UV Statistique

Cours n°8

UV Statistique pour l'Ingénieur

Cours n° 8

Statistique inférentielle : estimation

méthodes d'estimation par intervalle

Ph. LERAY - A. ROGOZAN 1

 UV Statistique
Cours n°8

Estimation par intervalle de confiance d'un paramètre

• Soit T un estimateur ponctuel du paramètre θ d'une loi
supposée connue (choisir l'estimateur T le plus précis )

• Objectif: construire un estimateur par intervalle de confiance

[T 1 , T 2 ] de niveau de confiance 1-α


le risque (statistique) que le paramètre θ soit en dehors de
l'intervalle de confiance estimé est égale à α
 en répétant un grand nombre de fois l'opération
d'échantillonnage (ou l'enquête), les estimations [t 1 , t 2 ]
des intervalles de confiances contiendront dans (1-α)%
des cas le paramètre θ
Ph. LERAY - A. ROGOZAN 2
 UV Statistique
Cours n°8

Intervalle de confiance d'un paramètre

• Soit un intervalle de confiance [T 1 , T 2 ]
de niveau de confiance 1-α

 Intervalle aléatoire : T 1=1 T  et T 2=2 T 

 Il n'y pas d'unicité de l'intervalle de confiance
 Exemple :
T estimateur sans biais
T1
Intervalle de confiance unilatéral
[T 1 ,∞]

Ph. LERAY - A. ROGOZAN  3

 UV Statistique
Cours n°8

Intervalle de confiance d'un paramètre

• Soit un intervalle de confiance [T 1 , T 2 ] T 1=1 T 
de niveau de confiance 1-α T 2=2 T 

T estimateur sans biais

T1 T2
Intervalle de confiance bilatéral
[T , T ] à risques asymétriques
1 2

Ph. LERAY - A. ROGOZAN 4

 UV Statistique
Cours n°8

Intervalle de confiance d'un paramètre

• Soit un intervalle de confiance [T 1 , T 2 ] T 1=1 T 
de niveau de confiance 1-α T 2=2 T 

T estimateur sans biais

T1 T2

Intervalle de confiance bilatéral

[T , T ] à risques symétriques
1 2


Le risque que T 1 Le risque que T 2
est égal à α/2 est égal à α/2

Ph. LERAY - A. ROGOZAN 5

 UV Statistique
Cours n°8

Propriétés de l'intervalle de confiance d'un paramètre

• Soit un intervalle de confiance [T 1 , T 2 ]
de niveau de confiance 1-α


si le niveau de confiance 1-α augmente,
alors le risque statistique α doit diminuer
=> écartement de l'intervalle de confiance

pour un niveau de confiance 1-α fixé
si la taille de l'échantillon n augmente,
alors Var T  diminue
=> T devient plus précis
=> réduction de l'intervalle de confiance
Ph. LERAY - A. ROGOZAN 6
 UV Statistique
Cours n°8

Exemple
• Vous envisagez d'acheter le dernier PC à la mode si les tests
de ce modèle à un benchmark B sont supérieurs à 0.2
• Une enquête sur 400 PC de ce modèle donne un benchmark
moyen de 0.23
• Que décidez-vous ?

2 −2
• Modélisation : B~ N  ,  =10 
B−
~ N 0, 1
• Enquête : B~ N  ,  2 / 400 
n

B−
 fonction de répartition de la loi N : P −2.58≤ ≤2.58=0.99

Ph. LERAY - A. ROGOZAN
n
7
 UV Statistique
Cours n°8

Exemple

B−  
• P −2.58≤ ≤2.58=0.99 P −2.58 ≤ B− ≤2.58 =0.99
 n n
n

• on cherche un intervalle de confiance sur µ

   
P  B−2.58 ≤  ≤B2.58 =0.99 T 1 =B−2.58 T 2 =B2.58
n n n n

• [T 1 , T 2 ] intervalle aléatoire : les bornes sont fonction de

l'estimateur T =B
 application numérique : intervalle = [0.217 , 0.243] ... on achète !
Ph. LERAY - A. ROGOZAN 8
 UV Statistique
Cours n°8

« Fiche recette » pour l'estimation d'un paramètre

par intervalle de confiance
• Choisir un estimateur T de θ - le meilleur possible - dont on
connaît la loi de probabilité en fonction de θ

• Déterminer la fonction pivotale f(T,θ) , dont la loi de

probabilité, notée P, ne dépend plus de θ (P = loi pivot)

• Déterminer l1 et l2 tels que P l 1 f T ,l 2 =1−

• En déduire, si possible, P T 1T 2 =1−

où Ti sont 2 statistiques fonction de T

T 1=1 T  et T 2=2 T 

Ph. LERAY - A. ROGOZAN 9

 UV Statistique
Cours n°8

Déterminer les bornes l1 et l2 de la loi pivot P

• A partir de la fonction de répartition de la loi pivot P de la
variable aléatoire f(T,θ)

 Intervalle de confiance unilatéral

P l 1 f T , =1− => P  f T , l 1 =

X = f T , ~P −1
P  X l 1 = l 1=F P 

l1 = fractile d'ordre α
x de la loi pivot P

Ph. LERAY - A. ROGOZAN 10

 UV Statistique
Cours n°8

Déterminer les bornes l1 et l2 de la loi pivot P

• A partir de la fonction de répartition de la loi pivot P de la
variable aléatoire f(T,θ)

 Intervalle de confiance bilatéral à risques symétriques

−1 
X = f T , ~P l 1=F  
P
2
 l1 = fractile d'ordre α/2
P  X l 1 =  de la loi pivot P
2 P  X l 2 =
2
−1 
l 2=F 1− 
x x 
P
2
1−
2 2 l2 = fractile d'ordre 1 - α/2
Ph. LERAY - A. ROGOZAN
de la loi pivot P 11
 UV Statistique
Cours n°8

Quelques lois de fonctions pivotales usuelles

2
• 2
f T =S , =  2
 p
loi du chi-deux à p d.d.l
 (estimation par intervalle de la variance d'une loi normale)

• f T = X , = p loi de student à p d.d.lµ

 (estimation par intervalle de la moyenne d'une loi normale, variance
inconnue)

Ph. LERAY - A. ROGOZAN 12

 UV Statistique
Cours n°8

2 2
Loi de la fonction pivotale f T =S , = 
2
•  p
loi du chi-deux à p degrés de liberté
2
nS 2 S ∗2
2
~ n−1
n−1 2 ~2n−1
 
• Propriétés :
 E 2p = p
2
 Var  =2 p
p

 si p>30,  p~N   2 p−1, 1

2 
2

Ph. LERAY - A. ROGOZAN 13

 UV Statistique
Cours n°8

2
Loi du chi-deux  p à p degrés de liberté
2
•  p = loi de probabilité d'une somme de carrés de v.a.
normales centrées réduites indépendantes

2
nS 2
• Pourquoi d.d.l.=n-1 dans 2
~n−1 ?

n n 2 n
1 nS
2
 X i− X 
S = ∑  X i − X 2
2
= ∑ = ∑ U
2
n i=1 2
 i=1  2
i=1
i

 les Ui sont des v.a. centrées

n
réduites, mais seulement n-1 sont
indépendantes car ∑  X i − X =0
i=1

Ph. LERAY - A. ROGOZAN 14

 UV Statistique
Cours n°8

Loi de la fonction pivotale f T = X , =

•  p loi de Student à p degrés de liberté
X − X −
~N 0,1 ~n−1


 => ∗2
S
• Propriétés n n
 E  p =0
p
 Var  p = avec p2
p−2
p
 si p>30,  p  N 0, 
 p−2

Ph. LERAY - A. ROGOZAN 15

 UV Statistique
Cours n°8

Loi de Student  p à p degrés de liberté

• Soient
 U une v.a. suivant une loi N(0,1)
2
 V une v.a. suivant une loi  p
U
alors  p= suit une loi de Student à p d.d.l
 V
p

 vérification pour la loi pivotale :

X − S ∗2 X −
U= V =n−1 2 d.d.l =n−1 ~n−1


 S
∗2

n n
Ph. LERAY - A. ROGOZAN 16
 UV Statistique
Cours n°8

Exemples
• ex1 : soit une v.a. X ~N  , 2  avec µ inconnu et σ connu

proposer un estimateur pour le paramètre µ ;

 déterminer l'intervalle de confiance bilatéral de niveau de

confiance 1-α, puis celui unilatéral

Ph. LERAY - A. ROGOZAN 17

 UV Statistique
Cours n°8

Exemples
• ex2 : soit une v.a. X ~N  , 2  avec µ et σ inconnus
2

proposer un estimateur pour le paramètre  ;

 déterminer l'intervalle de confiance bilatéral de niveau de

confiance 1-α

Ph. LERAY - A. ROGOZAN 18

 UV Statistique
Cours n°8

Exemples
• ex3 : soit une v.a. X ~N  , 2  avec µ et σ inconnus

proposer un estimateur pour le paramètre µ ;

 déterminer l'intervalle de confiance bilatéral de niveau de

confiance 1-α

Ph. LERAY - A. ROGOZAN 19