Beruflich Dokumente
Kultur Dokumente
1 :Page
Tables des Matières
Exercice 1……………………………………………………………..…………………………………..……………………………………………………………………………...4
Exercice 2………………………………………………………..…………………………………..……………………………………………………………………………..…... 7
Exercice 3……………..…………………………..…………………………………..……………………………………………………………………………..……………… 11
Exercice 4…………………………………………..…………………………………..……………………………………………………………………………..……………… 16
Exercice 5………………………………………..…………………………………..……………………………………………..………………………………..……………… 18
Exercice 6………………………………………………………..…………………………………..……………………………………………………………………………..… 22
Exercice 7……………………………………………………………………………..……………………………………………………………………………..……………… 28
Exercice 8………………………………………………………..……………………..……………………………………………………………………………..……………… 33
Exercice 9………………………………………………………..…………………..………..……………………………………………………………………..……………… 36
Exercice 10………………………………………………………..…………………..……………………………………………………………………………..……………… 39
Annexe………………………………………………………..…………………..……………………………………………………………………………..……………………… 72
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
2 :Page
⟹ Liste des tableaux
Tableau 1 : Eléments de statistique descriptive de la variable achat
Tableau 2 : Éléments de statistique descriptive de la variable salaire
Tableau 3: Tableau de contingence entre salaire et sexe
Tableau 4: Tableau de contingence entre salaire et niveau
Tableau 5: Calcul des indicateurs de salaire selon le sexe
Tableau 6: Calcul des indicateurs de salaire selon le Niveau
3 :Page
INTRODUCTION
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
4 :Page
EXERCICE 1 :
Eléments de Réponses
1) Ici, il s’agit d’estimer par intervalle de confiance, la part de sous alimentés dans un
pays donné à partir d’un échantillon des 2000 prochaines naissances.
En effet, la probabilité 𝛼 = 0,05, s’obtient par addition des nombres inscrits en marge
sur la table de la loi normale centrée et réduite (écart réduite) : ligne + colonne ⟹ 0,0
+ 0,05.
Cette probabilité correspond bien à la valeur 𝑡𝛼 = 1,96 , avec 𝑃𝑈 (−1,96 < 𝑈 < 1,96) =
0,95, U étant la valeur de l’écart réduite.
𝑓0 × (1 − 𝑓0 ) 𝑓0 × (1 − 𝑓0 )
𝑃𝑝 (𝑓0 − 𝑡𝛼 × √ < 𝑝 < 𝑓0 + 𝑡𝛼 × √ ) = 0,95
𝑛 𝑛
avec
𝑓0 ×(1−𝑓0 ) 𝑓0 ×(1−𝑓0 )
𝑃1 = 𝑓0 − 𝑡𝛼 × √ 𝑒𝑡 𝑃2 = 𝑓0 + 𝑡𝛼 × √
𝑛 𝑛
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
5 :Page
En exécutant les programmes suivants sous le logiciel R.2.15.3:
Programmes de R
On obtient :
𝑓0 ×(1−𝑓0 )
𝑃1 = 𝑓0 − 𝑡𝛼 × √ = 0.2505426 ≈ 0.251 ⟹ 𝒏𝟏 = 𝑃1 × 2000 = 502
𝑛
𝑓0 ×(1−𝑓0 )
𝑃2 = 𝑓0 + 𝑡𝛼 × √ = 0.2894574 ≈ 0.289 ⟹ 𝒏𝟐 = 𝑃2 × 2000 = 578
𝑛
⟶ Commentaire
On estime à 95 chances sur 100, le nombre de sous alimentés du pays considéré, entre 502
et 578 personnes sur les 2000 individus sondés.
2) La statistique de la marge d’erreur (noté me) dans l’estimation du nombre de sous alimentés
est calculée comme suit :
𝑓0 × (1 − 𝑓0 )
𝑚𝑒 = 𝑡𝛼 × 𝜎𝑓 = 𝑡𝛼 × √
𝑛
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
6 :Page
En exécutant les programmes suivants sous le logiciel R.2.15.3:
Programmes de R
On obtient :
⟶ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
7 :Page
EXERCICE 2 :
Eléments de Réponses
𝑛
𝑛 = 1500; 𝑛1 = 810; 𝑓𝑜 = = 0,54; 1 − 𝛼 = 0,99 ⟺ 𝛼 = 0,01
𝑛1
En effet, la probabilité 𝛼 = 0,01, s’obtient par addition des nombres inscrits en marge
sur la table de la loi normale centrée et réduite (écart réduite) : ligne + colonne ⟹ 0,0
+ 0,01.
𝑓 × (1 − 𝑓𝑜 ) 𝑓 × (1 − 𝑓𝑜 )
𝑃𝑝 ( 𝑓𝑜 − 𝑡𝛼 × √ 𝑜 < 𝑃 < 𝑓𝑜 + 𝑡𝛼 × √ 𝑜 ) = 0,99
𝑛 𝑛
avec
𝑓𝑜 ×(1− 𝑓𝑜 ) 𝑓𝑜 ×(1− 𝑓𝑜 )
𝑃1 = 𝑓𝑜 − 𝑡𝛼 × √ 𝑒𝑡 𝑃2 = 𝑓𝑜 + 𝑡𝛼 × √
𝑛 𝑛
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
8 :Page
En exécutant les programmes suivants sous le logiciel R.2.15.3:
Programmes R
On obtient :
𝑓0 ×(1− 𝑓𝑜 )
𝑃1 = 𝑓0 − 𝑡𝛼 × √ = 0.5068506 ≈ 0.507
𝑛
𝑓0 ×(1−𝑓0 )
𝑃2 = 𝑓0 + 𝑡𝛼 × √ = 0.2894574 ≈ 0.573
𝑛
𝑓0 × (1 − 𝑓0 )
𝑚𝑒 = 𝑡𝛼 × 𝜎𝑓 = 𝑡𝛼 × √
𝑛
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
9 :Page
En exécutant les programmes suivants sous le logiciel R.2.15.3:
Langage S du R-Project
On obtient :
⟶ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
Au seuil de risque de 1%, on commet une erreur en valeur absolue de 3.3%, en
estimant la part des partisans pour le candidat considéré dans la région de Dakar sur
les 1500 votants sondés.
3) La taille optimale pour tenir compte à 99 chances sur 100, l’élection du candidat, il
suffirait que la borne inferieur de l’intervalle de confiance soit supérieur ou égale à
50%, mathématiquement, elle s’écrit comme suit:
𝑓0 × (1 − 𝑓0 ) 𝑓0 × (1 − 𝑓0 )
𝑓 − 𝑡𝛼 × √ ≥ 0,50 ⟺ 𝑡𝛼 × √ ≤ 𝑓 − 0,5
𝑛 𝑛
𝑓0 × (1 − 𝑓0 ) 1 (𝑓0 − 0,50)2
𝑡𝛼2 × ≤ (𝑓0 − 0,50)2 ⟺ ≤ 2
𝑛 𝑛 𝑡𝛼 × 𝑓0 × (1 − 𝑓0 )
𝑡𝛼2 × 𝑓0 × (1 − 𝑓0 )
⟺ 𝑛≥
(𝑓 − 0,50)²
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
10 :Page
En exécutant les programmes suivants sous le logiciel R.2.15.3:
Programmes R
On obtient :
𝑛 ≥ 1030,2014 ≈ 1030
⟶ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
Il faudrait sonder aléatoirement (avec remise ou sans remise) un échantillon de taille
supérieur ou égale à 1030 individus dans la région Dakaroise, afin d’être sûre (à 99%)
que le candidat soit désigné dans l’élection.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
11 :Page
EXERCICE 3 :
Eléments de Réponses
La ventes moyenne (𝑋̅), la variance (𝑠²(𝑥) ) et l’écart type (𝑠(𝑥) ) sont données par :
1 1
𝑋̅ = ∑18
𝑖=1 𝑋𝑖 ; 𝑠²(𝑥) = ∑18 ̅
𝑖=1 𝑋𝑖 ² − 𝑋 ² et 𝑠(𝑥) = √𝑠²(𝑥)
18 18
Programmes R
> x<-c(13,40,65,49,120,47,50,48,96,42,52,40,54,65,100,22,12,9)
> moy=round(mean(x),3);vari=round(var(x),3);ecart=round(sd(x),3)
> data.frame(moy,vari,ecart)
On obtient :
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
12 :Page
La variance de vente vaut 912.353 (en millions CFA), avec une dispersion autour de
la vente moyenne de 30.21 (en millions CFA).
2) Ici, il s’agit d’estimer par intervalle de confiance la vente moyenne de toutes les
entreprises de la région de Dakar.
Ayant les informations ci-dessous, nous pouvons déterminer les limites de l’intervalle
de confiance de la moyenne:
de Student)
En effet, la probabilité 𝛼 = 0,05, s’obtient par valeur conjointe au seuil 0.05 et à 17 (n-
1), de degré de liberté sur la table de la loi de Student 𝑇17 : à l’intersection de la ligne
et colonne ⟹ 0,05 et 17.
Cette probabilité correspond bien à la valeur 𝑡𝛼 = 2,110 , avec
Ρ(−2,110 < 𝑇𝑛 < 2,110 ) = 0,95.
avec
𝑠 𝑠
𝑚1 = 𝑋̅ − 𝑡𝛼 et 𝑚2 = 𝑋̅ + 𝑡𝛼
√𝑛−1 √𝑛−1
Programmes R
> t=2.110;n=18
> m1<-mean(x) - t*sd(x)/ sqrt(n-1)
> m2<-mean(x) + t*sd(x)/ sqrt(n-1)
> round(cbind(m1,m2),3)
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
13 :Page
On obtient :
𝑚1 = 35.87583 ≈ 35.876
𝑚2 = 66.79084 ≈ 66.791
⟶ Commentaire :
Programmes R
On obtient :
⟶ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
Avec une probabilité de 95%, on commet une erreur, en valeur absolue de 15.458, on
estimant la vente moyenne des entreprises de la région de Dakar sur les 18 entreprises
sondés.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
14 :Page
4) On veut estimer la variance des ventes par intervalle de confiance à 95%.
Ainsi, la variance de la population n’est pas connue, on estime alors par son estimateur
̅ = 1 ∑𝑛 (𝑥 − 𝑥̅ )² sans biais de 𝜎² : avec 𝑛 × 𝑠²
𝑠² ̅ = (n − 1) × s²
𝑛−1 𝑖=1 𝑖
(𝑛−1)𝑠²
En effet, la statistique de suit une loi de Khi-Deux à (n-1) degrés de liberté.
𝜎²
(𝑛 − 1)𝑠²
𝑃 (𝐴 ≤ ≤ 𝐵) = 1 − 𝛼 = 0.95
𝜎²
Les valeurs de A et B suivant la loi de Khi-deux sont calculées avec les probabilités ci-
dessous :
𝛼
𝑃 (𝜒 2 (𝑛−1) > 𝐴) = 1 − = 0,975
2
𝛼
𝑃 (𝜒 2 (𝑛−1) > 𝐵) = = 0.025
2
D’autre part, l’intersection des valeurs 0,025 et 17 (on lit pour la valeur B).
(𝑛 − 1)𝑠 2 (𝑛 − 1)𝑠 2
⟺ 𝑃( ≤ 𝜎2 ≤ );
𝐵 𝐴
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
15 :Page
𝑎𝑣𝑒𝑐
(𝑛−1)×𝑠² (𝑛−1)×𝑠²
𝜎²1 = 𝑒𝑡 𝜎²2 =
𝐵 𝐴
Programmes R
> A=7.564;B=30.191
> sigma2.1<-((n-1)*var(x))/B
> sigma2.2<-((n-1)*var(x))/A
> round(cbind(sigma2.1,sigma2.2), 3)
On obtient :
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
16 :Page
EXERCICE 4 :
Eléments de Réponses
Sélon le théorème Centrale Limite (ou de la limite centrale), tout évènement ou variable
indépendamment et identiquement distribuée ; répété un plus grand nombre de fois
suit asymptotiquement une loi de Laplace-Gauss.
En effet, avec le lancement de 36000 fois (n > 30), il n’y a aucune raison d’obtenir
une face plutôt qu’une autre avec le dé à six faces.
Programmes R
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
17 :Page
On obtient :
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒 :
En simulant un échantillon de taille 36000 des lancements aléatoires d’un dé à 6 faces,
on y trouve approximativement 6000 fois pour toutes les faces, à la 36ieme lancés. En
d’autres termes, chaque numéro i avec {i=1,…6} a autant de chance d’apparaitre à la
fin de l’expérience, par définition c’est « la notion d’équiprobabilité ».
En conclusion, nous ne pouvons pas considérer que le dé est pipé (ou truqué) avec la
face 1 obtenue 6327 fois (ou avec une proportion de 17.575%).
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
18 :Page
Méthode 2 : Test rélatif à une proportion
Ayant connaissant les informations ci-dessous, nous pouvons déterminer les limites
de la zone d’acceptation de l’hypothèse H0:
1
𝑓1 = ; 𝛼 = 5%; 𝑛 = 36000
6
La probabilité 𝛼 = 0,05, s’obtient par addition des nombres inscrits en marge sur la
table de la loi normale centrée et réduite (écart réduite) : Ligne + colonne ⟹ 0,0 +
0,05. Cette probabilité correspond bien à la valeur 𝑡𝛼 = 1,96.
contre :
𝑓0 ×(1−𝑓0 )
Avec 𝑃1 = 𝑓0 − 𝑡𝛼× 𝜎𝑓0 ; 𝑃2 = 𝑓0 + 𝑡𝛼× 𝜎𝑓0 et 𝜎𝑓0 = √
𝑛
Nous pouvons affirmer au seuil de risque de 5%, que le dé n’est pas pipé (non triché
ou non truqué).
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
19 :Page
EXERCICE 5 :
Eléments de Réponses
1) Ici, il s’agit de procéder un test non paramétrique rélatif à une médiane (cas bilatéral),
en vérifiant l’hypothèse suivante:
𝐻0 : 𝑀𝑒 = 8000
{ 𝐶𝑜𝑛𝑡𝑟𝑒
𝐻1 : 𝑀𝑒 ≠ 8000
Contre
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
20 :Page
En exécutant les programmes suivants sous le logiciel R.2.15.3:
Programmes R
> data<-
c(6000,7200,10000,20000,27200,8800,6800,5600,18000,34000,9600,720
0)
> simple.median.test(achat, median=8000)
> round(simple.median.test(achat, median=8000),3)
On obtient :
One-sample Sign-Test
data: achat
s = 7, p-value = 0.7744
alternative hypothesis: true median is not equal to 8000
95 percent confidence interval:
6842.545 19787.273
sample estimates:
median of x 9200
Conf.Level L.E.pt U.E.pt
Lower Achieved CI 0.8540 7200.000 18000.00
Interpolated CI 0.9500 6842.546 19787.27
Upper Achieved CI 0.9614 6800.000 20000.00
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒 :
La probabilité associée au test de signe de la médiane (bilatéral) est de 0.7744,
supérieur à tous les seuils conventionnels (1%,5% et 10%).
Dans ce cas, on ne rejette pas alors à tous les seuils de significativités l’hypothèse
nulle 𝐻0 .
Nous pouvons affirmer que les montants des achats sur les 12 observations sont
significativement compatibles avec un panier médian de 8000.
La région de la zone d’acceptation de l’hypothèse 𝐻0 avec une probabilité à 95% est
dans la bande comprise entre : [6842.545 ; 19787.273], (en Anglais : Interpolated CI).
𝐻0: 𝑀𝑒 ≤ 8000
{ 𝑐𝑜𝑛𝑡𝑟𝑒
𝐻1: 𝑀𝑒 > 8000
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
21 :Page
𝐻0 : « Les observations sont compatibles avec un panier médian de 8000 ».
Contre
One-sample Sign-Test
data: achat
s = 7, p-value = 0.3872
alternative hypothesis: true median is greater than 8000
95 percent confidence interval:
7028.727 Inf
sample estimates:
median of x 9200
Conf.Level L.E.pt U.E.pt
Lower Achieved CI 0.9270 7200.000 Inf
Interpolated CI 0.9500 7028.727 Inf
Upper Achieved CI 0.9807 6800.000 Inf
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒 :
Dans ce cas, on ne rejette pas alors à tous les seuils de significativités l’hypothèse
nulle 𝐻0 .
Nous pouvons affirmer que les montants des achats sur les 12 observations sont
significativement compatibles avec un panier médian de 8000.
𝐻0: 𝑀𝑒 ≥ 8000
{ 𝐶𝑜𝑛𝑡𝑟𝑒
𝐻1: 𝑀𝑒 < 8000
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
22 :Page
𝐻0 : « Les observations sont compatibles avec un panier médian de 8000 ».
Contre
One-sample Sign-Test
data: achat
s = 7, p-value = 0.8062
alternative hypothesis: true median is less than 8000
95 percent confidence interval:
-Inf 18856.36
sample estimates:
median of x 9200
Conf.Level L.E.pt U.E.pt
Lower Achieved CI 0.9270 -Inf 18000.00
Interpolated CI 0.9500 -Inf 18856.36
Upper Achieved CI 0.9807 -Inf 20000.00
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒 :
Conclusion :
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
23 :Page
EXERCICE 6 :
Eléments de Réponses
1) Ici, il s’agit bien de procéder un test rélatif à deux proportions (test bilatéral), en
vérifiant l’hypothèse suivante:
𝐻0 : 𝑝1 = 𝑝2
{
𝐻1 : 𝑝1 ≠ 𝑝2
Contre
𝑛1 × 𝑓1 + 𝑛2 × 𝑓2 𝑘1 + 𝑘2
𝑃̂ = =
𝑛1 + 𝑛2 𝑛1 + 𝑛2
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
24 :Page
La statistique de 𝑡𝑐𝑎𝑙 calculé est donnée par la formule ci-dessous :
𝑓1 − 𝑓2
|𝑡𝑐𝑎𝑙 | = || ||
1 1
√𝑃̂ × (1 − 𝑃̂) × ( + )
𝑛1 𝑛2
Programmes R
> f1=0.21;f2=0.44;n1=344;n2=90
> p.chap<-(f1*n1+f2*n2)/(n1+n2)
> q.chap<-1-p.chap
> print(p.chap)
> p.chapo<-round(p.chap,3)
> t.cal<-(f1-f2)/sqrt(p.chap*q.chap*((1/n1)+(1/n2)))
> print (abs(t.cal))
> t.cal<-round(abs(t.cal),3)
> data.frame(p.chapo,t.cal)
> # Méthode avec p-value
> prop.test(c((n1*f1),(n2*f2)),c(n1,n2))
On obtient :
𝑃̂ = 0.2576959 ≈ 0.258
|𝑡𝑐𝑎𝑙 | = |−4.441593| ≈ 4.442
La probabilité 𝛼 = 0,05, s’obtient par addition des nombres inscrits en marge sur la
table de la loi normale centrée et réduite (écart réduite) :
On constate bien que la valeur de tabulée 𝑡𝛼 (lue sur la table de la loi normale centrée
et réduite) est inférieur à la valeur calculée |𝑡𝑐𝑎𝑙 | : 1.96 < 4.442.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
25 :Page
Ceci nous ramène à rejeter l’hypothèse nulle au seuil de risque de 5%, autrement dit,
la différence concernant l’importance d’épargne entre les francophones et les non-
francophones de la population Québécoise est significative avec une probabilité à
95%.
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
Dans ce cas, on rejette alors à tous les seuils de significativités l’hypothèse nulle 𝐻0
Nous pouvons affirmer qu’il existe une différence significative concernant l’importance
d’épargne entre les francophones et les non- francophones e la population
québécoise.
𝐻0: 𝑝1 = 𝑝2
{
𝐻1: 𝑝1 ≠ 𝑝2
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
26 :Page
En termes plus limpides, on suppose :
Contre
Ayant les informations ci-dessous, on peut déterminer l’estimateur de 𝑃̂, afin d’en
déduire la statistique calculée de tcal.
𝑁1 × 𝑓1 + 𝑁2 × 𝑓2
𝑃̂ =
𝑁1 + 𝑁2
𝑓1 − 𝑓2
|𝑡𝑐𝑎𝑙 | = || ||
1 1
√𝑃̂ × (1 − 𝑃̂) × ( + )
𝑛1 𝑛2
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
27 :Page
En exécutant les programmes suivants sous le logiciel R.2.15.3:
Programmes R
> f1=0.45;f2=0.28;n1=344;n2=90
> p.chap<-(f1*n1+f2*n2)/(n1+n2)
> q.chap<-1-p.chap
> print(p.chap)
> p.chapo<-round(p.chap,3)
> t.cal<-(f1-f2)/sqrt(p.chap*q.chap*((1/n1)+(1/n2)))
> print (abs(t.cal))
> t.cal<-round(abs(t.st),3)
> data.frame(p.chapo,t.cal)
> # Méthode avec p-value
> prop.test(c((n1*f1),(n2*f2)),c(n1,n2))
On obtient :
𝑃̂ = 0.4147465 ≈ 0.414
|𝑡𝑐𝑎𝑙 | = |2.914346| ≈ 2.914
La probabilité 𝛼 = 0,05, s’obtient par addition des nombres inscrits en marge sur la
table de loi normale centrée et réduite (écart réduite) : ligne + colonne ⟹ 0,0 + 0,05.
On constate bien que la valeur de tabulée 𝑡𝛼 (lue sur la table de la loi de Gauss) est
inférieur à la valeur calculée |𝑡𝑐𝑎𝑙 | : 1.96 < 2.914.
Ceci nous ramène à rejeter l’hypothèse nulle (en faveur à l’hypothèse alternative) au
seuil de risque de 5%, autrement dit, la différence concernant l’importance de profiter
de la vie entre les francophones et les non- francophones de la population Québécoise
est significative avec une probabilité à 95%.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
28 :Page
Méthode 2 : Avec le seuil nominal ou p-valeur
Cas bilatéral
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
Dans ce cas, on rejette alors à tous les seuils de significativités l’hypothèse nulle 𝐻0 .
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
29 :Page
EXERCICE 7 :
Eléments de Réponses
𝐻0 : 𝑚1 = 𝑚2
{
𝐻1 : 𝑚1 ≠ 𝑚2
L’hypothèse nulle 𝐻0 : « La différence des moyennes n’est pas significative entre les
dépenses deux régions».
Contre
̅̅̅1 = 67000; 𝑋
𝑋 ̅̅̅2 = 49000; 𝛼 = 5%, 𝑛1 = 75; 𝑛2 = 35
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
30 :Page
L’estimateur de 𝑆̂ est donnée par la formule ci-après :
𝑛1 × 𝑆²1 + 𝑛2 × 𝑆²2
𝑆̂ = √
𝑛1 + 𝑛2 − 2
̅̅̅1 − 𝑋
𝑋 ̅̅̅2 𝑛1 × 𝑛2
|𝑡𝑐𝑎𝑙 | = | ×√ |
𝑆̂ 𝑛1 + 𝑛2
Programmes R
> x1=67000;x2=49000;n1=75;n2=35
> s1=12500; s2=8300
> s2.chap<-(s1^2*n1+s2^2*n2)/(n1+n2-2)
> print(s2.chap)
> s.chapo<-round(sqrt(s2.chap),3)
> t.st<-(x1-x2)*sqrt(n1*n2)/(n1+n2))/sqrt(s2.chap)
> print (abs(t.st))
> t.cal<-round(abs(t.st),3)
> data.frame(s.chapo,t.cal)
On obtient :
𝑠̂ = 11438.199 ≈ 11438.2
|𝑡𝑐𝑎𝑙 | = |7.687465| ≈ 7.687
Ainsi, la probabilité 𝛼 = 0,05, s’obtient par intersection des nombres inscrits en marge
sur la table de loi normale centrée et réduite (écart réduite) : ligne + colonne ⟹ 0,0 +
0,05.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
31 :Page
Cette probabilité correspond bien à la valeur 𝑡𝛼 = 1,96 , avec
𝑃𝑈 (−1,96 < 𝑈 < 1,96) = 0,95, U étant la valeur de l’écart réduite.
On constate bien que la valeur de tabulée tα (lue sur la table de loi de Gauss) est
inférieur à la valeur calculée |tcal | : 1.96 < 7.687.
Ceci nous ramène à rejeter l’hypothèse nulle au seuil de risque de 5%, autrement dit,
la différence des moyennes des dépenses hebdomadaires auprès des familles
ivoiriennes de deux régions est significative avec une probabilité à 95%.
2) On veut procéder un test rélatif sur deux variances (test bilatéral), en vérifiant
l’hypothèse suivante:
𝐻0 : 𝜎²1 = 𝜎²2
{
𝐻1 : 𝜎²1 ≠ 𝜎²2
L’hypothèse nulle 𝐻0 : « La différence des variances n’est pas significative entre les
dépenses de deux régions».
Contre
Les variances de deux régions 𝜎²1 et 𝜎²1 sont inconnues on va les estimés par
̂ et
leurs estimateurs 𝑠² ̂
𝑠² respectives.
1 2
Connaissant les informations ci-dessous, on peut déterminer les statistiques de
̂ ̂
̂ 𝑒𝑡 𝑠²
𝑠² ̂ et en déduire le Fisher calculé 𝐹 ∗ = 𝑠² 1
𝑜𝑢 𝐹∗∗ =
𝑠² 2
1 2 ̂
𝑠² ̂ :
𝑠²
2 1
̅̅̅1 = 67000; 𝑋
𝑋 ̅̅̅2 = 49000; 𝛼 = 5%, 𝑛1 = 75; 𝑛2 = 35
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
32 :Page
̂ 𝑒𝑡 𝑠²
Les estimateurs de 𝑠² ̂ sont calculés ci-après :
1 2
̂ = 𝑛1×𝑠²1 𝑒𝑡 𝑠²
𝑠² ̂ = 𝑛2×𝑠²2
1 2
𝑛1 − 1 𝑛2 − 1
Programmes R
> x1=67000;x2=49000;n1=75;n2=35
> s1=12500; s2=8300
> s².chap1<-(n1*s1^2)/(n1-1)
> s².chap2<-(n2*s2^2)/(n2-1)
> x=cbind(s².chap1,s².chap2)
> rownames(x)="estimators:"
> print(x)
On obtient :
̂ = 158361486
𝑠²1
̂ = 70916176
𝑠² 2
̂
Effectivement 𝑠² ̂ , on déduit, dans ce cas, le calcul de la statistique
> 𝑠² F* (qui suit
1 2
Programmes R
On obtient :
𝐹 ∗ = 2.23308 ≈ 2.233
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
33 :Page
On lit comme valeur théorique 𝐹0.05 (74; 34)=1,512.
On constate bien que le Fisher calculé est supérieur à valeur lue sur la table de la loi
de Fisher-Snedecor au seuil de 5%: 𝐹 ∗ > 𝐹𝛼 => 2.233 > 1.512.
Ceci nous ramène à rejeter l’hypothèse nulle (en faveur à l’hypothèse alternative) au
seuil de risque de 5%, autrement dit, la différence des variances entre les deux
dépenses hebdomadaires pour la consommation alimentaire des familles de deux
régions (Abidjan et Yamoussoukro) est significative avec une probabilité à 95%.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
34 :Page
EXERCICE 8 :
Eléments de Réponses
1) Ici, il s’agit de procéder un test rélatif à deux proportions (test bilatéral), en vérifiant
l’hypothèse suivante:
𝐻0: 𝑝1 = 𝑝2
{
𝐻1: 𝑝1 ≠ 𝑝2
Contre
𝑛1 + 𝑛2 𝑁1 × 𝑓1 + 𝑁2 × 𝑓2
𝑃̂ = =
𝑁1 + 𝑁2 𝑁1 + 𝑁2
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
35 :Page
La statistique de |𝑡𝑐𝑎𝑙 | est donnée par :
𝑓1 − 𝑓2
|𝑡𝑐𝑎𝑙 | = || ||
1 1
√𝑃̂ × (1 − 𝑃̂ ) × ( + )
𝑁1 𝑁2
Programmes R
> N1=24;N2=16;n1=11;n2=10
> f1=n1/N1; f2=n2/N2
> prop.test(c(n1,n2),c(N1,N2),alternative =
"two.sided",conf.level=0.95)
> prop.test(c(n1,n2),c(N1,N2),alternative =
"greater",conf.level=0.95)
> prop.test(c(n1,n2),c(N1,N2),alternative = "less",conf.level=0.95)
On obtient :
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
Dans ce cas, on ne rejette pas alors à tous les seuils de significativités l’hypothèse
nulle H0. Nous pouvons affirmer qu’il n’existe aucune une différence significative de
pauvreté des chefs de ménages entre le milieu urbain et rural. La région de la zone
d’acceptation de l’hypothèse nulle est compris entre: [-0.5286027 0.1952693] avec
une probabilité de 95%.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
36 :Page
Méthode 2 : Avec la loi normale :
Programmes R
> # Méthode de lecture sur la table
> p.chap<-(n1+n2)/(N1+N2)
> q.chap<-1-p.chap
> print(p.chap)
> p.chapo<-round(p.chap,3)
> t.cal<-(f1-f2)/ sqrt(p.chap*q.chap*((1/N1)+(1/N2)))
> print (abs(t.cal))
> t.cal<-round(abs(t.cal),3)
> data.frame(p.chapo,t.cal)
On obtient :
𝑃̂ = 0.525
|𝑡𝑐𝑎𝑙 | = |1.034089| ≈ 1.034
On constate bien que la valeur de tabulée tα (lue sur la table) est supérieur à la valeur
calculée |tcal | : 1.96 > 1.034
Ceci nous ramène à conserver l’hypothèse nulle au seuil de risque de 5%, autrement
dit, la différence de pauvreté des chefs de ménages entre le milieu urbain et rural
n’est pas significative avec une probabilité à 95%.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
37 :Page
Méthode 3 : Avec la loi de Khi-Deux:
Le khi-Deux calculé sous le logiciel R vaut 0.5054 est inférieur à la valeur tabulé 3.841
obtenue à l’intersection du seuil de 5% sur la table de la loi de Khi Deux avec 1 degré
de liberté : (2-1)× (2-1) =1.
Dans ce cas précis, on ne rejette pas l’hypothèse nulle au seuil de risque de 5%, le
deux groupes ont la même distribution.
EXERCICE 9 :
Eléments de Réponses
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
38 :Page
En termes plus simple, on suppose :
Contre
Connaissant les effectifs conjointes (𝑛𝑖𝑗 ) des modalités de deux variables, nous
pouvons déterminer leurs valeurs marginales lignes et colonnes (𝑛𝑖. et 𝑛.𝑗 ) afin de
calculer la statistique de Khi-deux observé (𝜒²𝑜𝑏𝑠𝑒𝑟𝑣é ), donnée par la formule ci-
dessous:
3 3 3 3
𝑛²𝑖𝑗 (𝑛𝑜𝑏𝑠 − 𝑛𝑡ℎé𝑜 )²
𝜒²𝑜𝑏𝑠𝑒𝑟𝑣é = 𝑛 (∑ ∑ − 1) = ∑ ∑
𝑛𝑖. × 𝑛.𝑗 𝑛𝑡ℎé𝑜
𝑖=1 𝑗=1 𝑖=1 𝑗=1
Programmes R
> data<-matrix(c(90,170,135,3,18,6,7,7,9), ncol=3,nrow=3,byrow=F,
dimnames = list(c("A", "B","C"),
c("Bon état", "Défaut mineur", "Défaut majeur")))
> print(data)
> library(MASS)
> chisq.test(data)
> print(sum(data))
On obtient :
𝜒²𝑜𝑏𝑠𝑒𝑟𝑣é = 7,712
On constate bien que la valeur de tabulée 𝜒 2 𝑡𝑎𝑏𝑢𝑙é (lue sur la table) est supérieur à la
valeur calculée 𝜒²𝑜𝑏𝑠𝑒𝑟𝑣é : 7,712 < 9,488.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
39 :Page
Ceci nous ramène à conserver l’hypothèse nulle au seuil de risque de 5%, autrement
dit, la qualité des pièces est indépendante des types de fournisseurs (A, B et C).
data: data
X-squared = 7.7117, df = 4, p-value = 0.1027
Dans ce cas, on ne rejette pas alors à tous les seuils de significativités l’hypothèse
nulle d’indépendance entre les deux caractères.
Nous pouvons affirmer que la qualité des pièces est indépendante des types de
fournisseurs (A, B et C).
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
40 :Page
EXERCICE 10 :
Eléments de Réponses
Contre
𝐻0 : 𝑆 = 0 𝐸𝑇 𝐾 = 3
{ 𝑐𝑜𝑛𝑡𝑟𝑒
𝐻1 : 𝑆 ≠ 0 𝐸𝑇 𝐾 ≠ 3
n = Nombre d'observations
k = Nombre de variables explicatives si les données proviennent des résidus
d'une régression linéaire. Sinon, k=0.
S = Coefficient d'asymétrie de l'échantillon testé (avec moment d’ordre 3: 𝜇̂ 3 )
K = Kurtosis de l'échantillon testé (avec moment d’ordre 4: 𝜇̂ 4 )
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
41 :Page
Avec :
et
Programmes R
> names(data)
> library(tseries)
> jarque.bera.test(Salaire)
On obtient :
data: Salaire
X-squared = 0.8771, df = 2, p-value = 0.645
→ Commentaire:
Dans ce cas, on ne rejette pas à tous les seuils de significativités l’hypothèse nulle de
normalité de la variable salaire.
Nous pouvons affirmer que la distribution de la variable salaire est bien fidèle à celle
d’une loi normale.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
42 :Page
Méthode 2 : Avec le test d’adéquation du Chi2 (cas loi normale)
Comme la variable de Jarque-Bera (JB) suit asymptotiquement une loi de Chi2 ( 𝜒²(2) ),
de degré de liberté 2 (dégrée of fredom df).
On constate bien que la valeur tabulée de Khi² (𝑃( 𝜒²(2) > 7,378 ) =0,05) est inférieur
à la valeur calculée 0.8771 < 7,378.
Ceci nous ramène à conserver l’hypothèse nulle au seuil de risque de 5%, autrement
dit, la distribution de la variable salaire est bien fidèle à celle d’une loi normale avec
une probabilité à 95%.
→ Commentaire:
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
43 :Page
1) b) Cette fois-ci, on veut tester la log-normalité de la variable salaire.
En réalité, on dit qu’une variable suit une loi de log-normale si son logarithme suit
la loi normale, autrement – dit, il s’agit de tester la normalité du logarithme (salaire)
Programmes R
> library(tseries)
> jarque.bera.test(log(Salaire)))
On obtient :
data: log(Salaire)
X-squared = 0.503, df = 2, p-value = 0.7777
→ Commentaire:
Dans ce cas, on ne rejette pas à tous les seuils de significativités l’hypothèse nulle de
normalité de la variable de logarithme du salaire.
Nous pouvons affirmer que la distribution de la variable logarithme du salaire est bien
fidèle à celle d’une loi normale.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
44 :Page
Ses coefficients d’aplatissement et d’asymétrique vérifient bien l’hypothèse de la
normalité avec S=0.107 et K=2.495.
2) a) Ici, il s’agit d’estimer par intervalle de confiance le salaire moyen au sein d’une
entreprise Dakaroise.
𝑥̅ −𝑚
Vu que l’écart type 𝜎(𝑥) de la population n’est pas connu, la quantité √𝑛 − 1
𝑠
Ainsi, la probabilité 𝛼 = 0,05, s’obtient par addition des nombres inscrits en marge sur
la table de loi normale centrée et réduite (écart réduite) : ligne + colonne ⟹ 0,0 +
0,01.
Cette probabilité correspond bien à la valeur 𝑡𝛼 = 2,576 , avec
𝑃𝑈 (−2,576 < 𝑈 < 2,576) = 0,99, U étant la valeur de l’écart réduite.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
45 :Page
En exécutant les programmes suivants sous le logiciel R.2.15.3
Programmes R
On obtient :
249.50 ≤ m ≤ 263.905
data: Salaire
t = 69.8428, df = 39, p-value < 2.2e-16
alternative hypothesis: true mean is not equal to 0
95 percent confidence interval:
248.8288 263.6712
sample estimates:
mean of x
256.25
⟶ Commentaire :
Cette commande sous R-Statistic traite à la fois, l’estimation par intervalle de confiance
et le test rélatif à une moyenne (bilatéral).
Sur les 40 salariés sondés au sein d’une entreprise Dakaroise, le salaire moyen est
compris entre 248.829 et 263.671, avec une probabilité à 95%.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
46 :Page
2) b) La statistique da marge d’erreur (noté me) dans l’estimation du salaire moyen
est déterminée par :
𝑠
𝑚𝑒 = 𝑡𝛼
√𝑛 − 1
Programmes R
> marg.error<-t*sd(Salaire)/ sqrt(n-1)
> print(round(marg.error,3))
On obtient :
⟶ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
Avec un niveau de confiance à 95%, on commet une erreur, en valeur absolue de 7.23,
on estimant le salaire moyen des 40 employés au sein de l’entreprise Dakaroise.
3) Ici, il s’agit bien de procéder un test rélatif à une moyenne (test bilatéral), en
vérifiant l’hypothèse suivante:
𝐻0 : 𝑚 = 220
{ 𝐶𝑜𝑛𝑡𝑟𝑒
𝐻1: 𝑚 ≠ 220
Contre
47 :Page
En exécutant les programmes suivants sous le logiciel R.2.15.3:
Programmes R
On obtient :
data: Salaire
t = 9.8802, df = 39, p-value = 3.596e-12
alternative hypothesis: true mean is not equal to 220
95 percent confidence interval:
248.8288 263.6712
sample estimates:
mean of x
256.25
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Nous pouvons affirmer que le salaire moyen est significativement diffèrent de 220.
Méthode 2 :
𝑥̅ −𝑚
La statistique de Student 𝑠
√𝑛 − 1 suit approximativement (converge) une loi
normale centré et réduite (car n>30).
La valeur lue sur la table vaut au seuil de 5% vaut 1.96, on comparant à la statistique
calculée |tcal| 9.8802, elle est inférieure à la valeur observée: 1.96 < 9.8802
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
48 :Page
Ceci nous ramène à rejeter l’hypothèse nulle au seuil de risque de 5%, autrement dit,
nous pouvons affirmer que le salaire moyen est significativement diffèrent de 220 avec
une probabilité à 95%.
𝐻0: 𝑚 ≤ 220
{
𝐻1: 𝑚 > 220
One Sample t-test
data: Salaire
t = 9.8802, df = 39, p-value = 1.798e-12
alternative hypothesis: true mean is greater than 220
95 percent confidence interval:
250.0683 Inf
sample estimates:
mean of x
256.25
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Dans ce cas, on rejette alors à tous les seuils de significativités l’hypothèse nulle en
faveur de l’hypothèse alternative.
Nous pouvons affirmer que le salaire moyen est significativement supérieur à 220.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
49 :Page
On désire vérifier le bien-fondé de l’affirmation avec un test unilatéral à gauche:
𝐻0 : 𝑚 ≥ 220
{
𝐻1 : 𝑚 < 220
One Sample t-test
data: Salaire
t = 9.8802, df = 39, p-value = 1
alternative hypothesis: true mean is less than 220
95 percent confidence interval:
-Inf 262.4317
sample estimates:
mean of x
256.25
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Dans ce cas, on ne rejette pas alors à tous les seuils de significativités l’hypothèse
nulle.
Nous pouvons affirmer que le salaire moyen est significativement égal au moins à
220.
Conclusion :
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
50 :Page
4) Cette fois-ci, on veut procéder à un test rélatif à une variance (bilatéral), en
vérifiant l’hypothèse suivante:
𝐻0: σ² = 530
{
𝐻1: 𝜎² ≠ 530
Contre
Programmes de R
> sigma<-530
> sigma.test(Salaire,sigmasq=sigma,alternative=
c(«two.sided », « less », « greater »)
On obtient :
data: Salaire
X-squared = 39.6217, df = 39, p-value = 0.8843
alternative hypothesis: true variance is not equal to 530
95 percent confidence interval:
361.3124 887.7658
sample estimates:
var of Salaire
538.4487
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
51 :Page
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Dans ce cas, on ne rejette pas à tous les seuils de significativités l’hypothèse nulle H0.
Nous pouvons affirmer que la variance du salaire est significativement égale à 530.
La valeur lue sur la table au seuil de 5% vaut 1.96, on constate qu’elle est inférieur à
la statistique calculée : 1.96 < 39.6217
Ceci nous ramène à rejeter l’hypothèse nulle au seuil de risque de 5%, autrement dit,
nous pouvons affirmer que la variance du salaire est égale à 530.avec une probabilité
à 95%.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
52 :Page
On désire vérifier le bien-fondé de l’affirmation avec un test unilatéral à droite :
𝐻0 : 𝜎² ≤ 530
{
𝐻1 : 𝜎2 > 530
One sample Chi-squared test for variance
data: Salaire
X-squared = 39.6217, df = 39, p-value = 0.4422
alternative hypothesis: true variance is greater than 530
95 percent confidence interval:
384.802 Inf
sample estimates:
var of Salaire
538.4487
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Dans ce cas, on ne rejette pas à tous les seuils de significativités l’hypothèse nulle.
Nous pouvons affirmer que la variance du salaire est significativement égale au plus
à 530.
𝐻0 : 𝜎² ≥ 530
{
𝐻1 : 𝜎2 < 530
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
53 :Page
One sample Chi-squared test for variance
data: Salaire
X-squared = 39.6217, df = 39, p-value = 0.5578
alternative hypothesis: true variance is less than 530
95 percent confidence interval:
0.0000 817.2478
sample estimates:
var of Salaire
538.4487
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Dans ce cas, on ne rejette pas alors à tous les seuils de significativités l’hypothèse
nulle.
Nous pouvons affirmer que la variance du salaire est significativement égale au moins
à 530.
Conclusion :
Avec le test bilatéral et les tests unilatéraux, on parvient à conclure que la variance
du salaire est significativement égale à 530 avec un niveau de confiance à 95%.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
54 :Page
5) Ici, il s’agit de mener un test non paramétrique rélatif à une médiane (test bilatéral)
en vérifiant l’hypothèse suivante :
𝐻0 : Me = 240
{ 𝑐𝑜𝑛𝑡𝑟𝑒
𝐻1: 𝑀𝑒 ≠ 240
Contre
Programmes R
> SIGN.test(Salaire, md = 240)
> wilcox.test(Salaire, md=240)
On obtient :
One-sample Sign-Test
data: Salaire
s = 28, p-value = 0.002563
alternative hypothesis: true median is not equal to 240
95 percent confidence interval:
246.0919 262.6352
sample estimates:
median of x
256
Conf.Level L.E.pt U.E.pt
Lower Achieved CI 0.9193 249.0000 259.0000
Interpolated CI 0.9500 246.0919 262.6352
Upper Achieved CI 0.9615 245.0000 264.0000
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
55 :Page
Méthode 1 : test de signe (rank)
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
La probabilité critique 0.002563 est inférieur à α = 0,05. Il n'est pas probable que nous
observions si peu de signes positifs (cas ou l'hypothèse nulle n’est pas rejetée). Par
conséquent, nous rejetons l'hypothèse nulle en faveur de l'hypothèse alternative. Il
existe des preuves suffisantes, au seuil de 5%, pour conclure que le salaire médian
est significativement diffèrent de 240.
Par ailleurs, les nombres obtenues des signes positifs (noté N+ ou s) est plus petite
par rapport au nombre de signe positifs observés (n+), ci qui donne une probabilité
critique: 𝑃(𝑁+≤ 𝑛 +)=0.002563, où (N+) suit une loi binomiale 𝐵(𝑛,𝑝) .
L’estimateur de la médiane vaut 256 avec une probabilité à 95%, le salaire médian est
compris entre [246.092 ; 262.635].
data: Salaire
V = 599, p-value = 0.000193
alternative hypothesis: true location is not equal to 240
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
alternative. Nous pouvons affirmer que le salaire médian est significativement diffèrent
de 240.
Ainsi, la valeur V = 599 correspond à la somme des rangs attribués aux différences
avec un signe positif.
On peut calculer manuellement la somme des rangs attribués aux différences avec le
signe positif et la somme des rangs attribués aux différences avec le signe négatif,
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
56 :Page
pour comparer cet intervalle avec l'intervalle tabulé sur les tableaux de Wilcoxon 1 pour
les échantillons appariés et confirmer notre règle de décision :
L'intervalle calculé (104, 599) est comparé à l’intervalle tabulé sur les tables de
Wilcoxon (si l’intervalle calculé n’est pas contenu dans le tableau, on rejette
l'hypothèse nulle H0. Dans notre cas, on rejette l’hypothèse nulle H0 au seuil de 5%.
𝐻0: 𝑀𝑒 ≤ 240
{
𝐻1: 𝑀𝑒 > 240
data: Salaire
V = 599, p-value = 9.652e-05
alternative hypothesis: true location is greater than 240 than 240
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Dans ce cas, on rejette alors à tous les seuils de significativités l’hypothèse nulle.
Nous pouvons affirmer que le médian du salaire n’est pas significativement égal à
240.
𝐻0 : 𝑀𝑒 ≥ 240
{
𝐻1 : 𝑀𝑒 < 240
Wilcoxon signed rank test with continuity correction
data: Salaire
V = 599, p-value = 0.9999
alternative hypothesis: true location is less than 240 than 240
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
57 :Page
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Dans ce cas, on ne rejette pas alors à tous les seuils de significativités l’hypothèse
nulle.
Nous pouvons affirmer que le médian du salaire est au moins significativement égal
au plus à 240.
Conclusion :
Avec le test bilatéral et les tests unilatéraux de Wilcoxon et le test de signe, on parvient
à conclure que le salaire médian est significativement différent de 240 avec un niveau
de confiance à 95%.
1 : Un autre test concurrence celui de Wilcoxon et c’est celui des signes. L’avantage de celui de Wilcoxon est de
prendre en considération les différences d'écarts entre observations
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
58 :Page
6) Ici, il s’agit de rémodéliser le tableau en genre avant de procéder un test rélatif à
deux moyennes, en vérifiant l’hypothèse suivante:
𝐻0 : 𝑚 1 = 𝑚 2
{ 𝐶𝑜𝑛𝑡𝑟𝑒
𝐻1 : 𝑚 1 > 𝑚 2
Contre
L’hypothèse alternative 𝐻1 : Le salaire moyen pour les hommes est supérieur à ceux
des femmes».
Programmes R
> t.test(Salaire~Sexe,alternative="greater",pair=F)
On obtient :
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
59 :Page
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Ainsi, nous pouvons affirmer qu’il ’n’existe pas une différence significative des salaires
moyens entre les hommes et les femmes.
Méthode 2 :
D’autre part ailleurs, La statistique de Student lue sur la table au seuil de 5% avec un
degré de liberté (36 > 30), est approchée à une loi normale centré et réduite. Au seuil
de 5%, on lit une valeur tabulé de 1,96 (sur la table de loi de Gauss).
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
60 :Page
Graphiquement, la distribution de salaire pour les femmes est fidèle à une distribution
normale, tandis que pour les hommes, la distribution n’est pas sûre de suivre la loi
normale, vérifions, avec un test de normalité la distribution de salaire pour les
hommes.
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
On a constaté qu’il n’y avait pas de différence significative entre les salaires moyens
entres les femmes et les hommes, examinons cette fois-ci, avec un test plus robuste.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
61 :Page
Test de Wilcoxon
Vue que nos variables sont distribuées normalement, utilisons alors, un test robuste,
celui Wilcoxon/Mann-Whitney pour EXAMINER la différence de salaire entre les
Hommes et les Femmes.
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Avec une probabilité critique de 0.002521 inférieur à tous les seuils conventionnels de
(1%,5% et 10%), il y’a, une différence significative du salaire médian entre les femmes
et les hommes.
7) Ici, on veut procéder un test rélatif à deux variances entre (bilatéral), en vérifiant
l’hypothèse suivante:
Contre
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
62 :Page
Or les variances de deux groupes ne sont pas connues, on va les estimés par leurs
estimateurs respectifs.
On obtient :
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Nous pouvons affirmer qu’il n’existe pas une différence significative des variances des
salaires entre les hommes et les femmes.
D’autant plus que la statistique de Fisher lue sur la table au seuil de 5% avec un degré
de liberté 𝐹𝑛,𝑚 (17 et 21) est 2,190 avec P (𝐹17,21 > 2,190 )=0,05
Ainsi, on comparant avec la statistique calculée de Fisher 1.0166, il est bien inférieur
à la valeur théorique (ou tabulé), avec cette méthode aussi l’hypothèse H0 n’est pas
rejetée.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
63 :Page
On désire vérifier le bien-fondé de l’affirmation avec un test unilatéral à droite :
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Par ailleurs, nous pouvons affirmer qu’il n’existe pas une différence significative des
variances des salaires entre les hommes et les femmes.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
64 :Page
On obtient :
→ 𝑪𝒐𝒎𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆:
Par ailleurs, nous pouvons affirmer aux niveaux conventionnels, qu’il n’existe pas une
différence significative des variances des salaires entre les hommes et les femmes.
Contre
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
65 :Page
Vu que le salaire est bien une variable quantitative, pour étudier le degré de liaison
d’indépendance, il faudrait regrouper cette variable en différentes classes de salaires.
En revanche, la répartition des valeurs en classe à l’intérieur des classes génère une
perte d’information sur les données initiales.
La différence, en valeur absolus entre la plus grande valeur (Max) et la plus petite
valeur (Min) :
E= | min (salaire)-Max (salaire) | = 98
Herbert Sturges (1926) qui, pour n points de données répartis avec une distribution
approximativement normale, suggère un nombre de classes K obtenu avec la formule
suivante :
10
𝑠 = 1 + 𝑙𝑜𝑔2 (𝑛) ≈ 1 + × 𝑙𝑜𝑔10 (𝑛)
3
4
𝑌 = 2.5 × √𝑛
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
66 :Page
La taille de classe est basé sur l’effectif de l’échantillon (n : nombre d’observations)
ln(40)
𝑆 = 1 + 3,322 × log10 (40), 𝑎𝑣𝑒𝑐 log10 (40) =
ln(10)
𝑆 = 6.924103283 ≈ 7 classes
98
On déduit l’amplitude de chaque classe 𝑎𝑖 = = 14
7
On trie la variable Salaire par ordre croissant et regroupe par 7 classes (ou 7
modalités) chacune d’amplitude 14.
Programmes R
> E=max(Salaire)-min(Salaire)
> x<-data$Salaire
> nclass.Sturges(x)
> salair.class[which(salair.class<=228)] <-"[214;228["
> salair.class[which(salair.class>= 229 & salair.class<=242)] <-
"[228;242["
> salair.class[which(salair.class>= 243 & salair.class<=256)] <-
"[242;256["
> salair.class[which(salair.class>= 257 & salair.class<=270)] <-
"[256;270["
> salair.class[which(salair.class>= 271 & salair.class<=284)] <-
"[270;284["
> salair.class[which(salair.class>= 285 & salair.class<=312)]<-
"[284;312["
> DatA<-cbind(data,salair.class)
> table(salair.class); sum(table(salair.class))
On obtient une variable catégorielle salaire regroupé en 7 classes (ou modalités) selon
la formule de Sturges.
Généralement, il n’est pas souhaitable de construire des classes à effectif nul ou trop
faible. Dans la construction des classes premières de 7 classes, elle peut être modifiée
en 6 classes.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
67 :Page
S’agissant d’un test d’indépendance du χ² (Khi2) entre les variables catégorielles :
Dans l’analyse qualitative-qualitative, il existe une variété des indicateurs des mesures
d’associations notamment, le Chi2 ; le V de cramer ; Le coefficient de contingence
(CC) ; le coefficient phi (de Pearson) et le pourcentage de l’écart Maximum (PEM) :
𝝌² 𝝌²
V de Cramer : 𝑽 = √𝝌² = √𝒏×[𝒎𝒊𝒏(𝒑,𝒒)−𝟏]
𝒎𝒂𝒙
𝝌²
Coefficient de contingence (CC) : 𝑪𝑪 = √𝝌𝟐 +𝒏
𝝌²
Phi de Pearson : 𝝋² = √ 𝒏
Nous allons mésurer la liaison entre salaire et sexe en visitant ces différents
coefficients de contingence ou d’associations :
Programmes R
On obtient :
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
68 :Page
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
Méthode 2 :
Ainsi, le Chi2 calculé est 11.4125, avec un degré de liberté 5, on comparant à la valeur
tabulé sur la table de la loi de Chi2 (P(𝜒²(6) > 𝑈) = 0,05) avec 𝑈 = 11.070.
Le Chi2 calculé est supérieur à Chi2 lue (théorique), au seuil de risque de 5%, on
rejette l’hypothèse nulle H0 d’indépendance en faveur de l’hypothèse alternative.
Conclusion :
En revanche, avec le test de Khi-deux au seuil de 5%, cette dépendance est rejeté
avec un seuil nominal très serré 0.0437 contre 0.05.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
69 :Page
b) Cette fois-ci, il s’agit de tester l’hypothèse d’indépendance entre le niveau de
responsabilité et le salaire :
Contre
Programmes R
> chisq.test( cros.tab3)
> cramer.v(cros.tab3)
> V <- cramer.v(cros.tab2)
> X² = 35.967;n=40
> cc<-sqrt((X²)/( X²+n))
> phi<-sqrt(X²/n)
> cbind(X²,V,cc,phi)
On obtient :
data: cros.tab3
X-squared = 35.967, df = 20, p-value = 0.01552
X² V cc phi
35.967 0.4741245 0.6880811 0.9482484
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
70 :Page
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
Méthode 2 :
En effet, le Chi2 calculé est 35.967, avec 20 degré de libertés, il est comparé à la
valeur tabulé 31.410 sur la table de loi de Chi2 (P(𝜒²(24) > 𝑈) = 0,05) est 𝑈 = 31.410.
Le Chi2 calculé est supérieur à Chi2 théorique, au seuil de risque de 5%, on rejette
l’hypothèse nulle H0 d’indépendance entre salaire et niveau de responsabilité.
Conclusion :
En revanche, avec le test de Khi-deux au seuil de 5%, cette dépendance est rejetée.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
71 :Page
Mesures d’intensités de liaisons par graphique :
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
72 :Page
Figure 5 : graphique d’intensité de liaison entre Niveau et salaire
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
73 :Page
Analyse Approfondie (facultative)
En effet, on peut mener parallèlement une étude entre une variable quantitative et une
variable qualitative (dites variables mixtes) : ici entre salaire (quantitative) avec sexe,
puis avec niveau: il s’agit le test d’ANOVA et le Rapport de corrélation.
1. Test d’ANOVA
L'analyse de la variance (ANOVA) permet d'étudier le comportement d'une variable
quantitative à expliquer en fonction d'une ou de plusieurs variables nominales
catégorielles.
On utilisera une analyse de la variance multiple (MANOVA), lorsque l'on souhaite
étudier le comportement de plusieurs variables à expliquer en même temps.
On utilisera alors une analyse de la covariance (ANCOVA), si un modèle contient des
variables explicatives catégorielles et continues et que l'on souhaite étudier les lois
liant les variables explicatives continues avec la variable à expliquer en fonction de
chaque modalité des variables catégorielles.
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
La valeur Fisher est 10.8 avec une probabilité critique 0.00219, au seuil de 1%, on
rejette l’hypothèse nulle, alors il existe au moins une distribution dont la moyenne
s'écarte des autres moyennes. La variation du salaire de cette entreprise fluctue
relativement avec le sexe.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
74 :Page
Test d’ANOVA Entre salaire et Niveau :
→ 𝐶𝑜𝑚𝑚𝑒𝑛𝑡𝑎𝑖𝑟𝑒:
La valeur Fisher est 25.28 avec une probabilité critique 1.22e-05, au seuil de 1%, on
rejette l’hypothèse nulle, alors il existe au moins une distribution dont la moyenne
s'écarte des autres moyennes. La variation du salaire de cette entreprise fluctue
relativement avec le niveau.
2. Rapport de corrélation
𝑣𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑡é 𝑖𝑛𝑡𝑒𝑟
𝜂2 (𝑆𝑎𝑙𝑎𝑖𝑟𝑒 ,𝑠𝑒𝑥𝑒) = = 0.2213148
𝑣𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑡é 𝑡𝑜𝑡𝑎𝑙
𝑣𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑡é 𝑖𝑛𝑡𝑒𝑟
𝜂2 (𝑆𝑎𝑙𝑎𝑖𝑟𝑒 ,𝑛𝑖𝑣𝑒𝑎𝑢) = = 0.5077448
𝑣𝑎𝑟𝑖𝑎𝑏𝑖𝑙𝑖𝑡é 𝑡𝑜𝑡𝑎𝑙
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
75 :Page
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
DEVOIR DE Statistique Inferentielle
76 :Page
Tableau 3: Tableau de contingence entre salaire et sexe (avec effectifs et fréquences
conjointes/marginaux)
| Sexe
salair.class | F | M | Row Total |
------------------|-----------|-----------|-----------|
[214;228[ | 5 | 0 | 5 |
| 1.000 | 0.000 | 0.125 |
| 0.278 | 0.000 | |
------------------|-----------|-----------|-----------|
[228;242[ | 4 | 2 | 6 |
| 0.667 | 0.333 | 0.150 |
| 0.222 | 0.091 | |
------------------|-----------|-----------|-----------|
[242;256[ | 5 | 5 | 10 |
| 0.500 | 0.500 | 0.250 |
| 0.278 | 0.227 | |
------------------|-----------|-----------|-----------|
[256;270[ | 2 | 7 | 9 |
| 0.222 | 0.778 | 0.225 |
| 0.111 | 0.318 | |
------------------|-----------|-----------|-----------|
[270;284[ | 1 | 3 | 4 |
| 0.250 | 0.750 | 0.100 |
| 0.056 | 0.136 | |
------------------|-----------|-----------|-----------|
[284;312[ | 1 | 5 | 6 |
| 0.167 | 0.833 | 0.150 |
| 0.056 | 0.227 | |
------------------|-----------|-----------|-----------|
Column Total | 18 | 22 | 40 |
| 0.450 | 0.550 | 1 |
------------------|-----------|-----------|-----------|
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
I
DEVOIR DE Statistique Inferentielle
77 :Page
Tableau 4: Tableau de contingence entre salaire et niveau (avec effectifs conjointes/marginaux et fréquences conjointes/marginaux)
| Niveau
salair.class | 1 | 2 | 3 | 4 | 5 | Row Total |
------------------|-----------|-----------|-----------|-----------|-----------|-----------|
[214;228[ | 3 | 2 | 0 | 0 | 0 | 5 |
| 0.600 | 0.400 | 0.000 | 0.000 | 0.000 | 0.125 |
| 0.600 | 0.182 | 0.000 | 0.000 | 0.000 | |
------------------|-----------|-----------|-----------|-----------|-----------|-----------|
[228;242[ | 0 | 2 | 3 | 1 | 0 | 6 |
| 0.000 | 0.333 | 0.500 | 0.167 | 0.000 | 0.150 |
| 0.000 | 0.182 | 0.214 | 0.125 | 0.000 | |
------------------|-----------|-----------|-----------|-----------|-----------|-----------|
[242;256[ | 2 | 4 | 1 | 3 | 0 | 10 |
| 0.200 | 0.400 | 0.100 | 0.300 | 0.000 | 0.250 |
| 0.400 | 0.364 | 0.071 | 0.375 | 0.000 | |
------------------|-----------|-----------|-----------|-----------|-----------|-----------|
[256;270[ | 0 | 3 | 5 | 1 | 0 | 9 |
| 0.000 | 0.333 | 0.556 | 0.111 | 0.000 | 0.225 |
| 0.000 | 0.273 | 0.357 | 0.125 | 0.000 | |
------------------|-----------|-----------|-----------|-----------|-----------|-----------|
[270;284[ | 0 | 0 | 3 | 1 | 0 | 4 |
| 0.000 | 0.000 | 0.750 | 0.250 | 0.000 | 0.100 |
| 0.000 | 0.000 | 0.214 | 0.125 | 0.000 | |
------------------|-----------|-----------|-----------|-----------|-----------|-----------|
[284;312[ | 0 | 0 | 2 | 2 | 2 | 6 |
| 0.000 | 0.000 | 0.333 | 0.333 | 0.333 | 0.150 |
| 0.000 | 0.000 | 0.143 | 0.250 | 1.000 | |
------------------|-----------|-----------|-----------|-----------|-----------|-----------|
Column Total | 5 | 11 | 14 | 8 | 2 | 40 |
| 0.125 | 0.275 | 0.350 | 0.200 | 0.050 | 1 |
------------------|-----------|-----------|-----------|-----------|-----------|-----------|
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
II
DEVOIR DE Statistique Inferentielle
78 :Page
Deuxième modèle d’un tableau de contingence sous R (avec effectifs conjointes et
marginaux)
Salaire/Niveau 1 2 3 4 5 Total
[214;228[ 3 2 0 0 0 5
[228;242[ 0 2 3 1 0 6
[242;256[ 2 4 1 3 0 10
[256;270[ 0 3 5 1 0 9
[270;284[ 0 0 3 1 0 4
[284;312[ 0 0 2 2 2 6
Total 5 11 14 8 2 40
Niveau des
Responsabilités Min. Salaire. 1st Qu. Salaire.Median Salaire.Mean Salaire.3rd Qu. Salaire.Max.
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
III
DEVOIR DE Statistique Inferentielle
79 :Page
Figure 6 : Histogramme salaire
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
IV
DEVOIR DE Statistique Inferentielle
80 :Page
Figure 8 : salaire moyen selon le sexe
Master Professionnel en
Méthodes Statistiques et Econométriques (MSE)
V