L’Estimation paramétrique

Institut National des Postes et Télécommunications. Copyright c M. Fekri

(ASEDS - INPT) L’Estimation paramétrique 1 / 47

Introduction
Nous nous intéressons à une population ou à un processus et obtenons des
informations à son sujet en collectant des données sur un échantillon. La
grande question est de savoir ce que notre échantillon particulier nous
permet de déduire sur la population ou le processus qui nous intéresse.
Pour répondre à cette question, nous avons d’abord besoin d’un modèle
pour cette population ou ce processus.

On sait calculer des indicateurs numériques à partir d’un échantillon

de données ...

• Mais comment généraliser à la population entière ?

• Quelles informations sur la population obtient-on en étudiant
l’échantillon ?
• Quelle confiance peut-on accorder à ces informations ?
(ASEDS - INPT) L’Estimation paramétrique 2 / 47
L’idée : sur la base d’informations contenues dans un échantillon
représentatif prélevé dans la population, inférer (induire, extrapoler,
transférer) des résultats statistiques à la population.

On étudie une variable X , dont on observe des réalisations. On suppose

que X suit une loi connue, i.e. on choisit parmi les modèles existants la loi
la plus appropriée au phénomène observé. Seule la valeur numérique du
paramètre θ intervenant dans cette loi de probabilité est inconnue.
Deux parties :
• Estimation de paramètres.
• Tests d’hypothèses.

Généralement, on considère deux types d’estimation :

• Estimation ponctuelle.
• Estimation par intervalles de confiance (estimation ensembliste).

(ASEDS - INPT) L’Estimation paramétrique 3 / 47

Souvent on utilise le modèle d’échantillonnage où les Xi sont i.i.d. : on
réserve alors la notation Lθ à leur loi commune.
On note X1 , X2 , . . . Xn les v.a. donnant les résultats correspondants (de
même loi de probabilité Lθ , indépendantes).

On appelle statistique toute fonction (mesurable) des v.a. X1 , X2 , . . . Xn .

Ainsi, par exemple,
n
1X
T1 (X1 , . . . , Xn ) = Xi
n
i=1

est une statistique, alors que

n
1X
T2 (X1 , . . . , Xn ) = (Xi − θ)2
n
i=1

où θ est le paramètre inconnu du modèle, n’en est pas une.

Une statistique étant une fonction des v.a. X1 , . . . , Xn , c’est une v.a., avec
sa propre distribution : on parlera de distribution échantillonnée.

(ASEDS - INPT) L’Estimation paramétrique 4 / 47

Estimation ponctuelle

Soit (x1 , . . . , xn ) une observation d’un échantillon (X1 , . . . , Xn ), Xi de loi

L(θ), seul un paramètre θ restant inconnu.

Problème
Comment peut-on “estimer” θ à partir de n observations x1 , x2 , . . . , xn ?

Définition
Un estimateur T (ou estimateur ponctuel) est une fonction de
(X1 , . . . , Xn ) que nous utilisons pour inférer la valeur d’un paramètre.

1 Comment faire la différence entre un ”bon” et un ”moins bon”

estimateur ? Quelles sont les propriétés désirables d’un estimateur ?
2 Trouver la manière adéquate de choisir un ”bon” estimateur.

(ASEDS - INPT) L’Estimation paramétrique 5 / 47

Critères pour la qualité d’un estimateur
Définition
Une statistique T est appelée estimateur sans biais de θ si
Eθ (T ) = θ (∀θ). Un estimateur qui n’est pas sans biais est dit biaisé et la
différence Eθ (T ) − θ = b(T , θ) est appelée le biais de l’estimateur.

Définition
Un estimateur Tn de θ est dit convergent si

∀ε > 0 P(|Tn − θ| ≥ ε) −→ 0
n→+∞

Quand la taille de l’échantillon devient grande, la probabilité que

l’estimation s’écarte de θ devient petite.
Un estimateur Tn sans biais dont la variance tend vers 0 est convergent.
Remarque : L’espérance étant un paramètre de centrage, la condition
sans biais nous assure donc que T prendra ses valeurs autour de θ. La
variance faible assure ensuite que la probabilité que T prenne une valeur
très différente de θ est très faible.
(ASEDS - INPT) L’Estimation paramétrique 6 / 47
Exemple

Soit (X1 , . . . , Xn ) un n-échantillon, V (Xi ) = σ 2 < +∞ et µ = E (Xi ).

n
1X
µ̂ = X̄n = Xi est un estimateur sans biais et convergent de µ.
n
i=1
n
1 X
Sn2 = (Xi − X̄n )2 est un estimateur sans biais et convergent
n−1
i=1
de σ 2 .
Sn est un estimateur biaisé pour l’écart-type σ.

(ASEDS - INPT) L’Estimation paramétrique 7 / 47

 Biais et transformation

• Les transformations non linéaires des estimateurs sans biais ne sont

généralement pas sans biais : si T est un estimateur sans biais de θ,
g(T) n’est généralement pas un estimateur sans biais de g (θ).
• Par exemple, si T est un estimateur sans biais de θ, alors T 2 n’est pas
un estimateur sans biais de θ2 . En effet

Eθ (T 2 ) = V (T ) + (Eθ (T ))2 = V (T ) + θ2

• Donc, à moins que T soit concentré en un point ( !), V (T ) > 0 et T 2

est positivement biaisé, pour tout θ ∈ Θ,
b(T 2 , θ2 ) = Eθ [T 2 ] − θ2 > 0. A l’inverse, si T 2 est un estimateur
sans biais de θ2 , alors |Eθ [T ]| < |θ|.

(ASEDS - INPT) L’Estimation paramétrique 8 / 47

 Erreur quadratique moyenne

• Pour mesurer la performance d’un estimateur, il est pertinent de

calculer l’erreur quadratique moyenne (ERQM). l’ERQM mesure la
dispersion de l’estimateur autour de la ”vraie” valeur du paramètre.

ERQM(T ) = E (T − θ)2 = (b(T , θ))2 + V (T )

 

où b(T , θ) est le biais de l’estimateur et V (T ) est la variance.

• Soient T1 et T2 deux estimateurs de θ.

On dira que T1 est plus efficace que T2 si ERQM(T1 ) < ERQM(T2 )
Si T est sans biais ERQM(T ) = V(T )

(ASEDS - INPT) L’Estimation paramétrique 9 / 47

 faible biais biais élevé

forte variance
faible variance

(ASEDS - INPT) L’Estimation paramétrique 10 / 47

Exemple
Soit (X1 , . . . , Xn ) un échantillon, Xi est de loi U[0,θ] , θ étant inconnu. On
n
2X
considère les deux estimateurs suivants : T1 = Xi et T2 = n+1n X(n) ,
n
i=1
où X(n) = max(X1 , . . . , Xn ). Quel est, pour θ, le meilleur des estimateurs
T1 et T2 ?

Définition
Un estimateur Tn de θ sera dit asymptotiquement sans biais si
Eθ (Tn ) −→ θ

(ASEDS - INPT) L’Estimation paramétrique 11 / 47

 Méthodes d’estimation
1) Méthode des moments
Elle repose sur le fait que les moments empiriques convergent vers les
moments théoriques. S’il y a plusieurs paramètres à estimer, on les
détermine en prenant autant d’équations de la forme :
moment de la v.a. = moment empirique correspondant de l’échantillon.

Définition
Soit un échantillon (X1 , X2 , . . . , Xn ) de loi L(θ) où θ ∈ Θ ⊆ Rk , et telle que pour tout θ ∈ Θ il
existe un moment µk (θ) d’ordre k. Si, pour toute réalisation (x1 , x2 , . . . , xn ) de (X1 , X2 , . . . , Xn )
le système à k équations 
µ (θ) = m1
 1

..

 .
n µk (θ) = mk
1X r
(où mr = x ) admet une solution unique, cette solution est appelée estimation des
n i=1 i
moments de θ. La fonction (de Rn dans Rk ) qui à toute réalisation (x1 , x2 , . . . , xn ) fait
correspondre cette solution définit, en s’appliquant à (X1 , X2 , . . . , Xn ), une statistique à valeurs
dans Rk appelée estimateur des moments de θ.

(ASEDS - INPT) L’Estimation paramétrique 12 / 47

Exemples :
Loi gamma
Soit X une v.a. de loi gamma de paramètres r et a, son espérance et sa
variance valent :
r r
E (X ) = et V (X ) = 2 .
a a
On a alors :
2
E (X ) E (X )
r= et a = .
V (X ) V (X )
Si on dispose d’un échantillon (X1 , X2 , . . . , Xn ) de le loi gamma de
paramètres r et a, la moyenne empirique X̄n et la variance empirique Sn∗2
sont des estimateurs convergents de E (X ) et V (X ) respectivement. On en
déduit des estimateurs convergents de r et a :

X̄n2 X̄n
rˆ = et â = ∗2 .
Sn∗2 Sn

(ASEDS - INPT) L’Estimation paramétrique 13 / 47

Loi de Gumbel
Soit X une v.a. de loi de Gumbel de paramètres α et β, son espérance et
sa variance valent :
π2β 2
E (X ) = α + γβ et V (X ) = (où γ la constante d’Euler).
6
On résout : 
 α + γβ = X̄n
n

2 π2 β 2 1X 2
 (α + γβ) +
 6 =
n
Xi
i=1
ou, de façon équivalente :
(
α + γβ = X̄n
π2 β 2
6 = Sn∗2

Ce qui donne la solution :

√ √
6 ∗ γ 6 ∗
β̂ = S et α̂ = X̄n − S .
π n π n
(ASEDS - INPT) L’Estimation paramétrique 14 / 47
2) Méthode du Maximum de Vraisemblance

On appelle vraisemblance la fonction :

x = (x1 , . . . , xn ) −→ L(x, θ)

définie par :
n

 Y



 P θ [(X 1 , . . . , X n ) = (x 1 , . . . , x n )] = Pθ (Xi = xi ) (discret)
L(x, θ) = i=1
n
Y




 f (x 1 , . . . , x n ) = fθ (xi ) (cas continu)
i=1

(ASEDS - INPT) L’Estimation paramétrique 15 / 47

Définition
Pour une observation x = (x1 , . . . , xn ) donnée, l’estimation du M.V. de θ
est le réel t(x1 , . . . , xn ), s’il existe, qui rend maximum la vraisemblance
L(x, θ) :
L(x, t(x)) = sup L(x, θ)
θ∈Θ

On appelle alors estimateur du M.V. la statistique T (X1 , . . . , Xn ) dont une

valeur observée est t(x1 , . . . , xn ).

Remarque : La probabilité et la densité utilisées dans cette définition sont

des fonctions des observations x1 , . . . , xn , dépendant du paramètre θ. A
l’inverse, la fonction de vraisemblance est considérée comme une fonction
de θ dépendant des observations x1 , . . . , xn .

(ASEDS - INPT) L’Estimation paramétrique 16 / 47

Exemple :
1 Soit (X1 , . . . , Xn ) un échantillon de v.a. de loi exponentielle de
paramètre θ, θ étant inconnu. Déterminer l’estimateur du M.V. de θ.
2 Soit (X1 , . . . , Xn ) un échantillon de v.a. de loi U[0,θ] , θ étant inconnu.
Déterminer l’estimateur du M.V. de θ.

Théorème (d’invariance fonctionnelle)

Soit g une fonction mesurable bijective de Θ sur un ouvert Λ de IRp . T est
un estimateur de M.V. de θ ssi g (T ) est un estimateur de M.V. de
λ = g (θ).

(ASEDS - INPT) L’Estimation paramétrique 17 / 47

Autre méthode d’estimation
Parmi les nombreuses méthodes introduites dans la littérature, citons : la
méthode des moindres carrés
soit le modèle :

xi = φ( θ1 , . . . , θk ; ui,1 , . . . , ui,k ) + ei (i = 1, . . . , n)
| {z } | {z } |{z}
paramètres v. explicatives résidu

On estime alors les paramètres inconnus θ1 , . . . , θk en minimisant :

n
X
min (xi − φ(θ1 , . . . , θk ; ui,1 , . . . , ui,k ))2 .
θ1 ,...,θk
i=1

Remarque : Cette méthode est équivalente à la méthode du M.V. lorsque

l’on suppose que les résidus sont normalement distribués.

(ASEDS - INPT) L’Estimation paramétrique 18 / 47

(ASEDS - INPT) L’Estimation paramétrique 19 / 47
 droite de régression

(ASEDS - INPT) L’Estimation paramétrique 20 / 47

 yi = axi + b + ei pour i = 1, . . . , n
Notons EQ(a, b) la fonction de R2 dans R+ définie par :
n
X
EQ(a, b) = (yi − axi − b)2 .
i=1

La fonction admet un minimum pour

cxy
ân = et b̂n = ȳn − ân x̄n
sx2

(ASEDS - INPT) L’Estimation paramétrique 21 / 47

Estimateur efficace

Eléments de la théorie de l’information

Soit le modèle (X , A, {Pθ , θ ∈ Θ}), Θ ⊂ R. On fait les hypothèses
suivantes :
H1 : ∀x, ∀θ fθ (x) > 0
H2 : ∀x, ∀θ fθ est dérivable au moins deux fois par rapport à θ
Z
H3 : On peut dériver au moins deux fois fθ (x)dx par rapport à θ sous
A
le signe d’intégrale, ∀A ∈ A.

Définition
On appelle quantité d’information de Fisher In (θ) apportée par un
n-échantillon sur le paramètre θ la quantité positive ou nulle suivante :
∂ ln L 2
In (θ) = E [( ) ]
∂θ

(ASEDS - INPT) L’Estimation paramétrique 22 / 47

Théorème
∂ 2 ln L
Sous H1 , H2 et H3 on a : In (θ) = −E ( )
∂θ2
Sous les hypothèses H1 , H2 et H3 on a :

In (θ) = nI1 (θ).

Ceci veut dire que chaque observation a la même importance, ce qui n’est
pas le cas pour la loi uniforme sur [0, θ] où il est évident que c’est la plus
grande observation qui est la plus importante.

Soit X ∼ N(µ, σ 2 ) où σ est connue. On a I1 (µ) = σ12 , donc l’information

apportée par une observation sur la moyenne est d’autant plus grande que
la dispersion est petite.

(ASEDS - INPT) L’Estimation paramétrique 23 / 47

Inégalité de Rao-Cramer
L’intérêt de la quantité d’information de Fisher est qu’elle fournit une
borne inférieure pour la variance de n’importe quel estimateur sans biais de
θ. Ce résultat s’exprime sous la forme de la propriété suivante :

Théorème
Sous H1 , H2 et H3 on a pour tout estimateur T sans biais de θ
1
V (T ) ≥
In (θ)

Si T est un estimateur sans biais de h(θ)

(h0 (θ))2
V (T ) ≥
In (θ)

Un estimateur qui atteint cette borne sera dit estimateur efficace

(ASEDS - INPT) L’Estimation paramétrique 24 / 47

Exemple : Soit (X1 , . . . , Xn ) un échantillon d’une loi P(λ).

λ
V(X̄n ) =
n 
∂ 2 (−λ + X ln λ)

I1 (λ) = −E
∂λ2
 
X 1
= E 2
=
λ λ

Donc X̄n est l’estimateur sans biais et efficace de λ.

(ASEDS - INPT) L’Estimation paramétrique 25 / 47

Exemple : Soit (X1 , . . . , Xn ) un échantillon d’une loi U([0, θ]). Comme
fθ (x) = 1θ pour 0 < x < θ,
2
n2

∂ ln L
E =
∂θ θ2

x n−1
Et X(n) ∼ fn (x) = n 1I (x) implique
θn [0,θ]
Z θ

n n n
E X(n) = n
x dx = θ
0 θ n + 1

donc
n+1
T (X1 , . . . , Xn ) = X(n)
n
est sans biais.
Mais
θ2 θ2
V(T (X1 , . . . , Xn )) = < 2 (!)
n(n + 2) n

(ASEDS - INPT) L’Estimation paramétrique 26 / 47

Borne inférieure = pas nécessairement atteinte

Exemple : Soit (X1 , . . . , Xn ) un échantillon d’une loi N(µ, σ 2 ),

∂2 (x − µ)2
 
1 1 2 2 1
ln exp(− (x − µ) /σ ) = −
∂(σ 2 )2 σ 2 2σ 4 σ6
et
∂2
 
1
E 2 2
ln f(µ,σ) (X ) = − 4
∂(σ ) 2σ
2σ 4
donne la borne pour un estimateur sans biais de σ 2 .
n
Mais
2σ 4 2σ 4
V(Sn2 ) = > (?)
n−1 n

(ASEDS - INPT) L’Estimation paramétrique 27 / 47

Estimation par intervalle de confiance
Principe de la méthode :

Soit X une v.a. dont la loi dépend d’un paramètre réel inconnu θ.
Comment peut-on mesurer la précision de l’estimation de θ .
Problème :
chercher deux stat. T1 et T2 qui encadrent θ avec une probabilité (forte)
donnée,
P{T1 < θ < T2 } = 1 − α
[T1 , T2 ] : intervalle de confiance de θ
1 − α : coefficient de sécurité (niveau de confiance).

Définition
Soit α ∈ [0, 1] donné ; on appelle intervalle de confiance pour le paramètre
θ, de niveau de confiance 1 − α, l’intervalle [T1 , T2 ] tel que
P{T1 < θ < T2 } = 1 − α.

(ASEDS - INPT) L’Estimation paramétrique 28 / 47

 α1 1−α α2
la détermination des bornes d’un intervalle de
confiance dépend de la coupure de α en α1 et α2 .
a est le fractile d’ordre α1 et b est le fractile a b

d’ordre 1 − α2 d’une certaine loi.

Deux cas de figure sont possibles :

• intervalle bilatéral (α1 6= 0 et α2 6= 0).
• intervalle unilatéral de la forme (a, +∞[, ou ] − ∞, b)
Ces divers choix dépendent souvent de la spécificité du contexte dans
lequel intervient la notion d’intervalle de confiance.
Par exemple :
i) θ représente la résistance à la rupture d’un métal, on recherchera alors
un intervalle de la forme θ > a, et on prendra α1 = α et α2 = 0.
ii) θ est la concentration d’un colorant chimique utilisé en industrie
agro-alimentaire. L’idée de ne pas dépasser un seuil de toxicité conduit à
privilégier un intervalle de la forme θ < b, et on prendra α1 = 0 et α2 = α.

(ASEDS - INPT) L’Estimation paramétrique 29 / 47

Pour les lois symétriques unimodales, l’intervalle de confiance de niveau
1 − α (α ∈]0, 1[) est de longueur minimale pour α1 = α2 = α/2.

Z u2 α1 + α2 = α

On a : f (x)dx = α/2 − α2
uα/2
Z −u1
f (x)dx = α1 − α/2 α1 α2
−uα/2
Utilisons la formule de la moyenne : −u α −u1 u α2 u2
Z −u1 2

f (x)dx = (uα/2 − u1 )f (x1 ) x1 ∈ [−uα/2 , −u1 ]

Z−u
u2
α/2

f (x)dx = (u2 − uα/2 )f (x2 ) x2 ∈ [uα/2 , u2 ]

uα/2
En utilisant la symétrie et l’unimodalité :
f (x) ≥ f (y ) ∀x ∈ [−uα/2 , −u1 ], ∀y ∈ [uα/2 , u2 ]
Donc f (x1 ) ≥ f (x2 ) et comme (u2 − uα/2 )f (x2 ) = (uα/2 − u1 )f (x1 ).
Il s’en suit : uα/2 − u1 ≤ u2 − uα/2 et 2uα/2 ≤ u1 + u2 .

(ASEDS - INPT) L’Estimation paramétrique 30 / 47

Construction Pratique

• 1. étape
Choix d’un estimateur Tn de θ.
• 2. étape
Loi de probabilité de l’estimateur.
• 3. étape
Calcul de l’intervalle

P(t1 (θ) < Tn < t2 (θ)) = 1 − α

Chercher à inverser cet intervalle i.e. déterminer les valeurs a = a(Tn )

et b = b(Tn ) telles que

P(a(Tn ) < θ < b(Tn )) = 1 − α

(ASEDS - INPT) L’Estimation paramétrique 31 / 47

Exemple
Soit (X1 , . . . , Xn ) un échantillon de taille n de la loi uniforme U[0,θ] , θ > 0.
Intervalle de confiance pour θ de coefficient de sécurité 1 − α
xn
FX(n) (x) = n ∀x ∈]0, θ[
 θ 
P c1 ≤ X(n) ≤ c2 = 1 − α où c1 et c2 sont données par les
équations :
  α   α
P X(n) ≤ c1 = et P X(n) ≤ c2 = 1 −
2 2
soit r r
α α
c1 = θ n
et c2 = θ n 1 −
2 2
On en déduit alors :
 X X(n) 
(n)
P p ≤ θ ≤ =1−α
1 − α2 n α
n
p
2
et l’I.C. h X(n) X(n) i
p α , p
n α
.
n
1− 2 2
(ASEDS - INPT) L’Estimation paramétrique 32 / 47
 X(n)
On pose Yn = θ . On a :
∀x ∈ [0, 1], FYn (x) = x n

 
P d1 ≤ Yn ≤ d2 = 1 − α où d1 et d2 sont données par les
équations :
  α   α
P Yn ≤ d1 = et P Yn ≤ d2 = 1 −
2 2
soit r r
α α
d1 = n
et d2 = n 1 −
2 2
On en déduit alors :
 rα X(n)
r
α
P n
≤ ≤ n 1− =1−α
2 θ 2
et l’I.C. h X(n) X(n) i
p α , p
n α
.
n
1− 2 2
(ASEDS - INPT) L’Estimation paramétrique 33 / 47
Intervalles classiques
1) Intervalle pour µ d’une loi N(µ, σ 2 ).
a) cas où σ est connu.
Les bornes de l’intervalle de confiance de µ, de coefficient de sécurité
1 − α, sont données par :
σ σ
[X̄ − √ u1− α2 , X̄ + √ u1− α2 ]
n n
α
où u1− α2 est le fractile d’ordre 1 − 2 de la loi N(0, 1).

α α
2 2

−u1− α u1− α
2 2

(ASEDS - INPT) L’Estimation paramétrique 34 / 47

Exemple
Ecrire une fonction qui génére 200 échantillons, chacun de taille 30, à
partir d’une N(2, 0.01). Pour chacun des 200 échantillons de taille 30,
donner un intervalle de confiance de 95% pour la moyenne de la
population. Faire un graphique des intervalles de confiance, en soulignant
ceux qui ne contiennent pas µ = 2. Enfin, déterminer combien des 200
intervalles contiennent la moyenne (µ = 2) de la population (ce nombre
est le niveau de confiance simulé).
ICsim <- function(sims = 200, n = 30, mu = 2, sigma = 0.1, [Link] = 0.95) {
alpha <- 1 - [Link]
binf <- numeric(sims)
bsup <- numeric(sims)
for (i in 1:sims) {
xbar <- mean(rnorm(n, mu, sigma))
binf[i] <- xbar - qnorm(1 - alpha/2) * sigma/sqrt(n)
bsup[i] <- xbar + qnorm(1 - alpha/2) * sigma/sqrt(n)
}

notin <- sum((binf > mu) + (bsup < mu))

pourcentage <- round((notin/sims) * 100, 2)
NCE <- 100 - pourcentage

(ASEDS - INPT) L’Estimation paramétrique 35 / 47

 plot(binf, type = "n", ylim = c(min(binf), max(bsup)),
xlab = " ", ylab = " ")
for (i in 1:sims) {
if (binf[i] < mu & bsup[i] > mu) {
segments(i, binf[i], i, bsup[i])
} else if (binf[i] > mu & bsup[i] > mu) {
segments(i, binf[i], i, bsup[i], col = "red", lwd = 5)
} else {
segments(i, binf[i], i, bsup[i], col = "blue", lwd = 5
}
}
abline(h = mu)
cat(NCE, "\b% des intervalles de confiance contiennent mu =", mu, "\b.", "\n")
}

ICsim(sims = 200, n = 30, mu = 2, sigma = 0.1, [Link] = 0.95)

2.05
2.00
1.95

0 50 100 150 200

(ASEDS - INPT) L’Estimation paramétrique 36 / 47

Exemple :

Soit (X1 , . . . , Xn ) un échantillon de taille n de la loi N(θ, 1).

1) Quelle est la probabilité que l’intervalle [X̄n − 1, X̄n + 1] contienne θ ?
2) Donner le plus petit n pour garantir un intervalle de confiance, de
1
niveau 0.95, pour θ de longueur au plus .
4

(ASEDS - INPT) L’Estimation paramétrique 37 / 47

b) cas où σ est inconnu.

Théorème [Fisher]
Soient X1 , . . . , Xn des variables aléatoires indépendantes et de même loi
N[µ, σ 2 ). Alors :
n n
1X 1 X
1 X̄ =
n
2
Xi et Sn = (Xi − X̄n )2 sont indépendantes.
n n−1
i=1 i=1
S2
2 (n − 1) n2 suitune loi χ2n−1
√ σ

n X̄n − µ
3 suit une loi de Student à (n − 1) d.d.l.
Sn

(ASEDS - INPT) L’Estimation paramétrique 38 / 47

Les bornes de l’intervalle de confiance de µ, de coefficient de sécurité
1 − α, sont données par :
Sn Sn
[X̄ − √ t1− α2 , X̄ + √ t1− α2 ]
n n
α
où t1− α2 est le fractile d’ordre 1 − 2 d’une Student(n − 1).

α α
2 2

−t1− α t1− α
2 2

(ASEDS - INPT) L’Estimation paramétrique 39 / 47

2) Intervalle pour la variance d’une N(µ, σ 2 )
a) cas où µ est connu.
n
1X S0
Soit S 0 = (Xi − µ)2 , on sait que n 2 suit une loi χ2n
n σ
i=1
Les bornes de l’intervalle de confiance de σ 2 , de coefficient de sécurité
1 − α, sont données par :  0
S0

S
n ,n
c2 c1
où c1 (resp. c2 ) est le fractile d’ordre α1 (resp. 1 − α2 ) d’un χ2n (avec
α1 + α2 = α).

α1 1−α α2

c1 c2

(ASEDS - INPT) L’Estimation paramétrique 40 / 47

b) cas où µ est inconnu.
On sait que
Sn2
(n − 1) suit une χ2n−1 .
σ2
De même qu’en a), on trouve :

Sn2 Sn2
 
2
P (n − 1) ≤ σ ≤ (n − 1) = 1 − α,
c2 c1

et donc l’intervalle de confiance de σ 2 , de coefficient de sécurité 1 − α, est

fourni par les deux bornes :

Sn2 S2
[(n − 1) , (n − 1) n ]
c2 c1
où c1 (resp. c2 ) est le fractile d’ordre α1 (resp. 1 − α2 ) d’un χ2n−1 .

(ASEDS - INPT) L’Estimation paramétrique 41 / 47

3) Intervalle du rapport des variances de deux lois N(µ1 , σ12 ) et N(µ2 , σ22 ) .

On dispose de deux échantillons indépendants

(X11 , . . . , X1n1 ) i.i.d. −→ N(µ1 , σ12 ) et
(X21 , . . . , X2n2 ) i.i.d. −→ N(µ2 , σ22 ). On pose :
n1 n2
1 X 1 X
S12 = (X1i − X̄1 )2 et S22 = (X2i − X̄2 )2 .
n1 − 1 n2 − 1
i=1 i=1
n1 n2
1 X 1 X
où X̄1 = X1i et X̄2 = X2i .
n1 n2
i=1 i=1
S2 S2
On sait que (n1 − 1) 12 suit une loi de χ2n1 −1 et (n2 − 1) 22 suit une loi de
σ1 σ2
χ2n2 −1 . Par suite
S22 S12
/ suit F (n2 − 1, n1 − 1)
σ22 σ12
 2
σ12 S12

S1
P Fα < 2 < 2 F1−α2 = 1 − α
S22 1 σ2 S2
(ASEDS - INPT) L’Estimation paramétrique 42 / 47
4) Intervalle de la différence des espérances de deux lois normales.

a) Ecarts types connus.

 s s 
X̄1 − X̄2 − u1− α σ12 σ22 σ12 σ22 
+ , X̄1 − X̄2 + u1− α2 +
2 n1 n2 n1 n2

α
où u1− α2 est le fractile d’ordre 1 − 2 de la loi N(0, 1).

b) Ecarts types égaux et inconnus. σ1 = σ2 = σ

On pose :
(n1 − 1)S12 + (n2 − 1)S22
S2 =
n1 + n2 − 2
 r r 
1 1 1 1
X̄1 − X̄2 − t1− α2 S + , X̄1 − X̄2 + t1− α2 S +
n1 n2 n1 n2
α
où t1− α2 est le fractile d’ordre 1 − 2 d’une loi de Student(n1 + n2 − 2).

(ASEDS - INPT) L’Estimation paramétrique 43 / 47

Intervalle de confiance d’une proportion
N1 le nombre d’éléments de l’échantillon qui présentent le caractère étudié
est une variable B(n, θ).
N1
La statistique θ̂ = est le meilleur estimateur sans biais de θ.
n
En outre, d’après le théorème central limite : (nθ̂(1 − θ̂) > 12)
θ̂ − θ L
q −→ N(0, 1)
θ(1−θ)
n
Soit α ∈ [0, 1] donné, u1−α/2 désignant le fractile d’ordre 1 − α/2 de la loi
N(0, 1), pour n assez grand on a :
θ̂ − θ
P(−u1−α/2 ≤ q ≤ u1−α/2 ) = 1 − α
θ(1−θ)
n
la résolution en θ peut se faire de façon direct
2
u1−α/2 2
u1−α/2
2
θ (1 + ) − 2θ(θ̂ + ) + θ̂2 ≤ 0
n 2n
(ASEDS - INPT) L’Estimation paramétrique 44 / 47
L’intervalle de confiance est [θ1 , θ2 ]
où q 2
2
u1−α/2 2
u1−α/2 u1−α/2
θ̂ + 2n − n ( 4n + θ̂(1 − θ̂))
θ1 = 2
u1−α/2
1+ n
2
q 2 2
u u1−α/2 u1−α/2
θ̂ + 1−α/2
2n + n ( 4n + θ̂(1 − θ̂))
θ2 = 2
u
1 + 1−α/2 n
(Intervalle de confiance de Wilson). Il est possible d’utiliser une méthode
plus directe (Intervalle de confiance asymptotique ou de Wald) :
P.
On sait que θ̂ −→ θ, donc

θ̂ − θ L
q −→ N(0, 1)
θ̂(1−θ̂)
n
 s s 
θ̂ − u1−α/2 θ̂(1 − θ̂) θ̂(1 − θ̂) 
, θ̂ + u1−α/2
n n

(ASEDS - INPT) L’Estimation paramétrique 45 / 47

Exemple :

Une société spécialisée dans les systèmes Cloud-IoT souhaite évaluer la

proportion de dispositifs IoT dans des environnements industriels qui
utilisent un système de gestion centralisée pour monitorer et analyser les
données collectées. Cette étude est essentielle pour estimer l’adoption des
systèmes Cloud-IoT dans les infrastructures industrielles et pour optimiser
les stratégies de déploiement futur.

La société décide de construire trois intervalles de confiance de Wilson

pour estimer la proportion réelle d’adoption. Supposons que 200 dispositifs
IoT soient étudiés et que 157 d’entre eux utilisent un système de gestion
centralisée basé sur le Cloud.
Construisez des intervalles de confiance de niveaux respectifs 90%, 95% et
99% pour la proportion réelle.

(ASEDS - INPT) L’Estimation paramétrique 46 / 47

Intervalle de la différence de deux proportions
On ne donnera qu’un développement asymptotique qui suppose que
min(n1 p1 , n1 (1 − p1 ), n2 p2 , n2 (1 − p2 )) > 5. Les paramètres p1 et p2 étant
inconnus on utilise en substitution les conditions
min(n1 p̂1 (1 − p̂1 ), n2 p̂2 (1 − p̂2 )) > 12.
Soit P̂1 et P̂2 les estimateurs des proportions respectives de chaque
échantillon. On a :

P̂ − p1 L P̂2 − p2 L
q1 −→ N(0, 1) et q −→ N(0, 1).
p1 (1−p1 ) p2 (1−p2 )
n1 n2

En raison de l’indépendance
des

deux échantillons et donc des estimateurs
P̂1 −P̂2 − p1 −p2 L
P̂1 et P̂2 , on a : r P̂ (1−P̂ ) P̂ (1−P̂ ) −→ N(0, 1).
1 1 + 2 n 2
n1 2
Ce" qui donne finalement
r
l’intervalle : r #

P̂1 (1−P̂1 ) P̂2 (1−P̂2 )
P̂1 (1−P̂1 ) P̂2 (1−P̂2 )
P̂1 − P̂2 − u1−α/2 n1
+ n2
, P̂1 − P̂2 + u1−α/2 n1
+ n2
.

(ASEDS - INPT) L’Estimation paramétrique 47 / 47