Estimation

Introduction
Définitions
Estimation
CHAPITRE II: Estimation
MODULE: Statistique
Section: GI2
A. U. 2020–2021
Enseignante responsable: Mariem Tounsi Estimation-GI2

Introduction
Définitions
Estimation
Contents
1 Introduction
2 Définitions
Echantillonnage
Exemples de statistiques d’un échantillon aléatoire
La statistique de la moyenne m
Les trois statistiques de la variance σ 2
3 Estimation
Propriétés d’un estimateur
Estimation ponctuelle d’un paramètre θ
Estimation ponctuelle de la moyenne m
Estimation ponctuelle de la variance σ 2 ; si m est connue
Estimation ponctuelle de la variance σ 2 ; si m est inconnue
Estimation ponctuelle d’une proportion p
Estimation par intervalle de confiance d’un paramètre θ
Intervalle de confiance d’une moyenne m
Intervalle de confiance d’une variance σ 2
Intervalle de confiance d’une proportion p
Introduction
Définitions
Estimation
Pour étudier un certain caractère X sur une population Ω, on a

deux méthodes :
♦ La méthode exhaustive : consiste à examiner
chaque individu de la population selon le
caractère étudié. Cette méthode est coûteuse,
demande beaucoup de temps et dans certain cas
destructive. (ex : pour savoir si certaines pièces
fonctionnent ou pour tester l’efficacité des
allumettes, il faudra les détruire toutes !). Un
fabricant d’allumettes ne peut réaliser autre chose
que des sondages pour connaître la qualité de sa
production.
♦ La méthode des sondages : consiste à examiner
un échantillon de la population, choisie d’une
façon aléatoire (il faudra que les informations
recueillis sur l’échantillon puissent être, sans
erreur grave, s’étendent à toute la population).
Introduction
Définitions
Estimation
Echantillonnage : déduction du général au particulier :
Population mère (taille N ou infinie)
(m, σ)
&
échantillon (taille n)
(m̂, σ̂)

Introduction
Définitions
Estimation
Estimation : induction du particulier au général :
Population mère (taille N ou infinie)
(m, σ)
%
échantillon (taille n)
(m̂, σ̂)

Introduction
Echantillonnage
Définitions
Estimation
Soit X un caractère (une variable aléatoire) sur une

population Ω de taille N, de moyenne m = E(X ) et
d’écart-type σ = σ(X ). La méthode d’échantillonnage
consiste à passer du caractère X qui est définie sur la
population mère à un échantillon E de taille n ; voir le lien,
est ce que l’échantillon représente bien la population mère
ou non et avec quel niveau de confiance...
On note E = {w1 , w2 , . . . , wn } l’échantillon de taille n de Ω
et X (E) = {x1 , x2 , . . . , xn } sont les valeurs prises par X sur
E.
Si on suppose que l’échantillon E est pris au hasard ou
d’une façon aléatoire, cela nous permet de dire que
(x1 , x2 , . . . , xn ) sont les valeurs prises par le vecteur
(X1 , X2 , . . . , Xn ) où X1 , X2 , . . . , Xn sont des variables
aléatoires indépendantes qui suivent tous la même loi que
X . Le n-uplet (X1 , X2 , . . . , Xn ) correspond théoriquement à
n observations.
Introduction
Echantillonnage
Définitions
Estimation
Echantillon aléatoire
X est un caractère sur une population, de moyenne m = E(X )

et d’écart-type σ = σ(X ).
Définition :
X est dit un échantillon aléatoire de taille n, c’est la donnée
de n variables aléatoires indépendantes X1 , X2 , . . . , Xn et qui
suivent tous la même loi que X .
On notera par la suite l’échantillon aléatoire de taille n par

X = (X1 , X2 , . . . , Xn ).

Introduction
Echantillonnage
Définitions
Estimation
Exemple :
On prend un échantillon de taille n d’une variable aléatoire X

qui obéisse à la loi de Poisson d’espérance 1. On pose
n
1X
Xn = Xi : C’est la moyenne empirique ou on dit observée
n
i=1
sur l’échantillon aléatoire (X1 , X2 , ..., Xn ).
Question : Calculer la probabilité : P[0.9 ≤ Xn ≤ 1.1] ; pour
n = 1, n = 10 et n = 100.

Introduction
Echantillonnage
Définitions
Estimation
Théorème Central Limite "T.C.L"

Enoncé :
Soit (Xn )n une suite de variables aléatoires indépendantes et
de même loi (c.à.d ∀i, m = E(Xi ) et σ 2 = V (Xi )). On pose
n
1X
Xn = Xi , alors :
n
i=1
Xn − m Loi
−−−−−→ N (0, 1).
√σ n−→+∞
n
Conséquences :
Loi σ
Xn −−−−−→ N (m, √ ).
n−→+∞ n
n
X Loi √
Xi −−−−−→ N (nm, nσ).
n−→+∞
i=1
Introduction
Echantillonnage
Définitions
Estimation
Loi faible des grands nombres
Enoncé :
Soit (Xn )n∈N une suite de variables aléatoires indépendantes
et de même loi (c.à.d ∀i, m = E(Xi ) et σ 2 = V (Xi )). On pose
n
1X
Xn = Xi (c’est la moyenne empirique ou on dit observée
n
i=1
sur l’échantillon aléatoire (X1 , X2 , ..., Xn )), alors :
P
Xn −−−−−→ m.
n−→+∞

Introduction
Echantillonnage
Définitions
Estimation
La statistique de la moyenne m
Définition
Soit X = (X1 , X2 , . . . , Xn ) un échantillon aléatoire de moyenne
m et d’écart-type σ. Soit T : Rn −→ R une application
mesurable.
Tn = T (X1 , X2 , . . . , Xn ) est appelé statistique. En particulier, on
a:
n
1X
Xn = Xi est la statistique de la moyenne m.
n
i=1

Introduction
Echantillonnage
Définitions
Estimation
Etude de la statistique Xn
Propriétés
σ2
E(Xn ) = m et Var (Xn ) = n .
Si X ∼ N (m, σ) (càd ∀1 ≤ i ≤ n, les Xi sont
indépendantes et Xi ∼ N (m, σ)), alors Xn ∼ N (m, √σn ).
Si X est quelconque et n ≥ 30, alors d’après le Théorème
Centrale Limite "T.C.L.", on a Xn converge vers la loi
N (m, √σn ).

Introduction
Echantillonnage
Définitions
Estimation
Les statistiques de la variance σ 2

Définitions
Soient (X1 , X2 , . . . , Xn ) un échantillon aléatoire, T : Rn −→ R
une application mesurable et Tn = T (X1 , X2 , . . . , Xn ) est une
statistique. En particulier on a :
n
1X
* Sn2 = (Xi − Xn )2 est la statistique de la
n
i=1
variance σ 2 .
n
0 1X
* Sn 2 = (Xi − m)2 est la statistique de la
n
i=1
variance σ 2 dans le cas où m est connue.
n
00 1 X
* Sn 2 = (Xi − Xn )2 est la statistique de la
n−1
i=1
variance σ 2 dans le cas où m est inconnue.
Introduction
Echantillonnage
Définitions
Estimation
Etude de la statistique Sn2

Propriétés
n
!
1X 2 2
1 Sn2 = Xi − Xn .
n
i=1
n−1 2
2 E(Sn2 ) = σ 6= σ 2 et lim Var (Sn2 ) = 0.
n n→+∞
3 Si X ∼ N (m, σ) (càd ∀1 ≤ i ≤ n les Xi sont indépendantes
et Xi ∼ N (m, σ)), alors
n 2 2
S ∼ Xn−1
σ2 n
et
Xn − m
√ ∼ st(n − 1).
Sn / n − 1
Introduction
Echantillonnage
Définitions
Estimation
0
Etude de la statistique Sn 2
Propriétés
0
1 Sn 2 = Sn2 + (Xn − m)2 .
0 0
2 E(Sn 2 ) = σ 2 et lim Var (Sn 2 ) = 0.
n→+∞
n 02
S ∼ Xn2
σ2 n
et
Xn − m
0 √ ∼ st(n).
Sn / n

Introduction
Echantillonnage
Définitions
Estimation
00
Etude de la statistique Sn 2
Propriété
00 n
1 Sn 2 = S2.
n−1 n
00 00
2 E(Sn 2 ) = σ 2 et lim Var (Sn 2 ) = 0.
n→+∞
n − 1 00 2 2
S ∼ Xn−1
σ2 n
et
Xn − m
00 √ ∼ st(n − 1).
Sn / n

Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ
Théorie de l’Estimation
Soit X un caractère à étudier sur une population Ω, et soit θ une

caractéristique à estimer (exemples : θ est égale à la moyenne
m, l’écart-type σ, la variance σ 2 , une proportion p). Pour celà
on considère un échantillon aléatoire E de taille n de Ω.

Propriétés d’un estimateur

Soient X = (X1 , X2 , . . . , Xn ) un échantillon aléatoire,
T : Rn −→ R une application mesurable et
Tn = T (X1 , X2 , . . . , Xn ). On dit que Tn est un :
* estimateur sans biais de θ si E(Tn ) = θ.
* estimateur asymptotique sans biais de θ si
lim E(Tn ) = θ.
n→+∞
* estimateur convergent de θ si lim Var (Tn ) = 0.
n→+∞
* estimateur sans biais et convergent de θ si
E(Tn ) = θ et lim Var (Tn ) = 0.
n→+∞

Qualité d’un estimateur
Propriété
Un bon estimateur Tn de θ est caractérisé par l’absence de
biais et d’être convergent (c.à.d E(Tn ) = θ et
lim Var (Tn ) = 0).
n→+∞

Comparaison d’estimateurs
Remarque
Si on dispose de deux ou plusieurs estimateurs sans biais et
convergent de θ, on choisira celui qui a la plus petite variance
parcequ’il est le plus précis.
En effet, on estime généralement la précision d’un estimateur
Tn par l’erreur, ou bien on dit le risque quadratique moyenne
noté par R(Tn , θ). On a
R(Tn , θ) = E[(Tn − θ)2 ]

= Var (Tn ) + (E[(Tn ) − θ])2
= Var (Tn );
car Tn est un bon estimateur de θ.

Soient X un caractère à étudier sur une population Ω, θ une

caractéristique à estimer, E un échantillon de taille n de Ω et
(x1 , x2 , . . . , xn ) sont les valeurs prises par X sur E. On note par
b la valeur estimée de θ.
θ,
Remarque : L’estimation ponctuelle se base sur les valeurs

prises par X et sur les bon estimateurs afin de trouver des
valeurs estimées plus proches de celles réelles.

Estimation ponctuelle de la moyenne m
Propriété
L’estimation ponctuelle de la moyenne m est :
n
1X
m
b =x = xi .
n
i=1

Estimation ponctuelle de la variance (m connue)
Propriété
L’estimation ponctuelle de la variance σ 2 est :
n
1X
c2 =
σ (xi − m)2
n
i=1
= σ + (x − m)2 .
2

Estimation ponctuelle de la variance (m inconnue)
Propriété
L’estimation ponctuelle de la variance σ 2 est :
n
1 X
c2 =
σ (xi − x)2
n−1
i=1
n
= σ2.
n−1

Application
Une machine automatique remplit des paquets. Le nombre en

grammes sur un échantillon de 10 paquets sont :
297; 300; 295; 297; 300; 310; 300; 295; 310; 300.
1 Calculer le poids moyen de l’échantillon et son écart-type.

2 Donner une estimation ponctuelle de la moyenne et de
l’écart-type de la population.
3 On suppose que le poids moyen d’un paquet est 300g.
Donner une estimation ponctuelle de l’écart-type.

Estimation ponctuelle d’une proportion
Propriété
Soit X = (X1 , X2 , . . . , Xn ) un échantillon aléatoire de Bernoulli
p(1 − p)
de paramètre p. On a E(Xn ) = p et Var (Xn ) = . Donc,
n
n
1X
Xn = Xi est un estimateur sans biais et convergent de p.
n
i=1
L’estimation ponctuelle de la proportion p est :
k
p
b= ,
n
où k représente le nombre d’individu dans l’échantillon ayant le
caractère étudié.

Idée :
Jusqu’à présent, on a estimé un paramètre θ par une unique

valeur θb (il s’agit d’une estimation ponctuelle), en se basant sur
des estimateurs qui possèdent de bonnes propriétés (Ex : sans
biais, convergent, efficacité, variance minimale). D’autre part,
dans toute discipline scientifique, il est important d’avoir une
indication de la qualité d’un résultat ou encore de l’erreur dont
elle peut-être affectée. Ceci, se traduit en statistique par la
recherche d’un intervalle, dit intervalle de confiance "I. C.",
dont on peut assurer, avec un risque d’erreur contrôlé et petit
(fixé à priori), que cet intervalle contient la vraie valeur
inconnue d’un paramètre θ.

Définition d’un I. C. de θ
Soit θ une caractéristique à estimer (Ex : θ = m, σ 2 , σ, p) et Tn
un estimateur de θ. θb désigne toujours une estimation
ponctuelle de θ. Le but est de déterminer un intervalle [θb1 , θb2 ]
tel que θ ∈ [θb1 , θb2 ] qui a une probabilité 1 − α (s’appelle niveau
de confiance) de contenir la vraie valeur de θ.
Définition
[θb1 , θb2 ] est dit un intervalle de confiance de θ au niveau de
confiance 1 − α ou on dit au risque α si
P[θb1 ≤ θ ≤ θb2 ] = 1 − α où α ∈ [0, 1].
Par exemple, on dit pour α = 5%, il y a 95% de chance pour

que la vraie valeur de θ se trouve dans l’intervalle [θb1 , θb2 ], ou
encore il y a 5% de risque pour que la vraie valeur de θ se
trouve à l’extérieur de l’intervalle [θb1 , θb2 ].
On souhaite, à partir des observations faites sur un échantillon,

déterminer un intervalle de confiance contenant la vraie valeur
de la moyenne m avec un risque d’erreur α décidé à l’avance.
On suppose que les conditions sont réunies pour faire
l’approximation que la
loi d’échantillonnage
de la moyenne Xn
σ
est la loi normale N m, √ (càd on suppose que
n
∀1 ≤ i ≤ n, Xi ∼ N (m, σ) ou bien n ≥ 30).

Estimation par I. C. de la moyenne m si σ est connu

L’intervalle de confiance de la moyenne m (σ connu) au risque
α est :
α σ α σ
m ∈ x − t( ) √ ; x + t( ) √ ,
2 n 2 n
où t( α2 ) = Π−1 (1 − α2 ) = st(∞, α2 ).

Estimation par I. C. de la moyenne m si σ est inconnu

L’intervalle de confiance de la moyenne m (σ inconnu) au
risque α est :

α σ α σ
m ∈ x − st(n − 1, ) √ ; x + st(n − 1, ) √ ,
b b
2 n 2 n
r
n
où σb= σ.
n−1

Intervalle de confiance d’une variance
Estimer la variance σ 2 par intervalle de confiance au niveau de

confiance
h i 1 − α (ou risque α) c’est déterminer un intervalle
2 2
σ1 ; σ2 qui a une probabilité 1 − α de contenir la vraie valeur
c c
de la variance σ 2 du caractère X étudié. Ceci n’est possible

que dans le cas d’une distribution normale (le caractère X
suit une loi normale) : et ce qu’on suppose dans la suite
X ∼ N (m, σ).

Intervalle de confiance de la variance σ 2
Estimation par I. C. de la variance σ 2 , si m est connue

L’intervalle de confiance de la variance σ 2 (m connue) au
niveau de confiance 1 − α est :
" #
nσc2 nσc2
2
σ ∈ ; ,
q(n, α2 ) q(n, 1 − α2 )
avec l’estimation ponctuelle de la variance σ 2 est

n
c2 = 1
X
σ (xi − m)2 = σ 2 + (x − m)2 .
n
i=1

Intervalle de confiance de la variance σ 2
Estimation par I. C. de la variance σ 2 , si m est inconnue

L’intervalle de confiance de la variance σ 2 (m inconnue) au
niveau de confiance 1 − α est :
" #
c2
(n − 1)σ (n − 1)σc2
2
σ ∈ ; ,
q(n − 1, α2 ) q(n − 1, 1 − α2 )
avec l’estimation ponctuelle de la variance σ 2 est

n
1 X n
c2 =
σ (xi − x)2 = σ2.
n−1 n−1
i=1

Estimation par I.C. d’une proportion p

Soit X = (X1 , X2 , . . . , Xn ) un échantillon aléatoire de Bernoulli
de paramètre p.
On suppose que la taille de l’échantillon n vérifie n ≥ 30. Dans
ce cas,
r on peut approcher la loi de Xn par la loi Normale
p(1 − p)
N (p, ) (d’après le T.C.L).
n
L’estimation par intervalle de confiance de la fréquence p est :

α σ α σ
p∈ p b − t( ) √ ; p
b + t( ) √ ,
b b
2 n 2 n
r r
n n k
avec σb= σ= b(1 − p
p b), et p
b = ; où k
n−1 n−1 n
représente le nombre d’individu dans l’échantillon ayant le
caractère étudié.

Estimation

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Estimation

Transféré par

Droits d'auteur :

Formats disponibles

Introduction

CHAPITRE II: Estimation

Enseignante responsable: Mariem Tounsi Estimation-GI2

Pour étudier un certain caractère X sur une population Ω, on a

Echantillonnage : déduction du général au particulier :

Population mère (taille N ou infinie)

Enseignante responsable: Mariem Tounsi Estimation-GI2

Estimation : induction du particulier au général :

Population mère (taille N ou infinie)

Enseignante responsable: Mariem Tounsi Estimation-GI2

Soit X un caractère (une variable aléatoire) sur une

X est un caractère sur une population, de moyenne m = E(X )

On notera par la suite l’échantillon aléatoire de taille n par

Enseignante responsable: Mariem Tounsi Estimation-GI2

On prend un échantillon de taille n d’une variable aléatoire X

Enseignante responsable: Mariem Tounsi Estimation-GI2

Théorème Central Limite "T.C.L"

Loi faible des grands nombres

Enseignante responsable: Mariem Tounsi Estimation-GI2

Enseignante responsable: Mariem Tounsi Estimation-GI2

Enseignante responsable: Mariem Tounsi Estimation-GI2

Les statistiques de la variance σ 2

Etude de la statistique Sn2

Enseignante responsable: Mariem Tounsi Estimation-GI2

Enseignante responsable: Mariem Tounsi Estimation-GI2

Soit X un caractère à étudier sur une population Ω, et soit θ une

Enseignante responsable: Mariem Tounsi Estimation-GI2

Propriétés d’un estimateur

Enseignante responsable: Mariem Tounsi Estimation-GI2

Qualité d’un estimateur

Enseignante responsable: Mariem Tounsi Estimation-GI2

R(Tn , θ) = E[(Tn − θ)2 ]

car Tn est un bon estimateur de θ.

Enseignante responsable: Mariem Tounsi Estimation-GI2

Soient X un caractère à étudier sur une population Ω, θ une

Remarque : L’estimation ponctuelle se base sur les valeurs

Enseignante responsable: Mariem Tounsi Estimation-GI2

Estimation ponctuelle de la moyenne m

Enseignante responsable: Mariem Tounsi Estimation-GI2

Estimation ponctuelle de la variance (m connue)

Enseignante responsable: Mariem Tounsi Estimation-GI2

Estimation ponctuelle de la variance (m inconnue)

Enseignante responsable: Mariem Tounsi Estimation-GI2

Une machine automatique remplit des paquets. Le nombre en

1 Calculer le poids moyen de l’échantillon et son écart-type.

Enseignante responsable: Mariem Tounsi Estimation-GI2

Estimation ponctuelle d’une proportion

Enseignante responsable: Mariem Tounsi Estimation-GI2

Jusqu’à présent, on a estimé un paramètre θ par une unique

Enseignante responsable: Mariem Tounsi Estimation-GI2

Par exemple, on dit pour α = 5%, il y a 95% de chance pour

Intervalle de confiance d’une moyenne m

On souhaite, à partir des observations faites sur un échantillon,

Enseignante responsable: Mariem Tounsi Estimation-GI2

Intervalle de confiance d’une moyenne m

Estimation par I. C. de la moyenne m si σ est connu

Enseignante responsable: Mariem Tounsi Estimation-GI2

Intervalle de confiance d’une moyenne m

Estimation par I. C. de la moyenne m si σ est inconnu

Enseignante responsable: Mariem Tounsi Estimation-GI2

Intervalle de confiance d’une variance

Estimer la variance σ 2 par intervalle de confiance au niveau de

de la variance σ 2 du caractère X étudié. Ceci n’est possible