Presentation Cours Stat Master 1

Université Djillali Liabes de Sidi
Bel-Abbes
Faculté des Sciences Exactes
Département de Probabilité-Statistique
Master SA-PA.
Cours: Statistique 1.
Cours de Statistique
Présentée par
Pr. ATTOUCH Mohammed Kadi
Master SA-PA
Module. Statistique 1 & Semestre. S1
du 07/02 au 06/03 année 2021
Objectif
1
Objectif
La statistique Inférentielle est un terme regroupe les
méthodes dont l’objectif principal est de préciser un
phénomène sur une population globale, à partir de son
observation sur un échantillon de cette population. Ce passage
ne se fait que moyennant des hypothèses de type probabiliste.
Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Plan de l’exposé
2
Echantillonage
Echantillonnage d’une moyenne
Echantillonnage d’une variance
Echantillonnage d’une proportion

Plan de l’exposé
2
Echantillonage
Estimation paramétrique
Notion de vraisemblance

Plan de l’exposé
2
Echantillonage
Tests statistique

Plan de l’exposé
2
Echantillonage
Tests statistique
Intervalle de Confiance
Intervalle de confiance d’une moyenne
Intervalle de confiance d’une variance

Plan de l’exposé
2
Echantillonage
Tests statistique
Intervalle de Confiance
Intervalle de confiance d’une moyenne
Intervalle de confiance d’une variance
Tables Statistique

Echantillonage
3
Echantillonage

Population - échantillon
4
On appelle population la totalité des unités de n’importe quel

genre prises en considération par le statisticien. Elle peut être
finie ou infinie.
Un échantillon est un sous-ensemble de la population étudiée.
Qu’il traite un échantillon ou une population, le statisticien décrit
habituellement ces ensembles à l’aide de mesures telles que le
nombre d’unités, la moyenne, l’écart-type et le pourcentage.
I Les mesures que l’on utilise pour décrire une population
sont des paramètres. Un paramètre est une
caractéristique de la population.
I Les mesures que l’on utilise pour décrire un échantillon
sont appelées des statistiques. Une statistique est une
caractéristique de l’échantillon.

Quelques notations
5
Afin de ne pas confondre les statistiques et les paramètres, on

utilise des notations différentes, comme le présente le tableau
récapitulatif suivant.
POPULATION ÉCHANTILLON
DÉFINITION C’est l’ensemble des unités C’est un sous-ensemble de la
considérées par le statisticien. population choisie pour étude.
CARACTÉRISTIQUES Ce sont les paramètres Ce sont les statistiques
NOTATIONS N = taille de la population n = taille de l’échantillon
(si elle est finie)
Si on étudie un moyenne de la population moyenne de l’échantillon
caractère quantitatif m = N1 ∑N i =1 xi x̄ = n1 ∑ni=1 xi
écart-type
q de la population écart-type
q de l’échantillon
σpop = N1 ∑N i =1 (xi − m )
2 σech = n1 ∑ni=1 (xi − x̄ )2
Si on étudie un proportion dans la population proportion dans l’échantillon
qualitatif p f

Les méthodes d’échantillonnage
6
Les méthodes empiriques: Utilisées par les instituts de sondage.

Échantillonnage sur la base du jugement: Échantillon prélevé après avis d’experts, qui
connaissent la population et sont capable de dire les entités représentatives.
Échantillonnage par des quotas: Échantillon prélevé librement en respectant une
composition donnée à l’avance (sexe, âge, CSP).
Les méthodes aléatoires : Reposent sur le tirage au hasard d’échantillons et sur le
calcul des probabilités
Échantillonnage aléatoire simple : On prélève dans la population, des individus au
hasard, sans remise : tous les individus ont la même probabilité d’être prélevés, et ils
le sont indépendamment les uns des autres.
Échantillonnage aléatoire stratifié : Suppose que la population soit stratifiée, i.e.
constituée de sous-populations homogènes, les strates. (ex : stratification par tranche
d’age). Dans chaque strate, on fait un échantillonnage aléatoire simple, de taille
proportionnelle à la taille de strate dans la population (échantillon représentatif). Les
individus de la population n’ont pas tous la même probabilité d’être tirés. Nécessite
une homogénéité des strates. Augmente la précision des estimations.
Échantillonnage par grappe : on tire au hasard des grappes ou familles d’individus, et
on examine tous les individus de la grappe (ex: on tire des immeubles puis on interroge
tous les habitants). La méthode est d’autant meilleure que les grappes se ressemblent
et que les individus d’une même grappe sont différents, contrairement aux strates.
Les méthodes d’échantillonnage
7
L’échantillonnage simple consiste à extraire un échantillon de

taille n dans une population de taille N par des tirages
aléatoires équiprobables et indépendants (tirages avec remise).
I Ω = {ω1 , . . . , ωN } : la population constituée d’éléments

appelés unités d’observation.
I X : le caractère que l’on voudrait étudier sur I’ensemble de
cette population.
I Xk : le résultat aléatoire du k ème tirage est une v .a qui
suit la même loi que X .
I (X1 , . . . , Xn ) : les résultats aléatoires des n tirages
modélisant l’échantillon étudié.
I xk : est une réalisation du k -ème tirage de Xk .
I = (x1 , . . . , xn ) : une réalisation de l’échantillon
(X1 , . . . , Xn ).
Modélisation d’échantillon aléatoire
8
Définition
X1 , . . . , Xn sont n v.a. indépendantes et de même loi (celle de X
); il est appelé n -échantillon ou échantillon de taille n de X .
Une réalisation (x1 , . . . , xn ) de l’échantillon (X1 , . . . , Xn ) est
l’ensemble des valeurs observées.
Définition
Une statistique Y sur un échantillon (X1 , . . . , Xn ) est une v.a.,
fonction mesurable des Xk :
Y = ϕ (X1 , . . . , Xn ) .
Après la réalisation, la statistique Y prend la valeur

ϕ(xi , . . . , xn ).

Distribution d’échantillonnage d’une moyenne
9
Soit X le caractère quantitatif que l’on voudrait étudier sur une

population infinie et soit (X1 , X2 , . . . , Xn ) un n-échantillon de X .
Définition
1 n
n k∑
La statistique X = Xk est appelée moyenne empirique de
=1
X.
Remarque
La moyenne empirique est une variable aléatoire qui prend des
valeurs différentes sur chaque échantillon appelées moyennes
observées.

Distribution d’échantillonnage d’une moyenne
10
Proposition
Soit X une variable aléatoire de moyenne µ et de variance σ2
et soit (X1 , X2 , . . . , Xn ) un n-échantillon de X . Alors
- E(X̄ ) = µ.
2
- Var(X̄ ) = σn .
Proposition
La distribution d’échantillonnage de la moyenne est donnée
par:

I Si X suit une loi normale N ( µ, σ ), alors X ∼ N µ, √σ .
n
I Si la loi de X est quelconque avec n ≫ 30, le théorème
central limite nous permets d’affirmer que X suit une loi
normale N (µ, σ).
Distribution d’échantillonnage d’une variance
11
Soit (X1 , X2 , . . . , Xn ) un n-échantillon d’une variable aléatoire X

de moyenne µ et d’écart-type σ. On définit la statistique
!
n n
1 1
S 2 = ∑ Xi − X̄ =
n i∑
2
Xi2 − X̄ 2

n i =1 =1
Alors
1
E S2 = 1 − σ2 .
n
Remarque
Remarque Comme 1 − n1 < 1; alors E S 2 < σ2 .

En moyenne, la variance dans l’échantillon est plus faible que

dans la population-mère.

Distribution d’échantillonnage d’une variance
12
Proposition
Proposition Si le caractère X à étudier suit une loi normale
2
N (µ, σ) alors n Sσ2 suit une loi de khi-deux à (n − 1) degrés de
liberté càd
S2
n 2 ∼ χ2 (n − 1).
σ

Distribution d’échantillonnage d’une proportion
13
Soit une population comportant deux modalités A et B. Soit p

la proportion d’individus de la population possédant la modalité
A. 1 − p est donc la proportion des individus de la population
possédant la modalité B. On extrait de la population un
échantillon de taille n. Soit Kn la v.a qui représente le nombre
d’individus dans l’échantillon ayant la modalité A.
Définition
Kn
La variable aléatoire p̂ = s’appelle la fréquence empirique.
n
Sa réalisation f est la proportion d’individus dans l’échantillon
ayant la modalité A.

Distribution d’échantillonnage d’une proportion
14
Proposition
I Si n 30, np ≥ 5 ou n (1 − p ) ≥ 5, par le théorème
central limite,
r !
p (1 − p )
P̂ ∼ N p, .
n
I Sinon (le cas ou n < 30 ), la variable Kn suit une loi

Binômiale B(n, p )

15
Estimation Paramétrique

Dilemme
16
Figure: Inférence statistique-Estimation paramétrique.

Inférence statistique
17
L’inférence statistique consiste à induire les caractéristiques

inconnues d’une population à partir d’un échantillon.
Stat. descriptives (L1) Stat. inférentielles (L3)

- petite population - très grande population
- toutes les données - données d’un échantillon
- on calcule les - on extrapole à partir de
paramètres l’échantillon

Exemple introductif
18
On a observé 25 séropositifs sur un échantillon de 5000 sujets, soit un taux de 0.5%.

Ce taux observé n’a de signification qu’assorti d’une fourchette : le risque que le vrai
taux sorte d’une fourchette comprise entre 0.3 % et 0.7 % est acceptable. On peut
diminuer ce risque, mais alors la fourchette est plus large, et devient moins
intéressante.
Dans ce cours, nous allons apprendre à estimer à l’aide d’un échantillon :
I Dans le cas d’un caractère quantitatif la moyenne m et l’écart-type d’une
population.
I Dans le cas d’un caractère qualitatif, la proportion p de la population.
Ces estimations peuvent s’exprimer par une seule valeur (estimation ponctuelle), soit
par un intervalle (estimation par intervalle de confiance). Bien sûr, comme l’échantillon
ne donne qu’une information partielle, ces estimations seront accompagnées d’une
certaine marge d’erreur.

Bias d’un estimateur
19
Lorsqu’on utilise fréquemment des estimateurs ponctuels on

souhaite qu’ils possèdent certaines propriétés. Un paramètre
inconnu peut avoir plusieurs estimateurs. Par exemple, pour
estimer le paramètre m, moyenne d’une population, on pourrait
se servir de la moyenne arithmétique, de la médiane ou du
mode.
Estimateur non biaisé.
On note θ le paramètre de valeur inconnue, θ̂ l’estimateur de θ.
Un estimateur est sans biais si la moyenne de sa distribution
d’échantillonnage est égale à la valeur θ du paramètre de la
population à estimer, c’est-à-dire si E (θ̂ ) = θ.
Si l’estimateur est biaisé, son biais est mesuré par l’écart

suivant : BIAIS = E (θ̂ ) − θ.
Exemple introductif 20
Etant donné un échantillon observé (x1 , . . . , xn ) et une loi de

probabilité Pθ , la vraisemblance quantifie la probabilité que les
observations proviennent effectivement d’un échantillon
(théorique) de la loi Pθ .
Prenons l’exemple de 10 lancers de pièce. L’échantillon binaire
observé est par exemple : 0 , 1 , 1 , 0 , 1 , 1 , 1 , 0 , 0 , 1 .
Pour un échantillon de taille 10 de la loi de Bernoulli de
paramètre p, la probabilité d’une telle réalisation est
p6 (1 − p )4 . Voici quelques valeurs numériques.
p 0.2 0.3 0.4 0.5 0.6 0.7 0.8
p 6 (1 − p )4 2.6 × 10−5 1.8 × 10−4 5.3 × 10−4 9.8 × 10−4 1.2 × 10−3 9.5 × 10−4 4.2 × 10−4
Il est naturel de choisir comme estimation de p, celle pour

laquelle la probabilité de l’échantillon observé est la plus forte,
à savoir ici p = 0, 6.
Variable aléatoire discrète (VD)
21
On a la définition suivante de la fonction de vraisemblance,

pour une variables aléatoire discrète.
Cas Variable aléatoire discrètre

Soit C = {c1 , . . . , ck } un ensemble fini, {Pθ } une famille de lois
de probabilité sur C, et n un entier. On appelle vraisemblance
associée à la famille {Pθ }, la fonction qui à un n-uplet
(x1 , . . . , xn ) d’éléments de C et à une valeur θ du paramètre
associe la quantité :
n
L(x1 , . . . , xn , θ ) = ∏ Pθ (xi ).
i =1

Variable aléatoire discrète continue (VC)
22
Dans le cas d’un modèle continu, la loi Pθ a une densité sur R,

et la probabilité pour que l’échantillon prenne une valeur
particulière est toujours nulle. Il faut alors remplacer la
probabilité Pθ par sa densité dans la définition de la
vraisemblance.
Soit {Pθ } une famille de lois de probabilité continues sur R et n

un entier. Notons fθ la densité de probabilité de la loi Pθ . On
appelle vraisemblance associée à la famille {Pθ }, la fonction
qui à un n-uplet (x1 , . . . , xn ) d’éléments de C et à une valeur θ
du paramètre associe la quantité :
n
L ( x1 , . . . , xn , θ ) = ∏ fθ (xi ) .
i =1

Maximum de vraisemblance
23
Définition
Supposons que pour toute valeur (x1 , . . . , xn ), la fonction qui à θ
associe L(x1 , . . . , xn , θ ) admette un maximum unique. La valeur
θb pour laquelle ce maximum est atteint dépend de (x1 , . . . , xn ) :
θb = τ (x1 , . . . , xn ) = arg max L(x1 , . . . , xn , θ ) .
On l’appelle estimation par maximum de vraisemblance.

Si (X1 , . . . , Xn ) est un échantillon (théorique) de la loi Pθ , la
variable aléatoire :
T = τ ( X1 , . . . , Xn ) ,
est l’estimateur du maximum de vraisemblance de θ.

Exemple-Maximum de vraisemblance-VD
24
On prend une variable de Bernoulli, l’ensemble des valeurs

possibles est {0, 1}. Le paramètre inconnu est p. Si
(x1 , . . . , xn ) ∈ {0, 1}n est un échantillon, la vraisemblance vaut :
L(x1 , . . . , xn , p ) = p ∑ xi (1 − p )n−∑ xi .
Son logarithme est :
log(L(x1 , . . . , xn , p )) = (∑ xi ) log p + (n − ∑ xi ) log(1 − p ) .
La dérivée par rapport à p est :

∂ log(L(x1 , . . . , xn , p )) 1 1
= (∑ xi ) − (n − ∑ xi ) .
∂p p 1−p
Elle s’annule pour :
∑ xi
b=
p .
n
Exemple-Maximum de vraisemblance-VD
25
La dérivée seconde est :

∂2 log(L(x1 , . . . , xn , p )) 1 1
= −(∑ xi ) 2 − (n − ∑ xi ) .
∂p2 p (1 − p )2
Elle est strictement négative, la valeur p b est bien un maximum.

Si (X1 , . . . , Xn ) est un échantillon de la loi de Bernoulli de
paramètre p, l’estimateur du maximum de vraisemblance de p
est :
∑ Xi
p̂ = = X.
n

Exemple-Maximum de vraisemblance-VC
26
On considère une expérience de mesure de durée de vie de

disques durs d’ordinateurs. À t = 0 l’ordinateur (ou, plus
vraisemblablement l’appareil de test) est mis en route jusqu’à
ce que le disque tombe en panne. On peut raisonnablement
supposer que les durées de vie des disques sont
indépendantes et on décide de travailler (pour commencer au
moins) avec un modèle simple de durée de vie exponentielle de
paramètre λ. Si nous notons Xi la variable aléatoire décrivant
la durée de vie du ième disque on suppose donc :
P(Xi = xi |λ) = (1/λ)exp (−xi /λ).
Comme les Xi sont aussi supposées IID on a pour la loi
conjointe :
n
P (X1 = x1 , . . . , Xn = xn |λ) = ∏ ((1/λ)exp(−xi /λ)) ,
i =1
Exemple-Maximum de vraisemblance-VC
27
soit pour la log-vraisemblance :
∑ni=1 xi
L(x1 , . . . , xn , λ) = −n log(λ) − .
λ
On montre alors immédiatement en annulant la fonction score
que :
1 n
λ̂ = ∑ xi = X .
n i =1
Ainsi l’estimateur du maximum de vraisemblance (EMV) d’une
loi exponentielle est la moyenne empirique.

TESTS
28
Les Tests Statistique

Introduction
29
La majorité des tests repose sur le principe suivant : On définit

une hypothèse nulle notée H0 contre l’hypothèse alternative H1 .
(
hypothèse nulleH0 ,
Test :
hypothèse alternativeH1 .
Le test a pour objectif d’accepter ou de rejeter H0 avec un

risque connu à partir des données dont on dispose.
On détermine alors une statistique qui est une variable
aléatoire construite à partir des données. Sous H0, cette
variable suit une loi de probabilité connue (normale, student,
khi-deux,...). On détermine alors l’intervalle de confiance dont
lequel doit tomber la statistique avec une probabilité donnée
(1 − α), (le plus souvent 95% pour α = 5%).

Introduction
30
On définit alors la règle de décision suivante :

I Si la statistique tombe dans l’intervalle, on accepte H0 :
Attention, cela ne veut pas dire que H0 est vraie mais que
le test et les données ne permettent pas de voir un écart
significatif à H0 .
I Si la statistique ne tombe pas dans l’intervalle, on rejette
H0 avec le risque α de se tromper, (par exemple α = 5%).

Hypothèses statistiques
31
I Hypothèse nulle H0 : hypothèse selon laquelle on fixe a

priori un paramètre de la population à une valeur
particulière.
I Hypothèse alternative H1 (ou contre-hypothèse) :
n’importe quelle autre hypothèse qui differe de I’hypothèse
nulle H0 .
I La formulation des hypothèses peut être écrite comme

θ = θ0 (H0 ) θ = θ0 (H0 ) θ = θ0 (H0 )
θ 6= θ0 (H1 ) θ > θ0 (H1 ) θ = θ1 (H1 )

θ = θ0 (H0 ) θ ≤ θ0 (H0 ) θ ≥ θ0 (H0 )
θ < θ0 (H1 ) θ > θ0 (H1 ) θ < θ0 (H1 )

Risques d’un test statistique
Risques d’un test statistique 32
Il existe deux types d’erreurs :

I On appelle erreur de première espèce ou erreur de type I,
notée α, la probabilité de rejeter H0 alors qu’elle est vraie.
α est aussi appelé niveau ou seuil de signification.
α = P ( Rejeter H0 /H0 vraie ) = P ( Choisir H1 /H0 vraie ) .
I On appelle erreur de deuxième espèce ou erreur de type

II, notée β, la probabilité d’accepter H0 alors qu’elle est
fausse.
(1 − β) est appelé puissance du test pour H1 , c’est la
probabilité de retenir H1 alors qu’elle est vraie.
1 − β = P ( Rejetet H0 /H1 vraie )

Risques d’un test statistique
Tableau d’un test statistique 33
On peut résumer les types d’erreurs susceptibles de survenir

dans le tableau suivant:
Décision suite au test Réalité Réalité
H0 vraie H0 fausse
Rejet de H0 Erreur de premier espèce α Bonne décision
Acceptation de H0 Bonne décision Erreur deuxième espèce β

Pratique de test
Théorème de Neyman-Pearson 34
Théorème de Neyman-Pearson
Le théorème de Neyman-Pearson est un théorème qui permet
lors de test d’hypothèses simples, de construire le "meilleur"
test à risque fixé. On suppose donc qu’on a une variable
aléatoire dépendant d’un paramètre et (x1 , . . . , xn ) un
échantillon de valeurs observées de X . La vraisemblance de
l’échantillon pour le paramètre est défini par
 n
 ∏ P(xi /θ ) siXestv .a.dicr te



L(x1 , . . . , xn , θ ) = i = 1
n
 ∏ f (xi ; θ ) siXestv .a.continue



i =1
On suppose qu’on doive décider entre (H0 ) : θ = θ0 et

( H1 ) : θ = θ 1 .
Pratique de test
Théorème de Neyman-Pearson 35
Théorème de Neyman-Pearson
Alors le test de puissance maximum pour un risque de première
espèce a fixé est celui dont la région critique est définie par

n L(x1 , . . . , xn , θ0 )
W = (x1 , . . . , xn ) ∈ R / ≤k
L(x1 , . . . , xn , θ1 )
où k est défini par

L ( x1 , . . . , xn , θ 0 )
P ≤ k /θ = θ0 = α
L ( x1 , . . . , xn , θ 1 )
Autrement dit, on rejette H0 si et seulement si (x1 , ..., xn )

appartient à W .

Test de conformité de la moyenne à une
référence 36
Cas d’un petit échantillon n < 30 où σ est inconnue

H0 : µ = µ0
Test bilatéral :
H1 : µ 6= µ0
On calcule :
x̄ − µ0
t=
√s
n
On détermine tα pour la loi T de Student à n − 1 ddl,

P (T > tα ) = 2α , et on décide que:
(1) Si t ∈] − tα ; tα [, on ne peut rejeter H0 .
(2) Sinon, on rejette H0 avec une probabilité α de se tromper.

Test de conformité de la moyenne
37
Exemple: Soit n = 25, X ∼ N µ, σ2 , x̄ = 15 et s = 9. Peut

on affirmer que la moyenne inconnue de la population est 12.

H0 : µ = µ0 = 12
Test bilatéral :
H1 : µ 6= µ0 = 12
Corrigé: On calcule :
x̄ − µ0 15 − 12
t= = = 1.67.
√s √9
n 25
Le ddl est 24, donc pour α = 5% = 0.05, on trouve tα = 2.07.

Comme t ∈ ]−tα ; tα [ = ]−2.07, 2.07[, on accept donc H0 .

Test de conformité de la moyenne à une
référence 38
Cas d’un petit échantillon n > 30 où σ est inconnue

H0 : µ = µ0
Test bilatéral :
H1 : µ 6= µ0
On calcule :
x̄ − µ0
u=
√s
n
On détermine zα pour la loi normale N (0, 1), Φ (zα ) = 1 − 2α ,

et on décide que :
(1) Si u ∈] − zα ; zα [, on ne peut rejeter H0 .

Test de conformité de la variance à une
référence 39
Test de conformité de la variance

H0 : σ2 = σ02

Test bilatéral :
H1 : σ2 6= σ02
Ici on travaille avec la loi Khi-deux à n − 1ddl. On cherche les

deux nombres a et b tels que : P Y 2 ≥ a = 2α et
2

P Y ≥ b = 1 − 2α . On calcule :
n−1 2
y2 = s
σ02
(1) Si y 2 ∈ a; b [, on ne peut rejeter H0 .


Test de conformité de la variance à une
référence 40
Exemple
H0 : σ2 = σ02 = 90

Test bilatéral :
H0 : σ2 6= σ02 = 90
Pour n = 31, s2 = 100, on a le ddl = 31 − 1 = 30.α = 0.05

donc à partir de la table de la loi χ2 , pour 2α = 0.025 donne
a = 46.98 et 1 − 2α = 0.975 donne b = 16.80.
n−1 2 30
y2 = 2
s = × 100 = 33.34
σ0 90
Comme y 2 ∈ a; b [, on accept l’hypothèse H0 .


Test de conformité de la proportion à une
référence 41
Test de conformité de la proportion à une référence

H0 : p = p0
Test bilatéral :
H1 : p 6= p0
On calcule :
p̄ − p0
u= q
p0 (1−p0 )
n
On détermine zα pour la loi normale N (0, 1), Φ (zα ) = 1 − 2α ,

et on décide que :
(1) Si u ∈] − zα ; zα [, on ne peut rejeter H0 .

Test de Proportion
42
Exemple: Sur un échantillon de taille n = 400 de naissances,

on a observé 206 mâles, soit une proportion de mâles de
p̄ = 206/400 = 0, 515. On se demande si il y a autant de
mâles que de femelles. i.e., si p0 = 0, 5. On peut effectuer
alors le test :

H0 : p = p0 = 0.5
Test bilatéral :
H1 : p 6= p0 = 0.5
Corrigé: On calcule :
p̄ − p0 0.515 − 0.5
u= q = q = 0.6.
p0 (1−p0 ) 0.5(1−0.5)
n 400
Pour α = 5% = 0.05, on a zα = 1.96 Comme u ∈] − zα ; zα [,

alors on ne peut rejeter H0 : donc il est possible que p = 0.5
Test d’indépendance ou χ2
43
Test de Khi deux

Test d’indépendance du khi-deux entre deux variables
qualitatives Le test du khi-deux est largement utilisé pour
l’étude de l’indépendance entre deux caractères qualitatifs.
La présentation des résultats se fait sous forme d’un tableau de
contingence à deux entrées.
Chaque entrée représente les modalités d’une des variables.
On détermine alors le tableau attendu sous l’hypothèse
d’indépendance.

44
Exemple de Test de Khi deux

Un échantillon de n = 1000 personnes ont été interrogées sur
une question précise. On a demandé à ces personnes de
préciser leur sexe. Nous voudrions
savoir si la réponse Y à la question est indépendante du sexe X .
X /Y Favorable Défavorable Indécis Total
Masculin n11 = 210 n12 = 194 n13 = 91 n1• = 495
Féminin n21 = 292 n22 = 151 n23 = 62 n2• = 505
Tot al n•1 = 502 n•2 = 345 n•3 = 153 n = 1000

45
Test de Khi deux

Sous hypothèse d’indépendance, la distribution conjointe est
simplement le produit des distributions marginales, i.e.,
n n
fij = fi • f•j . Si l’on estime fij par nij et fi • par nni • et f•j par n•j , on
devrait donc avoir :
ni • n•j
nij ≈
n
L’idée est de calculer l’écart entre les deux termes: le nij
observé et le nij prédit ou théorique, si cet écart devient trop
important, on devra rejeter l’hypothèse que les variables sont
indépendantes.

46
Test de Khi deux

On calcule : 2
ni • n•j
k 1 nij − n
Q= ∑∑ ni • n • j
i =1 j =1 n
La statistique Q est distribuée suivant une khi-deux à

(k − 1)(l − 1) ddl, où k et l désignent le nombre de valeurs des
deux variables.
Test de validité du test : il faut que la fréquence théorique
ni • n•j
n ≥ 5 pour tous i et j.
Nous acceptons H0 si Q ≤ qα avec P Y 2 > qα = α.


47
Reprendre l’exemple
Dans notre exemple du tableau, pour α = 0.05, on a le ddl est
(3 − 1) × (2 − 1) = 2, qα = 5, 99 et la valeur de Q est :
×502 2 ×345 2 ×153 2
( 4951000 −210) ( 4951000 −194) ( 4951000 −91)
Q= 495×502 + 495×345 + 495×153 +
1000 1000 1000
×502 2 ×345 2 ×153 2
( 5051000 −292) ( 5051000 −151) ( 5051000 −62)
505×502 + 505×345 + 505×153 = 24, 15.
1000 1000 1000
On remarque que Q > qα (24, 15 > 5, 99), on rejette alors H0

avec un risque de α = 0.05 de se tromper.

Intervalles de Confiance
48
Intervalles de Confiance

Dilemme
49
Figure: Choix de la moyenne de la population à partir d’un

échantillon.

Introduction
50
La théorie des intervalles de confiance (IC) consiste à

construire, autour de l’estimation ponctuelle, un intervalle qui
aura une grande probabilité (1 − α) de contenir la vraie valeur
du paramètre. La probabilité associée à l’intervalle de
confiance et exprimée en pourcentage est égale à 1 − α où α
est le seuil de confiance ou niveau de confiance de l’intervalle,
exprimé également en pourcentage. Autrement dit,
P (LI ≤ θ ≤ LS ) = 1 − α,
où
I LI est la limite inférieure de l’intervalle de confiance.
I LS est la limite supérieure de l’intervalle de confiance.
I S est la probabilité associée à l’intervalle d’encadrer la
vraie valeur du paramètre.
IC de la moyenne µ de la population
51
1er cas : Lorsque la taille de l’échantillon est grande (n ≥ 30)

et la variance de la population de X est connue, on obtient un
intervalle de confiance pour µ au seuil de confiance (1 − α) de
la forme :

σ σ
IC(1−α)% = x̄ − zα √ ; x̄ + zα √
n n

i.e., P µ ∈ IC(1−α)% = (1 − α)
Φ (zα ) = 1 − 2α , où Φ est la fdr de la loi normale N (0, 1).

52
1. Ceci est aussi vrai pour de petits échantillons (n < 30)

lorsque la variable aléatoire X suit une loi normale et que
la variance de X est connue.
2. Lorsque la taille de l’échantillon est grande (n ≥ 30) et la
variance de la population de X est inconnue, on obtient un
intervalle de confiance pour la moyenne µ au seuil de
confiance (1 − α) de la forme :

S S
IC(1−α)% = x̄ − zα √ ; x̄ + zα √
n n

i.e., P µ ∈ IC(1−α)% = (1 − α)
où S 2 est l’estimateur de la variance, définit par:

n
1
S2 = ∑
n − 1 i =1
( Xi − X ) 2 .

53
Exemple:
On a observé la taille de n = 200 hommes Algériens adultes.
Après calcul, on a obtenu une moyenne de µ = 168cm. Si on
suppose que la variance connue vaut σ2 = 1. Donnez un
intervalle de confiance à 95% de la vraie moyenne de la
population.
Corrigé:
Puisque α = 0, 05(5%), alors P(zα ) = 1 − 2α = 0, 975, par suite
zα = 1, 96.
Finalement
IC95% = [167, 86; 168, 14], i.e., P(µ ∈ [167, 86; 168, 14]) = 0, 95

54
2eme cas : Lorsque la taille de l’échantillon est petite (n < 30)

et X suit une loi normale de variance inconnue, on obtient un
intervalle de confiance pour µ au seuil de confiance (1 − α) de
la forme :
s s
IC(1−α)% = x̄ − tα √ ; x̄ + tα √
n n
tα se déduit da la table student comme suit :
α
P (T > tα ) = .
2

55
Exemple:
Un échantillon de 10 appartements (trois et demi) dans un
rayon de 1 km de l’université a permis d’estimer le coût moyen
du loyer mensuel à 350 par mois et un écart type de 30. Quel
est l’intervalle de confiance de 95% pour la moyenne des loyers
mensuels? Supposons que les loyers suivent une loi normale.
Corrigé:
pour un coefficient de confiance de 0, 95, on a α = 0, 05, et
donc 2α = 0, 025. On a n − 1 = 10 − 1 = 9 degrés de liberté,
alors la table de la distribution Student nous donne tα = 2, 262.
Finalement, après calcul
IC95% = [328, 54 ; 371, 46].
Donc, nous sommes confiants à 95% que la moyenne des
loyers mensuels (le vrai paramètre de la population µ), se
trouve entre 328.54 et 371.46.
IC de la variance σ2 de la population
56
Soit n la taille de2 l’échantillon et s2 la variance échantillonnale.

(n −1)S
Ici, Y 2 = σ2 suit la loi de khi-deux à n − 1 ddl. On cherche
a et b tels que : P Y 2 ≥ a = 2α et

les deux nombres
P Y 2 ≥ b = 1 − 2α .

L’intervalle de confiance au seuil (1 − α) pour la variance

inconnue σ2 de la population est de la forme :
(n − 1)s 2 (n − 1)s 2

IC(1−α)% = ; .
a b

IC de la variance σ2 de la population
57
Exemple:
Pour n = 31, s2 = 100, on a le ddl = 31 − 1 = 30. Pour
α = 0, 05, on a 2α = 0, 025, ce qui donne a = 46, 98 et
1 − 2α = 0, 975, ce qui donne b = 16, 80.
Finalement,
IC95% = [0, 3965 ; 0, 4835].

IC de la proportion p de la population
58
Lorsque n est grand (n ≥ 30) et si p̄ est la proportion

échantillonnale alors un intervalle de confiance pour la
proportion p inconnue de la population au seuil de confiance
(1 − α) de la forme
" r r #
p̄ (1 − p̄ ) p̄ (1 − p̄ )
IC(1−α)% = p̄ − zα ; p̄ + zα
n n
avec Φ (zα ) = 1 − 2α , où Φ est la fonction de répartition de la loi

normale N (0, 1)

59
Exemple:
Le Conseil Electoral (CE) est une instance qui s’occupe des
sondages politiques. À l’aide de sondages téléphoniques, les
interviewers demandent aux citoyens pour qui ils voteraient si
les élections avaient lieu aujourd’hui. Récemment, CE a trouvé
que 220 votants sur 500 voterait pour un candidat particulier.
Le CE veut estimer l’intervalle de confiance à 95% pour la
proportion des votants qui sont en faveur de ce candidat.
Corrigé:
On a n = 500, p = 220/500 = 0, 44 et zα = 1, 96 obtenue à
partir de la table de la loi gaussienne, donc
IC95% = [0, 3965 ; 0, 4835],
i.e., SPI est confiant à 95% que la proportion des votants qui
favoriseront ce candidat est entre 0.3965 et 0.4835.
Table Loi de Gauss
60
Table Loi Normale

Table de Gauss
61
! (t)
0
t
Figure: La table donne Φ(t ) = P (0 < X < t ).

Utilisation de la table de Gauss
62

63
t 0 1 2 3 4 5 6 7 8 9
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
3.1 0.4990 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995
3.3 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997
3.4 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4998
3.5 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.6 0.4998 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.7 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.9 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000
4.0 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000
Table de Khi deux
64
Table de Khi deux

Table de χ2
65
P(# 2 > # 2!,")= !

1!!
# 2!,"
Figure: La table donne χ2α,ν tel que P (|χ2α,ν | > tα ) = α.

Utilisation de la table de Khi deux
66

67
ν\α 0.99 0.98 0.95 0.9 0.8 0.2 0.1 0.05 0.02 0.01
1 0.000 0.001 0.004 0.016 0.064 1.642 2.706 3.841 5.412 6.635
2 0.020 0.040 0.103 0.211 0.446 3.219 4.605 5.991 7.824 9.210
3 0.115 0.185 0.352 0.584 1.005 4.642 6.251 7.815 9.837 11.345
4 0.297 0.429 0.711 1.064 1.649 5.989 7.779 9.488 11.668 13.277
5 0.554 0.752 1.145 1.610 2.343 7.289 9.236 11.070 13.388 15.086
6 0.872 1.134 1.635 2.204 3.070 8.558 10.645 12.592 15.033 16.812
7 1.239 1.564 2.167 2.833 3.822 9.803 12.017 14.067 16.622 18.475
8 1.646 2.032 2.733 3.490 4.594 11.030 13.362 15.507 18.168 20.090
9 2.088 2.532 3.325 4.168 5.380 12.242 14.684 16.919 19.679 21.666
10 2.558 3.059 3.940 4.865 6.179 13.442 15.987 18.307 21.161 23.209
11 3.053 3.609 4.575 5.578 6.989 14.631 17.275 19.675 22.618 24.725
12 3.571 4.178 5.226 6.304 7.807 15.812 18.549 21.026 24.054 26.217
13 4.107 4.765 5.892 7.042 8.634 16.985 19.812 22.362 25.472 27.688
14 4.660 5.368 6.571 7.790 9.467 18.151 21.064 23.685 26.873 29.141
15 5.229 5.985 7.261 8.547 10.307 19.311 22.307 24.996 28.259 30.578
16 5.812 6.614 7.962 9.312 11.152 20.465 23.542 26.296 29.633 32.000
17 6.408 7.255 8.672 10.085 12.002 21.615 24.769 27.587 30.995 33.409
18 7.015 7.906 9.390 10.865 12.857 22.760 25.989 28.869 32.346 34.805
19 7.633 8.567 10.117 11.651 13.716 23.900 27.204 30.144 33.687 36.191
20 8.260 9.237 10.851 12.443 14.578 25.038 28.412 31.410 35.020 37.566
21 8.897 9.915 11.591 13.240 15.445 26.171 29.615 32.671 36.343 38.932
22 9.542 10.600 12.338 14.041 16.314 27.301 30.813 33.924 37.659 40.289
23 10.196 11.293 13.091 14.848 17.187 28.429 32.007 35.172 38.968 41.638
24 10.856 11.992 13.848 15.659 18.062 29.553 33.196 36.415 40.270 42.980
25 11.524 12.697 14.611 16.473 18.940 30.675 34.382 37.652 41.566 44.314
26 12.198 13.409 15.379 17.292 19.820 31.795 35.563 38.885 42.856 45.642
27 12.879 14.125 16.151 18.114 20.703 32.912 36.741 40.113 44.140 46.963
28 13.565 14.847 16.928 18.939 21.588 34.027 37.916 41.337 45.419 48.278
29 14.256 15.574 17.708 19.768 22.475 35.139 39.087 42.557 46.693 49.588
30 14.953 16.306 18.493 20.599 23.364 36.250 40.256 43.773 47.962 50.892

Table de Student
68
Table de Student

Table de Student
69
!#$ !!! !#$
!%! " %!
#$ #$
Figure: La table donne tα/2 tel que P (|Tν | > tα/2 ) = α.

Utilisation de la table de Student
70

71
ν\α 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.05 0.02 0.01 0.001
1 0.158 0.325 0.510 0.727 1.000 1.376 1.963 3.078 6.314 12.706 31.82 63.65 636.6
2 0.142 0.289 0.445 0.617 0.816 1.061 1.386 1.886 2.920 4.303 6.965 9.925 31.59
3 0.137 0.277 0.424 0.584 0.765 0.978 1.250 1.638 2.353 3.182 4.541 5.841 12.92
4 0.134 0.271 0.414 0.569 0.741 0.941 1.190 1.533 2.132 2.776 3.747 4.604 8.610
5 0.132 0.267 0.408 0.559 0.727 0.920 1.156 1.476 2.015 2.571 3.365 4.032 6.869
6 0.131 0.265 0.404 0.553 0.718 0.906 1.134 1.440 1.943 2.447 3.143 3.707 5.959
7 0.130 0.263 0.402 0.549 0.711 0.896 1.119 1.415 1.895 2.365 2.998 3.499 5.408
8 0.130 0.262 0.399 0.546 0.706 0.889 1.108 1.397 1.860 2.306 2.896 3.355 5.041
9 0.129 0.261 0.398 0.543 0.703 0.883 1.100 1.383 1.833 2.262 2.821 3.250 4.781
10 0.129 0.260 0.397 0.542 0.700 0.879 1.093 1.372 1.812 2.228 2.764 3.169 4.587
11 0.129 0.260 0.396 0.540 0.697 0.876 1.088 1.363 1.796 2.201 2.718 3.106 4.437
12 0.128 0.259 0.395 0.539 0.695 0.873 1.083 1.356 1.782 2.179 2.681 3.055 4.318
13 0.128 0.259 0.394 0.538 0.694 0.870 1.079 1.350 1.771 2.160 2.650 3.012 4.221
14 0.128 0.258 0.393 0.537 0.692 0.868 1.076 1.345 1.761 2.145 2.624 2.977 4.140
15 0.128 0.258 0.393 0.536 0.691 0.866 1.074 1.341 1.753 2.131 2.602 2.947 4.073
16 0.128 0.258 0.392 0.535 0.690 0.865 1.071 1.337 1.746 2.120 2.583 2.921 4.015
17 0.128 0.257 0.392 0.534 0.689 0.863 1.069 1.333 1.740 2.110 2.567 2.898 3.965
18 0.127 0.257 0.392 0.534 0.688 0.862 1.067 1.330 1.734 2.101 2.552 2.878 3.922
19 0.127 0.257 0.391 0.533 0.688 0.861 1.066 1.328 1.729 2.093 2.539 2.861 3.883
20 0.127 0.257 0.391 0.533 0.687 0.860 1.064 1.325 1.725 2.086 2.528 2.845 3.850
21 0.127 0.257 0.391 0.532 0.686 0.859 1.063 1.323 1.721 2.080 2.518 2.831 3.819
22 0.127 0.256 0.390 0.532 0.686 0.858 1.061 1.321 1.717 2.074 2.508 2.819 3.792
23 0.127 0.256 0.390 0.532 0.685 0.858 1.060 1.319 1.714 2.069 2.500 2.807 3.768
24 0.127 0.256 0.390 0.531 0.685 0.857 1.059 1.318 1.711 2.064 2.492 2.797 3.745
25 0.127 0.256 0.390 0.531 0.684 0.856 1.058 1.316 1.708 2.060 2.485 2.787 3.725
26 0.127 0.256 0.390 0.531 0.684 0.856 1.058 1.315 1.706 2.056 2.479 2.779 3.707
27 0.127 0.256 0.389 0.531 0.684 0.855 1.057 1.314 1.703 2.052 2.473 2.771 3.690
28 0.127 0.256 0.389 0.530 0.683 0.855 1.056 1.313 1.701 2.048 2.467 2.763 3.674
29 0.127 0.256 0.389 0.530 0.683 0.854 1.055 1.311 1.699 2.045 2.462 2.756 3.659
30 0.127 0.256 0.389 0.530 0.683 0.854 1.055 1.310 1.697 2.042 2.457 2.750 3.646
40 0.126 0.255 0.388 0.529 0.681 0.851 1.050 1.303 1.684 2.021 2.423 2.704 3.551
60 0.126 0.254 0.387 0.527 0.679 0.848 1.045 1.296 1.671 2.000 2.390 2.660 3.460
120 0.126 0.254 0.386 0.526 0.677 0.845 1.041 1.289 1.658 1.980 2.358 2.617 3.373
∞ 0.126 0.253 0.385 0.524 0.674 0.842 1.036 1.282 1.645 1.960 2.326 2.576 3.291

Presentation Cours Stat Master 1

Transféré par

Droits d'auteur :

Formats disponibles

Presentation Cours Stat Master 1

Transféré par

Informations du document

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

Presentation Cours Stat Master 1

Transféré par

Droits d'auteur :

Formats disponibles

Université Djillali Liabes de Sidi

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

On appelle population la totalité des unités de n’importe quel

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Afin de ne pas confondre les statistiques et les paramètres, on

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Les méthodes empiriques: Utilisées par les instituts de sondage.

L’échantillonnage simple consiste à extraire un échantillon de

I Ω = {ω1 , . . . , ωN } : la population constituée d’éléments

Après la réalisation, la statistique Y prend la valeur

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Soit X le caractère quantitatif que l’on voudrait étudier sur une

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Soit (X1 , X2 , . . . , Xn ) un n-échantillon d’une variable aléatoire X

En moyenne, la variance dans l’échantillon est plus faible que

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Soit une population comportant deux modalités A et B. Soit p

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

I Sinon (le cas ou n < 30 ), la variable Kn suit une loi

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Figure: Inférence statistique-Estimation paramétrique.

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

L’inférence statistique consiste à induire les caractéristiques

Stat. descriptives (L1) Stat. inférentielles (L3)

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

On a observé 25 séropositifs sur un échantillon de 5000 sujets, soit un taux de 0.5%.

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Lorsqu’on utilise fréquemment des estimateurs ponctuels on

Si l’estimateur est biaisé, son biais est mesuré par l’écart

Etant donné un échantillon observé (x1 , . . . , xn ) et une loi de

Il est naturel de choisir comme estimation de p, celle pour

On a la définition suivante de la fonction de vraisemblance,

Cas Variable aléatoire discrètre

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Dans le cas d’un modèle continu, la loi Pθ a une densité sur R,

Soit {Pθ } une famille de lois de probabilité continues sur R et n

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

θb = τ (x1 , . . . , xn ) = arg max L(x1 , . . . , xn , θ ) .

On l’appelle estimation par maximum de vraisemblance.

est l’estimateur du maximum de vraisemblance de θ.

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

On prend une variable de Bernoulli, l’ensemble des valeurs

Son logarithme est :

log(L(x1 , . . . , xn , p )) = (∑ xi ) log p + (n − ∑ xi ) log(1 − p ) .

La dérivée par rapport à p est :

La dérivée seconde est :

Elle est strictement négative, la valeur p b est bien un maximum.

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

On considère une expérience de mesure de durée de vie de

soit pour la log-vraisemblance :

Pr. M. Attouch | Cours de Master SA-PA - Module :Statistique 1

Les Tests Statistique