MINISTÈRE DE L’ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE

SCIENTIFIQUE

UNIVERSITÉ D’ALGER 1 Ben Youcef Benkhedda

Faculté des Sciences

Département de Mathématiques et Informatique

Module : STATISTIQUE PARAMETRIQUE

Préparé par :

Dr MENNI.N

Maître de conférences de classe B

Département Mathématiques et Informatique.

20/03/2021

1
Table des matières

1 Echantillonnage 3

2 Estimation Ponctuelle 4

3 Estimation par intervalles de confiance 5

3.1 Principe de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3.1.1 Recherche des intervalles de confiances (I.C) . . . . . . . . . . . . . . . . . . . 6
3.1.2 Les fonctions pivotales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2 Construction (Détermionation) des intervalles de confiance : . . . . . . . . . . . . . . 8
3.2.1 Intervalle de confiance (I.C) usuels (classique) . . . . . . . . . . . . . . . . . . 8
2
3.2.1.1 I.C pour la moyenne d’une loi N (µ, σ ) . . . . . . . . . . . . . . . . . 8
3.2.1.2 I.C pour la variance d’une loi N (µ, σ 2 ) . . . . . . . . . . . . . . . . . 10

2
Chapitre 1

Echantillonnage

3
Chapitre 2

Estimation Ponctuelle

4
Chapitre 3

Estimation par intervalles de confiance

3.1 Principe de la méthode

Soit le modèle statistique (E, B, {Pθ , θ ∈ H/H ⊂ R}) . La méthode consiste à déterminer un in-
tervalle recouvrant trés vraisemblalement la vraie valeur inconnue θ0 de θ. On notera θ0 = θ, on va
chercher un intervalle Cx (θ) telle que P(θ ∈ Cx (θ)) = 1 − α, 0 ≤ α ≤ 1 ( les valeurs usuelle 5%, 1%
et 10%)

Remarque 3.1. Les bornes de l’intervalle Cx (θ) dépendent de l’échantillon considéré.

Définition 3.1. Soit α ∈ [0, 1], on appelle intervalle de confiance ( ou région de confiance ) pour le
paramètre θ (resp g(θ)), de niveau de confiance (1 − α) la famille non vide des ensembles Cx (θ) telle
que P(θ ∈ Cx (θ)) = 1 − α (resp P(g(θ) ∈ Cx (θ)) = 1 − α, ∀θ ∈ H)

Remarque 3.2. Le terme région de confiance est plus tôt emploiyer pour un paramètre multidimen-
tionnelle

Remarque 3.3. 1. α = P(θ ∈

/ Cx (θ)), θ appelé le risque θ fixé au préalable
2. On parle aussi de région de confiance de niveau de confiance au moins égale à 1 − α

P(θ ∈ Cx (θ)) ≥ 1 − α

3. Lorsque H ⊂ R, on parle d’intervalle de confiance C1−α,n = [a, b]

Définition 3.2. Soit (X1 , X2 , ..., Xn ) un n-échantillon d’une v.a X de loi de probabilité Pθ où θ ∈ R,
est un paramètre inconnu .
Soit α ∈]0, 1[, on appelle intervalle de confiance pour θ, au seuil α l’intervalle aléatoire
[a (X1 , X2 , ..., Xn ) , b (X1 , X2 , ..., Xn )] tel que

P (θ ∈ [a (X1 , X2 , ..., Xn ) , b (X1 , X2 , ..., Xn )]) = 1 − α

5
 Chapitre 3 :Estimation par intervalles de confiance

P (a (X1 , X2 , ..., Xn ) ≤ θ ≤ b (X1 , X2 , ..., Xn )) = 1 − α

(1 − α) est appelé le niveau de confiance.

a (X1 , X2 , ..., Xn ) et b (X1 , X2 , ..., Xn ) sont appelés les limites de confiance.

3.1.1 Recherche des intervalles de confiances (I.C)

Le but : Trouver un intervalle [a, b] tq P (a ≤ θ ≤ b) = 1 − α

Cette figure montre que la détermination des limites de confiance dépend de la coupure que α en
α1 + α2 (α = α1 + α2 )alors, P (a ≤ θ ≤ b) = 1 − α ⇒

P (θ ≤ a) = α1 (3.1)

P (θ > b) = α2 (3.2)

3.1 ⇒ a = F −1 (α1 ) et
3.2 ⇒ P (θ ≤ b) = 1 − α2 ⇒ b = F −1 (1 − α2 )
donc
a est le quantile ( la fractile) d’ordre α1 et b est le quantile d’ordre 1 − α2 d’une certaine loi de
probabilité

Remarque 3.4. 1. Un intervalle de confiance bilatérale correspond à α1 6= 0 et α2 6= 0, il sera

de la forme [a, b]

6
 Chapitre 3 :Estimation par intervalles de confiance

2. Un intervalle de confiance unilatérale correspond à α1 = α et α2 = 0, il sera de la forme

[a, +∞[ (unilatérale à gauche) ou α1 = 0 et α2 = α, il sera de la forme ] − ∞, b] (unilatérale à
droite).
3. Si la loi est symétrique par rapport à 0 on prend α1 = α2 = α2 , exemple : N(0, 1), St.

3.1.2 Les fonctions pivotales

Définition 3.3. Une variable aléatoire g(θ, T (X1 , ..., Xn )) est dite fonction pivotale pour θ, si sa loi
ne dépend pas de θ ie la loi de g est fixé, ∀θ.

Exemple. X ,→ N (µ, σ 2 ), θ = (µ, σ 2 )

Soit (X1 , X2 , ..., Xn ) un n-échan de X.
X−µ
1. g(θ, T (X1 , ..., Xn )) = σ
,→ N (0, 1)
g est une fct pivotale pour θ,
2. Si σ est connu : g(θ, T (X)) =? la fonction pivotale pour le paramètre µ, g(µ, T (X))
X−µ
X ,→ N (µ, σ 2 ) ⇒ ,→ N (0, 1) (T.C.L)
√σ
n
√
g(µ, T (X1 , ..., Xn )) = n Xnσ−µ ,→ N (0, 1) g est une fonction pivotale ( g dépend de l’échan et
paramètre mais la loi est libre )
3. Si σ est inconnu : g(θ, T (X)) =? la fonction g n’est pas une pivotale pour µ car elle dépend
d’un autre paramètre σ qu’il faut l’estimer

n
X n
Sn2 = 1
n
(Xi − X)2 , S 02 = σ
b2 = S2
i=1
n−1
donc

√
X−µ

nS 2
√σ
n n − 1(X − µ) 
σ2
,→ X2n−1
r = ,→ Stn−1 ⇒ X−µ
nS 2 Sn  √σ
,→ N (0, 1)
σ2 n
n−1

√
n−1(X−µ)
donc g(θ, T ) = Sn
pivotale pour µ si σ inconnu.
4. La fonction pivotale pour σ 2
n  2
X Xi − µ
2
i) µ connu g(σ , T ) = ,→ X2n
i=1
σ
ii) µ inconnu donc estimer par X
n
X
g(σ 2 , T ) = σ12 (Xi − X)2 ,→ X2n−1 alors g(σ 2 , T ) est une pivotale pour σ 2
i=1

7
 Chapitre 3 :Estimation par intervalles de confiance

3.2 Construction (Détermionation) des intervalles de confiance :

Le problème c’est de déterminer les bornes a et b de C1−α,n c’est-à-dire

P (a (X1 , X2 , ..., Xn ) ≤ θ ≤ b (X1 , X2 , ..., Xn )) = 1 − α

où X1 , X2 , ..., Xn est un n-échan de X ,→ Pθ .

Pour celà on va déterminer les bornes a0 et b0 telle que

P (a0 ≤ g(θ, T (X1 , X2 , ..., Xn ) ≤ b0 ) = 1 − α

avec g(θ, T (X1 , X2 , ..., Xn ) est une fonction pivotale donc sa loi ne dépend pas de θ, une fois trouvé
a0 = a0 (T (X1 , X2 , ..., Xn )) et b0 = b0 (T (X1 , X2 , ..., Xn )), on remontre pour retrouver a et b

3.2.1 Intervalle de confiance (I.C) usuels (classique)

3.2.1.1 I.C pour la moyenne d’une loi N (µ, σ 2 )

Soit n-échan de X ,→ N (µ, σ 2 )

a. I.C pour µ avec σ 2 connu :
Soit (X1 , ..., Xn ) un n-échan de X
Xn −µ
Posons g(µ, T (X1 , X2 , ..., Xn ) = √σ
n
σ2
Xn ,→ N (µ, n
)
Xn −µ
⇒ √σ
,→ N (0, 1) donc g est une fct pivotale pour µ
n
On cherche a0 et b0 tels que

P (a0 ≤ g(θ, T (X1 , X2 , ..., Xn ) ≤ b0 ) = 1 − α

!
X n − µ
⇒ P a0 ≤ σ ≤ b0 = 1 − α
√
n

⇔ Φ(b0 ) − Φ(a0 ) = 1 − α ( Φ(u) est la F.r de la loi N (0, 1))

alors plusieurs possibilités pour a0 et b0

1ere cas:

Φ(b0 ) = 1 ⇒ b0 = +∞ et Φ(a0 ) = α ⇒ a0 = qα ( quantile d’ordre α)

⇒ IC1−α = [qα , +∞[

2me cas:

8
 Chapitre 3 :Estimation par intervalles de confiance

α = α1 + α2
Φ(b0 ) − Φ(a0 ) = 1 − (α1 + α2 ) = (1 − α1 ) − α2

Φ(b0 ) = 1 − α2 et Φ(a0 ) = α2 il ya une infinité d’intervalle de confiance, en faisant valeur α1 etα2

α
Théorème 3.1. L’intervalle de confiance de plus petite valeur est obtenu pour α1 = α2 = 2
et donc
on cherche a0 et b0 tels que

(
Φ(b0 ) = 1 − α
2
⇒ b0 = q1− α2
Φ(a0 ) = α
2
⇒ a0 = q α2

Finalement

!
Xn − µ
P a0 ≤ ≤ b0
√σ
n
!
Xn − µ
= P q α2 ≤ ≤ q1− α2
√σ
n
 
σ σ
= P q α2 √ ≤ Xn − µ ≤ q1− α2 √
n n
 
σ σ
= P q 2 √ − Xn ≤ −µ ≤ q1− 2 √ − Xn
α α
n n
 
σ σ
= P Xn − q1− α2 √ ≤ µ ≤ Xn − q α2 √ =1−α
n n
d’autre par q α2 = −q1− α2
en effet,

α α
Φ(q α2 ) = 2
< 0.5 et Φ(−q α2 ) = 1 − Φ(q α2 ) = 1 − 2
donc Φ(−q α2 ) = 1 − α
2
⇒ Φ− Φ(−q α2 ) = Φ− (1 − α2 )
⇒ (−q α2 ) = q1− α2 ( car on a F (qα ) = α et Φ(−x) = 1 − Φ(x))
D’où
 
σ σ
IC1−α (µ) = Xn − q 1− α √ , Xn + q1− α2 √
2
n n
IC pour µ avec σ 2 connu.
b. I.C pour µ avec σ 2 inconnu :
2
Xn ,→ N (µ, σn )
2
Xn − µ ,→ N (0, σn )
(Xn −µ)
Posons que g(µ, T (X1 , ..., Xn ) = √Sn
n−1

9
 Chapitre 3 :Estimation par intervalles de confiance

nSn2
on sait que σ2
,→ X2n−1

(Xn −µ)
√σ
n N (0,1) N (0,1)
Sn = s
2
= r
X2
,→ tn−1 ( student de ddl (n − 1))
√σ nSn n−1
n σ2 n−1
√
n−1

Finalement

!
(Xn − µ)
P a0 ≤ ≤ b0 =1−α
√Sn
n−1

⇔ Ft (b0 ) − Ft (a0 ) = 1 − α = (1 − α2 ) − α
2
( car la loi student est symétrique donc si la même
démarche que la normale)

b0 = t1− α2 quantile d’ordre 1 − α

2
d’un student

a0 = t α2 et −t α2 = t1− α2 (symétrie).
D’où
 √ 
α n − 1(Xn − µ) α
P −tn−1 (1 − ) ≤ ≤ tn−1 (1 − ) = 1 − α
2 Sn 2
 
S S
P Xn − tn−1,(1− α2 ) √ ≤ µ ≤ Xn + tn−1,(1− α2 ) √ =1−α
n−1 n−1
donc,
 
S S
IC1−α (µ) = Xn − tn−1,(1− α2 ) √ , Xn + tn−1,(1− α2 ) √
n−1 n−1
IC pour µ avec σ 2 inconnu.
 
S
IC1−α (µ) = Xn ± tn−1,(1− α2 ) √
n−1

3.2.1.2 I.C pour la variance d’une loi N (µ, σ 2 )

a. I.C pour σ 2 avec µ connu :

n
X
On a s2n = n1 (Xi − µ)2 est le meilleur estimateur de σ 2
i=1
2
on sait que n σsn2 ,→ X2n

2
Posons que la fonction pivotale g(σ 2 , T (X1 , ..., Xn ) = n σsn2
on cherche un IC pour σ 2 donc on cherche a et b tels que

10
 Chapitre 3 :Estimation par intervalles de confiance

P (a ≤ σ 2 ≤ b) = 1 − α
⇔ cherche a0 et b0 tels que

P a0 ≤ g(σ 2 , T (X1 , X2 , ..., Xn ) ≤ b0 = 1 − α

s2
 
⇔ P a ≤ n n2 ≤ b0
0
=1−α
σ

⇔ X2n (b0 ) − X2n (a0 ) = 1 − α

on doit chercher

a0 et b0 :quantile d’une loi de Khi-deux à n degrés de liberté (ddl)

posons α = α1 + α2 ⇒ X2n (b0 ) − X2n (a0 ) = (1 − α1 ) − α2 ...(∗) il ya donc une infinité de valeurs a0
et b0 qui vérifient l’égalité (*)
posons X2n (b0 ) = 1 − α1 ⇒ b0 est le quantile d’ordre 1 − α1 d’une X2n
X2n (a0 ) = α2 ⇒ a0 est le quantile d’ordre α2 d’une X2n
on note b0 = X2n,(1−α1 ) et a0 = X2n,α2
Alors :

s2n
 
2 2
P Xn,α2 ≤ n 2 ≤ Xn,(1−α1 ) = 1 − α
σ
2
ns2n
 
nsn 2
⇔P ≤σ ≤ 2 =1−α
X2n,1−α1 Xn,α2
Soit s2n l’observé de Sn2

alors,

ns2n
ns2n
 
2
IC1−α (σ ) = ,
X2n,1−α1 X2n,α2
En particulier :

α
1. Si α1 = α2 =
2 
ns2n 2
2
IC1−α (σ ) = , nsn
X2n,(1− α ) X2n, α
( bilatéral "symétrique")
2 2

2. Si b0 = +∞ alors
X2n (b0 ) − X2n (a0 ) = 1 − α
⇔ 1 − X2n (a0 ) = 1 − α
⇔ X2n (a0 ) = α

11
 Chapitre 3 :Estimation par intervalles de confiance

⇔ a0 = X2n,α

ns2n
 
2
IC1−α (σ ) = 0, 2
Xn,α
(intervalle de confiance unilatéral à gauche)
3. Si a0 = 0 alors X2n (b0 ) − X2n (0) = 1 − α
⇔ X2n (b0 ) = 1 − α
⇔ b0 = X2n,(1−α)
" "
ns2n
IC1−α (σ 2 ) = , +∞
X2n,(1−α)
(intervalle de confiance unilatéral à droite)

b. I.C pour σ 2 avec µ inconnu :

n
X
2 1
Soit Sn = n (Xi − Xn )2
i=1
2
on sait que n Sσn2 ,→ X2n−1
d’aprés ce qui a précédé :

1. Intervalle bilatéral
 sym : 
2 ns2n ns2n
IC1−α (σ ) = X2 , 2 α
α) X
n−1,(1− 2 n−1, 2

0
2. I.C unilatéral à gauche b = +∞

ns2n
 
2
IC1−α (σ ) = 0, 2
Xn−1,α

3. I.C unilatéral à droite a0 = 0

" "
ns2n
IC1−α (σ 2 ) = , +∞
X2n−1,(1−α)

12