[PDF] Cours de Statistiques Inférentielles





Previous PDF Next PDF



Suites : Résumé de cours et méthodes 1 Généralités

Puis avec U1 on peut calculer le terme suivant U2



Suites : Résumé de cours et méthodes 1 Généralités

Suites : Résumé de cours et méthodes. 1 Généralités. DÉFINITION à l'entier n correspond le nombre noté Un (appelé terme de la suite de rang n).



Résumé de cours et méthodes 1 Pourcentage dune grandeur

Pourcentages : Résumé de cours et méthodes. 1 15 litres représente 12



Résumé du cours de mathématiques - ECS1 - Catherine

( 1 p x x d'éléments de E. Résumé du cours de mathématiques - ECS1 - Catherine Laidebeure - Lycée Albert Schweitzer Le Raincy.



Espaces Vectoriels Normés et Topologie

1.2 Quelques généralités sur les espaces vectoriels normés . 2.1.1 Suites et convergence dans un espace vectoriel normé . . . . . . . . . . . . 17.



Séries Chronologiques

3.1.1 La méthode des moindres carrés . 4.2.1 Effet d'une moyenne mobile sur une tendance . ... Dans la suite de ce cours nous la noterons.





Cours de Statistiques Inférentielles

6 janv. 2016 S'il existe une statistique exhaustive Tn pour ? alors l'EMV de ? ne dépend que de Tn. VII Exercices. Exercice 1. On consid`ere la loi normale ...



Barycentres : Résumé de cours et méthodes 1 Barycentre de deux

1) On construit G1 le barycentre partiel de (B



Introduction aux équations différentielles et aux dérivées partielles

Table des matières. I Equations différentielles. 7. 1 Méthodes de résolution explicite des équations différentielles “simples”. 9. 1.1 Définitions .



Suites : Résumé de cours et méthodes 1 Généralités

D’un point de vue mathématique la suite est définie par : le terme initial U0 et la relation de récurrence : Un+1 = f (Un) (où f est une fonction définie sur un intervalle I tel que : U0 2 I et pour tout x de I f(x) 2 I )



Suites : Résumé de cours et méthodes 1 Généralités - Xm1 Math

Il y a principalement deux manières de dé?nir une suite : 1-1 Suite dé?nie de façon explicite Dans ce cas on dispose d’une formule permettant de calculer directement U n en fonction de n C’est à dire qu’il existe une fonction f dé?nie sur [0;+¥[ telle que pour tout entier n U n = f(n) Exemples : 1) Soit (U n) la suite



CHAPITRE 1 — LES SUITES NUMÉRIQUES - Institut Élie Cartan

Exemple Soit (un)n2N une suite géométrique de raison 1 2 et u3 = 40 Calculer u6 5 Exercices d’entrainement 5 1 Suites numériques - généralités 1 Déterminer les 4 premiers termes des suites suivantes : un = 2n2 n+1 et vn = 2n+1 2 3n 2 Dans cet exercice on mettra en évidence la monotonie des suites 1 On considère la suite (un

Cours de Statistiques Inferentielles

P. Ribereau

6 janvier 2016

2

Table 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 0

2 Statistiques descriptives 13

I Generalites / denitions de base . . . . . . . . . . . . . . . . . . . . . 13 II Resumes numeriques pour des variables quantitatives . . . . . . . . . 14 III Resumes graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 IV Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 0

3 Echantillonage 23

I Modele statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

1 Generalites . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

2 Modele d'echantillonage. . . . . . . . . . . . . . . . . . . . . .

23

3 Modele domine, vraisemblance . . . . . . . . . . . . . . . . . .

2 5 II Denition d'une statistique . . . . . . . . . . . . . . . . . . . . . . . . 2 5

1 Notions d'estimation et de test d'hypotheses . . . . . . . . . .

26
III Quelques notions de base sur les estimateurs . . . . . . . . . . . . . . 2 7

1 Denition d'un estimateur . . . . . . . . . . . . . . . . . . . .

2 7

2 Notion de biais . . . . . . . . . . . . . . . . . . . . . . . . . .

27

3 Convergence d'un estimateur . . . . . . . . . . . . . . . . . . .

2 7

4 Comparaisons des estimateurs . . . . . . . . . . . . . . . . . .

28

5 Moyenne aleatoire, variance aleatoire . . . . . . . . . . . . . .

28
IV Rappels sur les vecteurs gaussiens . . . . . . . . . . . . . . . . . . . . 29

1 Vecteurs gaussiens et lois du2. . . . . . . . . . . . . . . . . .31

V Application a l'estimation dans un cadre normal . . . . . . . . . . . . 3 2

4 Estimation 35

I Hypotheses fondamentales sur la densitef(x;) . . . . . . . . . . . .3 5 II Information . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 6

1 Information de Fisher . . . . . . . . . . . . . . . . . . . . . . .

36

2 Proprietes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

37
3

4TABLE DES MATIERES

III Inegalite de Cramer-Rao . . . . . . . . . . . . . . . . . . . . . . . . . 37

1 Hypotheses supplementaires . . . . . . . . . . . . . . . . . . .

3 7

2 Relation entre estimateurs ecaces . . . . . . . . . . . . . . .

39

3 Degradation de l'information . . . . . . . . . . . . . . . . . . .

3 9 IV Notion d'exhaustivite . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 0 V Exhaustivite et estimateurs ecaces; la famille exponentielle . . . . . 4 1

1 Le modele exponentiel . . . . . . . . . . . . . . . . . . . . . .

4 1

2 Theoreme sur l'ecacite . . . . . . . . . . . . . . . . . . . . .

42
VI Quelques methodes usuelles d'estimation . . . . . . . . . . . . . . . . 4 3

1 Methode empirique . . . . . . . . . . . . . . . . . . . . . . . .

4 3

2 Methode des moindres carres . . . . . . . . . . . . . . . . . .

44

3 Methode des moments . . . . . . . . . . . . . . . . . . . . . .

4 4

4 Methode du maximum de vraisemblance : principe . . . . . .

45
VII Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 6 VIII Generalisation au cas d'un parametre multidimensionnel . . . . . . . 47

1 Generalisation des denitions sur les estimateurs . . . . . . . .

4 7

2 Generalisation de l'inegalite de Cramer-Rao . . . . . . . . . .

48

3 Generalisation de la methode du maximum de vraisemblance .

5 0

5 Comportement asymptotique des estimateurs 53

I Proprietes asymptotiques de l'EMV . . . . . . . . . . . . . . . . . . . 5 3

1 En dimension 1 . . . . . . . . . . . . . . . . . . . . . . . . . .

5 3

2 En dimension superieure . . . . . . . . . . . . . . . . . . . . .

54
II Denitions / outils . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 4

1 Normalite et ecacite asymptotique . . . . . . . . . . . . . .

54

2 Proprietes de convergence . . . . . . . . . . . . . . . . . . . .

55

3 Methode Delta . . . . . . . . . . . . . . . . . . . . . . . . . .

55
III 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 1

1 Utilisation du theoreme central limite . . . . . . . . . . . . . .

6 1

2 Application a la loi binomiale. . . . . . . . . . . . . . . . . . .

62

3 Utilisation de la convergence de l'EMV . . . . . . . . . . . . .

62

4 Remarque sur l'intervalle de conance pour une variance hors

du cadre normal . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2 V Recherche de regions de conance . . . . . . . . . . . . . . . . . . . . 64
VI Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 4

7 Generalites sur les tests 67

I Problemes de test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 7 II Tests uniformement plus puissants . . . . . . . . . . . . . . . . . . . . 68
III Tests fondes sur le rapport du maximum de vraisemblance . . . . . . 7 1 IV Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2

TABLE DES MATI

ERES5

1 Adequation d'une moyenne pour un echantillon gaussien . . .

7 2

2 Comparaison de deux moyennes . . . . . . . . . . . . . . . . .

7 3

3 Un exemple avec une loi discrete . . . . . . . . . . . . . . . .

74
V Tests asymptotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 5

1 Proprietes asymptotiques des tests du maximum de vraissem-

blance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

2 Tests de Wald et du score . . . . . . . . . . . . . . . . . . . .

7 7

8 Tests parametriques classiques 79

I Tests gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 9 II Tests asymptotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1

9 Quelques tests non parametriques 83

I Tests du2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .8 3

1 Loi multin^omiale . . . . . . . . . . . . . . . . . . . . . . . . .

83

2 Loi asymptotique . . . . . . . . . . . . . . . . . . . . . . . . .

83

3 Test du2d'adquation a une loi . . . . . . . . . . . . . . . .8 5

4 Test du2d'independance . . . . . . . . . . . . . . . . . . . .8 6

II Test de Kolmogorov-Smirnov . . . . . . . . . . . . . . . . . . . . . . 88
III Test de Shapiro-Wilk . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

1 Droite de Henry . . . . . . . . . . . . . . . . . . . . . . . . . .

90

2 Test de Shapiro-Wilk . . . . . . . . . . . . . . . . . . . . . . .

9 0 IV Tests de rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2

1 Statistiques de l'ordre, de rang . . . . . . . . . . . . . . . . . .

93

2 Le test de Wilcoxon . . . . . . . . . . . . . . . . . . . . . . .

9 3

10 Exemples d'estimation non parametrique 95

I Estimation d'une densite de probabilite . . . . . . . . . . . . . . . . . 95

1 Histogramme empirique . . . . . . . . . . . . . . . . . . . . .

9 5

2 Fen^etres mobiles . . . . . . . . . . . . . . . . . . . . . . . . .

95

3 Versions lisses . . . . . . . . . . . . . . . . . . . . . . . . . . .

9 6

4 Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9 6 II Estimation des quantiles . . . . . . . . . . . . . . . . . . . . . . . . . 99

1 Quantiles empiriques . . . . . . . . . . . . . . . . . . . . . . .

9 9

2 Lien avec les statistiques d'ordre . . . . . . . . . . . . . . . . .

99

3 Resultats asymptotiques . . . . . . . . . . . . . . . . . . . . .

99

6TABLE 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 que

9p2N: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. 7

8CHAPITRE 1. INTRODUCTION GENERALE

Probleme statistique

9

Utilisant 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...X

XXXXXXXXXz

Apres le choix de

l'experience et du modeleX

XXXXXXXXXz

Modele non parametrique?

Modele parametrique

(identication)X

XXXXXXXXXz

Decisions multiples@

@@R Test?

Estimationensembliste

9

EstimationponctelleQ

QQQQQQs?

Modele lineaireGLM...Figure1.1 { Approche d'un probleme statistique

II. 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 quequotesdbs_dbs23.pdfusesText_29
[PDF] PRODUITS DE VECTEURS

[PDF] Chapitre 13 : Etablissement d 'un bilan de matière - Physagreg

[PDF] TD 9 - Suites et calculatrices - Lyon

[PDF] calculer son barème avec - Sgen-CFDT

[PDF] suites - XMaths - Free

[PDF] vecteurs et droites - Maths-et-tiques

[PDF] chapitre 1 1 statistiques pourcentages moyennes - Mathadoc

[PDF] Génétique Féline - MTMK-ICF

[PDF] Manuel de l 'utilisateur de la calculatrice - Weight Watchers

[PDF] Calcul Algébrique

[PDF] 2 RAPPEL DES TECHNIQUES DE CALCUL DANS R

[PDF] Calculus book

[PDF] Calculus II

[PDF] Stewart - Calculus - Early Transcedentals 6e - VNUA

[PDF] Calculus Made Easy - Djmcc