Vous êtes sur la page 1sur 4

Chapitre 2

ESTIMATEUR D’UN PARAMETRE

2.1 Introduction
Soit n répétitions de l’expérience aléatoire E fournissant l’échantillon X1 , ..., Xn ; avec Xi i.i.d. de loi
Pθ ou fθ .
Exemple :
θ = p, θ = µ, θ = σ 2
Généralement θ est un paramètre inconnu.
Objectif :
Estimer le paramètre θ, on se basant sur l’échantillon X1 , ..., Xn .
* •Estimation Ponctuelle : Rien qu’en fonction de X1 , ..., Xn trouver une valeur qui approche θ.
* • Estimation par intervalle de confiance : Trouver un intervalle qui contient θ avec un certain degré
de précision.
On note θ̂ l’estimateur de θ.

2.2 Estimation ponctuelle de la moyenne et de la variance :


Supposons quePX1 , X2 , ..., Xn sont
Pn i.i.d. de moyenne variance σ 2
µ et de P
1 n 1 1 n
Soient X̄ = n i=1 Xi , s = n i=1 (Xi − X̄) et S = n−1 i=1 (Xi − X̄)2 .
2 2 2

Théorème 2.1
(i) E(X̄) = µ
σ2
var(X̄) = n −−−−−−→ 0
n→∞
2 2
(ii) E(S ) = σ
L’estimateur qu’on utiluse pour µ et X̄. On note µ̂ = X̄
x̄ est une estimation pour µ.
X̄ est sans biais car E(X̄) = µ.
Si n est assez grand var(X̄) ≈ 0.

L’estimateur qu’on utilise pour σ 2 est S 2 .


On note σ̂ 2 = S 2 .
S 2 est sans biais car E(S 2 ) = σ 2 .

2.3 Estimation ponctuelle d’une proportion :

1
PSupposons
n
que X1 , ..., Xn sont i.i.d. de loi β(1, p) avec p est la probabilité du succès. Soit X̄ =
n i=1 Xi est égale au pourcentage observé du succès.

15
Théorème 2.2
E(X̄) = p
var(X̄) = p(1−p)
n −−−−−−→ 0
n→∞

L’estimateur qu’on utilise pour p est X̄. On note p̂ = X̄


x̄ est une estimation de p.
X̄ est sans biais car E(X̄) = p.
Si n est assez grand var(X̄) ≈ 0.

2.4 Estimation d’une proportion par intervalle de confiance :


x̄ est une estimation de p. Mais quelle confiance peut-on accorder à cette estimation ?.
On répond à cette question en choisissant un nombre α ∈]0, 1[ et en déterminant un intervalle [a, b] tel que :

P (a ≤ p ≤ b) = 1 − α.
[a, b] est dit intervalle de confiance de p au coefficient de risque α ou au coefficient de sécurité 1 − α.
Remarque : a et b doivent être calculés à partir de X1 , ..., Xn .

Théorème 2.3 Si n est grand


p et p n’est voisin ni de 0 ni de 1, on peut approximer la loi binomiale β(n, p)
par la loi normale N (np, np(1 − p)) (i.e. n ≥ 30, np ≥ 5, np(1 − p) ≥ 5.)

Théorème 2.4 Sous les hypothèses du théorème 2.3, on aura :


p̂ − p
q ≈ N (0, 1)
p̂(1−p̂)
n

L’intervalle de confiance pour p au risque α est :


" r #
p̂(1 − p̂)
I.C.(p) = p̂ + u1− α2
¯ n

Remarque :
a) Si n ր alors la longueur de I.C.(p) ց
b) Si α ր alors la longueur de I.C.(p) ց. En effet :
α = 1% u1−α/2 = u0,995 = 2, 57
α = 5% u1−α/2 = u0,975 = 1, 96
α = 10% u1−α/2 = u0,95 = 1, 65

2.5 Estimation d’une moyenne par intervalle de confiance :


(i) Cas des grands échantillons (n ≥ 30) :

Théorème 2.5 Quelque soit la loi suivie par les Xi ,

X̄ − µ
≈ N (0, 1).
√S
n

D’où,
X̄ − µ
P (−u1−α/2 ≤ ≤ u1−α/2 ) = 1 − α
√S
n

S S
⇔ P (X̄ − u1− α2 √ ≤ µ ≤ X̄ + u1− α2 √ ) = 1 − α
n n

16
D’où l’intervalle de confiance pour µ au risque α est :

 
S
I.C.(µ) = X̄ + u1− α2 √
¯ n

Remarque :

S s
√ =√
n n−1

(ii) Cas des petits échantillons extraits d’une population gaussienne :


Si X1 , X2 , ..., Xn sont i.i.d. de loi N (µ, σ) alors X̄ = N (µ, √σn )
a) Si σ est connu :
 
σ
I.C.(µ) = X̄ + u 1− α √ .
¯ 2
n

b) Si σ est inconnu et n est petit :

Théorème 2.6

X̄ − µ
∼ tn−1
√S
n

d’où,
 
S
I.C.(µ) = X̄ + tn−1;1− α2 √ .
¯ n

Remarque :
1- Quand le degré de liberté est assez grand (≥ 30), la loi de Student converge vers celle de la loi
N (0, 1).
2- Si n ր ou si α ր alors la longueur de l’I.C. diminue ⇒ plus de précision.
3- α = 1% t4;1−α/2 = t4;0,995 = 4, 604
α = 5% t4;1−α/2 = t4;0,975 = 2, 776
α = 10% t4;1−α/2 = t4;0,95 = 2, 132

2.6 Estimation d’une variance par un intervalle de confiance dans


le cas d’une population gaussienne :
Théorème 2.7 Si X1 , X2 , ..., Xn sont i.i.d. de lois commune N (µ, σ) alors,

(n − 1)S 2
∼ χ2n−1 .
σ2

(n−1)S 2
(i) 1er cas : n ≤ 31. Soient a, b telque : f (a ≤ σ2 ≤ b) = 1 − α avec a = u2n−1;α/2 b = u2n−1;1−α/2 .

17
D’où
(n − 1)S 2 (n − 1)S 2
 
2
I.C.(σ ) = ; .
b a
Remarque :
ns2 = (n − 1)S 2
(ii)2ème cas : n ≻ 31. Le théorème cité ci-dessus est vrai quelque soit n. Mais les tables de la loi χ2
s’arrêtent en général au degré de liberté k = 30. On ne peut donc pas les utiliser si n ≻ 31.

Théorème 2.8 Si Q ∼ χ2k et si k ≻ 30 alors la variable aléatoire :


p √
U = 2Q − 2k − 1 ∼ N (0, 1)

Dans notre cas : r


2(n − 1)S 2 √
u= − 2n − 3
σ2
D’où, " #
2 2(n − 1)S 2 2(n − 1)S 2
I.C.(σ ) = √ ; √ .
( 2n − 3 + u1−α/2 )2 ( 2n − 3 − u1−α/2 )2

18

Vous aimerez peut-être aussi