Académique Documents
Professionnel Documents
Culture Documents
Skander HACHICHA
skander.hachicha@enit.utm.tn
Définition
Soit (X1 , · · · , Xn ) un échantillon de la loi normale N (0, 1).
On appelle loi du "Khi-deux" à n degrés de libertés, la loi de la
variable aléatoire réelle
Un = X12 + · · · + Xn2 .
Définition
Soit (X1 , · · · , Xn ) un échantillon de la loi normale N (0, 1).
On appelle loi de Student à n degrés de libertés, la loi de
√
nY
τn = q
X12 + · · · + Xn2
Définition
On appelle loi de Fisher à n et m degrés de libertés, notée F (n, m),
la loi de la variable aléatoire réelle
Un /n mUn
F = =
Vm /m nVm
Remarque
1 La loi de χ2 (n) est la loi Gamma de paramètres ( n2 , 12 ), on a
ainsi
E(Un ) = n et V(Un ) = 2n
Il y a des tables de la loi χ2 (n) pour
√ n ≤ 30.√Dans les
applications on peut admettre que 2Un − 2n − 1 suit
approximativement la loi N (0, 1).
2 Soit la variable aléatoire tn de loi de student à n degrés de
libertés, on a alors
n
E(tn ) = 0, ∀n ≥ 2 et V(tn ) = , ∀n ≥ 3.
n−2
Remarque
La densité de la loi de Student tend vers la densité de la loi normale
N (0, 1) lorsque n tend vers +∞. Il y a des tables de la loi de Student
pour n ≤ 30 ; pour n > 30, dans les applications, on peut admettre
que tn suit approximativement la loi N (0, 1).
Alors, on a
1 Pn
1 La variable X n = n k=1 Xk suit la loi normale N (m, √σn ) ou
√
n
encore σ (X n − m) suit la loi normale N (0, 1).
1 Pn
2 La variable n−1 S 2 = n−1
σ2 n σ2 n−1 k=1 (Xk − X n )
2 suit la loi du
χ2 (n − 1).
3 Les variables aléatoires X n et Sn2 sont indépendantes.
√
X√n −m
4 La variable aléatoire Tn = n 2
suit la loi de Student à
Sn
(n − 1) degrés de liberté.
Estimation paramètrique III 7 / 36
Skander HACHICHA 7 / 36
Echantillons gaussiens
Démonstration
1) Le vecteur X = (X1 , · · · , Xn ) est gaussien puisque ses
composantes sont de loi normales et indépendantes, donc X n qui est
une combinaison linéaire des composantes de X est une variable
2
aléatoire de loi normale de paramètres E(X n ) = m et V(X n ) = σn .
2)On pose Xk = σYk + m où Yk est de loi normale N (0, 1) et donc
Z = √1n nk=1 Yk est aussi de loi normale. Ainsi, on a :
P
σ
Xn = √ Z + m
n
n
n−1 2 X
S n = Yk2 − Z 2 .
σ2 k=1
Démonstration
Soit maintenant A la matrice orthogonale n × n dont les éléments de
la première ligne sont tous égaux à √1n et soit U = AY où Y est le
vecteur gaussien de composantes Yk .
Le vecteur U est gaussien et sa première composant U1 vaut Z.
Puisque A est orthogonale, on a ||Y ||2 = ||U ||2 et donc
Pn 2 Pn 2
k=1 Yk = k=1 Uk . Ainsi,
n
n−1 2 2 2
Uk2 .
X
S n = ||Y || − Z =
σ2 k=2
Démonstration
3) On a
√ Xn − m 1
Tn = n−1 .
√σ
q
n−1 2
n σ 2 Sn
Définition
Soit α ∈ [0, 1] donné. On appelle intervalle de confiance de niveau de
confiance (1 − α) pour le paramètre θ un intervalle Iα (dépendant de
l’observation) qui a la probabilité 1 − α de contenir la vraie valeur
du paramètre θ
Pθ (θ ∈ Iα ) = 1 − α
Remarque
La probabilité (1 − α) est appelée niveau de confiance ou seuil de
confiance (le plus souvent fixé à 0.9, 0.95,0.99 ou 0.999).
Pθ (aα ≤ φ(Tn , θ) ≤ bα ) = 1 − α
Pθ (a(Tn ) ≤ θ ≤ b(Tn )) = 1 − α
ou encore
Remarque
En raison de la signification concrète du paramètre θ, on peut être
amené à construire un intervalle unilatéral de la forme
Exemple
Etant donné un n−échantillon (X1 , · · · , Xn ), on peut construire des
intervalles de confiances à niveau 1 − α donné de la moyenne et de la
variance à l’aide de la moyenne empirique X n et de la variance
empirique Sn2 . La loi de l’échantillon est la loi de Bernoulli B(θ) avec
θ ∈]0, 1[. On se propose de déterminer un intervalle de confiance de
niveau 1 − α pour le paramétre θ qui est l’Espérance de la loi B(θ).
Exemple
1 En appliquant l’inégalité de Bienaymé-Chebytchev :
θ(1 − θ) 1
Pθ |X n − θ| > a ≤ 2
≤ =α
na 4na2
d’où
1
Pθ |X n − θ| ≤ √ ≥1−α
4nα
1 1
ainsi l’intervalle [X n − √4nα , X n + √4nα ] est donc un
intervalle de confiance au moin 1 − α pour θ.
2 En appliquant le théorème central limite, (ce qui fournit un
intervalle meilleur (à un niveau donné):
√
pour n suffisamment
n(X n −θ)
grand (nθ ≥ 5 et n(1 − θ) ≥ 5 ), √ suit
θ(1−θ)
approximativement la loi normale N (0, 1)
Estimation paramètrique III 19 / 36
Skander HACHICHA 19 / 36
Construction pratique
Exemple
d’où √ !
n(X n − θ)
Pθ | p | ≤ bα = 1−α
θ(1 − θ)
or
√ !
n(X n − θ)
Pθ | p | ≤ bα ≃ φN (0,1) (bα ) − φN (0,1) (−bα )
θ(1 − θ)
Exemple
Pour obtenir l’intervalle de confiance, on résoud en θ l’inégalité
suivante
θ(1 − θ)
(X n − θ)2 ≤ b2α
n
! !
b2 b2 2
ou encore 1+ α θ 2 − 2X n + α θ + Xn ≤ 0
n n
Exemple
or le discriminant
!2 !
b2 2 b2
∆= 2X n + α − 4X n 1+ α =
n n
!
b2α b2α
+ 4X n (1 − X n ) >0
n n
l’équation admet donc deux solutions distinctes et l’intervalle de
confiance
" de niveau 1 − α pour θ est défini par ces deux solutions
#
b2 b2
p 2
p 2
nX n + α −b b2α /4+nX n −nX n nX n + α +b b2α /4+nX n −nX n
α α
2
n+b2α
, 2
n+b2α
Exemple
p 2
2bα b2α /4+nX n −nX n
La longueur de cet intervalle est L = n+b2α .
2 2
On peut vérifier que L ≤ n+b bα 2
2 , car bα /4 + nX n − nX n ≤ bα4+n
et
α
ainsi calculer la valeur minimale de n permettant d’obtenir des
intervalles de longueur inférieure à une constante donnée.
Pour simplifier les calculs on procède à une nouvelle approximation
Exemple
1 On remplace θ(1 − θ) par sa valeur maximale 14 , ainsi on a
bα
Pθ |X n − θ| ≤ √ ≥1−α
2 n
σ σ
X n − bα √ , X n + bα √
n n
La fonction pivotale
nσn2
σ2
suit la loi de χ2 (n) qui n’est pas symétrique, ce qui permet de
déterminer un intervalle
!
nσ 2
Pθ aα ≤ 2n ≤ bα =1−α
σ
Estimation paramètrique III 30 / 36
Skander HACHICHA 30 / 36
Intervalle de confiance pour les paramètres de loi
normale
ou encore
! !
(n − 1)Sn2 (n − 1)Sn2
Pθ ≤ aα + Pθ ≥ bα =α
σ2 σ2