Module 6 - Estimation ponctuelle et

lois échantillonnales
MQT-1102 Probabilités et statistiques

Julien Miron
Département d’opérations et systèmes de déci-
sion
Concepts d’inférence statistique

2 / 34
L’inférence statistique

Tirer des conclusions au sujet d’une population à l’aide d’un échantillon.

3 / 34
L’inférence statistique

Tirer des conclusions au sujet d’une population à l’aide d’un échantillon.

∙ Faire rouler sur un circuit 20 voitures neuves prises au hasard afin d’étudier
la fiabilité de la suspension.

∙ Sonder une population d’acheteurs potentiels d’un nouveau produit sur

l’attrait d’une option.

[Link]/tq/co/Module_TQ_web

3 / 34
Deux types d’inférence
Estimation de paramètres Vérification d’hypothèses

4 / 34
Deux types d’inférence
Estimation de paramètres Vérification d’hypothèses

Estimation ponctuelle :

∙ μ estimé par...

∙ σ2 estimé par...

4 / 34
Deux types d’inférence
Estimation de paramètres Vérification d’hypothèses

Estimation ponctuelle :

∙ μ estimé par...

∙ σ2 estimé par...

Intervalles de confiance :

associer une marge d’erreur

aux estimations ponctuelles

4 / 34
Deux types d’inférence
Estimation de paramètres Vérification d’hypothèses

Estimation ponctuelle : Tests d’hypothèses :

∙ μ estimé par... ∙ A-t-on μ ≤ 60 ?

∙ σ2 estimé par... ∙ A-t-on σ2 < 10 ?

Intervalles de confiance : ∙ A-t-on μ1 = μ2 = μ3 ?

associer une marge d’erreur

aux estimations ponctuelles

4 / 34
Modèle, loi, paramètres

5 / 34
Exemple 1 : masse des camions
Population : l’ensemble des camions qui
passent sur un viaduc
Caractéristique d’intérêt : X : masse d’un camion

Modèle probabiliste : X ∼  (μ, σ2 )

Paramètre d’intérêt : μ : masse moyenne des camions

sur ce viaduc
Taille d’échantillon : 𝑛 = 25

Échantillon aléatoire prévu : X1 , X2 , ..., X25

Échantillon aléatoire observé : 𝑥1 , 𝑥2 , ..., 𝑥25

Estimation ponctuelle : 𝑥 = 16, 5 tonnes

6 / 34
Estimation ponctuelle

7 / 34
Paramètres classiques : μ, σ2 et 𝑝

∙ L’espérance de la population μ est estimée par X

∙ La variance de la population σ2 est estimée par S2

∙ La proportion de la population 𝑝 est estimée par 𝑝̂

Comme ces estimateurs dépendent de variables aléatoires (X1 , … , X𝑛 ), ce sont
des variables aléatoires.

8 / 34
Estimation d’une moyenne μ par X

Soit X1 , … , X𝑛 des variables aléatoires indépendantes de moyenne μ et de

variance σ2 .
Que valent 𝔼(X) et Var(X) ?

9 / 34
Estimation d’une variance σ2 par S2

Soit X1 , … , X𝑛 des variables aléatoires indépendantes de moyenne μ et de

variance σ2 .
𝑛
1
S2 = ∑(X𝑖 − X)2
𝑛 − 1 𝑖=1
sera notre estimateur de σ2 .

10 / 34
Lois échantillonnales

11 / 34
Distribution de certaines statistiques

∙ Les estimateurs sont des variables aléatoires.

∙ Leur distribution dépend souvent de la loi de X dans la population.
∙ Pour associer une marge d’erreur à un estimateur, on doit trouver sa loi.
∙ Les lois qui impliquent des estimateurs sont appelées des distributions
échantillonnales. Nous en verrons deux :
Normale  (μ, σ2 /𝑛)
Student 𝑡𝑣

12 / 34
Loi de Student

13 / 34
Loi de Student (loi 𝑡𝑣 )

∙ ressemble à la  (0, 1), sauf qu’elle a des valeurs éloignées de 0 qui sont plus
probables que sous la loi  (0, 1).
∙ un seul paramètre appelé "degrés de liberté". Lorsque ce paramètre augmente, la
Student ressemble de plus en plus à la  (0, 1).

14 / 34
Propriétés de la loi 𝑡

∙ Si T ∼ 𝑡𝑣 (et 𝑣 > 1), alors E(T) = 0.

𝑣
∙ Si T ∼ 𝑡𝑣 (et 𝑣 > 2), alors V(T) = .
𝑣−2

15 / 34
Propriétés de la loi 𝑡

∙ Si T ∼ 𝑡𝑣 (et 𝑣 > 1), alors E(T) = 0.

𝑣
∙ Si T ∼ 𝑡𝑣 (et 𝑣 > 2), alors V(T) = .
𝑣−2
∙ Si X1 , … , X𝑛 sont i.i.d.  (μ, σ2 ), alors

X−μ
√ ∼ 𝑡𝑛−1 .
S/ 𝑛

15 / 34
Table de la loi de Student

16 / 34
Exemple 2

On effectue 9 forages sur un terrain afin de déterminer la profondeur à laquelle un

certain minerai peut être extrait.
∙ X𝑖 = profondeur du minerai lors du forage 𝑖.

∙ On suppose que les X𝑖 sont i.i.d. N(μ, σ2 ).

Quelle est la probabilité que la moyenne échantillonale soit supérieure à la vraie

moyenne μ par plus d’un écart-type échantillonnal ?

17 / 34
Exemple 2 suite

18 / 34
Exemple 3

Pour estimer le montant hebdomadaire moyen dépensé par les familles

québécoises de 4 personnes pour leur épicerie, on tire un échantillon aléatoire de
25 personnes. On suppose que les montants dépensés au Québec sont distribués
normalement avec une moyenne de 120$. Si la variance de l’échantillon est 36,
calculez la probabilité que la moyenne de l’échantillon soit supérieure à 123$.

19 / 34
Exemple 3 suite

20 / 34
Théorème central limite

21 / 34
Résultat très important

Théorème.
Soit X1 , X2 , ...X𝑛 des variables aléatoires indépendantes de moyenne μ, de va-
riance σ2 , de loi de probabilité quelconque.

Alors si 𝑛 est assez grand (généralement 𝑛 ≥ 30),

X1 + … + X𝑛 σ2
X = ≈ N μ, si σ2 est connue
𝑛 ( 𝑛)

X1 + … + X𝑛 𝑠2
X = ≈ N μ, si σ2 est inconnue
𝑛 ( 𝑛)

22 / 34
TCL

Nous aurons donc que

X−μ
∙ √ ≈  (0, 1) si σ2 est connue
σ/ 𝑛
X−μ
∙ √ ≈  (0, 1) si σ2 est inconnue
𝑠/ 𝑛
SI 𝑛 ≥ 30 !

23 / 34
Exemple 4

Supposons que les demandes quotidiennes en électricité de 100 usines peuvent être vues
comme des v.a. indépendantes de moyenne 10 kWh et d’écart-type 5 kWh.
Quelle est la probabilité approximative que la demande quotidienne moyenne en
électricité de ces 100 usines excède la capacité moyenne de 11 kWh du réseau qui les
alimente ?

24 / 34
Exemple 4 suite

25 / 34
Exemple 5

Les revenus annuels des jeunes cadres d’une grande entreprise sont distribués
normalement avec un écart type de 800$. S’il y a 10.2% des chances pour que la
moyenne d’un échantillon aléatoire de 25 de ces revenus annuels soit inférieure à
25 000 $, quel est le revenu annuel moyen de cette population de jeunes cadres ?

26 / 34
Exemple 5 suite

27 / 34
Estimation d’une proportion

28 / 34
Loi de 𝑝̂
𝑝(1 − 𝑝)
Nous avons 𝔼(𝑝) ̂ = 𝑝 et Var(𝑝)
̂ = .
𝑛
Si on est capable de montrer que
∙ 𝑛 ⋅ 𝑝 ≥ 5,
∙ 𝑛 ⋅ (1 − 𝑝) ≥ 5,
nous pouvons utiliser le TCL, ce qui donne le résultat suivant :

𝑝(1 − 𝑝)
𝑝̂ ≈  𝑝;
( 𝑛 )
et donc

𝑝̂ − 𝑝
√ ≈  (0, 1)
𝑝(1 − 𝑝)/𝑛

29 / 34
Exemple 6

Un enclos contient 361 babouins. On sait que 40% d’entre eux aiment manger du
pâté chinois. Si on sélectionne 17 babouins vivant dans l’enclos, quelle est la
probabilité que la proportion échantillonnale de babouins aimant le pâté chinois
s’écarte d’au plus de 5% de la vraie proportion ?

30 / 34
Exemple 6 suite

31 / 34
Exemple 7

La proportion de Canadiens satisfaits du libre-échange est de 0,8. Si l’on

sélectionne 100 personnes au Canada de façon aléatoire, quelle est la probabilité
que la proportion de ces personnes interrogées satisfaites du libre-échange soit
supérieure à 0,9 ?

32 / 34
Exemple 7 suite

33 / 34
Bibliographie

Ce document est rédigé avec Beamer ainsi qu’une classe .cls fourni par Jérôme
Soucy. Les diapositives sont adaptées des diapositives créées par Thierry
Duchesne et Emmanuelle Reny-Nolin pour le cours STT-1900. Les graphiques
proviennent de ces mêmes diapositives.

Pour signaler une erreur dans ce document, veuillez écrire à

l’adresse : [Link]@[Link].

34 / 34