Académique Documents
Professionnel Documents
Culture Documents
On peut avoir des raisons théoriques (physiques) de croire qu'une v.a. devrait
suivre une loi spécifique.
Rien ne nous garantit que le choix que l'on a fait est le bon.
: paramètre de forme
=3 : paramètre d'échelle
=2
loi exponentielle (c.v. = 1)
taux de panne (c.v. 1)
taux de panne (c.v. 1)
=1
= 1/2
Note :
On peut ajouter un paramètre de localisation.
Il suffit de remplacer x par x- dans f(x) :
f (x) = (x - ) e-((x - ) / ) , x
0 1 2 3 4 5 6 7 8 9 10
Histogrammes
(pour des temps inter-arrivées)
Voir acétate
Ces tests sont non-paramétriques puisqu'aucune hypothèse n'est faite sur la loi de
probabilité.
A) Test d'indépendance entre 2 mesures.
- Lorsqu'on construit un modèle de simulation, plusieurs données sont recueillies
- Considérons 2 mesures A et B, l'hypothèse d'indépendance est :
H0 : la mesure A est indépendante de celle de B.
H1 : les mesures A et B ne sont pas indépendantes.
Ex : Dans un modèle d'inventaire, nous voulons savoir si le nombre
quotidien de commandes est indépendant de la journée de la semaine.
Nous considérons un test “Chi carré” basé sur une table de contingence:
Mesure B
1 2 . . . nB
où
1 N1. Oij = d'éléments observés avec A dans i et
2 N2. B dans l'intervalle j.
Mesure A
.
. nA intervalles pour la mesure A,
. . nB intervalles pour la mesure B,
. . Ni. = somme des éléments de la ligne i,
N.j = somme des éléments de la colonne j,
nA
Nn
A. N = Total des observations.
N.1 N .2 . . . N. n
B
Si Ho est vrai,
eij = P (Ai Bj) N = Ni. N.j / N, eij > 5
et
i=1, 2, …, nA j=1, 2, …, nB(0ij - eij)2/eij Chi carré avec (nA -1) (nB - 1) degrés de liberté.
Par exemple,
En simulation, il est souvent important de vérifier qu'une suite de v.a. sont indépen-
dantes, qu'il n'existe pas de dépendance entre des éléments successifs.
“Est-ce que la loi choisie est vraiment en accord avec les données observées?”
pour tenter d'identifier la loi de X, on demande à des " experts " leur avis
Minimum = a
Maximum = b
a m b
Mode = m
Loi normale
Moyenne =
Minimum = a, maximum = b,
mode = m et moyenne = .
Analyse et collecte des données 30
a m b
Difficultés rencontrées
couramment
- Peu ou pas de données
- Petit échantillon
- Données agrégées ou résumés statistiques
- Information subjective seulement
- Données provenant d'une loi autre (mais reliée à ) que celle qui nous
intéresse.
- Données sur un autre système
- Données censurées (E.G. les ventes au lieu des demandes)
- Données pour une autre période dans le temps - etc.
IMPORTANT : ÉTUDE DE SENSIBILITÉ.
On pose :
=x où x = i=1, 2, …, n xi / n
^ = x 2 / s2
^ 2/x
s
2 = i=1, 2, …, n (xAnalyse
i - x) et
2
/ ncollecte
(ledes
facteur n est remplacé par n-1avec 37
données la
méthode des moments
C) Méthode du maximum de vraisemblance
Propriétés
Les EMV sont habituellement :
- assymptotiquement sans biais :
n
^
E [ ]
- convergents :
n
^
P (
- invariants :
^ ^
= h () = h ()
- suivent assymptotiquement la loi normale :
^ n
(-) N (0,1) (permet de calculer des intervalles de confiance)
^
Var() Analyse et collecte des données 38
Introduction à la théorie de
l’échantillonnage
1o) Définition du domaine
a) Population (d'une ville, d'un pays, du monde, ...)
- biens et services
nourriture, loisirs,
vêtements, soins médicaux,
logements, hôpitaux,
voitures, enseignement
téléviseurs
8o) Cueillette de l'information
ex : - correspondance
- téléphone
- porte-à-porte
9o) Période de référence
Périodicité du phénomène (saisonnier)
10o) Questionnaire
- présentation claire, précise
- questions claires et précises, concises
- absence d'éléments de réponse dans les questions
- l'ordre des questions
11o) Entraînement et surveillance des enquêteurs
12o) Examen des réponses (les réponses sont bien répondues)
Analyse et collecte des données 43
Introduction à la théorie de
l’échantillonnage
- e.a.s.s.r.
Prob. (l'unité Ui soit observée au 1er tirage)
s.r.
a.r.
Procédure d'échantillonnage
- N = nk, k N
- Vous choisissez dans la population Ui, Ui+k, ..., Ui+(n-1)k comme éléments.
L'échantillon est obtenue.
- Ui U j i j mod k
- Soit Y : total de la population pour le caractère étudié i=1, 2, …, k j=0,1, …, n-1 Yij
^
Y : estimateur de Y k j=0,1, …, n-1 yij
Analyse et collecte des données 53
Échantillonnage périodique
^ = k E [
E [Y] j=0,1, …, n-1 yij ]
total des observations du caractère y pour le ie échantillon.
peut prendre les valeurs j Y1j, j Y2j, ..., j Ykj
e.a.p.a.r.
n : taille de l'échantillon y1, y2, ..., yn
yi : Y1, Y2, ..., YN avec les probabilités p1, p2, ..., pN.
p i p1 p2 pN
[ ]
E yi = i=1, …, N pi * Yi =Analyse
Y (sans biais)
et collecte des données 56
pi pi
Échantillonnage stratifié
2 phases
3 phases
FIN