Vous êtes sur la page 1sur 29

MOOC Statistique pour ingénieur

Thème 2 : échantillonnage, estimation


Vidéo 4 : Intervalles de confiance

F. Delacroix M. Lecomte
Institut Mines-Télécom
École Nationale Supérieure des Mines de Douai

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Sommaire

1 Intervalle de confiance pour une moyenne

2 Intervalle de confiance pour une variance

3 Intervalle de confiance pour une proportion

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est connu

masse=X ∼ N (µ, σ02 ) σ0 = 1g connu

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est connu

masse=X ∼ N (µ, σ02 ) σ0 = 1g connu

( )
σ02
X ∼ N µ, n

X−µ
U= √ ∼ N (0, 1) α/2 α/2
σ0 / n

n = 15 −uα/2 uα/2

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est connu

( )
P − uα/2 ≤ U ≤ uα/2 = 1 − α

σ0 σ0
X − uα/2 √ ≤ µ ≤ X + uα/2 √
n n
[ ]
σ0 σ0
IC1−α (µ) = X − uα/2 √ , X + uα/2 √
n n

x = 10, 9 g [σ0 = 1 g ]
σ0 σ0 1−α
Ic1−α (µ) = x − uα/2 √ , x + uα/2 √
n n
−uα/2 uα/2

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est connu

( )
P − uα/2 ≤ U ≤ uα/2 = 1 − α

σ0 σ0
X − uα/2 √ ≤ µ ≤ X + uα/2 √
n n
[ ]
σ0 σ0
IC1−α (µ) = X − uα/2 √ , X + uα/2 √
n n

x = 10, 9 g [σ0 = 1 g ]
1 1
Ic1−α (µ) = 10, 9 − 1, 96 × √ ; 10 + 1, 96 × √ = [10, 39; 11, 41]
15 15

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est inconnu

X ∼ N (µ, σ 2 ) avec µ et σ inconnus


IC1−α (µ) ?
1 ∑( )2
n
Idée : estimer σ 2 par S∗2 = Xi − X
n−1
i=1

Théorème
La variable aléatoire
X−µ
T= √ ∼ T (n − 1)
S∗ / n
suit la loi de Student à ν = n − 1 degrés de liberté.

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est inconnu : loi de Student

William Sealy Gosset, 1876–1937


ν=1

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est inconnu : loi de Student

William Sealy Gosset, 1876–1937


ν=2

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est inconnu : loi de Student

William Sealy Gosset, 1876–1937


ν=5

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est inconnu : loi de Student

William Sealy Gosset, 1876–1937


ν = 10

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est inconnu
}
ν = n − 1 = 14
tα/2 = 2, 145
α = 0, 05

α/2 α/2

−tα/2 tα/2

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est inconnu
}
ν = n − 1 = 14
tα/2 = 2, 145
α = 0, 05
( )
P −tα/2 ≤ T ≤ tα/2 = 1 − α

1−α

−tα/2 tα/2

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est inconnu
}
ν = n − 1 = 14
tα/2 = 2, 145
α = 0, 05
( )
X−µ
P −tα/2 ≤ ∗ √ ≤ tα/2 = 1 − α
S/ n
[ ]
S∗ S∗
IC1−α (µ) = X − tα/2 √ , X + tα/2 √
n n

1−α

−tα/2 tα/2

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Cas où l’écart-type est inconnu
}
ν = n − 1 = 14
tα/2 = 2, 145
α = 0, 05
( )
X−µ
P −tα/2 ≤ ∗ √ ≤ tα/2 = 1 − α
S/ n
[ ]
S∗ S∗
IC1−α (µ) = X − tα/2 √ , X + tα/2 √
n n

x = 10, 9 g s∗ = 1, 16 g :
[ ]
1, 16 1, 16
Ic0,95 (µ) = 10, 9 − 2, 145 × √ ; 10, 9 + 2, 145 × √ = [10, 25; 11, 55]
15 15

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Sommaire

1 Intervalle de confiance pour une moyenne

2 Intervalle de confiance pour une variance

3 Intervalle de confiance pour une proportion

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Intervalle de confiance pour une variance

Viscosité = X ∼ N (µ, σ 2 ) avec µ et σ inconnus

IC1−α (σ 2 ) ?

78 85 91 76
n=4

1 ∑( )2
n
2
S = Xi − X . Ici s2 = 35, 25
n
i=1
n S2
Z = 2 ∼ χ2 (n − 1)
σ χ21 χ22

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Intervalle de confiance pour une variance
( )
P χ21 ≤Z≤ χ22 =1−α

1−α

χ21 χ22

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Intervalle de confiance pour une variance
( )
n S2
P χ21 ≤ 2 ≤ χ22 =1−α
σ
[ ]
2 n S2 n S2
IC1−α (σ ) = ,
χ22 χ21

n=4 s2 = 35, 25
} { 2
ν=3 χ1 = 0, 22

α = 0, 05 χ22 = 9, 35
1−α
[ ]
4 × 35, 25 4 × 35, 25
Ic1−α (σ 2 ) = ;
9, 35 0, 22 χ21 χ22

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Intervalle de confiance pour une variance
( )
n S2
P χ21 ≤ 2 ≤ χ22 =1−α
σ
[ ]
2 n S2 n S2
IC1−α (σ ) = ,
χ22 χ21

n=4 s2 = 35, 25
} { 2
ν=3 χ1 = 0, 22

α = 0, 05 χ22 = 9, 35
[ ]
4 × 35, 25 4 × 35, 25
2
Ic1−α (σ ) = ; = [15; 641]
9, 35 0, 22

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Sommaire

1 Intervalle de confiance pour une moyenne

2 Intervalle de confiance pour une variance

3 Intervalle de confiance pour une proportion

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Intervalle de confiance pour une proportion

p = proportion de pièces défectueuses dans la production


= probabilité qu’a une pièce d’être défectueuse

K = nombre de pièces défectueuses dans l’échantillon


∼ B(n, p)

K
F= est un estimateur de p
n

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Si n est petit Intervalles de confiance pour une proportion
Intervalle bilatéral – niveau de confiance 0,95
Intervalle unilatéral – niveau de confiance 0,975
• Abaques de la loi binomiale

1 − α = 0, 95

Proportion p dans la population


30
50
200 100
• Courbes correspondant à la taille de 5
20
l’échantillon 6 15
10
n = 50 8 10 12 8 6
15
12
20 5
30
100
50 200

Fréquence f observée dans l'échantillon

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Si n est petit Intervalles de confiance pour une proportion
Intervalle bilatéral – niveau de confiance 0,95
Intervalle unilatéral – niveau de confiance 0,975
• Abaques de la loi binomiale

1 − α = 0, 95

Proportion p dans la population


30
50
200 100
• Courbes correspondant à la taille de 5
20
l’échantillon 6 15
10
n = 50 8 10 12 8 6
15
12
20
• Report de la fréquence observée 30
5
100
50 200
f = 0, 6

Fréquence f observée dans l'échantillon

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Si n est petit Intervalles de confiance pour une proportion
Intervalle bilatéral – niveau de confiance 0,95
Intervalle unilatéral – niveau de confiance 0,975
• Abaques de la loi binomiale

1 − α = 0, 95

Proportion p dans la population


30
50
200 100
• Courbes correspondant à la taille de 5
20
l’échantillon 6 15
10
n = 50 8 10 12 8 6
15
12
20
• Report de la fréquence observée 30
5
100
50 200
f = 0, 6

• Lecture graphique de l’IC


Fréquence f observée dans l'échantillon
Ic0,95 (p) = [0, 45; 0, 75]
MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation
Si n est grand…
Théorème (Moivre-Laplace)
Si (Xn( ) de variables aléatoires suivant la loi B(n, p), alors la
)n∈N∗ est une suite
Xn − n p
suite √ converge en loi vers N (0, 1).
n p (1 − p)
K − np F−p
Ici U = √ =√ ≃ N (0, 1)
n p(1 − p) p(1 − p)/n

…lorsque n est grand et p «pas trop petit»


( )
P −uα/2 ≤ U ≤ uα/2 = 1 − α

−uα/2 uα/2
MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation
Si n est grand…
(F − p)2
−uα/2 ≤ U ≤ uα/2 ⇐⇒ ≤ u2α/2
p(1 − p)/n
Intervalle réel :

Ic1−α (p) = [p1 , p2 ] Proposition


On a les valeurs approchées
où p1 et p2 vérifient

f(1 − f)
( ) p1 ≃ f − uα/2
u2α/2 u2α/2 √ n
2
f +p 2
1+ −2pf− p=0 f(1 − f)
n n p2 ≃ f + uα/2
n

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation


Si n est grand…

Exemple
10% de pièces défectueuses dans un échantillon de 400 pièces

[ √ √ ]
n = 400 0, 1 × 0, 9 0, 1 × 0, 9
Ic0,95 (p) = 0, 1 − 1, 96 ; 0, 1 + 1, 96
f = 0, 1 400 400
1 − α = 0, 95 = [0, 07; 0, 13]
uα/2 = 1, 96

Pour n = 1000, Ic0,95 (p) = [0, 09; 0, 11]

MOOC Statistique pour ingénieur Thème 2 : échantillonnage, estimation