Introduction
Principe
Estimation de la moyenne µ d’une variable gaussienne
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
L’estimation par intervalles
KONANE Victorien
LimeLise 2, Année 2022-2023
KONANE L’estimation par intervalles
Introduction
Principe
Estimation de la moyenne µ d’une variable gaussienne
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Ce chapitre s’appuie essentiellement sur trois livres :
1 Le livre de Pascal Ardilly,
administrateur de l’INSEE,
« Les techniques de sondage »,
Éditions Technip, 2006.
2 Le livre de Jean-Jacques Droesbeke,
professeur à l’Université Libre de Bruxelles,
« Éléments de statistiques »,
Université de Bruxelles, Ellipses, 2001.
3 Le livre de Gilbert Saporta,
professeur au CNAM à Paris
« Probabilités, Analyse de données et Statistique »,
Éditions Technip, 2006.
KONANE L’estimation par intervalles
Introduction
Principe
Estimation de la moyenne µ d’une variable gaussienne
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Sommaire
1 Introduction
2 Principe
3 Estimation de la moyenne µ d’une variable gaussienne
4 Estimation de la variance d’une variable gaussienne
5 Estimation d’une proportion
KONANE L’estimation par intervalles
Introduction
Principe
Estimation de la moyenne µ d’une variable gaussienne
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Il est souvent plus réaliste et plus intéressant de fournir un
renseignement du type
a<θ<b
plutôt que d’écrire sèchement
θb = c.
Définition
Fournir un tel intervalle ]a, b[ s’appelle donner une estimation
par intervalle de confiance de θ ou une estimation ensembliste
de θ.
KONANE L’estimation par intervalles
Introduction
Principe
Estimation de la moyenne µ d’une variable gaussienne
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Sommaire
1 Introduction
2 Principe
3 Estimation de la moyenne µ d’une variable gaussienne
4 Estimation de la variance d’une variable gaussienne
5 Estimation d’une proportion
KONANE L’estimation par intervalles
Introduction
Principe
Estimation de la moyenne µ d’une variable gaussienne
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
La méthode des intervalles de confiance est la suivante :
Soit θbn un estimateur de θ dont nous connaîssons la loi de
probabilité pour chaque valeur de θ.
Définition
Étant donné une valeur θ0 de θ, nous déterminons un intervalle
de probabilité de niveau 1 − α pour θbn , c’est-à-dire deux bornes
θ1 et θ2 telles que
h i
P θ1 < θbn < θ2 |θ = θ0 = 1 − α.
KONANE L’estimation par intervalles
Introduction
Principe
Estimation de la moyenne µ d’une variable gaussienne
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Remarque
Ces bornes dépendent évidemment de θ0 .
Remarque
Nous choisissons dans la plupart des cas un intervalle à risque
symétrique α/2 et α/2.
KONANE L’estimation par intervalles
Introduction
Principe
Estimation de la moyenne µ d’une variable gaussienne
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Nous adoptons la règle de décision suivante.
Soit θbn (x1 , . . . , xn ) = θbn (obs) la valeur observée de θbn :
si θbn (obs) ∈]θ1 , θ2 [, nous conservons θ0 comme valeur
possible du paramètre θ ;
si θbn (obs) 6∈]θ1 , θ2 [, nous éliminons θ0 .
Nous répétons cette opération pour toutes les valeurs de θ.
Définition
]a, b[ est qualifié d’un intervalle de confiance de niveau (1 − α)
(coefficient de confiance).
Remarque
]a, b[ est un intervalle aléatoire car il dépend de θbn (obs).
KONANE L’estimation par intervalles
Introduction
Principe
Estimation de la moyenne µ d’une variable gaussienne
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
]a, b[ s’obtient par :
(
a = θ2−1 (θbn (obs))
.
b = θ1−1 (θbn (obs))
Remarque
Si nous augmentons 1 − α, nous augmentons la longueur de
l’intervalle de probabilité.
Remarque
h i
Si n augmente, comme θbn est supposé convergent, Var θbn
diminue donc ]θ1 , θ2 [ diminue.
KONANE L’estimation par intervalles
Introduction
Principe
La variance σ 2 de la population U est connue
Estimation de la moyenne µ d’une variable gaussienne
La variance σ 2 de la population U est inconnue
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Sommaire
1 Introduction
2 Principe
3 Estimation de la moyenne µ d’une variable gaussienne
4 Estimation de la variance d’une variable gaussienne
5 Estimation d’une proportion
KONANE L’estimation par intervalles
Introduction
Principe
La variance σ 2 de la population U est connue
Estimation de la moyenne µ d’une variable gaussienne
La variance σ 2 de la population U est inconnue
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
σ2
µ bn suit une loi N µ,
bn est le meilleur estimateur de µ et µ .
n
Définition
bn à 1 − α est :
L’intervalle de probabilité de µ
σ σ
µ − u1−α/2 √ < µ
bn < µ + u1−α/2 √ ,
n n
où up est le quantile d’ordre p pour la loi gaussienne centrée et
réduite.
KONANE L’estimation par intervalles
Introduction
Principe
La variance σ 2 de la population U est connue
Estimation de la moyenne µ d’une variable gaussienne
La variance σ 2 de la population U est inconnue
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Définition
bn à 1 − α est :
L’intervalle de confiance de µ
σ σ
bn (x1 , . . . , xn ) − u1−α/2 √ < µ < µ
µ bn (x1 , . . . , xn ) + u1−α/2 √ ,
n n
où u1−α/2 = 1, 96 si 1 − α = 0, 95.
KONANE L’estimation par intervalles
Introduction
Principe
La variance σ 2 de la population U est connue
Estimation de la moyenne µ d’une variable gaussienne
La variance σ 2 de la population U est inconnue
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
√ bn − µ
µ
Nous utilisons le fait que Tn−1 = n−1 suit une loi de
Sn
Student à (n − 1) degrés de liberté.
Définition
L’intervalle de probabilité pour Tn−1 à 1 − α est :
√ bn − µ
µ
−tn−1;1−α/2 < n−1 < tn−1;1−α/2 ,
Sn
où tn−1;1−α/2 est le quantile d’ordre 1 − α/2 pour la loi de
Student à (n − 1) degrés de liberté.
KONANE L’estimation par intervalles
Introduction
Principe
La variance σ 2 de la population U est connue
Estimation de la moyenne µ d’une variable gaussienne
La variance σ 2 de la population U est inconnue
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Définition
L’intervalle de confiance pour µ à 1 − α est :
Sn (obs) Sn (obs)
bn (obs)−tn−1;1−α/2 √
µ bn (obs)+tn−1;1−α/2 √
<µ<µ ,
n−1 n−1
ou bien
Sn,c (obs) Sn,c (obs)
µ
bn (obs)−tn−1;1−α/2 √ <µ<µ
bn (obs)+tn−1;1−α/2 √ ·
n n
Le théorème de la limite centrée a pour conséquence que les
intervalles précédents sont valables pour estimer µ d’une loi
quelconque lorsque la taille n de l’échantillon est assez grande.
KONANE L’estimation par intervalles
Introduction
Principe
La moyenne de la population est connue
Estimation de la moyenne µ d’une variable gaussienne
La moyenne µ de la population U est inconnue
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Sommaire
1 Introduction
2 Principe
3 Estimation de la moyenne µ d’une variable gaussienne
4 Estimation de la variance d’une variable gaussienne
5 Estimation d’une proportion
KONANE L’estimation par intervalles
Introduction
Principe
La moyenne de la population est connue
Estimation de la moyenne µ d’une variable gaussienne
La moyenne µ de la population U est inconnue
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Nous utilisons le fait que
n
1X
1 Sn∗2 = (Xi − µ)2 est le meilleur estimateur de la
n
i=1
variance σ 2 lorsque la moyenne µ est connue,
nSn∗2
2 suit une loi du khi-deux à n degrés de liberté comme
σ2
la somme de n carrés de loi N (0, 1) indépendantes.
KONANE L’estimation par intervalles
Introduction
Principe
La moyenne de la population est connue
Estimation de la moyenne µ d’une variable gaussienne
La moyenne µ de la population U est inconnue
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Définition
k1 et k2 sont les bornes de l’intervalle de probabilité d’une loi
χ2 (n) si :
n Sn∗2
P k1 < < k2 = 1 − α.
σ2
Définition
L’intervalle de confiance pour σ 2 à 1 − α est :
n Sn∗2 (x1 , . . . , xn ) n Sn∗2 (x1 , . . . , xn )
< σ2 < ·
k2 k1
KONANE L’estimation par intervalles
Introduction
Principe
La moyenne de la population est connue
Estimation de la moyenne µ d’une variable gaussienne
La moyenne µ de la population U est inconnue
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Nous utilisons le fait que
n
1X
1 Sn2 = (Xi − µ bn )2 ,
n
i=1
nSn2
2 suit une loi du khi-deux à (n − 1) degrés de liberté
σ2
comme la somme de (n − 1) carrés de loi N (0, 1)
indépendantes.
KONANE L’estimation par intervalles
Introduction
Principe
La moyenne de la population est connue
Estimation de la moyenne µ d’une variable gaussienne
La moyenne µ de la population U est inconnue
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Définition
l1 et l2 sont les bornes de l’intervalle de probabilité d’un
χ2 (n − 1) si :
nSn2
P l1 < 2 < l2 = 1 − α.
σ
Définition
L’intervalle de confiance pour σ 2 est alors :
nSn2 (x1 , . . . , xn ) nSn2 (x1 , . . . , xn )
< σ2 < ·
l2 l1
KONANE L’estimation par intervalles
Introduction
Principe
Estimation de la moyenne µ d’une variable gaussienne
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Sommaire
1 Introduction
2 Principe
3 Estimation de la moyenne µ d’une variable gaussienne
4 Estimation de la variance d’une variable gaussienne
5 Estimation d’une proportion
KONANE L’estimation par intervalles
Introduction
Principe
Estimation de la moyenne µ d’une variable gaussienne
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Étant donné une population INFINIE (ou finie si le tirage
s’effectue avec remise) où une proportion πA des individus
possède un certain caractère A, il s’agit de trouver un
intervalle de confiance pour πA à partir de π
bn,A , proportion
trouvée dans un échantillon de taille n.
Nous savons que nb πn,A suit une loi binomiale B(n, πA ).
Deux cas alors se présentent :
1 Si n est petit nous utiliserons les tables de la loi binomiale.
2 Si n est grand nous savons que π bn,A suit une loi gaussienne
πA (1 − πA )
de paramètres πA et ·
n
KONANE L’estimation par intervalles
Introduction
Principe
Estimation de la moyenne µ d’une variable gaussienne
Estimation de la variance d’une variable gaussienne
Estimation d’une proportion
Définition
L’intervalle de probabilité symétrique « approché » est :
r r
πA (1 − πA ) πA (1 − πA )
πA − u1−α/2 bn,A < πA + u1−α/2
<π ·
n n
Définition
L’intervalle de confiance « approché » est alors :
r
bn,A (obs)(1 − π
π bn,A (obs))
bn,A (obs) − u1−α/2
π < πA
r n
bn,A (obs)(1 − π
π bn,A (obs))
<πbn,A (obs) + u1−α/2 .
n
KONANE L’estimation par intervalles