Vous êtes sur la page 1sur 33

VIII

Lois de Variables Continues

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
La distribution Normale

• Des changements pour les


0.8 valeurs de la moyenne et
C
la variance entraînent des
changements dans la
forme et la position de la
0.6 distribution normale.
^
frel •

0.4 • A. µ = 4, σ = 1
A
• B. µ = 8, σ = 1

0.2
• C. µ = 8, σ = 0.5

0
2 4 6 8 10 12
Y

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
La Loi Normale ou Loi de Laplace-Gauss

( x−µ ) 2
1 −
p( x ) = e 2σ 2

2π σ 2

( x − np ) 2
1 −
p( x ) = e 2 ( npq )

2π ( npq)
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
La distribution Normale Centrée Réduite

x−µ
• Obtenue en centrant et en Z=
réduisant la distribution. Les σ
valeurs observées sont

Probabilité
converties en valeurs
normales standard (Z)

• La distribution obtenue a une
moyenne µ = 0 et un écart
type σ = 1
-3 -2 -1 0 1 2 3
Z
Observée
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Transformée (Z)
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
La distribution Normale Centrée Réduite

µ ± 2σ
• 68% de l’échantillon contenu
par µ ± σ µ ± 1σ
• 95% contenu par µ ± 1,96σ

Probabilité
x−µ
Z=
σ
-3 -2 -1 0 1 2 3
Z
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
•La probabilité est définie comme une aire sous la
courbe de la fonction de masse

•La probabilité n’existe que pour un intervalle de
valeur !

P(x ≤ -1) = zone orange


Probabilité

P(0,5 ≤ x ≤ 1,5) = zone bleue

-3 -2 -1 0 1 2 3
X

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
•De manière pratique la probabilité est déterminée à
partir de la table de la fonction de répartition de la
Loi Normale Centrée Réduite.

Exemple :

Si x suit une loi Normale N(µ ;σ ) alors Z=(x-µ )/σ suit une une Loi Normale N(0;1)

P(x ≤ -1) = p(z ≤ (-1-µ )/σ )

Si µ = 3,2 et σ = 2,2 alors Z = -1,91

P(z ≤ - 1, 91) = P(Z ≥ 1,91) = 1− Π ( Ζ ≤ 1,91)

La valeur Π (Ζ ≤ 1,91) peut être lue dans la table 1

Π (Ζ ≤ 1,91) = 0,97193 −> P(z ≤ - 1, 91) = 0,02807

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de fluctuation / Intervalle de confiance

L’intervalle de fluctuation est un intervalle de valeurs qui


comprend une proportion donnée des individus d’une
population.

L’intervalle de confiance d’une statistique est un intervalle de


valeurs qui comprend avec une probabilité donnée la valeur
réelle de la statistique.

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalles de fluctuation : problèmes d’estimation

• Intervalle centré sur la moyenne


 µ ± Zσ

• IC à 95% est µ ± 1.96σ

• mais µ et σ sont rarement connus.…


• Remplacer µ et σ par les paramètres de l’échantillon peut entraîner de sérieux


biais.

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalles de fluctuation : problèmes d’estimation

Effectif=1000 Effectif=3
500 150

400
5% 100 23%
300

200
50

100

0 0
0 20 40 60 80 100 0 20 40 60 80 100

Proportion (%) de la population


hors de l ’IC à 95%
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalles de fluctuation : problèmes d’estimation

• Quand la taille de l’échantillon est grande,


les ICs estimés sont près des valeurs
réelles.

• Quand l’effectif est petit, les ICs estimés
sont beaucoup trop petits.

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalles de fluctuation : problèmes d’estimation

IC calculés avec Z
99.9
• Les ICs estimés à partir 99.8
99.9%
des valeurs de Z se

% de la population
99
rapprochent des vrais 98 99%

ICs au fur et à 95
95%
mesure que l’effectif 90
90%
augmente. 80
70 75%
• 50
50%
• Toutefois quand n est 30
10 100 1000 10000
petit, les ICs sont
Effectif de l'échantillon
biaisés.

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
La distribution du t de Student

• distribution des différences entre la 0.4


moyenne de l’échantillon et la
moyenne de la population divisées X −µ dl=1000
par l’écart-type de la moyenne t=

0.3 sµ

• converge vers la distribution normale


standard quand le nombre de ddl
0.2

Y
est élevé


• plus pointue et avec des queues plus 0.1
longues quand le nombre de ddl dl=2
est faible

• 0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
t
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalles de fluctuation calculés avec t

IC calculés avec t
• Quand l’effectif est petit, 99.9
99.8 99.9%
les ICs sont calculés

% de la population
99
en remplaçant Z par la 98
99%

valeur de t de la 95
95%
distribution de Student. 90
90%
80

70 75%

• C’est une amélioration 50


50%
mais quand l’effectif 30
est très petit, les ICs 10 100 1000 10000

sont trop encore trop Effectif de l'échantillon


petits.

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
IX
Intervalle de Confiance de la Moyenne

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance pour la moyenne

Histogramme représentant
200 les moyennes mi des
longueurs d ’aile de mouche
pour 1400 échantillons de 5
150 mouches.
Fréquence

100 On observe une variabilité


des moyennes des différents
échantillons.
50

La distribution des
moyennes suit une loi de
0
40 42 44 46 48 50 52 distribution Normale.
Longueur de l’aile (mm x 10)

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance pour la moyenne

Théorème Central Limite :


Observations
Moyennes des
La distribution des moyennes
échantillons
de k échantillons de taille n,
issus d’une population
conforme à la loi Ν (µ ;σ )

Probabilité
,est conforme à une une loi
normale
σ
N (µ ; )
n x x

En conséquence la distributions des moyennes est


plus étroite que la distributions des observations.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance pour la moyenne

Inégalité de Tchébycheff

P( A ≤ µ ≤ B) ≤ 1 − α
α /2 α /2
Selon la loi Normale de
distribution des moyennes et si µ
A B
l’intervalle est bilatéral, alors :

σ σ
A = µ − Zα / 2 ; B = µ + Zα / 2
n n
Effectif Échantillon Erreur Standard
Variable Normale
Centrée
Université Réduite
Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Erreur-standard de la moyenne

C’est une mesure de la variabilité de l’estimateur de la


moyenne de la population.

– dépend de la variabilité des observations.

– dépend de l ’effectif de l ’échantillon.

)
σ s
sx = ou
n −n1
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance pour la moyenne

En pratique, on ne connaît pas µ et σ , donc on estime ces


paramètres à partir d’un échantillon.
On utilise la Loi de Student à la place de la loi de Normale
Centrée Réduite :

Écart type sans biais

σˆ
(estimateur de l’écart type
de la population

x ± tn −1,α / 2
Moyenne (estimateur de la
moyenne de la population
n Erreur Standard
ou Erreur type

Variable de Student Effectif Échantillon


avec n-1 degrés de
Université Paul CezannePhilip Roche liberté
(01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Exemple

La longueur des fémurs d’une espèce d’aphidés « Pemphigus


populitransversus » a été mesuré sur 25 individus et l’on souhaite connaître
la moyenne de la population et son intervalle de confiance à 95%.

I
C µ=x±tα/2,n−
1⋅s
x
Valeurs brutes
3,8 3,6 4,3 3,5 4,3
n = 25
3,3
3,9
4,3
4,4
3,9
3,8
4,3
4,7
3,8
3,6
x = 4,004
4,1
4,4
4,4
4,1
4,5
3,6
3,6
4,2
3,8
3,9
sx = 0,366
On détermine la valeur de tα /2 pour ddl = 24. L’intervalle de
confiance étant de 95%, le risque est égal à 5%.
sx 0,366
1=
tα/2,n− 2,06
4 s x = = = 0,0747
n − 1 4,899

ICµ = 4,004 ± (2,064 ⋅ 0,0747) = 4,004 ± 0,154


Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalles de confiance pour la moyenne

ATTENTION:

•Si la distribution est fortement asymétrique, ou que
l’effectif est petit, l’intervalle de confiance de la
moyenne calculé avec t est biaisé (sous-estimé).

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
De l’intervalle de confiance à l’Effort
d’échantillonnage
 Vous voulez savoir  Il vous faut

• Comment atteindre le niveau de • Un but clair (précision


précision nécessaire?
souhaitée)
• Combien de fois dois-je répéter cette
expérience pour obtenir de “bons” • un estimé de la variabilité
résultats? (s2)

• Combien d’échantillon dois-je récolter – expérience préliminaire


pour obtenir une précision – expérience passée
(Coefficient de variation) de 5%
– du “pif”
• Comment obtenir un intervalle de
confiance à 99% qui a n unités de •
largeur?

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Effort d’échantillonnage
Extrait: Table des Fractiles de la loi NCR

p 0,000 0,001 0,002 0,003 0,004 0,005 0,006


0,00 + ? 3,0902 2,8782 2,7478 2,6521 2,5758 2,5121

Pour un échantillon préliminaire de 0,01 2,3263 2,2904 2,2571 2,2262 2,1973 2,1701 2,1444

n = 25, 0,02 2,0537 2,0335 2,0141 1,9954 1,9774 1,9600 1,9431
0,03 1,8808 1,8663 1,8522 1,8384 1,8250 1,8119 1,7991
• 0,04 1,7507 1,7392 1,7279 1,7169 1,7060 1,6954 1,6849

On obtient: 0,05 1,6449 1,6352 1,6258 1,6164 1,6072 1,5982 1,5893


x = 4, 004 0,06
0,07
1,5548
1,4758
1,5464
1,4684
1,5382
1,4611
1,5301
1,4538
1,5220 1,5141
1,4466 1,4395
1,5063
1,4325
)
• σ = 0,366
)
σ

IC = 2 ⋅ zα / 2 ⋅
On désire que

avec une confiance de 95%
ICµ = x ± 0, 04

n

zα / 2 = 1,96 )2

σ

Réponse : n=322
n = 4 ⋅ zα / 2 ⋅ 2
2


IC
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
ν
α/2 0,495 0,4875
α 0,990 0,975
1 0,016 0,039
2 0,014
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
0,035
Principe du test de t : 30
comparaison de la µ A
µ
moyenne à une norme 20 o

Accepter
Si les valeurs H0

Fréquence
observées dévient
0
plus des valeurs 30
attendues que ce qui µ A µ o
est probable compte-
tenu de la précision 20
des mesures, on doit Rejeter
rejeter l’hypothèse H0 10
nulle

Attendue 0
Observée 20 30 40 50 60
Longueur

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Test d’une hypothèse 30
extrinsèque µ T X
20
• Tester si la moyenne d’un Accepter
échantillon est égale à une H0
10
valeur théorique µ T en
calculant:
0
• 30
X − µT µ T X

t= Rejeter

sX H0 20


10
• Prédite
Observations
• on compare la valeur de t Vraie 0
obtenue à la valeur critique 20 30 40 50 60
distribution
de la distribution du t de Longueur
Student avec n-1 degrés de
liberté
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance pour la médiane

• Si la distribution est fortement asymétrique, ou que


l’effectif est petit, l’intervalle de confiance de la
moyenne calculé avec t est biaisé (sous-estimé).
• une solution: calculer l’IC de la médiane.

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance de la médiane
• Calculés à partir de la
distribution binomiale B(n,p)
avec p = 0,5.
• p
• Dans un échantillon de taille
n=10, quelle est la probabilité
d’obtenir seulement y
0 1 2 3 4 5 6 7 8 9 10
observations sous la
médiane?
• •IC 97,86% pour la médiane donné
par les valeurs 1 et 9.
• Comme B(n,p) est discontinue, il •IC 89,08% pour la médiane donné
n’est généralement pas par les valeurs 2 et 8.
possible d’obtenir des ICs à
exactement 1-α

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Intervalle de confiance pour la variance
• Variance estimée d’un
0.3
échantillon est

Probabilité
distribuée environ
comme chi-carré avec
0.2
n-1 degrés de liberté. p = α = 0.05
• σ 2 ou s2 est distribué
comme chi-carré 0
0 5 10 15 20

ν ⋅σ) 2 )
ν ⋅σ
2 χ 2 (dl = 5)

≤σ
2

χ χ
2 2

α / 2, ν − 1 / 2 ,α ν
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Design expérimental
 Vous voulez savoir
• Comment atteindre le niveau de  Il vous faut
précision nécessaire?
• Un but clair (précision
• Combien de fois dois-je répéter cette nécessaire)
expérience pour obtenir de “bons”
résultats? • un estimé de la
• Combien d’échantillon dois-je variabilité (s2)
récolter pour obtenir une précision – expérience
(Coefficient de variation) de 5% préliminaire
• Comment obtenir un intervalle de – expérience passée
confiance à 99% qui a n unités de
largeur? – du “pif”


Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Un exemple
• Pour un échantillon préliminaire de n = s
10, on obtient une moyenne de 100 x ± t n−1,α / 2
et un écart-type de 25. n
• On désire que IC = 2 pour la moyenne, s
donc qu’il y ait 95% de chance que W = 2 t n−1,α / 2
la moyenne de la population soit à n
l’intérieur de cet intervalle. 2
s
• Réponse (par itération): n=2404 W 2 = 4tn2−1,α / 2
• Correct en moyenne, mais pas assez
n
dans 50% des cas car utilise s2 au s 2
lieu de σ 2 n = 4tn−1,α / 2 2
2


W

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Effort d’échantillonnage requis (suite)

• combien faut-il de
replicats pour obtenir
un IC = 2 avec une
probabilité (1-β ) que s2
n = 2
IC soit au moins aussi 4t n−1,α/2
W2
étroit? n =4tn2−
1,α/2
s2
F( β,n −
1,ν)
W2
• réponse: n = 6503!
• donne une probabilité (1-
β ) que la précision
obtenue sera au moins
celle désirée.

Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.
Université Paul CezannePhilip Roche (01/10/06)d’après Antoine Morin et Scott Findlay, Univ. Ottawa.