Inférence Statistique

Ouazza Ahmed

Institut National de Statistique et d’Economie Appliquée (INSEA)

2022-2023

1 / 21
 Plan

1 Ch I : Introduction à l’inférence statistique

2 Ch II : Estimation ponctuelle

3 Ch III: Estimation par intervalle de confiance

4 Ch IV: Tests Statistiques

2 / 21
 Chapitre III:

Estimation par intervalle de confiance

3 / 21
Estimation par intervalle de confiance

Problématique

L’estimation ponctuelle consiste à estimer θ par une valeur θbn dépendante de

l’échantillon. Même si θbn possède des bonnes propriétés, ce dernier n’est
pratiquement jamais égal à la vraie valeur θ.
Plutôt que d’estimer θ par θbn , on va essayer de déterminer un intervalle (ou
région) dépendant de l’échantillon et tel que la probabilité que cet intervalle
contient θ est très grande. Dans le cas où θ ∈ R, il s’agit de déterminer a tel
que [θbn − a ; θbn + a] contient θ avec une probabilité assez grande.

4 / 21
Estimation par intervalle de confiance

Dans la suite, on considère le modèle d’échantillonnage suivant:

(Rn , B(Rn ), P⊗n

θ , θ ∈ Θ)

On cherche à construire des intervalles de confiance du paramètre θ. Lorsque

θ est multidimensionnel, on parle de régions de confiance.
Définition 0.1
Soit α ∈ [0, 1]. On appelle intervalle de confiance du paramètre θ de niveau
de confiance (1 − α) la donnée de deux statistiques An et Bn vérifiant

P (An ≤ θ ≤ Bn ) = 1 − α

5 / 21
Estimation par intervalle de confiance

• θ représente la valeur inconnue du paramètre.

• An et Bn sont deux statistiques réelles.
• α ∈ [0, 1] est un risque, appelé aussi seuil (souvent, on prend α = 1%, 5%
ou 10%).
• Soient x1 , · · · , xn les valeurs observées des variables aléatoires de
l’échantillon X1 , · · · , Xn . On pose an = An (x1 , · · · , xn ) et
bn = Bn (x1 , · · · , xn ). L’intervalle [an , bn ] est un intervalle réel inclut dans
Θ.

6 / 21
Estimation par intervalle de confiance
Fonction pivot
Définition 0.2
On appelle fonction pivot pour θ toute fonction π définie sur X × Θ telle que:
1) π(X, θ) est mesurable par rapport à B
2) La loi de π(X, θ) est indépendante de θ

Remarque
• Si le modèle est d’échantillonnage alors on a: π(X1 , · · · , Xn , θ)
• Une fonction pivot n’est pas en général une statistique.
• Pour tous réels u1 et u2 tels que u1 ≤ u2 et tout (x1 , x2 , · · · , xn ) ∈ Rn , la
double inégalité
u1 ≤ π(x1 , x2 , · · · , xn , θ) ≤ u2
peut se résoudre (ou «pivoter») en θ selon :
t1 (x1 , x2 , · · · , xn ) ≤ θ ≤ t2 (x1 , x2 , · · · , xn )
7 / 21
Estimation par intervalle de confiance

Construction d’un intervalle de confiance pour les paramètres de la loi

normale

Soit X1 , · · · , Xn n v.a iid avec Xi ∼ N (µ, σ 2 ).

On cherche à construire des intervalles de confiance (IC) de niveau de
confiance (1 − α) pour la moyenne µ et la variance σ 2

8 / 21
Estimation par intervalle de confiance

Cas 1: IC(µ) lorsque σ 2 est connue

On a Xi ∼ N (µ, σ 2 )
n
1X σ2
donc X = Xi ∼ N (µ, )
n n
i=1
√
n
⇒ (X − µ) ∼ N (0, 1)
σ
α
Soit α ∈]0, 1[ , on note z1− α2 le quantile d’ordre 1 − 2 de la loi normale
centrée réduite N (0, 1)
c-à-d P (Z ≤ z1− α2 ) = 1 − α
2 avec Z ∼ N (0, 1)

9 / 21
Estimation par intervalle de confiance

On a
√   √ 
n n
P |X − µ| ≤ z1− α2 = P −z1− α2 ≤ (X − µ) ≤ z1− α2
σ σ
√ 
n
=P (X − µ) ≤ z1− 2 α
σ
√ 
n
−P (X − µ) ≤ −z1− α2
σ
= φ(z1− α2 ) − φ(−z1− α2 )
= 2φ(z1− α2 ) − 1
α
= 2(1 − ) − 1
2
=1−α

10 / 21
Estimation par intervalle de confiance

Or
 √    
n σ σ
−z1− α2 ≤ (X − µ) ≤ z1− α2 = θ ∈ X − √ z1− α2 ; X + √ z1− α2
σ n n

avec θ = µ
D’où l’intervalle de confiance (IC) de niveau de confiance (1 − α) pour la
moyenne µ lorsque σ 2 connue est:
 
σ σ
IC(µ) = X − √ z1− α2 ; X + √ z1− α2
n n

11 / 21
Estimation par intervalle de confiance
Cas 2: IC(µ) lorsque σ 2 est inconnue
Dans ce cas, on s’intéresse à IC(µ) lorsque σ 2 est inconnue.
2
On a X ∼ N (µ, σn )
√
⇒ Yn = n( X−µ
σ ) ∼ N (0, 1)
avec σ 2 est un paramètre inconnu, on ne peut pas proposer un intervalle de
confiance fondé sur Yn
1 Pn
Ensuite, on estime σ 2 par Sc2 = n−1 i=1 (Xi − X)
2

Et on peut montrer que

n−1 2
S ∼ χ2 (n − 1)
σ2 c
avec χ2 (n − 1) est une loi de khi-deux à n − 1 degrés de liberté.
12 / 21
Estimation par intervalle de confiance
On considère la variable Wn définie comme suit:
√
n(X − µ)
Wn = p
Sc2
On sait que X et Sc2 sont indépendantes.
On cherche la loi de Wn :
On a
√ √ X−µ
n( X−µ
σ ) n( )
Wn = q = q σ 2
Sc2 n−1 Sc
σ2 n−1 σ 2
√ X−µ
n( σ )
=r
S2
(n−1) c2
σ
n−1

d’où Wn ∼ Tn−1 avec Tn−1 est la loi de Student à n − 1 ddl.

13 / 21
Estimation par intervalle de confiance
α
Soit t1− α2 le quantile d’ordre 1 − 2 d’une loi de Student Tn−1
c-à-d
α
P (Tn−1 ≤ t1− α2 ) = 1 −
2
Donc
P (−t1− α2 ≤ Wn ≤ t1− α2 ) = 1 − α
√
n(X − µ)
⇒ P (−t1− α2 ≤ ≤ t1− α2 ) = 1 − α
Sc
t1− α2 Sc t1− α Sc
⇒ P (X − √ ≤ µ ≤ X + √2 ) = 1 − α
n n
D’où l’IC de niveau de confiance (1 − α) pour la moyenne µ lorsque σ 2
inconnue est:
t1− α2 Sc t1− α2 Sc
 
IC(µ) = X − √ ; X+ √
n n
14 / 21
Estimation par intervalle de confiance

Cas 3: IC(σ 2 ) lorsque µ est connue

Pour construire l’intervalle de confiance de σ 2 , on utilise une fonction pivot.
On considère toujours X1 , · · · , Xn iid avec Xi ∼ N (µ, σ 2 )
On s’intéresse au paramètre σ 2 et on suppose que µ est connue.
n
1 X
Soit Sc2 = (Xi − µ)2 un estimateur de σ 2
n−1
i=1
n−1 2
On a π(X1 , · · · , Xn , σ 2 ) = S
σ2 c
est une fonction pivot pour σ 2
n−1 2
car σ2 c
S ∼ χ2 (n) qui est indépendante de σ 2
avec χ2 (n) est la loi de khi-deux à n degrés de liberté.

15 / 21
Estimation par intervalle de confiance
Soit χ21−α (n) le quantile d’ordre 1 − α d’une loi de χ2 (n)
c-à-d  
P χ2 (n) ≤ χ21−α (n) = 1 − α

Donc on cherche un intervalle de confiance [a, b] pour σ 2 tel que:

P (χ2 (n) ≥ a) = 1 − α1


P (χ2 (n) ≤ b) = 1 − α2

(On se donne ici deux seuils α1 > 0 et α2 > 0 vérifiant α1 + α2 = α)

⇒ P (χ2 (n) ∈ [a, b]) = 1 − (α1 + α2 ) = 1 − α

α
En général, on prend α1 = α2 = 2
16 / 21
Estimation par intervalle de confiance
Par conséquent, on choisit a le quantile d’ordre α1 d’une loi de χ2 (n)
c-à-d
a = χ2 α1 (n) = χ2 α2 (n)
et b le quantile d’ordre 1 − α2 d’une loi de χ(n)
c-à-d
b = χ2 1−α2 (n) = χ2 1− α2 (n)
n−1 2
Or S
σ2 c
∼ χ2 (n)
Donc  
2α n−1 2 2
P χ 2 (n) ≤ S ≤ χ 1− 2 (n) = 1 − α
α
σ2 c
!
(n − 1)Sc2 (n − 1)S 2
c
⇒ P ≤ σ2 ≤ =1−α
χ2 1− α2 (n) χ2 α2 (n)

17 / 21
Estimation par intervalle de confiance

D’où l’IC de niveau de confiance (1 − α) pour la variance σ 2 lorsque µ

connue est: " #
(n − 1)S 2 (n − 1)S 2
c c
IC(σ 2 ) = ;
χ2 1− α2 (n) χ2 α2 (n)

18 / 21
Estimation par intervalle de confiance
Cas 4: IC(σ 2 ) lorsque µ est inconnue
n
1 X
Dans ce cas, un estimateur de σ2 est donné par Sc2 = (Xi − X)2 .
n−1
i=1

On a n−1
σ2 c
S 2 ∼ χ2 (n − 1)
avec χ2 (n − 1) est la loi de khi-deux à n − 1 degrés de liberté.
On utilise la même démarche, on obtient l’IC de niveau de confiance (1 − α)
pour la variance σ 2 lorsque µ inconnue comme suit:
" #
(n − 1)S 2 (n − 1)S 2
c c
IC(σ 2 ) = ;
χ2 1− α2 (n − 1) χ2 α2 (n − 1)

α
Avec χ2 1− α2 (n − 1) est le quantile d’ordre 1 − 2 d’une loi de χ2 (n − 1)
α
et χ2 α2 (n − 1) est le quantile d’ordre 2 d’une loi de χ2 (n − 1)
19 / 21
Estimation par intervalle de confiance

Intervalle de confiance asymptotique

On utilise ici des théorèmes de convergence pour construire des intervalles de

confiance dont le niveau de confiance est asymptotiquement égal à (1 − α).
Définition 0.3
Soit α ∈ [0, 1], on dit que [An , Bn ] est un intervalle de confiance
asymptotique du paramètre θ de niveau de confiance (1 − α) si et seulement si

lim P (An ≤ θ ≤ Bn ) = 1 − α
n→+∞

Exemples: (Voir TD)

20 / 21
 Chapitre IV:

Tests Statistiques

21 / 21