Chapitre 1 : Introduction
ICHEC - BRUXELLES
Troisième année de baccalauréat en Gestion de
l’entreprise
1/11 Introduction
Estimation ponctuelle d’un paramètre
Problème : Quel est le taux de cholestérol moyen en Belgique?
Population : ensemble des belges
Problème : estimer par exemple les paramètres inconnus µ et σ 2 .
X la variable aléatoire taux de cholestérol, est appelée la V.A.
associée à la population
µ est appelé la moyenne de la population;
c’est l’espérance de la V.A. X associée à la population.
σ 2 est appelé la variance de la population;
c’est la variance de la V.A. X associée à la population.
2/11 Introduction
Estimation ponctuelle d’un paramètre
Solution 1 : un recencement (mesurer le taux de cholestérol de
tous les belges); on connaît alors la valeur exacte de µ et σ 2 .
Solution 2 : un échantillonnage
Pour estimer µ, on tire de la population un échantillon aléatoire de
taille n.
On note x1 , · · · , xn les taux de cholestérol observés des n belges
observés.
Le taux moyen de cholestérol des belges de l’échantillon est donnée
par x.
Question : Peut-on généraliser en estimant µ, le taux moyen de
cholestérol de la population de tous les belges, par x̄?
3/11 Introduction
Estimation ponctuelle d’un paramètre
a) Estimation ponctuelle de la moyenne d’une distribution
Si on estime µ par x̄, on écrira: b = x̄
µ
On dira: µ
b est une estimation ponctuelle du paramètre µ.
estimation car il faut proposer une valeur pour le paramètre µ;
ponctuelle car il ne faut proposer qu’une seule valeur pour µ.
b) Estimation ponctuelle de la variance d’une distribution
De la même façon, si la variance de la population est inconnue:
Si on estime σ 2 par s2 , on écrira σ
b2 = s2 .
On dira que s2 est une estimation ponctuelle du paramètre σ 2 .
4/11 Introduction
Estimation ponctuelle d’un paramètre
Définition
Un E.A.S. (échantillon aléatoire simple) est un échantillon tel que
chaque individu de la population a la même probabilité de se trouver
dans cet échantillon.
Remarques :
Dans un E.A.S. de taille n, les n observations X1 , X2 , · · · , Xn sont
des V.A. indépendantes.
Les V.A. X1 , X2 , · · · , Xn sont identiquement distribuées.
La distribution de chaque V.A. Xi est la même que celle de la
population.
Chaque observation Xi a la même moyenne µ et la même
variance σ 2 que la population c’est-à-dire
E(X1 ) = · · · E(Xn ) = E(X ) = µ
var (X1 ) = · · · = var (Xn ) = var (X ) = σ 2
5/11 Introduction
Estimation ponctuelle d’un paramètre
Définitions
1 Une statistique est une fonction des V.A. observables de
l’échantillon.
2 Les paramètres sont des valeurs caractéristiques d’une
population. Ce sont des constantes caractérisant les lois de
probabilité (de la population) tels que µ, σ 2 , . . ..
Exemples :
n
1X
X̄ = Xi (moyenne échantillon)
n
i=1
n n
!
2 1X 1 X
S = (Xi − X̄ )2 = Xi2 − (X̄ )2 (variance échantillon)
n n
i=1 i=1
sont des statistiques. Comme X1 , · · · , Xn sont des V.A., X̄ et
S 2 sont des V.A.
6/11 Introduction
Estimation ponctuelle d’un paramètre
Définitions
On appelle estimateur d’un paramètre d’une population une
statistique utilisée pour évaluer la valeur de ce paramètre.
Un estimateur est une variable aléatoire.
Une estimation est un nombre réel.
Exemples :
X̄ est un estimateur du paramètre µ; on écrit: µ̂ = X̄ .
x̄ est une estimation du paramètre µ; on écrit: µ̂ = x̄.
X̄ est appelé la moyenne de l’échantillon.
S 2 est un estimateur du paramètre σ 2 .
s2 est une estimation du paramètre σ 2 .
7/11 Introduction
Estimation ponctuelle d’un paramètre
Propriété
Soit X1 , · · · , Xn un E.A.S. de taille n d’une population de moyenne µ.
Alors E(X̄ ) = µ.
En effet :
X1 + · · · + Xn 1
E(X̄ ) = E = [E(X1 ) + · · · + E(Xn )]
n n
1 1
= [µ + · · · + µ] = ·n µ = µ
n n
La moyenne de l’échantillon, X̄ , coïncidera, en moyenne, avec la
moyenne µ de la population.
On dira que X̄ est un estimateur sans biais (ou non biaisé) du
paramètre µ car E(X̄ ) = µ.
8/11 Introduction
Estimation ponctuelle d’un paramètre
Propriété
Soit X1 , X2 , · · · , Xn un E.A.S. d’une population de moyenne µ et de
variance σ 2 .
2
Alors var(X̄ ) = E[(X̄ − µ)2 ] = σn .
En effet :
X1 + · · · + Xn 1
var(X̄ ) = var = (var(X1 ) + · · · + var(Xn ))
n n2
1 2 σ2
= n σ =
n2 n
La propriété ci-dessus montre que la dispersion des valeurs de
X̄ autour de µ est d’autant plus petite que la taille de l’échantillon
est grande.
σ
L’écart-type de X̄ sera donné par σX̄ = √
n
.
9/11 Introduction
Estimation ponctuelle d’un paramètre
Propriété
Soit X1 , X2 , · · · , Xn un E.A.S. d’une population de moyenne µ et de
variance σ 2 .
Alors
σ2 n−1 2
E(S 2 ) = σ 2 − = σ .
n n
n−1 2
E(S 2 ) = n σ 6= σ 2 , donc S 2 est un estimateur biaisé de σ 2 .
Définissons
n
S 02 = S2.
n−1
E(S 02 ) = σ 2 , donc S 02 est un estimateur non biaisé de σ 2 .
Dans la suite du cours, on utilisera donc S 02 comme estimateur
de σ 2 . S 02 est appelée la "variance corrigée de l’échantillon".
10/11 Introduction
Estimation ponctuelle d’un paramètre
Calcul de S 02 :
Méthode 1 :
n
" n #
02 n 2 1 X 2 1 X
2 2
S = S = (Xi − X̄ ) = Xi − n(X̄ ) .
n−1 n−1 n−1
i=1 i=1
Méthode 2 (en deux étapes) :
Étape 1 :
n n
!
1X 1 X
S2 = (Xi − X̄ )2 = Xi2 − (X̄ )2 .
n n
i=1 i=1
Étape 2 :
n
S 02 = S2.
n−1
11/11 Introduction
