Académique Documents
Professionnel Documents
Culture Documents
Plan
• Introduction
Licence fondamentale en Sciences Économiques et Gestion
Module échantillonnage et estimation/Semestre 3 • Estimation: de l’intervalle de pari à l’intervalle de confiance
1
20/12/2021
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 71 20/12/2021 72
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
2
20/12/2021
Introduction
Structure du chapitre et problème concret d’estimation
Dans un pays X, le Ministère de l’Économie, des Finances et de l’industrie a mis Problème concret Solution concrète
Dans un échantillon de taille n = 780.
en place la déclaration de revenus pré-remplie par l’administration. Les premiers -L’écart type de l’erreur est estimé à 800,51 dh.
-La proportion de déclaration erronées vaut f780 = 12%
-Il y a 95% de chances pour que l’intervalle de
-Erreur moyenne vaut X 780 = 3500dh
contrôles effectués sur un échantillon de 780 déclarations d’imposition pré- -Ecart type des erreurs vaut S780 = 800dh
10% à 14% contienne la proportion inconnue de
déclarations erronées.
-À combien peut-on estimer la valeur de ces trois
remplies montrent que: -il y a 95% de chance pour que l’intervalle de
paramètres dans la population mère?
3443 à 3557 dh contienne l’erreur moyenne.
• 12% de ces déclarations présentent au moins une erreur,
Section 1:
• le montant moyen des erreurs, calculé en dirham près, est de 3500 dh avec un De l’intervalle de
Monde réel
pari à l’intervalle A- Modélisation Section 3:
écart type de 800 dh. de confiance Modélisation
C- Traduction Simulation
Comment estimer dans la population mère composée de toutes les déclarations Monde artificiel Traduction
(la taille de cette population mère est N 34millions): B- Simulation
Modèle – énoncé
-la valeur de la proportion p de déclarations erronées, Soit XS la variable statistique parente qui... Section 2:
Soit X la variable aléatoire parente qui … Propriétés des Modèle – solution
- la valeur du montant moyen m des erreurs, Construire une estimation ponctuelle de e = estimateurs
Construire un intervalle de confiance à
= 800,51
- la va leur de l’écart type e du montant des erreurs? 95%: ic95% ( ) = 0,10;0,14
-sur la proportion p =
- sur la moyenne m =
ic95% ( ) = 3443;3557
Prf. Mohamed AIT HOU - Economie et
20/12/2021 73 20/12/2021 Prf. Mohamed AIT HOU - Economie et 74
Gestion - S3, FP- Errachidia
Gestion - S3, FP- Errachidia
3
20/12/2021
I. Estimation: de l’intervalle de pari à l’intervalle de confiance I. Estimation: de l’intervalle de pari à l’intervalle de confiance
Définition 1 Lorsque la taille de l’échantillon est supérieure à 30 (n > 30), les intervalles de
Soit l’ensemble des valeurs possibles d’un paramètre inconnu également pari bilatéraux de niveau (1 - ) sur la moyenne empirique sont de la forme:
appelé la cible.
p − z . Xn + z . = 1−
Un estimateur de est une statistique d’échantillon Tn = f ( X1, X 2 ,..., X n ) dont (1− )
2 n (1−
2
) n
la réalisations appartiennent à . Où z(1− ) est le quantile d’ordre 1 − de la loi normale centrée réduite et µ
2 2
Définition 2 et sont l’espérance et l’écart type de la variable aléatoire parente.
Soit Tn = f ( X1 , X 2 ,..., X n ) un estimateur d’un paramètre inconnu . Une
estimation ponctuelle de est la réalisation tn = f ( x1 , x2 ,..., xn ) de Tn
(obtenue après le tirage de l’échantillon). Cette estimation ponctuelle est notée
.
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 75 20/12/2021 76
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
4
20/12/2021
I. Estimation: de l’intervalle de pari à l’intervalle de confiance I. Estimation: de l’intervalle de pari à l’intervalle de confiance
1-3. De l’intervalle de pari à l’intervalle de confiance 1-3. De l’intervalle de pari à l’intervalle de confiance
5
20/12/2021
I. Estimation: de l’intervalle de pari à l’intervalle de confiance I. Estimation: de l’intervalle de pari à l’intervalle de confiance
1-3. De l’intervalle de pari à l’intervalle de confiance 1-3. De l’intervalle de pari à l’intervalle de confiance
Définition: Définition:
Soit un paramètre inconnu . Soit Tn = f ( X1 , X 2 ,..., X n ) un estimateur d’un un paramètre inconnu .
1. Un intervalle de confiance bilatéral sur de niveau ou de seuil (1 - ) est un Soit IC(1− ) ( ) un intervalle de confiance bilatéral sur de niveau ou de seuil
intervalle aléatoire [A; B] tel que p A B = 1 − où A et B sont deux (1-)
statistique d’échantillon. 1. L’écart type de Tn noté SEn (= Tn) est appelé l’erreur standard.
2. Un intervalle de confiance unilatéral sur de niveau ou de seuil (1 - ) est un 2. La demi-amplitude de l’intervalle MEn est appelée la marge d’échantillonnage.
intervalle aléatoire [A; +[ ou ]-; A] tel que p A = 1 − ou p A = 1 −
3. Notation des intervalles de confiance de niveau (1 - ) sur : IC(1− ) ( ) .
4. Une réalisation d’un intervalle de confiance est un intervalle réel [a ; b] où
a A ( ) et b B ( ) .
5. Cette réalisation est notée ic(1− ) ( ) .
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 79 20/12/2021 80
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
6
20/12/2021
2-1. Biais et erreur quadratique moyenne 2-1. Biais et erreur quadratique moyenne
Définition
Soit Tn = f ( X1 , X 2 ,..., X n ) un estimateur d’un paramètre inconnu .
1. Le biais de Tn est définie par : B (Tn ) = E (Tn ) −
2. Tn est un estimateur non biaisé de si E (Tn ) = , autrement dit si le biais est nul.
3. Tn est un estimateur asymptomatique non biaisé de si lim E (Tn ) =
n→
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 81 20/12/2021 82
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
7
20/12/2021
2-1. Biais et erreur quadratique moyenne 2-1. Biais et erreur quadratique moyenne
E (Tn )
2
Soit Tn = f ( X1 , X 2 ,..., X n ) un estimateur d’un paramètre inconnu . RTn ( ) = E Tn2 − E (Tn ) + E (Tn ) − 2 E (Tn ) + 2
2 2
L’ erreur quadratique moyenne ou fonction de risque est définie par:
RTn ( ) = Var (Tn ) + E (Tn ) − = Var (Tn ) + B (Tn )
2 2
RTn ( ) = E (Tn − )
2
( ) = Var (Tn ) + B (Tn ) où B (Tn ) le biais de Tn . son écart type. Un estimateur de est d’autant meilleur que son erreur
2
Cette erreur vaut : RTn
Démonstration: quadratique moyenne est faible. Si l’estimateur est non biaisé, il est clair qu’il est
En développant la formule de définition de l’erreur quadratique moyenne: alors d’autant meilleur que son écart type est faible. Ceci traduit les deux
conditions (1) et (2) évoquées en début de sous-section.
RTn ( ) = E (Tn − ) = E Tn2 − 2Tn + 2 = E Tn2 − 2 E (Tn ) + 2
2
D’où, un bon tireur, avec un bon fusil, a plus de chances d’atteindre la cible qu’un
mauvais tireur avec un mauvais fusil.
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 83 20/12/2021 84
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
8
20/12/2021
2-1. Biais et erreur quadratique moyenne 2-1. Biais et erreur quadratique moyenne
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 85 20/12/2021 86
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
9
20/12/2021
2-1. Biais et erreur quadratique moyenne 2-1. Biais et erreur quadratique moyenne
Proposition Proposition:
2
S n2 est un estimateur asymptomatique non biaisé de 2. 1.La variance empirique corrigée SCn est un estimateur sans biais de la variance 2
n −1
Sn = ( Xi − Xn )
n − 1 i =1
La variance empirique corrigée SCn2 est un estimateur sans biais de la variance 2,
2.L’écart type empirique corrigé SCn est la racine carrée de la variance empirique
corrigée.
mais SCn est un estimateur biaisé de . D’où: E ( 2
)
SCn ( )
E SCn
2
.
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 87 20/12/2021 88
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
10
20/12/2021
/ lim T ( ) X ( )
moyenne
en cherchant des estimateurs sans biais et avec une faible variance. L’idée était Si l’ensemble Tn ⎯⎯⎯⎯
d ' ordrek
→X
n →
lim E Tn − X = 0
k
de minimiser l’erreur quadratique moyenne. Ce faisant, nous avons cherché, sans a une probabilité nulle Si:
n→
l’exprimer directement, à construire des estimateurs convergent, c’est-à-dire tel
que:
lim Tn =
Convergence en probabilité: Tn ⎯⎯p
→X
n → La suite (Tn) converge en probabilité vers la variable X si la probabilité que l’écart entre Tn et
(
X soit inférieur à une valeur aussi petite que l’on veut tend vers 1: lim p T − X = 1
n→
n )
La notion de convergence qui est « multiforme » mérite d’être précisée.
Le schéma suivant présente la définition de quatre « type » de convergence.
Convergence en loi Tn ⎯⎯ →XL
. La suite (Tn) converge en loi vers la variable X si la suite FTn des fonctions de répartition
des Ti tend vers la fonction de répartition F x de X: lim FT ( x) = FX ( x)
n → n
en tout x où Fx est continue.
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 89 20/12/2021 90
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
11
20/12/2021
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 91 20/12/2021 92
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
12
20/12/2021
Donc: L ( n − eas, ) = . (1 − ) = n x . (1 − )
x1 + x2 +...+ xn (1+1+...+1) −( x1 + x2 +...+ xn ) n(1− x )
Cas d’une variable aléatoire parente discrète
La fonction L(x1, x2,…xn,) également notée L(n – eas,) s’appelle la
Recherche du maximum de vraisemblance:
vraisemblance.
Il faut chercher la valeur de qui rend la vraisemblance maximale. Le logarithme
Exemple 1: EMV de l’espérance d’une variable de Bernoulli
étant une fonction croissante, il est ici plus rapide de chercher à maximiser le
Soit X une variable aléatoire parente qui suit une loi de Bernoulli de paramètre .
logarithme de la vraisemblance.
Donc:
0 1
Lorsque le paramètre inconnu est strictement compris entre 0 et 1, L(n – eas,)
• L ( X ) = 1 −
est strictement positive. L’examen des valeurs 0 et 1 est intéressant.
• D’où, p ( xi , ) = i (1 − )
1− xi
pour xi = 0 ou xi = 1.
x
chaque Xi ne peut prendre que la valeur 0. Il en résulte que: L(n – eas,0) = 00.1n = 1
Or , x1 . x2 .... xn = x1 + x2 +...+ xn = n x
• Si = 1, la réalisation x de la moyenne empirique est forcément égale à 1. ce ci
(1 − ) . (1 − ) ..... (1 − ) = (1 − ) = (1 − )
1− x1 1− x2 1− xn (1+1+...+1) −( x1 + x2 +...+ xn ) n(1− x )
et
conduit à L(n – eas,1) =1n. 00= 1.
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 93 20/12/2021 94
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
13
20/12/2021
d d u 1−
En mettant les deux fraction au même dénominateur, la dérivée seconde s’écrit:
ln L( x1 , x2 ,..., xn , ) ( −1)
D’où,
= nx
1
(
+ n 1− x ) 1− 2 ln ( L ) −nx (1 − ) − n 1 − x 2
2
( ) ( )
−nx 1 − 2 + 2 − n 2 + nx 2
= =
(1 − ) (1 − )
2 2 2 2 2
En mettant les deux fractions au même dénominateur, on obtient:
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 95 20/12/2021 96
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
14
20/12/2021
Soit,
2 ln ( L )
=
(
−n 2 − 2 x + x ) Proposition
2 (1 − )
2 2
L’EMV du paramètre d’une variable de Bernoulli est la fréquence empirique Fn = X
15
20/12/2021
p n − eas hn f X ( x1 , ) . f X ( x2 , ) ..... f X ( xn , )
n
1 1 n
La vraisemblance est donc: L( x1 , x2 ,..., xn , ) = exp − 2 2
2
(x − )
i =1
i
2
On pose L ( n − eas, ) = f X ( x1 , ) . f X ( x2 , ) ..... f X ( xn , ) . La fonction L ( n − eas, ) n
On a p n − eas h L ( n − eas, )
n
1 n 1 n 1 n
2
1 n
2
Si l’événement [n – eas] s’est produit, c’est qu’il est vraisemblable que sa probabilité était
Or, ( xi − )2 = n
n i =1 i =1
( xi − x)2 + xi − = Sn2 + xi −
n i =1 n i =1
importante. En d’autres termes, la valeur qui rend la vraisemblance maximale est à n
1 n
nouveau cherchée.
Donc (x − ) i
2
est minimale pour = xi
n i =1
i =1
16
20/12/2021
Définition Proposition
Soit (X1, X2,…,Xn) un n – EAS issu d’une variable aléatoire parente X de loi Si la variable aléatoire parente X suit une loi de Gauss d’espérance µ et d’écart type ,
connue. alors:
1.Si la variable aléatoire X est discrète de loi connue p X = xi = p ( xi , ) , alors 1. L’EMV de l’espérance µ est la moyenne empirique X n , que l’écart type soit connu ou
non.
la fonction de vraisemblance de X est définie par:
L ( x1 , x2 ,..., xn , ) = L ( n − eas, ) = p ( x1, ) . p ( x2 , ) ..... p ( xn , ) 2
2. L’EMV de la variance 2 est Sn =
1 n
( X i − )2 si l’espérance µ est connue.
n i =1
2.Si la variable aléatoire X est continue de densité de probabilité connue f X ( xn , ) ,
1 n
alors: L ( x1 , x2 ,..., xn , ) = L ( n − eas, ) = f X ( x1, ) . f X ( x2 , ) ..... f X ( xn , ) 3. L’EMV de la variance 2 est Sn =
2
( X i − X n )2 si l’espérance µ est inconnue.
n i =1
17
20/12/2021
IV. Intervalles de confiance sur une moyenne IV. Intervalles de confiance sur une moyenne
4-1. variance connue, échantillon gaussien ou non gaussien mais de grande 4-1. variance connue, échantillon gaussien ou non gaussien mais de grande
taille taille
L’hypothèse de travail est qu’une étude de grande envergure à montré que l’écart type de la 3. Variable aléatoire parente (VAP)
variable statistique parente est de 9 km/h. en d’autres termes, e = 9. soit ɛ l’expérience aléatoire parente qui consiste à choisir au hasard un véhicule dans P
Il faut noter que la construction d’un intervalle de confiance est très proche de celle d’un (véhicule qui se présentent au hasard).
intervalle de pari. X, la variable aléatoire parente, associe au véhicule tiré au hasard sa vitesse.
18
20/12/2021
IV. Intervalles de confiance sur une moyenne IV. Intervalles de confiance sur une moyenne
4-1. variance connue, échantillon gaussien ou non gaussien mais de grande 4-1. variance connue, échantillon gaussien ou non gaussien mais de grande
taille taille
19
20/12/2021
IV. Intervalles de confiance sur une moyenne IV. Intervalles de confiance sur une moyenne
4-1. variance connue, échantillon gaussien ou non gaussien mais de grande 4-1. variance connue, échantillon gaussien ou non gaussien mais de grande
taille taille
20
20/12/2021
IV. Intervalles de confiance sur une moyenne IV. Intervalles de confiance sur une moyenne
4-1. variance connue, échantillon gaussien ou non gaussien mais de grande 4-1. variance connue, échantillon gaussien ou non gaussien mais de grande
taille taille
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 109 20/12/2021 110
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
21
20/12/2021
IV. Intervalles de confiance sur une moyenne IV. Intervalles de confiance sur une moyenne
4-2. Variance inconnue, échantillon gaussien ou non gaussien mais de 4-2. Variance inconnue, échantillon gaussien ou non gaussien mais de
grande taille grande taille
Reprenons les mêmes données de l’exemple précédent. 1. Statistique d’échantillon et loi de probabilité
Modélisation Loi de probabilité Tn
Même procédure à l’exception du fait que l’écart type est inconnu. Échantillon gaussien de taille quelconque
Simulation La variable aléatoire parente X suit une loi de Gauss, ce qui permet de démontrer que la
1. Statistique d’échantillon et loi de probabilité statistique Tn suit une loi de Student à n – 1 degrés de liberté. L’idée de la démonstration
Choix des estimateur et de la statistique d’échantillon est d’introduire une variable aléatoire Z qui suit une loi normale centrée réduite et une variable
X 50 est un estimateur sans biais et convergent de l’espérance µ. L’écart type étant inconnu, il aléatoire K qui suit une loi de khi-deux à n – 1 degrés de liberté.
convient d’en faire une estimation ponctuelle par l’écart type empirique corrigé. La statistique : Xn −
X − n Z Xn −
Xn − Tn = n = = avec Z=
Tn = est la statistique qui convient. SCn n
SCn n SCn n SCn n
n
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 111 20/12/2021 112
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
22
20/12/2021
IV. Intervalles de confiance sur une moyenne IV. Intervalles de confiance sur une moyenne
4-2. Variance inconnue, échantillon gaussien ou non gaussien mais de 4-2. Variance inconnue, échantillon gaussien ou non gaussien mais de
grande taille grande taille
23
20/12/2021
IV. Intervalles de confiance sur une moyenne IV. Intervalles de confiance sur une moyenne
4-2. Variance inconnue, échantillon gaussien ou non gaussien mais de 4-2. Variance inconnue, échantillon gaussien ou non gaussien mais de
grande taille grande taille
et, en fin, on multiplie chaque membre par (-1) en changeant le sens des inégalités. l’intervalle. Selon la table, pour 40 ddl:
t0,975 = 2,021. L’intervalle est bien maximiser avec cette méthode.
p X 50 − t0,975 SC 50 50 X 50 + t0,975 SC 50 50 = 95%
24
20/12/2021
IV. Intervalles de confiance sur une moyenne V. Intervalles de confiance sur une variance
Traduction: 74,7 74,8 74,9 74,7 74,7 74,9 75,4 74,9 75,3 75,2
Compte tenu des arrondis sur les bornes finales de l’intervalle, la conclusion est la même que 74,6 74,8 74,8 75,0 75,1 74,8 74,6 75,2 75,2 75,3
la section (4.1): il y a une probabilité de 95% que l’intervalle de 99 km/h à 105 km/h contienne 75,2 74,8 75,2 75,1 75,1 74,8 75,0 75,2 75,2 75,0
la vitesse moyenne de tous les véhicules. 74,8 74,9 74,7 74,9 75,1 75,0 75,1 75,1 75,1 75,0
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 117 20/12/2021 118
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
25
20/12/2021
V. Intervalles de confiance sur une variance V. Intervalles de confiance sur une variance
5-1. Intervalles de confiance sur la variance 5-1. Intervalles de confiance sur la variance
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 119 20/12/2021 120
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
26
20/12/2021
V. Intervalles de confiance sur une variance V. Intervalles de confiance sur une variance
5-1. Intervalles de confiance sur la variance 5-1. Intervalles de confiance sur la variance
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 121 20/12/2021 122
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
27
20/12/2021
V. Intervalles de confiance sur une variance V. Intervalles de confiance sur une variance
5-1. Intervalles de confiance sur la variance 5-1. Intervalles de confiance sur la variance
D’après la table de khi-deux, k1 = k2,5% = 73,361 et k2 = k97,5% = 128,422 L’hypothèse de normalité de la variable aléatoire parente est très importante dans ce cas de
Avec Excel: figure. L’intervalle de confiance est donné par la formule suivante:
k1 = k2,5% = LOI.KHIDEUX.INVERSE(0,025;99) = 73,361
k2 = k97,5% = LOI.KHIDEUX.INVERSE(0,975;99) = 128,422
(n − 1).SCn
2
(n − 1).SCn
2
D’après les données du tableau (début de la section) on a: S 2
= 0, 0462 ( )
IC(1− ) 2
= ;
k1− k
CA100
Finalement, ic95% ( A ) = 0,1887;0, 2498 Au seuil de 95%, l’écart type de la contenance des bouteilles de la chaîne A est compris entre
0,19 cl et 0,25 cl. Il y a donc une probabilité d’au moins 95% que l’écart type des machines
anciennes de la chaîne A ne soit plus proche de 0,1 cl. La précision des machines s’est
nettement dégradée.
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 123 20/12/2021 124
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
28
20/12/2021
VI. Intervalles de confiance sur une proportion VI. Intervalles de confiance sur une proportion
6-1. Loi faible des grands nombres et estimateur d’une proportion 6-1. Loi faible des grands nombres et estimateur d’une proportion
Proposition: Loi faible des grands nombres On pour tout i, E ( Xi ) = finie et Var ( X i ) = i2 = (1 − ) finie, les variables sont
Soit X1, X2,…,Xn une suite de n variables aléatoires indépendantes, d’espérances indépendantes. Par ailleurs:
1 n 1 1 n
µ1, µ2,…,µn finies et de variances 2 2 ,…,2
• E ( X i ) = n n = (ce qui montre que Fn = X i est un estimateur non biaisé de ).
1, 2 n finies . n i =1 n i =1
1 n
1 (1 − ) = 0
• Et lim
n→ n 2
Var ( X i ) = lim
n→ n 2
n (1 − ) = lim
1 n 1 n i =1 n→ n
Si lim i =
n i =1
et si lim i2 = 0 , alors X n ⎯⎯
p
→
On a donc, d’après la loi faible des grands nombres: Fn ⎯⎯
p
→
n →
i =1
n → n
Proposition
Ce théorème s’applique à des variables quantitatives continues ou discrètes.
La fréquence empirique est un estimateur sans biais et convergent de la probabilité .
Il aurait donc pu servir pour démontrer que dans le cas d’un n – EAS, la moyenne empirique
est un estimateur convergent de l’espérance de la variable parente. Dans le cas particulier des estimations de proportions, la variable aléatoire parente X suit
Il s’agi donc ici, d’utiliser ce théorème appliqué à un n – EAS où la variable parente suit une loi forcément une loi de Bernoulli. La situation est donc toujours celle d’un échantillon non
de Bernoulli, pour démontrer la proposition ci-dessous. gaussien. Pour la même raison l’écart type de X est forcément inconnu puisque = (1 − )
Prf. Mohamed AIT HOU - Economie et Prf. Mohamed AIT HOU - Economie et
20/12/2021 125 20/12/2021 126
Gestion - S3, FP- Errachidia Gestion - S3, FP- Errachidia
29
20/12/2021
1
La marge d’erreur maximale vaut toujours: MEn ( max ) = z1− 2
2 n
30