Vous êtes sur la page 1sur 125

Echantillonnages

et estimations

M.AIT OUDRA M. Mlle.TOUATE S.


1
PLAN DU COURS
Introduction gnrale;
Chapitre I: Rappel sur les diffrentes lois de
probabilit;
Chapitre II: Thorie dchantillonnage;
Chapitre III: Estimation ponctuelle;
Chapitre IV: Estimation par intervalle de
confiance;
Chapitre V: Thorie des tests
2
BIBLIOGRAPHIE INDICATIVE
Statistiques pour l'conomie et la gestion Anderson,
Sweeney et Williams;
Elments de statistique daide la dcision: cours et
exercices rsolus par M.ELHAFIDI et D.TOUIJAR;
Thorie des sondage: chantillonnage et estimation
en populations finies par Yves Till;
Mthodes statistiques , P. TASSI;
Thorie des sondages C. GOURIEROUX;
Mthodes statistiques de la gestion J.L. BOURSIN

3
Les mthodes statistiques sont utilises dans presque
tous les domaines:
dans le domaine industriel: la fiabilit des matriels,
le contrle de qualit (Etude des
caractristiques de pices dune chaine de
fabrication), lanalyse des rsultats de mesure et
leur planification, la prvision,
dans le domaine de lconomie et des sciences
sociales: les modles conomtriques (Prvoir
lvolution de la vente dun produit), les
sondages, les enqutes dopinion, les tudes
quantitatives de march,

4
Aprs le recueil de donnes, la dmarche
statistique consiste traiter et interprter les
informations recueillies.
Elle comporte deux grands aspects: laspect
descriptif ou exploratoire et laspect
infrentiel ou dcisionnel.

5
Introduction gnrale
Nous avons vu jusqu prsent des mthodes destines
observer, dcrire et modliser un phnomne:

Statistique descriptive (S1): repose sur lobservation


des phnomnes concrets (passs). Son but est de
rsumer, structurer et reprsenter linformation;

Probabilit (S2): thorie mathmatique permettant de


modliser des phnomnes o le hasard intervient et
dcrire des expriences alatoires.

6
Introduction gnrale

Statistique infrentielle (S3): statistique inductive


(dmarche inductive). son but est dtendre
(infrer=tirer les consquences), la population
toute entire, les proprits constates sur un
chantillon.

Le but de linfrence statistique est de gnraliser


les rsultats obtenus auprs dun chantillon
reprsentatif pour dcrire la population globale.
7
Introduction gnrale

La statistique infrentielle a un aspect dcisionnel et le


calcul des probabilit y joue un rle fondamental.

Etude statistique= tude des caractristiques dun


ensemble dobjets ( population compose dindividus.

Recensement: les valeurs sont disponibles sur


lensemble de la population.

8
Introduction gnrale

Sondage: tude dune partie de la population (un


chantillon).

Le statisticien ntudie pas le caractre sur lensemble


de la population mais sur un chantillon extrait de la
population pour plusieurs raisons, entre autres:

9
Introduction gnrale

La taille de la population peut tre trs


importante et le cot de lenqute serait
trop important (cot et temps);

Laccs tous les individus de la population


est matriellement impossible (complxit,
population indfinie)

10
Introduction gnrale

Un bon chantillon ( de qualit) doit


constituer une image rduite de lensemble de
la population (reprsentatif) dont on va
tudier un caractre bien dfini. Dans le cas
contraire on dit que lchantillon est biais.

11
Introduction gnrale

Comment choisir un chantillon pour quil soit


reprsentatif? (techniques dchantillonnage)

Comment les paramtres de la population


peuvent- ils tre estims partir de
lchantillon? (estimation)

12
Introduction gnrale
Lchantillonnage dsigne l'opration destine
slectionner une fraction d'une population, afin
de conduire des analyses.
Mthodes de prlvement dun chantillon:
Mthode des quotas;
chantillonnage alatoire;
chantillonnage au hasard simple;
chantillonnage stratifi;
chantillonnage par grappe;

13
La problmatique de linfrence statistique
consiste, partir dun chantillon de donnes
(technique d chantillonnage, chapitre2)
provenant dune population de loi de
probabilit inconnue, dduire des proprits
sur cette population : quelle est sa loi
(problme destimation, chapitre 3 et4),
comment prendre une dcision en contrlant
au mieux le risque de se tromper (problme
de test chapitre 5).
14
Introduction gnrale
L'chantillonnage permet aux statisticiens de
tirer des conclusions au sujet d'un tout en y
examinant une partie. Il nous permet d'estimer
des caractristiques d'une population en
observant directement une partie de l'ensemble
de la population. Les chercheurs ne s'intressent
pas l'chantillon lui-mme, mais ce qu'il est
possible d'apprendre partir de l'enqute et la
faon dont on peut appliquer cette information
l'ensemble de la population.

15
CHI:LOIS USUELLES CONTINUES
Loi normale trs utilise en statistique
infrentielle;

Importante = une loi approche par de nombreux


phnomnes naturels;

Dpend de deux paramtres;

Elle est symtrique.

16
ChI: LOIS USUELLES CONTINUES

I. LOI NORMALE
A. Loi normale gnrale
a. Dfinition
On dit quune v.a.r X suit une loi Normale de paramtres
et si :

17
ChI: LOIS USUELLES CONTINUES

b. Esprance et Variance :

c. Caractristiques :
La courbe de la loi Normale possde la forme en
CLOCHE
La distribution normale est symtrique par rapport
la droite verticale : X=
18
ChI: LOIS USUELLES CONTINUES

Points dinflexion sont situs une distance


de cet axe de symtrie

f atteint son maximum lorsque x=

19
ChI: LOIS USUELLES CONTINUES

Remarque : La loi Normale gnrale nest pas


Tabule
B. La loi Normale Centre et Rduite :
a. Variable Centr et Rduite :
Soit X une v.a :
Sappelle Variable Centre.
Sappelle Variable Centre et Rduite.
20
ChI: LOIS USUELLES CONTINUES
Si une V.A suit une loi normale gnrale, il est
difficile de calculer sa fonction de rpartition F(x).

Pour tous les calculs, on se ramne la fonction


de rpartition de la loi normale centre rduite
(une loi TABULEE).

Centrer et rduire une variable, cest raisonner en


nombre dcart type par rapport la moyenne.

21
ChI: LOIS USUELLES CONTINUES
V.A centre rduite a pour esprance 0 et cart
type 1
E(U)= 0

V(U)= 1

La densit de probabilit de la loi normale


centre rduite :
22
ChI: LOIS USUELLES CONTINUES
b. Thormes
si

Quelle est la loi de Y=a X+b?


ALORS

23
Chapitre I (suite)

Sachant que X1 et X2 sont indpendant,


quelle est la loi de X= aX1+bX2 ?
Conclusion

24
Chapitre I (suite)
Exercice

Soit . Donner la loi de probabilit de


Soit .Donner la loi de
probabilit de

X1 et X2 sont indpendantes

25
Chapitre I (suite)
C.Thorme Central Limit (T.C.L)

Le TCL sera trs prcieux puisquil nous


expliquent que si on fait la somme dun trs
grand nombre de variables alatoire de la loi
quelquonque, cette somme suit
approximativement une loi normale.

26
Chapitre I (suite)

Soit avec (n) variables alatoires


identiquement distribues et indpendantes.
Alors :

suit une loi Normale de paramtres

27
Chapitre I (suite)

D. Calcul des probabilits


a. fonction de rpartition de
Soit et
Alors la fonction de rpartition est note
Avec
Cette fonction est Tabule

28
Chapitre I (suite)

29
Chapitre I (suite)
La lecture de la table
Elle donne la valeur de connue
Elle donne la valeur de (u) pour connue

EXEMPLE

Pour les valeurs ngatives


Pour les valeurs infrieures 0,5, on utilise la
symtrie de la distribution
30
Chapitre I (suite)

Pour certaines valeurs qui ne figurent pas sur


la table, on utilise lintrpolation linaire

31
Chapitre I (suite)
Exercices dapplications
Exercice1
Soit
Calculer
La V.A X suit une loi normale desprance 550 et
dEcart type 100.
Quelle est la probabilit pour que X soit moins de
650, plus de 746, moins de 500, entre 550 et 600

32
Chapitre I (suite)

Exercice II
Le temps (en minutes) de fabrication dun
bien par un ouvrier est reprsent par une
variable normale (X). On considre deux
ouvriers A et B travaillent indpendamment
lune de lautre.
Pour A
Pour B
33
Chapitre I (suite)
Si A et B commencent travailler au mme
instant, quelle est la probabilit que A termine
avant B, la premire unit produite ?

Exercice III
Calculer
Dterminer la valeur de U

34
A la fin de cette partie, ltudiant doit tre
capable de:
Expliquer les caractristiques dune loi NORMALE;
Dfinir et expliquer la valeur centre rduite
correspondant a nimporte quelle observation
dune variable normale (toute variable normale
peut se convertir en une variable normale
centre rduite);
Dterminer, a laide de la distribution normale
centre rduite, la probabilit dune variable
normale se trouvant dans un intervalle donne.
35
Chapitre I (suite)
II. Loi de khi-deux (Loi de Karl Pearon)
a. Thorme
Soit U1,U2 ,,Uv une suite de (v) variables Normales
Centres et rduites indpendantes.

X suit une loi de chi deux x2 (v) dgre de libert.

36
Chapitre I (suite)

(v reprsente le paramtre)
X=x2(v)
b.Caractristiques de la distribution de x2(v)

La distribution x2(v)est dissymtrique pour les


petites valeurs de (v)
La distribution x2(v) commence devenir symtrique
partir v=30
37
Chapitre I (suite)
c. Lesprance et la variance
X=x2(v)
E(X)= v
V(X)= 2v

Exemple
X=x2(10) E(x2(10))= 10 V(x2(10))= 2 10
X=x2(5) E(x2(5))= 5 V(x2(5))= 2 5

38
Chapitre I (suite)
d. Comportement asymtrique (Approximation)
Approximation de Fisher:

Si v30 alors:

Approximation gnrale:

Si v101 alors:

39
Chapitre I (suite)
e. Lecture de table de x2(v)
La table x2(v) donne les valeurs de la V.A x2(v)
ayant la probabilit dtre dpasse.
Elle donne:

La probabilit si x2(v) et (v)sont connus


La valeur de x2(v) si et (v) sont connus.

40
Chapitre I (suite)
Exercices dapplication
Exercice I
Dterminera la valeur de (k) dans chacun des
cas suivants :
P(x2(17)>k)=0,25
P(x2(24)>k)=0,01
P(x2(29)<k)=0,90

41
Chapitre I (suite)
Exercice 2 :
1- Calculer le quantile dordre 10% pour la V.A x2(10) .
2- Dterminer la mdiane de x2(15)
Exercice 3 :
Dterminer les valeurs k1 et k2 dans chacune d des
eux cas suivants :
P(k1 < x2(9) < k2)=0,9
P(k1 < x2(50) < k2)=0,98
42
Chapitre I (suite)

Rappel : le quantile dordre () de la variable X


est not (q ) avec : P(X< q ) =

Rappe2: La mdiane est la modalit qui partage


la srie statistique en deux parties gales.
Autrement dit :
La mdiane est le quantile dordre =0,50
43
Chapitre I (suite)
Exercice 4
En utilisant lapproximation de Fisher. Calculer la
valeur de k1 telle que :
P(x2(60) < k1)=0,8413
Exercice 5 :
Soit X= x2(200) Calculer la valeur de k telle que :
P(X>k)=0,0708

44
Chapitre I (suite)
III. Loi de Student (William Sealy Gosset)
a. Dfinition
Soit U=N(0,1) et X= x2(v)
Avec U et X sont indpendantes

Alors:

Suit une loi student (v) degr de libert.


Notation : T = stud (v)

45
Chapitre I (suite)
b. Esprance mathmatique et variance
Soit T = stud (v)
E(T)= 0 (existe si v>1)
V(T)= (existe si v>2)
c. Comportement asymtrique
Soit T = stud (v)
Si (v) tend vers linfini alors T tend vers N(0,1)

46
Chapitre I (suite)

Remarque
La loi de Student est gnralement utilise pour
les petits chantillons lorsque la variance de
la population est inconnue.

47
Chapitre I (suite)
IV. Loi de Fisher-Sndcor
a. Dfinition
X1= x2(v1) et X2= x2(v2)
X1 et X2 deux variables indpendantes
Alors la variable:

Suit une loi de Fisher de paramtres v1et v2 note

48
Chapitre I (suite)
Remarque
La distribution de Fisher, comme celle de x2,
nest pas symtrique.
b. Rgle empirique de Fisher

Avec est telle que:

49
Chapitre I (suite)

La table donne les valeurs de F pour avec la


rgle empirique :

50
CHII:ECHANTILLONNAGE
I- Dfinitions
a-Population
Population statistique: ensemble des units statistiques
(personnes ou objets) auxquelles on s'intresse et sur
lesquelles porte une tude. Et on appelle individu chaque
lment (entit) de cette population pour lequel des
donnes sont collectes.
Variable Alatoire Parente (V.A.P): caractre tudi dans
la population statistique (poids, CA, salaire, taille,
bnfice,), not X , Y, Z,La loi de la V.A.P sappelle loi
de la population

51
CHII ( suite)
Paramtres de la population: Ce sont les
caractristiques numriques de la population
statistique
Moyenne de la population () = E(X);
Variance de la population (2 ) = V(X);
Proportion de la population = P

b-Echantillon
Dfinition: une partie (sous ensemble) reprsentative
de la population statistique observe. La population
do on tire lchantillon sappelle population mre
ou population chantillonne
52
La constitution dun chantillon permet de collecter
des donnes pour rpondre une question
concernant une population.
Exemple 1:
Les membres dun parti politique marocain sont
supposs soutenir un candidat particulier aux
lections du parlement, et les responsables du parti
voudraient estimer la proportion dlecteurs
favorables leur candidat. Un chantillon de 400
lecteurs a t slectionn et 160 de ces lecteurs
ont indiqu tre favorables au candidat. Une
estimation de la proportion dlecteurs favorables au
candidat est donc 160 sur 400 soit 0,40.
53
Exemple 2:
Un fabriquant de pneu a conu un nouveau type de
pneu permettant daccroitre le kilomtrage effectu.
Pour estimer le nombre moyen de kilomtres
effectus avec les nouveaux pneus, le fabricant a
slectionn un chantillon de 120 nouveaux pneus,
dans le but de les tester. Daprs les rsultats du
test, la moyenne de lchantillon est gale a 36 500
kilomtres. Par consquent, une estimation du
kilomtrage moyen pour la population des
nouveaux pneus est de 36 500 kilomtres.
54
Il est important de comprendre que les rsultats dun
chantillon fournissent seulement des estimations
(lchantillon contient juste une partie de la
population. Une certaine erreur dchantillonnage
est attendu).

Avec des mthodes dchantillonnage adquates, les


rsultats de lchantillons fournissent de bonnes
estimations des paramtres de la population (une
moyenne dchantillon fournit une estimation de la
moyenne de la population, une proportion
dchantillon fournit une estimation de la proportion
de la population)
55
Slectionner un chantillon:
comment slectionner un chantillon partir
dune population finie ?
comment slectionner un chantillon partir
dune population infinie ?
chantillonnage partir dune population finie: les
statisticiens recommandent dutiliser des mthodes
dchantillonnage probabilistes .
Le type le plus simple dchantillons probabiliste est
celui dans lequel chaque chantillon de taille n a la
mme probabilit detre slectionn . On parle
dchantillon alatoire simple

56
CHII ( suite)
Echantillon alatoire simple(E.A.S)
(population finie): La construction dun
chantillon alatoire simple de taille n est
ralise par un tirage au hasard avec remise
de n individus dans lensemble de la
population. Ainsi, tous les individus seront
tirs de manire indpendante et auront une
chance gale de faire partie de lchantillon (la
mme probabilit detre slectionn).
57
CHII (suite)
Autrement dit, On dit quun chantillon (X1, X2,
X3,, Xn) est alatoire simple si et seulement si :
Quelque soit i= 1, 2, 3,,n; la loi de Xi est la
mme que celle de la V.A.P (X), do:
E (Xi)= E(X)=
V(Xi )= V(X)= 2

Et les Xi sont indpendants

58
chantillonnage partir dune population infinie:
parfois, nous souhaitons slectionner un chantillon
partir dune population qui est infiniment grande ou dont
les lments sont gnres par un processus pour lequel il
ny a pas de limite quant au nombre dlments qui
peuvent tre gnres.

Ainsi, il nest pas possible de dvelopper une liste de


tous les lments de cette population. Cest ce quon
appelle le cas dune population infinie. Dans ce cas,
les statisticiens recommandent de slectionner un
chantillon alatoire.
59
chantillon alatoire (population infinie): un EA de taille n
issue dune population infinie est un chantillon slectionn
qui satisfait les conditions suivantes:
1. Chaque lment slectionn est issu de la mme
population;
2. Chaque lment est slectionn indpendamment des
autres.
Exemples des situations impliquant un chantillonnage
partir dune population infinie (gnralement associs un
processus durable): pices fabriques sur une chaine de
production, transactions bancaires, clients entrants dans
un magasin, appels tlphoniques reus dans un centre de
soutien technique,

60
CHII ( suite)
C- probabilit dun chantillon (fonction de
vraisemblance)
Soit (X1, X2, X3,, Xn ) un chantillon alatoire
simple dont la ralisation est (x1, x2, x3 ,, xn),
la probabilit de cette chantillon est note:
L(x,), avec (cas continu):

61
CHII (suite)
Ou (cas discret)

est le (s) paramtre(s) de la loi de la V.A (X).

62
CH II (suite)
Exemple
soit X=P( ), calculons L(x, )
Exercice1
Soit X=B(n,p)
Calculer L(x;p)
Exercice2
Soit X= B(p)
Calculer L(x;p)

63
CHII (suite)
Exercice 3
X=N(; 2)
Calculer L(x;; 2)

64
CHII (suite)
II- variables et distribution dchantillonnage
Distribution de probabilit appel distribution d
chantillonnage
Supposons une population statistique de taille N. de
combien de manires diffrentes peut on tirer un
chantillon de taille n parmi les N individus?

La rponse dpend des conditions de tirage.


Supposons un T.S.R simultan. Le nombre
dchantillons possible est CNn = k.

65
CHII (suite)
a-dfinition
On appelle variable dchantillonnage toute
fonction de lE.A.S (X1, X2, X3,, Xn)
Exemple:

66
CHII (suite)
b-la moyenne dchantillonnage
Une distribution d chantillonnage de la moyenne d chantillonnage correspond
la distribution de toutes les valeurs possibles de la moyenne d chantillon
Exemple: on effectue une tude dmographique
sur la fcondit chez la femme citadine et on
considre la variable alatoire X qui dsigne le
nombre d enfants par famille.
On sintresse au nombre moyen denfants par
famille. Pour cela, on prlve 5 chantillons
alatoires et on observe la ralisation des 9 V.A X 1
, X 2,, X 9
Pour chacun des 5 chantillons on a:
67
CHII (suite)
Echantillon 1 2 3 4 5
X1 2 1 4 4 0
X2 1 0 3 4 1
X3 1 0 3 0 0
X4 1 4 0 1 2
X5 3 3 1 0 2
X6 2 2 2 3 2
X7 5 5 5 2 4
X8 2 1 2 4 3
X9 4 0 2 1 5
X 2,3 1,8 2,4 2,1 2,1

68
CHII (suite)
On remarque que le nombre moyen denfants
par famille prend des valeurs diffrentes selon
lchantillon considr;
La moyenne est donc une variable alatoire

69
CHII (suite)
Proprit de la moyenne dchantillonnage
Le tableau prcdent nous a permis dobtenir 5
ralisations de la moyenne dchantillonnage
quon note:
On sattend ce que ces 5 valeurs soient
proches de la moyenne .

70
CHII (suite)
Proprit 1
Soit X1, X2, , Xn un chantillon alatoire simple
de taille n, relatif la V.A. parente X.
Lesprance de la V.A moyenne
dchantillonnage est gale la moyenne de la
population

=E(Xi)= E(X)=

71
CH II (suite)
Proprit 2
Soit X1, X2, , Xn un chantillon alatoire simple
de taille n, relatif la V.A. parente X. La
variance de la V.A moyenne dchantillonnage
est gale la variance de X divise par la taille
n de lchantillon:

72
CH II (suite)

Loi(Distribution) de la moyenne dchantillonnage


La loi de dpend de :
Loi de la population (Normale ou quelconque)
Variance de la population (Connue ou
inconnue)
Taille de l'chantillon (n petite ou grande)

73
CH II (suite)
Exemple
La Taille des tudiants dune universit, Note X
est une Variable Normale de moyenne 170 cm
et dcart type 7 cm .On tire au hasard un
chantillon de taille n=49. Calculer la
probabilit que la moyenne de lchantillon
soit :
a- infrieure 172 cm
b-comprise entre 168cm et 172cm ?

74
CH II (suite)
C- La variance dchantillonnage et la quasi-
variance
Dfinition: On rappelle que la variance
dchantillonnage(not )est une V.A. qui
associe une valeur numrique chaque tirage
dchantillon.

75
CH II (suite)
Si:

Alors:

76
CH II (suite)
Si est connue alors:

77
CH II (suite)
Proprit: Soit X1, X2, , Xn un chantillon
alatoire simple de taille n, relatif la V.A. parente
X de moyenne et de variance 2. Lesprance de
la V.A variance dchantillonnage est gale :

La variance de la V.A variance


dchantillonnage est gale :

78
CH II (suite)
Remarque: Lesprance de la variance
dchantillonnage nest pas une image parfaite
de la variance.

Pour remdier ce problme, on construit


une statistique (VA) qui approchera le mieux
2

79
CH II (suite)
Proprit : Soit X1, X2, , Xn un chantillon
alatoire simple de taille n, relatif la V.A. parente
X de moyenne et de variance 2. Lesprance de
la V.A quasi-variance dchantillonnage est gale
:

2
La variance de la V.A quasi-variance
dchantillonnage est gale :

80
CH II (suite)
Si:

Alors:

si est connue :

81
CH II (suite)
Remarque: la variance et la quasi-variance
tendent toutes les deux vers zro lorsque la
taille de lchantillon tend vers linfini

82
CH II (suite)
d- La proportion (frquence) alatoire F
Dfinition: Soit X1, X2, , Xn une suite de
variables alatoires de Bernoulli
indpendantes.

Sappelle proportion (ou frquence) alatoire.

83
CH II (suite)
Proprits de F:
p = proportion de succs dans la pop. stat)

(si le tirage est avec remise)

84
CH II (suite)
Si le tirage est sans remise

85
CH II (suite)
Loi de probabilit de F
Lorsque n < 30
Soit

Valeurs possible de F : DF
Pour

Donc

86
CH II (suite)
Soit

Si:

Alors:

87
CH II (suite)
Si:

Alors:

88
CH III: Estimation

Aprs avoir prlev lchantillon, et tudi les


distributions dchantillonnage, on peut alors
gnraliser, la population, les rsultats
exprimentaux obtenus partir de lchantillon

Lestimation consiste en lvaluation dun


paramtre de la population partir de
lobservation dun E.A. La thorie de lestimation
se divise en deux parties:
89
CH III: Estimation ponctuelle
Lestimation ponctuelle: permet dobtenir une
valeur unique calcule partir dun E.A.,
valeur qui sera prise comme estimation du
paramtre inconnu.

Lestimation par intervalle: permet de


dterminer un intervalle qui, avec une grande
probabilit fixe a priori, contient la vraie
valeur du paramtre inconnu

90
Estimation ponctuelle
Dfinition de lestimateur: Soit X1, X2, , Xn
un E.A.S relatif la V.A. parente X dont sa loi
dpend du paramtre . On appelle estimateur
du paramtre , toute statistique utilise dans
le but dapprocher la valeur inconnue de . Un
estimateur est donc une Variable Alatoire,
cest une fonction de lE.A.S.

Soit lestimateur de alors:

91
Estimation ponctuelle
Exemple:

avec

92
Estimation ponctuelle
Dfinition de lestimation: Cest la valeur prise
par lestimateur dans lchantillon ralis (x1;
x2; x3; x4;;xn).
Une estimation du paramtre est une
ralisation dun estimateur de ce paramtre.
Une estimation est donc une valeur
numrique.

93
Estimation ponctuelle
II- Proprits des estimateurs
1-Estimateurs sans biais
Dfinition: est un estimateur sans biais du
paramtre
Si:

Remarque: Si est biais, le biais (lerreur)


serait alors:
94
Estimation ponctuelle
Interprtation:
Si

Si

Si

95
Estimation ponctuelle
Exercice: montrer que:
est un estimateur sans biais de
F est un estimateur sans biais de p
est un estimateur biais de 2
Calculer le biais et proposer un estimateur sans
biais de 2 en fonction de

96
Estimation ponctuelle
Dfinition: On appelle estimateur
asymptotiquement sans biais, du paramtre
Si

Exemple
est un estimateur asymptotiquement sans
biais de 2
97
Estimation ponctuelle
2-Estimateurs Convergents
Dfinition: On appelle estimateur convergent
du paramtre si:
Dans la pratique, pour vrifier la convergence,
il suffit de vrifier la consistance.
Estimateur consistant: un estimateur
convergent du paramtre si:

98
Estimation ponctuelle
Si est un estimateur sans biais ou
asymptotiquement sans biais de , et si sa
variance tend vers zro lorsque n tend vers
linfini, alors est un estimateur consistant de
Thorme:
Tout estimateur Consistant est convergent
Exemple:
et est un
estimateur convergent car il est consistant
99
Estimation ponctuelle
3-Estimateurs Efficaces ( choix entre estimateurs):
Choix entre estimateurs quelconques: pour
choisir entre plusieurs estimateurs quelconque,
on utilise le critre de lerreur quadratique
moyenne (EQM).

On choisit lestimateur EQM minimale.

100
Estimation ponctuelle
Si
Choix entre estimateurs Sans-biais: Entre
deux estimateurs sans biais, on prfre utiliser
celui qui a la variance la plus petite ( la
variance minimale).
Efficacit:
Ingalit de CRAMER-RAO:

101
Estimation ponctuelle
Avec

102
Estimation ponctuelle
Estimateur efficace: est efficace si:

III. Mthodes destimation ponctuelle


a. La Mthode des moments : Elle consiste
estimer les moments de la population par les
moments analogues de lchantillon.
103
Estimation ponctuelle
Rappel

Cas particuliers :
Si

Si

104
Estimation ponctuelle
b. La Mthode de maximum de
vraisemblance
Pour calculer lestimation de maximum de
vraisemblance (EMV) de not , on doit
suivre 4 tapes :

105
Estimation ponctuelle

106
Estimation par intervalle de confiance
Un estimateur ponctuel est une statistique
d'chantillon utilise pour estimer un
paramtre dune population.
puisquon ne peut sattendre ce quune
estimation ponctuelle soit exactement gale
la valeur du paramtre de la population
correspondant, une estimation par intervalle
est souvent ralise en ajoutant une marge
derreur lestimation ponctuelle.

107
Estimation par intervalle de confiance

Elle permet destimer le paramtre par un intervalle


Elle tient compte de lerreur dchantillonnage.
Dfinition: On dit que est un intervalle de confiance
au niveau 1- pour le paramtre partir de
lchantillon ralis (x1, x2, x3,,xn) si on a :

Les bornes de lintervalle sont des statistiques relatives


l E.A.
108
Estimation par intervalle de confiance
1- est appel niveau de confiance de
lintervalle.
sappelle Risque avec:
Plus est petite et plus lintervalle de confiance
est grand. Gnralement, on considre des
intervalles risques symtriques:

I- Intervalle de Confiance pour une proportion:


IC(p)

109
Estimation par intervalle de confiance

Construction de l IC(p): Afin destimer une


proportion p de Succs par exemple; on
utilise la frquence F qui est un estimateur
sans biais, convergent et efficace du
paramtre p.
Exemple: pour un niveau de confiance 95%;
=5%

110
Estimation par intervalle de confiance

Proprit: Soit X1, X2, , Xn un chantillon


alatoire simple de taille n, relatif la V.A.
parente X suivant une loi de Bernoulli de
paramtre p inconnu. Un intervalle de
confiance au niveau 1- pour p peut se
prsenter comme suit :

111
Estimation par intervalle de confiance
Avec est toujours lue sur la table de la loi normale
centre rduite aprs vrification du T.C.L
Et

Exercice dapplication: Parmi un E.A. de 250 lecteurs,


108 dclarent vouloir voter pour le prsident sortant.
Tandis que les autres voteront pour lautre candidat.
Donner un IC(p) au niveau 90 et 95%
Combien faudrait-il interroger dlecteurs pour que
lerreur destimation ne dpasse pas 2% ?

112
Estimation par intervalle de confiance

p reprsente la proportion des votants en


faveur de A dans toute la population des
lecteurs.
Une estimation ponctuelle de p est donne,
grce la ralisation de lE.A.,par la
frquence.
Condition du T.C.L?

113
Estimation par intervalle de confiance

2- Prcision dune estimation par intervalle de


confiance: Pour un donn, on veut
dterminer la taille ncessaire de lchantillon
pour atteindre une certaine prcision de
lestimation.
Longueur (lamplitude) IC(p) not L(p)
L(p) = la borne suprieur la borne infrieur=
b-a

114
Estimation par intervalle de confiance
La marge derreur ou lerreur destimation
(prcision) not E: cest la demi longueur de
lintervalle de confiance.

Remarque: Plus lerreur destimation est petite et


plus la prcision est grande.
Dtermination de la taille de lchantillon (n): On
suppose pralablement que le T.C.L est vrifi. Si
(n) est inconnue donc f est aussi inconnue !

115
Estimation par intervalle de confiance

Ainsi;

1er Cas : on dispose dune information sur (p):


par exemple (p=p*)
Do :

116
Estimation par intervalle de confiance
Donc

2eme Cas : Aucune information sur (p)


Dans ce cas, on pose p=0,5. Cette valeur permet
davoir lintervalle de confiance de p le plus large.
117
2eme Cas : Aucune information sur (p)
Dans ce cas, on pose p=0,5. Cette valeur permet
davoir lintervalle de confiance de p le plus
large.

118
Estimation par intervalle de confiance

II- Intervalle de Confiance pour la moyenne:


IC()
Pour effectuer une estimation par intervalle de
la moyenne dune population, lcart type de
la population ou celui de lchantillon
permettent de calculer la marge derreur.

119
Estimation par intervalle de confiance

IC() dans le cas dune population Normalement


distribue: Dans ce cas la V.A. parente X suit
une loi normale de moyenne et de variance 2
Or, on sait que est un bon estimateur de la
moyenne.

Cet intervalle na de sens que si 2 est connue.

120
Estimation par intervalle de confiance

Si 2 est inconnue, alors un intervalle de


confiance au niveau 1- pour est :

avec:

121
Estimation par intervalle de confiance

Prcisions:

avec:

Ou

122
Estimation par intervalle de confiance

Lamplitude

La marge derreur

123
Estimation par intervalle de confiance

La taille de lchantillon

Ou

124
Estimation par intervalle de confiance

III- Intervalle de Confiance pour la variance:


IC(s2)

Avec:

125