[PDF] [PDF] Estimations et intervalles de confiance - Institut de Mathématiques

[PDF] Cours 5 : ESTIMATION PONCTUELLE

Cours 5 : ESTIMATION PONCTUELLE A- Généralités B- Précision d'un estimateur C- Exhaustivité D- information E-estimateur sans biais de variance 

[PDF] Ch 5 : Echantillonnage, estimation

est minimal (l'estimation ponctuelle varie le moins possible d'un échantillon `a ( On utisera les estimateurs Mn et Σn−1 du cours : ch 5, §1) 3 Déterminer un 

[PDF] Estimations et intervalles de confiance - Institut de Mathématiques

Retour au plan du cours C'est une estimation dite ponctuelle D'autre part, dans un lot de 1500 pièces prélevées, l'estimation ponctuelle de p obtenue est

[PDF] STATISTIQUE : ESTIMATION - Institut de Mathématiques de Bordeaux

Chapitre I Estimation ponctuelle 5 1 Définitions 5 2 Critères de comparaison d'estimateurs 6 3 Exemples fondamentaux 6 3 a Estimation de m 6 3 b

[PDF] Échantillonnages et estimations

Chapitre III: Estimation ponctuelle; • Chapitre «Eléments de statistique d'aide à la décision: cours et «Théorie des sondage: échantillonnage et estimation

[PDF] Introduction `a lestimation

L'estimation ponctuelle de la proportion p est donnée par la fréquence observée f de la premi`ere modalité dans l'échantillon : f = n1 n Attention : p est inconnue, 

[PDF] Estimation

Cours de mathématiques Il y a deux types d'estimation : l'estimation ponctuelle et l'estimation par Cet estimateur nous a permis d'estimer ponctuellement

[PDF] Estimations

Le nombre √ n n − 1 σ′ est une estimation ponctuelle de l'écart-type σ III Estimation par intervalle de confiance 1) Moyenne On consid`ere une population de 

[PDF] Cours de Statistiques inférentielles

3 2 Estimation paramétrique ponctuelle Cette fois il s'agit d'estimer certaines caractéristiques statistiques de la loi (moyenne, variance, fonction de répartition)  

[PDF] Primes ? la rénovation - Service Public de Wallonie

[PDF] Cours 5 : ESTIMATION PONCTUELLE

[PDF] Séance 2 : Estimateurs convergents, non biaisés et exhaustifs

[PDF] statistique : estimation - Institut de Mathématiques de Bordeaux

[PDF] statistique : estimation - Institut de Mathématiques de Bordeaux

[PDF] approche des risques (version complète)

[PDF] Le barême d 'évaluation des fonds de commerce - Expercia

[PDF] valeur, prix et methodes d 'evaluation en immobilier - Immonotcom

[PDF] Estimation et intervalle de confiance - AgroParisTech

[PDF] Estimation paramétrique

[PDF] QUEL SERA LE MONTANT DE VOTRE PENSION EN 2008, 2012

[PDF] Estimations et intervalles de confiance - Institut de Mathématiques

[PDF] Séance 5 : Exercices récapitulatifs sur l 'estimation ponctuelle

[PDF] Intentions de vote - Harris Interactive

[PDF] Cours 5: Inférences: Estimation, Echantillonnage et Tests

Estimations et intervalles de confiance

Estimations et intervalles de confiance

Résumé

Cette vignette introduit la notion d"estimateur et ses propriétés : ponctuelle de paramètres de loi : proportion, moyenne, variance. La connaissance des lois de ce estimateurs permet l"estimation par in- tervalle de confiance et donc de préciser l"incertitude sur ces esti- mations : intervalle de confiance d"une proportion, d"une moyenne si la variance est connue ou non, d"une variance.

Retour au

plan du cour s

1 Introduction

Le cadre est le suivant : on dispose de données observées (en nombre fini) et l"on désire tirer des conclusions de ces données sur l"ensemble de la popu- lation. On fait alors une hypothèse raisonnable : il existe une loi de probabilité sous-jacente telle que les "valeurs observables" des différents éléments de la population étudiée puissent être considérées comme des variables aléatoires indépendantes ayant cette loi. Un aspect important de l"inférence statistique consiste à obtenir des "esti- mations fiables" des caractéristiques d"une population de grande taille à partir d"un échantillon extrait de cette population. C"est un problème de décision concernant des paramètres qui le plus souvent sont : l"espérance mathématique ; la proportion p; la v ariance2. Ces paramètres sont a priori inconnus car la taille réelle de la population étant très grande, il serait trop coûteux de tester tous les éléments de la population. Ainsi, comme un échantillon ne peut donner qu"une information partielle sur la population, les estimations que l"on obtiendra seront inévitablement entachées d"erreurs qu"il s"agit d"évaluer et de minimiser autant que possible. En résumé, estimer un paramètre inconnu, c"est en donner une valeur ap-

prochée à partir des résultats obtenus sur un échantillon aléatoire extrait de lapopulation sous-jacente.

Exemple :Un semencier a récolté 5 tonnes de graines de Tournesol. Il a besoin de connaître le taux de germination de ces graines avant de les mettre en vente. Il extrait un échantillon de 40 graines, les dépose sur un buvard humide et compte le nombre de graines ayant évolué favorablement. On remarque que ce contrôle est de type destructif : l"échantillon ayant servi au contrôle ne peut plus être commercialisé. Il s"agit donc d"évaluer la proportionpdes graines de la population à grand effectif, présentant un certain caractèreX: succès de la germination. Même avec une population d"effectif restreint, un contrôle depne peut être calculée. Le modèle s"écrit commenréalisationsxide v.a.r. indépendantes de Ber- noulliXidéfinies par : X i=1si l"individuiprésente le caractèreX

0sinon.

Il est naturel d"estimerpparx

n=1n P n i=1xi;qui est la proportion des indi- vidus ayant le caractèreXdans l"échantillon. En effet, la LGN nous assure de la convergence en probabilité de la v.a.r.X=1n P n i=1Xivers l"espérance de X

1, c"est-à-direp;Xest l"estimateur de la proportionpetpest estimée par

la réalisationx ndeX. Dans l"expérience de germination, 36 graines ont eu une issue favorable avecxi= 1. La proportion estimée estx= 40=36 = 0;9 C"est une estimation diteponctuelle. D"autre part, dans toute discipline scien- tifique, il est important d"avoir une indication de la qualité d"un résultat ou encore de l"erreur dont elle peut-être affectée. Ceci se traduit en statistique par la recherche d"un intervalle, ditintervalle de confiance, dont on peut assurer, avec un risque d"erreur contrôlé et petit, que cet intervalle contient la "vraie" valeur inconnue du paramètre. Dans la suite nous nous intéresserons donc à deux types d"estimations : soit une estimation donnée par v aleurscalaire issue des réalisations des v.a.r.Xi: l"estimationponctuelle; soit une estimation donnée par un ensemble de v aleursappartenant à un intervalle : l"estimation parintervalle de confiancecontrôlé par un risque d"erreur fixéa priori.1

Estimations et intervalles de confiance

2 Estimation ponctuelle

2.1 Estimateur

Convergence

DÉFINITION1. - Unn-échantillon aléatoire issu d"une v.a.r.Xest un en- semble(X1;:::;Xn)denv.a.r. indépendantes et de même loi queX. Soitun paramètre associé à la loi deX, par exemple=E(X)ou= Var(X). À partir de l"observation d"un échantillon aléatoire(X1;:::;Xn), on souhaite estimer le paramètre. DÉFINITION2. - Un estimateurbndeest une fonction qui dépend unique- ment dun-échantillon(X1;:::;Xn). Il est dit convergent s"il est "proche" de au sens de la convergence en probabilité : pour tout >0, P jbnj> !n!+10:

Dans l"exemple de l"introduction, la quantité

1n P n i=1Xiest un estimateur convergent depet si, par exemple, on a observé21pièces défectueuses sur un lot de1500pièces prélevées, l"estimation ponctuelle depobtenue estx n= 21=1500 = 1;4%. Pour estimer l"espérancedes variables aléatoiresXi, on utilise la moyenne empiriqueX n=1n n X i=1X i; car par la LGN, on sait qu"elle converge en probabilité vers l"espérance =E(X1). Le but de la théorie de l"estimation est de choisir, parmi toutes les statistiques possibles, le "meilleur" estimateur convergent, c"est-à-dire celui qui donnera une estimation ponctuelle la plus proche possible du paramètre et ceci, quel

que soit l"échantillon.Exemple :Considérons une v.a.r.Xreprésentant le nombre de grippes attra-

de paramètre >0. Chercher la loi deX, c"est chercher, qui n"est autre que l"espérance mathématique deX. Par conséquent, la LGN nous indique queX n est un estimateur convergent de: pour tout >0, P 1n n X i=1X i n!+10: Grâce à l"inégalité de Chebychev, on peut démontrer le théorème suivant : THÉORÈME3. - Soitbnun estimateur de. Si l"on a : lim n!+1E(bn) =et limn!+1Var(bn) = 0; alors bnest un estimateur convergent de. Biais DÉFINITION4. - Soitbnun estimateur convergent d"un paramètre. On appelle biais la quantitéE(bn). L"estimateurbnest dit sans biais si

E(bn) =, et biaisé sinon.

Exemple :La moyenne empiriqueX

nest un estimateur convergent et sans biais de l"espérance mathématique.

Écart quadratique moyen

Notons que l"on a

E n (bn)2o =En (bnE(bn) +E(bn))2o =En (bnE(bn))2+ (E(bn))2+ 2(bnE(bn))(E(bn))o =Var(bn) + (biais)2; car le termeEn (bnE(bn))(E(bn))o est nul. Ainsi, pour rendre l"écart quadratique moyenEn (bn)2o le plus petit possible, il faut que2

Estimations et intervalles de confiance

-E(bn) =, donc choisir un estimateur sans biais, la v arianceV ar(bn)soit faible. On choisira donc, parmi les estimateurs convergents et sans biais, celui qui a la variance la plus petite. En d"autres termes, si bnest un estimateur convergent et sans biais de, on a tout intérêt à ce quebnne varie pas trop autour de sa

2.2 Estimateur d"une moyenne ou d"une proportion

On considère unn-échantillon(X1;:::;Xn)issu d"une loi de moyenne et de variance2, toutes deux inconnues. 1. d"après la LGN, la mo yenneempirique X nest un estimateur convergent de. 2. l"estimateur X nest sans biais. 3. par indépendance : V ar(X n) =2n 4. loi de X n: si X N(;2), alorsX n N(;2=n). lorsque nest grand, d"après le TCL, la loi deX nest approchée par une loi normaleN(;2=n). L"estimation d"une proportionpest un cas particulier du précédent, au sens où les v.a.r.Xiconsidérées sont de Bernoulli de paramètrep.

2.3 Estimateur de la variance

DÉFINITION5. - La variance empirique associée à unn-échantillon (X1;:::;Xn)est définie par S

2n=1n1n

X i=1(XiX n)2: DÉFINITION6. - Soit(Y1;:::;Yn)unn-échantillon de v.a.r. de loiN(0;1). On appelle loi du chi-deux àndegrés de liberté la loi de la v.a.r.Pn i=1Y2i, et on la note2(n).

Propriétés de la variance empirique :

1.S2nest un estimateur convergent de la variance2.2.S2nest sans biais.

3. loi de S2n: pas de résultat général. Cependant, siX N(;2), alors la v.a.r. n1

2S2nsuit une loi du chi-deux àn1degrés de libertés2(n1):

Remarque :PuisqueE(Yi) = 0;on aE(Y2i) =Var(Yi) = 1. SiVsuit une loi

2(n), alors

E(V) =E(Y21+:::+Y2n) =n:

Ainsi on retrouve le fait queS2nest un estimateur convergent et sans biais de 2:

E(S2n) =2n1E(2n1) =2:

3 Estimation par intervalle de confiance

Pour l"estimation ponctuelle, on considère

un paramètre inconnu , un ensemble de v aleursobservées (x1;:::;xn), réalisations d"unn- échantillon aléatoire(X1;:::;Xn), et son estimation ponctuellex n= 1n P n i=1xi. Les estimations ponctuelles n"apportent pas d"information sur la précision des résultats, c"est-à-dire qu"elles ne tiennent pas compte des erreurs dues aux fluc- tuations d"échantillonnage. Pour évaluer la confiance que l"on peut avoir en une valeur, il est nécessaire de déterminer un intervalle contenant, avec une certaine probabilité fixée au préalable, la vraie valeur du paramètre : c"est l"es- timation par intervalle de confiance.

3.1 Définition d"un intervalle de confiance

Soit(X1;:::;Xn)unn-échantillon aléatoire etun paramètre inconnu de la loi desXi. DÉFINITION7. - Soit2]0;1[. S"il existe des v.a.r.min(X1;:::;Xn)et max(X1;:::;Xn)telles que P

2[min(X1;:::;Xn);max(X1;:::;Xn)]= 1;

on dit alors que[min(X1;:::;Xn);max(X1;:::;Xn)]est un intervalle de confiance pour, avec coefficient de sécurité1:On le noteIC1().3quotesdbs_dbs29.pdfusesText_35