Professional Documents
Culture Documents
Rvision globale
Echantillonnage, Estimation
&
Test
Mohamed BARRADI
med.barradi@gmail.com.
14 janvier 2015
1.1
1.2
1.3
1.4
Esprence E(X)
. . . . . . . . . . . . . . . . . . . . .
1.5
La variance V ar(X) : . . . . . . . . . . . . . . . . . . .
1.6
Calcule de Probabilit : . . . . . . . . . . . . . . . . . .
Lois Usuelles
. . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1
2.2
Exponnentielle "( ) . . . . . . . . . . . . . . . . . . . .
2.3
Loi Normale N ( ; ) . . . . . . . . . . . . . . . . . . .
Echantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . .
Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1
Population . . . . . . . . . . . . . . . . . . . . . . . . .
4.2
Echantillon . . . . . . . . . . . . . . . . . . . . . . . .
4.3
Interprtation . . . . . . . . . . . . . . . . . . . . . . .
4.4
Estimation ponctuelle . . . . . . . . . . . . . . . . . .
4.5
4.6
4.7
5
1
1.1
Tests dhypothse . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.1
Principe . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.2
5.3
Test de la moyenne m : . . . . . . . . . . . . . . . . . . 13
5.4
Test de la proportion p : . . . . . . . . . . . . . . . . . 14
1.2
xn+1
axn dx = a
n+1
Z
adx = [ax]
xn + xm dx =
Z
eax dx =
xn+1
xm+1
+
n+1 m+1
eax
a
0 (8x 2 R):
1.3
Esprence E(X)
E(X) =
E( X) =
E( X + ) =
E( X + Y ) =
2
E(X ) =
E(g(X)) =
+1
x:f (x)dx
1
E(X) ; E( ) =
E(X) +
E(X) + E(Y )
+1
x2 :f (x)dx
1
+1
g(x):f (x)dx
1
La variance V ar(X) :
V ar(X)
V ar( X)
V ar( )
V ar( X + )
V ar( X + Y )
= E(X 2 ) E 2 (X):
= 2 V ar(X)
= 0
= 2 V ar(X)
= V ar( X) + V ar( Y )
:Cov(X; Y )
Lois Usuelles
1.6
Calcule de Probabilit :
P (X
P (a
P (X
2
2.1
a) = F (a)
X b) = F (b)
a) = 1 P (X
F (a)
a) = 1
F (a)
Lois Usuelles
Loi Uniforme U [a; b]
1. Les Paramtres : a et b telque la longuer dintervalle de la loi uniforme
est : b a
2. La densit
1
b a si x 2 [a; b]
f (x) =
sinon
0
3. La Fonction de Rpartition
8
si x < a
< 0
x a
si x 2 [a; b]
FX (x) =
: b a
si x > b
1
4. E(X); V ar(X) :
(b a)2
b+a
; V ar(X) =
E(X) =
2
12
2.2
Exponnentielle "( )
1. Les Paramtres :
2. La densit
e
0
f (x) =
si x 0
sinon
3. La Fonction de Rpartition
0
FX (x) =
si x < 0
+ 1 si x 0
4. E(X); V ar(X) :
E(X) =
; V ar(X) =
1
2
Lois Usuelles
2.3
Loi Normale N ( ; )
Comme vous voyez, les paramtres de la loi normale sont deux :
et
telque
= E(X) = la moyenne
p
=
V ar(X) = ecart-type
Pour calculer P (X
a) telque X suit une loi normale N (
toujours un changement de variable pour rendre
N(
X;
X)
X;
X );
on fait
N (0; 1)
X;
X)
on pose
T =
X
X
alors automatiquement
X
= p
E(X)
V ar(X)
L(T ) =N (0; 1)
On appliquant ce changement on a appliqu TCL "Thorme Centrale
Limite"
Comment on utilise la table de N (0; 1)?
Supposons quaprs le changement de variable P (X a) est devenu P (T
1:31) = (1; 31) telque est la fonction de rpartition de la loi N (0; 1):
Pour obtenire la valeur de (1; 31) on utilise la table NCR on divisant 1,31
on deux parties 1; 31 = 1:3 + 0:01
Donc on aura P (T
Echantillonnage
Echantillonnage
Dans cette partie il y a 3 types de questions :
1. Donner esprence et la variance de X ou F
2. Donner la loi de X ou F
3. Calculer P ( X < a); ::::
Donc on rsumera tous cela dans un tableau (Faon pratique de rsoudre un
exercice) :
On sait quon doit savoir est ce que la loi de X est connue ou pas , si oui on
passe au tirage, si non nous seront obligs de voir la taille de lchantillon n
et quelle sera n > 30 et aprs on passe au tirage;Donc onva vous rsum le
nale des rsultats :
Distribution
La moyenne X
Esprence Variance
E(X) = m Exhaustif
2
E(X) = m
N n
V (X) =
n N 1
Non Exhaustif
2
V (X) =
La proportion F
E(F ) = p
V (F ) =
Loi
Loi de X est
r
2
N
N m;
n N
Loi de X est!
r
n
1
n
p(1
p)
n
m;
si n > 30 Et np > 5
r
p(1 p)
)
F N (p;
n
Estimation
Distribution
La moyenne X
Calcule de Probabilit
Tirage
Pour calculer P ( X < a)
X m
Exhaustif
on pose : T = r 2
N (0; 1)
N n
n N 1
Tirage
Pour calculer P ( X < a)
X m
Non Exhaustif on pose : T = r
N (0; 1)
2
La proportion F
n
Pour calculer P ( F < a)
F p
on pose : T = r
p(1 p)
n
N (0; 1)
4
4.1
Estimation
Population
Sur une population on cherche estimer sa moyenne m, sa variance (Ecarttype) 2 ( ); Ou sa proportion p:
comme exemple : estimer la taille moyenne des nouveaux ns au maroc,
estimer le poids moyen des lles une facult, estimer le taux de chmage
au maroc ....
pour cette raison on a besoin dun echantillon.
:
Estimation
4.2
Echantillon
Comme tout le monde le sait, il nest pas toujours possible dtudier un
caractre X sur toute la population, donc on va extraire juste un chantillon
et on cherche des informations sur lui.
4.3
Interprtation
Sur une population on peut avoir sa moyenne m, sa variance (Ecart-type)
( ); Ou sa proportion p:
x =
= 71:056
Et sa variance est
1 X
=
(xi
10 i=1
10
s2
= A Calculer
1 X 2
xi
10 i=1
10
x)2 =
x2
Estimation
Symbole
x
s2
s
f
4.4
Relation
1 Xn
xi
i=1
n
1 Xn
xi 2
i=1
pn
s2
Signication
La moyenne de lchantillon
x2
La variance de lchantillon
Esprence
E(X) = m
n
E(s2 ) =
Lecart-type de lchantillon
la frquence
E(F ) = p
Kn
n
Estimation ponctuelle
Alors, comme on a vu, on cherche faire une estimation dune moyenne de
population, variance , ecart-type ou proportion, donc aussi on va le rsumer
dans un tableau.
Paramtre Estimateur
m
2
x
sb2
sb
Relation
1 Xn
xi
n n i=1
s2
n
1
r
n 2
s
n 1
Kn
n
Signication
Justication
E(b
s2 ) =
Lecart-type corrige
la frquence
E(F ) = p
e; x + e]
10
Estimation
connue :
e = z(1
): p
Avec z(1
) obtenue de la table fractile de la loi normale centre
2
rduite. Exemple : = 5% donc daprs la table on aura : z(1 2 ) =
z(1 0:05
) = z(0:975) = 1:96
2
2. Si Loi connue + inconnue : on observe la taille n
Si n 30, donc
s
): p
e = tn 1 (1
2
n
Avec s est dj calcul et tn 1 (1 2 ) obtenue de la table fractile de la
loiStudent. Exemple : n = 10; = 5% donc daprs la table on aura :
) = t9 (0:975) = 2:262
tn 1 (1 2 ) = t10 1 (1 0:05
2
Si n > 30, donc
s
): p
e = z(1
2
n
3. Si Loi inconnue : on observe la taille n (Comme le 2le cas)
Si n 30, donc : On peut rien dire.
Si n > 30, donc :
s
): p
e = z(1
2
n
Avec z(1
rduite.
4.6
11
Estimation
Kn
32
=
= 0:32
n
100
Avec z(1
4.7
e; f + e]
r
):
f (1
f)
n
n=
(b) Si
U (1
sb
U (1
e
12
Tests dhypothse
5
5.1
Tests dhypothse
Principe
Parfois quelquun nous balance une information, alors la logique demande de
tester si on doit a rmer cette information ou pas.
Pour cel on procde par les tests des hypothses, on pose lhypothse et par
une procdure bien dnie soit on accepte ce que cette personne nous a dit
ou pas.
5.2
13
Tests dhypothse
5.3
Test de la moyenne m :
On travaillera sur le cas de
Bilatral
connue et x donne.
Unilatral
A Droite
A Gauche
H0 : m = m 0
H0 : m = m 0
H 1 : m > m0
H 1 : m < m0
H0 : m = m 0
H1 : m 6= m0
1 Xn
x=
xi ou donne comme la moyenne de lechantillon
i=1
n
Donne (5% , 10% ou 1%)
Zaccept = [m0 e; m0 + e]
Z= [m0 + e; +1[ Zrejet =] 1; m0 e]
Si est connue : e = z(1 2 ): pn
Si connue : e = z(1
): pn
s
b
inconnue+ n < 30 : e = tn 1 (1 2 ): pn
inconnue et n < 30 : e = tn 1 (1 2 ): psbn
inconnue+ n > 30 : e = z(1 2 ): psbn
inconnue et n > 30 : e = z(1
): psbn
Si x 2Zaccept ) on accepte H0
Si x 2 Zrejet ) on rejete H0
et On accepte H1
et on Rejete H1 alors m = m0 de seuil
alors m > m0
m < m0
Si x 2
= Zaccept ) on rejette H0
Si x 2
= Zrejet ) on accepte H0
et On accepte H1
et on Rejete H1
alors m 6= m0 de seuil
m = m0 de seuil
14
Tests dhypothse
5.4
Test de la proportion p :
Bilatral
H0 : p = p 0
H1 : p 6= p0
Zaccept = [p0 re; p0 + e]
p0 (1 p0 )
e = z(1 2 ):
n
f 2 Zaccept ) on accepte H0
on Rejete H1 ,alors p = p0
f 2Z
= accept ) on rejette H0 =
et On accepte H1 alors p 6= p0
Unilatral
A Gauche
A Droite
H0 : p = p 0
H0 : p = p 0
H1 : p < p0
H 1 : p > p0
Kn
f=
n
Zrejet = [0; p0 e] r Zrejet = [p0 + e; 1]
p0 (1 p0 )
e = z(1
):
n
f 2 Zrejet ) on rejette H0 =On accepte H1
alors p < p0
p > p0
f 2Z
= rejet ) on accepte H0 = on Rejete H1
p = p0