Partie1:
Introduction
1 Rappelssur les probabilités
1.1Les lois usuelles
1.2Fonctions caractéristiques
1.3Les convergences
1.4Espaces mésurables : Algèbre, sigma-algèbre
1.5Fonctions mesurables
1.6Mesure
2.Théoriede l'estimation
2.1Echantillonnage
2.1.1 Population mère
2.1.2 Tirage d'échantillons
2.1.3 Concept de base des distributions d'échantionnage
2.1.4 Distribution d'échantillonnage des moyennes
2.1.5 Distribution d'échantillonnage des fréquences
2.1.6 Distribution d'échantillonnage des variance
2.1.7 Intervalle de fluctuation ou de pari
2.2 Modèle statistique
2.2.1 Modèle d'échantillonnage
2.2.2 Problèmes statistiques
2.3 Statistiques exhaustives, libres , complètes
2.3.1 Statistiques exhaustives
2.3.2 Statistiques libres
2.3.3 Statistiques complètes
2.3.4 Propriétés remarquables de statistiques exhaustives et complètes
Partie2:
1 Les modèles exponentiels
1.1 Espace naturel et dérivation
1.2 Famille exponentielle: cas d'un échantillon
2 Introduction à la théorie de l'information
2.1 Quantité d'information de Fisher
2.2 Propriétés de l'information de Fisher
2.3 Information de Kullback-Leibler
Partie3:
1 Estimation ponctuelle
1.1 Estimateur et estimation
1.1.1 Définition d'un estimateur
1.1.2 Choix de l'estimateur-estimation
1.2 Propriétés souhaitables des estimateurs
1.2.1 Estimateur sans biais ou sans distorsion
1.2.2 Erreur quadratique moyenne ou Risque quadratique
1.2.3 Estimateur convergent
1.2.4 Comparaison entre estimateurs sans biais
1.2.5 Estimateur efficace
1.2.6 Inégalité de Cramer-Rao et efficacité
1.2.7 Estimateur optimal
1.2.8 Optimisation d'estimateurs
Partie4:
1 Méthodes d'estimation
1.1 Estimation par la méthode des moments
1.1.1 Propriétés de l'estimateur
1.1.2 Cas particuliers
1.2 Estimation par la méthode du maximum de vraisemblable
1.2.1 Les limites de la méthode des moments
1.2.2 Définition
1.2.3 Fonction de vraisemblance
1.2.4 Estimateur du maximum de vraisemblance
1.2.5 Propriétés des estimateurs du maximum de vraisemblance
1.2.6 Application
Partie5:
1.3 Estimation par la méthode des moindres carrés
1.3.1 Modèle linéaire
1.3.2 Estimateur de paramètres du modèle
1.4 Estimation par la méthode Bayesienne
1.4.1 Méthode Bayésienne
1.4.2 Méthode Bayésienne
1.4.3 Estimateurs de Bayes
Partie6:
1 Estimation ensembliste ou par intervalle de confiance
1.1 Intervalle de confiance
1.2 Intervalle à risques symétriques et unilatéraux
1.2.1 Intervalle à risques symétriques
1.2.2 Intervalle à risques unilatéraux
1.3 Intervalle de confiance d'une moyenne
1.3.1 Intervalle de confiance d'une moyenne avec écart-type connu
1.3.2 Intervalle de confiance d'une moyenne avec écart-type inconnu
1.3.3 Approximation par la loi normale
1.4 Intervalles de confiance d'une proportion
1.4.1 Loi de probabilité exacte de l'estimateur de p
1.4.2 Approximation de la loi de l'estimateur par la loi normale
1.4.3 Intervalle de confiance de p
1.4.4 Application
1.5 Intervalles de confiance d'une variance
1.5.1 Les estimateurs classiques de la variance
1.5.2 Intervalle de confiance pour la variance lorsque la moyenne est
connue
1.5.3 Intervalle de confiance pour la variance lorsque la moyenne est
inconnue
1.5.4 Application
1.6 Intervalle de confiance dans le cas du modèle linéaire
1.7 Intervalle de confiance dans la cas du modèle bayésien
Partie7
1 Région de confiance
1.0.1 Fonction pivotale multidimensionnelle
1.0.2 Régions de confiance: méthode des fonctions pivotales
1.0.3 Régions de confiance asymptotiques
1.1 Comparaison de populations normales
1.1.1 Comparaison des moyennes de deux échantillons
1.1.2 Région de confiance dans le cas du modèle linéaire
1.1.3 Région de confiance dans le cas Bayésien
1.1.4 Comparaison des variances de deux échantillons
