatoire simple
de taille n, relatif la V.A. parente X. La
variance de la V.A moyenne dchantillonnage
est gale la variance de X divise par la taille
n de lchantillon:
72
CH II (suite)
73
CH II (suite)
Exemple
La Taille des tudiants dune universit, Note X
est une Variable Normale de moyenne 170 cm
et dcart type 7 cm .On tire au hasard un
chantillon de taille n=49. Calculer la
probabilit que la moyenne de lchantillon
soit :
a- infrieure 172 cm
b-comprise entre 168cm et 172cm ?
74
CH II (suite)
C- La variance dchantillonnage et la quasi-
variance
Dfinition: On rappelle que la variance
dchantillonnage(not )est une V.A. qui
associe une valeur numrique chaque tirage
dchantillon.
75
CH II (suite)
Si:
Alors:
76
CH II (suite)
Si est connue alors:
77
CH II (suite)
Proprit: Soit X1, X2, , Xn un chantillon
alatoire simple de taille n, relatif la V.A. parente
X de moyenne et de variance 2. Lesprance de
la V.A variance dchantillonnage est gale :
78
CH II (suite)
Remarque: Lesprance de la variance
dchantillonnage nest pas une image parfaite
de la variance.
79
CH II (suite)
Proprit : Soit X1, X2, , Xn un chantillon
alatoire simple de taille n, relatif la V.A. parente
X de moyenne et de variance 2. Lesprance de
la V.A quasi-variance dchantillonnage est gale
:
2
La variance de la V.A quasi-variance
dchantillonnage est gale :
80
CH II (suite)
Si:
Alors:
si est connue :
81
CH II (suite)
Remarque: la variance et la quasi-variance
tendent toutes les deux vers zro lorsque la
taille de lchantillon tend vers linfini
82
CH II (suite)
d- La proportion (frquence) alatoire F
Dfinition: Soit X1, X2, , Xn une suite de
variables alatoires de Bernoulli
indpendantes.
83
CH II (suite)
Proprits de F:
p = proportion de succs dans la pop. stat)
84
CH II (suite)
Si le tirage est sans remise
85
CH II (suite)
Loi de probabilit de F
Lorsque n < 30
Soit
Valeurs possible de F : DF
Pour
Donc
86
CH II (suite)
Soit
Si:
Alors:
87
CH II (suite)
Si:
Alors:
88
CH III: Estimation
90
Estimation ponctuelle
Dfinition de lestimateur: Soit X1, X2, , Xn
un E.A.S relatif la V.A. parente X dont sa loi
dpend du paramtre . On appelle estimateur
du paramtre , toute statistique utilise dans
le but dapprocher la valeur inconnue de . Un
estimateur est donc une Variable Alatoire,
cest une fonction de lE.A.S.
91
Estimation ponctuelle
Exemple:
avec
92
Estimation ponctuelle
Dfinition de lestimation: Cest la valeur prise
par lestimateur dans lchantillon ralis (x1;
x2; x3; x4;;xn).
Une estimation du paramtre est une
ralisation dun estimateur de ce paramtre.
Une estimation est donc une valeur
numrique.
93
Estimation ponctuelle
II- Proprits des estimateurs
1-Estimateurs sans biais
Dfinition: est un estimateur sans biais du
paramtre
Si:
Si
Si
95
Estimation ponctuelle
Exercice: montrer que:
est un estimateur sans biais de
F est un estimateur sans biais de p
est un estimateur biais de 2
Calculer le biais et proposer un estimateur sans
biais de 2 en fonction de
96
Estimation ponctuelle
Dfinition: On appelle estimateur
asymptotiquement sans biais, du paramtre
Si
Exemple
est un estimateur asymptotiquement sans
biais de 2
97
Estimation ponctuelle
2-Estimateurs Convergents
Dfinition: On appelle estimateur convergent
du paramtre si:
Dans la pratique, pour vrifier la convergence,
il suffit de vrifier la consistance.
Estimateur consistant: un estimateur
convergent du paramtre si:
98
Estimation ponctuelle
Si est un estimateur sans biais ou
asymptotiquement sans biais de , et si sa
variance tend vers zro lorsque n tend vers
linfini, alors est un estimateur consistant de
Thorme:
Tout estimateur Consistant est convergent
Exemple:
et est un
estimateur convergent car il est consistant
99
Estimation ponctuelle
3-Estimateurs Efficaces ( choix entre estimateurs):
Choix entre estimateurs quelconques: pour
choisir entre plusieurs estimateurs quelconque,
on utilise le critre de lerreur quadratique
moyenne (EQM).
100
Estimation ponctuelle
Si
Choix entre estimateurs Sans-biais: Entre
deux estimateurs sans biais, on prfre utiliser
celui qui a la variance la plus petite ( la
variance minimale).
Efficacit:
Ingalit de CRAMER-RAO:
101
Estimation ponctuelle
Avec
102
Estimation ponctuelle
Estimateur efficace: est efficace si:
Cas particuliers :
Si
Si
104
Estimation ponctuelle
b. La Mthode de maximum de
vraisemblance
Pour calculer lestimation de maximum de
vraisemblance (EMV) de not , on doit
suivre 4 tapes :
105
Estimation ponctuelle
106
Estimation par intervalle de confiance
Un estimateur ponctuel est une statistique
d'chantillon utilise pour estimer un
paramtre dune population.
puisquon ne peut sattendre ce quune
estimation ponctuelle soit exactement gale
la valeur du paramtre de la population
correspondant, une estimation par intervalle
est souvent ralise en ajoutant une marge
derreur lestimation ponctuelle.
107
Estimation par intervalle de confiance
109
Estimation par intervalle de confiance
110
Estimation par intervalle de confiance
111
Estimation par intervalle de confiance
Avec est toujours lue sur la table de la loi normale
centre rduite aprs vrification du T.C.L
Et
112
Estimation par intervalle de confiance
113
Estimation par intervalle de confiance
114
Estimation par intervalle de confiance
La marge derreur ou lerreur destimation
(prcision) not E: cest la demi longueur de
lintervalle de confiance.
115
Estimation par intervalle de confiance
Ainsi;
116
Estimation par intervalle de confiance
Donc
118
Estimation par intervalle de confiance
119
Estimation par intervalle de confiance
120
Estimation par intervalle de confiance
avec:
121
Estimation par intervalle de confiance
Prcisions:
avec:
Ou
122
Estimation par intervalle de confiance
Lamplitude
La marge derreur
123
Estimation par intervalle de confiance
La taille de lchantillon
Ou
124
Estimation par intervalle de confiance
Avec:
125