cours Stat Inférentielle.pdf
-
Upload
imane-chemsi -
Category
Documents
-
view
98 -
download
1
Transcript of cours Stat Inférentielle.pdf
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Statistique inférentielle
Pr. Driss El Moutawakil
Université Hassan 1er,Faculté polydisciplinaire de Khouribga, BP. 145,
Khouribga, Maroc.
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Plan du Cours
1 Chapitre 1 :Introduction2 Chapitre 2 :Rappel sur la loi normale3 Chapitre 3 : Echantillonnage et Estimation d’une moyenne4 Chapitre 4 : Echantillonnage et Estimation d’une
proportion
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Echantillonnage
La statistique est l’ensemble des méthodes scientifiques àpartir desquelles on recueille, organise, résume, présente etanalyse des données, et qui permettent d’en tirer desconclusions et de prendre des décisions judicieuses.Au lieu d’examiner l’ensemble des données possible qu’onappelle encore la population, en pratique, on en étudie unetoute petite partie appelée échantillon.C’est l’échantillonnage.
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Echantillonnage
Pour que les conclusions soient valables, il faut quel’échantillon soit représentatif de la population. Celasignifie qu’il doit être prélevé d’une manière aléatoire,c’est-à-dire que tous les éléments de la population ont lamême probabilité d’être choisis, par exemple à travers untirage au sort.On parle d’échantillonnage exhaustif lorsque chaquemembre de la population ne peut être choisi qu’une seulefois et d’échantillonnage non-exhaustif dans le cascontraire. Si la population est très grande, on considèregénéralement les échantillonnages comme non-exhaustifs.Pour simplifier, par la suite, nous ne considérons que ce casde figure.
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation
A partir des résultats mesurés sur cet échantillon, nousessayons d’induire des conclusions valables pour lapopulation : c’est la partie de la statistique que l’on appellestatistique inductive.De manière générale, l’inférence statistique est l’étude desconclusions que l’on peut tirer d’un échantillon pour unepopulation dont l’échantillon est issu, ainsi que le degré deprécision des conclusions.C’est l’estimation.Dans ce cadre, les problèmes qui se posent sont ceux del’estimation des paramètres (moyenne, écart-type, etc.)d’une population à partir des échantillons issus de cettemême population.
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation
Lorsque dans une population, un paramètre est estimé parune seule valeur (un seul nombre), on dit qu’on disposed’une estimation ponctuelle du paramètre.Si par contre, le paramètre d’une population est estimé pardeux nombres formant un intervalle dans lequel celui-cipeut varier, on dispose d’une estimation par intervalle deconfiance du paramètre.Si l’espérance mathématique d’un paramètre del’échantillon est égale au paramètre correspondant de lapopulation, on dit que l’on dispose d’un estimateur nonbiaisé de ce paramètre. Dans le cas contraire, on est enprésence d’un estimateur biaisé.
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Rappel sur la loi normale
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Population =⇒ Echantillon
DéfinitionOn dispose d’une population sur laquelle est définie une variablealéatoire X dont on connaît l’espérance (ou la moyenne) µ etl’écart-type σ.
On s’intéresse aux échantillons de taille n. Auront-ils tousla même moyenne ?Non, certains peuvent être constitués d’éléments atypiqueset avoir une moyenne très différente de celle de lapopulation (surtout si l’échantillon est de petite taille).
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Population =⇒ Echantillon
DéfinitionOn dispose d’une population sur laquelle est définie une variablealéatoire X dont on connaît l’espérance (ou la moyenne) µ etl’écart-type σ.
Notons X la variable aléatoire qui, à chaque échantillon detaille n, associe sa moyenneX s’appelle encore la distribution des moyennes deséchantillons).Que peut-on dire de cette variable aléatoire X ?
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Population =⇒ Echantillon
Théorème Central Limite - Version 1
X une variable aléatoire qui suit une loi normale sur unepopulation X ↪→ N(µ, σ)
On prélève, au hasard, un échantillon (tirages avec remiseou assimilés) de taille n de moyenne X
Alors la variable aléatoire X suit également une loi
normale : X ↪→ N
(µ;
σ√n
)
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Population =⇒ Echantillon
Théorème Central Limite - Version 2
X une variable aléatoire qui suit une loi quelconque sur unepopulation avec E (X ) = µ et σ(X ) = σ
On prélève, au hasard, un échantillon (tirages avec remiseou assimilés) de taille n ≥ 30 de moyenne X
Alors la variable aléatoire X suit approximativement une loi
normale : X ↪→ N
(µ;
σ√n
)
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Echantillon =⇒ Population
L’estimation est le problème inverse de l’échantillonnageProblématique
A partir des informations (Moyenne - Ecart-type) établiessur un échantillon, comment retrouver ou plutôt estimer
celles d’une population entière ?
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation Ponctuelle
X une variable aléatoire de moyenne inconnue µ etd’écart-type connu ou inconnu σOn prélève au hasard un échantillon de taille n de moyenneµe et d’écart-type σeAlors, on a :
Une estimation ponctuelle µ̂ de la moyenne µ de lapopulation est µe càd µ ' µ̂ = µe
Une estimation ponctuelle σ̂ de l’écart-type σ de la
population est σ̂ tel que : σ̂ =
√n
n − 1σe
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation par Intervalle de confiance
X une variable aléatoire de moyenne inconnue µ etd’écart-type connu ou inconnu σOn prélève au hasard un échantillon de taille n de moyenneµe et d’écart-type σeAlors :
On dispose uniquement d’une estimation µ̂ de la moyenneµ de la population qui est µe
Peut-on avoir plus d’informations sur µ ?Peut-on trouver un encadrement de µ ?Peut-on trouver, avec une confiance C , un intervalle quicontient µ ?Peut-on trouver, avec un risque α, un intervalle quicontient µ ?Liaison entre la confiance C et le risque α : C = 1− α
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation par Intervalle de confiance
On cherche le réel r tel que
P
(X − r ≤ µ ≤ X + r
)= C
On a
P
(µ− r ≤ X ≤ µ+ r
)= C
=⇒ P
(− r ≤ X − µ ≤ r
)= C
=⇒ P
(− r
√n
σ≤ X − µ
σ√n
≤ r
√n
σ
)= C
On sait que : X ↪→ N
(µ;
σ√n
)Alors, la variable T =
X − µσ√n
↪→ N(0; 1)
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation par Intervalle de confiance
Donc, on a
P
(− r
σ√n≤ T ≤ r
σ√n
)= C
=⇒ 2Π
(rσ√n
)− 1 = C
=⇒ Π
(r
√n
σ
)=
C + 12
En utilisant la table de la loi normale centrée réduite, on
lira la valeur de t = r
√n
σ
Ainsi on trouve la valeur de r = tσ√n
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation par Intervalle de confiance
Reprenons maintenant notre échantillon de moyenne µe etd’écart-type σeSi σ est connu, alors l’intervalle de confiance sera :
IC =
[µe − t.
σ√n, µe + t.
σ√n
]
Si σ est inconnu, alors on remplace σ par son estimation
ponctuelle σ̂ =
√n
n − 1σe . Dans ce cas, l’intervalle de
confiance sera :
IC =
[µe − t.
σe√n − 1
, µe + t.σe√n − 1
]
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Application 1
On veut estimer la moyenne d’une variable aléatoire suivant laloi normale de variance 6, 25. L’estimation se fait à l’aide d’unéchantillon de taille n = 100 fournissant une moyenne de 4, 3.
1 Quel est l’intervalle de confiance à 95% ?2 Quel est l’intervalle de confiance à 99% ?3 On suppose cette fois-ci que la variance de la population
n’est pas connue, mais uniquement celle de l’échantillonégale à 6, 76.Quel sera l’intervalle de confiance à 90% ?
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Application 2
On mesure les poids d’un échantillon de 100 élèves d’un lycée.On obtient :
Poids (Kg) Effectif70 371 572 673 874 1075 1276 1577 1478 1279 1180 4
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Application 2
1 Calculer la moyenne µe et l’écart-type σe de l’échantillon2 Estimer la moyenne et l’écart-type du poids des élèves de
ce lycée3 Déterminer un intervalle de confiance du poids moyen avec
un risque de 5%
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Population =⇒ Echantillon
On dispose d’une population sur laquelle on étudie un caractère(ou attribut) A dont on connaît la proportion p dans lapopulation.
On s’intéresse aux échantillons de taille n. Auront-ils tousla même proportion ?Non, certains peuvent être constitués d’éléments atypiqueset avoir une proportion très différente de celle de lapopulation (surtout si l’échantillon est de petite taille).
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Population =⇒ Echantillon
On dispose d’une population sur laquelle on étudie un caractère(ou attribut) A dont on connaît la proportion p dans lapopulation.
Notons par F la variable aléatoire qui, à chaque échantillonde taille n, associe sa proportion du caractère A.F s’appelle encore la distribution des fréquences deséchantillons de taille n.Que peut-on dire de cette variable aléatoire F ?
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Population =⇒ Echantillon
Théorème
On considère une population sur laquelle on étudie uncaractère A répandu avec une fréquence p
On prélève, au hasard, un échantillon (tirages avec remiseou assimilés) de taille n ≥ 30On note par F la variable aléatoire qui correspond à lafréquence du caractère A dans l’échantillonAlors, la variable aléatoire F suit approximativement uneloi normale telle que :
F ↪→ N
(p;
√p(1− p)
n
)
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Echantillon =⇒ Population
ProblématiqueA partir de la fréquence d’un caractère A sur un échantillon,
comment retrouver ou plutôt estimer la fréquence du caractèreA sur la population toute entière ?
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation Ponctuelle
On considère un caractère A sur une population dont laproportion p est inconnueOn prélève au hasard un échantillon de taille n ≥ 30 surlequel on a calculé la proportion pe d’individus ayant lecaractère A
Alors, une estimation ponctuelle p̂ de la fréquence p est pecàd p ' p̂ = pe
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation par Intervalle de confiance
On considère un caractère A sur une population dont laproportion p est inconnueOn prélève au hasard un échantillon de taille n ≥ 30 surlequel on a calculé la proportion pe d’individus ayant lecaractère A
Soit F la variable aléatoire qui correspond à la fréquencedu caractère A dans cet échantillonOn sait que F suit approximativement une loi normale telleque :
F ↪→ N
(p, σp =
√p(1− p)
n
)
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation par Intervalle de confiance
On dispose uniquement d’une estimation p̂ de la fréquencep du caractère A sur la population qui est pePeut-on avoir plus d’informations sur p ?Peut-on trouver un encadrement de p ?Peut-on trouver, avec une confiance C , un intervalle quicontient p ?Peut-on trouver, avec un risque α, un intervalle quicontient p ?Liaison entre la confiance C et le risque α : C = 1− α
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation par Intervalle de confiance
On cherche le réel r tel que
P
(F − r ≤ p ≤ F + r
)= C
On a
P
(p−r ≤ F ≤ p+r
)= C =⇒ P
(−r ≤ F−p ≤ r
)= C
=⇒ P
(− r
σp≤ F − p
σp≤ r
σp
)= C
On sait que : F ↪→ N
(p; σp =
√p(1− p)
n
)Alors, la variable T =
F − p
σp↪→ N
(0; 1)
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation par Intervalle de confiance
Donc, on a
P
(− r
σp≤ T ≤ r
σp
)= C =⇒ 2Π
(r
σp
)− 1 = C
=⇒ Π
(r
σp
)=
C + 12
En utilisant la table de la loi normale centrée réduite, onlira la valeur de t =
r
σpAinsi on trouve la valeur de r = t.σp
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Estimation par Intervalle de confiance
Reprenons maintenant notre échantillon (de taille n ≥ 30)dans lequel la fréquence du caractère A est peAlors l’intervalle de confiance sera :
IC =
[pe − t.
√pe(1− pe)
n, pe + t.
√pe(1− pe)
n
]
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Application 1
On a testé l’efficacité d’une méthode d’apprentissage de lalecture en l’expérimentant sur un échantillon de 400 élèves deCP et constaté que que 320 des élèves ont donné des résultatssatisfaisants.Avec une confiance de 95%, donner une estimation de laproportion de résultats satisfaisants que donnerait la méthodesur l’ensemble des élèves.
Statistiqueinférentielle
Pr. Driss ElMoutawakil
Chapitre 1 :Introduction
Chapitre 2 :Rappel sur laloi normale
Chapitre 1 :Echantillon-nage etEstimationd’unemoyenne
Chapitre 2 :Echantillon-nage etEstimationd’uneproportion
Application 2
Un sondage effectué sur 900 personnes, choisies de manièrealéatoire dans une population, a indiqué que 300 d’entre ellespossèdent un four micro-ondes.Avec un risque de 1%, déterminer un intervalle de confiance dupourcentage de personnes de cette population possédant unfour micro-ondes.