Une variable aléatoire réelle X suit une loi normale (ou loi gaussienne, loi de Corollaire 2 3 2 (Théorème central limite) Soit une suite (Xn) de variables aléatoires L'intervalle de confiance pour la moyenne d'une population de variance σ2
Previous PDF | Next PDF |
[PDF] Quelques rappels sur les intervalles de confiance - Cedric-Cnam
Les bornes de l'intervalle de confiance IC dépendent de l'échantillon, elles sont donc aléatoires Par abus de langage, On recherche dans la suite des fonctions pivotales particulières adaptées aux cas étudiés ce cas, la distribution de la moyenne empirique tend vers une loi normale d'après le théorème central limite
[PDF] Intervalles de confiance - Université de Rennes 1
s'intéresse la statistique est de décrire une loi de probabilité `a partir Donnons tout de suite des exemples archi-classiques de telles familles : Voici `a présent la définition mathématique d'un intervalle de confiance telle qu'on peut pour θ, toutes deux basées principalement sur l'utilisation du théor`eme limite central :
[PDF] Statistiques
Définition 1 3 1 La v a X suit une loi uniforme sur l'intervalle borné [a, b] si elle a Un résultat général de probabilité (le théor`eme central limite, TCL) justifie l'ap L'intervalle de confiance de la variance σ2 se calcule `a partir de l'échantillon
[PDF] Estimation et tests statistiques, TD 5 Solutions
Exercice 1 – Dans un centre avicole, des études antérieures ont montré que la masse c) Donner un intervalle de confiance au niveau 95 , puis 98 , de la masse approcher cette loi par la loi normale N(np,√np(1 − p)), et donc F suit
[PDF] Estimations et intervalles de confiance - Institut de Mathématiques
mations : intervalle de confiance d'une proportion, d'une moyenne si la variance qui ne suit plus une loi normale mais une loi dite de Student à n − 1 degrés
[PDF] Cours de Statistiques inférentielles
Une variable aléatoire réelle X suit une loi normale (ou loi gaussienne, loi de Corollaire 2 3 2 (Théorème central limite) Soit une suite (Xn) de variables aléatoires L'intervalle de confiance pour la moyenne d'une population de variance σ2
[PDF] Lois normales
exemple la détermination d'intervalles de confiance), on cherche à approcher pour tout entier naturel non nul n, la variable aléatoire Xn suit la loi binomiale
[PDF] STATISTIQUE : ESTIMATION - Institut de Mathématiques de Bordeaux
Intervalle de confiance de la différence de deux moyenne 18 On suppose dans ce paragraphe que X suit la loi normale N(m, σ2) théorème central limite s'avère être un très bon outil, pour obtenir un intervalle de confiance asymptotique
[PDF] Intervalles de confiance - Mathieu Mansuy
1 2 Intervalle de confiance par l'inégalité de Bienaymé-Tchebychev On considère une suite (Xn) de variables aléatoires i i d suivant la même loi de Bernoulli
[PDF] Estimation: intervalle de fluctuation et de confiance
Confiance Th éorie approximation 1,96 ? intervalle ? Estimation Term 1 Estimation: intervalle de √np(1 − p)suit une loi normale N(0; 1) • Xn − np √ np(1
[PDF] intervalle de confiance d'une moyenne excel
[PDF] unité commerciale définition
[PDF] climat définition cycle 3
[PDF] definition de meteorologie
[PDF] unité commerciale physique et virtuelle complémentaire
[PDF] definition meteo
[PDF] dispense cap petite enfance
[PDF] deaes
[PDF] formule variance
[PDF] problème du second degré seconde
[PDF] bpjeps
[PDF] moyenne nationale bac francais 2017
[PDF] moyenne nationale math bac s
[PDF] moyenne nationale bac philo 2015
Licence 2-S4 SI-MASS
Année 2018Cours de Statistiques inférentiellesPierre DUSART
2Chapitre1Lois statistiques
1.1 Introduction
Nous allons voir que si une variable aléatoire suit une certaine loi, alors ses réalisations (sous forme
d"échantillons) sont encadrées avec des probabilités de réalisation. Par exemple, lorsque l"on a une énorme
urne avec une proportionpde boules blanches alors le nombre de boules blanches tirées sur un échan-
tillon de taillenest parfaitement défini. En pratique, la fréquence observée varie autour depavec des
probabilités fortes autour depet plus faibles lorsqu"on s"éloigne dep.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.
1.1.1 Fonction de répartition
La densité de probabilitép(x)ou la fonction de répartitionF(x)définissent la loi de probabilité d"une
variable aléatoire continueX. Elles donnent lieu aux représentations graphiques suivantes :Figure1.1 - fonction répartition
La fonction de distribution cumuléeF(x)exprime la probabilité queXn"excède pas la valeurx:F(x) =P(Xx):
De même, la probabilité que X soit entreaetb(b > a) vautP(a < X < b) =F(b)F(a):
4CHAPITRE 1. LOIS STATISTIQUES1.1.2 Grandeurs observées sur les échantillons
L"espéranceE(X)d"une variable aléatoire discrèteXest donnée par la formuleE(X) =X
ix iP(xi): L"espérance est également appelée moyenne et notée dans ce casX. Sa variance2Xest l"espérance des carrés des écarts avec la moyenne :2X=E[(XX)2] =X
i(xiX)2P(xi) =X ix2iP(xi)2X:
Son écart-typeXest la racine positive de la variance.1.2 Lois usuelles
1.2.1 Loi normale ou loi de Gauss
Une variable aléatoire réelleXsuit une loi normale (ou loi gaussienne, loi de Laplace-Gauss) d"espérance
et d"écart type(nombre strictement positif, car il s"agit de la racine carrée de la variance2) si cette
variable aléatoire réelleXadmet pour densité de probabilité la fonctionp(x)définie, pour tout nombre
réelx, par : p(x) =1 p2e12 (x )2: Une telle variable aléatoire est alors dite variable gaussienne.Une loi normale sera notée de la manière suivanteN(;)car elle dépend de deux paramètres(la
moyenne) et(l"écart-type). Ainsi si une variable aléatoireXsuitN(;)alorsE(X) =etV(X) =2:
Lorsque la moyennevaut 0, et l"écart-type vaut 1, la loi sera notéeN(0;1)et sera appelée loi normale
standard. Sa fonction caractéristique vautet2=2. Seule la loiN(0;1)est tabulée car les autres lois (c"est-
à-dire avec d"autres paramètres) se déduise de celle-ci à l"aide du théorème suivant : SiYsuitN(;)
alorsZ=Y suitN(0;1). On notela fonction de répartition de la loi normale centrée réduite : (x) =P(Z < x) avecZune variable aléatoire suivantN(0;1).Propriétés et Exemples :(x) = 1(x),
(0) = 0:5;(1:645)0:95;(1:960)0:9750Pourjxj<2, une approximation depeut être utilisée; il s"agit de son développement de Taylor à
l"ordre 5 au voisinage de 0 : (x)0:5 +1p2 xx36 +x540Inversement, à partir d"une probabilité, on peut chercher la borne pour laquelle cette probabilité est
effective. Cours Proba-Stat / Pierre DUSART5Notation : on noteraz=2le nombre pour lequelP(Z > z=2) ==2
lorsque la variable aléatoire suit la loi normale standard.risque0:010:020:050:10valeur critiquez=22:582:331:961:645coefficient de sécuritéc99%98%95%90%
A l"aide des propriétés de la loi normale standard, on remarque que le nombrez=2vérifie également
P(Z < z=2) =
P(Z P(z=2< Z < z=2) =
P(jZj> z=2) =
La somme de deux variables gaussiennes indépendantes est elle-même une variable gaussienne (stabilité) :
SoientXetYdeux variables aléatoires indépendantes suivant respectivement les loisN(1;1)et N(2;2). Alors, la variable aléatoireX+Ysuit la loi normaleN(1+2;p 21+22).
1.2.2 Loi du2(khi-deux)
Définition 1SoitZ1;Z2;:::;Zune suite de variables aléatoires indépendantes de même loiN(0;1).
Alors la variable aléatoireP
i=1Z2isuit une loi appeléeloi du Khi-deuxàdegrés de liberté, notée 2(). Proposition 1.2.11. Sa fonction caractéristique est(12it)=2. 2. La densité de la loi du2()est
f (x) = 12 =2(=2)x=21ex=2pourx >0 0sinon.
oùest la fonction Gamma d"Euler définie par(r) =R1 0xr1exdx.
3. L"espérance de la loi du2()est égale au nombrede degrés de liberté et sa variance est2.
4. La somme de deux variables aléatoires indépendantes suivant respectivement2(1)et2(2)suit
aussi une loi du2avec1+2degrés de liberté. PreuveCalculons la fonction caractéristique deZ2lorsqueZsuitN(0;1). '(t) =E(eitZ2) =Z 1 1 eitz21p2ez2=2dz 1p2Z 1 1 e12 (12it)z2dz 1p2Z 1 1e 12 u2(12it)1=2dten posantu= (12it)1=2z '(t) = (12it)1=2 Maintenant pour la somme devariablesZ2iindépendantes, on a '(t) = (12it)=2: 6CHAPITRE 1. LOIS STATISTIQUESMontrons maintenant que la fonction de densité est correcte. Pour cela, calculons la fonction caractéris-
tique à partir de la densité : '(t) =E(eitx) =Z +1 0 eitx12 =2(=2)x=21ex=2dx 12 =2(=2)Z +1 0 x(1=2it)xdx 12 =2(=2)1(1=2it)(1=2it)=21Z +1 0 u=21euduen posantu= (1=2it)x 12 =2(=2)1(1=2it)=2Z +1 0 u=21eudu |{z} =(=2) '(t) =1(12it)=2 Calculons maintenant l"espérance et la variance. Selon la définition de la loi du2, chaque variable
Z isuit la loi normale centrée réduite. AinsiE(Z2i) =V ar(Zi) = 1etE(P i=1Z2i) =. De même, V(Zir) =E(Z4i)(E(Z2i))2=41:On sait que pour une loi normale centrée réduite4= 3donc V ar(Z2i) = 2etV ar(P
i=1Z2i) = 2: La dernière proposition est évidente de par la définition de la loi du2. Fonction inverse: on peut trouver une tabulation de la fonction réciproque de la fonction de répartition
de cette loi dans une table (en annexe) ou sur un logiciel tableur : 7!2;(FonctionKHIDEUX.inverse(;));
c"est-à-dire la valeur de2;telle queP(2()> 2;) =. Exemple : Pour= 0:990et= 5,2= 0:554 =20:99;5.Figure1.2 - fonction2inverse 1.2.3 Loi de Student
Définition 2SoientZetQdeux variables aléatoires indépendantes telles queZsuitN(0;1)etQsuit 2(). Alors la variable aléatoire
T=ZpQ=
suit une loi appeléeloi de Studentàdegrés de liberté, notéeSt(). Cours Proba-Stat / Pierre DUSART7Proposition 1.2.21. La densité de la loi de la loi de Student àdegrés de liberté est
f(x) =1p +12 )(=2)1(1 +x2=)+12 2. L"espérance n"est pas définie pour= 1et vaut 0 si2. Sa variance n"existe pas pour2et
vaut=(2)pour3. 3. La loi de Student converge en loi vers la loi normale centrée réduite.
Remarque : pour= 1, la loi de Student s"appelle loi de Cauchy, ou loi de Lorentz. 1.2.4 Loi de Fisher-Snedecor
Définition 3SoientQ1etQ2deux variables aléatoires indépendantes telles queQ1suit2(1)etQ2 suit2(2)alors la variable aléatoire F=Q1=1Q
2=2 suit une loi de Fisher-Snedecor à(1;2)degrés de liberté, notéeF(1;2). Proposition 1.2.3La densité de la loiF(1;2)est
f(x) =(1+22 )(1=2)(2=2) 1 2 1=2x1=21(1 +
1 2x) 1+22 six >0 (0sinon): Son espérance n"existe que si23et vaut2
22. Sa variance n"existe que si25et vaut22
2(1+22)
1(22)2(24).
Proposition 1.2.41. SiFsuit une loi de FisherF(1;2)alors1F suit une loi de FisherF(2;1). 2. SiTsuit une loi de Student àdegrés de liberté alorsT2suit une loi de FisherF(1;).
1.2.5 Fonctions inverses et TableurLoiNotationVariableFct RépartitionV. critiqueFonction inverse
GaussN(0;1)Zloi.normale.standard(z)z
loi.normale.standard.inverse(1)Khi-Deux 2()K 2khideux(k;;1)
;1;2inverse.Loi.f(;1;2)) 8CHAPITRE 1. LOIS STATISTIQUES
Chapitre2Convergences
2.1 Convergence en probabilité
2.1.1 Inégalités utiles
Inégalité de Markov simplifiée
SoitYune v.a.r.,gune fonction croissante et positive ou nulle sur l"ensemble des réels, vérifiantg(a)>0,
alors 8a >0;P(Ya)E(g(Y))g(a):
Preuve
E(g(Y)) =Z
g(y)f(y)dy=Z Y Yag(y)f(y)dy
Z P(z=2< Z < z=2) =
P(jZj> z=2) =
La somme de deux variables gaussiennes indépendantes est elle-même une variable gaussienne (stabilité) :
SoientXetYdeux variables aléatoires indépendantes suivant respectivement les loisN(1;1)et N(2;2). Alors, la variable aléatoireX+Ysuit la loi normaleN(1+2;p21+22).
1.2.2 Loi du2(khi-deux)
Définition 1SoitZ1;Z2;:::;Zune suite de variables aléatoires indépendantes de même loiN(0;1).
Alors la variable aléatoireP
i=1Z2isuit une loi appeléeloi du Khi-deuxàdegrés de liberté, notée 2(). Proposition 1.2.11. Sa fonction caractéristique est(12it)=2.2. La densité de la loi du2()est
f (x) = 12 =2(=2)x=21ex=2pourx >00sinon.
oùest la fonction Gamma d"Euler définie par(r) =R10xr1exdx.
3. L"espérance de la loi du2()est égale au nombrede degrés de liberté et sa variance est2.
4. La somme de deux variables aléatoires indépendantes suivant respectivement2(1)et2(2)suit
aussi une loi du2avec1+2degrés de liberté. PreuveCalculons la fonction caractéristique deZ2lorsqueZsuitN(0;1). '(t) =E(eitZ2) =Z 1 1 eitz21p2ez2=2dz 1p2Z 1 1 e12 (12it)z2dz 1p2Z 1 1e 12 u2(12it)1=2dten posantu= (12it)1=2z '(t) = (12it)1=2 Maintenant pour la somme devariablesZ2iindépendantes, on a '(t) = (12it)=2:6CHAPITRE 1. LOIS STATISTIQUESMontrons maintenant que la fonction de densité est correcte. Pour cela, calculons la fonction caractéris-
tique à partir de la densité : '(t) =E(eitx) =Z +1 0 eitx12 =2(=2)x=21ex=2dx 12 =2(=2)Z +1 0 x(1=2it)xdx 12 =2(=2)1(1=2it)(1=2it)=21Z +1 0 u=21euduen posantu= (1=2it)x 12 =2(=2)1(1=2it)=2Z +1 0 u=21eudu |{z} =(=2) '(t) =1(12it)=2Calculons maintenant l"espérance et la variance. Selon la définition de la loi du2, chaque variable
Z isuit la loi normale centrée réduite. AinsiE(Z2i) =V ar(Zi) = 1etE(P i=1Z2i) =. De même, V(Zir) =E(Z4i)(E(Z2i))2=41:On sait que pour une loi normale centrée réduite4= 3doncV ar(Z2i) = 2etV ar(P
i=1Z2i) = 2: La dernière proposition est évidente de par la définition de la loi du2.Fonction inverse: on peut trouver une tabulation de la fonction réciproque de la fonction de répartition
de cette loi dans une table (en annexe) ou sur un logiciel tableur :7!2;(FonctionKHIDEUX.inverse(;));
c"est-à-dire la valeur de2;telle queP(2()> 2;) =. Exemple : Pour= 0:990et= 5,2= 0:554 =20:99;5.Figure1.2 - fonction2inverse1.2.3 Loi de Student
Définition 2SoientZetQdeux variables aléatoires indépendantes telles queZsuitN(0;1)etQsuit2(). Alors la variable aléatoire
T=ZpQ=
suit une loi appeléeloi de Studentàdegrés de liberté, notéeSt().Cours Proba-Stat / Pierre DUSART7Proposition 1.2.21. La densité de la loi de la loi de Student àdegrés de liberté est
f(x) =1p +12 )(=2)1(1 +x2=)+122. L"espérance n"est pas définie pour= 1et vaut 0 si2. Sa variance n"existe pas pour2et
vaut=(2)pour3.3. La loi de Student converge en loi vers la loi normale centrée réduite.
Remarque : pour= 1, la loi de Student s"appelle loi de Cauchy, ou loi de Lorentz.1.2.4 Loi de Fisher-Snedecor
Définition 3SoientQ1etQ2deux variables aléatoires indépendantes telles queQ1suit2(1)etQ2 suit2(2)alors la variable aléatoireF=Q1=1Q
2=2 suit une loi de Fisher-Snedecor à(1;2)degrés de liberté, notéeF(1;2).Proposition 1.2.3La densité de la loiF(1;2)est
f(x) =(1+22 )(1=2)(2=2) 1 21=2x1=21(1 +
1 2x) 1+22 six >0 (0sinon):Son espérance n"existe que si23et vaut2
22. Sa variance n"existe que si25et vaut22
2(1+22)
1(22)2(24).
Proposition 1.2.41. SiFsuit une loi de FisherF(1;2)alors1F suit une loi de FisherF(2;1).2. SiTsuit une loi de Student àdegrés de liberté alorsT2suit une loi de FisherF(1;).
1.2.5 Fonctions inverses et TableurLoiNotationVariableFct RépartitionV. critiqueFonction inverse
GaussN(0;1)Zloi.normale.standard(z)z
loi.normale.standard.inverse(1)Khi-Deux 2()K2khideux(k;;1)
;1;2inverse.Loi.f(;1;2))8CHAPITRE 1. LOIS STATISTIQUES
Chapitre2Convergences
2.1 Convergence en probabilité
2.1.1 Inégalités utiles
Inégalité de Markov simplifiée
SoitYune v.a.r.,gune fonction croissante et positive ou nulle sur l"ensemble des réels, vérifiantg(a)>0,
alors8a >0;P(Ya)E(g(Y))g(a):
Preuve
E(g(Y)) =Z
g(y)f(y)dy=Z Y Yag(y)f(y)dyYag(y)f(y)dycargest positive ou nulle
g(a)ZYaf(y)dycargest croissante
=g(a)P(Ya)AinsiE(g(Y))g(a)P(Ya).
Rappel : Inégalité de Bienaymé-Chebyshev
SoitXune variable aléatoire admettant une espéranceE(X)et de variance finie2(l"hypothèse de variance finie garantit l"existence de l"espérance).L"inégalité de Bienaymé-Chebychev s"énonce de la façon suivante : pour tout réel"strictement positif,
P(jXE(X)j ")2"
2: PreuveVoir Cours S3 ou prendreY=jXE(X)j,a="etg(t) =t2dans l"inégalité de Markov.10CHAPITRE 2. CONVERGENCES2.1.2 Convergence en probabilité
Définition 4 (Convergence en probabilité)On considère une suite(Xn)d"une v.a. définie sur
Xune autre v.a. définie sur
On dit que la suite(Xn)converge en probabilité vers une constante réelle`si8" >0;limn!1P(jXn`j> ") = 0:
On dit que la suite(Xn)converge en probabilité versXsi8" >0;limn!1P(jXnXj> ") = 0:
Exemple de la loi binomiale :On réalisenexpériences indépendantes et on suppose que lors dechacune de ces expériences, la probabilité d"un événement appelé "succès" estp. SoitSnle nombre de
succès obtenus lors de cesnexpériences. La variance aléatoireSn, somme denvariables de Bernoulli
indépendantes, de même paramètrep, suit une loi binomiale :Sn,! B(n;p). On s"intéresse alors à la variable aléatoire Snn , proportion de succès surnexpériences, a donc pour espéranceE(Snn ) =pet pour varianceV(Snn ) =1n2V(Sn) =p(1p)n
. Commep(1p)atteint son maximumlorsquep= 1=2, on a ainsip(1p)1=4. En appliquant l"inégalité de Bienaymé-Chebyshev, il vient