Académique Documents
Professionnel Documents
Culture Documents
Abdessamad OUSAADANE
ENSAM
04 Mars 2024
2 Convergence et approximations
Théorème Central Limite
Approximations
Utilisation des tables statistiques
3 Échantillonnage et estimation
Distribution d’échantillonnage
Estimation
2 Convergence et approximations
3 Échantillonnage et estimation
Fonction de répartition
Loi discrète : Si X une variable aléatoire discrète telle que
X (Ω) = {x1 , ..., xn }, sa fonction de répartition est définie par
X
FX (x) = P(X ≤ x) = P(X = xi ).
xi ∈X (Ω), xi ≤x
V (X ) = E (X 2 ) − E (X )2 .
Le cas continu :
Z +∞ Z +∞
E (X ) = xf (x), E (X ) = x 2 f (x),
−∞ −∞
V (X ) = E (X 2 ) − E (X )2 .
Loi géométrique
X (Ω) = N∗ de paramètre p.
P(X = k) = (1 − p)k−1 p.
1 (1 − p)
E (X ) = , V (X ) = .
p p2
Loi de Student Tn
X (Ω) = R de paramètres n (degré de liberté).
n
E (X ) = 0 pour n > 1, V (X ) = pour n > 2.
n−2
2 Convergence et approximations
Théorème Central Limite
Approximations
Utilisation des tables statistiques
3 Échantillonnage et estimation
Définition
Une suite de variables aléatoires (Xn )n≥1 converge en loi vers la loi de
probabilité de fonction de répartition F si et seulement si
limn→+∞ FXn (x) = F (x) en tout point x où F est continue.
Alors la suite (Zn )n≥1 converge en loi vers la loi normale centrée réduite
N (0, 1).
P(X ≤ u) = π(u),
Pour ddl = 3 et α = 0, 05, la table indique χ21−α = 7, 81. Cela signifie que
P(χ23 > 7, 81) = 0, 05.
2 Convergence et approximations
3 Échantillonnage et estimation
Distribution d’échantillonnage
Estimation
Définition (Estimateur)
Soient X1 , X2 , . . . , Xn , n réalisations indépendantes de la variable aléatoire
X (discrète ou continue) et θ un paramètre inconnu associé à la loi de
probabilité suivi par X .
Un estimateur du paramètre θ est une variable aléatoire Θ fonction
des Xi :
Θ = f (X1 , X2 , . . . , Xn )
Si on considère n observations x1 , x2 , . . . , xn , l’estimateur Θ fournira
une estimation de θ notée également θ̂ :
θ̂ = f (x1 , x2 , . . . , xn )
Choix de l’estimateur
Si la distribution de la variable aléatoire X est connue, on utilise la
méthode du maximum de vraisemblance pour estimer les
paramètres de la loi de probabilité.
Si la distribution n’est pas connue, on utilise la méthode des
moindres carrés.
n
1X 2
avec S 2 = Xi − X̄ est la variance empirique.
n
i=1
Pour une réalisation donnée (x1 , . . . , xn ) d’un échantillon aléatoire, une
estimation σ̂ 2 de la variance σ 2 lorsque l’espérance est inconnue est
donnée par :
n
n 2 1 X 2
σ̂ 2 = s ∗2 = s = (xi − x̄) .
n−1 n−1
i=1
p̂ = f .
P (θ1 ≤ θ ≤ θ2 ) = 1 − α.
P (θ ∈
/ [θ1 , θ2 ]) = α.
Exemple
Si on fixe une marge d’erreur E = 500, un écart type de σ = 5000 et pour
z1−α/2 = 1.96. Déterminer la taille de l’échantillon pour arriver à une
précision de ±500 à un seuil de confiance de 95%.
On a z1−α/2 = 1.96, donc on trouve n = 384. i.e., on a besoin d’un
échantillon de taille n = 384 pour arriver à une précision de ±500 à un seuil
de confiance de 95%.