Estimation et tests statistiques TD 5. Solutions
Exercice 1 – Dans un centre avicole des études antérieures ont montré que la masse d'un oeuf choisi au hasard peut être considérée comme la réalisation
CTU Master Enseignement des Mathématiques Statistique
Ce polycopié contient le cours les sujets d'exercice et leurs corrigés ainsi que Ce qui précède montre que l'estimation ponctuelle a un inconvénient ...
CORRIGE DES EXERCICES : Estimation ponctuelle et estimation
Bases de la statistique inférentielle. CORRIGE DES EXERCICES : Estimation ponctuelle et estimation par intervalle. Exercice 1. P={étudiants}.
Exercices Corrigés Statistique et Probabilités
M. NEMICHE. Exercices. Corrigés. Statistique et. Probabilités 4) Estimer le temps de sommeil d'une personne de 66 ans. Correction de l'exercice 2.
Exercices et problèmes de statistique et probabilités
Corrigés des exercices . 3.2 Estimation statistique. ... centrale) Lois de probabilités fréquemment utilisées en statistique (Loi normale
Estimation et intervalle de confiance
Exercice 3. Un petit avion (liaison Saint Brieuc-Jersey) peut accueillir chaque jour 30 personnes ; des statistiques montrent que 20% des clients ayant réservé
Fascicule dexercices
Lethellieux Maurice (519 LET) Probabilités - Estimation statistique en 24 fiches et Exercices de statistiques et probabilités.
Exercices : Statistique
Exercices : Statistique. Estimation. A. Philippe. Ex 1. Convergence. 1) Si ˆ ?n est un estimateur asymptotiquement sans biais de ? et si sa variance tend.
Cours de Statistiques niveau L1-L2
7 mai 2018 Prise en main du logiciel R et statistique descriptive univariée ... Estimation ponctuelle loi du ?2 et de student.
Sciences de gestion - Synthèse de cours exercices corrigés
d'estimation et d'inférence statistique si on les applique à des modèles incohérents. Toutes les données utilisées dans les exercices peuvent être
[PDF] Estimation et tests statistiques TD 5 Solutions
Exercice 2 – On suppose que le poids d'un nouveau né est une variable normale d'écart-type égal `a 05 kg Le poids moyen des 49 enfants nés au mois de janvier
[PDF] CORRIGE DES EXERCICES : Estimation ponctuelle - UFR SEGMI
Bases de la statistique inférentielle CORRIGE DES EXERCICES : Estimation ponctuelle et estimation par intervalle Exercice 1 P={étudiants}
[PDF] Exercices corrigés de statistiques inférentielles
Donner une estimation de m par intervalle de confiance au seuil de risque 5 Solution 1 On a me = 263 et ?e = 123 2 L'estimation ponctuelle de
[PDF] TD N°1 : Estimation
Statistique inférentielle Parcours : MI GSI SIE 5 Corrigé EXERCICE 4 (CARTE DE CONTROLE) Enoncé On a construit une machine produisant des engrenages
[PDF] Exercices Corrigés Statistique et Probabilités
I Statistique descriptive univariée Exercice 1 On dispose des résultats d'une enquête concernant l'âge et les loisirs d'une population de 20 personnes:
[PDF] Fascicule dexercices - Julie Scholler
Lethellieux Maurice (519 LET) Probabilités - Estimation statistique en 24 fiches et Exercices de statistiques et probabilités
[PDF] CTU Master Enseignement des Mathématiques Statistique
Ce polycopié contient le cours les sujets d'exercice et leurs corrigés ainsi que Ce qui précède montre que l'estimation ponctuelle a un inconvénient
[PDF] Estimation et intervalle de confiance - Exo7
Exercice 3 Un petit avion (liaison Saint Brieuc-Jersey) peut accueillir chaque jour 30 personnes; des statistiques montrent que 20 des clients ayant réservé
[PDF] Exercices échantillonnage et estimation avec corrigés - Tifawt
23 déc 2019 · On met à votre disposition plus de 40 exercices corrigés échantillonnage et estimation avec corrigés détaillés Ces exercices sont divisé en
[PDF] Corrigé de la feuille de TD 4 : Estimation par intervalle de confiance
Statistiques Corrigé de la feuille de TD 4 : Estimation par intervalle de confiance Exercice 1 Pour déterminer la teneur en potassium d'une solution
Comment estimer en statistique ?
Une estimation : Une estimation est une valeur spécifique ou une quantité obtenue pour une statistique telle que la moyenne de l'échantillon, le pourcentage de l'échantillon, la variance de l'échantillon. L'estimation est également un processus qui consiste à produire une estimation d'un paramètre de la population.Comment estimer les paramètres ?
Estimer un paramètre, c'est en chercher une valeur approchée en se basant sur les résultats obtenus dans un échantillon. Lorsqu'un paramètre est estimé par un seul nombre, déduit des résultats de l'échantillon, ce nombre est appelé estimation ponctuelle du paramètre.Quelle est la formule de la moyenne empirique ?
Si on prend la racine carrée, on voit que l'écart-type de la moyenne empirique est égal à ? ? n : pour diviser l'écart-type par 2, il faut multiplier la taille de l'échantillon par 4.- Pour un sondage de N personnes ayant pour résultat la fréquence f et la probabilité pp alors l'intervalle de confiance à 95% se calcule de la façon suivant : [p?1.96?f(1?p)/?n,p+1.96?p(1?p)/?n].
CTU, Master Enseignement des
Mathématiques
Statistique Inférentielle
Jean-Yves DAUXOIS
Université de Franche-Comté
Année scolaire 2011-2012
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 fin de chapitre auxquelles ils font référence.
Il est vivement conseillé d"essayer de faire sérieusement les exercices, sans aller trop rapidement voir leurs corrections détaillées en fin de polycopié. On sait en effet que, pour qu"une correction soit efficace, il faut qu"elle vienne après une période de recherche personnelle de la solution. Les devoirs, quant à eux, ne sont pas des exercices supplémentaires (ces derniers accompagnés de leurs corrections sont déjà assez nombreux !). Pour qu"ils apportent réellement autre chose que les exercices, ils doivent être faits dans les conditions d"un devoir surveillé ou d"un examen. En conséquence, il vous est vivement conseillé de faire les devoirs et de m"envoyer votre copie (éventuellement les unes après les autres). En retour vous recevrez votre copie corrigée et également une correction type du devoir. Lepremier des devoirs peut être résolu dès que l"on est parvenu à la fin de la seconde section
du Chapitre 5 . Le second est lui réalisable après avoir travaillé l"ensemble du Chapitre 5. Les trois autres, même s"ils peuvent être "attaqués" plus tôt, ne seront réalisables
qu"une fois assimilé l"ensemble des notions. Ils peuvent fournir de bons exercices de révision en perspective de l"examen. Enfin, ce polycopié contient certainement de nombreuses coquilles et mérite encore d"être amélioré. Merci d"avance aux lecteurs attentifs de transmettre leur remarques, suggestions ou indications sur la localisation des coquilles. Un petit mail à l"adresse jean-yves.dauxois@univ-fcomte.fr et l"amélioration est prise en compte...Bon courage !
Table des matières
Partie 1. Introduction et Modèle Statistique5
Chapitre 1. Introduction
7Chapitre 2. Modèle Statistique
111. Définition
112. Modèle d"échantillonnage
153. Vraisemblance
154. Familles Exponentielles
165. Modèle position-échelle
1 76. Exercices
18Partie 2. Estimation ponctuelle21
Chapitre 3. Statistique et Estimateur
23Chapitre 4. Construction d"estimateurs
271. Estimateurs empiriques (des moments)
272. Méthode de substitution
293. Méthode des moments
294. Maximum de vraisemblance
305. Exercices
33Chapitre 5. Qualité d"un estimateur
371. Estimateur convergent
372. Estimateur sans biais
393. Risque d"un estimateur
404. Information de Fisher
435. Borne de Cramer-Rao (ou Fréchet-Darmois-Cramer-Rao)
4 66. Exercices
48Chapitre 6. Amélioration d"estimateurs
511. Statistique exhaustive
512. Statistique exhaustive minimale
543. Théorème de Rao-Blackwell
544. Théorème de Lehmann-Scheffé
565. Cas des familles exponentielles
576. Exercices
573 Chapitre 7. Comportement asymptotique d"un estimateur59
1. Normalité asymptotique
592. Estimateurs empiriques des moments
603. Estimateur du maximum de vraisemblance
604. La-méthode ou l"étude asymptotique d"un estimateur obtenu par la
méthode de substitution 615. Estimateurs par la méthode des moments
626. Exercices
63Partie 3. Intervalles de confiance65
Chapitre 8. Intervalles de confiance exacts
67Chapitre 9. Intervalles de confiance asymptotiques 71
Chapitre 10. Exercices sur les intervalles de confiance exacts et asymptotiques 73
Partie 4. Correction des exercices75
Correction des exercices du Chapitre 2
77Correction des exercices du Chapitre 4
85Correction des exercices du Chapitre 5
99Correction des exercices du Chapitre 6
119Correction des exercices du Chapitre 8
129Partie 5. Devoirs135
Partie 1
Introduction et Modèle Statistique
CHAPITRE 1
Introduction
Considérons un problème de Fiabilité où l"on étudie la durée de vieXd"un matériel.
Il est raisonnable d"admettre que celle-ci est aléatoire etXest alors une variable aléa- toire (v.a.) de fonction de répartition (f.d.r.)F. Supposons que l"on soit précisémentintéressé par l"évaluation de la probabilité que le matériel soit en marche après un temps
t0de fonctionnement, c"est à dire évaluer
F(t0) =P(X > t0) = 1F(t0):
Pour cela on observe le fonctionnementnmatériels similaires et on relève leurs temps de panne respectifs:x1;:::;xn. On noteKn=Pn i=11lxit0le nombre de matériels tombées en panne au tempst0. Il en reste doncnKnencore en marche à cet instant. Il est assez naturel d"estimer la probabilitéF(t0)par : b F(t0) =nombre de cas favorablesnombre de cas possibles =nKnn =1n n X i=11l fxi>t0g: Posons maintenant une hypothèse supplémentaire. On suppose (on sait ou on a pu vérifier) que la loi deXest une loi exponentielleE(), mais dont on ignore le paramètreCalculons l"espérance deX. On a
E(X) =Z
+1 0 xexdx=1 Z +1 0 ueudu=(2) où () =Z +1 0 u1eudu est la fonction Gamma. On sait que(n) = (n1)!, ce qui nous donne iciE(X) = 1=. Il est assez naturel d"estimer l"espérance deXpar la moyenne empirique des temps observés, i.e. par x=1n n X i=1x i:Ainsipeut être estimé par :
=1x=nP n i=1xi: 78 Chapitre 1. Introduction
Un calcul simple montre que
F(t0) =Z
+1 t0exdx= exp(t0)
et on peut donc estimer la probabilité que le matériel fonctionne durant le tempst0 par : eF(t0) = exp(^t0): Les estimations précédentes sont appelées estimations ponctuelles. On constate en particulier que plusieurs estimateurs ont été proposés pourF(t0). Ils conduisent à des estimations différentes de la même quantité pour un seul lot de matériel testé. Mais on remarque également qu"un même estimateur peut mener à différentes estimations si on considère plusieurs lots de matériels. Les valeurs observéesx1;:::;xnn"ont en effet aucune raison d"être les mêmes. Ainsi on se pose naturellement les questions suivantes. Comment peut-on comparer différents estimateurs ? Quelle(s) définition(s) donner de la qualité d"un estimateur ? Comment mesurer l"erreur commise par un estimateur (puisqu"en particulier elle varie d"une observation à l"autre) ? Toutes ces question seront abordées dans la Partie 2 de ce cours. Ce qui précède montre que l"estimation ponctuelle a un inconvénient majeur, celui de se tromper presque toujours. Au moins dans le cas de v.a. absolument continues, cequi était le cas précédemment, il apparaît clairement que l"on est presque sûr de ne pas
"tomber" sur la valeur théorique que l"on cherche à estimer. C"est pourquoi on préfère parfois donner un intervalle plutôt qu"une valeur. On parle d"intervalle de Confiance ou parfois de fourchette d"estimation. Bien sûr il reste une erreur possible. On donnera alors l"intervalle en fonction de l"erreur que l"on s"autorise (ou que l"on nous autorise). Plus on souhaitera que la probabilité d"erreur soit petite, plus grand sera l"intervalle. Et inversement plus la probabilité d"erreur que l"on s"autorise est grande, plus on pourra donner un intervalle étroit. L"estimation par intervalles de confiance fait l"objet de laPartie 3 de cours.
Il reste un troisième axe fondamental de la Statistique Inférentielle que nous n"abor- derons pas dans ce cours. Il est de nature assez différente des deux précédents et consiste à pouvoir se donner des outils statistiques pour décider entre deux hypothèsesdifférentes. Ainsi, si l"on considère à nouveau l"exemple précédent sur la fiabilité d"un
matériel, on peut être assez rapidement amené à répondre à des questions comme les suivantes. La fiabilité du matérielF(t0)en un instantt0fixé (par exemple 2000h) est-elle supérieure ou pas à 0,99 ? Appartient-elle à l"intervalle[0:975;0:985](il ne s"agit pas
ici du même problème que celui du paragraphe précédent sur la notion d"intervalle de confiance comme nous le verrons en étudiant plus en détails ces notions) ? L"hypothèse de loi exponentielle pour la durée de vieXdu matériel est-elle raisonnable ou pas ? Ou encore si l"on dispose de deux versions du matériel : l"un est-il plus fiable que l"autre en un instantt0? Autrement dit, en notant respectivementF1etF2les fonctions derépartitions de la durée de vie de chaque matériel, a-t-onF1(t0)F2(t0)ou le contraire ?Jean-Yves Dauxois
cJuillet 2011
0.9La théorie des tests d"hypothèses permet de répondre, entre autres, à toutes ces
questions. Dans ce domaine les erreurs sont également possibles : celles de choisir l"une des deux hypothèses alors que c"est l"autre qui est vraie. L"objectif est alors naturellement de chercher à réduire au maximum ces deux erreurs mais nous verrons rapidement que cela n"est pas possible conjointement. Ici aussi se posera également la question de l"optimalité (dans un sens à définir) de la procédure de test choisi.D"une manière générale.
Statisticien confronté à des données: brutes (résultat du contrôle qualité d"un produit, taille d"individus, âge de la mère à la naissance du premier enfant, concentra-tion en ozone de l"atmosphère etc...) ou résultats d"expériences (expériences biologiques,
pharmaceutiques, agronomiques etc...). Travail du statisticien. Extraire de l"information (résumée et pertinente) de ces données (comme par exemple la taille moyenne des individus). Modéliser la part d"aléa (par exemple déterminer la loi de la durée de vieXdu matériel). Tirer des conclusions sur la population totale à partir d"observations sur un échantillon). Mais il peut aussi avoir à (donner les moyens pour) prendre des décisions (comme par exemple l"activation du plan antipollution en raison d"une trop grande concentration d"ozone). Effectuer des prévision (prévision du temps en météorologie, prévision du cours d"une action en finance).Jean-Yves Dauxois cJuillet 2011
CHAPITRE 2
Modèle Statistique
L"objet de ce chapitre est de présenter le socle sur lequel vont s"appuyer toutes les techniques statistiques présentées dans les parties ou chapitres suivants. Ainsi nous présenterons la notion fondamentale de modèle statistique et en donnerons quelques cas particuliers importants que nous retrouverons dans les développements ultérieurs. Nous présenterons aussi une notion très liée à la notion de modèle statistique : la vraisemblance. Elle est également très importante en statistique.1. Définition
Exemple2.1.Un problème de Fiabilité et modèle de Bernoulli Revenons à notre problème introductif de Fiabilité du Chapitre précédent et à sa première partie sur l"estimation ponctuelle. On a cherché à connaître la vraie valeur de la fonction de répartitionF(t0)de la durée de vie du matériel en un instantt0. Il est intéressant de décrire ce problème d"une autre manière. Utilisons une v.a.Yà valeursf0;1gpour modéliser l"état du matériel au temps t0. On notefY= 1gsi le matériel est en marche etfY= 0gs"il est en panne. On a
p0=P(Y= 1) =F(t0)etP(Y= 0) = 1p0. La v.a.Yest de loi de Bernoulli de
paramètrep0, oùp0a une valeur inconnue dans[0;1]. On a donc fait comme si l"on avait une infinité de lois possibles pourY: toutes les lois de BernoulliB(1;p), avecpdans[0;1]. Et le problème était alors de trouver la vraievaleurp0, à partir des "résultats" observés pour lesnmachines testées, notésy1;:::;yn.
On a estimép0par(Pyi)=n. On parle de modèle et estimation paramétriques : restait seulement à estimer un paramètre. C"est essentiellement le cadre considéré par ce cours dans sa partie estimation ponctuelle.Notons la présence des ensembles suivants :
E=espace des observations possibles=f0;1g;
E =tribu des événements sur E=P(E), ensemble des parties deE; Une famille de Probabilités constituée par toutes les lois de Bernoulli,P=fB(1;p) :p2[0;1]g:
Nous verrons qu"ils définissent un modèle paramétrique qui dans le cas présent est appelé modèle de Bernoulli. En revanche, si l"on s"intéresse à l"estimation deF(t)pour touttdansR+, il faudrait estimer une infinité de paramètres : toutes les valeurs prises par la fonctionF. On parle alors d"estimation non-paramétrique. C"est un sujet que nous ne ferons qu"aborder, essentiellement quand nous traiterons le sujet des tests non-paramétriques.3 1112 Chapitre 2. Modèle Statistique
Nous constatons une différence avec un modèle probabiliste(E;E;P). Dans modèle probabiliste il y a une seule probabilité et les seules questions qui se posent sont de l"ordre du calcul (que l"on sait ou ne sait pas faire). Avec un modèle statistique(E;E;P), ces mêmes questions peuvent éventuellement apparaître dans un deuxième temps, mais avant il faut gérer la présence d"un ensemble de probabilités. Autrement dit la proba- bilité sous jacente au phénomène est pas connue ou pas entièrement (c"est surtout cecas là que l"on traite dans ce cours). Le Statisticien cherchera à la déterminer, l"estimer.
Ce modèle
(E;E;P) = (E;E;fB(1;p) :p2[0;1]g) peut être utilisé pour modéliser d"autres phénomènes, situations.Exemples.
1) Jeu de pile ou face. Le problème est de connaître la probabilitépd"obtenir pile
(par exemple), ce qui revient à admettre que le dé peut être pipé. On noteY= 1si on obtient pile,Y= 0sinon on obtient une face. Dire que la pièce peut être pipée, revient à dire que le résultat d"un lancerYest de loi de BernoulliB(1;p)avecpinconnu dans [0;1]. On faitnlancers, résultats notésy1;:::;ynet on cherchera à estimerp.2) Sondage d"intention de vote au second tour des élections présidentielles. On
suppose que seulement deux candidatsAetBse présentent à une élection. On note pla proportion de votant pour le candidatAet1ppourB. En notantfY= 1g l"événement l"électeur vote pourA, etfY= 0gs"il vote pourB, le vote peut être modélisé par une v.a.Yde loi de BernoulliB(1;p), avec encore une foispqui peut prendre n"importe quelle valeur dans[0;1]. On sondenélecteurs sur leurs intentions, résultats notésy1;:::;ynet on cherche à estimerp. Définition2.1.On appellemodèle statistique, la donnée d"un espace des ob- servationsE, d"une tribuEd"événements surEet d"une famille de probabilitésPsur l"espace probabilisable(E;E). On le note(E;E;P)ou, quand il n"y a pas de risque de confusion, plus simplementP. On supposera que la vraie loi sous-jacente au phénomène que l"on étudie appartient au modèle statistique que l"on s"est donné. Il existe des outils pour vérifier si cette hypothèse est raisonnable ou pas. Mais nous ne les présenterons pas dans le cadre de ce cours, car ils font appels à la théorie des tests qui n"est pas au programme de cet enseignement. On noteXla v.a. qui modélise le phénomène aléatoire que l"on étudie. Autrement dit la v.a.Xengendre les observations dont on dispose. Elle est à valeurs dans(E;E) et sa loi de probabilitéPinconnue est dans la familleP. On appellera parfoisXv.a. génériquedu modèle statistique. Définition2.2.On dit qu"un modèle statistique estparamétriques"il existe un entierdet un sous ensembledeRdtels que la famille de probabilitésPpuisse être paramétrée par, i.e. tels que l"application : ! P7!PJean-Yves Dauxois
cJuillet 2011
1. Définition 13
est surjective.On noteP=fP:2g.
Dans le cas contraire on parle de modèlenon-paramétrique. Le modèle de Bernoulli utilisé dans la modélisation du fonctionnement du matériel au tempst0, pour le lancer de la pièce de monnaie ou encore le sondage d"intention de vote au second tour est un exemple de modèle paramétrique. Le paramétrage n"est pas forcément unique. Dans exemple précédent de Bernoulli, on peut paramétrer par la probabilité que le matériel soit en panne au tempst0, c"est à dire1p, ou bien encore par toute fonction (bijective) dep. Comme par exemple par = ln(p=(1p)), ce qui veut dire quep=e=(1 +e). Dans ce dernier cas le modèle statistique s"écrit : (E;E;P) = (E;E;fB(1;e=(1 +e)) :2Rg) Nous verrons un peu plus loin (dans la partie sur les familles exponentielles) que cette paramétrisation n"est pas aussi farfelue qu"on aurait pu le penser de prime abord. Remarquons que l"on peut toujours paramétrer la familleP, ne serait-ce qu"en prenant =Pet donc l"application identité entre les deux espaces. Pour que l"on parle de modèle paramétrique, il faut que l"espacesoit de dimension finie, d"où l"hypothèse qu"il soit inclus dans unRd. Exemple2.2.Un problème de contrôle de la Qualité. Considérons une entreprise de fabrique de vis. On constate que les mesures dudiamètreXd"une vis varient d"une pièce à l"autre. Cet aléa peut être dû au procédé de
fabrication et/ou aux éventuelles erreurs de mesure. Supposons que l"on ne connaisse pas la valeur moyenne (rigoureusement l"espérance) du diamètre. Cherchons à préciser un modèle statistique adapté à une telle situation. Il est souvent raisonnable d"admettre que la loi deXest normale. En effet de manière non rigoureuse on peut supposer que l"aléa est "symétrique et décroissant autour de la moyenne". On modélise donc souvent cette variation sous la forme : X=+"; où"est de loiN(0;2). Autrement dit, on aXN(;2):
On suppose dans un premier temps2connu.
Pour modéliser cette situation on a donc recours au modèle statistique : (E=R;E=BR;P=fN(;2) :2Rg):Dans ce cas, on =Ret=.
Si2est lui aussi inconnu, alors le modèle devient (R;BR;P=fN(;2) :2R;2>0g)Jean-Yves Dauxois cJuillet 2011
14 Chapitre 2. Modèle Statistique
et l"on a : =RR+et= (;2). Le paramètre est dit bi-dimensionnel. On peut aussi construire un modèle où l"espérance est connue et c"est la variance qui est inconnue.3 Définition2.3.Un modèle paramétrique(E;E;P)est ditidentifiablesi la fonc- tion7!Pde la Définition2.2 est de plus inje ctive,i.e. si16=2)P16=P2:
Dans la plupart des cas le modèle est identifiable, quitte à prendre une autre paramétrisation. On supposera dans la suite que le modèle statistique est identifiable. Abus de langage et de notation.Si la v.a.Xest absolument continue, la densité dePest notéef. C"est une fonction intégrable deR(ou une partie deR) vers R +. Si la v.a.Xest discrète, on appellera également densité la fonctionfdéfinie en toutxde l"espaceE, où laXprend ses valeurs, par :f(x) =P(X=x). On peut en effet montrer grâce à la théorie de la mesure, que dans ce dernier cas la loi deX est absolument continue par rapport à la mesure de comptage surE. Les intégrales de la formeR xdxutilisées dans le cas de v.a. absolument continues seront alors remplacées par des sommes de la formeP x. Ainsi, par exemple, l"espérance s"écrit dans le cas continuRxf(x)dxet dans le cas discretP xxf(x) =P xxP(X=x). Définition2.4.On appellesupportde la loiPl"ensemble : supp(P) =fx2E:f(x)>0g: On constate qu"il est dénombrable dans le cas de v.a. discrètes et infini non dénom- brable dans le cas de v.a. absolument continues. Ce support peut dépendre de. Il en est ainsi par exemple dans le cas du modèle uniformefU[0;]; >0gExemple2.3.
Dans le cas de l"Exemple
2.1 , on a : f (x) =px(1p)1x; pour toutx2supp(P) =f0;1g.Dans le cas de l"Exemple
2.2 , on a : f (x) =1 p2exp (x)222 pourxdanssupp(P) =R.3Jean-Yves Dauxois cJuillet 2011
3. Vraisemblance 15
2. Modèle d"échantillonnage
Pour étudier un phénomène aléatoire, on a souvent intérêt à observer plusieurs réalisations indépendantes de celui-ci. C"est ce que l"on a fait dans l"exemple du premier chapitre. On parle alors d"échantillon ou d"échantillonnage. Définition2.5.On appellen-échantillonde la loiP, la donnée d"un vecteur X= (X1;:::;Xn)constitué denv.a. indépendantes et identiquement distribuées (i.i.d.) de loiP. On appellemodèle d"échantillonnage, le modèlequotesdbs_dbs35.pdfusesText_40[PDF] exercices corrigés échantillonnage traitement de signal
[PDF] cours d'échantillonnage
[PDF] échantillonnage et quantification d'une image
[PDF] échantillonnage image numérique
[PDF] echantillonnage cours pdf
[PDF] l'échantillonnage cours
[PDF] l'échantillonnage définition
[PDF] échantillonnage représentatif
[PDF] cours d'échantillonnage et estimation
[PDF] audio 24 bit download
[PDF] fréquence d'échantillonnage audio
[PDF] 16 bits ou 24 bits
[PDF] difference 16 bit 24 bit audio
[PDF] pas de quantification