Chapitre 3 Méthodes d’estimation ponctuelle et Intervalle de

Confiance

I- Introduction

Le problème général de l’estimation se présente de la façon suivante : une population, ou une

variable aléatoire X, est caractérisée par un (ou plusieurs) paramètres𝜃, inconnu. Une
observation (𝑋1 , 𝑋2 , … … . . , 𝑋𝑛 ), ou réalisation de l’échantillon est utilisée pour déterminer une
valeur approchée du paramètre, appelée estimation ponctuelle.

Un échantillon (𝑋1 , 𝑋2 , … … . . , 𝑋𝑛 ) aléatoire de taille n permet de construire une statistique 𝜃,

fonction de l’échantillon, qui sera un estimateur ponctuel de la caractéristique 𝜃.

Naturellement, 𝜃 dépend de la nature de cette caractéristique (Moyenne, Variance,

Proportion,…) de la forme et de la taille de l’échantillon :

𝜃 = 𝑔 𝑋1 , 𝑋2 , … . , 𝑋𝑛

Sur une réalisation (𝑋1 , 𝑋2 , … … . . , 𝑋𝑛 ) de l’échantillon, il est possible de calculer

𝜃 = 𝑔 𝑋1 , 𝑋2 , … . , 𝑋𝑛

𝜃 est appelé estimation ponctuelle du paramètre 𝜃.

II- Estimation ponctuelle : Méthode du Maximum de vraisemblance

Soit 𝑋 une variable aléatoire, 𝑋 → 𝐿 𝜃 ou 𝜃 est inconnu et définie par sa fonction de

probabilité 𝑃 𝑋, 𝜃 dans le cas ou X est discrète et par 𝑓 𝑋, 𝜃 dans le cas continu. On tire un
échantillon 𝑋1 , 𝑋2 , … … . . , 𝑋𝑛 indépendant et identiquement distribué de X. D’après la
méthode du maximum de vraisemblance (MMV), l’estimateur 𝜃𝑀𝑉 du paramètre inconnu 𝜃 est
celui qui maximise la fonction de vraisemblance 𝐿 𝑋1 , … . . , 𝑋𝑛 , 𝜃 .

L’estimateur 𝜃𝑀𝑉 est la solution du programme :

1
 𝑀𝑎𝑥𝜃 𝐿 𝑋1 , … … … , 𝑋𝑛 , 𝜃

Il est plus simple de maximiser le logarithme neperien de la fonction de vraisemblance par

rapport à 𝜃.

Pour trouver l’estimateur 𝜃𝑀𝑉 , on peut procéder ainsi :

i) Ecrire la fonction de vraisemblance

𝑛
𝐿 𝑋1 , … … . , 𝑋𝑛 ; 𝜃 = 𝑖=1 𝑓 𝑥𝑖 , 𝜃

ii) Ecrire le logarithme de la fonction de vraisemblance

𝑛
ln 𝐿 𝑋1 , … … . , 𝑋𝑛 , 𝜃 = ln 𝑖=1 𝑓 𝑥𝑖 , 𝜃

𝜕 ln 𝐿 𝑋1 ,………,𝑋𝑛 ,𝜃
iii) = 0 donc trouver la valeur 𝜃 pour laquelle cette dérivée est égale à
𝜕𝜃

zéro.

Cette dérivée partielle peut s’annuler si :

 𝑋 Ω ne dépend pas de 𝜃
 𝑃 𝑋, 𝜃 et 𝑓 𝑋, 𝜃 sont continues et dérivables par rapport à 𝜃.

𝜕 2 ln 𝐿 𝑋1 ,……,𝑋𝑛 ,𝜃
iiii) Calculer et vérifier le signe de cette dérivée seconde au point 𝜃, si ce
𝜕2 𝜃

signe est négatif, 𝜃 est l’estimateur du maximum de vraisemblance de 𝜃.

I.1- Estimateur de la moyenne

Soit une population de taille N (ou indéfinie) sur laquelle est défini un caractère quantitatif
représenté par une variable aléatoire X d’espérance mathématique 𝜇 et d’ecart type 𝜎.
On prélève un échantillon de taille n, nous créons une suite de n variables aléatoires
indépendantes, de même distribution que X ; notées 𝑋1 , … … . , 𝑋𝑛 et prenant respectivement pour
valeurs les valeurs prises par X sur chacun des n individus de l’échantillon.

Définition :

On définit la variable aléatoire 𝑋𝑛 comme la moyenne de l’échantillon

2
 𝑛
𝑖=1 𝑋 𝑖
𝑋𝑛 = 𝑛

Avec :

𝐸 𝑋𝑛 = 𝜇 donc La moyenne d’échantillon est un estimateur sans biais de la moyenne de la

population.
La moyenne de la variable aléatoire 𝑋 est toujours égale à la moyenne de la population mère,
celle d’où l’échantillon a été prélevé.
σ2 𝜎
V Xn = , on déduit 𝜎 𝑋𝑛 =
n 𝑛

On note que l’écart-type de la variable 𝑋 diminue quand la taille n de l’échantillon augmente.

Théorème :

𝑛
𝑖=1 𝑋 𝑖
La moyenne empirique 𝑋𝑛 = 𝑛
est un estimateur sans biais et convergent de la moyenne de la

population μ.

I.2- Estimation d’une proportion théorique

Dans une population, une proportion inconnue 𝑝 ∈ 0; 1 d’unités possèdent un caractère

donné C. Nous nous proposons d’estimer cette proportion.

′
Soit 𝑋 la variable aléatoire : 𝑋 = 1 si l unité choisie possède le caractère C
0 si non

On tire un échantillon de taille n. Soit 𝑝 la proportion d’individus ayant le caractère C dans cet
échantillon.
𝑛
𝑖=1 𝑋 𝑖
𝑝 𝑋 = 𝑋𝑛 = 𝑛

𝐸 𝑝 =𝑝
𝑝 1−𝑝
𝑉 𝑝 = 𝑛

Théorème :
La proportion 𝑝 est un estimateur sans biais et convergent de p.
Remarque :
L’estimation d’une proportion p est un cas particulier de la moyenne empirique au sens où les
variables aléatoires 𝑋𝑖 considérées sont de Bernouilli de paramètre p.

3
I.3- Estimation du paramètre d’une loi de Poisson

Soit 𝑦1 , … … . , 𝑦𝑛 un échantillon i.i.d d’une v.a 𝑦 → 𝑃 𝜆

Déterminer l’estimateur du paramètre λ :
1 𝑛
𝜆𝑀𝑉 = 𝑛 𝑖=1 𝑦𝑖 = 𝑦𝑛

Les propriétés statistiques de 𝜆𝑀𝑉 :

𝐸 𝜆𝑀𝑉 = 𝐸 𝑦𝑛 = 𝜆
𝜆
𝑉 𝜆𝑀𝑉 = 𝑉 𝑦𝑛 = , si 𝑛 → +∞ 𝑑𝑜𝑛𝑐 𝑉 𝜆𝑀𝑉 → 0
𝑛

Donc 𝜆𝑀𝑉 est un estimateur sans biais et convergent de 𝜆.

1
𝐼𝑛 𝜆 = Donc 𝜆𝑀𝑉 est un estimateur efficace de 𝜆.
𝑉 𝜆 𝑀𝑉

I.2- Estimation de la variance 𝝈𝟐

I.2.1- Estimation de 𝝈𝟐 en supposant 𝝁 connu

Théorème :
Lorsque la moyenne 𝝁 de la population est connu on a :

1 𝑛
𝛿𝑛2 = 𝑛 𝑖=1 𝑋𝑖 − 𝜇 2
est un estimateur sans biais et convergent de 𝝈𝟐 .

𝑬 𝜹𝟐𝒏 = 𝝈𝟐

𝝁𝟒 −𝝈𝟒
𝑽𝒂𝒓 𝜹𝟐𝒏 = 𝒏
𝒂𝒗𝒆𝒄 𝝁𝒌 = 𝑬 𝑿 − 𝝁 𝒌

Lorsque n est assez grand, le théorème central limite nous permet de déterminer la loi
𝜇 4 −𝜎 4
asymptotique de 𝛿𝑛2 , on a : 𝛿𝑛2 → 𝑁 𝜎 2 , 𝑛

I.2.2- Estimation de 𝝈𝟐 en supposant 𝝁 inconnu

En général on ne connaît pas μ ; on le remplace par un estimateur et on introduit la variance

empirique associée.

𝑛
𝑋 𝑖 −𝑋𝑛 2
𝑆𝑛2 = 𝑖=1
, 𝑆𝑛2 : la variance calculée sur l’échantillon.
𝑛

4
Théorème :

La variance empirique 𝑆𝑛2 est un estimateur biaisé et convergent de σ2 . Il est

asymptotiquement sans biais.

Avec :

𝑛−1
𝐸 𝑆𝑛2 = 𝜎2
𝑛

Théorème :

La variance empirique corrigée :

1 𝑛 𝑛
𝑆𝑛2 = 𝑖=1 𝑋𝑖 − 𝑋𝑛 2
𝑜𝑢 𝑆𝑛2 = 𝑆𝑛2 est un estimateur sans biais et convergent
𝑛−1 𝑛 −1

de la variance de la population( 𝜎 2 ).

III- Estimation par intervalle de confiance

L’estimation ponctuelle 𝜃 n’est qu’une valeur approchée du paramètre 𝜃 même dans le cas où
l’estimateur obtenu possède de bonnes propriétés statistiques (sans biais, convergent et
efficace). Puisqu’on ne peut s’attendre à ce qu’une estimation ponctuelle soit exactement
égale à la valeur du paramètre de la population correspondant. Il serait plus pertinent de
déterminer un intervalle par exemple de la forme 𝐿1 , 𝐿2 = 𝜃 − ∆; 𝜃 + ∆ qui contient la
valeur véritable de 𝜃 avec une probabilité donnée à l’avance et proche de l’unité. Une
estimation par intervalle est souvent réalisée en ajoutant et en soustrayant une marge d’erreur
à l’estimation ponctuelle. La forme générale d’une estimation par intervalle est : estimation
ponctuelle ± marge d’erreur.

Un intervalle de confiance de niveau 1 − 𝛼 pour 𝜃 est un intervalle 𝐿1 , 𝐿2 tel que 𝐿1 ≤

𝜃 ≤ 𝐿2 = 1 − 𝛼 , 𝜃 est une constante inconnue.

La construction des intervalles de confiance ; de niveau 1 − 𝛼 donné à priori ; est basée

essentiellement sur le choix adéquat d’une fonction de 𝜃 et 𝜃.

Soit 𝑄 𝜃, 𝜃 telle que :

 Sa loi est connu (normale, Khi-deux, Student, Fisher).

 C’est une fonction pivotale pour 𝜃 c.a.d sa loi ne dépend pas de 𝜃.

5
Les étapes de construction d’un intervalle de confiance

1) Etant donné un niveau de confiance 1 − 𝛼 proche de 1, écrire 𝑝 𝐿1 ≤ 𝜃 ≤ 𝐿2 =

1−𝛼
2) Chercher la statistique 𝑄 𝜃, 𝜃 .
3) Ecriture de l’equation permettant de retrouver l’intervalle :
𝑝 𝐶1 ≤ 𝑄 𝜃, 𝜃 ≤ 𝐶2 = 1 − 𝛼 où 𝐶1 et 𝐶2 sont les quantiles d’ordre respectifs 𝛼1 et
𝛼
1 − 𝛼2 de la loi de 𝑄 𝜃, 𝜃 , avec 𝛼1 + 𝛼2 = 𝛼. Généralement on prend 𝛼1 = 𝛼2 = 2 .

4) Détermination de 𝐶1 et 𝐶2 à partir d’une table statistique ( loi normale, Khideux,

Student)
5) Détermination de 𝐿1 et 𝐿2 par résolution de l’inéquation de la troisième étape par
rapport au paramètre 𝜃 afin de ramener à l’ecriture 𝑝 𝐿1 ≤ 𝜃 ≤ 𝐿2 = 1 − 𝛼 où 𝐿1 et
𝐿2 seront en fonction de 𝐶1 et 𝐶2 .

II.1- Intervalle de confiance de la moyenne dans le cas d’une loi normale

Considérons 𝑋 une variable aléatoire , 𝑋 → 𝑁 𝜇; 𝜎 2 et soit 𝑋1 ; … … . . ; 𝑋𝑛 un échantillon i.i.d

de X. Avec 𝑛 ≤ 30.

Nous voulons déterminer un intervalle de confiance de niveau 1 − 𝛼 pour la moyenne

inconnue 𝜇 .

II.1.1- Cas ou la variance 𝝈𝟐 est connue

𝑙𝑜𝑖 𝜎2 𝑋𝑛 −𝜇
On sait que 𝜇 = 𝑋𝑛 𝑁 𝜇; donc la statistique 𝑄 𝑋𝑛 ; 𝜇 = 𝜎 → 𝑁 0; 1
𝑛
𝑛

Théorème : 𝑋 → 𝑁 𝜇; 𝜎 2 , 𝜎 2 est connue. L’intervalle de confiance de niveau 1 − 𝛼 pour

la moyenne de la population est :

𝜎 𝜎
𝐼𝐶 𝜇 = 𝑋𝑛 − 𝑧1−𝛼 ; 𝑋𝑛 + 𝑧1−𝛼
𝑛 2 𝑛 2

Cas d’un intervalle unilatéral :

 L’intervalle de confiance de la forme 𝐿; +∞ tel que 𝑃 𝜇 ≥ 𝐿 = 1 − 𝛼 donc

𝜎
𝐼𝐶 𝜇 = 𝑋𝑛 − 𝑧1−𝛼 ; +∞
𝑛

6
  L’intervalle de confiance unilatéral de la forme −∞; 𝐿 est tel que 𝑃 𝜇 ≤ 𝐿 = 1 − 𝛼

𝜎
Donc 𝐼𝐶 𝜇 = −∞; 𝑋𝑛 + 𝑧
𝑛 1−𝛼

II.1.2- Cas ou la variance 𝝈𝟐 est inconnue

D’après les propriétés de la moyenne empirique dans le cas de normalité on a

𝜎2 𝑋𝑛 −𝜇
𝑋𝑛 → 𝑁 𝜇; donc 𝜎 → 𝑁 0; 1
𝑛
𝑛

𝑛−1 𝑆𝑛2
On sait que → 𝑥2 𝑛 − 1
𝜎2

𝑋 𝑛 −𝜇 𝑋 𝑛 −𝜇
𝜎 𝜎
𝑛 𝑛 𝑋𝑛 −𝜇
Donc = 𝑆𝑛 = 𝑆𝑛 →𝑡 𝑛−1
𝑛 −1 𝑆 2
𝑛 𝜎 𝑛
𝜎2
𝑛 −1

Théorème : Soit 𝑋 → 𝑁 𝜇; 𝜎 2 , 𝜎 2 est inconnue. L’intervalle de confiance de niveau

1 − 𝛼 pour la moyenne 𝜇 est :

𝑆𝑛 𝑆𝑛
𝐼𝐶 𝜇 = 𝑋𝑛 − 𝑡1−𝛼 𝑛 − 1 𝑛
; 𝑋𝑛 + 𝑡1−𝛼 𝑛 − 1 𝑛
2 2

II.2- Intervalle de confiance pour la proportion d’une loi de Bernoulli

Soit 𝑋1 , 𝑋2 , … … … , 𝑋𝑛 est un échantillon indépendand et identiquement distribué d’une

variable aléatoire X qui suit la loi de Bernoulli de paramètre p. La taille de l’echantillon est
égale à n> 30.

Déterminer un intervalle de confiance 𝐿1 ; 𝐿2 de niveau 1 − 𝛼 pour la proportion p tel que

𝑝 𝐿1 ≤ 𝑝 ≤ 𝐿2 = 1 − 𝛼.

𝑝 est un estimateur sans biais de p

𝑝 1−𝑝
𝑝 converge en loi vers la loi 𝑁 𝑝; 𝑠𝑖 𝑛. 𝑝 ≥ 5 𝑒𝑡 𝑛 1 − 𝑝 ≥ 5
𝑛

7
 𝑝 −𝑝 𝑙𝑜𝑖
D’après T.C.L 𝑁 0; 1 . Cette statistique ne peut pas être utilisée pour la
𝑝 1−𝑝
𝑛

construction de l’intervalle de confiance puisque les bornes dépendront du paramètre inconnu

p. Alors on remplace 𝑝 par 𝑝 . Nous aurons :

𝑝 −𝑝 𝑙𝑜𝑖
𝑄 𝑝, 𝑝 = 𝑁 0; 1
𝑝 1−𝑝
𝑛

L’intervalle de confiance de niveau 1 − 𝛼 pour la proportion p d’une loi de Bernouilli

est :

𝑝 1−𝑝 𝑝 1−𝑝
𝐼𝐶 𝑝 = 𝑝 − 𝑧1−𝛼 ; 𝑝 + 𝑧1−𝛼
𝑛 2 𝑛 2

Exemple

Le commanditaire d’une emission télévisée veut déterminer un intervalle de confiance de

niveau 95% pour la proportion des téléspectateurs qui regardent régulièrement son
émission.

Parmi un échantillon de 900 télespectateurs pris au hasard, 200 affirment qu’ils regardent
régulièrement l’emission.

Déterminer l’intervalle de confiance de niveau de 95% pour la proportion p.

II.3- Intervalle de confiance pour la moyenne d’une loi inconnu

Soit 𝑋1 , 𝑋2 , … … … , 𝑋𝑛 est un échantillon indépendand et identiquement distribué d’une

variable aléatoire X dont la loi est inconnu. 𝐸 𝑋 = 𝑚 𝑒𝑡 𝑉 𝑋 = 𝜎 2 . La taille de
l’échantillon est égale à 𝑛 > 30.

Déterminer un intervalle de confiance pour la moyenne 𝑚 de la population.

Selon le théorème central limite 𝑋𝑛 est un estimateur de .

Nous avons deux cas :

 La variance 𝜎 2 est connue.

 La variance 𝜎 2 est inconnue.

8
II.3.1- Cas ou la variance 𝝈𝟐 est connue
𝑋𝑛 − 𝑚
D’après le théorème central limite : 𝑄 𝜃, 𝜃 = 𝑄 𝑋𝑛 , 𝑚 = 𝜎 → 𝑁 0, 1
𝑛

𝑋𝑛 −𝑚
Donc 𝑝 −𝑧1−𝛼 ≤ 𝜎 ≤ 𝑧1−𝛼 =1−𝛼
2 𝑛 2

𝜎 𝜎
Donc 𝑝 𝑋𝑛 − . 𝑧 𝛼 ≤ 𝑚 ≤ 𝑋𝑛 + . 𝑧1−𝛼 =1−𝛼
𝑛 1− 2 𝑛 2

Théorème :

Lorsque 𝜎 2 est connu, l’intervalle de confiance de niveau 1 − 𝛼 pour la moyenne 𝑚 de la

population est :

𝜎 𝜎
𝐼𝐶 𝑚 = 𝑋𝑛 − . 𝑧1−𝛼 , 𝑋𝑛 + . 𝑧1−𝛼
𝑛 2 𝑛 2

II.3.2- Cas ou la variance 𝝈𝟐 est inconnue

Dans ce cas on doit remplacer 𝜎 2 par son estimateur sans biais :

𝑛
1 𝑛 𝑛 𝑋 𝑖 −𝑋𝑛 2
𝑆𝑛2 = 𝑖=1 𝑋𝑖 − 𝑋𝑛 2
𝑜𝑢 𝑆𝑛2 = 𝑆𝑛2 , 𝑆𝑛2 = 𝑖=1
, 𝑆𝑛2 : la variance calculée
𝑛 −1 𝑛−1 𝑛

sur l’échantillon.

𝑋𝑛 − 𝑚
D’après le théorème central limite : 𝑄 𝜃, 𝜃 = 𝑄 𝑋𝑛 , 𝑚 = 𝑆𝑛 → 𝑁 0, 1
𝑛

Théorème :

Lorsque 𝜎 2 est inconnu, l’intervalle de confiance de niveau 1 − 𝛼 pour la moyenne 𝑚 de la

population est :

𝑆𝑛 𝑆𝑛
𝑋𝑛 − 𝑧1−𝛼 ; 𝑋𝑛 + 𝑧1−𝛼
2 𝑛 2 𝑛

Exemple

A la buvette d’un établissement la dépense globale par jour de 100 étudiants, tirés au hasard
de la population estudiantine d’un etablissement , est de 125 dinars. Ainsi la somme des carrés
des dépenses individuelles est égale à 172.

9
 1) Déterminer un intervalle de confiance de niveau de confiance de 90% pour la dépense
moyenne dans la population.

II.4- Intervalle de confiance de la variance d’une population normale

II.4.1- Estimation de la variance quand la moyenne est connue

On considère la variable aléatoire X suit la loi normale de moyenne 𝜇 et de variance 𝜎 2

Lorsque la moyenne 𝜇 est connu, l’estimateur sans biais et convergent de 𝜎 2 est :

1 𝑛
𝜎2 = 𝑛 𝑖=1 𝑥𝑖 − 𝜇 2

𝑛𝜎 2
La statistique 𝑄 𝜎 2 ; 𝜎 2 = → 𝑥2 𝑛
𝜎2

𝑛𝜎 2 𝑛𝜎2
un intervallede confiance de niveau 1 − 𝛼 de 𝜎 2 est : ;
𝑈2 𝑈1

𝛼
Où 𝑈1 est le quantile d’ordre 2 de la loi de 𝑥 2 𝑛 .

𝛼
𝑈2 est le quantile d’ordre 1 − 2 de la loi de 𝑥 2 𝑛 .

𝛼 𝛼
Avec 𝑝 𝑥 2 ≤ 𝑈1 = et 𝑝 𝑥 2 ≥ 𝑈2 =
2 2

II.4.2- Estimation de la variance quand la moyenne est inconnue

1 𝑛
Lorsque 𝜇 est inconnu, 𝑆𝑛2 = 𝑖=1 𝑥𝑖 − 𝑥𝑛 2
est un estimateur sans biais de 𝜎 2 telle
𝑛−1
𝑛 −1 𝑆𝑛2
que : 𝑄 𝑆𝑛2 , 𝜎 2 = → 𝑥2 𝑛 − 1
𝜎2

L’ intervalle de confiance de niveau 1 − 𝛼 de 𝜎 2 est :

𝑛 − 1 𝑆𝑛2 𝑛 − 1 𝑆𝑛2
;
𝑈2 𝑈1

𝛼
Où 𝑈1 est le quantile d’ordre 2 de la loi de 𝑥 2 𝑛 − 1 .

𝛼
𝑈2 est le quantile d’ordre 1 − 2 de la loi de 𝑥 2 𝑛 − 1 .

10
Travaux dirigés

Exercice 1

Par un sondage effectué auprès d’un échantillon de 178 cadres supérieurs, on a obtenu un
revenu annuel moyen de 41854 dollars, avec un écart type de 7684 dollars. L’objectif étant
d’estimer le revenu annuel de tous les cadres supérieurs.

-Estimer ponctuellement le salaire moyen et l’ecart type du salaire moyen des cadres de la
population

Exercice 2

En vue de réaliser un programme de rééducation, des chercheurs ont soumis un questionnaire

de neuropsychologie cognitive à 150 enfants dyslexiques tirés au sort. Le questionnaire
comporte 20 questions et les chercheurs ont recueilli pour chaque enfant dyslexique le nombre
xi de bonnes réponses. Les résultats ainsi récoltés sont tels que :

𝑖 𝑥𝑖 = 1502; 𝑖 𝑥𝑖2 = 19486

1) Identifier la population, la variable, son type et son/ses paramètre(s).

2) Donner une estimation ponctuelle du nombre moyen de bonnes réponses dans la population
étudiée.

3) Donner une estimation ponctuelle de l’écart-type de la variable.

4) Estimer le nombre moyen de bonnes réponses dans la population par un intervalle de

confiance au niveau 99%.

5) Quelle est la marge d’erreur dans l’estimation du nombre moyen de bonnes réponses au
niveau 99% ?

Exercice 3

Dans le cadre d’une étude sur la santé au travail, on a interrogé au hasard 500 salariés de
différents secteurs et de différentes régions de France. 145 d’entre eux déclarent avoir déjà
subi un harcèlement moral au travail.

1) Identifier la population, la variable, son type et son/ses paramètre(s).

2) Donner une estimation ponctuelle de la proportion de salariés ayant déjà subi un

harcèlement moral au travail.

3) Donner une estimation de cette proportion par un intervalle de confiance à 90%.

4) Si avec les mêmes données on calculait un intervalle de confiance à 95%, serait-il plus
grand ou plus petit que celui trouvé à la question précédente ? (justifier sans calcul.)

11
12