sumé des tests "hypotheses L. —_Définition : Les tests statistiques constituent une approche décisionnelle de la statistique inférentielle, Un tel test a pour objet de décider sur la base d'un échantillon si une caractéristique de Ia loi mére (ou de la population) répond ou non a une certaine spécification que I’on appelle hypothése', Hypothise nulle Hypothése supposée a priori vraic dans la procedure de test d’hypothéses. Hypothése altemative Hypothése considérée comme vraie si Phypothése nulle est rejetée. Erreur de premigre espece Erreur commise en rejetant Hy alors qu'elle est vraie. Erreur de seconde espece Erreur commise en acceptant H, alors qu’elle est fausse. vraie et satisfaite avec égalt Test unilatéral Test dhypothése dans lequel la région de rejet de Fhypothése nulle se situe dans une des queues de la distribution d’échantillonnage de la statistique de test. Probabilité de commettre une crreur de premiére espéce lorsque I'hypothése nulle “| Test bilatéral Test d’hypothése dans lequel la région de rejet de Mhypothése nulle se situe dans deux queues de la distribution d’échantillonnage de la statistique de test ‘Statistique de test ‘Statistique dont la valeur permet de déterminer si 'hypothése nulle peut étre rejetée. | Valeur critique Valeur comparée & la statistique de test pour déterminer si hypothése nulle doit tre rejetée. Valeur p Vabsence de soutien) fourni par I’échantillon a hypothése nulle. Plus les valeurs p Probabilité, calculée en utilisant Ia statistique de test, qui mesure Ie soutien (ow sont petites, plus il y a de preuves contre I’hypothése nulle, Hy Hypothése nulle Hi Hypothése altemative @ Erreur de premidre esptce / seuil de signification 6 Erreur de seconde es) 1-8 Puissance de la statistique de testMoyenne de la population (a connu) Test unilateral inferieur Ho t= Ho Hypothives Wen < Bo X= ito Statistique de test Régle de rejet: approche par ba valeur p de Mp silavatcur | Rejet de My si la valeur | Rejet de Ho si la valeur psa psa pse@ Régle de rejet > Rejet de Ho approche par la Rejet de My si ZS ~Zq | Rejetde Hy si ZZ Zy siZs—2ay, valeur critique oz > Ze, Moyenne de la population (¢ inconnu) ‘Test unilateral inférieur | Test unilateral supérieur ‘Test bilateral ane Ny N= Hy Hypotheses hse Statistique de test = vi Rigle de rejet : approche par ta valeur p Régle de rejet : approche par ta Rejetde Hy si €S—ty | Rejetde My si 62 by valeur critique out > tay, Rejetde Hy silavaleur | Rejet de Mo si la valeur Rejet de Ho sila valeur psa psa pse@ Rejet de Mg siesta, - Proportion de ta population : ‘Fest unilateral inférieur | Test unilatéral supérieur ‘Test bilatéral ‘ Mo P= Po Hypotheses : HAper, P=Po Statistique de test [Pot — po) 7 Regle de vejet : approche par In valeur p Rejet de My si la valeur gjet de Mg si la vale Rejet de My si la valeur psa@ psa psa Régle de rejet : Rejet de My approche par la Rejetde Hy si 2 — Rejet de Hg si £2 Zy si ZS Zap, valeur critique oud 2 Bay,1, Intervalle de confiance I. Estimateur de maximum vraisemblance Lestimation par intervalle de confiance consiste 4 déterminer autour de la valeur estimée un intervalle dont on a de fortes chances Pour la moyenne On cherher un estimateur Tn qui donne la valeur la plus semblabe du paraméte 0. Etape 1: écrire Ln(@) = []PCX= x)) = P(X = x:)* P(X = x3)P... *PIX= Xa) + Etape 2 : on introduit le logarithme népérien Lal) = La([]P(X= x) =Y La (P (X=) = P(X = xi) + P(X = x3) +... + P(X = 0) @conmu et n<30 tthe $e x9 = _Etape 3: résoudre I"Zquation La(L(@)*= O et on trouve O* notre EMV , . EMY des lois usuclles connu et n> 30 Sinconnh ct ni2 30 Lois de Bernoulli : EMV(P) = (5X, /n) Loi de Poisson : EMV@) = (2X. /m) 5 Sacra ok Loi binomiale : EMV(P) = kin Loi Nonmale : EMV(u) = (EX, /a) een **n eG Lois Géométrique : EMV(P) = (n 5X) EMV(o?) = 5 (X,- -@ inconnu et n<30 Loi exponenticlle: EMV(2)=(n/ EX) __| EMV(u)?) /a ETAPES de résolution des questions d'estimation : Aprés avoir bien lu l’énoncé et les questions. Revenez aux questions D'estimation et dégager les données nécessaires (4, 8, Ia loi de Ia variable), Est-ce que I’écart-type et connti ou non ? n petit ou grand Quelle est Ia loi de la variable ? Une fois ses questions répondues. Utiliser la formule eonvenable. Pour la variance Til. La méthode des Moments = 1¢ m= 2 Sat [La méthode des moments est un outil destimation intuitif qui date du début ides statistiques. Elle consiste 4 estimer les paramétres recherchés en égalisant certains moments théoriques (qui dépendent de ces paramétres) avec leurs contreparties jempiriques. Un estimateur est efficace si sa variance est proche de 0, La variable aléatoire fluctue autour de son espérance. Plus Ia variance V(Tn) est faible, moins les variations sont importantes. On cherche done a ce que la variance soit la plus faible possible, Réalisé par : MR J. MELHAOUL (= 2 i] S = ro) re a Ct =) CU a o eo ad -% 7) ao = ra 6 > o = °oC) DEUX EXEMPLES : FONCTION DE COBB-DOUGLAS ET FONCTION DE LEONTIEF * Dans ce qui suit nous allons étudier deux exemples de fonction de production qui sont fréquemment utilisés en économie appliquée ou dans les modélisations théoriques. C-1) LA FONCTION DE PRODUCTION COBB-DOUGLAS La fonction de Cobb-Douglas est une fonction largement utilisée en économi pour représenter le lien qui existe entre intrant et extrant. Cette fonction a été proposée et testée économétriquement par |'économiste américain Paul Dougl; et le mathématicien américain Charles Cobb en 1928. La fonction de production de Cobb-Douglas s'éerit : Q=f(K, L)=AK*L',A>0,a>0,b>0 ¥ OU A est un paramétre constant qui dépend des unités employées ou |: technologie pour mesurer le produit, le travail et le capital. ¥ a et b étant des paramétres positifs représentant les élasticités production par rapport au travail et au capital et qui indique: conséquent de quelle fagon la production réagit aux variations des qu de travail et de capital mises en couvres. Ii