Vous êtes sur la page 1sur 5

U.S.T.H.B.

M1 MF
Faculté de Mathématiques Statistique Inférentielle.

Chapitre 4 : Estimation par intervalles de conance

1 Introduction
Nous avons vu dans le chapitre précédent comment donner une estimation ponctuelle d'une
moyenne, d'une variance ou plus généralement du paramètre d'une loi de distribution. Les esti-
mations données dépendent de l'échantillon observé, ce qui veut dire que si on prend un autre
échantillon du même caractère étudié, l'estimation trouvée a de forte chance d'être diérente (en
valeur) de la précédente. La construction d'intervalles de conance ore une certaine souplesse
d'estimation d'un paramètre en exhibant non plus une seule estimation mais un intervalle d'esti-
mation. Pour plusieurs échantillons du caractère étudié, l'estimation obtenue à partir de chaque
échantillon doit appartenir à l'intervalle de conance.
Dénition 1. Soit X1 , ..., Xn un n-échantillon d'une v.a. X et soit (E, B, (Pθ )θ ∈ Θ) le modèle
statistique associé. Soit α ∈ ] 0, 1 [ . on appelle intervalle de conance de niveau 1 − α pour θ, un
intervalle de la forme [a(x1 , ..., xn ), b(x1 , ..., xn )] ⊂ Θ tel que

Pθ (θ ∈ [a(X1 , ..., Xn ), b(X1 , ..., Xn )]) = 1 − α, ∀θ ∈ Θ.

Remarque 1. 1. a(x1 , ..., xn ) ∈ Θ ⊂ R, b(x1 , ..., xn ) ∈ Θ ⊂ R sont des réels.


2. a(X1 , ..., Xn ), b(X1 , ..., Xn ) sonts des variables aléatoires.
3. En général on prend α = 1%, 5% ou 10%. Par défaut on prend 5%.
Notation :
• a(x1 , ..., xn ) = a, b(x1 , ..., xn ) = b,

• a(X1 , ..., Xn ) = A, b(X1 , ..., Xn ) = B .

• L'intervalle [a, b] sera noté IC1−α (θ).

Z. Guessoum ... ...


Page 1
2 Fonction pivotale
Dénition 2. Une variable aléatoire g(θ, T (X1 , ..., Xn )) est dite fonction pivotale si sa loi ne
dépend pas de θ.
Exemples :
Rappel :
1. Soit X E(θ), θ > 0 alors Y = 2θX E(1/2). En eet, FY (y) = P(Y ≤ y), alors

• si y < 0 ⇒ FY (y) = 0 car Y est un v.a. positive.


• Pour y > 0 FY (y) = P(Y ≤ y) = P(X ≤ 2θ
y y
= FX ( 2θ ) = 1 − exp− y2 ⇒ Y E(1/2)
=⇒ g(θ, X) = 2θX est une pivotale pour θ.

2. Soit X N (m, σ 2 ), θ = m ou σ 2 , alors g(θ, X) = X−m


σ
N (0, 1) est une pivotale pour θ.

3. Soit X1 , ..., Xn un n-échantillon de X N (m, σ 2 ),


n
• Supposons m connu, et posons S 2 = 1
(Xi − m)2 ,
P
n
i=1
n
alors g(σ , S ) = nS 2 Xi −m 2
χ2n est une pivotale pour σ 2 .
2 2
P 
σ2
= σ
i=1
n
• Supposons m inconnu et posons Sn2 = 1
P 2
n
Xi − X n
i=1
alors g(σ est une pivotale pour σ 2 .
nSn2
2
, Sn2 , X n ) = σ2
χ2n−1
• Supposons σ 2 connu, alors g(m, X n ) = −m
X n√
σ/ n
N (0, 1) est une pivotale pour m.

• Supposons σ 2 inconnu, alors g(m, X n , Sn2 ) = X n√−m


Sn / n−1
Stn−1 est une pivotale pour m.

3 Détermination des intervalles de conance


Pour construire un intervalle de conance IC1−α (θ = [a, b] de niveau α pour le paramètre θ, il
faut trouver A et B tels que P(A ≤ θ ≤ B) = 1 − α. Pour cela, on utilise les fonctions pivotales et
on cherchera a0 et b0 tels que
P(a0 ≤ g(θ, T (X)) ≤ b0 ) = 1 − α

ainsi on aura a et b en fonction de a0 , b0 et T (x).

3.1 Intervalles de conance usuels


1. Loi normale N (µ, σ 2 )

(a) Intervalle de conance pour µ avec σ 2 connu

Z. Guessoum ... ...


Page 2
Soit X1 , ..., Xn un n-échantillon de X N (µ, σ 2 ). Le paramètre pour lequel on re-
cherche un intervalle de conance de niveau α est θ = µ. Pour cela nous allons considérer
la fonction pivotale
√ Xn − µ
g(µ, X n ) = n =Z N (0, 1)
σ
Soit α ∈ ] 0, 1 [ , on cherche A et B tels que P(A ≤ µ ≤ B) = 1 − α ce qui revient
à chercher a0 et b0 tels que P(a0 ≤ g(µ, X n ) ≤ b0 ) = 1 − α. Soit Φ(u) la fonction de
répartition de la loi normale centrée réduite N (0, 1), alors
P(a0 ≤ g(µ, X n ) ≤ b0 ) = Φ(b0 ) − Φ(a0 ) = 1 − α

Posons α = α1 + α2 , alors il y une innité d'intervalles qui correspondent aux diérents


choix de α1 et α2 . En eet en écrivant
Φ(b0 ) − Φ(a0 ) = 1 − α = 1 − (α1 + α2 ) (1)
on peut trouver plusieurs valeurs de b0 et a0 vériant (1). En partidulier on a les 3 cas
suivants
1er cas : intervalle de conance unilatéral à droite
α1 = 0(⇒ α2 = α) donc a0 = −∞ d'où

P(a0 ≤ Z ≤ b0 ) = P(−∞ < Z ≤ b0 ) = Φ(b0 ) = 1 − α ⇒ b0 = q1−α

où q1−α est le quantile d'ordre 1 − α de la loi normale centrée réduite (tabulée). On peut
alors écrire que
√ Xn − µ
P(−∞ < Z ≤ q1−α ) = P(−∞ < n ≤ q1−α ) (2)
σ
σ
= P(−∞ < X n − µ ≤ √ q1−α ) (3)
n
σ
= P(− √ q1−α ≤ µ − X n < +∞) (4)
n
σ
= P(X n − √ q1−α ≤ µ < +∞) (5)
n

Ici a = xn − √σn q1−α et b = +∞

σ
=⇒ IC1−α (µ) = [ xn − √ q1−α , +∞ [
n

(xn est la moyenne observée).

2ème cas : Intervalle de conance unilatéral à gauche


α2 = 0(⇒ α1 = α) donc b0 = +∞ d'où

P(a0 ≤ Z ≤ b0 ) = P(a0 ≤ Z < +∞) = 1 − Φ(a0 ) = 1 − α ⇒ a0 = qα

Z. Guessoum ... ...


Page 3
où qα est le quantile d'ordre α de la loi normale centrée réduite. On peut alors écrire
que
√ Xn − µ
P(qα ≤ Z < +∞) = P(qα ≤ n < +∞)
σ
σ
= P( √ qα ≤ X n − µ < +∞)
n
σ
= P(−∞ < µ − X n ≤ − √ qα )
n
σ
= P(−∞ < µ ≤ X n − √ qα ))
n
Ici a = −∞ et b = xn − √σn qα
σ
=⇒ IC1−α (µ) = ] − ∞, xn − √ qα ]
n

3ème cas : intervalle de conance bilatéral


α1 = α2 = α
2
(on utilise la symétrie de la loi normale), donc a0 = −b0 d'où
P(a0 ≤ Z ≤ b0 ) = P(−b0 < Z ≤ b0 )
= Φ(b0 ) − Φ(−b0 ) = Φ(b0 ) − [1 − Φ(b0 )]
= 2Φ(b0 ) − 1 = 1 − α
α
=⇒ Φ(b0 ) = 1 − ⇒ b0 = q1− α2 , a0 = −q1− α2
2
où q1− α2 est le quantile d'ordre 1 − α2 de la loi normale centrée réduite. On peut alors
écrire que
√ Xn − µ
P(−q1− α2 < Z ≤ q1− α2 ) = P(−q1− α2 < n ≤ q1− α2 )
σ
σ σ
= P(− √ q1− α2 ≤ X n − µ ≤ √ q1− α2 )
n n
σ σ
= P(− √ q1− α2 ≤ µ − X n ≤ √ q1− α2 )
n n
σ σ
= P(X n − √ q1− α2 ≤ µ ≤ X n + √ q1− α2 )
n n
Ici a = xn − √σn q1− α2 et b = xn + √σn q1− α2
 
σ σ
=⇒ IC1−α (µ) = xn − √ q1− α2 , xn + √ q1− α2
n n
Remarque 2. Un critère de choix pour l'intervalle de conance est de prendre celui
de longueur minimale. On en déduit donc que l'intervalle bilatéral est meilleur que les
deux précédents.
(b) Intervalle de conance pour µ avec σ 2 inconnu

Ici, la fonction pivotale précédente ne peut pas être utilisée car elle dépend de σ 2 qui
est inconnu. On va alors estimer σ 2 par la variance empirique Sn2 et utiliser le théorème
suivant qui est une conséquence du théorème de Cochran :

Z. Guessoum ... ...


Page 4
Théorème 1. Soit (X1 , ..., Xn ) un échantillon de variables aléatoires réelles iid de loi
N (µ, σ 2 ). On note
n n
1X 1X 2
Xn = Xi , Sn2 = Xi − X n
n i=1 n i=1

alors
i. X n et Sn2 sont indépendantes.
ii. X n N (µ, σn ), nS Stn−1 .
2 2

σ2
n
χ2n−1 √ X2n −µ
S /(n−1)
n

χ2n−1 est la loi du Khi-Deux à n − 1 degrès de liberté (ddl) et Stn−1 est la loi de Student
à n − 1 degrès de liberté.
Pour trouver un intervalle de conance pour µ (avec σ 2 inconnu) on prend comme fonc-
tion pivotale la fonction g(µ, (X n , Sn2 )) = SnX/n√−µ
n−1
et on procède comme précédemment
en rappelant la loi de student est symétrique. Donc d'après le remarque (2), l'intervalle
de conance bilatéral recherché doit vérier
Xn − µ
P(−tn−1,1− α2 ≤ √ ≤ tn−1,1− α2 ) = 1 − α
Sn / n − 1

où tn−1,1− α2 est le quantile d'ordre 1 − α2 d'une loi de student à (n − 1) ddl. On obtient :


 
s s
IC1−α (µ) = xn − √ tn−1,1− α2 , xn + √ tn−1,1− α2
n−1 n−1

s est la vaiance empirique observée.

Z. Guessoum ... ...


Page 5

Vous aimerez peut-être aussi