Comptabilité de gestion
• «Eléments de statistique d'aide à la décision: cours et exercices résolus» par M.ELHAFIDI et D.TOUIJAR;. • «Théorie des sondage: échantillonnage et estimation.
Cours de Statistiques inférentielles
Preuve Voir Cours S3 ou prendre Y =
a = ε et g(t) = t2 dans l Echantillonnage
https://encrypted-tbn3.gstatic.com/images?q=tbn:ANd9GcRnyO45E3FarR3yoNIAG6PdLe2A7Px9aIqUip7ohlzkY-dmDLrmGuQmwaY
Module M19 : Échantillonnage et Estimation
ECG/S3/Grp A 2017 2018. ≈ 800. 2 h Cours et 15 h T.D. Objectif général. S e-monsite.com/pages/mes-cours/echantillonnage-et-estimation. html. • Anderson ...
Recherche et publications internationales
"Master Management et Finance" Cours. Licence Fondamentale. ➢ 2018-2020: Echantillonnage et Estimation S3
Chapitre 3 - Échantillonnage et estimation
ÉCHANTILLONNAGE ET ESTIMATION. 3.3 Estimations pas intervalle de confiance. 3.3.1 Préliminaires cours. Trouver la probabilité pour que 2 échantillons de 200 ...
Université Mohamed V – Agdal+
20 sept. 2023 Echantillonnage et Estimation M. NIZAR RIANE. 13H-15H. D. 20. Introduction à l'Etude du Droit Ultérieurement. N.B : Les cours débuteront le ...
EMPLOIS DU TEMPS SCIENCES ECONOMIQUES ET GESTION
S3 SEG. Echantillonnage et Estimation. ATMANI AZIZ. G01. LUNDI. 13H30-15H45. 1C. S3 SEG. Introduction à l'étude de droit.
Exercice1 :
SEMESTRE 3 : ECHANTILLONNAGE ET ESTIMATION: Exercice1 : Des échantillons aléatoires indépendants comprenant les soldes des comptes courants des clients de
Début Fin Lieu dexamens Local Amphi 4 Amphi 4 Amphi 4 Amphi 4
11 fév. 2020 Economie-Gestion S3. Economie Monétaire et Financière I. AKAABOUNE ... Echantillonnage et estimation. ECHAOUI ABDELLAH. TA. 15/02/2020 08:30 ...
STATISTIQUE INFERENTIELLE
5 déc. 2014 1- Echantillonnage aléatoire simple: –La construction d'un ... Combien faudrait-il interroger d'électeurs pour que l'erreur d'estimation ne ...
Comptabilité de gestion
«Eléments de statistique d'aide à la décision: cours et exercices résolus» par M.ELHAFIDI et «Théorie des sondage: échantillonnage et estimation.
Cours 5: Inférences: Estimation Echantillonnage et Tests
La variance empirique S2 n. Cas général. Cas des échantillons Gaussiens. Clément Rau. Cours 5: Inférences: Estimation Echantillonnage et Tests
Filière Semestre Module Responsable de cours Groupes Jour
3 fév. 2021 EL GHINI AHMED. A. 09/02/2021. 15:00 16:00 Salle 10 (35). Siège. Economie-Gestion S3. Echantillonnage et estimation. EL GHINI AHMED.
Module M19 : Échantillonnage et Estimation
Module M19 : Échantillonnage et Estimation. Niveau. Période Nombre d'étudiants Crédit/Semaine. ECG/S3/Grp A 2017 2018. ? 800. 2 h Cours et 15 h T.D.
Cours de Statistiques inférentielles
Cours Proba-Stat / Pierre DUSART Preuve Voir Cours S3 ou prendre Y =
1 Université Mohammed Premier Échantillonnage et Estimation
cours d'une année dans laquelle la compagnie gère 100 000 dossiers. Quelle est l'estimation ponctuelle de la proportion p de comptes four-.
Chapitre 3 - Échantillonnage et estimation
Comment va t-on décider quelle statistique utiliser en fonction du paramètre ? recherché ? Page 3. 3.2. ESTIMATION PONCTUELLE. 43. 3.2.2 Estimateur sans biais.
Ch. 5 : Echantillonnage estimation
(On utisera les estimateurs Mn et ?n?1 du cours : ch 5 §1). 3. Déterminer un intervalle de confiance pour cette moyenne i avec un coefficient de confiance de
Brahim Idelhakkar est Enseignant Chercheur en Économie
"Master Management et Finance" Cours. Licence Fondamentale. 2018-2020: Echantillonnage et Estimation S3
PLANNING DETAILLE DES COURS
S3. Econ. monét et Financière (I). HACHIMI ALAOUI. M1. A. FSJES-AGADIR. S3 Echantillonnage et estimation. ZERBET. M5. A. FSJES-AGADIR. S3.
Cours déchantillonnage et estimation S3 PDF - eBoikcom
Téléchargez gratuitement les Cours de Échantillonnage et estimation en PDF Filière: Economie Gestion L2 (2ème année S3) Pour les TD QCM Exercices
cours complet échantillonnage et estimation S3 pdf
24 oct 2019 · cours complet échantillonnage et estimation S3 est un cours sous forme de pdf échantillonnage et estimation fait partie du cours de S3
[PDF] ech-estimationpdf
PLAN DU COURS • Introduction générale; • Chapitre I: Rappel sur les différentes lois de probabilité; • Chapitre II: Théorie d'échantillonnage;
résume échantillonnage estimation s3 pdf - FSJES Cours
7 jan 2019 · Résume échantillonnage estimation L'objectif de cette partie est de répondre à la problématique suivante : comment à partir d'informations
Résumé Du Cours Echantillonnage et Estimation S3 PDF
9 déc 2019 · Cour résumé Echantillonnage et Estimation S3 Dans les statistiques l'assurance qualité et la méthodologie d'enquête l'échantillonnage
TD et Exercices Corrigés Echantillonnage et Estimation S3 PDF
12 sept 2019 · echantillonnage et estimation s3 exercices corrigés maroc pdf Exercices Avec Solutions Echantillonnage et Estimation Semestre S3 Economie
Échantillonnage et estimation - COURS FSJES
Échantillonnage et estimation Cours Eco S3 La théorie de l'échantillonnage étudie les liens entre une population et des échantillons de cette
Cours Echantillonnage Et Estimation S3 PDF Estimateur (statistique)
1 1 1 Loi Normale centrée réduite Définition 2 Une variable aléatoire est dite centrée et réduite si sa moyenne est nulle est sa variance est 1 C à d X ?
Cours Complet Échantillonnage Et Estimation S3 PDF PDF - Scribd
Cours Complet Échantillonnage Et Estimation S3 PDF Téléchargez comme PDF TXT ou lisez en ligne sur Scribd Signaler comme contenu inapproprié
Cours échantillonnage et estimation (S3) - Adil ELMARHOUM
29 sept 2016 · Cours échantillonnage et estimation (S3) - Adil ELMARHOUM · PARTIE : THEORIE D'ECHANTILLONNAGE · PARTIE : LES PROBLEMES D'ESTIMATION · PARTIE : LES
Ch. 5 : Echantillonnage, estimation
1 Echantillonnage et suites de variables al´eatoires.
Un´echantillonde taillenest une partie den´el´ements choisis al´eatoirement dans une populationP. On dit qu"il estnon exhaustiflorsque le tirage se fait avec remise,exhaustif dans le cas contraire. Des tirages avec remise forment des ´ev`enements ind´ependants : l"urnen"est pas modifi´ee par le tirage. Si la population est tr`es grande ou infinie, on pourra toujours
consid´erer que le tirage est non exhaustif : le fait de remettre ou non l"´el´ement tir´e devient
sans importance. On suppose maintenant qu"on ´etudie un caract`ere statistique quantitatifCsurP. On consid`ere l"ensemble Ω ndes ´ev`enements : "tirage d"un ´echantillon de taillen". On obtient une suite de variables al´eatoiresX1,X2,...Xn, o`uXiest la valeur du caract`ereCsur le i-`eme´el´ement de l"´echantillon tir´e.
Si le tirage est avec remise (ou si la population est tr`es grande par rapport `a l"´echantillon)ces variablesXisont ind´ependantes et suivent toutes la mˆeme loi de probabilit´e, d"esp´erance
la moyenne deCet d"´ecart-type celui deC. A partir desnvariables al´eatoiresXi, on en construit de nouvelles, appel´ees "estimateurs". Par exemple, siXine prend que deux valeurs (pile/face, oui/non) cod´ees par 1, 0, on peutcompter le nombre de "pile" ou de "oui" dans l"´echantillon `a l"aide de la variable al´eatoire
"somme sur l"´echantillon" : S n=X1+X2+···Xn. On peut aussi, pour "estimer" la moyenne du caract`ere statistiqueC, consid´erer la variable al´eatoire "moyenne sur l"´echantillon" : M n=X1+X2+···Xn n. Pour estimer l"´ecart-type du caract`ere statistiqueCon consid`ere la variable al´eatoire : n-1=???? 1 n-1n i=1(Xi-Mn)2. Remarquer la pr´esence den-1 au lieu den: cet estimateur est "meilleur" que Σn(´ecart-type de l"´echantillon) pour estimer l"´ecart-typeσde la population (voir le§3). Noter qu"on
a : Σ n-1=? n n-1Σn.Comment ´evoluent ces variables lorsqu"on augmente la taille de l"´echantillon (n→ ∞)?
12 Les "th´eor`emes limites".
In´egalit´e de Bienaym´e-Tchebychev.SoitXune variable al´eatoire continue d"esp´erance
μet d"´ecart-typeσ. On veut mesurer la probabilit´e que les valeurs deXs"´ecartent de la valeur
moyenneμde plus qu"un intervalle donn´e par un param`etre positifλ. Pour toutλ >0 on a : p(|X-μPreuve- On poseY=X-μ
σ.On a :E(Y) = 0 etσ(Y) = 1 d"o`u,
1 =σ2(Y) =?
y2fY(y)dy |y|≥λy2fY(y)dy ≥λ2? |y|≥λfY(y)dy=λ2p(|Y| ≥λ),
d"o`u l"in´egalit´e en divisant parλ2. Pour une variable al´eatoire `a valeurs discr`etes, la preuve
est similaire : remplacer?y2fY(y)dypar? iy2ipi. Exercice 1.On lance 100 fois de suite une pi`ece. La variable al´eatoireX: nombre de "pile" obtenus suitB(100,12). En utilisant l"in´egalit´e de Bienaym´e-Tchebychev, minorer la probabilit´e
p(40< X <60)et comparer avec la valeur exacte donn´ee par la loi binomiale. Loi (faible) des grands nombres.On se place dans la situation d"un ´echantillonnagede taillen, et donc d"une suite de variables al´eatoiresX1,...Xnind´ependantes, de mˆeme loi,
mˆeme esp´eranceμet mˆeme ´ecart-typeσ. SoitMn=1 n? iXila variable al´eatoire "moyenne d"un ´echantillon". On a, pour toutε >0 donn´e, p(|Mn-μ|< ε)≥1-σ2 nε2et en particulier limn→∞p(μ-ε < Mn< μ+ε) = 1. c"est-`a-dire :Mnprendra une valeur aussi proche qu"on veut deμ, avec une probabilit´e aussi proche qu"on veut de 1, `a condition de prendre la taillende l"´echantillon suffisamment grande. Preuve- Puisque les variablesXisuivent la mˆeme loi de param`etresμetσet sont ind´ependantes, on aE(Mn) =nμ
n=μetσ(Mn) =? nσ2 n2=σ⎷n. D"apr`es l"in´egalit´e de Bienaym´e-Tchebychev appliqu´ee `aMnon a : p(|Mn-μ| 2Choisissonsλtel queλσ
nσ.On a :
nε2. On passe `a l"´ev`enement contraire pour obtenir l"´enonc´e de la loi. Th´eor`eme de la limite centr´ee.A partir de la variableMnpr´ec´edente on construit la variable centr´ee r´eduite : Z n=Mn-μ Rappelons que la loi de probabilit´e de chaqueXiet donc deMnet deZnest inconnue.N´eanmoins on a (preuve admise) :
La loi de probabilit´e deZntend vers celle de la loi normale centr´ee r´eduiteN(0,1)lorsquen
tend vers l"infini. C"est-`a-dire : lim n→∞p(Zn< a) = Π(a). avecΠ(a) =p(Z < a)o`uZsuit la loi normale centr´ee r´eduite.Rappelons Π(a) est le nombre donn´e par la table de la loi normale centr´ee r´eduite (`a nouveau
disponible en derni`ere page de ce document). Cas particulier : approximation d"une loi binomiale par uneloi normale.Si le caract`ere C ne prend que deux valeurs 1 et 0 (ou blanc/noir) en proportionpetq= 1-p, ona vu queBn=X1+···+Xn(le nombre de "blanc" sur un ´echantillon den´el´ements) suivait
la loi binomialeB(n,p), d"esp´eranceμ=npet d"´ecart-typeσ=⎷ npq. D"apr`es le th´eor`eme pr´ec´edent, pourngrand (dans la pratique,np >15etnq >15),Zn= B n-μσsuit approximativement la loi normaleN(0,1).
Utilisation pratique : correction de continuit´e.La loi binomiale ´etant discr`ete et la loi normale
´etant continue, on ne peut approximerp(Zn=k) parp(Z=k) o`uZsuit la loi normale centr´ee r´eduite : en effet,p(Z=k) est toujours nul. On doit remplacerkpar l"intervalle ]k-1/2,k+ 1/2[ (On fait une "correction de continuit´e"). Exemple : Exercice 2.Xsuit la loi binomialeB(50,0.5). Calculerp(X= 24), en l"approximant par 33 Estimation.
On veut ´etudier les propri´et´es d"un caract`ereCd"une population `a partir de ses valeurs sur un ou plusieurs ´echantillons. Estimation ponctuelle.Pour estimer un param`etre deC(par exemple la moyenneμoul"´ecart-typeσ),on choisit un ´echantillon particulieren(d"o`u l"appellation "ponctuelle"), et
on calcule la valeur de l"estimateur (Mn, Σn-1,...) sur cet ´echantillon :mn=Mn(en),σn-1= n-1(en). Le choix de l"estimateur en fonction du param`etre `a approcher est un probl`eme difficile : par exemple pourquoi choisir Σ n-1plutˆot que Σnpour estimer l"´ecart-type? Nous admettons ici que dans le cas des param`etresμouσ, les estimateursMnou Σn-1propos´es ici sont "les meilleurs possibles", ce qui signifie :- ´etant donn´e une suite d"estimations ponctuelles sur des´echantillonsende taillen, on a :
lim nMn(en) =μ, limnΣn-1(en) =σ(l"estimation se rapproche du param`etre cherch´e lorsque la taille de l"´echantillon augmente); -E(Mn) =μetE(Σn-1) =σ. (Si on moyennise les estimations sur tous les ´echantillons de taillenon trouve le param`etre. L"estimateur est dit "sans biais"); - L"´ecart-type deMnet Σn-1est minimal (l"estimation ponctuelle varie le moins possible d"un´echantillon `a un autre).
Estimation par intervalle de confiance.On ne cherche plus `a donner une valeur estim´ee la meilleure possible du param`etrex(moyenne, proportion, ´ecart-type...) mais un intervallede valeurs dans lequel la vraie valeur se trouve avec une probabilit´e donn´ee (le coefficient de
confiance; dans la pratique, 95%, 99%...). Si on ´ecrit le coefficient de confiance sous la forme1-α,αest appel´e le "risque" (5%, 1%,...).On cherche donc[a,b]tel que
p(x?[a,b]) = 1-α. Estimation d"une moyenneμpar intervalle de confiance. On peut obtenir un "intervalle de confiance" [a,b] dans lequel une moyenneμse trouve avec un risque donn´e sous l"une des deux hypoth`eses suivantes :i- le caract`ere statistique suit une distribution quelconque d"´ecart-type connuσ, et l"´echantillon
est grand (n≥30); ou ii- le caract`ere statistique suit une distribution normale d"´ecart-type connuσ; la taille de l"´echantillon est alors sans importance. SoitMnl"estimateur : "moyenne d"un ´echantillon de taillen." Nous savons que son esp´erance estμet son ´ecart-type estσ/⎷ n. On sait d"apr`es le th´eor`eme de la limite centr´ee :T=Mn-μ
σ/⎷nsuit approximativement la loi normale centr´ee r´eduite. Sous l"hypoth`ese (ii-), on peut mˆeme enlever le mot "approximativement". On peut donc trouver `a l"aide de la table deN(0,1) le nombretαtel que p(|T|< tα) = 1-α. 4 Exemples classiques, `a v´erifier sur la table deN(0,1) `a l"aide de la formulep(|T|< tα) =2Π(tα)-1 :
- siα= 5%,tα= 1,96 ; - siα= 1%,tα= 2,576; - siα= 0,1%,tα= 3,29. x3210,5 0 0,4 0,3 -1 0,2 0,1 -2 0 -3 Figure1 - Limites du seuil `a 5% sur la loi normale centr´ee r´eduiteOn a :
p(|T|< tα) =p(-tαOn en d´eduitaetbcomme pr´ec´edemment : `a partir du nombretαtel quep(|T|< tα) = 1-α
obtenu sur la table deN(0,1), et une estimation ponctuellepndePnsur un ´echantillonen, on obtient l"intervalle de confiance [a,b] = [pn-tα? pq n, pn+tα? pq n]. Cependant, dans cette formulepetqrestent inconnus. On s"en sort de deux mani`eres : - par approximation ponctuelle : on remplacepetqparpnetqnconnus sur un ´echantillon.On prend donc :
[a,b] = [pn-tα? pnqn n, pn+tα? pnqn n]. - par majoration : lorsquepest compris entre 0 et 1, le produitp(1-p) est plus petit que 1/4(Exercice : le v´erifier avec l"´etude de la fonctionp?→p(1-p).) On majore donc l"intervalle
de confiance par : [a,b] = [pn-tα2⎷n, pn+tα2⎷n].
Exercice 4.Lors d"un second tour `a une ´election pr´esidentielle, on veut faire un sondage sur 800 personnes pour connaitre la proportionpd"´electeurs votants pour le candidat A et q= 1-pvotants pour B. Le sondage donne A `a 48% et B `a 52%.1- Quelle est l"intervalle de confiance (avec un risque d"erreur de 5%) autour de ces valeurs
donn´ees par le sondage?2- Afin de pouvoir les d´epartager, on souhaite obtenir un intervalle de confiance de longueur
±1%, toujours avec un risque d"erreur de 5%. Quelle doit ˆetre lataillende l"´echantillon?Test sur le chapitre 5
1. Enoncer la loi faible des grands nombres.
2. Enoncer le th´eor`eme de la limite centr´ee.
3. Etant donn´ee l"estimationmnd"une moyenneμsur un ´echantillon, donner la formule
de l"intervalle de confiance dans lequel se trouveμavec un risque de 1%. 6Chapitre 5 : Travaux dirig´es
1. Une entreprise commercialise du sel fluor´e en sachets, avec la mention : "Poids net : 1
kg, fluorure de potassium : 250 mg/kg". (a) La machine de conditionnement est r´eglable avec un param`etrem(en grammes) de sorte que le poids moyen de produit emball´e soit demgrammes. La variable al´eatoireX, qui `a tout sachet associe le poids de son contenu suit alorsune loi normaleN(m,8) d"esp´erancemet d"´ecart-typeσ= 8 grammes. On veut que la probabilit´e que la quantit´e emball´ee d´epasse 1kg soit de 95%. Sur quelle valeur doit-on r´egler le param`etrem? (b) Une association de consommateurs veut v´erifier la teneuren fluorure de potassium. Elle se procure un ´echantillon de 100 sachets et confie `a un laboratoire la mesure du taux de fluorure de potassium sur cet ´echantillon. Les conclusions du laboratoire sont : Moyenne de l"´echantillon : 254 mg/kg, ´ecart-type de l"´echantillon : 20 mg/kg. i. On suppose qu"une variable al´eatoireZsuit la loi normale centr´ee r´eduite. D´etaillez le calcul montrant que le seuiltαtel quep(-tα< Z < tα) = 1-α vauttα= 2.575. ii. d´eterminer un intervalle de confiance autour de la moyenne observ´ee dans lequel la vraie moyenne se trouve avec un risque d"erreur de 1%. iii. Peut-on consid´erer que l"´etiquetage des sachets concernant cette teneur est correct? (Justifiez votre r´eponse).2. Un quotidien publie la cote de popularit´e d"un chef de gouvernement :
Avril : 36 % d"opinions favorables;
Mai : 38% d"opinions favorables.
Le journaliste conclut : "la cote de popularit´e a augment´ee de 2%". Sachant que cesproportions ont ´et´e ´etablies sur un ´echantillon de 1000personnes donner un intervalle
de confiance de ces valeurs au niveau de confiance 95%. Quelle est votre conclusion?Travail personnel :
Une entreprise de camions dispose de 100 v´ehicules. Sur un ´echantillon de 30 jours, elle note le nombre
de camions en panne :1. Calculer la moyenne et l"´ecart-type de cet ´echantillon.
2. En d´eduire une estimation ponctuelle de la moyenneμet de l"´ecart-typeσdu nombre de pannes sur
l"ensemble des journ´ees de l"ann´ee. (On utisera les estimateursMnet Σn-1du cours : ch 5,§1).
3. D´eterminer un intervalle de confiance pour cette moyenneμavec un coefficient de confiance de 95%.
7 Intégrale????de la Loi Normale Centrée Réduite??????. 1 8quotesdbs_dbs35.pdfusesText_40[PDF] echantillonnage et estimation s3 fsjes
[PDF] echantillonnage et estimation s4 exercices corrigés pdf
[PDF] distribution d'échantillonnage exercices corrigés
[PDF] echantillonnage et estimation s3 exercices corrigés maroc
[PDF] echantillonnage et estimation s3 exercices corrigés pdf
[PDF] echantillonnage et estimation s4 exercices corrigés
[PDF] échantillonnage et estimation cours pdf
[PDF] echantillonnage et estimation cours s3
[PDF] échantillonnage terminale s physique
[PDF] cours echantillonnage et estimation terminale es
[PDF] inférence statistique exercices corrigés
[PDF] statistique inférentielle cours
[PDF] estimation statistique definition
[PDF] estimation statistique exercices corrigés