Académique Documents
Professionnel Documents
Culture Documents
Abdelhamid El Mossadeq
P rofesseu r à l’E H T P
2006-2007
© A. El Mossadeq
Juin 2006
TABLE DES MATIERES
Statistique Descriptive
A. El Mossadeq Statistique Descriptive
1. CONCEPTS GÉNÉRAUX DE LA
STATISTIQUE DESCRIPTIVE
Une population est l’ensemble des unités statistiques ou individus étudié par le
statisticien.
Pour décrire une population, on s’efforce de classer les individus qui la composent
en un certain nombre de sous ensembles.
Cette opération aboutit à la confection de tableaux statistiques.
Le classement peut se faire relativement à un ou plusieurs caractères.
Le choix d’un caractère détermine le critère qui servira à classer les individus de la
population étudiées en deux ou plusieurs sous ensembles.
Le nombre de ses sous ensembles correspond aux différentes situations possibles ou
modalités de ce caractère.
Les différentes modalités d’un caractère doivent être à la fois incompatibles et ex-
haustives : un individu appartient à un et un seul des sous ensembles définis par ces
modalités.
3
Statistique Descriptive A. El Mossadeq
4
A. El Mossadeq Statistique Descriptive
4. PRÉSENTATION DES
DISTRIBUTIONS A CARACTÈRES
QUALITATIFS
La présentation d’un tableau statistique concernant un tel caractère suit exactement
les règles générales exposées ci-dessus.
Deux types de représentation graphique sont surtout utilisés : les tuyaux d’orgues
et les secteurs :
• Dans la représentation par tuyaux d’orgues, les différentes modalités du car-
actère sont figurées par des rectangles dont la base est constante et dont la
hauteur, et l’air par conséquent, est proportionnelle aux effectifs. Très souvent,
les modalités sont ordonnées sur le graphique dans le sens des effectifs croissants
ou décroissants.
• Dans la représentation par secteurs, ces derniers ont une aire, et par conséquent
un angle au centre proportionnel aux effectifs des modalités correspondantes.
Ce système de figuration permet de mieux visualiser la part de chaque modalité.
Exemple 1
Cet exemple fournit la répartition de la population active occupée de la France par
catégorie socio-professionnelle en 1987.
Tableau 1. Répartition de la population active occupée de la France
par catégorie socio-professionnelle
Source : I.N.S.E.E. , enquête par sondage sur l’emploi en mars 1987
5
Statistique Descriptive A. El Mossadeq
6
A. El Mossadeq Statistique Descriptive
5. PRÉSENTATION DES
DISTRIBUTIONS A CARACTÈRES
QUANTITATIFS DISCRETS
Les différentes modalités sont constituées par les valeurs possibles de la variable
statistique discrète.
En face de chacune de ses valeurs xi , on fait figurer dans le tableau l’effectif ni , la
fréquence fi , et la fréquence cumulée Fi :
⎧
⎪
⎪ F1 = 0
⎪
⎪
⎨
F2 = f1
⎪
⎪
⎪
⎪
⎩ F = f + ... + f
i 1 i−1
Source : .......
x1 n1 f1 F1 = 0
x2 n2 f2 F2 = f1
: : : :
xk nk fk Fk = f1 + ... + fk−1
P
k P
k
T otal n= ni 1= fi
i=1 i=1
Il existe deux types de représentation graphique pour les séries statistiques à carac-
tères quantitatifs discrets :
• le diagramme différentiel ou diagramme en bâtons, qui correspond à la
représentation des fréquences ou des effectifs,
• le diagramme intégral ou courbe cumulative, qui correspond à la représen-
tation des fréquences cumulées ou effectifs cumulés.
7
Statistique Descriptive A. El Mossadeq
Exemple 2
Au cours d’une année, comportant 253 jours d’ouverture, on a relevé chaque jour le
nombre de ventes xi d’un appareil A.
Tableau 2. Distribution des jours d’ouverture d’un magasin
suivant le nombre de vente d’un appareil A
Source : Service Commercial
xi ni fi Fi
0 24 9.5 0
1 57 22.5 09.5
2 75 29.6 32.0
3 53 21.0 61.6
4 33 13.0 82.6
5 07 02.8 95.6
6 04 01.6 98.4
8
A. El Mossadeq Statistique Descriptive
6. PRÉSENTATION DES
DISTRIBUTIONS A CARACTÈRES
QUANTITATIFS CONTINUS
Les observations sont nécessairement regroupées par classe. Les modalités du car-
actère sont constituées par les différentes classes.
Si l’on désigne par xi−1 et xi les extrémités inférieure et supérieure de la ième classe,
celle-ci est généralement définie par :
xi−1 ≤ x < xi
En face de la ième classe, on fait figurer, dans le tableau statistique, l’effectif ni , la
fréquence fi et la fréquence cumulée Fi :
⎧
⎪
⎪ F1 = 0
⎪
⎪
⎨
F2 = f1
⎪
⎪
⎪
⎪
⎩ F = f + ... + f
i 1 i−1
9
Statistique Descriptive A. El Mossadeq
(x0 , x1 [ n1 f1 F1 = 0
[x1 , x2 [ n2 f2 F2 = f1
: : : :
Deux types de représentation graphique sont possibles pour les séries statistiques
continues :
• le diagramme différentiel appelé histogramme,
• le diagramme intégral appelé courbe cumulative.
L’histogramme est la représentation graphique de la distribution des effectifs ou des
fréquences de la variable statistique continue.
A chaque classe de valeurs de la variable, portée en abscisse, on fait correspondre
un rectangle basé sur cette classe.
Or deux fréquences ne sont directement comparables que s’ils concernent des classes
de même amplitude.
Dans le cas d’une série dont les amplitudes des classes sont inégales, on choisit une
amplitude de classe u (pour simplifier les calculs, on retiendra le plus grand commun
diviseur des diverses amplitudes).
L’expression des amplitudes dans cette nouvelle unité est :
xi − xi−1
ai =
u
La hauteur hi des rectangles représentatifs de chaque classe est alors :
fi
hi =
ai
La courbe cumulative, comme pour les variables statistiques discrètes, est la représen-
tation graphique de la fonction cumulative F (fonction de répartition).
Les observations étant groupées par classe [xi , xi+1 [, la valeur de F en xi est :
½
F (x1 ) = 0
F (xi ) = f1 + ... + fi−1 , 2 ≤ i ≤ n
10
A. El Mossadeq Statistique Descriptive
Exemple 3
Dans cet exemple, on étudie la répartition des ouvriers d’un établissement industriel
selon leur salaire mensuel net.
Tableau 3. Répartition des ouvriers d’un établissement industriel
selon leur salaire mensuel net
Source : Service du personnel
11
Statistique Descriptive A. El Mossadeq
12
A. El Mossadeq Statistique Descriptive
8. LES CARACTÉRISTIQUES DE
TENDANCE CENTRALE
8.1. LE MODE
C’est la valeur de la variable statistique pour laquelle la fréquence est la plus élevée.
C’est donc la valeur de la variable qui se rencontre le plus fréquemment dans la série
statistique.
8.1.2. PROPRIÉTÉS
Le principal avantage du mode c’est d’avoir une signification immédiate.
Si son calcul dans le cas discret est très facile, par contre, sa détermination dans le
cas d’une variable statistique continue n’est pas absolument précise : elle dépend en
partie du découpage en classes retenu.
Il ne dépend des observations que par leur fréquence et non par leur valeur.
Il se prête mal au calcul algébrique et est très sensible aux fluctuations d’échantillonnage.
Il sera surtout utilisé lorsqu’on désire se faire rapidement une première idée de la
tendance centrale d’une série statistique.
13
Statistique Descriptive A. El Mossadeq
Les distributions statistiques les plus répandues n’ont qu’un seul mode : distribu-
tion unimodale, mais il arrive de rencontrer des distributions présentant deux ou
plusieurs mode : distribution bimodale ou plurimodale. Chacun d’eux, corre-
spond à un maximum local de la courbe de fréquence.
Généralement, la présence de plusieurs modes indique que la population observée est,
en réalité, hétérogène et composée de sous-populations ayant des caractéristiques de
tendace centrale différentes.
8.2. LA MÉDIANE
C’est la valeur M da la variable statistique pour laquelle la fréquence cumulée est
1
égale à :
2
1
F (M) =
2
Elle partage donc en deux effectifs égaux les observations constituant la série préal-
ablement rangée par ordre croissant ou décroissant du caractère.
14
A. El Mossadeq Statistique Descriptive
• Dans le cas d’une variable statistique continue, la médiane est toujours stricte-
ment définie.
On détermine d’abord la classe médiane [xi , xi+1 [ telle que :
1
f1 + ... + fi−1 < < f1 + ... + fi
2
L’estimation de la valeur précise de la médiane s’obtient par interpolation
linéaire :
∗ si n est impair égal à 2k + 1 alors :
à !
P
i−1
k+1− nj
j=1
M = xi + (xi+1 − xi )
ni
8.2.2. PROPRIÉTÉS
L’inconvénient principal de la médiane est de ne pas satisfaire la dernière condition
de Yule : définie comme la racine d’une équation, elle ne se prête pas au calcul al-
gébrique., la médiane d’une série constituée par le mélange de plusieurs populations
ne peut être déduite des médianes des séries composantes.
Son emploi n’est pas recommandé dans le cas de séries statistiques discrètes présen-
tants des sauts importants ou dans le cas de séries statistiques continues ne com-
portant que peu d’observations, car sa signification devient alors très incertaines.
15
Statistique Descriptive A. El Mossadeq
1X
k
m= ni xi
n i=1
Ainsi, dans l’exemple 2, le nombre moyen de ventes de l’appareil A par jour
d’ouverture est 2.2.
• Soit une variable statistique continue où x1 , ..., xk sont respectivement les cen-
tres des classes [c1 , c2 [ , ..., [ck , ck+1 [ auquelles correspondent les effectifs n1 , ..., nk
respectivement, et n = n1 + ... + nk .
la moyenne arithmétique de cette série est :
1X
k
m= ni xi
n i=1
Ainsi, dans l’exemple 3, la salaire moyen net des ouvriers de l’établissement est
1103F .
8.3.2. PROPRIÉTÉS
La moyenne arithmétique satisfait assez bien les conditions de Yule.
Son principal mérite est d’avoir une signification concrète, simple et se prête au cal-
cul algébrique.
Elle possède les propriétés suivantes :
(1) On a :
1X
k
ni (xi − m) = 0
n i=1
c’est à dire, l’écart moyen des observations par rapport à la moyenne arith-
métique est nulle.
(2) La quantité :
v
u k
u1 X
S (t) = t ni (xi − t)2
n i=1
16
A. El Mossadeq Statistique Descriptive
(3) Si des populations P1 , ..., Pk d’effectifs n1 , ..., nk ont pour moyennes arithmé-
tiques m1 , ..., mk alors la population P constituée des populations P1 , ..., Pk
a pour moyenne arithmétique :
1X
k
m= ni mi
n i=1
On a :
1X
k
ln G = ni ln xi
n i=1
ln G est donc la moyenne arithmétique de la série statistique ln x1 , ..., ln xk .
Exemple 4
Trois équipes se sont succédées à la direction d’une entreprise.
Pendant la première période, qui a durée trois ans, les bénifices réalisés ont augmenté
de 5.6% par an. Pendant la seconde période de deux ans, de 4.5% et pendant la
dernière période de cinq, de 11.3%.
Calculons l’indice moyen d’accroissement des bénifices pendant ces dix ans.
Soit B0 le bénifice réalisé pendant l’année précédente, alors :
105.6
Bi = Bi−1 + 0.056Bi−1 = 1.056Bi−1 = Bi−1 , 1≤i≤3
100
104.5
Bi = Bi−1 + 0.045Bi−1 = 1.045Bi−1 = Bi−1 , 4≤i≤5
100
111.3
Bi = Bi−1 + 0.113Bi−1 = 1.113Bi−1 = Bi−1 , 6 ≤ i ≤ 10
100
17
Statistique Descriptive A. El Mossadeq
On en déduit :
µ ¶3 µ ¶2 µ ¶5
105.6 104.5 111.3
B10 = B0
100 100 100
Soit bm l’indice moyen annuel de variation des bénifices pendant ces dix années.
On a :
µ ¶10
bm
B10 = B0
100
d’où :
q
(105.5)3 (104.5)2 (111.3)5 = 108.2
10
bm =
On a :
1 X ni
k
1
=
H n i=1 xi
1 1 1
est donc la moyenne arithmétique de la série statistique , ..., .
H x1 xk
Exemple 5
Une entreprise a n camions qui font la rotation Casablanca et Rabat.
Au cours d’une de celle-ci, le trajet Casablanca-Rabat (distance D) a été couvert
par ces véhicules aux vitesses moyennes :
v1 pour n1 camions
v2 pour n2 camions
v3 pour n3 camions
où
n1 + n2 + n3 = n
18
A. El Mossadeq Statistique Descriptive
La distance totale parcourue par les n camions est nD alors que le temps total mis
est :
t = n1 t1 + n2 t2 + n3 t3
Pour l’ensemble des camions, la vitesse moyenne est :
nD
vm =
t
n
= n1 n2 n3
+ +
v1 v2 v3
9. LES CARACTÉRISTIQUES DE
DISPERSION
Les caractéristiques de dispersion les plus utilisées sont :
• l’étendue,
• l’intervalle interquartile,
• l’écart absolu moyen,
• l’écart-type.
9.1. L’ÉTENDUE
19
Statistique Descriptive A. El Mossadeq
9.1.2. PROPRIÉTÉS
La signification de l´étendue est claire et son calcul est extrêmement rapide.
Ces avantages la font fréquemment utiliser dans le contrôle de fabrication indus-
trielle où l’on préfère effectuer un plus grand nombre d’observations plutôt que de
confier, compte tenu des conditions de travail d’un atelier, des calculs complexes à
des agents sans formation statistique.
Mais cette caractéristique présente des inconvénients sérieux qui conduisent à l’écarter
chaque fois que cela est possible.
Ne dépendant que des termes extrêmes, qui sont souvent exceptionnels, voir abér-
rants, et non de tous les termes, elle est sujette à des fluctuations considérables d’un
échantillon à l’autre.
C’est une caractéristique de dispersion très imparfaite.
Comme pour la médiane, la signification des quartiles dans le cas discret est
très incertaines : dans cet exemple, l’intervalle interquartile contient 73% et
non 50% des observations.
20
A. El Mossadeq Statistique Descriptive
9.2.2. PROPRIÉTÉS
Les avantages de l’intervalle interquartile sont la rapidité de son calcul et la simplicité
de sa signification.
Mais il ne tient compte que de l’ordre des observations et non de leurs valeurs et
des écarts qui existe entre elles. En outre, sa détermination dans le cas discret n’est
pas précise et il ne se prête pas au calcul algébrique. C’est une caractéristique très
imparfaite qui ne convient qu’à des mesures de dispersion élémentaires.
21
Statistique Descriptive A. El Mossadeq
1X
k
e [X] = ni |xi − m|
n i=1
9.3.2. PROPRIÉTÉS
L’écart absolu moyen satisfait assez bien aux premières conditions de Yule, mais se
prête mal au calcul algébrique puisqu’il fait intervenir des valeurs absolues.
9.4. L’ÉCART-TYPE
1X 1X
k k
V [X] = ni (xi − m)2 = ni xi 2 − m2
n i=1 n i=1
où m est la moyenne arithmétique da la variable.
C’est la moyenne arithmétique des carrés des écarts à la moyenne arithmétique.
• L’écart-type σ [X] est la racine carrée de la variance :
p
σ [X] = V [X]
C’est une sorte de distance moyenne des observations à la moyenne arithmé-
tique.
Ainsi, dans l’exemple 2 :
m [X] = 2.2
V [X] = 1.8
σ [X] = 1.34
et pour l’exemple 3 :
m [X] = 1102.95F
V [X] = 19719.5
σ [X] = 129.3
22
A. El Mossadeq Statistique Descriptive
9.4.3. PROPRIÉTÉS
L’écart-type satisfait assez bien les conditions de Yule.
Sa signification n’apparait clairement que dans l’étude des distributions d’échantillonnages.
Il jouera un rôle essentiel dans les applications pratiques.
10. APLATISSEMENT ET
DISSYMÉTRIE
1X
k
mr (α) = ni (xi − α)r
n i=1
• Le moment centré d’ordre r de X est :
1X
k
μr = ni (xi − m1 )r
n i=1
23
Statistique Descriptive A. El Mossadeq
En particulier :
m1 = m [X] = m
μ1 = 0
1X
k
£ ¤
m2 = ni x2i = m X 2
n i=1
1X
k
£ ¤
μ2 = ni (xi − m)2 = σ 2 = m X 2 − m2
n i=1
On peut aussi, dans les mêmes conditions que pour l’écart-type, introduire les
corrections de Sheppard :
μ3 (corrigé) = μ3
1 7 4
μ4 (corrigé) = μ4 − a2 σ 2corrigé − a
2 240
où a est l’amlitude de classe.
24
A. El Mossadeq Statistique Descriptive
25
Chapitre 2
Structure Statistique
et
Estimation
A. El Mossadeq Structures Statistiques et Estimation
1. STATISTIQUE ET STRUCTURE
STATISTIQUE
Définition 1
Soit X un aléa défini sur un espace probabilisé (Ω, T ,P ) à valeurs dans un espace
probabilisable (E, B) .
(X1 , ..., Xn ) est un échantillon de taille n de variable parente X, ou plus
simplement un n-échantillon issu de X, si X1 , ..., Xn sont n aléas indépendants
qui suivent la même loi que X.
Définition 2
Soit (X1 , ..., Xn ) un n-échantillon issu d’un aléa X défini sur un espace probabilisé
(Ω, T ,P ) à valeurs dans un espace probabilisable (E, B) et soit g un aléa défini sur
(E, B)n .
L’aléa g ◦ (X1 , ..., Xn ) est appelé une statistique.
La loi de g ◦ (X1 , ..., Xn ) est appelé une distribution d’échantillonnage.
Exemple 1
Soit (X1 , ..., Xn ) un n-échantillon issu d’une variables aléatoire X.
Les variables aléatoires :
⎧
1X
n
⎪
⎪
⎪
⎪ M = Xi
⎪
⎨ n i=1
⎪
⎪ 1X
n
⎪
⎪
⎪
⎩ S
2
= (Xi − M)2
n i=1
sont des statistiques.
M est la moyenne empirique et S 2 est la variance empirique.
Définition 3
Soit P une famille de lois de probabilité sur un espace probabilisable (Ω, T ).
Le triplet (Ω, T ,P) est appelé une structure statistique.
29
Structures Statistiques et Estimation A. El Mossadeq
Remarque 1
Le plus souvent, la famille de lois de probabilité P est décrite à l’aide d’un paramètre
θ appartenant à un sous ensemble Θ de Rp , p ≥ 1. On écrit alors :
P = {Pθ | θ ∈ Θ}
et la structure statistique s’écrit :
(Ω, T , {Pθ | θ ∈ Θ})
Exemple 2
Soit X une variable aléatoire de P oisson de paramètre θ, θ > 0 :
θω −θ
pθ (ω) = e
ω!
où ω ∈ N.
La structure statistique associée est (N, {pθ | θ > 0}) .
Exemple 3
Soit X une variable aléatoire exponentielle de paramètre θ, θ > 0 :
⎧
⎨ 0 si x ≤ 0
fθ (x) =
⎩ θ exp −θx si x > 0
Définition 4
On appelle un r-échantillon d’une structure statistique (Ω, T , {Pθ | θ ∈ Θ}), la
structure produit :
(Ω, T , {Pθ | θ ∈ Θ})r = (Ωr , ⊗r T , {⊗r Pθ | θ ∈ Θ})
30
A. El Mossadeq Structures Statistiques et Estimation
2. FONCTION DE VRAISEBLANCE
Définition 5
Soit (Ω, {pθ | θ > 0}) une structure statistique discrète.
On appelle fonction de vraisemblance, de cette structure, la fonction numérique
L définie pour tout (θ; x) ∈ Θ × Ω par :
L (θ; x) = pθ (x)
La fonction de vraisemblance d’un r-échantillon de cette structure est définie
pour tout (θ; x1 , ..., xr ) ∈ Θ × Ωr par :
Y
r
L (θ; x1 , ..., xr ) = pθ (xi )
i=1
Exemple 4
Si (X1 , ..., Xr ) est un r-échantillon issu d’une variables aléatoire de P oisson de
paramètre θ, θ > 0, sa fonction de vraisemlance est :
Y
r
L (θ; ω 1 , ..., ω r ) = pθ (ω i )
i=1
P
r
ωi
θ i=1
= e−rθ
ω1 !...ω r !
Définition 6
Soit (Rn , BRn , {Pθ | θ > 0}) une structure statistique dans laquelle les probabilités
Pθ sont définies à partir de densité fθ .
On appelle fonction de vraisemblance, de cette structure, la fonction numérique
L définie pour tout (θ; x) ∈ Θ × Rn par :
L (θ; x) = fθ (x)
31
Structures Statistiques et Estimation A. El Mossadeq
Exemple 5
Si (X1 , ..., Xr ) est un r-échantillon issu d’une variables aléatoire exponentielle de
paramètre θ, θ > 0, sa fonction de vraisemlance est :
Y
r
L (θ; x1 , ..., xr ) = fθ (xi )
i=1
X
r
r
= θ exp −θ xi , xi > 0 , 1 ≤ i ≤ r
i=1
Exemple 6
Si (X1 , ..., Xr ) est un r-échantillon issu d’une variables aléatoire qui suit la loi uni-
forme sur l’intervalle [0, θ], θ > 0, sa fonction de vraisemlance est :
Y
r
L (θ; x1 , ..., xr ) = fθ (xi )
i=1
1
= , xi ∈ [0, θ] , 1 ≤ i ≤ r
θr
3. STATISTIQUES EXHAUSTIVES
32
A. El Mossadeq Structures Statistiques et Estimation
pour tout B ∈ T ∗ .
Si T ∗ est la sous-tribu engendrée par une partition A1 , ..., Ar de Ω, alors :
P [A | T ∗ ] = P [A | Ai ] sur Ai
c’est à dire :
X
r
∗
P [A | T ] = P [A | Ai ] χAi
i=1
Définition 7
Soit (Ω, T , {Pθ | θ ∈ Θ}) une structure statistique.
Une sous-tribu T ∗ de T est dite exhaustive pour la famille {Pθ | θ ∈ Θ} si pour
tout A dans T , la probabilité conditionnelle Pθ [A | T ∗ ] est indépendante de θ.
Définition 8
On dit que la statistique T définie sur (Ω, T , {Pθ | θ ∈ Θ}) à valeurs dans un
espace probabilisable (E, B) est exhaustive pour la famille {Pθ | θ ∈ Θ} si la sous
tribu T −1 (B) est exhaustive pour cette famille.
Une statistique exhaustive est appelée aussi un résumé exhaustif.
Proposition 1
Soit (Ω, {pθ | θ ∈ Θ}) une structure statistique discrète.
Une statistique T définie sur (Ω, T , {Pθ | θ ∈ Θ}) à valeurs dans un espace probabil-
isable (E, B) est exhaustive pour la famille {Pθ | θ ∈ Θ} si et seulement si il existe
une fonction positive g définie sur Θ × Ω et une fonction h définie sur Ω telle que
pour tout (θ; ω) ∈ Θ × Ω on ait :
pθ (ω) = g (θ; T (ω)) h (ω)
33
Structures Statistiques et Estimation A. El Mossadeq
Preuve 1
• Supposons T exhaustif.
∗ Si :
Pθ [T = T (ω)] = 0
il suffit de prendre :
g (θ; T (ω)) = 0
et :
h (ω) = 0
∗ Si :
Pθ [T = T (ω)] 6= 0
alors :
pθ (ω) = Pθ [{ω} ∩ {T = T (ω)}]
= Pθ [T = T (ω)] Pθ [ω | T = T (ω)]
On peut poser donc :
g (θ; T (ω)) = Pθ [T = T (ω)]
et :
h (ω) = Pθ [ω | T = T (ω)]
puisque d’après l’exhaustuvité, cette probabilité conditionnelle ne dépend
pas de θ.
∗ si :
T (ω) 6= t
alors :
Pθ [{ω} ∩ {T = t}]
Pθ [ω | T = t] =
Pθ [T = t]
= 0
34
A. El Mossadeq Structures Statistiques et Estimation
∗ si :
T (ω) = t
alors :
Pθ [{ω} ∩ {T = t}]
Pθ [ω | T = t] =
Pθ [T = t]
g (θ; T (ω)) h (ω)
= P
g (θ; T (ω)) h (ω)
{ω∈Ω|T (ω)=t}
h (ω)
= P
h (ω)
{ω∈Ω|T (ω)=t}
Exemple 7
Soit (Ω, {pθ | θ ∈ Θ}) une structure statistique discrète.
Les familles de lois exponentielles :
" k #
X
pθ (ω) = exp αi (θ) ai (ω) + β (θ) + b (ω)
i=1
Exemple 8
Soit X une variable aléatoire de Bernouilli de paramètre θ, 0 < θ < 1 :
pθ (ω) = exp [(1 − ω) ln (1 − θ) + ω ln θ]
Si (X1 , ..., Xr ) est un r-échantillon de cette structure alors :
X
r
pθ (ω1 , ..., ω r ) = exp [(1 − ωi ) ln (1 − θ) + ω i ln θ]
i=1
Posons :
1X
r
T (ω1 , ..., ω r ) = ωi
r i=1
alors :
X
r
pθ (ω 1 , ..., ω r ) = exp [(1 − ω i ) ln (1 − θ) + ω i ln θ]
i=1
= exp r [(1 − T (ω 1 , ..., ω r )) ln (1 − θ) + T (ω 1 , ..., ω r ) ln θ]
= g [θ; T (ω1 , ..., ω r )]
35
Structures Statistiques et Estimation A. El Mossadeq
T est alors un résumé exhaustif pour la famille des lois de Bernouilli de paramètre
θ, 0 < θ < 1.
Proposition 2
Soit (Rn , BRn , {Pθ | θ > 0}) une structure statistique dans laquelle les probabilités
Pθ sont définies à partir de densité fθ .
Une statistique T définie sur (Rn , BRn , {Pθ | θ > 0}) à valeurs dans (Rs , BRs ) est
exhaustive pour la famille {Pθ | θ ∈ Θ} si et seulement si il existe une fonction pos-
itive g définie sur Θ × Rs mesurable pour tout θ fixé dans Θ et une fonction positive
et mesurable h définie sur Rn telle que pour tout (θ; x) ∈ Θ × Rn on ait :
fθ (x) = g (θ; T (x)) h (x)
Preuve 2
Admis
Exemple 9
Soit (Rn , BRn , {Pθ | θ > 0}) une structure statistique dans laquelle les probabilités
Pθ sont définies à partir de densité fθ .
Les familles de lois exponentielles :
" k #
X
fθ (x) = exp αi (θ) ai (x) + β (θ) + b (x)
i=1
Exemple 10
Soit X une variable aléatoire exponentielle de paramètre θ, θ > 0 :
⎧
⎨ 0 si x ≤ 0
fθ (x) =
⎩ θ exp −θx si x > 0
36
A. El Mossadeq Structures Statistiques et Estimation
Posons :
1X
r
T (x1 , ..., xr ) = xi
r i=1
alors :
X
r
r
fθ (ω1 , ..., ω r ) = θ exp −θ xi
i=1
= θr exp −rθT (x1 , ..., xr )
= g [θ; T (x1 , ..., xr )]
T est alors un résumé exhaustif pour la famille des lois exponentielles de paramètres
θ, θ > 0.
Exemple 11
Soit X une variable aléatoire normale de paramètres μ ∈ R et σ 2 , σ > 0 :
1 1
f (μ, σ; x) = √ exp − 2 (x − μ)2
σ 2π 2σ
Si (X1 , ..., Xr ) est un r-échantillon de cette structure alors :
1 X
r
1
f (μ, σ; x1 , ..., xr ) = ¡ √ ¢r exp − 2 (xi − μ)2
σ 2π 2σ i=1
Posons :
1X
n
M (x1 , ..., xr ) = xi
r i=1
1X
n
S 2 (x1 , ..., xr ) = [xi − M (x1 , ..., xr )]2
r i=1
On a :
1 r £ ¤
f (μ, σ; x1 , ..., xr ) = ¡ √ ¢r exp − 2 S 2 (x1 , ..., xr ) + (M (x1 , ..., xr ) − μ)2
σ 2π 2σ
£ ¤
= g μ, σ; M (x1 , ..., xr ) , S 2 (x1 , ..., xr )
puisque :
X
r
£ ¤
(xi − μ)2 = r S 2 (x1 , ..., xr ) + (M (x1 , ..., xr ) − μ)2
i=1
2
(M, S ) est alors un résumé exhaustif pour la famille des lois normales de paramètres
μ ∈ R et σ 2 , σ > 0.
37
Structures Statistiques et Estimation A. El Mossadeq
4. INFORMATION CONCERNANT
UN PARAMÈTRE
Proposition 3
Soit (Rn , BRn , {Pθ | θ ∈ Θ}), Θ ⊂ Rk , une structure statistique dans laquelle les
probabilités Pθ sont définies à partir des densités fθ .
Sous réserve de légitimité de dérivations sous le signe intégrale et en supposant le
domaine :
Dθ = {x ∈ Rn | f (θ; x) > 0}
indépendant de θ, pour tout θ ∈ Θ, le vecteur aléatoire :
∙ ¸
∂
ln f (θ; X)
∂θj 1≤i≤k
est centré.
Preuve 3
Puisque :
Z
f (θ, x) dx = 1
Rn
alors, en supposant légitimes les dérivations sous le signe d’intégration et le domaine
Dθ indépendant de θ, pour tout θ ∈ Θ, on obtient :
Z Z ∙ ¸
∂ ∂
f (θ, x) dx = ln f (θ, x) f (θ, x) dx
Rn ∂θ j Rn ∂θ j
= 0
pour tout j, 1 ≤ j ≤ k.
38
A. El Mossadeq Structures Statistiques et Estimation
Définition 9
La matrice des variances et covariances du vecteur aléatoire :
∙ ¸
∂
ln f (θ; X)
∂θj 1≤i≤k
39
Structures Statistiques et Estimation A. El Mossadeq
Remarque 2
En tant que matrice des variances et covariances, I [X, θ] est symétrique et positive.
Exemple 12
Soit X une variable aléatoire normale de paramètres μ ∈ R et σ 2 , σ > 0.
La matrice d’information concernant les paramètres μ et σ est donnée par :
⎡ 1 ⎤
0
⎢ σ2 ⎥
I [X; μ, σ] = ⎢
⎣
⎥
⎦
2
0
σ2
Remarque 3
Lorsque n = 1, la quantité d’information de Fisher est :
"µ ¶2 #
∂
I [X, θ] = E ln f (θ, X)
∂θ
∙ 2 ¸
∂
= −E ln f (θ, X)
∂θ2
Proposition 4
Soit I [X, θ] la matrice d’information de la structure statistique (Rn , BRn , {Pθ | θ ∈ Θ}),
où Θ ⊂ Rk et les probabilités Pθ sont définies à partir des densités fθ , et soit
I [X1 , ..., Xr ; θ] un r-échantillon de cette structure.
40
A. El Mossadeq Structures Statistiques et Estimation
Preuve 4
Puisque :
Y
r
L (θ; x1 , ..., xr ) = f (θ, xi )
i=1
alors :
∙ ¸ " #
∂2 ∂2 Y r
E ln L (θ; X1 , ..., Xr ) = E ln f (θ; Xi )
∂θi ∂θj ∂θi ∂θj i=1
Xr ∙ ¸
∂2
= E ln f (θ; Xi )
i=1
∂θ i ∂θ j
∙ ¸
∂2
= rE ln f (θ; X)
∂θi ∂θj
Exemple 13
Soit X une variable aléatoire normale de paramètres μ ∈ R et σ 2 , σ > 0. On suppose
que σ est connu.
"µ ¶2 #
∂
I [X, μ] = E ln f (μ, X)
∂μ
∙ ¸
1 2
= E 4 (X − μ)
σ
1
=
σ2
Si X1 , ..., Xr est un r-échantillon de cette structure, alors :
I [X1 , ..., Xr ; μ] = rI [X, μ]
r
=
σ2
41
Structures Statistiques et Estimation A. El Mossadeq
Proposition 5
Soit T1 , ..., Ts un système de s statistiques définies sur un r-échantillon de la structure
statistique (Rn , BRn , {Pθ | θ ∈ Θ}), s ≤ r.
On suppose qu’il existe des statistiques Ts+1 , ..., Tr telles que les équations :
ti = Ti (x1 , ..., xr ) , 1 ≤ i ≤ r
définissent un changement de variables continument différentiable.
Sous réserve de légétimité de dérivations sous le signe intégrale et en supposant le
domaine :
Dθ = {x ∈ Rn | f (θ; x) > 0}
indépendant de θ, pour tout θ ∈ Θ, la matrice :
I [X1 , ..., Xr ; θ] − I [T1 , ..., Ts ; θ]
est positive.
Elle est nulle si et seulement si T1 , ..., Ts est un résumé exhaustif.
Preuve 5
Le changement de variables :
ti = Ti (x1 , ..., xr ) , 1 ≤ i ≤ r
permet d’écrire :
¯ ¯
¯ D (t1 , ..., tr ) ¯
L (θ; x1 , ..., xr ) = g (θ; t1 , ..., ts ) g (θ; ts+1 , ..., tr | t1 , ..., ts ) ¯¯ ¯
D (x1 , ..., xr ) ¯
d’où :
∂2 ∂2 ∂2
− ln L (θ; x1 , ..., xr ) = − ln g (θ; t1 , ..., ts )− ln g (θ; ts+1 , ..., tr | t1 , ..., ts )
∂θi ∂θj ∂θi ∂θj ∂θi ∂θj
Il en découle que :
I [X1 , ..., Xr ; θ] = I [T1 , ..., Ts ; θ] + J
La matrice J est positive puisqu’elle s’obtient comme moyenne des matrices des
variances et covariances associées à :
∂
ln g (θ; ts+1 , ..., tr | t1 , ..., ts )
∂θi
Elle est nulle si et seulement si la fonction :
g (θ; ts+1 , ..., tr | t1 , ..., ts )
est indépendant de θ, donc si et seulement si (T1 , ..., Ts ) est un résumé exaustif.
42
A. El Mossadeq Structures Statistiques et Estimation
Remarque 4
Dans ces conditions, il est équivalent de travailler avec le r-échantillon ou le résumé
exhaustif.
Remarque 5
Lorsque θ est un paramètre réel, la quantité d’information fournie par un résumé T
défini sur un r-échantillon est majorée par celle qui est fournie par le r-échantillon :
I [T ; θ] ≤ I [X1 , ..., Xr ; θ]
L’égalité a lieu si et seulement si T est un résumé exhaustif.
Exemple 14
Soit X une variable aléatoire normale de paramètres μ ∈ R et σ 2 , σ > 0.
On suppose que σ est connu.
Considérons la statistique :
1X
r
M= Xi
r i=1
où X1 , ..., Xr est un r-échantillon issu de X.
σ2
Puisque M est une variable aléatoire normale de paramètres μ et , alors :
r
r
I [M, μ] =
σ2
M est alors un résumé exhaustif pour μ concernant la structure statistique consid-
érée.
Proposition 6
Soit (Rn , BRn , {Pθ | θ ∈ Θ}), Θ ⊂ Rk , une structure statistique dans laquelle les
probabilités Pθ sont définies à partir des densités fθ .
Considérons un r-échantillon de cette structure et notons L sa fonction de vraise-
blance.
43
Structures Statistiques et Estimation A. El Mossadeq
Soit :
T = Φ (X1 , ..., Xr )
un résumé exhaustif de cette structure.
On suppose que :
(1) la variance σ 2 [T ] = V [T ] existe,
∂ ∂
(2) L (θ; x1 , ..., xr ) et Φ (x1 , ..., xr ) L (θ; x1 , ..., xr ) existent et sont intégrables,
∂θ ∂θ
(3) la quantité d’information de Fisher existe,
(4) le domaine Dθ est indépendant de θ, pour tout θ ∈ Θ.
Alors sous reserve de légétimité de dérivations sous le signe d’intégration on a :
∙ ¸
∂
E [T ]
∂θ
V [T ] ≥
I [X1 , ..., Xr ; θ]
de plus, l’égalité a lieu si et seulement si :
∂
ln L (θ; X1 , ..., Xr ) = γ (θ) [T − E [T ]]
∂θ
C’est l’inégalité de Cramer-Rao.
Preuve 6 ∂
D’après ce qui précède, la variable aléatoire ln L (θ; X1 , ..., Xr ) est centrée, c’est
∂θ
à dire :
∙ ¸
∂
E ln L (θ; X1 , ..., Xr ) = 0
∂θ
et donc :
∙ ¸
∂
E E [T ] ln L (θ; X1 , ..., Xr ) = 0
∂θ
Par définition :
Z
E [T ] = Φ (x1 , ..., xr ) L (θ; x1 , ..., xr ) dx1 ...dxr
Rnr
44
A. El Mossadeq Structures Statistiques et Estimation
5. ESTIMATEURS
Définition 10
Soit (Ω, T , {Pθ | θ ∈ Θ}) une structure statistique et considérons un aléa :
h : (Θ, W) −→ (E, B)
où W est une tribu de P (Θ) .
On appelle estimateur de h (θ), θ ∈ Θ, toute statistique à valeurs dans (E, B).
Définition 11
Soit T un estimateur de h (θ), θ ∈ Θ.
1. T est dit sans biais si :
E [T ] = h (θ)
2. T est dit asymptoquement sans biais si :
lim E [T ] = h (θ)
r→∞
45
Structures Statistiques et Estimation A. El Mossadeq
Exemple 15
Soit (X1 , ..., Xr ) un r-échantillon issu d’une variable aléatoire X de moyenne μ et
de variance σ 2 .
1. La statistique :
1X
r
M= Xi
r i=1
est un estimateur sans biais et convergent de la moyenne μ :
" r #
1X
E [M] = E Xi
r i=1
1X
r
= E [Xi ]
r i=1
= μ
2. La statistique :
1X
r
S12 = (Xi − μ)2
r i=1
est un estimateur sans biais de la variance σ 2 .
En effet :
" r #
£ 2¤ 1X
E S1 = E (Xi − μ)2
r i=1
1X £
r
¤
= E (Xi − μ)2
r i=1
1X
r
= V [Xi ]
r i=1
= σ2
Donc S12 est un estimateur sans biais de σ 2 .
3. La statistique :
1X
r
S22 = (Xi − M)2
r i=1
est un estimateur biaisé de la variance σ 2 .
46
A. El Mossadeq Structures Statistiques et Estimation
En effet :
X
r
2
X
r
(Xi − M) = [(Xi − μ) − (M − μ)]2
i=1 i=1
Xr
2
X
r X
r
= (Xi − μ) − 2 (Xi − μ) (M − μ) + (M − μ)2
i=1 i=1 i=1
X
r
= (Xi − μ)2 − r (M − μ)2
i=1
d’où :
" r # " r #
X 2
X 2 £ ¤
E (Xi − M) = E (Xi − μ) − rE (M − μ)2
i=1 i=1
= (r − 1) σ 2
On en déduit :
£ ¤ r−1 2
E S22 = σ
r
d’où S22 est biasé.
4. La statistique :
1 X
r
S =2
(Xi − M)2
r − 1 i=1
est un estimateur sans biais de la variance σ 2 .
En effet, puisque :
r
S2 = S2
r−1 2
on en déduit :
£ ¤
E S 2 = σ2
Remarque 6
Si T un estimateur sans biais de h (θ), on a en vertu de l’inégalité de Cramer-Rao :
[h0 (θ)]2
V [T ] ≥
I [X1 , ..., Xr ; θ]
Si de plus h (θ) = θ, alors :
1
V [T ] ≥
I [X1 , ..., Xr ; θ]
47
Structures Statistiques et Estimation A. El Mossadeq
Remarque 7
Soit T l’ensemble des estimateurs sans biais de h (θ), vérifiant l’inégalité de Cramer-
Rao.
On a :
[h0 (θ)]2
inf V [T ] ≥
T ∈T I [X1 , ..., Xr ; θ]
Définition 12
Un estimateur T0 de T est dit de variance minimale si :
V [T0 ] = inf V [T ]
T ∈T
Définition 13
Si :
[h0 (θ)]2
inf V [T ] =
T ∈T I [X1 , ..., Xr ; θ]
on appelle efficacité d’un estimateur T0 de T, le rapport :
inf V [T ]
T ∈T
e [T0 ] =
V [T0 ]
T0 est dit efficace lorsque son efficacité est égale à 1 :
e [T0 ] = 1
Proposition 7
Soit T = Φ (X1 , ..., Xr ) un estimateur de T.
Les trois conditions suivantes sont équivalentes :
(1) T est efficace
∂
(2) ln L (θ; x1 , ..., xr ) = γ (θ) [Φ (x1 , ..., xr ) − h (θ)]
∂θ
(3) T un résumé exhaustif dont la densité de probabilité g (θ; t) est telle que :
∂
ln g (θ; x) = γ (θ) [t − h (θ)]
∂θ
48
A. El Mossadeq Structures Statistiques et Estimation
Preuve 7
• (1) ⇐⇒ (2)
D’après la définition de l’efficacité, T est efficace si et seulement si l’inégalité de
Cramer-Rao est une égalité, donc si et seulement si :
∂
ln L (θ; X1 , ..., Xr ) = γ (θ) [T − h (θ)]
∂θ
• (1) =⇒ (3)
T est efficace donc :
[h0 (θ)]2
V [T ] =
I [X1 , ..., Xr ; θ]
[h0 (θ)]2
=
I [T ; θ]
d’où :
I [X1 , ..., Xr ; θ] = I [T ; θ]
• (3) =⇒ (2)
Si T est un résumé exhaustif concernant θ, alors d’après le théorème de factori-
sation :
∂ ∂
ln L (θ; X1 , ..., Xr ) = ln g (θ; x)
∂θ ∂θ
= γ (θ) [T − h (θ)]
49
Structures Statistiques et Estimation A. El Mossadeq
6. L’ESTIMATION PAR LA
MÉTHODE DE LA
VRAISEMBLANCE
Définition 14
Soit L (θ; X1 , ..., Xr ) la fonction de vraisemlance d’un r-échantillon X1 , ..., Xr .
Si pour (x1 , ..., xr ) donné :
θ = Φ (x1 , ..., xr )
réalise le maximum strict de la fonction :
θ 7−→ L (θ; X1 , ..., Xr )
on dit que :
θ̂ = Φ (X1 , ..., Xr )
est l’estimateur du maximum de vraisemlance de θ.
Exemple 16
Soit X1 , ..., Xr un r-échantillon d’une variable aléatoire de P oisson de paramètre θ,
θ > 0. Sa fonction de vraisemlance est :
P
r
ωi
θ i=1
L (θ; ω1 , ..., ω r ) = e−rθ
ω 1 !...ω r !
Cette fonction atteint son maximum strict pour :
1X
r
θ= ωi
r i=1
50
A. El Mossadeq Structures Statistiques et Estimation
Exemple 17
Soit (X1 , ..., Xr ) un r-échantillon d’une variable aléatoire qui suit une loi normale
de paramètres μ ∈ R et σ 2 , σ > 0.
On suppose σ connu.
La fonction de vraisemlance de ce r-échantillon est :
1 X
r
1
L (μ; x1 , ..., xr ) = ¡ √ ¢r exp − 2 (xi − μ)2
σ 2π 2σ i=1
Cette fonction atteint son maximum strict pour :
1X
r
μ= xi
r i=1
Donc, l’estimateur du maximum de vraisemlance de μ est :
1X
r
μ̂ = Xi
r i=1
Et comme :
σ2
V [μ̂] =
r
et :
r
I [X1 , ..., Xr ; μ] =
σ2
donc :
e [μ̂] = 1
μ̂ est alors un estimateur efficace de μ.
Exemple 18
Soit (X1 , ..., Xr ) un r-échantillon d’une variable aléatoire qui suit une loi normale
de paramètres μ ∈ R et σ 2 , σ > 0.
On suppose μ connu.
L’estimateur du maximum de vraisemlance de σ2 est :
1X
r
2
σ̂ = (Xi − μ)2
r i=1
51
Structures Statistiques et Estimation A. El Mossadeq
Exemple 19
Soit (X1 , ..., Xr ) un r-échantillon d’une variable aléatoire qui suit une loi normale
de paramètres μ ∈ R et σ 2 , σ > 0.
Les estimateurs du maximum de vraisemlance de μ et σ 2 sont :
⎧
1X
r
⎪
⎪
⎪
⎨ μ̂ = Xi
r i=1
1X
r
⎪ 2
⎪
⎪
⎩ σ̂ = (Xi − μ)2
r i=1
Proposition 8
S’il existe un résumé exhaustif T1 , ..., Ts alors tout estimateur de θ par le maximum
de vraisemlance est fonction de T1 , ..., Ts .
Preuve 8
Si (T1 , ..., Ts ) est un résumé exhaustif alors :
L (θ; x1 , ..., xr ) = g (θ; t1 , ..., ts ) h (x1 , ..., xr )
Donc, maximiser L revient à maximiser g.
Proposition 9
Supposons les hypothèses de l’inégalité de Cramer-Rao vérifiées.
S’il existe un estimateur sans biais et efficace T de h (θ), alors toute fonction
θ̂ (x1 , ..., xr ) telle que :
³ ´
T (x1 , ..., xr ) = h θ̂
est solution de l’équation de vraisemlance et réalise le maximum strict de la vraisem-
lance.
Preuve 9
Si T est un estimateur sans biais et efficace de h (θ) alors :
∂
ln L (θ; x1 , ..., xr ) = γ (θ) [t − h (θ)]
∂θ
Donc, pour (x1 , ..., xr ) donné, toute fonction θ̂ telle que :
³ ´
t (x1 , ..., xr ) = h θ̂
52
A. El Mossadeq Structures Statistiques et Estimation
53
Structures Statistiques et Estimation A. El Mossadeq
7. EXERCICES
Exercice 1
Déterminer et étudier les propriétés de l’estimateur du maximum de vraisemlance
d’un r-échantillon pour :
1. le paramètre p d’une loi de Bernouilli
2. le paramètre p d’une loi géométrique
3. le paramètre p d’une loi binomiale d’ordre n
4. le paramètre α d’une loi de P oisson
5. le paramètre λ d’une loi exponentielle
6. les paramètres μ et σ 2 d’une loi normale
7. le paramètre θ d’une loi unif orme sur l’intervalle [0, θ]
Exercice 2
Soit X une variable aléatoire dont la densité de probabilité f est définie par :
1 x
f (x) = exp − , x > 0
θ θ
où θ est un paramètre réel strictement positif.
1. Déterminer l’estimateur du maximum de vraisemlance θ̂ de θ d’un r-échantillon
de variable parente X.
2. θ̂ est-il un résumé exhaustif ?
3. Calculer l’espérance mathématique et la variance de θ̂.
Que peut-on conclure ?
4. Calculer la quantité d’information de F isher.
En déduire que θ̂ est efficace.
Exercice 3
Soit X une variable aléatoire dont la densité de probabilité f est définie par :
λ k−1 x
f (x) = k
x exp − , x > 0
θ θ
où θ est un paramètre réel strictement positif , k un entier naturel non nul et λ une
constante réel.
1. Déterminer la constante λ.
2. Déterminer l’estimateur du maximum de vraisemlance θ̂ de θ d’un r-échantillon
de variable parente X.
54
A. El Mossadeq Structures Statistiques et Estimation
Exercice 4
Soit X une variable aléatoire dont la densité de probabilité f est définie par :
⎧
⎨ 0
⎪ si x ∈ / [0, θ]
f (x) =
⎩ 1 si x ∈ [0, θ]
⎪
θ
où θ est un paramètre réel.
1. Déterminer la fonction de répartition de X.
2. Calculer la quantité d’information de F isher.
3. Déterminer l’estimateur du maximum de vraisemlance θ̂ de θ d’un r-échantillon
de variable parente X.
4. Calculer l’espérance mathématique et la variance de θ̂.
Que peut-on conclure ?
5. Dans le cas où θ̂ est biasé, proposer un estimateur sans biais de θ.
Exercice 5
Soit X une variable aléatoire dont la densité de probabilité f est définie par :
⎧
⎨ 0 si x < θ
f (x) =
⎩ exp θ − x si x ≥ θ
55
Structures Statistiques et Estimation A. El Mossadeq
Exercice 6
Les éléments d’une population possédent un caractère X qui suit une loi de P oisson
de paramètre inconnu α.
Une suite de r expériences a fourni les valeurs k1 , ..., kr .
1. Déterminer l’estimateur du maximum de vraisemlance α̂ de α et étudier les
propriétés de cet estimateur.
2. α̂ est-il un résumé exhaustif ?
3. On désire estimer la quantité :
δ = P [X = 0]
Déterminer l’estimateur du maximum de vraisemlance δ̂ de δ.
Que remarquez-vous ?
Exercice 7
Soit α un réel appartenant à ]1, +∞[ et X une variable aléatoire telle que :
µ ¶k−1
1 1
P [X = k] = 1− , k ∈ N∗
α α
1. Calculer l’espérance mathématique et la variance de X.
2. Déterminer l’estimateur du maximum de vraisemlance α̂ de α d’un r-échantillon
de variable parente X et étudier ses propriétés.
3. α̂ est-il un résumé exhaustif ?
Exercice 8
Soit X une variable aléatoire qui suit une loi de Pareto dont la densité de probabilité
f est définie par :
⎧
⎨ 0
⎪ si x < a
f (x) = α
⎩ αa
⎪
si x ≥ a
xα+1
où X représente le revenu par habitant, a le revenu minimum et α, α > 2, un
coefficient dépendant du type du pays où l’on se place.
1. Vérifier que f est bien une densité de probabilité.
2. Calculer l’espérance mathématique et la variance de X.
3. Calculer la fonction de répartition de X.
4. Déterminer l’estimateur du maximum de vraisemlance â de a d’un r-échantillon
issu X.
5. Dans le cas où â est biasé, proposer un estimateur sans biais de a.
56
A. El Mossadeq Structures Statistiques et Estimation
Exercice 9
Soit X une variable aléatoire dont la densité de probabilité f est définie par :
⎧
⎨ 0
⎪ si x ≤ θ
f (x) =
⎪
⎩ 1 exp (θ − x) si x > θ
α α
où θ est un paramètre réel et α un paramètre réel strictement positif.
Exercice 10
Soient X et Y deux variables aléatoires indépendantes, la première prenant les
valeurs 1 et 0 avec les probabilités respectives α et 1 − α, et la deuxième prenant les
valeurs 1 et 0 avec les probabilités respectives P et 1 − P . On suppose α inconnue
et P connue, P > 0.5.
On définit la variable aléatoire Z par :
⎧
⎨ Z = 1 si X = Y
⎩ Z=0 si X 6= Y
57
Structures Statistiques et Estimation A. El Mossadeq
58
Chapitre 3
1. FLUCTUATIONS
D’ECHANTILLONNAGE D’UNE
FRÉQUENCE
61
Tests : Les Fréquences A. El Mossadeq
ou encore :
Z t1−α/2
1 t2 α
√ exp − dt = 1 −
−∞ 2π 2 2
On dit que :
" r r #
p (1 − p) p (1 − p)
F ∈ p − t1−α/2 , p + t1−α/2
n n
à 1 − α ou au seuil α.
Cet intervalle est appelé l’intervalle de pari à 1 − α.
Exemple 1
Une urne contient quarante boules noires et soixante boules blanches.
Dans quelles limites peut varier le nombre de boules blanches si l’on tire de l’urne
trente boules avec remise ?
Pour α = 5%, on a :
t.975 = 1.96
on obtient alors l’intervalle :
[.42, .78]
Il en résulte que sur les trente boules tirées, le nombre de boules blanches serait
compris, à 95%, entre 13 et 23.
2. LES SONDAGES
Le plus souvent, la proportion p est inconnue du fait que l’examen de toute la
population est impossible.
Puisque F est un estimateur sans biais de p, on peut extraire un échantillon de taille
n sur lequel on observe une fréquence f qui constitue une estimation ponctuelle de
p, puis on assigne à p un intervalle de variation appelé intervalle de confiance
avec une probabilité 1 − α, 0 ≤ α ≤ 1.
62
A. El Mossadeq Tests : Les Fréquences
p (1 − p) f (1 − f )
En effet, en estimant par , et pourvu que np et n (1 − p) soient
n n
supérieurs ou égaux à 5, la quantité :
f −p
t= r
f (1 − f )
n
peut être considérée comme une réalisation de la variable aléatoire normale centrée
réduite :
F −p
N=r
f (1 − f )
n
Ainsi, pour tout α ∈ [0, 1], il existe t1−α/2 ∈ R tel que :
£ ¤
P |N| < t1−α/2 = 1 − α
L’intervalle :
" r r #
f (1 − f ) f (1 − f )
f − t1−α/2 , f + t1−α/2
n n
est appelé l’intervalle de confiance de p à 1 − α ou au seuil α.
Exemple 2
A la veille d’une consultation électorale, on a intérrogé cent électeurs constituant un
échantillon au hasard. Soixante ont déclaré avoir l’intention de voter pour le candi-
dat C.
En quelles limites, au moment du sondage, la proportion du corps électoral favor-
able à C se situe-t-elle ?
Pour α = 5%, on a :
t.975 = 1.96
on obtient alors l’intervalle :
[.504, .696]
A 95%, le candidat C serait élu.
63
Tests : Les Fréquences A. El Mossadeq
Exemple 3
Une machine à former des pilules fonctionne de façon satisfaisante si la proportion
de pilules non réussies est de 1 pour 1000.
Sur un échantillon de 10000 pilules, on a trouvé 15 pilules défectueuses.
Que faut-il conclure ?
64
A. El Mossadeq Tests : Les Fréquences
Ici on a :
⎧
⎨ n = 104
f = 15 × 10−4
⎩ p = 10−3
4. TEST DE COMPARAISON DE
DEUX FRÉQUENCES
On dispose de deux échantillons indépendants de tailles respectives n1 et n2 sur
lesquels le caractère étudié présente les fréquences f1 et f2 respectivement.
On se demande si ces deux échantillons proviennent d’une même population.
Soit donc à tester l’hypothèse nulle :
H0 : ”p1 = p2 ”
contre l’hypothèse alternative :
H̄0 : ”p1 6= p2 ”
au seuil α.
65
Tests : Les Fréquences A. El Mossadeq
Si les deux échantillons proviennent d’une même population définie par la proportion
p = p1 = p2 (souvent inconnue) du caractère étudié, f1 et f2 peuvent être considérées
comme des réalisations des variables aléatoires normales centrées réduites :
F1 − p
N1 = r
f1 (1 − f1 )
n1
F2 − p
N2 = r
f2 (1 − f2 )
n2
respectivement, pourvu que n1 p1 , n1 (1 − p1 ), n2 p2 et n2 (1 − p2 ) soient tous supérieurs
ou égaux à 5.
En conséquence , la quantité :
f1 − f2
t= r
f1 (1 − f1 ) f2 (1 − f2 )
+
n1 n2
peut être considérée comme une réalisation d’une variable aléatoire normale centrée
réduite.
On rejette l’hypothèse nulle H0 , au seuil α, dès que :
|t| > t1−α/2
Exemple 4
Avant de procéder au lancement d’un produit, une entreprise a fait procéder à une
enquête portant sur deux régions géographiques A et B.
Sur 1800 réponses provenant de la région A, 630 se déclarent intéressées par le pro-
duit.
En provenance de B, 150 réponses sur 600 se déclarent favorables.
Tester, au seuil de 5%, l’hypothèse de l’identité des opinions des régions A et B
quant au produit considéré.
Ici on :
⎧ 7
⎪
⎨ nA = 1800 , fA = 20
⎪
⎪
⎪
⎩ n = 600 , f = 1
B B
4
Testons, au seuil α, l’hypothèse nulle :
H0 : ”les opinions des régions A et B sont identiques”
66
A. El Mossadeq Tests : Les Fréquences
67
Tests : Les Fréquences A. El Mossadeq
5. EXERCICES
Exercice 1
A la veille d’une consultation électorale, on a intérrogé cent électeurs constituant
un échantillon au hasard. Soixante ont déclaré avoir l’intention de voter pour le
candidat C.
En quelles limites, au moment du sondage, la proportion du corps électoral favorable
à C se situe-t-elle ?
Exercice 2
On sait que le taux de mortalité d’une certaine maladie est de 30%.
Sur 200 malades testés, combien peut-on envisager de décès ?
Exercice 3
Dans une pré-enquête, on selectionne, par tirage au sort cent dossiers.
Quinze d’entre eux sont incomplets.
Combien de dossiers incomplets trouvera-t-on sur dix milles dossiers ?
Exercice 4
Dans une maternité, on fait le point de la proportion de filles toutes les cent nais-
sances.
Comment peut varier cette proportion d’une fois à l’autre si l’on admet qu’il nait
en moyenne 51% de filles ?
Exercice 5
Une machine à former des pilules fonctionne de façon satisfaisante si la proportion
de pilules non réussies est de 1 pour 1000.
Sur un échantillon de 10000 pilules, on a trouvé 15 pilules défectueuses.
Que faut-il conclure ?
Exercice 6
Sur un échantillon de 600 sujets atteints du cancer des poumons, on a trouvé 550
fumeurs.
Que peut-on dire du pourcentage de fumeurs parmi les cancéreux ?
68
A. El Mossadeq Tests : Les Fréquences
Exercice 7
Avant de procéder au lancement d’un produit, une entreprise a fait procéder à une
enquête portant sur deux régions géographiques A et B.
Sur 1800 réponses provenant de la région A, 630 se déclarent intéressées par le
produit.
En provenance de B, 150 réponses sur 600 se déclarent favorables.
Tester, au seuil de 5%, l’hypothèse de l’identité des opinions des régions A et B
quant au produit considéré.
Exercice 8
Dans un groupe de 200 malades atteints du cancer du col de l’utérus, un traitement
par application locale du radium a donné 50 guérisons.
Un autre groupe de 150 sujets atteints de la même maladie a été traité par chirurgie,
on a trouvé 50 guérisons.
Que peut-on conclure ?
Exercice 9
Aux guichets d’une gare parisienne, sur les 350 billets vendus vendredi après-midi,
95 étaient des billets de 1ère classe. Sur les 250 billets vendus la matinée du lundi
suivant, 55 étaient de 1ère classe.
Peut-on considérer qu’il y a une différence entre les proportions de vente de parcours
en 1ère classe pour les fins et débuts de semaines ?
Exercice 10
On a lancé cent fois une pièce de monnaie et l’on a obtenu soixante fois ”pile” et
quarante fois ”face”.
Tester au seuil de 5%, puis 1%, l’hypothèse de la loyauté de la pièce.
Exercice 11
Un échantillon de taille n a donné lieu au calcul d’une fréquence observée f corre-
spondant à l’intervalle de confiance [.22 − .34] au seuil α = 5%.
1. Calculer n.
2. Par rapport à la proportion p = 0.3, l’écart est-il significatif au seuil α = 5% ?
3. Déterminer l’intervalle de confiance de |f − p| au seuil α = 5%.
69
Tests : Les Fréquences A. El Mossadeq
Exercice 12
L’étude du taux de défectuosités afférentes aux caractéristiques de traitements ther-
miques d’une même pièce, traitée par deux fours différents, a donné lieu aux résultats
suivants :
* Pour le premier four, 20 pièces défectueuses sur un échantillon de 200 pièces
traitées.
* Pour le second four, 120 pièces défectueuses sur un échantillon de 800 pièces
traitées.
Que peut-on conclure ?
Exercice 13
Un questionnaire auquel on ne peut répondre que par ”oui” ou par ”non”, a été
rempli par un échantillon de taille n.
L’intervalle de confiance de la fréquence observée f des réponses ”oui” est (0.35 − 0.43)
au seuil α = 5%.
1. Quelle est la taille n de l’échantillon.
2. Par rapport à la proportion p = 0.4, l’écart est-il significatif au seuil α = 5% ?
3. Déterminer l’intervalle de confiance de |f − p| au seuil α = 5%.
Exercice 14
Parmi 470 sujets exposés à une infection, 370 n’ayant pas été immunisés.
Parmi ces derniers, 140 contractent la malidie ainsi que 25 sujets immunisés.
Le traitement donne-t-il une protection significative ?
70
Chapitre 4
73
Les Tests du Khi-Deux A. El Mossadeq
Exemple 1
On a croisé deux types de plantes différant par deux caractères A et B.
La première génération est homogène.
La seconde fait apparaitre quatre types de plantes dont les génotypes sont notés :
AB , Ab , aB , ab.
Si les caractères se trasmettent selon les lois de Mendel, les proportions théoriques
9 3 3 1
des quatre génotypes sont : , , , respectivement.
16 16 16 16
Sur un échantillon de 160 plantes, on a observé les effectifs :
100 pour AB
28 pour Ab
24 pour aB
8 pour ab
Au vu de ces résultats, les lois de Mendel sont-elles applicables ?
AB 100 90
Ab 28 30
aB 24 30
ab 8 10
74
A. El Mossadeq Les Tests du Khi-Deux
Sous l’hypothèse nulle H0 , et vu que tous les effectifs théoriques sont supérieurs
ou égaux à 5, la quantité :
X
4
(oi − ti )2
2
χ =
i=1
ti
est une réalisation d’une variable du Khi-deux à :
4−1=3
degrés de liberté : χ23 .
Pour α = 5%, on a :
χ23;.95 = 7.81
et comme :
X
4
(oi − ti )2
χ2 =
i=1
ti
= 2.84
On accepte alors l’hypothèse nulle H0 au seuil de 5%, c’est à dire, les transmissions
génétiques de ce type de plantes se font selon les lois de Mendel.
Remarque 1
Si pour l’ajustement par une loi théorique dépendant de paramètres, on utilise les
estimations de s parmi ces paramètres, et non leurs valeurs réelles, alors le nombre
de degrés de liberté, dans ce cas, est :
(k − 1) − s = k − s − 1
Ainisi , par exemple :
(1) si, pour l’ajustement par une loi de Poisson, on utilise l’estimation de son
paramètre, supposé inconnu, alors le nombre de degrés de liberté est :
(k − 1) − 1 = k − 2
(2) si, pour l’ajustement par une loi normale, on utilise l’estimation de la moyenne
et de la variance, supposées toutes les deux inconnues, alors le nombre de
degrés de liberté est :
(k − 1) − 2 = k − 3
75
Les Tests du Khi-Deux A. El Mossadeq
2. TEST D’INDÉPENDANCE DU
KHI-DEUX
XÂY 1 2 .. m T otal
: : : :: : :
où :
X
m
oi. = oik
k=1
X
n
o.j = okj
k=1
et :
X
n X
m X
n X
m
oi. = o.j = oij = N
i=1 j=1 i=1 j=1
76
A. El Mossadeq Les Tests du Khi-Deux
XÂY 1 2 .. m T otal
: : : :: : :
Sous l’hypothèse nulle H0 , et pourvu que tous les effectifs théoriques soient supérieurs
ou égaux à 5, la quantité :
X
n X
m
(oij − tij )2
2
χ =
i=1 j=1
tij
Exemple 2
On se propose de comparer les réactions produites par deux vaccins A et B.
Un groupe de 348 individus a été divisé, par tirage au sort, en deux séries qui ont
été vaccinées l’une par A et l’autre par B.
Les réactions ont été lues par une personne ignorant le vaccin utilisé.
Le problème est de décider si les réactions observées sont indépendantes du vaccin
utilisé.
77
Les Tests du Khi-Deux A. El Mossadeq
A 12 156 8 1 177
B 29 135 6 1 171
41
p1 = , pour une réaction légère
348
291
p2 = , pour une réaction moyenne
348
14
p3 = , pour une ulcération
348
2
p4 = , pour un abcès
348
On détermine les effectifs théoriques du premier échantillon de 177 sujets puis ceux
du second échantillon de 171 sujets :
Une légère difficulté apparait cependant sur cet exemple : les effectifs théoriques
dans la colonne ”Abcès” sont inférieurs à 5 ce qui empêche l’application d’un test
du Khi-deux.
On peut remédier à cet état en opérant le groupement ”logique” des classes ”Ulcération”
et ”Abcès”.
78
A. El Mossadeq Les Tests du Khi-Deux
Les tableaux des effectifs observés et théoriques obtenus après regroupement sont :
T ableau des eff ectif s observés
A 12 156 9 177
B 29 135 7 171
79
Les Tests du Khi-Deux A. El Mossadeq
Remarque 2
Lorsque l’hypothèse nulle est rejetée, il est souhaitable de préciser l’intensité de la
liaison entre les deux caractères X et Y .
On introduit alors le coefficient suivant, dit coefficient de Tschuprov :
2 χ2
T = p
N (n − 1) (m − 1)
Xn X n
(oij − tij )2
2
χ =
i=1 j=1
tij
X
n
(oii − tii )2 X (oij − tij )2
= +
i=1
tii i6=j
tij
Or :
X
n
(oii − tii )2 X
n
= N (n − 2) + o2ii
i=1
tii i=1
et :
80
A. El Mossadeq Les Tests du Khi-Deux
X (oij − tij )2 X
= tij
i6=j
tij i6=j
X oi. × o.j
=
i6=j
N
1 X
n
= oi. (N − o.i )
N i=1
1 X 2
n
= N− o
N i=1 i.
donc :
χ2 = N (n − 1)
Il en résulte que :
|T | = 1
81
Les Tests du Khi-Deux A. El Mossadeq
3. EXERCICES
Exercice 1
Avant de procéder au lancement d’un produit, une entreprise a fait procéder à une
enquête portant sur deux régions géographiques A et B.
Sur 1800 réponses provenant de la région A, 630 se déclarent intéressées par le
produit.
En provenance de B, 150 réponses sur 600 se déclarent favorables.
Tester, au seuil de 5%, l’hypothèse de l’identité des opinions des régions A et B
quant au produit considéré.
Exercice 2
Dans un groupe de 200 malades atteints du cancer du col de l’utérus, un traitement
par application locale du radium a donné 50 guérisons.
Un autre groupe de 150 sujets atteints de la même maladie a été traité par chirurgie,
on a trouvé 54 guérisons.
Que peut-on conclure ?
Exercice 3
Aux guichets d’une gare parisienne, sur les 350 billets vendus vendredi après-midi,
95 étaient des billets de 1ère classe. Sur les 250 billets vendus la matinée du lundi
suivant, 55 étaient de 1ère classe.
Peut-on considérer qu’il y une différence entre les proportions de vente de parcours
en 1ère classe pour les fins et débuts de semaines ?
Exercice 4
On a lancé cent fois une pièce de monnaie et l’on a obtenu soixante fois ”pile” et
quarante fois ”face”.
Tester au seuil de 5% puis 1%, l’hypothèse de la loyauté de la pièce.
82
A. El Mossadeq Les Tests du Khi-Deux
Exercice 5
On veut savoir si la réussite (R) d’un traitement est indépendantes du niveaux de
la tension artérielle du malade (T ).
On dispose pour cela de 250 observations réparties comme suit :
T ÂR echec succès
basse 21 104
élevée 29 96
Exercice 6
On veut savoir s’il y a une liason entre la localisation (L) du cancer du poumon
(périphérique , non périphérique) et le côté (C) de la lésion (poumon gauche ,
poumon droit). L’étude a porté sur 1054 malades :
périphérique 26 62
Exercice 7
De nombreuses observations cliniques ont montré que jusque là :
• 30% des malades atteints de M ont une survie inférieure à un an
• 50% ont une survie entre un an et deux ans
• 10% ont une survie entre deux ans et cinq ans
• 10% ont une survie supérieure à cinq ans.
On applique un nouveau traitement à 80 malades atteint de la maladie M et on
constate :
• 12 ont une survie inférieure à un an
• 56 ont une survie entre un an et deux ans
• 8 ont une survie entre deux ans et cinq ans
• 4 ont une survie supérieure à cinq ans.
Que peut-on conclure ?
83
Les Tests du Khi-Deux A. El Mossadeq
Exercice 8
On suppose pouvoir classer les malades atteints d’une maladie M en trois catégories
cliniques : A , B , C.
On se demande si ces trois catégories diffèrent par leurs survies à un an.
Les effectifs observés sont les suivants :
SurvieÂCatégorie A B C
survie à un an 5 20 45
Exercice 9
75 enfants sont vus en consultation pour un asthme. On relève chez eux les deux
symptômes suivants :
* Intensité de la maladie asmathique : légère , moyenne , forte
* Existence ou absence d’un eczéma au moment de l’observation ou dans le passé.
On peut classer les enfants selon la répartition suivante :
présent 8 2 2
passé 11 11 3
jamais 6 18 14
Exercice 10
Une étude statistique relative aux résultats d’admission du concours d’une grande
école fait ressortir la répartition des admis selon la profession des parents lorsque
celle-ci est connue :
84
A. El Mossadeq Les Tests du Khi-Deux
Artisans 210 18
1. La profession des parents a-t-elle une influence sur l’accès à cette école ?
2. Cette conclusion persiste-t-elle lorsqu’on tient compte pour compléter la statis-
tique précédente de 961 candidats dont l’origine socio-professionnelle est incon-
nue et qui ont obtenus 43 succès ?
Exercice 11
Sur un échantillon de 84 prématurés, on cherche s’il existe une liaison entre la
survenue d’une hypoglycémie et la survenue d’un ictère :
• sur 43 enfants n’ayant pas d’ictère, 23 sont hypoglycémiques
• sur 20 enfants ayant un ictère modéré, 6 sont hypoglycémiques
• sur 21 enfants ayant un ictère intense, 4 sont hypoglycémiques
Que peut-on conclure ?
Exercice 12
Un médicament essayé sur 42 patients est contrôlé quant aux effets secondaires qu’il
peut avoir sur le poids des malades. On peut considérer que :
• quinze d’entre eux ont maigri
• dix sept n’ont pas changé de poids
• dix ont grossi
En supposant que la maladie est sans effet sur les variations de poids, le médicament
a-t-il un effet significatif sur le poids ?
85
Les Tests du Khi-Deux A. El Mossadeq
Exercice 13
Pour étudier la densité de poussières dans un gaz, on a procédé à une série d’observations
de petits échantillons de gaz au moyen d’un microscope.
On a ainsi effectué 143 observations et les résultats sont les suivants :
0 34
1 46
2 38
3 19
4 4
5 2
>5 0
Exercice 14
Le tableau ci-après concerne le nombre annuel de cyclones tropicaux ayant atteint
la côte orientale des Etats-Unis entre 1887 et 1956 :
86
A. El Mossadeq Les Tests du Khi-Deux
Exercice 15
Le tableau suivant indique le résultat de l’examen de 124 sujets, classés d’après la
couleur de leurs yeux (Y ) et la couleur de leus cheveux (C) :
Bleus 25 9 3 7
Gris ou V erts 13 17 10 7
Marrons 7 13 8 5
Exercice 16
On considère les familles de quatre enfants.
Sur un échantillon de cent familles à quatre enfants, la répartition suivante a été ob-
servée :
0 7
1 20
2 41
3 22
4 10
1
Peut-on considérer que la probabilité qu’un enfant soit une fille est ?
2
Exercice 17
On distribue un jeu de quarante cartes à quatre joueurs : A , B , C , D ; chacun
reçevant dix cartes
Un statisticien a élaboré un programme de distribution de donnes par ordinateur.
Pour un ensemble de deux cents donnes, obtenues à partir de ce programme, il
observe le nombre de donnes où le joueur A reçoit k as, 0 ≤ k ≤ 4.
87
Les Tests du Khi-Deux A. El Mossadeq
0 64
1 74
2 52
3 8
4 2
88
Chapitre 5
1. ESTIMATION DE LA MOYENNE
ET DE LA VARIANCE D’UNE
POPULATION
2. INTERVALLE DE CONFIANCE
D’UNE VARIANCE
91
Tests : Moyennes et Variances A. El Mossadeq
Exemple 1
La force de rupture d’un certain type de cable peut être assimilée à une variable
aléatoire normale.
Des essais portant sur dix cables ont donné une variance empirique s2 de 1560 N2 .
Construire un intervalle de confiance, à 95%, de l’écart-type de cette force de rupture.
Pour α = 5% :
⎧ 2
⎨ χ9;.025 = 2.7
⎩ χ2
9;.975 = 19
92
A. El Mossadeq Tests : Moyennes et Variances
3. INTERVALLE DE CONFIANCE
D’UNE MOYENNE
3.1. n ≥ 30
La taille de l’échantillon est assez grande, d’après le théorème centrale limite, la
quantité :
m−μ
t= σ
√
n
peut être considérée comme une réalisation de la variable aléatoire normale centrée
réduite :
M −μ
N= σ
√
n
Ainsi, pour tout α ∈ [0, 1], il existe t1−α/2 ∈ R tel que :
£ ¤
P |N| < t1−α/2 = 1 − α
c’est à dire :
Z t1−α/2
1 t2
√ exp − dt = 1 − α
−t1−α/2 2π 2
ou encore :
Z t1−α/2
1 t2 α
√ exp − dt = 1 −
−∞ 2π 2 2
On dit que :
∙ ¸
σ σ
μ ∈ m − t1−α/2 √ , m + t1−α/2 √
n n
à 1 − α ou au seuil α.
Cet intervalle est appelé l’intervalle de confiance de la moyenne μ à 1 − α.
Si la variance σ 2 est inconnue, on la remplace sans inconvénient par son estimation
s2 .
Exemple 2
D’une population de variance σ 2 = 25, on extrait un échantillon de taille n = 100
sur lequel on observe une moyenne empirique m = 12.5.
Quel intervalle peut-on assigner à la moyenne μ de la population ?
93
Tests : Moyennes et Variances A. El Mossadeq
Pour α = 5%, on a :
t.975 = 1.96
d’où l’intervalle de confiance à 95% :
[11.52, 13.48]
3.2. n < 30
Si X suit une loi normale de moyenne μ et de variance σ 2 , alors la quantité :
m−μ
t= s
√
n
est une réalisation de la variable aléatoire de Student à (n − 1) degrés de liberté :
M −μ
Tn−1 =
S
√
n
Ainsi, pour tout α ∈ [0, 1], il existe tn−1;1−α/2 ∈ R tel que :
£ ¤
P |Tn−1 | < tn−1;1−α/2 = 1 − α
où tn−1;1−α/2 vérifie :
¡ ¢ α
Fn−1 tn−1;1−α/2 = 1 −
2
Fn−1 étant la fonction de répartition de Tn−1 .
On dit que :
∙ ¸
s s
μ ∈ m − tn−1;1−α/2 √ , m + tn−1;1−α/2 √
n n
à 1 − α ou au seuil α.
Cet intervalle est appelé l’intervalle de confiance de la moyenne μ à 1 − α.
Exemple 3
Pour déterminer le point de fusion moyen μ d’un certain alliage, on a procédé à neuf
observations qui ont données une moyenne m = 1040 ◦ C et un écart-type s = 16 ◦ C.
Construire un intervalle de confiance de la moyenne μ à 95%.
94
A. El Mossadeq Tests : Moyennes et Variances
Ici on a :
n = 9
m = 1040 ◦ C
s = 16 ◦ C
Au seuil α, l’intervalle de confiace d’une telle moyenne est défini par :
∙ ¸
s s
m − tn−1;1−α/2 √ , m + tn−1;1−α/2 √
n n
Pour α = 5%, on a :
t8;.975 = 2.31
d’où l’intervalle de confiance à 95% :
[1027.68 ◦ C, 1052.32 ◦ C]
95
Tests : Moyennes et Variances A. El Mossadeq
Exemple 4
La force de rupture d’un certain type de cable peut être assimilée à une variable
aléatoire normale.
Un vendeur de ce type de cable affirme que cette force de rupture a pour variance
σ 2 = 2000 N2 .
Des essais portant sur dix cables ont donné une variance empirique s2 de 1560 N2 .
Que peut-on conclure ?
Ici on a :
⎧
⎨ n = 10
σ 2 = 2000 N2
⎩ 2
s = 1560 N2
Testons l’hypothèse nulle :
H0 : ”la variance de la force de rupture du cable est σ 2 =2000 N2 ”
Sous cette hypothèse, la quantité :
2 (n − 1) s2
χ =
σ2
est une réalisation d’une variable du Khi-deux à :
(10 − 1) = 9
degrés de liberté : χ29
Pour α = 5% :
⎧ 2
⎨ χ9;.025 = 2.7
⎩ χ2
9;.975 = 19
et comme :
(n − 1) s2
χ2 =
σ2
= 7.02
on accepte l’hypothèse nulle H0 , au seuil α = 5%, c’est à dire, la force de rupture
de ce type de cable a pour variance :
σ2 = 2000 N2
96
A. El Mossadeq Tests : Moyennes et Variances
5.1. n ≥ 30
Sous l’hypothèse nulle :
H0 : ”m = μ”
la quantité :
m−μ
t= σ
√
n
peut être considérée comme une réalisation de la variable aléatoire normale centrée
réduite :
M −μ
N= σ
√
n
Ainsi, pour tout α ∈ [0, 1], il existe t1−α/2 ∈ R tel que :
£ ¤
P |N| < t1−α/2 = 1 − α
c’est à dire :
Z t1−α/2
1 t2
√ exp − dt = 1 − α
−t1−α/2 2π 2
ou encore :
Z t1−α/2
1 t2 α
√ exp − dt = 1 −
−∞ 2π 2 2
On rejette alors l’hypothèse nulle H0 , à 1 − α, dès que :
|t| > t1−α/2
Si la variance σ 2 est inconnue, on la remplace par son estimation s2 .
Exemple 5
D’une population, on extrait un échantillon de taille n = 40 sur lequel on observe
une moyenne m = 7.5 et une variance s2 = 80.
Tester l’hypothèse selon laquelle cet échantillon est extrait d’une population de
moyenne μ = 10.
97
Tests : Moyennes et Variances A. El Mossadeq
Ici on a :
n = 40 μ = 10 m = 7.5 s2 = 80
Testons l’hypothèse nulle :
H0 : ”la moyenne de la population est μ = 10”
Sous cette hypothèse, la quantité :
m−μ
t= s
√
n
peut être considérée comme une réalisation d’une variable aléatoire normale centrée
réduite.
Pour α = 5%, on a :
t.975 = 1.96
et comme :
m−μ
t= s = −1.77
√
n
on accepte l’hypothèse nulle H0 au seuil α = 5%, c’est à dire, l’échantillon est extrait
d’une population de moyenne μ = 10.
5.2. n < 30
Si X suit une loi normale de moyenne μ et de variance σ 2 , alors sous l’hypothèse
nulle :
H0 : ”m = μ”
la quantité :
m−μ
t= s
√
n
est une réalisation de la variable aléatoire de Student à (n − 1) degrés de liberté :
M −μ
Tn−1 = s
√
n
Ainsi, pour tout α ∈ [0, 1], il existe tn−1;1−α/2 ∈ R tel que :
£ ¤
P |Tn−1 | < tn−1;1−α/2 = 1 − α
98
A. El Mossadeq Tests : Moyennes et Variances
où tn−1;1−α/2 vérifie :
¡ ¢ α
Fn−1 tn−1;1−α/2 = 1 −
2
Exemple 6
Un fabriquant de corde affirme que les objets qu’il produit ont une tension de rupture
moyenne de trois cents Kilogrammes.
Peut-on admettre le bien fondé de cette affirmation si des expériences faites sur dix
cordes ont permis de constater les forces de rupture suivantes :
251 247 255 305 341 326 329 345 392 289
99
Tests : Moyennes et Variances A. El Mossadeq
et comme :
m−μ
t = s
√
n
= .531
on accepte l’hypothèse nulle H0 au seuil α = 5%, c’est à dire, la tension de rupture
moyenne de la corde est 300 kg.
6. TEST DE COMPARAISON DE
DEUX VARIANCES
On considère deux populations dans lesquelles le caractère étudié est distribué selon
des lois normales de variances σ 21 et σ 22 inconnues.
Il s’agit de décider si les variances de ces deux populations sont égales.
Soit à tester, au seuil α, l’hypothèse nulle :
H0 : ”σ 21 = σ 22 ”
On extrait de ces deux populations, deux échantillons indépendants de taille n1 et
n2 respectivement, sur lesquels on calcule les estimations s21 de σ 21 et s22 de σ 22 .
Sous l’hypothèse nulle H0 , la quantité :
s21
f=
s22
est une réalisation d’une variable aléatoire Fn1 −1,n2 −1 de Fisher à (n1 − 1, n2 − 1)
degrés de liberté.
Ainsi, pour tout α ∈ [0, 1], il existe Fn1 −1,n2 −1;α/2 ∈ R et Fn1 −1,n2 −1;1−α/2 ∈ R tels
que :
£ ¤
P Fn1 −1,n2 −1;α/2 < f < Fn1 −1,n2 −1;1−α/2 = 1 − α
On rejette alors l’hypothèse nulle H0 , à 1 − α, dès que :
£ ¤
f∈/ Fn1 −1,n2 −1;α/2 − Fn1 −1,n2 −1;1−α/2
En pratique, on rejette l’hypothèse nulle H0 , à 1 − α, dès que :
⎧ 2
⎪
⎪ s1
⎪
⎪ > Fn1 −1,n2 −1;1−α/2 si s21 > s22
⎨ s22
⎪
⎪ s2
⎪
⎪
⎩ 22 > Fn2 −1,n1 −1;1−α/2 si s22 > s21
s1
100
A. El Mossadeq Tests : Moyennes et Variances
Exemple 7
Sur deux échantillons indépendants de tailles n1 = 9 et n2 = 21, extraits de deux
populations gaussiennes, les variances ont été estimées par s21 = 16 et s22 = 12.
Peut-on admettre, au seuil α = 10%, que les deux populations considérées ont la
même variance ?
Ici on a :
½
n1 = 9 s21 = 16
n2 = 21 s22 = 12
Testons au seuil α, l’hypothèse nulle :
H0 : ”σ 21 = σ 22 ”
Sous cette hypothèse, la quantité :
s21
f=
s22
est une réalisation d’une variable aléatoire de F isher à
(n1 − 1, n2 − 1) = (8, 20)
degrés de liberté : F8,20
Pour α = 10%, on a :
F8,20;.95 = 2.45
et comme :
s21
f =
s22
4
=
3
on accepte l’hypothèse nulle H0 au seuil α = 10%.
Exemple 8
Sur deux échantillons indépendants de tailles n1 = 17 et n2 = 21, extraits de deux
populations gaussiennes, les variances ont été estimées par s21 = 36 et s22 = 45.
Peut-on admettre, au seuil α = 2%, que ces deux populations ont la même variance ?
Ici on a :
½
n1 = 17 s21 = 36
n2 = 21 s22 = 45
Testons au seuil α, l’hypothèse nulle :
H0 : ”σ 21 = σ 22 ”
101
Tests : Moyennes et Variances A. El Mossadeq
7. TEST DE COMPARAISON DE
DEUX MOYENNES
On considère deux populations dans lesquelles le caractère étudié est défini par
(μ1 , σ 21 ) et(μ2 , σ 22 ) respectivement.
On extrait de ces deux populations, deux échantillons indépendants de taille n1 et n2
respectivement, sur lesquels on calcule les estimations (m1 , s21 ) de (μ1 , σ 21 ) et (m2 , s22 )
de (μ2 , σ 22 ).
7.1. n1 ≥ 30 et n2 ≥ 30
Sous l’hypothèse nulle :
H0 : ”μ1 = μ2 ”
la quantité :
m1 − m2
t= r 2
σ 1 σ 22
+
n1 n2
peut être considérée comme une réalisation de la variable aléatoire normale centrée
102
A. El Mossadeq Tests : Moyennes et Variances
réduite :
M1 − M2
N=r 2
σ 1 σ 22
+
n1 n2
Exemple 9
Chez cent sujet normaux, on dose l’acide urique, les résultats sont :
⎧
⎨ m1 = 53.3 mg/ l
⎩ s = 9.1 mg/ l
1
Chez cent sujet atteints de la maladie de goutte, le même dosage fournit les résultats
suivants :
⎧
⎨ m2 = 78.6 mg/ l
⎩ s = 13.1 mg/ l
2
103
Tests : Moyennes et Variances A. El Mossadeq
et comme :
m − m2
t = r 12
s1 s2
+ 2
n1 n2
= 15.862
on rejette l’hypothèse nulle H0 à 95% (même à 99.99%), c’est à dire, la maladie de
goutte a une influence sur la dose de l’acide urique.
Exemple 10
On étudie l’effet d’une substance sur la croissance d’une tumeur greffée.
Les résultats sont consignés sur le tableau ci-dessous donnant la surface de la tumeur
au 20ème jour après sa greffe :
104
A. El Mossadeq Tests : Moyennes et Variances
Testons d’abord, au seuil α = 2%, l’hypothèse nulle d’égalité des variances des
surfaces tumorales chez les populations des témoins et des traités.
Sous cette hypothèse, la quantité :
s22
f=
s21
est une réalisation d’une variable aléatoire de Fisher à :
(n2 − 1, n1 − 1) = (20, 20)
degrés de liberté.
Pour α = 2%, on a :
F20,20;.99 = 2.94
et comme :
s22
f =
s21
= 1.9549
105
Tests : Moyennes et Variances A. El Mossadeq
106
A. El Mossadeq Tests : Moyennes et Variances
8. EXERCICES
Exercice 1
Une série de cent mesures a donné comme résultat :
⎧ 100
⎪
⎪ X
⎪
⎪ xi = 5200
⎪
⎪
⎨ i=1
⎪
⎪ " #2
⎪
⎪ X
100
1 P
100
⎪
⎪ xi − xj = 396
⎩ 100 j=1
i=1
Exercice 2
La force de rupture d’un certain type de cable peut être assimilée à une variable
aléatoire normale.
Des essais portant sur dix cables ont donné une variance empirique s2 de 1560 N2 .
Construire un intervalle de confiance, à 95%, de l’écart-type de cette force de rupture.
Exercice 3
Une enquête statistique effectuée sur cent sujets permet de définir, à 95%, l’intervalle
de confiance de la moyenne :
[49.6 − 50.4]
Dans quelles conditions aurait-il été possible que le résultat fût à 95% :
[49.8 − 50.2]
Exercice 4
Pour déterminer le point de fusion moyen μ d’un certain alliage, on a procédé à neuf
observations qui ont données une moyenne m = 1040 ◦ C et un écart-type s = 16 ◦ C.
Construire un intervalle de confiance de la moyenne μ à 95%.
107
Tests : Moyennes et Variances A. El Mossadeq
Exercice 5
La taille de 1200 conscrits du bureau de recrutement X a pour moyenne X̄ = 172 cm
et pour écart-type sX = 6 cm.
Les mêmes mesures effectuées sur les 250 conscrits du bureau de recrutement Y ont
donné pour moyenne Ȳ = 170 cm et pour écart-type sY = 5 cm.
Que peut-on conclure ?
Exercice 6
On se propose de comparer le poids à la naissance chez une série de primapares
(série 1) et une série de multipares (série 2) :
Série 1 : n1 = 95 m1 = 3197 g s21 = 210100 g2
Exercice 7
Chez cent sujet normaux, on dose l’acide urique, les résultats sont :
⎧
⎨ m1 = 53.3 mg/ l
⎩ s = 9.1 mg/ l
1
Chez cent sujet atteints de la maladie de goutte, le même dosage de l’acide urique
fournit les résultats suivants :
⎧
⎨ m2 = 78.6 mg/ l
⎩ s = 13.1 mg/ l
2
Exercice 8
On admet que la valeur moyenne de la glycémie du sujet normal est 1 g/ l.
Sur 17 sujets, on a trouvé une moyenne de .965 g/ l et un écart-type estimé de
.108 g/ l.
Cette valeur peut-elle être considérée comme différente du taux normal ?
108
A. El Mossadeq Tests : Moyennes et Variances
Exercice 9
Dans un échantillon de 17 prématurés, la moyenne du Na-plasmatique est :
½
m1 = 133
s21 = 81.2
Soit un autre échantillon de 25 dysmaturés, dans lequel la moyenne du Na-plasmatique
est :
½
m2 = 136
s22 = 56.57
Que peut-on conclure ?
Exercice 10
Lorqu’une machine est bien réglée, elle produit des pièces dont le diamètre D est
une variable gaussienne de moyenne 25 mm.
Deux heures après le réglage de la machine, on a prélevé au hasard neuf pièces.
Leurs diamètres ont pour mesure en mm :
22 23 21 25 24 23 22 26 21
Que peut-on conclure quant à la qualité du réglage après deux heures de fonction-
nement de la machine ?
Exercice 11
Si l’écart-type de la durée de vie d’un modèle de lampe électrique est estimé à cent
heures, quelle doit être la taille de l’échantillon à prélever pour que l’erreur sur
l’estimation de la durée de vie moyenne n’exède pas vingt heures et ce avec une
probabilité de 95% puis 99% ?
Exercice 12
Une machine fabrique des rondelles dont le diamètre D est une variable guassienne.
On prélève au hasard un échantillon de huit rondelles.
Leurs diamètres ont pour mesure en mm :
20.1 19.9 19.7 20.2 20.1 23.1 22.6 19.8
Construire à 95% puis 99% les intervalles de confiance de la moyenne et de la vari-
ance.
109
Tests : Moyennes et Variances A. El Mossadeq
Exercice 13
On effectue un dosage par deux méthodes différentes A et B.
On obtient les résultats suivants :
Exercice 14
Dans deux types de forêts, on a mesuré les hauteurs de treize et quatorze peuple-
ments choisis au hasard et indépendamment dans le but de vérifier si les hauteurs
de ces deux types d’arbres sont ou ne sont pas égales. Les résultats sont les suivants :
On admet que les hauteurs de ces deux types d’arbres sont des variables gaussiennes
N (μ1 , σ 21 ) et N (μ2 , σ 22 ).
Que peut-on conclure ?
Exercice 15
On considère deux variétés de maïs M1 et M2 dont les rendements sont des variables
aléatoires gaussiennes N (μ1 , σ 21 ) et N (μ2 , σ 22 ).
Afin de comparer les rendements de ces deux variétés de maïs, on a choisi de cultiver
dans neuf stations différentes des parcelles voisines encemencées de l’une ou l’autre
des deux variétés.
On a observé les rendements suivants :
110
A. El Mossadeq Tests : Moyennes et Variances
Station 1 2 3 4 5 6 7 8 9
V ariété 2 39.2 33.1 32.4 25.2 33.1 29.5 24.1 29.2 34.1
Exercice 16
Le relevé des températures journalières minimales de deux stations S1 et S2 , au
cours de neuf journées consécutives a fourni les valeurs suivantes en ◦ C:
Station 1 12 8 9 10 11 13 10 7 10
Station 2 7 11 10 6 8 11 12 9 7
Exercice 17
On étudie l’effet d’une substance sur la croissance d’une tumeur greffée.
Les résultats sont consignés sur le tableau ci-dessous donnant la surface de la tumeur
au 20ème jour après sa greffe :
111
Chapitre 6
Le Modèle Linéaire
A. El Mossadeq Le Modèle Linéaire
Définition 1
Soit η une variable (réponse) dépendant de variables indépendantes z1 , ..., zs :
η = f (z1 , ..., zs )
On dit que η obéit à un modèle linéaire si :
X
k
η= β j xj (z1 , ..., zs )
j=1
Exemple 1
Le modèle :
η = α0 + α1 z + α2 z 2 + ... + αr z r
est un modèle linéaire.
En effet, si l’on pose :
⎧
⎪
⎪ s =1
⎨
k =r+1
⎪
⎪ β = αj−1
⎩ x j = x (z) = z j−1
j j
115
Le Modèle Linéaire A. El Mossadeq
Définition 2
Un modèle linéaire est dit simple si :
η = α + βz
C’est le cas où :
s=1 , z1 = z
β1 = α , β2 = β
x1 (z) = 1 , x2 (z) = z
Exemple 2
Le modèle
γ = δ exp βz
où δ > 0, est un modèle linéaire simple.
En effet, si l’on pose :
η = ln γ , α = ln δ
le modèle s’écrit :
η = α + βz
Exemple 3
Le modèle
η = α + β sin 2πz
est un modèle linéaire.
En effet, si l’on pose :
s=1 , k=2
β1 = α , β2 = β
x1 (z) = 1 , x2 (z) = sin 2πz
le modèle s’écrit :
η = β 1 x1 + β 2 x2
Exemple 4
Le modèle :
1
η= [exp (−β 1 z) − exp (−β 2 z)]
β2 − β1
n’est pas un modèle linéaire.
116
A. El Mossadeq Le Modèle Linéaire
Remarque 1
De ces exemples, on déduit que la linéarité du modèle doit être envisagée comme
une linéarité par rapport aux paramètres du modèle.
2. ANALYSE DU MODÈLE
LINÉAIRE SIMPLE PAR LA
MÉTHODE DES MOINDRES
CARRÉS
Suposons qu’on s’intéresse à la relation entre les variations de la température (x) et
les variations du volume d’un gaz (y).
Lorsqu’on applique au gaz une température xi (qui peut être choisie au hasard ou
fixée par l’expérimentateur), le volume du gaz résultant est une variable aléatoire
yi .
Supposons que, l’erreur expérimentale mise à part, la relation entre x et y soit
linéaire, de telle manière que l’espérance conditionnelle de y relativement à x, qu’on
appelle la fonction de régression de y en x, est de la forme :
E [y | x] = η x = α + βx
où α et β sont des paramètres qu’on se propose d’estimer.
Supposons aussi que pour tout x, le volume observé contient la même erreur expéri-
mentale donnée par :
V [y | x] = σ 2
On appelle erreur aléatoire la variable :
ε = y − (α + βx)
Pour tout x, ε a une même distribution de moyenne nulle et de variance σ 2 :
⎧
⎨ E [ε] = 0
⎩ V [ε] = σ 2
117
Le Modèle Linéaire A. El Mossadeq
Pour tout i, 1 ≤ i ≤ n, on a :
yi = α + βxi + εi
où :
⎧
⎪
⎪ E [εi ] = 0
⎪
⎪
⎨
V [εi ] = σ2
⎪
⎪
⎪
⎪
⎩ Cov [ε , ε ] = 0 si i 6= j
i j
Posons :
X
n
Q (α, β) = (yi − α − βxi )2
i=1
X
n
= ε2i
i=1
La méthode
³ ´ des moindres carrés consiste à estimer le couple (α, β) par le couple
α̂, β̂ minimisant Q (α, β) :
³ ´
Q α̂, β̂ = min Q (α, β)
(α,β)
³ ´
α̂, β̂ sont appelés les estimateurs des moindres carrés de (α, β).
On obtient :
α̂ = ȳ − β̂ x̄
S (ẋ, ẏ)
β̂ =
S (ẋ2 )
où :
1X
n
x̄ = xi
n i=1
1X
n
ȳ = yi
n i=1
118
A. El Mossadeq Le Modèle Linéaire
et :
X
n
S (ẋ, ẏ) = (xi − x̄) (yi − ȳ)
i=1
Xn
= xi yi − nx̄ȳ
i=1
¡ ¢
S (ẋ, ẋ) = S ẋ2
Un estimateur η̂ de η est alors donné par :
η̂ = α̂ + β̂x
Posons :
ei = yi − η̂ i
³ ´
= yi − α̂ + β̂xi
On a :
X
n n ³
X ´
ei = yi − α̂ − β̂xi
i=1 i=1
Xn h i
= (yi − ȳ) − β̂ (xi − x̄)
i=1
= 0
119
Le Modèle Linéaire A. El Mossadeq
3.1. ETUDE DE β̂
Puisque :
X
n X
n
S (ẋ, ẏ) = (xi − x̄) (yi − ȳ) = (xi − x̄) yi
i=1 i=1
on en déduit :
S (ẋ, ẏ)
β̂ =
S (ẋ2 )
Xn
(xi − x̄) yi
i=1
=
S (ẋ2 )
X
n
= ci yi
i=1
120
A. El Mossadeq Le Modèle Linéaire
d’où :
" n #
h i X
E β̂ = E ci yi
i=1
X
n
= ci E [yi ]
i=1
Xn
= ci (α + βxi )
i=1
= β
et :
" n #
h i X
V β̂ = V ci yi
i=1
X
n
= c2i V [yi ]
i=1
σ2
=
S (ẋ2 )
Proposition 1
β̂ est un estimateur sans biais de β de variance :
h i σ2
V β̂ =
S (ẋ2 )
3.2. ETUDE DE α̂
Puisque :
α̂ = ȳ − β̂ x̄
On a :
h i
E [α̂] = E ȳ − β̂ x̄
h i
= E [ȳ] − E β̂ x̄
= α + β x̄ − β x̄
= α
121
Le Modèle Linéaire A. El Mossadeq
et comme :
X
n
β̂ = ci yi
i=1
alors :
α̂ = ȳ − β̂ x̄
à n !
X
= ȳ − ci yi x̄
i=1
n µ
X ¶
1
= − x̄ci yi
i=1
n
d’où :
" n µ ¶ #
X 1
V [α̂] = V − x̄ci yi
i=1
n
n µ
X ¶2
1
= − x̄ci V [yi ]
i=1
n
∙ ¸
2 1 x̄2
= σ +
n S (ẋ2 )
Proposition 2
α̂ est un estimateur sans biais de α de variance :
∙ ¸
2 1 x̄2
V [α̂] = σ +
n S (ẋ2 )
3.3. ETUDE DE η̂
On a :
η̂ = α̂ + β̂x
X n µ ¶ X
n
1
= − x̄ci yi + ci yi x
i=1
n i=1
n ∙
X ¸
1
= + ci (x − x̄) yi
i=1
n
122
A. El Mossadeq Le Modèle Linéaire
d’où :
h i
E [η̂] = E α̂ + β̂x
h i
= E [α̂] + E β̂ x
= α + βx
et :
" n ∙ ¸ #
X 1
V [η̂] = V + ci (x − x̄) yi
i=1
n
n ∙
X ¸2
1
= + ci (x − x̄) V [yi ]
i=1
n
" #
2
1 (x − x̄)
= σ2 +
n S (ẋ2 )
Proposition 3
η̂ est un estimateur sans biais de η de variance :
" #
2
1 (x − x̄)
V [η̂] = σ2 +
n S (ẋ2 )
123
Le Modèle Linéaire A. El Mossadeq
donc :
³ ´ n ³
X ci ´
(α̂ − α) β̂ − β = − x̄c2i (yi − η i )2 +
i=1
n
Xµ 1
¶
¡ ¢
− x̄ci cj (yi − η i ) yj − η j
i6=j
n
X n ³
ci ´
2
Xµ1 ¶
2
= − x̄ci (yi − η i ) + − x̄ci cj εi εj
i=1
n i6=j
n
d’où :
h i h ³ ´i
Cov α̂, β̂ = E (α̂ − α) β̂ − β
Xn ³ ´
2 ci
= σ − x̄c2i
i=1
n
x̄
= −σ 2
S (ẋ2 )
Proposition 4
La covariance de α̂ et β̂ est donnée par :
h i x̄
Cov α̂, β̂ = −σ 2
S (ẋ2 )
τ̂ = aα̂ + bβ̂
de :
τ = aα + bβ
124
A. El Mossadeq Le Modèle Linéaire
Comme :
h i
E [τ̂ ] = E aα̂ + bβ̂
= aα + bβ
= τ
τ̂ = aα̂ + bβ̂
Xn h i
a
= + (b − ax̄) ci yi
i=1
n
on en déduit :
" n #
Xha i
V [τ̂ ] = V + (b − ax̄) ci yi
i=1
n
n h
X i2
a
= + (b − ax̄) ci V [yi ]
i=1
n
" #
a2 (b − ax̄)2
= σ2 +
n S (ẋ2 )
Puisque :
E [t] = τ
alors :
⎧ n
⎪ X
⎪
⎪ di = a
⎪
⎪
⎨ i=1
⎪
⎪ X
n
⎪
⎪
⎪
⎩ di xi = b
i=1
125
Le Modèle Linéaire A. El Mossadeq
Calculons la covariance de τ̂ et t :
n h
X i
a
τ̂ − E [τ̂ ] = + (b − ax̄) ci (yi − η i )
i=1
n
Xn h i
a
= + (b − ax̄) ci εi
i=1
n
X
n
¡ ¢
t − E [t] = dj yj − η j
j=1
Xn
= dj εj
j=1
d’où :
Cov [τ̂ , t] = E [(τ̂ − τ ) (t − τ )]
Xn X n h i
a
= + (b − ax̄) ci dj Cov [εi , εj ]
i=1 j=1
n
n h
X i
a
= + (b − ax̄) ci di V [εi ]
i=1
n
" #
a2 X n
= σ2 + (b − ax̄) ci di
n i=1
Et comme :
X
n X
n
xi − x̄
ci di = d
2) i
i=1 i=1
S (ẋ
" n #
1 X Xn
= xi di − x̄ di
S (ẋ2 ) i=1 i=1
(b − ax̄)
=
S (ẋ2 )
on obtient alors :
" #
a2 X n
2
Cov [τ̂ , t] = σ + (b − ax̄) ci di
n i=1
" #
2 a
2
(b − ax̄)2
= σ +
n S (ẋ2 )
= V [τ̂ ]
126
A. El Mossadeq Le Modèle Linéaire
Or :
V [τ̂ − t] = V [τ̂ ] + V [t] − 2Cov [τ̂ , t]
= V [t] − V [τ̂ ]
et :
V [τ̂ − t] ≥ 0
on en déduit :
V [τ̂ ] ≤ V [t]
Proposition 5
Parmi tous les estimateurs sans biais de :
τ = aα + bβ
linéaires en yi , l’estimateur des moindres carrés :
τ̂ = aα̂ + bβ̂
est de variance minimale.
Corollaire 1
Parmi tous les estimateurs sans biais de α, linéaires en yi , l’estimateur des moindres
carrés α̂ est de variance minimale.
Corollaire 2
Parmi tous les estimateurs sans biais de β, linéaires en yi , l’estimateur des moindres
carrés β̂ est de variance minimale.
Corollaire 3
Parmi tous les estimateurs sans biais de :
η = α + βx
linéaires en yi , l’estimateur des moindres carrés :
η̂ = α̂ + β̂x
est de variance minimale.
127
Le Modèle Linéaire A. El Mossadeq
5. ESTIMATION DE σ 2
où
ei = yi − η̂ i
= yi − α̂ − β̂xi
En remplaçant, on obtient :
X
n
SSe = e2i
i=1
n ³
X ´2
= yi − α̂ − β̂xi
i=1
" #
X
n X
n X
n
= yi2 − α̂ yi + β̂ xi yi
i=1 i=1 i=1
Posons :
X
n X
n
SSr = α̂ yi + β̂ xi yi
i=1 i=1
alors :
X
n
2 X
n
2
SSr = nα̂ + 2α̂β̂ xi + β̂ x2i
i=1 i=1
X
n
= η̂ 2i
i=1
d’où :
X
n
SSe = yi2 − SSr
i=1
128
A. El Mossadeq Le Modèle Linéaire
Et comme :
£ ¤
E α̂2 = V [α̂] + E [α̂]2
h 2i h i h i2
E β̂ = V β̂ + E β̂
h i h i h i
E α̂β̂ = Cov α̂, β̂ + E [α̂] E β̂
d’où :
" n #
X
E [SSe ] = E yi2 − E [SSr ]
i=1
= (n − 2) σ 2
Proposition 6
La statistique :
1
SSe
n−2
est un estimateur sans biais de σ 2 .
6. ANALYSE DE LA VARIANCE
On a :
X
n
yi2 = SSe + SSr
i=1
X
n
yi2 se décompose en la somme de deux carrés :
i=1
129
Le Modèle Linéaire A. El Mossadeq
Nous résumons l’analyse dans le tableau suivant, appelé table de l’analyse de la vari-
ance :
7. TESTS ET INTERVALLES DE
CONFIANCE
Proposition 7 ³ ´
Le couple d’estimateurs α̂, β̂ a pour densité la fonction :
" #
S (ẋ2 ) 1 2
Xn
2
Xn
f (x, y) = n exp − 2 n (x − α) + 2 (x − α) (y − β) xi + (y − β) x2i
2πσ 2 2σ i=1 i=1
Proposition 8
La variable :
SSe
σ2
suit une loi du khi-deux à (n − 2) degrés de liberté : χ2n−2 .
130
A. El Mossadeq Le Modèle Linéaire
Proposition 9
La variable :
³ ´X
n ³ ´2 X
n
T (α, β) = n (α̂ − α)2 + 2 (α̂ − α) β̂ − β xi + β̂ − β x2i
i=1 i=1
131
Le Modèle Linéaire A. El Mossadeq
Proposition 10
La variable aléatoire β̂ est distribuée selon une loi normale de moyenne :
h i
E β̂ = β
et de variance :
h i σ2
V β̂ =
S (ẋ2 )
indépendamment de SSe .
Ainsi, la variable :
³ ´p
β̂ − β S (ẋ2 )
X=
σ
est distribuée selon une loi normale centrée réduite.
Et comme la variable :
SSe
Y = 2
σ
suit une loi du khi-deux à (n − 2) degrés de liberté : χ2n−2 , il en résulte que la statis-
tique :
X
T (β) = p
Y /n − 2
s
³ ´ (n − 2) S (ẋ2 )
= β̂ − β
SSe
suit une loi de Student à (n − 2) degrés de liberté : Tn−2 .
132
A. El Mossadeq Le Modèle Linéaire
H0 : ”β = β 0 ”
on compare T (β 0 ) à tn−2;1−δ/2 .
Proposition 11
La variable aléatoire α̂ est distribuée selon une loi normale de moyenne :
E [α̂] = α
et de variance :
P
n
x2i
i=1
V [α̂] = σ2
nS (ẋ2 )
indépendamment de SSe .
Posons :
P
n
x2i
i=1
γ2 =
nS (ẋ2 )
Ainsi, la variable :
(α̂ − α)
Z=
σγ
est distribuée selon une loi normale centrée réduite.
133
Le Modèle Linéaire A. El Mossadeq
Et comme la variable :
SSe
Y =
σ2
suit une loi du khi-deux à (n − 2) degrés de liberté : χ2n−2 , il en résulte que la
statistique :
Z
T (α) = p
Y /n − 2
s
(α̂ − α) (n − 2)
=
γ SSe
suit une loi de Student à (n − 2) degrés de liberté : Tn−2 .
Proposition 12
La variable aléatoire η̂ x est distribuée selon une loi normale de moyenne :
E [η̂ x ] = ηx
et de variance :
" #
1 (x − x̄)2
V [η̂ x ] = σ2 +
n S (ẋ2 )
indépendamment de SSe .
Ainsi, la variable :
(η̂ x − η x )
U=
σ [η̂ x ]
134
A. El Mossadeq Le Modèle Linéaire
suit une loi du khi-deux à (n − 2) degrés de liberté : χ2n−2 , il en résulte que la statis-
tique :
U
T (η x ) = p
Y /n − 2
(η̂ x − η x )
= r s
SSe 1 (x − x̄)2
+
n−2 n S (ẋ2 )
suit une loi de Student à (n − 2) degrés de liberté : Tn−2 .
Cov [x, y]
ρ =
σ [x] σ [y]
S (ẋ, ẏ)
= p p
S (ẋ2 ) S (ẏ 2 )
Il en résulte que :
2
2 β̂ S (ẋ2 )
ρ =
S (ẏ 2 )
Or :
¡ ¢ 2 ¡ ¢
SSe = S ẏ 2 − β̂ S ẋ2
135
Le Modèle Linéaire A. El Mossadeq
donc :
2
SSe β̂ S (ẋ2 )
= 1−
S (ẏ 2 ) S (ẏ 2 )
= 1 − ρ2
Proposition 13
La variable aléatoire :
(n − 2) ρ
T (ρ) = p
1 − ρ2
suit une loi de Student à n − 2 degrés de liberté : Tn−2 .
8. LE TEST DE LINÉARITÉ DU
MODÈLE
Dans toute l’analyse que nous avons menée, nous avons supposé l’existence d’une
relation linéaire entre x et y de la forme :
E [y | x] = η x = α + βx
c’est à dire, que le modèle étudié, est un modèle linéaire simple.
Il s’agit, maintenant de vérifier si cette hypothèse est vraie, autrement dit :
le modèle est-il réellement linéaire ?
Soient x1 , ..., xm m valeurs fixée de x, m ≥ 3, telles que :
x1 < ... < xm
136
A. El Mossadeq Le Modèle Linéaire
η̂ = α̂ + β̂x
avec :
α̂ = ȳ − β̂ x̄
S (ẋ, ẏ)
β̂ =
S (ẋ2 )
où :
1X
m
x̄ = ni xi
n i=1
nj
1X 1 XX
m m
ȳ = nj ȳ.j = yij
n j=1 n j=1 i=1
nj
X
m X
m X
S (ẋ, ẏ) = nj (xj − x̄) (ȳ.j − ȳ) = (xj − x̄) (yij − ȳ)
j=1 j=1 i=1
¡ 2¢ Xm
S ẋ = nj (xj − x̄)2
j=1
nj nj
X
m X X
m X
¡ ¢2
SSe = e2ij = yij − η̂ ij
j=1 i=1 j=1 i=1
137
Le Modèle Linéaire A. El Mossadeq
Intuitivement, si la relation entre x et y n’est pas linéaire, alors les résidus eij
contiennet une information autre que celle liée à l’erreur.
Dans ce cas, il faut s’attendre à ce que la somme des carrés des résidus SSe contient,
en plus de l’information sur σ2 , une information sur l’écart à la vraie relation entre
x et y.
Posons :
nj
Xm X
SST = (yij − ȳ)2
j=1 i=1
X
m
SSB = (yij − ȳ.j )2
j=1
nj
X
m X
SSW = (yij − ȳ.j )2
j=1 i=1
alors on a :
SST = SSB + SSW
• SST représente la variation totale,
• SSB représente la variation inter-groupe,
• SSW représente la variation intra-groupe.
Puisque pour tout j ∈ {1, ..., m}, y1j , ..., ynj j sont identiquement distribués selon
une loi d’espérace mathématique α + βxj et de variance σ 2 , alors :
" nj #
X 2
E (yij − ȳ.j ) = (nj − 1) σ 2
i=1
et :
E [SSW ] = (n − m) σ 2
On conclut que la statistique :
SSW
n−m
est un estimateur sans biais de σ 2 .
Cet estimateur est indépendant de la relation linéaire pouvant exister entre x et y
contrairement au précédent estimateur :
SSe
n−2
Posons :
SSL = SSB − SSr (β)
138
A. El Mossadeq Le Modèle Linéaire
où :
2 ¡ ¢
SSr (β) = β̂ S ẋ2
On démontre que, sous l’hypothèse de linéarité du modèle on a :
E [SSL ] = (m − 2) σ 2
sinon :
E [SSL ] = (m − 2) σ2 + Λ2
où Λ2 dépend de la nature de la relation entre x et y de telle sorte que :
Λ2 = 0 ⇐⇒ η = α + βx
Il en résulte que si les yij , 1 ≤ i ≤ nj et 1 ≤ j ≤ m, sont identiquement distribués
selon une même loi normale, alors sous l’hypothèse nulle :
H0 : ”le modèle est linéaire”
la statistique :
SSL / (m − 2)
FL =
SSW / (n − m)
est distribuée selon une loi de Ficher à (m − 2, n − m) degrés de liberté : Fm−2,n−m .
139
Le Modèle Linéaire A. El Mossadeq
9. PREDICTION
Souvent, le but d’une expérimentation est de pouvoir, pour une valeur donnée x0 de
la variable explicative x, prédire la valeur de la variable à expliquer y.
Supposons que la relation entre x et y soit linéaire :
E [y | x] = η x = α + βx
et supposons qu’après validation du modèle, par les données (xi , yi )1≤i≤n , on a :
η̂ x = α̂ + β̂x
³ ´
où α̂, β̂ sont les estimateurs des moindres carrés de (α, β).
Quel prédicteur ỹx0 , basé seulement sur les observations (xi , yi )1≤i≤n , doit-on alors
utiliser pour prédire la réponse indépendante y qui serait observée en x = x0 ?
ỹx0 = α̂ + β̂x0
On a :
E [ỹx0 | (xi , yi ) , 1 ≤ i ≤ n] = E [y | x0 ] = η x0
donc, tous les prédicteurs, de la réponse indépendante y en x = x0 , ont la même es-
pérance mathématique.
140
A. El Mossadeq Le Modèle Linéaire
t̃x0 = ỹx0
ỹx0 − y
Tn−2 = r s
SSe 1 (x0 − x̄)2
1+ +
n−2 n S (ẋ2 )
est distribuée selon une loi de student à n − 2 degrés de liberté.
r s
SSe 1 (x0 − x̄)2
ỹx0 ∓ tn−2;1−δ/2 1+ +
n−2 n S (ẋ2 )
141
Le Modèle Linéaire A. El Mossadeq
10. EXEMPLE
On injecte à trente patients des doses différentes (x) d’une solution ( mg/ml), et on
observe leur tension arterielle (y).
Les résultats sont résumés dans le tableau suivants, où 15 ≤ x ≤ 70 :
X
30 X
30
x2i = 67894 , yi2 = 624260
i=1 i=1
X
30
xi yi = 199576
i=1
et :
µ 30 ¶2
P
xi
¡ 2¢ X30
i=1
S ẋ = x2i − = 6783.47
i=1
30
142
A. El Mossadeq Le Modèle Linéaire
µ 30 ¶2
P
yi
¡ 2¢ X30
i=1
S ẏ = yi2 − = 14787.47
i=1
30
µ 30 ¶ µ 30 ¶
P P
X
30 xi yi
i=1 i=1
S (ẋ, ẏ) = xi yi − = 6585.9
i=1
30
On en déduit :
S (ẋ, ẏ)
β̂ =
S (ẋ2 )
= .97087
et :
α̂ = ȳ − β̂ x̄
= 98.715
d’où la droite des moindres carrés :
η̂ = α̂ + β̂x
= 98.715 + .97087x
y 175
162.5
150
137.5
125
112.5
100
0 20 40 60 80
143
Le Modèle Linéaire A. El Mossadeq
On a :
X
n X
n
SSr = α̂ yi + β̂ xi yi
i=1 i=1
= 615870
X
n
SSe = yi2 − SSr
i=1
= 8393.45
Afin de valider le modèle, on prend en compte les six valeurs suivantes de x, pour
lesquelles une deuxième observations a été faite :
x 39 42 45 47 56 67
y 120 128 135 220 150 158
144
A. El Mossadeq Le Modèle Linéaire
Comme :
2 ¡ ¢
SSr (β) = β̂ S ẋ2
= 6394.02
on en déduit :
SSL = SST − SSW − SSr (β)
= 5200.45
d’où la table d’analyse :
Source d.d.l SS
Modèle 1 SSr (β) = 6394.02
Non linéarité 22 SSL = 5200.45
Erreur pure 6 SSW = 3193
T otal 29 SST = 14787.47
On en déduit :
SSL / (m − 2)
FL =
SSW / (n − m)
= .44
et comme :
F22,6;.95 = 3.85
l’hypothèse de la linéarité du modèle est accepté au seuil δ = 5%.
On peut maintenant examiner l’hypothèse nulle :
H0 : ”β = 0”
c’est à dire, la réponse est une fonction constante.
On a :
SSr (β)
Fβ =
SSe / (n − 2)
= 21.33
et comme :
F1,28;.95 = 4.2
on rejette H0 à 95%.
145
Le Modèle Linéaire A. El Mossadeq
Pour δ = 5%, on a :
⎧ 2
⎨ χ28;.025 = 15.3
⎩ χ2
28;.975 = 44.5
d’où l’intervalle :
[188.62, 548.59]
(2) L’intervalle de confiance de β, au seuil δ, est défini par :
" s s #
SSe SSe
β̂ − tn−2;1−δ/2 , β̂ + tn−2;1−δ/2
(n − 2) S (ẋ2 ) (n − 2) S (ẋ2 )
Pour δ = 5%, on a :
t28;.975 = 2.05
d’où l’intervalle :
[.5405, 1.4015]
(3) L’intervalle de confiance de α, au seuil δ, est défini par :
" s s #
SSe SSe
α̂ − tn−2;1−δ/2 γ , α̂ + tn−2;1−δ/2 γ
(n − 2) (n − 2)
Pour δ = 5%, on a :
t28;.975 = 2.05
d’où l’intervalle :
[78.21, 119.21]
(4) L’intervalle de confiance de η x à 1 − δ est donné par :
s s
SSe 1 (x − x̄)2
η̂ x ∓ tn−2;1−δ/2 +
(n − 2) n S (ẋ2 )
Pour δ = 5%, on a :
t28;.975 = 2.05
146
A. El Mossadeq Le Modèle Linéaire
d’où l’intervalle :
s
1 (x − 45.13)2
(98.71 + .9709x) ± 35.493 +
30 6783.5
175
150
125
100
0 20 40 60 80
200
175
150
125
100
75
0 20 40 60 80
Intervalle de prédiction de y en x
147
Le Modèle Linéaire A. El Mossadeq
148