Chap 1

Chapitre I : Introduction à la statistique inférentielle
Dr. MERGANE
Université Aliou Diop de Bambey
Décembre 2022
Sommaire
1 Préliminaire
Variable aléatoire réelle
Lois de probabilités usuelles
Tableaux des lois
Propriétés
Modes de convergence
2 Modèles
Modèle statistique
Modèle d’échantillonnage
3 Distribution d’échantillonnage de quelques statistiques

La moyenne empirique
La variance empirique
Cas particuliers
Echantillon de Bernoulli
Echantillon Gaussien
Préliminaire Variable aléatoire réelle
Sommaire
1 Préliminaire
Tableaux des lois
Propriétés
2 Modèles

Cas particuliers
Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 3 / 64

Variable aléatoire (v.a.) : Définitions et propriétés

• Soit (Ω, A, P) un espace probabilisé. On appelle variable aléatoire réelle (v.a.r.)
(univariée) toute application X définie de (Ω, A) à valeurs dans (R, B (R))
mesurable c’est à dire
∀A ∈ B (R) , X −1 (A) ∈ A.
• Soit X une v.a. L’application définie par :
F : R → [0, 1]
x → P (X ≤ x)
est appelée fonction de répartion (f.r.) de la v.a. X .

Variable aléatoire (v.a.) : Définitions et propriétés

• Soit (Ω, A, P) un espace probabilisé. On appelle variable aléatoire réelle (v.a.r.)
(univariée) toute application X définie de (Ω, A) à valeurs dans (R, B (R))
mesurable c’est à dire
∀A ∈ B (R) , X −1 (A) ∈ A.
• Soit X une v.a. L’application définie par :
F : R → [0, 1]
x → P (X ≤ x)
est appelée fonction de répartion (f.r.) de la v.a. X .
Propriété
. F est continue à droite ;
. F est croissante ;
. lim−∞ F (x) = 0 et lim+∞ F (x) = 1
Si F (x) = α, alors x est appelé quantile d’ordre α de X et il est noté par qα .

Types de variable aléatoire
Soit X une v.a.
+ Si X (Ω) est dénombrable alors X est dite discrète
+ S’il existe une fonction f définie de R dans R vérifiant :

• f (x) ≥ 0, ∀x ∈ R ;
Rx
• F 0 (x) = f (x), ∀x ∈ R ; (F (x) = −∞ f (t) dt) ;
R
• R f (x) dx = 1
alors la v.a. X est dite continue et la fonction f est appelée densité de
probabilité de X .

Variable aléatoire : Caractéristiques

• Espérance mathématique de X est notée et définie par
P
 xi ∈X (Ω) xi P (X = xi ) ,
 Si X est discrète;
E(X ) =

R
R
xf (x) dx, Si X est continue.
Remarque
Soit g une fonction continue, alors
P
 xi ∈X (Ω) g (xi )P (X = xi ) , Si X est discrète;

E (g (X )) =

R
R
g (x)f (x) dx, Si X est continue.
Si g (x) = x K , avec k un entier, alors E (g (X )) est appelée moment non centré

d’ordre k de X .

Variable aléatoire : Caractéristiques
h i
2
• La variance de X est définie par var (X ) = E (X − E (X ))
Remarque
var (X ) = E(X 2 ) − E2 (X )
K
Si g (x) = (x − E (X )) , avec k un entier, alors E (g (X )) est appelée
moment centré d’ordre k de X .
• La fonction caractéristique
φX de X est l’application définie de R à valeurs
dans C par φX (t) = E e itX .
Propriété
(n)
φX (0) = i n E (X n )

Préliminaire Lois de probabilités usuelles
Sommaire
1 Préliminaire
Tableaux des lois
Propriétés
2 Modèles

Cas particuliers

Lois discrètes
Nom et notation Loi de probabilité E(X ) V (X ) φX (t)

P (X = k)
Bernoulli : X ∼ Ber (p) p k (1 − p)1−k , p p(1 − p) (1 − p) + p e i t

0 < p < 1
k ∈ {0, 1}
n
Binomiale : X ∼ Bin(n, p) Cnk p k (1 − p)n−k , np n p(1 − p) (1 − p) + p e i t
n ∈ N, p ∈]0, 1[
k ∈ {0, · · · , n}
1−p p ei t
Géométrique : Géo(p), p (1 − p)k−1 , 1
p p2 1−(1−p) e i t
p ∈]0, 1[
k ∈ N?

λk e −λ λ e i t −1
Poisson : P(λ) λ λ e
k!
λ > 0
k ∈ N

Lois continues
Nom et notation Densité E(X ) V (X ) φX (t)
f (x)
1 , a+b (b−a)2 e itb −e ita

Uniforme : U ∼ U [a, b]
b−a 2 12 it(b−a)
a < b
x ∈ [a, b]
x−m 2

−1
Normale : X ∼ N (m, σ 2 ) √1 e 2 σ , m σ2 exp imt − 1 σ 2 t 2
σ 2π 2
m ∈ R, σ > 0
x ∈ R
Exponentielle : X ∼ E(λ) λ e −λ x 1 1 1
λ λ2 1− it
λ
λ > 0 x > 0
 k
Gamma : X ∼ γ(k, λ) λk x k−1 e −λ x k k  1 

Γ(k) λ λ2 1− it
λ
k, λ > 0 x > 0

Lois continues
Nom et notation Densité E(X ) V (X ) φX (t)
f (x)
1 , a+b (b−a)2 e itb −e ita

Uniforme : U ∼ U [a, b]
b−a 2 12 it(b−a)
a < b
x ∈ [a, b]
x−m 2

−1
Normale : X ∼ N (m, σ 2 ) √1 e 2 σ , m σ2 exp imt − 1 σ 2 t 2
σ 2π 2
m ∈ R, σ > 0
x ∈ R
Exponentielle : X ∼ E(λ) λ e −λ x 1 1 1
λ λ2 1− it
λ
λ > 0 x > 0
 k
Gamma : X ∼ γ(k, λ) λk x k−1 e −λ x k k  1 

Γ(k) λ λ2 1− it
λ
k, λ > 0 x > 0
Γ est appelée la fonction Gamma d’Euler, elle est définie comme suit :
Z +∞
a−1 −x
Γ(a) = x e dx, ∀a > 0,
0
et elle vérifie les conditions suivantes :

• ∀a > 0, Γ(a + 1) = aΓ(a)
• ∀n ∈ N∗ , Γ(n + 1) = n!
√
• Γ 1 = π.
2

Loi normale

Loi normale
Utilités
+ La loi normale ou loi de Gauss modélise un grand nombre de distributions
observées.
Les courbes de croissance données par l’OMS, et présentes par exemple dans les
carnets de santé, sont issues de modélisations grâce à une loi normale.
+ Elle est une approximation de beaucoup de distributions théoriques.
+ La plupart des outils d’inférence statistique s’appuie sur la distribution

normale : constitue la base du fondement théorique de la statistique inductive.
+ etc.
Un phénomène X suit une loi normale, s’il est la résultante d’un grand nombre
d’effets et petits qui s’ajoutent.

Fig.: Densités de probabilité N (µ, σ 2 )

Loi normale
Stabilité
Soient X1 , X2 , · · · , Xn , une suite de v.a. indépendantes ; α0 , α1 , α2 , · · · , αn , une
suite de nombres réels non nuls.
Si pour tout i dans {1, 2, · · · , n} , on a Xi ∼ N mi , σi2 , alors
n n n
!
X X X
2 2
αi Xi + α0 ∼ N αi mi + α0 , αi σi .
i=1 i=1 i=1

Loi normale : Standardisation
Si X ∼ N (m, σ 2 ), alors Z = X −mσ ∼ N (0, 1).

N (0, 1) est appelée loi normale centrée et réduite ou loi normale standard. Sa
densité de probabilité est donnée par
1 x2
f (x) = √ e− 2
2π
Fig.: Densité de N (0, 1)

Soit Z distribuée suivant la loi normale standard.
Fonction cumulative de N (0 ; 1)
Sa fonction de répartition est généralement notée par Φ.
P(Z ≤ x) = Φ(x)

Propriété
Φ(−x) = 1 − Φ(x)
P (Z ≤ −x) = P (Z > x)

Propriété
Φ(−x) = 1 − Φ(x)
P (Z ≤ −x) = P (Z > x)

Table de la fonction de répartition : Probabilité de trouver

une valeur inférieure à x

Table de la fonction de répartition : Probabilité de trouver

une valeur inférieure à x

Exemple d’utilisation de la table

Nous voulons calculer P(Z ≤ 1.83) = Φ(1.83).


Décomposition : 1.83 = 1.8 + 0.03.


Décomposition : 1.83 = 1.8 + 0.03.

Projection : on projette au viveau du tableau, et on récupère la valeur trouvant
dans l’intersection.


Décomposition : 1.83 = 1.8 + 0.03.

Φ(1.83) = 0.9664


Décomposition : 1.83 = 1.8 + 0.03.

Φ(1.83) = 0.9664

Remarque
Si x < 0, alors on utilise la relation
Φ(x) = 1 − Φ(−x)

Remarque
Φ(x) = 1 − Φ(−x)
Exemple
Φ(−1.56) = 1 − Φ(1.56)

Remarque
Φ(x) = 1 − Φ(−x)
Exemple
Φ(−1.56) = 1 − Φ(1.56)
= 1−

Remarque
Φ(x) = 1 − Φ(−x)
Exemple
Φ(−1.56) = 1 − Φ(1.56)
= 1 − 0.9406
= 0.0594

Fractile de N (0 ; 1)

Soit α compris entre 0 et 1.

On veut trouver le réel x tel que : Φ(x) = α.
Donc x est l’image réciproque de α par Φ.


Définition
Si pour un réel fixé α on a Φ(x) = α, alors
x est appelé quantile ou fractile d’ordre α de la loi normale standard.
Il est noté par zα


Définition
Si pour un réel fixé α on a Φ(x) = α, alors
x est appelé quantile ou fractile d’ordre α de la loi normale standard.
Il est noté par zα
Φ(zα ) = α

Table de la fonction des fractiles

Exemple d’utilisation de la table des fractiles de N (0 ; 1)
Cherchons le quantile d’ordre 61.2% de la loi normale standard z0.612 .

Propriété
Propriété
zα = −z1−α

Propriété
Propriété
zα = −z1−α
+ La table des fractiles ne donne pas les valeurs zα pour α < 0.5. Donc on utilise
cette propriété.

Propriété
Propriété
zα = −z1−α
+ La table des fractiles ne donne pas les valeurs zα pour α < 0.5. Donc on utilise
cette propriété.
Exemple
Cherchons le fractile d’ordre 0.464 de la loi normale standard.
On cherche z0.464 .
z0.464 = −z1−0.464
= −z0.536
D’après la table des fractiles, z0.536 = 0.0904. Donc
z0.464 = −0.0904
Exercices
Exercice (1)
Soit Z une variable suivant une loi normale standard. Calculer
1. P (Z ≤ 1.98) 5. P (−1.77 < Z )
2. P (Z < 2) 6. P (−1.3 < Z < 1.05)
3. P (Z > 0.54) 7. P (−2.01 ≤ Z ≤ −0.42)
4. P (0.98 ≤ Z < 2.1) 8. P (Z ≥ 0)

Exercice (2)
Soit Z une variable suivant une loi normale standard. Trouver la valeur de u
vérifiant :
1. P (Z < u) = 0.85
2. P (Z ≤ u) = 0.611
3. P (Z < u) = 0.45
4. P (Z > u) = 0.9
5. P (−u < Z < u) = 0.95

Exercice (3)
Soit X une variable suivant une loi normale N (11 ; 22 ).
1 Calculer P(X ≤ 14) ; P(X < 10) ; P(9 < X ≤ 13).
2 Trouver u. :
P(X < u) = 0.975 ; P(X > u) = 0.5 ; P(X ≥ u) = 0.25 ; P(X < u) = 0.315

Loi Gamma
Propriétés
• Soient α > 0 et X ∼ γ (k, λ) , alors αX ∼ γ k, αλ .

• Soient X1 , X2 , · · · , Xn , une suite de v.a. indépendantes suivant

respectivement γ (k1 , λ) , γ (k2 , λ) , · · · , γ (kn , λ) . Alors,
n n
!
X X
Xi ∼ γ ki , λ .
i=1 i=1

Loi Gamma
Propriétés
• Soient α > 0 et X ∼ γ (k, λ) , alors αX ∼ γ k, αλ .

• Soient X1 , X2 , · · · , Xn , une suite de v.a. indépendantes suivant

respectivement γ (k1 , λ) , γ (k2 , λ) , · · · , γ (kn , λ) . Alors,
n n
!
X X
Xi ∼ γ ki , λ .
i=1 i=1
Remarque
E (λ) = γ (1, λ)

Exercice
1. Prouver les propriétés précédentes.
2. Soient X1 , X2 , · · · , Xn , une suite de v.a. indépendantes et identiquement
distribuées (iid) suivant la loi E (λ) . Montrer que
n
1X
Xi ∼ γ (n, n λ) .
n
i=1

Loi du khi-deux

Loi du khi-deux
+ Loi du khi-deux à k degré(s) de liberté :
Propriétés
• Si X ∼ N (0, 1) , alors X 2 ∼ χ21 .
• Si X1 , X2 , · · · , Xk , une suite de v.a. iid de la loi N (0, 1) , alors

k
X
Xi2 ∼ χ2k
i=1
•
k 1
χ2k = γ , , k∈N
2 2

Fig.: Densité de la loi du χ2k

Loi de Student

Loi de Student
+ Loi de Student à k degré(s) de liberté :
Propriété
Soient X et Y deux variables aléatoires indépendantes de lois respectives N (0, 1)
et χ2k . Alors la v.a. définie par
X
T =p
Y /k
suit la loi de Student à k degré(s) de liberté, et on note T ∼ St (k) .

Fig.: Densité de la loi de St(k)

Loi de Fisher

Loi de Fisher
+ Loi de Fisher à n et m degrés de liberté :
Propriété
Soient X et Y deux variables aléatoires indépendantes suivant respectivement les
lois χ2n et χ2m . La v.a. définie par
X /n
F =
Y /m
suit la loi de Fisher à n et m degrés de liberté, et on note F ∼ F (n, m).

Fig.: Densité de loi de F (d1, d2)

Préliminaire Modes de convergence
Sommaire
1 Préliminaire
Tableaux des lois
Propriétés
2 Modèles

Cas particuliers

Convergence presque sûre
Définition
On dit qu’une suite de v.a. (Xn )n∈N converge presque sûrement vers X et on note
Xn →p.s. X si
P lim Xn = X = 1
n→+∞

Convergence presque sûre
Définition
On dit qu’une suite de v.a. (Xn )n∈N converge presque sûrement vers X et on note
Xn →p.s. X si
P lim Xn = X = 1
n→+∞
Théorème (Loi Forte des Grands Nombres)

Soient X1 , · · · , Xn , une suite de v.a. iid d’espérance µ, alors
n
Sn X
−→ps µ, où Sn = Xi
n
i=1

Convergence en probabilité
Définition
La suite de v.a. (Xn )n∈N converge en probabilité vers X et on note Xn →P X si
∀ > 0, lim P (|Xn − X | ≥ ) = 0

n→+∞
Propriété
La convergence ps entraine la convergence en probabilité.
Preuve : [TAF]

Convergence en moyenne quadratique

Définition
Une suite de v.a. X1 , · · · , Xn , converge en mq vers X ,

2
lim E (Xn − X ) = 0
n
Propriété
1 Si E (Xn ) −→ ` et Var (Xn ) −→ 0, alors Xn −→mq `.
2 Si Xn −→mq X , alors Xn −→P X .
Preuve :
2
1 E (Xn − `) = E Xn2 − 2 ` E (Xn ) + `2 =

2
Var (Xn ) + E (Xn ) − 2 ` E (Xn ) + `2 . Cette expression tend vers zéro.
2 On utilise l’inégalité de Bienaymé Tchebychev : soit > 0, on a

2
E (Xn − X )
0 ≤ P (|Xn − X | ≥ ) ≤ −→ 0.
2
Convergence en loi
Définition
Soit (Xn )n∈N une suite de variables aléatoires de fonction de répartition (FXn ) et
soit X variable aléatoire de fonction de répartition F . On dit que la suite converge
en loi vers X et on note Xn −→L X , si en tout point de continuité x de F on a
Fn (x) converge (simplement) vers F (x).
Propriété
La convergence en probabilité implique la convergence en loi.
Preuve : [TAF]
Théorème (de Levy)

Soit (Xn )n∈N une suite de v.a. de fonction caractéristique φXn (·). On a
l’équivalence suivante
Xn −→L X ⇔ φXn (t) −→ φX (t), ∀t ∈ R.

Théorème Central Limite TCL
Théorème
Soit X1 , · · · , Xn une suite de v.a. iid d’espérance µ et de variance σ 2 . Alors
Sn − nµ
√ −→L N (0, 1) .
σ n

La méthode delta ou δ−méthode
Théorème
Soient (Zn )N une suite de v.a. d’espérance µ et de variance σ 2 et g une fonction
dérivable telle que g 0 (µ) 6= 0. Si lorsque n −→ +∞, on a
√
n (Zn − µ) −→L N 0, σ 2

alors √
2
n (g (Zn ) − g (µ)) −→L N 0, σ 2 [g 0 (µ)]

Modèles Modèle statistique
Sommaire
1 Préliminaire
Tableaux des lois
Propriétés
2 Modèles

Cas particuliers

Soient (E , E) un espace probabilisable, P = {Pθ , θ ∈ Θ} une famille de

probabilités définies sur l’espace (E , E) , où Θ est l’espace des paramètres.
Considérons X une variable aléatoire définie sur (E , E) dont la loi appartient à P.
Définition
On appelle modèle statistique induit par la v.a. X le triplet (E , E, P) .

Modèle statistique : Exemples
Exemple (1)
Une machine produit des pièces. Une proportion p est défectueuse. On suppose
que ce caractère défectueux est indépendant d’une pièce à l’autre. On tire au
hasard une pièce de cette production. On sait dire si oui ou non la pièce tirée est
défectueuse. La v.a. X décrivant cette situation est de Bernoulli de paramètre p
inconnu.
Le modèle statistique associée à cette expérience est appelé modèle de Bernoulli
et on note :
({0, 1} , P ({0, 1}) , {Ber (p) , p ∈ [0, 1]}) .
Exemple (2)
La longueur X d’une certaine pièce est supposée suivre une loi normale de
moyenne µ et d’écart-type σ qui sont inconnus.
Le modèle statistique induit par X est appelé modèle gaussien et on note
R, B (R) , N µ, σ 2 , (µ, σ) ∈ R × R∗+


Modèle paramétrique
Définition
Le modèle statistique (E , E, P) induit par X est dit paramétrique s’il existe un
entier naturel k tel que l’espace des paramètres est inclus dans Rk i.e.
P = {Pθ , θ ∈ Θ} avec Θ ⊆ Rk .
Sinon, le modèle est dit non paramétrique.

Modèle paramétrique
Définition
Le modèle statistique (E , E, P) induit par X est dit paramétrique s’il existe un
entier naturel k tel que l’espace des paramètres est inclus dans Rk i.e.
P = {Pθ , θ ∈ Θ} avec Θ ⊆ Rk .
Sinon, le modèle est dit non paramétrique.
Exemple
• Dans l’exemple 1, θ = p et Θ = [0, 1] : le paramètre est dit unidimensionnel.
• Dans l’exemple 2, θ = (µ, σ) et Θ = R × R∗+ , le paramètre est bidimensionnel.

Modèle identifiable
Définition
Le modèle statistique paramétrique (E , E, {Pθ , θ ∈ Θ}) est dit identifiable si
l’application θ ∈ Θ 7−→ Pθ est injective i.e.
∀ θ1 , θ2 ∈ Θ, si Pθ1 = Pθ2 =⇒ θ1 = θ2 .
Exemple
On considère le modèle gaussien dans le cas où la moyenne µ est connue et de
variance σ 2 inconnue. Si on pose θ = σ ∈ R∗ , alors ce modèle n’est pas
identifiable. En effet, Pθ = P−θ .

Vraisemblance-Score
Definition
Soit (Ω, A, {Pθ , θ ∈ Θ}) un modèle statistique paramétrique induit par X . On
appelle vraisemblance de X au point x, la fonction notée et définie par :
L(x; ·) : Θ 7−→ R+
θ 7−→ fθ (x)
où fθ est la densité de X et si X est discrète on a fθ (x) = Pθ (X = x).
Définition
On appelle fonction score de la v.a. X sur le paramètre θ, la dérivée par rapport
à θ (si elle existe) du logarithme de la vraisemblance de X . Elle est notée par
S(X , θ). On a
∂
S(X , θ) = log fθ (X )
∂θ

Propriété
∂ ∂
R R
Supposons que ∂θ E
f (x, θ) dx = E ∂θ
f (x, θ) dx, alors S(X , θ) est une v.a.
centrée.
En effet,
fθ0 (x)
Z Z
E (S(X , θ)) = S(x, θ)fθ (x)dx = fθ (x)dx
fθ (x)
or cette dernière expression est égale à
Z Z
∂ ∂
fθ (x)dx = fθ (x)dx,
∂θ ∂θ
puisque fθ (·) est une densité, donc son intégrale vaut 1 et sa dérivée est égale zéro.

Modèles Modèle d’échantillonnage
Sommaire
1 Préliminaire
Tableaux des lois
Propriétés
2 Modèles

Cas particuliers

Modèle d’échantillonnage : Définitions

Définition
On appelle échantillon de taille n extrait d’une v.a. X , un n-uplet
Xe = (X1 , X2 , · · · , Xn ) dont les composantes sont des v.a. indépendantes et
identiquement distribuées (iid) suivant la loi de X .
Une réalisation de cet échantillon X e sera notée par x̃ = (x1 , x2 , · · · , xn ) .
Définition
Soit (E , E, P) un modèle statistique induit par X . On appelle modèle de
l’échantillon ou d’échantillonnage le modèle donné par
E n , E ⊗n , P ⊗n .

La vraisemblance de l’échantillon au point x̃ = (x1 , x2 , · · · , xn ) est ainsi donnée par
x ; ·)
L(e : Θ 7−→ R+
n
Y
θ 7−→ fθ (xi )
i=1
Exercice
Donner la vraisemblance du modèle :

⊗n
1 de Bernoulli E n , E ⊗n , {Ber (p), p ∈ [0, 1]} ;

⊗n
2 de Poisson E n , E ⊗n , {P(λ), λ ∈ R+ } ;
⊗n
Gaussien E n , E ⊗n , N (µ, σ 2 ), µ ∈ R, σ ∈ R∗+

3 .

Score de l’échantillon
Définition
On appelle fonction score de l’échantillon au point θ, la dérivée par rapport à θ
(si elle existe) de la log-vraisemblance. Elle est donnée par :
∂
S(X
e , θ) = log L(X
e ; θ)
∂θ
Propriété
n
X
S(X
e , θ) = S(Xi , θ).
i=1
En effet !
n
∂ ∂ Y
S(X
e , θ) = log L(X
e ; θ) = log fθ (Xi )
∂θ ∂θ
i=1
n n
e , θ) = ∂ ∂
X X
⇒ S(X log fθ (Xi ) = log fθ (Xi )
∂θ ∂θ
i=1 i=1

Distribution d’échantillonnage de quelques statistiques
Statistique

⊗n
Soit E n , E ⊗n , {Pθ , θ ∈ Θ} le modèle d’échantillonnage associé à l’échantillon
e = (X1 , · · · , Xn ) extrait de X , de carré intégrable. Notons par
X
E(X ) = µ et Var (X ) = σ 2 .
Définition
Toute application mesurable T définie de (E n , E ⊗n ) à valeurs dans un espace
mesurable (F , F) est appelée statistique.

Distribution d’échantillonnage de quelques statistiques
Statistique : Exemples
Exemple
1 Minimum :
Rn , B(R)⊗n

−→ (R, B(R))
(X1 , · · · , Xn ) −→ T (X1 , · · · , Xn ) = min {X1 , · · · , Xn }
2 Fonction de répartition empirique : soit t0 ∈ R
T : Rn , B(R)⊗n

−→ ([0, 1], B([0, 1]))
n
1X
(X1 , · · · , Xn ) −→ T (X1 , · · · , Xn ) = 1(Xi ≤t0 )
n i=1
3 Moyenne et variance empirique :
T : Rn −→ R2
(X1 , · · · , Xn ) −→ T (X1 , · · · , Xn ) = X , S 2 ,
Pn Pn 2
où X = 1
n i=1 Xi et S 2 = 1
n i=1 Xi − X .
Distribution d’échantillonnage de quelques statistiques La moyenne empirique
Sommaire
1 Préliminaire
Tableaux des lois
Propriétés
2 Modèles

Cas particuliers

Distribution d’échantillonnage de quelques statistiques La moyenne empirique
Moyenne empirique
Definition
On appelle moyenne de l’échantillon ou moyenne empirique la statistique notée
par X et définie par
n
1X
X = Xi .
n
i=1
σ2
E X = µ et Var (X ) = .
n
Preuve[TAF]
Théorème
1 D’après la loi forte des grands nombres, X n converge ps vers µ.

√
2 D’après le TCL, n X −µ σ converge en loi vers une loi N (0, 1) .

Distribution d’échantillonnage de quelques statistiques La variance empirique
Sommaire
1 Préliminaire
Tableaux des lois
Propriétés
2 Modèles

Cas particuliers

Variance empirique
Definition
On appelle variance empirique la statistique notée et définie par
n
1X 2
S2 = Xi − X .
n
i=1
Remarque (Formule de Huygens-Konig)

n
1X 2 2
S2 = Xi − X .
n
i=1

Variance empirique
Propriété
Supposons que le moment centré d’ordre 4 (µ4 ) de X existe, alors
n−1 2 n−1
E S2 = σ et Var (S 2 ) = (n − 1) µ4 − (n − 3) σ 4 .

n n 3
Pour de grandes valeurs de n, cette dernière expression est sensiblement égale à

µ4 −σ 4
n .
Théorème
Lorsque n tend vers +∞, on a : S 2 converge ps vers σ 2 et
√ S 2 − σ2
np −→d N (0, 1) .
µ4 − σ 4

Variance empirique corrigée

2 n
S0 = S2
n−1

Variance empirique corrigée

2 n
S0 = S2
n−1
Remarque
Lorsque la taille de l’échantillon n est très grande on a :
2
S0 ≈ S2

Distribution d’échantillonnage de quelques statistiques Cas particuliers
Sommaire
1 Préliminaire
Tableaux des lois
Propriétés
2 Modèles

Cas particuliers

Etude d’une proportion

Supposons que l’échantillon soit issu d’un modèle d’échantillonnage de Bernoulli
de paramètre p. On appelle fréquence empirique la statistique donnée par
n
1X
p=
b Xi .
n
i=1
C’est donc une moyenne empirique. On a

p(1 − p)
p ) = p et Var (b
E(b p) = .
n
En effet, puisque chaque Xi ∼ Ber (p), alors Y = nb p ∼ Bin(n, p). Ainsi,
E(Y ) = np et Var (Y ) = np(1 − p). On pouvait aussi remplacer µ par p et la
variance par σ 2 .
La convergence ps de b p vers p est assurée par√LFGN et la convergence en
distribution vers une loi normale standard de n √ bp−p est donnée par le TCL.
p(1−p)
Exercice
n−1
p (1 − b
Montrer que E (b p )) = n p(1 − p).
On suppose maintenant que l’échantillon est gaussien. On a

Théorème
σ2

X ∼N µ, .
n
Théorème (de Fisher)
1 Les statistiques X et S 2 sont indépendantes.

2
n 2
S ∼ χ2n−1
σ2
3
√ X −µ
n ∼ St (n − 1) .
S

Annexe : Quelques preuves

Chap 1

Transféré par

Droits d'auteur :

Formats disponibles

Chap 1

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chap 1

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre I : Introduction à la statistique inférentielle

Université Aliou Diop de Bambey

3 Distribution d’échantillonnage de quelques statistiques

3 Distribution d’échantillonnage de quelques statistiques

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 3 / 64

Variable aléatoire (v.a.) : Définitions et propriétés

est appelée fonction de répartion (f.r.) de la v.a. X .

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 4 / 64

Variable aléatoire (v.a.) : Définitions et propriétés

est appelée fonction de répartion (f.r.) de la v.a. X .

Si F (x) = α, alors x est appelé quantile d’ordre α de X et il est noté par qα .

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 4 / 64

Types de variable aléatoire

Soit X une v.a.

+ Si X (Ω) est dénombrable alors X est dite discrète

+ S’il existe une fonction f définie de R dans R vérifiant :

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 5 / 64

Variable aléatoire : Caractéristiques

Si g (x) = x K , avec k un entier, alors E (g (X )) est appelée moment non centré

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 6 / 64

Variable aléatoire : Caractéristiques

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 7 / 64

3 Distribution d’échantillonnage de quelques statistiques

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 8 / 64

Nom et notation Loi de probabilité E(X ) V (X ) φX (t)

Bernoulli : X ∼ Ber (p) p k (1 − p)1−k , p p(1 − p) (1 − p) + p e i t

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 9 / 64

1 , a+b (b−a)2 e itb −e ita

Gamma : X ∼ γ(k, λ) λk x k−1 e −λ x k k  1 

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 10 / 64

1 , a+b (b−a)2 e itb −e ita

Gamma : X ∼ γ(k, λ) λk x k−1 e −λ x k k  1 

et elle vérifie les conditions suivantes :

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 10 / 64

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 11 / 64

+ Elle est une approximation de beaucoup de distributions théoriques.

+ La plupart des outils d’inférence statistique s’appuie sur la distribution

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 11 / 64

Fig.: Densités de probabilité N (µ, σ 2 )

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 12 / 64

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 13 / 64

Loi normale : Standardisation

Si X ∼ N (m, σ 2 ), alors Z = X −mσ ∼ N (0, 1).

Fig.: Densité de N (0, 1)

Soit Z distribuée suivant la loi normale standard.

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 15 / 64

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 16 / 64

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 16 / 64

Table de la fonction de répartition : Probabilité de trouver

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 17 / 64

Table de la fonction de répartition : Probabilité de trouver

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 17 / 64

Exemple d’utilisation de la table

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 18 / 64

Exemple d’utilisation de la table

Décomposition : 1.83 = 1.8 + 0.03.

Dr. MERGANE (M1SID/SATIC) Chapitre I : Introduction à la statistique inférentielle Décembre 2022 18 / 64

Exemple d’utilisation de la table

∀ > 0, lim P (|Xn − X | ≥ ) = 0