Master Ingénierie mathématique, Univ.
Nantes
Option Mathématiques et applications, ECN
Statistique Inférentielle.
Anne Philippe
Université de Nantes, LMJL
Fiche 3. Régions et intervalles de confiance
Exercice 1. Situation gaussienne
Soit X1 , . . . , Xn un n-échantillon distribué suivant la loi normale de paramètres (µ, σ 2 ).
On veut estimer µ.
On note
— qα le quantile d’ordre α de la loi normale standard
— tn,α le quantile d’ordre α de la loi de Student à n degrés de liberté.
si σ 2 est connue,
q1−α/2 σ qα/2 σ
In = [X̄n − √ ; X̄n − √ ]
n n
est un intervalle de confiance de niveau 1 − α pour le paramètre µ c’est à dire
Pµ (µ ∈ In ) = 1 − α
si σ 2 est inconnue, on pose
n
1 X
σn2 = (Xi − X̄n )2
n − 1 i=1
et
tn−1,1−α/2 σ̂n tn−1,α/2 σ̂n
In0 = [X̄n − √ ; X̄n − √ ]
n n
est un intervalle de confiance de niveau 1 − α.
1) Simuler N = 1000 échantillons de taille n = 10 iid suivant la loi normale de paramètres
(1, 1)
2) Calculer pour chaque échantillon les régions de confiance In et In0 au niveau 95%
3) Représenter les régions de confiance (on peut se limiter aux 100 premières) et utiliser
des couleurs pour distinguer les intervalles qui contiennent µ = 1.
1
2 Anne PHILIPPE, Université de Nantes
4) Evaluer la fréquence de l’évènement µ appartient à l’intervalle de confiance. Commenter
le résultat.
5) Reprendre les questions 1) -> 4) avec n = 50
Exercice 2. Situation asymptotique
On suppose que X1 , . . . , Xn sont iid, L2
On construit un intervalle de confiance sur la moyenne à partir de la loi limite de
√
n(X̄n − E(X1 ))
On obtient un intervalle asymptotiquement de niveau 1 − α en prenant
Sn Sn
In (X1 , . . . , Xn ) = X̄n − q1−α/2 √ ; X̄n − qα/2 √
n n
où
n n
1X 1X
X̄n = Xi et Sn2 = (Xi − X̄n )2
n i=1 n i=1
On considère (X1 , ..., Xn ) iid suivant la loi de student à 3 ddl. On veut estimer le niveau
exact de l’intervalle de confiance βn = Pθ (θ ∈ In ) en fonction de n par la simulation. On
utilise la méthode de Monte Carlo suivante :
étape 1 On simule N échantillons indépendants de taille n suivant la loi de Student à 3
ddl
étape 2 Pour chacun des échantillons, on calcule l’intervalle de confiance : In (i), i=
1, . . . , N
étape 3 On approche la probabilité βn par
N
1 X
β̂n (N ) := II (i) (θ)
N i=1 n
avec N grand.
1) Justifier la méthode
2) Pour n = 15, simuler N = 10000 échantillons et représenter β̂n (N ) en fonction de N .
En déduire une estimation de βn
3) Reprendre la question précédente pour n = 25, 50, 100, 500. Superposer les différentes
courbes.
4) Faire le lien entre les résultats numériques et le niveau asymptotique des intervalles de
confiance.
Anne PHILIPPE, Université de Nantes 3
Exercice 3. Choix de l’estimateur de la variance
Soit X1 , . . . , Xn iid suivant la loi exponentielle de paramètre θ−1
−1
— La densité s’écrit fθ (x) = θ−1 e−xθ IR+ (x)
— On a Eθ (X) = θ et Varθ (X) = σ 2 = θ2
— Convergence en loi √
n loi
(X̄n − θ) −→ N (0, 1)
σ
On peut estimer la variance σ 2 par les estimateurs consistants suivant :
— la variance empirique Sn2
— la méthode des moments : on estime σ 2 = h(θ) par h(X̄n ) = X̄n2
On peut donc construire les intervalles de confiance de niveau asymptotique 1−α suivant
Sn Sn
In (X1 , . . . , Xn ) = X̄n − q1−α/2 √ ; X̄n − qα/2 √
n n
ou
0 X̄n X̄n
In (X1 , . . . , Xn ) = X̄n − q1−α/2 √ ; X̄n − qα/2 √
n n
On note
βn = Pθ (θ ∈ In )
βn0 = Pθ (θ ∈ In0 )
1) Pour θ = 1 et n = 25, 50, 100, 200, simuler N = 10000 échantillons et superposer les
courbes N 7→ β̂n (N ) et N 7→ β̂n0 (N ). En déduire des valeurs approchées de βn et βn0 .
2) Même question pour θ = 2
3) Commenter les résultats obtenus
