Scribd
Importer
27 vues4 pages

Estimation et Estimateurs Statistiques

Ce document définit la notion d'estimateur statistique et présente ses propriétés clés. Il décrit comment estimer un paramètre à partir d'un échantillon de données, et introduit des notions comme l'estimateur sans biais, la variance d'un estimateur et l'estimateur optimal.

Transféré par

Shany Marion
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
27 vues4 pages

Estimation et Estimateurs Statistiques

Ce document définit la notion d'estimateur statistique et présente ses propriétés clés. Il décrit comment estimer un paramètre à partir d'un échantillon de données, et introduit des notions comme l'estimateur sans biais, la variance d'un estimateur et l'estimateur optimal.

Transféré par

Shany Marion
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Estimation

I. Définition d’un estimateur


Dans une ville, un entrepreneur aimerait connaitre la proportion de personnes favorables à son
nouveau produit X. Le modèle statistique que l’on peut construire consiste à retenir comme
ensemble Ω l’ensemble de ses clients et à considérer le sous-ensemble A de ceux qui sont
favorables au produit X. La v.a. X associée sera alors la variable indicatrice de A définie par :

𝑋 ↪ 𝛽(𝑝)
Le paramètre qui définit complètement le modèle est ici θ = p = P ( X = 1) = P ( A). La famille
de lois de probabilité est donc {B (1, p) ; p ∈ [0,1]} indexée par Θ = [0, 1].
Pour se faire une « idée » de la vraie valeur de ce paramètre, on effectue un sondage en
interrogeant n personnes tirées au hasard dans Ω et on associe à chacune d’elles une variable
de Bernoulli Xi, 1 ≤ i ≤ n, de même loi que X. Si 60% des personnes interrogées sont favorables
pour le produit X, on déduira que 60% des personnes de la ville sont prêts à acheter le produit
X. La valeur de 60% correspond à l’estimation du paramètre p, obtenue à partir de la fréquence
empirique

qu’on appellera un estimateur de p

La loi de la v.a. dépend de celle de X, et donc de 𝜃. Chaque réalisation de


est une estimation de 𝜃.

1
II. Propriétés d’un estimateur

Donc 𝑇𝑛 est un estimateur asymptotiquement sans biais de θ. De plus,

Donc 𝑆𝑛2 est un estimateur sans biais de θ.


Démonstration

2
Démonstration
Propriété de Bienaymé-Tchebychev

Estimateur optimal
Erreur quadratique moyenne est donné par :

Si on se place donc dorénavant dans la classe des estimateurs sans biais, on pourra comparer
deux estimateurs 𝑇𝑛 et 𝑇𝑛′ de cette classe par leur variance qui mesure alors leur dispersion par
rapport au paramètre qui est leur espérance commune. On dira que l’estimateur 𝑇𝑛 est plus
efficace que 𝑇𝑛′ si pour tout θ de Θ et pour une taille d’échantillon n > N :

III. Méthode de construction d’un estimateur


1.Méthode des moments
Dans le cas où le paramètre à estimer est 𝜃 = 𝐸𝜃 (𝑋), moyenne théorique de la loi, alors
̅̅̅𝑛̅.
l’estimateur naturel est la moyenne empirique, ou moyenne de l’échantillon, 𝑋
L’estimateur de la variance empirique est 𝑆𝑛′2
L’estimation des moments d’ordre k est donnée par

3
[Link] par intervalle de confiance

Vous aimerez peut-être aussi