plan du cours l.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Plan du cours PowerPoint Presentation
Download Presentation
Plan du cours

Loading in 2 Seconds...

play fullscreen
1 / 37

Plan du cours - PowerPoint PPT Presentation


  • 222 Views
  • Uploaded on

Plan du cours. Introduction Statistique descriptive Echantillonnage Calcul des probabilités et variables aléatoires Inférence statistique Estimation Tests d’hypothèses Régression linéaire. Inférence. Un premier cas : Moyenne dans une population

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Plan du cours' - mingan


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
plan du cours
Plan du cours
  • Introduction
  • Statistique descriptive
  • Echantillonnage
  • Calcul des probabilités et variables aléatoires
  • Inférence statistique
  • Estimation
  • Tests d’hypothèses
  • Régression linéaire
inf rence
Inférence
  • Un premier cas : Moyenne dans une population
    • Variable : distribution dans la population.
    • Exemple :
      • Budget annuel « transport » d’un étudiant ULCO.
      • Budget annuel moyen ?
    • Echantillon : prélevé dans la population (échantillon aléatoire).
    • Moyenne de l’échantillon.
    • Erreur d’échantillonnage ?
    • Distribution d’échantillonnage.
distribution d chantillonnage
Distribution d’échantillonnage
  • Exemple :
    • Expérience aléatoire : lancer d’un dé.
    • Population (infinie) : résultats de lancers du dé.
    • Variable aléatoire : X = points obtenus.
    • Distribution de probabilité de X :
distribution de la population
Distribution de la population
  • Normalement inconnue !
  • Moyenne population :
  • Variance population :
  • Ecart-type population :
probl me
Problème
  • Supposons  inconnue.
  • Comment estimer la valeur de  à partir d’un échantillon ?
  • Exemple : échantillon de 2 lancers de dé.
    • n = 2
    • Calculer la moyenne échantillon
    • Ecart entre et m ?
distribution d chantillonnage6
Distribution d’échantillonnage
  • En fonction de tous les échantillons possibles(échantillon aléatoire simple – n fixé).
  • 36 échantillons possibles (même probabilité pour chacun)
distribution d chantillonnage7
Distribution d’échantillonnage
  • Pour la moyenne échantillon :
distribution d chantillonnage8
Distribution d’échantillonnage
  • Paramètres de la distribution d’échantillonnage pourn = 2 :
distribution d chantillonnage9
Distribution d’échantillonnage

1

2

  • Théorème central limite :Plus n est grand, plus la distribution d’échantillonnage se rapproche de celle d’une v.a. normale !

3

4

distribution d chantillonnage et inf rence
Distribution d’échantillonnage et inférence
  • Estimation d’un paramètre.
  • Test d’une hypothèse.
distribution d chantillonnage pour une proportion
Distribution d’échantillonnage pour une proportion
  • Population : proportion p d’individus ayant une certaine caractéristique.
  • Problème : p est inconnue !
  • Echantillon de n individus :
    • X présentent la caractéristique parmi les n.
  • Estimation de p :
  • Distribution d’échantillonnage de X :
inf rence statistique
Inférence statistique

Individu

Population

Paramètres

Distribution

Distribution

d’échantillonnage

Statistique

Distribution

d’échantillonnage

plan du cours13
Plan du cours
  • Introduction
  • Statistique descriptive
  • Echantillonnage
  • Calcul des probabilités et variables aléatoires
  • Inférence statistique
  • Estimation
  • Tests d’hypothèses
  • Régression linéaire
estimation
Estimation
  • Quelle est la valeur d’un paramètre population ?
  • Utilisation d’une statistique provenant d’un échantillon.
  • Estimation ponctuelle :
    • Calcul d’une valeur unique (estimateur).
  • Estimation intervalle :
    • Calcul d’un intervalle, prenant en compte l’erreur d’échantillonnage (intervalle de confiance).
propri t s des estimateurs
Propriétés des estimateurs
  • Non biais :
    • Si l’espérance de l’estimateur est égale au paramètre population.
  • Convergence :
    • Si l’erreur d’échantillonnage tend vers 0 lorsque la taille de l’échantillon augmente.
  • Efficacité :
    • Si l’estimateur est de variance minimum (distribution d’échantillonnage).
estimation d une moyenne
Estimation d’une moyenne
  • On étudie une variable définie sur une population : X
  • Distribution de X : m et s
  • On suppose m inconnue (et s connu).
  • Echantillon aléatoire simple de n observations.
  • Estimateur : moyenne échantillon
distribution chantillonn e de la moyenne chantillon
Distribution échantillonnée de la moyenne échantillon
  • Normale : si la distribution de X est normale.
  • Approximativement normale : si n est suffisamment grand (n ≥ 30).
  • Variable normale réduite :
intervalle de confiance pour m21
Intervalle de confiance pour m
  • Intervalle de confiance au niveau de confiance 1a :
  • Largeur de l’intervalle :
    • Diminue lorsque n grandit,
    • Augmente avec s,
    • Diminue lorsque a grandit.
exemple lancer d un d
Exemple : lancer d’un dé.
  • On lance 100 fois un dé (n=100).
  • On connait s=1,71
  • On observe :
  • Intervalle de confiance pour m au niveau de confiance 95% (a=0,05) :
si s est inconnu
Si s est inconnu !
  • Si n est grand (n ≥ 30), on remplace s par s (approximation).
  • Si n est petit et si la distribution de X est normale, on a :Et l’intervalle de confiance pour m est :
exemple
Exemple
  • On s’intéresse au poids de paniers de pommes.
  • Un échantillon de 12 paniers donne une moyenne de 738 g et un écart-type de 124 g.
  • Trouver un intervalle de confiance, aux niveaux 95% et 99%, pour le poids moyen des paniers de pommes.
exemple25
Exemple
  • Données :
  • Supposition : poids distribué normalement.
  • Intervalle de confiance :
estimation d une proportion
Estimation d’une proportion
  • On s’intéresse à une caractéristique présente sur une proportion p des individus de la population étudiée.
  • La proportion p est inconnue.
  • Echantillon aléatoire simple de n observations.
  • Soit X le nombre d’observations présentant la caractéristique, et :
distributions chantillonn es
Distributions échantillonnées
  • Distribution exacte de X :
  • Distribution approchée normale pour un grand échantillon :
intervalle de confiance
Intervalle de confiance
  • Pour p, au niveau de confiance 1a :ou :
exemple29
Exemple
  • Dans une enquête menée auprès de 1000 ménages, on constate que 340 d’entre eux trient correctement leurs déchets. Construire un intervalle de confiance pour la proportion population de ménages qui trient correctement leurs déchets.
plan du cours30
Plan du cours
  • Introduction
  • Statistique descriptive
  • Echantillonnage
  • Calcul des probabilités et variables aléatoires
  • Inférence statistique
  • Estimation
  • Tests d’hypothèses
  • Régression linéaire
test d hypoth se
Test d’hypothèse
  • Objectif : essayer de valider une hypothèse relative à un paramètre population, à partir d’un échantillon.
  • Exemple : paniers de pommes
    • Peut-on dire que le poids moyen des paniers de pommes est inférieur à 750g (poids annoncé) ?
    • On pèse 12 paniers pris au hasard et on observe un poids moyen de 738g et un écart-type de 124g.
principe de test
Principe de test
  • On teste une hypothèse H0 (hypothèse nulle) contre une hypothèse alternative H1.
  • H0 est choisie de façon à connaître la distribution échantillonnée de la statistique utilisée sous H0 (si H0 est vraie).
  • On définit une règle de décision :
    • RH0 : On rejette H0 si l’on dispose d’éléments suffisamment convaincants pour le faire.
    • On ne rejette pas H0 dans le cas contraire.
exemple33
Exemple
  • Hypothèses :
  • Statistique :
  • Distribution sous H0 :
  • On observe :
  • Règle de décision ?
r gle de d cision
Règle de décision
  • Rejeter H0 si la valeur observée est peu vraisemblable sous H0 et plus vraisemblable si H1 est vraie.
  • Deux types d’erreurs peuvent être commises :
    • Type 1 : Rejeter H0 alors qu’elle est vraie.
    • Type 2 : Ne pas rejeter H0 alors qu’elle est fausse.
r gle de d cision35
Règle de décision
  • Risques d’erreurs :
    • Type 1 :
    • Type 2 :
  • Diminuer a augmenter b !
  • On fixe a (car distribution connue sous H0). Souvent 5% ou 1%.
  • On établit la règle de décision en fonction de la distribution sous H0 et de a.
exemple36
Exemple
  • Rejeter H0 (a = 5%) si :
  • Test unilatéral à gauche.
  • Conclusion :
    • On ne peut pas rejeter H0.
    • On ne peut donc pas montrer que m < 750g.
    • On ne peut pas en conclure que m≥ 750g !
exemple37
Exemple
  • En 2007, 48 étudiants de M1, parmi lesquels 36 « Lille3 » et 12 « ULCO », ont obtenu les notes suivantes en statistique.