📏Estimation ponctuelle et intervalles de confiance
pass
Chapitre 1 / 425%
🎯
De l'échantillon à la population
Pourquoi estimer ?
En biostatistique, il est rare de pouvoir mesurer un paramètre sur toute une population (trop coûteux, trop long). On prélève donc un échantillon représentatif et on utilise les données observées pour estimer la vraie valeur du paramètre dans la population. Cette démarche s'appelle l'inférence statistique. L'estimation peut être ponctuelle (une seule valeur) ou par intervalle (une plage de valeurs plausibles).
📖 Définition
Population : ensemble de tous les individus étudiés. Échantillon : sous-ensemble représentatif de la population.
🔍 Exemple
Pour estimer la glycémie moyenne des Français, on mesure la glycémie d'un échantillon de 1000 personnes.
💡 À retenir : Un estimateur est une variable aléatoire calculée à partir de l'échantillon pour approcher un paramètre inconnu de la population.
Associe chaque terme à sa définition
📍
Une valeur unique
Estimation ponctuelle
L'estimation ponctuelle consiste à fournir une seule valeur pour estimer le paramètre. Par exemple, la moyenne de l'échantillon x̄ est l'estimateur ponctuel de la moyenne μ de la population. De même, la proportion observée p dans l'échantillon estime la proportion π dans la population. Ces estimateurs sont sans biais et convergents si l'échantillon est aléatoire. Cependant, une estimation ponctuelle ne donne aucune information sur la précision de l'estimation.
📢 Rappel
La moyenne d'un échantillon se note x̄, la proportion p. Les paramètres correspondants dans la population sont μ et π.
⭐ À retenir
L'estimation ponctuelle ne renseigne pas sur l'incertitude liée à l'échantillonnage.
💡 À retenir : Un bon estimateur est sans biais (E(estimateur) = paramètre) et convergent (sa variance diminue quand n augmente).
📏
Prendre en compte l'incertitude
Intervalle de confiance
Pour quantifier la précision d'une estimation, on construit un intervalle de confiance. Il s'agit d'une plage de valeurs qui a une probabilité donnée (le niveau de confiance, souvent 95 %) de contenir le vrai paramètre. Pour une moyenne avec écart-type σ connu, l'intervalle est : IC = [m - z × σ/√n ; m + z × σ/√n], où m est la moyenne de l'échantillon, n sa taille et z la valeur critique (1,96 pour 95 %). Plus l'échantillon est grand, plus l'intervalle est étroit.
📖 Définition
Niveau de confiance : probabilité que l'intervalle contienne le paramètre si on répétait l'échantillonnage.
🔍 Exemple
Si x̄ = 10, σ = 2 et n = 100, l'IC à 95 % est [10 - 1,96×0,2 ; 10 + 1,96×0,2] = [9,608 ; 10,392].
💡 À retenir : L'intervalle de confiance à 95 % pour une moyenne est : x̄ ± 1,96 × (σ/√n).
⚠️
Ce que l'intervalle dit vraiment
Interprétation correcte
L'interprétation la plus fréquente mais erronée est : « Il y a 95 % de chances que la vraie moyenne soit dans cet intervalle. » En réalité, le paramètre est fixe, c'est l'intervalle qui est aléatoire. L'interprétation correcte est : « Si on répétait l'échantillonnage un grand nombre de fois, 95 % des intervalles construits contiendraient la vraie moyenne. » Pour un intervalle observé, on dit qu'il est plausible que le paramètre s'y trouve, au niveau de confiance choisi.
⭐ À retenir
L'intervalle de confiance ne dit pas : « le paramètre a 95 % de chances d'être dans l'intervalle », mais « la méthode utilisée capture le paramètre dans 95 % des cas ».
💡 À retenir : On ne parle pas de probabilité pour un intervalle calculé, mais de confiance dans la méthode.