Estimation ponctuelle et variabilité d’échantillonnage
L’estimation ponctuelle consiste à fournir une valeur unique, appelée estimateur, qui sert d’approximation d’un paramètre inconnu d’une population. Cette valeur est obtenue à partir d’un échantillon observé et dépend de la fonction utilisée pour transformer les données en une estimation.
Fonction d’estimation : l’estimateur
Une fonction d’estimation prend les observations d’un échantillon et calcule une valeur estimée, notée θ̂. Cette fonction porte le nom d’estimateur. Par exemple, pour estimer la moyenne μ d’une population, on utilise la moyenne empirique :
𝑥̅ = (1/n) Σ x_i
Estimateur de la moyenne
La moyenne empirique 𝑥̅ est l’estimateur le plus couramment employé pour la moyenne d’une population. Elle est calculée en additionnant toutes les observations x_i et en divisant par la taille de l’échantillon n. Cette formule reflète directement le principe de l’estimation ponctuelle : fournir une valeur unique à partir des données disponibles.
Estimateur de la variance : biais et correction
La variance d’une population peut être estimée de deux manières distinctes, selon le dénominateur utilisé dans la formule.
- Estimateur biaisé : S² = (1/N) Σ (X_i – X̅)². Le dénominateur N conduit à un biais, surtout pour de petits échantillons.
- Estimateur non‑biaisé : S² = (1/(N‑1)) Σ (X_i – X̅)². Le facteur N‑1 corrige le biais et rend l’estimation plus fiable.
Il est donc essentiel de retenir que l’utilisation de N‑1 dans le dénominateur produit un estimateur non‑biaisé, tandis que N donne un estimateur biaisé.
Erreur‑type d’un estimateur
L’erreur‑type d’un estimateur correspond à l’écart‑type de la distribution d’échantillonnage de cet estimateur. Elle mesure la dispersion des valeurs estimées autour de la vraie valeur du paramètre. Plus l’erreur‑type est petite, plus les estimations sont concentrées et donc plus la précision est élevée.
Influence de la taille d’échantillon (N)
Lorsque la taille d’échantillon N augmente, la variabilité des estimateurs diminue. Concrètement, la largeur de la distribution d’échantillonnage se réduit, ce qui améliore la précision de l’estimation. Ainsi, on peut affirmer que plus N augmente, plus la précision augmente et que l’erreur‑type se réduit.
Convergence d’un estimateur
Un estimateur φ(X) est dit convergent lorsque l’espérance de l’estimateur tend vers le vrai paramètre θ lorsque N → +∞. En notation, E[φ(X_N)] → θ. Cette propriété garantit que, avec un nombre suffisant d’observations, l’estimateur s’approche de la valeur réelle du paramètre.
Biais à N fixé vs biais asymptotique
Le biais à N fixé correspond à la différence entre l’espérance de l’estimateur et le vrai paramètre pour un échantillon de taille donnée : E[estimateur] ≠ θ. En revanche, le biais asymptotique examine le comportement lorsque N tend vers l’infini : E[estimateur] → θ. Un estimateur peut être biaisé pour de petits N mais devenir non‑biaisé à mesure que la taille de l’échantillon augmente.
Distribution d’échantillonnage
Il est faux de supposer que la distribution d’échantillonnage d’un estimateur est toujours normale. Sa forme dépend de la distribution de la variable étudiée et de la taille de l’échantillon. Pour de grands N, le théorème central limite tend à rendre la distribution approximativement normale, mais ce n’est pas une règle générale pour tous les cas.
Résumé des points clés
- Un estimateur est la fonction qui transforme un échantillon en une estimation ponctuelle.
- La moyenne empirique 𝑥̅ est l’estimateur standard de la moyenne.
- Pour la variance, le dénominateur N‑1 donne un estimateur non‑biaisé, tandis que N conduit à un biais.
- L’erreur‑type mesure la dispersion des estimations autour du vrai paramètre.
- Augmenter N réduit la variabilité et améliore la précision.
- Un estimateur converge lorsque son espérance tend vers le vrai paramètre à l’infini.
- Le biais peut disparaître asymptotiquement même s’il existe pour des N petits.
- La forme de la distribution d’échantillonnage dépend de la variable et de la taille d’échantillon, elle n’est pas toujours normale.
