La droite de Henry est une méthode pour visualiser les chances qu'a une distribution d'être Ref : http://facultyweb berry edu/vbissonnette/tables/wilcox_t pdf
Previous PDF | Next PDF |
[PDF] Droite de Henry - webwww03 - poseidonheig-vdch
(on note Φ la fonction de répartition de la loi normale centrée réduite) Pour chaque valeur xi de la variable X, on peut (à l'aide d'une table de la fonction Φ) :
[PDF] Le Diagramme dHenry - La Revue MODULAD
Le diagramme de Henry (ou « droite de Henry ») permet d'apprécier l'adéquation d'une distribution observée à la loi de Gauss En abscisse, x, on porte les
[PDF] Étude de la normalité - R2math de lENSFEA
La méthode de la droite de Henry est une méthode graphique pour tester la normalité d'une variable Reprenons les données précédentes ; nous nous posons
[PDF] MÉTHODE GRAPHIQUE DE CALCULS DE LA MOYENNE ET DE L
Méthode de la droite de Henry On sait que la densité de probabilité d'une distribution normale de moyenne m et d'écart type es est donnée par la formule : 1 Γ
[PDF] Ajustement avec la droite de Henry pour ZJA
Ajustement graphique d'une loi normale : La droite de Henry Il existe une façon de vérifier visuellement l'ajustement d'une série de données à une courbe
[PDF] Tests de normalité - Université Lumière Lyon 2
1 5 Q-Q Plot et Droite de Henry 4 2 Approche graphique : utiliser la Droite de Henry http://www iut u-bordeaux4 fr/gea/pagesweb/henry pdf Page: 11
[PDF] Tests de normalité dune population - IUTenligne
Tests de Henry et Lilliefors A Claeys 3 Test de Henry Le papier On étire irrégulièrement l'axe des ordonnées pour rendre la courbe droite 0 0,01 0,04
[PDF] tdr22
particulier, que faire lorsque le graphique en droite de Henry semble se résoudre en deux droites le 2017-01-19 URL: http://pbil univ-lyon1 fr/R/ pdf /tdr22 pdf
[PDF] Cours de Statistiques inférentielles
La droite de Henry est une méthode pour visualiser les chances qu'a une distribution d'être Ref : http://facultyweb berry edu/vbissonnette/tables/wilcox_t pdf
[PDF] programmation linéaire exercices corrigés
[PDF] programmation linéaire simplexe
[PDF] recherche opérationnelle programmation linéaire exercices corrigés pdf
[PDF] exercices recherche operationnelle
[PDF] recherche opérationnelle cours complet
[PDF] cours recherche opérationnelle methode de simplexe
[PDF] recherche opérationnelle simplexe exercices corrigés
[PDF] livre recherche opérationnelle pdf
[PDF] cours et exercices corrigés de recherche opérationnelle+pdf
[PDF] recherche opérationnelle cours maroc
[PDF] inpes
[PDF] methode boscher pdf download
[PDF] méthode boscher cahier de lecture pdf
[PDF] methode boscher en ligne
![[PDF] Cours de Statistiques inférentielles [PDF] Cours de Statistiques inférentielles](https://pdfprof.com/Listes/18/5657-18cours_stat_S4.pdf.pdf.jpg)
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
P(jSn=npj ")p(1p)n"
214n"2:
Ainsi pour tout" >0, il existe >0(plus précisément >14n"2) tel queP(jSn=npj ")< ou encorelimn!1P(jSn=npj ") = 0. La variable aléatoireSnn converge en probabilité versp.Théorème 2.1.1Soit(Xn)une suite de variables aléatoires sur le même espace probabilisé(
;P)ad- mettant des espérances et des variances vérifiant lim n!1E(Xn) =`etlimn!1V(Xn) = 0; alors les(Xn)convergent en probabilité vers`. PreuveSoit" >0. PosonsE(Xn) =`+unaveclimun= 0. Alors il existeN2Ntel que : nN) junj< "=2 et donc à partir du rangN, jXnE(Xn)j< "=2) jXn`j< ";(2.1) carjXn`j=jXnE(Xn) +E(Xn)`j jXnE(Xn)j+jE(Xn)`j. L"implication (2.1) peut être encore écrite sous la forme jXn`j ") jXnE(Xn)j "=2: Par conséquent, en utilisant l"inégalité de Bienaymé-Chebyshev,P(jXn`j ")P(jXnE(Xn)j "=2)V(Xn)("=2)2;
qui tend vers 0 quandntend vers l"infini. Conséquence : Pour que(Xn)converge en probabilité versX, il suffit queE(XnX)!0etV(XnX)!0lorsquen! 1(la démonstration passe par l"inégalité de Bienaymé-Chebychev).
Cours Proba-Stat / Pierre DUSART112.1.3 Convergence en moyenne quadratique Définition 5Une suite de v.a.r.(Xn)n2Nconverge en moyenne quadratique vers une v.a.r.Xsi lim n!1E((XnX)2) = 0:Propriétés :
1. La convergence en moyenne quadratique entraîne la convergence en probabilité.
2. Pour les(Xn)sont des variables aléatoires d"espérance et de variance finies, siE(Xn)!et
V ar(Xn)!0alorsXnconverge en moyenne quadratique vers. Preuve1. On applique l"inégalité de Markov avecY=jXnXj,a="2etg(t) =t2. Il suffit ensuite de remarquer queP(jXnXj2> "2) =P(jXnXj> ")et utiliser l"hypothèse que limE((XnX)2) = 0.2.limE((Xn)2) = limE(X2n)2E(X) +2= limE(X2n)E(Xn)2= limV(Xn) = 0:
2.1.4 Loi faible des grands nombres
Théorème 2.1.2Soit(Xn)une suite de variables aléatoires indépendantes sur le même espace probabi-
lisé( ;P)ayant une même espérance mathématique`et des variances vérifiantlimn!11n 2Pn i=12i= 0:On poseSn=X1++XnalorsSnn
converge en probabilité vers`.Si on considère une suite de variables aléatoires(Xn)indépendantes définies sur un même espace probabi-
lisé, ayant même espérance et même variance finie notées respectivementE(X)etV(X). La loi faible des
grands nombres stipule que, pour tout réel"strictement positif, la probabilité que la moyenne empirique
S nn s"éloigne de l"espérance d"au moins", tend vers 0 quandntend vers l"infini. La moyenneSnn converge en probabilité vers l"espérance communeE(X).