VARIABLES ALEATOIRES

d) VA DISCRÈTES

Definition : X : 1 IR tq ✗ ( r) est finis & tq pour tout événement web ✗ ( W) c- IR

exemple jet de pièce :

pile ↳ 0 ✗ (1) =
{ Oi 1 } .

face 1

Loi de probabilité : l' ensemble des couples (x i , pi) des valeurs de ✗ & leurs probabilités associées

exemple : si on a PCX = O) = PCX = 1) =

± .

Ni 0 1

Pi 1/2 %

Fonction de repartition de ✗ : Fonction définie par txt IR ,

FCN =
IP ( ✗ ≤ x ) .

exemple : r - - - - -
-
-
•
F

112 -

i i

b) VA CONTINUE

Definition : X : I -
IR X (R) est dénombrable .

exemple : taille

loi de probabilité : la fonction de repartition de X

,
txt IR ,
Fcx) =
IP (✗ ≤ x) .

Densité de probabilité de ✗ : f dérivée de FR .

'

txt IR , flx) = F (x )

) FC x)
"
f h E IR ,
IP ( ✗ t [x ,
x +
h] = FC x + h) -

Fcxth ) Fcn )
[x
-

densité de proba dans ,

x+ h ] est >
F '
( x)
h→ ◦
h

par définition d' une dérivée .

#✗ M FM )
f.(x)
- -

'
= lim = F ( x) on passe de taf en dérivant
h

f à F
intégrant de à x
" " "
en _ os .
 + os

propriétés de f : Fx ≥ 0
,

-
{
as
flx) dx =

✗
lin Fcx)
→ + •
-
ein Fix)
se → - as
= 1-0 =
1 = IP ( r) .

1PM c- [ x ,
x -1h ] ) = Fcx + h) -
FCX)

si h =D ,
alors IPCX = x ) = f-(x) -
Fcx) = 0 .

La proba d' une valeur ponctuelle est nulle pour VAC .

c) Moment d' une VA

↳ Esperance : VAD E- ( X ) =
[ xipi avec pi = IPCX = xi )
,
Kit ✗ (r)

VAC ,
E- ( X ) =

-
JI
cs
Gtx) dæ

lropriété de l' espérance :

•
Linéarité : tout IR , E- la X ) = a ECX) & Ela) = a

✗ et Y 2 VA ,
E- ( ✗ + Y) = ECX) + E- ( Y )

'

vs Variance & écart type ( 6,62) : VAD ,

VCX) =
£ ( x,
'

-
E- ( X ) ) pi
✗itxcr ,

+ cs

)(
"
VAC ,
(X ) = x -
EL X)) fcæ) dæ
- cs

propriétés :

•
that IR ,
( AX ) = à (x)

• V1 ✗ + Y ) = (X) + (Y ) + 2 cou (X .
Y)

si ✗ & Y indépendants ,
Coo (X .
Y) = 0 d' où (✗ + Y) =
Y (x ) + (Y) .

( X) = Ecx )
'
-
E ( ✗5 Formule développée de la variance .

les covariance ( Coo ) :

 d) Caractéristique d' une loi de probabilité
↳ Mode : x tg IPCX = x) est Max CVAD)

x tq fcx) est max CVAC )

Médiane xo.stot-lxo.es )
jus
vs : =

Quantité d' ordre ✗ : ✗ C- [ Oil ] ,

x
, tq FC Xx) = a

e) Echantillonnage aléatoire

les observations dont on dispose sont maintenant considérées comme un échantillon

aléatoire tiré dans une population infinie dont on connait le type de distribution .

•
Echantillon : on appelle échantillon de taille n
,
d' une loi de probabilité L ,
une suite ( ✗ i. .
. .

,
✗ n
)

de VA indépendantes et de même loi de proba L . On dit que L est la loi parente de l' échantillon .

la réalisation de l' échantillon se note (xr . . . _

,
xn ) .

Echantillon aléatoire simple =

virages dans urne avec remise .
les
virages sont indépendants
 ESTIMATION
a) Problème
Observation : ( x . .
. . .
,
x
n ) →
loi théorique

statisticien choisit une famille de loi ( ex : loi normale) déterminée par paramètre ( O )

( ± II )
~
'
Densité de loi NI µ , 62 ) :
f. (x) =

Ifm exp -
'

↳ le problème se limite à déterminer 0 car .

. .
. xn ) - O ? µ
,
.

Definition : soit un échantillon aléatoire simple ( EAS ) de taille n ( ✗n ,

. . .

,
✗n ) de toi L
,

0 paramètre de la loi .
On appelle estimateur (Ô ) de 0 ,
toute fonction de l' échantillon
tg
Ô = hcxr . . . .

,
✗n) .
Ô est une VA dont on connaît la loi .

Definition Estimation : On appelle estimation de 0 la valeur de Ô qui correspond à une

réalisation de l' EAS .

observation

estimateur estimation

E- a-
hlxen)
☆

ʰ";j valeur

Exemple :
comptage → échantillon

loi théorique L = Poisson PCO) de laran ètre 0

Echantillon théorie
nf
,

f n

on a 0 =
El X)

à E-( X ) = 0
EAS (Xr ✗ n )
t
.
,
. .
,
-

On pose Ô =
-1m È Xi ( moyenne empirique =
I) .
> k > k

C'est estimateur de O
4- Ê
un O -
xi
,
.

,
 b) Propriétés d' un estimateur

•
Biais ensemble des valeurs possibles de 0

Définition : on dit qu' un estimateur Ô est non biaisé si V-o-coetv-n-CIN.ECÔ) = 0 .

BLÔ) = ECÔ) -
O .

Echantillon ( Xp ,
. . .

,
✗ n)
,
Ô =
h ( Xn ,
. . .
,
✗n )

Population
parametres 0 estimation biaisée

>
+ F- Et
estimation +

^
nonbiaisée +
+
+ +

0 population

Définition :
Asymptotiquement sans biais ,
V0 c- 0 ,
ECÔ) -
O
n → + es

•
Convergence
Définition : on dit que l' estimateur Ô est
convergent si la suite de v. A .
În converge en proba .
vers 0 : Ôn ÷
0
n →

Théorème Tt estimateur sans biais dont la variance rend vers 0

: est
convergent .

ECÔN ) 0

}
↳ =

À convergent
↳ ( in) -
◦
n→ + cs

Théorème : Tt estimateur asymptotiquement sans biais dont la variance tend vers 0 est convergent

E ( Ôn ) °

}
vos -

À convergent
n → + as

↳ V1 (Ôn) ,
◦
n → c- as

• Exemples
↳ Estimation de l' espérance (moyenne ) d' une population :

on dispose d' un EAS ( Xi ,

. . .
.
✗ n) rire d' une population de loi x (µ ,
à) avec µ :
espérance population

62 : variance

f- Ë
À = Xi À : estimateur naturel de l' espérance I est -

il sans biais ?
,
 Et) = E-
( f- Ë ✗ ) i =
f- ËEL ✗ ) i or ELXI ) =
µ

donc ECI ) =
f- IÊ µ =

#A µ =
µ

d' où E- LÀ =
µ sans biais

I est il
convergent ?
-

(X ) =
È Xi ) =

¥ ÇÊ ✗ ) i =

f- Ë .
( Xi ) =

1- Ë
62 =
¥A
02 =
%
d' où (I ) =
% n→ + as
-
°

À est sans biais & sa variance so quand n s + os . Donc I est

convergent .

les Estimation de la variance d' une population :

dispose d' un ( Xr tirée ud loi (µ 02 )

'
on EAS .
. . .

.
✗ n
) une population de ✗ . .
On veut estimer 02 .

Estimateur naturel de la variance :

s' =
f- Ë ,
(Xi -
I )
'
=
f- ÎL ( ×? -
2 ✗ il +
I
'
)

f- ( Ë IË ËI ) 2- ËXI Ë✗
"

= ✗ il _
2 ✗i
+ or I =
NI = i
. ,

f-
( Ë Xi .
-
2 In I +
n'✗2)

=
f- Ë .
✗ i -
2×-2 +
À

=
1- Ë ✗i -

-
I
'

se
formule développée de la variance

= > S' est il sans -

biais ?

Ë Xi ) Ë ELX ! )
'
E (5) E- ( In I E (I ) ( 1)
=
,
- =
f- ,
-

E ( Xi ) ( par définition)
'
or ( Xi ) = -
E ( Xi )

'
donc E (✗i ) = 02 + µ
'

(I )
÷
'
= ECI 2) -
E (I ) =

02
donc ECE 2) =
+ µ
?

a-

Dans (1) ,
ELSY =
f- Ë( 04 µ
'
) -
( % + µ
'
) = T' +
µ
'
-

% -
µ
'

E. (5) = 02 _
=
n÷ 02 ≠ 02
Donc S' est un estimateur biaisé de 02 .

biais ECS')
Y- O2
'
: -
O = -
O2 = -

S' est asymptotiquement sans biais .

Nouvel estimateur : 5*2 ( variance corrigée)

5*2 (5*2)
# 52 ¥ E- (5) É M¥
= = >
E = =
02 =
02

•
Précision

Definition : si l' estimateur Ô est non biaisé , précision = CÔ)

si e. estimateur Ô est biaisé , précision =

LÔ) +
BÙ)
'
où BÛ ) =
biais

c) construction d' un estimateur

•
Méthode des moments

si l' un des moments de la loi ✗ CO ) dépend du paramètre 0 ,

alors on construit d' estimateur Ô

en
égalant moment
théorique (population ) & empirique ( échantillon) .

Exemple : ✗ ↳ PCO) alors ECX ) = 0 Cmoment théorique)

pour l' échantillon ,

on pose Ô =
I avec ☒ moyenne de l' échantillon

•
Methode du maximum de vraisemblance

Définition : la vraisemblance d' un échantillon est la probabilité d' observer cet échantillon

pour une valeur donnée de 0 .

On la note L ( xn .
. . .

.
xn .
O ) .

^.^ forte vraisemblance

0

faible vraisemblance
 Definition : on appelle estimateur du Max .
de vraisemblance toute fonction Ô qui vérifie

L ( xr ,
. . .

, zen ,
Ô) = Max L (x , ,
. . .

,
xn ,
O)
0E 0

1ᵉʳ cas : ✗ discrète

Loser ,
. . .

,
x n
) = IP ( ✗ n = Xn n . .
.
n ✗n = Rn )

✗ n ,
. . .

,
✗ n indépendants =
IP ( ✗ n = xD . . . IPCXN = xn) =
!Î IP ( Xi = xi) .

2ᵉᵐᵉ cas : ✗ continue

L Caen ,
. . _

, Xn) =
f oser .
. . .
.
zen ) avec f la densité de proba

=
À fcxi)
l' = '

÷
La densité l'
Exemple : X u E
(j) ( continue ) .
de ✗ vaut vie > 0 , fcx) =

f-
On a un échantillon ( x . .
. . .
.
xn ) ,
La vraisemblance de l' échantillon est :

L Caen ,
. . .
.
xn) =
ÎT f (x i )
i = i

f- exe t E) E- exe TI) . . -

f- exe (¥)
=

En exe (à Ë ) .
xi

loi de la vraisemblance ( cas ✗ continue ) :

ces transforme produit en somme L Caen ,

. . .

, Rn ) =
fcxn .
. . .

.
sen) =
È fixi ) ( f densité de proba )

f- exe ( E) È exp (E) . . .

En exp ( f- Êxi )
-

en L ( x r .
. . .

.
xn ) = en
¥ +
ln
(exp ( f- Ë ) ) ✗i -

= -
n en O -

J Ë xi .

Maximum de vraisemblance s Max de cents

☒
d%ˢ = -

f- ¥ Exi +
 JLNL Exi
0
f- à
= ° = > = - +

☒
n =

f- Ë xi .

0 =
f- Ënxi = Je

dérivée seconde
[
☒
TY < ◦ ? Tôt % 3¥ -
-

J'lnl Exi 2E )
☒
=

¥ ¥ -
=

#( O -

si 0 = 5e ,
alors
%?ˢ = -

¥ < 0

-
5e est un max pour en ( L )

5e est l' estimation du max de vraisemblance de 0 .

LOIS USUELLES
A) THEOREMES ASYMPTOMATIQUES

a) Loi des grands nombres

si on a un EAS (✗n . . . .
.
✗n) de VA indépendantes ( ∅ forcément m' lois ) avec V-i.EC✗ i ) =
µ & ( Xi ) =
02 alors

& (I )
ECI ) =
µ =
ˢ .

À
#Ë ✗i Quand n es

À
= →
.

À µ
p→

La moyenne empirique converge en probabilité vers n .

b) Théorème central limite (TCL )

( ✗ i. . . .

.
✗n ) un EAS coll VA indépendantes & de m' loi avec ECXI ) =
µ & ( Xi ) = 02 .
Alors , pour n grand ,

on a : I cs N ( µ , #) .

La loi est quantifiée .

^
 variante du TCL :

5¥ Tn ces NCO ;
1) normale standard

Definition : VA entrée Definition : VA réduite

si ✗ une VA avec ECX ) =

µ ✗ VA avec ( X) = 02

alors 2- ✗ est VA centrée VA réduite

= -
µ .
alors 2- =
f- est

¢ µ) E- (X )
(X - = -
µ =
µ _
µ = 0 VCZ ) =
(E) =
f-2 CX ) =
¥ = 1 .

Definition : VA centrée réduite Propriétés de loi Normale :

2- ECZ ) Soit des ✗n N ( µ )

{
= = > = 0 × , .
. . .

.
✗ n
VA avec ↳ ,
o2

(Z ) =
1 alors Y = ✗ n + . . .
+
✗n

Y =
Ë ,
✗ i suit N( n µ ,
noz )

2
B) LOI DU KHI 2 ✗

Définition : si ✗ ↳ NC µ ,
02 ) alors -2 = ces NCO .
-

I ) et Z
'
vs ✗ degrés de liberté

'
zr suit ma loi du X à 1 degré de liberté .

Propriété : ◦
Soit ✗ ↳ Ai alors E- ( X ) = n et (x ) = an .

loi du X ? ✗ n' Ai Y ✗ n'

'
◦
Une somme de VA du X suit aussi une Si ✗ ces & Y ↳ alors ✗ + es + n

◦ Si ✗ n .
. . .
.
✗n des VA indépendants de loi NCO 1) .
-

alors Z = ✗ ix. . .
+
✗ n' ↳ ✗ n variables
indépendantes

Application : Estimation de la variance d' 1 échantillon de VA indépendantes de loi NCO 1) -

, ,
× . .
. . .

.
✗ n

II
d- Ê Hi
s' = - ↳ ✗ i. .
.

On pose ✗i -

µ = ( Xi -
I) +
là -

µ)

tl-2CI_tfICXi_II@i-_inonDlE.Xi Ë CI
ÊCXI -
µ)
"
= Ë( ✗i -
I)
'
+ -

=
NI donc I (✗i -
I) = [ ✗i -
EI = n I - n I = 0
= n 52
E (✗ µ"
=j
"
donc ICI µ)
+
¥ _

✓
( I
'

✗à
= n
+
¥ -
µ)

TETE
 loi de strident à
C) LOI DE STUDENT liberté
←
n
degrés de
XÎ indépendantes Tn
É
Definition : soit ✗ ↳ N Coil ) & Y ↳ deux VA .
Alors Z = cs

un seul paramètre n .
Si Z ↳ Tn ,
alors ECZ ) = 0 & (Z) =
f-2 un > 2)

Application : soit ( × .
.
. . .

.
✗ n ) un échantillon indépendant & identiquement distribué ( idiot ) de la loi

NC µ ; J2 ) ,
" Q " d' après le Tc ,

µ rn
Z =
À -

µ =
donc Z cs Tn -
i

SÎÈ sî
^
- ✗ni ,
d' après la loi du X

D) LOI DE FISCHER
Définition : Si U et V sont 2 VA indépendantes de loi ✗ n' & ✗ m2 ,
alors

" 'n
2- =
↳ Fcn ,
m) à n et m degrés de liberté
V
/m

Application : Estimateur de la variance des ( X , ,

. .
.

.
✗ n
) noté SÎ ,

alors un -
1) SÎ suit la loi ✗ i. .

on

Estimateur de la variance des ( Yn .

.
. .
.
Yn ) ,
noté 5E

alors on 1) -
SÎ ✗ à
↳ _
,
on

5¥ " ln D
Pour calcule ¥ (
-

comparer les variances , on : ↳ n -

i
,
m -
i ) .

S Î / Cm _
, )

Remarque : ces lois ( N X , ,

T ,
F ) sont tabulées

↳ FR pour les valeurs de p & des paramètres .

 E) CONVERGENCE DES LOIS VERS LA LOI NORMALE
✗ n'
'
X si ✗ & ✗ n
NCO :| )
n alors
-

•
: ↳ _
, → + os , →

rzn

•
T : si ✗ cs Tn & n → + os
,
alors ✗ →
N Coil )

•
P : si ✗ ↳ PCM d a → +
os
,
alors
- →
NCO :| ) ( loi de Poisson )

ESTIMATION PAR INTERVALLE DE CONFIANCE ( IC )

A) INTRODUCTION & DEFINITION

question A quel point 5e ( moyenne échantillon) est il proche de µ cmoyenne population ) ?

-

↳ trouver un intervalle [ l , ; la ] ta IP ( µ c- [ e i en ] )
,
~
1 ( proba certaine ) .

( ça ne peut être =
1 car les intervalles seraient trop grands ,
on prend souvent des 1C à 0,95 ) .

Définition : L' Ic du paramètre 0 associé au risque x est un rhume alle qui a la probabilité 1- ✗ de

contenir la valeur de 0 de la population .

En pratique ,
✗ = 0,05 ou ✗ = 0,01 .

B) 1C ASSOCIÉ A LA MOYENNE µ D' UNE POPULATION DE LA LOI

✗ ( µ ,
T2 )

a) En connaissant 02

Soit ( ×, , . . .

.
✗ n ) un échantillon iid de loi d ( µ ,
or ) ,
d' après le TCL ,
✗ Tn vs Nco ;D pour n
grand

( n
→ +
os ) .

on cherche l' 1C associé à µ au risque x :

P ( la < µ < lz ) = l -
d

IP C- le L -
µ L -
e, ) = 1- ✗

IP ( I -
ez LI -
µ < I -
e r
) = 1- a

PC Tn <
I Tn (
I - C '
Tn ) = 1- ✗

- - -
Z ↳ N Coil ) z,
Jz

IP ( L Z C ) 1
< =) zz z , = -
&
 2- ↳ Nuit ) donc on peut trouver zn et
zz trop PC zzz Z C z ,
) = 1- d

choisit des intervalles symétriques rapport à la ( le arbitraire )

on par moyenne ⊖ .

IP (
z, L Z C z ) ,
= 1 - X

P C Z L z, ) = t -

£
IP ( Z )
< zz =

2-

financez
on note ( Zn > ◦ )
z =
zz = -

zn -
on

z est l a fraude de la loi normale la valeur de tq ① ( z ) 1-

JIP
,, , ,
:
z , -

× , ,
=

C -

z, -
< , ,
C Z C Jn -

an
)

IP l à Tn ( ) 1
= -

Jn -
x,, < J ,
-

an
= _
✗

⇐ s P ( I -
Zn -

ar
Inf < µ < ☒+ z . -
,
¥) 1C aléatoire

1C de l' échantillon réalisé :

[ en [ Je ]
i ez ] = _

zn.sn En i à + Zn -
air %
Si ✗ 5 % 1,96 2
=
,
z , -
× , ,
= ~ .

Je
1C : ±
2oz

b) sans connaître

on doit estimer v2 : on remplace v2 par 5*2

on utilise la variable
Ij ¥ Tn es Tn -
i

on applique la même démarche pour trouver l' 1C : [e , i ez ] = [à _

tn -
an ¥ i à + tra , , ~ ] .

tn -
× ,,
est le fractale de l a loi strident .
 c) Principe de construction d' un 1C

on dispose d' 1 estimateur Ô du paramètre 0 ,

construit à partir d' 1 EASCX , ,
. . .

,
✗n ) dont on connaît

l a loi en fonction de 0 .

On va déterminer les valeurs en CO ) & ce co ) ta PC en CO ) < Ô < ez co) ) = 1- &

on va ensuite inverser l' intervalle pour obtenir un intervalle sur O .

P ( UE ) C O < Û) ) 1-
ze z , = ✗

cet 1C est aléatoire : il dépend de l' échantillon zn

&
3e sont les fonctions fractales associées à

la loi de Ô .

Le choix de zn & zz dépend du contexte ( où se situe le risque ? ) .

z CÔ ze ( Ô ) )
Soit × .
= P C O S ))
,
& ✗
2 =
P ( O≤

• intervalle bilatéral symétrique : a. = de =

G-

•
intervalle unilatéral à droite : x ,
= 0 , de = a

◦
intervalle unilatéral à gauche : x ,
= ✗
,
✗
z
= 0

Exemple : ✗ durée de vie ampoule : EAS n = 30

Je = 2000h

*
S = 300h ✗ = 0,05 1C sur µ
?

1-
G- = 0,975 .
1C : Je ±
taons ¥
t' = 2 045 ( table )
0,97s ,

µ f 51888 i 2112 ]

J
valeur de l a population
 C) 1C SUR LA VARIANCE D' UNE POPULATION
a) µ connue

f- Ê C Xi
'

52 =
.
-
µ) estimateur de la variance avec µ connue

n S2 = ËCXI -
µ}

( ✗ i -
µ)
variable centrée de loi N ( 0,02 ) .

( ✗ variable centrée réduite loi et

i -
µ) de ce ,
1) .

✗à
Donc
JE ↳ ceoi du Khi a)

En choisissant a ,
on peut déterminer z , et za top PC
z .
C
If ? < za ) = 1- a .

'

Ei ( I )
'

avec
za = &
za =
Fxi ( 1- E )
( table de ✗n2 ) .

✗à nsz
a
Jn < < 32

ËËÏ ÷
ns
z .
'
<

<
Es:< à
sa <
n

z
"
'
d' où
P( JY < 02
< nzs?) = 1- ✗

d' où 1C de 02 :
(¥ i
¥]
2) µ inconnue

[ Ëcxi
5*2 =
IÎ -
estimateur de variance avec µ inconnue .

par définition .
Cn -
1) 5*2 ↳ ✗≈ ,

on choisit ✗ on inclue z , et z, dans la table × :

alors IP
( (n -
i ) 5*2 < v2 <
zz
un -
1) 5*2
z , ) = 1- a

d' OÙ 1C sur 02 :
[ (n -
i ) 5*2
zz
i ch -
i ) 5*2
z, ] .
 C) INTERVALLE POUR UNE PROPORTION
Exemple d' un sondage :

✗ i = VA
qui represente l' avis d' 1 individu i

✗ =
0 contre

✗ = 1 pour

✗ est une VA de Bernoulli

la proportion d' individus

"

pour
"

vaut :
Ô =
En Ê Xi
,
= I ÂC [ Oil ] .

1C pour p, proportion de population :

*
si n petit un < 30) : Z = n Ô =
Ê .
Xi suit loi Binomiale par dlf .

.
Bcn , p)
"
Cnk pk
" -

donc par def ,

PCZ = K) = (1 -
p) K = 0 .
. . .

,
n .

{
✗ ,
= I

exemple pour 2- 2 E
¥
= =
.

ËN = O

n 2
PCE ) ( 1- p )
-

=
p2 Cnr
façon de placer les valeurs ✗i = 1) .

on choisit un risque &

,
PCZ ≥ nen ) =

P C Z ≤ n en ) 1
c = )
= -

g-
= IPCZ = O)
+
PCZ = 1) + . . .
+ IP CZ = nn )

avec nn = dernière valeur entière toi nn ≤ ner .

D' après la formule de la loi binomiale ,

IPCZ ≤ nen ) =
Ï Cnk pk ( 1- p)
n -
K

K = 0

Pareil pour PCZ ≤ nez )

Table de loi Binomiale _

nn et nz

déduit

{ ¥
on en e. =

e. ≈
%
 *
Si n rgrand Un > 30 ) ,
la loi de Ô tend vers la loi normale ( TCL) car

 = À .

ECXI )

}
=
np
donc  ↳ Ncp , pci -

p) )
VCXI ) = pc , _
p)

f- P n ↳ N Coil )
p(l p)
-

on choisit un risque a :

P À P
L z n
)
-

.
< C z = ^ -
&
,
p)
-

PCI
_

PC ' P) p)
IP ( f Ô pa
-
-

z ( L P C + Zi E
-
, _
-

n n

on utilise À bout bornes .

ÂC ' Â) ÂC ' Â )
( À À
-

P <
-

Z ( p +
z
ç
-
,
n
_

Application : Quel etfectirf n pour sondage ? Ccmb de personnes il faut

interroger pour avoir un 1C valable ) .

avec ✗ = 0,05 z = 2 viable)

, _

ÂCYP
À F) )
Largeur de l' 1C ,
DIC = 2
z =
4
, _

fait le ratio D' C FU F) ' n 1- Â

on
-

= 4 =
4
B Ô NÂ

si  = 0,5 ,
DIC = 0,12 n = 1000 pt [ 0,47 : 0,53 ]
À

= 0,4 M = 100 PE [ 0,4 i 0,6 ]

si Ô = 0,05 Dlc = 0,55 n = tord

À

= 1,74 n = 100
 TESTS D' HYPOTHÈSES
A) INTRODUCTIO /
oui
Test =
question binaire

non

Plusieurs types de tests :

vs Adéquation : la loi d' échantillon s' ajuste -

t -

elle à la loi théorique donnée ?

↳ comparaison à un standard : paramètre de la loi est -

il = à une valeur postulée

( connue à priori ) ?

↳ comparaison entre 2 pop .

: expérimentation eofet de traitements différents .

:
/

Definition : Le test est une

règle de décision qui à partir des valeurs de l' échantillon

( X ,
.
. . .
.
✗ n ) permet de choisir entre hypothèse nulle C Ho ) et hyp . alternative CH ). .

Deux choix possibles :

accepter de rejeter Ho .

Exemple : X vs N (
µ i T2 ) ,
un échantillon EAS
( ×, ,
. . .
.
✗ n ) .
On sait que À ↳ N ( ti J2 ) ( TCL)

rejette Ho
si on a une idée de la valeur de µ ( tro ) ,
alors À ↳ N Quoi %)
ni %! on peut donc définir un 1C au risque ✗ de I.
l'°
à à

-
Ho acceptée
l =
z -

J [
loi de I sous Ho
( Ho) PCX )
'

À Si est hyp alors [µ

'

N ]
1- ✗ donc (µ F) µ µ c l C- l i µ l 1- ✗ ~ 1
-

↳ . .
=
◦
.

, o -
◦ + =

G- c
= ,
P (✗ t [µ o -
l i µ ◦ + l ] ) = ✗

" ""
l
%
µo µ◦ i l
-
 si À € [ fro -
l ;
µ◦ + l ] ,
alors Ho est fausse corn rejette Ho )

vérifié

{
si H .
alors IEIC

si I ¢ 1C alors Io Crépet Ho)

B) ERREURS ,
RISQUES & REGIONS

à ≠ 1C est possible m' si Ho est vraie . ✗ existe une probabilité non nulle ( x ) .

Rejeter Ho ne signifie ∅ qu' elle soit fausse .

Definition : Erreur de se espèce : rejeter Ho alors qu' elle est vraie ,

x est la probabilité

associée définie par l' utilisateur .

de 2ᵉ espèce accepter fausse

Erreur : Ho alors qu' elle est
, B est la proba

associée ,
non fixée .

vérité

Ho Ha
"
B
"
1 - = puissance du test

Ho CRÀ ) o
l -
x p
décision
Hn CR Ho )
✗
1 -

Definition : Region de rejet de Ho : intervalle top Ho est rejetée .

Region d' acceptation de Ho : intervalle ton Ho est acceptée .

E sous Hr à sous Ho

PCRH .
/ Ho ) = &

IP ( Alto / Hn ) = B

Alto A Ho R Ho Ho
µ =
µ

Hr
µ =
µ1
calcul de B ?

1) Determiner sous Ho
zn - s tro -

Zn - x,
, En = t' ◦ -
l

PCI
2) calculer > µo -
l ) si I ↳ N Cpr : E )

P est d' autant ⑦ faible que lui est loin de µ ◦

-
si a & .
p ↑

C) ELABORATION D' UN TEST

choix de Ho cet Hr )

choix d' une

"
statistique de test
"
basée sur

l' échantillon = animateur Ô

Détermination de région de rejet , fonct

◦
de

✗ et Hr

calcul Ô
↓
Décision RHO ou RHI

↓
calcul puissance du test

Le logiciel fournit la proba critique pc p value)

£ -

proba critique
si p < a alors rejet de Ho -

[
p = 0,04

= 0<05 pc x :
⊕
de confiance dans

donc pcx = > rejet la décision du sujet

 D) EXEMPLES DE TEST USUELS
a) comparaison de moyenne a- standard

↳ T connu :

F- µ
N Coil )
T
n ↳ TCL
G-
UN It
pro -
le t' °
pote
Ho µ =
No

Hr Clsilaténlrl ) Alto Alto RHO

µ ≠ No

Sous Ho ,
n vs N Coil )

l table [ No le ]
Tn
l
=
31 -
au
, -
J , _ ×
,,
s
1C = - i No +

Échantillon réalisé : à s Jet IC =) RHO

Je c- 1C Alto

vs o inconnu : on doit estimer o pour s

#
,

on a alors I -
No n ↳ Ton -
1) →
1C calculé avec tn x,
s* '

,
-

S# n

b) comparaison de 2 moyennes

2 échantillons ✗i ,
i = 1 ,
.
.
_

, nx

indépendants Yj , j = 1 .
. . .
inv ,

Ho µ✗ µy Les 2 échantillons proviennent d' une nî population

: = =
µ .

Hr : µ✗ ≠ t' y

↳ Si Tx , Ty connus :

✗ ces N Ctx ,
-

Ti ) E- CE _
F) = E- CI ) _
ECT ) =
µ ✗ -

tu
,

NL th F) CI ) E
Ti ) CE
}
Y vs i =
VICE ) =
_ -

+
MY
 Sous donc
Ho , ✗ ✗ =
µ =
µ µ× -
tu ,
= O

I -
I vs N
toi En ; +
MY
)

À J O I I centrée réduite
2- variable
- -

= -

2- ↳ N Coil ) TCL .

↳ si ix. Tv, inconnus ,

mais égales
on estime n, = ou
, par s
*

5*2 =
Cnx -
1) SÎ + Cnu ,
-
1) SÊZ cm Menne pondérée de s ✗ et Sy )
n ✗ + nu, -2

I T O
statistique Thx
- -

du test : z =

↳
+ ni -2
5×2

c) comparaison de variance à standard

•
Standard To
'
: Ho : T2 = à

Hr : T' ≠ Toi ( T2 > où on 02 < oé ) .

1) 5×2
Selon les lois usuelles ,
on sait que :
( n -

Les ✗ [ ,
sous Ho
%
S"

À ✗ donné ,
on peut définir les régions de RH . et RH .

°
✗
Ë
Jx ,,
%
J' %
-
" '

RHI
d) Comparaison de 2 variables RH .
RH .

✗ ↳ NC µ ✗ ini ) .
Y vs N (µ
,
i ti )

Ho : 0×2 = ai

Hn :
À = ai
 Echantillons : ( ✗ n
.
.
. .

,
✗ n ) ,
( Yn . . . .
.
Yn )

sait que 1) "

Mx SE ✗≈ Cn "
Xin
'
on U et V SÎ
- -

'
=
↳ ,
= vs ,
2 2 ,
_

Ty

U / un i )
Sous Cop oui )
x
¥ ( Mx )
-

Ho = = ↳ - I i My -
I
V1 My 1) -

=
SÉ
SÉ

À donné
a
,
on peut définir les régions de Alto et RHI .

Exemple : on compare les variances des poids de 2 Srp de rats

2 échantillons : n ✗ = 10 et niv = 12 .

SÎ !
'
10,2 et SÎ = 3.1

Ho : À = ai

5×2
'
Hn : =
Ty

,
"

on choisit 0,05
SÎ ^ "
✗ =
,
= = 3,29
3,1
SE on met tout le
de ce côté
risque ✗

→
table loi de Fisher

Fg Î ,
C 1- x ) = 2.9 Ë-
.

¥
F

d' où RHT RHO

F € Alto = >
rejet de Ho , ni > ni

e) comparaison de population à un standard

coin démarche que pour µ )

Po = standard

Population d' individus ds un échantillon de taille n

E- %
 On se place dans le cas n > 30 . np ≥ 10 et na -
p ) ≥ 10 .

Alors À ↳ N ( p ;
PCI -

P)
) ( = , À -

P n ↳ N coin )
n pc l -

p)

Ho : P =
po ( =
µ =
µ ) o

Hr :
p ≠ Po

on choisit ✗ .
On definit la zone RH .
et RHI avec NCO il ]

f) comparaison de proportions entre elles

( = comparaison de moyennes )

À et Pa : proportions pour 2 échantillons d' etre airs nn et nz .

Ho :
pr =p , Proportions des pop . correspondants

Hn :
pr =p , aux échantillons .

n' Â ni À union
soit À =
+
Proportion dans l' des 2 échantillons .

n. + n,

5×2 = § ( 1 - Â)

on pose Z = À -

À ↳ N Coil ) sous Ho

5×2
# +

t' ✗ µy
-

5×2
# ¥) +

g) Test du ✗

↳ Adéquation : la VA ✗ suit -
elle une loi ?

↳ Independance : les VA X et Y sont elles indépendantes observation modèle

À ÆÆ
-

( on rejette l'
hyp .
si l' observation & le modèle sont trop =)
 Principe du test :

on repartit les observations en K classes dont les enfants sont notés nn .

. .
.
.
nu .

L' hyn .
Ho Lex : les observations sont issues d' une loi normale ) permet de calculer des effectifs

théoriques tr .
. . .

. tre .

On définit une statistique de test ( = estimateur ) qui compare les ni aux ti .

Ê
'
2 Cni -
ti )
✗ =

i
ti
= '

XIe paramètres estimés calcul des

2
✗ ↳ avc m = nbr de pour le ti
, _ m,

Exemple : pour une loi N ( µ i or ) ,

m = 2

conditions d' application ti ≥ 5

Hn pas explicité .