|




  

 

François Gardes-Patrick Sevestre

2005-2006
 =
 
 ¦appels
 =
 
½léments dƞéchantillonnage (Tassi, Chap. 2,
Kauffmann, Chap. 5 et 6)
 =
 
ºƞinformation au sens de Fisher (Kauffmann,
chap. 7)
 =
 
 ½stimation (Tassi, deuxième partie)
 =
 
  Tests (Tassi, troisième partie, TD 1)
 =
 
 ½stimation et Tests par la méthode des MCO
 =
 
  Compléments (aperçu sur les tests qualitatifs, la
statistique non paramétrique, les problèmes dƞidentification,
lƞinférence Bayésienne, les plans dƞexpérience pour lƞévaluation
des politiques publiques)
   


 Dormont, B., 1998, Introduction à lƞ½conométrie,

 Montchrestien
 Greene, W.H., 2000, ½conometric Analysis,
 Prentice Hall, 4th edition
 Griffith, W., Hill, ¦. C., Judge, G., 1993, Learning
 and Practicing ½conometrics, Wiley
 Judge, G., Hill, ¦., Griffith, W., Lütkepohl, H.,
 Lee, T.C., 1988, Introduction to the Theory
 and Practice of ½conometrics, John Wiley
 Kauffmann, Pascal, 1994, Statistique: Information,
 ½stimation, Tests, Dunod
 Pradel, J., Site personnel sur le site dƞ½uréqua
 (Université Paris I
 Tassi, P., 1985, Méthodes Statistiques, ½conomica
|

 
 ½chantillon, population statistique; prévision
(note/temps de travail)
 Modèles/Théorie: problèmes dƞagrégation,
de non-linéarité, de simultanéité
 Types de données ; biais de sélection
 Causalité :
 *exemple Salaire/éducation ;
 condition ceteris paribus ;
 effets partiels
Présentation
 Identification ; tests de restrictions
 Spécification
 Comparaison de résultats
dƞestimation ; procédures de test
 ½xpérimentation
 Hétérogénéité non expliquée
Chapitre I: ¦appels
 ¦appels de probabilité
 ½xemples de lois de probabilité
 ºes différents types de convergence: en
loi, en probabilité, presque sûre
 ºes distributions jointes
 ºois normales jointes
 ºes familles de lois exponentielles
ºes convergences
stochastiques 1
 Comportement aux limites de phénomènes
aléatoires: échantillons dont la taille augmente
 (a) Convergence en loi: convergence simple d'une
suite de fonctions
 fn converge vers une limite f en xU lim fn(x)=f(xU)
x->+ƺ

ºa suite de variables aléatoires Xn converge en loi

vers la v.a. X si la suite des fonctions de répartition
Fn associées aux v.a. Xn converge simplement vers la
fonction de répartition F de X.
ºes convergences
stochastiques 2
 ½xemple
 v.a. discrète
 Propriétés * Th de Slutsky ö(Xn)
converge en loi vers X si la fonction ö
est continue
 * Théorème Central Limite Soit (Xn)
une suite de v.a. indépendantes et de
même loi, admettant des moments finis
ºes convergences
stochastiques 3
 jusqu'à l'ordre 2. n note ½(Xn)=m,
V(Xn)=m, MXn = .
 2lors la suite 1/n(Xn-m/ m) converge
en loi vers un v.a. centrée réduite de loi
normale centrée réduite N(0,1)
 2pplication à l'approximation de lois de
probabilité
ºes convergences
stochastiques 4
 (b) Convergence en probabilité
 Plim Xn= c ssi Prob(|Xn-c|>ë) ->0
quand n->ƺ½xemple
 Cas spécial cv en moyenne
quadratique
 Propriétés de la convergence en loi
ºes convergences
stochastiques 5
 2pplications (i) 2pproximation des lois
de probabilité
(ii) revenu relatif
(iii) exercice
ºes convergences
stochastiques 6
c) Convergence presque sûre plus
exigeante bien quƞassez proche de la Cv
en Proba.
 Xn->X ssi Prob(Sup|Xk-X|>ë) ->0

k>n
Application º
F rte des Grands
N mbres
ºes distributions jointes
 1. Définition
 2. Indépendance de deux v.a.
 3. ½spérance
 4. ½xemple
 5. ºois normales jointes dans ¦n
 6. Distribution dƞune fonction de v.a.
Chap. II ºƞéchantillonnage 1
 Introduction
 1. ½chantillonnage sur une population
de taille finie
 1.1. Tirage de lƞéchantillon avec remise
 1.2. Tirage de lƞéchantillon sans remise
 1.3. Moyenne empirique associée à un
échantillon
½xercices sur lƞéchantillonnage
 ½xercice 1: On considère une v.a. observée
sur une population, avec une moyenne m et
une variance m2. on tire un échantillon ½=(X1,
X2,Ʀ, Xn) de taille n=36, puis un second
échantillon ½ƞ=(Xƞ1, Xƞ2,Ʀ, Xƞnƞ) de taille nƞ.
 1) Quelle est la distribution limite de la
moyenne empirique de ½ de ½ƞ
 2) Quelle est la istribution la moins dispersée
 3) Si V(mX)=4 et nƞ=120, calculer v(Xƞ).
½xercices sur lƞéchantillonnage
 ½xercice 2: On considère un échantillon X1,
X2,Ʀ, Xn tiré dƞune population de moyenne
m, de variance m2. On propose deux
estimateurs de m
 m1=moyenne empirique sur lƞéchantillon
 m2=(X1+X2)/2
 Comparer ces eux estimateurs.
Chap. II ºƞéchantillonnage 2
 13.1. Définition
 13.2. ½chantillon tiré avec remise

 13.3. ½chantillon tiré sans remise

 1.4. Variance empirique associée à un

échantillon
 Propriété 1

½(S2n) = mx2 ƛ V(Xn)/n

Chap. II ºƞéchantillonnage 3
 Prop 2 ½(S2n) = [(n-1)/n]mx2 pour un
tirage sans remise
 Prop 3 ½(S2n) = [N/(N-1][(n-1)/n]mx2
pour un tirage avec remise
 Démonstration Prop 2 ->Prop 3 ->Pr1
Chap. II ºƞéchantillonnage 4
 II. ½chantillonnage dƞun processus
aléatoire
 2.1. Définition
 2.2. Moyenne empirique sur un
échantillon
 2.3. Variances empirique sur un
échantillon
Chap. II ºƞéchantillonnage 5
 III. ½chantillons dƞune loi normale
 3.1. Propriétés des moyennes et
variances empiriques
 3.2. ºe théorème de Fisher
 3.3. Conséquences
¦onald 2ylmer Fisher
 1890 (ºondres)-1962 (2delaide)
 Collèges Gonville et Caius à Cambridge
 Professeur de génétique, Cambridge
 Contributions à la génétique et à la statistique
appliquée et théorique distribution du coefficient de
corrélation, théorie de lƞestimation, analyse de la
variance, publication de tables statistiques.
 Théorème fondamental de la sélection naturelle,
socio-biology, usage de la théorie des jeux en
biologie évolutionniste (stratégie mixte)
¦appels
 ¦appel sur les lois de Bernouilli,
binomiales et multinomiales
 ½xercice dƞéchantillonnage
 ¦appel sur les lois discrètes 1
 ºoi de Bernouilli
 f(y|ð)= ðy(1-ð)1-ypour y=0,1
=0 sinon
f(0|ð)= ð; f(1|ð)=1-ð; f(y|ð)=0
pour y différent de 0 et 1
m= ð;m2= ð(1- ð)
¦appel sur les lois discrètes 2
 ºoi Binomiale T expériences de Bernouilli
indépendantes (H1) et de probabilité ð
constante (H2)
   (T, ð)
 ½xemple T tirages répétés avec remise
 f(y|ð)=(Ty) ðy(1-ð)1-ypour y=0,1,Ʀ,T
=0 sinon
m=Tð;m2= Tð(1- ð)
¦appel sur les lois discrètes 3
 ºoi Multinomiale
 f(y|ð1, ð1,Ʀ, ðk)=(y!/y1! y2!... yk!) ðy1Ʀ ðyk
 ºois marginales B(yj|ðj)
 ½(yi|ðj)=Tðj;V(yj)=T ðj(1- ðj);
 cov(yi, yl)=-T ðj ðl
¦appel sur les lois discrètes 4
 ºoi hypergéométrique tirages sans remises
 ½xemple comité universitaire
 ºoi de Poisson |( ) nombre dƞoccurrences
par unité de temps
 F(y|ð)=(1/y!) yexp(- )
=
 
ºƞinformation au sens de
Fisher (Kauffmann, chap. 7)
 I. º 

 







 1.1. Notations et hypothèses

 1.2. Score et quantité dƞinformation
 1.3. Interprétation Positivité, additivité
 1.4. Calcul de lƞinformation fournie par une v.a. réelle
sur un paramètre réel
 1.5. ½xemples loi binomiale, loi exponentielle, loi
normale
 II. ½ 
 







 Chap. IV ½stimation ponctuelle dƞun
paramètre (Kauffmann, 8, 9.2, 9.1)
 Chap. V ½stimation par intervalle de
confiance (Kauffmann, 10)
 Chap. VI Tests sur les moyennes et les
variances dƞune distribution (Kauffmann, 13)
 Chap. VII ½stimation et tests dans le modèle
de régression multiple (Greene, 4 ou 5)