Académique Documents
Professionnel Documents
Culture Documents
Estimation ponctuelle et
estimation par Intervalle
Introduction
Dans ce chapitre on apprendra à estimer les
valeurs inconnues des paramètres µ, σ² et p d’une
population à partir de celle connues de
l’échantillon, on procèdera pour se faire à la
démonstration de deux méthodes différentes:
+ L’estimation ponctuelle
+ L’estimation par intervalle
1
Estimation des paramètres µ, σ² et p
On cherche à estimer les valeurs inconnues des
paramètres µ, σ² et p d’une population donnée à partir de
celles connues des statistiques x, s² et f d’un échantillon
choisi d’une manière aléatoire.
On procède de deux manières:
Evaluer le paramètre inconnu à l’aide d’un nombre
unique: Estimation ponctuelle.
Déterminer un intervalle de valeurs à l’intérieur duquel
devrait se situer le paramètre cherché en précisant le
degré de certitude de cette estimation: Estimation par
intervalle de confiance.
Estimation ponctuelle
Pour calculer une estimation ponctuelle qui soit la plus
vraisemblable pour évaluer un paramètre, on a besoin d’un
bon estimateur.
Définition 1.
Soit θ un paramètre de la population à estimer et Ɵ une
variable aléatoire, si Ɵ consiste en un ensemble de valeurs
possibles pour estimer θ, on dit que Ɵ est un estimateur de θ.
Définition 2.
Soit Ɵ un estimateur de θ. Si E(Ɵ)= θ alors Ɵ est un
estimateur non biaisé de θ.
Définition 3.
Si Ɵ est un estimateur de θ. n la taille de l’échantillon.
Si Var(Ɵ)→0 quand n→∞ alors Ɵ est un estimateur
convergent vers E(Ɵ).
2
Estimation ponctuelle
Définition 4.
Si Ɵ est un estimateur de θ. Si Ɵ est à la fois sans biais
pour θ et convergent vers θ, il est alors considéré comme
un bon estimateur de θ.
Remarque:
Un bon estimateur sera d’autant meilleur que n la taille de
l’échantillon sera grand.
Estimation ponctuelle de µ, σ² et p
Pour estimer un paramètre de la population de façon
ponctuelle à l’aide d’un échantillon unique, on utilise la
valeur particulière qu’un bon estimateur de ce paramètre a
prise à l’intérieur de l’échantillon.
X est un bon estimateur de µ, la moyenne arithmétique de
l’échantillon x sera considéré comme l’estimation
ponctuelle de µ.
Un bon estimateur de la variance est la variance corrigée
n
d’échantillon définie par S n21 S2 .
n 1
n 2 n n n 1 2
2
E ( S n1 ) E S E S 2 2.
n 1 n 1 n 1 n
2
Donc S est un estimateur non biaisé pour σ². On montre
n 1
2
aussi qu’il est convergent et par suite s n 1 la variance
corrigée de l’échantillon sera considérée comme estimation
ponctuelle de σ².
3
Estimation ponctuelle de µ, σ² et p
P p
P z / 2 n z / 2 1 avec z / 2 la valeur
p(1 p)
dans la table correspondant à α/2 sous la queue supérieure de la
courbe de densité, donc
p(1 p ) p (1 p )
P P z / 2 , P z / 2 1
n n
α/2 1- α/2
Avec 1-α le niveau de confiance.
z / 2 z / 2
4
Estimation par intervalle de confiance:
Estimation de la proportion p
Une estimation par intervalle est donnée par une estimation
ponctuelle de P qu’on notera f et en remplaçant p qui est
inconnue par son estimation ponctuelle f.
Par suite l’intervalle de confiance correspondant est:
f (1 f ) f (1 f )
f z / 2 ; f z / 2
n n
Si n>30 et si on veut connaître la taille de l’échantillon n qui,
pour un niveau de confiance donné permettra d’obtenir une
estimation pour la proportion p ayant un niveau de précision
désirée ou à une erreur Δ prés alors,
2
p (1 p ) z p(1 p )
z / 2 par suite n /2
n
5
Estimation par intervalle de confiance:
Estimation de la moyenne µ
Si la variance de la population est connue:
Si X est normale ou n≥30
X X
N ( 0 ,1) et P [ z / 2 z / 2 ] 1
n n
Donc
P X z / 2 X z / 2 1
n n
Et par suite, l’estimation par intervalle au niveau de
Confiance 1-α de la moyenne dans ce cas est:
x z /2 , x z /2
n n
x tn1
/2 s / n ; x tn/12 s / n
6
Si la variance est inconnu et la taille de
l’échantillon est grande on peut approcher la loi de
student par la loi normale.
σ²connu et
X
X normale N (0,1)
Ou n≥30
x z/ 2 / n; x z / 2 / n
n
σ²inconnu et X
X normale S n 1
T n 1 x tn/ 12s / n; x tn/ 12s / n
n
σ²inconnu et
n≥30 (pour plus de
précision on exige
X ~
S n 1
N (0,1) x z / 2sn1 / n; x z / 2sn1 / n
des fois n≥100)
n
7
Applications
Afin de savoir combien de messages publicitaires un jeune
adulte reçoit quotidiennement, on observe une journée
complète d’un échantillon de 100 adultes et on note qu’en
moyenne il reçoit 275 messages publicitaires et cela avec
une variance corrigée de 5625. A l’aide de ces résultats,
1. Estimer de façon ponctuelle le nombre moyen de messages
qu’un jeune adulte reçoit quotidiennement.
2. Estimer cette moyenne à l’aide d’un intervalle de confiance
de 95% de certitude.
On sait que la durée moyenne d’un certain type de piles en
heures est distribuée normalement avec un écart type de 2
heures. On prélève un échantillon de 20 piles pour
lesquelles on note la durée de service. La durée moyenne
dans cet échantillon est de 10 heures. Calculer un intervalle
de confiance à 97% de certitude pour estimer µ.
0 λ
2
(n 1) S n 1
P[ x2 ] / 2 et
2
(n 1) S n21
P[ x1 ] 1 / 2
2
8
Donc
(n 1) S n21
P[ x1 x2 ] 1
2
L'intervalle de confiance au seuil 1-α pour σ² est:
( n 1) s n21 ( n 1) s n21
[ ; ]
x2 x1
n 2
n
n
2 x xi 2
µ connu et X i i 1
i
; i 1
X normale i 1
2
n2 x2 x1
µ inconnu et
X normale (n 1) S n21 (n 1)sn21 (n 1)sn21
2
n21 ;
x2 x1
9
Application
Au contrôle de la qualité d’un institut de beauté, on analyse
le pH d’un certain parfum. On sait que ce facteur maintient
un aspect normal de moyenne 2,8. Afin de connaître sa
variance, on effectue un prélèvement de 25 unités de ce
parfum dontn
on mesure le pH. Pour certain échantillon, la
valeur de xi 2 (où µ=2,8) est de 0,0625. Bâtir un
intervalle de
1
confiance qui permettra d’estimer la variance
du pH de ce parfum avec un degré de certitude de 95%.
La consommation d’essence en (l/100km) d’un certain
modèle d’automobile est distribuée selon une loi normale.
On note la consommation de 25 voitures de ce modèle. On
obtient une moyenne d’échantillon de 8,7 l/100 km et un
écart type corrigé d’échantillon de 0,09 l/100 km. Estimer
la variance de la population par intervalle avec 90% de
certitude.
10