Cours de Statistiques inférentielles
Cours de Statistiques inférentielles. Pierre DUSART. Page 2. 2. Page 3. Chapitre 1. Lois statistiques. 1.1 Introduction. Nous allons voir que si une variable
Statistique Inférentielle
et Wonnacott J. Statistique : économie-gestion-sciences-médecine
Introduction à la statistique inférentielle
Plan du cours. 1. Notions de population et d'échantillon. 2. Notion d'estimation. 3. Estimations de la moyenne et de la variance. 4. Ecart type et erreur
Méthodes de statistique inférentielle.
19 mai 2016 Méthodes de statistique inférentielle. 19 mai 2016. 1 / 166. Plan du cours. 1. Introduction. 2. Probabilités : Variables Aléatoires Continues. 3.
Cours de Statisques descriptives et inférentielles
Pourquoi le titre Statistiques Appliquées `a l'Expérimentation en Sciences Humaines ? En fait la statistique recouvre un vaste domaine d'applications
ECoPO /Lubumbashi Cours de Statistique Inférentielle
Elle signifie : (p ou q mais pas les deux). Page 5. ECoPO /Lubumbashi. Cours de Statistique Inférentielle. 5. Il
Cours de Statistiques Inférentielles
Cours de Statistiques Inférentielles. P. Ribereau. I Echantillonage. 1 Mod`ele statistique. On suppose que les variables aléatoires X1
CTU Licence de Mathématiques Statistique Inférentielle Jean-Yves
Ce polycopié contient le cours les sujets d'exercice et leurs corrigés ainsi que les sujets des devoirs proposés. Les énoncés des exercices sont donnés en
Année Universitaire 2006-2007 COURS DE STATISTIQUE
COURS DE STATISTIQUE INFÉRENTIELLE. (Version Avril 2007). JÉRˆOME DUPUIS o`u T1 et T2 désignent deux statistiques définies sur Xn `a valeurs dans Θ. On ...
Cours de Statistiques inférentielles
Cours de Statistiques inférentielles Nous allons chercher à faire l'inverse : l'inférence statistique consiste à ... Cours Proba-Stat / Pierre DUSART.
Cours de Statistiques Inférentielles
6 janv. 2016 L'objet de ce cours est de présenter les principes de la statistique inférentielle : échantillonage estimation
Polycopié du Cours Statistiques inférentielles
29 nov. 2012 Tandis que la statistique peut être assimilée `a une analyse parfois tr`es précise
ECoPO /Lubumbashi Cours de Statistique Inférentielle
Cours de Statistique Inférentielle. 2. Chapitre 4 : Tests d'hypothèses. 4.1 Hypothèse nulle et Hypothèse alternative. 4.2 Test unilatéral et multilatéral.
Statistique Inférentielle
Modèle Statistique. Estimateurs - Propriétés. Construction d'estimateurs. Estimation par intervalles. Plan du cours. • Introduction. • Modèle Statistique.
Licence SVT 2`eme année Statistiques Inférentielles Examen de
Statistiques Inférentielles. Examen de premi`ere session Janvier 2016. Aucun document autorisé
Cours de Statistiques niveau L1-L2
7 mai 2018 Statistique inférentielle : elle a pour but de faire des prévisions et de prendre des décisions au vu des observations par :.
Cours 4: Statistique inférentielle Échantillonnage
Etude Statistique = étude des caractéristiques (variables statistiques) d'un ensemble d'objets (population composée d'individus) . ? Recensement : les valeurs
COURS DE STATISTIQUES INFERENTIELLES Licence déconomie
19 sept. 2003 2 Introduction `a la statistique inférentielle ... succ`es obtenus au cours des n épreuves suit la loi binomiale notée B(n p) définie.
Statistiques Inférentielles CM
Course title - Intitulé du cours. Statistiques Inférentielles CM. Level / Semester - Niveau /semestre. L2 / S2. School - Composante. Ecole d'Economie de
Cours de Statistiques Inferentielles
P. Ribereau
6 janvier 2016
2Table des matieres
1 Introduction Generale 7
I Intro generale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 II Le recueil des donnees. . . . . . . . . . . . . . . . . . . . . . . . . . . 9 III La statistique exploratoire ou descriptive. . . . . . . . . . . . . . . . . 9 IV La statistique inferentielle. . . . . . . . . . . . . . . . . . . . . . . . . 9 V La modelisation statistique. . . . . . . . . . . . . . . . . . . . . . . . 10 VI Un exemple simple en assurance automobile . . . . . . . . . . . . . . 1 02 Statistiques descriptives 13
I Generalites / denitions de base . . . . . . . . . . . . . . . . . . . . . 13 II Resumes numeriques pour des variables quantitatives . . . . . . . . . 14 III Resumes graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 IV Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 03 Echantillonage 23
I Modele statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231 Generalites . . . . . . . . . . . . . . . . . . . . . . . . . . . .
232 Modele d'echantillonage. . . . . . . . . . . . . . . . . . . . . .
233 Modele domine, vraisemblance . . . . . . . . . . . . . . . . . .
2 5 II Denition d'une statistique . . . . . . . . . . . . . . . . . . . . . . . . 2 51 Notions d'estimation et de test d'hypotheses . . . . . . . . . .
26III Quelques notions de base sur les estimateurs . . . . . . . . . . . . . . 2 7
1 Denition d'un estimateur . . . . . . . . . . . . . . . . . . . .
2 72 Notion de biais . . . . . . . . . . . . . . . . . . . . . . . . . .
273 Convergence d'un estimateur . . . . . . . . . . . . . . . . . . .
2 74 Comparaisons des estimateurs . . . . . . . . . . . . . . . . . .
285 Moyenne aleatoire, variance aleatoire . . . . . . . . . . . . . .
28IV Rappels sur les vecteurs gaussiens . . . . . . . . . . . . . . . . . . . . 29
1 Vecteurs gaussiens et lois du2. . . . . . . . . . . . . . . . . .31
V Application a l'estimation dans un cadre normal . . . . . . . . . . . . 3 24 Estimation 35
I Hypotheses fondamentales sur la densitef(x;) . . . . . . . . . . . .3 5 II Information . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 61 Information de Fisher . . . . . . . . . . . . . . . . . . . . . . .
362 Proprietes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
373
4TABLE DES MATIERES
III Inegalite de Cramer-Rao . . . . . . . . . . . . . . . . . . . . . . . . . 371 Hypotheses supplementaires . . . . . . . . . . . . . . . . . . .
3 72 Relation entre estimateurs ecaces . . . . . . . . . . . . . . .
393 Degradation de l'information . . . . . . . . . . . . . . . . . . .
3 9 IV Notion d'exhaustivite . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 0 V Exhaustivite et estimateurs ecaces; la famille exponentielle . . . . . 4 11 Le modele exponentiel . . . . . . . . . . . . . . . . . . . . . .
4 12 Theoreme sur l'ecacite . . . . . . . . . . . . . . . . . . . . .
42VI Quelques methodes usuelles d'estimation . . . . . . . . . . . . . . . . 4 3
1 Methode empirique . . . . . . . . . . . . . . . . . . . . . . . .
4 32 Methode des moindres carres . . . . . . . . . . . . . . . . . .
443 Methode des moments . . . . . . . . . . . . . . . . . . . . . .
4 44 Methode du maximum de vraisemblance : principe . . . . . .
45VII Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 6 VIII Generalisation au cas d'un parametre multidimensionnel . . . . . . . 47
1 Generalisation des denitions sur les estimateurs . . . . . . . .
4 72 Generalisation de l'inegalite de Cramer-Rao . . . . . . . . . .
483 Generalisation de la methode du maximum de vraisemblance .
5 05 Comportement asymptotique des estimateurs 53
I Proprietes asymptotiques de l'EMV . . . . . . . . . . . . . . . . . . . 5 31 En dimension 1 . . . . . . . . . . . . . . . . . . . . . . . . . .
5 32 En dimension superieure . . . . . . . . . . . . . . . . . . . . .
54II Denitions / outils . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 4
1 Normalite et ecacite asymptotique . . . . . . . . . . . . . .
542 Proprietes de convergence . . . . . . . . . . . . . . . . . . . .
553 Methode Delta . . . . . . . . . . . . . . . . . . . . . . . . . .
55III Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6 Estimation par intervalle de conance 57
I Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 7 II I.C. pour les parametres de la loi normale . . . . . . . . . . . . . . . 5 9 III I.C. pour une proportion (parametre de la loi binomiale) . . . . . . . 6 0 IV Construction d'I.C. asymptotiques . . . . . . . . . . . . . . . . . . . . 6 11 Utilisation du theoreme central limite . . . . . . . . . . . . . .
6 12 Application a la loi binomiale. . . . . . . . . . . . . . . . . . .
623 Utilisation de la convergence de l'EMV . . . . . . . . . . . . .
624 Remarque sur l'intervalle de conance pour une variance hors
du cadre normal . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2 V Recherche de regions de conance . . . . . . . . . . . . . . . . . . . . 64VI Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 4
7 Generalites sur les tests 67
I Problemes de test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 7 II Tests uniformement plus puissants . . . . . . . . . . . . . . . . . . . . 68III Tests fondes sur le rapport du maximum de vraisemblance . . . . . . 7 1 IV Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2
TABLE DES MATI
ERES51 Adequation d'une moyenne pour un echantillon gaussien . . .
7 22 Comparaison de deux moyennes . . . . . . . . . . . . . . . . .
7 33 Un exemple avec une loi discrete . . . . . . . . . . . . . . . .
74V Tests asymptotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 5
1 Proprietes asymptotiques des tests du maximum de vraissem-
blance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 762 Tests de Wald et du score . . . . . . . . . . . . . . . . . . . .
7 78 Tests parametriques classiques 79
I Tests gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 9 II Tests asymptotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 19 Quelques tests non parametriques 83
I Tests du2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .8 31 Loi multin^omiale . . . . . . . . . . . . . . . . . . . . . . . . .
832 Loi asymptotique . . . . . . . . . . . . . . . . . . . . . . . . .
833 Test du2d'adquation a une loi . . . . . . . . . . . . . . . .8 5
4 Test du2d'independance . . . . . . . . . . . . . . . . . . . .8 6
II Test de Kolmogorov-Smirnov . . . . . . . . . . . . . . . . . . . . . . 88III Test de Shapiro-Wilk . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
1 Droite de Henry . . . . . . . . . . . . . . . . . . . . . . . . . .
902 Test de Shapiro-Wilk . . . . . . . . . . . . . . . . . . . . . . .
9 0 IV Tests de rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 21 Statistiques de l'ordre, de rang . . . . . . . . . . . . . . . . . .
932 Le test de Wilcoxon . . . . . . . . . . . . . . . . . . . . . . .
9 310 Exemples d'estimation non parametrique 95
I Estimation d'une densite de probabilite . . . . . . . . . . . . . . . . . 951 Histogramme empirique . . . . . . . . . . . . . . . . . . . . .
9 52 Fen^etres mobiles . . . . . . . . . . . . . . . . . . . . . . . . .
953 Versions lisses . . . . . . . . . . . . . . . . . . . . . . . . . . .
9 64 Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9 6 II Estimation des quantiles . . . . . . . . . . . . . . . . . . . . . . . . . 991 Quantiles empiriques . . . . . . . . . . . . . . . . . . . . . . .
9 92 Lien avec les statistiques d'ordre . . . . . . . . . . . . . . . . .
993 Resultats asymptotiques . . . . . . . . . . . . . . . . . . . . .
996TABLE DES MATIERES
Chapitre 1
Introduction Generale
I Intro generale
Denition 1.1 (Premiere denition d'un probl
~Ame statistique)On dira qu'on se trouve devant un probleme statistique si on est c onfronte ades eventualites(en nomb reni ou inni) dont on sait q ue certaines sont vrais sans savoir lesquelles, on doit choisir une de c es eventualites, en s'appuyant sur le r esultatd'une exp erienceal eatoire, eventuellement a denir. La derniere partie de la denition par le d'experience aleatoire. Cette partie la (qui concerne la majorite du cours) est la statistique inferentielle, mathematique ou inductive. On va encore restreindre la denition pour denir le champs du cours et introduire la notion de modele statistique. Pour pouvoir tirer quelque chose du resul- tat de l'experience aleatoire, il faut qu'a chaque eventualite, on fasse correspondre une famille de probabilite a laquelle la proba qui regit l'experience appartient (si cette eventualite est vraie). On notePl'ensemble de toutes les probas possibles. Denition 1.2On appelle modele statistique le triplet(X;A;P)ou : |Xest l'ensemble appele ensemble fondamental ou espace des resultats, |Aest une tribu de partie deX, |Pest une famille de probabilites sur l'espace mesurable(X;A). Denition 1.3On appelle modele statistique parametrique un modele statistique (X;A;P)tel que9p2N:P=fP;2Rpg
est appele l'espace des parametres. Le modele est aussi note(X;A;P;) Les grands problemes statistiques les plus frequents sont : d ansl em odelest atistiquep arametrique,l es\ eventualites"so ntr epresentees par le parametrelui m^eme. Comment choisir le? C'est l'estimation ponc- tuelle. Probleme d'identiabilite (si1et2sont tels queP1=P2alors on ne pourra jamais choisir entre les deux) : il faut que l'application!Psoit injective. 78CHAPITRE 1. INTRODUCTION GENERALE
Probleme statistique
9Utilisant unmodele aleatoireX
XXXXXXXXXz
N'utilisant pas un
modele aleatoire- Stat. desc.- Analyse des donnees...?Avant le choix del'experience et du
modele- Plans d'experiences - sondages...XXXXXXXXXXz
Apres le choix de
l'experience et du modeleXXXXXXXXXXz
Modele non parametrique?
Modele parametrique
(identication)XXXXXXXXXXz
Decisions multiples@
@@R Test?Estimationensembliste
9EstimationponctelleQ
QQQQQQs?
Modele lineaireGLM...Figure1.1 { Approche d'un probleme statistiqueII. LE RECUEIL DES DONN
EES.9 T oujoursd ansce m odele,l 'ensembled eseventualitesest l 'ensembled esp arties de . Estimation ensembliste. on a d eux eventualitesd ontu neseu lees tv raie.Pr oblemed et ests! Pour en revenir au probleme statistique, commentons la Figure 1.1 : La demarche statistique consiste a traiter et a interpreter les informations recueillies par le biais de donnees. Elle comporte quatre grands aspects : le recueil des donnees, l'aspect descriptif ou exploratoire, l'aspect inferentiel ou decisionnel et la modelisa- tion statistique.II Le recueil des donnees.
Cette etape est importante car elle doit permettre d'obtenir des donnees de \bonne qualite" en un certain sens. Contrairement a ce qu'indique le vocabulaire, les informations dont a besoin le statisticien ne sont pourtant pas \donnees" et la qualite des resultats obtenus dependra autant de la maniere dont les donnees ont ete collectees que de la methode statistique utilisee ensuite. La theorie des sondages et celle des plans d'experiences fournissent un cadre theorique pour une collecte optimale de donnees.III La statistique exploratoire ou descriptive.
Une fois les donnees collectees, il convient de synthetiser et de resumer l'in- formation contenue dans ces donnees. On utilise pour cela des representations des donnees sous forme de tableaux, de graphiques ou d'indicateurs numeriques (tels que la moyenne, la variance, la correlation lineaire, ...pour des variables quantitatives). Cette phase est connue sous le nom destatistique descriptive. On parle de statistique descriptiveunivarieelorsque l'on regarde une seule variable, de statis- tique descriptivebivarieelorsque l'on regarde simultanement deux variables, et de statistique descriptivemultidimensionnellelorsque l'on regarde simultanementpva- riables. Dans ce dernier cas, on parle aussi d'analyse des donnees.IV La statistique inferentielle.
Son but est d'etendre (d'inferer) les proprietes constatees sur l'echantillon (gr^ace l'analyse exploratoire par exemple) a la population toute entiere, et de valider ou d'inrmer des hypotheses. Contrairement a la statistique exploratoire, des hypotheses probabilistes sont ici necessaires : elle suppose un modele probabiliste. L'estimation ponctuelle ou par intervalle de conance et la theorie des tests d'hypotheses constituent une partie principale de la statistique inferentielle.10CHAPITRE 1. INTRODUCTION GENERALE
V La modelisation statistique.
Elle consiste en general a rechercher une relationapproximativeentre une variable et plusieurs autres variables, la forme de cette relation est le plus souvent lineaire. Lorsque la variable a expliquer est quantitative et que les variables explicatives sont aussi quantitatives, on parle deregression lineaire. Si les variables explicatives sont qualitatives, on parle alors d'analyse de la va- riance. Lemodele lineaire generalenglobe une grande partie de tous les cas de gures possibles.VI Un exemple simple en assurance automobile
Un assureur souhaite evaluer s'il est pertinent de tarifer ses contrats d'assurance auto en fonction de la region d'habitation de l'assure. Il dispose de deux echantillons d'assures : 1 500 assures de la region Nord - Pas de Calais et 1 249 assures de la region Provence - Alpes - C~Ate d'Azur. Sur l'annee 2008, les 1 500 assures de la region Nord - Pas de Calais consideres ont declare 89 sinistres pour un montantquotesdbs_dbs18.pdfusesText_24[PDF] Probabilités et Statistique
[PDF] 10h45-11h: Les statistiques sanitaires et la santé publique Dr - HCP
[PDF] Statistique spatiale
[PDF] Statistiques : moyenne, médiane et étendue - KeepSchool
[PDF] Première S - Statistiques descriptives - Variance et écart - Parfenoff
[PDF] Second degré, cours, première STI2D - MathsFG - Free
[PDF] cours de premiere sti2d - Les fonctions : généralités
[PDF] LISTE DES LIVRES Classe de Terminale STI2D
[PDF] Cours STMS - SBSSA - Rouen
[PDF] Cours stratégie d 'entreprise - f-staticcom
[PDF] Définir une stratégie de communication Télécharger le pdf
[PDF] La langue française, de A ? Z - Direction de la Langue Française
[PDF] Première ES Cours suites numériques 1 I Généralités sur les suites
[PDF] Cours de Terminale STG