UNIVERSITE MOHAMMED V ‫جامعة محمد الخامس الرباط‬

RABAT ‫كلية العلوم القانونية واالقتصادية‬

FACULTE DES SCIENCES
‫واالجتماعية‬
JURIDIQUES, ECONOMIQUES ET
SOCIALES ‫اكدال‬
RABAT AGDAL

DEPARTEMENT DES SCIENCES ECONOMIQUES

FILIERE : SCIENCES ECONOMIQUES ET GESTION

MODULE : ECHANTILLONNAGE ET ESTIMATIONS

SEMESTRE 3

Adil EL MARHOUM

Année Universitaire 2020 – 2021

 Echantillonnage et estimations

DESCRIPTIF DU MODULE

N° d’ordre du module M5

Intitulé du module ECHANTILLONNAGE ET ESTIMATION

Nature du module MAJEUR

(Majeur / Complémentaire)

Semestre d’appartenance du module SEMESTRE 3

Département d’attache SCIENCES ECONOMIQUES

FACULTE DES SCIENCES JURIDIQUES,

Etablissement dont relève le module
ECONOMIQUES ET SOCIALES

1. OBJECTIFS DU MODULE

Approfondir et maitriser les bases de L’échantillonnage et de l’estimation.

2. PRE-REQUIS PEDAGOGIQUES

Module de statistiques descriptives du semestre 1 et module de probabilités du

semestre 2.

3. DESCRIPTION DU CONTENU DU MODULE

Chapitre 1 : Théorie d’échantillonnage.

- Taille de l’échantillon
- Méthodes d’échantillonnage
- Distribution d’échantillonnage

Chapitre 2 : Problèmes d’estimation

- Estimation ponctuelle
- Maximum de vraisemblance
- Intervalle de confiance

Chapitre 3 : Tests statistiques

- Tests paramétriques
- Tests non paramétriques

Adil EL MARHOUM Page 2

 Echantillonnage et estimations

Adil EL MARHOUM Page 3

 Echantillonnage et estimations

LES PROBLEMES D’ESTIMATION

Les premiers problèmes d’inférence statistique auxquels s’applique la théorie des distributions
d’échantillonnage sont les problèmes d’estimations. Le but poursuivi est d’estimer, à partir d’un
échantillon, la ou les valeurs numériques d’un ou de plusieurs paramètres de la population
considérée et de déterminer la précision de cette ou de ces estimations.

On distingue deux formes d’estimations : l’estimation ponctuelle et l’estimation par intervalle

de confiance.

I. ESTIMATION PONCTUELLE
L’estimation ponctuelle ou l’estimation de point d’un paramètre est la connaissance de la seule
valeur estimée de ce paramètre. Les paramètres les plus recherchés sont la moyenne, la variance
et la proportion.

1.1. PRINCIPES GENERAUX DE L’ESTIMATION

Soit une population quelconque, dont la distribution de probabilité L(X) est fonction d’un
paramètre  : L(X) = f(X, ) et un échantillon aléatoire et simple d’effectif n extrait de cette
population.

On appelle estimateur du paramètre , toute fonction aléatoire des valeurs observées, X1, X2,
…, Xn, susceptibles de servir à estimer .

Tn = f (X1, X2, …, Xn)

On appelle estimations les valeurs numériques t1, t2, …de cette variable aléatoire Tn.

1.1.1. Les principales qualités d’un estimateur

a) l’absence de biais

La première qualité d’un bon estimateur est l’absence d’erreur systématique ou de biais. Cette
qualité implique que la vraie valeur  doit être retrouvée en moyenne :

E(Tn) = 
Tout estimateur qui satisfait cette condition est dit sans biais ou non biaisé.

Adil EL MARHOUM Page 4

 Echantillonnage et estimations

b) la variance minimale

Une deuxième qualité d’un bon estimateur est de posséder une précision suffisante. Cette
précision peut être mesurée par le moment d’ordre deux par rapport à .

E[(Tn - )²]

Pour les estimateurs non biaisés, ce moment se confond avec la variance :

E[(Tn - )²] = V(Tn)

On peut démonter qu’à tout paramètre  correspond une valeur minimum de E[(Tn - )²].

La fonction qui correspond à ce minimum définit l’estimateur de variance minimum.

Dans le cas des estimateurs non biaisés, cette variance vaut :

1
𝑑 𝑙𝑜𝑔 𝑓 (𝑥, 𝜃)
𝑛𝐸[( )²]
𝑑𝜃

Un estimateur non biaisé dont la variance est égale à ce minimum est appelé estimateur non
biaisé de variance minimum ou estimateur efficace.

c) convergence en probabilité

un estimateur Tn converge en probabilité vers  si :

   0, 𝑙𝑖𝑚 𝑃(|𝑇𝑛 − 𝜃| > 𝜀) = 0

𝑛→∞

Ce ci signifie que l’écart entre le paramètre calculé à partir de l’échantillon et la vraie valeur du
paramètre de la population est très faible quand la taille de l’échantillon est grande. Cet écart
peut être mesuré par la variance. Ainsi on parle de convergence en probabilité si :

𝑙𝑖𝑚 𝑉(𝑇𝑛 )
𝑛→∞
=0
Un estimateur qui converge en probabilité est dit consistant.

Adil EL MARHOUM Page 5

 Echantillonnage et estimations

1.1.2. la méthode du maximum de vraisemblance

Ayant définit les principales qualités des estimateurs, la méthode du maximum de

vraisemblance permet le plus souvent d’obtenir des estimateurs possédant ces qualités. Le
principe de cette méthode est de choisir comme estimation de tout paramètre  la valeur la plus
vraisemblable, c’est à dire celle qui a la plus grande probabilité de provoquer l’apparition des
valeurs observées dans l’échantillon. Cette probabilité est appelée fonction de vraisemblance.
C’est la probabilité ou la densité de probabilité relative aux valeurs observées x1, x2, …, xn,
exprimée en fonction du paramètre de la population.

Pour un échantillon aléatoire et simple et pour une population définie par un seul paramètre ,
la fonction de vraisemblance est :

L() = p(x1, x2, …, xn ; ) = p(x1 ; ) p(x2 ; ) … p(xn ; )

Ou

L() = f(x1, x2, …, xn ; ) = f(x1 ; ) f(x2 ; ) … f(xn ; )

Les estimateurs du maximum de vraisemblance correspondent par définition au maximum de
cette fonction. On cherche ce maximum en annulant la dérivée de la fonction par rapport à  :

𝑑𝐿(𝜃)
=0
𝑑𝜃

ou en annulant la dérivée de son logarithme :

𝑑 𝑙𝑜𝑔 𝐿 (𝜃)
=0
𝑑𝜃

1.2. Estimation de la moyenne

La meilleure estimation de la moyenne m d’une population, qui puisse être déduite d’un
échantillon aléatoire et simple, est la moyenne de l’échantillon.

^ −
𝑚 = 𝑥

La dispersion des différentes estimations possibles autour de cette moyenne générale, est
mesurée par l’erreur standard de la moyenne :
𝜎
𝜎𝑋− =
√𝑛

Adil EL MARHOUM Page 6

 Echantillonnage et estimations

Estimateur du maximum de vraisemblance :

Pour une population normale, la densité de probabilité est :

1 1 𝑥−𝑚
𝑓(𝑥, 𝑚) = 𝑒 − 2( 𝜎
)²
𝜎√2𝛱

la fonction de vraisemblance est :

1 e− 12 ( x1−m)² 1 −12(𝑥2−𝑚 )² 1 1 𝑥𝑛−𝑚

− ( )²
L(m) = 𝑒 𝜎 … 𝑒 2 𝜎
 2 𝜎√2𝛱 𝜎√2𝛱

1 n 1
∑𝑛
𝑥𝑖−𝑚
L(m) = (𝜎√2𝛱 ) 𝑒 −2 𝑖=1( 𝜎
)²

−𝑛 1 𝑥𝑖−𝑚
Log L(m) = 𝑙𝑜𝑔( 2 ∏ 𝜎²)- ∑𝑛𝑖=1( )²
2 2 𝜎
La dérivée de cette fonction par rapport à m est :

1
𝑑 𝑙𝑜𝑔 𝐿(𝑚)
= ∑𝑛𝑖=1(𝑥𝑖 − 𝑚)
𝑑𝑚 𝜎²
l’estimation du maximum de vraisemblance de la moyenne de la population, est telle que :

1
∑𝑛𝑖=1(𝑥𝑖 − 𝑚)= 0
𝜎²

∑𝑛𝑖=1(𝑥𝑖 − 𝑚)= ∑𝑛𝑖=1 𝑥𝑖 − 𝑛 × 𝑚 = 0

^ ∑𝑛
𝑖=1 𝑥𝑖
−
𝑚= =𝑥
𝑛
On retrouve la moyenne de l’échantillon définie précédemment.

Adil EL MARHOUM Page 7

 Echantillonnage et estimations

Les qualités de cet estimateur

a) l’absence de biais
− ∑𝑛
𝑖=1 𝑋𝑖
𝑋= est un estimateur non biaisé de la moyenne m de la population puisqu’on a démontré
𝑛
que :
− ∑𝑛
𝑖=1 𝑋𝑖 1 1
E(𝑋𝑛 ) = E( ) = 𝑛 × ∑𝑛𝑖=1 𝐸(𝑋𝑖)= 𝑛 × 𝑛 × 𝑚 = m
𝑛

En effet, pour l’ensemble des échantillons qui peuvent être rencontrés, on doit retrouver, en
moyenne, la vraie valeur de la population.

b) la variance minimale

Pour une population normale, la densité de probabilité est :

1 1 𝑥−𝑚
𝑓(𝑥, 𝑚) = 𝑒 −2( 𝜎
)²
𝜎√2𝛱
1 𝑥−𝑚
log f(x , m) = -log ( √2∏) - 2 ( )²
𝜎

𝑑 𝑙𝑜𝑔 𝑓(𝑥,𝑚) 𝑥−𝑚

=
𝑑𝑚 𝜎²

𝑑 𝑙𝑜𝑔 𝑓(𝑥,𝑚) 𝑥−𝑚 𝑛 𝑛

nE[( )²] = n E[( )²] = 𝜎4 E[(X-m)²] = 𝜎²
𝑑𝑚 𝜎²

le minimum de la variance des estimateurs de la moyenne est donc :

1 𝜎²
𝑑 𝑙𝑜𝑔 𝑓(𝑥,𝑚) =
𝑛𝐸[( )²] 𝑛
𝑑𝑚

Comme cette valeur est aussi la variance de la distribution d’échantillonnage de la moyenne, il

− ∑𝑛 𝑋
𝑖
en résulte que la moyenne 𝑋 = 𝑖=1 d’un échantillon aléatoire et simple est un estimateur de
𝑛
variance minimale. Il est donc un estimateur efficace de la moyenne m de la population.

c) convergence en probabilité
− ∑𝑛
𝑖=1 𝑋𝑖
𝑋= est un estimateur consistant de la moyenne m de la population puisqu’on a démontré
𝑛
que :
− 𝜎²
V(𝑋𝑛 ) = 𝑛

−
𝑙𝑖𝑚 𝑉(𝑋𝑛 ) = 0
𝑛→∞

Adil EL MARHOUM Page 8

 Echantillonnage et estimations
− ∑𝑛
𝑖=1 𝑋𝑖
la moyenne 𝑋𝑛 = calculée à partir d’un échantillon de taille n converge en probabilité
𝑛
vers m.

1.3. Estimation de la variance

Estimateur du maximum de vraisemblance :

Pour une population normale, la densité de probabilité est :

1 1 𝑥−𝑚
𝑓(𝑥, 𝜎) = 𝑒 − 2( 𝜎
)²
√2𝛱𝜎²

la fonction de vraisemblance est :

1 e− 1 ( x1−m)² 1 𝑒 −2(
1 𝑥2−𝑚 1 𝑥𝑛−𝑚
)² 1
L(²) = 2  𝜎 … 𝑒 −2( 𝜎
)²
2² √2𝛱𝜎² √2𝛱𝜎²

∑𝑛 (𝑥𝑖−𝑚)²
1 n − 𝑖=1
L(²) = (√2𝛱𝜎²) 𝑒 2𝜎²

−𝑛 1
Log L(²) = 𝑙𝑜𝑔( 2 ∏ 𝜎²)- ∑𝑛𝑖=1(𝑥𝑖 − 𝑚)²
2 2𝜎²
La dérivée de cette fonction par rapport à ² est :

𝑛 1
𝑑 𝑙𝑜𝑔 𝐿(𝜎²)
= − + ∑𝑛𝑖=1(𝑥𝑖 − 𝑚)²
𝑑𝜎² 2𝜎² 2𝜎 4
l’estimation du maximum de vraisemblance de la variance de la population, est telle que :

𝑛 1 𝑛
− + 4
∑𝑖=1(𝑥𝑖 − 𝑚)² = 0
2𝜎² 2𝜎

−𝑛𝜎² + ∑𝑛𝑖=1(𝑥𝑖 − 𝑚)² =0

^ ∑𝑛
𝑖=1(𝑥𝑖 −𝑚)²
𝜎² = 𝑛

On retrouve la variance de l’échantillon V(X).

Adil EL MARHOUM Page 9

 Echantillonnage et estimations

Les qualités de cet estimateur

^ ∑𝑛
𝑖=1(𝑥𝑖 −𝑚)²
𝜎² = est un estimateur biaisé de la variance ² de la population puisqu’on a démontré
𝑛
que :
𝑛−1
𝐸(𝑉(𝑋)) = × 𝜎²
𝑛

Contrairement à la moyenne, la meilleure estimation de la variance ² d’une population, qui

puisse être déduite d’un échantillon aléatoire et simple, n’est pas la variance de l’échantillon
v(x). En effet, pour l’ensemble des échantillons qui peuvent être rencontrés, on ne retrouve
pas, en moyenne, la vraie valeur de la population, on obtient ainsi, en moyenne, une valeur
inférieure à la variance de la population.

le biais est :
−𝜎²
E(V(X)) - ² = 𝑛

𝑛
Ce biais peut être corrigé en multipliant la variance de l’échantillon par le facteur . On
𝑛−1
obtient alors l’estimation :
−
^ 𝑛 ∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )²
𝜎² = 𝑛−1 × 𝑣(𝑥) = 𝑛−1

dont l’espérance mathématique est bien ².

^ 𝑛 𝑛 𝑛−1
E(𝜎²) = E( × 𝑣(𝑥)) = E(v(x)) = n × 𝜎² = ²
𝑛−1 𝑛−1 n−1 𝑛
^ 𝑛
𝜎² = 𝑛−1 × 𝑣(𝑥) est appelée quasi-variance, c’est un estimateur sans biais de la variance ² de
la population. La quasi-variance est désignée par 𝜎²𝑛−1

L’erreur standard de cette estimation est, dans le cas d’une population normale :

√𝑣(𝜎^ ²) = √𝑣( 𝑛 𝑛
𝜎²)= 𝑛−1 √
2(𝑛−1)𝜎4 2
= 𝜎²√𝑛−1
𝑛−1 𝑛²

1.4. Estimation de la proportion

La meilleure estimation de la proportion p d’une population, qui puisse être déduite d’un
échantillon aléatoire et simple, est la fréquence de l’échantillon fn.
^
𝑝 = f𝑛

Adil EL MARHOUM Page 10

 Echantillonnage et estimations

La dispersion des différentes estimations possibles autour de cette proportion générale, est
mesurée par l’erreur standard de la proportion :

𝑓𝑛 (1 − 𝑓𝑛 )
𝜎𝑓− = √
𝑛 𝑛

Estimateur du maximum de vraisemblance :

Pour un échantillon aléatoire et simple d’effectif n, dont x individus possèdent le caractère

étudié, la fonction de vraisemblance est :

x
L(p) = C n px (1-p)n-x
Log L(p) = log C nx + x log p + (n-x) log (1-p)
La dérivée de cette fonction par rapport à p est :

𝑑 𝑙𝑜𝑔 𝐿(𝑝)
𝑥 𝑛−𝑥
= -
𝑑𝑝 𝑝 1−𝑝
l’estimation du maximum de vraisemblance de la variance de la population, est telle que :

𝑥 𝑛−𝑥
- =0
𝑝 1−𝑝

(1-p) x – p (n-x) = 0
x – np = 0
^ 𝑥
𝑝=𝑛

La fréquence fn de l’échantillon est donc un estimateur du maximum de vraisemblance de la

proportion de la population.

Adil EL MARHOUM Page 11

 Echantillonnage et estimations

Les qualités de cet estimateur

a) l’absence de biais
𝑋𝑛
𝐹𝑛 = est un estimateur non biaisé de la proportion p de la population puisqu’on a démontré
𝑛
que :
E(Fn) = p

En effet, pour l’ensemble des échantillons qui peuvent être rencontrés, on doit retrouver, en
moyenne, la vraie valeur de la population.

b) convergence en probabilité
𝑋𝑛
𝐹𝑛 = est un estimateur consistant de la proportion p de la population puisqu’on a démontré
𝑛
que :
𝑝𝑞
V(𝑓𝑛 ) = 𝑛

𝑙𝑖𝑚 𝑉(𝑓𝑛 ) = 0
𝑛→∞
𝑋𝑛
la fréquence relative 𝐹𝑛 = calculée à partir d’un échantillon de taille n converge en
𝑛
probabilité vers p.

II. ESTIMATION PAR INTERVALLE DE CONFIANCE

L’estimation par intervalle de confiance consiste à déterminer autour de la valeur estimée un
intervalle dont on a de fortes chances de croire qu’il contient la vraie valeur du paramètre
recherché.

Si on s’intéresse à un paramètre , dont on possède un estimateur T, l’estimation par intervalle

de confiance consiste à déterminer de part et d’autre de T les bornes T1 et T2 d’un intervalle
qui a une forte probabilité de contenir . Cette probabilité est appelée niveau de confiance et
désignée par (1-).  est alors un risque d’erreur.

Les limites T1 et T2 sont telles que :

p(T1    T2) = 1 - 

L’intervalle [T1 , T2] est appelé intervalle de confiance.

Adil EL MARHOUM Page 12

 Echantillonnage et estimations

La probabilité que le paramètre  se trouve à l’extérieur de cet intervalle est donc :

p( < T1) + p( > T2) = 

Le risque total  peut être réparti d’une infinité de manière. Généralement, on divise le risque
 en deux parties égales, Les limites T1 et T2 sont telles que :

p( < T1) = p( > T2) = /2

2.1. Intervalle de confiance de la moyenne

2.1.1. cas d’une population normale

Si on s’intéresse à la moyenne inconnue m d’une population normale d’écart type connu ,

l’estimation par intervalle de confiance consiste à déterminer de part et d’autre de l’estimateur
− − −
𝑋 les bornes 𝑋1 et 𝑋2d’un intervalle qui a un niveau de confiance (1-) de contenir m.
− −
Les limites 𝑋1 et 𝑋2sont telles que :
− −
p(𝑋1  m  𝑋2) = 1 - 

ou d’une autre façon :

− −
p(m <𝑋1) = p(m >𝑋2) = /2

les limites de confiance peuvent être écrites :

− − − −
𝑋1=𝑋- d1 et 𝑋2=𝑋+ d2
on peut alors écrire :
− −
p(m <𝑋- d1) = p(m >𝑋+ d2) = /2
− −
p(𝑋- m > d1) = p(m -𝑋 > d2) = /2
−
Comme, pour une population normale, la variable 𝑋est elle-même normale de moyenne m et
𝜎
d’écart type 𝜎𝑋− = 𝑛, on peut écrire :
√
− −
𝑥−𝑚 𝑑1 𝑚−𝑥 𝑑2 𝛼
𝑝( 𝜎 > 𝜎 ) =𝑝( 𝜎 > 𝜎 )=2
√𝑛 √𝑛 √𝑛 √𝑛

𝑑1 𝑑2 𝛼
𝑝(𝑍1 > 𝜎 ) =𝑝(𝑍2 > 𝜎 )=2
√𝑛 √𝑛

𝑑1 𝑑2 𝛼
𝑝(𝑍1 < 𝜎 ) =𝑝(𝑍2 < 𝜎 ) = 1 -2
√𝑛 √𝑛
𝑑1 𝑑2 𝛼
∏( 𝜎 ) =∏( 𝜎 ) = 1 -2
√𝑛 √𝑛

Adil EL MARHOUM Page 13

 Echantillonnage et estimations

Si on désigne par 𝑍1−𝛼 la valeur de la variable normale réduite lue dans la table :
2

𝑑1 𝑑2
𝜎 = 𝜎 = 𝑍1−𝛼
√𝑛 √𝑛 2

il en résulte :
𝜎
d1 = d2 = 𝑍1−𝛼
2 √𝑛

Les limites de confiances sont donc :

− − 𝝈 − − 𝝈
𝑿𝟏 =𝑿- 𝒁𝟏−𝜶 et 𝑿𝟐 =𝑿+ 𝒁𝟏−𝜶
𝟐 √𝒏 𝟐 √𝒏

On notera l’intervalle de confiance :

− 𝜎
𝑋 ± 𝑍1−𝛼
2 √𝑛

C’est un intervalle symétrique par rapport à la moyenne.

2.1.2. cas d’une population de distribution inconnue

Pour une population de distribution de probabilité inconnue (écart type  inconnu), on utilise
la quasi-variance comme estimation de la variance de la population. L’intervalle de confiance
de la moyenne sera défini selon les cas.

Cas d’un échantillon d’effectif inférieur à 30 (n < 30) :

Dans ce cas, la moyenne d’un échantillon peut toujours être considérée comme une variable T
de Student à (n-1) degré de liberté. La valeur 𝑍1−𝛼 sera remplacée par la valeur 𝑇1−𝛼 à (n-1)
2 2
degré de liberté. L’intervalle de confiance est alors :

− ^
𝜎
𝑋 ± 𝑇1−𝛼
2 √𝑛

Adil EL MARHOUM Page 14

 Echantillonnage et estimations

Cas d’un échantillon d’effectif supérieur ou égal à 30 (n  30) :

Dans ce cas, la moyenne d’un échantillon peut toujours être considérée comme une variable
approximativement normale. L’intervalle de confiance est alors :

− ^
𝜎
𝑋 ± 𝑍1−𝛼
2 √𝑛

2.2. Intervalle de confiance de la variance

Si on s’intéresse à la variance ² d’une population normale, l’estimation par intervalle de

confiance consiste à déterminer les bornes ²1 et ²2 d’un intervalle qui a un niveau de confiance
(1-) de contenir ².

Les limites ²1 et ²2 sont telles que :

p(²1  ²  ²2) = 1 - 
−
∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )²
Comme, pour une population normale, la variable aléatoire possède une distribution
𝜎²
khi deux à (n-1) degré de liberté, on peut alors écrire :
− − −
∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )² ∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )² ∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )²
p(   )=1-
𝜎²2 𝜎² 𝜎²1

ou encore :
− − − −
∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )² ∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )² ∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )² ∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )²
p( < ) = p( > ) = /2
𝜎² 𝜎²2 𝜎² 𝜎²1

− − −
∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )² ∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )² ∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )²
p(  ) = 1 - /2 ⇒ = 𝜒²1−𝛼
𝜎² 𝜎²1 𝜎²1 2

− − −
∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )² ∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )² ∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )²
p( < ) = /2 ⇒ = 𝜒²𝛼
𝜎² 𝜎²2 𝜎²2 2

Les limites de confiances sont alors :

− −
∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )² ∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )²
²1 = et ²2 =
𝜒² 𝛼 𝜒²𝛼
1−
2 2

Les valeurs de 𝜒²𝛼 et 𝜒²1−𝛼sont à (n-1) degré de liberté.

2 2

Adil EL MARHOUM Page 15

 Echantillonnage et estimations

2.3. Intervalle de confiance de la proportion

Si on s’intéresse à la proportion p, l’estimation par intervalle de confiance consiste à déterminer
de part et d’autre de l’estimateur Fn les bornes p1 et p2 d’un intervalle qui a un niveau de
confiance (1-) de contenir p.

Les limites p1 et p2 sont telles que :

p(p1  p  p2) = 1 - 

ou d’une autre façon :

p(p < p1) = p(p > p2) = /2

les limites de confiance peuvent être écrites :

p1= fn - d1 et p2 = fn + d2
on peut alors écrire :

p(p < fn - d1) = p(p > fn + d2) = /2

p(fn - p > d1) = p(p - fn > d2) = /2

Comme, la distribution de la proportion suit une loi normale de moyenne p et d’écart type 𝜎𝐹𝑛 =
√𝑝𝑞
à condition que la taille de l’échantillon soit supérieure ou égale à 30 (n  30) et le produit
√𝑛
n p  5, on peut écrire :

Adil EL MARHOUM Page 16

 Echantillonnage et estimations
𝑓 −𝑝
𝑛 𝑑1 𝑛𝑝−𝑓 𝑑2 𝛼
𝑝( √𝑝(1−𝑝) > √𝑝(1−𝑝)
) =𝑝( √𝑝(1−𝑝) > √𝑝(1−𝑝)
)=2
√𝑛 √𝑛 √𝑛 √𝑛

𝑑1 𝑑2 𝛼
𝑝(𝑍1 > √𝑝(1−𝑝)
) = 𝑝(𝑍2 > √𝑝(1−𝑝)
)=2
√𝑛 √𝑛

𝑑1 𝑑2 𝛼
𝑝(𝑍1 < √𝑝(1−𝑝)
) = 𝑝(𝑍2 < √𝑝(1−𝑝)
)=1-2
√𝑛 √𝑛

𝑑1 𝑑2 𝛼
∏( √𝑝(1−𝑝) ) =∏( √𝑝(1−𝑝) ) = 1 - 2
√𝑛 √𝑛

Si on désigne par 𝑍1−𝛼 la valeur de la variable normale réduite lue dans la table :
2

𝑑1 𝑑2
√𝑝(1−𝑝)
= √𝑝(1−𝑝) = 𝑍1−𝛼
2
√𝑛 √𝑛
il en résulte :
𝑝(1−𝑝)
d1 = d2 = 𝑍1−𝛼 √
2 𝑛

Les limites de confiances sont donc :

𝑝(1−𝑝) 𝑝(1−𝑝)
p1= fn - 𝑍1−𝛼 √ et p2 = fn + 𝑍1−𝛼 √
2 𝑛 2 𝑛

On notera l’intervalle de confiance :

𝑝(1−𝑝)
fn ± 𝑍1−𝛼 √
2 𝑛

La proportion p de la population sera estimée par la fréquence fn de l’échantillon. On obtient

ainsi un intervalle symétrique par rapport à la proportion.

Adil EL MARHOUM Page 17

 Echantillonnage et estimations

Exemple 1 : intervalle de confiance de la moyenne et de l’écart type

Dans une entreprise produisant un article déterminé on veut estimer sa durée de vie en heures.
À cette fin on a observé un échantillon aléatoire et simple de 16 unités dont les résultats sont
(en 1000 heures) :

1,10 1,05 1,25 1,08 1,35 1,15 1,30 1,25

1,30 1,35 1,15 1,32 1,05 1,25 1,10 1,15

L’estimation ponctuelle de la moyenne de la population est :

^ ∑16
𝑖=1 𝑥𝑖
−
𝑚=𝑥= = 1,2
16

L’estimation ponctuelle de l’écart type de la population de la population est :

−
^ ∑16
𝑖=1(𝑥𝑖 − 𝑥 )²
𝜎= √ = 0,11
16 − 1

L’intervalle de confiance de la moyenne à un niveau de confiance de 95 % (=5%):

La distribution de la population parent étant inconnue et la taille de l’échantillon inférieure à

30, l’intervalle de confiance de la moyenne est défini par :

− ^
𝜎
𝑋 ± 𝑇1−𝛼
2 √𝑛

La valeur de 𝑇1−𝛼 à 15 degrés de liberté est : t 0,975 = 2,131

2

l’intervalle de confiance est :

− ^
𝜎 0,11
𝑋 ± 𝑇1−𝛼 = 1,2 ±2,131
2 √𝑛 √16

− 0,11 − 0,11
𝑋1= 1,2 – 2,131 = 1,14 et 𝑋2=1,2 + 2,131 = 1,26
√16 √16

L’intervalle [1,14 ; 1,26] a une probabilité de 95 % de contenir la vraie valeur de la moyenne

de la population.

Adil EL MARHOUM Page 18

 Echantillonnage et estimations

L’intervalle de confiance de l’écart type à un niveau de confiance de 95 % (=5%):

Les limites de confiances de la variance sont :

− −
∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )² ∑𝑛
𝑖=1(𝑥𝑖 −𝑥 )²
²1 = et ²2 =
𝜒² 𝛼 𝜒²𝛼
1−
2 2

les valeurs de 𝜒²𝛼 et 𝜒²1−𝛼 sont à 15 degrés de liberté :

2 2

𝜒²0,025 = 6,26 et 𝜒²0,975 = 27,49

L’écart type est la racine carrée de la variance, ses limites de confiance sont donc :

− −
^ ∑16
𝑖=1(𝑥𝑖 −𝑥 )² 0,11²×15 ^ ∑16
𝑖=1(𝑥𝑖 −𝑥 )² 0,11²×15
𝜎1 =√ =√ = 0,08 𝜎2 =√ =√ = 0,17
𝜒² 𝛼 27,49 𝜒²𝛼 6,26
1−
2 2

Exemple 2 : intervalle de confiance de la proportion

On étudie le pourcentage d'utilisation d'une machine. 400 observations ont été effectuées qui
ont donné le résultat suivant :

• Machine marche : 320 observations.

• Machine arrêtée : 80 observations.

L’estimation ponctuelle de la proportion d’utilisation de la machine est :

^ 320
𝑝= fn = 400 = 0,8

Le taux d’utilisation de la machine est estimé à 80 %.

L’intervalle de confiance de la proportion à un niveau de confiance de 95 % est défini par :

𝑝(1−𝑝)
fn ± 𝑍1−𝛼 √
2 𝑛

La valeur de 𝑍1−𝛼 est : Z 0,975 = 1,96

2

Les limites de confiances de la proportion sont :

𝑝(1−𝑝) 0,8(1−0,8)
p1= fn - 𝑍1−𝛼 √ = 0,80 – 1,96 √ = 0,76
2 𝑛 400

Adil EL MARHOUM Page 19

 Echantillonnage et estimations

𝑝(1−𝑝) 0,8(1−0,8)
p2 = fn + 𝑍1−𝛼 √ = 0,80 + 1,96 √ = 0,84
2 𝑛 400

L’intervalle [76 % ; 84 %] a une probabilité de 95% de contenir le vrai taux d’utilisation de la

machine.

Adil EL MARHOUM Page 20

 Echantillonnage et estimations

EXERCICES SUR LES PROBLEMES DE

L’ESTIMATION

Ex 1 : Soit X une variable de Poisson de paramètre (inconnu) m et (XI, … Xn) les observations
d’un échantillon de taille n. Écrire la fonction du maximum de vraisemblance associée à la
moyenne. Quel est l'estimateur du maximum de vraisemblance de la moyenne de la population
? Cet estimateur précédent est-il un estimateur efficace ?

Ex 2 : Le tableau suivant donne la distribution du nombre de pannes observées dans le

fonctionnement d’une machine au cours de 100 journées de travail. Déduisez-en une
estimation du nombre moyen de pannes par jour, en supposant que la distribution
théorique du nombre de pannes est une loi de poisson. Donner l’erreur standard du
résultat obtenu.

Nombres de pannes Nombres de jours

0 53
1 32
2 11
3 3
4 1
Total 100

Ex 3 : Dans une entreprise produisant un article déterminé on veut estimer sa durée de vie en
heures. À cette fin on a observé un échantillon de 16 unités dont les résultats sont (en 1000
heures) :
1,10 1,05 1,25 1,08 1,35 1,15 1,30 1,25
1,30 1,35 1,15 1,32 1,05 1,25 1,10 1,15

a) Estimer la durée de vie moyenne et l'écart type d'un article.

b) Donner des estimations par intervalle de confiance pour la moyenne et l'écart type. (=5%).

Ex 4 : dans une population d’étudiants en sociologie, on a prélevé, indépendamment, deux

échantillons de taille n1 = 120 et n2 = 150. On constate que 48 étudiants de l’échantillon 1 et
66 étudiants de l’échantillon 2 ont une formation secondaire scientifique; Soit p la proportion
d’étudiants de la population ayant une formation scientifique ; calculer trois estimations
ponctuelles de p.

Ex 5 : dans une station-service, on suppose que le montant des chèques essence suit une loi
normale de paramètres m et . On considère un échantillon de taille n = 50 et on obtient une
moyenne de 130 Dh et un écart-type de 28 Dh. Donner une estimation de m et  par un intervalle
de confiance au niveau de confiance 95%.

Adil EL MARHOUM Page 21

 Echantillonnage et estimations

Ex 6 : on donne la répartition des masses de 219 ressorts provenant d’une même fabrication :

masses (g) [8,2 ; 8,4[ [8,4 ; 8,6[ [8,6 ; 8,8[ [8,8 ; 9[ [9 ; 9,2[ [9,2 ; 9,4[ [9,4 ; 9,6[
Nbre de 9 21 39 63 45 27 15
ressorts

X donnant le poids d’un ressort provenant de cette fabrication, donner une estimation
de E(X) et V(X). Donner pour E(X) et V(X) un intervalle de confiance au niveau de
confiance 95%.

Ex 7 : Un promoteur désire étudier le nombre de garage qu'il est souhaitable de construire avec
un ensemble de logements, afin que les occupants puissent y ranger leur voiture. Pour cela il
fait effectuer une enquête par sondage auprès d'un échantillon de ménages susceptibles d'habiter
ces appartements.

a) On interroge un échantillon de 3238 ménages. On trouve parmi eux 1943 possesseurs d'une
voiture. Estimez, à partir de cet échantillon, la proportion des ménages ayant une voiture.
Degré de confiance 99 %.
b) À partir de la proportion estimée, combien de ménages faudrait-il interroger pour construire,
avec un risque d'erreur de 5 %, un intervalle de confiance d'amplitude 0,04 ?

Ex 8 : On étudie le pourcentage d'utilisation d'une machine. 400 observations ont été effectuées
qui ont donné le résultat suivant :

• Machine marche : 320 observations.

• Machine arrêtée : 80 observations.

a) Entre quelles limites peut-on fixer le taux d'utilisation de la machine avec un degré de
confiance de 95 % ?
b) On fait un plus grand nombre d'observations. On obtient le même pourcentage d'utilisation
ce qui permet, avec un risque d'erreur de 5 %, de fixer les limites de confiance à [78,4 % ;
81,6 %]. Combien a-t-on fait d'observations ?

Ex 9 : Un échantillon de 150 lampes de marque A a donné une durée de vie moyenne de 1400
heures et un écart type de 120 heures. Un échantillon de 200 lampes de marque B a donné une
durée de vie moyenne de 1200 heures et un écart type de 80 heures. Déterminer les limites de
confiances à 95 % de la différence des durées de vie moyennes des marques A et B.

Ex 10 : Sur un échantillon de 400 adultes et de 600 adolescents ayant regardé un certain

programme de télévision, 100 adultes et de 300 adolescents l’ont apprécié. Calculer les limites
de confiances à 99 % de la différence des fréquences des adultes et des adolescents qui ont
regardé et apprécié le programme.

Adil EL MARHOUM Page 22

 Echantillonnage et estimations

Ex 11 : Soit une variable aléatoire X de densité de probabilité f(x,) définie par :

𝑥²
1
𝑓(𝑥, 𝜆) = 𝑒 − 2𝜆 pour tout nombre réel x.
√2𝜋𝜆

a) Reconnaître la loi de la variable X et en déduire, sans calcul, l’espérance mathématique

et la variance de X.
b) Déterminer un estimateur de maximum de vraisemblance de  associé à un échantillon
aléatoire de taille n.
c) L’estimateur précédent est-il un estimateur sans biais ?

Adil EL MARHOUM Page 23