Upload
imad-hakkache
View
20
Download
4
Embed Size (px)
DESCRIPTION
statistiques
Citation preview
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèses
Statistique Inférentielle
S. Achchab
École Nationale Supérieure d’Informatique et d’Analyse des Systèmes (ENSIAS)
2009-2010
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèses
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Statistiques ?
Définition
Statistiques : Ensemble de données.Statistique : Science qui consiste à collecter, analyser etinterpréter des données.Statistique : Fonction de variables aléatoires.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Statistiques ?
DéfinitionStatistiques : Ensemble de données.
Statistique : Science qui consiste à collecter, analyser etinterpréter des données.Statistique : Fonction de variables aléatoires.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Statistiques ?
DéfinitionStatistiques : Ensemble de données.Statistique : Science qui consiste à collecter, analyser etinterpréter des données.
Statistique : Fonction de variables aléatoires.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Statistiques ?
DéfinitionStatistiques : Ensemble de données.Statistique : Science qui consiste à collecter, analyser etinterpréter des données.Statistique : Fonction de variables aléatoires.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Démarche statistique
Démarche statistiqueComporte deux grands aspects :
Aspect descriptif ou exploratoireAspect inférentiel ou décisionnel
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Démarche statistique
Démarche statistiqueComporte deux grands aspects :
Aspect descriptif ou exploratoire
Aspect inférentiel ou décisionnel
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Démarche statistique
Démarche statistiqueComporte deux grands aspects :
Aspect descriptif ou exploratoireAspect inférentiel ou décisionnel
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
DéfinitionUnité statistique (ou individus) :On appelle unité statistique l’élément de base de l’ensembleque l’on veut étudier.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
Exemple
Si l’on s’intéresse à l’ensemble des petites et moyennesentreprises (PME). Une PME est considérée comme unitéstatistique.Si l’on s’intéresse au revenu mensuel des ménagesmarocains, une famille est considérée comme unitéstatistique.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
ExempleSi l’on s’intéresse à l’ensemble des petites et moyennesentreprises (PME). Une PME est considérée comme unitéstatistique.
Si l’on s’intéresse au revenu mensuel des ménagesmarocains, une famille est considérée comme unitéstatistique.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
ExempleSi l’on s’intéresse à l’ensemble des petites et moyennesentreprises (PME). Une PME est considérée comme unitéstatistique.Si l’on s’intéresse au revenu mensuel des ménagesmarocains, une famille est considérée comme unitéstatistique.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
DéfinitionPopulation :On appelle population l’ensemble des unités statistiques.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
Exemple
Si l’on s’intéresse aux salariés d’une entreprise, alorsl’ensemble des salariés forme la population.Si l’on s’intéresse au parc automobile marocain, ce parcest considéré comme population
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
ExempleSi l’on s’intéresse aux salariés d’une entreprise, alorsl’ensemble des salariés forme la population.
Si l’on s’intéresse au parc automobile marocain, ce parcest considéré comme population
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
ExempleSi l’on s’intéresse aux salariés d’une entreprise, alorsl’ensemble des salariés forme la population.Si l’on s’intéresse au parc automobile marocain, ce parcest considéré comme population
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
DéfinitionOn appelle modalité, l’aspect du caractère retenu dans le cadrede l’analyse.
Exemple
Pour une personne : la couleur des cheveux, la taille ...Pour un ménage : le revenue mensuel, le nombre d’enfants...
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
DéfinitionOn appelle modalité, l’aspect du caractère retenu dans le cadrede l’analyse.
ExemplePour une personne : la couleur des cheveux, la taille ...
Pour un ménage : le revenue mensuel, le nombre d’enfants...
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
DéfinitionOn appelle modalité, l’aspect du caractère retenu dans le cadrede l’analyse.
ExemplePour une personne : la couleur des cheveux, la taille ...Pour un ménage : le revenue mensuel, le nombre d’enfants...
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
Définition
Caractère qualitatif :C’est un caractère qui ne peut pas être mesuré, ni êtrerepéré.Caractère quantitatif :Le caractère quantitatif peut être repérable ou mesurable,c’est-à-dire susceptible d’être soumise à une mesuredonnant une valeur numérique.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
DéfinitionCaractère qualitatif :C’est un caractère qui ne peut pas être mesuré, ni êtrerepéré.
Caractère quantitatif :Le caractère quantitatif peut être repérable ou mesurable,c’est-à-dire susceptible d’être soumise à une mesuredonnant une valeur numérique.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
DéfinitionCaractère qualitatif :C’est un caractère qui ne peut pas être mesuré, ni êtrerepéré.Caractère quantitatif :Le caractère quantitatif peut être repérable ou mesurable,c’est-à-dire susceptible d’être soumise à une mesuredonnant une valeur numérique.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
Exemples
Caractère qualitatif : situation familiale : célibataire,marié, veuf...Caractère quantitatif : Le revenu des ménages estmesurable en Dirhams, Taille d’un individu, poids ...
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
ExemplesCaractère qualitatif : situation familiale : célibataire,marié, veuf...
Caractère quantitatif : Le revenu des ménages estmesurable en Dirhams, Taille d’un individu, poids ...
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
ExemplesCaractère qualitatif : situation familiale : célibataire,marié, veuf...Caractère quantitatif : Le revenu des ménages estmesurable en Dirhams, Taille d’un individu, poids ...
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
DéfinitionVariable statistique : C’est l’expression numérique ou littéraireretenue dans le cadre de l’analyse. On la note Xi .
Exemples
Taille d’une entreprise : la variable exprimera lesdifférentes tailles d’une entreprise : petite, moyenne,grandeNombre d’enfants à charge des familles : la variable seranumérique : 0,1,2, . . . ,n enfants à charge.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
DéfinitionVariable statistique : C’est l’expression numérique ou littéraireretenue dans le cadre de l’analyse. On la note Xi .
ExemplesTaille d’une entreprise : la variable exprimera lesdifférentes tailles d’une entreprise : petite, moyenne,grande
Nombre d’enfants à charge des familles : la variable seranumérique : 0,1,2, . . . ,n enfants à charge.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
DéfinitionVariable statistique : C’est l’expression numérique ou littéraireretenue dans le cadre de l’analyse. On la note Xi .
ExemplesTaille d’une entreprise : la variable exprimera lesdifférentes tailles d’une entreprise : petite, moyenne,grandeNombre d’enfants à charge des familles : la variable seranumérique : 0,1,2, . . . ,n enfants à charge.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
Définition
Effectif : C’est le nombre d’individus pouvant êtrerattachés à une variable. On le note ni .Fréquence : Elle peut être de deux types : soit absolue(c’est l’effectif lui-même ni ), soit relative (rapport d’uneffectif à l’effectif total). On note la fréquence relative :
f =ni
Noù N =
p∑i=1
ni
ExemplesDans une classe de 20 étudiants : 7 sont redoublants et 13 nele sont pas.
n1 = 7 et n2 = 13.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
DéfinitionEffectif : C’est le nombre d’individus pouvant êtrerattachés à une variable. On le note ni .
Fréquence : Elle peut être de deux types : soit absolue(c’est l’effectif lui-même ni ), soit relative (rapport d’uneffectif à l’effectif total). On note la fréquence relative :
f =ni
Noù N =
p∑i=1
ni
ExemplesDans une classe de 20 étudiants : 7 sont redoublants et 13 nele sont pas.
n1 = 7 et n2 = 13.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
DéfinitionEffectif : C’est le nombre d’individus pouvant êtrerattachés à une variable. On le note ni .Fréquence : Elle peut être de deux types : soit absolue(c’est l’effectif lui-même ni ), soit relative (rapport d’uneffectif à l’effectif total). On note la fréquence relative :
f =ni
Noù N =
p∑i=1
ni
ExemplesDans une classe de 20 étudiants : 7 sont redoublants et 13 nele sont pas.
n1 = 7 et n2 = 13.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Nature d’une variable : Variable quantitative
Définition
Variable discrète :Lorsque la variable ne peut prendre qu’une valeurnumérique, on parle de variable discrète.Variable continue :On parle de variable continue lorsque celle-ci peut prendreplusieurs valeurs dans un intervalle donné. L’intervalle desvaleurs possibles est divisé en n petits intervalles.
[α, β] = [A0,A1[∪[A1,A2[∪ . . . ∪ [An−1,An],
où A0 = α < A1 < . . . < An−1 < An = β
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Nature d’une variable : Variable quantitative
DéfinitionVariable discrète :Lorsque la variable ne peut prendre qu’une valeurnumérique, on parle de variable discrète.
Variable continue :On parle de variable continue lorsque celle-ci peut prendreplusieurs valeurs dans un intervalle donné. L’intervalle desvaleurs possibles est divisé en n petits intervalles.
[α, β] = [A0,A1[∪[A1,A2[∪ . . . ∪ [An−1,An],
où A0 = α < A1 < . . . < An−1 < An = β
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Nature d’une variable : Variable quantitative
DéfinitionVariable discrète :Lorsque la variable ne peut prendre qu’une valeurnumérique, on parle de variable discrète.Variable continue :On parle de variable continue lorsque celle-ci peut prendreplusieurs valeurs dans un intervalle donné. L’intervalle desvaleurs possibles est divisé en n petits intervalles.
[α, β] = [A0,A1[∪[A1,A2[∪ . . . ∪ [An−1,An],
où A0 = α < A1 < . . . < An−1 < An = β
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Nature d’une variable : variable quntitative
Exemples
Variable discrète : Nombre d’automobiles possédées parles ménages.Variable continue : Durée d’une conversationtéléphonique, la variable pourrait être la suivante pour uneffectif de 34 personnes :
Temps Ecoulés (en mn) Xi Effectifs ni
[0, 5[ 10[5, 15[ 9
[15, 30[ 15Total 34
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Nature d’une variable : variable quntitative
ExemplesVariable discrète : Nombre d’automobiles possédées parles ménages.
Variable continue : Durée d’une conversationtéléphonique, la variable pourrait être la suivante pour uneffectif de 34 personnes :
Temps Ecoulés (en mn) Xi Effectifs ni
[0, 5[ 10[5, 15[ 9
[15, 30[ 15Total 34
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Nature d’une variable : variable quntitative
ExemplesVariable discrète : Nombre d’automobiles possédées parles ménages.Variable continue : Durée d’une conversationtéléphonique, la variable pourrait être la suivante pour uneffectif de 34 personnes :
Temps Ecoulés (en mn) Xi Effectifs ni
[0, 5[ 10[5, 15[ 9
[15, 30[ 15Total 34
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Nature d’une variable : Variable qualitative
DéfinitionUne variable qualitative peut être nominale ou ordinale.Elle est nominale lorsque l’ensemble des modalités ne possèdepas de structure particulière.Une variable est ordinale lorsque l’ensemble des modalités estordonné.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
Exemples
Variable nominale : Dans un sondage, on s’intéresse àl’avis des consommateurs envers un produit : la variable Xprend les modalités suivantes : " satisfait " ; " non satisfaits" et " ne sait pas ".Variable ordinale :Si on prend la variable X " État desvoitures ", X prend les modalités : " Neuf ", " Moyen " et "Médiocre ". X est une variable ordinale.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
ExemplesVariable nominale : Dans un sondage, on s’intéresse àl’avis des consommateurs envers un produit : la variable Xprend les modalités suivantes : " satisfait " ; " non satisfaits" et " ne sait pas ".
Variable ordinale :Si on prend la variable X " État desvoitures ", X prend les modalités : " Neuf ", " Moyen " et "Médiocre ". X est une variable ordinale.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesStatistique La démarche statistique Définitions et notations
Définitions et notations
ExemplesVariable nominale : Dans un sondage, on s’intéresse àl’avis des consommateurs envers un produit : la variable Xprend les modalités suivantes : " satisfait " ; " non satisfaits" et " ne sait pas ".Variable ordinale :Si on prend la variable X " État desvoitures ", X prend les modalités : " Neuf ", " Moyen " et "Médiocre ". X est une variable ordinale.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Statistique
Soit Xi la variable aléatoire égale à la valeur du caractère Xpour le ieme individu, on peut définir une deuxième fois unn-échantillon par toute suite (X1,X2, . . . ,Xn) de variablesaléatoires indépendantes et identiquement distribuées. Lathéorie de l’échantillonnage se propose d’étudier les propriétésdu n-uple (X1,X2, . . . ,Xn) et les caractéristiques le résumant.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Statistique
DéfinitionUne statistique T est une variable aléatoire fonction de(X1,X2, . . . ,Xn)
T = f (X1,X2, . . . ,Xn)
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Statistique
DéfinitionLa moyenne empiriqueElle est notée X et elle est définie par :
X =1n
n∑i=1
Xi .
C’est la moyenne arithmétique des variables aléatoires del’échantillon.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Statistique
DéfinitionLa fréquence empiriqueSoit un caractère qualitatif à deux modalités A et B que l’onpeut coder par 0 et 1. On note p la proportion dans lapopulation des individus qui possèdent la modalité A. Lenombre aléatoire Yn d’individus de l’échantillon qui ont lamodalité A, s’écrit :
Yn =n∑
i=1
Xi ,
où les v.a Xi sont des v.a de Bernoulli de paramètre p. On pose
Fn =Yn
nappelée fréquence empirique.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Statistique
DéfinitionLa variance empiriqueLa variance empirique du caractère X dans l’échantillon estdéfinie par :
S2 =1n
n∑i=1
(Xi − X )2 =1n
n∑i=1
X 2i − X
2
Par ailleurs, une autre statistique utile en estimation est lavariance empirique corrigée S∗2 définie par :
S∗2 =n
n − 1S2 =
1n
n∑i=1
(Xi − X )2
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
On note mr = E [X r ] le moment d’ordre r de la variablealéatoire X , r = E [(X −m)r ] le moment centré correspondantet σ2 = µ2 la variance de X. Un premier résultat donnel’espérance et la variance de la moyenne empirique X .
PropositionSoit (X1,X2, . . . ,Xn) un n-échantillon de la v.a. X . Si E [X2]existe, alors pour tout entier n, n > 1, la moyenne empiriqueX vérifie :
E(X ) = m
Var(X ) =σ2
nDans le cas particulier d’une fréquence empirique, on obtient :
E(Fn) = p
Var(Fn) =p(1− p)
n;
où p est la proportion des individus dans la population quipossèdent la modalité A d’un caractère qualitatif à deuxmodalités A et B.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Proposition
Soit X une variable aléatoire telle que m4 = E [X 4] existe. Alors,pour tout entier n > 1,
E(S2) =n − 1
nσ2
E(S∗2) = σ2.
En outre, Var [S2] et Var [S∗2] sont majorées par une expression
de la formecn
, où c est une constante dépendant de m4.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Cas des grands échantillons
DéfinitionLa suite infinie (Yn)n de variables aléatoires converge enprobabilité vers la v.a. Y si, pour tout ε > 0,
YnP−→ Y ⇔ lim
np [|Yn − Y | < ε] = 1
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Cas des grands échantillons
Théorème : (Lois des grands nombres)Soit X une v.a. de moyenne m finie, alors pour toute suiteinfinie (Xn)n de v.a. deux à deux indépendantes et de même loique X , la suite des v.a.
X n =1n
n∑i=1
Xi
Converge en probabilité vers m lorsque n tend vers l’infini.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Cas des grands échantillons
ApplicationGrâce à la loi des grands nombres, on peut montrer que :
S2n
P−→ σ2,
de mêmeS∗2n
P−→ σ2,
Quand n tend vers l’infini et à condition que E(X 2) existe.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Cas des grands échantillons
Théorème central limite
Soit X une v.a. de moment E [X 2] fini, alors pour toute suiteinfinie (Xn)n de v.a. indépendantes et de même loi que X , lasuite des v.a.
Un =X n −mσ/√
n,
tend en loi vers la loi normale centrée réduite N(0,1) lorsque ntend vers l’infini.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Cas des grands échantillons
Application : Cas d’une fréquence empiriqueOn prélève indépendamment et avec remise n individus d’unepopulation séparée en deux sous-populations et de proportionsp et (1− p) (pièces défectueuses ou correctes dans uneproduction industrielle par exemple). Soit Fn la fréquenceempirique. On a
E [Fn] = p
Var [Fn] =p(1− p)
n.
Et si n est grand,
Fn ≈ N
(p,
√p(1− p)
n
).
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Cas des grands échantillons
ExemplePour un échantillon de 400 pièces issues d’une fabrication où10% sont défectueuses. On peut s’attendre à trouver dans 95%des cas un pourcentage de pièces défectueuses dans
l’échantillon comprise entre : 10%± 1.96
√0.1× 0.9
400soit
9.7% < F < 10.3%
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Cas des grands échantillons
Corollaire
Soit X une v.a. de moment E [X 2] fini, alors pour toute suiteinfinie (Xn)n de v.a indépendantes et de même loi que X , la
moyenne empirique X n tend vers la loi normale N(
m,σ√n
)
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Cas des grands échantillons
ExempleSoit un lot de 500 chocolats. Le poids d’un chocolat est une v.a.telle que m = 5g et σ = 0.5g. Quelle est la probabilité qu’uneboite de 50 chocolats issus de ce lot ait un poids total supérieurà 260g ?
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Cas des grands échantillons
PropositionSi X est une v.a. d’espérance m et d’écart-type σ, si g est unefonction numérique dérivable au voisinage de m et vérifiantg′(m) 6= 0, si enfin X n désigne la moyenne empirique d’unn-échantillon de X , alors la suite des v.a.
g′(m)g(X n)− g(m)
σ/√
n,
tend en loi vers la loi normale N(0,1) lorsque n tend vers l’infini.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Cas des petits échantillons
DéfinitionSoit X une v .a. normale d’espérance m et d’écart-type σ . Ladensité associées est définie pour tout réel x par :
fX (x) =1
σ√
2πexp
[−1
2
(x −mσ
)2].
De plus, on appelle échantillon normal tout échantillon de lav.a. X . Le résultat suivant sur la stabilité de la loi normaleaffirme que la somme de v.a. normales indépendantes estencore une v.a. normale.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesstatistique propriétés élémentaires Cas des grands échantillons Cas des petits échantillons
Cas des petits échantillons
PropositionSi X1,X2, . . . ,Xn sont des v.a. indépendantes de loisrespectives N(mi , σ
2i ), alors la variable aléatoire
Y = X1 + . . .+ Xn suit la loi normale d’espérance mathématique
m = m1 + . . .+ mn et d’écart-type σ =√σ2
1 + . . .+ σ2n.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
DéfinitionL’estimation consiste à donner des valeurs approchées auxparamètres d’une population (m, σ,etc.) à l’aide d’unéchantillon de n observations issues de cette population. Onsuppose vérifiée l’hypothèse d’échantillonnage aléatoiresimple.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
ExempleD’après la loi des grands nombres :
X nP−→ m,
de mêmeS2
nP−→ σ2,
etFn
P−→ p,
Les variables aléatoires X n, S2n et Fn sont appelées alors
estimateurs de m, σ2 et p respectivement.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Qualité d’un estimateurSoit θ le paramètre à estimer et Tn un estimateur, c’est-à-direune fonction des Xi à valeurs dans un domaine acceptable pourθ
ConvergenceBiaisPrécision
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Qualité d’un estimateurSoit θ le paramètre à estimer et Tn un estimateur, c’est-à-direune fonction des Xi à valeurs dans un domaine acceptable pourθ
Convergence
BiaisPrécision
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Qualité d’un estimateurSoit θ le paramètre à estimer et Tn un estimateur, c’est-à-direune fonction des Xi à valeurs dans un domaine acceptable pourθ
ConvergenceBiais
Précision
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Qualité d’un estimateurSoit θ le paramètre à estimer et Tn un estimateur, c’est-à-direune fonction des Xi à valeurs dans un domaine acceptable pourθ
ConvergenceBiaisPrécision
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
ConvergenceIl est souhaitable que si n −→∞ , Tn −→ θ
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
BiaisL’erreur d’estimation Tn − θ qui est une variable aléatoire sedécompose de façon élémentaire en :
Tn − θ = Tn − E(Tn)︸ ︷︷ ︸(1)
+ E(Tn)− θ︸ ︷︷ ︸(2)
(1) représente les fluctuations aléatoires de Tn autour desa valeur moyenne(2) biais
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
BiaisL’erreur d’estimation Tn − θ qui est une variable aléatoire sedécompose de façon élémentaire en :
Tn − θ = Tn − E(Tn)︸ ︷︷ ︸(1)
+ E(Tn)− θ︸ ︷︷ ︸(2)
(1) représente les fluctuations aléatoires de Tn autour desa valeur moyenne
(2) biais
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
BiaisL’erreur d’estimation Tn − θ qui est une variable aléatoire sedécompose de façon élémentaire en :
Tn − θ = Tn − E(Tn)︸ ︷︷ ︸(1)
+ E(Tn)− θ︸ ︷︷ ︸(2)
(1) représente les fluctuations aléatoires de Tn autour desa valeur moyenne(2) biais
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
BiaisIl est souhaitable d’utiliser des estimateurs sans biais tels que
E(Tn) = θ
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Exemple
X n est un estimateur sans biais de mS2
n est un estimateur avec biais de σ2
S∗2n =n
n − 1S2
n est un estimateur sans biais de σ2
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Exemple
X n est un estimateur sans biais de m
S2n est un estimateur avec biais de σ2
S∗2n =n
n − 1S2
n est un estimateur sans biais de σ2
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Exemple
X n est un estimateur sans biais de mS2
n est un estimateur avec biais de σ2
S∗2n =n
n − 1S2
n est un estimateur sans biais de σ2
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Exemple
X n est un estimateur sans biais de mS2
n est un estimateur avec biais de σ2
S∗2n =n
n − 1S2
n est un estimateur sans biais de σ2
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
PrécisionOn mesure généralement la précision d’un estimateur Tn parl’erreur quadratique moyenne :
E [(Tn − θ)2].
On peut démontrer que :
E [(Tn − θ)2] = V (Tn) + [E(Tn)− θ]2.
De deux estimateurs sans biais, le plus précis est donc celui devariance minimale.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Exemple
Montrer que si m est connu, l’estimateur Tn =1n
n∑i=1
(Xi −m)2
est meilleur que S∗2.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
DéfinitionL’estimateur Tn est dit asymptotiquement sans biais si :
limn→+∞
E(Tn) = 0.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Exemple
S2 =1n
n∑i=1
(Xi − X )2 est un estimateur asymptotiquement sans
biais de σ2.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
DéfinitionUn estimateur Tn du paramètre θ est dit convergent enmoyenne quadratique (m.q) s’il vérifie :
limn→+∞
E [(Tn − θ)2] = 0.
Rappelons que la convergence en moyenne quadratiqueentraîne la convergence en probabilité, mais que la réciproqueest fausse en général. En pratique, pour montrer le caractèreconvergent d’un estimateur, on essaie le plus souvent demontrer la convergence en moyenne quadratique.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
PropositionUn estimateur Tn du paramètre θ est convergent en moyennequadratique si et seulement si, il est asymptotiquement sansbiais et si sa variance tend vers 0 lorsque n tend vers l’infini.
PreuveIl suffit de voir :
E [(Tn − θ)2] = V (Tn) + [E(Tn)− θ]2.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
ExemplePour estimer la moyenne théorique θ = m d’une variablealéatoire X , on peut prendre Tn = X n. Cet estimateur est sansbiais, si de plus sa variance Var(X ) est finie, la relation
Var(X n) =Var(X )
nmontre que Var(X n) tend vers 0 lorsque n
tend vers l’infini. La proposition précédente permet alorsd’affirmer que X n est un estimateur convergent en moyennequadratique de m = E(X ).
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Le critère de convergence en moyenne quadratique donnédans la proposition précédente suppose le calcul del’espérance mathématique et la variance de l’estimateur Tn.Comme, en pratique ce calcul n’est pas toujours aisé, onpropose une méthode permettant dans certains cas, dedémontrer la convergence en probabilité de T vers .
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
PropositionSoit (Yn)n≥1 une suite infinie de v.a. qui converge en probabilitévers la v.a. Y et si g est une fonction d’une variable réelle,continue sur l’ensemble des valeurs possibles de Y et des Yn,alors la suite des v.a. g(Yn)n≥1 converge en probabilité versg(Y ) lorsque n tend vers l’infini, soit :
g(Y ) = limn→+∞
g(Y ).
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Exemple
L’estimateur S2 (et aussi S∗2) est convergent en moyennequadratique vers σ2. Il est donc convergent en probabilité, or lafonction g définie par g(u) =
√u est continue sur R. D’après la
proposition précédente, S =√
S2 tend donc en probabilité versσ lorsque n tend vers l’infini. S est donc un estimateurconvergent du paramètre σ.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
Définition
Soit Tn et T ′n deux estimateurs sans biais de θ. Tn et ditplus efficace que T ′n si :
Var(Tn) ≤ Var(T ′n)
L’estimateur sans biais et de convergence minimale estappelé estimateur efficace.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
DéfinitionSoit Tn et T ′n deux estimateurs sans biais de θ. Tn et ditplus efficace que T ′n si :
Var(Tn) ≤ Var(T ′n)
L’estimateur sans biais et de convergence minimale estappelé estimateur efficace.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation
DéfinitionSoit Tn et T ′n deux estimateurs sans biais de θ. Tn et ditplus efficace que T ′n si :
Var(Tn) ≤ Var(T ′n)
L’estimateur sans biais et de convergence minimale estappelé estimateur efficace.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation de la moyenne
PropositionSoit Xn une variable aléatoire dont on veut estimer la moyenne(ou espérance) µ = E(X ) à partir d’un n-échantillon(X1,X2, . . . ,Xn) de X .On ne suppose rien sur la loi de X .
X n =1n
n∑i=1
, la moyenne empirique est un estimateur efficace
de µ.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation de la moyenne
Preuve
X n est sans biais de µ, car E(X n) = µ. De plus, à partir deVar(X n) = Var(X)
nn→+∞−→ 0, on démontre que
∀T ,un autre estimateur deµ,Var(Tn) > Var(X n)
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation de la variance d’une population Gaussienne
Proposition
Si µ est connu
T 2n =
1n
n∑i=1
(Xi − µ)2
est un estimateur efficace de σ2
Si µ est inconnu
T 2n =
1n
n∑i=1
(Xi − X n)2
est un estimateur biaisé de σ2, mais asymptotiquementsans biais.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation de la variance d’une population Gaussienne
PropositionSi µ est connu
T 2n =
1n
n∑i=1
(Xi − µ)2
est un estimateur efficace de σ2
Si µ est inconnu
T 2n =
1n
n∑i=1
(Xi − X n)2
est un estimateur biaisé de σ2, mais asymptotiquementsans biais.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Estimation de la variance d’une population Gaussienne
PropositionSi µ est connu
T 2n =
1n
n∑i=1
(Xi − µ)2
est un estimateur efficace de σ2
Si µ est inconnu
T 2n =
1n
n∑i=1
(Xi − X n)2
est un estimateur biaisé de σ2, mais asymptotiquementsans biais.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Méthode du maximum de vraisemblance
DéfinitionLa vraisemblance d’un échantillon (X1,X2, . . . ,Xn) de la v.a. Xest la fonction L de n + 1 variables définie par :
L(x1, x2, . . . , xn, θ) = f (x1, θ)f (x2, θ) . . . f (xn, θ),
où x1, x2, . . . , xn sont des réalisations possibles de X , θ est leparamètre inconnu. On rappelle que f (x , θ) définie la loi de lav.a. X par la formule :
f (x , θ) =
{p[X = x ], si X est une v.a. discrète ;fX (x), si X est une v.a. continue.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Méthode du maximum de vraisemblance
RemarqueCompte tenu de l’indépendance des v.a. X1,X2, . . . ,Xn, lavraisemblance L(x1, x2, . . . , xn, θ) n’est autre que la probabilitéde réalisation de la suite des valeurs x1, x2, . . . , xn lorsque leparamètre inconnu vaut θ.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Méthode du maximum de vraisemblance
Principe de la méthode
Étant donné un échantillon x1, x2, . . . , xn à prendre commeestimation de θ la valeur de θ qui rend maximale lavraisemblance L(x1, x2, . . . , xn, θ). Il s’agit là d’un problèmed’optimisation : on cherche une valeur θ0 de θ qui maximise lafonction L(x1, x2, . . . , xn, θ).La fonction de vraisemblance étant positive, on peut aussi seborner à rechercher le maximum sur l’ensemble des θ où cettefonction est strictement positive. Sur cet ensemble, il est alorscommode et équivalent de chercher le maximum de la fonction :
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Méthode du maximum de vraisemblance
Principe de la méthode
log L(x1, x2, . . . , xn, θ) =n∑
i=1
log f (xi , θ),
une condition nécessaire sur θ est que
∂ log L(x1, x2, . . . , xn, θ)
∂θ= 0,
pour θ = θ0.Et si elle remplie, une condition suffisante pour θ0, alors on :
∂2 log L(x1, x2, . . . , xn, θ)
∂2θ< 0,
pour θ = θ0.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Méthode du maximum de vraisemblance
Principe de la méthodeL’estimateur du maximum de vraisemblance étant alors :
θ̂n = θ0(X1,X2, . . . ,Xn).
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Méthode du maximum de vraisemblance
Exemple : Estimation de la moyenne et la variance d’uneloi normale :Dans ce cas :
X N(m, σ2)
θ = (θ1, θ2),
où θ1 = m et θ2 = σ2.De plus :
f (x , θ) = f (x ,m, σ2) =1
σ√
2πexp
[−1
2
(x −mσ
)2].
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Méthode du maximum de vraisemblance
Exemple : Estimation de la moyenne et la variance d’uneloi normale :La vraisemblance de l’échantillon s’écrit :
L(x1, x2, . . . , xn, θ) =
(1
σ√
2π
)n
exp
[−1
2
n∑i=1
(xi −mσ
)2],
et le logarithme népérien est
log L(x1, x2, . . . , xn, θ) = n log(
1√2π
)−1
2
n∑i=1
(xi −mσ
)2
−n logσ.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Méthode du maximum de vraisemblance
Exemple : Estimation de la moyenne et la variance d’uneloi normale :Les conditions nécessaires consistent en l’annulation desdérivées partielles premières par rapport à m et σ2. Elless’écrivent respectivement :
∂ log L∂m
= − 1σ2
n∑i=1
(xi −m) = 0,
∂2 log L∂σ2 = − n
2σ2 +1
2σ4
n∑i=1
(xi −m)2 = 0.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesIntroduction Qualité d’un estimateur Estimation ponctuelle des paramètres usuels Méthodes du maximum de vraisemblance
Méthode du maximum de vraisemblance
Exemple : Estimation de la moyenne et la variance d’uneloi normale :De ces deux relations, on conclut
m0 = x ,
σ2 =1n
n∑i=1
(xi − x)2.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Méthode du maximum de vraisemblance
DéfinitionIl est souvent plus réaliste et plus intéressant de fournir unrenseignement du type a < θ < b plutôt que d’écriresèchement θ̂ = c.Fournir un tel intervalle [a,b] s’appelle donner une estimationpar intervalle de confiance de θ.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance
Principe de la méthodeLa méthode des intervalles de confiance est la suivante : Soit Tun estimateur de θ, dont on connaît la loi de probabilité pourchaque valeur de θ.Étant donné une valeur θ0 de θ, on peut déterminer unintervalle de probabilité de niveau 1− α pour T , c’est-à-diredeux bornes t1 et t2 telles que
p[t1 < T < t2] = 1− α,
pour θ0 = θ.Ces bornes dépendent évidemment de θ0.On choisira dans la plus parts des cas un intervalle deprobabilité à risque symétrique
α
2etα
2.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance
Principe de la méthodeOn adopte alors la règle de décision suivante :Soit t la valeur observée de T :
si t appartient à l’intervalle [t1, t2], on conserve θ0 commevaleur possible de θ ;si t n’appartient pas à l’intervalle [t1, t2], on élimine θ0.
On répète cette opération pour toutes les valeurs de θ.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance de m
L’écart-type σ est connu
X n est le meilleur estimateur de m et X n suit une loi
N(
m,σ√n
). L’intervalle de probabilité de X n à 1− α est :
m − uασ√n< X n < m + uα
σ√n,
d’où l’intervalle de confiance :
xn − uασ√n< m < xn + uα
σ√n.
Si 1− α = 0.95, on a uα = 1.96
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance de m
L’écart-type σ est inconnu
On utilise le fait que T =X n −mS∗n/√
n=
X n −mSn/√
n − 1suit une loi de
student à n − 1 degrés de liberté.L’intervalle de probabilité pour t est
−tα <X n −m
S
√n − 1 < tα.
D’où l’intervalle de confiance :
xn − tαS√
n − 1< m < xn + tα
S√n − 1
,
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance de m
L’écart-type σ est inconnuoù bien
xn − tαS∗√
n< m < xn + tα
S∗√n.
Le théorème central-limite a pour conséquence que lesintervalles précédents sont valables pour estimer la moyennethéorique m d’une loi quelconque à condition que n soit assezgrand.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance de σ2
m est connu
T =1n
n∑i=1
(xi −m)2 est le meilleur estimateur de σ2 etnTσ2 suit
la loi χ2n (chi deux à n degrés de liberté) comme somme de n
carrés de loi N(0,1) indépendantes.Soient k1 et k2 les bornes de l’intervalle de probabilité d’unevariable χ2
n :
p[k1 <
nTσ2 < k2
]= 1− α
L’intervalle de confiance est :
ntk1
< σ2 <ntk2,
où t est la valeur prise par T .
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance de σ2
m est inconnu
On utilise S2 =1n
n∑i=1
(xi − X )2 et on sait quenS2
σ2 suit la loi
χ2n−1.
Soit l1 et l2 les bornes de l’intervalle de probabilité ;
p[l1 <
nS2
σ2 < l2
]= 1− α,
on a alors :ns2
l1< σ2 <
ns2
l2,
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance
Estimation du paramètre d’une loi binomialeC’est le problème connu sous le nom d’intervalle de confiancepour une proportion p inconnu. Etant donnée une populationinfinie (ou fini si le tirage s’effectue avec remise) où uneproportion p des individus possédant un certain caractère. Ils’agit de trouver un intervalle de confiance pour p à partir de f ,proportion trouvée sur un échantillon de taille n.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance
Estimation du paramètre d’une loi binomialeOn sait que nF suit une loi binomiale B(n,p) ; et si n est assezgrand, on sait que :
nF N(np,√
np(1− p)),
donc que
F N
(p,
√p(1− p)
n
).
L’intervalle de probabilité symétrique est :
p − uα
√p(1− p)
n< F < p + uα
√p(1− p)
n.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance
Estimation du paramètre d’une loi binomialePosons u = k pour simplifier les notations.Les bornes de l’intervalle de probabilité sont données par :
y = p ± k
√p(1− p)
n.
Soit
(y − p)2 =k2p(1− p)
n,
ou
y2 + p2(
1 +k2
n
)− 2py − k2
np = 0,
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance
Estimation du paramètre d’une loi binomiale
Étant donné une valeur f observée, l’intervalle de confiances’obtient en résolvant en p l’équation :
f 2 + p2(
1 +k2
n
)− 2pf − k2
np = 0,
ou
p2(
1 +k2
n
)− p
(k2
n+ 2f
)+ f 2 = 0
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance
Estimation du paramètre d’une loi binomiale
∆ = p(
k2
n+ 2f
)2
− 4(
1 +k2
n
)f
=k4
n2 + 4fk2
n− 4f 2 k2
n.
D’où
p =
(2f + k2
n
)±√
k4
n2 + 4f k2
n − 4f 2 k2
n
2(
1 + k2
n
) .
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance
Estimation du paramètre d’une loi binomialeFormule encombrante, mais dont on peut trouver uneapproximation en considérant que n est grand et en faisant undéveloppement limité au premier ordre en ( 1
n ) ; le premier terme(2f + k2
n
)2(
1 + k2
n
) ≈ f + o(
1n2
),
le second terme se réduit en simplifiant par n2 :√k2 + 4fnk2 − 4f 2nk2
4(n + k2)2 =
√k2 + 4fnk2 − 4f 2nk2
4n2 + 8k2n + 4k4 .
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Estimation par intervalle de confiance
Estimation du paramètre d’une loi binomialeCe radical est équivalent au suivant (en écrivant que chaqueterme est équivalent à celui de plus haut degré en n)√
fnk2 − f 2nk2
n2 = k
√f (1− f )
n.
Donc, on a si n est grand, l’expression approchée suivante pourl’intervalle de confiance :
f − uα
√f (1− f )
n< p < f + uα
√f (1− f )
n.
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
L’estimateur Jack-Knife
Cette technique a été proposé pour diminuer le biais d’unestimateur
DéfinitionSoit T un estimateur calculé sur un échantillon de taille n.On note T−i l’estimateur calculé sur le (n − 1)-échantillonobtenu en enlevant l’observation i . On appelle pseudo-valeurT ∗i :
T ∗i = nT − (n − 1)T−i .
L’estimateur Jack-knife est alors la moyenne despseudo-valeurs :
TJ =1n
n∑i=1
T ∗i ,
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
L’estimateur Jack-Knife
Définitionce qui donne
TJ = T − (n − 1)1n
n∑i=1
(Ti − T ).
La variance de l’estimateur de Jack-knife est alors donnée par :
S2J =
1n
n∑i=1
(T ∗i − TJ)2
n − 1
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
L’estimateur de Jack-knife
Réduction du biais
Supposons que E(T ) = θ +an
, alors E(TJ) = θ.En effet :
E(TJ) = E(T )− (n − 1)[E(T−i)− E(T )]
= θ +an− (n − 1)[θ +
an − 1
− θ − an
]
= θ +an− a +
n − 1n
a = θ
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèsesPrincipe de le méthode Estimation de la moyenne d’une variable de Laplace Gauss Estimation de l’écart-type d’une loi de Laplace-Gauss Intervalle de confiance pour le paramètre d’une loi binomiale quand n est grand L’estimateur Jack-Knife
L’estimateur de Jack-knife
Exercice :A titre d’exercice, on peut vérifier que la méthode de Jack-knifeappliquée à la variance S2 donne l’estimateur S∗2 et queappliquée à X , on retrouve X . Le calcul de Jack-knife estsurtout utile pour des statistiques biaisées dont le biais est trèsdifficile à calculé (coefficient de corrélation par exemple).
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèses
Plan1 Introduction
StatistiqueLa démarche statistiqueDéfinitions et notations
2 Inférence statistique - échantillonnagestatistiquepropriétés élémentairesCas des grands échantillonsCas des petits échantillons
3 Estimation : Estimation ponctuelleIntroductionQualité d’un estimateurEstimation ponctuelle des paramètres usuelsMéthodes du maximum de vraisemblance
4 Estimation par intervalle de confiancePrincipe de le méthodeEstimation de la moyenne d’une variable de LaplaceGaussEstimation de l’écart-type d’une loi de Laplace-GaussIntervalle de confiance pour le paramètre d’une loibinomiale quand n est grandL’estimateur Jack-Knife
5 Tests d’hypothèses
S. Achchab Statistique Inférentielle
Introduction Inférence statistique - échantillonnage Estimation : Estimation ponctuelle Estimation par intervalle de confiance Tests d’hypothèses
Et c’est facile.
S. Achchab Statistique Inférentielle