Plan du cours de

Statistique Applique
Franois Gardes-Patrick
Sevestre
2005-2006

Chapitre I: Rappels
Chapitre II: Elments dchantillonnage (Tassi, Chap.
2, Kauffmann, Chap. 5 et 6)
Chapitre III: Linformation au sens de Fisher
(Kauffmann, chap. 7)
Chapitre IV: Estimation (Tassi, deuxime partie)
Chapitre V: Tests (Tassi, troisime partie, TD 1)
Chapitre VI: Estimation et Tests par la mthode des
MCO
Chapitre VII: Complments (aperu sur les tests
qualitatifs, la statistique non paramtrique, les
problmes didentification, linfrence Baysienne, les
plans dexprience pour lvaluation des politiques
publiques)

Bibliographie

Dormont, B., 1998, Introduction lEconomtrie,

Montchrestien
Greene, W.H., 2000, Econometric Analysis,
Prentice Hall, 4th edition
Griffith, W., Hill, R. C., Judge, G., 1993, Learning
and Practicing Econometrics, Wiley
Judge, G., Hill, R., Griffith, W., Ltkepohl, H.,
Lee, T.C., 1988, Introduction to the Theory
and Practice of Econometrics, John Wiley
Kauffmann, Pascal, 1994, Statistique: Information,
Estimation, Tests, Dunod
Pradel, J., Site personnel sur le site dEurqua
(Universit Paris I
Tassi, P., 1985, Mthodes Statistiques, Economica

Prsentation
Echantillon, population statistique;
prvision (note/temps de travail)
Modles/Thorie: problmes
dagrgation, de non-linarit, de
simultanit
Types de donnes; biais de slection
Causalit:
*exemple Salaire/ducation;

condition ceteris paribus;

effets partiels

Prsentation

Identification ; tests de restrictions

Spcification
Comparaison de rsultats
destimation; procdures de test
Exprimentation
Htrognit non explique

Chapitre I: Rappels

Rappels de probabilit
Exemples de lois de probabilit
Les diffrents types de convergence:
en loi, en probabilit, presque sre
Les distributions jointes
Lois normales jointes
Les familles de lois exponentielles

Les convergences
stochastiques 1

Comportement aux limites de phnomnes

alatoires: chantillons dont la taille augmente
(a) Convergence en loi: convergence simple d'une
suite de fonctions
fn converge vers une limite f en x: lim fn(x)=f(x)
x->+

La suite de variables alatoires Xn converge en loi

vers la v.a. X si la suite des fonctions de
rpartition Fn associes aux v.a. Xn converge
simplement vers la fonction de rpartition F de X.

Les convergences
stochastiques 2

Exemple
v.a. discrte
Proprits: * Th de Slutsky: (Xn)
converge en loi vers X si la fonction
est continue
* Thorme Central Limite: Soit (Xn)
une suite de v.a. indpendantes et de
mme loi, admettant des moments
finis

Les convergences
stochastiques 3

jusqu' l'ordre 2. n note E(X n)=m,

V(Xn)=, MXn = .

Alors la suite 1/n(Xn-m/ ) converge

en loi vers un v.a. centre rduite de
loi normale centre rduite N(0,1)
Application l'approximation de lois
de probabilit

Les convergences
stochastiques 4

(b) Convergence en probabilit:

Plim Xn= c ssi Prob(|Xn-c|>) ->0
quand n->Exemple
Cas spcial: cv en moyenne
quadratique
Proprits de la convergence en loi

Les convergences
stochastiques 5

Applications: (i) Approximation des

lois de probabilit
(ii) revenu relatif
(iii) exercice

Les convergences
stochastiques 6
c) Convergence presque sre: plus
exigeante bien quassez proche de
la Cv en Proba.
X ->X ssi Prob(Sup|X -X|>) ->0
n
k
k>n

Application: Loi Forte des Grands

Nombres

Les distributions jointes

1. Dfinition
2. Indpendance de deux v.a.
3. Esprance
4. Exemple
5. Lois normales jointes dans Rn
6. Distribution dune fonction de
v.a.

Chap. II: Lchantillonnage

1

Introduction
1. Echantillonnage sur une population
de taille finie
1.1. Tirage de lchantillon avec remise
1.2. Tirage de lchantillon sans remise
1.3. Moyenne empirique associe un
chantillon

Exercices sur
lchantillonnage

Exercice 1: On considre une v.a. observe

sur une population, avec une moyenne m et
une variance 2. on tire un chantillon E=(X1,
X2,, Xn) de taille n=36, puis un second
chantillon E=(X1, X2,, Xn) de taille n.
1) Quelle est la distribution limite de la
moyenne empirique de E? de E?
2) Quelle est la istribution la moins
disperse?
3) Si V(mX)=4 et n=120, calculer v(X).

Exercices sur
lchantillonnage

Exercice 2: On considre un
chantillon X1, X2,, Xn tir dune
population de moyenne m, de variance
2. On propose deux estimateurs de m:
m1=moyenne empirique sur
lchantillon
m2=(X1+X2)/2
Comparer ces eux estimateurs.

Chap. II: Lchantillonnage

2
13.1. Dfinition
13.2. Echantillon tir avec remise
13.3. Echantillon tir sans remise
1.4. Variance empirique associe
un chantillon
Proprit 1:
E(S2n) = x2 V(Xn)/n

Chap. II: Lchantillonnage

3

Prop 2: E(S2n) = [(n-1)/n]x2 pour

un tirage sans remise
Prop 3: E(S2n) = [N/(N-1][(n1)/n]x2 pour un tirage avec remise
Dmonstration: Prop 2 ->Prop 3
->Pr1

Chap. II: Lchantillonnage

4

II. Echantillonnage dun processus

alatoire:
2.1. Dfinition
2.2. Moyenne empirique sur un
chantillon
2.3. Variances empirique sur un
chantillon

Chap. II: Lchantillonnage

5

III. Echantillons dune loi normale:

3.1. Proprits des moyennes et
variances empiriques
3.2. Le thorme de Fisher
3.3. Consquences

Ronald Aylmer Fisher

1890 (Londres)-1962 (Adelaide)

Collges Gonville et Caius Cambridge
Professeur de gntique, Cambridge
Contributions la gntique et la statistique
applique et thorique: distribution du coefficient
de corrlation, thorie de lestimation, analyse de
la variance, publication de tables statistiques.
Thorme fondamental de la slection naturelle,
socio-biology, usage de la thorie des jeux en
biologie volutionniste (stratgie mixte)

Rappels

Rappel sur les lois de Bernouilli,

binomiales et multinomiales
Exercice dchantillonnage

Rappel sur les lois

discrtes 1

Loi de Bernouilli:
f(y|)= y(1-)1-ypour y=0,1
=0 sinon
f(0|)= ; f(1|)=1-; f(y|
)=0 pour y diffrent de 0 et
1
m= ;2= (1- )

Rappel sur les lois

discrtes 2

Loi Binomiale: T expriences de

Bernouilli indpendantes (H1) et de
probabilit constante (H2)
B (T, )
Exemple: T tirages rpts avec remise
f(y|)=(Ty) y(1-)1-ypour y=0,1,,T
=0 sinon
m=T;2= T(1- )

Rappel sur les lois

discrtes 3

Loi Multinomiale:
f(y|1, 1,, k)=(y!/y1! y2!... yk!) y1 yk

Lois marginales: B(yj|j)

E(yi|j)=Tj;V(yj)=T j(1- j);

cov(yi, yl)=-T j l

Rappel sur les lois

discrtes 4

Loi hypergomtrique: tirages sans

remises
Exemple: comit universitaire
Loi de Poisson: P(): nombre
doccurrences par unit de temps
F(y|)=(1/y!) yexp(-)

Chapitre III: Linformation au sens

de Fisher (Kauffmann, chap. 7)

I. Linf au sens de Fisher pour un

paramtre rel
1.1. Notations et hypothses
1.2. Score et quantit dinformation
1.3. Interprtation: Positivit, additivit
1.4. Calcul de linformation fournie par une v.a.
relle sur un paramtre rel
1.5. Exemples: loi binomiale, loi exponentielle,
loi normale
II. Extension pour un ensemble de
paramtres

Chap. IV: Estimation ponctuelle dun

paramtre (Kauffmann, 8, 9.2, 9.1)
Chap. V: Estimation par intervalle de
confiance (Kauffmann, 10)
Chap. VI: Tests sur les moyennes et les
variances dune distribution (Kauffmann, 13)
Chap. VII: Estimation et tests dans le modle
de rgression multiple (Greene, 4 ou 5)