chp5 Presentation_Cours_Estimation_Intervalles

Estimation paramètrique par intervalles de confiance
Mohamed JEBALIA
Ecole Nationale d’Ingénieurs de Bizerte - Université de Carthage - Tunisie
30 mars 2022
Mohamed JEBALIA (ENIB) Estimation paramètrique par intervalles de confiance 30 mars 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
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
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%,. . .
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
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
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
Plan du chapitre
Construction d’intervalles de confiance pour :
Plan du chapitre
1
Pn
La moyenne m en se basant sur Xn = n i=1 Xi
Plan du chapitre
1
Pn
2
La variance
Pn σ (lorsque 2la moyenne m est connue) en se basant sur
2 1
Sn = n i=1 (Xi − m)
Plan du chapitre
1
Pn
2
La variance
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 )
Plan du chapitre
1
Pn
2
La variance
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
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 :
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
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
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)
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

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

Distributions échantillonnales (1)
Espérance et variance de Xn
E (Xn ) = m ; Var (Xn ) = σ 2
√
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
E (Xn ) = m ; Var (Xn ) = σ 2
√
n(Xn −m)
Lois de Xn et de σ
X1 + X2 ∼ N (m1 + m2 , σ12 + σ22 )

σ2
▶ Xn ∼ N m, n
Montrer ce résultat
E (Xn ) = m ; Var (Xn ) = σ 2
√
n(Xn −m)
Lois de Xn et de σ
X1 + X2 ∼ N (m1 + m2 , σ12 + σ22 )

σ2
▶ Xn ∼ N m, n
√
n(Xn −m)
▶
σ
∼ N (0, 1)
E (Xn ) = m ; Var (Xn ) = σ 2
√
n(Xn −m)
Lois de Xn et de σ
X1 + X2 ∼ N (m1 + m2 , σ12 + σ22 )

σ2
▶ Xn ∼ N m, n
√
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)
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

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
1 n 2 1
Pn

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
1 n 2 1
Pn

Pn 2
i=1 (Xi −Xn )
(n−1)σn 2
▶
σ 2 = σ2
∼ χ2 (n − 1)
n.Sn2 2
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
1 n 2 1
Pn

Pn 2
i=1 (Xi −Xn )
(n−1)σn 2
▶
σ 2 = σ2
∼ χ2 (n − 1)
n.Sn2 2
P
▶
σ2
√
n(Xn −m)
√
n(Xn − m)
∼ t(n − 1) . Montrer ce résultat
σn
1 n 2 1
Pn

Pn 2
i=1 (Xi −Xn )
(n−1)σn 2
▶
σ 2 = σ2
∼ χ2 (n − 1)
n.Sn2 2
P
▶
σ2
√
n(Xn −m)
√
n(Xn − m)
σn
Si l’échantillon est de loi quelconque et n ≥ 30 alors :
√
n(Xn − m)
∼ N (0, 1) .
σn
1 n 2 1
Pn

Pn 2
i=1 (Xi −Xn )
(n−1)σn 2
▶
σ 2 = σ2
∼ χ2 (n − 1)
n.Sn2 2
P
▶
σ2
√
n(Xn −m)
√
n(Xn − m)
σn
√
n(Xn − m)
∼ N (0, 1) . Montrer ce résultat
σn
1 n 2 1
Pn

Pn 2
i=1 (Xi −Xn )
(n−1)σn 2
▶
σ 2 = σ2
∼ χ2 (n − 1)
n.Sn2 2
P
▶
σ2
√
n(Xn −m)
√
n(Xn − m)
σn
√
n(Xn − m)
∼ N (0, 1) . Montrer ce résultat
σn
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
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.
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.
1 Déterminer un intervalle de confiance de niveau de confiance 95% pour la
moyenne m du poids d’un nouveau né ?
2 Quel serait le nombre d’enfants observés pour que l’intervalle de confiance de
niveau 95% soit de longueur 0.1 ?
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 = 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.
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.
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 = Xn − √ q1− 2 , Xn + √ q1− 2
α α
n n
Exercice
Montrer ce résultat.
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.
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 = 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.
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.
Intervalles de confiance pour la moyenne
Résumé

un un
I1−α (m) = Xn − √ ; Xn + √
n n
Loi de l’échantillon
I1−α
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
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 Xn .
Si np > 5 et n(1 − p) > 5 (ou n grand), 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
Application
Sur 500 personnes interrogées, 274 ont déclaré qu’elles voteraient pour le candidat
A.
1. 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%.
2. Pour quel degré de confiance a-t-on la borne inférieure exactement égale à
50% ?
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
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
χ2(1− α ,n) χ2( α ,n)
2 2
~

"P #
n 2 Pn 2
i=1 (Xi − m) i=1 (Xi − m)
I1−α (σ 2 ) = 2 ,
χ(1− α ,n) χ2( α ,n)
2 2
Exercice
1. Montrer ce résultat.
2. Donner l’expression de cet intervalle pour α = 0.1 et n = 10.
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%.
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
χ2(1− α ,n−1) χ2( α ,n−1)
2 2
~

" Pn 2 Pn 2 #
i=1 Xi − Xn i=1 Xi − Xn
I1−α (σ 2 ) = ,
χ2(1− α ,n−1) χ2( α ,n−1)
2 2
où χ(β,n) est le quantile d’ordre β de la loi de χ2n .
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.

chp5 Presentation_Cours_Estimation_Intervalles

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

chp5 Presentation_Cours_Estimation_Intervalles

Transféré par

Droits d'auteur :

Formats disponibles

Estimation paramètrique par intervalles de confiance

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

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

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

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

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

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

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

Construction d’intervalles de confiance pour :

Construction d’intervalles de confiance pour :

Construction d’intervalles de confiance pour :

Construction d’intervalles de confiance pour :

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

Construction d’intervalles de confiance pour :

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

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

Théorème : Cas des variables aléatoires continues

Théorème : Cas des variables aléatoires continues

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

x 0.00 0.01 0.02 0.03 0.04 0.05 ...

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

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

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

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

n\α 0.75 0.8 0.85 0.9 0.95 0.975 0.98 0.99

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

Théorème : Lois des variances empiriques Sn2 et σn2

Théorème : Lois des variances empiriques Sn2 et σn2

Théorème : Lois des variances empiriques Sn2 et σn2

Théorème : Lois des variances empiriques Sn2 et σn2

Théorème : Lois des variances empiriques Sn2 et σn2

Théorème : Lois des variances empiriques Sn2 et σn2

Théorème : Lois des variances empiriques Sn2 et σn2

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

2 Echantillon de loi quelconque :

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

Objectif : Déterminer un intervalle de confiance pour une proportion

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

où θn est un estimateur de σ 2 .

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

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

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

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

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

Vous aimerez peut-être aussi