Ech Estimation PDF

Echantillonnages
et estimations
M.AIT OUDRA M. Mlle.TOUATE S.

1
PLAN DU COURS
Introduction gnrale;
Chapitre I: Rappel sur les diffrentes lois de
probabilit;
Chapitre II: Thorie dchantillonnage;
Chapitre III: Estimation ponctuelle;
Chapitre IV: Estimation par intervalle de
confiance;
Chapitre V: Thorie des tests
2
BIBLIOGRAPHIE INDICATIVE
Statistiques pour l'conomie et la gestion Anderson,
Sweeney et Williams;
Elments de statistique daide la dcision: cours et
exercices rsolus par M.ELHAFIDI et D.TOUIJAR;
Thorie des sondage: chantillonnage et estimation
en populations finies par Yves Till;
Mthodes statistiques , P. TASSI;
Thorie des sondages C. GOURIEROUX;
Mthodes statistiques de la gestion J.L. BOURSIN
3
Les mthodes statistiques sont utilises dans presque
tous les domaines:
dans le domaine industriel: la fiabilit des matriels,
le contrle de qualit (Etude des
caractristiques de pices dune chaine de
fabrication), lanalyse des rsultats de mesure et
leur planification, la prvision,
dans le domaine de lconomie et des sciences
sociales: les modles conomtriques (Prvoir
lvolution de la vente dun produit), les
sondages, les enqutes dopinion, les tudes
quantitatives de march,
4
Aprs le recueil de donnes, la dmarche
statistique consiste traiter et interprter les
informations recueillies.
Elle comporte deux grands aspects: laspect
descriptif ou exploratoire et laspect
infrentiel ou dcisionnel.
5
Introduction gnrale
Nous avons vu jusqu prsent des mthodes destines
observer, dcrire et modliser un phnomne:
Statistique descriptive (S1): repose sur lobservation

des phnomnes concrets (passs). Son but est de
rsumer, structurer et reprsenter linformation;
Probabilit (S2): thorie mathmatique permettant de

modliser des phnomnes o le hasard intervient et
dcrire des expriences alatoires.
6
Introduction gnrale
Statistique infrentielle (S3): statistique inductive

(dmarche inductive). son but est dtendre
(infrer=tirer les consquences), la population
toute entire, les proprits constates sur un
chantillon.
Le but de linfrence statistique est de gnraliser

les rsultats obtenus auprs dun chantillon
reprsentatif pour dcrire la population globale.
7
Introduction gnrale
La statistique infrentielle a un aspect dcisionnel et le

calcul des probabilit y joue un rle fondamental.
Etude statistique= tude des caractristiques dun

ensemble dobjets ( population compose dindividus.
Recensement: les valeurs sont disponibles sur

lensemble de la population.
8
Introduction gnrale
Sondage: tude dune partie de la population (un

chantillon).
Le statisticien ntudie pas le caractre sur lensemble

de la population mais sur un chantillon extrait de la
population pour plusieurs raisons, entre autres:
9
Introduction gnrale
La taille de la population peut tre trs

importante et le cot de lenqute serait
trop important (cot et temps);
Laccs tous les individus de la population

est matriellement impossible (complxit,
population indfinie)
10
Introduction gnrale
Un bon chantillon ( de qualit) doit

constituer une image rduite de lensemble de
la population (reprsentatif) dont on va
tudier un caractre bien dfini. Dans le cas
contraire on dit que lchantillon est biais.
11
Introduction gnrale
Comment choisir un chantillon pour quil soit

reprsentatif? (techniques dchantillonnage)
Comment les paramtres de la population

peuvent- ils tre estims partir de
lchantillon? (estimation)
12
Introduction gnrale
Lchantillonnage dsigne l'opration destine
slectionner une fraction d'une population, afin
de conduire des analyses.
Mthodes de prlvement dun chantillon:
Mthode des quotas;
chantillonnage alatoire;
chantillonnage au hasard simple;
chantillonnage stratifi;
chantillonnage par grappe;
13
La problmatique de linfrence statistique
consiste, partir dun chantillon de donnes
(technique d chantillonnage, chapitre2)
provenant dune population de loi de
probabilit inconnue, dduire des proprits
sur cette population : quelle est sa loi
(problme destimation, chapitre 3 et4),
comment prendre une dcision en contrlant
au mieux le risque de se tromper (problme
de test chapitre 5).
14
Introduction gnrale
L'chantillonnage permet aux statisticiens de
tirer des conclusions au sujet d'un tout en y
examinant une partie. Il nous permet d'estimer
des caractristiques d'une population en
observant directement une partie de l'ensemble
de la population. Les chercheurs ne s'intressent
pas l'chantillon lui-mme, mais ce qu'il est
possible d'apprendre partir de l'enqute et la
faon dont on peut appliquer cette information
l'ensemble de la population.
15
CHI:LOIS USUELLES CONTINUES
Loi normale trs utilise en statistique
infrentielle;
Importante = une loi approche par de nombreux

phnomnes naturels;
Dpend de deux paramtres;
Elle est symtrique.
16
ChI: LOIS USUELLES CONTINUES
I. LOI NORMALE
A. Loi normale gnrale
a. Dfinition
On dit quune v.a.r X suit une loi Normale de paramtres
et si :
17
b. Esprance et Variance :
c. Caractristiques :
La courbe de la loi Normale possde la forme en
CLOCHE
La distribution normale est symtrique par rapport
la droite verticale : X=
18
Points dinflexion sont situs une distance

de cet axe de symtrie
f atteint son maximum lorsque x=
19
Remarque : La loi Normale gnrale nest pas

Tabule
B. La loi Normale Centre et Rduite :
a. Variable Centr et Rduite :
Soit X une v.a :
Sappelle Variable Centre.
Sappelle Variable Centre et Rduite.
20
Si une V.A suit une loi normale gnrale, il est
difficile de calculer sa fonction de rpartition F(x).
Pour tous les calculs, on se ramne la fonction

de rpartition de la loi normale centre rduite
(une loi TABULEE).
Centrer et rduire une variable, cest raisonner en

nombre dcart type par rapport la moyenne.
21
V.A centre rduite a pour esprance 0 et cart
type 1
E(U)= 0
V(U)= 1
La densit de probabilit de la loi normale

centre rduite :
22
b. Thormes
si
Quelle est la loi de Y=a X+b?

ALORS
23
Chapitre I (suite)
Sachant que X1 et X2 sont indpendant,

quelle est la loi de X= aX1+bX2 ?
Conclusion
24
Chapitre I (suite)
Exercice
Soit . Donner la loi de probabilit de

Soit .Donner la loi de
probabilit de
X1 et X2 sont indpendantes
25
Chapitre I (suite)
C.Thorme Central Limit (T.C.L)
Le TCL sera trs prcieux puisquil nous

expliquent que si on fait la somme dun trs
grand nombre de variables alatoire de la loi
quelquonque, cette somme suit
approximativement une loi normale.
26
Chapitre I (suite)
Soit avec (n) variables alatoires

identiquement distribues et indpendantes.
Alors :
suit une loi Normale de paramtres
27
Chapitre I (suite)
D. Calcul des probabilits

a. fonction de rpartition de
Soit et
Alors la fonction de rpartition est note
Avec
Cette fonction est Tabule
28
Chapitre I (suite)
29
Chapitre I (suite)
La lecture de la table
Elle donne la valeur de connue
Elle donne la valeur de (u) pour connue
EXEMPLE
Pour les valeurs ngatives

Pour les valeurs infrieures 0,5, on utilise la
symtrie de la distribution
30
Chapitre I (suite)
Pour certaines valeurs qui ne figurent pas sur

la table, on utilise lintrpolation linaire
31
Chapitre I (suite)
Exercices dapplications
Exercice1
Soit
Calculer
La V.A X suit une loi normale desprance 550 et
dEcart type 100.
Quelle est la probabilit pour que X soit moins de
650, plus de 746, moins de 500, entre 550 et 600
32
Chapitre I (suite)
Exercice II
Le temps (en minutes) de fabrication dun
bien par un ouvrier est reprsent par une
variable normale (X). On considre deux
ouvriers A et B travaillent indpendamment
lune de lautre.
Pour A
Pour B
33
Chapitre I (suite)
Si A et B commencent travailler au mme
instant, quelle est la probabilit que A termine
avant B, la premire unit produite ?
Exercice III
Calculer
Dterminer la valeur de U
34
A la fin de cette partie, ltudiant doit tre
capable de:
Expliquer les caractristiques dune loi NORMALE;
Dfinir et expliquer la valeur centre rduite
correspondant a nimporte quelle observation
dune variable normale (toute variable normale
peut se convertir en une variable normale
centre rduite);
Dterminer, a laide de la distribution normale
centre rduite, la probabilit dune variable
normale se trouvant dans un intervalle donne.
35
Chapitre I (suite)
II. Loi de khi-deux (Loi de Karl Pearon)
a. Thorme
Soit U1,U2 ,,Uv une suite de (v) variables Normales
Centres et rduites indpendantes.
X suit une loi de chi deux x2 (v) dgre de libert.
36
Chapitre I (suite)
(v reprsente le paramtre)
X=x2(v)
b.Caractristiques de la distribution de x2(v)
La distribution x2(v)est dissymtrique pour les

petites valeurs de (v)
La distribution x2(v) commence devenir symtrique
partir v=30
37
Chapitre I (suite)
c. Lesprance et la variance
X=x2(v)
E(X)= v
V(X)= 2v
Exemple
X=x2(10) E(x2(10))= 10 V(x2(10))= 2 10
X=x2(5) E(x2(5))= 5 V(x2(5))= 2 5
38
Chapitre I (suite)
d. Comportement asymtrique (Approximation)
Approximation de Fisher:
Si v30 alors:
Approximation gnrale:
Si v101 alors:
39
Chapitre I (suite)
e. Lecture de table de x2(v)
La table x2(v) donne les valeurs de la V.A x2(v)
ayant la probabilit dtre dpasse.
Elle donne:
La probabilit si x2(v) et (v)sont connus

La valeur de x2(v) si et (v) sont connus.
40
Chapitre I (suite)
Exercices dapplication
Exercice I
Dterminera la valeur de (k) dans chacun des
cas suivants :
P(x2(17)>k)=0,25
P(x2(24)>k)=0,01
P(x2(29)<k)=0,90
41
Chapitre I (suite)
Exercice 2 :
1- Calculer le quantile dordre 10% pour la V.A x2(10) .
2- Dterminer la mdiane de x2(15)
Exercice 3 :
Dterminer les valeurs k1 et k2 dans chacune d des
eux cas suivants :
P(k1 < x2(9) < k2)=0,9
P(k1 < x2(50) < k2)=0,98
42
Chapitre I (suite)
Rappel : le quantile dordre () de la variable X

est not (q ) avec : P(X< q ) =
Rappe2: La mdiane est la modalit qui partage

la srie statistique en deux parties gales.
Autrement dit :
La mdiane est le quantile dordre =0,50
43
Chapitre I (suite)
Exercice 4
En utilisant lapproximation de Fisher. Calculer la
valeur de k1 telle que :
P(x2(60) < k1)=0,8413
Exercice 5 :
Soit X= x2(200) Calculer la valeur de k telle que :
P(X>k)=0,0708
44
Chapitre I (suite)
III. Loi de Student (William Sealy Gosset)
a. Dfinition
Soit U=N(0,1) et X= x2(v)
Avec U et X sont indpendantes
Alors:
Suit une loi student (v) degr de libert.

Notation : T = stud (v)
45
Chapitre I (suite)
b. Esprance mathmatique et variance
Soit T = stud (v)
E(T)= 0 (existe si v>1)
V(T)= (existe si v>2)
c. Comportement asymtrique
Soit T = stud (v)
Si (v) tend vers linfini alors T tend vers N(0,1)
46
Chapitre I (suite)
Remarque
La loi de Student est gnralement utilise pour
les petits chantillons lorsque la variance de
la population est inconnue.
47
Chapitre I (suite)
IV. Loi de Fisher-Sndcor
a. Dfinition
X1= x2(v1) et X2= x2(v2)
X1 et X2 deux variables indpendantes
Alors la variable:
Suit une loi de Fisher de paramtres v1et v2 note
48
Chapitre I (suite)
Remarque
La distribution de Fisher, comme celle de x2,
nest pas symtrique.
b. Rgle empirique de Fisher
Avec est telle que:
49
Chapitre I (suite)
La table donne les valeurs de F pour avec la

rgle empirique :
50
CHII:ECHANTILLONNAGE
I- Dfinitions
a-Population
Population statistique: ensemble des units statistiques
(personnes ou objets) auxquelles on s'intresse et sur
lesquelles porte une tude. Et on appelle individu chaque
lment (entit) de cette population pour lequel des
donnes sont collectes.
Variable Alatoire Parente (V.A.P): caractre tudi dans
la population statistique (poids, CA, salaire, taille,
bnfice,), not X , Y, Z,La loi de la V.A.P sappelle loi
de la population
51
CHII ( suite)
Paramtres de la population: Ce sont les
caractristiques numriques de la population
statistique
Moyenne de la population () = E(X);
Variance de la population (2 ) = V(X);
Proportion de la population = P
b-Echantillon
Dfinition: une partie (sous ensemble) reprsentative
de la population statistique observe. La population
do on tire lchantillon sappelle population mre
ou population chantillonne
52
La constitution dun chantillon permet de collecter
des donnes pour rpondre une question
concernant une population.
Exemple 1:
Les membres dun parti politique marocain sont
supposs soutenir un candidat particulier aux
lections du parlement, et les responsables du parti
voudraient estimer la proportion dlecteurs
favorables leur candidat. Un chantillon de 400
lecteurs a t slectionn et 160 de ces lecteurs
ont indiqu tre favorables au candidat. Une
estimation de la proportion dlecteurs favorables au
candidat est donc 160 sur 400 soit 0,40.
53
Exemple 2:
Un fabriquant de pneu a conu un nouveau type de
pneu permettant daccroitre le kilomtrage effectu.
Pour estimer le nombre moyen de kilomtres
effectus avec les nouveaux pneus, le fabricant a
slectionn un chantillon de 120 nouveaux pneus,
dans le but de les tester. Daprs les rsultats du
test, la moyenne de lchantillon est gale a 36 500
kilomtres. Par consquent, une estimation du
kilomtrage moyen pour la population des
nouveaux pneus est de 36 500 kilomtres.
54
Il est important de comprendre que les rsultats dun
chantillon fournissent seulement des estimations
(lchantillon contient juste une partie de la
population. Une certaine erreur dchantillonnage
est attendu).
Avec des mthodes dchantillonnage adquates, les

rsultats de lchantillons fournissent de bonnes
estimations des paramtres de la population (une
moyenne dchantillon fournit une estimation de la
moyenne de la population, une proportion
dchantillon fournit une estimation de la proportion
de la population)
55
Slectionner un chantillon:
comment slectionner un chantillon partir
dune population finie ?
comment slectionner un chantillon partir
dune population infinie ?
chantillonnage partir dune population finie: les
statisticiens recommandent dutiliser des mthodes
dchantillonnage probabilistes .
Le type le plus simple dchantillons probabiliste est
celui dans lequel chaque chantillon de taille n a la
mme probabilit detre slectionn . On parle
dchantillon alatoire simple
56
CHII ( suite)
Echantillon alatoire simple(E.A.S)
(population finie): La construction dun
chantillon alatoire simple de taille n est
ralise par un tirage au hasard avec remise
de n individus dans lensemble de la
population. Ainsi, tous les individus seront
tirs de manire indpendante et auront une
chance gale de faire partie de lchantillon (la
mme probabilit detre slectionn).
57
CHII (suite)
Autrement dit, On dit quun chantillon (X1, X2,
X3,, Xn) est alatoire simple si et seulement si :
Quelque soit i= 1, 2, 3,,n; la loi de Xi est la
mme que celle de la V.A.P (X), do:
E (Xi)= E(X)=
V(Xi )= V(X)= 2
Et les Xi sont indpendants
58
chantillonnage partir dune population infinie:
parfois, nous souhaitons slectionner un chantillon
partir dune population qui est infiniment grande ou dont
les lments sont gnres par un processus pour lequel il
ny a pas de limite quant au nombre dlments qui
peuvent tre gnres.
Ainsi, il nest pas possible de dvelopper une liste de

tous les lments de cette population. Cest ce quon
appelle le cas dune population infinie. Dans ce cas,
les statisticiens recommandent de slectionner un
chantillon alatoire.
59
chantillon alatoire (population infinie): un EA de taille n
issue dune population infinie est un chantillon slectionn
qui satisfait les conditions suivantes:
1. Chaque lment slectionn est issu de la mme
population;
2. Chaque lment est slectionn indpendamment des
autres.
Exemples des situations impliquant un chantillonnage
partir dune population infinie (gnralement associs un
processus durable): pices fabriques sur une chaine de
production, transactions bancaires, clients entrants dans
un magasin, appels tlphoniques reus dans un centre de
soutien technique,
60
CHII ( suite)
C- probabilit dun chantillon (fonction de
vraisemblance)
Soit (X1, X2, X3,, Xn ) un chantillon alatoire
simple dont la ralisation est (x1, x2, x3 ,, xn),
la probabilit de cette chantillon est note:
L(x,), avec (cas continu):
61
CHII (suite)
Ou (cas discret)
est le (s) paramtre(s) de la loi de la V.A (X).
62
CH II (suite)
Exemple
soit X=P( ), calculons L(x, )
Exercice1
Soit X=B(n,p)
Calculer L(x;p)
Exercice2
Soit X= B(p)
Calculer L(x;p)
63
CHII (suite)
Exercice 3
X=N(; 2)
Calculer L(x;; 2)
64
CHII (suite)
II- variables et distribution dchantillonnage
Distribution de probabilit appel distribution d
chantillonnage
Supposons une population statistique de taille N. de
combien de manires diffrentes peut on tirer un
chantillon de taille n parmi les N individus?
La rponse dpend des conditions de tirage.

Supposons un T.S.R simultan. Le nombre
dchantillons possible est CNn = k.
65
CHII (suite)
a-dfinition
On appelle variable dchantillonnage toute
fonction de lE.A.S (X1, X2, X3,, Xn)
Exemple:
66
CHII (suite)
b-la moyenne dchantillonnage
Une distribution d chantillonnage de la moyenne d chantillonnage correspond
la distribution de toutes les valeurs possibles de la moyenne d chantillon
Exemple: on effectue une tude dmographique
sur la fcondit chez la femme citadine et on
considre la variable alatoire X qui dsigne le
nombre d enfants par famille.
On sintresse au nombre moyen denfants par
famille. Pour cela, on prlve 5 chantillons
alatoires et on observe la ralisation des 9 V.A X 1
, X 2,, X 9
Pour chacun des 5 chantillons on a:
67
CHII (suite)
Echantillon 1 2 3 4 5
X1 2 1 4 4 0
X2 1 0 3 4 1
X3 1 0 3 0 0
X4 1 4 0 1 2
X5 3 3 1 0 2
X6 2 2 2 3 2
X7 5 5 5 2 4
X8 2 1 2 4 3
X9 4 0 2 1 5
X 2,3 1,8 2,4 2,1 2,1
68
CHII (suite)
On remarque que le nombre moyen denfants
par famille prend des valeurs diffrentes selon
lchantillon considr;
La moyenne est donc une variable alatoire
69
CHII (suite)
Proprit de la moyenne dchantillonnage
Le tableau prcdent nous a permis dobtenir 5
ralisations de la moyenne dchantillonnage
quon note:
On sattend ce que ces 5 valeurs soient
proches de la moyenne .
70
CHII (suite)
Proprit 1
Soit X1, X2, , Xn un chantillon alatoire simple
de taille n, relatif la V.A. parente X.
Lesprance de la V.A moyenne
dchantillonnage est gale la moyenne de la
population
=E(Xi)= E(X)=
71
CH II (suite)
Proprit 2
Soit X1, X2, , Xn un chantillon alatoire simple
de taille n, relatif la V.A. parente X. La
variance de la V.A moyenne dchantillonnage
est gale la variance de X divise par la taille
n de lchantillon:
72
CH II (suite)
Loi(Distribution) de la moyenne dchantillonnage

La loi de dpend de :
Loi de la population (Normale ou quelconque)
Variance de la population (Connue ou
inconnue)
Taille de l'chantillon (n petite ou grande)
73
CH II (suite)
Exemple
La Taille des tudiants dune universit, Note X
est une Variable Normale de moyenne 170 cm
et dcart type 7 cm .On tire au hasard un
chantillon de taille n=49. Calculer la
probabilit que la moyenne de lchantillon
soit :
a- infrieure 172 cm
b-comprise entre 168cm et 172cm ?
74
CH II (suite)
C- La variance dchantillonnage et la quasi-
variance
Dfinition: On rappelle que la variance
dchantillonnage(not )est une V.A. qui
associe une valeur numrique chaque tirage
dchantillon.
75
CH II (suite)
Si:
Alors:
76
CH II (suite)
Si est connue alors:
77
CH II (suite)
Proprit: Soit X1, X2, , Xn un chantillon
alatoire simple de taille n, relatif la V.A. parente
X de moyenne et de variance 2. Lesprance de
la V.A variance dchantillonnage est gale :
La variance de la V.A variance

dchantillonnage est gale :
78
CH II (suite)
Remarque: Lesprance de la variance
dchantillonnage nest pas une image parfaite
de la variance.
Pour remdier ce problme, on construit

une statistique (VA) qui approchera le mieux
2
79
CH II (suite)
Proprit : Soit X1, X2, , Xn un chantillon
alatoire simple de taille n, relatif la V.A. parente
X de moyenne et de variance 2. Lesprance de
la V.A quasi-variance dchantillonnage est gale
:
2
La variance de la V.A quasi-variance
dchantillonnage est gale :
80
CH II (suite)
Si:
Alors:
si est connue :
81
CH II (suite)
Remarque: la variance et la quasi-variance
tendent toutes les deux vers zro lorsque la
taille de lchantillon tend vers linfini
82
CH II (suite)
d- La proportion (frquence) alatoire F
Dfinition: Soit X1, X2, , Xn une suite de
variables alatoires de Bernoulli
indpendantes.
Sappelle proportion (ou frquence) alatoire.
83
CH II (suite)
Proprits de F:
p = proportion de succs dans la pop. stat)
(si le tirage est avec remise)
84
CH II (suite)
Si le tirage est sans remise
85
CH II (suite)
Loi de probabilit de F
Lorsque n < 30
Soit
Valeurs possible de F : DF
Pour
Donc
86
CH II (suite)
Soit
Si:
Alors:
87
CH II (suite)
Si:
Alors:
88
CH III: Estimation
Aprs avoir prlev lchantillon, et tudi les

distributions dchantillonnage, on peut alors
gnraliser, la population, les rsultats
exprimentaux obtenus partir de lchantillon
Lestimation consiste en lvaluation dun

paramtre de la population partir de
lobservation dun E.A. La thorie de lestimation
se divise en deux parties:
89
CH III: Estimation ponctuelle
Lestimation ponctuelle: permet dobtenir une
valeur unique calcule partir dun E.A.,
valeur qui sera prise comme estimation du
paramtre inconnu.
Lestimation par intervalle: permet de

dterminer un intervalle qui, avec une grande
probabilit fixe a priori, contient la vraie
valeur du paramtre inconnu
90
Estimation ponctuelle
Dfinition de lestimateur: Soit X1, X2, , Xn
un E.A.S relatif la V.A. parente X dont sa loi
dpend du paramtre . On appelle estimateur
du paramtre , toute statistique utilise dans
le but dapprocher la valeur inconnue de . Un
estimateur est donc une Variable Alatoire,
cest une fonction de lE.A.S.
Soit lestimateur de alors:
91
Exemple:
avec
92
Dfinition de lestimation: Cest la valeur prise
par lestimateur dans lchantillon ralis (x1;
x2; x3; x4;;xn).
Une estimation du paramtre est une
ralisation dun estimateur de ce paramtre.
Une estimation est donc une valeur
numrique.
93
II- Proprits des estimateurs
1-Estimateurs sans biais
Dfinition: est un estimateur sans biais du
paramtre
Si:
Remarque: Si est biais, le biais (lerreur)

serait alors:
94
Interprtation:
Si
Si
Si
95
Exercice: montrer que:
est un estimateur sans biais de
F est un estimateur sans biais de p
est un estimateur biais de 2
Calculer le biais et proposer un estimateur sans
biais de 2 en fonction de
96
Dfinition: On appelle estimateur
asymptotiquement sans biais, du paramtre
Si
Exemple
est un estimateur asymptotiquement sans
biais de 2
97
2-Estimateurs Convergents
Dfinition: On appelle estimateur convergent
du paramtre si:
Dans la pratique, pour vrifier la convergence,
il suffit de vrifier la consistance.
Estimateur consistant: un estimateur
convergent du paramtre si:
98
Si est un estimateur sans biais ou
asymptotiquement sans biais de , et si sa
variance tend vers zro lorsque n tend vers
linfini, alors est un estimateur consistant de
Thorme:
Tout estimateur Consistant est convergent
Exemple:
et est un
estimateur convergent car il est consistant
99
3-Estimateurs Efficaces ( choix entre estimateurs):
Choix entre estimateurs quelconques: pour
choisir entre plusieurs estimateurs quelconque,
on utilise le critre de lerreur quadratique
moyenne (EQM).
On choisit lestimateur EQM minimale.
100
Si
Choix entre estimateurs Sans-biais: Entre
deux estimateurs sans biais, on prfre utiliser
celui qui a la variance la plus petite ( la
variance minimale).
Efficacit:
Ingalit de CRAMER-RAO:
101
Avec
102
Estimateur efficace: est efficace si:
III. Mthodes destimation ponctuelle

a. La Mthode des moments : Elle consiste
estimer les moments de la population par les
moments analogues de lchantillon.
103
Rappel
Cas particuliers :
Si
Si
104
b. La Mthode de maximum de
vraisemblance
Pour calculer lestimation de maximum de
vraisemblance (EMV) de not , on doit
suivre 4 tapes :
105
106
Estimation par intervalle de confiance
Un estimateur ponctuel est une statistique
d'chantillon utilise pour estimer un
paramtre dune population.
puisquon ne peut sattendre ce quune
estimation ponctuelle soit exactement gale
la valeur du paramtre de la population
correspondant, une estimation par intervalle
est souvent ralise en ajoutant une marge
derreur lestimation ponctuelle.
107
Elle permet destimer le paramtre par un intervalle

Elle tient compte de lerreur dchantillonnage.
Dfinition: On dit que est un intervalle de confiance
au niveau 1- pour le paramtre partir de
lchantillon ralis (x1, x2, x3,,xn) si on a :
Les bornes de lintervalle sont des statistiques relatives

l E.A.
108
1- est appel niveau de confiance de
lintervalle.
sappelle Risque avec:
Plus est petite et plus lintervalle de confiance
est grand. Gnralement, on considre des
intervalles risques symtriques:
I- Intervalle de Confiance pour une proportion:

IC(p)
109
Construction de l IC(p): Afin destimer une

proportion p de Succs par exemple; on
utilise la frquence F qui est un estimateur
sans biais, convergent et efficace du
paramtre p.
Exemple: pour un niveau de confiance 95%;
=5%
110
Proprit: Soit X1, X2, , Xn un chantillon

alatoire simple de taille n, relatif la V.A.
parente X suivant une loi de Bernoulli de
paramtre p inconnu. Un intervalle de
confiance au niveau 1- pour p peut se
prsenter comme suit :
111
Avec est toujours lue sur la table de la loi normale
centre rduite aprs vrification du T.C.L
Et
Exercice dapplication: Parmi un E.A. de 250 lecteurs,

108 dclarent vouloir voter pour le prsident sortant.
Tandis que les autres voteront pour lautre candidat.
Donner un IC(p) au niveau 90 et 95%
Combien faudrait-il interroger dlecteurs pour que
lerreur destimation ne dpasse pas 2% ?
112
p reprsente la proportion des votants en

faveur de A dans toute la population des
lecteurs.
Une estimation ponctuelle de p est donne,
grce la ralisation de lE.A.,par la
frquence.
Condition du T.C.L?
113
2- Prcision dune estimation par intervalle de

confiance: Pour un donn, on veut
dterminer la taille ncessaire de lchantillon
pour atteindre une certaine prcision de
lestimation.
Longueur (lamplitude) IC(p) not L(p)
L(p) = la borne suprieur la borne infrieur=
b-a
114
La marge derreur ou lerreur destimation
(prcision) not E: cest la demi longueur de
lintervalle de confiance.
Remarque: Plus lerreur destimation est petite et

plus la prcision est grande.
Dtermination de la taille de lchantillon (n): On
suppose pralablement que le T.C.L est vrifi. Si
(n) est inconnue donc f est aussi inconnue !
115
Ainsi;
1er Cas : on dispose dune information sur (p):

par exemple (p=p*)
Do :
116
Donc
2eme Cas : Aucune information sur (p)

Dans ce cas, on pose p=0,5. Cette valeur permet
davoir lintervalle de confiance de p le plus large.
117
2eme Cas : Aucune information sur (p)
Dans ce cas, on pose p=0,5. Cette valeur permet
davoir lintervalle de confiance de p le plus
large.
118
II- Intervalle de Confiance pour la moyenne:

IC()
Pour effectuer une estimation par intervalle de
la moyenne dune population, lcart type de
la population ou celui de lchantillon
permettent de calculer la marge derreur.
119
IC() dans le cas dune population Normalement

distribue: Dans ce cas la V.A. parente X suit
une loi normale de moyenne et de variance 2
Or, on sait que est un bon estimateur de la
moyenne.
Cet intervalle na de sens que si 2 est connue.
120
Si 2 est inconnue, alors un intervalle de

confiance au niveau 1- pour est :
avec:
121
Prcisions:
avec:
Ou
122
Lamplitude
La marge derreur
123
La taille de lchantillon
Ou
124
III- Intervalle de Confiance pour la variance:

IC(s2)
Avec:
125

Ech Estimation PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Ech Estimation PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Echantillonnages

M.AIT OUDRA M. Mlle.TOUATE S.

Statistique descriptive (S1): repose sur lobservation

Probabilit (S2): thorie mathmatique permettant de

Statistique infrentielle (S3): statistique inductive

Le but de linfrence statistique est de gnraliser

La statistique infrentielle a un aspect dcisionnel et le

Etude statistique= tude des caractristiques dun

Recensement: les valeurs sont disponibles sur

Sondage: tude dune partie de la population (un

Le statisticien ntudie pas le caractre sur lensemble

La taille de la population peut tre trs

Laccs tous les individus de la population

Un bon chantillon ( de qualit) doit

Comment choisir un chantillon pour quil soit

Comment les paramtres de la population

Importante = une loi approche par de nombreux

Dpend de deux paramtres;

Elle est symtrique.

Points dinflexion sont situs une distance

f atteint son maximum lorsque x=

Remarque : La loi Normale gnrale nest pas

Pour tous les calculs, on se ramne la fonction

Centrer et rduire une variable, cest raisonner en

La densit de probabilit de la loi normale

Quelle est la loi de Y=a X+b?

Sachant que X1 et X2 sont indpendant,

Soit . Donner la loi de probabilit de

Le TCL sera trs prcieux puisquil nous

Soit avec (n) variables alatoires

suit une loi Normale de paramtres

D. Calcul des probabilits

Pour les valeurs ngatives

Pour certaines valeurs qui ne figurent pas sur

X suit une loi de chi deux x2 (v) dgre de libert.

La distribution x2(v)est dissymtrique pour les

La probabilit si x2(v) et (v)sont connus

Rappel : le quantile dordre () de la variable X

Rappe2: La mdiane est la modalit qui partage

Suit une loi student (v) degr de libert.

Suit une loi de Fisher de paramtres v1et v2 note

Avec est telle que:

La table donne les valeurs de F pour avec la

Avec des mthodes dchantillonnage adquates, les

Et les Xi sont indpendants

Ainsi, il nest pas possible de dvelopper une liste de

est le (s) paramtre(s) de la loi de la V.A (X).

La rponse dpend des conditions de tirage.

Loi(Distribution) de la moyenne dchantillonnage

La variance de la V.A variance

Pour remdier ce problme, on construit

Sappelle proportion (ou frquence) alatoire.

(si le tirage est avec remise)

Aprs avoir prlev lchantillon, et tudi les

Lestimation consiste en lvaluation dun

Lestimation par intervalle: permet de

Soit lestimateur de alors:

Remarque: Si est biais, le biais (lerreur)

On choisit lestimateur EQM minimale.

III. Mthodes destimation ponctuelle

Elle permet destimer le paramtre par un intervalle

Les bornes de lintervalle sont des statistiques relatives

I- Intervalle de Confiance pour une proportion: