UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE

U.F.R. SEGMI Année universitaire 2019 – 2020

L2 Économie Cours de B. Desgraupes

Méthodes Statistiques

Séance 04: Intervalles de confiance II

Table des matières

1 Estimation d’une moyenne dans le cas normal 1

2 Estimation d’une moyenne dans le cas général 3

3 Estimation d’une proportion 6

4 Table de Student 8

1 Estimation d’une moyenne dans le cas normal

Problème
Dans une chaı̂ne de fabrication de conserves de légumes, les boı̂tes de conserve
sont remplies par une machine. Le directeur de l’usine souhaiterait contrôler
le poids des boı̂tes à la sortie de la chaı̂ne de fabrication. On sélectionne au
hasard 15 boı̂tes de conserve que l’on pèse; on observe un poids moyen de 814.3
grammes avec un écart-type de 33.6 grammes.

Contexte statistique

Population : Ensemble des boı̂tes de conserve produites par la chaı̂ne de pro-

duction.
Variable : Poids en grammes.
Paramètre : m = poids moyen de l’ensemble des boı̂tes de conserve produites
par la chaı̂ne de production.

m inconnu
Hypothèse sur X : X ∼ N (m, σ), σ inconnu
On suppose que X suit une loi normale dont on ne connaı̂t pas les paramètres !

1
Intervalle de confiance
Objectif: Étant donné un échantillon X1 , . . . , Xn de X et une valeur α ∈
]0, 1[, construire un intervalle aléatoire IC(X1 , . . . , Xn ) tel que

P (m ∈ IC(X1 , . . . , Xn )) = 1 − α

L’intervalle IC(X1 , . . . , Xn ) est appelé un intervalle de confiance à 1 − α sur

m.

n = 15, α = 0.05 (=5%).

Estimateur de m
Estimateur de m : moyenne empirique X̄n .
X̄15 = moyenne empirique de X observée sur les échantillons de taille 15
Théorème 1.1 (Rappel). Dans le cas d’un échantillon de lois normales, on
connaı̂t la distribution exacte de X̄n :
 
σ
X̄n ∼ N m, √
n

Problème
on ne connaı̂t pas la valeur de σ !

Estimateur de σ
Rappel du chapitre 2 : il y a deux estimateurs d’une variance : la variance
empirique Sn2 et la variance empirique modifiée s2n .
Théorème 1.2 (Rappel). Dans le cas d’un échantillon de lois normales, on
connaı̂t la distribution exacte de s2n :
s2n suit une loi du χ2 à n − 1 degrés de liberté.

Résultat principal
Mais le résultat principal est le suivant :
Théorème 1.3. Dans le cas d’un échantillon de lois normales de moyenne m,
√ X̄n − m
la variable Tn−1 = n suit une loi de Student à n − 1 degrés de liberté
p sn
où sn = s2n est l’écart-type empirique modifié.

n = 15,
s215 = variance empirique modifiée de X observée sur les échantillons de taille
15.
√ X̄15 − m
T14 = 15 suit une loi de Student à 14 degrés de liberté.
s15

2
Intervalle de confiance
Par des calculs similaires à ceux présentés dans le chapitre précédent pour
établir la forme de l’intervalle de confiance sur une moyenne dans le cas où
X ∼ N (m, σ) avec σ inconnu, on montre que
Théorème 1.4.
h sn  α i
IC(X1 , . . . , Xn ) = X̄n ± √ QTn−1 1 −
n 2

où Tn−1 est une variable aléatoire suivant une loi de student à n − 1 degrés de
liberté (en abrégé ddl).

Application
n = 15
α = 0.05
QT14 (0.975) = 2.145 (table)
h s15 i
IC(X1 , . . . , X15 ) = X̄15 ± √ × 2.145
15
Cet intervalle correspond à la probabilité suivante :
 
s15 s15
P X̄15 − 2.145 × √ ≤ m ≤ X̄15 + 2.145 × √ = 0.95
15 15

Application numérique

Valeur observée de X̄15 = 814.3

q
15
Valeur observée de s15 = 15−1 × 33.6 = 34.8
Réalisation de l’intervalle IC(X1 , . . . , X15 ) :
h 34.8 i h i
814.3 ± √ × 2.145 = 795, 833.6
15

2 Estimation d’une moyenne dans le cas général

Problème
Une mairie souhaite estimer la surface moyenne des appartements dans une
commune. On choisit au hasard 39 appartements dont on mesure la surface; on
observe une surface moyenne de 74 m2 avec un écart-type de 50.4 m2 .

3
Contexte statistique

Population : Ensemble des appartements de la commune

Variable : Surface en m2
Paramètre : m = surface moyenne de l’ensemble des appartements de la com-
mune

m inconnu
Hypothèse sur X : X ∼ loi quelconque
On ne connaı̂t pas la distribution de X !

Approximation normale
On ne connait pas la distribution exacte de X̄n , Sn2 et s2n dans ce cas !
Toutefois, on a la convergence suivante :
Théorème 2.1.
√ X̄n − m L
n −→ N (0, 1)
Sn
p
où Sn = Sn2 est l’écart-type empirique.

Approximation normale
Le résultat précédent dit que, quand n est grand, pour tout réel z

√ X̄n − m
 
P n ≤ z ' P (Z ≤ z) où Z ∼ N (0, 1).
Sn

Condition sur la taille de l’échantillon pour considérer qu’il y a égal-

ité
Grands échantillons : n ≥ 30

Intervalle de confiance
Étant donné un échantillon X1 , . . . , Xn de X, on appelle intervalle de confi-
ance à 1−α l’intervalle aléatoire IC(X1 , . . . , Xn ) donné dans l’énoncé ci-dessous
:
Théorème 2.2.
h Sn  α i
IC(X1 , . . . , Xn ) = X̄n ± √ QZ 1 −
n 2

où Z est une variable aléatoire suivant une loi normale centrée réduite.

4
Application
n = 39 ≥ 30
α = 0.05
QZ (0.975) = 1.96 (table)
h S39 i
IC(X1 , . . . , X39 ) = X̄39 ± √ × 1.96
39
Cet intervalle correspond à la probabilité suivante :
 
S39 S39
P X̄39 − 1.96 × √ ≤ m ≤ X̄39 + 1.96 × √ = 0.95
39 39

Application numérique
Valeur observée de X̄39 = 74
Valeur observée de S39 = 50.4
Réalisation de l’intervalle IC(X1 , . . . , X39 ) :
h 50.4 i h i
74 ± √ × 1.96 = 58.2, 89.8
39

5
3 Estimation d’une proportion
Problème
Un maire s’inquiète au sujet de sa réélection lors des prochaines élections munic-
ipales. On choisit au hasard 426 électeurs que l’on interroge sur leurs intentions
de vote ; 201 des 426 électeurs déclarent avoir l’intention de voter pour le maire
sortant lors des prochaines élections municipales.

Contexte statistique

Population : Ensemble des électeurs de la commune

Variable : Intention de vote codée par une variable X de Bernoulli,
• X = 1 : l’intention de l’électeur est de voter pour le maire sortant
aux prochaines élections municipales ;
• X = 0 : l’intention de l’électeur n’est pas de voter pour le maire
sortant aux prochaines élections municipales.
Paramètre : p = proportion d’électeurs ayant l’intention de voter pour le
maire sortant aux prochaines élections municipales = E(X)

p inconnu
Hypothèse sur X : X ∼ B(p)
On suppose que X suit une loi de Bernoulli dont on ne connaı̂t pas le
paramètre !

Estimateur de m
Estimateur de p : la fréquence empirique Fn .
F426 = fréquence empirique d’électeurs ayant l’intention de voter pour le maire
sortant observée sur les échantillons de taille 426.
201
Valeur observée de F426 : f = = 0.472
426

Distribution de Fn ?
Bien qu’on connaisse la distribution exacte de Fn , nous allons – dans ce
cours – nous restreindre au cas des grands échantillons et utiliser le résultat de
convergence suivant :
Théorème 3.1.
√ Fn − p L
np −→ N (0, 1)
Fn (1 − Fn )

6
Approximation normale
Quand n est grand, pour tout réel z
!
√ Fn − p
P np ≤z ' P (Z ≤ z) où Z ∼ N (0, 1).
Fn (1 − Fn )

Dans ce cours
Grand échantillon : n ≥ 30.

Intervalle de confiance
Étant donné un échantillon X1 , . . . , Xn de X, on appelle intervalle de confi-
ance à 1−α l’intervalle aléatoire IC(X1 , . . . , Xn ) donné dans l’énoncé ci-dessous :
Théorème 3.2.
r
h Fn (1 − Fn )  α i
IC(X1 , . . . , Xn ) = Fn ± QZ 1 −
n 2
où Z est une variable aléatoire suivant une loi normale centrée réduite.

Application
n = 426 ≥ 30, α = 0.05, QZ (0.975) = 1.96 (table)
r
h F426 (1 − F426 ) i
IC(X1 , . . . , X426 ) = F426 ± × 1.96
426
r r !
F426 (1 − F426 ) F426 (1 − F426 )
P F426 − ×1.96 ≤ p ≤ F426 + ×1.96
426 426
= 0.95

Valeur observée de F426 = 0.472

Réalisation de l’intervalle IC(X1 , . . . , X39 ) :
r
h 0.472 × (1 − 0.472) i h i
0.472 ± × 1.96 = 0.425, 0.519
426
Conclusion :
Au vu de l’intervalle obtenu, la situation n’est pas désespérée : le maire pour-
rait être réélu puisque la barre des 50% fait partie de l’intervalle de confiance.
À méditer...

Intervalle pour l’écart-type

Les sections précédentes concernaient les intervalles de confiance portant
sur les moyennes et les proportions. On peut aussi établir des intervalles de
confiance sur la variance ou sur l’écart-type.
On reviendra sur cette question dans la séance 7.

7
4 Table de Student
Fonction quantile de la loi de Student

0.6 0.7 0.8 0.9 0.95 0.975 0.99 0.995

1 0.3249 0.7265 1.3764 3.0777 6.3138 12.7062 31.8205 63.6567
2 0.2887 0.6172 1.0607 1.8856 2.9200 4.3027 6.9646 9.9248
3 0.2767 0.5844 0.9785 1.6377 2.3534 3.1824 4.5407 5.8409
4 0.2707 0.5686 0.9410 1.5332 2.1318 2.7764 3.7469 4.6041
5 0.2672 0.5594 0.9195 1.4759 2.0150 2.5706 3.3649 4.0321
6 0.2648 0.5534 0.9057 1.4398 1.9432 2.4469 3.1427 3.7074
7 0.2632 0.5491 0.8960 1.4149 1.8946 2.3646 2.9980 3.4995
8 0.2619 0.5459 0.8889 1.3968 1.8595 2.3060 2.8965 3.3554
9 0.2610 0.5435 0.8834 1.3830 1.8331 2.2622 2.8214 3.2498
10 0.2602 0.5415 0.8791 1.3722 1.8125 2.2281 2.7638 3.1693
11 0.2596 0.5399 0.8755 1.3634 1.7959 2.2010 2.7181 3.1058
12 0.2590 0.5386 0.8726 1.3562 1.7823 2.1788 2.6810 3.0545
13 0.2586 0.5375 0.8702 1.3502 1.7709 2.1604 2.6503 3.0123
14 0.2582 0.5366 0.8681 1.3450 1.7613 2.1448 2.6245 2.9768
15 0.2579 0.5357 0.8662 1.3406 1.7531 2.1314 2.6025 2.9467
16 0.2576 0.5350 0.8647 1.3368 1.7459 2.1199 2.5835 2.9208
17 0.2573 0.5344 0.8633 1.3334 1.7396 2.1098 2.5669 2.8982
18 0.2571 0.5338 0.8620 1.3304 1.7341 2.1009 2.5524 2.8784
19 0.2569 0.5333 0.8610 1.3277 1.7291 2.0930 2.5395 2.8609
20 0.2567 0.5329 0.8600 1.3253 1.7247 2.0860 2.5280 2.8453
21 0.2566 0.5325 0.8591 1.3232 1.7207 2.0796 2.5176 2.8314
22 0.2564 0.5321 0.8583 1.3212 1.7171 2.0739 2.5083 2.8188
23 0.2563 0.5317 0.8575 1.3195 1.7139 2.0687 2.4999 2.8073
24 0.2562 0.5314 0.8569 1.3178 1.7109 2.0639 2.4922 2.7969
25 0.2561 0.5312 0.8562 1.3163 1.7081 2.0595 2.4851 2.7874
26 0.2560 0.5309 0.8557 1.3150 1.7056 2.0555 2.4786 2.7787
27 0.2559 0.5306 0.8551 1.3137 1.7033 2.0518 2.4727 2.7707
28 0.2558 0.5304 0.8546 1.3125 1.7011 2.0484 2.4671 2.7633
29 0.2557 0.5302 0.8542 1.3114 1.6991 2.0452 2.4620 2.7564
30 0.2556 0.5300 0.8538 1.3104 1.6973 2.0423 2.4573 2.7500