Intervalle de confiance dune moyenne
On s'intéresse à la valeur moyenne ? d'un caractère quantitatif x dans une population donnée. Au lieu de rechercher la valeur exacte de ? par.
Calcul dun intervalle de confiance pour la moyenne dans une
Cet essai a pour objectif de calculer un intervalle de confiance pour la moyenne µ `a. 100(1??)% dans un plan de sondage aléatoire simple ainsi que dans
Estimations et intervalles de confiance
tervalle de confiance et donc de préciser l'incertitude sur ces esti- mations : intervalle de confiance d'une proportion d'une moyenne.
MODULE 2 : Estimation par intervalle de confiance
Les paramètres inconnus à estimer seront successivement la moyenne la variance
Quelques rappels sur les intervalles de confiance
Dans ce cas la distribution de la moyenne empirique tend vers une loi normale d'après le théorème central limite. On parlera d'intervalle de confiance
Ch. 5 : Echantillonnage estimation
Estimation par intervalle de confiance. On ne cherche plus `a donner une valeur estimée la meilleure possible du param`etre x (moyenne proportion
Estimation et intervalle de confiance
Définir un intervalle de confiance pour la moyenne des passagers. (On admet que le poids des passagers suit une loi normale de moyenne m d'écart-type ?.) 2.
STATISTIQUE : ESTIMATION
Estimation de la variance quand la moyenne est inconnue. 18. 4. Comparaison de moyennes et de variances. 18. 4.a. Intervalle de confiance de la différence
CORRIGE DES EXERCICES : Estimation ponctuelle et estimation
X= résultat au test de QI variable quantitative de moyenne µ inconnue et l'estimation par intervalle de confiance au niveau 95% (au risque ?=5%) de µ ...
Cours de Statistiques inférentielles
L'espérance est également appelée moyenne et notée dans ce cas µX. L'intervalle de confiance pour la moyenne d'une population de variance ?2 connue est ...
[PDF] Intervalle de confiance dune moyenne
IV- Signification de l'intervalle de confiance d'une moyenne L'intervalle de confiance à 95 d'une moyenne ? nous indique les bornes entre lesquelles on
[PDF] Calcul dun intervalle de confiance pour la moyenne dans une
Cet essai a pour objectif de calculer un intervalle de confiance pour la moyenne µ `a 100(1??) dans un plan de sondage aléatoire simple ainsi que dans
[PDF] Estimations et intervalles de confiance
mations : intervalle de confiance d'une proportion d'une moyenne si la variance est connue ou non d'une variance Retour au plan du cours 1 Introduction
[PDF] Quelques rappels sur les intervalles de confiance - Cedric-Cnam
Dans ce cas la distribution de la moyenne empirique tend vers une loi normale d'après le théorème central limite On parlera d'intervalle de confiance
[PDF] Estimation par intervalle de confiance
Intervalle de confiance pour la moyenne avec seuil de confiance 0 95 (intervalle bilatéral à risques symétriques) La variable aléatoire X?m S/ ? n?1 suit
[PDF] : tdr27 ————— Intervalles de Confiance —————
L'objectif est de représenter les intervalles de confiance d'une moyenne Maintenance : S Penel URL : http://pbil univ-lyon1 fr/R/fichestd/tdr27 pdf
[PDF] Intervalles de confiance - Université de Rennes
Donner une estimation et un intervalle de confiance pour m 2 2 Estimation de l'écart-type 2 2 1 si la moyenne est connue La statistique T =
[PDF] Chapitre 5 - Estimation par intervalles de confiance - UFR SEGMI
P = { chômeurs français } N = ? X = "durée de chômage" (en mois) variable quantitative µ = durée moyenne inconnue ? =
[PDF] TP N° 54 Estimation dun intervalle de confiance - CAB INNOVATION
4) Donner un intervalle de confiance sur la moyenne des résultats d'une simulation de Monte- Carlo 5) Estimer la disponibilité d'un système à partir de
[PDF] ESTIMATION INTERVALLES DE CONFIANCE DE LA MOYENNE D
Si on se fixe un seuil ? = 0 05 par exemple le logiciel SAS calcule aisément l'intervalle de confiance de la moyenne cherché : proc means data=A alpha=0 05 clm
STATISTIQUE : ESTIMATION
Préparation à l"Agrégation Bordeaux 1
Année 2012 - 2013
Jean-Jacques Ruch
Table des Matières
Chapitre I. Estimation ponctuelle5
1. Définitions5
2. Critères de comparaison d"estimateurs 6
3. Exemples fondamentaux 6
3.a. Estimation dem6
3.b. Estimation de2en supposantmconnu 7
3.c. Estimation de2lorsquemest inconnu 7
4. Cas particulier de la loi normale 8
5. Construction d"estimateur par la méthode du maximum de vraisemblance 11
5.a. Cas discret11
5.b. Cas à densité12
Chapitre II. Estimation par intervalle13
1. Définition d"une région de confiance 13
2. Construction de régions de confiance 13
3. Exemples classiques d"estimation par intervalle 15
3.a. Estimation de la moyenne quand la variance est connue 15
3.b. Estimation de la moyenne quand la variance est inconnue 15
3.c. Estimation de la variance quand la moyenne est connue 16
3.d. Estimation de la variance quand la moyenne est inconnue 18
4. Comparaison de moyennes et de variances 18
4.a. Intervalle de confiance de la différence de deux moyenne 18
4.b. Intervalle de confiance du rapport de deux variances 20
5. Estimation d"une proportion 20
5.a. Estimation ponctuelle 21
5.b. Estimation par intervalle 21
5.c. Méthode du Bootstrap 22
3CHAPITRE I
Estimation ponctuelle
En statistique, comme dans la théorie des probabilités le hasard intervient fortement. Mais dans la théorie
des probabilités, on suppose la loi connue précisément et on cherche à donner les caractéristiques de la
variable qui suit cette loi. L"objectif de la statistique est le contraire : à partir de la connaissance de la
variable, que peut-on dire de la loi de cette variable?1. Définitions
SoitXune variable aléatoire dont la densité de probabilitéf(x;)dépend d"un paramètreappartenant
àIR. A l"aide d"un échantillon issu deX, il s"agit de déterminer au mieux la vraie valeur0de. On
pourra utiliser deux méthodes : -estimation ponctuelle: on calcule une valeur vraisemblable^de0-estimation par intervalle: on cherche un intervalle dans lequel0se trouve avec une probabilité élevée.
Définition 1.Unn-échantillondeXest unn-uplet(X1;X2;:::;Xn)tel que lesXkont la même loi queXet sont indépendantes.Uneréalisation de l"échantillonest alors unn-uplet(x1;x2;:::;xn)de valeurs prises par l"échantillon.Définition 2.Unestatistiquede l"échantillon est une variable aléatoire'(X1;X2;:::;Xn)où'est
une application deRndansR. UnestimateurTdeest une statistique à valeurs dansI. Uneestimationest la valeur de l"estimateur correspondant à une réalisation de l"échantillon.Exemple:X n=1n n X k=1X kest un estimateur de l"espérance mathématique. Définition 3.Lebiaisde l"estimateurTdeestE[T]0. S"il est nul, on dit queTest un estimateur sans biais. L"estimateurTnestasymptotiquement sans biaissilimE[Tn] =0.On note souvent le biaisb(T). Définition 4.L"estimateur est ditconvergentsi la suite(Tn)converge en probabilité vers0:8" >0;P(jTn0j> ")!n!+10:
On parle d"estimateurfortement convergentlorsqu"on a convergence presque sûre.D"après Bienaymé-Tchebychev pour qu"un estimateur asymptotiquement sans biais soit convergent il
suffit queVar(Tn)!n!+10:
56Chapitre I. Estimation ponctuelle
2. Critères de comparaison d"estimateurs
Un bon critère de comparaison est lerisque quadratique. Définition 5.SoientTun estimateur de. Le risque quadratique est défini par R(T;) =E[(T)2]On peut alors comparer deux estimateurs. Définition 6.On dit queT1est unmeilleur estimateurqueT2si82I; R(T1;)R(T2;)
et92I; R(T1;)< R(T2;):Un estimateur est ditadmissibles"il n"existe pas d"estimateur meilleur.
L"erreur quadratique moyenne deTse décompose en deux termes, le carré du biais et la variance deT:
E[(T)2] =b2(T) +Var(T):
Cette décomposition permet de se ramener à une discussion sur la variance pour les estimateurs sans
biais de. Définition 7.SoientT1etT2deux estimateurs sans biais de. On dit queT1est unplus efficace queT2si82I;Var(T1)Var(T2)
et92I;Var(T1) Var(T1)Var(T2):
3. Exemples fondamentaux
SoitXune variable aléatoire telle queE[X] =met Var(X) =2. 3.a. Estimation dem.
Théorème 8.La moyenne empiriqueX
n=1n n X k=1X kest un estimateur sans biais et convergent dem.On a E[X n] =1n n X k=1E[Xk] =met Var(X n) =1n 2n X k=1Var[Xk] =2n !n!+10: D"après la loi forte des grands nombresX
nest même fortemement convergent. Il est possible de déterminer la loi asymptotique de la moyenne empirique. Jean-Jacques Ruch
3.Exemples fondamentaux7
Proposition 9.Sinest assez grand on peut utiliser l"approximation normale (lorsqueXadmet un moment d"ordre2)X nL N(m;2=n):C"est une conséquence du TCL qui nous assure que pn(X nm)L!n!+1N(0;2): 3.b. Estimation de2en supposantmconnu.
Théorème 10.Lorsquemest connu
S 2n=1n n X k=1(Xkm)2 est un estimateur sans biais et convergent de2.On a E[S2n] =E"
1n n X k=1(Xkm)2# 1n n X k=1Var(Xk) =2 Par ailleurs, les variables(Xkm)2étant indépendantes : Var(S2n) =1n
2n X k=1Var((Xkm)2) =1n E[(Xm)4]E[(Xm)2]2=1n
44
aveck=E((Xm)k). DoncS2nest un estimateur convergent. La loi forte des grands nombres appliquée aux variables(Xkm)2
entraîne même la convergence presque sûre vers2. Comme dans le cas de la moyenne empirique le TCL nous permet de déterminer la loi asymptotique de S 2n; on a lorsquenest assez grand :
S 2nL N(2;(44)=n):
3.c. Estimation de2lorsquemest inconnu.
En général on ne connaît pasm; on le remplace par un estimateur et on introduit la variance empirique
associée :S 2n=1n n X k=1(XkX n)2: Théorème 11.La variance empiriqueS
2nest un estimateur biaisé et convergent de2. Il est asymptotique-
ment sans biais.On a E[S 2n] =1n
n X k=1E(X2k)E[X n2] =1n (n(m2+2))(m2+2n ) =n1n 2: Jean-Jacques Ruch
8Chapitre I. Estimation ponctuelle
D"autre part, on peut montrer que :
Var(S 2n) =1n
442n
2424+1n
3434!0
aveck=E((Xm)k). L"estimateur est donc convergent. Le résultat précédent et le lemme de Slutsky (Probabilité 2, Jean-Yves Ouvrard, p. 347) permet de
déterminer la loi asymptotique deS 2n:S 2nL N(2;(44)=n):
Théorème 12.La variance empirique corrigée c S2n=1n1n
X k=1(XkX n)2: est un estimateur sans biais et convergent de2.Cela se montre facilement en remarquant que c S2n=nn1S
2n: 4. Cas particulier de la loi normale
On suppose dans ce paragraphe queXsuit la loi normaleN(m;2). On sait queX n=1n n X k=1X ksuit alors la loi normaleN(m;2=n), ce qui confime que c"est un estimateur sans biais, convergent dem. Les résultats obtenus au paragraphe précédent pour l"estimation de2sont encore valables; en particulier
on a : E(S2n) =2et Var(S2n) =2(n1)n
24
En effet, calculonsk
k=E((Xm)k) =1p2Z +1 1 (xm)kexp (xm)22 dx 1p2Z +1 1 (p2u)kexp(u2)p2duen posantx=mp2u = 0sikest impair. Lorsquek= 2pest pair on obtient
2p=2p2pp
Z +1 1 u2pexp(u2)du=2p+12pp Z +1 0 u2pexp(u2)du 2p2pp Z +1 0 vp1=2exp(v)dven posantu=pv 2p2pp (p+ 1=2) =(2p)!2 p(p!)2p et donc Var(S2n) =1n
442n
2424+1n
3434=2(n1)n
24
Jean-Jacques Ruch
4.Cas particulier de la loi normale9
Définition 13.SoientX1;:::;Xn,nvariables aléatoires indépendantes identiquement distribuées de
loiN(0;1). La loi du2àndegrés de liberté est la loi de la variable aléatoire 2n=nX k=1X 2k: La densité de cette loi est donnée par :
f 2n(u) =12(n=2)
u2 n=21exp u2 1 u>0 et sa fonction caractéristique par 2n(t) =1(12it)n=2f
2k Pour déterminer la densité on peut remarquer que : siUsuit une loiN(0;1)alors on a pourt >0 P(U2t) =P(tUt) =FU(pt)FU(pt)
et par conséquent f U2(t) =12
pt fU(pt) +12 pt fU(pt) =1pt fU(pt) =1p2texp t2 Ensuite on obtient le résultat général par récurence. Théorème 14.Soit(X1;:::;Xn)unnéchantillon de le loiN(0;1). Les variables aléatoires pnX netnX k=1(XkX n)2=nS 2n= (n1)cS2n
sont indépendantes et suivent respectivement la loi normale réduite et la loi du2à(n1) degrés de liberté. Jean-Jacques Ruch
10Chapitre I. Estimation ponctuelle
Démonstration.Montrons queX
netnX k=1(XkX n)2sont indépendantes. On a 0quotesdbs_dbs35.pdfusesText_40
[PDF] intervalle de confiance student
[PDF] intervalle de confiance d'une moyenne excel
[PDF] unité commerciale définition
[PDF] climat définition cycle 3
[PDF] definition de meteorologie
[PDF] unité commerciale physique et virtuelle complémentaire
[PDF] definition meteo
[PDF] dispense cap petite enfance
[PDF] deaes
[PDF] formule variance
[PDF] problème du second degré seconde
[PDF] bpjeps
[PDF] moyenne nationale bac francais 2017
[PDF] moyenne nationale math bac s