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
Enseignante responsable: Mariem Tounsi Estimation-GI2
 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).
Enseignante responsable: Mariem Tounsi Estimation-GI2
 Introduction
Définitions
Estimation

Echantillonnage : déduction du général au particulier :

Population mère (taille N ou infinie)

(m, σ)
&

échantillon (taille n)

(m̂, σ̂)

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction
Définitions
Estimation

Estimation : induction du particulier au général :

Population mère (taille N ou infinie)

(m, σ)
%

échantillon (taille n)

(m̂, σ̂)

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction
Echantillonnage
Définitions
Exemples de statistiques d’un échantillon aléatoire
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.
Enseignante responsable: Mariem Tounsi Estimation-GI2
 Introduction
Echantillonnage
Définitions
Exemples de statistiques d’un échantillon aléatoire
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 ).

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction
Echantillonnage
Définitions
Exemples de statistiques d’un échantillon aléatoire
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.

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction
Echantillonnage
Définitions
Exemples de statistiques d’un échantillon aléatoire
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
Enseignante responsable: Mariem Tounsi Estimation-GI2
 Introduction
Echantillonnage
Définitions
Exemples de statistiques d’un échantillon aléatoire
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−→+∞

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction
Echantillonnage
Définitions
Exemples de statistiques d’un échantillon aléatoire
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

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction
Echantillonnage
Définitions
Exemples de statistiques d’un échantillon aléatoire
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 ).

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction
Echantillonnage
Définitions
Exemples de statistiques d’un échantillon aléatoire
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.
Enseignante responsable: Mariem Tounsi Estimation-GI2
 Introduction
Echantillonnage
Définitions
Exemples de statistiques d’un échantillon aléatoire
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
Enseignante responsable: Mariem Tounsi Estimation-GI2
 Introduction
Echantillonnage
Définitions
Exemples de statistiques d’un échantillon aléatoire
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→+∞
3 Si X ∼ N (m, σ) (càd ∀1 ≤ i ≤ n les Xi sont indépendantes
et Xi ∼ N (m, σ)), alors
n 02
S ∼ Xn2
σ2 n
et
Xn − m
0 √ ∼ st(n).
Sn / n

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction
Echantillonnage
Définitions
Exemples de statistiques d’un échantillon aléatoire
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→+∞
3 Si X ∼ N (m, σ) (càd ∀1 ≤ i ≤ n les Xi sont indépendantes
et Xi ∼ N (m, σ)), alors

n − 1 00 2 2
S ∼ Xn−1
σ2 n
et
Xn − m
00 √ ∼ st(n − 1).
Sn / n

Enseignante responsable: Mariem Tounsi Estimation-GI2

 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.

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

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→+∞

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

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→+∞

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

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.

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre 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.

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

Estimation ponctuelle de la moyenne m

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

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

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

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

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

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

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.

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

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.

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

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.

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance 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 ].
Enseignante responsable: Mariem Tounsi Estimation-GI2
 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

Intervalle de confiance d’une moyenne m

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).

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

Intervalle de confiance d’une moyenne m

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 ).

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

Intervalle de confiance d’une moyenne m

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

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

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).

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

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

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

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

Enseignante responsable: Mariem Tounsi Estimation-GI2

 Introduction Propriétés d’un estimateur
Définitions Estimation ponctuelle d’un paramètre θ
Estimation Estimation par intervalle de confiance d’un paramètre θ

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.
Enseignante responsable: Mariem Tounsi Estimation-GI2