1 / 88

Plan du cours

Plan du cours. Introduction Statistique descriptive Echantillonnage Calcul des probabilités et variables aléatoires Inférence statistique Estimation Tests d’hypothèses Régression linéaire. Objectif.

josie
Download Presentation

Plan du cours

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Plan du cours • Introduction • Statistique descriptive • Echantillonnage • Calcul des probabilités et variables aléatoires • Inférence statistique • Estimation • Tests d’hypothèses • Régression linéaire

  2. Objectif • Pouvoir tirer des conclusions (inférence) sur les paramètres d’une population à partir de statistiques calculées pour un échantillon prélevé dans cette population. • Exemples : • Sondages, • Enquêtes, • Expériences, …

  3. Etapes • Récolter les données : • Choix de l’échantillon ? • Taille de l’échantillon ? • Analyser les données : • Mesure de l’erreur d’échantillonnage ? • Estimation de paramètres ? • Test d’hypothèses ? • Tirer des conclusions.

  4. Echantillonnage • Pourquoi ? • Réduire les coûts. • Ressources (temps, personnes, …) limitées. • Population trop grande. • Comment ? • Eviter les biais (bien représenter l’ensemble de la population). • Récolter le plus d’information possible.

  5. Quelques méthodes • Echantillon aléatoire simple. • Echantillon aléatoire stratifié. • Echantillon en grappes. • Echantillon systématique.

  6. 1. Echantillon aléatoire simple • On prélève n observations dans la population, au hasard, de telle sorte que tous les échantillons possibles de même taille ont la même chance d’être obtenus. • Exemple : • Tirage au sort dans un chapeau. • Annuaire téléphonique (biais ?). • Comment ? Liste des individus de la population.

  7. 2. Echantillon aléatoire stratifié • Pour augmenter la quantité d’information si la population peut être subdivisée en plusieurs strates (sous-populations) différenciées par rapport aux variables étudiées. • Exemples : • Niveaux de revenus, • Catégories socio-professionnelles, • Classes d’âge, • Localisation géographique, … • Principe : prélever un échantillon aléatoire simple indépendamment dans chaque strate. • Problème : combien d’observations prélever dans chaque strate ?

  8. 3. Echantillon en grappes • La population est subdivisée en grappes. • Exemple : les quartiers d’une ville. • On prend un échantillon aléatoire simple de grappes et on inclut dans l’échantillon tous les individus (ou un échantillon – échantillonnage en grappe à 2 niveaux) de chaque grappe choisie. • Avantages : • Pratique s’il est difficile ou impossible d’obtenir une liste de tous les individus de la population. • Permet de réduire les coûts liés à l’échantillonnage. • Inconvénient: augmente erreur d’échantillonnage.

  9. 4. Echantillon systématique • Exemples : • Contrôle de qualité, • Contrôle de dossiers, de transactions, … • Echantillon systématique 1-sur-M : • On prélève une première observation au hasard parmi les M premiers individus (pièces produites, dossiers reçus, transactions effectuées, …) et ensuite une tous les M. • On prélève une proportion 1/M de la population.

  10. Taille de l’échantillon ? • Compromis entre les coûts et l’erreur d’échantillonnage ! • D’où la nécessité de pouvoir mesurer l’erreur d’échantillonnage. • Réponse : grâce au calcul des probabilités et aux principes de l’inférence statistique.

  11. Plan du cours • Introduction • Statistique descriptive • Echantillonnage • Calcul des probabilités et variables aléatoires • Inférence statistique • Estimation • Tests d’hypothèses • Régression linéaire

  12. Probabilités • Introduction • Expérience aléatoire, résultats, événements • Notion de probabilité • Calcul des probabilités • Variables aléatoires • Lois de probabilité discrètes et continues

  13. Introduction • Jeux de hasard • Gagner au loto, au tiercé ? • Elections • Probabilité d’être élu ? • Assurance-vie • Probabilité de survie après x années ? • Economie • Probabilité de faillite d’une entreprise ? • Météo • Probabilité d’avoir de la pluie demain ?

  14. Expérience aléatoire • Expérience aléatoire : • Résultats : • Pile ou face, • 1, 2, 3, 4, 5 ou 6, • Une des 52 cartes.

  15. Expérience aléatoire • Action ou processus qui engendre une observation, et dont on ne peut prédire avec certitude le résultat. • Espace échantillon W : ensemble de tous les résultats possibles. • Exemple : lancer d’un dé

  16. Evénements • Exemples : • Evénement A : Obtenir le « 1 » • Evénement B : Obtenir un multiple de 3 • Evénement C : Obtenir un nombre pair • Evénement D : Obtenir un nombre impair

  17. Evénements • Définition : sous-ensemble de W • Evénements particuliers : • Événement simple : ne contient qu’un seul résultat, • Événement impossible : ensemble vide, • Événement certain : W

  18. Opérations sur les événements • Similaires aux opérations sur les ensembles. • Implication (inclusion) : • Conjonction (intersection) : • Evénements mutuellement exclusifs :

  19. Opérations sur les événements • Disjonction (réunion) : • Différence : • Evénement complémentaire (négation) :

  20. Opérations sur les événements • Partition de E : tels que : • Système complet d’événements : • Partition de W.

  21. Exemple 1 – Fraude fiscale • On estime à 10% le pourcentage de fraudeurs parmi un groupe de contribuables. • On observe que 24% des fraudeurs font appel à un type de déduction fiscale particulier. • Seulement 3% des non fraudeurs font appel à ce type de déduction fiscale. • Si le contrôleur observe cette déduction dans la déclaration de revenus d’un contribuable, quelle est la probabilité que ce contribuable soit un fraudeur ?

  22. Définition classique des probabilités • N résultats possibles ayant tous la même chance de se réaliser. • Succès S correspondant à NS résultats. • Probabilité de succès : • Exemple : • Lancer d’un dé

  23. Définition fréquentielle des probabilités • n répétitions de l’expérience aléatoire. • Nombre de succès : • Fréquence : • Probabilité (« fréquence théorique ») :

  24. Définition axiomatique des probabilités • Pour W fini : • P() est une fonction d’ensemble à valeurs réelles, définie sur P(W), avec les axiomes : • A1: • A2: • A3:

  25. Propriétés des probabilités • Si un événement E est partitionné en 2 événements E1 et E2 : • Extension à plus de 2 événements. • Inclusion :

  26. Propriétés des probabilités • Pour tout événement E : • Complémentaire : • Complémentaire de W :

  27. Loi d’addition • Pour 2 événements : • Exemple :

  28. Loi d’addition • Démonstration : • Si A et B sont mutuellement exclusifs :

  29. Probabilité conditionnelle • Exemple : • Supposons que C se soit réalisé : • Supposons que B se soit réalisé : Condition

  30. Probabilité conditionnelle • Définition :Probabilité conditionnelle de A étant donné B :

  31. Régle de multiplication • Pour 2 événements : • Exemple : tirage de 2 cartes sans remise dans un jeu de 52 cartes

  32. Règle de multiplication • Pour 3 événements : • Exemple : tirage de 3 cartes sans remise dans un jeu de 52 cartes • Généralisation à plus de 3 événements.

  33. Indépendance stochastique • Pour 2 événements :A et B sont (stochastiquement) indépendants ssi : • Exemple :

  34. Exemple 1 – Fraude fiscale

  35. Probabilités totales • Soit un système complet d’événements : • Partition de Wtelle que • Théorème des probabilités totales :

  36. Probabilités totales • Exemple : Une société pétrolière envisage l’opportunité d’un forage sur un nouveau site. Trois cas sont possibles : • Pas de pétrole (rien), • Peu de pétrole (peu), • Beaucoup de pétrole (bcp). • Probabilités a priori (expériences passées):

  37. Probabilités totales • Test séismique en vue d’obtenir plus d’information sur le terrain : • 3 résultats possibles : Potentiel du terrain • Bas, Moyen, Elevé • Précision du test :

  38. Probabilités totales • Probabilité d’obtenir un potentiel élevé ? • Système complet : rien, peu, bcp

  39. Théorème de Bayes • Soit un système complet d’événements : • Soit A un événement quelconque : • Probabilités a priori : • Probabilités a posteriori :

  40. Théorème de Bayes • Exemple : site pétrolierprobabilité a posteriori :

  41. Prélèvements • On prélève n éléments parmi N. • Les N éléments sont répartis en deux catégories. • Exemple : urne remplie de boules noires et blanches.

  42. Prélèvement avec remise • Formule du binôme

  43. Prélèvement sans remise • Formule hypergéométrique

  44. Prélèvements • Sans remise  avec remise : • Extension à plus de 2 catégories d’éléments.

  45. Plan du cours • Introduction • Statistique descriptive – séries univariées • Calcul des probabilités • Variables aléatoires et lois de probabilité • Statistique descriptive – séries bivariées • Méthodes de prévision

  46. Variable aléatoire • Variable dont la valeur est déterminée par le résultat d’une expérience aléatoire. • Exemples : • Nombre de fois où on obtient « face » en lançant deux pièces de 1€. • Somme des points obtenus en lançant 2 dés. • Temps mis pour traiter une transaction à un guichet d’agence bancaire.

  47. Variable aléatoire • Exemple : lancer de 2 pièces de 1€ nombre X de « face » obtenus ? • Ex : événement composé des résultats associés à la valeur x

  48. Variable aléatoire

  49. Variable aléatoire • Définition : fonction définie sur W à valeurs dans un ensemble V. • A chaque w de W, on associe une valeur x :

  50. Variable aléatoire • Si V est un ensemble discret, la v.a. est dite discrète. • Si V est un ensemble continu, la v.a. est dite continue.

More Related