Rsum

Noubliez jamais que le 1er professeur de la personne cest lui mme.

Rvision globale
Echantillonnage, Estimation
&
Test
Mohamed BARRADI
med.barradi@gmail.com.
14 janvier 2015

Table des matires

Variable aleatoire continue : . . . . . . . . . . . . . . . . . . .

1.1

Calcul des integrales . . . . . . . . . . . . . . . . . . .

1.2

Fonction densit f (x) . . . . . . . . . . . . . . . . . . .

1.3

Fonction de Rpartition FX (x) . . . . . . . . . . . . . .

1.4

Esprence E(X)

. . . . . . . . . . . . . . . . . . . . .

1.5

La variance V ar(X) : . . . . . . . . . . . . . . . . . . .

1.6

Calcule de Probabilit : . . . . . . . . . . . . . . . . . .

Lois Usuelles

. . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1

Loi Uniforme U [a; b] . . . . . . . . . . . . . . . . . . .

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

Estimation par intervalle de conance de la moyenne m :

4.6

Estimation par intervalle de conance de la proportion

p : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1

Variable aleatoire continue :

4.7
5

1
1.1

Taille de lchantillon n : avec marge derreur e donne. 11

Tests dhypothse . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.1

Principe . . . . . . . . . . . . . . . . . . . . . . . . . . 12

5.2

Type des tests dhypothse . . . . . . . . . . . . . . . . 12

5.3

Test de la moyenne m : . . . . . . . . . . . . . . . . . . 13

5.4

Test de la proportion p : . . . . . . . . . . . . . . . . . 14

Variable aleatoire continue :

Calcul des integrales
On a
Z
Z

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

Fonction densit f (x)

f est un densit si et seulement si :
1. f est dnie sur R et f (x)
Z +1
2.
f (x)dx = 1:
1

0 (8x 2 R):

Variable aleatoire continue :

1.3

Fonction de Rpartition FX (x)

La fonction de Rpartition nous aide calculer les probabilits :
Z x
f (x)dx
FX (x) =
1

Et on discute FX suite au cas de x pour dtrminer la valeur de f (x):

1.4

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

telque g est une fonction de X )comme g(X) = X 2

1.5

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 )

si les variables sont indpendents donc Cov(X; Y ) = 0

: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)

(Loi normale centre rduite) pour utiliser sa table.

Le changement sera : si
L(X) =N (

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

1:31) = (1; 31) = 0:9049

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

Pour le calcul des probabilits :

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)

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.

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:

De mme pour lechantillon il y a sa moyenne x; sa variance (Ecart-type) s2 (s);

Ou sa frquence f:
Exemple : On cherche tudier le poids chez des jeunes inscritent la
facult A . Alors on a pris un chantillon de taille 10 est on a obtenu ces
rsultats par Kg :
67.5 58.2 75.6 98.3 54.1 66.8 61.06 89.4 61 78.6
Alors la moyenne du poids de lechantillon est
1 X
xi
10 i=1
10

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

Donc on peut rsum les informations prcdentes dans un tableau :

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

La moyenne de lchantillon E(X) = m

La variance corrige

E(b
s2 ) =

Lecart-type corrige
la frquence

E(F ) = p

Vous allez voir un exemple dans lexamen Blanc.

4.5

Estimation par intervalle de conance de la moyenne m :

On commecera par Intervalle de conance de la moyenne, mais avant cel
nous allons voir trois exemples :
1. On cherche estimer le poids moyen de sacs de farine sachant que le
poids suit une loi normale avec un ecart-type = 2g:
2. On cherche estimer le poids moyen de sacs de farine sachant que le
poids suit une loi normale N (m; ):
3. On cherche estimer le poids moyen de sacs de farine.
Revenant lintervalle du conance de la moyenne avec un risque :
ICm = [x

e; x + e]

10

Estimation

x est dj calcul, mais e 3 cas possible :

1. Si Loi connue +

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

) obtenue de la table fractile de la loi normale centre

Estimation par intervalle de conance de la proportion p :

On commecera par deux exemple pour mieux connaitre la frquence f :
1. On cherche tudier le taux de chmage au maroc, donc on a pris un
echantillont de taille 100 et on a trouv parmis eux 32 chmeurs.
2. Pour savoir limpact des a ches publicitaires dune X socit, sur un
chantillon de taille 275 personnes on a trouv 21% qui sintresse ces
a ches.

11

Estimation

Dans le 1er cas on a : n = 100 et Kn = 32

f=

Kn
32
=
= 0:32
n
100

Dans le 2me on a : n = 275 mais ici on a donn dirctement f = 0:21; car

ce est sur lechantillon.
Revenant lintervalle du conance de la proportion avec un risque :
ICp = [f
avec
e = z(1

Avec z(1
4.7

e; f + e]
r

):

f (1

f)
n

) obtenue de la table fractile de la loi normale centre rduite.

Taille de lchantillon n : avec marge derreur e donne.

On peut demander calculer la taille de lechantillon dans deux cas :

1. dans le cas destimation de la moyenne m :
(a) Si

est connue, alors

2

n=
(b) Si

U (1

est connue, alors

n=

sb
U (1
e

2. dans le cas destimation de la proportion p :

0
12
U (1
)
2 A
n = f (1 f ) @
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

Type des tests dhypothse

On doit dabord savoir si le test et de la moyenne ou la proportion, pour le
teste de la moyenne on parle juste de la moyenne et pour la proportion on
parle du %.
On a deux types de tests :
1. Bilatral : dans le cas dgale ou 6= :(ici on travaille avec Zaccept et 1
)
2
2. Unilatral : (ici on travaille avec Zrejet et 1
) et on a deux types
unilatral
(a) A Droite : Superieur, plus que , au moins , augmenter ... en
gnral les trmes de croissances ">".
(b) A Gauche : Infrieur , Moins que , au plus , diminuer .... en
gnral les trmes de croissances "<" .
Alors dans chaque test on parlera de 4 points importantes
1. Hypothse
2. Variable de dcision
3. Seuil
4. Zone acceptation / Rejet
5. Test & Dcision.

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