Chapitre 3

Chapitre 3
Estimation statistique
ABDON PRIVAT PAMBOU

2
Introduction
 Après la collecte des données, l’analyse des résultats obtenus se

décompose le plus souvent en une phase de statistique descriptive
et une phase d’inférence statistique.
 Si la première phase concerne uniquement les individus réellement

observés (échantillon), la seconde phase a pour but d’étendre avec
beaucoup plus d’efficacité les conclusions obtenues à partir de
l’échantillon à la population-mère.
Abdon Privat PAMBOU Estimation Statistique 2/8/2023

3
Généralités
On considère une population Ω

 X est une variable aléatoire observée dans la population Ω
 la loi de X depend du paramètre inconnu 𝜃
 Le paramètre inconnu 𝜃 peut être :
o La moyenne inconnue 𝜇
o La proportion inconnue 𝑝
o La variance inconnue 𝜎 2

4
Généralités
 Population Echantillon
Taille : 𝑛
 Taille : N Observations 𝑥1 , 𝑥2 , … , 𝑥𝑛
 Moyenne 𝑥
 Moyenne 𝜇 ?  Proportion: 𝑓
 Variance : 𝑠 2
 Proportion: 𝑝 ?  Variance corrigée : 𝑠 2
 Variance : 𝜎 2 ??

5
Généralités
Paramètres Population Echantillon

Taille : 𝑁 𝑛
 X est une variable observée
𝑛
Moyenne : 𝑁 1
1 𝑥= 𝑥𝑖
𝜇= 𝑥𝑖 𝑛
𝑁 𝑖=1
𝑖=1
Nombre de cas favorables 𝐾 𝑘
Proportion des cas 𝐾 𝑘

𝑝= 𝑓=
favorables 𝑁 𝑛
𝒏
𝟏
𝑺𝟐 = 𝒙𝒊 − 𝒙 𝟐
Variance 𝑁 𝒏
1 𝒊=𝟏
𝜎2 = 𝑥𝑖 − 𝜇 2
𝑛
𝑁 1
𝑖=1
𝑆2 = 𝑥𝑖 − 𝑥 2
𝑛−1
𝑖=1
6
Estimateur-Estimation
 Pour estimer un paramètre inconnu 𝜃, on se sert d’un

outil mathématique appelé « Estimateur ».
 Soit X une v.a. suivant une loi dont la distribution de
probabilité d’un paramètre inconnu 
 On considère 𝑛 variables 𝑋1, 𝑋2, … , 𝑋𝑛 de même loi que
X
 On appelle estimateur du paramètre inconnu 𝜽 toute
variable aléatoire 𝑻𝒏 fonction des v.a. 𝑋1, 𝑋2, … , 𝑋𝑛
𝑇𝑛 = 𝑓(𝑋1, 𝑋2, … , 𝑋𝑛 )

7
Estimateur-Estimation
 Soit 𝑥1, 𝑥2, … , 𝑥𝑛 un échantillon de valeurs observées de

X.
 Les valeurs 𝑥1, 𝑥2, … , 𝑥𝑛 sont les réalisations des variables
X1, 𝑋2, … , 𝑋𝑛
 La valeur de 𝑇𝑛 calculée à partir de ces observations
est une estimation du paramètre 𝜃
𝑇𝑛 = 𝑓(𝑥1, 𝑥2, … , 𝑥𝑛 )
 .Notation
𝑇𝑛 = 𝑓 𝑥1, 𝑥2, … , 𝑥𝑛 = 𝜃

8
Estimateurs-Estimation: Exemples
 Estimateur de la moyenne inconnue 𝜇 de la population

𝑛
1
𝑇𝑛 = 𝑋 = 𝑋𝑖
𝑛
𝑖=1
 Estimateur de la variance inconnue 𝜎 de la population
2
𝑛
1
𝑇𝑛 = 𝑆 2 = (𝑋𝑖 −𝑋)2
𝑛
𝑖=1
 Estimateur de la variance inconnue 𝜎 2 de la population
𝑛
1
𝑇𝑛 = 𝑆 2 = (𝑋𝑖 −𝑋)2
𝑛−1
𝑖=1
𝑆 est appelé variance corrigée
2
 Estimateur de la proportion d’individus de « type A » de la population 𝑝

𝐾
𝐹=
𝑛
où K est la v.a égale au nombre d’individus prélevés de « type A ».
9
Estimateurs-Estimations: Exemples
 Estimation de la moyenne inconnue 𝜇 de la population

𝑛
1
𝑥= 𝑥𝑖
𝑛
𝑖=1
 Estimation de la variance inconnue 𝜎 2 de la population

𝑛 𝑛
1 1
𝑠2 = (𝑥𝑖 −𝑥)2 𝑒𝑡 𝑠2 = (𝑥𝑖 −𝑥)2
𝑛 𝑛−1
𝑖=1 𝑖=1
 Estimation de la proportion d’individus de « type A » de la population 𝑝

𝑘
𝑓=
𝑛
où 𝑘 est le nombre d’individus prélevés dans l’échantillon ayant le critère A

10
Propriétés d’un estimateur
 Estimateur sans biais
Estimation biaisée Estimation non biaisée Estimation biaisée

 L’estimateur 𝑻𝒏 de 𝜽 est dit sans biais ou non biaisé si 𝑬 𝑻𝒏 = 𝜽
 Cela traduit l’absence d’erreur systématique.
 Estimateur convergent
L’estimateur 𝑻𝒏 sans biais de 𝜽 est dit convergent si lim 𝑉𝑎𝑟 𝑇𝑛 = 0
𝑛→∞
 A mesure que la taille de l’échantillon augmente, 𝑇𝑛 tend à prendre
une valeur de plus en plus rapprochée de 𝜽.

11
Propriétés de l’estimateur 𝑇𝑛 = 𝑋
 𝑿 est un estimateur sans biais ?

∀ 1 ≤ 𝑖 ≤ 𝑛, 𝐸(𝑋𝑖 ) = 𝜇 , 𝑉𝑎𝑟(𝑋𝑖 ) = 𝜎 2
 Rappel
o 𝐸 𝑎𝑋1 + 𝑏 = 𝑎𝐸 𝑋1 + 𝑏
o 𝐸 𝑋1 + 𝑋2 = 𝐸 𝑋1 + 𝐸 𝑋2
 Alors , on a:
𝑛 𝑛 𝑛 𝑛
1 1 1 1 1
𝐸 𝑋 =𝐸 𝑋𝑖 = 𝐸 𝑋𝑖 = 𝐸(𝑋𝑖 ) = 𝜇= 𝑛𝜇 = 𝜇
𝑛 𝑛 𝑛 𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1
 Donc 𝑋 est un estimateur sans biais (non biaisé) de la moyenne

inconnue 𝜇

12
Propriétés de l’estimateur 𝑇𝑛 = 𝑋
 𝑿 est –il un estimateur convergent de 𝝁

 Rappel
o 𝑉𝑎𝑟 𝑋1 + 𝑋2
o 𝑉𝑎𝑟 𝑋1 + 𝑋2 = 𝑉𝑎𝑟 𝑋1 + 𝑉𝑎𝑟 𝑋2 + 2𝐶𝑜𝑣 𝑋1 , 𝑋2
o Si 𝑋1 et 𝑋2 sont indépendantes, alors 𝐶𝑜𝑣 𝑋1 , 𝑋2 = 0
 Alors , on suppose alors que les variables 𝑋𝑖 mutuellement sont
indépendantes
𝑛 𝑛 𝑛 𝑛
1 1 1 1 2
𝜎2
𝑉𝑎𝑟 𝑋 = 𝑉𝑎𝑟 𝑋𝑖 = 2 𝑉𝑎𝑟 𝑋𝑖 = 2 𝑉𝑎𝑟(𝑋𝑖 ) = 2 𝜎 =
𝑛 𝑛 𝑛 𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1
2
𝜎
⇒ lim 𝑉𝑎𝑟 𝑋 = lim
=0
𝑛→∞ 𝑛→∞ 𝑛
 Donc 𝑋 est un estimateur convergent de la moyenne inconnue 𝜇

13
Propriétés de l’estimateur 𝑇𝑛 = 𝑆 2
 𝑆 2 est –il un estimateur sans biais de 𝜎 2 :

∀ 1 ≤ 𝑖 ≤ 𝑛, 𝐸(𝑋𝑖 ) = 𝜇 , 𝑉𝑎𝑟(𝑋𝑖 ) = 𝜎 2
𝑛 𝑛
1 1
𝐸 𝑆2 = 𝐸 𝑋𝑖 − 𝑋 2
= 𝐸 𝑋𝑖2 − 𝐸(𝑋 2 )
𝑛 𝑛
𝑖=1 𝑖=1
Or
𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − 𝐸 𝑋 2
𝜎2
𝐸 𝑋𝑖2 =𝜎 +𝜇 2 2
𝑒𝑡 𝐸 𝑋 2
= 𝑉𝑎𝑟 𝑋 + 𝐸 𝑋 2
= + 𝜇2
𝑛
2 2 2
𝜎2 2
𝑛 − 1 𝜎2 2
𝜎2
𝐸 𝑆 = 𝜎 +𝜇 − +𝜇 = =𝜎 − ≠ 𝜎2
𝑛 𝑛 𝑛
S² est donc un estimateur biaisé de la variance inconnue 𝜎 2 de la
population

14
Propriétés de l’estimateur 𝑇𝑛 = 𝑆 2
 𝑺𝟐 est –il un estimateur sans biais de 𝝈𝟐 :

𝑛
1
𝐸(𝑆 2 ) = 𝐸 𝑋𝑖 − 𝑋 2
𝑛−1
𝑖=1
𝑛 𝑛
1 1 1
𝐸(𝑆 2 ) = 𝐸 𝑋𝑖 − 𝑋 2
= 𝐸 𝑛× 𝑋𝑖 − 𝑋 2
𝑛−1 𝑛−1 𝑛
𝑖=1 𝑖=1
𝑛
𝑛 1 𝑛 𝑛 𝑛−1 2
𝐸 𝑆2 = 𝐸 𝑋𝑖 − 𝑋 2
= 𝐸 𝑆2 = × 𝜎 = 𝜎2
𝑛−1 𝑛 𝑛−1 𝑛−1 𝑛
𝑖=1
 𝑆 2 est un estimateur sans biais de 𝜎 2 :

𝐾 15
Propriétés de l’estimateur 𝐹 =
𝑛
cas d’un échantillon non exhaustif
 F est-il sans biais de p?
 La v.a. K égale au nombre d’individus ayant le critère A suit une loi
binomiale 𝔅(𝑛, 𝑝). On a
𝐸 𝐾 = 𝑛𝑝 𝑒𝑡 𝑉𝑎𝑟 𝐾 = 𝑛𝑝 1 − 𝑝
𝐾 1
𝐸 𝐹 =𝐸 = 𝑛𝑝 = 𝑝
𝑛 𝑛
𝐹 est donc un estimateur non biaisé
 F est-il convergent de p?
𝐾 1
𝑉𝑎𝑟 𝐹 = 𝑉𝑎𝑟 = 2 × 𝑛𝑝 1 − 𝑝
𝑛 𝑛
𝑝 1−𝑝 𝑝 1−𝑝
𝑉𝑎𝑟 𝐹 = ⇒ lim 𝑉𝑎𝑟 𝐹 = lim =0
𝑛 𝑛→∞ 𝑛→∞ 𝑛
 𝐹 est un estimateur convergent

𝐾 16
Propriétés de l’estimateur 𝐹 =
𝑛
cas d’un échantillon exhaustif
 F est-il sans biais de p?
 La v.a. K égale au nombre d’individus ayant le critère A suit une loi
hypergéométrique ℋ(𝑁, 𝑛, 𝑝). On a
𝑁−𝑛
𝐸 𝐾 = 𝑛𝑝 𝑒𝑡 𝑉𝑎𝑟 𝐾 = 𝑛𝑝 1 − 𝑝
𝑁−1
𝐾 1
𝐸 𝐹 =𝐸 = 𝑛𝑝 = 𝑝
𝑛 𝑛
𝐹 est donc un estimateur non biaisé
 F est-il convergent de p?
𝐾 1 𝑁−𝑛
𝑉𝑎𝑟 𝐹 = 𝑉𝑎𝑟 = 2 × 𝑛𝑝 1 − 𝑝 ×
𝑛 𝑛 𝑁−1
𝑝 1−𝑝 𝑁−𝑛 𝑝 1−𝑝 𝑁−𝑛
𝑉𝑎𝑟 𝐹 = × ⇒ lim 𝑉𝑎𝑟 𝐹 = lim × =0
𝑛 𝑁−1 𝑛→∞ 𝑛→∞ 𝑛 𝑁−1
 𝐹 est un estimateur convergent

17
Différentes formes d’estimation
 Soit X une variable dont la loi dépend d’un paramètre

inconnu 𝜃
 Soit 𝑥1 , 𝑥2 , … , 𝑥𝑛 un échantillon de taille 𝑛 d’observations
de X.
 On cherche à se faire une idée de la valeur d’un
paramètre inconnu 𝜃 de la population mère
 On distingue deux formes d’estimation d’un paramètre:
 Estimation ponctuelle
 Estimation par intervalle de confiance

18
Différentes formes d’estimation
 Estimation ponctuelle: Elle consiste à donner une seule valeur

au paramètre inconnu de la population pour obtenir des
valeurs estimées (approximatives)
 Estimation par intervalle de confiance : Il s’agit de construire

un intervalle de valeurs [𝑎𝑛 , 𝑏𝑛 ] selon une procédure définie
de telle, sorte qu’on puisse affirmer avec un degré de
confiance 1 − 𝛼fixé a priori (0 < 𝛼 < 1) de telle sorte que la
valeur vraie du paramètre 𝜃 puisse se trouver dans cet
intervalle.
 On cherche alors pour une probabilité fixée 1 − 𝛼 , et en
fonction de la taille de l’échantillon 𝑛 , les bornes de
l’intervalle
𝑃 𝜃 ∈ [𝑎𝑛 , 𝑏𝑛 ] = 1 − 𝛼

19
Estimation ponctuelle de 𝝁, 𝒑, 𝝈
 Estimation ponctuelle de la moyenne

L’estimation ponctuelle de la moyenne inconnue 𝜇 de la
population 𝛀 est donnée par la moyenne obtenue sur
l’échantillon de taille n
𝑛
1
𝜇=𝑥= 𝑥𝑖
𝑛
𝑖=1
 Estimation ponctuelle de la proportion
L’estimation ponctuelle de la proportion inconnue 𝑝 d’individus
ayant un critère donné A dans la population est donnée par la
proportion 𝑓 obtenue sur l’échantillon de taille n
𝑘
𝑝=𝑓=
𝑛

20
Estimation ponctuelle de 𝝈𝟐
 L’estimation ponctuelle de la variance inconnue ²

L’estimation ponctuelle de la variance inconnue ² est donnée
par la variance corrigée calculée sur l’échantillon :
𝑛
1
𝝈𝟐 = 𝒔𝟐 = 𝑥𝑖 − 𝑥 2
𝑛−1
𝑖=1
On a la relation
𝑛
2 2
𝑛 1 2
𝑛
𝜎 =𝑠 = × 𝑥𝑖 − 𝑥 = 𝑠2
𝑛−1 𝑛 𝑛−1
𝑖=1
 L’estimation ponctuelle de l’écart-type inconnu 

𝑛 𝑛
𝜎 =𝑠 = 𝑠2 = ×𝑠
𝑛−1 𝑛−1

21
Estimation ponctuelle de 𝝁, 𝒑 𝒆𝒕 𝝈:
Application
 En étudiant un échantillon de 500 clients ayant souscrit un

emprunt, un analyste financier a observé un montant
moyen du solde de comptes clients de 8,256 millions
francs CFA avec un écart-type de 2,826 millions francs
CFA.
 Par ailleurs, 104 de ces 500 clients ont un « solde inférieur à
trois millions francs CFA ».
 Donner, pour l’ensemble des comptes clients de cette
agence, une estimation ponctuelle :
o du montant du solde moyen d’un compte
o de l’écart-type du montant des soldes :
o du pourcentage des clients dont le solde est inférieur à 3
millions:

22
Estimation ponctuelle-application
 L’estimation ponctuelle du solde moyen 𝜇 de l’ensemble des

comptes clients est donnée par la moyenne obtenue sur
l’échantillon
𝜇 = 𝑥 = 8,256
 L’estimation ponctuelle de l’écart-type inconnu  du
montant des soldes
𝑛 500
𝜎 =𝑠 = ×𝑠 ⇒𝜎 = × 2,826=2,829
𝑛−1 500 − 1
 L’estimation ponctuelle de la proportion 𝑝 des comptes
dont « le solde est inférieur à 3 millions » est donnée par la
proportion 𝑓 obtenue sur l’échantillon
𝑘 104
𝑝=𝑓= ⇒𝑓= = 0,208
𝑛 500

23
ESTIMATION PAR INTERVALLE DE CONFIANCE DES
CARACTERISTIQUES DE LA POPULATION
 Au lieu de chercher une valeur approchée du

paramètre inconnu 𝜃
 On détermine les limites d’un intervalle IC à
l’intérieur duquel on peut affirmer que la valeur
vraie de 𝜃 peut s’y trouver avec un risque d’erreur 𝛼
𝑃 𝜃 ∈ 𝐼𝐶 = 𝟏 − 𝜶, 0<𝛼<1
 En general, on prend 𝛼 = 0,05

24
1. Intervalle de confiance d'une proportion :
 Soit 𝑝 la proportion inconnue d'individus de la population qui

possèdent le critère A. Soit un échantillon indépendant de taille
𝑛
𝐾
 On utilise l’estimateur 𝐹 = 𝑛
 La variable aléatoire K égale au nombre d’individus de
l'échantillon de taille 𝑛 ayant le critère A obéit à une loi
binomiale 𝔅(𝑛, 𝑝)
 On se propose de construire un IC de 𝑝 avec un niveau de
confiance 𝟏 − 𝜶
 On sait que
𝑝𝑞
𝐸 𝐾 = 𝑛 𝑝 ; 𝐸 𝐹 = 𝑝 𝑒𝑡 𝑉𝑎𝑟 𝐾 = 𝑛 𝑝 𝑞 ; 𝑉𝑎𝑟 𝐹 =
𝑛

25
 On suppose que l'on est dans les conditions d'approximation de la loi

binomiale 𝐵(𝑛, 𝑝) par la loi normale.
 Une approximation de la loi de F est alors la loi normale
𝑝 1−𝑝
𝑁 𝑝,
𝑛
 On considère donc que la variable :

𝐹−𝑝
𝑇=
𝑝 1−𝑝
𝑛
 Connaissant la fréquence 𝑓 du caractère dans un échantillon de taille 𝑛,
dans la pratique on remplace dans la racine carrée 𝑝 par 𝑓.
𝐹−𝒑
𝑇= → 𝑁(0,1)
𝑓 1−𝑓
𝑛

26
 Pour 𝛼 fixé, on cherche la valeur 𝑡𝛼 sur la table de la loi normale telle que
𝐹−𝑝 𝑓 1−𝑓 𝑓 1−𝑓
𝑃 − 𝑡𝛼 ≤ ≤ 𝑡𝛼 = 1−𝛼 ⇒ 𝑃 −𝑡𝛼 ≤ 𝐹 − 𝑝 ≤ 𝑡𝛼 = 1−𝛼
𝑓 1−𝑓 𝑛 𝑛
𝑛
 On soustrait F dans chaque membre
𝑓 1−𝑓 𝑓 1−𝑓
⇒ 𝑃 −𝐹 − 𝑡𝛼 ≤ −𝑝 ≤ −𝐹 + 𝑡𝛼 =1−𝛼
𝑛 𝑛
 En multipliant par (-1) les membres de l’encadrement, on a
𝑓 1−𝑓 𝑓 1−𝑓
⇒ 𝑃 𝐹 + 𝑡𝛼 ≥ 𝑝 ≥ 𝐹 − 𝑡𝛼 = 1−𝛼
𝑛 𝑛
 On a alors
𝑓 1−𝑓 𝑓 1−𝑓
⇒ 𝑃 𝐹 − 𝑡𝛼 ≤ 𝑝 ≤ 𝐹 + 𝑡𝛼 = 1−𝛼
𝑛 𝑛
 D’où l’intervalle de confiance de p de niveau de confiance 1 − 𝛼
𝑓 1−𝑓 𝑓 1−𝑓
⇒ 𝑓 − 𝑡𝛼 ≤ 𝑝 ≤ 𝑓 + 𝑡𝛼
𝑛 𝑛
27
Intervalle de confiance de la proportion 𝒑
 Disposant d’un échantillon de taille n  𝑡𝛼 est lu sur la loi normale

qui fournit une proportion 𝑓 d’individus centrée et réduite tel que
ayant le critère A, les bornes de 𝑃 −𝑡𝛼 ≤ 𝑁(0,1) ≤ 𝑡𝛼 = 1 − 𝛼
l’intervalle de confiance de 𝑝 de
 Valeurs de usuelles de 𝒕𝜶 de la
niveau 𝟏 − 𝜶 sont données par :
loi normale N(0,1)
𝑓 1−𝑓 𝑓 1−𝑓
𝑝 ∈ 𝑓 − 𝑡𝛼 , 𝑓 + 𝑡𝛼  si 𝛼= 0,01 on a 𝑡𝛼 = 2,576.
𝑛 𝑛
 si 𝛼 = 0,05 on a 𝑡𝛼 = 1,96.
 𝑛 est la taille de l’échantillon  si 𝛼 = 0,10 on a 𝑡𝛼 = 1,645.
 𝑓 est la proportion calculée dans
l’échantillon de taille 𝑛
𝑓 1−𝑓
 ε = 𝑡𝛼 est la marge d’erreur
𝑛

28
Lecture de 𝒕𝜶 sur la table de la loi normale
Table de l’écart-réduit Table de la fonction intégrale

𝛼
 𝑃 −𝑡𝛼 ≤ 𝑁 0,1 ≤ 𝑡𝛼 = 1 − 𝛼  𝑃 𝑁(0,1) ≤ 𝑡𝛼 = 1 −
2
𝜶𝑪𝒐𝒍𝒐𝒏𝒏𝒆
𝑡𝛼 𝑪𝒐𝒍𝒐𝒏𝒏𝒆
↓
↓
𝛼𝐿𝑖𝑔𝑛𝑒 → 𝑡𝛼 𝛼
𝑡𝛼 𝐿𝑖𝑔𝑛𝑒 → 1−
2
29
Intervalle de confiance de la proportion des
comptes dont le solde est inférieur à 3 millions
𝑓 1−𝑓 𝑓 1−𝑓
𝑝 ∈ 𝑓 − 𝑡𝛼 , 𝑓 + 𝑡𝛼
𝑛 𝑛
 Pour un niveau de confiance de 90%, on a 𝛼 = 0,10

On a 𝑡𝛼 = 1,645 ;
𝑝
0,208 × 1 − 0,208 0,208 × 1 − 0,208
∈ 0,208 − 1,645 , 0,208 + 1,645
500 500
𝑝 ∈ 0,208 − 0, 0298; 0,208 + 0,0298
𝑝 ∈ 0,178 ; 0,238
 Calcul de la marge d’erreur
0,208 × 1 − 0,208
1,645 = 0,0298
30
2. Intervalle de l‘une moyenne 𝜇
 Soit (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) un échantillon indépendant de même loi que X.

 On utilise comme estimateur de 𝜇, la moyenne empirique 𝑋
𝑛
1
𝑋= 𝑋𝑖 𝑎𝑣𝑒𝑐 𝐸(𝑋𝑖 ) = 𝜇 𝑒𝑡 𝑉𝑎𝑟(𝑋𝑖 ) = σ2
𝑛
𝑖=1
 On suppose que 𝑋 suit alors une loi normale. On a

𝜎2
E 𝑋 = 𝜇 ; 𝑉𝑎𝑟(𝑋) =
𝑛
 On pose
𝑋−𝜇
𝑇= 𝜎
𝑛
 Deux cas sont possibles :
 soit l’écart type 𝜎 de la variable X calculé dans la population est connu
 soit l’écart type 𝜎 de la variable X calculé dans la population est inconnu

31
2. Intervalle de l‘une moyenne 𝜇
cas l’écart-type 𝝈 est connu
 Dans ce cas la variable aléatoire T suit une loi normale centrée réduite
𝑋−𝜇
𝑇 = 𝜎 → 𝑁(0,1)
𝑛
 Pour 𝛼 fixé, on cherche la valeur 𝑡𝛼 sur la table de la loi normale telle que
𝑋−𝜇 𝜎 𝜎
𝑃 −𝑡𝛼 ≤ 𝜎 ≤ 𝑡𝛼 = 1 − 𝛼 ⇔ 𝑃 −𝑡𝛼 ≤ 𝑋 − 𝜇 ≤ 𝑡𝛼 =1−𝛼
𝑛 𝑛
𝑛
𝑃 −𝑡𝛼 ≤ 𝜎 ≤ 𝑡𝛼 =1−𝛼 ⇔ 𝑃 −𝑋 − 𝑡𝛼 ≤ −𝜇 ≤ −𝑋 + 𝑡𝛼 = 1−𝛼
𝑛 𝑛
𝑛
𝑃 −𝑡𝛼 ≤ 𝜎 ≤ 𝑡𝛼 =1−𝛼 ⇔ 𝑃 𝑋 − 𝑡𝛼 ≤ 𝜇 ≤ 𝑋 + 𝑡𝛼 =1−𝛼
𝑛 𝑛
𝑛
 L'intervalle de confiance de la moyenne 𝜇 , de niveau de confiance 1 − 𝛼 est donné par :

𝜎 𝜎
𝜇 ∈ 𝑥 − 𝑡𝛼 ; 𝑥 + 𝑡𝛼
𝑛 𝑛
𝜎
 La marge d’erreur dans l’estimation de p est donnée par :𝜀 = 𝑡𝛼
𝑛

32
Intervalle de confiance de la moyenne:
cas où l’écart-type 𝝈 est connu
 Disposant d’un échantillon de taille  𝑡 est lu sur la loi normale N(0,1)tel

𝛼
n que
 Soit 𝑥 la moyenne de X dans 𝑃 −𝑡𝛼 ≤ 𝑁(0,1) ≤ 𝑡𝛼 = 1 − 𝛼
l’échantillon Valeurs de usuelles de 𝒕 de la loi 𝜶
 Les bornes de l’intervalle de normale N(0,1)
confiance de 𝜇 de niveau 1 − 𝛼  si 𝛼= 0,01 on a 𝑡𝛼 = 2,576.
sont données par :
𝜎 𝜎  si 𝛼 = 0,05 on a 𝑡𝛼 = 1,96.
𝜇 ∈ 𝑥 − 𝑡𝛼 , 𝑥 + 𝑡𝛼
𝑛 𝑛  si 𝛼 = 0,10 on a 𝑡𝛼 = 1,645
𝜎
 𝑡𝛼 est la marge d’erreur
𝑛
 𝜎 est l’écart-type de la variable X

calculé dans la population

33
Intervalle de confiance de la moyenne 𝝁 :
cas où l’écart-type 𝝈 est inconnu
 Dans ce cas on estime 𝜎 par 𝑆.

𝑋−𝜇 𝑋−𝜇 𝑋−𝜇
𝑇= = = → 𝑇𝑛−1
𝑺 𝟏 𝑛 𝑺
𝑛 × ×𝑆 𝑛−1
𝑛 𝑛−1
 Pour 𝛼 fixé, on cherche la valeur 𝑡𝛼 fournie par la loi Student à (𝑛 − 1)
degrés de liberté telle que
𝑋−𝜇
𝑃 −𝑡𝛼 ≤ ≤ 𝑡𝛼 =1−𝛼
𝑺
𝑛−1
𝑺 𝑺
⇔ 𝑃 −𝑡𝛼 ≤ 𝑋 − 𝜇 ≤ 𝑡𝛼 =1−𝛼
𝑛−1 𝑛−1
𝑺 𝑺
𝑃 𝑋 − 𝑡𝛼 ≤ 𝜇 ≤ 𝑋 + 𝑡𝛼 =1−𝛼
𝑛−1 𝑛−1
34
Intervalle de confiance de la moyenne:
cas où l’écart-type 𝝈 est inconnu
 Disposant d’un échantillon de taille  𝑡𝛼 est le fractile de la loi de

n qui fournit Student à (𝑛 − 1) ddl tel que
o une moyenne 𝑥
𝑃 −𝑡𝛼 ≤ 𝑇𝑛−1 ≤ 𝑡𝛼 = 1 − 𝛼
o un écart-type empirique s,
 Les bornes de l’intervalle de
confiance de 𝜇 de niveau 1 − 𝛼
sont données par :
𝑠 𝑠
𝜇 ∈ 𝑥 − 𝑡𝛼 , 𝑥 + 𝑡𝛼
𝑛−1 𝑛−1
 La marge d’erreur est donnée par
𝑡𝛼
𝑠 Remarque si le ddl est supérieur à 30
𝑛−1 on utilise la loi normale centrée-
réduite

35
Application: intervalle de confiance du
solde moyen des comptes clients
 En étudiant un échantillon de 500 clients ayant souscrit un

emprunt, un analyste financier a observé un montant moyen du
solde de comptes clients de 8,256 millions francs CFA avec un
écart-type de 2,826 millions francs CFA.
 Construire un intervalle de confiance de niveau 90%, 95% et 99%
du solde moyen d’un compte?
 Indiquer la marge d’erreur pour chaque cas
 Corrigé
Ici l’écart-type  de la population n’est pas connu, alors
𝑥−
𝜇∈ 𝑡 𝑠 𝑠
𝛼 , 𝑥 + 𝑡𝛼
𝑛−1 𝑛−1
𝑑𝑑𝑙 = 500 − 1 = 499 > 30, on revient à la loi normale centrée-réduite

36
Application: intervalle de confiance du
solde moyen des comptes clients
 Corrigé
Données de l’exercice
𝑥 = 8,256 ; 𝑠 = 2,826 , 𝑛 = 500
Ici l’écart-type  de la population n’est pas connu, alors
𝑠 𝑠
𝜇 ∈ 𝑥 − 𝑡𝛼 ; 𝑥 + 𝑡𝛼
𝑛−1 𝑛−1
𝑑𝑑𝑙 = 500 − 1 = 499 > 30, on revient à la loi normale
Pour 𝛼 = 1%, 𝑡𝛼 = 2,58
Pour 𝛼 = 5%, 𝑡𝛼 = 1,96
Pour 𝛼 = 10%, 𝑡𝛼 = 1,65

37
Application: intervalle de confiance du solde
moyen des comptes clients 𝜶 = 𝟏%
 Corrigé
Niveau de confiance de 99%
2,826 2,826
𝜇 ∈ 8,256 − 2,58 × ; 8,256 + 2,58 ×
500 − 1 500 − 1
𝜇 ∈ 7,929 ; 8,582
La marge d’erreur est
2,826
2,58 ×
= 0,326
499
Interprétation: On a 99% de chance que le solde moyen d’un
compte soit compris entre 7,929 millions et 8,582 millions avec
une marge d’erreur de 0,326 millions.

38
moyen des comptes clients 𝜶 = 𝟓%
 Corrigé
2,826 2,826
𝜇 ∈ 8,256 − 1,96 × ; 8,256 + 1,96 ×
500 − 1 500 − 1
𝜇 ∈ 8,008 ; 8,504
2,826
1,96 ×
= 0,247
499

39
moyen des comptes clients 𝜶 = 𝟏𝟎%
 Corrigé
2,826 2,826
𝜇 ∈ 8,256 − 1,65 × ; 8,256 + 1,65 ×
500 − 1 500 − 1
𝜇 ∈ 8,047 ; 8,464
2,826
1,65 ×
= 0,208
499

𝟐
40
Intervalle de confiance de la variance 𝝈 :
cas où la moyenne 𝛍 est connue
 On considère une variable quantitative X qui suit  1er cas la moyenne 𝝁 est connue
une loi normale 𝒩 𝜇, 𝜎 2
(𝑛−1)𝑆 2 𝑛𝑆 2
Pour estimer 𝜎 2 on considère comme estimateur
 Dans ce cas = 2 suit une loi du Khi-Deux à
 𝜎2 𝜎
sans biais 𝑆 2 n ddl
𝒏 𝒏
𝟏  Pour 𝛼 fixé, 0 < 𝛼 < 1, on cherche les valeurs 𝐶1 et
𝑺𝟐 = 𝑿𝒊 − 𝑿 𝟐 ⇔ (𝒏 − 𝟏)𝑺𝟐 = 𝑿𝒊 − 𝑿 𝟐 𝐶2 sur la loi du Khi-Deux à n ddl
𝒏−𝟏
𝒊=𝟏 𝒊=𝟏
 Divisant par 𝜎 2 , on a 𝑛𝑆 2 1 𝜎2 1
𝑛 2 𝑃 𝑐1 ≤ 2
≤ 𝑐2 = 1 − 𝛼 ⇔ 𝑃 ≥ 2
≥ =1−𝛼
(𝑛 − 1)𝑆 2 𝑛𝑆 2 𝑋𝑖 − 𝑋 𝜎 𝑐1 𝑛𝑆 𝑐2
= 2 =
𝜎2 𝜎 𝜎
𝑖=1
𝑛𝑆 2 1 𝜎2 1
 On a 𝑃 𝑐1 ≤ 2 ≤ 𝑐2 = 1 − 𝛼 ⇔ 𝑃 ≤ 2 ≤ =1−𝛼
𝜎 𝑐2 𝑛𝑆 𝑐1
𝑋𝑖 − 𝑋
→ 𝒩 0, 1
𝜎
𝑛𝑆 2 𝑛𝑆 2 𝑛𝑆 2
 Alors 𝑃 𝑐1 ≤ ≤ 𝑐2 = 1 − 𝛼 ⇔ 𝑃 ≤ 𝜎 2
≤ =1−𝛼
𝑛 2 𝜎2 𝑐2 𝑐1
(𝑛 − 1)𝑆 2 𝑛𝑆 2 𝑋𝑖 − 𝑋 2
= 2 = → 𝜒𝑑𝑑𝑙
𝜎2 𝜎 𝜎
𝑖=1
 Le ddl dépend de la connaissance ou non de 𝜇

𝟐
41
 On considère une variable quantitative X  1er cas la moyenne 𝝁 est connue

qui suit une loi normale 𝒩 𝜇, 𝜎 2 (𝑛−1)𝑆 2 𝑛𝑆 2
 Dans ce cas = suit une loi du Khi-Deux
 Pour estimer 𝜎 2 on considère comme 𝜎2 𝜎2
à 𝑛 ddl
estimateur sans biais 𝑆 2  Les bornes de l’intervalle de confiance de 𝝈𝟐 de
niveau de confiance 1 − 𝛼 sont données par :
𝑛 𝑛 𝑛𝑆 2 𝑛𝑆 2
1 𝝈𝟐 ∈ ,
𝑆2 = 𝑋𝑖 − 𝑋 2
⇔ (𝑛 − 1)𝑆 2 = 𝑋𝑖 − 𝑋 2 𝐶2 𝐶1
𝑛−1
𝑖=1 𝑖=1  𝑛 est la taille de l’échantillon
 𝑆 2 est la variance calculée dans l’échantillon
Divisant par 𝜎 2 , on a  𝐶1 et 𝐶2 sont deux fractiles de la loi Khi-Deux à 𝑛

𝛼 𝛼
𝑛 2 ddl d’ordre respectifs et 1 −
(𝑛 − 1)𝑆 2 𝑛𝑆 2 𝑋𝑖 − 𝑋 2 2
= 2 =
𝜎2 𝜎 𝜎
𝑖=1 𝑃 𝐶1 ≤ 𝜒𝑛2 ≤ 𝐶2 = 1 − 𝛼
(𝒏−𝟏)𝑺𝟐
 La loi de dépend de 𝝁 𝛼 𝛼
𝝈𝟐
𝑃 𝜒𝑛2 ≤ 𝐶1 = 𝑃 𝜒𝑛2 ≤ 𝐶2 = 1 −
2 2

𝟐
42
 1er cas la moyenne 𝝁 est connue  𝐶1 et 𝐶2 sont deux fractiles de la loi Khi-
 Pour 𝛼 fixé, on cherche les valeurs et sur la Deux à 𝑛 ddl tels que
loi du Khi-Deux à n ddl 𝑃 𝐶1 ≤ 𝜒𝑛2 ≤ 𝐶2 = 1 − 𝛼
𝑛𝑆 2  Soit
𝑃 𝑐1 ≤ 2 ≤ 𝑐2 = 1 − 𝛼 𝑃 𝜒𝑛2 ≤ 𝐶2 = 1 −
𝛼
𝜎 2
2
𝛼
𝑃 𝜒𝑛 ≤ 𝐶1 =
 Les bornes de l’intervalle de confiance 2
de 𝝈𝟐 de niveau de confiance 1 − 𝛼 sont
données par :
𝟐
𝑛𝑆 2 𝑛𝑆 2
𝝈 ∈ ,
𝐶2 𝐶1
 𝑛 est la taille de l’échantillon
 𝑆 2 est la variance calculée dans

𝟐
43
cas où la moyenne 𝛍 est inconnue
 On considère une variable quantitative X  2ème cas la moyenne 𝝁 est inconnue

qui suit une loi normale 𝒩 𝜇, 𝜎 2 (𝑛−1)𝑆 2 𝑛𝑆 2
 Dans ce cas = suit une loi du Khi-Deux
 Pour estimer 𝜎 2 on considère comme 𝜎2 𝜎2
à n-1 ddl
estimateur sans biais 𝑆 2  Les bornes de l’intervalle de confiance de 𝝈𝟐 de
𝑛
1 niveau de confiance 1 − 𝛼 sont données par :
𝑆2 = 𝑋𝑖 − 𝑋 2 ⇔ (𝑛 − 1)𝑆 2 𝑛𝑆 2 𝑛𝑆 2
𝑛−1 𝝈𝟐 ∈ ,
𝑖=1 𝐶2 𝐶1
𝑛
= 𝑋𝑖 − 𝑋 2  𝑛 est la taille de l’échantillon

𝑖=1  𝑆 2 est la variance calculée dans l’échantillon
Divisant par 𝜎 2 , on a  𝐶1 et 𝐶2 sont deux fractiles de la loi Khi-Deux à 𝑛 − 1

𝛼 𝛼
𝑛 2 ddl d’ordre respectifs et 1 −
(𝑛 − 1)𝑆 2 𝑛𝑆 2 𝑋𝑖 − 𝑋 2 2
= 2 =
𝜎2 𝜎 𝜎
𝑖=1 2
𝑃 𝐶1 ≤ 𝜒𝑛−1 ≤ 𝐶2 = 1 − 𝛼
(𝒏−𝟏)𝑺𝟐
 La loi de dépend de 𝝁 𝛼 𝛼
𝝈𝟐 2 2
𝑃 𝜒𝑛−1 ≤ 𝐶1 = 𝑃 𝜒𝑛−1 ≤ 𝐶2 = 1 −
2 2

44
Intervalle de confiance de la variance 𝝈𝟐 :
cas où la moyenne 𝛍 est inconnue
 Les bornes de l’intervalle de  Soit

confiance de 𝝈𝟐 de niveau de 2
𝛼
confiance 1 − 𝛼 sont données par : 𝑃 𝜒𝑛−1 ≤ 𝐶2 = 1 −
2
𝟐
𝑛𝑆 2 𝑛𝑆 2 2
𝛼
𝝈 ∈ , 𝑃 𝜒𝑛−1 ≤ 𝐶1 =
𝐶2 𝐶1 2
 𝑛 est la taille de l’échantillon
 𝑆 2 est la variance calculée dans
 𝐶1 et 𝐶2 sont deux fractiles de la loi
Khi-Deux à (𝑛 − 1) ddl tels que
2
𝑃 𝐶1 ≤ 𝜒𝑛−1 ≤ 𝐶2 = 1 − 𝛼

45
Exercice d’application
 En étudiant un échantillon de 500 clients ayant souscrit

un emprunt, un analyste financier a observé un montant
moyen du solde de comptes clients de 8, 256 millions
francs CFA avec un écart-type de 2,826 millions francs
CFA.
 Construire un intervalle de confiance de niveau 95 %
 de la variance des montants des soldes des comptes clients
 de l’écart-type des montants des soldes des comptes
clients

46
Corrigé application-Intervalle
de confiance du solde moyen
 Construire un intervalle de confiance de niveau 95 % du

montant moyen du solde de compte,
 Ici l’écart-type de la population est inconnu
𝑠 𝑠
𝜇 ∈ 𝑥 − 𝑡𝛼 , 𝑥 + 𝑡𝛼
𝑛−1 𝑛−1
𝑛 = 200 , 𝑥 = 8,256 , 𝑠 = 2,826 , 𝛼 = 5% 𝑑𝑑𝑙 = 199 , 𝑡𝛼 ≈ 1,96
2,826 2,826
𝜇 ∈ 8,256 − 1,96 , 8,256 + 1,96
200 − 1 200 − 1
𝜇 ∈ 8,256 − 0,393 , 8,256 + 0,393

47
de confiance du solde moyen
 D’où l’intervalle de confiance du solde moyen

𝜇 ∈ 7,863 ; 8,649
 La marge d’erreur dans l’estimation du solde
moyen est
2,826
𝜀 = 1,96
200 − 1
 0n a 95 %b que le solde moyen d’un compte soit
compris entre 7,863 millions et 8,649 millions avec
une marge d’erreur de 0,363 millions,

48
de confiance de la proportion
 Construction de l’intervalle de confiance de niveau 95

% du pourcentage de comptes dont le solde est
inférieur à 3 millions
𝑓 1−𝑓 𝑓 1−𝑓
𝑝 ∈ 𝑓 − 𝑡𝛼 ; 𝑓 + 𝑡𝛼
𝑛 𝑛
𝑛 = 200 , 𝑓 = 0,52 ; 𝛼 = 5% , 𝑡𝛼 ≈ 1,96
0,52 × 1 − 0,52 0,52 × 1 − 0,52

𝑝 ∈ 0,52 − 1,96 ; 0,52 + 1,96
200 200
𝑝 ∈ 0,52 − 0,069 ; 0,52 + 0,069

49
de confiance de la proportion
 D’où l’intervalle de confiance du solde pourcentage

des comptes dont le solde est inférieur à 3 millions est
𝑝 ∈ 0,451 0,589
 La marge d’erreur dans l’estimation du solde moyen
est
0,52 × 1 − 0,52
𝜀 = 1,96 = 0,069
200
 0n a 95 %b que le pourcentage de comptes dont le
solde est inférieur à 3 millions soit compris entre 45,1%
et 58,9% avec une marge d’erreur de 6,9%,

161,82618
239,95968
50
de confiance de la variance
 Construire un intervalle de confiance de niveau 95 % de la

variance des montants des soldes de comptes clients,
 Ici la moyenne de la population est inconnue:
2
𝑛𝑠 2 𝑛𝑠 2
𝜎 ∈ ,
𝑐2 𝑐1
𝑛 = 200 ; 𝑠 = 2,826 ; 𝛼 = 5% ; 𝑑𝑑𝑙 = 199 ; 𝐶1 = 161,826 ; 𝐶2 = 239,96
2
200 × 2, 8262 200 × 2, 8262
𝜎 ∈ ,
239, 96 161, 826
 D’où l’intervalle de confiance de la variance des montants des
soldes de comptes clients
𝜎 2 ∈ 6,656 ; 9,870

161,82618
239,95968
51
de confiance de la variance
 D’où l’intervalle de confiance de niveau 95 % de

l’écart-type des soldes de comptes clients est :
200 × 2, 8262 200 × 2, 8262
𝜎∈ ,
239, 96 161, 826
𝜎 ∈ 2,580 ; 3,142
 On a 95% de chance que l’écart-type des
montants des soldes de comptes clients soit
compris entre 2,580 et 3,142 millions avec une
marge d’erreur de 𝜀 = (3,142 − 2,580)/2 = 0,281
million

Chapitre 3 - Estimation Statitique V 08-02-2023

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

Chapitre 3 - Estimation Statitique V 08-02-2023

Transféré par

Droits d'auteur :

Formats disponibles

ABDON PRIVAT PAMBOU

 Après la collecte des données, l’analyse des résultats obtenus se

 Si la première phase concerne uniquement les individus réellement

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

On considère une population Ω

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

Paramètres Population Echantillon

Nombre de cas favorables 𝐾 𝑘

Proportion des cas 𝐾 𝑘

 Pour estimer un paramètre inconnu 𝜃, on se sert d’un

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 Soit 𝑥1, 𝑥2, … , 𝑥𝑛 un échantillon de valeurs observées de

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 Estimateur de la moyenne inconnue 𝜇 de la population

 Estimateur de la proportion d’individus de « type A » de la population 𝑝

 Estimation de la moyenne inconnue 𝜇 de la population

 Estimation de la variance inconnue 𝜎 2 de la population

 Estimation de la proportion d’individus de « type A » de la population 𝑝

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 Estimateur sans biais

Estimation biaisée Estimation non biaisée Estimation biaisée

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 𝑿 est un estimateur sans biais ?

 Donc 𝑋 est un estimateur sans biais (non biaisé) de la moyenne

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 𝑿 est –il un estimateur convergent de 𝝁

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 𝑆 2 est –il un estimateur sans biais de 𝜎 2 :

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 𝑺𝟐 est –il un estimateur sans biais de 𝝈𝟐 :

 𝑆 2 est un estimateur sans biais de 𝜎 2 :

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 Soit X une variable dont la loi dépend d’un paramètre

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 Estimation ponctuelle: Elle consiste à donner une seule valeur

 Estimation par intervalle de confiance : Il s’agit de construire

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 Estimation ponctuelle de la moyenne

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 L’estimation ponctuelle de la variance inconnue ²

 L’estimation ponctuelle de l’écart-type inconnu 

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 En étudiant un échantillon de 500 clients ayant souscrit un

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 L’estimation ponctuelle du solde moyen 𝜇 de l’ensemble des

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 Au lieu de chercher une valeur approchée du

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 Soit 𝑝 la proportion inconnue d'individus de la population qui

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 On suppose que l'on est dans les conditions d'approximation de la loi

 On considère donc que la variable :

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

 Disposant d’un échantillon de taille n  𝑡𝛼 est lu sur la loi normale

Abdon Privat PAMBOU Estimation Statistique 2/8/2023

Table de l’écart-réduit Table de la fonction intégrale

 Pour un niveau de confiance de 90%, on a 𝛼 = 0,10

 Soit (𝑋1 , 𝑋2 , … , 𝑋𝑛 ) un échantillon indépendant de même loi que X.

 On suppose que 𝑋 suit alors une loi normale. On a