Statistique : ´ etude de cas. Intervalles de confiance
Myriam Maumy-Bertrand
IRMA, UMR 7501, Universit´e de Strasbourg
Vendredi 06 octobre 2017
Ce chapitre s’appuie essentiellement sur le livre suivant :
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 2 / 50
Sommaire
1
Introduction
2
Principe
3
Intervalle de confiance
4
Estimation de la moyenne µ d’une variable gaussienne
5
Estimation de la variance σ
2d’une variable gaussienne
6
Estimation d’une proportion
Il est souvent plus r´ ealiste et plus int´ eressant de fournir un renseignement du type
θ
1< θ < θ
2plutˆ ot que d’´ ecrire s` echement
θ b
n= c . D´ efinition
Fournir un tel intervalle ]θ
1; θ
2[ s’appelle donner une estimation par intervalle de confiance de θ ou une estimation ensembliste de θ.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 4 / 50
Sommaire
1
Introduction
2
Principe
3
Intervalle de confiance
4
Estimation de la moyenne µ d’une variable gaussienne
5
Estimation de la variance σ
2d’une variable gaussienne
6
Estimation d’une proportion
La m´ ethode des intervalles de confiance est la suivante :
soit θ b
nun estimateur de θ dont nous connaissons la loi de probabilit´ e pour chaque valeur de θ.
D´ efinition
Etant donn´ ´ e une valeur θ
0du param` etre θ, nous d´ eterminons un intervalle de probabilit´ e bilat´ eral de niveau (1 − α) pour l’estimateur θ b
n,
c’est-` a-dire deux bornes θ
1net θ
2ntelles que P
θ
n1< θ b
n< θ
2n|θ = θ
0> 1 − α.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 6 / 50
Remarques
1
Ces deux bornes d´ ependent ´ evidemment de la valeur θ
0.
2
Nous pourrions ´ egalement construire des intervalles unilat´ eraux pour lesquels θ
n1= −∞ ou θ
n2= +∞.
3
Nous choisissons dans la plupart des cas un intervalle de probabilit´ e ` a
risque sym´ etrique α/2 et α/2.
Nous adoptons la r` egle de d´ ecision suivante.
Soit θ b
n(x
1, . . . , x
n) = θ b
n(obs) la valeur observ´ ee de θ b
n:
si θ b
n(obs) ∈]θ
n1; θ
n2[, nous conservons θ
0comme valeur possible du param` etre θ ;
si θ b
n(obs) 6∈]θ
n1; θ
n2[, nous ´ eliminons θ
0.
Nous r´ ep´ etons cette op´ eration pour toutes les valeurs de θ.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 8 / 50
Sommaire
1
Introduction
2
Principe
3
Intervalle de confiance
4
Estimation de la moyenne µ d’une variable gaussienne
5
Estimation de la variance σ
2d’une variable gaussienne
6
Estimation d’une proportion
D´ efinition
Nous appelons intervalle de confiance de niveau de confiance (1 − α) (coefficient de confiance) du param` etre θ tout intervalle ]θ
1; θ
2[ tel que : P (θ ∈]θ
1; θ
2[) = 1 − α pour α ∈ [0; 1] fix´ e.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 10 / 50
Propri´ et´ es
1
]θ
1; θ
2[ est un intervalle al´ eatoire car il d´ epend de l’estimateur θ b
n.
2
]θ
1; θ
2[ s’obtient par : (
θ
1= (θ
2n)
−1( b θ
n(obs)) θ
2= (θ
1n)
−1(b θ
n(obs)) .
3
Si nous augmentons le niveau 1 − α, nous augmentons la longueur de
l’intervalle de probabilit´ e.
Remarque
Si la taille de l’´ echantillon not´ ee n augmente, comme l’estimateur θ b
nest suppos´ e convergent, la variance de l’estimateur not´ ee Var
θ b
ndiminue et par cons´ equent l’intervalle ]θ
1; θ
2[ diminue ´ egalement.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 12 / 50
Sommaire
1
Introduction
2
Principe
3
Intervalle de confiance
4
Estimation de la moyenne µ d’une variable gaussienne
5
Estimation de la variance σ
2d’une variable gaussienne
6
Estimation d’une proportion
µ b
nest le meilleur estimateur de la moyenne µ
popet µ b
nsuit une loi normale N µ
pop; σ
pop2n
! .
D´ efinition
L’intervalle de probabilit´ e de µ b
n` a 1 − α est : µ
pop− u
1−(α/2)σ
pop√ n < µ b
n< µ
pop+ u
1−(α/2)σ
pop√ n ,
o` u u
pest le quantile d’ordre p pour la loi gaussienne centr´ ee et r´ eduite.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 14 / 50
D´ efinition
L’intervalle de confiance de µ b
n` a 1 − α est :
µ b
n(x
1, . . . , x
n) − u
1−(α/2)σ √
popn < µ < b µ
n(x
1, . . . , x
n) + u
1−(α/2)σ √
popn , o` u u
1−(α/2)' 1, 96 si 1 − α = 0, 95.
Remarque
Pour obtenir le quantile d’ordre 0, 975 de la loi normale centr´ ee et r´ eduite, sous R, vous tapez la ligne de commande suivante :
>qnorm(0.975)
[1] 1.959964
Nous utilisons le fait que la variable al´ eatoire T
n−1= √
n − 1 b µ
n− µ S
nsuit une loi de Student ` a (n − 1) degr´ es de libert´ e.
D´ efinition
L’intervalle de probabilit´ e pour T
n−1` a 1 − α est :
−t
n−1;1−(α/2)< √
n − 1 µ b
n− µ
S
n< t
n−1;1−(α/2),
o` u t
n−1;1−(α/2)est le quantile d’ordre 1 − (α/2) pour la loi de Student ` a (n − 1) degr´ es de libert´ e.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 16 / 50
D´ efinition
L’intervalle de confiance pour µ ` a 1 − α est :
µbn(obs)−tn−1;1−(α/2) Sn(obs)
√n−1< µ <µbn(obs) +tn−1;1−(α/2) Sn(obs)
√n−1
ou bien
µbn(obs)−tn−1;1−(α/2) Sn,c(obs)
√n < µ <µbn(obs) +tn−1;1−(α/2) Sn,c(obs)
√n ,
o` u t
n−1;1−(α/2)est le quantile d’ordre 1 − (α/2) pour la loi de Student ` a
(n − 1) degr´ es de libert´ e.
Remarques
1
Pour obtenir le quantile d’une loi de Student, sous R, vous tapez la ligne de commande suivante :
>qt(0.975,n-1)
o` u la quantit´ e n − 1 est remplac´ ee par la valeur ad´ equate.
2
Le th´ eor` eme de la limite centr´ ee a pour cons´ equence que les intervalles pr´ ec´ edents sont valables pour estimer µ d’une loi quelconque lorsque la taille n de l’´ echantillon est assez grande.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 18 / 50
Exemple : L’airbag, d’apr` es l’examen de f´ evrier 2014
L’airbag (ou coussin gonflable) est un syst` eme de s´ ecurit´ e de plus en plus souvent install´ e dans les automobiles. Son gonflement est assur´ e par un dispositif pyrotechnique dont les caract´ eristiques sont la moyenne et l’´ ecart-type du d´ elai entre la mise ` a feu et l’explosion. Lors de l’´ etude d’un certain dispositif d’allumage, les r´ esultats des mesures qui proviennent d’une loi normale, effectu´ es sur 30 exemplaires, ont ´ et´ e (en millisecondes) les suivants :
28,0 28,0 31,0 31,0 32 33,0 32,5 29,0 30,5 31,0
28,5 27,5 32,0 29,5 28 26,0 30,0 31,0 32,5 33,0
27,5 29,0 30,0 28,5 27 25,0 31,5 33,0 34,5 29,0
L’airbag, d’apr` es l’examen de f´ evrier 2014 : suite
Calculer l’intervalle de confiance ` a 95% de la moyenne du d´ elai si nous connaissons l’´ ecart-type de la population de r´ ef´ erence et qu’il est ´ egal ` a 2.
Nous commen¸cons par donner une estimation ponctuelle de la moyenne du d´ elai µ :
>gonflable<-c(28,28,31,31,32,33,32.5,29,30.5,31, 28.5,27.5,32,29.5,28,26,30,31,32.5,33,27.5,29, 30,28.5,27,25,31.5,33,34.5,29)
>mean(gonflable) [1] 29.96667
Maintenant appliquons la formule du cours, ` a savoir celle qui donne un intervalle de confiance pour une moyenne µ lorsque la variance σ
2est connue (ici elle vaut 4).
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 20 / 50
L’airbag, d’apr` es l’examen de f´ evrier 2014 : suite
Pour cela, il faut v´ erifier au pr´ ealable que les donn´ ees suivent une loi normale. R´ ealisons donc un test de normalit´ e de Shapiro-Wilk.
>shapiro.test(gonflable) Shapiro-Wilk normality test data: gonflable
W = 0.9796, p-value = 0.8149
La p-valeur (0,8149) du test de Shapiro-Wilk ´ etant strictement sup´ erieure
`
a α = 5%, le test n’est pas significatif. Vous conservez donc l’hypoth` ese
nulle H
0du test de Shapiro-Wilk. Le risque d’erreur associ´ e ` a cette
d´ ecision est un risque de deuxi` eme esp` ece β. Vous ne pouvez pas l’´ evaluer
dans le cas d’un test de Shapiro-Wilk.
L’airbag, d’apr` es l’examen de f´ evrier 2014 : suite
Maintenant nous pouvons calculer avec R l’intervalle de confiance cherch´ e (nous rappelons que nous connaissons la variance σ
2de la population).
>mean(gonflable)-qnorm(0.975)*2/sqrt(30) [1] 29.25099
>mean(gonflable)+qnorm(0.975)*2/sqrt(30) [1] 30.68234
L’intervalle de confiance ` a 95% de la moyenne du d´ elai, en millisecondes, est ´ egal ` a :
]29, 25099; 30, 68234[.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 22 / 50
Exemple : Les plantes marines
Un biologiste ´ etudie un type d’algue qui attaque les plantes marines. La toxine contenue dans cette algue est obtenue sous forme d’une solution organique. Il mesure la quantit´ e de toxine par gramme de solution. Il a obtenu les neuf mesures suivantes, exprim´ ees en milligrammes :
1, 2; 0, 8; 0, 6; 1, 1; 1, 2; 0, 9; 1, 5; 0, 9; 1, 0.
Nous supposons que ces mesures sont les r´ ealisations de variables
al´ eatoires ind´ ependantes et identiquement distribu´ ees suivant une loi
normale d’esp´ erance µ et d’´ ecart-type σ.
Les plantes marines : suite
Donnons une estimation ponctuelle de la moyenne de la quantit´ e de toxine par gramme de solution :
µ b
9(obs) = 1 9
1, 2 + 0, 8 + 0, 6 + 1, 1 + 1, 2 + 0, 9 + 1, 5 +0, 9 + 1, 0
= 1, 022222 mg .
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 24 / 50
Les plantes marines : suite
Donnons une estimation ponctuelle de la variance de la quantit´ e de toxine :
S
9,c2(obs) = (0, 2635231 mg )
2.
Les plantes marines : suite
D´ eterminons un intervalle de confiance ` a 95% pour la moyenne de la quantit´ e de toxine par gramme de solution. La moyenne µ et la variance
´
etant inconnues, l’intervalle de confiance ` a 95% pour la moyenne µ s’obtient avec la formule suivante :
µ b
9(obs) − t
8;0,975S
9,c(obs)
√
9 < µ < µ b
9(obs) + t
8;0,975S
9,c(obs)
√ 9 0, 820 mg < µ < 1, 225 mg
o` u t
8;0,975= 2, 3060 est le quantile d’ordre 0, 975 pour la loi de Student ` a huit degr´ es de libert´ e t(8).
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 26 / 50
Les plantes marines : fin
Les commandes sous R qui donnent les r´ esultats ci-dessus sont les suivantes :
> toxine<-c(1.2,0.8,0.6,1.1,1.2,0.9,1.5,0.9,1)
> mean(toxine) [1] 1.022222
> sd(toxine) [1] 0.263523
> mean(toxine)-qt(0.975,8)*sd(toxine)/sqrt(9) [1] 0.8196604
> mean(toxine)+qt(0.975,8)*sd(toxine)/sqrt(9)
[1] 1.224784
Sommaire
1
Introduction
2
Principe
3
Intervalle de confiance
4
Estimation de la moyenne µ d’une variable gaussienne
5
Estimation de la variance σ
2d’une variable gaussienne
6
Estimation d’une proportion
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 28 / 50
Nous utilisons le fait que
1
c σ
2n= 1 n
n
X
i=1
(X
i− µ)
2est le meilleur estimateur de la variance σ
2lorsque la moyenne µ est connue,
2
n c σ
2nσ
2suit une loi du Khi-deux ` a n degr´ es de libert´ e comme la somme
de n carr´ es de loi N (0; 1) ind´ ependantes.
D´ efinition
k
1et k
2sont les bornes de l’intervalle de probabilit´ e pour n σ c
2nσ
2si :
P k
1< n c σ
2nσ
2< k
2!
= 1 − α.
Remarque
Par exemple, nous pouvons prendre la borne k
1´ egale au quantile d’ordre α/2 pour la loi du Khi-deux ` a n degr´ es de libert´ e et la borne k
2´ egale au quantile d’ordre 1 − α/2 pour la loi du Khi-deux ` a n degr´ es de libert´ e.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 30 / 50
D´ efinition
L’intervalle de confiance pour σ
2` a 1 − α est ´ egal ` a : n σ c
2n(x
1, . . . , x
n)
k
2< σ
2< n c σ
2n(x
1, . . . , x
n)
k
1·
Remarque
Par exemple, nous pouvons prendre la borne k
1´ egale au quantile d’ordre
α/2 pour la loi du Khi-deux ` a n degr´ es de libert´ e et la borne k
2´ egale au
quantile d’ordre 1 − α/2 pour la loi du Khi-deux ` a n degr´ es de libert´ e.
Nous utilisons le fait que
1
S
n2= 1 n
n
X
i=1
(X
i− µ b
n)
2,
2
nS
n2σ
2suit une loi du Khi-deux ` a (n − 1) degr´ es de libert´ e comme la somme de (n − 1) carr´ es de loi N (0; 1) ind´ ependantes.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 32 / 50
D´ efinition
l
1et l
2sont les bornes de l’intervalle de probabilit´ e pour
nSσ2n2si :
P
l
1< nS
n2σ
2< l
2= 1 − α.
D´ efinition
L’intervalle de confiance pour σ
2` a 1 − α est ´ egal ` a : nS
n2(x
1, . . . , x
n)
l
2< σ
2< nS
n2(x
1, . . . , x
n) l
1,
o` u l
1et l
2sont les quantiles respectivement ` a α/2 et ` a 1 − (α/2) du loi du
Khi-deux ` a (n − 1) degr´ es de libert´ e.
D´ efinition
l
1et l
2sont les bornes de l’intervalle de probabilit´ e pour (n − 1)S
n,c2/σ
2si :
P l
1< (n − 1)S
n,c2σ
2< l
2!
= 1 − α.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 34 / 50
D´ efinition
L’intervalle de confiance ` a 1 − α pour la variance σ
2est ´ egal ` a : (n − 1)S
n,c2(x
1, . . . , x
n)
l
2< σ
2< (n − 1)S
n,c2(x
1, . . . , x
n) l
1,
o` u l
1et l
2sont les quantiles d´ efinis dans la diapositive pr´ ec´ edente.
Remarque
Pour obtenir le quantile l
1d’une loi du Khi-deux, sous R, vous tapez la ligne de commande suivante :
>qchisq(0.025,n-1)
o` u la quantit´ e n − 1 est remplac´ ee par la valeur ad´ equate. De mˆ eme pour l
2en rempla¸cant 0, 025 par 0, 975.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 36 / 50
Exemple : Les plantes marines
Un biologiste ´ etudie un type d’algue qui attaque les plantes marines. La toxine contenue dans cette algue est obtenue sous forme d’une solution organique. Il mesure la quantit´ e de toxine par gramme de solution. Il a obtenu les neuf mesures suivantes, exprim´ ees en milligrammes :
1, 2; 0, 8; 0, 6; 1, 1; 1, 2; 0, 9; 1, 5; 0, 9; 1, 0.
Nous supposons que ces mesures sont les r´ ealisations de variables
al´ eatoires ind´ ependantes et identiquement distribu´ ees suivant une loi
normale d’esp´ erance µ et d’´ ecart-type σ
pop.
Les plantes marines : suite
Donnons une estimation ponctuelle de la moyenne de la quantit´ e de toxine par gramme de solution :
b µ
9(obs) = 1, 022222 mg .
Donnons une estimation ponctuelle de la variance de la quantit´ e de toxine
`
a l’aide de l’estimateur corrig´ e de la variance S
9,c2: S
9,c2(obs) = 0, 06944444 mg
2Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 38 / 50
Les plantes marines : suite
D´ eterminons un intervalle de confiance ` a 95% pour la variance σ
2popde la quantit´ e de toxine par gramme de solution. La moyenne µ et la variance σ
2pop´ etant inconnues, l’intervalle de confiance ` a 95% pour la variance σ
2pops’obtient avec la formule suivante :
8S
9,c2(obs) l
2< σ
2pop< 8S
9,c2(obs) l
1·
0, 032 mg
2< σ
2pop< 0, 255 mg
2o` u l
1= 2, 180 est le quantile d’ordre 0, 025 pour une loi du Khi-deux χ
2(8)
et l
2= 17, 535 est le quantile d’ordre 0, 975 pour une loi du Khi-deux
χ
2(8).
Les plantes marines : fin
Les commandes sous R qui donnent les r´ esultats ci-dessus sont les suivantes :
> mean(toxine) [1] 1.022222
> var(toxine) [1] 0.06944444
> 8*var(toxine)/qchisq(0.975,8) [1] 0.03168349
> 8*var(toxine)/qchisq(0.025,8) [1] 0.2548735
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 40 / 50
Sommaire
1
Introduction
2
Principe
3
Intervalle de confiance
4
Estimation de la moyenne µ d’une variable gaussienne
5
Estimation de la variance σ
2d’une variable gaussienne
6
Estimation d’une proportion
Nous souhaitons construire un intervalle de confiance pour une proportion π
Ad’individus de la population qui poss` edent un certain caract` ere A. Pour estimer π
A, nous allons nous servir de l’estimateur b π
n,A, qui a ´ et´ e d´ efini auparavant, ` a partir du moment o` u nous faisons l’hypoth` ese que le tirage est al´ eatoire avec remise, ce qui correspond ` a une population infinie.
D’autre part, nous pouvons montrer que n π b
n,Asuit une loi binomiale de param` etres n et π
A. ` A partir de ce r´ esultat, nous pouvons construire un intervalle de confiance pour π
A.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 42 / 50
Les trois m´ ethodes pour construire un intervalle de confiance pour une proportion π
Aque nous rencontrerons le plus souvent sont :
1
la m´ ethode exacte ou encore appel´ ee la m´ ethode de Clopper-Pearson qui maintenant est r´ ealisable avec par exemple le logiciel R ;
2
la m´ ethode du score ou encore appel´ ee la m´ ethode de Wilson ou encore la m´ ethode de l’ellipse ;
3
la m´ ethode asymptotique ou encore appel´ ee la m´ ethode de Wald.
Des ´ etudes statistiques ont montr´ e que, parmi ces trois m´ ethodes, la m´ ethode ` a privil´ egier est la m´ ethode du score. N´ eanmoins, la m´ ethode de Wald reste tr` es utilis´ ee et pr´ esent´ ee dans de nombreux manuels alors qu’elle ne permet g´ en´ eralement pas d’obtenir des intervalles de confiance de qualit´ e convenable.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 44 / 50
L’intervalle de confiance pour la proportion π
Aau niveau de confiance (1 − α) est ´ egal ` a
πbn,A(obs) + 1
2nu21−α/2−u1−α/2× v u u
t bπn,A(obs)(1−πbn,A(obs))
n +
u21−α/2 4n2
1 +1 nu1−α/22
< πA
<
bπn,A(obs) + 1
2nu1−(α/2)2 +u1−(α/2)× v u u
t bπn,A(obs)(1−πbn,A(obs))
n +
u21−(α/2) 4n2
1 +1 nu21−(α/2)
,
o` u u
1−(α/2)est le quantile de la loi normale centr´ ee et r´ eduite.
L’intervalle de confiance pour la proportion π
Aau niveau de confiance (1 − α) est ´ egal ` a
b π
n,A(obs) − u
1−(α/2)× r
b π
n,A(obs)(1 − b π
n,A(obs))
n < π
A< b π
n,A(obs) + u
1−(α/2)× r
b π
n,A(obs)(1 − b π
n,A(obs))
n ,
o` u u
1−α/2est le quantile de la loi normale centr´ ee et r´ eduite.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 46 / 50
Remarques
1. Il existe pour ces deux intervalles une formule avec une correction de
continuit´ e de Yates pour tenir compte du passage d’une loi discr` ete ` a
une loi continue. Donc, parfois, nous pouvons constater un l´ eger ´ ecart
entre le calcul de cette formule si nous le r´ ealisons ` a la main et le
calcul donn´ e par un logiciel de statistique. Donc une recommandation
que nous pouvons faire : regarder ce qui est programm´ e dans le
manuel du logiciel qui est utilis´ e.
Remarques
2. Pour ´ etablir l’intervalle de confiance par la m´ ethode de Wald, l’approximation de la loi binomiale par la loi normale a ´ et´ e utilis´ ee. Il faut se rappeler que pour utiliser cette approximation, certaines conditions doivent ˆ etre remplies.
3. Enfin, il manque la formule math´ ematique de l’intervalle de confiance par la m´ ethode de Clopper-Pearson. Elle n’a pas ´ et´ e pr´ esent´ ee ici car le calcul est un peu plus compliqu´ e que les deux autres. N´ eanmoins elle peut ˆ etre retrouv´ ee facilement sur internet.
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 48 / 50
Exemple : La bact´ erie Brucella abortus
Dans le cas d’une contamination d’un grand cheptel bovin par la bact´ erie Brucella abortus, un v´ et´ erinaire observe 53 avortements pour 134 vaches gestantes.
Quelle proportion d’avortements peut-il pr´ edire dans le cheptel au seuil de confiance ´ egal ` a 95% ?
Au sujet de la bact´ erie Brucella abortus, nous renvoyons le lecteur au rapport de Juillet 2015 r´ edig´ e par l’Anses et t´ el´ echargeable ` a l’adresse suivante :
https://www.anses.fr/fr/system/files/SANT2014sa0218Ra.pdf
La bact´ erie Brucella abortus : suite et fin
L’estimation ponctuelle de la proportion d’avortements est ´ egale ` a : 53/134.
L’intervalle de confiance asymptotique ` a 95% pour la proportion d’avortements est ´ egal ` a :
]0, 3127336; 0, 4783111[
Les commandes sous R pour obtenir les r´ esultats ci-dessus sont les suivantes : > pe<-53/134
> pe-qnorm(0.975)*sqrt((pe*(1-pe))/134) [1] 0.3127336
> pe+qnorm(0.975)*sqrt((pe*(1-pe))/134) [1] 0.4783111
Myriam Maumy-Bertrand (IRMA) Vendredi 06 octobre 2017 50 / 50