Vous êtes sur la page 1sur 25

Introduction

Définitions

CHAPITRE II: Estimation


Partie II

MODULE: Statistique
Section: GI2

Avril, 2021
Enseignante responsable: Mariem Tounsi Estimation-GI2
Introduction
Définitions

Contents

1 Introduction

2 Définitions
Echantillonnage
Exemples de statistiques d’un échantillon aléatoire

Enseignante responsable: Mariem Tounsi Estimation-GI2


Introduction
Définitions

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

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 : 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

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

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

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

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

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

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

Etude de la statistique Xn

Propriété
σ2
E(Xn ) = m et Var (Xn ) = n .
Si X ∼ N (m, σ) (càd ∀1 ≤ i ≤ n, 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


Applications sur le T.C.L en utilisant Matlab :

Application 1 :
Simuler un échantillon aléatoire de taille n=10, 100, 1000, 10000 qui
suit la loi Exponentielle de paramètre 0.25.
Vérifier le principe du T.C.L.
N=10 :
N=100 :
N=10000 :

Applications sur la loi faible des grands nombres en


utilisant Matlab :

Application 2 :
Simuler un échantillon aléatoire de taille n=10, 100, 1000, 10000 qui
suit la loi Binomiale de paramètres n=25 et p=0.15.
Vérifier le principe de la loi faible des grands nombres.
N= 10 :
err =

0.0025
N=100 :
err =

4.4444e-04
N=10000 :
err =

2.8224e-05