1 Introduction. 2 Probabilités : Variables Aléatoires Continues. 3 Estimation. 4 Tests. 5 Régression

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "1 Introduction. 2 Probabilités : Variables Aléatoires Continues. 3 Estimation. 4 Tests. 5 Régression"

Transcription

1 Pla du cours Méthodes de statistique iféretielle. A. Philippe Laboratoire de mathématiques Jea Leray Uiversité de Nates 1 Itroductio 2 Probabilités : Variables Aléatoires Cotiues 3 Versio modifiée le 19 mai Régressio A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Pla de la sectio Itroductio Quelques problèmes Itroductio 1 Itroductio 1 U fabricat souhaite vérifier la qualité des ampoules électriques produites par ue ouvelle chaîe de productio. Il faut doc évaluer la durée moyee de foctioemet des ampoules. Commet évaluer cette durée moyee? O e peut pas tester toutes les ampoules! 2 Le resposable d u parti politique souhaite estimer la proportio des militats favorables à la cadidature de Mr X pour la prochaie électio présidetielle. Commet calculer la popularité d u cadidat au sei d ue populatio? Iterroger tous les militats est trop coûteux. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

2 Itroductio Itroductio Populatio & Échatillo Pour résumer Défiitio La populatio : l esemble de tous les élémets cosidérés das ue étude. Défiitio L échatillo est u sous esemble fii de la populatio. La taille de l échatillo est le ombre d élémets sélectioés pour costituer l échatillo. Le but de l iférece statistique. Tirer des coclusios cocerat certaies caractéristiques de la populatio à partir des iformatios coteues das l échatillo. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Retour aux exemples Itroductio 1 Le fabricat d ampoules. Il prélève u échatillo costitué de 130 ampoules. Pour chaque ampoule, il mesure la durée de foctioemet. La moyee de l échatillo vaut heures. Ue estimatio pour la populatio est heures. 2 Le resposable du parti. Il costitue u échatillo de taille 400. Parmi les persoes sélectioées, 250 sot favorables au cadidat proposé. Ue estimatio de la proportio de la populatio favorable à Mr X est 250/400 = Quelle est la qualité de ces deux estimatios? Itroductio Erreur d échatilloage Elle résulte de l utilisatio d u sous esemble de la populatio (l échatillo) et o de la populatio toute etière. Exemple : le resposable du parti (suite). deux échatillos différets vot fourir des estimatios différetes. Quelle est la précisio des estimatios réalisées? A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

3 Probabilités : Variables Aléatoires Cotiues Pla de la sectio Probabilités : Variables Aléatoires Cotiues Gééralités 2 Probabilités : Variables Aléatoires Cotiues Gééralités Loi gaussiee/ormale 2 Probabilités : Variables Aléatoires Cotiues Gééralités Loi gaussiee/ormale A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Probabilités : Variables Aléatoires Cotiues Gééralités U exemple de loi discrète : la loi Biomiale Probabilités : Variables Aléatoires Cotiues Plus gééralemet Gééralités U hôtel possède 50 chambres. Au pritemps le taux de remplissage est de 75%. O ote X le ombre de chambres occupées u jour doé. C est ue variable aléatoire. X {0,..., 50} pred u ombre fii de valeurs, c est ue variable aléatoire discrète. La loi de X est la loi biomiale de paramètre = 50 et p = c est à dire, pour tout k {0,..., 50}, o a P(X = k) = C k 50p k (1 p) 50 k La probabilité que l hôtel soit complet vaut P(X = 50) = C (1 0.75) 0 = A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Ue variable aléatoire discrète pred u ombre au plus déombrable de valeurs. L esemble des valeurs prises par X peut doc s écrire de la forme {x i, i E} où E est u sous esemble de N La loi de la variable aléatoire X est la suite des probabilités p k = P(X = x k ) pour tout k E L espérace (moyee) de X : La variace de X : var(x ) = k E E(X ) = k E p k x k ( ) 2 p k xk 2 p k x k A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 k E

4 Probabilités : Variables Aléatoires Cotiues Gééralités U exemple de variable aléatoire o discrète Défiitio Probabilités : Variables Aléatoires Cotiues Gééralités O ote X le temps de vol etre Paris et Vilius. C est ue variable aléatoire qui pred des valeurs comprises etre 135m et 165m. La variable aléatoire X peut predre toutes les valeurs de l itervalle [135, 165]. Cette variable aléatoire est doc pas ue variable discrète. Défiitio O dit que X est ue variable aléatoire cotiue. La loi d ue variable aléatoire cotiue est défiie à partir d ue foctio f appelée desité qui vérifie les propriétés suivates : f est positive pour tout x R, f (x) 0 l aire e dessous la courbe représetative de f vaut 1 autremet dit f (x)dx = x A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Probabilités : Variables Aléatoires Cotiues Gééralités Probabilités : Variables Aléatoires Cotiues Gééralités Calcul des probabilités Illustratio L aire comme mesure des probabilités Soit X ue variable aléatoire cotiue, f sa desité Défiitio La probabilité que X appartiee à l itervalle [a, b] P(a X b) est égale à l aire e dessous de la courbe représetative de la desité comprise etre x = a et x = b 1 La courbe e bleu représete la desité de la variable aléatoire 2 L aire de la zoe e vert représete sur l image de gauche : P(X a) sur l image du milieu : P(a X b) sur l image de droite : P(X b) Autremet dit P(a X b) = b a f (t)dt A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

5 Probabilités : Variables Aléatoires Cotiues Gééralités Probabilités : Variables Aléatoires Cotiues Gééralités Espérace/Variace Défiitio X ue variable aléatoire cotiue. La foctio de répartitio de X (otée F ) est défiie par F (x) = P(X x) Quelques propriétés 1 P(X = x) = 0 2 P(X x) = P(X < x) 3 P(a X b) = P(X b) P(X a) = F (b) F (a) 4 P(X b) = 1 P(X b) = 1 F (b) X ue variable aléatoire cotiue de desité f L espérace de X s écrit E(X ) = xf (x) dx et la variace de X var(x ) = ( x 2 f (x) dx ) 2 xf (x) dx A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Probabilités : Variables Aléatoires Cotiues Loi gaussiee/ormale Probabilités : Variables Aléatoires Cotiues Loi gaussiee/ormale Défiitio de la loi ormale ou gaussiee 2 Probabilités : Variables Aléatoires Cotiues Gééralités Loi gaussiee/ormale La loi gaussiee est ue loi cotiue qui déped de deux paramètres µ R et σ > 0. Sa desité est f µ,σ (x) = 1 e 1 2σ 2 (x µ)2 2πσ Défiitio (Cas particulier) O dit que la loi gaussiee est stadard si µ = 0 et σ = 1. O ote F 0,1 sa foctio de répartitio. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

6 Probabilités : Variables Aléatoires Cotiues Loi gaussiee/ormale Le rôle des deux paramètres µ, σ Probabilités : Variables Aléatoires Cotiues desité de la loi ormale d'ecart type 1 Loi gaussiee/ormale desité de la loi ormale de moyee 0 µ est u paramètre de positio σ u paramètre de dispersio Propriétés Soit X ue variable aléatoire gaussiee. E(X ) = µ, la moyee var(x ) = σ 2, la variace σ est l écart type de X desite MOY= 5 MOY=0 MOY= x Desités de lois gaussiees ayat la même variace mais des moyees différetes desite SD=1 SD=3 SD= Desités de lois gaussiees ayat la même moyee mais des variaces différetes x A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Probabilités : Variables Aléatoires Cotiues Loi gaussiee/ormale Table de la loi gaussiee stadard Probabilités : Variables Aléatoires Cotiues Loi gaussiee/ormale Propriétés de la loi gaussiee stadard La table doe les valeurs de F 0,1 (u), u 0 (aire e vert) Soit X ue variable aléatoire gaussiee stadard. Pour tout x, o a P(X x) = P(X x) x Preos u = 1.96 = P(X x) = 1 P(X x) autremet dit F 0,1 ( x) = 1 F 0,1 (x). P( x X x) = F 0,1 (x) F 0,1 ( x) = 2F 0,1 (x) 1 O a u 1 = 1.9 et u 2 =.06 d où F 0,1 (1.96) = A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

7 Applicatios Probabilités : Variables Aléatoires Cotiues Loi gaussiee/ormale Probabilités : Variables Aléatoires Cotiues Lie etre les lois gaussiees Loi gaussiee/ormale Soit X ue variable aléatoire gaussiee stadard. 1 E utilisat la table : P(X 1.96) = F 0,1 (1.96) = Calcul de P(X 1.96). Cette valeur est pas das la table. P(X 1.96) = F 0,1 ( 1.96) = 1 F 0,1 (1.96) = = Calcul de P( x X x) pour x = 1, 2, 3 P( x X x) = F 0,1 (x) F 0,1 ( x) = 2F 0,1 (x) x = 1 = 0.95 x = x = 3 1 Si la loi de X est la loi gaussiee de moyee µ et d écart type σ alors la loi de Y = X µ est la loi gaussiee de moyee 0 et σ d écart type 1 2 Si la loi de Y est la loi gaussiee de moyee 0 et d écart type 1 alors la loi de X = σy + µ est la loi gaussiee de moyee µ et d écart type σ A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Probabilités : Variables Aléatoires Cotiues Loi gaussiee/ormale Calcul pour la loi gaussiee (µ, σ) Probabilités : Variables Aléatoires Cotiues Loi gaussiee/ormale Soit X est ue variable gaussiee de moyee µ et d écart type σ. Pour calculer P(X x), o se ramèe à ue loi gaussiee stadard. O pose Y = X µ X = σy + µ σ P(X x) = P(σY + µ x) = P(Y x µ σ ) Comme la loi de Y est la loi gaussiee stadard, le derier terme est doé par la table de la loi gaussiee. ( ) x µ P(X x) = F 0,1 σ Exemple Si la loi de X est gaussiee de moyee 4 et d écart type 2. O pose Y = X 4 2 P(X 6.5) = P(2Y ) = P(Y ) 2 = P(Y 1.25) = A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

8 Exemple itroductif Pla de la sectio 3 Exemple itroductif Échatilloage poctuelle d ue moyee Théorème cetral limite par itervalle de la moyee poctuelle d ue variace poctuelle d ue proportio Coclusio 3 Exemple itroductif Échatilloage poctuelle d ue moyee Théorème cetral limite par itervalle de la moyee poctuelle d ue variace poctuelle d ue proportio Coclusio A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Exemple itroductif Exemple itroductif La situatio Deux méthodes Le directeur du persoel du groupe αβ a été chargé de développer le profil de 2500 resposables de sociétés apparteat au groupe αβ. Les caractéristiques à étudier sot le salaire moye auel et sa dispersio la participatio au programme de formatio e gestio mis e place par la société. O a doc trois paramètres à calculer la moyee µ et l écart type σ du salaire auel pour la populatio la proportio p de la populatio ayat suivi la formatio Le recesemet. O doit iterroger 2500 persoes. Le coût de la collecte est très élevé, il écessite u etretie avec chaque resposable. L estimatio. O estime les trois paramètres à partir d u échatillo de taille << Il faut alors 1 Costruire u échatillo de taille 2 Calculer des estimateurs des trois paramètres 3 Évaluer la qualité des estimateurs. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

9 Exemple itroductif Exemple itroductif les doées collectées O costruit u échatillo costitué de 30 resposables de sociétés du groupe. Pour chaque persoe de l échatillo, o collecte deux iformatios so salaire. O ote S 1,..., S 30 les salaires s il a participé au programme de formatio que l o code par 1 pour oui et 0 pour o. O ote F 1,..., F 30 les réposes S F S F S F S = salaire F = formatio (0 :o, 1 :oui) A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Exemple itroductif Exemple itroductif Caractéristiques de l échatillo Recesemet 1 moyee de l échatillo : x = écart type de l échatillo : S = proportio de l échatillo ayat suivi le programme de formatio : p =.7 x 1,..., x u échatillo de taille. sa moyee : x = 1 i=1 x i sa variace : S 2 = 1 i=1 (x i x) 2 so écart type S = i=1 (x i x) 2 1 Après u recesemet de la populatio etière, o obtiet 1 moyee de la populatio µ = x = écart type de la populatio σ = 4000 S = proportio de la populatio ayat suivi le programme de formatio p =.67 p =.7 Les valeurs calculées sur l échatillo e correspodet pas exactemet aux valeurs de la populatio. Erreur d échatilloage A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

10 Exemple itroductif Échatilloage Évaluatio des erreurs ici Erreur absolue : EA = estimatio vraie valeur EA Erreur relative : ER = vraie valeur 1 sur la moyee : EA = x µ = et x µ ER = < 0.01% µ 2 Sur l écart type : EA = et ER = 2.2% 3 sur la proportio : EA =.03 et ER = 5% 3 Exemple itroductif Échatilloage poctuelle d ue moyee Théorème cetral limite par itervalle de la moyee poctuelle d ue variace poctuelle d ue proportio Coclusio A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Défiitio d u échatillo Échatilloage poctuelle d ue moyee O suppose que l o dispose d u échatillo aléatoire de taille issu d ue populatio. L échatillo satisfait les coditios suivates 1 Tous les idividus sot sélectioés das la même populatio 2 Les idividus sot sélectioés de faço idépedate. 3 Exemple itroductif Échatilloage poctuelle d ue moyee Théorème cetral limite par itervalle de la moyee poctuelle d ue variace poctuelle d ue proportio Coclusio A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

11 d ue moyee poctuelle d ue moyee Costructio de l estimateur de µ poctuelle d ue moyee Soit X ue caractéristique/variable de la populatio. O ote µ sa moyee das la populatio σ so écart type. Questio Commet estimer le paramètre µ? Quelle est la précisio de l estimatio? Les doées O dispose des valeurs de la variable X pour les idividus sélectioés das l échatillo : x 1,..., x O estime la moyee de la populatio par la moyee de l échatillo x = 1 x i = x x i=1 x est ue estimatio poctuelle de µ Remarque x est ue variable aléatoire. À chaque répétitio du processus d échatilloage, il est vraisemblable d obteir ue valeur différete pour la moyee x. O peut doc calculer la loi de x, sa moyee, sa variace etc A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Propriétés de l estimateur x poctuelle d ue moyee 1 La moyee de x est égale à la moyee de la populatio µ. E( x) = µ 2 La variace de x : var( x) = σ2 où σ 2 est la variace de la populatio. 3 L écart type de x : σ( x) = A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 σ poctuelle d ue moyee l écart type décroît vers zéro quad la taille de l échatillo ted vers l ifii. la moyee reste ichagée quelque soit la taille de l échatillo Graphique Évolutio de la loi de x e foctio de la taille de l échatillo. La populatio est gaussiee de moyee µ = 10 et d écart type σ = = A. Φlippe (U. Nates) 6 Méthodes 8 de statistique 10iféretielle mai / 166

12 poctuelle d ue moyee Théorème cetral limite Loi de x : cas gaussie Lorsque la distributio de la populatio est gaussiee alors la loi de x est aussi ue loi gaussiee Populatio x loi gaussiee gaussiee moyee µ µ variace σ 2 σ2 σ écart type σ 3 Exemple itroductif Échatilloage poctuelle d ue moyee Théorème cetral limite par itervalle de la moyee poctuelle d ue variace poctuelle d ue proportio Coclusio A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Théorème cetral limite Théorème cetral limite Loi de x : le cas des grads échatillos Illustratio du TCL Loi de la populatio. Le théorème cetral limite doe la loi de x pour les grads échatillos quelque soit la loi de la populatio. Théorème O suppose que la loi de la populatio est de moyee µ et d écart type σ. Lorsque la taille de l échatillo est assez grade, la loi de x peut être approchée par ue loi gaussiee de moyee µ et d écart type σ. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

13 Théorème cetral limite Théorème cetral limite Loi de x pour des échatillos de taille = 5 Loi de x pour des échatillos de taille = 30 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Théorème cetral limite Théorème cetral limite Loi de x pour des échatillos de taille = 50 E pratique O peut approcher la loi de x par ue loi gaussiee pour des grads échatillos. O admet souvet comme limite > 30. Remarque Si la loi de la populatio est gaussiee alors la loi de x est gaussiee quelque soit la taille de l échatillo. Remarque La loi d échatilloage révèle la faço dot les valeurs de x sot distribuées autour de µ. Nous allos utiliser cette loi pour cotrôler l erreur d estimatio pour costruire ue estimatio par itervalle. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

14 Erreur d estimatio : coclusios probabilistes 3 Exemple itroductif Échatilloage poctuelle d ue moyee Théorème cetral limite par itervalle de la moyee poctuelle d ue variace poctuelle d ue proportio Coclusio La coaissace de la loi de x permet de tirer des coclusios probabilistes sur l erreur x µ (même si µ est icou) Les situatios étudiées sot les suivates les grads échatillos σ cou σ icou les petits échatillos pour des populatios gaussiees σ cou σ icou A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Cas des grads échatillos > 30 D après le théorème cetral limite la loi de x peut être approchée par ue loi gaussiee de moyee µ et d écart type σ/. la loi de x µ peut être approchée par ue loi gaussiee σ stadard. Par coséquet ( x µ P σ c est à dire P ) [ 1, 96 ; 1.96] = 0.95 ( x µ [ 1, 96 σ ; 1.96 σ ]) = 0.95 Soit Z ue variable gaussiee stadard. D après la table de la loi gaussiee, o sait que P(Z [ 1, 96 ; 1.96]) = 0.95 E effet P(Z [ a ; a]) = 2F 0,1 (a) 1 = 0.95 et F 0,1 (1.96) = Coclusio probabiliste sur l erreur 95% des valeurs de x géèret ue erreur absolue iférieure à 1, 96 σ A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

15 Illustratio : distributio de la loi de x Gééralisatio 1 O fixe α ]0, 1[, 1 α est de iveau de cofiace. 2 O costruit a (qui déped de α) tel que P( x µ [ a ; a]) = 1 α σ = 2 x géère ue erreur absolue iférieure à a avec ue probabilité de 1 α. 95% des valeurs de x σ µ = 2x1.96 α 2 a 1 α des valeurs de x µ a α 2 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Quatile de la loi gaussiee stadard. Défiitio Soit X ue variable gaussiee stadard. Le quatile d ordre β de la loi gaussiee stadard est le réel q(β) tel que P(X q(β)) = β F 0,1 (q(β)) = β Erreur d estimatio : grad σ cou Théorème Hypothèses la taille de l échatillo est assez grade (>30) la variace de la populatio σ 2 est coue Soit α fixé. O a ( P x µ [ q(1 α/2) σ ; q(1 α/2) σ ]) = 1 α x géère ue erreur absolue iférieure à q(1 α/2) σ avec ue probabilité de 1 α. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

16 le calcul... Grads échatillos, σ est icou O remarque que x µ [ q(1 α/2) σ ; q(1 α/2) σ ] ( x µ) [ q(1 α/2) ; q(1 α/2)] σ Comme la loi de ( x µ) peut être approchée par la loi gaussiee σ stadard, o a ( P = P x µ [ q(1 α/2) σ ; q(1 α/2) σ ]) = F 0,1 (q(1 α/2)) F 0,1 ( q(1 α/2)) = 2F 0,1 (q(1 α/2)) 1 = 2(1 α/2) 1 = 1 α A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Les itervalles dépedet de l écart type de la populatio σ qui gééralemet est icou. O estime l écart type de la populatio par celui de l échatillo S = 1 (x i x) 2 Remarque S 2 est u estimateur poctuel de la variace de la populatio σ 2 Théorème Quad est assez grad, la loi de par la loi gaussiee stadard. i=1 ( x µ) peut être approchée S A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Erreur d estimatio : grad σ icou Théorème Hypothèses la taille de l échatillo est assez grade (>30) la variace de la populatio σ 2 est icoue Soit α fixé. O a ( P x µ [ q(1 α/2) S ; q(1 α/2) S ]) = 1 α x géère ue erreur absolue iférieure à q(1 α/2) S avec ue probabilité de 1 α. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Cas des petits échatillos gaussies Si la loi de la populatio est gaussiee alors la loi de la loi gaussiee stadard Théorème Hypothèses la populatio est gaussiee la variace de la populatio σ 2 est coue ( x µ) est σ Soit α fixé. O a ( P x µ [ q(1 α/2) σ ; q(1 α/2) σ ]) = 1 α x géère ue erreur absolue iférieure à q(1 α/2) σ avec ue probabilité de 1 α. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

17 Loi de Studet Foctio de répartitio des lois de Studet Soit ν R +. La loi de Studet à ν degrés de liberté est ue loi cotiue dot la desité est de la forme Soit X ue variable distribuée suivat la loi de Studet à ν degrés de liberté. P = P(X u) (aire e vert) e Propositio Quad le degré de liberté ν est grad, o peut approcher la loi de Studet par ue loi gaussiee stadard A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 si ν = 8 alors P(X < 1.859) = A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Quatiles de la loi de Studet Petits échatillos gaussies, σ icou O ote t(ν, β) le quatile d ordre β de la loi de Studet à ν degrés de liberté. P(X t(ν, β)) = β Fixos β = ν t(ν, 0.975) Pour la loi gaussiee stadard, o a q(0.975) = A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Importat : O commece par corriger l estimateur de la variace O pose Sc 2 = 1 (x i x) 2 = 1 1 S 2 Défiitio i=1 S 2 c est la variace modifiée/corrigée de l échatillo. C est u estimateur poctuel de la variace de la populatio Théorème La loi de ( x µ) est ue loi de Studet à 1 degrés de liberté. S c A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

18 Erreur d estimatio : populatio gaussiee, σ icou Théorème Hypothèses la populatio est gaussiee la variace de la populatio σ 2 est icoue Soit α fixé. O a ( [ P x µ t( 1, 1 α/2) S c ; t( 1, 1 α/2) S ]) c = 1 α par itervalle de la moyee 3 Exemple itroductif Échatilloage poctuelle d ue moyee Théorème cetral limite par itervalle de la moyee poctuelle d ue variace poctuelle d ue proportio Coclusio x géère ue erreur absolue iférieure à t( 1, 1 α/2) S c avec ue probabilité de 1 α. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 par itervalle par itervalle de la moyee Cas des grads échatillos par itervalle de la moyee À partir de l échatillo, o souhaite costruire u itervalle qui vérifie la propriété suivate : il y a ue probabilité 1 α que l itervalle cotiee la moyee de la populatio. Défiitios 1 1 α est le coefficiet de cofiace. 2 L itervalle obteu est appelé itervalle de cofiace de iveau 1 α. par itervalle de la moyee d ue populatio Hypothèses la taille de l échatillo est assez grade (>30) la variace de la populatio σ 2 est coue [ x σ q(1 α/2) ; x + σ ] q(1 α/2) est u itervalle de cofiace de iveau 1 α pour la moyee µ il y a ue probabilité 1 α que l itervalle de cofiace cotiee la moyee de la populatio. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

19 le calcul par itervalle de la moyee Il y a ue probabilité 1 α que la valeur de x géère ue erreur iférieure à σ q(1 α/2) d où par itervalle de la moyee La courbe e vert est la desité de la loi de x. O costruit 10 itervalles de cofiace de iveau 95% à partir de 10 échatillos différets. P( x µ σ q(1 α/2)) = 1 α Esuite, il suffit de remarquer que x µ σ q(1 α/2) [ µ x σ q(1 α/2) ; x + σ ] q(1 α/2) A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 L itervalle e rose e cotiet pas la vraie valeur de la moyee. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 par itervalle de la moyee Cas des grads échatillos, σ icou O estime σ par l écart type de l échatillo S S = 1 (x i x) 2 par itervalle de la moyee d ue populatio Hypothèses i=1 la taille de l échatillo est assez grade (>30) la variace de la populatio σ 2 est icoue [ x S q(1 α/2) ; x + S ] q(1 α/2) par itervalle de la moyee Petits échatillos gaussies, σ cou O retrouve le résultat des grads échatillos. par itervalle de la moyee d ue populatio Hypothèses la populatio est gaussiee la variace de la populatio σ 2 est coue [ x σ q(1 α/2) ; x + σ ] q(1 α/2) est u itervalle de cofiace de iveau 1 α pour la moyee µ est u itervalle de cofiace de iveau 1 α pour la moyee µ A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

20 par itervalle de la moyee Petits échatillos gaussies, σ icou O utilise l écart type corrigé de l échatillo S c pour estimer σ S c = 1 (x i x) 1 2 par itervalle de la moyee d ue populatio Hypothèses la populatio est gaussiee la variace de la populatio σ 2 est icoue [ x S c t( 1, 1 α/2) ; x + S ] c t( 1, 1 α/2) est u itervalle de cofiace de iveau 1 α pour la moyee µ. i=1 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Retour à l exemple du groupe αβ par itervalle de la moyee O suppose que la populatio est gaussiee. Situatio 1 O dispose d u échatillo de taille 30 et la variace de la populatio est coue. Avec ue probabilité de 95%, l erreur est iférieure à 1.96σ 1 = / 30 = L itervalle de cofiace au iveau 95% est [ ; ] = [ ; ] Remarque Sur l échatillo sélectioé, ous avios EA = x µ = après recesemet. Le cas observé appartiet aux 95% des cas favorables. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 par itervalle de la moyee Situatio 2 O suppose que la loi des salaires est gaussiee. La variace de la populatio est icoue. Calcul de la variace modifiée S 2 c = S 2 30/29. D où S c = S 2 30/29 = Das la table de la loi de Studet, o trouve t(29, 0.975) = 2.04 Avec ue probabilité de 95%, l erreur est iférieure à / 30 = L itervalle de cofiace au iveau 95% est [ ; ] = [ ; ] A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Pour résumer par itervalle de la moyee Les itervalles de cofiace sur la moyee de la populatio σ cou σ icou petits échatillos grads échatillos [ loi gaussiee quelle que soit la loi x ± σ ] [ q(1 α/2) x ± σ ] q(1 α/2) [ x ± S ] [ c t( 1, 1 α/2) x ± S ] q(1 α/2) Notatios : [a ± b] est l itervalle [a b; a + b] 1 S = i=1 (x i x) 2 et S c = 1 1 i=1 (x i x) 2 q(β) est le quatile d ordre β de la loi gaussiee stadard et t(ν, β) celui de la loi de Studet à ν degrés de liberté A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

21 poctuelle d ue variace Costructio de l estimateur poctuelle d ue variace 3 Exemple itroductif Échatilloage poctuelle d ue moyee Théorème cetral limite par itervalle de la moyee poctuelle d ue variace poctuelle d ue proportio Coclusio A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 O souhaite estimer la variace de la populatio. 1er estimateur : O estime la variace de la populatio par la variace de l échatillo S 2 = 1 (x i x) 2 Remarque (estimatio biaisée) E(S 2 ) = 1 σ2 σ 2 o dit que l estimateur a u biais. 2ème estimateur : O améliore l estimateur S 2 e preat la variace modifiée Sc 2 = 1 (x i x) 2 1 i=1 i=1 Le biais est corrigé, o a E(S 2 c ) = σ 2 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 poctuelle d ue variace poctuelle d ue variace Propriétés de S 2 c Loi du χ 2 La moyee de S 2 c est égale à la variace de la populatio µ E(S 2 c ) = σ 2 Soit ν R +. La loi du χ 2 à ν degrés de liberté est ue loi cotiue. La desité est de la forme La variace de S 2 c coverge vers zéro pour des variables L 4. De plus si l échatillo est gaussie, o a var(s 2 c ) = σ Comparaiso des deux estimateurs Quad la taille de l échatillo est grade, les deux estimateurs sot équivalets. Remarque La desité est ulle sur R doc P(X < 0) = 0 et P(X 0) = 1 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

22 Propositio poctuelle d ue variace Quad le degré de liberté ν est grad, o peut approcher la loi du χ 2 par la loi gaussiee de moyee ν et d écart type 2ν poctuelle d ue variace Foctio de répartitio des lois du χ 2 Soit X ue variable distribuée suivat la loi du χ 2 à ν degrés de liberté. P = P(X u) A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 si ν = 5 alors P(X < 11.07) = A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 poctuelle d ue variace poctuelle d ue variace Quatiles de la loi du χ 2 Loi de l estimateur S 2 c O ote k(ν, β) le quatile d ordre β de la loi du χ 2 à ν degrés de liberté. P(X k(ν, β)) = β Fixos β = ν k(ν, 0.975) Pour la loi gaussiee de moyee 500 et d écart type 1000, le quatile supérieur d ordre β = vaut A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Théorème Si la populatio est gaussiee alors la loi de 1 σ 2 S 2 c est la loi du χ 2 à 1 degrés de liberté. Grads échatillos gaussie Quad la taille de la populatio est assez grade ( > 30), o peut approcher la loi de 1 Sc 2 par la loi gaussiee de moyee 1 et d écart type 2 2. σ 2 Autremet dit o peut approcher la loi de loi gaussiee stadard ( ) S 2 c 1 σ par la A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

23 poctuelle d ue variace Itervalle de cofiace pour la variace par itervalle de la variace d ue populatio Hypothèses la populatio est gaussiee [ ( 1)S 2 c k( 1, 1 α/2) ; ] ( 1)Sc 2 k( 1, α/2) est u itervalle de cofiace de iveau 1 α pour la variace σ 2 Approximatio gaussiee poctuelle d ue variace par itervalle de la variace d ue populatio gaussiee Quad la taille de l échatillo est assez grade > 30, Sc q(1 α/2) ; 2 1 S 2 c 1 q(1 α/2) 2 1 est u itervalle de cofiace de iveau 1 α pour la variace σ 2 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 poctuelle d ue proportio Costructio de l estimateur poctuelle d ue proportio 3 Exemple itroductif Échatilloage poctuelle d ue moyee Théorème cetral limite par itervalle de la moyee poctuelle d ue variace poctuelle d ue proportio Coclusio O étudie ue caractéristique X qui pred deux modalités {0, 1}. Soit p la proportio de la populatio qui possède la modalité 1 O veut estimer p à partir de otre échatillo. Costructio de l estimateur O ote p la proportio de l échatillo qui possède la modalité 1. C est u estimateur poctuel de p A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

24 Propriétés de la loi de p poctuelle d ue proportio Loi d échatilloage de p poctuelle d ue proportio 1 La moyee de la variable p est égale à la proportio p das la populatio. p(1 p) 2 L écart type de p vaut. Le graphique suivat représete l écart type e foctio de p. Quad la taille de l échatillo est assez grade, o peut approcher la loi de p par ue loi gaussiee de moyee p et d écart type p(1 p). O peut cosidérer que est grad si p 5 et (1 p) approximatio par ue gaussiee VALIDE p>5 et (1 p)> p A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 poctuelle d ue proportio Précisio de l estimatio : grads échatillos poctuelle d ue proportio par itervalle : grads échatillos Soit α fixé. O a ( [ ]) p(1 p) p(1 p) P p p q(1 α/2) ; q(1 α/2) = 1 α p géère ue erreur absolue iférieure à q(1 α/2) ue probabilité de 1 α. Remarque L erreur déped de p qui est icou. p(1 p) avec O estime l écart type de la loi de p par Théorème Pour assez grad, la loi de ( p p) p(1 p) p(1 p) peut être approchée par la loi gaussiee stadard. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

25 Itervalle de cofiace poctuelle d ue proportio Retour à l exemple du groupe αβ poctuelle d ue proportio par itervalle de la proportio p Hypothèse la taille de l échatillo est assez grade p 5 et (1 p) 5. e pratique o vérifie si p 5 et (1 p) 5 [ ] p(1 p) p(1 p) p q(1 α/2) ; p + q(1 α/2) est u itervalle de cofiace de iveau 1 α pour la proportio p L estimatio de p : p =.7 et la taille de l échatillo est = 30. O a bie p = 21 5 et (1 p) = 9 5 O peut utiliser l approximatio par ue gaussiee 1 Avec ue probabilité de 95%, l erreur sur l estimatio de p est iférieure à p(1 p) 1.96 = / 30 = 0.16 Après le recesemet, ous avios ue erreur absolue de : EA =.03 2 L itervalle de cofiace au iveau 95% est [ , ] = [0.54, 0.86] A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 poctuelle d ue proportio Le secod tour d ue électio présidetielle A et B sot les deux cadidats présets au secod tour. Les résultats du secod tour sot B 51% et A 49% Les régios de cofiace pour les deux proportios e foctio de la taille de l échatillo poctuelle d ue proportio Icertitude sur le cadidat vaiqueur Quelle est la précisio des sodages? O réalise de ombreux sodages sur des échatillos de taille afi d évaluer le pourcetage de sodages qui e doet pas le bo cadidat vaiqueur. Ce graphique représete ce pourcetage e foctio de. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

26 poctuelle d ue proportio u autre résultat : 52,5% cotre 47.5% Coclusio 3 Exemple itroductif Échatilloage poctuelle d ue moyee Théorème cetral limite par itervalle de la moyee poctuelle d ue variace poctuelle d ue proportio Coclusio A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 La boe démarche Coclusio Pla de la sectio La démarche statistique pour estimer ue caractéristique/u paramètre de la populatio (moyee, variace, proportio, etc.) est la suivate 1 O costitue u échatillo de taille 2 O récolte les observatios x 1,..., x 3 O calcule l estimateur du paramètre d itérêt. 4 Avat d évaluer la qualité de l estimateur, o doit répodre aux questios suivates : 1 Dispose-t-o d u grad échatillo? 2 La populatio est-elle gaussiee? 5 O fixe u iveau de cofiace 1 α 6 O calcule l erreur d estimatio et/ou u itervalle de cofiace 4 Défiitios et exemples Test sur la moyee Comparaiso de deux échatillos Test du χ 2 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

27 Défiitios et exemples Défiitios et exemples U test statistique 4 Défiitios et exemples Test sur la moyee Comparaiso de deux échatillos Test du χ 2 Das la première partie du cours u échatillo est utilisé pour estimer les paramètres d ue caractéristique de la populatio, par exemple ue moyee ue variace ue proportio Nous poursuivos l iférece statistique par la descriptio des tests statistiques. U test statistique est utilisé pour détermier si ue assertio sur ue caractéristique de la populatio doit être rejetée. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Défiitios et exemples Défiitios et exemples Le cotrôle de qualité. Pricipe gééral Das ue des etreprises du groupe αβ, o procède à l assemblage de 10 composats électroiques sur ue plate-forme. La qualité de soudure sur la plate-forme e satisfait pas les critères de qualité établis pour ce produit. l avis de l igéieur U igéieur a émis l hypothèse que le problème serait dû à des défauts de placage sur les plates-formes. Questio La proportio de plates-formes défectueuses das les stocks de l etreprise est-elle supérieure à celle aocée par le fourisseur? Étape 1 O commece par formuler ue première hypothèse sur ue caractéristique de la populatio. Cette hypothèse, otée H 0, est appelée l hypothèse ulle. Étape 2 O défiit esuite ue secode hypothèse qui cotredit l hypothèse ulle H 0. Cette hypothèse, otée H a, est appelée l hypothèse alterative. Étape 3 O utilise les doées issues d u échatillo pour tester les deux hypothèses e compétitio H 0 et H a. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

28 Défiitios et exemples Défiitios et exemples Illustratio Quelle décisio peut-o predre? Situatio : Ue société de trasport aoce que la durée moyee µ du trajet etre Paris et Lille a été réduite de 5 miutes, la durée moyee du trajet serait de 58m au lieu de 1h03. Ue associatio d usagers coteste cette aoce. Les hypothèses O cofrote les deux hypothèses suivates : H 0 : l affirmatio de l associatio d usagers µ = 63m H a : l affirmatio de la société de trasport µ = 58m O dispose d u échatillo de taille = 35 dot la moyee des durées de trajet vaut x = 59.1m et l écart type S = 5.1m. La différece etre x et 63 peut-elle être attribuée aux fluctuatios de l échatilloage ou doit-elle être attribuée à ue réductio réelle de la durée du trajet? Remarques Quelle est la probabilité de commettre ue erreur si H 0 est vraie? Quelle est la probabilité de commettre ue erreur si H a est vraie? A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Défiitios et exemples la société de trasport (suite) la loi de x la société de trasport (suite) Défiitios et exemples L hypothèse H 0 est vraie la loi de x peut être approchée par la loi gaussiee de moyee 63 et d écart type Représetatio de la loi de x L hypothèse H a est vraie la loi de x peut être approchée par la loi gaussiee de moyee 58 et d écart type Supposos que l hypothèse H 0 soit vraie. O calcule la probabilité d observer ue valeur iférieure à O a P 0 ( x 59.1) = P ( x = F 0,1 ( 4.53) = 1 F 0,1 (4.53) ) A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

29 la société de trasport (suite) Défiitios et exemples Commet choisir la limite c? O fixe α = 5%, la probabilité de commettre ue erreur quad H 0 est vraie, autremet dit α est la probabilité que x < c quad H 0 est vraie. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 la société de trasport (suite) Défiitios et exemples Autremet dit o cherche la valeur c telle que 1 la loi de x peut être approchée par la loi gaussiee de moyee 63 et d écart type P 0 ( x < c) = 0.05 ( x 63 P 0 ( x < c) = P 0.86 < c 63 ) 0.86 ( ) c 63 = F 0,1 = d où et ( F 0,1 c 63 ) = c 63 = 1.64 c = A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 la société de trasport (fi) Défiitios et exemples Test sur la moyee La décisio O a observé x = Comme x < c = 61.58, o décide de rejeter l hypothèse ulle (o accepte la réductio de la durée du trajet) pour le test de seuil α = 5%. U autre type d erreur O calcule la probabilité de décider H 0 alors que H a est vraie La loi de x peut être approchée par la loi gaussiee de moyee 58 et d écart type Défiitios et exemples Test sur la moyee Comparaiso de deux échatillos Test du χ 2 P 1 ( x > 61.58) = P ( x = 1 F 0,1 ( ) > 0.86 ) = 10 5 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

30 Test sur la moyee Test sur la moyee Décisio et erreur Décisio O teste les hypothèses H 0 cotre H a État de la populatio H 0 est vraie H a est vraie Accepter H 0 Décisio correcte Erreur de 2de espèce Rejeter H 0 Erreur de 1ère espèce Décisio correcte Notatios : α est la probabilité de commettre ue erreur de première espèce β est la probabilité de commettre ue erreur de secode espèce A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 La démarche 1 O fixe la probabilité d erreur de première espèce α c est le risque de rejeter H 0 (accepter H a ) alors que H 0 est vraie. 2 O costruit ue régio R 0 telle que si x R o alors o rejette l hypothèse ulle H 0 (o accepte H a ) la probabilité de x R o est égale à α quad H 0 est vraie Défiitio O dit que la décisio est prise au iveau α Remarque La probabilité d erreur de secode espèce β est pas fixée par le statisticie qui met e œuvre le test. Pour de ombreux tests, il est pas possible de calculer la valeur de β. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Test sur la moyee Test sur la moyee Les décisios La décisio est prise à partir d u échatillo de taille. O calcule la moyee de l échatillo x. Si x R o alors o décide de rejeter H 0 (d accepter H a ). Le risque de commettre ue erreur est iférieur ou égal à α. Si x R o alors o décide d accepter H 0. Remarque Lorsque β est icou, o utilise plutôt l expressio o e peut pas rejeter H 0 plutôt que o accepte H 0. Utiliser cette expressio permet de différer tout jugemet et toute actio. Tester les hypothèses de recherche Situatio : Les voitures de type XYZ cosommet e moyee, 9 litres d essece tous les 100 kilomètres. Des chercheurs ot développé u ouveau moteur pour ce modèle. Hypothèses : Les chercheurs veulet prouver que le ouveau moteur est plus écoomique. O ote µ la cosommatio moyee e litres pour 100 kilomètres. L hypothèse de recherche est µ < 9 Les hypothèses appropriées sot H 0 : µ = 9 et H a : µ < 9 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

31 Test sur la moyee Costructio du test sur la cosommatio O mesure la cosommatio sur u échatillo de 100 voitures équipées du ouveau moteur. O calcule la moyee x Commet fixer la limite C? Si x C alors o accepte H a sio o accepte H 0 1 O fixe l erreur de première espèce α = O cherche la valeur de C telle que si H 0 est vraie [µ = 9], o a P(accepter H a ) = P( x < C) = 0.05 Test sur la moyee O dispose d u grad échatillo = 100 > 30 et σ = 1 est cou. Si H 0 est vraie alors la loi de Z = x 9 1/ peut être approchée par 100 ue loi gaussiee stadard Decisio Ha Decisio Ho 5% x loi de x sous Ho O cherche C telle que P( x < C) = P(Z C 9 1/ 100 ) = 0.05 Das la table, o lit C 9 1/ = 1.64 doc C = Si x < 8.83 alors o rejette l hypothèse ulle (o accepte l hypothèse alterative) au iveau 5% A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Test sur la moyee Test sur la moyee Tester la validité d ue assertio Sur l échatillo costitué par les igéieurs, la moyee des cosommatios est égale à x = 8.5. Les résultats de l échatillo idiquet que l o rejette H 0 et doc que l o accepte H a au iveau 5% Les igéieurs ot le support statistique écessaire pour affirmer que le ouveau moteur est plus écoomique. La productio pourra alors commecer. Situatio : U producteur de tiges filetées préted que la logueur moyee µ des tiges est d u mètre. U échatillo de tiges est costitué et leur logueur est mesurée pour tester l affirmatio du fabricat. Hypothèses : O accorde le bééfice du doute au producteur et so assertio correspod à H 0. O formule les hypothèses H 0 : µ = 1 et H a : µ 1 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

32 Test sur la moyee Costructio du test sur la qualité des pièces O mesure la logueur de 100 tiges. O calcule la moyee x Commet fixer la limite C? Si x 1 C alors o accepte H a sio o accepte H 0 1 O fixe l erreur de première espèce α = O cherche la valeur de C telle que si H 0 est vraie [µ = 1] alors P(accepter H a ) = P( x 1 > C) = 0.05 Test sur la moyee O dispose d u grad échatillo = 100 > 30 et σ = 1 est cou. Si H 0 est vraie alors la loi de Z = x 1 1/ peut être approchée par 100 ue loi gaussiee stadard Decisio Ha Decisio Ho 2.5% 2.5% x loi de x sous Ho Decisio Ha O cherche C telle que P( x 1 > C) = P( Z = 0.05 Das la table, o lit C 1/ = 1.96 doc C = C 1/ 100 ) Si x < 0.81 ou x > 1.19 alors o rejette l hypothèse ulle (autremet dit o accepte l hypothèse alterative) au iveau 5%. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Test sur la moyee Test sur la moyee Les différetes hypothèses sur la moyee de la populatio Sur l échatillo de tiges, la logueur moyee des tiges est x = 1.1. Les doées de l échatillo e permettet pas de rejeter H 0. O accepte H 0. O e peut pas cotester l affirmatio du fabricat. Hypothèse ulle H 0 la moyee est égale à µ 0 H 0 : µ = µ 0 la moyee est supérieure ou égale à µ 0 H 0 : µ µ 0 la moyee est iférieure ou égale à µ 0 H 0 : µ µ 0 Hypothèse alterative H a la moyee est différete de µ 0 H a : µ µ 0 la moyee est strictemet supérieure à µ 0 H a : µ > µ 0 la moyee est strictemet iférieure à µ 0 H a : µ < µ 0 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Remarque L égalité doit toujours apparaître das l hypothèse ulle H 0. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

33 Test sur la moyee Test sur la moyee : grad, σ cou Hypothèse Hypothèse H a est acceptée ulle H 0 alterative H a H 0 est rejetée µ = µ 0 µ > µ 0 µ µ 0 x > µ 0 + q(1 α) σ µ = µ 0 µ < µ 0 µ µ 0 x < µ 0 q(1 α) σ Test sur la moyee Test sur la moyee : grad, σ icou Hypothèse Hypothèse H a est acceptée ulle H 0 alterative H a H 0 est rejetée µ = µ 0 µ > µ 0 µ µ 0 x > µ 0 + q(1 α) S µ = µ 0 µ < µ 0 µ µ 0 x < µ 0 q(1 α) S µ = µ 0 µ µ 0 x > µ 0 + q(1 α/2) σ ou bie x < µ 0 q(1 α/2) σ µ = µ 0 µ µ 0 x > µ 0 + q(1 α/2) S ou bie x < µ 0 q(1 α/2) S A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Test sur la moyee Test sur la moyee : cas gaussie, σ cou Hypothèse Hypothèse H a est acceptée ulle H 0 alterative H a H 0 est rejetée µ = µ 0 µ > µ 0 µ µ 0 x > µ 0 + q(1 α) σ µ = µ 0 µ < µ 0 µ µ 0 x < µ 0 q(1 α) σ Test sur la moyee Test sur la moyee : cas gaussie, σ icou Hypothèse Hypothèse H a est acceptée ulle H 0 alterative H a H 0 est rejetée µ = µ 0 µ > µ 0 µ µ 0 x > µ 0 + t( 1, 1 α) S c µ = µ 0 µ < µ 0 µ µ 0 x < µ 0 t( 1, 1 α) S c µ = µ 0 µ µ 0 x > µ 0 + q(1 α/2) σ ou bie x < µ 0 q(1 α/2) σ µ = µ 0 µ µ 0 x > µ 0 + t( 1, 1 α/2) S c ou bie x < µ 0 t( 1, 1 α/2) S c A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

34 Comparaiso de deux échatillos Comparaiso de deux échatillos de comparaiso 4 Défiitios et exemples Test sur la moyee Comparaiso de deux échatillos Test du χ 2 Problème O veut tester si deux échatillos ot la même moyee. Deux situatios 1 les deux échatillos sot idépedats Exemple O veut comparer les salaires moyes des techicies de deux etreprises. 2 les échatillos sot appariés Exemple Pour tester l efficacité d u médicamet, o compare le taux de cholestérol avat et après le traitemet sur u groupe de malades. Les échatillos e sot pas idépedats car les mesures sot effectuées sur les mêmes idividus. A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 Comparaiso de deux échatillos Comparaiso de deux échatillos Échatillos idépedats Plus gééralemet U grad magasi implate deux boutiques l ue est située das le cetre ville l autre das u cetre commercial e balieue Le directeur des vetes remarque que les produits qui se vedet bie das u des magasis e se vedet pas forcémet bie das le secod. Il attribue cette variatio des vetes au fait que l âge moye des cliets est différet etre les deux magasis. boutique taille âge moye écart type de l échatillo pop. 1 cetre ville 1 = 36 x 1 = 40 as S 1 = 9 as pop. 2 balieue 2 = 49 x 2 = 35 as S 2 = 10 as O suppose que les deux populatios sot idépedates Populatio 1 moyee µ 1 écart type σ 1 Populatio 2 moyee µ 2 écart type σ 2 La questio Les deux moyees sot-elles égales? µ 1 = µ 2? O teste µ 1 = µ 2 cotre µ 1 µ 2 Les observatios : o dispose de deux échatillos idépedats. échatillo 1 extrait de la populatio 1 taille 1 moyee x 1, écart type S 1 échatillo 2 extrait de la populatio 2 taille 2, moyee x 2, écart type S 2 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166 A. Φlippe (U. Nates) Méthodes de statistique iféretielle. 19 mai / 166

Estimations et intervalles de confiance

Estimations et intervalles de confiance Estimatios et itervalles de cofiace Estimatios et itervalles de cofiace Résumé Cette vigette itroduit la otio d estimateur et ses propriétés : covergece, biais, erreur quadratique, avat d aborder l estimatio

Plus en détail

Fluctuation et estimation

Fluctuation et estimation Fluctuatio et estimatio Table des matières I Idetificatio de la situatio........................................ II Échatilloage, itervalle de fluctuatio asymptotique........................ II. Itervalle

Plus en détail

Estimation. Exemple Les statistiques des notes obtenues en mathématiques au BTS OL en France pour l année 2014 sont :

Estimation. Exemple Les statistiques des notes obtenues en mathématiques au BTS OL en France pour l année 2014 sont : Estimatio Objectifs Estimer poctuellemet ue proportio, ue moyee ou u écart type d ue populatio à l aide de la calculatrice ou d u logiciel, à partir d u échatillo Détermier u itervalle de cofiace à u iveau

Plus en détail

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001

BTS BIOCHIMIE & ANALYSES BIOLOGIQUES 2001 Exercice 1 : ( 12 poits ) Les parties A et B peuvet être traitées idépedammet l ue de l autre. O se propose d étudier l évolutio e foctio du temps des températures d u bai et d u solide plogé das ce bai.

Plus en détail

Intervalle de fluctuation des fréquences. Estimation CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES. fréquence F n. fréquence obtenue f.

Intervalle de fluctuation des fréquences. Estimation CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES. fréquence F n. fréquence obtenue f. Chapitre 14 Itervalle de fluctuatio des fréqueces. Estimatio Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Itervalle de fluctuatio Estimatio Itervalle de cofiace (*). Niveau

Plus en détail

STATISTIQUE : ESTIMATION

STATISTIQUE : ESTIMATION STATISTIQUE : ESTIMATION Préparatio à l Agrégatio Bordeaux Aée 202-203 Jea-Jacques Ruch Table des Matières Chapitre I. Estimatio poctuelle 5. Défiitios 5 2. Critères de comparaiso d estimateurs 6 3. Exemples

Plus en détail

Intervalles de fluctuation et de confiance

Intervalles de fluctuation et de confiance Chapitre 9 Itervalles de fluctuatio et de cofiace Sommaire 9.1 Itervalle de fluctuatio................................... 157 9.1.1 Quelques rappels..................................... 157 9.1.2 Itervalle

Plus en détail

FLUCTUATION ET ESTIMATION

FLUCTUATION ET ESTIMATION 1 FLUCTUATION ET ESTIMATION Le mathématicie d'origie russe Jerzy Neyma (1894 ; 1981), ci-cotre, pose les fodemets d'ue approche ouvelle des statistiques. Avec l'aglais Ego Pearso, il développe la théorie

Plus en détail

Agrégation externe de mathématiques, session 2008 Épreuve de modélisation, option A : Probabilités et Statistiques

Agrégation externe de mathématiques, session 2008 Épreuve de modélisation, option A : Probabilités et Statistiques Agrégatio extere de mathématiques, sessio 2008 Épreuve de modélisatio, optio (public 2008) Mots clefs : Loi des grads ombres, espace des polyômes, estimatio o-paramétrique Il est rappelé que le jury exige

Plus en détail

Lucyna FIRLEJ IUT Mesures Physiques Statistiques C1

Lucyna FIRLEJ IUT Mesures Physiques Statistiques C1 1 Statistique iferetielle. Relatios Iteratioales Lucya Firlej Pl. E.Bataillo, Bat.11, cc.06 34095 Motpellier cedex 5 Frace lucya.firlej@umotpellier.fr S3. Statistics. 30 h d eseigemet: 10 cours, 10 TD,

Plus en détail

VARIABLES ALEATOIRES

VARIABLES ALEATOIRES VARIABLES ALEATOIRES TABLE DES MATIÈRES. Loi de probabilité.. Exemple... Calcul de probabilités sur u uivers Ω... Variable aléatoire à valeurs réelles...3. Probabilité image défiie par ue variable aléatoire..4.

Plus en détail

E(X i ) par linéarité de l espérance.

E(X i ) par linéarité de l espérance. Statistiques appliquées. L3 Iterrogatio Questios de cours. 3 poits 1) Eocer le théorème cetral limite (1 pt). Si (X ) est ue suite de v.a. idépedates et de même loi, admettat des momets d ordre u et deux

Plus en détail

Chapitre 3 Détermination de la taille de l'échantillon

Chapitre 3 Détermination de la taille de l'échantillon Chapitre 3 Détermiatio de la taille de l'échatillo Lorsqu o prélève u échatillo pour estimer u paramètre, o court toujours le risque de découvrir u peu trop tard que l'échatillo prélevé est trop petit

Plus en détail

TS Intervalle de fluctuation et estimation Cours

TS Intervalle de fluctuation et estimation Cours Aée 2013/2014 TS Itervalle de fluctuatio et estimatio Cours est u etier aturel o ul et p est u réel de l itervalle 0 ; 1. I Itervalle de fluctuatio Cotexte : Das ue populatio, la proportio d idividus présetat

Plus en détail

Aide Mémoire de Statistique

Aide Mémoire de Statistique Aide Mémoire de Statistique (E, E, P) modèle statistique (E, E, P) modèle probabiliste E probabilité, o coaît la loi P et o fait des calculs E statistique, o e coaît pas la loi (seulemet ue famille de

Plus en détail

Échantillonnage. Pour reprendre contact Les réponses exactes sont : Activité 1. Activité 2. 1 Réponse c. 2 Réponse a. Réponse c. 3 Réponse a.

Échantillonnage. Pour reprendre contact Les réponses exactes sont : Activité 1. Activité 2. 1 Réponse c. 2 Réponse a. Réponse c. 3 Réponse a. Échatilloage 9 Pour repredre cotact Les réposes exactes sot : Répose c. Répose a. Répose c. 3 Répose a. 4 Répose b. Répose c. Activité. La populatio étudiée est la productio d automobiles. Le caractère

Plus en détail

Devoir de statistiques: CORRIGE

Devoir de statistiques: CORRIGE CPP - la prépa des INP ( ème aée). Bordeaux, 6/04/04. Devoir de statistiques: CORRIGE durée h Doées: O rappelle que si Z suit ue loi N (0, ), o a P(Z.96) 0, 975 et P(Z.65) 0, 95. Exercice. θ et O cosidère

Plus en détail

Corrigé du baccalauréat Polynésie 16 juin 2014 STI2D STL spécialité SPCL

Corrigé du baccalauréat Polynésie 16 juin 2014 STI2D STL spécialité SPCL Corrigé du baccalauréat Polyésie 6 jui 4 STID STL spécialité SPCL EXERCICE 4 poits Cet eercice est u questioaire à choi multiples. Pour chacue des questios suivates, ue seule des quatre réposes proposées

Plus en détail

Chapitre 4 Lois discrètes

Chapitre 4 Lois discrètes Chapitre 4 Lois discrètes 1. Loi de Beroulli Ue variable aléatoire X est ue variable de Beroulli si elle e pred que les valeurs 0 et 1 avec des probabilités o ulles. P(X = 1) = p, P(X = 0) = 1 p = q, avec

Plus en détail

On peut représenter la situation par un arbre : On a donc p(b 1 B 2)= p(b 1) p (B ) = 3 4 = 3.

On peut représenter la situation par un arbre : On a donc p(b 1 B 2)= p(b 1) p (B ) = 3 4 = 3. T ale S Correctio Exercices type bac de Probabilités. Mars Exercice : Ue ure cotiet au départ 0 boules blaches et 0 boules oires idiscerables au toucher. O tire au hasard ue boule de l ure : Si la boule

Plus en détail

1 Intervalles de confiance. 2 Tests d hypothèses. 3 La loi du χ 2. X N (µ; σ 2 ) n très grand = la valeur observée x de X µ

1 Intervalles de confiance. 2 Tests d hypothèses. 3 La loi du χ 2. X N (µ; σ 2 ) n très grand = la valeur observée x de X µ Pla du cours 3 RFIDEC cours 3 : Itervalles de cofiace, tests d hypothèses, loi du χ Christophe Gozales LIP6 Uiversité Paris 6, Frace 1 Itervalles de cofiace Tests d hypothèses 3 La loi du χ Itervalles

Plus en détail

Probabilités et Statistiques MATH-F-315. Simone GUTT

Probabilités et Statistiques MATH-F-315. Simone GUTT Probabilités et Statistiques MATH-F-315 Simoe GUTT 2012 Das la vie, ous sommes cotiuellemet cofrotés à des collectios de faits ou doées. Les statistiques formet ue brache scietifique qui fourit des méthodes

Plus en détail

SESSION DE 2004 CA/PLP

SESSION DE 2004 CA/PLP SESSION DE 4 CA/PLP CONCOURS EXTERNE Sectio : MATHÉMATIQUES SCIENCES PHYSIQUES COMPOSITION DE MATHÉMATIQUES Durée : 4 heures L usage des calculatrices de poche est autorisø (coformømet au directives de

Plus en détail

Chapitre 1 : Les notions de base

Chapitre 1 : Les notions de base Chapitre : Les otios de base Itroductio I Comparer des gradeurs A) Les pourcetages B) Taux de variatio, coefficiet multiplicateur, idice C) Importace du ses de la comparaiso ) Raisoemet sur les taux de

Plus en détail

Séquence 9. Lois normales, intervalle de fluctuation, estimation. Sommaire

Séquence 9. Lois normales, intervalle de fluctuation, estimation. Sommaire Séquece 9 Lois ormales, itervalle de fluctuatio, estimatio Sommaire 1. Prérequis. Lois ormales 3. Itervalles de fluctuatio 4. Estimatio 5. Sythèse de la séquece Séquece 9 MA0 1 Ced - Académie e lige Das

Plus en détail

Racine nième Corrigés d exercices

Racine nième Corrigés d exercices Racie ième Corrigés d eercices Page 9 : N 8, 8, 8, 86, 88, 89, 9, 9, 9, 97 Page 6 : N, Page 6 : N Page 67 : N 8 Page 6 : N N 8 page 9 6 6 6 6 6 ( ) = = = = = = = = ( ) = = = = = = ( ) 8 = 8 = = = = = =

Plus en détail

CORRECTION DU BAC BLANC 2

CORRECTION DU BAC BLANC 2 CORRCTION DU BAC BLANC 2 XRCIC 1 (6 poits) Baccalauréat ST Mercatique Podichéry - 2010 Deux tableaux sot doés e aexe : le premier doe l évolutio du prix du mètre carré das l immobilier résidetiel acie

Plus en détail

Estimation par intervalle de conance

Estimation par intervalle de conance SQ20 - ch7 Page 1/6 Estimatio par itervalle de coace Pricipe de costructio : Das le chapitre précédet, ous avos déi les estimateurs, et l'estimatio poctuelle d'u paramètre θ. Soit : X ue variable aléatoire

Plus en détail

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles BTS Mécaique et Automatismes Idustriels Statistiques iféretielles, Aée scolaire 2005 2006 Statistiques iféretielles 1. Itroductio vocabulaire Pour étudier ue populatio statistique, o a recours à deux méthodes

Plus en détail

Estimation par vraisemblance

Estimation par vraisemblance Chapitre 4 Estimatio par vraisemblace Le procédé de costructio des estimateurs par isertio a été itroduit das le chapitre 2. L objectif de ce chapitre est d étudier ue autre méthode de costructio, basée

Plus en détail

COURS DE STATISTIQUES INFERENTIELLES Licence d économie et de gestion

COURS DE STATISTIQUES INFERENTIELLES Licence d économie et de gestion COURS DE STATISTIQUES INFERENTIELLES Licece d écoomie et de gestio Laurece GRAMMONT Laurece.Grammot@uiv-st-etiee.fr http://www.uiv-st-etiee.fr/maths/cvlaurece.html September 19, 003 Cotets 1 Rappels 5

Plus en détail

Mots de longueur donnée à base de P lettres, et fonction génératrice

Mots de longueur donnée à base de P lettres, et fonction génératrice Mots de logueur doée à base de lettres, et foctio géératrice Cosidéros les mots de logueur à base de lettres, avec etier positif. ) Combie existe-t-il de tels mots? La première lettre du mot est l ue des

Plus en détail

1 Programme de l agrégation interne

1 Programme de l agrégation interne Séries umériques Programme de l agrégatio itere Partie 0b : Séries de ombres réels ou complexes Séries à termes positifs La série coverge si et seulemet si la suite des sommes partielles est borée Étude

Plus en détail

CTU, Licence de Mathématiques Statistique Inférentielle. Jean-Yves DAUXOIS. Université de Franche-Comté

CTU, Licence de Mathématiques Statistique Inférentielle. Jean-Yves DAUXOIS. Université de Franche-Comté CTU, Licece de Mathématiques Statistique Iféretielle Jea-Yves DAUXOIS Uiversité de Frache-Comté Aée scolaire 2011-2012 Ce polycopié cotiet le cours, les sujets d exercice et leurs corrigés aisi que les

Plus en détail

Questions pour un champion en ligne

Questions pour un champion en ligne Questios pour u champio e lige Le jeu télévisé QPUC préseté sur FR3 et aimé par Julie Lepers existe aussi e variate «e lige». U jeu «e lige» se déroule aisi : Six iterautes disputet ue première mache dite

Plus en détail

1. Probabilités sur les ensembles finis

1. Probabilités sur les ensembles finis . Probabilités sur les esembles fiis.. RAPPELS ET COMPLEMENTS. VOCABULAIRE DES EVENEMENTS Das ue expériece aléatoire, l'uivers Ω est l'esemble des résultats possibles. U évéemet est ue partie de l'uivers.

Plus en détail

Variables aléatoires, Estimation ponctuelle, Principes généraux sur les tests

Variables aléatoires, Estimation ponctuelle, Principes généraux sur les tests Variables aléatoires, Estimatio poctuelle, Pricipes gééraux sur les tests Mémo 215-216 1 Rappels sur les variables aléatoires Défiitio 1.1 (Loi de Beroulli B(π)) C est ue ue variable aléatoire discrète

Plus en détail

Codes détecteurs et correcteurs d erreurs

Codes détecteurs et correcteurs d erreurs Codes détecteurs et correcteurs d erreurs Lorsque des doées umériques sot stockées ou trasmises, des perturbatios (par exemple électromagétiques) peuvet les edommager. Les codes détecteurs et correcteurs

Plus en détail

EXERCICES de Statistiques

EXERCICES de Statistiques EXERCICES de Statistiques Aette Corpart lycée Jea Zay de Thiers EXERCICES sur la LOI NORMALE La variable aléatoire X suit la loi ormale N ( 12 ; 4 ). Calculer les probabilités suivates : P ( X 15 ) ; P

Plus en détail

STATISTIQUE : TESTS D HYPOTHESES

STATISTIQUE : TESTS D HYPOTHESES STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie

Plus en détail

Tests. Chapitre 2. 1 Principe d un test Définitions Méthode générale... 3

Tests. Chapitre 2. 1 Principe d un test Définitions Méthode générale... 3 Tests Chapitre Table des matières 1 Pricipe d u test 1 11 Défiitios 1 Méthode géérale 3 Test de coformité à u paramètre 3 1 Test de coformité à ue moyee 3 Test de coformité à ue proportio 4 3 Test d homogééité

Plus en détail

Utilisation du bootstrap pour les problèmes statistiques liés à l estimation des paramètres

Utilisation du bootstrap pour les problèmes statistiques liés à l estimation des paramètres B A S E Biotechol Agro Soc Eviro 00 6 (3) 43 53 Utilisatio du bootstrap pour les problèmes statistiques liés à l estimatio des paramètres Rudy Palm Uité de Statistique et Iformatique Faculté uiversitaire

Plus en détail

Test de validité et d'hypothèse

Test de validité et d'hypothèse Test de validité et d'hypothèse 1 Vocabulaire Problème: Il s'agit à partir de l'étude d'u ou plusieurs échatillos de predre des décisios cocerat l'esemble de la populatio. O est alors ameé à émettre des

Plus en détail

Correction du devoir surveillé de mathématiques n o 5

Correction du devoir surveillé de mathématiques n o 5 Correctio du devoir surveillé de mathématiques o 5 Exercice 1 1. Soit g la foctio défiie sur R par g(x) = (x 1)e x. (a) Détermier les ites de g e et +. Limite e. O a ue forme idétermiée. E développat,

Plus en détail

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION Des PROBABILITES à la STATISTIQUE - APPLICATIONS - Jea-Marie MARION 1 STATISTIQUE DESCRIPTIVE (décrire ue populatio à l aide de caractéristiques et graphiques) STATISTIQUE INFERENTIELLE (étedre des résultats

Plus en détail

Chapitre 4. Lois de Probabilité. Sommaire. 1. Introduction. 4. 2. Lois discrètes..4

Chapitre 4. Lois de Probabilité. Sommaire. 1. Introduction. 4. 2. Lois discrètes..4 Mathématiques : Outils pour la Biologie Deug SV UCBL D. Mouchiroud (5/0/00) Chapitre 4 Lois de Probabilité Sommaire. Itroductio. 4. Lois discrètes..4.. Loi uiforme..4... Défiitio...4... Espérace et variace..5..

Plus en détail

Terminale S (2014-2015) Suites numériques

Terminale S (2014-2015) Suites numériques Termiale S (04-05) Suites umériques Raisoemet par récurrece. Itroductio E Mathématiques, u certai ombre de propriétés dépedet d u etier aturel. Par exemple, la ( + ) somme des etiers aturels de à est égale

Plus en détail

Modélisation stochastique

Modélisation stochastique Uiversité de Lorraie Master 2 IMOI 2014-2015 Modélisatio stochastique Madalia Deacou 2 Table des matières Itroductio 5 1 Simulatio de variables aléatoires 7 1.1 Itroductio............................ 7

Plus en détail

La classification de données quantitatives avec SPAD

La classification de données quantitatives avec SPAD La classificatio de doées quatitatives avec SPAD SPAD effectue toujours ue ACP de la matrice des doées quatitatives X " p avat de faire la classificatio des idividus. Les méthodes de classificatio s appliquet

Plus en détail

MA401 : Probabilités TD3

MA401 : Probabilités TD3 MA : Probabilités Exercice Ue compagie aériee étudie la réservatio sur l u de ses vols. Ue place doée est libre le jour d ouverture de la réservatio et so état évolue chaque jour jusqu à la fermeture de

Plus en détail

Séries entières. Chap. 09 : cours complet.

Séries entières. Chap. 09 : cours complet. Séries etières Chap 9 : cours complet Rayo de covergece et somme d ue série etière Défiitio : série etière réelle ou complee Théorème : lemme d Abel Théorème : itervalle des valeurs positives où ue série

Plus en détail

Estimations. Les Moyennes des échantillons suivent une loi normale : = m et d' écart - type σ X

Estimations. Les Moyennes des échantillons suivent une loi normale : = m et d' écart - type σ X Estimatios Problématique. A partir d'observatios faites sur u échatillo, o se propose de tirer des coclusios sur la populatio toute etière. Aisi cotrairemet à la logique déductive, qui va du gééral au

Plus en détail

Correction Bac ES France juin 2010

Correction Bac ES France juin 2010 Correctio Bac ES Frace jui 010 Exercice 1 (4 poits) (Commu à tous les cadidats) Pour ue meilleure compréhesio, les réposes serot justifiées das ce corrigé. Questio 1 Le ombre 3 est solutio de l équatio

Plus en détail

Statistiques inférentielles

Statistiques inférentielles Statistiques iféretielles LI323 Hugues Richard (otes de cours: Pierre-Heri Wuillemi) Uiversité Pierre et Marie Curie (UPMC) Laboratoire géomique des microorgaismes (LGM) Itroductio Soit ue populatio de

Plus en détail

Cours VII. Tests de randomisation - Tests de contingence P. Coquillard 2015

Cours VII. Tests de randomisation - Tests de contingence P. Coquillard 2015 1 TESTS DE RANDOMISATION Cours VII. Tests de radomisatio - Tests de cotigece P. Couillard 2015 Das ue majorité de cas e biologie o cosidèrera certaies hyothèses comme des alteratives à l hyothèse ulle.

Plus en détail

MANUEL D EXERCICES. Enquêtes et sondages UE STA 108. Conservatoire National des Arts et Métiers. Sylvie Rousseau

MANUEL D EXERCICES. Enquêtes et sondages UE STA 108. Conservatoire National des Arts et Métiers. Sylvie Rousseau Coservatoire atioal des Arts et Métiers Pôle Scieces et Teciques de l'iformatio et de la Commuicatio, Spécialité Matématiques Equêtes et sodages UE STA 8 MAUEL D EXERCICES Slvie Rousseau Aée scolaire Table

Plus en détail

Master Eseec Statistique pour l expertise - partie2

Master Eseec Statistique pour l expertise - partie2 Master Eseec Statistique pour l expertise - partie2 Christia Laverge Uiversité Paul Valéry - Motpellier 3 http://moodle-miap.uiv-motp3.fr http://www.uiv-motp3.fr/miap/es (UPV) Eseec 1 / 57 Lois limites

Plus en détail

PROBABILITES EXERCICES CORRIGES

PROBABILITES EXERCICES CORRIGES PROBABILITES EXERCICES CORRIGES Vocabulaire des probabilités Exercice. Das chacue de situatios décrites ci-dessous, éocer l évéemet cotraire de l évéemet doé. ) Das ue classe, o choisit deux élèves au

Plus en détail

Travaux dirigés G33 Dimensionnement 2 séances Enseignant : Anthony Busson.

Travaux dirigés G33 Dimensionnement 2 séances Enseignant : Anthony Busson. Travaux dirigés G33 Dimesioemet 2 séaces Eseigat : Athoy Busso. Exercice 1 : O cosidère u web switch et 3 serveurs web. Le web switch reçoit les requêtes http proveat des cliets et les répartit de maière

Plus en détail

Dénombrement - Combinatoire Cours

Dénombrement - Combinatoire Cours Déombremet - Combiatoire Cours La combiatoire (ou aalyse combiatoire) étudie commet compter des objets. Elle fourit des méthodes de déombremet particulièremet utiles e probabilité. U des pricipaux exemples

Plus en détail

Baccalauréat S Nouvelle-Calédonie 7 mars 2014

Baccalauréat S Nouvelle-Calédonie 7 mars 2014 Durée : 4 heures Baccalauréat S Nouvelle-Calédoie 7 mars 2014 A. P. M. E. P. EXERCICE 1 Commu à tous les cadidats 4 poits Cet exercice est u QCM questioaire à choix multiple. Pour chaque questio, ue seule

Plus en détail

TP R : méthodes statistiques élémentaires

TP R : méthodes statistiques élémentaires M2 IFMA et MPE TP R : méthodes statistiques élémetaires À la fi de la séace vous déposerez vos scripts R das la boîte de dépôt de votre espace Sakai : http://australe.upmc.fr/portal. 1 Importatio des doées

Plus en détail

II - Estimation d'un paramètre par intervalle de confiance

II - Estimation d'un paramètre par intervalle de confiance II - Estimatio d'u paramètre par itervalle de cofiace 1 ) - Gééralités sur la costructio O veut estimer u paramètre (moyee, proportio ) d'u caractère das ue populatio P. Ue estimatio poctuelle à partir

Plus en détail

Mathématiques : statistiques et simulation

Mathématiques : statistiques et simulation PAF Amies - Eseigemet des Mathématiques : Statistiques et simulatio 8 javier 0 Uiversité de Picardie Jules Vere 0-0 UFR des Scieces - LAMFA CNRS UMR 640 PAF Amies - Formatio Eseigemet des Mathématiques

Plus en détail

Introduction to Econometrics

Introduction to Econometrics MPRA Muich Persoal RePEc Archive Itroductio to Ecoometrics Moussa Keita September 015 Olie at https://mpra.ub.ui-mueche.de/66840/ MPRA Paper No. 66840, posted. September 015 04:1 UTC INTRODUCTION A L ECONOMETRIE

Plus en détail

Résumé de statistique inductive

Résumé de statistique inductive Uiversité de Bourgoge Faculté de Médecie et de Pharmacie Résumé de statistique iductive NB : les iformatios coteues das ce polycopié e fot e aucu cas office de référece pour le cocours, il s agit uiquemet

Plus en détail

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( )

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( ) Aée 01-013 Mathématiques Décembre 01 Durée : 3 heures BAC blac N 1 La calculatrice est autorisée. Le sujet comporte u total de 5 exercices. Les élèves e suivat pas l eseigemet de spécialité traiterot les

Plus en détail

Qu est-ce qu un bon énoncé de bac? Analyse de l exercice de spécialité de TS de Pondichéry 2013 Jacques Lubczanski

Qu est-ce qu un bon énoncé de bac? Analyse de l exercice de spécialité de TS de Pondichéry 2013 Jacques Lubczanski Dossier : Actualité de l Aalyse e Lycée 447 Qu est-ce qu u bo éocé de bac? Aalyse de l exercice de spécialité de TS de Podichéry 2013 Jacques Lubczaski «Podichéry est tombé!» : cela ressemble à l aoce

Plus en détail

Limites des Suites numériques

Limites des Suites numériques Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet

Plus en détail

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures)

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures) Exercice 1 (5 poits) Bac Blac Termiale L - Février 015 Épreuve de Spécialité Mathématiques (durée 3 heures) Questio 1 : La populatio d'ue ville baisse de 1 % tous les as pedat 10 as. Elle est doc multipliée

Plus en détail

Quel métier pour demain Avec un BTS

Quel métier pour demain Avec un BTS Quel métier pour demai Avec u BTS Dessiateur-projeteur CAO-DAO (e bureau d'études ou bureau des méthodes). Techico-commercial à haut iveau de techicité. Cotrôle-sécurité (orgaismes de certificatio). Services

Plus en détail

UNE APPROCHE DE LA COMPÉTITIVITÉ DE LA ZONE EURO : LE TAUX DE CHANGE EFFECTIF DE L EURO

UNE APPROCHE DE LA COMPÉTITIVITÉ DE LA ZONE EURO : LE TAUX DE CHANGE EFFECTIF DE L EURO UN APPROCH D LA COMPÉTITIVITÉ D LA ZON URO : L TAU D CHANG FFCTIF D L URO Le taux de chage effectif d ue moaie omial et réel costitue u idicateur privilégié pour apprécier la compétitivité d ue écoomie

Plus en détail

Informatique TP2 : Calcul numérique d une intégrale CPP 1A

Informatique TP2 : Calcul numérique d une intégrale CPP 1A Iformatique TP : Calcul umérique d ue itégrale CPP 1A Romai Casati, Wafa Johal, Frederic Deveray, Matthieu Moy Avril - jui 014 1 Zéro de foctio O doe le code suivat (vu e cours), qui permet de calculer

Plus en détail

Classes de première générale et technologique STATISTIQUES ET PROBABILITÉS

Classes de première générale et technologique STATISTIQUES ET PROBABILITÉS Classes de première géérale et techologique STATISTIQUES ET PROBABILITÉS Sommaire I. Itroductio...4 II. Statistique descriptive, aalyse de doées...4 III. Variables aléatoires discrètes...6 IV. Utilisatio

Plus en détail

Lois normales. Intervalle de fluctuation. Estimation.

Lois normales. Intervalle de fluctuation. Estimation. Lois ormales. Itervalle de fluctuatio. Estimatio.. Loi ormale cetrée réduite... p. Théorème de Moivre-Laplace... p 3. Loi ormale (µ ; σ²)... p3 Copyright meilleuremaths.com. Tous droits réserwidevec{}vés

Plus en détail

Automates 1 Présentation

Automates 1 Présentation Automates Présetatio Présetatio d u automate 2 Ue maière de désiger l automate de l exemple 3 Défiitio géérale 4 U exemple d automate 5 Mot costruit sur l alphabet C 6 L esemble de tous les mots das u

Plus en détail

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse Séquece 9 Itervalles de fluctuatio, estimatio Objectifs de la séquece Das le chapitre 2, o étudie des itervalles de fluctuatio des variables aléatoires X F =, fréqueces des variables aléatoires biomiales

Plus en détail

Un témoignage intéressant représentation dans l'espace intégrale Suites géométriques et arithmétiques.

Un témoignage intéressant représentation dans l'espace intégrale Suites géométriques et arithmétiques. U témoigage itéressat L'oral se déroule e 5 phases : 15 mi pour écouter ue présetatio et choisir le sujet, 2h de préparatio, 15 mi pour photocopier la feuille à redre au jury, 30 mi d'exposé et 45 mi de

Plus en détail

Chapitre 3 : Fonctions d une variable réelle (1)

Chapitre 3 : Fonctions d une variable réelle (1) Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s

Plus en détail

IUT HSE Introduction aux probabilités et statistiques Applications Variables aux statistiques aléatoires 4 / 1

IUT HSE Introduction aux probabilités et statistiques Applications Variables aux statistiques aléatoires 4 / 1 IUT HSE Itroductio aux probabilités et statistiques Variables aléatoires Philippe Jamig Istitut Mathématique de Bordeaux PhilippeJamig@gmailcom http://wwwmathu-bordeaux1fr/ pjamig/ X variable aléatoire

Plus en détail

Équations différentielles - Cours no 6 Approximation numérique

Équations différentielles - Cours no 6 Approximation numérique Équatios différetielles - Cours o 6 Approximatio umérique 1 Itroductio De très ombreux problèmes scietifiques sot mis e équatio à l aide d u système d équatios différetielles ẋt) = ft, xt)) voir par exemple

Plus en détail

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1)

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1) Corrigé ESSEC III 008 par Pierre Veuillez Das certaies situatios paris sportifs, ivestissemets fiaciers..., o est ameé à miser de l arget de faço répétée sur des paris à espérace favorable. O se propose

Plus en détail

Probabilités. Table des matières. Université Paris XI PCS0 Probabilités 2011/2012

Probabilités. Table des matières. Université Paris XI PCS0 Probabilités 2011/2012 Uiversité Paris XI PCS0 Probabilités 2011/2012 Probabilités Table des matières 1 Combiatoire 2 1.1 Choix............................................ 2 1.2 Les foctios cruciales du déombremet........................

Plus en détail

Promenades aléatoires : vers les chaînes de Markov

Promenades aléatoires : vers les chaînes de Markov AME Dossier : Matrices et suites 545 romeades aléatoires : vers les chaîes de Markov ierre Griho (*) Cet article propose ue mise e perspective de la otio de promeade ou de marche aléatoire itroduite das

Plus en détail

Concours de l Iscae. Épreuve Commune de Mathématiques (2015)

Concours de l Iscae. Épreuve Commune de Mathématiques (2015) Mohiieddie Beayad Cocours de l Iscae Épreuve Commue de Mathématiques (5) Voici l éocé de l épreuve commue de Mathématiques du cocours d etrée à l ISCAE de l aée 5, aisi que l itégralité du corrigé. Les

Plus en détail

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009 M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted

Plus en détail

Plan Granulométrie par diffusion de lumière

Plan Granulométrie par diffusion de lumière Pla Graulométrie par diffusio de lumière Structure des systèmes colloïdaux Diffusio de lumière par ue particule. Diffusio Rayleigh. Diffractio de Frauhofer.3 Diffusio de Mie 3 Applicatio : graulométrie

Plus en détail

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé : Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +

Plus en détail

LES SUITES. u n = 1 n, pour n 1. u n = n 3

LES SUITES. u n = 1 n, pour n 1. u n = n 3 LES SUITES. Défiitio.. Défiitio Ue suite umérique est ue foctio de das, défiie à partir d'u certai rag 0. La otatio (u ) désige la suite e tat qu'objet mathématique et u désige l'image de l'etier (appelé

Plus en détail

c. Calcul pour une évolution d une proportion entre deux années non consécutives

c. Calcul pour une évolution d une proportion entre deux années non consécutives Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages

Plus en détail

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h Etrée à Scieces Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h A P M E P Les calculatrices sot autorisées Exercice Vrai-Faux 8 poits Pour chacue des affirmatios suivates,

Plus en détail

EPREUVE DE RAISONNEMENT LOGIQUE ET MATHEMATIQUE

EPREUVE DE RAISONNEMENT LOGIQUE ET MATHEMATIQUE EPREUVE DE RAISONNEMENT LOGIQUE ET MATHEMATIQUE Nombre de pages de l épreuve Durée de l épreuve 0 pages 3h00 Compte teu du fait qu il s agissait d u cocours d etraiemet, cette épreuve à été prise sur le

Plus en détail

Donnez une nouvelle dimension à votre gestion. Gagnant sur toute la ligne

Donnez une nouvelle dimension à votre gestion. Gagnant sur toute la ligne Doez ue ouvelle dimesio à votre gestio Gagat sur toute la lige 74 Bd des Etats-Uis 60200 COMPIEGNE Tél. 03 44 86 36 36 Pour augmeter votre retabilité et réduire vos frais fiaciers, itroduisez cette souris

Plus en détail

Formulaire de statistiques

Formulaire de statistiques Formulaire de statistiques E. Depiereux G. Vicke B. De Hertogh Javier 009 Formulaire de statistiques I. Statistiques descriptives : Moyee arithmétique : (populatio: m x = µ) (échatillo = x = M x ) 1 i

Plus en détail

Notations Soit I un intervalle de R. Soit f une fonction définie sur I, à valeurs dans R. Notons représentative de f dans un repère du plan.

Notations Soit I un intervalle de R. Soit f une fonction définie sur I, à valeurs dans R. Notons représentative de f dans un repère du plan. Foctio réciproque d'ue octio cotiue, d'ue octio dérivable FNCTIN RECIPRQUE D'UNE FNCTIN CNTINUE, D'UNE FNCTIN DERIVABLE EXEMPLES N SE LIMITERA AUX FNCTINS NUMERIQUES DEFINIES SUR UN INTERVALLE DE R Notatios

Plus en détail

PROBABILITES EXERCICES CORRIGES

PROBABILITES EXERCICES CORRIGES PROBABILITES EXERCICES CORRIGES Vocabulaire des probabilités Exercice. Das chacue de situatios décrites ci-dessous, éocer l évéemet cotraire de l évéemet doé. ) Das ue classe, o choisit deux élèves au

Plus en détail

MAT-5102-1. tatistiques III

MAT-5102-1. tatistiques III S MAT-5102-1 tatistiques III STATISTIQUES III Coordoateur des mathématiques : Jea-Paul Groleau Rédacteur : Alai Maloui Réviseurs du coteu : Jea-Paul Groleau Nadie Marti Réviseure liguistique : Johae St-Marti

Plus en détail

f(t)dt = 0. On pose a = min f et b = max f. 0 1 + x 2 dx = 3 + 1 7 π. 2) En déduire un encadrement de π (meilleur que celui d'archimède).

f(t)dt = 0. On pose a = min f et b = max f. 0 1 + x 2 dx = 3 + 1 7 π. 2) En déduire un encadrement de π (meilleur que celui d'archimède). #4 Itégrale de Riema Khôlles - Classes prépa Thierry Sageaux, Lycée Gustave Eiel Exercice Soit f ue foctio cotiue sur [, ] telle que Motrer que f ab f(t)dt = O pose a = mi f et b = max f Exercice x ) Motrer

Plus en détail

6.1 Modèle multiplicatif de mortalité excédentaire (proportional

6.1 Modèle multiplicatif de mortalité excédentaire (proportional 6 Tests d hypothèse (Klei 6.3, Lawless 10.2 et 10.3, Klugma 13.4) 6.1 Modèle multiplicatif de mortalité excédetaire (proportioal hazard) O veut comparer la mortalité d u groupe sous étude avec celle d

Plus en détail

Inégalités souvent rencontrées

Inégalités souvent rencontrées Iégalités souvet recotrées Recotres Putam 004 Uiversité de Sherbrooke Jea-Philippe Mori Théorie Certaies iégalités sot deveues célèbres e raiso de leur grade utilité Elles sot aussi souvet au coeur de

Plus en détail