Chapitre 5 Estimastion

COURS D’ECHANTILLONNAGE ET
ESTIMATIONS
Chapitre : Estimation
Licence fondamentale en Sciences Economiques et Gestion

Année universitaire 2016-2017
F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Plan
Estimation
1 : L’estimation ponctuelle
2 : L’estimation par intervalle

Estimation :Généralités sur l’estimation
Principe de l’estimation.
L’objectif de l’estimation est de donner une valeur approché à un paramètre
(moyenne, variance, fréquence,...) d’une population à partir d’un échantillon,
et ce avec une précision la plus élevée possible.
Définition de l’estimation.
L’estimation est l’évaluation d’un paramètre inconnu θ de la population par
une ou plusieurs valeurs possibles.
Remarque :
L’éstimation du paramétre θ est une varaible aléatoire θ̂ dont la distri-
bution de probabilité s’appelle la distribution d’échantillonnage du pa-
ramétre θ
L’estimation θ̂ admet donc une esperance mathématique E(θ̂) et une va-
riance V(θ̂).

Types d’estimation
Quand on estime θ par une valeur unique, on parle d’estimation ponc-
tuelle.
Quand on estime θ par tout un intervalle de valeurs, on parle d’estimation
par intervalle de confiance.
Définition de l’estimateur
Un estimateur d’un paramètre θ d’une population est une fonction des valeurs
X1 , X2 , ..., Xn observées susceptibles de servie à estimer θ .On écrit :
Tn = f (X1 , X2 , ..., Xn )
On appelle estimation par intervalle de confiance au risque α tout intervalle

[θ̂1 ; θ̂2 ] tel que la probabilité que cette intervalle contienne la valeur du para-
mètre θ soit égale à 1 − α. C-à-d :
P(θ ∈]θ̂1 ; θ̂2 [) = 1 − α

Estimation : Généralités sur l’estimation
Qualité d’un estimateur

Estimateur sans biais : Soit Tn un estimateur de θ . On dit que Tn est un estima-
teur sans biais de θ, si on a :
E(Tn ) = θ
Exemple :
X est un estimateur sans biais de m ; en effet E(X) = m.
f est un estimateur sans biais de p ; en effet E(f ) = p.
La varaince empirique calculée sur un échantillon de taille n donnée par :

Pn 2
i=1 (xi −x̄)
S2 = n est un estimateur avec biais de la variance de la popula-
P N 2
s=1 (xs −m)
tion σ 2 = N , puisque E(S2 ) = ( n−1 2
n )×σ .
où ( n−1
n ) le Biais.


Estimateur efficace : Tn est un estimateur efficace de θ si c’est un estimateur
sans biais de θ et qui a une variance minimale parmi tous les estimateurs sans
biais de θ.
En effet : Soient θ1 et θ2 deux estimateurs sans biais et convergents d’un

meme paramétre θ, le plus efficace est celui qui a la variance la plus faible car
ses valeures sont en moyennes plus proches de la quantité estimée :
V(θ) = E[θ − E(θ)]2 minimale
Ainsi, si nous constatons par exemple que : V(θ1 ) ≺ V(θ2 ), nous dirons alors
que l’estimateur θ1 est meilleur ou plus efficace que l’estimateur θ2 car sa va-
riance est plus fible. Cela traduit le fait que à prioi on a plus de chance d’ob-
tenir, sur un échantillon aléatoire, une estimation proche de θ en considérant
l’estimateur θ1 .

Exemple :
Pour l’estimateur sans biais de X du paramétre m, on constate que :
σ2
V(X) = n dans le cas d’un tirage avec remise (T.A.R) ;
2
V(X) = σn × N−n
N−1 dans le cas d’un tirage sans remise (T.S.R) ;
Nous dirons alors que l’estimateur X dans le cas d’un tirage sans remise
est meilleur ou plus efficace que l’estimateur X dans le cas d’un tirage avec
remise car sa variance est plus faible. En effit :
σ2 N−n σ2
(V(X)T.S.R ) ≺ (V(X)T.A.R ) ⇒ ( × )T.S.R ≺ ( )T.A.R
n N−1 n


Estimateur de faible disperstion :
Estimateur convergent :

Objectifs
Dans ce qui suit, nous allons étudier trois cas particuliers. Il s’agit de l’estima-
tion de :
d’une proportion p,
d’une moyenne m = µ,
d’une variance σ 2 .

Estimation de la moyenne d’une population
Estimation ponctuelle
Etant donné une population de moyenne m, l’estimateur sans biais de m
est donné par :
n
1X
X= Xi
n
i=1
La variance de cet estimateur est :

σ2
V(X) = .
n
où σ 2 est la variance de la population

Remarque : On suppose que le tirage est non exhaustive dans tous les cas.
Estimation par intervalle de confiance : Cas d’une population nor-

male
Etant donné une population normale de moyenne m et de variance σ 2 , c’est-
à-dire la variable aléatoire concernée X de la population suit la loi normale
N(m, σ).


male
L’estimateur par intervalle de confiance de m consiste à déterminer les
bornes x1 et x2 de l’intervalle I, pour lesquelles I a un niveau de confiance,
appelé probabilité 1 − α, de contenir m. α est appelé risque d’erreur.
Les bornes x1 et x2 sont telles que :
P(x1 ≤ m ≤ x2 ) = 1 − α


male
Cas d’écart type connu :
P(x1 ≤ m ≤ x2 ) = P(X − x2 ≤ X − m ≤ X − x1 ) = 1 − α
X − x2 X−m X − x1 X − x2 X − x1
P( σ ≤ σ ≤ σ ) = P( σ ≤T≤ σ )=1−α
√ √ √ √ √
n n n n n
ou :
X−m
T= σ
√
n
Donc :
X−m
T= σ ,→ N(0, 1)
√
n


male
Soit Z1− α2 la valeur de la variable normale N(0, 1) , appelé quartile, lue
dans la table, c’est-à-dire :
P(−Z1− α2 ≤ T ≤ Z1− α2 ) = 1 − α

X−x X−x
 P( √σn 2 ≤ T ≤ √σn 1 ) = 1 − α,

On a :

P(−Z1− α2 ≤ T ≤ Z1− α2 ) = 1 − α,



male

X−x2

 σ
√
= −Z1− α2 ,
 n
Alors :
X−x1


 σ
√
= Z1− α2 ,
n
Donc : x1 = X − Z1− α2 . √σn et x2 = X + Z1− α2 . √σn

D’ou :
σ σ
Ic (m) = [X − Z1− α2 . √ ; X + Z1− α2 . √ ]
n n


male
Cas d’écart type inconnu :
Taille d’échantillon de n < 30 :
Dans le cas où la variance est inconnue, on utilise la quasi-variance

comme estimation de la variance.
L’intervalle de confiance de la moyenne Ic (m) est définie comme suit :
P(x1 ≤ m ≤ x2 ) = P(X − x2 ≤ X − m ≤ X − x1 ) = 1 − α


male
X − x2 X−m X − x1
P( ≤ ≤ )=1−α
√Ŝ √Ŝ √Ŝ
n n n
ou : r
n
Ŝ = V(X)
n−1
Comme X ,→ N(m, σ) et σ est inconnue alors :
X−m
T= ,→ Tn−1
√Ŝ
n


male
Soit t1− α2 la valeur de la variable Student à n-1 degré de liberté lue à partir
de la table de , c’est-à-dire :
P(−t1− α2 ≤ T ≤ t1− α2 ) = 1 − α
 P(−t1− 2 ≤ T ≤ t1− 2 ) = 1 − α,

α α

On a :
 P( X−x

Ŝ
2
≤T≤ X−x1
Ŝ
) = 1 − α,
√ √
n n

Estimation par intervalle de confiance

X−x2


 √Ŝ
= −t1− α2 ,
 n
Alors :
X−x1



√Ŝ
= t1− α2 ,
n
Donc : x1 = X − t1− α2 √Ŝn et x1 = X + t1− α2 √Ŝn

D’ou :
Ŝ Ŝ
Ic (m) = Ic = [X − t1− α2 √ , X + t1− α2 √ ]
n n


Cas d’une population de loi quelconque et n ≥ 30 :
L’intervalle de confiance de la moyenne Ic (m) est définie comme suit :
P(x1 ≤ m ≤ x2 ) = P(X − x2 ≤ X − m ≤ X − x1 ) = 1 − α
X − x2 X−m X − x1 X − x2 X − x1
P( σ ≤ σ ≤ σ ) = P( σ ≤T≤ σ )=1−α
√ √ √ √ √
n n n n n
ou :
X−m
T= σ ,→ N(0, 1)
√
n
Donc :
σ σ
Ic (m) = [X − Z1− α2 . √ ; X + Z1− α2 . √ ]
n n
Remarque :Si σ est inconnue alors on remplace σ par Ŝ.

Estimation
Exemple 1 : Estimation d’une moyenne, dans le cas où la variance

σ 2 est connue
Une machine produit en grande série des objets de masse théorique 180g. On
admet que la variable aléatoire qui associe à un objet sa masse a pour ecart-
type 0,92g. On préléve un échantillon de 100 objets et on mesure la masse de
chacun, on obtient une moyenne de 179,93g.
Déterminer un intervalle de confiance au seuil de risque de 1%, de la masse µ
d’un objet.

Estimation
Exemple 1 : Estimation d’une moyenne, dans le cas où la variance

σ 2 est connue
Soit Xi , la v.a qui renvoit la masse de l’objet i de l’échantillon. On cherche
un intervalle de confiance de µ = E(Xi )
On sait qu’avec proba 1 − α,
σ σ
Xn − uα √ ≤ µ ≤ Xn + uα √
n n
α = 0, 01 donne un uα = 2, 58 .(table de la loi normale centrée réduite)

D’ou,
0, 92 0, 92
179, 93 − 2, 58 √ ≤ µ ≤ 179, 93 + 2, 58 √
100 100
i.e : Avec proba 0,99 on a , µ ∈ [179, 69; 180, 17].

Estimation
Exemple 2 :Estimation de la moyenne, dans le cas où la variance

σ 2 est inconnue.
Le chiffre d’affaire mensuel d’une entreprise suit une loi normale de moyenne
µ et d’écart-type σ inconnus. Sur les 12 derniers mois, on a observé une
moyenne des chiffres d’affaires égale à 10 000 euros avec un écart-type de 2000
euros.
Donner une estimation de µ par intervalle de confiance au niveau 0,98.

Estimation
Exemple 2 :Estimation de la moyenne, dans le cas où la variance

σ 2 est inconnue.
Soit Xi le chiffre d’affaire de l’entreprise le mois i.
√
11
On sait que T = S12 (X12 − µ) suit une loi de Student (11).
A l’aide de la table de la loi de Student, on trouve :
tα = t0,02 ' 2, 718 tel que P(|T| ≤ 2, 718) = 0, 98
√
Donc, | S1211 (X12 − µ)| ≤ 2, 718 avec proba = 0, 98
i.e : µ ∈ [X12 − 2, 718 √S1211 ; X12 + 2, 718 √S1211 ] Avec : X12 = 10000 et S12 = 2000,
on obtient :
µ ∈ [8360, 9; 11639, 02], avec proba 0, 98

Estimation de la variance d’une population
Etant donné un population de variance σ 2
n n
Pn
On a : E(Ŝ2 ) = σ 2 alors Ŝ2 = n−1 S
2
= n−1 i=1 (xi −X)
2
est un estimateur
sans biais de σ 2 .
Cet estimateur est appelé quasi-variance. La variance de cet estimateur

est :
2
V(Ŝ2 ) = σ4
n−1


Soit une population normale de variance σ 2 . L’estimateur par intervalle
de confiance de σ 2 consiste à déterminer les bornes x1 et x2 d’un inter-
valle qui a un niveau de confiance, appelé probabilité 1−α , de contenir σ 2 .
Les bornes x1 etx2 sont telles que :
P(x1 ≤ σ 2 ≤ x2 ) = 1 − α


Donc :
n n
1 X 1 X
Ic (σ 2 ) = Ic = [ (xi − X)2 ; (xi − X)2 ]
k1− α2 k α2
i=1 i=1
α α
ou k α2 et k1− α2 sont les quantiles d’ordre 2 et 1 − 2 de la loi χ2n−1

Estimation
Exemple 1 :
Au controle de la qualité d’un institut de beauté, on analyse le PH d’un certain
parfum. On sait que ce facteur maintient un aspect normal de moyenne 2,8.
Afin de connaitre sa variance, on effectue un prélèvement de 25 unités de ce
parfum dont on mesure le PH. Pn
Pour certain échantillon, la valeur de i=1 (xi − m)2 (ou m=2,8 ) est de 0,0625.
Bâtir un intervalle de confaince qui permettra d’estimer la varaince du PH de
ce parfum avec un degré de certitude de 95%.

Estimation
Exemple 1 :Solution
La moyenne de la population est connue :
(xi −m)2
P
m = µ = 2, 8 , σ2
,→ χ225
α α
1 − α = 0, 95 ⇒ 2 = 0, 025 ⇒ 1 − 2 = 0, 975,
(xi −m)2
P
α
P( σ2
≥ x2 ) = 2 = 0, 025 → x2 = 40, 64
(xi −m)2
P
α
P( σ2 ≥ x1 ) = 1 − 2 = 0, 975 → x1 = 13, 12
0, 0625 0, 0625
Ic (σ 2 ) = [ ; ] = [0, 0015; 0, 004]
40, 64 13, 12

Estimation
Exemple 2 :
La consomation d’essance en (L/100km) d’un certian modèle d’automobile est
distribuée selon une loi normale. On note la consommation de 25 voitures de ce
modèle. On obtient une moyenne d’échantillon de 8, 7L/100km et un écart-type
corrigé d’échantillon de 0, 09L/100km. Estimer la variance de la population par
intervalle avec 90%

Estimation
Exemple 2 :
La moyenne est inconnue :
(n−1)Ŝ2
σ2
,→ χ224
α α
1 − α = 0, 9 ⇒ 2 = 0, 05 ⇒ 1 − 2 = 0, 95
Ŝ2
P( (n−1)
σ2
≥ x2 ) = α
2 = 0, 05 → x2 = 36, 42
2
Ŝ
P( (n−1)
σ2
≥ x1 ) = 1 − α
2 = 0, 95 → x1 = 13, 58
2 2
Ŝ (n−1)Ŝ
Ic (σ 2 ) = [ (n−1)
x2 ; x1 ]
24 × (0, 09)2 24 × (0, 09)2

Ic (σ 2 ) = [ ; ] = [0, 0053; 0, 012]
36, 42 13, 85

Estimation
Exemple 3 :
Une entreprise comporte un grand nombre d’employés avec un système de
pointage des heures d’arrivée. Chaque employé doit arriver à 8h. On a relevé
le retard d’un échantillon de 25 employés. On a obtenu un retard moyen de
6,47 min pour un écart-type moyen 1,12 min. A partir de ces informations,
donner un intervalle de confiance au seuil de 0,9 pour l’écart-type du temps de
retard.

Estimation
Exemple 3 :
Soit Xi le temps de retard de l’employé i. On a X̄25 = 6, 47 et S25 = 1, 12
On cherche une estimée de σ 2 = Var(Xi ).
25S225
On sait que Z = σ2
∼ χ2 (24)
A l’aide de la table de la loi d’un χ2 , on détermine :
mα ' 13, 848 et Mα ' 36, 415 tels que :
P(Z ≥ Mα ) = 0, 05 et P(Z ≤ mα ) = 0, 05 :
25S2 25S2
on obtient σ 2 ∈ [ 36,415
25
; 13,848
25
] avec proba 0,9 :
ie : σ ∈ [0, 927; 1, 505] avec proba 0,9

Estimation de la proportion d’une population
Soit une population dont les individus possèdent un caractère A avec une pro-
babilité p. On cherche à déterminer cette probabilité inconnue en prélevant un
échantillon de taille n dans cette population. On constate que k parmi les n
individus possèdent le caractère A. L’estimation ponctuelle sans biais p̂ de la
proportion p est donnée donc
k
p̂ =
n

Etant donné une population de proportion p.
On a : E(fn ) = p alors p̂ = fn alors est un estimation sans biais de p.
La variance de cet estimateur est :
p(1 − p)
V(fn ) =
n
et
r
p(1 − p)
σ fn =
n


L’estimation par intervalle de confiance d’une proportion p consiste à
déterminer les bornes x1 et x2 d’un intervalle I qui a niveau de confiance,
appelé probabilité 1 − α , de contenir p.
Les bornes x1 et x2 sont telles que :
P(x1 ≤ p ≤ x2 ) = 1 − α


Si n ≥ 30 et n × fn ≥ 5
Alors :
r r
fn (1 − fn ) fn (1 − fn )
Ic (p) = [fn − Z1− α2 ; fn + Z1− α2 ]
n n
Z1− α2 la valeur de la variable normale N(0, 1) appelé quartile, lue dans la table
de la loi normale centrée réduite.
P(N(0, 1) ≤ Zα ) = α

Estimation
Exemple 1 : Intervalle de confiance de la moyenne et de l’écart
type
Dans une entreprise produisant un article déterminé on veut estimer sa durée
de vie en heures. À cette fin on a observé un échantillon aléatoire et simple de
16 unités dont les résultats sont (en 1000 heures) :
1,10 1,05 1,25 1,08 1,35 1,15 1,30 1,25

1,30 1,35 1,15 1,32 1,05 1,25 1,10 1,15
L’estimation ponctuelle de la moyenne de la population est :

P16
i=1xi
m̂ = x̄ = = 1, 2
16
L’estimation ponctuelle de l’écart type de la population de la population est :
s
P16 2
i=1 (xi − x̄)
σ̂ = = 0, 11
16 − 1
Estimation
L’intervalle de confiance de la moyenne a un niveau de confiance
de 95% :
La distribution de la population parent étant inconnue et la taille de l’échan-
tillon inférieure à 30, l’intervalle de confiance de la moyenne est défini par :
σ̂
X ± T1− α2 √
n
La valeur de T1− α2 à 15 degrés de liberté est : t0,975 =2,131.

l’intervalle de confiance est :
σ̂ 0, 11
X ± T1− α2 √ = 1, 2 ± 2, 131 √
n 16
0, 11 0, 11
X1 = 1, 2 − 2, 131 √ = 1, 14 et X2 = 1, 2 + 2, 131 √ = 1, 26
16 16
L’intervalle [1, 14; 1, 26] a une probabilité de 95% de contenir la vraie valeur de
la moyenne de la population.
Estimation
L’intervalle de confiance de l’écart type a un niveau de confiance

de 95% :
Les limites de confiances de la variance sont :
Pn Pn
(xi − x̄)2 (xi − x̄)2
σ12 = i=1 2 et σ22 = i=1 2
χ1− α χα
2 2
les valeurs de χ2α et χ21− α sont a 15 degrés de liberte :

2 2
χ20,025 = 6, 26 et χ20,975 = 27, 49

Estimation
L’intervalle de confiance de l’écart type a un niveau de confiance

de 95% :
L’écart type est la racine carrée de la variance, ses limites de confiance sont
donc :
v s
u Pn
u i=1 (xi − x̄)2 0, 112 × 15
σ̂1 = t 2
= = 0, 08
χ1− α 27, 49
2
v s
u Pn
u i=1 (xi − x̄)2 0, 112 × 15
σ̂2 = t 2
= = 0, 17
χα 6, 26
2

Estimation
Exemple 2 : intervalle de confiance de la proportion

On etudie le pourcentage d’utilisation d’une machine. 400 observations ont ete
effectuees qui ont donne le resultat suivant :
Machine marche : 320 observations.
Machine arretee : 80 observations.
L’estimation ponctuelle de la proportion d’utilisation de la machine est :
320
p̂ = fn = = 0, 8
400
Le taux d’utilisation de la machine est estime a 80%.

Estimation
Exemple 2 : intervalle de confiance de la proportion

L’intervalle de confiance de la proportion a un niveau de confiance de 95% est
défini par : r
p(1 − p)
fn ± Z1− α2
n
La valeur de Z1− α2 est : Z0,975 = 1, 96
Les limites de confiances de la proportion sont :

r r
p(1 − p) 0, 8(1 − 0, 8)
p1 = fn − Z1− α2 = 0, 80 − 1, 96 = 0, 76
n 400
r r
p(1 − p) 0, 8(1 − 0, 8)
p2 = fn + Z1− α2 = 0, 80 + 1, 96 = 0, 84
n 400
L’intervalle [76%; 84%] a une probabilité de 95% de contenir le vrai taux d’uti-
lisation de la machine.

Exercices d’application :

Chapitre 5 Estimastion

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 5 Estimastion

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 5 Estimastion

Transféré par

Droits d'auteur :

Formats disponibles

COURS D’ECHANTILLONNAGE ET

Licence fondamentale en Sciences Economiques et Gestion

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

2 : L’estimation par intervalle

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

On appelle estimation par intervalle de confiance au risque α tout intervalle

P(θ ∈]θ̂1 ; θ̂2 [) = 1 − α

Qualité d’un estimateur

f est un estimateur sans biais de p ; en effet E(f ) = p.

La varaince empirique calculée sur un échantillon de taille n donnée par :

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Qualité d’un estimateur

En effet : Soient θ1 et θ2 deux estimateurs sans biais et convergents d’un

V(θ) = E[θ − E(θ)]2 minimale

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Qualité d’un estimateur

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

La variance de cet estimateur est :

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Estimation par intervalle de confiance : Cas d’une population nor-

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Estimation par intervalle de confiance : Cas d’une population nor-

Les bornes x1 et x2 sont telles que :

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Estimation par intervalle de confiance : Cas d’une population nor-

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Estimation par intervalle de confiance : Cas d’une population nor-

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Estimation par intervalle de confiance : Cas d’une population nor-

Donc : x1 = X − Z1− α2 . √σn et x2 = X + Z1− α2 . √σn

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Estimation par intervalle de confiance : Cas d’une population nor-

Dans le cas où la variance est inconnue, on utilise la quasi-variance

L’intervalle de confiance de la moyenne Ic (m) est définie comme suit :

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Estimation par intervalle de confiance : Cas d’une population nor-

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Estimation par intervalle de confiance : Cas d’une population nor-

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Estimation par intervalle de confiance

Donc : x1 = X − t1− α2 √Ŝn et x1 = X + t1− α2 √Ŝn

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Estimation par intervalle de confiance

L’intervalle de confiance de la moyenne Ic (m) est définie comme suit :

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Exemple 1 : Estimation d’une moyenne, dans le cas où la variance

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Exemple 1 : Estimation d’une moyenne, dans le cas où la variance

α = 0, 01 donne un uα = 2, 58 .(table de la loi normale centrée réduite)

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Exemple 2 :Estimation de la moyenne, dans le cas où la variance

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d

Exemple 2 :Estimation de la moyenne, dans le cas où la variance

µ ∈ [8360, 9; 11639, 02], avec proba 0, 98

F.P.Tétouan COURS D’ECHANTILLONNAGE ET ESTIMATIONS , Chapitre : Distribution d