Académique Documents
Professionnel Documents
Culture Documents
Définitions
MODULE: Statistique
Section: GI2
Avril, 2021
Enseignante responsable: Mariem Tounsi Estimation-GI2
Introduction
Définitions
Contents
1 Introduction
2 Définitions
Echantillonnage
Exemples de statistiques d’un échantillon aléatoire
(m, σ)
&
échantillon (taille n)
(m̂, σ̂)
(m, σ)
%
échantillon (taille n)
(m̂, σ̂)
Echantillon aléatoire
Exemple :
Xn − m Loi
−−−−−→ N (0, 1).
√σ n−→+∞
n
Conséquences :
Loi σ
Xn −−−−−→ N (m, √ ).
n−→+∞ n
n
X Loi √
Xi −−−−−→ N (nm, nσ).
n−→+∞
i=1
Enseignante responsable: Mariem Tounsi Estimation-GI2
Introduction Echantillonnage
Définitions Exemples de statistiques d’un échantillon aléatoire
Enoncé :
Soit (Xn )n∈N une suite de variables aléatoires indépendantes
et de même loi (c.à.d ∀i, m = E(Xi ) et σ 2 = V (Xi )). On pose
n
1X
Xn = Xi (c’est la moyenne empirique ou on dit observée
n
i=1
sur l’échantillon aléatoire (X1 , X2 , ..., Xn )), alors :
P
Xn −−−−−→ m.
n−→+∞
La statistique de la moyenne m
Définition
Soit X = (X1 , X2 , . . . , Xn ) un échantillon aléatoire de moyenne
m et d’écart-type σ. Soit T : Rn −→ R une application
mesurable.
Tn = T (X1 , X2 , . . . , Xn ) est appelé statistique. En particulier, on
a:
n
1X
Xn = Xi est la statistique de la moyenne m.
n
i=1
Etude de la statistique Xn
Propriété
σ2
E(Xn ) = m et Var (Xn ) = n .
Si X ∼ N (m, σ) (càd ∀1 ≤ i ≤ n, Xi ∼ N (m, σ)), alors
Xn ∼ N (m, √σn ).
Si X est quelconque et n ≥ 30, alors d’après le Théorème
Centrale Limite "T.C.L.", on a Xn converge vers la loi
N (m, √σn ).
Application 1 :
Simuler un échantillon aléatoire de taille n=10, 100, 1000, 10000 qui
suit la loi Exponentielle de paramètre 0.25.
Vérifier le principe du T.C.L.
N=10 :
N=100 :
N=10000 :
Application 2 :
Simuler un échantillon aléatoire de taille n=10, 100, 1000, 10000 qui
suit la loi Binomiale de paramètres n=25 et p=0.15.
Vérifier le principe de la loi faible des grands nombres.
N= 10 :
err =
0.0025
N=100 :
err =
4.4444e-04
N=10000 :
err =
2.8224e-05