Comment construire numériquement… : En calculant X̄ₙ et Sₙ sur… — ECG2 appliquées | MetMat

Comment construire numériquement un intervalle de confiance asymptotique en Python ?

En calculant X̄ₙ et Sₙ sur l'échantillon, puis en utilisant le quantile de N(0,1) via scipy.stats.norm.ppf

Approfondissement — Construire en Python un intervalle de confiance asymptotique de niveau $1 - \\alpha$ pour la moyenne d'une loi à partir d'un échantillon i.i.d.

Hors programme — Cette méthode va au-delà du B.O. officiel. Proposée pour aller plus loin.

Que ferais-tu face à un exercice de ce type ?

Sondage : sur $n = 1000$ personnes, on observe une fréquence empirique $\bar X_n = 0{,}52$ d'intentions de vote. Construire un intervalle de confiance à $95\,\%$ pour $p$ .

L'objectif

Approfondissement — Construire en Python un intervalle de confiance asymptotique de niveau $1 - \\alpha$ pour la moyenne d'une loi à partir d'un échantillon i.i.d.

Le principe

Pour un échantillon i.i.d. $(X_1, \ldots, X_n)$ d'espérance $\mu$ et de variance $\sigma^2$ , le TCL donne $\sqrt{n}\,(\bar X_n - \mu)/S_n \xrightarrow{\mathcal{L}} \mathcal{N}(0,1)$ , d'où l'intervalle asymptotique $\bigl[\bar X_n - z_{1-\alpha/2} S_n/\sqrt{n}\,,\, \bar X_n + z_{1-\alpha/2} S_n/\sqrt{n}\bigr]$ où $z_{1-\alpha/2}$ est le quantile fourni par scipy.stats.norm.ppf(1 - alpha/2).

La méthode

1
Je dispose de l'échantillon X (tableau numpy) et je fixe le niveau de confiance $1 - \alpha$ (souvent $0{,}95$ , donc $\alpha = 0{,}05$ ).
2
Je calcule $\bar X_n$ = X.mean() et l'écart-type empirique $S_n$ = X.std(ddof=1) (estimateur sans biais de $\sigma$ ).
3
Je récupère le quantile $z_{1-\alpha/2}$ avec from scipy.stats import norm; z = norm.ppf(1 - alpha/2).
4
Je construis la demi-largeur $h = z \cdot S_n / \sqrt{n}$ et l'intervalle [X̄ - h, X̄ + h], puis je l'interprète : avec une probabilité asymptotique $1 - \alpha$ , $\mu$ appartient à cet intervalle.

Pour comprendre, fais des exercices !

Exercice d'exemple

Sondage : sur $n = 1000$ personnes, on observe une fréquence empirique $\bar X_n = 0{,}52$ d'intentions de vote. Construire un intervalle de confiance à $95\,\%$ pour $p$ .

Étape 1 —

Je dispose de l'échantillon X (tableau numpy) et je fixe le niveau de confiance

1 - \alpha

(souvent

0{,}95

, donc

\alpha = 0{,}05

Je simule un échantillon réaliste correspondant à ces données :

import numpy as np
np.random.seed(0)
X = np.random.binomial(1, 0.52, 1000)
alpha = 0.05

Étape 2 —

Je calcule

\bar X_n

= X.mean() et l'écart-type empirique

S_n

= X.std(ddof=1) (estimateur sans biais de

\sigma

Je calcule les statistiques :

Xbar = X.mean()
Sn = X.std(ddof=1)
n = len(X)
print(Xbar, Sn)  # ex: 0.512 0.500

Étape 3 —

Je récupère le quantile

z_{1-\alpha/2}

avec from scipy.stats import norm; z = norm.ppf(1 - alpha/2).

Je récupère le quantile :

from scipy.stats import norm
z = norm.ppf(1 - alpha/2)
print(z)  # 1.95996...

Étape 4 —

Je construis la demi-largeur

h = z \cdot S_n / \sqrt{n}

et l'intervalle [X̄ - h, X̄ + h], puis je l'interprète : avec une probabilité asymptotique

1 - \alpha

\mu

appartient à cet intervalle.

Je calcule l'intervalle :

h = z * Sn / np.sqrt(n)
IC = (Xbar - h, Xbar + h)
print(IC)  # ex: (0.481, 0.543)

Avec une probabilité asymptotique de $0{,}95$ , $p$ appartient à $[0{,}481\,;\, 0{,}543]$ .

L'intervalle de confiance asymptotique à $95\,\%$ est environ $[0{,}48\,;\, 0{,}54]$ : on ne peut pas conclure que $p > 1/2$ .

Les applications suivantes et la correction guidée sont réservées aux membres Premium

La méthode et sa première application corrigée restent en accès libre. Le Premium débloque les applications suivantes, l'aide IA et le suivi de ta maîtrise.