Documente Academic
Documente Profesional
Documente Cultură
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
La distribution Normale
0.4 • A. µ = 4, σ = 1
A
• B. µ = 8, σ = 1
0.2
• C. µ = 8, σ = 0.5
0
2 4 6 8 10 12
Y
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
La Loi Normale ou Loi de Laplace-Gauss
( x−µ ) 2
1 −
p( x ) = e 2σ 2
2π σ 2
( x − np ) 2
1 −
p( x ) = e 2 ( npq )
2π ( npq)
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
La distribution Normale Centrée Réduite
x−µ
• Obtenue en centrant et en Z=
réduisant la distribution. Les σ
valeurs observées sont
Probabilité
converties en valeurs
normales standard (Z)
•
• La distribution obtenue a une
moyenne µ = 0 et un écart
type σ = 1
-3 -2 -1 0 1 2 3
Z
Observée
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Transformée (Z)
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
La distribution Normale Centrée Réduite
µ ± 2σ
• 68% de l’échantillon contenu
par µ ± σ µ ± 1σ
• 95% contenu par µ ± 1,96σ
Probabilité
x−µ
Z=
σ
-3 -2 -1 0 1 2 3
Z
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
•La probabilité est définie comme une aire sous la
courbe de la fonction de masse
•
•La probabilité n’existe que pour un intervalle de
valeur !
-3 -2 -1 0 1 2 3
X
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
•De manière pratique la probabilité est déterminée à
partir de la table de la fonction de répartition de la
Loi Normale Centrée Réduite.
Exemple :
Si x suit une loi Normale N(µ ;σ ) alors Z=(x-µ )/σ suit une une Loi Normale N(0;1)
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de fluctuation / Intervalle de confiance
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalles de fluctuation : problèmes d’estimation
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalles de fluctuation : problèmes d’estimation
Effectif=1000 Effectif=3
500 150
400
5% 100 23%
300
200
50
100
0 0
0 20 40 60 80 100 0 20 40 60 80 100
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalles de fluctuation : problèmes d’estimation
IC calculés avec Z
99.9
• Les ICs estimés à partir 99.8
99.9%
des valeurs de Z se
% de la population
99
rapprochent des vrais 98 99%
ICs au fur et à 95
95%
mesure que l’effectif 90
90%
augmente. 80
70 75%
• 50
50%
• Toutefois quand n est 30
10 100 1000 10000
petit, les ICs sont
Effectif de l'échantillon
biaisés.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
La distribution du t de Student
Y
est élevé
•
• plus pointue et avec des queues plus 0.1
longues quand le nombre de ddl dl=2
est faible
• 0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
t
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalles de fluctuation calculés avec t
IC calculés avec t
• Quand l’effectif est petit, 99.9
99.8 99.9%
les ICs sont calculés
% de la population
99
en remplaçant Z par la 98
99%
valeur de t de la 95
95%
distribution de Student. 90
90%
80
70 75%
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
IX
Intervalle de Confiance de la Moyenne
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance pour la moyenne
Histogramme représentant
200 les moyennes mi des
longueurs d ’aile de mouche
pour 1400 échantillons de 5
150 mouches.
Fréquence
La distribution des
moyennes suit une loi de
0
40 42 44 46 48 50 52 distribution Normale.
Longueur de l’aile (mm x 10)
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance pour la moyenne
Probabilité
,est conforme à une une loi
normale
σ
N (µ ; )
n x x
Inégalité de Tchébycheff
P( A ≤ µ ≤ B) ≤ 1 − α
α /2 α /2
Selon la loi Normale de
distribution des moyennes et si µ
A B
l’intervalle est bilatéral, alors :
σ σ
A = µ − Zα / 2 ; B = µ + Zα / 2
n n
Effectif Échantillon Erreur Standard
Variable Normale
Centrée
Université Réduite
Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Erreur-standard de la moyenne
moyenne de la population.
•
– dépend de la variabilité des observations.
–
– dépend de l ’effectif de l ’échantillon.
)
σ s
sx = ou
n −n1
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance pour la moyenne
σˆ
(estimateur de l’écart type
de la population
x ± tn −1,α / 2
Moyenne (estimateur de la
moyenne de la population
n Erreur Standard
ou Erreur type
I
C µ=x±tα/2,n−
1⋅s
x
Valeurs brutes
3,8 3,6 4,3 3,5 4,3
n = 25
3,3
3,9
4,3
4,4
3,9
3,8
4,3
4,7
3,8
3,6
x = 4,004
4,1
4,4
4,4
4,1
4,5
3,6
3,6
4,2
3,8
3,9
sx = 0,366
On détermine la valeur de tα /2 pour ddl = 24. L’intervalle de
confiance étant de 95%, le risque est égal à 5%.
sx 0,366
1=
tα/2,n− 2,06
4 s x = = = 0,0747
n − 1 4,899
ATTENTION:
•
•Si la distribution est fortement asymétrique, ou que
l’effectif est petit, l’intervalle de confiance de la
moyenne calculé avec t est biaisé (sous-estimé).
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
De l’intervalle de confiance à l’Effort
d’échantillonnage
Vous voulez savoir Il vous faut
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Effort d’échantillonnage
Extrait: Table des Fractiles de la loi NCR
•
x = 4, 004 0,06
0,07
1,5548
1,4758
1,5464
1,4684
1,5382
1,4611
1,5301
1,4538
1,5220 1,5141
1,4466 1,4395
1,5063
1,4325
)
• σ = 0,366
)
σ
•
IC = 2 ⋅ zα / 2 ⋅
On désire que
•
avec une confiance de 95%
ICµ = x ± 0, 04
n
zα / 2 = 1,96 )2
•
σ
•
Réponse : n=322
n = 4 ⋅ zα / 2 ⋅ 2
2
•
•
IC
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
ν
α/2 0,495 0,4875
α 0,990 0,975
1 0,016 0,039
2 0,014
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
0,035
Principe du test de t : 30
comparaison de la µ A
µ
moyenne à une norme 20 o
Accepter
Si les valeurs H0
Fréquence
observées dévient
0
plus des valeurs 30
attendues que ce qui µ A µ o
est probable compte-
tenu de la précision 20
des mesures, on doit Rejeter
rejeter l’hypothèse H0 10
nulle
Attendue 0
Observée 20 30 40 50 60
Longueur
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Test d’une hypothèse 30
extrinsèque µ T X
20
• Tester si la moyenne d’un Accepter
échantillon est égale à une H0
10
valeur théorique µ T en
calculant:
0
• 30
X − µT µ T X
•
t= Rejeter
sX H0 20
10
• Prédite
Observations
• on compare la valeur de t Vraie 0
obtenue à la valeur critique 20 30 40 50 60
distribution
de la distribution du t de Longueur
Student avec n-1 degrés de
liberté
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance pour la médiane
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance de la médiane
• Calculés à partir de la
distribution binomiale B(n,p)
avec p = 0,5.
• p
• Dans un échantillon de taille
n=10, quelle est la probabilité
d’obtenir seulement y
0 1 2 3 4 5 6 7 8 9 10
observations sous la
médiane?
• •IC 97,86% pour la médiane donné
par les valeurs 1 et 9.
• Comme B(n,p) est discontinue, il •IC 89,08% pour la médiane donné
n’est généralement pas par les valeurs 2 et 8.
possible d’obtenir des ICs à
exactement 1-α
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance pour la variance
• Variance estimée d’un
0.3
échantillon est
Probabilité
distribuée environ
comme chi-carré avec
0.2
n-1 degrés de liberté. p = α = 0.05
• σ 2 ou s2 est distribué
comme chi-carré 0
0 5 10 15 20
ν ⋅σ) 2 )
ν ⋅σ
2 χ 2 (dl = 5)
≤σ
2
≤
χ χ
2 2
α / 2, ν − 1 / 2 ,α ν
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Design expérimental
Vous voulez savoir
• Comment atteindre le niveau de Il vous faut
précision nécessaire?
• Un but clair (précision
• Combien de fois dois-je répéter cette nécessaire)
expérience pour obtenir de “bons”
résultats? • un estimé de la
• Combien d’échantillon dois-je variabilité (s2)
récolter pour obtenir une précision – expérience
(Coefficient de variation) de 5% préliminaire
• Comment obtenir un intervalle de – expérience passée
confiance à 99% qui a n unités de
largeur? – du “pif”
•
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Un exemple
• Pour un échantillon préliminaire de n = s
10, on obtient une moyenne de 100 x ± t n−1,α / 2
et un écart-type de 25. n
• On désire que IC = 2 pour la moyenne, s
donc qu’il y ait 95% de chance que W = 2 t n−1,α / 2
la moyenne de la population soit à n
l’intérieur de cet intervalle. 2
s
• Réponse (par itération): n=2404 W 2 = 4tn2−1,α / 2
• Correct en moyenne, mais pas assez
n
dans 50% des cas car utilise s2 au s 2
lieu de σ 2 n = 4tn−1,α / 2 2
2
•
W
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Effort d’échantillonnage requis (suite)
• combien faut-il de
replicats pour obtenir
un IC = 2 avec une
probabilité (1-β ) que s2
n = 2
IC soit au moins aussi 4t n−1,α/2
W2
étroit? n =4tn2−
1,α/2
s2
F( β,n −
1,ν)
W2
• réponse: n = 6503!
• donne une probabilité (1-
β ) que la précision
obtenue sera au moins
celle désirée.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.