Statistique inférentielle
Estimation et Échantillonnage
3 mars 2024
Filière: Orientation
1/42
Plan du Chapitre 3
1. L’estimation
• Introduction
• Estimation ponctuelle
• Estimation par intervalle de confiance
• Intervalle de confiance pour la moyenne µ
• Intervalle de confiance pour la proportion p
• Exercices
• Détermination de la taille de l’échantillon
2/42
Plan du Chapitre 3
2. L’échantillonnage
• Terminologie
• Quelques méthodes d’échantillonnages
probabilistes
• Échantillon aléatoire simple EAS
• Échantillonnage stratifié
• Échantillonnage par grappe
• Échantillonnage systématique
3/42
Chapitre 3 : Estimation et
Échantillonnage
4/42
Chapitre 3 : Estimation et Échantillonnage
Introduction
• L’estimation et l’échantillonnage forment avec les tests
d’hypothèses, la partie dite statistique inférentielle.
• C’est quoi l’estimation ? et c’est quoi l’échantillonnage ?
• L’estimation est une opération qui permet d’induire, à partir des
résultats observés sur un échantillon, des informations sur la
population totale.
• L’échantillonnage est une opération qui consiste, à partir
d’informations relatives à la loi d’une variable X pour une population
donnée, on en déduit le comportement d’échantillons aléatoires
relatifs à cette variable.
5/42
Chapitre 3 : Estimation et Échantillonnage
Introduction
• L’estimation et l’échantillonnage forment avec les tests
d’hypothèses, la partie dite statistique inférentielle.
• C’est quoi l’estimation ? et c’est quoi l’échantillonnage ?
• L’estimation est une opération qui permet d’induire, à partir des
résultats observés sur un échantillon, des informations sur la
population totale.
• L’échantillonnage est une opération qui consiste, à partir
d’informations relatives à la loi d’une variable X pour une population
donnée, on en déduit le comportement d’échantillons aléatoires
relatifs à cette variable.
5/42
Chapitre 3 : Estimation et Échantillonnage
Introduction
• L’estimation et l’échantillonnage forment avec les tests
d’hypothèses, la partie dite statistique inférentielle.
• C’est quoi l’estimation ? et c’est quoi l’échantillonnage ?
• L’estimation est une opération qui permet d’induire, à partir des
résultats observés sur un échantillon, des informations sur la
population totale.
• L’échantillonnage est une opération qui consiste, à partir
d’informations relatives à la loi d’une variable X pour une population
donnée, on en déduit le comportement d’échantillons aléatoires
relatifs à cette variable.
5/42
Chapitre 3 : Estimation et Échantillonnage
Introduction
• L’estimation et l’échantillonnage forment avec les tests
d’hypothèses, la partie dite statistique inférentielle.
• C’est quoi l’estimation ? et c’est quoi l’échantillonnage ?
• L’estimation est une opération qui permet d’induire, à partir des
résultats observés sur un échantillon, des informations sur la
population totale.
• L’échantillonnage est une opération qui consiste, à partir
d’informations relatives à la loi d’une variable X pour une population
donnée, on en déduit le comportement d’échantillons aléatoires
relatifs à cette variable.
5/42
6/42
I Estimation ponctuelle
Soit X une variable aléatoire étudiée sur une population dont la loi de
probabilité dépend d’un (ou plusieurs) paramètre θ inconnu (paramètre
d’intérêt).
θ peut-être égal :
• µ la moyenne de la population à caractère quantitatif ;
• σ l’écart-type de la population à caractère quantitatif ;
• p la proportion d’un caractère dans la population à caractère
qualitatif ;
7/42
I Estimation ponctuelle
Soit X une variable aléatoire étudiée sur une population dont la loi de
probabilité dépend d’un (ou plusieurs) paramètre θ inconnu (paramètre
d’intérêt).
θ peut-être égal :
• µ la moyenne de la population à caractère quantitatif ;
• σ l’écart-type de la population à caractère quantitatif ;
• p la proportion d’un caractère dans la population à caractère
qualitatif ;
7/42
I Estimation ponctuelle
Soit X une variable aléatoire étudiée sur une population dont la loi de
probabilité dépend d’un (ou plusieurs) paramètre θ inconnu (paramètre
d’intérêt).
θ peut-être égal :
• µ la moyenne de la population à caractère quantitatif ;
• σ l’écart-type de la population à caractère quantitatif ;
• p la proportion d’un caractère dans la population à caractère
qualitatif ;
7/42
Objectif de l’estimation ponctuelle
L’objectif de l’estimation ponctuelle est de chercher à donner une valeur
approchée du paramètre d’intérêt θ à partir des résultats obtenus sur un
échantillon aléatoire extrait de la population.
Définition : Estimateur et estimation
Soit X une variable aléatoire dont la loi de probabilité dépend d’un
paramètre θ inconnu, (X1 , . . . , Xn ) est un échantillon aléatoire d’effectif
n de même loi que X. L’estimateur de θ noté Θ b n est la statistique
définie par :
Θ
bn = hn (X 1, . . . , Xn)
où hn est une fonction définie sur Rn
8/42
Estimation
Une fois l’échantillon est prélevé, nous disposons de n valeurs observées
x1 , . . . , xn , ce qui nous fournit une valeur hn (x1 , . . . , xn ) qui est une
réalisation de Θ b n qui est notée θbn et que nous appelons estimation de θ .
Remarque 1
• À priori l’estimateur Θ
b n est à valeurs dans un ensemble Θ, contenant
l’ensemble des valeurs possibles du paramètre θ .
• Θ
b n est une v.a. de loi de probabilité qui dépend du paramètre θ .
• Θ
b n peut être univarié ou multivarié.
9/42
Remarque 2
• Nous distinguons la variable aléatoire Θ
b n de sa valeur observée,
notée θbn .
• Nous utiliserons les notations suivantes :
(i) (X1 , . . . , Xn ) désigne l’échantillon aléatoire de taille n
et les n observations ne sont pas encore à disposition.
(ii) (x1 , . . . , xn ) désigne une réalisation de l’échantillon
aléatoire et les n observations sont à disposition
• Il faut systématiquement se demander : ≪ suis-je entrain de
manipuler une variable aléatoire ou l’une de ses réalisations ? ≫
10/42
• D’après la définition d’un estimateur d’un paramètre θ qui est :
Θ
bn = hn (X 1, . . . , Xn)
Il existe plusieurs fonctions hn , donc il existe plusieurs estimateurs du
même paramètre θ .
Exemple :
• Θ
b n = hn (X 1, . . . , Xn) = X1 est un estimateur de θ.
• Θ
b n = hn (X 1, . . . , Xn) = X1 + X2 .X3 est un estimateur de θ.
• Θ
b n = hn (X 1, . . . , Xn) = X1 + X2 + ... + Xn est un estimateur de θ.
11/42
• D’après la définition d’un estimateur d’un paramètre θ qui est :
Θ
bn = hn (X 1, . . . , Xn)
Il existe plusieurs fonctions hn , donc il existe plusieurs estimateurs du
même paramètre θ .
Exemple :
• Θ
b n = hn (X 1, . . . , Xn) = X1 est un estimateur de θ.
• Θ
b n = hn (X 1, . . . , Xn) = X1 + X2 .X3 est un estimateur de θ.
• Θ
b n = hn (X 1, . . . , Xn) = X1 + X2 + ... + Xn est un estimateur de θ.
11/42
• D’après la définition d’un estimateur d’un paramètre θ qui est :
Θ
bn = hn (X 1, . . . , Xn)
Il existe plusieurs fonctions hn , donc il existe plusieurs estimateurs du
même paramètre θ .
Exemple :
• Θ
b n = hn (X 1, . . . , Xn) = X1 est un estimateur de θ.
• Θ
b n = hn (X 1, . . . , Xn) = X1 + X2 .X3 est un estimateur de θ.
• Θ
b n = hn (X 1, . . . , Xn) = X1 + X2 + ... + Xn est un estimateur de θ.
11/42
Propriétés d’un estimateur
Il existe plusieurs estimateur d’un même paramètre θ . Un estimateur est
efficace s’il vérifie les propriétés suivantes :
• Bias d’un estimateur
Le biais de Θ
b n se définit par b(n, θ ) = E (Θ
b n) − θ
• Estimateur sans biais
Θ
b n est un estimateur sans biais (ou non biaisé) du paramètre θ si
b(n, θ ) = 0 c’est-à-dire si E (Θ
b n) = θ
• Estimateur asymptotiquement sans biais
Un estimateur Θb n est asymptotiquement sans biais pour θ si
lim E (Θn ) = θ
b
n→+∞
12/42
Propriétés d’un estimateur
Il existe plusieurs estimateur d’un même paramètre θ . Un estimateur est
efficace s’il vérifie les propriétés suivantes :
• Bias d’un estimateur
Le biais de Θ
b n se définit par b(n, θ ) = E (Θ
b n) − θ
• Estimateur sans biais
Θ
b n est un estimateur sans biais (ou non biaisé) du paramètre θ si
b(n, θ ) = 0 c’est-à-dire si E (Θ
b n) = θ
• Estimateur asymptotiquement sans biais
Un estimateur Θb n est asymptotiquement sans biais pour θ si
lim E (Θn ) = θ
b
n→+∞
12/42
Propriétés d’un estimateur
Il existe plusieurs estimateur d’un même paramètre θ . Un estimateur est
efficace s’il vérifie les propriétés suivantes :
• Bias d’un estimateur
Le biais de Θ
b n se définit par b(n, θ ) = E (Θ
b n) − θ
• Estimateur sans biais
Θ
b n est un estimateur sans biais (ou non biaisé) du paramètre θ si
b(n, θ ) = 0 c’est-à-dire si E (Θ
b n) = θ
• Estimateur asymptotiquement sans biais
Un estimateur Θb n est asymptotiquement sans biais pour θ si
lim E (Θn ) = θ
b
n→+∞
12/42
• Écart quadratique moyen
Si Θ
b n est un estimateur de θ , nous mesurons la précision de Θ
b n par
l’écart quadratique moyen, noté EQM :
³ ´
EQM (Θ
b n ) = E (Θ b n ) + b(n, θ )2
b n − θ )2 = V (Θ
Remarque
(i) Si Θ
b n est un estimateur sans biais, c’est-à-dire si
b(n, θ ) = 0, alors :EQM (Θ
b n ) = V (Θ
b n );
(ii) Entre deux estimateurs de θ , nous choisissons celui
dont l’écart quadratique moyen ou le risque est le
plus faible.
13/42
• Estimateur relativement plus efficace
b 1n est relativement plus efficace qu’un estimateur Θ
Un estimateur Θ b 2n
s’il est plus précis que le second, c’est-à-dire si :
³ ´ ³ ´
b 1n
EQM Θ ≤ b 2n
EQM Θ
• Estimateur sans biais optimal
Nous appelons estimateur sans biais optimal parmi les estimateurs
sans biais, un estimateur Θ
b n préférable à tout autre au sens de la
variance (variance minimale) c’est-à-dire l’estimateur le plus efficace
parmi tous les estimateurs sans biais.
14/42
• Estimateur convergent
Un estimateur Θ b n est un estimateur convergent s’il converge en
probabilité vers θ quand n tend vers l’infini.
i.e.
lim p(| Θ
b n − θ |< ϵ) = 1 ∀ϵ > 0
n→+∞
• Si un estimateur est sans biais et que sa variance tend vers zéro
quand n tend vers l’infini, alors cet estimateur est convergent.
En général pour déterminer un estimateur d’un paramètre θ , on utilise
soit :
(i) La méthode des moments ;
(ii) La méthode du maximum de vraisemblance ;
(iii) La méthode bayésienne.
15/42
I.1 Estimation ponctuelle de la moyenne µ et de l’écart-type
σ de la population
Soit X une variable aléatoire étudiée sur une population de moyenne µ et
de variance σ2 . X1 , . . . , Xn un n− échantillon aléatoire tiré de la
population de même loi que X . et x1 , . . . , xn sa réalisation.
• µ inconnue (paramètre d’intérêt)
•• Estimateur de la moyenne µ de la population
(i) L’estimateur de µ est X n qu’est égal à :
1X n
Xn = Xi
n i =1
(ii) L’estimation de µ est la réalisation de X n :
1X n
xn = xi
n i =1
16/42
•• Estimateur de l’écart-type σ de la population
• • • Cas où µ est connue
(i) l’estimateur de σ2 est :
1X n
Sn2 = (Xi − µ)2
n i =1
• • • Cas où µ est inconnue
(i) l’estimateur de σ2 est :
1 n
Sn2 (Xi − X n )2
X
=
n − 1 i =1
17/42
Exemple 1 :
Lors d’un contrôle d’une chaîne de médicaments, on s’intéresse au
nombre de comprimés défectueux dans un lot. L’étude de 200 lots a
donné les résultats suivants :
nombre de comprimés défectueux par lot xi 0 1 2 3 4 5
nombre de lots ni 75 53 39 23 9 1
1) Calculer la moyenne x 200 et l’écart type se de cet échantillon ;
2) déduire l’estimation ponctuelle de la moyenne µ et de l’écart type σ
du nombre de comprimés défectueux sur l’ensemble de la production.
18/42
Réponse 1 :
• Calcul de la moyenne x 200 de l’échantillon :
1 241
x 200 = {0 ∗ 75 + 1 ∗ 53 + 2 ∗ 39 + 3 ∗ 23 + 4 ∗ 9 + 5 ∗ 1} = = 1.205
200 200
• Calcul de l’écart type se de l’échantillon : on a :
1 X 6
se2 = ni x 2 − x 2200
200 i =1 i
avec
6
ni xi2 = 02 ∗ 75 + 12 ∗ 53 + 32 ∗ 23 + 42 ∗ 9 + 52 ∗ 1 = 585
X
i =1
alors
585
q
se2 = − 1.2052 = 1, 473 ⇒ se = se2 = 1.214
200
19/42
Réponse 1 :
• Calcul de la moyenne x 200 de l’échantillon :
1 241
x 200 = {0 ∗ 75 + 1 ∗ 53 + 2 ∗ 39 + 3 ∗ 23 + 4 ∗ 9 + 5 ∗ 1} = = 1.205
200 200
• Calcul de l’écart type se de l’échantillon : on a :
1 X 6
se2 = ni x 2 − x 2200
200 i =1 i
avec
6
ni xi2 = 02 ∗ 75 + 12 ∗ 53 + 32 ∗ 23 + 42 ∗ 9 + 52 ∗ 1 = 585
X
i =1
alors
585
q
se2 = − 1.2052 = 1, 473 ⇒ se = se2 = 1.214
200
19/42
• L’estimation ponctuelle de la moyenne µ est la moyenne x 200 de
l’échantillon,i.e µ
b = x 200 = 1.205
• L’estimation ponctuelle de l’écart type σ est s t.q.
1 6 200 2
s2 = ni xi2 −
X
x = 1.48
200 − 1 i =1 200 − 1 200
p
alors s = s 2 = 1.217 et σ
b = 1.217
• Remarque,on a :
n 2
s2 = s
n−1 e
20/42
• L’estimation ponctuelle de la moyenne µ est la moyenne x 200 de
l’échantillon,i.e µ
b = x 200 = 1.205
• L’estimation ponctuelle de l’écart type σ est s t.q.
1 6 200 2
s2 = ni xi2 −
X
x = 1.48
200 − 1 i =1 200 − 1 200
p
alors s = s 2 = 1.217 et σ
b = 1.217
• Remarque,on a :
n 2
s2 = s
n−1 e
20/42
• L’estimation ponctuelle de la moyenne µ est la moyenne x 200 de
l’échantillon,i.e µ
b = x 200 = 1.205
• L’estimation ponctuelle de l’écart type σ est s t.q.
1 6 200 2
s2 = ni xi2 −
X
x = 1.48
200 − 1 i =1 200 − 1 200
p
alors s = s 2 = 1.217 et σ
b = 1.217
• Remarque,on a :
n 2
s2 = s
n−1 e
20/42
Résumons :
1. L’estimation ponctuelle de la moyenne inconnue µ d’une population
est la moyenne d’un échantillon représentatif tiré de cette population
on écrit :
µ
b = xn
1X n
= xi
n i =1
21/42
Résumons :
2. L’estimation ponctuelle de l’écart type inconnue σ d’une population
est sn telle que :
(i) si la moyenne µ de la population est connue alors :
1X n
sn2 = (xi − µ)2
n i =1
1X n
= x 2 − µ2
n i =1 i
22/42
(ii) si la moyenne µ de la population est inconnue alors :
1 n
sn2 (xi − x n )2
X
=
n − 1 i =1
1 n n 2
xi2 −
X
= x
n − 1 i =1 n−1 n
n 2
= s
n−1 e
23/42
I.2 Estimation ponctuelle de la proportion p inconnue d’un
caractère dans une population
Soit p la proportion d’un caractère A dans une population. Soient
X1 , . . . , Xn un n-échantillon aléatoire tel que,Xi = 1 si la i eme unité ait le
caractère A et Xi = 0 sinon, alors l’estimateur de p est
1X n
F = Xi
n i =1
L’estimation de p est notée par
1X n
f = xi
n i =1
24/42
1. Exemple :
On veut étudier la proportion p des individus immunisés contre un
virus donné, on prélève un échantillon aléatoire représentatif de taille
n = [Link] compte dans cet échantillon 90 individus immunisés
contre ce virus.
Quelle est l’estimation ponctuelle de la proportion d’individus
immunisés contre ce virus ?
2. réponse :
L’estimation ponctuelle de la proportion d’individus immunisés
contre le virus est la fréquence observée dans l’échantillon qui est
90 = 0, 45.
f = 200
On peut dire que 45% de cette population sont immunisées contre
ce virus
25/42
1. Exemple :
On veut étudier la proportion p des individus immunisés contre un
virus donné, on prélève un échantillon aléatoire représentatif de taille
n = [Link] compte dans cet échantillon 90 individus immunisés
contre ce virus.
Quelle est l’estimation ponctuelle de la proportion d’individus
immunisés contre ce virus ?
2. réponse :
L’estimation ponctuelle de la proportion d’individus immunisés
contre le virus est la fréquence observée dans l’échantillon qui est
90 = 0, 45.
f = 200
On peut dire que 45% de cette population sont immunisées contre
ce virus
25/42
Estimation par intervalle de confiance
L’estimation ponctuelle d’un paramètre θ dépend de l’échantillon choisi.
Les paramètres estimés de la population ne sont pas exacts, on voudrait
connaitre leur degré de précision.
Pour cela, on aime avoir les résultats sous forme d’intervalle dont lequel
doit se trouver le vrai paramètre que l’on cherche à estimer avec une
probabilité.
Objectif : L’estimation par intervalle de confiance consiste à donner
autour de la valeur estimée un intervalle dont on a de forte chance qu’il
contienne la vraie valeur du paramètre recherché.
26/42
Définition
On appelle intervalle de confiance à (1 − α) (ou on dit aussi intervalle de
confiance à risque α) d’un paramètre θ, l’intervalle [a;b] dont lequel ce
paramètre a une probabilité (1 − α) de se trouver.
i.e.
p (θ ∈ [a;b]) = 1 − α.
On prend souvent α = 1%, 5%, ou 10%.
27/42
Remarque
• si la loi de probabilité de la variable aléatoire X étudiée est
symétrique on prend
[a;b] = θb − ϵ; θb + ϵ
£ ¤
• si la loi n’est pas symétrique, on préféra de ne pas centrer l’intervalle
autour de la valeur estimée mais center la probabilité i.e. chercher a
et b tels que :
p (θ < a) = p (θ > b) = α/2
28/42
Intervalle de confiance pour la moyenne µ
Soit X une variable aléatoire de moyenne µ inconnue et d’écart-type σ.
X1 , . . . , Xn un échantillon indépendants et de même loi que X . x n est
l’estimation ponctuelle de µ
1) Cas des petits échantillons (n < 30)
on suppose que X suit une loi normale
(i) Cas où σ est connu
L’intervalle de confiance de µ à 1 − α est :
σ σ
· ¸
IC1−α (µ) = x n − zα/2 p , x n + zα/2 p
n n
avec n est la taille de l’échantillon et zα/2 est le fractile de la loi
N (0, 1) tel que : ³ ´
p Z < zα/2 = 1 − α/2
29/42
(ii) Cas où σ est inconnu
L’intervalle de confiance de µ à 1 − α est :
sn sn
· ¸
IC1−α (µ) = x n − tα/2,n−1 p , x n + tα/2,n−1 p
n n
avec s 2 est l’estimation ponctuelle de σ2 et tα/2,n−1 est le fractile de
la loi de Student de degré de liberté n − 1 d’ordre 1 − α/2 i,e.
³ ´
p Tn−1 < tα/2,n−1 = 1 − α/2
30/42
2) Cas des grands échantillons (n ≥ 30)
La loi de X est supposée quelconque.
(i) σ connu
σ σ
· ¸
IC1−α (µ) = x n − zα/2 p , x n + zα/2 p
n n
(ii) σ inconnu
sn sn
· ¸
IC1−α (µ) = x n − zα/2 p , x n + zα/2 p
n n
31/42
On donne les valeurs de zα/2 pour quelque valeurs de α
Valeur de α 0.01 0.05 0.1
α/2 0.005 0.025 0.05
zα/2 2.58 1.96 1.65
32/42
• Exemple 2 :
Soit X une variable aléatoire de moyenne µ et d’écart type σ étudiée
sur une population. On suppose que X suit la loi normale. Un
échantillon de taille 20 donne les résultats suivants :
20 20
xi2 = 2180
X X
xi = 200, et
i =1 i =1
1) Donner l’estimation ponctuelle de µ et de σ.
2) Donner l’intervalle de confiance de µ à 95% et à 90%.
33/42
• Réponse 2 :
1) L’estimation ponctuelle de la moyenne µ est
1 X 20 200
x 20 = xi = = 10
20 i =1 20
L’estimation ponctuelle de l’écart type σ est s20 t.q :
1 X 20
2
s20 = (xi − x 20 )2
20 − 1 i =1
1 X 20 20 2
= xi2 − x
20 − 1 i =1 20 − 1 20
1 20
= ∗ 2180 − ∗ 102
19 19
= 9, 47
34/42
• Intervalle de confiance à 95%
1. On a n = 20 < 30;
2. on a σ inconnu ;
3. On a X est normale ;
Alors IC95% (µ) est :
sn sn
· ¸
IC1−α (µ) = x n − tα/2,n−1 p , x n + tα/2,n−1 p
n n
A.N.
3.08 3.08
· ¸
IC95% (µ) = 10 − t2.5%,19 p , 10 + t2.5%,19 p
20 20
35/42
D’après la table de la loi de Student, on déduit la valeur de
t2.5%,19 = 2.093
36/42
alors
3.08 3.08
· ¸
IC95% (µ) = 10 − 2.093 p , 10 + 2.093 p
20 20
qui est égal
IC95% (µ) = [8.56;11.44]
on peut dire que cet intervalle contient la vraie moyenne de la population
avec une probabilité de 95%.
37/42
Exemple 3 (Exercice 1 TD : Estimation) :
Soit une population normale de moyenne µ inconnue. On y a prélevé un
échantillon aléatoire simple avec remise de taille 11. Les observations
sont les suivantes : 22 ; 25 ; 23 ; 24 ; 22 ; 26 ; 25 ; 24 ; 22 ; 26 ; 25.
1) Calculer la moyenne notée x et l’écart-type noté se de cet
échantillon.
2) Donner une estimation ponctuelle de la moyenne µ et de l’écart-type
σ de cette population.
3) Donner un intervalle de confiance à 95% de la moyenne µ.
38/42
Réponse 3 :
Échantillon choisi a donné les résultats suivants : 22 ; 25 ; 23 ; 24 ; 22 ;
26 ; 25 ; 24 ; 22 ; 26 ; 25.
1-a) Calculons la moyenne de l’échantillon x
1 X11
x = xi
11 i =1
1
= {22 + 25 + 23 + 24 + 22 + 26 + 25 + 24 + 22 + 26 + 25}
11
264
=
11
= 24.
39/42
1-b) Calculons l’écart-type se de l’échantillon
1 X 11 1 X 11
se2 = (xi − x)2 = x 2 − x 2.
11 i =1 11 i =1 i
1 n o
= (−2)2 + 12 + 12 + (−2)2 + 22 + 12 + (−2)2 + 22 + 12
11
1
= {4 + 1 + 1 + 0 + 4 + 4 + 1 + 0 + 4 + 4 + 1}
11
24
= = 2, 18.
11
alors se = 1, 48.
40/42
2-a) L’estimation ponctuelle de la moyenne µ de la population est :
µ
b = x = 24
2-b) L’estimation ponctuelle de l’écart-type σ de la population est s11
t.q :
2 11 2 n 2
s11 = s (car on a sn2 = s )
11 − 1 e n−1 e
11
= ∗ 2, 18
10
= 2, 40
Alors s11 = 1, 55 est l’estimation ponctuelle de σ.
41/42
3) Intervalle de confiance de la moyenne µ à 95%.
On a n = 11 < 30; σ inconnu ; et X est normale.
Alors IC95% (µ) est :
sn sn
· ¸
IC1−α (µ) = x n − tα/2,n−1 p , x n + tα/2,n−1 p
n n
A.N. pour α = 5% on a tα/2,10 = 2, 228
1, 55 1.55
· ¸
IC95% (µ) = 24 − 2, 228 ∗ p ;24 + 2, 228 ∗ p
11 11
= [24 − 1, 04;24 + 1, 04]
= [22, 96;25, 04]
Alors on peut dire que la moyenne µ de la population est dans
l’intervalle [22, 96;25, 04] avec une probabilité de 95%.
42/42
