Vous êtes sur la page 1sur 43

Estimation paramétrique par intervalles de confiance

Mohamed JEBALIA

Ecole Nationale d’Ingénieurs de Bizerte - Université de Carthage - Tunisie

18 avril 2022

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 1 / 29
Motivation

On considère un échantillon (X1 , . . . , Xn ) de moyenne m et de variance σ 2 .


Estimation ponctuelle : L’estimation se fait par une seule valeur, qui est la
réalisation d’une variable aléatoire.
Problème : L’estimation dépend de l’échantillon choisi. Exemple :
X1 X2 X3 X4 X5 Xn
Echantillon 1 1.89 1.79 1.74 1.90 1.74 1.812
Echantillon 2 1.74 1.95 1.76 1.75 1.71 1.782
Echantillon 3 1.84 1.84 1.88 1.85 1.89 1.86
Echantillon 4 1.84 1.84 1.75 1.83 1.75 1.802

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 2 / 29
Motivation

On considère un échantillon (X1 , . . . , Xn ) de moyenne m et de variance σ 2 .


Estimation ponctuelle : L’estimation se fait par une seule valeur, qui est la
réalisation d’une variable aléatoire.
Problème : L’estimation dépend de l’échantillon choisi. Exemple :
X1 X2 X3 X4 X5 Xn
Echantillon 1 1.89 1.79 1.74 1.90 1.74 1.812
Echantillon 2 1.74 1.95 1.76 1.75 1.71 1.782
Echantillon 3 1.84 1.84 1.88 1.85 1.89 1.86
Echantillon 4 1.84 1.84 1.75 1.83 1.75 1.802

=⇒ Pour avoir confiance en une estimation ponctuelle, il faut lui associer une
marge d’erreur.
=⇒ Estimation par intervalle de confiance : Déterminer un intervalle de valeurs
qui contient, avec une certaine probabilité, la vraie valeur

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 2 / 29
Intervalles de confiance

Définition
Soit α ∈]0, 1[. On dit que l’intervalle I1−α est un intervalle de confiance pour g(θ)
de niveau (1 − α) ssi :
I1−α s’exprime uniquement en fonction de X1 , . . . , Xn , et,
Pour tout θ ∈ Θ, on a :

Pθ (g(θ) ∈ I1−α ) = 1 − α

- Si l’on a ∀θ ∈ Θ, Pθ (g(θ) ∈ I1−α ) ≥ 1 − α, on dit que I1−α est un intervalle de


confiance de g(θ) de niveau (1 − α) par excès.

Le risque α est la probabilité d’erreur. Elle doit être assez petite. Les valeurs
usuelles de α sont : 10%, 5%, 1%,. . .

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 3 / 29
Construction d’intervalles de confiance

Soit θn un estimateur ponctuel de θ. On va construire deux types d’intervalles de


confiance :
1 I1−α = [θn − ϵ; θn + ϵ] 
=⇒ Trouver ϵ > 0/ Pθ θn − ϵ ≤ θ ≤ θn + ϵ = 1 − α

⇐⇒ Trouver ϵ > 0/ P θn ∈ [θ − ϵ, θ + ϵ] = 1 − α
=⇒ Déterminer la distribution échantillonnale (loi) de θn et en particulier les
quantiles de cette loi

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 4 / 29
Construction d’intervalles de confiance

Soit θn un estimateur ponctuel de θ. On va construire deux types d’intervalles de


confiance :
1 I1−α = [θn − ϵ; θn + ϵ] 
=⇒ Trouver ϵ > 0/ Pθ θn − ϵ ≤ θ ≤ θn + ϵ = 1 − α

⇐⇒ Trouver ϵ > 0/ P θn ∈ [θ − ϵ, θ + ϵ] = 1 − α
=⇒ Déterminer la distribution échantillonnale (loi) de θn et en particulier les
quantiles de cette loi

2 I1−α = [ϵ1 θn ; ϵ2 θn ] (cas où θ > 0) 


=⇒ Trouver 0 < ϵ1 < 1 < ϵ2 / Pθ ϵ1 θn ≤ θ ≤ ϵ2 θn = 1 − α
=⇒ Trouver 0 < ϵ1 < 1 < ϵ2 / P θn ∈ [ ϵθ2 , ϵθ1 ] = 1 − α
=⇒ Déterminer la distribution échantillonnale (loi) de θn et en particulier les
quantiles de cette loi

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 4 / 29
Plan du chapitre

Construction d’intervalles de confiance pour :

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 5 / 29
Plan du chapitre

Construction d’intervalles de confiance pour :

1
Pn
La moyenne m en se basant sur Xn = n i=1 Xi

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 5 / 29
Plan du chapitre

Construction d’intervalles de confiance pour :

1
Pn
La moyenne m en se basant sur Xn = n i=1 Xi

2
La variance
Pn σ (lorsque 2la moyenne m est connue) en se basant sur
2 1
Sn = n i=1 (Xi − m)

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 5 / 29
Plan du chapitre

Construction d’intervalles de confiance pour :

1
Pn
La moyenne m en se basant sur Xn = n i=1 Xi

2
La variance
Pn σ (lorsque 2la moyenne m est connue) en se basant sur
2 1
Sn = n i=1 (Xi − m)

La variancePσ 2 (lorsque la moyenne m est inconnue) en se basant sur


1 n 2
σn2 = n−1 i=1 (Xi − Xn )

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 5 / 29
Plan du chapitre

Construction d’intervalles de confiance pour :

1
Pn
La moyenne m en se basant sur Xn = n i=1 Xi

2
La variance
Pn σ (lorsque 2la moyenne m est connue) en se basant sur
2 1
Sn = n i=1 (Xi − m)

La variancePσ 2 (lorsque la moyenne m est inconnue) en se basant sur


1 n 2
σn2 = n−1 i=1 (Xi − Xn )

La probabilité p (cas d’un modèle de Bernouilli) en se basant sur fn = Xn

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 5 / 29
Quantiles

Définition
Un quantile d’ordre α ∈]0, 1[ d’une loi de probabilité donnée par une fonction de
répartition F est la valeur :

qα := inf{t ∈ R : F (t) ≥ α}

Théorème : Cas des variables aléatoires continues


Si X est une variable aléatoire continue alors pour α ∈]0, 1[, on a :

qα = FX−1 (α)

Exemple
Si X ∼ E(2), le quantile d’ordre 0.9 est :

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 6 / 29
Quantiles

Définition
Un quantile d’ordre α ∈]0, 1[ d’une loi de probabilité donnée par une fonction de
répartition F est la valeur :

qα := inf{t ∈ R : F (t) ≥ α}

Théorème : Cas des variables aléatoires continues


Si X est une variable aléatoire continue alors pour α ∈]0, 1[, on a :

qα = FX−1 (α)

Exemple
Si X ∼ E(2), le quantile d’ordre 0.9 est : q0.9 = ln(10)/2 = 1.1512

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 6 / 29
Quantiles de la loi N (0, 1)

Les quantiles de la loi N (0, 1) , qα , peuvent être lues à partir de la table de la


fonction de répartition de la loi N (0, 1)

x 0.00 0.01 0.02 0.03 0.04 0.05 ...


0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 ...
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 ...
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 ...
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 ...
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 . . .
... ... ... ... ... ... ... ...
Lecture de la table :
FX (0.32) = FX (0.3 + 0.02) = 0.6255 q0.67 = 0.4 + 0.04 = 0.44

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 7 / 29
Loi du χ2 et loi de Student

Loi du χ2
Soient X1 , . . . , Xn n v.a. i.i.d. de même loi N (0, 1). Soit Y la v.a. définie par :

Y = X12 + . . . + Xn2 .

On dit que Y suit la loi du χ2 à n degrés de libertés et on note Y ∼ χ2 (n)

Loi de Student
Soient U et V deux v.a. indépendantes telles que U ∼ N (0, 1) et V ∼ χ2 (n).
Soit T la v.a. définie par
U
T =q .
V
n

On dit que T suit la loi de Student à n degrés de libertés et on note T ∼ t(n)

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 8 / 29
Détermination pratique des quantiles de la loi du χ2
On note χ(n,α) le quantile d’ordre α de la loi du χ2 .
Les quantiles de la loi du χ2 sont lues à partir de la table suivante :

n \α 0,01 0,025 0,05 0,10 0,90 0,95 0,975


1 0,0002 0,001 0,0039 0,0158 2,706 3,841 5,024
2 0,020 0,051 0,103 0,211 4,605 5,991 7,376
3 0,115 0,216 0,352 0,584 6,251 7,815 9,348
4 0,297 0,484 0,711 1,064 7,779 9,488 11,143
5 0,554 0,831 1,145 1,610 9,236 11,070 12.833
6 0,872 1,237 1,635 2,204 10,645 12,592 14,449
7 1,239 1,690 2,167 2,833 12,017 14,067 16,013
8 1,646 2,180 2,733 3,490 13,362 15,507 17,535
9 2,088 2,700 3,325 4,168 14,684 16,919 19,023
10 2,558 3,247 3,940 4,865 15,987 18,307 20,483
11 3,053 3,816 4,575 5,578 17,275 19,675 21,920
12 3,571 4,404 5,226 6,304 18,549 21,026 23,337

Exemple : Si X ∼ χ2 (5) alors χ(5,0.95) = 11.07


Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 9 / 29
Fonction de répartition et quantiles de la loi de Student
Soit T une v.a. qui suit la loi t(n). Sa fonction de répartition FT (a) vérifie :
FT (−a) = 1 − FT (a)
P(T ≥ −a) = FT (a) (La loi de Student est symétrique)
P(|T | ≤ a) = 2FT (a) − 1, a ≥ 0

n\α 0.75 0.8 0.85 0.9 0.95 0.975 0.98 0.99


1 1.000 1.376 1.963 3.078 6.314 12.706 15.89 31.821
2 0.8165 1.061 1.386 1.886 2.920 4.303 4.849 6.965
3 0.7649 0.9785 1.250 1.638 2.353 3.182 3.482 4.541
4 0.7407 0.9410 1.190 1.533 2.132 2.776 2.999 3.747
5 0.7267 0.9195 1.156 1.476 2.015 2.571 2.757 3.365
6 0.7176 0.9057 1.134 1.440 1.943 2.447 2.612 3.143
7 0.7111 0.8960 1.119 1.415 1.895 2.365 2.517 2.998
8 0.7064 0.8889 1.108 1.397 1.860 2.306 2.449 2.896
9 0.7027 0.8834 1.100 1.383 1.833 2.262 2.398 2.821
10 0.6998 0.8791 1.093 1.372 1.812 2.228 2.359 2.764
12 0.6955 0.8726 1.083 1.356 1.782 2.179 2.303 2.681

Exemple : Si X ∼ t(4) alors le quantile d’ordre 0.85 et X est t(4,0.85) = 1.19


Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 10 / 29
Distributions échantillonnales (1)
Espérance et variance de Xn
σ2
E (Xn ) = m ; Var (Xn ) =
n

n(Xn −m)
Lois de Xn et de σ
: Cas d’un échantillon de loi N (m, σ 2 )
Si X1 ∼ N (m1 , σ12 ) et X2 ∼ N (m2 , σ22 ) sont indépendantes alors
X1 + X2 ∼ N (m1 + m2 , σ12 + σ22 )
Soit (X1 , . . . , Xn ) un échantillon de loi N (m, σ 2 ). On a alors
 
σ2
▶ Xn ∼ N m, n

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 11 / 29
Distributions échantillonnales (1)
Espérance et variance de Xn
σ2
E (Xn ) = m ; Var (Xn ) =
n

n(Xn −m)
Lois de Xn et de σ
: Cas d’un échantillon de loi N (m, σ 2 )
Si X1 ∼ N (m1 , σ12 ) et X2 ∼ N (m2 , σ22 ) sont indépendantes alors
X1 + X2 ∼ N (m1 + m2 , σ12 + σ22 )
Soit (X1 , . . . , Xn ) un échantillon de loi N (m, σ 2 ). On a alors
 
σ2
▶ Xn ∼ N m, n
Montrer ce résultat

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 11 / 29
Distributions échantillonnales (1)
Espérance et variance de Xn
σ2
E (Xn ) = m ; Var (Xn ) =
n

n(Xn −m)
Lois de Xn et de σ
: Cas d’un échantillon de loi N (m, σ 2 )
Si X1 ∼ N (m1 , σ12 ) et X2 ∼ N (m2 , σ22 ) sont indépendantes alors
X1 + X2 ∼ N (m1 + m2 , σ12 + σ22 )
Soit (X1 , . . . , Xn ) un échantillon de loi N (m, σ 2 ). On a alors
 
σ2
▶ Xn ∼ N m, n
Montrer ce résultat

n(Xn −m)

σ
∼ N (0, 1)

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 11 / 29
Distributions échantillonnales (1)
Espérance et variance de Xn
σ2
E (Xn ) = m ; Var (Xn ) =
n

n(Xn −m)
Lois de Xn et de σ
: Cas d’un échantillon de loi N (m, σ 2 )
Si X1 ∼ N (m1 , σ12 ) et X2 ∼ N (m2 , σ22 ) sont indépendantes alors
X1 + X2 ∼ N (m1 + m2 , σ12 + σ22 )
Soit (X1 , . . . , Xn ) un échantillon de loi N (m, σ 2 ). On a alors
 
σ2
▶ Xn ∼ N m, n
Montrer ce résultat

n(Xn −m)

σ
∼ N (0, 1)


n(Xn −m)
Lois de Xn et de σ
: Cas d’un échantillon de loi quelconque

n(Xn −m) Loi
TLC : σ −−−−−→ N (0, 1)
n→+∞  2
 √
n(Xn −m)
Pour n ≥ 30, on supposera que : Xn ∼ N m, σn ; σ ∼ N (0, 1)
Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 11 / 29
DistributionsPéchantillonnales (2) 2
1 n 2 1
Pn
Rappel : Sn2 = n i=1 (Xi − m) et σn2 = n−1 i=1 Xi − Xn

Théorème : Lois des variances empiriques Sn2 et σn2


Soit (X1 , . . . , Xn ) un échantillon de loi N (m, σ 2 ). On a alors
Pn 2
i=1 (Xi −Xn )
(n−1)σn 2

σ 2 = σ2
∼ χ2 (n − 1)
n.Sn2 2
= ni=1 Xi σ−m ∼ χ2 (n)
P

σ2

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 12 / 29
DistributionsPéchantillonnales (2) 2
1 n 2 1
Pn
Rappel : Sn2 = n i=1 (Xi − m) et σn2 = n−1 i=1 Xi − Xn

Théorème : Lois des variances empiriques Sn2 et σn2


Soit (X1 , . . . , Xn ) un échantillon de loi N (m, σ 2 ). On a alors
Pn 2
i=1 (Xi −Xn )
(n−1)σn 2

σ 2 = σ2
∼ χ2 (n − 1)
n.Sn2 2
= ni=1 Xi σ−m ∼ χ2 (n) Montrer ce résultat
P

σ2

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 12 / 29
DistributionsPéchantillonnales (2) 2
1 n 2 1
Pn
Rappel : Sn2 = n i=1 (Xi − m) et σn2 = n−1 i=1 Xi − Xn

Théorème : Lois des variances empiriques Sn2 et σn2


Soit (X1 , . . . , Xn ) un échantillon de loi N (m, σ 2 ). On a alors
Pn 2
i=1 (Xi −Xn )
(n−1)σn 2

σ 2 = σ2
∼ χ2 (n − 1)
n.Sn2 2
= ni=1 Xi σ−m ∼ χ2 (n) Montrer ce résultat
P

σ2


n(Xn −m)
Théorème : Loi de σn
Si la loi de l’échantillon est N (m, σ 2 ) alors

n(Xn − m)
∼ t(n − 1) .
σn
Si l’échantillon est de loi quelconque et n ≥ 30 alors :

n(Xn − m)
∼ N (0, 1) .
σn
Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 12 / 29
DistributionsPéchantillonnales (2) 2
1 n 2 1
Pn
Rappel : Sn2 = n i=1 (Xi − m) et σn2 = n−1 i=1 Xi − Xn

Théorème : Lois des variances empiriques Sn2 et σn2


Soit (X1 , . . . , Xn ) un échantillon de loi N (m, σ 2 ). On a alors
Pn 2
i=1 (Xi −Xn )
(n−1)σn 2

σ 2 = σ2
∼ χ2 (n − 1)
n.Sn2 2
= ni=1 Xi σ−m ∼ χ2 (n) Montrer ce résultat
P

σ2


n(Xn −m)
Théorème : Loi de σn
Si la loi de l’échantillon est N (m, σ 2 ) alors

n(Xn − m)
∼ t(n − 1) .
σn
Si l’échantillon est de loi quelconque et n ≥ 30 alors :

n(Xn − m)
∼ N (0, 1) . Montrer ce résultat
σn
Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 12 / 29
DistributionsPéchantillonnales (2) 2
1 n 2 1
Pn
Rappel : Sn2 = n i=1 (Xi − m) et σn2 = n−1 i=1 Xi − Xn

Théorème : Lois des variances empiriques Sn2 et σn2


Soit (X1 , . . . , Xn ) un échantillon de loi N (m, σ 2 ). On a alors
Pn 2
i=1 (Xi −Xn )
(n−1)σn 2

σ 2 = σ2
∼ χ2 (n − 1)
n.Sn2 2
= ni=1 Xi σ−m ∼ χ2 (n) Montrer ce résultat
P

σ2


n(Xn −m)
Théorème : Loi de σn
Si la loi de l’échantillon est N (m, σ 2 ) alors

n(Xn − m)
∼ t(n − 1) .
σn
Si l’échantillon est de loi quelconque et n ≥ 30 alors :

n(Xn − m)
∼ N (0, 1) . Montrer ce résultat
σn
Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 12 / 29
Intervalles de confiance de la moyenne

L’intervalle de confiance de la moyenne m s’écrit I1−α (m) = (Xn − ϵ; Xn + ϵ)

On va distinguer 4 cas :
1 Echantillon Gaussien de loi N (m, σ 2 ) :
1 Cas où σ 2 est connue
2 Cas où σ 2 est inconnue

2 Echantillon de loi quelconque :


1 Cas où σ 2 est connue
2 Cas où σ 2 est inconnue

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 13 / 29
Intervalle de confiance de la moyenne de la loi N (m, σ 2 )
Cas où la variance σ 2 est connue


n(Xn − m)
∼ N (0, 1)
σ
w

 
σ σ
I1−α (m) = Xn − √ q1− α2 , Xn + √ q1− α2
n n
α
où q1− α2 est le quantile d’ordre 1 − 2 de la loi N (0, 1).

Exercice
1. Montrer ce résultat.
2. Déduire l’expression de l’intervalle de confiance de niveau 0.95.

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 14 / 29
Application

On suppose que le poids d’un nouveau né est une variable aléatoire normale
d’écart-type égal à 0.5 kg. Au mois de janvier 2004 dans un hôpital donné, on
observe 25 enfants nés dont le poids moyen (la moyenne empirique) Xn = 3.6 kg.

Déterminer un intervalle de confiance de niveau de confiance 95% pour la


moyenne m du poids d’un nouveau né ?

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 15 / 29
Intervalle de confiance de la moyenne de la loi N (m, σ 2 )
Cas où la variance σ 2 est inconnue

n(Xn − m)
∼ t(n − 1)
σn
w


 
σn σn
I1−α (m) = Xn − √ t(1− α2 ,n−1) , Xn + √ t(1− α2 ,n−1)
n n

où q
1
Pn 2
σn = n−1 i=1 Xi − Xn est l’écart-type empirique ;
α
t(1− α2 ,n−1) est le quantile d’ordre 1 − 2 de la loi de Student t(n − 1).

Exercice
Montrer ce résultat.

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 16 / 29
Application

Le chiffre d’affaire mensuel d’une entreprise suit une loi normale de moyenne m et
d’écart-type σ inconnus. Sur les 12 derniers mois, on a observé une moyenne des
chiffres d’affaires égale à 30 000 dinars avec un écart-type empirique σn = 6000
dinars.
Donner une estimation de m par intervalle de confiance de niveau 0.95.

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 17 / 29
Intervalle de confiance de la moyenne de la loi quelconque
Cas où la variance σ 2 est connue et n ≥ 30


n(Xn − m) Loi
TLC : −−−−−→ N (0, 1)
σn n→+∞
w


n(Xn −m)
Pour n ≥ 30, on supposera que σ ∼ N (0, 1)
w

 
σ σ
I1−α (m) = Xn − √ q1− 2 , Xn +
α √ q1− 2
α
n n

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 18 / 29
Application

On suppose que le poids d’un nouveau né est une variable aléatoire d’écart-type
égal à 0.5 kg. Le poids moyen des 49 enfants nés au mois de janvier 2004 dans un
hôpital a été de 3.6 kg.
Déterminer un intervalle de confiance à 90% pour le poids moyen d’un nouveau né
dans cet hôpital.

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 19 / 29
Intervalle de confiance de la moyenne de la loi quelconque
Cas où la variance σ 2 est inconnue et n ≥ 30

n(Xn − m) Loi
−−−−−→ N (0, 1)
σn n→+∞
w


n(Xn −m)
Pour n ≥ 30, on supposera que σn ∼ N (0, 1)
w


 
σn σn
I1−α (m) = Xn − √ q1− α2 , Xn + √ q1− α2
n n
q Pn 2
1
où σn = n−1 i=1 Xi − Xn est l’écart-type empirique.

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 20 / 29
Application

Dans un centre avicole, des études antérieures ont montré que la masse d’un œuf
choisi au hasard peut être considérée comme la réalisation d’une variable aléatoire
X , de moyenne et de variance inconnus. On admet que les masses des œufs sont
indépendantes les unes des autres. On prend un échantillon de taille n = 36 œufs
que l’on pèse. La moyenne empirique est égale à 55.083 et l’écart-type empirique
σn = 2.683.

Déterminer l’intervalle de confiance de niveau 98% de la masse moyenne d’un œuf.

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 21 / 29
Intervalles de confiance pour la moyenne
Résumé

 
un un
I1−α (m) = Xn − √ ; Xn + √
n n

Loi de l’échantillon
I1−α (m)
N (m, σ 2 ) Loi quelconque ; n ≥ 30
 
σ 2 connue Xn − √σ q1− α , Xn + √σ q1− α
n 2 n 2
   
σ 2 inconnue Xn − σn n−1
√ t
n (1− α ) , Xn + σn n−1
√ t
n (1− α ) Xn − σn
√ q α , Xn
n 1− 2
+ σn
√ q α
n 1− 2
2 2

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 22 / 29
Intervalle de confiance pour une proportion

Objectif : Déterminer un intervalle de confiance pour une proportion


Méthode :
▶ Considérer un échantillon (X1 , . . . , Xn ) de Bernoulli de paramètre p.
▶ Déterminer un intervalle de confiance pour p = E (X1 ) en utilisant son
estimateur ponctuel : la fréquence empirique fn = Xn .
Si n ≥ 30, np > 5 et n(1 − p) > 5, alors l’intervalle de confiance pour une
proportion p s’écrit :
 q q 
Xn (1 − Xn ) Xn (1 − Xn )
I1−α (p) = Xn − √ q1− α2 , Xn + √ q1− α2 
n n

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 23 / 29
Application

Sur 500 personnes interrogées, 274 ont déclaré qu’elles voteraient pour le candidat
A.

Donner une estimation de p la proportion de personnes favorables au candidat A


dans la population par intervalle de confiance au niveau de signification 95%.

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 24 / 29
Intervalles de confiance de la variance

L’intervalle de confiance de la variance σ 2 s’écrit

I1−α (σ 2 ) = (ϵ1 θn ; ϵ2 θn ) ,

où θn est un estimateur de σ 2 .

On va déterminer l’intervalle de confiance de la variance d’un échantillon de loi


normale N (m, σ 2 ).
On va distinguer 2 cas :
1 Cas où la moyenne m est connue
2 Cas où la moyenne m est inconnue

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 25 / 29
Intervalle de confiance de la variance de la loi N (m, σ 2 )
Cas où la moyenne m est connue
n.Sn2
θn = Sn2 ; ∼ χ2 (n)
σ2
w

" #
2 n n
I1−α (σ ) = Sn2 , Sn2
χ(1− α2 ,n) χ( α2 ,n)
~

"P #
n 2 Pn 2
(Xi − m) i=1 (Xi − m)
I1−α (σ 2 ) = i=1
,
χ(1− α2 ,n) χ( α2 ,n)

Exercice
1. Montrer ce résultat.
2. Donner l’expression de cet intervalle pour α = 0.1 et n = 20.
Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 26 / 29
Application

Une usine fabrique des câbles. La masse maximale en tonnes supportée par un
câble est une variable aléatoire réelle X suivant la loi normale de moyenne
m = 12.2 et d’écart-type inconnu. Une étude portant sur un échantillon de 20
câbles a donné une variance des charges maximales supportées égales à 2.2 tonnes.

Déterminer un intervalle de confiance de σ 2 pour un niveau de confiance 90%.

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 27 / 29
Intervalle de confiance de la variance de la loi N (m, σ 2 )
Cas où la moyenne m est inconnue

(n − 1)σn2
θn = σn2 ; ∼ χ2 (n − 1)
σ2
w

" #
n −1 n −1
I1−α (σ 2 ) = σn2 , σn2
χ(1− α2 ,n−1) χ( α2 ,n−1)
~

" Pn 2 Pn 2 #
i=1 Xi − Xn i=1 Xi − Xn
I1−α (σ 2 ) = ,
χ(1− α2 ,n−1) χ( α2 ,n−1)

où χ(β,n) est le quantile d’ordre β de la loi de χ2n .

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 28 / 29
Application

On étudie la résistance à l’éclatement d’un certain type de réservoir. On suppose


que cette résistance suit un loi normale de moyenne m et écart-types inconnus. Au
cours d’essais sur un échantillon de 15 réservoirs, on a relevé une variance
empirique moyenne de la résistance de σ15 2 = 4.1kg/cm 2 .

Donner un intervalle de confiance de la variance σ 2 à 95% pour la résistance.

Mohamed JEBALIA (ENIB) Estimation paramétrique par intervalles de confiance 18 avril 2022 29 / 29

Vous aimerez peut-être aussi