Académique Documents
Professionnel Documents
Culture Documents
d) VA DISCRÈTES
face 1
Loi de probabilité : l' ensemble des couples (x i , pi) des valeurs de ✗ & leurs probabilités associées
Ni 0 1
Pi 1/2 %
exemple : r - - - - -
-
-
•
F
112 -
i i
b) VA CONTINUE
Definition : X : I -
IR X (R) est dénombrable .
exemple : taille
'
txt IR , flx) = F (x )
) FC x)
"
f h E IR ,
IP ( ✗ t [x ,
x +
h] = FC x + h) -
Fcxth ) Fcn )
[x
-
#✗ 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 .
↳ Esperance : VAD E- ( X ) =
[ xipi avec pi = IPCX = xi )
,
Kit ✗ (r)
VAC ,
E- ( X ) =
-
JI
cs
Gtx) dæ
•
Linéarité : tout IR , E- la X ) = a ECX) & Ela) = a
✗ et Y 2 VA ,
E- ( ✗ + Y) = ECX) + E- ( Y )
'
-
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 .
Médiane xo.stot-lxo.es )
jus
vs : =
e) Echantillonnage aléatoire
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 .
,
xn ) .
statisticien choisit une famille de loi ( ex : loi normale) déterminée par paramètre ( O )
( ± II )
~
'
Densité de loi NI µ , 62 ) :
f. (x) =
Ifm exp -
'
,
✗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 .
observation
estimateur estimation
E- a-
hlxen)
☆
ʰ";j valeur
Exemple :
comptage → échantillon
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
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 →
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 :
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
-
°
.
✗ n
) une population de ✗ . .
On veut estimer 02 .
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
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 = -
•
Précision
•
Méthode des moments
en
égalant moment
théorique (population ) & empirique ( échantillon) .
•
Methode du maximum de vraisemblance
Définition : la vraisemblance d' un échantillon est la probabilité d' observer cet échantillon
.
xn .
O ) .
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
Loser ,
. . .
,
x n
) = IP ( ✗ n = Xn n . .
.
n ✗n = Rn )
✗ n ,
. . .
,
✗ n indépendants =
IP ( ✗ n = xD . . . IPCXN = xn) =
!Î IP ( Xi = xi) .
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 (¥)
=
En exe (à Ë ) .
xi
, Rn ) =
fcxn .
. . .
.
sen) =
È fixi ) ( f densité de proba )
En exp ( f- Êxi )
-
en L ( x r .
. . .
.
xn ) = en
¥ +
ln
(exp ( f- Ë ) ) ✗i -
= -
n en O -
J Ë xi .
☒
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 )
LOIS USUELLES
A) THEOREMES ASYMPTOMATIQUES
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→
( ✗ 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 , #) .
5¥ Tn ces NCO ;
1) normale standard
¢ µ) E- (X )
(X - = -
µ =
µ _
µ = 0 VCZ ) =
(E) =
f-2 CX ) =
¥ = 1 .
{
= = > = 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 .
◦ Si ✗ n .
. . .
.
✗n des VA indépendants de loi NCO 1) .
-
alors Z = ✗ ix. . .
+
✗ n' ↳ ✗ n variables
indépendantes
, ,
× . .
. . .
.
✗ 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
.
✗ n
) noté SÎ ,
alors un -
1) SÎ suit la loi ✗ i. .
on
alors on 1) -
SÎ ✗ à
↳ _
,
on
5¥ " ln D
Pour calcule ¥ (
-
S Î / Cm _
, )
•
: ↳ _
, → + os , →
rzn
•
T : si ✗ cs Tn & n → + os
,
alors ✗ →
N Coil )
•
P : si ✗ ↳ PCM d a → +
os
,
alors
- →
NCO :| ) ( loi de Poisson )
↳ 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
✗ ( 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 ) .
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
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
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
[ en [ Je ]
i ez ] = _
zn.sn En i à + Zn -
air %
Si ✗ 5 % 1,96 2
=
,
z , -
× , ,
= ~ .
Je
1C : ±
2oz
b) sans connaître
on utilise la variable
Ij ¥ Tn es Tn -
i
tn -
× ,,
est le fractale de l a loi strident .
c) Principe de construction d' un 1C
,
✗n ) dont on connaît
l a loi en fonction de 0 .
P ( UE ) C O < Û) ) 1-
ze z , = ✗
la loi de Ô .
z CÔ ze ( Ô ) )
Soit × .
= P C O S ))
,
& ✗
2 =
P ( O≤
•
intervalle unilatéral à droite : x ,
= 0 , de = a
◦
intervalle unilatéral à gauche : x ,
= ✗
,
✗
z
= 0
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 ) .
✗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 ↳ ✗≈ ,
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
pour
"
vaut :
Ô =
En Ê Xi
,
= I ÂC [ Oil ] .
*
si n petit un < 30) : Z = n Ô =
Ê .
Xi suit loi Binomiale par dlf .
.
Bcn , p)
"
Cnk pk
" -
,
n .
{
✗ ,
= I
exemple pour 2- 2 E
¥
= =
.
ËN = O
n 2
PCE ) ( 1- p )
-
=
p2 Cnr
façon de placer les valeurs ✗i = 1) .
P C Z ≤ n en ) 1
c = )
= -
g-
= IPCZ = O)
+
PCZ = 1) + . . .
+ IP CZ = nn )
K = 0
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
ÂC ' Â) ÂC ' Â )
( À À
-
P <
-
Z ( p +
z
ç
-
,
n
_
ÂCYP
À F) )
Largeur de l' 1C ,
DIC = 2
z =
4
, _
= 4 =
4
B Ô NÂ
si  = 0,5 ,
DIC = 0,12 n = 1000 pt [ 0,47 : 0,53 ]
À
= 1,74 n = 100
TESTS D' HYPOTHÈSES
A) INTRODUCTIO /
oui
Test =
question binaire
non
t -
:
/
( X ,
.
. . .
.
✗ n ) permet de choisir entre hypothèse nulle C Ho ) et hyp . alternative CH ). .
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 )
'
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
B) ERREURS ,
RISQUES & REGIONS
à ≠ 1C est possible m' si Ho est vraie . ✗ existe une probabilité non nulle ( x ) .
associée ,
non fixée .
vérité
Ho Ha
"
B
"
1 - = puissance du test
Ho CRÀ ) o
l -
x p
décision
Hn CR Ho )
✗
1 -
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 )
-
si a & .
p ↑
choix de Ho cet Hr )
✗ et Hr
calcul Ô
↓
Décision RHO ou RHI
↓
calcul puissance du test
proba critique
si p < a alors rejet de Ho -
[
p = 0,04
= 0<05 pc x :
⊕
de confiance dans
↳ T connu :
F- µ
N Coil )
T
n ↳ TCL
G-
UN It
pro -
le t' °
pote
Ho µ =
No
Sous Ho ,
n vs N Coil )
l table [ No le ]
Tn
l
=
31 -
au
, -
J , _ ×
,,
s
1C = - i No +
Je c- 1C Alto
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 ,
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 .
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
•
Standard To
'
: Ho : T2 = à
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 )
'
=
↳ ,
= 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 .
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
Po = standard
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 ]
( = comparaison de moyennes )
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 ?
À ÆÆ
-
( on rejette l'
hyp .
si l' observation & le modèle sont trop =)
Principe du test :
L' hyn .
Ho Lex : les observations sont issues d' une loi normale ) permet de calculer des effectifs
théoriques tr .
. . .
. tre .
Ê
'
2 Cni -
ti )
✗ =
i
ti
= '
Hn pas explicité .