Introduction à la statistique inférentielle
Connaissant les valeurs prises par une variable sur un échantillon la statistique inférentielle essaie de préciser la distribution de la.
Cours de Statistiques inférentielles
x est un entier positif ou nul est remplacé par P(X ? x + 0 5). Définition 8 On appelle statistique sur un n-échantillon une fonction de (X1
STATISTIQUE INFERENTIELLE
probabilité : La répartition d'une variable statistique X sur la population est décrite par une loi de probabilité : - Qui est caractérisée par une densité de
Statistique Inférentielle
STATISTIQUE INFERENTIELLE POUR L'ECONOMIE ET LA GESTION Axiome 2: La probabilité associée à l'événement A est un nombre positif ou nul. Pour tout A:.
Cours 4: Statistique inférentielle Échantillonnage
La valeur prise par la variable statistique X pour un individu donné de la population ne peut pas être déterminée a priori et dépend d'un grand nombre de
Cours de Statistiques (L1 – MAP 201)
14 févr. 2018 Premiers textes connus sur le calcul des hasards (ou des chances) au ... Statistique inférentielle : elle a pour but de faire des prévisions ...
1. Statistiques inférentielles
La population P ne peut pas être étudiée dans son entier. – soit la population est de très grande taille (onéreux long de faire une étude sur tous les
Statistique Inférentielle
Modèle Statistique. Estimateurs - Propriétés. Construction d'estimateurs. Estimation par intervalles. Bibliographie. • Pagès J. Statistique générale pour
CTU Licence de Mathématiques Statistique Inférentielle Jean-Yves
consiste à pouvoir se donner des outils statistiques pour décider entre deux hypothèses contient que le vecteur nul de Rn on parle de modèle échelle.
Cours de Statistiques Inférentielles
6 janv. 2016 Remarque sur l'intervalle de confiance pour une variance hors du cadre normal . ... principale de la statistique inférentielle.
[PDF] Cours de Statistiques inférentielles
LOIS STATISTIQUES 1 1 2 Grandeurs observées sur les échantillons L'espérance E(X) d'une variable aléatoire discrète X est donnée par la formule
[PDF] Introduction à la statistique inférentielle - Jonathan Lenoir
La statistique inférentielle s'appuie sur la théorie des probabilités Connaissant les valeurs prises par une variable sur un échantillon la statistique
[PDF] Cours de Statistiques Inférentielles
6 jan 2016 · (qui concerne la majorité du cours) est la statistique inférentielle mathématique ou inductive On va encore restreindre la définition pour
[PDF] STATISTIQUE INFERENTIELLE - FSEGSO -
Statistique descriptive et Statistique inférentielle La statistique descriptive s'intéresse à la sous-population formée par l'échantillon Elle a pour
[PDF] Statistique Inférentielle
La statistique inférentielle a un aspect décisionnel et le calcul des probabilités y joue un rôle fondamental en particulier pour calculer
[PDF] Statistiques Inférentielles
Le problème c'est qu'on ne connaît ni µ ni µx et idem pour les écarts-type Il va donc falloir faire des estimations II - Estimation ponctuelle On ne
[PDF] Méthodes de statistique inférentielle
19 mai 2016 · Une estimation pour la population est 36 000 heures 2 Le responsable du parti Il constitue un échantillon de taille 400 Parmi les personnes
[PDF] Statistique Inférentielle
Une statistique utilisée pour estimer un paramètre ? est appelée estimateur et souvent Si le biais est nul on dira que T est un estimateur sans biais
[PDF] Statistique Inférentielle - Pages personnelles Université Rennes 2
Modèle Statistique Estimateurs - Propriétés Construction d'estimateurs Estimation par intervalles Bibliographie • Pagès J Statistique générale pour
[PDF] Statistique Inférentielle
liser les principales méthodes de la statistique inférentielle suites de variables aléatoires) constitue un passage obligé pour donner des bases rigou-
Comment comprendre la statistique inférentielle ?
Nous allons chercher à faire l'inverse : l'inférence statistique consiste à induire les caractéristiques in- connues d'une population à partir d'un échantillon issu de cette population. Les caractéristiques de l'échantillon, une fois connues, reflètent avec une certaine marge d'erreur possible celles de la population.Quel est le but des statistiques inférentielles ?
IV La statistique inférentielle. Son but est d'étendre (d'inférer) les propriétés constatées sur l'échantillon (gr? l'analyse exploratoire par exemple) `a la population toute enti`ere, et de valider ou d'infirmer des hypoth`eses.6 jan. 2016Quelle est l'importance de la statistique inférentielle dans la société ?
Le but de la statistique inférentielle est de savoir dans quelle mesure les résultats obtenus sur un échantillon convenablement choisi apportent une connaissance fiable des caractéristiques de la population d'origine.- En d'autres termes, une analyse inférentielle utilise un échantillon aléatoire de données provenant d'une population afin de décrire et d'inférer la population. En effet, cette analyse est pertinente lorsqu'il est difficile ou impossible d'examiner chacun des membres d'une population entière.
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 parquotesdbs_dbs35.pdfusesText_40[PDF] exercice corrigé echantillonnage estimation
[PDF] entrainement 800m natation
[PDF] oral natation bac
[PDF] temps moyen 800m nage libre
[PDF] 800m crawl bac
[PDF] filières énergétiques natation
[PDF] echauffement gym college
[PDF] séquence acrosport cycle 2
[PDF] échauffement acrosport en musique
[PDF] exercice d'échauffement musculaire
[PDF] brouette acrosport
[PDF] entrée dans l activité acrosport
[PDF] échauffement de danse classique
[PDF] échauffement danse hip hop