Construction d’intervalles de confiance

Cette calculatrice en ligne construit des intervalles de confiance pour quatre cas : estimer la moyenne avec des paramètres inconnus, estimer la variance avec des paramètres inconnus, estimer la moyenne avec une variance connue et estimer la variance avec une moyenne connue.

Cette page existe grâce aux efforts des personnes suivantes :

Timur

Timur

Créé: 2026-11-21 09:38:50, Dernière mise à jour: 2026-11-21 10:09:50

Vous trouverez les formules et quelques explications théoriques sous la calculatrice.

PLANETCALC, Intervalles de confiance

Intervalles de confiance

Nombres séparés par des virgules, des points-virgules, des espaces ou des sauts de ligne. Le séparateur décimal est le point.
Valeur de la moyenne spécifiée a priori.
Il s’agit bien de la variance, et non de l’écart-type.
Un nombre entier supérieur ou égal à 2.
Variance calculée avec une division par n − 1.
Estimation ponctuelle
 
Borne inférieure
 
Borne supérieure
 
Longueur de l’intervalle
 
Taille de l’échantillon
 
Degrés de liberté
 
Distribution
 
Quantile inférieur
 
Quantile supérieur
 
Chiffres après la virgule décimale : 6

Méthodes de construction d’intervalles de confiance lorsque les données initiales suivent une loi normale

N° Grandeur estimée Ce qui est connu Statistique utilisée Distribution Intervalle de confiance
1 Variance \sigma^2 La moyenne \mu est connue \frac{\sum_{i=1}^n (x_i - \mu)^2}{\sigma^2} \chi^2(n) \left[ \frac{\sum_{i=1}^n (x_i - \mu)^2}{h^{(n)}_{(1+\alpha)/2}};\; \frac{\sum_{i=1}^n (x_i - \mu)^2}{h^{(n)}_{(1-\alpha)/2}} \right]
2 Moyenne \mu La variance \sigma^2 est connue \frac{\bar{x} - \mu}{\sigma / \sqrt{n}} N(0,1) \bar{x} \pm z_{(1-\alpha)/2} \cdot \frac{\sigma}{\sqrt{n}}
3 Moyenne \mu Les deux sont inconnues (estimation de \mu) \frac{\bar{x} - \mu}{s / \sqrt{n}} T(n-1) \bar{x} \pm t_{(1-\alpha)/2}(n-1) \cdot \frac{s}{\sqrt{n}}
4 Variance \sigma^2 Les deux sont inconnues (estimation de \sigma^2) \frac{(n-1)s^2}{\sigma^2} = \frac{\sum_{i=1}^n (x_i - \bar{x})^2}{\sigma^2} \chi^2(n-1) \left[ \frac{(n-1)s^2}{h^{(n-1)}_{(1+\alpha)/2}};\; \frac{(n-1)s^2}{h^{(n-1)}_{(1-\alpha)/2}} \right]

Ci-dessous, j’explique l’origine de chaque élément.

Méthode de construction d’intervalles de confiance

Dans le cas général (ce n’est pas la seule méthode, mais je n’en ai pas cherché d’autres), les intervalles de confiance peuvent être construits comme suit1 :

  1. Nous choisissons une probabilité de confiance \alpha proche de un.
  2. Nous choisissons une fonction dépendant de notre échantillon et du paramètre inconnu, G(x_1, ..., x_n, \Theta), mais telle que sa propre fonction de répartition ne dépende pas du paramètre inconnu \Theta :

F_G(t) \stackrel{\text{def}}{=} \mathbf{P}_\theta \{ G(x_1, \dots, x_n, \theta) \le t \}

  1. Nous choisissons deux nombres \epsilon_1 > 0 et \epsilon_2 > 0 tels que 1-\alpha=\epsilon_1 + \epsilon_2. Nous recherchons ensuite des valeurs k_1 et k_2 telles que

F_G(\kappa_1) \le \varepsilon_1, \quad F_G(\kappa_2) \ge 1 - \varepsilon_2

D’où

\mathbf{P}_\theta \{ \kappa_1 < G(x_1, \dots, x_n, \theta) \le \kappa_2 \} \ge 1 - \varepsilon_2 - \varepsilon_1 = \alpha,

Comme nous avons choisi G de sorte que sa fonction de répartition ne dépende pas de \Theta, k_1 et k_2 ne dépendent pas non plus de \Theta.

  1. Nous passons à la double inégalité

\kappa_1 < G(x_1, \dots, x_n, \theta) \le \kappa_2

et la résolvons par rapport à \Theta. Les valeurs dépendent de l’échantillon. Si la solution est notée \beta, nous pouvons écrire

\mathbf{P}_\theta \{ \theta \in ( \beta_1(x_1, \dots, x_n), \beta_2(x_1, \dots, x_n)) \} \ge \alpha

Les valeurs calculées constituent l’intervalle de confiance, c’est-à-dire un intervalle dans lequel la vraie valeur de la grandeur inconnue se trouve avec la probabilité spécifiée.

En fait, la suite a déjà été calculée avant nous : pour les cas ci-dessus, des fonctions de distributions connues ont déjà été choisies pour calculer les intervalles de confiance. Pour y parvenir, il a fallu introduire de nouvelles distributions et démontrer des théorèmes, ce qui est assez difficile. Les étudiants et les ingénieurs doivent seulement connaître le résultat et les conditions d’application. Examinons maintenant chaque cas séparément.

Construction d’un intervalle de confiance pour la moyenne avec une variance connue

Commençons par le cas le plus simple à expliquer : la construction d’un intervalle de confiance pour la moyenne avec une variance connue. Comment la variance d’une variable aléatoire peut-elle être connue, demanderez-vous ? Pourtant, ce cas est assez fréquent dans la pratique, car la variance, ou dispersion, caractérise le plus souvent les propriétés physiques d’un instrument ou d’un procédé technologique. L’exemple classique est l’erreur d’un instrument, indiquée dans ses spécifications sous forme d’écart-type. Nous ne connaissons pas la vraie valeur de la grandeur mesurée, mais nous connaissons le « bruit » de l’instrument. Nous effectuons une série de mesures et construisons un intervalle de confiance pour la moyenne à l’aide de l’écart-type.

La fonction astucieuse G a été choisie comme suit pour ce cas

G(x_1, \dots, x_n; \mu) = \frac{x_1 + \dots + x_n - n\mu}{\sigma \sqrt{n}}

Nous utilisons ici le théorème selon lequel la somme d’un nombre quelconque de variables aléatoires normales indépendantes suit une loi normale. Dans ce cas, la fonction G suit la loi normale centrée réduite N(0,1). Nous pouvons écrire la double inégalité à l’aide des quantiles

z_{(1-\alpha)/2} < \frac{x_1 + \dots + x_n - n\mu}{\sigma \sqrt{n}} < z_{(1+\alpha)/2}

D’où

\bar{x} - \frac{\sigma z_{(1+\alpha)/2}}{\sqrt{n}} < \mu < \bar{x} - \frac{\sigma z_{(1-\alpha)/2}}{\sqrt{n}}.

Ou, en raison de la symétrie de la loi normale

\bar{x} - \frac{\sigma}{\sqrt{n}} z_{(1+\alpha)/2} < \mu < \bar{x} + \frac{\sigma}{\sqrt{n}} z_{(1+\alpha)/2}

Construction d’un intervalle de confiance pour la moyenne avec une variance inconnue

Examinons maintenant la construction d’un intervalle de confiance pour la moyenne d’une variable aléatoire lorsque nous ne connaissons ni sa vraie moyenne ni sa vraie variance. C’est le cas le plus fréquent lorsque nous obtenons une série de mesures : le plus souvent, nous ne savons rien du tout au départ.

Supposons que vous vouliez vérifier l’effet d’un nouvel engrais sur la récolte de tomates.
Vous plantez 30 planches, appliquez l’engrais et mesurez le rendement en kilogrammes. La vraie moyenne est le rendement potentiel de la variété avec engrais si elle était cultivée partout dans des conditions moyennes idéales. Elle est inconnue. La vraie variance représente ici la sensibilité au microclimat ainsi que les erreurs d’arrosage et d’application de l’engrais. Une planche se trouve dans une dépression (plus d’humidité), une autre sur une hauteur (plus sèche), etc. L’ampleur de la variation du rendement d’une planche à l’autre est également inconnue.

Ici, le choix de la fonction astucieuse G est déterminé par le théorème de Fisher. En voici une formulation usuelle2 :

Soit X_1,\ldots,X_n \sim \mathrm{N}(\mu,\sigma^2) un échantillon indépendant issu d’une loi normale. Soient \overline{X} la moyenne empirique et S^2 la variance empirique. Alors :

  • Les variables aléatoires \overline{X} et S^2 sont indépendantes ;
  • La variable aléatoire  \sqrt{n} \cdot \frac{\overline{X} - \mu}{\sigma} \sim \mathrm{N}(0,1) \sim Z suit une loi normale centrée réduite ;
  • La variable aléatoire \frac{(n-1)\cdot S^2}{\sigma^2} = \frac{1}{\sigma^2} \sum_{i=1}^{n} (X_i - \bar{X})^2 \sim \chi^2_{n-1} suit une loi du khi carré à n-1 degrés de liberté.

À partir de la loi normale centrée réduite et de la loi du khi carré, on peut former la loi de Student à l’aide de la formule suivante

T = \frac{Z}{\sqrt{\chi^2_k/k}}, où k est le nombre de degrés de liberté.

Construisons donc notre fonction G en divisant l’une par la racine de l’autre divisée par n-1 :

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{(\sqrt{n}(\bar{x} - \mu))/\sigma}{\sqrt{\frac{1}{n-1} \frac{1}{\sigma^2} \sum_{i=1}^{n} (x_i - \bar{x})^2}}

Nous savons que cette fonction suit une loi de Student à n-1 degrés de liberté et, heureusement, le paramètre inconnu \sigma peut y être simplifié.

Ainsi,

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{\sqrt{n}(\bar{x} - \mu)}{s} \sim T(n-1)

Ensuite, en notant t les quantiles de la loi de Student et en exprimant \mu, nous obtenons la formule de l’intervalle de confiance.

\bar{x} - \frac{s}{\sqrt{n}} t^{(n-1)}_{(1+\alpha)/2} < \mu < \bar{x} + \frac{s}{\sqrt{n}} t^{(n-1)}_{(1+\alpha)/2}

Comme la loi de Student est symétrique, il suffit là encore d’utiliser une seule valeur du quantile dans la formule, comme dans le cas précédent.

Construction d’un intervalle de confiance pour la variance avec une moyenne connue

Nous avons traité l’estimation des moyennes, mais il faut aussi estimer la variance. Le premier cas est la construction d’un intervalle de confiance pour la variance lorsque la vraie moyenne est connue. Là encore, où rencontre-t-on dans la vie réelle des problèmes où la vraie moyenne est connue et la variance nécessaire ? La première possibilité est constituée par les problèmes inverses de l’estimation de la moyenne avec une variance connue, à savoir l’étalonnage d’un instrument. Autrement dit, nous plaçons à plusieurs reprises un poids de référence d’un kilogramme sur une balance, observons les indications et estimons la dispersion des valeurs affichées. De plus, la moyenne peut être fixée lors de tests d’hypothèses : on examine alors la dispersion correspondant à cette moyenne.

Nous construisons la fonction G comme suit :

G(x_1, \dots, x_n; \sigma^2) = \frac{\sum_{i=1}^n (x_i - \mu_0)^2}{\sigma^2} = \sum_{i=1}^n \left( \frac{x_i - \mu_0}{\sigma} \right)^2.

Ici, tout est simple : il s’agit littéralement de la loi du khi carré à n degrés de liberté, qui ne dépend pas de \sigma.

En notant h les quantiles de la loi du khi carré et en exprimant \sigma, nous obtenons la formule de l’intervalle de confiance.

\frac{\sum_{i=1}^n (x_i - \mu_0)^2}{h_{(1+\alpha)/2}^{(n)}} < \sigma^2 < \frac{\sum_{i=1}^n (x_i - \mu_0)^2}{h_{(1-\alpha)/2}^{(n)}}

La loi du khi carré est asymétrique : les deux quantiles doivent donc être utilisés.

Construction d’un intervalle de confiance pour la variance avec une moyenne inconnue

Pourquoi est-ce nécessaire ? Pour la même raison que dans le cas précédent. Nous voulons estimer la variabilité, la « concentration » ou la « stabilité » d’un processus, mais la vraie moyenne nous est inconnue.

Pour ce cas, la fonction G suivante a été construite :

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{\sum_{i=1}^n (x_i - \bar{x})^2}{\sigma^2}

La particularité est que la valeur inconnue \mu n’intervient pas du tout dans la fonction. D’après le théorème de Fisher, nous savons que cette fonction suit une loi du khi carré à n-1 degrés de liberté. Nous procédons ensuite comme dans le cas précédent et obtenons la formule de l’intervalle de confiance :

\frac{(n - 1)s^2}{h_{(1+\alpha)/2}^{(n-1)}} < \sigma^2 < \frac{(n - 1)s^2}{h_{(1-\alpha)/2}^{(n-1)}}

Conditions d’application

Répétons-le : Toutes les formules du tableau ci-dessus, qui utilisent les quantiles de la loi normale, de la loi de Student et de la loi du khi carré, ne sont exactes que dans un seul cas : la variable aléatoire initiale doit suivre strictement la loi normale (de Gauss).

Si la distribution n’est pas normale, nous avons de la chance lors de l’estimation de la moyenne avec un grand échantillon : grâce au Théorème central limite (TCL), la moyenne empirique tend toujours vers une loi normale lorsque la taille de l’échantillon augmente, quelle que soit la distribution des données initiales (exponentielle, uniforme, binomiale, etc.). La frontière traditionnelle entre petit et grand échantillon en statistique est 30. On évoque parfois des échantillons de 50 à 100 valeurs, mais cela dépend beaucoup de l’asymétrie de la distribution et de l’épaisseur de ses « queues ».

En conclusion, pour estimer la moyenne sur de grands échantillons, on peut ignorer la distribution grâce au TCL. Pour les petits échantillons issus d’une distribution NON normale, par exemple binomiale ou lognormale, les critères de Student donnent une erreur ; il faut utiliser des méthodes non paramétriques, comme le test de Wilcoxon.

Pour la variance, la situation est défavorable. La loi du khi carré est extrêmement sensible aux écarts à la normalité ; pour les distributions non normales, d’autres approches doivent être utilisées.


  1. Didier Pelat. Bases et méthodes pour le traitement des données. Chapitre 14 « L’estimation d’intervalle ». Observatoire de Paris. Cours ↩

  2. Didier Pelat. Bases et méthodes pour le traitement des données. Chapitre 12 « Échantillons de population normale », section 12.1 « Le théorème de Fisher ». Observatoire de Paris. Théorème de Fisher ↩

URL copiée dans le presse-papiers
PLANETCALC, Construction d’intervalles de confiance

commentaires